VAR ESTRUCTURALES Y FUNCIONES

DE IMPULSO RESPUESTA
DR. LUIS MIGUEL GALI NDO
Sims(1986), Bernanke(1986), Shapiroy Watson(1988)
iniciales VAR estructurales (SVAR) o VAR identificados
En vez de identificar los coeficientes se identifican los
errores del sistema que se interpretan como combinaciones
lineales de los shocksexgenos
Inicialmente los VAR (Sims, 1980) se ortogonalizabanlas
innovaciones utilizando la descomposicin de Choleski de
la matriz de covarianzas
I. INTRODUCCIN
Dr. Galindo
Seimpone una estructura recursiva en las relaciones
instantneas entre las variables
Estesistema es arbitrario distinto orden cambia los
efectos de los shocks
I. INTRODUCCIN
Dr. Galindo
Recientemente la identificacin de shocks utilizando
restricciones de largo plazo es utilizada crecientemente
La teora econmica puede ofrecer restricciones no
lineales de los parmetros que se pueden usar para
identificar la estructura del sistema
Los SVAR utilizan normalmente solo las restricciones
necesarias a diferencias de los modelos multiecuacionales
que estn sobre identificados
I. INTRODUCCIN
Dr. Galindo
Razn Crtica de Sims(1980)
El SVAR impone solo las restricciones necesarias para
identificar a los parmetros
Impulso respuesta del SVAR o SVECM son funciones no
lineales de los parmetros
I. INTRODUCCIN
Dr. Galindo
SUECM:
(1)
Donde:
y es un vector de variables endgenas
Z
t
=Vector de variables exgenas o variables estocsticas
no modelados
D
t
=Contiene todos los trminos determinsticos
II. LOS MODELOS
Dr. Galindo
t t t p t p t t t
U Z B D C Y Y Y Y + + + A I + + A I + = AA
+

* * * ... *
1 1 1 1 1
t
) 1 * ( )' ,... (
1
k es Y Y Y
kt t t
=
Los shocks se asocian con un sentido econmico (shocks
de precios de petrleo) pero como no son observados
directamente se requieren supuestos para identificarlos
II. LOS MODELOS
Dr. Galindo
Para analizar por separado el impacto dinmico a los
shockscomo no correlacionados (ortogonales)
Los shocks o innovaciones estructurales (e
t
) se
relacionan con los residuales del modelos como
V
t
=
Se considera que las verdaderas variables exgenas entrar
a travesdel termino de error
II. LOS MODELOS
Dr. Galindo
t
e |
As, el modelo a utilizar es:
(2)
con e
t
~(0,
II. LOS MODELOS
Dr. Galindo
t p t p t y t
e Y Y Y
t
| t + A I + + A I + = AA
+

1 1 1 1
* ... * *
1
)
k
I
El VAR en niveles equivalentes es:
(3)
II. LOS MODELOS
Dr. Galindo
t p t p t
x
t
e Y Y Y | + A + + A = A

* ...
1
1
La forma reducida de (2) o (3) es:
(4.1)
(4.2)
Donde:
Relaciona los errores de la forma
reducida con los shocksestructurales
II. LOS MODELOS
Dr. Galindo
t p t p t t t
u Y Y Y Y + A I + + A I + A = A
+ 1 1 1 1 1
... t
t p t t t
u pY Y Y + A + + A =

...
1 1
* 1 1
*
j j
I A I A =

t t
* 1
j j
A A = A

t t
e U |
1
A =

t
e
La identificacin de los parmetros estructurales requiere
imponer restricciones en las matrices de parmetros
La matriz A especifica las relaciones instantneas puede
incluso suponer (A =I
k
) que implica que los shocks de e
t
son ortogonales y ello no es suficiente para alcanzar la
identificacin.
Para un sistema de k dimensiones se requieren k(k-1)/2
restricciones para ortogonalizar los shocks porque existen
k(k-1)/2 potencialmente diferentes covarianzas.
II. LOS MODELOS
Dr. Galindo
Las restricciones pueden obtenerse con un ajuste en el
tiempo de los shocks: los shocks afectan a algunas
variables directamente en el tiempo actual y a otro
subconjunto de variables solo con un rezago de tiempo.
Ejemplo: Identificacin triangular o recursiva (Sims,
1980)
Worldcausal ChainSystem
II. LOS MODELOS
Dr. Galindo
Las opciones de restricciones son:
1. El vector de innovaciones et se modela
como un sistema interdependiente de ecuaciones lineales
tal que
Las restricciones lineales de A pueden escribirse como un
vector donde contiene todos los
elementos sin restringir de A, es una matriz con 0-1
elementos y es un vector normalmente de constantes.
II. LOS MODELOS
Dr. Galindo
=
k
I |
t t
e u = A
( )
A A A
+ = A q
A
q
A

2. El vector de innovaciones es y
la exclusin de algunos shocks estructurales (que son sus
combinaciones lineales) en ecuaciones particulares
Vec se impone donde incluye los
elementos sin restringir de y es la matriz con
elementos 0-1.
II. LOS MODELOS
Dr. Galindo
= A
k
I
t t
e U | =
( )
| | |
q | + =
|

|
|
q
3. El modelo AB (Amisano y Gionnini (1997) que
combina las restricciones en A y B en donde el modelo de
las innovaciones es Au
t
= y las restricciones son:
vec(A) =
vec(B) =
II. LOS MODELOS
Dr. Galindo
t
e |
A A A
+ q
B B B
q +
4. Existe informacin a priori de los efectos de largo plazo
de algunos de los shocks. Estos shocks son medidos
considerando las respuestas de las variables del sistema.
II. LOS MODELOS
Dr. Galindo
Es posible verificar la identificacin del sistema de un
SVAR utilizando la condicin de orden similar a la
utilizada para los sistemas de ecuaciones simultneas.
El numero de parmetros de la forma reducida del VAR
(dejando afuera los parmetros asociados a las variables
rezagadas) esta dado por el numero de elementos no
redundantes de la matriz de covarianzas.
II. LOS MODELOS
Dr. Galindo
( ) ( ) 2 / 1 +

k k u
Entonces no es posible identificar a ms de k(k+1)/2
parametrosde la forma estructural.
El nmero total de elementos de la forma estructural de las
matrices A y B son 2k
2
II. LOS MODELOS
Dr. Galindo
Las restricciones requeridas para identificar un modelo
completo son:
(5)
Haciendo a una de las matrices A o B igual a la identidad
entonces se requiere k(k-1)/2 restricciones adicionales.
II. LOS MODELOS
Dr. Galindo
( ) ( )
2
1
2
1
2
2 2
+
+ =
+

k k
k
k k
k
Ejemplo: Modelo estructural keynesiano:
(6.1) (IS)
(6.2) (LM)
(6.3) (Oferta Monetaria)
Donde:
q=output
i=tasa de interes
m=agregado monetario
Supuesto: Los shocksestructurales no estn auto
correlacionados
II. LOS MODELOS
Dr. Galindo
IS
t t
q
t
e b u a u
11 12
+ =

22 23 21
b u a u a u
m
t
q
t
i
t
+ =
m
t
m
t
e u
3
| =
(6.1) Es una curva tradicional IS con un parmetro
negativo para la innovacin de tasa de inters
(6.2) Resolviendo una demanda de dinero con respecto a
las innovaciones de la tasa de inters

1
>0
2
<0
(6.3) Indica que las innovaciones de la base monetaria son
llevados por shocksde oferta monetaria exgenas
II. LOS MODELOS
Dr. Galindo
LM
t
i
t
q
t
m
t
e u u u + + =
2 1
| |
(6.1) (6.2) y (6.3) en un modelo AB puede escribirse con 0
(7) Au
t
= e
t
u
t
=
t
II. LOS MODELOS
Dr. Galindo
|
(
(
(

1 0 0
1
0 1
23 21
12
a a
a
(
(
(

23
22
11
0 0
0 0
0 0
b
b
b
vec(A) = = +
II. LOS MODELOS
Dr. Galindo
(
(
(
(
(
(
(
(
(
(
(
(

1
0
0
1
0
1
23
21
21
a
a
a
(
(
(
(
(
(
(
(
(
(
(
(

0 0 0
1 0 0
0 0 0
0 0 0
0 0 0
0 1 0
0 0 0
0 0 1
0 0 0
(
(
(

23
12
21
a
a
a
(
(
(
(
(
(
(
(
(
(
(
(

1
0
0
0
1
0
0
0
1
vec(B) = =
II. LOS MODELOS
Dr. Galindo
(
(
(
(
(
(
(
(
(
(
(
(

33
22
11
0
0
0
0
0
0
b
b
b
(
(
(
(
(
(
(
(
(
(
(
(

1 0 0
0 0 0
0 0 0
0 0 0
0 1 0
0 0 0
0 0 0
0 0 0
0 0 1
(
(
(

33
22
11
b
b
b
Se requieren 2k
2
k(k+1)/2 restricciones para que el
modelo este exactamente identificado
Ejemplo:
k=3 2k2 k(k+1)/2
Se requieren 12 restricciones en A y B
Las restricciones en (7) son 12 (incluyendo 1 y 0)
II. LOS MODELOS
Dr. Galindo
12 6 18
2
) 4 ( 3
) 9 ( 2 = =
VAR estacionario:
La representacin Woldde un promedio mvil es:
(8)
Donde:
Los coeficientes de esta representacin pueden representarse
como reflejando las respuestas a los impulsos que pegan al
sistema.
III. FUNCIONES DE IMPULSO RESPUESTA
Dr. Galindo
...
2 2 1 1
+ + + =
t t t t
u u u y | | |

=

= =
s
j
j j s s k
A I
1
0
| | |
Con series I(0) el efecto de un impulso es transitorio
Los elementos de las matrices |
s
capturan las respuestas
esperadas de y
i t+s
y el cambio de una unidad en y
j t
,
manteniendo constantes los valores pasados de y
t
.
Mide el efecto de u
t
en y
i t
III. FUNCIONES DE IMPULSO RESPUESTA
Dr. Galindo
Funcin de pronstico de impulso respuesta para los u
t
son
el error de pronstico de un paso adelante.
Los efectos acumulados se obtienen sumando las matrices
(9)
Esta matriz existe si el VAR es estable.
III. FUNCIONES DE IMPULSO RESPUESTA
Dr. Galindo
( )

= =
0
1
1
...
s
k s
A A I

| |
: s |
Es difcil capturar el efecto aislado si los componentes de
u
t
estn correlacionados contemporneamente, esto es,
no es diagonal.
Descomposicin de Choleski:
donde los shocksortogonales estn dados
por:
III. FUNCIONES DE IMPULSO RESPUESTA
Dr. Galindo

u
BB u =

t t
u e
1
= |
Se obtiene:
(10)
Donde es una matriz triangular baja, donde los
efectos de e
it
pueden ser instantneos en las otras
variables, pero no a la inversa.
III. FUNCIONES DE IMPULSO RESPUESTA
Dr. Galindo
p t t t t
e e e y

+ + = ...
1
| =
En SVAR los residuales estn representados por |e
t
con
una matriz diagonal de covarianzas que se
especifica, normalmente, como una matriz identidad
Modelo AB:
Las funciones de impulso respuesta en un SVAR se
obtiene de
Suponiendo algunos elementos de largo plazo como ceros
(11.1)
III. FUNCIONES DE IMPULSO RESPUESTA
Dr. Galindo
( )

=
t t t
e e e E

t t
Be Au =
B A
j
1
= |
...
1 0
+ + =
Impulso respuesta para VAR no estacionarios y VECM:
No existe la descomposicin de Wold, pero se pueden
obtener las matrices |s aunque no converjan a cero los
shoks.
En general las funciones acumuladas no existen.
III. FUNCIONES DE IMPULSO RESPUESTA
Dr. Galindo
En el caso donde y
t
puede representarse como VECM, se
tiene:
(11.2)
Entonces tiene representacin MA:
(11.3)
III. FUNCIONES DE IMPULSO RESPUESTA
Dr. Galindo
t p t p t t y
u y y y y + A I + + A I + = A
+ 1 1 1 1 1

... o|
( )
- -
=
+ O + O =
0
1
y u L u y
t
t
i
i t
Donde:
contiene los valores iniciales
O tiene rango k r. Si el rango de cointegracin del
sistema es r y representa los efectos de largo plazo,
mientras que contiene los efectos de corto plazo.
III. FUNCIONES DE IMPULSO RESPUESTA
Dr. Galindo
( ) ( )

1
1
1

=

I = O

o | o |
p
i
i N
I
( )
j
j
j
L L


=
- -
O = O
0
-
O
y
-
O
j
Reemplazando u
t
por A
-1
Be
t
, entonces el efecto
ortogonalizadode corto plazo de impulso respuesta es
Los efectos e
t
de largo plazo son: y rango
La matriz O tiene a lo ms r columnas de ceros
Tiene a los ms r shockscon efectos transitorios
(impacto cero de largo plazo) y al menos existen
shockscon efectos permanentes.
Supuesto:
III. FUNCIONES DE IMPULSO RESPUESTA
Dr. Galindo
B A
1 -
O
B A
1 -
O
( ) r k = O
r k k =
-
k
I A =
III. FUNCIONES DE IMPULSO RESPUESTA
Dr. Galindo
Para identificar los shocksse necesitan
restricciones adicionales.
( )
2
1
- -
k k
III. FUNCIONES DE IMPULSO RESPUESTA
Dr. Galindo
En forma similar, se requieren
restricciones adicionales para identificar
los shockstransitorios.
( )
2
1 r r
En total existen:
restricciones.
III. FUNCIONES DE IMPULSO RESPUESTA
Dr. Galindo
( ) ( ) ( )
2
1
2
1
2
1 +
=

+
- -
-
k k r r k k
r k
Ejemplo: Con r = 2 y k = 3
L.P.: k* = 1
C.P.:
III. FUNCIONES DE IMPULSO RESPUESTA
Dr. Galindo
r k k =
-
( )
0
2
1
=

- -
k k
( )
1
2
1
=
r r
Ejemplo: J acobson, Verdn y Warne(1997):
Funcin de produccin, funcin de demanda de trabajo y
oferta de trabajo y salario:
1. Funcin de produccin de produccin: Relaciona output
(gdpt) y empleo (empt):
III. FUNCIONES DE IMPULSO RESPUESTA
Dr. Galindo
(12.1)
p =mide los rendimientos a escala
|1t =es la tendencia estocstica tecnolgica que significa
un camino aleatorio.
(12.2)
es un shockpuramente tecnolgico.
III. FUNCIONES DE IMPULSO RESPUESTA
Dr. Galindo
t t t
pemp gdp
1
u + =
gdp
t t t
e + =
1 1 1
u u
gdp
t
e
2. La demanda de empleo a producto y salarios reales es
(w p)t:
(12.3)
con rrminode error:
(12.4)
Con la demanda de trabajo es estacionaria y
slo tiene efecto estacionario.
III. FUNCIONES DE IMPULSO RESPUESTA
Dr. Galindo
( )
t t t t
p w gdp emp
2
u q + =
d
t t d t
e + =
1 2 2
u | u
1 <
d
|
d
t
e
J acobsonet. al (1997) asumen que implica que la
demanda de trabajo no tiene efectos de largo plazo con
cointegracinel supuesto de estacionariedadpuede
evaluarse.
3. La fuerza de trabajo (lt) se relaciona con el precio como
(12.5)
III. FUNCIONES DE IMPULSO RESPUESTA
Dr. Galindo
0 =
d
|
( )
t t t
p w l
3
u t + =
Donde:
u
3t
es una senda aleatoria:
(12.6)
es el shockde oferta de trabajo.
III. FUNCIONES DE IMPULSO RESPUESTA
Dr. Galindo
s
t t t
e + =
1 3 3
u u
s
t
e
4. La relacin de salario:
(12.7)
Salarios son funcin de la productividad y del desempleo
u
4t
puede ser estacionario o no estacionario.
Se puede utilizar anlisis emprico.
III. FUNCIONES DE IMPULSO RESPUESTA
Dr. Galindo
( ) ( ) ( )
t t t
emp emp gdp p w
4
1 u o + =
w
t t w t
e + =
1 4 4
u | u
El modelo es llevado por dos sendas aleatorias de oferta
de trabajo y la funcin de produccin.
Suponiendo r = 2 entonces y slo dos
shockstiene efectos permanentes.
Para identificar a los dos shockspermanentes se considera
que:
Supuesto: Rendimientos constantes a escala p = 1 implica que
la productividad slo es afectada por los shockse
gdp
de largo
plazo.
III. FUNCIONES DE IMPULSO RESPUESTA
Dr. Galindo
2 = =
-
k r k
( )
1
2
1
=

- -
k k
1. Estimadores GLS
2. Inferencia estadstica con un modelo sobreidentificado
con LR
IV. ESTIMACIONES DE LOS PARMETROS DE SVAR
Dr. Galindo
El gasto h de error de pronstico del VAR es:
(13)
Expresando este modelo en trminos de las innovaciones
estructurales:
da:
V. DESCOMPOSICIN DE VARIANZA DE
PRONSTICO
Dr. Galindo
1 1 1 1
...
+ + + + +
+ + + =
T h h T h T T h T h T
u u u y y | |
( )
t kt t t
Au B e e e
1

1
,...,

= =
(14)
Donde:
As, la descomposicin de varianza es:
(15)
V. DESCOMPOSICIN DE VARIANZA DE
PRONSTICO
Dr. Galindo
1 1 1 0
...
+ + + + +
+ + + =
T h h T h T T h T h T
e e e y y
B A
j j
1
= |
( ) ( ) ( )

= =

+ + = + + =
1
0 1
2
1 ,
2
0 ,
2
,
2
, 1
2
... ...
h
h
k
j
h kj kj h kk n k k
n | o
La contribucin en porcentaje es:
(16)
V. DESCOMPOSICIN DE VARIANZA DE
PRONSTICO
Dr. Galindo
( )
( )
( ) h
h w
k
h kj kj
kj
2
2
1 ,
2
0 ,
...
o
|

+ +
=
Modelo AB:
IS LM (Breiturg, 2000):
SVAR en niveles para no imponer demasiadas restricciones
VI. EJEMPLOS
Dr. Galindo
( )

, ,
t t t t
m i q y =
(17.1) (IS)
(17.2) (LM)
(17.3) (Oferta de dinero)
VI. EJEMPLOS
Dr. Galindo
IS
t
i
t
q
t
e b u a u
11 12
+ =
LM
t
m
t
q
t
i
t
e b u a u a u
22 23 21
+ =
m
t
m
t
e b u
33
=
t
e
b
b
b
a a
a
(
(
(

=
(
(
(

33
22
11
23 21
12
0 0
0 0
0 0
1 0 0
1
0 1
Estimando por ML:
VI. EJEMPLOS
Dr. Galindo
( )
( ) ( )
( )
( )
(
(
(
(
(
(

=
(
(
(
(
(
(

/ 2, 5
/ 1, 7
2, 70 . , 3/
. , 03
0056 . 0 0 0
0 0087 . 0 0
0 0 0068 . 0
~
1 0 0
73 . 0 1 14 . 0
0 04 . 0 1
~
B A
Incluyendo pruebas de t
-0.04 signo equivocado pero no significativo
La matriz de impacto de las estimaciones ML es:
VI. EJEMPLOS
Dr. Galindo
2 1
10
56 . 0 00 . 0 00 . 0
42 . 0 88 . 0 10 . 0
02 . 0 03 . 0 69 . 0
~ ~

(
(
(

= B A
Modelo BlanrhardQuah:
Modelo divariado de producto y desempleo
Los shocksde demanda agregada son identificados como
transitorios y los shocksde oferta tienen efectos
permanentes en el producto.
VI. EJEMPLOS
Dr. Galindo
( )

,
t
uN
t
q
t
y A =
Vector de shocksestructurales esta identificada
a travs de las restricciones de largo plazo en el
producto.
Esta restriccin implica una estructura triangular que puede
obtenerse con la descomposicin de Choleski.
VI. EJEMPLOS
Dr. Galindo
( )
d
t
s
t t
e e e , =
d
t
e
La estimacin de las matrices del VAR sin restricciones
son:
Los efectos de oferta son relevantes
VI. EJEMPLOS
Dr. Galindo
( ) ( )
( ) ( )
(
(
(
(

=



208 . 0 220 . 0
930 . 0 075 . 0

B
( )
( ) ( )
(
(
(
(

044 . 4 008 . 0
0 519 . 0

Mercado de trabajo.
son
VI. EJEMPLOS
Dr. Galindo
( ) ( ) | |
t
N
t t t t
p w u em em gdp y = , , ,
( ) ( )
t t t
p w u em e gdp , , ,
( ) 1 I
VECM:
t: productivity
Identificacin de los shocksen el mercado laboral:
VI. EJEMPLOS
Dr. Galindo
( ) ( )
t t t t t
ec t uN em e dgp p w + + + = 709 . 0 724 . 1 013 . 0 54 . 0

, , ,
|
.
|

\
|
=
w
t
e
s
t
e
d
t
e
gdp
t
e
t
e
Supuesto:
se necesitan restricciones
linealmente independientes para identificar exactamente a B
los shocksson permanentes
shockscon efectos transitorios
VI. EJEMPLOS
Dr. Galindo
=
k
I A
( ) 6 1
2
1
= k k
= =
-
3 r k k
1 = r
Cointegracinsugiere que es y por tanto no tiene
impacto en las variables includas en que corre con 4
restricciones en la ltima columna de la matriz de
identificacin de largo plazo B.
El rango reducido de B impone que
Para identificar los shockspermanentes se
requieren restricciones adicionales.
VI. EJEMPLOS
Dr. Galindo
w
t
e
( ) 0 I
t
y
3 =
-
r k
3 =
-
k
( )
3
2
1
=

- -
k k
Con rendimientos constantes la productividad es slo
llevada por shocks tecnolgicos en el largo plazo.
Esto se impone haciendo 2, 3 y 4 igual a cero.
Como ya esta impuesto se requiere una restriccin
ms.
VI. EJEMPLOS
Dr. Galindo
ydp
t
e
0
14
= OB
Supuesto: Los shocksde demanda no tienen efectos en los
salarios reales
VI. EJEMPLOS
Dr. Galindo
0 42=
B
|
|
|
|
|
.
|

\
|
- - -
- - -
- - -
-
= O
|
|
|
|
|
.
|

\
|
- - -
- - - -
- - - -
- - - -
=
0
0
0
0 0 0
0
B B
Estimaciones:
VI. EJEMPLOS
Dr. Galindo
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( )
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
.
|

\
|

=
5.99 0.74 0.73
1.53 0.09 5.22 0.44
2.12 0.88 4.15 1.72
0.92 0.66 0.61 5.94
49 . 0 48 . 0 0 11 . 0
05 . 0 01 . 0 27 . 0 03 . 0
09 . 0 16 . 0 26 . 0 12 . 0
07 . 0 15 . 0 07 . 0 58 . 0
~
B
VI. EJEMPLOS
Dr. Galindo
( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
.
|

\
|

= O
0.91 3.59 0.84
0.91 3.54 1.38
0.85 3.10 0.86
5.21
0 25 . 0 60 . 0 15 . 0
0 14 . 0 34 . 0 16 . 0
0 49 . 0 58 . 0 20 . 0
0 0 0 79 . 0
B
Los shockslaborales de ofertanoteienenimpacto de largo
plazo en el desempleo
H
0
: Rechazada
VI. EJEMPLOS
Dr. Galindo
0 :
33 0
= OB H
( ) ( ) 014 . 0 07 . 6 1
2
= = ~ p LR LR _
Problema: La identificacin de las innovaciones
Restricciones increbles
La teora coincidecon la prctica
VII. CONCLUSIONES
Dr. Galindo
VAR ESTRUCTURALES Y FUNCIONES
DE IMPULSO RESPUESTA
DR. LUIS MIGUEL GALI NDO