VAR ESTRUCTURALES Y FUNCIONES DE IMPULSO RESPUESTA DR. LUIS MIGUEL GALI NDO I. INTRODUCCIÓN • Sims (1986), Bernanke (1986), Shapiro y 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 shocks exógenos •Inicialmente los VAR (Sims, 1980) se ortogonalizaban las innovaciones utilizando la descomposición de Choleski de la matriz de covarianzas Dr. Galindo I. INTRODUCCIÓN Se impone una estructura recursiva en las relaciones instantáneas entre las variables Este sistema es arbitrario distinto orden cambia los efectos de los shocks Dr. Galindo I. INTRODUCCIÓN Recientemente la identificación de shocks utilizando restricciones de largo plazo es utilizada crecientemente La teoría económica puede ofrecer restricciones no lineales de los parámetros 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 están sobre identificados Dr. Galindo I. INTRODUCCIÓN Razón – Crítica de Sims (1980) El SVAR impone solo las restricciones necesarias para identificar a los parámetros Impulso respuesta del SVAR o SVECM son funciones no lineales de los parámetros Dr. Galindo II. LOS MODELOS SUECM: (1) Yt * Yt 1 1 Yt 1 ... * p 1 Yt p 1 C * Dt B * Z t U t Donde: Yt (Y1t ,...Ykt )' es(k * 1) y es un vector de variables endógenas Zt= Vector de variables exógenas o variables estocásticas no modelados Dt= Contiene todos los términos determinísticos Dr. Galindo II. LOS MODELOS Los shocks se asocian con un sentido económico (shocks de precios de petróleo) pero como no son observados directamente se requieren supuestos para identificarlos Dr. Galindo II. LOS MODELOS Para analizar por separado el impacto dinámico a los shocks como no correlacionados (ortogonales) Los shocks o innovaciones estructurales (et) se relacionan con los residuales del modelos como Vt= et Se considera que las verdaderas variables exógenas entrar a traves del termino de error Dr. Galindo II. LOS MODELOS Así, el modelo a utilizar es: (2) Yt * yt 1 1 * Yt 1 ... * p 1 Yt p 1 et con et~(0, k ) Dr. Galindo II. LOS MODELOS El VAR en niveles equivalentes es: (3) Y t x 1Y t 1 ... * p Y t p e t Dr. Galindo II. LOS MODELOS La forma reducida de (2) o (3) es: (4.1) Y t Y t 1 1 Y t 1 ... p 1 Y t p 1 u t (4.2) Y t 1 Y t 1 ... pY t p u t Donde: 1 * j 1 *j j 1 *j e t Relaciona los errores de la forma reducida con los shocks estructurales et U t 1 Dr. Galindo II. LOS MODELOS La identificación de los parámetros estructurales requiere imponer restricciones en las matrices de parámetros La matriz A especifica las relaciones instantáneas puede incluso suponer (A = Ik) que implica que los shocks de et son ortogonales y ello no es suficiente para alcanzar la identificación. 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. Dr. Galindo II. LOS MODELOS 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: Identificación triangular o recursiva (Sims, 1980) World causal Chain System Dr. Galindo II. LOS MODELOS Las opciones de restricciones son: 1. I k El vector de innovaciones et se modela como un sistema interdependiente de ecuaciones lineales tal que u t et 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. Dr. Galindo II. LOS MODELOS 2. I k El vector de innovaciones es U t et y la exclusión 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. Dr. Galindo II. LOS MODELOS 3. El modelo AB (Amisano y Gionnini (1997) que combina las restricciones en A y B en donde el modelo de las innovaciones es Aut = et y las restricciones son: vec(A) = vec(B) = B B B Dr. Galindo II. LOS MODELOS 4. Existe información 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. Dr. Galindo II. LOS MODELOS Es posible verificar la identificación del sistema de un SVAR utilizando la condición de orden similar a la utilizada para los sistemas de ecuaciones simultáneas. El numero de parámetros de la forma reducida del VAR (dejando afuera los parámetros asociados a las variables rezagadas) esta dado por el numero de elementos no redundantes de la matriz de covarianzas. u k k 1 / 2 Dr. Galindo II. LOS MODELOS Entonces no es posible identificar a más de k(k+1)/2 parametros de la forma estructural. El número total de elementos de la forma estructural de las matrices A y B son 2k2 Dr. Galindo II. LOS MODELOS Las restricciones requeridas para identificar un modelo completo son: (5) k k 1 k k 1 2 k 2k 2 2 2 Haciendo a una de las matrices A o B igual a la identidad entonces se requiere k(k-1)/2 restricciones adicionales. Dr. Galindo II. LOS MODELOS Ejemplo: Modelo estructural “keynesiano”: (6.1) u tq a 12 u t b 11 e tIS (IS) (6.2) u ti a 21 u tq a 23 u tm b 22 (LM) (6.3) u m t 3 e tm (Oferta Monetaria) Donde: q= output i= tasa de interes m=agregado monetario Supuesto: Los shocks estructurales no están auto correlacionados Dr. Galindo II. LOS MODELOS (6.1) Es una curva tradicional IS con un parámetro negativo para la innovación de tasa de interés (6.2) Resolviendo una demanda de dinero con respecto a las innovaciones de la tasa de interés u tm 1 u tq 2 u ti e tLM β1>0 β2<0 (6.3) Indica que las innovaciones de la base monetaria son llevados por shocks de oferta monetaria exógenas Dr. Galindo II. LOS MODELOS (6.1) (6.2) y (6.3) en un modelo AB puede escribirse con 0 (7) Aut = et 1 a 21 0 a12 1 0 0 a 23 ut = 1 b11 0 0 Dr. Galindo 0 b22 0 0 0 b23 εt II. LOS MODELOS vec(A) = 1 a 21 0 a 21 1 0 0 a 23 1 = 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 a21 a 12 a23 Dr. Galindo + 1 0 0 0 1 0 0 0 1 II. LOS MODELOS vec(B) = b11 0 0 0 b22 0 0 0 b 33 = 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 Dr. Galindo b11 b 22 b33 II. LOS MODELOS Se requieren 2k2 –k(k+1)/2 restricciones para que el modelo este exactamente identificado Ejemplo: k=3 2k2 – k(k+1)/2 2 (9 ) 3( 4 ) 18 6 12 2 Se requieren 12 restricciones en A y B Las restricciones en (7) son 12 (incluyendo 1 y 0) Dr. Galindo III. FUNCIONES DE IMPULSO RESPUESTA VAR estacionario: La representación Wold de un promedio móvil es: (8) y t u t 1 u t 1 2 u t 2 ... Donde: 0 Ik s s j 1 s j Aj Los coeficientes de esta representación pueden representarse como reflejando las respuestas a los impulsos que pegan al sistema. Dr. Galindo III. FUNCIONES DE IMPULSO RESPUESTA 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 yj t, manteniendo constantes los valores pasados de yt. Mide el efecto de ut en yi t Dr. Galindo III. FUNCIONES DE IMPULSO RESPUESTA Función de pronóstico de impulso respuesta para los ut son el error de pronóstico de un paso adelante. Los efectos acumulados se obtienen sumando las matrices s : (9) s0 s I k A 1 ... A Esta matriz existe si el VAR es estable. Dr. Galindo 1 III. FUNCIONES DE IMPULSO RESPUESTA Es difícil capturar el efecto aislado si los componentes de ut están correlacionados contemporáneamente, esto es, u no es diagonal. Descomposición de Choleski: u BB ´ por: e t donde los shocks ortogonales están dados 1 ut Dr. Galindo III. FUNCIONES DE IMPULSO RESPUESTA Se obtiene: (10) y t e t e t 1 ... e t p Donde es una matriz triangular baja, donde los efectos de eit pueden ser instantáneos en las otras variables, pero no a la inversa. Dr. Galindo III. FUNCIONES DE IMPULSO RESPUESTA En SVAR los residuales están representados por et con una matriz diagonal de covarianzas E et et´ et que se especifica, normalmente, como una matriz identidad Au Modelo AB: t Be t Las funciones de impulso respuesta en un SVAR se obtiene de j A 1 B Suponiendo algunos elementos de largo plazo como ceros (11.1) 0 1 ... Dr. Galindo III. FUNCIONES DE IMPULSO RESPUESTA Impulso respuesta para VAR no estacionarios y VECM: No existe la descomposición de Wold, pero se pueden obtener las matrices s aunque no converjan a cero los shoks. En general las funciones acumuladas no existen. Dr. Galindo III. FUNCIONES DE IMPULSO RESPUESTA En el caso donde yt puede representarse como VECM, se tiene: ´ y y t 1 1 y t 1 ... p 1 y t p 1 u t (11.2) y Entonces tiene representación MA: (11.3) y t t i1 u i L u t Dr. Galindo y 0 III. FUNCIONES DE IMPULSO RESPUESTA Donde: I ´ L N j0 j p 1 i 1 L i 1 ´ j y contiene los valores iniciales tiene rango k – r. Si el rango de cointegración del sistema es r y representa los efectos de largo plazo, mientras que j contiene los efectos de corto plazo. Dr. Galindo III. FUNCIONES DE IMPULSO RESPUESTA Reemplazando ut por A-1Bet, entonces el efecto ortogonalizado de corto plazo de impulso respuesta es A1B Los efectos et de largo plazo son: A 1 B y rango k r La matriz tiene a lo más r columnas de ceros Tiene a los más r shocks con efectos transitorios (impacto cero de largo plazo) y al menos existen k k r shocks con efectos permanentes. Supuesto: A Ik Dr. Galindo III. FUNCIONES DE IMPULSO RESPUESTA Para identificar los shocks se necesitan k k 1 2 restricciones adicionales. Dr. Galindo III. FUNCIONES DE IMPULSO RESPUESTA En forma similar, se requieren r r 1 2 restricciones adicionales para identificar los shocks transitorios. Dr. Galindo III. FUNCIONES DE IMPULSO RESPUESTA En total existen: k k 1 r r 1 k k 1 k r 2 2 2 restricciones. Dr. Galindo III. FUNCIONES DE IMPULSO RESPUESTA Ejemplo: Con r = 2 y k = 3 k k r L.P.: k* = 1 C.P.: k k 1 0 2 r r 1 1 2 Dr. Galindo III. FUNCIONES DE IMPULSO RESPUESTA Ejemplo: Jacobson, Verdín y Warne (1997): Función de producción, función de demanda de trabajo y oferta de trabajo y salario: 1. Función de producción de producción: Relaciona output (gdpt) y empleo (empt): Dr. Galindo III. FUNCIONES DE IMPULSO RESPUESTA (12.1) gdp t pemp t 1t p = mide los rendimientos a escala 1t = es la tendencia estocástica tecnológica que significa un camino aleatorio. (12.2) etgdp 1 t 1 t 1 e tgdp es un shock puramente tecnológico. Dr. Galindo III. FUNCIONES DE IMPULSO RESPUESTA 2. La demanda de empleo a producto y salarios reales es (w – p)t: (12.3) emp t gdp t w p t 2t con rérmino de error: (12.4) 2t d 2t 1 etd Con d 1 la demanda de trabajo es estacionaria y sólo tiene efecto estacionario.e td Dr. Galindo III. FUNCIONES DE IMPULSO RESPUESTA Jacobson et. al (1997) asumen d 0 que implica que la demanda de trabajo no tiene efectos de largo plazo con cointegración el supuesto de estacionariedad puede evaluarse. 3. La fuerza de trabajo (lt) se relaciona con el precio como (12.5) l t w p t 3t Dr. Galindo III. FUNCIONES DE IMPULSO RESPUESTA Donde: 3t es una senda aleatoria: (12.6) 3 t 3 t 1 e ts e s t es el shock de oferta de trabajo. Dr. Galindo III. FUNCIONES DE IMPULSO RESPUESTA 4. La relación de salario: (12.7) w p gdp emp t 1 emp t 4t Salarios son función de la productividad y del desempleo 4t puede ser estacionario o no estacionario. 4 t w 4 t 1 e tw Se puede utilizar análisis empírico. Dr. Galindo III. FUNCIONES DE IMPULSO RESPUESTA El modelo es llevado por dos sendas aleatorias de oferta de trabajo y la función de producción. Suponiendo r = 2 entonces k r k 2 shocks tiene efectos permanentes. y sólo dos Para identificar a los dos shocks permanentes se considera que: k k 1 1 2 Supuesto: Rendimientos constantes a escala p = 1 implica que la productividad sólo es afectada por los shocks egdp de largo plazo. Dr. Galindo IV. ESTIMACIONES DE LOS PARÁMETROS DE SVAR 1. Estimadores GLS 2. Inferencia estadística con un modelo sobreidentificado con LR Dr. Galindo V. DESCOMPOSICIÓN DE VARIANZA DE PRONÓSTICO El gasto h de error de pronóstico del VAR es: (13) y T h y T h T u T h 1u T h 1 ... h 1u T 1 Expresando este modelo en términos de las innovaciones estructurales: e t e 1 t ,..., e kt ´ B 1 Au t Dr. Galindo da: V. DESCOMPOSICIÓN DE VARIANZA DE PRONÓSTICO (14) y T h y T h T 0 eT h eT h 1 ... h 1 eT 1 Donde: j jA 1 B Así, la descomposición de varianza es: (15) n h 1 2 k h0 2 k 1, n ... k 2 kk , h Dr. Galindo j 1 2 kj , 0 ... 2 kj , h 1 V. DESCOMPOSICIÓN DE VARIANZA DE PRONÓSTICO La contribución en porcentaje es: (16) w kj h 2 kj , 0 ... 2 k h Dr. Galindo 2 kj , h 1 VI. EJEMPLOS Modelo AB: IS – LM (Breiturg, 2000): y t q t , i t , m t ´ SVAR en niveles para no imponer demasiadas restricciones Dr. Galindo VI. EJEMPLOS (17.1) (17.2) (17.3) u tq a 12 u ti b 11 e tIS (IS) u ti a 21 u tq a 23 u tm b 22 e tLM u tm b 33 e tm 1 a 21 0 a12 1 0 0 b11 a 23 0 1 0 (LM) (Oferta de dinero) 0 b22 0 Dr. Galindo e t b33 0 0 VI. EJEMPLOS Estimando por ML: 2 9 . 4 1 5 . 0 0 0 0.0068 0 ~ 0 B 0.0087 0 0.73 0 0.0056 0 1 9 . 3 1 5 2 . 0 7 . 4 1 1 0.04 ~ A 0.14 1 0 0 Dr. Galindo VI. EJEMPLOS Incluyendo pruebas de t -0.04 signo equivocado pero no significativo La matriz de impacto de las estimaciones ML es: 0.69 0.03 0.02 ~ 1 ~ A B 0.10 0.88 0.42 102 0.00 0.00 0.56 Dr. Galindo VI. EJEMPLOS Modelo Blanrhard Quah: Modelo divariado de producto y desempleo y t q t , uN t ´ Los shocks de demanda agregada son identificados como transitorios y los shocks de oferta tienen efectos permanentes en el producto. Dr. Galindo VI. EJEMPLOS Vector de shocks estructurales et ets , etd esta identificada a través de las restricciones de largo plazo en el etd producto. Esta restricción implica una estructura triangular que puede obtenerse con la descomposición de Choleski. Dr. Galindo VI. EJEMPLOS La estimación de las matrices del VAR sin restricciones son: Los efectos de oferta son relevantes Dr. Galindo 1 0 . 3 5 0 0 . 0 8 9 . 2 8 1 . 3 0 0.519 ˆ 0.008 4.044 9 2 . 4 2 0 . 7 0 7 2 . 0 0.075 0.930 B̂ 0.220 0.208 VI. EJEMPLOS Mercado de trabajo. y t gdp em t , emt , u tN , w p t gdp e t , emt , u, w p t Dr. Galindo son I 1 VI. EJEMPLOS VECM: w p t 0.54dgp e t 0.013emt 1.724uN t 0.709t ect t: productivity Identificación de los shocks en el mercado laboral: gdp d s w , et , et , et et et ´ Dr. Galindo VI. EJEMPLOS Supuesto: A Ik se necesitan 1 k k 1 6 2 restricciones linealmente independientes para identificar exactamente a B k k r 3 r 1 los shocks son permanentes shocks con efectos transitorios Dr. Galindo VI. EJEMPLOS Cointegración sugiere que etw esI 0 y por tanto no tiene impacto en las variables incluídas en y t que corre con 4 restricciones en la última columna de la matriz de identificación de largo plazo ΘB. El rango reducido de ΘB impone que k r 3 Para identificar los k 3 shocks permanentes se requieren restricciones adicionales. Dr. Galindo k k 1 3 2 VI. EJEMPLOS B Con rendimientos constantes la productividad es sólo ydp llevada por shocks tecnológicos et en el largo plazo. Θ Esto se impone haciendo 2, 3 y 4 igual a cero. Como B14 0 ya esta impuesto se requiere una restricción más. Dr. Galindo VI. EJEMPLOS Supuesto: Los shocks de demanda no tienen efectos en los salarios reales B 420 B 0 B Dr. Galindo 0 0 0 0 0 0 VI. EJEMPLOS Estimaciones: B~ 0 . 58 5.94 0 .12 1.72 0 .03 0.44 0 . 11 0.73 0 .07 0.61 0 .15 0.66 0 .26 4.15 0 .27 5.22 0 0 .16 0.88 0 .01 0.09 0 .48 0.74 Dr. Galindo 0 .07 0.92 0 .09 2.12 0 .05 1.53 0 .49 5.99 VI. EJEMPLOS 0.79 5.21 0.20 0.86 B 0.16 1.38 0.15 0.84 0 0 0.58 3.10 0.49 0.85 0.34 3.54 0.14 0.91 0.60 3.59 0.25 0.91 0 0 0 0 Dr. Galindo VI. EJEMPLOS Los shocks laborales de ofertano teienen impacto de largo plazo en el desempleo H 0 : B33 0 LR 2 1 LR 6.07 p 0.014 H0 : Rechazada Dr. Galindo VII. CONCLUSIONES Problema: La identificación de las innovaciones Restricciones increíbles La teoría “coincide” con la práctica Dr. Galindo VAR ESTRUCTURALES Y FUNCIONES DE IMPULSO RESPUESTA DR. LUIS MIGUEL GALI NDO
© Copyright 2024