Você está na página 1de 13

La econometra moderna como mtodo de anlisis de la estructura econmica

Carlos A. Rodrguez Ramos, Ph.D.




Introduccin
Para la dcada de los setenta, los modelos economtricos utilizados para analizar
la estructura de la economa y proyectar las principales variables macroeconmicas, se
basaban en sistemas de ecuaciones simultneas (Galindo, 1995; Rodrguez, 2003). Como
mtodo de estimacin se utilizaba la tcnica de mnimos cuadrados ordinarios
(Rodrguez, 2003).
Sin embargo, dadas las crticas que han tenido estos modelos, en especial en los
ltimos treinta aos han surgido diversos mtodos de estimacin de tipo matemtico y
economtrico generando as lo que se conoce como la econometra moderna. La
econometra moderna puede definirse como el estudio sistemtico de los fenmenos
econmicos utilizando la informacin terica y emprica (Spanos, 1986, Galindo, 1995;
Rodrguez, 2003). Adems, estudia estos fenmenos mediante la aplicacin de mtodos
estadsticos a los datos observados no experimentales.
Este trabajo presenta, en detalle, un nuevo mtodo para proyectar y simular variables
econmicas de series de tiempo. Dicho mtodo se basa en la elaboracin de un marco
conceptual general que incluye diversas metodologas de estimacin como opciones
particulares.
1
Las diversas visiones metodolgicas pueden ordenarse de acuerdo a las
siguientes dos lneas estratgicas (Galindo, 1995; Rodrguez, 2003):
i. Una posicin epistemolgica en cuanto al uso de mtodos estadsticos en una
ciencia no experimental;
ii. Una posicin sobre la patologa de los estimadores y las pruebas
economtricas a utilizar.
Para desarrollar este trabajo en la segunda parte se hace una comparacin en
trminos de los supuestos de la econometra tradicional y la moderna haciendo nfasis en
el supuesto de especificacin correcta y en la determinacin del comportamiento del
trmino de error en ambos mtodos. En la tercera parte se presenta el desarrollo la
econometra moderna, la cual se propone como una alternativa a los problemas que
presentan los modelos actuales. Por ltimo se presentan los comentarios generales.
El mtodo tradicional y el moderno
El uso de mtodos estadsticos en una ciencia, en principio, no experimental
puede justificarse utilizando los siguientes dos enfoques:
1. La teora economtrica tradicional, la cual asume el supuesto de especificacin
correcta, de tal manera que el uso de la estadstica es justificado al incluir una
ecuacin a estimar el trmino de error con ciertas propiedades estadsticas. Esto
permite el uso de la inferencia estadstica y esta sujeto a la crtica de Sims (1980)
en cuanto a la inclusin arbitraria de restricciones en los parmetros;

1
En este caso, la validez de un mtodo economtrico se define en funcin a la evidencia emprica y al
propsito especfico para la cual se utilice.
Carlos A. Rodrguez

2
2. La econometra moderna que se asume como una ciencia no probabilstica con
errores de observacin. Esto significa la adopcin de un acercamiento
probabilstico como el fundamento de la econometra. Lo anterior se origina con
la conocida revolucin de Havelmo. En este caso, el concepto de incertidumbre
en los datos permite pasar de una ciencia determinstica a una teora estocstica.
La primera justificacin, la tradicional, seala que, dado el supuesto de
especificacin correcta, no existe un sesgo de especificacin en el modelo economtrico
utilizado. Si este supuesto se cumple entonces: el valor esperado del trmino error es
igual a cero, el modelo es homocedstico, no hay autocorrelacin y la covarianza entre el
trmino de error y la(s) variable(s) independientes es igual a cero. En este caso, el
trmino de error es una entidad independiente que permite incluir ciertas propiedades
estocsticas a un modelo. Aspecto que justifica la bsqueda del mejor ajuste estadstico.
Es decir, si el modelo cumple con los supuestos establecido respecto al trmino de error
entonces puede ser utilizado.
Segn la segunda justificacin, la econometra moderna estudia de manera
sistemtica, mediante la informacin emprica y terica, estos fenmenos considerando
que (Galindo, 1995; Rodrguez, 2003):
i. La informacin emprica y la terica tienen igual importancia;
ii. Existe un proceso generador de informacin (PGI) el cual no es observable,
pero se infiere a travs del anlisis de las caractersticas estadsticas y
probabilsticas de los datos.
En este caso, la econometra moderna utiliza la inferencia estadstica con datos no
experimentales dado el supuesto de la existencia de un proceso generados de informacin
(PGI). Los datos son considerados como una posible realizacin de este PGI, el cual se
compone de una secuencia de vectores aleatorios (Spanos, 1986). Las series econmicas
pueden ser modeladas a partir de una distribucin conjunta de probabilidades de las
variables incluyendo el tiempo (Galindo, 1995). Dichas variables se asumen como
independientes e idnticamente distribuidas. Por lo que, a diferencia de la econometra
tradicional, en la econometra moderna, el trmino de error es slo una entidad derivada
de las propiedades estadsticas de las series
La econometra moderna
El objetivo de la econometra moderna es el de especificar y estimar un modelo
estadstico que represente una adecuada aproximacin del PGI. Por lo que hay que
considerar los siguientes puntos que son fundamentales a la hora de generar un modelo
economtrico (Galindo, 1995; Hendry, 1995; Rodrguez, 2003):
1. La informacin terica se encuentra, normalmente, sintetizada en una
formalizacin matemtica conocida como el modelo terico;
2. Los conceptos tericos no coinciden, por lo general, con la informacin
estadstica disponible;
El modelo terico debe transformarse en uno estimable el cual es especificado
en trmino de las variables observadas.
La econometra moderna como mtodo de anlisis de


3
* Pueden existir diversas versiones estimables de un modelo
terico
Esto explica la existencia, en muchos casos, de evidencia contradictoria sobre un
modelo terico;
3. La informacin emprica se resume en las propiedades estadsticas
capturadas en los modelos probabilsticos y muestral;
4. El mecanismo estadstico general (MEG) es una formalizacin
probabilstica la cual contiene la informacin muestral elaborada para
analizar el modelo a estimar y representa una primera aproximacin del
PGI. El MEG est compuesto por el modelo probabilstico y el modelo
muestral.
El MEG tiene las siguientes caractersticas (Galindo, 1995; Spanos 1986; Hendry, 1995;
Hendry, 1997; Rodrguez, 2003):
1. Es un modelo en su forma reducida sin incluir ninguna restriccin en los
parmetros;
2. Postula una combinacin consistente entre la especificacin terica inicial, que
representa ya una seleccin de variables relevantes y la proposicin acerca de la
estructura estocstica del proceso;
3. La inferencia estadstica se realiza a travs del estudio de las propiedades de la
distribucin conjunta de las variables aleatorias;
Postula un determinado proceso estocstico como una aproximacin del PGI.
4. Transforma la incertidumbre acerca del PGI en la incertidumbre de la estimacin
de unos parmetros desconocidos;
Incluye la nocin de probabilidad e incertidumbre en el modelo
economtrico mediante la inclusin de un conjunto de parmetros
desconocidos de una familia de funciones de densidad de probabilidad.
5. Es definido directamente en trminos de las variables aleatorias y no solamente
respecto al trmino de error;
Las propiedades estadsticas del trmino de error se derivan naturalmente de las
propiedades estocsticas de las series econmicas.
6. Del MEG se obtiene un modelo economtrico mediante diferentes
reparametrizaciones, transformaciones y reducciones del espacio paramtrico.
En trminos generales el PGI puede representarse como un proceso estocstico con una
distribucin probabilstica infinita:
) , , , ( ) 1 (
2 1 tn t t
X X X F K
Carlos A. Rodrguez

4
En esta ecuacin cada X
ti
representa una variable aleatoria en el periodo t. Por
cuestiones operacionales debe reducirse el nmero de parmetros desconocidos, los
cuales definen al proceso estadstico. Esto se realiza utilizando la teora y la informacin
provista por los datos. La importancia que se le d a cada variable conduce a diversas
formas de modelaje economtrico. No obstante, la reduccin de parmetros se realiza
siguiendo los siguientes puntos (Galindo, 1995):
1. La informacin terica y la reduccin del nmero de parmetros La teora
econmica sugiere una seleccin de variables relevantes sobre un fenmeno
econmico dado. Esta informacin dada por la teora se incorpora en el modelo
estadstico a travs de reducir el nmero de variables en consideracin y/o
condicionando el valor de algunos parmetros. Por lo que la teora econmica
proporciona argumentos necesarios los cuales ayudan a definir la distribucin
condicional del fenmeno econmico que se est estudiando y reduce el espacio
paramtrico indicando cuales son las funciones de probabilidad irrelevantes.
Quiere decir que un mejor conocimiento de la teora implica una mejor
especificacin del modelo condicional y una reduccin en el nmero de
parmetros a estimar, aumentando as la eficiencia de las estimaciones;
2. La informacin terica y la reduccin de parmetros Tambin puede utilizarse
la informacin emprica para reducir el espacio paramtrico. Sin embargo esto se
da en el caso en el que el proceso estocstico satisfaga las siguientes condiciones:
a. Simetra:
) , , ( ) , , ( ) 2 (
tm tj tn ti
X X F X X F K K = , donde j y m representan
cualquier permutacin de i y n.
b. Compatibilidad:

=

X
X X F X X LimF
tn t tn t
) , , ( ) , , ( ) 3 (
1 1 1
K K

Un proceso estocstico que cumple con las condiciones de simetra y
compatibilidad puede reducirse al imponerse determinadas restricciones en los
parmetros desconocidos de tal manera que las series econmicas puedan representarse
como un proceso m-dependiente (Spanos, 1986). Las restricciones ms comunes son las
siguientes (Spanos, 1986; Galindo, 1995):
1. Restriccin de heterogeneidad del proceso en el tiempo
2
- Al ser el proceso
estocstico definido:
( ) ( )
m n t n t tn t
X X F X X F
+ + +
= , , , , ) 4 (
1
K K
el proceso estocstico es estrictamente estacionario ya que su funcin de
distribucin no cambia con el tiempo, por lo que su media y varianza se
mantienen constantes a travs del tiempo. En un proceso estacionario los vectores
aleatorios se distribuyen idnticamente con homogeneidad en el tiempo;

2
Heterogeneidad en el tiempo implica que la distribucin de probabilidad conjunta depende del tiempo
(Galindo, 1995; Hendry, 1997; Spanos, 1986).
.
La econometra moderna como mtodo de anlisis de


5
3. Restriccin en la memoria del tiempo En esta restriccin las relaciones entre X
ti

y X
tj
disminuyen a medida que la diferencia entre i y j aumenta. Esto se observa
en las series cuando el proceso estocstico es asintticamente no-correlacionado y
la funcin de autocorrelacin tiende a cero a medida que la distancia entre i y j
aumenta.
III.a. PGI y MEG
Segn la seccin anterior la reduccin de parmetros utilizando la teora
econmica o las propiedades de las series son las herramientas esenciales para que el
MEG sea una adecuada representacin del PGI. Por lo que, el MEG representa una
funcin de probabilidad condicional con un nmero finito de parmetros, contrario a los
modelos economtricos tradicionales que utilizan una funcin de probabilidad
incondicional, la cual es descrita por un nmero infinito de parmetros.
Esta reduccin asume que el MEG puede aproximarse por la factorizacin de una
secuencia de variables aleatorias idnticamente distribuidas (Hendry, 1983). Lo anterior
se hace mediante la descomposicin de la funcin conjunta de densidad del producto de
las funciones de densidad condicional y la funcin marginal (Spanos, 1986; Galindo,
1995). Esto es vlido slo en el caso de que las variables aleatorias que generan una
muestra aleatoria sean independientes e idnticamente distribuidas y que se cumpla la
condicin de exogeneidad dbil en algunas de estas variables. Para convertir el PGI en
un MEG, este puede representarse como una funcin la cual transforma un conjunto de
variables condicionadas a un determinado conjunto de informacin en un modelo que
determina las variables endgenas en funcin de las variables exgenas y margina las
variables no relevantes (Galindo, 1995; Spanos, 1986):
( ) ( ) ( ) ( ) ( ) ( ) , | | | | , | | , , | 5
2 1 1
= = =
t it jt it it i t t it it t it
y x z x z y y x z y f w f

donde:
w
it
representa las variables aleatorias;
es el espacio paramtrico del PGI;
y
t
son las variables endgenas;
z
it
son las variables exgenas;

x
it
son otras variables a considerar;
es el conjunto de informacin disponible.
es la transformacin de necesaria para que se de la factorizacin y, por ende, el
proceso de marginalizacin y distribucin condicional. En este caso los parmetros de
se mantienen constantes y son ortogonales a .
Por lo que, es relevante el comportamiento de para aceptar que las variables en z
it
son
exgenas. Esto se considera una respuesta a la crtica de Lucas ya que los parmetros se
mantienen constantes a travs del tiempo (Charemza y Deadman, 1992).
Carlos A. Rodrguez

6
El primer trmino de la derecha de (5) indica que se puede obtener una distribucin
condicional del PGI con respecto a un subconjunto de variables, mientras que el segundo
supone que es posible aproximar sta funcin de probabilidad mediante una distribucin
condicional y su funcin marginal correspondiente. Lo anterior implica que las variables
endgenas son condicionadas por las variables exgenas (Granger, 1990).
La utilizacin de las distribuciones de probabilidad y su marginalizacin permite
al espacio paramtrico convertirse de un conjunto de parmetros desconocidos a los
coeficientes estimables de . Cabe la posibilidad de que los s no sean necesariamente
constantes, sin embargo, la distribucin de probabilidad permite aislar la parte sistemtica
de aquella no sistemtica y permite caracterizar el proceso estocstico como una
combinacin del conjunto de parmetros constantes y del trmino de error (Galindo,
1995).
De esta manera el modelo de probabilidad condicional conduce a varios mtodos
de estimacin particulares en funcin de los supuestos adicionales que se establecen de
acuerdo al comportamiento probabilstico de las series. Entre estos mtodos se
encuentran el mtodo gaussiano, el de mnimos cuadrados ordinario, el dinmico lineal,
etc..
El modelo de probabilidad condicional puede representarse como uno de
regresin lineal que incluya los supuestos de linealidad y normalidad (Spanos, 1986).
( ) ( ) = + = | ; 6
t t t t
y E s e s y
En esta ecuacin s
t
es la parte sistemtica del proceso estocstico y e
t
es la
innovacin, representando la parte no sistemtica del proceso. En este caso, tanto s
t

como e
t
son definidas de acuerdo a un conjunto de informacin (). El trmino de error
(e
t
) incorpora la parte no modelada del proceso estocstico y debe considerarse como una
entidad derivada en vez de una entidad autnoma como lo hace la econometra
tradicional. Por lo que, e
t
es un resultado de la satisfaccin de ciertos criterios
prestablecidos en la modelacin y tiene las siguientes propiedades:
( ) ( )
( ) ( )
( ) ( )
( ) 0 ) ( 10
9
0 8
0 7
1
2 2
=
=
=
=
t t
t
t
t t
e e E
e E
e E
e s E


Cuando hay una simplificacin excesiva, para la econometra tradicional las series
son no aleatorias por lo que es el trmino de error el que incluye las propiedades
estadsticas. Para la econometra moderna, las mismas series contienen determinadas
propiedades estocsticas.
3
Por lo que, en la econometra moderna, lo que se analiza es
que la media y la varianza de las series se mantengan estables a travs del tiempo. Lo
anterior permite hacer uso del teorema de Wold el cual seala que una serie estacionaria

3
Esto puede verse al analizar el sesgo de los estimadores obtenidos por mnimos cuadrados ordinarios
(MCO). Puede hacer referencia a Maddala (1996) y Spanos(1986).

La econometra moderna como mtodo de anlisis de


7
puede representarse como la suma de un componente determinstico y uno indeterminado
(Cuthbertson, Hall y Taylor, 1992). Adems, se hace nfasis en el uso de propiedades
que tienden a ser insesgadas en muestras pequeas. Es decir, el uso de series econmicas
estacionarias y las propiedades de cointegracin.
Por lo que, la econometra moderna define un modelo general el cual permite,
dado unos supuestos, el uso de diversos mtodos economtricos aplicados a series
econmicas sin tener que suponer el teorema de especificacin correcta de la econometra
tradicional (Galindo, 1995; Spanos, 1986). Dado que el modelo de regresin lineal se
define como:
( )
t t t
X Y + = ' 11
se deben satisfacer los siguientes supuestos (Spanos, 1986; Galindo, 1995):
1. La parte sistemtica del fenmeno de estudio puede modelarse como una funcin
de probabilidad condicional:
( ) ( )
t t t
X Y E s ' | 12 = =
por lo que no existe informacin adicional en X
t
que explique el comportamiento
de
t
;
2. Los parmetros de inters (
1
) son y
2
. Los mismos son definidos mediante
el procedimiento de estimacin y sealan que una serie econmica puede estar
caracterizada, en trminos estadsticos, a travs de su media y varianza. Ambas
deben permanecer constantes a travs del tiempo. Esto se estudia en la literatura
economtrica moderna mediante el anlisis del orden de integracin de las series
y la existencia de races unitarias en el proceso autorregresivo de la serie. De
esta manera se define un proceso como no estacionario cuando los momentos de
primer y segundo orden son funcin del tiempo. Un proceso estacionario es uno
en el que el comportamiento de los momentos de primer y segundo orden son
finitos e independientes del tiempo. En este caso, la asociacin entre sus
diferentes realizaciones depende solamente de la distancia y no de la posicin del
tiempo. Un proceso estocstico es estacionario si:
( ) ( )
( ) ( )
( ) ( ) ( )( ) [ ] Y Y Y Y E Y Y Cov
t Y Var
t Y Y E
k t t k t t
t
t
=
<
=
+
15
14
13

3. X
t
es exgena dbil respecto a
1
. Quiere decir que los parmetros son
invariantes en el tiempo ya que las variables exgenas del modelo no contienen
informacin adicional que modifique el valor de los parmetros estimados
(Galindo, 1995);
4. El modelo a estimar no debe incluir restricciones sobre
1
las cuales no se
encuentren fundamentados por la teora econmica ni por el conjunto de
informacin disponible;
Carlos A. Rodrguez

8
5. Las variables a utilizarse no son perfectamente colineales. Es decir, que el rango
de X
t
=k para toda N>k donde N es el tamao de la muestra y k el nmero de
parmetros;
6. Las series estocsticas pueden ser definidas como normales e idnticamente
distribuidas con media cero y varianza constante. Es decir:
( ) ( )
( ) ( )
( ) ( )
2
| 18
' | 17
; | 16

= =
= =
t t t
t t t t
t t
x X Y Cov
X x X Y E
X Y D

En este caso el modelo probabilstcico se define para una distribucin normal
como (Spanos 1986; Galindo, 1995):
( ) ( ) ( ) ( )

|
|

\
|
|

\
|
=
t t t t t t
X Y X Y X DY ' ' ' 2
2
1
exp
2
1
2
1
; | 19

;
7. Los parmetros a estimar son invariantes en el tiempo, lo que permite que las
series econmicas puedan ser representadas por un conjunto finito de
parmetros. Este supuesto est estrechamente vinculado al supuesto (4);
8. Y
t
es una muestra independiente obtenida de forma secuencial en donde se
considera vlido el modelo de probabilidad condicional dado por (16).
El anlisis de validez de estos supuestos se realiza mediante las pruebas de
especificacin. Estas pruebas se concentran bsicamente en el anlisis del trmino de
error o proceso de innovacin cuyo comportamiento resulta de satisfacer ciertos criterios
prestablecidos en el proceso de modelacin (Galindo, 1995). Sin embargo, desde el
punto de vista metodolgico, hay que hacer una distincin entre las pruebas de
especificacin de un modelo y los criterios de seleccin o pruebas sobre un modelo
economtrico final (Spanos, 1986). Esto es independiente de que las pruebas
economtricas puedan ser similares en ambos casos.
III.b. Pruebas de diagnstico
En la econometra tradicional se seala que los modelos de regresin son
propensos a diversos errores posibles en cuanto a la inclusin u omisin de variables
irrelevantes y de variables relevantes. Esto se refleja en problemas como los de
autocorrelacin y heterocedasticidad. Cualquier patrn inusual de los residuos es de
suma preocupacin en la econometra tradicional. Por lo tanto, es esencial corroborar si
un modelo, el cual se asumi de antemano que est especificado correctamente, tiene
problemas de especificacin. Para esto, se realiza un diagnstico de regresin utilizando
la prueba de los residuales studentizados o la prueba DFBETAS. Tambin se realiza una
prueba de diagnstico para el error de medicin cuando se considera que el trmino de
error est correlacionado con otra variable. En este caso, como se parte de un modelo
que se especific como correcto, se comienza de lo especfico a cualquier otra cosa con
tal de que los errores tengan el comportamiento esperado.
En la econometra moderna, las pruebas de diagnsticos pueden definirse como
aquellas que se realizan en el modelo economtrico final para asegurarse que las
transformaciones y reparametrizaciones del modelo no fueron obtenidas por el supuesto
La econometra moderna como mtodo de anlisis de


9
especificacin correcta. El modelo estadstico general se utiliza como marco general para
realizar la seleccin del modelo economtrico final. Este proceso se compone de diversas
transformaciones y reparametrizaciones del MEG y se conoce como el mtodo de lo
general a lo especfico (Charemeza y Deadman, 1992). Es decir, se comienza con un
modelo sobreparametrizado, el cual se reparametriza en variables casi ortogonales, las
cuales pueden interpretarse de manera terica. Luego, se hace la evaluacin del trmino
de error.
Los criterios para aceptar a un modelo economtrico como una aproximacin
adecuada del PGI se basan en las pruebas de diagnstico presentadas en el Cuadro 1
(Maddala, 1996; Galindo, 1995, Spanos, 1986):
4

Cuadro 1
Pruebas de diagnsticos utilizadas en la econometra moderna
Criterios Prueba(s) general(es) Prueba(s) particular(es)
1. Coherencia con los datos Coeficiente de determinacin R
2

Autocorrelacin Durbin Watson, H-
Durbin,
LjunBox,
Multiplicadores de
Lagrange, Box-Pierce.
Heterocedasticidad White, Ramsey-Reset,
Glesjer,
Goldfeld-Quant,
Breush-Pagan.
2. Exogeneidad Haussman
3. Modelo admisible Normalidad Jarque-Bera
Cambio estructural CUSUM, CUSUMQ,
Chow,
Chow predictiva
4. Restricciones vlidas Teora econmica General a lo especfico
5. Teora econmica Valor de coeficientes
6. Englobamiento Pruebas de varianza Prueba J

4
Dichos criterios no son presentados en orden de importancia.
Carlos A. Rodrguez

10
El primer criterio seala que el modelo debe producir adecuadamente el
comportamiento de los datos. Quiere decir que la varianza del modelo debe representar
una proporcin reducida en referencia a la parte explicada del conjunto de variables
(Galindo, 1995). Tambin se exige que el modelo no tenga autocorrelacin ni
heterocedasticidad. Esto se da por tres razones principales:
1. Estas dos condiciones representan un indicio de que an existe informacin que
no ha sido explicada por las variables ya incluidas;
2. Esto implica una nueva bsqueda de una especificacin ms general;
3. Estas representan factores potenciales que nos pueden alejar del clculo de
estimadores lineales insesgados con mnima varianza, a excepcin del mtodo
CONFACT el cual permite obtener estimaciones ms eficientes aprovechando la
presencia de autocorrelacin.
Un comportamiento o patrn sistemtico del trmino de error puede analizarse en los
siguientes dos niveles:
1. La condicin dbil, en la cual se prueba la presencia de autocorrelacin;
2. La condicin fuerte, en la cual se analiza si el trmino de error es predecible por
su comportamiento pasado o de las otras variables en el modelo, o si es un ruido
blanco.
El segundo criterio seala que si se cumple con el supuesto de exogeneidad, el
proceso de probabilidad condicional realizado tiene validez. Por lo que, el conjunto
de parmetros de inters contiene toda la informacin relevante del modelo y al
ignorar
2
no se pierde informacin significativa. En este caso, los estimadores de
MCO son consistentes ya que no existe relacin entre las variables independientes y
el trmino de error. Como la condicin de exogeneidad implica estabilidad en los
parmetros ante cambios en poltica econmica, representa una solucin a la crtica
de Lucas (Hendry, 1997). La constancia de los parmetros es consistente con el
supuesto de exogeneidad dbil, el cual es fundamental para que se cumpla con el de
exogeneidad fuerte (no causalidad en el sentido de Granger) y el de superexogeneidad
(pruebas de cambio estructural explicas en el tercer criterio).
Dados los primeros dos criterios, el modelo se encuentra en condiciones de
realizar las proyecciones y simulaciones necesarias. De este modo el tercer criterio
establece que el modelo es admisible en cuanto a los datos suministrados.
Segn el cuarto criterio, las restricciones en los parmetros deben ser
consistentes con las impuestas por el modelo inicial. Adems, debe guardar
consistencia con la teora econmica, segn lo indica el quinto criterio.
El modelo economtrico final debe tener la facultad de englobar o explicar
resultados economtricos previos. atendiendo el concepto de dominacin de varianza
y a la prueba j. Sin embargo, la instrumentacin de esta prueba es muy compleja ya
que los modelos economtricos tienden a diferir por diversas razones, entre estas
(Rodrguez, 2003):

La econometra moderna como mtodo de anlisis de


11
*Distintas bases de datos;
*Uso de series con o sin estacionalidad;
*Diferentes transformaciones de los datos;
*Diversas formas funcionales;
*Distintas formas dinmicas;
*Diferentes mtodos de estimacin;
*Diversas concepciones sobre las pruebas de diagnsticos.
No obstante el criterio de englobamiento incluye el criterio de Ockhan el cual
establece que en igualdad de condiciones debe escogerse el modelo ms simple (Galindo,
1995). Una vez el modelo economtrico final satisface las condiciones anteriores se
considera como uno congruente.
Conclusiones
El uso de ecuaciones simultneas para modelar un sistema econmico ha sido
altamente criticado desde la dcada de 1970, y ha provocado una revisin profunda de las
bases de la econometra y sus mtodos de estimacin. Esta revisin se bas en dos
puntos principales: la metodologa de la econometra moderna y la patologa de los
estimadores. Un cambio fundamental es que se asume que la econometra funciona con
series estocsticas que se generan por un proceso generador de informacin. En este
caso, el trmino de error es slo una entidad derivada de las propiedades estadsticas de
las series en vez de un trmino independiente que permite incluir ciertas propiedades
estocsticas a un modelo.
Lo anterior implic el uso de las propiedades de las series como un conjunto de
informacin y que el modelo final debe satisfacer ciertos criterios para ser uno
congruente. Esta metodologa enfatiza las propiedades estadsticas que validan el uso de
las estimaciones por mnimos cuadrados ordinarios, al incluir un conjunto de pruebas
estadsticas las cuales convaliden el uso de ciertos tipos de estimacin economtrica.
Aspectos como los mencionados en este trabajo son fundamentales para analizar
cualquier sistema econmico y no llevar dicho anlisis correctamente puede conducir a
conclusiones errneas en trminos de la toma de decisiones. Este planteamiento es clave
en cualquier modelo que utilice series de tiempo.

Bibliografa
Banerjee, A.J.; Dolado, J.; Galbraith, J.W. y Hendry, D.F. (1993). Co-Integration,
Error-Correction, and the Econometric Analysis of Non-Stationary Data.
Oxford University Press.
Clements, M.P. (1995). Rationality and the Role of Judegement in Macroeconomic
Forecasting. The Economic Journal, nm. 429, vol. 105, pp. 410-430.
Carlos A. Rodrguez

12
Cuthbertson, K.; Hall, S.G. y Taylor, M.P. (1992). Applied Econometric
Thecniques.
Charemza, W. y Deadman, D.F. (1993). New Directions in Econometric Practice.
General to Specific Modeling, Cointegration and Vector Autorregresion,
editor Edward
Elgar. Publicacin limitada, University Press, Cambridge.
Eatwell J., Milligate M. y Newman, P. (1990). Time Series and Statistics. New
York, W.W. Norton.
Enders, W. (1995). Applied Econometrics Time Series, . New York, Wiley.
Ericsson, N.R. y Irons, J.S. (1994). Testing Exogeneity. Oxford University Press.
Galindo, L.M. (1997). El concepto de exogeneidad en la econometra moderna.
Investigacin econmica, nm. 220, pp. 97-111.
________.(1995). La metodologa economtrica moderna: una versin aplicada.
Economa moderna aplicada: Cuadernos de trabajo, nm. 18. UACPYP,
CCH, UNAM, pp. 1-30.
Galindo, L.M. y Cardero, M.E. (1998), Modelo de vectores autorregresivos con
cointegracin para la economa mexicana: 1980-1996. Economa Mexicana,
vol. VI, nm. 2, pp. 223-246.
Gilbert, C.L. (1990). Professor Hendrys Econometric Methology. In Modelling
Economic Series, ed. C.W.J. Granger, xford: xford University Press.
Granger, C.W. y Newbold, P. (1974). Spurious Regresions in Econometrics.
Journal of Econometrics, vol. 2.
Hendry, D.F. (1997). The Econometrics of Economic Forecasting. The Economic
Journal, vol. 47, nm. 444, pp. 1311-1656.
________. (1995). Dynamic Econometric. Oxford University Press.
Johansen, S. (1988). Statistical Analysis of Cointegration Vectors. Journal of
Economic Dynamic and Control, nm. 12, pp. 231-54.
Junta de Planificacin de Puerto Rico (1989). Modelos econmicos: su estructura y
usos. Area de Planificacin Econmica y Social, negociado de Anlisis
Social Modelos y Proyecciones.
King, R.G y Plosser, C. (1984). Money, Credit and Prices in Real Bussines
Cycles. American Economic Review, vol. 74.
La econometra moderna como mtodo de anlisis de


13
Lucas, R.E. y Sargent, T.J. (1975). After Keynesian Macroeconomics. Rational
Expectations and Econometric Practice. Editado por Robert Lucas y Thomas
Sargent. Vol.1. The University of Minnesota Press, Minneapolis, 1982.
Lucas, R.E. (1972). Expectations and the Neutrality of Money. Journal of
Economic Theory, nm. 4, pp. 103-124.
Maddala, G.S. (1996). Introduccin a la Econometra. Segunda Edicin. Prentice all.
Maddala, G.S. y Kim, I.M. (1998). Unit Roots, Cointegration and Structural Change.
Primera Edicin. Cambridge University Press.
Pankratz, A. (1995). Forecasting With Univariate Box-Jenkins Models: Concepts
and Cases. John Wiley & Sons,Inc. New York.
Rodrguez, C. (2003). Una propuesta nueva para modelar y proyectar la actividad
econmica en Puerto Rico. Estudios Institucionales. Unidad de
Investigaciones Econmicas. Universidad de Puerto Rico, Recinto de Ro
Piedras.
Sims, C. y Zha, T.A. (1998). Does Monetary Policy Generates Recessions?
Documento de trabajo del Banco de la Reserva Federal de Atlanta.
Sims, C. (1987). Comment. Journal of Business and Economics Statistics, vol. 5,
pp. 443-449.
________. (1975). Exogenity and Causal Ordering in Macroeconomics Models in
New Methods in Bussiness Cycle Research. Trabajo presentado en una
conferencia del Banco de la Reserva Federal de Minneapolis.
________. (1980). Macroeconomics and Reality. Econometrica, vol. 48, nm. 1,
pp.1-48.
________. (1986). Are Forecasting Models Usable for Policy Analysis? Reserve
Bank of Minneapolis Quaterly Review, pp. 3-16.
Spanos, A. (1986). Statistical Foundations of Econometric Modeling. Cambridge
University Press.