Modelos vectoriales autoregresivos (VAR)

Alfonso Novales
Universidad Complutense
Noviembre 2014
Preliminary version
No citar sin permiso del autor
@Copyright A.Novales 2014

Contents
1 Modelos VAR
1.1 Un modelo estructural . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1 El modelo VAR(1) . . . . . . . . . . . . . . . . . . . . . .
1.2 Identicacin en un modelo VAR . . . . . . . . . . . . . . . . . .
1.2.1 Identicacin y respuestas del sistema: el enfoque Cholesky
1.3 VAR y modelos univariantes . . . . . . . . . . . . . . . . . . . . .
1.4 Estimacin de un modelo VAR . . . . . . . . . . . . . . . . . . .
1.5 Contrastacin de hiptesis . . . . . . . . . . . . . . . . . . . . . .
1.5.1 Contrastes de especicacin . . . . . . . . . . . . . . . . .
1.5.2 Contrastes de causalidad . . . . . . . . . . . . . . . . . . .
1.6 Representacin MA de un modelo VAR . . . . . . . . . . . . . .
1.6.1 La descomposicin de Cholesky en el caso general (Apndice)
1.7 Funciones de respuesta al impulso . . . . . . . . . . . . . . . . .
1.8 Descomposicin de la varianza . . . . . . . . . . . . . . . . . . .
1.9 Cointegracin . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.9.1 Contraste de cointegracin . . . . . . . . . . . . . . . . .
1.9.2 El contraste de cointegracin de Johansen . . . . . . . . .
1.9.3 El modelo de correccin de error . . . . . . . . . . . . . .
1.9.4 Caso de no cointegracin: Ejemplo . . . . . . . . . . . . .
1.9.5 Cointegracin por umbrales . . . . . . . . . . . . . . . . .
1.9.6 Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . .
1.10 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.11 Tcnicas de cointegracin en el anlisis de Asset allocation . .
1.12 Apndice 1:Las innovaciones de un modelo estructural deben estar incorrelacionadas entre s. . . . . . . . . . . . . . . . . . . . .
1.13 Errata en Enders, pgina 299, . . . . . . . . . . . . . . . . . . . .

2
2
4
6
9
13
14
14
14
16
17
20
20
23
24
25
29
34
36
36
37
39
39
41
41

Modelos VAR

Utilizamos un modelo del tipo vector autoregresivo (VAR) cuando queremos

caracterizar las interacciones simultneas entre un grupo de variable. Un VAR
es un modelo de ecuaciones simultneas formado por un sistema de ecuaciones
de forma reducida sin restringir. Que sean ecuaciones de forma reducida quiere
decir que los valores contemporneos de las variables del modelo no aparecen
como variables explicativas en ninguna de las ecuaciones. Por el contrario,
el conjunto de variables explicativas de cada ecuacin est constituido por un
bloque de retardos de cada una de las variables del modelo. Que sean ecuaciones
no restringidas signica que aparece en cada una de ellas el mismo grupo de
variables explicativas.
Pueden incluirse tambin como variables explicativas algunas variables de
naturaleza determinista, como una posible tendencia temporal, variables cticias
estacionales, o una variable cticia de tipo impulso o escaln, que sirve para
llevar a cabo una anlisis de intervencin en el sistema. Por ltimo, podra
incluirse como explicativa una variable, incluso en valor contemporneo, que
pueda considerarse exgena1 respecto a las variables que integran el modelo
VAR.
El modelo VAR es muy til cuando existe evidencia de simultaneidad entre
un grupo de variables, y que sus relaciones se transmiten a lo largo de un
determinado nmero de perodos. Al no imponer ninguna restriccin sobre la
versin estructural del modelo, no se incurre en los errores de especicacin que
dichas restricciones pudieran causar al ejercicio emprico. De hecho, la principal
motivacin detrs de los modelos VAR es la dicultad en identicar variables
como exgenas, como es preciso hacer para identicar un modelo de ecuaciones
simultneas.

1.1

Un modelo estructural

Partimos de un modelo estructural dinmico,

y1t
y2t

=
=

+
20 +

10

11 y2t

+
21 y1t +

12 y1t 1

+
1+

13 y2t 1

+ "1t
1 + "2t

22 y1t

23 y2t

(1)

donde y1t ; y2t son variables estacionarias, y "1t ; "2t son innovaciones, procesos ruido blanco con esperanza cero y varianzas 2"1 ; 2"2 : Este es un modelo
1 Se dice que la variable z es predeterminada respecto de una ecuacin si E(z
t s "t ) =
0; 8s 0; siendo "t el trmino de error de dicha ecuacin. La variable sera exgena respecto
de dicha ecuacin si: E(zt s "t ) = 0; 8s 0: Ntese que la exogeneidad no es una propiedad
que una variable tenga con carcter absoluto, como parte de su naturaleza. De hecho, una
variable z puede ser exgena con respecto a una ecuacin y no serlo respecto a otra ecuacin
diferente. Tambin puede decirse que una variable z que satisfaga las condiciones anteriores,
es predeterminada o previa con respecto a la variable que queda explicada por dicha ecuacin.
Con esta interpretacin, la variable z podra ser exgena respecto de una variable y, y no ser
exgena con respecto a otras variables.

de ecuaciones simultneas con la nica peculiaridad de que sus dos variables

son endgenas. Un shock inesperado en y2t ; en la forma de un valor no nulo
de la innovacin estructural "2t ; afecta directamente a y2t ; pero tambin inuye
sobre y1t a travs de la presencia de y2t como variable explicativa en la primera
ecuacin. Adems, este efecto se propaga en el tiempo, debido a la presencia
de los valores retardados como variables explicativas. Es natural pensar que los
trminos de error del modelo estructural estn mutuamente incorrelacionados,
puesto que la correlacin contempornea entre y1t e y2t ya est recogida por la
presencia de sus valores contemporneos como variables explicativas en ambas
ecuaciones. Por tanto, suponemos que Cov("1t ; "2t ) = "1 ;"2 = 0 [ver Apndice
1].
El modelo estructural puede incorporar asimismo un vector de variables
explicativas exgenas zt en cada ecuacin:
y1t
y2t

=
=

+
20 +
10

11 y2t

+
21 y1t +

12 y1t 1

+
1+

13 y2t 1

+
1+

22 y1t

23 y2t

1 zt

+ "1t
2 zt + "2t

que pueden aparecer asimismo con retardos. Un ejemplo de este tipo de

variables seran una tendencia determinista, o variables cticias estacionales.
El modelo estructural VAR presenta dos dicultades para su estimacin: a)
la simultaneidad, al aparecer cada una de las dos variables como variable explicativa en la ecuacin de la otra, lo que genera inconsistencia del estimador
MCO incluso si "1 ;"2 = 0, b) si los trminos de error tuviesen autocorrelacin,
las estimaciones MCO seran inconsistentes, al tratarse de un modelo dinmico.
El primer problema suele resolverse habitualmente postulando que algunas variables no aparecen, en valor contemporneo, en determinadas ecuaciones. Otra
posibilidad consiste en estimar por variables instrumentales, siempre que contemos con instrumentos adecuados. El segundo problema se debe resolver
tratando de ampliar la estructura dinmica del modelo hasta lograr que los
trminos de error carezcan de autocorrelacin.
Para evitar estas dicuiltades, tiene inters tratar con una transformacin
del modelo, que presentamos a continuacin.
De forma resumida, la representacin matricial del modelo estructural (ntese
que los coecientes de yt no son la matriz identidad) de primer orden puede escribirse,
Byt =

1 yt 1

+ "t

con,
B=

11

21

10

20

12

13

22

23

y si suponemos que la matriz B tiene inversa, lo cual requiere que

tenemos,
yt = B

+B

1 yt 1

+B
3

"t = A0 + A1 yt

+ ut

11 21

6= 1;
(2)

con lo que habremos pasado a la forma reducida, o modelo VAR, en la cual

los coecientes de yt son la matriz identidad. La relacin entre parmetros de
la forma reducida y de la forma estructural es:
1

ut
A1
A0

=
=
=

u1t
u2t
11

12

21

22

10

20

1.1.1

=B

"1t
"2t

1
1
1

+
22 +

+
20 +

10

1
1

12

11 21

11 21

11
21

11 21

"t = B

"1t +
"2t +

11 21
11 22
21 12

+
23 +

13

11 "2t
21 "1t

11 23

(3)
;
(4)

13 21

11 20

(5)

21 10

El modelo VAR(1)

En el caso ms simple, con slo dos variables y un retardo, el modelo VAR2 (1)
es,
y1t
y2t

=
=

+
20 +
10

11 y1t 1

12 y2t 1

21 y1t

+
1+

+ u1t
1 + u2t

22 y2t

11

12

21

22

(6)

o, en forma matricial,
y1t
y2t

10
20

y1t
y2t

1
1

u1t
u2t

(7)

donde los trminos de error satisfacen,

E(u1t ) = E(u2t ) = 0; 8t
E(u1t u1s ) = E(u2t u2s ) = E(u1t u2s ) = 0; 8t 6= s
2
u1t
12
1
V ar
=
= ; 8t
2
u2t
12
2

(8)

(9)

En notacin matricial:
yt = A0 + A1 yt + ut

(10)

En este modelo VAR, valores negativos de 12 y 21 tienden a inducir correlacin negativa entre y1t e y2t ; si bien no la garantizan, y valores positivos
tienden a generar correlacin positiva. Un shock inesperado en y2t ; en la forma
de un valor no nulo de la innovacin u2t ; adems de afectar a y2t ; inuye sobre
y1 en perodos futuros, debido a la presencia del retardo y2t 1 como variable
explicativa en la ecuacin de y1t :

Por tanto, dada la igualdad entre (10) y (2) el modelo VAR puede interpretarse como la forma reducida de un modelo estructural dinmico como el
modelo del que partimos.
Como puede verse, si los trminos de error del modelo estructural eran ruido
blanco, tambin los trminos de error del modelo VAR tandrn estructura de
ruido blanco. Sin embargo, las innovaciones del modelo VAR estarn correlacionadas entre s, a pesar de que las innovaciones del modelo estructural no lo
estuvieran, puesto que,

V ar

u1t
u2t

2
"1

1
(1

11 21 )

2
2
11 "2

2
21 "1

2
21 "1
2
21 "1

2
11 "2

+
+

2
11 "2
2
"2

de modo que, incluso si los trminos de error del modelo estructural estn
incorrelacionados, "1 "2 = 0; las perturbaciones del modelo VAR tendrn correlacin no nula u1 u2 6= 0. La nica excepcin requerira 11 = 21 = 0; el
caso en que no hay efectos contemporneos de ninguna variable sobre la otra.
Es importante examinar las relaciones entre los parmetros de ambos modelos, que son, en el caso del modelo VAR(1), las 6 relaciones entre los parmetros
y los parmetros que aparecen en (4) y (5), ms las 3 relaciones entre los
elementos de las respectivas matrices de covarianzas,
2
u1

2
u2

u 1 u2

1
(1

2
11 21 )

1
(1

2
11 21 )

1
(1

2
"1

2
2
11 "2

2
"2

2
2
21 "1

2
21 "1

2
11 21 )

2
11 "2

En general, un modelo VAR se especica,

Yt = A0 +

n
X

As Yt

+ GZt + ut

(11)

s=1

donde Yt es un vector columna kx1; n es el orden del modelo VAR, o nmero

de retardos de cada variable en cada ecuacin, y ut es un vector kx1 de innovaciones, es decir, procesos sin autocorrelacin, con V ar(ut ) = ; constante.
El elemento (i; j) en la matriz As ; 1 s n mide el efecto directo o parcial
de un cambio unitario en Yj en el instante t sobre Yi al cabo de s perodos,
Yi;t+s . La columna j de la matriz As mide el efecto que un cambio unitario
en Yj en el instante t tiene sobre el vector Yt+s :El elemento i-simo en ut es el
componente de Yit que no puede ser previsto utilizando el pasado de las variables
que integran el vector Yt :
En un modelo vectorial autoregresivo de primer orden, VAR2 (1), las variables explicativas de cada ecuacin son: una constante, ms un retardo de cada
una de las variables del modelo, con 6 coecientes en total si el modelo trata de
5

explicar el movimiento conjunto de 2 variables. En el modelo VAR3 (1), que explica el comportamiento temporal de 3 variables, habra 3 variables explicativas
retardadas y dos contemporneas, ms una constante, en cada ecuacin, para
un total de 18 coecientes a estimar, 6 en cada ecuacin, ms los 6 elementos
de la matriz de covarianzas de las innovaciones (24 parmetros en total). Si el
modelo fuera de segundo orden en dos variables, VAR3 (2), habra 9 coecientes
a estimar en cada una de las 3 ecuaciones que componen el modelo VAR, con
un total de 27 coecientes, ms los 6 elementos de la matriz de covarianzas de
las innovaciones (33 parmetros en total).
Algunas consideraciones sobre la estimacin de un modelo VAR:
Como puede verse, en un modelo VAR todas las variables son tratadas
simtricamente, siendo explicadas por el pasado de todas ellas. El modelo tiene tantas ecuaciones como variables, y los valores retardados de
todas las ecuaciones aparecen como variables explicativas en todas las
ecuaciones.
Una vez estimado el modelo, puede procederse a excluir algunas variables
explicativas, en funcin de su signicacin estadstica, pero hay razones
para no hacerlo. Por un lado, si se mantiene el mismo conjunto de variables
explicativas en todas las ecuaciones, entonces la estimacin por mnimos
cuadrados ordinarios ecuacin por ecuacin es eciente, por lo que el proceso de estimacin del modelo es verdaderamente sencillo. Por otro, la
presencia de bloques de retardos como variables explicativas hace que la
colinealidad entre variables explicativas sea importante, lo que hace perder
precisin en la estimacin del modelo y reduce los valores numricos de los
estadsticos tipo t de Student. Por tanto, no es buena estrategia proceder
en varias etapas, excluyendo del modelo las variables cuyos coecientes
resultan estadsticamente no signicativos, por cuanto que esto puede ser
consecuenciad de la colinealidad inherente al modelo.
En el modelo VAR pueden estimarse con bastante precisin los elementos
globales del modelo, como el R2; la desviacin tpica residual, y los mismos
residuos, o el efecto global de una variable sobre otra, lo que se resume en
los contrastes de causalidad que veremos ms adelante. Sin embargo, no
cabe hacer interpretaciones de coecientes individuales en distintos retardos, ni llevar a cabo contrastes de hiptesis sobre coecientes individuales.

1.2

Identicacin en un modelo VAR

La estimacin de un modelo VAR2 (1) bivariante (6) proporciona valores numricos para 9 parmetros: las dos constantes ms los cuatro coecientes en las
variables retardadas, ms los 3 parmetros de la matriz de covarianzas (9) del
vector ut : Sin embargo, el modelo estructural consta de 11 parmetros: las dos
constantes, los 6 coecientes, y los 2 parmetros de la matriz de covarianzas del
vector "t (sus varianzas), por lo que no es posible recuperar valores numricos
para todos los parmetros del modelo estructural a partir de la estimacin de
6

la forma reducida. A este proceso de recuperacin de parmetros se le conoce

como identicacin del modelo VAR.
Que haya tantos parmetros estimados como parmetros queremos recuperar (estimar) en la forma estructural es una condicin necesaria, aunque no
suciente, para lograr la identicacin del modelo estructural. En el ejercicio 1
se prueba que el modelo estructural recursivo bivariante de orden 1,
y1t
y2t

=
=

+
+
20

11 y2t

10

22 y1t

12 y1t 1

1+

23 y2t

13 y2t
+
"2t
1

+ "1t

(12)

est exactamente identicado, es decir, que sus parmetros pueden recuperarse de forma nica a partir de las estimaciones del modelo VAR asociado. Este
es un modelo interesante, en el que se consigue identicar todos los parmetros
del modelo estructural a partir de las estimaciones de la forma reducida (modelo
VAR), introduciendo la hiptesis de que la variable y1t afecta a la variable y2t
nicamente con un retardo, mientras que la direccin de inuencia de y2t hacia
y1t se maniesta ya dentro del mismo perodo.
Se tiene:
11
21
2
u1

=
=
=

+
22 ;
2
"1 +

11 22 ;

12

12

13

11 23 ;

23 ;
10 = 10 + 11 20 ;
20 =
2
2
2
2
11 "2 ;
u1 u2 = 11 "2 ;
u2 = "2 ;

22

20 ;

22

23 ;

que puede resolverse, con solucin nica, para encontrar los coecientes
junto con 2"1 y 2"2 :
En este modelo no slo se pueden recuperar estimaciones de todos los parmetros que aparecen en el modelo estructural. Tambin las series temporales de
los residuos del modelo estructural pueden recuperarse a partir de los residuos
obtenidos en la estimacin del modelo VAR, mediante,
^"2t = u
^2t ; ^"1t +

"2t
11 ^

=u
^1t

Un modelo ms restringido,
y1t
y2t

=
=

+
20 +

10

11 y2t

23 y2t 1

12 y1t 1

13 y2t 1

+ "1t

+ "2t

implicara que la variable y1t no afecta ni de forma contempornea, ni retardada, a la variable y2t ; por lo que sta puede considerarse exgena2 respecto
de y1t : Las dos restricciones que hemos impuesto, 21 = 22 = 0 hacen que en
el modelo VAR, 21 = 0; restriccin que podra contrastarse empriamente sin
ninguna dicultad utilizando el estadstico tipo t habitual de dicho coeciente.
2 Una variable y es exgena en la ecuacin de otra variable y , con innovacin u ;
2
1t
1t
si E(y2t u1s ) = 08t; s: La variable y2 es predeterminada en la ecuacin de la variable y1t ,
E(y2t u1s ) = 08t s:

Al haber introducido una restriccin ms, el modelo estructural est ahora sobreidenticado, es decir, hay ms de una manera de recuperar valores numricos
para los parmetros de dicho modelo, a partir de las estimaciones numricas del
modelo VAR.
Ms dicultades plantea el modelo,
y1t
y2t

=
=

+
20 +

10

11 y2t

+
y
21 1t +

12 y1t 1
23 y2t

+ "1t
1 + "2t

que est asimismo sobreidenticado, habiendo varias maneras de recuperar

las estimaciones de los parmetros del modelo estructural. Sin embargo, en este
caso no hay ninguna restriccin contrastable sencilla que nos permita discutir
esta representacin. En este caso, las restricciones del modelo estructural introducen restricciones no lineales entre los parmetros del modelo VAR. Una
posible estrategia consiste en estimar el modelo VAR sujeto a las restricciones
no lineales generadas por las condiciones de sobreidenticacin.
El problema de obtener las innovaciones estructurales a partir de los residuos
del modelo VAR equivale a la posibilidad de disponer de valores numricos
para los elementos de la matriz B, puesto que "t = But : Esta matriz tiene
unos en la diagonal principal, pero no es simtrica, por lo que tiene k 2 k
parmetros por determinar. Adems, debemos encontrar las k varianzas de las
innovaciones estructurales "t ; recurdese que sus covarianzas son nulas. As,
tenemos k 2 k + k = k 2 parmetros del modelo estructural, que querramos
recuperar a partir de los k 2 + k =2 elementos de V ar(ut ): Necesitamos, por
tanto, k 2 k =2 restricciones adicionales, si queremos tener alguna posibilidad
de identicar el modelo. En el caso de un modelo VAR(1) con 2 variables, hemos
de imponer 22 2 =2 = 1 restricciones para identicar el sistema exactamente,
como hemos constatado en los ejemplos anteriores. En un modelo con 3 variables
necesitaramos imponer 32 3 =2 = 3 restricciones. El nmero de restricciones
necesarias para identicar el modelo es independiente del orden de retardos del
modelo VAR.
Si imponemos condiciones de recursividad en un modelo con 3 variables,
tenemos,
u1t
u2t
u3t

= "1t
= c21 "1t + "2t
= c31 "1t + c32 "2t + "3t

que implica imponer 3 restricciones sobre los elementos de la matriz B 1 :

Con estas restricciones el modelo estara exactamente identicado. La recursividad, que consiste en que la matriz B tiene estructura triangular inferior, siempre
impone k 2 k restricciones.
Hay conjuntos alternativos de restricciones, como,

u1t
u2t
u3t

= "1t + c13 "3t

= c21 "1t + "2t
= c32 "2t + "3t

que tambin lograra la identicacin exacta del modelo. La representacin

inversa es, en este caso:
0

1
0
"1t
1
1
@ "2t A =
@
c21
1 + c21 c13 c32
"3t
c21 c32

10
1
c13
u1t
c13 c21 A @ u2t A
1
u3t

c13 c32
1
c32

Otro tipo de restricciones consistira en imponer un determinado valor numrico

para una respuesta. Por ejemplo, podemos pensar que la innovacin "2t tiene
un efecto unitario sobre y1t ; es decir, que 11 = 1: En tal caso:
"t = But =

11
21

ut =

1
21

ut

Una posibilidad diferente consistira en identicar el modelo estructural imponiendo restricciones sobre la matriz de covarianzas, ya sea imponiendo un
valor numrico para la varianza de "1t ; la varianza de "2t ; o la relacin entre
ambas. Este tipo de restricciones conduce generalmente a soluciones mltiples,
aunque en nmero nito, por lo que el modelo estructural est en tal caso,
sobreidenticado.
Por ltimo, puede conseguirse la identicacin imponiendo restricciones razonables entre los valores numricos de los parmetros estructurales. Por ejemplo, puede imponerse una condicin de simetra, 11 = 21 , o cualquier otra
que resulte adecuada en la aplicacin que se analiza. En el caso del modelo de 2
variables est condicin de simetra de efectos conduce asimismo a la condicin
de igualdad de varianzas para las innovaciones estructurales, lo que no ocurre
en modelos con ms de 2 variables.
1.2.1

Identicacin y respuestas del sistema: el enfoque Cholesky

Otra manera de entender los problemas de identicacin es la siguiente: supongamos que, sin considerar el posible modelo estructural, hemos estimado un modelo VAR(1) bivariante, (7) ; en el que queremos calcular cmo reacciona cada
variable ante una innovacin en una de ellas, lo que denominamos como funcin
de respuesta al impulso. Pero sera poco adecuado, sin embargo, calcular las
respuestas a un impulso en una de las innovaciones, u1 ; por ejemplo, sin que
u2 experimente ningn impulso, pues ambas innovaciones estn correlacionadas
entre s. Por tanto, hemos de transformar primero el modelo estimado en otro
modelo en que las innovaciones del modelo estn incorrelacionadas entre s.
Para ello, nos basamos en la descomposicin de Cholesky de una matriz
simtrica, denida positiva. Dada una matriz simtrica, denida positiva, como
9

es la matriz de covarianzas ; existe una nica matriz triangular inferior C; con 1

en su diagonal principal, y una nica matriz diagonal D, con elementos positivos
a lo largo de su diagonal principal, tal que admite una descomposicin,
= CDC 0
Si consideramos la transformacin lineal del vector de los trminos de error
del modelo VAR con la matriz C 1 , obtenemos:
vt = C

V ar (vt ) = E(vt vt0 ) = E(C

ut u0t C

ut ;

1 0

) = E(C

1 0

)=D

por lo que, a diferencia de los componentes del vector u; los elementos del
vector v estn incorrelacionados entre s, ya que su matriz de covarianzas es
diagonal. Invirtiendo la transformacin, tenemos,
1
10
0
0
1
v1t
1
0
0
::: 0
u1t
B
C
B c12 1
B u2t C
0
::: 0 C
C B v2t C
B
B
C
B
C
B
B
C
::: 0 C B v3t C
ut = B u3t C = Cvt = B c13 c23 1
C
@ ::: ::: ::: ::: ::: A @ ::: A
@ ::: A
vkt
c1k c2k c3k ::: 1
ukt
por lo que,

u1t
u2t
u3t

= v1t ;
= v2t + c12 v1t ;
= v3t + c13 v1t + c23 v2t ; :::
::

es decir,
v1t
v2t
v3t
vkt

= u1t ;
= u2t c12 v1t ;
= u3t c13 v1t c23 v2t ; :::
:::
= ukt c1k v1t c2k v2t :::

ck

1;k vk 1;t

(13)

Quines son estas nuevas innovaciones vit ? Supongamos que tuviesemos

datos acerca de las innovaciones uit y vjt ; i; j = 1; 2; :::; k; y que los coecientes
c1k ; c2k ; :::; ck 1;k se estimasen mediante mnimos cuadrados ordinarios en cada
ecuacin en (13), teniendo a ukt como variable dependiente, y a v1t ; v2t ; :::; vk 1;t
como variables explicativas:
10

u1t
u2t
u3t
ukt

= v1t ;
= v2t c^12 v1t ;
= v3t c^13 v1t c^23 v2t ; :::
:::
= vkt c^1k v1t c^2k v2t :::

c^k

1;k vk 1;t

La primera innovacin, v1t , es igual a u1t : La segunda innovacin, v2t ; es

el residuo de la regresin de mnimos cuadrados de u2t sobre v1t (o lo que es
lo mismo, sobre u1t ): u2t = c12 v1t + v2t . La tercera innovacin, v3t ; es el
residuo de la regresin de mnimos cuadrados de u3t sobre v1t y v2t (o lo que es
lo mismo, sobre u1t y u2t ; ya que v1t y v2t contienen la misma informacin que
u1t y u2t ).
Por construccin, el residuo de mnimos cuadrados en una regresin lineal
tiene correlacin nula con cada una de las variables explicativas, por lo que:
E(vkt :v1t ) = E(vkt :v2t ) = ::: = E(vkt :vk 1;t ) = 0: Dicho de otra manera, si
estimamos regresiones de cada innovacin uit sobre todas las que le preceden
dentro del vector u y nos quedamos con el residuo de dicha regresin, vamos
generando innovaciones vit ; cada una de las cuales ser el componente de uit
que est incorrelacionado con v1t ; v2t ; :::; vi 1;t : Pero los valores numricos que
toman las posibles combinaciones lineales que podamos formar con las variables
u1t ; u2t ; :::; ui 1;t y con las variables v1t ; v2t ; :::; vi 1;t son los mismos, es decir,
que ambos conjuntos de variables contienen la misma informacin. La nica
diferencia entre ambos es que las variables u1t ; u2t ; :::; ui 1;t tiene correlaciones
no nulas, mientras que las variables v1t ; v2t ; :::; vi 1;t estn incorrelacionadas entre s. Por tanto, vit ; es tambin el componente de uit que est incorrelacionado
con u1t ; u2t ; :::; ui 1;t
Las nuevas innovaciones vit van a jugar el papel de las innovaciones del
modelo estructural. Esta transformacion de los trminos de error, basada en
la descomposicin de Cholesky de la matriz de covarianzas de los trminos de
error originales del VAR permite identicar el modelo, pues la matriz C incorpora precisamente (k 2 k)=2 restricciones. El procedimiento introduce una
ordenacin de variables, al conceder a los trminos de error transformados una
relevancia distinta: una vez ordenadas las variables del vector Yt ; el primer error
transformado v1t coincide con el antiguo, u1t : el segundo, v2t es la parte de u2t
no explicada por u1t ; y as sucesivamente. Por tanto, la primera variable es la
que se considera primera en el orden causal de relaciones entre todas ellas, la
segunda variable es la segunda en importancia, y as sucesivamente.
La ordenacin que se establezca entre las variables condiciona los resultados
que posteriormente se obtengan. Cuanto ms correlacionadas estn las variables, ms dependientes son los resultados de la ordenacin de variables; cuanto
menores sean las correlaciones entre las variables de Yt ; menos dependern los
resultados de la ordenacin establecida. En presencia de correlaciones signicativas no cabe sino analizar el modelo con distintas ordenaciones y tratar de
11

interpretar los resultados obtenidos. En algunos casos, la propia naturaleza de

las variables har natural pensar que una variable se mueve en anticipacin a la
otra, o que es causal-previa a la otra.
En algunas ocasiones, la transformacin que pasa de las innovaciones uit a
las vjt se basa en la descomposicin:
= CD1=2 D1=2 C 0
y consiste en: wt = D 1=2 C 1 ut = D 1=2 vt ; por lo que la matriz de covarianzas del vector transformado es en este caso no solo una matriz diagonal,
sino igual a la matriz identidad, es decir todas las varianzas son iguales a uno:
V ar(w) = Ik . Un shock unitario en wit es igual a un shock en vit de tamao
igual a la desviacin tpica de vit : Las respuestas del sistema a un shock unitario
en vit son respuestas a shocks p
unitarios en yit , mientras que las respuestas a wit
lo son a shocks de magnitud V ar(vit ) en
pyit : Lgicamente, las primeras son
iguales a las segundas, multiplicadas por V ar(vit ):Cuando las variables que
se incluyen en el VAR tienen varianzas diferentes, esta transformacin facilita
la comparacin de respuestas a shocks de tamao comparable.
En un modelo VAR bivariante de orden 1, con dos variables, la descomposicin de Cholesky ser:
2
1
12

12
2
2

1 0
c 1

m 0
0 n

1
0

c
1

y es sencillo probar que debe ser: m = 21 ; n = 22 ; c = 12 = 21 : Por tanto,

la constante c no es sino el estimador de mnimos cuadrados en la regresin de
u2t sobre u1t : La transformacin ser:
v1t
v2t

^"1t
^"2t

1 0
c 1

u1t
u2t

Utilizamos ahora la notacin v1t = ^"1t para resaltar que las variables v1t son
perturbaciones estructurales, como vamos a ver.
Premultiplicando el modelo VAR2 (1):
y1t
y2t
por la matriz
y1t
y2t

10
20

0
c^ 1

11

12

21

22

y1t
y2t

u1t
u2t

(14)

; tendramos,

=
"1t
10 + 11 y1t 1 + 12 y2t 1 + ^
= ( 20 c^ 10 ) + c^y1t + ( 21 c^ 11 )y1t

+(

22

c^

12 )y2t 1

+ ^"2t

un modelo estructural en el que la variable y1 tiene efectos contemporneos

sobre y2 ; pero y2 no tiene efectos contemporneos sobre y1 : La estructura recursiva que apreciamos en este modelo, como en (12), tambin se obtendra en

12

el caso de contar el modelo VAR con k ecuaciones. En este modelo, tiene sentido preguntarse por las respuestas de ambas variables a una perturbacin en
^"1t o en ^"2t ; puesto que ambas estn incorrelacionadas, por construccin. En
respuesta a un impulso en ^"1t , ambas variables, y1t y y2t ; reaccionarn en el
mismo instante, y tambin en perodos siguientes, hasta que dichas respuestas
decaigan a cero. En cambio, en respuesta a una perturbacin en ^"2t , y2 responder en el mismo perodo y perodos siguientes, mientras que y1 slo responder
en perodos siguientes al de la perturbacin. Si utilizamos esta transformacin,
los shocks observados en ^"2 son atribuidos a u2 : Si el modelo VAR contase con 3
variables endgenas entonces, en respuesta a un impulso en ^"3t , tanto y1 como
y2 reaccionarn solo a partir del perodo siguiente.
Este es un modelo estructural exactamente identicado puesto que, como
acabamos de ver en el caso bivariante, el modelo estructural al que llegamos
mediante esta transformacin es un modelo recursivo. Ms adelante analizaremos nuevamente, de manera detallada y ms general, esta estrategia de identicacin basada en la transformacin del modelo mediante la descomposicin de
Cholesky de la matriz de covarianzas de las innovaciones del modelo VAR.

1.3

VAR y modelos univariantes

Es til asimismo pensar en trminos de cules son los modelos univariantes que
se deducen de una representacin VAR, en lnea con el trabajo de Zellner y
Palm (19xx). En este sentido, si partimos de un VAR2 (1), como (7), escrito en
funcin del operador de retardos,
y1t
y2t

=
=

+
20 +
10

11 Ly1t

+
21 Ly1t +

12 Ly2t

+ u1t
22 Ly2t + u2t

+
1

+ u2t

tenemos,
y2t =

20

21 Ly1t
22 L

con lo que,
(1

11 L) y1t

22 L)

2
12 21 L

10

12 L

20

+
1

21 Ly1t

+ u2t

22 L

+ u1t

y, nalmente,
(1

11 L) (1

y1t = [(1

22 )

10

12 20 ]+[(1

22 L) u1t

que es un proceso ARMA(2,1) con trmino de error (no innovacin): 1t =

22 L) u1t + 12 u2t 1 :
Las dos variables tienen la misma ecuacin caracterstica, e iguales propiedades
dinamicas, por tanto. Ntese que el hecho de que el modelo VAR sea estable
garantiza que los modelos univariantes con estructura AR(2) sean asimismo
estables, pues ambas races quedan fuera del crculo unidad.
(1

13

12 u2t 1 ]

1.4

Estimacin de un modelo VAR

Como ya hemos mencionado, en ausencia de restricciones, la estimacin por

mnimos cuadrados, ecuacin por ecuacin, de un modelo VAR produce estimadores ecientes a pesar de que ignora la informacin contenida en la matriz
de covarianzas de las innovaciones. Junto con el hecho de que la colinealidad
entre las variables explicativas no permite ser muy estricto en la interpretacin
de los estadsticos t, sugiere que es preferible mantener todas las variables explicativas iniciales en el modelo.
El estimador es consistente siempre que los trminos de error sean innovaciones, es decir, procesos ruido blanco, pues en tal caso, estarn incorrelacionados con las variables explicativas, por la misma razn que en un modelo univariante. Por tanto, la ausencia de autocorrelacin en los trminos de error de todas
las ecuaciones es muy importante. Tomando ambos hechos conjuntamente, es
fcil concluir que debe incluirse en cada ecuacin, como variables explicativas,
el menor nmero de retardos que permita eliminar la autocorrelacin residual
en todas las ecuaciones. Existen contrastes del tipo de razn de verosimilitud
sobre el nmero de retardos a incluir en el modelo.
Un modelo VAR no se estima para hacer inferencia acerca de coecientes
de variables individuales. Precisamente la baja precisin en su estimacin, desaconseja cualquier anlisis de coecientes individuales. Tiene mucho sentido,
por el contrario, el anlisis conjunto de los coecientes asociados a un bloque
de retardos en una determinada ecuacin.
Bajo hiptesis de Normalidad del vector de innovaciones, el logaritmo de la
funcin de verosimilitud es,
l=

Tk
(1 + ln 2 )
2

T
ln j ^ j
2

siendo ^ la estimacin de la matriz de covarianzas del vector de innovaciones

u,
T
X
^= 1
u
^t u
^0t
T t=1

una matriz simtrica, denida positiva, por construccin.

1.5
1.5.1

Contrastacin de hiptesis
Contrastes de especicacin

Uno de los contrates ms habituales en un modelo VAR es el relativo al nmero

de retardos que deben incluirse como variables explicativas. Hay que tener en
cuenta que en cada ecuacin entra un bloque de retardos de todas las variables del vector y. Si, por ejemplo, trabajamos con 4 variables y establecemos
un orden 3 para el VAR, tendremos 12 variables explicativas, ms el trmino
constante, en cada ecuacin, con un total de 52 coecientes en el sistema de

14

ecuaciones, ms 10 parmetros en la matriz de varianzas-covarianzas de las innovaciones. El nmero de parmetros a estimar crece muy rpidamente con el
nmero de retardos. Si pasamos de 3 a 4 retardos, tendramos 68 coecientes
ms los 10 parmetros de la matriz de covarianzas. Una estrategia razonable
consiste en incluir en cada ecuacin del modelo el menor nmero de retardos
que permita eliminar la autocorrelacin del trmino de error de todas ellas.
Existe un contraste formal de signicacin de un conjunto de retardos, que
utiliza un estadstico de razn de verosimilitudes,
= (T

k)(ln j

ln j

SR

donde j R j; j SR j denotan los determinantes de las matrices de covarianzas de los modelos restringido y sin restringir, respectivamente. Si queremos
contrastar si un cuarto retardo es signicativo, deberamos estimar el modelo
con 3 y con 4 retardos, y construir el estadstico anterior, que tiene una distribucin chi-cuadrado con un nmero de grados de libertad igual al nmero de
restricciones que se contrastan. Al pasar del modelo con 3 retardos al modelo con
4 retardos, hay que aadir un retardo ms de cada variable en cada ecuacin,
por lo que el nmero de restricciones es igual al incremento en el nmero de
retardos, multiplicado por el nmero de variables, elevado al cuadrado.
Sin embargo, no puede olvidarse que la eleccin del nmero de retardos debe
tener muy en cuenta la eliminacin de autocorrelacin en los residuos. Los estadsticos anteriores no examinan este importante aspecto y, por tanto, no deben
utilizarse por s slos. En consecuencia, una buena estrategia es comenzar de un
nmero reducido de retardos, y examinar las funciones de autocorrelacin de los
residuos, junto con estadsticos del tipo Ljung-Box o Box-Pierce para contrastar
la posible existencia de autocorrelacin, lo que requerira aumentar el nmero de
retardos y con ello, el nmero de parmetros a estimar. Lamentablemente, sin
embargo, es muy poco probable que pueda eliminarse la autocorrelacin residual
con menos de 4 retardos cuando se trabaja con datos trimestrales, o con menos
de 12 retardos, cuando se trabaja con datos mensuales.
Una estrategia distinta para encontrar el orden del modelo VAR consiste
en examinar los denominados criterios de Informacin, que son determinadas
correcciones sobre el valor muestral de la funcin logaritmo de Verosimilitud.
Los ms conocidos son los de Akaike (AIC) y Schwartz (SBC o BIC),

Hannan

AIC

SBC

Quinn =

n
l
+2
T
T
l
ln(T )
2 +n
T
T
l
k ln(ln(T ))
2 +2
T
T
2

siendo l = T2k (1 + ln 2 ) T2 ln j ^ j; d es el nmero de variables exgenas,

p el orden del VAR, k el nmero de variables, y n = k(d + pk) el nmero de
parmetros estimados en el modelo VAR,.
15

En ocasiones, se ignora el trmino constante de la funcin de verosimilitud,

y los criterios anteriores se aproximan por:
AIC
SBC

= T: ln (j j) + 2n
= T: ln (j j) + n ln(T )
ln (j j)
k ln(ln(T ))
Hannan Quinn = 2
+2
T
T
siendo N el nmero de parmetros que se estima, y la matriz de covarianzas
de los residuos. Estos estadsticos se calculan para una sucesin de modelos con
distinto nmero de retardos y se comparan, seleccionando aqul modelo que
produce un menor valor del estadstico. Pero no cabe esperar que los tres
criterios conduzcan a la misma conclusin.
Un estadstico de razn de verosimilitudes como el antes descrito puede utilizarse para contrastar cualquier tipo de hiptesis, y no slo la signicacin de
grupos de variables, siempre que el modelo restringido est anidado dentro del
modelo sin restringir.
1.5.2

Contrastes de causalidad

Un contraste especialmente interesante es el conoce como de causalidad en el

sentido de Granger: supongamos que estamos explicando el comportamiento
de una variable y utilizando su propio pasado. Se dice que una variable z
no causa a la variable y si al aadir el pasado de z a la ecuacin anterior no
aade capacidad explicativa. El contraste consiste en analizar la signicacin
estadstica del bloque de retardos de z en la ecuacin mencionada, y la hiptesis
nula es que la variable z no causa, en el sentido de Granger, a la variable y.
En realidad, la propuesta inicial de Granger haca referencia a que la prediccin de y basada en el pasado de las dos variables y y z, sea estrictamente mejor
(es decir, con menos error) que la prediccin de y basada exclusivamente en su
propio pasado. As, se dira que la variable z no causa a la variable y si se tiene,
E(yt = yt

1 ; yt 2; :::;

zt

1 ; zt 2 ; :::)

= E(yt = yt

1 ; yt 2; :::)

Sin embargo, esta propiedad no suele analizarse utilizando predicciones. Se

contrasta exclusivamente la signicacin del bloque de retardos de z en la
ecuacin de y; y se supone que si dicho bloque de variables es signicativo,
contribuir a mejorar la prediccin de la variable y: Esta manera de proceder se
basa en que, analticamente, es evidente que la presencia del bloque de retardos
de z en la ecuacin de y hace que la esperanza de y condicional en el pasado de
las dos variables, y y z; sea distinta de la esperanza de y condicional en su propio
pasado exclusivamente, si bien esta propiedad terica no siempre se maniesta
en resultados prcticos, y es bien sabido que un buen ajuste no necesariamente
conduce a una buena prediccin.
El contraste puede llevarse a cabo utilizando el estadstico F habitual en
el contraste de signicacin de un bloque de variables, o mediante el estadstico de razn de verosimilitudes anterior. Con ms de dos variables, existen
16

muchos posibles contrastes de causalidad y en algunos casos, el estadstico de

razn de verosimilitudes puede resultar ms til que el estadstico F , al permitir contrastar la exclusin de algn bloque de retardos en varias ecuaciones
simultneamente.
Asimismo, el contraste de causalidad o, lo que es lo mismo, el contraste
de signicacin de un bloque de retardos puede llevarse a cabo mediante un
estadstico de razn de verosimilitudes, en el que el modelo restringido excluye
un grupo de retardos de una ecuacin.

1.6

Representacin MA de un modelo VAR

Todo modelo VAR estacionario admite una representacin de medias mviles

(MA),
Yt =

1
X

Bs ut

s=0

a la que se llega tras sucesivas sustituciones de Yt s en (11) : La representacin MA puede obtenerse asimismo en funcin de las innovaciones estructurales. Esta representacin permite resumir las propiedades de las relaciones
cruzadas entre las variables que componen el vector Yt ; que queda representado como una combinacin lineal de valores actuales y pasados del vector de
innovaciones. La simultaneidad vuelve a quedar palpable en el sentido de que
cualquier innovacin uit afecta a todas las variables Yj;t+s .
Si resolvemos recursivamente el modelo VARk (1) tenemos,
Yt

= A0 + A1 Yt 1 + ut = A0 + A1 (A0 + A1 Yt 2 + ut
= (Ik + A1 )A0 + A21 Yt 2 + (A1 ut 1 + ut ) =
=

(Ik + A1 + A21 + ::: + An1

)A0 +

n
X1

Ai1 ut

1)

+ ut =

+ An1 Yt

i=0

Como puede verse, para la estabilidad del sistema es preciso que las sucesivas
potencias de la matriz A1 decaigan hacia cero, pues de lo contrario, el futuro
lejano tendra efectos sobre el presente, en contra de la rpida amortiguacin
temporal de efectos inherente a todo proceso estacionario. Esto requiere que
las races del polinomio caracterstico de dicha matriz j Ik A1 j= 0; caigan
fuera del crculo unidad, condicin anloga a la que se tiene para un proceso
autoregresivo univariante.
Cuando se cumplen las condiciones de estabilidad, tomando lmites en la
expresin anterior, tenemos,
Yt =

1
X
i=0

17

Ai1 ut

(15)

donde
por,3

= E(Y ) es el vector de esperanzas matemticas, que viene dado

= (Ik

A1 )

A0

Esta (15) es la representacin de medias mviles del VAR.

Adems,

V ar(Yt ) = E (Yt

=E

"

1
X

Ai1 ut i

i=0

#2

1
X

Ai1 V ar(ut i ) Ai1

i=0

1
X

Ai1

i=0

En el caso bivariante,
y1t
y2t

10

20

11

12

21

22

1
X

y1t
y2t
s

s=0

11

12

21

22

u1t
u2t

u1t
u2t

s
s

tenemos:
1

= I2

siendo

11
21

= (1

V ar(Yt ) =

11 )(1

1
X
i=0

10

12
22

20 (1

20

22 )

12 21 ,

10 (1

22 )

+
)
+
11

12 20
21 10

y
i0

11

12

2
u1

21

22

u1 u 2

u1 u2
2
u2

11

12

21

22

Existe un procedimiento recursivo para obtener las matrices de coecientes

de la representacin de medias mviles que utiliza la relacin,
Yt

= A1 Yt 1 + ::: + Ap Yt p + ut ) (Ik A1 L
) Yt = (Ik A1 L A2 L ::: Ap Lp ) 1 ut

A2 L

:::

Ap Lp )Yt = ut )

y queremos encontrar la representacion de medias mviles:

Yt = (

1L

2
2L

+ :::)ut

de modo que,
3 Ntese

la similitud con la expresin dela suma de una progresin geometrica de razon

menor que la unidad, si bien en este caso se trata de una progresin geomtrica de matrices.

18

Ai1

Yt = (

2
0 + 1 L+ 2 L +:::)ut

2
0 + 1 L+ 2 L +:::)(Ik

=(

A1 L A2 L ::: Ap Lp )Yt

por lo que tenemos:

Ik

+
+
(
0
0

1L
1

+ 2 L2 + :::)(Ik A1 L A2 L ::: Ap Lp ) =
A1 0 )L + ( 2 A1 1 A2 0 )L2 + :::

que conduce a,

0
1
2

= Ik
= A1
= A1
:::
= A1

+ A2

s 1

+ A2

s 2

+ ::: + Ap

s p

que pueden utilizarse para calcular recursivamente las matrices de coecientes de la representacin de medias mviles, i ; obteniendo la representacin
MA:
Yt = ut +

1 ut 1

2 ut 2

3 ut 3

+ ::::

Es importante tambin considerar la representacin MA en trminos de las

innovaciones del modelo estructural:
y1t
y2t

2
1

1
X

1
1

s
11
21

11 21 s=0

1
X
s=0

11 (s)

12 (s)

21 (s)

22 (s)

12
22

"1t
"2t

"1t
"2t

11
21

1
X

(s)"t

s=0

donde,

(s) =

11 (s)

12 (s)

21 (s)

22 (s)

1
1

11 21

11

12

21

22

11
21

(17)
En el caso particular de que utilicemos la transformacin de Cholesky para
identicar el modelo, tendremos perturbaciones estructurales:
^"1t
^"2t

1 0
c 1

u1t
u2t

)
19

u1t
u2t

1 0
c 1

^"1t
^"2t

s
s

(16)
=

por lo que:
Yt = ut + ~ 1 ut

+ ~ 2 ut

+ ~ 3 ut

+ ::::

con:
~=
1.6.1

1 0
c 1

La descomposicin de Cholesky en el caso general (Apndice)

Para eliminar la correlacin contempornea existente entre las innovaciones ut

de distintas ecuaciones, podemos transformar el vector ut en un vector et mediante la transformacin denida por la descomposicin de Cholesky de la matriz
de covarianzas ; = V ar(ut ): Esta descomposicin nos proporciona una matriz triangular inferior G tal que GG0 = : Como consecuencia, G 1 G0 1 = I;
y el sistema VAR puede escribirse,
Yt =

1
X
s=0

As ut

1
X

(As G) G

ut

s=0

1
X
s=0

es et
A

es = As G; et s = G 1 ut s ; V ar (et s ) = G 1 V ar(ut s )G 10 = I:
con A
El efecto de eit sobre Yj;t+s viene medido por el elemento (j; i) de la matriz
A~s : La sucesin de dichos elementos, para 1 s 1 proporciona la respuesta
dinmica de la variable Yj a una innovacin en la variable Yi : esto se conoce
como funcin de respuesta de Yj a un impulso sorpresa en Yi :
Como eit es el error de prediccin un perodo hacia adelante en Yit , la representacin MA ortogonalizada nos permite computar el error de prediccin de
Yit ; m-perodos hacia
en el instante t m + 1, a travs del elemento iPmadelante,
1 e
simo en el vector s=0 A
e
s t s : Su varianza, el elemento i-simo en la diagonal
PK Pm 1
Pm 1 e e0
de s=0 As As ; puede escribirse, j=1 s=0 e
as (i; j) e
as (j; i) ; siendo e
as (i; j) el
elemento (i; j) genrico de la matriz element A~s : Al aumentar m; a partir de
m = 1, esta descomposicin de la varianza del error de prediccin de Yit+m
entre las k variables del vector Yt se conoce como descomposicin de la varianza
de Yit : Proporciona una estimacin de la relevancia de cada variable del sistema
para explicar los errores de prediccin de las uctuaciones futuras en Yit :

1.7

Funciones de respuesta al impulso

La ecuacin (16) es la representacin de medias mviles del modelo VAR(1)

bivariante. Los coecientes de la sucesin de matrices (s) representan el impacto que, a lo largo del tiempo, tienen sobre las dos variables del modelo y1t
e y2t una perturbacin en las innovaciones estructurales v1t ; v2t : Por ejemplo,
los coecientes 12 (s) reejan el impacto que en los distintos perodos s; s 1;
tiene sobre y1 una perturbacin del tipo impulso en v2 :
Es decir, consideramos que v2 est en su valor de equilibrio, cero, excepto en
un perodo, en que toma un valor igual a 1; como consecuencia, tanto y1 como
20

y2 reaccionan, puesto que v2t aparece en ambas ecuaciones en (16) y dicha

respuesta se extiende a varios perodos, hasta que la sucesin 12 (s) se hace
cero. La sucesin de valores numricos f 12 (s)g se conoce como la respuesta de
y1 a un impulso en v2 : El multiplicador o respuesta a largo plazo es la suma
P
1
si las variables son estacionarias, pues en tal caso
s=0 12 (s): Esta suma
Pexiste
1
ha de cumplirse que j s=0 12 (s) j< 1:
El problema al que nos enfrentamos al tratar de calcular las funciones de
respuesta al impulso es que, si bien contamos con estimaciones numricas de los
parmetros ij ; i; j = 1; 2; desconocemos los parmetros 11 y 21 que aparecen
en (17). En el modelo recursivo que antes vimos, se tiene 21 = 0: Como
se aprecia al resolver el ejercicio 1, en este modelo el parmetro 11 puede
recuperarse mediante ^ 11 = u1 u2 = 2u2 ; y se tiene adems: u2t = v2t y u1t =
v1t + 11 v2t = v1t + 11 u2t :
Las funciones de respuesta al impulso slo pueden obtenerse bajo restricciones de identicacin de este tipo. La estrategia de identicacin basada en
la descomposicin de Cholesky es la ms habitual, y equivale a admitir que una
de las dos variables afecta a la otra slo con retraso, si bien permitimos que en
la otra direccin haya respuesta contempornea. Estaremos caracterizando las
respuestas del sistema a un impulso en cada una de las innovaciones del modelo
estructural o, lo que es lo mismo, en la innovacin u2t y en u1t
11 u2t : Esta
ltima expresin es, en este modelo recursivo, la componente de u1t que no est
explicada por u2t o, si se preere, la componente de u1t que no est correlacionada con u2t 4 : Pero si 21 = 0; entonces u1t
11 u2t es, precisamente, igual
a la perturbacin estructural v1t :
Las funciones de respuesta al impulso slo pueden obtenerse despus de
haber introducido restricciones acerca del retraso con que unas variables inciden
sobre otras. Esta eleccin condiciona bastante, en general, el aspecto de las
funciones de respuesta, excepto si las innovaciones del modelo VAR, u1t y u2t
estn incorrelacionadas, en cuyo caso, coinciden con las innovaciones del modelo
estructural.
Las funciones de respuesta al impulso generan una gran cantidad de nmeros,
pues se calcula el impacto que, en cada instante futuro tendra, sobre cada
variable del modelo, un impulso en una determinada innovacin, y ello puede
repetirse para las innovaciones en cada una de las ecuaciones. Por eso, suelen
representarse en varios grcos, cada uno de los cuales incluye las respuestas
a travs del tiempo, de una determinada variable a un impulso en cada una
de las innovaciones; de este modo se tiene tantos grcos como variables en
el modelo, cada uno de ellos conteniendo tantas curvas como variables. Alternativamente, pueden construirse grcos, cada uno de los cuales representa la
4 Si

bien 11 no sera en general el coeciente que estimaramos mediante una regresin de

Cov(u1 ;u2 )
u1t sobre u2t . Si proyectamos u1t sobre u2t ; el coeciente estimado ser igual a V ar(u
:
2)
Pero u1t = ("1t + 11 "2t )=(1
11 21 ) y u2t = ("2t + 21 "1t )=(1
11 21 ); por lo que
2
^ = 11 +2 21 ;
Cov(u1 ; u2 ) = ( 11 2"2 + 21 2"1 )=(1
11 21 ) : Por tanto, estimaramos:
+
y u1
^=

^ u2 tendra correlacin nula con u1 : Por ltimo, si

11 y "t = u1t
11 u2t :

21

21

21

= 0; entonces efectivamente:

respuesta temporal de todas las variables del modelo a un impulso en una de

las innovaciones. Nuevamente hay tantos grcos como variables, cada uno de
ellos conteniendo tantas curvas como variables. El inconveniente del segundo
tipo de representacin es que las respuestas de las distintas variables dependen
de sus respectivas volatilidades, por lo que la comparacin de las respuestas de
dos variables diferentes a un determinado impulso no permite decir cul de las
variables responde ms. Recordando que la desviacin tpica es una medida adecuada del tamao de toda variable aleatoria de esperanza nula, debemos dividir
las respuestas de cada variable por su desviacin tpica antes de representarlas
en un mismo grco. Tampoco un impulso de tamao unidad tiene el mismo
signicado en cada variable, por lo que conviene calcular las respuestas normalizadas a un impulso de tamao igual a una desviacin tpica en cada innovacin,
es decir, a un shock unitario en las innovaciones wit ; no en las innovaciones vit .
Ejercicio: Consideremos un VAR(1) en forma reducida sin constante (es
decir, las variables tiene esperanza igual a cero y las innovaciones uit tienen
covarianza cero),
0
1 0
10
1 0
1
y1t
0; 5 0
0
y1t 1
u1t
@ y2t A = @ 0; 1 0; 1 0; 3 A @ y2t 1 A + @ u2t A
y3t
0
0; 2 0; 3
y3t 1
u3t

y supongamos que antes del instante t0 las innovaciones toman un valor igual
a cero en todos los perodos, las variables estn en sus niveles de equilibrio,
yi = yi = 0; i = 1; 2; 3. En dicho instante, la innovacin u1t0 toma un valor
unitario, u1t0 = 1; y vuelve a ser cero en los perodos siguientes. Cul es la
respuesta del sistema?
En el instante t0 ;
1 0 1
1 0
0
1
u1t0
y1t0
@ y2t0 A = @ u2t0 A = @ 0 A
u3t0
0
y3t0

por lo que y2t0 e y3t0 estarn en sus niveles de equilibrio, y2 = y2 = 0; y3 =

y3 = 0, mientras que y1t0 = y1 + 1 = 1:
Posteriormente,
0

1
0
y1t0 +1
0; 5 0
@ y2t0 +1 A = @ 0; 1 0; 1
y3t0 +1
0
0; 2
0
0; 5 0
= @ 0; 1 0; 1
0
0; 2

10
0
0; 3 A @
0; 3
10
0
0; 3 A @
0; 3

22

1 0
1
y1t0
u1t0 +1
y2t0 A + @ u2t0 +1 A =
y3t0
u3t0 +1
1 0 1 0
1
y1 + 1
0
0; 5
A + @ 0 A = @ 0; 1 A
y2
y3
0
0

1
0
y1t0 +2
0; 5 0
@ y2t0 +2 A = @ 0; 1 0; 1
y3t0 +2
0
0; 2
0
0; 5 0
= @ 0; 1 0; 1
0
0; 2

10
0
0; 3 A @
0; 3
10
0
0; 3 A @
0; 3

1 0
y1t0 +1
y2t0 +1 A + @
y3t0 +1
1 0
0; 5
0
0; 1 A + @ 0
0
0

1
u1t0 +2
u2t0 +2 A =
u3t0 +2
1 0
1
0; 25
A = @ 0; 06 A
0; 02

que van proporcionando la primera columna de las matrices que obtenemos

calculando las sucesivas potencias de la matriz de coecientes A1 :
De este modo, tendramos las respuestas del sistema a sorpresas en las innovaciones del modelo VAR. Si queremos calcular las respuestas a innovaciones
estructurales, debemos utilizar la representacin,
y1t
y2t

1
X

1
1

s
11

12

21

11 21 s=0

1
21

22

v1t
v2t

11

s
s

y examinar la sucesin denida en (17).

1.8

Descomposicin de la varianza

Consideremos la representacin MA de un VAR en funcin de las innovaciones

estructurales para un valor futuro del vector de variables:
yt+m =

1
X

(s)"t+m

s=0

A partir de esta expresin, las predicciones de las variables y1 ; y2 ; a horizonte

m seran:
Et yt+m = Et

y1t+m
y2t+m

1
X

(s)"t+m

s=m

donde = ( ij ) es la sucesin de matrices que antes introdujimos. Ntese

que hemos introducido: Et yt+1 = Et yt+2 = ::: = Et yt+m = 0
En consecuencia, el error de prediccin a horizonte m es,

et (m)

= yt+m

Et yt+m =

1
X
s=0

(
(

11 (0)"1t+m
21 (0)"1t+m

+ ::: +
+ ::: +

11 (m
21 (m

(s)"t+m

1)"1t+1 ) + (
1)"1t+1 ) + (

Et

1
X

(s)"t+m

s=m
12 (0)"2t+m
22 (0)"2t+m

+ ::: +
+ ::: +

12 (m
22 (m

que, como vemos, depende de la realizacin de las perturbaciones que se

produzcan en ambas innovaciones desde t + 1 hasta t + m: El tamao del error
de prediccin viene indicado por su varianza:
23

m
X1

(s)"t+m

s=0

1)"2t+1 )
1)"2t+1 )

V ar

Pm 1
Ps=0
m 1
2

e1t (m)
e2t (m)

s=0

2
11 (s)
2
21 (s)

+
+

Pm 1
Ps=0
m 1
2

2
2

s=0

2
12 (s)
2
22 (s)

que, inevitablemente, aumentan con el horizonte de prediccin. La expresin

anterior nos permite descomponer la varianza del error de prediccin en dos
fuentes, segn tenga a "1 o a "2 como causa. Con ello, estamos examinando
el inevitable error de prediccin en cada variable a un determinado horizonte,
y atribuyndolo a la incertidumbre acerca de la evolucin futura en cada una
de las variables. Es, por tanto, una manera de hacer inferencia acerca de las
relaciones intertemporales entre la variables que componen el vector y: Para
ello, se expresan los componentes de cada varianza en trminos porcentuales,
2
v1

Pm

1
s=0

2
11 (s)

V ar (e1t (m))

2
v2

Pm

1
s=0

2
12 (s)

V ar (e1t (m))

2
v1

Pm

1
s=0

2
21 (s)

V ar (e2t (m))

2
v2

Pm

1
s=0

2
22 (s)

V ar (e2t (m))

Si una variable es prcticamente exgena respecto a las dems, entonces

explicar casi el 100% de la varianza de su error de prediccin a todos los
horizontes posibles. Esto es lo ms habitual a horizontes cortos, mientras que a
horizontes largos, otras variables pueden ir explicando un cierto porcentaje de
la varianza del error de prediccin.
La descomposicin de la varianza est sujeta al mismo problema de identicacin que vimos antes para las funciones de respuesta al impulso, siendo
necesario introducir alguna restriccin como las consideradas en la seccin anterior. Nuevamente, si la correlacin entre las innovaciones del VAR es muy
pequea, la ordenacin que se haga de las variables del vector y o, lo que es lo
mismo, las restricciones de exclusin de valores contemporneos que se introduzcan sern irrelevantes. En general, sin embargo, tales restricciones condicionan
muy signicativamente la descomposicin de la varianza resultante. De hecho,
con las restricciones de identicacin de la seccin anterior, "2 explica el 100%
de la varianza del error de prediccin un perodo hacia adelante en la variable
y2 : Si, en vez de dicha restriccin, excluyramos y2t de la primera ecuacin,
entonces "1 explicara el 100% de la varianza del error de prediccin un perodo
hacia adelante en la variable y1 :

1.9

Cointegracin

Un vector z de variables de naturaleza I(1) se dicen cointegradas si existe una

combinacin lineal de las mismas, denida por un vector tal que 0 z es una
variable aleatoria I(0), es decir, estacionaria. Ms generalmente, se dice que un
vector z de variables cuyo mximo orden de integracin es q estn cointegradas
si existe una combinacin lineal de las mismas, denida por un vector tal que
0
z es una variable aleatoria I(p); con p < q: El vector se denomina vector de
cointegracin.

24

1.9.1

Contraste de cointegracin

Si partimos de variables yt ; xt de naturaleza I(1); sus primeras diferencias,

yt ; xt son estacionarias. Contrastaramos entonces la cointegracin de yt ; xt
estimando una regresin,
yt =

1 xt

+ vt ; t = 1; 2; :::; T

(18)

y contrastando la estacionariedad de los residuos, como propusieron Engle

y Granger (1987). Sin embargo, los niveles crticos para el contraste de esta
hiptesis no son los mismos que para el contraste de races unitarias en una
variable, pues ahora, el contraste se lleva a cabo despus de haber estimado el
modelo de regresin (18). Esto no es irrelevante: el procedimiento de mnimos
cuadrados busca los valores del espacio paramtrico ( 0 y 1 en la regresin
anterior) que minimizan la varianza del residuo resultante, y ste tiene una
varianza innita para los valores de 1 que no hacen que las variables estn
cointegradas. Por tanto, si yt ; xt estn cointegradas, el mtodo de MCO tender a seleccionar el valor de 1 que genera residuos estacionarios, es decir, la
constante de cointegracin. Aunque esto es lo que pretendemos, ello signica
que hay una cierta tendencia a concluir con ms frecuencia de la que debiramos
que las variables estn cointegradas. En consecuencia, los valores crticos para
el contraste de raz unitaria de los residuos de (18) deben ser ms elevados en
valor absoluto que los utilizados para el contraste de raz unitaria habitual.
La contraste de cointegracin 1 ; si existe, es nica. En efecto supongamos
que existe otra constante , con 6= ; tal que yt
xt es estacionario. Pero
yt
xt = yt
xt + (
)xt ; y el ltimo sumando no es estacionario, por lo
que no puede ser una constante de cointegracin.
Si los residuos de esta regresin resultan ser estacionarios, decimos que las
variables yt ; xt estn cointegradas, siendo (18) la relacin de cointegracin entre
ambas. Esta relacin sera el producto 0 z anterior despus de normalizar una
de las coordenadas del vector
lo cual, evidentemente, siempre es posible.
Se interpreta como la relacin de largo plazo entre ellas, alrededor de la cual
experimentan desviaciones a corto plazo que revierten posteriormente. Es decir,
si en un determinado perodo, yt est por encima del valor numrico de 0 + 1 xt
para ese mismo perodo, generalmente yt crecer por encima de 0 + 1 xt ; de
manera que yt+1 tender a acercarse a 0 + 1 xt+1 . En el caso de dos variables
yt ; xt , decimos que 1 es la constante de cointegracin entre ambas.
El contraste de cointegracin descrito, mediante la contrastacin de la existencia de una raiz unitaria en los residuos de una regresin, se conoce como
contraste de Engle y Granger. Cuando el vector zt consta de ms de 2 variables
pueden existir varias relaciones de cointegracin. Esto es lo que sucede, por
ejempo, al considerar un vector de tipos de inters a distinto vencimiento, dentro de un mismo mercado, ya sea el mercado secundario de deuda pblica, un
mercado de swap en una determinada divisa, etc.. En este caso, el procedimiento
de Engle-Granger para estimar vectores de cointegracin es problemtico, pues
estimaremos una combinacin lineal de las posibles relaciones de cointegracin
existentes entre las variables que componen el vector. De hecho, la estimacin
25

resultante depender de la normalizacin de coecientes utilizada en (18), a

diferencia de lo que ocurre en el caso de dos variables. En tal caso hay que
utilizar el procedimiento de Johansen, que explicamos en la seccin siguiente.
Variables cointegradas: ejemplos
Ejemplo 1 : Un ejemplo de variables cointegradas es,
xt
yt
wt

=
x + x wt + "xt
=
y + y wt + "yt
= wt 1 + "t

donde wt es la tendencia comn a xt e yt ; siendo "xt ; "yt variables aleatorias

N (0; 2x ); N (0; 2y ); sin autocorrelacin. Las variables xt e yt estn cointegradas,
puesto que
y

yt

xt =

y
y

+ " yt

"xt

que es una variable estacionaria. El vector 1;

y= x

se denomina vector

xt ; que es estacionaria,
de cointegracin, y la combinacin lineal t = yt
x
es la cuanta en la que se incumple la relacin de equilibrio a largo plazo en el
perodo t.
Ejemplo 2: En Example II.5.11 (C. Alexander) se proporcionan datos diarios
de los ndices CAC y DAX, desde el inicio de 1996 a mitad de julio de 2007.
El grco presenta dichos datos, cuando estos se representan como ndices, con
base 100 en el primer dato.
400
DAX 30

350

CAC 40

300
250
200
150
100
50

Jan-07

Jan-06

Jan-05

Jan-04

Jan-03

Jan-02

Jan-01

Jan-00

Jan-99

Jan-98

Jan-97

Jan-96

El contraste de existencia de raiz unitaria, en GRETL, incluyendo constante

y tendencia, arroja para el logaritmo del ndice CAC un estadstico para el
contraste de Dickey-Fuller ampliado de -1,695, con p-value de 0,753, incluyendo
7 retardos en la regresin de Dickey-Fuller ampliada. Para el DAX tenemos
26

un estadstico de contraste de -1,489, con p-value 0,833, incluyendo asimismo

7 retardos en la regresin de Dickey-Fuller. Ambos indices tienen una raiz
unitaria.
En primeras diferencias, es decir, trabajando con rentabilidades diarias, para
el CAC tenemos un estadstico de -38,612, con p-value 0,0, incluyendo un retardo
en la regresin de Dickey-Fuller. Para el DAX tenemos un estadstico de -26,78,
con p-value de 0,0 incluyendo 3 retardos en la regresin. Podemos concluir que
las rentabilidades son estacionarias.
Estn cointegrados ambos ndices? Continuamos trabajando con sus logaritmos. Estimamos la regresin:
ln CACt = 0; 195 + 0; 959: ln DAXt + ut ; R2 = 0; 912
(0;005)

Para los residuos de esta regresin, incluyendo 5 retardos en la regresin de

DF, obtenemos un estadstico de contraste de -1,713, con p-value de 0,672, lo
que nos lleva a no rechazar la hiptesis nula de existencia de raiz unitaria. En
consecuencia, los residuos no son estacionarios y los ndices no estan cointegrados.
Si generamos ambas series temporales a partir de procesos independientes,
este contraste nos sugerir en una mayora de simulaciones que yt ; xt no estn
cointegradas, lo que aparecer en la forma de residuos de naturaleza I(1) en
(18). En tal caso, habramos de estimar un modelo en diferencias de ambas
variables,
yt =

xt + vt ; t = 1; 2; :::; T

que arrojar un coeciente 1 no signicativo y un coeciente de determinacin muy reducido.

Al contrastar cointegracin, estamos tratando de detectar la posible existencia de relaciones de largo plazo entre las variables del modelo. En ese sentido, la naturaleza del contraste sugiere el uso de una datos no necesariamente
frecuentes, y una muestra temporal sucientemente amplia. De lo contrario,
predominar en la muestra, en trminos relativos, la informacin acerca de las
uctuaciones de corto plazo en las variables, frente a la de su evolucin tendencial, que es lo que tratamos de detectar. Por tanto, una eleccin inapropiada de
la muestra, ya sea por una frecuencia alta de observacin de los datos, o por el
uso de un perodo muestral no muy amplio, sesgar el resultado del contraste
hacia la no deteccin de relaciones de cointegracin.
Efectuar un anlisis de cointegracin signica relacionar los niveles de variables como oferta monetaria y precios, esdecir, variables no estacionarias, y no
sus tasas de variacin. Por el contrario, basar la caracterizacin de la relacin
entre variables como las citadas utilizando coecientes de correlacin estndar
es delicado, pues puede conducir a la deteccin de regresiones espreas. El
concepto de cointegracin generaliza el concepto de correlacin en la direccin
adecuada. La existencia de una tendencia estocstica comn generara una
relacin sostenible a largo plazo entre ambas variables, lo que har que sus
27

diferenciales reviertan a travs del tiempo, es decir, que sean mean-reverting.

No tiene sentido analizar las relaciones entre los niveles de variables I(1) si no
estn cointegradas.5
Cointegracin en un modelo estimado por mnimos cuadrados
Al estimar la relacin anterior por mnimos cuadrados hay que tener en
cuenta que las propiedades de dicho estimador son vlidas nicamente en el
caso de variables estacionarias. Cuando las variables estn cointegradas, el
uso de mnimos cuadrados en la estimacin de la regresin est justicado estadsticamente, pero la distribucin de probabilidad del estimador MCO no es
la habitual. Por tanto, aunque el programa de estimacin que utilicemos nos
proporcionar las desviaciones tpicas estimadas y los ratios tipo-t de cada coeciente, estos no son vlidos en este caso, y no deben utilizarse, por ejemplo,
para contrastar hiptesis sobre los coecientes de la relacin de cointegracin.
Hay muchos casos en que el modelo terico sugiere que las variables yt ; xt
deben estar relacionadas con un determinado valor numrico del coeciente, por
ejemplo, 0 = 1; por lo que el investigador estar interesado en contrastar dicha
hiptesis. Esto puede hacerse por un procedimiento indirecto, sustituyendo el
valor terico de ; = 0 en la relacin entre ambas variables. Ello signica
0
que construimos la variable auxiliar wt = yt
xt ; y contrastamos la estacionariedad de esta variable. Por ejemplo, la Hiptesis de las Expectativas en
la formacin de la Estructura Temporal de los Tipos de Inters implica que el
diferencial de tipos a largo, Rt ; y corto plazo, rt ; debe ser estacionario, es decir,
en la relacin: Rt = + rt + ut ; los residuos u
^t son estacionarios, y no se
rechaza la hiptesis: H0 : = 1:
Cuando se procede de este modo, es importante repetir el contraste para
valores de 0 en un entorno de 0 ; con el objeto de analizar la precisin con que
hemos identicado la constante de cointegracin.
Correlacin y cointegracin no son sinnimos
El problema de correlacin esprea surge entre variables no estacionarias,
con independencia de que estn o no cointegradas, luego puede haber alta correlacin (de hecho, muy elevada) sin cointegracin. Alternativamente, el hecho
de que exista una relacin de largo plazo entre variables no estacionarias no
impide que stas experimenten desviaciones respecto de la misma que, si son de
apreciable magnitud, reducirn la correlacin existente entre dichas variables.
Un ejemplo sera la evolucin temporal de la cotizacin de un valor en Bolsa,
analizada conjuntamente con un ndice que lo incluya, ya sea el ndice de mercado, un ndice de los valores ms capitalizados, o un ndice sectorial; dado que
todo ndice es un promedio ponderado de las cotizaciones de los valores en l incluidos, cabra esperar que ambas series temporales estuvieran correlacionadas.
Sin embargo, las uctuaciones que ambos experimentan a corto plazo pueden ser
sucientes para que su coeciente de correlacin sea reducido.Un ejemplo tpico
de variables posiblemente correlacionadas pero habitualmente no cointegradas
5 El concepto de cointegracin, como existencia de una tendencia o de una raiz unitaria
comn a varias variables, se extiende a otros conceptos. Asi, se puede hablar de una estructura
ARCH comn a varias variables, si todas ellas tienen estructura ARCH, pero existe una
combinacin lineal de todas ellas que no tiene tal estructura. Common Features.

28

lo constituye algunos tipos de cambio.

Por esta misma razn, cointegracin tampoco es sinnimo de alta capacidad
explicativa. Podemos encontrar, por ejemplo, un conjunto reducido de acciones
que estn cointegradas con el Ibex35, pero al constituir la cartera formada por
dichas acciones utilizando los coecientes de la relacion de cointegracin podriamos descubrir que la capacidad explicativa de dicha cartera sobre el Ibex35
fuese muy reducida. La varianza de los residuos de dicha regresin, conocida
como tracking error de la cartera que intenta replicar el Ibex35, sera muy alta.
A partir de dos variables no estacionarias, pero cointegradas, es sencillo
construir dos variables no cointegradas, sin ms que aadir en cada perodo a
una de ellas, un incremento no correlacionado temporalmente. Si la varianza de
este componente no es muy grande, mantendremos una correlacin anloga a la
inicial, que poda ser elevada. Sin embargo, por construccin, las dos variables
no estn cointegradas. Por tanto, hay que tener sumo cuidado en interpretar
los resultados obtenidos en contrastes de cointegracin.
Generalized Purchasing Power Parity
La PPP arma que el tipo de cambio nominal debe estar determinado por
el diferencial de tipos de inters de los dos paises (Paridad cubierta de tipos
de cambio). Dado que este supuesto es claramente refutado por los datos, una
versin ms exible del modelo permitia que los tipos de cambio reales estuviesen
determinados no solo por el diferencial de tipos de inters, sino tambien por el
diferencial de crecimiento de la renta, el diferencial de crecimiento de la oferta
monetaria, etc.. Tampoco esta versin del modelo parece dar buenos resultados.
Una interpretacion es que los determinantes de los tipos de cambio, no siendo
estacionarios, inducen la no estacionariedad de los propios tipos de cambio. Sin
embargo, si los determinantes de distintos paises, no siendo estacionarios entre
si, mantienen relaciones de largo plazo entre ellos, entonces los tipos de cambio
deberian estar cointegrados. [Ejercicio]
1.9.2

El contraste de cointegracin de Johansen

Si consideramos un vector autoregresivo V ARk (p),

yt =

+ A1 yt

+ A2 yt

+ ::: + Ap yt

+ Bxt +

donde yt es un vector de k variables no estacionarias, I(1), xt es un vector de

variables deterministas, y t es un vector de innovaciones. Denotemos (B) =
Ik A1 B A2 B 2 ::: Ap B p : Si todas las races de la ecuacin caracterstica:
j (B)j = 0 estn fuera del crculo unidad, entonces yt es estacionario, en el
sentido de no contener races unitarias. Si la matriz de multiplicadores a largo
plazo satisface: j (1)j =j Ik A1 A2 ::: Ap j= 0; entonces yt es no
estacionario, conteniendo al menos una raz unitaria. Una raz unitaria es un
factor del tipo (1 B) en la descomposicin factorial del polinomio autoregresivo
(B): Suponemos por un momento que yt tiene como mucho, una raz unitaria.
En ese caso, (1 B)yit sera estacionario.
El proceso V AR(p) puede escribirse,

29

yt =

t + yt

p 1
X

yt

+ Bxt +

i=1

con
=

p
X

Ai

Ik =

(1);

i=1

p
X

Aj

j=i+1

Por simplicidad, ignoramos la posible presencia de variables exgenas en el

modelo. El trmino yt 1 se conoce como trmino de correccin del error, y
juega un papel central en el anlisis de cointegracin. La representacin anterior
se conoce como Modelo Vectorial de Correccin del Error (MCE/ECM), que
comentamos ms abajo.
Yendo en direccin contraria, la representacin V AR(p) puede recuperarse
a partir de la estimacin del MCE mediante:
A1
Ai

= Ik +
=
i

1 ; i = 2; :::; p; con

= 0kxk

Si yt contiene raices unitarias, entonces j (1)j = 0 y la matriz

ser singular. Cabe considerar 3 casos:

(1)

1. Rango( ) = 0: Esto implica

= 0kxk y las variables que componen el
vector yt no estn cointegradas. El modelo ECM se reduce a un modelo
VAR en primeras diferencias:
yt =

yt

yt

+ ::: +

p 1

yt

p+1

1. Rango( ) = k: Esto implica que j (1)j 6= 0 e yt no contiene races unitarias, es decir, yt es I(0): El modelo ECM no es informativo, y analizamos
directamente un modelo V AR en yt :
yt =

1 yt 1

2 yt 2

+ ::: +

p yt p

0
1. 0 < Rango( ) = m < k: Entonces, podemos escribir como:
=
;
donde y son matrices kxm con Rango( ) = Rango( ) = m: El modelo
ECM se convierte en:

yt =

yt

yt

yt

+ ::: +

p 1

yt

p+1

Las variables que componen el vector yt estn cointegradas, existiendo m

vectores de cointegracin linealmente independientes. Tales vectores vienen dados por: w = 0 yt ; y tiene k m races unitarias, que generan k m tendencias
estocsticas comunes a las variables que componen yt :
30

Por tanto, un enfoque para contrastar cointegracion es analizar el rango de

la matriz
de multiplicadores a largo plazo. Este es el enfoque de Johansen.
De hecho, el enfoque de Johansen, que consiste en estimar el modelo VAR por
mxima verosimilitud y analizar el rango dela estimacin de la matriz ; sugiere
dos contrastes: el contraste de la traza y el contraste del mximo autovalor.
Los contrastes se ejecutan secuencialmente.
En el caso del contraste de la traza, la hiptesis nula es del tipo:
H0 : Rango( )

m versus H0 : Rango( ) > m

o, lo que es lo mismo: H0: Las variables que componen el vector yt tienen

un mximo de m relaciones de cointegracin, frente a la hiptesis alternativa:
H1 : Las variables que componen el vector yt tienen ms de m relaciones de
cointegracin. El estadstico de contraste es:
LKtr (m) =

(T

p)

k
X

ln(1

^i)

i=m+1

siendo ^ i los autovalores generalizados estimados para una determinada matriz que surge en el proceso de estimacin por Mxima Verosimilitud [el lector
interesado puede consultar detalles en Hamilton (1994) Time Serie Analysis,
capitulo 19]. Si Rango( ) = m; entonces los ^ i sern pequeos para i > m y
por tanto, el estadstico de contraste ser pequeo. Este es el contraste de la
traza, aunque en realidad, es una secuencia de contrastes.
El primer contraste se efecta para m = 0 : H0: El vector yt no tiene
ninguna relacin de cointegracin, frente a la hiptesis alternativa: H1 : El vector yt tiene al menos 1 relacin de cointegracin. Si rechazamos H0; contrastariamos
con m = 1 : H0: El vector yt tiene como mximo una relacin de cointegracin,
frente a la hiptesis alternativa: H1 : El vector yt tiene al menos 2 relaciones
de cointegracin, y as sucesivamente.
El contraste del mximo autovalor especica:
H0 : Rango( ) = m versus H0 : Rango( ) = m + 1
y el estadstico de contraste es:
LKmax (m) =

(T

p) ln(1

^ m+1 )

Lamentablemente, la distribucin de probabilidad del estadstico de contraste de cointegracin depende del componente deternminista del vector yt ; al
igual que suceda con el contraste de raz unitaria en el caso univariante. Las
distintas especicaciones pueden considerar una constante y/o una tendencia
lineal en la relacin de cointegracin, como cuando decimos que yt
xt
es
estacionario, siendo yt y xt variables I(1); o que yt
xt
t
es estacionario.
Los distintos paquetes estadsticos solicitan del usuario que especique los componentes deterministas, para posteriormente proporcionarle los valores crticos

31

correspondientes a la especicacin que se haya propuesto para el componente

determinista.
En algunas ocasiones se leen trabajos en los que el investigador analiza la
posible cointegracin bajo todas las especicaciones posibles del componente
determinista, para luego tomar una decisin en funcin de cuntos de dichos
contrastes hayan dado una respuesta u otra. Incluso algunos programas estadisticos permiten al usuario dar esa opcin. Sin embargo, tal enfoque debe
no es una buena prctica estadstica. El usuario debe analizar previamente
sus series para tener una cierta idea acerca de la estructura del componente
determinista.
Aplicacion practica del contraste de Johansen
1. Buscar, posiblemente mediante contraste, la especicacion apropiada para
el orden del VAR. El nmero de retardos puede condicionar los resultados.
Hay que asegurarse de que los residuos estan libres de autocorrelacion.
2. Estimar el modelo y determinar el rango de si bien, como hemos dicho,
se anlisis de autovalores se realiza para otra matriz diferente de
3. Analizar los vectores de cointegracin normalizados y los coecientes de
velocidad de ajuste al desequilibrio.
4. Contrastar restricciones, si se desea.
Contraste de restricciones
Estimar los modelos restringido y sin restringir, y utilizar el estadstico:
T

k
h
X

ln(1

^ )
i

i=m+1

ln(1

i
^i)

donde ^ i denotan las raices caracteristicas de la matriz sin restricciones, y

^ i las races caractersticas obtenidas en el modelo estimado despus de imponer
las restricciones.
Ejemplo 1: Antes hicimos un anlisis de cointegracin de datos diarios de los
ndices CAC y DAX, desde el inicio de 1996 a mitad de julio de 2007 siguiendo
el enfoque de Engle y Granger, concluyendo que ambas variables no estn cointegradas en dicha muestra temporal. La aplicacin del contraste de Johansen
sugiere nuevamente que no existe ninguna relacin de cointegracin entre ambos
ndices.
Ejemplo 2 : Tomamos datos del Ibex contado y del Futuro sobre Ibex, desde
el inicio de 1993 a 9/9/2014.
Los criterios de Akaike, BIC y Hannan-Quinn coinciden en sugerir un orden
del VAR en niveles de n = 6: El estadstico de la traza de Johansen para el
contraste de no existencia de relaciones de cointegracin es 93,878, con p-value
0,0, y el estadstico del mximo autovalor es de 87,658, asimismo con p-value 0,0.
Por tanto, se rechaza dicha hiptesis y pasamos a pensar que existe al menos
una relacin de cointegracin. Para el contraste de H0 : existe un mximo de
32

una relacin de cointegracin, ambos estadisticos toman el valor 6,2206, con pvalue de 0,0126. Dado que trabajamos con una muestra larga, tiene sentido ser
estrictos en el contraste y tomar como nivel de signicacin 99%, con lo cual no
rechazamos dicha hiptesis nula. Otra razn para no hacerlo es que de hacerlo,
concluiramos que existen dos relaciones de cointegracin, es decir, que ambas
variables: Ibex y Futuro sobre Ibex, son estacionarias, lo cual evidentemente no
es cierto.
La estimacin de mxima verosimilitud por el mtodo de Johansen conduce
a a una relacin de cointegracin:
log(Ibext ) = 0; 052 + 1; 0059: ln(F Ibext ) + ut

(19)

(0;0013)

El trmino de correcin del error (el residuo en la relacin anterior) entra en

la ecuacin de log(Ibext ) con coeciente 0; 0014(0; 034) y en la ecuacin de
log(F Ibext ) con coeciente 0; 0689(0; 0359): En dichas ecuaciones aparecen
como variables explicativas, ademas de una constante y del trmino de correccin de error, 4 retardos de la primera diferencia de cada una de las dos
variables. Por tanto, podemos interpretar que es el Futuro quien reacciona ante
desviaciones de los precios de futuro y contado con respecto de su relacin de
equilibrio a largo plazo, denida por (19) :El signo positivo es el esperado: valores positivos de ut indican precios de contado "relativamente altos" dado el
precio del futuro y la relacin (19), que se ajustan en periodos sucesivos mediante elevaciones del precio del futuro, dado el efecto positivo que ut tiene en
su ecuacin. Valores negativos de ut indicaran precios del futuro relativamente
altos, que se corregirian con descensos en el precio del futuro, ya que ut entra
con signo positivo en su ecuacin. Lo relevante es que es el futuro quien ajusta
estas desviaciones, lo cual es un resultado habitual al analizar muchos mercados
de futuros. Es un efecto que se conoce como "price discovery", que se reere al
hecho de que el mercado de futuros reacciona antes que el mercado de contado
ante cualquier noticia, debido a que mientras que es sencillo negociar el futuro
sobre Ibex, es complicado negociar una cartera de contado de Ibex.
En consonancia con este resultado, el estadistico F para el contrate de causalidad de Granger desde el futuro hacia el contado es de 37,75, con p-value 0,0,
siendo de 6,61 con p-value de 0,16 cuando se contrasta la causalidad del contado
al futuro.
Ejemplo 3 : Tomamos datos diarios de tipos de inters cupn cero de UK,
con vencimientos 1 mes, 3 meses, 12 meses y 60 meses, extraidos del archivo
PCA_short_Spot-xls, de C.Alexander, para el periodo: 4/1/1997 a 31/12/2007.
Las cuatro series contienen una raiz unitaria (es decir, son integradas de orden
1, I(1)). Los estadadisticos de la traza y del mximo autovalor de Johansen
para el contraste de cointegracin son: 149,93 y 103,32, con p-values de 0,0,
para la existencia de un mximo de 0 relaciones de cointegracin; son 46,61 y
33,10 con pvalues asimismo nulos cuando se contrasta la hiptesis nula de un
mximo de 1 relacin de cointegracin, y son de 13,51 y 10,30, con p-values de
0,097 y 0,19 cuando se contrasta la hiptesis nula de un mximo de 2 relaciones

33

de cointegracin. Por tanto, esta hiptesis no se rechaza, y pasamos a creer quee

existen 2 relaciones de cointegracin.
Las dos relaciones de cointegracin se estiman:
r1;t

1; 479r12;t + 0; 855r60;t
(0;072)

r3;t

= u2t

(0;105)

1; 438r12;t + 0; 753r60;t
(0;058)

= u2t

(0;085)

donde puede verse que la diferencia de ambas implica, muy aproximadamente, que r1;t r3;t es estacionario. La segunda relacin de cointegracin sera
una combinacin ms compleja entre los tipos de inters.
Los coecientes de respuesta a los dos trminos de correccin del error son
ambos signicativos en las ecuaciones de las ecuaciones de r1;t y r3;t y no son
signicativos en las ecuaciones de r12;t y r60;t ; indicando que son los tipos
a corto plazo los que se ajustan para corregir desviaciones respecto de las dos
relaciones de equilibrio a largo plazo. Son adems, numricamente ms elevados
en la ecuacin de r1;t que en la ecuacin de r3;t , sugiriendo que el tipo a 1
mes es quien soporta la mayor parte del ajuste.
1.9.3

El modelo de correccin de error

Teorema de representacin de Engle y Granger: el caso de 2 variables

Este teorema arma que si dos variables yt ; xt de naturaleza I(1);estn cointegradas, sus relaciones dinmicas estn caracterizadas por el modelo de correccin de error,

yt
xt

=
=

+
+

m
X

i=1
p
X

y
1i

x
1i

xt
xt

+
+

i=1

n
X

i=1
q
X

y
2i

yt

y zt 1

+ " yt

x
2i

yt

x zt 1

+ "xt

(20)

i=1

donde t 1 denota la desviacin del perodo anterior respecto de la relacin

de equilibrio a largo plazo zt 1 = yt 1
xt 1 , siendo
el coeciente de
cointegracin entre yt y xt , y
es el operador de primeras diferencias. En el
modelo de correccin de error todas las variables son estacionarias, I(0); por
lo que las propiedades habituales del estimador MCO en dicho contexto, son
vlidas. Los trminos y zt 1 y x zt 1 se denominan trminos de correccin
de error, y han de aparecer en las ecuaciones anteriores con un determinado
signo, que depende del modo en que se haya denido el desequilibrio zt 1 . Con
nuestra denicin, cabra esperar que y < 0; x > 0; un valor negativo de
y indicar que perodos en que yt es alto, es decir, superior a xt , tendern
a venir seguidos de crecimientos relativamente reducidos de dicha variable: Un
valor positivo de x indica que siguiendo a perodos en que yt es alto, xt tender
a experimentar un crecimiento mayor; la conjuncin de ambos efectos hace que
34

yt+1 tienda a aproximarse a xt+1 : Lo dual ocurrir tras perodos en que yt

haya sido bajo, es decir, inferior a xt : Si hubiramos normalizado la relacin
de cointegracin de otro modo, habramos denido el trmino de desequilibrio
como zt 1 = yt 1 xt 1 ; y los signos de los coecientes y ; x en (20) deberan
ser entonces los contrarios a los antes descritos.
No es preciso, sin emabrgo, que se produzcan estos signos: la aproximacin
entre ambas variables puede conseguirse asimismo si ambas aumentan o disminuyen simultneamente, pero xt experimenta la mayor variacin. Por tanto, si
ambos coecientes tienen igual signo, x debe ser signicativamente mayor que
y en valor absoluto. De hecho, podra ocurrir tambin que slo unos de los dos
coecientes resulte estadsticamente signicativo, lo que podra interpretarse en
el sentido de que la variable asociada soporta todo el peso del ajuste hacia la
relacin de equilibrio a largo plazo.
La cointegracin entre variables no lleva aadida ninguna interpretacin
concreta en trminos de causalidad entre dichas variables. De hecho, como
la relacin de cointegracion puede normalizarse de distintas maneras, puede
presentarse una apariencia de causalidad en cualquiera de las dos direcciones.
El modelo de correccin de error muestra que, en presencia de cointegracin,
existe importante causalidad entre ambas variables, en principio, con carcter
bidireccional. Slo si algunos de los coecientes del modelo MCE resultan ser
estadsticamente no signicativos, podra hablarse de causalidad unidireccional.
Si dos variables estn cointegradas, al menos una de ellas causa a la otra; sin
embargo, ello podra tambin reejar el efecto comn de una tercera variable,
no considerada en el modelo.
Sin embargo, la ausencia de causalidad en un sistema cointegrado implica
que una de las variables no reacciona a variaciones en la otra. Esto signica
que los retardos de la segunda no aparecen en la ecuacin de la primera ni en la
forma de diferencias, ni tampoco a travs del trmino de correccin del error.
Por ejemplo, al trabajar con datos de precios de contado y del futuro sobre un determinado activo nanciero, es habitual hallar un mayor nmero de
retardos del precio del futuro en la ecuacin del contado, que viceversa, lo que
sugiere que los mercados de derivados (en este caso, de futuros), incorporan la
nueva informacin ms rpidamente que los mercados de contado, por lo que
los ltimos parecen responder a uctuaciones en los primeros. En este tipo de
ejemplos, en ocasiones el trmino de correccin de error resulta no signicativo
en la ecuacin de precios del mercado de contado.
Cuando el vector zt incorpora ms de dos variables, y existe ms de una
relacin de cointegracin entre ellas, el modelo de correccin de error adopta una
expresin similar a la antes propuesta. La diferencia estriba en que aparecen
retardos de todas las variables, en diferencias, en todas las ecuaciones, y aparecen tantos trminos de correccin de error como relaciones de cointegracin en
cada una de las ecuaciones. Dichos trminos sern los valores retardados de
dichas relaciones de cointegracin; la normalizacin escogida afecta nicamente
a la interpretacin de los valores numricos estimados.
La bsqueda de variables cointegradas abundan en la literatura nanciera,
donde trata de caracterizarse las posibles relaciones de equilibrio a largo plazo
35

entre precios de activos. As, se han analizado las posibles relaciones de cointegracin entre tipos de cambio, entre tipos de inters dentro de una misma
estructura temporal, entre mercados de contado y futuro, entre commodities,
valoracin de divisas. Tambin se ha utilizado este tipo de anlisis para discutir
el grado de integracin entre mercados de valores o de deuda, si bien parece
existir ms evidencia favorable en el primer tipo de mercados. Este anlisis
tiene asimismo implicaciones para la gestin nanciera: en principio, debera
ser posible encontrar una cesta reducida de valores cointegrada con el ndice, lo
que podra utilizarse en la gestin pasiva de carteras. Lo mismo debera ocurrir
con un pequeo conjunto de ndices sectoriales, etc..
1.9.4

Caso de no cointegracin: Ejemplo

Cuando las variable no estn cointegradas, el modelo a estimar es un VAR en

primeras diferencias. Este era el caso de los indices CAC y DAX en logaritmos.
Para estimar una VAR en primeras diferencias usando GRETL, el criterio de
Akaike sugiere un orden 8, el criterio bayesiano BIC sugiere orden 1 y el criterio
Hannan-Quinn sugiere orden 4. Un orden 8 parece excesivo con datos diarios,
por lo que tomamos el orden 4 como compromiso. Aunque hay coecientes
individualmente signicativos en ambas ecuaciones, los R2 son muy reducidos y
las desviaciones tpicas residuales practicamente coinciden con las desviaciones
tpicas de la variable dependiente, como cabe esperar en series temporales largas,
de datos frecuentes voltiles, como son las rentabilidades. No hay evidencia de
autocorrelacin residual en ninguna de las dos ecuaciones.
Los contrast es de causalidad de Grangr arrojan un valor numrico del estadstico de 16,421 cuando contrastamos la presencia de la rentabilidad del DAX
en la ecuacin del CAC, y de 33,95 cuando contrastamos la presencia de la
rentabilidad CAC en la ecuacin del DAX. Ambos tienen p-values reducidos,
por lo que concluimos acerca de la inuencia mutua entre ambos mercados.
Cabe observar que si hubiesemos optado por un orden inferior, como el sugrido
por el criterio de Akaike, n = 1; hubiesemos concluido que el bloque de retardos
del DAX no aade informacion a los propios retardos del CAC para explicar el
comportamiento en rentabilidad de este ltimo indice. Sin embargo, los contrastes de autocorrelacin muestran claros indicios de presencia de la misma en
los residuos de amba ecuaciones, al contrario de lo que sucede con n = 4; por lo
que desechamos la evidencia emprica arrojada por el modelo ms sencillo, con
n = 1.
1.9.5

Cointegracin por umbrales

Es habitual que los precios de contado y de contratos de futuros de un activo

que se negocia con suciente liquidez estn cointegrados. En el casode la renta
variable, si ft;l denota el logaritmo del precio del futuro a vencimiento l periodos y st es el log-precio del contado, una versin del modelo de cost-of-carry
especica que:

36

ft;l

st = (rt;l

qt;l )(l

t) + zt

donde rt;l es el tipo de inters a l periodos y qt;l es la tasa de dividendo

durante el periodo (t; l): El tiempo a vencimiento es l t: El proceso zt debe
carecer de raices unitarias, pues de lo contrario, existiran oportunidades persistentes de arbitraje. Consistiran en tomar una posicin corta en el ndice y una
posicin comprada en el futuro cuando los logaritmos de los precios se separan
en ms del cost-of-carry, siendo ms alto el precio del contado. La estrategia
contraria se tomara si es el precio del futuro el que es ms alto. Para que el
arbitraje resulte economicamente interesante, zt debe exceder de la suma de
costes de transaccin y de cualquier otro factor que acarree costes.
Es habitual que la serie de un indice como S&P500 tenga una raiz unitaria,
al igual que el precio de sus contratos de futuros, pero que resulten cointegrados
una vez que se ajusta por tipos de inters y por dividendos. Tras el ajuste,
es frecuente que [1, -1] sea el vector de cointegracin, como se recoge en la
ecuacin anterior, y la serie cointegrada es zt : Por tanto, debemos especicar
el ECM para las series de rentabilidades: rt = ( ft ; st )0 , donde
denota
primeras diferencias.
Las consideraciones de costes que hemos hecho conducen a una especicacin:
rt
rt
rt

=
=
=

+
2t +
3t +

1t

1 rt 1

+
1 rt 1 +
1 rt 1 +

2 rt 2

+ ::: +
2 rt 2 + ::: +
2 rt 2 + ::: +

p rt p

+ 1 zt 1 + 1t ; si zt 1
1
r
+
z
+
;
si
<
z
p t p
2t
t 1
2 t 1
1
p rt p + 3 zt 1 + 3t ; si zt 1
2

por lo que tenemos un modelo con 3 regmenes. El arbitraje solo ser posible
si zt es sucientemente grande, es decir, en los regimenes 1 y 3, en cada uno de
ellos tomando una posicin opuesta a la del otro rgimen. El segundo rgimen
corresponde al funcionamiento normal del mercado, y esperaramos que 2 = 0;
pues las dos series de precios se comportaran como un camino aleatorio. [ver
ejemplo con datos en Seccion 8.7.2 en Tsay]
1.9.6

Aplicaciones

Index Benchmark tracking Case Study II.5.4.7 La construccin de una

cartera que pueda replicar muy aproximadamente el comportamiento de un indice ofrece muchas posibilidades en la gestin de carteras. Ha sido habitual
tratar de caracterizar la cartera rplica de mnima varianza mediante procedimientos de mnimos cuadrados. Para ello, se estima una regresin de la rentabilidad del ndice (si el objetivo es replicar el indice) sobre las rentabilidades de
un conjunto de acciones individuales, y se utilizan los coecientes de dicha regresin como pesos para congurar la cartera. Los signos positivos y negativos
se corresponderan con posiciones largas y cortas en cada activo. El residuo es
el tracking error, y su desviacin tpica es el tamao de dicho error.
37

Pero si la cartera resultante no est cointegrada con el ndice (y no hay

garanta de que lo est), su precio podra experimentar desviaciones duraderas
respecto del ndice. Esto se evita utilizando procedimientos de cointegracin,
como se hace en este Case Study para el Dow Jones IA, para conseguir un
tracking error estacionario.
Siguiendo el mtodo de Engle-Granger para analizar la cointegracin entre
un ndice y un conjunto de n activos, estimaramos el modelo:
ln(It ) =

n
X

ln(Pit ) + "t

i=1

Si los residuos son estacionarios, habramos encontrado una cartera cointegrada con el indice It , combinando los n activos con ponderaciones:
=

n
X

i=1

1;

2 ; :::;

0
n)

Ntese que as resolvemos el problema de asset allocation, es decir, de distribucin del importe nominal entre los n activos, pero no el problema de seleccin de dichos activos. Generalmente, cabra probar con distintos conjuntos de
activos para encontrar una cartera que combine una evidencia clara de cointegracin con el ndice, a la vez que una menor varianza del error de ajuste.
Un procedimiento de gestin pasiva de la cartera del fondo que comparase
ambos procedimientos durante el epriodo muestral tomara una forma del siguiente tipo:
1. estimar el modelo con 5 aos de datos diarios para calcular los pesos de
la cartera en ambos mtodos
2. mantener la cartera durante 2 semanas; al trmino de ellas, anotar las
rentabilidades y desplazar la muestra dos semanas para volver a estimar
los pesos
3. repetir hasta agotar los datos.
Pairs trading [Case Study II.5 Pairs] Una estrategia que est popularizndose se basa en que si los precios de dos activos estn cointegrados, su spread
ser estacionario. Esto es lo que sucede con dos indices de volatilidad sobre contratos de futuros: VDAX y VSTOXX. Teniendo cuidado en utilizar el spread
en las mismas unidades que los ndices de volatilidad (por ejemplo, como porcentajes; en todo caso, el spread se calcula por diferencia de ambos ndices, por
loq ue generalmente no habr problemas). Tras comprobar la cointegracin de
ambos ndices de volatilidad, en el Case Study se estima un ECM que, posteriormente, se re-escribe en formato regresin, dejando un indice a la izquierda
de cada ecuacin, no sus primeras diferencias. Esta representacin nos permite
calcular las respuestas a shocks en ambos ndices de volatilidad, as como la

38

evolucin que seguira su spread en respuesta a ambos shocks. Siendo estacionario, el spread revierte a su media de largo plazo, que estimamos mediante
su media muestral 0,00649. Este anlisis permitira disear estrategias tomando
posiciones contrarias en ambos activos.
(ver "Pairs Trading: an empirical study", A. Fiz, tesina del Master en Banca
y Finanzas Cuantitativas, Julio 2014)

1.10

Ejercicios
Considere el modelo estructural recursivo,

y1t
y2t

=
=

+
20 +
10

11 y2t

22 y1t

12 y1t 1

1+

23 y2t

13 y2t
+
v2t
1

+ v1t

donde y1t afecta a y2t slo con cierto retraso. Note que este modelo permite
identicar el trmino de error v2t a partir de las observaciones de la variable
y2t : Pruebe que este modelo est exactamente identicado, en el sentido de que
todos sus coecientes, as como las varianzas de los dos trminos de error pueden
recuperarse a partir de la estimacin del modelo VAR(1) en estas dos variables.

10
20
2
u1

=
=
=

+
20 ;
2
v1 +
10

11 20 ;

+ 11 22 ;
21 = 22 ;
22 = 23 ;
2
2
2
2
u1 ;u2 =
11 v2 ;
u2 = v2 ;
11

12

12

13

11 23 ;

2
11 v2 ;

sistema que puede resolverse para obtener los 9 parmetros del modelo estructural recursivo.
Muestre que en este modelo, no slo se pueden recuperar estimaciones de
todos los parmetros que aparecen en el modelo estructural, sino tambin las
series temporales de los trminos de error v1t y v2t :

1.11

Tcnicas de cointegracin en el anlisis de Asset

allocation

Vlidas para decisiones de inversin a largo plazo

Si las decisiones se toman en base a tendencias de largo plazo, no requieren
una actualizacin muy frecuente.
El anlisis de cointegracin trata de maximizar la estacionariedad y, con
ello, minimizar la varianza del tracking error. En contraste con el anlisis de
frontera eciente, en el que nada asegura que los tracking errorssean meanreverting.
Los modelos de benchmarking o de index tracking utilizan generalmente
regresiones con logaritmos de precios. La variable dependiente puede ser el
log de un ndice ms un pequeo incremento que equivalga a un x% anual.
39

Las variables explicativas son los logs delos precios de los activos que pueden
incluirse en la cartera que sigue al ndice.
El problema tiene dos partes: a) seleccionar los activos, b) optimizar las
ponderaciones de la cartera. El primero es difcil. Opciones: fuerza bruta:
estimar muchos modelos con distintas combinaciones de activos y ver cul ajusta
mejor. Basarse en las preferencias de riesgo del inversor, o en las limitaciones de
inversin que se nos impongan. Segundo problema: Tcnicas de regresin, de
anlisis de series temporales multivariante, o de cointegracin. Si se construye
una cartera mediante regresin o cointegracin, as ponderaciones se normalizan
de modo que sumen 1, para ser ponderaciones de cartera.
En global asset management: primero, elegir los pases, y despus, comprar
o vender futuros sobre los ndices de los pases, o repetir el problema dentro de
cada pas, para obtener carteras de seguimiento de cada ndice.
En modelos de un slo pas: Primero, seleccionar los sectores; despus, seleccionar los activos dentro de cada sector.
Constrained allocations:
Ejemplos:
Seleccionar una cartera que invierte al menos un 50% en Espaa.
Fijar como rentabilidad benchmark la del SP100 ms un 5% anual
Construir un fondo corto-largo en 12 pases prejados, con un ndice
mundial como benchmark
Utilizar como variable dependiente, el ndice que se quiere replicar, menos
w-veces el precio del activo en el que se nos restringe a tomar una posicin del
w%. Si se nos exige una posicin en el activo no superior al w% el problema
es ms difcil. Primero, resolver el problema sin restringir, a ver si hay suerte:
satisface la solucin la restriccin?
Supongamos que no podemos tomar posiciones cortas. Si alguna ponderacin
es negativa, se ja en cero, y se vuelve a resolver, iterando de este modo. Conar
en alcanzar una solucin.
Seleccin de parmetros:
El modelo bsico de index tracking mediante cointegracin se dene en
funcin de ciertos parmetros:
Una rentabilidad alfa por encima de l ndice
El intervalo de datos diarios que se utiliza en la estimacin training
period
La relacin de activos en la cartera
Las posibles restricciones
Los parmetros se selecciona en base al resultado de pruebas dentro y fuera
de la muestra.
Dentro de la muestra:
Estadsticos ADF
Standard error of regresin
Turnover
Testing period:
Tracking error variance: varianza de los errors de rplica diarios RMSE
Dierencial de rentabilidades entre la cartera y el ndice
40

Information ratio: (Mean daily tracking error)/(desviacin tpica del

daily tracking error) a lo largo del testing period
La decisin puede basarse sobre un alfao sobre el nmero de activos
que queremos incluir en la cartera.

1.12

Apndice 1:Las innovaciones de un modelo estructural deben estar incorrelacionadas entre s.

De hecho, si dicha covarianza no fuese nula, podramos transformar el modelo

del siguiente modo: proyectaramos uno de los dos errores, v2t ; por ejemplo,
sobre v1t ;
v2t = v1t + at
obteniendo que el residuo a
^t ; denido por a
^t = v2t ^v1t ; estara incorrelacionado, por construccin, con v1t :
Si representamos el modelo estructural en forma matricial,
1

y1t
y2t

11
21

10

20

12

13

22

23

y1t
y2t

v1t
v2t

0
; lo que equivale a sustituir
^ 1
la segunda ecuacion por la diferencia entre sta y el resultado de multiplicar la
primera ecuacin por ^; tendramos,
y premultiplicamos por la matriz

(1 + ^

y1t
)y
11 2t

=
10 + 11 y2t + 12 y1t 1 + 13 y2t 1 + v1t
= ( 20 ^ 10 ) + (^ + 21 )y1t + ( 22 ^ 12 )y1t

1+(

23

13 )y2t

un modelo VAR en el que, una vez despejramos y2t en la segunda ecuacin,

sera indistinguible del modelo (1) con Cov(v1t ; a
^t ) = 0: Siempre debemos estar considerando esta ltima representacin con errores ortogonalizados, por lo
que la condicin de ausencia de correlacin entre los errores de las distintas
ecuaciones en el modelo VAR estructural debe satisfacerse siempre.

1.13

Errata en Enders, pgina 299,

V ar(Yt ) = E (Yt

V ar(Yt ) = (I2
con M = 1

A21 )

=E

21 12

"

1
X

Ai1 ut i

i=0

1
M

2
11

#2

+
( 11 +

21 12

21 12

41

1
X

2
A2i
1 (V ar(ut i )) = (Ik A1 )

i=0

2
22
22 )

(
21
2
22

21

+
12 +

11

11

22 ) 12
2
11
2
22 )
12 21 :

(21)
+
a
^t
1