Escolar Documentos
Profissional Documentos
Cultura Documentos
6.1. Introduccin.
Los modelos que hemos considerado hasta aqu son uniecuacionales: en ellos una variable
y es explicada por una o varias variables explicativas x o por su historia pasada, los valores
de y t-k , k = 1, 2, , p, o por shocks aleatorios t o por una combinacin de estas variables.
Es decir, hemos considerado modelos de regresin, modelos de series cronolgicas del tipo
ARMA o ARIMA o una combinacin de modelos cuyo propsito fue explicar siempre el
comportamiento de una nica variable y en funcin de un conjunto de variables que
podemos denominar sintticamente como regresores. La variable explicada se suele
denominar dependiente y a los regresores se los denomina variables independientes del
modelo.
Pero estas especificaciones no consideran que una variable puede influir sobre otra y esta a
su vez influir sobre aquella, es decir no toma en cuenta el feedback o influencia recproca
entre las variables. Por ejemplo, puede suponerse que el nivel del producto afecta a la
inversin y que esta a su vez afecte el nivel de aquel. Si se incorporan estos efectos en el
modelo o sea si se permite que haya influencias simtricas entre las variables y que estas
influencias puedan extenderse a los valores presentes y pasados de aquellas los modelos
son multiecuacionales y se denominan de anlisis VAR. Esta abreviatura quiere denotar a
un proceso vectorial autoregresivo. Un ejemplo de proceso vectorial autoregresivo de
primer orden (porque el rezago mximo entre las variables es uno) con dos variables es:
yt b10 b12 zt 11 yt 1 12 zt 1 yt
zt b20 b21 yt 21 yt 1 22 zt 1 zt
Se supone que las dos sucesiones { yt } y {z t }son estacionarias y que los trminos de
perturbacin yt y zt son dos procesos de ruido blanco incorrelacionados entre s cuyos
desvos estndares respectivos son: ( y ) y ( z ) .
Este sistema de ecuaciones se denomina primitivo o estructural y puesto que supone efectos
contemporneos entre las variables no puede ser estimado bajo esa forma, es necesario
transformarlo. La transformacin se efecta de manera sencilla si se emplea notacin
matricial tal como lo hacen prcticamente todos los textos. En particular aqu hemos
seguido en gran medida el desarrollo de W. Enders, Applied Econometric Time Series,
Wiley, 1995.
1 b12 y t
b
21 1 zt
1 b12
b21 1
Si se hace: B
y
xt t
zt
yt
b10 11 12 y t 1
b
z
zt
20
21
22 t 1
b10
b20
C0
11 12
21 22
C1
yt 1
zt 1
xt 1
a
A0 B 1C0 10
a20
a11
a21
A1 B 1C1
a12
a22
e1t
et B 1 t
e
2t
yt
zt
yt b12 zt
e
E (et ) E 1 t E ( B 1 t ) E
/ (1 b12b21 )
e1 t
zt b21 yt
0
0
yt b12 zt
yt b12 zt
zt
21
yt
E[et et ] E[ B 1 t ( B 1 t )] E
zt b21 yt / (1 b12b21 ) 2
Var (e1t )
Cov(e1t , e2t )
12 12
=
Cov (e , e )
2
Var (e2t )
1t
2t
21 2
y2 b122 z2
(b21 y2 b12 z2 )
2
/ (1 b12b21 )
2
2
2
2
2
(
b
21 y
12 z
z
21 y
E[et et i ] E[ B 1 t ( B 1 t i )] E
zt i b21 yt i / (1 b12b21 ) 2
0 0
=
0 0
Esto significa que Cov(e1t , e1t i ) E[e1t e1t i ] 0 .Anlogamente: Cov(e2t , e2t i ) 0 .
En sntesis, ni la media, ni las varianzas ni las covarianzas dependen del tiempo, el proceso
es estacionario.
En este punto se pretende contestar la pregunta cules son las condiciones que garantizan
que el modelo VAR xt A0 A1 xt 1 et sea estable, es decir, converja?.
n
Para que esta expresin tenga sentido A 1 debe anularse para n suficientemente grande. Esto
sucede si las races caractersticas de A1 son menores que la unidad en valor absoluto. Una
breve revisin de los conceptos relacionados con las races caractersticas de una matriz se
puede encontrar en el Apndice a este captulo.
donde a10 = a 20 = 0; a11 = a 22 = 0,75 y a12 = a 21 = 0,15 y donde e1t y e 2t son dos
sucesiones independientes de ruido blanco normal con varianza unitaria, se generaron 100
observaciones empleando el programa de cmputo Excel 2003.
Las ecuaciones son:
yt 0, 75 yt 1 0,15 zt 1 e1t
zt 0,15 yt 1 0, 75 zt 1 e2t
Estas observaciones fueron construidas de la siguiente manera: las dos primeras columnas
corresponden a las sucesiones e1t y e 2t y fueron denotadas mediante alea1 y alea2
respectivamente. Los valores se obtuvieron utilizando la siguiente sucesin de comandos:
Datos, Anlisis de Datos, Generacin de nmeros aleatorios, Nmero de variables 2,
Nmero de observaciones 100, Normal, Media 0, Desvo Estndar 1.
Conviene indicar que si se utiliza el Excel 2007 Anlisis de datos se halla en Datos, si se
utiliza el Excel 2003 se halla en Herramientas. Anlisis de Datos puede ser cargado en el
Excel 2003 abriendo Herramientas Complementos y colocando un tilde en Herramientas
para Anlisis. En el Excel 2007 se carga a partir de Botn de Office Opciones
Complementos Herramientas para Anlisis Ir y luego colocando un tilde en Herramientas
para anlisis.
alea1
alea2
z
0
1,19835022
-1,781337
El segundo paso consisti en importar desde el Eviews los datos generados en el Excel.
Esto se efectu mediante los procedimientos corrientes: 1) se abri un Workfile con 100
observaciones 2) Luego: File Import Read Text-Lotus- Excel y hacer click sobre el nombre
de archivo con que fue guardado en el Excel 3) Se abri el archivo que se deseaba importar
4) se les dio nombre a las variables que se iban a importar, se especific que las series se
disponan en columnas, se indic el rango de observaciones y se seal en qu celda
comenzaban los datos, en este caso C2.
Una vez que los datos fueron importados se graficaron y los recorridos de las series se
presentan a continuacin. El grfico sugiere que los procesos son estables en consonancia
con los autovalores de la matriz A1 que son menores que uno en valor absoluto.
En efecto:
a11
a21
A1
a12
0, 75 0,15
a22
0, 75 0,15
6
4
2
0
-2
-4
-6
10
20
30
40
50
Y
60
70
80
90
100
yt b10 b12 zt 11 yt 1 12 zt 1 yt
zt b20 b21 yt 21 yt 1 22 zt 1 zt
no puede ser estimado directamente porque las variables tienen relaciones contemporneas
y los procesos de error estn correlacionados con esas variables; como z t explica a y t y
z forma parte de z t entonces el proceso de error z est relacionado contemporneamente
con y t . Otro tanto ocurre entre y y z t . En cambio, puede ser estimada la versin estndar
o reducida del VAR :
Sin embargo, el modelo reducido presenta una limitacin importante: permite estimar
nueve parmetros, los valores de los seis coeficientes a ij , las dos varianzas de los residuos
de las regresiones y la covarianza entre e1t y e2t . Esto es insuficiente para identificar el
modelo original ya que este contiene diez parmetros, cuatro b ij, cuatro ij, la varianza de y
y la varianza de z . Esto hace que el modelo estructural se halle subidentificado.
Para que el modelo original pueda ser identificado plenamente debe incorporarse una
restriccin, si se incorporara ms de una restriccin el VAR original estara
sobreidentificado. Una restriccin bastante frecuente es que b 21 es igual a cero en el sistema
original lo que implica que yt no tiene efecto contemporneo sobre zt .
Sin embargo esta restriccin o las que se desee formular deben estar fundadas en motivos
econmicos para que el sistema no sea desnaturalizado.
donde: a10 b10 b12b20 , a11 11 b12 21 , a12 12 b12 22 , a20 b20 , a21 21 , a22 22
1 b12
0 1 .
yt 2 0, 75 yt 1 0,15 zt 1 e1t
zt 1 0,15 yt 1 0, 75 zt 1 e2t
donde e1t y e
unitaria
2t
alea1
alea2
z
0
El segundo paso consisti en importar desde el Eviews los datos generados en el Excel.
Esto se efectu mediante los procedimientos corrientes: 1) se abri un Workfile con 100
observaciones 2) Luego: File Import Read Text-Lotus- Excel y hacer click sobre el nombre
de archivo con que fue guardado en el Excel 3) Se abri el archivo que se deseaba importar
4) se les dio nombre a las variables que se iban a importar, se especific que las series se
disponan en columnas, se indic el rango de observaciones y se seal en qu celda
comenzaban los datos, en este caso C2.
20
30
40
50
Y
60
Z
70
80
90
100
Coefficie
nt
Std. Error
t-Statistic
Prob.
1.771732
0.365944
4.841541
0.0000
Y(-1)
0.731419
0.056800
12.87704
0.0000
Z(-1)
0.199592
0.060836
3.280801
0.0014
R-squared
0.937880
14.97679
Adjusted R-squared
0.936585
3.643462
S.E. of regression
0.917506
2.695519
80.81445
Schwarz criterion
2.774159
Log likelihood
130.4282
Hannan-Quinn criter.
2.727337
F-statistic
724.6927
Durbin-Watson stat
2.026559
Prob(F-statistic)
0.000000
Se puede apreciar que los resultados de la estimacin son muy parecidos a los propuestos
en el modelo.
Coefficie
nt
Std. Error
t-Statistic
Prob.
1.078462
0.394807
2.731621
0.0075
Z(-1)
0.763619
0.065635
11.63440
0.0000
Y(-1)
0.126875
0.061280
2.070407
0.0411
R-squared
0.916180
12.03213
Adjusted R-squared
0.914434
3.383988
S.E. of regression
0.989872
2.847352
94.06527
Schwarz criterion
2.925992
Log likelihood
137.9439
Hannan-Quinn criter.
2.879170
F-statistic
524.6585
Durbin-Watson stat
1.794535
Prob(F-statistic)
0.000000
Tambin estos resultados son muy similares a los propuestos en el modelo con el que se
generaron las observaciones. El correlograma de los residuos en ambas regresiones mostr
que estos eran ruido blanco; se omiten por razones de brevedad.
yt 1, 77 0, 73 yt 1 0, 20 zt 1 e1t
zt 1, 07 0,13 yt 1 0, 76 zt 1 e2t
Para determinar los coeficientes del sistema estructural hay que utilizar estas estimaciones,
las varianzas de cada una de las series de residuos y la covarianza entre ellas y sustituir los
valores hallados en las relaciones especificadas ms arriba entre los coeficientes del modelo
reducido y los del modelo estructural.
La matriz de varianzas y covarianzas de los residuos donde RESI03 denota a e1t y RESI04
a e2t es:
RESI03
RESI04
RESI03
RESI04
0.816308
0.042116
0.042116
0.950154
2
Como Var (e2 ) z
2
2
2
entonces z 0,95 . Adems: Cov(e1 , e2 ) = (b21 y b12 z ) y como
b21 0 se tiene que Cov(e1 , e2 ) = - b12 z2 ; esto significa que b12 - 0,042 / 0,95 = -0,044.
De a10 b10 b12b20 , se tiene que 1,77 = b10 (0, 044)*1, 07 es decir: b10 1, 723 .
Tambin de a11 11 b12 21 se puede deducir que: 11 = 0,724 y de a12 12 b12 22 y que
12 = 0,167.
0,13 yt 1 0, 76 zt 1
zt
De esta forma se pueden apreciar en forma ms ntida las interrelaciones del proceso y
conocer las influencias contemporneas entre las variables. Por ejemplo, en la forma
reducida el coeficiente de z t-1 es 0,20 y en el modelo estructural ese coeficiente se escinde
en 0,167 que le corresponde a z t-1 y 0,044 que le corresponde a z t.
Si el modelo no hubiera sido presentado en su versin estructural la influencia
contempornea de z t sobre y t no habra sido reconocida.
Cabe sealar que la estimacin del modelo se poda haber efectuado directamente con el
Eviews. A partir de la planilla que incluye la serie de datos agrupada de y y z haciendo
click en Proc Make Vector Autoregression Unrestricted Var se obtienen los resultados con
dos lags. Sin embargo el programa no permiti reducir el nmero de lags a uno aun cuando
los parmetros correspondientes a los rezagos de orden dos no eran significativamente
distintos de cero. Debido a esta limitacin las regresiones individuales que hemos
presentado anteriormente permiten mayor flexibilidad y son preferibles a los modelos VAR
suministrados por el programa.
Y(-1)
0.714502
0.159786
(0.10399)
(0.11094)
[ 6.87095]
[ 1.44032]
0.029979
0.005174
(0.09560)
(0.10198)
[ 0.31361]
[ 0.05073]
0.219324
0.862020
(0.09623)
(0.10266)
[ 2.27927]
[ 8.39717]
-0.032925
-0.139242
(0.09783)
(0.10437)
[-0.33654]
[-1.33410]
1.734775
0.987561
(0.42611)
(0.45458)
[ 4.07122]
[ 2.17246]
R-squared
0.928897
0.904474
Adj. R-squared
0.925838
0.900365
80.64761
91.78659
S.E. equation
0.931224
0.993455
F-statistic
303.7382
220.1396
Log likelihood
-129.5069
-135.8464
Akaike AIC
2.745040
2.874417
Y(-2)
Z(-1)
Z(-2)
Schwarz SC
2.876926
3.006303
Mean dependent
15.10787
12.16111
S.D. dependent
3.419515
3.147337
0.854188
0.769249
Log likelihood
-265.2573
5.617496
Schwarz criterion
5.881268
El VAR de primer orden que hemos considerado puede ser extendido tanto aumentando el
nmero de ecuaciones en consonancia con la cantidad de variables que se desee analizar
como incrementando el orden de los procesos autorregresivos que se consideren.
Por ejemplo, un VAR bivariado con dos rezagos, es decir de orden dos puede ser escrito:
yt b10 b12 zt 11 yt 1 12 yt 2 13 zt 1 14 zt 2 yt
zt b20 b21 yt 21 yt 1 22 yt 2 23 zt 1 24 zt 2 zt
Este modelo es el que estima por defecto el Eviews en Proc Make Vector Autoregression
Unrestricted Var.
Tambin puede ser representado un VAR con n ecuaciones donde cada ecuacin contiene n
variables con p rezagos cada una. Por ejemplo, en su versin reducida se puede escribir:
x1t
x
2 t
..
xnt
A
10
A 20
..
A n 0
A11 ( L)
A21 ( L)
....
An1 ( L)
A12 ( L) .. A1 n ( L )
A22 ( L) .. A2 n ( L)
....
....
....
An 2 ( L) .... Ann ( L )
e1t
x1t 1
x
2t 1 e2t
..
..
ent
xnt 1
Para determinar el orden de los rezagos se pueden emplear la razn de verosimilitud, o los
criterios de Akaike o Schwarz considerando que en un VAR con n ecuaciones y p rezagos el
nmero total de parmetros estimados es N = n 2 * p + n, donde n 2 * p son los parmetros
que se estiman en la matriz que incluyen los rezagos y el ltimo sumando corresponde a las
n constantes del modelo.
Un modelo vectorial autoregresivo tambin puede tener una representacin bajo la forma de
promedios mviles en cuyo caso se denomina proceso vectorial de medias mviles y se
denota mediante VMA. En este modelo y t y z t son influenciadas por los valores presentes
y pasados de shocks aleatorios. Generaremos un VMA a partir de un VAR.
yt
zt
yt
zt
Considerando el resultado hallado en el punto 6.2. Estabilidad del VAR donde este se
expresaba como un modelo de medias mviles:
y t
z
t
yt
A1i et i
z
i 0
t
yt
A1i B 1 t i
z
i 0
t
y t
i 1
Y haciendo i A1 B resulta:
zt
yt
i t i .
z
i 0
t
i 1
El primer trmino de i t i A1 B t i se expone a continuacin.
0 t A10 B 1 t B 1 t
1
1
1 b12b21 b21
b12 yt
yt b12 zt
1
1 zt
1 b12b21 b21 yt yt
Se puede apreciar que el coeficiente - b12 / (1 b12b21 ) indica el impacto instantneo que zt
tiene sobre yt , en tanto que - b21 / (1 b12b21 ) indica el impacto instantneo que yt tiene
sobre zt . Otro tanto ocurre con los elementos que resultan del producto de la matriz 1 por
el vector t 1 y as siguiendo. Por este motivo a los elementos de la matriz i se los
denomina multiplicadores de impacto. Si se suman los elementos apropiados de la matriz i
se obtiene el efecto acumulado que los trminos de perturbacin, los zt y los yt en cada
caso, ejercen sobre las variables yt y zt , respectivamente.
Si se hace:
i 0
i t i
11 (i ) 12 (i )
22 (i)
i 0 21 (i )
yt i
zt i
y por lo tanto
i 0
12
(i )
y tambin
i 0
21
(i ) representa el efecto
acumulado sobre zt .
Cada uno de los cuatro coeficientes jk (i ) van tomando valores a medida que vara i, el
rezago de la perturbacin; son considerados como funciones de i y cada uno de esas
funciones se denomina funcin de respuesta a impulsos. El grfico de cada una de estas
funciones jk (i ) contra i permite apreciar cmo vara la sucesin yt o zt segn el caso, en
respuesta a los distintos shocks que impactan en las series.
Sin embargo, como se ha visto en el punto 6.4. Identificacin y estimacin de los modelos
VAR el sistema primitivo se halla subidentificado, de manera que es necesario imponer
alguna restriccin para identificar las respuestas a los impulsos. Esta restriccin (si es que
posee sentido econmico) puede ser que b21 0 , lo que significa que yt no tiene efecto
contemporneo sobre zt .
e1t
1 b12
0 1
e2 t
yt
.
zt
Esto significa que: e1t yt b12 zt y que e2t zt . Si uno conoce la sucesin {e2t } conoce la
sucesin { zt } y con el auxilio de la varianzas de e1t y de e2t y de la covarianza entre las dos
sucesiones, {e1t } y {e2t } , se puede hallar el valor de b12 y se pueden obtener las varianzas de
2
2
2
2
2
la sucesin { yt } , ya que: Var (e1t ) y b12 z , Var (e 2t ) z y Cov(e1t , e2 t ) b12 z .
xt A0 A1 xt 1 ..... Ap xt p vt
Si se supone que el proceso de error v t en lugar de ser ruido blanco est autocorrelacionado
y que la estructura de correlacin posee una representacin MA:
vt et M 1et 1 ...... M q et q
En los modelos vectoriales como los que nos ocupan una pregunta que uno se debe
formular es si los rezagos de una variable influyen o no sobre alguna otra variable. Si la
respuesta es positiva pueden distinguirse dos tipos de influencia: una contempornea y la
otra en la que los valores rezagados de una de ellas anticipa, en el sentido que tiene una
cierta relacin, con los valores futuros de la otra. Esta relacin de precedencia es la que
importa con respecto a la causalidad.
En un modelo de dos ecuaciones con p rezagos uno puede querer indagar si los rezagos de
z t afectan o no a y t o viceversa. Si la respuesta es afirmativa los parmetros
correspondientes a los coeficientes de los trminos que incluyen a esos p rezagos deben ser
distintos de cero, en caso contrario todos ellos deben ser iguales a cero.
Si todos los parmetros correspondientes a los coeficientes de los trminos que incluyen a
esos p rezagos son iguales a cero se dir que z t no causa en el sentido de Granger a y t . Se
dir que s lo causa si el parmetro que corresponde a algn coeficiente de un trmino
rezagado de z t es distinto de cero.
Si se incluye un solo rezago se trata de una prueba individual en cuyo caso se puede aplicar
un test t , si se trata de ms de un rezago se puede efectuar una prueba F. Esta prueba
F se puede formular como:
SCR r SCR nr / m
SCR nr / (n k )
La causalidad es una condicin ms dbil que la exogeneidad, esta incluye adems de los
efectos de las variables rezagadas el efecto derivado del valor presente de la variable. En el
caso de un sistema VAR bivariado con un solo rezago y t es exgena si no est afectada ni
por el valor presente ni por los valores pasados de z t , es decir adems de no ser causada en
el sentido de Granger por z t tampoco recibe ninguna influencia contempornea de esta. La
idea de exogeneidad se relaciona con la forma en que una variable se comporta con relacin
a las otras u otra variable del modelo, si su variacin es autonma e independiente de las
otras u otra variable del modelo entonces es exgena con respecto a las otras dentro del
marco de ese modelo, en caso contrario se la denomina endgena.
Estos modelos son adecuados para conocer las relaciones que hay entre las variables, en
este ejemplo se indagar acerca de las influencias recprocas entre el pbi y la inversin
correspondientes al perodo que abarca desde el I trimestre de 1985 al IV trimestre de 2005.
Los datos del pbi a precios de mercado base 1993 = 100, trascriptos por columna, se
presentan a continuacin.
180408
201912
206256
242215
265025
237417
189025
200890
237072
244468
286412
240361
186481
189269
232797
236566
278473
228596
195457
189575
228817
260752
283566
265402
181770
181943
216370
262167
264556
261535
202700
191778
241872
267020
285275
268561
212564
166291
242646
256388
276768
254330
208023
185125
245132
281770
278092
284376
188626
192868
232945
284092
259200
284392
211615
198211
257477
287515
284796
293467
217420
179818
253468
271702
263127
274595
207753
210052
257342
301208
248865
313927
197623
212476
237968
293315
216849
310593
208841
218103
248094
286268
246315
319939
26289
34982
32649
44020
48384
26714
27497
32855
41667
44565
53304
30388
29313
28934
42734
41460
54758
27659
30634
27209
43650
47591
56019
35024
26511
23664
37325
51558
45938
38707
30267
28074
43956
53327
49232
45248
35004
19186
48221
48511
50995
41571
34507
22633
50776
56800
51843
47908
30839
24014
45580
60489
41580
51702
36399
25661
51527
62390
46196
55936
38771
22442
53182
57077
42220
47159
36619
30152
54637
62699
37002
59863
34347
32225
46129
62903
22719
63851
35418
35537
43400
60443
26311
70961
13.0
12.5
12.0
11.5
11.0
10.5
10.0
9.5
86
88
90
92
94
96
LOINVER
98
00
02
04
LOPBI
Para determinar si las series poseen races unitarias se les aplic el test de Dickey Fuller,
verificndose que el logaritmo de la inversin no posee races unitarias, en cambio s posee
lopbi. Sin embargo, si se incorpora una tendencia determinstica lopbi tampoco posee races
unitarias con un nivel de significacin de 5%. Los resultados del test aumentado de Dickey
Fuller se presentan a continuacin.
t-Statistic
Prob.*
-3.508375
0.0453
1% level
-4.078420
5% level
-3.467703
10% level
-3.160627
El VAR requiere que ambas series sean estacionarias de modo que si se incorpora una
tendencia determinstica se consigue que lopbi lo sea. Esta posibilidad resulta atractiva ya
que mantiene la sencillez del modelo evitando transformaciones que pueden dificultar los
clculos posteriores.
Coefficien
t
Std. Error
t-Statistic
Prob.
5.884002
1.037926
5.669001
0.0000
LOINVER(-2)
0.158571
0.037177
4.265315
0.0001
LOPBI(-1)
0.377238
0.106795
3.532349
0.0007
@TREND
0.002444
0.000513
4.762101
0.0000
R-squared
0.871319
Adjusted R-squared
0.866370
0.158267
S.E. of regression
0.057855
2.814196
0.261084
Schwarz criterion
2.696795
Log likelihood
119.3820
F-statistic
176.0507
Durbin-Watson stat
1.970610
Prob(F-statistic)
0.000000
Los residuos de ambas regresiones poseen picos significativos en los rezagos 4, 8 y 12,
seal de que las series incluyen factores estacionales y que estos estarn presentes en los
resultados quitndole nitidez a las conclusiones. La estacionalidad fue corroborada para
ambas series, lopbi y loinver, mediante el Census X12 tanto en la versin multiplicativa
como en la aditiva, las que mostraron, en ambos casos, que se trata de estacionalidad
estable. Como los anlisis con series desestacionalizadas no reflejaron resultados
satisfactorios y como por otra parte se comprob que los factores estacionales eran muy
similares para ambas series, se prefiri proseguir las estimaciones con estacionalidad tanto
por las razones de sencillez apuntadas como para evitar que las estimaciones fueran poco
consistentes.
Dependent Variable: LOINVER
Method: Least Squares
Date: 12/07/09 Time: 13:45
Sample(adjusted): 1985:2 2005:4
Included observations: 83 after adjusting endpoints
Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
LOPBI(-1)
0.137151
0.065224
2.102787
0.0386
LOINVER(-1)
0.840820
0.076215
11.03216
0.0000
R-squared
0.814452
Adjusted R-squared
0.812161
0.302587
S.E. of regression
0.131142
1.201270
1.393058
Schwarz criterion
1.142984
Log likelihood
51.85269
Durbin-Watson stat
2.289285
lopbi 5,884 0,377 lopbi (1) 0,159 loinver (2) 0, 002@ trend
loinver
0,137 lopbi (1) 0,841 loinver (1)
Como los valores pasados de una variable afectan a la otra existe entre ambas variables
causalidad en el sentido de Granger, una causa a la otra en el sentido de Granger.
Pero de acuerdo con la teora de la inversin debe pasar un cierto tiempo para que esta
madure y, por lo tanto, se puede suponer que la inversin no afecta contemporneamente al
pbi aunque los movimientos de esta variable s pueden influir contemporneamente sobre la
inversin. Un pbi en crecimiento, por ejemplo, propende a un mejor clima de negocios y
sienta las bases para un mejor desempeo de la inversin. De manera que la restriccin
adicional que se requiere para pasar del modelo reducido al estructural se puede fundar
naturalmente en la teora de la inversin. Esta restriccin supone que b12 = 0.
Las ecuaciones son un poco ms complicadas que en el caso considerado en el punto 6.4.
Identificacin y estimacin de los modelos VAR ya que se incluyen ms parmetros que
deben ser estimados, los que corresponden a los rezagos de orden dos y el que corresponde
a la tendencia determinstica.
yt b10 b12 zt 11 yt 1 12 yt 2 13 zt 1 14 zt 2 15 w yt
zt b20 b21 yt 21 yt 1 22 yt 2 23 zt 1 24 zt 2 25 w zt
1 0
b
21 1
y t
zt
11 12 13 14 15
b10
b
22 23 24 25
21
20
yt 1
y
t 2
zt 1
zt 2
w
yt
zt
0
1
despus de efectuar las operaciones resulta:
b21 1
1
Si se multiplica por B
yt 1
y
t 2
yt
b10
11
12
13
14
15
y t
zt 1
z
b b b b
yt b21 zt
22 b21 12 23 b21 13 24 b21 14 25 b 21 15
20
21 10
21
21 11
t
zt 2
w
Mediante transformaciones similares a las presentadas anteriormentre puede ser escrito en
forma reducida como:
a20 b20 b21b10 , a21 21 b21 11 , a22 22 b21 12 , a23 23 b21 13 , a24 24 b21 14 ,
a25 25 b21 15
2
2
2
2
Adems como Var (e1t ) y , Var (e 2t ) y b21 z y teniendo en cuenta que
Cov(e1t , e2t ) (b21 y2 b12 z2 ) / (1 b12b21 ) 2 y que b12 = 0 resulta: Cov(e1t , e2t ) b21 y2 .
yt 5,884 0,377 yt 1 0 yt 2
zt
0 zt 1 0,159 zt 2 0, 002w
0,137 yt 1 0 yt 2 0,841zt 1
0 zt 2 0 w
RESIE1
RESIE2
RESIE1
0.003184
0.006811
RESIE2
0.006811
0.016988
2
Como Cov(e1t , e2 t ) 0, 006811 y Var (e1t ) y = 0,003184 resulta b21 - 2,139
Adems: a10 b10 = 5,884 as que de: a20 b20 b21b10 resulta 0 = b20 + 2,139 * 0, luego
b20 = 0.
Como: a11 11 = 0,377 y a21 21 b21 11 se tiene: 0,137 = 21 -(-2,139)* 0,377, o sea
21 = -0,669.
Tambin: a12 12 = 0 y a22 22 b21 12 Reemplazando sigue que: 22 = 0.
Dado que a13 13 = 0 y que a23 23 b21 13 queda: 23 0,841 .
Como a14 14 = 0,159 y resulta: a24 24 b21 14 24 = - 0,340
Por ltimo: a15 15 = 0,002 y a25 25 b21 15 , entonces : 25 = -0,004
yt 5,884 0 zt
zt
Esta ltima ecuacin revela que hay una gran influencia contempornea del pbi sobre la
inversin.
0 yt 0,137 yt 1 0 yt 2 0,841zt 1
0 zt 2 0 w
y t
z
t
a 10
a11
a a
20 21
a 12 e1t
a 22 e2t
En el punto 6.5. El modelo VMA. Funcin de respuesta a impulsos se ha indicado que estas
ecuaciones pueden transformarse en:
y t
z
t
yt
A1i B 1 t i
z
i 0
t
Donde:
yt
B 1
1
1
1 b12b21 b21
zt
b12
1
et = B-1 t
y t
i 1
Y haciendo i A1 B resulta:
zt
yt
z i t i .
i 0
t
i 0
i t i
11 (i ) 12 (i )
22 (i)
i 0 21 (i )
yt i
zt i
y anlogamente 21 (i )
yt 1, 77 0, 73 yt 1 0, 20 zt 1 e1t
zt 1, 07 0,13 yt 1 0, 76 zt 1 e2t
0,13 yt 1 0, 76 zt 1
zt
Nos detendremos en la obtencin de los 12 (i) que representan el efecto de los zt sobre yt
.
a11
Las matrices requeridas son: A
a21
i
1
a12
0, 73 0, 20
0,13 0, 76
a22
1 0, 044
1
0
B 1
0 1
1
As: 0 A1 B B En esta matriz 12 0, 044 es el efecto contemporneo de zt sobre
0, 73 0, 20 1 0, 044
0, 73 0, 003
=
1
0,13 0, 76 0
0,13 0, 006
1 A1 B 1
0, 73 0, 20
2 A12 B 1
0,13 0, 76
1 0, 044
0,559 0, 025
=
0
0, 095 0, 004
0, 73 0, 20
3 A13 B 1
0,13 0, 76
1 0, 044
0, 427 0, 019
=
0
0, 073 0, 003
zt i para i = 0,1,2,3,
Las operaciones con matrices se pueden efectuar con el Eviews, la ayuda o Help de este
programa suministra informacin detallada.
Ejercicio.
En el modelo
yt 2,3 0, 65 yt 1 0, 24 zt 1 e1t
zt 1, 4 0, 22 yt 1 0,57 zt 1 e2t
RESIE1
RESIE1
RESIE2
0.004567
0.003415
RESIE2
0.003415
0.002698
Donde RESIE1 = e 1t y
Si A es una matriz cuadrada a veces se requiere la solucin de una ecuacin matricial cuya
forma es A x = x o lo que es igual ( A - I ) x= 0, donde I es la matriz identidad. Los
vectores x que cumplen con esa propiedad se denominan autovectores y los valores de se
denominan autovalores de la matriz.
1 2
0
y dado que I
entonces:
3 2
0
Por ejemplo, si A
A I 0 resulta:
1
3
2
(1 ) (2 ) 6 4 3 2 0 . Las races de esta
2
2 x1 2 x2
3x 3 x Es decir, x1 x2 .
1
2
3 2 x1
Para la raz 2 4 resulta:
3 2 x2
3 x1 2 x2
2
. En este caso x1 x2 .
3 x 2 x
3
1
2
Si ahora se normalizan los vectores ( haciendo que su longitud sea igual a 1) es decir,
x12 x22 1 , entonces como para el primer vector x1 x2 , se tiene: 2 x22 1 o bien
x2
1
1
en tanto que x1
. El primer autovector es
2
2
1 1
2 ; 2 .
3
13 2
4 2
x2 x22 1 o bien
x2 1 , es decir x2
en tanto que
13
9
9
2 3
2
. El segundo autovector es
3 13
13
2
3
;
.
13 13
Cuando el rango de la matriz es superior a dos, resulta complicado hallar los autovalores y
autovectores de una matriz, pero con el Eviews el problema se puede resolver fcilmente el
problema para una matriz simtrica.
1.000000
2.000000
4.000000
2.000000
3.000000
2.000000
4.000000
2.000000
5.000000
Para cargar los datos se abre un Workfile y se hace click en Object New Object Matrix, se
indican 3 filas y 3 columnas y que se trata de una matriz simtrica. Cuando se da Enter
aparece una matriz 3*3. Se hace click en Edit y se cargan los datos. Se le da nombre a la
matriz, por ejemplo sym01.
Luego se debe obtener un vector donde guardar los datos. Este vector se genera de manera
anloga a la empleada para obtener la matriz, es decir: Object New Object Matrix, se
indican 3 filas y 1 columna y se le da nombre, por ejemplo matrix02. Se escribe:
matrix02=@eigenvalues(sym01). El programa genera los autovalores en matrix02. En este
caso los autovalores fueron: -1.584803; 1.794590 y 8.790213.
Los autovectores se obtienen en forma similar. Se debe generar una matriz para guardar los
vectores, esto se hizo mediante Object New Object Matrix, indicando 3 filas y 3 columnas
y se la llam matrix03. Luego se escribi: matrix03=@eigenvectors(sym01). Los
autovectores aparecen a continuacin. Deben leerse por columna.
-0.864279
-0.075893
0.497254
0.170599
0.885736
0.431704
0.473199
-0.457944
0.752576
En general una matriz n*n posee n autovalores que pueden ser distintos. Una matriz 2*2
posee dos autovalores, una 3*3 posee 3 autovalores y as siguiendo.
A i
i 1
Por otra parte, los autovectores de una matriz A correspondientes a distintos autovalores
son linealmente independientes y como el rango de una matriz es el nmero de filas ( o