3.

CAPTULO 3
MODELOS DE SERIES DE TIEMPO
ESTACIONARIAS MULTIVARIADOS
La tcnica de series de tiempo univariadas que revisamos en el Captulo 2 provee una
importante herramienta de pronstico sobre la evolucin futura de alguna variable de la economa y,
de hecho, es ampliamente utilizada. Sin embargo, ella es limitada para entender y modelar el
funcionamiento de la economa en general, pues excluye la interaccin entre variables econmicas
que, razonablemente, es lo que caracteriza la estructura de la economa. El instrumental de los
modelos ARMA puede ser extendido directamente para hacer modelos multivariados, es decir,
aquellos en que se modela un vector de variables de inters.
En este captulo nos concentraremos en modelos de vectores autoregresivos (VAR)
excluyendo del anlisis los vectores de medias mviles (VMA). Existen dos razones para excluir
estos ltimos. Primero, los modelos VMA son altamente no lineales, lo que complica su estimacin y
hace muy difcil su interpretacin. Segundo, como hemos visto, cualquier modelo MA(q) puede ser
aproximado de manera arbitrariamente cercana usando un modelo AR de orden suficientemente
grande.

3.01

VECTORES AUTOREGRESIVOS1

Consideremos el siguiente modelo de series de tiempo multivariadas que llamaremos Vector

Autoregresivo de orden 1 o, ms sintticamente, VAR(1):
y t =1012 z t 11 y t 112 z t 1 ty
z
z t =20 21 y t 21 y t 1 22 z t 1t

(3.1)

donde y y z son dos procesos ruido blanco independientes entre s, es decir, con cov(y,z)=0.
La ecuacin (3.1), que a lo largo de este captulo llamaremos VAR primitivo, presenta tres
caractersticas interesantes:

Ambas variables zt e yt son endgenas, en el sentido que su nivel y su trayectoria se determina

por la interaccin con la otra variable al interior del modelo.

1 Los modelos VAR fueron impulsados por el clebre trabajo de C. Sims (1980), "Macroeconomics and Reality,"
Econometrica, 48, 1-48, donde se hace una lcida crtica de los modelos economtricos tradicionales para el anlisis de
polticas econmicas.

3.2

En ambas variables hay dinmica, en el sentido que las innovaciones se propagan en el

sistema con rezagos afectando a las variables en el tiempo.

Si estas ecuaciones se estimasen por separado usando mnimos cuadrados ordinarios, los
estimadores de los parmetros incurriran en sesgo de simultaneidad si 12 o 21 no son cero.

Aunque no podemos estimar la forma primitiva del modelo, podemos estimar su forma
reducida. Considere:

1 12
21 1

][ ] [ ] [

yt

12
= 10 11
zt
20
21 22

][ ] [ ]
y
y t 1
tz
z t 1
t

(3.2)

La ecuacin (3.2) puede ser escrita de manera abreviada como:

B x t = 01 x t 1t

(3.3)

Premultiplicando por B-1, obtenemos

x t = A 0 A1 x t 1e t

(3.4)

donde con A0 = B1 0 , A1 =B1 1 , y e t =B1 t . Como resulta evidente, el modelo (3.4) no tiene
problemas de simultaneidad, por lo cual es posible estimarlo directamente usando mnimos
cuadrados. A la vez, ntese que mantiene la estructura dinmica del modelo primitivo. Sin embargo,
las innovaciones de la ecuacin (3.4) que llamaremos forma reducida o estimable no son las mismas
que las del modelo primitivo, por cuanto si 12 o 21 no son cero, habr correlacin entre los
componentes de et.
Equivalentemente, podemos escribir el modelo de forma reducida como:

[][ ][

yt
a
a
a
= 10 11 12
zt
a 20
a 21 a 22

3.02

][ ] [ ]
e1t
y t1
2
z t1
et

(3.5)

EL PROBLEMA DE IDENTIFICACIN

Debido a que el modelo que se puede estimar sin problemas economtricos es la forma
reducida que no es de inters en muchas ocasiones, resulta importante preguntarse si podemos
recuperar el VAR primitivo a partir de los parmetros estimados en la forma reducida. Una cuenta
rpida de incgnitas y ecuaciones sugiere que esto no es posible:2
2 En estricto rigor, lo que debe verificarse es la condicin de rango del sistema de ecuaciones y no la condicin de
orden (ver Apndice A). Para fines didcticos, el uso de la condicin de orden es suficiente.

3.3
Desconocidos: 10 ,20 , 21 , 12 ,11 ,12 , 21 , 22 , 2z , 2y
Conocidos:
a 10 ,a 20 ,a 11 , a 12 , a 21 ,a 22 , 21 , 22 ,cov e 1t , et2
El nmero de parmetros desconocidos en el modelo primitivo es mayor que el nmero de
ecuaciones que determinan los parmetros de la forma reducida para la cual tenemos estimadores.
Por lo tanto, no se puede identificar el modelo primitivo a partir del modelo reducido, al menos que
se imponga una restriccin 12 =0 o 21 =0 . De hecho, este resultado es general, no importando el
nmero de variables incluidas en el VAR ni su orden (nmero de rezagos). La principal implicacin
de este resultado es que todo modelo de ecuaciones simultneas est sub-identificado. El corolario
de este resultado es que para identificar un modelo primitivo, obligatoriamente habr que imponer
restricciones de identificacin. El problema de estimar modelos de ecuaciones simultneas se
transforma, entonces, en un problema de tipos y formas de restricciones de identificacin que cada
cientfico impone y la justificacin que se le da a dichas restricciones.
Veamos qu es lo que hace una restriccin de identificacin en este contexto. Qu es lo que
se logra al imponer una (o ms) restriccin? Supongamos que forzamos 21 =0 . Entonces, el VAR
primitivo se convierte en
y t =1012 z t 11 y t 112 z t 1 ty
z t =20
21 y t 1 22 z t1 zt

(3.6)

es decir, ahora es un modelo recursivo. Una innovacin en z en el instante t impacta a zt y ste,

instantneamente, afecta a yt. El efecto de la innovacin de zt es simultneo sobre ambas variables.
Pero una innovacin en y afecta a zt slo en el tiempo, a travs de los rezagos de yt., pero no
contemporneamente.
Al incluir una restriccin es posible recuperar los coeficientes de la forma primitiva a partir
de los coeficientes estimados en la forma reducida porque:
a 10=1012 20 a 11=1112 21 a 12=1212 22
a 20 =20
a 21 =21
a 22 =22
2
1

2
y

= 12

2
z

2
2

2
z

1, 2

cov e e =12

(3.7)
2
2

Esta manera de identificar un modelo primitivo se llama descomposicin de Cholesky.3

Esencialmente, es una descomposicin triangular (en nuestro caso lower triangular). En palabras
simples lo que hace esta descomposicin es ordenar el modo como las innovaciones se propagan en
el sistema dinmico.
3 Nadie sabe con certeza quin descubri la descomposicin de Cholesky. La historia oficial es que Andre-Louis
Cholesky (1875-1918) fue un militar francs que, dedicado a labores geodsicas en Creta y Norfrica, desarroll la
descomposicin para computar las soluciones de las ecuaciones normales en problemas de cuadrados mnimos
aplicados a la confeccin de mapas. Su trabajo se public pstumamente (en 1924) en el Bulletin Geodesique. Sin
embargo Rudolf Zurmuhl afirma que el mtodo habra sido usado por H.M. Doolitle para fines similares en 1878
(Matrizen, Springer, p.64, 1961).

3.4
La descomposicin de Cholesky no es nica. De hecho, podramos haber supuesto 12 =0 y
haber obtenido otro modelo primitivo a partir de la misma forma reducida. Esto implica
necesariamente que toda identificacin es arbitraria. Para hacer un anlisis con VARs de manera
seria debemos presentar y estudiar las posibles descomposiciones alternadamente.
La descomposicin de Choleski no es la nica forma de identificar. Hay una lnea de anlisis
basada en imponer ceros ex-ante con pretextos (buenos y malos) tericos con el nombre de VAR
estructural, que discutiremos ms adelante. Hay otra posibilidad de identificar la forma primitiva del
VAR no con restricciones a innovaciones contemporneas, sino mediante la imposicin de
restricciones sobre los efectos acumulados de las innovaciones de alguna variable sobre el sistema. 4
En cualquier caso, sea que se ocupe la descomposicin de Cholesky o algn otro modo de
identificacin, el econometrista debe incluir informacin exgena al sistema en el momento de
identificar la conexin entre forma primitiva y forma reducida.
3.03

ECUACIONES SIMULTNEAS TRADICIONALES VS. VARS

La descomposicin de Cholesky tiene una ventaja que los modelos de ecuaciones

simultneas tradicionales no tiene: es explcita. El econometrista debe sealar la o las restricciones
que impuso y efectuar sus anlisis condicionales en dichas restricciones. En los modelos de
ecuaciones simultneas tradicionales5 la identificacin es frecuentemente confusa y no es reconocida
por el econometrista como un elemento que condicione su anlisis. Como un ejemplo de este
problema consideremos el siguiente modelo tpico de ecuaciones simultneas tradicionales:
Demanda q d =1 p t 2 y t dt
s
Oferta
q s =1 p t t
Equilibrio
q s =q d

(3.8)

El folklore de los modelos de ecuaciones simultneas tradicionales seala que (1) pt y qt son
variables endgenas, (2) yt es una variable exgena, y (3) que las ecuaciones reflejan la estructura de la
economa, en particular su dinmica. De la ecuacin (3.8) es posible obtener la siguiente forma
reducida por reemplazo:
d

1 2 y t t t
qt =

1 1 11
2 y t
1 dt 1 st
pt =

11
1 1

(3.9)

4 Ver Blanchard y Quah (1990) o Soto (1991). En estos trabajos para identificar la forma primitiva del modelo se
impone la restriccin que variaciones de demanda agregada tengan solo efectos transitorios sobre el desempleo y la
inflacin, respectivamente.

5 Una descripcin de los modelos de ecuaciones simultneas tradicionales se presenta en el Apndice B.

3.5
la que puede ser estimada usando, p.e., mnimos cuadrados. Ello permite recuperar la ecuacin de
oferta en (3.8) que est exactamente identificada pero no se podra parametrizar la funcin de
demanda porque est subidentificada.
Las diferencias de enfoque entre la metodologa de series de tiempo multivariadas y las
ecuaciones simultneas tradicionales son notorias y muy profundas. En particular,

En VARs no se clasifica las variables en endgenas o exgenas a priori. Todas las

variables son potencialmente endgenas y sern los datos los que sugieran si es razonable
una u otra especificacin como la ms adecuada.

En VARs no se impone una determinada estructura de rezagos a priori. Se determina la

dinmica en funcin de los datos. En particular, ntese la arbitrariedad implcita en (3.8)
pues el econometrista elimin ex-ante cualquier rezago de las variables. Es decir, sin siquiera
estudiar los datos se elimin cualquier forma de dinmica.

En VARs se impone el nmero mnimo de restricciones de identificacin, se reconoce a

priori stas, y se estudia cmo cambian los resultados con distintas maneras de identificar.
En particular, note la arbitrariedad de la identificacin impuesta por el econometrista en
(3.8).6

En VARs los parmetros y su significancia estadstica no son un fetiche. En las ecuaciones

simultneas tradicionales, la estructura del modelo es frecuentemente escogida sobre la
base de determinar si los coeficientes son individualmente significativos con algn nivel de
confianza, en un ambiente donde el sesgo de simultaneidad y la colinealidad son evidentes.

3.04

CAUSALIDAD EN SERIES DE TIEMPO

El tema de causalidad en economa y, en particular en series de tiempo, ocupa un lugar

central en la modelacin econmica. Sin embargo, no existe consenso respecto de qu es
exactamente causalidad (ver LeRoy, 2004 para una discusin del tema)7. Siguiendo a Hendry
(2004)8, una causa puede ser definida como un proceso quantitativo que induce cambios en el
tiempo a travs de una estructura. La estructura permanece invariable y caracteriza las relaciones
entre variables (es decir, refleja la realidad). La relacin entre causa y efecto es asimtrica, pues la
segunda no induce la primera. Esta nocin es congruente con Simon (1957).9
Usualmente en economa se postula que y es causado por x al escribir y=f(x). Esta simple
expresin tiene algunos problemas: (1) la descripcin es esencialmente circular (el modelo no estara
6 Al respecto se le aplica la clebre opinin de Sherlock Holmes: It is a capital mistake to theorize before one has the data.
Insensibly one begins to twist the facts to suit theories instead of theories to suit facts. Arthur Conan Doyle, A scandal in Bohemia, en
The Complete Sherlock Holmes, Barnes and Noble, pp. 163.
7 Stephen F. LeRoy, Causality in Economics, Technical Report 20/04, Centre for Philosophy of Natural and Social
Science, London School of Economics, 2004.
8 David F. Hendry, Causality and Exogeneity in Non-stationary Economic Time-Series, Technical Report 18/04,
Centre for Philosophy of Natural and Social Science, London School of Economics, 2004.

9 Simon, H. A. (1957). Models of Man. New York: John Wiley & Sons.

3.6
bien definido si f(.) no describiera la relacin), (2) la asimetra de causalidad est fuera del problema
porque si f(.) es invertible, entonces x podra ser causado por y, (3) la teora f(.) podra estar bien
definida pero ser irrelevante para el fin del anlisis econmico, y (4) una definicin de causalidad a
partir de un modelo puede ser insuficiente para caraterizar todos los canales de causalidad. El punto
central sobre causalidad es que sta es una propiedad de la realidad y no de un modelo terico o
estadstico.
Por ello, los economistas tendemos a usar una definicin de causalidad basada en los datos y
no en teoras. Como las relaciones econmicas no son leyes, la formulacin es estocstica, lo que
nos lleva al anlisis de tests de causalidad y, ms adelante, a la idea de evaluar causalidad en trminos
de los cambios en la distribucin conjunta de las variables.
A continuacin estudiamos los tests ms comunes de causalidad por dos razones. Primero,
porque ellos son tiles para determinar una forma particular de causalidad en economa. Segundo,
porque existe la tentacin de identificar los modelos VAR (y a veces los modelos estructurales) sobre
la base de la causalidad en el tiempo, lo que es incorrecto. Para entender esto estudiaremos primero
algunas definiciones de causalidad y luego su relacin con el problema de identificacin.
Causalidad de Granger (1969)10
El concepto de causalidad ms ampliamente usado en series de tiempo es el desarrollado por
Granger (1969). Analticamente:
Si L 0 en y t = L y t 1 L z t 1 t
z t causaala Granger a y t

(3.10)

es decir, zt causa-a-la-Granger a yt si sta contiene informacin util para predecir yt que no est
contenida en la historia de yt.
Es importante hacer varias observaciones con respecto a este test:

Primero, este no es un test de causalidad en el sentido profundo de causa y efecto, sino

slo un test de precedencia temporal.11 La mecnica mediante la cual zt afecta a yt es
desconocida y se debe tener cuidado con la interpretacin de los resultados pues stos
dependen del modelo que se est estudiando. Ver Box 1.

Segundo, debido a la probable existencia de colinealidad, el test se hace sobre el bloque de

rezagos de zt y no sobre parmetros individuales, es decir se hace un test F sobre la hiptesis

10 Granger, C.W.J. (1969), "Investigating Causal Relations by Econometric Methods and Cross-Spectral Methods,"
Econometrica, 34, 424-438. Como Granger se bas en trabajos previos de N. Wiener (The Theory of Prediction, en
E.F. Breckenbrack, The Theory of Production, McGraw-Hill, NY, 1956), a veces se le llama causalidad de WienerGranger.
11 Una discusin profunda sobre el problema de hacer equivalente causalidad y precedencia temporal se encuentra en J.
Geweke (1984), Inference and Causality in Economic Time Series Models, Handbook of Econometrics, vol. II, pp.
1101-1144

3.7
nula: (L)=0. Dado que existe la posibilidad que haya correlacin espurea, el test se hace
sobre la hiptesis nula zt no causa a la Granger a yt.

Tercero, es posible que zt cause-a-la-Granger a yt y simultneamente que yt cause-a-laGranger a zt. Ello puede suceder tanto porque las varables efectivamente son simultneas
por ejemplo cuando ambas son generadas por una tercera variable, wt como cuando son
observacionalmente simultneas por problemas de medicin (p.e., hay causalidad mensual
pero los datos observados trimestralmente).

Cuarto, un VAR es el entorno ptimo para testear causalidad a la Granger. Esto se deduce al
comparar el test de causalidad de la ecuacin (3.10) con la especificacin del VAR de forma
reducida de la ecuacin (3.5).

Otra manera de pensar el mismo test es en trminos del error cuadrtico medio: zt no causaa-la-Granger a yt si
ECM [ y tf | y t1 , ...]=ECM [ y tf | y t 1 , ... , z t 1 ,...]

(3.11)

Box 1
Interpretacin de la Causalidad de Granger12
Hay que tener cuidado con la interpretacin del test de causalidad de Granger con variables forwardlooking. De acuerdo a Fama (1970) el precio de las acciones refleja el valor presente de los dividendos

esperados de dichas acciones. Es decir pt =E t

i =1

[ ]
1
1r

d t i .

Si los dividendos tienen la siguiente ley de movimientos d t =d t t 1 t , entonces el

valor esperado de dt es

Et d t j =d t si j =1
.
=d si j 1

Entonces el precio pt es p = d t , es decir es ruido blanco. Por lo tanto debe concluirse que
t

1r

ninguna variable causa a-la-Granger al precio.

Ms an se obtiene fcilmente que dado que dt depende de pt-1 hay causalidad a-la-Granger de
precios a dividendos.

12 Se debe ser siempre cuidadoso con la intepretacin de la causalidad: El matrimonio es la causa nmero uno de divorcios.
Estadsticamente, el 100 por ciento de los divorcios comenz con un matrimonio.

3.8
Causalidad de Sims (1972)13
Sims (1972) plantea que el test de causalidad debiese ser hacia el futuro (forward looking), no
hacia el pasado. Por ello,
si L 0 en

i=0

i=1

y t =c i z t i i z t i t

(3.12)

z t causa alaSims a y t

Causalidad de Geweke, Meese y Dent (1983)14

Un problema del test de Sims es que el residuo es tpicamente autocorrelacionado y, por lo
tanto, un test F no funciona. Una solucin simple consiste en controlar la autocorrelacin usando
rezagos, es decir:
si

L 0 en

i =1

i =0

i =1

y t =c i y t i i z t i i z ti t

(3.13)

z t causa ala GMD a y t

As, la causalidad determinada usando tests de Granger, Sims o Geweke et al. nos informa
sobre cmo se afecta una variable en el instante t frente a innovaciones en otras variables en t-i o en
t+i, pero no nos dice cmo se afecta sta frente a innovaciones contemporneas. Por ello, estos tests
no pueden ser usados para identificar un modelo, ya que la identificacin requiere conocer la
correlacin contempornea de shocks.
El siguiente cuadro presenta los resultados de tests de causalidad aplicados a datos
trimestrales de dinero y producto de la economa chilena en el periodo 1977-2002.15 Los tests usan 6
rezagos (ms adelante volveremos sobre el tema de rezagos ptimos).

Cuadro 3.1
Tests de Causalidad entre Dinero y Producto
Granger
Sims

Geweke et al.

Dinero no causa producto

5.06

4.29

2.77

Producto no causa dinero

3.11

2.46

1.88

Nota: el valor crtico del F(6,80) es 2.22.

13 Sims, C. (1972). "Money, Income and Causality," American Economic Review, 62:540-552.
14 Geweke, J., Meese, R., and Dent, W. (1983), "Comparing Alternative Tests of Causality in Temporal Systems:
Analytic Results and Experimental Evidence," Journal of Econometrics, 21, 161-194.
15 En el Apndice A se encuentra el cdigo Gauss usado para computar estos resultados.

3.9
3.05

ESTIMACIN DE UN VAR(P) POR MXIMA VEROSIMILITUD

Al igual que en los modelos AR(p), vamos a formar la densidad condicional en las primeras p
observaciones del modelo:
y t =c 1 y t 1 2 y t 2... p y t p t

(3.15)

donde yt es un vector con n variables. Es decir, lo que queremos es obtener:

f y t , y t 1 ,...| y 0, y 1 ,... , y p1 ;

(3.16)

y maximizar con respecto a =[ c , 1 , 2 ,... , p , ] , donde es la matriz de varianzas y

covarianzas de los residuos de las n ecuaciones del modelo.
De nuevo, para yt estn dados c y los primeros p rezagos de yt, por ello la nica estocasticidad
proviene de t. Entonces:
y t | y t 1 ... y t p N [ c 1 y t 1 ... p y t p , ]

(3.17)

Sea x t =[1, y t 1 , y t 2 , ... , y t p ]' y =[c , 1, 2 ,... , p ] . Escribimos entonces la esperanza

condicional de yt como xt . Escribimos la densidad condicional de yt como
y t | y t 1 ... y t p N [ ' x t , ]

(3.18)

y la densidad de la muestra como

f y t , y t 1 ,...| y 0 ,... , y p1 ; = f y t | y t 1 ,... , y p 1 ;

t =1

(3.19)

por lo que la funcin de verosimilitud en logaritmos es:

T

log = log f y t | y t 1 ,... , y t p1 ;

i=1

Tn
T
1
1
1
=
log 2 log | | [ y t ' x t ' y t ' x t ]
2
2
2 t =1

(3.20)

Consideremos el ltimo trmino, ya que los otros son constantes. Al igual que en el caso de
los modelos AR(p), maximixar la funcin de verosimilitud equivale a minimizar el tercer trmino, es
decir a minimizar la suma de residuos al cuadrado del sistema de ecuaciones. As, se puede
parametrizar todo el modelo VAR, usando mnimos cuadrados ordinarios ecuacin por ecuacin.

3.10
Qu pasa cuando es deconocido? Podemos obtener un estimador usando la misma
funcin de verosimilitud. Consideremos
T

Tn
T
1
log ,
=
log 2 log | 1 | t ' 1 t
2
2
2 t =1

(3.21)

donde son los residuos muestrales. Podemos derivar la funcin de verosimilitud con respecto a
para encontrar un estimador adecuado:
T

t ' 1 t

log T log | |
=

2
2
1
1
T
T
1
= ' t t ' =0
2
2 t =1
1

t=1

(3.22)

Por lo que el estimador asinttico de es:

T

1 t t '
=
T t =1

(3.23)

Introduciendo (3.23) en (3.20) podemos estimar el VAR(p), an si es desconocido.

T

Tn
T
1
, =
log

log 2 log | 1 | t ' 1 t

2
2
2 t =1
Tn
T
Tn
=
log 2 log | 1 |
2
2
2

(3.24)

La inclusin del estimador de , como se muestra en (3.24) produce la llamada funcin de

verosimilitud condensada, que es la que usualmente se utiliza para el anlisis emprico. La estimacin se
hace por medio de mtodos numricos (ver Soto, 2005a).
Esta funcin nos permite pensar en otra aplicacin til. Si adems del VAR(p) estimamos
adems un VAR con p* rezagos, podemos desarrollar un test de largo de rezagos ptimos.

p ).
La H0 es que el nmero ptimo de rezagos es p y se computa log (
)
La H1 es que el nmero ptimo de rezagos es p* y se calcula log (
p
*

obviamente,
log
p ]=T [ log |
|log | |
] 2
2 [ log
p
p
n p p
*

donde los grados de libertad vienen de n ecuaciones con (p*-p) restricciones.

(3.25)

3.11
Este test es de uso comn pero no necesariamente es ptimo en trminos de poder.
Alternativas frecuentemente usadas son los tests de contenido informacional como los de Akaike y
Schwartz descrito en el Captulo 2 y aplicados a la matriz de varianza y covarianza de los residuos
del sistema de ecuaciones.
En el ejemplo descrito en la Seccin 3.04 se us, arbitrariamente, seis rezagos. El
procedimiento Optlag del Apndice B aplicado a estos datos seala, sin embargo, que el nmero
ptimo es 7 rezagos.

3.06

FUNCIONES IMPULSO-RESPUESTA DEL VAR

Al igual que en el caso de los modelos univariados, existe inters en estudiar las respuestas de
las variables frente a impulsos dados en forma de innovaciones.16 Recordemos que la respuesta a un
impulso queda descrita por la rpresentacin de media mvil de orden infinito del sistema. Tomemos
el modelo de forma reducida (ecuacin 3.5).

[ ][ ][

yt
a
a
a
= 10 11 12
zt
a 11
a 21 a 22

][ ] [ ]
e1
y t 1
t2
z t 1
et

(3.26)

por lo tanto, la representacin de media mvil es

[ ][] [

yt
a
a
= y 11 12
z
zt
i =0 a 21 a 22

][ ]
i

e 1t i
e 2t i

(3.27)

La expresin (3.26) no es til. La interpretacin econmica de las funciones impulsorespuestas descritas en el captulo anterior no puede hacerse usando las perturbaciones de la forma
reducida del modelo sino respecto de las innovaciones de la forma primitiva. Lo que queremos es la
respuesta de yt o zt frente a las innovaciones (y y z) y no a frente a perturbaciones del tipo e1 o e2.
Por ello, tenemos que imponer la condicin de identificacin. As,

[ ][] [

yt
a
a
= y 11 12
z i =0 a 21 a 22
zt

][ ]

y
1
12 t i
21
1
zt i

][

(3.28)

De nuevo vemos que la respuesta dinmica del sistema es su representacin VMA(). Basta
llamar a los trminos a la derecha de (con
z ] ' ).
=[ y ,
16 El impulso que se le da a un sistema dinmico para perturbarlo corresponde a una funcin tipo delta de L.
Kronecker en tiempo discreto o de P. Dirac si se trata de tiempo continuo. Al respecto de la relacin entre modelos y
realidad, Dirac seala This result is too beautiful to be false; it is more important to have beauty in one's equations than to have them
fit experiment. The evolution of the Physicist's Picture of Nature, Scientific American, 208(5), 1963.

3.12

x t = ti
i

(3.29)

i =0

En la jerga de sistemas dinmicos se suele llamar multiplicadores a los i . As, i 0 es

llamado el multiplicador de impacto, i T es el multiplicador de largo plazo, etc.
Se debe hacer notar varias caractersticas de las respuestas:

Dado que se cumple absolute summability, las respuestas desaparecen en el largo plazo.

La morfologa de las respuestas no depende del tamao de las innovaciones, pero el nivel s.
Es decir, una innovacin de tamao 1 tiene la misma forma de disipacin que una de tamao
2, pero a un nivel que es del otro.

Las respuestas dependen de la identificacin impuesta, por lo que de nuevo se deben

presentar varias descomposiciones. Este es el concepto de ordenamiento.

Podemos dar una innovacin y ver respuesta de todas las variables y/o podemos comparar
las respuestas de cada variable frente a varios shocks.

3.07

FUNCIONES IMPULSO-RESPUESTA USANDO TCNICA ESPACIO-ESTADO

Obtener las funciones impulso-respuesta que describen la dinmica del sistema de

ecuaciones del VAR- podra ser bastante difcil si el nmero de ecuaciones y regazos es alto. No
obstante, existe una tcnica que hace este paso trivial. A modo de ejemplo, vamos a transformar un
VARMA(2,1) en un modelo AR(1):
y t =1 y t 1 2 y t 2t 1 t 1

(3.30)

podemos mapear este proceso en esta otra representacin:

[ ][

][ ] [ ]

yt
1 2 1 y t1
1
y t 1 = 1 0 0 y t 2 0 t
0 0 0 t 1
1
t

(3.31)

si ahora definimos

[ ]
yt

x t = y t 1
t

El modelo de la ecuacin (3.30) puede ser re-escrito directamente como un AR(1):

(3.32)

3.13
x t = Ax t 1C t

(3.33)

Entonces podemos aplicar directamente la funcin de impulso-respuesta que obtuvimos en

el caso del AR(1) univariado, slo que sin olvidar que las respuestas son multivariadas.
En este caso, si damos un impulso (shock o innovacin) de tamao 1 en el instante cero y
luego no perturbamos el sistema, la respuesta del mismo queda descrita en el Cuadro 3.1:

Cuadro 3.1
Impulso y Respuesta
1
2
3

...

...

xt

AC

AC

...

AjC

La funcin de impulso-respuesta es, naturalmente, la primera fila de la secuencia AjC para la

forma reducida y B-1AjC para la forma primitiva. Ntese que la funcin de impulso-respuesta es
exactamente lo mismo que la representacin media mvil del sistema.
3.08

ERRORES ESTNDARES DE LA FUNCIN IMPULSO-RESPUESTA

Recordemos que la funcin impulso-respuesta se construye sobre variables aleatorias (los

coeficientes estimados) y, por lo tanto, es tambin una variable aleatoria. Por ello, queremos conocer
su distribucin.
Usamos los parmetros estimados y el teorema central del lmite para escribir:

T A T A X

donde

X N 0, Q
1

(3.34)

donde Q es el valor esperado de la matriz de momentos de los regresores, i.e., E y t y t ' Como lo
que queremos es la distribucin de la funcin impulso-respuesta que, a su vez, es una funcin f(.) de
los parmetros, usamos el teorema de Slutzky para obtener,

T f A T f A G s , T X
donde G s ,T =

(3.35)

f .
. Entonces

1
T [ f A T f A ] N 0, G s , T Q G s , T '

(3.36)

el error estndar que queremos es directamente la raz de la diagonal de G s ,T Q1 G s , T ' .

3.14
3.09

FUNCIONES IMPULSO-RESPUESTA GENERALIZADAS

Una de las debilidades de la tcnica de Sims para analizar VARs es la arbitrariedad de los
ordenamientos y la necesidad de presentar muchas alternativas de identificacin si se quiere ser
riguroso. Pesaran y Shin (1998)17 proveen una alternativa a la ortogonalizacin de innovaciones para
calcular la funcin de impulso-respuesta que no depende del ordenamiento de las innovaciones y, en
ese sentido, es una funcin generalizada.
Re-ordenemos lo que hemos aprendido. Supongamos un VAR del tipo:
p

x t = i x t i e t

t =1,T

(3.37)

i =0

donde xt es un vector de n-variables y es una matriz de parmetros. Los siguientes supuestos

caracterizan los errores:
Supuesto 1:

E[e t ]=0

E[e t ,e t ' ]=

Supuesto 2:
Las races caractersticas de | I n i i |=0 caen fuera del crculo
unitario. Es decir las variables son estacionarias.
La representacin media mvil de (3.37) es:

x t = A e t i
i

t =1, T

i =0

(3.38)

Las matrices A se obtienen recursivamente como:

A i = 1 A i1 2 A i 2 3 A i 3 ... p A i p

(3.39)

La funcin impulso respuesta es, conceptualmente, equivalente al siguiente experimento:

cmo habra reaccionado la economa si hubiese recibido una innovacin versus cmo
efectivamente evolucion? Esto depende primero del perfil de las innovaciones, , segundo de la
historia de la economa, I t 1 , y tercero del horizonte de simulacin, .
La funcin generalizada de impulso GI se define como:
GI x , , I t 1 =E x t n | e t = ,I t1 E x t , I t 1

(3.40)

Usando (3.40) en (3.38), obtenemos GI , ,t 1= A . Es decir, la funcin impulso

respuesta es independiente de It-1 pero no de . Por ello, cmo se modelan las innovaciones es clave.
17 Pesaran,. H. and Y. Shin (1998): Generalised Impulse Response Analysis in Linear Multivariate Models, Economics
Letters, 58:17-29.

3.15
Como hemos discutido, Sims (1980) sugiere utilizar la descomposicin de Cholesky, es decir,
escoger una matriz triangular tal que:
(3.41)

PP ' =

As, el VAR en representacin media mvil con la restriccin de identificacin se escribe

como:

x t = A i P P 1 e t i
i =0

t =1, T

A P ti

(3.42)

i =0

donde t =P 1 e t , es decir la innovacin ortogonalizada. Note que E t ' t =I ' n .

Por ello, el vector de impulsos-respuestas ortogonalizado de una innovacin en la
ecuacin j en el instante t+ es:
0j = A PI j

(3.43)

donde I(j) es un vector indicador que selecciona la ecuacin j del sistema (1 en j, 0 en cualquier
otro lugar).
Una propuesta diferente sera usar (3.40) pero, en vez de darle un innovacin a todos los
componentes de et, darle una innovacin slo a un elemento y desconectarle del efecto de las otras
innovaciones observadas o simuladas sobre la base de alguna distribucin. Es decir,
GI x n , , I t 1=E x t n |e t = j , I t 1 E x t n ,I t 1

(3.44)

Koop et al. (1996)18 demuestran que, si las innovaciones se distribuyen normal, entonces:
1
Ee t |e jt = j = 1j , 2j , ... , nj ' 1
jj j = e j jj j

(3.45)

por lo que el vector de impulsos-respuestas generalizadas (no escaladas) de una innovacin en la

ecuacin j en el instante t+n es:

A e j
jj

j
jj

(3.46)

la respuesta normalizada se obtiene si j jj . Es decir,

18 Koop, G., M. H. Pesaran, S. M. Potter (1996): Impulse response analysis in nonlinear multivariate models, Journal
of Econometrics 74: 19-147

3.16
gj = jj A I j

(3.47)

En resumen, las diferencias entre las funciones de impulso-respuesta estndares y las

generalizadas son:

j0 es sensible al ordenamiento (ortogonalizacin) de los innovacin s, en cambio jg no es

sensible.
j0 y jg coinciden si es diagonal.
Si no es diagonal, j0 y jg coinciden slo en j=1 (es decir, para la primera variable del
VAR).

mientras las funciones impulso-respuesta ordinarias estn normalizadas a uno,

funciones

impulso-respuesta

generalizadas

no

lo

estn,

comparabilidad.
3.10

j =1

g
ij

oij =1 , las
j =1

1 ,

perdiendo

DESCOMPOSICION DE LA VARIANZA DEL ERROR DE PRONSTICO

Consideremos la ecuacin (3.36), el error de pronstico un paso adelante es:

x t 1Et x t 1=t 1 . El error de pronstico pasos adelante es
1

x t Et x t = i t i

(3.48)

i=0

Tomemos el error de pronstico pasos adelante slo para el componente yt pero en

funcin de sus componentes estructurales.
y
y
y tE t y t = 11 0t
11 1t y1... 11 1t1
12 0zt 12 1zt 1...12 1zt1

(3.50)

Tomemos ahora la varianza de este error de prediccin sin olvidar que las innovaciones son
no correlacionadas
2y = 2y [ 11 02 11 12...11 12 ] z2 [ 12 02 12 12... 12 12 ]
2z = 2y [ 21 02 21 12 ... 21 12] 2z [ 22 02 22 12... 22 12 ]

(3.51)

La ecuacin (3.51) es la descomposicin de la varianza del error de pronstico. Cmo

entendemos esta descomposicin? Lo que tenemos es la suma de varianzas de las innovaciones
estructurales (t) ponderadas por su importancia en la estructura dinmica (memoria) de cada
variable (i). Es decir, la incertidumbre de la prediccin es una combinacin variable de la
incertidumbre de las innovaciones originales condicional en el proceso de identificacin.

3.17
Una consecuencia de lo anterior es que, si la mayor parte de la incertidumbre de la
prediccin de xt proviene de innovaciones propias, entonces la variable ser ms bien exgena.
El anlisis que utilizamos para la funcin de impulso-respuesta generalizada en la seccin
anterior es perfectamente vlido en este contexto. Las funciones jo y jg pueden ser utilizadas
tambin para obtener las funciones de descomposicin de la varianza del error de pronstico ():

oij =

e i ' A i Pe j 2

i =0

ei ' A A ' e j

i=0
3.11

ijg =

i
2
1
jj e i ' A e j
i =0

(3.52)
i

ei ' A A ' e j

i=0

VAR ESTRUCTURALES

El objetivo de un VAR estructural (SVAR) es obtener una ortogonalizacin no recursiva de

los residuos para la funcin impulso-respuesta basada no en la descomposicin de Cholesky sino en
la teora econmica. Ello, naturalmente, requiere imponer restricciones de modo de identificar la
forma primitiva desde la reducida.
Dado xt de orden k se busca realizar el mapping Ae t =B t donde t son las innovaciones
primitivas y et los residuos de la forma reducida. Sea la matriz de covarianza de los residuos.
Asumiendo (por comodidad) que las innovaciones son ortonormales (es decir, con varianza 1),
entonces:
A A '=BB '

(3.53)

Como las matrices de (3.53) son simtricas el supuesto de ortonormalidad provee k(k+1)/2
restricciones sobre los 2k2 elementos de A y B. Se requiere proveer 2k2 k(k+1)/2 restricciones
adicionales.
La especificacin de las restricciones de identificacin es frecuentemente de dos tipos: corto
plazo y largo plazo. Para aquellas de corto plazo, usualmente basta con poner ceros.
Ms generalmente, se pueden imponer restricciones del tipo:
1=c 1e 1
2=c 2e1 c 3e 2

(3.54)

Otra manera de incorporar estructura en el VAR es imponer restricciones de largo plazo.

Blanchard y Quah (1989)19 proponen identificar sobre la base de restringir las propiedades de largo
19 Blanchard, O.J. and D. Quah (1989), The Dynamic Effects of Aggregate Supply and Demand Disturbances,
American Economic Review, 79:655-673.

3.18
plazo de la funcin impulso-respuesta. La respuesta de largo plazo (acumulada) de las innovaciones
primitivas es:
C = A1 B

(3.55)

1
donde = I A 1 A 2 ... A p es decir la respuesta acumulada estimada de la forma reducida.
La restriccin de largo plazo afecta los elementos de la matriz C por ejemplo, Cij=0 lo que
permite la identificacin. La restriccin anterior dice que la respuesta acumulada de la i-sima
variable a la innovacin estructural j-simo es cero.

Existen algunas consideraciones en el uso de un SVAR:

3.12

Las matrices A y B deben ser cuadradas y no-singulares, i.e., debe haber tantas ecuaciones
como variables endgenas.
Las restricciones deben ser lineales.
La restriccin que las innovaciones tengan varianza unitaria es innecesaria, pero ellas deben
ser no correlacionadas entre ecuaciones y en el tiempo.
Es posible que las restricciones no provean signo para un coeficiente (ej, a 11=b 23 ). Ver
Christiano, Eichenbaum, and Evans (1998)20 para una descripcin de este problema.
A diferencia de un VAR estndar, se puede testear el modelo por el mtodo de overidentifying restrictions. Es frecuente que una teora provea muchas restricciones para los
parmetros o entre ecuaciones. De hecho, podran sobre-identificar. Ello permite testear el
modelo con restricciones y sin restricciones usando un test 2.
CUASI VARS

Como es obvio, los modelos VAR son intensivos en parmetros. En ocasiones ello no es
problema, pero en muestra pequea puede ser costoso. Una extensin de los modeos VARs son los
cuasi-VAR, que pueden ser vistos como un hbrido entre un modelo VAR puro y un modelo EST.
Es decir, aquellos VARs donde algunas variables son consideradas exgenas ex-ante pero su
dinmica y efecto sobre las variables endgenas es determinado al interior del modelo. Es decir,
excluimos del VAR la ecuacin para la variable considerada exgena y la incluimos como una
variable determinstica.

][ ] [ ] [

e1
yt
a
a L a 12 L y t 1
h L h 12 L m t 1
= 10 11
t2 11
zt
a 20
a 21 L a 22 L z t 1
h 21 L h 22 L s t 1
et

[][ ][

][ ]

(3.56)

En muchos casos, el uso de un modelo cuasi-VARs es justificado (p.e., la tasa de inters

internacional en un modelo para una economa pequea, la demanda de bienes exportables, etc.). La
justificacin de la especificacin, no obstante, debe estar bien hecha.
20 Christiano, Lawrence J., Martin Eichenbaum, and Charles L. Evans. 1998. Modeling Money. Working Paper no.
6371 (January), NBER, Cambridge, MA.

3.19
APNDICE A:

MODELOS DE ECUACIONES SIMULTNEAS TRADICIONALES

Los modelos de ecuaciones simultneas han sido la base de muchos desarrollos

economtricos en los ltimos 50 aos y proveen una herramienta til para modelar problemas
econmicos. En este apndice presentamos los dos aspectos ms destacados de esta literatura: la
derivacin formal de las condiciones de identificacin y las tcnicas de estimacin de sistema
completo.
Una manera prctica de describir un modelo de ecuaciones simultneas es:
11 y 1t 12 y 2t ...1m y mt 11 x 1t 12 x 2t ...1k x kt =1t
21 y 1t 22 y 2t ...2m y mt 21 x 1t 22 x 2t ...2k x kt =2t

1
2
m
m1 y t m2 y t ... mm y t m1 x 1t m1 x 2t ...mk x kt =mt

(A.1)

donde las variables y son llamadas tradicionalmente endgenas y las variables x exgenas. Note
que hay m variables endgenas y k exgenas. Adems hay m ecuaciones, x1 es una columna de unos
(constante) y son innovaciones.
Podemos escribir el modelo de manera ms simple usando matrices, de modo que :

[ ] [ ]

11
[ y 1t y 2t ... y mt ] 21

m1

1m
2m [ x 1 x 2 ... x k ]
t
t
t

mm

11
21

k1

1k
2k =[1 2 ... k ]
t t
t

kk

(A.2)

De manera ms compacta:
y t ' x t ' B=t '
A.1

(A.3)

El problema de identificacin

Antes de derivar la tcnica general de identifiacin, estudiemos un caso particular para

entender este problema en el contexto de ecuaciones simultneas. Sea el siguiente modelo
d

Demanda q d =1 p t 2 y t t
s
Oferta
q s =1 p t t
Equilibrio
q s =q d

con E[d]=E[s]=0 y E[d,y]=E[s,y]=E[d,s]=0.

(A.4)

3.20
Resulta evidente que p y q son endgenos, y es exgeno y las dos ecuaciones no son
independientes. Podemos resolver el sistema de dos incgnitas y dos ecuaciones:
1 2 y t dt st
qt =

1 1 11
2 y t 1 dt 1 st
pt =

1 1
11

(A.5)

d
t

Note que hay problemas derivados de Cov [ p t , ]=

. Naturalmente, debemos
11
restringir 1 1 pero ese no es el problema ms grave. Si quisieramos estimar la ecuacin de
demanda directamente, el estimador 1 sera sesgado. Este es el llamado sesgo de simultaneidad:
cada vez que hay variables endgenas en el lado derecho de la ecuacin, los parmetros estn
sesgados. La ecuacin (A.4) es mal llamada la representacin estructural.
Reescribamos la ecuacin (A.5) de modo que conforme la llamada forma reducida
q t =1 y t 1t
p t =2 y t 2t

(A.6)

la que s puede ser estimada directamente porque no hay covarianza entre los regresores y los
residuos 1 o 2.
Una vez obtenidos los estimadores 1 y 2 notemos que:
1 =

2
11

2=

1 2
11

(A.7)

2
por lo tanto, podemos obtener el estimador 1=
y, naturalmente, la ecuacin de oferta. Sin
1
embargo no podemos obtener la ecuacin de demanda de la misma forma. En la jerga de ecuaciones
simultneas se dice que esta ecuacin de demanda est sub-identificada, en tanto que la ecuacin de
oferta est identificada.
Si volvemos al modelo general de la ecuacin (A.2), su forma reducida ser del tipo:

[ ]

11
y 1t y 2t ,... , y mt ]=[ x 1t x 2t ... x kt ] 21

k1

1k
2k 1 2 ... m
[ t t t]

kk

(A.8)

3.21
Frente al modelo general cabe preguntarse cmo podemos saber cundo una ecuacin est
identificada de modo que podamos estimar los parmetros de la forma reducida y obtener los
parmetros de la forma estructural.
Para ello, estudiemos la ecuacin (A.2)

en la matriz hay m2 parmetros desconocidos (podemos hacer que los parmetros del tipo
ii sean 1, por lo que hay m2-m incgnitas).
en la matriz B hay mk parmetros desconocidos
en la matriz de varianzas y covarianzas de los errores hay m(m-1) incgnitas (las
covarianzas) porque la matriz es simtrica.

Estudiemos, ahora, la ecuacin (A.8):

en la matriz hay mk parmetros estimados

en la matriz de varianzas y covarianzas de los residuos hay m(m-1) parmetros estimados
(las covarianzas) porque la matriz es simtrica.

Por lo tanto, no es posible resolver el sistema de ecuaciones porque hay ms incgnitas que
parmetros estimados. Es por ello, que los modelos de ecuaciones simultneas deben imponer
restricciones de identificacin, las que toman diferentes formas:

En ocasiones algunas ecuaciones son identidades, es decir, ecuaciones con parmetros

conocidos (por ejemplo, YC+I+G).
En otros casos, se imponen restricciones cruzadas entre parmetros (por ejemplo, de una
funcin de produccin Cobb-Douglas con retornos constantes de escala obtenemos
logY=logK + (1-)log L).
Se restringen innovaciones porque se sabe que no covaran (E[d,s]=0).

En realidad, en la mayora de los casos es el econometrista el que impone las restricciones

necesarias para poder identificar. Algunas veces stas se derivan de la teora, pero ello no es
frecuente. Tpicamente, stas son arbitrarias.
Mtodo general de determinar el grado de identificacin
Para evaluar si una ecuacin est identificada, separaremos las variables endgenas y
exgenas en grupos:

3.22
Cuadro Apndice 1
Incluidas en la
ecuacin
yj
yj*

Endgenas
Exgenas

Excluidas de la
ecuacin
xj
xj*

Por lo tanto la j-sima ecuacin estructural puede ser escrita como:

y j =Y j ' j Y *j ' *j x j ' B j x *j ' B*j j

(A9)

en tanto que la j-sima ecuacin reducida es:

[ y j Y j ' Y *j ' ]=[x j x *j ]'

j j j
j
*j *j *j

(A10)

Al buscar la equivalencia para volver de (A.10) a (A.9) encontramos las siguientes

condiciones de identificacin:
j j j = j
*j *j j =0

(A11)

De la primera condicin no podemos derivar mucho, pues depende de que es

desconocida. De la segunda condicin tenemos Kj* ecuaciones y Mj incgnitas. Si Kj* Mj, el
problema tiene solucin. Esta es la ms simple regla de identificacin, llamada condicin de orden:
Si el nmero de variables exgenas excluidas de la ecuacin es mayor o igual que el nmero de endgenas
incluidas, entonces la ecuacin est identificada.
El problema de la condicin de orden radica en que es posible que alguna o algunas de las
columnas de Kj* o de Mj Sean linealmente dependientes de las otras. Por ello, la condicin de orden
no es suficiente. Lo que queremos es que el rango de la matriz Kj* sea mayor o igual al rango de la matriz Mj.
No muy sorprendentemente, esta condicin es llamada condicin de rango.
Habr, entonces, tres casos

Kj* = Mj
Kj* Mj
Kj* < Mj

la ecuacin est exactamente identificada

la ecuacin est sobre identificada
la ecuacin est sub identificada

Tanto en el primero como segundo caso, la estimacin es posible. En el tercero, no es

posible identificar los parmetros estructurales a partir de la forma reducida.

3.23
A.2

Mtodos y Tcnicas de Estimacin

Antes de revisar los mtodos de estimacin es conveniente notar que slo se necesita
identificar si es que se va a hacer algun test sobre los parmetros estructurales. Si se desea predecir
exclusivamente, basta con estimar la ecuacin reducida (3.66).
Vamos a separar los mtodos de estimacin en dos familias: (1) estimacin ecuacin por
ecuacin y (2) estimacin del sistema completo. Tambin vamos a separar por tcnica de estimacin:
(1) mnimos cuadrados y (2) mxima verosimilitud. Es decir, hay cuatro casos para estudiar:
Cuadro Apndice 2
Mtodo de estimacin

Tcnica de estimacin
Mnimos cuadrados

Mxima verosimilitud

Ecuacin por ecuacin

Sistema completo

Mtodos de Estimacin Ecuacin por Ecuacin

Caso A: Tcnica de mnimos cuadrados
Es importante preguntarse cundo es legtimo estimar ecuacin por ecuacin. Existe un tipo
de modelo de ecuaciones simultneas que es posible estimar eficientemente ecuacin por ecuacin,
el llamado modelo recursivo.
y 1t =1 x 1t 1t
y 2t =2 x 1t 21 y 1t 2t

y mt =m x 1t m1 y 1t m2 y 2t ...ml y mt tm

(A12)

Note que este modelo se puede estimar de la siguiente manera: (1) estime la primera
ecuacin por OLS (no hay problema por que no hay sesgo de simultaneidad), (2) prediga yt1 usando
la ecuacin anterior y reemplaze y 1t por yt1 en la segunda ecuacin, (3) estime la segunda ecuacin,
(4) prediga y 2t usando la ecuacin anterior, etc.
Un segundo caso sucede cuando es lcito usar mnimos cuadrados indirectos de modo
similar al usado en el ejemplo de oferta y demanda. Si en la condicin de identificacin ecuacin
(A.11) el rango de la matriz Kj* es igual al rango de la matriz Mj entonces

j j j = 0 j = j j
*

*1

(A13)

3.24
En el caso en que el rango de la matriz Kj* es mayor que el rango de la matriz Mj la pregunta
ms interesante es cmo usar este exceso de informacin de manera creativa? Obviamente
podramos botar alguna columna, pero eso raramente es ptimo. Una alternativa interesante es
utilizar lo que aprendimos en los mtodos de variables instrumentales.
En primer lugar, note que si la ecuacin est exactamente identificada entonces hay una
variable exgena excluida por cada endgena incluida, es decir un instrumento por cada variable de
lado dercho que tiene covarianza con el residuo. En segundo lugar, si rango de la matriz Kj* es mayor
que el rango de la matriz Mj habr ms instrumentos de lo estrictamente necesario. Pero este
problema ya sabemos enfrentarlo usando un estimador en dos etapas: (1) buscamos la combinacin
lineal de Xj* que mejor represente (prediga) Yj usando mnimos cuadrados, y (2) estimamos la j-sima
ecuacin usando la prediccin hecha en la primera etapa. Este es el llamado estimador de mnimos
cuadrados en dos etapas (2SLS).
Caso B: Tcnica de mxima verosimilitud
Una alternativa es hacer la estimacin por mxima verosimilitud que, a diferencia de 2SLS,
es asintticamente normal independientemente de la distribucin de los residuos. En principio, la
funcin de verosimilitud de la j-sima ecuacin es:
n

n
1
max =
[m j 1 log 2 log | j |] [ y j x ' j j ]1
j [ y j x ' j j ]'
2
2 i=1

(A14)

sujeto a
j j j = j
*j *j j =0

(A15)

Existe un algoritmo que soluciona este problema de maximizacin y que es ms simple que
tratar de estimar los parmetros directamente usando la funcin de verosimilitud.

Sea W 0j =E0 ' j E0j donde E0j =M j Y 0j =[ I X j X j ' X j 1 X j ' ] Y 0j . Es decir Ej0 son los
residuos de una regresin de Yj0 en Xj.
Definimos, adems, W 1j =E1j ' E 1j donde E1j =[ I X X ' X 1 X ' ] Y 0j . Es decir, los
residuos de una regresin de Yj0 en X.

[ ]

0
Computamos =W 1j 1 W 0j , la raz caracterstica ms pequea. Sea W j =

W 1j =

w 1jj w ' 1j
.
w 1j W ' 1jj

Entonces los estimadores de mxima verosimilitud son j

1
j =[ X j ' X j ] [ X j ' y j Y j j ]
LIML

w 0jj w ' 0j
w 0j W ' 0jj

LIML

=[ W jj W
0

LIML

1 1
jj

0
1
w j w j y

3.25
Mtodos de Estimacin del Sistema Completo
La principal diferencia entre la estimacin de un modelos como sistema en vez de ecuacin
por ecuacin es aprovechar la informacin que pueda haber sobre la correlacin de residuos de
modo de hacer ms eficiente la estimacin. Es decir, los mtodos uniecuacionales dan cuenta del
problema de inconsistencia, en tanto que los mtodos de sistema dan cuanta, adems, del problema
de eficiencia. Es decir, estos ltimos hacen una correccin tipo mnimos cuadrados generalizados
junto con variables instrumentales.
Caso C: Tcnica de mnimos cuadrados
Este mtodo, llamado mnimos cuadrados en tres etapas, consiste en:
1.
2.
3.

4.

Obtenga Y j para cada ecuacin

Compute el estimador de mnimos cuadrados en dos etapas, 2SLS .
Compute el estimador de la covarianza de los residuos entre ecuaciones,
y j j Z j ' y j j Z j
ij =
T
1 Z1 .
Obtenga la varianza asinttica de los estimadores, As.Var j =Z '

Caso D: Tcnica de mxima verosimilitud

La ltima alternativa es usar el estimador de mxima verosimilitud, que en este caso
corresponde a:
max log L =

T
[ M log 2 log | |tr 1 N ]
2

sujeto a
=B 1
=1 ' 1
donde los elementos de son ij =

(A16)

y i x i i ' y j x j j
.
T

La solucin de (A.16), el llamado estimador de mxima verosimilitud con informacin

completa o FIML, requiere del uso de mtodos de clculo numrico.

3.26
Comparacin de Mtodos

El nico mtodo que usa toda la informacin eficientemente es FIML (asinttico).

Si los residuos se distribuyen normales, entonces 3SLS es eficiente.
Si la ecuacin esta exactamente identificada, FIML equivale a OLS ecuacin por ecuacin.
Si la muestra es grande (n), los mtodos FIML y 3SLS dominan a los uniecuacionales.
Si hay problemas de especificacin, los mtodos uniecuacionales son preferidos a
multiecuacionales porque no se contagian.

Simulacin de Modelos de Ecuaciones Simultneas

El principal objetivo de los modelos de ecuaciones simultneas es obtener prediccin de las
variables endgenas, condicional en distintos supuestos sobre la evolucin futura de las variables
exgenas. La jerga de la simulacin de estos modelos distingue entre efectos (llamados
multiplicadores) de corto plazo (llamado impacto) de los de largo plazo. Tambin distingue
entre simulaciones estticas (sin retroalimentacin de las variables predeterminadas) y simulaciones
dinmicas (con retroalimentacin).
Sea el modelo y t ' x t ' y t1 ' =t ' . Su forma reducida es:
y t '=x t ' y t 1 ' t '

(A17)

Multiplicador Impacto.
El efecto instantneo de la variables xk en la ecuacin m-sima es simplemente:
y mt '
x kt

= km

(A18)

Multiplicadores de Largo Plazo.

Recuerde que si y t ' x t ' y t1 ' =t ' , entonces y t1 ' x t 1 ' y t2 ' =t 1 ' .
Por ello, cada vez que cambia una variable exgena, las variables endgenas siguen una trayectoria,
es decir tienen una evolucin en el tiempo.
y mt '
x

k
t s

= s km

(A19)

3.27
Simulacin Dinmica vs. Esttica
Note que cuando se simula el modelo y t '=x t ' y t 1 ' t ' dentro de la muestra hay
dos maneras de tratar el valor de los rezagos de las variables endgenas: el predicho por el modelo
(simulacin dinmica) o el efectivamente observado (simulacin esttica).

3.28
APNDICE B:

EJERCICIOS

1.
A qu se refieren los econometristas cuando sealan que la descomposicin de Cholesky es
una forma de identificacin de mnima restriccin en un modelo? Use como ejemplo del rol que
juega una restriccin de identificacin en el siguiente modelo propuesto por Sims. En particular
responda, cuntas incognitas hay en la forma estructural? Cuantos parmetros se obtienen de la
forma reducida? Cuantas restricciones se necesitan? Cules restricciones impone la tcnica de
Cholesky?
m t =b 11 y t b 12 i t a 11 L m t 1a 12 L y t1 a 13 L i t 1 mt
y
y t =b 21 m t b 22 i t a 21 L m t 1a 22 L y t 1a 23 L i t 1t
i t =b 31 m t b32 y t a 31 L m t 1 a 32 L y t 1a 33 L i t1 i2.
t
2.
Suponga que Ud. desea obtener la funcin impulso-respuesta del siguiente modelo:
y t =0.7y t 10.2y t 2t con t N 0, . Utilice la tcnica de la representacin espacio-estado
(es decir, convierta el modelo en un modelo tipo AR(1)) y obtenga la la funcin impulso-respuesta
generalizada.
3.
Considere el siguiente modelo VAR. Le proponen el siguiente algoritmo para testear la
causalidad entre y y z: (1) estimar cada modelo por OLS y (2) testear si ij es cero. Seale, al menos,
tres limitaciones que invalidan el algoritmo.
y t =b10 b 12 z t 11 y t 1 12 z t 1 t y
z t =b20 b 21 y t 21 y t 1 22 z t 1zt
4.
Describa de manera precisa cmo se deriva la varianza del error de prediccin un paso
adelante de un VAR(p) bivariado. Cules son sus componentes? Cmo se interpretan?

3.29

Contenidos
Captulo 3...............................................................................................................................................................1
Modelos de Series de Tiempo ...........................................................................................................................1
Estacionarias Multivariados................................................................................................................................1
3.01 Vectores Autoregresivos............................................................................................................................1
3.02 El Problema de Identificacin..................................................................................................................2
3.03 Ecuaciones Simultneas Tradicionales vs. VARs..................................................................................4
3.04 Causalidad en Series de Tiempo...............................................................................................................5
3.05 Estimacin de un VAR(p) por Mxima Verosimilitud........................................................................ 9
3.06 Funciones Impulso-Respuesta del VAR...............................................................................................11
3.07 Funciones Impulso-Respuesta usando Tcnica Espacio-Estado.....................................................12
3.08 Errores Estndares de la Funcin Impulso-Respuesta.......................................................................13
3.09 Funciones Impulso-Respuesta Generalizadas......................................................................................14
3.10 Descomposicion de la Varianza del Error de Pronstico.................................................................16
3.11 VAR Estructurales.....................................................................................................................................17
3.12 Cuasi VARs................................................................................................................................................18
Apndice A: Modelos de Ecuaciones Simultneas Tradicionales .............................................................20
Apndice B: Ejercicios.......................................................................................................................................28

Ultima correccin:

24/03/08