Econometría 2

Vectores Autorregresivos
Parte I
Prof. Luis García
 Vectores Autorregresivos (VAR)
• El análisis ARMA es un análisis univariado, sin embargo en economía lo
común es trabajar con varias variables económicas que se interrelacionan.

• Por ejemplo, la inflación y la devaluación podrían estar interrelacionadas.

• Tal vez una devaluación podría afectar a los productos importados (por
ejemplo, el precio del trigo), lo cual afectaría el precio del pan.

• Para modelar estas relaciones podemos usar los modelos de ecuaciones

estructurales, tal como vimos con los modelos de ecuaciones simultáneas.

• Recordemos que en esos modelos, las teorías económicas definen a las

variables endógenas y las predeterminadas (endógenas rezagadas y exógenas).

2
 Vectores Autorregresivos (VAR)
• Adicionalmente, para obtener la identificación de las ecuaciones se hacían
necesarias algunas restricciones de exclusión.

• Al respecto, Sims (1980) criticó a estos modelos pues consideraba “poco

creíbles” la especificación de las ecuaciones y sus restricciones identificatorias.

• Alternativamente, Sims propuso un modelo ateórico en donde todas las

variables que se interrelacionan son consideradas como endógenas.

• Asimismo, en este modelo (en su forma reducida), cada variable depende de

sus rezagos y de los rezagos de las demás variables, con la esperanza de que
estos rezagos puedan explicar el comportamiento de las series.

3
 Vectores Autorregresivos (VAR)
• El objetivo del modelo VAR es dejar que los datos mismos “hablen” y nos
digan cómo se relacionan las variables económicas, sin imponer restricciones.
• El caso más simple es el de un modelo con dos series estacionarias 𝑦1𝑡 y 𝑦2𝑡 y
un rezago, llamado modelo VAR(1).

𝑦1𝑡 = 𝑎10 + 𝑎11 𝑦1𝑡−1 + 𝑎12 𝑦2𝑡−1 + 𝑢1𝑡

𝑦2𝑡 = 𝑎20 + 𝑎21 𝑦1𝑡−1 + 𝑎22 𝑦2𝑡−1 + 𝑢2𝑡

• En este modelo, 𝑎10 , 𝑎11 , … , 𝑎22 son parámetros de la forma reducida, y 𝑢1𝑡 y
𝑢2𝑡 son los errores reducidos, los cuales se encuentran correlacionados,
𝐶𝑜𝑣 𝑢1𝑡 , 𝑢2𝑡 ≠ 0.
• Se asume que estos errores no presentan autocorrelación, son normales y
homocedásticos.

4
 Vectores Autorregresivos (VAR)
• En símbolos, 𝐸 𝑢1𝑡 = 0, 𝐸 𝑢2𝑡 = 0 , 𝑉𝑎𝑟 𝑢1𝑡 = 𝜎12 , 𝑉𝑎𝑟 𝑢2𝑡 = 𝜎22 ,
𝐶𝑜𝑣 𝑢1𝑡 , 𝑢2𝑡 = 𝜎12 .

• En notación matricial,
𝑦1𝑡 𝑎10 𝑎11 𝑎12 𝑦1,𝑡−1 𝑢1𝑡
𝑦2𝑡 = 𝑎20 + 𝑎21 𝑎22 𝑦2,𝑡−1 + 𝑢2𝑡

• En forma compacta,

𝑉𝐴𝑅 1 : 𝑦𝑡 = 𝐴0 + 𝐴1 𝑦𝑡−1 + 𝑢𝑡 (1)

𝜎12 𝜎12
𝑉𝑎𝑟 𝑢𝑡 =Σ=
𝜎12 𝜎22

5
 Vectores Autorregresivos (VAR)
• Como podemos ver, el modelo (1) es un modelo autorregresivo, y podría
entenderse como una extensión vectorial al modelo AR(1).

• Similarmente se pueden plantear modelo VAR(2), VAR(3), etc. simplemente

añadiendo más rezagos.

• 𝑉𝐴𝑅 2 : 𝑦𝑡 = 𝐴0 + 𝐴1 𝑦𝑡−1 + 𝐴2 𝑦𝑡−2 + 𝑢𝑡

• 𝑉𝐴𝑅 3 : 𝑦𝑡 = 𝐴0 + 𝐴1 𝑦𝑡−1 + 𝐴2 𝑦𝑡−2 + 𝐴3 𝑦𝑡−3 + 𝑢𝑡

• En general, un 𝑉𝐴𝑅𝑚 𝑝 es un modelo para el vector (𝑦1𝑡 , 𝑦2𝑡 , … , 𝑦𝑚𝑡 ) con 𝑝

rezagos.
• En ese caso, 𝐴0 es 𝑚 × 1, y cada 𝐴𝑗 es 𝑚 × 𝑚 para 𝑗 = 1, … , 𝑝.

6
 Estimación de los modelos VAR
• Como se trata de formas reducidas, los modelos VAR pueden estimarse
consistentemente por Mínimos Cuadrados Ordinarios. También pueden
estimarse por Máxima Verosimilitud.

• Ejemplo: Estimación del modelo VAR de la inflación y la devaluación.

• Usando los datos que tenemos de inflación y devaluación estimamos un modelo

VAR(1).

7
Estimación del modelo VAR(1)

var modelo1.ls 1 1 inflac deval

8
Sample (adjusted): 2000M03 2019M12
Included observations: 238 after adjustments
Standard errors in ( ) & t-statistics in [ ] VAR(2)
INFLAC DEVAL

INFLAC(-1) 0.306991 -0.482688

(0.06526) (0.23386)
[ 4.70426] [-2.06398]

INFLAC(-2) -0.054318 0.726585

(0.06507) (0.23318)
[-0.83480] [ 3.11600]

DEVAL(-1) 0.029963 0.379011

(0.01782) (0.06387) var modelo2.ls 1 2 inflac deval
[ 1.68122] [ 5.93415]

DEVAL(-2) -0.008838 -0.072178

(0.01787) (0.06405)
[-0.49451] [-1.12689]

C 0.162789 -0.056512
(0.02536) (0.09089)
[ 6.41882] [-0.62179]

R-squared 0.100141 0.159192

Adj. R-squared 0.084692 0.144757
Sum sq. resids 19.58248 251.4892
S.E. equation 0.289905 1.038919
F-statistic 6.482339 11.02858
Log likelihood -40.48876 -344.2678
Akaike AIC 0.382258 2.935023
Schwarz SC 0.455205 3.007970
Mean dependent 0.217949 -0.006090
9
S.D. dependent 0.303021 1.123407
 INFLAC DEVAL

INFLAC(-1) 0.304065
(0.06518)
-0.472478
(0.23410)
VAR(3)
[ 4.66481] [-2.01825]

INFLAC(-2) -0.049680 0.677294

(0.06858) (0.24631)
[-0.72441] [ 2.74980]

INFLAC(-3) -0.048915 -0.002545

(0.06615)
[-0.73951]
(0.23756)
[-0.01071]
var modelo3.ls 1 3 inflac deval
DEVAL(-1) 0.036614 0.390111
(0.01820) (0.06537)
[ 2.01163] [ 5.96775]

DEVAL(-2) -0.024904 -0.122431

(0.01909) (0.06857)
[-1.30448] [-1.78561]

DEVAL(-3) 0.037511 0.137409

(0.01782) (0.06401)
[ 2.10461] [ 2.14660]

C 0.172173 -0.048166
(0.02744) (0.09854)
[ 6.27524] [-0.48880]

R-squared 0.117935 0.175837

Adj. R-squared 0.094925 0.154337
Sum sq. resids 19.10266 246.4007
S.E. equation 0.288193 1.035040
F-statistic 5.125292 8.178513
Log likelihood -37.87785 -340.8980
Akaike AIC 0.378716 2.935848
Schwarz SC 0.481148 3.038280 10
 Determinación del número de rezagos
• Nótese que el número de parámetros a estimar crece fuertemente con el número
de variables en el vector 𝑦𝑡 y con los rezagos 𝑝.
• Así, si tenemos que en un VAR(p) con “m” variables en el vector 𝑦𝑡 ,

𝑦𝑡 = 𝐴0 + 𝐴1 𝑦𝑡−1 + ⋯ + 𝐴𝑝 𝑦𝑡−𝑝 + 𝑢𝑡
𝑚×1 𝑚×𝑚 𝑚×𝑚
𝑝 𝑣𝑒𝑐𝑒𝑠
𝜎12 𝜎12 ⋯ 𝜎1𝑚
𝜎12 𝜎22 𝜎2𝑚
𝑉𝑎𝑟 𝑢𝑡 = Σ =
𝑚×𝑚 ⋮ ⋱ ⋮
2
𝜎1𝑚 𝜎2𝑚 ⋯ 𝜎𝑚
𝑚× 𝑚+1
• N° de parámetros: 𝑚 + 𝑝𝑚2 +
2
• Por ejemplo, si 𝑚 = 4 y 𝑝 = 5, el número de parámetros a estimar es 94.

11
 Determinación del número de rezagos
• Si nuestros datos son de baja frecuencia (por ejemplo, anuales o trimestrales), será
difícil estimar tantos parámetros sin perder grados de libertad.
• Un VAR con muchos rezagos incrementa su poder predictivo pero se pierden
grados de libertad.
• Es recomendable encontrar el número de rezagos óptimo.
• No es recomendable aplicar pruebas F a los coeficientes de cada ecuación.
• Mejor trabajar con las versiones apropiadas de Akaike, Schwarz y Hannan-Quinn.
𝐴𝐼𝐶 = 𝑇 ln |Σ| + 2𝐾
𝑆𝐶 = 𝑇 ln Σ + 𝐾. ln(𝑇)
𝐻𝑄 = 𝑇 ln Σ + 2 ln ln 𝑇 . 𝐾

• Donde |Σ| es el determinante de la matriz de varianzas y covarianzas de los

residuos y 𝐾 = 𝑚 + 𝑝𝑚2 .

12
 Determinación del número de rezagos
VAR Lag Order Selection Criteria
Endogenous variables: INFLAC DEVAL
Exogenous variables: C
Date: 06/16/21 Time: 23:26
Sample: 2000M01 2019M12
Included observations: 236
modelo1.laglen(4)
Lag LogL LR FPE AIC SC HQ

0 -414.6787 NA 0.117117 3.531175 3.560530 3.543009

1 -387.7312 53.20985 0.096420 3.336705 3.424769* 3.372205*
2 -382.0057 11.20849* 0.095021 3.322082 3.468855 3.381247
3 -377.5126 8.719532 0.094627* 3.317904* 3.523385 3.400735
4 -376.2710 2.388540 0.096869 3.341280 3.605470 3.447777

* indicates lag order selected by the criterion

LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion

• Según AIC se deben tomar 3 rezagos mientras que según SC y HQ solo uno.
• Si el objetivo es tener una buena predicción, preferir el criterio AIC.
• Si el objetivo es encontrar el verdadero orden del VAR del proceso generador de
datos y tener estimaciones consistentes, guiarse por SC y HQ.
• En muestras pequeñas, AIC se desempeña mejor que los otros dos.
13
 Determinación del número de rezagos
• Recordar que los criterios de Akaike y Schwarz no se usan para pruebas de
hipótesis, sino son indicadores de la bondad de ajuste.

• Si queremos probar la hipótesis 𝐻0 : 𝐴𝑝 = 0 se puede usar el test de razón de

verosimilitud, siendo el estadístico:

𝑅𝑉 = (𝑇 − 𝑐)(ln Σ𝑅 − ln |Σ𝑈 |)

• Donde los subíndices se refieren a los modelos restricto e irrestricto, y 𝑐 =

número de parámetros en una ecuación (intercepto + pendientes).
𝑎
• Bajo la nula, 𝑅𝑉~𝜒 2 (𝑚2 ).

14