Motivación e Introducción VAR Bayesiano Implementación Resultados Referencias VAR-Bayesiano para proyecciones en MATLAB VAR-Bayesiano para proyecciones en MATLAB Motivación e Introducción VAR Bayesiano Implementación Resultados Referencias 1 Motivación e Introducción 2 VAR Bayesiano Especificación de Priors 3 Implementación 4 Resultados VAR-Bayesiano para proyecciones en MATLAB Motivación e Introducción VAR Bayesiano Implementación Resultados Referencias Motivación Los bancos centrales (BC) buscan anticiparse a eventos que afecten el desempeño de la economı́a ⇒ desarrollan modelos para predicciones. Asimismo, los BC fomentan la estabilidad económica ⇒ es preferible que el público entienda la postura del BC. Dificultad: los modelos desarrollados por los BC son dificiles de replicar. Es por ello que en este webinar se presentara u modelo estadı́sticos de vectores autoregresivos de fácil implementación, cuya capacidad de pronóstico se mejora con técnicas bayesianas (BVAR). Resultará evidente que Matlab es una herramienta versátil en la implementación y evaluación de modelos BVAR. Además de ser sumamente útil para reportar resultados, debido a la facilidad con la que Matlab interactúa con plataformas para edición de texto. VAR-Bayesiano para proyecciones en MATLAB Motivación e Introducción VAR Bayesiano Implementación Resultados Referencias Introducción Seguiremos a Llosa et al. (2006), que utilizan BVARs con priors del tipo Minesota propuesto por Litterman (1986) y se evalúan las predicciones siguiendo a Doan et al. (1983) y Robertson & Tallman (1999). Los resultados muestran que el uso de modelos BVAR para proyectar la inflación pueden ser mejores en términos del ECM respecto a modelos puramente estadı́sticos. La implementación de esta técnica resulta muy sencilla en Matlab. VAR-Bayesiano para proyecciones en MATLAB Motivación e Introducción VAR Bayesiano Implementación Resultados Referencias Especificación de Priors VAR Bayesiano Las variables a utilizar son: Notación yt pt mt it qt i∗t pcm t Descripción PBI a precios de 1994 desestacionalizado Índice de precios al consumidor en la cuidad de Lima Base monetaria desestacionalizada Tasa interbancaria promedio mensual Tipo de cambio real efectivo Tasa de interés FED mensual Índice de precios de metales publicado por el FMI Todas estas variables excepto las tasas de interés están expresadas en logaritmos y luego multiplicadas por 100. La función uploadDB.m carga los datos desde excel a Matlab. VAR-Bayesiano para proyecciones en MATLAB Motivación e Introducción VAR Bayesiano Implementación Resultados Referencias Especificación de Priors Especificación ′ El VAR es Yt = [yt pt mt it qt i∗t pcm t ] , y se especifica con seis rezagos Yt = 6 X Ai Yt−i + Ut (1) i=1 De Kadiyala & Karlsson (1997), el VAR [1] se puede escribir como Y = Zγ + U (2) Donde γ contiene a todos los parámetros del modelo, éste es estimable vı́a mı́nimos cuadrados ordinarios (MCO): −1 −1 γ b = (Z ′ Z) Z ′ Y con V (b γ ) = Y ′ I − Z(Z ′ Z) Z ′ Y (3) Todas estas operaciones son transformaciones sobre matrices y Matlab es sumamente versátil con este tipo de operaciones. Con la función varsetup.m se obteniene la expresión [2] desde [1]. Con la función olsvar.m estimamos [2] via MCO (obtenemos [3]) VAR-Bayesiano para proyecciones en MATLAB Motivación e Introducción VAR Bayesiano Implementación Resultados Referencias Especificación de Priors Especificación de Priors Número de parámetros del VAR: k2 p (muy elevado) Doan et al. (1983) propusieron usar un pequeño conjunto de hiperparámetros para caracterizar la distribución prior adecuadamente. ⊲ Media prior de γ: ( 1 para parámetros de primer rezago propio γ e = E(γ) = 0 en cualquier otro caso ⊲ Varianza prior de γ: ( θ wii para parámetros de rezago propio Veγ = V (γ) = hθλ wij para parámetros de rezagos en variable j 6= i λ h - Hiperparámetro θ : parámetro de precisión total - Hiperparámetro λ : parámetro de decaimiento - Hiperparámetro wij : parámetro de ponderación En matlab con la función priorsetup.m obtenemos γ e y Veγ . VAR-Bayesiano para proyecciones en MATLAB Motivación e Introducción VAR Bayesiano Implementación Resultados Referencias Especificación de Priors Especificación de Priors El último hiperparámetro (wij ) se especifı́ca según σ b2 1 W12 ( σb12 ) w11 w12 ... w1k 2 2 σ b2 w21 w22 ... w2k W ) 1 21 ( σ 2 b1 . .. .. = .. .. .. .. . . . . . 2 wk1 wk2 ... wkk σ b2 σ bk Wk1 ( σb 2 ) Wk2 ( σbk2 ) 1 ... σ b2 W1k ( σb12 ) . W2k ( .. . ... 1 ... .. 2 k 2 σ b1 2 σ bk ) Ası́, la información prior se puede escribir bajo normalidad como γ ei = γi + ̟i siendo ̟ = [̟1 ̟1 ... ̟k ] iid con media cero y varianza Veγ ′ VAR-Bayesiano para proyecciones en MATLAB Motivación e Introducción VAR Bayesiano Implementación Resultados Referencias Especificación de Priors Especificación de Priors Siguiendo a Theil & Goldberger (1992), combinamos la restriccion anterior con el modelo VAR U Z Y γ+ = ̟ I γ e La estimación MCO es −1 h i (Ψ−1 ⊗ Z ′ )Y + Veγ−1 γ e γ bT G = V (b γ )−1 + Veγ−1 En Matlab, con la función tgvar.m obtenemos γ bT G . VAR-Bayesiano para proyecciones en MATLAB Motivación e Introducción VAR Bayesiano Implementación Resultados Referencias Especificación de Priors Especificación de Priors Exogeneidad priori del bloque externo: Se asume que el prior de paseo aleatorio es más importante para las variables externas. Con ello se tiene que si i = j 1 Wij = 0,5 si i 6= j y i → variable doméstica 0,01 si i > j y i → variable externa En ancla nominal: ¿Tenemos mas información sobre el PGD además de la información proporcionada por los datos?. Se propone determinar θ y λ tal que se minimice d = (b πss − 2)2 , donde π bss y biss , son predicciones de largo plazo. Encontrar θ y λ tal que d se minimice no es posible analı́ticamente. Sin embargo, Matlab tiene implementado un toolbox completo para optimización numérica. En esta presentación utilizamos la función Matlab fmincon.m, la cual incluimos dentro de bvarseek.m para éste estudio. VAR-Bayesiano para proyecciones en MATLAB Motivación e Introducción VAR Bayesiano Implementación Resultados Referencias Se tienen dos programas maestros: - seekhyper.m: Computa los hyperparámetros tal que la función de pérdida se minimice. - MasterFile.m: Estima y evalúa el BVAR seleccionado. Estos dos archivos maestros dependen de algunas funciones auxiliares que permiten la implementación de los BVAR. Se han separado en tres grupos. - funs/GNR: Se almacenan los programas que estiman y pronostican el modelo VAR por MCO y por regresión Bayesiana. - funs/ESP: Se almacenan los programas que realizan las transformaciones especificas del ejercicio presentado. VAR-Bayesiano para proyecciones en MATLAB Motivación e Introducción VAR Bayesiano Implementación Resultados Referencias Determinación de priors Optimization 1 0.8 0.6 0.4 0.2 0 theta (0 vs F) lambda (0 vs F) Objective Function 0.2 0.15 0.1 0.05 0 (d) BAYES 0 (d) BAYES F VAR-Bayesiano para proyecciones en MATLAB Motivación e Introducción VAR Bayesiano Implementación Resultados Referencias Predicciones OLS Forecast for cpi BVAR Forecast for cpi 490 490 489 489 488 488 487 487 486 486 485 485 484 484 Actual Forecast h=1 Forecast h=3 Forecast h=6 483 2010.5 2011 2011.5 2012 Actual Forecast h=1 Forecast h=3 Forecast h=6 483 2012.5 2010.5 2011 2011.5 2012 2012.5 VAR-Bayesiano para proyecciones en MATLAB Motivación e Introducción VAR Bayesiano Implementación Resultados Referencias Predicciones OLS Forecast for int BVAR Forecast for int 4.5 4.5 4 4 3.5 3.5 3 3 2.5 2.5 Actual Forecast h=1 Forecast h=3 Forecast h=6 2 Actual Forecast h=1 Forecast h=3 Forecast h=6 2 1.5 1.5 2010.5 2011 2011.5 2012 2012.5 2010.5 2011 2011.5 2012 2012.5 VAR-Bayesiano para proyecciones en MATLAB Motivación e Introducción VAR Bayesiano Implementación Resultados Referencias Resumen de errores cuadráticos medios gdp cpi m0 rerMULTI int intUS pxmetal All O h=1 6,96 2,13 21,66 9,43 2,07 0,68 41,49 84,41 B h=1 6,91 1,99 21,51 8,78 1,49 1,96 31,90 74,52 O h=3 6,33 4,50 33,28 18,07 4,79 1,43 82,55 150,95 B h=3 6,35 3,59 35,44 17,18 3,18 1,26 57,56 124,57 O h=6 8,01 3,80 36,24 21,01 6,21 2,81 107,24 185,31 B h=6 7,66 3,97 48,62 19,80 4,99 2,48 89,46 176,98 VAR-Bayesiano para proyecciones en MATLAB Motivación e Introducción VAR Bayesiano Implementación Resultados Referencias Doan, T., Litterman, R. B. & Sims, C. A. (1983), Forecasting and conditional projection using realistic prior distributions, NBER Working Papers 1202, National Bureau of Economic Research, Inc. Kadiyala, K. R. & Karlsson, S. (1997), ‘Numerical methods for estimation and inference in bayesian var-models’, Journal of Applied Econometrics 12(2), 99–132. Litterman, R. B. (1986), ‘Forecasting with bayesian vector autoregressionsfive years of experience’, Journal of Business & Economic Statistics 4(1), 25–38. Llosa, G., Tuesta, V. & Vega, M. (2006), ‘A bvar forecasting model for peruvian inflation’, Money Affairs 0(2), 117–141. Robertson, J. C. & Tallman, E. W. (1999), ‘Vector autoregressions: forecasting and reality’, Economic Review (Q1), 4–18. Theil, H. & Goldberger, A. (1992), ‘On pure and mixed statistical estimation in economics’, 23, 317–332. VAR-Bayesiano para proyecciones en MATLAB