Baixe o app para aproveitar ainda mais
Prévia do material em texto
AULA 6 - VETOR AUTOREGRESSIVO (VAR) Susan Schommer Econometria III - IE/UFRJ Resposta ao impulso I Uma vez que tenhamos decidido sobre um modelo VAR final, seus valores estimados de parâmetros devem ser interpretados. I Como todas as variáveis em um modelo VAR dependem uma da outra, os valores individuais dos parâmetros fornecem apenas informações limitadas sobre a reação do sistema a um choque. I Para obter uma melhor intuição do comportamento dinâmico do modelo, são usadas respostas ao impulso (IR). I Elas dão a reação de uma variável de resposta a um choque de uma variável de impulso. I A trajetória da variável de resposta pode ser plotada, o que resulta nas curvas onduladas que podem ser encontradas em muitos documentos macro. Resposta ao impulso I O modelo VAR não permite identificar todos os parâmetros da forma estrutural, a não ser que se imponham restrições adicionais. I Para ver isso, observe que no sistema restrito dado pela equação: yt = φ10 + φ11yt−1 + φ12zt−1 + e1t zt = φ20 + φ21yt−1 + φ22zt−1 + e2t conseguem-se estimar seis parâmetros na equação da média, mais var(e1), var(e2) e cov (e1,e2), ou seja, há nove parâmetros estimados. I No sistema primitivo, contudo, há dez parâmetros yt = b10 − a12zt + b11yt−1 + b12zt−1 + σy�yt zt = b20 − a21yt + b21yt−1 + b22zt−1 + σz�zt Resposta ao impulso I Sims (1980) sugere impor que alguns coeficientes sejam iguais a zero. I Geralmente, usam-se argumentos econômicos para definir quais deles são iguais a zero. I A sugestão de Sims impõe que o efeito feedback seja limitado. I No caso mais simples, o de um modelo bivariado, poder-se-ia impor, por exemplo, que a12 = 0 yt = b10 + b11yt−1 + b12zt−1 + �yt zt = b20 − a21yt + b21yt−1 + b22zt−1 + �zt Resposta ao impulso Resposta ao impulso Resposta ao impulso I Essas três equações combinam-se às demais estimativas para identificar o modelo. I Ou seja, usando essas três equações mais as equações a seguir, identificam- -se os parâmetros estruturais do modelo. φ10 = b10;φ20 = b20 − b10a21;φ11 = b11 φ12 = b12;φ21 = b21 − b11a21;φ22 = b22 − b12a21 I Por MQO estimamos os nove parâmetros da forma reduzida e como eles são escritos em função dos parâmetros da forma estrutural (que agora tem 9 parâmetros) I Assim, temos que as nove equações do sistema reduzido resolve os nove parâmetros do sistema estrutural. Resposta ao impulso I A metodologia proposta por Sims pode ser generalizada para um vetor com ,n variáveis endógenas. I Trata-se de uma maneira triangular de decompor os reśıduos, chamada decomposição de Choleskly. I No caso de n variáveis endógenas, as condições de identificação requerem a imposição de n 2−n 2 restrições. I O problema da imposição (zeros na parte superior da diagonal) é definir a ordenação das variáveis, que é arbitrária, ainda que atribúıda a razões econômicas. Resposta ao impulso Resposta ao impulso I Os elementos da matriz Φi; são os multiplicadores de impacto de um choque sobre as variáveis endógenas. I Assim, o impacto total de um choque de �yt sobre yt+h é dado pela soma dos coeficientes φi,11, i = 0, 1, 2, ..., h. E sobre yt+h , devem-se somar os coeficientes φi,21. I Os coeficientes, quando desenhados em um gráfico contra i, geram a função resposta ao impulso. I A soma dos coeficientes, quando desenhada em um gráfico contra i, gera a função resposta ao impulso acumulada. Resposta ao impulso - exemplo simulado I Usando o VAR(2) simulado na AULA 5, faremos agora a resposta ao impulso. I No RStudio, a função irf do pacote vars pode ser usada para obter uma função de resposta ao impulso. I No exemplo simulado, queremos saber como a Série 2 se comporta após um choque na Série 1. I Depois de especificar o modelo e as variáveis para as quais queremos uma resposta ao impulso, definimos o horizonte de tempo n.ahead para 20. I O gráfico fornece a resposta da série 2 para os peŕıodos de 0 a 20 a um choque na série 1 no peŕıodo 0. A função também calcula automaticamente os intervalos de confiança. Resposta ao impulso - exemplo simulado No RStudio: ir.1 = irf(var.1, impulse = ”Series.1”, response = ”Series.2”, n.ahead = 20, ortho = FALSE) calcula a função resposta ao impulso (FIR) plot(ir.1) plota a FIR 5 10 15 20 − 0. 2 0. 0 0. 2 0. 4 0. 6 0. 8 xy$x S er ie s. 2 Impulse Response from Series.1 95 % Bootstrap CI, 100 runs Resposta ao impulso - exemplo simulado Às vezes, é interessante ver quais são os efeitos a longo prazo de um choque: ir.2 = irf(var.1,impulse=”Series.1”,response=”Series.2”,n.ahead = 20,ortho = FALSE, cumulative = TRUE) plot(ir.2) 5 10 15 20 0. 0 0. 2 0. 4 0. 6 0. 8 1. 0 1. 2 xy$x S er ie s. 2 Impulse Response from Series.1 (cumulative) 95 % Bootstrap CI, 100 runs Embora a reação da série 2 a um choque na série 1 seja negativa durante alguns peŕıodos, o efeito geral é significativamente positivo. Intervalo de confiança I A função resposta ao impulso é calculada mediante coeficientes estimados e temos também um intervalo de confiança a ser considerado nessas estimativas. I Esse intervalo pode ser calculado de forma anaĺıtica ou por métodos de experimentos de Monte Carlo. I O método anaĺıtico torna-se um tanto complicado quando se imagina um problema multivariado, em razão das covariâncias cruzadas. I No RStudio o intervalo de confiança é automaticamente calculado. Decomposição da variância I A decomposição da variância diz a porcentagem da variância do erro de previsão decorre de cada variável endógena ao longo do horizonte de previsão. I No RStudio a decomposição da variância para o exemplo simulado a = fevd(var.1,n.ahead = 10) a Series.1 Series.2 Series.1 Series.2 Series.1 Series.2 [1, ] 1.0000000 0.0000000 0.001034877 0.9989651 [2, ] 0.8125599 0.1874401 0.214889122 0.7851109 [3, ] 0.8381472 0.1618528 0.214627882 0.7853721 [4, ] 0.8332196 0.1667804 0.222546470 0.7774535 [5, ] 0.8303730 0.1696270 0.225991349 0.7740087 [6, ] 0.8301167 0.1698833 0.228385562 0.7716144 [7, ] 0.8292609 0.1707391 0.229794554 0.7702054 [8, ] 0.8297557 0.1702443 0.229554538 0.7704455 [9, ] 0.8293379 0.1706621 0.230077075 0.7699229 [10, ] 0.8294276 0.1705724 0.230082697 0.7699173 Teste de Granger-Causalidade I Pergunta-se se uma variável é capaz de prever outra e em que condições. I A questão fundamental é saber se o escalar y ajuda a prever o escalar z. Se isso não acontece, diz-se que y não Granger-causa z. I O teste tem um sentido de previsão, e não de causalidade econômica, apesar do nome. I A forma de responder a essa pergunta é usar um teste F convencional, válido quando os coeficientes de interesse puderem ser escritos de modo a multiplicar variáveis estacionárias. I Teste de causalidade de Granger não é a mesma coisa que teste de exogeneidade. Para que zt seja exógeno a yt, é preciso que zt não seja afetado contemporaneamente por yt. I A forma reduzida do VAR não permite que se faça esse tipo de teste. O teste de causalidade de Granger inclui, pois, valores correntes e passados de yt sobre zt. Teste de Granger-Causalidade No RStudio: causality(var.1,cause=’Series.1’) Granger Granger causality H0: Series.1 do not Granger-cause Series.2 data: VAR object var.1 F-Test = 45.307, df1 = 2, df2 = 392, p-value < 2.2e-16 Rejeitamos H0 Exeŕıcio: fazer causality(var 1,cause=’Series.2’) alternativamente tem o comando grangertest() VAR - Relatório de inflação (BCB) I No relatório de de Inflação - Setembro de 2012 foram explicados os grupos de modelos VAR usados pelo BCB. I Número de defasagens foi feita utilizando-se HQ e o teste de autocorrelação dos reśıduos (LM - multiplicador de lagrange) VAR - Relatório de inflação (BCB) I No relatório de de Inflação - Junho de 2018 o BCB apresentou um novo modelo VAR, no qual chamou de “Modelo de vetor autorregressivo com ancoragem de longo prazo” I Asprojeções de longo prazo oriundas de modelos de vetores autorregressivos (VARs) têm como uma das suas caracteŕısticas a sua convergência para a média incondicional de suas variáveis, diretamente relacionada à constante â ou intercepto â presente em cada equação. I Mudanças na condução da poĺıtica monetária ou o estabelecimento de metas em valores diferentes dos usualmente definidos podem ser rapidamente capturados nas expectativas dos agentes para a inflação. I Incorporar essas expectativas aos modelos VARs seria, então, um modo eficaz de melhorar as projeções em situações que haja mudanças no ńıvel das variáveis endógenas. VAR - Relatório de inflação (BCB) I O novo modelo do BCB é o VAR shifiting endpoints (VAR-SE), proposta em Kozicki e Tinsley (2012), na qual o intercepto da equação que descreve a dinâmica da inflação é variante no tempo. I A estimação dos coeficientes do modelo é ancorada pela restrição de que, no longo prazo, as projeções para a inflação sejam iguais ás expectativas dos analistas. VAR - Relatório de inflação (BCB) I Tabela 1 (próximo slide) apresenta os resultados de um exerćıcio de projeção com dados fora da amostra. I O VAR irrestrito apresenta um EQM 23% maior do que o do modelo VAR-SE para um horizonte de um ano (e 48% maior em um horizonte de três anos). VAR - Relatório de inflação (BCB) VAR estrutural (SVAR) I Existem outras formas de definir restrições sobre a matriz A, de modo a identificar os parâmetros estruturais. I Lembrando do modelo original AXt = B0 + p∑ i=1 BiXt−i +B�t I Em geral, usa-se a teoria econômica para definir as restrições da matriz A completamente. VAR estrutural (SVAR) I Blanchard e Quah (1989) sugerem uma forma de identificação com base em restrições determinadas pela teoria econômica. I A ideia é impor restrições a respeito do comportamento de longo prazo de uma variável a partir do choque estrutural. svar.1 = BQ(var.1) I Depois de especificado o SVAR podemos analisar a resposta ao impulso.
Compartilhar