Macroeconometria PDF

MacroEconometría Aplicada/Econometría Financiera
Ignacio Lobato (ITAM)
Lobato (ITAM) () MacEcApli/EcFin. 1 / 63

Modelos de Volatilidad
Hasta ahora hemos considerado modelos lineales
Lobato (ITAM) (Institute) MacEcApli/EcFin. 2 / 63


En estos modelos la dependencia aparece re‡ejada en la FAC


Si el P.E. es Gaussiano toda la dependencia aparece re‡ejada en la
FAC


FAC
Las series …nancieras no son Gaussianas


FAC
Las series …nancieras no son Gaussianas
Necesidad de modelos no lineales

Modelos no-lineales
Hay una gran variedad

Modelos no-lineales

Por ejemplo

Modelos no-lineales

Por ejemplo
Modelos no-lineales autorregresivos

Modelos no-lineales

Por ejemplo
NLAR(1)
yt = f (yt 1 ) + εt

Modelos no-lineales

Por ejemplo
NLAR(1)
yt = f (yt 1 ) + εt
donde εt puede ser iid, mds o RB

Modelos no-lineales

Por ejemplo
NLAR(1)
yt = f (yt 1 ) + εt
donde εt puede ser iid, mds o RB

NLAR(p)
yt = f (yt 1 , ..., yt p ) + εt

Modelos no-lineales
Ej Modelos TAR (Threshold AR)
a1 yt 1 + εt si yt 2 0
yt =
a2 yt 1 + εt si yt 2 <0

Modelos no-lineales
yt =
a2 yt 1 + εt si yt 2 <0
podemos hacerlo tan complicado como queramos

Modelos no-lineales
yt =
a2 yt 1 + εt si yt 2 <0

Ej Modelos STAR (smooth transition AR)
yt = aφ(yt 2 )yt 1 + εt

Modelos no-lineales
yt =
a2 yt 1 + εt si yt 2 <0

Ej Modelos STAR (smooth transition AR)
yt = aφ(yt 2 )yt 1 + εt
el coe…ciente de yt 1 no es ni una constante, ni una función escalón,

ahora es una función continua de yt 2 , por ejemplo.

Modelos no-lineales
Ej Modelos EAR (Exponential AR)
yt = a1 yt 1 + ... + ap yt p + εt

Modelos no-lineales
yt = a1 yt 1 + ... + ap yt p + εt
donde
aj = φj + π j exp( αyt2 1 )

Modelos no-lineales
yt = a1 yt 1 + ... + ap yt p + εt
donde
permite tener ciclos en el límite

Modelos no-lineales
yt = a1 yt 1 + ... + ap yt p + εt
donde

También medias móviles no lineales, ej NLMA(1)

Modelos no-lineales
yt = a1 yt 1 + ... + ap yt p + εt
donde

yt = εt + bε2t 1

Modelos no-lineales
yt = a1 yt 1 + ... + ap yt p + εt
donde

yt = εt + bε2t 1
o en general NLMA(q)
yt = g (εt , εt 1 , ..., εt q )

Modelos no-lineales
Modelos bilineales
yt = εt + bεt 1 yt 2

Modelos no-lineales
Modelos bilineales
o
yt = ayt 1 + εt + bεt 2 yt 2

Modelos no-lineales
Modelos bilineales
o
o modelos con parámetros cambiantes, ej VPAR(1)
yt = βt yt 1 + εt
βt = m + αβt 1 + η t

Modelos no-lineales
Modelos bilineales
o
yt = βt yt 1 + εt
que se estima con el Filtro de Kalman (β es una variable latente)

Modelos no-lineales
Modelos bilineales
o
yt = βt yt 1 + εt
que se estima con el Filtro de Kalman (β es una variable latente)

el caso α = 0 es el modelo con coe…cientes aleatorios

Modelos no-lineales
En general es útil considerar modelos de la forma
yt = g (zt 1 ) + h (zt 1 ) εt

Modelos no-lineales
yt = g (zt 1 ) + h (zt 1 ) εt
donde εt es MDS

Modelos no-lineales
yt = g (zt 1 ) + h (zt 1 ) εt
donde εt es MDS
en este caso
g (zt 1) = E (yt j zt 1)

Modelos no-lineales
yt = g (zt 1 ) + h (zt 1 ) εt
donde εt es MDS
en este caso
g (zt 1) = E (yt j zt 1)
h2 (zt 1) = V (yt j zt 1)

Modelos no-lineales
La expansión equivalente a Wold es:

Modelos no-lineales
La expansión equivalente a Wold es:

expansión de Volterra
yt = µ + ∑ bi ,j εi ,t j + ∑ ∑ bi ,j ,kl εi ,t j εk ,t l + ...
i ,j i ,j k ,l

Modelos no-lineales
El resumen es que hay muchos modelos no-lineales y que merece la

pena examinar primero las características principales de los datos que
quieres modelar

Modelos no-lineales
El resumen es que hay muchos modelos no-lineales y que merece la

pena examinar primero las características principales de los datos que
quieres modelar
A continuación grá…cos de rendimientos …nancieros (tipos de cambio)
diarios y semanales y estadísticos básicos

3 3
E uro P ound
2 2
1 1
0 0
-1 -1
-2 -2
-3 -3
0 4 -J a n -2 0 0 4 2 0 -M a r -2 0 0 5 0 4 -J u n -2 0 0 6 1 9 -A u g -2 0 0 7 0 4 -J a n -2 0 0 4 2 0 -M a r -2 0 0 5 0 4 -J u n -2 0 0 6 1 9 -A u g -2 0 0 7
2 3
C an Y en
2
1
1
0 0
-1
-1
-2
-2 -3
0 4 -J a n -2 0 0 4 2 0 -M a r -2 0 0 5 0 4 -J u n -2 0 0 6 1 9 -A u g -2 0 0 7 0 4 -J a n -2 0 0 4 2 0 -M a r -2 0 0 5 0 4 -J u n -2 0 0 6 1 9 -A u g -2 0 0 7
Rendimientos diarios del Euro, Dólar Canadiense, Libra esterlina y Yen

contra el US dólar de 4-Enero-2004 al 17-Agosto-2007.
4 4
E uro P ound
2 2
0 0
-2 -2
-4 -4
1 4 -J a n -2 0 0 0 2 6 -J u l-2 0 0 2 0 4 -F e b -2 0 0 5 1 7 -A u g -2 0 0 7 1 4 -J a n -2 0 0 0 2 6 -J u l-2 0 0 2 0 4 -F e b -2 0 0 5 1 7 -A u g -2 0 0 7
3 4
C an Y en
2
2
1
0 0
-1
-2
-2
-3 -4
1 4 -J a n -2 0 0 0 2 6 -J u l-2 0 0 2 0 4 -F e b -2 0 0 5 1 7 -A u g -2 0 0 7 1 4 -J a n -2 0 0 0 2 6 -J u l-2 0 0 2 0 4 -F e b -2 0 0 5 1 7 -A u g -2 0 0 7
Rendimientos semanales del Euro, Dólar Canadiense, Libra esterlina y Yen

contra el US dólar de 14-Enero-2000 17-Agosto-2007.
Semanal
Euro £ Can U
n 382 382 382 382
Media 0.0738 0.0552 -0.0832 0.0352
Mediana 0.0781 0.0763 -0.0864 0.0141
SD 1.3539 1.1407 0.9410 1.2525
Skewness 0.0540 0.0545 0.0846 -0.2945
Kurtosis 3.0555 2.9649 2.8875 3.0895
Máximo 4.4680 3.4830 2.8128 3.1835
Mínimo -3.1636 -3.2307 -2.7067 -4.3058

Diario
Euro £ Can U
n 908 908 908 908
Media 0.0076 0.0113 -0.0213 0.0068
Mediana 0.0000 0.0221 -0.0080 0.0279
SD 0.5423 0.5332 0.5036 0.5670
Skewness -0.1263 -0.0976 -0.0196 -0.3763
Kurtosis 3.7602 3.4927 3.1345 5.0746
Máximo 1.9358 2.0930 1.5129 2.4519
Mínimo -2.0355 -2.1707 -1.7491 -2.7859

Nota que en la siguiente tabla reportamos la versión robusta del
estadístico de Box-Ljung

Reportar Box-Pierce o Box-Ljung no es muy importante porque
típicamente las series …nancieras son muy largas

Lo que es crucial es reportar la versión robusta de estos estadísticos
porque típicamente las series …nancieras presentan heterocedasticidad

Lo que es crucial es reportar la versión robusta de estos estadísticos
porque típicamente las series …nancieras presentan heterocedasticidad
AQn representa una versión de este estadístico en donde el número de
autocorrelaciones consideradas se ha elegido automáticamente

Semanal
Euro £ Can U
b
ρ1 0.018 0.046 -0.023 0.054
b
ρ2 -0.002 -0.008 0.031 -0.024
b
ρ3 0.049 -0.031 0.011 0.010
b
ρ4 0.024 -0.043 0.015 -0.041
b
ρ5 0.036 -0.024 0.052 -0.095
LB5 1.795 2.191 1.781 4.900
LB15 9.139 7.451 10.266 18.861
LB25 18.746 32.584 21.786 24.519
LB50 42.559 59.107 41.140 58.756
AQn 0.151 0.827 0.208 1.105
Nota: y : signi…cativos al 5% y al 10%, respectivamente.

Diario
Euro £ Can U
b
ρ1 -0.047 0.001 -0.016 -0.020
b
ρ2 0.003 0.007 -0.028 -0.015
b
ρ3 -0.046 -0.055 -0.001 -0.016
b
ρ4 -0.002 0.028 -0.060 0.013
b
ρ5 -0.002 0.003 -0.063 0.039
LB5 4.071 3.586 8.045 2.452
LB15 15.516 13.256 15.181 6.670
LB25 28.552 26.568 19.756 13.155
LB50 61.922 64.803 49.887 37.428
AQn 1.889 0.021 0.253 0.380
Nota: y : signi…cativos al 5% y al 10%, respectivamente.

Rendimientos de divisas se comportan "mejor" (o sea mas parecido a
un P.E. Gaussiano) que los rendimientos bursátiles

De igual forma rendimientos mensuales se comportan mejor que
semanales

semanales
y estos a su vez mejor que los diarios

semanales
y estos a su vez mejor que los diarios
etc

Las principales características de las series …nancieras que queremos
modelar son:

modelar son:
1. La distribución marginal no es normal. Exhibe kurtosis.
(rendimientos bursátiles además asimetría)

modelar son:
2. la distribución conjunta presenta dos características principales

modelar son:
2a. Las series son impredecibles, o sea se comportan como RB
(impredecibles linealmente) o como MDS(impredecibles lineal y
no-linealmente)

modelar son:
no-linealmente)
pero no se comportan como IID

modelar son:
no-linealmente)
pero no se comportan como IID
2b. Las series presentan volatilidad

Por volatilidad entendemos que la varianza condicional (dada la
información pasada) no es constante

O sea, heterocedasticidad

En los grá…cos de los rendimientos la volatilidad se re‡eja en que hay
periodos mas tranquilos (menos ‡uctuaciones) que alternan con
periodos mas violentos (con grandes ‡uctuaciones)

la volatilidad se re‡eja en que la FAC de algunas transformaciones de
los rendimientos exhiben persistencia

la volatilidad se re‡eja en que la FAC de algunas transformaciones de
los rendimientos exhiben persistencia
ejemplos de estas transformaciones: los cuadrados o los valores
absolutos

Vamos a exigir a los modelos que estudiemos a continuación que
cumplan estas tres propiedades

1 que la serie yt se comporte como MDS

2. que la distribución marginal de yt exhiba kurtosis

2. que la distribución marginal de yt exhiba kurtosis
3 que yt2 exhiba autocorrelación

Repaso
Ley de esperanzas iteradas

Repaso
Una esperanza incondicional se puede calcular iterativamente como
una sucesión de esperanzas condicionales

Repaso
Llama
Et J h (yt ) = E (h(yt ) j zt J)

Repaso
Llama
Piensa que
Et J h (yt ) = Et J ...Et 2 Et 1 h (yt )

Repaso
Llama
Piensa que
Et J h (yt ) = Et J ...Et 2 Et 1 h (yt )
y al hacer que J ! ∞
Eh(yt ) = ...Et 2 Et 1 h (yt )

Modelo ARCH(1)
El modelo se compone de dos ecuaciones: la primera garantiza que yt

es MDS y la segunda propone un modelo para la varianza condicional

Modelo ARCH(1)

yt = εt σ t
σ2t = γ + αyt2 1

Modelo ARCH(1)

yt = εt σ t
σ2t = γ + αyt2 1
donde εt es MDS(0,1), y γ y α son constantes positivas.

Modelo ARCH(1)

yt = εt σ t
σ2t = γ + αyt2 1

al P.E. σ2t se conoce como volatilidad

Modelo ARCH(1)

yt = εt σ t
σ2t = γ + αyt2 1

Por tanto
E (yt j zt 1) =0
2 2
V (yt j zt 1 ) = σt = γ + αyt 1

Modelo ARCH(1)

yt = εt σ t
σ2t = γ + αyt2 1

Por tanto
E (yt j zt 1) =0
2 2
V (yt j zt 1 ) = σt = γ + αyt 1
o sea yt es MDS y su varianza condicional es mayor cuando jyt 1j es

mayor
Modelo ARCH(1)
la idea es capturar la volatilidad observada en los rendimientos

…nancieros

Modelo ARCH(1)

…nancieros
si ayer el rendimiento fue muy grande en valor absoluto (jyt 1 j fue
grande), entonces el rendimiento hoy se genera de una población con
varianza grande, o sea es muy probable que jyt j sea grande también

Modelo ARCH(1)

…nancieros
si ayer el rendimiento fue muy grande en valor absoluto (jyt 1 j fue
grande), entonces el rendimiento hoy se genera de una población con
varianza grande, o sea es muy probable que jyt j sea grande también
si ayer el rendimiento fue muy pequeño en valor absoluto (jyt 1 j fue
pequeño), entonces el rendimiento hoy se genera de una población
con varianza pequeña, o sea es muy probable que jyt j sea pequeño
también

Modelo ARCH(1)
piensa que εt sea N(0,1) entonces
yt j zt 1 N (0, γ + αyt2 1 )

Modelo ARCH(1)
yt j zt 1 N (0, γ + αyt2 1 )
grá…camente
y 0.8
0.6
0.4
0.2
-5 -4 -3 -2 -1 0 1 2 3 4 5
x

Modelo ARCH(1)
yt j zt 1 N (0, γ + αyt2 1 )
grá…camente
y 0.8
0.6
0.4
0.2
-5 -4 -3 -2 -1 0 1 2 3 4 5
x
la línea azul es la densidad de yt si jyt 1 j fue grande, la línea roja es

la densidad de yt si jyt 1 j fue pequeño
Si jyt 1 j fue grande entonces es muy probable que jyt j sea también
grande (línea azul)

Si jyt 1 j fue pequeño entonces es muy probable que jyt j sea también
pequeño (línea roja)

Si jyt 1 j fue pequeño entonces es muy probable que jyt j sea también
pequeño (línea roja)
Esta volatilidad se re‡eja en series en las que se observan periodos
muy inestables seguidos por periodos muy tranquilos

Modelo ARCH(1)
Momentos incondicionales

Modelo ARCH(1)
Eyt = ...Et 2 Et 1 yt =0

Modelo ARCH(1)
Eyt = ...Et 2 Et 1 yt =0
Vyt = Eyt2 = ...Et 2

2 Et 1 yt = ...Et 2 2
3 Et 2 E t 1 ε t σ t

Modelo ARCH(1)
Eyt = ...Et 2 Et 1 yt =0

2 Et 1 yt = ...Et 2 2
2 2 2
= ...Et 3 Et 2 σ t Et 1 ε t = ...Et 3 Et 2 σ t = ...Et 3 Et 2 ( γ + αyt2 1 )

Modelo ARCH(1)
Eyt = ...Et 2 Et 1 yt =0

2 Et 1 yt = ...Et 2 2
2 2 2
2 2 2
= ...Et 4 Et 3 ( γ + αEt 2 yt 1 ) = ...Et 4 Et 3 ( γ + αEt 2 εt 1 σ t 1 )

Modelo ARCH(1)
Eyt = ...Et 2 Et 1 yt =0

2 Et 1 yt = ...Et 2 2
2 2 2
2 2 2
= ...Et 4 Et 3 ( γ + αEt 2 yt 1 ) = ...Et 4 Et 3 ( γ + αEt 2 εt 1 σ t 1 )
= ...Et 4 Et 3 ( γ + ασ2t 1 Et 2
2 εt 1 ) = ..Et 4 Et 3 ( γ + ασ2t 1 )

= ...Et 4 Et 3 ( γ + ασ2t 1 Et 2
2 εt 1 ) = ..Et 4 Et 3 ( γ + ασ2t 1 )

= ...Et 4 Et 3 ( γ + ασ2t 1 Et 2
2 εt 1 ) = ..Et 4 Et 3 ( γ + ασ2t 1 )
= ...Et 4 Et 3 ( γ + α γ + αyt2 2 ) = ...Et 4 (γ + α γ + αEt 2

3 yt 2 )

= ...Et 4 Et 3 ( γ + ασ2t 1 Et 2
2 εt 1 ) = ..Et 4 Et 3 ( γ + ασ2t 1 )

3 yt 2 )
2 2
= ...Et 4 (γ + α γ + αEt 3 εt 2 σ t 2 )
2
= ...Et 4 ( γ + α γ + αEt 3 ( γ + αyt 3 ) )

= ...Et 4 Et 3 ( γ + ασ2t 1 Et 2
2 εt 1 ) = ..Et 4 Et 3 ( γ + ασ2t 1 )

3 yt 2 )
2 2
= ...Et 4 (γ + α γ + αEt 3 εt 2 σ t 2 )
2
= ...Et 4 ( γ + α γ + αEt 3 ( γ + αyt 3 ) )
γ
= γ + αγ + α2 γ + α3 γ + ... =
1 α

= ...Et 4 Et 3 ( γ + ασ2t 1 Et 2
2 εt 1 ) = ..Et 4 Et 3 ( γ + ασ2t 1 )

3 yt 2 )
2 2
= ...Et 4 (γ + α γ + αEt 3 εt 2 σ t 2 )
2
= ...Et 4 ( γ + α γ + αEt 3 ( γ + αyt 3 ) )
γ
= γ + αγ + α2 γ + α3 γ + ... =
1 α
asumiendo que α < 1

Modelo ARCH(1)
Asumiendo las condiciones necesarias de estacionariedad (que luego

se deducirán), podemos obtener mas fácilmente la Var (yt )

Modelo ARCH(1)

Eyt2 = E ε2t (γ + αyt2 1 ) = γ + αEyt2

γ
Eyt2 =
1 α

Modelo ARCH(1)

Eyt2 = E ε2t (γ + αyt2 1 ) = γ + αEyt2

γ
Eyt2 =
1 α
o sea α tiene que cumplir 0 < α < 1.

Modelo ARCH(1)

Modelo ARCH(1)
Kurtosis: (ver tarea) sí hay, de hecho
3(1 α2 )
κ= >3
(1 3α2 )

Modelo ARCH(1)
Kurtosis: (ver tarea) sí hay, de hecho
3(1 α2 )
κ= >3
(1 3α2 )
nota que hace falta suponer que α2 < 1/3

Modelo ARCH(1)
Distribución condicional

Modelo ARCH(1)
yt es MDS

Modelo ARCH(1)
yt es MDS
yt2 = σ2t + (yt2 σ2t ) = σ2t + vt

Modelo ARCH(1)
yt es MDS
yt2 = σ2t + (yt2 σ2t ) = σ2t + vt
con vt = yt2 σ2t

Modelo ARCH(1)
yt es MDS
yt2 = σ2t + (yt2 σ2t ) = σ2t + vt
con vt = yt2 σ2t

Nota que
E (vt j zt 1) = σ2t σ2t = 0

Modelo ARCH(1)
yt es MDS
yt2 = σ2t + (yt2 σ2t ) = σ2t + vt
con vt = yt2 σ2t

Nota que
E (vt j zt 1) = σ2t σ2t = 0
por tanto vt es MDS,

Modelo ARCH(1)
yt es MDS
yt2 = σ2t + (yt2 σ2t ) = σ2t + vt
con vt = yt2 σ2t

Nota que
E (vt j zt 1) = σ2t σ2t = 0
entonces

Modelo ARCH(1)
yt es MDS
yt2 = σ2t + (yt2 σ2t ) = σ2t + vt
con vt = yt2 σ2t

Nota que
E (vt j zt 1) = σ2t σ2t = 0
entonces
yt2 = γ + αyt2 1 + vt

Modelo ARCH(1)
yt es MDS
yt2 = σ2t + (yt2 σ2t ) = σ2t + vt
con vt = yt2 σ2t

Nota que
E (vt j zt 1) = σ2t σ2t = 0
entonces
yt2 = γ + αyt2 1 + vt
o sea yt2 sigue un AR(1)
Modelo ARCH(1)
Como yt es MDS su predictor óptimo es 0

Modelo ARCH(1)
llama al predictor óptimo de yT +l en el momento T :
yeT +l jT = E (yT +l j zT )

Modelo ARCH(1)
por tanto
yeT +l jT = 0

Modelo ARCH(1)
por tanto
yeT +l jT = 0
aparte de la predicción puntual, también nos interesa proporcionar
una medida de la precisión de esta predicción

Modelo ARCH(1)
por tanto
yeT +l jT = 0
ECM (yeT +l jT ) = ET (yT +l yeT +l jT )2 = ET (yT2 +l )

= γ(1 + α + α2 + ... + αl 1
) + αl yT2

Modelo ARCH(1)
por tanto
yeT +l jT = 0

= γ(1 + α + α2 + ... + αl 1
) + αl yT2
a medida que l ! ∞
γ
ECM (yeT +l jT ) !
1 α

Modelo ARCH(1)
por tanto
yeT +l jT = 0

= γ(1 + α + α2 + ... + αl 1
) + αl yT2
a medida que l ! ∞
γ
ECM (yeT +l jT ) !
1 α
la varianza incondicional
Modelo ARCH(p)
El modelo ARCH(1) tiene muy poca memoria, la varianza condicional

(volatilidad) solo depende de yt 1

Modelo ARCH(p)

el ARCH(p) propone aumentar esta dependencia a rezagos anteriores
yt = εt σ t
σ2t = γ + α1 yt2 1 + α2 yt2 2 + ... + αp yt2 p

Modelo ARCH(p)

el ARCH(p) propone aumentar esta dependencia a rezagos anteriores
yt = εt σ t
σ2t = γ + α1 yt2 1 + α2 yt2 2 + ... + αp yt2 p
donde γ y las α0 s son constantes positivas

el ARCH (p) tiene las mismas propiedades que el ARCH(1)

ahora yt2 sigue un AR(p)

si p es grande es un modelo sobreparametrizado

una alternativa es darle estructura a los coe…cientes, ej.
α (9 i )
αi = , para i = 1, ..., 8.
36

una alternativa es darle estructura a los coe…cientes, ej.
α (9 i )
αi = , para i = 1, ..., 8.
36
otra posibilidad es usar modelos GARCH

Modelos GARCH
Modelos GARCH
yt = εt σ t
σ2t = γ + α1 yt2 1 + ... + αp yt2 p + β1 σ2t 1 + ... + βq σ2t q

Modelos GARCH
Modelos GARCH
yt = εt σ t
donde γ y las α0 s y las β0 s son constantes positivas

Modelos GARCH
Modelos GARCH
yt = εt σ t

la volatilidad es función de los p rezagos de yt2 y además de las q
volatilidades pasadas

Modelos GARCH
Modelos GARCH
yt = εt σ t

la volatilidad es función de los p rezagos de yt2 y además de las q
volatilidades pasadas
el caso mas importante es el GARCH(1,1), de hecho este es el modelo
mas popular de toda la familia de modelos del tipo ARCH

Modelo GARCH(1,1)
yt = εt σ t
σ2t = γ + α1 yt2 1 + β1 σ2t 1

Modelo GARCH(1,1)
yt = εt σ t
σ2t = γ + α1 yt2 1 + β1 σ2t 1
es MDS
yt2 = σ2t + (yt2 σ2t ) = σ2t + vt

Modelo GARCH(1,1)
yt = εt σ t
σ2t = γ + α1 yt2 1 + β1 σ2t 1
es MDS
yt2 = σ2t + (yt2 σ2t ) = σ2t + vt
con vt = yt2 σ2t

Modelo GARCH(1,1)
yt = εt σ t
σ2t = γ + α1 yt2 1 + β1 σ2t 1
es MDS
yt2 = σ2t + (yt2 σ2t ) = σ2t + vt
con vt = yt2 σ2t

Nota que
E (vt j zt 1) = σ2t σ2t = 0

Modelo GARCH(1,1)
yt = εt σ t
σ2t = γ + α1 yt2 1 + β1 σ2t 1
es MDS
yt2 = σ2t + (yt2 σ2t ) = σ2t + vt
con vt = yt2 σ2t

Nota que
E (vt j zt 1) = σ2t σ2t = 0

Modelo GARCH(1,1)
yt = εt σ t
σ2t = γ + α1 yt2 1 + β1 σ2t 1
es MDS
yt2 = σ2t + (yt2 σ2t ) = σ2t + vt
con vt = yt2 σ2t

Nota que
E (vt j zt 1) = σ2t σ2t = 0
entonces

Modelo GARCH(1,1)
yt = εt σ t
σ2t = γ + α1 yt2 1 + β1 σ2t 1
es MDS
yt2 = σ2t + (yt2 σ2t ) = σ2t + vt
con vt = yt2 σ2t

Nota que
E (vt j zt 1) = σ2t σ2t = 0
entonces
yt2 = γ + α1 yt2 1 + β1 σ2t 1 + vt

Modelo GARCH(1,1)
yt = εt σ t
σ2t = γ + α1 yt2 1 + β1 σ2t 1
es MDS
yt2 = σ2t + (yt2 σ2t ) = σ2t + vt
con vt = yt2 σ2t

Nota que
E (vt j zt 1) = σ2t σ2t = 0
entonces
yt2 = γ + α1 yt2 1 + β1 σ2t 1 + vt

yt2 sigue un ARMA(1,1)
Modelo GARCH(1,1)
Su varianza incondicional usando la LEI
2 Et 1 yt = ...Et 2 2

Modelo GARCH(1,1)
2 Et 1 yt = ...Et 2 2
2 2
= ...Et = ...Et 3 Et 2 σ2t =
3 Et 2 σ t Et 1 ε t
2 2
...Et 3 Et 2 ( γ + α1 yt 1 + β1 σt 1 )

Modelo GARCH(1,1)
2 Et 1 yt = ...Et 2 2
2 2
= ...Et = ...Et 3 Et 2 σ2t =
2 2
...Et 3 Et 2 ( γ + α1 yt 1 + β1 σt 1 )
2 2
= ...Et 4 Et 3 ( γ + α 1 Et 2 yt 1 + β1 Et 2 σt 1 )
2 2 2
= ...Et 4 Et 3 ( γ + α 1 E t 2 ε t 1 σ t 1 + β 1 Et 2 σ t 1 )

Modelo GARCH(1,1)
2 Et 1 yt = ...Et 2 2
2 2
= ...Et = ...Et 3 Et 2 σ2t =
2 2
...Et 3 Et 2 ( γ + α1 yt 1 + β1 σt 1 )
2 2
2 2 2
2
= ...Et 4 Et 3 ( γ + ( α 1 + β 1 ) Et 2 σt 1 )

Modelo GARCH(1,1)
2 Et 1 yt = ...Et 2 2
2 2
= ...Et = ...Et 3 Et 2 σ2t =
2 2
...Et 3 Et 2 ( γ + α1 yt 1 + β1 σt 1 )
2 2
2 2 2
2
= ...Et 4 Et 3 ( γ + ( α 1 + β 1 ) Et 2 σt 1 )
igual que el análisis de ARCH(1), en donde ponía α ahora aparece

( α1 + β1 )
Modelo GARCH(1,1)
Vyt = γ + (α1 + β1 )γ + (α1 + β1 )2 γ + (α1 + β1 )3 γ + ...

γ
=
1 ( α1 + β1 )

Modelo GARCH(1,1)
Vyt = γ + (α1 + β1 )γ + (α1 + β1 )2 γ + (α1 + β1 )3 γ + ...

γ
=
1 ( α1 + β1 )
asumiendo que (α1 + β1 ) < 1

Modelo GARCH(p,q)
el modelo GARCH(p,q) es igual
yt = εt σ t

Modelo GARCH(p,q)
yt = εt σ t
el equivalente de la condición (α1 + β1 ) < 1 es
p q
∑ αj + ∑ βj < 1
j =1 j =1

Modelo GARCH(p,q)
yt = εt σ t
p q
∑ αj + ∑ βj < 1
j =1 j =1
nota que ahora

yt2 = σ2t + (yt2 σ2t ) = σ2t + vt

Modelo GARCH(p,q)
yt = εt σ t
p q
∑ αj + ∑ βj < 1
j =1 j =1
nota que ahora

yt2 = σ2t + (yt2 σ2t ) = σ2t + vt
con vt = yt2 σ2t

Modelo GARCH(p,q)
yt = εt σ t
p q
∑ αj + ∑ βj < 1
j =1 j =1
nota que ahora

yt2 = σ2t + (yt2 σ2t ) = σ2t + vt
con vt = yt2 σ2t

vt es MDS, y

Modelo GARCH(p,q)
yt = εt σ t
p q
∑ αj + ∑ βj < 1
j =1 j =1
nota que ahora

yt2 = σ2t + (yt2 σ2t ) = σ2t + vt
con vt = yt2 σ2t

vt es MDS, y
yt2 = γ + α1 yt2 1 + ... + αp yt2 p + β1 σ2t 1 + ... + βq σ2t q + vt

Modelo GARCH(p,q)
nota que σ2t no es observable, por lo que vamos a sumar y restar

βj yt2 j :

Modelo GARCH(p,q)

βj yt2 j :
p q q
yt2 = γ+ ∑ αj yt2 j ∑ βj yt2 j + ∑ βj σ2t j + vt
j =1 j =1 j =1

Modelo GARCH(p,q)

βj yt2 j :
p q q
j =1 j =1 j =1
p q q
yt2 = γ + ∑ αj yt2 j + ∑ βj yt2 j + ∑ βj (σ2t j yt2 j ) + vt
j =1 j =1 j =1

Modelo GARCH(p,q)

βj yt2 j :
p q q
j =1 j =1 j =1
p q q
j =1 j =1 j =1
p q
yt2 = γ + ∑ φj yt2 j + ∑ βj vt j + vt
j =1 j =1

Modelo GARCH(p,q)

βj yt2 j :
p q q
j =1 j =1 j =1
p q q
j =1 j =1 j =1
p q
j =1 j =1
en donde φi = αi + βi y p = max(p, q )

Modelo GARCH(p,q)

βj yt2 j :
p q q
j =1 j =1 j =1
p q q
j =1 j =1 j =1
p q
j =1 j =1
en donde φi = αi + βi y p = max(p, q )
por tanto, yt2 sigue un ARMA(p , q)

Modelo IGARCH
Al estimar un GARCH (1, 1) se observa que α1 + β1 1

Modelo IGARCH
Al estimar un GARCH (1, 1) se observa que α1 + β1 1

Si en el modelo GARCH(1,1) imponemos α1 + β1 = 1, llegamos al
modelo IGARCH

Modelo IGARCH
por ejemplo, llama θ = β1 = 1 + α1 entonces
σ2t = γ + (1 + θ )yt2 1 θσ2t 1

Modelo IGARCH
σ2t = γ + (1 + θ )yt2 1 θσ2t 1
o sea
γ + (1 + θ )yt2 1
σ2t =
(1 + θL)

Modelo IGARCH
σ2t = γ + (1 + θ )yt2 1 θσ2t 1
o sea
γ + (1 + θ )yt2 1
σ2t =
(1 + θL)
por tanto
γ + (1 + θ )yt2 1
yt2 = σ2t + vt = + vt
(1 + θL)

Modelo IGARCH
σ2t = γ + (1 + θ )yt2 1 θσ2t 1
o sea
γ + (1 + θ )yt2 1
σ2t =
(1 + θL)
por tanto
γ + (1 + θ )yt2 1
yt2 = σ2t + vt = + vt
(1 + θL)
o sea
(1 + θL)yt2 = γ + (1 + θ )yt2 1 + (1 + θL)vt
∆yt2 = γ + vt + θvt 1

Modelo IGARCH
σ2t = γ + (1 + θ )yt2 1 θσ2t 1
o sea
γ + (1 + θ )yt2 1
σ2t =
(1 + θL)
por tanto
γ + (1 + θ )yt2 1
yt2 = σ2t + vt = + vt
(1 + θL)
o sea
(1 + θL)yt2 = γ + (1 + θ )yt2 1 + (1 + θL)vt
∆yt2 = γ + vt + θvt 1
con θ < 0
Modelo IGARCH
Nota una diferencia importante con los modelos anteriores a la hora

de calcular el ECM del mejor predictor

Modelo IGARCH

yeT +l jT = E (yT +l j zT ) = 0

Modelo IGARCH


2
= ET ET +1 ...ET +l 1 (yT +l )
= ET ET +1 ...ET +l 1 (yT2 +l 1 + γ + vT +l + θvT +l 1 )
= ET ET +1 ...ET +l 2 (yT2 +l 1 + γ + θvT +l 1 ) = ...
= ET (yT2 +1 + γ(l 1) + θvT +1 )
= αyT2 + (1 α)σ2T + γ(l 1)

Modelo IGARCH


2
= ET ET +1 ...ET +l 1 (yT +l )
= ET ET +1 ...ET +l 1 (yT2 +l 1 + γ + vT +l + θvT +l 1 )
= ET ET +1 ...ET +l 2 (yT2 +l 1 + γ + θvT +l 1 ) = ...
= ET (yT2 +1 + γ(l 1) + θvT +1 )
= αyT2 + (1 α)σ2T + γ(l 1)
que se va a in…nito a medida que l ! ∞

Estimación de modelos ARCH
ej ARCH(1)

ej ARCH(1)
se pueden estimar α y γ por MCO en la ecuación
yt2 = γ + αyt2 1 + vt

ej ARCH(1)
yt2 = γ + αyt2 1 + vt
pero también es muy fácil bajo el supuesto de normalidad

ej ARCH(1)
yt2 = γ + αyt2 1 + vt
pero también es muy fácil bajo el supuesto de normalidad

si εt es N(0,1) entonces
yt j zt 1 N (0, γ + αyt2 1 )

y podemos escribir la función de verosimilitud usando que
f (yT , yT 1 , ..., y2 , y1 )
= f (yT j yT 1 , ..., y1 ) f (yT 1 j yT 2 , ..., y2 , y1 ) ...f (y2 j y1 ) f (y1 )

f (yT , yT 1 , ..., y2 , y1 )
entonces
T
log L = log 2π
2
1 T 1 T yt2
2 t∑ ∑
log(γ + αyt2 1 ) + log f (y1 )
=2 2 t =2 γ + αyt2 1

f (yT , yT 1 , ..., y2 , y1 )
entonces
T
log L = log 2π
2
1 T 1 T yt2
2 t∑ ∑
log(γ + αyt2 1 ) + log f (y1 )
=2 2 t =2 γ + αyt2 1
podemos ignorar el último término y maximizar log L

Extensiones modelos ARCH
Una forma sencilla de contrastar si hay efecto ARCH es mirar la FAC

de yT2

Una forma sencilla de contrastar si hay efecto ARCH es mirar la FAC

de yT2
ej., para un ARCH(1), yT2 sigue un AR(1)

En vez de suponer que la distribución es normal, se puede suponer

que es Student t o cualquier otra que exhiba mas kurtosis que la
Normal

En vez de suponer que la distribución es normal, se puede suponer

que es Student t o cualquier otra que exhiba mas kurtosis que la
Normal
O alguna distribución asimétrica

Si tienes un modelo de regresión con errores ARCH
yt = xt β + εt
Var (εt j zt 1 ) = γ + αε2t 1

Si tienes un modelo de regresión con errores ARCH
yt = xt β + εt
Var (εt j zt 1 ) = γ + αε2t 1
date cuenta de que como εt tienen media cero, varianza incondicional

constante y no tienen autocorrelación, entonces, por Gauss-Markov, el
mejor estimador lineal de β es MCO (pero puedes construir
estimadores no lineales con menor varianza)

Modelo ARCH-M, es cuando la volatilidad también entra en la

ecuación de la media condicional
yt = xt β + δσt + εt

Modelo ARCH-M, es cuando la volatilidad también entra en la

ecuación de la media condicional
yt = xt β + δσt + εt
nota que σt está dada en el momento t, o sea es una variable

predeterminada, lo que justi…ca el uso de MCO

Modelos SV
SV de volatilidad estocástica o varianza estocástica

Modelos SV
Es una alternativa a los ARCH

Modelos SV
modelo más sencillo

Modelos SV
yt = σt εt

Modelos SV
yt = σt εt
σ2t = exp(ht )

Modelos SV
yt = σt εt
σ2t = exp(ht )
ht = γ + φht 1 + ηt

Modelos SV
yt = σt εt
σ2t = exp(ht )
donde
εt IIDN (0, 1)

Modelos SV
yt = σt εt
σ2t = exp(ht )
donde
εt IIDN (0, 1)
ηt IIDN (0, σ2η )

Modelos SV
yt = σt εt
σ2t = exp(ht )
donde
εt IIDN (0, 1)
ηt IIDN (0, σ2η )

con εt independiente de η s para todo t, s
Modelos SV
la primera ecuación
yt = σt εt

Modelos SV
yt = σt εt
garantiza que yt es MDS

Modelos SV
yt = σt εt

la segunda ecuación propone un modelo para la varianza condicional
σ2t = exp(ht )

Modelos SV
yt = σt εt

σ2t = exp(ht )
en donde

Modelos SV
yt = σt εt

σ2t = exp(ht )
en donde
la función exponencial garantiza que la varianza condicional es

positiva

Modelos SV
yt = σt εt

σ2t = exp(ht )
en donde
la función exponencial garantiza que la varianza condicional es

positiva
la estructura autorregresiva de ht garantiza la persistencia en la
volatilidad

Modelos SV
Nota que en estos modelos la volatilidad no es observable

Modelos SV

(en un ARCH sí es observable, ej ARCH(1) σ2t = γ + αyt2 1 )

Modelos SV

la volatilidad es una variable latente

Modelos SV

la volatilidad es una variable latente
¿propiedades de yt ?

momentos condicionales
E (yt j zt 1) = E (σt j zt 1 )E ( εt j zt 1)

= E (σt j zt 1) 0=0

= E (σt j zt 1) 0=0
usando que
E (εt j zt 1) = E ( εt ) = 0

V (yt j zt 1 ) = E (yt2 j zt 1 )
= E (σ2t j zt 1 )E (ε2t j zt 1) = E (σ2t j zt 1)

V (yt j zt 1 ) = E (yt2 j zt 1 )
usando que
E (ε2t j zt 1) = E (ε2t ) = 1

V (yt j zt 1 ) = E (yt2 j zt 1 )
usando que
E (ε2t j zt 1) = E (ε2t ) = 1
E (σ2t j zt 1 ) = E (exp(γ + φht 1 + η t ) j zt 1)

= exp(γ + φht 1 )E (exp(η t ) j zt 1 )

V (yt j zt 1 ) = E (yt2 j zt 1 )
usando que
E (ε2t j zt 1) = E (ε2t ) = 1

y como
σ2η
E (exp(η t ) j zt 1) = E (exp(η t )) = exp( )
2

V (yt j zt 1 ) = E (yt2 j zt 1 )
usando que
E (ε2t j zt 1) = E (ε2t ) = 1

y como
σ2η
E (exp(η t ) j zt 1) = E (exp(η t )) = exp( )
2
σ2η
V (yt j zt 1) = exp(γ + + φht 1)
2
Modelos SV
momentos incondicionales
E (yt ) = E (σt )E (εt ) = 0

E (yt2 ) = E (σ2t )E (ε2t ) = E exp(ht )

Modelos SV
E (yt ) = E (σt )E (εt ) = 0

nota que
γ σ2η
ht N( , )
1 φ 1 φ2

Modelos SV
E (yt ) = E (σt )E (εt ) = 0

nota que
γ σ2η
ht N( , )
1 φ 1 φ2
o sea σ2t sigue una log-normal

Modelos SV
E (yt ) = E (σt )E (εt ) = 0

nota que
γ σ2η
ht N( , )
1 φ 1 φ2
cuyos momentos se derivan usan la función generadora de momentos
(FGM) de la normal

Modelos SV
E (yt ) = E (σt )E (εt ) = 0

nota que
γ σ2η
ht N( , )
1 φ 1 φ2
cuyos momentos se derivan usan la función generadora de momentos
(FGM) de la normal
recuerda si x N (µ, σ2 ) entonces
2 σ2
E (e tx ) = e t µ+0.5t

Modelos SV
Por tanto

Modelos SV
Por tanto
E σ2t = E exp(ht )

Modelos SV
Por tanto
E σ2t = E exp(ht )
ponemos t = 1 en la fórmula anterior y obtenemos
γ 1 σ2η
E (yt2 ) = E σ2t = E exp(ht ) = exp( + )
1 φ 2 1 φ2

Modelos SV
Por tanto
E σ2t = E exp(ht )
γ 1 σ2η
1 φ 2 1 φ2

Modelos SV
Por tanto
E σ2t = E exp(ht )
γ 1 σ2η
1 φ 2 1 φ2
2γ 2σ2η
E (yt4 ) = E (ε4t )E σ4t = 3E exp(2ht ) = 3 exp( + )
1 φ 1 φ2

Modelos SV
Por tanto la kurtosis es (nota que yt tiene media cero)

2σ2η
3 exp( 12γφ + ) σ2η
E (yt4 ) (1 φ2 )
κ= 2
= = 3 exp( ) 3
(E (yt2 )) exp( 12γφ +
σ2η
) 1 φ2
(1 φ2 )

Modelos SV
Por tanto la kurtosis es (nota que yt tiene media cero)

2σ2η
3 exp( 12γφ + ) σ2η
E (yt4 ) (1 φ2 )
κ= 2
= = 3 exp( ) 3
(E (yt2 )) exp( 12γφ +
σ2η
) 1 φ2
(1 φ2 )
recuerda de…nición de kurtosis es con momentos centrados

E (yt Eyt )4
κ= 2
(E (yt Eyt )2 )

Modelos SV
usando que εt es independiente de η s para todo t, s, es fácil obtener

la FAC de yt o yt2

Modelos SV
usando que εt es independiente de η s para todo t, s, es fácil obtener

la FAC de yt o yt2
piensa que
cov (yt , yt s) = E (yt yt s ) = E (σt εt σt s εt s)

= E ( εt εt s )E ( σ t σ t s ) = 0
yt es RB (como ya sabíamos)

cov (yt2 , yt2 s ) = E (yt2 yt2 s ) E (yt2 )2

2γ σ2η
=? exp( + )
1 φ 1 φ2

2γ σ2η
=? exp( + )
1 φ 1 φ2
ahora
E (yt2 yt2 s ) = E (σ2t ε2t σ2t s ε2t s ) = E (ε2t ε2t s )E (σ2t σ2t s )

2γ σ2η
=? exp( + )
1 φ 1 φ2
ahora
E (yt2 yt2 s ) = E (σ2t ε2t σ2t s ε2t s ) = E (ε2t ε2t s )E (σ2t σ2t s )
= E (ε2t )E (ε2t s )E (σ2t σ2t s ) = E (σ2t σ2t s ) = E exp(ht + ht s)

y usando que
γ σ2η
ht N( , )
1 φ 1 φ2

y usando que
γ σ2η
ht N( , )
1 φ 1 φ2
nota que
!
2γ 2σ2η
ht + ht s N , + 2cov (ht , ht s)
1 φ 1 φ2

y usando que
γ σ2η
ht N( , )
1 φ 1 φ2
nota que
!
2γ 2σ2η
1 φ 1 φ2
y como ht sigue un AR(1)
σ2η
cov (ht , ht s) = φs var (ht ) = φs
1 φ2

y usando que
γ σ2η
ht N( , )
1 φ 1 φ2
nota que
!
2γ 2σ2η
1 φ 1 φ2
σ2η
1 φ2
entonces
!
2γ 2σ2η σ2η
ht + ht s N , + 2φs
1 φ 1 φ2 1 φ2

y usando que
γ σ2η
ht N( , )
1 φ 1 φ2
nota que
!
2γ 2σ2η
1 φ 1 φ2
σ2η
1 φ2
entonces
!
2γ 2σ2η σ2η
ht + ht s N , + 2φs
1 φ 1 φ2 1 φ2
por tanto
2γ σ2η σ2η
E (σ2t σ2t s ) = E exp(ht + ht s) = exp( + + φs )
1 φ 1 φ2 1 φ2
Modelos SV
Por tanto
2γ σ2η σ2η
E (yt2 yt2 s ) = E exp(ht + ht s) = exp( + +φ s
)
1 φ 1 φ2 1 φ2

Modelos SV
Por tanto
2γ σ2η σ2η
)
1 φ 1 φ2 1 φ2
y

Modelos SV
Por tanto
2γ σ2η σ2η
)
1 φ 1 φ2 1 φ2
y
2γ σ2η σ2η 2γ σ2η

= exp( + + φs ) exp( + )
1 φ 1 φ2 1 φ 2 1 φ 1 φ2

Modelos SV
Por tanto
2γ σ2η σ2η
)
1 φ 1 φ2 1 φ2
y
2γ σ2η σ2η 2γ σ2η

= exp( + + φs ) exp( + )
1 φ 1 φ2 1 φ 2 1 φ 1 φ2
! !
2γ σ2η s
σ2η
= exp( + ) exp(φ ) 1
1 φ 1 φ2 1 φ2

Modelos SV
nota que
σ2η
exp(φs ) 1>0
1 φ2

Modelos SV
nota que
σ2η
exp(φs ) 1>0
1 φ2
y que
σ2η
lim exp(φs ) 1=0
s !∞ 1 φ2

Modelos SV
nota que
σ2η
exp(φs ) 1>0
1 φ2
y que
σ2η
lim exp(φs ) 1=0
s !∞ 1 φ2
por tanto la FACV de yt2 decae hacia cero a medida que s aumenta

Modelos SV
Nota que
log yt2 = ht + log ε2t
nota que si εt es IID entonces log ε2t es también IID, además

Modelos SV
Nota que
log yt2 = ht + log ε2t
nota que si εt es IID entonces log ε2t es también IID, además
E log ε2t = c 1.27

Modelos SV
V log ε2t = v 4.93

Modelos SV
V log ε2t = v 4.93

por tanto
log yt2 = c + ht + εt

Modelos SV
V log ε2t = v 4.93

por tanto
con εt iid ( 0, v )

Modelos SV
V log ε2t = v 4.93

por tanto
llamando zt = log yt2 y usando

Modelos SV
V log ε2t = v 4.93

por tanto
tenemos
γ + ηt
zt = c + + εt
1 φL

Modelos SV
V log ε2t = v 4.93

por tanto
tenemos
γ + ηt
zt = c + + εt
1 φL
o sea
zt = c + φzt 1 + γ + η t + εt φεt 1

Modelos SV
V log ε2t = v 4.93

por tanto
tenemos
γ + ηt
zt = c + + εt
1 φL
o sea
zt = c + φzt 1 + γ + η t + εt φεt 1
o sea log yt2 sigue un ARMA(1,1)


Macroeconometria PDF

Cargado por

Copyright:

Formatos disponibles

Macroeconometria PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Macroeconometria PDF

Cargado por

Copyright:

Formatos disponibles

MacroEconometría Aplicada/Econometría Financiera

Ignacio Lobato (ITAM)

Lobato (ITAM) () MacEcApli/EcFin. 1 / 63

Hasta ahora hemos considerado modelos lineales

Lobato (ITAM) (Institute) MacEcApli/EcFin. 2 / 63

Hasta ahora hemos considerado modelos lineales

Lobato (ITAM) (Institute) MacEcApli/EcFin. 2 / 63

Hasta ahora hemos considerado modelos lineales

Lobato (ITAM) (Institute) MacEcApli/EcFin. 2 / 63

Hasta ahora hemos considerado modelos lineales

Lobato (ITAM) (Institute) MacEcApli/EcFin. 2 / 63

Hasta ahora hemos considerado modelos lineales

Lobato (ITAM) (Institute) MacEcApli/EcFin. 2 / 63

Hay una gran variedad

Lobato (ITAM) (Institute) MacEcApli/EcFin. 3 / 63

Hay una gran variedad

Lobato (ITAM) (Institute) MacEcApli/EcFin. 3 / 63

Hay una gran variedad

Lobato (ITAM) (Institute) MacEcApli/EcFin. 3 / 63

Hay una gran variedad

Lobato (ITAM) (Institute) MacEcApli/EcFin. 3 / 63

Hay una gran variedad

donde εt puede ser iid, mds o RB

Lobato (ITAM) (Institute) MacEcApli/EcFin. 3 / 63

Hay una gran variedad

donde εt puede ser iid, mds o RB

Lobato (ITAM) (Institute) MacEcApli/EcFin. 3 / 63

Ej Modelos TAR (Threshold AR)

Lobato (ITAM) (Institute) MacEcApli/EcFin. 4 / 63

Ej Modelos TAR (Threshold AR)

podemos hacerlo tan complicado como queramos

Lobato (ITAM) (Institute) MacEcApli/EcFin. 4 / 63

Ej Modelos TAR (Threshold AR)

podemos hacerlo tan complicado como queramos

Lobato (ITAM) (Institute) MacEcApli/EcFin. 4 / 63

Ej Modelos TAR (Threshold AR)

podemos hacerlo tan complicado como queramos

el coe…ciente de yt 1 no es ni una constante, ni una función escalón,

Lobato (ITAM) (Institute) MacEcApli/EcFin. 4 / 63

Ej Modelos EAR (Exponential AR)

Lobato (ITAM) (Institute) MacEcApli/EcFin. 5 / 63

Ej Modelos EAR (Exponential AR)

Lobato (ITAM) (Institute) MacEcApli/EcFin. 5 / 63

Ej Modelos EAR (Exponential AR)

permite tener ciclos en el límite

Lobato (ITAM) (Institute) MacEcApli/EcFin. 5 / 63

Ej Modelos EAR (Exponential AR)

permite tener ciclos en el límite

Lobato (ITAM) (Institute) MacEcApli/EcFin. 5 / 63

Ej Modelos EAR (Exponential AR)

permite tener ciclos en el límite

Lobato (ITAM) (Institute) MacEcApli/EcFin. 5 / 63

Ej Modelos EAR (Exponential AR)

permite tener ciclos en el límite

Lobato (ITAM) (Institute) MacEcApli/EcFin. 5 / 63

Lobato (ITAM) (Institute) MacEcApli/EcFin. 6 / 63

Lobato (ITAM) (Institute) MacEcApli/EcFin. 6 / 63

o modelos con parámetros cambiantes, ej VPAR(1)

Lobato (ITAM) (Institute) MacEcApli/EcFin. 6 / 63