TEMA 10:
Autoregresiones Vectoriales
1
MINISTERIO DE ECONOMA Y FINANZAS
Direccin General de Polticas Macroeconmicas
Direccin de Investigacin
2016-II
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS ECONOMETRA DE SERIES DE TIEMPO
Facultad de Ciencias Econmicas INDICE Autoregresiones Vectoriales
ndice
1. Introduccin 3
1.1. Estacionariedad en Covarianza de un VAR(p) . . . . . . . . . . . . . . . . . . . . . . . 9
1.2. Reescritura de un VAR(p) en un VAR(1) . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3. Condiciones de estacionariedad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4. La Representacin MA() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.1. Otra forma de clculo de las matrices MA . . . . . . . . . . . . . . . . . . . . . 15
1.4.2. Representacin MA con innovaciones distintas a la fundamental . . . . . . . . . 16
3. Referencias 29
1. Introduccin
Advertencia: Se utilizarn minsculas para denotar ya sea a una variable aleatoria o a su realizacin.
Una Autoregresin Vectorial de orden p, denotado como VAR(p), es una generalizacin (versin
multivariada) de un AR(p):
donde:
c es el vector de constantes
(n1)
j es la matriz de coeficientes autoregresivos para j = 1, 2, . . . , p
(nn)
es una generalizacin vectorial del ruido blanco
(n1)
E [t ] = 0
(
para t =
Cov [t , ] = E t 0
=
0 en otro caso
yt = c + 1 yt1 + 2 yt2 + t
(n1) (n1) (nn)(n1) (nn)(n1) (n1)
Expandiendo
Para la variable y1
(1) (1) (2) (2)
y1t = c1 + 11 y1,t1 + 12 y2,t1 + 11 y1,t2 + 12 y2,t2 + 1t
Para la variable y2
(1) (1) (2) (2)
y2t = c2 + 21 y1,t1 + 22 y2,t1 + 21 y1,t2 + 22 y2,t2 + 2t
Cada variable es regresionada sobre una constante, p = 2 propios rezagos, y sobre los p = 2
rezagos de las dems variables.
En general para un VAR(p) con n > 1 tenemos que la fila i-sima del sistema vectorial especifica
que
(1) (1) (p) (p)
yit = ci + i1 y1,t1 + + in yn,t1 + + i1 y1,tp + + in yn,tp
La variable yit es regresionada sobre :
una constante ci ,
p propios rezagos y
p rezagos de las dems variables.
Utilizando la notacin en operador de rezagos, la ecuacin
yt = c + 1 yt1 + 2 yt2 + + p ytp + t
puede ser escrita como
(L) yt = c + t
donde
(L) = In 1 L 2 L2 p Lp
esto es, (L) es un polinomio matriz de (n n) en el operador L.
El elemento de la fila i, columna j de (L) es un polinomio escalar en L:
(1) (2) (p)
ij (L) = ij ij L ij L2 ij Lp
(
1 si i = j
donde ij = .
0 si i =
6 j
yt = c + 1 yt1 + 2 yt2 + t
(n1) (n1) (nn)(n1) (nn)(n1) (n1)
tenemos que
(1) (1) (2) (2)
" # " # " #
2 1 0 11 12 11 12
(L) = In 1 L 2 L = (1) (1) L (2) (2) L2
0 1 21 22 21 22
Advertencia:
Los datos de series de tiempo se encuentran, por lo general, dispuestos en vectores columnas.
Por ejemplo, cuando se descargan series de las bases de datos dispuestas en internet del BCRP
Cuando se cargan estas series en MATLAB, se cargan como vectores columnas.
Por ejemplo, si se descargaron 3 series, estas estaran dispuestas en MATLAB como una matriz
Y con 3 vectores columna, respectivamente
y11 y12 y13
y21 y22 y23
.. .. ..
. . .
Y=
yt1 yt2 yt3
.. .. ..
. . .
yT 1 yT 2 yT 3
de manera que la representacin en los modelos economtricos de estas 3 variables dispuestas en
el vector columna yt equivale a la fila tsima de la matriz Y almacenada en el workspace de
MATLAB que alberga a las tres series
y1t h i0
yt = y2t = yt1 yt2 yt3 Y (t, :)0
(31) y3t | {z }
| {z } MATLAB
Modelo Economtrico
es estacionario en covarianza:
pasando los trminos que contienen a del lado derecho al lado izquierdo:
1 2 p = c
[In 1 2 p ] = c
tenemos que:
= [In 1 2 p ]1 c
t = F t1 + vt
donde
1 2 3 p1 p
yt t
In 0 0 0 0
yt1
0
0 In 0 0 0 vt = .
t = .. F = .
(np1)
.
(npnp)
.. .. .. .. ..
.
. . . . .
ytp+1
0
0 0 0 In 0
con
0 0
(
Q para t =
0 0 0
vt vt0
.. .. . . ..
E = Q =
en otro caso
0 (npnp)
. . . .
0 0 0
t = F t1 + vt
(np1) (npnp)(np1) (np1)
iteramos
t+1 = F t + vt+1
t+2 = F (F t + vt+1 ) + vt+2 = F2 t + Fvt+1 + vt+2
t+3 = F3 t + F2 vt+1 + Fvt+2 + vt+3
..
.
Para que el proceso sea estacionario en covarianzas, las consecuencias de cualquier t dado deben
eventualmente diluirse.
Si los valores propios de F caen dentro del crculo unitario, entonces el VAR se conviernte en
estacionario en covarianza.
donde
(s) (s) (s)
yt+s F11 F12 F1p
(n1) (nn) (nn)
(n1)
(nn)
t
yt+s (s) (s) (s)
F21 F22 F2p
(n1) (n1)
s
0
t+s = F = vt = ..
(nn) (nn)
.. (nn)
.
(npnp)
(np1) . (np1)
yt+sp+1
(s) (s)
(s) 0
Fp1 Fp2 Fpp
(n1) (n1) (nn)
(nn) (nn)
es
yt+s = t+s
t+s1 t+s2 t+1
0 (2) (2) 0 0
+ F(1) (1) (1)
11 F12 F1p
. + F F F(2) . + + F(s1) F(s1) F(s1) .
.. 11 12 1p .. 11 12 1p ..
0 0 0
yt
yt1
+ F(s)
11
(s)
F12 F1p
(s) ..
.
ytp+1
Despejando yt+s
yt+s = + t+s + 1 t+s1 + 2 t+s2 + + s1 t+1
(s) (s) (s)
+ F11 (yt ) + F12 (yt1 ) + + F1p (ytp+1 )
donde
(j)
j = F11
(nn)
yt = + (L)t
donde = [ (1)]1 c y
(L) = [ (L)]1
requirindose que
(L) (L) = In
reemplazando
h ih i
In 1 L 2 L2 p Lp In + 1 L + 2 L2 + = In
s = 1 s1 + 2 s2 + + p sp
con
t W N (0, )
esto es
yt = + J0 ut + J1 ut1 + J2 ut2 + (4)
donde
Js s H1
con
J0 = 0 H1 = In H1 = H1
0
entonces, si H es elegido de tal manera que HH sea una matriz diagonal D
0
HH = D
entonces los elementos de ut no estarn correlacionados entre s:
Var (u1t ) Cov (u1t , u2t ) Cov (u1t , unt )
d1 0 0
Cov (u2t , u1t ) Var (u2t ) Cov (u2t , unt ) 0 d2 0
.. .. .. .. = .. .. .. ..
. . . . . . . .
Cov (unt , u1t ) Cov (unt , u2t ) Var (unt ) 0 0 dn
esto es
si i = j
di
Cov (uit , ujt ) = con di 0
0 si i =
6 j
Por lo tanto, es siempre posible escribir un proceso estacionario VAR(p) como una un convergente
proceso MA() de un vector ruido blanco ut cuyos elementos no estn mutuamente correlacio-
nados.
Adems, a partir de
h i h i
j = E (yt+j ) (yt+jj )0 = E (yt+j ) (yt )0
tomando transpuesta
h i 0
0j = E (yt ) (yt+j )0 = E (yt ) yt(j) = j
por lo tanto
0j = j
yt = + t + 1 t1 + 2 t2 +
E [t ] = 0
(
para t =
Cov [t , ] = E t 0
=
0 en otro caso
esto es
t W N (0, )
La secuencia de matrices MA {s }
s=0 es absolutametne sumable si
X (s)
ij <
s=0
(s)
donde ij es el elemento (i, j) de la matriz s para i = 1, 2, . . . y j = 1, 2, . . .
para i1 , i2 , i3 , i4 = 1, 2, . . . , n, tambin:
t = F t1 + vt
donde
1 2 3 p1 p
yt t
In 0 0 0 0
yt1
0
0 In 0 0 0
t = .. F = vt = ..
(np1)
.
(npnp)
.. .. .. .. .. (np1)
.
. . . . .
ytp+1
0
0 0 0 In 0
esto es
= FF0 + Q
Proposicin 3. Sea A, B y C matrices cuyas dimensiones son tales que el producto ABC existe.
entonces
vec (ABC) = C0 A vec (B)
= FF0 + Q
el resultado es
donde:
A=FF
Sea r = np de tal manera que F es una matriz (r r)y A es una matriz r2 r2 . La ecuacin
Las primeras p matrices de autocovarianza de un proceso VAR(p) pueden ser calculadas sustitu-
yendo (5) en (7)
0 1 p1
10 0 p2
vec () = vec = [I 2 A]1 vec (Q)
.. .. .. .. r
. . . .
0p1 0p2 0
t = F t1 + vt
as
j = Fj1 para j = 1, 2, . . .
o
j = Fj para j = 1, 2, . . .
La autocovarianza jsima j del proceso yt original, est dado por las primeras n filas y n
columnas de j = Fj1 :
j = 1 j1 + 2 j2 + + p jp para j = p, p + 1, p + 2, . . .
Suponga que contamos con las observaciones de estas n variables para (T + p) periodos
{yt }Tt=1
+p
donde
yt |yt1 , yt2 , . . . , yp+1 N 0 xt ,
esto es
T h
Tn T 1X 0 i
L () = log (2) + log 1 yt 0 xt 1 yt 0 xt
2 2 2 t=1
yt = + t + 1 t1 + 2 t2 +
3. Referencias
Hamilton, J. D. (1994), Time Series Analysis, Princeton University Press.
Ltkepohl, H. (2005), New Introduction to Multiple Time Series Analysis, Springer-Verlag Berlin Hei-
delberg.
Zivot, E. y J. Wang (2006), Modelling Financial Time Series with S-PLUS, 2da. Edicin, Princeton
University Press.