Filtro de Kalman

Aplicaciones
 Haldane y Hall (1991)
Desean investigar la polarización de la tasa de cambio dentro de la Comunidad
Europea previo al comienzo de la Unión Monetaria:

$/𝑆 𝑒𝑢/$
𝑒𝑡 =𝛼+ 𝛽𝑒𝑡 + 𝜇𝑡
 Harvey (1989)
Modela los componentes tendenciales y estacionales de una serie de tiempo. También
plantea un modelo con una tendencia lineal, donde los componentes se comportan
como un Random Walk.

𝑌𝑡 = 𝜇𝑡 + 𝑒𝑡
Donde
𝜇𝑡 = 𝜇𝑡−1 + 𝛽𝑡−1 + 𝑣1𝑡
𝛽𝑡 = 𝛽𝑡−1 + 𝑣2𝑡
 SVAR

Aplicaciones
Demanda por Dinero de Cuthbertson & Taylor (1989)
En términos de un modelo SVAR, se tiene que la ecuación para
la demanda observada por dinero es


Y Y i i M
M t
 c0  x tkc k  b et  b et  ut
j0

Expectativa condicional Error de Predicción

a la información pasada
z
xt  [ M t , Y t , i t ] et  zt  Et1 zt
Los errores estructurales representan “noticias” que no pueden ser explicadas por el conjunto de
información disponible. Así pues, los saldos reales observados no coinciden con los planeados por
la existencia de errores de predicción de los determinantes de los saldos deseados y algún choque
de liquidez no anticipado.
 Forma Reducida
• En la práctica la forma estructural no es directamente observable
(problemas de endogeneidad y simultaneidad). Sin embargo es
posible estimar la forma reducida (donde no hay problema de
endogeneidad):

1 1
Yt  A C ( L )Y t  1  A Bu t

Y t  D ( L )Y t  1  e t E [ e t e t ]  
• La forma reducida es estimada por MCO o SUR, dependiendo del número de regresores en cada ecuación.
• Selección en base a criterios de información. El rol de la forma reducida es asegurar que el VAR recoge
satisfactoriamente la dinámica de las variables que forman el sistema.
• Cada forma reducida tiene infinitas formas estructurales...
 VAR Estructural
• La forma reducida es un modelo estadístico que nos
dice poco (o nada) sobre las “verdaderas” relaciones
económicas del sistema (la forma estructural es un
modelo económico). ¿Por qué?

Ae t
 Bu t

• Porque los errores de la forma reducida son combinaciones lineales de los errores
estructurales. Si la economía es sujeta a un shock estructural, no se podrán
percibir directamente sus efectos. Ocurre lo mismo con la descomposición de
varianza de los errores de predicción. Es necesario identificar el VAR.
• La función de impulso respuesta (FIR) se desprende
directamente de la representación MA del VAR
1
Y t  [ A  C ( L )] Bu t
 Y t   ( L )u t
Y t   0 u t   1 u t  1  ...   s u t  s

Yts
s 
• Donde el uelemento
t
{i, j} de s es la respuesta de
la variable i en el período t + s ante un incremento
unitario (impulso) en la perturbación j en el
período t. Claramente estas matrices no pueden
ser determinadas si no se sabe la forma de A y B.
 Identificación
RELACIONES CONTEMPORÁNEAS (Sims & Bernanke)
• La relación existente entre las perturbaciones de las
formas reducidas y estructurales es
1
e t  A Bu t
• Luego,
1 1
E [ e t e t ]  A BE [ u t u t ] BA
ˆ ˆ 1 ˆ ˆ ˆ ˆ 1
  A B  B A 
• La matriz  contiene k(k + 1)/2 elementos diferentes. Luego, para que la igualdad
anterior se cumpla es necesario que el máximo número de parámetros contenidos
en las matrices A y B sea k(k + 1)/2...
 Ejemplo 1
• Bernanke & Mihov (1998) identifican los procedimientos operativos de la
FED. Quispe (2000) hace una propuesta para Perú.
• En la literatura SVAR es común expresar relaciones contemporáneas de
variables en términos de los residuos de la forma reducida. Ello es válido
porque las matrices A y B tienen un rol claro en la forma estructural del VAR.

TR Demanda por Reservas del sistema

eTR  eCDR  eTC  u bancario (TR). Depende negativamente
de la tasa CDR y positvamente del tipo
de cambio (TC)

C
eC  eCDR  eTC  u
Demanda por Circulante (C). Depende
negativamente de la tasa CDR y del
tipo de cambio (TC)

TR C TC BCR Función de Reacción

eCDR   1u   2 u   3u u del BCRP
Función de Intervención
TR C TC BCR
eTC   1u   2u  u   3u
del BCR en el mercado
cambiario
 Ejemplo 2
1 0      eTR   1 0 0 0   uTR 
     
0 1   eC 0 1 0 0 uC
    
0 0 1 0   eCDR   1 2 1  3  uCDR 
     
0 0 0 1   eTC   1 2 3 1   uTC 

Ae t
 Bu t
El sistema tiene 14 parámetros desconocidos (10 parámetros y 4 varianzas
estructurales) que deben ser estimados a partir de (4)(4 + 1)/2 = 10
elementos de la matriz de covarianzas de los errores de la forma reducida 
SOBREIDENTIFICACIÓN! Necesario reestringir el modelo... 4 restricciones

Quispe (2000) propone (1) , (2) 0, (3) 20, (4) 30.
 Ejemplo 3
• La identificación más sencilla y popular es la Recursiva que
equivale a la Descomposición de Cholesky de la matriz de
covarianzas
 1 0 0   e1   b 11 0 0  u1 
El orden de las
     
a 21 1 0 e2  0 b 22 0 u2 variables determina
      su grado de
exogeneidad
 a 31 a 32 1   e 3   0 0 b 33   u 3 

 e1   b 11 0 0  u1 
    
e2   a 21 b 11 b 22 0 u2
    
 e 3   ( a 21 a 32  a 31 ) b 11  a 32 b 22 b 33   u 3 
Matriz de Cholesky
 Ejemplo 3
• EViews 8.0+ dentro de VAR tiene la opción de realizar identificaciones
estructurales (hasta el EViews 3.1 la única era la de Cholesky)
• Tomemos como ejemplo un modelo IS-LM simple (EEUU, 50.I - 96.III).

e Y   e i  u IS  1  0   eY   u IS 
    
e i   1 e i   2 e M  u Md  1 1 2 e  u Md
  i   
e M  u Ms  0 0 1   e M   u Ms 

coef(3) B ‘ Siempre es bueno estimar la matriz B diagonal

VAR var0.LS 1 4 y i m @ C
var0.CLEARTEXT(SVAR)
var0.APPEND(SVAR) @e1 = C(1)*@e2 + B(1)*@u1
var0.APPEND(SVAR) @e2 = C(2)*@e1 - C(3)*@e3 + B(2)*@u2
var0.APPEND(SVAR) @e3 = B(3)*@u3
var0.SVAR(RTYPE = TEXT)
 Ejemplo 4
• Alternativamente, pueden especificarse explícitamente las
matrices reemplazando cada coeficiente por estimar por el
código NA
 1 NA 0   NA 0 0 
   
Amat  NA 1 NA Bmat  0 NA 0
   
 0 0 1   0 0 NA 

VAR var0.LS 1 4 y i m @ C
var0.SVAR(RTYPE = PATSR,conv = 1e-6, NAMEA = Amat, NAMEB = Bmat)

ES SIEMPRE RECOMENDABLE probar con varias especificaciones,

varios algoritmos de optimización, varias condiciones iniciales...
Típicamente las estimaciones de las matrices estructurales son
SENSIBLES a estos aspectos.
Structural VAR Estimates
Sample(adjusted): 1948:2 1996:3
Included observations: 194 after adjusting endpoints
Estimation method: method of scoring (analytic derivatives)
Structural VAR just-identified (1 degrees of freedom) Model: Ae = Bu where E[uu']=I
Model: Ae = Bu where E[uu']=I Restriction Type: short-run text form
Restriction Type: short-run pattern matrix @E1 = C(1)*@E2 + B(1)*@U1
A=
1 C(1) 0 @E2 = C(2)*@E1 - C(3)*@E3 + B(2)*@U2
C(2) 1 C(3) @E3 = B(3)*@U3
0 0 1
B= where
C(4) 0 0 @e1 represents Y residuals
0 C(5) 0
0 0 C(6) @e2 represents I residuals
@e3 represents M residuals
Coefficient Std. Error z-Statistic Prob.
C(1) 0.0338 0.0142 2.3861 0.0170
C(2) 0.1803 0.0010 251.6120 0.0000
C(3) 0.5300 0.0589 9.0034 0.0000
B(1) 0.0101 0.0005 19.6977 0.0000
B(2) 0.0145 0.0018 8.1886 0.0000
B(3) 0.0133 0.0021 6.4456 0.0000

Log likelihood 1043.433

LR test for over-identification:
Chi-square(1) 2534.683 Probability 0.0000

Estimated A matrix:
1.0000 -0.0338 0.0000
-0.1803 1.0000 0.5300
0.0000 0.0000 1.0000
El “pantallazo” es muy amigable y permite hacer inferencia
Estimated B matrix: sobre la significancia de los parámetros (p-values).
0.0101 0.0000 0.0000 Además se presenta una prueba LR de sobreidentificación.
0.0000 0.0145 0.0000 Detalles en Favero (2000).
0.0000 0.0000 0.0133
 Ejemplo 4
Response of Y to M Response of I to M
.003 .0008

.002 .0006

.0004
.001
.0002
.000
.0000
-.001
-.0002
-.002
-.0004

-.003 -.0006
2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20

La línea verde es la respuesta bajo la descomposición estructural. La azul, bajo Cholesky. A pesar de haber
obtenido significancia en los parámetros estructurales, la respuesta de I ante M es contemporáneamente
positiva, lo que nos lleva a sospechar un problema de omisión de variables o mala especificación.
Esta irregularidad es el liquidity puzzle y ha sido muy estudiada (Bernanke & Mihov, 1998, es una buena
referencia al respecto)
 Identificación (2)
RESTRICCIONES DE LARGO PLAZO (Blanchard & Quah)
• Retomemos la forma VMA del VAR Estructural (asumiendo A = I)
1
Y t  [ I  C ( L )] Bu t
 Y t   ( L )u t
• La forma VMA de la forma reducida es (recordar: e = Bu)
1
Y t  [ I  D ( L )] et  Y t   ( L ) Bu t

• Así, en el largo plazo, la matriz de IRF acumuladas es

   ( 1 )   ( 1 )B
• Las restricciones de largo plazo se hacen sobre los elementos de la matriz
. Por ejemplo, si se quiere que la respuesta de la quinta variable del vector
Yt ante un shock en la tercera variable sea cero en el largo plazo, el
elemento (3,5) de  debe ser cero.
 Ejemplo 1
• Blanchard & Quah (1989) identifican shocks de demanda y de oferta.
Estiman un VAR entre la tasa de crecimiento del producto y la tasa de
empleo. La primera es afectada por choques de demanda y oferta
mientras que la segunda sólo es afectada por choques de oferta en el
largo plazo.
• Los choques de demanda son transitorios en el producto mientras que
los choques de oferta sí tienen efectos permanentes.

  y t 
D
ut   0  12 
    (L ) S      
Ut  ut   21  22 
• El programa blanquah1.prg que viene con EViews replica todo el paper
de Blanchard & Quah (1989).
 Aplicación (1)
• St-Amant (1996) usan un modelo SVAR para estimar la tasa de
interés real exante y la inflación esperada. Esta tasa es la relevante
en las decisiones de inversión pero no es observable porque las
expectativas de inflación no lo son.
• Se tienen las siguientes relaciones
Se tiene que rt estacionaria lo que
Tasa exante puede interpretarse como una relación
e e
rt  i t   t
de cointegración 1 – 1 en la tasa de
interés nominal e inflación.
Error de predicción de la inflación Dado ello y que el error de predicción
e
t   t   t
es estacionario (RE), se espera que los
choques en la tasa de interés real
Tasa expost (observable) tengan efectos transitorios en la tasa
e
rt  i t    it    t
nominal mientras que los choques en
t t la inflación esperada tengan efectos
permanentes.
 Aplicación (1)
• En términos de un SVAR (con data de 92.1 – 2002.06)
Choques en la tasa real exante no afectan
permanentemente la tasa nominal (¿Cholesky?)

  it  t   11
0 
    (L ) r      
it   t  u t   21
 22 

VAR var0.LS 1 6 D(i) i - D(p) @ C

var0.CLEARTEXT(SVAR)
var0.APPEND(SVAR) @lr1(@u2) = 0
var0.SVAR(RTYPE = TEXT)

MATRIX(2,2) phi = NA
phi(1,2) = 0
VAR var0.LS 1 6 D(i) i - D(p) @ C
var0.SVAR(RTYPE = PATLR, NAMELR = phi)
Structural VAR Estimates
Sample(adjusted): 1992:01 2002:06
Included observations: 126 after adjusting endpoints
Estimation method: method of scoring (analytic derivatives)
Convergence achieved after 9 iterations
Structural VAR is just-identified
Model: Ae = Bu where E[uu']=I
Restriction Type: long-run pattern matrix
Model: Ae = Bu where E[uu']=I
Long-run response pattern:
Restriction Type: long-run text form
C(1) 0
Long-run response pattern:
C(2) C(3)
C(1) 0
C(2) C(3)

Coefficient Std. Error z-Statistic Prob.

C(1) 0.002806 0.000177 15.87451 0.0000
C(2) 0.009367 0.002032 4.609154 0.0000
C(3) 0.021829 0.001375 15.87451 0.0000

Log likelihood 1285.490

Estimated A matrix:
 Aplicación (2)
Función IR Acumulado
(Shock 1 = Expectativas, Shock 2 = Tasa real )

A c c u m u la te d R e s p o n s e o f D ( I) to S tr u c tu ra l A c c u m u la te d R e s p o n s e o f I-D ( P ) to S tr u c tu r a l
O n e S .D . In n o v a ti o n s O n e S .D . In n o v a ti o n s
.0030 .024

.0025 .020

.016
.0020
En el largo plazo la tasa
nominal NO responde a la .012
.0015 tasa real... Los choques de
.008
expectativas son
.0010 permanentes
.004

.0005
.000

.0000 -.004
5 10 15 20 25 30 35 5 10 15 20 25 30 35

Shock1 Shock2 Shock1 Shock2

 Aplicación (3)
• Recuperamos las innovaciones estrcuturales. Cabe recordar que, por
Ae = Bu, se tiene que éstas son     e 
t 1 i
 r  B A 
u t  e
 i  
4
U1 U2
var0.MAKERESID e1 e2 2

GROUP e e1 e2 0

4
-2
STOMNA(e, em) 2
-4

MATRIX A = var0.@SVARAMAT ‘ Identidad 0

-2
MATRIX B = var0.@SVARBMAT
-4

MATRIX u = @INVERSE(B)*A*@TRANSPOSE(em) 92 93 94 95 96 97 98 99 00 01

MATRIX u = @TRANSPOSE(u) Correlaciones

U1
U2
 Aplicación (3)

.025 .035

.030
.020

.025
.015

.020
.010
.015

.005
.010

.000 .005

-.005 .000
94 95 96 97 98 99 00 01 94 95 96 97 98 99 00 01

In fla c ió n O b s e r v a d a In fla c ió n E s p e r a d a T a s a r e a l e xp o s t T a s a R e a l e xa n te
 Comentarios Finales
• Las metodologías explicadas son también aplicables a Modelos de
Corrección de Errores, toda vez que éstos son sistemas VAR con
“una variable exógena” (el vector de cointegración). Una forma de
identificar considerando el impacto de las matrices A y B sobre el
vector de cointegración es llamada KPSW en honor a quienes la
propusieron (King, Plosser, Stock and Watson, 1991).
• No hemos visto NADA de los intervalos de confianza de las funciones
de impulso respuesta. La tendencia actual es utilizar técnicas
Bootstrap para ello.
• Otras aplicaciones de SVAR: Cálculo del PBI Potencial, de la Inflación
Subyacente, Vínculos Comerciales y Financieros con el exterior... y
todo lo que su imaginación pueda crear.