ECONOMETRÍA II:

ECONOMETRÍA DE SERIES TEMPORALES

Modelos VAR
 Introducción modelos VAR

• Hasta ahora hemos estudiado modelos uniecuacionales

• Ahora vamos a estudiar un modelo multiecuacional que se llama

Vector de Autoregresión (”VAR”)

• Ventajas del modelo VAR: a) es relativamente fácil de especificar

y de estimar, b) las variables pueden ser no-estacionarias, c) los
errores pueden ser correlados contemporáneamente

• Desventajas del modelo VAR: muchos párametros

 Introducción modelos VAR (cont.):

• Definición: modelo VAR. Un modelo VAR(p) de dimensión M

tiene la forma

yt = B1 yt−1 + · · · + Bp yt−p + Cxt + t (1)

con Cov (t , t−j ) = 0 para todo j 6= 0. yt 0 = [y1,t , . . . , yM,t ] es el

vector de variables endógenas, xt 0 = [x1,t , . . . , xK ,t ] es el vector de
variables exógenas (incluı́da la constante), B1 , . . . , Bp son matrices
M × M de parámetros, y C es una matriz M × K de parámetros
asociada a las variables exógenas

• Con el operador retardo podemos escribir (1) de una forma más

compacta:
yt = B(L)yt + Cxt + t
• Nota: En este contexto los errores t 0 = [1,t , . . . , M,t ] se suelen
llamar innovaciones (”innovations”)
 Introducción modelos VAR (cont.):

• Ejemplo de un VAR(1) con yt 0 = [yt , zt ]:

yt = b11 yt−1 + b12 zt−1 + 1,t

zt = b21 yt−1 + b22 zt−1 + 2,t

• Ejemplo de un VAR(1) con yt 0 = [yt , zt ] y xt 0 = [1]:

yt = b11 yt−1 + b12 zt−1 + c1 + 1,t

zt = b21 yt−1 + b22 zt−1 + c2 + 2,t

• Ejemplo de un VAR(2) con yt 0 = [yt , zt ]:

yt = b11 yt−1 + b12 zt−1 + b13 yt−2 + b14 zt−2 + 1,t

zt = b21 yt−1 + b22 zt−1 + b23 yt−2 + b24 zt−2 + 2,t
 Introducción modelos VAR (cont.):

• Ejemplo de un VAR(1) con yt 0 = [yt , zt ] y xt 0 = [1, xt ]:

yt = b11 yt−1 + b12 zt−1 + c10 + c11 xt + 1,t

zt = b21 yt−1 + b22 zt−1 + c20 + c21 xt + 2,t

• Ejemplo de un VAR(1) escrito con el operador retardo:

yt = b11 Lyt + b12 Lzt + 1,t

zt = b21 Lyt + b22 Lzt + 2,t

yt = B(L)yt + t
 
b11 L + b12 L
donde B(L) =
b21 L + b22 L
 Estimación e inferencia:

• La ventaja principal del modelo VAR(p) es que, aunque cada

variable sea no estacionaria, y aunque haya correlación
contemporánea entre los errores t , podemos estimar cada
ecuación del modelo con MCO

• Ejemplo VAR(1) de yt , zt con yt ∼ I (1), zt ∼ I (1) y

Corr (1,t , 2,t ) 6= 0:
yt = b11 yt−1 + b12 zt−1 + 1,t
zt = b21 yt−1 + b22 zt−1 + 2,t
• Es decir, primero estimamos la primera ecuación
yt = b11 yt−1 + b12 zt−1 + 1,t
con MCO, y después la segunda ecuación
zt = b21 yt−1 + b22 zt−1 + 2,t
también con MCO
 Estimación e inferencia (cont.):

• Por tanto, si una o algunas de las variables endógenas son no

estacionarias, entonces las pruebas t no son válidas

• Entonces, ¿cómo elegimos p?

→ Evaluando los residuos ˆt : los queremos no autocorrelados, y

si es posible también homoscedásticos y Gaussianos

→ Utilizando criterios de información (AIC, SBC, etc.)

 Modelos PVAR

• Valores grandes de p o un gran numero de variables endógenas

(o los dos) resulta en muchos párametros, y probablemente una
gran parte de ellos son no significativos

• Eso es la motivación 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 correlación contem-
poránea entre los errores, estimar con FIML si la hay
→ 4. Quitar los regresores no significativos utilizando pruebas t
oF
 El VAR como forma reducida

• El modelo VAR es de una forma reducida en el sentido de que no

hay variables endógenas contemporáneas en el lado derecho

• Muchos modelos son formulados en forma estructural en el

sentido de que una o mas variables endógenas en el lado derecho
son contemporáneas

• Por ejemplo, si pt es precio y qt es cantidad entonces se dice que

el sistema
pt = c1 + b10 qt + b11 pt−1 + b12 qt−1 + 1t
(2)
qt = c2 + b20 pt + b21 pt−1 + b22 qt−1 + 2t

es estructural
 El VAR como forma reducida

• El sistema (2) se puede escribir como

       
pt c1 pt−1 1t
(I − B0 ) = + B1 + (3)
qt c2 qt−1 2t
   
0 b10 b11 b12
donde B0 = y B1 =
b20 0 b21 b22

• Si la inversa (I − B0 )−1 existe, entonces (3) se puede transformar

a una forma reducida:

       
pt −1 c1 −1 pt−1 −1 1t
= (I−B0 ) +(I−B0 ) B1 +(I−B0 )
qt c2 qt−1 2t
 Estabilidad VAR

• Recordamos: un modelo AR(p) es estable si:

las raı́ces caracterı́sticas están dentro del cı́rculo unidad

m
las raı́ces del polinomio (1 − φ1 L − φ2 L2 − · · · − φp Lp ) están fuera
del cı́rculo unidad

• Un modelo VAR(p) es estable si:

las raı́ces caracterı́sticas están dentro del cı́rculo unidad

m
las raı́ces del polinomio |I − B1 L − · · · − Bp Lp | están fuera del
cı́rculo unidad
 Estabilidad VAR (cont.)

• Proposición: estabilidad de un modelo VAR(p). Denotando

el polinomio I − B1 L − · · · − Bp Lp por A(L), es decir,
A(L) = I − B1 L − · · · − Bp Lp , si todas las raı́ces de |A(z)| = 0
están fuera del circulo unidad, entonces el modelo VAR(p) es
estable

• ¿Cómo comprobamos si las raı́ces del polinomio A(L) están

dentro o fuera del circulo unidad?
 Estabilidad VAR (cont.)

• Recordad:

→ Si A = (a11 ), entonces |A| = a11

 
a11 a12
→ Si A = , entonces |A| = a11 a22 − a12 a21
a21 a22
 
a11 a12 a13
→ Si A =  a21 a22 a23 , entonces |A| = a11 a22 a33 +
a31 a32 a33
a21 a32 a13 + a31 a12 a23 − a21 a12 a33 − a11 a32 a23 − a31 a22 a13
..
.
etc.
 Estabilidad VAR (cont.)

• Cuando M = 1 las condiciones de estabilidad para VAR(p) y

para AR(p) coinciden, porque:

I − B1 L − · · · − Bp Lp = 1 − b11 L − b12 L2 − · · · − b1p Lp

• Para un modelo VAR(1) con M = 2 tenemos que

   
1 0
b11 L b12 L
A(L) = I − B1 L = −
0 1
b21 L b22 L
 
1 − b11 L −b12 L
=
−b21 L 1 − b22 L

|A(L)| = (1 − b11 L)(1 − b22 L) − b12 Lb21 L

= 1 − (b11 + b22 )L + (b11 b22 − b12 b21 )L2
 Estabilidad VAR (cont.)

• Para un modelo VAR(2) con M = 2 tenemos que

   
2 1 0 b11 L b12 L
A(L) = I − B1 L − B2 L = −
0 1 b21 L b22 L
b13 L2 b14 L2
 
−
b23 L2 b24 L2
1 − b11 L − b13 L2 −b12 L − b14 L2
 
=
−b21 L − b23 L2 1 − b22 L − b24 L2

|A(L)| = (1 − b11 L − b13 L2 )(1 − b22 L − b24 L2 )

− (−b12 L − b14 L2 )(−b21 L − b23 L2 )

|A(L)| = a + bL + cL2 + dL3 + eL4

 Estabilidad VAR (cont.)

• Encontrar soluciones de polinomios de orden 4 o más grande

puede ser bastante difı́cil

• Afortunadamente existe un método alternativo que utiliza lo que

se llama la forma compañera (”companion form”) del modelo
VAR(p)

• La forma compañera de yt = B1 yt−1 + · · · + B1 yt−p + t tiene la

estructura de un modelo VAR(1) y se denota

Yt = A1 Yt−1 + Et

• Las soluciones del polinomio |IMp − A1 (L)| = 0 son las raı́ces del
polinomio |I − B1 L − · · · − Bp Lp | = 0
 Estabilidad VAR (cont.)

• Donde

→ IMp es una matriz identidad Mp × Mp

 
  B1 B2 ··· Bp−1 Bp
yt
 yt−1 

 I 0 ··· 0 0  
→ Yt = 

..

, A
 1 =
 0 I ··· 0 0  
 .   .. .. .. .. .. 
 . . . . . 
yt−p+1
0 0 ··· I 0
 
t
 0 
→ Et = 
 
.. 
 . 
0
 Estabilidad VAR (cont.)

• Por ejemplo, la forma compañera de un modelo VAR(2) de

dimensión 2 es
      
yt B1 B2 yt−1 t
= +
yt−1 I 0 yt−2 0

o, más explı́citamente,
      
y1,t b11 b12 b13 b14 y1,t−1 1,t
 y2,t   b21 b22 b23 b24   y2,t−1   2,t 
 y1,t−1  =  1   y1,t−2  +  0
      
0 0 0 
y2,t−1 0 1 0 0 y2,t−2 0
 Estabilidad VAR (cont.)

• La forma compañera de un modelo VAR(3) de dimensión 2 es

      
yt B1 B2 B3 yt−1 t
 yt−1  =  I 0 0   yt−2  +  0 
yt−2 0 I 0 yt−3 0

o, más explı́citamente,
      
y1,t b11 b12 b13 b14 b15 b16 y1,t−1 1,t
 y2,t   b21 b22 b23 b24 b25 b26  y2,t−1   2,t 
      
 y1,t−1   1 0 0 0 0 0  y1,t−2   0 
 y2,t−1  =  0
    + 
   1 0 0 0 0 
 y2,t−2  
  0 

 y1,t−2   0 0 1 0 0 0  y1,t−3   0 
y2,t−2 0 0 0 1 0 0 y2,t−3 0