Facultad de Economía - UNMSM

Econometría II

Cointegración y
Vectores Autorregresivos

Mag. Beatriz Castañeda S.

 REGRESIÓN ESPURIA vs RELACIONES ESTABLES DE LARGO PLAZO

Yt     X t  t
1200
1100

1000

900
800 Dependent Variable: CONSUMO
700
Variable Coefficient Std. Error t-Statistic Prob.
600
500 C 1.685532 2.761110 0.610455 0.5427
400 RENTA 0.904802 0.003614 250.3693 0.0000
300
1955 1960 1965 1970 1975 1980 1985
R-squared 0.997994 F-statistic 62684.81

CONSUMO RENTA
Durbin-Watson stat 0.749056 Prob(F-statistic) 0.000000

En el modelo de regresión si las variables no son estacionarias, los procedimientos

de inferencia pierden validez, las estadísticas t y F son sesgados y van
acompañados de un R² alto y un DW próximo a cero.

A la regresión tal que la no estacionariedad de las series sesga los resultados para
aceptar una relación aún cuando ésta no exista se conoce como regresión espuria
Es factible que variables económicas no estacionarias tengan una relación de largo
plazo, esto ocurrirá cuando las tendencias estocásticas de las series evolucionan
conjuntamente, en este caso decimos que las series cointegran.
Econometría II Mg. Beatriz Castañeda 2
 REGRESIÓN DE COINTEGRACION

La regresión de cointegración plantea la sincronía en la evolución de las

series no estacionarias (integradas) a través del tiempo. La cointegración
implica que las tendencias estocásticas determinadas por la perturbacio-
nes o shocks aleatorios se cancelan, permitiendo que las series regresen
a su relación de equilibrio

X t es no estacionaria y d X t es estacionaria, decimos que X t es I (d )

Si Yt es I(1) y Xt es I(1) Yt     X t  t ; t es I (0)

La regresión se denomina regresión de cointegración o relación de largo

plazo y en este caso son válidas las pruebas t y F para el análisis de la
relación.
Econometría II Mg. Beatriz Castañeda 3
 REGRESIÓN DE COINTEGRACION

Si Yt es I(1) y Xt es I(1)

Yt     X t  t ; t es I (0)

t  Yt     X t

La perturbación del modelo es una combinación

lineal de dos series no estacionarias I(1)

A t se denomina el error en la relación de equilibrio, el cual al ser

estacionario, permitirá que las series regresen a su relación de largo
plazo.

Econometría II Mg. Beatriz Castañeda 4

 Prueba de cointegración
Para que exista una relación de largo plazo entre series no estacionarias,
la perturbación de la regresión debe ser estacionaria I(0), lo cual requiere
que analicemos la serie de los residuos.

1. Prueba de Cointegración de Engle-Granger AEG

Es la prueba de raíz unitaria D-F aplicada a los residuos de la regresión en la
que se utiliza los valores críticos de Engle-Granger en lugar de los de Dickey-
Fuller porque la serie et es generada por los estimados, los que pueden sesgar
el análisis de D-F.
p 1
et   et 1   i et  i   t
i 1

H 0 :   0  t tiene raíz unitaria es I (1)

H1 :   0  t es I (0)

Econometría II Mg. Beatriz Castañeda 5

2. Prueba de Durbin-Watson para regresión de cointegración DWRC

et   et 1   t
DW  2(1  r )
H 0 : DW  0    1
0 2 4 H 1 : DW  0    1
1 

Valores críticos propuestos por Sargan y Barghava

Significancia 1% 5% 10%
V. Crítico 0,511 0,386 0,322

Criterio de Granger y Newbold

Hay evidencia de residuos no estacionarios si R² > D-W

3. Prueba de cointegración de Johansen (pendiente)

Econometría II Mg. Beatriz Castañeda 6

 1200
1100

1000

900
800
700

600
500

400

300
1955 1960 1965 1970 1975 1980 1985

CONSUMO RENTA

Dependent Variable: CONSUMO

Variable Coefficient Std. Error t-Statistic Prob.
C 1.685532 2.761110 0.610455 0.5427
RENTA 0.904802 0.003614 250.3693 0.0000
R-squared 0.997994 F-statistic 62684.81
Durbin-Watson stat 0.749056 Prob(F-statistic) 0.000000

Test DWRC , v.c. (1%) = 0.511

v.c. Engle-Granger (5%) = -3.37 para T = 100 observaciones

Econometría II Mg. Beatriz Castañeda 7

 Modelo de Corrección de Error - MCE
Si Yt y Xt son cointegradas, entonces existe una relación de equilibrio
de largo plazo entre las variables, pero en el corto plazo puede haber
un alejamiento o desequilibrio respecto de la relación de largo plazo.

Dado el modelo

Yt     X t  t ; t es I (0)

t  Yt     X t El error de la relación de equilibrio en el periodo t

El término error nos lleva a analizar el comportamiento de corto plazo de Yt

respecto de su valor esperado de largo plazo. Este análisis se conoce como
Modelo de Corrección de Error (MCE) postulado por Sargan y popularizado por
Engle-Granger.

et  Yt  ˆ  ˆ X t MCE: Yt   0  1 et 1   2 X t
1 indica la proporción del error de Y, en el
periodo t-1, que es corregido en el periodo t
Econometría II Mg. Beatriz Castañeda 8
 Modelo de Vectores Autorregresivos VAR

Esta metodología es frecuentemente utilizada para predecir series de

tiempo interrelacionadas como un sistema y son analizadas para
evaluar el impacto de una perturbación aleatoria o shock en el
comportamiento dinámico del sistema.

Vector Autorregresivo VAR

Es un sistema en el cual cada variable es explicada por los rezagos de todas las
variables endógenas del sistema.

VAR( P ) : Yt  A1Yt 1  A2Yt  2  ....  A pYt  p   t

 y1t   a11 a12 ... a1k   y1t 1   b11 b12 ... b1k   y1t  2   c11 c12 ... c1k   y1t  p   1t 
 y  a  
a22 ... a2 k   y2 t 1   b21 b22 ... b2 k   y2 t  2  c c22 ... c2 k   y2 t  p   2 t 
 2 t    21      ...   21   
 ...   ... ... ... ...   ...   ... ... ... ...   ...   ... ... ... ...   ...   ... 
            
 ykt  ak 1 ak 2 ... akk   ykt 1  bk 1 bk 2 ... bkk   ykt  2  c k 1 ck 2 ... ckk   ykt  p   kt 

Econometría II Mg. Beatriz Castañeda 9

 Supuestos
VAR( P ) : Yt  A1Yt 1  A2Yt  2  ....  A pYt  p   t

 y1t 
y  Vector de k variables
Yt   
2t
 ...  endógenas estacionarias
 
 ykt 

  1t  0  11  12 ...  1k  V ( 1t )   11
  0   22 ...  2 k  V ( 2t )   22
 t   2t  E ( t )    V ( t )  E ( t  t ´)    
21 
 ...  ...  ... ... ... 
    
...
 …….
 kt  0  k 1  k 2 ...  kk  V ( kt )   kk

Las variables perturbación o innovación aleatoria pueden estar correlacionadas

contemporáneamente, pero están incorrelacionadas con sus valores rezagados
y con todas las variables rezagadas.

Econometría II Mg. Beatriz Castañeda 10

 Sea VAR(2) para K = 3

 y1t   a11 a12 a13   y1t 1   b11 b12 b13   y1t  2   1t 

 y   a a23   y   b b23  y    
 2 t   21 a22  2 t 1   21 b22  2t  2   2t 
 y3 t  a31 a32 a33   y3 t 1  b31 b32 b33   y3 t  2   3 t 

y1t  a11 y1t 1  a12 y2t 1  a13 y3t 1  b11 y1t  2  b12 y2t  2  b13 y3t  2   1t

y2t  a21 y1t 1  a22 y2t 1  a23 y3t 1  b21 y1t  2  b22 y2t  2  b23 y3t  2   2t

y3t  a31 y1t 1  a32 y2t 1  a33 y3t 1  b31 y1t  2  b32 y2t  2  b33 y3t  2   3t

Econometría II Mg. Beatriz Castañeda 11

Para evaluar el impacto de las perturbaciones aleatorias en la
dinámica de las variables y bajo el supuesto de que el VAR es
estacionario, escribimos el modelo en su forma media móvil (MA)

Yt  A1Yt 1  A2Yt  2  ....  A pYt  p   t

( I  A1 L  A2 L2  ....  A p Lp )Yt   t

Yt  ( I  A1 L  A2 L2  ....  A p Lp ) 1  t

Yt  ( I  1 L  2 L2  ....) t

Yt   t  1  t 1  2  t  2  3  t  3  ....

Econometría II Mg. Beatriz Castañeda 12

Para obtener los coeficientes i de la forma MA se impone la
condición de que

A( L)Yt  I t Yt  ( L) t

( I  A1 L  A2 L2  ....  A p Lp ) ( I  1 L  2 L2  ....)  I

I  (1  A1 ) L  (2  A11  A2 ) L2  (3  A12  A2 1  A3 ) L3  ....  I

Para el modelo VAR(2)

1  A1
1  A1
2  A11  A2 2  A11  A2
………….. 3  A12  A2 1
s  A1 s 1  A2 s  2  ...  A p s  p 4  A13  A2 2
……..
Econometría II Mg. Beatriz Castañeda 13
 Función de Respuesta al Impulso
Proporciona el efecto que tiene un shock, de una desviación
estándar, en una de las innovaciones aleatorias en el valor ocurrente
y futuro de las variables endógenas.

Un shock en la innovación de la i-ésima variable afecta directamente a la

variable i y a todas las variables endógenas a través de la estructura dinámica
del VAR, puesto que los rezagos de las variables aparecen en todas las ec.

Sea VAR(2) para K = 3

 y1t   1t   a11 a12 a13   1t 1   c11 c12 c13    1t  2 

 y      a a23     c c23     ....
 2 t   2 t   21 a22  2 t 1   21 c22  2t  2 
 y3 t   3 t  a31 a32 a33   3 t 1  c31 c32 c33   3 t  2 

En un modelo con k variables se tiene k2 funciones respuesta. Es importante

considerar el orden en las ecuaciones para tener en cuenta la precedencia de
las innovaciones.
Econometría II Mg. Beatriz Castañeda 14
Dado el VAR(2) para K = 3

 y1t   1t   a11 a12 a13   1t 1   c11 c12 c13    1t  2 

 y      a a23     c c23     ....
 2 t   2 t   21 a22  2 t  1   21 c22  2 t  2 
 y3 t   3 t  a31 a32 a33   3 t 1  c31 c32 c33   3 t  2 

Supongamos que las innovaciones aleatorias están incorrelacionadas y

 1t  1  2t  0  3t  0

Respuesta y1 y2 y3
t 1t=1 0 0
t+1 a111t=a11 a211t=a21 a311t=a31
t+2 c111t=c11 c211t=c21 c311t=c31
…..

Usualmente las innovaciones están correlacionadas.

Econometría II Mg. Beatriz Castañeda 15

 Yt   t  1  t 1  2  t  2  3  t  3  ....

 y1t   1t   11,1  12,1  13,1   1t 1   11, 2  12, 2  13, 2   1t  2 

 y        
      
    ....
 2 t   2 t   21,1 22,1 23,1   2 t 1   21, 2 22, 2 23, 2   2t 2 
 y3 t   3 t   31,1  32,1  33,1   3 t 1   31, 2  32, 2  33, 2   3 t  2 

 1t  1  2t  0  3t  0

Respuesta y1 y2 y3
t 1t=1 0 0
t+1 Ψ11,11t=Ψ11,1 Ψ21,11t=Ψ21,1 Ψ31,11t=Ψ31,1
t+2 Ψ11,21t=Ψ11,2 Ψ21,21t=Ψ21,2 Ψ31,21t=Ψ31,2
t+3 Ψ11,31t=Ψ11,3 Ψ21,31t=Ψ21,3 Ψ31,31t=Ψ31,3
….. ……. ……. ……..

Econometría II Mg. Beatriz Castañeda 16

Descomposición de Cholesky

Dado que las innovaciones están correlacionadas, para analizar la

respuesta a los shocks en las innovaciones, Cholesky propuso una
transformación en el modelo de manera que las innovaciones sean
ortogonales y la matriz de covarianzas sea diagonal.

Dada V ( t )  , existe P /   PP´

Donde P es una matriz triangular inferior k x k cuyos elementos de la diagonal
principal son las desviaciones estándar de las innovaciones ortogonalizadas.

E ( t* )  P 1 E( t )  0
 t*  P 1 t
V ( t* )  P 1V ( t ) P 1'  P 1 PP' P 1'  I

Yt  PP 1 t  1 PP 1  t 1  2 PP 1  t  2  3 PP 1  t  3  ....

Econometría II Mg. Beatriz Castañeda 17

Yt  PP 1 t  1 PP 1  t 1  2 PP 1  t  2  3 PP 1  t  3  ....

Yt  IP  t*  1 P  r*1  2 P  t* 2  3 P  t* 3  ....

El elemeneto (i,j) de sP es el efecto en y i t+s de una desviación estándar del

shock ortogonalizado para yj t manteniendo constantes los otros shocks.
 11, 2  12, 2  13, 2    1* 0 0   *1t  2 
   
2 P  t* 2   21, 2  22, 2  23, 2   p21  2* 0  *
  2t 2 
 31, 2  32, 2  33, 2   p31 p32  3*   *3 t  2 
 

 b11, 2 b12, 2 b13, 2   *1t  2 

   * 
2 P  t* 2  b21, 2 b22, 2 b23, 2   2t 2 
b31, 2 b32, 2 b33, 2   *3 t  2 


Econometría II Mg. Beatriz Castañeda 18

 Pronósticos s periodos adelante
Sea un VAR(p)

Yt   t  1  t 1  2  t  2  ....  s 1  t  s 1  s  t  s  ...

Yt  s   t  s  1  t  s 1  2  t  s  2  ....  s 1  t 1  s  t  ...

YˆT  s  E (Yt  s / T )  YˆT ( s )  s  t  s 1  t 1  s  2  t  2 ...

Luego

eT  s  YT  s  YˆT  s   t  s  1  t  s 1  2  t  s  2  ....  s 1  t 1

V (et  s )    11'  22'  33'  ....s 1s' 1

V (et  s )  PP' 1 PP' 1'  2 PP' 2'  3 PP' 3'  ....s 1 PP' s' 1

Econometría II Mg. Beatriz Castañeda 19

 V (et  s )  PP' 1 PP' 1'  2 PP' 2'  3 PP' 3'  ....s 1 PP' s' 1

k
V (et  s )   [Pj Pj'  1 Pj Pj' 1'  2 Pj Pj' 2'  3 Pj Pj' 3'  ....s 1 Pj Pj' s' 1 ]
j 1

Cada término de la suma es la contribución de la j-ésima innovación ortogonalizada

a la varianza del error del pronóstico “s” periodos adelante.

Descomposición de la Varianza

La varianza del pronóstico s periodos adelante para cada variable endógena se

descompone entre los shocks componentes de las variables endógenas en el
VAR

Econometría II Mg. Beatriz Castañeda 20

 Descomposición de la Varianza

La descomposición de la varianza proporciona información acerca de la

importancia relativa de cada innovación aleatoria en el VAR.
La contribución es evaluada en forma porcentual.

s 1 k
V (ei t  s )    (b *ij , h ) 2
h  0 j 1

s 1
 ij ,h
( b * ) 2

h 0
Pr op  s 1 k
  (b *ij ,h ) 2
h  0 j 1

Econometría II Mg. Beatriz Castañeda 21

 Estimación del VAR
Por MCO se obtiene la estimación de los coeficientes de la ecuación de
cada variable endógena, y con los residuos se estima la matriz de
covarianzas contemporáneas.

ˆ  ee' y 
 ˆ

Prueba del orden del VAR

1. Criterio de Akaike , Criterio de Shwarz

Asumen distribución normal para las innovaciones y calcula el logarítmo de la
verosimilitud.
Tk T ˆ
l  ln L   (1  2 ln 2 )  ln 
2 2

Econometría II Mg. Beatriz Castañeda 22

 Coeficiente del criterio de Akaike AIC 2l 2n
AIC   
T T

2l ln T
Coeficiente del criterio de Shcwaarz SC SC   n
T T

Donde:

n: Número de coeficientes estimados n =k(d+pk)

d: nº de variables exógenas

k: nº de variables endógenas
p: Orden del VAR

El criterio de información es usado para elegir el orden del VAR. El valor más
pequeño del criterio nos lleva al mejor modelo.

Econometría II Mg. Beatriz Castañeda 23

 2. Prueba de la razón de verosimilitud: LR

El orden del VAR tiene que ver con el hecho de que los residuos de un
modelo con número suficientemente grande de rezagos es un ruido
blanco, pero convierte a los estimados en imprecisos.

Sean los modelo: VAR(P) y VAR(q) ; p< q

LR  2[l ( p)  l (q ) ]   (2v ) Donde v es el nº de restricciones bajo

prueba (coeficientes cero)

Ejemplo
Sea k=2, entonces al pasar de un VAR(2) A un VAR(4)

Yt  A1Yt 1  A2Yt  2  A3Yt  3  A4Yt 4   t

El nº de restricciones v =8, que corresponde a los 8 coeficientes de A3 y A4

Econometría II Mg. Beatriz Castañeda 24

 Prueba de cointegración de Johansen

Sea un VAR(P)

Yt  A1Yt 1  A2Yt  2  ....  A pYt  p   t

Yt  Yt 1  A1Yt 1  A2Yt  2  ....  A pYt  p   t

 Yt 1  A2Yt 1  A2Yt 1  ...  A pYt  ( p 1)  A pYt  ( p 1)

p 1
Yt  Yt 1   i Yt  i   t
i 1

p p
Donde:    Ai  I , i    Aj
i 1 j  i 1

Econometría II Mg. Beatriz Castañeda 25

 TEOREMA DE JOHANSEN
Si la matriz  tiene rango () = r < k, entonces existen matrices , 
de orden k x r cada una con rango r, tal que  = ’ y ’Yt sea
estacionaria I(0).

Entonces r es el número de relaciones de cointegración y cada

columna de  es el vector de cointegración.

Los elementos de  son conocidos como los parámetros de ajuste en

el vector del modelo de corrección de error.

VEC : Yt   (  'Yt 1 )   i Yt  i   t

Prueba de Johansen
El método de Johansen consiste en estimar la matriz  en forma irrestricta,
entonces prueba las restricciones para el rango de , puesto que el nº de
vectores de cointegración depende del rango de , el que a su vez está en
función del nº de valores propios no nulos de la matriz .

Econometría II Mg. Beatriz Castañeda 26

 La estadística de la prueba de johansen es denominada traza

k r = 0, 1, …, k-1
Qr  T  ln( 1  i ) i es el i-ésimo valor propio más grande
i  r 1

H0: nº de VEC = r H1: nº de VEC ≥ r+1

Si se concluye que

Todas las variables en el sistema

r=k
son estacionarias

Econometría II Mg. Beatriz Castañeda 27

 Modelo de Vectores Autorregresivos VAR

Resumen
a) Si todas las variables son estacionarias se analiza un modelo
VAR irrestricto para las series en su nivel
b) Si las series son integradas del mismo orden se analiza las
relaciones de largo plazo existentes entre las variables y se estima
el modelo VEC para la corrección del error, esto es, un VAR
restringido para las diferencias.
c) Si las series son integradas y no existe relación de cointegración
entre ellas. Se estima un modelo VAR para las diferencias de las
series.

Econometría II Mg. Beatriz Castañeda 28