3.4.

1 Modelos de Vectores Autorregresivos (VAR)

Anteriormente se utilizaban los modelos de ecuaciones simultáneas o estructurales,

justamente porque estos modelos se caracterizan por tratar a algunas variables como
endógenas y a otras como exógenas. Para la estimación de estos modelos es necesario
que las variables con las que se forman las ecuaciones en el sistema estén definidas, lo
cual se logra por medio de una práctica subjetiva y arbitraria. Es debido a ello, que este
modelo ha recibido críticas por parte de Christopher Sims, quien manifiesta que “si
existe una verdadera simultaneidad entre un conjunto de variables, todas deben tratarse
en igualdad de condiciones, es decir, no debería haber ninguna diferencia a priori entre
variables endógenas y exógenas”. Entonces, Sims desarrolla su modelo de vectores
autorregresivos (VAR). En ese contexto, el término “autorregresivo” hace referencia a
la presentación del valor rezagado de la variable dependiente en el lado derecho de la
ecuación, y con respecto al término “vectores” hace referencia al tratamiento de un
vector de dos o más variables. (Gujarati & Porter, 2009)

El modelo VAR consiste en un modelo de ecuaciones simultáneas conformado por un

sistema de ecuaciones de forma reducida sin restringir. Cuando se menciona que se trata
de ecuaciones de forma reducida refiere a que los valores contemporáneos de las
variables no se definirán como variables exógenas en ninguna ecuación y, con respecto
a que las ecuaciones no sean restringidas refiere a que el mismo grupo de variables
explicativas se presentan en cada una de las ecuaciones. Además, el modelo VAR
generará estimadores consistentes solo cuando los términos de error sean ruido blanco,
en otras palabras, no estén correlacionados. Por otro lado, el motivo de utilizar este
modelo recae en la mejora de la predicción de las series temporales y además captar las
dependencias dinámicas que pudiera existir entre las variables. (Novales, 2016)

Asimismo, las bondades de este modelo son las siguientes: Se trata de un método
sencillo debido a que todas las variables se consideran como endógenas, asimismo su
estimación por el método de MCO puede ser aplicado a cada ecuación
independientemente y además es una herramienta apropiada para poder comparar
hipótesis de diferentes teorías económicas ya que son utilizados para la predicción de
modelos de series de tiempo y para analizar el impacto de un shock aleatorio en las
variables existentes a través de la función impulso-respuesta (IFR). Sin embargo, cabe
mencionar que estos modelos son ateóricos ya que involucra una estructura económica
que es compleja de aproximar con la teoría económica, justamente porque no
proporcionan información sobre por qué los resultados surgen como lo hacen. En la
misma línea, estos modelos se trabajan con variables estacionarias, por lo que si no lo
son deberán ser convertidas apropiadamente, y asimismo será importante la elección de
la longitud del número de rezagos que se utilizarán en el modelo, ya que si se eligiese
una cantidad elevada respecto a la cantidad de observaciones hace que, a la hora de
estimar, las pruebas de hipótesis pierdan potencia y pueda existir multicolinealidad. Y
en caso contrario, al elegir una cantidad pequeña de rezagos podrían darse errores de
especificación. (Gujarati, 2009)

El modelo de vectores autorregresivos (VAR), en un vector sin restricciones, se podría

expresar de la siguiente manera:

P
Y t =m+∑ Ai Y t−i +ut
i=1

Donde:

Yt : Vector de variables no estacionarias

Yt-i : Vector de variables no estacionarias retardado

Ai : Matriz de coeficientes

m : Coeficientes

P : Longitud de retardos

ut : Término de error

3.4.2 Cointegración

Para abordar al modelo de corrección de errores vectorial, será necesario primero definir
el concepto de cointegración. Entonces, en términos económicos, se afirmará que dos
variables están cointegradas si es que existe una relación de equilibrio, o una asociación
en el largo plazo. Cuando se va desarrollar este análisis es necesario tener ciertas
consideraciones previamente: Dos o más series se presentan con una tendencia
estocástica, en otras palabras, se encuentran en modo no estacionario y después de
corroborar que estas series presentan raíces unitarias deberán ser integradas del mismo
orden uniforme. Ahora bien, existen diferentes métodos para probar si existe una
relación de cointegración, entre ellas tenemos a la Prueba de Johansen-Juselius.
(Gujarati, 2009)

La prueba de Johansen (1990) se utiliza para demostrar la relación a largo plazo entre
las variables, y si las series se encuentran cointegradas, en ese caso se moverán en
conjunto en el tiempo y serán estacionarias, aun si la serie de manera individual
presentara una tendencia estocástica (no estacionaria).

Para demostrar la existencia de vectores de cointegración entre las variables, se procede

a aplicar dos pruebas estadísticas, las cuales están fundamentadas en la prueba de
máxima verosimilitud que tiene como objetivo determinar el rango de cointegración del
sistema. Las cuales son: La prueba de Máximo Valor Propio y la prueba de la Traza,
ambas pruebas deberían mostrar resultados similares para dar una conclusión
generalizada.

3.4.3. Modelo de Vectores de Corrección de Errores (VEC)

El modelo VEC es un tipo de extensión del modelo VAR que se aplicará a variables en
modo no estacionaria que están cointegradas. Asimismo, en este modelo todas las
variables serán estacionarias en primeras diferencias y se mostrarán como una función
lineal de rezagos (valores pasados de sí mismas), vectores de cointegración y de valores
pasados del resto de variables presentes en el modelo. En resumen, este modelo
involucra la adición del término de corrección del error rezagado en la autorregresión
con el fin de desarrollar una estimación considerando la existencia de cointegración.
(falta fuente) De esta manera, se corregirá el desequilibrio que podría influir en el
sistema y se podrá realizar las dinámicas de ajuste a corto y largo plazo. Además, el
modelo proporciona información acerca de la causalidad de corto y largo plazo de la
variable exógena a la variable endógena.

3.4.4. Procedimiento de estimación

Explicado el método de análisis de datos que será utilizado para la estimación, se

enumerarán los pasos a seguir y las condiciones que debe cumplir el modelo VAR para
su validez:

1. Para comenzar, se comprobará la estacionariedad de las series con la prueba de

Dickey Fuller y raíces unitarias, ello debido a que una de las condiciones
 necesarias para poder estimar un sistema VAR es trabajar con series
estacionarias.
2. Después, se procederá a estimar el número de rezagos óptimos del modelo, para
lo cual utilizaremos diferentes criterios como Akaike, Schwarz y Hanna Quinn.
3. Ya obtenido lo anterior, se procederá con la estimación del modelo VAR y
verificación de su estabilidad.
4. Luego, comprobaremos si existe cointegración entre las variables.

3.5. Modelo econométrico

La finalidad del presente trabajo de investigación es analizar la relación entre

crecimiento económico, inversión privada e inversión pública. Por tal, el uso del modelo
VAR facilita la manera como se origina una asociación simultánea entre las variables.
Es por ello que se plantearán 2 modelos econométricos: 1) PBI e Inversión Privada y 2)
PBI e Inversión Pública, los cuales serán estimados en el siguiente capítulo. Como se
mencionó anteriormente en el procedimiento de estimación, se realizarán diferentes
pruebas antes y después de la estimación. Tales modelos serán expresados en el
programa EVIEWS con las siguientes variables endógenas:

-Producto Bruto Interno: PBI

-Inversión Privada: INV_PRIV

-Inversión Pública: INV_PU

4. Resultados

4.1 Prueba de Estacionalidad y Análisis de Raíz Unitaria

Como la finalidad de la investigación es evaluar la relación entre inversión privada, pública y crecimiento
económico, la utilización del modelo VAR faculta la forma como se genera una asociación entre las
variables de modo simultáneo. En esta investigación se plantean dos modelos econométricos (PBI-
INVPRIVADA y PBI-INVPUBLICA), los cuales se muestran en el capítulo cuatro, pero antes y después de
desarrollarlos, se pasan por previas y post pruebas. Estos modelos son denotados en los softwares
EVIEWS y STATA por las siguientes variables endógenas: PBI: Producto Bruto Interno INVPRIVADA:
Inversión Privada INVPUBLICA: Inversión Pública Cabe mencionar que se aplica el método de Mínimos
Cuadrados Ordinarios (MCO) a cada ecuación, ya que la estimación a través de este método es
frecuentemente mejor que los modelos de ecuaciones simultaneas.

- file:///C:/Users/HOME/Downloads/Gujarati_Econometria_5ta_Edicion_pdf.pdf GUJARATI
2009

- https://www.ucm.es/data/cont/media/www/pag-41459/VAR.pdf (novales 2016)

Johansen, S; Juselius, K. 1990. Maximum likelihood estimation and inference on cointegration-

with applications to the demand for money. Oxford Bulletin of Economics and Statistics 52(2):
169-210

10. Plan de análisis Esta sección presenta y explica el modelo econométrico utilizado en esta
tesis (el vector de corrección del error o VEC) y detalla diversos tratamientos que se realizaron
a las variables finales antes y después de la estimación de dicho modelo. Cabe indicar que, a
partir de aquí y en lo que resta de la tesis, se usaron las palabras “Series” y “Variables” como
sinónimos para referirse a las variables finales de esta investigación. Para dar más detalle de lo
anteriormente mencionado, primero se explican las transformaciones (desestacionalización,
toma de logaritmos y detrending) que se hicieron a los datos trimestrales de las nueve series
consideradas en la tesis. Luego se indican y explican brevemente los tests econométricos que
fueron aplicados individualmente o de manera conjunta a las series, previo al uso de estas en
el modelo VEC. Después, se explican algunas consideraciones técnicas que se tomaron en
cuenta antes de la estimación del modelo VEC. Luego, se muestra y explica la especificación
econométrica de este modelo, el cual se estimó para encontrar evidencia estadística de
cointegración y correlación entre las remesas peruanas y sus determinantes
macroeconómicos. Finalmente, se indican y explican brevemente los tests econométricos que
se aplicaron al modelo VEC para corroborar la robustez de los resultados que arrojó su
estimación. 10.1. Desestacionalización de las series. Esta primera transformación a los datos
trimestrales de las series consistió en el retiro del componente estacional que estos datos
presentaban recurrentemente en algunos trimestres del año. La transformación se realizó
aplicando el método estadístico X-13- ARIMA elaborado por la oficina de censos del
departamento de comercio de los Estados Unidos (United States department of commerce –
Bureau of the census). El método estadístico X-13-ARIMA es considerado como el convencional
para realizar la desestacionalización de series con frecuencia de datos mensual y trimestral.
Además, este método fue aplicado directamente a los datos desde el software EViews 9. Por
último, la desestacionalización se aplicó a todas las series excepto a las siguientes: Tasa de
interés de referencia de Estados Unidos (FFR), tasa de desempleo de Estados 41 Unidos (UNR),
oferta monetaria de Estados Unidos (M2) y el índice de precios del gasto de consumo personal
de Estados Unidos (PCEI). A la primera serie no se le aplicó la desestacionalización porque las
variables que son del tipo “Tasa de interés” no requieren esta transformación. Mientras que, a
las otras tres series, no se les aplicó la desestacionalización debido a que los datos de estas
series ya estaban desestacionalizados al momento de su extracción de las bases de datos
públicas.

10.2. Toma de logaritmos a las series. Esta transformación consiste en convertir los
datos de las series a su valor en logaritmos. Se evaluó aplicarla a todas las series luego de que
estuvieran desestacionalizadas, para así reducir y homogenizar sus escalas (unidades de
medida), así como para simplificar la interpretación de los resultados del modelo VEC. Con ello,
todas las variaciones trimestrales de las series se hubiesen podido interpretar como
elasticidades o variaciones porcentuales. Sin embargo, luego de realizar una prueba de esta
transformación a las series, se encontró un problema: La toma de logaritmos cambiaba
drásticamente los resultados de los tests econométricos aplicados antes y después de la
estimación del modelo. Por ejemplo, casi la mitad de las series cambiaban su condición de
estacionariedad, siendo no estacionarias cuando los datos de las series no estaban en
logaritmos y volviéndose estacionarias con la transformación logarítmica. Lo anterior también
afectaba severamente el análisis de cointegración a las series en conjunto. Esto fue porque la
toma de logaritmos reducía mucho el número de series no estacionarias, con lo que
disminuían las posibilidades de existencia de cointegración entre las remesas y sus
determinantes macroeconómicos. Otro problema que surgió con la toma de logaritmos a las
series fue el fundamento teórico poco contundente para aplicarles esta transformación.
Generalmente, esta transformación es aplicada a series que componen un modelo
econométrico no lineal. Un ejemplo de un modelo no lineal es el modelo Cobb-Douglas, el cual
tiene como justificación económica a la teoría neoclásica, donde este modelo se usa
frecuentemente. En ese sentido, es factible aplicar la toma de logaritmos a dicho tipo de
modelos porque linealiza el modelo, permite el uso técnicas convencionales como los mínimos
cuadrados ordinarios (MCO) para su estimación y elimina problemas econométricos en los
datos, como la heteroscedasticidad. En cambio, la transformación logarítmica a 42 modelos
como el VEC, que ya son lineales per se, no es viable ya que altera los datos de las series
innecesariamente. Por todas las razones mencionadas, al final se optó por no realizar la toma
de logaritmos a las series desestacionalizadas y se procedió con otras transformaciones más
necesarias para estas.
Resumen y conclusiones 1. El análisis de regresión basado en información de series de tiempo
supone implícitamente que las series de tiempo en las cuales se basa son estacionarias. Las
pruebas clásicas t y F, entre otras, se basan en este supuesto. 2. En la práctica, la mayoría de
las series de tiempo económicas son no estacionarias. 3. Decimos que un proceso estocástico
es estacionario débil si su media, varianza y autocovarianzas son constantes en el tiempo (es
decir, son invariantes en el tiempo). 4. En un nivel informal, la estacionariedad débil se prueba
mediante el correlograma de una serie de tiempo, que es una gráfi ca de la autocorrelación en
diferentes rezagos. Para una serie de tiempo estacionaria, el correlograma se desvanece
rápidamente, mientras que para las series no estacionarias, lo hace de manera gradual.
Cuando una serie es puramente aleatoria, las autocorrelaciones en todos los rezagos 1 y
superiores son cero. 5. En un nivel formal, la estacionariedad se verifi ca averiguando si la serie
de tiempo contiene una raíz unitaria. Las pruebas de Dickey-Fuller (DF) y Dickey-Fuller
Aumentada (DFA) sirven para este propósito. 6. Una serie de tiempo económica puede ser
estacionaria en tendencia (ET) o estacionaria en diferencia (ED). Una serie de tiempo ET tiene
tendencia determinista, mientras que una serie de tiempo ED tiene tendencia variable o
estocástica. La práctica común de incluir la variable de tiempo o de tendencia en un modelo de
regresión para eliminar la infl uencia de la tendencia en los datos sólo se justifi ca para series
de tiempo ET. Las pruebas DF y DFA se aplican para determinar si una serie de tiempo es ET o
ED. 7. La regresión de una variable de serie de tiempo sobre una o más variables de series de
tiempo a menudo puede dar resultados sin sentido o espurios. Este fenómeno se conoce como
regresión espuria. Una forma de evitarla es establecer si las series de tiempo están
cointegradas. 8. Cointegración signifi ca que, a pesar de no ser estacionarias en un nivel
individual, una combinación lineal de dos o más series de tiempo puede ser estacionaria. Las
pruebas EngleGranger (EG) y Engle-Granger aumentada (EGA) sirven para averiguar si dos o
más series de tiempo están cointegradas. 9. La cointegración de dos (o más) series de tiempo
indica que existe una relación de largo plazo, o de equilibrio, entre ellas. 10. El mecanismo de
corrección de errores (MCE) de Engle y Granger sirve para conciliar el comportamiento de
corto plazo de una variable económica con su comportamiento de largo plazo. 11. El campo de
la econometría de series de tiempo ha evolucionado. Los resultados y pruebas establecidas en
algunos casos son tentativos y queda aún mucho trabajo pendiente. Una pregunta importante,
aún pendiente, es por qué algunas series de tiempo económicas son estacionarias y otras no lo
son.