Locally- but not Globally-identified SVARs

Este artículo aborda los desafíos de identificación local pero no global en los SVARs proponiendo algoritmos para calcular exhaustivamente todos los parámetros estructurales admisibles y desarrollar procedimientos de inferencia bayesianos y frecuentistas válidos para el conjunto de respuestas al impulso resultante.

Lo esencial

Imagina que estás intentando reconstruir un rompecabezas de un paisaje, pero tienes una pieza clave que falta: la foto de la caja que te dice cómo encajan todas las piezas. En economía, los científicos usan un modelo llamado SVAR (un sistema de ecuaciones matemáticas) para intentar entender qué causa qué en la economía (por ejemplo, ¿subir los tipos de interés causa una recesión?).

El problema es que, a veces, las reglas que usamos para armar el rompecabezas no son suficientes para tener una única solución perfecta.

Aquí es donde entra este artículo, escrito por Emanuele Bacchiocchi y Toru Kitagawa. Vamos a explicarlo con una analogía sencilla: El misterio de las llaves perdidas.

1. El Problema: "Hay dos llaves que abren la misma puerta"

Imagina que tienes una caja fuerte (la economía) y necesitas encontrar la llave correcta (el choque económico, como un cambio en la política monetaria) para abrirla.

• Identificación Global (El caso ideal): Tienes un mapa perfecto. Solo hay una llave que encaja en la cerradura. No hay dudas.
• Identificación Local (El caso de este paper): Tienes un mapa que te dice que la llave está en un bosque, pero el bosque tiene dos árboles muy separados. En la base de ambos árboles hay una llave que encaja perfectamente en la cerradura.
  • Las llaves son idénticas en función (abren la puerta), pero son físicamente diferentes (una es de madera, la otra de metal).
  • Los datos que tienes (el suelo del bosque) no te dicen cuál de las dos llaves es la "real". Ambas son posibles.

¿Qué hacían los economistas antes?
Antes, si encontraban una llave (digamos, la de madera), decían: "¡Listo! Esta es la solución". Hacían sus predicciones basándose en esa única llave.
El peligro: Si hubieran elegido la otra llave (la de metal), sus predicciones sobre la economía podrían haber sido totalmente diferentes, incluso contradictorias. Era como adivinar.

2. La Solución: "El explorador que busca todas las llaves"

Los autores dicen: "No podemos adivinar cuál es la llave correcta, así que encontraremos las dos".

Han creado un nuevo "algoritmo" (una receta matemática muy inteligente) que actúa como un explorador exhaustivo. En lugar de detenerse en la primera llave que encuentra, el explorador busca sistemáticamente todas las llaves posibles que encajan en la cerradura dadas las reglas del juego.

• En lugar de una sola respuesta: Ahora obtenemos un conjunto de respuestas posibles.
• La analogía del mapa: Imagina que en lugar de decirte "El tesoro está aquí", el mapa te dice: "El tesoro está en la Isla A o en la Isla B". El paper te da las coordenadas exactas de ambas islas.

3. ¿Cómo lo hacen? (La magia matemática simplificada)

El paper explica que, cuando las reglas son un poco extrañas (no son simples "ceros" y "unos", sino valores calibrados o restricciones entre diferentes choques), el sistema se vuelve "localmente identificado".

• Geometría: Imagina que las llaves posibles son puntos en un espacio geométrico. A veces, estos puntos están aislados (como islas). El paper demuestra cómo encontrar todas esas islas.
• Bayesianos (Los creyentes): Para los que usan probabilidades, tener dos soluciones es un dolor de cabeza porque sus computadoras a veces se quedan "atascadas" en una isla y olvidan la otra. Los autores proponen un método para que las computadoras salten de isla en isla, asegurándose de ver todas las posibilidades.
• Frecuentistas (Los escépticos): Para los que no quieren usar probabilidades subjetivas, proponen un método para dibujar un "rango de seguridad" que cubra todas las islas posibles. Es como decir: "El resultado estará en algún lugar entre la Isla A y la Isla B".

4. El Ejemplo Real: La Gran Inflación vs. La Gran Moderación

Para probar su teoría, aplicaron su método a un caso real: la política monetaria de EE. UU.

• Usaron datos de dos épocas muy diferentes: la época de alta inflación (años 70/80) y la época de estabilidad (años 90/2000).
• La volatilidad de los datos cambió entre estas épocas, lo que ayuda a identificar los choques.
• El hallazgo: Su método encontró dos choques de política monetaria posibles que encajaban perfectamente con la teoría económica.
  • Uno sugería que la política monetaria tenía un efecto muy fuerte y rápido.
  • El otro sugería un efecto más suave.
• La conclusión: En lugar de elegir uno y descartar el otro, mostraron ambos. Sus resultados finales (cómo reaccionan el empleo y la producción) fueron robustos: aunque había dos caminos posibles, ambos caminos llevaban a conclusiones económicas similares (la política monetaria sí funciona, pero con matices).

En resumen

Este paper es como un manual de instrucciones para cuando la realidad no es binaria (sí/no) sino que tiene múltiples verdades posibles que los datos no pueden distinguir.

• Antes: "Elegimos una verdad al azar y actuamos como si fuera la única".
• Ahora (con este paper): "Encontramos todas las verdades posibles, las mostramos todas y tomamos decisiones informadas sabiendo que la incertidumbre es parte del juego".

Es una herramienta fundamental para no caer en la trampa de creer que tenemos una respuesta única cuando, en realidad, la economía es un poco más compleja y tiene más de una cara.

Resumen técnico

Resumen Técnico: SVARs Identificados Localmente pero no Globalmente

1. El Problema: Identificación Local vs. Global en SVARs

Los modelos de Vectores Autoregresivos Estructurales (SVAR) son fundamentales para el análisis de política macroeconómica, específicamente para el cálculo de funciones de respuesta al impulso (IRF). Tradicionalmente, la literatura se ha centrado en restricciones que garantizan la identificación global (donde existe un único conjunto de parámetros estructurales que coincide con los datos).

Sin embargo, muchos modelos empíricos relevantes (como SVARs no recursivos, con restricciones calibradas, con cambios de régimen o heterocedásticos) solo logran identificación local.

• Definición: Un modelo está identificado localmente si, para casi cualquier punto de parámetros, existe un entorno abierto donde no hay otros puntos equivalentes observacionalmente. Sin embargo, a nivel global, pueden existir múltiples puntos aislados (modos) que son indistinguibles por los datos.
• Consecuencias de la falta de identificación global:
  • Frecuentista: La práctica común de seleccionar un solo estimador de máxima verosimilitud (MLE) es problemática, ya que diferentes maximizadores pueden implicar IRFs contradictorias. Los algoritmos numéricos estándar suelen converger a un solo modo sin explorar los demás.
  • Bayesiano: La falta de identificación global implica que la distribución posterior es sensible a la elección del prior incluso asintóticamente. Además, los algoritmos de muestreo (MCMC) pueden fallar al explorar todos los modos de la verosimilitud, resultando en una aproximación incorrecta de la posterior.

2. Metodología Propuesta

Los autores desarrollan un marco teórico y computacional para abordar estos desafíos en tres etapas principales:

A. Caracterización Teórica y Condiciones de Identificación

• Restricciones: Se analizan restricciones de igualdad (cero y no-cero) y de signo sobre los parámetros estructurales o funciones de ellos (como las IRFs).
• Condición de Rango: Se deriva una condición necesaria y suficiente para la identificación local basada en el rango de una matriz que combina las restricciones y la matriz ortogonal $Q$ (que rota la descomposición de Cholesky).
• Conteo de Soluciones: Se demuestra que bajo restricciones de igualdad, el número de puntos de parámetros observacionalmente equivalentes es finito.
  • Para restricciones triangulares: a lo sumo $2^n$ soluciones.
  • Para restricciones no triangulares: a lo sumo $2^{n(n+1)/2}$ soluciones.
• Geometría: Se ofrece una exposición geométrica mostrando cómo las restricciones no homogéneas (donde la constante $c \neq 0$) generan intersecciones múltiples entre la esfera unitaria (condición de ortogonalidad) y las restricciones lineales, creando múltiples soluciones válidas.

B. Algoritmos Computacionales para el Conjunto Identificado
Para superar la limitación de los métodos numéricos tradicionales, los autores proponen algoritmos que calculan exhaustivamente todos los parámetros estructurales admisibles dados los parámetros de forma reducida ($\phi$):

• Algoritmo 1 (SVAR Estándar): Resuelve un sistema de ecuaciones no lineales (polinómicas) para encontrar todas las matrices ortogonales $Q$ que satisfacen las restricciones. Utiliza solucionadores numéricos (como vpasolve en MATLAB) para hallar todas las raíces del sistema.
• Algoritmo 2 (SVAR Heterocedástico - HSVAR): Extiende el método a modelos con cambios de volatilidad. Resuelve un problema de descomposición espectral de la matriz de covarianza de los errores. Dado que el ordenamiento de los autovalores no está determinado económicamente, el algoritmo genera todas las permutaciones admisibles que cumplen con las restricciones de signo de las IRFs.

C. Procedimientos de Inferencia
Se proponen métodos de inferencia que son válidos tanto para Bayesistas como para Frecuentistas, reconociendo la naturaleza del conjunto identificado:

1. Inferencia Bayesiana Robusta:

   • En lugar de asumir un prior único sobre los modos, se utiliza un enfoque "agnóstico" donde se asignan pesos iguales a las matrices $Q$ admisibles dadas las restricciones.
   • Se integra el algoritmo de cálculo exhaustivo dentro del muestreo MCMC: se muestrea $\phi$ de la posterior de la forma reducida y, para cada $\phi$, se calculan todas las soluciones $Q$ admisibles, muestreando una de ellas según los pesos del prior. Esto permite explorar todos los modos de la posterior estructural.

2. Inferencia Frecuentista Válida (Proyección):

   • Se construyen intervalos de confianza proyectando el conjunto de confianza asintótico de los parámetros de forma reducida ($\phi$) a través del mapa del conjunto identificado discreto.
   • Dos enfoques de etiquetado:
     • Etiquetado Cambiante (Switching-label): Trata cada horizonte y variable por separado, capturando la multimodalidad marginal.
     • Etiquetado Fijo (Fixed-label): Mantiene etiquetas consistentes a través de horizontes y variables, permitiendo rastrear modelos económicos específicos a través del tiempo.
   • Estos intervalos son válidos asintóticamente y robustos a la elección de pesos previos sobre los modos.

3. Resultados Empíricos

Los autores aplican su metodología a un modelo de política monetaria New-Keynesiano utilizando un SVAR Heterocedástico (HSVAR) con datos de EE. UU. (1954-2007), inspirados en el trabajo de Caldara y Herbst (2019).

• Contexto: Se busca identificar choques de política monetaria utilizando el cambio de volatilidad entre la "Gran Inflación" y la "Gran Moderación".
• Hallazgo de Identificación Local: La descomposición espectral de la matriz de covarianza de los errores revela dos choques estructurales que son observacionalmente equivalentes y que ambos cumplen con las restricciones económicas teóricas (respuesta positiva persistente en la tasa de fondos federales).
• Resultados de la Inferencia:
  • Al forzar la selección de un solo choque, se obtienen conclusiones contradictorias.
  • Al aplicar la metodología propuesta, se observa una distribución posterior bimodal en las funciones de respuesta al impulso (especialmente en la tasa de interés y la producción industrial).
  • Los intervalos de confianza frecuentistas y las regiones creíbles robustas capturan ambas posibilidades, mostrando que, aunque la identificación no es global, las conclusiones económicas (efecto recesivo de la política monetaria, respuesta positiva del spread crediticio) son robustas a la ambigüedad de identificación.

4. Contribuciones Clave

1. Teoría de Identificación: Proporciona condiciones necesarias y suficientes para la identificación local en SVARs con restricciones generales (no recursivas, no homogéneas, entre choques) y caracteriza el número finito de soluciones.
2. Algoritmos de Cálculo Exhaustivo: Desarrolla métodos para encontrar todas las soluciones admisibles, eliminando la dependencia de la selección arbitraria de un único modo por parte de los algoritmos de optimización estándar.
3. Inferencia Robusta: Propone procedimientos de inferencia (Bayesiana y Frecuentista) que tratan el conjunto de puntos equivalentes como el "conjunto identificado", evitando la sensibilidad a priores arbitrarios y capturando la multimodalidad inherente.
4. Aplicabilidad General: La metodología es aplicable no solo a SVARs estándar, sino también a modelos con heterocedasticidad, modelos DSGE linealizados (donde la identificación suele ser local) y modelos de instrumentos externos.

5. Significancia

Este trabajo es crucial porque desafía la práctica estándar de tratar la identificación local como un problema de optimización numérica simple. Demuestra que ignorar la multiplicidad de soluciones en modelos localmente identificados puede llevar a inferencias erróneas o incompletas. Al ofrecer un marco para manejar explícitamente la ambigüedad de identificación, proporciona herramientas más fiables para la evaluación de políticas económicas en modelos complejos donde la identificación global es imposible o poco realista. Además, conecta la inferencia frecuentista con el análisis de sensibilidad Bayesiana, ofreciendo un puente metodológico robusto para la econometría moderna.