Apuntes de Clase Nro2 Vectores Autorregresivos

N 02
Serie Apuntes de Clase Agosto de 2014
Rafael Bustamante Roman
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

(Universidad del Per, DECANA DE AMRICA)
FACULTAD DE CIENCIAS ECONMICAS
ESCUELA ACADMICO PROFESIONAL DE ECONOMA
La Serie Apuntes de Clase tiene por objetivo difundir los
materiales de enseanza generados por los docentes que
tienen a su cargo el desarrollo de las asignaturas que
forman parte del Plan de Estudios de la Escuela
Acadmico-Profesional de Economa de la Facultad de
Ciencias Econmicas de la Universidad Nacional Mayor de
San Marcos. Estos documentos buscan proporcionar a los
estudiantes la explicacin de algunos temas especficos
que son abordados en su formacin universitaria.
Escuela Acadmico Profesional de Economa.

Facultad de Ciencias Econmicas.
Universidad Nacional Mayor de San Marcos.
Calle Germn Amzaga N 375.

Ciudad Universitaria, Lima 1. Per.
Telfono 619-7000. Anexo 2208.
eapeco@unmsm.edu.pe
http://economia.unmsm.edu.pe/escuela/econ.htm
Vectores Autorregresivos
Rafael Bustamante Roman
Resumen
Este documento describe la estimacin y anlisis de los vectores autorregresivos
(VAR) y los modelos de errores de correccin (VEC). Se consideran a los VAR como
una forma reducida que pudo haberse derivado de algn modelo estructural. Esto
es, un VAR es una herramienta de anlisis economtrico que permite a los datos
hablar por ellos mismos, sin que exista necesariamente una teora econmica que
gue o restrinja la estructura de un modelo.
Palabras Claves: VAR, MA, descomposicin de Cholesky, causalidad, test de

Sims, exogeneidad.
Clasificacin JEL: C32, C40.
Doctorado en Economa con mencin en los Recursos Naturales (c), Universidad Nacional Autnoma de
Mxico. MBA Gerencial (c), CENTRUM Pontificia Universidad Catlica del Per. Maestra en Economa con
mencin en Finanzas, Universidad Nacional Mayor de San Marcos. B. Sc. Economa, UNMSM. Profesor
Auxiliar del Departamento de Economa de la UNMSM. Investigador asociado al Instituto de Investigaciones
FCE - UNMSM. Contacto: r.bustamante.ro@gmail.com
Serie Apuntes de Clase. N 2. Agosto de 2014. EAPE / FCE / UNMSM
I. INTRODUCCIN
En los modelos economtricos estructurales (tradicionales), que hacen uso de informacin
en forma de series de tiempo, comnmente se requiere imponer restricciones a los
parmetros involucrados para obtener formas reducidas que puedan ser estimadas con las
tcnicas estadsticas conocidas; tambin resulta necesario hacer supuestos acerca de la
dinmica del sistema econmico, mediante la imposicin de restricciones sobre el nmero
de retrasos con que una variable afecta a las dems. Es requisito asimismo, conocer cules
de las variables involucradas son exgenas y cules son endgenas; por otro lado, existe
tambin el programa en algunos modelos de que se requiere tener en cuenta las expectativas
del comportamiento de algunas variables (lo que ha dado origen en particular a los modelos
de expectativas racionales). Este tipo de restricciones han sido subrayadas en especial por
Sims (1980) y por Hendry y Richard (1983), entre otros autores de literatura economtrica
(Londoo, 2005)
El enfoque estructural de la modelacin de las ecuaciones simultneas usa la teora
econmica para describir las relaciones entre varias variables de inters. El modelo
resultante se estima entonces, y probaba la relevancia emprica de la teora.
Desgraciadamente, la teora econmica no es a menudo lo bastante rica para
proporcionar una especificacin completa de todas las relaciones dinmicas entre
las variables. Adems, la estimacin e inferencia son complicadas por el hecho que
las variables endgenas pueden aparecer en la izquierda y lados del derecho de las
ecuaciones, recurdese la estimaciones de ecuaciones simultaneas.
No obstante la arbitrariedad de las restricciones impuestas a priori, ya sea por teora
econmica o por necesidades de cmputo, los modelos estructurales han probado
ser tiles en la prctica para obtener pronsticos y para realizar anlisis de poltica
econmica. Este hecho conduce a pensar entonces que son las formas reducidas las 1
Bustamante Roman, Rafael
que realmente importan en la prctica, aun cuando se hayan obtenido con
restricciones derivadas de supuestos falsos; por este motivo, es conveniente tener
representaciones en forma reducida, aunque no se tenga el modelo estructural
completo, y esto es precisamente lo que se logra con un Vector Autorregresivo
(VAR): una forma reducida que pudo haberse derivado de algn modelo
estructural. Esto es, un VAR es una herramienta de anlisis economtrico que
permite a los datos hablar por ellos mismos, sin que exista necesariamente una teora
econmica que gue o restrinja la estructura de un modelo.
Estos problemas llevan a la alternativa, los enfoques no estructurales para modelar
la relacin entre varias variables. Este documento describe la estimacin y anlisis
de los Vectores autorregresivos (VAR) y los modelos de errores de correccin (VEC).
Los modelos VAR tradicionales son, en cierta forma, una respuesta a la imposicin
de restricciones a priori que caracteriza a los modelos economtricos keynesianos:
en un sistema de ecuaciones simultneas se requiere imponer restricciones sobre los
parmetros de las mismas para garantizar la identificacin, y posible estimacin, de
las ecuaciones que lo conforman. Para ello, adems, es indispensable diferenciar
entre las variables endgenas y las predeterminadas, es decir, aqullas cuyos valores
no son determinados por el modelo en el perodo actual. Estas ltimas pueden ser
exgenas o endgenas rezagadas.
El sistema VAR proporciona estimaciones (o predicciones o simulaciones) para las
variables endgenas donde el sistema est relacionado a lo largo del tiempo.
Igualmente se usa (no sin controversia), para analizar el impacto dinmico de
diferentes tipos de variacin estocstica, es decir shocks econmicos, en las
variables del lado derecho de una ecuacin. 2
En este enfoque, adems, se enfatiza la necesidad de la modelacin estructural para
tratar que cada variable endgena dentro del sistema sea funcin de las variables
rezagadas de todas las variables endgenas dentro del sistema. En resumen el vector
autoregresivo es comnmente usado para pronsticos de sistemas de serie de
tiempo interrelacionados y analizar el impacto dinmico de una perturbacin
aleatoria sobre las variables del sistema.
II. ESPECIFICACIN
Para especificar un VAR, se requieren las siguientes decisiones:
La lista de variables endgenas

El intervalo de retardo del modelo
La lista de variables exgenas, si fuera necesario
El VAR presenta alternativamente, un sistema de ecuaciones simultneas en el que
cada una de las variables es explicada por sus propios rezagos y los del resto de
variables del sistema. Es decir, no se admiten restricciones a priori y todas las
variables son consideradas endgenas. La nica informacin a priori que se incluye
est referida al nmero de rezagos de las variables explicativas, que se incorporan
en cada ecuacin a partir del anlisis de la data. No obstante, en trminos operativos,
una correcta especificacin del sistema requiere que la determinacin de las
variables a ser incluidas en l se base en el conocimiento de un modelo terico relevante
(Barco, 2003).
Supuestos en la estimacin de un VAR:
Las variables que componen el vector son estacionarios (salvo para casos de
cointegracin) en cuyo caso existen metodologas alternativas.
Esto permite que los Test hechos sobre VAR tengan las distribuciones
estndar necesarias en la etapa de inferencia.
Inclusin de variables no estacionarias sujetas a los mismos problemas que el

caso univariado: distribuciones no estndar (salvo el caso de cointegracin).
Un VAR tiene, en general, la siguiente especificacin:

p
yt i yt i et 1.
i 1
Donde yt e yt-i son vectores de orden m (m es el nmero de variables del sistema) y
i es la matriz (cuadrada de orden m) de coeficientes del rezago i de las variables
explicativas de las m ecuaciones. De esta forma, se puede observar que debern
estimarse tantas matrices i como rezagos se incluyan en el sistema. Matricialmente,
y utilizando una especificacin de operadores de rezago (Barco, 2003):
y1t a11( L ) a12 ( L ) a1m( L ) y1t 1t

y a a2 m ( L ) y2t 2 t
2 t 21( L )
2.

ymt am1( L ) amm ( L ) ymt mt
En este sistema existen m variables endgenas y el operador de rezagos L resume

los p rezagos del modelo.
Esta es la formulacin del VAR en la forma reducida. En este sistema:
E et eT t - j 0 j 0 3.
E
et e t
T
e Es una matriz simtrica.
Entonces tendr una distribucin normal multivariada Nk (0, ) , donde es la

matriz de viaranza-covarianza:
21 1,2 . . . 1,m

e1t e1t 2,1 22 2,m
T
. . .
e e . .
E 2t 2t
. . . .
e
. . . . . m2,m

m1,m
emt emt m1,1 m1,2 . . 2 m 1

m ,1 m ,2 . . m , m 1 2 m
2
Es decir, no se tiene autocorrelacin entre los errores de una misma ecuacin pero
se observa correlacin contempornea entre los errores de las diferentes ecuaciones.
Caractersticas adicinales:
La estimacin de esta forma reducida por MCO para cada ecuacin del vector es
eficiente.
La forma estructural no est identificada salvo supuestos adicionales. Desde que
solo los valores rezagados de las variables endgenas aparecen en el lado derecho
de las ecuaciones, la simultaneidad no es problema y los estimadores obtenidos por
MCO son consistentes siempre y cuando se consideren a las variables rezagadas
como determinsticas. Sin embargo aun cuando las innovaciones t pueden estar
contemporneamente correlacionadas los estimadores MCO son eficientes y
equivalentes a los MCG debido a que todas las ecuaciones tienen idnticos
regresores.
Veamos, por ejemplo, el caso de un VAR (1) con dos variables, de la forma:
yt 10 - 12 zt 11 yt -1 12 zt -1 yt
4.
z t 20 21y t 21y t -1 22z t -1 zt
Donde yt y zt son variables endgenas estacionarias, yt y zt son ruidos blancos y no
estn correlacionados entre s. La ecuacin 4 sera entonces la forma estructural del 5
sistema. Aunque se tienen endgenas como explicativas. Si se quiere obtener la forma
reducida, es decir, expresar las endgenas en funcin slo de predeterminadas
(rezagos de las endgenas), se debe resolver:
1 12 yt 10 11 12 yt -1 yt
z z 5.
21 1 t 20 21 22 t -1 zt
Donde yt y zt son variables endgenas estacionarias, yt y zt son ruidos blancos y no
estn correlacionados entre s. La ecuacin 5 sera entonces la forma estructural del
sistema. Aunque se tienen endgenas como explicativas. Si se quiere obtener la forma
reducida, es decir, expresar las endgenas en funcin slo de predeterminadas
(rezagos de las endgenas). En este sistema si se da
Un shock en la variable Yt expresado en yt entonces Zt tambin se ver afectado.

Adems debemos decir lo siguiente:
-y12: Es el efecto contemporneo de un cambio de Zt sobre Yt.
21: El es efecto de un cambio en yt-1 sobre Zt.

Entonces existe un problema de correlacin de Zt con yt y de yt con zt
El sistema se puede rescribir que se puede rescribir en trminos vectoriales como:

Yt B0 B1Yt -1 t
siendo Yt un vector que contiene a yt y zt

Yt 1B0 1B1Yt-1 1 t 6.
Yt A0 A1Yt-1 et
Es decir
y t a10 a11y t -1 a12z t -1 e1t 7.
z t a20 a21y t -1 a22z t -1 e2t
La ecuacin 7 es la forma reducida del VAR (1) de la ecuacin 4. En ella los errores
s estn correlacionados debido a que recogen la presencia de yt y zt como
explicativas del VAR original. As:
1 12
1

21 1 8.

Donde: 1 12 21
y,
yt 12 zt
e1t
1 t et -
t 21 zt 9.
e2 t yt

Ya que:

t yt
zt
Son procesos ruidos blanco se puede decir que e1t y e2t tienen una media igual a cero
y varianza constante y adems cada una de ellas es in correlacionada
individualmente, en el tiempo con varianza constante pero si existe correlacin entre
ellas.
yt
2
21 yt zt 21 12 yt zt 12 zt2

e yt ezt E
2
10.

21 y2 12 z2

e yt e zt 2
0 11.
La ecuacin anterior no va a ser cero siempre que 21 0, 12 0 , es decir, mientras

que yt y zt estn presentes en la forma estructural del VAR. 7
Note que cuando se estima un VAR lo que en realidad se observa es la forma

reducida.
III. IDENTIFICACIN DE UN VAR
El problema consiste en rescatar los parmetros de la forma estructural, partir de

las estimaciones de la forma reducida.
Sin restricciones adicionales este proceso es imposible (existe una subidentificacin).

Veamos en un sistema VAR con n variables endgenas.
n2-n n n2 p n
Que es la cantidad de parmetros que se necesitan conocer. Entonces a partir de la

forma reducida tiene:
# parmetros de la forma estructural - # estimaciones de la forma reducida =

#restricciones
n necesarias para la identificacin.
Resolviendo, se requieren n(n-1)/2 restricciones
n2p n(n+1)/2
A partir del cual se puede decir lo siguiente:
# Parmetros de la forma estructural - # estimaciones de la forma reducida = #

restricciones necesarias para la identificacin = n(n-1)/2.
Note que en la forma reducida ni los parmetros ni los shocks tienen interpretacin
econmica. Los errores de la forma reducida ya no son ortogonales entre si, sino
combinaciones lineales de innovaciones estructurales. 8
Los parmetros de la forma reducida pueden ser estimados por (MCO) y estos
estimadores son suficientes y consistentes.
Por ejemplo si se tiene un VAR (1):
y t 10 12 z t 11 y t -1 12 z t -1 yt
z t 20 21y t 21y t -1 22z t -1 zt
Este VAR contiene 2 variables por lo tanto usando n(n-1)/2=1, es decir se necesita
una restriccin para identificar los coeficientes de la forma estructural.
En un clebre artculo donde Christopher Sims introdujo los VARs a la profesin

economtrica (Macroeconomics and Reality, Econometrica 1980) propuso una
estrategia de estimacin basada en una representacin recursiva la teora
econmica puede ayudarnos del VAR (es decir la matriz es triangular).
l nos dice que no es necesario volvera la forma reducida. Otros autores imponen
una restriccin a la forma estructural y as obtener los parmetros de la forma
estructural (Sims, 1980).
Podemos suponer que 21 0 .
1 12 y t 10 11 12 yt-1 yt
0 1 z z
t 20 21 22 t-1 zt
y t 1 12 10 1 12 11 12 y t-1 1 12 yt
z 0 1 0 1 z 0 1
t 20 21 22 t-1 zt
y t a10 a11 a12 y t-1 e1t

z a a a z e
t 20 21 22 t-1 2t
9
Reemplazando tenemos:
y t 10 12 11 12 21 12 12 22 yt-1 yt 12 zt
z z
t 20 21 22 t-1 zt
Una forma reducida puede corresponder a varias formas estructurales cuando el

sistema esta sobre identificado.
Se puede estimar la forma reducida por MCO siempre y cuando el VAR sea estable
(estacionaria en covarianza es decir dbilmente estacionaria).
Donde:
1) a10 10 12
2) a20 20
3) a11 11 12 22
4) a21 21
5) a12 12 12 22
6) a22 22
Recordando que:
e1t yt 12 zt
e2t zt
7) VAR(e1t ) VAR( yt 12 zt ) E ( yt 12 zt 2 12 yt zt )
2 2 2
8) VAr (e2t ) Var ( zt ) E ( ) zt2

2
zt
9) COV (e1t , e2t ) E ( yt 12 zt ) zt E yt zt 12 zt2 12 zt2
Tenemos 9 parmetros estimados:

10
a10 , a11 , a12 , a20 , a20 , a21 , a22 , Var (e1t ); Var (e2 t ) y
cov(e1t , e2t )
Que pueden ser sustituidos dentro de las nueve ecuaciones de arriba en orden de
resolverlo simultneamente para obtener los parmetros de la forma estructural que
son tambin 9.
10 , 12 , 20 , 11 , 12 , 21 , 22 ,VAR( yt );VAr ( zt )
Note que los estimados de
y pueden ser recuperados.
yt zt
Note que esta estrategia de identificacin implica que la variable ms exgena viene
primero.
Cuando se utiliza una identificacin recursiva (tambin llamada de Cholesky)

debemos tener en cuenta que un cambio en el orden de las variables cambiar
totalmente los resultados, por ello este mtodo es absolutamente frgil y muy poco
recomendable.
IV. ESTACIONARIEDAD DEL VAR Y REPRESENTACIN MA
Sea:
p
yt 0 i yt i et
i 1
Yt 1Yt 1 2Yt 2 ..... pYt p 0 et

I L
1 2 L2 3 L3 ..... p Lp Yt 0 et
Se puede escribir de la siguiente forma:

( L)Yt 0 et
Un VAR es estacionario en covarianzas si y solo si las pxn races del polinomio

formado de la matriz de variables endgenas y endgenas rezagadas ( L) caen
fuera del circulo unitario o las pxn races caractersticas i son menores a uno en
valor absoluto.
Sea el VAR de orden 1:

11
Yt 0 1Yt-1 et
Yt 0 1 ( 0 1Yt-2 et-1 ) et
Yt 0 1 ( 0 1Yt-2 e t-1 ) e t
Yt I 1 0 21Yt-2 1e t-1 e t
Yt I 1 0 21 ( 0 1Yt-3 et-2 ) 1et-1 et
Yt I 1 21 0 31Yt-3 21et-2 1et-1 et
Generalizando:
Yt I 1
n
2
1 3
1 ... n
1 0 n+1
1Yt-(n+1) i1et-i
i 0
n+1
Si n tiende al infinito la convergencia requiere que A 1 desaparezca.
La condicin de estabilidad requiere que los eigenvalores de la matriz A1 sean
menores a la unidad.
1 I 0
i 1
Podemos escribir la solucin particular como:
0
Yt
i1et-i
I 1 i 0

Yt I 1
1
0 i 1 et - i
i 0
O alternativamente si:
Yt 0 1Yt-1 et
yt a10 a11 a12 yt-1 e1t
z a a a z e
t 20 21 22 t -1 2 t
yt a10 a11 yt -1 a12 zt -1 e1t

zt a20 a21 yt -1 a22 zt -1 e2t
12
yt a11 yt L a12 zt L a10 e1t

zt a21 yt L a22 zt L a20 e2t
Resolviendo el sistema se tiene que:

1 a11 L (1 a22 L) a21a12 L2 0
Las races L deben encontrarse fuera del circulo unitario.
Adems tenemos:
1 0 a11 a12 1 a11 a12
I A1
0 1 a21 a22 a21 1 a22
1 1 a22 a12
I A1
1

a21 1 a11
1 a22 1 a11 a12 a21

1 1 a22 a12 a10
I A1
1
A0
a21 1 a11
a20
1 a10 1 a22 a20 a21 y

I A1
1
A0 z
a
20 1 a11 a a
10 12
Por lo tanto para todo VAR estacionario se puede obtener una representacin MA
(00) expresado de la siguiente forma:
Yt t t 1 t 2 .... t p ... ( L) t
( L)
I 1 L 2 L L ....
2 3

13
V. ESTIMACIN DEL VAR
Trabajando en general con un VAR (p) de la forma (Hamilton, 1994):
Yt A0 A1Yt-1 A2Yt-2 A pYt-p et 12.
Se puede observar que:
1. Se tiene un problema de sobreparametrizacin: hay que estimar n*p n
parmetros, lo que produce un grave problema de prdida de grados de libertad.
La seleccin adecuada de los grados de libertad es importante; si p es bastante
pequea ,el modelo est mal especificado si p es bastante grande los grados de
libertad se desperdician No obstante, el objetivo de un VAR es encontrar la
interrelacin entre las variables y no realizar predicciones de corto plazo, lo
que reduce la importancia del problema.
2. Dado que se trabaja con la forma reducida, los errores de cada ecuacin estn
autocorrelacionados y tienen varianza constante, el mejor mtodo de estimacin
es aplicar MCO ecuacin por ecuacin. No obstante, para que sea un estimador
eficiente todas las ecuaciones deben tener igual nmero de rezagos de cada
explicativa.
En trminos prcticos se recomienda utilizar la siguiente receta1:
1. Limpiar cada una de las series de cualquier tipo de no estacionariedad. Las
variables que componen el vector son estacionarias (salvo para el caso de
cointegracin), esto permite que los test hechos sobre el VAR tengan
distribuciones estndar.
14
2. Estimar por MCO cada ecuacin, individualmente.
1
Proporcionado en el Curso de Econometra del 49 Curso de Extensin Universitaria BCRP.
3. Determinar el nmero de rezagos de las variables explicativas que deben
permanecer en cada ecuacin. Para ello se sugieren aplicar:
El Test de Mxima Verosimilitud para el conjunto de ecuaciones. La hiptesis
nula de este test es que el sistema tiene un nmero i de rezagos versus la
alternativa de que este nmero es i+r. El estadstico sera:
Si alguna de las ecuaciones del VAR tiene regresores que no estn incluidas en
las otras entonces se puede usar el mtodo SUR que provee de estimadores
eficientes de los coeficientes VAR. As cuando all existe una buena razn para
para permitir que la longitud de los rezagos difieran de una ecuacin a otra, usar
SUR.
El planteamiento formal del Test es el siguiente:

(T c) * log i log i r 13.

Donde:
Log i = logaritmo del determinante de la matriz de varianzas y covarianzas
para el modelo con a rezagos.
T = nmero de observaciones
c = parmetros del modelo no restringido en cada ecuacin = mx(r+i).
Este test se distribuye 2 con grados de libertad igual al nmero de restricciones
en el sistema q m2 x r .Este test tiene poco poder para rechazar test sucesivos de
restriccin de rezagos; por ello el rezago referencial debe ser el de mayor valor
en el sistema, es decir, cualquier hiptesis nula debe ser contrastada contra el
rezago (i+r).
15
Tambin se puede usar el LR test:

LR (T ) * log i log i r

4. No se debe utilizar el test t ni dar importancia a los signos de los coeficientes, ya
que existe una gran multicolinealidad entre las variables de cada ecuacin. La
magnitud de los coeficientes es un indicador relativo de la significancia de la
variable (un coeficiente pequeo generalmente acompaa a una variable poco
significativa).
El ratio MV es un test basado en la teora asinttica que no ser muy til en
muestras pequeas. Adems el test del Ratio de MV es solo aplicable cuando un
modelo es una versin restringida de la otra. Un test alternativo para determinar
la longitud apropiada de los rezagos son las generalizaciones multivariadas del
AIC y SBC.
Rezago ptimo - criterios de Akaike y Schwartz: beneficio de mayor
verosimilitud vs. Penalizacin por inclusin de variables adicionales:
Akaike AIC (p) = -2 L/T+ (2p/T)
Schwartz SIC (p) = -2L/T + p ln (T)/T
Donde
L = logaritmo de la funcin de mxima verosimilitud (suponiendo distribucin
normal multivariada).
p = nmero de parmetros estimados.

T = nmero de observaciones.
Seleccin: valor ms bajo de criterio de informacin
16
5. Llevando a cabo la prueba de exclusin de rezagos para cada rezago dentro del
VAR. El estadstico de Wald para la prueba de significancia conjunta de todas

2
las variables endgenas en lo que los rezagos son reportados para cada ecuacin
separadamente y conjuntamente.
Resumen:
Supuestos en estimacin de VAR:
Variables que componen el vector son estacionarias (salvo para el caso de
cointegracin).
Esto permite que los tests hechos sobre el VAR tengan distribuciones
estndar.
Inclusin de variables no estacionarias sujetas a los mismos problemas que
en caso univariado: distribuciones no estndar (salvo cointegracin).
Resumen de comportamiento dinmico de series.
Forma reducida no permite interpretacin estructural.
Bajo supuesto de orden causal, podemos analizar dinmica y recuperar forma
estructural.
VI. LA FUNCIN IMPULSO-RESPUESTA Y LA DESCOMPOSICIN DE LA

VARIANZA
Los coeficientes de regresin estimados por un modelo VAR tienen cierta dificultad
de Interpretacin, por lo que ms acertado es obtener la llamada funcin impulso
respuesta (FIR) y tambin la descomposicin de la varianza del sistema.Entonces la
forma comn de evaluar comportamiento dinmico: Es el anlisis Impulso-
Respuesta que es la respuesta de las variables en VAR ante un shock en una de las
variables del modelo.
Qu nos interesa ms, shocks a eit (innovaciones de forma reducida) shocks a

eit (innovaciones estructurales)? 17
Vimos que eit es en realidad combinacin lineal de shocks estructurales eit no

sabramos como interpretarlo.
El objetivo es ver impacto de shocks estructurales.
Se trata de conocer la reaccin de las variables del sistema frente a shocks. La FIR
representa la reaccin de la variable endgena ante un cambio de una de las
variables aleatorias (shocks). As por ejemplo, en nuestro caso, dada una variacin
del efecto ser inmediato en pero tambin habr un efecto en los valores futuros de
dicha variable y en el valor futuro de las otras variables debido al carcter dinmico
interconectado del sistema.
La FIR calcula el efecto presente y futuro en las variables endgenas, ante una
variacin shock expresado en el tamao de su desviacin estndar.
6.1. Representacin (MA) de los modelos VAR
Una forma alternativa de representacin del VAR consiste en hacer depender el
vector de valores actuales de las variables del valor actual y los infinitos rezagos del
vector de errores estructurales:
p
Yt
j 1
i L jYt et 14.
p
j
I i L Yt et 15.
i 1
A( L)Yt et 16.
et
Yt 17.
A( L)
Propiedad en matrices: 18
Yt et 1e1t 1 2et 2 18.

Yt ie t i
i 0
Si aumentamos s periodos adelante tenemos lo siguiente:
Yt s et s 1e1t s1 2et s2 s et s1et 1 ...

Yt s i et s i
i 0
Cul es el efecto s periodos adelante de un shock dado en el instante t (s < t)
Yt s
s Que viene a ser la matriz de multiplicadores de impacto.
e't
Yi ,t s
ij ( s)
ei ,t Efecto en la variable i de un shock en la variable j.
Asimismo con las funciones impulso respuesta se pueden sustentar empricamente

los mecanismos de transmisin.
Ejemplo: La funcin impulso respuesta para un VAR (1):
y t a10 a11 a12 y t-1 e1t

z a a a z e
t 20 21 22 t-1 2t
Obteniendo la versin MA del VAR en forma recursiva:
Yt 0 1Yt-1 et
Yt 0 1 ( 0 1Yt-2 et-1 ) et
Yt 0 1 0 21Yt-2 1et-1 et
19
Yt 0 1 0 21 ( 0 1 0 21Yt-3 1et-2 ) et
1et-1 et
Otra forma de expresarlo:
(I-1L)Yt 0 et
0 et
Yt
(I- 1L)
Yt (I-1L)-1 0 (I-1L)-1et
Yt (I-1L)-1B 1 t
Yt ( L) B 1 t
Yt ( L) t
_
yt y 11 (i) 12 (i) yt i

z _ Para i = 1, 2,3,...
t z i 0 21 (i ) 22 (i) zt i
19.

Es una representacin MA ().
Esta representacin pudo ser transformada de tal forma que los valores actuales de
las variables sean una funcin de los valores presentes y pasados de un vector de
innovaciones ortogonales: como los errores en (19) no tienen por qu estar no
correlacionados, se acostumbra pre multiplicar dicha ecuacin por la nica matriz
triangular (T), con unos en la diagonal principal, que diagonalizar la matriz de
covarianzas del error. As, se obtiene un nuevo modelo con errores ortogonales:
Ejemplo: funcin de IR para un VAR (1)

Se tiene:
20
y t a10 a11 a12 y t-1 yt y2 yz

z a a a z e
z2
t 20 21 22 t-1 zt zy
Suponga que en t = 0 ezt =1 Zt se incrementa en una unidad.

Cmo responde el sistema?
VII. DESCOMPOSICIN DE CHOLESKY
Es la modificacin que normaliza la varianza de las innovaciones estructurales a la
unidad (igual supuesto de ordenamiento)
Diagonalizando:
p
P Yt P iYt i Wt 20.
i 1
Dnde: Wt Pet , es el vector de las innovaciones ortogonalizadas, y

D P e P ' .
Es decir, para cada matriz e real, simtrica y definida positiva existe una nica
matriz triangular baja P con unos en la diagonal y una nica matriz diagonal D con
entradas positivas en la diagonal, tal que:
e PDP '
21.
e PDP ' PD1 / 2 D1 / 2 P ' VV '
Analizando la matriz de covarianza de los shocks estructurales

et B 1 t
E(et et ' ) E( Bet et ' B' ) BE(et et ')B' B e B'
21
Si se quiere obtener un nuevo modelo con errores ortogonales, bastar con hacer
P B1 , y adems imponemos restricciones a la matriz B de forma tal que B es una
matriz triangular inferior con unos diagonal principal:
'
E WW
t t ' B E et et ' B
1 1 22.
B1 e B1 ' 23.
1 1
B BDB ' B ' D 24.
w_ . . 0
11
_
0 w22 . .
D
_ 25.
. . w33 .
_
0 . . wmm
Donde D, la matriz de varianzas y covarianzas de los errores transformados, es una
matriz diagonal que garantiza su ortogonalidad. Entonces la matriz de covarianzas
de los errores ortogonalizados es la matriz diagonal, esto quiere decir que los
mismos tienen todos sus componentes, incorrelacionados cada uno con varianza que
vienen a ser los valores de la diagonal principal. El orden de las variables para
descomponer matriz de covarianzas es importante, implica que shocks en la
segunda variable no tienen efectos contemporneos sobre la primera y asi
sucesivamente.
Por lo visto, podemos decir que la descomposicin de Cholesky plantea la
modificacin que normaliza varianza de innovaciones estructurales a la unidad
(igual supuesto de ordenamiento).A partir de este modelo transformado se puede
obtener la funcin impulso-respuesta ortogonalizada, calculando el efecto sobre Yt s

22
de un impulso unitario en w jt . Estos multiplicadores, describen cmo nueva
informacin sobre y jt nos lleva a revisar nuestra prediccin de Yt s , aun cuando la
definicin implcita de nueva informacin es diferente para cada variable j.
El orden en que se coloquen las variables en el sistema tendr un impacto importante
sobre los multiplicadores calculados: al elegir un orden recursivo particular de las
variables, implcitamente, se responde a un conjunto de preguntas especficas
respecto a la prediccin; el ordenamiento depender de la razn por la cual
queremos responder esas preguntas en primer lugar. Asimismo, pueden existir
razones tericas para suponer que una de las variables no se ve afectada por los
shocks contemporneos de las otras.
La importancia del ordenamiento depende de la magnitud de la correlacin de los
errores no ortogonalizados del sistema. En la prctica, una correlacin baja (menor
a 0.2) disminuye la relevancia de un ordenamiento adecuado. Si la correlacin es
elevada, en cambio, ser indispensable probar diferentes ordenamientos y analizar
cunto cambian los resultados. En principio, una buena especificacin del sistema
debera arrojar resultados muy similares con cualquier ordenamiento utilizado
(Barco, 2003).
Resultados ante distintos ordenamientos diferirn ms mientras mayor sea la

correlacin entre los residuos del VAR.
En resumen podemos plantearnos lo siguiente:
- Teora econmica
- Son funciones impulso respuesta muy distintas bajo distintos

ordenamientos?. Contradice la teora econmica.
23
Asimismo, es posible realizar un anlisis de descomposicin de la varianza a partir
del modelo ortogonalizado. Este consistir en calcular la contribucin de la
innovacin j sobre el error de prediccin del perodo t+s. Es de esperar que en el
corto plazo la propia innovacin explique la mayor proporcin de este error. Cabe
resaltar que este anlisis tambin se ve afectado por el ordenamiento de las variables
del sistema, por lo que se sugiere probar diferentes ordenamientos, al igual que en
el caso de la funcin impulso- respuesta.
VIII. DESCOMPOSICIN DE VARIANZA.
Se trata de conocer la contribucin de la j-sima innovacin ortogonalizada
en el error cuadrtico medio (ECM) de la prediccin s periodos adelante. La
descomposicin de varianza del error de prediccin nos dice que proporcin
de los movimientos (variabilidad) en una secuencia de uno de los
componentes de Yt son explicados por sus propios shocks y que proporcin
lo explican los shocks de los otros componentes.
Nos va ha medir la proporcin (que parte de los movimientos en una de las
variables esta explicado por sus propios choques y que parte esta explicado
por los choques de las otras variables.
Una forma fcil de ver cul es la variable ms exgena es la grafica y
comparacin de cada una de las series en estudio. Si los movimientos de la
serie estn explicados por ella misma entonces la variable es exgena o mas
exgena.
Supngase que conocemos los coeficientes de Ao y A1 y que queremos pronosticar
los diversos valores de Xt+i condicionados a los valores Xt.
Por ejemplo:
Yt+1 0 1Yt et+1 24
E t (Yt+1 ) 0 1Yt
El error de prediccin, condicionado a la informacin disponible en el periodo t, con

un periodo de adelanto es:
Yt+1 -E t (Yt+1 ) et+1
Similarmente:
Yt+2 0 1Yt+1 et+2
Yt+2 0 1 0 1Yt et+1 et+2
Yt+2 0 1 0 21Yt 1et+1 et+2
E t (Yt+2 ) 0 1 0 21Yt
y el error de prediccin asociado es:
Yt+2 -E t (Yt+2 ) 1et+1 et+2

Sea E t (Yt+n ) Y t n / t
Generalizando tenemos:

t n / t 1et+n-1 1 et+n-2 ... 1
n 1
t+n
Y Y 2
et+1

Tambin se puede obtener el error de prediccin en trminos de VMA dado que el
VAR en la forma reducida y el VMA contienen la misma informacin.
Yt ( L) B 1 t
Yt ( L) t
_
t y
y 11 (i) 12 (i) yt i
z _ (i ) (i)

t z i 0 21 22 zt i

25

Yt+n i t+n-i
i 0
As que el error de prediccin ser:
n 1

ECM( Y t n / t ) Yt+n Y t n /t i t+n-i
i 0
IX. CAUSALIDAD
Generalmente no resulta fcil determinar la existencia de una relacin de causalidad
entre dos variables y menos an su direccin. Para ello se recurre, en la prctica, a
la teora econmica aun cuando la verificacin de la validez de dicha relacin resulta
ser poco rigurosa si se pre condiciona la misma a la existencia de una teora que la
apoya. La alternativa economtrica de verificacin consiste en general en estimar
una regresin entre las variables que se analizan y observar la significancia de los
coeficientes obtenidos. Sin embargo, una alta correlacin entre dos variables no
asegura una relacin causa-efecto entre ellas, ya que la posibilidad de que se haya
obtenido una correlacin esprea no debe ser descartada. Como es bien sabido la
correlacin espurea se da debido a que el alto valor del coeficiente de correlacin se
explica principalmente por la presencia de un tercer factor y no por la existencia de
una relacin con sentido econmico entre las variables.
Es por estas razones que se ha desarrollado el concepto de causalidad en
econometra, el mismo que se basa en el desarrollo terico llevado a cabo por
Granger2. Formalmente podemos definir la llamada causalidad a lo Granger
diciendo que: la variable x causa a la variable y si al tomar en cuenta los valores
pasados de x se mejoran las predicciones de y. Granger se refiere a las predicciones
insesgadas de y que se obtienen a travs de la estimacin por MCO, midiendo la

26
precisin de las mismas a travs de la varianza del error de prediccin que para el
caso de insesgamiento viene a ser error cuadrtico medio:

^
2
ECM = E[( Y -Y) ] 26.
As, x causa a y si:

^ ^
ECM(Y/ U ) (Y/ U - x)
Mientras que X causa instantneamente a Y si:

^ ^
ECM(Y/ U ) (Y/ U - x) 27.
Donde U es un set de toda la informacin disponible pasada y presente, U es el
mismo set pero que contiene slo la informacin pasada, X contiene toda la
informacin pasada y presente de dicha variable y x slo la informacin pasada.

~y
Asimismo, es el predictor MCO de y.
La posibilidad de hacer operativa esta definicin pasa por la necesidad de acotar el
set U de toda la informacin disponible, an cuando ello implique recurrir a la teora
econmica y, de algn modo, perder parte de la objetividad ganada aplicando el
concepto mismo de causalidad.
Son principalmente tres los test que se utilizan para verificar las existencia de una
relacin de causalidad entre dos series de tiempo.
9.1. El test directo

La hiptesis a testear ser:
Ho : y x 28.
Es decir, se requiere examinar si y no causa a x. Para ello se estima la relacin entre

x, los m primeros rezagos de yt y los n primeros rezagos de xt:
27
p p
x t = i yt i i xt i ut 29.
i 1 i 1
y luego se verifica la significancia conjunta de los rezagos de yt; si ellos no fueran
significativos entonces xt estara explicado solamente por su propio pasado y por el
elemento aleatorio respectivo.
Para que el test arroje un resultado correcto es necesario asegurarse que la
especificacin del modelo sea la adecuada, de tal forma que el error asociado sea ruido
blanco. Por lo mismo se requiere escoger cuidadosamente el valor de p, especialmente
en el caso de los rezagos de x, ya que la eliminacin de estos ltimos, si es que son
importantes para explicar el comportamiento de x, inflaran artificialmente la
significancia de los rezagos de y llevndonos a obtener una conclusin falsa respecto
de la relacin de causalidad entre x y.
Cuando una variable yt no es til para predecir otra variable xt entonces se dice que
yt no causa a xt en el sentido Granger.
E( X t s / X t , X t 1 ,...) E( X t s / X t X t 1 X t 2 ,...; YY
t t 1 , Yt 2 ,...)
9.2.Test de Sims
Consiste en regresionar xt en funcin de los valores pasados y futuros de yt, de forma
tal de testear que yt no causa xt sobre la base de la significancia de los coeficientes
asociados con los valores futuros de xt. Dicho de otro modo, si existe una relacin entre
el valor presente de xt y los valores futuros de yt sta debe expresar una causalidad de
28
x a y y no de y a x, ya que el futuro no puede causar al presente (ver nota 1)2. As, se
plantea correr la regresin:

p
xt

y
m
t zt
o
p p 30.
xt yt yt zt
1 1
Donde se testear la Ho 0 1,2,...., p

Lo ms importante de la aplicacin de este test es que para que arroje un resultado
correcto el error de la ecuacin debe ser ruido blanco. De no ser as, deber ser estimada
por mnimos cuadrados generalizados, luego de identificar la estructura
autorregresiva del error. Sims simplific este proceso asumiendo a priori dicha
estructura:
wt 1.5wt 1
0.5625wt 2
et 31.
y multiplicando cada variable de la ecuacin por (1-1.5L+ 0.5625L2) antes de estimarla.
Este se convirti entonces en el filtro ad-hoc de Sims.
9.3.El test de Geweke, Meese & Dent (1983)
Geweke trat de resolver el problema del test de Sims, que implicaba tener que
determinar una estructura autorregresiva para el error o utilizar el filtro ad-hoc. Para
ello, se plantea una correccin de la ecuacin original:

29
2
El teorema de Sims que sustenta esta metodologa de testeo de la causalidad sostiene que: cuando
(x,y) tienen una representacin AR, x puede ser expresado como una funcin de rezagos y valores
actuales de y, con un residuo no correlacionado con ningn valor de y, pasado o futuro, si y slo si y
no causa a x en el sentido Granger.
29
yt ( L) x t 1 ( L) t 32.
que implica multiplicar cada uno de sus elementos por el polinomio AR(p), (L), de
forma que:
( L) y t ( L) ( L) x t t 33.
donde, por definicin, existe la garanta de que el error es ruido blanco. Esta
transformacin implica agregar a la ecuacin, como explicativas, p rezagos de x y, de
forma tal de limpiar el error; luego se testea la hiptesis de Sims de que los coeficientes
asociados con los valores futuros de las x son no significativos.
Exogeneidad (Engle, Hendry y Richard, HER, 1983)
Se definen los niveles de exogeneidad necesarios para implementar cada uno de los
siguientes usos en los modelos economtricos:
1) Inferencia
2) Prediccin
3) Anlisis estructural
Un PED bivariado puede aproximarse por alguna funcin de distribucin conjunta,

la cual puede ser factorizada en dos componentes: la funcin marginal y la funcin
condicional; es decir:
f x t , yt f x t f
y
t x 34.
t
marginal
condicional
Donde:
y t 12 12
x N ,

1
21 22 35.
t 2
Por ejemplo:
y t x t 1t Ecuacin condicional 36.

30
x t 1 x t -1 2 y t -1 2 t Ecuacin marginal 37.
donde:
1t 0 12 12
N ,
2

38.
2t 0 21 2
Suponga que la ecuacin de inters es la (36). El asunto clave parece ser la
exogeneidad de xt. No obstante, EHR afirman que lo importante es ms bien tener
claro para qu servir la mencionada ecuacin. Tres son los posibles propsitos:
a) Hacer inferencia sobre un parmetro de inters, por ejemplo . En este caso

se requiere exogeneidad dbil.
b) Predecir yt en funcin de xt. De ser este el caso se requiere exogeneidad fuerte.
c) Testear si (36) es estructuralmente invariante a cambios en la distribucin

marginal de xt. En este caso se requiere super exogeneidad.
9.4. Exogeneidad dbil
x t , yt xt f
y
f f t x
t
marginal
condicional
y t x t 1t Ecuacin condicional 39.
x t 1 x t -1 2 y t -1 2 t Ecuacin marginal 40.
1. Para verificar este tipo de exogeneidad es necesario definir los siguientes grupos
de parmetros:
1 , los parmetros de la funcin de distribucin condicional.

2 , los parmetros de la funcin de distribucin marginal. 31
1 , los parmetros de la distribucin conjunta.

, los parmetros de inters.
La exogeneidad, entonces, est relacionada con : una variable es exgena para unos
determinados parmetros de inters.
Condiciones para que se d exogeneidad dbil

xt es exgena dbil si existe una reparametrizacin de 1 tal que
f 1 Exclusivamente es funcin de 1
1 y 2 son de libre variacin, es decir, los valores que toma

el primer conjunto de parmetros no afectan al otro.
12
Por ejemplo, suponga que multiplicamos la ecuacin (37) por , restando el
22
resultado de la (37). A travs de esta operacin diagonalizamos la matriz de
varianzas y covarianzas del error, obteniendo:
y t 0 x t 1 x t -1 2 y t -1 t
41.
siendo (39) la nueva ecuacin condicional, donde:
12 12 12 12
0 1 1 2 2 t 1t 2t
22 22 22 22
42.
por lo que:
12
2

2
Var t 11
0
2
2t
43.

0 22

De esta forma: 32

,1 , 2 , 12 , 22 , 12 44.
, , ,
1 0 1 2
2
1
2 1 , 2 , 22
Supongamos ahora que se define como parmetro de inters, es decir:

Verifiquemos entonces las dos condiciones de exogeneidad dbil:

1
a) 0 0 2
1 2
Por lo que depende de 1 0 , 1 , pero tambin depende de 2 1 , 2 . Es
decir, la primera condicin no se cumple.
b) 2 1 1 2
por lo que 1 y 2 s tienen relacin, incumplindose tambin la segunda condicin.
En conclusin, definido el parmetro de inters como , xt no es exgenamente

dbil.
Veamos, sin embargo, algunas variantes. Si 12 0 , es decir los errores de las
ecuaciones 12 y 13 no estn correlacionados, entonces es igual a 0 , siendo este

ltimo un parmetro que pertenece exclusivamente a 1 ; de aqu que la primera
condicin s se cumple.
De otro lado, la relacin anterior b) desaparece (dado que 1 = 2 = 0) por lo que la
segunda condicin tambin se cumple.

33
Ntese que si 2 0, pero el nuevo parmetro de inters fuese 0, se cumplira la
primera condicin pero no la segunda. Para que esta ltima tambin se cumpliera
se requerir, adems, que yt no cause a xt. Se deja al lector la demostracin detallada
de este caso.
Exogeneidad Fuerte
Para que xt sea exgenamente fuerte respecto a , se debe cumplir que:
a) Xt sea exgena dbilmente respecto a .

b) Yt no cause a Xt en el sentido granger.
xt es super exgena si los parmetros de la distribucin condicional son invariantes
a cambios en la distribucin marginal.
9.5. Test de exogeneidad
A. Exogeneidad dbil
1. Comprobar que yt no cause instantneamente a xt.

2. Probar que Ho: 12 0 . Para ello:
a) Correr las ecuaciones condicional y marginal, y recoger los errores de

ambas, 1 y 2 , respectivamente.
b) Correr la regresin 1 f constante, x t , 2
c) Se rechaza la nula si TR
2
~ 2 1 excede el valor crtico correspondiente.
B. Exogeneidad fuerte
Comprobar que xt es exgenamente dbil.
Demostrar que yt no causa a xt.
C. Superexogeneidad
1. Realizar un test de estabilidad de parmetros sobre la condicional.
2. Hallar un conjunto de dummies que expliquen la inestabilidad de parmetros
de la marginal. 34
3. Correr la ecuacin condicional incluyendo las dummies anteriores como
explicativas y testear Ho: los coeficientes de las dummies son cero.
Si se acepta sta, entonces la ecuacin condicional es invariante a cambios en
la marginal.
El VAR estructural
La Descomposicin de Choleski
La estimacin de la forma reducida del VAR planteado en la parte tercera:
y t a10 a11y t-1 a12z t-1 e1t

z t a20 a21y t-1 a22z t-1 e2t 45.
no permite recuperar la forma estructural:
y t 10 12 z t 11 y t -1 12 z t -1 yt
z t 20 21y t 21y t-1 22z t-1 zt 46.
ya que mientras que la ecuacin (1) arroja 6 parmetros estimados, adems de las
dos varianzas de los errores y la covarianza entre ellos (9 en total), el segundo tiene
10 parmetros a estimar: los 8 coeficientes y las desviaciones de los errores
estructurales. Es decir, a menos que se imponga al menos una restriccin sobre el
modelo estructural, ste no podr recuperarse.
Una forma de identificar el modelo es usar el sistema recursivo propuesto por Sims
(1980). As, se supone que 21 es igual a 0, de tal forma que:
1 12
1 47.
0 1
Premultiplicando el sistema de ecuaciones (2) por la matriz de (3), se tiene:
y t 1 12 10 1 12 11 12 y t -1 1 12 yt
z 0
1 20 0 1 21

22 z t -1 0 1 zt
48.
t
o,
35
y t 10 12 20 11 12 21 12 12 22 y t -1 yt 12 zt
z 20 21 22 z zt 49.
t t -1
por tanto, a partir de la estimacin de la forma reducida (1), se pueden establecer las
siguiente relaciones entre coeficientes:
a10 10 12 20
a11 11 12 21
a12 12 12 22
50.
a 20 20
a 21 21
a 22 22
adems, como e1t= yt 12 zt y e2t=zt, entonces:
Var (e1 ) y2 12 z2 51.

Var (e2 ) z2 52.
Cov(e1 , e2 ) 12 z2 53.
con el resultado de (8) en (9), podemos hallar 12, a partir de lo cual es posible obtener
todos los coeficientes de la forma estructural de (6).
Tngase en cuenta que este resultado fue obtenido gracias a la restriccin impuesta,
21=0, la que implica que yt no tiene un efecto contemporneo sobre zt. Adems,
viendo (5) se puede observar que la restriccin implica tambin que yt y zt afectan
ambos el valor contemporneo de yt, pero que slo zt afecta el valor contemporneo
de zt. Esta descomposicin triangular de los residuos se conoce como la
Descomposicin de Choleski.
36
Otras alternativas de descomposicin: el VAR estructural
Los sistemas exactamente identificados
El objetivo de un VAR estructural es utilizar la teora econmica para recuperar los
errores estructurales a partir de las estimaciones de la forma reducida. De esta
manera, se evita utilizar criterios arbitrarios de ordenamiento de variables como el
que requiere la descomposicin de Choleski, ms an si se sabe, que la utilizacin
de diversos ordenamientos puede arrojar resultados muy diferentes para un mismo
grupo de variables3.
La idea del VAR estructural es simplemente reconocer que los VARs no son ms que
la forma reducida de la forma estructural que debe mostrar coherencia terica, para
que sus predicciones sean crebles.
Es decir, las restricciones de nulidad no pueden imponerse alegremente como en
Choleski sino ms bien deben utilizarse restricciones basadas es propuestas que se
desprenden de la teora econmica.
As, se buscar imponer restricciones que permitan recuperar los errores
estructurales, preservando su estructura. Para identificar los parmetros
estructurales debern contarse entonces ecuaciones e incgnitas. Usando la matriz
de varianzas y covarianzas () estimada por MCO para la forma reducida de un
sistema de m variables se tienen (m2+m)/2 valores diferentes conocidos (dado que

37
3
Seleccionar un orden determinado implica dar mayor importancia a la variable que se coloca como primera. Adems, la amplitud
del impulso respuesta que se atribuye al error de esta ltima ser incrementada por dicho ordenamiento, mientras que reducir
las del resto de variables situadas a continuacin.
es simtrica). De otro lado, dado que la matriz tiene unos en la diagonal, contiene
m2-m valores desconocidos a los que hay que adicionar m ms que corresponden a
las varianzas de los errores estructurales. Es decir:
Valores conocidos (estimados a partir del modelo reducido)= (m2+m)/2
Incgnitas = m2
Total de restricciones a imponer en el modelo estructural = m2-(m2+m)/2= (m2-m)/2
Ntese que la descomposicin de Choleski satisface esta condicin. En el ejemplo
visto antes, donde m=2, se requera una sola restriccin para identificar el modelo,
por lo que se supuso que 21=0. Sin embargo, lo que propone el VAR estructural es
trabajar con un conjunto de restricciones menos limitantes (que vayan ms all de la
triangulacin de la matriz de varianzas y covarianzas). Estas descomposiciones
alternativas estructurales pueden ser hasta de tres tipos:
Las restricciones sobre los coeficientes.- que supone establecer valores

especficos para los s.
Las restricciones sobre los valores de las varianzas.- que por tratarse de la
varianza, arrojar resultados mltiples respecto de los valores de los s4
Las restricciones simtricas.- que consisten en combinaciones lineales de

los coeficientes s y las varianzas, como sera el caso de suponer que 12=21
Los sistemas sobreidentificados
Es posible que la teora econmica sugiera la presencia de ms de (m2-m)/2

restricciones. En este caso, tendremos un sistema sobreidentificado que requerir un
38
procedimiento especial de estimacin, con los siguientes pasos:
4
Para entender esto, basta tener en cuenta la relacin cuadrtica existente entre las matrices de varianzas y covarianzas de los
errores de la forma reducida y estructural, a saber: e
'
Estimar el VAR no restringido, sabiendo que el ordenamiento de las variables no

afecta su resultado.
Obtener la matriz de varianzas y covarianzas del modelo no restringido, cuyo

determinante constituye un indicador del ajuste del modelo.
Seleccionar las restricciones y maximizar la funcin de verosimilitud respecto a los

parmetros libres de y
Si las restricciones no son vlidas, y sern equivalentes. Sea R el nmero de

restricciones en exceso de las que haran el modelo exactamente identificado. El
siguiente test puede ser utilizado para evaluar el sistema restringido:
2 R
Donde R son los grados de libertad. Si 2 calculado excede el de tabla las restricciones
sern rechazadas.
Restricciones de Largo Plazo (Blanchard & Quah, 1989)
Supone el siguiente modelo donde una de las series es I(1) y la otra es I(0):
Forma estructural:
X t B0 B1X t -1 t E et et ' D
X ( L) t 54.
La forma reducida ser:
Xt A0 A1 Xt -1 ut
E ut ut
'

X ( L)ut 55.
Donde:
B-1et E B-1et et ' B-1 B-1E et et '
' ' '
ut E ut ut ' B-1 B-1E D B-1
Tambin: (L)ut ( L)et (L)B-1 ( L) 56.
De 79 tenemos: 39
x1t 1 11 ( L) 12 ( L) 1t
x ( L) ( L)
2t 2 21 22 2t
En BQ x1t es el PIB e x2t la tasa de desempleo, 1t es un shock de oferta y 2t es el

shock de demanda.
BQ suponen que los shocks de demanda no tienen efectos de largo plazo ni en el PIB
ni en el desempleo mientras que los shocks de oferta solo tienen efectos permanentes
en el PIB.
Las restriccin de neutralidad de largo plazo se puede expresar como 12 ( L) 0 .
Las restricciones sobre x2t son innecesarias pues x2t I (0) .

Por lo tanto tenemos:
(1) 0
(1) 11
21 (1) 22 (1)
Como podemos utilizar esta restriccin para identificar B?
De (80) podemos calcular la varianza de largo plazo: (1) (1)' sustituyendo

las definiciones de (1) y de tenemos:
(1)B B 1 D( B 1 )' B' (1)'
(1)D (1)'
Llegado a este punto BQ suponen que D I (1) (1)' 57.
La restriccin de neutralidad implica que (1) es triangular entonces se puede decir

que es la descomposicin de Cholesky de .
Finalmente usamos (81) para determinar B:
( L)et
1
(L)u t (L)B-1 ( L) B= (L) ( L)
1
B= (I-A1 ) (1) 40
REFERENCIAS BIBLIOGRFICAS
Barco, A. (2003). Econometra de series de tiempo. Notas de clase de Econometria II. Lima:
Mimeo. Universidad del Pacfico.
https://econometriaii.files.wordpress.com/2010/01/beltran.pdf
Hamilton, J. (1994). Time series analysis. Princeton University.
Londoo, W. (2005). Modelos de ecuaciones mltiples modelos VAR y cointegracin.

Medelln: Departamento de Ciencias Bsicas, Maestra en Matemticas
Aplicadas. Universidad de EAFIT .
https://repository.eafit.edu.co/bitstream/handle/10784/134/Wbaldo_Londo%C
3%B1o_2005.pdf?sequence=3&isAllowed=y
Sims, C. (1980). Macroeconomics and reality. Econometrica, 48(1), 1-48.
41

Apuntes de Clase Nro2 Vectores Autorregresivos

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Apuntes de Clase Nro2 Vectores Autorregresivos

Cargado por

Copyright:

Formatos disponibles

N 02

Serie Apuntes de Clase Agosto de 2014

Rafael Bustamante Roman

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

Escuela Acadmico Profesional de Economa.

Calle Germn Amzaga N 375.

Rafael Bustamante Roman

Este documento describe la estimacin y anlisis de los vectores autorregresivos

gue o restrinja la estructura de un modelo.

Palabras Claves: VAR, MA, descomposicin de Cholesky, causalidad, test de

Clasificacin JEL: C32, C40.

En los modelos economtricos estructurales (tradicionales), que hacen uso de informacin

en forma de series de tiempo, comnmente se requiere imponer restricciones a los

tcnicas estadsticas conocidas; tambin resulta necesario hacer supuestos acerca de la

dinmica del sistema econmico, mediante la imposicin de restricciones sobre el nmero

El enfoque estructural de la modelacin de las ecuaciones simultneas usa la teora

resultante se estima entonces, y probaba la relevancia emprica de la teora.

Desgraciadamente, la teora econmica no es a menudo lo bastante rica para

proporcionar una especificacin completa de todas las relaciones dinmicas entre

ecuaciones, recurdese la estimaciones de ecuaciones simultaneas.

No obstante la arbitrariedad de las restricciones impuestas a priori, ya sea por teora

econmica o por necesidades de cmputo, los modelos estructurales han probado

que realmente importan en la prctica, aun cuando se hayan obtenido con

restricciones derivadas de supuestos falsos; por este motivo, es conveniente tener

representaciones en forma reducida, aunque no se tenga el modelo estructural

completo, y esto es precisamente lo que se logra con un Vector Autorregresivo

estructural. Esto es, un VAR es una herramienta de anlisis economtrico que

econmica que gue o restrinja la estructura de un modelo.

Estos problemas llevan a la alternativa, los enfoques no estructurales para modelar

la relacin entre varias variables. Este documento describe la estimacin y anlisis

de los Vectores autorregresivos (VAR) y los modelos de errores de correccin (VEC).

de restricciones a priori que caracteriza a los modelos economtricos keynesianos:

en un sistema de ecuaciones simultneas se requiere imponer restricciones sobre los

parmetros de las mismas para garantizar la identificacin, y posible estimacin, de

las ecuaciones que lo conforman. Para ello, adems, es indispensable diferenciar

exgenas o endgenas rezagadas.

El sistema VAR proporciona estimaciones (o predicciones o simulaciones) para las

variables endgenas donde el sistema est relacionado a lo largo del tiempo.

Igualmente se usa (no sin controversia), para analizar el impacto dinmico de

diferentes tipos de variacin estocstica, es decir shocks econmicos, en las

variables del lado derecho de una ecuacin. 2

En este enfoque, adems, se enfatiza la necesidad de la modelacin estructural para

autoregresivo es comnmente usado para pronsticos de sistemas de serie de

tiempo interrelacionados y analizar el impacto dinmico de una perturbacin

aleatoria sobre las variables del sistema.

Para especificar un VAR, se requieren las siguientes decisiones:

La lista de variables endgenas

El VAR presenta alternativamente, un sistema de ecuaciones simultneas en el que

variables del sistema. Es decir, no se admiten restricciones a priori y todas las

variables son consideradas endgenas. La nica informacin a priori que se incluye

est referida al nmero de rezagos de las variables explicativas, que se incorporan

en cada ecuacin a partir del anlisis de la data. No obstante, en trminos operativos,

una correcta especificacin del sistema requiere que la determinacin de las

variables a ser incluidas en l se base en el conocimiento de un modelo terico relevante

Supuestos en la estimacin de un VAR:

Inclusin de variables no estacionarias sujetas a los mismos problemas que el

Un VAR tiene, en general, la siguiente especificacin:

i es la matriz (cuadrada de orden m) de coeficientes del rezago i de las variables

explicativas de las m ecuaciones. De esta forma, se puede observar que debern

estimarse tantas matrices i como rezagos se incluyan en el sistema. Matricialmente,

y utilizando una especificacin de operadores de rezago (Barco, 2003):

y1t a11( L ) a12 ( L ) a1m( L ) y1t 1t

En este sistema existen m variables endgenas y el operador de rezagos L resume

Entonces tendr una distribucin normal multivariada Nk (0, ) , donde es la