Preparado por: Diego Ontaneda Jiménez

 Un modelo VAR (Vector Autoregressive, en inglés)

 Es un modelo estadístico que describe la relación dinámica entre varias variables a lo largo del
tiempo.
 Cada variable en el sistema se explica como una combinación lineal de sus propios valores
pasados y de los valores pasados de las demás variables.
 Ejemplos:
 ¿Cómo se afectan entre sí el PIB, la inflación y la tasa de interés?
 ¿Qué pasa con el desempleo si sube la inflación?
 ¿Qué pasa con la inflación si sube el desempleo?

 La intuición detrás de un VAR

 Cada variable depende de:
 Sus propios valores pasados
 Los valores pasados de las demás variables

 Pensar en un sistema de ecuaciones donde todas las variables "hablan entre sí" con rezagos
  Un modelo VAR (Vector Autoregressive, en inglés)
 Representación de un modelo VAR de la relación entre desempleo y crecimiento del producto
Producción Desempleo
0.006
Producción(-1) 0.980*** -23.137** Respuesta del producto a un shock en el desempleo.
0.004
(0.155) (11.660) 0.002
0.000
Producción(-2) -0.400*** 28.589*** -0.002
-0.004
(0.133) (10.315) -0.006
Desempleo(-1) -0.002* 0.366** -0.008
-0.010
(0.001) (0.157) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Límite inferior Respuesta Límite superior
Desempleo(-2) -0.005** 0.371**

(0.002) (0.156) Respuesta del desempleo a un shock en el producto

Constante -0.00003 - 0.017 0.40
0.20
(0.001) (0.083) 0.00

R cuadrado 0.82 0.52 -0.20

-0.40
Chi cuadrado (P>chi2) 226.55(0.00) 53.62(0.00)
-0.60
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
N 50 50 Límite inferior Respuesta Límite superior
Log de verosimilitud 133.0124 134.047
 ¿Por qué usar un VAR?
 Captura relaciones dinámicas sin asumir una variable como dependiente
 Útil para:
 Simulaciones de política económica
 Análisis de choques o shocks (impulso-respuesta)
 Pronósticos conjuntos

 ¿Qué se necesita para empezar?

 Datos en frecuencia temporal (mensual, trimestral, anual)
 Las variables deben ser estacionarias (o transformadas para que lo sean)
 Decidir cuántos rezagos incluir
 ¿Por qué usar un VAR?
 Cuando no estamos seguros de que una variable sea realmente exógena, se puede tratar cada
variable de manera simétrica.
 En el caso de dos variables, podemos permitir que la trayectoria temporal de 𝑦𝑡 se vea afectada
por los valores actuales y pasados de la secuencia 𝑢𝑡 , y que la trayectoria temporal de la
secuencia 𝑦𝑡 se vea afectada por los valores actuales y pasados de la secuencia 𝑦𝑡 .
 Consideremos el sistema bivariado simple:
 Suponer 𝑦𝑡 es el crecimiento de la producción y 𝑢𝑡 es la tasa de desempleo.
 Por ejemplo, para las variables 𝑦𝑡 y 𝑢𝑡 con dos rezagos, el modelo VAR(2) representación
estándar tiene la forma:
𝑦𝑡 𝛼11 𝜋11 𝜋12 𝑦𝑡−1 𝛾11 𝛾12 𝑢𝑡−1 𝜀1𝑡
𝑢𝑡 = 𝛼21 + 𝜋21 𝜋22 𝑦𝑡−2 + 𝛾21 𝛾22 𝑢𝑡−2 + 𝜀2𝑡
 Se asume 𝑦𝑡 y 𝑢𝑡 so estacionarias.
 𝜀1𝑡 y 𝜀2𝑡 es ruido blanco.
 𝑐𝑜𝑣 𝜀1𝑡 , 𝜀2𝑠 = 𝜎12 para 𝑡 = 𝑠; 0 cualquier otro caso.
 Modelo VAR (forma estándar)
 Por ejemplo, para las variables 𝑦𝑡 y 𝑢𝑡 con dos rezagos, el modelo VAR(2) tiene la forma:
𝑦𝑡 𝛼11 𝜋11 𝜋12 𝑦𝑡−1 𝛾11 𝛾12 𝑢𝑡−1 𝜀1𝑡
𝑢𝑡 = 𝛼21 + 𝜋21 𝜋22 𝑦𝑡−2 + 𝛾21 𝛾22 𝑢𝑡−2 + 𝜀2𝑡
 Las ecuaciones presentadas constituyen un VAR de segundo orden, ya que el mayor
rezago es de dos periodos.
El modelo VAR(1) tiene la siguiente forma:
𝑦𝑡 𝛼11 𝜋11 𝛾11 𝑦𝑡−1 𝜖1𝑡
𝑢𝑡 = 𝛼21 + 𝜋21 𝛾21 𝑢𝑡−1 + 𝜖2𝑡
 La estructura del sistema incorpora retroalimentación porque se permite que 𝑦𝑡 y 𝑢𝑡 se
afecten mutuamente.
 El modelo anterior, se puede representar de la siguiente forma:
𝑿𝒕 = 𝜶 + 𝜫𝟏 𝑿𝒕−𝟏 + 𝜺𝒕 , 𝑡 = 1, … , 𝑇 (1)
 Donde X es un vector de N variables (2 variables), 𝑡 el periodo de tiempo
 𝜀𝑡 es vector de términos de error
 Modelo VAR (forma estándar)
 Stability and Stationarity
 Considerar la siguiente representación vectorial del VAR(1).
 Vector Autorregresivo (VAR) de la siguiente manera:
𝑋𝑡 = α + Π1 𝑋𝑡−1 + 𝜀𝑡 , 𝑡 = 1, … , 𝑇 (1)
 Donde X es un vector de N variables, 𝑡 el periodo de tiempo
 𝜀𝑡 es un término de error
 Podemos iterar hacia atrás para obtener:
𝑋𝑡 = α + Π1 α + Π1 𝑋𝑡−2 + 𝜀𝑡−1 + 𝜀𝑡
𝑋𝑡 = α + αΠ1 + Π12 𝑋𝑡−2 + Π1 𝜀𝑡−1 + 𝜀𝑡 = 𝐼 + Π1 α + Π12 𝑋𝑡−2 + Π1 𝜀𝑡−1 + 𝜀𝑡
 Puedo reemplazar 𝑋𝑡−2 = α + Π1 𝑋𝑡−3 + 𝜀𝑡−2
𝑋𝑡 = 𝐼 + Π1 α + Π12 α + Π1 𝑋𝑡−3 + 𝜀𝑡−2 + Π1 𝜀𝑡−1 + 𝜀𝑡
𝑋𝑡 = 𝐼 + Π1 α + Π12 𝛼 + Π13 𝑋𝑡−3 + 𝜀𝑡 + Π1 𝜀𝑡−1 + Π12 𝜀𝑡−2
 Después de n reemplazamientos:
𝑛
𝑋𝑡 = 𝐼 + Π1 + ⋯ + Π1𝑛 α+ Π1𝑖 𝜀𝑡−𝑖 + Π1𝑛+1 𝑋𝑡−𝑛−1
𝑖=0
 Modelo VAR (forma estándar)
 Stability and Stationarity
𝑛
𝑋𝑡 = 𝐼 + Π1 + ⋯ + Π1𝑛 α+ Π1𝑖 𝜀𝑡−𝑖 + Π1𝑛+1 𝑋𝑡−𝑛−1
𝑖=0
 La convergencia require que la expresión Π1𝑛→ 0 cuando 𝑛 → ∞.
 Estabilidad del VAR(1)
 Se define la condición de estabilidad del modelo:
 El VAR(1) es estable si todas las raíces (valores propios de Π1 ) están fuera del círculo unitario, es
decir, tienen módulo menor que 1.
 Esto es equivalente:
𝐼𝑞 − Π1 𝑧 ≠ 0 𝑧 ≤ 1
 Es decir, el determinante de la matriz 𝐼𝑞 − Π1 𝑧 no debe ser cero para ningún valor de z que esté en o
dentro del círculo unitario (es decir, para todo ∣ 𝑧 ∣≤ 1).
 Donde z son las raíces características o autovalores inversos.
 Si asumimos un sistema estable, a medida 𝑛 → ∞
 𝐼 + Π1 + ⋯ + Π1𝑛 α → 𝐼 − Π1 −1 α = μ
 Π1𝑛+1 𝑋𝑡−𝑛−1 → 0
 Se puede escribir la solución particular para X a medida que 𝑛 → ∞:
∞

𝑋𝑡 = 𝜇 + Π1𝑖 𝜀𝑡−𝑖
𝑖=0
 Modelo VAR (forma estándar)
 Matriz de varianza/covarianza de los términos de error
𝑿𝒕 = 𝜶 + 𝜫𝟏 𝑿𝒕−𝟏 + 𝜺𝒕 ,
 Se define la matriz de varianza/covarianza de los términos de error del modelo
de 𝜀1𝑡 y 𝜀2𝑡 .
𝑣𝑎𝑟 𝜀1𝑡 𝑐𝑜𝑣(𝜀1𝑡 , 𝜀2𝑡 )
Σ=
𝑐𝑜𝑣(𝜀1𝑡 , 𝜀2𝑡 ) 𝑣𝑎𝑟 𝜀2𝑡
 De forma compacta:
𝜎12 𝜎12
Σ=
𝜎21 𝜎22
 Modelo VAR (forma estándar)
 Stability and Stationarity
 Estabilidad del VAR(1)
∞

𝑋𝑡 = 𝜇 + Π1𝑖 𝜀𝑡−𝑖
𝑖=0
 Esto implica
 𝑉() varianza.
𝑉 𝑛𝑖=0 Π1𝑖 𝜀𝑡−𝑖 = 𝑉 Π10 𝜀𝑡 + 𝑉 Π11 𝜀𝑡−1 + 𝑉 Π12 𝜀𝑡−2 + ⋯ < ∞ es finita.
 Implica:
 Entonces el proceso 𝑦𝑡 es estable y estacionario (en media y varianza).
 Proceso no explota ni se hace infinito con el tiempo.
Media y Varianza de un modelo VAR
Media incondicional
∞

𝑋𝑡 = 𝜇 + Π1𝑖 𝜀𝑡−𝑖
𝑖=0
Donde 𝜇 = 𝑦 𝑢 ′
 𝑦 es la media incondicional de y
 𝑥 es la media incondicional de x
 La media incondicional de X es 𝑬 𝑿𝒕 = 𝜇
 Resumen
 ¿Qué es la estabilidad de un modelo VAR?
 La estabilidad de un modelo VAR significa que, después de un shock (por ejemplo, una
política económica o un cambio externo), las variables del sistema tienden a regresar a su
equilibrio o a valores constantes, en lugar de divergir o crecer sin límite.
 En términos simples: estabilidad = comportamiento controlado del sistema a largo plazo.

 ¿Por qué es importante?

 Para que los pronósticos tengan sentido
→ Si el VAR es inestable, los pronósticos divergen y no son fiables.
 Para que las funciones de impulso-respuesta sean interpretables
→ Si el VAR es inestable, un shock no se disipa con el tiempo (o incluso se amplifica), y no
puedes confiar en el análisis dinámico.
 Para que el sistema VAR sea válido como representación de la economía
→ Un sistema económico que se comporta de forma explosiva o no converge es poco
realista.
 Media y Varianza de un modelo VAR
 Varianza/Covarianza incondicional:
2
∞

𝐸 𝑋𝑡 − 𝜇 2
=𝐸 Π1𝑖 𝜀𝑡−𝑖
𝑖=0
𝜎12 𝜎12
Usando Σ =
𝜎21 𝜎22
𝜀1𝑡
E(𝜀𝑡2 ) = 𝐸 𝜀 𝜀1𝑡 𝜀2𝑡 = Σ
2𝑡
Suponiendo 𝐸𝜀𝑡 𝜀𝑡−𝑖 = 0 para 𝑖 ≠ 0. Se obtiene:

𝐸 𝑋𝑡 − 𝜇 2
= 𝐼 + Π12 + Π14 + Π16 + ⋯ Σ
−1
𝐸 𝑋𝑡 − 𝜇 2 = 𝐼 − Π12 Σ
 Asumiendo que se mantiene la condición de estabilidad, y que Π1𝑛 se aproxima a cero a
medida que n se aproxima a infinito.
 Esto implica que la varianza converge a un valor finito.
 Ejemplo:
 Determinación de la estabilidad de un modelo VAR
 Matriz Companion
 Técnicamente: un VAR es estable si todos los autovalores (valores propios) de su matriz
companion están dentro del círculo unitario (es decir, su módulo es menor que 1).
 Cuando estimas un VAR(p) con k variables, tienes un sistema de ecuaciones del tipo:
𝒀𝒕 = 𝚷𝟏 𝒀𝒕−𝟏 + 𝚷𝟐 𝒀𝒕−𝟐 + ⋯ + 𝚷𝒑 𝒀𝒕−𝒑 + 𝒖𝒕
 Donde:
 𝑌𝑡 es un vector k×1 variables endógenas
 𝐴𝑖 son matrices k×k de coeficientes para cada rezago i
 𝑢𝑡 es un vector k×1 de perturbaciones
 k número de variables endógenas
 p número de rezagos
 Para analizar la estabilidad del sistema, es útil reescribir este sistema como un VAR en un
espacio de dimensión mayor: 𝒁𝒕 = 𝑪𝒁𝒕−𝟏 + 𝒗𝒕
 𝑍𝑡 es un vector (kxp)x1 (k variables y p rezagos) que incluye 𝑌𝑡 , 𝑌𝑡−1 ,…, 𝑌𝑡−𝑝+1
 C es la matriz companion de dimensión (k x p)x(k x p)
 𝒗𝒕 vector de error
 Ejemplo:
 Determinación de la estabilidad de un modelo VAR
 Matriz Companion
 Estructura de la matriz companion C
 La companion matrix C tiene la forma:
 Tiene una dimensión (kxp) (kxp)

 Donde:
 𝐴1 , 𝐴2 , 𝐴𝑝 son tus matrices de coeficientes del VAR(p)
 𝐼𝑘 es la matriz identidad 𝑘𝑥𝑘
 Los ceros son matrices k×k ceros
 Calcular autovalores de C
 Ejemplo:
 Determinación de la estabilidad de un Para determinar la estabilidad, se deben calcular los
modelo VAR autovalores de C.
 Ejemplo Los autovalores λ satisfacen:
 Supongamos un VAR(1) con 2 variables det 𝐶 − 𝜆𝐼 = 0
1 0
𝒀𝒕 = 𝑨𝟏 𝒀𝒕−𝟏 + 𝒖𝒕 Con 𝐼 =
𝑦1,𝑡 0 1
𝑌𝑡 = 𝑦
2,𝑡 0.5 − 𝜆 0.2
𝑢1,𝑡 𝐶 − 𝜆𝐼 =
𝑢𝑡 = 𝑢 0.1 0.6 − 𝜆
2,𝑡
0.5 0.2 det 𝐶 − 𝜆𝐼 = 0.5 − 𝜆 0.6 − 𝜆 − 0.2 0.1
Supongamos 𝐴1 =
0.1 0.6 Se llega a la siguiente ecuación:
Matriz companion: 𝜆2 − 1.1𝜆 + 0.28 = 0
𝒁𝒕 = 𝐶𝑍𝑡−1 + 𝑣𝑡 = 𝐴1 𝑌𝑡−1 + 𝑢𝑡 𝜆1 = 0.70
𝐶 = 𝐴1 𝜆2 = 0.40
Como ambos autovalores tienen módulo < 1, entonces
el modelo es estable.
 Ejemplo:
 Determinación de la estabilidad de un modelo VAR en STATA

tsset periodo
var consumo credito, lags(1/2)
varstable
 Ejemplo:
 Determinación de la estabilidad de un modelo VAR en R
# Matriz A1 dada
A1 <- matrix(c(0.5, 0.2,
0.1, 0.6), nrow = 2, byrow = TRUE)
# Ver la matriz
print("A1:")
print(A1)
# Companion matrix en VAR(1) es simplemente A1
C <- A1
# Calcular autovalores de Cauto
valores <- eigen(C)$values
# Módulos de los autovalores
modulos <- Mod(autovalores)
# Mostrar resultados
print("Autovalores:")
print(autovalores)
print("Módulos:")
print(modulos)
# Evaluar estabilidad
if (all(modulos < 1)) {
print("El VAR(1) es ESTABLE")
} else {
print("El VAR(1) es INESTABLE")
}
 Ejemplo:
 Determinación de la estabilidad de un modelo VAR(1) en R
# Matriz A1 dada
A1 <- matrix(c(0.5, 0.2,
0.1, 0.6), nrow = 2, byrow = TRUE)
# Ver la matriz
print("A1:")
print(A1)
# Companion matrix en VAR(1) es simplemente A1
C <- A1
# Calcular autovalores de Cauto
valores <- eigen(C)$values
# Módulos de los autovalores
modulos <- Mod(autovalores)
# Mostrar resultados
print("Autovalores:")
print(autovalores)
print("Módulos:")
print(modulos)
 Ejemplo:
 Determinación de la
estabilidad de un modelo
VAR(1) en R

# Instalar y cargar el paquete si no lo tienes

[Link]("vars")
library(vars)
# Suponiendo que ya tienes tus datos y un
modelo VAR estimado:
# Aquí hay un ejemplo con datos simulados:
data(Canada) # Datos incluidos en el
paquete vars
# Estimar un VAR con 2 rezagos
modelo_var <- VAR(Canada, p = 2, type =
"const")
# Evaluar estabilidad
raices <- roots(modelo_var)
# Mostrar los valores propiosprint(raices)
 Ejemplos de sistemas
 Suponer los siguientes sistemas:
𝒚𝒕 = 𝒂𝟏𝟎 + 𝒂𝟏𝟏 𝒚𝒕−𝟏 + 𝒂𝟏𝟐 𝒛𝒕−𝟏 + 𝒆𝟏𝒕
𝒛𝒕 = 𝒂𝟐𝟎 + 𝒂𝟐𝟏 𝒚𝒕−𝟏 + 𝒂𝟐𝟐 𝒛𝒕−𝟏 + 𝒆𝟐𝒕
Si asumimos los siguientes valores: 𝒂𝟏𝟎 = 𝒂𝟐𝟎 = 𝟎; 𝒂𝟏𝟏 = 𝒂𝟐𝟐 = 𝟎. 𝟕𝟎; y 𝒂𝟏𝟐 = 𝒂𝟐𝟏 = 𝟎. 𝟐𝟎
𝑦𝑡 = 0.70𝑦𝑡−1 + 0.20𝑧𝑡−1 + 𝑒1𝑡
𝑧𝑡 = 0.20𝑦𝑡−1 + 0.70𝑧𝑡−1 + 𝑒2𝑡
En forma matricial:
𝑦𝑡 0.70 0.20 𝑦𝑡−1 𝑒1𝑡
𝑧𝑡 = + 𝑒
0.20 0.70 𝑧𝑡−1 2𝑡
Matriz companion:
0.70 0.20
𝐶=
0.20 0.70
Debemos calcular los autovalores λ, resolviendo: det 𝐶 − 𝜆𝐼 = 0
0.70 − 𝜆 0.20
0.20 0.70 − 𝜆
 Ejemplos de sistemas

 𝜆1 = 0.90

 𝜆2 = 0.50

 Debido a que las raices son positivas, reales y

menor que 1, el sistema es estable.
 Existe una tendencia de las secuencias a
moverse juntas.
 Las correlaciones cruzadas entre las dos series
son positivas.
 Una realización alta de 𝑦𝑡 induce una
realización alta de 𝑧𝑡+1 .
 Una realización alta de 𝑧𝑡 induce una
realización alta de 𝑦𝑡+1 .
 Ejemplos de sistemas
𝒚𝒕 = 𝟎. 𝟓𝒚𝒕−𝟏 − 𝟎. 𝟐𝒛𝒕−𝟏 + 𝒆𝟏𝒕
𝒛𝒕 = −𝟎. 𝟐𝒚𝒕−𝟏 + 𝟎. 𝟓𝟎𝒛𝒕−𝟏 + 𝒆𝟐𝒕
Matriz companion:
0.50 −0.20
𝐶= ; 𝜆1 = 0.70 ; 𝜆3 = 0.30 ⇒ 𝑆𝑖𝑠𝑡𝑒𝑚𝑎 𝑒𝑠𝑡𝑎𝑏𝑙𝑒
−0.20 0.50
 Ejemplos de sistemas
𝒚𝒕 = 𝟎. 𝟓𝟎𝒚𝒕−𝟏 + 𝟎. 𝟓𝟎𝒛𝒕−𝟏 + 𝒆𝟏𝒕
𝒛𝒕 = 𝟎. 𝟓𝟎𝒚𝒕−𝟏 𝟎. 𝟓𝟎𝒛𝒕−𝟏 + 𝒆𝟐𝒕
Matriz companion:
0.50 0.50
𝐶= ; 𝜆1 = 1 ; 𝜆3 = 0 ⇒ 𝑃𝑟𝑜𝑐𝑒𝑠𝑜 𝑅𝑎𝑛𝑑𝑜𝑚 𝑊𝑎𝑙𝑘
0.50 0.50

· Correlaciones cruzadas positivas

· Dinámicas no estacionarias
• El panel muestra una generalización
multivariante del modelo de paseo
aleatorio.
• Puede observar cómo las series
parecen serpentear.
• Existe poca tendencia a que las series
vuelvan a un valor constante a largo
plazo.
 Ejemplos de sistemas
𝒚𝒕 = 𝟎. 𝟓𝟎 + 𝟎. 𝟓𝟎𝒚𝒕−𝟏 + 𝟎. 𝟓𝟎𝒛𝒕−𝟏 + 𝒆𝟏𝒕
𝒛𝒕 = 𝟎. 𝟓𝟎𝒚𝒕−𝟏 𝟎. 𝟓𝟎𝒛𝒕−𝟏 + 𝒆𝟐𝒕
Matriz companion:
0.50 0.50
𝐶= ; 𝜆1 = 1 ; 𝜆3 = 0 ⇒ 𝑃𝑟𝑜𝑐𝑒𝑠𝑜 𝑅𝑎𝑛𝑑𝑜𝑚 𝑊𝑎𝑙𝑘 𝑐𝑜𝑛 𝑑𝑒𝑟𝑖𝑣𝑎
0.50 0.50

• Las dos series parecen moverse de

manera muy similar.
• El término de deriva añade una tendencia
temporal determinista al comportamiento
no estacionario de ambas series.
• Las secuencias constituyen procesos
conjuntos de caminata aleatoria con
deriva.
  ESTIMACIÓN E IDENTIFICACIÓN
 Enfoque de Sims
 Procedimiento de estimación e identificación en un VAR.
 1. Propósito del enfoque VAR según Sims
 El VAR busca identificar las relaciones dinámicas entre variables económicas, sin imponer
restricciones previas sobre su estructura.
 La prioridad es descubrir las interrelaciones relevantes a partir de los datos.
 2. Selección de variables
 Las variables que se incluyen en el VAR se eligen con base en la teoría económica relevante y el
objetivo de la investigación.
 Es importante no omitir variables que puedan tener relaciones significativas con el resto.
 3. Determinación del número de rezagos (lags)
 La longitud de rezagos se determina mediante pruebas estadísticas específicas (que se explican
más adelante en el capítulo).
 Elegir correctamente el número de rezagos es fundamental para reflejar adecuadamente la
dinámica entre las variables.
 ESTIMACIÓN E IDENTIFICACIÓN
 Enfoque de Sims
 4. Sobreparametrización y manejo de parámetros insignificantes
 El VAR suele estar sobreparametrizado:
 Si hay n variables y p rezagos, se deben estimar 𝑛 + 𝑝 ⋅ 𝑛2 coeficientes.
 Muchos de estos coeficientes serán estadísticamente insignificantes.
 Sims sostiene que no se deben imponer restricciones artificiales (por ejemplo,
eliminar parámetros con t-tests), ya que esto podría eliminar relaciones importantes.
 Además, la colinealidad entre regresores hace que los t-tests individuales no sean una
guía confiable para reducir el modelo.
 ESTIMACIÓN E IDENTIFICACIÓN
 ¿Cómo se hace el pronóstico con un modelo VAR?
 Supongamos que has estimado un modelo VAR de primer orden (VAR(1)):
𝒙𝒕 = 𝚷𝟎 + 𝚷𝟏 𝒙𝒕−𝟏 + 𝒆𝒕
 donde:
 𝑥𝑡​ es un vector de variables (por ejemplo: PIB, inflación, tipo de cambio, etc.)
 𝐴0 es un vector de constantes
 𝐴1 es una matriz de coeficientes de rezagos
 𝑒𝑡 son los errores
 Si tienes datos hasta el periodo T, y has obtenido las matrices 𝚷𝟎 𝒚 𝚷𝟏 , entonces:
 Pronóstico a un paso (1-step-ahead forecast):
𝒙𝑻+𝟏 = 𝚷𝟎 + 𝚷𝟏 𝒙𝑻
 Pronóstico a dos pasos (2-step-ahead forecast):
𝒙𝑻+𝟐 = 𝚷𝟎 + 𝚷𝟏 𝒙𝑻+𝟏
 ESTIMACIÓN E IDENTIFICACIÓN
 Modelo de Vector Autorregresivo
 Representación general modelo VAR
 Vector Autorregresivo (VAR) de la siguiente manera:
𝑋𝑡 = α + Π1 𝑋𝑡−1 + Π2 𝑋𝑡−2 + ⋯ + Π𝑝 𝑋𝑡−𝑝 + 𝜀𝑡 , 𝑡 = 1, … , 𝑇
 Donde X es un vector de N variables, 𝑡 el periodo de tiempo y 𝑝 es la longitud del rezago.
 Hay que considerar que cada ecuación tiene los mismos regresores, esto es, los valores
rezagados de 𝑦𝑡 y 𝑢𝑡 .
 Bajo esta especificación se considera que los niveles pasados de 𝑦𝑡 y 𝑢𝑡 pueden afectar el
nivel actual de la producción.
 Interdependencia en modelos VAR
 📌 Complejidad en la interpretación:
 Las relaciones entre variables en un modelo VAR no se identifican fácilmente a partir de las
matrices de parámetros.
(Lütkepohl, 2010)
 🔄 Dinámica del sistema:
 Cambios en una variable afectan a todas las demás.
 Las respuestas pueden ser contemporáneas y también ocurrir en periodos futuros.
 Funciones de Impulso-Respuesta (FIR)
 🛠 Herramienta de análisis clave:
 Se utilizan las FIR para estudiar la relación entre variables en modelos VAR.
(Lütkepohl, 2010)
 📉 Qué mide la FIR:
 La respuesta de cada variable ante un choque (shock) en el término de error de otra variable.
 Analiza esta respuesta durante varios periodos en el futuro.
 Funciones impulso respuesta
 Para calcular las FIR se parte del modelo VAR(p) que se puede expresar como:
𝚷 𝑳 𝑿𝒕 = 𝜺𝒕
 Donde 𝐿 representa un operador de rezago y Π 𝐿 es una matriz polinomial en el operador
de rezago definida como Π 𝐿 = 𝐼𝑁 − Π1 𝐿 − ⋯ − Π𝑝 𝐿𝑝 .
 A partir de la representación de media móvil del modelo VAR(p), se determina la FIR:
∞

𝑋𝑡 = Π 𝐿 −1 𝜀 = 𝜀𝑡 + 𝜑𝑖 𝜀𝑡−𝑖
𝑡
𝑖=1
 Donde la matriz 𝜑𝑖 mide la respuesta de 𝑋𝑡 a un impulso en 𝜀𝑡 a medida que transcurre el
tiempo.
 Modelos VAR: Selección de Variables
 No hay límite teórico para el número de variables en un VAR.
 Es posible construir un VAR de n ecuaciones, cada una con p rezagos de todas las n
variables.
 Criterios prácticos
 Se deben incluir variables con efectos económicos importantes entre sí.
 Los grados de libertad se reducen rápidamente al añadir variables.
 Ejemplo:
 Con datos mensuales y 12 rezagos, añadir 1 variable consume 12 grados de libertad por
ecuación.
 La selección de variables debe basarse en un análisis cuidadoso del modelo teórico.
 Modelos VAR: Selección de Variables
 Selección de rezagos en el VAR
 Se puede permitir diferente número de rezagos por variable y ecuación.
 Para preservar simetría y usar OLS eficientemente:
➡ Se suele usar el mismo número de rezagos en todas las ecuaciones.
 Consideraciones prácticas
 Muchos rezagos → consumen grados de libertad rápidamente.
 Cada ecuación: np coeficientes + intercepto.

 Selección crítica:
 Estrategia:
 Empezar con el mayor p plausible. Ejemplo: 3 años puede ser lo suficientemente lago para
capturar la dinámica del sistema (ej. 12 trimestres = 3 años).
 Usar test de razón de verosimilitud para comparar modelos con distintas longitudes de
rezago.
 Modelos VAR: Selección de Variables
 The likelihood ratio se calcula de la siguiente manera:

 Donde Σ₁₂ y Σ₈ son las matrices de varianza y covarianza con 12 y 8 rezagos respectivamente.
 Sims(1980) sugiere usar:

 Donde T es el número de observaciones utilizables, c el número de parámetros estimados en cada

ecuación del sistema no restringido, y ln|Σₙ| es el logaritmo natural del determinante de Σ.
 En el ejemplo en cuestión, c = 1 + 12n, ya que cada ecuación del modelo no restringido tiene 12
rezagos para cada variable más una constante (intercepto).
 Esta estadística tiene una distribución asintótica 𝜒² con grados de libertad iguales al número de
restricciones en el sistema.
 En el ejemplo en consideración, hay 4n restricciones en cada ecuación, para un total de 4n²
restricciones en el sistema.
 Modelos VAR: Selección de Variables

 Si ln|Σ₈| ≈ ln|Σ₁₂| → las restricciones no son vinculantes → 8 rezagos es aceptable.

 Si ln|Σ₈| mucho mayor → las restricciones son vinculantes → rechazar p = 8.
 Comparar el estadístico LR con 𝜒² (grados de libertad = número de restricciones = 4n²).
 // Estimar VAR restringido con 8 rezagos usando misma
muestra
 Modelos VAR: Selección de Variables
var invest income if e(sample), lags(1/`p_restr')
****SIMS 1980 PRUEBA CHICUADRADO matrix Sr = e(Sigma)
scalar lndet_Sr = ln(det(Sr))
use [Link] // Calcular estadístico LR
[Link]/data/r18/lutkepohl2, clear scalar LR = (T - `c') * (lndet_Sr - lndet_Su)
tsset qtr display "LR statistic = " LR
// Grados de libertad
rename inv invest local df = (`p' - `p_restr') * `n'^2
renam inc income scalar pval = chi2tail(`df', LR)
local n = 2 // Número de variables: invest e display "Degrees of freedom = " `df'
income display "p-value = " pval
// Valores críticos chi-cuadrado para niveles comunes de
local p = 12 // Rezagos del modelo irrestricto confianza
local p_restr = 8 // Rezagos del modelo restringido scalar crit_90 = invchi2(`df', 0.90)
local c = 1 + `p' * `n' // Parámetros por ecuación en scalar crit_95 = invchi2(`df', 0.95)
scalar crit_99 = invchi2(`df', 0.99)
modelo irrestricto display "Chi-square critical values:"
// Estimar VAR irrestricto con 12 rezagos display " 90%: " crit_90
var invest income, lags(1/`p') display " 95%: " crit_95
matrix Su = e(Sigma) display " 99%: " crit_99
// Interpretación básica
scalar lndet_Su = ln(det(Su)) display "Interpretación: Si LR > valor crítico, se rechaza H0 al
scalar T = e(N) nivel correspondiente."
 Modelos VAR: Selección de Variables
 Limitaciones del test de razón de verosimilitud (LR) en VAR
 El test LR se basa en teoría asintótica, que puede no ser confiable en muestras pequeñas,
muy comunes en series de tiempo.
 Además, el test LR requiere que un modelo sea una versión restringida del otro
(jerarquía anidada).
 Alternativas para seleccionar el orden de rezagos en VAR
 Criterios de información multivariados:
 AIC (Akaike Information Criterion)
 SBC (Schwarz Bayesian Criterion) o BIC

 Ventajas:
 No requieren que los modelos estén anidados.
 Son especialmente útiles con muestras pequeñas o medianas.
 Penalizan la complejidad para evitar sobreajuste.
 Modelos VAR: Selección de Variables

 Notación y conceptos para el test de razón de verosimilitud (LR)

 ∣Σ∣: Determinante de la matriz de varianza-covarianza de los residuos del modelo estimado.
Representa la "dispersion" conjunta de los errores en el sistema VAR.
 N: Número total de parámetros estimados en todas las ecuaciones del VAR (no solo por
ecuación).
Para un VAR con n variables, p rezagos y un intercepto por ecuación:
 N=n^2 p +n) donde:
 n^2 p coeficientes de rezago por ecuación, multiplicado por n ecuaciones
 1: intercepto por ecuación, multiplicado por nnn ecuaciones

 donde L = valor maximizado de la función de verosimilitud logarítmica multivariada.

 Modelos VAR: Selección de Variables
 CÓDIGO STATA
 varsoc invest income, maxlag(12)
 Supongamos que tenemos dos variables económicas en serie de tiempo:
 𝑦𝑡
 𝑧𝑡​
 Queremos modelar la dinámica conjunta de estas variables usando un modelo VAR (Vector
Autorregresivo) con p rezagos:
 Causalidad de Granger
 Definición:
Decimos que 𝑦𝑡 no Granger causa a 𝑧𝑡 si los valores pasados de 𝑦𝑡 no aportan información
útil para predecir 𝑧𝑡 más allá de la que proporcionan los valores pasados de 𝑧𝑡 mismo.
 En términos del modelo:

 Esto significa que en la ecuación de 𝑧𝑡 , los coeficientes de todos los rezagos de 𝑦𝑡 son cero y,
por tanto, los rezagos de 𝑦𝑡 no mejoran la predicción de 𝑧𝑡 ​.
 Test para la causalidad de Granger
 Para verificar si y_t Granger causa z_t, realizamos un test de hipótesis:
 Causalidad de Granger
 Cómo probar causalidad de Granger en Stata
 Supongamos que tenemos dos variables: y y z. Queremos ver si los rezagos de y ayudan a predecir
z.
 1. Estima un modelo VAR
 Por ejemplo, un VAR con 4 rezagos:
 var y z, lags(1/4)
 2. Realiza el test de causalidad de Granger
 Stata tiene un comando específico: vargranger o puedes usar test directamente. Por ejemplo:
 Para probar si y Granger causa z:
 Vargranger
 Esto te muestra un cuadro con los resultados del test de causalidad para todas las combinaciones
(quién causa a quién).
 O bien, puedes hacer un test directo:
 test (L.y = 0) (L2.y = 0) (L3.y = 0) (L4.y = 0), equation(z)
 Esto prueba:
 H0:Todos los coeficientes de los rezagos de y en la ecuación de z son cero
 Causalidad de Granger
 Cómo probar causalidad de Granger en Stata