rentabilidad bruta nacional de los activos financieros y
la correspondiente rentabilidad externa. alternativa a los modelos usuales, Sims (1980) subraya
Las implicaciones del modelo M-F en
economías pequeñas con alta movilidad de capital y
tipo de cambio flexible han sido analizadas por Frenkel
& Razin (1987) un cuarto de siglo después de su
creación. Al postular que las expectativas sobre el tipo
de cambio son estáticas, la movilidad de capital induce
la igualdad de tasas de interés entre países; bajo estas
condiciones, Frenkel & Razin (1987) sostienen que el
análisis de los efectos de una política fiscal en
economías pequeñas con tipos de cambio flexibles
presupone la adopción de una tasa de interés mundial
dada, una demanda externa por sus bienes también
dada, y que el instrumento de política operado por la
autoridad monetaria es la oferta monetaria.
En la lógica del modelo M-F, en una economía
que funciona con un régimen de tipo de cambio flexible,
una expansión fiscal que induce una diferencia a favor
de la tasa interna de interés y un mayor ingreso de
capitales del exterior, la moneda nacional se aprecia y
como los precios internos son constantes se contraen
las exportaciones netas, sin alterar el nivel del
producto. Cuando se trata de economías abiertas,
además del tamaño de la economía -que influye en su
peso relativo dentro del mercado de capitales- y de la
tasa de interés internacional, existen otros factores que
determinan la magnitud de los shocks fiscales. Entre
ellos sobresalen el grado de apertura comercial de la
economía, medido comúnmente por la razón de
exportaciones más importaciones al producto interno
bruto; la elasticidad de sustitución entre bienes
domésticos y bienes externos; y el sesgo doméstico de
las compras gubernamentales (Frenkel & Razin,
1987).
A este respecto, Beetsma (2008) afirma que
mientras menor sea el tamaño de la economía, el
shock producido por una política fiscal expansiva es
también menor; que a mayor grado de sustituibilidad
entre bienes internos y externos, menor es el efecto del
shock sobre el producto interno y mayor el deterioro de
la balanza comercial; y que a mayor grado de apertura
se atenúa su efecto sobre el consumo y se intensifica
su efecto sobre la inversión.
II LA METODOLOGÍA SVAR
Los modelos VAR operan con un vector de dos o más
variables y el término autorregresivo hace referencia a
la aparición del valor rezagado de la variable
dependiente. Por ejemplo, si se tienen dos series
𝑦𝑡 , 𝑧𝑡 , un vector autorregresivo consiste en ecuaciones
tales como:
𝑦𝑡 = 𝛿0 + α1 𝑦𝑡−1 +γ1 𝑧𝑡−1 +α2 𝑦𝑡−2 + γ2 𝑧𝑡−2 +...+є𝒕
𝑧𝑡 = 𝜂0 + 𝛽1 𝑦𝑡−1 +𝜌1 𝑧𝑡−1 +𝛽2 𝑦𝑡−2 + 𝜌2 𝑧𝑡−2 +…+ є𝒕
Al proponer los modelos VAR como una
su utilidad como una herramienta econométrica útil
para el tratamiento de variables económicas
formalizadas en series de tiempo, para el diseño y la
evaluación de modelos económicos y para la
evaluación de las consecuencias de acciones
alternativas de política económica.
En una valoración reciente de los VAR,
Christiano (2012: 1084) estima que el más importante
de sus impactos consiste en que: “[…] han sido usados
para guiar la construcción de modelos neo-
keynesianos. En efecto, una razón importante de que
en los últimos años los modelos económicos neo-
keynesianos se hayan convertido en objeto principal de
interés es el descubrimiento de su capacidad para
simular las respuestas al impulso de diversos shocks
introducidos en la estimación de los SVAR.”
Así, las funciones estructurales de impulso
respuesta contenidas en la proposición metodológica
de Sims (1980) han encontrado múltiples aplicaciones,
por sí mismas o como extensión de los modelos SVAR,
de manera que hoy en día son herramientas útiles para
determinar el tipo y grado de las respuestas de
diversas variables macroeconómicas al choque de las
políticas monetarias y fiscales.
Entre los desarrollos ulteriores del modelo
VAR, en el realizado por Stock & Watson (2001) se
distinguen tres variantes, denominadas reducida,
recursiva y estructural. Los autores apuntan en primer
término que: “Un modelo VAR en su forma reducida
expresa cada variable como una función lineal de sus
propios valores pasados y de los valores pasados de
todas las demás variables y considerando un término
de error no correlacionado” (p. 102). Los términos de
error indican los movimientos inesperados en las
variables después de considerar sus valores pasados.
Si existe correlación entre las variables, los términos
de error también estarán correlacionados entre las
ecuaciones. De forma genérica, un modelo VAR en su
forma reducida puede ser expresado matricialmente
mediante una notación como la utilizada por Becketti
(2013), a saber:
Ф (𝐿) 𝑦𝑡 = є𝑡
Donde
Ф (𝐿) ≡ 𝐼 − Ф1 𝐿 + Ф2 𝐿2 …+ Ф𝑃 𝐿𝑃
Es decir,
Ф0 = 𝐼
Suponiendo que los errores son ‘ruido blanco’,
es decir, que los residuos estimados son puramente
aleatorios, la matriz de covarianzas de los errores se
representa de la manera siguiente:
 𝛴, 𝑡 = 𝑠
Eє𝑡 є′𝑠 ={ }
0 𝑡≠𝑠
Así, en el VAR reducido no hay variables
endógenas contemporáneas en el lado derecho de la
ecuación, por lo que todos los coeficientes en la matriz
Ф(𝐿) pueden estimarse de manera consistente
mediante el método tradicional de mínimos cuadrados.
En segundo término, la forma recursiva de un
modelo VAR es descrita por Stock & Watson (2001:
103) como aquella que “[…] construye los términos de
error en cada regresión de modo que no estén
correlacionados con el error en la ecuación
precedente. Para ello se procede a agregar valores
contemporáneos cuidadosamente seleccionados
como regresores.” Como puede inferirse, los
resultados dependen del orden en que son dispuestas
las variables incluidas.
Por último, los VAR en su forma estructural
(SVAR), son aquellos que: “[…] usan la teoría
económica para ordenar las relaciones
contemporáneas entre las variables. Los modelos
estructurales requieren la ‘identificación de supuestos’
que permiten correlaciones susceptibles de
interpretarse causalmente. Los supuestos identificados
pueden involucrar a todo el VAR, o solamente a una
relación causal específica, de tal suerte que todas las
conexiones causales en el modelo sean explicadas en
detalle, o sencillamente en una sola ecuación cuando
se identifica una relación causal única.” (Stock &
Watson, 2001: 103).
En un modelo SVAR se asume que los errores
de predicción de un paso hacia adelante en cierto
modelo estadístico pueden considerarse como
funciones lineales de perturbaciones (shocks)
estructurales. En su aportación teórico-metodológica,
Amisano & Giannini (1997) ofrecen la siguiente
representación del modelo SVAR1, en la que por
razones de sencillez se ha omitido el vector de
constantes:
𝐴(Ф (𝐿)𝑦𝑡 ) = 𝐴є𝑡 ≡ 𝐵𝜐𝑡
Donde
𝐼, 𝑡 = 𝑠
E(𝜐𝑡 𝜐𝑠′ ) = { }
0 𝑡≠𝑠
En este modelo la matriz 𝐵 se emplea como
una manera de facilitar la estructura de los errores, en
tanto que transforma el vector de errores en elementos
no correlacionados. Por otra parte, 𝐴 es una matriz de
rango completo que introduce variables endógenas
1
Becketti (2013) advierte que esta descripción corresponde a un modelo SVAR a corto plazo, toda vez que las restricciones son
declaraciones acerca de las relaciones contemporáneas entre los variables del modelo en el corto plazo.
2
La descomposición o factorización de Cholesky es un método comúnmente utilizado para hallar la solución a un sistema de
ecuaciones lineales de la forma 𝐴𝑥 = 𝐵 mediante el álgebra lineal; consiste en descomponer o factorizar una matriz (𝐴) en una matriz
contemporáneas adicionales en cada ecuación del
VAR estructural.
𝐴𝑦𝑡 = 𝐴(Ф1 𝑦𝑡−1 + ⋯ Ф𝑃 𝑦𝑡−𝑝 ) + 𝐵𝜐𝑡
Para estimar los parámetros estructurales de
las matrices 𝐴 y 𝐵 debe efectuarse la identificación de
supuestos provenientes de la parte teórica y/o empírica
del estudio. La forma asumida por el modelo VAR
estructural puede escribirse en una primera
aproximación como un VAR en su forma reducida:
yt = (Ф1 yt−1 + ⋯ ФP yt−p ) + A−1 𝐵υt
Con el fin de simplificar, se conviene que la
matriz 𝐵 sea igual a una matriz Identidad (𝐵 = 𝐼). Los
parámetros estructurales de interés están contenidos
en la matriz 𝐴, los valores de la matriz Σ están aislados
en una matriz de covarianzas de 𝐴−1 𝜐𝑡 . El problema de
identificación en el planteamiento de un VAR
estructural estriba en resolver 𝑃 número de
ecuaciones, así como de variables, a partir de la
siguiente expresión:
′
𝐴−1 𝐴−1 = Σ
Lo anterior para un número 𝑃 2 de elementos
de la matriz 𝐴, por lo que la matriz Σ es simétrica y
contiene solo 𝑃(𝑃 + 1)⁄2 elementos libres. En
consecuencia, se requiere cierto número
(𝑃 2 − 𝑃)⁄2 de restricciones para identificar
exactamente todos los elementos de la matriz 𝐴.
Cuando se cuenta con restricciones adicionales, el
modelo SVAR estará sobre-identificado. Las pruebas
de identificación pueden hacerse tal como suele
hacerse en los modelos de ecuaciones simultáneas
(Amisano & Giannini, 1997; Becketti, 2013).
En los modelos SVAR se utilizan restricciones
cero, es decir, se emplean sólo cuando se pretende
que algunas de las variables endógenas del modelo no
aparezcan en algunas de las ecuaciones, de modo que
los parámetros de la matriz serán cero. Los valores
cero aparecen cuando no existe relación entre las
variables endógenas. La manera ideal de identificar las
restricciones del modelo SVAR consiste en hacer uso
de relaciones basadas en la teoría, si bien en la
práctica las relaciones entre las variables puede ser
demasiado pequeña y, por tanto, irrelevante. (Amisano
& Giannini, 1997; Becketti, 2013).
En cuanto a la estimación de los modelos
SVAR, Becketti (2013) sugiere identificar las
perturbaciones o shocks estructurales mediante el
método de descomposición de Cholesky2, con
 ∞
antelación a las funciones estructurales de impulso-
respuesta. Una manera de aplicar las restricciones de 𝑦𝑡 = 𝜇 + ∑ Θ𝑡𝑠𝑟 𝜐𝑡
Cholesky consiste en asignar la siguiente forma al 𝑡=0

modelo SVAR: Lo cual hace que 𝑦𝑡 esté expresada en

2 términos mutuamente ortogonalizados, siendo así que
𝐴(𝐼𝑘 − 𝐴1 𝐿 − 𝐴2 𝐿 − ⋯ 𝐴𝑃 𝐿𝑃 )𝑦𝑡 = 𝐴𝜖𝑡 = 𝐵𝜐𝑡
Donde 𝐿 es un operador que indica rezagos,
𝐴 es una matriz triangular inferior que contiene
números uno en su diagonal principal, 𝐵 es una matriz
diagonal y 𝐴1 , … , 𝐴𝑃 son matrices de parámetros; todas
las matrices anteriores son de tamaño 𝑘 × 𝑘; asimismo,
𝝐𝑡 es un vector 𝑘 × 1 de innovaciones con las
siguientes particularidades 𝝐𝑡 ~𝑁(0, Σ) y 𝐸[𝜖𝑡 𝜖𝑠´ ] = 0𝑘
para todo 𝑠 ≠ 𝑡; y por último 𝝊𝑡 es un vector 𝑘 × 1 de
perturbaciones (o shocks) ortogonalizados3, con
𝝊𝑡 ~𝑁(0, Σ) y 𝐸[𝜐𝑡 𝜐𝑠´ ] = 0𝑘 para todo 𝑠 ≠ 𝑡. Esta
transformación de las innovaciones permite analizar la
dinámica del sistema en términos de los cambios en
las perturbaciones (o shocks) ortogonalizados (𝜐𝑡 ).
En un modelo SVAR de corto plazo, su
identificación se obtiene por la colocación de
restricciones en las matrices 𝐴 y 𝐵, estas matrices
tienen la particularidad de ser no singulares
(Grossman, 2008). Debido a que en el caso particular
de un modelo SVAR de corto plazo la matriz 𝑃 es 𝑃𝑠𝑟 =
𝐴̃−1 𝐵̃, su estimación ( 𝑃̂
𝒔𝒓 ) puede obtenerse mediante
la interacción de las estimaciones de las matrices 𝐴̃ y
𝐵̃ y es igual a la propia descomposición de Cholesky
de la matriz 𝛴̂ .
Es decir, al tener la matriz 𝑃 = 𝐴−1 𝐵 en un
modelo SVAR de corto plazo, puede también definirse
a la matriz 𝑃̂𝐶 como resultado de la descomposición de
Cholesky de la matriz 𝛴̂ , el mismo resultado de la
descomposición estructural de corto plazo de las
matrices 𝐴̂ y 𝐵̂ en 𝑃̂𝑠𝑟 = 𝐴̂−1 𝐵̂. Lo anterior implica la
siguiente igualdad:
𝐴𝜖𝑡 𝜖𝑡´ 𝐴´ = 𝐵𝜐𝑡 𝜐𝑡´ 𝐵´
Si se toman en cuenta ambos miembros de la
expresión anterior se obtiene lo siguiente:
´ predicción (Forecast-Error Variance Descomposition,
Σ = 𝑃𝑠𝑟 𝑃𝑠𝑟
Asumiendo la estabilidad subyacente del
modelo SVAR, puede invertirse la representación
autorregresiva del modelo para que adquiera un orden
infinito, siendo así una representación de medias
móviles de la siguiente forma:
las perturbaciones (o shocks) estructurales (𝜐𝑡 ) tengan
una unidad de varianza, donde Θ𝑡𝑠𝑟 contiene las
funciones estructurales de impulso-respuesta para un
horizonte 𝑡.
Dadas las estimaciones de las matrices 𝐴̂ y 𝐵̂
derivadas del modelo SVAR de corto plazo, se pueden
estimar las funciones estructurales de impulso-
respuesta de la manera siguiente:
̂ 𝑡𝑠𝑟 = Φ
Θ ̂ 𝑡 𝑃̂𝑠𝑟
En un modelo SVAR de corto plazo, las
matrices 𝐴 y 𝐵 contienen toda la información acerca de
las correlaciones contemporáneas entre variables. La
matriz 𝐵 también modifica a las perturbaciones (o
shocks) (𝜐𝑡 ), para que tengan una unidad de varianza.
Esto permite que las funciones estructurales de
impulso-respuesta sean interpretadas como el efecto
de una variable 𝑖 ante un único incremento de una
unidad en los shocks estructurales de una variable 𝑗
después de 𝑡 periodos.
La matriz 𝑃𝑠𝑟 identifica las funciones
estructurales de impulso-respuesta definiendo la
trasformación de la matriz Σ, y a su vez la matriz 𝑃𝑠𝑟 es
identificada por las restricciones colocadas en los
parámetros de las matrices 𝐴 y 𝐵. Porque hay sólo
𝑃(𝑃 + 1)⁄2 parámetros libres en la matriz Σ , sólo
𝑃(𝑃 + 1)⁄2 parámetros pueden ser estimados en una
matriz 𝑃𝑠𝑟 identificada. Porque hay un 2𝑃 2 número total
de parámetros en las matrices 𝐴 y 𝐵, la condición de
orden para la identificación requiere al menos 2𝑃 2 −
𝑃(𝑃 + 1)⁄2 restricciones colocadas en estos
parámetros (Amisano & Giannini, 1997; Becketti,
2013).
Como una herramienta adicional se estima la
descomposición de la varianza de los errores de
FEVD) para interpretar cómo las innovaciones
ortogonalizadas afectan a un 𝐾 número de variables a
lo largo del tiempo. La descomposición de la varianza
de los errores de predicción de la variable 𝑗 sobre una
variable 𝑖 aporta una fracción en 𝑡 −periodos de
varianza de los errores de predicción de la variable 𝑖, y

triangular inferior (𝐿) y una matriz triangular superior (𝑈). Cualquier matriz cuadrada (𝐴) con elementos pivotes diferentes de cero se
puede expresar como el producto de una matriz triangular inferior (𝐿) y una matriz triangular superior (𝑈); esto se conoce como la
descomposición 𝐿𝑈. Si la matriz (𝐴) es simétrica y está definida como positiva, existe para ella un par de factores 𝑈 y 𝐿, tales que la
matriz triangular superior (𝑈) sea igual a la matriz transpuesta de la matriz triangular inferior (𝐿). (Grossman, 2008).
3
Las variables ortogonales hacen referencia a un conjunto de variables 𝑋1 , 𝑋2 … 𝑋𝑛 que no están correlacionadas (Gujarati & Porter,
2010).