Modelo de Vectores Autorregresivos Bayesiano (BVAR)

Econometrı́a Avanzada: Series de Tiempo

Renato Vassallo

Pontificia Universidad Católica del Perú

Octubre 2020

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 1 / 32

Contenido

1 Conceptos previos

2 El Modelo BVAR

3 BVAR estructural

4 Aplicación Empı́rica

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 2 / 32

 Conceptos previos

Contenido

1 Conceptos previos

2 El Modelo BVAR

3 BVAR estructural

4 Aplicación Empı́rica

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 3 / 32

 Conceptos previos

Modelo de Vectores Autorregresivos (VAR)

Un modelo VAR general con n variables endógenas, p rezagos y m variables
exógenas puede ser escrito como:
   1 1 1    p p p  
y1,t a11 a12 ... a1n y1,t−1 a11 a12 . . . a1n y1,t−p
1 1 1  p p p
y2,t  a21 a2n  y2,t−1  a21 a22 . . . a2n 
a22 ...  y2,t−p 
 
 . = . ..   ..  +. . .+  ..
    
.. .. .. .. ..   .. 
 ..   .. . . .  .   . . . .  . 
1 1 1 p p p
yn,t an1 an2 ... ann yn,t−1 an1 an2 . . . ann yn,t−p
    
c11 c12 . . . c1m x1,t 1,t
c21 c22 . . . c2m   x2,t  2,t 
+ . ..   ..  +  ..  (1)
    
.. ..
 .. . . .  .   . 
cn1 cn2 . . . cnm xm,t n,t

De manera compacta, el modelo se reescribe:

Yt = A1 Yt−1 + A2 Yt−2 + . . . + Ap Yt−p + C Xt + Et (2)

donde Et ∼ iidN(0, Ω).

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 4 / 32

 Conceptos previos

Modelo de Vectores Autorregresivos (VAR)

Tendremos k = np + m coeficientes por ecuación, dejando un total de

q = nk = n(np + m) coeficientes por estimar para el modelo completo.
Una manera conveniente de reescribir (2) es aplicando transpuesta:

Yt0 = Yt−1
0
A01 + Yt−2
0
A02 + . . . + Yt−p
0
A0p + X0t C 0 + E0t

Y como la anterior expresión se cumple para todo t, uno puede apilar

observaciones:
 0  0   0   0  0
y1 y0 y1−p x1 1
 y20   y10  0
 y2−p   x20   02 
 ..  =  ..  A01 + . . . +  ..  A0p +  ..  |{z}
  0
C + . 
       
 .   .  |{z}  .  |{z}  .   .. 
n×n m×n
n×n
yT0 yT0 −1 yT0 −p xT0 0T
| {z } | {z } | {z } | {z } | {z }
T×n T×n T×n T×m T×n

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 5 / 32

 Conceptos previos

Modelo de Vectores Autorregresivos (VAR)

Agrupando a los regresores en una sola matriz, obtenemos:

 A0
 
 0  0 0 0
x10  10 
 0
y1 y0 y−1 . . . y1−p 1
 y20   y10 0 0 0  A2  0 
y 0 . . . y2−p x 2 .   2 

 ..  =  ..
  
.. .. .. .
..   .  +  .. 
 .   . . . . .  A0p 
 .
0
yT y 0 0 0
yT −2 . . . yT −p xT 0
0 0T
| {z } | T −1 {z } C | {z }
T×n T×k
| {z } T×n
k×n

O en una notación más compacta:

Y = XB + E (3)

Es posible recuperar los estimadores OLS a partir del modelo en (3).

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 6 / 32

 Conceptos previos

Modelo de Vectores Autorregresivos (VAR)

Finalmente, el modelo puede ser reescrito de forma conveniente como:

y = (In ⊗ X) β + ε (4)

donde:

y = vec(Y)
β = vec(B)
ε = vec(E)

tal que ε ∼ N (0, Ω ⊗ In )

Análisis Bayesiano tı́picamente trabaja con β en lugar de B.

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 7 / 32

 El Modelo BVAR

Contenido

1 Conceptos previos

2 El Modelo BVAR

3 BVAR estructural

4 Aplicación Empı́rica

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 8 / 32

 El Modelo BVAR

VAR versus BVAR

VARs: modelos útiles para predicción en series de tiempo.

Usualmente los VARs cuentan con muchos parámetros:
K = M(M × p + 1)
Lo anterior provoca que muchas veces las predicciones sean muy pobres, en
especial cuando se cuenta con un número reducido de observaciones.
El enfoque Bayesiano nos permite cuantificar la incertidumbre asociada a los
parámetros. Sin embargo, la tarea de incorporar creencias a Priori sobre los
parámetros en el modelo no resulta fácil.
Los modelos BVAR nos permiten reducir la dimensionalidad del problema de
estimación y, al mismo tiempo, incorporar las mencionadas creencias a Priori
sobre los parámetros.

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 9 / 32

 El Modelo BVAR

La Likelihood

Dado que los residuos siguen una Distribución Normal Multivariada, la

Likelihood toma la forma:
 

1 1
0 −1

L β, Ω|y = q T × exp − y − X β Ω y − Xβ (5)
M  
2
(2π) Ω

Se puede demostrar que el resultado anterior es equivalente a:

 0  
1 1 
L (β, Ω|y ) ∝ |Ω|− 2 K exp β − β̂− Ω−1 ⊗ X 0 X β − β̂
2
  1
  1
 0  )
Ω− 2 ⊗ IT y − Ω− 2 ⊗ X β̂
(
− 12 (T −K ) 1  
× |Ω| exp − tr 1
  1
  (6)
2 × Ω− 2 ⊗ IT y − Ω− 2 ⊗ X β̂
   
∝ N β|β̂, Ω, X , y iW Ω|β̂, X , y , T − υ

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 10 / 32

 El Modelo BVAR

Prior de Varianza fija

En este caso, la Prior serı́a solo para β:


β ∼ N β, V

Por tanto:
 
− 12 1
0
β − β V −1 β − β


P(β) ∝ |V | exp −
2

Y la posterior:
 
 − 1 1
0 −1

P(β|y ) ∝ V  2 exp − β−β V β−β
2

donde:

−1
V = V −1 + Ω−1 ⊗ X 0 X
β = V V −1 β + Ω−1 ⊗ X 0 Y

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 11 / 32

 El Modelo BVAR

Prior de Varianza fija: Prior de Minnesota

Litterman (1986) propone la siguiente estrategia:

β se escoge de tal manera que cada variable sigue un random walk (buena
predicción).
V es diagonal, es decir, a priori no existe relación entre los coeficientes del
modelo.
V puede tener dimensión muy grande, por ello se reduce la dimensionalidad
haciéndola depender de pocos hyper-parámetros.
La varianza relativa de los coeficientes de rezagos más altos es regulada
mediante el grado de decaimiento h(I ).
Usualmente φ2 es grande, lo que implica un prior difuso para las variables
exógenas.

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 12 / 32

 El Modelo BVAR

Prior de Varianza fija: Prior de Minnesota

Fijar β = 0 excepto para los coeficientes del primer rezago de la ecuación de
cada variable, β i = 1.
Fijar V (φ) tal que los elementos de la diagonal principal son:

φ0
vij,I = ,i =j
h(I )
!
φ1 σj2
= φ0 , i 6= j
h(I ) σi2
= φ0 φ2 , variables exógenas

donde:
I φ0 : Precisión asociada a la varianza del primer rezago propio.
I φ1 : Precisión relativa asociada a la varianza del primer rezago de otras
variables.
I φ2 : Precisión relativa asociada a la varianza de coeficientes de variables
exógenas.
R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 13 / 32
 El Modelo BVAR

Prior de Varianza fija: Prior de Minnesota

h(I ): Grado de decaimiento de la precisión asociada a rezagos mayores.

Usualmente:

h(I ) = φ−I
3
+1
, decaimiento armónico
φ3
= I , decaimiento geométrico
= I , decaimiento lineal

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 14 / 32

 El Modelo BVAR

Prior de Varianza fija: Prior de Minnesota

Sea el modelo VAR(2) bi-variado (n = 2) con h(I ) = 1, entonces:

β0 = 1 0 0 0 0 1 0 0
 

 
φ0
σ2
φ0 φ1 σ12
 
 
 2 
 φ0 
 2 
σ2
φ0 φ21 σ22
 
 
V = 1
σ2

φ0 φ1 σ22
 
 
 1 
 φ0 
σ2
 

 φ0 φ21 σ12 

2
φ0
2

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 15 / 32

 El Modelo BVAR

Prior de Varianza fija: Prior de Minnesota

¿Cómo escogemos los hyper-parámetros φ?

Valores usuales:
φ0 = 0.2 φ1 = 0.5 φ2 = 105
y también una especificación armónica para h(I ), con φ3 = 2 (véase Doan,
Litterman and Sims, 1984)
Asimismo, es posible estimar estos parámetros a través de la maximización de
L(β, Ω|y ) expresada en términos de φ y para una muestra de prueba (training
sample).

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 16 / 32

 El Modelo BVAR

Prior Difuso

Véase Kadiyala and Karlsson (1997).

En este caso la Prior conjunta:
− 12 (n+1)
P(β, Ω) ∝ |Ω|

Luego la Posterior es:

 
P(β|Ω, y ) ∼ N β̂, Ω ⊗ (X 0 X )−1
 0   
P(Ω|y ) ∼ iW y − X β̂ y − X β̂ , T − k

donde:
 
β̂ = vec B̂

B̂ = (X 0 X )−1 X 0 Y

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 17 / 32

 El Modelo BVAR

Otros casos

Normal-Difuso

β ∼ N β, V
− 12 (n+1)
P(Ω) ∝ |Ω|
Prior Conjugado

β ∼ N β, V
P(Ω) ∼ iW (S, υ)

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 18 / 32

 El Modelo BVAR

Predicción en BVARs: Fan Charts

Sea un modelo VAR(p):

Yt = c + Φ1 Yt−1 + Φ2 Yt−2 + . . . + Φp Yt−p + Et

ahora expresado como VAR(1):

Ỹt = AỸt−1 + Ẽt

Es posible entonces construir predicciones como:

E (Yt+h |Yt , β) = JAh Ỹt

donde J es una matriz de selección.

Es más, es posible tomar muestras β s de:

β s ∼ N(β, V )

tal que luego se tiene la distribución de la predicción dado un horizonte h.

S
E (Yt+h |Yt , β s ) s=1


R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 19 / 32

 BVAR estructural

Contenido

1 Conceptos previos

2 El Modelo BVAR

3 BVAR estructural

4 Aplicación Empı́rica

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 20 / 32

 BVAR estructural

BVAR estructural

Hasta ahora hemos establecido una representación de la forma reducida del

modelo:
Y = XB + E
Lo anterior, como es sabido, es útil para realizar predicciones fuera de la
muestra. Sin embargo, en el análisis macroeconómico, es muy frecuente
explorar la transmisión de choques ortogonales identificados a través de un
modelo SVAR.
Se estudiaran alternativas para obtener la distribución posterior de los
parámetros estructurales del modelo VAR, de tal forma que podamos analizar
las funciones de impulso-respuesta.

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 21 / 32

 BVAR estructural

BVAR estructural

Un modelo SVAR se escribe como:

A0 Yt = cA + A1 Yt−1 + A2 Yt−2 + . . . + Ap Yt−p + Ut

donde A0 es la matriz de relaciones contemporáneas y donde Ut ∼ N(0, I ).

De esta manera se tiene la relación entre la forma reducida y estructural:

A−1
0 Ut = Et

de tal manera que:

0
A−1
o A−1
0 =Ω
Esto implica que bastarı́a con encontrar A0 para obtener la forma estructural
del modelo a partir de la forma reducida.

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 22 / 32

 BVAR estructural

BVAR estructural: Descomposición de cholesky

Descomposición de cholesky: usualmete la matriz A0 es triangular inferior, de

tal manera que el modelo SVAR queda exactamente identificado.
Lo anterior implica que la obtención de la distribución Posterior de la forma
estructural se puede hallar de forma directa:
(0) (0)
1 Fijar condiciones iniciales
 β , Ω y fijar s = 1 y S.
(s) (s) (s−1)
2 Simular β desde P β |Ω ,y .
 
3 Simular Ω(s) desde P Ω(s) |β (s) , y .
(s)
4 Obtener A0 = (P −1 ) mediante la descomposición de cholesky:

P 0 P = Ω(s)

5 Si s < S, fijar s = s + 1 y regresar al paso 2. De lo contrario, detener la

simulación.

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 23 / 32

 BVAR estructural

BVAR estructural: Funciones Impulso Respuesta

La obtención de las IRF es también directa.

Sea ahora expresado como VAR(1):

Ỹt = AỸt−1 + Ẽt

donde:

Et = JẼt
= A−1
o Ut

De este modo, se tiene que:

∂Yt+h
= JAh J0 A−1
0 = F (A0 , β, h)
Ut

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 24 / 32

 BVAR estructural

BVAR estructural: Funciones Impulso Respuesta

La distribución posterior se simula:

1 Fijar k = 1, K y H.
 S
2 Tomar una muestra β (k) ∈ β (s) s=1 .
(k)  (s) S
3 Tomar una muestra A0 ∈ A0 s=1 .
(k)
4 Obtener F (A0 , β (k) , h), para h = 1, ..., H.
5 Si k < K , fijar k = k + 1 y regresar al paso 2. De lo contrario, detener la
simulación.
n oK
(k)
6 Calcular percentiles en el conjunto F (A0 , β (k) , h) para cada
k=1
h = 1, ..., H.

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 25 / 32

 Aplicación Empı́rica

Contenido

1 Conceptos previos

2 El Modelo BVAR

3 BVAR estructural

4 Aplicación Empı́rica

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 26 / 32

 Aplicación Empı́rica

Ilustración empı́rica

Siguiendo a Koop y Korobilis (2010), se utilizan datos trimestrales de

inflación, desempleo y tasa de interés para Estados Unidos:

yt = (∆πt , ut , rt )0

La muestra va desde 1953Q1 hasta 2006Q3.

Estas 3 variables son comúnmente utilizadas en los modelos VARs
Neo-Keynesianos. Ejemplos de papers que utilizan estas variables (o
similares) incluyen Cogley y Sargent (2005), Primiceri (2005) y Koop,
Leon-Gonzales y Strachan (2009).

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 27 / 32

 Aplicación Empı́rica

Ilustración empı́rica

Figure 1: Predictive mean of yT +1 - Independent Normal Wishart prior

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 28 / 32

 Aplicación Empı́rica

Ilustración empı́rica

Response of Inflation, Shock to Inflation Response of Unemployment, Shock to Inflation Response of Interest Rate, Shock to Inflation
2.5 1 2

0.8
2
1.5
0.6
1.5
0.4 1
1
0.2
0.5
0.5 0

0 -0.2 0
4 8 12 16 20 24 4 8 12 16 20 24 4 8 12 16 20 24

Response of Inflation, Shock to Unemployment Response of Unemployment, Shock to Unemployment Response of Interest Rate, Shock to Unemployment
0 1.5 0.5

-0.2 0
1
-0.4
-0.5
-0.6 0.5
-1
-0.8
0
-1.5
-1

-0.5 -2
4 8 12 16 20 24 4 8 12 16 20 24 4 8 12 16 20 24

Response of Inflation, Shock to Interest Rate Response of Unemployment, Shock to Interest Rate Response of Interest Rate, Shock to Interest Rate
0.1 0.2 1

0.8
0
0.1
0.6
-0.1
0 0.4
-0.2
0.2
-0.1
-0.3
0

-0.4 -0.2 -0.2

4 8 12 16 20 24 4 8 12 16 20 24 4 8 12 16 20 24

Figure 2: Posterior of impulse responses - Independent Normal Wishart prior

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 29 / 32

 Aplicación Empı́rica

Referencias I

F. Canova.
Methods for applied macroeconomic research.
Princeton University Press, 2007.
M. Del Negro.
Bayesian macroeconometrics.
The Oxford Handbook of Bayesian Econometrics, 2011.
T. Doan, R. Litterman, and C. Sims.
Forecasting and conditional projection using realistic prior distributions.
Econometric Reviews, (3):1–144, 1984.
K. Kadiyala and S. Karlsson.
Numerical methods for estimation and inference in bayesian var models.
Journal of Applied Econometrics, (12):99–132, 1997.
G. Koop, D. Poirier, and J. Tobias.
Bayesian econometric methods.
Cabridge University Press, 2007.
R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 30 / 32
 Aplicación Empı́rica

Referencias II

G. Koop and D. Korobilis.

Bayesian multivariate time series methods for empirical macroeconomics.
Fundations and Trends in Econometrics, 3(4):267–358, 2010.
R. Litterman.
Forecasting with bayesian vector autoregressions: Five years of experience.
Journal of Business and Economic Statistics, 4(1):25–38, 1986.
C. A. Sims and T. Zha.
Bayesian methods for dynamic multivariate models.
International Economic Review, (39):949–968, 1998.

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 31 / 32

 Aplicación Empı́rica

Modelo de Vectores Autorregresivos Bayesiano (BVAR)

Econometrı́a Avanzada: Series de Tiempo

Renato Vassallo

Pontificia Universidad Católica del Perú

Octubre 2020

R. Vassallo (PUCP) Econometrı́a avanzada Octubre 2020 32 / 32