SlideShare una empresa de Scribd logo
1 de 22
Descargar para leer sin conexión
CURSO: INTRODUCCIÓN A
LA ECONOMETRÍA
APLICADA A LAS FINANZAS
VECTORES
AUTORREGSIVOS.
23 de junio de 2016
OBJETIVOS Y ESQUEMA
Objetivos.
Proveer herramientas básicas de econometría y su aplicación directa a las
finanzas.
Capítulo 4:
Modelos multivariados. Ecuaciones simultáneas, Modelos de vectores
autorregresivos, análisis de Impulso - Respuesta, etc.
CAPÍTULO IV. Modelos Multivariados. Eq. Simultáneas. VAR. Imp-resp

Una de los supuestos del modelo clásico de regresión lineal es que las
variables explicatorias no sean estocásticas o fijas en muestras
repetidas. Todas las variables X se asumen exógenas (determinadas
fuera de la ecuación o que el modelo está condicionado en las variables
X). Causalidad corre desde X que afecta a Y, pero no viceversa.

Pero en ecuaciones simultáneas el precio afecta cantidades pero
también cantidades afectan precio. No es posible estimarlos por
Mínimos Cuadrados Ordinarios MCO (OLS) sino en forma separada.
Pero separadamente ambas ecuaciones dependen de P y P es
relacionada con sus errores (estocástica). Supuesto de E(X, u) = 0 es
violado. (sesgo de ecuaciones simultáneas). Los estimadores son
inconsistentes (muestras más grande no sirve de mucho) así como
sesgados (no sirven los parámetros).
CAPÍTULO IV. Modelos Multivariados. Eq. Simultáneas. VAR. Imp-resp

Pero las ecuaciones simultáneas son más relevantes que las
ecuaciones simples

Ejemplos de trabajos FMI WP/10/118 2010: The linkage between the
oil and the non-oil sectors - a panel VAR approach, Klein, Nir

Modelando spreads Bid-ask y actividad de trading con el S&P100 de
Chris Brooks

El Sistema Financiero Venezolano ¿Qué Compromete su desempeño?
BCV Documentos de Trabajo No.139 Dic. 2012.

Guerra, J., V. Olivo, et al. (1999). "The inflationary process in
Venezuela: An study of Autoregressive Vectors." Working documents.
Central Bank of Venezuela.

Interacción entre los rendimientos en el mercado inmobiliario y la
macroeconomía.
• Relaciones entre las tasas de interés y el dinero y la inflación.
CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta.

Popularizados por Sims en 1980 es una generalización natural del
modelo Autoregresivo Univariado. VAR es un modelo de sistemas de
regresiones (donde hay más de una variable dependiente) que puede
ser considerado como un tipo de híbrido entre modelos de series de
tiempo y modelos de ecuaciones simultáneas.

VAR es la mejor alternativa para modelos estructurados de ecuaciones
simultáneas a larga escala.

El caso más sencillo es el de VAR bivariado en donde hay 2 variables
y1t y y2t cada una de las cuales depende de diferentes combinaciones
entre valores corrientes y pasados y sus términos de error.
y1t = β10 + β11 y1t-1 + … + β1k y1t-k + α11 y2t-1 + … + α1k y2t-k + u1t
y2t = β20 + β21 y2t-1 + … + β2k y2t-k + α21 y1t-1 + … + α2k y1t-k + u2t
 Donde uit es el término de error white noise (errores incorrelacionados)
con E(uit ) = 0, i=1, 2 E(u1t , u2t) = 0
CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta.

Una característica importante del término de un modelo VAR es su
flexibilidad y la sencillez de generalización. Por ejemplo el modelo
podría ser extendido para componer los errores de promedios móviles,
los cuales serían una versión multivariada de un modelo ARMA
conocido como VARMA. En lugar de tener solo dos variables, Y1t Y2t el
sistema podría ser expandido para incluir g variables, Y1t, Y2t, Y3t,….. Ygt,
cada una de las cuales pueden tener una ecuación.

Otra faceta de los modelos VAR es lo compacto de su expresión. Por
ejemplo para la notación explicada arriba de aplicarse una notación
donde k=1 (rezagos) cada variable depende sólo de los valores previos
de y1t y y2t más un término de error:
Y1t= β10 + β11 y1t-1 + α11 y2t-1 + u1t
Y2t= β20 + β21 y2t-1 + α21 y1t-1 + u2t
CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta.

O más compactamente como:
Y1t = β10 + β1 y1t-1 + ut
(gx1) (gx1) (gxg gx1) (gx1)
Donde g=2
CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta.
Ventajas de la modelación VAR:
Modelos VAR poseen algunas ventajas en comparación con modelos
de series de tiempo univariadas o modelos estructurales de ecuaciones
simultáneas:
1.- El Investigador no necesita especificar cuáles variables con
endógenas o exógenas (todas son endógenas) No imponer requiere
restricciones.
2.- VAR permite que el valor de la variable depende en más que
sus propios rezagos (AR) o combinaciones de términos de error
(MA) white noise (incorrelacionados). Los VAR son mas flexibles
que los modelos univariados autoregresivos (AR) éstos últimos
serían como casos restringidos de VAR. Otra característica es que
los modelos VAR pueden ofrecer una estructura muy rica lo que
implica que podrían ser capaces de capturar más características de
la data.
CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta.
3.- Las estimaciones (Forecast) generados por los modelos VAR son
frecuentemente mejores que los modelos estructurados clásicos.
Modelos estructurados de larga escala presentan una peor
actuación en términos de la precisión en la estimación fuera de la
muestra, lo cual podría derivarse de la naturaleza ad hoc de las
restricciones establecidas en los modelos estructurales para
asegurar la identificación. Por ejemplo la tasa de desempleo en
EEUU y el PIB real se producen con mayor precisión usando VAR,
en comparación con diferentes especificaciones estructurales.
CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta.
Desventajas
1.- VAR son a-teóricos (como lo son los modelos ARMA) desde que
ellos utilizan muy poca información teórica acerca de la relación entre
las variables para dar una guía de especificación del modelo. Tampoco
se tiene claro cómo los coeficientes estimados deberán ser
interpretados.
2.- Determinación del Número de rezagos apropiados.
3.- Muchos parámetros. Por ejemplo si hay 3 variables (g) y 3 rezagos
(k) por cada uno habrá 30 parámetros (g+kg2
) para ser estimados y para
muestras con pocos datos los grados de libertad se consumen estos
datos, lo que implica errores estándar elevados y poca confianza en los
coeficientes del modelo.
CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta.
Desventajas (cont.)
4.- Necesidad de que la data sea estacionaria. Para examinar en
forma individual (pruebas t) como global (pruebas F) la significancia
estadística de los coeficientes. Muchos proponentes consideran que
diferenciando la data para inducir estacionariedad no debería ser hecho
porque desperdicia información sobre la relación a largo plazo entre las
series. Es posible combinar datos en niveles con primeras diferencias
en modelos VECM.
CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta.
Pruebas de causalidad y significancia de bloque.
Como los modelos VAR incluyen muchos rezagos de las variables se
hace difícil determinar cuál set de variables tienen efectos significantes
en cada variable dependiente y en cuales no. Para manejar esta
situación las pruebas son conducidas restringiendo todos los rezagos
de una variable particular a cero. (rezagos de y1t no explica valores
actuales de y2t) y1 Granger Causality y2 pero no viceversa podríamos
decir que y1 es fuertemente exógena (y1 y y2 son independientes).
Causalidad de Granger significa CORRELACIÓN entre los valores
presentes de una variable en relación con los valores pasados de otras
no significa que movimientos en una variable causan movimientos en
otras. Ho restricciones implícitas β21 =0, δ21 =0 y ρ21 =0
Y1t= α10 + β11 y1t-1 + β12 y2t-1 + ρ11 y1t-2 + ρ12 y2t-2 +δ11 y1t-3 + δ12 y2t-3 + u1t
Y2t= α20 + β21 y1t-1 + β22 y2t-1 + ρ21 y1t-2 + ρ22 y2t-2 +δ21 y1t-3 + δ22 y2t-3 + u2t
CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta.
Pruebas de causalidad y significancia de bloque.
Y1t= α10 + β11 y1t-1 + β12 y2t-1 + ρ11 y1t-2 + ρ12 y2t-2 +δ11 y1t-3 + δ12 y2t-3 + u1t
Y2t= α20 + β21 y1t-1 + β22 y2t-1 + ρ21 y1t-2 + ρ22 y2t-2 +δ21 y1t-3 + δ22 y2t-3 + u2t
Las pruebas de significancia global de las hipótesis pueden ser fácilmente
comprobadas dentro del esquema de pruebas F desde que cada set
individual de restricciones envuelve retiros de parámetros desde sólo una
ecuación. Estas pruebas descritas arriba podrían también ser referidas
como test de causalidad, las cuales fueron descritas por Granger (1969) y
con una ligera variante debido a Sims (1972). Pruebas de causalidad busca
responder preguntas sencillas del tipo: Cambios en y1 causa y2. El
argumento sigue que si y1 causa y2 entonces los rezagos de y1 deben ser
significantes en la ecuación para y2. Si este es el caso y no viceversa, se
puede decir que y1 Granger causa y2 o que existe causalidad
unidireccional de y1 a y2. de otra modo si y2 causa y1, lags (rezagos) de
y2 deben ser significativos en la ecuación para y1. Si ambos sets de
rezagos son significantes existe causalidad bidireccional . Caso contrario es
CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta.
Pruebas de causalidad y significancia de bloque.
Causalidad significa sólo una correlación entre el valor corriente de una
variable y los valores pasados de otras, no significa que movimientos de
una variable causa movimientos en otra.
CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta.
Ejemplo de Pruebas de causalidad y significancia de bloque.
Para estudiar si los rezagos de una variable pueden explicar otra variable dependiente.
Se corrió una prueba de Granger causalidad el cual muestra, prima facie, exogenidad de
un modelo de series de tiempo. Modelo para evidenciar causalidad entre Cartera de
Crédito Bruta a precios constantes con PIB no petrolero real (1997-2015).
a.- Se evidencia una baja probabilidad de no causalidad entre los rezagos de la variación absoluta del
logaritmo de la cartera de crédito bruta a precios constantes y la variación logarítmica de PIB no
petrolero en Venezuela.
Variaciones en el PIB (no petrolero a precios constantes) genera variaciones en la cartera de crédito
bruta a precios constantes (por su casi cero probabilidad de no causalidad: 3,E-06). Esta relación es
unidireccional desde PIB a CCB, no viceversa.
Por su parte, la variación de la cartera de crédito bruta a precios constantes no genera crecimiento en
el PIB no petrolero (p. constantes). Existe un 26,34% de probabilidad (muy por encima del Nivel de
Significancia del 5%) de no presentar causalidad.
El crecimiento de la actividad no petrolera impulsa la cartera de
créditos de las instituciones bancarias, no en sentido contrario, al
evidenciarse econométricamente, causalidad unidireccional entre
PIB no petrolero a precios constantes y la cartera de crédito Bruta
en términos reales.
Conclusiones de la causalidad de Granger
CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta.
Impulso respuesta y descomposiciones de la varianza.
Pruebas F de significancia global en VAR no son capaces de explicar el
signo de la relación y cuanto tiempo esos efectos toman.
Impulso respuesta
Grado de respuesta de la variable dependiente de un modelo VAR ante
shocks en cada una de las variables. Así, un shock de una unidad es
aplicada al error y se notan los efectos en el sistema VAR en el tiempo.
Si hay g variables en el sistema un total de g2
análisis de impulso
respuesta son generados. Se expresaría un VAR como un VMA (vector
de promedios móviles) el cual si el sistema es estable los shocks
gradualmente se reducen.
CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta.
Impulso respuesta
CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta.
Descomposición de la varianza.
Proporción de los movimientos en las variables dependientes los cuales
son debidos a sus propios shocks, versus shocks en otras variables.
Un shock en la 2ª variable directamente afecta esa variable pero
también es transmitido para todas las otras variables del sistema a
través de la estructura dinámica del VAR.
Determina cuánto de la varianza del error de estimación s está siendo
explicado por shocks o innovaciones en cada variable explicatoria para
s=1 ,2, … En la práctica las propias series del shock explican la mayoría
del error de estimación de la varianza de las series en el VAR.
La Descomposición de la varianza nos da información sobre la relativa
importancia de cada shock a las variables en el VAR.
Para calcular impulso respuesta y descomposición de la varianza el
orden de las variables es importante. Teorías financieras son una
buena fuente para el ordenamiento.
CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta.
Ejemplo de Descomposición de la varianza.
CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta.
El error de estimación de la inflación es principalmente afectado por sus
propias innovaciones en la varianza de la inflación (expectativas en
DLCPI). Este efecto tiene su más alta importancia en el primer mes
cuando alcanzó 100% del total y a través de los meses, los efectos se
reducen continuamente, dando espacio a la otra variable en
importancia: El log del tipo de cambio real (LREXCHRATE), el cual
comienza en el segundo mes con 19.21%, incrementándose a través
del tiempo. Como podemos ver en la tabla anterior, el log de los gastos
gubernamentales en términos reales tiene un efecto débil.
Es como un R22
parcial para el error de pronóstico, para un horizonte de
pronóstico. Puede interpretarse como la proporción del error del
pronóstico que es explicada por el error de la otra variable.
CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta.
Vínculos Web sobre cursos (Webinars) sobre modelos VAR:
Introducción a la Modelación Multivariada de Series de Tiempo con
Vectores Autorregresivos (Var) en EViews¨.
http://software-videos.com/1577/

Más contenido relacionado

La actualidad más candente

Exposición grupo 2. elasticidad arco y punto
Exposición grupo 2. elasticidad arco y puntoExposición grupo 2. elasticidad arco y punto
Exposición grupo 2. elasticidad arco y puntoCristina
 
Solucionario macroeconomía - josé de gregorio.
Solucionario macroeconomía  - josé de gregorio.Solucionario macroeconomía  - josé de gregorio.
Solucionario macroeconomía - josé de gregorio.jackn15g
 
Ejemplos modelos econometricos
Ejemplos modelos econometricosEjemplos modelos econometricos
Ejemplos modelos econometricosSam Wilson
 
Mercado de Dinero
Mercado de DineroMercado de Dinero
Mercado de DineroKarime Qz
 
Analisis de la inflacion en el peru
Analisis de la inflacion en el peruAnalisis de la inflacion en el peru
Analisis de la inflacion en el peruEvgueni Montesinos
 
Capítulo 18 Las externalidades y los bienes públicos
Capítulo 18 Las externalidades y los bienes públicosCapítulo 18 Las externalidades y los bienes públicos
Capítulo 18 Las externalidades y los bienes públicosDannyMendoza1981
 
Modulo 1 regresión y series temporales
Modulo 1  regresión y  series temporalesModulo 1  regresión y  series temporales
Modulo 1 regresión y series temporalesidea
 
Ratios Financieros
Ratios FinancierosRatios Financieros
Ratios Financierosloc3578
 
La elasticidad y sus aplicaciones
La elasticidad y sus aplicacionesLa elasticidad y sus aplicaciones
La elasticidad y sus aplicacionesKatherin Rinkón
 
Determinantes de la elasticidad precio de la demanda
Determinantes de la elasticidad precio de la demandaDeterminantes de la elasticidad precio de la demanda
Determinantes de la elasticidad precio de la demandaGabriel Meneses
 
Formas funcionales de los modelos de regresión
Formas funcionales de los modelos de regresiónFormas funcionales de los modelos de regresión
Formas funcionales de los modelos de regresiónchrisrgt1999
 
Modelos económicos - Proteccionismo de Estado, economía planificada y modelo ...
Modelos económicos - Proteccionismo de Estado, economía planificada y modelo ...Modelos económicos - Proteccionismo de Estado, economía planificada y modelo ...
Modelos económicos - Proteccionismo de Estado, economía planificada y modelo ...Edison Aunca Usuga
 
Unidad10 la politica fiscal
Unidad10 la politica fiscalUnidad10 la politica fiscal
Unidad10 la politica fiscalsecedudis
 
Preguntas tipo test_macroeconomia_i_ade
Preguntas tipo test_macroeconomia_i_adePreguntas tipo test_macroeconomia_i_ade
Preguntas tipo test_macroeconomia_i_adeKatherine Flores
 

La actualidad más candente (20)

Exposición grupo 2. elasticidad arco y punto
Exposición grupo 2. elasticidad arco y puntoExposición grupo 2. elasticidad arco y punto
Exposición grupo 2. elasticidad arco y punto
 
Solucionario macroeconomía - josé de gregorio.
Solucionario macroeconomía  - josé de gregorio.Solucionario macroeconomía  - josé de gregorio.
Solucionario macroeconomía - josé de gregorio.
 
Ejemplos modelos econometricos
Ejemplos modelos econometricosEjemplos modelos econometricos
Ejemplos modelos econometricos
 
Inflación
InflaciónInflación
Inflación
 
Mercado de Dinero
Mercado de DineroMercado de Dinero
Mercado de Dinero
 
Sesion 4 curvas de indiferencia
Sesion 4 curvas de indiferenciaSesion 4 curvas de indiferencia
Sesion 4 curvas de indiferencia
 
El Modelo IS-LM
El Modelo IS-LMEl Modelo IS-LM
El Modelo IS-LM
 
Analisis de la inflacion en el peru
Analisis de la inflacion en el peruAnalisis de la inflacion en el peru
Analisis de la inflacion en el peru
 
Capítulo 18 Las externalidades y los bienes públicos
Capítulo 18 Las externalidades y los bienes públicosCapítulo 18 Las externalidades y los bienes públicos
Capítulo 18 Las externalidades y los bienes públicos
 
Econometria
EconometriaEconometria
Econometria
 
Blanchard
BlanchardBlanchard
Blanchard
 
Modulo 1 regresión y series temporales
Modulo 1  regresión y  series temporalesModulo 1  regresión y  series temporales
Modulo 1 regresión y series temporales
 
Teoria de los_juegos_completa
Teoria de los_juegos_completaTeoria de los_juegos_completa
Teoria de los_juegos_completa
 
Ratios Financieros
Ratios FinancierosRatios Financieros
Ratios Financieros
 
La elasticidad y sus aplicaciones
La elasticidad y sus aplicacionesLa elasticidad y sus aplicaciones
La elasticidad y sus aplicaciones
 
Determinantes de la elasticidad precio de la demanda
Determinantes de la elasticidad precio de la demandaDeterminantes de la elasticidad precio de la demanda
Determinantes de la elasticidad precio de la demanda
 
Formas funcionales de los modelos de regresión
Formas funcionales de los modelos de regresiónFormas funcionales de los modelos de regresión
Formas funcionales de los modelos de regresión
 
Modelos económicos - Proteccionismo de Estado, economía planificada y modelo ...
Modelos económicos - Proteccionismo de Estado, economía planificada y modelo ...Modelos económicos - Proteccionismo de Estado, economía planificada y modelo ...
Modelos económicos - Proteccionismo de Estado, economía planificada y modelo ...
 
Unidad10 la politica fiscal
Unidad10 la politica fiscalUnidad10 la politica fiscal
Unidad10 la politica fiscal
 
Preguntas tipo test_macroeconomia_i_ade
Preguntas tipo test_macroeconomia_i_adePreguntas tipo test_macroeconomia_i_ade
Preguntas tipo test_macroeconomia_i_ade
 

Similar a Capítulo iv econometría var

Capítulo iii modelos univariados de series de tiempo
Capítulo iii modelos univariados de series de tiempoCapítulo iii modelos univariados de series de tiempo
Capítulo iii modelos univariados de series de tiempoElder Javier Nunes Pereira
 
Curso de-econometria-basica
Curso de-econometria-basicaCurso de-econometria-basica
Curso de-econometria-basicavestaoriginal
 
Tema IV Tecnicas de Pronostico Grupo 6.pptx
Tema IV Tecnicas de Pronostico Grupo 6.pptxTema IV Tecnicas de Pronostico Grupo 6.pptx
Tema IV Tecnicas de Pronostico Grupo 6.pptxosdalysmar
 
Econometria i
Econometria iEconometria i
Econometria iyoesra
 
Econometria i
Econometria iEconometria i
Econometria itarrgo
 
Tema 9.pdf
Tema 9.pdfTema 9.pdf
Tema 9.pdfRenanPM1
 
Cap3. violacion modelo-regresión multiple-2011
Cap3. violacion modelo-regresión multiple-2011Cap3. violacion modelo-regresión multiple-2011
Cap3. violacion modelo-regresión multiple-2011Noemi Zapata
 
Regresion aplicada a la ingenieria
Regresion aplicada a la ingenieriaRegresion aplicada a la ingenieria
Regresion aplicada a la ingenieriaBryanRoyCordovaGomez
 
Modelos de regresión lineales y no lineales au aplicación en problemas de ing...
Modelos de regresión lineales y no lineales au aplicación en problemas de ing...Modelos de regresión lineales y no lineales au aplicación en problemas de ing...
Modelos de regresión lineales y no lineales au aplicación en problemas de ing...Néstor Valles Villarreal
 
4 Modelos autorregresivos.pdf
4 Modelos autorregresivos.pdf4 Modelos autorregresivos.pdf
4 Modelos autorregresivos.pdfJoseFlores569854
 
Modelos de regresión con variables dicótomas
Modelos de regresión con variables dicótomasModelos de regresión con variables dicótomas
Modelos de regresión con variables dicótomasUTPL UTPL
 
Qué puede aportar la econometría a mi estrategia de marketing online (parte 1)
Qué puede aportar la econometría a mi estrategia de marketing online (parte 1)Qué puede aportar la econometría a mi estrategia de marketing online (parte 1)
Qué puede aportar la econometría a mi estrategia de marketing online (parte 1)Álvaro Fierro
 
Clase 8, modelos_no_lineales_de_regresión
Clase 8, modelos_no_lineales_de_regresiónClase 8, modelos_no_lineales_de_regresión
Clase 8, modelos_no_lineales_de_regresiónHugo Maul
 
Regresión lineal multiple autores grillet montaño rodríguez
Regresión lineal multiple  autores grillet montaño rodríguezRegresión lineal multiple  autores grillet montaño rodríguez
Regresión lineal multiple autores grillet montaño rodríguezthomas669
 
Regresión lineal multiple autores grillet montaño rodríguez
Regresión lineal multiple  autores grillet montaño rodríguezRegresión lineal multiple  autores grillet montaño rodríguez
Regresión lineal multiple autores grillet montaño rodríguezthomas669
 
Presentacion analisis de regresion
Presentacion analisis de regresionPresentacion analisis de regresion
Presentacion analisis de regresion0KA
 
diagnosis de la regresion
diagnosis de la regresiondiagnosis de la regresion
diagnosis de la regresioncarlosjardon
 

Similar a Capítulo iv econometría var (20)

Capítulo v cointegración
Capítulo v cointegraciónCapítulo v cointegración
Capítulo v cointegración
 
Capítulo iii modelos univariados de series de tiempo
Capítulo iii modelos univariados de series de tiempoCapítulo iii modelos univariados de series de tiempo
Capítulo iii modelos univariados de series de tiempo
 
Curso de-econometria-basica
Curso de-econometria-basicaCurso de-econometria-basica
Curso de-econometria-basica
 
Tema IV Tecnicas de Pronostico Grupo 6.pptx
Tema IV Tecnicas de Pronostico Grupo 6.pptxTema IV Tecnicas de Pronostico Grupo 6.pptx
Tema IV Tecnicas de Pronostico Grupo 6.pptx
 
Econometria i
Econometria iEconometria i
Econometria i
 
Econometria i
Econometria iEconometria i
Econometria i
 
Tema 9.pdf
Tema 9.pdfTema 9.pdf
Tema 9.pdf
 
Cap3. violacion modelo-regresión multiple-2011
Cap3. violacion modelo-regresión multiple-2011Cap3. violacion modelo-regresión multiple-2011
Cap3. violacion modelo-regresión multiple-2011
 
Lm
LmLm
Lm
 
Regresion aplicada a la ingenieria
Regresion aplicada a la ingenieriaRegresion aplicada a la ingenieria
Regresion aplicada a la ingenieria
 
Modelos de regresión lineales y no lineales au aplicación en problemas de ing...
Modelos de regresión lineales y no lineales au aplicación en problemas de ing...Modelos de regresión lineales y no lineales au aplicación en problemas de ing...
Modelos de regresión lineales y no lineales au aplicación en problemas de ing...
 
4 Modelos autorregresivos.pdf
4 Modelos autorregresivos.pdf4 Modelos autorregresivos.pdf
4 Modelos autorregresivos.pdf
 
Modelos de regresión con variables dicótomas
Modelos de regresión con variables dicótomasModelos de regresión con variables dicótomas
Modelos de regresión con variables dicótomas
 
Qué puede aportar la econometría a mi estrategia de marketing online (parte 1)
Qué puede aportar la econometría a mi estrategia de marketing online (parte 1)Qué puede aportar la econometría a mi estrategia de marketing online (parte 1)
Qué puede aportar la econometría a mi estrategia de marketing online (parte 1)
 
Capítulo vi arch garch
Capítulo vi  arch garchCapítulo vi  arch garch
Capítulo vi arch garch
 
Clase 8, modelos_no_lineales_de_regresión
Clase 8, modelos_no_lineales_de_regresiónClase 8, modelos_no_lineales_de_regresión
Clase 8, modelos_no_lineales_de_regresión
 
Regresión lineal multiple autores grillet montaño rodríguez
Regresión lineal multiple  autores grillet montaño rodríguezRegresión lineal multiple  autores grillet montaño rodríguez
Regresión lineal multiple autores grillet montaño rodríguez
 
Regresión lineal multiple autores grillet montaño rodríguez
Regresión lineal multiple  autores grillet montaño rodríguezRegresión lineal multiple  autores grillet montaño rodríguez
Regresión lineal multiple autores grillet montaño rodríguez
 
Presentacion analisis de regresion
Presentacion analisis de regresionPresentacion analisis de regresion
Presentacion analisis de regresion
 
diagnosis de la regresion
diagnosis de la regresiondiagnosis de la regresion
diagnosis de la regresion
 

Último

Gestión Financiera. Rentas financieras constantes
Gestión Financiera. Rentas financieras constantesGestión Financiera. Rentas financieras constantes
Gestión Financiera. Rentas financieras constantesJuan Carlos Mira Navarro
 
Gestión Financiera. Operaciones Financieras
Gestión Financiera. Operaciones FinancierasGestión Financiera. Operaciones Financieras
Gestión Financiera. Operaciones FinancierasJuan Carlos Mira Navarro
 
MAPA CONCEPTUAL ECONOMIA, MICRO Y MACROECONOMIA
MAPA CONCEPTUAL ECONOMIA, MICRO Y MACROECONOMIAMAPA CONCEPTUAL ECONOMIA, MICRO Y MACROECONOMIA
MAPA CONCEPTUAL ECONOMIA, MICRO Y MACROECONOMIAjgonzalez051193
 
Gestión Financiera. Operaciones a corto plazo
Gestión Financiera. Operaciones a corto plazoGestión Financiera. Operaciones a corto plazo
Gestión Financiera. Operaciones a corto plazoJuan Carlos Mira Navarro
 
Gestión Financiera. Matemática de las operaciones financieras
Gestión Financiera. Matemática de las operaciones financierasGestión Financiera. Matemática de las operaciones financieras
Gestión Financiera. Matemática de las operaciones financierasJuan Carlos Mira Navarro
 
Lengua y sueños mesoamericanos-Armas de resistencia
Lengua y sueños mesoamericanos-Armas de resistenciaLengua y sueños mesoamericanos-Armas de resistencia
Lengua y sueños mesoamericanos-Armas de resistenciajccastrejon
 
Horas Extras y mano de obra.pdf EN COLOMBIA Y EL MUNDO
Horas Extras y mano de obra.pdf EN COLOMBIA Y EL MUNDOHoras Extras y mano de obra.pdf EN COLOMBIA Y EL MUNDO
Horas Extras y mano de obra.pdf EN COLOMBIA Y EL MUNDOshirly93463
 
Gestión Financiera. Rentas fraccionadas y variables
Gestión Financiera. Rentas fraccionadas y variablesGestión Financiera. Rentas fraccionadas y variables
Gestión Financiera. Rentas fraccionadas y variablesJuan Carlos Mira Navarro
 
Gestión Financiera. Capitalización y descuento compuesto
Gestión Financiera. Capitalización y descuento compuestoGestión Financiera. Capitalización y descuento compuesto
Gestión Financiera. Capitalización y descuento compuestoJuan Carlos Mira Navarro
 
Gestión Financiera. Financiación externa de la empresa
Gestión Financiera. Financiación externa de la empresaGestión Financiera. Financiación externa de la empresa
Gestión Financiera. Financiación externa de la empresaJuan Carlos Mira Navarro
 
CARE ECONOMY: LA VIEJA Y NUEVA ECONOMIA DE LOS CUIDADOS.
CARE ECONOMY: LA VIEJA Y NUEVA ECONOMIA DE LOS CUIDADOS.CARE ECONOMY: LA VIEJA Y NUEVA ECONOMIA DE LOS CUIDADOS.
CARE ECONOMY: LA VIEJA Y NUEVA ECONOMIA DE LOS CUIDADOS.ManfredNolte
 
0 Presentación Metodología de las ciencias sociales-Rotman-Paternal.pptx
0 Presentación Metodología de las ciencias sociales-Rotman-Paternal.pptx0 Presentación Metodología de las ciencias sociales-Rotman-Paternal.pptx
0 Presentación Metodología de las ciencias sociales-Rotman-Paternal.pptxMaría Cristina Spadaro
 
APLICACION_DIRECTIVAS_TESORERIA.pdf Sistema integrado
APLICACION_DIRECTIVAS_TESORERIA.pdf Sistema integradoAPLICACION_DIRECTIVAS_TESORERIA.pdf Sistema integrado
APLICACION_DIRECTIVAS_TESORERIA.pdf Sistema integradoTaniaCruzInga
 
Gestión Financiera. Operaciones de constitución. Préstamos
Gestión Financiera. Operaciones de constitución. PréstamosGestión Financiera. Operaciones de constitución. Préstamos
Gestión Financiera. Operaciones de constitución. PréstamosJuan Carlos Mira Navarro
 
Gestión Financiera. Títulos valores: operaciones bursátiles
Gestión Financiera. Títulos valores: operaciones bursátilesGestión Financiera. Títulos valores: operaciones bursátiles
Gestión Financiera. Títulos valores: operaciones bursátilesJuan Carlos Mira Navarro
 
Gestión Financiera. Capitalización y descuento simple
Gestión Financiera. Capitalización y descuento simpleGestión Financiera. Capitalización y descuento simple
Gestión Financiera. Capitalización y descuento simpleJuan Carlos Mira Navarro
 

Último (16)

Gestión Financiera. Rentas financieras constantes
Gestión Financiera. Rentas financieras constantesGestión Financiera. Rentas financieras constantes
Gestión Financiera. Rentas financieras constantes
 
Gestión Financiera. Operaciones Financieras
Gestión Financiera. Operaciones FinancierasGestión Financiera. Operaciones Financieras
Gestión Financiera. Operaciones Financieras
 
MAPA CONCEPTUAL ECONOMIA, MICRO Y MACROECONOMIA
MAPA CONCEPTUAL ECONOMIA, MICRO Y MACROECONOMIAMAPA CONCEPTUAL ECONOMIA, MICRO Y MACROECONOMIA
MAPA CONCEPTUAL ECONOMIA, MICRO Y MACROECONOMIA
 
Gestión Financiera. Operaciones a corto plazo
Gestión Financiera. Operaciones a corto plazoGestión Financiera. Operaciones a corto plazo
Gestión Financiera. Operaciones a corto plazo
 
Gestión Financiera. Matemática de las operaciones financieras
Gestión Financiera. Matemática de las operaciones financierasGestión Financiera. Matemática de las operaciones financieras
Gestión Financiera. Matemática de las operaciones financieras
 
Lengua y sueños mesoamericanos-Armas de resistencia
Lengua y sueños mesoamericanos-Armas de resistenciaLengua y sueños mesoamericanos-Armas de resistencia
Lengua y sueños mesoamericanos-Armas de resistencia
 
Horas Extras y mano de obra.pdf EN COLOMBIA Y EL MUNDO
Horas Extras y mano de obra.pdf EN COLOMBIA Y EL MUNDOHoras Extras y mano de obra.pdf EN COLOMBIA Y EL MUNDO
Horas Extras y mano de obra.pdf EN COLOMBIA Y EL MUNDO
 
Gestión Financiera. Rentas fraccionadas y variables
Gestión Financiera. Rentas fraccionadas y variablesGestión Financiera. Rentas fraccionadas y variables
Gestión Financiera. Rentas fraccionadas y variables
 
Gestión Financiera. Capitalización y descuento compuesto
Gestión Financiera. Capitalización y descuento compuestoGestión Financiera. Capitalización y descuento compuesto
Gestión Financiera. Capitalización y descuento compuesto
 
Gestión Financiera. Financiación externa de la empresa
Gestión Financiera. Financiación externa de la empresaGestión Financiera. Financiación externa de la empresa
Gestión Financiera. Financiación externa de la empresa
 
CARE ECONOMY: LA VIEJA Y NUEVA ECONOMIA DE LOS CUIDADOS.
CARE ECONOMY: LA VIEJA Y NUEVA ECONOMIA DE LOS CUIDADOS.CARE ECONOMY: LA VIEJA Y NUEVA ECONOMIA DE LOS CUIDADOS.
CARE ECONOMY: LA VIEJA Y NUEVA ECONOMIA DE LOS CUIDADOS.
 
0 Presentación Metodología de las ciencias sociales-Rotman-Paternal.pptx
0 Presentación Metodología de las ciencias sociales-Rotman-Paternal.pptx0 Presentación Metodología de las ciencias sociales-Rotman-Paternal.pptx
0 Presentación Metodología de las ciencias sociales-Rotman-Paternal.pptx
 
APLICACION_DIRECTIVAS_TESORERIA.pdf Sistema integrado
APLICACION_DIRECTIVAS_TESORERIA.pdf Sistema integradoAPLICACION_DIRECTIVAS_TESORERIA.pdf Sistema integrado
APLICACION_DIRECTIVAS_TESORERIA.pdf Sistema integrado
 
Gestión Financiera. Operaciones de constitución. Préstamos
Gestión Financiera. Operaciones de constitución. PréstamosGestión Financiera. Operaciones de constitución. Préstamos
Gestión Financiera. Operaciones de constitución. Préstamos
 
Gestión Financiera. Títulos valores: operaciones bursátiles
Gestión Financiera. Títulos valores: operaciones bursátilesGestión Financiera. Títulos valores: operaciones bursátiles
Gestión Financiera. Títulos valores: operaciones bursátiles
 
Gestión Financiera. Capitalización y descuento simple
Gestión Financiera. Capitalización y descuento simpleGestión Financiera. Capitalización y descuento simple
Gestión Financiera. Capitalización y descuento simple
 

Capítulo iv econometría var

  • 1. CURSO: INTRODUCCIÓN A LA ECONOMETRÍA APLICADA A LAS FINANZAS VECTORES AUTORREGSIVOS. 23 de junio de 2016
  • 2. OBJETIVOS Y ESQUEMA Objetivos. Proveer herramientas básicas de econometría y su aplicación directa a las finanzas. Capítulo 4: Modelos multivariados. Ecuaciones simultáneas, Modelos de vectores autorregresivos, análisis de Impulso - Respuesta, etc.
  • 3. CAPÍTULO IV. Modelos Multivariados. Eq. Simultáneas. VAR. Imp-resp  Una de los supuestos del modelo clásico de regresión lineal es que las variables explicatorias no sean estocásticas o fijas en muestras repetidas. Todas las variables X se asumen exógenas (determinadas fuera de la ecuación o que el modelo está condicionado en las variables X). Causalidad corre desde X que afecta a Y, pero no viceversa.  Pero en ecuaciones simultáneas el precio afecta cantidades pero también cantidades afectan precio. No es posible estimarlos por Mínimos Cuadrados Ordinarios MCO (OLS) sino en forma separada. Pero separadamente ambas ecuaciones dependen de P y P es relacionada con sus errores (estocástica). Supuesto de E(X, u) = 0 es violado. (sesgo de ecuaciones simultáneas). Los estimadores son inconsistentes (muestras más grande no sirve de mucho) así como sesgados (no sirven los parámetros).
  • 4. CAPÍTULO IV. Modelos Multivariados. Eq. Simultáneas. VAR. Imp-resp  Pero las ecuaciones simultáneas son más relevantes que las ecuaciones simples  Ejemplos de trabajos FMI WP/10/118 2010: The linkage between the oil and the non-oil sectors - a panel VAR approach, Klein, Nir  Modelando spreads Bid-ask y actividad de trading con el S&P100 de Chris Brooks  El Sistema Financiero Venezolano ¿Qué Compromete su desempeño? BCV Documentos de Trabajo No.139 Dic. 2012.  Guerra, J., V. Olivo, et al. (1999). "The inflationary process in Venezuela: An study of Autoregressive Vectors." Working documents. Central Bank of Venezuela.  Interacción entre los rendimientos en el mercado inmobiliario y la macroeconomía. • Relaciones entre las tasas de interés y el dinero y la inflación.
  • 5. CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta.  Popularizados por Sims en 1980 es una generalización natural del modelo Autoregresivo Univariado. VAR es un modelo de sistemas de regresiones (donde hay más de una variable dependiente) que puede ser considerado como un tipo de híbrido entre modelos de series de tiempo y modelos de ecuaciones simultáneas.  VAR es la mejor alternativa para modelos estructurados de ecuaciones simultáneas a larga escala.  El caso más sencillo es el de VAR bivariado en donde hay 2 variables y1t y y2t cada una de las cuales depende de diferentes combinaciones entre valores corrientes y pasados y sus términos de error. y1t = β10 + β11 y1t-1 + … + β1k y1t-k + α11 y2t-1 + … + α1k y2t-k + u1t y2t = β20 + β21 y2t-1 + … + β2k y2t-k + α21 y1t-1 + … + α2k y1t-k + u2t  Donde uit es el término de error white noise (errores incorrelacionados) con E(uit ) = 0, i=1, 2 E(u1t , u2t) = 0
  • 6. CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta.  Una característica importante del término de un modelo VAR es su flexibilidad y la sencillez de generalización. Por ejemplo el modelo podría ser extendido para componer los errores de promedios móviles, los cuales serían una versión multivariada de un modelo ARMA conocido como VARMA. En lugar de tener solo dos variables, Y1t Y2t el sistema podría ser expandido para incluir g variables, Y1t, Y2t, Y3t,….. Ygt, cada una de las cuales pueden tener una ecuación.  Otra faceta de los modelos VAR es lo compacto de su expresión. Por ejemplo para la notación explicada arriba de aplicarse una notación donde k=1 (rezagos) cada variable depende sólo de los valores previos de y1t y y2t más un término de error: Y1t= β10 + β11 y1t-1 + α11 y2t-1 + u1t Y2t= β20 + β21 y2t-1 + α21 y1t-1 + u2t
  • 7. CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta.  O más compactamente como: Y1t = β10 + β1 y1t-1 + ut (gx1) (gx1) (gxg gx1) (gx1) Donde g=2
  • 8. CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta. Ventajas de la modelación VAR: Modelos VAR poseen algunas ventajas en comparación con modelos de series de tiempo univariadas o modelos estructurales de ecuaciones simultáneas: 1.- El Investigador no necesita especificar cuáles variables con endógenas o exógenas (todas son endógenas) No imponer requiere restricciones. 2.- VAR permite que el valor de la variable depende en más que sus propios rezagos (AR) o combinaciones de términos de error (MA) white noise (incorrelacionados). Los VAR son mas flexibles que los modelos univariados autoregresivos (AR) éstos últimos serían como casos restringidos de VAR. Otra característica es que los modelos VAR pueden ofrecer una estructura muy rica lo que implica que podrían ser capaces de capturar más características de la data.
  • 9. CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta. 3.- Las estimaciones (Forecast) generados por los modelos VAR son frecuentemente mejores que los modelos estructurados clásicos. Modelos estructurados de larga escala presentan una peor actuación en términos de la precisión en la estimación fuera de la muestra, lo cual podría derivarse de la naturaleza ad hoc de las restricciones establecidas en los modelos estructurales para asegurar la identificación. Por ejemplo la tasa de desempleo en EEUU y el PIB real se producen con mayor precisión usando VAR, en comparación con diferentes especificaciones estructurales.
  • 10. CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta. Desventajas 1.- VAR son a-teóricos (como lo son los modelos ARMA) desde que ellos utilizan muy poca información teórica acerca de la relación entre las variables para dar una guía de especificación del modelo. Tampoco se tiene claro cómo los coeficientes estimados deberán ser interpretados. 2.- Determinación del Número de rezagos apropiados. 3.- Muchos parámetros. Por ejemplo si hay 3 variables (g) y 3 rezagos (k) por cada uno habrá 30 parámetros (g+kg2 ) para ser estimados y para muestras con pocos datos los grados de libertad se consumen estos datos, lo que implica errores estándar elevados y poca confianza en los coeficientes del modelo.
  • 11. CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta. Desventajas (cont.) 4.- Necesidad de que la data sea estacionaria. Para examinar en forma individual (pruebas t) como global (pruebas F) la significancia estadística de los coeficientes. Muchos proponentes consideran que diferenciando la data para inducir estacionariedad no debería ser hecho porque desperdicia información sobre la relación a largo plazo entre las series. Es posible combinar datos en niveles con primeras diferencias en modelos VECM.
  • 12. CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta. Pruebas de causalidad y significancia de bloque. Como los modelos VAR incluyen muchos rezagos de las variables se hace difícil determinar cuál set de variables tienen efectos significantes en cada variable dependiente y en cuales no. Para manejar esta situación las pruebas son conducidas restringiendo todos los rezagos de una variable particular a cero. (rezagos de y1t no explica valores actuales de y2t) y1 Granger Causality y2 pero no viceversa podríamos decir que y1 es fuertemente exógena (y1 y y2 son independientes). Causalidad de Granger significa CORRELACIÓN entre los valores presentes de una variable en relación con los valores pasados de otras no significa que movimientos en una variable causan movimientos en otras. Ho restricciones implícitas β21 =0, δ21 =0 y ρ21 =0 Y1t= α10 + β11 y1t-1 + β12 y2t-1 + ρ11 y1t-2 + ρ12 y2t-2 +δ11 y1t-3 + δ12 y2t-3 + u1t Y2t= α20 + β21 y1t-1 + β22 y2t-1 + ρ21 y1t-2 + ρ22 y2t-2 +δ21 y1t-3 + δ22 y2t-3 + u2t
  • 13. CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta. Pruebas de causalidad y significancia de bloque. Y1t= α10 + β11 y1t-1 + β12 y2t-1 + ρ11 y1t-2 + ρ12 y2t-2 +δ11 y1t-3 + δ12 y2t-3 + u1t Y2t= α20 + β21 y1t-1 + β22 y2t-1 + ρ21 y1t-2 + ρ22 y2t-2 +δ21 y1t-3 + δ22 y2t-3 + u2t Las pruebas de significancia global de las hipótesis pueden ser fácilmente comprobadas dentro del esquema de pruebas F desde que cada set individual de restricciones envuelve retiros de parámetros desde sólo una ecuación. Estas pruebas descritas arriba podrían también ser referidas como test de causalidad, las cuales fueron descritas por Granger (1969) y con una ligera variante debido a Sims (1972). Pruebas de causalidad busca responder preguntas sencillas del tipo: Cambios en y1 causa y2. El argumento sigue que si y1 causa y2 entonces los rezagos de y1 deben ser significantes en la ecuación para y2. Si este es el caso y no viceversa, se puede decir que y1 Granger causa y2 o que existe causalidad unidireccional de y1 a y2. de otra modo si y2 causa y1, lags (rezagos) de y2 deben ser significativos en la ecuación para y1. Si ambos sets de rezagos son significantes existe causalidad bidireccional . Caso contrario es
  • 14. CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta. Pruebas de causalidad y significancia de bloque. Causalidad significa sólo una correlación entre el valor corriente de una variable y los valores pasados de otras, no significa que movimientos de una variable causa movimientos en otra.
  • 15. CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta. Ejemplo de Pruebas de causalidad y significancia de bloque. Para estudiar si los rezagos de una variable pueden explicar otra variable dependiente. Se corrió una prueba de Granger causalidad el cual muestra, prima facie, exogenidad de un modelo de series de tiempo. Modelo para evidenciar causalidad entre Cartera de Crédito Bruta a precios constantes con PIB no petrolero real (1997-2015). a.- Se evidencia una baja probabilidad de no causalidad entre los rezagos de la variación absoluta del logaritmo de la cartera de crédito bruta a precios constantes y la variación logarítmica de PIB no petrolero en Venezuela. Variaciones en el PIB (no petrolero a precios constantes) genera variaciones en la cartera de crédito bruta a precios constantes (por su casi cero probabilidad de no causalidad: 3,E-06). Esta relación es unidireccional desde PIB a CCB, no viceversa. Por su parte, la variación de la cartera de crédito bruta a precios constantes no genera crecimiento en el PIB no petrolero (p. constantes). Existe un 26,34% de probabilidad (muy por encima del Nivel de Significancia del 5%) de no presentar causalidad.
  • 16. El crecimiento de la actividad no petrolera impulsa la cartera de créditos de las instituciones bancarias, no en sentido contrario, al evidenciarse econométricamente, causalidad unidireccional entre PIB no petrolero a precios constantes y la cartera de crédito Bruta en términos reales. Conclusiones de la causalidad de Granger
  • 17. CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta. Impulso respuesta y descomposiciones de la varianza. Pruebas F de significancia global en VAR no son capaces de explicar el signo de la relación y cuanto tiempo esos efectos toman. Impulso respuesta Grado de respuesta de la variable dependiente de un modelo VAR ante shocks en cada una de las variables. Así, un shock de una unidad es aplicada al error y se notan los efectos en el sistema VAR en el tiempo. Si hay g variables en el sistema un total de g2 análisis de impulso respuesta son generados. Se expresaría un VAR como un VMA (vector de promedios móviles) el cual si el sistema es estable los shocks gradualmente se reducen.
  • 18. CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta. Impulso respuesta
  • 19. CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta. Descomposición de la varianza. Proporción de los movimientos en las variables dependientes los cuales son debidos a sus propios shocks, versus shocks en otras variables. Un shock en la 2ª variable directamente afecta esa variable pero también es transmitido para todas las otras variables del sistema a través de la estructura dinámica del VAR. Determina cuánto de la varianza del error de estimación s está siendo explicado por shocks o innovaciones en cada variable explicatoria para s=1 ,2, … En la práctica las propias series del shock explican la mayoría del error de estimación de la varianza de las series en el VAR. La Descomposición de la varianza nos da información sobre la relativa importancia de cada shock a las variables en el VAR. Para calcular impulso respuesta y descomposición de la varianza el orden de las variables es importante. Teorías financieras son una buena fuente para el ordenamiento.
  • 20. CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta. Ejemplo de Descomposición de la varianza.
  • 21. CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta. El error de estimación de la inflación es principalmente afectado por sus propias innovaciones en la varianza de la inflación (expectativas en DLCPI). Este efecto tiene su más alta importancia en el primer mes cuando alcanzó 100% del total y a través de los meses, los efectos se reducen continuamente, dando espacio a la otra variable en importancia: El log del tipo de cambio real (LREXCHRATE), el cual comienza en el segundo mes con 19.21%, incrementándose a través del tiempo. Como podemos ver en la tabla anterior, el log de los gastos gubernamentales en términos reales tiene un efecto débil. Es como un R22 parcial para el error de pronóstico, para un horizonte de pronóstico. Puede interpretarse como la proporción del error del pronóstico que es explicada por el error de la otra variable.
  • 22. CAPÍTULO IV. Vectores Autorregresivos (VAR). Impulso - Respuesta. Vínculos Web sobre cursos (Webinars) sobre modelos VAR: Introducción a la Modelación Multivariada de Series de Tiempo con Vectores Autorregresivos (Var) en EViews¨. http://software-videos.com/1577/