ORTOGONALIDAD DE LOS ERRORES

DR. LUIS MIGUEL GALI NDO

I. ORTOGONALIDAD DE LOS ERRORES
II. MODELOS Y VAR
III. REPRESENTACIN DE MODELOS VAR
IV. LA FUNCIN DE MXIMA VEROSIMILITUD
V. PRUEBA F:
VI. PRUEBA CHI CUADRADA
VII. PRUEBA PSEUDO T
Contenido
Dr. Galindo
-Funciones de impulso respuesta.
-Descomposicin de varianza.
Necesario transformas las innovaciones en una forma
contempornea no correlacionada. Razones:
1.- Como las variables son endgenas entonces la
secuencia de errores de pronstico para predecir estas
variables es una combinacin de un conjunto de factores
tanto de oferta como de demanda.
I. ORTOGONALIDAD DE LOS ERRORES
Dr. Galindo
2.- As, para interpretar la descomposicin de varianza o
las funciones de impulso respuesta se requiere distinguir
entre cada una de las respuestas. Pero como las sorpresas
estn correlacionados la respuesta de una variable a la
respuesta de otra variable describe la respuesta dinmica
de una combinacin de distintos efectos.
3.- Para transformar las innovaciones del VAR a una
forma ortogonal en donde los shocks tengan una
interpretacin econmica es necesario identificar al
modelo. Esto es se requiere identificar o asociar
innovaciones observadas con variables no observadas
que tiene una interpretacin econmica (proceso similar
a forma estructural y reducida).
Dr. Galindo
I. ORTOGONALIDAD DE LOS ERRORES
Bi-VAR (Charemza y Deadman, 1992):
(1)
Con correlacin contempornea en el trmino de
error:
E(e
1t
) = E(e
2t
) = 0, E(e
2
1t
) =
11
E(e
2
2t
) =
22
, E(e
1t
,e
2t
) =
12
Dr. Galindo
II. EJEMPLO DE ORTOGONALIDAD DE LOS ERRORES
(

+
(
(

+
(
(

=
(

=
(
(

e
e
y
x
d c
b a
y
x
d c
b a
y
x
t
it
t
t
t
t
t
t
2
2
2
2 2
2 2
1
1
1 1
1 1
Para obtener que no exista correlacin
contempornea multiplicando la primera fila por =

12
/
11
y restando el resultado de la segunda fila:
(2)
Donde:
c*
1
= (c
1
a
1
); d*
1
= (d
1
b
1
); e
2t
= (e
2t
e
1t
)
Dr. Galindo
II. EJEMPLO DE ORTOGONALIDAD DE LOS ERRORES
(

+
(
(

+
(
(

=
(
(

*
2
2
2
2 2
2 2
1
1
1 1
1 1
* * * *
e
e
y
x
d c
b a
y
x
d c
b a
x
y
x
t
it
t
t
t
t
t
t
t

As, en (2) los errores no estn autocorelacionados:

E(e
1t
,e
2t
) = E(e
1t
,(e
2t
-e
1t
))
= E(e
1t
,e
2t
) (
12
/
11
)E(e
2
1t
) =
12

12
= 0
Permite utilizar la primera ecuacin para
propsitos de poltica econmica.
Dr. Galindo
II. EJEMPLO DE ORTOGONALIDAD DE LOS ERRORES
La funcin de impulso respuesta bsicamente
describe la representacin de MA de l sistema y
describe la forma en que la variable responde en el
tiempo a una sorpresa en ella misma o en otra
variable. Sims (1980) argumenta que este sistema
ayuda a causalidad de Granger.
Dr. Galindo
III. LA FUNCIN DE IMPULSO RESPUESTA
VAR(1):
(1)
Pregunta: Cul es la de y
t
en t, t+1, a un shock
unitario exgeno en x
t
? Ello es lo mismo que un
shock en la primera ecuacin a e
1t
.
La presencia de covarianza (
12
) entre e
1t
y e
2t
dificulta el
anlisis porque el efecto de e
1t
dado por c
1
es
incompleto y se debe incluir el efecto de d
1
.
Dr. Galindo
III. FUNCIN DE IMPULSO RESPUESTA: EJEMPLO
(

+
(
(

=
(
(

e
e
y
x
d c
b a
y
x
t
t
t
t
t
t
2
1
1
1
1 1
1 1
Necesario ortogonalizar el VAR
:
(3)
Donde:
c*
1
= (c
1
a
1
); d*
1
= (d
1
b
1
); e
2t
= (e
2t
e
1t
) y =

12
/
11
Dr. Galindo
III. FUNCIN DE IMPULSO RESPUESTA: EJEMPLO
(

+
(
(

=
(
(

*
2
1
1
1 1
1 1
* *
e
e
y
x
d c
b a
x
y
x
t
it
t
t
t
t
t

VAR:
(4) Z
t
= A
1
Z
t-1
+ e
t
Rezagando:
(5) Z
t
= A
1
(A
1
Z
t-2
+ e
t-1
) + e
t
= A
2
1
Z
t-2
+ A
1
e
t-1
+ e
t
(6) Z
t
=
n
A
n+1
1
Z
t-n+1
+
n
A
i
1
e
t-i
Con lim A
n
1
= 0 es la condicin de estabilidad:
(7) Z
t
=
n
A
i
1
e
t-i
Vector moving-average (VMA)
representation donde Z
t
es la suma infinita de errores
aleatorios ponderados por coeficientes decrecientes.
Dr. Galindo
III. FUNCIN DE IMPULSO RESPUESTA: EJEMPLO
La ecuacin (7) puede utilizarse para evaluar las
trayectorias de las variables de no haber correlacin
entre los trminos de error.
Para ortogonalizar se utiliza que:
(8) e*
2t
= e
2t
e
1t
donde =
12
/
11
Por tanto
(9) e
2t
= e*
2t
e
1t
Dr. Galindo
III. FUNCIN DE IMPULSO RESPUESTA: EJEMPLO
(10)
Dr. Galindo
III. FUNCIN DE IMPULSO RESPUESTA: EJEMPLO
(

(
(

=
(
(

*
2
1
0
22 21
12 11
e
e
y
x
i t
i t
i
i i
i i
t
t


La ecuacin (10) en forma matricial es:
(11) Z
t
=

i
e
t-i
En (11) los residuales son ortogonales.La matriz
i
se
denomina funciones de impulso respuesta y el vector
e
t-i
se denomina el vector de innovaciones.
(11.1)
0
21
= el impacto instantneo de un cambio en e
1t
.
(11.2)
1
21
= el impacto instantneo de un cambio en e
1t-1
.
(11.3) = efecto acumulado de un cambio en e
1t
en la
secuencia de (y
t+i
).
Dr. Galindo
III. FUNCIN DE IMPULSO RESPUESTA: EJEMPLO
(1.1) y
t
= A
1
y
t-1
+ u
t
Donde:
(1.2)
Dr. Galindo
III. FUNCIN DE IMPULSO RESPUESTA: EJEMPLO
NMERICO
(

=
2 . 0 0 . 0
3 . 0 5 . 0
1 A
(

+
(
(

=
(
(

u
u
y
y
y
y
t
t
t
t
t
t
2
1
2
1
2
1
2 . 0 0 . 0
3 . 0 5 . 0
Considerando un shock en y
1t
en el tiempo t
0
.
(1.3)
(1.4)
(1.5)
Dr. Galindo
III. FUNCIN DE IMPULSO RESPUESTA: EJEMPLO
NMERICO
(

=
(

=
0
1
20
10
0
u
u
y
(

=
(

= =
0
5 . 0
0
1
2 . 0 0 . 0
3 . 0 5 . 0
0
1
1
y
A
y
(

=
(

= =
0
25 . 0
0
5 . 0
2 . 0 0 . 0
3 . 0 5 . 0
1
1
2
y
A
y
Descomposicin de varianza indica la proporcin del
error pronosticado promedio cuadrado de la varianza
de una variable a k pasos adelante se asocia con los
movimientos sorpresas de otra variable.
Descomposicin de varianza y funcin de impulso
respuesta son ejercicios de pronstico dentro de la
muestra.
La descomposicin de varianza determina la
proporcin que la varianza del error de pronstico se
explica por las innovaciones de cada variable
explicativa.
Dr. Galindo
IV. DESCOMPOSICIN DE VARIANZA
Cholesky tiene la ventaja de reducir la
discrecionalidad del investigador.
Desventaja: Supone que existe un modelo
interpretable abajo que tiene una forma recursiva (las
variables hasta arriba del tringulo afectan
contemporneamente a las otras variables y las
variables hasta abajo del tringulo afectan slo a ellas
mismas.
Dr. Galindo
VI. INDENTIFICACIN: DESCOMPOSICIN DE
CHOLESKY
OBJECIONES A CHOLESKY:
1. La teora econmica raramente da modelos que
tengan una relacin contempornea recursiva lo que
resulta crucial porque se busca con la identificacin
que las innovaciones tengan sean interpretables
desde el punto de vista econmico.
2. Choleski impone un orden en la causalidad que es
arbitrario y requiere validacin emprica. Opciones
que ante cambios del orden siga los mismos
resultados y que la matriz de covarianzas de las
innovaciones sea triangular.
Dr. Galindo
VI. INDENTIFICACIN: DESCOMPOSICIN DE
CHOLESKY
Canova, F. (1999), Vector autoregressive models:
specification, estimation, inference and forecasting,
en M.H. Pesaran y M.R. Wickens (eds.), Handbook of
applied econometrics, Blackwell Handbooks in
economics.
Descomposicin de Wold permite descomponer una
serie con media cero y covarianza estacionaria como
la suma de dos componentes ortogonales. El primero
es predecible el conjunto de informacin disponible
en el tiempo t-1 y el segundo es impredecible basado
en la informacin en t.
Dr. Galindo
VII. REFERENCIAS
Granger non causalidad: b
12
(l)=0
Exogeneidad de Sims : b
21
(L) 0
Stock, J.H. y M.W. Watson (2001) Vector
Autoregressions, Journal of Economic Perspectives,
15, 101-115.
Dr. Galindo
Y
X
X
1
22 21
12 11
2
) ( ) (
) ( ) (
1

=
t
t
L L
L L
t
b b
b b
VII. REFERENCIAS
ORTOGONALIDAD DE LOS ERRORES
DR. LUIS MIGUEL GALI NDO