Modelo de Vector de Corrección de Error (VEC) y Modelo de Vector Autorregresivo (VAR)

Hemos estudiado las propiedades de los datos de series de tiempo y las relaciones de
cointegración entre pares de series no estacionarias. En dichos ejemplos, se asumió que una de las
variables es la dependiente (digamos yt ) y que la otra es la variable independiente (digamos xt ) y
tratamos la relación entre yt y xt como un modelo de regresión. Sin embargo, a priori, a menos
que no tengamos buenas razones para ello, podemos asumir que xt es la variable dependiente y
yt es la variable independiente. Denotemos x,t yt a las dos variables y los dos posibles modelos
de regresión que las relacionan
𝑦 𝑦
𝑦𝑡 = 𝛽10 + 𝛽11 𝑥𝑡 + 𝑒𝑡 , 𝑒𝑡 ~𝑁(0, 𝜎𝑦2 ) (13.1a)

𝑥𝑡 = 𝛽20 + 𝛽21 𝑦𝑡 + 𝑒𝑡𝑥 , 𝑒𝑡𝑥 ~𝑁(0, 𝜎𝑥2 ) (13.1b)

Despejando 𝑥𝑡 de (13.1a)
𝛽10 1 1 𝑦
𝑥𝑡 = − + 𝑦𝑡 − 𝑒
𝛽11 𝛽11 𝛽11 𝑡

por lo que la relación que se detecta con (13.1b) es

1 𝛽
𝛽21 = 𝛽 y 𝛽20 = − 𝛽10
11 11

Despejando 𝑦𝑡 de (13.1b)
𝛽20 1 1 𝑥
𝑦𝑡 = − + 𝑥𝑡 − 𝑒
𝛽21 𝛽21 𝛽21 𝑡

por lo que la relación que se detecta con (13.1a) es

𝛽 1
𝛽10 = − 𝛽20 y 𝛽11 = 𝛽
21 21

Por lo que en el sistema bivariado (dos series) expresado en (13.1a) y (13.1b) sólo hay una única
relación entre xt y yt , la cual se da en los casos en que

1 𝛽10
𝛽21 = y 𝛽20 = − = −𝛽10 𝛽21
𝛽11 𝛽11

Un poco de terminología: para (13.1a) decimos que normalizamos en yt al hacer el coeficiente de

yt igual a 1 y en (13.1b) normalizamos en xt al hacer el coeficiente de xt igual a 1.

Es mejor escribir la relación como en (13.1a) o (13.1b) o es mejor reconocer que en muchas
relaciones, ¿las variables como yt y xt son simultáneamente determinadas? El objetivo de este
capítulo es explorar la relación causal entre pares de variables de series de tiempo. Para ello,
haremos extensivo nuestro estudio de los datos de series de tiempo para tomar en cuenta sus
propiedades dinámicas e interacciones. En particular, se desarrollarán los modelos de Vector de
Corrección de Error (VEC) y Vector Autorregresivo (VAR). Si las variables I(1) cointegran, se
estimará un modelo VEC. Si las variables I(1) no cointegran, se estimará un modelo VAR. Esto no es
más que una extensión a lo visto con modelos uniecuacionales del capítulo anterior.

Algunos aspectos importantes que recordar son:

i) El análisis univariado examina datos de una serie de tiempo.

ii) El análisis bivariado examina datos de un par de series de tiempo.
iii) El término vector indica que estamos considerando dos, tres o más series de tiempo.

Vector es una generalización de los casos univariado y bivariado.

Modelos VEC y VAR

Comencemos con dos variables de series de tiempo yt y xt , y facilitemos el análisis de la relación

dinámica mediante el siguiente sistema de ecuaciones expresado en forma matricial:
𝑦
𝑦𝑡 𝛽 𝛽 𝛽 𝑦𝑡−1 𝑣
[𝑥 ] = [ 10 ] + [ 11 12 ] [𝑥 ] + [ 𝑡𝑥 ]
𝑡 𝛽20 𝛽21 𝛽22 𝑡−1 𝑣 𝑡

Ahora, el sistema de ecuaciones en forma desarrollada:

𝑦
𝑦𝑡 = 𝛽10 + 𝛽11 𝑦𝑡−1 + 𝛽12 𝑥𝑡−1 + 𝑣𝑡
(13.2)
𝑥𝑡 = 𝛽20 + 𝛽21 𝑦𝑡−1 + 𝛽22 𝑥𝑡−1 + 𝑣𝑡𝑥

Las ecuaciones en (13.2) describen un sistema en el cual cada variable es una función de su propio
rezago y el rezago de la otra variable en el sistema. En este caso, el sistema contiene dos variables
yt y xt . En la primera ecuación yt es una función de su propio rezago yt 1 y del rezago de la otra
variable en el sistema xt 1. En la segunda ecuación xt es una función de su propio rezago xt 1 y
del rezago de la otra variable en el sistema yt 1. Las dos ecuaciones constituyen un sistema
conocido como vector de autorregresión (VAR). En este ejemplo, a partir de que el rezago máximo
es de orden 1, se tiene un VAR(1).

Si yt y xt son variables estacionarias I(0), el sistema arriba indicado puede estimarse usando
mínimos cuadrados para cada ecuación. Si yt y xt son no estacionarias I(1) y no cointegradas,
entonces se trabajará con las series en primeras diferencias, cómo se vio en el capítulo anterior. En
este caso, el modelo VAR es:

∆𝑦
𝑦𝑡 − 𝑦𝑡−1 = 𝛽11 (𝑦𝑡−1 − 𝑦𝑡−2 ) + 𝛽12 (𝑥𝑡−1 − 𝑥𝑡−2 ) + 𝑣𝑡

𝑥𝑡 − 𝑥𝑡−1 = 𝛽21 (𝑦𝑡−1 − 𝑦𝑡−2 ) + 𝛽22 (𝑥𝑡−1 − 𝑥𝑡−2 ) + 𝑣𝑡∆𝑥

es decir

∆𝑦
∆𝑦𝑡 = 𝛽11 ∆𝑦𝑡−1 + 𝛽12 ∆𝑥𝑡−1 + 𝑣𝑡
(13.3)
∆𝑥𝑡 = 𝛽21 ∆𝑦𝑡−1 + 𝛽22 ∆𝑥𝑡−1 + 𝑣𝑡∆𝑥

en forma matricial

∆𝑦
𝑦𝑡 − 𝑦𝑡−1 𝛽11 𝛽12 𝑦𝑡−1 − 𝑦𝑡−2 𝑣𝑡
[𝑥 − 𝑥 ] = [ ][ ] + [ ∆𝑥 ]
𝑡 𝑡−1 𝛽21 𝛽22 𝑥𝑡−1 − 𝑥𝑡−2 𝑣 𝑡

∆𝑦
∆𝑦𝑡 𝛽 𝛽 ∆𝑦 𝑣
[ ] = [ 11 12 ] [ 𝑡−1 ] + [ 𝑡∆𝑥 ]
∆𝑥𝑡 𝛽21 𝛽22 ∆𝑥𝑡−1 𝑣 𝑡

Ahora ∆𝑦 y ∆𝑥 son variables estacionarias 𝐼(0), se estima cada ecuación del sistema (13.3) por
MCO. Recapitulando: El modelo VAR es un marco general para describir la interrelación dinámica
entre variables estacionarias. Así, si yt y xt son variables estacionarias I(0), el sistema en (13.2) es
el que aplica. En otro caso, si yt y xt son variables I(1) pero no cointegradas, se examina la
interrelación entre ellas empleando el marco general de VAR en primeras diferencias (13.3).

Si yt y xt son variables I(1) cointegradas, entonces el sistema de ecuaciones se modifica de tal

manera que capte la relación de cointegración entre dichas variables I(1). Se debe hacer esto por
dos razones:

i) Como economistas, gustamos de retener y emplear la información valiosa acerca de la

relación de cointegración.
ii) Como econometristas, gustamos de asegurar que se esté empleando la mejor técnica
que tome en cuenta las propiedades de los datos de series de tiempo.

La ecuación de cointegración es una forma de introducir interacciones simultáneas sin requerir

que los datos sean estacionarios. Mediante la introducción de esta relación de cointegración, se
obtiene el modelo VEC, que se desarrolla a continuación:

Consideremos dos variables yt y xt no estacionarias que son integradas de orden 1, además

yt ~I(1) y xt ~I(1) están cointegradas mediante la ecuación

𝑦𝑡 = 𝛽0 + 𝛽1 𝑥𝑡 + 𝑒𝑡 (13.4)

donde los residuales estimados son

𝑒̂𝑡 = 𝑦𝑡 − 𝛽̂0 − 𝛽̂1 𝑥𝑡

tales que
𝑒̂𝑡 ~𝐼(0)
Podemos elegir normalizar en xt . La normalización en yt o en xt es casi siempre determinada
por la teoría económica; el punto crítico es que siempre es posible encontrar a lo más una relación
fundamental entre las dos variables.

El modelo VEC es una forma especial del modelo VAR para variables 𝐼(1) que están cointegradas.
Así, el modelo VEC es
𝑦
𝑦𝑡 − 𝑦𝑡−1 = 𝛼10 + 𝛼11 𝑒𝑡−1 + 𝑣𝑡

𝑥𝑡 − 𝑥𝑡−1 = 𝛼20 + 𝛼21 𝑒𝑡−1 + 𝑣𝑡𝑥

es decir

𝑦
𝑦𝑡 − 𝑦𝑡−1 = 𝛼10 + 𝛼11 (𝑦𝑡−1 − 𝛽0 − 𝛽1 𝑥𝑡−1 ) + 𝑣𝑡
(13.5a)
𝑥𝑡 − 𝑥𝑡−1 = 𝛼20 + 𝛼21 (𝑦𝑡−1 − 𝛽0 − 𝛽1 𝑥𝑡−1 ) + 𝑣𝑡𝑥

expandiendo y reordenando términos

𝑦
𝑦𝑡 = 𝛼10 + (𝛼11 + 1)𝑦𝑡−1 − 𝛼11 𝛽0 − 𝛼11 𝛽1 𝑥𝑡−1 + 𝑣𝑡
(13.5b)
𝑥𝑡 = 𝛼20 + 𝛼21 𝑦𝑡−1 − 𝛼21 𝛽0 − (𝛼21 𝛽1 − 1)𝑥𝑡−1 + 𝑣𝑡𝑥

Comparando (13.5b) con (13.2) se observa que el VEC es un VAR donde la variable yt , que es I(1),
xt1) y donde la variable xt , que es I(1),
está relacionada con las otras variables rezagadas ( yt 1 y
está también relacionada con las otras variables rezagadas ( yt 1 y xt1 ). Notar, sin embargo, que
las dos ecuaciones contienen la relación común de cointegración.

Los coeficientes 𝛼11 , 𝛼21 son conocidos como coeficientes de corrección de error, nombrados así
porque ellos muestran qué tanto ∆𝑦𝑡 y ∆𝑥𝑡 responden al error de cointegración 𝑦𝑡−1 − 𝛽0 −
𝛽1 𝑥𝑡−1 = 𝑒𝑡−1 . La idea de que el error conduce a una corrección proviene de las condiciones
sobre 𝛼11 , 𝛼21 para asegurar estabilidad

−1 < 𝛼11 ≤ 0 y 0 < 𝛼21 ≤ 1

Para apreciar esta idea, consideremos un error positivo

𝑒𝑡−1 > 0

que ocurrió debido a que

𝑦𝑡−1 > 𝛽0 + 𝛽1 𝑥𝑡−1

Un coeficiente de corrección de error negativo en la primera ecuación (𝛼11 ) asegura que ∆𝑦𝑡
disminuye, mientras que un coeficiente de corrección de error positivo en la segunda ecuación
(𝛼21 ) asegura que ∆𝑥𝑡 aumenta, corrigiéndose así el error. Si los coeficientes de corrección de
error son menores que 1 en valor absoluto, se asegura que el sistema es no explosivo. Nótese que
el VEC es una generalización del modelo de corrección de error (uniecuacional) discutido en el
Capítulo 12. En el modelo VEC (sistema de ecuaciones), ambos yt y xt son correctoras del error.

El modelo de corrección de error se ha vuelto muy popular porque su interpretación es

intuitivamente atractiva. Pensando en dos variables no estacionarias, por decir el consumo
(denotado como yt ) y el ingreso (denotado como xt ) que esperamos se encuentren relacionadas
(cointegradas). Ahora, pensando en un cambio en el ingreso, ∆𝑥𝑡 , digamos por un aumento de
sueldo. El consumo probablemente aumente, pero tomará un tiempo, mientras cambie el patrón
de consumo en respuesta a un cambio en el salario. El modelo VEC nos permite examinar qué
tanto el consumo cambiará en respuesta a un cambio en la variable explicativa (la parte de
cointegración 𝑦𝑡 = 𝛽0 + 𝛽1 𝑥𝑡 + 𝑒𝑡 ) como también de la velocidad de cambio (la parte del error de
𝑦
corrección ∆𝑦𝑡 = 𝛼10 + 𝛼11 (𝑒𝑡−1 ) + 𝑣𝑡 ) donde 𝑒𝑡−1 es el error de cointegración).

Un punto final por discutir: el rol de los términos de intercepto. Hasta ahora, hemos visto el
término de intercepto tanto en la ecuación de cointegración (𝛽0 ) como en el VEC (𝛼10 y 𝛼20 ). Sin
embargo, esto puede crear un problema. Para ver por qué, agrupemos todos los términos de
intercepto y reescribamos (13.5b) como
𝑦
𝑦𝑡 = (𝛼10 − 𝛼11 𝛽0 ) + (𝛼11 + 1)𝑦𝑡−1 − 𝛼11 𝛽1 𝑥𝑡−1 + 𝑣𝑡
(13.5c)
𝑥𝑡 = (𝛼20 + 𝛼21 𝛽0 ) + 𝛼21 𝑦𝑡−1 − (𝛼21 𝛽1 − 1)𝑥𝑡−1 + 𝑣𝑡𝑥

En forma matricial

𝑦
∆𝑦𝑡 𝛼10 𝛼 0 𝑒𝑡−1 𝑣
[ ] = [𝛼 ] + [ 11 ] [𝑒 ] + [ 𝑡𝑥 ]
∆𝑥𝑡 20 0 𝛼21 𝑡−1 𝑣𝑡
o
𝑦
∆𝑦𝑡 𝛼10 𝛼11 𝑣
[ ] = [𝛼 ] + [𝛼 ] 𝑒𝑡−1 + [ 𝑡𝑥 ]
∆𝑥𝑡 20 21 𝑣𝑡

es decir

𝑦
𝑦𝑡 − 𝑦𝑡−1 𝛼10 𝛼 0 𝑦𝑡−1 − 𝛽0 − 𝛽1 𝑥𝑡−1 𝑣
[𝑥 − 𝑥 ] = [𝛼 ] + [ 11 ][ ] + [ 𝑡𝑥 ]
𝑡 𝑡−1 20 0 𝛼21 𝑦𝑡−1 − 𝛽0 − 𝛽1 𝑥𝑡−1 𝑣𝑡
o
𝑦
𝑦𝑡 − 𝑦𝑡−1 𝛼10 𝛼11 𝑣
[𝑥 − 𝑥 ] = [𝛼 ] + [𝛼 ] (𝑦𝑡−1 − 𝛽0 − 𝛽1 𝑥𝑡−1 ) + [ 𝑡𝑥 ]
𝑡 𝑡−1 20 21 𝑣𝑡

𝛼11
donde [𝛼 ] es el vector de coeficientes de corrección de error;
21

expandiendo y reordenando términos

𝑦
𝑦𝑡 𝛼10 −𝛼 𝛽 𝛼 + 1 −𝛼11 𝛽1 𝑦𝑡−1 𝑣
[𝑥 ] = [𝛼 ] + [ 11 0 ] + [ 11 ] [𝑥 ] + [ 𝑡𝑥 ]
𝑡 20 −𝛼21 𝛽0 𝛼21 −𝛼21 𝛽1 + 1 𝑡−1 𝑣𝑡

agrupando a los vectores constantes

 𝑦
𝑦𝑡 𝛼 − 𝛼11 𝛽0 𝛼 + 1 −𝛼11 𝛽1 𝑦𝑡−1 𝑣
[𝑥 ] = [ 10 ] + [ 11 ] [𝑥 ] + [ 𝑡𝑥 ]
𝑡 𝛼20 − 𝛼21 𝛽0 𝛼21 −𝛼21 𝛽1 + 1 𝑡−1 𝑣𝑡

Si estimamos cada ecuación por mínimos cuadrados ordinarios, obtenemos estimadores de los
términos compuestos (𝛼10 − 𝛼11 𝛽0) y (𝛼20 − 𝛼21 𝛽0 ) y no seremos capaces de distinguir los
efectos por separado de 𝛽0 , 𝛼10 y 𝛼20 . En la siguiente sección, se discute un procedimiento
sencillo de estimación de un VEC por mínimos cuadrados en dos etapas (MC2E) que nos permitirá
resolver el problema de separar los efectos de 𝛽0 , 𝛼10 y 𝛼20 . Sin embargo, la lección aquí es
evaluar y ver dónde un término de intercepto es necesario.

Estimación de un modelo VEC

Hay muchos métodos econométricos para estimar un modelo de corrección de error. Un sistema
de mínimos cuadrados no lineales es un método, pero el método más directo es el procedimiento
de mínimos cuadrados en dos etapas (MC2E):

Etapa 1,

Emplear MCO para estimar la relación de cointegración

𝑦𝑡 = 𝛽0 + 𝛽1 𝑥𝑡 + 𝑒𝑡 (13.4)

para las variables no estacionarias 𝑦𝑡 ~𝐼(1) y 𝑥𝑡 ~𝐼(1).

Generar los residuales rezagados

𝑒̂𝑡−1 = 𝑦𝑡−1 − 𝛽̂0 − 𝛽̂1 𝑥𝑡−1

Etapa 2,

Estimar por MCO las ecuaciones (13.5a)

𝑦
∆𝑦𝑡 = 𝛼10 + 𝛼11 𝑒̂𝑡−1 + 𝑣𝑡 (13.6a)

∆𝑥𝑡 = 𝛼20 + 𝛼21 𝑒̂𝑡−1 + 𝑣𝑡𝑥 (13.6b)

en forma matricial

𝑦
∆𝑦𝑡 𝛼10 𝛼11 0 𝑒̂𝑡−1 𝑣𝑡
[ ] = [𝛼 ] + [ ][ ] + [ 𝑥]
∆𝑥𝑡 20 0 𝛼21 𝑒̂𝑡−1 𝑣𝑡
o
𝑦
∆𝑦𝑡 𝛼10 𝛼11 𝑣
[ ] = [𝛼 ] + [𝛼 ] 𝑒̂𝑡−1 + [ 𝑡𝑥 ]
∆𝑥𝑡 20 21 𝑣𝑡

𝛼11
donde [𝛼 ] es el vector de coeficientes de corrección de error.
21
Es importante notar que todas las variables en (13.6) (∆𝑦 , ∆𝑥, 𝑒̂ ) son estacionarias, es decir la serie
de residuales 𝑒̂𝑡 debe ser estacionaria para que 𝑦 y 𝑥 que estén cointegradas. Así, el análisis de
regresión lineal estudiado en capítulos anteriores puede ser utilizado para probar la significancia
de los parámetros. El diagnóstico usual de las pruebas para los residuales debe ser aplicado.

Es necesario tener cuidado sobre cómo combinar variables estacionarias y no estacionarias en un

modelo de regresión. La cointegración es sobre la relación entre variables 𝐼(1). La ecuación de
cointegración no contiene variables 𝐼(0). El correspondiente modelo VEC, sin embargo, relaciona
el cambio en una variable 𝐼(1) (es decir, las variables ∆𝑦 y ∆𝑥 que son 𝐼(0)) a otras variables
𝐼(0) (en este caso, el error estimado o residuales de cointegración 𝑒̂ ); si así se requiere, pueden
agregarse otras variables estacionarias. En otras palabras, no deben mezclarse variables
estacionarias y variables no estacionarias: una variable dependiente 𝐼(0) debe ser explicada por
otras variables 𝐼(0) y una variable dependiente 𝐼(1) debe ser explicada por otras variables 𝐼(1).

Ejemplo
Dadas las series del PIB real (base 2000) trimestral de una economía pequeña (Australia) y una
economía grande (Estados Unidos de América) para el periodo muestral 1970:1 a 2000:4. Cada
serie está indizada de tal forma que en ambas economías se muestre un valor de 100 en el año
2000. Esta información se encuentra en la base de datos gdp.dta

En Stata:

use "C:\POE4\gdp.dta", clear

generate date = q(1970q1) + _n-1
format date %tq
tsset date
label var usa "real GDP USA"
label var aus "real GDP Australia"
tsline usa aus, name(gdp, replace) ylabel(30(10)110,angle(horizontal))
tsline d.usa d.aus, name(dgdp, replace)
graph combine gdp dgdp, saving("C:\POE4\series_gdp.gph",replace)

110
2

100

90
1

80

70
0

60

50

40
-1

30
1970q1 1980q1 1990q1 2000q1 1970q1 1980q1 1990q1 2000q1
date date

real GDP USA real GDP Australia real GDP USA, D real GDP Australia, D
Los gráficos sugieren que las series son no estacionarias en niveles, pero sí en primeras diferencias
y, parecen mostrar una tendencia común, lo que es indicativo de que puedan estar cointegradas.

Prueba de estacionariedad de la serie del PIB de EEUU

regress usa l.usa

predict ehat,residuals

regress ehat L(1/2).ehat

dfuller usa, regress trend lags(1)

Prueba de estacionariedad de la serie del PIB de Australia

drop ehat
regress aus l.aus

predict ehat,residuals
regress ehat L.ehat
dfuller aus, regress trend

Por lo tanto, las pruebas formales de raíces unitarias confirman que las series son no estacionarias.

Regresión de cointegración y prueba Engle-Granger. Series del PIB real de EEUU y Australia

Al plantear una relación en el sentido de que una economía pequeña responde a una economía
grande y estimar la relación de cointegración, omitiendo el intercepto, que no tiene sentido
económico, se obtiene
 𝐴̂𝑡 = 0.985𝑈𝑡 (13.7)

donde 𝐴 denota el PIB real de Australia y 𝑈 denota el PIB real de Estados Unidos. Nótese que se ha
normalizado sobre 𝐴 porque tiene mejor sentido pensar que una economía pequeña responde a
una economía grande. Los residuales que se derivan de la ecuación de cointegración son

𝑒̂𝑡 = 𝐴𝑡 − 0.985𝑈𝑡

La autocorrelación de primer orden para la serie de 𝑒̂𝑡 es 𝑟1 = 0.8702 y una inspección visual de
la serie sugiere que los residuales pueden ser estacionarios.
2
1
Residuals

0
-1
-2
-3

1970q1 1980q1 1990q1 2000q1

date

Se efectúa la prueba formal de raíz unitaria, cuya ecuación estimada es

̂𝑡 = −0.128𝑒̂𝑡−1
∆𝑒 (13.8)
(𝑡𝑎𝑢) (−2.889)

a partir de
En efecto, los residuales son estacionarios. A partir de que la relación de cointegración no contiene
un intercepto, el valor crítico para la prueba al 5% es -2.76, tomado de la siguiente tabla

El valor calculado -2.889 es menor que el valor crítico de -2.76, por lo que se rechaza la hipótesis
nula de no cointegración y se concluye que las series del PIB real de EEUU y del PIB real de
Australia cointegran. Este resultado implica que la actividad económica en la economía pequeña
(Australia, 𝐴𝑡 ) está vinculada a la actividad económica en la economía grande (Estados Unidos,
𝑈𝑡 ). Si 𝑈𝑡 se incrementara en una unidad, 𝐴𝑡 podría incrementarse en 0.985. Pero la economía
australiana no podría responder totalmente por esta cantidad durante el trimestre. Para estar
ciertos de en cuánto la economía responderá durante el trimestre, se estima un modelo de
corrección de error por mínimos cuadrados ordinarios.

El modelo VEC estimado para {𝐴𝑡 , 𝑈𝑡 } es

̂𝑡 = 0.492 − 0.099𝑒̂𝑡−1
∆𝐴
(𝜏) (−2.077)
(13.9)
̂𝑡 = 0.510 + 0.030𝑒̂𝑡−1
∆𝑈
(𝜏) (2.789)
en forma matricial
̂
∆𝐴 0.492 −0.099 0 𝑒̂
[ 𝑡] = [ ]+[ ] [ 𝑡−1 ]
̂𝑡
∆𝑈 0.510 0 0.030 𝑒̂𝑡−1
o
̂
∆𝐴 0.492 −0.099
[ 𝑡] = [ ]+[ ] 𝑒̂
̂𝑡
∆𝑈 0.510 0.030 𝑡−1

𝛼11 −0.099
donde [𝛼 ] = [ ] es el vector de coeficientes estimados de corrección de error.
21 0.030
En Stata

use "C:\POE4\gdp.dta", clear

generate date = q(1970q1) + _n-1
format date %tq
tsset date
regress aus usa, noconstant
predict ehat, residuals
corrgram ehat, lags(5)
tsline ehat
dfuller ehat, regress noconstant
regress D.aus L.ehat
regress D.usa L.ehat
drop ehat

Los resultados muestran que ambos coeficientes de corrección de error tienen el signo apropiado.
El coeficiente de corrección de error que tiene signo negativo en la primera ecuación (-0.099)
indica que ∆𝐴 disminuye (esto es, 𝐴𝑡 disminuye o ∆𝐴𝑡 es negativo) mientras que el coeficiente de
corrección de error que tiene signo positivo en la segunda ecuación (0.030) indica que ∆𝑈
aumenta (esto es, 𝑈𝑡 aumenta o ∆𝑈𝑡 es positivo) cuando hay un error positivo de cointegración
(𝑒̂𝑡−1 > 0 o 𝐴̂𝑡−1 > 0.985𝑈𝑡−1 ). Este comportamiento (cambio negativo en 𝐴 y cambio positivo en
𝑈) “corrige” el error de cointegración. El coeficiente de corrección de error (-0.099) es significativo
al nivel de 5%; este indica que el ajuste trimestral de 𝐴𝑡 estará desviado en cerca de un 10% de
𝐴𝑡−1 de su valor de cointegración 0.985𝑈𝑡−1. Esta es una tasa de ajuste lenta. Sin embargo, el
coeficiente de corrección de error en la segunda ecuación (0.030) es no significativo; esto sugiere
que ∆𝑈 no reacciona al error de cointegración. Este resultado es consistente con la premisa de
que la economía pequeña reacciona con mayor probabilidad a las condiciones económicas que
prevalecen en la economía grande, pero no viceversa.

Estimación de un modelo VAR

El modelo VEC es un modelo dinámico multivariado que incorpora una ecuación de cointegración.
Este es relevante cuando, para el caso bivariado, tenemos dos variables, digamos 𝑥 y 𝑦, siendo
ambas 𝐼(1) y cointegradas. Ahora nos preguntamos: ¿qué debemos hacer si estamos interesados
en las interdependencias entre 𝑦 y 𝑥, pero estas variables no cointegran?. En este caso, se
estimará un modelo de vectores autorregresivos (VAR) como el que se muestra en (13.3).

Como ejemplo, consideremos la gráfica siguiente, que muestra el logaritmo del ingreso real
disponible (denotado como 𝑌) y el logaritmo del gasto en consumo real personal (denotado como
𝐶) para la economía norteamericana durante el periodo del primer trimestre de 1960 al cuarto
trimestre del 2009.
9.5
9
8.5
8
7.5

1960q1 1970q1 1980q1 1990q1 2000q1 2010q1

date

log of real consumption expenditure log of real disposable income

Ambas series parecen ser no estacionarias, pero ¿están cointegradas? Los datos están en el
archivo fred.dta

En Stata

use "C:\POE4\fred.dta", clear

generate date = q(1960q1) + _n-1
format date %tq
tsset date
tsline c y
* Prueba ADF
* Serie del Consumo
regress c l.c
predict ehat,residuals
regress ehat L(1/3).ehat
dfuller c, regress lags(3)
* Serie del Ingreso
drop ehat
regress y l.y
predict ehat,residuals
regress ehat L.ehat
dfuller y, regress
* Prueba de cointegración
drop ehat
regress c y
predict ehat, residuals
regress ehat L.ehat, noconstant
regress ehat L.ehat L2.ehat, noconstant
regress ehat L.ehat L2.ehat L3.ehat, noconstant
dfuller ehat, regress noconstant lags(1)
dfuller ehat, regress noconstant lags(2)
Las pruebas DFA de raíces unitarias para 𝐶 y 𝑌 (para el caso de sólo un intercepto) dados los
valores -1.995 y -2.741, respectivamente. Dado un valor crítico de -2.876 al nivel del 5% de
significancia, podemos concluir que las series son no estacionarias.

La prueba de cointegración para el caso normalizado sobre 𝐶 se muestra a continuación:

 𝑒̂𝑡 = 𝐶𝑡 + 0.404 − 1.035𝑌𝑡

∆𝑒̂𝑡 = −0.088𝑒̂𝑡−1 − 0.299∆𝑒̂𝑡−1

(𝑡𝑎𝑢) (−2.873) (13.10)

En este ejemplo, se consideró el Caso 2, a partir de que la relación de cointegración tiene un

término de intercepto:

𝐶𝑡 = −0.404 + 1.035𝑌𝑡

Nótese que un término de intercepto ha sido incluido para capturar el componente de logaritmo
del consumo que es independiente del ingreso disponible, es decir, el componente fijo del
logaritmo del consumo. El valor crítico al 5% de la prueba de estacionariedad en los residuales de
cointegración es −3.37. A partir de que tau (el valor t de raíz unitaria) de −2.873 es mayor que
−3.37, los errores no son estacionarios, por lo tanto la relación entre 𝐶𝑡 que es el log(RPCE (real
personal consumption expenditure)) y 𝑌𝑡 que es el log(RPDI (real personal disposable income)) es
espuria, esto es, no hay evidencia de cointegración. Así, no podemos aplicar un modelo VEC para
examinar la dinámica de la relación entre los agregados de consumo 𝐶𝑡 e ingreso 𝑌𝑡 . En su lugar,
 
se estimará un modelo VAR para el conjunto de variables Ct , Yt que son I(0).

Para propósitos ilustrativos, el orden del rezago en este ejemplo ha sido restringido a uno. En
general, deberíamos probar la significancia de los términos de rezago mayores a uno.

En Stata

use "C:\POE4\fred.dta", clear

generate date = q(1960q1) + _n-1
format date %tq
tsset date
reg D.c D.L.c D.L.y
reg D.y D.L.c D.L.y
equivalentemente

varbasic D.c D.y, lags(1/1) step(12) nograph

Los resultados son:

∆𝐶̂𝑡 = 0.005 + 0.215∆𝐶𝑡−1 + 0.149∆𝑌𝑡−1

(𝑡) (6.969) (2.884) (2.587)
(13.11a)
∆𝑌̂𝑡 = 0.006 + 0.475∆𝐶𝑡−1 − 0.217∆𝑌𝑡−1
(𝑡) (6.122) (4.885) (2.889)
(13.11b)

en forma matricial, bajo la estructura de (13.3)

∆𝐶̂ 𝛽̂ 𝛽̂ 𝛽̂ ∆𝐶
[ 𝑡 ] = [ 10 ] + [ 11 12 ] [ 𝑡−1 ]
̂
∆𝑌𝑡 ̂
𝛽20 𝛽21𝛽22 ∆𝑌𝑡−1
̂ ̂

es decir
∆𝐶̂ 0.005 0.215 0.149 ∆𝐶𝑡−1
[ 𝑡] = [ ]+[ ][ ]
∆𝑌̂𝑡 0.006 0.475 −0.217 ∆𝑌𝑡−1

La primera ecuación (13.11a) muestra que el crecimiento trimestral en el consumo (∆𝐶𝑡 ) está
significativamente relacionado con su propio valor pasado (∆𝐶𝑡−1 ) y también está
significativamente relacionado con el crecimiento del ingreso del periodo pasado (∆𝑌𝑡−1 ).

La segunda ecuación (13.11b) muestra que el crecimiento trimestral en el ingreso (∆𝑌𝑡 ) está
significativamente y negativamente relacionado con su propio valor pasado (∆𝑌𝑡−1 ) y también está
significativamente relacionado con el crecimiento del consumo del periodo pasado (∆𝐶𝑡−1 ).

Los términos constantes 𝛽10 y 𝛽20 capturan los componentes fijos del cambio en el logaritmo del
consumo y del cambio en el logaritmo del ingreso, respectivamente.

Una vez estimados estos modelos, ¿podemos hacer más inferencia? Si el sistema estuviera sujeto
a un shock de ingresos, ¿cuál es el efecto del shock sobre dinámica de las trayectorias del
crecimiento trimestral del consumo y del ingreso? ¿crecerán? y, sí es así, ¿qué tanto?. Si el sistema
estuviera también sujeto a un shock de consumo, ¿cuál es la contribución de shock de ingreso
versus un shock de consumo sobre la variación del ingreso? Ahora nos enfocamos hacia un marco
de análisis encaminado a dar respuesta a estas cuestiones.

Respuestas de impulso y descomposición de varianza

Las funciones de impulso respuesta y la descomposición de varianza son técnicas empleadas por
los macroeconometristas para analizar problemas tales como el efecto que un choque en los
precios de la gasolina tiene sobre la inflación y el crecimiento del PIB, y el efecto que un cambio en
la política monetaria tiene sobre la economía.

Funciones de respuesta de impulso

Las funciones de impulso respuesta muestran los efectos de los choques sobre la trayectoria de
ajuste de las variables. Para ayudarnos a entender esto, consideraremos primero una serie
univariada.

El caso univariado
Consideremos una serie univariada

𝑦𝑡 = 𝜌𝑦𝑡−1 + 𝑣𝑡

y sujeta a un choque de tamaño 𝑣 en el periodo 1. Suponga un valor arbitrario inicial de 𝑦 en el

periodo cero: 𝑦0 = 0. (Dado que estamos interesados en la dinámica de la trayectoria, el punto
inicial resulta irrelevante.) En el periodo 𝑡 = 1 , posterior al choque, el valor de 𝑦 será:

𝑦1 = 𝜌𝑦0 + 𝑣1 = 𝑣

Suponga que no hay choques subsecuentes en los periodos de tiempo posteriores, es decir,

𝑣2 = 𝑣3 = ⋯ = 0

en el periodo 𝑡 = 2
𝑦2 = 𝜌𝑦1 + 𝑣2 = 𝜌𝑣 + 0 = 𝜌𝑣

en el periodo 𝑡 = 3
𝑦3 = 𝜌𝑦2 + 𝑣3 = 𝜌𝜌𝑣 + 0 = 𝜌2 𝑣

y así, sucesivamente.

Así, la trayectoria en el tiempo de 𝑦 enseguida del choque es

v, v,  v,...

2

Los valores de los coeficientes

1, ,  ,...
2

son conocidos como multiplicadores y la trayectoria de tiempo de 𝑦 es conocida como función de

impulso respuesta.
Como ejemplo, suponga que  0.9 y un choque de una unidad, v 1. Con base en el análisis
1,0.9,0.9 ,...
teórico, la función de impulso respuesta es
2

tendiendo a cero en el tiempo. La gráfica de esta función se puede presentar en Stata mediante

clear
set obs 31
gen t=_n-1
tsset t
gen y=.
for num 1/31: replace y=0.9^(X-1)*1 in X
line y t, xlabel(0(2)32) ylabel(0(0.1)1)
1
.9
.8
.7
.6
.5
y
.4
.3
.2
.1
0

0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32
t

Se muestra lo que ocurre con 𝑦 después del choque. Si el choque es positivo, 𝑦 aumentará y luego
regresará a su nivel inicial o previo al choque.

El caso bivariado
El análisis de una función de impulso respuesta, con dos series de tiempo, a partir de un sistema
VAR de variables estacionarias como el expresado en (13.2)

𝑦
𝑦𝑡 = 𝛿10 + 𝛿11 𝑦𝑡−1 + 𝛿12 𝑥𝑡−1 + 𝑣𝑡
(13.12)
𝑥𝑡 = 𝛿20 + 𝛿21 𝑦𝑡−1 + 𝛿22 𝑥𝑡−1 + 𝑣𝑡𝑥

en forma matricial
 𝑦
𝑦𝑡 𝛿 𝛿 𝛿 𝑦𝑡−1 𝑣
[𝑥 ] = [ 10 ] + [ 11 12 ] [𝑥 ] + [ 𝑡𝑥 ]
𝑡 𝛿20 𝛿21 𝛿22 𝑡−1 𝑣𝑡

En este caso, hay dos posibilidades de choque en el sistema: uno hacia 𝑦 y/u otro hacia 𝑥 . Así,
estaremos interesados en el análisis de 4 funciones de impulso respuesta, el efecto de un choque
en 𝑦 sobre la dinámica de las trayectorias de 𝑦 y 𝑥, y el efecto de un choque en 𝑥 sobre la
dinámica de las trayectorias de 𝑦 y 𝑥 .

El procedimiento para generar estas funciones parece complicado debido a

i) la dinámica interdependiente (generar multiplicadores en el caso multivariado)

ii) la identificación correcta del choque a partir de datos no observables.

lo que conduce al problema de identificación.

Sin embargo, existe un caso especial en el que no se presenta el problema de identificación,

cuando el sistema (13.12) es una representación verdadera del sistema dinámico. Propiamente, 𝑦
está relacionado sólo con los rezagos de 𝑦 y 𝑥 y 𝑥 está relacionado sólo con los rezagos de 𝑦 y 𝑥.
En otras palabras, 𝑦 y 𝑥 están relacionadas dinámicamente, más no contemporáneamente. El
valor contemporáneo de 𝑥𝑡 no aparace en la ecuación de 𝑦𝑡 y el valor contemporáneo de 𝑦𝑡 no
𝑦
aparace en la ecuación de 𝑥𝑡 . También es necesario suponer que los errores 𝑣𝑡𝑥 y 𝑣𝑡 son
independientes uno del otro (contemporáneamente no correlacionados). Adicionalmente,
suponemos 𝑣 𝑥 ~𝑁(0, 𝜎𝑥2 ) y 𝑣 𝑦 ~𝑁(0, 𝜎𝑦2 ).

Sea un choque de una desviación estándar (o innovación) sobre 𝑦 de tal forma que en 𝑡 = 1

𝑦
𝑣1 = 𝜎𝑦

y posteriormente

𝑦
𝑣𝑡 = 0

además, supongamos que para todo 𝑡

𝑣𝑡𝑥 = 0

Los valores iniciales de 𝑦 y 𝑥 son

𝑦0 = 𝑥0 = 0

A partir de que estamos interesados en el impacto de un choque sobre los cambios en la

trayectoria de 𝑦 y , podemos ignorar los interceptos. Entonces,

1. Cuando 𝑡 = 1, el efecto de un shock de tamaño 𝜎𝑦 en 𝑦 es

𝑦
𝑦1 = 𝑣1 = 𝜎𝑦

y el efecto en 𝑥 es
 𝑥1 = 𝑣1𝑥 = 0

2. Cuando 𝑡 = 2, el efecto del shock en 𝑦 es

𝑦2 = 𝛿11 𝑦1 + 𝛿12 𝑥1 = 𝛿11 𝜎𝑦 + 𝛿12 0 = 𝛿11 𝜎𝑦

y el efecto en 𝑥 es

𝑥2 = 𝛿21 𝑦1 + 𝛿22 𝑥1 = 𝛿21 𝜎𝑦 + 𝛿22 0 = 𝛿21 𝜎𝑦

3. Cuando 𝑡 = 3, el efecto del shock en 𝑦 es

𝑦3 = 𝛿11 𝑦2 + 𝛿12 𝑥2 = 𝛿11 𝛿11 𝜎𝑦 + 𝛿12 𝛿21 𝜎𝑦

y el efecto en 𝑥 es

𝑥3 = 𝛿21 𝑦21 + 𝛿22 𝑥2 = 𝛿21 𝛿11 𝜎𝑦 + 𝛿22 𝛿21 𝜎𝑦

Al repetir las sustituciones para 𝑡 = 4,5, …, se obtienen más expresiones. El impulso respuesta del
shock (o innovación) en 𝑦 sobre 𝑦 es

𝜎𝑦 {1, 𝛿11 , (𝛿11 𝛿11 + 𝛿12 𝛿21 ), … }

y el impulso respuesta de un shock en 𝑦 sobre 𝑥 es

𝜎𝑦 {0, 𝛿21 , (𝛿21 𝛿11 + 𝛿22 𝛿21 ), … }.

Ahora, veamos qué pasa cuando hay un choque de una desviación estándar en 𝑥 de manera que

𝑣1𝑥 = 𝜎𝑥

y posteriormente

𝑣𝑡𝑥 = 0

además, supongamos que para todo 𝑡

𝑦
𝑣𝑡 = 0

Los valores iniciales de 𝑦 y 𝑥 son

𝑦0 = 𝑥0 = 0

A partir de que estamos interesados en el impacto de un choque sobre los cambios en la

trayectoria de 𝑦 y , podemos ignorar los interceptos. Entonces,

1. Cuando 𝑡 = 1, el efecto de un shock de tamaño 𝜎𝑥 en 𝑥 es

𝑥1 = 𝑣1𝑥 = 𝜎𝑥
 y el efecto en 𝑦 es
𝑦
𝑦1 = 𝑣1 = 0

2. Cuando 𝑡 = 2, el efecto del shock en 𝑦 es

𝑦2 = 𝛿11 𝑦1 + 𝛿12 𝑥1 = 𝛿11 0 + 𝛿12 𝜎𝑥 = 𝛿12 𝜎𝑥

y el efecto en 𝑥 es

𝑥2 = 𝛿21 𝑦1 + 𝛿22 𝑥1 = 𝛿21 0 + 𝛿22 𝜎𝑥 = 𝛿22 𝜎𝑥

Al repetir las sustituciones para 𝑡 = 3,4, …, se obtienen más expresiones. El impulso respuesta del
shock (o innovación) en 𝑥 sobre 𝑦 es

𝜎𝑥 {0, 𝛿12 , (𝛿11 𝛿12 + 𝛿12 𝛿22 ), … }

y el impulso respuesta de un shock en 𝑥 sobre 𝑥 es

𝜎𝑥 {1, 𝛿22 , (𝛿21 𝛿12 + 𝛿22 𝛿22 ), … }.

La siguiente figura muestra las 4 funciones de impulso respuesta para valores numéricos de

𝜎𝑦 = 1, 𝜎𝑥 = 2, 𝛿11 = 0.7, 𝛿12 = 0.2, 𝛿21 = 0.3 y 𝛿22 = 0.6.

IRF's
Shock on y
IRF of y to y IRF of y to x
.4
1
.8

.3
.6
yy

yx
.2
.4

.1
.2
0

0 5 10 15 20 25 30 0 5 10 15 20 25 30
t t

Shock on x
IRF of x to y IRF of x to x
2
.5

1.5
.3 .4
xy

xx
1
.2

.5
.1
0

0 5 10 15 20 25 30 0 5 10 15 20 25 30
t t
En Stata

* Shock en y
clear
graph drop _all
program drop _all
set obs 31
gen t=_n-1
tsset t
* Shock de y sobre y
gen yy=.
* Shock de y sobre x
gen yx=.
replace yy=0 if t==0
replace yx=0 if t==0
gen nuyx=0
gen nuyy=0
replace nuyy=1 if t==1
program define loopy
replace yy=0.7*yy[`1'-1]+0.2*yx[`1'-1]+nuyy[`1'] in `1'
replace yx=0.3*yy[`1'-1]+0.6*yx[`1'-1]+nuyx[`1'] in `1'
end
for num 2/31: loopy X
line yy t, xlabel(0(5)30) title("y,y") name(yy)
line yx t, xlabel(0(5)30) title("y,x") name(yx)
graph combine yy yx, title("Shock on y") name(shocky)
* Shock en x
* Shock de x sobre y
gen xy=.
* Shock de x sobre x
gen xx=.
replace xy=0 if t==0
replace xx=0 if t==0
gen nuxx=0
gen nuxy=0
replace nuxx=2 if t==1
program define loopx
replace xy=0.7*xy[`1'-1]+0.2*xx[`1'-1]+nuxy[`1'] in `1'
replace xx=0.3*xy[`1'-1]+0.6*xx[`1'-1]+nuxx[`1'] in `1'
end
for num 2/31: loopx X
line xy t, xlabel(0(5)30) title("x,y") name(xy)
line xx t, xlabel(0(5)30) title("x,x") name(xx)
graph combine xy xx, title("Shock on x") name(shockx)
graph combine shocky shockx, title("Funciones impulso,respuesta")
name(irf) rows(2)

La ventaja de examinar funciones de impulso respuesta (y no precisamente los coeficientes VAR)

es que ellas muestran el tamaño del impacto del shock más la tasa a la cual el shock se disipa,
permitiendo las interdependiencias.
 𝐹
𝑦𝑡+1 = 𝐸𝑡 [𝜌𝑦𝑡 + 𝑣𝑡+1 ]
𝑦𝑡+1 − 𝐸𝑡 [𝑦𝑡+1 ] = 𝑦𝑡+1 − 𝜌𝑦𝑡 = 𝑣𝑡+1
𝐹
𝑦𝑡+2 = 𝐸𝑡 [𝜌𝑦𝑡 + 𝑣𝑡+2 ] = 𝐸𝑡 [𝜌(𝜌𝑦𝑡 + 𝑣𝑡+1 ) + 𝑣𝑡+2 ] = 𝜌2 𝑦𝑡
𝑦𝑡+2 − 𝐸𝑡 [𝑦𝑡+2 ] = 𝑦𝑡+2 − 𝜌2 𝑦𝑡 = 𝜌𝑣𝑡+1 + 𝑣𝑡+2
𝐹 𝑦
𝑦𝑡+1 = 𝐸𝑡 [𝛿11 𝑦𝑡 + 𝛿12 𝑥𝑡 + 𝑣𝑡+1 ] = 𝛿11 𝑦𝑡 + 𝛿12 𝑥𝑡
𝐹 𝑥 ]
𝑥𝑡+1 = 𝐸𝑡 [𝛿21 𝑦𝑡 + 𝛿22 𝑥𝑡 + 𝑣𝑡+1 = 𝛿21 𝑦𝑡 + 𝛿22 𝑥𝑡
𝑦 𝑦 𝑦
𝐹𝐸1 = 𝑦𝑡+1 + 𝐸𝑡 [𝑦𝑡+1 ] = 𝑣𝑡+1 𝑣𝑎𝑟(𝐹𝐸1 ) = 𝜎𝑦2
𝐹𝐸1𝑥 = 𝑥𝑡+1 + 𝐸𝑡 [𝑥𝑡+1 ] = 𝑣𝑡+1 𝑥
𝑣𝑎𝑟(𝐹𝐸1𝑥 ) = 𝜎𝑥2
𝐹 𝑦
𝑦𝑡+2 = 𝐸𝑡 [𝛿11 𝑦𝑡+1 + 𝛿12 𝑥𝑡+1 + 𝑣𝑡+2 ]
𝑦 𝑥 ) 𝑦
= 𝐸𝑡 [𝛿11 (𝛿11 𝑦𝑡 + 𝛿12 𝑥𝑡 + 𝑣𝑡+1 ) + 𝛿12 (𝛿21 𝑦𝑡 + 𝛿22 𝑥𝑡 + 𝑣𝑡+1 + 𝑣𝑡+2 ]
= 𝛿11 (𝛿11 𝑦𝑡 + 𝛿12 𝑥𝑡 ) + 𝛿12 (𝛿21 𝑦𝑡 + 𝛿22 𝑥𝑡 )
𝐹 𝑥
𝑥𝑡+2 = 𝐸𝑡 [𝛿21 𝑦𝑡+1 + 𝛿22 𝑥𝑡+1 + 𝑣𝑡+2 ]
𝑦 𝑥 ) 𝑥
= 𝐸𝑡 [𝛿21 (𝛿11 𝑦𝑡 + 𝛿12 𝑥𝑡 + 𝑣𝑡+1 ) + 𝛿22 (𝛿21 𝑦𝑡 + 𝛿22 𝑥𝑡 + 𝑣𝑡+1 + 𝑣𝑡+2 ]
−𝛿21 (𝛿11 𝑦𝑡 + 𝛿12 𝑥𝑡 ) + 𝛿22 (𝛿21 𝑦𝑡 + 𝛿22 𝑥𝑡 )
𝑦 𝑦 𝑥 𝑦
𝐹𝐸2 = 𝑦𝑡+2 + 𝐸𝑡 [𝑦𝑡+2 ] = [𝛿11 𝑣𝑡+1 + 𝛿12 𝑣𝑡+1 + 𝑣𝑡+2 ]
𝑦 2 2 2 2
𝑣𝑎𝑟(𝐹𝐸2 ) = 𝛿11 𝜎𝑦 + 𝛿12 𝜎𝑥 + 𝜎𝑦2
𝑦
𝐹𝐸2𝑥 = 𝑥𝑡+2 + 𝐸𝑡 [𝑥𝑡+2 ] = [𝛿21 𝑣𝑡+1 + 𝛿22 𝑣𝑡+1 𝑥 𝑥
+ 𝑣𝑡+2 ]
𝑥) 2 2 2 2 2
𝑣𝑎𝑟(𝐹𝐸2 = 𝛿21 𝜎𝑦 + 𝛿22 𝜎𝑥 + 𝜎𝑥
2 2 2 2 2 2
(𝛿11 𝜎𝑦 + 𝜎𝑦2 )⁄( 𝛿11 𝜎𝑦 + 𝛿12 𝜎𝑥 + 𝜎𝑦2 )
2 2 ⁄ 2 2 2 2
(𝛿12 𝜎𝑥 ) ( 𝛿11 𝜎𝑦 + 𝛿12 𝜎𝑥 + 𝜎𝑦2 )
2 2 2 2 2 2
(𝛿22 𝜎𝑥 + 𝜎𝑥2 )⁄( 𝛿21 𝜎𝑦 + 𝛿22 𝜎𝑥 + 𝜎𝑥2 )
2 2 ⁄ 2 2 2 2
(𝛿21 𝜎𝑥𝑦 ) ( 𝛿21 𝜎𝑦 + 𝛿22 𝜎𝑥 + 𝜎𝑥2 )
𝑦
𝑦𝑡 = 𝛿11 𝑦𝑡−1 + 𝛿12 𝑥𝑡−1 + 𝑣𝑡
𝑥𝑡 = 𝛿21 𝑦𝑡−1 + 𝛿22 𝑥𝑡−1 + 𝑣𝑡𝑥 (E13.1)
𝑦
∆𝑦𝑡 = 𝛼10 + 𝛼11 (𝑦𝑡−1 − 𝛽0 − 𝛽1 𝑥𝑡−1 ) + 𝑣𝑡
∆𝑥𝑡 = 𝛼20 + 𝛼21 (𝑦𝑡−1 − 𝛽0 − 𝛽1 𝑥𝑡−1 ) + 𝑣𝑡𝑥
𝑦
𝑦𝑡 = 𝛼10 + (𝛼11 + 1)𝑦𝑡−1 − 𝛼11 𝛽0 − 𝛼11 𝛽1 𝑥𝑡−1 + 𝑣𝑡
𝑥𝑡 = 𝛼20 + 𝛼21 𝑦𝑡−1 − 𝛼21 𝛽0 − (𝛼21 𝛽1 − 1)𝑥𝑡−1 + 𝑣𝑡𝑥
̂𝑡 = 2 − 0.5(𝑦𝑡−1 − 1 − 0.7𝑥𝑡−1 )
∆𝑦
̂𝑡 = 3 + 0.3(𝑦𝑡−1 − 1 − 0.7𝑥𝑡−1 )
∆𝑥
𝑦̂𝑡 = 0.7𝑦𝑡−1 + 0.3 + 0.24𝑥𝑡−1
𝑥̂𝑡 = 0.6𝑦𝑡−1 − −0.6 + 0.52𝑥𝑡−1 (E13.3)
𝑦
𝑦𝑡 = 𝛿̂11 𝑦𝑡−1 + 𝛿̂12 𝑥𝑡−1 + 𝑣𝑡
𝑥𝑡 = 𝛿̂21 𝑦𝑡−1 + 𝛿̂22 𝑥𝑡−1 + 𝑣𝑡𝑥
𝑦
∆𝑦𝑡 = 𝛼̂11 (𝑦𝑡−1 − 𝛽̂1 𝑥𝑡−1 ) + 𝑣̂1𝑡
∆𝑥𝑡 = 𝛼̂21 (𝑦𝑡−1 − 𝛽̂1 𝑥𝑡−1 ) + 𝑣̂2𝑡𝑥
(E13.4)
̂𝑡 = −0.576(𝑒̂𝑡−1 )
∆𝑦
(𝑡) (−6.158)
̂𝑡 = 0.450(𝑒̂𝑡−1 )
∆𝑥
(𝑡) (−4.448) (E13.7)
∆𝑤̂𝑡 = 0.743∆𝑤𝑡−1 + 0.214∆𝑧𝑡−1
(𝑡) (11.403) (2.893)
̂
∆𝑧𝑡 = −0.155∆𝑤𝑡−1 + 0.641∆𝑧𝑡−1
(𝑡) (−2.293) (8.338) (E13.8)
̂
∆𝑃𝑡 = −0.016(𝑃𝑡−1 − 1.004𝑀𝑡−1 + 0.039) + 0.514∆𝑃𝑡−1 − 0.005∆𝑀𝑡−1
(𝑡) (2.127) (3.696) (1.714) (7.999) (0.215)
̂ 𝑡 = 0.067(𝑃𝑡−1 − 1.004𝑀𝑡−1 + 0.039) − 0.336∆𝑃𝑡−1 − 0.340∆𝑀𝑡−1
∆𝑀
(𝑡) (3.017) (3.696) (1.714) (1.796) (4.802) (E13.9)
∆𝐷𝑈𝑡 = 0.180𝐷𝑈𝑡−1 − 0.046𝐷𝑃𝑡−1
(𝑡) (3.905) (0.909)
∆𝐷𝑃𝑡 = −0.098𝐷𝑈𝑡−1 − 0.373𝐷𝑃𝑡−1
(𝑡) (−2.522) (8.711) (E13.10)
𝐷𝑉𝑡 = 100ln(𝐷𝑁𝑡 ⁄𝐷𝑁𝑡−1 ), 𝑆𝑃𝑡 = 100ln(𝑃𝑁𝑡 ⁄𝑃𝑁𝑡−1 )
𝑆𝑃𝑡 = 𝛽10 + 𝛽11 𝑆𝑃𝑡−1 + 𝛽12 𝐷𝑉𝑡−1 + 𝑣𝑡𝑠
𝐷𝑉𝑡 = 𝛽20 + 𝛽21 𝑆𝑃𝑡−1 + 𝛽22 𝐷𝑉𝑡−1 + 𝑣𝑡𝑑
𝑆𝑃𝑡 = 𝛼10 + 𝛼11 𝑆𝑃𝑡−1 + 𝛼12 𝐷𝑉𝑡−1 + 𝛼13 𝐷𝑉𝑡 + 𝑒𝑡𝑠
𝐷𝑉𝑡 = 𝛼20 + 𝛼21 𝑆𝑃𝑡−1 + 𝛼22 𝐷𝑉𝑡−1 + 𝛼23 𝐷𝑉𝑡 + 𝑒𝑡𝑑 (E13.12)
𝑦
𝑦𝑡 + 𝛽1 𝑥𝑡 = 𝛼1 𝑦𝑡−1 + 𝛼2 𝑥𝑡−1 + 𝑒𝑡
𝑥𝑡 + 𝛽2 𝑦𝑡 = 𝛼3 𝑦𝑡−1 + 𝛼4 𝑥𝑡−1 + 𝑒𝑡𝑥 (13A.1)
𝑦
𝑦𝑡 1 𝛽1 𝛼1 𝛼2 𝑒
𝑌 = [𝑥 ] 𝐵 = [ ] 𝐴 = [𝛼 𝛼 ] 𝐸𝑡 = [ 𝑡𝑥 ]
𝑡 𝛽2 1 3 4 𝑒𝑡
𝑦
𝑦𝑡 = 𝛿1 𝑦𝑡−1 + 𝛿2 𝑥𝑡−1 + 𝑣𝑡
𝑥𝑡 = 𝛿3 𝑦𝑡−1 + 𝛿4 𝑥𝑡−1 + 𝑣𝑡𝑥 (13A.2)
𝑦
𝛿 𝛿2 𝑣
𝐶=[ 1 ] 𝑉𝑡 = [ 𝑡𝑥 ]
𝛿3 𝛿4 𝑣𝑡