Capítulo 11

Modelos VAR

Javier Galán Figueroa

Introducción
Una de las principales tareas del economista en su quehacer diario, es la
evaluación de las políticas económicas que son llevadas a cabo por un
determinado gobierno para satisfacer sus compromisos adquiridos con
anterioridad con el menor costo social. De acuerdo a la literatura de la teoría de
juegos, toda política económica que cumple con lo anterior se dice que es creíble
ya que los agentes tienen pleno conocimiento sobre las acciones de la autoridad,
restringiendo así a la autoridad en caer en un problema de inconsistencia dinámica
obligándolo en alcanzar sus objetivos de política de corto y largo plazos (Kydland y
Prescott, 1977; Barro y Gordon, 1983).

A nivel empírico los economistas han acudido a los modelos de Vectores

Autorregresivos, VAR, como herramienta básica para evaluar las políticas
económicas (Galán y Venegas, 2013 y Galán, 2014). Esta metodología
econométrica fue planteada inicialmente por el célebre trabajo del Nobel en
Economía 2011 Christopher Sims (1980) Macroeconomic and Reality, en donde
presenta una fuerte crítica hacia los modelos de sistemas ecuaciones y sus
principales aplicaciones como son los modelos macroeconométricos o de gran
escala.

Sims menciona que la mayor parte de las restricciones que aparecen en los
modelos son falsas debido a i) no hay conocimiento suficiente en la teoría
económica para clasificar a las variables en endógenas y exógenas y ii) a priori no
se puede establecer restricciones cero. De esta manera Sims propuso el modelo
VAR, un sistema de ecuaciones autorregresivas, en donde las variables utilizadas
no se distinguen si son endógenas o exógenas ya que se asume que cada una
afecta y es afectada por las demás.

1. Características del modelo VAR

El modelo VAR desarrollado por Sims (1980 y 1986) ha tenido gran popularidad al
ser una herramienta muy útil para el análisis empírico de las series de tiempo
económicas ya que tiene las siguientes propiedades: i) parte de un enfoque
ateórico, ii) es capaz de separar los efectos pasados que explican al vector de las
variables endógenas a través de su pasado o mediante variables autorregresivas.
Esto se ilustra de la siguiente manera: un vector autorregresivo de orden uno,
VAR(1), se tiene su forma primitiva (Enders, 2010)

yt  b10  b12 zt   11 yt 1   12 zt 1   yt
(1)
zt  b20  b21 yt   21 yt 1   22 zt 1   zt

 1 b12   yt   b10    11  12   yt 1    yt 
           (2)
 b21 1   zt   b20    21  22   zt 1    zt 

equivalentemente

Bxt  0  1 xt 1   t (3)

donde el vector xt agrupa las variables endógenas, la matriz B contiene los

coeficientes de los efectos contemporáneos del vector xt, mientras la matriz
xt, por último el vector
contiene los efectos estocásticos que afectan a las variables del vector xt. A
partir de la expresión (3), se obtiene la forma estándar:
 xt  0  1 xt 1  et (4)

donde

0  B10 , 1  B11 y et  B1 t .

El término et es un componente residual y es lo que hace la diferencia con la

expresión (3). Por otro lado se supone que se cumple la descomposición de Wold
donde las variables endógenas del VAR(p) al cumplir el supuesto de
estacionariedad1 (o ser débilmente estacionarias) es posible invertir la expresión
(4) en un vector de medias móviles, VMA(∞), permitiendo con ello visualizar a
través de la matriz de los multiplicadores de impacto de corto y largo plazo (o
funciones impulso respuesta) cómo los choques estocásticos afectan la trayectoria
del vector de las variables endógenas, este último aspecto se puede apreciar en
las siguientes expresiones:

 yt   y    11  i  12  i     yt i 
          (5)
 xt   x  i 0  21  i  22  i     xt i 


xt     i t i (6)
i 0

n 
donde  12  i  es el multiplicador de impacto, mientras que
i 0
 i 
i 0
2
jk es el

multiplicador total o de largo plazo.

1
De acuerdo con Lütkepohl (2005), las variables que comprenden al VAR(p) son al menos I(1).
2. Un caso para la economía mexicana

Para ejemplificar la estimación de un modelo de Vectores Autorregresivos

mediante el programa RStudio, se considera un VAR bivariado en donde se
considera analizar el comportamiento de la inflación y de la oferta de dinero para
el caso de la economía mexicana tomando el periodo del primero mes del año
2000 al cuarto mes del 2014. Cabe mencionar que los datos se obtuvieron del
Sistema de Información Estadística del Banco de México.

Posteriormente se aplica logaritmos a las series, para ello se utiliza la base de

datos que se encuentra en el archivo base_var_inflacion.csv. Con esta base se
crea el siguiente objeto, mex_var, que será utilizado para la estimación del modelo
VAR(p).

> mex_var<-read.csv("C:/data/base_var_inflacion.csv", header=T)

> attach(mex_var)

A continuación se hace la lista de la base para conocer cómo se encuentra

asignado el nombre de las variables y de su ubicación, para ello se utiliza el
nombre del objeto que se está trabajando, mex_var.
Una vez que se tiene el objeto de trabajo, se procede a dar formato de series de
tiempo a la base de datos a cabo por mediante el siguiente código. Comenzando
primero por el índice de la oferta monetaria y posteriormente al índice de precios.

# Para M2
> tm2=ts(mex_var[,1], start=2000, freq=12)

# Para INPC
> tp=ts(mex_var[,2], start=2000, freq=12)

A estas nuevas variables son transformadas en logaritmo mediante el siguiente

código:

# Para M2
> ltm2<-log(tm2)

# Para INPC
> ltp<-log(tp)

Una vez que se han transformado en logaritmo las variables, se grafican siguiendo
el código siguiente:

> ts.plot(ltp, ltm2, col=c("blue", "red"))

 Gráfico 1
México: logaritmo del INPC y el logaritmo del índice de M2
(2000:01-2014:04)

Del anterior gráfico se aprecia tanto el INPC como el índice M2 presenta una
trayectoria determinística creciente, por lo que ambas series no satisfacen el
supuesto de ruido blanco o que son estacionarias. Para corroborarlo se llevará a
continuación las pruebas de raíz unitaria. Para ello se instalará la paquetería de
los vectores autorregresivos, vars, posteriormente se activa la librería respectiva.

> install.packages("vars")
> library("vars")
Para aplicar la prueba de raíz unitaria de Dickey Fuller Aumentada (ADF) se
plantea la siguiente Hipótesis nula vs. Hipótesis alternativa:

Ho: La variable x no tiene una raíz unitaria

Ha: La variable x tiene una raíz unitaria

De esta forma se aplica la prueba ADF sin constante ni tendencia mediante el

código siguiente:

> adf1_ltp<-summary(ur.df(ltp, lags=1))

> adf1_ltp

Tabla1
Prueba Dickey-Fuller Aumentada para el logaritmo del INPC
Sin constante y tendencia

###############################################
# Augmented Dickey-Fuller Test Unit Root Test #
###############################################

Test regression none

Call:
lm(formula = z.diff ~ z.lag.1 - 1 + z.diff.lag)

Residuals:
Min 1Q Median 3Q Max
-0.0093954 -0.0015285 0.0003127 0.0018731 0.0069307
Value of test-statistic is: 5.798

Critical values for test statistics:

1pct 5pct 10pct
tau1 -2.58 -1.95 -1.62

En la parte inferior de la Tabla 1 se aprecia que el valor estadístico ADF tiene un

valor de 5.5798, el hecho de que sea positivo, indica que el logaritmo del INPC no
es estacionario, por lo que se rechaza la hipótesis nula y se acepta la alternativa
de que la variable presenta raíz unitaria. Se continua aplicando la prueba ADF
para incluyendo la constante y la tendencia respectivamente mediante la siguiente
rutina.

# La prueba ADF con termino constante o con deriva

> adf2_ltp<-summary(ur.df(ltp, type="drift", lags=12))
> adf2_ltp

# La prueba ADF con tendencia

> adf3_ltp<-summary(ur.df(ltp, type="trend", lags=1))
> adf3_ltp

De acuerdo a la Tabla 2 tanto el logaritmo del INPC como el logaritmo del índice
de M2, son estacionarias mediante la segunda diferencia, para obtener la primera
y segunda diferencia a las series se utiliza la siguiente rutina:

# Primera diferencia del logaritmo del indice de precios

> dltp<-diff(ltp)

# Segunda diferencia del logaritmo del indice de precios

> d2ltp<-diff(dltp)

> # Primera diferencia del logaritmo del indice de M2

> dltm2<-diff(ltm2)

> # Segunda diferencia del logaritmo del indice de M2

> d2ltm2<-diff(dltm2)

Tabla 2
Prueba de raíz unitaria Dickey-Fuller Aumentada, ADF
Valor crítico
Variable Término deterministico Rezagos Valor de la prueba
1% 5% 10%
sin constante y tendencia 1 5.79 -2.58 -1.95 -1.62
log(INPC) constante 1 -1.28 -3.46 -2.88 -2.57
constante y tendencia 1 -4.06 -3.99 -3.43 -3.13
sin constante y tendencia 11 -1.49 -2.58 -1.95 -1.62
D(log(INPC)) constante 11 -3.89 -3.46 -2.88 -2.57
constante y tendencia 11 -3.85 -3.99 -3.43 -3.13
sin constante y tendencia 12 -8.11 -2.58 -1.95 -1.62
D2 (log(INPC)) constante 10 -12.53 -3.46 -2.88 -2.57
constante y tendencia 10 -12.57 -3.99 -3.43 -3.13
sin constante y tendencia 1 8.75 -2.58 -1.95 -1.62
log(M2) constante 1 -2.13 -3.46 -2.88 -2.57
constante y tendencia 0 -2.09 -3.99 -3.43 -3.13
sin constante y tendencia 11 -0.76 -2.58 -1.95 -1.62
Dlog(M2) constante 0 -12.62 -3.46 -2.88 -2.57
constante y tendencia 3 -7.44 -3.99 -3.43 -3.13
sin constante y tendencia 3 -10.57 -2.58 -1.95 -1.62
2
D log(M2) constante 3 -10.54 -3.46 -2.88 -2.57
constante y tendencia 3 -10.51 -3.99 -3.43 -3.13

Graficando las series las segundas diferencias del logaritmo del índice de precios,
d2ltp, y el logaritmo del índice de la oferta de dinero, d2ltm2, mediante el siguiente
código se obtiene la Gráfica 2.

> ts.plot(d2ltp, d2ltm2, col=c("blue", "red"))

 Gráfico 2
Segunda diferencia del logaritmo del INPC y del logaritmo del índice de M2
(2000:01-2014:04)

A continuación se lleva a cabo las pruebas de causalidad en el sentido de Granger

para determinar el orden causal entre las variables, para ello se activa la librería
lmtest. Una vez activa la librería, se aplica de la siguiente manera: i) Se verifica la
dirección de la causalidad de la oferta de dinero hacia los precios, donde la
hipótesis nula implica que la oferta de dinero no causa en el sentido de Granger a
los precios:

> grangertest(d2ltp~d2ltm2, order=1)

 Tabla 3
Causalidad en el sentido de Granger
de la oferta de dinero a los precios

Granger causality test

Model 1: d2ltp ~ Lags(d2ltp, 1:1) + Lags(d2ltm2, 1:1)

Model 2: d2ltp ~ Lags(d2ltp, 1:1)
Res.Df Df F Pr(>F)
1 170
2 171 -1 0.8796 0.3496

De acuerdo a la Tabla 3 se acepta la hipótesis nula que la oferta de dinero no

causa en el sentido de Granger a los precios, dado que el p-value, 0.3496, es
mayor al valor crítico del 5 por ciento.

ii) Se verifica la dirección de la causalidad de los precios hacia la oferta de dinero,

donde la hipótesis nula implica que los precios no causan en el sentido de Granger
a la oferta de dinero.

> grangertest(d2ltm2~d2ltp, order=1)

Tabla 4
Causalidad en el sentido de Granger
de la oferta de dinero a los precios

Granger causality test

Model 1: d2ltm2 ~ Lags(d2ltm2, 1:1) + Lags(d2ltp, 1:1)
Model 2: d2ltm2 ~ Lags(d2ltm2, 1:1)
Res.Df Df F Pr(>F)
1 170
2 171 -1 0.0909 0.7634

De acuerdo a la Tabla 4 se acepta la hipótesis nula que los precios no causa en el

sentido de Granger a la oferta de dinero, dado que el p-value, 0.7634, es mayor al
valor crítico del 5 por ciento. A continuación aplica la prueba para varios rezagos lo
que permite construir la Tabla 5.

Tabla 5
Causalidad en el sentido de Granger
Hipotesis nula: M2 no causa al INPC INPC no causa al M2
No. de Rezago F-statistic P-value F-statistic P-value
Rezago 1 0.879 0.349 0.090 0.763
Rezago 2 0.421 0.656 0.004 0.995
Rezago 3 0.298 0.826 0.254 0.858
Rezago 4 2.710 0.032 0.298 0.878
Rezago 5 2.482 0.033 0.360 0.875
Rezago 6 2.729 0.015 0.623 0.711
Rezago 7 2.468 0.019 1.813 0.088
Rezago 8 2.288 0.024 1.733 0.095
Rezago 9 2.023 0.040 1.542 0.138
Rezago 10 2.158 0.023 1.760 0.073
Rezago 11 1.338 0.209 1.044 0.411
Rezago 12 1.249 0.256 1.012 0.441
De acuerdo a la Tabla 5 se rechaza la hipótesis nula que M2 no causa en el
sentido de Granger al INPC en los siguientes rezagos: del 4 al 10. En la misma
tabla se acepta la hipótesis nula para todos los rezagos de que el INPC no causa
en el sentido de Granger a M2. Con estos resultados se concluye que la dirección
causal entre estas variables va de M2 a INPC. A continuación se activa la librería
vars para identificar el VAR, a través de los criterios de información: Akaike (AIC),
Hanna-Quin (HQ), Schwarz (SC) y Error de Predicción Final (FPE) para ello se
utiliza los siguientes codigos:

> library(vars)
> VARselect(mex_var2, lag.max=12)

Antes de la identificación, se debe crear un nuevo objeto en donde contenga las

variables transformadas y que sean estacionarias, en este ejemplo el nuevo objeto
se le nombró mex_var2, cabe mencionar, las variables del nuevo objeto se
deberán transformar como series de tiempo siguiendo los pasos iniciales del
presente capítulo. Para identificar el orden del VAR, en este caso, se utilizó como
máximo 12 rezagos y de acuerdo a los criterios de información (AIC, HQ, SC y
FPE) de la Tabla 6 indican que se debe utilizar 11 rezagos para la estimación del
modelo VAR.
 Tabla 6
Criterio de Rezagos Óptimos del VAR

$selection
AIC(n) HQ(n) SC(n) FPE(n)
11 11 2 11

$criteria
1 2 3 4 5
AIC(n) -2.046463e+01 -2.068196e+01 -2.065764e+01 -2.075149e+01 -2.075348e+01
HQ(n) -2.041820e+01 -2.060458e+01 -2.054931e+01 -2.061220e+01 -2.058323e+01
SC(n) -2.035027e+01 -2.049137e+01 -2.039081e+01 -2.040842e+01 -2.033417e+01
FPE(n) 1.295173e-09 1.042211e-09 1.067940e-09 9.723977e-10 9.706468e-10
6 7 8 9 10
AIC(n) -2.090388e+01 -2.097478e+01 -2.104458e+01 -2.103653e+01 -2.109132e+01
HQ(n) -2.070268e+01 -2.074263e+01 -2.078147e+01 -2.074247e+01 -2.076631e+01
SC(n) -2.040834e+01 -2.040300e+01 -2.039656e+01 -2.031228e+01 -2.029083e+01
FPE(n) 8.353389e-10 7.784501e-10 7.263245e-10 7.326458e-10 6.941159e-10
11 12
AIC(n) -2.130916e+01 -2.130390e+01
HQ(n) -2.095320e+01 -2.091699e+01
SC(n) -2.043244e+01 -2.035094e+01
FPE(n) 5.587598e-10 5.623294e-10

Una vez identificado el VAR se procede con el siguiente código su estimación,

VAR. En Tabla 7 se presentan las ecuaciones del VAR de orden 11, VAR(11).

> var1<-VAR(mex_var2,p=11)
> var1

Tabla 7
 Ecuaciones Estimadas del VAR(11)

VAR Estimation Results:

=======================

Estimated coefficients for equation d2lm2:

==========================================
Call:
d2lm2 = d2lm2.l1 + d2lp.l1 + d2lm2.l2 + d2lp.l2 + d2lm2.l3 + d2lp.l3 + d2lm2.l4 + d2lp.l4 + d2lm2.l5 + d2lp.l5 +
d2lm2.l6 + d2lp.l6 + d2lm2.l7 + d2lp.l7 + d2lm2.l8 + d2lp.l8 + d2lm2.l9 + d2lp.l9 + d2lm2.l10 + d2lp.l10 + d2lm2
.l11 + d2lp.l11 + const

d2lm2.l1 d2lp.l1 d2lm2.l2 d2lp.l2 d2lm2.l3

-7.629557e-01 -1.714439e-01 -8.434147e-01 1.109548e-01 -6.063436e-01
d2lp.l3 d2lm2.l4 d2lp.l4 d2lm2.l5 d2lp.l5
-6.403225e-03 -6.978840e-01 -6.657361e-02 -6.033918e-01 -1.467579e-01
d2lm2.l6 d2lp.l6 d2lm2.l7 d2lp.l7 d2lm2.l8
-5.911774e-01 1.071385e-01 -4.820848e-01 -5.209136e-01 -4.042082e-01
d2lp.l8 d2lm2.l9 d2lp.l9 d2lm2.l10 d2lp.l10
5.843460e-02 -2.957711e-01 -2.264212e-01 -2.607287e-01 -3.519290e-01
d2lm2.l11 d2lp.l11 const
-1.952367e-01 -4.569120e-02 -1.772894e-05

Estimated coefficients for equation d2lp:

=========================================
Call:
d2lp = d2lm2.l1 + d2lp.l1 + d2lm2.l2 + d2lp.l2 + d2lm2.l3 + d2lp.l3 + d2lm2.l4 + d2lp.l4 + d2lm2.l5 + d2lp.l5 + d
2lm2.l6 + d2lp.l6 + d2lm2.l7 + d2lp.l7 + d2lm2.l8 + d2lp.l8 + d2lm2.l9 + d2lp.l9 + d2lm2.l10 + d2lp.l10 + d2lm2.l
11 + d2lp.l11 + const

d2lm2.l1 d2lp.l1 d2lm2.l2 d2lp.l2 d2lm2.l3

-0.0153917990 -0.5768874943 0.0225318889 -0.6496238436 0.0258938749
d2lp.l3 d2lm2.l4 d2lp.l4 d2lm2.l5 d2lp.l5
-0.6720337913 0.0795079412 -0.6540234065 0.0019054572 -0.5936082650
d2lm2.l6 d2lp.l6 d2lm2.l7 d2lp.l7 d2lm2.l8
0.0257629817 -0.7731698049 -0.0057926931 -0.6635449616 -0.0051974058
 d2lp.l8 d2lm2.l9 d2lp.l9 d2lm2.l10 d2lp.l10
-0.6685683626 0.0220922034 -0.5278803727 0.0046914476 -0.4810432531
d2lm2.l11 d2lp.l11 const
0.0081195573 -0.4276814667 -0.0001442565

Saber sí el VAR estimado satisface la condición de estabilidad, se utiliza el código

summary para que el programa R muestre las raíces del polinomio característico
así como los estadísticos necesarios para llevar a cabo la inferencia estadística.
De acuerdo a la Tabla 8, se tiene que las raíces del polinomio característico son
menores a uno, por lo que el VAR estimado con 11 rezagos satisface la condición
de establilidad.

> summary(var1)

Tabla 8
Raíces del Polinomio Característico del VAR Estimado

Una vez que se tiene el sistema de ecuaciones del VAR estimados, el usuario
puede obtener el grafico de la variable observada versus la estimada, así como de
los residuales a través del código plot.
> plot(var1)

Grafica 3a

Grafica 3b
En las Grafica 3a y 3b se muestra el comportamiento de las variables observadas
y estimadas asi como de los residuales. A continuación se lleva a cabo las
pruebas de especificación. En primer lugar se verifica la existencia o no de
autocorrelación serial en los residuales mediante el siguiente código:

> seriala<-serial.test(var1, lags.pt=11, type="PT.asymptotic")

> seriala$serial

Tabla 9
Prueba de Autocorrelación
Portmanteau Test (asymptotic)

data: Residuals of VAR object var1

Chi-squared = 27.2801, df = 0, p-value < 2.2e-16
De acuerdo a la prueba de autocorrelación, Tabla 9, permite rechazar la hipótesis
nula de que los residuales no están correlacionados y aceptar la hipótesis alterna
que hay presencia de correlación serial entre los residuales. Con el siguiente
código se verifica si los residuales del modelo VAR estimado los residuales se
distribuyen como una normal.

> normalidad<-normality.test(var1)
> normalidad$jb.mul

Tabla 10
Prueba de Normalidad en los Residuales
$JB

JB-Test (multivariate)

data: Residuals of VAR object var1

Chi-squared = 201.0673, df = 4, p-value < 2.2e-16

$Skewness

Skewness only (multivariate)

data: Residuals of VAR object var1

Chi-squared = 25.2089, df = 2, p-value = 3.357e-06

$Kurtosis

Kurtosis only (multivariate)

data: Residuals of VAR object var1
Chi-squared = 175.8584, df = 2, p-value < 2.2e-16

Con la Tabla 10 se tiene evidencia que los residuales no se distribuyen como

normal ya que presenta problemas en la curtosis y en el sesgo. Ahora se prosigue
con verificar si la varianza de los residuales son o no homocedasticos, por lo que
se utiliza el siguiente código:

> arch1<-arch.test(var1, lags.multi=11)

> arch1$arch.mul

Tabla 11
Prueba de Heteroscedasticidad o Varianza Constante
ARCH (multivariate)

data: Residuals of VAR object var1

Chi-squared = 80.1774, df = 99, p-value = 0.917

A través de la prueba de Heteroscedasticidad se tiene que los residuales si

satisfacen el supuesto de varianza constante. El modelo VAR(11) estimado tiene
problemas de especificación de autocorrelación y de normalidad. Observando las
Gráficas 3a y 3b se puede encontrar que existe un punto de ruptura o de cambio
estructural, esto implica que se puede introducir una variable dummy para ajustar
el modelo, en donde los valores de uno indiquen que en ese periodo existe un
cambio estructural, mientras los valores cero se refiere la ausencia de cambio
estructural.
Una vez que se han llevado a cabo las pruebas de especificación y verificar que el
modelo VAR las satisface, en su caso corregirlo, se procede a realizar el análisis
impulso respuesta permitiendo con ello observar la trayectoria de la variable de
estudio. Para obtener lo anterior se recurre al siguiente código y asi obtener los
multiplicadores de impacto que se muestran en la Tabla 12.

> var1_irflp<-irf(var1, response="d2lp", n.ahead=8, boot=TRUE)

> var1_irflp

Tabla 12
Impulso Respuesta de los Precios ante una Innovación de la Oferta
Monetaria
Para graficar el impulso respuesta este se obtiene con el código siguiente y se
muestra en la Gráfica 4. Si el usuario desea continuar graficando las demás
variables se repite el proceso para cada variable que se encuentra en el modelo
VAR.

> plot(var1_irflp)

Gráfica 4
Impulso Respuesta de los Precios ante una Innovación de la Oferta
Monetaria
> var1_irflm2<-irf(var1, response="d2lm2", n.ahead=5, boot=TRUE)
> var1_irflm2

Tabla 13
Impulso Respuesta de la Oferta Monetaria ante una Innovación de los
Precios
> plot(var1_irflm2)

Gráfica 5
Impulso Respuesta de la Oferta Monetaria ante una Innovación de los
Precios

Por último, se utiliza el siguiente código para obtener el análisis de la

descomposición de varianza que se presenta en las Tabla 13 y 14.

> var1_fevd_d2lp<-fevd(var1, n.ahead=50)$d2lp

> var1_fevd_d2lp

Tabla 14
Descomposición de la Varianza ante una Innovación por parte de los Precios

> var1_fevd_d2lm2<-fevd(var1, n.ahead=50)$d2lm2

> var1_fevd_d2lm2

Tabla 15
Descomposición de la Varianza ante una Innovación por parte de la Oferta de
Dinero
Referencias

Barro, Robert y David Gordon (1983), “Rules, discretion and reputation in a model
of monetary policy”, Journal of Monetary Economy, vol. 12, núm. 1.

Enders, Walter (2010), Applied Econometric Time Series, 3a. Ed. John Wiley &
Sons, Hoboken, New Jersey.

Galán, Javier y Francisco Venegas (2013), “Evolución de la política monetaria en

México: Un análisis var estructural. 2000-2011”, Revista Nicolaita de Estudios
Económicos, vol. 8, núm. 1.

Galán, Javier (2014), “Christopher Sims: modelos, realidad y metodología”,

Equilibrios y Conjeturas, Cuadernos del Seminario de Credibilidad
Macroeconomica, FE-UNAM, año 1, núm. 1,

Kyndland, Finn y Edward Prescott (1977), “Rules rather than discretion: The
inconsistency of optimal plans”, The Journal of Political Economy, vol. 85, núm. 3.

Sims, Christopher (1980), “Macroeconomics and reality”, Econometrica, vol. 48,

núm. 1, enero.

_____ (1986), “Are forescasting models usable for policy analysis?”, Federal
Reserve Bank of Minneapolis, Quarterly Review, vol. 10, núm. 1, invierno.

Archivo de datos asociado al capítulo

base_var_inflacion.csv