Modelos VAR

Econometra Intermedia

Patricia Lengua Lafosse

Econometra Intermedia
PUCP

Julio 2017

Patricia Lengua Lafosse Econometra Intermedia (M2)

 Introduccin
Estimacin de modelos VAR
Modelos VAR Modelos VAR estacionarios
Criterios de especicacin de rezagos
Dimensionalidad del VAR

Qu es un modelo VAR?

Modelos de series de tiempo lineales Multivariados

Las variables endgenas en el sistema son funciones
de los valores rezagados de todas las variables endgenas.
Es una alternativa simple y exible a los modelos tradicionales
de ecuaciones mltiples.

Patricia Lengua Lafosse Econometra Intermedia (M2)

 Introduccin
Estimacin de modelos VAR
Modelos VAR Modelos VAR estacionarios
Criterios de especicacin de rezagos
Dimensionalidad del VAR

Descripcin histrica: crtica de Sims

En los aos 80 critic los modelos macroeconomtricos de

larga escala de la poca.

Propuso los modelos VAR como una alternativa que permita

modelar datos macroeconmicos de forma informativa.

Patricia Lengua Lafosse Econometra Intermedia (M2)

 Introduccin
Estimacin de modelos VAR
Modelos VAR Modelos VAR estacionarios
Criterios de especicacin de rezagos
Dimensionalidad del VAR

Para qu se utilizan los VAR?

Hacer predicciones: VARs de forma reducida

Anlisis estructural: VARs estructurales

Patricia Lengua Lafosse Econometra Intermedia (M2)

 Introduccin
Estimacin de modelos VAR
Modelos VAR Modelos VAR estacionarios
Criterios de especicacin de rezagos
Dimensionalidad del VAR

Mapa de ruta

Patricia Lengua Lafosse Econometra Intermedia (M2)

 Introduccin
Estimacin de modelos VAR
Modelos VAR Modelos VAR estacionarios
Criterios de especicacin de rezagos
Dimensionalidad del VAR

Introduccin a modelos VAR

Sea yt un vector con n variables en el perodo t :
yt = [y1,t y2,t ... yn,t ]0
Un proceso autoregresivo vectorial de orden p generaliza un
proceso AR(p) de una variable a n variables:
yt = G0 + G1 yt 1 + ... + Gp Yt p + et .....VAR en forma reducida
donde:
G0 = (n 1) vectores de constantes
Gj = (n n) matriz de coecientes
et = (n 1) vectores de trminos de perturbacin WN
E (et ) = 0
, si t =
E (et et0 ) =
0 en otro caso
Patricia Lengua Lafosse Econometra Intermedia (M2)
 Introduccin
Estimacin de modelos VAR
Modelos VAR Modelos VAR estacionarios
Criterios de especicacin de rezagos
Dimensionalidad del VAR

Ejemplo: VAR(1) en 2 variables

y1,t = g11 y1,t 1 + g12 y2t 1 + e1,t

y2,t = g21 y1,t 1 + g22 y2t 1 + e2,t

En notacin matricial:
yt = G1 yt 1 + et
donde:

y1,t ,t
yt = , por ejemplo yt =
y2,t pbit

g11 g12 e1,t

G1 = , et =
g21 g22 e2,t
Patricia Lengua Lafosse Econometra Intermedia (M2)
 Introduccin
Estimacin de modelos VAR
Modelos VAR Modelos VAR estacionarios
Criterios de especicacin de rezagos
Dimensionalidad del VAR

Ejemplo: VAR(1) en 2 variables

Supuestos acerca de los trminos de perturbacin:

2e1 e1 e2
E [et et0 ] = =
e1 e2 2e2
0 0
E [et e0 ] = , para t 6=
0 0

Patricia Lengua Lafosse Econometra Intermedia (M2)

 Introduccin
Estimacin de modelos VAR
Modelos VAR Modelos VAR estacionarios
Criterios de especicacin de rezagos
Dimensionalidad del VAR

Estimacin: va MCO

Estimacin por MCO aplicado a ecuacin por ecuacin.

Los estimados son:
Consistentes
Ecientes
Equivalentes a MCG

Patricia Lengua Lafosse Econometra Intermedia (M2)

 Introduccin
Estimacin de modelos VAR
Modelos VAR Modelos VAR estacionarios
Criterios de especicacin de rezagos
Dimensionalidad del VAR

Especicaciones generales

Seleccin de variables a ser incluidas: de acuerdo con la teora

econmica, evidencia emprica y/o experiencia.
Variables exgenas pueden ser incluidas: constante,
tendencias de tiempo, otras explicativas adicionales.
Las variables no estacionarias son a menudo transformadas
(log levels, log dierences, tasas de crecimiento, etc.)
El modelo debe ser parsimonioso.

Patricia Lengua Lafosse Econometra Intermedia (M2)

 Introduccin
Estimacin de modelos VAR
Modelos VAR Modelos VAR estacionarios
Criterios de especicacin de rezagos
Dimensionalidad del VAR

Un VAR de orden p es estacionario en covarianza si:

El valor esperado de yt no depende del tiempo:
2 3
1
6 7
E [yt ] = E [yt +j ] = = 6 2 7
4 ... 5
4

La matriz de covarianzas de yt y yt +j depende de la distancia

j y no del tiempo:
h i h i
E (yt )(yt +j )0 = E (ys )(ys +j )0 = ` j

)Esto es primer y segundo momentos nitos y constantes en el

tiempo.

Patricia Lengua Lafosse Econometra Intermedia (M2)

 Introduccin
Estimacin de modelos VAR
Modelos VAR Modelos VAR estacionarios
Criterios de especicacin de rezagos
Dimensionalidad del VAR

Condiciones de estacionariedad

Las condiciones para que una VAR sea estacionario son

similares a las condiciones para que un proceso AR univariado
sea estacionario:

yt = G0 + G1 yt 1 + ... + Gp Yt p
2 p
( In G1 L G2 L ... Gp L )yt = G0 + et
G(L) yt = G0 + et
| {z }
Pol. de rezagos

Para que yt sea estacionario, la matriz polinomial en el

operador de rezagos G(L) debe ser invertible.

Patricia Lengua Lafosse Econometra Intermedia (M2)

 Introduccin
Estimacin de modelos VAR
Modelos VAR Modelos VAR estacionarios
Criterios de especicacin de rezagos
Dimensionalidad del VAR

Condiciones de estacionariedad

Un proceso VAR(p) es estacionario (as invertible) si todas las

np races del polinomio caracterstico son mayores que uno en
valor absoluto.

det(In G1 L G2 L 2 ... Gp L p ) = 0

Eviews calcula las races inversas del polinomio caracterstico

AR, lo que implica que stas deben ser menores que uno en
valor absoluto.

Patricia Lengua Lafosse Econometra Intermedia (M2)

 Introduccin
Estimacin de modelos VAR
Modelos VAR Modelos VAR estacionarios
Criterios de especicacin de rezagos
Dimensionalidad del VAR

Representacin Vector Moving Average de un VAR

Si un VAR es estacionario, el vector yt puede ser expresado
como la suma de todos los trminos de perturbacin WN
pasados et (representacin VMA()):
yt = + G(L) 1 et , donde = G(L) 1
G0
yt = + (In + 1 L + 2 L2 + ...)et
yt = + et + 1 et 1 + 2 et 2 + ...

yt = + i et i Teorema de Wold
i =0

donde i es una matriz n n de coecientes y 0 es la

matriz identidad.
Desde la representacin VMA() es posibke obtener las
funciones impulso respuesta.
Patricia Lengua Lafosse Econometra Intermedia (M2)
 Introduccin
Estimacin de modelos VAR
Modelos VAR Modelos VAR estacionarios
Criterios de especicacin de rezagos
Dimensionalidad del VAR

Rezagos necesarios para el VAR

Qu nmero de rezagos es el ms apropiado?

Si p es muy pequeo, el modelo podra estar pobremente
especcado.
Si p es muy grande, se perderan muchos grados de libertad.
El nmero de rezagos debera ser suciente para que los
residuos de la estimacin sean individualmente ruidos blancos.

Patricia Lengua Lafosse Econometra Intermedia (M2)

 Introduccin
Estimacin de modelos VAR
Modelos VAR Modelos VAR estacionarios
Criterios de especicacin de rezagos
Dimensionalidad del VAR

Temas de la dimensin

Los modelos VAR tienes muchos parmetros:

En un VAR(p) se tiene p matrices de dimensin n n : G1 ,
G1 , ..., Gp .
Asumimos que G0 es un vector de interceptos (dimensin:
n 1).
El nmero total de coecientes/parmetros a ser estimados
es: n + n n p = n(1 + n p )

Patricia Lengua Lafosse Econometra Intermedia (M2)

 Introduccin
Estimacin de modelos VAR
Modelos VAR Modelos VAR estacionarios
Criterios de especicacin de rezagos
Dimensionalidad del VAR

Sobreajuste versus sesgo de variables omitidas

Problema de sobreajuste y sesgos de variables omitidas tienen

el problema de estimadores de pobre calidad y malos
predicciones.
Posibles soluciones: Core VAR mas rotacin de variables y
anlisis bayesiano.

Patricia Lengua Lafosse Econometra Intermedia (M2)

 Introduccin
Estimacin de modelos VAR
Modelos VAR Modelos VAR estacionarios
Criterios de especicacin de rezagos
Dimensionalidad del VAR

Criterios de eleccin del rezago

Como en los modelos univariados, se puede utilizar versiones

multidimensionales de:
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hanna-Quinn information criterion

Criterios basados en informacin: trade o entre parsimonia y

reduccin en la sumatoria de residuos.

Patricia Lengua Lafosse Econometra Intermedia (M2)

 Introduccin
Estimacin de modelos VAR
Modelos VAR Modelos VAR estacionarios
Criterios de especicacin de rezagos
Dimensionalidad del VAR

Especicacin de rezagos: consejos

Reglas bsicas:
p=4 cuando se trabaja con data trimestral
p=12 cuando se trabaja con data mensuak
Una restriccin efectiva es np T /3. Ejemplo: T = 100,
p = 4, n 7.

Patricia Lengua Lafosse Econometra Intermedia (M2)