MODELOS DINMICOS

Caractersticas diferenciales de los modelos dinmicos:

- La variable endgena retardada puede aparecer como un
regresor del modelo. Por tanto, este tipo de regresor se ha de
considerar como estocstico.
- Bajo ciertas circunstancias los estimadores MCO dejan de
ser consistentes. Por lo que ser necesario recurrir a mtodos
de estimacin alternativos que nos permitan obtener
estimadores consistentes.
- El efecto sobre la variable dependiente de la variacin de
una variable exgena se reparte a lo largo del tiempo, de
manera que entre las variables integrantes del modelo
existen tanto relaciones a corto como a largo plazo.

Los modelos dinmicos son tiles para modelizar el efecto que
tienen sobre una variable endgena
t
y las variaciones de las
variables explicativas cuando el efecto de estas sobre la primera
no se limita a un efecto instantneo sino que se distribuye a lo
largo del tiempo.

Causas:

- Psicolgicas:

- Los costes asociados al cambio de los hbitos y las
costumbres.

o Efecto de la subida del precio del tabaco sobre la
demanda.
o Efectos de la implantacin de un peaje en una
carretera, de un nuevo impuesto.

- La incertidumbre asociada a las decisiones que han de
tomar los agentes econmicos. A la hora de tomar
decisiones los agentes necesitan conocer que valores
tomaran ciertas variables en el futuro. Expectativas.

o Tipo de inters en prstamos e hipotecas.
o Nivel de facturacin de cara a la implantacin de un
nuevo negocio o de cara a determinar el nivel de
produccin.

Los modelos que incorporan expectativas suelen dar lugar a
modelos dinmicos.

- Tecnolgicas, cuando las relaciones econmicas implican
bienes duraderos.

o Efectos de la subida de los carburantes sobre el tipo de
maquinaria que se utiliza en el proceso productivo o
sobre los medios de transporte.

- Institucionales, que estn relacionadas con los retrasos que
se da en los procesos asociados a la toma de decisiones.

o Tiempo que se tarda desde que se detecta un problema
hasta que se toman las medidas adecuadas para
solucionarlo.

- Inercia. Un hecho emprico observado en multitud de
variables es que muestran una gran inercia o persistencia, es
decir, los valores observados para una variable en un
periodo determinado son muy similares a los valores que
adopt esa misma variable en los perodos inmediatamente
anteriores.

TIPOS DE MODELOS DINMICOS:

- Modelos autorregresivos.
- Modelos de retardos distribuidos.
- Modelos AD.
- Modelos ARMAX.

Modelos autorregresivos AR(p):

La expresin general de un modelo autorregreviso de order p,
AR(p) viene dada por:

( )
( ) ( )

=
=

+ + =
=
+ + =
+ + + + + + + =
S
q
qt q t
p
p p
t
k
j
jt j t t p
t kt k t p t p t t t
D b t a a
L L L
donde
x y L
x x y y y
1
1 0
1
1
1 1 1 1
1
:

L
L L


La dinmica del modelo viene determinada por los retardos de la
variable dependiente.

La variable
t
y es estacionaria si las races del polinomio ( ) L
p

caen fuera del crculo unidad y si las variables exgenas
(explicativas)
jt
x tambin son estacionarias.

Los estimadores MCO de los modelos AR(p) son sesgados y
consistentes siempre que el trmino de perturbacin
t
no est
autocorrelacionado.

Modelos de retardos distribuidos RD(r
1
,, r
k
):

En este tipo de modelos la dinmica viene introducida por la
incorporacin de los retardos de las variables exgenas. Por
ejemplo el caso ms sencillo del RD(r ):


( )
( ) ( )
r
r r
t t r t t
t r t r t t t
L L L
donde
x L y
x x y



+ + + =
+ + =
+ + + + =

L
L
1 0
0
:


Para k variables exgenas RD(r
1
,, r
k
) tendramos:

( ) ( )
( )
( ) ( )
j
j j
j
k
r
jr j j jr
t
k
j
jt jr t t
t kt kr t r t t
L L L
donde
x L y
x L x L y



+ + + =
+ + =
+ + + + =

=
L
L
1 0
1
1 1
:
1


Por lo tanto, cada variable explicativa puede entrar con un nmero
diferente de retardos.

Cuando las variables son estacionarias y se cumplen las hiptesis
bsicas los estimadores MCO son insesgados y consistentes.

Problema elevada Multicolinealidad.

Cuando el nmero de retardos es muy elevado o el orden del
modelo es infinito, resulta necesario imponer algn supuesto
sobre la distribucin o evolucin de los coeficientes, dado que de
otra manera resultara imposible estimar este tipo de modelos. Las
dos soluciones que se han propuesto a esta situacin han sido las
hiptesis o modelos de Koyck y Almon.

Koyck

Supongamos un modelo RD():

t t t t t t
x x x x y + + + + + + =

L
3 3 2 2 1 1 0


La hiptesis de Koyck consiste en que los parmetros del modelo
responden al siguiente esquema:

1 0
0 1
< < = =


j
j j


De manera que el valor de
j
va decayendo exponencialmente:


( )
( )
( )
t t t
t t t
t t t t t t
t t t t t t
x
L
y
x L L L y
x x x x y
x x x x y

+ =
+ + + + + + =
+ + + + + + =
+ + + + + + =


1
1
1
0
3 3 2 2
0
3
3
2
2
1 0
3
3
0 2
2
0 1 0 0
L
L
L


Si multiplicamos la anterior expresin por ( ) L 1 pasamos a un
modelo AR(1) en el que el trmino de perturbacin sigue un
proceso MA(1):

( )
( )
( )
t t
t t t t
t t t
L v
donde
v x y y
v x y L




=
=
+ + + =
+ + =

1
1 '
:
'
' 1
0 1
0


Almon.

Mientras que la hiptesis de Almon consiste en suponer que los
parmetros
j
evolucionan siguiendo una relacin polinmica:

m
m j
j j j L + + + =
2
2 1 0


De manera que los parmetros
j
quedan determinados en base a
m+1 coeficientes .
i


Por ejemplo en el caso de m=2 tendramos:

M
9 3
4 2
2 1 0 3
2 1 0 2
1 0 1
0 0
2
2 1 0





+ + =
+ + =
+ =
=
+ + = j j
j


Modelos AD.

Los dos tipos anteriores se pueden combinar y obtener un modelo
AD(p,r
1
,, r
k
):

( ) ( ) ( )
( ) ( )
( ) ( )
( ) ( )
j
j
j
k
r
jr j j jr
p
p p
t
k
j
jt jr t t p
t kt kr t r t t p
L L L
L L L L
donde
x L y L
x L x L y L




+ + + =
=
+ + =
+ + + + =

=
L
L
L
1 0
2
2 1
1
1 1
1
:
1


Un caso particular es el modelo AD(p,r):

( ) ( )
( ) ( )
t
r
r t t
p
p
t t r t t p
x L L y L L L
x L y L


+ + + + + =
+ + =
L L
1 0
2
2 1
1


Y el modelo AD(1,1):

( ) ( )
t t t
x L y L + + + =
1 0 1
1

En cuanto a las propiedades de los estimadores MCO, sern las
mismas que las que tienen los modelos AR(p) si las variables
explicativas son estacionarias.

Modelos ARMAX.

Estos modelos son los ms generales y engloban a todos los
anteriores. Un modelo ARMAX(p,r
1
,, r
k
,l,q) es una
generalizacin de un modelo AD en el que se permite que el
trmino de perturbacin sigua un proceso ARMA(l,q):

( ) ( )
( ) ( )
( ) ( )
( ) ( )
q
q q
l
l l
t q t l
t
k
j
jt jr t t p
L L L L
L L L L
donde
L u L
u x L y L
j




=
=
=
+ + =

=
L
L
2
2 1
2
2 1
1
1
1
:

( ) ( )
( )
( )
t
q
l
k
j
jt jr t t p
L
L
x L y L
j

+ + =

=1


Los modelos ARMA, AD, RD y AR son casos particulares de los
ARMAX.

Si ( ) L
p
tiene todas sus races fuera del crculo unidad el
modelo ARMAX se puede escribir en la forma de funcin de
transferencia:

( )
( )
( )
( )
( ) ( )
t
q p
l
k
j
jt
p
jr
p
t
t
L L
L
x
L
L
L
y
j

+ + =

=1


Que es la base para poder obtener o calcular los multiplicadores.

Los estimadores MCO en los modelos ARMAX en general son
sesgados e inconsistentes.


MULTIPLICADORES.

Que efecto tendr una variacin unitaria de
jt
x sobre
t
y ? Es
decir, el efecto que tiene una variacin unitaria de
jt
x sobre
t
y
una vez que han transcurrido 0, 1, 2, 3 perodos. Vamos a ver
los siguientes ejemplos:

( )
( )
( ) ( ) ) 1 , 1 ( 1
) 1 (
) 1 ( 1
1 0
1 0
AD x L y L
RD x L y
AR x y L
t t t
t t t
t t t



+ + =
+ + =
+ =



K AR(1) RD(1) AD(1,1)
0

0

0

1

1

0 1
+
2

2

0 ( )
0 1
+
3

3

0
( )
0 1
2
+

La respuesta adecuada a las preguntas anteriores se obtiene a
partir de los multiplicadores.

Multiplicador Dinmico: El multiplicador dinmico de retardo k
de la variable
j
x sobre la variable y, se denota por
jk
m y se define
como:

jt
k t
jk
x
y
m

=
+


t k t
x y
+
La forma de calcular los multiplicadores es a travs de la
representacin en trminos de funcin de transferencia del
modelo:

( ) ( )
( )
( )
( ) ( )
( )
( )
( )
( )
( )
( )
( ) ( )
( ) L
L
+ + + = =
+ + + = =
+ =
+ =

2
2 1
2
2 1 0
1
1
1
:
L L
L L
L
L
L v L v v
L
L
L v
Donde
L x L v y
L
L
x L y L
q p
l
j j j
p
jr
j
t
k
j
jt j t
t
q
l
k
j
jt jr t p
j
j

Entonces podemos escribir:

L
L
M
L
M
L
+ + + +
+ + + + +
+ + + + +
+ + + + =




2 2 1 1
2 2 1 1 0
2 2 1 1 0
2 1 12 1 1 11 1 10
t t t
kt k kt k kt k
jt j jt j jt j
t t t t
x v x v x v
x v x v x v
x v x v x v y



Es fcil, ver que
jh
v recoge el efecto sobre
t
y de una variacin
unitaria de
jt
x una vez que han transcurrido h perodos.

H 0 1 2 3 4
h
m
1

10
v
11
v
12
v
13
v
14
v
jh
m
0 j
v
1 j
v
2 j
v
3 j
v
4 j
v
kh
m
0 k
v
1 k
v
2 k
v
4 k
v
4 k
v

Por lo tanto los multiplicadores se pueden calcular al obtener los
coeficientes del polinomio ( ) L v
j
:

jk
jt
k t
jk
v
x
y
m =

=
+


A la secuencia de coeficientes del polinomio ( ) L v
j
tambin se la
conoce con el nombre de funcin de respuesta al impulso.

Si el modelo es estacionario tiene sentido calcular el efecto total
que tiene una variacin unitaria de una variable
j
x sobre la
variable endgena. Esto se hace a travs de la ganancia o
multiplicador total.

Multiplicador Total o Ganancia:

El multiplicador total o ganancia asociada a la variable
j
x se
define como:



=

= = =
1 1 k
jk
k
jk j
v m M g

Por lo tanto el multiplicador total o ganancia consiste en sumar
todos los posibles multiplicadores o los coeficientes de la funcin
de respuesta al impulso. Si el modelo es estacionario/estable tiene
sentido calcular esta suma de infinitos trminos dado que:

0 =
jk jk
m v k

La forma ms sencilla de calcular el multiplicador total es:

( )
( )
( ) 1
1
1
1 p
jr
j
k
jk j
j
v v M g

= = = =

=

.

Donde ( ) 1
j
v es el polinomio ( ) L v
j
valorado para 1 = L .

Retardo Medio (Retard Mitj):

Si los coeficientes del polinomio ( ) ( ) L + + + =

2
2 1 0
L v L v v L v
j j j j

son todos positivos se puede calcular el retardo medio del efecto
de
j
x sobre y utilizando:

( )
( ) 1
1 '

=
j
j
v
v
r

Como:

( )
( )
( ) 1
1
1
p
jr
j
j
v

Es fcil ver que:

( )
( )
( )
( ) ( ) ( ) ( )
( )
2
'
1
1 1 ' 1 1 '
1
1
1 '
p
jr p p jr
p
jr
j
j j j
v

=
|
|

\
|
=


Entonces:

( )
( )
( ) ( ) ( ) ( )
( )
( )
( )
( )
( )
( )
( ) 1
1 '
1
1 '
1
1
1
1 1 ' 1 1 '
1
1 '
2
p
p
jr
jr
p
jr
p
jr p p jr
j
j
j
j
j
j j
v
v
r

=
=

= =

Entonces calcularemos el retardo medio:

( )
( )
( )
( ) 1
1 '
1
1 '
p
p
jr
jr
j
j
r

=

Donde ( ) ( ) L L L
j j
jr jr
= ' y ( ) 1 '
j
jr
es el anterior polinomio
valorado para 1 = L .

Retardo mediano (Retard Media):

El retarod mediano se define como aquel para el cual se ha
alcanzado la mitad del efecto total de la variacin untaria de
j
x
sobre y. Y se cumple que:


=

=
>
me
k
jk
me
k
jk
g m g m
1
1
1
5 . 0 5 . 0

Por lo tanto aquel retardo para el que se cumplan las dos
anteriores condiciones ser el retardo mediano.

Estimacin con regresores estocsticos.

Cuando los regresores del MRLM dejan de poder ser
considerados como variables deterministas las condiciones
necesarias que se han de cumplir para que los estimadores MCO
sigan siendo consistentes y con distribucin asintticamente
Normal quedan recogidas en el teorema de Mann-Wald. Las
condiciones de este teorema son suficientes, pero no necesarias.
Es decir si no se cumplen puede que los estimadores MCO sigan
siendo consistentes, pero si se cumplen seguro que sern
consistentes.

Teorema de Mann-Wald: Sea X una matriz ( k T ) de variables
explicativas y u un vector ( 1 T ) de trminos del perturbacin. Si
se dan las siguientes condiciones:

1. [ ] [ ]
T u
I uu E y u E
2
' 0 = =

2. [ ] 0 ' = u X E

3. < =

xx
X X T p ' lim
1


Donde
xx
es una matriz definida positiva, entonces se cumple:

1. 0 ' lim
1
=

u X T p

2. ( )
xx
d
N u X T

, 0 '
2 / 1


Donde
d
indica convergencia en distribucin.

En primer lugar es importante tener presente la definicin de
lmite en probabilidad lim p (o de convergencia en probabilidad),
se dice que
T
A converge en probabilidad A, A A p
T
= lim si se
cumple:

( ) 0 lim = >

A A P
T
T


siendo una cantidad positiva arbitrariamente pequea.
Habitualmente la convergencia de probabilidad se comprueba
utilizando la desigualdad de Chevishev:


( )
[ ]
[ ]
2
2
2
:

=
=

X VAR
X E
donde
X P
.

En segundo, en cuanto a la convergencia en distribucin. Si
tenemos una secuencia de variables aleatorias { }
T
X y llamamos
( ) x F
T
X
a la funcin de distribucin conjunta de
T
X , si se
cumple ( ) ( ) x F x F
T
X
T
=

lim diremos que
T
X converge en
distribucin a ( ) x F ( ) x F X
d
T
.

Si se cumplen las condiciones del teorema de Mann-Wald TMW,
se puede ver que los estimadores MCO en presencia de regresores
estocsticos seguirn siendo consistentes y se distribuirn
asintticamente segn una normal.

Teorema: Si el MRLM u X y + = cumple las condiciones del
TMW entonces se puede mostrar que:

1. ( ) y X X X
MCO
' '

1
= es un estimador consistente de
=
MCO
p

lim .

2. ( ) ( )
1 2 / 1
, 0

xx
d
MCO
N T

( )
( )

= + =
= + =
=
|

\
|
+ =

0
' lim ' lim
' ' lim

lim
1
1
1
1
1
1
1
xx
MCO
u X T p X X T p
u X T X X T p p


Para obtener este resultado se ha utilizado la siguiente propiedad
convergencia en probabilidad:

( ) B A B A p
B B p
A A p
T T
T
T
=
)
`

=
=
lim
lim
lim
.

En cuanto a la distribucin asinttica normal podemos ver que:

( ) ( )
( )
( ) ( )
1 1 2 / 1
2 / 1
1
2 / 1
1
1 2 / 1
, 0

:
, 0 '
' lim
:
' '

=
=
xx xx xx
d
MCO
xx
d
xx
MCO
N T
tendremos
N u X T
X X T p
como
u X T X X T T




Para el ltimo paso se utiliza ha utilizado la siguiente propiedad
de la convergencia en distribucin:

B A B A
B B
A A p
d
T T d
T
T

)
`

= lim
.

En concreto si tenemos un modelo dinmico sencillo como el
siguiente:

t t t t
u y x y + + + =
1


Vemos que para que se cumplan las condiciones del TMW
debera cumplirse que la siguiente matriz:

(
(
(

2
1 1 1
1
2
1
1 1
'
t t t t
t t t t
t t
y y x y
y x x x
y x T
T X X T

converja a una matriz constante a medida que T . Y por otro
lado que:

[ ]
[ ]
[ ]
[ ]
0 '
1
=
(
(
(

=
t t
t t
t
u y E
u x E
u E
U X E

es decir, que los regresores sean independientes del termino de
perturbacin. Tal y como veremos a continuacin la anterior
situacin slo se dar en modelos dinmicos si el termino de
perturbacin no presenta autocorrelacin.

Por ejemplo para caso ms sencillo de modelo autorregresivo
podemos escribir:

( )
( ) ( ) ( )
( )
( ) L + + + + =

=
+ + =
+ + + =

3 3 2 2
1
1
1
1
:
1 1 1
1
L L L
L
donde
L
u
L
x
y
u x y L
u y x y
t t
t
t t t
t t t t

Entonces:

[ ]
( ) ( ) ( )
( )
( ) [ ]
[ ] [ ] [ ] [ ] L
L
+ + + + =
= + + + + =
=
(

\
|

=
=
(

\
|

t t t t t t t t
t t t t t
t
t
t
t t
t t
u u E u u E u u E u u E
u u u u u E
u
L
u
E
u
L
u
L
x
E u y E
4
3
3
2
2 1
4
3
3
2
2 1
1
1 1
1
1
1 1 1

El anterior valor esperado slo ser igual a cero en ausencia de
autocorrelacin en el trmino de perturbacin.

ESTIMACIN POR VARIABLES INSTRUMENTALES.

El mtodo de variables instrumentales VI se basa en buscar unas
variables adicionales que llamaremos instrumentos que han de
cumplir las dos siguientes condiciones:

- Han de estar incorrelacionados con el trmino de
perturbacin.
- Y estar muy correlacionados con la variable que se desea
instrumentalizar.

En concreto supongamos un MRLM donde una o un conjunto de
variables estn correlacionadas con el trmino de perturbacin, si
tenemos las variables ordenadas y en primer lugar estn las
variables incorrelacionadas con el trmino de perturbacin y a
continuacin tenemos las que estn correlacionadas

[ ]
[ ] k h j u x E
h i u x E
u x x x x y
t jt
t it
t kt k t h h ht h t t
, , 1 0
, , 2 0
*
* *
1 1 2 2 1
L
L
L L
+ =
= =
+ + + + + + + =
+ +



Para cada variable
*
jt
x necesitaremos buscar un instrumento
jt
z
de forma tal que se cumpla [ ] 0 =
t jt
u z E y ademas que este
altamentemente correlacionado con
*
jt
x . Si el modelo anterior se
plantea en terminos matriciales tendramos:

[ ]
* *
1 2
* *
1 1 2 2 1
1
:
kt t h ht t
t kt k t h h ht h t t
x x x x X
con
u X y
u x x x x y
L L
L L
+
+ +
=
+ =
+ + + + + + + =

El estimador de variables instrumentales responde a:

( ) ( )
[ ]
[ ]
kt t h ht t
kt t h ht t
VI
z z x x Z
x x x x X
con
u Z X Z y Z X Z
L L
L L
1 2
* *
1 2
' 1 ' 1
1
1
:
' '

+
+

=
=
+ = =


De forma tal que cumplir:

[ ]
< =
=

zx
X Z T p
u Z E
' lim
0 '
1


Y por tanto tambin se cumplir:

=
|

\
|
+ =
=

u Z
T
p X Z
T
p p
u Z T p
VI
'
1
1
1
lim '
1
lim

lim
0 ' lim


Hay que tener en cuenta que los estimadores de VI son en
principio sesgados:

[ ] ( ) [ ] u Z X Z E E
VI
' 1
'

+ =

Ya que al estar correlacionados X y u el trmino ( ) [ ] u Z X Z E
' 1
'


ser en principio distinto de cero. Pero el sesgo de los estimadores
VI desaparece a nivel asinttico dado que los estimadores VI son
consistentes.

La matriz de varianzas y covarianzas asinttica de
VI

responde
a:

[ ] ( ) ( )
1 1 2
' ' '

= Z X Z Z X Z VAR
u VI


Finalmente, existen situaciones en las que se disponen de ms de
una variable instrumental por variable a instrumentalizar, es decir
la matriz Z tendr ms columnas que la matriz X. En estos casos
el estimador VI o bietpico se define:

( )
( )
( )
( ) ( ) ( )
( ) y P X X P X
y Z Z Z Z X X Z Z Z Z X
Z Z Z Z P
X X Z Z Z Z X
y X X X
z z VI
VI
Z
VI
' '

' ' ' ' ' '

' '
' '

'

'

1
1
1
1
1
1
1

=
= =

Algunos modelos que dan lugar a modelos dinmicos.

Hiptesis de ajuste parcial:
*
t
y no observable.

( )
( )
( ) ( )
( ) ( )
( ) ( )
t t t
t t
t t
t t t
t t t t
t t t
u x y L
y
L
y
y
L
y
y y y
y y y y
u x y

+ + =

=

=
+ =
=
+ + =

1 1
1 1
1 1
1
*
*
1
*
1
*
1
*


Expectativas adaptables:

( )
( )
( )
( ) ( ) ( )
t t t
t t t
t
e
t
t
e
t
e
t
e
t t
e
t
e
t
t
e
t t
u L x y L
u x
L
y
x
L
x
x x x
x x x x
u x y

+ + =
+

+ =

=
+ =
=
+ + =
+
+
+
+
1 ) 1 ( 1 1
1
) 1 (
1
) 1 (
) 1 (
) 1 (
1
1
1
1