Modelos de ecuaciones simultneas y Modelos VAR

A la hora de realizar prediccin conjunta de varias series econmicas podemos

encontrarnos con que entre ellas existan relaciones mutuas de interdependencia.
Una de las alternativas para la prediccin es estimar un sistema de ecuaciones que
refleje las relaciones de interdependencia o causalidad que pueden darse entre las
variables, bien sean las que sern objeto de prediccin u otras relacionadas con
aquellas. Este es el enfoque de los modelos de ecuaciones simultneas o
estructurales.
Ahora bien, en los modelos de ecuaciones simultneas, es necesario distinguir entre
variables endgenas y variables predeterminadas. Esta distincin tiene una cierta
base en la direccin de la causalidad de las variables y est inspirada en las
relaciones sugeridas por la teora econmica. Lo que ocurre es que la teora
econmica no siempre sugiere una especificacin concreta entre variables. Adems,
poco nos dice de la relacin dinmica de las mismas, cuando el tiempo interviene
en las ecuaciones, al incluir variables con retardos o desfasadas. Ms an, la
estimacin e inferencia se complica con el hecho de que las variables explicadas
pueden aparecer tanto a la izquierda como a la derecha de las ecuaciones, es decir,
pueden tambin intervenir como variables explicativas. La adopcin de una
especificacin en estas condiciones (distincin entre variables endgenas, nmero
de retardos ptimo,...) adolece de una alta subjetividad.
Adems, estos modelos para ser correctamente estimados deben superar una serie
de condiciones conocidas como de identificabilidad que suponen, en la prctica,
que algunas de las variables predeterminadas no intervienen en todas las
ecuaciones. Nuevamente, cuestin subjetiva en la especificacin.
Estos aspectos movieron a Sims a proponer una alternativa en la modelizacin de la
relacin entre varias variables. En su artculo original*, titulado Macroeconoma y
realidad,
Sims
critica
la
modelizacin
economtrica
convencional,
fundamentalmente la forma impulsada desde la Cowles Comission para la
realizacin de la identificacin de los modelos de ecuaciones estructurales. El
objetivo fundamental de la propuesta era proporcionar una estrategia alternativa de
modelizacin. Esta nueva modelizacin evitara las imposiciones derivadas de la
estimacin e identificacin de un modelo economtrico, y permitira especificar
modelos que reflejaran lo ms fielmente posible las regularidades empricas e
interacciones entre las variables objeto de anlisis. Nacan as los modelos VAR.
La estimacin del VAR
Para la estimacin del modelo VAR se parte de una eleccin sobre el nmero de
variables que componen el sistema, el nmero mximo de retardos a incluir y, si se
quiere, de una matriz de trminos deterministas (constantes, variables ficticias u
otro tipo de variables, pero de carcter determinista). En los modelos VAR se
produce una ausencia de simultaneidad: las variables explicativas son todas
retardadas y como consecuencia de la ausencia de autocorrelacin no estn
correlacionadas con las perturbaciones aleatorias. Por todo ello el modelo puede ser
estimado consistentemente por MCO. Aunque la existencia de correlaciones entre
las distintas ecuaciones podra inducir la necesidad de utilizar mtodos de
estimacin con informacin completa (mxima verosimilitud), lo cierto es que al no
existir restricciones en la matriz de coeficientes (todas las variables aparecen
incluidas en todas las ecuaciones) los mtodos alternativos no sern ms eficientes
que los de MCO.
Tcnicas Avanzadas de Prediccin
5.1.- Modelos de Vectores Autorregresivos (VAR): Especificacin y estimacin.

IDEAS CLAVE:
Hasta el momento hemos abordado la prediccin de series de manera individual.
En la prctica real a veces es necesario predecir varias series de manera conjunta
puesto que pueden estar relacionadas entre s. Una de las posibilidades es
afrontarlo con modelos de ecuaciones simultneas, pero esta opcin plantea
problemas. Por ello surgen como alternativa los modelos VAR.
La esencia de los modelos VAR es la siguiente: se propone un sistema de
ecuaciones, con tantas ecuaciones como series a analizar o predecir, pero en el que
no se distingue entre variables endgenas y exgenas. As, cada variable es
explicada por los retardos de s misma (como en un modelo AR) y por los retardos
de las dems variables. Se configura entonces un sistema de ecuaciones
autorregresivas o, si se quiere ver as, un vector autorregresivo (VAR).
La expresin general de un modelo VAR vendra dada por la siguiente
especificacin:
donde yt es un vector con las g variables objeto de prediccin (llammoslas
explicadas), xt es un vector de k variables que explican adicionalmente a las
anteriores, los coeficientes alpha y beta son matrices de coeficientes a estimar, y
psilon es un vector de perturbaciones aleatorias (una por ecuacin), cada una de
las cuales cumple individualmente el supuesto de ruido blanco (homoscedasticidad
y ausencia de autocorrelacin), y entre ellas cumplen el supuesto de
homoscedasticidad inter-ecuaciones. Un ejemplo nos ayudar a comprenderlo.
As especificado el modelo, puede ser estimado de manera consistente por
mnimos cuadrados ordinarios (MCO). La prediccin en el modelo es directa en
cualquier programa informtico.
Modelos de ecuaciones simultneas y Modelos VAR
A la hora de realizar prediccin conjunta de varias series econmicas podemos
encontrarnos con que entre ellas existan relaciones mutuas de interdependencia.
Una de las alternativas para la prediccin es estimar un sistema de ecuaciones que
refleje las relaciones de interdependencia o causalidad que pueden darse entre las
variables, bien sean las que sern objeto de prediccin u otras relacionadas con
aquellas. Este es el enfoque de los modelos de ecuaciones simultneas o
estructurales.
Ahora bien, en los modelos de ecuaciones simultneas, es necesario distinguir entre
variables endgenas y variables predeterminadas. Esta distincin tiene una cierta
base en la direccin de la causalidad de las variables y est inspirada en las
relaciones sugeridas por la teora econmica. Lo que ocurre es que la teora
econmica no siempre sugiere una especificacin concreta entre variables. Adems,
poco nos dice de la relacin dinmica de las mismas, cuando el tiempo interviene
en las ecuaciones, al incluir variables con retardos o desfasadas. Ms an, la
estimacin e inferencia se complica con el hecho de que las variables explicadas
pueden aparecer tanto a la izquierda como a la derecha de las ecuaciones, es decir,
pueden tambin intervenir como variables explicativas. La adopcin de una
especificacin en estas condiciones (distincin entre variables endgenas, nmero
de retardos ptimo,...) adolece de una alta subjetividad.
Adems, estos modelos para ser correctamente estimados deben superar una serie
de condiciones conocidas como de identificabilidad que suponen, en la prctica, que
algunas de las variables predeterminadas no intervienen en todas las ecuaciones.
Nuevamente, cuestin subjetiva en la especificacin.

Estos aspectos movieron a Sims a proponer una alternativa en la modelizacin de la

relacin entre varias variables. En su artculo original*, titulado Macroeconoma y
realidad,
Sims
critica
la
modelizacin
economtrica
convencional,
fundamentalmente la forma impulsada desde la Cowles Comission para la
realizacin de la identificacin de los modelos de ecuaciones estructurales. El
objetivo fundamental de la propuesta era proporcionar una estrategia alternativa de
modelizacin. Esta nueva modelizacin evitara las imposiciones derivadas de la
estimacin e identificacin de un modelo economtrico, y permitira especificar
modelos que reflejaran lo ms fielmente posible las regularidades empricas e
interacciones entre las variables objeto de anlisis. Nacan as los modelos VAR.
Por qu vector y autorregresivo?
Recordemos la metodologa de los modelos autorregresivos (AR): se modelizaba el
comportamiento de una variable, digamos yt, en funcin de sus propios valores
pasados. Por ejemplo, un modelo AR(p) vena dado por la expresin:

Pues bien, supongamos que en lugar de modelizar el comportamiento de una

variable, modelizamos el de kvariables. Es decir consideremos un vector columna
de k variables aleatorias:

que es modelizado en trminos de valores pasados de dicho vector. El resultado es

un vector autorregresivo(VAR).
Un ejemplo de formulacin de un Modelo VAR
Pongamos por ejemplo el ms sencillo de los VAR: intervienen dos variables y1 y y2,
explicadas en funcin de un retardo. El modelo se puede expresar
desarrolladamente como:

donde el primer subndice hade referencia a la ecuacin, y el segundo al parmetro.

Vectorialmente podramos obtener una expresin como: