EXOGENEIDAD

Prof. Adri Adrin Fern Fernndez CURSO METODOS CUANTITATIVOS AVANZADOS Opci Opcin Econometr Econometra Edici Edicin 2009

CAUSALIDAD Y EXOGENEIDAD

CAUSALIDAD
CONCEPTO DE CAUSALIDAD - CAUSALIDAD SEGUN GRANGER GRANGER . DEFINICION DE GRANGER PRUEBAS (TESTS) DE CAUSALIDAD
TEST TEST

DE SIMS DE GEWEKE BLANQUEADO DE LAS SERIES

EXOGENEIDAD
PRESENTACION DEFINICIONES

EJEMPLO ENGLE ET AL.

PRESENTACION DEL MODELO NORMAL MULTIVARIANTE ANALISIS DEL EJEMPLO

CAUSALIDAD
Concepto de causalidad, seg segn Granger. Cuando no se est est ante un experimento controlado no es sencillo demostrar que una relaci relacin causacausa-efecto existe. Enfoque tradicional o cl clsico sico en Econometr Econometra: definir el modelo de regresi regresin en base a una teor teora econ econmica previa. Enfoque usual: regresar y respecto de x , y analizar la significaci significacin del coeficiente de x. Pero una alta correlaci correlacin entre dos variables no experimentales no constituye evidencia de una relaci relacin de causalidad causalidad entre ellas. Ajustar un modelo de regresi regresin es, principalmente, un ejercicio de cuantificaci cuantificacin. No se cuestiona la existencia de la relaci relacin; se toma dada dada por la teor teora econ econmica. Siguiendo a A. Harvey, una extraordinaria cantidad de fe es puesta en el conocimiento a priori proveniente de la teor teora econ econmica mica.

CAUSALIDAD
Concepto de causalidad, seg segn Granger. La idea de analizar los supuestos impl implcitos en un modelo econom economtrico, respecto de la relaci relacin entre las variables intervinientes, lleva al concepto de CAUSALIDAD, formalizado por C. W. J. Granger (1969).

x se dice que causa causa a y si tomando en cuenta los valores pasados de x es posible realizar mejores predicciones de y, todo lo dem dems igual.
Harvey: esa definici definicin de causalidad no corresponde a una definici definicin aceptable de causacausa-efecto en un sentido filos filosfico; se refiere al m ms limitado concepto de PREDICTIBILIDAD. Por ello se prefiere calificar calificar este concepto de causalidad como CAUSALIDAD SEGUN GRANGER GRANGER.

CAUSALIDAD

Definicin de causalidad, segn Granger.

Sea U el conjunto de informaci informacin, pasada y presente, y sea U# la informaci informacin presente (contempor (contempornea). De la misma forma, X y X# denota la informaci informacin respecto de la variable x.

x CAUSA a y si:

ECM( y# |U# ) < ECM( y# |U# - X # )

x CAUSA instant instantneamente a y si

ECM( y# |U ) < ECM( y# |U - X )

CAUSALIDAD

Tests de causalidad: Test de Sims

Si x y y tienen una representaci representacin como modelos AR; Si y puede ser expresada como una funci funcin de los valores pasados y contempor contemporneos de x, con residuos no correlacionados con ning ningn valor de x (pasado o futuro);

=> SE DICE QUE y NO CAUSA a x EN EL SENTIDO DE

GRANGER.

CAUSALIDAD

Tests de causalidad: Test de Sims (cont.)

Se plantea una regresi regresin de y respecto a los valores pasados y futuros de x.
yt =

j= n

xt- j +

j =1

xt +

+ t

n y m deben ser suficientemente grandes para evitar un error de especificaci especificacin.

La prueba de que y no causa a x se convierte en un test F cuya hip hiptesis nula es:

Ho : 1 = 2 = ... = m = 0

CAUSALIDAD Tests de causalidad: Test de Geweke Partiendo de yt = ( L ) xt + t

(L) es un polinomio de grado n + m , que toma en cuenta los valores futuros de x.

Se aplica un filtro ad hoc a las variables y t = ( L ) x t + -1 ( L ) t Se multiplica ambos miembros por (L):

(L) y t = (L) ( L ) x t + t
Se regresa y t respecto a y t-1, y t-2, ..., y t-p junto con m valores futuros y n+p pasados de x. La hip hiptesis de que y no causa a x puede ser probada realizando un test F para los valores futuros de x.

CAUSALIDAD

Tests de causalidad: Blanqueado de las Series

Asumiendo, como en el test de Sims, Sims, que x y y tienen una representaci representacin como modelos AR (o ARMA), los residuos de estos procesos corresponden a las series blanqueadas blanqueadas. Las correlaciones cruzadas entre estas ltimas pueden aportar informaci informacin sobre los patrones de causalidad Los residuos son componentes de x y y que no pueden ser predichos desde su propio pasado. Una relaci relacin de causalidad en el sentido de Granger entre ambas variables deber debera reflejarse en ellos.

CAUSALIDAD
Tests de causalidad: Blanqueado de las Series Bajo la hip hiptesis nula de que x y y NO presentan una relaci relacin de causalidad, la correlaci correlacin cruzada de sus residuos se distribuye IN(0,1/T) cuando la muestra es suficientemente grande. Si x* y y* denotan las series blanqueadas blanqueadas, las correlaciones cruzadas se definen como: como:
r k ( x * , y * ) = corr ( x* t - k , y* t ) k = 0 , 1, 2, ...

Estas corr. corr. cruzadas caracterizan los patrones de causalidad.

a) r k ( x * , y * ) 0 para algn k > 0 x y b) r k ( x * , y * ) 0 para algn k < 0 x y c) r k ( x * , y * ) 0 para varios k caus. instan

EXOGENEIDAD

Presentacin

Concepto: Una variable es EXOGENA si el an anlisis se puede realizar condicional a dicha variable y, por tanto, no es necesario modelizarla. modelizarla. El concepto de EXOGENEIDAD depende de la finalidad del modelo: para inferencia estad estadstica (an (anlisis estructural), predicci prediccin o simulaci simulacin y control (pol (poltica econ econmica). La posibilidad de definir un modelo uniecuacional depende de la exogeneidad de las variables explicativas, zt. Estimaciones eficientes de los par parmetros requieren que no haya p prdida de informaci informacin sobre ellos al condicionar condicionar en las variables explicativas.

EXOGENEIDAD

Presentacin

Las variables explicativas deben ser tratadas como si fueran fijas fijas en muestras repetidas, a an cuando pueden haber sido generadas por un proceso estoc estocstico como yt Engle, Hendry y Richard (Econometrica , 1983). Art (Econometrica, Artculo de referencia obligado. Se refieren a la exogeneidad de una variable con respecto a un par parmetro o conjunto de par parmetros en particular.
Ejemplo. Explicaci Explicacin de los precios de los transables en Uruguay. Variable explicativa: precios internacionales (precios mayoristas mayoristas de EE.UU.). Por otro lado, demanda de dinero en EE.UU. Variable explicativa: precios mayoristas en EE.UU. EE.UU.

EXOGENEIDAD
Definiciones
Sea xt = (y (yt , zt) generada por un proceso con funci funcin de densidad condicional D(xt /Xt-1 , ), donde Xt-1 corresponde a la historia de la variable x:
Xt-1 = ( xt-1, xt-2, ..., xo )

Sean los par parmetros perteneciente a pasibles de ser particionados en ( (1,2) , y la partici particin es tal que permite la factorizaci factorizacin

D ( xt | X t -1 , ) = D ( y t | z t , X t -1 , 1 ) . D ( z t | X t -1 , 2 )
La densidad condicional de yt y la marginal de zt operan un CORTE SECUENCIAL (sequential cut) en la densidad condicional D(xt /Xt-1 , ), si y s slo si 1,2 son par parmetros de variaci variacin libre (v (variation free).

( 1 , 2 ) 1 x 2 donde 1 1 2 2

EXOGENEIDAD
Definiciones: Exogeneidad D Dbil z t es d dbilmente ex exgena respecto de un conjunto de par parmetros de inter inters s y solo s s existe una partici particin (1,2) de tal que: i) sea un subconjunto (o una funci funcin) solamente de 1. ii) ii) [ (yt / zt ; 1) , (z t ; 2) ] operan un corte secuencial El elemento esencial de la exogeneidad d dbil es que la densidad marginal (de z t) no contiene informaci informacin relevante sobre 1 El planteamiento respecto de los par parmetros de inter inters tiene relaci n con el (los) par metro(s) ) de la ecuaci relaci par metro(s ecuacin principal. Por ej. una elasticidad

EXOGENEIDAD
Exogeneidad D Dbil Ejemplo modelo recursivo

yt = zt + 1t zt = yt 1 + 2t
donde las perturbaciones it son independientes

1,t ~ IN ( , ) 2,t
El par parmetro de inter inters es . En este caso:

=
0

11 0 = 0 22
11

Las varianzas condicionales son

22

EXOGENEIDAD
Exogeneidad D Dbil Ejemplo modelo recursivo

E [ y t | z t , ... ] = z t dado que 1t es indep de 2t E [ z t | y t - 1 , ... ] = y t - 1

De esta forma, la densidad condicional ( yt , zt ) factoriza de acuerdo a la definici definicin de corte secuencial donde ( ( , 11) y ( ( , 22) se corresponden con 1 y 2, respectivamente. respectivamente.

EXOGENEIDAD Definiciones: Exogeneidad Fuerte

z t es fuertemente ex exgena respecto a un conjunto de par metros de inter par inters s y solo si z t es d dbilmente
ex exgena respecto a , y adem adems la funci funcin de densidad marginal de z t puede ser escrita como:
D(z t / X
t-1

, 2 ) = D(z t / Z

t-1

, Yo , 2)

Adem Adems de la exogeneidad d dbil, se exige que z no dependa de los valores pasados de y. Es decir, que no exista retroalimentaci retroalimentacin entre z y y. Si zt es fuertemente exgena, entonces y no causa a z en el sentido de Granger.

EXOGENEIDAD

Definiciones: Super Exogeneidad zt es super ex exgena respecto a un conjunto de par parmetros de inter inters s y solo si z t es d dbilmente ex exgena respecto a y 1 es invariante a intervenciones que afecten a 2 Si bien la exogeneidad fuerte implica la causalidad seg segn Granger, lo contrario no es cierto.

EXOGENEIDAD
Definiciones: Super Exogeneidad La superexogeneidad permite sustentar los ejercicios de simulaci simulacin y control control, propios del an anlisis de pol polticas. En la determinaci determinacin de la superexogeneidad de una variable subyace la posibilidad de un cambio en el proceso generador de datos de la variable explicativa. Si no se cumple la condici condicin de superexogeneidad, superexogeneidad, la variable zt no se puede considerar ex exgena a los efectos de la simulaci simulacin y control. Cr Crtica de Lucas Lucas (de 1976)

EXOGENEIDAD

10

EXOGENEIDAD
Definiciones: Exogeneidad Estricta
Si ut es el t trmino de perturbaci perturbacin de un modelo, zt (una variable explicativa) se dice estrictamente ex exgena si: E(zt u t + i ) = 0 para todo i.

z t se dice predeterminada si E(zt u t + i ) = 0 para todo i 0.

Ambos conceptos corresponden a T. C. Koopmans (1950). Engle et al muestran que estos 2 ltimos conceptos no son necesarios ni suficientes para realizar inferencias v vlidas, dado que no relacionan a la variable explicativa con los par parmetros de inter inters.

EJEMPLO ENGLE ET AL.

Presentaci Presentacin del modelo

Sea el siguiente modelo:

y t = z t + 1,t z t = 1 z t -1 + 2 y t -1 + 2,t
1,t ~ IN ( , ) 2,t 11 12 = 12 22

donde las perturbaciones it siguen el proceso:

Se asume que los par parmetros (, 1, 2, 11, 22, 12) tienen variaci variacin libre, cumpliendo los requerimientos para que la matriz de covarianzas de los errores sea definida positiva. El par parmetro de inter inters es .

11

EJEMPLO ENGLE ET AL.

Presentaci Presentacin del modelo

Se deduce que yt y zt son tambi tambin normales, con covarianza no nula. Obsrvese que E[yt/zt,...] = zt + E [ 1t /zt ] El segundo trmino del miembro derecho es distinto de cero, dado que los errores no son incorrelacionados. El tratamiento de este caso requiere que revisemos algunos resultados relativos a la distribucin normal multivariante y a sus momentos condicionales.

EJEMPLO ENGLE ET AL.

Normal Multivariante Sean X1 y X2 dos variables tales que:
X 1,t = = 1 E X 2,t 2 X 1,t = = 11 12 V 12 22 X 2,t

La f. de densidad condicional de X1 dado X2 es (sin importar el tipo de distribucin):

f ( x1 | x 2 ) = f ( x1 , x 2 ) f 2 ( x2 )

12

EJEMPLO ENGLE ET AL.

Normal Multivariante Si X1 y X2 son normales, se tiene la siguiente f.d. conjunta
f ( x1 , x 2 ; ) = (1 - 2 )-1/2 1 x1 - 1 2 x2 - 2 2 . exp { .[ ( ) +( ) 2 2 11 22 2 (1 - ) 11 22 x1 - 1 x 2 - 2

11

22

]}

con = 12

11 22

Las distribuciones marginales y la condicional son:

X 1 ~ N ( 1 , 11 ) ( X 1| X 2 ) ~ N [ 1 +

X 2 ~ N ( 2 , 22 )

11 ( 2 2 X 2 - 2 ) , 11 ( 1 - ) 22

EJEMPLO ENGLE ET AL.

An Anlisis del ejemplo. La forma reducida del modelo antes planteado es:
yt = 1 z t -1 + 2 yt -1 + 3,t z t = 1 z t -1 + 2 yt -1 + 2,t

donde: 3t = 1t + 2t Es claro que 2t y 3t tienen esperanza nula y varianzas:

3,t 11 + 2 12 + 2 22 12 + 22 V = 12 + 22 22 2,t

13

EJEMPLO ENGLE ET AL.

An Anlisis del ejemplo (cont.) A partir de la forma reducida, puede observarse que yt y zt siguen una distribuci distribucin normal conjunta, donde la matriz de varianzas y covarianzas es la antes planteada, y sus esperanzas (condicionales s slo a los valores pasados de ambas variables) son:

Y = E[yt/zt-1,Yt-1,...] = 1 zt-1 + 2 yt-1 Z = E[zt/zt-1, Yt-1,...] = 1 zt-1 + 2 yt-1

EJEMPLO ENGLE ET AL.

An Anlisis del ejemplo (cont.) Aplicando los resultados encontrados respecto a la normal multivariante, multivariante, tenemos que:
12 E ( yt / zt , ... ) = 1 z t -1 + 2 y t -1 + + 22 zt

12 . z 1 z t -1 + ... 22 1 t -1

De esa manera se obtienen los resultados presentados en Engle et al: E [ yt / zt, ... ] = b zt + c1 zt-1 + c2 yt-1 donde:

b = + 12 22

c = - 12 i i 22

14

EJEMPLO ENGLE ET AL.

An Anlisis del ejemplo (cont.) La varianza condicional es:
2 12 V ( yt / zt ,...) = = 11 = 11(1 - 2 ) 22 2

Considrese ahora el modelo de regresin: yt= b zt + c1 zt-1+ c2 yt-1+ ut donde ut ~ IN( 0 , 2 ) Analicemos distintos tipos de relacin entre yt y zt
i) ii)

12 = 0 12 = 0 y 2 = 0

EJEMPLO ENGLE ET AL.

An Anlisis del ejemplo (cont.)

12 = 0 Ello implica la incorrelaci incorrelacin (independencia) entre las perturbaciones, pero no entre yt y zt. A partir del supuesto planteado se observa que:
E [ yt / zt, ... ] = zt V [ yt / zt, ... ] = 11 E [ zt / Zt-1, Yt-1] = 1 zt-1 + 2 yt-1 V [ zt / Zt-1, Yt-1] = 22

15

EJEMPLO ENGLE ET AL.

An Anlisis del ejemplo (cont.)

12 = 0
De esta manera, la densidad condicional de yt respecto de zt puede factorizarse como un corte secuencial con: 1 = ( , 11 ) 2 = ( 1 , 2 , 22 ) Desde el momento en que el par parmetro de inter inters () es una funci funcin exclusivamente de 1, zt es d dbilmente ex exgena respecto de . Si no se cumple la condici condicin supuesta (12 0), zt no es d dbilmente ex exgena respecto de , y los estimadores por MCO del modelo son inconsistentes.

EJEMPLO ENGLE ET AL.

An Anlisis del ejemplo (cont.)

12 = 0 y 2 = 0

zt es fuertemente exgena respecto de

16