Please enable JavaScript.
Coggle requires JavaScript to display documents.
VECTORES AUTOREGRESIVOS (VAR) Modelo Multivariante Para Series de Tiempo …
VECTORES AUTOREGRESIVOS (VAR)
Modelo Multivariante Para Series de Tiempo
1. DEFINICIÓN BÁSICA
Ecuación general: Yₜ = c + A₁Yₜ₋₁ + ... + AₚYₜ₋ₚ + εₜ
CARACTERÍSTICAS
Todas variables endógenas
Captura interdependencias
Enfoque ateórico
2. SUPUESTOS CLAVE
Estacionariedad de series
Linealidad en relaciones
Errores Esféricos
Media cero
Covarianza constante
No autocorrelación
3. ESPECIFICACIÓN
Selección de retardos (p):
AIC, BIC, HQ
Métodos de Estimación
MCO (ecuación por ecuación)
Máxima verosimilitud
4. HERRAMIENTAS ANÁLISIS
Herramientas de Análisis
Ortogonalizada (Cholesky)
Generalizada
Descomposición Varianza
Causalidad Granger
5. EXTENSIONES IMPORTANTES
SVAR (Estructural)
VARX (con exógenas)
VECM (series cointegradas)
BVAR (Bayesiano)
6. APLICACIONES PRÁCTICAS
Política monetaria
Mercados financieros
Comercio internacional
Pronósticos macroeconómicos
7. VENTAJAS
Flexibilidad multivariante
Fácil estimación
Buenos pronósticos
No requiere teoría fuerte
8. LIMITACIONES
Sobreparametrización
Sensibilidad ordenamiento
Relaciones solo lineales
Dificultad interpretación
9. IMPLEMENTACIÓN
Pruebas estacionariedad
Selección orden óptimo
Estimación modelo
Diagnósticos residuos
Análisis FIR y causalidad
Descomposición varianza
10. DIAGNÓSTICOS
Autocorrelación (Ljung-Box)
Normalidad (Shapiro-Wilk)
Heterocedasticidad (ARCH)
Estabilidad (raíces polinomio)