Anda di halaman 1dari 88

Capitulo 11: Modelos

dinmicos
Causas
Modelos autoregresivos
Modelos de retardos distribuidos
Modelos AD
Modelos ARMAX
Multiplicadores
Retardo medio, retardo mediano
Teorema de Mann-Wald
Estimacin por Variables Instrumentales
Regressores estocsticas
Expectativas
Hiptesis de ajustamiento

Informacin
Estos transparencias no son completas.
La idea con las transparencias es dar una
estructura general y asegurar que grficos
y ecuaciones estn reproducidos
correctamente.
Cada estudiante debe tomar notas
adecuadas para completar las
transparencias.

Introduccin
La variable endgena retarda como
variable explicativa. Bajo ciertas
circunstancias MCO no es consistente y
hay que usar alternativas.
El efecto de una variable explicativa
puede ser repartida a largo del tiempo, es
decir, efectos a corto y largo plazo.

Causas
Causas psicolgicas:
Costumbres, hbitos. Ejemplos: precio de
tabaco, nuevo peaje, nuevo impuesto.
Incertidumbre y expectativas del futuro.
Ejemplos: tipo de inters en prstamos e
hipotecas.

Causas
Causas tecnolgicas:
Ejemplos: subida de precio de petrleo y
una preferencia para coches de bajo
consumo o alternativas. Cambiar de
coche no es instantneo.
Causas institucionales:
Retrasos cuando se trata de tomar
decisiones.

Causas
Incercia:
Persistencia, es decir valores (muchas
veces) son muy parecidos para
observaciones cercano en el tiempo. La
frecuencia de los datos (diarios,
mensuales, anuales) influye si captamos
este efecto.

Tipos de modelos dinmicos

Modelos autoregresivos
Modelos de retardos distribuidos
Modelos AD
Modelos ARMAX

Modelos autoregresivos, AR(p)


Esto es una generalizacin del modelo autoregresivo
unvariado; ahora el modelo incluye otras variables
explicativas.

Modelos autoregresivos, AR(p)


La dinmica viene (aparte del termino
determinista ; que puede incluir un constante,
tendencia lineal, variables ficticias estacineles)
a travs de la variable endgena retarda.
Para un modelo estacionario:
- es necesario que las races del polinomio
caen fuera del crculo unidad
- y que las variables explicativas son
estacionarios.

Modelos autoregresivos, AR(p)


Se puede estimar el modelo con MCO:
si el termino de perturbacin no est
autocorrelacionado. (consistente y
sesgado).

Modelos de retardos
distribuidos, RD(r ,..., r )
1

La dinmica est introducida por retardos


de las variables explicativas. Si el modelo
solo contiene una variable explicativa,
RD(r);

Modelos de retardos distribuidos

Cada variable explicativa puede entrar


con un nmero de retardos diferentes.

Modelos de retardos distribuidos


La variable yt es estacionaria si todas
las variables explicativas son
estacionarias.
Estimacion: Entonces, y si los requisitos
bsicos del MCO son cumplidas, MCO es
insesgado y consistente.

Modelos de retardos distribuidos


Normalmente el modelo da una alta
multicolinealidad entre los regresores;
Contrastes de significacin individual son poco
fiables y es mejor contrastes conjuntas.
Se puede decidir el orden adecuado de los
retardos con criterios de informacin, como
Akaike;
2
S
( e
es la varianza residual y m el numero de
parmetros en el modelo).

Modelos de retardos distribuidos


Si el orden del modelo es infinito, es decir
el nmero de retardos es infinito hay que
imponer supuestos sobre la distribucin o
evolucin de los coeficientes. (Si no hay
demasiados parmetros para estimar!)
Dos soluciones: Koyck y Almon.

Modelos de retardos distribuidos


Modelo de Koyck
Supongamos el modelo

RD() ;

Modelos de retardos distribuidos

Esta estructura aparece en modelos con


expectativas adaptativas.

Modelos de retardos distribuidos


Para estimar el modelo se puede
- poner diferentes valores de y buscar el valor que
minimizar la suma de los residuos cuadrados: (Grid
search, Cerca per graella, red de buscada).
- multiplicar el modelo por (1 L) y tener un modelo con
un termino de perturbacin que sigue un MA(1) .

Este es el modelo ARMAX(1,0,0,1) que vamos a estudiar luego.

Modelos de retardos distribuidos


Modelo de Almon
La hiptesis de Almon es que los parmetros j
evolucionan siguiendo una relacin polinmica.

En esta manera los infinitos parmetros j, se


quedan reducidas a m+1 coeficientes j .

Modelos de retardos distribuidos


j 0 1 j 2 j 2
0 0
1 0 1 2
2 0 1 2 2 4
3 0 1 3 2 9

Ejemplo en el caso de
m=2.
Bajo este supuesto
el modelo se puede
escribir como;

Modelos AD,

AD( p, r1 ,..., rk )

Si combinamos un modelo autoregresivo


y un modelo de retardos distribuidos
tenemos un modelo AD( p, r ,..., r ) .
1

Modelos AD

Si las variables explicativas son estacionarios, las


propiedades de MCO son las mismas que tienen los
modelos AR(p).

Modelos ARMAX

ARMAX ( p, r1 ,..., rk , l , q )

Este es una generalizacin del modelo AD


adonde se permite que el termino de
perturbacin sigua un proceso ARMA(l , q) .

Modelos ARMAX
Ejemplo: Un

ARMAX (0, 1, 1, 0)

es;

Los modelos ARMA, AD, RD i AR son


casos particulares del modelo ARMAX.

Modelos ARMAX
Si (L) tiene todas sus races fuera del
crculo unidad el modelo ARMAX se
puede escribir en la forma de funcin de
transferencia:
p

Esta es la base para los multiplicadores.

Modelos ARMAX
Estimacin del ecuacin

con MCO normalmente da un estimador


inconsistente como consecuencia de una
correlacin entre la variable endgena
ut
retarda el termino de error
. Tenemos que
usar alternativas (Seccin 3.1).

Multiplicadores
Cuanto varia la variable y si la variable x
cambia con una determinada cuantidad,
despus que 0, 1 , 2, 3 periodos?
Nota: el parmetro no es la respuesta,
porque slo capta el efecto directo. Para
conocer los efectos completas tenemos
que calcular multiplicadores.

Multiplicadores
Ejemplos:

Multiplicadores

Por ejemplo: 12 indica la cantidad que varia y despus


que dos periodos como
consecuencia de un incremento
x1
de una unidad de
en periodo t. El multiplicador
m
contemporneo, el efecto inmediato, es 10 .
Si las variables vienen expresadas como logaritmos los
multiplicadores indican una elasticidad (en corto placo).

Multiplicadores
Los multiplicadores se calculan a travs
de la representacin en trminos de
funcin de transferencia del modelo:

Multiplicadores

v jh

yt
xt

recoge el efecto sobre


de una variacin
unitaria de
una vez que han transcurrido

Multiplicadores

La secuencia de coeficientes del polinomio se llama


funcin de respuesta al impulso.

Multiplicadores
Multiplicador total o ganancia:
El multiplicador total o ganancia asociada a la
variable x j se define como:

k 0

k 0

g M j m jk v jk
Es la suma de todos los multiplicadores dinmicos
(o los coeficientes de la funcin de respuesta al
impulso).

Multiplicadores
La suma tiene sentido calcular si
tentemos una serie estacionario,

Si las variables estn expresadas en


logaritmos tendremos una elasticidad a
largo placo.

Multiplicadores
La forma ms sencilla de calcular el
multiplicador total es:

g M j v jk v j (1)
k 0

jrj (1)
p (1)

Donde v j (1) es el polinomio v j (L)


valorado para L=1.

Retardo medio
Si todo los coeficientes en el polinomio
son positivas, es decir; todo los
multiplicadores son positivas, se puede
calcular el retardo media del efecto de x
sobre y.

Retardo medio

Retardo medio

para todos i.

En el retardo 0 se ha producido una fraccin


del efecto total. En el
retardo 1 una fraccin

es el efecto en total.

Retardo medio
Se puede calcular el retardo medio como;

Nota;

jk k Lk 1
k 1

Entonces:

Retardo medio
Dado que
se puede escribir;

Y el retardo medio es:

Retardo medio

[EJEMPLO 8]

El retardo mediano

Estimacin de modelos con


regresores estocsticas.
El teorema de Mann-Wald especifica
condiciones suficientes para que MCO
fuera consistente con distribucin normal,
aunque haya regresores estocsticas (es
decir no deterministas).

Mann-Wald
1: indica que la correlacin muestral entre
regresores y el trmino de perturbacin
converge a cero, el valor poblacional.

Mann-Wald

Mann-Wald

Mann-Wald

Mann-Wald

Estimacin por Variables


Instrumentales
Cuando hay regresores correlacionadas
con el trmino de perturbacin, es decir
cuando el supuesto
no est
cumplido, se puede usar estimadores con
variables instrumentales.

Estimacin por Variables


Instrumentales
Como solucin hay que usar otros variables, es decir,
variables instrumentales, que tienen que cumplir las
siguientes condiciones;
- No estar correlacionadas con el trmino de
perturbacin.
- Estar muy correlacionadas con la variable que se
desea instrumentalizar, es decir la variable que tiene la
correlacin con el trmino de perturbacin.
- No puede tener un efecto directo en la variable
dependiente; entonces tendramos que usar la variable
como variable explicativa en lugar de instrumento.

Variables Instrumentales
Es necesario tener por lo menos un
instrumento por cada variable explicativa
(endgena) que est correlacionada con
el trmino de perturbacin. Con estas
variables se puede estimar el modelo
consistente.

Variables Instrumentales

Las variables ( x * ) estn correlacionadas


con el trmino de perturbacin y tenemos
que encontrar por lo menos un
instrumento (
) por cada de estas
variables.

Variables Instrumentales
Escribimos el modelo en forma de
matrices:

Variables Instrumentales

Variables Instrumentales

Los estimadores de VI son en principio


sesgados, pero el sesgo desaparece a
nivel asinttica dado que los estimadores
VI son consistentes.

Variables Instrumentales

Nota: El valor
puede ser muy
grande si la variable instrumental es poco
correlacionada con la variable explicativa
endgena ( x * ). Entonces la varianza del
estimador sera muy elevada.

Modelo bietpico (VI)


En algunas casos hay varias variables
instrumentales que se pueden usar para
una variable explicativa endgena ( x * ).
Entonces
no es cuadrtico y no se
puede invertir. En estos casos se puede
estimar un modelo bietpico, con los
siguientes pasos;

Modelo bietpico (VI)

1. Estimar una regresin para cada variable correlacionada con el


trmino de perturbacin sobre el resto de los regresores sin
problemas y todos los instrumentos disponibles. Con esta regresin
se obtiene los valores ajustados, que es una combinacin lineal de
las variables incorrelacionadas con el trmino de perturbacin del
modelo.

2. Los valores ajustados se usan como instrumentos para los


variables.

Modelo bietpico (VI)

Regressores estocsticas

Si tenemos la variable endgena retardada como variable


explicativa, MCO tiene un sesgo y la tendencia que infraestimar (en
valor absoluto) el valor del parmetro.

El sesgo aumenta con el valor del parmetro.

El sesgo es menor (en valor absoluto) con muestras ms grandes.

Si no hay correlacin entre los regresores i el trmino de


perturbacin MCO es consistente y el sesgo es asimptoticamente
cero.

Con la variable endgena retardada como variable explicativa, los


tests de t y F dejan de ser aplicables en muestras pequeas.

Regressores estocsticas
Ejemplo: ARMA(1,1)

Es decir, tenemos una correlacin entre la variable


endgena retarda y el termino de perturbacin, que
viene por la autocorrelacin del termino de perturbacin.
Entonces; MCO es inconsistente. Podemos estimar el
modelo por variables instrumentales. Un instrumento
podra ser
porque

Regressores estocsticas
Ejemplo: AD(1,0)

Con autocorrelacin en el trmino de


perturbacin. MCO es inconsistente, pero
podemos usar variables instrumentales (VI) para
instrumentar la variable endgena retardada.
Podemos usar xt 1 si no est correlacionada con
el trmino de perturbacin, y est
correlacionada con yt 1 (si 0 ).

Regressores estocsticas
Simultaneidad
Una variable explicativa puede ser una
funcin de la variable dependiente, es
decir el modelo tiene dos direcciones de
causa. Se puede usar variables
instrumentales para aclarar el efecto de la
variable explicativa.

Regressores estocsticas
Errores de medida
Considera el modelo:
Pero xt est medido con un error. Lo
observado es
donde wt es
una variable aleatoria que representa el
error de la medida.

Regressores estocsticas
Para simplificar supongamos que
ruido blanco con y
2
w

Entonces tenemos:
con

wt

es

Regresores estocsticas
Si estimamos el modelo con MCO y la
variable observada, tenemos una
correlacin entre la variable xt y el
trmino de perturbacin.

MCO sera inconsistente. (La segunda


teorema de Mann-Wald no est cumplida).

Regressores estocsticas

El sesgo es
y el error de
medida tiene la consecuencia una
infraestimacin del valor de
.

Regressores estocsticas
Nota 1: Si el ratio de seal-ruido
es
muy elevado,
sera pequeo y el
sesgo menos importante. Es decir esto es el
caso si la varianza del error de medida es
pequeo comparado con la varianza de xt .
Nota 2: En una regresin mltiple, todos los
coeficientes seran inconsistentes con un error
de medida en una variable explicativa.

Regressores estocsticas
Nota 3: Si el error de medida es en la
variable dependiente y el error no est
correlacionado con los regressores, se
puede estimar el modelo con MCO.

Regressores estocsticas
Para estimar el modelo podemos usar variables
instrumentales.
Se puede usar el contraste de Hausman (1978) para
comparar un modelo estimado por variables
instrumentales con un modelo estimado por MCO.
La idea es comparar los parmetros estimados con los
dos mtodos y si son significativo diferente rechazamos
la hipotes nula que no hay error en medida. Es decir, en
este caso hay que usar variables instrumentales porque
este mtodo es consistente, mientras MCO es
inconsistente.

Expectativas
Que informacin es relevante para formular
expectativas?
Si tenemos el modelo terico,

es la expectativa para en xt 1 el periodo t.


no es directamente observable y tenemos
que trabajar con un hiptesis sobre como las
expectativas se forman.

Expectativas
Expectativas ingenuas

Es decir, la expectativa es el mismo valor


como en el periodo t. Este modelo podra
ser adecuado si xt sigue un paseo
aleatorio.

Expectativas

Expectativas
Expectativas adaptativas

Las expectativas se revisan como una


xt
funcin del error de pronstico para .
0 ; Expectativas ingenuas.
1 ; Las expectativas no se revisan.

Expectativas
La expectativa es una suma ponderada entre el
valor de la variable y la expectativa en el
momento anterior.

xte1

es la suma ponderada, con pesos


decrecientes, de todos los valores pasados de

xt

Expectativas
Si combinamos esta hiptesis sobre las
expectativas con el modelo terico;

Expectativas
Estimacin

Hiptesis de ajustamiento
Una relacin teortica de equilibrio:

La variable dependiente no est


directamente observable.

Hiptesis de ajustamiento

0 ; No hay ajustamiento.
1 ; El ajustamiento es instantneo

Hiptesis de ajustamiento
Se puede escribir como:

yt

es una combinacin lineal convexa


*
y
entre t y yt 1 .

Es una combinacin lineal de los valores


presentes y pasados.

Hiptesis de ajustamiento
Ejemplo: Minimizar costes; Hay una
diferencia un valor real y un valor optimo.
A) coste de estar y una situacin no
optima (que es una funcin de la
*
y
diferencia
y yt ) .
t
B) coste de ajustarse (que es una funcin
de la variacin de yt y yt 1 ).

Hiptesis de ajustamiento
Funcin (aditiva) de costes:
Minimizar costes: (condicin de primer
orden).

Tenemos un ajustamiento parcial, con


.

Hiptesis de ajustamiento
cerca 1: El coste de estar fuera de la
posicin ptima es muy grande
comparado con el coste de ajustarse, el
ajustamiento se hace rpidamente.
cerca 0: El coste de estar fuera de la
posicin ptima es muy pequea
comparado con el coste de ajustarse, el
ajustamiento se hace lentamente.

Hiptesis de ajustamiento
Con un ajustamiento parcial para la
variable dependiente, el modelo es;

Hiptesis de ajustamiento
Estimacin:
1)

Tenemos un AR(1) con un cambio de escala para


todo los parmetros a la derecha.

Hiptesis de ajustamiento

Hiptesis de ajustamiento
Nota: Lo interesante son los parmetros
estructurales. Por ejemplo, si estimamos
un AR(1) se puede recuperar los
parmetros estructurales