Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 163 vistas

    Vectores Autoregresivo

    Cargado por

    Yamir Ortiz Cabello
    Este documento describe el modelo de vectores autorregresivos (VAR), propuesto por Christopher Sims en 1980 como una alternativa a los grandes modelos de ecuaciones simultáneas. Explica que un VAR expresa cada variable como una función lineal de sus propios valores pasados y de los valores pasados de las demás variables, y que puede presentarse en forma reducida, recursiva o estructural. También identifica algunas limitaciones de este modelo, como que los métodos normales de inferencia estadística pueden arrojar resultados erróneos si alguna variable es altamente persistente.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    Vectores Autoregresivo

    Cargado por

    Yamir Ortiz Cabello
    163 vistas2 páginas
    Este documento describe el modelo de vectores autorregresivos (VAR), propuesto por Christopher Sims en 1980 como una alternativa a los grandes modelos de ecuaciones simultáneas. Explica que un VAR expresa cada variable como una función lineal de sus propios valores pasados y de los valores pasados de las demás variables, y que puede presentarse en forma reducida, recursiva o estructural. También identifica algunas limitaciones de este modelo, como que los métodos normales de inferencia estadística pueden arrojar resultados erróneos si alguna variable es altamente persistente.

    Descripción original:

    STOCK Y WATSON

    Título original

    VECTORES AUTOREGRESIVO (1)

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento describe el modelo de vectores autorregresivos (VAR), propuesto por Christopher Sims en 1980 como una alternativa a los grandes modelos de ecuaciones simultáneas. Explica que un VAR expresa cada variable como una función lineal de sus propios valores pasados y de los valores pasados de las demás variables, y que puede presentarse en forma reducida, recursiva o estructural. También identifica algunas limitaciones de este modelo, como que los métodos normales de inferencia estadística pueden arrojar resultados erróneos si alguna variable es altamente persistente.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    163 vistas2 páginas

    Vectores Autoregresivo

    Cargado por

    Yamir Ortiz Cabello
    Este documento describe el modelo de vectores autorregresivos (VAR), propuesto por Christopher Sims en 1980 como una alternativa a los grandes modelos de ecuaciones simultáneas. Explica que un VAR expresa cada variable como una función lineal de sus propios valores pasados y de los valores pasados de las demás variables, y que puede presentarse en forma reducida, recursiva o estructural. También identifica algunas limitaciones de este modelo, como que los métodos normales de inferencia estadística pueden arrojar resultados erróneos si alguna variable es altamente persistente.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    Está en la página 1de 2

    VECTOR AUTOREGRESIVO

    1. INTRODUCCION

    Christopher Sims (1980; 1982; 1986) propone un enfoque alternativo a los modelos de gran escala
    (modelos de ecuaciones simultáneas), puesto que éstos habían fracasado para realizar descripción
    de datos, pronóstico, inferencia estadística y análisis de política. Este enfoque alternativo conocido
    como Vectores Autorregresivos (VAR) prometía la solución a estos problemas.

    Es importante destacar que, aunque ha habido un fuerte crecimiento en la metodología VAR,


    principalmente con los modelos VAR Bayesianos (Robert EL MODELO VAR Y SUS PRINCIPALES
    PROBLEMAS 97 Litterman, 1986; Christopher Sims y Tao Zha, 1997 y 1999), las críticas más
    severas de estos modelos recaen en el planteamiento central. Es por este motivo que sólo se estudia
    el desarrollo esencial de los VAR y se deja de lado las investigaciones teóricas que se extienden
    sobre este tipo de modelos.

    2. ORIGEN DEL MODELO VAR

    Durante los primeros años de la segunda mitad del siglo XX, por lo regular los macroeconomistas
    realizaban trabajos de descripción, pronóstico, inferencia estadística y análisis de política utilizando
    el método de ecuaciones simultáneas de manera significativa. Este método se llevó a cabo con
    grandes modelos de cientos de ecuaciones, los cuales representaban en forma simplificada el
    comportamiento de la economía en su conjunto. Un enfoque alternativo, que prometía la solución a
    los problemas de modelos de ecuaciones simultáneas, fue el de los Vectores Autorregresivos (VAR)
    propuestos por Christopher Sims (1980). Un VAR con n ecuaciones y n incógnitas es un modelo
    lineal en el cual cada variable es explicada por sus propios valores rezagados, más los rezagos del
    resto de las n-1 variables y por los errores estocásticos que aparecen en cada ecuación. Con este
    tipo de modelos se trataba de capturar la riqueza dinámica de las series de tiempo y, con el
    instrumental estadístico del VAR se prometía describir, pronosticar, realizar inferencia estadística y
    análisis de política.

    3. PLANTEAMIENTO CENTRAL DE LOS MODELOS VAR

    Generalmente el modelo VAR se presenta mediante la forma reducida, la forma recursiva, y el VAR
    estructural. Existen tres variables que serán utilizadas para el sistema VAR: Inflación, tasa de
    desempleo y tasa interés (fed bound).

    a. VAR FORMA REDUCIDA

    El VAR de forma reducida expresa cada variable como una función lineal de sus propios valores
    pasados y de los valores pasados de las otras variables del modelo. Cada ecuación se estima por
    mínimos cuadrados ordinarios (MCO), el término de error no está serialmente correlacionado, el
    número de rezagos a incluir en cada ecuación puede ser determinado por varios criterios3 y el
    término de error es considerado como un shock no anticipado o elemento sorpresa.

    b. VAR FORMA RECURSIVA

    En este tipo de VAR, los residuos de la ecuación i no son correlacionados con el término de error de
    la ecuación anterior. En otras palabras, la variable del lado izquierdo de la primera ecuación depende

    VECTOR AUTOREGRESIVO| | STOCCK & WATSON (2001)


    sólo de los valores rezagados de todas las variables incluidas en el VAR, en tanto la variable
    correspondiente de la segunda ecuación depende de los rezagos de todas las variables del VAR y
    del valor contemporáneo de la variable de la primera ecuación. Asimismo, la variable del lado
    izquierdo de la tercera ecuación depende de los rezagos de todas las variables y de los valores
    contemporáneos de la primera y la segunda variables. Este procedimiento es aplicado para las n
    variables incluidas en el VAR. En este tipo de VAR, el orden de las variables es importante y los
    resultados están influenciados por dicho ordenamiento.

    c. VAR FORMA ESTRUCTURAL

    Este tipo de VAR utiliza teoría económica para ordenar la relación contemporánea entre las variables
    y requiere de supuestos de identificación que permitan que las correlaciones de las variables sean
    interpretadas casualmente; estos supuestos de identificación pueden involucrar a todo el VAR o a un
    conjunto de ecuaciones. El número de VAR estructurale, a partir de un VAR en forma reducida, debe
    estar limitado sólo por la capacidad creativa del investigador

    Por ejemplo, en el caso de las tres variables mencionadas, Stock y Watson consideran dos VAR
    estructurales. La regla utilizada es la siguiente:

    donde es la tasa de interés real deseada o de largo plazo; y son los valores promedio de
    inflación y tasa de desempleo de los últimos cuatro; y son los valores meta de inflación y
    desempleo; y el error en la ecuación.

    4. LIMITACIONES AL MODELO VAR

    a. La primera limitación es que los métodos normales de inferencia estadística (tales como el
    cálculo de los errores estándar y las funciones impulso-respuesta) pueden arrojar resultados
    erróneos, si alguna de las variables es altamente persistente
    b. Otra limitación es que, sin modificaciones, el VAR estándar omite no linealidades, problemas
    de heteroscedasticidad condicional y cambio estructural en los parámetros.
    c. la inferencia estructural a partir de VAR requiere un adecuado conocimiento institucional de
    la forma como se ejecuta la política; pues, antes cualquier pequeño cambio en la forma de
    modelar la política produce cambios significativos en las funciones impulso-respuesta.

    CONCLUSIÓN

    El VAR es una poderosa herramienta para describir datos y para generar pronósticos confiables. Los
    VAR estructurales pueden capturar ricas propiedades dinámicas de las series de tiempo múltiples,
    pero sus implicaciones estructurales son tan sólidas como los esquemas de identificación utilizados.

    VECTOR AUTOREGRESIVO| | STOCCK & WATSON (2001)

    También podría gustarte