Los macroeconometristas hacen cuatro cosas: describir y resumir datos macroeconómicos,

hacer pronósticos macroeconómicos, cuantificar lo que hacemos o no conozca la verdadera

estructura de la macroeconomía y aconseje (y a veces se convierten) en formuladores de
políticas macroeconómicas. En la década de 1970, estas cuatro tareas (descripción de datos,
pronósticos, inferencia estructural y análisis de políticas) fueron realizado utilizando una
variedad de técnicas. Estos iban desde modelos grandes con cientos de ecuaciones a modelos
de ecuación única que se centraron en las interacciones de unas pocas variables a modelos de
series temporales univariadas simples que involucran solo una 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 una nueva macroeconomía un nuevo
marco que era muy prometedor: las autoregresiones de vectores (VAR). Un univariante de
autorregresión que es un modelo lineal de ecuación única y variable única en el que el valor
actual de una variable se explica por sus propios valores rezagados. Un VAR es una ecuación n,
modelo lineal 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 restantes n - 1 variables.
Este marco simple proporciona una forma sistemática de capturar dinámicas ricas en múltiples
series de tiempo, y el kit de herramientas estadísticas que vino con los VAR fue fácil de usar e
interpretar. Como Sims (1980) y otros argumentaron en una serie de principios influyentes
documentos, los VAR mantenían la promesa de proporcionar un enfoque coherente y creíble a
la descripción de datos, pronósticos, inferencia estructural y análisis de políticas.
En este artículo, evaluamos qué tan bien los VAR han abordado estos cuatro aspectos
macroeconométricos. Nuestra respuesta es "depende". En descripción de datos y pronósticos,
VAR han demostrado ser herramientas poderosas y confiables que ahora, con razón, se usan a
diario. Sin embargo, la inferencia estructural y el análisis de políticas son inherentemente 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 ser resuelto por una
herramienta puramente estadística, incluso una poderosa como un VAR. Más bien se requiere
conocimiento teórico o institucional económico para resolver la identificación (causalidad
versus problema de correlación).
UN VISTAZO DENTRO DEL KIT DE HERRAMIENTAS VAR
¿Cuál es, precisamente, el efecto de un aumento de 100 puntos básicos en los fondos
federales en la tasa de interés sobre la tasa de inflación dentro de un año? ¿Qué tan grande es
un recorte de tasas de interés que es necesario para compensar un aumento esperado de
medio punto porcentual en el desempleo? ¿Qué tan bien la curva de Phillips predice la
inflación? ¿Qué fracción de la variación de la inflación en los últimos 40 años se debe a la
política monetaria en lugar de choques externos?
A muchos macroeconomistas les gusta pensar que saben las respuestas a estas y preguntas
similares, tal vez con un modesto rango de incertidumbre. En las dos siguientes secciones,
analizamos cuantitativamente estas y otras preguntas relacionadas utilizando varias VAR de
tres variables estimados utilizando datos trimestrales de EE. UU sobre la tasa de precio
inflación (pt), la tasa de desempleo (ut) y la tasa de interés (Rt, específicamente, la tasa de
fondos federales) de 1960: I – 2000: IV. Primero, construimos y examinamos estos modelos
como una forma de mostrar el kit de herramientas VAR; las críticas están reservadas para la
próxima sección.
Los VAR vienen en tres variedades: forma reducida, recursiva y estructural.
Una forma reducida VAR expresa cada variable como una función lineal de sus propios valores
pasados, los valores pasados de todas las demás variables consideradas y un término de error
no correlacionado en serie. Por lo tanto, en nuestro ejemplo, el VAR involucra tres ecuaciones:
desempleo actual en función de los valores pasados de desempleo, inflación y la tasa de
interés; inflación en función de los valores pasados de inflación, desempleo y la tasa de interés;
y de manera similar para la ecuación de la tasa de interés. Cada ecuación es estimada por
regresión de mínimos cuadrados ordinarios. El número de valores rezagados para incluir en
cada ecuación se puede determinar por varios métodos diferentes, y usaremos cuatro rezagos
en nuestros ejemplos. Los términos de error en estas regresiones son los movimientos
"sorpresa" en las variables después de tener en cuenta sus valores pasados. Si las diferentes
variables están correlacionadas entre sí, como suelen estar en aplicaciones macroeconómicas:
entonces 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 ser no
correlacionado con el error en las ecuaciones anteriores. Esto se hace juiciosamente
incluyendo algunos valores contemporáneos como regresores. Considere una variable de tres
VAR, 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 el dependiente variable, 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 retrasos 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 retrasos de las tres variables, el valor actual de la tasa de
inflación más el valor actual de la tasa de desempleo. Estimación de cada ecuación por
mínimos cuadrados ordinarios produce residuos que no están correlacionados en las
ecuaciones. Evidentemente, los resultados dependerán del orden de las variables: cambiar el
orden cambia el VAR ecuaciones, coeficientes y residuos, y hay n! VAR recursivos que
representan todos los pedidos posibles.
Un VAR estructural utiliza la teoría económica para ordenar los enlaces contemporáneos entre
las variables (Bernanke, 1986; Blanchard y Watson, 1986; Sims, 1986). Los VAR estructurales
requieren "supuestos de identificación" que permitan que las correlaciones sean interpretadas
causalmente. Estas suposiciones de identificación pueden involucrar a todo el VAR, por lo que
todos los enlaces causales en el modelo están detallados, o solo una ecuación única, entonces
que solo se identifica 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
incorpora un supuesto diferente que identifica la influencia causal del dinero política de
desempleo, inflación y tasas de interés. El primero se basa en una versión de la "regla de
Taylor", en la que la Reserva Federal se modela como establecer el interés tasa basada en
tasas pasadas de inflación y desempleo. En este sistema, la Fed establece .la tasa de fondos
federales R de acuerdo con la regla.

donde r * es la tasa de interés real deseada, p # t y u # t son los valores promedio de inflación y
tasa de desempleo en los últimos cuatro trimestres, p * y u * son los valores objetivo de
inflación y desempleo, y et es el error en la ecuación. Esta relación se convierte en la ecuación
de la tasa de interés en el VAR estructural.
El error de ecuación et, puede considerarse como un “shock” de política monetaria, ya que
representa la medida en que las tasas de interés reales se desvían de esta regla de Taylor. Este
choque puede estimarse mediante una regresión con Rt = 1.5 p # + 1.25 u # t como la variable
dependiente, una constante y rezagos en las tasas de interés, desempleo e inflación en el lado
derecho.
La regla de Taylor es "mirar hacia atrás" en el sentido de que la Reserva Federal reacciona al
pasado información (p # t y u # t son promedios de los últimos cuatro trimestres de inflación y
desempleo), y varios investigadores han argumentado que el comportamiento de la Fed es
más adecuadamente descrito por el comportamiento prospectivo. 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 p # t y u # t reemplazados por pronósticos con cuatro cuartos de
anticipación calculados a partir de la forma reducida VAR.
PONER A PRUEBA EL VAR DE TRES VARIABLES
Las diferentes versiones de la tasa de interés de inflación, desempleo y VAR son poner a
prueba sus pasos aplicándolos a las cuatro tareas macroeconométricas. Primero, la forma
reducida VAR y una VAR recursiva se utilizan para resumir el inconveniente de estas tres series.
En segundo lugar, la forma reducida VAR se utiliza para pronosticar las variables, y su
rendimiento se evalúa contra alguna alternativa de los modelos de referencia. Tercero, los dos
VAR estructurales diferentes se usan para estimar el efecto de un movimiento sorpresa
inducido por la política en la tasa de interés de los fondos federales en tasas futuras de
inflación y desempleo. Finalmente, discutimos cómo la estructura VAR podría usarse para el
análisis de políticas.
Descripción de datos
La práctica estándar en el análisis VAR es informar los resultados de la causalidad de Granger
pruebas, respuestas de impulso y descomposiciones de varianza de error de pronóstico. Estas
estadísticas son calculadas automáticamente (o casi) por muchos paquetes econométricos
(RATS, Eviews, TSP y otros). Debido a la complicada dinámica en el VAR, estos las estadísticas
son más informativas que los coeficientes de regresión VAR estimados o estadísticas 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 predecir la
inflación, entonces los coeficientes en los rezagos del desempleo serán todos cero en la
ecuación de inflación de forma reducida. El Panel A de la Tabla 1 resume el resultado de
causalidad de Granger para el VAR de tres variables. Muestra los valores p asociados con las
estadísticas F para probar si los conjuntos de coeficientes relevantes son cero. Los 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 (el valor p es 0.27). La
inflación no ayuda a predecir la tasa de desempleo, pero la tasa de fondos federales hace.
Tanto la inflación como las tasas de desempleo ayudan a predecir la tasa de interés de los
fondos federales.
Notas: p denota la tasa de inflación de precios, u denota la tasa de desempleo y R denota la
tasa de interés de los Fondos Federales. Las entradas en el Panel A se muestran los valores p
para las pruebas F que se retrasan de la variable en la fila etiquetada como Regresor no ingresa
la ecuación de forma reducida para el variable de columna denominada Variable dependiente.
Los resultados se calcularon a partir de un VAR con cuatro rezagos y un término constante
sobre el 1960: I – 2000: IV período de muestra.
Las respuestas de impulso trazan la respuesta de los valores actuales y futuros de cada uno de
las variables a un aumento de una unidad en el valor actual de uno de los errores VAR,
suponiendo que este error vuelva a cero en períodos posteriores y que todos los demás los
errores son iguales a cero. El experimento mental implícito de cambiar un error mientras que
mantener a las demás constantes tiene más sentido cuando los errores no están
correlacionados entre las ecuaciones, por lo que las respuestas de impulso generalmente se
calculan para recursivo y VAR estructurales.
Las respuestas de impulso para el VAR recursivo, ordenado pt, ut, Rt, se trazan en Figura 1. La
primera fila muestra el efecto de un inesperado 1 punto porcentual aumento de la inflación en
las tres variables, ya que funciona a través del VAR recursivo sistema 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 trazado son 66 bandas de error estándar,
que producen una confianza aproximada del 66 por ciento intervalos para cada una de las
respuestas de impulso. Estas respuestas de impulso estimadas muestran patrones de variación
común persistente. Por ejemplo, un aumento inesperado en la inflación se desvanece
lentamente durante 24 trimestres y se asocia con una persistencia aumento de desempleo y
tasas de interés.
La descomposición del error de pronóstico es el porcentaje de la varianza del error realizado al
pronosticar una variable (por ejemplo, inflación) debido a un shock específico (por ejemplo, el
error término 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 pronóstico horizonte. Estos se muestran en el Panel B de la Tabla 1 para el VAR
recursivo. Ellos sugieren considerable interacción entre las variables. Por ejemplo, a los 12
trimestres horizonte, el 75 por ciento del error en el pronóstico de la tasa de interés de los
fondos federales es atribuido a los choques de inflación y desempleo en el VAR recursivo.
Previsión
Pronósticos de varios pasos por delante, calculados iterando hacia adelante la forma reducida
VAR, se evalúan en la Tabla 2. Debido a que la prueba final de un modelo de pronóstico es su
rendimiento fuera de muestra, la Tabla 2 se centra en pseudo pronósticos fuera de muestra
sobre el período de 1985: I a 2000: IV. Examina los horizontes de pronóstico de dos trimestres,
cuatro cuartos y ocho cuartos. El pronóstico h pasos adelante se calcula mediante estimando el
VAR a través de un trimestre dado, haciendo que el pronóstico h avance, reestimando el VAR
durante el próximo trimestre, haciendo el próximo pronóstico y así sucesivamente durante el
período de pronóstico.
A modo de comparación, los pronósticos de pseudo fuera de la muestra también se calcularon
para un autorregresión univariante con cuatro rezagos, es decir, una regresión de la variable
en rezagos de sus propios valores pasados, y para un pronóstico aleatorio de caminata (o "sin
cambio"). Inflación se hicieron pronósticos de tasas para el valor promedio de la inflación
durante el período de pronóstico, mientras que se hicieron pronósticos para la tasa de
desempleo y la tasa de interés para el final cuarto del período de pronóstico. La Tabla 2
muestra el error de pronóstico cuadrado medio raíz para cada uno de los métodos de
pronóstico. (Se calcula el error de pronóstico cuadrado medio como el valor cuadrado
promedio del error de pronóstico sobre la muestra fuera de muestra de 1985–2000 período, y
la raíz cuadrada resultante es el error de pronóstico cuadrático medio raíz reportado en la
tabla). La Tabla 2 indica que el VAR no es peor que o mejora la autorregresión univariante y
ambas mejoran pronóstico de caminata aleatoria.
Inferencia estructural
¿Cuál es el efecto sobre las tasas de inflación y desempleo de una sorpresa 100 aumento de
punto base en la tasa de interés de los fondos federales? Traducido a la jerga VAR, esta
pregunta se convierte en: ¿Cuáles son las respuestas impulsivas de las tasas de inflación y
desempleo al choque 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 retrospectiva. Muestra la inflación, el desempleo y la tasa de
interés real (Rt - pt) respuestas a un shock de 1 punto porcentual en la tasa nominal de fondos
federales. El aumento de la tasa inicial resulta en la tasa de interés real superior a 50 puntos
básicos por 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 es en el tercer año después de la subida de tipos.
¿Cuán sensibles son estos resultados al supuesto de identificación específico utilizado en este
VAR estructural: ¿que la Fed sigue la regla de Taylor retrospectiva? Como lo sucede, muy
sensible. La línea discontinua en la Figura 2 traza las respuestas de impulso calculado a partir
del VAR estructural con la regla de Taylor orientada hacia el futuro. Los las respuestas de
impulso en las 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 la inflación cae
bruscamente al principio, fluctúa, luego deja una disminución neta de 0.5 puntos porcentuales
después de seis años. Bajo la regla de mirar hacia atrás, esta tasa de 100 puntos básicos el
aumento produce una leve desaceleración económica y una modesta disminución de la
inflación años a partir de; bajo la regla prospectiva, por 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 se puede utilizar para analizar dos tipos de
políticas: intervenciones sorpresivas de política monetaria y cambio de la regla política, como
pasar de una regla de Taylor (con peso tanto en el desempleo como en la inflación) a una regla
explícita de metas de inflación.
 Si la intervención es un movimiento inesperado en el interés de los fondos federales tasa,
entonces el efecto estimado de esta política en las tasas futuras de inflación y el desempleo se
resume en las funciones de respuesta al impulso representadas en la Figura 2. Esto puede
parecer una política un tanto extraña, pero se puede usar la misma mecánica 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 ser diseñada en un VAR utilizando la
secuencia correcta de innovaciones de política monetaria para mantener la tasa de interés de
fondos federales a este nivel sostenido durante cuatro trimestres, teniendo en cuenta que, en
el VAR, las acciones sobre las tasas de interés en trimestres anteriores afectan a las de
trimestres posteriores (Sims, 1982; Waggoner y Zha, 1999).
El análisis del segundo tipo de política, un cambio en la propia regla monetaria, es más
complicado. Una forma de evaluar un nuevo candidato a la regla de política es preguntar qué
sería el efecto de los choques monetarios y no monetarios en la economía bajo la nueva regla.
Como esta pregunta involucra todas las perturbaciones estructurales, responder requiere un
modelo macroeconómico completo de la determinación simultánea de todas las variables, y
esto significa que todos los enlaces causales en el VAR estructural debe especificarse En este
caso, el análisis de políticas se realiza de la siguiente manera: una estructura VAR se estima en
el que se identifican todas las ecuaciones, luego se crea un nuevo modelo formado al
reemplazar la regla de política monetaria. Comparando las respuestas de impulso en los dos
modelos muestran cómo el cambio en la política ha alterado los efectos del dinero y choques
no monetarios en las variables en el modelo.
¿QUÉ TAN BIEN REALIZAN LOS VAR LAS CUATRO TAREAS?
Ahora pasamos a una evaluación de VAR en la realización de las cuatro tareas
macroeconométricas, destacando tanto los éxitos como las deficiencias.
Descripción de datos
Debido a que los VAR involucran valores actuales y rezagados de múltiples series de tiempo,
ellos capturar eventos que no se pueden detectar en modelos univariados o bivariados.
Estadísticas de resumen de VAR estándar como pruebas de causalidad de Granger, respuesta
de impulso funciones y descomposiciones de varianza son métodos bien aceptados y
ampliamente utilizados por retratar estos eventos. Estas estadísticas de resumen son útiles
porque proporcionar objetivos para modelos macroeconómicos teóricos. Por ejemplo, un
teórico el modelo que implicaba que las tasas de interés deberían causar inflación a Granger,
pero el desempleo no debería ser incompatible con la evidencia en la Tabla 1.
Por supuesto, los métodos VAR descritos aquí tienen algunas limitaciones. Uno es que los
métodos estándar de inferencia estadística (como calcular errores estándar para respuestas de
impulso) puede dar resultados engañosos si algunas de las variables son altamente
persistentes. Otra limitación es que, sin modificación, estándar los VAR pierden no
linealidades, heterocedasticidad condicional y deriva o ruptura en parámetros.
Previsión
Pequeños VAR como nuestro sistema de tres variables se han convertido en un punto de
referencia contra qué nuevos sistemas de pronóstico se juzgan. Pero aunque es útil como
punto de referencia, pequeño los VAR de dos o tres variables a menudo son inestables y, por lo
tanto, predictores deficientes de la futuro (Stock y Watson, 1996).
Los sistemas de pronóstico VAR de última generación contienen más de tres variables y
permitir que los parámetros que varían en el tiempo capturen importantes desviaciones en los
coeficientes (Sims,1993). Sin embargo, agregar variables al VAR crea complicaciones, porque el
número de parámetros VAR aumenta a medida que el cuadrado del número de variables: a
VAR de nueve variables y cuatro lag tiene 333 coeficientes desconocidos (incluyendo el
intercepts). Desafortunadamente, los datos macroeconómicos de series temporales no pueden
proporcionar datos confiables estimaciones de todos estos coeficientes sin más restricciones.
Una forma de controlar el número de parámetros en modelos VAR grandes es imponer una
estructura común en los coeficientes, por ejemplo utilizando métodos bayesianos, un enfoque
promovido por Litterman (1986) (seis variables) y Sims (1993) (nueve variables). Estos
esfuerzos han valido la pena, y estos sistemas de pronóstico tienen sólidos antecedentes 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 choque de
política monetaria sobre las tasas de inflación y desempleo (resumido por las respuestas de
impulso en la Figura 2) dependen de los detalles de la presunta norma de política monetaria
seguida por la Reserva Federal. Incluso cambios modestos en el la regla asumida dio como
resultado cambios sustanciales en estas respuestas de impulso. En otra, es decir, 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 supuestos no es nueva. La
pregunta operativa es si las suposiciones hechas en los modelos VAR son más convincente que
en otros modelos econométricos. Esta es una cuestión de calentamiento debate y es
cuidadosamente discutido por Leeper, Sims y Zha (1996), Christiano, Eichenbaum y Evans
(1999), Cochrane (1998), Rudebusch (1998) y Sims (1998) A continuación se presentan tres
críticas importantes del modelado VAR estructural.
Primero, ¿qué es lo que realmente compone los "choques" VAR? En gran parte, estos choques,
como aquellos en regresión convencional, reflejan factores omitidos del modelo. Si estos los
factores están correlacionados con las variables incluidas, luego las estimaciones VAR contener
sesgo variable omitido. Por ejemplo, los funcionarios de la Reserva Federal podrían se burlan
de la idea de que siguieron mecánicamente una regla de Taylor, o cualquier otra regla
mecánica de coeficiente fijo que involucra solo unas pocas variables; más bien, sugieren que
sus decisiones se basan en un análisis sutil de muchos datos macroeconómicos factores, tanto
cuantitativos como cualitativos. Estas consideraciones, cuando se omiten del VAR, termina en
el término de error y (incorrectamente) se convierte en parte de la estimación "shock"
histórico utilizado para estimar una respuesta impulsiva. Un ejemplo concreto de esto en la
literatura VAR involucra el "rompecabezas de precios". Los primeros VAR mostraron un
resultado extraño: la inflación tendió a aumentar luego del endurecimiento de la política
monetaria. Una explicación para esto (Sims, 1992) fue que la Fed estaba esperando cuando fijó
las tasas de interés y que los VAR simples omitieron variables que podrían usarse para predecir
el futuro inflación. Cuando estas variables omitidas indicaron un aumento de la inflación, la
Fed tendió a aumentar las tasas de interés. Por lo tanto, estos shocks de tasa de interés VAR
presagiados aumentos en la inflación. Debido a las variables omitidas, el VAR etiquetado
erróneamente estos aumentos en las tasas de interés como choques monetarios, lo que
condujo a un impulso sesgado respuestas De hecho, la explicación de Sims del rompecabezas
de los precios ha llevado a la práctica de incluyendo precios de productos básicos en VAR para
intentar controlar el futuro previsto inflación.
Segundo, las reglas de política cambian con el tiempo, y las pruebas estadísticas formales
revelan inestabilidad generalizada en VAR de baja dimensión (Stock y Watson, 1996). Los VAR
estructurales de parámetros constantes que pierden esta inestabilidad se identifican
incorrectamente. Por ejemplo, varios investigadores han documentado la inestabilidad en la
política monetaria reglas (por ejemplo, Bernanke y Blinder, 1992; Bernanke y Mihov, 1998;
Clarida, Gali y Gertler, 2000; Boivin, 2000), y esto sugiere una especificación errónea en
Modelos VAR de coeficiente constante (como nuestro ejemplo de tres variables) que se
estiman durante largos períodos de muestra.

En tercer lugar, las convenciones de temporización en VAR no reflejan necesariamente datos

en tiempo real disponibilidad, y esto socava el método común de identificación de
restricciones basado en suposiciones de tiempo. Por ejemplo, una suposición común hecha en
VAR estructurales es que variables como el producto y la inflación son rígidas y no responden
"Dentro del período" a los shocks de 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 recursivo y VAR estructurales: los
VAR recursivos utilizan un método mecánico arbitrario para modelar correlación
contemporánea en las variables, mientras que los VAR estructurales utilizan economía teoría
para asociar estas correlaciones con relaciones causales. Lamentablemente, en La literatura
empírica la distinción es a menudo turbia. Es tentador desarrollar "teorías" económicas que,
convenientemente, conducen a un ordenamiento recursivo particular de las variables, de
modo que su VAR "estructural" se simplifique a un VAR recursivo, una estructura llamado una
"cadena causal Wold". Creemos que los investigadores también ceden ante esta tentación a
menudo. Tales teorías adoquinadas, incluso si son superficialmente plausibles, a menudo caen
aparte en una inspección más profunda. Raramente agrega valor al reempaquetado de un VAR
recursivo y venderlo como estructural.

A pesar de estas críticas, creemos que es posible tener una identificación creíble supuestos 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 tributario y las reglas de gasto imponer 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 los impuestos y gasto necesario para el
análisis causal. Otro ejemplo es Bernanke y Mihov. (1998), quienes utilizan un modelo del
mercado de reservas para identificar choques de política monetaria. Un enfoque diferente
para la identificación es utilizar restricciones a largo plazo para identificar choques, por
ejemplo, King, Plosser, Stock y Watson (1991) usan el largo plazo neutralidad del dinero para
identificar choques monetarios. Sin embargo, los supuestos basados en El futuro infinito
plantean sus propias preguntas (Faust y Leeper, 1997) un enfoque constructivo es reconocer
explícitamente la incertidumbre en el supuestos que subyacen al análisis VAR estructural y ven
qué inferencias o rango de inferencias, todavía se puede hacer. Por ejemplo, Fausto (1998) y
Uhlig (1999) discutir los métodos de inferencia que pueden aplicarse utilizando solo
restricciones de desigualdad en las respuestas de impulso teóricas (por ejemplo, las
contracciones monetarias no causar auges).

Análisis de políticas

Se pueden analizar dos tipos de políticas utilizando un VAR: innovaciones únicas, en que se
mantiene la misma regla; y cambios en la regla de política. El estimado El efecto de las
innovaciones puntuales es una función de las respuestas impulsivas a una política. La
innovación y los posibles riesgos asociados con estos ya se han discutido.

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

Después de veinte años de VAR

Los VAR son herramientas poderosas para describir datos y generar pronósticos de referencia
multivariados confiables. El trabajo técnico se mantiene, principalmente extendiéndose VAR a
dimensiones más altas y estructuras no lineales más ricas. Incluso sin estos extensiones
importantes, sin embargo, los VAR han hecho contribuciones duraderas al conjunto de
herramientas del macroeconométrico para abordar estas dos tareas.

Si 20 años de VAR han producido contribuciones duraderas a estructuras El análisis de

inferencia y política es más discutible. Los VAR estructurales pueden capturar ricos
propiedades dinámicas de múltiples series de tiempo, pero sus implicaciones estructurales son
tan sólido como sus esquemas de identificación. Si bien hay algunos ejemplos de tratamientos
reflexivos de identificación en VAR, con demasiada frecuencia en la literatura VAR El problema
central de la identificación se maneja al ignorarlo. En algunos campos de economía, como la
economía laboral y las finanzas públicas, la identificación puede ser obtenido con credibilidad
utilizando experimentos naturales que permiten alguna variación exógena ser sacado de una
relación llena de endogeneidad y omitido sesgo de variables. Desafortunadamente, este tipo
de experimentos naturales son raros en macroeconómica.

Aunque los VAR tienen limitaciones cuando se trata de inferencia estructural y análisis de
políticas, también lo hacen las alternativas. Los modelos macroeconómicos dinámicos
calibrados de equilibrio general estocástico son explícitos sobre los vínculos causales y las
expectativas. y proporcionar un marco intelectualmente coherente para el análisis de políticas.
Pero el La generación actual de estos modelos no se ajusta bien a los datos. En el otro
extremo, modelos simples de ecuaciones simples, por ejemplo, regresiones de inflación contra
rezagos Las tasas de interés son fáciles de estimar y, en ocasiones, pueden generar buenos
pronósticos. Pero Si es difícil distinguir la correlación y la causalidad en un VAR, lo es aún más.
en modelos de ecuación única, que, en cualquier caso, pueden verse como una ecuación
sacado de un VAR más grande. Usado sabiamente y basado en el razonamiento económico y
detalle institucional, los VAR pueden ajustarse a los datos y, en el mejor de los casos, pueden
proporcionar estimaciones razonables de algunas conexiones causales. Desarrollando y
fusionando bien La teoría y los detalles institucionales con métodos estadísticos flexibles como
los VAR deberían mantener a los macroeconomistas ocupados en el nuevo siglo.