Prévia do material em texto
ECONOMETRIA DE SÉRIES TEMPORAIS AULA 13 – OS MODELOS ESTRUTURAIS (BERNANKE) Prof. Ricardo Chaves Lima 1 Modelos Estruturais 2 Introdução O modelo VAR com decomposição triangular (• Choleski) foi criticado por ser desprovido de conteúdo econômico; O papel do economista era somente sugerir as variáveis • endógenas que entrariam no modelo; A definição da ordem de entrada das variáveis necessita de • referência à teoria econômica, mas a partir daí o procedimento é quase que mecânico; Existe uma diferenças entre usar modelos VAR para • previsão e modelos VAR para análise econômica; O objetivo do modelo VAR estrutural é usar a teoria • econômica, ao invés da decomposição triangular, para definir a matriz de efeitos contemporâneos; Modelos Estruturais 3 Introdução • A decomposição de Choleski faz uma suposição forte a respeito da estrutura dos erros; • Seja et = B -1εt, ou em forma matricial: • Fazendo b21= 0 (decomposição triangular), temos: • Forçar b21= 0 é mesma coisa que assumir que εyt não tem nenhum efeito contemporâneo em zt; ezt = e2t eyt = e1t +b12e2t Modelos Estruturais 4 Introdução A menos que haja fundamento teórico para essa suposição, • os choques serão impropriamente identificados; Assim, a função de impulso• -resposta e a decomposição da variância resultantes do modelo VAR poderão levar a conclusões erradas; • Se a correlação entre e1t e e2t (b12) for baixa, a ordem de entrada das variáveis pode não ser importante; No entanto, em um modelo VAR com muitas variáveis, é • pouco provável que todas as correlações sejam baixas. Assim, a ordem de entrada das variáveis torna-se muito importante; Nesse caso, com a decomposição triangular, pode ser • complicado achar uma ordem que satisfaça a teoria econômica; Modelos Estruturais 5 Decomposição Estrutural (Bernanke) • Sims (1986) e Bernanke(1986) propõem modelar as inovações usando análise econômica; • A ideia básica é estimar as relações entre os choques estruturais utilizando um modelo econômico; • Para entender o procedimento, considere um VAR com n variáveis: • ou Modelos Estruturais 6 Decomposição Estrutural (Bernanke) Seja a Matriz • B, Em uma decomposição de • Choleski, do tipo triangular inferior, temos, Modelos Estruturais 7 Decomposição Estrutural (Bernanke) • Ou seja, o número de coeficientes acima (ou abaixo) da diagonal principal é igual a (n2 - n)/2. Esse é o número de restrições (NR) na matriz B necessárias para que o modelo VAR seja exatamente identificado; • Essas restrições, no entanto, não precisam ser triangular (Choleski). Sims (1986) e Bernanke(1986) propõem fazer as restrições na matriz B com base na teria econômica; • Assim, na decomposição de Sims-Bernanke, podemos ter: ▪ NR = (n2 - n)/2 (sistema exatamente identificado), ▪ NR > (n2 - n)/2 (sistema super-identificado). • No caso de um sistema super-identificado, é necessário realizar um teste de super-identificação; Modelos Estruturais 8 Decomposição Estrutural (Bernanke) Teste de • super-identificação: L = |Σ▪ R| - |Σ| é o teste do quociente de máxima verossimilhança; |Σ▪ R| e |Σ| são os determinantes das matrizes de variância/covariância dos modelos restrito e não-restrito (VAR reduzido); O teste tem distribuição ▪ qui-quadrado com graus de liberdade igual ao número de restrições superior a (n2 - n)/2; ✓ H0: não rejeita a restrição (não super-identificado), ✓ H1: rejeita a restrição (super-identificado) Exemplo do decomposição de • Sims-Bernanke. Considere o modelo VAR com as seguintes variáveis: yt = PNB real, it = taxa e investimento real, pt = deflator do PNB, mt = oferta de moeda (M1), ut = desemprego, rt = letra do tesouro (taxa) Modelos Estruturais 9 Exemplo de Decomposição Estrutural • Com seis variáveis, o modelo estrutural de Sims (1986) precisa de um mínimo de (62 – 6)/2 = 15 restrições; • Considerando a ordem de entradas das variáveis rt,mt, yt, pt, ut e it, as relações indicadas no trabalho por Sims, para representar a economia americana, são: 𝑏12 Modelos Estruturais 1 0 As restrições na matriz de efeitos contemporâneos (• B), baseadas nas equações estruturais de Sims, são: 𝒓𝒕 𝒎𝒕 𝒚𝒕 𝒑𝒕 𝒖𝒕 𝒊𝒕 𝒓𝒕 1 𝑏12 0 0 0 0 𝒎𝒕 𝑏21 1 𝑏23 𝑏24 0 0 𝒚𝒕 𝑏31 0 1 0 0 𝑏36 𝒑𝒕 𝑏41 0 𝑏43 1 0 𝑏46 𝒖𝒕 𝑏51 0 𝑏53 𝑏54 1 𝑏56 𝒊𝒕 0 0 0 0 0 1 1 1 Decomposição de Bernanke – R software • Assuma um modelo VAR com 4 variáveis: M1, R, P e GDP; • Para um modelo exatamente identificado é necessários um número de restrições, NR = (n2 – n)/2 ou seja, 6 restrições; • Na decomposição triangular tem-se que NR = (n2 – n)/2; • Na decomposição estrutural (Bernanke) pode-se ter: o NR = (n2 – n)/2 ou o NR > (n2 – n)/2 • Se NR > (n2 – n)/2, é possível que o modelo seja superidentificado. Nesse caso realiza-se um teste de superidentificação e, ocorrendo, é preciso mudar o modelo para que seja exatamente identificado; 1 2 Decomposição de Bernanke – R software • Caso 1: VAR estrutural exatamente identificado - Os coeficientes da matriz de efeitos contemporâneos (B) serão restritos seguindo a teoria econômica; - Suponha que desejamos restringir os coeficientes b21, b23, b24, b31, b34 e b41. No programa R, essa restrição ocorre da seguinte forma: amat <- diag(4) diag(amat) <- NA amat[1, 2] <- NA amat[1 ,3] <- NA amat[1, 4] <- NA amat[3, 2] <- NA amat[4, 2] <- NA amat[4, 3] <- NA amat ▪ A matriz é de dimensão 4x4 e, portanto, a diagonal tem 4 elementos (amat<-diag(4)) ▪ Se usarmos diag(amat) <- NA não haverá restrição na diagonal principal. Se não usarmos, todos os elementos serão restritos a 1 ; ▪ Os parâmetros não restritos são marcados em amat. Assim, amat[1,2]<-NA significa que o elemento da linha 1 e coluna 2 não é restrito a 0. 1 3 Decomposição de Bernanke – R software • Caso 1: VAR estrutural exatamente identificado - A matriz restrita é (parâmetros não restritos em azul): [,1] [,2] [,3] [,4] [1,] NA NA NA NA [2,] 0 NA 0 0 [3,] 0 NA NA 0 [4,] 0 NA NA NA • Caso 2: VAR estrutural com NR > (n2 – n)/2 amat <- diag(4) diag(amat) <- NA amat[1, 2] <- NA amat[1 ,3] <- NA amat[1, 4] <- NA amat[3, 2] <- NA amat[4, 2] <- NA amat Agora o modelo esta com ▪ 7 restrições; Como temos ▪ 7 restrições o R fará automaticamente o teste de superidentificação; Note que o NA é para marcar onde não há ▪ restrição. Ou seja, temos 5 elementos de B não restritos e, portanto, 7 restritos. É possível que haja superidentificação. 1 4 Decomposição de Bernanke – R software Caso • 2: VAR estrutural com NR > (n2 – n)/2 - A matriz restrita é (parâmetros não restritos em azul): [,1] [,2] [,3] [,4] [1,] NA NA NA NA [2,] 0 NA 0 0 [3,] 0 NA NA 0 [4,] 0 NA 0 NA LR overidentification test: LR overidentification Chi^2 = 40, df = 1, p-value = 3e-10 Conclusão: rejeita-se a hipótese H0 de não superidentificação (p-value < 0,05) – o modelo é superidentificado. Restringir a matriz B de outra forma até conseguir identificação exata. 1 5 APÊNDICE 1 6 SVAR – O modelos A, B e AB O Modelo VAR(p), em sua forma primitiva, pode ser apresentado • como: Onde • 𝐵 é a matriz dos efeitos contemporâneos, 𝑥𝑡 é um vetor (nx1) de variáveis endógenas, Γ0 é um vetor (nx1) de parâmetro lineares, Γ𝑖 é uma matriz (nxn) de coeficientes de 𝑥𝑡−𝑖, e 𝜀𝑡 é um vetor (nx1) de erros aleatórios. Na notação de Pfaff (2008), utilizada como base para a estimação do SVAR no programa R, o modelo primitivo é apresentado da seguinte forma: Onde • 𝐴 é a matriz dos efeitos contemporâneos, 𝑦𝑡 é um vetor (nx1) devariáveis endógenas, 𝐴𝑖 ∗ é uma matriz (nxn) de coeficientes de 𝑦𝑡−𝑖, e 𝜀𝑡 é um vetor (nx1) de erros aleatórios. A matriz 𝐵, de dimensão (nxn) pode ser usada para impor restrições de identificação ao modelo. Observe que se 𝐴 = 𝐼, todos os efeitos contemporâneos serão iguais a zero, e o modelo primitivo será igual ao modelo reduzido. Se, no entanto, 𝐴 ≠ 𝐼 o modelo primitivo será diferente do modelo reduzido, podendo ser escrito da seguinte forma: 𝐵𝑥𝑡 = Γ0 + Γ1𝑥𝑡−1 + ⋯ + Γ𝑝𝑥𝑡−𝑝 + 𝜀𝑡 𝐴𝑦𝑡 = 𝐴1 ∗𝑦𝑡−1 +⋯+ 𝐴𝑝 ∗ 𝑦𝑡−𝑝 + 𝐵𝜀𝑡 1 7 𝑦𝑡 = 𝐴 −1𝐴1 ∗𝑦𝑡−1 + ⋯+ 𝐴 −1𝐴𝑝 ∗ 𝑦𝑡−𝑝 + 𝐴 −1𝐵𝜀𝑡 , ou 𝑦𝑡 = 𝐴1𝑦𝑡−1 + ⋯+ 𝐴𝑝𝑦𝑡−𝑝 + 𝑢𝑡 Onde 𝐴−1𝐴𝑖 ∗ = 𝐴𝑖 e 𝑢𝑡 = 𝐴 −1𝐵𝜀𝑡 Dependendo do tipo de restrição imposta, pode-se ter três tipos de modelos: 1) Modelo A: ajusta 𝐵 = 𝐼𝑛 e faz-se um mínimo de n(n-1)/2 na matriz A; 2) Modelo B: ajusta 𝐴 = 𝐼𝑛 e faz-se um mínimo de n(n-1)/2 na matriz 𝐵; 3) Modelo AB: n2+n(n-1)/2 restrições nas duas matrizes. A superidentificação do modelo pode ser testada pela estatística do cociente de máxima verossimilhança (LR), da seguinte forma: 𝐿𝑅 = 𝑇(ln Σ 𝑢 − ln Σ 𝑢 ) 1 8 Onde Σ 𝑢 é o determinante da matriz de variância-covariância do modelo SVAR e Σ 𝑢 do modelo na forma reduzida. O teste tem distribuição 𝜒2 com graus de liberdade igual ao número de superidentificações (número de restrições maiores n(n- 1)/2. library(vars) data(Canada) varcan <- VAR(Canada, p = 2, type = "const") amat <- diag(4) amat[1, 4] <- NA amat[3, 1] <- NA amat[4, 2] <- NA amat[4, 3] <- NA svara <- SVAR(x = varcan, estmethod = "scoring", Amat = amat, Bmat = NULL, max.iter = 500, maxls = 1000, conv.crit = 1.0e-8) summary(svara) Acoef(varcan) Exemplo de restrição na matriz A 1 9 SVAR Estimation Results: ======================== Call: SVAR(x = varcan, estmethod = "scoring", Amat = amat, Bmat = NULL, max.iter = 500, conv.crit = 1e-08, maxls = 1000) Type: A-model Sample size: 82 Log Likelihood: -246.078 Method: scoring Number of iterations: 37 LR overidentification test: LR overidentification data: Canada Chi^2 = 100, df = 6, p-value <2e-16 Estimated A matrix: e prod rw U e 1.000 0.0000 0.00 3.92 prod 0.000 1.0000 0.00 0.00 rw 2.824 0.0000 1.00 0.00 U 0.000 -0.2179 1.22 1.00 Estimated standard errors for A matrix: e prod rw U e 0.0000 0.0000 0.0000 0.3128 prod 0.0000 0.0000 0.0000 0.0000 rw 0.2023 0.0000 0.0000 0.0000 U 0.0000 0.1117 0.1006 0.0000 Estimated B matrix: e prod rw U e 1 0 0 0 prod 0 1 0 0 rw 0 0 1 0 U 0 0 0 1 Covariance matrix of reduced form residuals (*100): e prod rw U e 18.990 -5.887 -20.6649 -3.0860 prod -5.887 100.000 16.6273 1.5018 rw -20.665 16.627 65.2550 0.3061 U -3.086 1.502 0.3061 6.8459 > Acoef(varcan) [[1]] e.l1 prod.l1 rw.l1 U.l1 e 1.6378206 0.16727167 -0.06311863 0.26558478 prod -0.1727658 1.15042820 0.05130390 -0.47850131 rw -0.2688329 -0.08106500 0.89547833 0.01213003 U -0.5807638 -0.07811707 0.01866214 0.61893150 [[2]] e.l2 prod.l2 rw.l2 U.l2 e -0.4971338 -0.101650067 0.003844492 0.13268931 prod 0.3852589 -0.172411873 -0.118851043 1.01591801 rw 0.3678489 -0.005180947 0.052676565 -0.12770826 U 0.4098182 0.052116684 0.041801152 -0.07116885