ECONOMETRÍA II Práctica 5 Prof. Juan de Dios Tena El objetivo de esta práctica es introducir al alumno en los ejercicios de especificación, estimación y análisis de resultados de modelos multivariantes estacionarios en Eviews. El trabajo mostrará la utilidad de este análisis y también dejará patentes algunas limitaciones metodología VAR en el análisis económico. de la En esta práctica estudiaremos la relación entre la dinámica del índice de precios al consumo en la Comunidad de Andalucía y los del conjunto de España. De acuerdo a la ley del precio único, los precios de las diferentes áreas geográficas de un mismo país deben converger de forma que el arbitraje debe hacer que se encuentre evidencia para, al menos, uno de estos tres hechos: 1) Los precios en la Comunidad positivamente a shocks inflacionistas en 2) Los precios en el conjunto de España positivamente a shocks inflacionistas en reaccionen España. reaccionen Andalucía. Un índice de precios al consumo es una media ponderada de los precios observados en un área geográfica. Series del índice general de precios al consumo pueden obtenerse del Instituto Nacional de estadística a través de su página web (www.ine.es)1. Una vez en la página pulsamos IPC índice de precios al consumo y en la página que aparece hacemos clic Indice de precios de consumo en INEbase. Luego vamos a series mensuales y, una vez allí a Indices por comunidades autónomas: general y de grupos COICOP. Entonces descargamos las series mensuales nacional y de la comunidad de Andalucía. 1 También pueden bajarse de la base de datos Ecowin. 1 Antes de proceder al análisis econométrico es conveniente un estudio visual de las series para conocer sus propiedades. Se trata de una serie con crecimiento sistemático y su evolución suave parece sugerir la necesidad de tomar, al menos, una diferencia (regular o estacional) para conseguir estacionariedad. A pesar de que no existe una fuerte evidencia de heterocedasticidad de la serie respecto al nivel, consideramos su transformación logarítmica. La transformación logarítmica rara vez perjudica la interpretación de las propiedades de la serie. Además, en nuestro caso permite liberarnos de la arbitraria unidad de medida de los números índices pudiendo interpretar las sus diferencias como tasas de crecimiento. El correlograma de la transformación logarítmica de ambas series también sugiere la conveniencia de tomar al menos una diferencia estacionaria. para conseguir que la serie sea Series de IPC general en España y Comunidad de Andalucía 2 108 104 100 96 92 88 84 2002 2003 2004 CAND 2005 2006 2007 ESP Series de IPC general en logaritmos para España y Comunidad de Andalucía 4.68 4.64 4.60 4.56 4.52 4.48 4.44 2002 2003 2004 LCAND 2005 2006 2007 LESP 3 Correlograma para el IPC en Andalucía Correlograma del IPC en España 4 Tras una diferencia regular, los correlogramas de ambas series las series muestran correlaciones significativas en los retardos múltiplos de seis y de doce que persisten en el tiempo. Esto es una clara muestra de la necesidad de tomar, al menos, una diferencia anual para conseguir la estacionariedad. Ojo!!! es importante recordar que una raíz anual ya contiene una raíz regular más otras raíces que están relacionadas con el comportamiento cíclico de la serie en las diferentes frecuencias armómicas. En este caso, tomar sólo una diferencia transformaría las series en estacionarias. regular no Primeras diferencias del logaritmo del IPC en la Comunidad de Andalucía 5 Primeras diferencias del logaritmo del IPC en España 6 Siguiendo la evidencia gráfica, tomamos una diferencia anual de la serie de Andalucía y España. A continuación se muestran los gráficos y correlogramas de dichas series: Gráfico y correlograma de las diferencias anuales del IPC en Andalucía. D12LCAND .044 .040 .036 .032 .028 .024 .020 .016 2002 2003 2004 2005 2006 2007 7 Gráfico y correlograma de las diferencias anuales del IPC en España. D12LESP .044 .040 .036 .032 .028 .024 .020 2002 2003 2004 2005 2006 2007 8 Los gráficos de ambas series parecen indicar oscilaciones locales de nivel con persistencia en diferentes valores medios durante el periodo de análisis. Esto parece indicar la existencia de diferentes cambios estructurales en la tasa de inflación que pueden aproximarse mediante un modelo que considera que el ipc necesita una diferencia regular y una anual para convertirse en estacionaria. Para un análisis más formal, realizamos un test D-F de raíces unitarias cuyos resultados, continuación, confirman la necesidad mostrados a de tomar una diferencia adicional. Test de raíces unitarias para las series con diferencias anuales Null Hypothesis: D12LCAND has a unit root Exogenous: Constant Lag Length: 12 (Automatic based on SIC, MAXLAG=12) 9 Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level t-Statistic Prob.* -1.877610 -3.574446 -2.923780 -2.599925 0.3398 *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(D12LCAND) Method: Least Squares Date: 03/03/08 Time: 16:34 Sample (adjusted): 2004M02 2008M01 Included observations: 48 after adjustments D12LCAND(-1) D(D12LCAND(-1)) D(D12LCAND(-2)) D(D12LCAND(-3)) D(D12LCAND(-4)) D(D12LCAND(-5)) D(D12LCAND(-6)) D(D12LCAND(-7)) D(D12LCAND(-8)) D(D12LCAND(-9)) D(D12LCAND(-10)) D(D12LCAND(-11)) D(D12LCAND(-12)) C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient Std. Error t-Statistic Prob. -0.211501 0.562946 0.017139 0.146220 0.067612 -0.001491 0.219021 -0.017369 -0.028413 0.039342 0.087326 0.319038 -0.619397 0.006758 0.112644 0.112853 0.142201 0.133622 0.136820 0.133735 0.126424 0.131602 0.128386 0.121837 0.121374 0.118638 0.122970 0.003523 -1.877610 4.988319 0.120526 1.094288 0.494170 -0.011148 1.732424 -0.131984 -0.221309 0.322904 0.719473 2.689165 -5.036994 1.918330 0.0690 0.0000 0.9048 0.2815 0.6244 0.9912 0.0923 0.8958 0.8262 0.7487 0.4768 0.0110 0.0000 0.0635 0.746180 0.649132 0.001728 0.000101 245.4946 7.688720 0.000001 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.000431 0.002917 -9.645607 -9.099840 -9.439361 1.784149 Null Hypothesis: D12ESP has a unit root Exogenous: Constant Lag Length: 12 (Automatic based on SIC, MAXLAG=12) Augmented Dickey-Fuller test statistic t-Statistic Prob.* -1.600864 0.4744 10 Test critical values: 1% level 5% level 10% level -3.574446 -2.923780 -2.599925 *MacKinnon (1996) one-sided p-values. Null Hypothesis: D12LESP has a unit root Exogenous: Constant Lag Length: 12 (Automatic based on SIC, MAXLAG=12) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level t-Statistic Prob.* -1.611105 -3.574446 -2.923780 -2.599925 0.4693 *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(D12LESP) Method: Least Squares Date: 03/03/08 Time: 16:36 Sample (adjusted): 2004M02 2008M01 Included observations: 48 after adjustments D12LESP(-1) D(D12LESP(-1)) D(D12LESP(-2)) D(D12LESP(-3)) D(D12LESP(-4)) D(D12LESP(-5)) D(D12LESP(-6)) D(D12LESP(-7)) D(D12LESP(-8)) D(D12LESP(-9)) D(D12LESP(-10)) D(D12LESP(-11)) D(D12LESP(-12)) C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient Std. Error t-Statistic Prob. -0.179828 0.522708 0.006429 0.087808 0.116227 -0.064341 0.244788 -0.028877 0.016672 0.017261 0.087494 0.309011 -0.670322 0.005787 0.111618 0.111707 0.138048 0.133350 0.137860 0.139253 0.129350 0.135650 0.131966 0.128206 0.126409 0.124077 0.129271 0.003539 -1.611105 4.679286 0.046574 0.658482 0.843079 -0.462041 1.892444 -0.212875 0.126339 0.134639 0.692154 2.490487 -5.185402 1.635378 0.1164 0.0000 0.9631 0.5147 0.4051 0.6470 0.0670 0.8327 0.9002 0.8937 0.4935 0.0178 0.0000 0.1112 0.738853 0.639003 0.001760 0.000105 244.5967 7.399620 0.000001 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.000398 0.002930 -9.608196 -9.062429 -9.401950 1.767612 11 Una vez que tomamos una diferencia regular y una diferencia regular, los gráficos de ambas series parecen mostrar que son estacionarias. Además, en el test D-F, la hipótesis nula se rechaza a los niveles de significación habitual. Gráfico y test D-F para el IPC de España con una diferencia regular y una diferencia anual. D1D12LESP .012 .008 .004 .000 -.004 -.008 2002 2003 2004 2005 2006 2007 Null Hypothesis: D1D12LESP has a unit root Exogenous: Constant Lag Length: 11 (Automatic based on SIC, MAXLAG=12) Augmented Dickey-Fuller test statistic t-Statistic Prob.* -4.718830 0.0004 12 Test critical values: 1% level 5% level 10% level -3.574446 -2.923780 -2.599925 *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(D1D12LESP) Method: Least Squares Date: 03/03/08 Time: 16:42 Sample (adjusted): 2004M02 2008M01 Included observations: 48 after adjustments D1D12LESP(-1) D(D1D12LESP(-1)) D(D1D12LESP(-2)) D(D1D12LESP(-3)) D(D1D12LESP(-4)) D(D1D12LESP(-5)) D(D1D12LESP(-6)) D(D1D12LESP(-7)) D(D1D12LESP(-8)) D(D1D12LESP(-9)) D(D1D12LESP(-10)) D(D1D12LESP(-11)) C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient Std. Error t-Statistic Prob. -1.552752 1.010428 0.893621 0.871662 0.872041 0.691563 0.848307 0.709238 0.632102 0.559450 0.560737 0.787959 0.000101 0.329055 0.319498 0.315322 0.295957 0.276542 0.254288 0.236076 0.215737 0.186215 0.160001 0.128587 0.109080 0.000267 -4.718830 3.162544 2.833994 2.945238 3.153381 2.719610 3.593357 3.287512 3.394467 3.496533 4.360752 7.223691 0.379919 0.0000 0.0032 0.0076 0.0057 0.0033 0.0101 0.0010 0.0023 0.0017 0.0013 0.0001 0.0000 0.7063 0.770010 0.691156 0.001800 0.000113 242.8311 9.765044 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 7.22E-05 0.003239 -9.576294 -9.069510 -9.384780 1.825893 Gráfico y test D-F para el IPC en la Comunidad de Andalucía con una diferencia regular y una diferencia anual. 13 D1D12LCAND .012 .008 .004 .000 -.004 -.008 2002 2003 2004 2005 2006 2007 Null Hypothesis: D1D12LCAND has a unit root Exogenous: Constant Lag Length: 11 (Automatic based on SIC, MAXLAG=12) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level t-Statistic Prob.* -4.545493 -3.574446 -2.923780 -2.599925 0.0006 *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(D1D12LCAND) Method: Least Squares Date: 03/03/08 Time: 16:51 Sample (adjusted): 2004M02 2008M01 Included observations: 48 after adjustments D1D12LCAND(-1) D(D1D12LCAND(-1)) D(D1D12LCAND(-2)) Coefficient Std. Error t-Statistic Prob. -1.613864 1.098062 0.958858 0.355047 0.341896 0.337540 -4.545493 3.211683 2.840728 0.0001 0.0028 0.0075 14 D(D1D12LCAND(-3)) D(D1D12LCAND(-4)) D(D1D12LCAND(-5)) D(D1D12LCAND(-6)) D(D1D12LCAND(-7)) D(D1D12LCAND(-8)) D(D1D12LCAND(-9)) D(D1D12LCAND(-10)) D(D1D12LCAND(-11)) C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.975688 0.894825 0.760886 0.871344 0.724455 0.587313 0.529407 0.521920 0.747428 0.000161 0.769825 0.690907 0.001789 0.000112 243.1268 9.754825 0.000000 0.313545 0.293549 0.268793 0.248088 0.224232 0.188850 0.162857 0.127962 0.105960 0.000265 3.111790 3.048295 2.830755 3.512232 3.230833 3.109947 3.250750 4.078712 7.053900 0.607864 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.0037 0.0044 0.0076 0.0012 0.0027 0.0037 0.0025 0.0002 0.0000 0.5472 0.000114 0.003218 -9.588616 -9.081832 -9.397102 1.843625 En análisis multivariante lo realizamos con la transformación estacionaria de ambas series. Para ver si existe retroalimentación entre las variables que analizamos, se muestran los contrastes de causalidad de Granger: Pairwise Granger Causality Tests Date: 03/03/08 Time: 16:56 Sample: 2002M01 2008M01 Lags: 2 Null Hypothesis: D1D12LESP does not Granger Cause D1D12LCAND D1D12LCAND does not Granger Cause D1D12LESP Obs F-Statistic Probability 58 0.35327 0.09728 0.70403 0.90746 El test indica que no existe una retroalimentación fuerte entre estas dos series. Sin embargo, es importante enfatizar que el test de Granger no es un test de causalidad económica sino es sólo una forma de ver si los movimientos de una variable preceden a las otras. 15 A pesar de que el test de Granger no indica una correlación importante entre las dos series, con el propósito de ilustración estimamos un modelo VAR. Para eso pulsamos ‘quick/estímate VAR’ y escribimos en las variables endógenas: d(lesp,1,12) y d(lcand,1,12) y seleccionamos el número de retardos que minimiza el criterio de información de Akaike que es 1. Los resultados de la estimación se muestran a continuación: Vector Autoregression Estimates Date: 03/03/08 Time: 18:48 Sample (adjusted): 2003M03 2008M01 Included observations: 59 after adjustments Standard errors in ( ) & t-statistics in [ ] D1D12LCAND D1D12LESP D1D12LCAND(-1) 0.335369 (0.55213) [ 0.60741] 0.282387 (0.53308) [ 0.52973] D1D12LESP(-1) 0.035862 (0.56349) [ 0.06364] 0.115237 (0.54404) [ 0.21182] C 4.76E-05 (0.00037) [ 0.13040] 3.70E-05 (0.00035) [ 0.10478] 0.136908 0.106083 0.000441 0.002806 4.441490 264.5135 -8.864864 -8.759227 7.93E-05 0.002967 0.161445 0.131496 0.000411 0.002709 5.390755 266.5856 -8.935106 -8.829468 7.07E-05 0.002907 R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion 3.36E-12 3.03E-12 615.0094 -20.64439 -20.43311 16 Los modelos VAR son modelos muy complejos (con muchos parámetros a estimar) y rara vez sirven para hacer predicciones. Pero si son útiles con propósito de simulación para ver como un shock inesperado en una de las variables afecta a las otras variables. Esto se puede hacer en E-views mediante la opción ‘Impulse’. Para que podamos hacer este tipo de análisis es necesario ortogonalizar los shocks ya que, por ejemplo, los residuos en la ecuación de inflación en Andalucía pueden estar contemporáneamente correlacionados con los residuos de la ecuación de la inflación en España por lo que no sabríamos si los valores de los residuos en una de las ecuaciones están relacionadas con un shock estructural en Andalucía o España. E-views por defecto considera la opción de Cholesky para la ortogonalización (mirar en ‘impulse response’ dentro de ‘impulse definition’). Esta opción consiste en imponer que la última variable está afectada contemporáneamente por movimientos en el resto de las variables, la penúltima está afectada contemporáneamente por todas las variables menos la última y así sucesivamente. El orden de las variables que utilizamos es: crecimiento de la inflación en Andalucía, crecimiento de la inflación en España. Las respuestas de cada una de las variables a shocks en las otras variables se muestran a continuación: 17 Response of D1D12LESP to Cholesky One S.D. D1D12LCAND Innovation .0032 .0028 .0024 .0020 .0016 .0012 .0008 .0004 .0000 -.0004 1 2 3 4 5 6 7 8 9 10 9 10 Response of D1D12LCAND to Cholesky One S.D. D1D12LESP Innovation .0008 .0006 .0004 .0002 .0000 -.0002 -.0004 -.0006 -.0008 1 2 3 4 5 6 7 8 Estas respuestas indican que un shock en la inflación en Andalucía genera un incremento inflacionista en España. Sin embargo el IPC de la Comunidad de Andalucía no parece 18 reaccionar de forma significativa a shocks inflacionistas en España. Para asegurarnos que las respuestas son robustas al orden de las variables en la descomposición de Choleski generamos respuestas a shocks usando el orden inverso obteniendo resultados cualitativamente similares: Response of D1D12LCAND to Cholesky One S.D. D1D12LESP Innovation .0035 .0030 .0025 .0020 .0015 .0010 .0005 .0000 -.0005 1 2 3 4 5 6 7 8 9 10 19 Response of D1D12LESP to Cholesky One S.D. D1D12LCAND Innovation .0010 .0008 .0006 .0004 .0002 .0000 -.0002 -.0004 -.0006 1 2 3 4 5 6 7 8 9 10 Aunque los resultados que encontramos son consistentes con la teoría económica, en general esto no siempre es así. Cuando esto ocurre probablemente la especificación no es la correcta. Por ejemplo, uno debe estar seguro de incluir todas las variables relevantes en el modelo y que el número de retardos y de elementos deterministas en el modelo es el adecuado. También es importante considerar que en este ejercicio hemos diferenciado ambas series para que sean estacionarias antes de realizar el análisis econométrico. Sin embargo, podría ser el caso que las series de IPC de España y Andalucía tuvieran una tendencia común. El material que se mostrará en el tema 5 permitirá realizar este tipo de análisis de forma más eficiente. Por último, vamos a ver cómo cambian los resultados de nuestra simulación si estimamos una única ecuación para el crecimiento del IPC en Andalucía y asumimos que no hay retroalimentación: 20 Dependent Variable: D1D12LCAND Method: Least Squares Date: 03/03/08 Time: 19:17 Sample (adjusted): 2003M03 2008M01 Included observations: 59 after adjustments C D1D12LESP(-1) D1D12LCAND(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient Std. Error t-Statistic Prob. 4.76E-05 0.035862 0.335369 0.000365 0.563490 0.552134 0.130395 0.063643 0.607406 0.8967 0.9495 0.5460 0.136908 0.106083 0.002806 0.000441 264.5135 4.441490 0.016203 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 7.93E-05 0.002967 -8.864864 -8.759227 -8.823628 1.772971 Vemos que los resultados de esta estimación son idénticos a ecuación de Andalucía en el modelo VAR. Esto no debe causar sorpresa dado que los modelos VAR se estiman eficientemente ecuación por ecuación al tener todas las ecuaciones del sistema las mismas variables explicativas. A partir de esta estimación observamos que el efecto a largo plazo del crecimiento de la inflación crecimiento del IPC andaluz es en España en el Estudiar la dinámica de estas reacciones en el contexto uniecuacional es algo que se deja como ejercicio para el alumno. 21