CURSO DE ECONOMETRIA FINANCIERA

CON APLICACIONES A STATA 15 Y EVIEWS 10

SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN
FINANZAS Y EL CONCEPTO DE VALUE AT RISK
(VAR)

Docente: Rafael Bustamante

MBA. Rafael Bustamante

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL
CONCEPTO DE VALUE AT RISK (VAR)

9. OBJETIVOS

 Resaltar los problemas que pueden surgir si se usan datos no estacionarios en su forma de niveles

 Prueba de raíces unitarias

 Examinar si los sistemas de variables están cointegrados.

 Estimar modelos de corrección de errores y vectores de corrección de errores.

 Explicar la intuición detrás de la prueba de Johansen para la cointegración.

 Describir cómo probar hipótesis en el marco de Johansen.

 Construir modelos para relaciones a largo plazo entre variables en EViews

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO
DE VALUE AT RISK (VAR)

9.1. PRUEBAS DE ESTACIONARIEDAD Y RAÍZ UNITARIA.

¿Por qué son necesarias las pruebas de no estacionariedad?
Hay varias razones por las que el concepto de no estacionariedad es importante y por qué es esencial que las variables que no son
estacionarias se traten de manera diferente a las que son estacionarias. A los efectos del análisis una serie estacionaria se puede definir como
una con una media constante, varianza constante y autocovariances constantes para cada retraso dado. Por lo tanto, la discusión se relaciona
con el concepto de estacionariedad débil.
Pruebas de estacionariedad y raíz unitaria.
La estacionariedad o no de una serie puede influir fuertemente en su comportamiento y propiedades. Para ofrecer una ilustración, la palabra
"choque" se usa generalmente para denotar un cambio o un cambio inesperado en una variable o tal vez simplemente el valor del término de
error durante un período de tiempo determinado. Para una serie estacionaria, los "choques" al sistema desaparecerán gradualmente. Es decir,
un shock durante el tiempo t tendrá un efecto más pequeño en el tiempo t +1, un efecto más pequeño aún en el tiempo t +2, y así
sucesivamente. Esto puede contrastarse con el caso de datos no estacionarios, donde la persistencia de los choques siempre será infinita, de
modo que para una serie no estacionaria, el efecto de un choque durante el tiempo t no tendrá un efecto menor en el tiempo t + 1, y en el
tiempo t +2, etc.
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.1. PRUEBAS DE ESTACIONARIEDAD Y RAÍZ UNITARIA.

El uso de datos no estacionarios puede conducir a regresiones espurias. Si dos variables estacionarias se generan
como series aleatorias independientes, cuando una de esas variables retrocede en la otra, se esperaría que la
relación t en el coeficiente de pendiente no fuera significativamente diferente de cero y que se esperara que el
valor de R2 ser muy bajo Esto parece obvio, ya que las variables no están relacionadas entre sí. Sin embargo, si
dos variables tienen tendencia a lo largo del tiempo, una regresión de una en la otra podría tener un R2 alto,
incluso si las dos no tienen ninguna relación. Por lo tanto, si las técnicas de regresión estándar se aplican a datos
no estacionarios, el resultado final podría ser una regresión que se vea bien en las medidas estándar (estimaciones
de coeficientes significativos y un R2 alto), pero que en realidad no tiene valor. Dicho modelo se denominaría una
"regresión espuria".
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2. TIPOS DE NO ESTACIONARIEDAD

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y
EL CONCEPTO DE VALUE AT RISK (VAR)

9.2. TIPOS DE NO ESTACIONARIEDAD

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2. TIPOS DE NO ESTACIONARIEDAD

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2. TIPOS DE NO ESTACIONARIEDAD

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2. TIPOS DE NO ESTACIONARIEDAD

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.3. PRUEBA DE UNA RAÍZ UNITARIA

Un método inmediatamente obvio (pero inapropiado) que los lectores pueden pensar para probar una
raíz unitaria sería examinar la función de autocorrelación de la serie de interés. Sin embargo, aunque los
choques a un proceso de la raíz de la unidad permanecerán en el sistema por tiempo indefinido, a
menudo se verá que el acf para un proceso de la raíz de la unidad (un recorrido aleatorio) decae
lentamente hacia cero. Por lo tanto, tal proceso puede confundirse con un proceso altamente persistente
pero estacionario. Por lo tanto, no es posible utilizar el acf o el pacf para determinar si una serie se
caracteriza por una raíz unitaria o no. Además, incluso si el verdadero proceso de generación de datos
para yt contiene una raíz unitaria, los resultados de las pruebas para una muestra dada podrían hacer
que uno crea que el proceso es estacionario. Por lo tanto, lo que se requiere es algún tipo de
procedimiento formal de prueba de hipótesis que responda a la pregunta, 'dada la muestra de datos a la
mano, ¿es plausible que el verdadero proceso de generación de datos para y contenga una o más raíces
unitarias?
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.3. Prueba de una raíz unitaria

'==============================================================
WORKFILE Raiz_UNITARIA u 1000
'Partimos de cuatro PGDs distintos.
SMPL 1 1
GENR Y1 = NRND
GENR Y2= NRND
GENR Y3= NRND
GENR Y4 = NRND

SMPL 2 1000

GENR Y1 = 0.99*y1(-1) + NRND*6

GENR Y2 = 3.75 + 0.99*y2(-1) + NRND*5

GENR Y3 = 1.5 + 0.55*@TREND + 0.75*y3(-1) + NRND*5

GENR Y4 = 3.5 + 0.88*y4(-1) + NRND*5

SMPL @ALL
'=========================================================
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.3. PRUEBA DE UNA RAÍZ UNITARIA

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2. Prueba de una raíz unitaria

De cada uno de los procesos generados, sabemos que Yl es un

random walk puro, Y2 un random walk con drift y que Y3 y Y4 son series
estacionarias (la primera estacionaria en tendencia). Por ello, la correcta
especificaci6n de la prueba de Dickey-Fuller deberfa llevar a la
aceptaci6n de lahip6tesis nula en los dos primeros casos y al rechazo
de la misma para las dos ultimas variables. Exploremos graficamente
estas cuatro series:
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2. Prueba de una raíz unitaria

Del grafico anterior se observa que tanto Y2 como Y3 presentan un
comportamiento tendencial. Vale la pena mencionar la existencia de una
equivalencia observacional entre series estacionarias en tendencia y procesos
integrados de primer orden que incluyen un termino constante (drift); en nuestro
ejemplo, este es el caso de las variables Y2 e Y3. Por tanto, es necesario un
análisis mas formal y detallado de estas series si queremos llegar a resultados
concluyentes sobre la existencia de una raíz unitaria en las variables consideradas.
Empecemos con sus correlogramas:
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2. Prueba de una raíz unitaria

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.4. Gráficos de correlogramas

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.5. Análisis de los gráficos de correlogramas

La FAP de las cuatro variables muestra la existencia de un coeficiente de correlaci6n parcial de
primer arden positivo y bastante significativo.
En lo que respecta ala FAS, notamos una lenta diluci6n de los coeficientes de correlaci6n simple para
las primeras tres variables. Esto, como vimos, es un indicador de la presencia de una raíz unitaria (un
proceso con memoria larga). La cuarta variable, por su parte, presenta una diluci6n relativamente
rápida de dichos coeficientes; par ello, cabe esperar que el coeficiente de correlaci6n parcial de
primer orden sea menor a uno en valor absoluto ( evidencia de que la serie en cuestión es
estacionaria). Si contrastamos esta evidencia con los PGD de las cuatro variables, notaremos que es
necesario profundizar aun mas el análisis para extraer resultados concluyentes (Ia variable Y3 es
estacionaria a pesar de Ia forma que adopta su correlograma). En este sentido, la información
contenida en los correlogramas tiene solo un carácter referencial y no es definitiva.
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2. Prueba de una raíz unitaria

Antes de proceder con el test de Dickey-Fuller, vale la pena preguntamos si existe algún otro tipo de evidencia
susceptible de ser extraída de los correlogramas. Al momento de especificar la forma de la prueba es necesario
indicar el número de rezagos por ser incluidos de la primera diferencia de Ia variable. Para esto es factible
examinar Ia FAP para determinar si las series exhiben un orden de autorregresión mayor a uno y, de esta
manera, incluir el numero de rezagos pertinente. En nuestro caso, ninguna de las cuatro funciones de
autocorrelación parcial muestra coeficientes significativos para ordenes mayores a uno; por tanto, al momento
de ejecutar el test de Dickey-Fuller utilizaremos el numero de rezagos que el programa sugiere por defecto. Si
existen dudas sobre este numero, puede utilizarse Ia regla practica que sugiere la inclusión T1/3 de rezagos,
donde T es el numero total de observaciones.
Si bien el análisis grafico sugiere que la prueba para las variables Y1 e Y4 debería ejecutarse sin tendencia,
empezaremos analizando los resultados del test considerando ambos componentes determinísticos; esto con el
fin de constatar como sus resultados son sensibles a la inclusión de estos componentes. Así, para las cuatro
pruebas cuyos resultados se detallan a continuación , se marco la opción Trend and intercept en la ventana del
test.
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.5. Resultados de las pruebas de una raíz unitaria

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2. Prueba de una raíz unitaria

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.5. Resultados de las pruebas de una raíz unitaria

En los cuatro casas analizados, se acepta la hip6tesis nula Ho: y = 0 al 5% de significancia, lo que
implica que el test revela que las cuatro series presentan una raíz unitaria. Para determinar la aceptación
o rechazo
de la hip6tesis nula basta con comparar el valor reportado como
ADF Test Statistic (que noes otra cosa que el t-estadfstico asociado al coeficiente que acompana al
rezago de la variable) contra el valor crítico de MacKinnon. En los cuatro casas se cumple que el valor
absoluto
del primero es menor que el del segundo para un 5% de significancia (l'ttl < IMacKj ), par lo que se
acepta la hip6tesis nula.
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.6. ¿Qué hacer ante Ia presencia de una raíz unitaria?

Hasta el momento hemos considerado un conjunto de pruebas que nos permite determinar si las series
de tiempo involucradas en nuestro análisis presentan o no un comportamiento estacionario. Tal como
se indic6 al inicio de este capitulo, de verificarse el carácter estacionario de nuestras series, es factible
proceder con el análisis econométrica clásico (aquel descrito en buena parte de este libro). Pero, 2,que
hacer si esto ultimo noes factible de ser verificado? Es decir, 2,que debemos hacer si luego de
explorar la evoluci6n de las series y sus correlogramas, y de aplicar la prueba de Dickey-Fuller y de
Zivot y Andrews, noes posible concluir que las series en cuesti6n son estacionarias?.

Si revisamos el grafico 9.4 observaremos que tenemos dos alternativas: la posibilidad de que la
ecuaci6n de regresi6n que vincula nuestras series sea una regresi6n espuria o que sea una ecuaci6n de
cointegraci6n. AI respecto, recuerde que para que dos series integradas cointegren, el error de Ia
ecuaci6n de cointegraci6n debe ser estacionario (1(0)).
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.7. Ejemplo
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.7. Ejemplo
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.7.1 La prueba de Dickey – Fuller GLS (ERS)

Después de la publicación de Nelson y Plosser (1982), que trata sobre las propiedades dinámicas de
determinadas series temporales macroeconómicas y financieras, se comienza a desarrollar
innumerables publicaciones como: El enfoque clásico considera que los shocks corrientes como
efectos temporales, en las series de tiempo y no inciden en el comportamiento a largo plazo de las
mismas.

Nelson y Plosser (1982) cambian este punto de vista, al argumentar que si se utilizan las técnicas
estadísticas desarrolladas por Dickey y Fuller (1979, 1981) (DF), se puede concluir que los shocks
corrientes tienen efectos en el comportamiento a largo plazo de la mayor parte de las series
macroeconómicas y financieras.

Para saber como los shock tiene efectos de largo plazo en las series, debemos plantear la hipótesis
nula, que sería el coeficiente de Yt-1, que sigue un estadístico τ (tau), que cuyos valores han sido
trabajados por Dickey – Fuller, pero que son limitados, por eso MacKinnon desarrollo tablas más
extensas que son incorporadas en Eviews.
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.7.1 La prueba de Dickey – Fuller GLS (ERS)

La pruebas de Dickey – Fuller puede ser estimada de tres distintas formas, bajo tres hipótesis nulas distintas.
En forma resumida esta prueba DFGLS consiste extraer primero la tendencia de la serie original, pero se trata de
una cuasidiferencia dada por Yt - ø Yt-1, donde a toma el valor de uno en el caso de Dickey Fuller Aumentado.
Por lo que el valor de ø representa un punto específico contra el cual se contrastara la hipótesis nula de un valor
menor que uno.

H0 ø = 1, la serie presenta raíz unitaria (la serie no es estacionaria)

H1 ø < 1, la serie no presenta raíz unitaria (la serie es estacionaria)

Después el procedimiento es el mismo que hemos mencionado líneas arriba, pero esta vez consultaremos la tabla
de Elliott - Rothenberg y Stock (1996).
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.7.2 Test Dickey-Fuller con GLS Tendencialmente (DFGLS)

Usted habrá notado anteriormente, que puede incluir una constante, o una constante y una tendencia de
tiempo lineal, en su ADF prueba regresión. Para estos dos casos, ERS (1996) propone una modificación
simple del ADF prueba la tendencia determinística para que las variables explicativas. ERS definen una
cuasi-diferencia donde “a” toma el valor de uno para ADF. Aquí el valor de “a” representa el punto
específico contra el cual contrastamos la hipótesis nula (valor menor de uno).
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.7.2 Test Dickey-Fuller con GLS Tendencialmente (DFGLS)

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.7.2 Test Dickey-Fuller con GLS Tendencialmente (DFGLS)

Note que en la ecuación anterior nosotros no incluimos xt el en la DFGLS prueba

ecuación. Como con la prueba de ADF, nosotros consideramos el t- ratio para proporción
para α de esta ecuación de la prueba.

Mientras el DFGLS proporciona una distribución Dickey con la constante solo en este
caso, la distribución de la asíntota difiere cuando usted incluye una constante y tendencia.
ERS (1996, tabla 1, pág.. 825) simula los valores críticos de la estadística de la prueba en
esta última escena para {T =50,100, 200,....∞} Así EViews nos proporciona los valores
críticos usando, en las simulaciones de MacKinnon sin constante.
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2. Pruebas de Phillips – Perron (PP)

Pruebas de Phillips – Perron (PP)
Phillips y Perron han desarrollado una teoría más completa de la
unidad. Raíz no estacionariedad. Las pruebas son similares a las
pruebas ADF, pero incorporan
una corrección automática al procedimiento de DF para permitir la
autocorrelación derechos residuales de autor. Las pruebas a
menudo dan las mismas conclusiones que, y sufren.
De la mayoría de las mismas limitaciones importantes, las pruebas
ADF.
La crítica más importante que se ha nivelado en las pruebas de raíz
unitaria es que su poder es bajo si el proceso es estacionario pero
con una raíz cerca del límite no estacionario. Entonces, por ejemplo,
consideremos un AR (1). Proceso de generación de datos con
coeficiente 0.95. Si la verdadera generación de datos proceso es
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2. Modelos de Series de Tiempo Multivariados y el Concepto de Cointegración

Modelo Autorregesivo Múltiple (VAR)

La idea fundamental del modelo VAR es tratar a todas las variables del sistema como variables endógenas. Es
decir, que cada variable en la parte derecha de la ecuación estará a su vez en la parte izquierda de la misma.
Otra característica es que las variables entran en la parte derecha en forma de rezagos, tal como se puede
apreciar en la siguiente ecuación que presenta un modelo VAR(p):
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.1 Modelo Autorregesivo Múltiple (VAR)

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.1 Modelo Autorregesivo Múltiple (VAR)

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.2. Modelo Autorregesivo Múltiple (VAR)

Y donde k representa el numero de coeficientes en el sistema que en el caso del modelo VAR serán iguales a (r
+ p × r 2 ). Por lo tanto, si el numero de observaciones T es pequeño (en el limite, igual al numero de
observaciones) o si el numero de coeficientes es grande, el error estándar tendera a crecer. Obviamente, esto
implicara que la pruebas de significancia estadísticas como la prueba t y la F, disminuirán, con lo que la
probabilidad de no rechazar la hipótesis nula de no significancia
aumentara, es decir, que se incrementara la probabilidad de cometer el error de tipo 2 (no rechazar la hipótesis
nula cuando esta es incorrecta).
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.3 Modelo Autorregesivo Múltiple (VAR)

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.3 Modelo Autorregesivo Múltiple (VAR)

La principal ventaja del modelo VAR es que como todas las variables son consideradas como endógenas, no se requiere
ninguna restricción adicional para calcular los coeficientes del modelo.
Comparado con los modelo univariados presentados en el capitulo 12, ARMA(p,q), este modelo explota las posibles relaciones
que pudieran existir entre variables al considerar que no solo la historia de una variable determina su comportamiento sino que,
además, considera que los rezagos de otras variables pueden influir en ella. Esto ultimo se puede claramente apreciar en la
ecuación (19) donde se observa que el modelo VAR tiene los rezagos de todas las variables incluidas en el sistema. Esto, a su
vez, ayuda a que los pronósticos generados por este modelo sean mucho mejores que los modelos univariados y que los
sistemas de ecuaciones. Finalmente nótese que, como en el modelo VAR, todas las variables explicativas son predeterminadas
(conocidas en el periodo t), se puede usar el método de mínimos cuadrados ordinarios ecuación por ecuación.

Sin embargo, los modelos VAR tienen ciertos problemas que se deben reconocer. El primero de ellos es que este es un modelo
a-teórico. Es decir, que como todas las variables son consideradas endógenas, no existe una relación estructural o de
dependencia que pudiera ser definida por algún modelo teórico. El otro problema, con este modelo, es el referido al numero de
parámetros a estimar.
Cabe recalcar que cuando se trabajan con datos financieros, como series de precios, en los que T (numero de observaciones)
es grande, este será un problema no tan importante.
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.3 Modelo Autorregesivo Múltiple (VAR)

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.3 Modelo Autorregesivo Múltiple (VAR)

En este ejemplo se presenta la manera de utilizar
EViews para estimar un modelo VAR(2). El
numero de rezagos de este ejemplo se ha
seleccionado arbitrariamente. El procedimiento para
seleccionar técnicamente el numero de rezagos se
presentara en la siguiente sección. Se continua
utilizando el archivo
“ejemplo_no_estacionariedad_estocastica.wf1”.
En este caso se creara un modelo VAR bivariado
usando los retornos en logaritmos de S&P 500 e
IBM. Se ha denominado a estas series “rsp” y
“ribm”, respectivamente. Para estimar un modelo
VAR(2) se procede de la siguiente manera:
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.3 Modelo Autorregesivo Múltiple (VAR)

Vector Autoregres s ion Es tim ates
Date: 07/15/19 Tim e: 20:19
Sam ple (adjus ted): 1/06/2000 7/12/2019
Included obs ervations : 4553 after adjus tm ents
Standard errors in ( ) & t-s tatis tics in [ ]

RSP500 RIBM

RSP500(-1) -0.067974 -0.053965

(0.01898) (0.02559)
[-3.58223] [-2.10892]

RSP500(-2) -0.065031 0.031079

(0.01890) (0.02549)
[-3.44025] [ 1.21923]

RIBM(-1) -0.004070 -0.006381

(0.01396) (0.01883)
[-0.29150] [-0.33889]

RIBM(-2) 0.012926 -0.035373

(0.01402) (0.01891)
[ 0.92178] [-1.87058]

C 0.000159 6.35E-05
(0.00018) (0.00024)
[ 0.90968] [ 0.26889]

R-s quared 0.007841 0.002802

Adj. R-s quared 0.006969 0.001925
Sum s q. res ids 0.634636 1.154087
S.E. equation 0.011813 0.015930
F-s tatis tic 8.985877 3.195029
Log likelihood 13750.90 12389.52
Akaike AIC -6.038172 -5.440159
Schwarz SC -6.031118 -5.433105
Mean dependent 0.000144 5.27E-05
S.D. dependent 0.011854 0.015945

Determ inant res id covariance (dof adj.) 2.10E-08

Determ inant res id covariance 2.10E-08
Log likelihood 27327.21
Akaike inform ation criterion -11.99965
Schwarz criterion -11.98555
Num ber of coefficients 10
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.3 Modelo Autorregesivo Múltiple (VAR). Determinación del orden de rezagos

del modelo VAR
Existen dos métodos para la determinación del numero optimo de rezagos del modelo VAR(p): el método basado en los criterios
de información y el método basado en la prueba de máxima verosimilitud.

Se empezara con el método basado en los criterios de información y, a continuación, se analizara el método de máxima
verosimilitud. Como en el caso de los modelos ARMA(p,q), se tendrá que determinar el numero de rezagos óptimos del modelo
VAR(p). Para ello se utilizaran los criterios de información.

Se recuerda que la idea general de cada uno de los criterios es que si se aumenta el numero de rezagos esto generara dos cosas:
por un lado, el ajuste del modelo mejorara porque la desviación estándar de los errores disminuirá; pero, por otro lado, el modelo
será mas complejo de estimar y de usar como herramienta de pronósticos, es decir, que se estará sacrificando la parsimonia del
modelo a expensas de un mejor ajuste.

En los modelos de series de tiempo la idea de parsimonia se refiere a que siempre se preferirá un modelo con un menor numero
de rezagos si la influencia marginal de incluir rezagos adicionales en el modelo es baja. De nuevo, esto se puede entender
fácilmente recordando que el numero de grados de libertad en los modelos esta dado por n - k, donde n es el numero de
observaciones y k el numero de parámetros (que incluye al intercepto y a los rezagos, no solo de la variable endógena yt sino
también de los rezagos de los errores).
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.3 Modelo Autorregesivo Múltiple (VAR). Determinación del orden de rezagos

del modelo VAR
Por lo tanto, si se incluyen mas rezagos, k se incrementara y los grados de libertad se reducirán, lo que a su vez afectara la
inferencia estadística que se desea realizar. Esto es particularmente cierto cuando el tamaño de la muestra es pequeño. Se debe
recordar que en el caso del modelo VAR(p) el número de parámetros “k” será igual a (r + p×r 2 ), donde “r” representa el número
de variables incluidas en el sistema y “p” el número de rezagos. Los tres métodos que se presentan a continuación son: Akaike
Information Criteria (AIC), Bayesian Information Criteria (BIC) también conocido como Schwarz Information Criteria (SIC)
y Hannan-Quinn Information Criteria (HQIC).
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.3 Modelo Autorregesivo Múltiple (VAR). Determinación del orden de rezagos

del modelo VAR
Donde, en todos los casos, |u’ × u| representa el determinante de la matriz de varianza-covarianza de los
2
errores u y donde, de nuevo, k = r + p × r . El segundo método para determinar el orden p del modelo VAR
se basa en la prueba de máxima verosimilitud. Para calcular el test de máxima verosimilitud, se estiman dos
modelos VAR: uno irrestricto y uno restricto. El primero será el modelo que contenga una cantidad máxima
deseada de rezagos 3, mientras que el segundo modelo (el restringido) será uno que contenga un numero de
rezagos menores. La idea es la de decidir entre alguno de estos dos modelos.

Por lo general, el numero máximo de rezagos se determina de acuerdo a la frecuencia de los datos. Por
ejemplo, si se tiene datos diarios se escoge 10; con datos trimestrales 8 y así sucesivamente. Otro criterio a
usar es el basado en el de parsimonia, es decir, que si se cuenta con pocos datos, el numero de rezagos a
utilizar deberá de ser pequeño.
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.3 Modelo Autorregesivo Múltiple (VAR). Determinación del orden de rezagos del modelo VAR
Vector Autoregres s ion Es tim ates

Rezago Akaike Schwarz Date: 07/15/19 Tim e: 21:47

Sam ple (adjus ted): 1/10/2000 7/12/2019
Included obs ervations : 4195 after adjus tm ents
R-squared 0.009538 0.006386
Adj. R-squared 0.007645 0.004487
1 -11.957 -11.948 Standard errors in ( ) & t-s tatis tics in [ ]
Sum sq. resids 0.591499 1.056950
RSP500 RIBM
S.E. equation 0.011887 0.015890
2 -5.440 -5.433 RSP500(-1) -0.068561 -0.044149 F-statistic 5.038576 3.363013
(0.01992) (0.02663)
3 -5.445 -5.435 [-3.44117] [-1.65766] Log likelihood
Akaike AIC
12645.55
-6.024576
11427.98
-5.444093
RSP500(-2) -0.072046 0.028791
4 -11.990 -11.963 (0.01997) (0.02670) Schwarz SC -6.010970 -5.430487
[-3.60685] [ 1.07824] Mean dependent 0.000149 6.28E-05
5 -11.969 -11.934 RSP500(-3) 0.029233 0.058852 S.D. dependent 0.011933 0.015926
(0.01979) (0.02646)

6 -5.438 -5.417 [ 1.47694] [ 2.22435]

Determinant resid covariance (dof adj.) 2.12E-08
RSP500(-4) -0.019823 -0.014962 Determinant resid covariance 2.11E-08
(0.01973) (0.02637)
[-1.00490] [-0.56743] Log likelihood 25167.29
Akaike information criterion -11.99012
Como se puede apreciar, RIBM(-1) -0.002207
(0.01492)
-0.020208
(0.01995) Schwarz criterion -11.96291
ambos criterios toman sus [-0.14790] [-1.01299]
Number of coefficients 18
RIBM(-2) 0.013116 -0.043091
valores mínimos cuando el (0.01485)
[ 0.88318]
(0.01985)
[-2.17057]
numero de rezagos es 4. Por RIBM(-3) -0.022516 -0.023359

lo tanto, el numero de rezagos (0.01447)

[-1.55609]
(0.01934)
[-1.20766]

optimo de acuerdo a los RIBM(-4) 0.010674

(0.01445)
0.043608
(0.01931)
criterios de información será 4. [ 0.73891] [ 2.25838]

C 0.000165 6.51E-05
(0.00018) (0.00025)
[ 0.89817] [ 0.26519]
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.4 Interpretación de los resultados obtenidos con el modelo VAR

Un problema que a menudo ocurre cuando se desean interpretar los resultados obtenidos mediante un modelo VAR(p) esta
relacionado con el numero de coeficientes estimados. Cuanto mayor sea este numero, mayor será la dificultad en tratar de
interpretar los resultados basados en la interpretación de cada uno de los coeficientes del sistema. Es por eso que existen otras
formas de analizar los resultados. En esta sección se presentaran los siguientes: significancia en bloques y la causalidad de
Granger, las funciones de impulso-respuesta y el análisis de varianza.

Significancia en bloques y la causalidad de Granger

Para comprender esto se parte de la ecuacion. Esta ecuacion representa a un modelo VAR(2) bivariado y que se vuelve a escribir
a continuación:
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.4 Interpretación de los resultados obtenidos con el modelo VAR

La idea del test de significancia en bloques es determinar si todos (o algunos) o de los rezagos de las variables
incluidas en el sistema ejercen (causan) algún tipo de influencia en las variables endógenas. En este sentido se
pueden observar los siguientes posibles bloques de causalidad:

Por lo tanto, si b) y c) ocurren, se tendrían dos modelos univariados AR(2), uno para cada variable y. Si ocurren
b) y c), es decir, que los rezagos de la variable y1,t no influencian a la variable yt,2 pero que los rezagos de la
variable y2,t influencian la variable y1,t se tendrá un caso de causalidad unidireccional. Esto se puede observar
re-escribiendo la ecuación anterior de acuerdo a que b) y c) se cumplen:
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.3 Modelo Autorregesivo Múltiple (VAR)

Como se puede apreciar, la ecuación que corresponde a y2,t es simplemente un modelo AR(2). En este
sentido, se afirma que la variable y2,t Granger-causa a la variable y1,t y que la variable y1,t no Granger-causa a
la variable y2,t . Es decir, que en este caso la variable y2,t es una variable estrictamente exógena y la variable
y1,t es una variable estrictamente endógena. Es también posible que la causalidad sea bidireccional, es decir,
que los rezagos de la variable y1,t Granger-causen a y2,t y que a su vez los rezagos de y2,t Granger-causen a
la variable y1,t . Finalmente es posible que no exista ningún tipo de causalidad en cuyo caso se dirá que las
variables son independientes. Se advierte que la causalidad se refiere simplemente a la influencia que
ejercen las variables rezagadas en alguna variable en el periodo t y no necesariamente a alguna otra forma
de dependencia que pudiera existir entre las variables.
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.4 Significancia en bloques y la causalidad de Granger

Se continúa con el ejemplo 7 y se utiliza EViews para determinar la causalidad de Granger. El procedimiento es el
siguiente:
Quick/ Group Statistics/Granger Causality Test
Aparecerá una ventana en la que se pedirá que se ingresen las variables (rsp y ribm) y el número de rezagos. El
resultado de la causalidad en el sentido de Granger se presenta a continuación:
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.5 La función impulso‐respuesta y la descomposición de la varianza

Los coeficientes de regresión estimados por un modelo VAR tienen cierta dificultad de Interpretación, por lo que más acertado
es obtener la llamada función.
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.6 Representación (MA) de los modelos VAR

Una forma alternativa de representación 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 estructurales:
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.4 Interpretación de los resultados obtenidos con el modelo VAR

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.6 Representación (MA) de los modelos VAR

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.4 Interpretación de los resultados obtenidos con el modelo VAR

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.4 Interpretación de los resultados obtenidos con el modelo VAR

Es una representación MA (∞).Esta representación pudo ser transformada de tal forma que los valores
actuales de las variables sean una función de los valores presentes y pasados de un vector de
innovaciones ortogonales: como los errores en no tienen por qué estar no correlacionados, se
acostumbra pre multiplicar dicha ecuación por la única matriz triangular (T), con unos en la diagonal
principal, que diagonalizará la matriz de covarianzas del error. Así, se obtiene un nuevo modelo con
errores ortogonales: Ejemplo: función de IR para un VAR (1) Se tiene:
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.4 Descomposición de Cholesky

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.4 Interpretación de los resultados obtenidos con el modelo VAR

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.4 Interpretación de los resultados obtenidos con el modelo VAR

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.4 Interpretación de los resultados obtenidos con el modelo VAR

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.4 Interpretación de los resultados obtenidos con el modelo VAR

Se continúa con los datos del ejemplo 9, se sigue el siguiente procedimiento para obtener las funciones de impulso-
respuesta. Lo primero que se debe hacer es correr el modelo VAR(p) con el número de rezagos. Luego, en la
ventana de los resultados de este modelo seleccionar “Impulse”. Al hacer esto aparecerá una ventana tal como la
que se presenta en el gráfico.
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.4 Interpretación de los resultados obtenidos con el modelo VAR

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.4 Interpretación de los resultados obtenidos con el modelo VAR

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.4 Interpretación de los resultados obtenidos con el modelo VAR

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.4 Interpretación de los resultados obtenidos con el modelo VAR

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.4 Interpretación de los resultados obtenidos con el modelo VAR

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.4 Interpretación de los resultados obtenidos con el modelo VAR

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.4 Interpretación de los resultados obtenidos con el modelo VAR

La forma de leer estos gráficos es la siguiente: los gráficos de la diagonal representan
respuestas a shocks de las mismas variables. Por ejemplo, el grafico de la esquina superior
izquierda representa la respuesta de “RSP500” causados por un shock unitario a la misma
variable “RSP500”. El grafico superior de la esquina derecha presenta la respuesta de
“RSP500” a shocks in “RIBM”. Como se puede observar si “RIBM” recibe un shock el efecto
de este en “RSP500” es inelegible. Sin embargo, si se observa el gráfico inferior izquierdo,
se puede observar que un shock unitario de “RSP500” tiene un efecto significativo pero de
corta duración (1 día) en “RIBM”.
Se continua con el ejemplo anterior, pero esta vez se calcula la descomposición de la
varianza de las variables del sistema (“RSP500” y “RIBM”). Para eso, se corre de nuevo el
modelo VAR(1) y en esa ventana realizar lo siguiente: Quick/ Variance Decomposition
Aparecerá una ventana bastante similar a la de las funciones de impulso-respuesta y los
resultados que se obtienen se presentan en el siguiente gráfico.
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.4 Interpretación de los resultados obtenidos con el modelo VAR

La forma de entender es bastante similar al caso de las
funciones de impulso respuesta.
Los datos de la representan la proporción de la varianza
de las variables que es explicada por shocks en las
mismas variables. Por ejemplo, el grafico de la esquina
superior izquierda representa la variabilidad de “RSP500”
que es causada por un shock unitario a la misma variable
(“RSP500”). Como se puede apreciar, casi el 100% de
esta variabilidad es causada por shocks en la misma
variable.
Si se observa el grafico inferior derecho (el caso de
“RIBM”) se advierte que la variabilidad en esta variable es
explicada en mas o menos un 50% por shocks en la
misma variable y, observando el grafico inferior izquierdo,
se puede ver que aproximadamente 49,6% de la variación
en “RIBM” puede ser explicada por shocks en “RSP500”.
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.7 Pronósticos
Se sigue con el archivo de EViews “ejemplo_no_estacionariedad_estocastica.wf1”. Lo primero que
se tiene que hacer es estar seguro que se esta en la pantalla del modelo VAR con rezagos óptimos.
Se recomienda correr el modelo de nuevo en caso de no estar seguro. Una vez en esa ventana se
sigue el procedimiento que se detalla a continuación.

Options/ Make Model/ Solve

Cuando aparece la ventana de los resultados se selecciona el tipo estático de pronostico. Si se

desean realizar los pronósticos de los retornos de los últimos 5 días de la muestra (522 al 526) como
las fechas deseadas para los pronósticos. La pantalla se presenta en el siguiente gráfico.
Los resultados del pronostico aparecerán en la hoja de trabajo inicial con el nombre de la variable
original seguida de “_0”. Por ejemplo, los pronósticos de RIBM se llamaran “RIBM _0”.
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.8 Cointegración
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.8 Cointegración
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.8 Cointegración
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.8 Cointegración
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.8 Cointegración
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.8 Cointegración
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.9 Cointegración: El método de Engle-Granger

Este método se basa en la idea presentada en la ecuación (55). Es decir, si se tienen series I(1), lo
que se puede hacer es simplemente correr la regresión y analizar si los residuos estimados son I(0)
o
estacionarios. Para la prueba de estacionariedad se puede usar el test de ADF presentado
anteriormente.
Ejemplo 14:
Se utiliza el archivo “ejemplo_cointegracion.wf1”. Este archivo contiene información sobre el
índice S&P 500 y los precios de las acciones de IBM. Se tienen 5104 observaciones que cubren un
periodo de dos anos (desde el 3 de enero del 2000 al 12 de julio del 2019). El grafico presenta
los datos en niveles y el grafico 18 las series en logaritmos (se denominara a las series en
logaritmos
“libm” y “lsp500”).
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.8 Cointegración
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.8 Cointegración
Se percibe que ambas series son básicamente idénticas. Lo único que se ha hecho al tomar logaritmos es
reducir la escala de los números. Por lo tanto, que quede claro que al utilizar los logaritmos no se esta de
ninguna manera solucionando el problema de no estacionariedad de las series.

Se continua con el ejemplo y se recuerda que en esta ocasión se esta interesado en la existencia de una
relación de largo plazo entre ambas variables, por lo que se vera, en primer lugar, si ambas series son
integradas de orden 1 y, en segundo lugar, si existe un vector de cointegración entre ambas
que permita utilizar un modelo de corrección de errores. Primero, se determina si ambas series son I(1). Para
eso se hace el test de raíz unitaria a cada una de las series tal como se mostro en el ejemplo 4. Los resultados
se presentan en el grafico.
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.9 Cointegración: El método de Engle-Granger

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.9 Cointegración: El método de Engle-Granger

Como se aprecia en este grafico, se rechaza la hipótesis nula de raíz

unitaria, por lo que se puede concluir que los errores estimados son en
realidad I(0).
En conclusión, se puede afirmar que existe una relación de largo plazo
entre el índice S&P500 y el precio de las acciones de IBM. Esto
permitirá usar el modelo de corrección de errores que se presenta a
continuación.
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.10 Cointegración: El método de Johansen

El método de Engle-Granger presenta numerosos problemas, entre los cuales el mas importante esta
dado por la capacidad de este de encontrar un vector de cointegración sin importar el numero de
variables que se están estudiando. En el ejemplo anterior esto no fue un problema, puesto que solo se
analizaron dos variables (por lo tanto, el máximo numero de vectores de cointegración es1). Sin
embargo, si se tiene un numero mayor de variables el numero máximo de vectores de cointegración a
encontrar con este método será siempre 1. Peor aun, muchas veces al usar este método el investigador
puede no encontrar un vector de cointegración cuando, en realidad, si existe uno o más (dependiendo
del numero de variables con que se cuenta).
Por lo general, frente a este problema se prefiere utilizar un método basado en matrices y que es
conocido como el método de cointegración de Johansen. Para comprender este método se parte de la
ecuacion (48) que se reproduce aquí:
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.10 Cointegración: El método de Johansen

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.10 Cointegración: El método de Johansen

En el caso de tener variables estacionarias se puede demostrar que la matriz Γ tendría rango
completo, es decir, que el numero de valores propios diferentes de cero seria exactamente igual al
numero de variables en el sistema, que en este caso se ha llamado “r”. En el caso que se tengan
variables I(1), el rango necesariamente será menor a r, lo que a su vez significa que el numero de
valores propios también será menor que r. Se debe de recordar que a cada valor propio le
corresponde un vector propio. En el caso de la prueba de Johansen, estos vectores propios
corresponden a los vectores de cointegración que se están buscando.
Como se menciono anteriormente, el numero máximo de vectores de cointegración es igual a r - 1.
La prueba se desarrolla de la siguiente manera. Primero, se calculan los valores propios (λ) de
la matriz Γ y se les ordena de manera descendente: λ1 ≥ λ2 ≥ ... ≥ λ.
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.10 Cointegración: El método de Johansen

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.10 Cointegración: El método de Johansen

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.10 Cointegración: El método de Johansen

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.10 Cointegración: El método de Johansen

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.10 Cointegración: El método de Johansen

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.10 Cointegración: El método de Johansen

Es importante entender este ejemplo ya que los resultados
presentados por EViews son bastante similares. El siguiente ejemplo
presenta la forma en la que se desarrollara el test de Johansen
usando EViews.
Ejemplo:
Se sigue con los datos del ejemplo 14 y utilizando el archivo EViews
“ejemplo_cointegracion.wf1”. El objetivo de este ejemplo es mostrar
la forma de llevar a cabo la prueba de cointegración de Johansen.
Para esto se crea un grupo con las dos variables de interés (“libm” y
“lsp500”). Se recuerda que para hacer un grupo se sombrea ambas
series, luego se presiona el botón derecho del ratón y se selecciona
“Make Group”. Una vez en la ventana del grupo, hacer lo siguiente:
View/ Cointegration/Test. Aparecerá la ventana que se presenta en
el grafico en el que se ingresara como numero de rezagos el 5.
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.10 Cointegración: El método de Johansen

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.10 Cointegración: El método de Johansen

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.10 Cointegración: El método de Johansen

Error Correction: D(RSP500) D(RIBM)

CointEq1 -1.306333 -0.277196

(0.05075) (0.07252)
[-25.7416] [-3.82256]
R-squared 0.509977 0.419188
Adj. R-squared 0.508881 0.417889
D(RSP500(-1)) 0.210027 0.171504
(0.04480) (0.06402)
Sum sq. resids 0.610209 1.245974
[ 4.68763] [ 2.67879] S.E. equation 0.012316 0.017599
D(RSP500(-2)) 0.120558 0.149078 F-statistic 465.2022 322.6128
(0.03808) (0.05442) Log likelihood 12015.00 10575.48
[ 3.16551] [ 2.73935]
Akaike AIC -5.953383 -5.239512
D(RSP500(-3)) 0.116148 0.145504 Schwarz SC -5.937756 -5.223886
(0.02987) (0.04269)
[ 3.88802] [ 3.40859] Mean dependent 3.87E-05 6.17E-05
S.D. dependent 0.017574 0.023066
D(RSP500(-4)) 0.063805 0.071911
(0.02067) (0.02953)
[ 3.08751] [ 2.43519] Determinant resid covariance (dof adj.) 2.64E-08
D(RIBM(-1)) -0.377377 -0.881013 Determinant resid covariance 2.63E-08
(0.02001) (0.02859)
[-18.8625] [-30.8171]
Log likelihood 23753.44
Akaike information criterion -11.76863
D(RIBM(-2)) -0.267616 -0.677251
(0.01980) (0.02829)
Schwarz criterion -11.73425
[-13.5192] [-23.9427] Number of coefficients 22
D(RIBM(-3)) -0.187432 -0.459328
(0.01791) (0.02559)
[-10.4671] [-17.9511]

D(RIBM(-4)) -0.086343 -0.193649

(0.01406) (0.02008)
[-6.14299] [-9.64167]

C 1.25E-06 -1.54E-05
(0.00019) (0.00028)
[ 0.00643] [-0.05543]
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.11 Cointegración: Vectores de Corrección

Vector Error Correction Estimates D(RSP500(-3)) 0.116148 0.145504
Date: 07/16/19 Time: 02:46 (0.02987) (0.04269) R-squared 0.509977 0.419188
Sample (adjusted): 1/11/2000 7/12/2019
Included observations: 4033 after adjustments
[ 3.88802] [ 3.40859] Adj. R-squared 0.508881 0.417889
Standard errors in ( ) & t-statistics in [ ]
D(RSP500(-4)) 0.063805 0.071911 Sum sq. resids 0.610209 1.245974
Cointegrating Eq: CointEq1
(0.02067) (0.02953) S.E. equation 0.012316 0.017599
[ 3.08751] [ 2.43519]
F-statistic 465.2022 322.6128
RSP500(-1) 1.000000
D(RIBM(-1)) -0.377377 -0.881013 Log likelihood 12015.00 10575.48
(0.02001) (0.02859)
RIBM(-1) -0.361570
[-18.8625] [-30.8171]
Akaike AIC -5.953383 -5.239512
(0.01733)
[-20.8672] Schwarz SC -5.937756 -5.223886
D(RIBM(-2)) -0.267616 -0.677251
(0.01980) (0.02829)
Mean dependent 3.87E-05 6.17E-05
C -0.000105
[-13.5192] [-23.9427] S.D. dependent 0.017574 0.023066
Error Correction: D(RSP500) D(RIBM)
D(RIBM(-3)) -0.187432 -0.459328
CointEq1 -1.306333 -0.277196 (0.01791) (0.02559) Determinant resid covariance (dof adj.) 2.64E-08
[-10.4671] [-17.9511]
(0.05075) (0.07252) Determinant resid covariance 2.63E-08
[-25.7416] [-3.82256]
D(RIBM(-4)) -0.086343 -0.193649 Log likelihood 23753.44
D(RSP500(-1)) 0.210027 0.171504 (0.01406) (0.02008) Akaike information criterion -11.76863
(0.04480) (0.06402) [-6.14299] [-9.64167]
[ 4.68763] [ 2.67879] Schwarz criterion -11.73425
C 1.25E-06 -1.54E-05 Number of coefficients 22
D(RSP500(-2)) 0.120558 0.149078 (0.00019) (0.00028)
(0.03808) (0.05442) [ 0.00643] [-0.05543]
[ 3.16551] [ 2.73935]
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.11 Cointegración: Vectores de Corrección

Una vez que se ha determinado este modelo, se pueden construir las funciones de impulso respuesta.
Para esto en la ventana de resultados del modelo VEC(1) presionar “Impulse”. Después de esto
aparecerá una ventana de instrucciones. Como se esta tratando de ver relaciones de largo plazo,
normalmente el numero de periodos es mayor que el seleccionado en el caso del modelo VAR. A
modo de ejemplo se escribe 25 (como se tienen datos diarios, 25 días es aproximadamente un mes).
 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.11 Cointegración: Vectores de Corrección

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.11 Cointegración: Vectores de Corrección

 SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)

9.2.11 Cointegración: Vectores de Corrección

Nos vemos en la Sesión N°10
Gracias!

MBA. Rafael Bustamante