Identification in (Endogenously) Nonlinear SVARs Is Easier Than You Think

Este artículo demuestra que la identificación en modelos SVAR no lineales con endogeneidad en la no linealidad es tan sencilla como en los lineales, ya que bajo condiciones de regularidad débiles los parámetros y choques estructurales se identifican hasta una transformación ortogonal, permitiendo que la mayoría de los esquemas de identificación existentes se apliquen directamente sin aumentar el número de restricciones necesarias.

Lo esencial

¡Hola! Imagina que la economía es como un gigantesco sistema de tuberías de agua donde el agua (el dinero, el empleo, la inflación) fluye constantemente. Durante décadas, los economistas han usado un mapa muy simple para predecir hacia dónde va ese agua: un mapa de líneas rectas.

Este mapa decía: "Si abro esta válvula un poco, el agua saldrá siempre de la misma manera, sin importar si es de día o de noche, si hace calor o frío". A esto le llamamos un modelo lineal.

Pero, como todos sabemos, la vida real es más caótica. A veces, si abres la válvula demasiado rápido, las tuberías se rompen o el agua se comporta de forma extraña. A veces, el sistema cambia de reglas dependiendo de si hay mucha o poca agua en el tanque. Esto es lo que los economistas llaman no linealidad.

El artículo que me has pasado, escrito por James Duffy y Sophocles Mavroeidis de la Universidad de Oxford, viene a decirnos algo muy emocionante: "¡No os asustéis! Identificar cómo funciona este sistema de tuberías curvas y retorcidas es mucho más fácil de lo que pensabais".

Aquí te explico las ideas clave con analogías sencillas:

1. El Problema de las "Tuberías que se doblan" (No linealidad Endógena)

Antes, cuando los economistas querían modelar situaciones donde las reglas cambiaban (por ejemplo, cuando los tipos de interés tocan el suelo y no pueden bajar más, o cuando hay escasez de trabajadores), usaban modelos donde el cambio de reglas dependía de algo externo (como el clima).

Pero en la economía, a veces el cambio de reglas lo provoca el propio sistema.

• La analogía: Imagina un coche con un sistema de frenos inteligente. Si vas lento, los frenos son suaves. Si vas muy rápido, los frenos se vuelven "duros" automáticamente. El cambio de comportamiento no depende de un conductor externo, sino de la velocidad del coche mismo.
• El problema: Los expertos pensaban que, como las reglas cambian según el estado del sistema, era imposible saber exactamente qué estaba pasando sin adivinar mucho. Pensaban que necesitaban miles de suposiciones extra para entender el modelo.

2. La Gran Revelación: "Es igual que en las líneas rectas"

La gran sorpresa de este paper es que, aunque las tuberías se doblen y el sistema cambie de reglas, la matemática para entenderlo es casi idéntica a la de las líneas rectas.

• La analogía: Imagina que tienes un mapa de un laberinto. Si el laberinto es de líneas rectas, es fácil de dibujar. Si el laberinto tiene curvas y giros inesperados, pensabas que necesitabas un mapa completamente nuevo y mucho más complejo.
• El descubrimiento: Los autores dicen: "No, en realidad, el mapa de las curvas es tan fácil de leer como el de las rectas". Si logras entender la dirección general (la rotación del mapa), puedes entender todo el sistema, sin importar cuán retorcido sea.

Esto significa que no necesitas inventar nuevas reglas complicadas. Puedes usar las mismas herramientas que ya usaban los economistas para los modelos simples, y funcionarán perfectamente incluso en el caos de la economía real.

3. El "Código Secreto" (Identificación)

En economía, hay un problema llamado "identificación". Es como intentar adivinar qué ingredientes hay en una sopa solo probándola.

• Si la sopa es simple (lineal), sabes que si le echas más sal, sabe más salada.
• Si la sopa es compleja (no lineal), pensabas que no podías saber si el sabor cambió por la sal o por el fuego.

Los autores demuestran que, aunque la sopa sea compleja, si sabes cómo se mueve el vapor (los choques o "shocks" económicos), puedes saber exactamente qué ingredientes hay, siempre y cuando apliques un pequeño "giro" matemático (una transformación ortogonal).

La moraleja: No necesitas adivinar. Si aplicas las restricciones correctas (como decir "este shock es positivo" o "ese shock no afecta a esta variable"), el modelo se desvela por sí mismo, igual que en los modelos simples.

4. El Ejemplo Real: La Curva de Phillips (El precio del pan y el empleo)

Para probar su teoría, aplicaron su método a la famosa Curva de Phillips, que relaciona el desempleo con la inflación (el precio de las cosas).

• La teoría vieja: Decía que la relación es una línea recta: si el desempleo baja, la inflación sube siempre igual.
• La realidad: En tiempos de crisis (como después de la pandemia), la relación cambia. Cuando hay mucha gente buscando trabajo (escasez de mano de obra), subir un poco más el empleo hace que los precios se disparen mucho más rápido que cuando hay mucho desempleo.

Usando su nuevo método "fácil", probaron si esta relación era una línea recta o una curva.

• El resultado: ¡Ganó la curva! Encontraron evidencia sólida de que la economía tiene "regímenes" diferentes. Cuando el mercado está relajado, la inflación es tranquila. Cuando el mercado está "apretado" (falta gente), la inflación se vuelve muy sensible y sube rápido.

En resumen

Este paper es como un manual de instrucciones que le dice a los economistas:

"Dejad de tener miedo a los modelos económicos complejos. Aunque la economía tenga curvas, cambios bruscos y reglas que se activan solas, podéis entenderla con las mismas herramientas sencillas que ya teníais. Solo tenéis que girar el mapa un poco y listo."

Es un alivio enorme para la ciencia económica, porque nos permite estudiar fenómenos reales (como la inflación post-pandemia o los límites de los tipos de interés) sin tener que perder años tratando de descifrar matemáticas imposibles. ¡La economía no lineal, al fin, es tan fácil de entender como la lineal!

Resumen técnico

Resumen Técnico: Identificación en SVARs No Lineales Endógenos

1. El Problema: Limitaciones de los SVARs Lineales y de Regímenes Exógenos

Los Vectores Autoregresivos Estructurales (SVAR) lineales han sido la herramienta estándar en macroeconomía durante décadas. Sin embargo, presentan limitaciones inherentes:

• Simetría: Asumen que la respuesta de la economía a un choque es idéntica independientemente del estado del ciclo económico (ej. un choque de demanda tiene el mismo efecto en recesión que en expansión).
• Restricciones de No Linealidad Exógena: Los modelos existentes de SVARs no lineales (como los de cambio de régimen de Markov o umbrales) suelen asumir que el régimen ($s_{t-1}$) es exógeno o predeterminado. Esto impide modelar:
  • Asimetrías dependientes del signo de los choques.
  • Restricciones que se activan ocasionalmente (ej. el límite inferior cero - ZLB - en tasas de interés), donde el régimen debe determinarse simultáneamente con las variables endógenas, no antes.
• Problema de Identificación: En los modelos de cambio de régimen exógeno, la identificación requiere restricciones adicionales por cada régimen ($L$), escalando el número de restricciones necesarias ($L \times p(p-1)/2$), lo que complica enormemente la estimación.

El objetivo del paper es abordar la identificación en una nueva clase de modelos: SVARs no lineales endógenos, donde la no linealidad ocurre en el lado izquierdo (las variables endógenas actuales), permitiendo que el régimen se determine simultáneamente con las variables.

2. Metodología y Marco Teórico

Modelo General:
Los autores proponen la siguiente forma general para un SVAR no lineal endógeno:
$$f_0(z_t) = f_1(z_{t-1}) + \varepsilon_t$$
Donde:

• $z_t \in \mathbb{R}^p$ son las variables endógenas.
• $\varepsilon_t \sim i.i.d.[0, I_p]$ son los choques estructurales.
• $f_0: \mathbb{R}^p \to \mathbb{R}^p$ es una función continua, invertible y posiblemente no lineal (lado izquierdo).
• $f_1: \mathbb{R}^{kp} \to \mathbb{R}^p$ es una función de los rezagos.

Resultados Principales de Identificación (Teorema 2.2):
Bajo condiciones de regularidad débiles (funciones localmente Lipschitz, densidad de choques diferenciable con máximo local, etc.), los autores demuestran un resultado fundamental:

• Equivalencia Observacional: Los parámetros del modelo $(f_0, f_1)$ y los choques $\varepsilon_t$ están identificados hasta una transformación ortogonal única $Q \in O(p)$.
• Implicación Crítica: Esto significa que, al igual que en un SVAR lineal, el problema de identificación se reduce a imponer $p(p-1)/2$ restricciones para fijar la matriz ortogonal $Q$.
• Generalidad: Este resultado es no paramétrico. No se asume una forma funcional específica para $f_0$ o $f_1$, ni una distribución específica para los choques (más allá de la existencia de densidad y momentos).

Parametrización de Forma Reducida Ortogonal:
Siguiendo la lógica de los SVARs lineales, los autores proponen una reparametrización donde se fija un punto $z_0$ y se descompone la Jacobiana $Df_0(z_0) = Q^\top L$ (descomposición QR). Esto permite separar los parámetros identificados $(g_0, g_1)$ de la parte no identificada $Q$, facilitando la aplicación de esquemas de identificación estándar (restricciones de signo, instrumentos externos, etc.) en el contexto no lineal.

Casos Especiales Analizados:

1. SVARs Afines a Trozos (Piecewise Affine SVARs): Modelos donde $f_0$ es una función afín continua definida en particiones convexas de $\mathbb{R}^p$. Esto permite el cambio de régimen endógeno. Los autores proveen condiciones primitivas (determinantes de las matrices de coeficientes en cada régimen) para asegurar la invertibilidad global.
2. Transiciones Suaves: Proponen suavizar las funciones afines a trozos mediante convolución con un núcleo (kernel) suave. A diferencia de los métodos tradicionales de reemplazar indicadores por funciones sigmoideas (que pueden perder la invertibilidad), esta convolución preserva la invertibilidad y la propiedad Lipschitz, manteniendo la validez del Teorema 2.2.
3. Heterocedasticidad (Teorema 5.1): Extienden el modelo para permitir que la varianza de los choques dependa de variables predeterminadas ($\sigma(z_{t-1}, v_{t-1})\varepsilon_t$). Muestran que si la varianza de los choques varía de manera no proporcional (no es un escalar de la identidad), se pueden obtener restricciones adicionales sobre $Q$ (identificación por heterocedasticidad), reduciendo la ambigüedad a una permutación con signo.

3. Contribuciones Clave

1. Generalización de la Identificación Lineal: Demuestran que la complejidad de identificación de los SVARs no lineales endógenos es la misma que la de los SVARs lineales. La flexibilidad adicional de la no linealidad no aumenta el número de restricciones necesarias para la identificación exacta.
2. Resolución del Problema de Regímenes Endógenos: Proporcionan el marco teórico formal para modelos donde el régimen (ej. ZLB, escasez de mano de obra) depende simultáneamente de las variables endógenas, algo que los modelos de cambio de régimen exógeno no pueden capturar correctamente.
3. Robustez en la Prueba de No Linealidad: Al establecer que la no linealidad es una propiedad invariante bajo transformaciones ortogales, permiten probar la presencia de no linealidad de manera robusta a la elección del esquema de identificación. Si no se encuentra no linealidad bajo un esquema, no existirá bajo ningún otro.
4. Aplicación a la Curva de Phillips: Ilustran la metodología aplicándola a la relación entre inflación y tensión del mercado laboral (ratio vacantes/desempleo), probando la existencia de una curva de Phillips no lineal dependiente del estado.

4. Resultados Empíricos (Aplicación a la Curva de Phillips)

Los autores estiman un SVAR de régimen endógeno con dos regímenes ("normal" y "escasez de mano de obra") basado en el trabajo de Benigno y Eggertsson (2023).

• Pruebas de Hipótesis: Realizan pruebas de razón de verosimilitud (LR) para dos hipótesis nulas:
  1. $H_0^{NS}$: No hay cambio de régimen endógeno (los coeficientes de impacto son iguales).
  2. $H_0^{lin}$: El modelo es completamente lineal (todos los coeficientes son iguales en todos los rezagos).
• Hallazgos:
  • Se rechaza fuertemente ambas hipótesis nulas en muestras largas (1960-2024) y cortas (2008-2024).
  • Existe evidencia sólida de que la dinámica de la inflación es dependiente del estado del mercado laboral.
• Pendientes de la Curva de Phillips:
  • Se estima que la pendiente de la curva de Phillips es significativamente más pronunciada en el régimen de "escasez de mano de obra" ($\log \theta_t > 0$) que en el régimen "normal".
  • En la muestra 2008-2024, la pendiente estimada es de 3.82 en el régimen de mercado laboral flojo y 16.92 en el régimen de escasez.
  • Estos resultados confirman que los choques de tensión del mercado laboral tienen efectos asimétricos y no lineales sobre la inflación, validando la necesidad de modelos endógenos no lineales.

5. Significado e Impacto

El artículo tiene un impacto significativo en la econometría macroeconómica por varias razones:

• Simplificación Conceptual: Desmitifica la identificación en modelos no lineales complejos, mostrando que los economistas pueden utilizar el mismo "kit de herramientas" de restricciones (signos, ordenamiento, instrumentos) que usan en modelos lineales, sin necesidad de desarrollar nuevos métodos de identificación desde cero.
• Viabilidad de Modelos Realistas: Hace viable la estimación de modelos que incorporan restricciones de no negatividad (como el ZLB) y asimetrías de forma natural, sin caer en problemas de identificación intratables.
• Resolución de Debates Empíricos: Proporciona un marco robusto para resolver debates sobre la no linealidad en la transmisión de choques (como el de la inflación post-pandemia), demostrando que la evidencia de no linealidad no es un artefacto de una identificación específica, sino una propiedad estructural del sistema.
• Flexibilidad Metodológica: La propuesta de usar convoluciones con núcleos para suavizar funciones a trozos ofrece una vía técnica superior para modelar transiciones suaves entre regímenes sin perder las propiedades matemáticas necesarias para la identificación.

En conclusión, Duffy y Mavroeidis establecen que la identificación en SVARs no lineales endógenos es "más fácil de lo que se piensa" porque la estructura fundamental de la equivalencia observacional se mantiene intacta respecto al caso lineal, permitiendo una transición fluida hacia modelos macroeconómicos más ricos y realistas.