Apuntes sobre Modelos VAR Seminario II 207

UNIVERSIDAD DE EL SALVADOR
FACULTAD MULTIDISCIPLINARIA DE OCCIDENTE
DEPARTAMENTO DE MATEMÁTICA
SEMINARIO II CICLO II/2017

REGRESIÓN DINÁMICA: Apuntes Varios

Por: Francisco Javier Martínez
Vector autoregresivo (VAR)
Un modelo del tipo vector autoregresivo (VAR) se utiliza cuando se quiere
caracterizar las interacciones simultaneas entre un grupo de variable. Un VAR es un
modelo de ecuaciones simultáneas formado por un sistema de ecuaciones de forma
reducida sin restringir. Que sean ecuaciones de forma reducida quiere decir que los
valores contemporáneos de las variables del modelo no aparecen como variables
explicativas en ninguna de las ecuaciones. Por el contrario, el conjunto de variables
explicativas de cada ecuación está constituido por un bloque de retardos de cada una
de las variables del modelo. Que sean ecuaciones no restringidas significa que aparece
en cada una de ellas el mismo grupo de variables explicativas. Pueden incluirse
también como variables explicativas algunas variables de naturaleza determinista,
como una posible tendencia temporal, variables ficticias estacionales, o una variable
ficticia de tipo impulso o escalón, que sirve para llevar a cabo un análisis de
intervención en el sistema. Por último, podría incluirse como explicativa una variable,
incluso en valor contemporáneo, que pueda considerarse exógena respecto a las
variables que integran el modelo VAR.
El modelo VAR es muy útil cuando existe evidencia de simultaneidad entre un
grupo de variables, y que sus relaciones se transmiten a lo largo de un determinado
número de periodos. Al no imponer ninguna restricción sobre la versión estructural
del modelo, no se incurre en los errores de especificación que dichas restricciones
pudieran causar al ejercicio empírico. De hecho, la principal motivación detrás de los
modelos VAR es la dificultad en identificar variables como exógenas, como es preciso
hacer para identificar un modelo de ecuaciones simultaneas.
Algunas consideraciones sobre la estimación de un modelo VAR:
En un modelo VAR todas las variables son tratadas simétricamente, siendo
explicadas por el pasado de todas ellas. El modelo tiene tantas ecuaciones
como variables, y los valores retardados de todas las ecuaciones aparecen
como variables explicativas en todas las ecuaciones.
Una vez estimado el modelo, puede procederse a excluir algunas variables
explicativas, en función de su significación estadística, pero hay razones para
no hacerlo. Por un lado, si se mantiene el mismo conjunto de variables
explicativas en todas las ecuaciones, entonces la estimación por mínimos
cuadrados ordinarios ecuación por ecuación es eficiente, por lo que el proceso
de estimación del modelo es verdaderamente sencillo. Por otro, la presencia de

Apuntes redactados por alumnos de la cátedra Seminario II 2017

Licenciatura en Estadística. Catedrática: Maestra Sara Vilma de Chicas
Apuntes sobre Modelos VAR Seminario II 207

bloques de retardos como variables explicativas hace que la colinealidad entre

variables explicativas sea importante, lo que hace perder precisión en la
estimación del modelo y reduce los valores numéricos de los estadísticos tipo t
de Student. Por tanto, no es buena estrategia proceder en varias etapas,
excluyendo del modelo las variables cuyos coeficientes resultan
estadísticamente no significativos, por cuanto que esto puede ser consecuencia
de la colinealidad inherente al modelo.
En el modelo VAR pueden estimarse con bastante precisión los elementos
globales del modelo, como el 𝑅2 ; la desviación típica residual, y los mismos
residuos, o el efecto global de una variable sobre otra, lo que se resume en los
contrastes de causalidad. Sin embargo, no cabe hacer interpretaciones de
coeficientes individuales en distintos retardos, ni llevar a cabo contrastes de
hipótesis sobre coeficientes individuales.
Por : Yenifer Yasmín Linares
Pronostico con modelo (VAR)

Los modelos multivariados de series temporales, por su parte, reflejan la

importancia de la influencia de otras variables observables que se conoce o se
sospecha están relacionados con la variable de interés.
Para realizar el pronóstico de una serie lo primero que se debe de hacer es
hacer las pruebas de raíz unitaria y regresión espuria, esto para conocer si la serie es
estacionaria o no. Proceso para el pronóstico con de Eviews es el siguiente: para
estimar el modelo se va donde dice Quick- luego estimateVAR y aparece un cuadro con
lo siguiente: en el cuadro VAR Type vamos a seleccionar Unresbicted VAR, en el
cuadro Endogenous VAR se ingresar las variables que se consideran endógenas, en el
cuadro lag intervals for Endogenous se ingresa el número de resagos que se quieren
integrar al modelo y por último en el Cuadro Exogenous variables se ingresa la
variables exógena.
Muestra varias medidas de bondad de ajuste y además muestra el modelo var
para cada una de las variables endógenas, cuando ya se tiene el modelo es necesario
verificar si el modelo está haciendo una buena representación de la información para
ello nos vamos a view- Residual Test – correlograma para ver si los residuos son
efectivos y este muestra como los residuales se están comportando, la gráfica muestra
el intervalo de confianza para saber si los residuos son o no un ruido blanco, si los
residuales no son ruido quiere decir que el modelo hay información que se están
quedando en el error. Cuando se salen de las líneas del intervalo quiere decir que el
modelo no es capaz de explicar completamente, cuando esto sucede es necesario
poner más rezagos.
Para hacer la predicción debemos de guardar el proceso name y luego
agregamos el nombre del modelo y se crea un objeto de eviews con el nombre que le
pusimos, luego ir a rango y cambiar las fechas agregar la nueva información esto se
hace para agregar un espacio para la predicción, ahora vamos a proc – make-model
luego seleccionar el modelo y darle donde dice salve en Dinamick seleccionar static
solution luego aceptar y luego se crea una serie y esa será el pronóstico.

Apuntes redactados por alumnos de la cátedra Seminario II 2017

Licenciatura en Estadística. Catedrática: Maestra Sara Vilma de Chicas