MACROECONOMETRÍA. Tema 2: Series temporales. Segundo Cuatrimestre (curso 2006/07), Depto. de Economía, UC3M. Profesor: Genaro Sucarrat

Transcripción

1 MACROECONOMETRÍA Tema 2: Series temporales Segundo Cuatrimestre (curso 2006/07), Depto. de Economía, UC3M Profesor: Genaro Sucarrat (Coordinador: Juan J. Dolado)

2 Conceptos fundamentales: Esperanzas condicionales vs. esperanzas incondicionales Definicón: Autocovarianza de retardo k. La autocovarianza ( autocovariance ) de retardo k de un proceso estocástico, denotado Cov(x t, x t k ), se define como donde µ t = E(x t ) y µ t k = E(x t k ) E[(x t µ t )(x t k µ t k )],

3 Conceptos fundamentales (cont.): Definicón: Estacionariedad débil. Un proceso estocástico es estacionario débil ( weakly stationary ) o estacionario en covarianza ( covariance stationary ) si: E(x t ) = µ para todo t E[(x t µ)(x t k µ)] = γ k para todo t Nota 1: Efectivamente esto significa que ni la media E(x t ) ni la covarianza E[(x t µ)(x t k µ)] dependen del tiempo t. Nota 2: Estacionaridad débil es una propiedad no condicional. Por ejemplo, E(x) es la media no condicional y E(x y) es la media condicional en y, y Cov(x, y) es la covarianza no condicional y Cov(x, y z) es la covarianza condicional en z. Nota 3: Cuando k = 0 entonces E[(x t µ)(x t k µ)] es igual a la varianza E(x t µ) 2 = Var(x t )

4 Conceptos fundamentales (cont.): Definición: Ruido blanco. Se dice que el proceso {ɛ t } es ruido blanco ( white noise ) si: E(ɛ t ) = 0 Var(ɛ t ) = E(ɛ 2 t ) = σ 2 Para todo i j : Cov(ɛ i ɛ j ) = E(ɛ i ɛ j ) = 0 Notación: ɛ t WN Ruido blanco Gaussiano: Para todo t, ɛ t N(0, σ 2 )

5 Modelos ARMA: Definición: Modelo ARMA. Un modelo autoregresivo-media móvil ( autoregressive moving average ARMA) de una serie estacionaria débil {y t } tiene la forma: y t = φ 0 + p φ i y t i + i=1 donde el proceso {ɛ t } es ruido blanco. q θ j ɛ t j, Este modelo se denota como ARMA(p, q), y normalmente se normaliza θ 0 a 1 Nota: si hay que diferenciar la serie para que sea estacionaria entonces a veces se usa la terminología ARIMA(p, d, q), donde d es el orden de integración j=0

6 Modelos ARMA (cont.): Con p = 0 obtendremos el modelo MA(q): y t = φ 0 + q θ j ɛ t j = φ 0 + (1 + θ 1 L + + θ q L q )ɛ t j=0 donde {ɛ t } es ruido blanco y donde θ 0 = 1 µ = E(y t ) = φ 0 γ 0 = Var(y t ) = (1 + θ θ2 q)σ 2 γ k = Cov(y t, y t k ) = { (θk + θ k+1 θ θ q θ q 1 )σ 2, k = 1,..., q 0 para k > q Es el modelo MA(q) estacionario? Si

7 Modelos ARMA (cont.): Con p = 0 y q, obtendremos el modelo MA( ): y t = φ 0 + θ j ɛ t j = φ 0 + (1 + θ 1 L + θ 2 L 2 + )ɛ t j=0 donde {ɛ t } es ruido blanco y donde θ 0 = 1 Cómo podemos saber si MA( ) es un proceso estacionario? Cualquiera de las condiciones siguientes es suficiente: a) j=0 θ2 j < b) j=0 θ j <

8 Modelos ARMA (cont.): Esperanzas incondicionales del MA( ): µ = φ 0 γ 0 = σ 2 (θ θ2 1 + θ2 2 + ) γ k = σ 2 (θ k θ 0 + θ k+1 θ 1 + θ k+2 θ 2 + ) Implicación: todos los modelos MA(q) con q < son estacionarios

9 Modelos ARMA (cont.): Con q = 0 obtendremos el modelo AR(p): y t = φ 0 + p φ i y t i + ɛ t = φ 0 + (φ 1 L + + φ p L p )y t + ɛ t i=1 Si todas las raíces características del polinomio (1 φ 1 L φ p L p ) están fuera del círculo unidad, entonces: El modelo AR(p) se puede escribir/representar como un modelo MA( ): y t = φ 0 1 φ 1 φ p φ 1 L φ pl p ɛ t El modelo AR(p) es estable y estacionario

10 Entonces, tenemos que: Modelos ARMA (cont.): µ = φ 0 1 φ 1 φ p γ 0 = φ 1 γ φ p γ p + σ 2 γ k = φ k γ k φ p γ k p

11 Modelos ARMA (cont.): Más generalmente, un modelo ARMA(p, q): y t = φ 0 + p φ i y t i + i=1 q θ j ɛ t j es estable/estacionario si todas las raíces características del polinomio (1 φ 1 L φ p L p ) están fuera del círculo unidad Además, un modelo ARMA(p, q) estable se puede expresar como un modelo MA( ): j=0 y t = φ θ 1L + + θ q L q 1 φ 1 φ p 1 φ 1 L φ p L p ɛ t donde ψ 0 = = ψ 0 + ψ(l)ɛ t φ 0 1 φ 1 φ p y ψ(l) = 1+θ 1L+ +θ ql q 1 φ 1 L φ pl p

12 Modelos ARMA (cont.): Si un modelo AR(p) es estable, entonces podemos expresarlo como un MA( ) Si un modelo MA(q) es invertible, entonces podemos expresarlo como un AR( ) Definición: Invertibilidad de MA(q). Un modelo MA(q) se puede expresar como y t φ 0 = (1 + θ 1 L + θ 2 L θ q L q )ɛ t. Si el MA(q) se puede expresar como un modelo AR( ) utilizando la inversa de (1 + θ 1 L + θ 2 L θ q L q ), entonces se dice que MA(q) es invertible. Condición suficiente para la invertibilidad: Que todas las raíces del polinomio (1 + θ 1 z + θ 2 z θ q z q ) = 0 estén fuera del círculo unidad

13 Tendencias: Consideramos la serie siguiente (PIB de España, ):

14 Tendencias (cont.): Se dice que esta serie tiene una tendencia ( trend ), porque crece durante toda la muestra Problema de regresión/correlación espúrea: regresiones/ correlaciones sugieren una relación entre variables con tendencias aunque no hay ninguna relación Dos soluciones comunes a este problema son: 1) tratar la serie como si tuviera una tendencia deterministica ( deterministic trend, trend stationarity ) 2) tratar la serie como si tuviera una tendencia estocástica ( stochastic trend, difference stationarity )

15 Tendencias (cont.): Dicho de otra manera, dos representaciones comunes de series económicas con tendencias son: 1) Modelos con tendencia deterministica: y t = φ 0 + δ t + e t 2) Modelos con tendencia estocástica: y t = φ 0 + φ 1 y t 1 + e t donde t es el tiempo, e t es una componente estacionaria, y donde φ 1 1 Nota: e t puede tener una estructura ARMA(p, q), por ejemplo, e t = ɛ t + θ 1 ɛ t 1 (MA(1))

16 Tendencias (cont.): Cómo reconocemos las series con tendencia? Por ejemplo, tiene esta serie una tendencia?:

17 Y esta?: Tendencias (cont.):

18 Tendencias (cont.): Trend stationarity (TS) denota la propiedad de que la serie {y t tendencia deterministica} es estacionaria (recuerda: {e t } es estacionaria e igual a {y t tendencia deterministica}) También se dice que ȳ t = y t tendencia deterministica es de-trended Difference stationarity denota la propiedad de que la serie d y t es estacionaria Nota: se pueden combinar los dos propiedades. Por ejemplo, puede ser que { y t } se caracterice por una tendencia determinística Es el problema de no-estacionariedad grave? Si, suele dar lugar a regresiones espúreas

19 Tendencias (cont.): Intuitivamente, una regresión es espúrea si las pruebas estadísticas sugieren que hay una relación entre las variables cuando no la hay Supongamos que estamos considerando estimar la regresión donde {y t } y {x t } son series con tendencias y t = β 0 + β 1 x t + ɛ t (1) Cuál es la probabilidad de una regresión espúrea? Muy alta!

20 Tendencias (cont.): Ejemplo. Paseos aleatorios independientes (series que casi tienen tendencia): y t = y t 1 + ɛ y,t, ɛ y,t WN(0, σ 2 y ) x t = x t 1 + ɛ x,t, ɛ x,t WN(0, σ 2 x) ɛ y,t y ɛ x,t independentes y t y x t independentes Cuál es la relación empírica entre y t y x t? Granger y Newbold (1974) rechazaban la hipótesis de β 1 = 0 (con un nivel de significación del 5%) en (1) para el 75% de las muestras simuladas

21 Tendencias (cont.): Terminología: Una serie {y t } es integrada ( integrated ) de orden d si d y t es una serie estacionaria. También se dice que d es el orden de integración ( order of integration ) Notación: y t I (d) y ARIMA(p, d, q), donde d 0 Si d no es un número entero, por ejemplo, si d = 0.6 o si d = 2.6, diremos que el orden d es fraccional ( fractional integration ) Nota: En este curso no vamos a ver integración fraccional, siempre vamos a tratar las series como integradas de orden entero, es decir, de orden 0, 1, 2,...

22 Tendencias (cont.): Ejemplos: Si y t no es estacionaria, pero y t lo es, entonces denotamos y t I (1) Si ni y t, ni y t son estacionarias, pero 2 y t lo es, entonces denotamos y t I (2). etc. Si y t ya es estacionaria, entonces denotamos y t I (0)

23 Tendencias (cont.): Cómo encontramos el orden de integración adecuado? Para apoyar o rechazar una hipótesis de orden d = 1, por ejemplo, podemos utilizar varios tipos de información: (a) Inspección visual de gráficos (b) Propiedades y tests estadísticos (c) Sentido común (d) Teoría Nota: Hay casos en los que los investigadores no están de acuerdo. Por ejemplo, hay casos en que no están de acuerdo si p t I (1) o si p t I (2), donde p t denota un índice de precios en logaritmos

24 Prueba de Dickey-Fuller: Consideramos el modelo y t = φ 1 y t 1 + ɛ t, ɛ t WN(0, σ 2 ) (2) φ 1 < 1: {y t } estacionario prueba de la t es válida φ 1 = 1: {y t } no es estacionario {y t } prueba de la t no es válida

25 Prueba de Dickey-Fuller (cont.): Dickey y Fuller (1979) mostraron que, aunque la prueba de la t no es válida en (2) cuando φ 1 = 1, la prueba de la t es válida para la especificación y t = φ 0 + πy t 1 + ɛ t (3) cuando la hipótesis nula es φ 1 = 1 y donde π = φ 1 1 Esta propiedad la utilizaron Dickey y Fuller (1979) para desarrollar una prueba de estacionalidad La prueba de Dickey-Fuller es una prueba de raíz unitaria ( unit root ), y para determinar los valores críticos para la hípotesis nula de φ 1 = 1 se necesita el método de Monte Carlo (simulación)

26 La prueba de Dickey-Fuller: Prueba de Dickey-Fuller (cont.): Estima y t = φ 0 + πy t 1 + ɛ t con MCO H 0 : π = 0 H 1 : π < 0 Compara el estadístico con el valor de la tabla de Dickey y Fuller (1979) o, mejor, con la tabla de MacKinnon (1996) Nota: EViews nos da los valores críticos de MacKinnon (1996) automáticamente

27 Prueba de Dickey-Fuller (cont.): Normalmente, las variables requieren una representación AR(p) y no sólo AR(1) La prueba de Dickey-Fuller aumentada: Con MCO, estima y t = φ 0 + π 0 y t 1 + π 1 y t π p y t p + ɛ t (4) H 0 : π 0 = 0 H 1 : π 0 < 0 Compara el estadístico con el valor de la tabla de Dickey y Fuller (1979) o, mejor, con la tabla de MacKinnon (1996) Nota: EViews nos da los valores críticos de MacKinnon (1996) automáticamente

28 Problema práctico: elegir p Soluciones posibles: Prueba de Dickey-Fuller (cont.): Incluir retardos de y t hasta que el error sea ruido blanco Incluir retardos de y t significativos Utilizar AIC, SBC, etc. ( information criteria ), para elegir p Sin embargo, la prueba de Dickey-Fuller es frágil siempre hay que utilizar información adicional (inspección visual de la serie, sentido común, historia, teoría) antes de aceptar o rechazar lo que suguiere la prueba de Dickey-Fuller

29 Prueba de Dickey-Fuller (cont.): Tendencia lineal vs. tendencia estocástica: la prueba de Dickey-Fuller nos permite incluir un término de tendencia lineal δ t Es decir, contrastar π 0 = 1 con la especificación y t = φ 0 + π 0 y t 1 + δt + π 1 y t π p y t p + ɛ t (5) Problema: si hay variables innecesarias en (5), es más difícil rechazar la hipótesis nula de π 0 = 0 (raíz unitaria) cuando en realidad π 0 < 0 Una solución: hacer tres pruebas 1. Sin la constante φ 0 y sin el término δt 2. Con la constante φ 0 pero sin el término δt 3. Con la constante φ 0 y el término δt

30 Descomposiciones: La descomposición de Beveridge y Nelson (1981) empieza con un modelo ARIMA(p, 1, q) de una serie {y t } Es decir, se supone que y t I (1), y nosotros vamos a estudiar solamente el caso p = 0 En este caso un modelo ARIMA(0, 1, q) de {y t } es igual a y t = φ 0 + e t, (6) donde e t =MA(q), es decir, e t = q j=0 θ jɛ t j con θ 0 = 1 El modelo (6) también se puede representar como un paseo aleatorio y t = φ 0 + y t 1 + e t, es decir, como un ARMA(1,q) no-estacionario

31 Descomposiciones (cont.): Para obtener la descompocición Beveridge-Nelson, primero hay que calcular la predicción condicional K > 0 periodos hacia al futuro Tenemos que y t+k = φ 0 K + y t + K k=1 e t+k K E t (y t+k ) = φ 0 K + y t + E t ( e t+k ) k=1 donde E t ( ) es la esperanza condicional E( y t, ɛ t, ɛ t 1,...) El término φ 0 K es la parte determinística, y la tendencia estocástica se define como lim [E t(y t+k ) φ 0 K] K

32 Descomposiciones (cont.): Ejemplo. Un modelo ARIMA(0,1,1) se puede escribir como: y nos da y t = φ 0 + y t 1 + ɛ t + θ 1 ɛ t 1 y t+k = φ 0 K + y t + K ɛ t+k + θ 1 k=1 E t (y t+k ) = φ 0 K + y t + θ 1 ɛ t lim t(y t+k ) φ 0 K] K = y t + θ 1 ɛ t Si y t = 10, θ 1 = 0, 1 y ɛ t = 1, entonces lim E t(y t+k ) φ 0 K = 10, 1 K K ɛ t+k 1 k=1

33 Descomposiciones (cont.): La descomposición de Hodrick y Prescott (1997) consiste en igualar los valores {y t } de una seria con tendencia a dos componentes µ t y e t : y t = µ t + e t Intuitivamente µ t es una tendencia, y e t = y t µ t es una componente estacionaria con E(e t ) = 0 para todo t El método de Hodrick y Prescott consiste en estimar una serie µ 1,..., µ T tal que las diferencias µ t+1 µ t oscilan suavemente

34 Descomposiciones (cont.): Más precisamente, el método de Hodrick-Prescott consiste en: 1. Eligir un valor λ del coste de incorporar fluctuaciones en la serie µ 1,..., µ T 2. Minimizar 1 T T (y t µ t ) 2 + λ T t=1 T 1 [(µ t+1 µ t ) (µ t µ t 1 )] 2 (7) t=2 λ = 0: no hay coste de incorporar fluctuaciones en la serie µ 1,..., µ T, y el mínimo de (7) se obtiene cuando y t = µ t λ : coste alto de incorporar fluctuaciones en la serie µ 1,..., µ T, y el mínimo de (7) se obtiene cuando µ t+1 µ t = µ t µ t 1. Es decir, cuando la diferencia µ t µ t 1 es constante. Cuanto más grande es λ, más suave es el cambio µ t µ t 1

35 Referencias: Beveridge, S. and C. Nelson (1981). A New Approach to Decomposition of Economic Time Series into Permanent and Transitory Components with Particular Attention to Measurement of the Business Cycles. Journal of Monetary Economics 7, Dickey, D. and W. Fuller (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association 74, Granger, C. W. and P. Newbold (1974). Spurious Regressions in Econometrics. Journal of Econometrics 2, Hodrick, R. J. and E. C. Prescott (1997). Postwar U.S. Business Cycles: An Empirical Investigation. Journal of Money, Credit and Banking 29, MacKinnon, J. G. (1996). Numerical Distribution Functions for Unit Root and Cointegration Tests. Journal of Applied Econometrics 11,