Econometria de Series Temporales

Vectores Autorregresivos (VAR)

Walter Sosa Escudero

Universidad de San Andrs y UNLP e

Procesos estocasticos multivariados

Yt = [Y1t ; Y2t ; ; YN t ] ;

t = 1; 2; : : : ; T

Estamos interesados en el comportamiento temporal de N variables simultaneamente.

E(Yt ) = E(Yt )(Yt )0 = ( )

(vector de esperanzas) (matriz de autocovarianzas)

El elemento i; j es: i;j = E(Yit it )(Yj;t j;t ) Los elementos de la diagonal son las autocovarianzas y los de fuera de la diagonal las autocovarianzas cruzadas.

Walter Sosa Escudero. Econometria de Series Temporales

Yt es estacionario si:
1. E(Yt ) = < 1. 2. E(Yt )(Yt )0 = ( ) < 1;

= 0; 1; 2; : : :

Estacionariedad de Yt implica estacionariedad de Yit ; i = 1; : : : ; N . El converso NO es cierto (porque?)

Walter Sosa Escudero. Econometria de Series Temporales

Ruido Blanco Multivariado

"t es N 1. Es RBM si:

1. E("t ) = 0

Cuidado: los elementos de "t pueden estar correlacionados contemporaneamente pero no en distintos periodos!!

8 < N N 2. E("t "0 ) = s : 0

si t = s si t 6s =

Walter Sosa Escudero. Econometria de Series Temporales

Vectores Autorregresivos (VAR)

VAR(1) con media cero

Yt = Yt1 + "t ; Yt es N 1, es N N .
Ejemplo: Xt Zt = =

"t RBM

11 Xt1 + 12 Zt1 + "1t 12 Xt1 + 12 Zt1 + "2t

Relacion entre el presente de una variable y el pasado de todas las variables del sistema.

"1t y "2t pueden estar correlacionados.

Walter Sosa Escudero. Econometria de Series Temporales

Motivacion historica y metodologica del uso de VAR's

Motivacion: Sims (1980). Discusion metodologica: Pagan (1987)

Walter Sosa Escudero. Econometria de Series Temporales

Algunos resultados utiles de algebra

Si A es cuadrada y diagonal con elemento carateristico aii , AK es una matriz diagonal con elemento i; i igual a aK . ii Amm . Cualquier escalar que satisfaga Ax = x para un vector m 1; x 60 es un autovalor de A. x es un autovector de A = correspondiente al autovalor . Si es un autovalor de A, entonces jA Ij = 0. La ecuacion caracteristica jA Ij = 0 es una ecuacion de grado m. Entonces, Amm tiene m autovalores. Amm con autovalores 1 ; 2 ; : : : ; m , entonces: (a) tr(A) = Qm i=1 i (b) jAj = i=1 i

Pm

Walter Sosa Escudero. Econometria de Series Temporales

 Si Amm tiene m autovalores diferentes, entonces los autovectores asociados son todos linealmente independientes. Si Amm tiene m autovalores diferentes y diag(1 ; : : : ; m ) y X (x1 ; x2 ; ; xm ), entonces: A = XX 1 Bajo las condiciones del resultado anterior: AK = AA A = (XX 1 )(XX 1 ) (XK X 1 ) = XK X 1 con K = diag(K ; : : : ; K ) m 1

Walter Sosa Escudero. Econometria de Series Temporales

Estacionariedad de VAR(1)
Recordar caso AR(1): Yt = Yt1 + "t . Estacionario si jj < 1.

Reemplazando recursivamente en VAR(1):

k1 X j=0

Yt =

j "tj + k Ytk

En forma similar a AR(1) requeriremos que k ! 0, o, equivalentemente, jj < 1.

De acuerdo al resultado anterior = XX 1 en donde X es la matriz de autovectores y la matriz diagonal con los autovalores 1 ; : : : ; N . Entonces,

k = Xk X 1
de modo que K ! 0 si y solo si ji j < 1; i = 1; : : : ; N
Walter Sosa Escudero. Econometria de Series Temporales 9

Resumiendo: Yt = Yt1 + "t es estacionario si y solo si todos los autovalores de son <1 en valor absoluto, o, equivalentemente, si todas las raices de la ecuacion caracteristica j IN j son menores a uno en valor absoluto. Si VAR(1) es estacionario:
1 X j=0

Yt =

j "tj

es la representacion V M A(1) estacionaria del VAR(1).

Walter Sosa Escudero. Econometria de Series Temporales

10

VAR(p)

Yt = 1 Yt1 + 2 Yt2 + + p Ytp + "t ;

"t RBM

Estacionariedad de VAR(p): todas las raices de

jp I p1 1 p j = 0
son mayores que uno en valor absoluto. Si VAR(p) es estacionario, tiene una representacion VMA(1) estacionaria.

Walter Sosa Escudero. Econometria de Series Temporales

11

Estimacion de VAR Consideremos VAR(1):

Xt Zt

= 11 Xt1 + 12 Zt1 + "1t = 12 Xt1 + 12 Zt1 + "2t

Notar que los supuestos de Gauss-Markov se verican ecuacion por ecuacion. MCO es insesgado, consistente y eciente, ecuacion por ecuacion. MCO ecuacion-por-ecuacion es tambien eciente en terminos del sistema. Idea: es un caso particular de SUR con las mismas variables explicativas en cada ecuacion: MCG coincide con MCO. Explica gran parte de la popularidad de VAR.
Walter Sosa Escudero. Econometria de Series Temporales 12

Interpretacion de VAR

No es una forma estructural. Los coecientes no tienen una interpretacion clara ya que solo se busca una representacion de los datos. En la practica es comun basar la interpretacion en tests agregados y ejercicios de simulacion. Simulacion: a) Funciones impulso-respuesta, b) Descomposicion de la varianza. Tests: a) Relevancia de variables, b) Signicatividad de rezagos, c) Relaciones entre ecuaciones, d) Causalidad de Granger.

Walter Sosa Escudero. Econometria de Series Temporales

13

Funciones impulso-respuesta

Investigar que sucede con el sistema VAR ante variaciones exogenas. Consideremos la representacion VMA(1) de VAR(p):

Yt =

1 X s=0

s "ts ;

0 = Im ; "t RBM

@Yt @Yt+s = = s @"tj @"t ij (s) : Efecto sobre Yi;t+s de cambiar "jt en una unidad. p ij (s)= V ("jt ): Efecto sobre Yi;t+s de cambiar "jt en un desvio estandar: Funcion de impulso-respuesta simple.
Walter Sosa Escudero. Econometria de Series Temporales 14

Ejemplo: VAR(1) con N = 2, hay 4 funciones de impulso respuesta simple. Problema: "it no son independientes. N = 2

V ("t ) = = 4

11 21

12 22

3 5

No es intuitivo hablar de cambios en "1t dejando "2t .

Walter Sosa Escudero. Econometria de Series Temporales

15

Mas resultados de algebra

1. Si es simetrica y positiva denida, existe H no singular, tal que = HH 0 . H es una `raiz cuadrada' de . H no es unica. 2. Si "t es un vector aleatorio con E("t ) = 0 y V ("t ) = E("t "0 ) = , t existe H tal que "t = Hvt , en donde vt es un vector aleatorio con E(vt ) = 0 y V (vt ) = I. vt son las innovaciones ortogonales de "t . La idea es: vt ! Hvt ! "t ! Yt Entonces, lo que realmente nos interesa es @Yt+s =@vt . Problema: H no es unica. Si es simetrica y positiva denida, existe una unica matrix P no-singular y triangular inferior tal que P P 0 = . P es la matriz de Choleski de .

Walter Sosa Escudero. Econometria de Series Temporales

16

La idea, entonces, es utilizar: "t = P vt . Reemplazando:

1 X i=1 1 X i=1

Yt =

s P vts =

s vts ;

s P

@Yt @Yt+s = = s @vts @vt

Elemento caracteristico: ij = cambio en Yi;t+s resultante de cambios en vj;t en una unidad. (s) ij = funcion de impulso-respuesta con respecto a las innovaciones ortogonales.
Notar que como V (vj;t = 1) tambien mide el efecto de cambios en 1 desvio estandar.
(s)

Walter Sosa Escudero. Econometria de Series Temporales

17

Cuestion importante: el uso de P (la descomposicion de Choleski) implica cierta arbitrariedad.

Ejemplo: N = 2

"1t "2t

P11 P21

0 P22

v1t v2t

"1t depende solo de v1t "2t depende de v1t y v2t La dependencia entre "1t y "2t es generada por esta estructura recursiva. Que implicaciones tiene, por ejemplo, si Y1 es la tasa de crecimiento de la cantidad nominal de dinero y Y2 es la tasa de inacion?

Entonces, el orden de las variables en la matriz de Choleski es muy importante.

Walter Sosa Escudero. Econometria de Series Temporales

18

Notar que si

=4

11 0

0 22

3 5

=)

P =4

p 11 0

0 p 22

3 5

Si es diagonal el orden de la descomposicion de Choleski no importa. Trivialmente, las innovaciones originales son tambien las innovaciones ortogonales. En la practica, entonces, es importante evaluar empiricamente la diagonalidad de .

Walter Sosa Escudero. Econometria de Series Temporales

19

Seguimos con el algebra...

Si es simetrica y pd, existe una unica matriz H triangular inferior con 1's en la diagonal principal, y una unica matriz diagonal D con todos sus elementos positivos, tal que = HDH 0 . Si "t es un vector aleatorio con E("t ) = 0 y V ("t ) = , entonces "t puede escribirse com "t = Hut , con E(ut ) = 0 y V (ut ) = D, en donde H y D satisfacen = HDH 0 .
Notar que V (ujt ) = dj , el jesimo elemento de la diagonal principal de D. La idea, en este caso, es permitir que cada una de las innovaciones ortogonales tenga su propia varianza.

Walter Sosa Escudero. Econometria de Series Temporales

20

Disgresion notacional

X=4
Chequear que: 2

A1 A2

B1 B2

A B

XX 0 = 4

A1 A2

3 5

A1

A2

+4

B1 B2

3 5

B1

B2
0

i P xi x0 . i

En general, si xi es la i-esima columna de X , XX = Es facil vericar que si D es diagonal con elemento P di xi x0 caracteristico di , XDX 0 = i

Walter Sosa Escudero. Econometria de Series Temporales

21

Descomposicion de la varianza

Supongamos un VAR con N variables. Cuanto de la variabilidad total de una variable es atribuible a movimientos en cada una de las otras variables?

R2 en el modelo lineal: proporcion de la varianza de Y que es explicada por movimientos en X . La idea es proporcionar una idea similar para descomponer la variabilidad total de una variable del VAR en terminos de las variabilidades exogenas de cada una de las variables del sistema.

Walter Sosa Escudero. Econometria de Series Temporales

22

Partimos de la representacion MA(1) de VAR:

Yt =

1 X s=0

s "ts ;

0 = Im ; "t RBM

que implica que:

V (Yt ) = =

1 X s=0 1 X s=0 1 X s=0 N X i=1

s 0 s s HDH 0 0 s s (N X
i=1

di hi h0 i

0 s )

di

(1 X
s=0

s hi h0 0 i s

Walter Sosa Escudero. Econometria de Series Temporales

23

V (Yt ) =

N X i=1 N X i=1

V (ui )

(1 X
s=0

s hi h0 0 i s

V (ui ) B (i)

En particular, la j-esima varianza:

V (Ytj ) =

N X i=1

V (ui )Bjj =
N X i=1

(i)

1=

(i) N X V (ui )Bjj i=1

V (Ytj )

zji

zji = proporcion de la varianza de la jesima variable que es explicada por el componente exogeno de cada una de las i = 1; 2; : : : ; N variables del sistema.
Walter Sosa Escudero. Econometria de Series Temporales 24

En la practica: no podemos computar 1 rezagos! Partimos de la representacion V M A(1) de VAR en t + 1:

Yt+1 = "t+1 + 1 "t + 2 "t1 +

La prediccion de Yt+1 con la informacion disponible en t es la esperanza de Yt+1 condicional en toda la informacion disponible en t:

Et (Yt+1 ) = 1 "t + 2 "t1 +

El error de pronostico de predecir Yt+1 en t sera:

Yt+1 Et (Yt+1 ) = "t+1

Walter Sosa Escudero. Econometria de Series Temporales

25

Analogamente, el error de pronostico de predecir Yt+s en t sera:

et+2 Yt+s Et (Yt+s ) = "t+s +1 "t+s1 +2 "t+s2 + +s1 "t+1

El valor esperado de et+s es cero y su varianza es:

V (et+s ) = + 0 1 + 0 2 + + 0 s1 1 2 s1 Da una idea de la magnitud del error de prediccion (es el error cuadratico medio ya que la esperanza es cero!). Notar que cuando s ! 1, V (et+s ) ! V (Yt ).

En la practica: computar la descomposicion para s = 1; 2; 3; : : :

Walter Sosa Escudero. Econometria de Series Temporales 26

Tests de hipotesis basicas en VAR Supongamos que nos interesa evaluar si cierta restriccion sobre los parametros del VAR es correcta, H0 : h() = 0 versus h() = 0 en donde son todos los parametros del VAR y h es cualquier funcion continua. Si "t RBN (0; )

^ ^ (T c) ln jr j ln ju j 2 (m)

^ asintoticamente bajo H0 , en donde r y u son las matrices de varianzas estimadas bajo el modelo restringido y sin restringir, respectivamente, m es el numero de restricciones, c es el numero de parametros estimados en cada ecuacion en el modelo sin restringir, y T es el numero de observaciones utilizables.
Walter Sosa Escudero. Econometria de Series Temporales 27

Ejemplos 1. Relevancia de rezagos: Ejemplo, si en con series trimestrales los rezagos del 9 al 12 son relevantes. Modelo sin restringir: incluye los 12 rezagos, sin restringir: solo los primeros 8. 2. Relevancia de variables: todos los rezagos de una variable son irrelevantes en todas las ecuaciones.

Walter Sosa Escudero. Econometria de Series Temporales

28

Causalidad de Granger

Consideremos la primera ecuacion de la representacion VAR(p) para xt y yt :

xt = c +

p X i=1

i xti +

p X i=1

i yti

yt no causa a xt en el sentido de Granger si 1 = 2 = = p = 0

La hipotesis puede ser facilmente evaluada con un test F de signicatividad conjunta (existen varias alternativas). En forma similar se puede denir ausencia de causalidad de Granger de xt .

Walter Sosa Escudero. Econometria de Series Temporales

29

 Es uno de los resultados mas abusados en econometria. En realidad evalua si el pasado de yt contribuye a predecir xt . Es mas un test que tiene que ver con precedencia temporal y no con causalidad.
Ejemplo 1: Forward-looking behavior y precios de acciones. Ejemplo 2: Shocks en los precios de petroleo y recesiones. Ejemplo 3: Efectos reales del dinero (Stock y Watson (1989), Christiano y Ljungqvist (1988)).

Walter Sosa Escudero. Econometria de Series Temporales

30