Hipotesis y objetivos 1

14.384 Analisis de series de tiempo, Fall 2007

Profesora Anna Mikusheva
Paul Schrimpf, scribe
Octubre 4, 2007
revisado Octubre , 2012

Lectura 12-13

VAR estructural

Hipotesis y objetivos
Esta lectura trata sobre la macroeconoma aplicada. Este no es un curso de macroeconoma
,asi no detallaremos acerca de la exactitud de los supuestos macroeconomicos. Sin embargo
trataremos de separar claramente asuntos econometricos con los macroeconomicos.

Historia
Fue Sims (1980) con su articulo basicamente filosofico Macroecomics and Realityquien
introdujo el concepto de VAR. La practica comun en esos tiempos era estimar grandes
modelos macroeconomicos con muchas ecuaciones y muchas restricciones .Sims arguyo
que que esas restricciones son con frecuencia irrealistas. Por lo tanto introdujo el analisis
VAR como una alternativa.

Objetivos del analisis VAR

Estimar las relaciones causales ,por ejemplo, Como los shocks monetarios afectan
la produccion?

Realizar el analisis de polticas economicas ,por ejemplo Como la FED ajustara la

tasa de interes para obtener el deseado cambio en el PBI ?

Evaluar las polticas economicas ,por ejemplo Probar el modelo RBC contra los
modelo neo-keynesianos por mencionar un problema.El modelo RBC implica que
un shock permanente en la productividad laborar incrementa las horas laborales .El
modelo neo-keynesiano indica lo contrario.

Citar como: Anna Mikusheva, materiales de curso para Analisis de Series de Tiempo 14.384, Fall 2007. MIT
OpenCourseWare (http://ocw.mit.edu) , Instituto de Tecnologa de Massachusetts. Descargado en (DD Mes YYYY).
2 0.0.

El primer paso en la estimacion EDGE (equilibrio general estocastico, tambien abre-

viado como DSGE por su significado en ingles) para parametros ocultos ,por ejemplo
,estimar el VAR con datos reales y encontrar los estimados con los valores teoricos
para recuperar los parametros del modelo. estructurales.

Plan del analisis VAR

1. Estimar por MCO A(L)Yt = et un VAR(p)

2. Invertir el VAR para obtener un M A()

Yt = C(L)et

3. Aplicar los supuestos de identificacion para encontrar un matriz D tal que Dut = et
donde ut es orto-normal ,es decir Eut u0t = It ,serialmente no correlacionado ,y tiene
una interpretacion estructural (tambien dicho como puede ser interpretado como
shock)

4. Calcular el impulso-respuesta de Yt = C(L)u

e t , donde Cj = DCj .
e

Supuestos detras de VAR

Estacionalidad (no cambios de regimen)-todos los parametros son estables .Esto es

importante y complicado para el analisis de polticas economicas. La critica de Lucas
dice que si cambias la poltica economica ,las personas cambiaran sus expectativas
y comportamientos, as los coeficientes de nuestro VAR cambiaran.

Linealidad.

Orden finito del VAR. Algunas personas argumentan que no es importante que
el verdadero modelo tenga un orden finito de VAR. Dicen que siempre podemos
anadir mas retrasos segun el tamano de la muestra se incremente.Sin embargo , en
la practica, las personas usan solamente , cuatro rezagos , en la estimacion. Dado el
tamano de la muestra disponible, podremos usar mas rezagos.

Los errores de prediccion {et } abarcan el espacio de los shocks estructurales- este es
un supuesto economico con el cual podremos utilizar la teora consiguiente.

Citar como: Anna Mikusheva, materiales de curso para Analisis de Series de Tiempo 14.384, Fall 2007. MIT
OpenCourseWare (http://ocw.mit.edu) , Instituto de Tecnologa de Massachusetts. Descargado en (DD Mes YYYY).
Hipotesis y objetivos 3

Identificacion

Ahora ,empezaremos pensando en la identificacion. Para nuestra regresion MCO obtene-

mos los .errores de prediccionet con la matriz de varianza-covarianza Eet e0t = que es un
k(k+1)
a matriz simetrica k por k ,definida positiva , y tiene 2
parametros unicos. Deseamos
recuperar ut , el cual puede ser etiquetado como shocks estructurales.Se relacionan con
et = Dut . Usualmente aplicaremos dos tipos de supuestos 1) Los shock estructurales son
ortogonales uno al otro ;2)Normalidad (decimos que la varianzas son iguales a 1)). Esto
implica que D debe satisfacer DD0 = ,donde D es un matriz de orden (k k) as hay
k 2 parametros libres. Por tanto calcular el numero de parametros libres y el numero de
k(k1)
restricciones necesitara 2
restricciones de identificacion.

La identificacion puede ser alcanzada, en general, por dos tipos de restricciones : el corto
y el largo plazo.

Restricciones de corto plazo

Un tipo de restricciones de corto plazo es llamado .orden del mundo (en ingles world
ordering) y basada en variables ordenadas VAR, de acuerdo a la velocidad de reaccion a
los diferentes shocks.

Ejemplo 1: Supongamos que tenemos tres variables en el vector Yt : precios pt ,ingreso yt y

dinero mt para los cuales los residuos MCO (errores de prediccion)son ept , eyt yem
t .Deseamos
encontrar la matriz D que nos de los shocks estructurales (habra tres de ellos) upt , uyt yum
t
y
,Usted puede etiquetarlos ,llamando um
t como un shock monetario ut como un shock
2

de oferta.En general.

upt upt

? ? ?
y y
ut = ? ? ? ut (1)
umt ? ? ? umt

Asumamos que el shock monetario puede influir en la produccion solamente con rezagos
(por lo tanto la respuesta inmediata de la produccion al shock monetario es cero).

Citar como: Anna Mikusheva, materiales de curso para Analisis de Series de Tiempo 14.384, Fall 2007. MIT
OpenCourseWare (http://ocw.mit.edu) , Instituto de Tecnologa de Massachusetts. Descargado en (DD Mes YYYY).
4 0.0.

upt upt

? ? ?
y y
ut = ? ? 0 ut (2)
umt ? ? ? umt

Ahora apliquemos un supuesto de la tradicion keynesiana que los precios responden inac-
tivamente a todos los shocks ,sino a los propios .

upt upt

? 0 0
y y
ut = ? ? 0 ut (3)
umt ? ? ? umt

Esas tres restricciones son las que necesitamos en el ejemplo par la identificacion.

Generalmente, el ordenar el mundo lleva al caso de D triangular. Una forma de estimar

D es encontrar D por descomposicion de Cholesky de .

El tratamiento de las restricciones de exclusion como variable instrumental.

A pesar de que la realizacion de la descomposicion de Cholesky es facil, es util pensar

metodos diferentes para implementar la restriccion estructural, es decir, como condiciones
de momentos GMM (o regresion IV en este caso). Recuerde, lo que tenemos:
Yt = At Yt1 + + Ap Ytp + et ; et = Dut
esto es,
D1 Yt = D1 At Yt1 + + D1 Ap Ytp + ut = B1 Yt1 + + Bp Ytp + ut , (4)

0 0
donde Bi = D1 Ai . Nos impusimos la condicion de identificacion que D = 0 es

1
una matriz diagonal inferior. Pero entonces D es tambien una matriz diagonal inferior,
asumiendo que dij son los elementos de D1 . La ecuacion (1) significa que

d11 pt
d12 pt + d22 yt = B1 Yt1 + + Bp Ytp + ut ,


d13 pt + d23 yt + d33 mt

Citar como: Anna Mikusheva, materiales de curso para Analisis de Series de Tiempo 14.384, Fall 2007. MIT
OpenCourseWare (http://ocw.mit.edu) , Instituto de Tecnologa de Massachusetts. Descargado en (DD Mes YYYY).
Hipotesis y objetivos 5

con supuestos adicionales como que ut no esta correlacionada con el tiempo y que di-
ferentes valores de ut no se correlacionan entre s tampoco. Tambien hay suposicion de
normalizacion que V ar (ut ) = I3 . Esto sugiere un plan de estimacion:

p
Paso 1: Ejecutar un modelo MCO de q pt en Yt1 , , Ytp , tomamos los residuos ut , re-
normalizamos para definir d11 = 1/ T1 t (upt )2 , y upt = d11 upt ,esto impone varianza igual
a 1.

Paso 2: Deseamos ejecutar una regresion de yt en pt y Yt1 , , Ytp . Desafortunadamen-

te la regresion MCO no funciona en este caso, ya que pt es endogena (!!!). Pero nosotros
tenemos un instrumento: ut (piense porque este es un instrumento! esta este correla-
cionado con pt ? esta este correlacionado con uyt ?) As nosotros ejecutamos la regresion
IV de yt en pt y Yt1 , , Ytp con el instrumento upt para pt . Nosotros tenemos preli-
minarmente un coeficiente a en el regresor pt . Encontramos los residuos de q
la regresion
IV y re-normalizamos todo para imponer V ar (ut ) = 1. Llamando d22 = 1/ T1 t (uyt )2 ,
y

uyt = d22 ut , d12 = ad22 .

Paso 3: Nosotros queremos regresionar mt en pt , yt y Yt1 , , Ytp . Ahora nosotros te-

nemos dos regresores endogenos: yt y pt y dos instrumentos uyp y uyt . Procedemos de una
manera similar al paso 2.

Como una salida del procedimiento anterior tenemos una serie ut , la matriz D1 y
B1 , , Bp . Para obtener los impulso-respuestas solo podemos invertir los VAR como
antes, o ir por la va alternativa: podemos retroceder Yt en utj y obtener Cj como coefi-
cientes de MCO (argumente por que debera funcionar!).

Rompecabezas

Otra forma de imponer restricciones a corto plazo es cuando uno sabe algunas relaciones
constantes. Por ejemplo, el gasto publico se ve afectado por un choque de salida solo a
traves de los impuestos (si se asume que todos los impuestos se gastan cada perodo). Si
conoce el tipo impositivo marginal, puede imponer esta constante. En el pasado, muchas
personas escribieron papers que utilizan VARs para identificar varios puzzles. Entre los
puzzles conocidos hay uno que se llama price puzzle:

Citar como: Anna Mikusheva, materiales de curso para Analisis de Series de Tiempo 14.384, Fall 2007. MIT
OpenCourseWare (http://ocw.mit.edu) , Instituto de Tecnologa de Massachusetts. Descargado en (DD Mes YYYY).
6 0.0.

0
Ejecutamos un VAR con Yt = (it , t ) , donde it es la tasa de interes de fondos
federales y t es la inflacion.

Identificacion: definir un shock monetario como un cambio inesperado de la tasa de

fondos federales, es decir um i
t = et o
! ! !
um
t 0 eit
=
u2t et
.

Lo que usted puede encontrar despues de producir impulso-respuesta es: la cada

de la tasa de fondos federales (shock monetario positivo, dinero facil) conduce a la
cada de la inflacion en lugar de elevarse! Esta es la direccion opuesta a lo que nos
gustara pensar!

Sims explico esto diciendo que la FED utiliza muchas otras variables al momento de elegir
la tasa de fondos federales. Cuando estas variables apuntan a un aumento de la inflacion,
la FED podra elevar la tasa para luchar contra la inflacion (shock monetario negativo).
Entonces la inflacion aumenta (aunque presumiblemente por menos de lo que tendra si
la FED no haba aumentado la tasa), y se ve como una contraccion de la oferta mone-
taria provoco un aumento de la inflacion. Recuerda nuestra discusion sobre predicciones
racionales y revisar las expectativas que buscan? Puede parecer que la causalidad sea
inversa.

Una posible solucion a esto sera anadir mas variables a su VAR. Sin embargo, el numero
de parametros a estimar es el numero de retardos en el tiempo de los cuadrados de las
variables. Esto superara rapidamente la longitud de los datos disponibles. Una solucion
mas practica es el analisis factorial, el cual sera cubierto proxima lectura.

Restricciones de largo plazo

Introducido por Blanchard y Quah (1989). Ellos hicieron un VAR con dos variables,
0
primera diferencias del empleo y el desempleo, esto es Yt = (yt , ut ) :

X
Yt = A1 Yt1 + + Ap Ytp , donde Cj etj
j=0

Citar como: Anna Mikusheva, materiales de curso para Analisis de Series de Tiempo 14.384, Fall 2007. MIT
OpenCourseWare (http://ocw.mit.edu) , Instituto de Tecnologa de Massachusetts. Descargado en (DD Mes YYYY).
Hipotesis y objetivos 7

Tenan dos shcoks, uno que ellos llamaban un shock de oferta y otra que ellos llamaban
un shock de demanda. Vamos a denotar los choques de oferta y demanda como vts y vtd .
Esto es ! !
!
vts yt X s
vtj
et = D ; = Cj ,
vtd ut j=0
d
vtj
Donde Cj = Cj D. La identificacion viene de la suposicion de que solo choques de oferta
puede tener un efecto permanente en la produccion. Ademas, ambos choques solo tienen
efectos temporales sobre el desempleo (esto se impone implcitamente por el hecho de que
se estima el VAR con el desempleo en niveles). Supongamos por simplicidad que
(1)
!
cj
Cj = (2) .
cj
!
s
vtj
Considere el impulso-respuesta de yt como d
. Nosotros sabemos que yt = yt1 +
vtj
Pj1
yt = ytj + i=0 yti as
j
yt X (1)
!= cj
s
v i=1
tj d
vtj

X (1)
cj
i=1

Nuestro restriccion de identificacion es que

" #
X j11 0
cj =
i=1
j21 j22

P
=(
P 1
P j
Notar que i=1 cj i=1 Cj )D = C(1)D = (I2 A(1)) D donde C(L) = i=1 Cj L =
1
(I A(L)) ,

" # " #
yt yt1
= A(L) + et (5)
ut ut1
es la regresion VAR. As el plan es el siguiente
Paso 1 Ejecutar regresion MCO Yt = At Yt1 + ... + Ap Yt p + et , obtener los coeficientes
de MCO A1 , ..., Ap y la varianza de los residuos de . !
0
Paso 2 Encuentra D talque (I2 pj=1 Aj )1 D = y = DD0 .

Citar como: Anna Mikusheva, materiales de curso para Analisis de Series de Tiempo 14.384, Fall 2007. MIT
OpenCourseWare (http://ocw.mit.edu) , Instituto de Tecnologa de Massachusetts. Descargado en (DD Mes YYYY).
8 0.0.

La implementacion de restricciones de largo plazo como IV

Este problema de identificacion, sin embargo tambien se puede resolver como una regresion
IV. De nuevo, el problema es

Yt = At Yt1 + ... + Ap Yt p + et ; et = Dvt

!
0
con la restriccion (I pj=1 Aj )1 D = y = DD0 .

Volveremos a escribirlo como

D1 Yt = D1 At Yt1 + ... + D1 Ap Yt p + vt

B0 Yt = B1 At Yt1 + ... + Bp Ap Yt p + vt (6)

!
(L) (L)
donde B0 = D1 y B1 = D1 Ai . Dejar B(L) = B0 B1 L ... Bp Lp =

!
yt
entonces la condicion es identificar (1) = 0. En nuestro caso Yt = . Escribamos
ut
la primera ecuacion en (2):

yt + ut = 1 yt1 + ... + p ytp + 1 ut1 + ... + p utp + vts ,

Por lo tanto, nos encantara correr una regresion

yt = ut 1 yt1 + ... + p ytp + 1 ut1 + ... + p utp + vts ,

pero tambien tenemos que imponer la restriccion pi1 i = 0. Esto nos da

yt = ut 1 yt1 + ... + p ytp 1 (ut ut1 ) ... p (ut utp ) + vts .

Ahora note que ut ut1 = ut , ut ut2 = ut +ut1 , ..., ut ut1 = ut +...+utp+1 .

Entonces nuestra regresion con la restriccion impuesta es

yt = yt1 + ... + ytp ep utp+1! + vts ,

e1 ut ...

donde
e1 = 1 + ... + p ,
e2 = 2 + ... + p , etc. El problema de funcionamiento de la
regresion(3) es que el regresor ut es endogena, la idea es utilizar ut1 , ..., utp como
instrumentos. Una vez que se corre (3) como una regresion IV, el consigue residuos vts que
pueden ser usados como instrumentos sobre la segunda ecuacion: que es una regresion de
ut sobre yt y p rezagos de ambos ut y yt .

Citar como: Anna Mikusheva, materiales de curso para Analisis de Series de Tiempo 14.384, Fall 2007. MIT
OpenCourseWare (http://ocw.mit.edu) , Instituto de Tecnologa de Massachusetts. Descargado en (DD Mes YYYY).
Hipotesis y objetivos 9

Ejemplos

Rey, Plosser, Rebelo y Watson (1991) - neutralidad del dinero de largo plazo

Gali (1999) la tecnologa es el unico choque que tiene un efecto permanente en la

productividad

Crticas a las restricciones de largo plazo

Fausto y Leeper (1997): efecto de largo plazo se estima mal en muestras finitas. Lar-
go - plazo restricciones de transferencia esta incertidumbre para otros parametros.
Que hipotesis necesitamos para estimar un efecto de largo plazo de una muestra
finita?
P
Si sabemos que el proceso es AR(p), entonces siempre podemos estimar t=1 Ct =
(1 pj=1 Ap ), donde Aj son los coeficientes autoregresivos.
P

Y si pensamos que un AR(p) es solo una aproximacion, y el verdadero pro-

ceso es un AR()? Si el proceso es en general M A(), entonces no podemos
estimar el
P
t=1 Ct constantemente porque siempre podramos tener el CT +1
grande (mas formalmente Fausto y Leeper consiguen una casi observacional-
mente igual). Otra forma de verlo es que si tenemos algunas arbitrarias como
un AR(), a(L) o un aproximado a(L) de orden p, entonces podemos estimar
consistentemente a(L) por a(L) dejando lentamente p , pero el efecto de
largo plazo es a(1)1 , no es una funcion continua de a(L) en L2 , por lo que
a(1)1 no tiene que acercarse a a(1)1 .

Hay dos soluciones al problema: o se adhiere a la creencia de que el verdadero proceso

es AR(p), o re-definir largo plazocomo diciendo diez anos.

Otro papel fundamental es el deCooley y Dwyer (1998). Que simula datos con
parametros AR muy persistentes y largo plazo con VAR, que es una estimacion
estructural en el. Demostro que el resultado puede ser muy enganoso. La razon de
esto es que la raz de unidad es un punto de discontinuidad para una restriccion de
largo plazo. Tipo IV de estimacion corresponde a IV debil.

La crtica mas reciente es de Chari, Kehoe y McGrattan (2005). Simulo los datos de
un modelo con una representacion V AR() con coeficientes que declina lentamente

Citar como: Anna Mikusheva, materiales de curso para Analisis de Series de Tiempo 14.384, Fall 2007. MIT
OpenCourseWare (http://ocw.mit.edu) , Instituto de Tecnologa de Massachusetts. Descargado en (DD Mes YYYY).
10 0.0.

y demostro que estimar un SVAR con restricciones de largo plazo de este modelo
da inferencias enganosas.

Christiano, Eichenbaum y Vigfusson (2006) respondieron por encima al papel de

dos maneras: 1) Demostraron que el modelo de Chari, Kehoe y McGrattan no es
relevante y es fuertemente rechazado por los datos. 2) Ademas, demuestran que si
se utiliza un estimador de tipo de Newey-West para estimar la respuesta a largo
plazo, el VAR funciona mucho mejor, incluso para el modelo de CKM.

Citar como: Anna Mikusheva, materiales de curso para Analisis de Series de Tiempo 14.384, Fall 2007. MIT
OpenCourseWare (http://ocw.mit.edu) , Instituto de Tecnologa de Massachusetts. Descargado en (DD Mes YYYY).