Filtro Kalman aplicado al estudio del ciclo económico

FILTRO DE KALMAN: APLICACIN AL ESTUDIO DEL CICLO Julin Moral Carcedo
- 1-

EL FILTRO DE KALMAN: APLICACION AL ESTUDIO DEL CICLO
ECONOMICO

DOCTORADO EN MODELIZACION ECONOMICA
APLICADA.

INSTITUTO L. R. KLEIN.
UNIVERSIDAD AUTONOMA DE MADRID
Febrero 2001

Julin Moral Carcedo
Area Macroeconoma

- 2-
INDICE

1.- Representacin de sistemas dinmicos lineales en el espacio de los estados.

2.- El filtro de Kalman.

3.- La estimacin de las matrices de parmetros.

4.- Alisado de los vectores de estado.

5.-Aplicacin prctica.

BIBLIOGRAFIA RECOMENDADA.

J.D. Hamilton. (Captulo 13). Time series analysis. Princeton University Press. 1991
J.D. Hamilton. State space Models. Handbook of Econometrics. Volumen IV. 1994.
A.C. Harvey. Forecasting structural time series model and the Kalman filter.
Cambridge University Press. 1989.
Chang-Jin Kim y Charles R. Nelson. State-Space Models with regime switching.
MIT Press (1999).

- 3-

1.- Representacin de sistemas dinmicos lineales en el espacio de los estados
(Hamilton. 1994. Handbook of econometrics vol. IV)

Un sistema dinmico es aquel que evoluciona en funcin del tiempo, o
alternativamente aquel en el que una o ms variables dependen de sus valores en otro
instante del tiempo. El requisito de linealidad se traduce en que las variables que forman
parte del sistema se relacionan entre s a travs de relaciones lineales.

El caso ms simple de modelo dinmico lineal lo constituye un proceso AR(1):

t t t
Y Y +
1

Dada la estructura del proceso AR(1), toda la informacin necesaria para
predecir la dinmica futura del sistema se halla en
t
Y , as:

k t k t t
k
t
k
t
k
k t
Y Y
+ + +
+
+ + + + +
1 2
2
1
1
...

t
k
t k t t t t k t
Y Y Y E Y Y Y Y E
+ +
) ( ,...) , , (
2 1

La representacin en el espacio de los estados (state-space representation) de un sistema
dinmico lineal, consiste en capturar la parte dinmica del sistema en un vector de
estado
t
formado por, posiblemente, r variables no observadas. La dinmica del vector
de estado se resume en:

1 1 + +
+
t t t
v F
(rx1) (rxr)(rx1) (rx1)

Donde F es una matriz (r x r )de coeficientes y
t
una perturbacin aleatoria que se
distribuye idntica e independientemente (i.i.d) como una normal multivariante N(0,Q).

Las n variables observadas del sistema se relacionan con el vector de estado a travs de
la ecuacin de observacin o medida:

t t t t
w H x A y + + ' '

(nx1) (1xk)(kx1) (1xr)(rx1) (nx1)

Donde
t
w se distribuye i.i.d como una N(0,R). Tambin se incluye un conjunto de k
variables exgenas Xt , normalmente de tipo determinstico y en todo caso carentes de
informacin relevante sobre el futuro del sistema, as puede contener valores retardados
de Yt o variables independientes del vector de estado y de la perturbacin aleatoria de la
ecuacin de medida.

[ ]
[ ]
t
k
k t t t t t k t k t
t t t t k t k t k t t t t t k t
F H x A y y E H x A
y y w H x A E y y y E

' ' ,... , ,..., , , ' '
,... , ,..., , , ) ' ' ( ,...) , ,..., , (
1 1
1 1 1 1
+ +
+ +
+ + +
+ + + +

- 4-

Ejemplo de representacin en el espacio de los estados: AR(p)
t p t p t t t
Y Y Y Y + + + +

...
2 2 1 1

Ecuacin de estado (vector de estado)

-
,
_
,
_
,
_
,
_
0
0
0 1 0
0 0 1
2
1 2 1
1
1
M
M
L
M M M
L
M
t
p t
t
t p
p t
t
t
Y
Y
Y
Y
Y
Y

t
= F *
1 t
+
t

Ecuacin de medida
[ ]
,
_
1
1
0 0 1
p t
t
t
t
Y
Y
Y
Y
M
L

Yt = H
t

2.-El filtro de Kalman.

El punto de partida es la representacin del sistema en la forma del espacio de los
estados (state-space representation), en la que la dinmica de n variables endgenas
est determinada por el siguiente sistema de ecuaciones
1
:

t t t t
w H x A y + + ' ' Ecuacin de medida /observacin.
(nx1) (1xk)(kx1) (1xr)(rx1) (nx1)
t t t
v F +
1
Ecuacin de estado.
(rx1) (rxr)(rx1) (rx1)

asumindose adems:

'
0
) ' (
Q
v v E
t

1
James D.Hamilton. Time Series Analysis. Princeton University Press.1994.
Para t=

En otro caso
- 5-
'
0
) ' (
R
w w E
t

0 ) (
w v E
t
para todo t y .

Adicionalmente se asume que los valores retardados de no esta correlacionados con
ninguna de las perturbaciones aleatorias.
El filtro de Kalman consiste en un algoritmo que proporciona estimaciones de la
ecuacin de estado a partir de la informacin disponible hasta el momento t
(condicionada a la informacin disponible en t) y de la ecuacin de medida, para
posteriormente, corregir las estimaciones conforme se amplia la informacin disponible.
El algoritmo precisa de dar un valor inicial t=1 al vector , el cual no se basa en
informacin muestral, sino que puede considerarse un prior que se impone o bien
simplemente se toma la esperanza incondicional del vector, as :

) (
1 0 / 1
E
que llevar asociada una matriz de errores cuadrticos medios (MSE: mean squared
error):

[ ] )'
)((
(
1 / 1 / 1 /

t t t t t t t t
E P

que en la primera recursin, si se asume la esperanza incondicional, consistira en la
varianza incondicional :

[ ] [ ] ))' ( ))(( ( ( )'
)((
(
1 1 1 1 0 / 1 1 0 / 1 1 0 / 1
E E E E P

Otra posibilidad es sustituir el valor de
0 / 1
y de
0 / 1
P por valores a priori (similar a un
prior bayesiano), recogiendo
0 / 1
P la incertidumbre del prior (ser una matriz
semidefinida positiva con los elementos de la diagonal principal mayores cuanto mayor
sea la incertidumbre).

A partir de los valores iniciales del vector de estado se produce la prediccin de la
ecuacin de medida :

1 / 1 /
' '

+
t t t t t
H x A y

donde el error cometido es:

t t t t t t t t t t t t t
H H x A H x A y y + + + +

)
( '
' ' ' '

1 / 1 / 1 /

cuyo MSE es:

)' )
( ' )( )
( ' ( )'
)(
(
1 / 1 / 1 / 1 / t t t t t t t t t t t t t t
H H E y y y y E + +

Para t=

En otro caso
- 6-
) ' ( )'
)(
( '
)' )
( ' )( )
( ' (
1 / 1 /
1 / 1 /
t t t t t t t t
t t t t t t t t
E H H E
H H E

+
+ +

dado que asumimos que las variables de estado no estn correlacionadas con la
perturbacin aleatoria de la ecuacin de medida, por lo que )'
(
1 /
t t t t
E =0.

Definamos antes el MSE de la ecuacin de estado como:

[ ] )'
)((
(
1 / 1 / 1 /

t t t t t t t t
E P

Por lo que podemos escribir:

R H P H
E H H E y y y y E
t t
t t t t t t t t t t t t t t
+
+

1 /
1 / 1 / 1 / 1 /
'
) ' ( )'
)(
( ' )' )( (

El siguiente paso es actualizar el vector de estado en base a la observacin de la
ecuacin de medida en t , es decir:

[ ]
0 2 1 0 2 1 /
,... , , ..., , , , /
x x x y y y x y E
t t t t t t t t t

lo cual, siguiendo a Hamilton (1994, op.cit.), proporciona la siguiente ecuacin:

)
' ' ( ) ' (

1 /
1
1 / 1 / 1 / /

+ +
t t t t t t t t t t t t
H x A y R H P H H P

con un MSE asociado dado por:

1 /
1
1 / 1 / 1 / /
' ) ' (

+
t t t t t t t t t t
P H R H P H H P P P

El siguiente paso sera predecir de nuevo
t t / 1
+
a partir de la ecuacin de estado:
0

/ / 1
+
+ t t t t
F

con MSE igual a Q F FP P
t t t t
+
+
'
/ / 1
.

- 7-

DIAGRAMA DE FLUJO EN EL FILTRO DE KALMAN

Chang-Jin Kim and Charles R. Nelson. State-Space Models with regime switching. MIT
Press (1999).

3.-La estimacin de las matrices de parmetros

En la anterior exposicin hemos asumido conocidas F, H, Q, R y los valores
iniciales del vector de estado y MSE inicial, sin embargo rara es la ocasin en que sea
as, de hecho lo habitual es que haya que proceder a su estimacin.
0 | 0 0 / 1
P
1 | 1 1 |

t t t t
F
Q F FP P
t t t t
+

'
1 | 1 1 |
1 | 1 |
' '

+
t t t t t
H x A y
1 | | 1 | 1 |
' '

t t t t t t t t t
H x A y y y
R H P H f
t t t t
+
1 / 1 |
'
) ( ) (
1 |
1
1 | 1 / 1 / /

+
t t t t t t t t t t
f H P
1 /
1
1 / 1 / 1 / /
' ) (

t t t t t t t t t t
P H f H P P P
- 8-
Una de las propiedades del filtro de Kalman es que en cada iteracin nos
proporciona la forma de determinar la funcin de verosimilitud del modelo ( la
probabilidad de que el verdadero PGE sea el que se ha supuesto), concretamente la
funcin de verosimilitud se determinara a travs de:

1 |
1 |
1 '
1 | 1 |
2
1
) ) 2 ln((
2
1
) (

t t
t t
t t t t
n
f f l

Para determinar las matrices F, H, Q, y R simplemente habra que maximizar esta
expresin, es decir, partiendo de unos valores F, H, Q y R determinados (bastara
inventrselos) obtendramos una verosimilitud determinada, a continuacin
modificaramos los valores de F,H, Q y R de manera que aumentase la verosimilitud del
sistema. Procediendo iterativamente acabaramos por obtener un mximo de la funcin
de verosimilitud de existir ste.
Existen varios procedimientos iterativos, algoritmo EM, Newton-Marquadt,
Berndt, Hall, Hall y Hausman,..., que nos permitiran realizar estos clculos (los dos
ltimos proporcionan adems la covarianza de los estimadores).

4.-Alisado de los vectores de estado

Dado que el vector de estado se estima a partir de la informacin contenida en la
observacin inmediatamente anterior, resulta a veces conveniente estimar el vector de
estado teniendo en cuenta toda la informacin muestral, para ello se diseo el alisado de
los vectores de estado que no son ms que un conjunto de recursiones (en sentido
opuesto) que nos permiten incorporar toda la informacin disponible (ver Hamilton).

5.-Aplicacin prctica filtro de Kalman

Una de las aplicaciones ms interesantes del filtro de Kalman fue la propuesta
por Stock y Watson en 1991 (A probability model of the coincident economic
indicators. Contenido en Leading Economic Indicators: new approaches and
forecasting records). En aquella aplicacin los autores trataban de obtener un indicador
del ciclo econmico (variable inobservada) a partir de la informacin contenida en un
conjunto de indicadores coyunturales habitualmente usados en EE.UU.

La idea subyacente en ese trabajo es sumamente intuitiva y razonable:
suponemos que la evolucin del indicador es debida a condicionantes propios del
indicador y a condicionantes derivados del ciclo econmico, es decir, sea
jt
I el valor
del indicador j en el momento t. Segn lo expuesto este indicador evoluciona en funcin
de componentes especficos,
jt
CE , y de un componente comn al resto de indicadores
(el ciclo econmico),
t
CC , por lo tanto:

t jt jt
CC CE I +

- 9-
Los componentes especficos y segn la hiptesis de los componentes inobservables,
pueden descomponerse en tendencia,
jt
T , estacionalidad,
jt
E e irregularidad,
jt
, que
en este caso identificaremos con un ruido blanco. En resumen:

jt t jt jt jt
CC E T I + + +

Si consideramos 3 indicadores podemos expresar en forma matricial:

t
t
t
E
T
E
T
E
CC
T
I
I
I
,
_
,
_
,
_
,
_
3
2
1
3
3
2
2
1
1
3
2
1
1 1 0 0 0 1 0
0 0 1 1 0 1 0
0 0 0 0 1 1 1

Asumiremos que la tendencia puede recogerse a travs de un proceso integrado de
orden 1:

jTt jt jt
v T T +
1

La estacionalidad responde a la presencia de un proceso AR(11) de races complejas
unitarias en las frecuencias estacionales:

jEt jt jt jt jt jt
v E E E E E +
11 3 2 1
...

Supondremos que el Ciclo Comn puede expresarse como un AR(1)
Ct t t
v CC CC +
1

As para el indicador j podemos expresar la representacin en el espacio de los estados:

Ecuacin de medida:
- 10-
( )
Jt
t
jt
jt
jt
jt
jt
jt
jt
jt
jt
jt
jt
t
jt
jt
E
E
E
E
E
E
E
E
E
E
E
CC
T
I +
,
_
10
9
8
7
6
5
4
3
2
1
0 0 0 0 0 0 0 0 0 0 1 1 1

Ecuacin de estado:

,
_
,
_
,
_
,
_
0
0
0
0
0
0
0
0
0
0
0 1 0 0 0 0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0 0 0 0 0
0 0 0 1 0 0 0 0 0 0 0 0 0
0 0 0 0 1 0 0 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0 0 0 0 0
0 0 0 0 0 0 1 0 0 0 0 0 0
0 0 0 0 0 0 0 1 0 0 0 0 0
0 0 0 0 0 0 0 0 1 0 0 0 0
0 0 0 0 0 0 0 0 0 1 0 0 0
0 0 0 0 0 0 0 0 0 0 1 0 0
1 1 1 1 1 1 1 1 1 1 1 0 0
0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 1
11
10
9
8
7
6
5
4
3
2
1
1
1
10
9
8
7
6
5
4
3
2
1
jEt
CCt
jTt
jt
jt
jt
jt
jt
jt
jt
jt
jt
jt
jt
t
jt
jt
jt
jt
jt
jt
jt
jt
jt
jt
jt
jt
t
jt
v
v
v
E
E
E
E
E
E
E
E
E
E
E
CC
T
E
E
E
E
E
E
E
E
E
E
E
CC
T

Para obtener la expresin en el espacio de los estados de los tres indicadores
conjuntamente, introducimos la siguiente notacin:

- 11 -

,
_

0 1 0 0 0 0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0 0 0 0 0
0 0 0 1 0 0 0 0 0 0 0 0 0
0 0 0 0 1 0 0 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0 0 0 0 0
0 0 0 0 0 0 1 0 0 0 0 0 0
0 0 0 0 0 0 0 1 0 0 0 0 0
0 0 0 0 0 0 0 0 1 0 0 0 0
0 0 0 0 0 0 0 0 0 1 0 0 0
0 0 0 0 0 0 0 0 0 0 1 0 0
1 1 1 1 1 1 1 1 1 1 1 0 0
0 0 0 0 0 0 0 0 0 0 0 0 1
j
j=1,2

(12 x 12)

,
_

0 1 0 0 0 0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0 0 0 0 0
0 0 0 1 0 0 0 0 0 0 0 0 0
0 0 0 0 1 0 0 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0 0 0 0 0
0 0 0 0 0 0 1 0 0 0 0 0 0
0 0 0 0 0 0 0 1 0 0 0 0 0
0 0 0 0 0 0 0 0 1 0 0 0 0
0 0 0 0 0 0 0 0 0 1 0 0 0
0 0 0 0 0 0 0 0 0 0 1 0 0
1 1 1 1 1 1 1 1 1 1 1 0 0
0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 1

(13 x 13)

- 12 -

,
_
10
9
8
7
6
5
4
3
2
1
1
jt
jt
jt
jt
jt
jt
jt
jt
jt
jt
jt
t
jt
E
E
E
E
E
E
E
E
E
E
E
CC
T
;
,
_
10
9
8
7
6
5
4
3
2
1
jt
jt
jt
jt
jt
jt
jt
jt
jt
jt
jt
jt
j
E
E
E
E
E
E
E
E
E
E
E
T
; j=1,2

(13 x 1) (12 x 1)

,
_
0
0
0
0
0
0
0
0
0
0
1
jEt
CCt
jTt
v
v
v
V

,
_
0
0
0
0
0
0
0
0
0
0
jEt
jTt
j
v
v
W
j = 1, 2
(13 x 1) (12x1)

- 13 -
Por lo tanto la expresin conjunta de la ecuacin de medida es:

,
_
,
_
,
_
,
_
t
t
t
t t
B
B
A
I
I
I
2
2
1
2
1
1
3
2
1
0 0 1 1 0 0 0 0 0 0 1 0
0 0 0 0 0 1 1 0 0 0 1 0
0 0 0 0 0 0 0 0 0 1 1 1
L L L
L L L
L L L

(3x1) (3x 37) (37 x 1) (3 x1)

Y la ecuacin de estado:

,
_
,
_
,
_
,
_
2
1
1
1
2
1
1
2
1
1
0 0
0 0
0 0
W
W
V
B
B
A
B
B
A
t t

(37 x 1) (37 x 37) (37 x 1) (37 x 1)

Desarrollo de la aplicacin:

Se han seleccionado tres indicadores: Consumo de Cemento, Consumo de Energa
elctrica e Indice de Produccin Industrial en el perodo Enero 1978 Marzo 2000. A
efectos de la aplicacin se ha seleccionado = -0,6.

En la aplicacin estricta del filtro de Kalman se ha supuesto que R=I(3),(matriz
identidad de tamao 3); Q=I(37), valores iniciales del vector de estado = 0 (37), matriz
de varianzas y covarianzas del vector de estado = I(37).

(a) (b)

0 50 100 150 200 250 300
1000
1500
2000
2500
3000
3500
4000
0 50 100 150 200 250 300
0. 6
0. 8
1
1. 2
1. 4
1. 6
1. 8
x 1 0
4
- 14 -

(c)

(a)=Consumo de cemento
(b)= Consumo de electricidad
(c)=IPI

De la observacin de la representacin grfica de las series podemos observar que
presentan comportamientos especficos en la tendencia y estacionalidad o
alternativamente no parece que posean una tendencia comn (dado que presentan
niveles muy distintos) y no existe justificante econmico que nos haga pensar que
presente patrones estacionales similares, asimismo, si es posible creer que ambas
responden al ciclo de una forma similar (todas las series econmicas se ven afectadas
por la posicin cclica de la economa)

0 50 100 150 200 250 300
40
50
60
70
80
90
100
110
120
130
140
-
2. 000
4. 000
6. 000
8. 000
10. 000
12. 000
14. 000
16. 000
18. 000
20. 000
1 9 1 7 25 33 41 49 57 65 73 81 89 97 1 0 1 1 1 2 1 2 1 3 1 4 1 5 1 6 1 6 1 7 1 8 1 9 20 209 21 225 233 24 249 257 265
- 1 5 , 0
3 5 , 0
8 5 , 0
1 3 5 , 0
1 8 5 , 0
Consumo cemento C electricidad IPI
- 15 -

- 500
-
500
1 . 0 0 0
1 . 5 0 0
2. 000
2. 500
3. 000
3. 500
4. 000
1 9 1 7 25 33 41 49 57 65 73 81 89 97 1 0 1 1 1 2 1 2 1 3 1 4 1 5 1 6 1 6 1 7 1 8 1 9 20 209 21 225 233 24 249 257 265
Consumo cemento Tendencia
-
2. 000
4. 000
6. 000
8. 000
10. 000
12. 000
14. 000
16. 000
18. 000
20. 000
1 9 1 7 25 33 41 49 57 65 73 81 89 97 1 0 1 1 1 2 1 2 1 3 1 4 1 5 1 6 1 6 1 7 1 8 1 9 20 209 21 225 233 24 249 257 265
Consumo electricidad Tendencia
-
20
40
60
80
100
120
140
160
180
1 9 1 7 25 33 41 49 57 65 73 81 89 97 1 0 1 1 1 2 1 2 1 3 1 4 1 5 1 6 1 6 1 7 1 8 1 9 20 209 21 225 233 24 249 257 265
IPI Tendencia
- 16 -

Ciclo comn

Como podemos observar el ciclo comn est altamente contaminado con ruido, por ello
aplicamos un filtro de paso bajo (media mvil centrada de 8 trminos) para obtener una
estimacin ms clara del ciclo comn.

- 80, 00
- 60, 00
- 40, 00
- 20, 00
0, 00
20, 00
40, 00
60, 00
80, 00
1 15 29 43 57 71 85 99 113 127 141 155 169 183 197 211 225 239
-10,00
-5,00
0,00
5,00
10,00
15,00
20,00
-0,03
-0,02
-0,01
0
0,01
0,02
0,03
0,04
0,05
0,06
0,07
1
1980
1
1982
1
1984
1
1986
1
1988
1
1990
1
1992
1
1994
1
1996
1
1998
1
2000
-10
-5
0
5
10
15
20
PIB Ciclo Comun

Filtro Kalman aplicado al estudio del ciclo económico

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Filtro Kalman aplicado al estudio del ciclo económico

Uploaded by

Copyright:

Available Formats

FILTRO DE KALMAN: APLICACIN AL ESTUDIO DEL CICLO Julin Moral Carcedo

' ' ' '

' ' ( ) ' (

You might also like