Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
9. OBJETIVOS
Resaltar los problemas que pueden surgir si se usan datos no estacionarios en su forma de niveles
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)
SMPL 2 1000
SMPL @ALL
'=========================================================
SESIÓN N° 9
MODELANDO RELACIONES A LARGO PLAZO EN FINANZAS Y EL CONCEPTO DE
VALUE AT RISK (VAR)
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)
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)
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.
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)
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)
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)
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)
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)
RSP500 RIBM
C 0.000159 6.35E-05
(0.00018) (0.00024)
[ 0.90968] [ 0.26889]
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)
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
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)
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)
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)
9.2.7 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.
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)
9.2.8 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)
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)