Modelo VAR

Definición:
Utilizamos un modelo del tipo vector autorregresivo (VAR) cuando queremos
caracterizar las interacciones simultáneas entre un grupo de variable.
Un VAR es un modelo de ecuaciones simultáneas formado por un sistema de
ecuaciones de forma reducida sin restringir. Que sean ecuaciones de forma reducida
quiere decir que los valores contemporáneos de las variables del modelo no aparecen
como variables explicativas en ninguna de las ecuaciones. Por el contrario, el conjunto
de variables explicativas de cada ecuación está constituido por un bloque de retardos
de cada una de las variables del modelo.
Que sean ecuaciones no restringidas significa que aparece en cada una de ellas el
mismo grupo de variables explicativas. Pueden incluirse también como variables
explicativas algunas variables de naturaleza determinista, tales como:

 Una posible tendencia temporal

 Variables ficticias estacionales
 Variable ficticia de tipo impulso o escalón, que sirve para llevar a cabo un
análisis de intervención en el sistema.
 Por último, podría incluirse como explicativa una variable, incluso en valor
contemporáneo, que pueda considerarse exógena respecto a las variables que
integran el modelo VAR.
El modelo VAR es muy útil cuando existe evidencia de simultaneidad entre un grupo de
variables, y que sus relaciones se transmiten a lo largo de un determinado número de
períodos. Al no imponer ninguna restricción sobre la versión estructural del modelo, no
se incurre en los errores de especificación que dichas restricciones pudieran causar al
ejercicio empírico. De hecho, la principal motivación detrás de los modelos VAR es la
dificultad en identificar variables como exógenas, como es preciso hacer para
identificar un modelo de ecuaciones simultáneas.
El término “autorregresivo” se refiere a la aparición del valor rezagado de la variable
dependiente en el lado derecho, y el término “vector” se atribuye a que tratamos con
un vector de dos (o más) variables.

Ventajas del modelo VAR:

Modelos VAR poseen algunas ventajas en comparación con modelos de series de
tiempo univariadas o modelos estructurales de ecuaciones simultáneas:
 El investigador no necesita especificar variables exógenas o endógenas (todas
son exógenas).
 Los modelos VAR son más flexibles que los modelos autorregresivos (AR) estos
últimos serian como casos restringidos de VAR
  Los modelos VAR pueden ofrecer una estructura muy rica lo que implica que
podrían ser capaces de capturar más características de la data.
 Es relativamente más fácil de especificar y de estimar
 Las variables pueden ser no estacionarias
 Los errores pueden tener correlación contemporánea

Desventajas del modelo VAR:

 Los modelos VAR son a teóricos (como lo son los modelos ARMA) desde que
ellos utilizan muy poca información teórica acerca de la relación entre las
variables para dar guía de especificación del modelo. Tampoco se tiene claro
como los coeficientes estimados deberán ser interpretados.
 Determinación del número de rezagos.
 Muchos parámetros. Por ejemplo, si hay 3 variables ( g) y 3 rezagos (k )
por cada uno habrá 30 parámetros ( g+k g2 ) para ser estimados y para
muestras con pocos datos los grados de libertad se consumen estos datos, lo
que implica errores estándares elevados y poca confianza en los coeficientes del
modelo.

Modelo estructural:
Partimos de un modelo estructural dinámico:
y 1 t=α 10 +α 11 y 2t +α 12 y 1 t−1+ α 13 y 2 t−1 +ε 1 t

y 2 t=α 20 +α 21 y 1 t +α 22 y 1 t −1 +α 23 y 2 t −1 + ε 2 t

donde y 1 t , y 2 t son variables estacionarias, y ε 1 t , ε 2 t son innovaciones,

procesos ruido blanco con esperanza cero y varianzas σ 2ε 1 , σ 2ε 2 .

Este es un modelo de ecuaciones simultáneas con la única peculiaridad de que sus dos
variables son endógenas. Un shock inesperado en y 2 t ; en la forma de un valor no
nulo de la innovación estructural ε 2 t ; afecta directamente a y 2 t ; pero también
influye sobre y 1 t a través de la presencia de y 2 t como variable explicativa en la
primera ecuación. Además, este efecto se propaga en el tiempo, debido a la presencia
de los valores retardados como variables explicativas. Es natural pensar que los
términos de error del modelo estructural no estén mutuamente correlacionados,
puesto que la correlación contemporánea entre y 1 t e y 2 t ya está recogida por la
presencia de sus valores contemporáneos como variables explicativas en ambas
ecuaciones. Por tanto, suponemos que:

Cov ( ε 1t , ε 2 t )=σ ε 1t , ε2 t =0

El modelo estructural puede incorporar asimismo un vector de variables explicativas

exógenas z t en cada ecuación:
 y 1 t=α 10 +α 11 y 2t +α 12 y 1 t−1+ α 13 y 2 t−1 +δ 1 z t + ε 1t

y 2 t=α 20 +α 21 y 2 t +α 22 y 1 t −1 +α 23 y 2 t −1+ δ 2 z t +ε 2 t

que pueden aparecer asimismo con retardos. Un ejemplo de este tipo de variables
serían una tendencia determinista, o variables ficticias estacionales.
Un modelo VAR en forma sintética se puede escribir de la siguiente manera:

 Para dos variables y j rezagos

k
β j y t− j+ ¿ ∑ β j x t − j +u1 t
j=1
k
y t=α+ ∑ ¿
j=1

k
θ j y t − j +¿ ∑ φ j x t − j +u2 t
j=1
k
xt =δ+ ∑ ¿
j=1

Dificultades para la estimación del modelo VAR:

Presenta dos dificultades para su estimación:
a) La simultaneidad: al aparecer cada una de las dos variables como variable
explicativa en la ecuación de la otra, lo que genera inconsistencia del estimador
MCO incluso si σ ε , ε =0 . 1t 2t

b) Si los términos de error tuviesen autocorrelación, las estimaciones MCO serían

inconsistentes, al tratarse de un modelo dinámico.
El primer problema suele resolverse habitualmente postulando que algunas variables
no aparecen, en valor contemporáneo, en determinadas ecuaciones. Otra posibilidad
consiste en estimar por variables instrumentales, siempre que contemos con
instrumentos adecuados.
El segundo problema se debe resolver tratando de ampliar la estructura dinámica del
modelo hasta lograr que los términos de error carezcan de autocorrelación. Para evitar
estas dificultades, tiene interés tratar con una transformación del modelo, que
presentamos a continuación.

Contrastes o pruebas de especificación:

Las pruebas para examinar la especificación del modelo VAR son las siguientes:

 Probar la autocorrelación de los residuos.

 Determinación del número de rezagos que debe incluirse como variables
explicativas del VAR.
Criterio de información de AKAIKE
Definición:
El criterio de información de Akaike (AIC) es una medida de la calidad relativa de
un modelo estadístico, para un conjunto dado de datos. Como tal, el AIC proporciona
un medio para la selección del modelo.
AIC maneja un trade-of entre la bondad de ajuste del modelo y la complejidad del
modelo. Se basa en la entropía de información: se ofrece una estimación relativa de la
información perdida cuando se utiliza un modelo determinado para representar el
proceso que genera los datos.
Fórmula:
En el caso general, la AIC es

AIC=2k −2 ln ⁡( L)

AIC=¿
donde k es el número de parámetros en el modelo estadístico, y L es el máximo valor
de la función de verosimilitud para el modelo estimado.
Dado un conjunto de modelos candidatos para los datos, el modelo preferido es el que
tiene el valor mínimo en el AIC. Por lo tanto, AIC no sólo recompensa la bondad de
ajuste, sino también incluye una penalidad, que es una función creciente del número
de parámetros estimados. Esta penalización desalienta el sobreajuste (aumentando el
número de parámetros libres en el modelo mejora la bondad del ajuste, sin importar el
número de parámetros libres en el proceso de generación de datos).
Criterio de información de SCHWARZ:
Definición:
Es un criterio para la selección de modelos entre un conjunto finito de modelos. Se
basa, en parte, de la función de probabilidad y que está estrechamente relacionado
con el Criterio de Información de Akaike (AIC).
Cuando el ajuste de modelos es posible aumentar la probabilidad mediante la adición
de parámetros, pero si lo hace puede resultar en sobreajuste. Tanto el BIC y AIC
resuelven este problema mediante la introducción de un término de penalización para
el número de parámetros en el modelo, el término de penalización es mayor en el BIC
que en el AIC.
Formula:

BIC=−2. ln ^L+kln(n)
Impulso respuesta:
Grados de respuesta de las variables de un modelo VAR antes shocks en cada una de las
variables. Así, un shock de una unidad es aplicada al error y se notan los efectos en el sistema
VAR en el tiempo.

Si hay g variables en el sistema un total de g2 análisis de impulso respuesta son

generados. Se expresaría un VAR como VMA (vector de promedio móviles) el cual si el sistema
es estable los shocks gradualmente se reducen.

Se calculan las respuestas normalizadas a un impulso de tamaño igual a una desviación típica
en cada innovación

A partir de las funciones impulso respuesta se pueden analizar:

 El signo
 la intensidad
 el “timing”
 la persistencia

que cada una de las innovaciones estocásticas tiene sobre las variables del modelo.

Descomposición de la varianza:
Proporción de los movimientos en las variables dependiente los cuales son debidos a sus
propios shocks, versus shocks en otras variables.
Un shock en la segunda variable directamente afecta esa variable, pero también es transmitido
para todas las otras variables del sistema a través de la estructura dinámica del VAR.

Determina cuanto de la varianza del error de estimación esta siendo explicado por shocks o
innovaciones en cada variable explicitaría para s=1,2, … . en la practica las propias series
del shock explican la mayoría del error de estimación de la varianza de las series en el VAR.

La descomposición de la varianza nos da la información de la varianza el orden de las variables

es importante. Teorías financieras son una buena fuente para el ordenamiento.

El error de estimación de la inflación es principalmente afectado por sus propias

innovaciones en la varianza de la inflación (expectativas en CLCPI). Este efecto tiene su
más alta importancia en el primer mes cuando alcanzo 100% del total y a través de los
meses, los efectos se reducen continuamente, dado espacio a la otra variable en
importancia. El log del tipo de cambio real (LREXCHRATE), el cual comienza en el
segundo mes con 19.21% incrementándose a través del tiempo. Como podemos ver en
términos reales tiene un efecto débil.
Es como un R2 parcial para el error de pronóstico, para un horizonte de pronóstico.
Puede interpretarse como la proporción del error del pronóstico que es explicada por
el error de la otra variable.
Modelo econométrico:
Tenemos dos variables PBI e IMPORTACIONES:

 Dos variables con dos rezagos:

Y t =α 10 + α 11 Y t −1 +α 12 Y t −2+ α 13 M t −1+ α 14 M t−2 +u1 t

M t=α 20 +α 21 Y t −1 + α 22 Y t −2+ α 23 M t−1 +α 24 M t −2 +u2 t

Donde:
 Y t = Producto Bruto Interno (PBI)
 M t = Importaciones
 u1 t , u2 t = Impulso respuesta

La interacción simultanea:
Y t influye en M t

 Si aumenta el PBI aumenta la capacidad adquisitiva empezamos a importar

mayor cantidad de bienes y las empresas tienen mayores beneficios en
consecuencia importan mayores cantidades de insumos y bienes de capital para
poder aumentar su producción.

M t influye en Y t

 Al importar una mayor cantidad de bienes de capital las empresas aumentan su

producción.
Datos:
OBS PBI IMPORTACIONES
1980 167596.00 3089.50
1981 176901.00 3802.20
1982 176507.00 3720.90
1983 158136.00 2721.70
1984 163842.00 2166.48
1985 167219.00 1822.61
1986 182981.00 2649.35
1987 200778.00 3215.08
1988 181822.00 2865.07
1989 159436.00 2286.54
1990 151492.00 2921.89
1991 154854.00 3595.30
1992 154017.00 4001.39
1993 162093.00 4160.42
1994 182043.67 5499.21
1995 195535.99 7732.89
1996 201009.29 7864.21
1997 214028.29 8535.54
1998 213189.99 8218.74
1999 216376.74 6710.48
2000 222206.71 7357.57
2001 223579.58 7204.48
2002 235772.95 7392.79
2003 245592.61 8204.85
2004 257769.79 9804.78
2005 273971.15 12081.61
2006 294597.83 14844.08
2007 319693.00 19590.52
2008 348923.00 28449.18
2009 352584.02 21010.69
2010 382380.00 28815.32
2011 407051.98 37151.52
2012 431272.99 41017.94
2013 456448.72 42356.18
2014 467432.80 41042.15
2015 482837.30 37385.18
2016 502147.87 35107.31
Estimación:
1) Gráfico de las variables PBI e IMPORTACIONES (anuales de 1980 – 2016)

2) Buscando el número de rezagos óptimos:

Usamos el método de Akaike y Schwartz para conocer el número de rezagos óptimos,
elegimos el valor mínimo que es 40.12547 que indica dos rezagos.
 3) Valore estimados de las variables PBI e IMPORTACIONES con dos rezagos

Observamos que los valores de R2 son significativos para las dos variables, los valores de t-
student no tienen significancia ya que el modelo se basa en sus rezagos es probable que
presente el problema de multicolinealidad, es por eso que analizamos el valor de R2 .
4) Impulso respuesta nos permite ver los efectos de las variables
 La variable IMPORTACIONES (M) hacen variar al PBI de manera positiva como muestra
el primer gráfico.
 La variable PBI (P) hace variar a las IMPOTACIONES (M) como nos muestra el segundo
gráfico.