P. 1
Borra 086

Borra 086

|Views: 1|Likes:

More info:

Published by: Sergio Rodriguez Apolinar on Sep 10, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

03/17/2012

pdf

text

original

BANCO DE LA REPUBLICA

SUBGERENCIA DE ESTUDIOS ECONOMICOS
Análisis del comportamiento de la inflación trimestral en Colombia bajo cambios de
régimen: Una evidencia a través del modelo “Switching” de Hamilton
Luis Fernando Melo V.
Martha Misas A.
*
Santafé de Bogotá, octubre 1997

*
Los resultados aquí presentados son responsabilidad exclusiva de los autores y no comprometen al Banco
de la República. Se agradecen especialmente los comentarios y sugerencias de H. Oliveros, H. Vargas, J
Uribe, A. Galindo, N. Rodríguez, J.C. Echeverry y M.I. Agudelo.
Trabajo presentado en la XVI Reunión de la Sociedad Econométrica Latinoamericana, Lima
agosto de 1998.
2
I. Introducción
Este trabajo tiene como propósitos estudiar la evolución de la inflación trimestral en
Colombia, durante el período comprendido entre 1954 y 1996, a través de la metodología de
Hamilton (1989) y segundo presentar algunos conceptos relacionados con dicha metodología, la
cual introduce cambios de régimen en el análisis convencional de series de tiempo. Es importante
aclarar que, a pesar de que los resultados pudiesen ser más interesantes al trabajar con inflación
anual, el estudio se lleva a cabo sobre la inflación trimestral debido a requerimientos
econométricos del procedimiento. La existencia de los diferentes regímenes es inicialmente
identificada a través de pruebas sobre estabilidad de parámetros.
Dado que la metodología de series de tiempo propuesta por Box-Jenkins (1976) estima
parámetros invariantes a través del tiempo, su aplicación es apropiada tan solo en la modelación
de series de tiempo estacionarias
1
en su período completo de estudio. Este hecho nos lleva a
preguntarnos cómo modelar una serie que exhibe, durante dicho período, cambios en la varianza
y/o en la media, los cuales definen subperíodos específicos que podrían estar asociados con
eventos de carácter económico. Una respuesta a tal inquietud se tiene en el modelo “Switching”
de Hamilton, donde tales cambios de régimen o del estado de la naturaleza se consideran a través
de cadenas de Markov y de distribuciones mixtas de probabilidad.
El modelo “Switching de Hamilton” parte de un modelo de series de tiempo autorregresivo
(AR) y de unos valores iniciales para las distintas medias y varianzas asociadas a cada régimen
2
.
Suponiendo normalidad, se construye en cada momento del tiempo y para cada régimen una
función de verosimilitud sobre los errores del modelo autorregresivo y se estiman los parámetros
que maximizan dicha función. Es de señalar que, dentro del conjunto de parámetros se
encuentran, también, las probabilidades de transición entre regímenes, las cuales se calculan
mediante el teorema de Bayes. La estimación de los parámetros que maximizan la función de
verosimilitud, sobre un espacio de parámetros específico, se lleva a cabo a través de métodos
numéricos utilizando algoritmos iterativos
3
.
El trabajo está organizado así: en la sección II se presenta un modelo de series de tiempo
autorregresivo sobre la inflación trimestral y la evaluación de la estabilidad de sus parámetros
considerando diferentes submuestras, lo anterior con el objetivo de identificar de manera
preliminar períodos de diferente comportamiento de la inflación. La sección III tiene un carácter
pedagógico, consigna el marco teórico del modelo “Switching” de Hamilton, explicando en detalle
los conceptos relacionados con cadenas de Markov, distribuciones mixtas de probabilidad y
modelos de series de tiempo con cambios de régimen y por último, en la sección IV se muestran

1
Series estacionarias o series transformadas para alcanzar estacionariedad.
2
El número de regímenes, entendido los regímenes como períodos observados de comportamiento diferente, es especificado
por el investigador y luego contrastado mediante pruebas estadísticas.
3
Una explicación más detallada sobre el método de estimación se encuentra en el marco teórico, sección III.
3
los resultados obtenidos al aplicar esta metodología a la inflación trimestral colombiana para el
período de referencia.
II Identificación preliminar de diferentes comportamientos de la inflación
En esta sección se presentan los resultados de las diferentes pruebas econométricas que
permiten inferir la existencia de distintos comportamientos de la inflación trimestral de Colombia
durante el período comprendido entre 1954 y 1996. El reconocimiento de los distintos patrones de
comportamiento de la inflación trimestral se lleva a cabo mediante pruebas de estabilidad de los
parámetros de un modelo autorregresivo de la inflación trimestral estimado para diferentes
submuestras. Tal diferencia de comportamientos justifica la modelación de la inflación, para el
período completo, tan solo mediante técnicas de series de tiempo que consideren dichos cambios
de régimen.
A. Análisis descriptivo
Gráfico 1
-0.05
0.00
0.05
0.10
0.15
60 65 70 75 80 85 90 95
Inflación Trimestral en Colombia
(Basada en el IPC total)
El gráfico 1 muestra la evolución de la inflación trimestral en Colombia
4
durante el período
comprendido entre 1954 y 1996. Un análisis del gráfico 1 podría llevar al reconocimiento de tres
períodos o regímenes diferentes en lo concerniente a nivel y a variabilidad de la serie. Un primer
período podría considerarse hasta 1970, un segundo desde 1971 hasta 1989 y el último
correspondería al período comprendido entre 1990 y 1996. Sin embargo, tal análisis no garantiza
que la determinación de las tres submuestras sea única, es decir, los regímenes podrían estar
asociados a períodos un poco diferentes. Es de señalar que el gráfico 2, presentado
posteriormente, valida la partición ya mencionada de la muestra bajo estudio. El primer período
se caracteriza por una inflación trimestral promedio baja con una alta variabilidad. Las altas

4
En este trabajo, la inflación trimestral se define como la diferencia del logaritmo del índice de precios al consumidor total
nacional (IPC).
4
inflaciones del período, las cuales son fuente de la alta variabilidad, podrían estar asociadas a
hechos tales como la recesión mundial de 1957, la devaluación y el incremento de salarios de
1962 y la política fiscal de dicho año, la cual incrementó las tasas de crecimiento de la base
monetaria. El segundo período se caracteriza por un nivel de inflación promedio mayor y una
variabilidad menor que las correspondientes al primer período. Es de señalar que el alto nivel de
inflación observado en 1977 se deriva de la bonanza cafetera de dicho año y del “boom” de pagos
externos de 1976. En general, las inflaciones altas en promedio pueden estar explicadas por el
déficit fiscal como fuente de expansión monetaria. El último período se caracteriza por no
presentar valores extremos de inflación trimestral, hecho que conduce a una variabilidad estable,
la cual es más baja que las observadas en los períodos anteriores. Los mayores valores de
inflación se presentan entre 1990 y 1991 debido a la devaluación nominal llevada a cabo con el fin
de “preparar” a la economía para la apertura. Sin embargo, a pesar de tales valores, durante este
último período se observa una leve tendencia a la baja. Es de señalar, que durante dicho período,
las políticas del Banco de la República se han orientado principalmente para lograr las metas
básicas de inflación anual
5
.
Con el propósito de verificar empíricamente la existencia de un comportamiento diferente
de la inflación trimestral en los períodos previamente identificados mediante técnicas
descriptivas
6
, se parte de la modelación de la inflación a través de un esquema de series de
tiempo autorregresivo tanto a nivel de la muestra completa como de cada una de las submuestras
ya mencionadas y se llevan a cabo pruebas sobre la estabilidad de los parámetros asociados a
cada modelo. La presencia de inestabilidad en los parámetros del modelo especificado para la
muestra completa y de estabilidad en cada submuestra es un indicio de la existencia de los
diferentes regímenes ya mencionados.
B. Pruebas sobre existencia de raíz unitaria
Con el propósito de modelar la inflación trimestral a través de un esquema autorregresivo,
tanto a nivel de la muestra completa como de las submuestras, es necesario determinar el orden
de integración de la serie en cada uno de los períodos de análisis.
Cuadro 1

5
Notas Editoriales, Revista del Banco de la República :1954-1996.
6
Es decir, la existencia de diferentes regímenes.
5
Pruebas de Raíz Unitaria sobre la Inflación Trimestral (DLIPC)
Período Prueba Dickey-Fuller Prueba KPSS**
Estadística Valores Críticos
(α=5% y α=10%)
Ljung-Box*
sobre residuales
Estadística Valores Críticos
(α=5% y α=10%)
1954:II - 1996:IV τ
τ
=-5.28 -3.44 y -3.14 50.20
(0.18)
η
τ
=0.1162 0.146 y 0.119
1954:II - 1970:IV τ
µ
=-4.44 -2.91 y -2.59 6.18
(0.98)
η
µ
=0.1243 0.463 y 0.347
1971:I - 1989:IV τ
µ
=-3.66 -2.90 y -2.59 18.78
(0.47)
η
µ
=0.1788 0.463 y 0.347
1990:I - 1996:IV τ
τ
=-3.19 -3.58 y -3.22 3.97
(0.78)
η
τ
=0.0895 0.146 y 0.119
* Estadística calculada utilizando un número de observaciones igual a T/4, entre paréntesis se reporta su P-Value.
** En el cálculo de la ventana de Bartlett se utiliza L8.
El cuadro 1 presenta los resultados de las pruebas de Dickey-Fuller, DF, y KPSS para los
diferentes períodos. Los resultados de las pruebas permiten concluir que, para los distintos
períodos, la inflación trimestral en Colombia es estacionaria
7
. Es de señalar que, para el período
comprendido entre 1990 y 1996 no existe evidencia para rechazar la hipótesis de raíz unitaria bajo
la prueba de Dickey-Fuller, a un nivel de significancia del 10% , sin embargo, bajo la prueba
KPSS se encuentra estacionariedad. Es de mencionar que, la prueba KPSS se puede considerar
más adecuada debido a que ésta presenta mayor potencia frente a la prueba tradicional DF.
C. Modelos autorregresivos
Como se mencionó anteriormente, la inflación trimestral es modela a través de
series de tiempo bajo un esquema autorregresivo de orden 5, los resultados de las estimaciones
de dicho modelo con base en las diferentes submuestras se presentan en el cuadro 2
8
.
Cuadro 2
Estimación por submuestra del modelo Autorregresivo:

7
El requerimiento mencionado en la introducción se trata de la exigencia de que la serie bajo estudio sea estacionaria, por
consiguiente, el trabajo no puede llevarse a cabo sobre la inflación anual ya que ésta es integrada de orden uno, I(1).
8
Lo anterior llevaría a pensar que para la muestra completa la serie podría ser modelada a través de una representación
autorregresiva de orden mayor a cinco.
6
∆ ∆ ∆ ∆ ∆ ∆ LIPC LIPC LIPC LIPC LIPC LIPC
t t t t t t t
· + + + + + +
− − − − −
δ φ φ φ φ φ ε
1 1 2 2 3 3 4 4 5 5
V
t
( ) ε σ ·
2
Período $
µ **
$
φ
1
$
φ
2
$
φ
3
$
φ
4
$
φ
5
$
σ
Ljung-Box*
1954:II- 1996:IV 0.0395
(0.0057)
-0.3577
(0.0770)
0.1252
(0.0743)
-0.1766
(0.0742)
-0.4315
(0.0758)
0.1267
(0.0781)
0.022
0
63.79
(0.021)
1954:II- 1970:IV 0.0231
(0.0040)
-0.3519
(0.1244)
0.0286
(0.1272)
0.0596
(0.1283)
-0.2716
(0.1290)
0.2096
(0.1256)
0.022
1
15.10
(0.301)
1971:I- 1989:IV 0.0508
(0.0028)
-0.2529
(0.1186)
0.4167
(0.1209)
-0.2108
(0.1287)
-0.1514
(0.1228)
0.0798
(0.1203)
0.021
4
16.23
(0.237)
1990:I-1996:IV 0.0576
(0.0092)
-0.1677
(0.1940)
0.0390
(0.0642)
0.0237
(0.0774)
-0.8903
(0.0864)
0.1506
(0.2132)
0.011
0
0.91
(0.341)
Nota: Las estadísticas asociadas a los parámetros del modelo, reportadas entre paréntesis, corresponden a sus desviaciones
estándar. Para la estadística de Ljung-Box entre paréntesis se reporta su P-Value.
* Estadística calculada utilizando un número de observaciones igual a T/4.
**
µ
δ
φ
·

·

1
1
5
i
i
∆LIPC LIPC LIPC
t t t
· −
−1
Como puede apreciarse, la estadística Ljung-Box en cada submuestra evidencia un
comportamiento ruido blanco en los residuales, situación que no se tiene al analizar la muestra
completa, este hecho podría deberse a la mezcla de diferentes regímenes durante el período en
cuestión
D. Análisis Recursivo
Con el fin de aclarar la inquietud sobre la posible existencia de diferentes regímenes
planteada por el comportamiento de los residuales de la muestra completa, se lleva a cabo un
análisis basado en procedimientos econométricos de carácter recursivo sobre la media y los
residuales de dicho modelo.
Para la muestra completa bajo el modelo autorregresivo, los gráficos 2 y 3 presentan la
estimación de la suma acumulada de los residuales recursivos
9
(CUSUM) y de las diferentes
medias recursivas de la inflación trimestral, respectivamente. En general, los residuales y las
medias recursivas permiten evidenciar cambios en la media condicional
10
de la serie bajo estudio.
Como se observa en el gráfico 3, podrían existir 3 submuestras en las cuales la inflación trimestral
tiene un comportamiento aproximadamente similar. La primera submuestra comprende el período
entre 1954 y 1970, en ella se refleja, en general, un comportamiento estable del nivel medio de la
inflación trimestral; la segunda, conformada por el período comprendido entre 1971 y 1989, donde

9
En este caso, el procedimiento de estimación recursiva lleva a cabo la estimación de los parámetros del modelo autorregresivo
utilizando información hasta el momento t, pronostica la inflación trimestral para el momento t+1 y construye el residual como la
diferencia entre dicho pronóstico y el correspondiente dato observado. Posteriormente, se lleva a cabo un ejercicio similar, de
estimación con información hasta t+1 y de pronóstico y cálculo del residual para t+2 y así de manera sucesiva. Este
procedimiento aplicado a la muestra completa genera un conjunto de series de parámetros estimados y de residuales recursivos.
10
Donde la media condicional en (t) se define para una serie como su valor esperado con información hasta el momento (t-1).
7
se presenta un comportamiento creciente del nivel medio de la inflación y por último, el período
comprendido entre 1990 y 1996 donde, nuevamente, se vuelve a observar una inflación media
estable. Del gráfico 2 se desprende un análisis similar al realizado sobre el gráfico 3 respecto a la
evolución del comportamiento de la inflación media. Es de señalar que, estas tres submuestras
coinciden con los regímenes o períodos, identificados en la descripción gráfica, de diferente
comportamiento de la inflación ya mencionados en la sección II A.
Gráfico 2
-0.2
0.0
0.2
0.4
0.6
0.8
65 70 75 80 85 90 95
Suma acumulada de residuales recursivos
(Basada en el modelo Autorregresivo de los cambios trimestrales del IPC)
Gráfico 3
0.00
0.01
0.02
0.03
0.04
0.05
0.06
65 70 75 80 85 90 95
Estimación Recursiva de la Media de la Inflación
(Basada en el modelo Autorregresivo de los cambios trimestrales del IPC)
Intervalos de Confianza del 95%
E. Pruebas sobre estabilidad de los parámetros
Con el fin de establecer una comprobación formal de la existencia de los diferentes
regímenes, se llevan a cabo dos tipos de pruebas sobre estabilidad de los parámetros de los
modelos autorregresivos, de orden cinco, estimados bajo la muestra completa así como bajo las 3
submuestras ya identificadas.
El cuadro 3 presenta los resultados de la prueba de Chow sobre la inestabilidad de los
parámetros. Esta prueba tiene como objetivo mostrar que los puntos delimitadores de las
submuestras, ya identificadas, son verdaderos puntos de quiebre estructural de los modelos
8
autorregresivos. Al considerar el período completo se reconoce, a través de las estadísticas F y de
razón de verosimilitud a un nivel de significancia del 5%, la existencia de quiebres estructurales en
1970.IV y 1989.IV. Un análisis posterior, bajo las mismas estadísticas y a un nivel de significancia
del 5%, confirma como punto de quiebre para el período comprendido entre 1954.II y 1989.IV a
1970.IV y para el período 1971.I - 1996.IV, con un nivel de significancia del 10%, a 1989.IV. De
esta forma, no existe evidencia para rechazar los puntos delimitadores de las submuestras como
puntos de quiebre estructural de los modelos autorregresivos de la inflación trimestral.
Cuadro 3
Prueba de Chow sobre inestabilidad de los parámetros del modelo:
∆ ∆ ∆ ∆ ∆ ∆ LIPC LIPC LIPC LIPC LIPC LIPC
t t t t t t t
· + + + + + +
− − − − −
δ φ φ φ φ φ ε
1 1 2 2 3 3 4 4 5 5
Período Punto(s) de
Quiebre
Estadística F Estadística de Razón de
Verosimulitud
1954:II - 1996:IV 1970:IV y 1989:IV 2.8424
(0.0015)
34.4267
(0.0006)
1954:II - 1989:IV 1970:IV 3.5538
(0.0028)
21.5757
(0.0014)
1971:I - 1996:IV 1989:IV 1.9330
(0.0837)
12.3476
(0.0546)
Nota: P-Values entre paréntesis.
∆LIPC LIPC LIPC
t t t
· −
−1
Con el propósito de verificar si existe o no estabilidad en los parámetros del modelo
autorregresivo en la muestra completa como en cada una de las submuestras, se lleva a cabo la
prueba de Hansen (1992). En general, esta prueba permite reconocer en un modelo la estabilidad
de sus parámetros, incluyendo la varianza, tanto de manera individual como conjunta. El cuadro 4
consigna los resultados de la prueba de estabilidad de Hansen. Como puede concluirse, para el
período completo, considerando un nivel de significancia del 10%, se presentan como inestables 4
de los 7 parámetros bajo la prueba individual, en tanto que, la prueba conjunta reporta
inestabilidad. Al analizar la estabilidad de los parámetros del modelo en cada una de las
submuestras no existe evidencia para rechazar ésta tanto bajo las pruebas individuales como bajo
la prueba conjunta.
Las dos pruebas anteriores permiten concluir primero, que existen puntos de quiebre
estructural en la inflación trimestral durante el período completo de análisis y segundo, que las
submuestras identificadas en la sección IIA pueden ser modeladas correctamente a través de
esquemas autorregresivos, al no presentar éstos evidencia de inestabilidad en los parámetros. Es
de señalar, que en el enfoque aquí presentado, estas pruebas solo pueden considerar pocos
puntos de quiebre estructural determinados previamente. El llevar a cabo la modelización por
submuestra presenta básicamente dos inconvenientes: (i) disminución en el tamaño de la muestra
9
que implica una pérdida en los grados de libertad de los modelos y (ii) falta de certeza sobre la
existencia de un único régimen en cada submuestra, es decir, las pruebas sobre estabilidad de
los parámetros no implican tal unicidad.
Cuadro 4
Pruebas de Hansen sobre inestabilidad de los parámetros del modelo:
∆ ∆ ∆ ∆ ∆ ∆ LIPC LIPC LIPC LIPC LIPC LIPC
t t t t t t t
· + + + + + +
− − − − −
δ φ φ φ φ φ ε
1 1 2 2 3 3 4 4 5 5
V
t
( ) ε σ ·
2
Prueba Individual
V.C. (α=5%): 0.470 V.C.(α=10%): 0.353
Prueba
Conjunta
11
V.C. (α=5%): 1.90
V.C.(α=10%): 1.69
Período δ φ
1
φ
2
φ
3
φ
4
φ
5
σ
1954:II -
1996:IV
0.4805* 0.0921 0.1303 0.6235* 0.6028* 0.3544** 0.1068 1.8914**
1954:II -
1970:IV
0.0777 0.0533 0.0344 0.0518 0.0288 0.0359 0.1139 0.5409
1971:I - 1989:IV 0.0542 0.0343 0.0418 0.0367 0.0492 0.0648 0.0873 0.5794
1990:I - 1996:IV 0.0657 0.1137 0.0657 0.0442 0.0840 0.1162 0.4344 1.1221
* Existe evidencia para rechazar la hipótesis nula (estabilidad en los parámetros) a un nivel de significancia del 5%.
**Existe evidencia para rechazar la hipótesis nula (estabilidad en los parámetros) a un nivel de significancia del 10%.
Los dos inconvenientes mencionados anteriormente motivan la búsqueda de un método
que permita incorporar en el modelo seleccionado para la muestra completa todos los posibles
cambios de régimen durante el período en cuestión. Una de las metodologías que posibilita tal
consideración es la sugerida por Hamilton bajo los modelos de series de tiempo con cambios de
régimen. Previamente a la presentación de resultados bajo esta metodología se explicarán en la
siguiente sección algunos conceptos teóricos relacionados con ella.
III Marco teórico de la metodología de Hamilton
El objetivo de esta sección es presentar formalmente el modelo “switching” de Hamilton
que es utilizado posteriormente en el análisis de la evolución de la inflación trimestral en
Colombia. La consideración de cambios de régimen en la especificación de modelos de series de
tiempo se lleva a cabo en esta metodología mediante el manejo de cadenas de Markov de primer
orden y funciones mixtas de distribución.
A. Cadenas de Markov
10
Algunas series económicas exhiben patrones de comportamiento muy diferentes a través
del tiempo, los cuales pueden estar asociados a cambios en la media o en la varianza de su
proceso generador. Tales cambios podrían ser el resultado, por ejemplo, de crisis financieras, de
cambios dramáticos en las políticas gubernamentales, etc.
El conjunto de subperíodos donde la serie exhibe un patrón similar en varianza y en media
determina un régimen o estado de la naturaleza particular. Por ejemplo, en el gráfico 1 la serie X
t
,
serie hipotética, presenta un patrón de comportamiento similar en los subperíodos comprendidos
entre t0 - t1 y t2 - t3 determinando un régimen o estado de la naturaleza, en tanto que, en los
comprendidos entre t1 - t2 y t3 - t4 se exhibe una media y/o varianza distinta produciendo un
régimen diferente.
Gráfico 4
Serie Hipotética X
t
Es decir, en este ejemplo, la serie X
t
presenta dos regímenes en el período de estudio.
Por consiguiente, en su análisis es importante poder determinar en que régimen se encuentra ésta
en un momento particular del tiempo. Tal determinación se puede formalizar definiendo una
variable aleatoria discreta, s
t
, que puede tomar los valores {1,2}
12
. Si se supone que la
probabilidad de que s
t
sea igual a un valor j (j : 1, 2) depende solamente del valor de la variable
aleatoria s
t
en el período anterior, s
t-1
:
p s j s i s k p s j s i p
t t t t t ij
{ | , ,...} { | } · · · · · · ·
− − − 1 2 1
(1)
se tiene un proceso conocido como cadena de Markov de orden uno con una matriz de transición
de probabilidades {p
ij
}
i,j=1,2
, donde p
ij
determina la probabilidad de que al estado j le siga el estado
i, y p
i1
+ p
i2
= 1 (i=1,2)
13
.
La anterior presentación sobre X
t
puede ser generalizada a series que muestren N
regímenes distintos, en tal caso, la variable aleatoria s
t
puede tomar los valores {1,2,...,N} y si
se tiene (1) el proceso es una cadena markoviana de orden uno con matriz de transición de

11
Considerando un modelo autorregresivo de orden ocho para la muestra completa, la estadística asociada a la prueba de
estabilidad conjunta de Hansen es igual a 1.8551. Resultado que confirma la existencia de inestabilidad de los parámetros
asociados a dicho modelo.
12
Para el ejemplo particular, 2 es el número de regímenes exhibidos por la serie.
13
Propiedad de las probabilidades.
11
probabilidad {p
ij
}
i,j=1,2, ...,N
con p
i1
+ p
i2
+....+p
iN
= 1 (i=1,2,...,N) es decir , se puede definir la matriz
de probabilidades P de la siguiente forma:
P
p p p
p p p
p p p
N
N
N N NN
·

¸

1
]
1
1
1
1
11 21 1
12 22 2
1 2
K
L
M M M M
L.
(2)
donde se cumple que el producto entre la traspuesta de la matriz de transición y el vector unitario
es un vector de unos :
P'
1
1
1
1
1
M M

¸

1
]
1
1
1
·

¸

1
]
1
1
1
(3)
Las cadenas de Markov pueden ser representadas también a través de notación vectorial
definiendo vectores aleatorios (Nx1), ξ
t
, cuyos elementos son ceros a excepción del j-ésimo, el
cual es igual a uno si el régimen en el tiempo t es j, así :
{
ξ
t
j esimo
·
¸
¸

_
,


0 0 0 1 0 0 , , , , , , , L L para
s
t
=j . El j-ésimo elemento de ξ
t+1
es una variable aleatoria que alcanza el valor de uno con
probabilidad p
ij
si s
t
= i, es decir :

( ) E s i
p
p
p
t t
i
i
iN
ξ
+
· ·

¸

1
]
1
1
1
1
1
1
2
M
( 4)
en forma general (4) puede ser reescrito como sigue :

( )
E P
t t t
ξ ξ ξ
+
·
1
(5)
así, la anterior ecuación representa en forma vectorial a una cadena de Markov de orden uno
14
, el
resultado consignado en (5) implica que :
ξ ξ
t t t
P v
+ +
· +
1 1
(6)
donde : v E
t t t t + + +
≡ −
1 1 1
ξ ξ ξ ( ) (7)

14
Dado que el valor esperado condicional de ξt+1 tan solo depende de su valor inmediatamente anterior.
12
como se observa claramente, la ecuación (6) corresponde a un modelo de vectores
autorregresivos de orden uno
15
para ξ
t
. Bajo el esquema de vectores autorregresivos de orden
uno se tiene que :
ξ ξ
t m t m t m t m
m
t
m
t
v Pv P v P v P
+ + + − + −

+
· + + + + +
1
2
2
1
1
K (8)
por consiguiente el pronóstico m períodos adelante para ξ
t
16

es :
( ) E P
t m t
m
t
ξ ξ ξ
+
· (9)
De esta forma, las probabilidades de transición m períodos adelante para una cadena de
Markov se determinan a partir de la matriz resultante del producto m veces de la matriz de
transición P por si misma. Así, la probabilidad de que una observación del régimen i sea seguida
m períodos adelante por una observación del régimen j está dada por el elemento ( ji ) de la matriz
P
m
.
Es de señalar, que en la discusión hasta este punto solo se referencian expectativas
condicionales sobre los vectores ξ
t
, como se presenta en (9),

debido a que éstas son necesarias
en la construcción de sus pronósticos. Sin embargo, si el interés se centra en la determinación de
las expectativas incondicionales sobre los vectores ξ
t
, es necesario considerar una clase especial
de cadenas de Markov denominadas ergódicas
17
ya que en la determinación de dicha expectativa
se requiere del vector de probabilidades ergódicas, Π, el cual se define como el vector propio de
P asociado al valor propio unitario (PΠ=Π). Como se presenta en Hamilton (1994), para una
cadena de Markov ergódica con matriz de transición P se tiene que :
lim P
m
m
→∞
· Π1' donde 1’=(1,1,...,1)’ (10)
Reemplazando (10) en (9), cuando m tiende a infinito, se encuentra que el pronóstico de largo
plazo para una cadena de Markov ergódica es igual al vector de probabilidades ergódicas e
independiente del estado en que se encuentra el proceso en el momento (t), es decir :

( )
E P
t m t
m
t
m
ξ ξ ξ
+
→∞
· → Π (11)
por consiguiente, la expectativa incondicional de ξ
t
es también igual al vector de probabilidades
ergódicas, así :
( ) E
t
ξ · Π (12)

15
VAR(1).
16
Véase, Lutkephol, H. (1993).
17
Una cadena de Markov se dice ergódica si es irreducible y su matriz de transición P tiene un valor propio igual a la unidad y los
restantes se encuentran dentro del círculo unitario. La condición del valor propio unitario siempre se tiene ya que P y P’
comparten sus valores propios y como se muestra en la ecuación (3), P’ presenta un valor propio unitario. Es de señalar que, la
condición de ser reducible se alcanza si el proceso es absorbido, es decir, si al entrar en un estado particular (j) no se puede
volver a salir de él, P{st=j} =1. Una cadena de Markov no reducible se dice irreducible.
13
B. Funciones mixtas de distribución
El segundo concepto utilizado en la metodología “switching” de Hamilton es el de las
funciones mixtas de distribución, las cuales permiten determinar la función de verosimilitud base
de la estimación de los parámetros de interés. En los modelos de cambios de régimen, la función
de distribución en (t) de la variable objetivo, X
t
, depende del valor (j) alcanzado por el régimen, (s
t
) en dicho momento, (s
t
= j), es decir :
f X s j
t t
( ) · (13)
el análisis de funciones mixtas
18
de distribución permite determinar la función de distribución
incondicional de X
t
mediante la distribución marginal del producto de (13) con la función de
probabilidad de la variable s
t
, así :
f X f X s j P s j
t t
j
N
t t
( ) ( ) ( ) · · ·
·

1
(14)
donde la función de distribución conjunta f X s j P s j
t t t
( ) ( ) · · es el resultado de aplicar la
definición de probabilidad condicional :
P X s j f X s j P s j
t t t t t
( , ) ( ) ( ) · · · · (15)
Es de señalar, que de la ecuación (14), bajo el supuesto de que la variable s
t
(t=1,...,T) es
independiente e idénticamente distribuida, se deriva la función de verosimilitud
19
(16) para el
conjunto de parámetros, Θ, considerados en las funciones de densidad de (14).
L (Θ) = log ( ; ) f X
t
t
T
Θ
·

1
(16)
el estimador del vector de parámetros Θ se obtiene maximizando L (Θ), el ejercicio de
maximización debe llevarse a cabo a través de métodos numéricos
20
en la medida en que no
exista solución analítica para ésta.

18
Se entiende por función mixta de distribución a la suma de funciones de densidad diferentes, ya sea por parámetros o por
forma funcional de la distribución. Claramente (14) es una función de este tipo.
19
Véase en Hamilton(1994) un ejemplo donde se supone una distribución normal en (13).
20
Dentro del conjunto de métodos numéricos se encuentra el algoritmo EM, el cual es utilizado en Hamilton (1994) para encontrar
los estimadores de máxima verosimilitud de los parámetros asociados con modelos “switching” o con cambios de régimen.
14
Dado un conjunto de observaciones de la variable de interés, {X
t
}, uno de los objetivos ,
bajo el análisis de modelos “switching”, es hacer inferencia sobre los diferentes regímenes
presentados por la serie a través del tiempo. Formalmente, se desea determinar:
P s j X j N t T
t t
( ; ) , ,..., ; , ,..., · · · Θ 12 1 2 (17)
lo cual puede llevarse a cabo aplicando el teorema de Bayes de la siguiente manera :
P s j X
P s j f X s j
f X
t t
t t t
t
( ; )
( ; ) ( ; )
( ; )
· ·
· ·
Θ
Θ Θ
Θ
(18)
donde al reemplazar el denominador por (14) se tiene de manera completa la representación de
Bayes.
C. Modelación de series de tiempo con cambios de régimen
Como se mencionó anteriormente, el objetivo de la metodología “switching” es la
construcción de modelos de series de tiempo sobre variables que presentan comportamientos
similares al exhibido por la serie X
t
, gráfico 1. En la modelación de series de tiempo con cambios
de régimen se involucran los conceptos ya considerados de cadenas de Markov y de funciones
mixtas de distribución con la metodología tradicional de series de tiempo sobre modelos
autorregresivos (AR).
La gran diferencia entre la metodología de series de tiempo tradicional modelo ARIMA con
intervención” y los modelos con cambios de régimen “switching” radica primordialmente en el
carácter estocástico de la variable asociada con dichos cambios. Así, si se considera que la serie
X
t
, gráfico 1, sigue un proceso autorregresivo de orden uno, con cambios de régimen fácilmente
reconocibles que afectan tan solo el nivel de la variable, bajo la metodología tradicional se pueden
formular los siguientes dos modelos :
( ) X X t t t t t
t t t o
− · − + · ∪

µ φ µ ε
1 1 1 1 2 3
para ( , ) ( , ) (19)
( ) X X t t t t t
t t t
− · − + · ∪

µ φ µ ε
2 1 2 1 2 3 4
para ( , ) ( , ) (20)
los cuales podrían ser estimados en conjunto adicionando al modelo autorregresivo una variable
determinística de intervención. En el contexto general de cambios de régimen, el uso de esta
técnica está sujeto a varias críticas, las cuales se centran, especialmente, en el hecho de que el
reconocimiento de los diferentes estados no es determinístico
21
y que por consiguiente, es
inapropiado tratar de modelarlos a través de tales variables de intervención
22
. Si sobre este

21
Es decir, el régimen asociado a la variable en cada momento del tiempo puede no ser reconocible mediante observación y por
consiguiente no ser conocido.
22
Una de las mayores desventajas del uso de modelos con intervención se tiene en la construcción de pronósticos fuera de
muestra, debido a que se requiere del conocimiento de las observaciones de las variables de intervención fuera del período de
análisis. Por ejemplo, al considerar la serie Xt gráfico 1, no es muy claro si para construir sus pronósticos fuera de muestra deba
utilizarse el modelo (19) o el modelo (20).
15
mismo ejemplo se supone que los cambios de régimen no son determinísticos, utilizando la
metodología “switching” se tiene el siguiente modelo :

( )
X X
t s t s t
t t
− · − +


µ φ µ ε
1
1
(21)
donde µ
s
t
es igual al valor esperado de la serie bajo el régimen uno o bajo el régimen dos
dependiendo del valor que tome la variable de estado s
t
, 1 o 2, respectivamente
23
.
En general, en la modelación de series de tiempo sobre una variable X que presenta, a
través del período de estudio, cambios de régimen gobernados por una variable aleatoria s
t
, se
supone que la función de densidad condicional de X
t
está dada por :

( )
f X s j X X
t t t
·

, , , ;
1 1
L α (22)
donde la variable aleatoria s
t
sigue una cadena de Markov de orden uno con probabilidades de
transición p
ij
, ecuación (1), y α representa el vector de parámetros que caracterizan a las funciones
de densidad condicionadas a cada régimen posible ( j=1,2,...,N), en forma compacta tales
funciones se notan por η
t
como sigue :

( )
( )
η
α
α
t
t t t
t t t
f X s X X
f X s N X X
·
·
·

¸

1
]
1
1
1


1
1 1
1 1
, , , ;
, , , ;
L
M
L
(23)
Uno de los objetivos en este tipo de modelo es estimar el conjunto de parámetros Θ, el
cual está compuesto por el vector α
24
y por las probabilidades de transición p
ij
,

con base en la
historia de X. Como también, determinar el régimen en el que se encuentra el proceso en cada
momento del tiempo, con base en la probabilidad condicional de la variable de estado:
P s j X X
t t
{ , , ; } ·
1
L Θ
25
(24)

23
En el modelo (21), los cambios de régimen están dados solo por cambios del nivel medio de la serie, en la nota de pie de
página 19 se presenta como podría ser generalizado este modelo de tal forma que también tenga en cuenta cambios en la
varianza entre los distintos regímenes.
24
Asumiendo que (22) sigue una distribución normal, α estaría conformado por los parámetros asociados a la parte
autorregresiva (φ’s) y por las diferentes medias y varianzas correspondientes a cada uno de los distintos estados.
25
Por ejemplo, si en el modelo (21) se consideran tan sólo dos estados de la naturaleza, j=1, 2, es necesario definir
dos variables de estado, la primera, s
*
t referente a los dos estados iniciales (estados primitivos) y la segunda, st , asociada a los
estados finales, es decir :
st = 1 si s
*
t = 1 y s
*
t-1 = 1
st = 2 si s
*
t = 2 y s
*
t-1 = 1
st = 3 si s
*
t = 1 y s
*
t-1 = 2
st = 4 si s
*
t = 2 y s
*
t-1 = 2
los cuatro estados finales aperecen como resultado del supuesto realizado sobre el comportamiento markoviano de orden uno de
la variable s
*
t . Asumiendo normalidad, el vector ηt se define así :
16
Como ya se mencionó, la probabilidad presentada en (24) permite hacer inferencia acerca
del valor de la variable de estado con base en: (i) la información observada hasta el momento (t) y
(ii) el conocimiento de los parámetros poblacionales. En forma vectorial dichas probabilidades,
para los N estados posibles de la naturaleza, pueden ser expresadas a través del vector
$
|
ξ
t t
así:

{ }
{ }
$
, , ,
, , ,
|
ξ
t t
t t
t t
P s X X
P s N X X
·
·
·

¸

1
]
1
1
1
1
1
1
L
M
L
Θ
Θ
(25)
la inferencia óptima y el pronóstico en cada momento del tiempo (t) puede ser calculado iterando
sobre el siguiente par de ecuaciones :

( )
( )
$
$
'
$
|
|
|
ξ
ξ η
ξ η
t t
t t t
t t t
·
°
°


1
1
1
(26)

$
.
$
| |
ξ ξ
t t t t
P
+
·
1
(27)


( )
( )
( )
( )
( ) ( )
[ ]
( ) ( )
[ ]
η
α
α
α
α
πσ
µ φ µ
σ
πσ
µ φ µ
t
t t t
t t t
t t t
t t t
t t
t t f X s X X
f X s X X
f X s X X
f X s X X
x x
x x
·
·
·
·
·

¸

1
]
1
1
1
1
1
1
·
− − − −
¹
'
¹
¹
¹
¹
;
¹
¹
¹
− − − −





− 1
2
3
4
1
2
2
1
2
2
1 1
1 1
1 1
1 1
2
1 1 1
2
1
2
2
2 1 1
2
, , , ;
, , , ;
, , , ;
, , , ;
exp
exp
L
L
L
L
( ) ( )
[ ]
( ) ( )
[ ]
σ
πσ
µ φ µ
σ
πσ
µ φ µ
σ
2
2
2
1 1 2
2
1
2
2
2 1 2
2
2
2
1
2
2
1
2
2
¹
'
¹
¹
¹
¹
;
¹
¹
¹
− − − −
¹
'
¹
¹
¹
¹
;
¹
¹
¹
− − − −
¹
'
¹
¹
¹
¹
;
¹
¹
¹

¸

1
]
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1


exp
exp
x x
x x
t t
t t
.
Si se supone que para todos los regímenes se tiene la misma varianza entonces σ σ
1
2
2
2
· .
17
el símbolo o denota multiplicación elemento a elemento. Dando valores iniciales a los vectores
$
|0
ξ
1
y Θ se inicia el proceso de iteración entre (26) y (27) para t=1,...,T que permite calcular
$
|
ξ
t t
y
$
|
ξ
t t +1
.
La función de verosimilitud L(Θ) asociada al conjunto de parámetros Θ de interés se define
como:
log ( , , ; ) f X X X
t t
t
T
1 1
1
L

·

Θ
donde:

( )
f X X X
t t t t t
( , , ; ) '
$
| 1 1 1
1 L o
− −
· Θ ξ η (28)
El numerador de (26) puede ser interpretado como la función de densidad conjunta de X
t
y s
t,
dado que su j-ésimo (j=1,...,N) elemento es el producto de P{s
t
| X
1
,...,X
t-1
, Θ } y
( )
f X s j X X
t t t
·

, , , ;
1 1
L Θ , los cuales corresponden a los j-ésimos elementos de
$
|
ξ
t t −1
y
de η
t
, respectivamente. Así:

[ ] { } ( )
{ }
$
, , ; , , , ;
, , , ;
|
ξ η
t t t
j
t t t t t
t t t
P s j X X f X s j X X
P X s j X X
− − −

° · · ·
· ·
1 1 1 1 1
1 1
L L
L
Θ Θ
Θ
(29)
El denominador de (26) puede entenderse como la sumatoria de (29) sobre los N posibles estados,
es decir:

( ) { }
1
1 1 1
1
'
$
, , , ;
|
ξ η
t t t t t t
j
N
P X s j X X
− −
·
° · ·

L Θ (30)
lo cual equivale de acuerdo a (28) a la función de densidad marginal de X
t
.
De (29) y (30) se desprende que el j-ésimo elemento de (26), dado por la razón entre la
probabilidad conjunta de x
t
y s
t,
=j y la función de densidad de X
t
, equivale a la probabilidad
condicional de s
t
dado X
t
.
Es de señalar que en el proceso iterativo entre las ecuaciones (26) y (27) anteriormente descrito,
el vector de parámetros Θ fue considerado como conocido, sin embargo, su valor es
generalmente desconocido y puede ser determinado como aquel que maximiza la función de
verosimilitud L(Θ) presentada en (28).
IV. Resultados bajo la metodología de Hamilton
18
La metodología propuesta por Hamilton se implementa sobre la inflación trimestral de
Colombia para el período comprendido entre 1954 y 1996, utilizando para ello un modelo de
series de tiempo autorregresivo de orden (5)
26
y una cadena de Markov de orden (1) con tres
regímenes, los cuales consideran conjuntamente cambios en el nivel medio de la serie y en la
variabilidad. El ejercicio se inicia considerando la existencia de solo dos regímenes. Sin embargo,
los resultados muestran evidencia de un tercero estado. Así, la determinación de los tres estados
no se deriva del análisis descriptivo presentado en la sección II.
En el cuadro 5 se presentan los resultados de la estimación del modelo “switching” en lo que
respecta a los niveles medios de la inflación trimestral y la varianza asociados a cada uno de los
tres regímenes
27
, como también, las probabilidades de transición entre regímenes.
Es de señalar, que la caracterización determinada por el modelo sobre los diferentes regímenes es
como sigue: nivel promedio alto y variabilidad baja para el primer régimen, nivel y variabilidad
moderadas para el segundo y para el tercero nivel promedio bajo y variabilidad alta
28
. Un
resultado interesante está vinculado con el hecho de que inflaciones trimestrales promedio altas
tienen asociadas bajas variabilidades y viceversa, resultado también encontrado en Echeverry
(1995). Las probabilidades de transición estimadas permiten concluir, por ejemplo, que al estar
en un régimen de inflación trimestral moderado, la probabilidad de permanecer en éste es muy
alta (0.94), en tanto que pasar de éste a un régimen de inflación promedio alta tiene una
probabilidad de (0.05), la cual es 5 veces mayor que la estimada para la transición de moderada a
baja (0.01). Adicionalmente, se puede observar que la máxima probabilidad de permanecer en un
mismo régimen se tiene en aquel caracterizado como de inflación y variabilidad moderadas.
Dado que el trabajo se lleva a cabo sobre la inflación trimestral y que el manejo usual de la
serie de inflación se lleva a cabo a través de la calculada mediante variaciones anuales, se realiza
una ejercicio de aproximación al nivel medio de la inflación anual. Así, al considerar que el nivel
promedio y la variabilidad de la inflación trimestral se mantienen durante todo el año dentro del
mismo régimen se tiene una inflación anual de: (i) 30.6% para el régimen correspondiente a nivel
promedio alto y variabilidad baja, (ii) 16.5% bajo nivel promedio y variabilidad moderados y (iii)
15.2% para el último régimen, es decir, el de nivel promedio bajo y variabilidad alta. Es de anotar
que, a pesar de que los niveles promedio anuales de inflación correspondientes a los regímenes 2

26
A pesar de que para la muestra completa el modelo AR(5) no presenta residuales ruido blanco, la metodología “switching” de
Hamilton parte de este modelo ya que al considerar uno de orden superior se tiene un alto costo computacional. Sin embargo, en
la aproximación del problema a través de las diferentes submuestras este modelo es correcto (cuadro 4). Es de señalar que, bajo
el modelo AR(5), el algoritmo de estimación bajo “switching” requiere de 20 días continuos de ejecución en un computador Sun
Station.
27
La programación de la metodología “switching” de Hamilton fue desarrollada a través del módulo IML de SAS Versión 6.12.
28
Es importante señalar que en este contexto los calificativos: “alto, moderado y bajo” sobre el nivel promedio y la variabilidad de
la inflación trimestral en cada régimen, encontrados por el modelo, no están asociados a los rangos usuales en la literatura de
inflación. En este trabajo se consideran tales calificativos únicamente con el propósito de diferenciar los regímenes bajo un
ordenamiento de mayor a menor.
19
y 3 son similares, la principal diferencia entre ellos está dada por sus correspondientes
variabilidades.
El gráfico 5 muestra las probabilidades asociadas a los tres regímenes de la inflación trimestral,
es de recordar que, como ya se mencionó, en el contexto presente un cambio de régimen sobre la
inflación está determinado por un cambio en su media y/o en su varianza. La interpretación del
gráfico 5 se debe llevar a cabo de la siguiente forma: las 3 figuras del gráfico corresponden a los
tres regímenes caracterizados por el modelo, así, si para una figura particular, en un momento del
tiempo (t), se registra una probabilidad estimada mayor que 0.5, significa, en general, que la
inflación pertenece al régimen correspondiente a dicha figura. Como resultado interesante de
señalar se tiene que al finalizar el período de estudio (1996.IV) la inflación trimestral puede ser
ubicada dentro del régimen descrito por nivel y variabilidad moderados. Es importante resaltar
que, como puede observarse en el gráfico 5, al comparar las probabilidades con el nivel
observado de inflación trimestral, la caracterización de los diferentes regímenes no solo tienen en
cuenta el nivel sino también la variabilidad.
Cuadro 5
Estimación del modelo autorregresivo bajo cambios de régimen para la
Inflación trimestral
Modelo:
( ) ( ) ( ) ( ) ( )
∆ ∆ ∆ ∆ ∆ ∆ LIPC LIPC LIPC LIPC LIPC LIPC
t S t S t S t S t S t S t
t t t t t t
− · − + − + − + − + − +
− − − − −
− − − − −
µ φ µ φ µ φ µ φ µ φ µ ε * * * * * * 1 1 2 2 3 3 4 4 5 5
1 2 3 4 5
Parámetros Autorregresivos Estimados:
$
. φ
1
0 265 ·
$
. φ
2
0 018 · −
$
. φ
3
0003 ·
$
. φ
4
0810 ·
$
. φ
5
0167 · −
Estado
29
(i)
$
µ
i
$
σ
i
2
$
( ) P S S
i

1
$
( ) P S S
i

2
$
( ) P S S
i

3
(1)
Inflación Alta
Variabilidad Baja
0.069 0.00010
P11
0.44
P12
0.27
P13
0.29
(2) P21 P22 P23

29
Si se hubiesen estimado intervalos de confianza para la media y la varianza correspondientes a cada regimen, la determinación
de estado en términos del nivel de la media y de la maginitud de la varianza podrían haber sido diferentes.
20
Inflación y Variabilidad
Moderada
0.039 0.00011 0.05 0.94 0.01
(3)
Inflación Baja
Variabilidad Alta
0.036 0.00193
P31
0.37
P32
0.0001
P33
0.6299
Un ejercicio adicional se lleva a cabo para el período comprendido entre 1971.I - 1996.IV, con
el objetivo de determinar, de cierta forma, lo robusto de los resultados frente a cambios de
muestra, es decir, revisar si éstos cambiaban o no al no considerar, en el conjunto de información,
las décadas de los cincuenta y los sesenta. Como se aprecia en el gráfico 6 los resultados son
similares a los obtenidos en el ejercicio inicial. Sin embargo, el cambio más notable se da en la
transición del estado de inflación alta y variabilidad baja a los estados restantes durante el año
1987. Es de señalar que los resultados obtenidos para los años 1990 y 1991 se mantienen.
21
Gráfico 5
-0.05
0.00
0.05
0.10
0.15
0.0
0.2
0.4
0.6
0.8
1.0
55 60 65 70 75 80 85 90 95
Inflación Trimestral Probabilidad
Inflación alta y Variabilidad baja
-0.05
0.00
0.05
0.10
0.15
0.0
0.2
0.4
0.6
0.8
1.0
55 60 65 70 75 80 85 90 95
Inflación Trimestral Probabilidad
Inflación y Variabilidad moderadas
-0.05
0.00
0.05
0.10
0.15
0.0
0.2
0.4
0.6
0.8
1.0
55 60 65 70 75 80 85 90 95
Inflación Trimestral Probabilidad
Inflación baja y Variabilidad alta
Probabilidad de que la economía esté en un estado con:
22
Gráfico 6
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.0
0.2
0.4
0.6
0.8
1.0
74 76 78 80 82 84 86 88 90 92 94 96
Inflación Trimestral Probabilidad
Inflación alta y Variabilidad baja
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.0
0.2
0.4
0.6
0.8
1.0
74 76 78 80 82 84 86 88 90 92 94 96
Inflación Trimestral Probabilidad
Inflación y Variabilidad moderadas
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.0
0.2
0.4
0.6
0.8
1.0
74 76 78 80 82 84 86 88 90 92 94 96
Inflación Trimestral Probabilidad
Inflación baja y Variabilidad alta
Probabilidad de que la economía esté en un estado con:
23
BIBLIOGRAFIA
Box, G.P. and G.M. Jenkins 1976, Time Series Analysis : Forecasting and Control, De San
Francisco : Holden-Day.
Dickey, D. A. and W. A. Fuller 1979. “ Distribution of the Estimators for Autoregressive Time
Series with a Unit Root”, Journal of the American Statistical Association, No. 74.
Echeverry, J.C. 1995. “Auge y perpetuación de una inflación moderada. Colombia 1970-1991”,
Ensayos sobre política económica, Banco de la República, No. 28.
Hamilton, J. 1989. “A New Approach to the Economic Analysis of Nonstationary Time Series
and the Business Cycle”, Econometrica, No. 57.
Hamilton, J. 1994. Time Series Analysis, Princeton University Press.
Hansen, B.E. 1992 “Testing for Parameter Instability in Linear Models”, Journal of Policy
Modeling, No. 14.
Hostland, D. 1995. “Changes in the Inflation Process in Canada: Evidence and Implications”,
Bank of Canada, Working Paper 95-5.
Kwiatkowski, D., P. C. B. Phillips, P. Schmidt and Y. Sin 1992. “Testing the Null Hypothesis of
Stationarity against the Alternative of a Unit Root: How Sure Are That Economic Time Series Have
a Unit Root?” Journal of Econometrics 54.
Lutkepohl, H. 1993. Introduction to Multiple Time Series Analysis, Springer-Verlag, Second
Edition.
Perez, G. 1994. “Indicadores líderes de inflación, una aproximación de regímenes cambiantes”,
Mimeo Banco de la República.

I. Introducción

Este trabajo tiene como propósitos estudiar la evolución de la inflación trimestral en Colombia, durante el período comprendido entre 1954 y 1996, a través de la metodología de Hamilton (1989) y segundo presentar algunos conceptos relacionados con dicha metodología, la cual introduce cambios de régimen en el análisis convencional de series de tiempo. Es importante aclarar que, a pesar de que los resultados pudiesen ser más interesantes al trabajar con inflación anual, el estudio se lleva a cabo sobre la inflación trimestral debido a requerimientos econométricos del procedimiento. La existencia de los diferentes regímenes es inicialmente identificada a través de pruebas sobre estabilidad de parámetros. Dado que la metodología de series de tiempo propuesta por Box-Jenkins (1976) estima parámetros invariantes a través del tiempo, su aplicación es apropiada tan solo en la modelación de series de tiempo estacionarias1 en su período completo de estudio. Este hecho nos lleva a preguntarnos cómo modelar una serie que exhibe, durante dicho período, cambios en la varianza y/o en la media, los cuales definen subperíodos específicos que podrían estar asociados con eventos de carácter económico. Una respuesta a tal inquietud se tiene en el modelo “ Switching” de Hamilton, donde tales cambios de régimen o del estado de la naturaleza se consideran a través de cadenas de Markov y de distribuciones mixtas de probabilidad. El modelo “ Switching de Hamilton” parte de un modelo de series de tiempo autorregresivo (AR) y de unos valores iniciales para las distintas medias y varianzas asociadas a cada régimen2. Suponiendo normalidad, se construye en cada momento del tiempo y para cada régimen una función de verosimilitud sobre los errores del modelo autorregresivo y se estiman los parámetros que maximizan dicha función. Es de señalar que, dentro del conjunto de parámetros se encuentran, también, las probabilidades de transición entre regímenes, las cuales se calculan mediante el teorema de Bayes. La estimación de los parámetros que maximizan la función de verosimilitud, sobre un espacio de parámetros específico, se lleva a cabo a través de métodos numéricos utilizando algoritmos iterativos3. El trabajo está organizado así: en la sección II se presenta un modelo de series de tiempo autorregresivo sobre la inflación trimestral y la evaluación de la estabilidad de sus parámetros considerando diferentes submuestras, lo anterior con el objetivo de identificar de manera preliminar períodos de diferente comportamiento de la inflación. La sección III tiene un carácter pedagógico, consigna el marco teórico del modelo “ Switching” de Hamilton, explicando en detalle los conceptos relacionados con cadenas de Markov, distribuciones mixtas de probabilidad y

modelos de series de tiempo con cambios de régimen y por último, en la sección IV se muestran

1

Series estacionarias o series transformadas para alcanzar estacionariedad. El número de regímenes, entendido los regímenes como períodos observados de comportamiento diferente, es especificado por el investigador y luego contrastado mediante pruebas estadísticas. 3 Una explicación más detallada sobre el método de estimación se encuentra en el marco teórico, sección III.
2

2

Tal diferencia de comportamientos justifica la modelación de la inflación. El primer período se caracteriza por una inflación trimestral promedio baja con una alta variabilidad. tan solo mediante técnicas de series de tiempo que consideren dichos cambios de régimen.05 0. es decir. El reconocimiento de los distintos patrones de comportamiento de la inflación trimestral se lleva a cabo mediante pruebas de estabilidad de los parámetros de un modelo autorregresivo de la inflación trimestral estimado para diferentes submuestras. para el período completo. II Identificación preliminar de diferentes comportamientos de la inflación En esta sección se presentan los resultados de las diferentes pruebas econométricas que permiten inferir la existencia de distintos comportamientos de la inflación trimestral de Colombia durante el período comprendido entre 1954 y 1996. Un análisis del gráfico 1 podría llevar al reconocimiento de tres períodos o regímenes diferentes en lo concerniente a nivel y a variabilidad de la serie. Las altas 4 En este trabajo. tal análisis no garantiza que la determinación de las tres submuestras sea única. Análisis descriptivo Gráfico 1 Inflación Trimestral en Colombia 0. 3 . presentado posteriormente.los resultados obtenidos al aplicar esta metodología a la inflación trimestral colombiana para el período de referencia. valida la partición ya mencionada de la muestra bajo estudio.05 60 65 70 75 80 85 90 95 El gráfico 1 muestra la evolución de la inflación trimestral en Colombia4 durante el período comprendido entre 1954 y 1996.00 -0. un segundo desde 1971 hasta 1989 y el último correspondería al período comprendido entre 1990 y 1996.10 0. los regímenes podrían estar asociados a períodos un poco diferentes. la inflación trimestral se define como la diferencia del logaritmo del índice de precios al consumidor total nacional (IPC).15 (Basada en el IPC total) 0. Es de señalar que el gráfico 2. Un primer período podría considerarse hasta 1970. A. Sin embargo.

se parte de la modelación de la inflación a través de un esquema de series de tiempo autorregresivo tanto a nivel de la muestra completa como de cada una de las submuestras ya mencionadas y se llevan a cabo pruebas sobre la estabilidad de los parámetros asociados a cada modelo. la cual es más baja que las observadas en los períodos anteriores. es necesario determinar el orden de integración de la serie en cada uno de los períodos de análisis. Los mayores valores de inflación se presentan entre 1990 y 1991 debido a la devaluación nominal llevada a cabo con el fin de “ preparar” a la economía para la apertura. que durante dicho período. En general. Cuadro 1 5 6 Notas Editoriales. podrían estar asociadas a hechos tales como la recesión mundial de 1957. 4 . la cual incrementó las tasas de crecimiento de la base monetaria. las inflaciones altas en promedio pueden estar explicadas por el déficit fiscal como fuente de expansión monetaria. las cuales son fuente de la alta variabilidad. Revista del Banco de la República :1954-1996. las políticas del Banco de la República se han orientado principalmente para lograr las metas básicas de inflación anual5. Pruebas sobre existencia de raíz unitaria Con el propósito de modelar la inflación trimestral a través de un esquema autorregresivo. la devaluación y el incremento de salarios de 1962 y la política fiscal de dicho año. La presencia de inestabilidad en los parámetros del modelo especificado para la muestra completa y de estabilidad en cada submuestra es un indicio de la existencia de los diferentes regímenes ya mencionados. Sin embargo. a pesar de tales valores. durante este último período se observa una leve tendencia a la baja. El segundo período se caracteriza por un nivel de inflación promedio mayor y una variabilidad menor que las correspondientes al primer período. la existencia de diferentes regímenes. B. Con el propósito de verificar empíricamente la existencia de un comportamiento diferente de la inflación trimestral en los períodos previamente identificados mediante técnicas descriptivas6. El último período se caracteriza por no presentar valores extremos de inflación trimestral. Es de señalar que el alto nivel de inflación observado en 1977 se deriva de la bonanza cafetera de dicho año y del “ boom” de pagos externos de 1976. Es decir. hecho que conduce a una variabilidad estable. Es de señalar.inflaciones del período. tanto a nivel de la muestra completa como de las submuestras.

347 1971:I .146 y 0.1162 ηµ=0. DF. 8 Lo anterior llevaría a pensar que para la muestra completa la serie podría ser modelada a través de una representación autorregresiva de orden mayor a cinco. Es de señalar que.Pruebas de Raíz Unitaria sobre la Inflación Trimestral (DLIPC) Período Prueba Dickey-Fuller Estadística ττ=-5. a un nivel de significancia del 10% . por consiguiente.18) 6.1243 ηµ=0.91 y -2. el trabajo no puede llevarse a cabo sobre la inflación anual ya que ésta es integrada de orden uno.28 τµ=-4. la inflación trimestral es modela a través de series de tiempo bajo un esquema autorregresivo de orden 5.119 * Estadística calculada utilizando un número de observaciones igual a T/4.18 (0. Cuadro 2 Estimación por submuestra del modelo Autorregresivo: 7 El requerimiento mencionado en la introducción se trata de la exigencia de que la serie bajo estudio sea estacionaria.90 y -2.1970:IV -2.44 τµ=-3.22 0. la prueba KPSS se puede considerar más adecuada debido a que ésta presenta mayor potencia frente a la prueba tradicional DF.58 y -3. los resultados de las estimaciones de dicho modelo con base en las diferentes submuestras se presentan en el cuadro 28.1989:IV -2. C.146 y 0. Modelos autorregresivos Como se mencionó anteriormente. El cuadro 1 presenta los resultados diferentes períodos.1996:IV -3. Es de mencionar que.59 0.119 1954:II . la inflación trimestral en Colombia es estacionaria7. I(1).463 y 0.463 y 0.59 0. de las pruebas de Dickey-Fuller.78 (0. entre paréntesis se reporta su P-Value. para el período comprendido entre 1990 y 1996 no existe evidencia para rechazar la hipótesis de raíz unitaria bajo la prueba de Dickey-Fuller. 5 .44 y -3. y KPSS para los Los resultados de las pruebas permiten concluir que.97 (0.98) 18.66 ττ=-3.1788 ητ=0.0895 Valores Críticos (α=5% y α=10%) Ljung-Box* sobre residuales 1954:II .1996:IV -3.19 Valores Críticos (α=5% y α=10%) Prueba KPSS** Estadística ητ=0. ** En el cálculo de la ventana de Bartlett se utiliza L8.347 1990:I .78) 0. sin embargo.47) 3. bajo la prueba KPSS se encuentra estacionariedad. para los distintos períodos.14 50.20 (0.

1203) 4 0.0231 (0.0576 (0. los gráficos 2 y 3 presentan la estimación de la suma acumulada de los residuales recursivos9 (CUSUM) y de las diferentes medias recursivas de la inflación trimestral. Para la estadística de Ljung-Box entre paréntesis se reporta su P-Value.0743) 0.2096 0.0390 (0.1766 (0. pronostica la inflación trimestral para el momento t+1 y construye el residual como la diferencia entre dicho pronóstico y el correspondiente dato observado.2132) 0 Nota: Las estadísticas asociadas a los parámetros del modelo.1514 (0.1970:IV 1971:I.0395 (0.2529 (0.∆ LIPC t = δ+ φ1 ∆ LIPC t − 1 + φ2 ∆ LIPC t − 2 + φ3 ∆ LIPC t − 3 + φ4 ∆ LIPC t − 4 + φ5 ∆ LIPC t − 5 + ε t Período 1954:II. corresponden a sus desviaciones estándar.1267 0.1186) -0. Como se observa en el gráfico 3.021) 15.0508 (0.0864) $ φ 5 $ σ Ljung-Box* 63. Para la muestra completa bajo el modelo autorregresivo.0596 (0.1228) -0. Este procedimiento aplicado a la muestra completa genera un conjunto de series de parámetros estimados y de residuales recursivos. 10 Donde la media condicional en (t) se define para una serie como su valor esperado con información hasta el momento (t-1).0770) -0.79 (0.0642) -0. podrían existir 3 submuestras en las cuales la inflación trimestral tiene un comportamiento aproximadamente similar.2108 (0.0742) 0.8903 (0. en general.91 (0. este hecho podría deberse a la mezcla de diferentes regímenes durante el período en cuestión ∑ 5 i=1 φi D.0092) $ φ 1 -0.1209) 0.1989:IV 1990:I-1996:IV $ µ ** 0.1244) -0.1272) 0.1256) 1 0. La primera submuestra comprende el período entre 1954 y 1970. la estadística Ljung-Box en cada submuestra evidencia un comportamiento ruido blanco en los residuales. ** µ = δ 1− ∆LIPCt = LIPCt − LIPCt − 1 Como puede apreciarse. En general.1290) -0. 6 .4315 (0.0758) -0.2716 (0. Posteriormente.1996:IV 1954:II.3519 (0.1283) -0. de estimación con información hasta t+1 y de pronóstico y cálculo del residual para t+2 y así de manera sucesiva.0028) 0. los residuales y las medias recursivas permiten evidenciar cambios en la media condicional 10 de la serie bajo estudio.237) 0.021 (0.0798 0.301) 16.3577 (0.10 (0.4167 (0.1506 0.341) 0.022 (0. reportadas entre paréntesis.011 (0.022 (0. * Estadística calculada utilizando un número de observaciones igual a T/4.0286 (0.0781) 0 0. la segunda. se lleva a cabo un análisis basado en procedimientos econométricos de carácter recursivo sobre la media y los residuales de dicho modelo.1677 (0. se lleva a cabo un ejercicio similar.1940) V (ε t ) = σ 2 $ $ φ φ 2 3 0.1287) 0.23 (0. situación que no se tiene al analizar la muestra completa. el procedimiento de estimación recursiva lleva a cabo la estimación de los parámetros del modelo autorregresivo utilizando información hasta el momento t. un comportamiento estable del nivel medio de la inflación trimestral.0774) $ φ 4 -0. en ella se refleja.0237 (0.1252 (0.0040) 0. conformada por el período comprendido entre 1971 y 1989. Análisis Recursivo Con el fin de aclarar la inquietud sobre la posible existencia de diferentes regímenes planteada por el comportamiento de los residuales de la muestra completa. respectivamente.0057) 0. donde 9 En este caso.

2 0. nuevamente.6 0. Es de señalar que. Del gráfico 2 se desprende un análisis similar al realizado sobre el gráfico 3 respecto a la evolución del comportamiento de la inflación media.0 -0.00 65 70 75 80 85 90 95 Intervalos de Confianza del 95% E.se presenta un comportamiento creciente del nivel medio de la inflación y por último.01 0. son verdaderos puntos de quiebre estructural de los modelos 7 .05 0. El cuadro 3 presenta los resultados de la prueba de Chow sobre la inestabilidad de los parámetros. ya identificadas. el período comprendido entre 1990 y 1996 donde.02 0.2 65 70 75 80 85 90 95 Gráfico 3 Estimación Recursiva de la Media de la Inflación (Basada en el modelo Autorregresivo de los cambios trimestrales del IPC) 0. de orden cinco.03 0. Gráfico 2 Suma acumulada de residuales recursivos 0. estimados bajo la muestra completa así como bajo las 3 submuestras ya identificadas. Esta prueba tiene como objetivo mostrar que los puntos delimitadores de las submuestras. Pruebas sobre estabilidad de los parámetros Con el fin de establecer una comprobación formal de la existencia de los diferentes regímenes.06 0. de diferente comportamiento de la inflación ya mencionados en la sección II A. se vuelve a observar una inflación media estable.4 0.8 (Basada en el modelo Autorregresivo de los cambios trimestrales del IPC) 0. identificados en la descripción gráfica. se llevan a cabo dos tipos de pruebas sobre estabilidad de los parámetros de los modelos autorregresivos.04 0. estas tres submuestras coinciden con los regímenes o períodos.

El llevar a cabo la modelización por submuestra presenta básicamente dos inconvenientes: (i) disminución en el tamaño de la muestra 8 . al no presentar éstos evidencia de inestabilidad en los parámetros. que existen puntos de quiebre estructural en la inflación trimestral durante el período completo de análisis y segundo. En general. se presentan como inestables 4 de los 7 parámetros bajo la prueba individual. no existe evidencia para rechazar los puntos delimitadores de las submuestras como puntos de quiebre estructural de los modelos autorregresivos de la inflación trimestral.0014) 12. la prueba conjunta reporta inestabilidad.II y 1989. Un análisis posterior.9330 (0.IV y 1989.1989:IV 1970:IV 1971:I .0006) 21. El cuadro 4 consigna los resultados de la prueba de estabilidad de Hansen.IV. bajo las mismas estadísticas y a un nivel de significancia del 5%. se lleva a cabo la prueba de Hansen (1992). 1989:IV ∆LIPCt = LIPCt − LIPCt − 1 Con el propósito de verificar si existe o no estabilidad en los parámetros del modelo autorregresivo en la muestra completa como en cada una de las submuestras.0015) 3. De esta forma. para el período completo.0546) 1954:II .0028) 1.5757 (0. Al considerar el período completo se reconoce. con un nivel de significancia del 10%.8424 (0. Cuadro 3 Prueba de Chow sobre inestabilidad de los parámetros del modelo: ∆ LIPC t = δ+ φ1 ∆ LIPC t − 1 + φ2 ∆ LIPC t − 2 + φ3 ∆ LIPC t − 3 + φ4 ∆ LIPC t − 4 + φ5 ∆ LIPC t − 5 + ε t Período Punto(s) de Estadística F Estadística de Razón de Quiebre Verosimulitud 1954:II .0837) 34. tanto de manera individual como conjunta. en tanto que.5538 (0.3476 (0. la existencia de quiebres estructurales en 1970. estas pruebas solo pueden considerar pocos puntos de quiebre estructural determinados previamente.1996. Como puede concluirse.IV. que las submuestras identificadas en la sección IIA pueden ser modeladas correctamente a través de esquemas autorregresivos.autorregresivos. incluyendo la varianza. confirma como punto de quiebre para el período comprendido entre 1954. a 1989.I .IV y para el período 1971. Las dos pruebas anteriores permiten concluir primero. a través de las estadísticas F y de razón de verosimilitud a un nivel de significancia del 5%.1996:IV Nota: P-Values entre paréntesis. Al analizar la estabilidad de los parámetros del modelo en cada una de las submuestras no existe evidencia para rechazar ésta tanto bajo las pruebas individuales como bajo la prueba conjunta.1996:IV 1970:IV y 1989:IV 2.IV. que en el enfoque aquí presentado.4267 (0.IV a 1970. considerando un nivel de significancia del 10%. esta prueba permite reconocer en un modelo la estabilidad de sus parámetros. Es de señalar.

0343 0.5794 1.0533 0.1996:IV δ 0.0492 0.4344 0.0657 0.1068 0. Previamente a la presentación de resultados bajo esta metodología se explicarán en la siguiente sección algunos conceptos teóricos relacionados con ella. (α=5%): 0.C.0873 0.1303 φ 3 0.353 Prueba Conjunta11 V.90 V.69 Período 1954:II 1996:IV 1954:II 1970:IV 1971:I . es decir.0518 0. **Existe evidencia para rechazar la hipótesis nula (estabilidad en los parámetros) a un nivel de significancia del 10%.1221 * Existe evidencia para rechazar la hipótesis nula (estabilidad en los parámetros) a un nivel de significancia del 5%.(α=10%): 1.C.6028* φ 5 σ 1.8914** 0. A.0777 0.5409 0.1139 0.0542 0.(α=10%): 0.0657 0.C. Cadenas de Markov 9 . (α=5%): 1.0418 0.0442 0.6235* φ 4 0.3544** 0.4805* φ 1 0. Una de las metodologías que posibilita tal consideración es la sugerida por Hamilton bajo los modelos de series de tiempo con cambios de régimen. III Marco teórico de la metodología de Hamilton El objetivo de esta sección es presentar formalmente el modelo “ switching” de Hamilton que es utilizado posteriormente en el análisis de la evolución de la inflación trimestral en Colombia. Los dos inconvenientes mencionados anteriormente motivan la búsqueda de un método que permita incorporar en el modelo seleccionado para la muestra completa todos los posibles cambios de régimen durante el período en cuestión.1989:IV 1990:I .470 V.0921 φ 2 0.que implica una pérdida en los grados de libertad de los modelos y (ii) falta de certeza sobre la existencia de un único régimen en cada submuestra. las pruebas sobre estabilidad de los parámetros no implican tal unicidad.C.0344 0. La consideración de cambios de régimen en la especificación de modelos de series de tiempo se lleva a cabo en esta metodología mediante el manejo de cadenas de Markov de primer orden y funciones mixtas de distribución.1137 0.0288 0. Cuadro 4 Pruebas de Hansen sobre inestabilidad de los parámetros del modelo: ∆ LIPC t = δ+ φ1 ∆ LIPC t − 1 + φ2 ∆ LIPC t − 2 + φ3 ∆ LIPC t − 3 + φ4 ∆ LIPC t − 4 + φ5 ∆ LIPC t − 5 + ε t V (ε t ) = σ 2 Prueba Individual V.0367 0.0648 0.1162 0.0359 0.0840 0.

10 . la estadística asociada a la prueba de estabilidad conjunta de Hansen es igual a 1.st − 2 = k .. en el gráfico 1 la serie Xt . de cambios dramáticos en las políticas gubernamentales. 2 es el número de regímenes exhibidos por la serie. Por consiguiente. por ejemplo. Si se supone que la probabilidad de que st sea igual a un valor j (j : 1. en los comprendidos entre t1 . que puede tomar los valores {1. st-1 : p {st = j |st − 1 =i . st . serie hipotética.N} y si se tiene (1) el proceso es una cadena markoviana de orden uno con matriz de transición de 11 Considerando un modelo autorregresivo de orden ocho para la muestra completa. la serie Xt presenta dos regímenes en el período de estudio.. los cuales pueden estar asociados a cambios en la media o en la varianza de su proceso generador. la variable aleatoria st puede tomar los valores {1. en su análisis es importante poder determinar en que régimen se encuentra ésta en un momento particular del tiempo.8551.t2 y t3 .Algunas series económicas exhiben patrones de comportamiento muy diferentes a través del tiempo.} = p {st = j |st − 1 =i } = pij (1) se tiene un proceso conocido como cadena de Markov de orden uno con una matriz de transición de probabilidades {pij} i. Resultado que confirma la existencia de inestabilidad de los parámetros asociados a dicho modelo.. presenta un patrón de comportamiento similar en los subperíodos comprendidos entre t0 ... Gráfico 4 Serie Hipotética Xt Es decir. en este ejemplo. Tales cambios podrían ser el resultado.t3 determinando un régimen o estado de la naturaleza.2 . 13 Propiedad de las probabilidades. en tanto que. de crisis financieras. La anterior presentación sobre Xt puede ser generalizada a series que muestren N regímenes distintos. y pi1 + pi2 = 1 (i=1..2)13 . etc.t1 y t2 . 2) depende solamente del valor de la variable aleatoria st en el período anterior.. en tal caso. 12 Para el ejemplo particular.2.2}12. Por ejemplo. donde pij determina la probabilidad de que al estado j le siga el estado i. El conjunto de subperíodos donde la serie exhibe un patrón similar en varianza y en media determina un régimen o estado de la naturaleza particular.t4 se exhibe una media y/o varianza distinta produciendo un régimen diferente. Tal determinación se puede formalizar definiendo una variable aleatoria discreta.j=1.

probabilidad {pij} i.. es decir : E ξt + 1 (  pi1  p  i2 st = i =    M   piN  ) ( 4) en forma general (4) puede ser reescrito como sigue : E ξt + 1 ξt = P ξt resultado consignado en (5) implica que : ( ) (5) 14 así..L . . la anterior ecuación representa en forma vectorial a una cadena de Markov de orden uno . 0.N con pi1 + pi2 +.2.... el ξt + 1 = P ξt + v t + 1 donde : (6) (7) vt + 1 ≡ ξt + 1 − E (ξt + 1 ξt ) 14 Dado que el valor esperado condicional de ξt+1 tan solo depende de su valor inmediatamente anterior. ξt . así : ξt = {     j − esimo st=j .. cuyos elementos son ceros a excepción del j-ésimo.. se puede definir la matriz de probabilidades P de la siguiente forma:  p11 p21 K p N 1  p p22 L pN 2    12 P=  M M M M   p1 N p2 N L .j=1.L .N) es decir . El j-ésimo elemento de ξt+1 es una variable aleatoria que alcanza el valor de uno con probabilidad pij si st = i. el   0.+p iN = 1 (i=1. 0.. 1. 0  para cual es igual a uno si el régimen en el tiempo t es j.. 0. 11 .2. p NN  (2) donde se cumple que el producto entre la traspuesta de la matriz de transición y el vector unitario es un vector de unos :  1  P' M= 1   1   1  M   1  (3) Las cadenas de Markov pueden ser representadas también a través de notación vectorial definiendo vectores aleatorios (Nx1)..

así : E (ξt ) = Π (12) 15 16 VAR(1). la expectativa incondicional de ξt es también igual al vector de probabilidades ergódicas. Como se presenta en Hamilton (1994). es decir. la condición de ser reducible se alcanza si el proceso es absorbido. es decir : e E ξt + m ξt ( )=P m ξt → Π m→ ∞ (11) por consiguiente. H. Véase. Una cadena de Markov no reducible se dice irreducible. P’presenta un valor propio unitario. 17 Una cadena de Markov se dice ergódica si es irreducible y su matriz de transición P tiene un valor propio igual a la unidad y los restantes se encuentran dentro del círculo unitario. cuando m tiende a infinito. que en la discusión hasta este punto solo se referencian expectativas condicionales sobre los vectores ξt . la probabilidad de que una observación del régimen i sea seguida m períodos adelante por una observación del régimen j está dada por el elemento ( ji ) de la matriz Pm. Bajo el esquema de vectores autorregresivos de orden uno se tiene que : ξt + m = vt + m + P vt + m− 1 + P 2 vt + m− 2 + K+ P m− 1 vt + 1 + P mξt por consiguiente el pronóstico m períodos adelante para ξt 16 es : (8) E ξt + m ξt = P m ξt ( ) (9) De esta forma... P{s t=j} =1. si el interés se centra en la determinación de las expectativas incondicionales sobre los vectores ξt .como se observa claramente. Es de señalar que. Lutkephol.1)’ (10) Reemplazando (10) en (9). Sin embargo.. Así. el cual se define como el vector propio de P asociado al valor propio unitario (PΠ=Π).1. (1993). para una cadena de Markov ergódica con matriz de transición P se tiene que : m→ ∞ lim P m = Π 1' donde 1’ =(1. la ecuación (6) corresponde a un modelo de vectores autorregresivos de orden uno15 para ξt . es necesario considerar una clase especial de cadenas de Markov denominadas ergódicas17 ya que en la determinación de dicha expectativa se requiere del vector de probabilidades ergódicas. Es de señalar. las probabilidades de transición m períodos adelante para una cadena de Markov se determinan a partir de la matriz resultante del producto m veces de la matriz de transición P por si misma. Π. debido a que éstas son necesarias en la construcción de sus pronósticos. si al entrar en un estado particular (j) no se puede volver a salir de él. 12 .. como se presenta en (9). La condición del valor propio unitario siempre se tiene ya que P y P’ comparten sus valores propios y como se muestra en la ecuación (3). se encuentra que el pronóstico de largo plazo para una cadena de Markov ergódica es igual al vector de probabilidades ergódicas independiente del estado en que se encuentra el proceso en el momento (t).

considerados en las funciones de densidad de (14). Θ . Funciones mixtas de distribución El segundo concepto utilizado en la metodología “ switching” de Hamilton es el de las funciones mixtas de distribución. ya sea por parámetros o por forma funcional de la distribución. 19 Véase en Hamilton(1994) un ejemplo donde se supone una distribución normal en (13). (st = j).... 13 . así : f ( Xt ) = ∑ N j =1 f ( Xt st = j ) P ( s t = j ) (14) donde la función de distribución conjunta f ( X t definición de probabilidad condicional : st = j) P( st = j ) es el resultado de aplicar la P( X t . En los modelos de cambios de régimen. L (Θ ) = ∑ log f ( X . el cual es utilizado en Hamilton (1994) para encontrar los estimadores de máxima verosimilitud de los parámetros asociados con modelos “ switching”o con cambios de régimen. se deriva la función de verosimilitud19 (16) para el conjunto de parámetros. depende del valor (j) alcanzado por el régimen. 20 Dentro del conjunto de métodos numéricos se encuentra el algoritmo EM. 18 Se entiende por función mixta de distribución a la suma de funciones de densidad diferentes.B. Claramente (14) es una función de este tipo. (st ) en dicho momento. bajo el supuesto de que la variable st (t=1. la función de distribución en (t) de la variable objetivo. que de la ecuación (14).T) es independiente e idénticamente distribuida. las cuales permiten determinar la función de verosimilitud base de la estimación de los parámetros de interés. st = j ) = f ( X t st = j) P( st = j ) (15) Es de señalar. Θ ) t =1 t T (16) el estimador del vector de parámetros Θ se obtiene maximizando L (Θ ). el ejercicio de maximización debe llevarse a cabo a través de métodos numéricos20 en la medida en que no exista solución analítica para ésta.. es decir : f ( Xt st = j) (13) el análisis de funciones mixtas18 de distribución permite determinar la función de distribución incondicional de Xt mediante la distribución marginal del producto de (13) con la función de probabilidad de la variable st . Xt .

bajo la metodología tradicional se pueden formular los siguientes dos modelos : X t − µ1 = φ( X t − 1 − µ1 ) + εt X t − µ2 = φ( X t − 1 − µ2 ) + εt para t = (t o . t 3 ) para t = (t1 .. t 4 ) (19) (20) los cuales podrían ser estimados en conjunto adicionando al modelo autorregresivo una variable determinística de intervención. es inapropiado tratar de modelarlos a través de tales variables de intervención22. Θ ) f ( Xt . En la modelación de series de tiempo con cambios de régimen se involucran los conceptos ya considerados de cadenas de Markov y de funciones mixtas de distribución con la metodología tradicional de series de tiempo sobre modelos autorregresivos (AR).. {Xt}. gráfico 1. no es muy claro si para construir sus pronósticos fuera de muestra deba utilizarse el modelo (19) o el modelo (20). Θ ) f ( X t s t = j . Θ ) = P( s t = j . Si sobre este 21 Es decir. C.Θ ) (18) donde al reemplazar el denominador por (14) se tiene de manera completa la representación de Bayes. T (17) lo cual puede llevarse a cabo aplicando el teorema de Bayes de la siguiente manera : P( st = j X t . Formalmente. debido a que se requiere del conocimiento de las observaciones de las variables de intervención fuera del período de análisis... 14 . La gran diferencia entre la metodología de series de tiempo tradicional modelo ARIMA con intervención” y los modelos con cambios de régimen “ switching” radica primordialmente en el carácter estocástico de la variable asociada con dichos cambios. en el hecho de que el reconocimiento de los diferentes estados no es determinístico21 y que por consiguiente. el uso de esta técnica está sujeto a varias críticas. con cambios de régimen fácilmente reconocibles que afectan tan solo el nivel de la variable. 22 Una de las mayores desventajas del uso de modelos con intervención se tiene en la construcción de pronósticos fuera de muestra. En el contexto general de cambios de régimen. N . el objetivo de la metodología “ switching” es la construcción de modelos de series de tiempo sobre variables que presentan comportamientos similares al exhibido por la serie Xt . especialmente. al considerar la serie Xt gráfico 1. presentados por la serie a través del tiempo. Modelación de series de tiempo con cambios de régimen Como se mencionó anteriormente. t = 1... Por ejemplo. el régimen asociado a la variable en cada momento del tiempo puede no ser reconocible mediante observación y por consiguiente no ser conocido. se desea determinar: P( st = j X t . bajo el análisis de modelos “ switching” es hacer inferencia sobre los diferentes regímenes ..Dado un conjunto de observaciones de la variable de interés. sigue un proceso autorregresivo de orden uno. Así. gráfico 1.2. t1 ) ∪ (t 2 .2. uno de los objetivos . Θ ) j = 1. las cuales se centran. t 2 ) ∪ (t 3 .. si se considera que la serie Xt .

X . X 1 . X t . α estaría conformado por los parámetros asociados a la parte autorregresiva (φs) y por las diferentes medias y varianzas correspondientes a cada uno de los distintos estados. el vector ηt se define así : 23 15 . los cambios de régimen están dados solo por cambios del nivel medio de la serie. En general.N).. X . ’ 25 Por ejemplo. α ) (22) donde la variable aleatoria st sigue una cadena de Markov de orden uno con probabilidades de transición pij. Asumiendo normalidad. determinar el régimen en el que se encuentra el proceso en cada momento del tiempo. ecuación (1).mismo ejemplo se supone que los cambios de régimen no son determinísticos. utilizando la metodología “ switching” se tiene el siguiente modelo : X t − µ st = φ X t − 1 − µ st − 1 + εt ( ) (21) donde µ st es igual al valor esperado de la serie bajo el régimen uno o bajo el régimen dos dependiendo del valor que tome la variable de estado st . asociada a los estados finales. X .2. s t .L . 24 Asumiendo que (22) sigue una distribución normal. 2.L . a través del período de estudio. X . Como también. si en el modelo (21) se consideran tan sólo dos estados de la naturaleza. cambios de régimen gobernados por una variable aleatoria st . con base en la probabilidad condicional de la variable de estado: P {st = j X 1 . es necesario definir * dos variables de estado. con base en la historia de X. se supone que la función de densidad condicional de Xt está dada por : f Xt ( st = j . respectivamente23.L . la primera. Θ } 25 (24) En el modelo (21).L .. α 1 t t t− 1  M ηt =   f X s = N . en forma compacta tales  f X s = 1. 1 o 2. y α representa el vector de parámetros que caracterizan a las funciones de densidad condicionadas a cada régimen posible funciones se notan por ηt como sigue : ( j=1.. α 1 t t t− 1  ( )  )    ( (23) Uno de los objetivos en este tipo de modelo es estimar el conjunto de parámetros Θ . X t − 1 . es decir : * * s t = 1 si s t = 1 y s t-1 = 1 * * s t = 2 si s t = 2 y s t-1 = 1 * * s t = 3 si s t = 1 y s t-1 = 2 * * s t = 4 si s t = 2 y s t-1 = 2 los cuatro estados finales aperecen como resultado del supuesto realizado sobre el comportamiento markoviano de orden uno de * la variable s t .. en la nota de pie de página 19 se presenta como podría ser generalizado este modelo de tal forma que también tenga en cuenta cambios en la varianza entre los distintos regímenes. j=1. s t referente a los dos estados iniciales (estados primitivos) y la segunda. en la modelación de series de tiempo sobre una variable X que presenta. el cual está compuesto por el vector α24 y por las probabilidades de transición pij.

Θ t 1  t { }  }    { (25) la inferencia óptima y el pronóstico en cada momento del tiempo (t) puede ser calculado iterando sobre el siguiente par de ecuaciones : $ ξt |t = (ξ$ $ 1' (ξ t |t − 1 °t η t |t − 1 ) ° ) η t (26) $ $ ξt + 1|t = P.L . X t − 1 st = 4 .L . X t − 1 ) .ξt |t (27) f  f ηt =  f   f (X (X (X (X t t t t st = 1 . − µ1 ) − φ( xt − 1 − µ 2 )    2 2σ1   2  − µ2 ) − φ( xt − 1 − µ2 )    2 2σ2   2 = σ2 . X t .L .α ) . X 1 .Como ya se mencionó. En forma vectorial dichas probabilidades. X 1 . $ para los N estados posibles de la naturaleza. X .L . Θ  $ ξt |t =  M P s = N X . X t − 1 st = 3 . α st = 2 .L .L . X 1 . ] ] ] ] 16 . pueden ser expresadas a través del vector ξt |t así:  P st = 1 X 1 .α )           =               1 2πσ 2 1 2πσ 2 1 2πσ 2 1 2πσ 2 −  exp   −  exp    −  exp    −  exp    ( [x ( [x ( [x ( [x t t t t Si se supone que para todos los regímenes se tiene la misma varianza entonces σ12 2 − µ1 ) − φ( xt − 1 − µ1 )    2 2σ1   2 − µ 2 ) − φ xt − 1 − µ1 )  (   2 2σ2   2 . la probabilidad presentada en (24) permite hacer inferencia acerca del valor de la variable de estado con base en: (i) la información observada hasta el momento (t) y (ii) el conocimiento de los parámetros poblacionales. X t − 1 .α ) . X 1 .

Θ .el símbolo o denota multiplicación elemento a elemento.. La función de verosimilitud L(Θ ) asociada al conjunto de parámetros Θ de interés se define como: ∑ log f ( X t =1 T t X 1 . X t − 1 .. Θ } y f Xt ( $ st = j .. sin embargo... dado que su j-ésimo (j=1. X t − 1 .L . su valor es generalmente desconocido y puede ser determinado como aquel que maximiza la función de verosimilitud L(Θ ) presentada en (28). De (29) y (30) se desprende que el j-ésimo elemento de (26).T que permite calcular $ $ ξt |t y ξt + 1|t . X t − 1 . el vector de parámetros Θ fue considerado como conocido. Θ = P X t . X 1 . Dando valores iniciales a los vectores $ ξ1|0 y Θ se inicia el proceso de iteración entre (26) y (27) para t=1.L ..L . Resultados bajo la metodología de Hamilton 17 . Así: t |t − 1 °t η ] = P{s j t = j X1 ..L . Θ ) donde: $ f ( X t X1 . st = j X 1 .. equivale a la probabilidad condicional de st dado Xt .Xt-1 . $ 1' ξt |t − 1 ° t = ∑ P X t . st = j X 1 . IV. Θ η j =1 ( ) N { } (30) lo cual equivale de acuerdo a (28) a la función de densidad marginal de Xt . X 1 . X t − 1 . Θ ) = 1' ξt |t − 1 o ηt ( ) (28) El numerador de (26) puede ser interpretado como la función de densidad conjunta de Xt y st.L .. respectivamente.Θ} t st = j .L . X t − 1 . X t − 1 es decir: { }f ( X . los cuales corresponden a los j-ésimos elementos de ξt |t − 1 y ξ [$ ) de ηt .=j y la función de densidad de Xt . Θ ) (29) El denominador de (26) puede entenderse como la sumatoria de (29) sobre los N posibles estados...N) elemento es el producto de P{st | X1. X t − 1 ..L . Es de señalar que en el proceso iterativo entre las ecuaciones (26) y (27) anteriormente descrito. dado por la razón entre la probabilidad conjunta de xt y st.

En este trabajo se consideran tales calificativos únicamente con el propósito de diferenciar los regímenes bajo un ordenamiento de mayor a menor. a pesar de que los niveles promedio anuales de inflación correspondientes a los regímenes 2 A pesar de que para la muestra completa el modelo AR(5) no presenta residuales ruido blanco. la determinación de los tres estados no se deriva del análisis descriptivo presentado en la sección II. por ejemplo.La metodología propuesta por Hamilton se implementa sobre la inflación trimestral de Colombia para el período comprendido entre 1954 y 1996. es decir.94). moderado y bajo”sobre el nivel promedio y la variabilidad de la inflación trimestral en cada régimen. Adicionalmente. el de nivel promedio bajo y variabilidad alta. 26 18 . en tanto que pasar de éste a un régimen de inflación promedio alta tiene una probabilidad de (0. Así. Es de señalar que. Sin embargo. como también. 28 Es importante señalar que en este contexto los calificativos: “ alto. En el cuadro 5 se presentan los resultados de la estimación del modelo “ switching” en lo que respecta a los niveles medios de la inflación trimestral y la varianza asociados a cada uno de los tres regímenes27. la probabilidad de permanecer en éste es muy alta (0. se puede observar que la máxima probabilidad de permanecer en un mismo régimen se tiene en aquel caracterizado como de inflación y variabilidad moderadas. las probabilidades de transición entre regímenes. bajo el modelo AR(5). Dado que el trabajo se lleva a cabo sobre la inflación trimestral y que el manejo usual de la serie de inflación se lleva a cabo a través de la calculada mediante variaciones anuales. Así. nivel y variabilidad moderadas para el segundo y para el tercero nivel promedio bajo y variabilidad alta28. la metodología “ switching” de Hamilton parte de este modelo ya que al considerar uno de orden superior se tiene un alto costo computacional. Las probabilidades de transición estimadas permiten concluir. no están asociados a los rangos usuales en la literatura de inflación.12. Un resultado interesante está vinculado con el hecho de que inflaciones trimestrales promedio altas tienen asociadas bajas variabilidades y viceversa. (ii) 16. el algoritmo de estimación bajo “ switching” requiere de 20 días continuos de ejecución en un computador Sun Station. 27 La programación de la metodología “ switching”de Hamilton fue desarrollada a través del módulo IML de SAS Versión 6. encontrados por el modelo.2% para el último régimen. resultado también encontrado en Echeverry (1995). Es de señalar. se realiza una ejercicio de aproximación al nivel medio de la inflación anual. los resultados muestran evidencia de un tercero estado.05). al considerar que el nivel promedio y la variabilidad de la inflación trimestral se mantienen durante todo el año dentro del mismo régimen se tiene una inflación anual de: (i) 30. El ejercicio se inicia considerando la existencia de solo dos regímenes. Sin embargo.6% para el régimen correspondiente a nivel promedio alto y variabilidad baja. los cuales consideran conjuntamente cambios en el nivel medio de la serie y en la variabilidad. utilizando para ello un modelo de series de tiempo autorregresivo de orden (5)26 y una cadena de Markov de orden (1) con tres regímenes. que al estar en un régimen de inflación trimestral moderado. Es de anotar que. que la caracterización determinada por el modelo sobre los diferentes regímenes es como sigue: nivel promedio alto y variabilidad baja para el primer régimen. en la aproximación del problema a través de las diferentes submuestras este modelo es correcto (cuadro 4).5% bajo nivel promedio y variabilidad moderados y (iii) 15. la cual es 5 veces mayor que la estimada para la transición de moderada a baja (0.01).

Como resultado interesante de señalar se tiene que al finalizar el período de estudio (1996.27 P22 $ P( S i → S 3 ) P13 0. en un momento del tiempo (t). El gráfico 5 muestra las probabilidades asociadas a los tres regímenes de la inflación trimestral.018 φ3 = 0.069 $ σi2 0. se registra una probabilidad estimada mayor que 0.5.810 φ = − 0.IV) la inflación trimestral puede ser ubicada dentro del régimen descrito por nivel y variabilidad moderados.167 5 $ µi 0.00010 $ P( S i → S 1 ) P11 0.44 P21 $ P( S i → S 2 ) P12 0. en el contexto presente un cambio de régimen sobre la inflación está determinado por un cambio en su media y/o en su varianza. como puede observarse en el gráfico 5. La interpretación del gráfico 5 se debe llevar a cabo de la siguiente forma: las 3 figuras del gráfico corresponden a los tres regímenes caracterizados por el modelo. así. Es importante resaltar que. si para una figura particular.29 P23 (1) Inflación Alta Variabilidad Baja (2) 29 Si se hubiesen estimado intervalos de confianza para la media y la varianza correspondientes a cada regimen. 19 .y 3 son similares. en general. como ya se mencionó.003 φ4 = 0. significa.265 φ2 = − 0. al comparar las probabilidades con el nivel observado de inflación trimestral. la caracterización de los diferentes regímenes no solo tienen en cuenta el nivel sino también la variabilidad. es de recordar que. que la inflación pertenece al régimen correspondiente a dicha figura. Cuadro 5 Estimación del modelo autorregresivo bajo cambios de régimen para la Inflación trimestral Modelo: t ∆ LIPC t − µ S * = φ1 ∆ LIPC t − 1 − µ S * ( t− 1 ) + φ (∆ LIPC 2 t− 2 − µS* t− 2 ) + φ (∆ LIPC 3 t− 3 − µS* t− 3 ) + φ (∆ LIPC 4 t− 4 − µS* t− 4 ) + φ (∆ LIPC 5 t− 5 − µS* t− 5 )+ ε t Parámetros Autorregresivos Estimados: Estado (i) 29 $ $ $ $ $ φ1 = 0. la determinación de estado en términos del nivel de la media y de la maginitud de la varianza podrían haber sido diferentes. la principal diferencia entre ellos está dada por sus correspondientes variabilidades.

de cierta forma.6299 0.0001 0.00011 0. las décadas de los cincuenta y los sesenta. 20 .00193 Un ejercicio adicional se lleva a cabo para el período comprendido entre 1971. revisar si éstos cambiaban o no al no considerar. lo robusto de los resultados frente a cambios de muestra.039 0.IV. el cambio más notable se da en la transición del estado de inflación alta y variabilidad baja a los estados restantes durante el año 1987.05 P31 0. es decir.94 P32 0.01 P33 0.Inflación y Variabilidad Moderada (3) Inflación Baja Variabilidad Alta 0. Es de señalar que los resultados obtenidos para los años 1990 y 1991 se mantienen. Como se aprecia en el gráfico 6 los resultados son similares a los obtenidos en el ejercicio inicial.036 0. con el objetivo de determinar.37 0.1996. en el conjunto de información. Sin embargo.I .

Gráfico 5 Probabilidad de que la economía esté en un estado con: Inflación alta y Variabilidad baja 0.6 0.2 -0.0 0.15 1.05 0.05 0.05 0.0 0.0 0.05 55 60 65 70 75 80 85 90 95 Inflación Trimestral Probabilidad 0.10 0.6 0.4 0.10 0.0 Inflación y Variabilidad moderadas 0.00 0.8 0.05 55 60 65 70 75 80 85 90 95 Inflación Trimestral Probabilidad 0.15 1.15 1.0 Inflación Trimestral Probabilidad 21 .6 0.05 55 60 65 70 75 80 85 90 95 0.4 0.00 0.4 0.8 0.00 0.2 -0.8 0.2 -0.0 Inflación baja y Variabilidad alta 0.10 0.

0 Inflación Trimestral Probabilidad Inflación y Variabilidad moderadas 0.0 Inflación Trimestral Probabilidad Inflación baja y Variabilidad alta 0.0 0.2 0.02 74 76 78 80 82 84 86 88 90 92 94 96 1.8 0.0 0.04 0.08 0.10 0.6 0.14 0.Gráfico 6 Probabilidad de que la economía esté en un estado con: Inflación alta y Variabilidad baja 0.10 0.14 0.12 0.2 0.4 0.02 0.14 0.6 0.06 0.00 -0.02 74 76 78 80 82 84 86 88 90 92 94 96 1.04 0.12 0.4 0.06 0.12 0.02 0.0 0.00 -0.02 74 76 78 80 82 84 86 88 90 92 94 96 1.6 0.08 0.04 0.8 0.06 0.0 Inflación Trimestral Probabilidad 22 .08 0.4 0.02 0.2 0.00 -0.8 0.10 0.

Sin 1992. Modeling. Schmidt and Y. Introduction to Multiple Time Series Analysis. Hamilton. C.BIBLIOGRAFIA Box. H. .P. “ Changes in the Inflation Process in Canada: Evidence and Implications” . Lutkepohl. A. and W. Hostland. Time Series Analysis : Forecasting and Control. Hamilton. “ Indicadores líderes de inflación. Jenkins 1976. 1995. “ Auge y perpetuación de una inflación moderada. Springer-Verlag..E. B. and G. D. Phillips. 1995. Banco de la República. . Perez. 1994. Hansen. “ Testing the Null Hypothesis of Stationarity against the Alternative of a Unit Root: How Sure Are That Economic Time Series Have a Unit Root?”Journal of Econometrics 54. P. D. 1993. Second Edition. Time Series Analysis. Mimeo Banco de la República. No. Working Paper 95-5. “ New Approach to the Economic Analysis of Nonstationary Time Series A and the Business Cycle” Econometrica. P.C. A. 74. Bank of Canada. una aproximación de regímenes cambiantes” . No. 23 . B. G. 57. 14. Dickey. D. “ Distribution of the Estimators for Autoregressive Time Series with a Unit Root” Journal of the American Statistical Association. Princeton University Press. No. G. 1989. Fuller 1979. Colombia 1970-1991” . Kwiatkowski. No. J. J. Ensayos sobre política económica. 1994. J. 1992 “ Testing for Parameter Instability in Linear Models” Journal of Policy . Echeverry. 28. De San Francisco : Holden-Day.M.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->