Apuntes de Clase N12.Bustamante VEC - Abril.2019

N° 11
Serie Apuntes de Clase Septiembre de 2014
VECTOR DE CORRECCIÓN DE
ERRORES MODELOS DE
VECTORES AUTORREGRESIVOS
EN STATA 14
Rafael Bustamante Romaní
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

Universidad del Perú, DECANA DE AMÉRICA)
FACULTAD DE CIENCIAS ECONÓMICAS
ESCUELA ACADÉMICO PROFESIONAL DE ECONOMÍA
La Serie Apuntes de Clase tiene por objetivo difundir los
materiales de enseñanza generados por los docentes que
tienen a su cargo el desarrollo de las asignaturas que
forman parte del Plan de Estudios de la Escuela
Académico-Profesional de Economía de la Facultad de
Ciencias Económicas de la Universidad Nacional Mayor de
San Marcos. Estos documentos buscan proporcionar a los
estudiantes la explicación de algunos temas específicos
que son abordados en su formación universitaria.
Escuela Académico Profesional de Economía.

Facultad de Ciencias Económicas.
Universidad Nacional Mayor de San Marcos.
Calle Germán Amézaga N° 375.

Ciudad Universitaria, Lima 1. Perú.
Teléfono 619-7000. Anexo 2208.
[email protected]
http://economia.unmsm.edu.pe/escuela/econ.htm
VECTOR DE CORRECCIÓN DE ERRORES Y MODELOS DE
VECTORES AUTORREGRESIVOS
Rafael Bustamante
Resumen
Estas notas de clase pretenden dar los lineamientos básicos para el tratamiento de
modelos de cointegracion y de Vectores Autorregresivos.
Palabras Claves: Modelos de Cointegración y de Vectores Autorregresivos
Clasificación JEL: C2, C25
 Doctorado en Economía con mención en los Recursos Naturales (c), Universidad Nacional Autónoma de
México. MBA Gerencial (c), CENTRUM Pontificia Universidad Católica del Perú. Maestría en Economía con
mención en Finanzas, Universidad Nacional Mayor de San Marcos. B. Sc. Economía, UNMSM. Profesor
Auxiliar del Departamento de Economía de la UNMSM. Investigador asociado al Instituto de Investigaciones
FCE - UNMSM. Contacto: [email protected]
El autor agradece la colaboración en la elaboración del presente documento axxxxxx, alumno de la Facultad
de Ciencias Económicas de la UNMSM. Contacto:
Serie Apuntes de Clase. N°11. Septiembre de 2014. EAPE / FCE /
UNMSM
I. VEC Y MODELOS VAR
El modelo de Vectores Autorregresivo (VAR) es un son ampliamente utilizados para

describir la dinámica interrelación entre las variables estacionarias. Así, el primer paso en
el análisis de series de tiempo debe ser determinar si las mismas son estacionarias. Si no
es así, tomar las primeras diferencias de la series y así sucesivamente1.
Generalmente, si los niveles (o log-niveles) de su serie de tiempo no son estacionarias, la

primera diferencias si lo serán.
Si la serie de tiempo no son estacionarias a continuación, el esquema VAR necesita ser

modificado para permitir estimación consistente de las relaciones entre la serie. La
corrección de errores de vectores (VEC) modelo es sólo un caso especial de la VAR para las
variables que son estacionarios en sus diferencias (es decir, I(1)). El VEC también puede
tener en cuenta las relaciones de cointegración entre las variables (Adkins & Carter Hill ,
2011).
Consideremos dos variables de series de tiempo yt y: xt
yt  10  11 yt 1  12 xt 1   ty

(1)
xt   20   21 yt 1   22 xt 1   tx
Las ecuaciones describen un sistema en el que cada variable es una función de su propio
rezago, y el rezago de la otra variable. En este caso, el sistema de ecuaciones contienen
x y
dos variables t y t . Juntas, las ecuaciones constituyen un sistema conocido como un
Vector Autorregresivo (VAR). En este ejemplo, ya que el rezago máximo es de orden uno,
tenemos un VAR (1).
xt yt
Si y son estacionarias, el sistema puede ser estimada utilizando mínimos cuadrados
x y
ordinario aplicados a cada ecuación. Si t y t no son estacionarios en sus niveles, pero
estacionario en diferencias (es decir, I (1)), después de las diferencias y estimación
tenemos:
yt  10  11yt 1  12 xt 1   ty

(2)
xt   20   21yt 1   22 xt 1   tx
1
La literatura econométrica de series de tiempo nos muestra que casi todas las series no pasan de ser
integradas de orden uno. En casos muy raros se han encontrado series económicas integradas de orden 2.
Modelos de Series de Tiempo: Modelos VAR y VEC 1

UNMSM
II. ESTIMAR UN MODELO VEC

En el primer ejemplo, los datos sobre el Producto Interno Bruto de Australia y los EE.UU.
se utilizan para estimar un modelo VEC. Decidimos utilizar el modelo de corrección de
errores de vectores debido a que ( 1 ) el tiempo series no son estacionarias en sus niveles,
pero están en sus diferencias ( 2 ) las variables son cointegrado . Nuestras impresiones
iniciales se obtienen de mirar a las parcelas de las dos series. Para empezar, cambie el
directorio a la que contiene sus datos y cargar sus datos. En esto ejercicio vamos a estar
utilizando los datos gdp.dta.
use gdp, clear

Tenemos que configurar la data para trabajar como serie temporal
generate date = q(1970q1) + _n – 1
format date %tq

tsset date
Los datos contienen dos trimestral de series de tiempo: el PIB de Australia y el de Estados
Unidos desde 1970q1 a 2004q4.
100
80
60
40
1970q1 1980q1 1990q1 2000q1

date
real GDP of Australia real GDP of USA
Modelos de Series de Tiempo: Modelos VAR y VEC

2
UNMSM
2
1
0
-1
1970q1 1980q1 1990q1 2000q1

date
real GDP of Australia, D real GDP of USA, D
La otra decisión que necesita realizar es que el número de diferencias rezagadas a incluir en el Test aumentado
regresiones Dickey -Fuller. El principio a seguir es incluir sólo lo suficiente para que el residuos de la regresión
ADF no se autocorrelacionados. Por lo tanto, comenzar con una regresión básica sin rezagos, estimar la regresión
DF, a continuación, utilizar la prueba LM y determinar si los residuos están autocorrelacionados. Añadir
suficientes rezagos para eliminar la autocorrelación entre los residuos. Si se persigue esta estrategia en Stata, a
continuación, las regresiones ADF tiene que ser estimado explícitamente; el comando bgodfrey estat no se basa
en el buen regresión si se emitió después dfuller. Las regresiones para las pruebas ADF son
qui reg L(0/1).D.c L.c
estat bgodfrey, lags(1 2 3)
. qui reg L(0/1).D.c L.c
.
. estat bgodfrey, lags(1 2 3)
Breusch-Godfrey LM test for autocorrelation
lags(p) chi2 df Prob > chi2
1 7.535 1 0.0061
2 9.185 2 0.0101
3 17.090 3 0.0007
H0: no serial correlation
.
.
1 5.451 1 0.0196
2 5.518 2 0.0634
3 7.795 3 0.0504
.
.
1 0.056 1 0.8122
2 2.311 2 0.3148
3 3.499 3 0.3209

3
UNMSM
Tenga en cuenta también que esta regresión contiene una constante y que el t-statistic es
La hipótesis de raíz unitaria no se rechaza al nivel del 5 %
dfuller c, lags(3)
end of do-file
. dfuller c, lags(3)
Augmented Dickey-Fuller test for unit root Number of obs = 196
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
Z(t) -1.995 -3.478 -2.884 -2.574
MacKinnon approximate p-value for Z(t) = 0.2886
Se observa que se acepta la hipótesis nula de raíz unitaria
forvalues p = 1/3 {qui reg L(0/`p').D.y L.ydi "Lags =" `p'estat bgodfrey, lags(1 2 3)}
. forvalues p = 1/3 {
2. qui reg L(0/`p').D.y L.y
3. di "Lags =" `p'
4. estat bgodfrey, lags(1 2 3)
5. }
Lags =1
1 0.208 1 0.6487
2 2.853 2 0.2401
3 2.880 3 0.4105

Lags =2
1 2.077 1 0.1495
2 2.539 2 0.2810
3 2.542 3 0.4677

Lags =3
1 0.157 1 0.6916
2 1.271 2 0.5297
3 2.098 3 0.5523
.
end of do-file

4
UNMSM
El VAR es fácil de estimar en Stata. La ruta más fácil es utilizar el comando VARBASIC, este se ajusta a un
modelo autorregresivo vector básico (VAR) y representa gráficamente la función impulso-respuesta (IRF) y las
descomposiciones de varianza de previsión de errores (FEVDs).
La estructura básica de la VAR que es estacionario en diferencias se da en las ecuaciones
III. ESTIMACION DEL MODELO VAR
El modelo de vectores Autorregresivos (VAR) es a más simple para estimar que el modelo VEC. Se utiliza
cuando no hay cointegración entre las variables y se estima utilizando series de tiempo que han sido
transformadas a sus valores estacionarios.
Tenemos registro de datos macroeconómicos de bienes personales disponibles ingreso (indicada como Y) y
registrar los gastos reales de consumo personal (indicado como C ) para el Economía de Estados Unidos durante
el período 1960 : 1 a 2009: 4 que se encuentran en el conjunto de datos fred.dta . Como en el ejemplo anterior,
el primer paso es determinar si las variables son estacionarias. Si ellos están no, entonces la diferencia de ellos,
la comprobación para asegurarse de que las diferencias son estacionarias (es decir, integrado). A continuación,
prueba de cointegración. Si están cointegradas, estimar el modelo VEC. Que no, utilizar las diferencias y las
diferencias rezagadas para estimar un VAR.
yt  10  11yt 1  12 xt 1   ty

xt   20   21yt 1   22 xt 1   tx
El xt y las variables yt son no estacionarias, pero las diferencias son estacionarias. Cada diferencia es una
función lineal de la misma poseer diferencias rezagadas y de las diferencias retardados de cada una de las otras
variables en el sistema. Las ecuaciones son lineales y se pueden estimar utilizando mínimos cuadrados. El
comando varbasic simplifica este procedimiento. Es necesario especificar las variables en el sistema (  yt xt
) y el número de rezagos a incluir en la mano del lado derecho de la modelo. En nuestro ejemplo, sólo 1 rezago
está incluido y la sintaxis para estimar el VAR es:
varbasic D.c D.y, lags(1/1) step(12) nograph
Los rezagos se indican como (1/p) para incluir rezagos desde el primer número hasta el último, que en este caso
es 1. Si el VAR tiene más de un rezago entonces usted va a cambiar eso. También se ha añadido es la el paso
(12) opción. Esta opción se utiliza para limitar el número de períodos rezagados para que computar respuestas
de impulso (IRF) y descomposiciones de la varianza del error de predicción (FEVD) utilizado cuando se puede
hacer los gráficos fáciles de interpretar y conservar espacios en las tablas que Stata puede generar. Finalmente,
la opción nograph se utiliza para suprimir las gráficas de las FIR y los FEVDs:

5
UNMSM
.
end of do-file
. varbasic D.c D.y, lags(1/1) step(12)
Vector autoregression
Sample: 1960q3 - 2009q4 No. of obs = 198

Log likelihood = 1400.444 AIC = -14.0853
FPE = 2.62e-09 HQIC = -14.04496
Det(Sigma_ml) = 2.46e-09 SBIC = -13.98565
Equation Parms RMSE R-sq chi2 P>chi2
D_c 3 .006575 0.1205 27.12459 0.0000

D_y 3 .008562 0.1118 24.92656 0.0000
Coef. Std. Err. z P>|z| [95% Conf. Interval]
D_c
c
LD. .2156068 .0741801 2.91 0.004 .0702164 .3609972
y
LD. .1493798 .0572953 2.61 0.009 .0370832 .2616765
_cons .0052776 .0007516 7.02 0.000 .0038046 .0067507
D_y
c
LD. .4754276 .0965863 4.92 0.000 .286122 .6647332
y
LD. -.2171679 .0746013 -2.91 0.004 -.3633839 -.070952
_cons .0060367 .0009786 6.17 0.000 .0041187 .0079547
. varlmar
Lagrange-multiplier test
lag chi2 df Prob > chi2
1 9.5086 4 0.04957
2 5.6784 4 0.22449
H0: no autocorrelation at lag order

6
UNMSM
. irf table irf
Results from varbasic
(1) (1) (1) (2) (2) (2) (3) (3) (3)

step irf Lower Upper irf Lower Upper irf Lower Upper
0 1 1 1 0 0 0 0 0 0
1 .215607 .070216 .360997 .475428 .286122 .664733 .14938 .037083 .261676
2 .117506 .042463 .192549 -.000742 -.088665 .087181 -.000233 -.027858 .027392
3 .025224 -.014994 .065442 .056027 .007234 .104819 .017604 -.000946 .036153
4 .013808 -.003806 .031422 -.000175 -.020898 .020548 -.000055 -.006566 .006456
5 .002951 -.004713 .010615 .006603 -.002593 .015799 .002075 -.001028 .005177
6 .001623 -.001478 .004723 -.000031 -.003694 .003632 -9.7e-06 -.001161 .001141
7 .000345 -.000905 .001595 .000778 -.000719 .002275 .000244 -.000241 .00073
8 .000191 -.000295 .000676 -4.9e-06 -.000581 .000571 -1.5e-06 -.000182 .000179
9 .00004 -.000148 .000228 .000092 -.000134 .000317 .000029 -.000043 .000101
10 .000022 -.000049 .000094 -7.2e-07 -.000086 .000084 -2.2e-07 -.000027 .000026
11 4.7e-06 -.000022 .000032 .000011 -.000022 .000043 3.4e-06 -6.9e-06 .000014
12 2.6e-06 -7.4e-06 .000013 -1.0e-07 -.000012 .000012 -3.2e-08 -3.8e-06 3.7e-06
(4) (4) (4)

step irf Lower Upper
0 1 1 1
1 -.217168 -.363384 -.070952
2 .118181 .043031 .193332
3 -.025776 -.066356 .014804
4 .013967 -.003818 .031752
5 -.003059 -.010845 .004726
6 .001651 -.001506 .004807
7 -.000363 -.001642 .000916
8 .000195 -.000303 .000693
9 -.000043 -.000237 .000151
10 .000023 -.000051 .000097
11 -5.1e-06 -.000033 .000023
12 2.7e-06 -7.7e-06 .000013
95% lower and upper bounds reported

(1) irfname = varbasic, impulse = D.c, and response = D.c
(2) irfname = varbasic, impulse = D.c, and response = D.y
(3) irfname = varbasic, impulse = D.y, and response = D.c
(4) irfname = varbasic, impulse = D.y, and response = D.y
.
. irf table fevd
Results from varbasic
(1) (1) (1) (2) (2) (2) (3) (3) (3)

step fevd Lower Upper fevd Lower Upper fevd Lower Upper
0 0 0 0 0 0 0 0 0 0
1 1 1 1 .198552 .099067 .298037 0 0 0
2 .97297 .932729 1.01321 .2438 .146908 .340692 .02703 -.013212 .067271
3 .973298 .933619 1.01298 .243198 .145308 .341087 .026702 -.012977 .066381
4 .972967 .93271 1.01322 .243752 .145393 .34211 .027033 -.013225 .06729
5 .972972 .932723 1.01322 .243743 .145351 .342135 .027028 -.01322 .067277
6 .972967 .932709 1.01323 .24375 .145347 .342153 .027033 -.013225 .067291
7 .972967 .932709 1.01323 .24375 .145346 .342154 .027033 -.013225 .067291
8 .972967 .932709 1.01323 .24375 .145346 .342154 .027033 -.013225 .067291
9 .972967 .932709 1.01323 .24375 .145346 .342154 .027033 -.013225 .067291
10 .972967 .932709 1.01323 .24375 .145346 .342154 .027033 -.013225 .067291
11 .972967 .932709 1.01323 .24375 .145346 .342154 .027033 -.013225 .067291
12 .972967 .932709 1.01323 .24375 .145346 .342154 .027033 -.013225 .067291
(4) (4) (4)

step fevd Lower Upper
0 0 0 0
1 .801448 .701963 .900933
2 .7562 .659308 .853092
3 .756802 .658913 .854692
4 .756248 .65789 .854607
5 .756257 .657865 .854649
6 .75625 .657847 .854653
7 .75625 .657846 .854654
8 .75625 .657846 .854654
9 .75625 .657846 .854654
10 .75625 .657846 .854654
11 .75625 .657846 .854654
12 .75625 .657846 .854654
95% lower and upper bounds reported

(1) irfname = varbasic, impulse = D.c, and response = D.c
(2) irfname = varbasic, impulse = D.c, and response = D.y
(3) irfname = varbasic, impulse = D.y, and response = D.c
(4) irfname = varbasic, impulse = D.y, and response = D.y

7
UNMSM
ESTIMACION DE LAS FUNCIONES IMPULSO RESPUESTA

gen dusa= D.usa
gen daus= D.aus
varbasic D.c D.y, lags(1/1) step(12)
varbasic, daus, daus varbasic, daus, dusa

.6
.4
.2
-.2
varbasic, dusa, daus varbasic, dusa, dusa

.6
.4
.2
-.2
0 2 4 6 8 0 2 4 6 8
step
95% CI orthogonalized irf
Graphs by irfname, impulse variable, and response variable
Tarea; Buscar la interpretación de una función FIT y hacerlo en este gráfico.
IV. COINTEGRACION
Hasta este momento un requerimiento obligatorio para trabajar con los modelos ha sido que
las series a analizar sean estacionarias.
También es importante recalcar que, si se está trabajando con series en diferencias,
implícitamente se está reconociendo que las relaciones son de corto plazo y que no existe
relacion de largo plazo alguna. Para entender esto se vuelve a escribir la ecuación.
yt    1 yt 1  2 yt 2  3 yt 3  ....   p yt  p   t (3)

8
UNMSM
Donde yt y todos sus rezagos son vectores (m × 1), α y ut son ambas (m × 1), βi es (m
× r) para i = 1, 2,…, p. En donde r representa el número de variables endógenas del sistema
y p representa el número de rezagos utilizados en el mismo.
Ahora bien, si en realidad cada variable “y” del modelo presentado en la ecuación (3) ha
sido diferenciada, se puede re-escribir dicha ecuación de la siguiente manera:
yt    1yt 1  2yt 2  3yt 3  ....   p yt  p   t (4)
Si existe una relación de largo plazo, también conocida como equilibrio o situación
estacionaria, todas las variables no variaran con el tiempo, es decir que:
Por lo tanto, si se aplica esta condición de equilibrio en la ecuación se verá que todas las
variables en diferencias desaparecerán ya que estas variables se han calculado como yt - yt-1,
de ahí que es igual a cero. Cuando las variables incluidas en el sistema están en diferencias
solo se están modelando las relaciones de corto plazo entre las variables.
A partir de esta sección se comenzara a tratar con series no estacionarias y se tratara de ver si
se puede obtener información de esta no estacionariedad que pueda ayudar en el proceso de
modelación. En primer lugar, es necesario entender que no todas las series no estacionarias
pueden ser usadas con el modelo de corrección de errores o EC (por las siglas en ingles de
“Error Correction”) que se presentara a continuación. Para que se puedan emplear series no
estacionarias existe una condición crucial conocida como cointegración.
La idea fundamental de la cointegracion es que existe una relación de largo plazo entre las
variables. Es decir, que existe alguna fuerza que hace que las variables tiendan a un equilibrio
o a un estado estacionario en el largo plazo.
Para definir la cointegracion, primero, se necesita establecer la siguiente convención. Se

recuerda que si se tiene una serie no estacionaria estocástica, la manera de convertirla en una
serie estacionaria es diferenciándola. Ahora, si se quiere recuperar la serie original no
estacionaria a través de la serie convertida en estacionaria (la serie diferenciada), se tendría
que “integrar” la serie diferenciada. Por lo tanto, a la serie original (no estacionaria) se le
conoce como una serie integrada de grado “d”. El grado se refiere al número de veces que hay
que integrar la serie diferenciada hasta obtener la serie original. Esto se puede expresar como:
Estacionaria (la serie diferenciada), se tendría que "integrar" la serie diferenciada. Por lo tanto,
a la serie original (no estacionaria) se le conoce como una serie integrada de grado "d". El
grado se refiere al número de veces que hay que integrar la serie diferenciada hasta obtener
orden d (se necesitará diferenciarla d veces para obtener una serie estacionaria). Un punto
importante a recordar es que algunas veces será necesario diferenciar una serie no estacionaria
más de una vez. Sin embargo, los datos que se tienen en finanzas son la mayoría de veces
integrados de grado 1, es decir, que solo es necesario diferenciarlos una vez para obtener
estacionariedad. Si se acepta que este es el caso, se definirá a una serie integrada de orden uno
como:

9
UNMSM
yt  I (d) (5)
Es decir la serie será estacionaria si la diferenciamos d veces.
Será necesario diferenciar una serie no estacionaria más de una vez. Sin embargo, los datos
que se tienen en finanzas son la mayoría de veces integrados de grado 1, es decir, que solo es
necesario diferenciarlos una vez para obtener estacionariedad. Si se acepta que este es el
caso, se definirá a una serie integrada de orden uno.
yt  I (1)
Ahora, se pasa a definir cointegracion asumiendo que todas nuestras series son integradas de
orden 1. Si se tienen k series, cada una de las cuales es I(1), se afirmara que existe una relacion
de largo plazo o una relación de cointegracion, si existe una combinación lineal que hace que
estas sean integradas de orden cero, I(0); es decir, que si existe un vector de cointegracion de
tal manera que la serie resultante sea estacionaria o I(0). Matematicamente, necesario
diferenciarlos una vez para obtener estacionariedad. Si se acepta que este es el caso, se definirá
a una serie integrada de grado uno como:
 y
i 0
i i  I (0)
Ahora, se pasa a definir cointegración asumiendo que todas nuestras series son integradas de
orden 1.

10
UNMSM
El modelo de corrección de errores
Si las series son cointegradas se puede utilizar el modelo de corrección de errores. Si se

continúa con las variables utilizadas en el ejemplo 13, el modelo de corrección de errores toma
la siguiente forma:

11
UNMSM
4.2. Determinación de la existencia de vectores de cointegración
Existen varios métodos para la determinación de la existencia de cointegracion entre un grupo

de series cada una de las cuales es integrada de orden 1. Primero se presentara el metodo de
Engle- Granger y, posteriormente, el método de Johansen.
Antes de proceder con los dos métodos, primero se debe saber que el maximo numero de
vectores de cointegracion que se pueden hallar en un sistema de r-variables es igual a r - 1. Es
decir que, si se tienen dos variables (r = 2) como máximo se puede encontrar un vector de
cointegracion. Pero si se tienen 5 variables, el máximo numero de vectores de cointegracion
sera igual a 4.
EL MÉTODO DE JOHANSEN
El método de Engle-Granger presenta numerosos problemas, entre los cuales el más

importante está dado por la incapacidad de este de encontrar más de un vector de
cointegracion sin importar el número de variables que se están estudiando. En el ejemplo
anterior esto no fue un problema, puesto que solo se analizaron dos variables, y como
consecuencia de ello el número máximo de vectores de cointengraciòn es 1. Sin embargo si
se tiene un número mayor de variables el máximo número de vectores a encontrar con este
método es igual a uno. Además muchas veces, con este método, puede hallarse ninguna
relación de cointegración, cuando en realidad si lo hay.
Frente a este problema es preferible usar un método basado en matrices propuesto por Soren
Johansen, conocido como método de cointengracion de Johansen.

12
UNMSM

13
UNMSM
Finalmente, es necesario notar que generalmente se emplea la siguiente partición de la matriz

Γ que permite identificar claramente los vectores de cointegracion y los factores de ajuste.
Para eso se observa que la matriz Γ puede ser calculada como el producto de dos matrices:

14
UNMSM

15
UNMSM
Aplicaciones en STATA
Vamos a trabajar con los datos del archivo gdp.dta
.d
Contains data from C:\Users\FINANCE.BUSINESS\Dropbox\ECONOMETRIA II\sesion 8 - series Stata\s4poe4_statadata\gdp.dta

obs: 124
vars: 2
size: 1,984
storage display value

variable name type format label variable label
usa double %10.0g real GDP of USA

aus double %10.0g real GDP of Australia
use gdp, clear

gen date = q(1970q1) + _n - 1
format %tq date
tsset date

16
UNMSM
tsline aus usa, scheme(economist) name(level, replace)

tsline D.aus D.usa, scheme(economist) name(difference, replace)
dfuller aus, regress lags(1)

dfuller usa, regress lags(3)
Z(t) 2.658 -3.503 -2.889 -2.579
D.aus Coef. Std. Err. t P>|t| [95% Conf. Interval]
aus
L1. .0094204 .0035442 2.66 0.009 .0024025 .0164383
LD. .0394867 .0961221 0.41 0.682 -.1508446 .229818
_cons -.1107322 .2177405 -0.51 0.612 -.5418801 .3204157
. dfuller usa, regress lags(3)
Z(t) 1.691 -3.503 -2.889 -2.579
D.usa Coef. Std. Err. t P>|t| [95% Conf. Interval]
usa
L1. .0049901 .0029516 1.69 0.094 -.0008564 .0108367
LD. .1968286 .0930776 2.11 0.037 .0124598 .3811974
L2D. .181047 .0954508 1.90 0.060 -.0080226 .3701166
L3D. -.0243428 .0965173 -0.25 0.801 -.2155251 .1668394
_cons .0184857 .1720672 0.11 0.915 -.3223463 .3593177
.
end of do-file

17
UNMSM
real GDP of Australia real GDP of USA

100
80
60
40
1970q1 1980q1 1990q1 2000q1
date
Se puede apreciar que tanto gráficamente así como aplicando el test de Dickey Fuller, las
series son integradas de orden uno.
Aplicamos la prueba de Jhoansen para determinar si existe un vector de cointegracion

El procedimiento es mostrado en la siguiente figura:

18
UNMSM
Sale el siguiente cuadro de dialogo donde llenamos las dos series usa y aus
vecrank usa aus, trend(constant)
. vecrank usa aus, trend(constant)
Johansen tests for cointegration

Trend: constant Number of obs = 122
Sample: 1970q3 - 2000q4 Lags = 2
5%
maximum trace critical
rank parms LL eigenvalue statistic value
0 6 -190.22087 . 17.6885 15.41
1 9 -184.10938 0.09533 5.4655 3.76
2 10 -181.37664 0.04381
.
Se puede observar que las series presentan con integración tanto con el test Trace statistic,
como con el test eigenvalues de máxima verosimilitud. Procedemos a estimar el modelo de
cointegración.
También se puede realizar utilizando los siguientes comandos

19
UNMSM
vecrank usa aus, trend(constant)
vec usa aus, trend(constant)
Luego estimamos el modelo de cointegración utilizando el siguiente comando

vec usa aus, trend (constant)

20
UNMSM
end of do-file
. vec usa aus, trend(constant)
Vector error-correction model
Sample: 1970q3 - 2000q4 No. of obs = 122

AIC = 3.165728
Log likelihood = -184.1094 HQIC = 3.249745
Det(Sigma_ml) = .0701186 SBIC = 3.372582
Equation Parms RMSE R-sq chi2 P>chi2
D_usa 4 .493404 0.5520 145.4073 0.0000

D_aus 4 .602421 0.4771 107.6622 0.0000
Coef. Std. Err. z P>|z| [95% Conf. Interval]
D_usa
_ce1
L1. .0372565 .031753 1.17 0.241 -.0249783 .0994913
usa
LD. .2281161 .1040033 2.19 0.028 .0242733 .4319589
aus
LD. .0644926 .0790571 0.82 0.415 -.0904564 .2194416
_cons .2366416 .1105715 2.14 0.032 .0199255 .4533577
D_aus
_ce1
L1. .1364577 .0387688 3.52 0.000 .0604722 .2124431
usa
LD. .2064387 .1269826 1.63 0.104 -.0424427 .4553202
aus
LD. -.0021941 .0965246 -0.02 0.982 -.1913787 .1869906
_cons -.0646092 .135002 -0.48 0.632 -.3292083 .1999898
Cointegrating equations
Equation Parms chi2 P>chi2
_ce1 1 1384.527 0.0000
Identification: beta is exactly identified
Johansen normalization restriction imposed
beta Coef. Std. Err. z P>|z| [95% Conf. Interval]
_ce1
usa 1 . . . . .
aus -.9381727 .0252134 -37.21 0.000 -.9875902 -.8887553
_cons -1.514599 . . . . .
El vector de cointegracion está dado por el último cuadro, que se puede reescribir de la
siguiente manera:
  1 1.51 0.94 (6)
Luego la ecuación de cointegración será:

PNBtUSA  0  1PNBt AUS   t (7)

21
UNMSM
Reemplazando los valores estimados por el modelo, tenemos la ecuación de cointegracion

estimada:
PNBtUSA  1.51  0.94PNBt AUS  et (8)
Finalmente el vector de corrección de errores quedará definido de la siguiente manera:
PNBtUSA   PNBUSA ( PNBtUSA  1.51  0.94 PNBt AUS )  11PNBt 1USA12 PNBt 1 AUS   t
USA
(9)
PNBt AUS   PNB AUS ( PNBtUSA  1.51  0.94 PNBt AUS )  21PNBt 1USA22 PNBt 1 AUS   t
AUS
Bibliografía
Colin Cameron , A., & Trivedi, P. (2005). Microeconometrics: Methods and Applications. (C.
U. Press, Ed.) New York.
Adkins, L., & Carter Hill , R. (2011). Using Stata For Principles of Econometrics. New York:
C John Wiley & Sons, Inc.
Beltran Barco, A. (2001). Econometria de Corte Transversal. Notas de Clase.
Bernardí Cabrer Borrás, & Amparo Sancho Pérez, Guada. (2001). Microeconometría y
Decisión. Ediciones Pirámide, .
Greene, W. (1997). Análisis Econometrico (Tercera ed.). Prentice Hall.

22

Apuntes de Clase N12.Bustamante VEC - Abril.2019

Cargado por

Copyright:

Formatos disponibles

Apuntes de Clase N12.Bustamante VEC - Abril.2019

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Apuntes de Clase N12.Bustamante VEC - Abril.2019

Cargado por

Copyright:

Formatos disponibles

N° 11

Serie Apuntes de Clase Septiembre de 2014

Rafael Bustamante Romaní

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

Escuela Académico Profesional de Economía.

Calle Germán Amézaga N° 375.

Palabras Claves: Modelos de Cointegración y de Vectores Autorregresivos

Clasificación JEL: C2, C25

I. VEC Y MODELOS VAR

El modelo de Vectores Autorregresivo (VAR) es un son ampliamente utilizados para

Generalmente, si los niveles (o log-niveles) de su serie de tiempo no son estacionarias, la

Si la serie de tiempo no son estacionarias a continuación, el esquema VAR necesita ser

Consideremos dos variables de series de tiempo yt y: xt

yt  10  11 yt 1  12 xt 1   ty

yt  10  11yt 1  12 xt 1   ty

Modelos de Series de Tiempo: Modelos VAR y VEC 1

II. ESTIMAR UN MODELO VEC

use gdp, clear

generate date = q(1970q1) + _n – 1

format date %tq

1970q1 1980q1 1990q1 2000q1

real GDP of Australia real GDP of USA

Modelos de Series de Tiempo: Modelos VAR y VEC

1970q1 1980q1 1990q1 2000q1

real GDP of Australia, D real GDP of USA, D

qui reg L(0/1).D.c L.c

estat bgodfrey, lags(1 2 3)

qui reg L(0/2).D.c L.c

estat bgodfrey, lags(1 2 3)

qui reg L(0/3).D.c L.c

estat bgodfrey, lags(1 2 3)

. qui reg L(0/1).D.c L.c

Breusch-Godfrey LM test for autocorrelation

lags(p) chi2 df Prob > chi2

H0: no serial correlation

Breusch-Godfrey LM test for autocorrelation

lags(p) chi2 df Prob > chi2

H0: no serial correlation

Breusch-Godfrey LM test for autocorrelation

lags(p) chi2 df Prob > chi2

H0: no serial correlation

Modelos de Series de Tiempo: Modelos VAR y VEC

Augmented Dickey-Fuller test for unit root Number of obs = 196

Z(t) -1.995 -3.478 -2.884 -2.574

MacKinnon approximate p-value for Z(t) = 0.2886

Se observa que se acepta la hipótesis nula de raíz unitaria

Breusch-Godfrey LM test for autocorrelation

lags(p) chi2 df Prob > chi2

H0: no serial correlation

Breusch-Godfrey LM test for autocorrelation

lags(p) chi2 df Prob > chi2

H0: no serial correlation

Breusch-Godfrey LM test for autocorrelation

lags(p) chi2 df Prob > chi2

H0: no serial correlation

Modelos de Series de Tiempo: Modelos VAR y VEC

La estructura básica de la VAR que es estacionario en diferencias se da en las ecuaciones

III. ESTIMACION DEL MODELO VAR