1

Modelos econométricos dinámicos: modelos autorregresivos y de rezagos distribuidos.

En el análisis de regresión con datos de series de tiempo, cuando el modelo de regresión

incluye no sólo valores actuales sino además valores rezagados (pasados) de las variables
explicativas (las X), se denomina modelo de rezagos distribuidos. Si el modelo incluye uno o
más valores rezagados de la variable dependiente entre sus variables explicativas, se
denomina modelo autorregresivo. Así,
Yt= α + β0Xt + β1Xt−1 + β2Xt−2 + ut
Representa un modelo de rezagos distribuidos, mientras que
Yt = α + βXt + γ Yt−1 + ut
Es un ejemplo de modelo autorregresivo. Estos últimos también se conocen como modelos
dinámicos, pues señalan la trayectoria en el tiempo de la variable dependiente en relación con
su(s) valor(es) pasado(s).
El papel del “tiempo” o “rezago” en economía
En economía, la dependencia de una variable Y (la variable dependiente) respecto de otra u
otras variables X (las variables explicativas) pocas veces es instantánea. Con frecuencia Y
responde a X en un lapso, el cual se denomina rezago.
Razones de los rezagos
1. Razones psicológicas. Como resultado de la fuerza del hábito (inercia), la gente no cambia
sus hábitos de consumo de inmediato tras una reducción de precios o de un incremento en el
ingreso, quizá debido a que el proceso de cambio conlleve alguna desventaja inmediata. Así,
quienes de pronto se convierten en millonarios al ganar la lotería quizá no cambien el estilo de
vida al cual estaban acostumbrados durante largo tiempo por no saber cómo reaccionar a una
ganancia repentina como ésa. Por supuesto, después de un tiempo razonable, aprenden a vivir
con su recién adquirida fortuna.
2. Razones tecnológicas. Algunas veces, el conocimiento imperfecto también explica los
rezagos. En este momento, el mercado de computadoras personales está lleno de toda clase
de computadoras con diversas características y precios. Además, desde su introducción, a
finales de la década de los años setenta, los precios de la mayoría de las computadoras
personales se han reducido en forma drástica. Como resultado, los posibles consumidores de
computadoras personales pueden dudar en comprar hasta que hayan tenido tiempo de revisar
las características y los precios de todas las marcas. Además, pueden dudar en comprar ante
la expectativa de mayores descensos de precio o de más innovaciones.
3. Razones institucionales. Estas razones también contribuyen a los rezagos. Por ejemplo,
las obligaciones contractuales pueden impedir que las empresas cambien de una fuente de
trabajo o de materias primas a otra. Por ejemplo, quienes colocaron fondos en cuentas de
ahorro de largo plazo con término fijo, como uno, tres o siete años, están “atrapados”, aunque
las condiciones del mercado de dinero ahora permitan rendimientos más altos en otras partes.
En forma similar, los empleadores con frecuencia permiten a sus empleados escoger entre
diversos planes de seguro de salud, pero sólo se hace una selección, y un empleado no puede
cambiarse a otro plan durante al menos un año. Aunque esto puede representar una
conveniencia administrativa, el empleado queda comprometido durante un año.
Por estas razones, el rezago desempeña un papel central en economía. Esto se refleja en la
metodología económica del corto y largo plazos. Por esta razón se dice que las elasticidades
precio-ingreso de corto plazo suelen ser menores (en valores absolutos) que las elasticidades
correspondientes de largo plazo, o que la propensión marginal a consumir de corto plazo es por
lo general menor que la propensión marginal a consumir de largo plazo.

Estimación de modelos de rezagos distribuidos.

Si hay más de una variable explicativa en el modelo, cada variable puede tener un efecto
rezagado sobre Y. Por simplicidad, sólo suponemos una variable explicativa.
En la práctica, sin embargo, se espera que los coeficientes de los valores distantes de X tengan
un efecto insignificante sobre Y.
Un modelo puramente de rezagos distribuidos se estima mediante MCO, pero en ese caso
aparece el problema de multicolinealidad, pues los valores rezagados sucesivos de una
regresora tienden a estar correlacionados.
Hay dos tipos de modelos rezagados: de rezagos distribuidos y autorregresivos. En el
primero, los valores actuales y rezagados de las regresora son variables explicativas. En el
último, el (los) valor(es) rezagado(s) de la egresada aparece(n) como variable(s) explicativa(s).

Estimación ad hoc de los modelos de rezagos distribuidos.

Aunque la estimación ad hoc parece sencilla y discreta, plantea muchas desventajas, como las
siguientes:

1. No hay guía a priori sobre la longitud máxima que debe tener el rezago.
2. A medida que se estiman rezagos sucesivos, quedan menos grados de libertad, con lo cual
se debilita un poco la inferencia estadística. Por lo general, los economistas no tienen la suerte
de contar con series largas que les permitan estimar numerosos rezagos.
3. Aún más importante, en la información de series de tiempo económicas, los valores (de
rezagos) sucesivos tienden a estar altamente correlacionados; por tanto, sale a relucir la
multicolinealidad. La multicolinealidad genera una estimación imprecisa; es decir, los errores
estándar tienden a ser grandes en relación con los coeficientes estimados. Como resultado,
con base en el cálculo rutinario de las razones t, podemos tender a declarar (erróneamente)
que uno o varios coeficientes de los rezagos son estadísticamente no significativos.
Se han diseñado algunos métodos abreviados: los mecanismos de Koyck, de
expectativas adaptativas y de ajuste parcial. El primero es un método puramente
algebraico y los otros dos se basan en principios económicos.
Método de Koyck para los modelos de rezagos distribuidos
Pero observe las siguientes características de la transformación de Koyck:
1. Empezamos con un modelo de rezagos distribuidos y terminamos con un modelo
autorregresivo. Esta transformación muestra la forma como un modelo de rezagos distribuidos
se “convierte” en un modelo autorregresivo.
2. Es probable que la aparición de Yt−1 cree algunos problemas estadísticos. Yt−1, al igual que
Yt, es estocástica, lo cual significa que tenemos una variable explicativa estocástica en el
modelo. Recuerde que la teoría clásica de mínimos cuadrados se basa en el supuesto de que
las variables explicativas son no estocásticas o, en caso de serlo, están distribuidas
independientemente del término de perturbación estocástico.
3. La presencia de la Y rezagada viola un supuesto en que se basa la prueba d de Durbin-
Watson. Por consiguiente, debemos desarrollar una prueba alterna para verificar la correlación
serial en presencia de una Y rezagada. Una alternativa es la prueba h de Durbin

Una característica única de los modelos de Koyck, de expectativas adaptativas y de ajuste

parcial es que todos son autorregresivos por naturaleza, es decir, el valor o valores de la
variable regresada aparecen como una de las variables explicativas.
 2
Modelo de regresión econométrica método Koyck
Este ejemplo analiza el gasto de consumo personal per cápita (GCPC) en relación con el
ingreso disponible personal per cápita (IDPC) en Estados Unidos de 1959 a 2006; todos los
datos están en dólares de 2000.
Como ilustración del modelo Koyck, considere los datos de la tabla 17,2.

La regresión del GCPC sobre el IDPC y el GCPC rezagado arrojó los resultados que se
presentan en la tabla siguiente.
  En palabras, un incremento sostenido de un dólar en el IDPC producirá al fi nal
alrededor de 1.05 dólares de aumento en el GCPC, pero el impacto inmediato, o de
corto plazo, es de sólo 21 centavos de dólar.
 Como el modelo de expectativas adaptativas se basa en la transformación de Koyck, los
resultados de la tabla. También se interpretan. Por consiguiente, el 0.797146. podemos
decir que alrededor de 20% de la discrepancia entre el IDPC real y el esperado se
elimina en el transcurso de un año.
 Durbin H es 3.82 demuestra que existe auto correlación positiva por ser mayor a 3 por
lo que se determina que la muestra es razonablemente grande.
Dato extra: Como este valor h sigue una distribución normal estandarizada según la hipótesis nula, es muy
pequeña la probabilidad de obtener un valor h tan alto. Recuerde que la probabilidad de que una variable normal

estándar rebase el valor de ±3 es muy reducida. Así, en este ejemplo, la conclusión es que hay auto correlación

(positiva). Por supuesto, es necesario tener presente que h sigue la distribución normal estandarizada
asintóticamente. La muestra de 47 observaciones es razonablemente grande.

La autorregresividad plantea desafíos en la estimación; si la variable regresada rezagada está

correlacionada con el término de error, los estimadores de MCO de tales modelos no sólo están
sesgados, sino que también son inconsistentes. El sesgo y la inconsistencia se presentan con
los modelos de Koyck y de expectativas adaptativas; el modelo de ajuste parcial es diferente y
se estima consistentemente mediante MCO, a pesar de la presencia de la variable regresada
rezagada.
 3
Detección de auto correlación en modelos autorregresivos: prueba h de
Durbin

Como este valor h sigue una distribución normal estandarizada según la hipótesis nula,
es muy pequeña la probabilidad de obtener un valor h tan alto. Recuerde que la
probabilidad de que una variable normal estándar rebase el valor de ±3 es muy
reducida. Así, en este ejemplo, la conclusión es que hay auto correlación (positiva).
Por supuesto, es necesario tener presente que h sigue la distribución normal
estandarizada asintóticamente. La muestra de 47 observaciones es razonablemente
grande.
Observe estas características del estadístico h:
1. No importa cuántas variables X o cuántos valores rezagados de Y se incluyan en el
modelo de regresión. Para calcular h debemos considerar sólo la varianza del
coeficiente del rezago.
2. La prueba no es aplicable si [n var (ˆα2)] es superior a 1. (¿Por qué?) En la práctica,
sin embargo, no es usual que esto suceda.
3. Como se trata de una prueba de muestras grandes, su aplicación en muestras
pequeñas no se justifica del todo, como demuestran. Se ha sugerido que la prueba de
Breusch-Godfrey (BG), también conocida como prueba del multiplicador de Lagrange,
es estadísticamente más potente, no sólo en las muestras grandes, sino también en
muestras finitas, o pequeñas, y, por consiguiente, es preferible a la prueba h.
La conclusión basada en la prueba h que el modelo sufre de auto correlación se
confirma con la prueba de Breusch-Godfrey (BG). Con los siete valores rezagados de
los residuos estimados de la regresión de la tabla de regresión anterior la prueba BG
ilustrada en la siguiente tabla obtuvo un valor estadístico de 15.3869. Para siete
grados de libertad (el número de residuos rezagados en la prueba BG), la probabilidad
de obtener un valor ji cuadrada de 15.38 o mayor es de aproximadamente 3%.
Por esta razón es necesario corregir los errores estándar que aparecen en la tabla ña
siguiente tabla la cual los resultados se presentan a continuación.
Al parecer, MCO subestima los errores estándar de los coeficientes de regresión.

Para estimar los modelos de Koyck y de expectativas adaptativas consistentemente, el método

más común es el método de variables instrumentales. La variable instrumental es una
variable representante para la variable regresada rezagada pero con la propiedad de que no
está correlacionada con el término de error.
 4
El método de Almon para los modelos de rezagos distribuidos: rezagos
distribuidos polinomiales (RDP) o de Almon

 Una alternativa para los modelos rezagados de regresión recién analizada es el modelo
de rezagos distribuidos polinomiales de Almon, con el cual se evitan los problemas
de estimación asociados a los modelos autorregresivos. El principal problema con el
método de Almon, sin embargo, es que se debe especificar por anticipado la longitud
del rezago y el grado del polinomio. Hay métodos formales e informales para resolver la
selección de la longitud del rezago y el grado del polinomio.
 En el método de Almon no hay que preocuparnos por la presencia de la variable
dependiente rezagada como variable explicativa en el modelo y los problemas de
estimación que esto crea.
 Se puede ajustar un polinomio de un grado lo bastante bajo, el número de coeficientes
por estimar (las a) es mucho menor que el número original de coeficientes (las β).
 Pero destaquemos de nuevo los problemas de la técnica de Almon. En primer lugar, el
grado del polinomio, al igual que el valor máximo del rezago, es en gran medida una
decisión subjetiva. En segundo lugar, por las razones ya mencionadas, es probable que
las variables Z presenten multicolinealidad.
 Se debe tener cuidado con la técnica de rezagos distribuidos de Almon, pues los
resultados pueden llegar a ser sensibles a la hora de elegir el grado del polinomio y/o el
número de coefi cientes rezagados.
A pesar de los problemas de estimación, que pueden resolverse, los modelos distribuidos y
autorregresivos han demostrado ser muy útiles en la economía empírica, porque con ellos es
posible dinamizar la teoría económica que de otra forma sería estática, al tener en cuenta
explícitamente el papel del tiempo. Tales modelos permiten diferenciar respuestas de corto y
largo plazos de la variable dependiente ante cambios unitarios en el valor de la(s) variable(s)
explicativa(s). Así, para estimar los plazos corto y largo de precio, ingreso, sustitución y otras
elasticidades, estos modelos han demostrado ser muy útiles.

Causalidad en economía: prueba de causalidad de Granger

Debido a los rezagos participantes, los modelos distribuidos y/o autorregresivos conducen al
tema de la causalidad en las variables económicas. En la práctica, la elaboración de modelos
de causalidad de Granger ha recibido considerable atención. Pero se debe tener mucho
cuidado con la metodología de Granger, porque es muy sensible a la longitud del rezago
utilizado en el modelo.
Aunque una variable (X ) cause (a la manera de Granger) otra variable (Y ), eso no significa
que X sea exógena. Distinguimos tres tipos de exogeneidad (débil, fuerte y súper) y señalamos
la importancia de dicha clasificación.
 Decimos que Xt es débilmente exógena si Yt,además, no explica la existencia de X.
 Decimos que Xt es fuertemente exógena si los valores Y, actuales y rezagados, no la
explican (es decir, no existe una relación de realimentación).
 Asimismo, Xt es superexógena si los parámetros en la regresión de Y y X no cambian
aunque sí lo hagan los valores de X; es decir, los valores de los parámetros son
invariantes ante los cambios de (los) valor(es) de X