16 Estimación de efectos causales dinámicos

A veces es interesante conocer el tamaño de la reacción actual y futura de \(Y\) a un cambio en \(X\). Esto se denomina efecto causal dinámico en \(Y\) de un cambio en \(X\). En este capítulo se analiza cómo estimar los efectos causales dinámicos en aplicaciones R, donde se investiga el efecto dinámico del clima frío en Florida sobre el precio del concentrado de jugo de naranja.

La discusión cubre:

  • Estimación de modelos de rezagos distribuidos.
  • Errores estándar consistentes con heterocedasticidad y autocorrelación (HAC).
  • Estimación de mínimos cuadrados generalizados (MCG) de modelos ADL.

Para reproducir ejemplos de código, se necesitan instalar los paquetes R que se enumeran a continuación:

Debe asegurarse de que el fragmento de código subsiguiente se ejecute sin errores:

library(AER)
library(quantmod)
library(dynlm)
library(orcutt)
library(nlme)
library(stargazer)

Referencias bibliográficas

Hlavac, Marek. 2018. stargazer: Well-Formatted Regression and Summary Statistics Tables (version 5.2.2). https://CRAN.R-project.org/package=stargazer.
Kleiber, Christian, and Achim Zeileis. 2020. AER: Applied Econometrics with R (version 1.2-9). https://CRAN.R-project.org/package=AER.
Pinheiro, José, Douglas Bates, and R-core. 2021. nlme: Linear and Nonlinear Mixed Effects Models (version 3.1-152). https://svn.r-project.org/R-packages/trunk/nlme/.
Ryan, Jeffrey A., and Joshua M. Ulrich. 2020. quantmod: Quantitative Financial Modelling Framework (version 0.4.18). https://CRAN.R-project.org/package=quantmod.
Spada, Stefano. 2018. orcutt: Estimate Procedure in Case of First Order Autocorrelation (version 2.3). https://CRAN.R-project.org/package=orcutt.
Zeileis, Achim. 2019. dynlm: Dynamic Linear Regression (version 0.3-6). https://CRAN.R-project.org/package=dynlm.