universidad central de venezuela facultad de ciencias maestría en
TRANSCRIPT
UNIVERSIDAD CENTRAL DE VENEZUELA
FACULTAD DE CIENCIAS
MAESTRIA EN MODELOS ALEATORIOS
MODELO ESTOCASTICO DE EQUILIBRIO GENERAL (MEEG)
PARA LA CONSTRUCCION DE DENSIDADES A PRIORI DE VAR
BAYESIANOS: UNA APLICACION A LA ECONOMIA VENEZOLANA
Trabajo de Grado de Maestrıa presentado ante
la ilustre Universidad Central de Venezuela
por la Prof. Mariela Perdomo Leon,
para optar al Tıtulo de Magister Scientiarium
Mencion Modelos Aleatorios.
TUTOR: Dr. Daniel Barraez
Caracas, noviembre de 2008
Resumen del Trabajo de grado presentado para optar al tıtulo de
Magister Scientiarum Mencion Modelos Aleatorios
Modelo estocastico de equilibrio general (MEEG)
para la construccion de densidades a priori de VAR bayesianos:
una aplicacion a la economıa Venezolana
Prof. Mariela Perdomo Leon
Universidad Central de Venezuela
Caracas, noviembre de 2008
En este trabajo se estudia y se implementa en el computador el metodo de Negro y Schorfheide
para construir densidades “a priori” de un VAR. Las densidades a priori definidas, permiten
estimar la densidad a posterior usando conjugados naturales. Se implementa esta tecnica con
el fin de efectuar predicciones para la produccion, inflacion y tasas de interes. Se realizan las
predicciones y se comparan con un VAR frecuentista y un BVAR de Litterman. Las estimaciones
y predicciones se efectuaran para las economıas de EEUU y Venezuela.
Palabras claves : MEEG, VAR, BVAR, predicciones.
Agradecimientos
En primer lugar agradezco a Dios, porque el me ha permitido realizar todas mis metas a
pesar de los obstaculos que se han presentado en el camino.
A mis padres porque ellos son mi luz y fortaleza, son los que siempre me dan animos para
seguir adelante y triunfar.
A mis hermanos, porque siempre me han apoyado en todo lo que he realizado.
Quiero agradecer a mi tutor el Dr. Daniel Barraez, por su colaboracion y disposicion en la
realizacion de este trabajo de grado, por sus sabios consejos, por la confianza depositada en
mı y sobre todo por su apreciada amistad.
A los profesores del Postgrado en Modelos Aleatorios en especial, la Dra. Glaysar Castro y
el Dr. Jose Rafael Leon por darme las herramientas fundamentales en mis estudios de Maestrıa.
Al Dr. Harold Zavarce por darme la oportunidad de desarrollar mi Trabajo de Grado en la
Oficina de Investigaciones Economicas del Banco Central de Venezuela.
Al personal de la Oficina de Investigaciones Economicas y el Departamento Modelos Economi-
cos del BCV en especial a Jeison Perez, Roberto Ferrer, Giovanni Guedez y Wendy Bolıvar.
Al Fondo Nacional de Ciencia, Tecnologıa e Investigacion (Fonacit) por financiar mis estudios
de Maestrıa.
A mis companeros y amigos del Postgrado en Modelos Aleatorios en especial a Rafael Abreu,
Claudia de la Hoz y Begui Ovando por darme animos para continuar y por su apreciada amistad.
Y en general, a todos que de alguna u otra forma me ayudaron en la realizacion de mi trabajo
de grado.
A mis padres, por ser mis mejores amigos.
Indice
Introduccion 1
1. Vectores Autoregresivos (VAR) 3
1.1. Representacion reducida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Representacion estructural . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Representacion en medias moviles . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4. Vectores Autoregresivos Bayesianos (BVAR) . . . . . . . . . . . . . . . . . . . . 5
1.4.1. Estimacion Bayesiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.2. Funcion de Verosimilitud . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5. Modelo estocastico de equilibrio general (MEEG) . . . . . . . . . . . . . . . . . 8
2. BVAR de Del Negro y Schorfheide 11
2.1. Densidad a Priori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2. Densidad a Posteriori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3. Algoritmo de Metropolis Hasting . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4. El algoritmo combinado de Metropolis - Hasting y Sims . . . . . . . . . . . . . . 17
2.5. Algoritmo de estimacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.6. Calculo de los momentos poblacionales . . . . . . . . . . . . . . . . . . . . . . . 19
2.7. Medias Armonicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3. Resultados Empıricos 28
3.1. Implementacion de los modelos VAR y BVAR . . . . . . . . . . . . . . . . . . . 28
3.1.1. Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
i
3.1.2. Data de EEUU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.1.2.1. Implementacion del Modelo VAR reducido . . . . . . . . . . . . 29
3.1.2.2. Implementacion del Modelo BVAR Litterman . . . . . . . . . . 32
3.1.2.3. Implementacion del Modelo BVAR Schorfheide . . . . . . . . . 35
3.1.2.4. Desempeno predictivo de los modelos . . . . . . . . . . . . . . . 38
3.1.3. Data Venezolana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.1.3.1. Implementacion del Modelo VAR reducido . . . . . . . . . . . . 48
3.1.3.2. Implementacion del Modelo BVAR Litterman . . . . . . . . . . 51
3.1.3.3. Implementacion del Modelo BVAR Schorfheide . . . . . . . . . 54
3.1.3.4. Desempeno predictivo de los modelos . . . . . . . . . . . . . . . 57
Consideraciones Finales 67
Referencias 68
Apendices 69
A. Algoritmo de C. Sims 70
B. Programas en matlab 73
C. Graficos de las Simulaciones 75
C.1. Data EEUU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
C.2. Data Venezolana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
ii
Indice de figuras
C.1. Simulaciones de los parametros 1 (data EEUU) . . . . . . . . . . . . . . . . . . 75
C.2. Simulaciones de los parametros 2 (data EEUU) . . . . . . . . . . . . . . . . . . 76
C.3. Simulaciones de las autocorrelaciones (data EEUU) . . . . . . . . . . . . . . . . 77
C.4. Simulaciones de los shocks (data EEUU) . . . . . . . . . . . . . . . . . . . . . . 78
C.5. Simulaciones de los parametros 1(data Venezolana) . . . . . . . . . . . . . . . . 79
C.6. Simulaciones de los parametros 2 (data Venezolana) . . . . . . . . . . . . . . . . 80
C.7. Simulaciones de las autocorrelaciones (data Venezolana) . . . . . . . . . . . . . . 80
C.8. Simulaciones de los shocks (data Venezolana) . . . . . . . . . . . . . . . . . . . 81
iii
Introduccion
Los modelos estocasticos de equilibrio general (MEEG), son una herramienta ampliamente
utilizada en el modelaje macroeconomico moderno, desde el punto de vista teorico, especıfica-
mente en el medio academico (investigacion) y por las instituciones disenadoras y ejecutoras de
polıticas macroeconomicas, como por ejemplo, los Bancos Centrales.
Los MEEG, se basan en la nocion basica de la economıa de precios de equilibrio de mercado.
Ademas, modelan varios mercados de forma simultanea tomando en cuenta las interacciones
entre ellos, en lugar de un unico mercado aislado o equilibrios parciales.
Las ventajas de los modelos estocasticos de equilibrio general, en primer lugar, se funda-
mentan en la Teorıa Economica, es decir, “estan microfundamentados” por lo que permiten
comprender el funcionamiento de una economıa y tienen la capacidad para modelar complejas
interrelaciones entre las diversas variables economicas. Sin embargo, los MEEG, tienen ciertas
desventajas, dentro las cuales se pueden mencionar las siguientes, poca capacidad predictiva, se
calibran (no se estiman) o son de difıcil y costosa estimacion, ademas son complejos y requieren
sofisticados programas para ayudar a encontrar soluciones numericas (Metropolis - Hastings,
Filtros de Kalman y resolucion de sistemas con expectativas).
Por otra parte, los Vectores Autoregresivos fueron introducidos por Sims [11], han sido de
gran utilidad para el modelaje de variables economicas, ademas, son considerados atractivos pun-
tos de partida para la modelizacion econometrica. Por su parte Litterman [8] propuso el modelo
VAR bayesiano con el objetivo de ofrecer una solucion al problema de la sobreparametrizacion
de los VAR reducidos. Ademas de Litterman, se han desarrollado otras investigaciones sobre
1
los VAR bayesianos dentro de los cuales se puede destacar, Doan, Litterman y Sims [5], con un
modelo BVAR con coeficientes variables en el tiempo, Ballabriga, Alvarez y Jareno [1], con un
modelo BVAR para la economıa espanola y para Venezuela una referencia actual es el trabajo
de Bolıvar [2], [3] sobre predicciones de variables macroeconomicas mediante VAR bayesianos:
una aplicacion al caso venezolano.
El objetivo de este trabajo de grado, es estudiar e implementar en el computador el metodo
del Negro y Schorfheide [4], para construir las densidades a priori de los predictores. Para ello, se
plantea un metodo para construir densidades a priori de un proceso autoregresivo multivariado
(VAR), a partir de las densidades a priori de los MEEG. Las densidades a priori construidas con
este metodo, permiten calcular la densidad a posteriori conjunta de los parametros del VAR y
los parametros del modelo macroeconomico.
El trabajo de grado tiene la siguiente estructura: en el capıtulo uno se presenta los Vectores
Autoregresivos (VAR) y sus diferentes tipos de representaciones, ademas, se explican los Vec-
tores Autoregresivos Bayesianos (BVAR), la funcion de verosimilitud y se presenta el modelo
estocastico de equilibrio general (MEEG), especıficamente se muestra el sistema de ecuaciones
el cual esta determinado por las variables: produccion, inflacion y tasas de interes.
En el capıtulo dos se presenta el BVAR de Del Negro y Schorfheide, la densidad a priori,
densidad a posteriori, el algoritmo de estimacion y el calculo de los momentos poblacionales.
En el ultimo capıtulo se encuentra la implementacion en el programa Matlab de los modelos
VAR y BVAR tanto para la data de EEUU, como para la data de Venezuela. Finalmente,
se efectua la comparacion de los modelos en base a su desempeno predictivo, tomando como
medida el error medio cuadratico (emc).
2
Capıtulo 1
Vectores Autoregresivos (VAR)
En este capıtulo se presentara las definiciones y notaciones que seran utilizadas en los capıtu-
los siguientes, para ello seguimos la exposicion de Lutkepohl [9].
1.1. Representacion reducida
Los Vectores Autoregresivos son una generalizacion de un AR(p) para el caso multivariado.
Un proceso es un VAR de orden p si,
yt = ν + φ1yt−1 + · · ·+ φpyt−p + ut t = 0,±1,±2, ... (1.1)
con,
yt = (y1t , ..., y
Kt )′ es una v.a. de dimension (K × 1).
φi es una matriz de dimension (K ×K).
ν = (ν1, ..., νK)′ es un vector constante de dimension (K × 1).
ut = (u1t , ..., u
Kt )′ es un vector aleatorio de dimension (K × 1).
p es el numero de retardos.
ut es llamado ruido blanco, donde,
E(ut) = 0 y E[utu′s] =
Σu si s = t
0 si s 6= t
3
La matriz de covarianza Σu es asumida como no singular.
En la representacion reducida cada variable a tiempo t se escribe como combinacion lineal de
sus retardos y los retardos de las demas variables, no se contemplan los efectos contemporaneos
de las variables.
1.2. Representacion estructural
La representacion estructural de un VAR de orden p esta dada por,
B0yt = α +B1yt−1 +B2yt−2 + · · ·+Bpyt−p + ξt, (1.2)
donde,
B0 es una matriz invertible de dimension (K ×K) cuya diagonal es unitaria.
α es un vector constante de dimension (K × 1).
Bi con i = 1, . . . , p es la matriz de coeficientes de dimension (K ×K).
ξt se le denominan los shocks estructurales.
ξt es un ruido blanco, tal que,
E(ξt) = 0 y E[ξtξ′s] =
Γ si s = t
0 si s 6= t
donde Γ es una matriz diagonal positiva definida.
En el VAR estructural se estudia el efecto contemporaneo que ejercen las variables entre si.
1.3. Representacion en medias moviles
La representacion de un VAR(p) esta dada por:
Yt = ν + A1Yt−1 + Ut. (1.3)
4
la representacion MA de Yt es:
Yt = µ+∞∑i=0
AiUt−i. (1.4)
Yt es expresada en terminos del pasado y el presente del error Ut y la media µ.
Ventajas y Desventajas de los VAR
En la siguiente tabla se presentaran algunas de las ventajas y desventajas de los VAR.
Ventajas Desventajas
Los VAR reducidos son faciles de estimar Los Modelos estructurales son complejos
Buen desempeno predictivo No son explicativos, en cuanto al
funcionamiento de una economıa
Cualquier modelo econometrico de ecuaciones El problema de la sobreparametrizacion y
simultaneas puede ser expresado disponibilidad de los datos macroeconomicos
a traves de un var reducido
El nombre de Vector Autoregresivo, resulta natural cuando se observa que relaciona un
vector de variables con su propio pasado. Es importante destacar que los modelos VAR, son
considerados atractivos puntos de partida para la modelizacion econometrica [1]. Por otra parte
los VAR reducidos permiten realizar predicciones y los VAR estructurales permiten estudiar las
relaciones estructurales.
1.4. Vectores Autoregresivos Bayesianos (BVAR)
El modelo VAR bayesiano fue propuesto por Litterman [8], con el objetivo de ofrecer una
solucion al problema del sobreajuste de los VAR reducidos. Se pretende evitar la influencia de la
variabilidad aleatoria en la estimacion, sin tener que confrontar la disyuntiva de incluir o excluir
retardos de las distintas variables, de forma que el modelo resultante mantenga la generalidad
de la representacion autoregresiva.
5
1.4.1. Estimacion Bayesiana
Sea Ψ el vector de parametros a estimar de un modelo. En la estadıstica bayesiana Ψ es una
v.a. con una densidad a priori p(Ψ) y el objetivo es estimar la densidad a posteriori p(Ψ|Y ), es
decir, la densidad de Ψ dada la muestra.
Para ello se hace uso de la formula de Bayes,
p(Ψ|Y ) =p(Y |Ψ)p(Ψ)
p(Y ),
p(Ψ) la densidad a priori de los parametros.
p(Y |Ψ) la funcion de verosimilitud.
p(Y ) la densidad conjunta de la muestra.
p(Ψ|Y ) la densidad a posteriori de los parametros.
Como p(Y ) es una constante, se puede escribir de la siguiente forma,
p(Ψ|Y ) ∝ p(Y |Ψ)p(Ψ),
en este caso,
Ψ = (φi, i = 1, ..., p,Σu).
La inferencia bayesiana se basa en el uso de una distribucion de probabilidad para describir
todas las cantidades desconocidas relevantes a un problema de estimacion. Cabe senalar que en
la estadıstica clasica Ψ es una constante desconocida.
El enfoque bayesiano permite expresar de forma mas realista la informacion que se dispone,
mediante la asignacion de distribuciones de probabilidad a los distintos coeficientes del modelo.
Litterman [8], propuso complementar la representacion autoregresiva con la especificacion
de una distribucion a priori sobre los coeficientes. El modelo resultante de esta combinacion se
denomina Vectores Autoregresivos Bayesianos (BVAR).
1.4.2. Funcion de Verosimilitud
Para la funcion de verosimilitud se asume que las innovaciones ut en la representacion au-
toregresiva del modelo yt = φ0 + φ1yt−1 + · · · + φpyt−p + ut tienen una distribucion Normal
6
multivariada N (0,Σu) condicional al pasado de las observaciones de yt, con yt un vector de
dimension n× 1.
Sea Y una matriz de dimension T × n es decir,
Y =
y1
1 y21 . . . yn1
y12 y2
2 . . . yn2...
.... . .
...
y1T y2
T . . . ynT
.
Sea k = 1 +np y X una matriz de dimension T × k con filas x′t = [1, y′t−1, . . . , y′t−p], es decir,
X =
1 y1
t−1 . . . ynt−p...
.... . .
...
1 y1t−1 . . . ynt−p
T×(1+np)
U es una matriz de dimension T × n y φ es de dimension (1 + np)× n, es decir,
U =
u1
1 u21 . . . un1
u12 u2
2 . . . un2...
.... . .
...
u1T u2
T . . . unT
,
φ =
φ1
0 φ20 . . . φn0
φ11 φ2
1 . . . φn1...
.... . .
...
φ1p φ2
p . . . φnp
.
El VAR puede ser expresado como Y = Xφ+ U con la funcion de verosimilitud,
p(Y |φ,Σu) =1
(2π)nT/2|Σu|−T/2exp
−1
2tr[Σ−1
u (Y ′Y − φ′X ′Y − Y ′Xφ+ φ′X ′Xφ)]
, (1.5)
condicional a las observaciones y1−p, . . . , y0.
7
1.5. Modelo estocastico de equilibrio general (MEEG)
El modelo consiste en un hogar representativo, empresas competitivas y una autoridad mon-
etaria que ajusta las tasas de interes nominal, en respuesta a las desviaciones de la inflacion.
Los hogares maximizan su funcion de utilidad,
Et
[∞∑s=t
βs−t(
(Cs/As)1−τ − 1
1− τ+ χlog
Ms
Ps− hs
)], (1.6)
donde Et denota el operador de expectativas, β es el factor de descuento, τ es el parametro de
aversion al riesgo, Cs es el consumo a tiempo s, As factor de productividad a tiempo s, χ es el
factor de escala, h son las horas trabajadas y Ps es el nivel de precios nominal.
Ademas, la tasa de inflacion se define como,
πt =PtPt−1
. (1.7)
La restriccion presupuestaria de los hogares, esta dado por,
Ct +Bt
Pt+Mt
Pt+TtPt
= Wtht +Mt−1
Pt+Rt−1
Bt−1
Pt+Dt, (1.8)
donde Ct es el consumo a tiempo t, Bt/Pt son los bonos a tiempo t, Mt/Pt son los balances
reales a tiempo t, Tt/Pt es el impuesto a tiempo t, Wt es el salario a tiempo t, ht son las horas
trabajadas a tiempo t, Rt−1 son las tasas de interes a tiempo t− 1 y Dt son los beneficios de las
empresas a tiempo t.
La funcion de produccion esta dada por,
Xt(j) = Atht(j), (1.9)
donde el factor de productividadAt es exogeno, ademas, es un proceso autoregresivo en logaritmos
de raız unitaria
lnAt = lnγ + lnAt−1 + zt, (1.10)
8
donde zt es un AR(1),
zt = ρz zt−1 + εz,t, (1.11)
y εz,t puede interpretarse como el shock a la tecnologıa.
El banco central, sigue una tasa de interes nominal para ajustar sus instrumentos en
respuestas a las desviaciones de la inflacion y produccion de sus respectivos niveles, es decir,
Rt
R∗=
(Rt−1
R∗
)ρR [( πtπ∗
)ψ1(Xt
X∗t
)ψ2](1−ρR)
eεR,t , (1.12)
donde R∗ tasa de interes nominal, Xt es la produccion potencial, X∗t = At y εR,t es el shock a
las tasas de interes. El parametro 0 ≤ ρR < 1 determina el grado de las tasas de interes.
El gobierno consume una fraccion ζt de cada bien j. Se define gt = 1(1−ζt) y se asume
que gt = ln(gtg∗
)es un proceso AR(1) estacionario,
gt = ρggt−1 + εg,t, (1.13)
donde εg,t es el shock de los gastos del gobierno.
Presupuesto del gobierno
ζtXt +Rt−1Bt−1
Pt+Mt−1
Pt=TtPt
+Mt
Pt+Bt
Pt, (1.14)
donde Xt es la produccion, Rt−1 es las tasas de interes a tiempo t− 1, Bt−1/Pt son los bonos a
tiempo t− 1, Mt−1/Pt son los balances reales a tiempo t− 1 y Tt/Pt es el impuesto a tiempo t.
El sistema se reduce a tres ecuaciones, produccion, inflacion y tasas de interes nominal:
xt = E[xt+1]− τ−1(Rt − E[πt+1]) + (1− ρg)gt + ρz1
τzt, (1.15)
πt =γ
r∗E[πt+1] + κ[xt − gt], (1.16)
Rt = ρRRt−1 + (1− ρR)(ψ1πt + ψ2xt) + εR,t, (1.17)
9
donde xt es la produccion, πt es la inflacion, Rt tasas de interes, gt gastos del gobierno, zt es el
shock a la tecnologıa, r∗ = γβ
es el estado estacionario de las tasas de interes reales, τ factor de
aversion, κ es una funcion de ajuste de los precios y elasticidad de la demanda y ρR determina
el grado de las tasas de interes.
El sistema de expectativas racionales esta dado por las ecuaciones (1.11), (1.13), (1.15)
- (1.17) y son resueltas por el algoritmo de Sims [12] (ver apendice A).
Las relaciones entre las desviaciones del espacio de estado, el crecimiento de la produccion,
inflacion y tasas de interes estan dadas por las siguientes ecuaciones de medida:
∆lnXt = lnγ + ∆xt + zt, (1.18)
∆lnPt = lnπ∗ + πt,
lnRat = 4[(lnr∗ + lnπ∗) + Rt].
Por otra parte, el MEEG tiene tres shocks estructurales ε′t = [εR,t, εg,t, εz,t]. Se supone que
los shocks son normales independientes, identicamente distribuidos.
El vector de los parametros del modelos esta definido de la siguiente forma,
θ′ = [lnγ, lnπ∗, lnr∗, κ, τ, ψ1, ψ2, ρR, ρg, ρz, σR, σg, σz].
10
Capıtulo 2
BVAR de Del Negro y Schorfheide
En este capıtulo se estudia el metodo de Del Negro y Schorfheide [4], para ello se muestra
la densidad a priori, la densidad a posteriori y el algoritmo de estimacion.
2.1. Densidad a Priori
Sea Y la muestra observada, T el numero de observaciones y X la matriz de rezagos de Y. La
muestra observada es aumentada con observaciones sinteticas T ∗ = λT , (Y ∗, X∗) (para λ fijo),
generadas del MEEG, (cuyo vector de parametro es θ). La funcion de verosimilitud combina la
data observada y la sintetica, obtenida de ( 1.5) y ( 2.1),
p(Y ∗(θ)|φ,Σu) =1
(2π)nT/2|Σu|−T/2exp
−1
2tr[Σ−1
u (Y ∗′Y ∗ − φ′X∗′Y ∗ − Y ∗′X∗φ+ φ′X∗
′X∗φ)]
.
(2.1)
Factorizando obtenemos,
p(Y ∗(θ), Y |φ,Σu) = p(Y ∗(θ)|φ,Σu)p(Y |φ,Σu),
el termino p(Y ∗(θ)|φ,Σu) puede ser interpretado como una densidad a priori de (φ, Σu). La
informacion acerca de los parametros del VAR esta contenida en la data simulada a partir del
MEEG.
11
En la expresion ( 2.1) si se sustituyen los momentos muestrales por los momentos pobla-
cionales (λTΓ∗yy(θ), λTΓ∗yx(θ) y λTΓ∗xx(θ)) se tiene la siguiente definicion,
p(φ,Σu|θ) , c−1|Σu|−λT+n+1
2 exp
−1
2tr[λTΣ−1
u (Γ∗yy(θ)− φ′Γ∗xy(θ)− Γ∗yx(θ)φ+ φ′Γ∗xx(θ)φ)]
(2.2)
con c(θ) el factor de normalizacion, es decir,
c(θ) = (2π)nk2 |λTΓ∗xx(θ)|−
n2 |λTΣ∗u(θ)|−
λT−k2 × 2
n(λT−k)2 π
n(n−1)4
n∏i=1
Γ[(λT − k + 1− i)/2]
En 2.2 tenemos una densidad a priori de φ y Σu condicionada por los parametros del MEEG.
La densidad a priori condicionada puede ser expresada como producto de densidades conju-
gadas naturales, lo cual simplifica su computo.
Si definimos,
φ∗(θ) = Γ∗−1xx (θ)Γ∗xy(θ), (2.3)
Σ∗u = Γ∗yy(θ)− Γ∗yx(θ)Γ∗−1xx (θ)Γ∗xy(θ) (2.4)
entonces,
Σu|θ ∼ Inv −Wishart(λTΣ∗u(θ), λT − k, n), (2.5)
φ|Σu, θ ∼ N (φ∗(θ),Σu ⊗ (λTΓ∗xx(θ))−1), (2.6)
Σu, φ|θ ∼ Inv −Wishart−N . (2.7)
Por Zellner [13], p(Σu, φ|θ) tiene una distribucion Inversa Wishart-Normal.
La densidad conjunta de los parametros del VAR y los parametros del MEEG se obtiene como,
p(φ,Σu, θ) = p(φ,Σu|θ)p(θ) (2.8)
Por otra parte, como φ∗(θ) ( 2.3) es el estimador de mınimos cuadrados ordinarios (mco) (en
el caso de una regresion lineal el estimador de maxima verosimilitud (emv) es igual al estimador
de mco) φ∗(θ) minimiza el emc a un paso.
12
2.2. Densidad a Posteriori
p(φ,Σu, θ|Y ) = p(φ,Σu|Y, θ)p(θ|Y ), (2.9)
p(φ,Σu, θ|Y ) es la densidad posterior de todos los parametros.
p(φ,Σu|Y, θ) es la densidad posterior de los parametros del VAR dado los parametros del
MEEG.
p(θ|Y ) es la densidad a posteriori de los parametros del MEEG, es generada por Metropolis
- Hasting y empleando el Algoritmo de Sims [12] .
Ademas,
p(φ,Σu|Y, θ) = p(Σu|Y, θ)p(φ|Y, θ,Σu).
Como la densidad a priori tiene una distribucion Inversa Wishart - Normal y la funcion
de verosimilitud tiene una distribucion Normal, se tiene que son conjugados naturales, Zellner
[13], muestra que la “densidad a posterior” de φ y Σu es Inversa Wishart-Normal, es decir,
Σu|Y, θ ∼ Inv −Wishart((λ+ 1)T Σu(θ), (1 + λ)T − k, n),
φ|Y,Σu, θ ∼ N (φ,Σu ⊗ (λTΓ∗xx(θ) +X ′X)−1),
donde φ(θ) y Σu(θ) son los estimadores de MV de φ y Σu, es decir,
φ(θ) = (λTΓ∗xx(θ) +X ′X)−1(λTΓ∗xy(θ) +X ′Y ),
Σu(θ) = 1(λ+1)T
[(λTΓ∗yy(θ) + Y ′Y )− (λTΓ∗yx(θ) + Y ′X)(λTΓ∗xx(θ) +X ′X)−1(λTΓ∗xy(θ) +X ′Y )].
Por otra parte se demostrara dos proposiciones relacionadas con la densidad a posteriori y la
verosimilitud.
Proposicion 1. La densidad posterior conjunta de los parametros del VAR y el MEEG puede
ser escrita como,
p(φ,Σu, θ|Y ) = p(φ,Σu|Y )p(θ|φ,Σu).
13
Demostracion
p(φ,Σu, θ|Y ) = p(φΣu|Y )p(θ|φΣuY ),
Luego,
p(φ,Σu, θ|Y ) =p(φΣuY )
p(Y )
p(θφΣu)
p(φΣu)
p(θφΣuY )
p(θφΣuY )
p(φΣuY )
p(φΣuY ),
Asociando,
p(φ,Σu, θ|Y ) =p(θφΣuY )
p(φΣuY )
p(θφΣu)
p(θφΣuY )
p(φΣuY )
p(φΣu)
p(φΣuY )
p(Y ),
Luego por definicion de probabilidad condicional tenemos,
p(φ,Σu, θ|Y ) =p(θ|φΣuY )
p(Y |θφΣu)p(Y |φΣu) p(φΣu|Y ),
Como,
p(Y |θφΣu) = p(Y |φΣu), (2.10)
Lo anterior puede ser interpretado como, la verosimilitud de los parametros del VAR es igual
a la verosimilitud de los parametros de VAR con el parametro del MEEG.
Finalmente,
p(φ,Σu, θ|Y ) = p(θ|φΣuY ) p(φΣu|Y ).
Proposicion 2.
La funcion de verosimilitud puede ser escrita como,
p(Y |θ) =
∫p(Y |φ,Σu) p(φ,Σu|θ) d(φ,Σu).
Demostracion∫p(Y |φ,Σu) p(φ,Σu|θ) d(φ,Σu) =
∫p(Y |φ,Σuθ) p(φ,Σu|θ) d(φ,Σu),
14
Por ( 2.10), ∫p(Y |φ,Σu) p(φ,Σu|θ) d(φ,Σu) =
∫p(Y φ,Σu|θ) d(φ,Σu),
En consecuencia, ∫p(Y |φ,Σu) p(φ,Σu|θ) d(φ,Σu) = p(Y |θ).
Proposicion 3. La funcion de verosimilitud esta dada por la siguiente expresion,
p(Y |θ) =p(Y |φ,Σ)p(φ,Σ|θ)
p(φ,Σ|Y ). (2.11)
Demostracion
Las hipotesis estan dadas por las siguientes expresiones:
p(Y |φΣθ) = p(Y |φΣ), (2.12)
p(θ|Y ) = p(θ|Y φΣ), (2.13)
Considerando el posterior de los tres parametros, tenemos,
p(θφΣ|Y ) = p(θ|φΣY )p(φΣ|Y ),
Por ( 2.13),
p(θφΣ|Y ) = p(θ|Y )p(φΣ|Y ),
Por lo tanto,
p(φΣ|Y ) =p(θφΣ|Y )
p(θ|Y ), (2.14)
Luego, por ( 2.12),
p(Y |φ,Σ)p(φ,Σ|θ)p(φ,Σ|Y )
=p(Y |φ,Σθ)p(φ,Σ|θ)
p(φ,Σ|Y ),
Sustituyendo ( 2.14) en la expresion anterior,
p(Y |φ,Σ)p(φ,Σ|θ)p(θ|y)
p(θφ,Σ|Y ),
15
Luego,
p(Y )p(φΣ|θ)p(θ|y)
p(θΣφ),
Finalmente,
p(Y )p(φΣθ)p(θY )
p(φΣθ)p(θ)p(Y )= p(Y |θ).
2.3. Algoritmo de Metropolis Hasting
Dada la funcion de densidad f , la densidad objetivo, el algoritmo de Metropolis - Hasting
construye un conjunto de simulaciones de f . Este algoritmo es especialmente util cuando se
puede evaluar la densidad (salvo por una constante multiplicativa), pero no se puede calcular
de manera explıcita los momentos de la densidad. Es un algoritmo de simulacion del tipo MCMC
(Monte Carlo Markov Chain), denominados ası, porque esta familia de algoritmos generan una
cadena de Markov ergodica, cuya distribucion lımite es f , es decir, en la t-esima iteracion el
algoritmo genera un valor aleatorio νt tal que, para t suficientemente grande, su densidad se
puede aproximar por f , es decir, el lımt→∞ νt = ν con ν una v.a. cuya densidad es f .
La referencia al algoritmo de Metropolis - Hasting corresponde a un termino general que
se utiliza para una familia de metodos de simulacion de cadenas de Markov que se derivan del
algoritmo propuesto por [10]. El algoritmo consiste en los siguientes pasos:
Algoritmo de Metropolis- Hasting
1. Generar un iterado inicial θ0
2. Desde t = 1 hasta n,
a. Generar θ∗t a partir de una distribucion de salto
3. Asignar
θt+1 =
θ∗t con probabilidad ρ(θt, θ∗t )
θt con probabilidad 1− ρ(θt, θ∗t )
con,
ρ(θt, θ∗t ) = min
p(θ∗t )p(θt)
, 1
16
ρ se denomina la probabilidad de aceptacion de Metropolis - Hasting.
La regla de aceptacion y rechazo del algoritmo anterior se puede interpretar de la siguiente
forma, si el salto produce un valor para el que se aumenta la densidad posterior, hacer θt+1 = θ∗t ,
si el salto no aumenta la densidad a posteriori, con cierta probabilidad se acepta o se rechaza.
2.4. El algoritmo combinado de Metropolis - Hasting y
Sims
Se quiere simular la densidad a posteriori p(θ|Y ) de los parametros del modelo. Las simu-
laciones se obtendran mediante el Algoritmo de Metropolis - Hastings considerando la funcion
objetivo p(Y |θ)p(θ) como funcion de θ, que es calculable salvo por una constante multiplicativa.
El calculo de la funcion de verosimilitud se efectuara empleando la ecuacion ( 2.15), la cual
para poder ser determinada se necesitan los momentos muestrales y poblaciones de la data. En
particular los momentos poblacionales son obtenidos mediante la representacion de espacios de
estado ( 2.16) y ( 2.17) (ver Algoritmo de estimacion).
El algoritmo combinado esta dado por los siguientes pasos.
Algoritmo de Estimacion
1. Generar un iterado inicial θ0
2. Desde t = 1 hasta n,
a. Generar θ∗t = θt−1 +N(0,Σ)
b. Calcular la representacion en espacios de estados con el Algoritmo de Sims
c. Calcular p(Y |θt) por medio de la ecuacion (2.15)
d. Asignar
θt+1 =
θ∗t con probabilidad ρ(θt, θ∗t )
θt con probabilidad 1− ρ(θt, θ∗t )
con,
ρ(θt, θ∗t ) = min
p(θ∗t )p(θt)
, 1
17
2.5. Algoritmo de estimacion
Se asume que el espacio de parametros de λ es finito, es decir, Λ = l1, . . . , lq. λ se estima y
se genera la distribucion a posteriori conjunta de los parametros del MEEG y del VAR usando
el siguiente algoritmo:
1. Para λ ∈ Λ se usa el algoritmo de Metropolis Hasting, para generar las simulaciones de
pλ(θ|Y ) ∝ pλ(Y |θ)p(θ). Los pasos necesarios para evaluar pλ(θ|Y ) se basan en la siguiente
ecuacion:
p(Y |θ) =p(Y |φ,Σ)p(φ,Σ|θ)
p(φ,Σ|Y )(2.15)
=|λTΓ∗xx(θ) +X ′X|−n2 |(λ+ 1)TΣu(θ)|−
(λ+1)T−k2
|λTΓ∗xx(θ)|−n2 |λTΣu(θ)|−
λT−k2
×(2π)−nT2 2
n((λ+1)T−k)2
∏ni=1 Γ[((λ+ 1)T − k + 1− i)/2]
2n(λT−k)
2
∏ni=1 Γ[(λT − k + 1− i)/2]
.
Para cada θ:
a) Se resuelve el MEEG dado por las ecuaciones (1.11), (1.13), (1.15) - (1.17), con
el algoritmo que describe Sims [12]. Esto conduce a una ecuacion de transicion de la
forma,
st = T (θ)st−1 +R(θ)εt. (2.16)
Las ecuaciones (1.18) pueden escribirse en forma apilada como:
yt = Z(θ)st +D(θ) + νt. (2.17)
En la implementacion se elegira st tal que νt = 0. Se define la matriz de covarianza
de los shocks como:
E[νtν′t] = 0, E[εtε
′t] = Σεε(θ), E[εtν
′t] = Σεν(θ).
18
b) Se calculan los momentos poblacionales Γ∗yy(θ), Γ∗yx(θ) y Γ∗xx(θ) desde la representacion
de estados de (2.16) y (2.17). Note que,
E[yty′t] = ZΩssZ
′ + ZRΣεν + (ZRΣεν)−1 + Σνν +DD′,
E[yty′t−h] = ZT h(ΩssZ
′ +RΣεν) +DD′.
donde Ωss = E[sts′t] el cual puede ser obtenido por la ecuacion de Lyapunov
Ωss = TΩssT′ +RΣεεR
′.
2. Basado en las simulaciones se modifica el estimador de la media armonica para obtener
las aproximaciones numericas de la data pλ(Y ), de acuerdo con Geweke [7].
2.6. Calculo de los momentos poblacionales
Como se senalo en la seccion anterior se calcularan los momentos poblacionales a partir de
la representacion de estados de (2.16) y (2.17). Las dimensiones st, T , R, yt, Zt, D y νt estan
dadas por,
dim(yt) = n× 1 dim(st) = h× 1 dim(νt) = n× 1 dim(R) = n× l
dim(Z) = n× h dim(D) = n× 1 dim(T ) = h× h dim(εt) = l × 1
Es importante senalar que st es un proceso autoregresivo (AR) con media cero; εt y νt son
dos ruidos blancos. En la definicion usual de representacion de espacios de estados se supone
que εt y νt no estan correlacionados.
Se supondra, siguiendo a Del Negro y Schorfheide [4] que,
E[νt1εt1 ] =
Σεν t1 = t2
0 si t1 6= t2.
Se denota la matriz de covarianza de los shocks y sus correlaciones mediante,
Σνν(θ) = E[νtν′t], Σεε(θ) = E[εtε
′t], Σεν(θ) = E[εtν
′t]. (2.18)
En el modelo considerado en este trabajo (como en gran parte de los modelos estudiados en
el area), νt y D(θ) son nulos. Daremos las demostraciones para el caso general, es decir, donde
19
νt y D(θ) no necesariamente son nulos.
Se denota la covarianza de st mediante Ωss, es decir, Ωss = E[sts′t] .
En las siguientes proposiciones, (siguiendo a Del Negro y Schorfheide [4]) se presentan iden-
tidades para el calculo de los momentos poblacionales.
Proposicion 3. Ωss satisface la siguiente ecuacion de Lyapunov,
Ωss = TΩssT′ +RΣεεR
′.
Demostracion
De (2.16) se tiene que st = T (θ)st−1+R(θ)εt; vamos a calcular la siguiente funcion de covarianza,
E[sts′t] = E[(Tst−1 +Rεt)(Tst−1 +Rεt)
′].
Por propiedad de matrices transpuestas,
E[sts′t] = E[(Tst−1 +Rεt)(s
′t−1T
′ + ε′tR′)].
Aplicando propiedad distributiva obtenemos,
E[sts′t] = E[Tst−1s
′t−1T
′ + Tst−1ε′tR′ +Rεts
′t−1T
′ +Rεtε′tR′].
Por la linealidad de la esperanza,
E[sts′t] = TE[st−1s
′t−1]T
′ + TE[st−1ε′t]R′ +RE[εts
′t−1]T
′ +RE[εtε′t]R′.
Como st−1 = T hst−h−1 +h−1∑j=1
T j−1Rεt−j y εt no esta correlacionado con los εt−j, entonces, st−1 y
εt no estan correlacionados, luego,
E[sts′t] = TE[st−1s
′t−1]T
′ +RE[εtε′t]R′.
Luego, Ωss = E(sts′t) y Σεε(θ) = E[εtε
′t], entonces,
Ωss = TΩssT′ +RΣεεR
′(2.19)
20
Proposicion 4. E[yty′t] = ZΩssZ
′ + ZRΣεν + (ZRΣεν)′ + Σνν +DD′.
Demostracion
Vamos a calcular la siguiente funcion de covarianza,
E[yty′t] = E[(Zst +D + νt)(Zst +D + νt)
′].
Por propiedad de matrices transpuestas,
E[yty′t] = E[(Zst +D + νt)(s
′tZ′ +D′ + ν ′t)].
Aplicando propiedad distributiva obtenemos,
E[yty′t] = E[Zsts
′tZ′ + ZstD
′ + Zstν′t +Ds′tZ
′ +DD′ +Dν ′t + νts′tZ′ + νtD
′ + νtν′t].
Por propiedad de esperanza, la esperanza de la suma, es la suma de las esperanzas, entonces,
E[yty′t] = ZE(sts
′t)Z
′ + E(ZstD′) + E(Zstν
′t) + E(Ds′tZ
′) + E(DD′) + E(Dν ′t) + E(νts′tZ′)
+E(νtD′) + E(νtν
′t).
Luego, Ωss = E(sts′t), st es un proceso autoregresivo (AR) con media cero y νt = 0,
E[yty′t] = ZΩssZ
′ + E(Zstν′t) + E(νts
′tZ′) + E(νtν
′t) + E(DD′).
Sustituyendo (2.16) y teniendo en cuenta que la E(DD′) = DD′ y por (2.18) Σνν(θ) = E[νtν′t],
entonces,
E[yty′t] = ZΩssZ
′ + E[Z(Tst−1 +Rεt)ν′t] + E[νt(Tst−1 +Rεt)
′Z ′] + Σνν +DD′.
Aplicando propiedad distributiva obtenemos,
E[yty′t] = ZΩssZ
′ + E[ZTst−1ν′t + ZRεtν
′t] + E[νt(s
′t−1T
′ + ε′tR′)Z ′] + Σνν +DD′.
La esperanza de la suma, es la suma de las esperanzas, tenemos
E[yty′t] = ZΩssZ
′ + E[ZTst−1ν′t] + E[ZRεtν
′t] + E[νts
′t−1T
′Z ′] + E[νtε′tR′Z ′] + Σνν +DD′,
st es un proceso autoregresivo (AR) con media cero y sabiendo que E[νt−hst−i] = 0 con h, i =
1, 2, . . . y h 6= i, tenemos,
E[yty′t] = ZΩssZ
′ + ZRE[εtν′t] + E[νtε
′t]R′Z ′ + Σνν +DD′.
21
Por (2.18) Σεν(θ) = E[εtν′t], luego,
E[yty′t] = ZΩssZ
′ + ZRΣεν + Σ′ενR′Z ′ + Σνν +DD′.
Finalmente, por propiedad de matrices transpuestas, tenemos,
E[yty′t] = ZΩssZ
′ + ZRΣεν + (ZRΣεν)′ + Σνν +DD′
(2.20)
En el caso de la definicion de una representacion de espacios de estados ordinaria (con ε y
ν no correlacionados), las expresiones anteriores Σεν = 0, en consecuencia ZRΣεν = 0.
Como, νt = 0 y εt y νt no estan correlacionados, tendremos lo siguiente,
Γ∗yy(θ) = Eθ[yty′t] = ZΩssZ
′ +DD′
Proposicion 5. E[yty′t−h] = ZT h(ΩssZ
′ +RΣεν) +DD′
Demostracion
Iterando hacia atras en (2.16),
st = Tst−1 +Rεt
= T (Tst−2 +Rεt−1) +Rεt
= T 2st−2 + TRεt−1 +Rεt
= T 2(Tst−3 +Rεt−2) + TRεt−1 +Rεt
= T 3st−3 + T 2Rεt−2 + TRεt−1 +Rεt...
= T hst−h +h−1∑j=0
T jRεt−j (2.21)
Ademas,
yt−h = Zst−h +D + νt−h,
yt = Zst +D + νt. (2.22)
22
Sustituyendo (2.21) en la ecuacion (2.22), nos queda,
yt = Z
(T hst−h +
h−1∑j=0
T jRεt−j
)+D + νt.
Ahora bien,
E[yty′t−h] = E
[(ZT hst−h + Z
h−1∑j=0
T jRεt−j +D + νt
)(Zst−h +D + νt−h)
′
].
Por propiedad de matrices transpuestas,
E[yty′t−h] = E
[(ZT hst−h + Z
h−1∑j=0
T jRεt−j +D + νt
)(s′t−hZ
′ +D′ + ν ′t−h)].
Aplicando propiedad distributiva y linealidad de la esperanza obtenemos,
E[yty′t−h] = ZT hE[st−hs
′t−h]Z
′ + ZT hE[st−h]D′ + ZT hE[st−hν
′t−h] + Z
h−1∑j=0
T jRE[εt−js′t−h]Z
′
+Zh−1∑j=0
T jRE[εt−j]D′ + Z
h−1∑j=0
T jRE[εt−jν′t−h] +DE[s′t−h]Z
′ + E[DD′] +DE[ν ′t−h]
+E[νts′t−h]Z
′ + E[νt]D′ + E[νtν
′t−h].
Por hipotesis st es un proceso centrado, εt y νt son ruidos blancos, la E[DD′] = DD′,
E[sts′t] = Ωss y como st−h = Tst−h−1 + Rεt−h, entonces, st−h y εt−j no estan correlacionados,
luego,
E[yty′t−h] = ZT hΩssZ
′ + ZT hE[st−hν′t−h] +DD′.
Iterando hacia atras st−h,
E[yty′t−h] = ZT hΩssZ
′ + ZT hE[(Tst−h−1 + εt−h)ν′t−h] +DD′.
Aplicando propiedad distributiva y linealidad de la esperanza, resulta,
E[yty′t−h] = ZT hΩssZ
′ + ZT h[E(Tst−h−1ν′t−h) + E(εt−hν
′t−h)] +DD′.
23
Por (2.18) Σεν = E[εtνt], ademas, como st−h−1 = Tst−h−2 + εt−h−1, entonces, st−h−1 y νt−h no
estan correlacionados, luego,
E[yty′t−h] = ZT hΩssZ
′ + ZT hΣεν +DD′.
Finalmente,
E[yty′t−h] = ZT h(ΩssZ
′ +RΣεν) +DD′(2.23)
y Ωss puede ser obtenido por la ecuacion de Lyapunov Ωss = TΩssT′ +RΣεεR
′ (demostrada en
la proposicion 1).
En la representacion de espacios de estado usual, Σεν = 0, entonces, RΣεν = 0.
En este caso,
E[yty′t−h] = ZT hΩssZ
′ +DD′
Para determinar el momento poblacional Γ∗xx se debe definir las entradas de la matriz, E[yty′t−h].
Vamos a definir yt y yt−h.
y′t = (y1t , . . . , y
nt ),
y′t−h =(y1t−h, y2
t−h , . . . , ynt−h
), (2.24)
Tenemos,
E[yty′t−h] = E
y1t y
1t−h y1
t y2t−h . . . y1
t ynt−h
y2t y
1t−h y2
t y2t−h . . . y2
t ynt−h
......
. . ....
ynt y1t−h ynt y
2t−h . . . ynt y
nt−h
.
Luego las entradas (i, j) de la matriz anterior esta dada por,
Eθ[yty′t−h](i, j) = E[yity
jt−h] (2.25)
con i, j = 1, . . . , n
El momento poblacional Γ∗xx(θ) se denota ası,
Γ∗xx(θ) = E[xtx′t].
24
Veamos como son las entradas de la matriz Γ∗xx(θ). Para ellos se define xt,
x′t = (1, y1t−1, y
2t−1, . . . , y
nt−1, . . . , y
1t−l, y
2t−l, . . . , y
nt−l, . . . , y
1t−p, . . . , y
nt−p).
Luego,
E(xtx′t) =
E
1 y1t−1 y2t−1 . . . ynt−1 . . . y1t−l y2t−l . . . ynt−l . . . y1t−p . . . ynt−p
y1t−1 y1t−1y1t−1 y1t−1y
2t−1 . . . y1t−1y
nt−1 . . . y1t−1y
1t−l y1t−1y
2t−l . . . y1t−1y
nt−l . . . y1t−1y
1t−p . . . y1t−1y
nt−p
y2t−1 y2t−1y1t−1 y2t−1y
2t−1 . . . y2t−1y
nt−1 . . . y2t−1y
1t−l y2t−1y
2t−l . . . y2t−1y
nt−l . . . y2t−1y
1t−p . . . y2t−1y
nt−p
......
......
......
......
...
ynt−1 ynt−1y1t−1 ynt−1y
2t−1 . . . ynt−1y
nt−1 . . . ynt−1y
1t−l ynt−1y
2t−l . . . ynt−1y
nt−l . . . ynt−1y
1t−p . . . ynt−1y
nt−p
......
......
......
......
...
y1t−l y1t−ly1t−1 y1t−ly
2t−1 . . . y1t−ly
nt−1 . . . y1t−ly
1t−l y1t−ly
2t−l . . . y1t−ly
nt−l . . . y1t−ly
1t−p . . . y1t−ly
nt−p
y2t−l y2t−ly1t−1 y2t−ly
2t−1 . . . y2t−ly
nt−1 . . . y2t−ly
1t−l y2t−ly
2t−l . . . y2t−ly
nt−l . . . y2t−ly
1t−p . . . y2t−ly
nt−p
......
......
......
......
...
ynt−l ynt−ly1t−1 ynt−ly
2t−1 . . . ynt−ly
nt−1 . . . ynt−ly
1t−l ynt−ly
2t−l . . . ynt−ly
nt−l . . . ynt−ly
1t−p . . . ynt−ly
nt−p
......
......
......
......
...
y1t−p y1t−py1t−1 y1t−py
2t−1 . . . y1t−py
nt−1 . . . y1t−py
1t−l y1t−py
2t−l . . . y1t−py
nt−l . . . y1t−py
1t−p . . . y1t−py
nt−p
......
......
......
......
...
ynt−p ynt−py1t−1 ynt−py
2t−1 . . . ynt−py
nt−1 . . . ynt−py
1t−l ynt−py
2t−l . . . ynt−py
nt−l . . . ynt−py
1t−p . . . ynt−py
nt−p
.
Se observa que la matriz E[xtx′t] esta compuesta en la primera columna por el vector xt y
en la primera fila por el vector x′t y las otras entradas de la matriz estan dadas por la matriz
E[yty′t−h] con h = 1, . . . , p (la covarianza es estacionaria).
Por otra parte, el momento poblacional Γ∗yx(θ) se denota ası,
Γ∗yx(θ) = E[ytx′t].
Veamos como son las entradas de la matriz Γ∗yx(θ).
y′t = (y1t , . . . , y
nt ), (2.26)
x′t = (1, y1t−1, y
2t−1, . . . , y
nt−1, . . . , y
1t−l, y
2t−l, . . . , y
nt−l, . . . , y
1t−p, . . . , y
nt−p). (2.27)
25
Ahora bien,
E(ytx′t) =
E
y1t y1
t y1t−1 y1
t y2t−1 . . . y1
t ynt−1 . . . y1
t y1t−l y1
t y2t−l . . . y1
t ynt−l . . . y1
t y1t−p . . . y1
t ynt−p
y2t y2
t y1t−1 y2
t y2t−1 . . . y2
t ynt−1 . . . y2
t y1t−l y2
t y2t−l . . . y2
t ynt−l . . . y1
t y2t−p . . . y2
t ynt−p
......
......
......
...
ynt ynt y1t−1 ynt y
2t−1 . . . ynt y
nt−1 . . . ynt y
1t−l ynt y
2t−l . . . ynt y
nt−l . . . ynt y
1t−p . . . ynt y
nt−p
.
Se observa que la matriz E[ytx′t], esta compuesta en la primera fila por el vector x′t y en
la primera columna por el vector xt y las demas entradas estan dadas por la matriz E[yty′t−h]
con h = 1, . . . , p
Finalmente, el momento poblacional Γ∗xy(θ), lo denotaremos ası,
Γ∗xy(θ) = E[xty′t],
donde Γ∗xy(θ) = [Γ∗yx(θ)]′.
2.7. Medias Armonicas
Basado en las simulaciones aplicamos el metodo Geweke [7] (modificacion de las Medias
Armonicas) para obtener las aproximaciones numericas de la densidad de la data pλ(Y ). Para
el calculo de la verosimilitud marginal usamos el metodo propuesto por Gelfand y Dey [6].
Teorema. El Metodo de Gelfand - Dey para el calculo de la verosimilitud Marginal
Sean p(θ|Mi), p(y|θ,Mi) y p(θ|y,Mi) la densidad a priori, la verosimilitud y la densidad
a posteriori respectivamente, para el modelo Mi definicion en Θ. Si f es una funcion de densi-
dad con soporte en Θ, entonces,
E[
f(θ)
p(θ|Mi)p(y|θ,Mi)|y,Mi
]=
1
p(y|Mi).
26
Este teorema es muy importante porque para cualquier funcion de densidad podemos establecer
g(θ) =f(θ)
p(θ|Mi)p(y|θ,Mi)y usar las simulaciones de la densidad a posterior para estimar
E[g(θ)|y,Mi].
La teorıa asintotica subyacente del metodo de Gelfang-Dey[6] implica quef(θ)
p(θ|Mi)p(y|θ,Mi)debe ser finito para todo valor de θ. Este metodo requiere que se elija cuidadosamente f(θ).
Geweke [7], recomienda la siguiente estrategia para la eleccion de f(θ). La estrategia con-
siste en que f(θ) sea una densidad Normal truncada (es decir, no tomamos en cuenta las colas).
El motivo que la densidad normal este truncada es difıcil de comprobar porque la expresionf(θ)
p(θ|Mi)p(y|θ,Mi)es finita en la colas para la densidad normal. Formalmente, sea θ y Σ los
estimadores de E(θ|y,Mi) y var(θ|y,Mi) obtenidas de la simulacion de la densidad a posterior.
Ademas, p ∈ (0, 1) y sea θ el soporte de f(θ), el cual es definido por,
θ = θ : (θ − θ)′Σ−1(θ − θ) ≤ χ21−p(k),
donde χ21−p(k) es el percentil (1-p) de la distribucion Chi Cuadrado con k grados de libertad.
Geweke recomienda dejar f(θ) como una densidad Normal Multivariada truncada en la
region de θ, es decir,
f(θ) =1
p(2π)k/2|Σ|−1/2exp
[−1
2(θ − θ)′Σ−1(θ − θ)
]I(θ ∈ θ),
donde I() es la funcion indicadora.
27
Capıtulo 3
Resultados Empıricos
En este capıtulo se realiza la implementacion de los modelos VAR y BVAR para la economıa
de EEUU y la de Venezuela.
3.1. Implementacion de los modelos VAR y BVAR
En esta seccion se presenta el planteamiento de los modelos para las siguientes variables:
producto (PIB), inflacion y tasas de interes, se hara el estudio para los datos de la economıa
de EEUU y de Venezuela. Se realizan predicciones y se compara el modelo BVAR del Negro y
Schorfheide [4] (en las secciones siguientes se denotara como BVAR Schorfheide) con un VAR
frecuentista y un BVAR con una densidad a priori de Minnesota [8]. Se emplea el emc para
determinar el desempeno predictivo de los modelos.
3.1.1. Modelo
El modelo que se plantea es un VAR con tres variables (Produccion, Inflacion y Tasas de
Interes). Se estudiaran dos casos, la data de EEUU1 y la data de Venezuela2.
1Fuente: Frank Shorfheide http://www.econ.upenn.edu/ schorf/research.htm2Fuente: Banco Central de Venezuela
28
Variable Notacion
Produccion y
Inflacion p
Tasas de Interes r
Las dos primeras variables mostradas en la tabla anterior se les aplica la primera diferencia
y el logaritmo y para las tasas se les aplica solamente el logaritmo.
3.1.2. Data de EEUU
En la data de EEUU se dispone de observaciones trimestrales especıficamente desde el cuarto
trimestre de 1959, hasta el tercer trimestre del ano 2001, el total de observaciones son 168. Los
modelos seran estimados tomando en consideracion los datos hasta el ano 1999 (trimestre tres)
y se realizaran las predicciones hasta el ano 2001.
3.1.2.1. Implementacion del Modelo VAR reducido
En esta seccion se muestran los resultados de un VAR reducido para las variables men-
cionadas anteriormente.
Las ecuaciones que se estimaran tienen la siguiente forma:
yt = φ1,1yt−1 + φ1,2yt−2 + φ1,3yt−3 + φ1,4yt−4 + φ1,5pt−1 + φ1,6pt−2 + φ1,7pt−3 + φ1,8pt−4
+ φ1,9rt−1 + φ1,10rt−2 + φ1,11rt−3 + φ1,12rt−4 + c1t,
pt = φ2,1pt−1 + φ2,2pt−2 + φ2,3pt−3 + φ2,4pt−4 + φ2,5yt−1 + φ2,6yt−2 + φ2,7yt−3 + φ2,8yt−4
+ φ2,9rt−1 + φ2,10rt−2 + φ2,11rt−3 + φ2,12rt−4 + c2t,
rt = φ3,1rt−1 + φ3,2rt−2 + φ3,3rt−3 + φ3,4rt−4 + φ3,5yt−1 + φ3,6yt−2 + φ3,7yt−3 + φ3,8yt−4
+ φ3,9pt−1 + φ3,10pt−2 + φ3,11pt−3 + φ3,12pt−4 + c3t,
donde c1, c2 y c3 son los componentes determinısticos para cada ecuacion.
Veamos la estimacion del modelo:
29
variable dependiente Producto
R2 0.2845
N de variables 13
N de observaciones 156
Variable Rezago coef. t-estadıstico p-valor
Producto 1 0.166931 1.991643 0.048315
Producto 2 0.223533 2.604036 0.010186
Producto 3 -0.032296 -0.365696 0.715133
Producto 4 0.013707 0.169660 0.865517
Inflacion 1 -0.154003 -0.823580 0.411550
Inflacion 2 0.103370 0.520092 0.603804
Inflacion 3 0.004798 0.024553 0.980446
Inflacion 4 -0.047226 -0.247294 0.805035
Tasas 1 -0.160121 -2.688266 0.008035
Tasas 2 -0.027483 -0.405743 0.685538
Tasas 3 0.148895 2.226139 0.027569
Tasas 4 -0.019611 -0.323541 0.746758
Constante - 1.025761 4.076965 0.000075
30
variable dependiente Inflacion
R2 0.7827
N de variables 13
N de observaciones 156
Variable Rezago coef. t-estadıstico p-valor
Producto 1 0.070544 1.7498 0.082294
Producto 2 -0.0091802 -0.22234 0.82437
Producto 3 0.048633 1.1449 0.25417
Producto 4 0.062166 1.5997 0.11187
Inflacion 1 0.61972 6.8901 1.64E-06
Inflacion 2 -0.026213 -0.27419 0.78433
Inflacion 3 0.51968 5.5294 1.48E-03
Inflacion 4 -0.10528 -1.1461 0.25367
Tasas 1 0.0086332 0.30134 0.7636
Tasas 2 0.0077493 0.23785 0.81234
Tasas 3 -0.074614 -2.3193 0.021798
Tasas 4 0.041632 1.428 0.15549
Constante - -0.036345 -0.30033 0.76436
31
variable dependiente Tasas de Interes
R2 0.8831
N de variables 13
N de observaciones 156
Variable Rezago coef. t-estadıstico p-valor
Producto 1 0.4885 3.837 0.00018629
Producto 2 0.30524 2.341 0.020613
Producto 3 0.14318 10.673 0.28761
Producto 4 -0.063415 -0.51676 0.60612
Inflacion 1 0.76081 26.786 0.0082595
Inflacion 2 -0.43048 -14.259 0.15607
Inflacion 3 0.92135 31.043 0.0022995
Inflacion 4 -0.4633 -15.972 0.11244
Tasas 1 0.58307 64.447 0.000016584
Tasas 2 0.16888 16.414 0.10292
Tasas 3 0.18118 17.834 0.076649
Tasas 4 -0.048209 -0.52362 0.60135
Constante - -0.82043 -21.468 0.033496
3.1.2.2. Implementacion del Modelo BVAR Litterman
En esta seccion se muestran los resultados del modelo BVAR de Litterman para las variables
mencionadas anteriormente . Los hiperparametros con los cuales se realizo la estimacion del
modelo son los siguientes: θ0 = 0.1
θ1 = 1
θ2 = 0.5
En las siguientes tablas se presenta el ajuste realizado para cada ecuacion del modelo.
32
variable dependiente Producto
R2 0.2830
N de variables 13
N de observaciones 156
Variable Rezago coef. t-estadıstico p-valor
Producto 1 0.169287911 2.129352 0.034804751
Producto 2 0.207574264 2.563508 0.011313315
Producto 3 -0.033173196 -0.409332142 0.682861014
Producto 4 0.01758838 0.239145687 0.811308536
Inflacion 1 -0.155738778 -0.910439121 0.364004619
Inflacion 2 0.074559188 0.419950433 0.675103208
Inflacion 3 0.027802637 0.169859963 0.865341765
Inflacion 4 -0.040026245 -0.261198267 0.794286347
Tasas 1 -0.15352044 -2.796673 0.005817542
Tasas 2 -0.013485572 -0.227761 0.820132139
Tasas 3 0.112642601 2.0923470 0.03803724
Tasas 4 -0.005342191 -0.114467165 0.909015617
Constante - 1.0441880 4.43349 1.74715E-05
33
variable dependiente Inflacion
R2 0.7813
N de variables 13
N de observaciones 156
Variable Rezago coef. t-estadıstico p-valor
Producto 1 0.073975641 1.9487060 0.053136431
Producto 2 -0.003000652 -0.0792358 0.936947285
Producto 3 0.03828155 1.0460220 0.297179291
Producto 4 0.044432858 1.3744540 0.171284668
Inflacion 1 0.613342154 7.2521160 1.8327E-11
Inflacion 2 -0.009420816 -0.1053719 0.916216927
Inflacion 3 0.473322799 5.5068480 1.48505E-07
Inflacion 4 -0.081123103 -0.9804275 0.328402956
Tasas 1 0.009548738 0.3619820 0.717858496
Tasas 2 0.005545492 0.1938269 0.846565219
Tasas 3 -0.050737258 -1.9490000 0.053100936
Tasas 4 0.01944537 0.8666415 0.387478026
Constante - -0.010798256 -0.0971437 0.922737748
34
variable dependiente Tasas
R2 0.8825
N de variables 13
N de observaciones 156
Variable Rezago coef. t-estadıstico p-valor
Producto 1 0.491911242 4.0880380 6.96485E-05
Producto 2 0.276999112 2.3099770 0.022208769
Producto 3 0.121195369 1.0379300 0.300918972
Producto 4 -0.03454904 -0.3364595 0.736979439
Inflacion 1 0.693362923 2.6469060 0.008961934
Inflacion 2 -0.323774458 -1.1938320 0.234367546
Inflacion 3 0.718588143 2.8642950 0.004759064
Inflacion 4 -0.302286151 -1.2870100 0.200009433
Tasas 1 0.591049614 6.9284780 1.07103E-10
Tasas 2 0.169353203 1.7685850 0.078930137
Tasas 3 0.180171717 1.9607170 0.051704494
Tasas 4 -0.059744121 -0.7435526 0.458272806
Constante - -0.775957626 -2.1902290 0.030001786
3.1.2.3. Implementacion del Modelo BVAR Schorfheide
En esta seccion se muestran los resultados del BVAR Schorfheide. En las siguientes tablas
se presenta el ajuste realizado para cada ecuacion del modelo.
35
variable dependiente Producto
R2 0.20591
N de variables 13
N de observaciones 156
Variable Rezago coef. t-estadıstico p-valor
Producto 1 0.28439 3.2207 0.0015831
Producto 2 0.26701 2.9526 0.0036849
Producto 3 0.083175 0.89399 0.37283
Producto 4 0.099294 1.1666 0.24531
Inflacion 1 -0.0067634 -0.034333 0.97266
Inflacion 2 0.16704 0.79776 0.42633
Inflacion 3 -0.16625 -0.80766 0.42063
Inflacion 4 -0.022333 -0.11101 0.91177
Tasas 1 -0.18724 -2.984 0.0033472
Tasas 2 -0.026329 -0.36896 0.71271
Tasas 3 0.1695 2.4054 0.017431
Tasas 4 0.056211 0.88027 0.38019
Constante - 0.10929 0.41234 0.68071
36
variable dependiente Inflacion
R2 0.70872
N de variables 13
N de observaciones 156
Variable Rezago coef. t-estadıstico p-valor
Producto 1 0.093263 1.9978 0.04763
Producto 2 -0.035997 -0.7529 0.45273
Producto 3 0.086346 1.7555 0.081318
Producto 4 0.053897 1.1978 0.23298
Inflacion 1 0.19802 1.9014 0.059267
Inflacion 2 0.44744 4.0421 8.62E-01
Inflacion 3 0.1614 1.4831 0.14024
Inflacion 4 0.060141 0.5654 0.57266
Tasas 1 0.073704 2.2218 0.027871
Tasas 2 -0.058485 -1.5503 0.12329
Tasas 3 -0.015989 -0.4292 0.66841
Tasas 4 0.014494 0.4293 0.66833
Constante - -0.12292 -0.8772 0.38184
37
variable dependiente Tasas
R2 0.87065
N de variables 13
N de observaciones 156
Variable Rezago coef. t-estadıstico p-valor
Producto 1 0.46014 3.43640 0.00077212
Producto 2 0.043298 0.31573 0.75267
Producto 3 0.12222 0.86625 0.3878
Producto 4 0.1396 1.08150 0.28128
Inflacion 1 0.12544 0.41991 0.67518
Inflacion 2 0.040989 0.12909 0.89747
Inflacion 3 0.66641 2.13480 0.034481
Inflacion 4 -0.036702 -0.12030 0.90442
Tasas 1 0.65945 6.93010 1.33E-06
Tasas 2 0.11258 1.04040 0.29993
Tasas 3 0.11677 1.09280 0.27633
Tasas 4 -0.076063 -0.78549 0.43347
Constante - -0.19926 -0.49572 0.62085
Al comparar los coeficientes estimados mediante el BVAR de Litterman, BVAR Schorfhei-
de con los coeficientes del VAR, se observa que son similares, ademas, los coeficientes de las
variables diferentes a la variable dependiente son cercanos a cero. Por otra parte, el coeficiente
de determinacion R2 siempre es mayor en el modelo VAR.
3.1.2.4. Desempeno predictivo de los modelos
En esta seccion se presenta la comparacion del desempeno predictivo de los modelos VAR
frecuentista, BVAR de Del Negro y Schorfheide y el BVAR de Litterman, a diferentes horizontes
para el producto, inflacion y tasas de interes, para el caso de la data de EEUU usando el error
38
medio cuadratico (emc). Por otra parte, es importante destacar cual es el valor de λ que se
emplea, para ello, veamos la siguiente tabla,
Modelos λ Media Armonica
Modelo 1 0.2 2.8267 × 10−28
Modelo 2 0.4 5.7061 × 10−21
Modelo 3 0.3 1.167 × 10−22
Modelo 4 0.25 1.8307 × 10−23
Modelo 5 0.45 3.9373 × 10−24
Modelo 6 0.5 1.4738 × 10−24
Al aplicar la media armonica a los seis modelos mostrados anteriormente se obtuvo que el λ
con mayor densidad en la data es λ = 0.4.
Produccion (PIB)
Antes de presentar las predicciones, veamos el grafico de los datos reales de la variable produccion.
39
El siguiente grafico se muestran las predicciones realizadas al producto.
En la grafica anterior se observa que:
1. El comportamiento del VAR frecuentista es similar al BVAR de Litterman.
2. Los tres modelos no logran capturar la tendencia de la serie observada, sin embargo, el
modelo BVAR Schorfheide se aproxima a la observacion a dos pasos.
En la siguiente tabla se presenta los emc a diferentes horizontes de prediccion para el BVAR
de Schorfheide, BVAR Litterman y VAR frecuentista.
40
Pasos BVAR Schorfheide BVAR Litterman VAR Frecuentista
1 0.734399 0.567623587 0.591989082
2 0.014556 0.12058251 0.125575827
3 0.062555 0.006014977 0.005155639
4 0.090359 0.19631715 0.191371402
5 0.037547 0.107933904 0.107561869
6 0.119836 0.221489736 0.221988793
7 0.170848 0.270977765 0.271498994
8 0.071334 0.134388875 0.134376422
En las siguientes tablas se presentan una comparacion, especıficamente en el porcentaje de
mejora a cada paso entre el BVAR Schorfheide - BVAR Litterman y BVAR Schorfheide - VAR
frecuentista.
BVAR Schorfheide BVAR Litterman Mejoras
0.7344 0.5676 -29 %
0.0146 0.1206 88 %
0.0626 0.0060 -940 %
0.0904 0.1963 54 %
0.0375 0.1079 65 %
0.1198 0.2215 46 %
0.1708 0.2710 37 %
0.0713 0.1344 47 %
41
BVAR Schorfheide VAR Frecuentista Mejoras
0.73439942 0.591989082 -24 %
0.014555998 0.125575827 88 %
0.062555456 0.005155639 -1113 %
0.090359311 0.191371402 53 %
0.037547393 0.107561869 65 %
0.119835507 0.221988793 46 %
0.170847629 0.271498994 37 %
0.071334315 0.134376422 47 %
Observamos en las tablas anteriores que el modelo que minimiza el emc es el BVAR de
Schorfheide, especificamente seis pasos mejora con respecto al BVAR Litterman y el VAR Fre-
cuentista.
Precios
El grafico muestra los datos reales para los precios.
42
Inflacion
El siguiente grafico se muestran las predicciones realizadas a la inflacion versus las observa-
ciones.
Con respecto al grafico anterior es importante senalar varios aspectos.
1. Al igual que en el grafico de la produccion el comportamiento del VAR frecuentista es
similar al BVAR bayesiano.
2. El modelo BVAR Schofheide se aproxima a las observaciones, especificamente a uno, tres
y cinco pasos.
En la siguiente tabla se presenta los emc a diferentes horizontes de prediccion para el BVAR
de Schorfheide, BVAR Litterman y VAR frecuentista.
43
Pasos BVAR Schorfheide BVAR Litterman VAR Frecuentista
1 0.000662 0.003341218 0.002023071
2 0.079766 0.050937133 0.051826581
3 0.000333 0.002429984 0.00173032
4 0.004529 0.000161226 0.000052
5 0.000099 0.003068368 0.00293295
6 0.016443 0.002464544 0.002837716
7 0.000087 0.006535544 0.006866534
8 0.035284 0.08130212 0.08098023
En la tabla anterior observamos el modelo BVAR Schorfheide en cinco pasos minimiza el
emc, por su parte el BVAR Litterman lo minimiza en dos pasos, sin embargo, de manera global
el BVAR Schorfheide es el modelo que minimiza el emc.
En las siguientes tablas se presentan una comparacion especıficamente en el porcentaje de
mejora entre el BVAR Schorfheide - BVAR Litterman y BVAR Schorfheide - VAR Frecuentista.
BVAR Schorfheide BVAR Litterman Mejoras
0.0007 0.0033 80 %
0.0798 0.0509 -57 %
0.0003 0.0024 86 %
0.0045 0.0002 -2709 %
0.0001 0.0031 97 %
0.0164 0.0025 -567 %
0.0001 0.0065 99 %
0.0353 0.0813 57 %
44
BVAR Schorfheide VAR Frecuentista Mejoras
0.0007 0.0020 67 %
0.0798 0.0518 -54 %
0.0003 0.0017 81 %
0.0045 0.0001 -8679 %
0.0001 0.0029 97 %
0.0164 0.0028 -479 %
0.0001 0.0069 99 %
0.0353 0.0810 56 %
Observamos en las tablas anteriores que el modelo que minimiza el emc es el BVAR de
Schorfheide, especificamente cinco pasos mejora con respecto al BVAR Litterman y el VAR
Frecuentista.
Tasas de Interes
Antes de presentar las predicciones, veamos el grafico de los datos reales de la variable tasas
de interes.
El siguiente grafico se muestran las predicciones realizadas a las tasas de interes, versus las
45
observaciones.
Con referencia al grafico anterior es importante senalar varios puntos.
1. Al igual que en el grafico de la produccion el comportamiento del var frecuentista es similar
al BVAR bayesiano
2. El modelo de BVAR Schofheide se aproxima a las observaciones especificamente los dos
primeros pasos.
En la siguiente tabla se presenta los emc a diferentes horizontes de prediccion para el BVAR
de Schorfheide, BVAR Litterman y VAR frecuentista
46
Pasos BVAR Schorfheide BVAR Litterman VAR Frecuentista
1 0.031465 0.212584102 0.270593176
2 0.082361 0.149846416 0.149795456
3 0.272058 0.282520389 0.278946746
4 0.461856 0.49866035 0.504386599
5 0.391461 0.30846908 0.304454886
6 0.127662 0.061641076 0.065554345
7 0.010969 0.067143841 0.067411344
8 0.198480 0.418770352 0.418999574
En la tabla anterior observamos el modelo BVAR Schorfheide en seis pasos minimiza el emc,
por su parte el BVAR Litterman lo minimiza en un paso al igual que el var frecuentista, sin
embargo, de manera global el BVAR Schorfheide es el modelo que minimiza el emc.
En las siguientes tablas se presentan una comparacion especıficamente en el porcentaje de
mejora entre el BVAR Schorfheide - BVAR Litterman y BVAR Schorfheide - VAR Frecuentista.
BVAR Schorfheide BVAR Litterman Mejoras
0.0315 0.2126 85 %
0.0824 0.1498 45 %
0.2721 0.2825 4 %
0.4619 0.4987 7 %
0.3915 0.3085 -27 %
0.1277 0.0616 -107 %
0.0110 0.0671 84 %
0.1985 0.4188 53 %
47
BVAR Schorfheide VAR Frecuentista Mejoras
0.0315 0.2706 88 %
0.0824 0.1498 45 %
0.2721 0.2789 2 %
0.4619 0.5044 8 %
0.3915 0.3045 -29 %
0.1277 0.0656 -95 %
0.0110 0.0674 84 %
0.1985 0.4190 53 %
Observamos en las tablas anteriores que el modelo que minimiza el emc es el BVAR de
Schorfheide, especificamente seis pasos de mejora con respecto al BVAR Litterman y el VAR
Frecuentista.
En general, al realizar las predicciones a diferentes pasos para cada uno de los modelos, se
observa que el modelo que minimiza el emc es el BVAR Schorfheide, es decir, tiene un buen
desempeno predictivo.
3.1.3. Data Venezolana
Para la data de Venezuela, se disponen de datos trimestrales desde el segundo trimestre
del ano 1985 hasta junio del ano 2008, con un total de 93 observaciones. Los modelos seran
estimados tomando en consideracion los datos hasta el ano 2006 y se realizaran predicciones
hasta el ano 2008.
3.1.3.1. Implementacion del Modelo VAR reducido
Veamos la estimacion del modelo para el caso Venezolano.
48
variable dependiente Producto
R2 0.4559
N de variables 13
N de observaciones 81
Variable Rezago coef. t-estadıstico p-valor
Producto 1 -0.345324301 -3.287647 0.001601151
Producto 2 -0.237521972 -2.079006 0.041391476
Producto 3 -0.140157595 -1.223920 0.225206339
Producto 4 0.479515514 4.387339 4.09294E-05
Inflacion 1 -0.160124003 -0.878792 0.382608952
Inflacion 2 -0.099381456 -0.452355 0.652453252
Inflacion 3 0.163314324 0.746654 0.457846201
Inflacion 4 0.140571857 0.791323 0.431506914
Tasas 1 -0.031436504 -1.254754 0.213863594
Tasas 2 0.016679081 0.492220 0.624149387
Tasas 3 -0.036612555 -1.082001 0.283074164
Tasas 4 0.037937437 1.527385 0.131303573
Constante - 0.044432976 1.132315 0.26147901
49
variable dependiente Inflacion
R2 0.5655
N de variables 13
N de observaciones 81
Variable Rezago coef. t-estadıstico p-valor
Producto 1 -0.052385691 -0.7363578 0.464045752
Producto 2 0.089125515 1.1517870 0.253442143
Producto 3 0.051830948 0.6682572 0.506231497
Producto 4 0.014115307 0.1906808 0.849343795
Inflacion 1 0.773191831 6.2652010 2.90808E-08
Inflacion 2 0.067687438 0.4548833 0.650642122
Inflacion 3 -0.337402002 -2.2775140 0.025904889
Inflacion 4 0.214706355 1.7845090 0.078801769
Tasas 1 -0.006739948 -0.3971907 0.692470829
Tasas 2 0.015730152 0.6853905 0.495427508
Tasas 3 -0.007355114 -0.3209262 0.749250536
Tasas 4 0.002812446 0.1671795 0.867724996
Constante - 0.007549391 0.2840481 0.777236619
50
variable dependiente Tasas
R2 0.8031
N de variables 13
N de observaciones 81
Variable Rezago coef. t-estadıstico p-valor
Producto 1 0.67736638 1.2817460 0.204284944
Producto 2 0.491058405 0.8542900 0.395943973
Producto 3 0.526337766 0.9135264 0.364193494
Producto 4 0.621808369 1.1307730 0.262123182
Inflacion 1 0.75129045 0.8195165 0.415354957
Inflacion 2 -0.199844244 -0.1807947 0.85706649
Inflacion 3 -0.279196644 -0.2537030 0.800490534
Inflacion 4 0.142560255 0.1595050 0.873743851
Tasas 1 0.894987695 7.1000540 9.36516E-10
Tasas 2 0.170577342 1.0005260 0.320602942
Tasas 3 -0.171163425 -1.0053770 0.318279638
Tasas 4 -0.030113533 -0.2409698 0.810303605
Constante - 0.365450717 1.8510190 0.068510093
3.1.3.2. Implementacion del Modelo BVAR Litterman
Al igual que en la seccion 1.3 los hiperparametros con los cuales se realizo la estimacion del
modelo son los siguientes: θ0 = 0.1
θ1 = 1
θ2 = 0.5
En las siguientes tablas se presenta el ajuste realizado para cada ecuacion del modelo.
51
variable dependiente Produccion
R2 0.4413
N de variables 13
N de observaciones 81
Variable Rezago coef. t-estadıstico p-valor
Producto 1 -0.342109241 -3.597651 0.000554435
Producto 2 -0.229369457 -2.288275 0.024760798
Producto 3 -0.137735751 -1.425104 0.158017126
Producto 4 0.392721966 4.401738 3.28731E-05
Inflacion 1 -0.162423969 -1.056361 0.29398302
Inflacion 2 -0.018592859 -0.114112 0.909435248
Inflacion 3 0.075671465 0.554384 0.580862769
Inflacion 4 0.108192671 0.983451 0.328350461
Tasas 1 -0.031645483 -1.546841 0.12584854
Tasas 2 0.007569638 0.315719 0.753038118
Tasas 3 -0.006790929 -0.351990 0.725771591
Tasas 4 0.015794021 1.087369 0.280138821
Constante - 0.052927033 1.501483 0.137167671
52
variable dependiente Inflacion
R2 0.5618
N de variables 13
N de observaciones 81
Variable Rezago coef. t-estadıstico p-valor
Producto 1 -0.06381846 -1.053049 0.295488808
Producto 2 0.065695993 1.089970 0.278998832
Producto 3 0.030191235 0.556111 0.579686768
Producto 4 0.0047815 0.100567 0.92014585
Inflacion 1 0.759526448 6.950432 8.83405E-10
Inflacion 2 0.048365742 0.385262 0.701065993
Inflacion 3 -0.265480548 -2.287563 0.024804291
Inflacion 4 0.157041876 1.647267 0.1034258
Tasas 1 -0.004060343 -0.295156 0.768639398
Tasas 2 0.009262123 0.574209 0.567437465
Tasas 3 -0.003300319 -0.253873 0.800245004
Tasas 4 0.002159503 0.220419 0.826106205
Constante - 0.010498942 0.451940 0.652535264
53
variable dependiente Tasas
R2 0.8014
N de variables 13
N de observaciones 81
Variable Rezago coef. t-estadıstico p-valor
Producto 1 0.484539905 1.0755170 0.285376181
Producto 2 0.24702824 0.5501002 0.583783312
Producto 3 0.251031137 0.6236147 0.534654722
Producto 4 0.283855745 0.8058494 0.422718602
Inflacion 1 0.636589807 0.8271389 0.41061874
Inflacion 2 -0.16273467 -0.1995899 0.842307753
Inflacion 3 -0.239982234 -0.3518998 0.725838669
Inflacion 4 0.053412309 0.0970557 0.922924888
Tasas 1 0.911513476 8.1853300 3.503E-12
Tasas 2 0.122797018 0.8590709 0.392868257
Tasas 3 -0.141019026 -1.0901780 0.278907509
Tasas 4 -0.037382014 -0.3905061 0.697200238
Constante - 0.40626412 2.3218120 0.022787594
3.1.3.3. Implementacion del Modelo BVAR Schorfheide
En esta seccion se implementa un BVAR Schorfheide. En las siguientes tablas se presenta el
ajuste realizado para cada ecuacion del modelo.
54
variable dependiente Producto
R2 0.080074
N de variables 13
N de observaciones 81
Variable Rezago coef. t-estadıstico p-valor
Producto 1 0.095605 0.7000 0.48631
Producto 2 0.12175 0.8196 0.41531
Producto 3 -0.21602 -1.4507 0.15145
Producto 4 0.22481 1.5819 0.11832
Inflacion 1 0.034204 0.1444 0.88564
Inflacion 2 -0.1579 -0.5528 0.58224
Inflacion 3 -0.058073 -0.2042 0.83882
Inflacion 4 0.026018 0.1126 0.91065
Tasas 1 -0.027573 -0.8464 0.40029
Tasas 2 0.016019 0.3636 0.7173
Tasas 3 0.012302 0.2796 0.78063
Tasas 4 0.0055497 0.1718 0.86408
Constante - -0.003175 -0.0622 0.95057
55
variable dependiente Inflacion
R2 0.24824
N de variables 13
N de observaciones 81
Variable Rezago coef. t-estadıstico p-valor
Producto 1 -0.038998 -0.4167 0.67818
Producto 2 -0.021113 -0.2074 0.83629
Producto 3 0.2849 2.7925 6.78E-03
Producto 4 0.10388 1.0668 0.28982
Inflacion 1 0.041723 0.2570 0.79794
Inflacion 2 0.37832 1.9329 5.74E-02
Inflacion 3 -0.023907 -0.1227 0.90272
Inflacion 4 0.0045967 0.0290 0.97691
Tasas 1 0.021189 0.9493 0.34584
Tasas 2 -0.012216 -0.4047 0.687
Tasas 3 -0.0030485 -0.1011 0.91975
Tasas 4 0.0097966 0.4427 0.65938
Constante - -0.0036968 -0.1057 0.9161
56
variable dependiente Tasas
R2 .72495
N de variables 13
N de observaciones 81
Variable Rezago coef. t-estadıstico p-valor
Producto 1 1.1156 1.78620 0.07853
Producto 2 -0.019916 -0.02932 0.9767
Producto 3 10,533 1.54680 0.12656
Producto 4 0.60615 0.93267 0.35429
Inflacion 1 -0.048844 -0.04508 0.96417
Inflacion 2 -0.34139 -0.26132 0.79463
Inflacion 3 -0.13005 -0.09999 0.92065
Inflacion 4 0.010546 0.00998 0.99206
Tasas 1 0.76784 5.15400 2.38E-02
Tasas 2 0.052529 0.26070 0.79511
Tasas 3 0.070731 0.35153 0.72628
Tasas 4 0.11791 0.79835 0.42745
Constante - -0.054948 -0.23549 0.81454
Al efectuar la comparacion de los coeficientes estimados mediante el BVAR de Litterman,
BVAR Shorfheide, con los coeficientes del VAR, se observa que son similares, ademas, los coefi-
cientes de las variables diferentes a la variable dependiente son cercanos a cero. Por otra parte,
el coeficiente de determinacion R2 siempre es mayor en el modelo VAR.
3.1.3.4. Desempeno predictivo de los modelos
En esta seccion se presentara las diferencias en cuanto al desempeno predictivo de los modelos
var frecuentistas, BVAR y BVAR (Litterman), a diferentes horizontes para el producto, inflacion
y tasas de interes, para la de Venezuela. Esta comparacion se hara haciendo enfasis en el error
cuadratico medio (ecm).
57
Por otra parte, es importante senalar los valores de λ que se emplean para cada variable
estudiada produccion, inflacion y tasas, especıficamente λ = 0.09, λ = 0.024 y λ = 2.8 respecti-
vamente.
Produccion (PIB)
Antes de presentar las predicciones, veamos el grafico de los datos reales de la variable pro-
duccion.
El siguiente grafico se muestran las predicciones realizadas al producto versus las observa-
ciones.
58
Con respecto a la grafica anterior se senalara varias cosas.
1. Las prediccion de los tres modelos captura la tendencia de la serie observada, sin embargo,
no logran capturar la magnitud de los picos, salvo la prediccion a cuatro pasos en la que
los tres modelos se aproximan a la observacion.
En la siguiente tabla se presenta los emc a diferentes horizontes de prediccion para el BVAR
de Schorfheide, BVAR Litterman y VAR frecuentista.
Pasos BVAR Schorfheide BVAR Litterman VAR Frecuentista
1 0.002790683 0.000822775 0.000815536
2 0.000532552 0.001387553 0.001287144
3 0.001579257 0.001338943 0.000881544
4 0.000130717 6.00641E-05 3.07644E-05
5 0.001093866 0.000563709 0.000580148
6 0.000443967 0.000774388 0.000759604
7 0.002330535 0.002245457 0.001805203
8 0.000390152 0.000312869 0.000215717
59
En las siguientes tablas se presentan una comparacion especıficamente en el porcentaje de
mejora entre el BVAR Schorfheide - BVAR Litterman y BVAR Schorfheide - Var Frecuentista.
BVAR Schorfheide BVAR Litterman Mejoras
0.002790683 0.000822775 -239 %
0.000532552 0.001387553 62 %
0.001579257 0.001338943 -18 %
0.000130717 0.000060064096435 -118 %
0.001093866 0.000563709 -94 %
0.000443967 0.000774388 43 %
0.002330535 0.002245457 -4 %
0.000390152 0.000312869 -25 %
BVAR Schorfheide VAR Frecuentista Mejoras
0.002790683 0.000815536 -242 %
0.000532552 0.001287144 59 %
0.001579257 0.000881544 -79 %
0.000130717 0.000030764362710 -325 %
0.001093866 0.000580148 -89 %
0.000443967 0.000759604 42 %
0.002330535 0.001805203 -29 %
0.000390152 0.000215717 -81 %
Observamos en las tablas anteriores que el modelo que minimiza el EMC es el VAR Fre-
cuentista. El modelo BVAR Schorfheide no tiene un buen desempeno predictivo.
60
Precios
El grafico muestra los datos reales para los precios.
Inflacion
El siguiente grafico se muestran las predicciones realizadas a la inflacion versus las observa-
ciones.
Con respecto a la grafica anterior se senalara varias cosas.
61
1. El comportamiento del VAR frecuentista tiene un comportamiento analogo al BVAR
bayesiano.
2. El modelo BVAR Schorfheide se aproxima a las observaciones especificamente a uno y a
dos pasos.
En la siguiente tabla se presenta los emc a diferentes horizontes de prediccion para el BVAR
de Schorfheide, BVAR Litterman y VAR frecuentista.
Pasos BVAR Schorfheide BVAR Litterman VAR Frecuentista
1 0.000132466 0.000511253 0.000556081
2 1.12312E-05 0.000119504 0.00010753
3 0.000280285 0.00029206 0.000258868
4 4.41302E-05 8.27899E-05 8.50407E-05
5 0.000298335 0.000210023 0.000178373
6 0.000254682 0.000193322 0.000218064
7 2.98326E-05 2.50044E-05 3.70985E-05
8 7.48786E-06 1.11808E-07 2.05384E-07
En las siguientes tablas se presentan una comparacion especıficamente en el porcentaje de
mejora entre el BVAR Schorfheide - BVAR Litterman y BVAR Schorfheide - VAR Frecuentista.
62
BVAR Schorfheide BVAR Litterman Mejoras
0.000132466 0.000511253 74 %
0.00001123116482 0.000119504 91 %
0.000280285 0.00029206 4 %
0.000044130196188 0.000082789927093 47 %
0.000298335 0.000210023 -42 %
0.000254682 0.000193322 -32 %
0.00002983258903 0.000025004437030 -19 %
0.00000748786005 0.00000011180835 -6597 %
BVAR Schorfheide VAR Frecuentista Mejoras
0.000132466 0.000556081 76.18 %
0.000011231164821 0.00010753 89.56 %
0.000280285 0.000258868 -8.27 %
0.000044130196188 0.000085040744917 48.11 %
0.000298335 0.000178373 -67.25 %
0.000254682 0.000218064 -16.79 %
0.00002983258903 0.000037098509114 19.59 %
0.00000748786005 0.000000205384118 -3545.78 %
En las tablas anteriores observamos que el modelo BVAR Schorfheide al igual que el VAR
frecuentista minimiza el emc en cuatro pasos.
63
Tasas de Interes
Antes de presentar las predicciones, veamos el grafico de los datos reales de la variable tasas
de interes.
El siguiente grafico se muestran las predicciones realizadas a las tasas de interes versus las
observaciones.
64
Con respecto al grafico es importante senalar varios aspectos.
1. Al igual que la variable inflacion el comportamiento del var frecuentista tiene un compor-
tamiento analogo al BVAR bayesiano.
2. El modelo BVAR Schorfheide se aproxima a las observaciones especificamente a dos, a
tres y cuatro pasos.
En la siguiente tabla se presenta los emc a diferentes horizontes de prediccion para el BVAR
de Schorfheide, BVAR Litterman y VAR frecuentista.
Pasos BVAR Schorfheide BVAR Litterman VAR Frecuentista
1 0.014753551 0.009776647 0.011169841
2 0.019278642 0.023830927 0.025326173
3 0.022126834 0.031663189 0.029906861
4 0.024469374 0.037530727 0.036952769
5 0.019174829 0.030041389 0.028888061
6 0.018270548 0.031139086 0.028944256
7 0.00235321 0.008028705 0.005971765
8 0.000949434 0.000150039 1.20069E-06
En la tabla anterior observamos que que el modelo BVAR Schorfheide minimiza el emc en
seis pasos.
En las siguientes tablas se presentan una comparacion especıficamente en el porcentaje de
mejora entre el BVAR Schorfheide - BVAR Litterman y BVAR Schorfheide - VAR Frecuentista.
65
BVAR Schorfheide BVAR Litterman Mejoras
0.014753551 0.009776647 -51 %
0.019278642 0.023830927 19 %
0.022126834 0.031663189 30 %
0.024469374 0.037530727 35 %
0.019174829 0.030041389 36 %
0.018270548 0.031139086 41 %
0.00235321 0.008028705 71 %
0.000949434 0.000150039 -533 %
BVAR Schorfheide VAR Frecuentista Mejoras
0.014753551 0.011169841 -32 %
0.019278642 0.025326173 24 %
0.022126834 0.029906861 26 %
0.024469374 0.036952769 34 %
0.019174829 0.028888061 34 %
0.018270548 0.028944256 37 %
0.00235321 0.005971765 61 %
0.000949434 0.000001200687627 -78974 %
Observamos en las dos tablas anteriores que el modelo BVAR Schorfheide tiene una mejora
en seis pasos con respecto al BVAR Litterman y el VAR Frecuentista.
En general, al realizar las predicciones a diferentes pasos para cada uno de los modelos, se
observa que el modelo BVAR Schorfheide no tiene un buen desempeno predictivo en comparacion
a los otros modelos y esto se evidencia en los errores medio cuadratico.
66
Consideraciones Finales
En los resultados de la implementacion de los tres modelos, se tiene que para el caso de la
data de EEUU, el modelo BVAR Schorfheide tiene un buen desempeno predictivo en contraste
con el BVAR de Litterman y el VAR frecuentista. Sin embargo, para la data Venezolana no
ocurre de forma similar y esto se evidencio cuando se determino el error medio cuadratico (emc)
a diferentes pasos para cada modelo estudiado.
El modelo estocastico de equilibro general (MEEG) considerado en este trabajo no es adecua-
do para la economıa Venezolana, una de las posibles causas, es porque se trabaja con un modelo
pequeno (tiene tres variables, con tres shocks), ademas, al observar los graficos de las variables
reales, se puede evidenciar que el comportamiento de la economıa en Venezuela es muy diferente
a la economıa de EEUU. Por ello el MEEG que se debe implementar debe estar adaptado a
las caracterısticas propias de la economıa de Venezuela, en este sentido para explicar mejor la
economıa sera necesario incluir mas variables que no han sido estudiadas en este trabajo.
67
Referencias
[1] F.C. Ballabriga, A. Gonzalez, L. Julian, and J. Jareno Morago. Un modelo macroeconomico
Bvar para la economıa espanola: metodologıa y resultados. Estudios economicos, ISSN
0213, 2699(64):1–125, 1998.
[2] D. Barraez, Bolıvar W., and Cartaya V. Metodos Bayesianos para la prediccion de variables
macroeconomicas en Venezuela. Revista BCV, XXII(2):146–168, 2008.
[3] W. Bolıvar. Prediccion de variables macroeconomicas mediante VAR bayesianos: una apli-
cacion al caso venezolano. Tesis de Maestrıa, Postgrado en Modelos Aleatorios,Universidad
Central de Venezuela, 2007.
[4] M. Del Negro and F. Schorfheide. Priors from General Equilibrium Models for VARS.
International Economic Review, 45(2):643–673, 2004.
[5] T. Doan, R. Litterman, and C. Sims. Forecasting and conditional projection using realistic
prior distributions. Federal Reserve Bank of Minneapolis, report 93, 1986.
[6] A. Gelfand and D. Dey. Bayesian Model Choice: Asymptotics and Exact Calculations.
Journal of the Royal Statistical Society Series B, 5(56):501–514, 1994.
[7] J. Geweke. Using simulation methods for bayesian econometric models: inference, develop-
ment, and communication. Technical report, 1998.
[8] R.B. Litterman. Techniques of Forecasting Using Vector Autoregressions. 1981.
[9] H. Lutkepohl. New Introduction to Multiple Time Series Analysis. Springer, 2005.
68
[10] N. Metropolis and S. Ulam. The Monte Carlo method. Journal of the American Statistical
Association, 44(247):335–41, 1949.
[11] C. Sims. Macroeconomics and Reality. Econometrica, 48(1), 1980.
[12] C. Sims. Solving Linear Rational Expectations Models. Computational Economics, 20(1):1–
20, 2002.
[13] A. Zellner. An Introduction to Bayesian Inference in Econometrics. New York, John Wiley
y Sons, 1971.
69
Apendice A
Algoritmo de C. Sims
El algoritmo de Sims [12] presenta una solucion robusta en terminos computacionales para los
modelos lineales con expectativas racionales, basados en la descomposicion de Schur. Cualquier
modelo con expectativas racionales, sea discreto o continuo puede ser resuelto empleando este
algoritmo. El modelo tiene la siguiente forma,
Γ0y(t) = Γ1y(t− 1) + C + Ψz(t) + Πη(t),
con t = 1, ..., T , C es un vector de constantes, z(t) es la variable exogena, η(t) es el error de
expectativas que sastisface Et[η(t+ 1)] = 0
En el caso de este trabajo el sistema de expectativas racionales esta dado por las ecuaciones
(1.11), (1.13), (1.15) - (1.17) (presentadas en el capıtulo I). Este sistema de ecuaciones puede
ser reescrito como,
Γ0(θ)st = Γ1(θ)st−1 + C + Ψ(θ)zt + Π(θ)ηt,
donde,
s′t = (xt, πt, Rt, R∗, gt, zt,E[xt+1],E[πt+1]).
ε′t = (εR,t, εg,t, εz,t).
η′t = (xt − Et−1(xt), πt − Et−1(πt)).
Las matrices estan dadas por,
70
Γ0 =
1 0 1/τ 0 −(1− ρg) −ρz/τ −1 −1/τ
−κ 1 0 0 κ 0 0 −β
0 0 1 −(1− ρR) 0 0 0 0
−ψ2 −ψ1 0 1 0 0 0 0
0 0 0 0 1 0 0 0
0 0 0 0 0 1 0 0
1 0 0 0 0 0 0 0
0 1 0 0 0 0 0 0
,
Γ1 =
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 ρR 0 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 ρg 0 0 0
0 0 0 0 0 ρz 0 0
0 0 0 0 0 0 1 0
0 0 0 0 0 0 0 1
, C =
0
0
0
0
0
0
0
0
, Ψ =
0 0 0
0 0 0
1 0 0
0 0 0
0 1 0
0 0 1
0 0 0
0 0 0
, Π =
0 0
0 0
0 0
0 0
0 0
0 0
1 0
0 1
.
Al resolver el sistema por medio del algoritmo de Sims, nos conduce a la ecuacion de transicion
(2.16) expuesta en el capıtulo III,
st = T (θ)st−1 +R(θ)εt, (A.1)
La ecuacion de medida de (2.17) puede escribirse de forma apilada de la siguiente forma,
yt = Z(θ)st +D(θ) + νt. (A.2)
En la implementacion νt es cero. Las matrices T y R son obtenidas por medio del algoritmo
de Sims, el vector de espacios de estados es aumentado con “xt−1”, es decir,
s′t = (xt, πt, Rt, R∗, gt, zt,E[xt+1],E[πt+1], xt−1).
71
y las matrices Z, D son de la siguiente forma,
Z =
1 0 0 0 0 1 0 0 1
0 1 0 0 0 0 0 0 0
0 0 4 0 0 0 0 0 0
, D =
lnγ
lnπ∗
4lnR∗
,
donde, lnR∗ = lnr∗ + lnπ∗
Verifiquemos que yt = Z(θ)st +D(θ) es igual a las ecuaciones (1.18).
∆lnXt
∆lnPt
lnRat
=
1 0 0 0 0 1 0 0 1
0 1 0 0 0 0 0 0 0
0 0 4 0 0 0 0 0 0
×
xt
πt
Rt
R∗
gt
zt
E[xt+1]
E[πt+1]
xt−1
+
lnγ
lnπ∗
4lnR∗
∆lnXt
∆lnPt
lnRat
=
lnγ + ∆xt + zt
lnπ∗ + πt
4[Rt + lnr∗ + lnπ∗]
. (A.3)
Observamos que la ecuacion (A.3), es igual a la ecuacion (1.18).
72
Apendice B
Programas en matlab
Para implementar el modelo BVAR del Negro y Shorfheide [4], se realizaron un conjunto de
programas en MATLAB1 version 7.0. Estos programas realizan lo siguiente: procesamiento de
los datos, implementacion del modelo, densidad a priori, calculo de la verosimilitud y la densidad
a posteriori. Ademas, se realizan predicciones y se comparan el desempeno de los modelos.
Se describira a continuacion los programas.
1. procesamiento data.m Lee los datos desde Excel (con el comando “xslread”) y los
procesa para introducirlos en el modelo. Las salidas estan dadas de la siguiente manera:
Salida de la funcion
∆lnXt Primera diferencia del Producto
∆lnPt Primera diferencia de los Precios
lnRat Logaritmo de las Tasas Anualizadas
2. modelo.m Funcion donde esta el vector de parametros del MEEG y las matrices prove-
nientes del sistema de expectativas racionales dado por las ecuaciones (1.11), (1.13),
(1.15) - (1.17)
3. priori.m Donde esta la densidad a priori de los parametros
4. verosimilitud.m Calcula la funcion de verosimilitud
1Matlab c©1984-2008 es marca registrada de MathWorks, Inc.
73
5. posterior.m Calcula la densidad posterior de los parametros.
6. fgeweke.m funcion propuesta por Geweke [7] para calcular la funcion de verosimilitud
marginal.
7. marginalmodificado.m Calcula el tamano de λ para el cual tiene la mayor densidad de
los datos. Para ello utilizamos fgeweke.m
8. prediccionpib.m Realiza la prediccion del producto para los tres modelos (BVAR Schorfhei-
de, BVAR Litterman, VAR frecuentista)
9. prediccioninflacion.m Realiza la prediccion de la inflacion para los tres modelos
10. predicciontasas.m Realiza la prediccion de las tasas para los tres modelos
Para las funciones prediccionpib, prediccioninflacion y predicciontasas sus entradas y salidas
son las siguientes:
Entrada de la funcion
datos Observaciones con las cuales se estima el modelo
nfor Horizonte de prediccion
nlag Numero de rezagos del modelo
lambda El valor de λ
nobs Numero de observaciones del modelo
Salida de la funcion
fcasts Prediccion
emc El Error Medio Cuadratico
74
Apendice C
Graficos de las Simulaciones
C.1. Data EEUU
Figura C.1: Simulaciones de los parametros 1 (data EEUU)
75
Figura C.2: Simulaciones de los parametros 2 (data EEUU)
76
Figura C.3: Simulaciones de las autocorrelaciones (data EEUU)
77
Figura C.4: Simulaciones de los shocks (data EEUU)
C.2. Data Venezolana
78
Figura C.5: Simulaciones de los parametros 1(data Venezolana)
79
Figura C.6: Simulaciones de los parametros 2 (data Venezolana)
Figura C.7: Simulaciones de las autocorrelaciones (data Venezolana)
80
Figura C.8: Simulaciones de los shocks (data Venezolana)
81