Modelos Vec

1

CAPITULO 2- Parte B. Técnicas Avanzadas de Predicción. Modelos de vectores autorregresivos (VAR). Modelos de vectores de corrección del error (VEC). Modelos autorregresivos y condicionales heterocedásticos (ARCH).
Bibliografía Básica Pulido San Román, A. (2004) Curso combinado de Predicción y Simulación. www.uam.es/predysim. Universidad Autónoma de Madrid. Capítulo 5 Gujarati, D. (2006).Econometría. 4° Edición. Mc Gr aw Hill. México. Capítulos 22. Pindyck, R. y D. Rubinfeld (2001). McGraw Hill. 4° dición. Parte 4, Capítulos 15 a 19. E Pérez López, C. (2006) Econometría. Conceptos y Problemas resueltos de Econometría. Thompson. Capítulo 4.

B. Técnicas Avanzadas de Predicción
■ Abordamos aquí tres técnicas que podemos considerar como avanzadas, tanto por su planteamientometodológico como por lo reciente de su desarrollo. Estas son: los modelos de vectores autorregresivos, los modelos de corrección del error y los modelos autorregresivos condicionales heteroscedásticos. Estas técnicas suponen avances notables en la modelización de fenómenos económicos, tanto por adaptarse a una casuística económica tan variada que precisa de tratamientos específicos, como por resolverproblemas no estudiados hasta no hace mucho. De hecho, aún hoy continúa investigándose sobre refinamientos técnicos. Aun así, el desarrollo de estas técnicas ha sido tan espectacular que ya se han constituido como técnicas habituales a efectos de predicción. Existe ya un acervo suficientemente consolidado sobre las mismas, al tiempo que ya se ha desarrollado su software equivalente. Por todo ello,desarrollaremos cada técnica en un nivel básico y pragmático, acompañadas de un ejercicio práctico de aplicación en EViews. Para seguir las soluciones se adjuntan tres Workfile de EViews denominados Ejercicio 1, Ejercicio 2 y Ejercicio 3. ■ Hemos organizado el acápite en 3 apartados, cada uno con su correspondiente resumen y explicaciones adicionales de conceptos. Se incluyen documentos explicativos,ejercicios de aplicación práctica y el test de autoevaluación. En conjunto consideramos que el aprovechamiento óptimo de la unidad pasa por una dedicación de unas 15 horas. Unas 6 para el estudio de los conceptos teóricos, unas 5 para la realización de los ejercicios, y el resto para la actividad propuesta y la realización del test de autoevaluación.

2

1. Modelos de VectoresAutorregresivos (VAR) Resumen • Hasta el momento hemos abordado la predicción de series de manera individual. En la práctica real a veces es necesario predecir varias series de manera “conjunta” puesto que pueden estar relacionadas entre sí. Una de las posibilidades es afrontarlo con modelos de ecuaciones simultáneas, pero esta opción tiene algunas dificultades. Por ello surgen como alternativa los modelos VAR.• La esencia de los modelos VAR es la siguiente: se propone un sistema de ecuaciones, con tantas ecuaciones como series a analizar o predecir, pero en el que no se distingue entre variables endógenas y exógenas. Así, cada variable es explicada por los retardos de sí misma (como en un modelo AR) y por los retardos de las demás variables. Se configura entonces un sistema de ecuacionesautorregresivas también llamado vector autorregresivo (VAR) • La expresión general de un modelo VAR vendría dada por la siguiente expresión:

donde es un vector con las g variables objeto de predicción (llamémoslas explicadas), es un vector de k variables que explican adicionalmente a las anteriores, los coeficientes alpha y beta son matrices de coeficientes a estimar, y épsilon es un vector deperturbaciones aleatorias (una por ecuación), cada una de las cuales cumple individualmente el supuesto de ruido blanco (homoscedasticidad y ausencia de autocorrelación), y entre ellas cumplen el supuesto de homoscedasticidad inter-ecuaciones. • Así especificado el modelo, puede ser estimado de manera consistente por mínimos cuadrados ordinarios (MCO). La predicción en el modelo es directa.

3

Origen...