ANÁLISIS DE

SERIES DE TIEMPO MULTIVARIADAS

Mg. Heber Baldeón Paucar

[email protected]

Python para Economistas

Índice
1. Conceptos preliminares 3. Modelos multivariados de series no estacionarias
– Modelo SUR Metodología de Engel y Granger
– Modelo de Ecuaciones simultáneas – Test de cointegración de Engel y Granger o
2. Modelos multivariados de series estacionarias Phillips-Ouliaris
Metodología VAR – Modelo de Corrección de Errores
– Representaciones alternativas del VAR Metodología de Johansen
– Estacionariedad y estimación – Test de cointegración de Johansen
– Proyección – Modelo de Vector de Corrección de Errores
Metodología SVAR (VECM)
– Identificación o restricción – Proyección
– Función impulso respuesta – Impulso respuesta y descomposición de la
Varianza del error de proyección
– Descomposición de la varianza del error de
proyección 4. Modelos de Estado Espacio
– Filtro de Kalman
Conceptos preliminares
1. Modelo SUR
Modelo de regresiones aparentemente no correlacionadas (SUR)
• Las ecuaciones del sistema no simultáneas puede expresarse así:

𝒚1 = 𝒙1 𝛽1 + 𝜖1 𝒚1 𝒙1 0 … 0 𝛽1 𝜖1
𝒚2 = 𝒙2 𝛽2 + 𝜖2 𝒚2 0 𝒙2 … 0 𝛽2 𝜖2
⋮ = + ⋮
⋮ ⋮ ⋮ ⋱ ⋮ ⋮
𝒚𝑀 = 𝒙𝑀 𝛽𝑀 + 𝜖𝑀 𝒚𝑀 0 0 0 𝒙𝑀 𝛽𝑀 𝜖𝑀

• Se asume que las perturbaciones de distintas observaciones no están correlacionadas (intra grupo), pero las
perturbaciones (𝜖𝑖 ) entre distintas ecuaciones (entre grupos) sí pueden estar correlacionadas (Ω), por eso el
nombre aparentemente no correlacionadas:

𝜎11 𝐼 𝜎12 𝐼 … 𝜎1𝑀 𝐼

𝜎 𝐼 𝜎22 𝐼 … 𝜎1𝑀 𝐼
𝔼 𝜖𝑖 𝜖 ′ 𝑖 𝐱] = Ω = 21 =Σ⊗𝐼
⋮ ⋮ ⋱ ⋮
𝜎𝑀1 𝐼 𝜎𝑀2 𝐼 0 𝜎𝑀𝑀 𝐼

• En un modelo SUR; todas las ecuaciones pueden tener i) los mismos regresores o ii) distintos regresores;
1. Modelo SUR
• 𝒀 = 𝑥𝛽 + 𝜖
El modelo SUR: 𝛽෠ 𝐺𝐿𝑆 = 𝐱 ′ Ω−1 𝐱 −1 𝐱 ′ Ω−1 𝐘
𝔼 𝜖 𝐱] = 0
𝛽෠ 𝐺𝐿𝑆 = 𝐱 ′ (Σ ⊗ 𝐼)−1 𝐱 −1 𝐱 ′ (Σ ⊗ 𝐼)−1 𝐘
𝑉𝑎𝑟 𝝐|𝐱 = 𝔼 𝜖𝑖 𝜖 ′ 𝑖 𝐱] = Ω = Σ ⊗ 𝐼
• En el caso especial (cuando los regresores son iguales) que, 𝒙1 =𝒙2 =… = 𝒙𝑀 =𝕏
𝒙1 0 … 0 𝕏 0 … 0
0 𝒙2 … 0
= 0 𝕏 … 0 = I⊗𝕏
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋱ ⋮
0 0 0 𝒙𝑀 0 0 0 𝕏

𝛽෠ 𝐺𝐿𝑆 = 𝐱 ′ (Σ ⊗ 𝐼)−1 𝐱 −1 𝐱 ′ (Σ ⊗ 𝐼)−1 𝐘

𝛽෠𝐺𝐿𝑆 = I ⊗ 𝕏 ′ (Σ ⊗ 𝐼)−1 I ⊗ 𝕏 −1 I ⊗ 𝕏 ′ (Σ ⊗ 𝐼)−1 𝐘
𝛽෠ 𝐺𝐿𝑆 = [𝐼 ⊗ 𝕏′ 𝕏 −1 𝕏′ ]𝐘

𝛽1 𝕏′ 𝕏 −1 𝕏′ 0 … 0 𝒚1
𝛽2 0 𝕏′ 𝕏 −1 𝕏′ … 0 𝒚2
= ⋮
⋮ ⋮ ⋮ ⋱ ⋮
𝛽𝑀 0 0 0 𝕏′ 𝕏 −1 𝕏′ 𝒚𝑀
2. Modelo de ecuaciones simultáneas
Ecuaciones Simultáneas (Forma estructural)
• Un modelo macroeconómico de PBI, política monetaria y política fiscal, puede ser representado por un sistema
de ecuaciones:
1 −𝛼 −𝑐0 𝑦𝑡 𝑦ത 0 𝛼1 𝑐1 𝑦𝑡−1 𝑢𝑡
0 1 0 𝑚𝑡 = 𝑚 ഥ + 0 𝜋1 𝜋2 𝑚𝑡−1 + 𝜈𝑡
𝜏 0 1 𝑔𝑡 𝑔ത 0 0 0 𝑔𝑡−1 0

• Su estimación exige imponer restricciones. Ejm: 𝑔𝑡 no afecta a 𝑚𝑡 en el mismo periodo.

Ecuaciones no Simultáneas (Forma reducida)

𝑦
𝑦𝑡 𝑦ത 𝜃11 𝜃12 𝜃13 𝑦𝑡−1 𝑢𝑡
𝑚𝑡 = 𝑚
ഥ + 𝜃21 𝜃22 𝜃23 𝑚𝑡−1 + 𝑢𝑡𝑚
𝑔𝑡 𝑔ത 𝜃31 𝜃32 𝜃33 𝑔𝑡−1 𝑢𝑡
𝑔

• La forma reducida del sistema de ecuaciones también es un modelo SUR con regresores idénticos, por lo que
puede estimarse por OLS, ecuación por ecuación.
3. Tipos de modelos multivariados
Series de tiempo multivariadas estacionarias
 1. ¿Qué son los Vectores Autoregresivos – VAR?
Concepto:
• Los modelos VAR son una extensión de los modelos AR.
𝜀𝑥,𝑡−2 𝜀𝑥,𝑡−1 𝜀𝑥,𝑡

𝝓𝟏𝟏 𝝓𝟏𝟏
𝑋𝑡−2 𝑋𝑡−1 𝑋𝑡
𝝓𝟏𝟐 𝝓𝟏𝟐

𝝓𝟐𝟏 𝝓𝟐𝟏
𝑌𝑡−2 𝑌𝑡−1 𝑌𝑡
𝝓𝟐𝟐 𝝓𝟐𝟐

𝜀𝑦,𝑡−2 𝜀𝑦,𝑡−1 𝜀𝑦,𝑡

• Sims (1980) plantea los modelos VAR, donde todas las variables son endógenas y cada una puede ser descrita
como una función o combinación lineal de sus propios rezagos y los valores rezagados de las otras variables en
el sistema.
Objetivo: análisis empírico, y realizar predicción y análisis de escenarios.
2. Formas de representar un VAR
1. VAR (p) en forma Estructural
1 𝑎12 𝑋𝑡 𝑏11 𝑏12 𝑋𝑡−1 𝑢1,𝑡
Relación = + 𝑢 , Shock estructurales
contemporánea 𝑎21 1 𝑌𝑡 𝑏21 𝑏22 𝑌𝑡−1 2,𝑡
𝑢1,𝑡 𝜎12 0 Diagonal e
donde 𝑢 ∼ 𝑊𝑁 0, Σ , y Σ = . Independencia entre los
2,𝑡 0 𝜎22 shock estructurales

• VAR(p) de forma recursiva. Caso particular del VAR en forma estructural. Donde las relaciones contemporáneas
mantienen una relación uni-triangular inferior de la más “exógena a la Granger” a la más endógena.

2. VAR (p) en forma reducido

𝑋𝑡 𝜙 𝜙12 𝑋𝑡−1 𝜀𝑥,𝑡

= 11 + 𝜀 ,
𝑌𝑡 𝜙21 𝜙22 𝑌𝑡−1 𝑦,𝑡
𝜀𝑥,𝑡 𝜎𝑥2 𝜎𝑥𝑦 Ω 𝑠𝑖 𝑡 = 𝜏
Donde: 𝜀 ∼ 𝑊𝑁 0, Ω , y Ω = y E 𝜀𝑡 = 0; E 𝜀 𝜀′
𝑡 𝜏 = ቊ
𝑦,𝑡 𝜎𝑥𝑦 𝜎𝑦2 0 𝑠𝑖 𝑡 = 𝜏
 2. Formas de representar un VAR

Pasando un modelo VAR estructural a un modelo VAR reducido:

Γ0 Y𝑡 = 𝑑 + Γ1 Y𝑡−1 + Γ2 Y𝑡−2 + … + Γ𝑝 Y𝑡−𝑝 + 𝑢𝑡 y la varianza Σ
Y𝑡 = Γ0−1 𝑑 + Γ0−1 Γ1 Y𝑡−1 + Γ0−1 Γ2 Y𝑡−2 + … + Γ0−1 Γ𝑝 Y𝑡−𝑝 + Γ0−1 𝑢𝑡
𝑌𝑡 = 𝑐 + Φ1 𝑌𝑡−1 + Φ2 𝑌𝑡−2 + … + Φp 𝑌𝑡−𝑝 + 𝜀𝑡 y la varianza Ω = Γ0−1 ΣΓ′0−1

Pasando un modelo VAR reducido a un modelo VAR recursivo:

▪ La Descomposición de Cholesky: dado una matriz simétrica Ω, podemos encontrar 𝑃 tal que se cumpla
𝑎1 0 0 𝑎12 0 0 1 0 0
Ω = 𝑃𝑃′ = 𝐿𝐷𝐿′ donde 𝑃 = 𝑏1 𝑏2 0 , 𝐷 = 0 𝑏22 0 , y 𝐿 = 𝑑21 1 0 que es una
𝑐1 𝑐2 𝑐3 0 0 𝑐32 𝑑31 𝑑32 1
matriz uni – diagonal inferior (cuya inversa también es uni – diagonal inferior).

෡ 1 𝑌𝑡−1 + Φ
▪ Dado una estimación 𝑌𝑡 = 𝑐Ƹ + Φ ෡ 2 𝑌𝑡−2 + … + Φ
෡ 𝑝 𝑌𝑡−𝑝 + 𝜀𝑡Ƹ , la estimación de la varianza Ω
෡y
෡ = 𝑃𝑃′ = 𝐿𝐷 −1/2 𝐿𝐷 −1/2 ′ = Γ0−1 Σ −1/2 Γ0−1 Σ −1/2 ′ , ⇒ 𝐷 = 𝛴 y Γ0 = 𝐿−1
como Ω
2. Metodología VAR
1. Evaluar si todas las series
Todas las series: 𝑌𝑡 son estacionariedad
• Pruebas de raíz unitaria
• Quiebre estructural
2. Especificación:
Número de rezagos óptimo:
• Estadístico de Ratio de Verosimilitud ó
• Criterios: AIC y SBC

3. Estimación del modelo:

• Mínimos cuadrados ordinarios (MCO) 4. Diagnóstico del modelo:
• Máxima verosimilitud • Estabilidad y estacionariedad
• SUR, donde las variables de cada una • Residuos sean ruido blanco
de las ecuaciones son iguales

6. Análisis de escenarios o política económica:

5. Proyectar: • Test de Causalidad a lo Granger
• Predicción puntual • Función impulso respuesta (Cholesky)
• Fanchart • Descomposición de la varianza del error de
predicción (Cholesky).
3. Especificación, estimación y diagnóstico
• El VAR esta sobreparametrizado (no es parsimonioso)
– Hay 𝑛 + 𝑛𝑝2 parámetros (n variables y p rezagos)
– Muchos de los estimadores no son significativos
– Regresores con alta colinealidad (estadísticos t no confiables)
1
• ෡=
El VAR reducido se estima por OLS (ecuación por ecuación), la varianza Ω σ𝑇𝑡=1 𝜀𝑡Ƹ 𝜀′Ƹ 𝑡
𝑇−𝑛𝑝−1

Elección del p óptimo con pruebas de significancia

• Luego de estimar el Ω ෡ (ambos con la misma muestra), con el AIC y SBC se selecciona el
tamaño de p: ෡ + 2 (𝑛 + 𝑛𝑝2 )
𝐴𝐼𝐶 = −2𝐿′ + 2𝐾 = 𝑇 𝐿𝑛 Ω
𝐵𝐼𝐶 = −2𝐿′ + 𝐿𝑛 𝑇 𝐾 = 𝑇 𝐿𝑛 Ω ෡ + 𝐿𝑛 (𝑇) (𝑛 + 𝑛𝑝2 )

Diagnóstico del modelo: El VAR es estacionario, si se puede verificar que los valores propios de Φs
sean menores que 1 (dentro del circulo unitario)
4. Análisis de políticas económicas y escenarios
VAR(p) escrito como un VAR(1)
𝑦ො𝑡 = Φ1 𝑦ො𝑡−1 + Φ2 𝑦ො𝑡−2 + Φ3 𝑦ො𝑡−3 + … + Φ𝑝 𝑦ො𝑡−𝑝 + 𝜖𝑡 , donde 𝑦ො𝑡 = 𝑦𝑡 − 𝜇
𝑦ො𝑡 Φ1 Φ2 Φ𝑝−1 Φ𝑝 𝑦ො𝑡−1 𝜖𝑡
𝑦ො𝑡−1 ⋯ 𝑦ො𝑡−2 0
𝐼 0 0 0
⋮ = ⋮ ⋱ ⋮ ⋮ + ⋮ , ⇒ 𝑌෠𝑡 = Φ𝑌෠𝑡−1 + 𝜉𝑡 ,
𝑦ො𝑡−𝑝+2 𝐼 0 0 0 𝑦ො𝑡−𝑝+1 0
⋯
𝑦ො𝑡−𝑝+1 𝐼 0 𝐼 0 𝑦ො𝑡−𝑝 0
• Alternativamente (I − ΦL)𝑌෠𝑡 = 𝜉𝑡

VAR(1) escrito como un VMA(∞)

• Por la propiedad del operador rezago I + ΦL + Φ2 L2 + ⋯ + Φs L2 I − ΦL = (𝐼 − Φs+1 Ls+1 )
• I − ΦL 𝑌෠𝑡 = 𝜉𝑡 → (𝐼 − Φs+1 Ls+1 )𝑌෠𝑡 = I + ΦL + Φ2 L2 + ⋯ + Φs Ls 𝜉𝑡

Para el pasado: 𝑌෠𝑡 = Φs+1 𝑌෠𝑡−𝑠−1 + 𝜉t + Φ𝜉t−1 + Φ2 𝜉𝑡−2 + ⋯ + Φs 𝜉𝑡−𝑠

Para el futuro: 𝑌෠𝑡+𝑠 = Φs+1 𝑌෠𝑡−1 + 𝜉t+s + Φ𝜉t+s−1 + Φ2 𝜉𝑡+𝑠−2 + ⋯ + Φs 𝜉𝑡

4. Análisis de políticas económicas y escenarios
• Shock transitorios (𝜉𝑡 = 𝑣; 0 = 𝜉𝑡+1 =
𝜉𝑡+2 =…) vs shock permanentes
• Efectos transitorios (Φ, valores propios
Impulso Impulso Impulso Respuesta
dentro del circulo unitario) vs efectos estructural reducido
permanentes Unitario (L) 𝑢𝑡 = 𝐼 𝑣𝑡 = Γ0−1 Φs Γ0−1
• La Función Impulso Respuesta mide la
respuesta de cada una de las variables 1 DS (P) 𝑢𝑡 = Σ1/2 𝑣𝑡 = Γ0−1 Σ1/2 Φs Γ0−1 Σ1/2
en el sistema ante un shock estructural
que se presenta en alguna de ellas.
• Se analiza signo, amplitud de la
respuesta y persistencia o duración de
la respuesta.
• Por la descomposición de Cholesky de
la varianza de los errores reducidos y
𝜀𝑡 = Γ0−1 𝑢𝑡
4. Análisis de políticas económicas y escenarios
Pero, ¿Cuál debería ir primero? ¿𝒎𝒕 o 𝒚𝒕 ? ¿Cuál es el más “exógeno en el sentido de Granger”?

Causalidad a lo Granger
• Si X causa a lo Granger a Y, entonces los valores rezagados X ayudan a predecir Y.
• Si X no causa a lo Granger a ninguna otra variable, no implica que X sea exógena. No se incorpora las
relaciones contemporáneas.
𝑦
𝑦𝑡 = 𝑐 𝑦 + 𝛼11 𝑦𝑡−1 + 𝛼12 𝑚𝑡−1 + 𝛽11 𝑦𝑡−2 + 𝛽12 𝑚𝑡−2 + 𝑢𝑡
𝑦
𝑚𝑡 = 𝑐 𝑦 + 𝛼21 𝑦𝑡−1 + 𝛼22 𝑚𝑡−1 + 𝛽21 𝑦𝑡−2 + 𝛽22 𝑚𝑡−2 + 𝑢𝑡

• Las pruebas de Causalidad a lo Granger son:

Hipótesis nula Restricción Resultado

𝑚𝑡 no causa 𝑦𝑡 𝛼12 = 𝛽12 = 0 Si se rechaza, 𝑚𝑡 causa a 𝑦𝑡 en el sentido de Granger
𝑦𝑡 no causa 𝑚𝑡 𝛼21 = 𝛽21 = 0 Si se rechaza, 𝑦𝑡 causa a 𝑚𝑡 en el sentido de Granger

• Se puede utilizar una distribución 𝐹(𝑝,𝑇−2𝑝−1) o asintóticamente una distribución χ2(𝑝)

5. Proyecciones utilizando el modelo VAR
• Para el futuro: 𝑌෠𝑇+𝑠 = 𝜉t+s + Φ𝜉t+s−1 + Φ2 𝜉𝑡+𝑠−2 + ⋯ + Φs−1 𝜉𝑡−1 + Φs 𝑌෠𝑡
• El mejor pronóstico es: E 𝑌෠𝑇+𝑠 |𝑌෠𝑡 = Φs 𝑌෠𝑡
• El mejor pronóstico considerando la media: E 𝑌𝑇+𝑠 |𝑌𝑡 = 𝜇 𝐼 − Φs Φs 𝑌𝑡
Error de predicción:
• 𝑌෠𝑇+𝑠 − E 𝑌෠𝑇+𝑠 |𝑌෠𝑡 = 𝜉t+s + Φ𝜉t+s−1 + Φ2 𝜉𝑡+𝑠−2 + ⋯ + Φs−1 𝜉𝑡−1
2 s−1
• Y su varianza del pronóstico: Var 𝑌෠𝑇+𝑠 |𝑌෠𝑡 = Ω + ΦΩΦ′ + Φ2 ΩΦ′ + ⋯ + Φs−1 ΩΦ′
Descomposición de la varianza del shock reducido
• Sea 𝜀𝑡 = Γ0−1 𝑢𝑡 y Γ0−1 = 𝐴 = 𝑎1 … 𝑎𝑛 , cada 𝑎𝑖 es un vector columna.
• Entonces: 𝜀𝑡 = 𝑎1 𝜀1𝑡 + 𝑎2 𝜀2𝑡 + … + 𝑎𝑛 𝜀𝑛𝑡
• Ω = 𝐸 𝜀𝑡 𝜀′𝑡 = 𝜎12 𝑎1 𝑎′1 + 𝜎22 𝑎2 𝑎′2 + … + 𝜎𝑛2 𝑎𝑛 𝑎′ 𝑛 = σ𝑛𝑗=1 𝜎𝑗2 𝑎𝑗 𝑎′𝑗
• Sustituimos el Ω en la varianza del pronóstico
−1
Var 𝑌෠𝑇+𝑠 |𝑌෠𝑡 = σ𝑛𝑗=1 𝜎𝑗2 𝑎𝑗 𝑎′𝑗 + Φ𝑎𝑗 𝑎′𝑗 Φ′ + … + Φs−1 𝑎𝑗 𝑎′𝑗 Φ′
• Podemos cuantificar la contribución del j-ésimo shock estructural al error cuadrático medio del
pronóstico s-periodos adelante
5. Descomposición de la varianza de la proyección
• La Descomposición de la Varianza del error de
Proyección nos dice la proporción de los
movimientos en una secuencia debido a sus
“propios” shocks versus los shocks de las otras
variables.
• Si hay “m” variables en el modelo, la varianza se
descompondrá en “m” partes.
• La suma de las “m” partes será 100%.
• La descomposición también depende del
ordenamiento de las variables.
• El error de proyección puede ser descompuesta
usando la ortogonalización del impulso
respuesta Θ𝑖
σℎ−1 ′
𝑖=0 Φ𝑗 Ω𝑖 Φ𝑘
𝑤𝑗𝑘,𝑖 =
𝑀𝑆𝐸𝑗 (ℎ)
6. VAR estructural o VAR identificable

Modelo A
• 𝐴Y𝑡 = Γ0 + Γ1 Y𝑡−1 + Γ2 Y𝑡−2 + … + Γ𝑝 Y𝑡−𝑝 + 𝑢𝑡 y la varianza E 𝑢𝑡 𝑢′𝑡 = Σ
Modelo B
• Y𝑡 = Γ0 + Γ1 Y𝑡−1 + Γ2 Y𝑡−2 + … + Γ𝑝 Y𝑡−𝑝 + 𝐵𝑢𝑡 y donde 𝑒𝑡 = 𝐵𝑢𝑡 la varianza E et e′t = BΣB′
Modelo A-B
• 𝐴Y𝑡 = Γ0 + Γ1 Y𝑡−1 + Γ2 Y𝑡−2 + … + Γ𝑝 Y𝑡−𝑝 + 𝐵𝑢𝑡 y la varianza et = A−1 B𝑢𝑡
1 0 0 𝑒1𝑡 𝛽1 0 0 𝑢1𝑡
𝑎1 1 0 𝑒2𝑡 = 0 𝛽2 0 𝑢2𝑡
𝑏1 𝑐1 1 𝑒3𝑡 0 0 𝛽3 𝑢3𝑡
Series de tiempo multivariadas no estacionarias
1. ¿Qué es Cointegración?
Concepto:
• Un conjunto de variables de igual orden de integración (todas 𝐼(𝑑)) cointegran cuando existe
por lo menos una combinación lineal de ellas, cuyo residuo sea estacionaria (𝐼(0)).

Interpretación:
• Una relación de cointegración puede ser interpretada como una relación de equilibrio de largo
plazo. En el corto plazo cada las variables pueden desviar de esta relación, pero en el largo plazo
existe un estado estacionario o de equilibrio lineal entre ellas.
• En el largo plazo, las variables no pueden moverse independientemente una de la otra.
1. Ejemplos de Cointegración
• Demanda de dinero (equilibrio del mercado monetario)
𝑚
ด𝑡 = 𝛽0 + 𝛽1 𝑝𝑡 + 𝛽2 𝑦𝑡 + 𝛽3 𝑟𝑡 + 𝜖ณ𝑡
𝑂𝑓𝑒𝑟𝑡𝑎 𝐷𝑖𝑛𝑒𝑟𝑜 𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝐷𝑖𝑛𝑒𝑟𝑜 𝐵𝑟𝑒𝑐ℎ𝑎
Combinación lineal y representación de la relación de cointegración:
𝑚𝑡
𝑝
1 −𝛽1 −𝛽2 −𝛽3 𝑦𝑡 = 𝛽0 + 𝜖𝑡
𝑡
𝑟𝑡 𝐼(0)

• Teoría de función de consumo permanente

𝑝 𝑝
𝑐𝑡 = 𝛽 𝑦𝑡 + 𝑐𝑡𝑡 , 𝑐𝑡 − 𝛽 𝑦𝑡 = 𝑐𝑡𝑡 ; 𝑐𝑡𝑡 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑟𝑖𝑎 𝐼(0)

• Teoría de paridad de poder de compra (inflación y depreciación)

𝑒𝑡 + 𝑝𝑡∗ − 𝑝𝑡 = 𝑒𝑟𝑟𝑜𝑟𝑡 , 𝑒𝑟𝑟𝑜𝑟𝑡 𝑒𝑠 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑟𝑖𝑎 𝐼(0)
2. Metodología 1. Diagnóstico de la estacionariedad
Todas las series integradas de
• Pruebas de raíz unitaria
orden 1 o d
• Quiebre estructural

Para 2 series de tiempo Para 3 o más series de tiempo

Metodología de Engel y Granger Metodología de Johansen

1. Test de cointegración: test de 1. Especificación del VAR y VECM:

Engel y Granger o Phillips-Ouliaris VAR(p) -> VEC(p-1)
• Número de rezagos óptimo del VAR

2. Especificación del Modelo de

2. Test de cointegración:
Corrección de errores (MCE)
Test traza o el máximo Eigenvalues

3. Estimación del MCE y 3. Estimación del VECM o VAR

diagnóstico cointegrado y diagnóstico

5. Análisis de escenarios:
4. Proyectar: • Test de Causalidad a lo Granger
• Predicción puntual • Función impulso respuesta
• Fanchart Descomposición de la varianza
del error de predicción.
3. Test de cointegración (para 2 series)
Metodología de Engle Granger:
• Para el caso de 2 series 𝐼 1 , 𝑋𝑡 e 𝑌𝑡 , si existe 𝛽 tal que 𝑌𝑡 − 𝛽𝑋𝑡 ∼ 𝐼 0 o 𝑋𝑡 − 𝜃𝑌𝑡 ∼ 𝐼 0 ,
• Se puede decir que 𝑋𝑡 e 𝑌𝑡 están cointegradas o que existe una relación de cointegración entre
𝑋𝑡 e 𝑌𝑡 , por lo que 𝑌𝑡 − 𝛽𝑋𝑡 ∼ 𝐼 0 es denominado una relación de equilibrio de largo plazo
entre 𝑋𝑡 y 𝑌𝑡

Test de cointegración de Engel y Granger:

• Paso 1: Fiteo la regresión auxiliar por OLS: 𝑌𝑡 = 𝛼ො + 𝛽𝑋 ෠ 𝑡 + 𝑍መ𝑡
• Paso 2: Testeo de las propiedades de 𝑍መ𝑡 es I(0) o I(1)
El test de Engel y Granger son más exigente que el Dickey-Fuller test & Augmented Dickey-Fuller test
Δ𝑍መ𝑡 = 𝛾𝑍መ𝑡 + σ𝑛𝑖=1 𝑎𝑖 Δ𝑍መ 𝑡 + 𝜖𝑡 , si 𝛾 = 0 los residuos presentan raíz unitaria,
• Si el residuo es I(d), entonces las series no estarían cointegradas. Los valores críticos se calculan
con las tablas de MacKinnon.
𝐶 𝑝 = 𝛽∞ + 𝛽1 𝑇 −1 + 𝛽2 𝑇 −1 + 𝛽3 𝑇 −1
3. Modelo de corrección de errores (para 2 series)
Teorema de Representación de Granger:
• Si las series son cointegradas, existe un Modelo de Correcciones de Errores (MCE).
• Se especifica y estimar el MCE empleando el residuo de la regresión de la ecuación de equilibrio
de largo plazo.
∆𝑦𝑡 = 𝛼1 + 𝛼𝑦 𝑦𝑡−1 − 𝛽1 𝑧𝑡−1 + ෍ 𝛼11 𝑖 ∆𝑦𝑡−𝑖 + ෍ 𝛼12 𝑖 ∆𝑧𝑡−𝑖 + 𝜀𝑦𝑡
𝑖=1 𝑖=1

∆𝑧𝑡 = 𝛼2 + 𝛼𝑧 𝑦𝑡−1 − 𝛽1 𝑧𝑡−1 + ෍ 𝛼21 𝑖 ∆𝑦𝑡−𝑖 + ෍ 𝛼22 𝑖 ∆𝑧𝑡−𝑖 + 𝜀𝑧𝑡

𝑖=1 𝑖=1

Largo plazo Corto plazo

• Análogamente, en término matricial:
෡ 𝑡−1 + ෍ Ψ 𝑖 ∆𝑿𝑡−𝑖 + 𝜀𝑿𝑡
∆𝑿𝑡 = Γ 0 + 𝜶 𝜷𝑿
𝑖=1
• Al igual que en el VAR, la estimación se realiza por MCO.
• Verificar que, 𝛼𝑦 sea significativa y negativa (para converger al equilibrio de LP).
 4. Test de cointegración (para 3 o más series)
Teorema de la representación de Granger:
• Un modelos VAR(p) puede ser reescrito de forma equivalente a Vector Error Correction Model - VECM
(Engel y Granger 1987). Ejemplo: para un modelo VAR(3) → VECM(2):

𝑋𝑡 = 𝐴1 𝑋𝑡−1 + 𝐴2 𝑋𝑡−2 + 𝐴3 𝑋𝑡−3 + 𝜀𝑡

Δ𝑋𝑡 = (𝐴1 −𝐼) 𝑋𝑡−1 + 𝐴2 𝑋𝑡−2 + 𝐴3 𝑋𝑡−3 + 𝜀𝑡
Δ𝑋𝑡 = (𝐴1 −𝐼) 𝑋𝑡−1 + (𝐴2 +𝐴3 ) 𝑋𝑡−2 + 𝐴3 (𝑋𝑡−3 − 𝑋𝑡−2 ) + 𝜀𝑡
Δ𝑋𝑡 = (𝐴1 +𝐴2 +𝐴3 −𝐼) 𝑋𝑡−1 + (𝐴2 +𝐴3 ) (𝑋𝑡−2 −𝑋𝑡−1 ) − 𝐴3 Δ𝑋𝑡−2 + 𝜀𝑡
Δ𝑋𝑡 = (𝐴1 +𝐴2 +𝐴3 −𝐼) 𝑋𝑡−1 − (𝐴2 +𝐴3 ) Δ𝑋𝑡−1 − 𝐴3 Δ𝑋𝑡−2 + 𝜀𝑡

• Generalización para un modelo VAR(p) → VECM(p-1):

Δ𝑋𝑡 = (𝐴1 +𝐴2 +𝐴3 + ⋯ + 𝐴𝑝 − 𝐼) 𝑋𝑡−1 − (𝐴2 +𝐴3 + ⋯ + 𝐴𝑝 ) Δ𝑋𝑡−1 − (𝐴3 + ⋯ + 𝐴𝑝 )Δ𝑋𝑡−2 + ⋯ + 𝐴𝑝 Δ𝑋𝑡−𝑝+1 + 𝜀𝑡
Δ𝑋𝑡 = ΠXt−1 + Ψ1 ΔXt−1 + Ψ2 ΔXt−p + ⋯ + Ψ𝑝−1 Δ𝑋𝑡−𝑝+1 + εt
Π = 𝐴1 + ⋯ + 𝐴𝑝 − 𝐼
𝑝

Ψ𝑘 = − ෍ 𝐴𝑗 , 𝑘 = 1, … , 𝑝 − 1
𝑗=𝑘+1
 4. Test de cointegración (para 3 o más series)
Metodología de Johansen:
• La prueba de Johansen puede verse como una generalización multivariada del test de Dickey
Fuller.
∆𝑦𝑡 = 𝜋𝑦𝑡−1 + 𝛾1 ∆𝑦𝑡−1 + … + 𝛾𝑝 ∆𝑦𝑡−𝑝 + 𝜀𝑡 𝑢𝑛𝑖𝑣𝑎𝑟𝑖𝑎𝑑𝑜
∆𝑌𝑡 = Π𝑌𝑡−1 + Ψ1 ∆𝑌𝑡−1 + … + Ψ𝑝 ∆𝑌𝑡−𝑝 + 𝜀𝑡 𝑚𝑢𝑙𝑡𝑖𝑣𝑎𝑟𝑖𝑎𝑑𝑜
• El rango de una matriz nos indica el número de valores propios distintos de 0, es decir los
vectores que son linealmente independientes.
• Posibles casos:
𝜌(Π) = 0 𝑇𝑜𝑑𝑎𝑠 𝑙𝑎𝑠 𝑠𝑒𝑟𝑖𝑒𝑠 𝑠𝑜𝑛 𝐼 1 , 𝑝𝑒𝑟𝑜 𝑛𝑜 𝑐𝑜𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑛 → 𝑉𝐴𝑅 𝑒𝑛 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎
𝜌 Π = 𝑟, 0<𝑟<𝑁 𝐻𝑎𝑦 "𝑟" 𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑒 𝑐𝑜𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑐𝑖ó𝑛 Π = 𝛼𝛽′ → 𝑉𝐸𝐶𝑀
𝜌 Π =𝑁 𝐶𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑐𝑜𝑚𝑏𝑖𝑛𝑎𝑐𝑖ó𝑛 𝑙𝑖𝑛𝑒𝑎𝑙 𝑒𝑠 𝐼 0 → 𝑙𝑎𝑠 𝑌𝑡 𝑠𝑜𝑛 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑟𝑖𝑎𝑠

• Se orden los valores propios de Π ∗ = 𝑑Π (semidefinida positiva):

𝑀á𝑥𝑖𝑚𝑎 𝑒𝑖𝑔𝑒𝑛𝑣𝑎𝑙𝑢𝑒 → 𝜆1 ≥ 𝜆2 ≥ 𝜆3 ≥ ⋯ ≥ 𝜆𝑁 ≥ 0
𝑇𝑟𝑎𝑧𝑎 (𝑠𝑢𝑚𝑎)
4. Test de cointegración (para 3 o más series)
a) Test de la traza es un procedimiento secuencial que considera cómo la “traza modificada” se
incrementa por añadir más eigenvalues adicionales al 𝑟 𝑡ℎ
𝐻 : 𝑅𝑎𝑛𝑘 Π = 𝑟0
• Hipótesis: ቊ 0
𝐻1 : 𝑅𝑎𝑛𝑘 Π > 𝑟0
• Test Likelihood ratio:
𝑘

𝐿𝑅𝑡𝑟𝑎𝑧𝑎 𝑟0 = −𝑇 ෍ 𝑙𝑛 1 − 𝜆෡𝑖
𝑖=𝑟𝑜 +1
Notas:
• Si 𝑟𝑎𝑛𝑘 Π = 𝑟0 , entonces 𝜆መ 𝑟0 +1 , … , 𝜆መ 𝑘 , todos 𝜆መ 𝑟0 +𝑖 ≈ 0. Y los 𝑙𝑛 1 − 𝜆෡𝑖 ≈ 0 si 𝑖 > 𝑟𝑜 , por
lo que el 𝐿𝑅𝑡𝑟 𝑟0 debería ser pequeño para no rechazar H0
• Si 𝑟𝑎𝑛𝑘 Π > 𝑟0 , entonces 𝜆መ 𝑟0 +1 , … , 𝜆መ 𝑘 , deberían ser 0 < 𝜆መ 𝑟0 +𝑖 < 1, y el 𝑙𝑛 1 − 𝜆෡𝑖 ≪ 0 para
algún 𝑖 > 𝑟0 , por lo que 𝐿𝑅𝑡𝑟 𝑟0 debería ser grande.
• Los valores críticos utilizados son los de Mackinnon.
4. Test de cointegración (para 3 o más series)
b) Test del Máximo eigenvalue: Es un procedimiento secuencial para determinar el número de
cointegración
𝐻0 : 𝑅𝑎𝑛𝑘 Π = 𝑟0
• Hipótesis:ቊ
𝐻1 : 𝑅𝑎𝑛𝑘 Π = 𝑟0 + 1
• Test:
𝐿𝑅max _𝑒𝑖𝑔𝑒𝑛 𝑟0 = −𝑇𝑙𝑛(1 − 𝜆መ 𝑟0 +1 )
Notas:
• 𝑅𝑎𝑛𝑘 Π 𝑘×𝑘 = Número de relaciones de cointegración
• El test consiste en ordenar los eigenvalues en orden descendente y considerar cuando ellos son
significativamente diferentes de 0 (𝜆𝑖 ≠ 0).
• Si los “n” eigenvalues denotados por 𝜆1 > 𝜆2 > ⋯ > 𝜆𝑘 , y las variables no están cointegradas,
entonces el rango 𝜌 Π = 0 y todos los eigenvalues 𝜆1 = 𝜆2 = ⋯ = 𝜆𝑘 = 0 , por eso,
ln 1 − 𝜆෡𝑖 = 0.
• Los valores críticos utilizados son los de Mackinnon.
4. VECM
Especificación y estimación
• Un modelo VAR(p) → VECM(p-1)
Δ𝑋𝑡 = Π[𝑘×𝑘] Xt−1 + Γ1 ΔXt−1 + ⋯ + Γ𝑝−1 Δ𝑋𝑡−𝑝+1 + εt
′
Si hay “r” vectores de cointegración, Π 𝑘×𝑘 puede ser reexpresado Π 𝑘×𝑘 = 𝛼[𝑘×𝑟] 𝛽[𝑟×𝑘]

Δ
ต𝑋𝑡 = 𝛼 𝛽′Xt−1 + Γ1 ΔXt−1 + ⋯ + Γ𝑝−1 Δ𝑋𝑡−𝑝+1 + εณt
𝐼(0) 𝐼(0) 𝐼(0) 𝐼(0) 𝐼(0)

• 𝜶 contiene la velocidad de ajuste. Mientras más cerca este de 1, más rápido será el ajuste hacia
el equilibrio de LP
• 𝜷 contiene los coeficientes de las relaciones de largo plazo.
• Verificar que el 𝜶𝑿𝟏 sea significativa y negativa (para converger al equilibrio de LP).
Siendo 𝜶𝑿𝟏 el coeficiente asociado a la variable “más endógena”.