Anda di halaman 1dari 20

Tarea 1

Natalia Jáuregui R.

1) SERIE 1

Para la serie de la hoja


“ejercicio1” se construye el
correlograma siguiente =>

A partir de esto podríamos


pensar en una serie que pueda
ajustarse a un proceso AR(2).

Para asegurarnos calculamos


combinaciones de hasta 3
rezagos para procesos
autoregresivos y con media
móvil.

Los cuadros resúmenes


siguientes muestran los
criterios de información de
Akaike y Schwartz con los
cuales decidiremos la
estructura a la cual mejor se
ajusta la serie:

Schwartz Info Criterion


AR
Criterio de Criterio de 1 2 3
Akaike Schwartz 1 2.897038 2.881929 2.888475
MA
AR(1) 2.976421 2.993305 2 2.886340 2.894376 2.900967
AR(2) 2.844443 2.869808 3 2.892289 2.903256 2.912505
AR(3) 2.844278 2.878150
MA(1) Akaike3.221088
Info Criterion 3.237946
MA(2) AR
2.990535 3.015823
MA
MA(3) 1 2.9533702 3
2.9878087
1 2.871711 2.848109 2.846135
2 2.852572 2.852101 2.850159
3 2.850078 2.852526 2.853229
COMENTARIOS

Se observa en el correlograma de la serie un comportamiento que se acerca a un proceso


AR(2), es decir, que tiene los primeros dos términos de la autocorrelación parcial distintos
de cero y los demás nulos. Observamos también un decrecimiento rápido de tipo
exponencial de la función de autocorrelación.
Y en la misma dirección, se observan los criterios de selección de Akaike y Schwartz, los
cuales nos sugieren que la serie se ajusta a un AR(2) ya que es el de menor valor, de la
misma forma que vimos en el correlograma.

Modelo Dependent Variable: SERIES01


Method: Least Squares
Date: 04/14/11 Time: 15:12
Una vez corrido el proceso Sample (adjusted): 3 500
AR(2), el modelo presenta un R2 Included observations: 498 after adjustments
(grado de ajuste) bastante bueno:
Variable Coefficient Std. Error t-Statistic Prob.
0.476, los coeficientes estimados
son todos significativamente C 2.385700 0.366607 6.507514 0.0000
distintos de cero, como lo SERIES01(-1) 0.404121 0.042004 9.620952 0.0000
muestran los estadísticos t y sus SERIES01(-2) 0.359534 0.042019 8.556528 0.0000
p-value menores a 5%, y por
R-squared 0.475888 Mean dependent var 10.09655
último un estadístico F de 224.7 Adjusted R-squared 0.473771 S.D. dependent var 1.378904
(con prob. menor a 5%), que S.E. of regression 1.000280 Akaike info criterion 2.844443
confirma la relevancia de los Sum squared resid 495.2773 Schwarz criterion 2.869808
rezagos en el modelo y su Log likelihood -705.2663 Hannan-Quinn criter. 2.854398
F-statistic 224.7275 Durbin-Watson stat 1.980463
estructura total.
Prob(F-statistic) 0.000000
Normalidad

Realizamos un test de normalidad de residuos para ver el comportamiento de estos, se


evidencia que los residuos son normales con una probabilidad de un poco más del 51%.
Esto se comprueba cuando el JB=1,33 es mayor al Chi-cuadrado con 2 grados de libertad,
por lo que se rechazaría la hipótesis nula.
60
Series: Residuals
Sample 3 500
50 Observations 498

40 Mean -9.85e-09
Median -0.046111
Maximum 3.086162
30 Minimum -2.959093
Std. Dev. 0.998265
Skewness 0.103152
20
Kurtosis 3.146364

10 Jarque-Bera 1.327663
Probability 0.514875
0
-3 -2 -1 0 1 2 3
Autocorrelación

También analizamos la presencia de autocorrelación para comprobar que no hay


comportamiento que indique algún grado de asociación entre los errores. El valor del
dw=1.99, por lo que se encuentra en el área de no auto correlación. Por otro lado,
realizamos el Test de Breuch Godfrey, el estadístico es menor al punto critico, por lo que
no se rechaza la hipótesis nula de que los residuos no tienen auto correlación.
Breusch-Godfrey Serial Correlation LM Test:

F-statistic 0.083118 Prob. F(2,493) 0.9203


Obs*R-squared 0.167865 Prob. Chi-Square(2) 0.9195

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 04/13/11 Time: 18:54
Sample: 3 500
Included observations: 498
Presample missing value lagged residuals set to zero.

Variable Coefficient Std. Error t-Statistic Prob.

C 0.000206 0.190010 0.001084 0.9991


AR(1) -0.040615 0.225183 -0.180363 0.8569
AR(2) 0.024280 0.203868 0.119097 0.9052
RESID(-1) 0.047134 0.230309 0.204657 0.8379
RESID(-2) 0.002643 0.125576 0.021047 0.9832

R-squared 0.000337 Mean dependent var -9.85E-09


Adjusted R-squared -0.007774 S.D. dependent var 0.998265
S.E. of regression 1.002138 Akaike info criterion 2.852138
Sum squared resid 495.1103 Schwarz criterion 2.894413
Log likelihood -705.1823 Hannan-Quinn criter. 2.868729
F-statistic 0.041559 Durbin-Watson stat 1.993713
Prob(F-statistic) 0.996719

Selección del modelo

En base a todos estos resultados, elegimos el modelo AR(2) como el más idóneo según los
criterios de selección, ya además no presentan grandes problemas en lo que se refieren a sus
errores.
SERIE 2

Para la serie de la hoja


“ejercicio2” se construye el
correlograma siguiente =>

A partir de esto podríamos


pensar en una serie que pueda
ajustarse más a un proceso
MA(2).

Para asegurarnos calculamos


combinaciones de hasta tres
rezagos para los procesos
autoregresivos y con media
móvil.

Los cuadros resúmenes


siguientes muestran los
criterios de información de
Akaike y Schwartz con los
cuales decidiremos cuál es la
estructura a la que mejor se
ajusta la serie:

Akaike Info Criterion


Criterio de Criterio de AR
Akaike Schwartz 1 2 3
AR(1) 3.064914 3.081799 1 2.874870 2.859414 2.850501
MA
AR(2) 2.936537 2.961902 2 2.847149 2.853012 2.838078
AR(3) 2.927708 2.961580 3 2.818980 2.828080 2.846455
MA(1) 2.983013 2.999871
MA(2) 2.843036 2.868324
MA(3) 2.846707 2.880423

Schwartz Info Criterion


AR
1 2 3
1 2.900197 2.893234 2.892841
MA
2 2.880917 2.895287 2.888885
3 2.861191 2.878810 2.905731
Si miramos el correlograma de la serie vemos un comportamiento que se acerca a un
proceso MA(2), es decir, que tiene los primeros dos términos de la autocorrelación distintos
de cero y los demás se encuentran dentro del intervalo cercano a cero. Observamos también
un decrecimiento de la función de autocorrelación parcial que alterna en signos pero va
reduciéndose cada vez más.
Sin embargo, si se observan los criterios de selección de Akaike y Schwartz, nos sugieren
que la serie se ajusta a un ARMA(1,3) ya que es el de menor valor. Nos guiaremos por el
criterio de Schwartz.

Modelo Dependent Variable: SERIES02


Method: Least Squares
Date: 04/19/11 Time: 12:47
Una vez corrido el proceso Sample (adjusted): 2 500
ARMA(1,3), el modelo presenta Included observations: 499 after adjustments
un grado de ajuste de 25.4%, los Convergence achieved after 16 iterations
MA Backcast: -1 1
coeficientes estimados son todos
significativamente distintos de Variable Coefficient Std. Error t-Statistic Prob.
cero, como lo muestran los
estadísticos t y sus p-value C 0.988297 0.023397 42.23947 0.0000
menores a 5%, y por último un AR(1) 0.976896 0.007639 127.8895 0.0000
MA(1) -0.622409 0.042345 -14.69864 0.0000
estadístico F de 42.02 (con prob. MA(2) -0.781402 0.035070 -22.28116 0.0000
menor a 5%), que confirma la MA(3) 0.410632 0.041971 9.783717 0.0000
relevancia de los rezagos en el
modelo y su estructura total R-squared 0.253869 Mean dependent var 1.051665
Adjusted R-squared 0.247827 S.D. dependent var 1.136509
(prob del F <al 5%).
S.E. of regression 0.985671 Akaike info criterion 2.818980
Sum squared resid 479.9440 Schwarz criterion 2.861191
Log likelihood -698.3356 Hannan-Quinn criter. 2.835545
F-statistic 42.02052 Durbin-Watson stat 2.009710
Prob(F-statistic) 0.000000
Normalidad

Realizamos un test de normalidad de residuos para ver el comportamiento de estos, se


evidencia que los residuos son normales con una probabilidad de un poco más del 33% de
aceptar la hipótesis nula. Esto se comprueba con el JB=2,17, que no es mayor al valor
crítico por lo que no se rechaza la hipótesis nula.
60
Series: Residuals
Sample 2 500
50 Observations 499

40 Mean 0.018157
Median 0.048472
Maximum 2.591756
30 Minimum -2.729447
Std. Dev. 0.981536
Skewness -0.120174
20
Kurtosis 2.783919

10 Jarque-Bera 2.171865
Probability 0.337587
0
-2 -1 0 1 2

Autocorrelación

También analizamos la presencia de autocorrelación para comprobar que no hay


comportamiento que indique algún grado de asociación entre los errores. El valor del
dw=1.998, por lo que se encuentra en el área de no auto correlación. Por otro lado,
realizamos el Test de Breuch Godfrey, el estadístico es menor al punto critico, por lo que
no se rechaza la hipótesis nula de que los residuos no tienen auto correlación (alta
probabilidad de no rechazar la hipótesis nula).

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 0.067039 Prob. F(2,492) 0.9352


Obs*R-squared 0.000000 Prob. Chi-Square(2) 1.0000

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 04/19/11 Time: 12:50
Sample: 2 500
Included observations: 499
Presample missing value lagged residuals set to zero.

Variable Coefficient Std. Error t-Statistic Prob.

C 0.000941 0.023564 0.039948 0.9682


AR(1) -0.000659 0.007921 -0.083169 0.9338
MA(1) 0.052263 0.173146 0.301843 0.7629
MA(2) -0.010371 0.048357 -0.214467 0.8303
MA(3) -0.041179 0.158979 -0.259023 0.7957
RESID(-1) -0.057993 0.177205 -0.327263 0.7436
RESID(-2) -0.016763 0.108413 -0.154620 0.8772

R-squared -0.000070 Mean dependent var 0.018157


Adjusted R-squared -0.012266 S.D. dependent var 0.981536
S.E. of regression 0.987537 Akaike info criterion 2.826724
Sum squared resid 479.8132 Schwarz criterion 2.885819
Log likelihood -698.2676 Hannan-Quinn criter. 2.849915
Durbin-Watson stat 1.998100

Selección del modelo

En base a todos estos resultados, elegimos el modelo ARMA(1,3) como el más idóneo
según los criterios de selección, ya además no presentan grandes problemas en lo que se
refieren a sus errores.

2) SERIE 1

Aplicando la función Impulso Respuesta al modelo AR(2), tenemos lo siguiente: vemos


que la respuesta de la serie ante un shock hoy, tiene un decrecimiento rápido en los
primeros 2 períodos, y luego cae un poco más lento, llegando en el periodo 10 a 0,129. Es
decir, que el shock todavía perdura en los próximos 10 periodos.

ARMA Impulse Response


Specification: SERIES01 C AR(1) AR(2)
Date: 04/13/11 Time: 18:19
Sample: 1 500
Included observations: 498

Period Response Std.Err. Accumulated Std.Err.

1 1.000280 (0.03170) 1.000280 (0.03170)


2 0.404234 (0.04392) 1.404514 (0.06120)
3 0.522994 (0.03728) 1.927508 (0.08504)
4 0.356689 (0.04099) 2.284197 (0.12209)
5 0.332180 (0.04364) 2.616377 (0.15946)
6 0.262483 (0.04350) 2.878859 (0.19998)
7 0.225505 (0.04376) 3.104364 (0.24043)
8 0.185503 (0.04194) 3.289866 (0.28012)
9 0.156042 (0.04009) 3.445908 (0.31814)
10 0.129754 (0.03744) 3.575663 (0.35395)
11 0.108539 (0.03472) 3.684201 (0.38726)
12 0.090514 (0.03182) 3.774715 (0.41790)

LR 0.000000 (0.00000) 4.232288 (0.65908)


Impulse Response ± 2 S.E.
1.2

0.8

0.4

0.0
1 2 3 4 5 6 7 8 9 10 11

Accumulated Response ± 2 S.E.


6

0
1 2 3 4 5 6 7 8 9 10 11
SERIE 2

Aplicando la función Impulso Respuesta al modelo ARMA(1,3), tenemos lo siguiente:


vemos que la respuesta de la serie ante un shock hoy tiene un decrecimiento muy rápido en
los primeros 2 períodos, pasando a ser negativo en el siguiente, luego vuelve a subir un
poco para continuar alrededor del cero el resto de los períodos, llegando en el periodo 10 a
-0,012. Es decir, el shock casi no afecta en los últimos periodos.
ARMA Impulse Response
Specification: SERIES02 C AR(1) MA(1) MA(2) MA(3)
Date: 04/19/11 Time: 12:55
Sample: 1 500
Included observations: 499
Period Response Std.Err. Accumulated Std.Err.

1 0.985671 (0.03120) 0.985671 (0.03120)


2 0.349408 (0.04198) 1.335078 (0.05853)
3 -0.428870 (0.04222) 0.906208 (0.07793)
4 -0.014214 (0.00722) 0.891994 (0.07677)
5 -0.013885 (0.00697) 0.878109 (0.07626)
6 -0.013565 (0.00673) 0.864544 (0.07637)
7 -0.013251 (0.00649) 0.851293 (0.07701)
8 -0.012945 (0.00627) 0.838348 (0.07814)
9 -0.012646 (0.00605) 0.825702 (0.07967)
10 -0.012354 (0.00584) 0.813348 (0.08153)
11 -0.012068 (0.00564) 0.801279 (0.08366)
LR 0.000000 (0.00000) 0.290987 (0.19675)
Imp ulse Response ± 2 S.E.
1.2

0.8

0.4

0.0

-0.4

-0.8
1 2 3 4 5 6 7 8 9 10 11

Accumulated Response ± 2 S.E.


1.50

1.25

1.00

0.75

0.50
1 2 3 4 5 6 7 8 9 10 11

3) SERIE 1
Período Respuesta
Coeficientes 1 1.000280
-1 0.410924 2 0.404234
-2 0.535758
3 0.522994
-3 0.335131
4 0.356689
-4 0.322509
5 0.332180
-5 0.287821
6 0.262483
-6 0.138414
7 0.225505
-7 0.200029
8 0.185503
-8 0.201876
9 0.156042
-9 0.130388
10 0.129754
-10 0.093288
11 0.108539

SERIE 2

Coeficientes
-1 0.352452
-2 -0.428628
-3 -0.042869
-4 0.001357
-5 0.068606
-6 0.040452
-7 0.088249
-8 0.003841
-9 0.003657
-10 -0.002667

Período Respuesta
1 0.985671
2 0.349408
3 -0.428870
4 -0.014214
5 -0.013885
6 -0.013565
7 -0.013251
8 -0.012945
9 -0.012646
10 -0.012354
11 -0.012068

Vemos que en ambas series los coeficientes calculados mediante las regresiones estimadas
son bastante parecidos a los impulsos respuesta, sólo que desfasados en un período, esto es
debido a que el primer impulso respuesta es el causado por el mismo error contemporáneo
(et), y el del período siguiente corresponde al del error rezagado un período (e t+1), por
ejemplo, el coeficiente de la primera regresión es similar al coeficiente encontrado en el
impulso respuesta del período 2.

Sin embargo en la segunda serie, tenemos que el signo del coeficiente estimado de la cuarta
regresión no coincide con signo del impulso respuesta del período 5, de ahí en adelante
hasta la regresión 9 pasa esto. Sin embargo ambos valores, los coeficientes estimados y los
impulsos respuesta son muy bajos por lo que el signo no es muy relevante, se parecen
mucho también.

4) IGPA

Para la serie de la hoja


“IGPA” se construye el
correlograma siguiente =>

A partir de esto podríamos


pensar en una serie que pueda
ajustarse más a un proceso
ARMA(1,1).
Para asegurarnos calculamos combinaciones de hasta tres rezagos para los procesos
autoregresivos y con media móvil.

Los cuadros resúmenes siguientes muestran los criterios de información de Akaike y


Schwartz con los cuales decidiremos cuál es la estructura a la que mejor se ajusta la serie:

Criterio de Criterio de Akaike Info Criterion


Akaike Schwartz AR
Schwartz Info Criterion
AR(1) -6.954798 -6.952461 1 AR 2 3
AR(2) -6.955262 -6.950586 MA 1 -6.955495
1 -6.957152
2 -6.956079
3
MA
AR(3) -6.954342 -6.947326 1 2-6.950820
-6.957177-6.950138
-6.956561-6.946723
-6.957399
MA(1) -6.949842 -6.947505 2 3 -6.956667
-6.950165 -6.957709
-6.947208 -6.957360
-6.945705
MA(2) -6.956186 -6.951513 3 -6.947317 -6.946018 -6.943327
MA(3) -6.955866 -6.948856 Si observamos los criterios de selección de
Akaike y Schwartz, nos sugieren que la serie se ajusta a un AR(1) ya que es el de menor
valor. Nos guiaremos por lo tanto por el criterio de Schwartz (si realizamos una estimación
del modelo sugerido por el correlograma el coeficiente del MA es casi no significativo).

Modelo elegido: AR(1)

Se estima un modelo sin constante, ya que si la regresión tuviera un punto de partida


podríamos saber que los retornos tendrán un piso de base que asegure ganar algo mínimo,
lo que no debe suceder. El R2 del modelo es muy bajo, explica apenas el 3,9%, su grado de
ajuste no es muy bueno (a pesar de que el coeficiente es significativo).
Dependent Variable: Y
Method: Least Squares
Date: 04/21/11 Time: 17:19
Sample (adjusted): 3 2492
Included observations: 2490 after adjustments
Convergence achieved after 2 iterations

Variable Coefficient Std. Error t-Statistic Prob.

AR(1) 0.206662 0.019611 10.53825 0.0000

R-squared 0.039276 Mean dependent var 0.000457


Adjusted R-squared 0.039276 S.D. dependent var 0.007624
S.E. of regression 0.007472 Akaike info criterion -6.954798
Sum squared resid 0.138978 Schwarz criterion -6.952461
Log likelihood 8659.724 Hannan-Quinn criter. -6.953950
Durbin-Watson stat 2.016326

Normalidad

Si analizamos la normalidad de los residuos, rechazamos la hipótesis nula de normalidad,


ya que la probabilidad de rechazar la hipótesis nula es menor al 5%, el JB= 31.374,54 es
muy alto por lo que se rechaza la H0, los residuos no se comportan normalmente.
900
Series: Residuals
800 Sample 3 2492
Observations 2490
700

600 Mean 0.000362


Median 0.000330
500 Maximum 0.098928
Minimum -0.046321
400 Std. Dev. 0.007464
300
Skewness 0.569122
Kurtosis 20.35251
200
Jarque-Bera 31374.54
100 Probability 0.000000
0
-0.04 -0.02 0.00 0.02 0.04 0.06 0.08 0.10
Autocorrelación

El test de autocorrelación nos da una probabilidad de 8%, que está cerca del límite de
rechazar la hipótesis nula de que no hay autocorrelación.

Breusch-Godfrey Serial Correlation LM Test:


F-statistic 2.424420 Prob. F(2,2487) 0.0887
Obs*R-squared 0.000000 Prob. Chi-Square(2) 1.0000
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Included observations: 2490
Presample missing value lagged residuals set to zero.
Variable Coefficient Std. Error t-Statistic Prob.
AR(1) -0.195261 0.417286 -0.467932 0.6399
RESID(-1) 0.187666 0.418485 0.448440 0.6539
RESID(-2) 0.082667 0.088541 0.933652 0.3506
R-squared -0.000408 Mean dependent var 0.000362
Adjusted R-squared -0.001212 S.D. dependent var 0.007464
S.E. of regression 0.007468 Akaike info criterion -6.955140
Sum squared resid 0.138707 Schwarz criterion -6.948128
Log likelihood 8662.149 Hannan-Quinn criter. -6.952594
Durbin-Watson stat 1.997284

Si miramos el
correlograma de los
residuos, vemos que las probabilidades no son todas cero, por lo que no podemos asegurar
que los
residuos son ruido blanco.

En todos los casos vemos que el comportamiento de los residuos no muy es bueno, por lo
que el mejor modelo que se ajusta según el criterio de Schwartz en verdad no es una
buena aproximación del comportamiento de los retornos del IGPA, entonces se
entiende que no hay algún modelo mediante el cual el proceso que llevan los retornos
puedan ajustarse a alguna estructura ARMA, en este sentido, no sería posible
adelantarnos a lo que pasará con los retornos y obtener provecho de eso en el tiempo.
Los mercados serían entonces eficientes.

5) Predicción Estática
Si realizamos una predicción estática vemos:
.020
Forecast: YF
.015 Actual: Y
Forecast sa mple: 10/13/200 9 10/22/...
.010 Adjusted sample: 10/13/2 009 10/16/...
Included o bservations: 3
.005
Root Mean Squared Error 0.005043
.000
Mean Absolute Error 0.004992
Mean Abs. Percent Error 95.29726
-.005 Theil Inequality Coefficient 0.737545
Bias Proportion 0.211413
-.010 Variance Proportion 0.691119
Covariance Proportion 0.097467
-.015

-.020
10/13/09 10/14/09 10/15/09 10/16/09

YF ± 2 S.E.

Predicción dinámica:
.020
Forecast: YF
.016 Actual: Y
.012
Forecast sa mple: 10/13/200 9 10/22/...
Included o bservations: 3
.008 Root Mean Squared Error 0.005149
Mean Absolute Error 0.005023
.004
Mean Abs. Percent Error 93.28245
.000 Theil Inequality Coefficient 0.786101
Bias Proportion 0.208282
-.004 Variance Proportion 0.791617
Covariance Proportion 0.000101
-.008

-.012

-.016
13 14 15 16 19 20 21 22
2009m10

YF ± 2 S.E.

Notemos también que los retornos giran en torno al cero, lo cual es una prueba más de que
los mercados son eficientes.

6) Modelando un VAR para las variables desestacionalizadas LNPIBRSA, LNMSA,


LNIPC_EMPSA y TIBNSA, (expresadas en logaritmos) encontramos que el criterio de
información Schwartz nos indica que la cantidad de rezagos óptima es 1.

a) Veamos el cuadro de resumen de criterios, en el cual seguiremos nuevamente el que nos


indica Scuwartz (SC):

VAR Lag Order Selection Criteria


Endogenous variables: LNPIBRSA LNMSA LNIPC_EMPSA TIBNSA
Exogenous variables: C
Sample: 1996Q1 2010Q4
Included observations: 52
Lag LogL LR FPE AIC SC HQ
0 64.74169 NA 1.14e-06 -2.336219 -2.186123 -2.278676
1 357.1866 528.6504 2.75e-11 -12.96872 -12.21824* -12.68100
2 383.7382 43.91230* 1.85e-11* -13.37455* -12.02369 -12.85666*
3 396.4851 19.12035 2.16e-11 -13.24943 -11.29818 -12.50137
4 411.7303 20.52235 2.35e-11 -13.22040 -10.66877 -12.24216
5 420.1246 10.00856 3.47e-11 -12.92787 -9.775859 -11.71946
6 439.7956 20.42762 3.50e-11 -13.06906 -9.316670 -11.63048
7 458.3337 16.39907 3.99e-11 -13.16668 -8.813906 -11.49793
8 478.9948 15.09849 4.70e-11 -13.34595 -8.392796 -11.44703

* indicates lag order selected by the criterion


LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion
Guiándonos por estos criterios, testeamos el VAR con 1 rezago y obtenemos:

Vector Autoregression Estimates


Sample (adjusted): 1996Q2 2010Q4
Included observations: 59 after adjustments
Standard errors in ( ) & t-statistics in [ ]
LNPIBRSA LNMSA LNIPC_EMPSA TIBNSA
LNPIBRSA(-1) 0.848561 -0.304377 0.142044 24.30093
(0.06683) (0.19363) (0.03833) (16.0162)
[ 12.6969] [-1.57193] [ 3.70582] [ 1.51727]

LNMSA(-1) 0.059046 1.048371 -0.011792 0.244178


(0.01787) (0.05176) (0.01025) (4.28141)
[ 3.30501] [ 20.2539] [-1.15088] [ 0.05703]

LNIPC_EMPSA(-1) -0.095880 0.139084 0.883900 -36.54118


(0.04657) (0.13492) (0.02671) (11.1596)
[-2.05899] [ 1.03088] [ 33.0961] [-3.27441]

TIBNSA(-1) -0.001253 -0.001778 0.000199 0.636815


(0.00041) (0.00119) (0.00023) (0.09812)
[-3.06106] [-1.49879] [ 0.84954] [ 6.49028]

C 2.413373 4.007228 -1.709493 -237.6065


(0.88619) (2.56754) (0.50825) (212.373)
[ 2.72332] [ 1.56072] [-3.36349] [-1.11882]
R-squared 0.995810 0.997236 0.998312 0.770212
Adj. R-squared 0.995499 0.997032 0.998187 0.753191
Sum sq. resids 0.006232 0.052314 0.002050 357.9159
S.E. equation 0.010743 0.031125 0.006161 2.574504
F-statistic 3208.218 4871.487 7985.393 45.24993
Log likelihood 186.3722 123.6095 219.1737 -136.8988
Akaike AIC -6.148211 -4.020660 -7.260124 4.810129
Schwarz SC -5.972148 -3.844598 -7.084062 4.986192
Mean dependent 16.39464 8.613462 4.395325 6.838024
S.D. dependent 0.160133 0.571294 0.144711 5.182189
Determinant resid covariance (dof adj.) 1.79E-11
Determinant resid covariance 1.26E-11
Log likelihood 405.5413
Akaike information criterion -13.06920
Schwarz criterion -12.36495
Como la técnica VAR es relativamente Roots of Characteristic Polynomial
flexible y está dominada por la Endogenous variables: LNPIBRSA LNMSA
LNIPC_EMPSA TIBNSA
endogeneidad de las Exogenous variables: C
variables, no se acostumbra analizar los Lag specification: 1 1
coeficientes de regresión estimados ni sus Date: 04/21/11 Time: 17:43
significancias estadísticas; tampoco la
Root Modulus
bondad del ajuste (R2 ajustado) de las
ecuaciones individuales. Por lo que 1.002236 1.002236
veremos los efectos de los shocks entre las 0.840591 0.840591
variables, para ello aplicamos primero el 0.787410 - 0.209727i 0.814862
0.787410 + 0.209727i 0.814862
test de raíces unitarias para ver si el VAR
satisface la condición de estabilidad. Warning: At least one root outside the unit circle.
Aplicando el test de raíces unitarias VAR does not satisfy the stability condition.
tendemos:
Inverse Roots of AR Characteristic Polynomial
1.5

La representación gráfica de los 1.0


eigenvalues (gráfico de círculo
unitario de abajo) muestra que todos
los valores se encuentran dentro del 0.5
círculo unitario y que uno de ellos se
encuentra cercano al borde del
0.0
círculo de la unidad. Este resultado
indica que hay una tendencia
común, por lo que se puede esperar -0.5
que haya un vector de cointegración

De esta forma, el sistema es -1.0


marginalmente estable.
-1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
b) Para ver los efectos que tienen las variables dinero y tasa de interés realizamos los
gráficos de impulso respuesta. Para ello la ordenación utilizada fue de la más exogena a la
mas endógena: Tasa de interés, luego Producto, luego Precios y al final Dinero.
Response to Cholesky One S.D. Innovations ± 2 S.E.
Response of LNPIBRSA to LNMSA Re sponse of LNPIBRSA to TIBNSA

.01 .01

.00 .00

-.01 -.01

-.02 -.02
5 10 15 20 25 30 35 40 5 10 15 20 25 30 35 40

Response of LN IPC_EMPSA to LNMSA Re sponse of LNIPC_ EMPSA to TIBNSA


.015 .015

.010 .010

.005 .005

.000 .000

-.005 -.005

-.010 -.010
5 10 15 20 25 30 35 40 5 10 15 20 25 30 35 40

En el gráfico superior, la Función Impulso Respuesta del VAR mostró que el producto
reacciona positivamente ante shocks simulados en el dinero, pues el eje horizontal (el nivel
cero) se mantiene bajo los límites de confianza en todo momento. Pero tiene efecto
negativo (inmediato) esperado debido a un shock en la tasa interbancaria, efecto que es
cada vez menor con el tiempo.
Por el lado de los precios pasa algo similar, el movimiento provocado por el shock del
dinero va con un rezago aprox. 4 períodos (1 año), y luego se mantiene estable y sobre el
eje cero (efecto positivo del dinero en los precios). Y respecto a la tasa de interés, primero
tiene un shock pequeño y positivo y luego disminuye para permanecer negativamente
después en el largo plazo.

El modelo VAR no satisface enteramente las condiciones de estabilidad (es decir, no vuelve
a cero luego del shock), pues no se observaron comportamientos constante en el largo plazo
del producto ante shocks de dinero o tasa de interés. Más bien se aprecia un
comportamiento explosivo de la FIR del producto y de los precios ante innovaciones de las
variables dinero y de la tasa de interés, por lo que no se puede descartar la presencia de
raíces unitarias en su representación de media móvil (conclusión que ya habíamos
apreciado ya antes con el test de raíces unitarias del VAR).
Así, el efecto de los shocks en este caso pueden ser permanentes, ya que las series
cointegran entre ellas (las 4 variables tienen raíz unitaria y son integradas de orden 1) y eso
implica que no es necesario que los efectos de un shock se vayan a cero, si no que pueden
permanecer en el tiempo como lo vemos en los gráficos de arriba.
Para ver el análisis por variable, combinamos las tablas y nos queda:
Response of L NPIBRSA to Cholesky
One S.D. Innovations Los efectos del dinero
.008 y la tasa de interés
.004
impactan en formas
opuestas al producto y
.000 a los precios. Esto
-.004
coincide con la teoría
en la cual un alza de
-.008
tasa de interés debe
-.012 frenar el producto vía
5 10 15 20 25 30 35 40
disminución del
LNMSA TIBNSA ahorro e incentivo de
la inversión y el
Response of LNIPC_EMPSA to Cholesky
One S.D. Innovatio ns consumo. También el
.006 alza de tasas de
.004 interés hace bajar el
.002
valor de los precios,
ya que estaríamos en
.000
un punto con
-.002
crecimiento del
-.004 producto (una brecha
-.006 positiva) por lo que lo
5 10 15 20 25 30 35 40
afecta también
LNMSA TIBNSA negativamente.
En la teoría macroeconómica también se ve que los precios son rígidos en el corto plazo, lo
que se ve reflejado en un rezago en el movimiento de los precios frente a shocks de dinero
y de tasa de interés.

La implicancia económica de la condición de estabilidad es asegurar que la dinámica del


VAR sea consistente con un comportamiento no explosivo de las variables producto y
precios y con un pronóstico dinámico de estas variables acorde con ese comportamiento.
Vemos que en parte coincide con lo esperado.

Si cambiamos el orden de las variables: Producto-Dinero-Precios-Tasa de interés


Tenemos efectos impulsos como siguen:
Las respuestas son similares, la tasa de interés afecta negativamente y el dinero
positivamente al producto y a los precios. Sin embargo el efecto de la tasa de interés se
vuelve menos significativo, el nivel del eje horizontal (nivel cero) se encuentra casi todo el
tiempo dentro del intervalo de confianza, por lo que los shocks de tasa de interés no afectan
mucho, estadísticamente hablando, en este caso al producto ni a los precios.
Response to Cholesky One S.D. Innovations ± 2 S.E.
Response of LNPIBRSA to LNMSA Re sponse of LNPIBRSA to TIBNSA
.020 .020

.015 .015

.010 .010

.005 .005

.000 .000

-.005 -.005

-.010 -.010
5 10 15 20 25 30 35 40 5 10 15 20 25 30 35 40

Response of LN IPC_EMPSA to LNMSA Re sponse of LNIPC_ EMPSA to TIBNSA


.012 .012

.008 .008

.004 .004

.000 .000

-.004 -.004

-.008 -.008
5 10 15 20 25 30 35 40 5 10 15 20 25 30 35 40

c) Realizando una descomposición de la varianza siguiendo el orden de más exógena a


más endógena (Tasa Interbancaria, Pib Real, Indice de Precios y Dinero) tenemos:

Variance Decomposition
Pe rcent LNPIBRSA varian ce due to LNPIBRSA Percent LNPIBRSA variance due to LNMSA El
100 100

80 80

60 60

40 40

20 20

0 0
5 10 15 20 25 30 35 40 5 10 15 20 25 30 35 40

Pe rcent LNPIBRSA varian ce due to LNIPC_EMPSA Percent LNPIBR SA variance due to TIBNSA
100 100

80 80

60 60

40 40

20 20

0 0
5 10 15 20 25 30 35 40 5 10 15 20 25 30 35 40

mayor porcentaje de impacto en la varianza del Producto en la primera etapa es debido al


mismo producto, y luego comienzan a afectar los precios y el dinero, siendo el dinero el
que explica más la varianza del producto en el largo plazo. La tasa de interés al principio
afecta rápidamente al producto en grandes porcentajes (alrededor del 40%) y luego se
mantiene en el tiempo este alto impacto.

Nuevamente, si cambiamos el ordenamiento: Producto-Dinero-Precios-Tasa de interés


Veremos que el mayor porcentaje de la varianza del producto ed debido al dinero, alrededor
de un 60-80% desde el período 2 en adelante. Los precios en cambio no tienen casi ningún
efecto en explicar el producto y la tasa de interés tampoco, disminuye mucho comparado
con el caso anterior.
Variance Decomposition
Pe rcent LNPIBRSA varian ce due to LNPIBRSA Percent LNPIBRSA variance due to LNMSA
100 100

80 80

60 60

40 40

20 20

0 0
5 10 15 20 25 30 35 40 5 10 15 20 25 30 35 40

Pe rcent LNPIBRSA varian ce due to LNIPC_EMPSA Percent LNPIBR SA variance due to TIBNSA
100 100

80 80

60 60

40 40

20 20

0 0
5 10 15 20 25 30 35 40 5 10 15 20 25 30 35 40

Es así como podemos comprobar que los efectos impulso respuesta y la descomposición de
la varianza puede ser a veces muy sensible a los ordenamientos que se eligen para explicar
el modelo (cuáles variables nos dice la teoría que son más exógenas y cuáles más
endógenas).