semana 5 modelos var
Post on 07-Jul-2018
221 Views
Preview:
TRANSCRIPT
-
8/19/2019 Semana 5 Modelos Var
1/23
Econometŕıa de Series de Tiempo
José Gabriel CastilloESPOL, Guayaquil
Noviembre 26, 2015
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 1 / 23
-
8/19/2019 Semana 5 Modelos Var
2/23
Modelos de volatilidad
Autoregressive conditional heteroskedasticity (Engle 1982)
Es común encontrar en series de tiempo que los residuos tienen unavarianza volatil.
Una aproximación para modelar este fenómeno es el modelo ARCH.
La idea fundamental es que la varianza del error de MCO en elpeŕıodo t depende de realizaciones previas t − h, en otras palabras, semodela empleando la heteroscedasticidad.
Un modelo ARCH(p) puede escribirse de la siguiente forma:
u t = σt t ; σ2t = E (u
2t |Ωt −1) = α0 +
q i =1
αi u 2t −1
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 2 / 23
-
8/19/2019 Semana 5 Modelos Var
3/23
Modelos de volatilidad
Autoregressive conditional heteroskedasticity (Engle 1982)
Note que a pesar de que los errores no son independientes, no estáncorrelacionados: E (u t u t −1) = 0
Si el proceso (u 2t ) es estacionario, la varianza es independiente de t (homoscedástica), en cuyo caso el proceso se reduce a:
σ2t = α0 +q
i =1
αi u 2t −1 = α0 + σ
2p
i =1
αi = σ2
σ2 = α0
1 −p
i =1 αi
En donde la condición para estacionariedad involucra que
p i =1 α 0 para asegurar obtener varianzas positivas.
Emṕıricamente una aplicación limitada.
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 3 / 23
-
8/19/2019 Semana 5 Modelos Var
4/23
Modelos de volatilidad
GARCH: ARCH Generalizado (Bollerslev 1986)
Un porceso GARCH(p,q) generaliza la volatilidad incluyendo q rezagos de la varianza.
u t = σt t ; σ2t = E (u
2t |Ωt −1) = α0 +
p
i =1
αi u 2t −1 +
q
j =1
δ j σt − j
Similar al caso previo, si el proceso (u 2t ) es estacionario, la varianza es:
σ2 = α0
1 −p i =1
αi −q j =1
δ j
Es un proceso emṕıricamente más exitoso, y la versión más popular esel GARCH(1,1).
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 4 / 23
-
8/19/2019 Semana 5 Modelos Var
5/23
Vectores Autoregresivos-VAR
Desarrollado por Christopher Sims (1980), no requiere unconocimiento detallado de la dinámica causal de los fenómenos. Loscoeficientes estimados no son coeficientes estructurales.
En la práctica puede ser de nuestro interés estimar varios modelos, y
sus relaciones dinámicas, simultaneamente.
La intuición es: existen fenómenos externos, denominados: shocksexógenos, shocks idiosincráticos o innovaciones, que afectansimultaneamente a las variables de un sistema, por lo tanto queremos
estudiar su dinámica simultaneamente.Todas las variables son end´ ogenas .
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 5 / 23
-
8/19/2019 Semana 5 Modelos Var
6/23
Vectores Autoregresivos-VAR
Analicemos un caso sencillo, un modelo con 2 variables (x t , y t ).
En un modelo VAR, este modelo tiene dos ecuaciones, una para cadaregresor.
y t = β 0 + β 1x t −1 + β 2y t −1 + u 1t
x t = γ 0 + γ 1x t −1 + γ 2y t −1 + u 2t
En general, si tenemos h regresores, tendremos h ecuaciones.
Es por lo tanto un sistema de h ecuaciones.
Idealmente, si Cov (u 1t , u 2t ) = 0 podemos estimar estos modelosindependientemente (con los métodos estudiados hasta estemomento). Sin embargo, ganamos consistencia en la estimación VAR.
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 6 / 23
-
8/19/2019 Semana 5 Modelos Var
7/23
Vectores Autoregresivos-VAR
Podemos escribir este sistema de ecuaciones de una forma simplificada para
aproximarnos a una forma intuitiva de un modelo AR y su correspondencia con unmodelo MA: y t x t
=
β 0γ 0
+
β 1 β 2γ 1 γ 2
x t −1y t −1
+
u 1t u 2t
Y t = A0 + A1Y t −1 + U t
Y t = (I − A1L)−1 ∗ (A0 + U t ) = B (L)A0 + B (L)U t
Si reemplazamos recursivamente el vector autoregresivo, podemos identificar unaexpresión expĺıcita de la Función Impulso/Respuesta.
Y t = A0 + A1Y t −1 + U t ;Y t −1 = A0 + A1Y t −2 + U t −1
⇒ Y t = (A0 + A0A1) + U t + A1U t −1 + A1A1Y t −2 + ...y t x t
=
b 01b 02
+
β 1 β 2γ 1 γ 2
u 1,t −1u 2,t −1
+ ...
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 7 / 23
-
8/19/2019 Semana 5 Modelos Var
8/23
Vectores Autoregresivos-VAR
Estimación e inferencia:Bajo los supuestos de VAR, estimaciones individuales de las hecuaciones mediante de MCO es una estrategia factible.
La inferencia es la misma y la construcción y prueba de hipótesis siguelos criterios que hemos estudiado.
Una mejor estrategia es estimar esas ecuaciones conjuntamente. Facilita la construcción de pruebas de hipótesis conjuntas, a través de
las h ecuaciones.
Los coeficientes estimados siguen una distribución normal conjunta engrandes muestras.
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 8 / 23
-
8/19/2019 Semana 5 Modelos Var
9/23
Vectores Autoregresivos-VAR
Estimación e inferencia:
La selección de rezagos es determinante en la estimación por lo tantonecesitamos algún criterio para su selección:
El número de coeficientes de estimación en este sistema se incrementaconsiderablemente por los rezagos a incluir.
Podemos utilizar los criterios de informaci ́ on: BIC, AIC para identificaruna especificación óptima, únicamente basada en las ventajasestad́ısticas de cada especificación. (ej. min(BIC , AIC ))
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 9 / 23
-
8/19/2019 Semana 5 Modelos Var
10/23
Vectores Autoregresivos-VAR
En EViews : Lag Structure
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 10 / 23
-
8/19/2019 Semana 5 Modelos Var
11/23
Vectores Autoregresivos-VAR
Varios criterios de información informan esta decisión (*):
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 11 / 23
-
8/19/2019 Semana 5 Modelos Var
12/23
Vectores Autoregresivos-VAREjemplo: La inflación, la oferta monetaria y la tasa de interés.
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 12 / 23
-
8/19/2019 Semana 5 Modelos Var
13/23
Vectores Autoregresivos-VAREstimemos el modelo: VAR (IPC , M 1, spread )
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 13 / 23
-
8/19/2019 Semana 5 Modelos Var
14/23
-
8/19/2019 Semana 5 Modelos Var
15/23
Vectores Autoregresivos-VARResultados: Si observamos los residuos?
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 15 / 23
-
8/19/2019 Semana 5 Modelos Var
16/23
Vectores Autoregresivos-VARResultados: Si observamos los tests de Ráız Unitaria? (ADF, t and drift)
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 16 / 23
-
8/19/2019 Semana 5 Modelos Var
17/23
Vectores Autoregresivos-VARResultados: Obtenemos la D1 y testeamos ADF (t and drift)
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 17 / 23
V A VAR
-
8/19/2019 Semana 5 Modelos Var
18/23
Vectores Autoregresivos-VAR
Algunos comentarios:
Estamos modelando un proceso estocástico, por lo tanto la condición deestacionariedad de las variables es deseable.
Podemos analizar este fenómeno directamente analizando los cambiosporcentuales (elasticidades), por lo tanto obtenemos la primera diferencia delos logaritmos de la inflación y el agregado monetario M1 (que son
estacionarios).El SPREAD es una variable estacionaria, y sus unidades son porcentajes. Nonecesita transformación.
Más allá de los coeficientes dinámicos, podemos analizar la FunciónImpulso/Respuesta (FIR.
Estimar la FIR a nivel puede llevarnos a conclusiones erroneas.
El orden de imputación de la información en la descomposición de Choleskydetermina las restricciones dinámicas de la matriz diagonal inferior.
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 18 / 23
V A i VAR
-
8/19/2019 Semana 5 Modelos Var
19/23
Vectores Autoregresivos-VARResultados: Estimamos nuevamente el modelo corrigiendo los problemasdescritos.
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 19 / 23
V A i VAR
-
8/19/2019 Semana 5 Modelos Var
20/23
Vectores Autoregresivos-VARResultados: Obtenemos las Funciones de Impulso Respuesta
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 20 / 23
V t A t i VAR
-
8/19/2019 Semana 5 Modelos Var
21/23
Vectores Autoregresivos-VARResultados: Obtenemos las Funciones de Impulso Respuesta
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 21 / 23
V t A t i VAR
-
8/19/2019 Semana 5 Modelos Var
22/23
Vectores Autoregresivos-VARModifique la definición del impulso: varias alternativas
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 22 / 23
Vecto es A to eg esi os VAR
-
8/19/2019 Semana 5 Modelos Var
23/23
Vectores Autoregresivos-VARModifique la definición del impulso: varias alternativas
Castillo, J.G. (ESPOL) Econometrı́a II Noviembre 26, 2015 23 / 23
top related