ESCUELA POLITECNICA NACIONAL

ECONOMETRÍA II

NOMBRE: Katherine Maldonado

VECTORES DE AUTORREGRESIONES

James H. Stock and Mark W. Watson

Los macroeconometristas hacen cuatro cosas: describir y resumir los datos macroeconómicos,
hacer pronósticos macroeconómicos, cuantificar lo que sabemos o no sobre la verdadera
estructura de la macroeconomía, y asesorar (y en ocasiones convertirse) a los responsables de
las políticas macroeconómicas. En la década de 1970, estas cuatro tareas (descripción de los
datos, previsión, inferencia estructural y análisis de políticas) se realizaron utilizando una
variedad de técnicas. Estos iban desde modelos grandes con cientos de ecuaciones hasta
modelos de ecuaciones simples que se enfocaban en las interacciones de unas pocas variables
con modelos simples de series de tiempo univariables que involucraban solo una sola variable.
Pero después del caos macroeconómico de la década de 1970, ninguno de estos enfoques parecía
especialmente confiable.

Hace dos décadas, Christopher Sims (1980) proporcionó un nuevo marco macroeconométrico
que ofrecía una gran promesa: autorregresiones vectoriales (VAR). Una autorregresión
univariante es un modelo lineal de una sola ecuación y una sola variable en el que el valor actual
de una variable se explica por sus propios valores rezagados. Un VAR es un modelo lineal de n-
ecuación, n variable en el que cada variable se explica a su vez por sus propios valores rezagados,
más los valores actuales y pasados de las variables n - 1 restantes. Este marco simple proporciona
una forma sistemática de capturar dinámicas abundantes en múltiples series de tiempo, y el
conjunto de herramientas estadísticas que vino con los VAR fue fácil de usar e interpretar. Como
Sims (1980) y otros argumentaron en una serie de documentos iniciales influyentes, los VAR
ofrecieron la promesa de proporcionar un enfoque coherente y creíble para la descripción de los
datos, la previsión, la inferencia estructural y el análisis de políticas.

En este artículo, evaluamos qué tan bien los VAR han abordado estas cuatro tareas
macroeconómicas ". Nuestra respuesta es "depende". En la descripción y previsión de datos, los
VAR han demostrado ser herramientas potentes y confiables que ahora, con razón, se usan a
diario. La inferencia estructural y el análisis de políticas son, sin embargo, intrínsecamente más
difíciles porque requieren diferenciar entre correlación y causalidad; este es el "problema de
identificación" en la jerga de la econometría. Este problema no puede resolverse con una
herramienta puramente estadística, incluso una poderosa como un VAR. Más bien, se requiere
la teoría económica o el conocimiento institucional para resolver el problema de identificación
(causalidad versus correlación).

Un vistazo dentro del kit de herramientas de VAR

¿Cuál es, precisamente, el efecto de un aumento de 100 puntos básicos en la tasa de interés de los fondos
federales sobre la tasa de inflación dentro de un año? ¿Qué tan grande es necesario un recorte de la tasa
de interés para compensar un aumento esperado de medio punto porcentual en la tasa de desempleo?
¿Qué tan bien predice la curva de Phillips la inflación? ¿Qué fracción de la variación de la inflación en los
últimos 40 años se debe a la política monetaria en comparación con los shocks externos?

A muchos macroeconomistas les gusta pensar que conocen las respuestas a estas y otras preguntas
similares, tal vez con un rango modesto de incertidumbre. En las siguientes dos secciones, damos un
vistazo cuantitativo a estas y preguntas relacionadas usando varios VARs de tres variables estimados
usando datos trimestrales de EE. UU. Sobre la tasa de inflación de precios (iit), la tasa de desempleo (ut)
y la tasa de interés (Re, específicamente, la tasa de fondos federales) desde 1960: I-2000: IV.2 Primero,
construimos y examinamos estos modelos como una forma de mostrar el conjunto de herramientas de
VAR; las críticas están reservadas para la siguiente sección.

Los VAR vienen en tres variedades: forma reducida, recursiva y estructural. Una VAR de forma reducida
expresa cada variable como una función lineal de sus propios valores pasados, los valores pasados de
todas las otras variables que se consideran y un término de error no correlacionado en serie. Por lo tanto,
en nuestro ejemplo, el VAR implica tres ecuaciones: el desempleo actual en función de los valores pasados
de desempleo, la inflación y la tasa de interés; la inflación como una función de los valores pasados de la
inflación, el desempleo y la tasa de interés; y de manera similar para la ecuación de la tasa de interés.
Cada ecuación se estima por regresión ordinaria de mínimos cuadrados. El número de valores rezagados
que se incluirán en cada ecuación se puede determinar mediante una serie de métodos diferentes, y
utilizaremos cuatro rezagos en nuestros ejemplos.3 Los términos de error en estas regresiones son los
movimientos "sorpresa" en las variables después de tomar su pasado valores en cuenta. Si las diferentes
variables están correlacionadas entre sí -como ocurre típicamente en las aplicaciones macroeconómicas-
, los términos de error en el modelo de forma reducida también se correlacionarán entre ecuaciones.

Un VAR recursivo construye los términos de error en cada ecuación de regresión para que no estén
correlacionados con el error en las ecuaciones precedentes. Esto se hace al incluir de manera juiciosa
algunos valores contemporáneos como regresores. Considere un VAR de tres variables, ordenado como
1) inflación, 2) la tasa de desempleo, y 3) la tasa de interés. En la primera ecuación del VAR recursivo
correspondiente, la inflación es la variable dependiente, y los regresores son valores rezagados de las tres
variables. En la segunda ecuación, la tasa de desempleo es la variable dependiente, y los regresores son
rezagos de las tres variables más el valor actual de la tasa de inflación. La tasa de interés es la variable
dependiente en la tercera ecuación, y los regresores son rezagos de las tres variables, el valor actual de la
tasa de inflación más el valor actual de la tasa de desempleo. La estimación de cada ecuación por mínimos
cuadrados ordinarios produce residuos que no están correlacionados en las ecuaciones.4 Evidentemente,
los resultados dependen del orden de las variables: cambiar el orden cambia las ecuaciones VAR, los
coeficientes y los residuos, y hay n! VAR recursivos que representan todos los pedidos posibles.

Un VAR estructural utiliza la teoría económica para clasificar los vínculos contemporáneos entre las
variables (Bernanke, 1986, Blanchard y Watson, 1986; Sims, 1986). Los VAR estructurales requieren
"supuestos de identificación" que permitan interpretar las correlaciones causalmente. Estas suposiciones
de identificación pueden involucrar a todo el VAR, de modo que todos los enlaces causales en el modelo
se deletreen, o simplemente una ecuación única, de modo que solo se identifique un vínculo causal
específico. Esto produce variables instrumentales que permiten estimar los enlaces contemporáneos
utilizando la regresión de variables instrumentales. El número de VAR estructurales está limitado solo por
la inventiva del investigador.

En nuestro ejemplo de tres variables, consideramos dos VAR estructurales relacionados. Cada uno
incorpora una suposición diferente que identifica la influencia causal de la política monetaria sobre el
desempleo, la inflación y las tasas de interés. El primero se basa en una versión de la "regla de Taylor", en
la que se modela la Reserva Federal como el establecimiento de la tasa de interés sobre la base de las
tasas anteriores de inflación y desempleo.5 En este sistema, la Fed establece la tasa de fondos federales
R según el regla

ECUACION

El error de ecuaciones, et, puede considerarse como un "shock" de la política monetaria, ya que
representa la medida en que las tasas de interés reales se desvían de esta regla de Taylor. Este shock
puede estimarse mediante una regresión con R, - 1.5 irt + 1.25 Tut como la variable dependiente, y una
constante y rezagos de tasas de interés, desempleo e inflación en el lado derecho.

La regla de Taylor es "retrógrada" en el sentido de que la Fed reacciona a información pasada (irt y ut son
promedios de los últimos cuatro trimestres de inflación y desempleo), y varios investigadores han
argumentado que el comportamiento de la Fed se describe más apropiadamente mirando el
comportamiento. Debido a esto, consideramos otra variante del modelo en el que la Fed reacciona a las
previsiones de inflación y desempleo cuatro trimestres en el futuro. Esta regla de Taylor tiene la misma
forma que la regla anterior, pero con irT y ut reemplazados por pronósticos de cuatro trimestres
calculados a partir de la forma reducida VAR.

Poniendo el VAR de tres variables a través de sus pasos

Las diferentes versiones del VAR tasa de inflación-desempleo-interés se ponen en práctica aplicándolas a
las cuatro tareas macroeconómicas. Primero, la forma reducida VAR y un VAR recursivo se usan para
resumir los comovimientos de estas tres series. En segundo lugar, la forma reducida de VAR se usa para
pronosticar las variables, y su desempeño se evalúa con respecto a algunos modelos de referencia
alternativos. En tercer lugar, los dos VAR estructurales diferentes se utilizan para estimar el efecto de un
movimiento sorpresa inducido por la política en la tasa de interés de los fondos federales sobre las tasas
futuras de inflación y desempleo. Finalmente, discutimos cómo el VAR estructural podría usarse para el
análisis de políticas.
Descripción de datos

La práctica estándar en el análisis de VAR es informar los resultados de las pruebas de causalidad de
Granger, las respuestas de impulso y las descomposiciones de la varianza del error de pronóstico. Estas
estadísticas se calculan automáticamente (o casi) por muchos paquetes econométricos (RATS, Eviews, TSP
y otros). Debido a la complicada dinámica en el VAR, estas estadísticas son más informativas que los
coeficientes de regresión VAR estimados o las estadísticas de R2, que generalmente no se informan.

Las estadísticas de causalidad de Granger examinan si los valores rezagados de una variable ayudan a
predecir otra variable. Por ejemplo, si la tasa de desempleo no ayuda a predecir la inflación, entonces los
coeficientes de los rezagos del desempleo serán todos cero en la ecuación de inflación de forma reducida.
El Panel A de la Tabla 1 resume los resultados de causalidad de Granger para el VAR de tres variables.
Muestra los valores de p asociados con los Fstatistics para probar si los conjuntos de coeficientes
relevantes son cero. La tasa de desempleo ayuda a predecir la inflación al nivel de significancia del 5 por
ciento (el valor p es 0.02, o 2 por ciento), pero la tasa de interés de los fondos federales no lo hace (el
valor p es 0.27). La inflación no ayuda a predecir la tasa de desempleo, pero sí la tasa de fondos federales.
Tanto la inflación como las tasas de desempleo ayudan a predecir la tasa de interés de los fondos
federales.

CUADRO

Las respuestas de impulso trazan la respuesta de los valores actuales y futuros de cada una de las variables
a un aumento de una unidad en el valor actual de uno de los errores VAR, suponiendo que este error
vuelve a cero en períodos posteriores y que todos los demás errores son iguales a cero. El experimento
mental implícito de cambiar un error mientras se mantienen constantes los demás tiene más sentido
cuando los errores no están correlacionados en las ecuaciones, por lo que las respuestas de impulso se
calculan típicamente para los VAR estructurales y recursivos.

Las respuestas de impulso para el VAR recursivo, ordenado t, ut, R, se representan en la Figura 1. La
primera fila muestra el efecto de un aumento inesperado de 1 punto porcentual en la inflación en las tres
variables, ya que funciona mediante el sistema VAR recursivo con los coeficientes estimados a partir de
datos reales. La segunda fila muestra el efecto de un aumento inesperado de 1 punto porcentual en la
tasa de desempleo, y la tercera fila muestra el efecto correspondiente para la tasa de interés. También se
representan gráficamente 1 bandas de error estándar, que proporcionan un intervalo de confianza
aproximado del 66 por ciento para cada una de las respuestas de impulso. Estas respuestas de impulso
estimadas muestran patrones de variación común persistente. Por ejemplo, un aumento inesperado de
la inflación desaparece lentamente durante 24 trimestres y se asocia con un aumento persistente del
desempleo y las tasas de interés.

La descomposición del error de pronóstico es el porcentaje de la varianza del error cometido al

pronosticar una variable (por ejemplo, inflación) debido a un shock específico (por ejemplo, el término de
error en la ecuación de desempleo) en un horizonte dado (como dos años). Por lo tanto, la descomposición
del error de pronóstico es como un R2 parcial para el error de pronóstico, por horizonte de pronóstico.
Estos se muestran en el Panel B de la Tabla 1 para el VAR recursivo. Sugieren una interacción considerable
entre las variables. Por ejemplo, en el horizonte de 12 trimestres, el 75 por ciento del error en el
pronóstico de la tasa de interés de los fondos federales se atribuye a los choques de inflación y desempleo
en el VAR recursivo.

GRAFICO

Previsión

Las predicciones de avance múltiple, calculadas al iterar hacia adelante la VAR de forma reducida, se
evalúan en la Tabla 2. Debido a que la prueba final de un modelo de pronóstico es su desempeño fuera
de muestra, la Tabla 2 se enfoca en pronósticos pseudo fuera de muestra durante el período desde 1985:
desde I hasta 2000: IV. Examina horizontes de previsión de dos trimestres, cuatro trimestres y ocho
trimestres. El pronóstico de h pasos se calcula estimando el VAR a lo largo de un trimestre dado, haciendo
que el pronóstico h avance, reestime el VAR hasta el próximo trimestre, haga el próximo pronóstico y así
sucesivamente durante el período de pronóstico.

Como comparación, también se calcularon pseudo pronósticos fuera de muestra para una autorregresión
univariada con cuatro rezagos, es decir, una regresión de la variable en rezagos de sus propios valores
pasados, y para una caminata aleatoria (o "sin cambios") pronóstico. Los pronósticos de la tasa de inflación
se hicieron para el valor promedio de la inflación durante el período de pronóstico, mientras que las
proyecciones para la tasa de desempleo y la tasa de interés se hicieron para el último trimestre del período
de pronóstico. La Tabla 2 muestra el error de previsión cuadrático medio para cada uno de los métodos
de pronóstico. (El error de previsión cuadrático medio se calcula como el valor cuadrado promedio del
error de pronóstico durante el período 1985-2000 fuera de la muestra, y la raíz cuadrada resultante es el
error de previsión cuadrático medio informado en la tabla). La Tabla 2 indica que el VAR no mejora o
mejora la autoregresión univariante y que ambos mejoran el pronóstico de caminata aleatoria.

CUADRO

Inferencia estructural

¿Cuál es el efecto en las tasas de inflación y desempleo de un aumento sorpresa de 100 puntos
básicos en la tasa de interés de los fondos federales? Traducido a VARjargon, esta pregunta se
convierte en: ¿Cuáles son las respuestas impulsivas de las tasas de inflación y desempleo al shock
de la política monetaria en un VAR estructural?

La línea continua en la Figura 2 traza las respuestas de impulso calculadas a partir de nuestro
modelo con la regla de Taylor hacia atrás. Muestra las respuestas de inflación, desempleo y tasa
de interés real (R1 - i) a un shock de 1 punto porcentual en la tasa de fondos federales nominales.
La subida de tasas inicial da como resultado una tasa de interés real que excede los 50 puntos
básicos durante seis trimestres. Aunque la inflación finalmente se reduce en aproximadamente
0.3 puntos porcentuales, los retrasos son largos, y la mayor parte de la acción ocurre en el tercer
año después de la contracción. Del mismo modo, la tasa de desempleo aumenta en
aproximadamente 0,2 puntos porcentuales, pero la mayor parte de la desaceleración económica
se produce en el tercer año posterior al aumento de la tasa.

¿Cuán sensibles son estos resultados al supuesto de identificación específico utilizado en este
VAR estructural, que la Reserva Federal sigue la regla de Taylor retrógrada? Como sucede, muy
sensible. La línea punteada en la Figura 2 traza las respuestas de impulso calculadas a partir del
VAR estructural con la regla de Taylor orientada hacia el futuro. Las respuestas de impulso en
tasas de interés reales son ampliamente similares bajo cualquiera de las reglas. Sin embargo, en
el modelo prospectivo, el shock monetario produce un aumento de 0.5 puntos porcentuales en
la tasa de desempleo dentro de un año, y la tasa de inflación cae bruscamente al principio, fluctúa
y luego deja una disminución neta de 0.5 puntos porcentuales después de seis años. Bajo la regla
de retrospectiva, este alza de 100 puntos básicos produce una moderada desaceleración
económica y una modesta disminución de la inflación dentro de varios años; Bajo la regla de
futuro, con esta misma acción la Fed gana una gran victoria contra la inflación a costa de una
recesión rápida y aguda.

Análisis de políticas

En principio, nuestro pequeño VAR estructural puede usarse para analizar dos tipos de políticas:
intervenciones sorpresivas de política monetaria y cambio de la regla de política, como pasar de
una regla de Taylor (con peso en desempleo e inflación) a una regla explícita de metas de
inflación.

Si la intervención es un movimiento inesperado en la tasa de interés de los fondos federales,

entonces el efecto estimado de esta política sobre las tasas futuras de inflación y desempleo se
resume en las funciones de respuesta de impulso trazadas en la Figura 2. Esto podría parecer una
política un tanto extraña, pero la Los mismos mecanismos se pueden usar para evaluar una
intervención más realista, como aumentar la tasa de fondos federales en 50 puntos básicos y
mantener este aumento por un año. Esta política puede diseñarse en un VAR utilizando la
secuencia correcta de innovaciones de política monetaria para mantener la tasa de interés de
fondos federales en este nivel sostenido durante cuatro trimestres, teniendo en cuenta que en
el VAR, las acciones sobre tasas de interés en trimestres anteriores afectan a trimestres
posteriores (Sims, 1982; Waggoner y Zha, 1999).

El análisis del segundo tipo de política -un cambio en la regla monetaria en sí misma- es más
complicado. Una forma de evaluar a un nuevo candidato a una regla de política es preguntar cuál
sería el efecto de las conmociones monetarias y no monetarias en la economía bajo la nueva
regla. Dado que esta pregunta involucra todas las perturbaciones estructurales, para responderla
se requiere un modelo macroeconómico completo de la determinación simultánea de todas las
variables, y esto significa que deben especificarse todos los enlaces causales en el VAR
estructural. En este caso, el análisis de política se lleva a cabo de la siguiente manera: se estima
un VAR estructural en el que se identifican todas las ecuaciones, luego se forma un nuevo modelo
reemplazando la regla de política monetaria. La comparación de las respuestas de impulso en los
dos modelos muestra cómo el cambio en la política ha alterado los efectos de los shocks
monetarios y no monetarios en las variables del modelo.

¿Qué tan bien realizan los VAR las cuatro tareas?

- Descripción de datos

Debido a que los VAR implican valores actuales y rezagados de series de tiempo múltiples,
capturan comovimientos que no se pueden detectar en modelos univariados o bivariables. Las
estadísticas de resumen de VAR estándar como las pruebas de causalidad de Granger, las
funciones de respuesta de impulso y las descomposiciones de varianza son métodos
ampliamente aceptados y ampliamente utilizados para describir estos fenómenos. Estas
estadísticas de resumen son útiles porque proporcionan objetivos para los modelos
macroeconómicos teóricos. Por ejemplo, un modelo teórico que implica que las tasas de interés
deberían causar inflación, pero el desempleo no debería ser inconsistente con la evidencia en la
Tabla 1.

Por supuesto, los métodos VAR descritos aquí tienen algunas limitaciones. Una es que los
métodos estándar de inferencia estadística (como el cálculo de errores estándar para respuestas
de impulso) pueden dar resultados engañosos si algunas de las variables son altamente
persistentes.7 Otra limitación es que, sin modificación, los VAR estándar pierden no linealidades,
heterocedasticidad condicional y derivas o interrupciones en los parámetros.

Previsión

Los pequeños VAR como nuestro sistema de tres variables se han convertido en un punto de
referencia contra el cual se juzgan los nuevos sistemas de pronóstico. Pero si bien son útiles como
punto de referencia, los VAR pequeños de dos o tres variables suelen ser inestables y, por lo
tanto, malos predictores del futuro (Stock y Watson, 1996).

Los sistemas de pronóstico VAR de última generación contienen más de tres variables y permiten
que los parámetros que varían en el tiempo capturen derivas importantes en los coeficientes
(Sims, 1993). Sin embargo, agregar variables al VAR crea complicaciones, porque el número de
parámetros de VAR aumenta como el cuadrado del número de variables: un VAR de nueve
variables y cuatro lag tiene 333 coeficientes desconocidos (incluidas las interceptadas).
Desafortunadamente, los datos de series temporales macroeconómicas no pueden proporcionar
estimaciones confiables de todos estos coeficientes sin más restricciones.

Una forma de controlar el número de parámetros en modelos de VAR grandes es imponer una
estructura común a los coeficientes, por ejemplo, utilizando métodos Bayesianos, un enfoque
iniciado por Litterman (1986) (seis variables) y Sims (1993) (nueve variables). Estos esfuerzos han
dado sus frutos, y estos sistemas de pronóstico tienen sólidos registros en tiempo real (McNees,
1990; Zarnowitz y Braun, 1993).

Inferencia estructural

En nuestro VAR de tres variables en la sección anterior, los efectos estimados de un shock de
política monetaria sobre las tasas de inflación y desempleo (resumidas por las respuestas de
impulso en la Figura 2) dependen de los detalles de la presunta política monetaria seguida por el
Federal. Reserva. Incluso cambios modestos en la regla asumida dieron lugar a cambios
sustanciales en estas respuestas de impulso. En otras palabras, las estimaciones de las respuestas
al impulso estructural dependen del conocimiento institucional detallado de cómo la Fed
establece las tasas de interés.

Por supuesto, la observación de que los resultados dependen de suposiciones no es nueva. La

pregunta operativa es si las suposiciones hechas en los modelos VAR son más convincentes que
en otros modelos econométricos. Se trata de un tema de acalorado debate y es discutido
detenidamente por Leeper, Sims y Zha (1996), Christiano, Eichenbaum y Evans (1999), Cochrane
(1998), Rudebusch (1998) y Sims (1998). A continuación hay tres críticas importantes sobre el
modelado VAR estructural.

Primero, ¿qué es lo que realmente hace que los VAR sean "choques"? En gran parte, estos
choques, como los de la regresión convencional, reflejan factores omitidos del modelo. Si estos
factores están correlacionados con las variables incluidas, entonces las estimaciones de VAR
contendrán un sesgo variable omitido. Por ejemplo, los funcionarios de la Reserva Federal
podrían burlarse de la idea de que siguieron mecánicamente una regla de Taylor, o cualquier otra
regla mecánica de coeficientes fijos que implique solo unas pocas variables; más bien, sugieren
que sus decisiones se basan en un análisis sutil de muchos factores macroeconómicos, tanto
cuantitativos como cualitativos. Estas consideraciones, cuando se omiten en el VAR, terminan en
el término de error y (incorrectamente) se vuelven parte del "shock" histórico estimado utilizado
para estimar una respuesta de impulso. Un ejemplo concreto de esto en la literatura VAR implica
el "rompecabezas de precios". Los primeros VAR mostraron un resultado extraño: la inflación
tendió a aumentar luego del ajuste de la política monetaria. Una explicación para esto (Sims,
1992) fue que la Fed estaba esperando cuando estableció las tasas de interés y que los VAR
simples omitieron las variables que podrían usarse para predecir la inflación futura. Cuando estas
variables omitidas dieron a entender un aumento en la inflación, la Fed tendió a aumentar las
tasas de interés. Por lo tanto, estos shocks de la tasa de interés VAR presagiaban aumentos en la
inflación. Debido a las variables omitidas, el VAR etiquetó erróneamente estos aumentos en las
tasas de interés como choques monetarios, lo que condujo a respuestas de impulso sesgadas. De
hecho, la explicación de Sims del rompecabezas de los precios ha llevado a la práctica de incluir
los precios de los productos básicos en los VAR para intentar controlar la inflación futura prevista.

En segundo lugar, las reglas de política cambian con el tiempo, y las pruebas estadísticas formales
revelan una inestabilidad generalizada en los VAR de baja dimensión (Stock y Watson, 1996). Los
VAR estructurales de parámetros constantes que pasan por alto esta inestabilidad están
identificados incorrectamente. Por ejemplo, varios investigadores han documentado
inestabilidad en las reglas de política monetaria (por ejemplo, Bernanke y Blinder, 1992;
Bernanke y Mihov, 1998; Clarida, Gali y Gertler, 2000; Boivin, 2000), y esto sugiere una mala
especificación en los modelos VAR de coeficiente constante. (como nuestro ejemplo de tres
variables) que se estiman a lo largo de períodos de muestra largos.

En tercer lugar, las convenciones de tiempo en VAR no reflejan necesariamente la disponibilidad

de datos en tiempo real, y esto socava el método común de identificar restricciones basadas en
supuestos de tiempo. Por ejemplo, una suposición común hecha en los VAR estructurales es que
las variables como el producto y la inflación son rígidas y no responden "dentro del período" a
los shocks de la política monetaria. Esto parece plausible durante el período de un solo día, pero
se vuelve menos plausible en un mes o trimestre.

En esta discusión, hemos distinguido cuidadosamente entre VAR recursivos y estructurales: los
VAR recursivos usan un método mecánico arbitrario para modelar la correlación contemporánea
en las variables, mientras que los VAR estructurales utilizan la teoría económica para asociar
estas correlaciones con las relaciones causales. Desafortunadamente, en la literatura empírica,
la distinción es a menudo turbia. Es tentador desarrollar "teorías" económicas que,
convenientemente, conducen a un orden recursivo particular de las variables, de modo que su
VAR "estructural" se simplifica a un VAR recursivo, una estructura llamada "cadena causal de
Wold". Creemos que los investigadores ceden a esta tentación con demasiada frecuencia. Tales
teorías improvisadas, incluso si son superficialmente plausibles, a menudo se desmoronan en
una inspección más profunda. Rara vez agrega valor al reempaquetado de un VAR recursivo y lo
vende como estructural.

A pesar de estas críticas, creemos que es posible tener suposiciones de identificación verosímiles
en un VAR. Un enfoque es explotar el conocimiento institucional detallado. Un ejemplo de esto
es el estudio de Blanchard y Perotti (1999) sobre los efectos macroeconómicos de la política
fiscal. Argumentan que el código impositivo y las reglas de gasto imponen restricciones estrictas
sobre la forma en que los impuestos y el gasto varían dentro del trimestre, y usan estas
restricciones para identificar los cambios exógenos en impuestos y gastos necesarios para el
análisis causal. Otro ejemplo es Bernanke y Mihov (1998), quienes usan un modelo del mercado
de reservas para identificar shocks de política monetaria. Un enfoque diferente para la
identificación es usar restricciones a largo plazo para identificar shocks; por ejemplo, King,
Plosser, Stock y Watson (1991) utilizan la neutralidad a largo plazo del dinero para identificar
shocks monetarios. Sin embargo, las suposiciones basadas en el futuro infinito plantean
preguntas propias (Faust y Leeper, 1997).

Un enfoque constructivo es reconocer explícitamente la incertidumbre en los supuestos que

subyacen al análisis estructural de VAR y ver qué inferencias, o rango de inferencias, todavía se
pueden hacer. Por ejemplo, Faust (1998) y Uhlig (1999) discuten los métodos de inferencia que
se pueden aplicar usando solo restricciones de desigualdad en las respuestas de impulso teóricas
(por ejemplo, las contracciones monetarias no causan auges).

Análisis de políticas

Se pueden analizar dos tipos de políticas usando un VAR: innovaciones únicas, en las que se
mantiene la misma regla; y cambios en la regla de política. El efecto estimado de las innovaciones
excepcionales es una función de las respuestas de impulso a una innovación de políticas, y las
posibles dificultades asociadas con éstas ya han sido discutidas.

Las cosas son más difíciles si uno quiere estimar el efecto de cambiar las reglas de las políticas. Si
las ecuaciones estructurales verdaderas implican expectativas (por ejemplo, una curva de Phillips
expectativa), entonces las expectativas dependerán de la regla de política; por lo tanto, en
general, todos los coeficientes de VAR dependerán de la regla. Esta es solo una versión de la
crítica de Lucas (1976). La importancia práctica de la crítica de Lucas para este tipo de análisis de
política VAR es una cuestión de debate.

Después de veinte años de VAR

Los VAR son herramientas poderosas para describir datos y generar predicciones fiables de
puntos de referencia multivariados. El trabajo técnico permanece, más notablemente
extendiendo los VAR a dimensiones más altas y estructuras no lineales más ricas. Sin embargo,
incluso sin estas importantes extensiones, los VAR han hecho contribuciones duraderas al
conjunto de herramientas del macroeconomista para abordar estas dos tareas.

Si los 20 años de VAR han producido contribuciones duraderas a la inferencia estructural y el

análisis de políticas es más debatible. Los VAR estructurales pueden capturar propiedades
dinámicas ricas de múltiples series de tiempo, pero sus implicaciones estructurales son tan
sólidas como sus esquemas de identificación. Si bien hay algunos ejemplos de tratamientos
cuidadosos de identificación en VAR, con demasiada frecuencia en la literatura VAR la cuestión
central de la identificación se maneja ignorandola. En algunos campos de la economía, como la
economía del trabajo y las finanzas públicas, la identificación puede obtenerse de forma creíble
utilizando experimentos naturales que permiten extraer alguna variación exógena de una
relación que de otra forma estaría cargada de endogeneidad y de sesgo de variables omitidas.
Desafortunadamente, este tipo de experimentos naturales son raros en macroeconomía.

Aunque los VAR tienen limitaciones cuando se trata de inferencia estructural y análisis de
políticas, también lo hacen las alternativas. Los modelos macroeconómicos de equilibrio general
estocástico calibrado son explícitos sobre los vínculos causales y las expectativas y proporcionan
un marco intelectualmente coherente para el análisis de políticas. Pero la generación actual de
estos modelos no encaja bien con los datos. En el otro extremo, los modelos simples de ecuación
única, por ejemplo, las regresiones de la inflación frente a las tasas de interés rezagadas, son
fáciles de estimar y algunas veces pueden producir buenas predicciones. Pero si es difícil
distinguir la correlación y la causalidad en un VAR, lo es aún más en los modelos de una sola
ecuación, que, en cualquier caso, pueden considerarse como una ecuación extraída de un VAR
más grande. Usados sabiamente y basados en el razonamiento económico y los detalles
institucionales, los VAR pueden ajustarse a los datos y, en el mejor de los casos, pueden
proporcionar estimaciones sensatas de algunas conexiones causales. El desarrollo y la fusión de
una buena teoría y los detalles institucionales con métodos estadísticos flexibles, como los VAR,
deberían mantener a los macroeconomistas ocupados hasta bien entrado el nuevo siglo.