Modelos VAR

Series Temporales en R
Vectores Autotegresivos (VAR)
Nerys Ramírez Mordán
Universidad Autónoma de Santo Domingo
January 12, 2020
Nerys Ramírez Mordán (Universidad Autónoma de Santo Domingo)Series Temporales en R January 12, 2020 1/1
Preliminares
Section 1
Preliminares
Preliminares
Modelo estructural
El modelo estructural captura las relaciones contemporanea derivadas de la

teoria (B):
BYt = Γ0 + Γ1 Yt−1 + εt , εt ∼ N (M, Σε )

(I − Γ1 L) Yt = B (L) Yt = Γ0 + t
Preliminares
Modelo estructural
Para obtener la representación del VAR(p), premultiplicamos el VAR

tradicional por matriz (B −1 ), donde se encuentran las restricciones
estructurales que impone la teoría económica o las relaciones contemporáneas
entre variables:
Yt = B −1 Γ0 + B −1 Γ1 Yt−1 + B −1 εt
Yt = A0 + A1 Yt−p + ut
0 0
; A0 = B −1 Γ0 , A1 = B −1 Γ1 y ut = B −1 εt .

– Siendo Yt = y1,t , y2,t
Preliminares
Representación del VAR
Dado un VAR(p) en su forma reducida, sin restringir y sin variables exógenas:
Yt = A0 + A1 Yt−p + ut
Donde Yt ∼ I(0) es una matriz de kxT variables estacionarias, consideradas a

priori como endógenas; p representa los retardos a incluir; A1 representa una
matriz cuadrada (kxk) de coeficientes parciales que acompañan el vector de
variables endógenas; y, E (ut ) = 0;E (ut ut0 ) = Σ, pudiendo Σ no ser diagonal.
Preliminares
Modelo estructural
Ahora, verifique que ut = B −1 εt son combinaciones lineales de las

innovaciones estructurales de interés.
yt = (B −1 Γ0 ) + (B −1 Γ1 )yt−1 + B −1 t
Modelo VAR
El VAR es una forma reducida (sistema de ecuaciones en que cada variable
endógena se expresa en funcion solo de las variables predeterminadas)
derivada de algún modelo estrutural (Londoño, 2005, p.5).
Vectores autoregresivos
Section 2
Representación historica
library(tidyverse)
data.frame(EuStockMarkets) %>%
mutate(date = time(EuStockMarkets)) %>%
gather(id, value, -date) %>%
ggplot(aes(x = date, y = value)) +
geom_line(aes(color = id), size = 1)+
theme_minimal()
8000 id
6000 CAC
value
DAX
4000
FTSE
2000 SMI
1993 1995 1997 1999

date
Orden de integración
Los VAR se construyen sobre series estacionarias.

k<-ncol(EuStockMarkets)
obs<-nrow(EuStockMarkets)
ret <- diff(log(EuStockMarkets))
colnames(ret) <- colnames(EuStockMarkets)

head(ret)
## DAX SMI CAC FTSE

## [1,] -0.009326550 0.006178360 -0.012658756 0.006770286
## [2,] -0.004422175 -0.005880448 -0.018740638 -0.004889587
## [3,] 0.009003794 0.003271184 -0.005779182 0.009027020
## [4,] -0.001778217 0.001483372 0.008743353 0.005771847
## [5,] -0.004676712 -0.008933417 -0.005120160 -0.007230164
## [6,] 0.012427042 0.006737244 0.011714353 0.008517217
Nerys Ramírez Mordán (Universidad Autónoma de Santo Domingo)Series Temporales en R January 12, 2020 10 / 1
Test de estacionariedad: correlogramas

library(ggfortify)
DAX <- ts(ret[,"DAX"], frequency = 12, star = 1991.496)
autoplot(acf(DAX, type = "partial", plot = FALSE),

conf.int.fill = '#0000FF', conf.int.value = 0.8, conf.int.type = 'ma')
0.06
0.03
ACF
0.00
−0.03
0 1 2
Lag
Test de estacionariedad: Dickey-Fuller
h0 del test es que la serie presenta raíz unitaria. En el ejemplo siguiente, se

rechaza h0 .
library(tseries)
adf.test(ret[,"DAX"])
##
## Augmented Dickey-Fuller Test
##
## data: ret[, "DAX"]
## Dickey-Fuller = -11.105, Lag order = 12, p-value = 0.01
## alternative hypothesis: stationary
Seleccionar el orden del VAR
El orden del Var (p) se puede obtener a partir de diversas metodologías:
– Criterio de información: AIC (Akaike Information Criterion) o BIC

(Schwarz/Bayesian Information Criterion).
– Contraste de autocorrelación de los residuos.
– Reglas empírica a partir del tamaño de la muestra (T/3) o derivado de algún
modelo empírico.
Es decir, (p) se obtiene a partir del valor del mismo que permita obtener
innovaciones ruido blanco, o minimice los denominados criterios de
información.

n2 p + n
AIC = ln |Ω| + 2
T

n2 p + n ln (T )
BIC = ln |Ω| + 2
T
Se toma el orden que hace mínimo el criterio de información.

library(sandwich);
library(zoo); library(vars);
VARselect(ret, lag.max = 4, type="both")
## $selection
## AIC(n) HQ(n) SC(n) FPE(n)
## 1 1 1 1
##
## $criteria
## 1 2 3 4
## AIC(n) -3.940485e+01 -3.939758e+01 -3.939631e+01 -3.939167e+01
## HQ(n) -3.937850e+01 -3.935366e+01 -3.933483e+01 -3.931262e+01
## SC(n) -3.933336e+01 -3.927842e+01 -3.922950e+01 -3.917720e+01
## FPE(n) 7.703542e-18 7.759802e-18 7.769624e-18 7.805749e-18
Estimación del VAR
modelVAR <- VAR(ret, p = 1)
# Ver representación del VAR

# summary(modelVAR)
# summary(modelVAR,equation="DAX")
Note que se comentan algunas salidas, por cuestiones de formato.
Estimación del VAR
Podemos buscar el orden de retardo del VAR basados en el criterio Akaike de

información.
modelVAR <- VAR(ret, type = "none", lag.max = 5, ic = "AIC")
# summary(modelVAR)
Estimación del VAR: stargazer reportar resultados

library(stargazer)
eq <- modelVAR$varresult
stargazer(eq$DAX, eq$SMI, eq$CAC, eq$FTSE,
type="text", dep.var.labels.include=FALSE)
##
## =====================================================================
## Dependent variable:
## -------------------------------------
## (1) (2) (3) (4)
## ---------------------------------------------------------------------
## DAX.l1 0.006 -0.008 -0.026 -0.010
## (0.040) (0.036) (0.042) (0.030)
##
## SMI.l1 -0.089** 0.0004 -0.109*** -0.085***
## (0.038) (0.034) (0.040) (0.029)
##
## CAC.l1 0.037 0.035 0.062* -0.005
## (0.034) (0.031) (0.037) (0.026)
##
## FTSE.l1 0.050 0.070* 0.092** 0.165***
## (0.042) (0.038) (0.045) (0.033)
##
##Ramírez
Nerys ---------------------------------------------------------------------
Mordán (Universidad Autónoma de Santo Domingo)Series Temporales en R January 12, 2020 18 / 1
Validación del VAR

Los residuos deben ser ruido blanco.
resid_dax <- residuals(modelVAR)[,"DAX"]
autoplot(acf(resid_dax, type = "partial", plot = FALSE),

conf.int.fill = '#0000FF', conf.int.value = 0.8, conf.int.type = 'ma')
0.06
0.03
ACF
0.00
−0.03
0 10 20 30
Lag
Validación del VAR
The null hypothesis is no serial correlation.

serial.test(modelVAR, lags.pt = 16, type = "PT.asymptotic")
##
## Portmanteau Test (asymptotic)
##
## data: Residuals of VAR object modelVAR
## Chi-squared = 272.44, df = 240, p-value = 0.07367
Validación del VAR: estabilidad
Dada la representación general de un VAR de orden p:

Yt = A0 + A1 Yt−p + ut , Se puede utilizar el operador de retardos para:
(In − A1 Lp ) Yt = A0 + ut
−1 −1
Yt = (In − A1 Lp ) A0 + (In − A1 Lp ) ut
La condición de estabilidad requiere que todos los valores propios de la matriz

(In − A1 Lp ) estén fuera del círculo unitario.
roots(modelVAR)
## [1] 0.09538188 0.07803836 0.07803836 0.03132215
Raices unitarias
Recuerde (I − φL)Yt = ut , que resolviendo el polinomio de la ec. característica
((I − φL) = 0), se obtiene L = φ1 , por lo que dado la condición de estabilidad
(|φ| < 1), L > 1
# plot(stability(modelVAR), nc = 2)
ARCH test (Autoregressive conditional

heteroscedasdicity)
arch.test(modelVAR, lags.multi = 10)
##
## ARCH (multivariate)
##
## data: Residuals of VAR object modelVAR
## Chi-squared = 1640.7, df = 1000, p-value < 2.2e-16
Extraer objetos de un modelo VAR
summary(modelVAR$varresult$DAX)$adj.r.squared
## [1] 0.001791585
Análisis de VAR: impulse response

Un VAR(p) es invertibles (lo puedo escribir como unVAM(p)), al cumplir la
condición de estabilidad:
Yt = A0 + A1 Yt−1 + ut
Yt = A0 + A1 [A0 + A1 Yt−2 + ut−1 ] + ut
Yt = (Ik + A1 ) A0 + A21 Yt−2 + (A1 ut−1 + ut )
...
n−1
X
Yt = Ik + A1 + A21 + ... + An−1 Ai1 ut−i + An1 Yt−n

1 A 0 +
i=0
Análisis de VAR: impulse respons
Tomando la representación ma del var :
∞
X
Yt = u + Ai1 ut−i
i=0
Ai1 es la función de impulso respuesta al horizonte i de shocks. Siendo la

representación MA(p).
Yt = ut + Φ1 ut−1 + Φ2 ut−2 + ...

varirfs <- irf(modelVAR,n.ahead = 30)
varirfs <- irf(modelVAR,

n.ahead = 12,
response = "DAX", impulse = "FTSE",
boot = T, ci = 0.95, run = 100)
plot(varirfs)
xy$x
2 6 12
0e+00
Orthogonal Impulse Response from FTSE

DAX
95 % Bootstrap CI, 100 runs


varirfsc <- irf(modelVAR,
n.ahead = 12,
response = "DAX", impulse = "FTSE",
boot = T, ci = 0.95, run = 100,
cumulative = T)
plot(varirfsc)
Orthogonal Impulse Response from FTSE (cumulative)

8e−04
6e−04
4e−04
DAX
2e−04
Análisis de VAR: descomposición de la varianza
fevd(modelVAR, n.ahead = 10)$DAX
## DAX SMI CAC FTSE

## [1,] 1.0000000 0.000000000 0.000000000 0.0000000000
## [2,] 0.9961225 0.001905212 0.001242891 0.0007293681
## [3,] 0.9960886 0.001929305 0.001243016 0.0007390955
## [4,] 0.9960884 0.001929365 0.001243081 0.0007391098
## [5,] 0.9960884 0.001929366 0.001243082 0.0007391100
## [6,] 0.9960884 0.001929366 0.001243082 0.0007391100
## [7,] 0.9960884 0.001929366 0.001243082 0.0007391100
## [8,] 0.9960884 0.001929366 0.001243082 0.0007391100
## [9,] 0.9960884 0.001929366 0.001243082 0.0007391100
## [10,] 0.9960884 0.001929366 0.001243082 0.0007391100
Análisis de VAR: causalidad
library(lmtest)
grangertest(ret[,"FTSE"] ~ ret[,"DAX"])
## Granger causality test

##
## Model 1: ret[, "FTSE"] ~ Lags(ret[, "FTSE"], 1:1) + Lags(ret[, "DAX"], 1:1)
## Model 2: ret[, "FTSE"] ~ Lags(ret[, "FTSE"], 1:1)
## Res.Df Df F Pr(>F)
## 1 1855
## 2 1856 -1 5.9822 0.01454 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Pronóstico con VAR
forecastsVAR <- predict(modelVAR, n.ahead = 100)

predict(modelVAR, n.ahead = 10)[[1]]$DAX
## fcst lower upper CI

## [1,] -4.013255e-04 -0.02060845 0.01980580 0.02020713
## [2,] -1.096055e-04 -0.02035612 0.02013691 0.02024652
## [3,] -7.132264e-06 -0.02025417 0.02023990 0.02024704
## [4,] -2.555257e-08 -0.02024706 0.02024701 0.02024704
## [5,] 4.287872e-08 -0.02024700 0.02024708 0.02024704
## [6,] 4.797594e-09 -0.02024703 0.02024704 0.02024704
## [7,] 2.529015e-10 -0.02024704 0.02024704 0.02024704
## [8,] -2.116357e-12 -0.02024704 0.02024704 0.02024704
## [9,] -1.753562e-12 -0.02024704 0.02024704 0.02024704
## [10,] -1.728417e-13 -0.02024704 0.02024704 0.02024704
Pronóstico con VAR

plot(forecastsVAR)
Forecast of series DAX

0.05
−0.10
0 500 1000 1500 2000
Forecast of series SMI

0.02
−0.08
0 500 1000 1500 2000
Forecast of series CAC

0.02
−0.08
0 500 1000 1500 2000
Forecast of series FTSE

0.04
Vectores autoregresivos estructurales (SVAR)
Section 3
SVAR: modelo A
Impone restricciones sobre las relaciones contemporaneas de las variables.
Amat <- diag(k)
Amat[lower.tri(Amat, diag = FALSE)] <- NA
Amat
## [,1] [,2] [,3] [,4]

## [1,] 1 0 0 0
## [2,] NA 1 0 0
## [3,] NA NA 1 0
## [4,] NA NA NA 1
SVAR(modelVAR, estmethod = "direct", Amat=Amat)
##
## SVAR Estimation Results:
## ========================
##
##
## Estimated A matrix:
## DAX SMI CAC FTSE
## DAX 1.0000 0.0000 0.0000 0
## SMI -0.6205 1.0000 0.0000 0
##Ramírez
Nerys CACMordán
-0.9986
(Universidad0.1908 1.0000
Autónoma de 0 Temporales en R
Santo Domingo)Series January 12, 2020 35 / 1
SVAR: modelo B
Impone restricciones sobre las relaciones contemporaneas de las variables.

Bmat <- diag(k)
Bmat[lower.tri(Bmat, diag = FALSE)] <- NA
SVAR(modelVAR, estmethod = "direct", Bmat=Bmat)
##
## ========================
##
##
## Estimated B matrix:
## DAX SMI CAC FTSE
## DAX 1.0000 0.0000 0.0000 0
## SMI 0.6492 1.0000 0.0000 0
## CAC 0.8051 0.1686 1.0000 0
## FTSE 0.4588 0.2233 0.2004 1
Restricciones de largo plazo

Bmat1 <- diag(k)
diag(Bmat1) <- NA
Bmat1[4,4] <-1
ModelSVAR <- SVAR(modelVAR, Bmat=Bmat1, Amat=Amat)
ModelSVAR
##
## ========================
##
##
## Estimated A matrix:
## DAX SMI CAC FTSE
## DAX 1.0000 0.0000 0.0000 0
## SMI -0.6351 1.0000 0.0000 0
## CAC -0.6329 -0.2368 1.0000 0
## FTSE -0.1924 -0.1686 -0.2463 1
##
## Estimated B matrix:
## DAX SMI CAC FTSE
## DAX 0.01031 0.000000 0.000000 0
## SMI 0.00000 0.006548 0.000000 0
## CAC 0.00000 0.000000 0.007317 0
##Ramírez
Nerys FTSE 0.00000
Mordán 0.000000
(Universidad Autónoma de0.000000
Santo Domingo)Series1Temporales en R January 12, 2020 37 / 1
Referencias
Section 4
Referencias
Referencias
Referencias
Londoño, Wbaldo. (2005). Modelos de ecuaciones simultaneas.

Rpubs.com. Plotting Time Series Statistics with ggplot2 and ggfortify.
Zivot, E. (2000). Notes on Structural VAR Modeling.

Modelos VAR

Cargado por

Copyright:

Formatos disponibles

Modelos VAR

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modelos VAR

Cargado por

Copyright:

Formatos disponibles

Series Temporales en R

Vectores Autotegresivos (VAR)

Nerys Ramírez Mordán

Universidad Autónoma de Santo Domingo

January 12, 2020

El modelo estructural captura las relaciones contemporanea derivadas de la

BYt = Γ0 + Γ1 Yt−1 + εt , εt ∼ N (M, Σε )

Para obtener la representación del VAR(p), premultiplicamos el VAR

Representación del VAR

Dado un VAR(p) en su forma reducida, sin restringir y sin variables exógenas:

Donde Yt ∼ I(0) es una matriz de kxT variables estacionarias, consideradas a

Ahora, verifique que ut = B −1 εt son combinaciones lineales de las

1993 1995 1997 1999

Los VAR se construyen sobre series estacionarias.

ret <- diff(log(EuStockMarkets))

colnames(ret) <- colnames(EuStockMarkets)

## DAX SMI CAC FTSE

Test de estacionariedad: correlogramas

autoplot(acf(DAX, type = "partial", plot = FALSE),

Test de estacionariedad: Dickey-Fuller

h0 del test es que la serie presenta raíz unitaria. En el ejemplo siguiente, se

Seleccionar el orden del VAR

El orden del Var (p) se puede obtener a partir de diversas metodologías:

– Criterio de información: AIC (Akaike Information Criterion) o BIC

Seleccionar el orden del VAR

Seleccionar el orden del VAR

Se toma el orden que hace mínimo el criterio de información.

VARselect(ret, lag.max = 4, type="both")

Estimación del VAR

modelVAR <- VAR(ret, p = 1)

# Ver representación del VAR

Note que se comentan algunas salidas, por cuestiones de formato.

Estimación del VAR

Podemos buscar el orden de retardo del VAR basados en el criterio Akaike de

Estimación del VAR: stargazer reportar resultados

Validación del VAR

autoplot(acf(resid_dax, type = "partial", plot = FALSE),

Validación del VAR

The null hypothesis is no serial correlation.

Validación del VAR: estabilidad

Dada la representación general de un VAR de orden p:

La condición de estabilidad requiere que todos los valores propios de la matriz

## [1] 0.09538188 0.07803836 0.07803836 0.03132215

Validación del VAR: estabilidad

Validación del VAR: estabilidad

ARCH test (Autoregressive conditional

arch.test(modelVAR, lags.multi = 10)

Extraer objetos de un modelo VAR

Análisis de VAR: impulse response

Yt = A0 + A1 [A0 + A1 Yt−2 + ut−1 ] + ut

Yt = (Ik + A1 ) A0 + A21 Yt−2 + (A1 ut−1 + ut )

Análisis de VAR: impulse respons

Tomando la representación ma del var :

Ai1 es la función de impulso respuesta al horizonte i de shocks. Siendo la

Yt = ut + Φ1 ut−1 + Φ2 ut−2 + ...

Análisis de VAR: impulse response

varirfs <- irf(modelVAR,

Orthogonal Impulse Response from FTSE

95 % Bootstrap CI, 100 runs

Análisis de VAR: impulse response