SVARs with breaks: Identification and inference

Este artículo propone un marco de vectores autorregresivos estructurales con rupturas (SVAR-WB) que integra restricciones de estabilidad y desigualdad para abordar problemas de identificación local, ofreciendo métodos de inferencia bayesiana y robusta que consideran todos los parámetros estructuralmente equivalentes observacionalmente.

Lo esencial

¡Claro que sí! Imagina que este artículo es como un manual de detectives para entender cómo funciona la economía, pero con un giro especial: los sospechosos (las variables económicas) cambian de personalidad dependiendo de la época.

Aquí tienes la explicación de la investigación de Bacchiocchi y Kitagawa, traducida a un lenguaje sencillo y con analogías creativas:

1. El Problema: La Economía es un Camaleón

Imagina que estás intentando entender por qué sube o baja el precio de la gasolina. En un mundo perfecto, las reglas serían siempre las mismas. Pero en la economía real, las reglas cambian.

• La Gran Inflación (años 70): El dinero valía poco, los precios subían rápido y el Banco Central (la Reserva Federal en EE. UU.) actuaba de una manera muy reactiva y a veces desesperada.
• La Gran Moderación (años 80 en adelante): La economía se volvió más estable, los precios se controlaron mejor y el Banco Central actuó de forma más predecible y agresiva contra la inflación.

Los economistas usan unas herramientas llamadas SVAR (modelos que intentan desentrañar qué causa qué). El problema es que si usas las mismas reglas para analizar los años 70 y los 80, es como intentar usar un mapa de la Edad Media para navegar por una autopista moderna: no funciona. Además, a veces los datos no son suficientes para saber exactamente qué está pasando; es como intentar adivinar quién rompió el jarrón viendo solo un poco de polvo.

2. La Solución: El "Detective de Regímenes"

Los autores proponen un nuevo modelo llamado SVAR-WB (Modelo con Rupturas Estructurales).

Imagina que tienes dos cámaras de seguridad: una grabando el año 1975 y otra el año 2005.

• El truco: En lugar de tratarlas por separado, el modelo las mira juntas, pero reconociendo que las reglas del juego son diferentes en cada época.
• La clave: Asumen que, aunque las reglas cambian, algunas cosas se mantienen estables. Por ejemplo, la forma en que un shock de oferta (como una sequía) afecta a la economía podría ser similar en ambas épocas, aunque la reacción del Banco Central sea distinta.

Al buscar lo que no cambia (la estabilidad) entre dos épocas que sí cambian, el modelo logra "atrapar" mejor la verdad. Es como si, para encontrar a un ladrón, supieras que su huella dactilar es la misma en dos crímenes diferentes, aunque el lugar y la hora sean distintos.

3. El Obstáculo: El "Efecto Espejo" (Identificación)

Aquí viene la parte más técnica, pero la explicaremos con un espejo.

Cuando los economistas intentan resolver estas ecuaciones, a veces se encuentran con un problema: hay varias soluciones posibles que parecen idénticas.

• Imagina que miras tu reflejo en un espejo. ¿Es el reflejo la persona real o es una copia? En matemáticas, a veces hay dos o tres "copias" (soluciones) que explican los datos igual de bien.
• El error común: Los métodos antiguos (como el de "máxima verosimilitud") solían elegir una de esas copias al azar y decir: "¡Esta es la verdad!".
• El peligro: Si eliges la copia equivocada, tus conclusiones sobre la economía serán falsas. Es como si el detective decidiera que el sospechoso A es el culpable solo porque se veía más sospechoso, ignorando que el sospechoso B era idéntico.

4. La Innovación: Contar con Todas las Copias

La gran contribución de este paper es decir: "No elijas solo una. Mira todas las posibilidades".

• Identificación Local: A veces, el modelo no tiene una única respuesta, sino un conjunto de respuestas posibles (un "conjunto identificado").
• El nuevo enfoque: En lugar de ignorar las otras posibilidades, los autores crean algoritmos para encontrar todas las soluciones válidas.
• Inferencia Robusta: Luego, en lugar de dar una sola respuesta, dicen: "La respuesta real está dentro de este rango de posibilidades". Si usas un método bayesiano (basado en creencias previas) o uno frecuentista (basado solo en datos), ahora tienes que considerar todas las copias del espejo para no equivocarte.

5. El Ejemplo Real: La Reserva Federal (Fed)

Para probar su teoría, aplicaron el modelo a la política monetaria de EE. UU. comparando la "Gran Inflación" y la "Gran Moderación".

• Lo que descubrieron:
  • En la Gran Inflación, la Fed reaccionaba de forma más lenta y menos predecible.
  • En la Gran Moderación, la Fed se volvió más agresiva y rápida contra la inflación.
• La consecuencia interesante: Porque la Fed se volvió tan buena reaccionando a los problemas (choques de precios), cuando ocurría un "shock de política monetaria" (una decisión inesperada de subir/bajar tasas), el impacto en la economía real (el desempleo, el crecimiento) fue más fuerte y más claro en la época moderna.
  • Analogía: Imagina que antes el conductor (la Fed) conducía con los ojos cerrados. Si chocaba, el daño era aleatorio. Ahora, el conductor tiene los ojos bien abiertos y frena con precisión. Si decide frenar de golpe (un shock), el coche se detiene de forma más dramática y predecible.

En Resumen

Este paper es como un manual de supervivencia para economistas que trabajan con datos inestables. Nos enseña que:

1. La economía cambia de época en época.
2. No podemos ignorar esos cambios, pero tampoco podemos tratar cada época como un mundo totalmente separado.
3. Cuando hay varias respuestas posibles (espejos), no debemos elegir una al azar; debemos considerar todas para sacar conclusiones sólidas.
4. Al hacerlo, descubrimos que la Reserva Federal se volvió mucho más efectiva (y sus decisiones más potentes) después de los años 80.

Es una herramienta que nos ayuda a no caer en la trampa de "ver solo lo que queremos ver" cuando analizamos datos económicos complejos.

Resumen técnico

Resumen Técnico: SVARs con Rupturas Estructurales: Identificación e Inferencia

1. El Problema de Investigación

El artículo aborda tres desafíos fundamentales en la literatura macroeconómica y de series de tiempo:

1. Identificación débil: La variación limitada en los datos a menudo impide la identificación única de los parámetros estructurales.
2. Inestabilidad de parámetros: Las relaciones macroeconómicas y financieras suelen sufrir cambios estructurales (rupturas) a lo largo del tiempo (ej. la "Gran Moderación").
3. Falta de información teórica: La teoría económica a menudo no proporciona suficiente información para identificar unívocamente los parámetros de los modelos empíricos.

El problema central es cómo utilizar las rupturas estructurales (cambios en los parámetros entre diferentes regímenes) de manera constructiva para resolver o mitigar los problemas de identificación en los Modelos de Vectores Autorregresivos Estructurales (SVAR), específicamente cuando la identificación es local (existen múltiples soluciones observacionalmente equivalentes) en lugar de global.

2. Marco Metodológico: SVAR-WB

Los autores proponen una clase de modelos denominados SVAR-WB (SVAR con Rupturas Estructurales).

• Estructura del Modelo: Se asume que la muestra está dividida en $s$ regímenes definidos por $s-1$ fechas de ruptura exógenas ($TB_1, \dots, TB_{s-1}$).
  • La ecuación estructural varía por régimen $p$: $A_{p0}y_t = a_p + \sum_{i=1}^l A_{pi}y_{t-i} + \varepsilon_t$.
  • Los parámetros estructurales pueden cambiar entre regímenes, pero se permiten restricciones que vinculan los regímenes.
• Tipos de Restricciones Propuestas:
  1. Restricciones de Igualdad (Stability): Algunos parámetros o funciones de ellos (como respuestas al impulso) permanecen estables a través de los regímenes.
  2. Restricciones de Desigualdad: Incluyen restricciones de signo, de rango (ranking) y sobre las varianzas del error de pronóstico (FEV), tanto dentro de un régimen como entre regímenes.
• Formulación: El modelo se define mediante una función que mapea los parámetros estructurales a los parámetros de forma reducida. La identificación se analiza en términos de la existencia de matrices ortogonales $Q$ que transforman los parámetros estructurales sin alterar la forma reducida.

3. Contribuciones Clave

A. Teoría de Identificación

• Identificación Local vs. Global: Demuestran que, al imponer restricciones entre regímenes (especialmente de estabilidad), el SVAR-WB suele ser localmente identificado. Esto significa que existen un número finito de puntos aislados en el espacio de parámetros que son observacionalmente equivalentes.
• Condiciones de Identificación:
  • Derivan una condición de orden necesaria para la identificación.
  • Establecen una condición de rango suficiente (y necesaria y suficiente en casos generales) para verificar la identificación local. Esta condición se basa en el rango de una matriz construida a partir de las restricciones y los parámetros libres.
  • Proporcionan algoritmos (Algoritmos 1 y 2) para verificar numéricamente si las restricciones impuestas logran la identificación local.
• Identificación Parcial: Permiten identificar solo un subconjunto de choques estructurales, dejando el resto sin identificar.

B. Estimación y el Problema de la Multimodalidad

• El Problema: En modelos localmente identificados, la función de verosimilitud tiene múltiples picos (máximos locales). Los enfoques frecuentes tradicionales (ML) suelen seleccionar un solo pico, lo que puede llevar a inferencias engañosas.
• Solución Propuesta: Desarrollan algoritmos (Algoritmo 3) para calcular todos los puntos de parámetros estructurales admisibles (el conjunto identificado) que satisfacen las restricciones de igualdad y desigualdad para un punto dado de forma reducida. No se elige un único "mejor" parámetro, sino que se considera todo el conjunto de soluciones.

C. Inferencia Estadística
Los autores proponen tres enfoques para realizar inferencia que tengan en cuenta todas las soluciones admisibles:

1. Inferencia Bayesiana Pura: Utiliza un prior uniforme sobre las matrices ortogonales admisibles. Esto permite aproximar la distribución posterior considerando la multimodalidad, evitando que los algoritmos MCMC estándar fallen al explorar todos los modos.
2. Inferencia Frecuentista Válida: Proyecta el conjunto de confianza asintótico de los parámetros de forma reducida a través del conjunto identificado. Esto genera intervalos de confianza que pueden ser disconexos (conjuntos de intervalos) y son válidos asintóticamente, independientemente de la elección de pesos previos.
3. Inferencia Bayesiana Robusta: Extiende el enfoque de Giacomini y Kitagawa (2021) a SVAR-WBs. En lugar de un prior único, se considera una clase de priores sobre las matrices ortogonales. Esto permite calcular probabilidades posteriores inferiores y superiores, así como regiones creíbles robustas, eliminando la sensibilidad a la elección específica del prior en modelos con identificación parcial o local.

D. SVARs Identificados por Conjuntos (Set-Identified)

• Cuando las restricciones de desigualdad (signo, rango, FEV) no son suficientes para lograr identificación local (puntos aislados), el modelo se vuelve identificado por conjuntos (el conjunto identificado tiene medida positiva).
• Proponen métodos específicos (Algoritmos 4 y 5) para realizar inferencia en este contexto, incluyendo la estimación de medias posteriores robustas y regiones creíbles, incluso cuando el conjunto identificado no es convexo.

4. Resultados Empíricos

La aplicación empírica analiza la transmisión de la política monetaria de EE. UU. durante dos regímenes:

1. Gran Inflación (Pre-Volcker): 1954q3 - 1979q2.
2. Gran Moderación (Post-Volcker): 1979q3 - 2008q3.

Se comparan cinco especificaciones del modelo (Modelos I a V) con diferentes combinaciones de restricciones:

• Hallazgos Principales:
  • Identificación Local (Modelo I y II): Al imponer restricciones de estabilidad y signo, se observa que la respuesta del producto a un choque de política monetaria restrictiva es bimodal en el primer régimen (Gran Inflación), sugiriendo incertidumbre sobre la dirección del efecto. Las restricciones de signo ayudan a eliminar soluciones poco probables.
  • Identificación por Conjuntos (Modelos III, IV y V): Al relajar las restricciones de igualdad e imponer restricciones de rango y FEV entre regímenes:
    • La política monetaria tiene un efecto recesivo significativo en la Gran Moderación.
    • En la Gran Inflación, el efecto se vuelve menos significativo o ambiguo.
  • Comparación con la Literatura: A diferencia de estudios previos (como Boivin y Giannoni, 2006) que asumen esquemas de identificación recursiva (Cholesky) estrictos, este enfoque permite que la reacción de la Fed a choques de demanda y oferta sea inmediata y varíe entre regímenes.
  • Interpretación: Los resultados sugieren que la Fed desarrolló una función de reacción más agresiva y persistente ante choques de precios durante la Gran Moderación. Esto, paradójicamente, hace que los choques de política monetaria "inesperados" (ortogonales a la reacción sistemática) tengan un impacto más pronunciado en la economía real durante la Gran Moderación, ya que los agentes económicos ya anticipan la reacción sistemática.

5. Significado e Impacto

• Avance Metodológico: El papel proporciona el marco teórico y práctico completo para manejar SVARs con rupturas estructurales que sufren de identificación local o por conjuntos.
• Superación de Limitaciones: Resuelve el problema de la selección arbitraria de un único pico en la verosimilitud (problema común en la literatura actual) al proponer métodos que integran todas las soluciones admisibles.
• Nuevas Herramientas de Inferencia: Introduce la inferencia bayesiana robusta y frecuentista válida para modelos con múltiples regímenes y restricciones cruzadas, ofreciendo intervalos de confianza más honestos y robustos.
• Relevancia Empírica: Demuestra que ignorar la multimodalidad o las restricciones entre regímenes puede llevar a conclusiones erróneas sobre la efectividad y el impacto de la política monetaria en diferentes periodos históricos.

En resumen, el artículo establece un nuevo estándar para la estimación e inferencia en modelos macroeconómicos dinámicos donde la inestabilidad estructural es una característica central y no un obstáculo a evitar.