Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
1
Universidad Nacional de Cajamarca
Oficina General de Investigación
!
.
•'
.
1 •
..
Econometría con Eviews Gustavo Trujillo Calagua
Es común pensar que las series estadísticas deberían seguir una trayectoria estacionaria y
estable tanto en media como en varianza, lo que aseguraría que su distribución sea insesgada
y que las predicciones que se hicieran sean lo mas fiables posibles. Por ello, para contrastar
esta hipótesis, se ha desarrollado una diversidad de Pruebas que tienen como finalidad testear
si la serie o series bajo análisis, cumplen con la condición de estacionariedad.
La estacionariedad es una condición estadística de una variable aleatoria, que consiste en que
la variable no deambule en torno a un valor predeterminado en el tiempo. Más bien, para que
una variable sea estacionaria, esta debe girar en torno a una media. sin presentar
comportamientos erráticos o atípicos. Estadísticamente hablando, una variable estacionaria es
aquella que se comporta con una media y una varianza constante en el tiempo, es decir que el
proceso estocástico subyacente que lo generó es invariante con respecto al tiempo, es decir,
estacionario. Si el proceso estocástico esta fijo en el tiempo, entonces podemos modelar el
proceso a través de una ecuación con coeficientes fijos que pueden estimarse a través de
datos pasados
Para estudiar esto, es necesario primero conocer lo referente a la teoría de las Rafees Unitarias
que nos permitirá tener una concepción más amplia del problema bajo análisis. Bajo esta
premisa, el problema estadístico teórico que se presenta es el de la existencia de una
discontinuidad en las distribuciones, como funciones de ex cuando esta toma el valor de 1, para
otros valores puede utilizarse en muestras grandes las distribuciones "t" y "F" usuales, pero
para este valor especial es necesario encontrar nuevas distribuciones.
Las pruebas de raíz unitaria que se han desarrollado dependen del modelo básico que g~nera
la serie. El más sencillo es de la forma: x, = cxx1• 1 + e1 donde la hipótesis nula.es de la forma
Ho: ex = 1. Esta hipótesis ha sido analizada en varias ocasiones con enfoques ligeramente
diferentes y da origen a pruebas distintas, muchas veces según que la prueba obtenida sea del
tipo de relación de verosimilitud (estimación del modelo bajo la hipótesis nula y bajo la hipótesis
alternativa y prueba basada en la diferencia de los valores de los logaritmos de la función de
verosimilitud en las dos situaciones), de multiplicadores de Lagrange (estimación bajo la
hipótesis nula y prueba basada en cambios a partir de esta hipótesis) o de Wald (estimación
bajo la hipótesis alternativa y prueba basada en movimientos hacia la hipótesis nula).
Estas pruebas tienen como finalidad contrastar la hipótesis de que una serie estadística sigue
un comportamiento estacionario en media y varianza a lo largo de su trayectoria temporal de
estimación o análisis. El contraste que se plantea es:
El resultado de la prueba se compara con Ja distribución t-Student según los valores críticos de
Dickey-Fuller (1984). Si el resultado estadístico de la prueba es superior a los valores críticos t-
Student, entonces rechazamos la existencia de raíz unitaria.
En esta linea se han desarrollado diversas pruebas, pero quizás las mas relevantes son:
91
"..'
l
1
Econometría con Evlews Gustavo Trujlllo Calagua
El proceso autorregresivo de dJ!t = AJ!t.1 +v1 es muy simple y para tener en cuenta dinámicas
más complejas, Dickey y FOiiar propusieron pruebas para la estacionariedad basadas en la
ecuación ampliada: Aµ1 = ao + a 1 t + AJ!t.1 + 1:f3¡AJ!t.¡ + v, , donde j=1, ...m, ao toma en cuenta la
dirección y tes la tendencia lineal en el tiempo.
El test ADF tiene como finalidad testear la hipótesis de que si una serie estadística sig~e un
comportamiento estacionario en media y en varianza a lo largo de su trayector!~ temporal de
estimación. La prueba que se plantea es: r
.
I
Le indicamos el nombre de fa serie sobre la cual se va a desarrollar la prueba, que para este l
ejemplo será el Producto Bruto Interno en logaritmos para una muestra comprendida entre el
primer trimestre de 1988 y el segundo trimestre del año 2003:
92
''
Figura 11 .2
Inmediatamente aparecerá una ventana de dialogo donde usted deberá Incluir el tipo de
prueba:
Figura 11.3
Tes\t,Ype - , .
'[ 'J~u~m~nt~~ ~i~~y·Fuller
Dickey·FuUer GLS (ERS)
, Phill1ps·Pe11on
Kwiatkowski·Phílfips·Schmidt·Shin
Elliott·Aothenberg·Slock Point·Optimal
No·Perron
Le ordenamos al Eviews que efectué la prueba ADF (Oickey-Füller Aumentada) a niveles para
la serie LPBI, tanto en tendencia como en intercepto con un rezago igual a 4
r Znd diíference
93
.
' ~
Se observa que la serie evaluada (LPBI) no es estacionaria a niveles, puesto que el valor ADF
es significativamente menor que los valores críticos de MacKinnon a los 3 niveles de
slgnificancia. Podemos evaluar la prime ra diferencia del logaritmo del PBI y ver si con esa
transformación conseguimos la estacionariedad:
Se observa que la serie evaluada en su primera diferencia ya es estacionaria pero a los niveles
de 95% y 90% de significancia.
94
...
•
(.
•:
Econometría con Eviews Gustavo Trujillo Calagua
Elliott, Rothenberg, & Stock proponen una ampliación del contraste ADF, en el caso que los
datos estén con algún tipo de tendencia y de esta manera separar aquellas variables
explicativas que estén fuera de la corrida en la regresión. La prueba sigue una distribución
t-Student determinada por Elliott, Rothenberg, & Stock, la cual se contrasta con sus valores
críticos a los niveles de confianza deseados. El procedimiento econométrico es el siguiente:
Figura 11.8
El contraste se ha llevado a cabo para la serie logaritmo de la emisión primaria real, a niveles
tanto al intercepto como a la tendencia, el resultado se muestra a continuación:
Figura 11.9
flíi Seríes: . LEPA . :workfile: TESIS - Al TER elfil El
J · . DF-GLS .U1iit 89..~f T~~ !)n-LEP.R ~1
1 Null Hypothesis: LEPR has a unit root
Exogenous: Constant, Linear Trend
Lag Length: O (Automatic based on SIC, MAXLAG=10)
t-Statistic
95
."'
Una prueba alternativa de raíz unitaria fue desarrollada por Phillips y Perron . Al igual que la
prueba AOF, la prueba PP es una prueba de hipótesis sobre p=1 en la ecuación: l1Y, = ll~ +
pY1.1 + l11; pero a diferencia de la prueba ADF, no existen términos de diferencias retardados.
Más bien, la ecuación es estimada por MCO y luego el estadístico •t• del coeficiente p es
corregido. la hipótesis nula H0 del test de Phillips-Perron es la trayectoria de raíz unitaria con
tendencia y la alternativa la estacionariedad con tendencia, si el valor t-Student asociado al
coeficiente de Y1•1 es mayor en valor absoluto al valor critico de MacKinnon, se rechaza la
hipótesis de existencia de raíz unitaria. El procedimiento en el El/iews es:
..
~
96
..
,,
Kwiatkowski, Phillips, Schmldt, & Shin, plantean como hipótesis nula que la serie es no
estacionaria en tendencia. EL test KPSS reporta un valor escalar del tipo multiplicadot de
lagrange (LM) el cual debe ser contrastado con sus respectivos valores críticos. El
procedimiento econométrico es:
.-
~
LM-Stat.
97
,,
Econometría con Eviews Gustavo Trujitlo Calagua
El test ERS esta basado en una regresión cuasi diferenciada de la suma al cuadrado de los
residuos de una regresión estimada espectralmente, además calibra una estimación de la serie
en función a una constante y una tendencia. El test ERS muestra un escalar el cual es
contrastado con sus respectivos valores críticos al 1%, 5% y 10% de significancia. Se ejecuta
de la siguiente manera:
La prueba se va aplicar a la primera diferencia del logaritmo del tipo de cambio, el resultado
es:
P-Statistic
Se observa, la serie es estacionaria en su primera diferencia al 1%, pero a los demás niveles
deja de ser significativo.
98
{l l :-
.
' ,,
~
Econometrfa con Eviews Gustavo Trujillo Calagua "
l
1
r
"Ng-Perron (2001, Table 1)
i
.,í
.~ ~i
1
il .")
1
99
..
' '
De acuerdo con este método es preciso encontrar la serie Y*, (tendencia) que minimice:
f (
l•I
Y1 - Y1* ) 2 + A. f (
1•2
!!.Y1 - l!. Y,* )
2
la serie v,· equivale a la variable potencial y A. es el
El filtro de Hodrlck - Prescott es quizá el método más frecuentemente utilizado para determinar
la tendencia de una serie estacionaria, sin embargo ha sido sujeto a criticas diversas. Entre
ellas destaca el hecho de que la determinación ex ante del parámetro de suavización esta
sujeta a la discrecionalidad del investigador, que los extremos de la serie de tendencias están
deficientemente definidos y que induce un comportamiento cíclico espurio en los datos.
Sin embargo el método representa un patrón contra el cual pueden compararse otros métodos
de estimación para series estacionarias.
Figura 11.18
~~...
.!!eñer~e S~s...
~ . ..
~l'Ph ~.
L ~~~lt~ (E~§.~l
-
Seguidamente se nos preguntara por el nombre de la serie que deseamos evaluar, en este
ejemplo evaluaremos si el logaritmo de la demanda de dinero es estacionario:
Figura 11.19
Series N.ame .· ~ ,f!i
100
Econometría con Eviews Gustavo Trujillo Calagua
86 88 90 92 94 96 98 00
1- LDINERE - HPTREND01 1
.L!í_.._ __ ·-. ·-~~!."~11.F~~~.JL.
á@~IL~'.'Jfl~.P~~s!t®;
Se pone en evidencia que la serie analizada, es una serie no estacionaria en tende~cia, ya que r
su línea de tendencia (HPTREND01) no es paralela al eje del tiempo. Veamos ahora el mismo
contraste, pero aplicado a la primera diferencia del logaritmo de la demanda ~e dinero: .
Gráfica 11.2
0.5
o.o
-0.5
-1.0
-1.5
-2.0
-2.5
-3.0
86 88 90 92 94 96 98 00 .'I
1
1- 01 LOINERE - HPTREND02 j
1
101
...
Econometría con Eviews Gustavo Trujillo Calagua
11.1.B Contraste de ztvot & Andrews secuenclal:.Raíz unitaria con quiebre estructural.
Perron (1989} sostuvo que los tradicionales test de raíz unitaria (Dickey-Fuller, Dickey-Fuller
Aumentado y Phillips-Perron} tenían poco poder para diferenciar una trayectoria de raíz unitaria
de una estacionaria cuando había cambio estructural. En consecuencia, como estos test
estaban sesgados hacia el no rechazo de la hipótesis nula de raíz unitaria, a menudo se
rechazaba incorrectamente la hipótesis alternativa de estacionariedad. Perron encontró, por
ejemplo, que las series de agregados macroeconómicos y financieros utilizados por Nelson y
Plosser (1982) eran en su mayoría estacionarias con cambio estructural, en oposición a lo que
los citados autores señalaban. Siguiendo esta línea, Zivot y Andrews (1992} elaborarán un test
en la que la fecha del punto de quiebre era determinada endógenamente.
Con esta finalidad se desarrollo un programa preparado para E-Views, correspondiente al test
de Z&A, realizado de manera secuencial, esto último se refiere a que el programa evalúa la
posible presencia de quiebre estructural en cada observación de la serie analizada (genera
variables Dummy a partir de la 75ava observación y termina en la observación N-75).
60
40
20
1-- SERIE3
A simple vista uno podría decir que la serie presenta 3 quiebres en su tendencia, alrededor de
la observación 160, 230 y 320 respectivamente. Con esta apreciación, utilizamos nuestro
programa
Paso previo: Dado que el programa genera dummies continuamente, tanto para quiebres en
media como para quiebres en tendencia, es imprescindible que la serie se encuentre en
formato UNDATED.
.
1
Colocamos el nombre de la serie en el reglón que indica:
Dado que nuestra serie tiene 500 observaciones, el programa ha generado 350 variables
dummy para quiebre en media (desde DUM75 hasta DUM425) y otras 350 para quiebre en
tendencia (desde DUT75 hasta OUT425)
102
econometría con Eviews · Gustavo Trujillo Calagua
• 1
1
Gráfica 11 .4
j-F-FT-FMj
\ La línea roja (FT} muestra el resultado del test F aplicado secuencialmente/para posiblés
1
' quiebres en tendencia, la línea verde (FM), muestra el mismo test, pero para posibles quiebres
¡ en media, la línea azul (F) es el test F, para ambos casos.
Como se puede aprecia, es la línea roja la que alcanza valores más altos, por lo que podemos
concluir que existe evidencia de un POSIBLE quiebre en tendencia, o dicho de otra forma, si
existe quiebre en la serie (y no rafz unitaria), este serfa quiebre en Tendencia, y estaría
alrededor de la observación 125.
Gráfica 11.5
.'1
1
- · ZIVOTM - VCRITM
103
r Econometría con Evlews Gustavo Trujlllo Calagua "
Vemos en este gráfico del Test Z&A para quiebre en media, que la lfnea asociada al resultado
del test aplicado secuencialmente, no cruza el valor crítico. Como concluimos inicialmente, si es
que había quiebre, este sería en Tendencia. Lo mismo ocurre para el caso del Test Z&A
aplicado para ambos casos, como se muestra en el siguiente gráfico:
Gráfica 11.6
1- ZIVOT - VCRIT 1
Veamos el gráfico del test Z&A para el caso que nos interesa: la posible exlstenci~ de quiebre r
en tendencia:
Gráfica 11 .7
-1.5.....-------------------.
-2.0
-2.5
-3.0
-3.5
-4.0
1- ZIVOTT - VCRITTI
Vemos aquí que la línea azul no cruza el valor crítico, por lo que no existe quiebre en
tendencia. Por lo tanto el comportamiento errático de la serie, se debería a la presencia de l
Raíz Unitaria.
104
...
Econometría con Eviews Gustavo Trujillo Calagua
100
80
60
40
20
o
·20
50 100 150 200 300 350 400 450 500
1-- SERIES
1- F- FT - FMI
Concluimos que podrfa existir un quiebre en media, alrededor de la observación 350, y ello lo
contrastaremos con el gráfico del Test Z&A para quiebre en media.
105
'
...
,.
Econometría con Eviews Gustavo Trujillo Calagua
-4
-5
1- ZIVOTM - VCRITMI
Gráfica 11.11
·2.0 . . - - - - - - - - - - - - - - - - - . ·2..-----------------.,
-2 .S
·3.0
·3.5
""'·º
200 250 350
1- ZIVOT - VCRIT 1
106
..
-..
Econometría con Eviews Gustavo Trujillo Calagua
Inicialmente habríamos dicho que la serie tiene rafz unitaria, sin embargo. Ahora podemos
Goncluir, que eso no necesariamente es así, pues esa conclusión está alterada por la presencia
de un quiebre en la observación 353. Por lo tanto pasaremos a corregir la serie y luego de eso
aplicar el test DFA, para ver si realmente existe raíz unitaria
Corrección.-
Si queremos que desaparezca dum353, lo que tenemos que hacer es generar una nueva serie
denominada Nuevaserie5, que será:
Era obvio que Dum353 iba a resultar significativa. De esto, nos interesa el coeficiente asociado
a la dummy, y es: 47.94697. Entonces generamos la siguiente serie:
107
..•
,.
Econometrfa con Evlews Gustavo Trujillo Calagua
Gráfica 11.12
1- NUEVASERIESl
{
Sin embargo, es conveniente juntar ambos gráficos para ver el efecto de la corrección
realizada:
Gráfica 11.13
.--~~~~~~~~~~~~~~~~~~~~~~~~~~
120--~~~~~~~~~~~~~~~~~~~~--.
100
80
60
40
20
1- · NUEVASERIES - SERIES
108
¡.
Econometrra con Eviews Gustavo Trujillo Calagua
Gráfica 11.5
-4.5~----------------.
-5.0
-5.5
-6.5
1- ZIVOTM -· - VCAITMI
.'I
t
109
Econometrfa con Eviews Gustavo Trujillo Calagua
Suponemos dos variables económicas como Consumo y Renta Disponible, entre las que
creemos que existe una relación de equilibrio estable a largo plazo. Cabe esperar que, bajo tal
supuesto, los residuos de la regresión que explican el gasto en Consumo de las familias
mediante su Renta Disponible sean estacionarios, a pesar de que ninguna de las dos variables
del modelo lo sean. Ello seria debido a que su evolución temporal es, en gran medida, común.
Esta es la idea de Cointegración.
Se tendrá que "testear" la significancia de las raíces características "eigen valud' distintas de
cero entre las variables incluidas.
La importancia de un modelo que cointegra es que el vector de cointegración describe la
relación de largo plazo de las variables, por cuanto un residuo estacionario nos asegura que las
variables no pueden diferir sistemáticamente entre sf en el largo plazo.
..~
Estadísticamente se tiene:
H0 = Si 1 > Valor critico l> No existe un vector de cointegración (Existencia de una rafz unitaria
en los residuos).H1 =Si 1<Valor critico l> Existe un vector de cointegración (No existe una raíz
unitaria en los residuos).
Nota.
l= Ratio de verosimilitud
La prueba se contrasta al 5% de su valor critico.
CoJnlegrat1on Test
Vamos analizar si las variables que determinan la función de demanda por dinero en el Perú /
tienden al equilibrio en el largo plazo, dicho de otra manera, si existe entre ellas un vector de
cointegración que determine su comportami~nto temporal de largo plazo. Para ello el Eviews
nos pedirá el nombre de las series sobre la cual se va a desarrollar el test:
110
....
Econometría con Eviews Gustavo Trujillo Calagua
Figura 12.2
Series li~t· · ·· · · . El
.
1
1
1 El resultado final será:
l¡
,.
1
¡
ll
1
111
Econometrla con Eviews Gustavo Trujillo Calagua
Se muestran los dos test aplicados. En el primero, al 95%, podrían aceptarse cinco ecuaciones
de cointegración. En el segundo, también podrían aceptarse cinco ecuaciones de
cointegración. La conclusión sobre las posibles relaciones de cointegración en la función de .
demanda por dinero, ofrece resultados semejantes, por lo que la prueba ha rechazado la
hipótesis nula ( H0 ) de no Cointegración entre las variables, de acuerdo a la prueba del ratio de
verosimilitud (likelihood ratio) se verificaría la presencia de 1 vector de cointegración ello indica
que al efectuarse una combinación lineal entre las mismas, existiría la presencia de residuos
con un comportamiento de ruido blanco. Un "ruido blanco" se caracteriza porque es /1
estacionario en media y varianza, asimismo, los errores no están autocorrelacionados. Esto
último esta referido al hecho que no se acepta la significatividad individual de ningún
coeficiente de autocorrelación muestra!, es decir existe independencia entre las perturbaciones
aleatorias. Por otro lado, esta prueba asegura la existencia de una función de demanda por
dinero real de largo plazo con parámetros estables, requisito indispensable para el uso de los
agregados monetarios en la conducción de la política económica.
112
• 1
Para ilustrar mejor esto, analicemos la función de Demanda por Dinero según Baumol-Tobin
para el Perú, entre enero de 1985 y mayo del 2003, la ecuación viene medida en logaritmos y
en sus primeras diferencias. La ecuación a estimar es:
Gráfica 13.1
1.2------------------------------------.. . .
1.0
0.8
0.6
0.4
0.2
o.o ,,
,'
,,,,
·0.2
86 88 90 92 94 96 98 00
113
...
Econometría con Eviews Gustavo Trujlllo Calagua
Figura 13.1
t~i2frrl!fiilí0?•81 füllf1"!t@Ah.'}fllllllllJJlf1:3)_~íSCI
1~~IP10Slcib¡ecl$l~ ·PiiñífName l F.reézel3 raii$forñil ECi'iíf1.; f~pmi;hnsoei]rrrañseo°7é-l:J1Té
if ... ~ótis .'; . ;óbs ~~ 1=. DUMMY'I D0MMY2~ ~ 1>DUMMY3 {;' ,.¡ . " "~
' 1990:02 .. 1990:02 1.000000 0.000000 0.000000 ?;?I
~~.1199U:03J- 1990:03 1.000000 0.000000 0.000000
1r~1990:0~~: 1990:04 1.000000 0.000000 0.000000
¡~ .199Q!05.. ll 1990:05
1 1.000000 0.000000 0.000000
+ - - -::.t
1. ~t9"9o;o:s~- 1990:06 1.000000 0.000000 0.000000
l!'l:l99Cf:Dn 1990:07
IV. .1199o;oa ~: 1990:08
1.000000
1.000000
0.000000
0.000000
1.000000
0.000000
...
.!
......,,......,.,-;,,-""""""'1--~~--!f--~~---~+-~--....;;..:;~+-_;;.,;_:;..¡._~:...--i-~~ /.-
1~;~199·0:09~:: 1990:09 0.000000 1.000000 0.000000 1
lrri1990~10;lij 1990:10
1 ·1~90::f1 .:: 1990:11
0.000000 .
0.000000
1.000000
1.000000
0.000000
0.000000
...
,,
"!
114
\ .
..,
~
Gráfica 13.2
1.2.....-~~~~~~~~~~~~~~~~~~~--,
91 92 93 94 95 96 97 98 99 00
Con este ejemplo hemos resumido los dos principales usos que tienen este tipo de variables: el
análisis de cambios estructurales y el análisis de efectos estacionales.
..
'
115
·,
..
~
El ajuste estacional de una serie implica descargar a la variable bajo análisis de los efectos de
carácter estacional que pudiera estar afectando la trayectoria temporal de su comportamiento
histórico. Este método es útil cuando se trabaja con modelos del tipo "Serles de tiempo" , ya
que en muchas ocasiones las variables económicas están sujetas a comportamientos
estacionales, más aun en economras tan vulnerables como la Peruana, donde la presencia de
factores climatológicos es muy frecuente.
Para realizar el ajuste estacional de una serie, haga clic en Procs/Seasonal adjustment de la
barra de herramientas de la serie:
~easonalAdjustment ._
,,,
Usted deberá proporcionar el nombre de la serie a evaluar, Eviews le propondrá un nombre
agregando SA al nombre de la serie original, pero se puede cambiar si uno así lo desea. El
cuadro de diálogo muestra los 4 tipos de ajuste disponibles tos cuales son corridos por medio
de programas incorporados en el Eviews, la salida de los mismos son reportados en una
ventana de diálogo en formato .doc. El método X11 (Historical) tienen muchas opciones, las
más importantes de las cuales son para datos trimestrales y mensuales; mientras que el
método Census X12 permite fijar ajustes para días laborables y festivos, los cuales son fijados
en el diálogo de ajuste estacional.
Además del Census X12 y X11 (Historical), Eviews tiene otros dos procedimientos para ajuste
estacional: Tramo/Seats y la razón de promedio móvil. Estos procedimientos son útiles cuando
la información está disponible en frecuencias mensuales y/o trimestrales, requiere de 4 años
completos de información. Las opciones multiplicativas deberán ser usadas siempre y cuando
las series sean positivas.
Para ajustar estacionalmente (desestacionalizar) una serie tal como el Stock de dinero real del
sistema financiero por el método X11 (Historical) ejecutaríamos:
Figura 14.2
--,Q'.eñerate by Equation..
'" ~sample,.. · "·
~easona!Ad¡ustment ._
¡ ' f.1<ponential Siñoolhirig... '·
Hodrick·Prescott f tlfer...
.
hf- oviog- Average'M"etnods..,
... .
Y se mostrara una ventana de diálogo con el método que el Eviews va ejecutar y el nombre de
la serie a desestacionalizar:
116
r
.
' ...
Econometría con Eviews Gustavo Trujillo Calagua
Figura 14.3
Figura 14.4
1.. l_~l~l~Fl~Ulllll~-IQ-tll~l§li>fl
~ MéWl-P.roesl-oE¡eéGM :PriñífN~ ·É;em1trflñstoñr
r óbs - :01NERE' •i "'l>INERESA"l g~
~
·"
: 1985':01 - 1.406782 1.416684 ~-1
! 1985:02 - 1.360699 1.401903 .=I
t
1986:03
........ _. --
1986:04
2.612259
~~,....,n.,l""W"'">
..._
._
2.583332
....
..,,,.,.~~-.
mm
¡1 Donde se muestra ta serie original (DINERE) y la serie desestacionalizada (DINERESA). En
'·
formato .doc, aparecerá en otra ventana de diálogo, los algoritmos empleados para el cálculo
de los coeficientes de ajuste También podría ser útil hacer un gráfico para visualizar el
comportamiento temporal para las dos variables.
!'
117
\
..
'
Figura 15.1
r "' .lie'ler~ié'.by Equá~~--
1• 'Besá'mple:,,
.~eá~~l .Alp.J!tment ~
f.xponentral Srnoothiñg .. ,
Single: apropiada para una serie que se mueve aleatoriamente arriba y debajo de una media
constante, no tiene tendencia y no tiene patrón estacional. Se mostrará un coeficiente de
amortiguamiento (Coef_Amort) en la salida del método, que deberá minimizar la suma al
cuadrado de los errores de predicción. Si el valor del Coef_Amort es muy grande, será señal de
que la serie esta cerca de un paseo aleatorio, en cuyo caso la mejor predicción da alto peso al
valor más reciente, y poco a poco a un promedio de mayor plazo.
Double: Apropiada si la serie tiene una tendencia. La serie extrapolada tiene una tasa de
crecimiento constante, igual al crecimiento de la serie suavizada al final del período de la
información.
Holt-Wlnters-No seasonal: Se predice con un modelo lineal explícito con efectos estacionales.
El método calcula estimadores recursivos del intercepto, el coeficiente de tendencia y los
efectos estacionales. Se mostraran dos parámetros de amortiguamiento.
118
..·, .
.
. ..
Econometría con Eviews Gustavo Trujillo Calagua
Holt-Wlnters-Multlpficatlve: Si la serie tiene efectos estacionales que crecen con las series.
Nuevamente existen tres parámetros de amortiguamiento.
Para ilustrar este tema trabajaremos con la serie Stock de dinero real que se muestra a
continuación:
Gráfica 15.1
3.2...-~~~~~~~~~~~~~~~~~--.
2.8
2.4
2.0
1.6
1.2
o.a
0.4
86 88 90 92 94 96 98 00
1-DINEREj
.-"
Se puede observar claramente que esta serie presenta tres comportamientos estacionales: un '
primer tramo creciente (concordante con las políticas monetarias expansivas ensayadas bajo la
experiencia heterodoxa del período 1985·1990), un segundo tramo decreciente (concordante
con la aplicación de políticas neoliberales del régimen 1990·2000) y finalmente un tercer tramo
recesivo (concordante con la etapa de recesión y enfriamiento que presenta la economía hasta
el tercer trimestre del año 2003). Aquí se podría aplicar el método Holt-Wfnters-No seasonal,
ya que la serie presenta las características propias para la aplicación de la metodología. Los
coeficientes de amortiguamiento son:
Alpha =
0.9400 y Beta =
0.1000, se observa que estos parámetros minimizan la suma al
cuadrado de los errores de predicción. (RMSE 0.120579). =
119
..•
Econometría con Eviews Gustavo Trujillo Calagua '
F~ura__1~.4_
l!fttl'9'!1P.i!to:W
~i---- ..'I
~~~..,...+----""~-._..;...:.~+-~~
,
t
120
..
\
•
Econometrfa con Eviews Gustavo Trujillo Calagua
La metodología VAR es, en cierta forma ,una respuesta a la imposición de restricciones a priori
que caracteriza a los modelos econométricos convencionales: en un sistema de ecuaciones
simultáneas se requiere imponer restricciones sobre tos parámetros de las mismas para ·
garantizar la identificación y posible estimación de las ecuaciones que lo conforman. Para ello,
además, es indispensable diferenciar entre las variables endógenas y las predeterminadas, es
decir, aquellas cuyos valores no son determinados por el modelo en el período actual. Estas
últimas pueden ser exógenas o endógenas rezagadas.
Donde Y1 é Yt.1 son vectores de orden m1 (mes el número de rezagos del sistema) y I]¡ es la
matriz (cuadrada de orden m) de coeficientes del rezago I de las variables explicativas eA las
m ecuaciones. De esta forma, se puede observar que deberán estimarse tantas matrices I11
como rezagos se Incluyan en el sistema. _..,
El modelo de Autorregresión Vectorial con dos rezagos para cada una de las 6 variables
endógenas e incluyendo la constante, considerando el sistema en términos lineales (el sistema
también puede escribirse en términos del operador de retardos L), a fin de tener una expresión
convergente para las variables endógenas en términos de las innovaciones ( ~1 • ~. ~. ~. l;s, y
l;s) para el ejemplo del sistema propuesto por Aghlevi & Khan seria:
Y, =A Y
11•1 + ......... +Ap Y1.p + ;,
1
Y11 =a· [(1-cx,,,,L)l;11 + a1nl~1+ ..... <Xr.nli;...J
t t
~ ? 2 ?
LNP,:a1+
)* I
¡l¡LNP,.¡+
] el
~¡LDEF,.¡+ L
J• I
4P¡LEPR1-l• t
j =I
+ ~11
173
\ ~
Los coeficientes estimados de un VAR son difíciles de interpretar. Por causa de esto es muy
probable observar en la. función de impulso-respuesta y de descomposición de la varianza del
sistema, ciertas implicaciones acerca del VAR .
FIGURA 18.1
...
,..Jype of ol:ijeet-.,.......-. Ñ~me fo! óbje~
IAghlevi
1
Equalion
• Graph
Group
Logl
MalriK·Veclor·Coef
Model
f
1
Pool
Sample
1 Series
Sspace
System
Table
Text
A continuación aparecerá una ventana de dialogo donde se nos preguntara. por la lista de
variables endógenas, exógenas y si el modelo incluye o no el intercepto: '
FIGURA 18.2
174
... ~
r!
FIGURA 18.3
~llEVicws - [Var: AGHLEVI \rloikf1le: TESISI .. • . : ·~ ~~··:· ¡.-;,.·~'l l!!!I~~
LNP LG u LEP
Se aprecia en el reporte el coeficiente de la propia variable rezagada tiene una media inicial ge 1, y todos
los demás tienen una media inicial de O, con la varianza de la variable a priori disminuyendo a medida que 1
aumenta la longitud del rezago, es decir, cada vez es mayor la certeza de que el coeficiente es cero. Con
la segunda ecuación, los valores infciales son similares. El coeficiente de la variable endógena tendrá un
valor inicial con media de 1. Para todos los demás coeficienles, dicho valor inicial será de O y los valores
iniciales de los coeficientes rezagados se concentrarás más en tomo a cero.
FIGURA 18.4
¡ :;"~ =~-
: : : : =·=·==__=__=___ =--;~-: =;-,_:!. =:1_.lf~·"'l!lii!.~JIEP~jL~..:~
==
_ __ ,.
175
...
Econometría con Eviews Gustavo Trujillo Calagua
Técnicamente tos errores son ortogonalizados por una descomposición Choleski, así la matriz
de covarianza resultante es triangular inferior (los elementos por encima de la diagonal principal
son cero). La descomposición Choleski es extensamente usada, es un método un poco
arbitrario de atribución de efectos comunes. Cambiando el orden de las ecuaciones, se puede
cambiar dramáticamente las funciones impulso-respuesta, hay que tener cuidado con las
interpretaciones de estas funciones.
Para generar la función impulso-respuesta entre el logaritmo del nivel de precios y el logaritmo
de los gasto de gobierno central en el Eviews, tenemos que hacer clic en el icono Impulse de
la barra de herramientas de la estimación VAR y aparecerá la siguiente ventana de dialogo
donde le indicaremos al Eviews la selección del efecto que deseamos analizar:
176
Econometría con Eviews Gustavo Trujillo Calagua
..
El periodo de pronóstico elegido para visualizar y analizar como responde el logaritmo del
gasto de gobierno ante un shock aleatorio del logaritmo del nivel de precios, es de 1o períodos:
GRAFICO 18.1
.·.·
,,,,,------· ...................... .
,"'' -. . .. -...
..............
................. ...........
2 3 4 5 6 7 8 9 10
Un shock aleatorio en el nivel de precios tiene un impacto positivo sobre los gastos del
gobierno en los tres primeros períodos, para después tener un efecto decreciente a partir del 4º
período para luego ir acentuándose en su senda convergente. El gasto fiscal por su parte no
tiene efectos inflacionarios importantes, dado que éste ya no esta financiado por emisión
primaria. Finalmente, la evolución del gasto no parece tener mayor impacto sobre la inflación.
•'
177
.."
Econometría con Eviews Gustavo Trujillo Calagua
..
1
Seguidamente aparecerá una ventana de dialogo donde le indicaremos al Eviews por nuestra
opción deseada:
FIGURA 18.7
Con esto le estamos indicando al Eviews que nos muestre la descomposición de la varianza del
logaritmo del nivel de precios sobre las variables: logaritmo del nivel de precios, logaritmo de
los gastos de gobierno, logaritmo de los ingresos del tesoro público y logaritmo de la emisión
primaria. Así mismo, el método elegido es el de la descomposición de Cholesky:
178
.. .
\
• ?
~\,u11ometr1a con Evtews Gustavo Trujillo Calagua
FIGURA 18.8
~• l V1cw1 . (Vm AGlfl f.V l Wo1kl1h: Tl S IS) i "·' . M~EJ
o P~ ::O~.........
f·-- \imi:toCumetiC
- .....- .... -·--_«!!"l!loB
.. _ ...E! ·-~llWF-"t""·
•!!._C!!"le -
. t. .. ~- ~-
Obsérvese que todos los efectos presentados para las funciones impulso-respuesta y
descomposición de la varianza son muy persistentes y significativos, como muestran las
desviaciones típicas que los acompañan. Estas desviaciones fueron calculadas mediante un
ejercicio de Montecarlo (bajo el supuesto que los errores tienen una distribución normal)
utilizando la distribución a posteriori del operador autorregresivo. El método de Montecarlo es la
única vra practicable para este cálculo dada la relación no lineal que existe entre las
representaciones autorregresiva y de medias móviles.
Con esta finalidad Granger elaboro un test para analizar si X causa a Y o si Y causa a X. La
técnica de Granger a la pregunta si X causa a Y, es para ver cuanto del actual Y puede ser
••
explicado por los valores pasados de Y, y luego para ver si agregando valores residuales de X
puede mejorar la explicación de Y. Se dice que Y es causado en el sentido de Granger por X, si
179
Econometrfa con Eviews Gustavo Trujillo Calagua
,
X ayuda a la predicción de Y, o dicho de otra manera, si los coeficientes residuales de X son
estadísticamente significativos.
Que sigue una distribución F con m y ( n - k ) grados de libertad, donde m es igual al número
de rezagos y k es el número de parámetros estimados en la ecuación no restringida. Si el valor
F calculado excede al valor F crítico al nivel seleccionado de confianza, se rechaza la hipótesis
nula, en cuyo caso los términos rezagados de M pertenecen a la regresión. En una relación tal
como Y= f ( X ), si rechazamos la hipótesis nula se infiere que Y causa a X.
Para ilustrar el tema, consideremos dos series: el stock de dinero real de la economía
(DINERE) y el nivel de ingreso real { PBIRE} y planeamos la relación DIN ERE = f ( PBIRE ).
Queremos saber hacia donde va la dirección de las series: ¿es el PBIRE quien causa a
DINERE, o ¿es OINERE quien causa al PBIRE? Los pasos comprendidos para la
implementación de la prueba de Granger son los siguientes:
FIGURA 18.10
Senes L1st -- ··· · ~
Ingresada las series, nos pedirá por el número de rezagos a incluir en la prueba. El número de
rezagos para este ensayo será dos (2):
180
•.
..
/
/
'•
Econometría con Eviews Gustavo Trujillo Calagua
FIGURA 18.11
j
' Pairwise Granger Causality Tests
Date: 06/1011)3 Time: 16;08
Sample: 1985:01 2001 :06
Lags: 2
Se observa para ambos casos que la prueba que no ha rechazado la hipótesis nula, lo cual
parece un resultado extraño, ya que se espera que PBIRE cause a DINERE, tal como lo
postula la teoría Keynesiana de la Demanda de dinero. Veamos el resultado luego de la
incorporación de 12 rezagos:
FIGURA 18.13
B e- D
_1 Pairwise Granger Causality Tests
2 Date: 06/1011)3 Time: 16:33
3-. Sample: 1985:01 2001 :06
Lags: 12
,___..;;....;........;.¡ PBIRE does not Granger Cause DINERE 186... 1.36796 0.25711
,,...._...__--1 DINERE does not Granger Cause PBIRE 4.61152 0.00436 ~
.±1:.:
.~ --= é:\misdoéimere~I@
.* . !L !Jffaíh ~- • - - ·-· - -· = nooe llW!:
~~
. ,_=·iesis-ÍnáeitiW'
.- ----~~
181
..
' ~
Nótese que la debilidad de esta prueba, es que es demasiado sensible a la elección del
número de rezago, además, observe que otra debilidad de esta prueba es que una tercera
variable Z podrfa estar causando Y pero podrla también estar correlacionada
contemporáneamente con X. Una forma de ocuparse de esta posibilidad es ejecutar
regresiones en las que los valores rezagados de Z también aparezcan en el lado derecho de la
prueba. Hay otra prueba de causalidad, conocida como la Causalidad e Sims, que evita estas
restricciones, pero que no esta disponible como comando interno del Eviews.
..
-·
<'
182
..
Econometría con Eviews Gustavo Trujillo Calagua
Los modelos autorregresivos, en los que la permanencia del efecto se recoge mediante la
incorporación, como variable exógena, de la variable endógena rezagada en algún período:
Los modelos de retardos distribuidos, en los que las variables exógenas son las que ejercen un
efecto prolongado en el tiempo sobre la variable endógena. De esta manera, si consideramos
un modelo con una sola variable exógena, podríamos tener la siguiente especificación:
Estos modelos suponen una violación en uno de los supuestos clásicos de los MCO: los
regresares no son aleatorios, ya que ta variable endógena retardada depende de la
perturbación aleatoria y, por tanto, tiene un carácter estocástico. Los resultados de una
estimación MCO de un modelo de retardos distribuidos están condicionados al tipo de
dependencia que exista entre los · regresares estocásticos y las perturbaciones. Pueden
generarse tres situaciones: .•
183
l '
~
Donde:
"'":--·1_
.·
Se observa que la serie LTC(-1 ) es la variable exógena que más correlación presenta con la
variable LNP(•1), por lo que será utilizada como regresar instrumental en la estimación MCO. El
procedimiento econométrico es:
Figura 19.2
[ quallon Specification ' · - · . . ~
. - .
r. ~quatiOf!sPOclficaoo~_,,,:--~,.........._----:-~-===~-...,.---:<:=:---:::::-:=.::"==i
Qeperideñl ariab1e fohowéH by lí$l of regr~Ols incltdng ARMA
añ'a PDL le1rqs, DA an elcpficit ·equali6n like Y":=c[1 }té[2]~
Jnp e Jpbi kc lep Jepr(-1) Jnp(·l]
ESlination~eUi9g..--·--------.-----........----.~.-::-r:~~,,....,.~
,Meítioi:I: JTSLS · Two·Stage least Squares (TSNLS andAAMAl:]
. !ample: J1 sas:1 2ooó:::t ~ .. , ...
.. ~- -
La opción para que se muestre esta ventana, es haciendo click en Estimatlon
settlngs/Method!TSLS.
184
..·, -
..
. .,'
Econometría con Eviews Gustavo Trujillo Calagua
-squared
djusted R-squared
0.999164
0.999088
Mean dependent var
S.D. dependen! var
3.578877
5.456415 ..
.E. of regression 0.164760 Sum squared resid 1.493026
-statistic 13150.07 Durbin-Watson stat 2.047659
0.000000
. ~
______ .Jl~J!i.=..c:\misAocum~~~ 1(@..[::]2r1~ll~ ~ ~~-~-
I@
Por lo que concluimos que la ecuación estimada no presenta un proceso autorregresivo de >.
primer orden, o dicho de otra forma, si existiese autocorrelación, su presencia no es '
significativa en el modelo estimado.
185
Econometría con Eviews Gustavo Trujillo Calagua
En este tipo de modelos, las variables exógenas ejercen un efecto prolongado en el tiempo
sobre la variable endógena. La especificación mas comúnmente utilizada es:
LEP1 = a+ f3*LDEF1 + E
El resultado para cada uno de los modelos estimados se muestran en la tabla adjunta, donde
=
(M) es el número de retardos, ( T* T - M ) es el total de observaciones, (AIC) e~ el criterio de
información de Akaike, y (SBC) es el criterio bayesiano de Schwarz: r
.
FI1gura 19 5
M p Coef. de determinación ajustado AIC SBC
o 62 0.9126160 3.606649 3.675267
1 61 0.9398290 3.196863 3.300677
2 60 0.9486730 2.997299 3.136922
3 59 0.9549990 2.832821 3.008884
4 58 0.9599160 2.685273 2.898422
5 57 0.9660460 2.485962 2.736863
6 56 0.9665800 2.430496 2.719832
7 55 0.9682240 2.333230 2.661703
8 54 0.9688100 2.259127 2.627457
9 53 0.9666730 2.258648 2 .667577
10 52 0.9629360 2.287419 2.737706
Los resultados de la tabla nos lleva a seleccionar el modelo que incluye ocho retardos en la
variable Déficit Fiscal, ya que presenta el mayor coeficiente de determinación ajustado y los
menores valores para los coeficientes AIC y SBS. El resultado de la estimación completa se
muestra a continuación:
186
.
' tl
Figura 19.6
Dependent Variable: LEP
Method: Least Squares
Date: 06/21/03 Time: 19:29
Sample(adjusted): 1987:1 2000:2
lncluded observations: 54 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
e 3.077475 0.158620 19.40159 0.0000
LDEF 0.281343 0.078728 3.573610 0.0009
LDEFH) 0.177421 0.090447 1.961608 0.0562
LDEF(-2) 0.055265 0.089760 0.615698 0.5413
LDEF(-3) 0.133876 0.079920 1.675126 0.1010
LDEF(-4) 0.062880 0.075666 0.831014 0.4105
LDEF(-5) 0.062423 0.076613 0.814783 0.4196
LDEF(-6) -0.056896 0.089327 -0.636942 0.5275
LDEF(-7) 0.054453 0.091252 0.596736 0.5537
LOEF(-8) 0.181083 0.075754 2.390399 0.0212
R-squared 0.974106 Mean dependent var 5.570779
Adjusted R-squared 0.968810 S.D. dependent var 3.902668
S.E. of regression 0.689242 Akaike info criterion 2.259127
Sum squared resid 20.90238 Schwarz criterion 2.627457
Log likelihood -50.99642 F-statistic 183.9161
Durbin-Watson stat 0.231195 Prob(F-statistic) 0.000000
f
.•
187.
'.
Figura 19.7
18.8
.,
1
Figura 19.8
Oependent Variable: LEP
Method: Least Squares
Date: 00121/03 Time: 20:29
Sample(adjusted): 1987:1 2000:2
lncluded observations: 54 alter adjusting endpoints
1
1 1
l 1
1 189
..
e
Figura 19.9
Dependent Variable: LEP
Method: Least Squares
Date: 06f21Al3 Time: 20:37
Sample(adjusted): 1987:2 2000:2
lncluded observations: 53 after adjusting endpoints
Convergence achieved after 7 iterations
Los resultados de esta última especificación muestran que en el periodo corriente el efecto del
déficit fiscal sobre la emisión primaria es positivo y muy significativo (0.11832). El efecto total
(Sum of lags) del déficit fiscal sobre la emisión primaria es de 0.51471. Los resultados
muestran que el déficit fiscal estimula significativamente la emisión primaria los 4 primeros ·
períodos, para luego tener un efecto que se disipa conforme aumenta el retardo.
190
Econometría con Eviews Gustavo Trujillo Calagua " !;;
Estos modelos postulan que el efecto de la variable exógena sobre la endógena nunca se
agota, y por ello se extiende durante infinitos períodos .
..
Y1= a+¿ Pi*X1.1+E1
i =O
El esquema más utilizado es el modelo de Koyck, en el que se asume que los parámetros
decaen de manera geométrica o, dicho de otro modo, que el efecto de la variable exógena
dacae exponencialmente a medida que nos alejamos en el tiempo.
,O<A < 1
Partimos de un modelo que analiza la relación déficit fiscal-producto bruto interno,.·para tratar '
de explicar este tópico: LDEF1 = f (LPBl1o LDEF1• 1) , los resultados de la estimación se muestran
en la tabla adjunta:
Figura 19.1 O
Dependent Variable: LDEF
Method: Least Squares
Date: 06/22/03 Time: 12:42
Sample(adjusted)¡ 1988:2 2003:2
lncluded observations: 61 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
e 0.423001 0.249667 1.694579 0.0955
LPBI -0.010560 0.281601 -0.037499 0.9702
LDEFH) 0.910664 0.046062 19.77051 0.0000
R-squared 0.888148 Mean dependent var 2.049649
Adjusted R-squared 0.884291 S.D. dependent var 5.025121
S.E. of regression 1.709346 Akaike info criterion 3.958028
Sum squared resid 169.4680 Schwarz criterion 4.061842
Log likelihood -117.7199 F-statistic 230.2713
Durbin-Watson stat 3.036560 Prob(F-statistic) 0.000000
191
Econometrfa con Eviews Gustavo Trujillo Calagu~
Figura 19.11
Dependent Variable: LDEF
Method: Two-Stage Least Squares
Date: 06/22/03 Time: 12:49
Sample(adjusted): 1988:2 2003:2
lncluded observations: 61 after adjusting endpoints
lnstrument list: LPBI LPBI( -1)
Variable Coefficient Std. Error t-Statistlc Prob.
e 2.598502 32.91567 0.078944 0.9373
LPBI 7.116461 107.6360 0.066116 0.9475
LDEF(-1) -2.074258 45.07025 -0.046023 0.9635
R-squared -7.210283 Mean dependent var 2.049649
Adjusted R-squared -7.493396 S.D.dependentvar 5.025121
S.E. of regression 14.64493 Sum squared resid 12439.49
F-statistic 0.475629 Durbin-Watson stat 0.086992
Prob (F-statistic) 0.623897
La presencia de autocorrelación en este modelo hace que los estimadores por variables
instrumentales conserven la consistencia, pero son ineficientes. De hecho si incorporarfamos
información sobre la estructura de la autocorrelación podría alcanzarse la eficiencia. t
Una cuestión importante para lograr este procedimiento es la elección de los instrumentos. ,Se
requiere introducir las variables exógenas, los instrumentos seleccionados para las variables
endógenas que actúan como explicativas y los retardos de todas las variables del modelo,
incluida la variable endógena.
Así por ejemplo, en nuestro modelo si incorporamos un esquema AR(1) para las perturbaciones
del modelo, los instrumentos utilizados deberfan ser LPBI, LPBl(-1), LDEF(-1) y LEDF(-2):
Figura 19.12
Dependent Variable: LDEF
Method: Two-Stage least Squares
Date: 06/22/03 Time: 12:58
Sample(adjusted): 1988:3 2003:2
lncluded observations: 60 after adjusting endpoints
Convergence achieved after 5 iterations
lnstrument list: LPBI LPBl(-1) LDEF(-1) LDEF(-2)
Variable Coefficient Std. Error t-Statistic Prob.
e o.406832 0.136406 2.982501 0.0042
LPBI -0.115220 0.156485 -0.736299 0.4646
LDEF(-1) 0.951517 0.026175 36.35189 0.0000
AR(1) -0.564560 0.110723 -5.098834 0.0000
R-squared 0.915785 Mean dependent var 2.243743
Adjusted R-squared 0.911274 S.D.dependentvar 4.831445
S.E. of regression 1.439141 Sum squared resid 115.9831
F-statistic 202.9887 Durbin-Watson stat 2.098023
Prob(F-statistic) 0.000000 .>t
r
lnverted AR Roots -.56
192
'.
..,,.
;
-
t:conometrfa con Eviews Gustavo Trujillo Calagua
El modelo finalmente estimado permite concluir que el efecto a corto plazo del producto bruto
interno sobre el déficit fiscal .es igual a -0.115220. Esto significa que si aumenta el PBI en 1%
un período, el déficit fiscal se reduce en 0.115220%.
Asf mismo, esa unidad adicional en el PBI genera efectos sobre los períodos siguientes, de
modo que a largo plazo el efecto del PBI sobre el déficit fiscal es de -2.38. La obtención de este
efecto de largo plazo ha sido: [-0.115220/(1 -0.951517)].
..
v, =a+ /32:_ 1..! ·x,.,+e,
l• O
..
..
I' LDEF, =0.406832 + L (-0.115220*0.951517;*LPBl 1•1}
i•O
JI
,,11
,.. =
LDEF, 0.406832- 0.115220*LPBI, - 0.109634*LPBl1• 1 - 0.104319*LPEU,.2 - 0.099261*LPBl 1•3
- 0.094448*LPB1i-4 - 0.089869*LPBl 1.s • .... .... ... ... .............. .
11
r¡
En este modelo· el efecto a corto plazo del PBI se cifra en -0.115220 y el efecto a largo plazo
será la suma de los infinitos retardos que pueden calcularse como la suma de los infinitos
lt términos de una progresión geométrica de razón de 0.951517 y primer elemento -0.11?220.
=
Así pues, el efecto de largo plazo será igual a: [-0.115220 I ( 1 - 0.951517) J -2.38.
.
Aquí el valor de }.. es igual a 0.951517 (que es el coeficiente de la variable endógená
retardada), se conoce como tasa de descenso, o de caída del rezago distribuido. Mientras 'A se
encuentre más cerca de 1, más lenta será la tasa de descenso en pk. mientras que, entre más
cerca esté de cero, más rápido será el descenso en f3ic. En el primer caso, los valores del
pasado distante de X1 ejercerán un impacto considerable en Y., mientras que ~n el último caso,
su influencia sobre Y, desaparecerá rápidamente. Y 1· 'A que es igual a 0.0"8483 se conoce
como la velocidad de ajuste. Si "A es igual a 1, el dato corriente es ignorado y las expectativas
no son revisadas nunca. Un valor de }.. igual a cero caracteriza un estricto pragmatismo.
Sí las variables vienen expresadas en logaritmos, la elasticidad de corto plazo es j3( 1 - "A ) y la
elasticidad de largo plazo es j3.
i
¡t
!f.
1f
r
1
11
:¡
1¡
¡,.
1~
¡1
1
11
1,
'
1
1
j:
1 1
1 1
193
, Econometría con Eviews Gustavo Trujillo Calagua
Los modelos ARCH están diseñados para modelar y predecir la varianza de una variable
endógena. Existen varias razones para inferir sobre los valores futuros de la volatilidad de
alguna variable. En primer lugar se puede necesitar tratar con la volatilidad para comprender el
grado de riesgo o incertidumbre de mantener un activo financiero o el valor de una opción. En
segundo lugar, predecir intervalos de confianza para obtener intervalos más exactos de la
varianza del error. En tercer lugar se puede obtener estimadores más eficientes si la
heterocedasticidad de los errores es manejada debidamente.
Al usar modelos ARCH, estamos reconociendo que existen dos problemas de especificación:
una para la media y otro para la varianza. ARCH reemplaza la heterocedasticidad condicional
autoregresiva y GARCH es la versión generalizada de AACH. El modelo más simple y
ampliamente usado es el GARCH ( 1, 1 ) que será descrit«? en detalle más adelante.
Un modelo GARCH(1 ,1) especifica que la varianza depende solamente de los valores pasados
de la variable endógena y que esta relación tiene tres términos simples. Los residuos están
definidos por:
2
CJ 1 = tiJ + Ct€2M + (.lpCJ2M ( 1)
Yt =X11t +Et
La varianza presente depende de tres factores: una constante (m ) , las expectativas
rezagadas un periodo acerca de la volatilidad la cual es tomada como el cuadrado de la
2
variable residual del período anterior (aE 1.1 . término ARCH) y la varianza de la predic;lón del
periodo anterior <l3a21.1 término GAACH ). El par ( 1, 1 ) de un GARCH representa a un térmÍflo
ARCH y un término GAROH.
Esta especificación tiene sentido cuando es aplicado a esquemas financieros y/o bursátiles,
donde un inversionistas predice la varianza presente formando un promedio ponderado de un
promedio de largo plazo o varianza constante, la predicción pasada Y1 fue conocido ayer. Si el
retorno del activo fue significativo, el inversionista aumentará el estimador de la varianza para
el siguiente período. La expresión generalizada para la varianza es:
2
G t = tiJ + CX€2 t-1 + ApCJ2t-1 + YZ t
Es aconsejable sin embargo, introducir variables en una forma donde ellas sean siempre
positivas de modo que la varianza no sea conducida negativamente por una pequeña cantidad
de valores negativos de las variables exógenas. Una variable predeterminada particularmente
interesante de incluir en este modelo es la varianza condicional (o desviación estándar
condicional ) :
v. =A.a2, + Xt1t + Et
2.1.2 Estfmaclón.-
EL modelo GARCH así como los otros modelos ARCH son estimados mediante máxima l
verosimilitud. Medidas tales como el R2 puede que resulten no muy significativos si no existen
regresores en el modelo de la media. Para estimar el modelo ARCH o GARCH, usted tefndrá
2 10
1
Econometría con Eviews Gustavo Trujillo Calagua ••
FIGURA 21.1
E qua1-ton spec1·r·1ca1·ion • .· r• •
· • · .· ··-:
;
· ·. ·-. · ·• ..··. ·.:
• . - : ~.
•· · ·.· • ·,,.-_ ·: · -.:.~ ·:~:: - .. ·,~ ;: 1·~ R'l".I ,
- • .• . . . "'' ~ ' - . ; --~·. '!•. , !>.'t,-.1 ~.
TABLA 21.1
Oependent Variable: TEF
Method: ML - ARCH (Marquardt)
Date: 07/11/03 Time: 20:10
Sample: 11/07/2000 11/07/2003
lnctuded observations: 784
Convergence achieved after 153 iterations
Variance backcast: ON
Coefficient Std. Error z-Statistic Prob.
e 32.59946 0.138010 236.2101 0.0000
Variance E9uation
e 0.422548 0.264159 1.599601 0 .1097
ARCH(1) 1.354039 0.586034 2 .310513 0.0209
GARCHPl -0.221108 0.432737 -0.510953 0.6094
R-squared -0.276693 Mean dependent var 34.83954
Adjusted R-squared -0.339481 S.D. dependentvar 4.291723
S.E. of regression
Sum squared resid
4 .967065
1504.976
Akaike info criterion
Schwarz criterion
5.087754
5.221563
.•
Log likelihood p161 .3520 Durbin-Watson stat 0.030671
211
, .
•
1
FIGURA 21.2
Cond1tional SO Graph
- . ahd DerivaliVei
·GfadlenfS .....- . ~
.-
tovariance Mairix
GRAFICO 21.1.
11dfo·1110111j"•*fllnffli"f!Cil.t:1a:i:11;fü:uellM@~J.9~~
~wl Pr~t bblectsl .. é;wfNa~elfÁdat~tl ü~elshadel R~m~vél r"emp¡;féfoetÍonsl
,•
' 12......-----------.
1
.11 10
1 e
6
1
4
1 2
l
1
1
1 11/07/2000 11/07/2003
Existen varias técnicas para analizar econométricamente un modelo AACH. Algunas veces es
más fácil volver a estimar un modelo con una especificación más compleja y ver si asf los
nuevos parámetros son significativos. Algunos de estos están formulados bajo los residuos
estandarizados. Si el modelo esta correctamente especificado, éstos deberán de ser
independientes, con media cero y varianza igual a uno. También es lógico pensar que otra
prueba relevante es la de normalidad de residuos, aunque esto no es esencial.
Una prueba de correlación serial en este tipo de modelos es el Correlograma de residuos, para -·
ver si la media esa correctamente especificada .. En farma similar el Histograma es calculado
para los residuos estandarizados. Pare construir los residuos estandarizados seleccionamos de •'
la barra de herramientas Procs/Make Residual Series ....JStandardlzed y obtendremos la
serie de residuales estandarizados. Para graficarlo simplemente ejecutamos Qulck/Graph/ y el
nombre de la serie denominada residuos estandarizados.
212
Econometría con Eviews Gustavo Trujillo Calagua
Para saber si el modelo es considerado adecuado para predecir, entonces ejecutaremos esto
mediante el comando Forecast de la barra de herramientas. EL resultado es dos gráficos: una
para la predicción de Ja media con intervalos de confianza del 95% y el otro para la predicción
de la varianza.
GRAFICO 21.2
500"T'"""--------------.
l'a tc:C TER'
400 ktal:n:l'
300 . .·
:
Fcrte.:a1 ""'-te:
11.Vl::m.l 1 t.ll1"3ll3
h'Jtdxl lbzrv.'ÓmS ' 78.1
200 .··
...-· ...
•' Rac:! "1CJ<1~ &':ci- , ,an¡:a¡
_ -·"' ''(<~~&m' J;;.~¡
100 !.l...., Pti: P.ran: &ra- 10 ~l
--····~-
o -----···------ ... .................. l~i ~I¡ Cld.ldc:i!
""""""'"~.,
'111710"
j- TEFFj
30000 .•
20000
10000
o~~~~~====:::::.___,,.--------l
11JD7nPOO 111D7/2003
1 1- Forecast o1V..ñ¡¡nc4!1
L.--- ·- ...
La predicción de la varianza muestra una tendencia creciente en el horizonte de la predicción,
debido a que la suma de a y f3 es superior a uno que hace que la curva no se haga asíntota en
menos de un año.
Fue introducido por Zakoian, Jaganathan & Runkle en 1994 para analizar los movimientos en
los mercados financieros. Con frecuencia se observa que los movimientos hacia abajo del
mercado son seguidos por mayor estabilidad que los movimientos hacia arriba de la misma
magnitud, esto se conoce como el et ecto Palanca de los modelos asimétricos que describe una
curva de impacto asimétrica. El modelo de la varianza es:
213
Econometría con Eviews Gustavo Trujillo Calagua '"
TABLA 21.2
Dependent Variable: TEF
Method: ML - ARCH (Marquardl)
Date: 07/13/03 Time: 13:55
Sample: 11/07/2000 11/07/2003
lncluded observalions: 784
Convergence achieved after 157 iteralions
Variance backcast: ON
Coefficlenl Std. Error z-Statislic Prob.
e 32.59804 0.142902 228.1147 0.0000
Variance Eguatlon
e 0.404649 0.287977 1.405145 0.1600
ARCH(1} 1.411871 0.646791 2.182886 0.0290
(RESID<O)"ARCH(1) -0.196179 1.355637 -0.144714 0.8849
GARCH{1} -0.209945 0.614461 -0.341673 0.7326
R-squared -o.2no44 Mean dependen! var 34.83954
Adjusled R-squared -0.362180 S.D.dependentvar 4.291723
S.E. of regression 5.008976 Akaike info criterion 5.116212
Sum squared resid 1505.390 Schwarz criterion 5.283473
Log likelihood ·161.2769 Durbin-Walson sial 0.030663
GRAFICO 21.3 t
• Graph: UNTITLED \llorkfile: TESIS BENNI RAMOS :".¡;..•]:;frJ.?--1000§3
- - • • 4 . .... . . . . ~ ... - · - 1 -
.-
1-TEFFI
8000
¡ 7DOO
!
1
11000
5000
! 4000
l
1
1
3000
1 2000
¡
.•
! 100D
o
1ll0712DDO 11Al712003 .•
1
t
1- Forecast ot \t.irlance j
¡
J . .. ___ ___...... •••, - ..... •• • -• • • º •• - m - H• •"
-
~
214
._,
....
Econometrfa con Eviews Gustavo Trujillo Calagua
Que tiene simetría si y 7" O. Debido a la transformación log no hay posibilidad de una varianza
negativa. El impacto del residual más reciente es ahora exponencial antes que cuadrático. Los
EGARCH son bastante difíciles de usar para predecir. Aplicando este método a la información
de la cotización bursátil para Telefónica en la BVL obtenemos:
TABLA 21.3
Dependent Variable: TEF
Method: ML - ARCH (Marquardt)
Date: 07/13/03 Time: 17:28
Sample: 11/07/2000 11/07/2003
lncluded observations: 784
Failure to improve Ukelihood after 24 ileratlons
Variance backcast: ON
Coefficient Std. Error z-Statislic Prob.
Variance Eguallon
e 6.495617 108.5896 0.059818 0.9523
IRESl/SQR(GARCH](1) 0.792988 34.50689 0.022981 0.9817
AES/SOR(GARCH](1) 0.277945 15.05699 0,018460 0.9853
EGARCH(1) -0.056629 15.58248 -0.003634 0.9971 t
R-squared
Adjusted R-squared
-66.929085
-70.269860
Mean dependent var
S.0. dependentvar
34.83954
4.291723
.-
S.E. of regresslon 36.23136 Akaike info criterion 10.06222
Sum squared resid 80075.38 Schwarz criterion 10.19603
Leg llkelíhood -323.0223 Durbin·Watson sial 0.000576
Esta técnica de estimación permite las asimetrías tanto en la parte permanente como en la
transitoria del modelo:
2 2
cr 1 = qt +a (E t-1 f qt·1 ) + f3 [ cr21.1 / q t-1 ]
qt =m + p (q.., - m ) + 41> [ 2
E t·1 I cr2 1-1 ]
Aquí cr, es aun la inestabilidad mientras q, toma el lugar de ro, la inestabilidad de largo plazo. El
2
componente transitorio a 1 - q1 convergerá a cero con las potencias de a. + [3 • El componente
de largo plazo q, convergerá a m con potencia p. Típicamente p esta entre 0.99 y 1 de manera
que ello se aproxima a m muy lentamente.
•'
215
..
' lt-
componente, a ellos se les puede dar tanto un papel permanente como transitorio. Esto
afectará si ellos impactan los movimientos de corto plazo en la estabilidad o los niveles de largo
plazo de inestabilidad. El modelo de componente asimétrico adaptado a la información de la
cotización bursátil para Telefónica en la BVL es:
TABLA 21.4
Dependen! Variable: TEF
Melhod: ML • ARCH (Marquardt)
Date: 07/13/03 Time: 17:38
Sample: 11/07/2000 11/07/2003
lncluded observations: 784
Failure to improve Likelihood alter 1 iteration
Variance backcast: ON
Coefficlent Std. Error z-Statistic Prob.
Variance Eguation
Perm:C 1231.929 1757.691 0.700879 0.4834
Perm: [Q-C] 0.500000 24.76683 0.020188 0.9839
Perm: [ARCH-GAACH) 0.040000 45.62578 0.000877 ' 0.9993
Tran: [AACH·O] 0.040000 49.32462 0.000811 0.9994
Tran: [GAACH·O) 0.016000 1041.284 1.54E-05 1.0000
A-squared ·66.929085 Mean dependent var 34.83954
Adjusled R-squared ·71.457691 S.D.dependentvar 4.291723
S.E. of regression 36.53204 Akaíke info criterion 10.10148
Sum squared resid 80075.38 Schwarz críterion 10.26874
Log likelihood -323.2980 Durbin·Watson stal 0.000576
t
Con los pronósticos de:
.•
GRAFICO 21.4
11111 Graph: UNTITLED Workfile: TESIS_BENNl_AAMOS . . ;.~. ·'·t·:·~~~.."¿'~·(;f!~~EJ
R<n!11..,...S:urtUCt<r :\';O'~
Ma.,,~1"""'" l!Jl.(J"...t
1 Mó"• "M Arctt'C l:nu 1\1 hUl.l
1 ftftl 1'1:<µ:it!)'C u..lfern:
til""~"" "....
1 V'ol))'J
ü -•'l:'i."n
1 ....""""~" P!cc.:ña1
Cl>o'.rlo>'r-"~u:.."n
I'! () 1~7°.ll
(Jtro:ro
1
1
1 11m12cxn
i
11/Ul/200)
1-TEFFI
1
1200
11eo
1120
1080
11I011200) 11I01/2003
1- Forecut otV.11l.1nce 1
216
.,,
!.
Econometría con Eviews Gustavo Trujillo Calagua
TABLA21.5
fanl es ... ...si cumple... ... Que verifica ... Y, si {anl >O En derivadas
Creciente 81< a2< ...<an<... a....1-8n> o an+1 / ª" > 1 ('( n) >O
No decreciente 81 S a:>S...< anS... aftd -an~O Sn+1 I a.. > 1 f'( n) ~O
Decreciente a1 > 82 > ... an >... all+, -an <o a,,., 1ª"<1 f'( n l <O
No decreciente a1 ;:? a2 ;:? •••~ ª" ;:?••• Sn+1 -an SO Bn+1 / an $ 1 ('( n) s O
.·
1
"
't
,¡
·1
1
i
1
'
1
i .•
1
1
1
i
rj
217
!.
Econometría con Eviews Gustavo Trujillo Calagua
En 1970, Box y Jenkins propusieron una metodología rigurosa para la identificación, estimación
y diagnóstico de modelos dinámicos para datos de series temporales, mediante la cual se
explica el comportamiento de una variable utilizando sólo información de su propio pasado, por
lo que se conoce como Modelos Univariantes. Posteriormente, se desarrollo los Modelos
Dinámicos con variables explicativas, que se conocen como Modelos de Función de
Transferencia.
Ruido Blanco (white noise).- Es la sucesión de variables aleatorias con esperanza matemática
igual a cero, igual varianza e independientes en el tiempo.
Paseo aleatorio (random walk).- Es un proceso estocástico cuyas primeras diferencias forman
un proceso de ruido blanco.
Proceso autorregresivo de primer orden.- Cuando su estructura estocástica viene dada por la
expresión lineal: Y1 = <!IY1•1 + o + E1 • donde el> y .S son constantes y E 1 es ruido blanc". Si un
modelo AR(1) es estacionario, entonces 1el>1 < 1, así como su esperanza y varianza son
constantes en el tiempo. ·•
Proceso autorregresivo de segundo orden.- Cuando su estructura estocástica viene dada por la
+
expresión lineal: Y 1 = .S + 1Y1•1 + $2 Y1.2 + Et . Si un modelo AR(2) es estacionario, entonces
1c1>2I<1, 41>1+<112<1 y <112-+1<1.
Proceso de Media Móvil de primer orden.- Un modelo del tipo MA(1) tiene la siguiente
=
estructura: Y, .S + Et - 0E1•1 donde E1 es ruido blanco. Si 1e 1< 1 entonces el proceso MA(1) es
invertible por lo que su fap decae exponencialmente hacia cero, siendo estacionario.
Proceso de Media Móvil de segundo orden.- Un modelo del tipo MA(2) tiene la siguiente
estructura: Y,=
c5 + E1 • 01E1.1 - 02Et.2.
Modelos ARMA ( p, q ).- La estructura ARMA más sencilla es el modelo ARMA(1, 1):
Y1 = o + 4JY1• 1 + Et - 0E1•1 , que depende de cuatro parámetros desconocidos: cj>, e, Et y o. El
proceso ARMA es estacionario cuando 1cj>1 < 1, e invertible cuando 0 < 1. Cuando l I
especificamos un modelo ARMA(p,q) para la variable t:.dy.. se dice que tenemos un modelo
ARIMA(p,d,q) para Y1 ,donde 6.dy1 es el orden de diferenciación de la variable Y, que ya es
estacionaria.
Modelos Mixtos Integrados ARIMA(p,d,q).- En la práctica la mayoría de series con las que
trabajamos no son estacionarias, pero afortunadamente la estacionariedad es alcanzable·
=
mediante diferenciación sucesiva de la serie original, de forma que si: w. 6.dY, es estacionario,
la expresión general ARIMA(p,d,q) se escribirá como:
218
.
''
"
Econometría con Eviaws Gustavo Trujillo Calagua
Donde:
<JJ(85 ) =
1- q,1 8 5 - • •• ·lllpBPs , operador estacional AR de orden P (s es el período de
estacionalidad)
0(6') = 1- e 1 as -... ·0qBoe , operador estacional MA de orden Q (s es el periodo de
estacionalidad)
22.2.1 Identificación.-
22.2.2 Estimación.-
El criterio para estimar los parámetros de un modelo ARIMA, es que la suma de los errores al
cuadrado sea la menor posible. Si tenemos: $(B)ro. = 0(8)€1 , los errores pueden expresarse
como:
1 5
E 1 ,,. Er (8)0(B )Wi, de forma que si el objetivo es encontrar el vector de parámetros q, -= (q,,, ...$p)
estimación se efectúa por medio de la técnica propuesta por Marquardl, que combina el
procedimiento de linealización y el de máximo gradiente.
22.2.3 Verificación.-
Box y Jenkins sugieren la aplicación de varios test para verificar si el modelo elegido se ajusta
correctamente al conjunto de datos. Entre los más utilizados tenemos:
Test de Box-Pierce (O·Stat).· Aplicado a los residuos del modelo, consiste en comprobar si
éstos son consistentes con el supuesto de ruido blanco. La hipótesis nula es rechazada para
x
valores de 0-Stat muy altos. El estadístico se distribuye corno una 2 con (n-p-q) grados de )
libertad.
Test de Ljung-Box.- Este es un test alternativo de estabilidad del modelo basado en los errores
de predicción de un período adelante.
219
\
,..
Econometría con Eviews Gustavo Trujillo Calagua
22.2.4 Predicción.-
Los modelos ARIMA proporcionan no solamente una predicción puntual, sino la distribución de
probabilidad completa para los valores futuros de la serie. Una predicción es óptima cuando el
error cuadrático medio de predicción es mínimo. El cálculo real de la predicción Y1(/) puede
hacerse en forma recursiva utilizando el modelo AAIMA estimado, de forma que:
22.3 Aplicación: "Un modelo ARlMA para la producción de arroz en el Perú: 1993·2003"
A. Identificación y Estimación.-
GRAFICA 22.1 ..
PraiJcciá1 de arraz (Mies de TM)
Producción de arroz en logaritmos (Miles de TM)
llOO-r--------------------------------------.
200
100 3
00 01 Q2 IH3 1914 1n5 tna 1"7 '"º tttl 2000 2001 20Cl2
Fuen.. Ministerio de Agricultura
1---ARRJZI 1-LAAAozl
Este hecho nos hace pensar que probablemente la serie no sea estacionaria estacionalmente.
Si además nos fijamos en la fap de la serie transformada (primeras diferencias logarítmicas)
vemos que los retardos estacionales son significativos y disminuyen lentamente. Esto puede
indicar que la serie no es estacionaria estacionalmente. Por todo lo anterior, decidimos
transformar la serie tomando además una diferencia estacional.
220
.
',
GRAFICA 22.2
Primeras diferencias logarítmlc&s con una diferencia ostacional
1.5
1.0
0.5
o.o
V ~
[l.-.
~~ .~
\
·0.5
·1 .0.
• 1.5 +,-.,......,......,....,.......,..,...,...,...,........"r,..,.......,,.,.,..........,.,,..,...,...,...,...,.....,,........
, .....,.,,..,.,...........,....,..,
93 94 95 96 97 98 99 00 01 02
l-01LARROZS 1
221
·-·, .
"
Econometría con Eviews Gustavo Trujillo Calagua
Correlograma para la serle en primeras diferencias logarítmicas con una diferencia estacional
TABLA22.2
· Date: 07/20AJ3 Time: 12:45
Sample: 1993:01 2003:03
lncluded observations: 110
p =0,1,2
q =0,1,2
d = 1 (Eliminamos la tendencia ordinaria)
A=O
P=0,1
0=0,1
D =1(Eliminando la estacionalidad)
s = 12
Siendo el modelo más adecuado el AR (1) x MA (12) \ ara la serie en primeras diferencias
2
logarítmicas, con un R ajustado de 0,463933, un Diírbin-Watson de 2,04 y un F- estadístico de
94,46.
222
'
•
Econometría con Eviews Gustavo Trujil1o Calagua
..
1
TABLA 22.3
Dependent Variable: LOGWS(d11arrozs)
Method: Least Squares
Date: 07/19/03 Tim&: 14:36
Sample(adjusted): 1993:03 2003:03
lncluded observations: 109 after adjusting endpoints
Convergence achieved after 8 iterations
Backcast: 1988:03 1989:02
Variable Coefficient Std. Error t-Statistic Prob.
AR(1) -0.174613 0.072839 -2.397229 0.0183
MA{12! -0.885841 0.000137 -6454.474 0.0000
R-squared 0.468897 Mean dependent var 0.011851
Adjusted R-squared 0.463933 S.D.dependentvar 0.660609
S.E. of regresslon 0.582586 Akaike info criterion 1.773710
Sum squared resid 40.38931 Schwarz criterion 1.819921
Log likelihood -105.3094 Durbln-Watson stat 2.047922
lnverted AA Roots .03
lnverted MA Roots .90-.24i .90+.241 .66+.661 .66-.66i
.24+.90i .24 -.90i -.24 -.901 -.24+.90i
-.66+.66i -.66+.66i -.90+.24i -.90-.241
Se verifica que la serie en primeras diferencias es estacionaria, puesto que el valor AOF es
significativamente mayor que los valores críticos.
B. Chequeo.
b .1.1 Prueba t
.•
El t estadístico de cp, = -2,397229 y el t-Student de tablas = 1.66
l -2,397229 1 > 1.66
=
El t estadístico de 0 1 -6454,474 y el t-Student de tablas= 1.66
l-6454,4741 > 1.66
223
. .... ~
•
Econometría con Eviews Gustavo Trujillo Calagua
Los coeficientes tienen valores que no son cercanos ni a O ni a 1 por los cual no se presenta
dicho problema.
b.1.4 Multlcollnealldad
Observando el correlograma de los residuos observamos una distribución que sigue un ruido
blanco (con una significación de 95%) apoyándonos en el histograma vemos que la Media
tiende a O y la Varianza a un valor constante y el estadístico Jarque-Bera, podemos decir que
los residuos siguen una distribución normal.
GRAFICO 22.3
2
Jarque·Bera 0.131115
Probabillty 0.936545
o
·1.0 -0.5 o.o 0.5 1.0
224
..
Econometría con Eviews Gustavo Trujillo Calagua
Cuando se analiza una serie estacional, debe prestarse especial atención a los primeros
valores de las fas y fap, pero también a los primeros valores de orden estacional. Así para una
serie mensual el analista debe observar detenidamente los valores para los retardos
1,2,3,4,5,6,12 y 24 de ambas funciones.
= =
Para M 1 tenernos un Q 0.0904
Lo contrastarnos con un ·x2
m-p-q = 27 ,6
=
Como Q 0.0904 < 28,9
Entonces decimos que los residuos no están correlacionados; por tanto, el modelo es
·'
adecuado.
225
,,•
Econometría con Eviews Gustavo Trujillo Calagua
Observamos que el modelo para datos originales (que veremos en la parte de predicción) es
estable en por 1O menos los últimos 5 períodos (las variaciones en los coeficientes son
mínimos a± 0,01 para cada uno de los periodos estimados con el modelo ARIMA respecto al
último dato observado).
C. Predicción.
Dado el modelo:
=
Log ws, cp, Log WS,.1 + Et - 01E1.12
LOQWSt =-0, 174613 Logws,., +Et+ 0,885841Em
es igual
( 1- L1 )(1 - L12) Log Y,= cp 1log WS1.1+Et - 01E1.12
Log'Yt(1 )= E(Yt+1/ 11) = E[0.714211 *Log Y,., - 0.281885*Log Y1.13 + 0.554689(Log Y1•12 - Log'Y,.12)]
Log 'Y 03·02 = 0,714211.Log Y03:01 - 0,281885 Log Y02:01 + E03:oz - 0,554689*Eo2:02
Log 'Y 03:02 = 4,673394855
lag 'Y 03:01 =O, 714211 Log Y02:12 - 0,281885 log Y01:12 + f99:01 - 0,554689*Eo2 ·01
log 'Y 03:01 =4,9586263
lag 'Y 0212 =0,714211 Log Y02:11 - 0,281885 Log Yo1:11 + Eoz:12 - 0,554689*Eo112
log 'Y 02 12 = 4,280125795
Lag 'Y 02.11 =0,714211 Log Y02.10 - 0,281885 Log Yo1:10 + Eoz:11 • 0,554689*Eo1:11
Log 'Y 02 tt =4, 149685314
226
•
.
1
Hallamos:
.•
227
.. "
23.1 Presentación
Desde una perspectiva amplia, un programa no es otra cosa que el conjunto de pasos o
instrucciones destinado a conseguir un objetivo determinado. Estas órdenes se introducen en
la computadora a través de un lenguaje de programación. En este ámbito, se pueden distinguir
dos tipos de comandos en un lenguaje: macrocomandos y secuencias estructuradas o lógicas.
Los primeros instruyen a la máquina a ejecutar de forma acelerada y generalmente silenciosa
una secuencia de órdenes que el usuario estaría en condiciones de efectuar por su cuenta sin
ayuda del programa. Los macrocomandos no involucran la toma de decisiones ni la repetición
automática de porciones del programa: simplemente construyen un guión que la computadora
seguirá ciegamente y al pie de la letra.
Por su parte, las secuencias estructuradas tienen como objeto organizar y potenciar el uso de
macrocomandos. Formalmente, se traducen en el programa por medio de palabras clave que
sólo tienen validez dentro del mismo y que involucran tres tipos de acciones fundamentales:
toma de decisiones, repeticiones y bifurcaciones. Las secuencias estructuradas o lógicas
forman la gran mayoría de los programas especializados.
23.2 Generalidades
f
Todos los programas en Econometric Views se guardan en archivos de tipo te$, usualmente
con la extensión PRG . Así, estos programas pueden ser creados o editados mediante el
Notepad, Microsoft Word o el mismo Eviews. A partir de la versión 3.0 del programa, la
• extensión PRG está automáticamente asociada al Eviews bajo el entorno Windows 95.
Para crear un programa nuevo dentro de Eviews puede usarse el comando PROGRAM,
seguido de un nombre para el programa. De modo semejante, el comando necesario para
ejecutarlo será RUN(Q) y RUN(V). El primero ordena a Eviews ejecutar el programa de modo
"silencioso", sin presentar información en pantalla a medida que se ejecutan los comandos
internos. De este modo, RUN(Q) permite alcanzar la mayor velocidad de ejecución. RUN(V)
funciona de modo opuesto. Si no se especifica alguno, Eviews utilizará la opción especificada
por el usuario como alternativa por defecto (para cambiar el valor por 9efecto, usar RUN a
secas).
·Tomado de los apuntes de clase del curso Informática para Economistas, por Roddy Rlvas Uosa, Universidad del Pacifico, Facultad de
Economla - Lima. Pení
228
..
"
'.,
Econometría con Eviews Gustavo Trujillo Calagua
'Este programa crea cinco ruidos blancos, una tendencia línea/ y una serie
'con el producto de las seis anteriores.
=
GENR X1 NRND
=
GENR X2 NRND
=
GENR X3 NRND
GENR X4 = NRND
GENR X5 = NRND
=
GENR T @ TREND(1)
GENR Producto= x1 "'X2·x3·x4·xs·r
Una vez que el programa está escrito y el archivo de trabajo creado, bastará ejecutarlo para
que se creen las siete series de datos requeridas. Nótese que ya que el programa no incluye
un comando SMPL, las series se crearán a lo largo de la muestra que el usuario haya
especificado fuera del programa.
Las variables temporales sólo tienen validez durante la ejecución del programa y se utilizan
como herramientas de apoyo para crear estructuras complejas. Por su parte, las variables
permanentes se utilizan normalmente para permitir que el programa, una vez terminado, deje al
usuario cierta información en el archivo de trabajo.
Las primeras se denotan con un signo final de admiración seguido de un nombre para la
variable (entre 1 y 16 caracteres no extendidos1 ). Al trabajar con variables numéricas se
utilizarán los comandos lógicos tradicionales de asignación y comparación (=, >, <, >=, <=, <>),
los aritméticq_s (+, -, •, /, "). así como cualquier función matemática incorporada. Por ejemplo:
!Valor= 13.78
=
!Numero !Valor + 1
=
!LogNum2 @LOG(!Numero•2)
El segundo tipo de variable temporal (de cadena de texto) utiliza como prefijo el signo de
porcentaje y se utiliza de la siguiente manera:
=
%Depend "PBI"
%Regres ="Consumo PBl(-1) @TREND(1)"
=
%Muestra "1960 2003"
' Los siguientes nombres no pueden ser utUlzados: ABS, ACOS, AR, ASIN, C, CON, CNORM, COEF, COES, O ,OLOG,
DNORM, ELSE, ENDIF, EXP, LOG, LOGIT, LPT1, LPT2, MA, NA, NANO, POL, RESIO, ANO, SAR, SIN, SMA, SOR y
THEN.
229
Econometría con Eviews Gustavo Trujillo Calagua
SMPL %Muestra
LS %Depend C %Regres
Las variables de control de tipo texto son de utilidad para fijar al inicio de un programa los
valores de conjuntos de series o muestras que se podrán utilizar de modo repetido más abajo.
Así, si fuera necesario cambiar los regresores en el programa anterior, sólo habría que
modificar la segunda linea.
Las variables permanentes son todas aquellas que se mantienen en el archivo de trabajo una
vez concluida la ejecución del programa, salvo que sean explícitamente eliminadas del archivo
de trabajo mediante el comando D. Algunos ejemplos son: ($CALAR), ecuaciones
(EQUATION), vectores (VECTOR), vectores fila (ROWVECTOR), matrices (MATAIX) y tablas
(TABLE).
Las más utilizadas comúnmente son los de tipo escalar: números enteros o reales que se
quedan en el archivo a modo de respuesta del programa (tal como una probabilidad vinculada
a cierta prueba de hipótesis).
Los escalares deben declararse una vez mediante el comando SCALAR en el programa:
'Esta permanecerá:
SCALAR Ajuste
Ajuste= @R2
Una de las herramientas más notables que ofrece el Eviews dentro de sus programas es el
reemplazo textual del contenido de sus variables para formar cadenas complejas. Este
proceso, también conocido como macroreemplazo, se opera rodeando la variable con un juego
de llaves.
Véase el siguiente ejemplo:
%País= "PERU"
!Fecha= 1990
%Nombre= "VAR"
GENR {%Nombre}(/Fecha}{%Pais}= NRND
El segundo párrafo del programa generará la variable N1PERU y PROD_PERU tomando como
base CONS_PERU, INV_PERU, GAST_PERU, X_PERU y M_PERU.
El segundo párrafo generará la variable VAR1990PEAU.
230
.
"!.
Econometría con Eviews Gustavo Trujillo Calagua
23.6 Regresiones
Los comandos clave para nombrar ecuaciones son la declaración EQUATION, seguida del
nombre de la nueva ecuación y el uso del nombre seguido de un punto antes de los comandos
y funciones convencionales de regresión. Las ecuaciones se declaran tan sólo una vez y
pueden eliminarse mediante el comando D seguido del nombre. Veamos un ejemplo:
231
' .
t.
,
Econometría con Eviews Gustavo Trujillo Calagua
Funclón Definición
+ Sumar t
Restar
Multiplicar
I Dividir
/\ Elevar a potencia
> Mayor que
< Menor que
= Igual que
<> No es igual, X < > Y tiene el valor 1 si X difiere de Y y O
si no es así.
<= Menor o igual que
>= Mayor o igual que
ANO Lógica; X ANO Y tiene el valor 1 si tanto X como Y son.
cero.
OR Lógica; X OR Y tiene el valor 1 si tanto X como Y no
son cero.
D( X) Primera diferencia de X
D( X, n) Diferencia de X de orden enésimo.
O( X,n,s) Diferencia de orden enésimo y una diferencia
estacional en el residuo.
LOG (X) Logaritmo natural de X.
DLOG (X) Cambio en el logaritmo natural.
DLOG (X, n) Diferencia logarítmica de X de orden n.
DLOG ( X,n,s) Diferencia logarítmica de orden enésimo y una
diferencia estacional en el residuo.
EXP(X) Función exponencial.
ABS (X) Valor absoluto.
SQR(X) Raíz cuadrada.
SIN (X) Seno de X.
¡· •
COS(X) Coseno e X.
@ASIN (X) Arco cuyo seno es
@ACOS(X) Arco cuyo coseno es. ••
ANO Número aleatorio.
@PCH (X) Cambio porcentual decimal en X.
@INV(X) Densidad normal estándar.
@CNORM(X) Distribución normal acumulativa.
232
Econometría con Eviews Gustavo Trujillo Calagua
@LOGIT(X) logit de X.
@FLOOR(X} Convierte a entero por redondeo por defecto.
@CEILING(X} Convierte a entero por redondeo por exceso.
@SUM(X) Suma de X.
@MEAN(X) Media de X.
@VAR(X) Varianza de X.
@SUMQ(X) Suma de cuadrados de X.
@OBS(X) Número de observaciones de X.
@COV(X,Y) Covarianza entre X e Y.
@COR(X,Y) Correlación entre X e Y.
@CROSS(X, Y) Producto cruzado de X e Y.
@ONORM(X) Función de densidad normal estándar deX.
@TDIST(X,d} Probabilidad de un estadístico t con d g.d.I
@CHISQ(X,d} x 2
Probabllidad de un estadístico con d g.d.J
@MOVA(X,n) Período n de media móvil de X.
@MOVSUM(X,n) Período n de la suma móvil de X.
@TREND(d) Tendencia temporal, donde des una fecha o número
de observaciones.
@SEAS(d) Valor dummy estacional Igual a uno cuando el trimestre
o el mes es igual a d y cero en otro caso.
En EViews, los vectores y matrices se tratan como un tipo especial de objeto. Ya sea dentro o
fuera de un programa, deben predeclararse una vez, indicando el nombre asignado al objeto
1 asf como sus dimensiones si fuera necesario. Para ello deben seguirse las siguientes
indicaciones:
Ejemplo:
233
..
~
.,
1
Comando
234
.
' ...-
Eco.nometría con Eviews Gustavo Trujillo Calagua
En términos sencillos, un bucle es una porción del programa que la computadora repetirá una y
otra vez hasta que se satisfaga una determinada condición. El comando más sencillo para
llevar a cabo dicha tarea en EViews es el "FOA". Éste tiene como característica esencial que
en cada repetición, el valor de una o más variables (llamadas variables índice) SE} irá
modificando y el bucle terminará cuando la variable índice alcance un valor predeterminado
mediante el comando o se agoten los valores posibles para la variable. Veamos a eontinuación
1
un ejemplo: .
Este fragmento de programa no hace algo particularmente útil. De hecho, lo único que hace es
asignar a la variable !O valores desde 10 hasta 100, uno por uno. El comando se inicia con la
clave FOR, seguida de la variables índice, un signo de igualdad y los valores inicial y final que
la computadora deberá dar a la variable, separados por la palabra reservada TO.
En la "primera vuelta" del bucle, la variable de control (!Q) valdrá 1o y se ejecutarán todos los
comandos que estén después del FOR y antes de la palabra NEXT (fin del bucle). Una vez que
la ejecución llegue al NEXT, en programa "rebotará" hasta la altura del correspondiente
comando FOR, se incrementará el valor de la variable índice (que en la segunda vuelta valdrá
11) y se repetirá el bucle hasta que aquella variables alcance el valor final (100), condición en
la cual el comando NEXT será obviada y el flujo del programa continuará con el comando
siguiente.
Resulta posible colocar los bucles uno dentro de otro. Esta operación, conocida como
uanidación", permite disponer simultáneamente de más de una variable móvil. Véase el
siguiente ejemplo, que copia los elementos de la zona triangular superior de la matriz A en la
matriz B. Nótese la conveniencia de incluir en la parte inicial del programa una zona que devine
variables globales que determinan el comportamiento de todo el resto de programa. En caso de
requerir modificaciones, bastará cambiar la zona inicial del mismo.
.•
'Inicio del programa: se define una variable determinante para el programa
!Dimensión 20=
=========================================================
'Se crean los objetos (dependiendo de la variable inicial)
MATRIX(!Dimensión, !Dimensión) A 1 =
235