MODELOS VAR COINTEGRADOS

MODELOS VAR COINTEGRADOS

(REDUCCI
(REDUCCI

N)
N)
Dr. Luis Miguel Galindo
I. ANTECEDENTES
II. MARCO GENERAL DE COINTEGRACIN
III. RESTRICCIONES EN EL VAR
IV. EXOGENEIDAD DBIL
V. EXPERIMENTOS MONTE CARLO
VI. CONCLUSIONES Y COMENTARIOS
Contenido
Dr. Galindo
- Modelos VAR con cointegracin
- Series estacionarias o no estacionarias
Dr. Galindo
I. ANTECEDENTES
II. MARCO GENERAL DE COINTEGRACIN
VAR ():
(1) y
t
= A
1
y
t-1
++A

y
t-
+u
t
Sin incluir los trminos determinsticos.
VECM ():
(2) y
t
= y
t-1
+ Iy
t-1
++I
-1
y
t-+1
+u
t
Donde:
= -(I-A
1
--A
p
)
I
i
= -(A
i+1
,+A

)
Dr. Galindo
II. MARCO GENERAL DE COINTEGRACIN
- Con variables en y
t
cointegradas entonces la matriz tiene
un rango reducido rk() =r y puede descomponerse en =
donde y son matrices k x r.
- El rango r de se conoce como el rango de cointegracin.
- La matriz se le conoce como la matriz de cointegracin.
(Parmetros de largo plazo).
- La matriz contiene los pesos ponderados de las relaciones
estacionarias y
t-1
del modelo = matriz of loading or
feedback coefficients. (Estructura de ajuste).
Dr. Galindo
II. MARCO GENERAL DE COINTEGRACIN
- Utilizar un VECM en vez de un VAR representa ya una
reduccin.
- Sims, Stock y Watson (1990) y Ltkepohl (1991)
argumentan que MCO tienen las mismas propiedades
asintticas que los estimadores de ML en Johansen.
- El estimador de la varianza es un estimador consistente de
la varianza asinttica pruebas de t y f se pueden usar.
Problema: Las pruebas estadsticas no tienen las
distribuciones usuales.
-Con variables I(1) los procedimientos de reduccin son
validos.
Dr. Galindo
II. MARCO GENERAL DE COINTEGRACIN
- Los trminos determinsticos son importantes porque:
1.- Trminos determinsticos distintos implican
diferentes tendencias deterministicas en los datos.
Ejemplo: Una tendencia sin restringir en el VAR
implica tendencias cuadrticas.
2.- Diferentes trminos determinsticos implican
cambios en la distribucin asintotica del estadstico de
la prueba LR necesario utilizar distintos valores
crticos.
- y no son nicos: (
1
=ff
-1

1
=
*

*
) a menos que se
impongan e identifiquen una serie de restricciones.
Dr. Galindo
II. MARCO GENERAL DE COINTEGRACIN
Las restricciones lineales generales:
(3) Vec = Ho+h
Donde: o contiene a los parmetros libres.
H contiene las restricciones.
h es un vector de constantes normalizados.
Las restricciones tericas son normalmente derivados de la
teora econmica.
Dr. Galindo
Data modeling using economic theory guidelines
II. MARCO GENERAL DE COINTEGRACIN
- En el caso en que los vectores de cointegracin estn
exactamente identificados pueden analizarse restricciones
adicionales condicionadas a las restricciones identificadas.
LR con X
2
La distribucin en pequeas muestras puede ser muy diferente
y por tanto se propone utilizar los valores crticos propuestas
por Gredenhoff y Jacobson, 2001) o por los coeficientes o
ajustadas de Johansen (2002).
VAR I(0) parsimonioso:
(4) y
t
= oec
t-1
+Iy
t-1
++I
-1
y
t- +1
+u
t
Dr. Galindo
II. MARCO GENERAL DE COINTEGRACIN
- Restricciones
1.- Restricciones de largo plazo: Teora econmica
2.- Restricciones en la dinmica de corto plazo
Dr. Galindo
III. RESTRICCIONES EN EL VAR
Restricciones en los parmetros del VECM condicional:
VECM:
(5) y
t
=ED
t
+ oec
t-1
+I
1
y
t-1
++I
-1
y
t-+1
+u
t
= (E, o,I
1
I
-1
)
Z
t
= (D
t+1
, ec
t
, y
t
,, y
t--2
)
Z = (Z
o
,,Z
T-1
)
u = (u
1
,,u
T
)
y = vec(y)
C = vec (C)
U = vec(u)
Dr. Galindo
VECM condicional:
Las restricciones lineales en el vector de parmetros:
Dr. Galindo
( ) u CZ y + = A 6
c c c
r R C + = ) 7 (
III. RESTRICCIONES EN EL VAR
Donde la matriz de restricciones R
c
es:

c
= vector de parmetros libres
r
c
= vector de constantes normalizadas.
Eliminar regresores del VECM equivale a eliminar
columnas de R
c
.
Dr. Galindo
|
|
|
.
|

\
|
=
I
R
R
R
R
E
c
0 0
0 0
0 0
) 8 (

III. RESTRICCIONES EN EL VAR
- Se utilizan estrategias uniecuacionales
- Reimers (1991) considera que no se puede utilizar ciertas
restricciones de ceros en el VECM porque son coeficientes
que son una combinacin lineal del VAR original
Dr. Galindo
III. RESTRICCIONES EN EL VAR
- Exogeneidad Dbil:
Los feedbacks de desviaciones de las relaciones de largo
plazo se capturan con o y son importantes por que revelan
informacin sobre la estructura econmica
Pruebas de
Exogeneidad dbil porque algunas restricciones de
ceros implican exogeneidad dbil en el largo plazo con
respecto a los parmetros de Cointegracin.
Dr. Galindo
IV. EXOGENEIDAD DBIL
Dr. Galindo
IV. EXOGENEIDAD DBIL
Exogeneidad dbil: En el caso donde todas
las variables de un sistema son exgenas
dbiles menos una es posible entonces
inferencias eficientes sobre los parmetros de
Cointegracin que adems puede realizarse
en un marco uniecuacional
Pruebas de exogeneidad dbil:
1.- Prueba de LR propuesta por Johansen (1995).
2.- Primero mapear el VAR cointegrado en un VECM
reduciendo el espacio de parmetros imponiendo
restricciones adicionales de ceros en la dinmica de corto
plazo y luego probando la significancia estadstica de los
coeficientes o utilizando t o f.
Reducir el numero de parmetros para aumentar la
precisin de las pruebas
Restringir el VECM y por tanto se conoce como
subset test
Dr. Galindo
IV. EXOGENEIDAD DBIL
I. The Likelihood Ratio Test
Las restricciones lineales en los parmetros de Cointegracin
pueden expresarse como:
(9.1) Vec
(9.2) Vec
G= una matriz
= vector con los parmetros de ajuste libres
La estimacin del modelo requiere un mtodo interactivo
LR se distribuye asintticamente como ;
2
(df)
df = grados de sobreindentificacin
Dr. Galindo
IV. EXOGENEIDAD DBIL
h H + o = |
= o G
1
I. Ejemplo:
II. Con 1=1 y k = 4
III. o = G
I. (10)
I. H
0
= Anlisis de exogeneidad dbil en la segunda variable
Dr. Galindo
IV. EXOGENEIDAD DBIL
|
|
|
.
|

\
|

o
o
o
= o
3
2
1
4
3
1
1 0 0
0 1 0
0 0 0
0 0 1
0
Ejemplo:
Con 1=1 y k = 4
o = G
(10)
H
0
= Anlisis de exogeneidad dbil en la segunda variable
Dr. Galindo
IV. EXOGENEIDAD DBIL
|
|
|
.
|

\
|

o
o
o
= o
3
2
1
4
3
1
1 0 0
0 1 0
0 0 0
0 0 1
0
2. The subset Test: (variables I(0))
1.- Mapear el VAR cointegrado en el VECM
2.- Utilizar pruebas de t o criterios de informacin (AIC)
para imponer restricciones de ceros
3.- Analizare la significancia de o utilizando pruebas t o
f.
Dr. Galindo
IV. EXOGENEIDAD DBIL
Correccin para muestras pequeas:
- La distribucin de la prueba LR es asinttica y pueden
tanto ser equivocado
- Algunos estudios encuentran que LR tiene en muestras
pequeas, distorsiones importantes
(Gredenhott y Jacobson (2001))
Dr. Galindo
IV. EXOGENEIDAD DBIL
Dos tipos de correcciones
1.- Correccin por los grados de libertad (Sims, 1980):
(11) LR
M
LR
M
: Tiene la misma distribucin asinttica que LR
pero es menos probable que rechace H
0
en muestras
pequeas
Dr. Galindo
IV. EXOGENEIDAD DBIL
2.- La versin f de la prueba LR se comporta mejor en
muestras pequeas
k = nmero de parmetros estimados en una ecuacin del
sistema (Ltkepohl, 1991)
V. Experimentos Monte Carlo
Dr. Galindo
IV. EXOGENEIDAD DBIL
( ) k T , df f
dt
LR
f ~ =
1. No existe una ganancia importante al seleccionar distintos
procedimientos de seleccin de subconjuntos
2. Para muestras grandes los criterios de informacin HQ y
SC parecen los mejores
3. Las ganancias de utilizar distintas estrategias de reduccin
son siempre menores a reducir un numero general de
rezagos
Dr. Galindo
V. EXPERIMENTOS MONTE CARLO
4. El VECM predice mejor en horizontes de largo plazo
5. Las ganancias potenciales de utilizar procedimientos de
reduccin en el VECM no son muy grandes
6. Las funciones de impulso respuesta son mejores con
VECM para horizontes de largo plazo
Dr. Galindo
V. EXPERIMENTOS MONTE CARLO
1. Las restricciones en las relaciones de cointegracin deben
ser impuestas por la teora econmica.
2. Restricciones en los coeficientes de ajuste y en la
dinmica de corto plazo pueden derivarse de mtodos
estadsticos
3. Los procedimientos para eliminar variables de un VAR
son vlidos en el VECM
4. Estrategias secunciales de reduccin de parmetros
pueden apoyarse en la prueba t
Dr. Galindo
VI. CONCLUSIONES Y COMENTARIOS
5. Para pronstico y funciones de impulso respuesta es mejor
imponer las restricciones de cointegracin para horizontes
de largo plazo.
Sin embargo, imponer restricciones adicionales con
mtodos de subconjuntos puede hacer precisin para
pronsticos e impulso respuesta. En referencia al VECM
completo. Este mtodo puede servir en modelos grandes.
Dr. Galindo
VI. CONCLUSIONES Y COMENTARIOS
6. Las pruebas de exogeneidad dbil de LR y de subset
test tienen importantes distorsiones de tamao.
En general LR tiene mejores propiedades en muestras
pequeas. Los experimentos Monte Carlo muestran
que las distorsiones no son solo un problema para
pequeas muestras.
utilizar la prueba LR
*
con boostrap.
7. Las mayores ganancias estn asociadas a pasar del
VAR al VECM y por tanto los resultados deben
compararse con el VECM completo.
Dr. Galindo
VI. CONCLUSIONES Y COMENTARIOS
MODELOS VAR COINTEGRADOS
MODELOS VAR COINTEGRADOS
(REDUCCI
(REDUCCI

N)
N)
Dr. Luis Miguel Galindo