VAR de Grandes Parámetros Variables en El Tiempo - ScienceDirect

25/7/22, 23:37 VAR de grandes parámetros variables en el tiempo - ScienceDirect
Diario de Econometría
Volumen 177, número 2 , diciembre de 2013 , páginas 185-198
VAR de parámetros variables en el tiempo grandes

Gary Koop y , Dimitris Korobilisb _
Mostrar más
Esquema Cuota Citar
https://doi.org/10.1016/j.jeconom.2013.04.007 Obtener derechos y contenido
Resumen
En este artículo, desarrollamos métodos para la estimación y el pronóstico en grandes modelos autorregresivos de vectores de
parámetros variables en el tiempo (TVP-VAR). Para superar las limitaciones computacionales, nos basamos en ideas de la
literatura de promediación de modelos dinámicos que logran reducciones en la carga computacional mediante el uso de factores
de olvido. Luego extendemos el TVP-VAR para que su dimensión pueda cambiar con el tiempo. Por ejemplo, podemos tener un
TVP-VAR grande como modelo de pronóstico en algunos momentos, pero un TVP-VAR más pequeño en otros. Una extensión
final se encuentra en el desarrollo de un nuevo método para estimar, de manera variable en el tiempo, el (los) parámetro (s) de los
priores de contracción comúnmente utilizados con grandes VAR. Estas extensiones se operacionalizan mediante el uso de
métodos de factor de olvido y, por lo tanto, son computacionalmente simples.tipos de interés demuestra la viabilidad y utilidad
de nuestro enfoque.
anterior Próximo
Clasificación JEL
C11; C52; E27; E37
Palabras clave
Bayesiano SÍ; Pronóstico; Coeficientes variables en el tiempo; Modelo de espacio de estados
1 . Introducción
Muchos artículos recientes (ver, entre muchos otros, Banbura et al., 2010 , Carriero et al., 2011 , Carriero et al., 2009 , Giannone et
al., 2010 , Koop, 2013 ) han encontrado grandes VAR, que tienen docenas o incluso cientos de variables dependientes, para
pronosticar bien. 1En esta literatura, el investigador generalmente trabaja con un solo VAR grande y asume que es homocedástico
y que sus coeficientes son constantes en el tiempo. En contraste con la extensa literatura sobre VAR, con VAR más pequeños ha
habido mucho interés en extender los VAR tradicionales (coeficiente constante, homocedástico) en dos direcciones. Primero, los
https://www.sciencedirect.com/science/article/pii/S0304407613000845 1/27
investigadores a menudo encuentran empíricamente necesario permitir el cambio de parámetros. Es decir, es común trabajar con
TVP-VARs donde los coeficientes VAR evolucionan en el tiempo y se presenta volatilidad estocástica multivariada (ver, entre
muchos otros, Cogley and Sargent, 2005 , Cogley et al., 2005 , Primiceri, 2005 , Koop et al., 2009 , Canova y Forero, 2012). En
segundo lugar, también puede haber una necesidad de cambio de modelo: para permitir cambios entre diferentes modelos de
TVP restringidos para mitigar las preocupaciones de parametrización excesiva que pueden surgir con TVP-VAR sin restricciones
y ricos en parámetros (p. ej ., Chan et al. (2012) ) . Surge la pregunta de si estos dos tipos de extensiones se pueden hacer con
grandes TVP-VAR. Este documento intenta abordar esta pregunta.
Desafortunadamente, los métodos TVP-VAR existentes que se utilizan con modelos de dimensiones pequeñas no se pueden
escalar fácilmente para manejar grandes TVP-VAR con errores heterocedásticos. La razón principal de que esto sea así es el
cálculo. Con VAR de coeficiente constante , normalmente se utilizan variantes del Minnesota Prior. Con este previo, las
densidades posteriores y predictivas tienen formas analíticas y no se requieren métodos MCMC. Con TVP-VAR, se requieren
métodos MCMC para hacer una inferencia bayesiana exacta. Incluso los pequeños (trivariados) ejercicios de pronóstico recursivo
TVP-VAR de D'Agostino et al. (2011) y Korobilis (2013) fueron muy exigentes desde el punto de vista computacional. Pronosticar
con grandes TVP-VAR es típicamente, en la práctica, computacionalmente inviable usando métodos MCMC.
Una primera contribución de este artículo es desarrollar métodos de estimación aproximados para grandes TVP-VAR que no
impliquen el uso de métodos MCMC y sean computacionalmente factibles. Para hacer esto, usamos factores de olvido. Los
factores de olvido (también conocidos como factores de descuento), que se han utilizado durante mucho tiempo con los modelos
de espacio de estado (ver, por ejemplo, Raftery et al. (2010) , y la discusión y citas allí), no requieren el uso de métodos MCMC y
tienen se ha encontrado que tiene propiedades deseables en muchos contextos (por ejemplo , Dangl y Halling (2012)). La mayoría
de los autores simplemente establecen los factores de olvido en una constante, pero nosotros desarrollamos métodos para estimar
los factores de olvido. Esto permite estimar el grado de variación de los coeficientes VAR a partir de los datos (sin necesidad de
MCMC).
Una segunda contribución de este documento es contribuir a la creciente literatura sobre la estimación de los hiperparámetros
previos que controlan la reducción en grandes VAR bayesianos (ver, por ejemplo, Giannone et al., 2012 ). Nuestro enfoque difiere
de la literatura existente en el tratamiento de diferentes priores (es decir, diferentes valores para el parámetro de contracción)
como definición de diferentes modelos y el uso de métodos de selección dinámica de modelos (DMS) con un factor de olvido para
seleccionar el valor óptimo del parámetro de contracción en diferentes puntos en tiempo. Desarrollamos un esquema de
actualización recursivo simple para el parámetro de contracción variable en el tiempo que es computacionalmente simple de
implementar.
Una tercera contribución de este artículo es desarrollar métodos econométricospara hacer la selección de modelos utilizando un
espacio modelo que involucra el gran TVP-VAR y varias versiones restringidas del mismo. Definimos TVP-VAR pequeños
(trivariados), medianos (siete variables) y grandes (25 variables) y desarrollamos métodos para la selección de modelos variables en
el tiempo sobre este conjunto de modelos. El interés se centra en la previsión de las variables en el VAR pequeño y el DMS se
realiza utilizando las densidades predictivas de estas variables (que son comunes a todos los modelos). Para ser precisos, el
algoritmo selecciona entre TVP-VAR pequeños, medianos y grandes en función de probabilidades predictivas pasadas para el
conjunto de variables que el investigador está interesado en pronosticar. Una ventaja potencialmente importante es que esto
permite el cambio de modelo. Por ejemplo, con DMS, el algoritmo podría seleccionar el TVP-VAR grande como modelo de
pronóstico en algunos momentos,aplicaciones de regresión univariadas (por ejemplo , Koop y Korobilis, 2012 ). Su incorporación
tiene el potencial de ser útil para mejorar el desempeño del pronóstico de TVP-VAR de diferentes dimensiones y proporcionar
información sobre qué modelo pronostica mejor (y cuándo lo hace). Nuestro tratamiento de la selección de la dimensión TVP-
VAR también implica el uso de un factor de olvido que se estima a partir de los datos.
Estos métodos se utilizan en una aplicación empírica que involucra un gran conjunto de datos macroeconómicos trimestrales
estándar de EE. UU., con un enfoque en la previsión de inflación, producción real y tasas de interés . Nuestros resultados
empíricos son alentadores y demuestran la viabilidad y utilidad de nuestro enfoque. En relación con los métodos convencionales
VAR y TVP-VAR, nuestros resultados destacan la importancia de permitir que la dimensión del TVP-VAR cambie con el tiempo y
permitir la volatilidad estocástica en los errores.
2 . Grandes TVP VAR
2.1 . Visión general
En esta sección, describimos nuestro enfoque para estimar un solo TVP-VAR utilizando factores de olvido. Escribimos el TVP-
VAR como:
(1)
dónde es iid y es iid . y son independientes unos de otros para todos y . por es un vector
que contiene observaciones sobre variables de series de tiempo y es matriz definida de modo que cada ecuación TVP-
VAR contenga un intercepto y retrasos de cada uno de los variables De este modo, .
Una vez que el investigador ha seleccionado una especificación para y , un previo para las condiciones iniciales (es decir, y
posiblemente y ) y una previa para cualquier parámetro restante del modelo, entonces la inferencia estadística bayesiana
puede proceder de manera directa (ver, por ejemplo, Koop y Korobilis (2009) para un tratamiento a nivel de libro de texto) usando
métodos MCMC. Es decir, los métodos estándar para dibujar a partir de modelos de espacio de estados (es decir, que involucran
el filtro de Kalman) se pueden usar para dibujar por (condicionado a y los demás parámetros del modelo).
Después por (condicionado a y los parámetros del modelo restantes) se pueden dibujar. Después por
(condicionado a y los parámetros del modelo restantes) se pueden dibujar. Luego, se dibujan los parámetros
restantes (condicionalmente a y ).
Este algoritmo funciona bien con TVP-VAR pequeños, pero puede ser computacionalmente muy exigente en VAR más grandes
debido al hecho de que es un algoritmo de simulación posterior. Por lo general, se deben realizar decenas de miles de sorteos
para garantizar la convergencia adecuada del algoritmo. Y, en el contexto de un ejercicio de pronóstico recursivo, el algoritmo de
simulación posterior debe ejecutarse repetidamente en una ventana de datos en expansión. Incluso con VAR grandes de
coeficiente constante , Koop (2013) encontró que la carga computacional era enorme cuando se usaban algoritmos de simulación
posterior en el contexto de un ejercicio de pronóstico recursivo. Con grandes TVP-VAR, el obstáculo computacional puede ser
simplemente insuperable.
En la siguiente subsección, mostramos cómo se pueden usar las aproximaciones que usan factores de olvido para reducir en gran
medida la carga computacional al permitir que el investigador evite el uso de algoritmos MCMC. La idea básica es reemplazar y
por estimaciones y, una vez hecho esto, existen fórmulas analíticas para el posterior (por ) y la densidad predictiva de un paso
adelante.
2.2 . Estimación de TVP-VAR utilizando factores de olvido

Los enfoques de factor de olvido se usaban comúnmente en el pasado, cuando el poder de cómputo era limitado, para estimar
modelos de espacio de estado como el TVP-VAR. Véase, por ejemplo, Fagin (1964) , Jazwinsky (1970) o West y Harrison (1997) para
una discusión sobre los factores de olvido en los modelos de espacio de estados y, en el contexto del TVP-VAR, véase Doan et al.
(1984) . Dangl y Halling (2012) es una aplicación más reciente que también utiliza un enfoque de factor de olvido. Aquí
describimos la motivación para el uso de métodos de factor de olvido.
Dejar denotan observaciones a través del tiempo . inferencia bayesiana para implica el filtro de Kalman, cuyas
fórmulas se pueden encontrar en muchas fuentes de libros de texto y no se repetirán aquí (ver, por ejemplo, Fruhwirth-Schnatter,
2006 , Capítulo 13). Pero los pasos clave en el filtrado de Kalman implican el resultado de que
(2)
donde fórmulas para y se dan en fuentes de libros de texto. El filtrado de Kalman luego procede usando:
(3)
dónde
(4)
Este es el único lugar donde entra en las fórmulas de filtrado de Kalman y, por tanto, si sustituimos la ecuación anterior por:
(5)
ya no hay necesidad de estimar o simular . se llama un factor de olvido que está restringido al intervalo . En lugares
como Jazwinsky (1970) y Raftery et al. (2010) . ecuación (5) implica que las observaciones períodos en el pasado tienen peso en la
estimación filtrada de . Nótese también que (4) , (5) implica que de donde se puede ver que el caso de
coeficiente constante surge si .
En artículos como Raftery et al. (2010) , simplemente se establece en un número ligeramente menor que uno. Para datos
macroeconómicos trimestrales, implica que las observaciones de hace cinco años reciben aproximadamente el 80% del
peso de la observación del último período. Esto conduce a modelos bastante estables en los que el cambio del coeficiente es
gradual y tiene propiedades similares a lo que Cogley y Sargent (2005) denominan su anterior "negocio como siempre". Estos
autores utilizan métodos MCMC exactos para estimar su TVP-VAR. Para asegurar que los coeficientes varían gradualmente usan
un ajuste previo ajustado en su matriz de covarianza de estado que depende de un coeficiente de contracción anterior que
determina la media anterior. Se puede demostrar que su elección para el coeficiente de contracción anterior permite una
variación en los coeficientes que es aproximadamente similar a la permitida por .2
Una contribución de nuestro trabajo es investigar el uso de factores de olvido en grandes TVP-VAR. Sin embargo, vamos más allá
de la mayoría de la literatura existente al estimar (en lugar de simplemente establecerlo en un valor fijo). 3 Nuestros métodos de
estimación se describen en la siguiente subsección.
Se utiliza una aproximación similar para eliminar la necesidad de un algoritmo de simulación posterior para la volatilidad
estocástica multivariada en la ecuación de medición. Utilizamos una media móvil ponderada exponencialmente (EWMA) para
modelar la volatilidad (consulte RiskMetrics, 1996 y Brockwell y Davis, 2009 , Sección 1.4). Adoptamos un estimador EWMA para
la matriz de covarianza del error de medición:
(6)
dónde es producido por el filtro de Kalman. Los estimadores EWMA también requieren la selección del factor de
decaimiento, . RiskMetrics (1996) sugiere valores para en la región de y nos enfocamos en esta región, aunque
estimamos (ver la siguiente subsección para más detalles). Este estimador requiere la elección de una condición inicial, para lo
cual usamos la matriz de covarianza muestral de dónde es el período en el que comenzamos nuestra evaluación de
pronóstico.
2.3 . Selección de modelos usando factores de olvido

Los TVP-VAR pueden ser adecuados para modelar la evolución gradual de los coeficientes. Sin embargo, pueden funcionar mal
para cambios más repentinos. Permitir cambios entre modelos completamente diferentes puede acomodar descansos más
abruptos. Por esta razón, el cambio de modelo es una adición potencialmente útil. Nuestra exposición anterior se aplica a un
modelo. Raftery et al. (2010) , en un contexto de regresión de TVP, desarrolla métodos para hacer un promedio de modelo
dinámico (DMA) que también se puede usar para DMS. Se remite al lector a Raftery et al. (2010) o Koop y Korobilis (2012)para una
completa derivación y motivación de DMA. Aquí proporcionamos una descripción general de lo que hace. En las secciones
siguientes, utilizamos la estrategia general descrita aquí de dos maneras. Primero, usamos DMS para permitir que el TVP-VAR
cambie de dimensión con el tiempo. En segundo lugar, lo usamos para seleccionar valores óptimos para , y el parámetro de
contracción del VAR de forma variable en el tiempo.
Supongamos que el investigador está trabajando con modelos El objetivo de DMA es calcular ¿Cuál es la
probabilidad de que el modelo debe usarse para pronosticar en el tiempo , dada la información a través del tiempo . Una vez
por se obtienen, se pueden usar para hacer el promedio del modelo o la selección del modelo. DMS surge si, en
cada momento, el modelo con el valor más alto para se utiliza para la previsión. Tenga en cuenta que variará con el
tiempo y, por lo tanto, el modelo de pronóstico puede cambiar con el tiempo. La contribución de Raftery et al. (2010) es
desarrollar un algoritmo recursivo rápido utilizando un factor de olvido para obtener .
Para hacer DMA o DMS primero debemos especificar el conjunto de modelos bajo consideración. En artículos como Raftery et al.
(2010) o Koop y Korobilis (2012) los modelos son regresiones TVP con diferentes conjuntos de variables explicativas . En el
presente documento, nuestro modelo de espacio es de naturaleza diferente, incluidos TVP-VAR de diferentes dimensiones,
diferentes prioridades o diferentes valores para los factores de olvido y decaimiento, pero el algoritmo básico aún se mantiene.
DMS es un algoritmo recursivo donde las recursiones necesarias son análogas a las ecuaciones de predicción y actualización del
filtro de Kalman. Dada una condición inicial, por , Raftery et al. (2010) derivan una ecuación de predicción del
modelo usando un factor de olvido :
(7)
y una ecuación de actualización del modelo de:
(8)
dónde es la probabilidad predictiva (es decir, la densidad predictiva para el modelo evaluado en ). Tenga en cuenta que
esta densidad predictiva es producida por el filtro de Kalman y tiene una fórmula estándar de libro de texto (por ejemplo ,
Fruhwirth-Schnatter, 2006 , p. 405). La probabilidad predictiva es una medida del rendimiento del pronóstico.
el calculo de y es simple y rápido, no implica el uso de métodos de simulación. Para ayudar a comprender la implicación
del enfoque del factor de olvido, tenga en cuenta que (la probabilidad clave utilizada para seleccionar modelos), se puede
escribir como:
Así, modelo recibirá más peso a la vez si ha pronosticado bien en el pasado reciente (donde el desempeño del pronóstico se mide
por la densidad predictiva, ). La interpretación del “pasado reciente” está controlada por el factor del olvido, y
tenemos el mismo decaimiento exponencial que tenemos para el factor de olvido . Por ejemplo, si , el desempeño del
pronóstico hace cinco años recibe un 80% más de peso que el desempeño del pronóstico del último período. Si , luego, el
desempeño pronosticado hace cinco años recibe solo alrededor del 35% de peso. El caso corresponde al promedio del
modelo convencional utilizando la probabilidad marginal. Estas consideraciones sugieren que nos concentremos en el intervalo
. En nuestro trabajo empírico, también incluimos un valor extremadamente pequeño de ya que esto
conduce (aproximadamente) a la ponderación igual de todos los modelos en todos los períodos de tiempo. Dado que los
pronósticos de igual peso son populares en muchos contextos, este es un punto de referencia útil para considerar en nuestro
conjunto de modelos.
DMS, como lo hemos descrito hasta ahora, requiere la elección de los factores de olvido, y , así como el factor de decaimiento .
Por lo general, se establecen en constantes fijas. Sin embargo, en este trabajo estimamos y utilizando la metodología DMS. Para
hacer esto, interpretamos diferentes valores de los factores de olvido como que definen diferentes modelos y luego usamos DMS
para seleccionar entre ellos. Consideramos un rango de valores para el factor de olvido, , cubriendo todo,
desde un cambio de coeficiente bastante rápido hasta ningún cambio de coeficiente. Para el factor de decaimiento, consideramos
la grilla de valores . En total, esto conduce a 12 combinaciones diferentes de y y DMS nos permite elegir
entre ellos de manera variable en el tiempo. Entonces, por ejemplo, DMS podría elegir (el coeficiente constante VAR) en
algunos puntos en el tiempo, pero luego cambiar a (un TVP-VAR con cambio de coeficiente más rápido). O DMS podría
cambiar entre un cambio de volatilidad rápido y un cambio de volatilidad pequeño. En general, la mayoría de las principales
opciones de especificación en un TVP-VAR se pueden realizar automáticamente en el contexto del algoritmo DMS.
Para investigar la solidez de los resultados al factor de olvido en el procedimiento DMS, presentamos resultados para un rango de
valores para permitiendo diferentes grados de cambio de modelo.
2.4 . Selección de modelos entre anteriores

En la subsección anterior, definimos modelos en términos de valores para los factores de olvido y decaimiento. Pero también
podemos definir diferentes modelos como derivados de diferentes antecedentes. Dado que usamos un enfoque de factor de
olvido que niega la necesidad de estimar y utilice una estimación EWMA para , se requiere información previa sólo para .
Pero es probable que esta fuente de información previa sea importante. Es decir, artículos como Banbura et al. (2010) están
trabajando con grandes VAR con muchos más parámetros que observaciones y la información previa es crucial para obtener
resultados razonables. Con los TVP-VAR esta necesidad es aún mayor. En consecuencia, usamos un estrecho previo de Minnesota
para . En el caso de que se elimine la variación temporal de los parámetros (es decir, cuando y ), este Minnesota antes
del se convierte en un previo de Minnesota en un VAR de coeficiente constante y, por lo tanto, este importante caso especial se
incluye como parte de nuestro enfoque. 4
Con VAR grandes y TVP-VAR, es común usar muestras previas de entrenamiento (p. ej ., Primiceri (2005) y Banbura et al. (2010) )
para obtener hiperparámetros que controlan el grado de contracción. En los enfoques de muestra de entrenamiento, se utiliza la
misma prioridad para cada punto en el tiempo en un ejercicio de pronóstico recursivo. Sin embargo, en este artículo adoptamos
un enfoque diferente que permite la estimación del hiperparámetro de contracción de forma variable en el tiempo. En el contexto
de un ejercicio de pronóstico recursivo, una estrategia alternativa para tener una contracción que varía con el tiempo sería volver
a estimar las contracciones previas en cada punto en el tiempo y volver a estimar el modelo en cada punto en el tiempo (tal
enfoque se usa en Giannone y otros (2012)). Esto puede ser computacionalmente exigente (particularmente si el parámetro de
contracción se estima en una cuadrícula de valores). Nuestro procedimiento de actualización automática evita este problema y es
computacionalmente mucho menos exigente.
Para un TVP-VAR de una dimensión específica, usamos un previo Normal para que es similar al anterior de Minnesota (véase,
por ejemplo, Doan et al. (1984) ). Nuestra sección empírica utiliza un conjunto de datos en el que todas las variables se han
transformado en estacionariedad y, por lo tanto, elegimos que la media anterior sea .
La matriz de covarianza previa de Minnesota para normalmente se supone que es diagonal y seguimos esta práctica. si dejamos
y denotamos sus elementos diagonales, entonces nuestra matriz de covarianza anterior se define a través de:
(9)
dónde es la longitud del retraso. El hiperparámetro clave en es que controla el grado de contracción de los coeficientes VAR.
vamos a estimar de los datos Tenga en cuenta que esto difiere del anterior de Minnesota en que este último contiene dos
parámetros de contracción (correspondientes a retrasos propios y otros retrasos) y estos se establecen en valores fijos.
Teóricamente, permitir dos parámetros de contracción en nuestro enfoque es sencillo. Para simplificar el cálculo, solo tenemos
un parámetro de contracción (al igual que Banbura et al. (2010) ). Finalmente, establecemos para las intersecciones para que
no sean informativos.
En grandes VAR y TVP-VAR, se necesita un alto grado de reducción para producir un rendimiento de pronóstico razonable. Esto
lo logramos estimando en cada momento utilizando una estrategia similar a la utilizada para estimar los factores de olvido y
decaimiento. Utilizamos una rejilla muy ancha para . Diferentes valores para puede pensarse
que define diferentes antecedentes y, por lo tanto, diferentes modelos. Podemos usar los métodos DMS descritos en la subsección
anterior para encontrar el valor óptimo para en cada momento.
2.5 . Selección de modelo entre TVP-VAR de diferente dimensión

DMA y DMS se han utilizado previamente en contextos de regresión variable en el tiempo donde cada modelo está definido por
el conjunto de variables explicativas incluidas. En las subsecciones anteriores, describimos cómo se puede usar DMS donde los
modelos están definidos por diferentes factores previos, de olvido o de descomposición. También podemos aumentar el espacio
modelo con modelos de diferentes dimensiones. En concreto, podemos hacer DMS sobre tres modelos: un TVP-VAR pequeño,
mediano y grande. Las definiciones de las variables contenidas en cada TVP-VAR se proporcionan en el Apéndice de datos .
La densidad predictiva, , juega el papel clave en DMS. Cuando se trabaja con TVP-VAR de diferente dimensión, ,
será de diferente dimensión y, por tanto, las densidades predictivas no serán comparables. Para sortear este problema, usamos las
densidades predictivas para el pequeño TVP-VAR (es decir, estas son las variables que son comunes a todos los modelos). En
nuestro trabajo empírico, esto significa que la selección del modelo dinámico está determinada por la probabilidad predictiva
conjunta de inflación, producción y tasa de interés . Esta estrategia es similar a la adoptada en el estudio de promedios del
modelo VAR de Ding y Karlsson (2012) .
En resumen, en este documento, un modelo se define por un valor para y una dimensionalidad TVP-VAR. Con seis valores
para , tres tamaños de TVP-VAR y 12 combinaciones, disponemos de 216 modelos diferentes. Recuerda que nuestro objetivo
es calcular por ¿Cuál es la probabilidad de que el modelo es el modelo de pronóstico en el tiempo , dada la
información a través del tiempo . Al pronosticar en el tiempo , evaluamos para cada y usar los valores de y la
dimensión TVP-VAR que la maximiza. El algoritmo recursivo dado en (7) , (8) se puede usar para evaluar . Este algoritmo
comienza con una condición inicial: con , que expresa la opinión de que todos los modelos posibles son
igualmente probables.
3 . Resultados empíricos
3.1 . Datos
Nuestro conjunto de datos comprende 25 importantes variables macroeconómicas trimestrales de EE. UU . y abarca desde el
primer trimestre de 1959 hasta el segundo trimestre de 2010. Trabajamos con un TVP-VAR pequeño con tres variables, un TVP-
VAR mediano con siete y un TVP-VAR grande con 25. Siguiendo, por ejemplo, Stock y Watson (2008) y las recomendaciones de
Carriero et al. (2011) transformamos todas las variables a estacionariedad . La elección de qué variables se incluyen en qué TVP-
VAR está motivada por las elecciones de Banbura et al. (2010) . El Apéndice de datos proporciona una lista completa de las
variables, sus códigos de transformación y qué variables pertenecen a qué TVP-VAR.
Investigamos el desempeño de nuestro enfoque al pronosticar el IPC, el PIB real y la tasa de los fondos federales (a los que nos
referiremos como inflación, PIB y la tasa de interés a continuación). Estas son las variables en nuestro pequeño TVP-VAR. Las
transformaciones son tales que las variables dependientes son la variación porcentual de la inflación (la segunda diferencia
logarítmica del IPC), el crecimiento del PIB (la diferencia logarítmica del PIB real) y la variación de la tasa de interés (la diferencia
de la tasa de los fondos federales). También estandarizamos todas las variables restando una media y dividiendo por una
desviación estándar . Calculamos esta media y desviación estándar para cada variable utilizando datos desde 1959T1 hasta 1969T4
(es decir, datos antes de nuestro período de evaluación de pronóstico).
3.2 . Otras opciones de modelado y modelos para comparar

Usamos una longitud de retraso de 4 a menos que se especifique lo contrario. Esto es consistente con los datos trimestrales. Las
preocupaciones sobre la parametrización excesiva con esta longitud de retraso relativamente larga se reducen con el uso de la
varianza previa de Minnesota, (9) , que aumenta la contracción a medida que aumenta la longitud de retraso. Todas nuestras
opciones de modelado restantes se indican arriba. Le recordamos al lector las decisiones importantes que deben tomarse en
nuestro enfoque. Tenemos un parámetro de contracción previa, , un factor de olvido, , que controla el grado de variación
temporal de los coeficientes VAR y un factor de caída, , que se utiliza en la estimación EWMA de la matriz de covarianza del error
. Nuestro enfoque y todos los casos especiales considerados a continuación, a menos que se indique lo contrario, estiman , y
mediante la optimización sobre una cuadrícula de valores. Llamamos a nuestro enfoque completo, que consiste en seleccionar el
único modelo preferido en cada momento, TVP-VAR-DMS. También usamos nuestro enfoque para hacer el promedio del modelo
sobre las dimensiones de TVP-VAR y lo llamamos TVP-VAR-DMA.
Nuestros principales resultados son para (el valor utilizado en Raftery et al. (2010) ) y, a menos que se especifique lo
contrario, todos los enfoques que implican el uso de DMS o DMA implican esta elección. Además tenemos varios casos especiales
de nuestro modelo de referencia. Éstos incluyen:
• TVP-VAR de cada dimensión, sin que se realice DMS sobre la dimensión.
• VAR heteroscedásticos de cada dimensión, obtenidos al establecer y .
• VAR homocedásticos de cada dimensión, obtenidos al establecer .5
También presentamos los resultados de varios otros enfoques que requieren el uso de métodos MCMC. Éstos incluyen:
• Un pequeño TVP-VAR con volatilidad estocástica como se usa en Primiceri (2005) .
• Un VAR bayesiano pequeño (con volatilidad estocástica) con Minnesota previo (ventana de pronósticos en expansión).
• Un VAR bayesiano pequeño (con volatilidad estocástica) con Minnesota previo (ventana móvil de 10 años).
El previo de Minnesota se especifica como en nuestro enfoque TVP-VAR-DMS con . El TVP-VAR pequeño también usa este
anterior para la condición inicial de los coeficientes VAR. Este modelo también requiere un previo para la covarianza del error en
la ecuación de estado y establecemos . En todos los casos, la volatilidad estocástica se modela utilizando la
especificación de Primiceri (2005) utilizando los datos previos como se especifica en la página 831 de este documento. 6
Además, incluimos como puntos de referencia estándar:

• Un VAR pequeño estimado utilizando métodos OLS.
• Un VAR pequeño con longitud de rezago de uno estimado utilizando métodos OLS.
• No hay pronósticos de cambio donde se utiliza como un pronóstico de para diferentes horizontes de pronóstico, .
3.3 . Resultados de la estimación

El enfoque principal de este documento es la previsión, pero es útil presentar brevemente algunas pruebas empíricas sobre otros
aspectos de nuestro enfoque. La Fig. 1 traza el valor seleccionado de , el parámetro de contracción en el previo de Minnesota, en
cada punto en el tiempo para TVP-VAR de diferente dimensión. Tenga en cuenta que, como era de esperar, estamos encontrando
que el grado necesario de contracción aumenta a medida que aumenta la dimensión del TVP-VAR.
Descargar: Descargar imagen a tamaño completo
Figura 1 . Valores de los coeficientes de contracción , estimado para cada periodo de tiempo y para cada tamaño de VAR.
La figura 2 representa el valor óptimo de seleccionados por DMS en cada momento para los TVP-VAR pequeños, medianos y
grandes. Tenga en cuenta que, aunque hay alguna variación en el tiempo, el valor óptimo para tiende a ser uno, lo que indica un
cambio relativamente pequeño en los coeficientes VAR. Esto es cierto para los TVP-VAR de todas las dimensiones.
figura 2 Valores de los coeficientes del factor de olvido , estimado para cada periodo de tiempo y para cada tamaño de VAR.
La figura 3 representa gráficamente las probabilidades variables en el tiempo asociadas con el TVP-VAR de cada dimensión.
Pronósticos DMS utilizando el TVP-VAR de dimensión con mayor probabilidad. Puede verse que esto conduce a una gran
cantidad de cambios entre TVP-VAR de diferente dimensión. Para períodos inestables (por ejemplo, aproximadamente entre 1975
y 1985 o después de 2008), DMS utiliza TVP-VAR medianos o grandes para producir pronósticos. En tiempos más estables, a
menudo se usa el TVP-VAR pequeño (aunque hay algunas excepciones a este patrón, particularmente en la década de 1990 cuando
se elige el TVP-VAR mediano).
Figura 3 . Probabilidades estimadas de selección de modelos dinámicos de los TVP-VAR pequeños, medianos y grandes.
3.4 . Comparación de pronósticos
Presentamos pronósticos iterados para horizontes de hasta dos años ( ) con un período de evaluación de pronóstico de
1975Q1 a 2010Q2. El uso de pronósticos iterados aumenta la carga computacional ya que se requiere simulación predictiva (es
decir, cuando no existe una fórmula analítica para la densidad predictiva). Hacemos simulación predictiva de dos maneras
diferentes. La primera forma (más simple) utiliza los coeficientes VAR que se mantienen en el tiempo para pronosticar variables
en el tiempo . Esto supone que no hay cambio en el coeficiente VAR entre y . La segunda forma, etiquetada
en las tablas, permite el cambio de coeficiente fuera de la muestra y simula a partir de la ecuación de estado de recorrido aleatorio
(1) para producir extracciones de . Ambas formas nos proporcionan y simulamos sorteos de condicionado a para
aproximar la densidad predictiva. 7
La alternativa sería utilizar la previsión directa, pero trabajos recientes como el de Marcellino et al. (2006) tienden a encontrar que
los pronósticos iterados son mejores. El pronóstico directo también requeriría volver a estimar el modelo para diferentes
opciones de y no eliminaría necesariamente la necesidad de simulación predictiva ya que el investigador puede desear simular
de (1) cuando .
Como medidas del desempeño de los pronósticos, usamos errores de pronóstico cuadráticos medios (MSFE) y probabilidades
predictivas. Estos últimos son populares entre muchos bayesianos , ya que evalúan el rendimiento del pronóstico de toda la
densidad predictiva (a diferencia del pronóstico puntual). Por lo tanto, la Tabla 1 , la Tabla 2 , la Tabla 3 ( Tabla 4 , Tabla 5 , Tabla 6
) presentan MSFE (sumas de probabilidades predictivas logarítmicas) para cada una de nuestras tres variables de interés por
separado. 8Hacemos TVP-VAR-DMS y TVP-VAR-DMA y normalizamos nuestra tabla en relación con este último. Por lo tanto, las
MSFE y las sumas de probabilidades predictivas logarítmicas se presentan en relación con el enfoque TVP-VAR-DMA que simula
de la ecuación de estado de la caminata aleatoria. Para ser precisos, los números en la Tabla 1 , Tabla 2 , Tabla 3 son
proporciones de MSFE para un modelo particular dividido por la MSFE de TVP-VAR-DMA y aquellos en Tabla 4 , Tabla 5 , Tabla
6 son las sumas de log probabilidades predictivas para un modelo específico menos la suma de probabilidades predictivas
logarítmicas para TVP-VAR-DMA.
Tabla 1 . MSFE relativo a TVP-VAR-DMA, PIB.
Modelo
Pequeño fue
TVP VAR 0.99 0.90 1.00 0.94 0.95 0.98 0.95 0.93
TVP VAR 1.00 0.90 0.98 0.93 0.94 0.99 0.95 0.92
TVP-VAR ( ) 0.98 0.88 1.00 0.94 0.95 0.98 0.93 0.90
TVP-VAR ( ) 0.99 0.90 0.96 0.95 0.94 0.97 0.94 0.91
TVP-VAR ( ) 0.98 0.89 1.01 0.97 0.96 1.01 0.95 0.92
TVP-VAR ( ) 1.02 0.90 1.07 1.00 1.08 1.09 1.04 0.97
VAR, heterocedástico 0.97 0.90 0.96 0.95 0.95 0.97 0.95 0.91
VAR, homocedástico 1.02 0.95 0.97 0.92 0.95 0.97 0.93 0.92
VAR medio
TVP VAR 1.03 0.97 0.96 1.00 0.99 0.94 0.98 0.98
TVP VAR 1.06 0.97 0.96 0.98 0.99 0.95 0.97 0.99
TVP-VAR ( ) 1.01 0.92 0.98 0.99 0.99 0.96 0.96 0.96
TVP-VAR ( ) 1.05 0.96 0.95 0.96 0.97 0.97 0.99 0.98
TVP-VAR ( ) 1.00 0.93 0.95 1.00 1.00 0.96 0.97 0.99
Modelo
TVP-VAR ( ) 1.05 0.88 1.11 1.13 1.12 1.02 0.95 0.96
Gran VAR
TVP VAR 1.17 1.16 1.09 1.11 1.10 1.09 1.13 1.11
TVP VAR 1.17 1.17 1.10 1.12 1.12 1.10 1.13 1.12
TVP-VAR ( ) 1.04 1.05 1.01 1.02 1.01 1.00 1.02 1.01
TVP-VAR ( ) 1.15 1.17 1.10 1.12 1.11 1.10 1.14 1.11
TVP-VAR ( ) 1.14 1.09 1.07 1.11 1.13 1.09 1.12 1.10
TVP-VAR ( ) 1.10 0.97 1.10 1.11 1.27 1.23 1.06 1.07
Punto de referencia
Ningún cambio 1.49 1.63 1.68 1.82 1.79 1.70 1.82 1.97
Pequeño VAR OLS, un retraso 1.10 1.00 0.94 0.97 0.93 0.94 0.96 0.95
MCO VAR pequeño 1.11 1.08 1.42 1.19 1.19 1.24 1.18 1.15
Pequeño BVAR-MCMC-Min 1.08 1.00 0.93 0.95 0.95 0.94 0.95 0.93
Pequeño BVAR-MCMC-Min rodante (10y) 1.16 1.01 0.94 0.97 0.96 0.94 0.94 0.91
Pequeño TVP-BVAR-MCMC-Min 1.07 1.05 0.98 0.97 1.00 0.97 0.98 0.98
DMA/DMS VAR
TVP-VAR-DMA 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
TVP-VAR-DMS 1.03 1.05 1.01 1.06 1.00 1.05 1.05 1.02
TVP-VAR-DMA 1.01 0.99 1.00 0.99 1.00 1.00 1.00 1.00
TVP-VAR-DMS 1.05 1.04 1.02 1.04 1.00 1.03 1.06 1.03
TVP-VAR-DMA ( ) 0.95 0.93 0.96 0.94 0.94 0.96 0.95 0.94
TVP-VAR-DMS ( ) 1.03 1.00 0.98 0.96 0.95 0.95 0.95 0.92
TVP-VAR-DMA ( ) 1.00 1.00 1.00 0.99 1.00 1.00 1.01 0.98
TVP-VAR-DMS ( ) 1.10 1.10 1.02 1.01 0.98 1.00 1.01 1.00
TVP-VAR-DMA ( ) 0.98 0.95 1.01 1.01 1.01 1.01 1.00 0.99
TVP-VAR-DMS ( ) 1.11 0.98 1.08 1.07 1.07 1.10 1.05 1.01
TVP-VAR-DMA ( ) 0.99 0.88 1.05 1.08 1.03 1.00 0.99 0.95
TVP-VAR-DMS ( ) 1.04 0.93 1.13 1.17 1.01 1.03 1.02 0.97
Tabla 2 . MSFE relativo a TVP-VAR-DMA, inflación.
Modelo
Pequeño fue
TVP VAR 1.00 1.00 1.01 1.03 1.01 0.99 1.01 1.01
TVP VAR 1.00 1.00 1.01 1.04 1.01 0.98 1.01 1.01
TVP-VAR ( ) 0.99 1.02 1.06 1.08 1.04 1.02 1.04 0.98
TVP-VAR ( ) 0.99 1.01 1.01 1.03 1.01 1.00 1.02 0.99
TVP-VAR ( ) 1.02 1.03 1.01 1.06 1.02 0.99 1.02 1.01
TVP-VAR ( ) 1.02 1.02 1.10 1.10 1.09 1.02 1.07 0.93
VAR medio
TVP VAR 1.03 1.03 1.01 1.01 1.00 1.01 1.01 1.01
TVP VAR 1.03 1.02 1.00 1.01 1.00 1.00 1.00 1.02
TVP-VAR ( ) 1.03 1.02 1.03 1.04 1.00 1.00 1.02 1.00
TVP-VAR ( ) 1.03 1.02 1.00 1.01 1.01 1.00 1.01 1.02
TVP-VAR ( ) 1.01 1.02 1.05 1.02 1.01 1.01 1.00 1.01
TVP-VAR ( ) 0.90 0.98 1.39 1.16 1.19 1.16 1.05 0.98
Gran VAR
TVP VAR 1.04 0.99 1.02 0.97 1.00 1.02 0.98 0.99
TVP VAR 1.04 1.01 1.02 0.97 0.99 1.02 0.99 0.99
TVP-VAR ( ) 1.01 0.99 1.02 0.97 0.99 1.01 0.99 1.00
TVP-VAR ( ) 1.04 1.00 1.01 0.97 0.99 1.02 1.00 0.99
TVP-VAR ( ) 0.99 1.01 1.01 0.99 1.01 1.04 0.99 1.01
TVP-VAR ( ) 0.97 1.00 1.16 1.03 1.26 1.24 1.05 0.99
Punto de referencia
Ningún cambio 2.83 2.38 1.42 1.89 1.86 1.45 1.48 1.42
MCO VAR pequeño 1.04 1.19 1.10 1.17 1.14 1.03 1.05 1.11
DMA/DMS VAR
Modelo
TVP-VAR-DMA 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
TVP-VAR-DMS 1.02 1.02 0.99 1.02 1.00 1.00 1.00 1.01
TVP-VAR-DMA 1.00 1.00 1.00 1.01 1.00 1.00 1.00 1.00
TVP-VAR-DMS 1.02 1.01 0.99 1.02 1.00 1.00 1.00 1.01
TVP-VAR-DMA ( ) 0.97 1.01 1.02 1.02 0.99 1.01 1.02 0.99
TVP-VAR-DMS ( ) 0.99 1.00 1.02 1.04 1.01 1.03 1.03 0.96
TVP-VAR-DMA ( ) 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
TVP-VAR-DMS ( ) 1.01 1.01 1.01 1.02 0.99 1.02 1.01 1.01
TVP-VAR-DMA ( ) 0.97 1.01 1.01 1.01 1.01 0.99 1.00 1.02
TVP-VAR-DMS ( ) 1.01 1.02 1.00 1.03 1.01 0.98 1.00 1.04
TVP-VAR-DMA ( ) 0.91 0.99 1.21 1.08 1.14 1.08 1.05 0.97
TVP-VAR-DMS ( ) 0.99 1.04 1.19 1.09 1.15 1.06 1.03 1.06
Tabla 3 . MSFE relativo a TVP-VAR-DMA, tasa de interés .
Modelo
Pequeño fue
TVP VAR 1.07 1.03 1.06 1.15 1.06 1.00 1.11 1.09
TVP VAR 1.07 1.05 1.07 1.16 1.05 1.00 1.11 1.08
TVP-VAR ( ) 1.08 1.05 1.07 1.19 1.07 1.01 1.16 1.12
TVP-VAR ( ) 1.06 1.02 1.02 1.06 1.05 0.98 1.05 1.04
TVP-VAR ( ) 1.09 1.07 1.08 1.24 1.09 1.01 1.21 1.18
TVP-VAR ( ) 1.02 1.02 1.12 1.01 1.07 1.03 1.09 1.10
VAR medio
TVP VAR 1.10 1.02 1.00 1.02 1.01 1.03 1.03 0.99
TVP VAR 1.11 1.03 1.02 1.02 1.02 1.02 1.01 0.99
TVP-VAR ( ) 1.10 1.09 1.05 1.08 1.02 1.01 1.03 1.02
TVP-VAR ( ) 1.11 1.02 1.00 1.00 1.03 1.03 1.02 0.98
TVP-VAR ( ) 1.13 1.05 1.04 1.10 1.04 1.03 1.08 1.02
TVP-VAR ( ) 1.11 1.07 1.08 1.03 1.11 1.13 1.06 1.05
Modelo
Gran VAR
TVP VAR 0.96 0.98 1.03 0.97 1.03 1.02 0.95 0.95
TVP VAR 0.98 0.97 1.02 0.98 1.01 1.02 0.95 0.95
TVP-VAR ( ) 0.99 0.98 1.00 0.99 1.02 1.02 0.94 0.95
TVP-VAR ( ) 0.95 0.98 1.02 0.98 1.03 1.03 0.96 0.96
TVP-VAR ( ) 1.02 1.00 1.03 1.02 1.03 1.04 0.98 0.94
TVP-VAR ( ) 1.01 1.09 1.05 1.13 1.17 1.15 0.98 0.97
Punto de referencia
Ningún cambio 1.76 2.25 1.83 1.88 1.73 2.02 2.44 2.00
MCO VAR pequeño 1.63 1.54 1.51 2.12 1.88 1.73 2.30 2.10
DMA/DMS VAR
TVP-VAR-DMA 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00
TVP-VAR-DMS 0.97 1.03 0.99 0.95 1.01 1.00 0.99 1.00
TVP-VAR-DMA 0.99 1.01 1.00 1.00 1.00 1.00 1.00 1.00
TVP-VAR-DMS 0.95 1.03 0.99 0.94 1.01 1.00 0.99 0.99
TVP-VAR-DMA ( ) 0.98 1.01 1.01 1.02 1.02 1.01 1.00 1.00
TVP-VAR-DMS ( ) 0.95 1.04 0.98 1.00 1.01 1.03 1.02 1.01
TVP-VAR-DMA ( ) 1.00 1.00 0.99 0.98 1.02 1.00 0.99 0.98
TVP-VAR-DMS ( ) 0.95 1.03 0.96 0.97 1.03 1.00 1.00 0.98
TVP-VAR-DMA ( ) 1.02 1.00 1.04 1.09 1.02 1.01 1.06 1.03
TVP-VAR-DMS ( ) 1.06 1.02 1.07 1.02 1.03 1.03 1.03 1.03
TVP-VAR-DMA ( ) 1.02 1.06 1.04 1.02 1.03 1.02 1.02 1.02
TVP-VAR-DMS ( ) 1.05 1.14 1.03 1.06 1.05 1.05 1.07 1.05
Tabla 4 . Suma de probabilidades predictivas logarítmicas relativas a TVP-VAR-DMA, PIB.
Modelo
Pequeño fue
Modelo
TVP VAR 7.1 6.3 4.2 4.6 2.5 4.3 4.5 5.1
TVP VAR 6.2 6.5 4.3 3.7 4.2 6.2 5.5 5.1
TVP-VAR ( ) 4.7 8.9 6.9 9.1 8.6 9.0 9.8 8.4
TVP-VAR ( ) 6.0 7.4 5.1 5.5 5.4 4.5 6.5 5.3
TVP-VAR ( ) 5.2 7.3 3.4 3.3 3.6 4.3 5.6 4.6
TVP-VAR ( ) 8.6 11.9 7.8 8.6 2.4 5.0 7.8 12.0
VAR, homocedástico −6.0 1.3 2.6 6.7 6.6 5.7 5.6 4.5
VAR medio
TVP VAR 2.6 5.0 5.7 3.1 5.2 4.5 3.7 2.4
TVP VAR 0.9 4.8 6.0 5.6 4.5 4.5 4.3 4.0
TVP-VAR ( ) 0.4 5.2 6.5 6.7 6.5 7.6 6.2 5.0
TVP-VAR ( ) 1.7 5.2 8.0 7.3 6.5 5.6 3.0 3.1
TVP-VAR ( ) 4.4 8.5 7.9 6.6 4.2 4.6 3.6 2.5
TVP-VAR ( ) 5.5 11.3 12.8 5.6 −3.5 −4.3 3.4 4.6
VAR, heterocedástico −0.1 4.6 5.8 6.2 4.1 6.1 3.7 3.8
VAR, homocedástico −7.7 −2.0 2.2 5.1 3.1 5.6 3.5 1.7
Gran VAR
TVP VAR −6.0 −9.8 −6.7 −6.3 −6.5 −7.2 −8.7 −8.4
TVP VAR −6.3 −8.6 −8.2 −4.9 −6.2 −5.7 −8.1 −8.8
TVP-VAR ( ) −3.2 −3.3 −2.3 −3.3 −4.4 −3.4 −6.9 −5.8
TVP-VAR ( ) −6.2 −8.1 −8.0 −6.0 −6.0 −6.5 −10.8 −9.2
TVP-VAR ( ) −2.8 −5.6 −6.5 −7.9 −8.2 −9.4 −10.8 −11.0
TVP-VAR ( ) −1.2 3.4 1.6 −1.5 −9.3 −14.8 −9.8 −8.8
VAR, heterocedástico −2.0 −3.4 0.2 1.0 0.4 1.7 −1.6 −1.6
VAR, homocedástico −14.1 −9.9 −5.1 −3.5 −4.8 −5.7 −8.5 −9.5
Punto de referencia
Pequeño BVAR-MCMC-Min −3.4 1.7 8.4 10.7 10.3 10.3 9.0 8.4
Pequeño BVAR-MCMC-Min rodante (10y) −38.9 −37.8 −36.4 −34.8 −38.7 −39.8 −43.6 −42.7
Pequeño TVP-BVAR-MCMC-Min −2.2 3.5 8.6 14.2 12.8 12.8 12.7 10.2
DMA/DMS VAR
TVP-VAR-DMA 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
TVP-VAR-DMS −1.6 −2.6 −1.1 −4.3 −2.5 −2.2 0.6 0.5
TVP-VAR-DMA 0.7 0.3 0.8 1.3 0.0 0.9 −0.4 −0.3
TVP-VAR-DMS −1.0 −2.6 −0.5 −2.3 −1.5 −0.1 −1.2 −0.6
TVP-VAR-DMA ( ) 3.1 6.1 6.4 7.2 5.8 7.6 6.1 5.5
Modelo
TVP-VAR-DMS ( ) 2.7 4.5 5.2 7.8 7.2 10.0 7.7 8.4
TVP-VAR-DMA ( ) 1.8 0.6 0.6 1.2 0.2 1.8 0.3 0.5
TVP-VAR-DMS ( ) 0.2 −4.2 −2.8 −1.6 0.6 0.8 0.0 0.0
TVP-VAR-DMA ( ) 2.0 3.3 0.5 −0.5 −0.6 0.1 −0.7 −0.3
TVP-VAR-DMS ( ) 1.5 5.4 −0.2 −2.1 −1.7 −0.6 1.9 2.9
TVP-VAR-DMA ( ) 3.9 8.3 5.8 4.1 −3.5 −5.4 1.0 2.7
TVP-VAR-DMS ( ) 4.4 9.0 3.9 3.3 −5.8 −4.2 0.5 1.5
Tabla 5 . Suma de probabilidades predictivas logarítmicas relativas a TVP-VAR-DMA, inflación.
Modelo
Pequeño fue
TVP VAR 6.1 −0.6 −0.2 −4.2 −4.8 0.5 −5.4 −6.5
TVP VAR 4.4 −0.8 −1.0 −4.0 −4.2 1.6 −2.4 −4.1
TVP-VAR ( ) 4.9 0.5 −0.4 −5.5 −6.7 2.3 −1.1 −2.2
TVP-VAR ( ) 5.3 −0.8 −2.5 −3.9 −5.3 −0.3 −5.2 −4.1
TVP-VAR ( ) 3.8 −0.8 −1.7 −4.3 −4.8 2.1 −4.8 −3.8
TVP-VAR ( ) 4.2 2.4 −1.8 −6.1 −5.6 5.2 −0.8 11.8
VAR, heterocedástico 3.7 −1.3 −2.3 −7.5 −5.4 −0.3 −3.6 −4.6
VAR, homocedástico −6.3 −3.2 −5.5 −9.0 −5.4 1.9 −3.7 −0.3
VAR medio
TVP VAR −2.1 −2.6 −0.1 −1.7 0.9 0.4 −1.3 0.5
TVP VAR −1.7 −1.7 −1.6 0.6 1.5 2.2 0.3 −0.5
TVP-VAR ( ) −2.5 −1.0 −1.8 −5.3 0.8 1.2 −0.3 2.4
TVP-VAR ( ) −1.0 −3.0 −0.3 −1.9 −0.4 −1.2 −2.1 −1.1
TVP-VAR ( ) −1.7 −1.8 −1.6 −0.1 1.3 0.5 −0.1 2.0
TVP-VAR ( ) 11.0 4.2 7.6 −0.6 2.0 3.1 4.8 7.5
VAR, heterocedástico −3.0 −2.8 −0.4 −3.8 −1.5 −0.2 0.2 −0.1
VAR, homocedástico −3.1 −4.3 −2.9 −3.9 0.5 −3.1 −0.5 1.3
Gran VAR
TVP VAR −3.2 2.4 −0.7 5.2 4.2 1.5 4.0 5.4
TVP VAR −3.6 0.8 −1.5 4.3 5.7 0.2 5.4 6.1
TVP-VAR ( ) −1.2 0.7 −2.6 2.6 4.0 1.1 2.6 4.0
TVP-VAR ( ) −3.1 0.6 0.0 3.9 6.5 1.6 4.1 7.6
TVP-VAR ( ) 2.7 1.7 1.1 1.8 5.0 −3.5 4.9 5.0
Modelo
TVP-VAR ( ) 4.9 5.3 4.1 −3.5 −3.8 −0.2 1.1 11.0
VAR, heterocedástico −3.8 −0.7 −3.2 1.5 2.8 −0.5 3.2 5.8
VAR, homocedástico −4.6 −1.3 −5.4 −2.1 1.1 −1.5 0.4 1.0
Punto de referencia
Pequeño BVAR-MCMC-Min −16.8 −10.1 −10.8 −7.2 −7.9 −10.1 −9.9 −3.0
Pequeño TVP-BVAR-MCMC-Min 3.6 4.1 1.4 2.0 0.9 −2.3 −1.6 −2.6
DMA/DMS VAR
TVP-VAR-DMA 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
TVP-VAR-DMS 2.5 1.8 −1.0 1.0 −0.7 −1.3 1.9 4.2
TVP-VAR-DMA 0.4 0.2 −1.5 −0.5 0.5 1.0 0.6 1.4
TVP-VAR-DMS 2.8 2.2 −2.0 1.2 −0.2 1.4 2.5 4.2
TVP-VAR-DMA ( ) 3.6 1.7 0.4 −0.2 1.0 3.7 2.2 3.1
TVP-VAR-DMS ( ) 4.5 0.4 −1.9 −2.3 −4.8 1.2 1.1 −0.6
TVP-VAR-DMA ( ) 0.9 −0.9 −1.2 0.1 −1.2 −0.1 −1.1 −0.2
TVP-VAR-DMS ( ) 4.5 0.8 −1.2 −1.5 −2.3 −1.6 −3.2 −0.4
TVP-VAR-DMA ( ) 3.1 −0.2 −0.6 −0.4 0.4 1.2 −0.8 −0.5
TVP-VAR-DMS ( ) 7.9 0.3 −1.8 1.8 2.0 2.2 −4.4 −2.1
TVP-VAR-DMA ( ) 7.3 3.1 3.8 −4.7 −5.1 2.9 2.3 9.2
TVP-VAR-DMS ( ) 7.8 3.2 7.5 −4.1 −9.3 3.9 4.2 1.4
Tabla 6 . Suma de probabilidades predictivas logarítmicas relativas a TVP-VAR-DMA, tasa de interés .
Modelo
Pequeño fue
TVP VAR 1.7 0.5 0.7 1.0 −1.8 −1.7 −2.4 −0.7
TVP VAR 2.4 −0.5 2.0 0.0 −1.0 0.2 −1.6 −2.3
TVP-VAR ( ) −14.0 −9.8 −9.3 −11.0 −10.2 −7.7 −11.2 −12.5
TVP-VAR ( ) −0.7 0.0 0.1 0.4 −4.1 −0.6 −1.7 −4.3
TVP-VAR ( ) 2.6 0.2 −0.3 −1.3 −2.1 −0.4 −1.4 −3.2
TVP-VAR ( ) 4.1 4.7 −2.1 1.9 −1.2 4.3 −2.4 −0.2
VAR, heterocedástico −12.4 −8.0 −7.4 −5.6 −7.5 −3.5 −5.4 −7.1
VAR medio
TVP VAR −8.9 −3.6 −1.6 −2.9 0.6 4.6 3.6 2.9
Modelo
TVP VAR −10.5 −2.5 −3.4 −1.0 −1.6 3.9 4.1 2.2
TVP-VAR ( ) −16.6 −10.1 −7.5 −11.0 −8.7 −4.1 −3.5 −6.0
TVP-VAR ( ) −7.5 −2.3 −1.2 −1.9 −4.1 −0.9 −0.5 0.7
TVP-VAR ( ) −8.9 −2.6 −1.5 −3.2 −1.8 1.6 2.8 4.0
TVP-VAR ( ) −0.9 5.2 2.2 7.4 −6.3 6.7 −0.8 4.7
VAR, heterocedástico −16.8 −8.2 −5.2 −6.6 −2.6 0.4 −1.6 −2.3
Gran VAR
TVP VAR 3.0 0.7 −0.9 −1.4 −3.2 −0.4 0.8 −1.2
TVP VAR 2.5 0.5 −0.4 −0.4 0.9 −2.9 1.5 0.2
TVP-VAR ( ) −12.0 −9.6 −10.8 −14.3 −12.5 −8.4 −8.0 −6.4
TVP-VAR ( ) 3.2 1.4 0.4 −2.1 −4.4 −2.0 0.0 0.7
TVP-VAR ( ) −0.4 −0.5 −2.3 −5.5 −7.0 −4.1 0.4 1.2
TVP-VAR ( ) 8.3 11.9 4.2 3.3 −12.3 −2.6 −1.2 −5.1
VAR, heterocedástico −9.7 −5.9 −7.1 −7.6 −6.1 −3.1 −3.9 −5.4
Punto de referencia
Pequeño BVAR-MCMC-Min −51.4 −43.1 −45.1 −41.8 −46.8 −45.9 −45.1 −44.7
Pequeño TVP-BVAR-MCMC-Min −30.2 −25.7 −32.2 −18.1 −25.5 −27.7 −28.8 −29.4
DMA/DMS VAR
TVP-VAR-DMA 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
TVP-VAR-DMS 3.3 1.5 −0.4 0.8 −3.0 −0.9 −1.6 −1.1
TVP-VAR-DMA 0.0 −0.6 −0.5 0.6 0.1 0.1 0.9 0.9
TVP-VAR-DMS 3.8 0.7 −0.6 1.0 −2.0 −1.9 −0.4 −0.9
TVP-VAR-DMA ( ) −9.5 −7.0 −7.3 −9.0 −7.6 −5.3 −6.2 −6.8
TVP-VAR-DMS ( ) −5.9 −8.7 −7.1 −8.7 −9.0 −6.7 −9.8 −8.3
TVP-VAR-DMA ( ) −0.4 −0.4 −0.2 −0.1 −4.3 −0.6 0.1 −1.2
TVP-VAR-DMS ( ) 5.2 0.1 2.6 1.9 −4.3 −0.6 −0.4 −0.2
TVP-VAR-DMA ( ) −1.7 −1.3 −2.7 −2.1 −2.4 −0.4 1.3 −0.3
TVP-VAR-DMS ( ) −2.4 −0.3 −3.8 0.8 −2.1 −0.9 0.3 0.2
TVP-VAR-DMA ( ) 5.4 6.1 1.1 4.1 −6.4 1.8 −1.5 −0.3
TVP-VAR-DMS ( ) 9.6 4.8 1.0 2.8 −5.7 −1.3 −4.1 −1.7
Con tres variables diferentes, ocho horizontes de pronóstico diferentes y dos métricas de pronóstico diferentes, hay muchas
formas de comparar nuestros pronósticos. Se puede encontrar que prácticamente todos los modelos funcionan bien en algún
caso. En términos generales, las MSFE y las probabilidades predictivas de registros cuentan la misma historia. Aunque nuestros
enfoques TVP-VAR-DMS o DMA completos no siempre son los mejores enfoques de pronóstico, por lo general se encuentran
entre los mejores y nunca pronostican mal. Es un procedimiento de pronóstico seguro que nunca se equivoca demasiado y
automáticamente realiza muchas de las elecciones de especificación necesarias a las que se enfrenta un investigador. Por el
contrario, otras estrategias, como usar siempre un TVP-VAR de una dimensión fija, a veces pueden pronosticar muy bien, pero
también a veces pronostican bastante mal.
Con respecto al tema de la dimensionalidad TVP-VAR, no hay una sola dimensión que domine. A veces, la función de cambio de
dimensión de nuestro enfoque TVP-VAR-DMS conduce al mejor rendimiento de pronóstico, pero cada uno de los TVP-VAR
pequeños, medianos y grandes pronostica mejor para algún horizonte de pronóstico para alguna variable. Un hallazgo general es
que (con algunas excepciones), los TVP-VAR pequeños tienden a preferirse para el PIB, mientras que los TVP-VAR grandes son
preferibles para la inflación. Con las tasas de interés, existe evidencia contradictoria sobre si se prefieren los TVP-VAR pequeños,
medianos o grandes, lo que puede explicar por qué nuestro enfoque TVP-VAR-DMS completo tiende a funcionar particularmente
bien para pronosticar las tasas de interés. Por supuesto, cualquier modelo VAR o TVP-VAR admite pronósticos de varias variables
al mismo tiempo, por lo que no sorprende que ninguna dimensión única del VAR sea la mejor para todas las variables. Nuestro
enfoque tiene en cuenta la probabilidad predictiva total de las tres variables ponderadas por igual. En la práctica, los responsables
de la formulación de políticas podrían querer dar más peso a una variable (como la inflación) que a otras. Sería simple modificar
nuestro algoritmo para hacer esto. Tal modificación mejoraría los pronósticos de inflación, probablemente a costa de deteriorar
los pronósticos de las demás variables.9
El valor de hacer DMS también es claro en que los enfoques en los que esto se hace casi siempre superan a los enfoques de
referencia que no lo hacen. Con la excepción de la previsión del PIB a largo plazo, los enfoques de referencia que implican
modelos de pequeña dimensión, como el TVP-VAR de Primiceri (2005) , que en las tablas se denomina Small TVP-BVAR-MCMC-
Min, el VAR previo de Minnesota o el VAR estimado usando métodos OLS, pronosticó pobremente en relación con nuestro
enfoque TVP-VAR-DMS. Por ejemplo, si observa la Tabla 1 , la Tabla 2 , la Tabla 3 , la Tabla 4 , la Tabla 5 , la Tabla 6y compare
Small TVP-BVAR-MCMC-Min con la fila etiquetada small TVP-VAR (que hace DMS), puede ver que el último siempre pronostica
mejor que el primero para . Con algunas excepciones, estos mismos patrones se mantienen en horizontes de pronóstico más
largos.
La Tabla 1 , Tabla 2 , Tabla 3 , Tabla 4 , Tabla 5 , Tabla 6 también contienen muchas variantes del enfoque TVP-VAR-DMS donde
se establece en un valor particular y donde y no se estiman, sino que se fijan en valores estándar. Con la excepción de las tasas de
interés, los beneficios de estimar y son bastante pequeños. De hecho, para la previsión del PIB, el caso en el que y no se
estiman a menudo conduce al mejor rendimiento de pronóstico. En cuanto al factor de olvido, , encontramos que los resultados
son bastante robustos en el intervalo de uso común . Sin embargo, es el caso que asigna la misma probabilidad a
los TVP-VAR de cada dimensión, que a veces pronostica mejor. Este hallazgo es particularmente interesante a la luz del trabajo
reciente sobre grupos de predicción (p. ej., Amisano y Geweke (2012) ) que a menudo encuentran grupos de densidades predictivas
igualmente ponderados para pronosticar bien.
Los métodos de promediación de modelos y de selección de modelos tienden a generar pronósticos similares. En general, TVP-
VAR-DMA pronostica un poco mejor que TVP-VAR-DMS, pero hay muchas excepciones a este patrón (particularmente cuando se
usan probabilidades predictivas como métrica de pronóstico).
Con respecto a la simulación predictiva, nuestros resultados sugieren que simular a partir de la ecuación de estado de paseo
aleatorio produce solo mejoras modestas en el pronóstico sobre la estrategia más simple de suponer que no hay cambios en los
coeficientes VAR durante el horizonte en el que se realiza el pronóstico.
La importancia de tener en cuenta los errores heterocedásticos para obtener la forma correcta de la densidad predictiva se
muestra claramente en el bajo rendimiento de los modelos homocedásticos en las Tablas 4 , 5 , 6 .
En resumen, nuestros resultados sugieren que nuestros métodos proporcionan una forma efectiva de estimar incluso grandes
TVP-VAR con errores heterocedásticos (que serían computacionalmente inviables usando métodos MCMC) y elegir la contracción
previa. En nuestra aplicación, parece que hay mucha incertidumbre sobre la dimensionalidad de TVP-VAR. Cualquier
investigador que solo trabajara con una dimensión lo haría bien en algunos casos, pero mal en otros casos. Por lo tanto, un
método como el nuestro, que selecciona automáticamente la dimensión de forma variable en el tiempo, es potencialmente de
gran utilidad.
Las figuras 4 , 5 y 6 trazan registros de probabilidades predictivas de un paso adelante (en relación con el modelo de referencia
TVP-VAR-DMA) frente al tiempo para nuestras tres variables de interés con las fechas de recesión de NBER sombreadas. Estas
cifras permiten la comparación a lo largo del tiempo de nuestro enfoque con varias alternativas plausibles. En particular,
comparamos el enfoque TVP-VAR-DMA con: (i) el VAR bayesiano pequeño con Minnesota previo; (ii) el modelo Small TVP-BVAR-
MCMC-Min totalmente especificado similar al utilizado por Primiceri (2005) y D'Agostino et al. (2011) ; y (iii) el pequeño TVP-
VAR usando . Dado que todas las probabilidades predictivas de un paso adelante son relativas a las del modelo TVP-VAR-
DMA de referencia, los números negativos (positivos) indican que nuestro modelo de referencia es un mejor (peor) modelo de
pronóstico para ese período de tiempo.
Figura 4 . Probabilidades predictivas logarítmicas relativas para el PIB.
Figura 5 . Probabilidades predictivas logarítmicas relativas para la inflación.
Figura 6 . Probabilidades predictivas logarítmicas relativas para tipos de interés .
Un patrón que vale la pena señalar en estas cifras es que el modelo VAR pequeño (con algunas excepciones) pronostica
relativamente mal durante las recesiones (especialmente al comienzo). Esto es especialmente cierto en el caso de las previsiones
de inflación y PIB de las recesiones de principios de la década de 1980 y la crisis financiera. 10 Este patrón también es válido para
el modelo Small TVP-BVAR-MCMC-Min, pero en menor medida. El hecho de que el enfoque TVP-VAR-DMS esté pronosticando
particularmente bien durante estas recesiones es consistente con los patrones en la Fig. 3 donde hay una fuerte evidencia de
cambio de dimensión de TVP-VAR durante estas recesiones.
Sin embargo, no es el caso que TVP-VAR-DMS siempre pronostique mejor en las recesiones, ya que para las recesiones de
principios de los 90 y 2000, otros métodos también pronostican y, a veces, mejor. Y en la parte anterior a Lehman de la reciente
recesión con fecha NBER, TVP-VAR-DMS tampoco pronostica particularmente bien.
Así, al pronosticar la inflación y el PIB, estamos encontrando un desempeño superior de TVP-VAR-DMS al menos en las
principales recesiones. Sin embargo, es interesante notar que este hallazgo no se aplica completamente a las tasas de interés. En
las recesiones de principios de la década de 1980, estamos encontrando TVP-VAR-DMS para pronosticar las tasas de interés mejor
que otros enfoques. Pero esto no ocurre con la recesión más reciente. En cambio, el desempeño de pronóstico promedio superior
de TVP-VAR-DMS para las tasas de interés se obtiene principalmente durante los largos períodos de expansión entre principios
de la década de 1990 y 2001 y entre 2002 y 2007.
4 . Conclusiones
En este artículo, hemos desarrollado métodos computacionalmente factibles para pronosticar con grandes TVP-VAR mediante el
uso de factores de olvido. Usamos factores de olvido de varias maneras. Primero, permiten pronósticos simples dentro de un solo
modelo TVP-VAR. Sin embargo, inspirados en la literatura sobre el promedio y la selección de modelos dinámicos (ver Raftery et
al. (2010) ), también usamos factores de olvido para permitir una selección de modelos dinámicos rápida y simple. Es decir,
desarrollamos métodos para que el modelo de pronóstico pueda cambiar en cada momento.
DMS se puede utilizar con cualquier tipo de modelo. Nos ha resultado útil definir nuestros modelos en términos de su
dimensión, los antecedentes que utilizan y los valores de la decadencia y el olvido. Estas características nos permiten estimar: (i) el
grado de evolución deseado de los coeficientes y volatilidades de los VARs, (ii) el parámetro de contracción del previo de
Minnesota y (iii) la dimensión del TVP-VAR. Además, todos estos pueden cambiar de forma variable en el tiempo e involucrar
solo un esquema de actualización recursivo simple. En nuestro ejercicio empírico, hemos encontrado que nuestro enfoque ofrece
mejoras moderadas en el desempeño del pronóstico sobre otros enfoques VAR o TVP-VAR.
Agradecimientos
Los autores son Fellows del Rimini Center for Economic Analysis. Los autores desean agradecer al Consejo de Investigación
Económica y Social por el apoyo financiero de la subvención RES-062-23-2646 . Comentarios útiles de Sylvia Kaufmann, Barbara
Rossi y los participantes del taller Bundesbank-ifo sobre "Incertidumbre y pronóstico en macroeconomía", el Instituto
Universitario Europeo, la Universitat Pompeu Fabra, la Universidad de Newcastle, el Taller de econometría SIRE 2012, ESOBE
2012 y el Se agradece el taller bayesiano de Rimini 2012.
Apéndice . Apéndice de datos

Todas las series se descargaron de la base de datos FRED de St. Louis y cubren los trimestres 1959:T1 a 2010:T2. Algunas series de
la base de datos se observaron solo mensualmente y los valores trimestrales se calcularon promediando los valores mensuales
durante el trimestre. Todas las variables se transforman para que sean aproximadamente estacionarias siguiendo a Stock y Watson
(2008) . En particular, si es la serie original sin transformar, los códigos de transformación son (columna Tcode a continuación):
1: sin transformación (niveles), ; 2—primera diferencia, ; 3—segundo diferencia, ; 4—
logaritmo, ; 5—primera diferencia de logaritmo, ; 6—segunda diferencia de logaritmo,
(ver Tabla A.1 , Tabla A.2 , Tabla A.3 ).
Tabla A.1 . Serie utilizada en el pequeño TVP-VAR con .
ID de serie Código T Descripción
PIBC96 5 producto interno bruto real
CPIAUCSL 6 Índice de precios al consumidor: todos los artículos
FONDOS FEDERADOS 2 Tasa efectiva de fondos federales
Tabla A.2 . Serie adicional utilizada en el medio TVP-VAR con .
PMCP 1 Índice de precios de materias primas NAPM
TOMAR PRESTADO 6 Préstamos de instituciones de depósito de la fed
SP500 5 Índice S&P 500
M2SL 6 Acciones monetarias M2
Tabla A.3 . Serie adicional utilizada en el gran TVP-VAR con .
PINCOME 6 Renta personal
PCECC96 5 Gastos reales de consumo personal
INDPRO 5 Índice de producción industrial
UTL11 1 Utilización de la capacidad: fabricación
UNRATE 2 Tasa de desempleo civil
CASA 4 Viviendas iniciadas: total: nuevas viviendas de propiedad privada
PPIFCG 6 Índice de precios al productor: todos los productos básicos
PCECTPI 5 Gastos de consumo personal: índice de precios tipo cadena
AHEMÁN 6 Ganancias promedio por hora: manufactura
M1SL 6 Acciones monetarias M1
PRECIO DEL PETRÓLEO 5 Precio spot del petróleo: intermedio del oeste de Texas
GS10 2 Tasa de vencimiento constante del Tesoro a 10 años
exus 5 Tasa de cambio de divisas de EE. UU./Reino Unido
GPDIC96 5 Inversión interna privada bruta real
PAGOS 5 Total de nóminas no agrícolas: todos los empleados
PMI 1 ISM manufacturero: índice compuesto PMI
NAPMNOI 1 ISM manufacturero: índice de nuevos pedidos
OPHPBS 5 Sector empresarial: producción por hora de todas las personas
Special issue articles Recommended articles
Referencias
Amisano y Geweke, 2012 Amisano, G., Geweke, J., 2012. Predicción utilizando varios modelos macroeconómicos. Manuscrito.
Google Académico
Banbura et al., 2010 M. Banbura , D. Giannone , L. Reichlin

Regresiones automáticas vectoriales bayesianas grandes
Diario de Econometría Aplicada , 25 ( 2010 ) , pp. 71-92
Ver PDF Referencia cruzada Google Académico
Brockwell y Davis, 2009 R. Brockwell , P. Davis

Series temporales: teoría y métodos
( segunda ed. ) , Springer , Nueva York ( 2009 )
Google Académico
Canova y Ciccarelli, 2009 F. Canova , M. Ciccarelli

Estimación de modelos VAR multipaís
Revista Económica Internacional , 50 ( 2009 ) , págs. 929 - 959
Ver PDF Referencia cruzada Google Académico
Canova and Forero, 2012 Canova, F., Forero, F., 2012. Estimación de VAR estructurales de coeficientes variables en el tiempo, no
recursivos y sobreidentificados. Universitat Pompeu Fabra, Economics Working Papers número 1321.
Google Académico
Carriero et al., 2011 Carriero, A., Clark, T., Marcellino, M., 2011. VAR bayesianos: opciones de especificación y precisión del
pronóstico. Banco de la Reserva Federal de Cleveland, documento de trabajo 11-12.
Google Académico
Carriero et al., 2012 Carriero, A., Clark, T., Marcellino, M., 2012. Volatilidad a la deriva común en grandes VAR bayesianos. CEPR
WP 8894.
Google Académico
Carriero et al., 2009 A. Carriero , G. Kapetanios , M. Marcellino

Pronóstico de tipos de cambio con un VAR bayesiano grande
Revista Internacional de Pronósticos , 25 ( 2009 ) , pp. 400 - 417
Artículo Descargar PDF Ver registro en Scopus Google Académico
Chan et al., 2012 J. Chan , G. Koop , R. León-González , R. Strachan

Modelos de dimensiones variables en el tiempo
Journal of Business and Economic Statistics , 30 ( 3 ) ( 2012 ) , págs. 358 - 367
Ver PDF Referencia cruzada Ver registro en Scopus Google Académico
Cogley et al., 2005 T. Cogley , S. Morozov , T. Sargent

Gráficos de abanico bayesianos para la inflación del Reino Unido: pronósticos y fuentes de incertidumbre en un sistema
monetario en evolución
Journal of Economic Dynamics and Control , 29 ( 2005 ) , pp. 1893 - 1925
Cogley y Sargent, 2005 T. Cogley , T. Sargent

Derivas y volatilidades: políticas monetarias y resultados en los EE. UU. posteriores a la Segunda Guerra Mundial
Review of Economic Dynamics , 8 ( 2005 ) , pp. 262 - 302
D’Agostino et al., 2011 A. D'Agostino , L. Gambetti , D. Giannone

Previsión macroeconómica y cambio estructural
Diario de Econometría Aplicada ( 2011 ) , 10.1002/jae.1257
Ver PDF Google Académico
Dangl y Halling, 2012 T. Dangl , M. Halling

Regresiones predictivas con coeficientes variables en el tiempo
Journal of Financial Economics , 106 ( 1 ) ( 2012 ) , págs. 157 - 181
Ding y Karlsson, 2012 Ding, S., Karlsson, S., 2012. Promediación de modelos y selección de variables en modelos VAR.
Manuscrito.
Google Académico
Doan et al., 1984 T. Doan , R. Litterman , C. Sims

Pronósticos y proyecciones condicionales utilizando una distribución previa realista
Econometric Reviews , 3 ( 1984 ) , pp . 1-100
Fagin, 1964 S. Fagin

Teoría de regresión lineal recursiva, teoría de filtros óptimos y análisis de errores de sistemas óptimos
IEEE International Convention Record Part I ( 1964 ) , págs. 216 - 240
Ver registro en Scopus Google Académico
Fruhwirth-Schnatter, 2006 S. Fruhwirth-Schnatter

Modelos de mezcla finita y de conmutación de Markov
Springer , Nueva York ( 2006 )
Google Académico
Giannone et al., 2010 Giannone, D., Lenza, M., Momferatou, D., Onorante, L., 2010. Proyecciones de inflación a corto plazo: un
enfoque autorregresivo de vector bayesiano. Documento de trabajo ECARES 2010-011, Université Libre de Bruxelles.
Google Académico
Giannone et al., 2012 Giannone, D., Lenza, M., Primiceri, G., 2012. Selección previa para autorregresiones vectoriales. Centro de
Investigación de Política Económica, documento de trabajo 8755.
Google Académico
Jazwinski, 1970 A. Jazwinski

Procesos estocásticos y teoría de filtrado
Prensa académica , Nueva York ( 1970 )
Google Académico
Jochmann et al., 2010 J. Jochmann , G. Koop , R. Strachan

Pronóstico bayesiano usando selección de variables de búsqueda estocástica en un VAR sujeto a rupturas
Revista Internacional de Pronósticos , 26 ( 2010 ) , pp. 326 - 347
Comprar, 2013 G comprar

Pronósticos con VAR bayesianos medianos y grandes
Revista de econometría aplicada , 28 ( 2 ) ( 2013 ) , págs . 177-203
Koop y Korobilis, 2009 G. Koop , D. Corrobilis

Métodos bayesianos de series temporales multivariantes para macroeconomía empírica
Fundamentos y Tendencias en Econometría , 3 ( 2009 ) , pp . 267-358
Koop y Korobilis, 2012 G. Koop , D. Corrobilis

Pronóstico de la inflación utilizando el promedio de modelos dinámicos
Revista Económica Internacional , 53 ( 2012 ) , págs. 867 - 886
Buscando PDF... Referencia cruzada Ver registro en Scopus Google Académico
Koop et al., 2009 G. Koop , R. León-González , R. Strachan

Sobre la evolución del mecanismo de transmisión de la política monetaria
Journal of Economic Dynamics and Control , 33 ( 2009 ) , pp . 997-1017
Korobilis, 2013 D. Korobilis

Pronóstico VAR utilizando la selección de variables bayesianas
Diario de Econometría Aplicada , 28 ( 2 ) ( 2013 ) , pp. 204 - 230
Marcellino et al., 2006 M. Marcellino , J. Stock , M. Watson

Una comparación de métodos AR directos e iterados para pronosticar series macroeconómicas -pasos adelante
Diario de Econometría , 135 ( 2006 ) , pp. 499 - 526
McCormick et al., 2011 T. McCormick , A. Raftery , D. Madigan , R. Burd

Regresión logística dinámica y promedio de modelo dinámico para clasificación binaria
Biometría , 68 ( 1 ) ( 2011 ) , págs. 23 - 30
Google Académico
Primiceri, 2005 G. Primiceri

Autoregresiones de vectores estructurales variables en el tiempo y política monetaria
Revista de Estudios Económicos , 72 ( 2005 ) , pp . 821-852
Raftery et al., 2010 A. Raftery , M. Karny , P. Ettler
Predicción en línea bajo la incertidumbre del modelo a través del promedio dinámico del modelo: aplicación a un tren de
laminación en frío
Technometrics , 52 ( 2010 ) , pp 52 - 66
Métricas de riesgo, 1996 RiskMetrics, 1996. Documento Técnico, cuarta ed. Disponible en
http://www.riskmetrics.com/system/files/private/td4e.pdf .
Google Académico
Stock y Watson, 2008 J. Stock , M. Watson

Pronósticos en modelos factoriales dinámicos sujetos a inestabilidad estructural
J. Castle , N. Shephard (Eds.) , La metodología y práctica de la econometría, A Festschrift en honor del profesor David F.
Hendry , Oxford University Press , Oxford ( 2008 )
Google Académico
Oeste y Harrison, 1997 M. Oeste , J. Harrison

Pronósticos Bayesianos y Modelos Dinámicos
( segunda ed. ) , Springer , Nueva York ( 1997 )
Google Académico
Citado por (228)
Efecto indirecto dinámico asimétrico entre la criptomoneda y el mercado financiero de China: Evidencia del
enfoque de conectividad basado en TVP-VAR
2022, Cartas de investigación financiera
Mostrar resumen
Pronóstico de la conexión dinámica basada en bayesiano entre el mercado del petróleo y los índices bursátiles
islámicos de los países islámicos exportadores de petróleo: aplicación de la red de propagación hacia atrás en
cascada
2022, Política de Recursos
Mostrar resumen
Conexión del riesgo de cola en el mercado del petróleo refinado: un primer vistazo al impacto de la pandemia de
COVID-19
2022, Economía Energética
Mostrar resumen
Conectividad de los mercados de energía en todo el mundo durante la pandemia de COVID-19

2022, Economía Energética
Mostrar resumen
Impulsores cíclicos del consumo en la zona del euro: ¿Qué podemos aprender de los bienes duraderos?
2022, Revista de dinero y finanzas internacionales
Mostrar resumen
Pronóstico de inflación en tiempo real utilizando técnicas de reducción de dimensión no lineal
2022, Revista Internacional de Pronósticos
Mostrar resumen
Ver todos los artículos que citan en Scopus
1
La definición de lo que constituye un VAR "grande" varía según los artículos. Por ejemplo, Banbura et al. (2010) el VAR grande tiene 131 variables dependientes y
Carriero et al. (2009) tiene 33. El VAR más grande utilizado en nuestro artículo tiene 25 variables dependientes.
2
Tenga en cuenta que Cogley y Sargent (2005) tienen una matriz de covarianza de error de ecuación de estado fijo , mientras que nosotros usamos uno variable
en el tiempo. Esto no afecta la interpretación de como un factor de contracción similar al que utilizan.
3
Una excepción a esto es McCormick et al. (2011) que estima los factores de olvido en una aplicación usando regresión logística usando promedios de modelos
dinámicos.
4
Una estrategia alternativa, que reduce la importancia de la elección previa, es imponer una estructura adicional al modelo para reducir el número de
parámetros. Los ejemplos incluyen Canova y Ciccarelli (2009) y Carriero et al. (2012) . Cuando la imposición de tal estructura esté justificada por la naturaleza del
problema, la teoría económica o la evidencia empírica, puede ser una forma efectiva de obtener un modelo más parsimonioso.
5
al pronosticar información proporcionada a través de , se estima por .
6
No usamos una muestra de entrenamiento previa y establecida (usando la notación de Primiceri) y .
7
Para el pronóstico a más largo plazo, esto tiene el ligero inconveniente de que nuestro enfoque se basa en la ecuación de actualización del modelo (consulte la
ecuación (8) ) que utiliza probabilidades predictivas de un paso adelante (que pueden no ser ideales cuando se pronostican ). periodos por delante).
8
Para el lector interesado en la probabilidad predictiva logarítmica conjunta para las tres variables de interés, observamos que esto tiende a ser muy similar a la
suma de las tres probabilidades predictivas logarítmicas individuales y, por lo tanto, no se presenta por razones de brevedad.
9
El hallazgo de que el desempeño del pronóstico de las variables individuales cambia con la dimensión TVP-VAR sugiere que podría haber un beneficio adicional
al combinar un algoritmo que selecciona variables explicativas con uno que selecciona la dimensión VAR. Por ejemplo, tal enfoque podría seleccionar un VAR
dimensional alto, pero imponer restricciones a las variables explicativas, de modo que la ecuación del PIB solo contenga rezagos de un pequeño número de
variables, mientras que la ecuación de inflación contiene rezagos de muchas más variables. Hemos utilizado dichos algoritmos en trabajos anteriores (p. ej .,
Korobilis (2013) o Jochmann et al. (2010) ), pero requieren el uso de métodos MCMC y, por lo tanto, son computacionalmente abrumadores con grandes TVP-
VAR.
10
Tenga en cuenta que el NBER fecha la reciente recesión a partir de diciembre de 2007. Sin embargo, el gran deterioro en el rendimiento previsto del VAR
pequeño no ocurrió hasta el momento del colapso de Lehman Brothers.
Ver Resumen
Copyright © 2013 Elsevier BV Todos los derechos reservados.
Copyright © 2022 Elsevier BV o sus licenciantes o colaboradores.

ScienceDirect® is a registered trademark of Elsevier B.V.

VAR de Grandes Parámetros Variables en El Tiempo - ScienceDirect

Cargado por

Información del documento

Título original

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

VAR de Grandes Parámetros Variables en El Tiempo - ScienceDirect

Cargado por

Copyright:

Formatos disponibles

25/7/22, 23:37 VAR de grandes parámetros variables en el tiempo - ScienceDirect

VAR de parámetros variables en el tiempo grandes

Esquema Cuota Citar

https://doi.org/10.1016/j.jeconom.2013.04.007 Obtener derechos y contenido

2 . Grandes TVP VAR

2.2 . Estimación de TVP-VAR utilizando factores de olvido

2.3 . Selección de modelos usando factores de olvido

y una ecuación de actualización del modelo de:

2.4 . Selección de modelos entre anteriores

2.5 . Selección de modelo entre TVP-VAR de diferente dimensión

3.2 . Otras opciones de modelado y modelos para comparar

• VAR heteroscedásticos de cada dimensión, obtenidos al establecer y .

• VAR homocedásticos de cada dimensión, obtenidos al establecer .5

Además, incluimos como puntos de referencia estándar:

3.3 . Resultados de la estimación

Descargar: Descargar imagen a tamaño completo

Descargar: Descargar imagen a tamaño completo

Descargar: Descargar imagen a tamaño completo

Tabla 1 . MSFE relativo a TVP-VAR-DMA, PIB.

TVP-VAR ( ) 0.98 0.88 1.00 0.94 0.95 0.98 0.93 0.90

TVP-VAR ( ) 0.99 0.90 0.96 0.95 0.94 0.97 0.94 0.91

TVP-VAR ( ) 0.98 0.89 1.01 0.97 0.96 1.01 0.95 0.92

TVP-VAR ( ) 1.02 0.90 1.07 1.00 1.08 1.09 1.04 0.97

TVP-VAR ( ) 1.01 0.92 0.98 0.99 0.99 0.96 0.96 0.96

TVP-VAR ( ) 1.05 0.96 0.95 0.96 0.97 0.97 0.99 0.98

TVP-VAR ( ) 1.00 0.93 0.95 1.00 1.00 0.96 0.97 0.99

TVP-VAR ( ) 1.05 0.88 1.11 1.13 1.12 1.02 0.95 0.96

TVP-VAR ( ) 1.04 1.05 1.01 1.02 1.01 1.00 1.02 1.01

TVP-VAR ( ) 1.15 1.17 1.10 1.12 1.11 1.10 1.14 1.11

TVP-VAR ( ) 1.14 1.09 1.07 1.11 1.13 1.09 1.12 1.10

TVP-VAR ( ) 1.10 0.97 1.10 1.11 1.27 1.23 1.06 1.07

TVP-VAR-DMA 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00

TVP-VAR-DMS 1.03 1.05 1.01 1.06 1.00 1.05 1.05 1.02

TVP-VAR-DMA 1.01 0.99 1.00 0.99 1.00 1.00 1.00 1.00

TVP-VAR-DMS 1.05 1.04 1.02 1.04 1.00 1.03 1.06 1.03

TVP-VAR-DMA ( ) 0.95 0.93 0.96 0.94 0.94 0.96 0.95 0.94

TVP-VAR-DMS ( ) 1.03 1.00 0.98 0.96 0.95 0.95 0.95 0.92

TVP-VAR-DMA ( ) 1.00 1.00 1.00 0.99 1.00 1.00 1.01 0.98

TVP-VAR-DMS ( ) 1.10 1.10 1.02 1.01 0.98 1.00 1.01 1.00

TVP-VAR-DMA ( ) 0.98 0.95 1.01 1.01 1.01 1.01 1.00 0.99

TVP-VAR-DMS ( ) 1.11 0.98 1.08 1.07 1.07 1.10 1.05 1.01

TVP-VAR-DMA ( ) 0.99 0.88 1.05 1.08 1.03 1.00 0.99 0.95

TVP-VAR-DMS ( ) 1.04 0.93 1.13 1.17 1.01 1.03 1.02 0.97

Tabla 2 . MSFE relativo a TVP-VAR-DMA, inflación.

TVP-VAR ( ) 0.99 1.02 1.06 1.08 1.04 1.02 1.04 0.98

TVP-VAR ( ) 0.99 1.01 1.01 1.03 1.01 1.00 1.02 0.99

TVP-VAR ( ) 1.02 1.03 1.01 1.06 1.02 0.99 1.02 1.01

TVP-VAR ( ) 1.02 1.02 1.10 1.10 1.09 1.02 1.07 0.93

TVP-VAR ( ) 1.03 1.02 1.03 1.04 1.00 1.00 1.02 1.00

TVP-VAR ( ) 1.03 1.02 1.00 1.01 1.01 1.00 1.01 1.02

TVP-VAR ( ) 1.01 1.02 1.05 1.02 1.01 1.01 1.00 1.01

TVP-VAR ( ) 0.90 0.98 1.39 1.16 1.19 1.16 1.05 0.98

TVP-VAR ( ) 1.01 0.99 1.02 0.97 0.99 1.01 0.99 1.00

TVP-VAR ( ) 1.04 1.00 1.01 0.97 0.99 1.02 1.00 0.99

TVP-VAR ( ) 0.99 1.01 1.01 0.99 1.01 1.04 0.99 1.01

TVP-VAR ( ) 0.97 1.00 1.16 1.03 1.26 1.24 1.05 0.99

TVP-VAR-DMA 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00

TVP-VAR-DMS 1.02 1.02 0.99 1.02 1.00 1.00 1.00 1.01

TVP-VAR-DMA 1.00 1.00 1.00 1.01 1.00 1.00 1.00 1.00

TVP-VAR-DMS 1.02 1.01 0.99 1.02 1.00 1.00 1.00 1.01

TVP-VAR-DMA ( ) 0.97 1.01 1.02 1.02 0.99 1.01 1.02 0.99

TVP-VAR-DMS ( ) 0.99 1.00 1.02 1.04 1.01 1.03 1.03 0.96

TVP-VAR-DMA ( ) 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00