Interpretacin Estructural de Vectores Autorregresivos con

Identificacin Incompleta : Anlisis del rol de los suministros del

petrleo y perturbaciones en la demanda

Abstracto

Los enfoques tradicionales de interpretacin estructural de vectores autorregresivos

pueden verse como casos especiales de inferencia bayesiana que surgen de muy fuertes
creencias previas acerca de ciertos aspectos del modelo. Estos mtodos tradicionales se
pueden generalizar con una formulacin bayesiana menos restrictiva que permite al
investigador para resumir la incertidumbre no viene slo de los datos, sino tambin la
incertidumbre sobre el propio modelo. Utilizamos este enfoque para revisar el papel de los
shocks de la oferta y la demanda de petrleo y la conclusin de que los aumentos de los
precios del petrleo que resultan de choques de oferta conducen a una reduccin de la
actividad econmica despus de un retraso significativo, mientras que los aumentos de
precios que resultan de los aumentos en la demanda de consumo de aceite hacer no tener
un significativo efecto sobre la actividad econmica.
1. Introduccin.
Acercarse a la inferencia estructural de vectores autorregresivos requiere la toma de uso
de la informacin anterior. En el enfoque habitual de los modelos solamente identificados,
el investigador procede como si l o ella es absolutamente cierto que algunos coeficientes
co-estructurales son cero (supuestos vistos como sea necesario para lograr la
identificacin) aunque no tiene informacin til sobre otras magnitudes. Aunque este
enfoque es muy frecuente en la literatura, la mayora de los usuarios de estos mtodos
estn dispuestos a reconocer que los supuestos de identificacin rara vez son totalmente
convincentes. Los supuestos estructurales que el enfoque economtrico considera como
de costumbre conocida con certeza, de hecho, casi siempre sujetos a serio desafo. Por
esta razn, se ha convertido recientemente bastante comn para tratar de sacar
conclusiones estructurales de vectores autorregresivos utilizando hiptesis ms mnimos
tales como las creencias previas acerca de los signos de ciertas respuestas estructurales.
Aunque la impresin popular es que estos mtodos no imponen creencias previas
significativas distintas a las restricciones de signo, Baumeister y Hamilton (2015A)
demostraron que los algoritmos actualmente en uso por investigadores aplicados, de
hecho, implican distribuciones a priori no uniformes para ambos parmetros estructurales
y de impulso-respuesta funciones y que la influencia de las distribuciones a priori no se
anula como el tamao de la muestra se convierte en infinito. Una vez que reconocemos
que las creencias anteriores necesariamente juegan un papel en la interpretacin
estructural de correlaciones, se convierte en tiles para caracterizar la aportacin de
informacin previa en el uso de las herramientas formales de anlisis bayesiano.
Baumeister y Hamilton (2015A) desarrollado algoritmos para la inferencia bayesiana que
se puede utilizar si el modelo estructural es sobre-identificado, solo identificado, o
bajamente identificado. En este ltimo caso, el investigador reconoce
explcitamenteAlgunas dudas sobre la credibilidad de algunos de los supuestos de
identificacin, y las dudas se reflejarn con precisin en la inferencia posterior. En este
trabajo se utiliza este mtodo para revisar esfuerzos por Kilian (2009) y Kilian y Murphy
(2012) para evaluar las consecuencias de los choques de oferta y demanda. Se demuestra
que sus resultados pueden ser obtenidos como casos especiales de la inferencia bayesiana
posterior formal de conformidad con determinadas especificaciones de las de certeza
acerca de algunas de las funciones de los parmetros y cerca de la ignorancia de los
dems. Se argumenta que los supuestos que se imponen con certeza son inverosmiles, y
adems que tenemos informacin adicional acerca de otros objetos que pueden mejorar
significativamente la inferencia. Mostramos cmo estas ideas pueden ser adaptadas en
una generalizacin que permite la relajacin de los supuestos de identificacin, reconoce
el papel de los errores de medicin en las variables, y hace uso de las relaciones
encontradas en los conjuntos de datos anteriores. A pesar de, nuestras conclusiones
principales estn en lnea con los de estudios anteriores. Nos encontramos que
Una perturbacin de suministro de aceite conduce a una reduccin de la actividad
econmica despus de un retraso sustancial, mientras que el consumo de aceite
perturbaciones de la demanda no se asocian con efectos significativos. El plan del trabajo
es la siguiente: La seccin 2 resume el enfoque bayesiano para un modelo que no tiene
por qu ser identificados en el sentido frecuente. Seccin 3 utiliza este marco para revisar
estudios anteriores sobre el papel de suministro de petrleo y perturbaciones de la
demanda. La seccin 4 muestra cmo podemos permitir que el error de medicin,
mientras que la Seccin 5 ilustra cmo podemos traer a la informacin de una variedad de
fuentes y conjuntos de datos para ayudar a informar a la inferencia sobre el papel de los
shocks de la oferta y la demanda de petrleo.

2. Inferencia bayesiana para un SVAR

Nuestro inters se da en un modelo estructural de la siguiente forma

Para Yt un vector (n 1) de variables observadas, A un (n n) matriz que resume su

contemporneo Relaciones estructurales, xt-1 a (k 1)
vector (con k = mn + 1) que contiene una constante y los
m rezagos de y y ut un vector (n 1) de perturbaciones estructurales.
Como en la gran mayora de los estudios aplicados, tomamos la matriz de varianza de ut
(denotada =D) sea diagonal. Baumeister y Hamilton (2015a) demostraron que la
distribucin posterior bayesiana resultante puede interpretarse ms generalmente como
inferencia sobre los segundos momentos de la poblacin, incluso si las verdaderas
innovaciones no son Gaussianas.
2.1 En representacin de las creencias anteriores.
Desde una perspectiva bayesiana, creencias previas de un investigador acerca UN sera
representado en la forma de una densidad p(A), donde los valores de A que se consideran
ms plausible, a priori, estn asociados con un valor mayor para p( A), mientras p( A) = 0
para cualquier valor de A que son completamente descartada. Aplicacin de nuestro
procedimiento slo requiere que p(A) sea una densidad adecuada que se integra a la
unidad. En realidad nuestro algoritmo puede implementarse incluso si no se conoce la
constante de integracin, por lo que el requisito prctico es simplemente que p( A) est
en todas partes y cuando no negativo integrada en el conjunto de todos permisible
produce un nmero positivo
finito. resultados asintticos requieren pag( UN) asociar una probabilidad positiva con
cualquier entorno abierto en torno al valor verdadero A0.
Si bien permitimos al investigador tener creencias arbitrarias anteriores sobre A, para
reducir la demanda computacional. Exige asumir que las creencias anteriores sobre los
otros parmetros pueden ser representados Por familias particulares de distribuciones
paramtricas que permiten muchas caractersticas de la distribucin bayesiana Posterior a
calcular con expresiones analticas de forma cerrada. Especficamente,
Suponemos que las creencias anteriores sobre D condicionales en
A pueden ser representadas usando (i, i) Distribuciones para

dnde denota la fila i, columna i elementos de D. As / yo denota el valor esperado

del analista de 1 antes de ver los datos, mientras / 2 es la varianza de esta
distribucin previa. Si tenemos mucha confianza en estas creencias anteriores,
elegiramos y ser un gran nmero de obtener una distribucin previa fuertemente
centrada alrededor / . Una complete ausencia de informacin til acerca de D puede
ser representada como un caso limitado de y aproximado a cero. En las aplicaciones
y frmulas de continuacin que permitan depender de A pero asumimos que no;
para el caso ms general, cuando ambos y depender de A ver el tratamiento en
Baumeister y Hamilton (2015A). Nos ofrecemos algunas sugerencias de cmo elegir los
valores para y en el Apndice A.
Creencias anteriores sobre los coeficientes estructurales B rezagados estn representados
con distribuciones gaussianas condicionales, |, ~ ( , ):

(|, ) =1 ( |, ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (3)
1
(|, ) = [(1/2)( ) ( )1 (
(2)2 | |12
)]. . (4)
el vector Denota nuestra mejor conjetura antes de ver los datos en cuanto al valor de
bi. Donde Denota la fila i de B, esos is contienen los coeficiente rezagados para los i
ensimas ecuaciones estructurales. La matriz Mi caracteriza nuestra confianza en estas
creencias previas. Una gran variacin representara una gran incertidumbre, mientras que
no teniendo informacin previa til podra ser considerado como un caso lmite de
cuando tiende a cero. Una vez ms las aplicaciones y los resultados de este trabajo
permiten depender de A pero asumir que no. Sugerencias para la especificacin
y son realizados en el Apndice A.
2 Vamos a seguir la convencin de notacin de utilizar p(.) para denotar una densidad
arbitraria, donde la densidad particular que se hace referencia est implcita por el
argumento. As p( A) es la notacin abreviada de pA( A) y representa una funcin
diferencial de p( D | A), que a su notacin ms cuidadosos se representar p D | A ( D |
2.2 Muestreo de la distribucin posterior.
Bayesiano comienza con creencias anteriores sobre los parmetros
p(A,D,B)Representado por el producto de p (A) con (2) y (3), el objetivo es Claro para ver
cmo la observacin de los datos data YT = (y'1 , y'2 , , y'T )' nos hace cambiar estas creencias
. Las distribuciones particulares recomendadas arriba resultan ser los conjugados
naturales. Es decir, si el anterior para d-1
ii dado A es (i , i (A)), entonces el posterior
-1
para dii dado A y los datos YT es (*i , *i (A)) donde

= + 2 . . (5)

() = () + (1/2) (). . . . . (6)

Y donde () puede ser calculado como la suma de los cuadrados residuals de una
regression de () en

() = ( () () ) ( () )( )1 (( ()). . . . (7)
 1 = .
Del mismo modo con un ( (), ) anterior para |, , el posterior
Para dado A, D, y los datos se encuentra que es ( (), ) con

Baumeisterand
Hamilton (2015a) mostro que la posterior distribucin marginal est dado por
^
()[( )]2
(| ) = ()
=1
.
=1 =1[(2/) ()]

^
Aqu p(A) denota la densidad antes original para , es la matriz de la muestra varianza
para los
Residuos VAR de forma reducida,

y es una funcin de los datos y parmetros anteriores (pero no depende de A, D, o B)

de tal manera que la densidad posterior integra a la unidad sobre el conjunto de valores
permitidos para A. El valor de no tiene que ser calculado con el fin de formar la
inferencia posterior.

La distribucin posterior

Resume la incertidumbre del investigador acerca de los parmetros condicional en haber

observado la muestra . Si el modelo no est suficientemente identificados, cierta
incertidumbre se mantendr incluso si el tamao de la muestra T es infinito, como se
discute en detalle en Baumeister y Hamilton (2015a). apndice B describe un algoritmo
que puede usarse para generar N esquemas diferentes de esta articulacin posterior
distribucin:
En nuestra aplicacin en este paper nos seala que N es equivalente a 1 milln
2.3 funciones de impulso-respuesta.
El modelo estructural ( 1 ) Tiene la representacin de forma reducida

La matriz (nxn) de los no ortogonalizados impulsos respuestas en el horizonte Si

Se encuentra a partir de las primeras n filas y columnas de , donde F es dada por

Los efectos dinmicos del shock estructural en el horizonte s estn dados por :
vase, porejemplo Hamilton (1994, pginas 260 y 331).
Recoger los elementos de A y B en un vector y deja (; ) denotar la fila i, columna j
elemento de la matriz en ( 18 ). Baumeister y Hamilton (2015b) demostraron que con una
1 funcin de prdida de la funcin de impulso-respuesta 0 , 1 , . . . , , la estimacin
ptima de la funcin desde una perspectiva de la teora de decisin estadstica se halla
calculando el valor medio de (; () ) para todo = 1, N por separado para cada i, j,
y s. Una credibilidad posterior 95% en torno a esta estimacin punto ptimo se encuentra
desde los 2,5% cuartiles superior e inferior de (; () ) a travs de sorteos () de
nuevamente separado por para cada i, j, y s.

2.4 descomposiciones de la varianza.

Nosotros tambin estamos interesados en qu parte de la variabilidad en cada una de las
series podra atribuirse a las diversas perturbaciones estructurales. Como en Hamilton
(1994, ecuacin [11.5.6]),

por los parmetros asociados con el ( n n) matriz de varianza de la s- periodos adelante

pronostica los errores para todas las variables del sistema se puede escribir como
Dnde (; )denota la j sima columna de la matriz de impulso-respuesta () en (
18). Calculamos el valor de la mediana de la (, )elemento de ( 20 ) Como la estimacin de
la contribucin de choque estructural j a la MSE de una s- perodo de prediccin, por
delante de la variable y junto con sus 2.5% cuartiles superior e inferior.
2.5 descomposiciones histricas.
Otra caracterstica de inters es la contribucin de las distintas perturbaciones
estructurales a diferentes episodios histricos. Recordemos que el valor de + puede
escribirse como una funcin de las condiciones iniciales en el momento t adems de las
innovaciones de forma reducida entre t + 1 y t + s ( por ejemplo, Hamilton1994, la
ecuacin [10.1.14]):

Utilizando ( 16 ), Las innovaciones de forma reducida pueden a su vez ser escritos como
1 () ( ; ) para ( ; ) = 1. La contribucin de los shocks
estructurales entre t + 1 y t + s al valor de + a continuacin, se puede escribir como

para () la matriz en ( 18 ). La contribucin de la jth choques estructurales entre las

fechas t - s y t al valor de esta dado por :

para (; ) el j sima columna de () Baumeister y Hamilton (2015b) demostraron

que la estimacin ptima de la elemento de ( 21 ) Se obtiene a partir del valor medio
para cada i, j, y t a travs de sorteos ( ) , y una credibilidad 95% ajustado de sus 2.5% y
97.5% cuantiles.

3. Aplicaciones: El papel de los shock de suministro de petrleo y

demanda en un modelo 3-variables .
En esta seccin se ilustra el enfoque bayesiano con una simple descripcin de 3 variables
del mercado mundial de petrleo. El primer elemento del vector observado es la
cantidad de aceite producido, el segundo es una medida de la actividad econmica real, y
la tercera captura el precio real del petrleo:
= ( , , ).
Las estimaciones que figuran en esta seccin utilizan los conjuntos de datos de Kilian
(2009) y Kilian y Murphy (2012), en la que es la tasa de crecimiento de la produccin
mundial de petrleo crudo mensuales, es un coste de envo internacional de inflado por
el IPC de Estados Unidos y luego se informa en las desviaciones de una tendencia lineal, y
es la diferencia logartmica entre la serie EIA para el costo de adquisicin del refinador
de las importaciones de crudo y el IPC de los Estados Unidos. Para ms detalles sobre los
diversos conjuntos de datos Consulte el Apndice C.
El modelo estructural de inters consta de los siguientes tres ecuaciones:

La ecuacin (22 ) Es la curva de suministro de aceite, en la que es la elasticidad de los

precios a corto plazo de la oferta y permite la posibilidad de que la actividad
econmica pueda entrar en la decisin de razones distintas de su efecto sobre el precio. El
suministro de petrleo tambin se presume que es influenciada por los valores retardados
de todas las variables en los 2 aos anteriores 1 = (1 , 2 , . . . , 24 , 1) . La
ecuacin ( 23 ) Modelos de los determinantes de la actividad econmica, con los efectos
contemporneas de la produccin de petrleo y los precios del petrleo dadas por y
,respectivamente. La ecuacin ( 24 ) Regula la demanda de petrleo, escrito aqu en
forma inversa de manera que es la inversa de la elasticidad de los precios a corto plazo
de la demanda y es negativo una vez la relacin entre la elasticidad ingreso de corto
plazo a corto plazo elasticidad precio. Uno de los objetivos de la investigacin es distinguir
entre las consecuencias de las perturbaciones de suministro de petrleo y las
perturbaciones de la demanda de petrleo . .
3.1 Una interpretacin bayesiana de la tradicional identificacin.

Como nuestro primer ejemplo tenemos en cuenta el modelo estimado por Kilian (2009),
que utiliza una interpretacin recursiva familiar del sistema estructural con variables
ordenadas como algo dado. Desde una perspectiva bayesiana, esto equivale a suponer
que sabemos con certeza que la produccin no tiene respuesta contempornea a
cualquier precio o de la actividad econmica, por lo que = = ,, y, adems,
que no hay efectos contemporaneos de los precios del petrleo sobre la actividad
econmica = .En contraste con esta certeza el investigador acta como si l o ella
no sabe nada sobre cmo la produccin de petrleo podra afectar la actividad econmica
( ) o los parmetros de la demanda ( )

.Podramos representar esto desde un punto de vista bayesiano usando extremadamente

planas prioritarios de los ltimos 3 parmetros. Para este fin se utiliz una distribucion t
de Student con la ubicacin del parmetro c=0 el parmetro escalar = 100y = 3 grados
de libertad

La especificacin es entonces un caso especial del modelo descrito en la Seccin 2 con

Tambin establecemos = . , seleccionado como se describe en el Apndice A, y

poner un peso muy dbil en el Doan, Litterman y Sims (1984) paseo aleatorio previa para
los coeficientes retardados ( = )) para representar esencialmente ninguna
informacin previa til sobre D y B.
Se calcularon las funciones de impulso-respuesta para el modelo anterior de dos maneras,
primero utilizando la tradicional descomposicin de Cholesky de Kilian (2009), con
estimaciones puntuales se muestra en rojo en la figura 1. Tambin se muestra la mediana
posterior (en azul) calcula utilizando el bayesiana algoritmo descrito en el Apndice B
usando las distribuciones previas anteriores. Las dos inferencias son idnticos, ya que por
supuesto deberan ser identicas.
Hay algn beneficio a dar una interpretacin bayesiana para este mtodo resulta
familiar? Un detalle interesante es la distribucin posterior implcitas , , que
se muestran en la Figura 2. De particular inters son los (que se muestra como una curva
roja) y posterior (histograma azul) para que es la inversa de la elasticidad de los
precios a corto plazo de la demanda. La distribucin previa es esencialmente una lnea
plana cuando se ve en esta escala, mientras que la posterior est bastante concentrada
entre -0,6 y +0,2, lo que implica una elasticidad-precio a corto plazo de la demanda que se
contiene en (,1.67)(+5,) Uno de ellos es por lo tanto obligado por este esquema a
la conclusin de que la curva de demanda es extremadamente elstico en el corto plazo, o
posiblemente incluso pendiente ascendente.
La afirmacin de que tenemos la certeza de que la oferta no tiene ninguna respuesta a los
precios en absoluto dentro de un mes, y sin embargo no tienen ninguna razn para dudar
de que la respuesta de la demanda podra ser fcilmente no es el lugar al que hemos
comenzado si hubiramos catalogado de primeros principios lo que esperbamos de
encontrar y lo sorprendido estaramos en diversos resultados. La nica razn por la que
miles de investigadores anteriores han hecho exactamente este tipo de cosas es que el
enfoque tradicional nos oblig a elegir algunos parmetros cuyos valores se pretende
saber con certeza mientras acta como si no sabemos nada en absoluto acerca de valores
plausibles para los dems. Los estudiosos han lamentablemente sido entrenados para
creer que una dicotoma de este tipo es la nica manera que uno puede acercarse a estas
cuestiones cientficamente.
La caracterstica clave en los datos que nos obliga a imputar tales valores poco probables
para la elasticidad de la demanda es la muy baja correlacin entre los residuos de forma
reducida para y . Si asumimos que las innovaciones en representan variaciones de
la oferta puros, la falta de respuesta de los precios nos obligara a la conclusin de que la
curva de demanda es extremadamente planas y posiblemente incluso una pendiente
ascendente.

3.2 Una interpretacin bayesiana de VARs seal restringida.

Muchos investigadores han reconocido algunos de estos aspectos poco atractivos del
enfoque tradicional de la identificacin, y como resultado han optado en su lugar de
utilizar supuestos tales como restricciones de signo para tratar de sacar una inferencia
estructural en los VAR. Los ejemplos incluyen Baumeister y Peersman (2013a) y Kilian y
Murphy (2012), que comenz con los supuestos primitivos que(1) un shock de oferta
favorable (aumento de ) conduce a un aumento en la produccin de petrleo, el
aumento de la actividad econmica, y la disminucin de los precios del petrleo; (2) un
aumento en la demanda agregada o la productividad (aumento de ) conduce a una
mayor produccin de petrleo, la mayor actividad econmica y mayor precio del petrleo;
y (3) un aumento en la demanda de petrleo-especfico conduce a una mayor produccin
de petrleo, la menor actividad econmica, y mayor precio del petrleo. La suposicin es
por lo tanto que los signos de los elementos de = se caracterizan por
Esto es ms que
una suposicin acerca de las seales de todos los elementos de A por cuanto impone
algunas restricciones ms complicados en sus magnitudes conjuntas. Sin embargo, hay
una manera muy sencilla de implementar las restricciones de signo antes mencionadas en
H si imponemos a A las restricciones de que la actividad econmica slo afecta a la
produccin de petrleo contemporneamente a travs de su efecto sobre el precio del
petrleo ( = )y que la produccin de petrleo no entra directamente en la ecuacin
de la actividad econmica ( = ). Bajo estas restricciones tendramos

Tenga en cuenta que aunque hemos impuesto dos restricciones cero, el modelo todava
no indentificado hay un nmero infinito de valores para{ , , , } que todos
puedan alcanzar el valor mximo idntico para la funcin de probabilidad de los datos
observados. Tambin podemos ver que con estas dos zero restricciones,

Si creyramos que la curva de oferta de pendiente positiva ( > 0)un aumento del
precio del petrleo reduce la actividad econmica ( < 0), la curva de demanda se
inclina hacia abajo ( < 0) y que mayores ingresos impulsa la demanda de ( >
0),los elementos en (28 ) Siempre va a satisfacer ( 26 ). El sistema insuficientemente
identificado (27 ) Con estas restricciones de signo es, pues, una forma de describir la clase
de los modelos considerados por los autores anteriores.
Una de las contribuciones Kilian y de Murphy era demostrar que las restricciones de signo
por s solos no son suficientes para precisar las magnitudes de inters. Ellos argumentaron
que la elasticidad de la oferta, aunque probablemente no literalmente cero como se
supone en (25 ), Est, sin embargo, conocidos por ser pequea, que se representan con la
cota [0, 0.0258].Sin embargo, no utilizaron otra informacin acerca de la
elasticidad de la oferta, slo se impone que debe caer dentro de este intervalo. Esto se
reconoce como una idea esencialmente Bayesiano en el que la densidad previa es

Esta densidad se representa

en el panel A de la figura 3.
Aunque estamos de
acuerdo con Kilian y Murphy en que dicha informacin previa puede ser til, encontramos
la afirmacin de que estamos absolutamente seguros de que la elasticidad no podra ser
tan grande como 0,0259, y sin embargo consideran los valores de 0,0257 y 0,001 como
igualmente plausibles, pero no la forma ms natural de representar este tipo de
informacin 3 . Recomendamos en cambio una especificacin previa que sostiene que un
valor tan grande como 0,0257 es improbable, con 0,0259 algo menos probable, y una
densidad previa que declina continuamente ms bien que una con un corte abrupto.
Tambin trazamos en el panel A una densidad (, ) con = 1.3 y = 50, lo que
proponemos como una mejor representacin de la informacin previa sobre la que Kilian
y Murphy estn mostrando:

Kilian y Murphy tambin exploraron los beneficios de la utilizacin de informacin previa

acerca de la respuesta de la actividadeconmica a un cambio en el precio resultante de la
tercera descarga, con el argumento de que no debemos esperar que esta magnitud sea
grande, y se presentan los resultados en los que el producto de la ( 2,3) elemento de ( 28 )
con 33 estaba restringido a caer en [ - 1,5,0]. En trminos de nuestro modelo
estructural motivador, esto equivale a una restriccin conjunta complicada en 33 y todos
los elementos de A, con algunas combinaciones descartarse con certeza, pero todas las
combinaciones que satisfacen las restricciones consideradas igualmente probable. Una
vez ms parece ms natural para acercarse a esa idea con una simple creencia previa de
que el parmetro es pequeo. Hemos implementado esto usando una distribucin
gamma con = . y = muestra en el Panel B de la Figura 3:
 ^
La figura tambin compara esto con una distribucin previa que insiste en que
^ ^
[. , ], dnde = 5.44 es la raz cuadrada del elemento (3,3) de Aunque esto
exactamente no reproduce el mtodo de Murphy Kellin, que deben ser muy similar.Por el
contrario, Kilian y Murphy no utilizan ninguna informacin previa en absoluto sobre los
dems parmetros ( y ), aparte de las restricciones de signo antes mencionadas,
para lo cual una vez ms adoptar La unitaria T-Student utilizados en la Seccin 3.1 ahora
truncados por restricciones de signo. A continuacin, utiliza el algoritmo descrito en el
Apndice B para calcular la distribucin posterior dada la previa
() = ( )( )( )( )

para ( ) dada por ( 29 ), ( )) dada por ( 30 ), ( )un t-Student

t ( 0,100,3) Densidad truncado por < , y ( )un

t-Student t ( 0,100,3) Densidad truncado por > ,. Las medianas posteriores

resultantes para las funciones de impulso-respuesta se muestran en azul en la Figura 4, y
de hecho coinciden casi exactamente con la inferencia informado en el artculo Kilian y de
Murphy calculado utilizando su metodologa original, que se reproduce en las lneas rojas
de trazos en la Figura 4. 4
La figura 5 compara las distribuciones previas y posteriores para los elementos de A. Los
priores utilizados para y son bastante estrecho y como resultado la distribucin
posterior de estos parmetros difiere muy poco de los antecedentes. Por el contrario,
hemos utilizado una vez ms priores no informativos (aparte de restricciones de signo)
para y . Ahora hemos descartado una curva de demanda con pendiente hacia
arriba por supuesto, Pero la especificacin todava llevara al investigador a concluir que la
demanda mensual es extremadamente sensible a la precio actual, con una probabilidad
posterior 60% de que la elasticidad de la demanda en el impacto es mayor que dos en
valor absoluto.
3.3 Sabemos realmente nada acerca de la elasticidad de la demanda?
En los dos ejemplos que acabamos de mencionar, los investigadores implcitamente
procedido como si tuviramos informacin previa extremadamente fiable sobre la
elasticidad de la oferta, pero no sabemos nada acerca de la elasticidad de la demanda en
el primer caso y nada ms que su signo en el segundo. En esta seccin argumentamos
que, de hecho, tenemos una gran cantidad de informacin til acerca de la elasticidad-
precio de la demanda de petrleo de otras fuentes.
La Figura 6 compara el uso de petrleo por dlar de PIB con el precio de la gasolina en una
seccin transversal de 23 pases de la OCDE. 5 (Los datos para el precio de la gasolina y el
PIB real son de worldbank.org y los datos de consumo de petrleo son de la EIA Revisin
mensual de energa ( Tabla 11.2). Los pases incluidos son Australia, Austria, Blgica,
Canad, Dinamarca, Finlandia, Francia, Alemania, Grecia, Islandia, Irlanda, Italia, Japn,
Pases Bajos, Nueva Zelanda, Noruega, Portugal, Corea del Sur, Espaa, Suecia, Suiza, los
Estados Unido y los Estados Unidos.) El precio relativo de la gasolina difiere
sustancialmente entre los pases, principalmente debido a la diferenciacin en impuestos.
Los residentes en pases con impuestos ms altos de petrleo utilizan menos, un hallazgo
que est bien documentado en la literatura.6 6See for example Darmstadter, Dunkerly,
and Alterman (1977), Drollas (1984), and Davis (2014). La lnea de regresin en el primer
panel de la Figura 6 implica un valor absoluto para la elasticidad de la demanda de 0,51
con un error estndar de 0,23, estadsticamente mayor que cero y menor que uno. Dado
que los diferenciales de impuestos tienden a ser estables con el tiempo, este coeficiente
normalmente se interpreta como una elasticidad de larga duracin. Por ejemplo, se
obtiene prcticamente la misma regresin si el consumo de 2004 se regresa a los precios
de 2000, como se observa en el segundo panel de la Figura 6.
Tampoco cabe duda de que la elasticidad precio a corto plazo de la demanda es
sustancialmente menor que la elasticidad a largo plazo. Consideremos, por ejemplo, la
evidencia de la Figura 7. El precio promedio real de la gasolina se duplic en los Estados
Unidos entre 2002 y 2008, con el precio en 2013 todava por lo que era en 2008. Pero la
economa de combustible promedio de los nuevos vehculos vendidos slo aument 9%
entre 2002 y 2008, y aument un 14% adicional despus de 2008.
Por supuesto, los cambios en la economa de combustible del automvil promedio en la
carretera aumentaron mucho ms lentamente que el de los vehculos nuevos vendidos,
como se ve en el panel inferior de la Figura 7. Los cambios en la demanda de petrleo que
esperaramos dentro de un mes despus de un cambio En el precio debera ser
significativamente menor que los ajustes a largos plazos implcitos por las lneas de
regresin en la Figura 6.
Una enorme literatura ha tratado de estimar la elasticidad a largo plazo de la demanda de
gasolina. La estimacin de Hausman y Newey (1995) de una muestra representativa de
hogares de los Estados Unidos fue de -0,81, mientras El estudio de Yatchew y No (2001) de
una muestra representativa de hogares canadienses fue de -0,9. El estudio de Dahl y
Sterner (1991) de esta literatura sugiere un valor de consenso de -0,86. La revisin de la
literatura de Espey (1998) fue de -0,58; Graham y Glaister (2004) se establecieron en -
0,77, mientras que Brons et al. (2008) propuso -0,84. En la medida en que los impuestos y
los costos de refinacin son un componente significativo del costo de uso de los productos
refinados, un aumento del 10% en el precio del petrleo crudo debera dar lugar a un
aumento inferior al 10% en el precio minorista de la gasolina, De la demanda de crudo
debera ser menor que la de la gasolina. Esto se confirma en la literatura ms pequea
sobre la estimacin de la elasticidad de la demanda de petrleo. Por ejemplo, la encuesta
de Dahl (1993) sobre la literatura sobre pases en desarrollo estim el
Elasticidad a -0,30. Se concluye que las elasticidades de la demanda de petrleo a corto
plazo por encima de dos en valor absoluto, como las implcitas por los reciprocos
de )en las figuras 2 y 5, son altamente implausibles.7 7 Un intrigante estudio reciente de Coglianese et
al. (En el futuro) utiliz los cambios anticipados en los impuestos sobre la gasolina como un instrumento inteligente. Estimaron una
elasticidad-precio a corto plazo de la demanda de gasolina en los Estados Unidos de -0,37, con un intervalo de confianza del 95% de (-
0,85, + 0,11).

Por el lado de la oferta, si bien es cierto que la mayora de los productores tienen una
respuesta inmediata limitada a los cambios en los incentivos de precios, algunos pases
como Arabia Saudita histricamente han hecho ajustes muy significativos de alta
frecuencia a las cambiantes condiciones del mercado. La Figura 8 muestra que en
respuesta a la demanda ms dbil durante la recesin de 1981-82, el reino redujo la
produccin en 6 millones de barriles por da, implementando por s mismo una cada del
11% en la produccin global total.
Los saudes iniciaron otro descenso de la produccin de 1,6 mb / d en diciembre de 2000
(pocos meses antes de que comenzara la recesin estadounidense en marzo de 2001) y
slo comenzaron a aumentar la produccin en marzo de 2002 (cuatro meses despus de
que la recesin terminara). La cada de 1,6 mb / d en la produccin saud entre junio de
2008 y febrero de 2009 fue otra clara respuesta a las condiciones del mercado en un
esfuerzo por estabilizar los precios. Igualmente dramticos en el grfico son los rpidos
aumentos en la produccin saudita que comenzaron en agosto de 1990 y enero de 2003,
los cuales estaban destinados a compensar parte de la produccin perdida anticipada del
Iraq asociada con las dos Guerras del Golfo. As, aunque la respuesta de la produccin
mundial a los aumentos de precios en el mes es probablemente pequea, no parece haber
una base slida a priori para suponer que sera significativamente
Menor que la respuesta mensual de la demanda.

4 Los inventarios y error de medicin.

Kilian y Murphy (2014) sealan que otro factor importante en la interpretacin de los
movimientos conjuntos a corto plazo de las cantidades y los precios en el comportamiento
de los inventarios. El aumento de la produccin de petrleo en mes t no tiene que ser
consumido ese mes sino que podra entrar en los inventarios:

aqu es la cantidad de aceite exigi a nivel mundial en el mes t, es la cantidad
producida, y es el verdadero cambio en los inventarios globales. a esta ltima
magnitud en el reconocimiento del hecho de que slo tenemos observaciones imperfectas
de esta cantidad, las implicaciones de la cual hablaremos ms adelante. Dejar =
( / )denotar la tasa de crecimiento mensual observado de la produccin.
A continuacin, podemos aproximar el crecimiento de la demanda de consumo como
= / . por tanto, se llev a considerar lo siguiente
generalizacin del sistema considerado en la Seccin 3.2:

aqu 1 , 2 ,y

3 como antes
representar choques al suministro de aceite, la actividad econmica, y la demandade
petrleo especifico,con la modificacin a la ecuacin ( 33 ) Reconociendo que el aceite
producido, pero no consumido en el perodo actual entra en los inventarios. El shock

4 en ( 34 ) Representa un choque separado a la demanda de inventario, que a veces se
ha descritocomo un shock demanda especulativa en la literatura.
Como se seal anteriormente, no tenemos buenos datos sobre los inventarios mundiales
de petrleo. Hay datos sobre Los inventarios de petrleo crudo y de la OCDE mensual
redefinidos-productos inventariado, de la que podemos construir una medida de los
inventarios de crudo para pases de la OCDE como en Kilian y Murphy (2014, nota 6); para
ms detalles vase el Apndice C. representamos el hecho de que estos nmeros son una
medida imperfecta de la verdadera magnitud a travs de una ecuacin de medicin de
errores
dnde denota nuestra estimacin de la variacin de la OCDE inventarios de crudo
como un porcentaje de la produccin mundial del mes anterior,
< 1 es un parmetro que representa el hecho de que los inventarios de la OCDE son slo
una parte del total mundial, y Refleja el error de medicin. Aunque el problema de
tener mediciones imperfectas de las variables clave es endmica en la macroeconoma,
que ha sido virtualmente ignorado en la mayor parte de la extensa literatura sobre
vectores autorregresivos estructurales debido a que no estaba claro cmo permitir que
con los mtodos tradicionales. Sin embargo, es sencillo incorporar el error de medicin en
nuestro marco bayesiano, ya que ahora demostramos.
Podemos usar la (35) para reescribir (33 y 43) en trminos de observaciones:

Donde = = 1, 2, 3.Ecuaciones 31 32 36 37 , sern reconocidos como un

sistema de la forma

Obsrvese que aunque hemos modelado explcitamente la funcin de error de medicin

en la contribucin a correlaciones contemporneas entre las variables, tenemos en gran
medida simplifica el anlisis mediante la especificacin de la dinmica retardada del
sistema estructural directamente en trminos de las variables observadas. Es decir,
estamos definiendo xt1 en ( 31 ) - ( 34 ) Que se basan en retardos de ms bien que

El sistema ( 38 ) No es del todo en la forma de ( 1 ) Porque a pesar de los choques

estructurales son contemporneamente no correlacionados, los anlogos observados
se correlacion como resultado del error de medicin.
Sin embargo, no es difcil ver = diagonal para

De este modo podemos escribir ( 38 ) en forma de ( 1 ) Simplemente definiendo = ,

= ,

cuya matriz varianza denotamos = (11 , 22 , 33 , 44 ). Este es entonces

exactamente en la forma de la clase general de modelos discute en la Seccin 2.
Especficamente, resumimos ninguna informacin previa acerca de los coeficientes
contemporneas en terminos a la distribucin a priori
() = ()( )( )( )( )()(1 )(2 )(3 )

y siga exactamente los mtodos en el Apndice B para la inferencia acerca D y B para

generar posterior simulaciones extraidas de (, , | ).

6. Conclusin.
La informacin previa ha desempeado un papel clave en cada anlisis estructural de las
autorregresiones vectoriales que se haya hecho. Normalmente, la informacin previa se
ha tratado como "todo o nada", que desde una perspectiva bayesiana se describira como
priores dogmticos (detalles que el analista afirma saber con certeza antes de ver los
datos) o priores completamente no informativos. En este trabajo observamos que hay un
medio medio entre estos dos extremos.

Defendemos que los analistas deben relajar los antecedentes dogmticos, reconociendo
que tenemos cierta incertidumbre acerca de los propios supuestos de identificacin, y
fortalecer los priores no informativos, aprovechando cualquier informacin que se pueda
conocer fuera del conjunto de datos que es
analizado.

Hemos ilustrado estos conceptos revisando el papel de los shocks de oferta y demanda en
los mercados de petrleo. Hemos demostrado cmo los estudios previos pueden ser
vistos como un caso especial de inferencia bayesiana y se propone una generalizacin que
se basa en un rico conjunto de informacin previa ms all de los datos que se analizan
mientras simultneamente relajar algunos de los priores dogmticos implcitos en la
identificacin tradicional. No obstante, terminamos confirmando algunas de las
conclusiones principales de estudios anteriores. Se observa que los aumentos de los
precios del petrleo que resultan de los shocks de oferta, conducen a una reduccin de la
actividad econmica tras un importante retraso, mientras que los aumentos de precios
Los aumentos en la demanda de consumo de petrleo no tienen un efecto significativo
sobre la actividad econmica. Tambin examinamos la sensibilidad de nuestros resultados
a los priores utilizados, y encontramos que muchas de las conclusiones clave cambian muy
poco cuando se coloca sustancialmente menos peso en varios componentes del
antelbfvcc