Apuntes de Clase N12.Bustamante VEC - Abril.2019
Apuntes de Clase N12.Bustamante VEC - Abril.2019
Apuntes de Clase N12.Bustamante VEC - Abril.2019
VECTOR DE CORRECCIÓN DE
ERRORES MODELOS DE
VECTORES AUTORREGRESIVOS
EN STATA 14
Rafael Bustamante
Resumen
Estas notas de clase pretenden dar los lineamientos básicos para el tratamiento de
modelos de cointegracion y de Vectores Autorregresivos.
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
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:
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.
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
2
1
0
-1
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
.
. estat bgodfrey, lags(1 2 3)
1 7.535 1 0.0061
2 9.185 2 0.0101
3 17.090 3 0.0007
.
. qui reg L(0/2).D.c L.c
.
. estat bgodfrey, lags(1 2 3)
1 5.451 1 0.0196
2 5.518 2 0.0634
3 7.795 3 0.0504
.
. qui reg L(0/3).D.c L.c
.
. estat bgodfrey, lags(1 2 3)
1 0.056 1 0.8122
2 2.311 2 0.3148
3 3.499 3 0.3209
dfuller c, lags(3)
end of do-file
. dfuller c, lags(3)
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
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
1 2.077 1 0.1495
2 2.539 2 0.2810
3 2.542 3 0.4677
1 0.157 1 0.6916
2 1.271 2 0.5297
3 2.098 3 0.5523
.
end of do-file
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.
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:
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:
Vector autoregression
D_c
c
LD. .2156068 .0741801 2.91 0.004 .0702164 .3609972
y
LD. .1493798 .0572953 2.61 0.009 .0370832 .2616765
D_y
c
LD. .4754276 .0965863 4.92 0.000 .286122 .6647332
y
LD. -.2171679 .0746013 -2.91 0.004 -.3633839 -.070952
. varlmar
Lagrange-multiplier test
1 9.5086 4 0.04957
2 5.6784 4 0.22449
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
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
.
. irf table fevd
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
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
.4
.2
-.2
.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
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)
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:
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.
yt I (d) (5)
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.
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
Aplicaciones en STATA
.d
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
aus
L1. .0094204 .0035442 2.66 0.009 .0024025 .0164383
LD. .0394867 .0961221 0.41 0.682 -.1508446 .229818
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
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
.
end of do-file
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.
Sale el siguiente cuadro de dialogo donde llenamos las dos series usa y aus
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.
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
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
Cointegrating equations
_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:
PNBtUSA PNBUSA ( PNBtUSA 1.51 0.94 PNBt AUS ) 11PNBt 1USA12 PNBt 1 AUS t
USA
(9)
PNBt AUS PNB AUS ( PNBtUSA 1.51 0.94 PNBt AUS ) 21PNBt 1USA22 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.