Econometra de Series de Tiempo

Econometra II
Prof. Arlette Beltran B.
3. Anlisis Multivariado
3.1.

La metodologa de vectores autorregresivos (VAR)

La metodologa VAR es, en cierta forma, una respuesta a la imposicin de restricciones a

priori que caracteriza a los modelos economtricos keynesianos: en un sistema de
ecuaciones simultneas se requiere imponer restricciones sobre los parmetros de las
mismas para garantizar la identificacin, y posible estimacin, de las ecuaciones que lo
conforman. Para ello, adems, es indispensable diferenciar entre las variables endgenas
y las predeterminadas, es decir, aqullas cuyos valores no son determinados por el
modelo en el perodo actual. Estas ltimas pueden ser exgenas o endgenas rezagadas.
El VAR presenta alternativamente, un sistema de ecuaciones simultneas en el que cada
una de las variables son explicadas por sus propios rezagos y los del resto de variables
del sistema. Es decir, no se admiten restricciones a priori y todas las variables son
consideradas endgenas. La nica informacin a priori que se incluye est referida al
nmero de rezagos de las variables explicativas, que se incorporan en cada ecuacin a
partir del anlisis de la data. No obstante, en trminos operativos, una correcta
especificacin del sistema requiere que la determinacin de las variables a ser incluidas
en l se base en el conocimiento de un modelo terico relevante.
Un VAR tiene, en general, la siguiente especificacin:
p

y t i yt i t

i 1

donde yt yt-i son vectores de orden m (m es el nmero de variables del sistema) y i es

la matriz (cuadrada de orden m) de coeficientes del rezago i de las variables explicativas
de las m ecuaciones. De esta forma, se puede observar que debern estimarse tantas
matrices i como rezagos se incluyan en el sistema. Matricialmente, y utilizando una
especificacin de operadores de rezago:

y1t
a11 ( L)
y

2t a 21 ( L )

y mt
a m1 ( L)

a12 ( L)

a1m ( L)
a 2 m ( L)

a mm ( L)

y1t
1t
y

2t 2t

y mt
mt

2
En este sistema :

E t ' t - j 0 j 0

E t ' t
4
es decir, no se tiene autocorrelacin entre los errores de una misma ecuacin pero se
observa correlacin contempornea entre los errores de las diferentes ecuaciones.
Veamos, por ejemplo, el caso de un VAR(1) con dos variables, de la forma:

y t 10 12 z t 11 y t -1 12 z t -1 yt

z t 20 21 y t 21 y t -1 22 z t -1 zt

donde yt y zt son variables endgenas estacionarias, yt y zt son ruidos blancos y no

estn correlacionados entre s. La ecuacin 5 sera entonces la forma estructural del
sistema ya que se tienen endgenas como explicativas. Si se quiere obtener la forma
reducida, es decir, expresar la endgenas en funcin slo de predeterminadas (rezagos
de las endgenas), se debe resolver:

1 12 y t 10 11 12 y t -1 yt

21 1 z t 20 21 22 z t -1 zt

lo que se puede rescribir en trminos vectoriales como:

X t B 0 B1X t -1 t

siendo Xt un vector que contiene a yt y zt

X t 1B 0 1B1X t -1 1 t
X t A 0 A1X t -1 et

es decir:
y t a10 a11 y t -1 a12 z t -1 e1t
z t a 20 a 21 y t -1 a 22 z t -1 e2t

La ecuacin 8 es la forma reducida del VAR(1) de la ecuacin 5. En ella los errores s

estn correlacionados debido a que recogen la presencia de y t y zt como explicativas del
VAR original. As:

12

21
1

donde 1 12 21 y,

yt 12 zt

1 t et

10

- yt 21 zt

yt

zt

ya que t

2
2yt 21 yt zt 21 12 yt zt 12 zt

e yt ezt E

e yt ezt

21 y2 12 z2
2

11

12

La ecuacin anterior no va a ser cero siempre que 21 0, 12 0 , es decir, mientras

que yt y zt estn presentes en la forma estructural del VAR.

3.1.1. Estimacin del VAR

Trabajando en general con un VAR(p) de la forma:
X t A 0 A 1 X t -1 A 2 X t - 2 A p X t - p e t

13

se puede observar que:

1. Se tiene un problema de sobreparametrizacin: hay que estimar m 2 p m parmetros,
lo que produce un grave problema de prdida de grados de libertad. No obstante, el
objetivo de un VAR es encontrar la interrelacin entre las variables y no realizar
predicciones de corto plazo, lo que reduce la importancia del problema.
2. Dado que se trabaja con la forma reducida, los errores de cada ecuacin no estn
autocorrelacionados y tienen varianza constante, el mejor mtodo de estimacin es
aplicar MCO ecuacin por ecuacin. No obstante, para que sea un estimador eficiente
todas las ecuaciones deben tener igual nmero de rezagos de cada explicativa.
En trminos prcticos se recomienda utilizar la siguiente receta:
1. Limpiar cada una de las series de cualquier tipo de no estacionariedad .
2. Estimar por MCO cada ecuacin, individualmente. Ntese que debido a que en un
VAR cada ecuacin tiene exactamente las mismas variables explicativas no se gana
eficiencia al estimar con SUR.
3. Determinar el nmero de rezagos de las variables explicativas que deben permanecer
en cada ecuacin. Para ello se sugieren tres tipos de test:
El test F por bloques, para probar la hiptesis nula de que un nmero i de rezagos
deben incluirse como explicativas en cada ecuacin, versus la alternativa de que dicho
3

nmero es i+r>i. Este test tiene el problema de que debe ser aplicado individualmente
a cada ecuacin, pudiendo llegarse a la conclusin de que el nmero de rezagos a
incluirse en ellas es diferente en cada caso. Esto le restara eficiencia al estimador de
MCO.
El Test de Mxima Verosimilitud para el conjunto de ecuaciones. La hiptesis nula de
este test es que el sistema tiene un nmero i de rezagos versus la alternativa de que
este nmero es i+r. El estadstico sera:

( T c )* log i log i r

14

donde:
log a = logaritmo del determinante de la matriz de varianzas y covarianzas para el
modelo con a rezagos.
T = nmero de observaciones
c = parmetros del modelo no restringido en cada ecuacin = m(r+i)
Este test se distribuye 2 con grados de libertad igual al nmero de restricciones en el
sistema (q=m2r). Este test tiene poco poder para rechazar test sucesivos de
restriccin de rezagos; por ello el rezago referencial debe ser el de mayor valor en el
sistema, es decir, cualquier hiptesis nula debe ser contrastada contra el rezago (i+r).

Los criterios de informacin aplicados al sistema de ecuaciones completo. Los

siguientes son utilizados para ser aplicados en un VAR no restringido de p rezagos:

SBC ( p ) T log log(T )(m

AIC ( p ) T log p 2( m 2 p m)
p

p m)

Se elegir aquel VAR con menor criterio de informacin en valor total.

4. No se debe utilizar el test t ni dar importancia a los signos de los coeficientes, ya que
existe una gran multicolinealidad entre las variables de cada ecuacin. La magnitud de
los coeficientes es un indicador relativo de la significancia de la variable (un
coeficiente pequeo generalmente acompaa a una variable poco significativa).
3.1.2. La funcin impulso-respuesta y la descomposicin de la varianza
Una forma alternativa de representacin del VAR consiste en hacer depender el vector de
valores actuales de las variables, del valor actual y los infinitos rezagos del vector de
errores:
p

yt i L j yt t
j 1

15
p
j
I i L yt t
i 1

16

A( L ) y t t
t
yt
A( L )
y t t 1 t 1 2 t 2

17
18
19

donde (19) es una representacin MA(). Esta representacin puede ser transformada de
tal forma que los valores actuales de las variables sean una funcin de los valores
presentes y pasados de un vector de innovaciones ortogonales 1: como los errores en (15)
no tienen por qu estar no correlacionados, se acostumbra premultiplicar dicha ecuacin
por la nica matriz triangular (T), con unos en la diagonal principal, que diagonaliza la
matriz de covarianzas del error. As, se obtiene un nuevo modelo con errores ortogonales:
p

T y t T i y t i t

20

i 1

donde: nt T t , es el vector de las innovaciones ortogonalizadas, y D T T ' .

Es decir, para cada matriz real, simtrica y definida positiva existe una nica matriz
triangular baja P con unos en la diagonal y una nica matriz diagonal D con entradas
positivas en la diagonal, tal que:

PDP'

21

Si se quiere obtener un nuevo modelo con errores ortogonales, bastar con hacer T=P -1,
de forma tal que:

E nt nt ' P 1 E t t ' P 1

'

P PDP' P'

22

P 1 P 1 '
1

23
1

24
25
D
donde D, la matriz de varianzas y covarianzas de los errores transformados, es una matriz
diagonal que garantiza su ortogonalidad.
a) La Descomposicin de Choleski
La estimacin de la forma reducida del VAR planteado en la ecuacin (8):
y t a10 a11 y t -1 a12 z t -1 e1t

z t a 20 a 21 y t -1 a 22 z t -1 e2t

26

no permite recuperar la forma estructural:

y t 10 12 z t 11 y t -1 12 z t -1 yt

z t 20 21 y t 21 y t -1 22 z t -1 zt

27

La razn por la cual se propone plantear la representacin MA del VAR, es que con ella se puede
analizar el impacto de shocks exgenos a las ecuaciones del sistema y trazar la respuesta del
sistema a los mismos (Brandt y Williams, 2007).
5

ya que mientras que la ecuacin (26) arroja 6 parmetros estimados, adems de las dos
varianzas de los errores y la covarianza entre ellos (9 en total), la (27) tiene 10 parmetros
a estimar: los 8 coeficientes y las desviaciones de los errores estructurales. Es decir, a
menos que se imponga una restriccin sobre el modelo estructural, ste no podr
recuperarse.
Una forma de identificar el modelo es usar el sistema recursivo propuesto por Sims
(1980). As, se supone que 21 es igual a 0, de tal forma que:

1 12
1
0

28

Premultiplicando el sistema de ecuaciones (27) por la matriz de (28), se tiene:

y t 1 12
z 0
1
t

10 1 12
0
1
20

11 12

21 22

y t -1 1 12
z 0
1
t -1

yt

zt

29

o,

y t 10 12 20 11 12 21 12 12 22
z

20
21
22

y t -1 yt 12 zt
z

zt
t -1

30

por tanto, a partir de la estimacin de la forma reducida (26), se pueden establecer las
siguiente relaciones entre coeficientes:
a10 10 12 20
a11 11 12 21
a12 12 12 22

31

a 20 20
a 21 21
a 22 22

adems, como e1t= yt 12 zt y e2t=zt, entonces:

Var (e1 ) y2 122 z2

32

Var (e 2 ) z2

33

Cov(e1 , e 2 ) 12 z2

34

con el resultado de (33) en (34), podemos hallar 12, a partir de lo cual, y junto con 31, es
posible obtener todos los coeficientes de la forma estructural de (27).

Tngase en cuenta que este resultado fue obtenido gracias a la restriccin impuesta,
21=0, la que implica que yt no tiene un efecto contemporneo sobre z t. Adems, viendo
(30) se puede observar que la restriccin implica tambin que yt y zt afectan ambos el
valor contemporneo de yt, pero que slo zt afecta el valor contemporneo de zt. Esta
descomposicin triangular de los residuos se conoce como la Descomposicin de
Choleski.
A partir de este modelo transformado se puede obtener la funcin impulso-respuesta
ortogonalizada, calculando el efecto sobre yt+s de un impulso unitario en jt. Estos
multiplicadores, describen cmo nueva informacin sobre y jt nos lleva a revisar nuestra
prediccin de yt+s, an cuando la definicin implcita de nueva informacin es diferente
para cada variable j.
El orden en que se coloquen las variables en el sistema tendr un impacto importante
sobre los multiplicadores calculados: al elegir un orden recursivo particular de las
variables, implcitamente, se responde a un conjunto de preguntas especficas respecto a
la prediccin; el ordenamiento depender de la razn por la cual queremos responder
esas preguntas en primer lugar. Asimismo, pueden existir razones tericas para suponer
que una de las variables no se ve afectada por los shocks contemporneos de las otras.
La importancia del ordenamiento depende de la magnitud de la correlacin de los errores
no ortogonalizados del sistema. En la prctica, una correlacin baja (menor a 0.2)
disminuye la relevancia de un ordenamiento adecuado. Si la correlacin es elevada, en
cambio, ser indispensable probar diferentes ordenamientos y analizar cunto cambian
los resultados. En principio, una buena especificacin del sistema debera arrojar
resultados muy similares con cualquier ordenamiento utilizado.
Asimismo, es posible realizar un anlisis de descomposicin de la varianza a partir del
modelo ortogonalizado. Este consistir en calcular la contribucin de la innovacin j sobre
el error de prediccin del perodo t+s. Es de esperar que en el corto plazo la propia
innovacin explique la mayor proporcin de este error. Cabe resaltar que este anlisis
tambin se ve afectado por el ordenamiento de las variables del sistema, por lo que se
sugiere probar diferentes ordenamientos, al igual que en el caso de la funcin impulsorespuesta.
En conclusin, son tres los principales objetivos de un VAR (Brandt y Williams, 2007):
Determinar los efectos causales de cada variable endgena sobre las dems.
Establecer el impacto dinmico de shocks en una variable sobre ella misma y el
resto de las del sistema.
Identificar la proporcin de la varianza de cada variable que puede ser atribuida a
cambios en ella y/o a los del resto de variables.

3.2.

El VAR estructural

Una de las principales limitaciones de la descomposicin de Choleski es que nada

garantiza que los errores ortogonalizados a partir de la estimacin de la FR puedan ser

vinculados con los verdaderos errores estructurales. De ser as, los shocks
ortogonalizados artificialmente no tendran interpretacin econmica.
Bajo qu circunstancias los dos tipos de errores ortogonales (los artificiales y los
estructurales) coincidiran?. Slo si = P-1. Dado que P es una matriz triangular,
tambin tendra que serlo, es decir, el sistema de ecuaciones estructurales tendra que ser
recursivo, lo que garantizara un sistema identificado. Esto ha llevado a concluir a quienes
cuestionan la validez del VAR que la ortogonalizacin ficticia slo tendra sentido en el
caso de un sistema recursivo identificado lo que va en contra de lo que postulan los
defensores del VAR.
Es as que el objetivo de un VAR estructural es utilizar la teora econmica para recuperar
los errores estructurales a partir de las estimaciones de la forma reducida. De esta
manera, se evita utilizar criterios arbitrarios de ordenamiento de variables como el que
requiere la descomposicin de Choleski, ms an si se sabe, que la utilizacin de
diversos ordenamientos puede arrojar resultados muy diferentes para un mismo grupo de
variables2.
As, se buscar imponer restricciones que permitan recuperar los errores estructurales,
preservando su estructura. Para identificar los parmetros estructurales debern contarse
entonces ecuaciones e incgnitas.
A partir de la FR, se estima por MCO la matriz de varianzas y covarianzas (e). Asumiendo
un sistema de ecuaciones de m variables se tienen (m 2+m)/2 valores diferentes
conocidos (dado que e es simtrica).
En la FE, la matriz contiene m2-m valores desconocidos, ya que tiene unos en la
diagonal; a stos hay que adicionar m valores ms que corresponden a las varianzas de
los errores estructurales. Es decir:
Valores conocidos (estimados a partir del modelo reducido)= (m2+m)/2
Incgnitas (en el modelo estructural) = m2
Total de restricciones a imponer en el modelo estructural = m2-(m2+m)/2= (m2-m)/2
Ntese que la descomposicin de Choleski satisface esta condicin. En el ejemplo visto
antes, donde m=2, se requera una sola restriccin para identificar el modelo, por lo que
se supuso que 21=0. Sin embargo, lo que propone el VAR estructural es trabajar con un
conjunto de restricciones menos limitantes (que vayan ms all de la triangulacin de la
matriz de varianzas y covarianzas). Estas descomposiciones alternativas estructurales
pueden ser hasta de tres tipos:

Las restricciones sobre los coeficientes de la matriz .- que supone establecer

valores especficos para los s, sean o no ceros.

Seleccionar un orden determinado implica dar mayor importancia a la variable que se coloca
como primera: sta ltima tendr un efecto contemporneo sobre ella misma y sobre las que
vienen a continuacin, pero las innovaciones de las que la siguen tendrn efecto sobre la primera
con un perodo de retraso. Adems, la amplitud del impulso respuesta que se atribuye al error de
esta ltima ser incrementada por dicho ordenamiento, mientras que reducir las del resto de
variables.
8

Las restricciones sobre los valores de las varianzas.- Si recordamos que t et ,

por lo que e ' , entonces una restriccin en implicar mltiples soluciones
para los coeficientes en . Estas pueden ser usadas para identificar diferentes
secuencias de innovaciones estructurales, todas las cuales satisfacen la restriccin
impuesta sobre

Las restricciones simtricas.- que consisten en combinaciones lineales de los

coeficientes s y las varianzas, como sera el caso de suponer que 12=21

3.3.

Causalidad

Generalmente no resulta fcil determinar la existencia de una relacin de causalidad entre

dos varibles y menos an su direccin. Para ello se recurre, en la prctica, a la teora
econmica an cuando la verificacin de la validez de dicha relacin resulta ser poco
rigurosa si se precondiciona la misma a la existencia de una teora que la apoya. La
alternativa economtrica de verificacin consiste en general en estimar una regresin entre
las variables que se analizan y observar la significancia de los coeficientes obtenidos. Sin
embargo, una alta correlacin entre dos variables no asegura una relacin causa-efecto
entre ellas, ya que la posibilidad de que se haya obtenido una correlacin esprea no debe
ser descartada.
Es por estas razones que se ha desarrollado el concepto de causalidad 3 en econometra, el
mismo que se basa en el desarrollo terico llevado a cabo por Granger 4. Formalmente
podemos definir la llamada causalidad a lo Granger diciendo que: la variable x causa a la
variable y si al tomar en cuenta los valores pasados de x se mejoran las predicciones de y .
Granger se refiere a las predicciones insesgadas de y que se obtienen a travs de la
estimacin por MCO, midiendo la precisin de las mismas a travs de la varianza del error
de prediccin o error cuadrtico medio:
2
ECM = E[(y - y ) ]

35

As, x causa a y si:

ECM(~
y / U ) < ECM(~
y/U - x )

36

mientras que X causa instantneamente a Y si:

ECM(~
y /U) < ECM(~
y /U - x)
37

donde U es un set de toda la informacin disponible pasada y presente, U es el mismo set

pero que contiene slo la informacin pasada, X contiene toda la informacin pasada y
y es el predictor
presente de dicha variable y x slo la informacin pasada. Asimismo, ~
MCO de y.
La posibilidad de hacer operativa esta definicin pasa por la necesidad de acotar el set U de
toda la informacin disponible, an cuando ello implique recurrir a la teora econmica y, de
algn modo, perder parte de la objetividad ganada aplicando el concepto mismo de
causalidad.

/ Dos aspectos fundamentales a tener en cuenta cuando se habla de causalidad es que:

El futuro no puede causar al pasado, por lo que la relacin de causalidad debe,
necesariamente, provenir del pasado y dirigirse hacia el presente y/o el futuro.
La causalidad tiene sentido cuando analizamos variables aleatorias y estacionarias.
4
Granger, C. Investigating causal relations by econometric models and cross-spectral methods.
Economtrica, 37, 1969.
10

Son principalmente tres los test que se utilizan para verificar las existencia de una relacin
de causalidad entre dos series de tiempo estacionarias.
a) El test directo
La hiptesis a testear ser:

H o : y x

38

es decir, se requiere examinar si y no causa a x. Para ello se estima la relacin entre x t, los
m primeros rezagos de yt y los n primeros rezagos de xt:

x t = f( y t - 1 , y t - 2 , . . . , y t - m , x t - 1 , x t - 2 , . . . , x t - n )

39

y luego se verifica la significancia conjunta de los rezagos de y t; si ellos no fueran

significativos entonces xt estara explicado solamente por su propio pasado y por el elemento
aleatorio respectivo.
Para que el test arroje un resultado correcto es necesario asegurarse que la especificacin
del modelo sea la adecuada, de tal forma que el error asociado sea ruido blanco. Por lo
mismo se requiere escoger cuidadosamente los valores de m y n, especialmente en el caso
de los rezagos de x, ya que la eliminacin de estos ltimos, si es que son importantes para
explicar el comportamiento de x, inflaran artificialmente la significancia de los rezagos de y
llevndonos a obtener una conclusin falsa respecto de la relacin de causalidad entre x y.
b) El test de Sims
Consiste en regresionar yt en funcin de los valores pasados y futuros de x t, de forma tal de
testear que yt no causa xt sobre la base de la significancia de los coeficientes asociados con
los valores futuros de xt. Dicho de otro modo, si existe una relacin entre el valor presente de
yt y los valores futuros de xt sta debe expresar una causalidad de y x y no de x y, ya que
el futuro no puede causar al presente (ver nota 1)5. As, se plantea correr la regresin:

yt

zt

40

donde se testea la Ho: -1 = -2 = ... = -m = 0

Lo ms importante de la aplicacin de este test es que para que arroje un resultado correcto
el error de la ecuacin debe ser ruido blanco. De no ser as, deber ser estimada por
mnimos cuadrados generalizados, luego de identificar la estructura autorregresiva del error.
Sims simplific este proceso asumiendo a priori dicha estructura:

wt 15
. wt 1 0.5625wt 2 t

41

El teorema de Sims que sustenta esta metodologa de testeo de la causalidad sostiene que:
cuando (y,x) tienen una representacin AR, y puede ser expresado como una funcin de
rezagos y valores actuales de x, con un residuo no correlacionado con ningn valor de x,
pasado o futuro, si y slo si y no causa a x en el sentido Granger.
11

y multiplicando cada variable de la ecuacin por (1-1.5L+ 0.5625L 2) antes de estimarla. Este
se convirti entonces en el filtro ad-hoc de Sims.
c) El test de Geweke
Geweke trat de resolver el problema del test de Sims, que implicaba tener que determinar
una estructura autorregresiva para el error o utilizar el filtro ad-hoc. Para ello, se plantea una
correccin de la ecuacin original:

y t ( L ) x t 1 ( L ) t

42

que implica multiplicar cada uno de sus elementos por el polinomio AR(p), (L), de forma
que:

( L ) y t ( L ) ( L) x t t

43

donde, por definicin, existe la garanta de que el error es ruido blanco. Esta transformacin
implica agregar a la ecuacin, como explicativas, p rezagos de x y, de forma tal de limpiar
el error; luego se testea la hiptesis de Sims de que los coeficientes asociados con los
valores futuros de las x son no significativos.

12

3.4.

Exogeneidad (Engle, Hendry y Richard, HER, 1983)

Un PED bivariado puede aproximarse por alguna funcin de distribucin conjunta, la cual
puede ser factorizada en dos componentes: la funcin marginal y la funcin condicional;
es decir:

y
f t
xt
marginal

f x t , yt f xt

44

condicional

donde:

yt
x N ,
t

1
2

12 12

2
21 2

45

Por ejemplo:
y t x t 1t
x t 1 x t -1 2 y t -1 2 t

Ecuacin condicional
Ecuacin marginal

46
47

donde:

0 12 12
1t

N
,

2
0

21
2t
2

48

Suponga que la ecuacin de inters es la (46). El asunto clave parece ser la exogeneidad
de xt. No obstante, EHR afirman que lo importante es ms bien tener claro para qu
servir la mencionada ecuacin. Tres son los posibles propsitos:
a)

Hacer inferencia sobre un parmetro de inters, por ejemplo . En este caso se

requiere exogeneidad dbil.

b)

Predecir yt en funcin de xt. De ser este el caso se requiere exogeneidad fuerte.

c)

Testear si (46) es estructuralmente invariante a cambios en la distribucin marginal

de xt. En este caso se requiere super exogeneidad.
3.4.1. Exogeneidad dbil

1. Para verificar este tipo de exogeneidad es necesario definir los siguientes grupos de
parmetros:

13

1 , los parmetros de la condicional.

2 , los parmetros de la marginal

1 , los parmetros de la distribucin conjunta.

, los parmetros de inters.

La exogeneidad, entonces, est relacionada con : una variable es exgena para unos
determinados parmetros de inters.
2. Condiciones para que se d exogeneidad dbil.

f 1

exclusivamente

1 y 2

son de libre variacin, es decir, los valores que toma el

primer conjunto de parmetros no afectan al otro.

Por ejemplo, suponga que multiplicamos la ecuacin (47) por

12
, restando el resultado
22

de la (46). A travs de esta operacin diagonalizamos la matriz de varianzas y

covarianzas del error, obteniendo:
y t 0 x t 1 x t -1 2 y t -1 t

49

siendo (49) la nueva ecuacin condicional, donde:

12
22

1 1

12
22

2 2

12
22

t 1t

12
2t
22

50

por lo que:

122
t 2 0
Var
2

2t
2
0

2
1

51

De esta forma:

, 1 , 2 , 12 , 22 , 12

1 0 , 1 , 2 , 12

2 1 , 2 , 22

52

Supongamos ahora que se define como parmetro de inters , es decir:

14

Verifiquemos entonces las dos condiciones de exogeneidad dbil:

a)

0 2
1
2

por lo que depende de 1 0 , 1 , pero tambin depende de 2

la primera condicin no se cumple.
b)

1 , 2 . Es decir,

2 1 1 2

por lo que 1 y 2 s tienen relacin, incumplindose tambin la segunda condicin.

En conclusin, definido el parmetro de inters como , xt no es exgenamente dbil.
Veamos, sin embargo, algunas variantes. Si 12 0 , es decir los errores de las
ecuaciones 46 y 47 no estn correlacionados, entonces es igual a 0 , siendo este
ltimo un parmetro que pertenece exclusivamente a 1 ; de aqu que la primera
condicin s se cumple.
De otro lado, la relacin anterior b) desaparece (dado que 1 = 2 = 0) por lo que la
segunda condicin tambin se cumple.
Ntese que si 12 0, pero el nuevo parmetro de inters fuese 0, se cumplira la primera
condicin pero no la segunda. Para que esta ltima tambin se cumpliera se requerir,
adems, que yt no cause a xt. Se deja al lector la demostracin detallada de este caso.
3.4.2. Exogeneidad Fuerte
Para que xt sea exgenamente fuerte respecto a , se debe cumplir que:
a)
b)

Xt sea exgena dbilmente respecto a .

Yt no cause a Xt.
3.4.3. Super Exogeneidad

xt es super exgena si los parmetros de la distribucin condicional son invariantes a

cambios en la distribucin marginal.
3.4.4. Test de exogeneidad
a) Exogeneidad dbil
1. Comprobar que yt no cause instantneamente a xt.
15

2. Probar que Ho: 12 0 . Para ello:

a)
b)
c)

Correr las ecuaciones condicional y marginal, y recoger los errores de ambas,

1 y 2 ,respectivamente.
Correr la regresin 1 f constante, x t , 2
Se rechaza la nula si TR 2 ~ 2 1 excede el valor crtico correspondiente.
b) Exogeneidad fuerte

1. Comprobar que xt es exgenamente dbil.

2. Demostrar que yt no causa a xt.
c) Superexogeneidad
1. Realizar un test de estabilidad de parmetros sobre la condicional.
2. Hallar un conjunto de dummies que expliquen la inestabilidad de parmetros de la
marginal.
3. Correr la ecuacin condicional incluyendo las dummies anteriores como
explicativas y testear Ho: los coeficientes de las dummies son cero.
Si se acepta sta, entonces la ecuacin condicional es invariante a cambios en la
marginal.

16

3.5.

Cointegracin y modelo de correccin de errores

3.5.1. Introduccin
Una regla general que se puede comprobar fcilmente est referida al orden de
integracin de la combinacin lineal de dos series de tiempo: la serie resultante ser de un
orden igual al mayor de las dos series que la conforman. Por ejemplo, si xtI(d) ytI(e) se
combinan linealmente, de forma que:

zt = x t + y t

53

donde el orden de integracin de yt es mayor que el de xt (e>d), y posteriormente se

procede a diferenciar d veces zt:

d zt = d x t + d y t

54

se puede verificar que la serie resultante no es estacionaria ya que uno de sus

componentes, dyt, requiere ser diferenciada (e-d) veces ms antes de serlo. Si se
contina diferenciando zt hasta que:

e zt = e x t + e y t

55

se habr obtenido una serie estacionaria luego de e diferenciaciones sucesivas, por lo

que puede concluirse que zt es integrada de orden e, es decir, igual que la serie de
mayor orden de integracin que la compone6.
La excepcin a esta regla es la cointegracin, es decir, cuando dos o ms series de
igual orden de integracin se combinan linealmente y dan como resultado una serie de
menor orden de integracin.
a) Cointegracin en presencia de un solo vector de cointegracin
Definicin: El conjunto de variables que componen el vector x t se dice que son
cointegradas de orden d, b, [xt ~ CI (d, b)], si:

Todos los componentes de xt son I(d).

Existe un vector , diferente de 0, tal que zt = xt ~ I(d-b), b>0, siendo el
vector de cointegracin.

Ntese que esta definicin implica que si se tienen series de diferente orden de
integracin no ser posible que ellas cointegren. En todo caso, podran combinarse
series en niveles con otras en diferencia, con el propsito de satisfacer dicha condicin.
Por ejemplo, si se tienen xtI(2) ytI(1), sus niveles no podrn ser cointegrados; sin
embargo, s ser posible cointegrar xt, que es I(1), con y t en niveles, ya que ambas
tendrn el mismo orden de integracin.
Note que diferenciar una serie que ya es estacionaria, como dxt, no afecta su condicin de
estacionariedad.
6

17

Cabe mencionar que en economa es la CI(1,1) la que interesa, es decir, cuando el

componente tendencial estocstico de dos o ms variables no estacionarias se
compensan exactamente para dar una combinacin lineal estacionaria. De esta forma,
la existencia de cointegracin entre series econmicas no hace sino evidenciar la
presencia de una relacin de equilibrio de largo plazo: an cuando presenten un
comportamiento no estacionario o tendencial, la relacin (o combinacin lineal) entre
ellas es estable; por tanto, podemos hablar de una relacin observada que puede, en
promedio, ser mantenida en un largo perodo de tiempo.
A.I)

LOS TESTS PARA VERIFICAR LA EXISTENCIA DE COINTEGRACIN

El Durbin Watson de la ecuacin de cointegracin [Sargan y Bhargava, 1983].

A partir de la ecuacin de cointegracin:

y t x t zt

56

se prueba la Ho: DW = 0, lo que equivale a testear que =1 en:

z t z t 1 t

57

es decir, se estara verificando la presencia de una raz unitaria en la ecuacin

autorregresiva de zt. De esta forma, si no se pudiera rechazar la hiptesis nula, se
estara aceptando que el error es no estacionario y no se podra aceptar la presencia de
cointegracin entre xt yt.
Una regla prctica vinculada con este test de cointegracin sugiere que un buen R2 y un
DW por encima de 0.5 son un indicativo de la presencia de cointegracin.
El DFA del error de la ecuacin de cointegracin
Un test alternativo consiste en verificar la existencia de raz unitaria en la ecuacin:

z t z t 1 t

58

a travs del test ADF. Es decir, verificar la Ho:=0 (que equivale a testear que =1) en:
p

zt = zt 1 +

z
i= 1

t i

+ vt

59

donde p debe ser lo suficientemente grande para garantizar que v t sea ruido blanco. En
este caso, el no rechazo de la hiptesis nula lleva a no aceptar la existencia de
cointegracin entre xt yt.
A.II)

ESTIMACIN DEL VECTOR DE COINTEGRACIN

Generalmente, se estima el vector de cointegracin utilizando el mtodo de mnimos
cuadrados ordinarios. Esta prctica proviene de la constatacin de que si un conjunto
18

de variables son CI (1, 1), con un vector de cointegracin , el estimador MCO de

ser ms consistente de lo que hubiera sido de no existir cointegracin; es decir ser
superconsistente (Stock). Por ejemplo, si se tienen dos variables x t, yt ~ CI(1,1), y se
estima la siguiente ecuacin:

y t x t zt

60

entonces si estimado coincide con su verdadero valor, por definicin, zt (el error de la
ecuacin) ser estacionario, ya que representa la combinacin lineal de dos series que
cointegran:

zt y t xt

61

es decir, la varianza de zt ser mucho menor que si el estimado fuera diferente de su

valor verdadero. Dado que MCO elige el estimado que minimiza la varianza del error,
garantiza que ste sea estacionario y, de esta forma, se convierte en un estimador
superconsistente de .
A.III)

EL TEOREMA DE REPRESENTACIN DE GRANGER

Si xt es un vector Nx1 tal que x t ~ CI (1, 1) y es el vector de cointegracin ['xt ~ I(0)],

luego la siguiente representacin de correccin de errores puede ser derivada:

( L)(1 L) xt ' x t 1 ( L) t

62

Esta ecuacin modela las relaciones de corto plazo de las variables as como el ajuste
en cada perodo a su relacin de largo plazo. Este ltimo es recogido por el trmino
-xt-1, que no es otra cosa que la combinacin lineal de las variables incluidas en el
modelo. El signo negativo que precede a este trmino indica que cualquier desajuste de
la relacin de largo plazo que se verifique en el perodo t-1 debe ser corregido (en la
direccin contraria al desajuste) en el perodo t, de tal forma de garantizar el equilibrio
de largo plazo.
Ntense algunas implicancias importantes que se desprenden de este modelo:
La ecuacin anterior relaciona solamente variables estacionarias.
La relacin entre la cointegracin y el modelo de correccin de errores es biunvoca:
si el proceso de generacin de la data de un conjunto de series de tiempo es una
ecuacin como la anterior, entonces dichas series de tiempo deben estar
cointegradas.
Si xt yt estn cointegradas y cada una de ellas es individualmente I(1) entonces xt
debe causar a lo Granger a yt yt debe causar a lo Granger a x t. Esto se deriva del
hecho de que la existencia del modelo de correccin de errores sugiere que por lo
menos el valor rezagado de una de las variables est incluida en la ecuacin
explicativa de la otra.

19

A.IV)

ESTIMACIN DEL MODELO DE CORRECCIN DE ERRORES

Supngase, por ejemplo, que se quiere estimar el siguiente modelo de correccin de

errores:

y t 1 x t 2 ( y x) t 1 1t

1t , iid N(0, 2 )

63

donde:

zt y t xt

64

es la combinacin lineal de xt yt, dos variables que se supone son CI(1,1). 1 indica el
efecto impacto o la relacin de corto plazo entre ellas, mientras que 2 es el efecto
feedback o de ajuste a la relacin de largo plazo, yt=xt; note que 2 se encuentra
precedido por un signo negativo, ya que si el desequilibrio de largo plazo es positivo
habr que reducir yt, para mediatizarlo, y viceversa. Engle y Granger (1987) proponen
el siguiente procedimiento para estimar este tipo de modelos.
1. Verificar que, efectivamente, xt e yt sean integradas de orden 1.
2. Estimar por MCO la ecuacin de cointegracin (o relacin de largo plazo):

y t x t zt

3. Verificar que, efectivamente, zt sea integrada de orden 0, es decir que x t e yt

cointegren.
4. Utilizar zt-1 (el error de la ecuacin de cointegracin rezagado un perodo), junto con
rezagos de yt, xt, rezagos de xt para estimar la ecuacin de correccin de
errores (de yt).
Pensemos tambin en la segunda ecuacin del modelo, la que corresponde a xt, es
decir:

xt 3 yt 4 ( y x )t 1 2t

2t ,iid N(0, 2 )

En ella el signo que acompaa a 4 es positivo, dada la especificacin de zt: si el

desequilibrio es positivo, yt>xt, hay que aumentar el valor de xt para reducirlo, y
alcanzar el equilibrio de largo plazo. Note que de ser 3 significativamente igual a cero,
la causalidad entre yt y xt sera de un solo lado (de x t hacia yt), mientras que si 4 fuera
igual a cero, ello significara que el equilibrio de largo plazo solo se podra alcanzar
moviendo yt.

b) Cointegracin multivectorial: la tcnica de Johansen (1988)

Existen una serie de problemas vinculados con la metodologa propuesta por Engle y
Granger. En primer lugar, la estimacin de la relacin de cointegracin, tal y como est
planteada, requiere identificar previamente cul de las variables debe colocarse a la derecha
de la ecuacin. El resultado del test debiera ser invariable a cualquier ordenamiento de las
variables utilizadas. Sin embargo, esto no se observa en el caso de la metodologa
20

propuesta. En segundo lugar, no da cabida a la posibilidad de que se presente ms de un

vector de cointegracin. Finalmente, la existencia de dos etapas sucesivas de estimacin (la
relacin de largo plazo, primero, y la de correccin de errores, despus) implica una
acumulacin de errores a lo largo de las mismas que resta eficiencia a la estimacin de la
relacin de largo plazo.
Es por ello que surge una especificacin alternativa del problema, en la que se incorpora la
posibilidad de que exista ms de un vector de cointegracin entre un mismo conjunto de
variables.
As, si el vector de variables xt tiene n componentes (n variables no estacionarias), existe la
posibilidad de que hayan, por lo menos, n-1 vectores de cointegracin linealmente
independientes. El nmero de vectores de cointegracin se conoce como el rango
cointegrante de xt.
Por ejemplo, supongamos que tenemos el siguiente vector de variables conformado por el
dinero (mt) el nivel de precios (pt), el ingreso real (yt) y la tasa de inters (rt):

mt
1

x t pt

yt
rt

65

ste puede tener dos vectores de cointegracin como:

1

1

o
0

1 2 3
1
1
0

66

en donde la primera lnea representa una ecuacin de demanda de dinero de largo plazo:
mt 0 1 p t 2 y t 3 rt 1t

67

y la segunda, una regla monetaria de feedback entre el dinero y el PBI nominal:

mt 0 1 y1 pt 2t

68

Como las dos combinaciones lineales (67) y (68) son estacionarias podemos concluir que
el rango cointegrante de xt es 2.
La especificacin de la metodologa de Johansen se basa en una generalizacin
multivariada del DF. As, si Xt es un vector de n variables que siguen un proceso VAR(1):
X t A X t 1 t

69

entonces, restando Xt-1 en ambos lados de la ecuacin anterior se obtiene:

21

X t A 1 X t 1 X t 1 t

70

X t A 1 I X t 1 t

71

X t X t 1 t

72

La atencin se centra en la matriz y particularmente en el anlisis de su rango. Dado que

existen n variables que constituyen el vector X t, la dimensin de es nxn y su rango no
puede ser mayor que n. A partir del Teorema de Representacin de Granger (Engle y
Granger, 1987; Johansen, 1989) podemos afirmar, bajo ciertas circunstancias, que:
1. Si el rango de la matriz es igual a n (el nmero total de variables explicadas en el
modelo VAR), el proceso vectorial X t es estacionario (es decir, todas las variables en X t
son integradas de orden cero).
2. Si el rango de la matriz es igual a r < n, existe una representacin tal que =,
donde y son matrices nxr.
La matriz es denominada matriz de cointegracin y tiene la propiedad que ' Xt ~ I(0)
cuando Xt ~ I(1); es decir, las variables en X t estn cointegradas, con vectores de
cointegracin 1, 2, ..., r como columnas particulares de . Mientras tanto los elementos
de constituyen los factores de ajuste hacia la relacin de largo plazo. Por tanto, en un
modelo VAR que explica n variables, podran existir no ms de r = n-1 vectores de
cointegracin.
3. Si es una matriz de ceros de tal forma que su rango es igual a 0, entonces todas las
variables son procesos con raz unitaria y no hay combinaciones lineales de Xt, es decir,
las variables no cointegran.
Se puede generalizar el modelo para un proceso de mayor orden, reparametrizando un
VAR(p) de la siguiente manera:
X t A 1 X t 1 A 2 X t 2 A p X t p t

73

restando Xt-1 de ambos lados:

X t A 1 I X t 1 A 2 X t 2 A p X t p t

74

sumando y restando A 1 I X t 2 del lado derecho de la ecuacin anterior:

X t A 1 I X t 1 A 2 A 1 I X t 2 A p X t p t

75

Sumando y restando A 2 A 1 I X t 3 del lado derecho de la ecuacin anterior:

X t A1 I X t 1 A2 A1 I X t 2 A3 A2 A1 I X t 3 A p X t p t
y as sucesivamente hasta que se obtenga la siguiente especificacin:

22

p 1

X t i X t i X t p t

76

i 1

donde (67) es el modelo de correccin de errores, cuyo ajuste al largo plazo se produce
con p rezagos. As, note que el trmino de correccin hacia la relacin de largo plazo es
Xt-p, es decir, un desajuste de dicha relacin en el perodo t-p tiene efecto p perodos
despus. Esto lleva a que, en general, la especificacin de este modelo tenga ms bien
un p bajo, ya que de otra forma la correccin del error tendra poco significado econmico.

B.I)

EL TEST DE COINTEGRACIN

Dado que la determinacin del nmero de vectores de cointegracin depende del rango
de y, por ende, del nmero de races caractersticas distintas de cero de dicha matriz,
se requiere utilizar un test para verificar dicho nmero. Si se tienen las n races de la
matriz , i, donde 1>2>>n, se puede plantear el siguiente test con Ho: nmero de
vectores de cointegracin r

r T Ln 1 i ~ jj
n

(1990)

i r 1

77
donde i es la raz caracterstica estimada. Note que cuanto mayor nmero de s sean
iguales a cero menor ser el (r).
El contraste y el anlisis de cointegracin en un modelo VAR es considerado a menudo
superior al mtodo uniecuacional desarrollado por Engle y Granger. Las propiedades
estadsticas del procedimiento de Johansen son generalmente mejores y el poder de la
prueba de cointegracin es ms elevado. Sin embargo, se debe poner nfasis en que los
procedimientos de Engle-Granger y Johansen se basan en diferentes metodologas
economtricas y por tanto no pueden ser comparados directamente.

23