Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CAPITULO 9:
VECTORES AUTORREGRESIVOS
Profesor Principal del Departamento Académico de Economía y Planificación
Econometría: Teoría y Aplicaciones Juan Pichihua Serna 1
VECTORES AUTORREGRESIVOS
1. Fundamentos Teóricos
Sims (1980)2 arguyó que en muchos casos las restricciones que se imponen a la forma
reducida para identificar los parámetros de la forma estructural son no comprobables
por ser arbitraria la clasificación de variables endógenas y exógenas. Sims sugiere como
alternativa, los Vectores Autorregresivos, VAR, como una generalización del modelo
AR3 a las series de tiempo múltiples. Sin embargo, la principal distinción entre la
metodología VAR y la aproximación de ecuaciones simultáneas son los siguientes:
Los modelos VAR aparecen como respuesta a la crítica de Lucas, que señala que
pronósticar el efecto de los cambios en las variables exógenas sobre las endógenas es
imposible porque no es posible sostener que los coeficientes de los modelos de
ecuaciones simultáneas son independientes de los cambios en las variables exógenas. Se
dice que los modelos VAR están libres a la crítica de Lucas, porque todas las variables
del modelo son endógenas.
1
Lucas (1976), “Econometric Policy Evaluation: A Critique”, Journal of Monetary Economics,
pp. 19-46.
2
Sims, C. A. (1980), “Macroeconomics and Reality”, Econometrica, Vol. 48, pp. 1-48.
3
Tsiao, G.C. & G.E.P. Box (1981), “Modelling Multiple Time Series with Applications”, Journal
of the American Statistical Association, Vol. 76, pp. 802-816. Introdujeron el modelo VARMA.
2 Capítulo 9: Vectores Autorregresivos
La forma reducida del modelo (1) se puede expresar como un VAR(2) con 2 variables,
así:
Yt 11Yt 1 12Yt 2 13 X t 1 14 X t 2 1t
(2)
X t 21Yt 1 22Yt 2 23 X t 1 24 X t 2 2t
Empíricamente los modelos tipo Vectores Autorregresivos, VAR, han tenido mucho
éxito por su buena capacidad predictiva, incluso mejor que los modelos
multiecuacionales tradicionales. Sin embargo, dado que se tiene que estimar una gran
cantidad de parámetros se pierden muchos grados de libertad. La ventaja es que para
estimar los parámetros es suficiente los mínimos cuadrados oridinarios.
2. Especificación
y1t a111 y1,t 1 .... a11p y1,t p a121 y 2,t 1 .... a12 p y 2,t p ... a1m1 y m,t 1 .... a1mp y m,t p v1t
y 2t a 211 y1,t 1 .... a 21p y1,t p a 221 y 2,t 1 .... a 22 p y 2,t p ... a 2 m1 y m,t 1 .... a 2 mp y m,t p v 2t
........................................................................................
y mt a m11 y1,t 1 .... a m1 p y1,t p a m 21 y 2,t 1 .... a m 2 p y 2,t p ... a mm1 y m,t 1 .... a mmp y m,t p v mt
Donde v1t , v 2t ,......, v mt son ruido blanco con media cero, varianza constante y
covarianza nula, es decir: E (v jt ) 0 , E (v 2jt ) jj 2j , y E (v jt .v k ,t s ) 0, s 0 .
y1t (a111 .... a11p L p 1 ) y1,t 1 (a121 .... a12 p L p 1 ) y 2,t 1 ... (a1m1 .... a1mp L p 1 ) y m,t 1 v1t
y 2t (a 211 .... a 21p L p 1 ) y1,t 1 (a 221 .... a 22 p L p 1 ) y 2,t 1 ... (a 2 m1 .... a 2 mp L p 1 ) y m,t 1 v 2t
........................................................................................
y mt (a m11 .... a m1 p L p 1 ) y1,t 1 (a m 21 .... a m 2 p L p 1 ) y 2,t 1 ... (a mm1 .... a mmp L p 1 ) y m,t 1 v mt
Ordenando matricialmente
yt yt 1 vt
11 12 ... 1m
22 ... 2 m
21
... ... ... ...
m1 m 2 ... mm
Dado que E (vt ) 0 , E ( y t' 1vt ) 0 y que los regresores y t 1 son iguales en todas las m
ecuaciones, puede ser estimado eficientemente por MCO, a pesar que E (vt vt' ) .
El impacto de los shock aleatorios o innovaciones se miden por la solución del modelo:
( I m L) y t vt
y t ( I m L) 1 vt
y t k vt k
k 0
Donde: 0 I m
Por ejemplo, una representación VAR(1) con dos procesos estocásticos Y1t y Y2t se
tiene:
4 Capítulo 9: Vectores Autorregresivos
Donde v1t y v 2t son ruido blanco con media cero, varianza 12 y 22 , respectivamente, y
covarianza nula al interior de cada ecuación, pero con una matriz de varianzas y
covarianzas de los errores entre ecuaciones distintas iguales a:
2 12
V (vt ) E (vt vt' ) 1 2
12 2
1
y1t 1 a11 L a12 L v1t
y a L 1 a L v
2t 21 22 2 t
Esto es:
1 0 a11 L a12 L
Donde el determinante de la matriz I L será:
0 1 a 21 L a 22 L
Para que este modelo sea estacionario, convergente, debe demostrarse que las dos raíces
características del polinomio, en L, deben caer fuera del círculo unitario, o su inversa
1
dentro del círculo unitario. Li 1 o i 1 .
i
Econometría: Teoría y Aplicaciones Juan Pichihua Serna 5
Por ejemplo, para el Vector Autorregresivo de orden 1, VAR(1), con dos ecuaciones
fuera:
0.008 0.461
La matriz será igual a:
0.232 0.297
Para que el VAR(1) sea estacionario las raíces en L deben caer fuera del círculo unitario
en el polinomio:
1 0.3052 * L 0.104576 * L2 0
2 0.3052 * 0.104576 0
Cuyas raíces características deben caer dentro del círculo unitario. Los resultados son:
1 = -0.204979 y 2 = 0.51.0179.
Es decir, caen dentro del círculo unitario. Por lo tanto, las raíces característica, en L,
caen fuera del círculo unitario, que aseguran la estacionariedad del VAR(1).
1 1 1 1
L1 4.878 y L2 1.96
1 0.204979 2 0.510179
3. Estimación
yt yt 1 vt
yt ( I m yt 1 ) vt
Siendo
12 12 .... 1m
22 .... 2 m
Var (v t ) 21
.... .... .... ....
m1 m 2 .... m2
Como se viera arriba, el modelo VAR(p) puede ser estimado de manera eficiente, por
mínimos cuadrados ordinarios debido a que todas las ecuaciones tienen los mismos
regresores.
ˆ I ( y ' y ) 1 y ' y m t 1 t 1 t 1
Para la j-ésima ecuación:
Y jt yt 1 j vt
Donde:
yt 1 1 y1,t 1 , y1,t 2 ... y1,t p ... y m,t p , ... y m,t p
Por lo tanto, el estimador MCO de los parámetros de la j-ésima ecuación será:
ˆ j ( yt 1 ' yt 1 ) 1 yt 1 ' y j
Econometría: Teoría y Aplicaciones Juan Pichihua Serna 7
Se utilizan dos criterios para determinar el orden del VAR: el criterio de Akaike y el
criterio de Schwarz, en ambos casos el mejor modelo es aquel que produce los menores
valores para el AIC o el AIS. El proceso consiste en agregar rezagos al VAR hasta
encontrar el modelo parsimonioso.
ˆ ) 2m p
2
Criterio de Akaike: AIC Min Log (det
n
ˆ ) m p.Log (n)
2
Criterio de Schwarz: AIS Min Log (det
n
4. Usos
Los modelos VAR tienen tres usos principales: pronóstico, análisis de causalidad, y
análisis impulso – respuesta.
4.1 Predicción
De la estimación se obtiene:
yˆ t ˆ. y t 1
yˆ t 1 ˆ. yt
yˆ t 2 ˆ. y t 1 ˆ 2 . y t
……………..
yˆ t s ˆ s . yt
Por ejemplo, para el Vector Autorregresivo de orden 1, VAR(1), con dos ecuaciones
fuera:
0.008 0.461
La matriz es a:
0.232 0.297
y1t 8
Si y 9
2t
2
y1,t 2 0.008 0.461 8 12.544
Para el período t+2: y . , etc.
2 , t 2 0.232 0.297 9 13.522
y1t c1 a111 y1,t 1 .... a11p y1,t p a121 y 2,t 1 .... a12 p y 2,t p vt
y 2t c2 a 211 y1,t 1 .... a 21p y1,t p a 221 y 2,t 1 .... a 22 p y 2,t p vt
Donde:
SCRES es la suma de cuadrados de los residuos
SCEXP es la suma de cuadrados explicada por la regresión
12 12 .... 1m
22 .... 2 m
Var (v t ) 21
.... .... .... ....
m1 m 2 .... m2
y t ( I m L) 1 vt
y t k vt k
k 0
período t.
Dado que la matriz de varianzas y covarianzas de los residuos del VAR(p) es
definida positiva, existe una matriz P, triangular superior tal que:
P P' I m
P 1 ( P' ) 1
1 P' P
yt k P 1 Pv t k
k 0
10 Capítulo 9: Vectores Autorregresivos
yt k .wt k
k 0
Donde: k k P 1 y wt k Pvt k
E (wt wt' ) E ( Pvt vt' P' ) P.E (vt vt' ).P' P P' I m
0 0 P 1 P 1 ,
1 1 P 1 P 1 ,
2 2 P 1 , y así sucesivamente.
Por lo tanto:
y0 0 w0 ,
y1 1 w0 ,
y 2 2 w0 , y así sucesivamente.
ˆ 275 167 .
La matriz de varianza y covarianzas del error es: 167 390
Una posible matriz P obtenido por la descomposición de Cholesky es:
0.070 0.030
P
0 0.051
Y su inversa es:
14.286 8.403
P 1
0 19.608
14.286 8.403
0 P 1
0 19.608
Econometría: Teoría y Aplicaciones Juan Pichihua Serna 11
2
0.008 0.461 14.286 8.403 1.529 3.664
1 P
2 1
0
19.608 1.014 4.420
, etc.
0.232 0.297
Una crítica muy severa que se hace a los modelos VAR cuando se lo utiliza para hacer
análisis impulso – respuesta, es que la matriz P que se obtiene de la descomposición de
Cholesky no es única, por lo tanto, la “respuesta” frente a un shock es sensible a los
valores de la matriz P.
Otra crítica fuerte al análisis impulso respuesta utilizando modelos VAR es que es muy
sensible al orden que se plantean las ecuaciones, toda vez que la descomposición de
Cholesky produce una matriz triangular superior, un shock en la primera variable en el
momento cero, solo afecta a dicha variable y no al resto, la respuesta de las otras
variables recién se observan en el siguiente período. De igual modo, un shock en la
segunda variable en el momento cero sólo afecta a a la primera y a la segunda variable
pero no al resto, así sucesivamente, un shock en la variable j, produce respuesta en el
momento cero sólo de las variables anteriores pero no de las variables siguientes a la
variable j.
5. Aplicaciones
Supongamos datos de las variables consumo privado y PBI para la economía peruana,
para los años 1950 – 1999. Utilizando la tecnología VAR se hará pronósticos para el
período 2000 –2005, se hará análisis de causalidad y se evaluará el impulso respuesta de
shocks aleatorios en ambas variables.
12 Capítulo 9: Vectores Autorregresivos
Datos:
Resultados de la Estimación:
Análisis de causalidad:
En todos los casos se aceptan las hipótesis nulas de no causalidad. Utilizando VAR(1)
sugiere que es más probable que el consumo privado no cause al PBI, que lo contrario.
Sin embargo, con un VAR(2) o VAR(3) se obtienen resultados contrarios. Por lo tanto,
los resultados no son concluyentes sobre quién causa a quién.
Econometría: Teoría y Aplicaciones Juan Pichihua Serna 13
Pronóstico:
ASSIGN @ALL F
Impulso Respuesta:
Planteado el orden de las ecuaciones como CPR_R y PBI_R, la respuesta de los shock
aleatorios en el consumo privado y en el PBI son:
Shock en el CPR_R: Shock en el PBI_R:
Period CPR_R PBI_R Period CPR_R PBI_R
1 109.5429 0.000000 1 139.9883 79.64692
(11.1802) (0.00000) (18.3383) (8.12893)
2 43.18610 22.47535 2 45.44618 25.72130
(15.3609) (16.6307) (21.9233) (24.3602)
3 14.27639 8.013916 3 14.77034 8.355337
(11.9389) (7.52127) (15.4588) (8.36149)
4 4.648019 2.627223 4 4.800993 2.715707
(6.52886) (3.01267) (7.88258) (3.46012)
5 1.511060 0.854673 5 1.560544 0.882726
(3.01782) (1.31056) (3.50060) (1.52029)
6 0.491172 0.277831 6 0.507249 0.286927
(1.27530) (0.56330) (1.44387) (0.64431)
7 0.159654 0.090309 7 0.164880 0.093265
(0.51062) (0.23208) (0.56894) (0.26135)
8 0.051895 0.029355 8 0.053594 0.030315
(0.19727) (0.09204) (0.21734) (0.10234)
9 0.016868 0.009542 9 0.017420 0.009854
(0.07431) (0.03544) (0.08118) (0.03901)
10 0.005483 0.003101 10 0.005662 0.003203
(0.02747) (0.01334) (0.02981) (0.01457)