ECONOMETR

IA II:
ECONOMETR

IA DE SERIES TEMPORALES
Modelos VAR
Introduccion modelos VAR
Hasta ahora hemos estudiado modelos uniecuacionales
Ahora vamos a estudiar un modelo multiecuacional que se llama
Vector de Autoregresion (VAR)
Ventajas del modelo VAR: a) es relativamente facil de especicar
y de estimar, b) las variables pueden ser no-estacionarias, c) los
errores pueden ser correlados contemporaneamente
Desventajas del modelo VAR: muchos parametros
Introduccion modelos VAR (cont.):
Denicion: modelo VAR. Un modelo VAR(p) de dimension M
tiene la forma
y
t
= B
1
y
t1
+ + B
p
y
tp
+ Cx
t
+
t
(1)
con Cov(
t
,
tj
) = 0 para todo j = 0. y
t

= [y
1,t
, . . . , y
M,t
] es el
vector de variables endogenas, x
t

= [x
1,t
, . . . , x
K,t
] es el vector de
variables exogenas (includa la constante), B
1
, . . . , B
p
son matrices
M M de parametros, y C es una matriz M K de parametros
asociada a las variables exogenas
Con el operador retardo podemos escribir (1) de una forma mas
compacta:
y
t
= B(L)y
t
+ Cx
t
+
t
Nota: En este contexto los errores
t

= [
1,t
, . . . ,
M,t
] se suelen
llamar innovaciones (innovations)
Introduccion modelos VAR (cont.):
Ejemplo de un VAR(1) con y
t

= [y
t
, z
t
]:
y
t
= b
11
y
t1
+ b
12
z
t1
+
1,t
z
t
= b
21
y
t1
+ b
22
z
t1
+
2,t
Ejemplo de un VAR(1) con y
t

= [y
t
, z
t
] y x
t

= [1]:
y
t
= b
11
y
t1
+ b
12
z
t1
+ c
1
+
1,t
z
t
= b
21
y
t1
+ b
22
z
t1
+ c
2
+
2,t
Ejemplo de un VAR(2) con y
t

= [y
t
, z
t
]:
y
t
= b
11
y
t1
+ b
12
z
t1
+ b
13
y
t2
+ b
14
z
t2
+
1,t
z
t
= b
21
y
t1
+ b
22
z
t1
+ b
23
y
t2
+ b
24
z
t2
+
2,t
Introduccion modelos VAR (cont.):
Ejemplo de un VAR(1) con y
t

= [y
t
, z
t
] y x
t

= [1, x
t
]:
y
t
= b
11
y
t1
+ b
12
z
t1
+ c
10
+ c
11
x
t
+
1,t
z
t
= b
21
y
t1
+ b
22
z
t1
+ c
20
+ c
21
x
t
+
2,t
Ejemplo de un VAR(1) escrito con el operador retardo:
y
t
= b
11
Ly
t
+ b
12
Lz
t
+
1,t
z
t
= b
21
Ly
t
+ b
22
Lz
t
+
2,t

y
t
= B(L)y
t
+
t
donde B(L) =

b
11
L + b
12
L
b
21
L + b
22
L

Estimacion e inferencia:
La ventaja principal del modelo VAR(p) es que, aunque cada
variable sea no estacionaria, y aunque haya correlacion
contemporanea entre los errores
t
, podemos estimar cada
ecuacion del modelo con MCO
Ejemplo VAR(1) de y
t
, z
t
con y
t
I (1), z
t
I (1) y
Corr (
1,t
,
2,t
) = 0:
y
t
= b
11
y
t1
+ b
12
z
t1
+
1,t
z
t
= b
21
y
t1
+ b
22
z
t1
+
2,t
Es decir, primero estimamos la primera ecuacion
y
t
= b
11
y
t1
+ b
12
z
t1
+
1,t
con MCO, y despues la segunda ecuacion
z
t
= b
21
y
t1
+ b
22
z
t1
+
2,t
tambien con MCO
Estimacion e inferencia (cont.):
Por tanto, si una o algunas de las variables endogenas son no
estacionarias, entonces las pruebas t no son validas
Entonces, como elegimos p?
Evaluando los residuos
t
: los queremos no autocorrelados, y
si es posible tambien homoscedasticos y Gaussianos
Utilizando criterios de informacion (AIC, SBC, etc.)
Modelos PVAR
Valores grandes de p o un gran numero de variables endogenas
(o los dos) resulta en muchos parametros, y probablemente una
gran parte de ellos son no signicativos
Eso es la motivacion para el modelo PVAR (Parsimonious
VAR)
Estimar un modelo PVAR:
1. Transformar las variables para que sean I (0)
2. Elegir p
3. Estimar VAR con MCO si no hay correlacion contem-
poranea entre los errores, estimar con FIML si la hay
4. Quitar los regresores no signicativos utilizando pruebas t
o F
El VAR como forma reducida
El modelo VAR es de una forma reducida en el sentido de que no
hay variables endogenas contemporaneas en el lado derecho
Muchos modelos son formulados en forma estructural en el
sentido de que una o mas variables endogenas en el lado derecho
son contemporaneas
Por ejemplo, si p
t
es precio y q
t
es cantidad entonces se dice que
el sistema
p
t
= c
1
+ b
10
q
t
+ b
11
p
t1
+ b
12
q
t1
+
1t
q
t
= c
2
+ b
20
p
t
+ b
21
p
t1
+ b
22
q
t1
+
2t
(2)
es estructural
El VAR como forma reducida
El sistema (2) se puede escribir como
(I B
0
)

p
t
q
t

c
1
c
2

+ B
1

p
t1
q
t1

1t

2t

(3)
donde B
0
=

0 b
10
b
20
0

y B
1
=

b
11
b
12
b
21
b
22

Si la inversa (I B
0
)
1
existe, entonces (3) se puede transformar
a una forma reducida:

p
t
q
t

= (IB
0
)
1

c
1
c
2

+(IB
0
)
1
B
1

p
t1
q
t1

+(IB
0
)
1

1t

2t

Estabilidad VAR
Recordamos: un modelo AR(p) es estable si:
las races caractersticas estan dentro del crculo unidad

las races del polinomio (1

1
L
2
L
2

p
L
p
) estan fuera
del crculo unidad
Un modelo VAR(p) es estable si:
las races caractersticas estan dentro del crculo unidad

las races del polinomio |I B

1
L B
p
L
p
| estan fuera del
crculo unidad
Estabilidad VAR (cont.)
Proposicion: estabilidad de un modelo VAR(p). Denotando
el polinomio I B
1
L B
p
L
p
por A(L), es decir,
A(L) = I B
1
L B
p
L
p
, si todas las races de |A(z)| = 0
estan fuera del circulo unidad, entonces el modelo VAR(p) es
estable
Como comprobamos si las races del polinomio A(L) estan
dentro o fuera del circulo unidad?
Estabilidad VAR (cont.)
Recordad:
Si A = (a
11
), entonces |A| = a
11
Si A =

a
11
a
12
a
21
a
22

, entonces |A| = a
11
a
22
a
12
a
21
Si A =

a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33

, entonces |A| = a
11
a
22
a
33
+
a
21
a
32
a
13
+ a
31
a
12
a
23
a
21
a
12
a
33
a
11
a
32
a
23
a
31
a
22
a
13
.
.
.
etc.
Estabilidad VAR (cont.)
Cuando M = 1 las condiciones de estabilidad para VAR(p) y
para AR(p) coinciden, porque:
I B
1
L B
p
L
p
= 1 b
11
L b
12
L
2
b
1p
L
p
Para un modelo VAR(1) con M = 2 tenemos que
A(L) = I B
1
L =

1 0
0 1

b
11
L b
12
L
b
21
L b
22
L

1 b
11
L b
12
L
b
21
L 1 b
22
L

|A(L)| = (1 b
11
L)(1 b
22
L) b
12
Lb
21
L
= 1 (b
11
+ b
22
)L + (b
11
b
22
b
12
b
21
)L
2
Estabilidad VAR (cont.)
Para un modelo VAR(2) con M = 2 tenemos que
A(L) = I B
1
L B
2
L
2
=

1 0
0 1

b
11
L b
12
L
b
21
L b
22
L

b
13
L
2
b
14
L
2
b
23
L
2
b
24
L
2

1 b
11
L b
13
L
2
b
12
L b
14
L
2
b
21
L b
23
L
2
1 b
22
L b
24
L
2

|A(L)| = (1 b
11
L b
13
L
2
)(1 b
22
L b
24
L
2
)
(b
12
L b
14
L
2
)(b
21
L b
23
L
2
)
|A(L)| = a + bL + cL
2
+ dL
3
+ eL
4
Estabilidad VAR (cont.)
Encontrar soluciones de polinomios de orden 4 o mas grande
puede ser bastante difcil
Afortunadamente existe un metodo alternativo que utiliza lo que
se llama la forma compa nera (companion form) del modelo
VAR(p)
La forma compa nera de y
t
= B
1
y
t1
+ +B
1
y
tp
+
t
tiene la
estructura de un modelo VAR(1) y se denota
Y
t
= A
1
Y
t1
+ E
t
Las soluciones del polinomio |I
Mp
A
1
(L)| = 0 son las races del
polinomio |I B
1
L B
p
L
p
| = 0
Estabilidad VAR (cont.)
Donde
I
Mp
es una matriz identidad Mp Mp
Y
t
=

y
t
y
t1
.
.
.
y
tp+1

, A
1
=

B
1
B
2
B
p1
B
p
I 0 0 0
0 I 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 I 0

E
t
=

t
0
.
.
.
0

Estabilidad VAR (cont.)

Por ejemplo, la forma compa nera de un modelo VAR(2) de
dimension 2 es

y
t
y
t1

B
1
B
2
I 0

y
t1
y
t2

t
0

o, mas explcitamente,

y
1,t
y
2,t
y
1,t1
y
2,t1

b
11
b
12
b
13
b
14
b
21
b
22
b
23
b
24
1 0 0 0
0 1 0 0

y
1,t1
y
2,t1
y
1,t2
y
2,t2

1,t

2,t
0
0

Estabilidad VAR (cont.)

La forma compa nera de un modelo VAR(3) de dimension 2 es

y
t
y
t1
y
t2

B
1
B
2
B
3
I 0 0
0 I 0

y
t1
y
t2
y
t3

t
0
0

o, mas explcitamente,

y
1,t
y
2,t
y
1,t1
y
2,t1
y
1,t2
y
2,t2

b
11
b
12
b
13
b
14
b
15
b
16
b
21
b
22
b
23
b
24
b
25
b
26
1 0 0 0 0 0
0 1 0 0 0 0
0 0 1 0 0 0
0 0 0 1 0 0

y
1,t1
y
2,t1
y
1,t2
y
2,t2
y
1,t3
y
2,t3

1,t

2,t
0
0
0
0