VECTORES

AUTORREGRESI
VOS
Modelos VAR
 Hasta ahora hemos estudiado modelos
uniecuacionales
 Ahora vamos a estudiar un modelo
multiecuacional que se llama modelos de
vectores autorregresivos (VAR)
 Un VAR es un modelo lineal de n variables
donde cada variable es explicada por sus
propios valores rezagados, más el valor
pasado del resto de variables.
 Los modelos VARs se utilizan a
menudo para predecir sistemas
interrelacionados de series de tiempo
y para analizar el impacto dinámico
de las perturbaciones aleatorias
sobre el sistema de las variables
TIPOS DE MODELO VAR
 Los modelos VAR puede ser de tres
tipos que son:
 1) El VAR de forma reducida o estándar
 2) El VAR recursivo
 3) El VAR estructural
 1)VAR de forma reducidas o estándar.
Expresa cada variable como una función
lineal de sus valores pasados, de los
valores pasados de las otras variables
del modelo y de los términos errores no
correlacionados
 2)VAR Recursivos. La variable del lado izquierdo
de la primera ecuación depende sólo de los
valores rezagados de todas las variables incluidas
en el VAR, en tanto la variable correspondiente
de la segunda ecuación depende de los rezagos
de todas las variables del VAR y del valor
contemporáneo de la variable de la primera
ecuación. Asimismo, la variable del lado izquierdo
de la tercera ecuación depende de los rezagos de
todas las variables y de los valores
contemporáneos de la primera y la segunda
variables
 3. VAR Estructurales. Utiliza la teoría económica
para ordenar la relación contemporánea entre las
variables
CARACTERÍSTICAS DE UN MODELO
VAR
1)El modelo VAR ofrece la posibilidad de
analizar las interrelaciones dinámicas
existentes entre un conjunto de
variables,
2)Utilizamos un modelo del tipo vector
autoregresivo (VAR) cuando queremos
caracterizar las interacciones
simultáneas entre un grupo de
variables.
3)Un VAR es un modelo de ecuaciones
simultáneas formado por un sistema de
ecuaciones
4)El conjunto de variables explicativas de
cada ecuación está constituido por un
bloque de retardos de cada una de las
variables del modelo.
5)Que sean ecuaciones no restringidas
significa que aparece en cada una de
ellas el mismo grupo de variables
explicativas
6)Pueden incluirse también como
variables explicativas algunas variables
de naturaleza determinista, como una
posible tendencia temporal, variables
ficticias estacionales.
7)Por último, podría incluirse como
explicativa una variable incluso en valor
contemporáneo, que pueda
considerarse exógena respecto a las
variables que integran el modelo VAR.
8)El modelo VAR es muy útil cuando
existe evidencia de simultaneidad entre
un grupo de variables, y que sus
relaciones se transmiten a lo largo de un
determinado número de períodos.
EJEMPLOS DE MODELOS VAR DE LA
FORMA REDUCIDA O ESTANDAR
1)Un modelo VAR con dos variables y con
dos rezagos de las variables: Y1t , Y2t
Y1t= a10+ a11 Y1t-1+ a12 Y1t-2+ a13 Y2t-1+ a14 Y2t-
2+u1t

Y2t= a20+ a21 Y1t-1+ a22 Y1t-2+ a23 Y2t-1+ a24 Y2t-
2+u2t

2) Un modelo VAR con dos variables y tres

rezagos para las variables Yt y Xt
Yt=α+ α1Yt-1+ α2 Yt-2+α3Yt-3 +β1Xt-1+ β2Xt-
2+β3Xt-3+ u1t

Xt=γ+γ1 Yt-1+γ2Yt-2+γ3Yt-3+δ1 Xt-1+ δ2 Xt-1 +δ3

 Un modelo VAR en forma sintética se
puede escribir así: para dos variables y j
rezagos

 Yt= α+ + +u1t

 Xt= δ+ + + u2t
EJEMPLOS DE MODELOS
VAR RECURSIVOS
 Ejemplo 1: de un modelo VAR recursivo
para las series de tiempo con un rezago
para las series: Yt, Xt,y Zt
 Yt= a0+a1Yt-1+a2xt-1+a3 zt-1 +u1t
 Xt= b0+b1Yt-1+b2xt-1+b3 zt-1 + b4 Yt+ u2t
 Zt= c0+c1Yt-1+c2xt-1+c3 zt-1 + c4 Yt+c5Xt+
u3t
 Ejemplo 2: de un modelo VAR recursivo
para las series de tiempo con un rezago
para las series: Yt, Xt, Vt y Zt
EJERCICIOS DE
APLICACIÓN
a) Escribir un modelo Var estándar con
las siguientes variables: Mt y Nt con
tres periodos de rázago
b) Escribir un modelo Var estándar con
las siguientes variables: Mt, Nt y Qt con
dos periodos de rázago
c) Escribir un modelo Var estándar con
las siguientes variables: Yt, Xt,Zt y Vt
con dos periodos de rázago
d) Escribir un VAR recursivo para las
variables: Mt, Yt, Xt,Zt y Vt, con un
rezago
ALGUNAS CONSIDERACIONES SOBRE
LA ESTIMACIÓN DEL MODELO VAR
 Como puede verse, en un modelo VAR
todas las variables son tratadas
simétricamente, siendo explicadas por
el pasado de todas ellas.
 El modelo tiene tantas ecuaciones como
variables, y
 los valores retardados de todas las
ecuaciones aparecen como variables
explicativas en todas las ecuaciones.
 En el modelo VAR pueden estimarse con
bastante precisión los elementos globales del
modelo, como el R2; la desviación típica
residual, y los mismos residuos,
 o el efecto global de una variable sobre otra,
lo que se resume en los contrastes de
causalidad que veremos más adelante.
 Sin embargo, no cabe hacer
interpretaciones de coeficientes
individuales en distintos retardos, ni llevar
a cabo contrastes de hipótesis sobre
coeficientes individuales, salvo en los
modelos VAR recursivos
EJERCICIOS DE
APLICACIÓN
1) ¿En el modelo VAR estándar se aplica o
no la prueba t-Student para probar si un
rezago explica o no a la variable
endógena respectiva?
2) ¿Que Prueba de significación es valida en
el modelo VAR?
3) ¿Se interpretan o no los coeficientes o
parámetros estimados en el modelo VAR?
4) ¿Cuántas ecuaciones tendrá un modelo
VAR estándar que tiene 7 variables.
5) ¿Cuantos parámetros tendrá un modelo
VAR de cuatro variables y tres rezagos?
CONTRASTES O PRUEBAS DE
ESPECIFICACIÓN EN EL VAR
 Las pruebas para examinar la especificación
del modelo VAR son los siguientes
1) Determinación del retardo optimo del VAR
2) Análisis de la estructura del retardo del VAR
 Prueba de estabilidad de la raíz del polinomio
característico (con el objeto de predicción y
su aplicación en política económica)
 Prueba grafica de la raíz del polinomio
característico
 Prueba de causalidad de Granger
 Prueba de exclusión del retardo
3) Diagnostico de los residuos del VAR
 Prueba de autocorrelacion
 Prueba de normalidad de los residuos
 Prueba de heteroscedasticidad
ESTIMACIÓN DEL MODELO
VAR
 El procedimiento en general para estimar el
modelo VAR es el siguiente:
 Primero: se determina la estacionariedad de
la serie. Si la serie es no estacionaria se
diferencia la serie hasta convertirlo en
estacionaria
 Segundo: se estima el modelo VAR para el
numero de rezagos que indica la teoría
 Tercero: Se termina el rezago optimo
 Cuarto: Análisis de la estructura del retardo
 Quinto: diagnostico del VAR
 Sexto: Estimación del Impulso respuesta
 Séptimo: descomposición de la varianza
ESTIMACIÓN DEL MODELO
VAR
 Primero, se prueba la estacionariedad de las
series de tiempo del VAR, si la serie de tiempo
es no estacionaria, entonces se halla la
primera, la segunda hasta convertir la serie de
tiempo en estacionaria
 Segundo se estima el modelo para el numero de
rezagos que se indica a continuación:
 REGLA: El número de retardos P depende de la
frecuencia de los datos:
 Para datos anuales seleccione 3 retardos, P=3,
 Para datos trimestrales seleccione 6 u 8 retardos,
P=6 ó P=8 y
 Para datos mensuales seleccione de 12 a 18
retardos, P=12 ó P=18.
 Tercero: Se termina el rezago optimo, con el
objeto de que los residuos sean ruido
blanco
 Las herramientas para seleccionar el retardo
óptimo
 Estadísticos :
 LR Estadístico de Relación de Probabilidad
 Criterios:
 AIC Criterio de Información de Akaike
 SC Criterio de Información de Schwarz
 HQ Criterio de Información de HannanQuinn
 FPE Predicción Final del Error
DETERMINACIÓN DEL
RETARDO OPTIMO DEL VAR
 La longitud del retardo no puede ser ni
muy corto ni muy largo. Si el retardo es
muy corto probablemente no se capture
completamente la dinámica del sistema
que está siendo modelado. Por otra
parte, si es demasiado largo, se corre el
riesgo de perder grados de libertad y
tener que estimar un número muy
grande de parámetros.
 El retardo óptimo es esencial por cuanto
es la base para el cálculo del número de
vectores de cointegración
 instrumentos para seleccionar el retardo
óptimo
 Estadísticos: LR Estadístico de Relación
de Probabilidad
 Criterios:

AIC: Criterio de Información de Akaike

SC: Criterio de Información de Schwarz
HQ: Criterio de Información de Hannan
Quinn
FPE: Predicción Final del Error
EJERCICIOS DE
APLICACIÓN
 1) ¿Que criterios se utiliza para
determinar el rezago optimo en modelo
VAR?
 2) ¿Si en la prueba del rezago optimo,
tres criterios nos indican que el rezago
optimo es dos y los otros dos no indican
que el rezago optimo es 3, cual serie el
rezago optimo del modelo VAR que esta
estimando?
3) ¿Con que objeto se determina el
rezago optimo en el VAR?
4) ¿Cuales son los criterios que se utiliza
Cuarto: Análisis de la estructura del retardo, en
este punto se analiza los siguientes aspectos
 La estabilidad del VAR:
 Con el propósito de que el VAR se utilizado en
decisiones de política económica
 La prueba de causalidad de Granger:

Con el objeto de que en el VAR una variable

puede ser tratado como una variable exógena
 La prueba de exclusión de retardos:

Esta prueba analiza si los retardos tienen algún

efecto significativo o no (en forma individual o
conjunta) sobre el sistema del VAR
 Prueba grafica de la raíz del
polinomio característico
 La grafica de la raíz inversa del
polinomio, todos los valores deben caer
dentro del circulo unitario característico
del VAR, esto sirve como ya se dijo
como un chequeo o comprobación de la
estabilidad del sistema VAR
PRUEBA DE CAUSALIDAD
DE GRANGER
 Realiza una prueba de causalidad para
determinar si una variable endógena
puede ser tratada como una variable
exógena, esta se hace mediante el
estadístico de Chi cuadrado de Wald,
tomando variables por parejas
PRUEBA DE EXCLUSIÓN
DE RETARDOS
 Esta prueba analiza si los retardos
tienen algún efecto significativo o no en
forma individual o conjunta sobre el
sistema VAR
Quinto: diagnostico del VAR, Se efectúan las
siguientes pruebas sobre los residuos del VAR
 La prueba de normalidad de los
residuos
La prueba de normalidad de jarque Bera
 Prueba de autocorrelacion:

se deben realizar las siguientes pruebas

 La prueba del correlograma para
autocorrelacion
 La prueba de autocorrelacion de
Parmanteau
 La prueba Breusch pagan
 La prueba de heteroscedasticidad
La prueba del diagnostico del Var y el
rezago optimo del VAR nos permiten
efectuar la cointegracion del VAR
 Prueba de cointegracion del VAR
DIAGNOSTICO DE LOS
RESIDUOS DEL VAR
 Prueba de normalidad de los residuos
 Se utiliza el estadístico de JB que es una
prueba asintótica de normalidad para
grandes muestras, se prueba si cada
uno de los residuos del VAR tienen una
distribución normal, también se efectúa
una prueba conjunta para los residuos
Prueba de auto correlación.-
Se utiliza la prueba de Breusch Godfrey
para detectar autocorrelacion de
cualquier orden , especialmente en
aquellos modelos con sin variables
dependiente retardadas, permite
determinar si existe correlación en los
residuos hasta un determinado orden
 Prueba de heteroscedasticidad.-
 Se utiliza la prueba de White para
heteroscedasticidad sin términos
cruzados ; esta aprueba da resultados
para todos los residuos en forma
conjunta y para cada residuo
IMPULSO RESPUESTA
 Las funciones de respuesta al impulso generan
una gran cantidad de números, pues se calcula el
impacto que, en cada instante futuro tendría,
sobre cada variable del modelo, un impulso en
una determinada innovación(ut), y ello puede
repetirse para las innovaciones en cada una de
las ecuaciones.
 Por eso, suelen representarse en varios gráficos,
cada uno de los cuales incluye las respuestas a
través del tiempo, de una determinada
variable a un impulso en cada una de las
innovaciones; de este modo se tiene tantos
gráficos como variables en el modelo, cada uno
de ellos conteniendo tantas curvas como
variables.
 Se calculan las respuestas normalizadas
a un impulso de tamaño igual a una
desviación típica en cada
innovación
 A partir de las funciones impulso-
respuesta se puede analizar:
 El signo,
 La intensidad,
 El “timing”(sincronización) y
 La persistencia, que cada una de las
innovaciones estocásticas tienen sobre
las variables del modelo.
POR EJEMPLO
Y1t= a10+ a11 Y1t-1+ a12 Y1t-2+ a13 Y2t-1+ a14 Y2t-
2+u1t

Y2t= a20+ a21 Y1t-1+ a22 Y1t-2+ a23 Y2t-1+ a24 Y2t-
2+u2t

 Si u1t se incrementa en una desviación

estándar entonces este hecho afectara
∆ Y1t
a Y1t
∆ Y1t+1 …
∆u1t
y también a Y2t
∆ Y2t ∆ Y1t+1
…
 Si u2t se incrementa en una desviación
estándar entonces este hecho afectara
a Y2t
y también a Y1t

∆ Y2t ∆ Y2t+1 …

∆u2t
∆ Y1t ∆ Y1t+1 …
DESCOMPOSICIÓN DE LA
VARIANZA
 La descomposición de la varianza,
define que parte de la variación de una
variable es causada por las
innovaciones definidas en un VAR.
 A partir de la descomposición de la
varianza se puede estudiar el peso
relativo de cada residuo o innovación
en la variabilidad temporal de las
variables endógenas del modelo.
 La descomposición de la varianza.
informa en distintos horizontes del
tiempo el porcentaje de volatilidad que
registra una variable por los choques
de las demás. Es decir, indica la
proporción del efecto que, en forma
dinámica, tienen todas las
perturbaciones de las variables sobre
las demás.