¿Cómo controlar las variables independientes correlacionadas en serie?

Question

Estoy interesado en estudiar el impacto de una variable (por ejemplo, el gasto en I+D en el año T) sobre el rendimiento futuro de la empresa (por ejemplo, las ventas en el año T+5), sé que es incorrecto especificar el siguiente modelo:

Ventas_(T+5) = f (I+D_T, I+D_(T+1), I+D_(T+2), I+D_(T+3), I+D_(T+4))

Sin embargo, me preguntaba si hay alguna forma de controlar también las variables independientes fuertemente correlacionadas como I+D_(T+1), I+D_(T+2), I+D_(T+3), I+D_(T+4) en el mismo modelo.

¡Por favor, ayuda! Gracias

Answer 1

Podría utilizar un modelo VAR para las dos variables y estudiar el efecto de una variable sobre la otra utilizando funciones de respuesta al impulso, descomposición de la varianza del error de previsión y causalidad de Granger. Por ejemplo, el modelo VAR(1) más sencillo para dos variables sería \begin{aligned} x_t &= \theta_{10} + \theta_{11} x_{t-1} + \theta_{12} y_{t-1} + \varepsilon_{2,t}, \\ y_t &= \theta_{20} + \theta_{21} x_{t-1} + \theta_{22} y_{t-1} + \varepsilon_{2,t}. \end{aligned} El modelo VAR tiene en cuenta la naturaleza autocorrelacionada de los datos al incluir rezagos tanto de la variable dependiente como de la independiente. También puede tener un orden de rezago mayor, incluir variables exógenas, variables ficticias estacionales, etc. El modelo se puede estimar usando OLS ecuación por ecuación, por ejemplo. Existe un paquete R para modelos VAR; es "vars" .