Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Un método para predecir variables con un único modelo consiste en utilizar vectores
autorregresivos (VAR). Un VAR extiende el modelo autorregresivo univariante a un «vector» de
variables de series temporales.
Un vector autoregression (VAR) con dos variables de series temporales, Yt y Xt, consta de dos
ecuaciones: en una de ellas, la variable dependiente es Yt; en la otra, la variable dependiente es
Xt. Los regresores de ambas ecuaciones son los valores retardados de ambas variables. Los
coeficientes del VAR se estiman mediante la estimación de cada una de las ecuaciones por
MCO.
Inferencia en VAR. Bajo los supuestos de VAR, los estimadores MCO son consistentes y tienen
una distribución conjunta normal en muestras grandes.
Contraste: cabría preguntarse si los coeficientes de Yt-p y Xt-p son iguales a cero en esas dos
ecuaciones.
La hipótesis alternativa es que al menos uno de estos cuatro coeficientes es distinto de cero.
¿CUANTAS VARIABLES DEBEN INCLUIRSE EN UN VAR?
El número de coeficientes en cada una de las ecuaciones de un VAR es proporcional al número
de variables en el VAR. Es necesario mantener controlado el número de variables de un VAR y
asegurarse de que las variables están relacionadas unas con otras. La inclusión de una variable
que no esté relacionada con el resto en un VAR introduce un error de estimación.
DETERMINACIÓN DE ÑA ÑONGITUD DE LOS RETARDOS EN LOS VAR.
La longitud de los retardos en un VAR puede determinarse utilizando tanto los contrastes F
como los criterios de información (BIC y AIC).
Otra utilidad de los modelos VAR consiste en analizar las relaciones causales que existen entre
las variables económicas de series temporales. La utilización de los VAR para la inferencia causal
se conoce como modelización VAR estructural; estructural, debido a que en esta aplicación los
VAR se utilizan para modelizar la estructura subyacente de la economía.
Se utiliza un modelo de predicción en el que para el periodo T+1 se utilizan los datos hasta el
periodo T. A continuación, se utiliza el modelo para realizar un pronóstico para el periodo T+2
dados los datos disponibles hasta T, donde el valor previsto para T+1 se considera como si fuera
un dato más.
Ejemplo del libro: primero se calcula la predicción con un horizonte temporal de un periodo
vista en base a los datos hasta T. Es decir, calcular T+1/T. el siguiente paso consiste en
introducir esta predicción en el modelo T+2/T. Es decir, T+2/T= constante + b 1 T+1/T + b2T.
16.4 COINTEGRATION
Dos o más series de tiempo con tendencias estocásticas pueden evolucionar juntas de forma
tan estrecha a largo plazo que puede parecer que tienen la misma componente tendencial
(COMMON TREND). Debido a que la tendencia de cada serie individual se elimina restando una
serie de la otra, las dos series deben tener la misma tendencia (common estochastic trend) y
esto se dice que las series están cointegradas.
Si Xt e Yt están cointegradas, otra forma de eliminar la tendencia consiste en calcular, Yt- (α) Xt,
donde α se elige de manera que elimine la tendencia común de la diferencia y Yt- (α) Xt es
estacionario.
El término Yt- (α) Xt se denomina error correction term. El modelo combinado de las
Ecuaciones (16.22) y (16.23) se denomina vector error correction model (VECM). En un VECM,
los valores pasados de Yt- (α) Xt ayudan a predecir los valores futuros de ∆Yt y/o los de ∆Xt.
La teoría de las expectativas de la estructura temporal implica que si los tipos de interés son
I(1), entonces estarán cointegrados con un coeficiente de cointegración de α=1 (porque la
primera diferencia elimina la tendencia estocastica).
La gráfica de los dos tipos de interés muestra que cada una de las series parece ser I(1), pero
que el diferencial parece ser I(0), por lo que parece que las dos series pueden estar
cointegradas.
La idea en la que se basan estos contrastes es que si Yt y Xt están cointegradas con coeficiente
de cointegración α, entonces Yt- (α) Xt es estacionaria; de lo contrario, es no estacionaria [I(1)].