EXOGENEIDAD

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

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

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

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

CAUSALIDAD

Definicin de causalidad, segn Granger.

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

x CAUSA a y si:

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

x CAUSA instantneamente a y si instant

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

CAUSALIDAD

Tests de causalidad: Test de Sims

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

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

GRANGER.

CAUSALIDAD

Tests de causalidad: Test de Sims (cont.)

Se plantea una regresin de y respecto a los regresi 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 especificacin. especificaci

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

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

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

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

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

EXOGENEIDAD

Presentacin

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

EXOGENEIDAD
Definiciones
Sea xt = (yt , zt) generada por un proceso con funcin de densidad (y funci 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 parmetros perteneciente a pasibles de ser particionados par en (1,2) , y la particin es tal que permite la factorizacin ( partici factorizaci

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 slo si 1,2 son parmetros de variacin libre (variation free). s par variaci (v

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

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

EXOGENEIDAD
Exogeneidad Dbil Ejemplo modelo recursivo D

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

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

=
0

11 0 = 0 22
11

Las varianzas condicionales son

22

EXOGENEIDAD
Exogeneidad Dbil Ejemplo modelo recursivo D

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 definicin de corte secuencial donde ( , 11) definici ( y ( , 22) se corresponden con 1 y 2, respectivamente. ( respectivamente.

EXOGENEIDAD Definiciones: Exogeneidad Fuerte

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

, 2 ) = D(z t / Z

t-1

, Yo , 2)

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

EXOGENEIDAD

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

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

EXOGENEIDAD

10

EXOGENEIDAD
Definiciones: Exogeneidad Estricta
Si ut es el trmino de perturbacin de un modelo, zt (una variable t perturbaci explicativa) se dice estrictamente exgena si: ex 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 vlidas, dado que v no relacionan a la variable explicativa con los parmetros de par inters. inter

EJEMPLO ENGLE ET AL.

Presentacin del modelo Presentaci

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

11

EJEMPLO ENGLE ET AL.

Presentacin del modelo Presentaci

Se deduce que yt y zt son tambin normales, con tambi 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.

Anlisis del ejemplo. An 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.

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

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

Anlisis del ejemplo (cont.) An 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.

Anlisis del ejemplo (cont.) An

12 = 0 Ello implica la incorrelacin (independencia) entre incorrelaci 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.

Anlisis del ejemplo (cont.) An

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 parmetro de inters () es par inter ( una funcin exclusivamente de 1, zt es dbilmente funci d exgena respecto de . Si no se cumple la condicin ex condici supuesta (12 0), zt no es dbilmente exgena ( d ex respecto de , y los estimadores por MCO del modelo son inconsistentes.

EJEMPLO ENGLE ET AL.

Anlisis del ejemplo (cont.) An

12 = 0 y 2 = 0

zt es fuertemente exgena respecto de

16