Martin Econometrics: Econometría y Aplicaciones

Mg. José-Manuel Martin Coronado Data Scientist for Economics Instituto de Econometría de Lima www.institutoeconometria.com Lima, 14 de febrero de 2023 El Profesor Abadie, entre otros, han crecido en popularidad por el método de "control sintético´". La metodología puede resumirse de la siguiente manera: Ante la ausencia de un escenario observable de control, para evaluar el impacto de un tratamiento, se buscará estimar uno através del promedio ponderado de diversos escenarios potencialmente de control imperfecto logrando el ajuste cuasi-perfecto. Con dicha estimación de comparabilidad se procederá a calcular las diferencias entre el escenario con tratamiento y escenario sin tratamiento (control), después de dicho evento.  Esta metodología puede presentar diversos problemas no sólo con la ponderación de los comparables, sino por la existencia de eventos que podrían afectar de manera significativa la evaluación. Por lo tanto, se espera que en el período de evaluación (después

Mg. José-Manuel Martin Coronado Data Scientist for Economics Instituto de Econometría de Lima www.institutoeconometria.com Lima, 22 de enero de 2023 Aquellos que ya tienen un tiempo en la programación sabrán que existen diversas costumbres, o mejor dicho " buenas prácticas ", en la elaboración del código. Una de ellas es la " verticalización del código", es decir, que el código escrito no debería superar cierto ancho recomendado por el programa (ó IDE) utilizado (Stata, R, Python, VS Code, Spyder, etc.). El ancho se puede representar a su vez en un limitado número de caracteres (letras, números o símbolos) a escribir por cada línea de código. Una de las razones fundamentales para la verticalización del código es la facilidad de lectura , algo así como una columna de un período o diario electrónico, de modo que cada línea contendrá poca información fácil de identificar, entender y corregir. Esto a su vez tiene que ver con la simplicidad y eficiencia  del código, qu

¿Cómo eliminar el efecto COVID de las variables económicas?  WP N° 0612-2022-IEL/COVID Mg. José-Manuel Martin Coronado Gerente de Estudios Económicos, EMECEP Consultoría Económica Docente Principal, Instituto de Econometría de Lima 1.- Introducción.-  El COVID ha generado un gran problema para el trabajo con series de tiempo, imposibilitando en muchos casos la inclusión de los años 2020 y 2021, en las estimaciones econométricas. Sin embargo, a través de diversas técnicas, desde sencillas hasta avanzadas es posible eliminar esta distorsión, de tal manera que la variables económica se observe de manera contrafáctica, es decir, como si el COVID no hubiese ocurrido.   A continuación se presentarán dos metodologías básicas para la transformación de una serie con efecto covid y sin efecto covid: 1) Método de calibración de una variable dummy covid y 2) Método de estimación de la variable dummy covid.  2.- Metodología general.-  No obstante, en ambos casos, la premisa de ecuación es básicamen

La multicolinealidad siempre ha sido un problema, pero, como es obvio, no es un problema binario sino de grado. Un gran predictor de la multicolinealidad es la correlación que pudieran tener las variables explicativas. Sin embargo, existe un atenuante: el ruido que pudiera tener esa relación bivariable. Las relaciones económicas no son exactas, tanto las principales como las accesorias. El nivel de ruido puede afectar la predictibilidad de la multicolinealidad problemática, o incluso crear falsos negativos.  A partir de un ejercicio de simulación se realizó el siguiente modelo: (1)      x 1,t = a 0  + a 1 t + a 2  x 1,t-1  + a 3 e x1,t   (2)      x 2,t  = b 0  + b 1 x 1,t + b 2 e x2,t (3)      y t  = c 0  + c 1 x 1,t  + c 2  x 2,t  + c 3 ey ,t Puede observarse claramente la relación entre las variables explicativas en este caso ( x 2  = f( x 1 ) ), y ello claramente tendrá un impacto en la variable endógena. A través de la técnica de funciones compuestas o anidadas se puede simplific

Algunas ideas sobre el estado actual de la microeconomía aplicada (microeconometría) Christopher Ruhm La inferencia causal se ha convertido en el paradigma dominante en el que se centran muchos microeconomistas aplicados y, creo, lo que muchos piensan que es la microeconomía aplicada (al menos en el trabajo, el sector público, la salud, el crimen, la educación, etc.). La inferencia causal es enormemente importante para comprender los efectos de muchas políticas u otros “tratamientos”, después del hecho, pero a menudo es mucho menos útil para entender cómo hacer una buena política, por adelantado. Por ejemplo, la inferencia causal puede tener un valor limitado para diseñar un buen programa de capacitación o una nueva política de apoyo a los ingresos, particularmente cuando la política es diferente a lo que hemos visto antes. Esta es una crítica común de aquellos que hacen modelos estructurales, pero creo que estos modelos a menudo tampoco son tan útiles. Lo que se necesita son enfoques

Mg. José-Manuel Martin Coronado Instituto de Econometría de Lima  EMECEP Consultorías Económicas Es sabido que en econometría, los problemas econométricos no son binarios (existe o no existen), sino que son un problema de grado. Si bien las pruebas de hipótesis, y los valores críticos, permiten identificar los problemas estadísticos, éstos en realidad nos dicen si tales son significativos (relevantes) o "insignificantes". Un problema muy común en la econometría es la autocorrelación, que es básicamente la correlación estadística entre los errores. Se dice estadística, pues conceptualmente los errores siempre pueden estar correlacionados, pero no es sino cuando se convierte en realidad numérica que genera un problema en el modelo.  Desde un enfoque económico, también puede decirse que las variables se encuentran relacionadas consigo mismas en el tiempo, lo cual dio vida al concepto de modelo autoregresivo, luego los modelos ARIMA y posteriormente a los modelos de vectores auto

Resumen de Paper: Aprendizaje adaptativo en series de tiempo: método y aplicaciones financieras [Parley Rougu Yang et al., (2021), doi=https://arxiv.org/abs/2110.11156] Se introduce formalmente un método de aprendizaje estadístico de series de tiempo, llamado Aprendizaje Adaptativo, capaz de manejar la selección del modelo, el pronóstico e interpretación fuera de la muestra en un ambiente ruidoso.  A través de estudios de simulación, se demostró que el método puede superar a las técnicas tradicionales de selección de modelos, como AIC y BIC, en presencia de cambio de régimen, además de facilitar la determinación del tamaño de la ventana cuando el proceso de generación de datos varía en el tiempo. Empíricamente, se usó el método para pronosticar los rendimientos del S&P 500 en múltiples horizontes de pronóstico, aplicando la información de la curva VIX y la curva de rendimiento.  Donde se halló que los modelos de aprendizaje adaptativo están generalmente a la par, si no mejores, que

Resumen de Paper: Rendimiento de la predicción de la volatilidad del sector utilizando modelos GARCH y Redes Neuronales Artificiales  [Curtis Nybo (2020), doi=https://arxiv.org/abs/2110.09489] Recientemente, las redes neuronales (Artificial Neural Networks-ANN) han tenido éxito en la predicción de la volatilidad, pero la literatura está dividida sobre dónde se debe usar las ANN en lugar del modelo GARCH común. El propósito de este estudio es comparar el desempeño de predicción de volatilidad de los modelos ANN y GARCH cuando se aplica a acciones con perfiles de volatilidad baja, media y alta. Este enfoque tiene como objetivo identificar qué modelo se debe utilizar para cada caso.  Los perfiles de volatilidad comprenden cinco sectores que cubren todas las acciones en el mercado de valores de EE. UU. de 2005 a 2020. Se examinan tres especificaciones GARCH y tres arquitecturas ANN para cada sector, donde se elige el modelo más adecuado para pasar a la previsión. Los resultados indican que

José-Manuel Martin Coronado Director Instituto de Econometría de Lima www.institutoeconometria.com El acrónimo VAR hace referencia a los Vectores AutoRegresivos. Para entender dicho concepto es necesario descomponerlo.   ¿Qué es un vector? Un vector es un conjunto ordenado de elementos tal que, x = (x 1 , x 2  , x 3 , x 4 ) .  Dichos elementos pueden representar elementos no ordenadas ó bien elementos que representan una variable, por ejemplo el precio, tal que vector p = (p 2017 , p 2018 , p 2019 , p 2020 ) .  Aún más, un vector puede ser un agrupamiento de otros vectores (variables), tal que, vector w = (v 1 , v 2  , v 3 , v 4 ).

José-Manuel Martin Coronado Instituto de Econometría de Lima www.institutoeconometria.com El problema de la cointegración nació por la sospecha de la existencia de regresiones espurias en los casos de series no estacionarias (Ej. I(1)), para lo cual se implementaron diversas técnicas: Engle-Granger, Johansen-Juselius, entre otros. En particular Engle y Granger indican que el mayor orden de integración tiene un efecto dominante en la relación entre dos variables.  Si bien gran parte de las series económicas no son estacionarias, otro grupo sí lo son. O mejor dicho, una forma más interesante de éstas lo es (Ej. Variación porcentual). En tales casos, lo usual es trabajar con modelos no estructurales dinámicos de tipo ARIMA, ARDL, VAR, entre otros. ¿Pero, es posible sustentar la existencia de cointegración a través de un modelo estructural simple, en el caso de MCO, que represente relaciones de largo plazo?

Por: José-Manuel Martin Coronado Lima, 26 de febrero de 2021 El análisis círculo vicioso es un tema muy útil, usualmente cuando el estudiante lleva econometría demasiado práctica o copia y pega de códigos, obviamente no se topa con este problema. pero cuando su profesor o asesor de tesis le pida que valide su modelo econométrico se enfrentará con esta gran paradoja. Puede llamarse, el círculo vicioso de la validación econométrica o CV. En pocas palabras hace referencias a un trade-off entre los problemas econométricos como consecuencia de los tratamientos econométricos.

José-Manuel Martin Coronado Profesor Investigador, Instituto de Econometría de Lima www.institutoeconometria.com Lima, 9 de diciembre de 2020 Es común observar a los financistas atentos a las cifras de desempleo, en particular en el EE.UU. La regla de la experiencia es bastante directa: Si aumenta el desempleo, la economía necesita estímulos, ya sea una menor tasa de interés o una mayor cantidad de dinero. Obviamente, esto último aviva no sólo al sector real, sino a los mercados financieros.  En teoría esto se basa a la "artificiosamente inmortal" Curva de Phillips, donde un menores solicitudes de empleo, es decir menor oferta laboral, (proxy de menor desempleo) implicaría que hay menos personas buscando trabajo, con lo cual es necesario subir los salarios para atraerlos y ello implica una mayor inflación. Esto a su vez requiere que el Banco Central tome medidas para reducir la inflación, en caso no sea un problema temporal, por ejemplo subiendo la tasa de interés para ralent

José-Manuel Martin Coronado Instituto de Econometría de Lima www.institutoeconometria.com En términos sencillos, la identificación de un modelo económico implica saber si hay suficientes variables exógenas para las variables endógenas elegidas, en un modelo multiecuacional.  A veces pueden haber más variables exógenas de las necesarias. Y a veces pueden haber menos variables exógenas de lo necesario.   Existen muchas combinaciones posibles.  Por ejemplo, se puede tener varios modelos con las mismas exógenas pero con diferente exógena. (1) SUR y 1 = a 0 +a 1 x 1 +a 2 x 2     y 2 = b 0 +b 1 x 1 +b 2 x 2   O por ejemplo, se puede tener varios modelos con regresores endógenos, además de lo indicado anteriormente. (2) (Cruzadas ó Simultánea sin exclusión) y 1 = a 0 +a 1 x 1 +a 2 x 2 + a 3 y 2 y 2 = b 0 +b 1 x 1 +b 2 x 2 + b 3 y 1 O también, se puede tener varios modelos con regresores endógenos, pero no con las mismas exógenas (3) . y 1 = a 0 +a 1 x 1 + a 3 y 2 y 2 = b 0 +b 2 x 2 +