Vous êtes sur la page 1sur 3

Modelos de ecuaciones simultáneas y Modelos VAR

A la hora de realizar predicción conjunta de varias series económicas podemos encontrarnos con que entre ellas existan relaciones mutuas de interdependencia. Una de las alternativas para la predicción es estimar un sistema de ecuaciones que

refleje las relaciones de interdependencia o causalidad que pueden darse entre las variables, bien sean las que serán objeto de predicción u otras relacionadas con aquellas. Este es el enfoque de los modelos de ecuaciones simultáneas o estructurales.

Ahora bien, en los modelos de ecuaciones simultáneas, es necesario distinguir entre

variables endógenas y variables predeterminadas. Esta distinción tiene una cierta base en la dirección de la causalidad de las variables y está inspirada en las relaciones sugeridas por la teoría económica. Lo que ocurre es que la teoría económica no siempre sugiere una especificación concreta entre variables. Además, poco nos dice de la relación dinámica de las mismas, cuando el tiempo interviene en las ecuaciones, al incluir variables con retardos o desfasadas. Más aún, la estimación 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 también intervenir como variables explicativas. La adopción de una especificación en estas condiciones (distinción entre variables endógenas, número

de retardos óptimo,

...

)

adolece de una alta subjetividad.

Además, estos modelos para ser correctamente estimados deben superar una serie de condiciones conocidas como de identificabilidad que suponen, en la práctica, que algunas de las variables predeterminadas no intervienen en todas las ecuaciones. Nuevamente, cuestión subjetiva en la especificación.

Estos aspectos movieron a Sims a proponer una alternativa en la modelización de la relación entre varias variables. En su artículo original*, titulado “Macroeconomía y realidad”, Sims critica la modelización econométrica convencional, fundamentalmente la forma impulsada desde la Cowles Comission para la realización de la identificación de los modelos de ecuaciones estructurales. El objetivo fundamental de la propuesta era proporcionar una estrategia alternativa de modelización. Esta nueva modelización evitaría las imposiciones derivadas de la estimación e identificación de un modelo econométrico, y permitiría especificar modelos que reflejaran lo más fielmente posible las regularidades empíricas e interacciones entre las variables objeto de análisis. Nacían así los modelos VAR. La estimación del VAR

Para la estimación del modelo VAR se parte de una elección sobre el número de variables que componen el sistema, el número máximo de retardos a incluir y, si se quiere, de una matriz de términos deterministas (constantes, variables ficticias u otro tipo de variables, pero de carácter determinista). En los modelos VAR se produce una ausencia de simultaneidad: las variables explicativas son todas retardadas y como consecuencia de la ausencia de autocorrelación no están 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 podría inducir la necesidad de utilizar métodos de estimación con información completa (máxima verosimilitud), lo cierto es que al no existir restricciones en la matriz de coeficientes (todas las variables aparecen incluidas en todas las ecuaciones) los métodos alternativos no serán más eficientes que los de MCO.

Técnicas Avanzadas de Predicción 5.1.- Modelos de Vectores Autorregresivos (VAR): Especificación y estimación.

IDEAS CLAVE:

Hasta el momento hemos abordado la predicción de series de manera individual. En la práctica real a veces es necesario predecir varias series de manera “conjunta” puesto que pueden estar relacionadas entre sí. Una de las posibilidades es afrontarlo con modelos de ecuaciones simultáneas, pero esta opción 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 endógenas y exógenas. Así, cada variable es explicada por los retardos de sí misma (como en un modelo AR) y por los retardos de las demás variables. Se configura entonces un sistema de ecuaciones autorregresivas o, si se quiere ver así, un vector autorregresivo (VAR).

La

expresión general

especificación:

de

un

modelo

VAR

vendría dada

por

la siguiente

donde yt es un vector con las g variables objeto de predicción (llamémoslas 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 épsilon es un vector de perturbaciones aleatorias (una por ecuación), cada una de las cuales cumple individualmente el supuesto de ruido blanco (homoscedasticidad y ausencia de autocorrelación), y entre ellas cumplen el supuesto de homoscedasticidad inter-ecuaciones. Un ejemplo nos ayudará a comprenderlo. Así especificado el modelo, puede ser estimado de manera consistente por mínimos cuadrados ordinarios (MCO). La predicción en el modelo es directa en cualquier programa informático. Modelos de ecuaciones simultáneas y Modelos VAR

A la hora de realizar predicción conjunta de varias series económicas podemos encontrarnos con que entre ellas existan relaciones mutuas de interdependencia. Una de las alternativas para la predicción es estimar un sistema de ecuaciones que refleje las relaciones de interdependencia o causalidad que pueden darse entre las variables, bien sean las que serán objeto de predicción u otras relacionadas con aquellas. Este es el enfoque de los modelos de ecuaciones simultáneas o estructurales.

Ahora bien, en los modelos de ecuaciones simultáneas, es necesario distinguir entre variables endógenas y variables predeterminadas. Esta distinción tiene una cierta base en la dirección de la causalidad de las variables y está inspirada en las relaciones sugeridas por la teoría económica. Lo que ocurre es que la teoría económica no siempre sugiere una especificación concreta entre variables. Además, poco nos dice de la relación dinámica de las mismas, cuando el tiempo interviene en las ecuaciones, al incluir variables con retardos o desfasadas. Más aún, la estimación 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 también intervenir como variables explicativas. La adopción de una especificación en estas condiciones (distinción entre variables endógenas, número

de retardos óptimo,

...

)

adolece de una alta subjetividad.

Además, estos modelos para ser correctamente estimados deben superar una serie de condiciones conocidas como de identificabilidad que suponen, en la práctica, que algunas de las variables predeterminadas no intervienen en todas las ecuaciones. Nuevamente, cuestión subjetiva en la especificación.

Estos aspectos movieron a Sims a proponer una alternativa en la modelización de la relación entre varias variables. En su artículo original*, titulado “Macroeconomía y realidad”, Sims critica la modelización econométrica convencional, fundamentalmente la forma impulsada desde la Cowles Comission para la realización de la identificación de los modelos de ecuaciones estructurales. El objetivo fundamental de la propuesta era proporcionar una estrategia alternativa de modelización. Esta nueva modelización evitaría las imposiciones derivadas de la estimación e identificación de un modelo econométrico, y permitiría especificar modelos que reflejaran lo más fielmente posible las regularidades empíricas e interacciones entre las variables objeto de análisis. Nacían así los modelos VAR.

¿Por qué “vector” y “autorregresivo”?

Recordemos la metodología de los modelos autorregresivos (AR): se modelizaba el comportamiento de una variable, digamos yt, en función de sus propios valores pasados. Por ejemplo, un modelo AR(p) venía dado por la expresión:

Estos aspectos movieron a Sims a proponer una alternativa en la modelización de la relación entre

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:

Estos aspectos movieron a Sims a proponer una alternativa en la modelización de la relación entre

que es modelizado en términos de valores pasados de dicho vector. El resultado es un vector autorregresivo(VAR). Un ejemplo de formulación de un Modelo VAR

Pongamos por ejemplo el más sencillo de los VAR: intervienen dos variables y1 y y2, explicadas en función de un retardo. El modelo se puede expresar desarrolladamente como:

Estos aspectos movieron a Sims a proponer una alternativa en la modelización de la relación entre

donde el primer subíndice hade referencia a la ecuación, y el segundo al parámetro. Vectorialmente podríamos obtener una expresión como:

Estos aspectos movieron a Sims a proponer una alternativa en la modelización de la relación entre