Macroeconometria Aplicada Con Eviews

Macroeconometría Aplicada con E-Views 5
Expositor: José Carlos Tello
Macroeconometría Aplicada con

EViews 5.0
Macroeconometría con EViews 5.0 1

Sesión 1
Econometría teórica y aplicada1
Tanto la econometría teórica como la aplicada presentan dos aproximaciones
la clásica y la Bayesiana. En el curso nos concentraremos en la econometría clásica,
salvo que hagamos explícito el uso de la tradición Bayesiana. La econometría teórica
está vinculada al desarrollo de métodos apropiados para la medición de relaciones
económicas especificadas por modelos econométricos, dicha área de estudio nos
indica el método de estimación, sus propiedades y sus desventajas cuando uno o más
supuestos no se cumplen.
En el caso de la econometría aplicada, usamos las herramientas que nos

provee la econometría teórica para estudiar algún área específica de la economía o de
las finanzas. En el curso ha dictarse pretendemos mostrar con diversos ejemplos
campos de la economía las cuáles hemos divido en dos grupos: Macroeconometría y
Microeconometría. Esta clasificación depende obviamente de los campos de la
economía ha tratarse, y no de los métodos de estimación. Como veremos en el
desarrollo de los cursos varios métodos de estimación pueden ser aplicados tanto para
la Macroeconomía como para la Microeconomía.
Modelo de Regresión Lineal Clásica
y n x1 = X n x k β k x1 + ε n x1
Errores no
controlados
Variable Variables
dependiente independientes
También podemos representarlo haciendo explícitas las matrices, observa las

dimensiones de los vectores y el número de columnas de la matriz X.
 y1   x11 x12 L x1k   β1   ε 1 

y   1    
 2  =  x2 x22 L x2k   β 2  ε 2 
+
M M O O M  M   M 
   1    
 y n   xn xn2 L xnk   β k  ε n 
El vector β contiene los efectos marginales de cada variable independiente sobre la

variable dependiente.
∂ y1 ∂ yn
= β 1 =
∂ x11 ∂x 1n
1
Tomado del libro Basic Econometrics de Damodar Gujarati (2003).

Como podemos observar dichos efectos marginales son constantes, no varía

entre los datos de la muestra. Esto es obvio porque se trata de un modelo lineal (lineal
con respecto a los parámetros).
Repasemos las características de este modelo, el orden de ellas está relacionado

a su importancia en la econometría práctica.
1. Ortogonalidad entre las variables explicativas y los errores. Las variables

explicativas o independientes no pueden tener correlación alguna con los
errores. Matemáticamente esta idea tiene la siguiente notación:
E [X ' ε ] = 0
Si en un modelo econométrico las variables explicativas o alguna de ellas tienen

correlación con los errores, en ese caso será una muestra que los errores contienen
información útil para la estimación. Por ello, es necesario especificar bien el modelo
para extraer toda la información posible2.
2. Los errores se caracterizan por poseer una varianza constante

(homocedasticidad). La idea es que los errores no pueden presentar ningún
comportamiento definido, solo deben estar alrededor de cero y con una
variabilidad que se pueda controlar (varianza constante).
σ 2 0 L 0 
 
0 O L 0
E [εε ' ] = σ I n =
2 
 M O σ2 M 
 2
 0 L L σ 
3. La no multicolinealidad de las variables explicativas. En la matriz de

información X no podemos tener dos o más variables que posean el mismo
comportamiento, de ser ese el caso estaríamos incrementado el número de
variables explicativas sin sentido. Matemáticamente, decimos que el rango de
la matriz X es igual a k.
4. La distribución de los errores ( ε ) condicional a X es conjuntamente normal.
Matemáticamente podemos expresar esta idea de la siguiente manera:
ε | X ~ N (0,σ 2 I n )
5. El modelo es lineal con respecto a los parámetros.
Sobre el tamaño de la muestra
En esta sección haremos mención tanto a una variable de corte transversal

como a una serie de tiempo. En econometría y meteorología lamentablemente el
investigador no puede realizar experimentos controlados. De ahí que nuestras
variables explicativas no sean variables de control como sucede en la física,
microbiología, economía experimental, entre otras disciplinas. Debido a esto, el tema
2
En el contexto de series de tiempo, la idea será que las variables explicativas son ortogonales a los
errores en el pasado, presente y futuro.

sobre el tamaño de la muestra es importante antes de realizar cualquier tipo de

estimación. En el caso que nuestra investigación solo considere un grupo de
individuos, empresas o países sin importar el periodo de tiempo, la muestra debe ser
de buena calidad, es decir, representativa de la población, las características deben
ser similares a la muestra para una encuesta. La muestra debe considerar las
principales características de la población. Por ejemplo, si queremos estimar la función
de costos de una industria, debemos recopilar información de empresas grandes,
medianas y pequeñas, en una proporción similar a la población; también deberíamos
considerar otras características como la evaluación crediticia, la percepción del
mercado en cuanto a su desempeño futuro, entre otros. A modo de resumen, la
muestra debe ser reflejo en una escala más pequeña de la población.
En el caso que la base de datos sea series de tiempo, la muestra debe ser de
buena calidad, tanto en su tamaño como el periodo que contiene. Por ejemplo, si la
base de datos es de frecuencia mensual durante 5 años, el tamaño de la muestra es
importante (60) pero esto no es suficiente. En el caso que durante esos 5 años la
economía estuvo bajo un contexto de recesión entonces no podemos utilizar dicha
muestra para inferir sobre futuros escenarios de expansión, de igual manera en el
caso contrario. Por otro lado, si nuestra muestra captura escenarios de expansión,
recesión y contracción pero solo contamos con 10 datos anuales, entonces tendríamos
una muestra pequeña pero representativa de la situación que queremos evaluar. Las
limitaciones en este caso son de carácter operacional como el tener pocos grados de
libertad, funciones de distribución no específicas al realizar las hipótesis de trabajo,
entre otras.
Posibles errores en la elección de la muestra

%
17 Muestra de 24 datos en periodo con cambios estructurales
12
-3
Muestra de 60 datos mensuales en
periodo de recesión y recuperación
-8
Muestra de 10 datos anuales en

-13
periodo de expansión y
contracción
-18
1970 1972 1974 1976 1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 2002
Periodos de expansión PBI
Cambios estructurales en el sistema económico

Mínimos Cuadrados Ordinarios (MCO)

El método de Mínimos Cuadrados Ordinarios es el más utilizado para la
estimación de modelos lineales como el presentado anteriormente. El método consiste
en minimizar la suma de los residuos al cuadrado, matricialmente sería:
(
min ee' = y − Xβˆ y − Xβˆ ')( )
Observa que la función a minimizar considera los residuos estimados (e) pues el
vector que minimiza la función es β̂ , el vector de parámetros estimados.
βˆ = ( X ' X )−1 X ' y
El R2, el coeficiente de determinación:
∑ ( ŷ
i =1
i − y)
2
∑ (y − y)
2
i
i =1
Aplicación 1: Abrir el programa ols_matrices.prg
Propiedades del estimador de MCO
Muestra pequeña: la idea de esta sección es mostrar las características de la

distribución del estimador de MCO para una muestra de tamaño n.
• El Teorema Gauss-Markov nos dice que el estimador de MCO es eficiente (su

varianza es la más pequeña que cualquier otro estimador).
• El estimador de MCO es una función de la muestra (y,X) si dichas variables
son aleatorias entonces el estimador también lo será. Si fijamos X y tenemos
todas las posibles realizaciones de y tomamos el promedio de los β̂ MCO y dicho
promedio será igual al verdadero valor β .
• Eficiencia del estimador MCO. Si calculamos el β̂ MCO para las diferentes
muestras, el promedio de dichos estimadores coincidirá con el valor verdadero.
Aplicación 2: abrir el workfile nerlove.wf1 y el programa nerlove.prg
Nerlove, en un paper de 1963, presenta un estudio de retornos constantes a

escala en la industria eléctrica3. Esta industria presenta las siguientes características:
i) Existe un poder monopólico local sobre la demanda, ii) el precio de la electricidad es
fijada por una comisión, y iii) los precios de los factores están dados en el mercado.
3
Nerlove, M 1963, “Returns to scale in electricity supply” in C. Christ (ed.), Measurement in Economics:
Studies in Mathematical Economics and Econometrics in Memory of Yehuda Grunfeld, Stanford:
Stanford University Press. Ejemplo tomado del libro Econometrics de Fumio Hayashi.

La base de datos corresponde a un corte transversal para 145 firmas en 44

estados para el año 1955. Las variables disponibles son las siguientes: costo total,
precios de los factores (salarios, combustible y renta del capital) y la cantidad
producida.
ln(tci ) = β 1 + β 2 ln(qi ) + β 3 ln( pi1 ) + β 4 ln( pi 2 ) + β 5 ln( pi 3 ) + ε i
Una vez que la ecuación está linealizada procedemos a estimar la función de

costos de esta industria.
Dependent Variable: LNTC

Method: Least Squares
Date:
Sample: 1 145
Included observations: 145
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
LNQ 0.720394 0.032598 22.09965 0.0000
LNPF 0.426517 0.075483 5.650525 0.0000
LNPK -0.219888 0.323812 -0.679062 0.4982
LNPL 0.436341 0.245636 1.776375 0.0778
C -3.526503 1.718601 -2.051962 0.0420
R-squared 0.925955 Mean dependent var 1.724663
Adjusted R-squared 0.923840 S.D. dependent var 1.421723
S.E. of regression 0.392356 Akaike info criterion 1.000578
Sum squared resid 21.55201 Schwarz criterion 1.103224
Log likelihood -67.54189 F-statistic 437.6863
Durbin-Watson stat 1.013062 Prob(F-statistic) 0.000000
Pasos para analizar la validez de una estimación por MCO.
a) Analizar los impactos marginales, es decir, que el signo de los parámetros

coincida con la hipótesis de trabajo (teoría económica).
b) Contrastar el grado de significancia de los parámetros estimados. Regla
práctica: la probabilidad debe ser menor a 0.05. Esto significa que la
probabilidad de equivocarse al rechazar la hipótesis nula es muy baja. El límite
de 0.05 es fijado por consenso, en otros experimentos controlados el límite
fijado es 0.01.
c) Una vez que los pasos a) y b) fueron exitosamente evaluados, el siguiente
paso es verificar el poder de explicación del modelo. El modelo debe pasar con
éxito la prueba F y poseer un R2 alto según nuestros objetivos.
d) Evaluar si el modelo cumple con los supuestos principales del modelo de
regresión lineal clásico. Ortogonalidad de las explicativas y los errores,
homocedasticidad de los errores, linealidad del modelo con respecto a las
variables explicativas (parámetros constantes).
Cumplimiento de los supuestos
a) Homocedasticidad de los errores
Identificación

Para ello es necesario realizar el contraste de Heterocedasticidad de White. En la

ventana equation nerlove nos dirigimos al menú view/residual test/white
heterocedasticity y obtenemos lo siguiente:
White Heteroskedasticity Test:

F-statistic 13.15597 Probability 0.000000
Obs*R-squared 63.25830 Probability 0.000000
Test Equation:
Dependent Variable: RESID^2
Date:
Sample: 1 145
White Heteroskedasticity-Consistent Standard Errors & Covariance
C -87.64151 66.36558 -1.320587 0.1889
LNQ -0.490494 0.203676 -2.408211 0.0174
LNQ^2 0.035285 0.015245 2.314480 0.0221
LNPF -0.667674 0.755455 -0.883803 0.3784
LNPF^2 0.131132 0.136257 0.962387 0.3376
LNPK 34.92245 25.98195 1.344104 0.1812
LNPK^2 -3.380661 2.521163 -1.340913 0.1822
LNPL -0.150605 0.980580 -0.153587 0.8782
LNPL^2 0.180019 0.755111 0.238400 0.8119
La idea del contraste es muy simple, la hipótesis es si la varianza de los errores

(estimados mediante los residuos al cuadrado) es variable y depende de las variables
explicativas. Para ello, se estima un modelo lineal cuya variable dependiente es el
residuo al cuadrado y las explicativas son las variables independientes en niveles y al
cuadrado. Si la varianza es constante entonces todos los parámetros salvo la
constante no son significativos y para evaluar esta hipótesis basta realizar la prueba F.
De acuerdo a la prueba F calculada, se rechaza la hipótesis nula. ¿Cuál es la

hipótesis nula? La nula es que la relación estimada ofrece la misma información que
una regresión donde solo considera la constante, es decir, la varianza es constante a
lo largo de la muestra (homocedasticidad). Viendo el contraste calculado observamos
que los parámetros de lnq y (lnq)2 son significativos, es decir, ayudan a explicar el
componente de la varianza que no es constante.
Problemas
El problema de no corregir la heterocedasticidad en un modelo lineal es que las

pruebas de inferencia sobre los parámetros estarían distorsionadas. En la práctica la
prueba de significancia de los parámetros, la prueba F, y otros contrastes específicos
sobre los parámetros no están garantizados que se comporten como en la teoría. Sin
embargo, los parámetros estimados son los mismos corrigiendo o no la
heterocedasticidad.

Solución
La solución es estimar el modelo mediante MCGF (Mínimos cuadrados

generalizados factibles). Para la corrección del problema solo basta ir a la ventana de
la ecuación estimada y hacer clic en el botón: options. A continuación se muestra la
siguiente ventana:
Dado que nuestra base de datos es de corte transversal, la opción a utilizarse

es “White” esta opción corrige la heterocedasticidad de los residuos. En cambio, la
opción Newey-West corrige tanto la heterocedasticidad como la autocovarianza de los
residuos pero esto se da en un contexto de series de tiempo. Observa que los
parámetros estimados no han variado pero si las desviaciones estándar de los
parámetros.
b) Linealidad del modelo (efectos marginales constantes)
Identificación
La linealidad del modelo implica que los parámetros estimados deben ser
constantes en todo el periodo de estimación. Uno de los test para evaluar dicha
linealidad es el de coeficientes recursivos. Para ello, en la ventana de la ecuación
estimada nos dirigimos al menú view/stability test/recursive estimation

Elegimos la opción recursive coefficients. Aclaremos que c(1) corresponde al

primer parámetro estimado, en nuestro ejemplo, corresponde a la elasticidad producto
– costo total. El método de estimación recursiva, es una idea muy simple, consiste en
estimar el modelo utilizando la muestra más pequeña posible y observar los
parámetros estimados, luego se agrega un dato a la muestra y se vuelve a estimar, y
este es el método recursivo y podemos ver como se comporta los parámetros cuando
ampliamos la muestra.
Parece que los parámetros 1 y 5 son los más inestables del modelo. Para
verificar si esto pone en riesgo la estabilidad del modelo en su conjunto, realicemos el
test CUSUM Square que está en la misma ventana.

Efectivamente, el estadístico CUSUM of Squares sale de la banda de

confianza. Por lo tanto, el modelo no es estable en sus parámetros en las primeras 50
empresas de la base de datos.
Problemas
Si la linealidad del modelo no se cumple, esto llevaría a problemas en la

simulación o proyección de variables. Recordemos que los parámetros o efectos
marginales se asumen constantes, por lo tanto son efectos promedio dada la muestra.
Si esos efectos son muy variables entorno a esa muestra entonces sus valores
esperados o promedios (valores esperados condicionados a la muestra) no coincidirán
con el verdadero valor del efecto marginal. El error de predicción sería
extremadamente alto y el modelo tendría poco valor en la práctica.
Solución
Las soluciones son variadas y esto depende de la fuente de inestabilidad.

Examinemos las fuentes de inestabilidad y las soluciones a seguir.
a) Mala especificación del modelo. Esto puede ser originado por variables
omitidas, mala especificación de la función a estimar y restricciones en los
parámetros.
b) Quiebre estructural. En el caso de muestras de corte transversal, este quiebre
estructural se debe a cambios en los efectos marginales por grupos o sub-
muestras. En nuestro ejemplo, esta inestabilidad se debería a que ¿la
elasticidad producción – costo total es diferente por grupos de empresas? La
solución de este problema es el empleo de variables dummy para controlar el
cambio de los efectos marginales por grupo.
Sin embargo, existe una restricción en los parámetros que no fue considerada en
la especificación del modelo. Faltó realizar la restricción de homogeneidad, pues el
modelo estimado está sobreidentificado.
Debido que la función de costos es una Cobb-Douglas, los parámetros

β 3 + β 4 + β 5 = 1 , esto es una propiedad de la función de costos que el linealmente

homogénea con los precios. Luego de unas transformaciones el modelo a estimar es

el siguiente:
tci p p
ln( ) = β 1 + β 2 ln(qi ) + β 3 ln( i1 ) + β 4 ln( i 2 ) + ε i
pi 3 pi 3 pi 3
Dependent Variable: LNTC_PL

Date:
Sample: 1 145
LNQ 0.720688 0.017436 41.33398 0.0000
LNPF_PL 0.414471 0.098951 4.188644 0.0000
LNPK_PL -0.007381 0.190736 -0.038698 0.9692
C -4.690789 0.884871 -5.301098 0.0000
Contrastando los retornos constantes a escala
Como una aplicación del test “t” contrastamos si los retornos son constantes
(r=1). Mantenemos la hipótesis del modelo restringido, si el β 2 es igual a 1 si y solo si
r = 1, la hipótesis nula es Ho: β 2 =1.
Construyamos el estadístico t para dicha hipótesis nula:
0.72 − 1
t − ratio = = −16
0.017
Siendo el p-value para dicho valor del estadístico t = 0.00001. Nuevamente, la

probabilidad de equivocarse y rechazar la hipótesis nula es muy pequeña (menor a
0.05), es decir, rechazamos la hipótesis que la función de costos de esta industria
presente retornos constantes a escala.
Con estos resultados es muy probable que exista una mala especificación de la
función de costos, tal vez el uso de una función Cobb-Douglas no sea apropiado y sea
mejor utilizar una función CES. Sin embargo, para estimar ésta última es necesario el
uso de métodos no – lineales. Pero debemos mencionar algo, en el test de
heterocedasticidad de white, vimos que la varianza de los residuos tenía cierta
dependencia de la variable nivel de producción, es probable que el modelo no este
capturando toda la información disponible. Hagamos un ploteo entre la variable
dependiente lntc_pl y lnq:

Como vemos, no existe una relación precisa entre la variable lnq y lntc_pl
sobretodo para valores bajos de la variable lnq. Nerlove propone resolver este
problema dividiendo la muestra en 5 sub-muestras de 29 empresas cada uno. Nerlove
tiene como hipótesis que el efecto marginal del producto sobre la función de costos es
diferente según el tamaño de la empresa.
Para ello, la solución es estimar 5 funciones de costo una para cada sub
muestra. Sin embargo, podemos utilizar variables dummy para estimar en una sola
ecuación los diferentes efectos marginales entre producto y costos totales.
Dependent Variable: LNTC_PL

Date:
Sample: 1 145
D1*LNQ 0.429758 0.043427 9.896195 0.0000
D2*LNQ 0.522442 0.029119 17.94189 0.0000
D3*LNQ 0.551433 0.024738 22.29131 0.0000
D4*LNQ 0.594507 0.022817 26.05595 0.0000
D5*LNQ 0.631897 0.019710 32.06003 0.0000
LNPF_PL 0.479794 0.086812 5.526838 0.0000
LNPK_PL 0.038517 0.156466 0.246166 0.8059
C -4.040121 0.726675 -5.559735 0.0000
Para mostrar la estabilidad del modelo substraemos de la muestra las primeras

58 observaciones que pertenecen los dos primeros grupos cuya relación con el costo
total no era muy clara. Luego, calculamos el test CUSUM square4.
4
El método de estimación recursiva no puede aplicarse si tenemos variables dummy pues en muchos
casos tendríamos variables con valores cero, lo cual no puede estimarse por MCO.

Nuestra sospecha se confirma, las empresas más pequeñas no tienen una

relación estable entre sus niveles de producción y sus costos totales. Otra hipótesis de
trabajo es que los retornos constantes de escala están relacionados a empresas de
gran tamaño y no a las de baja escala.
c) Ortogonalidad entre variables explicativas y los errores
Identificación
En este caso, el incumplimiento de este supuesto nace por consideraciones
teóricas. Por ejemplo, en la aplicación anterior podría afirmarse que el modelo está
incompleto pues se omite la relación que existe entre la variable explicativa lnq y lntc
pues el nivel de producción también depende de la estructura de costos de la industria.
Así tendríamos el siguiente sistema de ecuaciones:
tci p p
ln( ) = β 1 + β 2 ln( qi ) + β 3 ln( i1 ) + β 4 ln( i 2 ) + ε i
pi 3 pi 3 pi 3
ln qi = f (α 1 ,tci )
¿Donde estaría la no ortogonalidad? Examinemos que sucede si hay un shock en el
 tc 
costo total ( ε i ) esto lleva a un incremento en ln i  y como la función ln es
 pi 3 
estrictamente monótona y continua entonces la variable ln qi también responde ante
el shock original.
Problema
Si estamos frente a un problema de no ortogonalidad de las variables

explicativas y errores entonces los parámetros estimados serán sesgados. Dada la
insesgadez no es posible realizar pruebas de simulación o proyección pues los efectos
marginales se encuentran distorsionados.

Solución
La solución para este tipo de problema es el uso de variables instrumentales. Si

las variables explicativas X están correlacionada a los errores, entonces busquemos
una variable que este relacionada con X pero no con los errores. En otras palabras,
busquemos una variable instrumental que servirá como sustituto de la variable
explicativa X. Esta solución nos lleva a la siguiente sección: Método de Mínimos
Cuadrados de 2 Etapas.

Sesión 2
Análisis de series de tiempo: Parte 1
El análisis clásico de las series de tiempo es determinar cuál es su proceso generador

de datos. En el caso de conocerlo o aproximarlo podemos hacer inferencia en cuanto
a su comportamiento en el futuro o estimar el impacto de algún movimiento de la
variable de política. El principal indicador de un posible efecto dinámico es la función
de autocorrelación.
Función de autocorrelación muestral (identificación de AR, MA)
∑ (Y − Y )(Y
t t −k − Y ) /(T − K )
ρk = t = k +1
T
∑ (Y − Y )
t =1
t
2
/T
Bandas de confianza: amplitud aproximada de dos desviaciones estándar ( ± 2 / T )
La idea básica de esta función es cuantificar el efecto dinámico de la serie consigo

misma en intervalo de un periodo, dos periodos,…, “n” periodos. Analicemos la serie
Tipo de Cambio Real en logaritmos (LTCR).
4.72
4.68
4.64
4.60
4.56
4.52
97 98 99 00 01 02 03 04 05
LNTCR
Ahora observemos el correlograma simple de la serie LNTCR.

La función de autocorrelación simple nos indica una fuerte persistencia de la

serie a lo largo del tiempo. Lo obvio es que existe dinámica en la serie pero no
podemos afirmar nada aún sobre el carácter específico del proceso generador de
datos. El problema radica en que la correlación parcial muestra la dependencia
temporal de la serie sin excluir o filtrar los efectos dinámicos adicionales. Por ejemplo,
la correlación entre la serie con su tercer rezago es de 0.78, sin embargo, este valor
también incluye la correlación entre la variable y su primer rezago, entre el segundo
rezago y el tercer rezago (ambas son medidas por la correlación de orden uno).
Para solucionar este problema es necesario obtener la correlación parcial, esta nos
ofrece una versión limpia (filtrada) de la dinámica de la serie. De esta manera,
podemos observar que la serie solo presenta el efecto dinámico de su primer rezago.
Además, el parámetro de dicha correlación es alto (0.93) que podría ser un indicio de
la presencia de raíz unitaria. Esto podría confirmarse con las pruebas de raíz unitaria
que veremos a continuación.
Series No estacionarias: Contrastes de Raíz Unitaria
Los procesos no estacionarios (media y varianza dependen del tiempo) pueden poseer
alguno de los modelos teóricos propuestos:
a) La serie posee un proceso trend-stationary y t = α + δt + ψ ( L)ε t

b) La serie posee una raíz unitaria (random walk with or without drift):
(1 − L) y t = δ + Ψ ( L)ε t
El Eviews 5.0 provee seis contrastes de raíz unitaria: Dickey- Fuller Aumentado(ADF),
DF-GLS, el Phillips-Perron (PP), el KPSS, entre otros.
Existen diferencias importantes entre series estacionarias y no estacionarias. Los

shocks que afectan a una serie estacionaria son temporales (es decir, a través del
tiempo los efectos se disiparán y la serie retornará a su valor medio de largo plazo);
mientras que los “shocks” que afectan a una serie no estacionaria (random walk)
tienen componentes permanentes. Como indicios para identificar una serie no
estacionaria tenemos:
• No hay un valor medio de largo plazo al cual retorne la serie

• La varianza depende del tiempo

• Las funciones de autocorrelación no convergen pero, en muestras finitas, el
correlograma converge lentamente.
Dickey – Fuller
El modelo más simple para evaluar la presencia de raíz unitaria es el desarrollado por
Dickey – Fuller es:
y t = α + γy t −1 + ε t
Restando ambos lados y t −1 tenemos:
∆y t = α + (1 − γ ) y t −1 + ε t
∆y t = α + δy t −1 + ε t
Ahora el contraste es el siguiente:
H0 : δ =0
H 1 :δ < 0
Por ello los contrastes DF, ADF, DF-GLS y PP son a una cola (izquierda) pues no nos
interesa el caso en que gamma es mayor que uno pues el proceso sería explosivo5.
Dickey – Fuller Aumentado (ADF)
Esta prueba incluye también la regresión por MCO. El usuario puede excluir la
constante e incluir una tendencia lineal, también existe la opción de pedir utilizar los
rezagos de la variable diferenciada ( ∆y t −i ) de acuerdo a algún criterio de información.
En este caso recomendamos el criterio Bayesiano de Schwartz.
Null Hypothesis: LNTCR has a unit root

Exogenous: None
Lag Length: 1 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 0.586528 0.8415
Test critical values: 1% level -2.586960
5% level -1.943882
10% level -1.614731
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation

Dependent Variable: D(LNTCR)
Date: 01/19/06 Time: 17:07
Sample(adjusted): 1997:03 2005:12
5
Si γ=0, es claro que yt es una serie estacionaria, ya que tendrá las mismas propiedades del ruido blanco.
Por el contrario, si γ = 1 se dice que yt tiene raìz unitaria y adicionalmente, la serie es integrada de orden
1.

Included observations: 106 after adjusting endpoints

LNTCR(-1) 0.000153 0.000261 0.586528 0.5588
D(LNTCR(-1)) 0.260417 0.094922 2.743488 0.0072
S.E. of regression 0.012408 Akaike info criterion -5.922207
Sum squared resid 0.016013 Schwarz criterion -5.871953
Log likelihood 315.8769 Durbin-Watson stat 1.934445
La probabilidad mayor a 0.05 nos permite afirmar que no existe evidencia suficiente en
la muestra para rechazar la hipótesis nula de raíz unitaria.
DF- GLS o contraste Elliot, Rothenberg y Stock (ERS)
Antes de aplicar la regresión propuesta por Dickey – Fuller, se debe primero extraer la
tendencia de la serie original. Pero se trata de una cuasidiferencia ( yt − ay t −1 ), donde
“ a ” toma el valor uno en el caso anterior (ADF). Aquí el valor “ a ” representa el punto
específico contra el cual contrastamos la hipótesis nula (valor menor a uno).
Null Hypothesis: LNIPC has a unit root

Exogenous: Constant, Linear Trend
Lag Length: 1 (Automatic based on SIC, MAXLAG=12)
t-Statistic
Elliott-Rothenberg-Stock DF-GLS test statistic -1.077667
5% level -3.024000
10% level -2.734000
*Elliott-Rothenberg-Stock (1996, Table 1)
DF-GLS Test Equation on GLS Detrended Residuals

Dependent Variable: D(GLSRESID)
Date: 01/19/06 Time: 17:15
GLSRESID(-1) -0.013622 0.012640 -1.077667 0.2837
D(GLSRESID(-1)) 0.429017 0.088867 4.827621 0.0000
R-squared 0.185321 Mean dependent var -6.52E-05
La prueba nos muestra la presencia de una raíz unitaria a pesar que la serie presenta
una tendencia lineal determinística.

PP (Phillips-Perron)
Este contraste estadístico estima una regresión haciendo una corrección sobre la
matriz de varianza y covarianzas de los residuos. La corrección es mediante un
método no paramétrico.
Null Hypothesis: LNTCR has a unit root

Exogenous: None
Bandwidth: 5 (Newey-West using Bartlett kernel)
Adj. t-Stat Prob.*
Phillips-Perron test statistic 0.535573 0.8301
5% level -1.943853
10% level -1.614749
Residual variance (no correction) 0.000161

HAC corrected variance (Bartlett kernel) 0.000245
Phillips-Perron Test Equation

Dependent Variable: D(LNTCR)
Date: 01/19/06 Time: 17:14
LNTCR(-1) 0.000178 0.000266 0.667176 0.5061
R-squared -0.000145 Mean dependent var 0.000837
Adjusted R-squared -0.000145 S.D. dependent var 0.012753
Nuevamente, la serie LNTCR presenta raíz unitaria (random wlak without drift)
KPSS (Kwiatkowski, Phillips, Smichdt y Shin)
Proponen contrastar como nula la hipótesis de estacionariedad en tendencias, ésta es

la principal diferencia de los otros test de raíz unitaria. KPSS es frecuentemente
utilizado con las otras pruebas de raíz unitaria para investigar si la serie es
fraccionalmente integrada.
Null Hypothesis: LNIPC is stationary

LM-Stat.
Kwiatkowski-Phillips-Schmidt-Shin test statistic 0.235547
Asymptotic critical values*: 1% level 0.216000
5% level 0.146000
10% level 0.119000
*Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1)
Residual variance (no correction) 0.000366

HAC corrected variance (Bartlett kernel) 0.002587

KPSS Test Equation

Dependent Variable: LNIPC
Date: 01/19/06 Time: 20:04
Sample: 1997:01 2005:12
C 4.474315 0.003692 1211.861 0.0000
@TREND(1997:01) 0.002203 5.96E-05 36.94227 0.0000
Log likelihood 274.0090 F-statistic 1364.731
Siendo el estadístico mayor al valor crítico entonces existe evidencia suficiente para
rechazar la hipótesis nula que el WPI sigue un proceso trend –stationary.
Ajuste estacional
Las series de frecuencia mensual o trimestral presentan un comportamiento

estacional, es decir, un patrón que se repite año tras año. Por ejemplo, el producto
interno bruto mensual exhibe un patrón muy claro, todos los meses de febrero el
producto registrado es el menor en todo el año. El motivo principal son los menores
días de producción y otro motivo de menor importancia es el factor climático que
afecta los sectores agrícola y de pesca.
Census X12
El Eviews es el único programa que incluye el programa de desestacionalización X12

(U.S. Census Bureau) en la instalación estándar. En otros programas es necesario
adquirir por separado el módulo correspondiente. Como ejemplo de la aplicación
tomaremos la serie LNPIB (producto interno bruto en logaritmos) y en el menú del
objeto serie seleccionamos Proc/Seasonal Adjustment/Census X12… Dado que la
serie exhibe un componente estacional que estrechamente ligado al nivel de
producción, es decir, es mayor cuando se produce más y es menor cuando el producto
es pequeño entonces elegimos la opción Multiplicative. En el caso del filtro para
extraer la tendencia dejamos en la opción automática.

Finalmente, elegimos que componentes de la serie serán guardadas. Escogemos la

serie desestacionalizada (seasonal adjustment series), la tendencia más el ciclo
(trend-cycle) y el componente irregular (irregular component).
5.1
5.0
4.9
4.8
4.7
4.6
97 98 99 00 01 02 03 04 05
LNPIB LNPIB_SA LNPIB_TC
Extracción de tendencia no lineal
Filtro Hodrick Prescott
Este filtro es un método de suavizamiento estrictamente matemático sin referencia

alguna al proceso generador de datos o a la dependencia a variables exógenas. El

método consiste en calcular una serie st que minimice la varianza de la serie original
alrededor de st , sujeto a un parámetro de suavizamiento ( λ ) que penaliza la segunda
diferencia de st ( ∆2 st ).
T T −1
min = ∑ ( yt − st )2 + λ ∑ ((st +1 − st ) − (st − st −1 ))2
t =1 t =2
Hodrick-Prescott Filter (lambda=14400)

5.1
5.0
4.9
.08 4.8
.04 4.7
.00
-.04
-.08
97 98 99 00 01 02 03 04 05
Final seasonally adjusted series

Trend
Cycle
Band – Pass Filter
Estos filtros son usados para aislar el componente cíclico de la serie especificando un
rango para su duración. El filtro tiene la característica de ser lineal y toma el promedio
móvil ponderado de la serie en ambos lados donde los ciclos caen en una banda,
dicha banda está dada por un límite superior e inferior. Estos límites dependen de la
frecuencia temporal de la serie. Por ejemplo, si la serie es anual los ciclos económicos

el rango de duración (periodicidad) va de 1.5 a 8 años, si la serie tiene frecuencia

trimestral el rango podría estar entre 6 y 32 trimestres. Lo novedoso de este filtro es
que dichos límites son expresados en términos de frecuencia que describe el número
de ciclos en un periodo dado (periodicidad y frecuencia están inversamente
relacionados).
La diferencia entre los filtros proporcionados por el EViews es la forma de calcular el

promedio móvil. El Baxter – King emplea una amplitud de rezagos y adelantos fija, de
ahí el carácter simétrico del filtro. En el caso del Christiano – Fitzgerald, también es de
amplitud fija solo que su función objetivo es diferente al Baxter – King. El caso del full
simple asymetric, los pesos del promedio móvil varía de acuerdo a los datos y al
cambio para cada observación.
Fixed length symmetric (Baxter-King) filter Frequency Response Function

5.1 1.2
5.0 1.0
0.8
4.9
0.6
.03 4.8
0.4
.02
4.7
.01 0.2
.00 0.0
-.01 -0.2
-.02 -0.4
97 98 99 00 01 02 03 04 05 .0 .1 .2 .3 .4 .5
cycles/period
Final seasonally adjusted series Actual Ideal
Non-cyclical
Cycle
En el ejemplo, elegimos 12 como el valor de la amplitud del promedio móvil

ponderado.

Sesión 3
Variables instrumentales
Mínimo Cuadrados de 2 Etapas (MC2E)

El objetivo del método es estimar los parámetros que cumplan con las propiedades
de grandes muestras. Por ejemplo, en una regresión lineal la condición de
ortogonalidad E [X ' e] = 0 es indispensable para garantizar la insesgadez asintótica del
parámetro estimado. Este método es empleado en varios estudios microeconómicos y
macroeconómicos.
Los ejemplos clásicos de este tipo de problemas ocurren cuando la variable

dependiente ( y ) determina o explica el comportamiento de alguna o todas las
variables explicativas del modelo ( X ). Otro ejemplo es cuando las variables
explicativas son medidas con error. En este punto es preciso mencionar que aquellas
variables explicativas que están correlacionadas con los errores son denominadas en
la literatura como variables endógenas y aquellas que no están correlacionadas con
los errores son denominadas variables exógenas.
Relevancia y Validez de los instrumentos
Las variables instrumentales Z deben cumplir dos requisitos:
a) E [Z' X ]≠ 0
b) E [Z' ε ] = 0
Tenemos nuestro modelo lineal:

y = Xβ + ε
pero las variables explicativas están correlacionadas con los residuos, a raíz de este
problema es necesario elegir las variables instrumentales Z que deben cumplir con
los criterios de validez y relevancia ya expuestos. La idea básica es que dichas
variables instrumentales extraigan el componente subyacente de las variables
endógenas X , la forma de hacerlo es realizando una regresión lineal entre cada
variable explicativa y Z .
Primera etapa6
X i = Zγ + η
γˆ = ( Z' Z )−1 Z' X i

~
X i = Z ( Z' Z )−1 Z' X i
6
Se simplifica la notación debido al diseño del curso.

~
La variable X es una variable estimada en la primera etapa, digamos coloquialmente
que es una variable “limpia” de toda correlación con los residuos ε . Una vez que
tenemos la variable explicativa corregida realizamos la estimación del modelo original.
Segunda etapa
~
y = Xβ +ν
(~ ~)
βˆ MC 2 E = X ' X
−1 ~
(
X ' y = X ' Z (Z' Z ) Z' X
−1
)
−1
X ' Z (Z' Z ) Z' y
−1
Aplicación: abrir el archivo griliches.wf1 y el programa griliches.prg
Modelo semi-logarítmico del salario
El modelo de determinación de salario es clásico para mostrar el problema de

endogeneidad o de sesgo de simultaneidad de las variables explicativas. Existe una
fuerte correlación entre los niveles de salario y los años de educación, sin embargo,
dicha relación es indirecta. Existe una tercera variable “habilidad” que permite esta
relación.
El modelo clásico del salario es el siguiente:
ln w = α + β S + γA + δ ' h + ε
La variable S representa los años en educación del individuo, la variable A es

la medida de la habilidad del individuo mientras que h es un vector que contiene otras
variables que caracterizan al individuo.
El efecto marginal de los años de educación sobre el salario es una semi-

elasticidad que puede leerse de la siguiente manera. Ante un año más de educación el
salario del individuo se incrementará en β %. En otras palabras, este parámetro
representa el rendimiento marginal de invertir en capital humano.
Sin embargo, existe problemas en medir la habilidad del individuo, supongamos

por un momento que la eliminamos de la especificación econométrica. Esto nos
llevaría a un sesgo de simultaneidad por omisión de variables. En el caso de
considerar la habilidad pero solo aproximada por una medición no tan certera,
entonces podríamos incurrir en el sesgo de simultaneidad por error en la medición de
la variable.
En la base de datos “griliches.wf1” se tiene información para 758 individuos.

Las variables consideradas son las siguientes:
LW: salario en logaritmos

RNS: dummy residencia en estados sureños
MRT: dummy para establecer el estado civil
SMSA: dummy residencia en zonas metropolitana
MED: años de educación de la madre
KWW: puntaje del test KWW
IQ: puntaje de IQ
AGE: edad del individuo
S: años de educación

EXPR: años de experiencia

TENURE: años de inamovilidad
• MCO omitiendo la variable vinculada a la habilidad: parámetros sesgados
Dependent Variable: LW
Date:
Sample: 1 758
S 0.069673 0.006687 10.41938 0.0000
EXPR 0.029799 0.006524 4.567771 0.0000
TENURE 0.043350 0.007497 5.782247 0.0000
RNS -0.104092 0.027495 -3.785858 0.0002
SMSA 0.135267 0.026666 5.072718 0.0000
_IYEAR_67 -0.052487 0.048037 -1.092639 0.2749
_IYEAR_68 0.079392 0.045070 1.761512 0.0786
_IYEAR_69 0.211124 0.044013 4.796810 0.0000
_IYEAR_70 0.239350 0.048808 4.903921 0.0000
_IYEAR_71 0.228858 0.043202 5.297441 0.0000
_IYEAR_73 0.326102 0.040800 7.992766 0.0000
C 4.410852 0.091980 47.95461 0.0000
• MCO utilizando el IQ como medida de la habilidad
Date:
Sample: 1 758
S 0.061955 0.007279 8.511931 0.0000
IQ 0.002712 0.001031 2.629524 0.0087
EXPR 0.030839 0.006510 4.737186 0.0000
TENURE 0.042163 0.007481 5.635860 0.0000
RNS -0.096293 0.027547 -3.495645 0.0005
SMSA 0.132899 0.026576 5.000757 0.0000
_IYEAR_67 -0.054209 0.047852 -1.132853 0.2576
_IYEAR_68 0.080581 0.044895 1.794871 0.0731
_IYEAR_69 0.207592 0.043860 4.732998 0.0000
_IYEAR_70 0.228224 0.048799 4.676771 0.0000
_IYEAR_71 0.222691 0.043095 5.167428 0.0000
_IYEAR_73 0.322875 0.040657 7.941345 0.0000
C 4.235357 0.113349 37.36568 0.0000

• MC2E para corregir el sesgo de simultaneidad (estimación con VI)
En la ventana equation especification podemos elegir el método de estimación, aquí

elegimos TSLS y debemos colocar las variables que trabajarán como instrumentos.
Observa que también incluyo aquellas variables explicativas que son exógenas (las
que no necesitan ser corregidas) como instrumentos. La razón es netamente
operativa, pues ellas serán instrumentos de si mismas por lo tanto no serán
corregidas.
Los resultados son los siguientes:
Method: Two-Stage Least Squares
Date:
Sample: 1 758
Instrument list: MED KWW MRT AGE EXPR TENURE RNS SMSA
_IYEAR_67 _IYEAR_68 _IYEAR_69 _IYEAR_70 _IYEAR_71
_IYEAR_73
S 0.172425 0.020918 8.242824 0.0000
IQ -0.009099 0.004745 -1.917453 0.0556
EXPR 0.049289 0.008225 5.992331 0.0000
TENURE 0.042217 0.008920 4.733020 0.0000
RNS -0.101793 0.034473 -2.952815 0.0032
SMSA 0.126111 0.031196 4.042517 0.0001
_IYEAR_67 -0.059617 0.055776 -1.068870 0.2855
_IYEAR_68 0.048680 0.052468 0.927796 0.3538
_IYEAR_69 0.152818 0.052011 2.938184 0.0034
_IYEAR_70 0.174436 0.060277 2.893921 0.0039
_IYEAR_71 0.091666 0.054614 1.678423 0.0937
_IYEAR_73 0.093240 0.057679 1.616539 0.1064
C 4.033510 0.318162 12.67755 0.0000
S.E. of regression 0.379918 Sum squared resid 107.5313
F-statistic 37.63903 Durbin-Watson stat 1.802045
Prob(F-statistic) 0.000000
A manera de resumen, si la variable habilidad es ignorada se esperaría un

sesgo hacia arriba del coeficiente asociado a la variable educación. En el caso que la

variable habilidad es medida imperfectamente existe el sesgo pero se desconoce la

dirección.
Contraste de validez de los instrumentos
La estimación por MC2E ofrece una solución, pero ésta será la indicada si las
variables instrumentales utilizadas no están correlacionadas con las perturbaciones
(Validez de los instrumentos). Para contrastar que el conjunto de variables
instrumentales son exógenas se utilizará el estadístico de Sargan7.
Contraste de la relevancia de los instrumentos
La primera condición (relevancia) puede ser evaluada en la primera etapa de la

regresión. Un estadístico apropiado podrá capturar el poder explicativo de las variables
instrumentales excluidas (Z2) sobre la variable endógena. El estadístico más usado es
el R2 parcial.
Método de Momentos Generalizado (MMG)

(Aplicación a series de tiempo)
En macroeconomía es muy común el uso de la optimización intertemporal para

derivar las relaciones óptimas entre variables explicativas y dependientes. Dicha
aproximación no toma interés en la estimación de parámetros, sólo mantiene la forma
funcional en el que los parámetros subyacentes (aquellos que representan
preferencias y tecnología) mantienen con los parámetros que dependen del régimen
específico de política.
Existe una limitación empírica al estimar ecuaciones de Euler con MMG. El

problema está relacionado a la estimación de los parámetros subyacentes pues tales
parámetros describen preferencias y tecnología que por su naturaleza son constantes
en diferentes periodos de la muestra. Sin embargo, dichos parámetros no parecen ser
constantes. Hay varias posibles interpretaciones de la inestabilidad: i) puede ser una
señal de la mala especificación del modelo, ii) al derivarse la ecuación de Euler de un
agente representativo de la economía existe una pérdida de información en la
agregación. Por estas razones, surge otro campo de evaluación empírica, en el cual se
estima los parámetros subyacentes a partir de estudios microeconométricos de datos
desagregados. El uso de estos parámetros permite simular y comparar los resultados
con las variables macroeconómicas. Este método es conocido en economía como
“calibración”.
Aplicación8: abrir el workfile clarida_gali.wf1 y el programa clarida_gali.prg
El método para estimar estas relaciones óptimas es el MMG. El ejemplo de

aplicación será la estimación de la regla de política monetaria de la FED (o función de
reacción del FED). Clarida, Galí y Gertler (2000) estiman la función de reacción de la
FED, y hacen hincapié en la división de la muestra en octubre de 1979 para mostrar el
7
Los contrastes relacionados a la validez de las variables instrumentales se verá en la sesión
correspondiente a Método de Momentos Generalizados, debido a que también utiliza variables
instrumentales y los contrastes son similares.
8
Como referencia del ejemplo a desarrollarse puede verse: Clarida, Galí y Gertler (2000) Monetary
Policy Rules and Macroeconomic Stability: Evidence and some theory. The Quarterly Journal of
Economics, Feb. 2000.

cambio de la postura de la política monetaria. La etapa pre-octubre 1979 podría

denominarse como política monetaria acomodaticia y la etapa post-octubre 1979 sería
caracterizada como política monetaria activa y eficiente.
En el ejercicio mostrado estimaremos para el periodo post – octubre 1979,

específicamente entre octubre 1982 y diciembre 1997.
El modelo empírico es especificado de la siguiente forma:
[ ] [
rt* = r + βEt π t +12 − π * + γEt y t − yt* ]
rt = (1 − ρ )rt* + ρrt −1 + υ t
Donde r * es la tasa de interés objetivo. El mecanismo de ajuste parcial de la
tasa de interés es mostrado en la segunda ecuación. Si vinculamos ambas ecuaciones
obtenemos la siguiente relación:
( ) ( )
rt = (1 − ρ ) r − βπ * + (1 − ρ )βπ t +12 + (1 − ρ )γ y t − y t* + ρrt −1 + ε t
Donde: ε t = υ t − β (1 − ρ )(π t +12 − Et π t +12 ) − γ (1 − ρ )( y t − Et y t )
Si definimos a u t al conjunto de variables que forma parte del conjunto de

información de la FED al momento de definir el valor de la tasa de interés. Entonces
definimos la siguiente condición de ortogonalidad: Et [ε t | u t ] = 0 la cual será estimada
de la siguiente manera:
[ ]
E rt − ρrt −1 − (1 − ρ )α − (1 − ρ )βπ t +12 − (1 − ρ )γ ( yt − y t* ) | u t = 0
(
Donde: α = r − βπ * . )

Dependent Variable: USFF

Method: Generalized Method of Moments
No prewhitening
Bandwidth: Fixed (12)
Kernel: Bartlett
Convergence achieved after: 68 weight matricies, 69 total coef
iterations
USFF= C(2)*USFF(-1) +(1-C(2))*(C(1)+C(3)*USINFL(+12) +C(4)
*USGAP1)
Instrument list: C USGAP1(-1 TO -6) USGAP1(-9) USGAP1(-12)
USINFL(-1 TO -6) USINFL(-9) USINFL(-12) USFF(-1) USFF(-6)
USFF(-9) USFF(-12) DLPCM(-1 TO -6) DLPCM(-9) DLPCM(-12)
Coefficient Std. Error t-Statistic Prob.
C(2) 0.929643 0.012593 73.82465 0.0000

C(1) 2.874855 0.991106 2.900652 0.0042
C(3) 1.730954 0.251894 6.871759 0.0000
C(4) 0.664998 0.100678 6.605183 0.0000

Durbin-Watson stat 1.065675 J-statistic 0.061171
El J-stat es 10.45 pues el valor calculado por EViews está dividido por el
tamaño de la muestra, así J-stat = 10.45/171 = 0.06. Tenemos 29 grados de libertad
(33 instrumentos para 4 parámetros). Con este valor, no se puede rechazar la
hipótesis nula de validez de los instrumentos. Siguiendo el método para derivar el nivel
de la inflación objetivo ( π * ) propuesto por Clarida, Gali y Gertler, este sería 0.5 con un
intervalo de confianza muy amplio.
rr − α
π* =
β −1
Siendo r r la tasa de interés real promedio de la muestra.

12
10
6
0.8
4
0.4
2
0.0
-0.4
-0.8
-1.2
83 84 85 86 87 88 89 90 91 92 93 94 95 96
Residual Actual Fitted
Como podemos observar en el gráfico, la regla derivada y estimada cumple con

explicar el comportamiento de la FED. Además, podemos calcular el correlograma de
los residuos para ver si estos están autocorrelacionados.
Claramente, los residuos de la estimación siguen un proceso AR(1). El

correlograma parcial lo confirma al registrar un coeficiente de 0.458 que es mayor a la
banda de confianza mostrada en el gráfico. Dicha banda de confianza se construye de
−1
la siguiente manera: ± T .
Podemos modificar el método de cálculo de la matriz de ponderadores W . La

opción Bandwith Selección permite la manera como elegir el orden de autocorrelación
a corregirse. En el siguiente cuadro, observamos que elegimos un valor fijo igual a 12,
es decir, la matriz de ponderadores corregirá toda autocorrelación hasta de orden 12.
Las otras opciones como Andrews y Variable Newey West permiten corregir las

autocorrelaciones que se presentan en cada iteración. Sin embargo, al ser un método

de corrección más potente consume más recursos del programa.
La matriz de covarianzas de las restricciones o condiciones de ortogonalidad

de los instrumentos es estimado por la siguiente expresión:
−1
  T− 1 
HAC  
( )
Ŵ = Ω̂ − 1 =  Γ̂(0 ) +  ∑ k ( j, q ) Γ̂( j) + Γ̂ ' ( j)  

  j=1 
ˆ ( j) = 1  T 
Donde: Γ  ∑ Z t − j ' u t u t − j 'Z t  es la matriz de autocovarianzas de orden j. Lo
T − k  t = j +1 

que faltaría especificar es el kernel k y el orden de autocorrelación a ser corregida
(bandwidth). El kernel es usado para ponderar las covarianzas y conseguir que la
matriz Ω̂ sea positiva semidefinida. La elección de Bartlett es la más recomendada
pues no demanda muchos recursos en su estimación.
El siguiente paso es verificar si existe el problema de variables omitidas en la

regla de política. Como vimos anteriormente, si existe tal problema, la condición de
ortogonalidad no se cumpliría y la prueba de validez de los instrumentos (prueba de
Hansen) no sería aceptada. En la literatura económica sobre la regla de política
monetaria se da mucha importancia a las tasas de interés de largo plazo (bonos) como
determinante en la toma de decisiones de la FED. Dicha variable contiene información
sobre la formación de expectativas inflacionarias de parte de los agentes.
El siguiente paso es re-estimar el modelo base e incluir el nivel de tasas de

interés de largo plazo en el conjunto de instrumentos (matriz Z).

Dependent Variable: USFF

srMethod: Generalized Method of Moments
No prewhitening
Bandwidth: Fixed (12)
Kernel: Bartlett
Convergence achieved after: 49 weight matricies, 50 total coef
iterations
USFF= C(2)*USFF(-1) +(1-C(2))*(C(1)+C(3)*USINFL(+12) +C(4)
*USGAP1)
Instrument list: C USGAP1(-1 TO -6) USGAP1(-9) USGAP1(-12)
USINFL(-1 TO -6) USINFL(-9) USINFL(-12) USFF(-1) USFF(-6)
USFF(-9) USFF(-12) DLPCM(-1 TO -6) DLPCM(-9) DLPCM(-12)
US10Y US10Y(-1)
Coefficient Std. Error t-Statistic Prob.
C(2) 0.949171 0.007868 120.6351 0.0000

C(1) 4.237480 1.101947 3.845447 0.0002
C(3) 1.487264 0.276588 5.377180 0.0000
C(4) 0.868331 0.116234 7.470531 0.0000

Durbin-Watson stat 1.172223 J-statistic 0.067136
El valor de J-stat es 11.45 = 0.067*171, con dicho valor no se rechaza la hipótesis de

nula de validez del conjunto de los instrumentos. Por lo tanto, podemos concluir que la
tasa de interés de largo plazo afecta el comportamiento de la FED como un indicador
líder de la inflación futura pero no como una variable independiente de la política
monetaria.

Sesión 4
Análisis multivariado de series de tiempo
Vectores Autoregresivos Estructurales

El análisis de los Vectores Autoregresivos (VAR) es muy utilizado desde la
década de los noventas para evaluar las relaciones dinámicas macroeconómicas.
Dicho análisis tiene la característica de ser multivariado, es decir, se evalúa el
comportamiento de las series y su interrelación en el periodo de tiempo analizado en
forma simultánea.
Sea Yt un vector de k dimensiones y asumamos que sigue un proceso

autoregresivo de orden 1.
Yt = A0 + A1Yt −1 + ε t
Dicho proceso será estable si los valores de z de la siguiente ecuación son mayores a
uno en valor absoluto.
I k − A1 z = 0
De verificarse el caso, siendo el VAR un proceso estable entonces podemos invertir el

proceso y expresarlo como un VMA (vector de medias móviles) de orden infinito.
Yt = Α + Φ 0 ε t + Φ 1ε t −1 + ...
Donde: Φ i = A1i
De este proceso VMA podemos extraer la función impulso-respuesta, la cual captura la

respuesta de alguna variable incluida en el vector Yt ante el shock de algún
componente de ε t .
∂Yt +i
= φi
∂ε t
Sin embargo, el vector ε t contiene shock no identificados, no es posible afirmar si el
primer componente corresponde exclusivamente a la primera variable del vector Yt . A
fin de lograr identificar los shocks estructurales es necesario incluir restricciones en los
parámetros. Ésta es la razón de utilizar VAR estructural en este tipo de evaluación de
las relaciones dinámicas entre variables macroeconómicas.
Modelo AB (Corto Plazo)
El modelo VAR podemos reescribirlo incluyendo las matrices de restricciones.
A(I k − A1 L )Yt = Aε t = Bu t

Donde:
ε t ~ N (0, Σ ) y E [ε t ε s| ] = 0 k para todo s ≠ t
[ ]
u t ~ N (0, I k ) y E u t u s| = 0 k para todo s ≠ t
Para poder identificar los shocks estructurales es necesario estimar las matrices A y B
una vez obtenidas dichas matrices el vector de error del VAR puede expresarse en
términos de los shocks estructurales de la siguiente manera:
ε t = Aˆ −1 Bˆ u t
Una vez identificados los errores podemos calcular la nueva función impulso-respuesta
que vincula los shocks estructurales con las variables dependientes.
Aplicación9: abrir workfile blanch_perotti.wf1 y el programa bp.prg
Blanchard y Perotti evalúan el impacto de cambios en el gasto público y en los

ingresos del Gobierno sobre el nivel de producción. Antes de mostrar las restricciones
de largo plazo considerados en el documento de trabajo estimemos el VAR con los
residuos no identificados.
Vector Autoregression Estimates

Standard errors in ( ) & t-statistics in [ ]
TT GG XX
TT(-1) 0.905903 -0.007683 0.008364
(0.08099) (0.03222) (0.02761)
[ 11.1855] [-0.23845] [ 0.30296]
TT(-2) 0.007161 -0.020966 -0.015489

(0.07343) (0.02921) (0.02503)
[ 0.09752] [-0.71769] [-0.61875]
TT(-3) -0.020112 0.013493 -0.044622

(0.06696) (0.02664) (0.02283)
[-0.30036] [ 0.50650] [-1.95484]
TT(-4) -0.021351 -0.002277 0.015042

(0.05734) (0.02281) (0.01955)
[-0.37238] [-0.09981] [ 0.76957]
GG(-1) 0.242101 1.093169 -0.062955

(0.22678) (0.09022) (0.07731)
[ 1.06756] [ 12.1163] [-0.81431]
GG(-2) -0.658010 -0.185527 0.055999

(0.33936) (0.13501) (0.11569)
[-1.93900] [-1.37418] [ 0.48406]
GG(-3) 0.490165 0.235710 -0.043960

(0.33600) (0.13367) (0.11454)
[ 1.45884] [ 1.76333] [-0.38379]
9
Como referencia de la aplicación puede revisarse: Blanchard y Perotti (1999): An empirical
characterization of the dynamic effects of changes in government spending and taxes on output. Working
paper 7269. NBER. Julio 1999.

GG(-4) -0.073232 -0.210589 0.079361

(0.22105) (0.08794) (0.07536)
[-0.33129] [-2.39464] [ 1.05314]
XX(-1) 0.682109 0.079015 1.154420

(0.27762) (0.11045) (0.09464)
[ 2.45700] [ 0.71541] [ 12.1979]
XX(-2) 0.051769 -0.022188 -0.083399

(0.40497) (0.16111) (0.13805)
[ 0.12784] [-0.13772] [-0.60410]
XX(-3) -0.287142 -0.027750 0.026153

(0.40038) (0.15929) (0.13649)
[-0.71717] [-0.17421] [ 0.19161]
XX(-4) -0.301573 0.067840 -0.090232

(0.28091) (0.11176) (0.09576)
[-1.07356] [ 0.60703] [-0.94224]
@TREND -0.000760 -0.000195 -0.000311

(0.00037) (0.00015) (0.00013)
[-2.05475] [-1.32591] [-2.46899]
(@TREND)^2 1.48E-06 -9.64E-08 8.86E-07

(1.3E-06) (5.2E-07) (4.4E-07)
[ 1.13542] [-0.18630] [ 1.99671]
S2 -0.001149 0.000740 -0.002241

(0.00616) (0.00245) (0.00210)
[-0.18641] [ 0.30190] [-1.06692]
S3 -0.013362 -0.003290 -0.003724

(0.00615) (0.00245) (0.00210)
[-2.17228] [-1.34426] [-1.77613]
S4 -0.003448 -0.001238 -0.003772

(0.00604) (0.00240) (0.00206)
[-0.57038] [-0.51498] [-1.83030]
DUM752 -0.312538 -0.007777 0.008229

(0.02682) (0.01067) (0.00914)
[-11.6540] [-0.72886] [ 0.90013]
DUM753 0.238582 -0.003792 0.015580

(0.03793) (0.01509) (0.01293)
[ 6.29044] [-0.25129] [ 1.20494]
R-squared 0.975656 0.997205 0.998716
Adj. R-squared 0.972259 0.996815 0.998537
Sum sq. resids 0.083068 0.013148 0.009654
S.E. equation 0.025376 0.010096 0.008651
F-statistic 287.2245 2557.187 5573.597
Log likelihood 343.9101 480.3223 503.1810
Akaike AIC -4.390678 -6.234085 -6.542986
Schwarz SC -4.005900 -5.849308 -6.158209
Mean dependent -10.18118 -9.985406 -8.422381
S.D. dependent 0.152357 0.178895 0.226140
Determinant Residual Covariance 3.99E-12
Log Likelihood (d.f. adjusted) 1312.318
Akaike Information Criteria -16.96375
Schwarz Criteria -15.80942

En el documento Blanchard y Perotti utiliza un modelo VAR(4), es decir, el vector de

variables Yt depende sus cuatro primeros rezagos. La elección de este número de
rezagos no es mencionada explícitamente en el documento. Sin embargo, si hacemos
la prueba de elección del orden de rezagos óptimos vemos que el número de rezagos
a ser utilizados es 2 y no 4. Por tanto, el modelo presentado por Blanchard está sobre
parametrizado con el alto costo de reducir los grados de libertad de la estimación.
VAR Lag Order Selection Criteria

Endogenous variables: TT GG XX
Exogenous variables: @TREND (@TREND)^2 S2 S3 S4 DUM752 DUM753
Date: 08/04/05 Time: 03:34
Sample: 1960:1 1997:4
Lag LogL LR FPE AIC SC HQ
0 323.5128 NA 3.37E-06 -4.088011 -3.662731 -3.915221
1 1313.836 1846.819 5.86E-12 -17.34914 -16.74160* -17.10230*
2 1326.306 22.74831* 5.60E-12* -17.39602 -16.60622 -17.07513
3 1335.383 16.19261 5.60E-12 -17.39707* -16.42500 -17.00212
4 1342.821 12.96485 5.73E-12 -17.37595 -16.22162 -16.90695
* indicates lag order selected by the criterion
LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion
Para mostrar que el modelo está bien especificado los residuos de la estimación no
deberían estar autocorrelacionados. Para esto utilizamos la prueba Ljung-Box-Q
multivariado o la prueba de autocorrelación de Portmanteau. Como podemos observar
para el orden de autocorrelación 5 la prueba Portmanteau rechaza la hipótesis nula de
no autocorrelación. Por tanto, la especificación del modelo debería ser mejorada para
capturar esa persistencia que se observa en los residuos.
VAR Residual Portmanteau Tests for Autocorrelations

H0: no residual autocorrelations up to lag h
Sample: 1960:1 1997:4
Lags Q-Stat Prob. Adj Q-Stat Prob. df
1 0.232336 NA* 0.233916 NA* NA*
2 2.084921 NA* 2.111880 NA* NA*
3 7.848071 NA* 7.994267 NA* NA*
4 17.24343 NA* 17.65060 NA* NA*
5 35.01541 0.0001 36.04399 0.0000 9
6 50.96076 0.0001 52.66308 0.0000 18
7 61.68671 0.0002 63.92153 0.0001 27
*The test is valid only for lags larger than the VAR lag order.
df is degrees of freedom for (approximate) chi-square distribution
El siguiente paso es incorporar las restricciones entre shocks del VAR ε t y los shocks
estructurales u t , de acuerdo al documento de trabajo dichas relaciones pueden
expresarse de la siguiente manera:

ε tt = a1ε tx + a2utg + d1utt

ε tg = b1ε tx + b2utt + d 2utg
ε tx = c1ε tt + c2ε tg + d 3utx
Como primer paso de la investigación se asume que no existe reacción en el gasto
público ante movimientos en el producto, por tanto, b1=0. En el caso del parámetro a1,
éste es considerado como la elasticidad producto – ingresos tributarios, dicha
elasticidad fue estimada y toma el valor de 2.08. Luego se cuestiona la forma de
estimar las correlaciones entre ε tt y ε tg . Cuando se incrementan los ingresos y los
gastos del gobierno al mismo tiempo, ¿son los impuestos los que responden al
incremento del gasto o al revés? Por ello, se crean dos escenarios uno en el cual b2=0
y a2≠0 y el otro a2=0 y b2≠0.
Tenemos dos formas para incluir estas restricciones en el objeto VAR del EViews. La
primera es la más simple y es expresar las restricciones tal cual se presentan en el
documento de trabajo y que podemos observar en el siguiente cuadro:

Structural VAR Estimates

Estimation method: method of scoring (analytic derivatives)
Convergence achieved after 91 iterations
Structural VAR is just-identified
Model: Ae = Bu where E[uu']=I
Restriction Type: short-run text form
@E1=2.08*@E3+C(4)*@U1+C(1)*@U2
@E2=C(5)*@U2
@E3=C(2)*@E1+C(3)*@E2+C(6)*@U3
where
@e1 represents TT residuals
@e2 represents GG residuals
@e3 represents XX residuals
Coefficient Std. Error z-Statistic Prob.
C(2) -0.155907 0.042003 -3.711787 0.0002
C(3) 0.318559 0.082645 3.854538 0.0001
C(1) -0.003077 0.002149 -1.431504 0.1523
C(4) 0.026056 0.001514 17.20465 0.0000
C(5) 0.010096 0.000587 17.20465 0.0000
C(6) 0.010054 0.000884 11.37334 0.0000
Log likelihood 1312.318
Estimated A matrix:
1.000000 0.000000 -2.080000
0.000000 1.000000 0.000000
0.155907 -0.318559 1.000000
Estimated B matrix:
0.026056 -0.003077 0.000000
0.000000 0.010096 0.000000
0.000000 0.000000 0.010054
La segunda forma es crear las matrices A y B que de acuerdo a las restricciones

derivadas anteriormente las matrices tienen la siguiente forma:
 1 0 − 2.08  ε tt  d (1) a (2) 0   u tt 

 0    
 1 0  ε tg  =  0 d ( 2) 0  u tg 
− c(1) − c(2) 1  ε tx   0 0 d (3) u tx 
Funciones Impulso - Respuesta
La opción se encuentra en el menú del objeto VAR “impulse”. Nos presenta el

siguiente cuadro de dialogo en el cual debemos especificar si queremos la función
impulso respuesta como tabla o gráfico. Luego, indicaremos que necesitamos las
respuestas de tt, gg, xx ante shocks estructurales en el gasto.

Efectos dinámicos del gasto del gobierno
Response to Structural One S.D. Innovations ± 2 S.E.
Response of T T to Shock2 Response of GG to Shock2 Response of XX to Shock2

.016 .016 .010
.012 .008
.012
.006
.008
.004
.004 .008
.002
.000
.000
.004
-.004 -.002
-.008 .000 -.004

2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20
Efectos dinámicos de los ingresos tributarios
Response to Structural One S.D. Innovations ± 2 S.E.
Response of TT to Shock1 Response of GG to Shock1 Response of XX to Shock1

.03 .004 .000
-.002
.02 .000
-.004
.01 -.004
-.006
.00 -.008 -.008
-.010
-.01 -.012
-.012
-.02 -.016 -.014

2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20
Las principales conclusiones son las siguientes:
• Los shock del gasto son más grandes que los shock de los ingresos
tributarios.
• El PIB inicialmente se incrementa ante el impacto del gasto del gobierno, luego
tiende a reducirse para tomar un nuevo impulso y llegar a su efecto máximo
después de 4 años.

• Los impuestos también responden positivamente antes un shock en el gasto,

al igual que el PIB (ambas funciones se parecen).
Descomposición de la varianza
Con esta opción podemos observar el impacto de los shocks estructurales en la

varianza de las variables dependientes. Observando el siguiente gráfico podemos
esbozar algunas ideas:
• La variabilidad de los ingresos tributarios es explicada inicialmente por sus

propios shocks, pero no transcurre ni año y medio y el shock del PIB tiene una
amplia participación en la varianza de los ingresos tributarios.
• En cuanto a la varianza del gasto público, ésta no se ve afectada por los otros
shocks. Confirmando el carácter de variable exógena en la muestra.
• La varianza del PIB sólo se ve afectada por los shocks en la recaudación hasta
llegar a una participación del 40% en un horizonte de 10 trimestres.
Variance Decom position
Percent TT variance due to Shock1 Percent TT variance due to Shock2 Percent TT variance due to Shock3
80 80 80
70 70 70
60 60 60
50 50 50
40 40 40
30 30 30
20 20 20
10 10 10
0 0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Percent G G variance due to Shock1 Percent G G variance due to Shock2 Percent G G variance due to Shock3
100 100 100
80 80 80
60 60 60
40 40 40
20 20 20
0 0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Percent XX variance due to Shock1 Percent XX variance due to Shock2 Percent XX variance due to Shock3
90 90 90
80 80 80
70 70 70
60 60 60
50 50 50
40 40 40
30 30 30
20 20 20
10 10 10
0 0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

Sesión 5
Análisis multivariado de series de tiempo no
estacionarias
Cointegración
Ejemplo tomado de Johansen, S (1996)10. El objetivo es estimar una relación
entre dinero, ingresos y tasas de interés. El workfile johansen.wk1 contiene datos
trimestrales para el periodo 1974:1 a 1987:3.
lrm: logaritmo del dinero en términos reales (M2)

lry: logaritmos del ingreso en términos reales
Ide: tasa de interés de corto plazo (depósitos bancarios)
Ibo: tasa de interés de largo plazo (bonos)
Observemos las 4 series en niveles y diferencias, aparentemente se tratan de

series no estacionarias pero integradas de orden 1, es decir, series con diferencia
estacionaria. Para verificar esta hipótesis de trabajo, utilicemos las pruebas de raíz
unitaria univariada.
Null Hypothesis: LRY has a unit root

Exogenous: Constant
Adj. t-Stat Prob.*
Phillips-Perron test statistic -1.209594 0.6640

5% level -2.916566
10% level -2.596116
Null Hypothesis: D(LRY) has a unit root

Exogenous: None
Adj. t-Stat Prob.*
Phillips-Perron test statistic -6.028330 0.0000
5% level -1.947119
10% level -1.612867
Null Hypothesis: LRM is stationary

LM-Stat.
5% level 0.146000
10
Johansen, Soren (1996) Likelihood based inference in cointegrated vector autoregressive models.
Oxford University Press.

10% level 0.119000

Null Hypothesis: D(LRM) is stationary

Exogenous: Constant
LM-Stat.
5% level 0.463000
10% level 0.347000
Null Hypothesis: IDE has a unit root

Exogenous: None
Adj. t-Stat Prob.*
Phillips-Perron test statistic
5% level -1.946996
10% level -1.612934
Null Hypothesis: D(IDE) has a unit root

Exogenous: None
Adj. t-Stat Prob.*
Phillips-Perron test statistic
5% level -1.947119
10% level -1.612867
Como observamos las series presentan diferencia estacionaria (integradas de

orden 1). Luego para estimar el VAR elijamos el número de rezagos óptimos
incluyendo las variables dummies estacionales. Como vemos, 3 de 5 criterios de
elección nos indican que el VAR con 2 rezagos es el que mejor captura la dinámica
entre las variables. El criterio LR, el más robusto, también indica el mismo número de
rezagos.
VAR Lag Order Selection Criteria

Endogenous variables: LRM LRY IBO IDE
Exogenous variables: C D1 D2 D3
Date: 08/02/05 Time: 12:14
Sample: 1974:1 1987:3
Lag LogL LR FPE AIC SC HQ
0 439.7089 NA 7.15E-13 -16.61604 -16.00997 -16.38444
1 634.9467 329.2245 6.39E-16 -23.64497 -22.43284* -23.18178*
2 654.9724 30.62755* 5.60E-16* -23.80284* -21.98465 -23.10806
3 667.0563 16.58575 6.88E-16 -23.64927 -21.22502 -22.72289
4 679.6257 15.28041 8.61E-16 -23.51473 -20.48442 -22.35676
* indicates lag order selected by the criterion
LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion

El siguiente paso es estimar el modelo de corrección del error (VEC). Como lo

determinamos el número de rezagos para el VAR (en niveles) es 2, por lo tanto, el
número de rezagos a incluirse en el VEC (var en diferencias + ec. cointegración) es 1.
Vector Error Correction Estimates

Date:
Standard errors in ( ) & t-statistics in [ ]
Cointegrating Eq: CointEq1
LRM(-1) 1.000000
LRY(-1) -1.945142
(0.06519)
[-29.8390]
IBO(-1) 14.17273
(3.42218)
[ 4.14143]
IDE(-1) -27.31275
(7.32952)
[-3.72641]
Error Correction: D(LRM) D(LRY) D(IBO) D(IDE)
CointEq1 -0.021907 0.022747 0.006187 0.009607
(0.01528) (0.01476) (0.00552) (0.00358)
[-1.43336] [ 1.54111] [ 1.12059] [ 2.68124]
D(LRM(-1)) 0.394412 0.562321 0.053738 0.061705

(0.16660) (0.16089) (0.06019) (0.03906)
[ 2.36737] [ 3.49498] [ 0.89283] [ 1.57983]
D(LRY(-1)) -0.114377 -0.174966 0.135397 0.003966

(0.15744) (0.15204) (0.05688) (0.03691)
[-0.72648] [-1.15076] [ 2.38047] [ 0.10744]
D(IBO(-1)) -0.483031 -0.178269 0.314650 0.249593

(0.42240) (0.40792) (0.15260) (0.09902)
[-1.14355] [-0.43702] [ 2.06194] [ 2.52052]
D(IDE(-1)) -0.558433 -0.089524 0.245100 0.289172

(0.61353) (0.59251) (0.22165) (0.14383)
[-0.91019] [-0.15109] [ 1.10578] [ 2.01046]
D1 -0.066067 -0.023250 0.000178 -0.004252

(0.01075) (0.01038) (0.00388) (0.00252)
[-6.14516] [-2.23932] [ 0.04592] [-1.68692]
D2 -0.012047 0.006856 0.007616 -0.000974

(0.00992) (0.00958) (0.00358) (0.00233)
[-1.21471] [ 0.71582] [ 2.12565] [-0.41884]
D3 -0.042893 -0.011955 0.004858 -0.002586

(0.00954) (0.00921) (0.00345) (0.00224)
[-4.49693] [-1.29782] [ 1.40982] [-1.15653]
R-squared 0.572703 0.315186 0.364638 0.459498
Adj. R-squared 0.506234 0.208659 0.265804 0.375420
Sum sq. resids 0.024323 0.022684 0.003175 0.001337
S.E. equation 0.023249 0.022452 0.008399 0.005450
F-statistic 8.616150 2.958752 3.689396 5.465127
Log likelihood 128.4920 130.3402 182.4528 205.3725

Akaike AIC -4.546869 -4.616611 -6.583125 -7.448020

Schwarz SC -4.249466 -4.319209 -6.285722 -7.150617
Mean dependent 0.007757 0.003340 -0.001114 -0.000384
S.D. dependent 0.033086 0.025239 0.009802 0.006897
Determinant Residual Covariance 3.18E-16
Log Likelihood 662.1482
Log Likelihood (d.f. adjusted) 644.8035
Akaike Information Criteria -22.97372
Schwarz Criteria -21.63540
Para mostrar que el modelo está bien especificado, primero, debemos mostrar
que los errores son homocedásticos y no están autocorrelacionados. Por último
mostraremos que un modelo VEC con 2 rezagos no añade información relevante al
modelo, y que el modelo actual está bien especificado.
En la opción view del menú del objeto VAR, tenemos el campo “residual test”
Como observamos en el siguiente cuadro de resultados, se acepta la hipótesis

nula de no autocorrelación de los residuos. Además, nos indica que la prueba es sólo
válida para rezagos mayores al VAR. La pregunta que surge es porqué sólo se estima
con rezago 2 y no con 1. Recuerda que al estimar el VAR implícitamente estamos
usando las variables en niveles y cuando estimamos el VEC es un VAR pero en
diferencias, por lo tanto, los errores del VEC son las primeras diferencias de los
errores del VAR y por construcción presentan autocorrelación de primer orden.
VEC Residual Portmanteau Tests for Autocorrelations

H0: no residual autocorrelations up to lag h
Date: 08/02/05 Time: 12:47
Sample: 1974:1 1987:3
Lags Q-Stat Prob. Adj Q-Stat Prob. df
1 8.332612 NA* 8.492855 NA* NA*
2 16.79291 0.3991 17.28493 0.3674 16
*The test is valid only for lags larger than the VAR lag order.
df is degrees of freedom for (approximate) chi-square distribution

En la misma opción encontramos la prueba de heterocedasticidad de White,

sólo que esta vez se trata del caso multivariado. La lectura de la prueba es similar al
visto previamente en la sesión 1. No existe evidencia para rechazar la hipótesis nula
de homocedasticidad.
VEC Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares)
Date: 08/02/05 Time: 13:23
Sample: 1974Q1 1987Q3
Joint test:
Chi-sq df Prob.
142.7201 130 0.2103
Luego, analizaremos está relación de dinero, ingresos y tasas de interés pero

usando el modelo H 1* (r ) , en el cual se asume que las series no tienen tendencia
determinística, esto significa que el término constante del VEC debería ser restringido
a cero e incluir en la ecuación de cointegración una constante (para ello añadimos el
vector de unos en la matriz de datos).
H 1* (r ) = Πy t −1 + Bxt = α (β ' y t −1 + ρ 0 )
En primer lugar, realicemos la prueba de cointegración de Johansen. Para

acceder a tal prueba elegimos la opción en el objeto VAR: “view/cointegration test…”

Sample (adjusted): 1974Q3 1987Q3

Included observations: 53 after adjustments
Trend assumption: No deterministic trend (restricted constant)
Series: LRM LRY IBO IDE
Exogenous series: D1 D2 D3
Warning: Critical values assume no exogenous series
Lags interval (in first differences): 1 to 1
Unrestricted Cointegration Rank Test (Trace)
Hypothesized Trace 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None 0.433165 49.14436 54.07904 0.1282

At most 1 0.177584 19.05691 35.19275 0.7836
At most 2 0.112791 8.694964 20.26184 0.7644
At most 3 0.043411 2.352233 9.164546 0.7071
Trace test indicates no cointegration at the 0.05 level

* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized Max-Eigen 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.433165 30.08745 28.58808 0.0319

At most 1 0.177584 10.36195 22.29962 0.8059
At most 2 0.112791 6.342731 15.89210 0.7486
At most 3 0.043411 2.352233 9.164546 0.7071
Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level

* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I):
LRM LRY IBO IDE C

-21.97409 22.69811 -114.4173 92.64010 133.1615
14.65598 -20.05089 3.561148 100.2632 -62.59345
7.946552 -25.64080 4.277513 -44.87727 62.74888
1.024493 -1.929761 24.99712 -14.64825 -2.318655
Unrestricted Adjustment Coefficients (alpha):

D(LRM) 0.009691 -0.000329 0.004406 0.001980

D(LRY) -0.005234 0.001348 0.006284 0.001082
D(IBO) -0.001055 -0.000723 0.000438 -0.001536
D(IDE) -0.001338 -0.002063 -0.000354 -4.65E-05
1 Cointegrating Equation(s): Log likelihood 669.1154
Normalized cointegrating coefficients (standard error in parentheses)

LRM LRY IBO IDE C
1.000000 -1.032949 5.206919 -4.215880 -6.059932
(0.13897) (0.55060) (1.09082) (0.86239)
Adjustment coefficients (standard error in parentheses)

D(LRM) -0.212955
(0.06435)
D(LRY) 0.115022
(0.06739)
D(IBO) 0.023177
(0.02547)
D(IDE) 0.029411
(0.01717)
Podemos observar que de acuerdo a la prueba maximum eigenvalue existe

sólo un vector de cointegración al rechazar la hipótesis nula de la no existencia de
vectores de cointegración con una probabilidad de 0.03 y no poder rechazar la
hipótesis nula de la existencia de un solo vector de cointegración con una probabilidad
de 0.80.
El vector de cointegración está normalizado por defecto en la primera variable

del vector y t −1 .
βˆ * ' = [1.00, − 1.03, 5.21, − 4.22, − 6.06]
Este vector permite medir la demanda de dinero (relación de equilibrio en el

largo plazo) que es parte del mecanismo de corrección del error de la evolución en el
corto plazo de las variables analizadas.
Una vez que confirmamos la existencia de por lo menos un vector de

cointegración, procedemos a estimar el VEC. En la opción estimate del objeto VAR
podemos especificar el modelo requerido H 1* (r ) .

Con la opción view/cointegration graph podemos observar la relación de

cointegración entre el dinero y los determinantes de su demanda en el largo plazo.
.15
.10
.05
.00
-.05
-.10
-.15
-.20
74 75 76 77 78 79 80 81 82 83 84 85 86 87
COINTEQ01
Continuando con el ejemplo de aplicación de Johansen (1995), realizamos la

prueba de exogeneidad débil. La primera prueba es que los coeficientes de largo plazo
del dinero y del ingreso son iguales pero con el signo puesto.
H 0 : β1 = − β 2
Para incluir las restricciones basta ir a la opción estimate/vec restrictions y

especificar el elemento de la matriz B que contiene los posibles vectores de
cointegración.

Restrictions:
B(1,1) + B(1,2) = 0
Tests of cointegration restrictions:
Hypothesized Restricted LR egrees of

No. Of CE(s) Log-likehood Statistic Freedom Probability
1 669.0938 0.043171 1 0.835404

2 674.2964 NA NA NA
3 677.4677 NA NA NA
NA indicates restriction not binding.
1 Cointegrating Equation(s): Convergence achieved after 7 iterations.
Restricted cointegrating coefficients (not all coefficients are identified)

LRM LRY IBO IDE C
-21.53286 21.53286 -114.1333 92.38458 134.8917

D(LRM) 0.009845
(0.00292)
D(LRY) -0.004993
(0.00308)
D(IBO) -0.001051
(0.00116)
D(IDE) -0.001379
(0.00078)
La prueba es el ratio de verosimilitud, que compara el modelo VEC sin

restricciones y el modelo VEC con la restricción incluida, es la siguiente:
r
 1 − λ*i
LR = − 2 ln(Q[H 0 | H (r )]) = T ∑ ln 
( ) 
 ~ χ (r * # restric.)
2
i =1  (1 − λ
ˆ )
i 
Donde H 0 es el modelo con restricciones y r es el número de vectores de

cointegración.
El resultado es que no existe evidencia para rechazar la hipótesis nula (modelo

con restricción) pues la probabilidad de equivocarse y rechazar la restricción es 0.83.

La segunda hipótesis de trabajo es que los coeficientes de la tasa de interés de

corto plazo y de corto plazo son iguales pero con el signo opuesto. Esta hipótesis
implica que el costo de la tenencia de dinero puede ser medido como la diferencia
entre el rendimiento del bono y el rendimiento de mantener dinero en un depósito
bancario. Ahora la hipótesis nula será:
H 0 : β1 = − β 2
β 3 = −β 4
Si queremos obtener el vector normalizado, entonces incluiremos una restricción
adicional ( β 1 = 1 ).
Restrictions:
B(1,1) + B(1,2) = 0
B(1,3) + B(1,4) = 0
B(1,1) = 1.0
Hypothesized Restricted LR Degrees of

No. of CE(s) Log-likehood Statistic Freedom Probability
1 668.6510 0.928790 2 0.628515

2 670.3442 * * *
3 675.4732 NA NA NA
* indicates convergence not achieved.

Restricted cointegrating coefficients (standard error in parentheses)

LRM LRY IBO IDE C
1.000000 -1.000000 5.883815 -5.883815 -6.213670
(0.00000) (0.00000) (0.52343) (0.52343) (0.03766)

D(LRM) -0.177303
(0.05589)
D(LRY) 0.094523
(0.05823)
D(IBO) 0.022819
(0.02188)
D(IDE) 0.032339
(0.01448)
Nuevamente, no existe evidencia suficiente para rechazar la hipótesis nula

pues la probabilidad de equivocarse y rechazarla es muy alta (0.63).

Por último, queremos probar que las velocidades de ajuste correspondientes a

la tercera y cuarta ecuación son iguales a cero. Con esta restricción queremos probar
la exogeneidad débil de las dos tasas de interés. Para llevar a cabo esta restricción
añadimos una restricción adicional: α 3 = α 4 = 0 .
Restrictions:
B(1,1) + B(1,2) = 0
B(1,3) + B(1,4) = 0
B(1,1) = 1.0
A(3,1) = 0
A(4,1) = 0
Hypothesized Restricted LR Degrees of

No. of CE(s) Log-likehood Statistic Freedom Probability
1 665.7437 6.743448 4 0.150083

2 669.2337 * * *
3 675.4731 NA NA NA
* indicates convergence not achieved.

Restricted cointegrating coefficients (standard error in parentheses)

LRM LRY IBO IDE C
1.000000 -1.000000 5.810577 -5.810577 -6.207373
(0.00000) (0.00000) (0.56003) (0.56003) (0.04029)

D(LRM) -0.136960
(0.05101)
D(LRY) 0.133470
(0.05704)
D(IBO) 0.000000
(0.00000)
D(IDE) 0.000000
(0.00000)
Nuevamente, el ratio de verosimilitud nos indica que la probabilidad de equivocarnos y

rechazar la hipótesis nula es 0.15, valor alto si trabajamos con un nivel de significancia
de 95%. Sin embargo, recordemos que estamos comparando un modelo VEC con
restricciones con un modelo VEC sin restricciones, esa probabilidad de 0.15 está
considerando las restricciones sobre el vector de cointegración que fueron válidas. La

hipótesis que queremos contrastar no es esa, sino es verificar si la restricción sobre

los parámetros de ajuste son válidas o no. Para ello, comparamos el modelo anterior
con el que incluye las restricciones sobre los parámetros de ajuste.
Weak exogeneity test (a3=a4=0) conditional on b1+b2=b3+b4=0

LR statistic = 5.814657 p-value = 0.054621
La probabilidad de esta prueba es 0.05, es que una probabilidad aceptable para

trabajar y con ello rechazar la hipótesis de trabajo: la exogeneidad débil de las tasas
de interés con relación a la dinámica de largo plazo (ecuación de cointegración).

Sesión 6
Modelos de Espacio de Estado
El sistema de ecuaciones considerado en el programa EViews es el siguiente:
y t = ct + Z t α t + ε t
α t +1 = d t + Tt α t + υ t
Donde:
yt es un vector n x 1 que representa la variable dependiente u observada.

α t es un vector m x1 de variables de estado (no observadas), se asume que se
comportan como un VAR(1).
ct es un vector n x 1 que representa variables observadas exógenas
Z t es una matriz n x m que representa los coeficientes asociados a las variables de
estado
d t es un vector m x 1 que contiene variables observadas exógenas (puede
considerarse la constante)
Tt es una matriz m x m que contiene los coeficientes asociados a las variables de
estado rezagadas.
ε t y υ t son perturbaciones gausianas, serialmente independientes y con una
estructura de varianza como la siguiente:
ε t   H t Gt 
Ω t = var   =  |
υ t   Gt Qt 
Donde H t es una matriz de varianzas simétrica n x n, Qt es una matriz de varianza

simétrica m x m y Gt es una matriz de covarianzas n x m.
Filtro de Kalman
Definimos la media y varianza de las variables no observadas α t según la distribución

condicional al conjunto de información al periodo “s”:
at|s = E s (α t )
[( )(
Pt|s = E s α t − at|s α t − at|s )|]

Un caso especial es si el subíndice que señala el tiempo es s = t − 1 , de esta forma

at|t −1 es la media condicional un periodo hacia delante (one step ahead mean). Ahora
podemos definir el estimado un periodo hacia delante de la variable observada yt :
( )
yˆ t = yt|t −1 = Et yt | at|t −1 = ct + Z t at|t −1
Y el error de predicción un periodo hacia delante es:
εˆ = ε t|t −1 = yt − yˆ t|t −1
El filtro de Kalman es un algoritmo recursivo que consiste en la estimación secuencial

de las variables involucradas. Para esto es necesario contar con valores iniciales de la
media y varianza de las variables de estado, los valores de las matrices y de la
variable dependiente yt con esta información es posible estimar el valor un periodo
hacia delante de la media y varianza de la variable de estado ( at|t −1 , Pt|t −1 ), también la
media y varianza filtrada de la variable de estado y la predicción un periodo hacia
delante de la variable dependiente, del error de predicción y la varianza de predicción
( yt|t −1 , ε t|t −1 , Ft|t −1 ).
Suavizamiento de intervalo fijo
La diferencia con el anterior enfoque es que ahora utilizamos toda la información

disponible para un periodo fijo T. El objetivo es usar toda la información disponible
hasta el periodo T para formar la expectación de las variables involucradas para
cualquier tiempo dentro del periodo T.
Con este método es posible obtener el estimado suavizado de la variable de estado

(smoothed estimates of the states), α~t = at|T = ET (α t ) , el estimado suavizado de la
varianza de estado, Vt = varT (α t ) . Con estos estimados también se pueden construir
los estimados suavizados de la variable dependiente y su respectiva varianza
suavizada.
y = E ( yt | α~t ) = ct + Z t α~t
~
S = Var ~
T y( t|T )
= Z V Z| t t t
Condiciones iniciales
Para llevar a cabo la estimación recursiva (filtro de Kalman), el suavizamiento de las

variables y las proyecciones de estas es necesario contar con los valores un periodo
hacia delante de la variable de estado α1|0 y su respectiva matriz de varianza P1|0 . Si
el modelo utilizado es estacionario entonces podemos utilizar sin problemas los
valores iniciales comentados. En otro caso, es preferible estimar los valores de la
variable de estado con alguna medida de incertidumbre.

El objeto SSPACE
Para crear el objeto Sspace seleccionamos Objetc/New Object… / Sspace.
Existen dos formas para crear el sistema de ecuaciones, una es ingresar el modelo de
manera explícita y la otra es utilizar la opción “auto-specification” para facilitar al
usuario la creación del modelo.
Antes de mostrar la aplicación de la opción “auto-specification” es útil mostrar la

sintaxis empleada en el objeto Sspace. La ventaja de esto es poder modificar y
mejorar la especificación del sistema de ecuaciones a estimar.
Ecuaciones de Estado (@state)
Al especificar estas ecuaciones, el investigador debe considerar los siguientes

comentarios:
Cada ecuación debe tener una sola variable dependiente.

La ecuación de estado no puede tener una variable dependiente de la

ecuación de observación (@signal) así sean rezagos o adelantos de la
misma.
Cada ecuación de estado debe ser lineal respecto a su primer rezago. En

el caso de tener mas de un rezago en la expresión original ésta pueden
escribirse como nuevas ecuaciones de estado.
La ecuación de estado puede contener variables exógenas y coeficientes

desconocidos, y pueden ser no lineales.
Ejemplo:
@state sv1 = c(2)*sv1(-1) + c(3)*sv2(-1) + [var = exp(c(5))]
@state sv2 = sv1(-1)
Se trata de un proceso AR(2) no observado. Como vemos no se agrega directamente

el segundo rezago de la variable de estado (sv1), la solución es agregar una segunda
variable de estado que corresponde al segundo rezago.
@state sv1 = c(1) + sv1(-1) + [var = exp(c(3))]
En este caso se trata de un proceso random walk with drift no observado. Sin embargo
las siguientes expresiones no son validadas, no cumplen con las condiciones
comentadas anteriormente.
@state exp(sv1) = sv1(-1) + [var = exp(c(3))]

@state sv2 = log(sv2(-1)) + [var = exp(c(3))]
@state sv3 = c(1) + c(2)*sv3(-2) + var = exp(c(3))]
Ecuaciones de Observación (@signal)
Al especificar estas ecuaciones, el investigador debe considerar los siguientes

comentarios:
La variable dependiente puede involucrar expresiones matemáticas.
Estas ecuaciones no contienen valores actuales o adelantos de las

variables de observación (@sigmal). Además, los valores rezagados de la
variable de observación son tomadas como predeterminadas.
Estas ecuaciones deben ser lineales respecto al estado contemporáneo. La

restricción que no hay rezago de la variable de estado no es restrictivo pues
estados adicionales pueden ser creados para representar valores
rezagados de dicha variable de estado.
La ecuación de observación puede contener variables exógenas y

coeficientes desconocidos, y pueden ser no lineales.

Ejemplos:
@signal log(passanger) = c(1) + c(2)*x + sv1 + c(4)*sv2

@signal y = sv1 + sv2*x1 + sv3*x2 + sv4*y(-1) + [var =exp(c(1))]
Sin embargo, las siguientes expresiones son inválidas:
@signal log(passanger) = c(1) + c(2)*x + sv1(-1) + c(4)*sv2(1)

@signal y = sv1*sv2*x1 + [var =exp(c(1))]
Errores y varianzas
En el objeto Sspace, el término de perturbación o error debe incluirse en la

especificación de manera explícita. Existen varias formas para denotar las
perturbaciones pero la más simple es indicando el valor de su varianza. Dicha varianza
puede ser conocida o no conocida (por estimarse en el sistema).
@signal y = c(1) + c(2)*sv1 + c(3)*sv2 + [var=1]
@state sv1 = sv1(-1) + [var=exp(c(4))]
Sin embargo, con esta manera no es posible considerar la correlación entre las
perturbaciones. En este caso, será necesario identificar cada perturbación y
posteriormente indicar su varianzas y posibles covarianzas. Para nombrar las
perturbaciones utilizamos “@ename”.
@ename e1
@ename e2
También puede hacerse directamente en la especificación de las ecuaciones de

estado (@state) o de observación (@signal).
Con la expresión @evar podemos indicar los valores conocidos o desconocidos (por
estimar) de las perturbaciones anteriormente nombradas, por ejemplo:
y = c(1) + sv1*x1 + [ename = e1]

@state sv1 = sv1(-1) + [ename = e2]
@evar cov(e1,e2) = c(2)

@evar var(e1) =exp(c(3))
@evar var(e2) = exp(c(4))
Aplicación: abrir statespace.wks y statespace.prg
Definiremos un proceso ARMAX(2,2) con un coeficiente aleatorio para la variable

explicativa exógena. En este caso, definimos de manera textual las ecuaciones como
podemos observar:

Por ejemplo, la variable de estado 1 (SV1) es la parte MA (moving average) del

proceso, y las variables de estado 2 y 3 (SV2 y SV3) son los rezagos de la variable
dependiente (parte AR del proceso). Además, se indica que el coeficiente asociado a
la variable exógena sigue un proceso random walk without drift cuya varianza de la
perturbación es restringida a 3.
Estimamos el modelo, si no especificamos los valores iniciales para los parámetros

con la expresión @param, EViews tomará el valor cero para cada uno de ellos.
También podemos especificar los valores iniciales para las variables de estado. En el
caso que no es especifique, Eviews tomará como valores iniciales el cero (diffuse
priors). Como vemos en el cuadro de salida, las cuatro variables de estado utilizan
como valores iniciales el cero con una varianza arbitrariamente alta para reflejar la
incertidumbre sobre sus valores.

En el menú del objeto Sspace podemos pedir el gráfico de la variable dependiente y el

valor de la variable dependiente estimada un periodo hacia delante (one sep ahead
estimate). Para esto seleccionamos View/Actual, Predicted, Residual Graph.
One-step-ahead DLY
.08
.06
.04
3 .02
2 .00
1 -.02
0 -.04
-1
-2
-3
1965 1970 1975 1980 1985 1990 1995 2000 2005
Std. Residuals Actual Predicted
Por otro lado, podemos analizar el desempeño de las variables estimadas mediante
los gráficos propuestos tanto en signal graphs y state graphs. Las opciones de las
series como one step ahead, smoothed y filtered fueron explicadas anteriormente.
La opción forecast nos permite obtener las proyecciones de las variables observadas
dependientes, las de estado, y los errores estándar utilizando métodos alternativos y
enfoques para dar valores iniciales.

Otro resultado importante es observar los parámetros estimados por el modelo así
como su matriz de varianzas. La forma de obtenerla se muestra en la imagen
siguiente:

Sesión 7
Modelos de Datos de Panel
Datos en panel estático
Modelo de efectos fijos
El modelo básico es:

yit =α + β ' xit + µi + ε it
Donde i = 1,2,….,N y t = 1,…..T. El vector xit tiene K elementos (variables explicativas

sin considerar el intercepto). Este modelo se puede estimar por MCO si los siguientes
supuestos se cumplen:
a) Ortogonalidad entre los errores y regresores: E[xit ,εit] = 0

b) Homocedasticidad: var(εit) = σε2, para todo i
c) No hay correlación entre los errores: Cov (εit, εis) = 0, para s ≠ t
d) La matriz X = [xit] tiene rango completo = K (no hay multicolinealidad)
Sin embargo, el analista puede aprovechar la información disponible y construir

modelos de comportamiento más complejos. El analista podría capturar efectos que no
son detectados en un modelo cross-section o de serie de tiempo. Por ejemplo, es
posible separar economías de escala del cambio tecnológico a partir de una función de
costos de una industria determinada.
Otra opción es considerar efectos individuales (αi) específicos para cada unidad de
sección cruzada pero que son constantes a lo largo del tiempo (time-invariant
regresor). En el caso que los αi sean iguales para todas las unidades o ecuaciones de
cross-section entonces los estimadores de α y β por MCO serán consistentes y
eficientes (Pooled estimation).
Este efecto individual puede interpretarse como la habilidad del individuo que no es
observada pero que si afecta la variable dependiente. Este modelo de efectos
individuales es estimado según los supuestos establecidos sobre la correlación del
error con los regresores. De esta manera sigue dos tratamientos distintos: el enfoque
de efectos fijos y el de efectos aleatorios.
Ventajas y desventajas del modelo de Datos de Panel11
Ventajas:
• Controlar la heterogeneidad individual.
• Provee más información, más variabilidad de los regresores, menos
colinealidad, más grados de libertad y eficiencia del estimador MCO.
• Es posible estudiar la dinámica del ajuste con mayor precisión.
11
Tomado de Baltagi, Badi “Econometric Analysis of Panel Data”. Wiley Ed. 1995.

• Identificar y medir los efectos que no son detectados en cross section y series
de tiempo.
• Elaboración de modelos de comportamiento más complejos.
• Elimina el sesgo de la agregación sobre las firmas o individuos.
Desventajas:
• Problemas en el diseño y en la recolección de los datos.
• Distorsiones originadas por errores de medición.
• Problemas de selección: auto selección, no respuesta; y
• Baja frecuencia temporal.
Modelo de Efectos Fijos
Un manera de captar las diferencias entre unidades (o individuos) es considerando

una variable dummy Di que indica la unidad i.
En este modelo se asume que los componentes no observados (habilidad por ejemplo)
están correlacionados con algunos regresores (educación) y por tanto se viola el
supuesto de ortogonalidad (a). Este tipo de problema también es llamado sesgo de
heterogeneidad no observada. Esta dificultad se presenta cuando entidades de
naturaleza no observada diferentes son agrupadas para la estimación. Por ejemplo,
individuos muy hábiles y los poco hábiles.
Más hábiles
Menos hábiles
Este problema se plantea usualmente como un modelo de efectos fijos. La utilidad se

da por dos razones. Primero se ataca el problema de inconsistencia que es más serio
que el de ineficiencia. Segundo, la solución en modelos lineales es directa, pues un
modelo con efectos fijos es equivalente a incluir variables dummy para cada entidad.
Además, si se tienen T observaciones para cada entidad, se pueden sustraer los
promedios de cada entidad y obtener:
yit − yi• = β ' ( xit − xi• ) + ε it − ε i•
O el modelo de efectos fijos puede verse desde un enfoque matricial:

My = MXβ + Mε ; donde M = I − D( D' D) −1 D'
βˆ FE = ( X ' MX ) −1 X ' My
Donde yi• es el promedio de la i-ésima unidad o individuo. De esta forma, se eliminan

los componentes no observados que generaban inconsistencia. El estimador de
efectos fijos, también es llamado within estimator o estimador intra-grupos pues solo
toma en cuenta las variaciones al interior de la unidad o individuo y no las variaciones
entre entidades diferentes. Este procedimiento es equivalente al incluir una dummy
para cada entidad en la regresión por lo que también es conocido como el Estimador
de Mínimos Cuadrados con Variables Dummy (LSDV).
Aplicación12: abrir el workfile baltagi_griffin.wf1 y el programa baltagi_griffin.prg
Baltagi y Griffin estiman la siguiente demanda de gasolina:
Gas Y P Car
ln = α + β 1 ln + β 2 ln MG + β 3 ln + ε it
Car N PGDP N
Donde Gas/Car es el consumo de gasolina por auto, PMG/PGDP es el precio del motor a
gasolina y Car/N registra el stock de autos per cápita. Este panel consiste de
observaciones anuales en 18 países de la OECD ente los años 1960 – 1978.
Para crear un workfile con datos en panel, elegimos la opción balanced panel y el
rango del periodo y el tamaño de la muestra (individuos).
12
Ejemplo tomado de Baltagi, Badi H. “Econometrics Análisis of Panel Data”. Wiley Ed. 1995.

En la ventana del objeto “equation” podemos elegir estimar el modelo de efectos fijos
individuales como temporales. Además, es posible elegir el método de Mínimos
Cuadrados Generalizados, para corregir la heterocedasticidad al interior de las
ecuaciones como la correlación contemporánea entre los términos de error de las
ecuaciones.
Dependent Variable: LGASPCAR

Method: Panel Least Squares
Date: 08/07/05 Time: 17:12
Sample: 1960 1978
Cross-sections included: 18
Total panel (balanced) observations: 342
LCARPCAP -0.640483 0.029679 -21.58045 0.0000

LINCOMEP 0.662250 0.073386 9.024198 0.0000
LRPMG -0.321702 0.044099 -7.294957 0.0000
C 2.402671 0.225309 10.66388 0.0000
Effects Specification
Cross-section fixed (dummy variables)

Log likelihood 340.3340 F-statistic 586.5556

Los parámetros del modelo guardan relación con los valores esperados en la teoría,
además, todos los coeficientes son significativos al 5%.
4
.4
3
.2
.0
-.2
-.4
50 1 00 150 200 2 50 300
Re sidual Actual Fitted
Por otro lado, es posible recuperar los efectos individuales estimados. El procedimiento es ir al
menú del objeto “equation” y elegimos fiex/random effects/cross.section effects debido que los
efectos fijos son para los diversos individuos.
Modelo de Efectos Aleatorios
El enfoque de efectos fijos parece apropiado si creemos que dichos efectos

corresponden únicamente a las unidades analizadas y que no pueden establecerse
para unidades adicionales fuera de ella. ¿Cuál es la solución si las unidades de la
sección cruzada son extracciones muestrales de una población? La respuesta es tratar
esos efectos individuales como un proceso estocástico que forma parte del término µit.
Además se asume que dichos componentes no están correlacionados con los
regresores (la principal diferencia con los efectos fijos).
ω it = µi + εit
Nota: no consideramos los efectos temporales dado que las observaciones de panel
se caracterizan por tener una pequeña amplitud en el tiempo.
E(µi )= E(εit) = 0
E(µi2) = σµ2

E(εit2) = σε2
E(ωit2) = σµ2 + σε2
E(ωitωis) = σµ2 , t ≠ s
La matriz de covarianzas de los errores para la i-ésima unidad es:
σ ε2 + σ µ2 σ µ2 L σ µ2 
 
σ µ2 σ ε2 + σ µ2 σ µ2
Ω =   = σ 2 I + σ 2 ii '
L
M M  ε µ
 
 σ µ2 L σ µ2 σ ε2 + σ µ2 
Finalmente la matriz de covarianzas de los errores será:
Ω 0 L 0 
0 Ω L 0
Γ= 
M M
 
 0 0 L Ω
Bajo el supuesto de ortogonalidad, el estimador de MCG es el más eficiente pues

incorpora la información existente en la matriz de varianza de los errores. Este
estimador se construye como bMCG = (X’Γ-1X)-1X’Γ-1y. Empíricamente, esto implica
construir la matriz estimada a partir de las varianzas de los componentes del error. A
manera de resumen, el uso de datos de panel permite ganar en eficiencia al explotar la
información contenida en los componentes no observados (efecto individual).
La estimación por MCG implica el uso de ponderadores que transforman las variables
involucradas en la estimación. Dicho ponderador es el siguiente: Γ −1 / 2 = I ⊗ Ω −1 / 2 .
θ
Siendo Ω −1 / 2 = I − ii ' .
T
Nótese las similitudes de este procedimiento con los cálculos en el modelo de efectos
fijos, donde θ = 1. Se puede demostrar que el estimador de MCG, como el estimador
de MCO, es una media ponderada matricial de los estimadores intra y entre grupos.
Aplicación:
El modelo de demanda de gasolina entre naciones propuesto y estimado por Baltagi y

Griffin (1983) es el siguiente:
GAS Y P CAR
ln = α + β1 ln + β 2 ln MG + β 3 ln + µ i + ε it
CAR N PGDP N

A diferencia del modelo de efectos fijos, el término no observado pero que indica la
diferencia entre individuos no estaría correlacionado con los regresores. Por ejemplo,
µ i puede ser una medida del nivel tecnológico del país, un nivel por encima del
promedio indicaría un bajo nivel de la tecnología disponible en el país lo que lleva a un
mayor consumo de gasolina. Este nivel de tecnología podría ser independiente del
stock per cápita, o de los precios reales de la gasolina, bajo esta sospecha el
estimador de efectos aleatorios será el modelo apropiado. Aunque, debemos
mencionar que existen pruebas estadísticas para contrastar esta sospecha como el
contraste de Hausman y el de Breusch – Pagan.
Dependent Variable: LGASPCAR

Method: Panel EGLS (Cross-section random effects)
Sample: 1960 1978
Swamy and Arora estimator of component variances
LCARPCAP -0.606840 0.024672 -24.59635 0.0000

LINCOMEP 0.554986 0.057174 9.706894 0.0000
LRPMG -0.420389 0.038657 -10.87481 0.0000
C 1.996699 0.178235 11.20260 0.0000
Cross-section random S.D. / Rho 0.195545 0.8177

Idiosyncratic random S.D. / Rho 0.092330 0.1823
Weighted Statistics

F-statistic 547.3993 Durbin-Watson stat 0.304481
Prob(F-statistic) 0.000000
Unweighted Statistics

Sum squared resid 27.64628 Durbin-Watson stat 0.033940

.8 4
.4 3
.0
-.4
-.8
50 100 150 200 250 300
Residual Actual Fitted
Contraste de efectos aleatorios (Breush – Pagan)
Contraste del multiplicador de Lagrange para el modelo de efectos aleatorios. El

análisis se basa en los residuos de MCO.
Ho: σν2 = 0
H1: σν2 ≠ 0
2
 n T 
2

 ∑ ∑ it e 
nT  i =1  t =1 
LM = −1 ~ X2 (1)
2(T − 1)  n T 
 ∑∑ eit
2

 1=1 i =1 
Prueba LM: Var(u) = 0

chi2(1) = 1465.55
Prob > chi2 = 0.0000
Se rechaza la hipótesis nula, por tanto hay evidencia a favor del modelo de
componentes del error.
Contraste de Hausman - ¿efectos fijos o aleatorios?
Consiste en probar la ortogonalidad de los efectos aleatorios y los regresores. Bajo la

hipótesis de no correlación, los estimadores de MCO en el modelo de efectos fijos y el
estimador de MCG son consistentes pero el de MCO es ineficiente. Por lo tanto, bajo
la hipótesis nula la diferencia no debería ser sistemática.
H = ( βˆ RE − βˆ FE )' (V FE − VRE ) −1 ( βˆ RE − βˆ FE ) ~ χ k2

Ho: Diferencia entre los coeficientes no es sistematica

b_fijos: consistente bajo Ho y Ha
b_aleatorios: inconsistente bajo Ha, eficiente bajo Ho
chi2(3)=302.8
Pr>chi2=0.0000
Con una probabilidad menor a 0.05 no existe evidencia para aceptar la hipótesis nula.
Por lo tanto, existe una diferencia sistemática entre el estimador de MCO (efectos fijos)
y el de MCG (efectos aleatorios). Siendo el estimador de efectos aleatorios
inconsistente. Por tanto, el modelo de efectos fijos es el indicado para el modelo de
demanda de gasolina por auto, en otras palabras, existiría una correlación entre las
explicativas y el efecto individual no observable debido probablemente al indicador de
ingresos per cápita.

Datos en panel dinámico
Variables Instrumentales (MC2E)

Papke(1994) utiliza diversos modelos de datos en panel para determinar el efecto de
la designación de la zona de empuje sobre la producción en 22 comunidades en
Indiana. Uno de los modelos utilizados es el siguiente13:
y it = θ t + ρ1 y i ,t −1 + δ 1ez it + µ i + ε it
donde: y it es el logaritmo del seguro de desempleo. El coeficiente de interés es el
efecto marginal asociado al indicador binario ez it , dicha variable toma el valor 1 si la
comunidad “i” en el año “t” fue designada como una zona de empuje. El modelo fue
aplicado para el periodo 1981-1988, con y i 0 que corresponde a 1980. Al tomar las
primeras diferencias al modelo obtenemos:
∆yit = ζ t + ρ1∆yi ,t −1 + δ1∆ezit + ∆ε it
El modelo diferenciado tiene un nuevo intercepto temporal. Papke estima esta
ecuación con MC2E, para ello usa como instrumento ∆yi ,t − 2 para la variable endógena
∆yi ,t −1 . El caso de la variable ∆ezit es considerado como exógeno pues la designación
como zona de empuje no depende de su desempeño pasado.
Dependent Variable: D(LUCLMS)

Method: Panel Two-Stage Least Squares
Sample (adjusted): 1983 1988
Instrument list: C D(LUCLMS(-2)) D(EZ)
C -0.201653 0.040473 -4.982367 0.0000

D(LUCLMS(-1)) 0.164710 0.288447 0.571023 0.5690
D(EZ) -0.218703 0.106141 -2.060488 0.0414
Period fixed (dummy variables)
R-squared 0.280529 Mean dependent var -0.235098

Durbin-Watson stat 2.857782 J-statistic 2.15E-30
Instrument rank 8.000000
13
Ejemplo tomado de Papke (1994) Tax policy and urban development: evidence from an enterprise zone
program. Working paper 3945. NBER. Diciembre 1991.

Como observamos la elección de los instrumentos cumplen con la condición de ortogonalidad

pues el estadístico toma un valor muy pequeño. Sin embargo, el parámetro ρ̂1 no es
significativo mientras que δˆ1 si lo es a un nivel del 5%. Si εi no está correlacionado entonces
por construcción ∆ε it deberá estar correlacionado. Papke no encuentra diferencias
importantes cuando los errores estándar de los parámetros son ajustados por correlación serial
y heterocedasticidad.
Dependent Variable: D(LUCLMS)

Method: Panel Two-Stage EGLS (Period weights)
Linear estimation after one-step weighting matrix
White cross-section standard errors & covariance (d.f. corrected)
Instrument list: C D(LUCLMS(-2)) D(EZ)
C -0.187904 0.059523 -3.156810 0.0020

D(LUCLMS(-1)) 0.282591 0.495746 0.570033 0.5697
D(EZ) -0.240758 0.137309 -1.753400 0.0820
Weighted Statistics

Durbin-Watson stat 2.667505 J-statistic 7.11E-30
Instrument rank 8.000000
Unweighted Statistics

Sum squared resid 7.334674 Durbin-Watson stat 3.017004

Debemos notar que el rango de instrumentos es 8, desde que las dummies para los
periodos sirven como instrumentos, así tenemos 3 instrumentos explícitamente
especificados más 5 variables dummies no colineales.
Estimador Arellano – Bond (MMG)
Sea el modelo:
y it = αy it −1 + x it| β + µ i + ε it
Sea X it = ( yit −1, xit| )
Tenemos el modelo en primeras diferencias:
∆yit =α∆yit −1 + ∆xit| β + ∆ε it
Aquí las primeras dos observaciones se pierden por los rezagos y las diferencias
dinámicas aplicadas a las series. Como xit| contiene solo variables exógenas entonces
∆xit| pueden utilizarse como instrumentos de dichas variables. Asumiendo que los
errores ε it no están autocorrelacionados para cada ecuación individual y si T=3
entonces yi1 es el único instrumento válido para la variable rezagada. Si T=5, entonces
yi1 , yi 2 , yi 3 son los únicos instrumentos válidos.
La estimación eficiente MMG utiliza un número diferente de instrumentos para cada

periodo, los instrumentos corresponden a los diferentes rezagos de la variable
dependiente y variables predeterminadas dadas en cada periodo. Considerando las
variables estrictamente exógenas, uno puede usar un conjunto específico de
instrumentos correspondientes a los valores rezagados y otras variables
predeterminadas.
Aplicación14: abrir el workfile abond.wf1 y el programa abond.prg
En el artículo de Arellano y Bond (1991) se aplica el estimador propuesto para

modelos de datos en panel dinámico. El modelo es sobre la demanda laboral dinámica
que fue previamente estudiada por Layard y Nickell (1986). El modelo a estimar es el
siguiente:
nit = α + β 1 ni ,t −1 + β 2 ni ,t −2 + δ 1 wit + δ 2 wi ,t −1 + φ1 k it + γ 1 y it + γ 2 y i ,t −1 + µ i + ε it
donde:
nit : logaritmo del empleo en la firma “i” en el periodo “t”
14
Aplicación tomada del artículo de Arellano, Bond (1991). Some tests of specification for panel data:
monte carlo evidence and an application of employment equations. The Review Economics Studies, Vol.
58 N°2 . Abril 1991.

wit : logaritmo del salario real

k it : logaritmo del stock de capital
y it : logaritmo del producto de la industria
Dependent Variable: N
Method: Panel Generalized Method of Moments
Transformation: First Differences
Total panel (unbalanced) observations: 611
Difference specification instrument weighting matrix
White period standard errors & covariance (d.f. corrected)
Instrument list: @DYN(N,-2) W W(-1) K YS YS(-1) @LEV(@SYSPER)
N(-1) 0.534614 0.167909 3.183950 0.0015

N(-2) -0.075069 0.068575 -1.094702 0.2741
W -0.591574 0.169356 -3.493076 0.0005
W(-1) 0.291511 0.142295 2.048634 0.0409
K 0.358503 0.054300 6.602205 0.0000
YS 0.597199 0.173440 3.443249 0.0006
YS(-1) -0.611703 0.213653 -2.863068 0.0043
@LEV(@ISPERIOD("1979")) 0.005427 0.009799 0.553834 0.5799
@LEV(@ISPERIOD("1980")) 0.011035 0.012726 0.867133 0.3862
@LEV(@ISPERIOD("1981")) -0.032878 0.015995 -2.055443 0.0403
@LEV(@ISPERIOD("1982")) -0.022358 0.014221 -1.572202 0.1164
@LEV(@ISPERIOD("1983")) -0.001423 0.018844 -0.075503 0.9398
@LEV(@ISPERIOD("1984")) 0.011741 0.018574 0.632115 0.5276
Cross-section fixed (first differences)


J-statistic 73.85798 Instrument rank 38.00000
Sample: 1976 1984

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

**|. | **|. | 1 -0.193 -0.193 22.856 0.000

.|. | .|. | 2 -0.012 -0.051 22.940 0.000
.|. | .|. | 3 0.000 -0.013 22.940 0.000
.|. | .|. | 4 -0.001 -0.004 22.940 0.000
De acuerdo al estadístico de Sargan existe evidencia para rechazar la hipótesis nula

que la sobre identificación es válida. Cabe mencionar que dicha prueba tiende a sobre-
rechazar en presencia de heterocedasticidad. Por tanto, estimemos el modelo
dinámico mediante el estimador de dos pasos.
Dependent Variable: N
Method: Panel Generalized Method of Moments
Transformation: First Differences
Total panel (unbalanced) observations: 611
White period instrument weighting matrix
White period standard errors & covariance (d.f. corrected)
Instrument list: @DYN(N,-2) W W(-1) K YS YS(-1) @LEV(@SYSPER)
N(-1) 0.474151 0.089492 5.298257 0.0000

N(-2) -0.052968 0.026956 -1.964992 0.0499
W -0.513205 0.057826 -8.875003 0.0000
W(-1) 0.224640 0.081321 2.762398 0.0059
K 0.292723 0.042613 6.869307 0.0000
YS 0.609774 0.112002 5.444293 0.0000
YS(-1) -0.446371 0.126700 -3.523065 0.0005
@LEV(@ISPERIOD("1979")) 0.010509 0.006891 1.525097 0.1278
@LEV(@ISPERIOD("1980")) 0.014142 0.010011 1.412639 0.1583
@LEV(@ISPERIOD("1981")) -0.040453 0.012304 -3.287801 0.0011
@LEV(@ISPERIOD("1982")) -0.021640 0.011452 -1.889553 0.0593
@LEV(@ISPERIOD("1983")) -0.001846 0.010902 -0.169365 0.8656
@LEV(@ISPERIOD("1984")) -0.010220 0.010641 -0.960497 0.3372
Cross-section fixed (first differences)


J-statistic 30.11242 Instrument rank 38.00000
Date: 08/08/05 Time: 04:57

Sample: 1976 1984
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
*|. | *|. | 1 -0.171 -0.171 17.978 0.000

.|. | .|. | 2 -0.015 -0.046 18.115 0.000
.|. | .|. | 3 0.000 -0.011 18.115 0.000
.|. | .|. | 4 -0.001 -0.004 18.116 0.001
A pesar que Arellano y Bond recomiendan no usar este modelo para hacer inferencia,
si es útil para hacer una aproximación sobre la prueba de Sargan bajo
homocedasticidad. Existe evidencia para aceptar la hipótesis nula de validez de los
instrumentos.
Tanto como en el primer modelo que asume homocedasticidad como en el actual

rechazan la hipótesis nula de carencia de autocorrelación de primer orden en los
residuos diferenciados. Pero no implica que los estimadores sean inconsistentes, si
existiera correlación de segundo orden en los residuos diferenciados eso implicaría
que los estimadores son inconsistentes que de acuerdo a la prueba no puede
afirmarse la inconsistencia.

Macroeconometria Aplicada Con Eviews

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Macroeconometria Aplicada Con Eviews

Uploaded by

Copyright:

Available Formats

Macroeconometría Aplicada con E-Views 5

Expositor: José Carlos Tello

Macroeconometría Aplicada con

Expositor: José Carlos Tello

Macroeconometría con EViews 5.0 1

En el caso de la econometría aplicada, usamos las herramientas que nos

Modelo de Regresión Lineal Clásica

También podemos representarlo haciendo explícitas las matrices, observa las

 y1   x11 x12 L x1k   β1   ε 1 

El vector β contiene los efectos marginales de cada variable independiente sobre la

Macroeconometría con EViews 5.0 2

Como podemos observar dichos efectos marginales son constantes, no varía

Repasemos las características de este modelo, el orden de ellas está relacionado

1. Ortogonalidad entre las variables explicativas y los errores. Las variables

Si en un modelo econométrico las variables explicativas o alguna de ellas tienen

2. Los errores se caracterizan por poseer una varianza constante

3. La no multicolinealidad de las variables explicativas. En la matriz de

Sobre el tamaño de la muestra

En esta sección haremos mención tanto a una variable de corte transversal

Macroeconometría con EViews 5.0 3

sobre el tamaño de la muestra es importante antes de realizar cualquier tipo de

Posibles errores en la elección de la muestra

Muestra de 10 datos anuales en

Macroeconometría con EViews 5.0 4

Mínimos Cuadrados Ordinarios (MCO)

βˆ = ( X ' X )−1 X ' y

El R2, el coeficiente de determinación:

Aplicación 1: Abrir el programa ols_matrices.prg

Propiedades del estimador de MCO

Muestra pequeña: la idea de esta sección es mostrar las características de la

• El Teorema Gauss-Markov nos dice que el estimador de MCO es eficiente (su

Aplicación 2: abrir el workfile nerlove.wf1 y el programa nerlove.prg

Nerlove, en un paper de 1963, presenta un estudio de retornos constantes a

Macroeconometría con EViews 5.0 5

La base de datos corresponde a un corte transversal para 145 firmas en 44

ln(tci ) = β 1 + β 2 ln(qi ) + β 3 ln( pi1 ) + β 4 ln( pi 2 ) + β 5 ln( pi 3 ) + ε i

Una vez que la ecuación está linealizada procedemos a estimar la función de

Dependent Variable: LNTC

Pasos para analizar la validez de una estimación por MCO.

a) Analizar los impactos marginales, es decir, que el signo de los parámetros

Cumplimiento de los supuestos

a) Homocedasticidad de los errores

Macroeconometría con EViews 5.0 6

Para ello es necesario realizar el contraste de Heterocedasticidad de White. En la

White Heteroskedasticity Test:

La idea del contraste es muy simple, la hipótesis es si la varianza de los errores

De acuerdo a la prueba F calculada, se rechaza la hipótesis nula. ¿Cuál es la

El problema de no corregir la heterocedasticidad en un modelo lineal es que las

Macroeconometría con EViews 5.0 7

La solución es estimar el modelo mediante MCGF (Mínimos cuadrados

Dado que nuestra base de datos es de corte transversal, la opción a utilizarse

b) Linealidad del modelo (efectos marginales constantes)

Macroeconometría con EViews 5.0 8

Elegimos la opción recursive coefficients. Aclaremos que c(1) corresponde al

Macroeconometría con EViews 5.0 9

Efectivamente, el estadístico CUSUM of Squares sale de la banda de

Si la linealidad del modelo no se cumple, esto llevaría a problemas en la

Las soluciones son variadas y esto depende de la fuente de inestabilidad.

Debido que la función de costos es una Cobb-Douglas, los parámetros

Macroeconometría con EViews 5.0 10

homogénea con los precios. Luego de unas transformaciones el modelo a estimar es

Dependent Variable: LNTC_PL

Contrastando los retornos constantes a escala