103
La Metodología del Vector Autorregresivo: Presentación y Algunas Aplicaciones.
La Metodología del Vector Autorregresivo: Presentación y
Algunas Aplicaciones
Analyses to the methodological econometric vector autoregressive
TRUJILLO CALAGUA, Gustavo Herminio1
No fueron encontrados conflictos de interés en este artículo.
RESUMEN
Este trabajo tiene por objeto introducir un desarrollo importante en el análisis econométrico de series de
tiempo en una forma relativamente elemental. Con este fin se enfatiza la utilización práctica de la
metodología y su aplicación al análisis de algunos problemas relevantes para la discusión sobre política
económica en Perú. La presentación incluye la propuesta metodológica para la estimación de un VAR
(metodología de los Vectores Autorregresivos) y su instrumentalización, analizando las funciones de
impulso-respuesta y de descomposición de la varianza; igualmente se analiza los Test de Cointegración
para sistemas VAR y su uso como evaluador de la política económica. Finalmente, se exponen las
conclusiones derivadas del estudio, las mismas que constituyen solo una aproximación exploratoria al
tratamiento de las series de tiempo.
Palabras clave: VAR. Cointegracion. Estacionariedad.
ABSTRACT
This working paper development the most recent topics in econometrics applied to the economics.
Analyses to the methodological econometric VAR (vector autoregressive) since for [Link] (1980) is a
EMPRESARIALES
econometric model used to capture the evolution and interdependencies between multiple time series,
generalizing the univariate AR models. All the variables in a VAR are treated symmetrically by including for
CIENCIAS
each variable an equation explaining its evolution based on its own lags and the lags of all the other
variables in the model. Based on this feature, C. Sims advocates the use of a VAR models as a theory free
method to estimate economic relationships, thus being an alternative to the incredible identification
restrictions in structural models. A VAR model describe the evolution of a set k variables (called
endogenous variables) over the same sample period (t=1,………n) as a linear function of only their past
evolution. The variables are collected in a kx1 vector Yt, which has as the ith element Yit the time t
observation of variable Yi. For example is PBI, the yit is the value of PBI at t.
Key Words: VAR. Cointegrationst Test. Stationary test.
1
Ph.D in Economics V-Tech, Virginia-USA(2000).Economista, UNFV (1994), Lima-Perú; Master of Science in Economics V-Tech, Virginia-USA(1998); Profesor
Asociado a la Facultad de Ingeniería Económica de la Universidad Científica Del Sur (Lima-Perú). gtrujillo666@[Link]
104
UCV - Scientia 2(2), 2010. Trujillo G.
INTRODUCCIÓN
En esta parte del artículo se analizara los detalles esta formulación supone dos pasos: primero, es
técnicos asociados con estimación y uso de los preciso clasificar las variables en dos categorías:
Vectores Autorregresivos (VAR), en particular en el endógenas y exógenas; segundo: deben
manejo de series de tiempo no estacionarias, útil imponerse ciertas restricciones en los parámetros
para analizar la interrelación entre las diferentes para lograr la identificación. Para superar esto se
series de tiempo que integran un modelo propone el uso de los “Vectores Autorregresivos”
econométrico. que no es más que una generalización del modelo
Autorregresivo AR ( p ) a las series de tiempo
El Problema múltiples.
Típicamente se han ignorado problemas de
especificación dinámica, estabilidad de
parámetros, orden de integración, sesgos de Antecedentes
estimación y exogeneidad. En este trabajo los Los Vectores Autorregresivos han proveído una
problemas anteriores se abordan desde la exitosa técnica para hacer pronósticos en sistemas
perspectiva de la econometría dinámica, de variables de series de tiempo interrelacionadas,
enfatizándose la modelación econométrica de lo donde cada variable ayuda a pronosticar a las
general a lo particular (Richard y Hendry 1983). demás variables. VAR es también frecuentemente
Este enfoque parte de un proceso generador de utilizado, aunque con considerable controversia en
datos (PGD) desconocido y mediante teoría el análisis del impacto dinámico de diferentes tipos
e c o n ó m i c a y a p l i c a c i ó n de perturbaciones y controles fortuitos en sistemas
econométrica(marginalización, simplificación, de variables. Un VAR es un sistema de variables
reparametrización, etc.) se logra una aproximación que hace de cada variable endógena una función de
o representación robusta, simple y parsimoniosa su propio pasado y del pasado de otras variables
de este proceso generador de datos (PGD) muchas endógenas del sistema. Toda la exposición está
veces plasmado en un modelo econométrico o en basada en los trabajos de Christopher A. Sims,
sistemas de variables de series de tiempo “Macroeconomics and Reality” (1980) y
interrelacionadas. Este último punto es conocido “Macroeconometrics VAR: A Explanations” (1991).
como Vectores Autorregresivos, mediante el cual
analizamos el impacto dinámico de diferentes tipos Justificación
de perturbaciones y controles fortuitos en sistemas El estudio de las interacciones dinámicas estimadas
de variables. es una de las motivaciones fundamentales de los
usuarios de los modelos VAR y, de hecho, los usos
El estudio de las interacciones estimadas, es la típicos de estos modelos reflejan esta motivación.
motivación de los usuarios de los modelos de Tales usos son el computo de las funciones impulso-
Vectores Autorregresivos(VAR). Tales usos son el respuesta y de la descomposición de la varianza del
EMPRESARIALES
computo de las funciones impulso-respuesta y de la error de predicción. Las implicaciones dinámicas
descomposición de la varianza del error de del modelo estimado dependerán evidentemente
CIENCIAS
predicción. de la estructura de correlaciones contemporáneas
reflejada en la matriz de perturbaciones. Explicar
Los Vectores Autorregresivos han sido de vasto uso cómo realizar esta incorporación, el cómputo de las
en Economía, donde la idea es que el agente estimaciones VAR, de la función impulso-respuesta
optimizador corrige una proporción del y de la descomposición de la varianza del error de
desequilibrio actual en el período siguiente. El predicción, serán el objeto de estudio de las
posterior análisis de errores, de estabilidad de siguientes secciones. La estimación del modelo
parámetros, exogeneidad, englobamiento, etc., VAR es más sencillo, ya que es posible utilizar el
permite abordar de una manera sistemática los método de los Mínimos Cuadrados Ordinarios
problemas arriba mencionados. (MCO).
Objetivo Este ensayo se inspira bajo la modelación
El objetivo fundamental de la propuesta es econométrica Inglesa (Gilbert 1986), según el cual
proporcionar una estrategia de modelización que al se parte de una modelación general hasta llegar a
evitar la generosa imposición de restricciones en una especificación particular(Richard y Hendry
que se apoya la identificación de los modelos 1983), y que tiene como principal atractivo darle
econométricos convencionales, permita reflejar lo una explicación económica al tratamiento de las
más fielmente posible las regularidades empíricas e series de tiempo.
interacciones entre las variables objeto de análisis.
Cuando se tienen varias series, es necesario tomar En los modelos sustentados por esta escuela se
en cuenta la interdependencia entre ellas. Una toma como referencia inicial un proceso generador
forma de hacerlo es estimar un modelo de de datos (PGD) desconocido, y se tiene como
ecuaciones simultáneas, pero con rezagos en todas objetivo la obtención de una descripción
las variables. Este modelo se conoce como modelo satisfactoria de este PGD mediante la utilización de
dinámico de ecuaciones simultáneas. Sin embargo, la información, la aplicación econométrica y la
105
La Metodología del Vector Autorregresivo: Presentación y Algunas Aplicaciones.
En esta parte del artículo se analizara los detalles enfatizándose la modelación econométrica de lo
técnicos asociados con estimación y uso de los general a lo particular (Richard y Hendry 1983).
Vectores Autorregresivos (VAR), en particular en el Este enfoque parte de un proceso generador de
manejo de series de tiempo no estacionarias, útil datos (PGD) desconocido y mediante teoría
para analizar la interrelación entre las diferentes e c o n ó m i c a y a p l i c a c i ó n
series de tiempo que integran un modelo econométrica(marginalización, simplificación,
econométrico. reparametrización, etc.) se logra una aproximación
o representación robusta, simple y parsimoniosa
El Problema de este proceso generador de datos (PGD) muchas
Típicamente se han ignorado problemas de veces plasmado en un modelo econométrico o en
especificación dinámica, estabilidad de sistemas de variables de series de tiempo
parámetros, orden de integración, sesgos de interrelacionadas. Este último punto es conocido
estimación y exogeneidad. En este trabajo los como Vectores Autorregresivos, mediante el cual
problemas anteriores se abordan desde la analizamos el impacto dinámico de diferentes tipos
perspectiva de la econometría dinámica, de perturbaciones y controles fortuitos en sistemas
RESULTADOS
Metodología del Vector Autorregresivo. rezagos de las variables explicativas que se
La metodología VAR es, en cierta forma, una incorporan en cada ecuación.
respuesta a la imposición de restricciones a priori
que caracteriza a los modelos econométricos No obstante, en términos operativos, una correcta
convencionales: en un sistema de ecuaciones especificación del sistema requiere que la
simultáneas se requiere imponer restricciones determinación de las variables a ser incluidas en él,
sobre los parámetros de las mismas para se base en el conocimiento de un modelo teórico
garantizar la identificación y posible estimación de relevante. Un VAR tiene en general la siguiente
las ecuaciones que lo conforman. Para ello, especificación:
además, es indispensable diferenciar entre las
variables endógenas y las predeterminadas, es
decir, aquellas cuyos valores no son determinados
por el modelo en el período actual. Estas últimas
pueden ser exógenas o endógenas rezagadas. Donde Yt é Yt-1 son vectores de orden m1 (m es el
número de rezagos del sistema) y i es la matriz
El VAR presenta alternativamente, un sistema de (cuadrada de orden m) de coeficientes del rezago i
ecuaciones simultáneas en el que cada una de las de las variables explicativas en las m ecuaciones.
variables son explicadas por sus propios rezagos y
EMPRESARIALES
los del resto de variables del sistema. Es decir no se De esta forma, se puede observar que deberán
CIENCIAS
admite restricciones a priori y todas las variables estimarse tantas matrices i como rezagos se
son consideradas endógenas. La única información incluyan en el sistema. Matricialmente: (2)
a priori que se incluye está referida al número de
En este sistema: mínimos cuadrados ordinarios (MCO) aplicado
ecuación por ecuación. En términos prácticos se
(3) E[m
tmt-j] = 0 "
j¹
0 recomienda:
(4) E[m
tḿ t] = S
1-Limpiar cada una de las series de cualquier tipo
Como se observa, todas las explicativas del sistema de estacionariedad.
son predeterminadas (endógenas rezagadas); 2-Estimar por MCO cada ecuación individualmente.
además, los errores tienen una varianza constante 3-Determinar el número de rezagos de las
y no presentan autocorrelación. Por ello, el mejor variables explicativas que deben permanecer en
estimador asintótico de este modelo es el de cada ecuación.
106
UCV - Scientia 2(2), 2010. Trujillo G.
Para ello se sugieren dos tipos de test: primero el innovaciones ortogonales: como los errores (5) no
test F por bloques, para probar la hipótesis nula de tienen porque estar correlacionados, se
que un número i de rezagos deben incluirse como acostumbra premultiplicar dicha ecuación por la
explicativas en cada ecuación, versus la alternativa única matriz triangular (T) , con unos en la diagonal
de que dicho número es i + r > i. principal, que diagonaliza la matriz de covarianzas
del error. Así, se obtiene un nuevo modelo con
Este test tiene el problema de que debe ser errores ortogonales:
aplicado individualmente a cada ecuación,
P
pudiendo llegarse a la conclusión de que el número
TYt = T å
i Yt-1 + h
P t
de rezagos a incluirse en ellas es diferente en cada i-
1
caso. Esto le restaría eficiencia al estimador de
MCO; segundo, el test de Máxima Verosimilitud donde:h t = Tm t es el vector de las innovaciones
para el conjunto de ecuaciones. La hipótesis nula ortogonalizadas, y D = TS T. Es decir, para cada
de este test es el que el sistema tiene un número i matriz S real, simétrica y definida positiva existe
de rezagos versus la alternativa de que este una única matriz triangular P con unos en la
número es j + r . El estadístico seria: diagonal principal y una única matriz diagonal D
con entradas positivas en la diagonal, tal que : S =
{ T - C } * { log |S
i| - log |S
i + r |}
PDP´.
donde Si se requiere obtener un nuevo modelo con errores
log |i|=logaritmo del determinante de la matriz de ortogonales, bastará con hacer T = P-1, de forma tal
varianzas y covarianzas para el modelo con i que:
rezagos.
-1
T = Número de observaciones. E(h t) = [ P ] E (m
th́ ´t) [P-1]
tm
C = Parámetros del modelo no restringido en cada -1 -1
= [P ]S [P ]´
ecuación: = [P ]PDP´[P´]-1
-1
{12 (j + r) +1}
E(h t) = D
th́
Este test se distribuye 2 con grados de libertad igual Donde D, la matriz de varianzas y covarianzas de
al número de restricciones en el sistema {4 ( i + r ) los errores transformados, es una matriz diagonal
2
}. Este test tiene poco poder para rechazar test que garantiza su ortogonalidad. A partir de este
sucesivos de restricción de rezagos; por ello el modelo transformado se pueden obtener las
rezago referencial debe ser el de mayor valor en el interacciones dinámicas estimadas: la función de
sistema, es decir, cualquier hipótesis nula debe ser impulso-respuesta ortogonalizada, calculando el
contrastada contra el rezago ( i + r ). efecto sobre Yt+s de un impulso unitario h
t+s ; y de
descomposición de la varianza del error de
No se debe utilizar el test “ t” ni dar importancia a predicción, los cuales serán materia de discusión
los signos de los coeficientes, ya que existe una en las secciones siguientes.
EMPRESARIALES
gran multicolinealidad entre las variables de cada
ecuación. La magnitud de los coeficientes es un Especificación del Sistema VAR.
CIENCIAS
indicador relativo de la significancia de la variable En la práctica es frecuente la existencia de más de
(un coeficiente pequeño generalmente acompaña a dos variables endógenas y muchas veces más de
una variable poco significativa). un rezago. El modelo de Autorregresión Vectorial
LNP = a0 + b 1LNPt- + b
2LNPt-2 + b
3LNPt-3 + b
4LDEFt-1 + b
5LDEFt-2
Nótese que una de las desventajas del uso de este +b
1
6LDEFt-3 + x
1.
modelo es que su estimación implica calcular m2p
coeficientes, sin considerar los de la matriz 2. LDEF = a1 + b 13LNPt- 1 + b
14LNPt-2 + b
15LNPt-3 + b
16LDEFt-1 + b
17LDEFt-
2 +b
18LDEFt-3 + x 2.
Una forma alternativa de representación VAR Donde LNP es el logaritmo de los niveles de precios;
consiste en hacer depender el vector de valores y LDEF es el logaritmo del déficit fiscal. Hemos
actuales de las variables del valor actual y los considerado el sistema en términos lineales (el
infinitos rezagos del vector de errores: sistema también puede escribirse en términos del
¥
i
operador de retardos L), a fin de tener una
(5) Y t= å
i L Yt + m
P t expresión convergente para las variables
j=
1
P
endógenas en términos de las innovaciones (x 1, x
2,):
j
(6) [ I - å
i L ] Yt = m
P t Yt = A1Yt-1 + ………+ApYt-p + xt
j -1
Y1t = D [(1-a
nnL)x
1t + a
1nLx
2t+…..a
nnLx
nt]
(7) A(L)Y t = m t
(8) Yt = m t / A(L) Para el caso de un modelo, con 2 variables
(9) Yt = d +m t +Yt-1 +Y
1m t-2 + .…
2 m endógenas: Y1, Y2, y 3 rezagos para cada una de
ellas, la primera ecuación sería:
donde ( 9 ) es una representación MA (¥
). 3 3
1 +å
LNPt = a j LNPt-j + å
b j LDEFt-j + x
d 1
Esta representación puede ser transformada de tal j=
1 j=
1
3 3
forma que los valores actuales sean una función de 2 +å
LDEFt = a jLNPt- j+ å
f jLDEFt-j+ x
l 2t
los valores presentes y pasados de un vector de j=
1 j=
1
107
La Metodología del Vector Autorregresivo: Presentación y Algunas Aplicaciones.
Estimación y Calibrado Econométrico VAR.2 endógenas ante un “shock” de una desviación
Desde una perspectiva Bayesiana, el problema de estándar a las innovaciones (variables
estimación consiste en obtener una estimación de estocásticas).
los coeficientes partiendo de la distribución de los Si todos los componentes estocásticos de nuestro
mismos y la nueva información incorporada en el sistema VAR son incorrelativos, la interpretación
vector de observaciones de las variables es directa, 1 es la innovación LNP , 2 es la innovación
endógenas. La estimación se completa cuando se LDEF, y así sucesivamente. Una función impulso-
han procesado todas las observaciones muéstrales respuesta para 2 mide el efecto de una desviación
de acuerdo con las ecuaciones de actualización, estándar ante un shock en el Déficit Fiscal actual y
obviamente, llevar a término el proceso requiere futuro para las variables endógenas.
especificar el sistema VAR , así como la distribución Por desgracia, este no es casi nunca el caso pues los
que debe ser interpretada como condicional en la errores son totalmente incorrelativos. Cuando los
historia premuestral. Un principio básico de esta errores se correlacionan, ellos tienen un
metodología es evitar a priori exclusiones componente común el cual no puede ser
injustificadas de variables; de otro lado, la identificado con cualquier variable específica. Un
introducción de coeficientes que dependen del método algo arbitrario de negociación con este
tiempo tiene como objetivo capturar posibles no problema es atribuir todo el efecto a cualquier
linearidades en el vector estocástico modelado. componente común a la variable, aquel que venga
Los coeficientes estimados de un VAR son difíciles primero en el sistema VAR. En nuestro sistema, el
de interpretar. Por causa de esto es muy probable componente común de 1 y 2 es totalmente atribuido
observar en la función de impulso-respuesta y de a 1, porque 1 precede a 2; 1 es la innovación LNP y 2 es
descomposición de la varianza del sistema, ciertas la innovación LDEF transformado o removido el
implicaciones acerca del VAR . componente común.
Teóricamente, en cada ecuación el coeficiente de la Más técnicamente los errores son ortogonalizados
propia variable rezagada tendrá una media inicial por una descomposición Choleski, así la matriz de
de 1, y todos los demás tendrán una media inicial covarianza resultante es triangular inferior (los
de 0, con la varianza de la variable a priori elementos por encima de la diagonal principal son
disminuyendo a medida que aumenta la longitud cero). La descomposición Choleski es
del rezago. Al aumentar la longitud del rezago, extensamente usada, es un método un poco
disminuye la varianza; es decir, cada vez es mayor arbitrario de atribución de efectos comunes.
la certeza de que el coeficiente es cero. Para todos Cambiando el orden de las ecuaciones, se puede
los demás coeficientes, dicho valor inicial será de 0 cambiar dramáticamente las funciones impulso-
y los valores iniciales de los coeficientes rezagados respuesta, hay que tener cuidado con las
se concentrarás más en torno a cero. interpretaciones de estas funciones.
Como el objetivo de la modelación VAR es el estudio
de las interacciones dinámicas de diferentes tipos Descomposición de la Varianza del error de
de perturbaciones y controles fortuitos, y de hecho, predicción.
EMPRESARIALES
los usos típicos de esta modelación reflejan esta La descomposición de la varianza de un VAR brinda
motivación, se pasará al análisis de las funciones información acerca de la potencia relativa de
CIENCIAS
impulso-respuesta y de la descomposición de la innovaciones aleatorias para cada variable
varianza ,a fin de realizar evaluación de políticas y endógena. Este ejercicio consiste en descomponer
el análisis del poder predictivo del sistema, tópicos la varianza de las variables endógenas en
que se describen en las siguientes secciones del componentes que permitan aislar el porcentaje de
artículo. variabilidad de una endógena explicado por una de
las innovaciones para distintos horizontes
Función Impulso-Respuesta. predictivos. Tal descomposición se obtiene luego de
Esta función es simplemente la representación de “ortogonalizar” el vector de perturbaciones ,que
medias móviles asociada con el modelo estimado y consiste en distribuir la responsabilidad de las
explica la respuesta del sistema a shocks en los correlaciones reflejadas en la matriz de covarianza
componentes del vector de perturbaciones . La entre los distintos componentes del vector de
función impulso-respuesta traza la respuesta de las perturbaciones. La intensión al hacer explícita esta
variables endógenas en el sistema ante un shock en conexión entre el modelo originalmente estimado y
los errores. Un cambio en 1 cambiaría el obtenido, es clarificar que el modelo obtenido
inmediatamente el valor de LNP . Ello además una vez realizada la ortogonalización, no es una
cambiaría todos los valores futuros de las demás forma reducida, sino una forma estructural; y que
variables endógenas del sistema, debido a la por tanto, el proceso de ortogonalización es de
estructura dinámica del sistema. hecho una forma de identificación. De esta manera
En una función mpulso-respuesta , separa los se pueden calcular las contribuciones de las
determinantes de las variables endógenas dentro innovaciones sobre el error de predicción del
de los shocks o identifica innovaciones con período siguiente. Es de esperar que en el corto
variables específicas. Entonces, traza el efecto plazo la propia innovación explique la mayor
corriente y valores futuros de las variables proporción de este error.
108
UCV - Scientia 2(2), 2010. Trujillo G.
DISCUSIÓN
Evaluación de política y análisis del poder la inversa, la evaluación de políticas debe estar
predictivo de un sistema VAR. fundamentada, también en parte, sobre
predicciones de los efectos de las distintas políticas
Uno de los objetivos finales de la Econometría y tal alternativas.
vez el que le dé mayor uso potencial, es la
evaluación de políticas . Este objetivo se refiere a De esta manera el cálculo de las funciones impulso-
una situación en la cual los que realizan la toma de respuesta y de descomposición de la varianza,
decisiones deben elegir una política, denominada sugieren las mismas interacciones dinámicas.
“plan”, a partir de un conjunto de políticas Estas desviaciones fueron calculadas mediante un
alternativas dado. La evaluación de políticas esta ejercicio de Montecarlo (bajo el supuesto que los
íntimamente relacionada con la predicción y, al errores tienen una distribución normal) utilizando
igual que la predicción, se asumirá que la elección la distribución a posteriori del operador
de políticas es cuantitativa, explícita e inequívoca. autorregresivo. El método de Montecarlo es la
De hecho, la predicción y la evaluación de políticas única vía practicable para este cálculo dada la
están interrelacionadas dentro de un sistema de relación no lineal que existe entre las
retroalimentación: un pronóstico debe estar representaciones autorregresiva y de medias
basado, en parte, en supuestos concernientes a la móviles.
elección de quienes toman decisiones relevantes. A
REFERENCIAS BIBLIOGRÁFICAS
ANDERSON,T.W. y [Link] (1981): “ Estimation of Review Winter. Págs 154.
dynamic models with error components”. Journal of (1987): “Identifying policy effects”. Federal Reserve
American Statistical Association. # 76, págs 598-606. Bank of Minneapolis Research Department. Working
GRANJER,C. y [Link] (1974): “Spurious regressions paper 351. May. Págs 145.
in econometrics”. Journal of econometrics # 2. Págs 111- (1991): “Macroeconometrics: A explanation”. Federal
120. Reserve of Minneapolis. Págs 142.
HENDRY, DAVID and RICHARD , JEAN FRANCOIS . TRUJILLO CALAGUA, GUSTAVO H :
(1983): “The econometric analysis of economic time (1998) “Un modelo econométrico para el Perú sobre la
series”, International Statistical Review, N° 51 , 1983. dinámica del desequilibrio fiscal y el proceso inflacionario
en el período 1985-1995: Aplicación de la técnica de
ROTHENBERG,T.J. y [Link] (1964): “Efficient Vectores Autorregresivos”, Tesis de Licenciatura.
estimation of simultaneous equations systems”. (1998) “Demand of money in Peru 1985-1998: an
Econometrica # 32, págs 57-59. stability parameters Analysis and Cointegration's Test. ”,
EMPRESARIALES
SIMS, CHRISTOPHER: Thesis Master of science grade, V-Tech(1998) USA.
(1980): “Macroeconomics and reality”, Econometrica # (2000) “Algoritmo de estimación de modelos
48, January. Págs 165-192. econométricos en forma de espacio de los estados basado
CIENCIAS
(1986): “Are forecasting models usable for policy en el filtro de Chandrasejchar”. Thesis Ph.D grade, V-
analysis?. Federal Reserve Bank of Minneapolis, Quarterly Tech(2000) USA.
Recibido: 12 agosto 2010 | Aceptado: 29 octubre 2010