Modelo VAR

Fundamentos del Análisis VAR:

El modelo VAR, o modelo de vectores autorregresivos, surge cuando ya no resulta creíble tratar a una sola variable como
claramente exógena y a la otra como puramente dependiente. En muchos problemas económicos, las variables se determinan
conjuntamente: lo que hoy pasa en una variable puede afectar a la otra, y al mismo tiempo el comportamiento de la segunda puede
retroalimentar a la primera.

Esa es la idea central del VAR: abandonar la asimetría entre variables y tratarlas de manera simétrica. En vez de preguntar
“qué variable explica a cuál”, el VAR pregunta cómo se mueven juntas las variables a lo largo del tiempo.

1. Endogeneidad simultánea:
La expresión endogeneidad simultánea significa que dos o más variables se determinan al mismo tiempo dentro del sistema. No
hay una dirección única de causalidad, sino una retroalimentación contemporánea. En el caso de dos variables, 𝑌! y 𝑍! , esto quiere
decir que:

§ 𝑌! puede afectar a 𝑍! en el mismo instante,

§ y 𝑍! puede afectar a 𝑌! también en el mismo instante.

Ese “al mismo tiempo” es importante. No estamos hablando solo de efectos rezagados, sino de efectos contemporáneos.

Cuando existe endogeneidad simultánea, los regresores contemporáneos están correlacionados con los términos de error. Eso hace
que aplicar MCO directamente a la forma estructural no sea apropiado, porque los estimadores serían inconsistentes.

2. Comparación con el Modelo de Intervención y MFT:

§ Modelo de Intervención → El modelo de intervención se usa para medir el efecto de un evento puntual o de un cambio exógeno
sobre una serie temporal. La lógica es: un evento externo ocurre en un punto del tiempo, y queremos ver cómo altera el
comportamiento de la serie, es decir, “algo ocurre afuera y afecta a la serie”. En el VAR, no hay una variable puramente externa
dominante, todas las variables del sistema se tratan como endógenas. “Las variables del sistema se afectan mutuamente entre
sí”.

§ Modelo de Función de Transferencia (MFT) → también es dinámico, pero su lógica es diferente del VAR. El MFT estudia cómo los
movimientos de una variable exógena 𝑋 se transfieren dinámicamente a una variable endógena 𝑌. En el MFT una variable explica
a otra de forma dinámica, sin ida y vuelta. En el VAR, en cambio, varias variables se explican entre sí de forma dinámica y
simultánea.

Representaciones del Modelo VAR:

Un VAR parte de una idea muy simple pero muy potente: si no queremos imponer que una variable sea exógena y la otra
endógena, entonces tratamos a todas las variables del sistema de manera simétrica. Eso significa que cada variable puede depender
de sus propios rezagos y de los rezagos de las demás, y en la forma estructural incluso puede haber efectos contemporáneos entre
ellas.

En el caso de dos variables, el VAR se puede entender en dos niveles:

1. Forma estructural: muestra la lógica económica contemporánea del sistema.

2. Forma reducida o estándar: elimina la simultaneidad contemporánea y deja un sistema estimable por MCO.

Después, a partir de la forma reducida, podemos construir la matriz de varianzas y covarianzas de los shocks 𝑒"! y 𝑒#! .

1. Forma Estructural (Sistema Primitivo):

 1.1. La idea económica detrás
La forma estructural es la representación más cercana al “mecanismo económico” que se supone está generando los datos. En ella,
las variables pueden afectarse en el mismo período, no solo con rezagos. Para dos variables 𝑌! y 𝑍! , la fuente la escribe como:

𝑌! = 𝑏"$ − 𝑏"# 𝑍! + 𝛾"" 𝑌!%" + 𝛾"# 𝑍!%" + 𝜀&!

𝑍! = 𝑏#$ − 𝑏#" 𝑌! + 𝛾## 𝑌!%" + 𝛾#" 𝑍!%" + 𝜀'!

Acá lo importante es ver que:

§ 𝑌! depende contemporáneamente de 𝑍! ,
§ 𝑍! depende contemporáneamente de 𝑌! ,
§ y ambas dependen también de sus rezagos y de los rezagos de la otra.

Eso es lo que se llama endogeneidad simultánea.

1.2. Qué representa cada parte:
Los parámetros tienen este sentido:

§ 𝑏"$ , 𝑏#$ : constantes.

§ 𝑏"# : efecto contemporáneo de 𝑍! sobre 𝑌! .
§ 𝑏#" : efecto contemporáneo de 𝑌! sobre 𝑍! .
§ 𝛾"" , 𝛾"# , 𝛾#" , 𝛾## : efectos dinámicos de los rezagos.
§ 𝜀&! , 𝜀'! : shocks estructurales o innovaciones puras.

La fuente supone que 𝜀&! y 𝜀'! son ruido blanco y no están correlacionados entre sí.
1.3. Forma matricial de la forma estructural:
Definimos:
𝑌 𝜀&!
𝑋! = . ! / , 𝜀! = 0𝜀 1
𝑍! '!

y las matrices:
1 𝑏"# 𝑏 𝛾"" 𝛾"#
𝐵=. / , Γ$ = . "$ / , Γ" = 0𝛾 𝛾#" 1
𝑏#" 1 𝑏#$ ##

Entonces la forma estructural queda:

𝐵𝑋! = Γ$ + Γ" 𝑋!%" + 𝜀!

1.4. Para qué sirve la forma estructural:
La forma estructural sirve para interpretar económicamente la simultaneidad. Es la forma que contiene los efectos contemporáneos
y, por lo tanto, es la que está más cerca de la causalidad económica que uno quiere estudiar.

Pero tiene un problema decisivo: no se puede estimar directamente por MCO en esta forma, porque hay regresores contemporáneos
endógenos correlacionados con el error. Eso viola la exogeneidad requerida por MCO y produce estimadores inconsistentes. Por eso el
paso siguiente es transformar el sistema a una forma reducida.

2. Forma Estándar o Reducida:

La forma reducida se obtiene despejando las variables contemporáneas del lado izquierdo. En otras palabras: queremos sacar de
la derecha los términos 𝑌! y 𝑍! que generan simultaneidad. Eso se logra premultiplicando por la inversa de 𝐵.
 2.1. Obtención de la forma reducida:
Como:
1 𝑏"#
𝐵=. /
𝑏#" 1

su determinante es:

∣ 𝐵 ∣= 1 − 𝑏"# 𝑏#"

Para que el sistema sea invertible necesitamos:

1 − 𝑏"# 𝑏#" ≠ 0

La inversa es:
1 1 −𝑏"#
𝐵%" = . /
1 − 𝑏"# 𝑏#" −𝑏#" 1

§ PASO 1: Premultiplicar toda la ecuación por 𝑩%𝟏

Partimos de:

𝐵𝑋! = Γ$ + Γ" 𝑋!%" + 𝜀!

Multiplicamos a ambos lados por 𝐵%" :

𝑋! = 𝐵%" Γ$ + 𝐵%" Γ" 𝑋!%" + 𝐵%" 𝜀!

§ PASO 2: redefinimos parámetros

𝐴$ = 𝐵%" Γ$ , 𝐴" = 𝐵%" Γ" , 𝑒! = 𝐵%" 𝜀!

y obtenemos la forma reducida o estándar:

𝑋! = 𝐴$ + 𝐴" 𝑋!%" + 𝑒!

Esta es la representación que se estima por MCO.

La forma reducida matricialmente es:

𝑌 𝑎"$ 𝑎"" 𝑎"# 𝑌!%" 𝑒"!
𝑋! = . ! / = 0𝑎 1 + 0𝑎 𝑎## 1 .𝑍!%" / + 0𝑒#! 1
𝑍! #$ #"

o, ecuación por ecuación:

𝑌! = 𝑎"$ + 𝑎"" 𝑌!%" + 𝑎"# 𝑍!%" + 𝑒"!

𝑍! = 𝑎#$ + 𝑎#" 𝑌!%" + 𝑎## 𝑍!%" + 𝑒#!

2.2. Obtención de 𝑨𝟎 y 𝑨𝟏 :
Como:

𝐴$ = 𝐵%" Γ$

entonces:
1 1 −𝑏"# 𝑏"$
𝐴$ = . /. /
1 − 𝑏"# 𝑏#" −𝑏#" 1 𝑏#$
Multiplicando:
1 𝑏 − 𝑏"# 𝑏#$
𝐴$ = . "$ /
1 − 𝑏"# 𝑏#" −𝑏#" 𝑏"$ + 𝑏#$

Por lo tanto:
𝑏"$ − 𝑏"# 𝑏#$ −𝑏#" 𝑏"$ + 𝑏#$
𝑎"$ = , 𝑎#$ =
1 − 𝑏"# 𝑏#" 1 − 𝑏"# 𝑏#"

Ahora:

𝐴" = 𝐵%" Γ"

y, con la notación de la fuente:

1 1 −𝑏"# 𝛾"" 𝛾"#
𝐴" = . / 0𝛾 𝛾#" 1
1 − 𝑏"# 𝑏#" −𝑏#" 1 ##

Multiplicando fila por columna:

1 𝛾 − 𝑏"# 𝛾## 𝛾"# − 𝑏"# 𝛾#"
𝐴" = . "" /
1 − 𝑏"# 𝑏#" ## − 𝑏#" 𝛾""
𝛾 𝛾#" − 𝑏#" 𝛾"#

Entonces:
𝛾"" − 𝑏"# 𝛾## 𝛾"# − 𝑏"# 𝛾#"
𝑎"" = , 𝑎"# =
1 − 𝑏"# 𝑏#" 1 − 𝑏"# 𝑏#"
𝛾## − 𝑏#" 𝛾"" 𝛾#" − 𝑏#" 𝛾"#
𝑎#" = , 𝑎## =
1 − 𝑏"# 𝑏#" 1 − 𝑏"# 𝑏#"

2.3. Para qué sirve la forma reducida:

La forma reducida sirve para estimar el sistema por MCO y para describir la dinámica empírica observable del conjunto de
variables. A diferencia de la forma estructural:

§ no contiene simultaneidad contemporánea en el lado derecho,

§ es directamente estimable,
§ y permite estudiar la propagación dinámica de los shocks.

Los coeficientes reducidos 𝑎)* ya no tienen una interpretación económica estructural limpia, porque son combinaciones de los
parámetros contemporáneos y dinámicos del sistema original.

3. Estructura estadística de los shocks:

3.1. Cómo obtener los shocks 𝒆𝟏𝒕 y 𝒆𝟐𝒕 :
Como:

𝑒! = 𝐵%" 𝜀!

y
 1 1 −𝑏"#
𝐵%" = . /
1 − 𝑏"# 𝑏#" −𝑏#" 1

entonces:
1 1 −𝑏"# 𝜀&!
𝑒! = . / 0𝜀 1
1 − 𝑏"# 𝑏#" −𝑏#" 1 '!

Multiplicando:
𝜀&! − 𝑏"# 𝜀'!
𝑒"! =
1 − 𝑏"# 𝑏#"
𝜀'! − 𝑏#" 𝜀&!
𝑒#! =
1 − 𝑏"# 𝑏#"

Estos no son shocks puros; son combinaciones lineales de los shocks estructurales.

3.2. matriz de varianzas y covarianzas:

Suponemos que 𝜀&! y 𝜀'! son ruido blanco e independientes entre sí contemporáneamente. Entonces:

§ 𝐸(𝜀&! ) = 𝐸(𝜀'! ) = 0
§ 𝑉𝑎𝑟(𝜀&! ) = 𝜎&# , 𝑉𝑎𝑟(𝜀'! ) = 𝜎'#
§ 𝐶𝑜𝑣(𝜀&! , 𝜀'! ) = 0

Por lo tanto, la matriz de varianzas y covarianzas de los shocks estructurales es:

𝑉𝑎𝑟(𝑒"! ) 𝐶𝑜𝑣(𝑒"! , 𝑒#! )

Σ=. /
𝐶𝑜𝑣(𝑒#! , 𝑒"! ) 𝑉𝑎𝑟(𝑒#! )

3.2.1. Cálculo de 𝑽𝒂𝒓(𝒆𝟏𝒕 ):

Sabemos que:
𝜀&! − 𝑏"# 𝜀'!
𝑒"! =
1 − 𝑏"# 𝑏#"

Entonces:
1
𝑉𝑎𝑟(𝑒"! ) = 𝑉𝑎𝑟(𝜀&! − 𝑏"# 𝜀'! )
(1 − 𝑏"# 𝑏#" )#

Usamos la fórmula de varianza de una combinación lineal:

𝑉𝑎𝑟(𝐴 − 𝑐𝐵) = 𝑉𝑎𝑟(𝐴) + 𝑐 # 𝑉𝑎𝑟(𝐵) − 2𝑐𝐶𝑜𝑣(𝐴, 𝐵)

Como 𝐶𝑜𝑣(𝜀&! , 𝜀'! ) = 0, queda:

𝑉𝑎𝑟(𝜀&! − 𝑏"# 𝜀'! ) = 𝜎&# + 𝑏"#

# #
𝜎'

Por lo tanto:
 𝜎&# + 𝑏"#
# #
𝜎'
𝑉𝑎𝑟(𝑒"! ) =
(1 − 𝑏"# 𝑏#" )#

3.2.2. Cálculo explícito de 𝑽𝒂𝒓(𝒆𝟐𝒕 ):

Como:
𝜀'! − 𝑏#" 𝜀&!
𝑒#! =
1 − 𝑏"# 𝑏#"

entonces:
1
𝑉𝑎𝑟(𝑒#! ) = 𝑉𝑎𝑟(𝜀'! − 𝑏#" 𝜀&! )
(1 − 𝑏"# 𝑏#" )#

y, como los shocks estructurales no están correlacionados:

𝑉𝑎𝑟(𝜀'! − 𝑏#" 𝜀&! ) = 𝜎'# + 𝑏#"

# #
𝜎&

por lo que:

𝜎'# + 𝑏#"
# #
𝜎&
𝑉𝑎𝑟(𝑒#! ) =
(1 − 𝑏"# 𝑏#" )#

3.2.3. Calculo explícito de 𝑪𝒐𝒗(𝒆𝟏𝒕 , 𝒆𝟐𝒕 ):

Usamos:
𝜀&! − 𝑏"# 𝜀'! 𝜀'! − 𝑏#" 𝜀&!
𝑒"! = , 𝑒#! =
1 − 𝑏"# 𝑏#" 1 − 𝑏"# 𝑏#"

Entonces:
1
𝐶𝑜𝑣(𝑒"! , 𝑒#! ) = 𝐶𝑜𝑣(𝜀&! − 𝑏"# 𝜀'! , 𝜀'! − 𝑏#" 𝜀&! )
(1 − 𝑏"# 𝑏#" )#

Desarrollando término por término:

𝐶𝑜𝑣(𝜀&! , 𝜀'! ) = 0

𝐶𝑜𝑣(𝜀&! , −𝑏#" 𝜀&! ) = −𝑏#" 𝑉𝑎𝑟(𝜀&! ) = −𝑏#" 𝜎&#

𝐶𝑜𝑣(−𝑏"# 𝜀'! , 𝜀'! ) = −𝑏"# 𝑉𝑎𝑟(𝜀'! ) = −𝑏"# 𝜎'#

𝐶𝑜𝑣(−𝑏"# 𝜀'! , −𝑏#" 𝜀&! ) = 0

Por lo tanto:

𝑏#" 𝜎&# + 𝑏"# 𝜎'#

𝐶𝑜𝑣(𝑒"! , 𝑒#! ) = −
(1 − 𝑏"# 𝑏#" )#

los shocks reducidos están correlacionados contemporáneamente aunque los shocks estructurales no lo estén.

Juntando todo:
𝑉𝑎𝑟(𝑒"! ) 𝐶𝑜𝑣(𝑒"! , 𝑒#! )
Σ=. /
𝐶𝑜𝑣(𝑒#! , 𝑒"! ) 𝑉𝑎𝑟(𝑒#! )
con:

1 𝜎&# + 𝑏"#
# #
𝜎' −(𝑏#" 𝜎&# + 𝑏"# 𝜎'# )
Σ= G H
(1 − 𝑏"# 𝑏#" )# −(𝑏#" 𝜎&# + 𝑏"# 𝜎'# ) 𝜎'# + 𝑏#"
# #
𝜎&

Esa es la forma completa de la matriz de varianzas y covarianzas de los shocks de la forma reducida.

Estabilidad y Estacionariedad:
La pregunta central cuando estudiamos un VAR es esta: si ocurre un shock hoy, qué pasa mañana, pasado mañana y más
adelante? En un modelo dinámico, no basta con saber que una variable depende de su pasado y del pasado de otras variables. T

§ Si el sistema es estable, un shock tiene efectos transitorios y eventualmente desaparece;

§ Si el sistema es inestable, un shock puede generar trayectorias explosivas;
§ Si el sistema es estable y los shocks tienen media y varianza finitas, el proceso suele ser estacionario en covarianzas.

En el fondo, la estabilidad le dice al VAR si tiene un comportamiento “ordenado” o “desbordado”.

La estabilidad es una condición dinámica del sistema. En un VAR(1), significa que la matriz que gobierna la dinámica, 𝐴" , no
“explota” al iterarse. Formalmente, la condición clave es:

lim 𝐴"+ = 0
+→-

Si eso ocurre, los efectos de los valores iniciales y de los shocks viejos se van apagando.

1. Condición en un modelo univariado:

Antes de ir al VAR, conviene mirar el caso más simple, un AR(1):

𝑌! = 𝑎$ + 𝑎" 𝑌!%" + 𝜀!

donde 𝜀! es ruido blanco. En este caso, la condición clásica de estacionariedad es:

∣ 𝑎" ∣< 1

Si ∣ 𝑎" ∣< 1, un shock hoy se va atenuando:

𝑌! = 𝑎$ + 𝑎" 𝑌!%" + 𝜀!

Sustituyendo hacia atrás:

𝑌! = 𝑎$ + 𝑎" (𝑎$ + 𝑎" 𝑌!%# + 𝜀!%" ) + 𝜀!

= 𝑎$ (1 + 𝑎" ) + 𝑎"# 𝑌!%# + 𝑎" 𝜀!%" + 𝜀!

Repitiendo muchas veces:

+

𝑌! = 𝑎$ (1 + 𝑎" + 𝑎"# + ⋯+ 𝑎"+ ) + 𝑎"+." 𝑌!%+%" + N 𝑎") 𝜀!%)

)/$

Si ∣ 𝒂𝟏 ∣< 𝟏, entonces:

§ 𝑎"+." → 0,
§ y la serie geométrica converge.

Entonces el efecto del valor inicial desaparece y el proceso se puede escribir como una suma infinita de shocks con pesos
decrecientes. Eso es estacionariedad.

Si ∣ 𝒂𝟏 ∣≥ 𝟏:
 § si 𝑎" = 1, hay raíz unitaria y el proceso es no estacionario;
§ si ∣ 𝑎" ∣> 1, el proceso es explosivo;
§ si 𝑎" = −1, hay oscilaciones no amortiguadas.

2. Estabilidad en un VAR(1):
La forma estándar de un VAR(1) es:

𝑋! = 𝐴$ + 𝐴" 𝑋!%" + 𝑒!

donde 𝑋! es un vector de variables endógenas, 𝐴$ es un vector de constantes, 𝐴" es una matriz de coeficientes y 𝑒! es el vector de
innovaciones. La gran diferencia con el caso univariado es que ahora el “coeficiente autorregresivo” ya no es un número sino una
matriz. Entonces la pregunta “∣ 𝑎" ∣< 1” se transforma en una pregunta sobre la matriz 𝐴" .

Para probar la condición:

§ PASO 1: Partimos del modelo

𝑋! = 𝐴$ + 𝐴" 𝑋!%" + 𝑒!

queremos entender qué pasa si sustituyo 𝑋!%" usando la misma ecuación.

§ PASO 2: Sustitución iterada

Como

𝑋!%" = 𝐴$ + 𝐴" 𝑋!%# + 𝑒!%"

entonces

𝑋! = 𝐴$ + 𝐴" (𝐴$ + 𝐴" 𝑋!%# + 𝑒!%" ) + 𝑒!

Distribuyendo 𝐴" :

𝑋! = 𝐴$ + 𝐴" 𝐴$ + 𝐴"# 𝑋!%# + 𝐴" 𝑒!%" + 𝑒!

Agrupando:

𝑋! = (𝐼 + 𝐴" )𝐴$ + 𝐴"# 𝑋!%# + 𝐴" 𝑒!%" + 𝑒!

Si sigo sustituyendo una vez más, obtengo:

𝑋! = (𝐼 + 𝐴" + 𝐴"# )𝐴$ + 𝐴"0 𝑋!%0 + 𝐴"# 𝑒!%# + 𝐴" 𝑒!%" + 𝑒!

Y en general, después de 𝑛iteraciones:

+

𝑋! = (𝐼 + 𝐴" + ⋯ + 𝐴"+ )𝐴$ + N 𝐴") 𝑒!%) + 𝐴"+." 𝑋!%+%"

)/$

§ PASO 3: Mirar el término de condición inicial

El término

𝐴"+." 𝑋!%+%"

representa el efecto del estado inicial del sistema. Para que ese efecto desaparezca cuando 𝑛 → ∞, necesitamos:

𝐴"+ → 0
Eso es la condición de estabilidad.

§ PASO 4: Consecuencia de la estabilidad

Si 𝐴"+ → 0, entonces:

1. el término de condición inicial se anula;

2. la suma (𝐼 + 𝐴" + ⋯ + 𝐴"+ )converge;
3. el proceso puede escribirse como una representación en media móvil infinita:
-

𝑋! = 𝜇 + N 𝐴") 𝑒!%)
)/$

donde 𝜇 es la media no condicionada de 𝑋! . Eso ya te muestra la conexión entre estabilidad y estacionariedad: si la serie infinita
converge y los shocks son estacionarios, el proceso resultante también lo es.

La condición 𝐴"+ → 0es la idea matricial más importante, pero en la práctica se expresa de otra forma equivalente. Para un
VAR(1), Las raíces del polinomio característico de 𝐴" deben caer fuera del círculo unitario. Equivalentemente, los autovalores de
𝐴" deben tener módulo menor que 1. Es decir:

∣ 𝜆* ∣< 1para todo autovalor 𝜆* de 𝐴"

Esto es la versión multivariada del ∣ 𝑎" ∣< 1del AR(1).

La expresión

(1 − 𝑎"" 𝐵)(1 − 𝑎## 𝐵) − (𝑎"# 𝑎#" 𝐵# ) = 0

Es el polinomio característico asociado al sistema. Si esta condición se cumple, los efectos cruzados y autorregresivos entre 𝑌! y 𝑍! se
van apagando con el tiempo. El sistema “vuelve” a su comportamiento de largo plazo después de un shock.

4. Relación con la media de largo plazo.

Si el sistema es estable, podemos tomar esperanza en:

𝑋! = 𝐴$ + 𝐴" 𝑋!%" + 𝑒!

y usar que 𝐸(𝑒! ) = 0y 𝐸(𝑋! ) = 𝐸(𝑋!%" ) = 𝜇. Entonces:

𝜇 = 𝐴$ + 𝐴" 𝜇

Despejando:

(𝐼 − 𝐴" )𝜇 = 𝐴$

y por lo tanto:

𝜇 = (𝐼 − 𝐴" )%" 𝐴$

Esto solo tiene sentido si 𝐼 − 𝐴" es invertible, lo cual se relaciona justamente con la estabilidad del sistema. La media de largo plazo
es el punto alrededor del cual fluctúan las variables cuando el sistema es estable.

Identificación:
La tradición de Box-Jenkins, aplicada a series temporales, busca construir modelos parsimoniosos. La idea es no meter más términos
de los necesarios, sino quedarnos con los rezagos relevantes. La crítica de Sims va justamente contra el exceso de restricciones en
sistemas dinámicos multivariados. Su idea central es que, en lugar de imponer de entrada una estructura demasiado restrictiva,
conviene construir un VAR lo suficientemente amplio como para capturar las interrelaciones relevantes entre las variables.
¿Por qué? → Porque en un sistema donde todas las variables son endógenas, imponer exclusiones fuertes puede hacer perder
información importante. Y si el objetivo es estudiar la dinámica conjunta del sistema —no solo producir una proyección puntual—, esa
pérdida de información es muy costosa.

1. Problema de identificación:
En la forma estructural del VAR, las variables endógenas pueden afectarse contemporáneamente entre sí. En la notación de
la fuente, el sistema primitivo se escribe como:

𝑌! = 𝑏"$ − 𝑏"# 𝑍! + 𝛾"" 𝑌!%" + 𝛾"# 𝑍!%" + 𝜀&!

𝑍! = 𝑏#$ − 𝑏#" 𝑌! + 𝛾#" 𝑌!%" + 𝛾## 𝑍!%" + 𝜀'!

en el instante 𝑡, 𝑌! y 𝑍! pueden estar retroalimentándose. Es decir, el valor actual de una variable puede afectar a la otra en el mismo
período. Eso genera el problema clásico de simultaneidad:

𝛾(𝑍! , 𝜀&! ) ≠ 0, 𝛾(𝑌! , 𝜀'! ) ≠ 0

Como los regresores contemporáneos quedan correlacionados con los errores, no se puede estimar directamente esta forma con MCO.
El sistema estructural, tal como está escrito, no es estimable de manera directa y limpia.

2. Como identificar un VAR:

Identificar un VAR significa responder esta pregunta: ¿Puedo recuperar toda la información de la forma estructural a partir de lo
que observo y estimo en la forma estándar o reducida? La respuesta, en general, es no, ya que la forma reducida del VAR condensa la
información del sistema, pero no alcanza para reconstruir de manera única los parámetros contemporáneos de la forma estructural.
Hace falta imponer restricciones adicionales.

La forma reducida del VAR es:

𝑌! = 𝑎"$ + 𝑎"" 𝑌!%" + 𝑎"# 𝑍!%" + 𝑒"!

𝑍! = 𝑎#$ + 𝑎#" 𝑌!%" + 𝑎## 𝑍!%" + 𝑒#!

Esta forma ya no tiene variables contemporáneas del lado derecho, por lo que puede estimarse por MCO ecuación por ecuación.
De esa estimación se obtienen:

Þ 𝑎"$ , 𝑎"" , 𝑎"# , 𝑎#$ , 𝑎#" , 𝑎## : seis coeficientes,

Þ 𝜎 # (𝑒"! ),
Þ 𝜎 # (𝑒#! ),
Þ 𝛾(𝑒"! , 𝑒#! ).

En total, nueve estimadores o cantidades empíricas relevantes. Pero la forma estructural contiene más incógnitas:

Þ 𝑏"$ , 𝑏#$ ,
Þ 𝑏"# , 𝑏#" ,
Þ 𝛾"" , 𝛾"# , 𝛾#" , 𝛾## ,
Þ 𝜎 # (𝜀&! ),
Þ 𝜎 # (𝜀'! ).

Eso da diez parámetros. Entonces aparece el problema: no alcanza la información disponible, por eso la forma primitiva está
subidentificada si no se imponen restricciones.

Esta es la idea clave de identificación: aunque el VAR reducido esté bien estimado, eso no significa que el sistema estructural
quede automáticamente recuperado. Existen 3 posibles casos de identificación:
 § Sistema subidentificado: Hay menos restricciones que las necesarias. Entonces no hay una única forma de recuperar los
parámetros estructurales. Distintas estructuras pueden generar la misma forma reducida.
§ Sistema exactamente identificado: Hay justamente el número mínimo de restricciones necesarias para reconstruir la forma
primitiva de manera única.
§ Sistema sobreidentificado: Hay más restricciones que las mínimas necesarias. En ese caso el sistema puede identificarse y,
además, algunas restricciones extra pueden contrastarse econométricamente.

3. Método de identificación recursiva de Sims:

Supongamos que imponemos la restricción:

𝑏#" = 0

Entonces el sistema estructural queda:

𝑌! = 𝑏"$ − 𝑏"# 𝑍! + 𝛾"" 𝑌!%" + 𝛾"# 𝑍!%" + 𝜀&!

𝑍! = 𝑏#$ + 𝛾#" 𝑌!%" + 𝛾## 𝑍!%" + 𝜀'!

Esta restricción tiene una interpretación económica concreta:

𝑏#" = 0 ⟹ 𝑌! no afecta contemporaˊ neamente a 𝑍!

Es decir, en el instante actual, 𝑍! no reacciona al valor contemporáneo de 𝑌! . Pero sí puede reaccionar a 𝑌!%" . Entonces hay
retroalimentación dinámica, pero no simultánea desde 𝑌! hacia 𝑍! .

Con 𝑏#" = 0, la matriz contemporánea es:

1 𝑏"#
𝐵=0 1
0 1
y su inversa es:
1 −𝑏"#
𝐵%" = 0 1
0 1
Ahora partimos de la forma estructural matricial:

𝐵𝑋! = Γ$ + Γ" 𝑋!%" + 𝜀!

Premultiplicando por 𝐵%" :

𝑋! = 𝐵%" Γ$ + 𝐵%" Γ" 𝑋!%" + 𝐵%" 𝜀!

Desarrollando:
𝑌 1 −𝑏"# 𝑏"$ 1 −𝑏"# 𝛾"" 𝛾"# 𝑌!%" 1 −𝑏"# 𝜀&!
. !/ = 0 1. / + 0 1 0𝛾 𝛾## 1 .𝑍!%" / + 00 1 0𝜀 1
𝑍! 0 1 𝑏#$ 0 1 #" 1 '!

Al multiplicar, queda:
𝑌 𝑏 − 𝑏"# 𝑏#$ 𝛾 − 𝑏"# 𝛾#" 𝛾"# − 𝑏"# 𝛾## 𝑌!%" 𝜀 − 𝑏"# 𝜀'!
. ! / = . "$ / + . "" /. / + . &! /
𝑍! 𝑏#$ 𝛾#" 𝛾## 𝑍!%" 𝜀'!

De acá salen las relaciones entre parámetros estructurales y reducidos:

𝑎"$ = 𝑏"$ − 𝑏"# 𝑏#$ , 𝑎#$ = 𝑏#$

𝑎"" = 𝛾"" − 𝑏"# 𝛾#" , 𝑎"# = 𝛾"# − 𝑏"# 𝛾##

 𝑎#" = 𝛾#" , 𝑎## = 𝛾##

y los errores de la forma reducida son:

𝑒"! = 𝜀&! − 𝑏"# 𝜀'! , 𝑒#! = 𝜀'!

La restricción 𝑏#" = 0 hace posible recuperar la estructura porque impone un orden contemporáneo claro:

§ 𝑍! puede influir sobre 𝑌! en el mismo período,

§ pero 𝑌! no puede influir sobre 𝑍! contemporáneamente.

Entonces el sistema queda triangular y eso permite separar shocks. En particular:

𝑒#! = 𝜀'!

o sea que el residuo de la segunda ecuación coincide exactamente con el shock estructural de 𝑍! . Esto es una consecuencia muy fuerte
de la identificación recursiva. Y luego:

𝑒"! = 𝜀&! − 𝑏"# 𝜀'!

por lo que, una vez identificado 𝑏"# y conocido 𝑒#! , se puede recuperar:

𝜀&! = 𝑒"! + 𝑏"# 𝑒#!

Es decir, los shocks estructurales quedan reconstruidos a partir de los residuos del sistema reducido.
3.1. La matriz de varianzas y covarianzas:
Como 𝑒#! = 𝜀'! , se tiene:

𝜎 # (𝑒#! ) = 𝜎'#

y como:

𝑒"! = 𝜀&! − 𝑏"# 𝜀'!

entonces:

𝜎 # (𝑒"! ) = 𝜎&# + 𝑏"#

# #
𝜎'

además:

𝛾(𝑒"! , 𝑒#! ) = 𝛾(𝜀&! − 𝑏"# 𝜀'! , 𝜀'! )

Como 𝜀&! y 𝜀'! no están correlacionados entre sí, queda:

𝛾(𝑒"! , 𝑒#! ) = −𝑏"# 𝜎'#

Entonces la matriz de varianzas y covarianzas de los errores reducidos es:

𝜎 # + 𝑏"#
# #
𝜎' −𝑏"# 𝜎'#
Σ=G & # H
−𝑏"# 𝜎' 𝜎'#

Esto muestra algo muy importante: aunque los shocks estructurales 𝜀&! y 𝜀'! sean ortogonales, los errores reducidos 𝑒"! y
𝑒#! pueden estar correlacionados contemporáneamente.

Descomponer los residuos en una matriz triangular genera la llamada descomposición de Choleski. En este caso, la restricción
𝑏#" = 0 impone una estructura triangular en 𝐵%" , y esa triangularidad permite factorizar la matriz de varianzas y covarianzas de
los residuos de manera recursiva.
 La idea económica es un ordenamiento causal contemporáneo:

1. una variable se toma como la que no recibe efectos contemporáneos de la otra,

2. luego se permite que esa variable afecte contemporáneamente a la segunda.

Cambiar el orden de las variables puede cambiar la interpretación estructural de los shocks identificados.

Función impulso-respuesta en un VAR:

La función impulso-respuesta (FIR) es la herramienta que permite ver, de manera ordenada y dinámica, cómo se propaga en
el tiempo un shock en una de las variables del sistema VAR sobre esa misma variable y sobre las demás. En un VAR no nos interesa solo
“qué explica a qué” en un momento dado, sino cómo se transmite una perturbación a lo largo del tiempo. La FIR responde exactamente
esa pregunta.

1. Obtención de la función impulso-respuesta:

Partimos de la idea de Sims de que un VAR estable puede escribirse como un vector de media móvil (VMA). En forma estándar
o reducida, el VAR(1) es:

𝑋! = 𝐴$ + 𝐴" 𝑋!%" + 𝑒!

donde
𝑌 𝑒"!
𝑋! = . ! / , 𝑒! = 0𝑒 1
𝑍! #!

Si el sistema es estable, iteramos hacia atrás:

+

𝑋! = (𝐼 + 𝐴" + ⋯ + 𝐴"+ )𝐴$ + N 𝐴") 𝑒!%) + 𝐴"+." 𝑋!%+%"

)/$

y cuando 𝑛 → ∞, el término 𝐴"+." 𝑋!%+%" desaparece si el sistema es estable. Entonces queda:

-

𝑋! = 𝜇 + N 𝐴") 𝑒!%)
)/$

donde 𝜇 = 𝐸(𝑋! )es la media no condicionada del sistema. Esta es la representación VMA del VAR: cada observación actual es la suma
de una media de largo plazo más los shocks presentes y pasados, cada uno con un peso distinto.

La VMA se escribe en forma matricial porque cada shock afecta potencialmente a ambas variables. Si definimos matrices
Φ) tales que
-

𝑋! = 𝜇 + N Φ) 𝜀!%)
)/$

entonces cada Φ) resume el efecto de un shock ocurrido 𝑖 períodos atrás.

𝜙 (𝑖) 𝜙"# (𝑖)
Φ) = . "" /
𝜙#" (𝑖) 𝜙## (𝑖)

con
𝜀&!
𝜀! = 0𝜀 1
'!
 La interpretación es directa:

§ 𝜙"" (𝑖): efecto sobre 𝑌en 𝑡 + 𝑖de un shock en 𝜀&! .

§ 𝜙"# (𝑖): efecto sobre 𝑌en 𝑡 + 𝑖de un shock en 𝜀'! .
§ 𝜙#" (𝑖): efecto sobre 𝑍en 𝑡 + 𝑖de un shock en 𝜀&! .
§ 𝜙## (𝑖): efecto sobre 𝑍en 𝑡 + 𝑖de un shock en 𝜀'! .

Eso es justamente la función impulso-respuesta: los 𝜙*1 (𝑖)son los multiplicadores de impacto.

2. Respuesta a un “impulso” en el tiempo:

Un impulso es un shock unitario en una innovación estructural, manteniendo todo lo demás constante. Por ejemplo, si queremos
medir la respuesta de 𝑌 ante un shock en 𝑍, pensamos en una perturbación de una unidad en 𝜀'! , y observamos cómo se mueve 𝑌
hoy y en los períodos siguientes.

Entonces:

𝜙"# (0)

es el impacto contemporáneo de una unidad de 𝜀'! sobre 𝑌! . Y más en general:

𝜙"# (𝑖)

es el efecto sobre 𝑌!.) de un shock ocurrido en 𝜀'! en el período 𝑡. Lo mismo vale para las demás combinaciones de variables y shocks.

INTERPRETACIÓN → “si en 𝑡 ocurre un shock estructural unitario en 𝑍, y el resto de los shocks futuros se mantienen en cero, entonces
la respuesta de 𝑌en 𝑡 + 𝑖 es 𝜙"# (𝑖).” Eso significa que la FIR no es una predicción probabilística ordinaria, sino que lo que hace es
aislar el efecto puro de un shock sobre el sendero de las variables, manteniendo constante el resto de la dinámica estocástica.

La gran utilidad de la FIR es que no se limita al efecto instantáneo, sino que permite ver todo el sendero temporal. Si hoy
ocurre un shock en 𝜀'! , entonces:

§ en 𝑡, el impacto sobre 𝑌! es 𝜙"# (0),

§ en 𝑡 + 1, el impacto es 𝜙"# (1),
§ en 𝑡 + 2, es 𝜙"# (2),
§ y así sucesivamente.

Por eso la FIR es una función del horizonte 𝑖.

3. Efectos acumulados y multiplicador de largo plazo:

Los efectos de un shock no solo pueden mirarse período a período, sino acumulados. Si queremos el efecto total de un shock
de 𝜀'! sobre 𝑌 hasta el período 𝑛, sumamos las respuestas:
+

N 𝜙"# (𝑖)
)/$

Eso da el efecto acumulado hasta el horizonte 𝑛. Si además el sistema es estacionario, las respuestas se van apagando suficientemente
rápido, de modo que la suma infinita converge. Entonces obtenemos el multiplicador de largo plazo:
-

N 𝜙"# (𝑖)
)/$

Eso mide el efecto total de largo plazo de un shock unitario sobre la variable de interés. Como 𝑌! y 𝑍! deben ser estacionarias, se
cumple que la secuencia de coeficientes tiene suficiente decaimiento como para que la suma de cuadrados sea finita:
 -
#
N 𝜙*1 (𝑖) < ∞
)/$

Esto garantiza que la respuesta no “explota” y que el sistema tiene una dinámica estable.

4. Problema de la forma reducida:

Aparece el problema esencial del VAR: la representación VMA en términos de 𝑒! no siempre tiene interpretación estructural.
Esto es porque los errores de la forma estándar, 𝑒"! y 𝑒#! , están correlacionados contemporáneamente. La fuente ya lo había mostrado
antes:
𝜀&! − 𝑏"# 𝜀'! 𝜀'! − 𝑏#" 𝜀&!
𝑒"! = , 𝑒#! =
1 − 𝑏"# 𝑏#" 1 − 𝑏"# 𝑏#"

Entonces los 𝑒! no son los shocks puros de la economía. Son combinaciones lineales de los shocks estructurales. Por eso, si uno quiere
una respuesta impulso-respuesta a un shock económico “limpio”, debe primero identificar la estructura.

Para identificar, podemos imponer nuevamente una restricción recursiva:

𝑏#" = 0

Esto significa que 𝑌! puede afectar contemporáneamente a 𝑍! , pero no al revés. Con esa restricción:

𝑒"! = 𝜀&! − 𝑏"# 𝜀'! 𝑒#! = 𝜀'!

§ todos los movimientos contemporáneos de 𝑒#! se atribuyen al shock estructural 𝜀'! ,

§ y luego, usando 𝑒"! y la relación anterior, se recupera 𝜀&! .

Nuevamente, tenemos la descomposición de Choleski. La idea es imponer un orden contemporáneo entre las variables para convertir
los residuos correlacionados de la forma reducida en shocks estructurales ortogonales.

El orden importa mucho, si imponemos 𝑏#" = 0, estamos diciendo que:

§ 𝑍! ⇒ 𝑌! contemporáneamente,
§ pero 𝑌! ⇒ ̸𝑍! contemporáneamente.

Entonces el shock de 𝜀'! puede tener efecto contemporáneo sobre ambas variables, mientras que 𝜀&! no afecta directamente a 𝑍! en
el mismo período. Eso genera una asimetría importante en la FIR. Esta asimetría es una restricción que se impone para poder identificar
el sistema. No es una verdad automática de los datos; es una hipótesis de identificación.

Cuando los errores reducidos están correlacionados, la forma en que uno los descompone en shocks estructurales no es única.
Entonces la FIR depende del ordenamiento elegido.

§ Si 𝜌"# = 0, no hay correlación contemporánea entre 𝑒"! y 𝑒#! , y el ordenamiento no altera nada.
§ Si 𝜌"# = 1, un shock afecta simultáneamente a ambas variables de manera perfecta, y la separación individual se vuelve
problemática.
§ Si 𝜌"# es suficientemente grande, el ordenamiento importa mucho y conviene comparar resultados al invertir el orden.

Cuanto más correlacionados están los residuos contemporáneos, más delicada es la descomposición estructural, y más sensible
será la FIR al orden elegido.

Descomposición de la varianza del error de predicción en un VAR:

La descomposición de la varianza del error de predicción es una de las dos grandes herramientas de análisis dinámico en un
VAR, junto con la función impulso-respuesta. Si la FIR nos dice cómo reacciona una variable ante un shock, la descomposición de la
varianza nos dice cuánto de la incertidumbre de pronóstico de una variable se debe a shocks propios y cuánto a shocks de las demás
variables del sistema. La FIR mira la trayectoria de un shock unitario, mientras que la descomposición de la varianza mira la
incertidumbre acumulada del pronóstico y la reparte entre las distintas fuentes de perturbación.

1. Intuición económica:
Supongamos que queremos predecir 𝑌!.+ usando la información disponible en 𝑡. Aunque el modelo VAR nos dé la mejor
predicción posible dadas las ecuaciones estimadas, siempre queda un error de pronóstico porque el futuro contiene shocks que hoy
todavía no conocemos.

Entonces la pregunta es → ¿Qué parte del error de pronóstico de 𝑌a 𝑛 períodos se debe a los propios shocks de 𝑌 y qué parte
se debe a los shocks de 𝑍?

§ Si la mayor parte de la varianza del error de predicción de 𝑌 proviene de sus propios shocks, entonces 𝑌 es relativamente
“autónoma” en términos dinámicos.
§ Si, en cambio, la varianza del error de predicción de 𝑌proviene sobre todo de shocks de 𝑍, entonces 𝑌 depende fuertemente
de 𝑍.

Es decir, la descomposición de la varianza traduce la interdependencia dinámica del VAR en una pregunta muy concreta: ¿de dónde
viene la incertidumbre sobre el futuro de cada variable?

2. Punto de partida: la representación VMA del VAR

Un VAR estable puede escribirse como un vector de media móvil. Para el vector
𝑌
𝑋! = . ! /
𝑍!

se tiene
-

𝑋! = 𝜇 + N Φ) 𝜀!%)
)/$

donde:

§ 𝜇 es la media no condicionada,
§ 𝜀! es el vector de shocks estructurales,
§ Φ) es la matriz de multiplicadores dinámicos al horizonte 𝑖.

En forma bivariada:

𝜙 (𝑖) 𝜙"# (𝑖)

Φ) = . "" /
𝜙#" (𝑖) 𝜙## (𝑖)

Esto significa que:

- -

𝑌! = 𝑌¯ + N 𝜙"" (𝑖)𝜀&,!%) + N 𝜙"# (𝑖)𝜀',!%)

)/$ )/$
- -

𝑍! = 𝑍¯ + N 𝜙#" (𝑖)𝜀&,!%) + N 𝜙## (𝑖)𝜀',!%)

)/$ )/$

Cada variable actual depende de sus shocks pasados y de los shocks pasados de la otra variable.

3. Predicción:
 Queremos predecir 𝑋!.+ usando la información disponible en 𝑡. Si conociéramos perfectamente los coeficientes, la predicción
óptima es la esperanza condicional:

𝐸! (𝑋!.+ ) = 𝐸(𝑋!.+ ∣ ℐ! )

donde ℐ! representa la información disponible en 𝑡

3.1. Predicción a un paso:
𝐸! (𝑋!." ) = 𝐴$ + 𝐴" 𝑋!

y entonces el error de predicción a un paso es:

𝑋!." − 𝐸! (𝑋!." ) = 𝑒!."

A un período, el error de predicción coincide exactamente con el shock no observado de ese período.

3.2. Predicción a 𝑛 pasos:

Generalizando, la predicción a 𝑛 períodos es:

𝐸! (𝑋!.+ ) = (𝐼 + 𝐴" + 𝐴"# + ⋯ + 𝐴"+%" )𝐴$ + 𝐴"+ 𝑋!

y el error de predicción es:

𝑋!.+ − 𝐸! (𝑋!.+ ) = 𝑒!.+ + 𝐴" 𝑒!.+%" + 𝐴"# 𝑒!.+%# + ⋯ + 𝐴"+%" 𝑒!."

El error de pronóstico a horizonte 𝑛 está compuesto por todos los shocks futuros que todavía no conocíamos al momento 𝑡, ponderados
por la forma en que cada uno se transmite dinámicamente.

En forma más general, usando la representación VMA estructural, se puede escribir:

+%"

𝑋!.+ − 𝐸! (𝑋!.+ ) = N Φ) 𝜀!.+%)

)/$

Esta expresión es el punto de partida de la descomposición de la varianza.

4. Descomposición de la varianza:

4.1. Error de predicción de 𝑌 a 𝑛 períodos:

Si nos concentramos solo en 𝑌, el error de predicción a horizonte 𝑛 es:

𝑌!.+ − 𝐸! (𝑌!.+ ) = 𝜙"" (0)𝜀&,!.+ + 𝜙"" (1)𝜀&,!.+%" + ⋯ + 𝜙"" (𝑛 − 1)𝜀&,!."

+𝜙"# (0)𝜀',!.+ + 𝜙"# (1)𝜀',!.+%" + ⋯ + 𝜙"# (𝑛 − 1)𝜀',!."

Esto tiene una interpretación muy clara:

§ la primera parte del error proviene de shocks estructurales de 𝑌,

§ la segunda parte proviene de shocks estructurales de 𝑍.

Cada término está multiplicado por el coeficiente de respuesta correspondiente al horizonte adecuado.

4.2. Varianza del error de predicción de 𝑌 :

Ahora queremos medir cuánta incertidumbre total hay en ese error. Eso se hace con la varianza. Como los shocks estructurales
𝜀&! y 𝜀'! son ruido blanco y no están correlacionados entre sí, la varianza del error de predicción de 𝑌a 𝑛 períodos es:
 𝜎&# (𝑛) = 𝜎&# [𝜙""
# #
(0) + 𝜙"" #
(1) + ⋯ + 𝜙"" (𝑛 − 1)] + 𝜎'# [𝜙"#
# #
(0) + 𝜙"# #
(1) + ⋯ + 𝜙"# (𝑛 − 1)]

§ ¿Por qué aparecen cuadrados? → Porque la varianza de una combinación lineal de variables independientes es la suma de
los cuadrados de los coeficientes por las varianzas individuales. Como los shocks son incorrelacionados, los términos cruzados
desaparecen.
#
§ ¿Por qué la varianza crece con 𝑛? → Todos los términos 𝜙*1 (𝑖)son no negativos. Cuando aumentamos el horizonte 𝑛,
agregamos más términos a la suma. Por eso la varianza del error de predicción aumenta con el horizonte. Cuanto más lejos
queremos mirar en el futuro, más incertidumbre acumulamos.

4.3. Descomposición de la varianza: proporciones atribuibles a cada shock

Ahora viene la parte central. No solo queremos saber cuánto vale 𝜎&# (𝑛), sino cómo se reparte entre las dos fuentes de shocks.
La porción de la varianza del error de predicción de 𝑌 que se debe a los shocks de 𝒀 es:

𝜎&# [𝜙""
# #
(0) + 𝜙"" #
(1) + ⋯ + 𝜙"" (𝑛 − 1)]
#
𝜎& (𝑛)

y la porción atribuible a los shocks de 𝑍 es:

𝜎'# [𝜙"#
# #
(0) + 𝜙"# #
(1) + ⋯ + 𝜙"# (𝑛 − 1)]
#
𝜎& (𝑛)

Estas dos proporciones suman 1. Eso significa que la varianza del error de predicción está completamente descompuesta entre ambas
fuentes.

INTERPRETACIÓN ECONÓMICA → Si la proporción atribuible a 𝜀'! es muy grande, entonces el futuro de 𝑌 depende fuertemente de los
shocks de 𝑍. Si esa proporción es cercana a cero, entonces 𝑌 es casi autónoma respecto de 𝑍.

§ si los shocks 𝜀'! no explican nada de 𝜎&# (𝑛) en ningún horizonte, entonces 𝑌 se comporta como una variable exógena
respecto de 𝑍;
§ si, por el contrario, los shocks 𝜀'! explican toda la varianza del error de 𝑌, entonces 𝑌 es totalmente endógena respecto
de 𝑍.

5. Causalidad de Granger:
La causalidad de Granger pregunta si los rezagos de una variable ayudan a predecir a otra. En el sistema:

𝑌! = 𝑎"$ + 𝑎"" 𝑌!%" + 𝑎"# 𝑍!%" + 𝑒"!

𝑍! = 𝑎#$ + 𝑎#" 𝑌!%" + 𝑎## 𝑍!%" + 𝑒#!

podemos testear, por ejemplo, si 𝑌causa a 𝑍 en sentido de Granger contrastando:

𝑎#" = 0

o, en un modelo con varios rezagos, que todos los coeficientes de los rezagos de 𝑌en la ecuación de 𝑍 sean cero.

INTERPRETACIÓN → Si los rezagos de 𝑌 no mejoran la predicción de 𝑍, entonces 𝑌 no causa a 𝑍 en el sentido de Granger.

La causalidad de Granger habla de capacidad predictiva marginal. La descomposición de la varianza habla de cuánta
incertidumbre futura de una variable se explica por shocks propios o ajenos. Es decir, Granger mira el aporte de los rezagos a la
predicción y la descomposición de varianza mira el aporte de los shocks a la incertidumbre del pronóstico.
 La causalidad de Granger es una condición más débil que la exogeneidad. Para que 𝑍! sea exógena en un sentido fuerte, no
deben afectar a 𝑍! ni los valores presentes ni los pasados de 𝑌! . Eso es bastante más exigente que simplemente decir que 𝑌! no mejora
la predicción de 𝑍! con sus rezagos.

Cómo resolver un modelo VAR:

§ PASO 1: Definir el sistema y decidir si lo querés usar para pronóstico o para análisis económico

Un VAR parte de un vector de variables endógenas. En el caso bivariado:

𝑌
𝑍! = . ! /
𝑋!
La forma reducida general es:

𝑍! = 𝐴$ + 𝐴" 𝑍!%" + 𝐴# 𝑍!%# + ⋯ + 𝐴3 𝑍!%3 + 𝑒!

donde 𝑒! son los errores de predicción de la forma estándar.

La primera decisión conceptual es clave:

Þ si el objetivo es predecir, basta con la forma reducida;

Þ si el objetivo es interpretar shocks económicos, hace falta identificar la forma estructural.

Los 𝑒! sirven para pronóstico, pero no tienen interpretación estructural directa. Para análisis económico hacen falta los shocks
puros 𝜀! .

§ PASO 2: Verificar estabilidad / estacionariedad

Antes de interpretar un VAR, hay que chequear que el sistema sea estable. La condición es que los autovalores de la matriz
dinámica estén dentro del círculo unitario. En un VAR(1):

𝑍! = 𝐴$ + 𝐴" 𝑍!%" + 𝑒!

la estabilidad exige:

∣ 𝜆* (𝐴" ) ∣< 1para todo autovalor

Equivalentemente, las raíces del polinomio característico deben caer fuera del círculo unitario.

Þ Si la condición se cumple, los shocks se disipan con el tiempo y el proceso es estacionario en covarianzas. Entonces tienen
sentido la representación VMA, las funciones impulso-respuesta, y la descomposición de la varianza.
Þ Si no se cumple, la dinámica puede ser explosiva o no estacionaria y la interpretación usual del VAR se debilita mucho.

§ PASO 3: Elegir el rezago óptimo 𝑝

En un VAR con 𝑛 variables y 𝑝 rezagos, cada rezago adicional agrega muchos parámetros. Por eso hay que elegir un 𝑝que no
sea ni demasiado chico ni demasiado grande. Se sugiere usar criterios de información como:

𝐴𝐼𝐶 = 𝑇log ∣ Σ ∣ +2𝑁

𝐵𝐼𝐶 = 𝑇log ∣ Σ ∣ +𝑁log (𝑇)

donde:

Þ 𝑇 es el tamaño muestral,
Þ Σ es la matriz de varianzas y covarianzas de los residuos,
Þ 𝑁 es el número total de parámetros del sistema.
¿Cómo se usa? → Se estiman varios VAR con distintos rezagos y se elige el que minimiza el criterio.

Þ Un 𝑝 demasiado bajo deja autocorrelación residual y mala especificación.

Þ Un 𝑝 demasiado alto consume grados de libertad y mete ruido.

§ PASO 4: Estimar la forma reducida por MCO

Una vez fijadas las variables y el número de rezagos, se estima el VAR en forma reducida:

𝑌! = 𝑎"$ + 𝑎"" 𝑌!%" + 𝑎"# 𝑋!%" + ⋯ + 𝑒"!

𝑋! = 𝑎#$ + 𝑎#" 𝑌!%" + 𝑎## 𝑋!%" + ⋯ + 𝑒#!

La ventaja es que los regresores son rezagos de variables predeterminadas, por lo que MCO es válido ecuación por ecuación. En esta
etapa obtenemos:

Þ coeficientes reducidos 𝑎)* ,

Þ residuos 𝑒"! , 𝑒#! ,
Þ matriz de varianzas y covarianzas de los residuos.

§ PASO 5: Identificar la forma estructural, si queremos interpretar shocks económicos

La forma estructural tiene simultaneidad contemporánea. En el caso de dos variables:

𝑌! = 𝑏"$ − 𝑏"# 𝑋! + 𝛾"" 𝑌!%" + 𝛾"# 𝑋!%" + 𝜀&!

𝑋! = 𝑏#$ − 𝑏#" 𝑌! + 𝛾#" 𝑌!%" + 𝛾## 𝑋!%" + 𝜀4!

Eso se puede escribir matricialmente como:

𝐵𝑍! = Γ$ + Γ" 𝑍!%" + 𝜀!

y, si se multiplica por 𝐵%" , se obtiene la forma reducida:

𝑍! = 𝐴$ + 𝐴" 𝑍!%" + 𝑒!

con:

𝐴$ = 𝐵%" Γ$ , 𝐴" = 𝐵%" Γ" , 𝑒! = 𝐵%" 𝜀!

Caso típico: descomposición de Choleski → Se impone una restricción recursiva, por ejemplo:

𝑏#" = 0

Eso significa que 𝑌! puede afectar contemporáneamente a 𝑋! , pero no al revés. Bajo esa restricción, la identificación queda
triangular y los shocks estructurales se pueden recuperar a partir de los residuos reducidos.

§ PASO 6: Interpretar los errores: predicción vs estructura

Þ 𝑒! : errores de predicción de la forma estándar;

Þ 𝜀! : shocks estructurales o innovaciones puras.

Por ejemplo, con la restricción 𝑏#" = 0:

𝑒"! = 𝜀&! − 𝑏"# 𝜀4!

𝑒#! = 𝜀4!
Entonces:

Þ 𝑒#! coincide con el shock estructural de 𝑋,

Þ 𝑒"! es una combinación de shocks.

Esto explica por qué la forma estructural sí tiene contenido económico y la reducida no, salvo que se identifique el sistema.

§ PASO 7: Analizar las funciones impulso-respuesta

Una vez identificado el modelo, se puede pasar de VAR a VMA:

-

𝑍! = 𝜇 + N Φ) 𝜀!%)
)/$

donde Φ) contiene los multiplicadores de impacto.

La función impulso-respuesta dice cómo reacciona cada variable frente a un shock unitario en una innovación estructural. Por
ejemplo, 𝜙"# (𝑖)mide el efecto sobre 𝑌en 𝑖períodos de un shock en 𝜀4 .

Þ Si la respuesta se apaga rápido, el shock es transitorio.

Þ Si persiste, el sistema es más inercial.
Þ Si cambia de signo, hay dinámica de sobreajuste o retroalimentación.

§ PASO 8: Descomponer la varianza del error de predicción

Para 𝑌, el error de predicción a 𝑛 períodos puede escribirse como suma de shocks estructurales ponderados por los 𝜙*1 (𝑖).
Entonces la varianza del error es:
+%" +%"

𝜎&# (𝑛) = 𝜎&# N #

𝜙"" (𝑖) + 𝜎4# #
N 𝜙"# (𝑖)
)/$ )/$

La parte atribuible a shocks propios es:

+%"
𝜎&# k)/$ 𝜙""
#
(𝑖)
𝜎&# (𝑛)

y la atribuible a shocks de la otra variable es:

+%"
𝜎4# k)/$ 𝜙"#
#
(𝑖)
𝜎&# (𝑛)

Þ si casi toda la varianza proviene de shocks propios, la variable es dinámicamente más autónoma;
Þ si una gran parte proviene de la otra variable, hay fuerte transmisión dinámica.

§ PASO 9: Testear causalidad de Granger

En un VAR con 𝑝 rezagos, 𝑋! no causa a 𝑌! en sentido de Granger si todos los coeficientes de los rezagos de 𝑋en la ecuación
de 𝑌 son nulos. Por ejemplo, si en:
3 3

𝑌! = 𝑎"$ + N 𝑎"" (𝑗)𝑌!%* + N 𝑎"# (𝑗)𝑋!%* + 𝑒"!

*/" */"

queremos testear que 𝑋 no causa a 𝑌, la hipótesis nula es:

 𝐻$ : 𝑎"# (1) = 𝑎"# (2) = ⋯ = 𝑎"# (𝑝) = 0

𝐻" :al menos uno de esos coeficientes es distinto de 0

Para testearlo, se usa un test 𝐹 de significatividad conjunta. Bajo este test, la regla de rechazo al 5% es:

Þ Si el p-value <0.05, se rechaza 𝐻$ .

Þ Si el p-value ≥ 0.05, no se rechaza 𝐻$ .

A partir del test, podemos concluir:

Þ Si rechazamos 𝐻$ , 𝑋 causa a 𝑌 en sentido de Granger.

Þ Si no la rechazamos, no hay evidencia de causalidad de Granger desde 𝑋 hacia 𝑌.