Basado en Diebold, Lee y Weinback (1994)

Algoritmo EM:
Markov Switching VARs con TVTP

Alberto Humala
Econometría Financiera
XI Curso de Extensión Universitaria de Finanzas
Avanzadas
Enero de 2018

Banco Central de Reserva del Perú

 Basado en Diebold, Lee y Weinback (1994)

Modelo MS-VAR
Original:

it  c   [it 1 ]   [rt 1 ]   (st )u (1)

i
st
i
st
i
st
i
t

rt  csrt   srt [it 1 ]   srt [rt 1 ]   (st )utr (2)

Transformación de Cholesky :

it  c   [it 1 ]   [rt 1 ]   (st )u

*i
st
*i
st
*i
st
*i
t (1*)

rt  cs*tr  1*str [it ]   2*str [it 1 ]   s*t r [rt 1 ]   (st )ut*r (2*)
 Basado en Diebold, Lee y Weinback (1994)

Probabilidades de transición
Las probabilidades de transición variantes en el tiempo son
funciones logísticas de:

x i
'
t 1 i = 0, 1

xt-1 es un vector condicionante (k x 1) que contiene variables

económicas que afectan las probabilidades de transición

  ( ,  )'
0 1
' '

es un (2k x 1) vector de parámetros que gobiernan las probabilidades

de transición
 Basado en Diebold, Lee y Weinback (1994)

Matriz de probabilidades de transición

Período t
Régimen 0 Régimen 1

 pt00 pt01  (1  pt00 ) 

 
 tP ( s  0 / st 1  0, xt 1 ;  0 ) P ( st  1/ st 1  0, x t 1 ;  )
0 
Régimen 0
 exp( xt' 1 0 ) exp( xt' 1 0 ) 
 1 
 1  exp( xt 1 0 )
'
1  exp( xt 1 0 )
'

Período t-1  pt10  (1  pt11 ) pt11 
 
 P ( st  0 / st 1  1, xt 1 ; 1 ) P( st  1/ st 1  1, xt 1 ; 1 ) 
Régimen 1  
 1 exp( x '

t 1 1 ) exp( x '

t 1 1 ) 
 1  exp( xt' 11 ) 1  exp( xt' 11 ) 
 Basado en Diebold, Lee y Weinback (1994)

Verosimilitud de datos completos

Dado θ, el vector de todos los parámetros del modelo y
asumiendo que yt y st son observados, la verosimilitud de
los datos completos es:

f ( yT , sT / xT ; ) 
T
f ( y1 / s1 ;  ) P( s1 ) f ( yt / st ;  ) P( st / st 1 , xt 1;  )
t 2

La función logL de datos completos no se puede construir dado

que st no es observable.
 Basado en Diebold, Lee y Weinback (1994)

Verosimilitud de datos incompletos

La función logL de datos incompletos puede ser obtenida sumando
sobre todos la secuencia de estados posibles y luego maximizada
con respecto a θ

 1 1 1 
f ( yT / xT ; )  log    ...  f ( yT , sT / xT ; ) 
 s1 0 s2 0 sT 0 

En la práctica, construcción y maximización numérica de la función

logL de datos incompletos es computacionalmente intratable ya que
st puede realizarse en 2T formas.

Alternativamente, se sugiere un algoritmo de maximización de

expectativas.
 Basado en Diebold, Lee y Weinback (1994)

Algoritmo EM* (1)

Procedimiento estable y robusto para maximizar la función logL de
datos incompletos vía maximización iterativa de la función logL de
datos completos, condicional a los datos observados

(1) Escoja  (0)

(2) Obtenga: P( st  1/ yT , xT ; (0) )t

P(st  0 / yT , xT ; (0) )t
P(st  1, st 1  1/ yT , xT ; (0) )t

P(st  0, st 1  1/ yT , xT ; (0) )t

* Los superíndices cuentan las iteraciones

 Basado en Diebold, Lee y Weinback (1994)

Algoritmo EM (2)

P(st  1, st 1  0 / yT , xT ; (0) )t

P(st  0, st 1  0 / yT , xT ; (0) )t

Usando P’s construya: E log f ( yT , sT / xT ; ) (0)

(3) Establezca  (1)  arg max E log f ( yT , sT / xT ; (0) ) 



(4) Iterar hasta convergencia

 Basado en Diebold, Lee y Weinback (1994)

Algoritmo EM (3)

Paso 1: Valor inicial para el vector de parámetros

Paso 2: Parte de expectativas (E).

Produce probabilidades suavizadas

Paso 3: Parte de maximización (M).

Produce actualización de parámetros estimados

Paso 4: Criterio de convergencia