Modelos para el análisis de política

macroeconómica
Clase 1. Vectores Autotegresivos (VAR)

Nerys Ramírez Mordán

Universidad Autónoma de Santo Domingo

22 de March de 2024

Clase 1 22 de March de 2024 1 / 67

Tabla de contenido

1 Modelos de series temporales

2 Modelos VAR

3 Estimación, especificación y uso

4 Identificación del VAR: short run

5 Análisis estructural

6 Referencias

Clase 1 22 de March de 2024 2 / 67

Modelo de política

La estructura básica de un modelo de política (semi-estructural) utiliza el

modelo neo-keynesiano estándar: la demanda agregada (curva IS), el ajuste
de precios (Curva de Phillips) y una regla de política (Taylor) (Blanchard,
2016).

ˆ
yt = β1 ŷt−1 + β2 Eŷt+1 − β3^it + ηtdemand
^

yt + ηtsupply
πt = α1 πt−1 + (1 − α1 )Eπt+1 + α2^

it = ϕ1 it−1 + (1 − ϕ1 )[ī + ϕ2 (Eπt+3 − π̄ + ϕ3 ŷt )] + ηtmon

Clase 1 22 de March de 2024 3 / 67

Choques macroeconómicos

Consideramos un choque (ηt ) como la diferencia entre el dato observado

(yt ) y el esperado por el modelo (ŷt = f (xt |Ωt , θ)).

ηty = yt − f (yt |Ωt , θ)

El análisis de choque permite la validación de los modelos, en el sentido de

su coherencia macroeconomica, inclusive por encima del ajuste estadístico.

Clase 1 22 de March de 2024 4 / 67

Ej. El choque del Covid.
Observe los ’‘choques” observados en las remesas en el contexto del COVID,
se pueden asociar a eventos económicos: mercado laboral, transferencias
fiscales, . . .

1000

800
rem

Remesas hat ARIMA

600
Remesas obs
400
2020 2022 2024

Figure 1: Remesas en República Dominicana. Datos mensuales, 1998-2023

Clase 1 22 de March de 2024 5 / 67

Pronósticos y política

Basados en el modelo macro podemos pronosticar valores probables de mi

variable yt en un horizonte h, en función de un set de información disponible
(Ωt ) [yt+h |Ωt ].

yt+h = ϕ0 + ϕ1 yt

Condicionados a supuestos (xt ), choques (ηty ) y valores de corto plazo.

yt+h = ϕ0 + ϕ1 yt + β1 xt

Clase 1 22 de March de 2024 6 / 67

Ej. Suponga una proyección de πt en función del precio wti.
El pronóstico es una recomendación de política basado en el análisis de
coyuntura, la trayectoria más probable, los escenarios de riesgos -quizas
asimétricos- y las relaciones históricas.

15

10

−5

−10
2000 2005 2010

Figure 2: Serie ARIMA(3,1,1) simulada

Clase 1 22 de March de 2024 7 / 67

Ej. Comentarios adicionales
Coherencia macroeconómica: historia y relaciones.
Análisis de sensibilidad.
Análsiis de significancia.
Contrastar ponósticos con otros modelos. Resultados similares a partir de
distintos modelos pueden ser indicador de reflejan la dinámica de los datos.

Clase 1 22 de March de 2024 8 / 67

 Modelos de series temporales

Section 1

Modelos de series temporales

Clase 1 22 de March de 2024 9 / 67

 Modelos de series temporales

Momentos de una serie

Las series de tiempo muestran una amplia variedad de características y una

apreciación de estas es esencial para comprender tanto sus propiedades como
su evolución (Mills, 2019).

{yt : t = 1, 2, 3, ...T }

T
1 X
E[yt ] = yt
T t=1

T −k
1 X
γ̂k = (yt − E[yt ])(yt+k − E[yt ]) = cov(yt , yt+k )
T t=1

Clase 1 22 de March de 2024 10 / 67

 Modelos de series temporales

Ej. Al ver una serie temporal se visualiza una única trayectoria observada de un proceso
estocástico mayor. Por tanto, la distribución de probabilidad puede o no cambiar en el
tiempo.

120

100
d
80

60
0 100 200 300 400 500

Figure 3: Trayectoria de una serie temporal

Clase 1 22 de March de 2024 11 / 67

 Modelos de series temporales

Ej. El análisis exploratorio permite identificar dinámicas de una serie temporal -tendencias,
volatilidad, estacionariedad, . . . -, aunque, son los test formales, los determinates para la
toma de decisiones.

1000

750
rem

500

250

2000 2010 2020

Figure 4: Remesas en República Dominicana. Datos mensuales, 1998-2023

Clase 1 22 de March de 2024 12 / 67

 Modelos de series temporales

Momentos: varianza covarianza

Adicionando la relación entre {xt , yt , zt }, la matriz de varianza covarianzas se

define:

σx2
 
σxy σxz
Σ = σyx σy2 σyz 
σzx σzy σz2

Donde cov(x , y ) = σyx :

n
1X
cov(x , y ) = (xi − x̄ )(yi − ȳ )
n i=1

La matriz puede representar autocorrelación y ser o no diagonal.

Clase 1 22 de March de 2024 13 / 67

 Modelos de series temporales

Ej. Transformación de una serie ∆ ln yt .

head(EuStockMarkets,2)

## Time Series:
## Start = c(1991, 130)
## End = c(1991, 131)
## Frequency = 260
## DAX SMI CAC FTSE
## 1991.496 1628.75 1678.1 1772.8 2443.6
## 1991.500 1613.63 1688.5 1750.5 2460.2

x<-EuStockMarkets[,"DAX"]
y<-EuStockMarkets[,"SMI"]
cor(x,y)

## [1] 0.9911539

dlnx<-diff(log(x))
dlny<-diff(log(y))
cor(dlnx,dlny)

## [1] 0.7031219

Clase 1 22 de March de 2024 14 / 67

 Modelos de series temporales

Modelos de series temporales

Un modelo de series de tiempo para yt , es una especificación de las

distribuciones conjuntas (o posiblemente sólo medias y covarianzas) de una
secuencia de variables aleatorias, donde yt es una realización (Brockwell y
Davis, 2002).
Así un modelo establece una relación entre variables I(0):

y t = x t β + ϵt ϵt ∼ N(0, Σ2 )

Siendo un modelo de regresión dinámica al incluir rezagos:

yt = yt−1 ϕ + xt β + ϵt

Clase 1 22 de March de 2024 15 / 67

 Modelos de series temporales

Estimadores

Dado el vector de datos Xt , Yt , queremos estimar β y Σ:

Mínimos cuadrados: mínimiza la función de pérdida respecto a β.

S = ϵ′ ϵ = (y − βx )′ (y − βx )

Máxima verosimilitud: minimiza la función log-likelihood.

n
1 (xi −βx )2
e−
Y
L(µ, σ 2 ; x1 , x2 , . . . , xn ) = √ 2σ 2

i=1 2πσ 2

Clase 1 22 de March de 2024 16 / 67

 Modelos de series temporales

Modelo autoregresivo ar(p)

Un proceso autorregresivo de orden p (ar(p)), es una serie cuyo valor en t
se representa como una combinación lineal de p observaciones anteriores,
más la innovación:

yt = α0 + ϕ1 yt−1 + ϕ2 yt−2 + ... + ϕp yt−p + ϵt

Utilizando un polinomio en el operador de retardos.

(1 − ϕ1 L − ... − ϕp Lp )yt = ϵt

ϕp (L)yt = ϵt

Donde (1 − ϕ1 L − ϕ2 L2 − ... − ϕp Lp ) = ϕp (L) es el polinomio autoregresivo

y (ϕ1 , ϕ2 , ...ϕp ) es el vector de parámetros autoregresivos.

Clase 1 22 de March de 2024 17 / 67

 Modelos de series temporales

Orden de integración

Los VAR se construyen sobre series estacionarias xt ∼ I(0).

Estacionaria alrededor de una tendencia deterministica (xt = ∆ ln yt ).
Estacionaria alrededor de una tendencia estocástica (xt = ln yt − ytss ).

Clase 1 22 de March de 2024 18 / 67

 Modelos de series temporales

Ej. Transformación de la serie de remesa a partir de ∆ ln yt .

0.3
dln_rem

0.0

−0.3

−0.6
2000 2010 2020

Figure 5: Variación mensual de las remesas. Datos mensuales, 1998-2023

Clase 1 22 de March de 2024 19 / 67

 Modelos de series temporales

Table 1: Efecto de la actividad económica externa sobre las remesas, 1998-2023

Nivel [Link]
(1) (2)
ind_prod_usa 27.154∗∗∗
(1.784)
d_index_usa 2.141∗∗∗
(0.783)
Constant −2,246.147∗∗∗ 0.666
(172.261) (0.904)
Observations 312 311
R2 0.428 0.024
Adjusted R2 0.426 0.020
Residual Std. Error 173.934 15.919
F Statistic 231.717∗∗∗ 7.473∗∗∗
Note: ∗ p<0.1; ∗∗ p<0.05; ∗∗∗ p<0.01

Clase 1 22 de March de 2024 20 / 67

 Modelos VAR

Section 2

Modelos VAR

Clase 1 22 de March de 2024 21 / 67

 Modelos VAR

Modelos VAR

Los modelos vectoriales autorregresivos (VAR) corresponden a una

generalización de los modelos univariados autorregresivos (ar(p)), que
permite el análisis simultáneo de las interdependencias entre múltiples series
(∼ I(0)).

Yt = {yt1 , yt2 , ..., ytk }

El VAR es una forma reducida (sistema de ecuaciones en que cada variable

endógena se expresa en funcion sólo de las variables predeterminadas)
derivada de algún modelo estrutural (Londoño, 2005, p.5).

Clase 1 22 de March de 2024 22 / 67

 Modelos VAR

Modelo VAR

Un VAR(p) en su forma reducida, sin restringir y sin variables exógenas:

Yt = A0 + A1 Yt−p + ut

Donde:
Yt ∼ I(0) es una matriz de kxT variables estacionarias, consideradas a priori
como endógenas;
p indica el orden de retardos a incluir;
A1 es una matriz (kxk) de coeficientes parciales que acompañan el vector de
variables endógenas rezagadas; y,
E (ut ) = 0;E (ut ut′ ) = Σu , pudiendo Σu no ser diagonal.

Clase 1 22 de March de 2024 23 / 67

 Modelos VAR

Ej. Representación del VAR

Suponga la forma matricial de un var (1) de dos variables endógenas:

Yt = A0 + A1 Yt−p + ut

        
y1t α01 α11 α12 y1,t−1 u1t
= + +
y2t α02 α21 α22 y2,t−1 u2t

En términos de ecuaciones:

y1t = α1 + α11 y1,t−1 + α12 y2,t−1 + u1t

y2t = α2 + α21 y1,t−1 + α22 y2,t−1 + u2t

Clase 1 22 de March de 2024 24 / 67

 Modelos VAR

Representación del VAR

VAR reducido (no hay relación contemporánea):

Yt = A0 + A1 Yt−p + ut

VAR recursivo (un caso particular del SVAR, donde se ordena de la más
exógena a la menos. No estimo directamente el SVAR porque hay problemas
de identificación):

BYt = A0 + A1 Yt−p + ut

 
a11 0 0
B = a21
 a22 0
a31 a32 a33

VAR estructural:

BYt = A0 + A1 Yt−p + ut
Clase 1 22 de March de 2024 25 / 67
 Estimación, especificación y uso

Section 3

Estimación, especificación y uso

Clase 1 22 de March de 2024 26 / 67

 Estimación, especificación y uso

Seleccionar el orden del VAR

El orden del Var (p) se puede obtener a partir de diversas metodologías:

Criterio de información: AIC (Akaike Information Criterion) o BIC
(Schwarz/Bayesian Information Criterion).
Contraste de autocorrelación de los residuos.
Reglas empírica a partir del tamaño de la muestra (T/3) o derivado de algún
modelo empírico.
Es decir, (p) se obtiene a partir del valor del mismo que permita obtener
innovaciones ruido blanco, o minimice los denominados criterios de
información.

n2 p + n
AIC = ln |Ω| + 2
T


n2 p + n ln (T )
BIC = ln |Ω| + 2
T

Clase 1 22 de March de 2024 27 / 67

 Estimación, especificación y uso

Estimación

la estimación de máxima verosimilitud (MLE), minimiza la función

log-likelihood con respecto a los parámetros β y Σ, para derivar los
estimadores al obtener un sistema de ecuaciones construido con las derivadas
parciales de la función respecto a cada parámetro.

n
1 (xi −βx )2
e−
Y
L(µ, σ 2 ; x1 , x2 , . . . , xn ) = √ 2σ 2

i=1 2πσ 2

Clase 1 22 de March de 2024 28 / 67

 Estimación, especificación y uso

La estructura de los datos condiciona el tipo de análisis.

library(readxl)
library(tidyverse)

data_ej2 <- read_excel("data_ej2.xlsx", sheet = "Sheet1")

head(data_ej2, 5)

## # A tibble: 5 x 4
## t gdp_r p i
## <dttm> <dbl> <dbl> <dbl>
## 1 1996-03-01 [Link] 58.1 17.3 15.5
## 2 1996-06-01 [Link] 55.3 17.4 14.8
## 3 1996-09-01 [Link] 53.2 17.6 15.0
## 4 1996-12-01 [Link] 56.7 17.8 13.5
## 5 1997-03-01 [Link] 61.1 18.5 13.1

Clase 1 22 de March de 2024 29 / 67

 Estimación, especificación y uso

El análisis exploratorio permite identificar tendencias y eventos relevante en la evolución de

nuestras series.

gdp_r i p
50 125
200
40 100
150 30 75
20 50
100
10 25
50
2000 2010 2020 2000 2010 2020 2000 2010 2020

Figure 6: Variables, series trimestrales 2006-2023

Clase 1 22 de March de 2024 30 / 67

 Estimación, especificación y uso

El VAR solo se estima con variables I(0).

dlnx = ln xt − ln xt−1

Aplicar el test Dickey-Fuller.

∆yt = α + βt + γyt−1 + δ1 ∆yt−1 + . . . + δp−1 ∆yt−p+1 + εt

h0 del test es que la serie presenta raíz unitaria. Usamos series donde
rechacemos h0 .

Clase 1 22 de March de 2024 31 / 67

 Estimación, especificación y uso

Ej, La libreria tseries permite aplicar el test.

library(tseries)

pib <- data_ej2$gdp_r

[Link](pib)$[Link]

## [1] 0.6807773

#diferencia logaritmica
inf <- diff(log(pib))
[Link](inf)$[Link]

## [1] 0.01

Clase 1 22 de March de 2024 32 / 67

 Estimación, especificación y uso

Obtener el valor estacionario como el valor de la serie en torno a una tendencia de largo
plazo.

x̂t = xt − x̄t

library(mFilter)
library(x12)

ln_pib <- log(data_ej2$gdp_r)

ln_pib <- ts(ln_pib, frequency = 4, start = c(1996,1))

s <- new("x12Single", ts = ln_pib , tsName = "ln_pib")

s <- x12(s)
ln_pib_adj <- s@x12Output@d12

filtro_hp <- hpfilter(ln_pib)

ciclo_adj <- ln_pib - filtro_hp$trend

[Link](ciclo_adj |> [Link]())

Clase 1 22 de March de 2024 33 / 67

 Estimación, especificación y uso

0.05

0.00

−0.05

−0.10
2000 2010 2020

Figure 7: Ciclo real dominicano. Datos trimestrales 2006-2023

Clase 1 22 de March de 2024 34 / 67

 Estimación, especificación y uso

Podemos vectorizar operaciones para realizar el test sobre múltiples series de forma
simultánea. Posterior se usa la función sapply para recuperar los [Link] asociado al test de
cada serie.

test_df <- purrr::map(data_ej2[,-1], tseries::[Link])

sapply(test_df, function(x) x$[Link])

## gdp_r p i
## 0.68077727 0.45281833 0.08820263

Clase 1 22 de March de 2024 35 / 67

 Estimación, especificación y uso

Preparar data.

# Transformaciones
ln_ipc <- log(data_ej2[,"p"])*100
pi <- ln_ipc-dplyr::lag(ln_ipc,4)

ln_pib_adj <- s@x12Output@d12

filtro_hp <- hpfilter(ln_pib_adj)
ciclo_adj <- ln_pib_adj - filtro_hp$trend

# Data frame
data <- [Link](gap_gdp = [Link](ciclo_adj),
p = pi$p,
r = data_ej2[,"i"]/4)

data_ts <- ts(data, frequency = 4, start = c(1996,1))

data_svarS <- window(data_ts, start = c(2006,1), end = c(2023,4))

Clase 1 22 de March de 2024 36 / 67

 Estimación, especificación y uso

Representar las variables transformadas. Recortada para evitar quiebres estructurales.

gap_gdp i p
0.05 4

10
0.00 3

5
−0.05 2

0
−0.10 1
201020152020 201020152020 201020152020

Figure 8: Variables, series trimestrales 2006-2023

Clase 1 22 de March de 2024 37 / 67

 Estimación, especificación y uso

# 1.1. Estimando el VAR

library(vars)
cri_Tanle <- VARselect(data_svarS, [Link] = 4, type = "const", season = 4)
round(cri_Tanle$criteria,6)

## 1 2 3 4
## AIC(n) -10.541125 -11.56495 -12.064525 -12.515513
## HQ(n) -10.269534 -11.17696 -11.560142 -11.894734
## SC(n) -9.855688 -10.58575 -10.791572 -10.948802
## FPE(n) 0.000026 0.00001 0.000006 0.000004

# Buscar en en cada fila, cual columna tiene el mínimo

apply(cri_Tanle$criteria, 1, [Link])

## AIC(n) HQ(n) SC(n) FPE(n)

## 4 4 4 4

Clase 1 22 de March de 2024 38 / 67

 Estimación, especificación y uso

El VAR no permite hacer inferencia acerca de los coeficientes en A1 (Novales, 2017),

dado que la colinealidad entre estas resta precisión a las estimaciones e imposibilita hacer
interpretaciones.

[Link] <- VAR(data_svarS, p = 4, type = 'const')

# summary([Link])

Clase 1 22 de March de 2024 39 / 67

 Estimación, especificación y uso

library(stargazer)
eq <- [Link]$varresult
# stargazer(eq, type="latex", [Link]=FALSE)

Table 2:

Dependent variable:
(1) (2) (3)
gap_gdp.l1 2.426∗∗∗ 37.951 −3.878
(0.107) (26.745) (3.559)
p.l1 −0.0005 1.091∗∗∗ 0.080∗∗∗
(0.0005) (0.124) (0.017)
...

Observations 68 68 68
R2 0.965 0.815 0.908
Adjusted R2 0.957 0.775 0.888
Residual Std. Error (df = 55) 0.005 1.369 0.182
F Statistic (df = 12; 55) 126.336∗∗∗ 20.190∗∗∗ 45.402∗∗∗
Note: ∗ p<0.1; ∗∗ p<0.05; ∗∗∗ p<0.01

Clase 1 22 de March de 2024 40 / 67

 Estimación, especificación y uso

Validación del VAR. Test de autocorrelación

Breusch-Godfrey proponen utilizar una ecuación auxiliar.

ût = A1 yt−1 + · · · + Ap yt−p + CDt + B1 ût−1 + · · · + Bp ût−p + εt (1)

Aquí, el estadístico de prueba es: Lmh = T K − tr Σ̃−1

R Σ̃ε . Siendo, Σ̃R y
Σ̃ε , las matrices de varianza covarianza del modelo restringido y no
restringido, respectivamente.
h0 : B 1 = · · · = B h = 0
ha : Bi ̸= 0 ∀i = 1, 2, · · · , h

Clase 1 22 de March de 2024 41 / 67

 Estimación, especificación y uso

Validación del VAR: estabilidad

Dada la representación general de un VAR de orden p:

Yt = A0 + A1 Yt−p + ut , Se puede utilizar el operador de retardos para:

(In − A1 Lp ) Yt = A0 + ut
−1 −1
Yt = (In − A1 Lp ) A0 + (In − A1 Lp ) ut

Clase 1 22 de March de 2024 42 / 67

 Estimación, especificación y uso

[Link] <- [Link]([Link], [Link] = 12, type = "[Link]")

[Link]

##
## Portmanteau Test (asymptotic)
##
## data: Residuals of VAR object [Link]
## Chi-squared = 87.222, df = 72, p-value = 0.1069

[Link] <- [Link]([Link], [Link] = 12, [Link] = TRUE)

[Link]

##
## ARCH (multivariate)
##
## data: Residuals of VAR object [Link]
## Chi-squared = 336, df = 432, p-value = 0.9998

[Link] <- stability([Link], type = "OLS-CUSUM")

# plot([Link])

Clase 1 22 de March de 2024 43 / 67

 Estimación, especificación y uso

El pronóstico permite estudiar choques, convergenica, choques, escenarios. . .

# forecasting horizon
nhor <- 8

forecasts <- predict([Link], [Link] = nhor)

# plot(forecasts)
forecasts$fcst$p

## fcst lower upper CI

## [1,] 3.778510 1.09616436 6.460856 2.682346
## [2,] 3.992763 0.06843392 7.917093 3.924329
## [3,] 3.741698 -0.85424007 8.337637 4.595938
## [4,] 4.314391 -0.84426441 9.473047 5.158656
## [5,] 5.330331 -0.16879289 10.829456 5.499124
## [6,] 5.877094 0.24830470 11.505883 5.628789
## [7,] 5.968408 0.27891129 11.657905 5.689497
## [8,] 5.676017 -0.04873437 11.400768 5.724751

Clase 1 22 de March de 2024 44 / 67

 Estimación, especificación y uso

Forecast of series gap_gdp

0.00 0.05
−0.10

0 20 40 60 80

Forecast of series p
10
5
0

0 20 40 60 80

Forecast of series i
3.0
2.0
1.0

0 20 40 60 80

Clase 1 22 de March de 2024 45 / 67

 Estimación, especificación y uso

Pronóstico con VAR

Los pronósticos anteriores utilizan la dinámica estimada para anticipar el

movimiento futuro de todas las series, en embargo, es usual estar interasados
en simular escenarios:
Crecimiento económico dado una senda de tipo de interés.
Precio de un activo dado la evolución de un índice financiero.
Precios del petróleo dado un anuncio de recortes en la OPEC.
Todos estos escenarios requieren suponer la evolución futura de alguna de las
variables inclidas en el VAR, que pasa a considerarse exógena.

Clase 1 22 de March de 2024 46 / 67

 Estimación, especificación y uso

Residuos del modelo reducido

El problema del VAR para el análisis de políticas es la identificación de

choques, dado no son ortogonales.

Clase 1 22 de March de 2024 47 / 67

 Identificación del VAR: short run

Section 4

Identificación del VAR: short run

Clase 1 22 de March de 2024 48 / 67

 Identificación del VAR: short run

Modelo estructural

El modelo estructural captura las relaciones contemporáneas derivadas de la

teoria (B):

BYt = Γ0 + Γ1 Yt−1 + εt , εt ∼ N (M, Σε )

(I − Γ1 L) Yt = B (L) Yt = Γ0 + ϵt

Clase 1 22 de March de 2024 49 / 67

 Identificación del VAR: short run

Modelo estructural

Para obtener la representación del VAR(p), premultiplicamos el VAR

tradicional por matriz (B −1 ), donde se encuentran las restricciones
estructurales que impone la teoría económica o las relaciones contemporáneas
entre variables:

Yt = B −1 Γ0 + B −1 Γ1 Yt−1 + B −1 εt

Yt = A0 + A1 Yt−p + ut
 ′ ′
; A0 = B −1 Γ0 , A1 = B −1 Γ1 y ut = B −1 εt .

Siendo Yt = y1,t , y2,t

Clase 1 22 de March de 2024 50 / 67

 Identificación del VAR: short run

Modelo estructural

Ahora, verifique que ut = B −1 εt son combinaciones lineales de las

innovaciones estructurales de interés.

yt = (B −1 Γ0 ) + (B −1 Γ1 )yt−1 + B −1 ϵt

Clase 1 22 de March de 2024 51 / 67

 Identificación del VAR: short run

Modelo estructural

Supongamos un VAR2 (1):

yt = b10 + b11 zt + b12 yt−1 + b13 zt−1 + εyt

(2)
zt = b20 + b21 yt + b22 yt−1 + b23 zt−1 + εzt

Donde se asume la estacionariedad de yt y zt ; y corr (εyt , εzt ) = 0.

Esta ecuación aparece retroalimentación y no aparece en forma reducida por
la presencia de fefectos contemporáneos.

         
1 −b 11 yt b b b13 yt−1 ε
= 10 + 12 + yt (3)
−b 21 1 zt b20 b22 b23 zt−1 εzt

Clase 1 22 de March de 2024 52 / 67

 Identificación del VAR: short run

VAR estructural

Premultiplicamos por B −1 ,
        
yt b b b13 yt−1 ε
= B −1 10 + B −1 12 + B −1 yt
zt b20 b22 b23 zt−1 εzt
siendo:
 
1 −b 11
B= (4)
−b 21 1
 
−1 1 1 b11
B = (5)
1 − b11 b21 b21 1

Clase 1 22 de March de 2024 53 / 67

 Identificación del VAR: short run

Inversa de una matriz



a b
La inversa de una matriz M = , tal que MM −1 = I, es:
c d
h i
M −1 = |M|1
adj(A′ )
 
−1
h
1
i a c
M = ad−cd adj
b d
h i  d −b 
M −1 = ad−cd
1
−c a
Observe que necesitamos |M| = ̸ 0 y recuerde que el adjunto de una matriz es
una matriz de los determinantes que obtenemos al eliminar de la matriz
original la fila y columna expresada en la posición determinada.

Clase 1 22 de March de 2024 54 / 67

 Identificación del VAR: short run

Representación del VAR

Ahora, verifique que ut = B −1 εt son combinaciones lineales de las

innovaciones estructurales de interés.

yt = (B −1 Γ0 ) + (B −1 Γ1 )yt−1 + B −1 ϵt (6)
El VAR es una forma reducida (sistema de ecuaciones en que cada variable
endógena se expresa en funcion solo de las variables predeterminadas)
derivada de algún modelo estrutural (Londoño, 2005, p.5).

Clase 1 22 de March de 2024 55 / 67

 Identificación del VAR: short run

Representación del VAR

Finalmente, la forma del VAR es la siguiente:

yt = (B −1 Γ0 ) + (B −1 Γ1 )yt−1 + B −1 ϵt (7)

Ahora, los choques estructurales se definen por (ϵt = But . Donde B es una
matriz cuadrada, triangular inferior con (k 2 − k)/2.
 2 
σy σzy
donde: εt = But ∼ iid(0, BΣu B ′ ); Σ = .
σyz σz2

Clase 1 22 de March de 2024 56 / 67

 Identificación del VAR: short run

Estimación recursiva

Las estrategias recursivas solucionan las ecuaciones de forma recurrente, por

lo que, B será triangular y Σ será diagonal.
Esta matriz B se obtiene de Σ = BDB ′ (descomposición de Cholesky),
donde B es una matriz triangular inferior (con (k 2 − k)/2 restricciones), con
1 en su diagonal principal.
 2    
σy σzy a 0 a b
Σ= =
σyz σz2 b c 0 c

Clase 1 22 de March de 2024 57 / 67

 Identificación del VAR: short run

Descomposición de Cholesky

σy2
      2 
σzy a 0 a b a ab
Σ= = =
σyz σz2 b c 0 c ba b2 + c 2

a: σy2 = a2 ; a = σy
σ
b: σyz = ab = σy2 b; b = σyzy
σyz
c: σz2 = b 2 + c 2 ; c = σz − σy

[ Repaso en you tube] Ejercicio. Demuestre manualmente y en R que:

h i h ih i
1 2 1 0 1 2
=
2 13 2 3 0 3

Clase 1 22 de March de 2024 58 / 67

 Identificación del VAR: short run

Recuperando la matriz Cholesky.

library(svars)
[Link]([Link])

##
## Estimated B Matrix (unique decomposition of the covariance matrix):
## [,1] [,2] [,3]
## gap_gdp 0.005482301 0.00000000 0.0000000
## p -0.207022569 1.35282018 0.0000000
## i 0.012953629 0.03217047 0.1788011

Clase 1 22 de March de 2024 59 / 67

 Análisis estructural

Section 5

Análisis estructural

Clase 1 22 de March de 2024 60 / 67

 Análisis estructural

Análisis de VAR: impulse response

Un VAR(p) es invertibles (lo puedo escribir como unVAM(p)), al cumplir la
condición de estabilidad:

Yt = A0 + A1 Yt−1 + ut

Yt = A0 + A1 [A0 + A1 Yt−2 + ut−1 ] + ut

Yt = (Ik + A1 ) A0 + A21 Yt−2 + (A1 ut−1 + ut )

...

n−1
X
Yt = Ik + A1 + A21 + ... + An−1 Ai1 ut−i + An1 Yt−n


1 A 0 +
i=0

Clase 1 22 de March de 2024 61 / 67

 Análisis estructural

Análisis de VAR: impulse respons

Tomando la representación ma del var :

∞
X
Yt = u + Ai1 ut−i
i=0

Ai1 es la función de impulso respuesta al horizonte i de shocks. Siendo la

representación MA(p).

Yt = ut + Φ1 ut−1 + Φ2 ut−2 + ...

Clase 1 22 de March de 2024 62 / 67

 Análisis estructural

Estimar el SVAR incluyendo un quiebre estructural en 2020-q1.

library(svars)
[Link] <- [Link]([Link], SB = c(2020, 1))
# summary([Link])

[Link]$B

## [,1] [,2] [,3]

## gap_gdp 0.004930486 0.00000000 0.0000000
## p -0.186184954 1.21665365 0.0000000
## i 0.011649797 0.02893239 0.1608041

[Link]$Lambda

## [,1] [,2] [,3]

## gap_gdp 1 0 0
## p 0 1 0
## i 0 0 1

Clase 1 22 de March de 2024 63 / 67

 Análisis estructural

Restricciones de corto plazo en la matriz de efectos contemporaneos.

[Link]$B <- [Link]$B[, c(3, 2, 1)]

k <- ncol(data_svarS)
restMat <- matrix(rep(NA, k*k), ncol = k)
restMat[[Link](restMat)] <- 0
restMat

## [,1] [,2] [,3]

## [1,] NA 0 0
## [2,] NA NA 0
## [3,] NA NA NA

Clase 1 22 de March de 2024 64 / 67

 Análisis estructural

Impulso respuesta
ifr_lag <- 24
[Link] <- irf([Link], impulse = "i", response = "p",
[Link] = ifr_lag, boot = TRUE, , cumulative = FALSE)

0.5

0.0
ifr

−0.5

−1.0

0 5 10 15 20 25
retardos

Figure 9: Repuesta de los precios a un choque de política montaria, series trimestrales

2006-2023
Clase 1 22 de March de 2024 65 / 67
 Referencias

Section 6

Referencias

Clase 1 22 de March de 2024 66 / 67

 Referencias

Referencias

Lange, A.; Dalheimer, B.; Herwartz, H.; Maxand, S.; Riebl, H. (2023). Data-Driven
Identification of SVAR Models. Package ‘svars’. R Cran.
Londoño, Wbaldo. (2005). Modelos de ecuaciones simultaneas.
Lutkepohl, H. (2005). New introduction to multiple time series analysis. Berlin:
Springer-Verlag.
Hamilton, J. D. (1994). Time series analysis. Princeton University Press, Princeton.
Novales, A. (2016). Modelos vectoriales autoregresivos (VAR). Universidad Complutense
de Madrid.
[Link]. Plotting Time Series Statistics with ggplot2 and ggfortify.
Stock, J. H., and M. W. Watson. 2015. Introduction to Econometrics, Third Update,
Global Edition. Pearson Education Limited.
Zivot, E. (2000). Notes on Structural VAR Modeling.

Clase 1 22 de March de 2024 67 / 67