Econometra II

Grado en finanzas y contabilidad

Modelos multivariantes estacionarios: VAR(p). La dependencia
temporal. La causalidad en el sentido de Granger.
La estimacin de los modelos VAR.

Profesora: Dolores Garca Martos

E-mail:mdgmarto@est-econ.uc3m.es
Este documento es un resumen/modificacin de la
documentacin elaborada por D. Antoni Espasa

Modelos univariantes vs multivariantes

Modelos univariantes vs multivariantes

La realidad econmica, ya sea de una empresa, un sector

econmico, una regin geogrfica nacional, un pas, un rea

geogrfica internacional o el conjunto de la economa mundial se

caracteriza porque las variables econmicas vienen determinadas
por la interrelacin existente entre distintas variables
Los modelos ARIMA, que constituyen una modelizacin univariante,
es un primer paso en el proceso de modelizacin de la realidad
econmica:
No tiene en cuenta la interrelacin entre distintas variables

Su utilidad, es por tanto, limitada.

Modelos univariantes vs multivariantes

Un modelo ARIMA sobre las ventas de un cierto producto de una
empresa (cemento, vehculos, productos de limpieza, etc.) o sobre la
demanda de un bien o servicio (viajeros por carretera, turistas, etc.) o
sobre la inflacin, el PIB, la construccin de viviendas, etc., constituyen
ejemplos de modelizacin univariante.
Son tiles para conocer sus caractersticas:
Tendencia
Estacionalidad
Ciclo
Para evaluar el impactos de shocks externos, estimar rupturas
Para predecir:
Conocer la incertidumbre asociada a las expectativas futuras
dadas sus relaciones pasadas.
Evaluar valores reales en funcin de las expectativas existentes
La relacin de dependencia se puede utilizar para predecir el futuro en el momento
(t+h), conocido el pasado hasta el momento t

Modelos univariantes vs multivariantes

Los modelos ARIMA presentan limitaciones:

No proporcionan informacin estructural relevante como la relacin
de la variable objeto de estudio con otras variables relevantes:
Las ventas de una empresa en relacin con la renta de los
consumidores.
El consumo privado en relacin con la renta disponible.
La demanda de turista en relacin con el crecimiento del PIB
o los precios relativos,etc.
La demanda de transporte ferroviario (viajeros) en relacin
con el crecimiento de la poblacin o el nivel de actividad, etc.

Modelos univariantes vs multivariantes

Para resolver las limitaciones que presentan los modelos univariantes existen
los modelos multivariantes
Son modelos que tienen en cuenta la interrelacin entre n variables

Es un modelo multiecuacional: existe una ecuacin para cada variable

involucrada.
Del conjunto de variables a considerar, si de todas ellas slo una es de inters
relevante y las dems slo se consideran en cuanto que explican la primera,

puede estudiarse si la relacin entre variables es tal que la variable de inters

viene influida por el resto, pero no al revs.
No existe realimentacin desde la variable de inters hacia las restantes
Bajo este supuesto, se puede establecer un modelo uniecuacional, en el
que hay una variable independiente y el resto, las variables explicativas,
se consideran exgenas
No siempre las variables explicativas en un modelo son exgenas

Modelos univariantes vs multivariantes

Se va a considerar un marco multiecuacional del cual se puede derivar

el modelo uniecuacional

En el marco multivariante se considera el pasado de la variable que se

quiere explicar, as como el de las variables que estn relacionadas
con dicha variable.

Modelos univariantes vs multivariantes

EJEMPLOS
La inflacin nacional se analiza junto con variables como:
Costes laborales unitarios

Agregados monetarios
Precios de importacin
Diferenciales de tipos de inters, etc
Los ingresos de una empresa de turismo se analiza junto con variables
como:
Indicador de renta de los turistas
Indicador de precios relativos entre el pas de destino y otro pas
competidor
Tipo de cambio, etc

Modelos VAR(P)
Recurdese que un modelo ARMA univariante (estacionario) bajo el
supuesto de distribuciones gaussianas se obtiene como:
Wt = E (W t /pasado) + at
Var(a t)= 2

Donde E (Wt /pasado) se representa, en general,

en trminos de valores pasados de Wt y at.

Se emplea solamente informacin de la variable, en funcin de su

propia historia
Los modelos multivariantes de series temporales son una generalizacin de
los modelos univariantes (manejan informacin contenida en la muestra). La
diferencia es que en vez de una sola variable, hay n variables:
En principio se van a especificar y estimar sobre variables estacionarias
Todos los modelos invertibles se pueden expresar en trminos de un
proceso autorregresivo. VAR(p)
El presente de una variable depender de su pasado y del presente (a
travs de las innovaciones) y pasado de otras variables

Modelos VAR(p)

En un modelo AR (p), se recoge la dinmica de una sola serie

temporal por lo que en el modelo solo aparece la dinmica que recoge
el polinomio p (L)
p (L)= (1-1 L-2 L2 3 L3 -..-p Lp)
En el modelo multivariante se tienen n ecuaciones y en cada una de
ellas entran estructuras dinmicas sobre cada variable, con lo que la
estructura dinmica del modelo es una matriz de nxn elementos
(polinomios) : (L)
La jtaesima fila de la matriz (L) recoge los n polinomios que
operan sobre las n variables en la jotasima ecuacin

Explica el comportamiento de todas las variables que entran en

el modelo: las variables econmicas sueles ser interdependientes

Modelos VAR(p)

11

Cada innovacin
presenta incorrelacin
serial

Modelos VAR(p)

Modelos VAR(p)

Modelos VAR(p)

Hay
correlacin
contempornea entre las
innovaciones, pero no el
en la ecuacin principal

Modelos VAR(p)

Modelos VAR(p)

Modelos VAR(p)

Las races del polinomio del determinante de (L) tienen que

ser menores que la unidad:

(1-11 L)(1-22 L)-21 12 L2

Esta es una ecuacin de segundo grado y, por tanto, tendr
dos soluciones, que son las races del polinomio.

Modelos VAR(p)

Ejemplos de modelos bivariantes (Enders, 1995)

Modelos VAR(p)

Modelos VAR(p)

Modelos VAR(p)

Causalidad en el sentido de Granger

Causalidad en el sentido de Granger

Causalidad en el sentido de Granger

Causalidad en el sentido de Granger

Causalidad en el sentido de Granger

Causalidad en el sentido de Granger

Conocer el sentido de la causalidad puede simplificar los modelos

Causalidad en el sentido de Granger

Estimacin de modelos VAR

Sea el modelo siguiente

(L) Wt = at

Donde at son ruido blanco

Estos modelos generales presentan la ventaja de que se pueden estimar

ecuacin a ecuacin, esta es una de las principales razones por las que su
uso est muy extendido.
Si solo se utiliza informacin muestral para estimar el modelo es necesario
restringir de alguna manera la interdependencia entre las variables , ya que
en caso contrario no se podran estimar los parmetros del modelo, de
manera nica: no estara identificado.
En concreto, vamos a considerar modelos en los que:
0 =I

Es decir, la matriz unidad. Esto se llama normalizacin

Esta restriccin supone impedir que el valor contemporneo de una

variable Wj entre en la ecuacin de comportamiento de otra variable Wi
para ji. La relacin contempornea queda en los residuos

Estimacin de modelos VAR

El hecho de que estos modelos se puedan expresar como un sistema de
regresiones mltiples y no presente directamente una relacin contempornea
entre las variables conlleva que se encuentren dentro de un sistema de
regresiones aparentemente no relacionadas, SURE:

La relacin contempornea se halla en la matriz de covarianzas de

los residuos (), no en las ecuaciones.
Un modelo VAR es un modelo SURE sin restricciones, ya que todos los
regresores entran en todas las ecuaciones.

En general, la estimacin por MCO de un modelo SURE no es eficiente y se

necesitan Mnimos Cuadrados Generalizados (MCG).
Hay dos excepciones:
a) Si es diagonal (no hay dependencia contempornea, es decir ij=0) y

b) Si el modelo SURE no tiene restricciones.

Debido a esta excepcin, el modelo puede estimarse ecuacin a
ecuacin, por MCO.

Estimacin de modelos VAR

Estimacin de modelos VAR

Aunque la estimacin de un modelo VAR se pueda realizar

eficientemente ecuacin por ecuacin, la prediccin necesita
realizarse con el modelo conjuntamente.
La prediccin de una variable requiere de las predicciones de otras

variables que a su vez dependen de esa primera variable

Causalidad en el sentido de Granger