On global identification in structural vector autoregressions

Este artículo refuta la suficiencia de la condición de identificación global propuesta por Rubio-Ramírez et al. (2010) para los modelos SVAR mediante un contraejemplo que revela la redundancia de restricciones, y propone una condición necesaria y suficiente modificada que corrige dicha deficiencia.

Lo esencial

Imagina que eres un detective que intenta resolver un crimen (el comportamiento de la economía) basándose en pistas dispersas (los datos económicos). Para hacerlo, necesitas un "mapa" que te diga exactamente quién hizo qué. En el mundo de la economía, este mapa se llama SVAR (un modelo matemático complejo).

El problema es que el mapa está borroso. Para aclararlo, los economistas ponen "restricciones": reglas como "el shock A no afecta al B" o "el efecto C es cero". Cuantas más reglas pones, más claro se vuelve el mapa.

Aquí es donde entra la historia de este papel:

1. La "Regla de Oro" anterior (RWZ)

Hasta ahora, existía una regla muy famosa y popular (creada por Rubio-Ramírez, Waggoner y Zha, o RWZ) para saber si tu mapa estaba bien resuelto. Era como una receta de cocina simple:

"Si cuentas el número de reglas que pusiste y el resultado es el número correcto, ¡tu modelo está perfectamente identificado! No necesitas saber nada más, solo contar."

A los economistas les encantaba esta receta porque era fácil: solo tenías que hacer una suma y una resta. Si la cuenta daba bien, asumían que el modelo funcionaba.

2. El problema: Las "Reglas Fantasma"

Los autores de este nuevo artículo (Bacchiocchi y Kitagawa) dicen: "¡Espera un momento! Esa receta tiene un defecto peligroso."

Imagina que estás intentando adivinar un número secreto.

• Te dicen: "El número es mayor que 5". (Regla 1)
• Te dicen: "El número es mayor que 10". (Regla 2)
• Te dicen: "El número es mayor que 15". (Regla 3)

Si usas la "receta simple" de contar, dirías: "¡Tengo 3 reglas! ¡Debo tener la respuesta!". Pero, en realidad, la Regla 3 es redundante. Si el número es mayor que 15, automáticamente es mayor que 10 y mayor que 5. La Regla 3 no te da nueva información; es una "regla fantasma" que solo ocupa espacio.

En el modelo económico, a veces ocurre lo mismo: Una regla que pones sobre una variable hace que otra regla que pusiste sobre otra variable sea automáticamente cierta. No estás añadiendo información nueva, solo estás repitiendo lo mismo de otra forma.

La "receta simple" de RWZ no ve esto. Cuenta las reglas, ve que hay suficientes, y te dice: "¡Todo bien!". Pero en realidad, tu mapa sigue borroso porque una de tus reglas no estaba aportando nada nuevo.

3. El ejemplo del "Triángulo Mágico"

Los autores dan un ejemplo concreto (un modelo de 3 variables) donde pusieron reglas para que ciertas cosas fueran cero.

• Según la receta vieja: "¡Tienes 2 reglas en la columna 1 y 1 en la columna 2! ¡Perfecto! El modelo está resuelto".
• La realidad: Al analizarlo con lupa, descubren que la segunda regla era una "regla fantasma". Ya estaba implícita en la primera. Por lo tanto, el modelo no estaba resuelto. Había infinitas soluciones posibles, y el modelo no podía decidir cuál era la correcta.

Es como si un juez dijera: "Tengo 3 testigos que dicen que el sospechoso estaba en la cocina". Pero resulta que los 3 testigos son el mismo hombre disfrazado. No tienes 3 pruebas, tienes 1. Y con 1 prueba, no puedes condenar a nadie.

4. La Nueva Solución: El "Detector de Reglas Fantasma"

Los autores proponen una nueva receta (un nuevo algoritmo) que es un poco más inteligente. En lugar de solo contar las reglas, el nuevo método hace lo siguiente:

1. Pone a prueba las reglas una por una: En lugar de mirar el montón completo, mira cada regla individualmente.
2. Pregunta: "¿Esta nueva regla realmente me da información nueva, o es solo una copia de lo que ya sabía?"
3. Verifica la solidez: Si la regla es "redundante" (una copia fantasma), el sistema avisa: "¡Alerta! Esta regla no cuenta. Necesitas una regla real".

Es como si, en lugar de simplemente contar los ladrillos de una pared, un inspector de construcción revisara si cada ladrillo está realmente pegado y soportando peso, o si es solo un ladrillo de mentira pintado en la pared.

¿Por qué es importante esto?

Si un economista usa la receta vieja y se equivoca, podría publicar un estudio diciendo: "¡Descubrimos que subir los tipos de interés baja la inflación!". Pero si su modelo tenía "reglas fantasma", esa conclusión podría ser falsa. Podría estar confundiendo el ruido con la señal.

En resumen:
Este artículo le dice a los economistas: "No confíes ciegamente en la cuenta simple. A veces, una regla parece útil pero es redundante. Usa nuestro nuevo detector para asegurarte de que cada regla que pones está realmente aportando algo nuevo a la solución del misterio económico".

Es una actualización necesaria para que los mapas económicos sean verdaderamente fiables y no solo parezcan bien en el papel.

Resumen técnico

Resumen Técnico: Identificación Global en Autoregresiones Vectoriales Estructurales (SVAR)

1. El Problema

El artículo aborda una limitación crítica en la literatura de las Autoregresiones Vectoriales Estructurales (SVAR), específicamente en relación con el trabajo seminal de Rubio-Ramírez, Waggoner y Zha (2010) (en adelante, RWZ).

• Contexto: RWZ proporcionaron condiciones necesarias y suficientes para la identificación global de los parámetros estructurales bajo restricciones de cero (exclusión) y transformaciones no lineales. Su Teorema 7 es particularmente popular entre los economistas aplicados porque reduce la verificación de la identificación global a un simple ejercicio de conteo de restricciones (verificar si $q_j = n - j$).
• La Falla: Los autores demuestran que el Teorema 7 de RWZ depende de supuestos técnicos estrictos (específicamente, que la transformación de los parámetros sea "regular", lo que implica que la derivada primera tenga rango completo).
• El Fenómeno de Redundancia: Cuando estos supuestos técnicos no se cumplen, el Teorema 7 puede fallar al detectar restricciones redundantes. Una restricción redundante es aquella que está implícitamente forzada por otras restricciones ya impuestas. En estos casos, la restricción adicional no aporta información identificadora nueva, pero el Teorema 7 de RWZ la cuenta erróneamente como si redujera la dimensión del espacio de parámetros, llevando a una conclusión falsa de identificación global cuando en realidad el modelo no está identificado.

2. Metodología y Ejemplo Ilustrativo

Los autores utilizan un enfoque analítico y computacional para demostrar su punto:

• Ejemplo Contradictorio: Construyen un SVAR trivariante con restricciones de cero en la matriz estructural $A_0$ y en la matriz de respuesta al impulso contemporánea ($IR_0 = A_0^{-1\prime}$).
  • Imponen restricciones que, según el Teorema 7 de RWZ, deberían garantizar la identificación.
  • Sin embargo, un análisis algebraico revela que las restricciones impuestas en $A_0$ implican automáticamente una de las restricciones impuestas en $IR_0$.
  • Resultado: La tercera restricción es redundante. Al aplicar el algoritmo de RWZ, se observa que la matriz de restricciones $\tilde{Q}_2$ no tiene rango completo, lo que significa que no se puede determinar un vector ortogonal único ($p_2$), fallando la identificación global.
• Análisis de la Derivada: Demuestran que en este ejemplo, la transformación $f(\cdot)$ no es regular (la derivada primera no tiene rango completo), violando la Condición 2 de RWZ. Esto invalida la suficiencia del Teorema 7 en este contexto.
• Limitación del Teorema 6 de RWZ: Aunque el Teorema 6 de RWZ (que verifica el rango de matrices $M_j$) podría detectar el problema, requiere un conocimiento analítico exhaustivo de cómo las restricciones se traducen en otras restricciones implícitas, lo cual es computacionalmente inviable en modelos de gran escala.

3. Contribuciones Clave

El artículo ofrece tres contribuciones principales:

1. Diagnóstico de la Redundancia: Identifican y formalizan el problema de la redundancia de restricciones como la causa raíz del fallo del Teorema 7 de RWZ cuando los supuestos de regularidad no se cumplen.
2. Nueva Condición Necesaria y Suficiente (Teorema 1): Proponen una condición modificada para la identificación exacta que elimina la necesidad de los supuestos de "regularidad fuerte" de RWZ.
   • La nueva condición requiere dos cosas:
     1. Cumplir el conteo de restricciones ($q_j = n - j$).
     2. Que las restricciones sean no redundantes en el punto de parámetros dado.
   • Formalmente, esto significa que para cada paso $j$, las restricciones $Q_j f(A_0, A_+)$ deben ser linealmente independientes de los vectores ortogonales previamente identificados ($p_1, \dots, p_{j-1}$).
3. Algoritmo Computacional (Algoritmo 1): Desarrollan un algoritmo práctico y fácil de implementar que verifica la identificación global en un punto específico del espacio de parámetros (por ejemplo, una estimación de máxima verosimilitud o un dibujo de la distribución posterior en un BVAR).
   • El algoritmo verifica secuencialmente el rango de las matrices $\tilde{Q}_j$.
   • Si $\text{rango}(\tilde{Q}_j) = n - 1$ para todo $j$, la identificación es exacta.
   • Si el rango es menor, indica redundancia y falta de identificación.

4. Resultados Principales

• Fallo del Teorema 7: Se confirma que el Teorema 7 de RWZ puede producir falsos positivos (afirmar identificación donde no la hay) si existen restricciones redundantes que no son detectadas por el simple conteo.
• Validez del Nuevo Enfoque: La condición propuesta en el Teorema 1 es robusta incluso cuando la transformación no es regular. Funciona correctamente en el ejemplo trivariante donde RWZ falla.
• Aplicabilidad General: El nuevo método es aplicable a transformaciones que no cumplen las condiciones de RWZ, como:
  • Restricciones de corto plazo en choques de política monetaria en VARs mensuales (donde la dimensión de la transformación excede la de los parámetros).
  • Modelos que mezclan restricciones de corto plazo, largo plazo y respuestas acumuladas (ej. modelos tipo Blanchard-Quah o King et al.).

5. Significado e Implicaciones

• Para la Práctica Empírica: El artículo es crucial para los economistas aplicados que utilizan SVARs. Proporciona una herramienta de diagnóstico (el Algoritmo 1) para evitar conclusiones erróneas sobre la identificación de sus modelos.
• Robustez: Permite utilizar restricciones de identificación más complejas y realistas (combinando restricciones en $A_0$ y en respuestas al impulso) sin depender de supuestos técnicos de regularidad que a menudo son difíciles de verificar o violados en la práctica.
• Recomendación: Los autores recomiendan encarecidamente que cualquier investigador que utilice restricciones de igualdad para identificar SVARs verifique la no redundancia de sus restricciones mediante su algoritmo, en lugar de confiar ciegamente en el conteo de restricciones del Teorema 7 de RWZ.

En resumen, el artículo refina la teoría de identificación de SVARs, corrigiendo una falla sutil pero importante en un estándar de la industria y proporcionando un método computacionalmente eficiente para garantizar la validez de los resultados empíricos.