“AÑO DE LA CONSOLIDACIÓN DEL MAR DE GRAU”

UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE CIENCIAS ECONÓMICAS

PROCESOS NO ESTACIONARIOS

MODELO DE CAMBIO DE RÉGIMEN

MARKOV-SWITCHING

 ALEJO VILLANUEVA, Ana

 COLUMBUS TORRES, Armando Leonardo
 JAUREGUI ALVITES, Eliazar
 MEJIA VERGARA, Geraldine Evelyn
 MENDOZA FERNANDEZ, Williams
 MONTEZA PUELLES, Ana Paula
 PASCUA CAMARENA Alessandro
 PEDROZA CACERES, Pedro Ricardo
Introducción a las cadenas de MARKOV
Una cadena de Markov es un proceso estocástico que cumple
con la propiedad de Markov “la única información relevante
para poder predecir donde se encontrará dicha variable en el
instante 𝑡 es la posición que ocupó en 𝑡 − 1 y el resto de la
información hacia atrás ya no es de utilidad.
Una cadena de Markov que no varía en el tiempo se determina
por dos objetos:
El espacio del “estado” es de orden finito (𝑥 < ∞).
El elemento 𝑃𝑖𝑗 mide la probabilidad de pasar del “estado” 𝑖
en el instante 𝑡 al “estado” 𝑗 al período siguiente (𝑡 + 1).
El universo de “estados” en𝑛 los cuales se puede empezar
la cadena de Markov es: σ𝑖=1 𝜋0𝑖 = 1

La matriz estocástica 𝑃 define la probabilidad de

moverse del “estado” 𝑖 al “estado” 𝑗 de un período al
siguiente.

𝑘
Tenemos que: Pr 𝑥𝑡+2 = 𝑥𝑗 𝑥𝑡 = 𝑥𝑖 ) = 𝑝𝑖𝑗 es la
probabilidad de pasar del “estado” 𝑖 al “estado” 𝑗 luego
de 𝑘 períodos. Las probabilidades vistas hasta el
momento se refieren a distribuciones condicionales, es
decir, dependen de la posición o “estado anterior”.
El método de Markov Switching postula que al modelar nuestra
ecuación, algunos parámetros o todos dependen de una VARIABLE
NO OBSERVABLE que representa el estado o régimen en el
momento o periodo.

puede tomar valores entre 1 y n, donde e n es el numero de

estados que se consideran en la ecuación, por lo que pueden haber
estados S1, S2, S3 … Sn
 Por lo descrito anteriormente se pueden presentar diversos tipos de
modelos
Consideremos un proceso autorregresivo AR(1)

Se asume que la variable St evoluciona según un proceso de markov

Es conveniente recoger todas las probabilidades de transición o probabilidades
Markov en una matriz P de dimensión nxn:
Notita:

• Un proceso estocástico para t = 0, 1, 2, 3… y los

estados a,b,c…
P( Xt+1=j | Xt=i , Xt-1=h , … , X1=b , X0=a )

• Es una cadena de Markov, si se depende solamente

de: P( Xt+1=j | Xt=i )
 • Es un grafo dirigido cuyos nodos son los
Diagrama de transición estados y cuyos arcos se etiquetan con la
probabilidad de las transiciones existentes.

• Es un arreglo donde se condensan las

probabilidades de pasar de un estado a otro.

p ij
i j
TEMAS
Ejemplo: La línea telefónica

Sea una línea telefónica de estados:

desocupada (D) y ocupada (O).
Ejemplo
Si en el instante t está ocupada, en el
instante t+1 estará ocupada con
probabilidad 0.7 y desocupada con
probabilidad 0.3. Si en el instante t está
desocupada, en el instante t+1 estará
ocupada con probabilidad 0.1 y
desocupada con probabilidad 0.9.
SOLUCION

0.1

0.9 D O 0.7

0.3
Matriz de transiciones:
0.4 0.6 0 0 0
0.5 0.5 0 0 0
𝑃= 0 0 0.3 0.7 0
0 0 0.5 0.4 0.1
0 0 0 0.8 0.2
Representación gráfica:

0.7
0.3 0.4
0.6
3 4
1 2
0.4 0.5 0.5
0.8
0.1
s2
0.5 5
s1
0.2
Dados dos estados i y j, una trayectoria
de i a j es una sucesión de transiciones
que comienza en i y termina en j, tal
que cada transición en la secuencia
tiene una probabilidad positiva de
ocurrir.
Un estado j es alcanzable desde el estado
i si hay una trayectoria que conduzca de i
a j. (El estado 5 es alcanzable desde el
estado 3 a través de la trayectoria 3-4-5,
pero el estado 5 no es alcanzable desde
el estado 1 no hay trayectoria que vaya
de 1 a 5)
Se dice que dos estados i y j se
comunican si j es alcanzable desde i, e i
es alcanzable desde j. (Los estados 1 y 2
se comunican: podemos pasar de 1 a 2 y
de 2 a 1)
 EL FILTRO DE HAMILTON

La técnica del filtro de Hamilton es el

procedimiento reiterativo o repetitivo que se
usa para identificar u estimar que régimen
(estado) es el mas probable que prevalezca en
cada uno de los periodos de la serie temporal.
 MODELOS DE MARKOV SWITCHING Y PERSISTENCIA
DE LA INFLACIÓN (CASO PERÚ)

INTRODUCCIÓN

 El trabajo describe el proceso seguido por la inflación en Perú

durante los últimos años mediante un modelo MARKOV-
SWITCHING, también conocido como modelo MARKOV de cambio
de régimen. La idea básica de este modelo es descomponer serie
temporal en una secuencia de períodos correspondientes a
distintos regímenes.
INTRODUCCIÓN
La ventaja de este modelo es que permite explicar la
inflación mediante sencillas funciones de la inflación
pasada para cada uno de los regímenes existentes,
siendo la transición entre regímenes endógena al
modelo.

En concreto, el modelo de MARKOV-SWITCHING describe la

inflación en cada uno de los posibles regímenes existentes
como un proceso AUTORREGRESIVO de primer orden (AR1)
con parámetros específicos para cada estado.
 INTRODUCCIÓN

Además, el modelo de MARKOV-SWITCHING aplicado a la

inflación permite analizar la persistencia o duración
esperada de la inflación en cada régimen, y la frecuencia de
cambio de expectativas racionales por parte de los agentes
privados mediante suponiendo que estos forman sus
expectativas mediante sencillas reglas.

Los datos de inflación utilizados comprenden el período de

1950 a abril del 2016 y han sido calculados como la variación
porcentual del IPC de un mes con respecto al mismo mes del
año anterior.
Este método utilizado para modelar la inflación, aquí todos o algunos
parámetros dependen de la variable no observable (St), que es la variable
de estado en el periodo t.

1<St<k; k=# de regímenes considerados en el modelo

(los cuales describen el comportamiento inflacionario)
La inflación sigue un proceso autoregresivo AR(1)

t = b0 (st) + b1 t-1 + ᶓ (st)

t / (st) ~ N ( µ (st), σ2 (st) )
ᶓ (st) ~ N (0, σ2 (st))
 Test para estados de markov
switching
La inflación ha sido calculada como la variación porcentual del IPC de un mes con
respecto al mismo mes del año anterior. La data de la inflación es mensual y como se
ha optado por aplicar el modelo de Markov-switching, debemos saber cuántos
estados o regímenes debemos aplicar, Para escoger el número de estados que mejor
explique el comportamiento de la inflación para cada tamaño de muestra se debe
recurrir al test de ratio de verosimilitud.
Primero planteamos dos Hipótesis:
H0 : Modelo restringido ( K = n ) un estado ( m,1 = m,2 ; s,1 = s,2 ; p11 = 1 y p12 =1

H1 : Modelo no restringido ( K = n + 1 ) dos estados ( m,1 ≠ m,2 ; s,1 ≠ s,2 ; p11 ≠ p12 ≠ p21 ≠ p22 )

En este caso, el número de restricciones ( q )es igual a 4.

Y al comparar un modelo de dos estados con un modelo de tres, el número de restricciones
q será a igual a 6. El estadístico calculado es denominado ratio de verosimilitud w tiene la
siguiente forma:
w = -2 ( Ln yR – Ln yS )
Donde yR es el valor de la función de verosimilitud del modelo restringido y yS S es el
valor de la función de verosimilitud del modelo sin restringir. El estadístico se distribuye
según una función de probabilidad Chi-cuadrado con q grados de libertad.
La idea es usar la función log de máxima verosimilitud del modelo, y con ella probar la
hipótesis inicial de un régimen existente, será el primer valor obtenido. Luego probar la
hipótesis alternativa de dos regímenes existentes en la misma función de máxima
verosimilitud y será el segundo valor obtenido. Si dichos valores son iguales, entonces la
media como la varianza del estado 1 y el estado 2 serán iguales, por ende seria igual aplicar
un solo estado. De lo contrario si los valores divergen, debemos saber si son significativas
aquellas diferencias, ello se comprueba con el ratio de verosimilitud, si es significativa, se
rechaza la hipótesis nula, y entonces se aplicaría para 2 estados.
Muy a menudo se aplica 3 estados, por ejemplo, si la variable inflación la dividimos en 2
estados, un estado seria de baja inflación y el otro de alta inflación, la volatilidad no seria
compartida, por lo cual seria mejor , el de 3 estados, éste captará mejor la volatilidad y el
efecto del estado prevaleciente.
 Otros test para los
estados
El ratio de verosimilitud también se puede expresar así:
-2 LN & = n (LN SCRR – LN SCRNR)

Estadístico de Wald
(W)= [(n-k) (SCRR – SCRNR)] / SCRNR

Estadístico de Multiplicador de Lagrange

(M L ) = [(n – k + r ) (SCRR – SCRNR)] / SCRR

Todas están distribuidas como Chi-cuadrado con r grados de libertad (número de coeficientes
omitidos del modelo original)
 Inflación de 1950 a 2016
14,000

12,000

10,000

8,000

6,000

4,000

2,000

-2,000
50 55 60 65 70 75 80 85 90 95 00 05 10 15

Como se ve en el gráfico, la inflación entre enero de 1950 y abril del

2016 ha experimentado varios periodos sumamente inestables, sobre
todo en el periodo de 1988 a 1992, por el contrario es más estable en
el resto de periodos.
 Inflación desde enero de 1950 a diciembre de 1987
200

160

120

80

40

0
1950 1955 1960 1965 1970 1975 1980 1985

Inflación desde abril de 1992 hasta abril del 2016

100

80

60

40

20

-20
92 94 96 98 00 02 04 06 08 10 12 14 16
Para el periodo de 1950 a 2016, de acuerdo al test de ratio de
verosimilitud, el modelo óptimo resulta ser un Markov-
Switching de 3 estados, teniendo el siguiente modelo:

Estado 1 Estado 22
Estado Estado
Estado33
Baja Inflación Intermedia Inflación
Baja Inflación Alta Inflación
Baja Inflación
πt = 22.33+0.9347πt-1+ᶓ1 πt = 10.74+0.9347πt-1+ᶓ1 πt =40.17+0.9347πt-1+ᶓ1
ᶓ1 ~N (0, 0.3551) ᶓ1 ~N (0, 58.4017) ᶓ1 ~N (0, 24260290.67)
µ,1 = 6.8103 µ,1 = 7.0480 µ,1 = -157.9451

Matriz de probabilidad de transición de Markov

0.9951 0.0049 0
𝑃= 0 0.9552 0.0447
0.0930 0 0.9069
Donde: pij = P (St = i | St-1 = j) para i, j = 1,2,3
 Smoothed Regime Probabilities

1.0
P(S(t)= 1)
El escenario de baja
inflación a su vez, describe
0.8
la evolución de la inflación
0.6 durante la mayor parte de
0.4
la muestra, concretamente
en los periodos alternado
0.2
de 1950 a 1975 y desde
0.0
55 60 65 70 75 80 85 90 95 00 05 10 15
1995 hasta el presente.
Smoothed Regime Probabilities
P(S(t)= 2)
1.0 En el escenario de
0.8
inflación intermedia
corresponde a los
0.6
periodos de 1950 – 1955 y
0.4 de 1960 – 1988
0.2

0.0
55 60 65 70 75 80 85 90 95 00 05 10 15
 Smoothed Regime Probabilities
P(S(t)= 3)
1.0

0.8
Y finalmente el
escenario de alta
0.6 inflación está en el
periodo de 1988 a 1992.
0.4

0.2

0.0
55 60 65 70 75 80 85 90 95 00 05 10 15
La duración esperada de la inflación en el estado 𝑺𝒕 = 𝒋 es calculada
como 𝜸𝒋 = (𝟏 − 𝒑𝒋𝒋 )−𝟏 . Entonces si 𝒑𝒊𝒊 resultase ser muy cercano a
uno, 𝜸𝟏 sería muy alto, es decir sería poco probable que la inflación
cambie de estado una vez que entra en el régimen j.
El parámetro 𝜸 1 es igual a 204 meses, lo que significa que una vez
que la inflación se encuentra en el estado de baja inflación tendrá
que pasar en promedio 204 meses para que la inflación abandone tal
estado. Mientras que los estados 2 y 3 persisten en promedio 22 y 11
meses respectivamente.
CONCLUSIONES
El modelo MARKOV-SWITCHING aplicado a la inflación es
superior a los modelos tradicionales que consideran la existencia
de un solo régimen.
La persistencia de cada régimen inflacionario es elevada,
principalmente la del estado de baja inflación. Esto es importante
para la frecuencia de cambio de las expectativas inflacionarias.
Se podrían incorporar más variables exógenas en el modelo de
la inflación, tales como la brecha del PBI; el parámetro
AUTORREGRESIVO podría estar en función del régimen.
También sería interesante comparar la persistencia de los
regímenes observados en Perú con la de otros países.
GRACIAS