Quasi-Bayesian Local Projection Instrumental-Variables Method: Application to Renewable Energy and Electricity Prices

Resumen Técnico: Método de Proyecciones Locales con Variables Instrumentales Cuasi-Bayesiano

Planteamiento del Problema
Estimar efectos causales dinámicos utilizando Proyecciones Locales (PL) es un enfoque estándar en la econometría aplicada. Cuando la variable de tratamiento es endógena, los investigadores combinan PL con Variables Instrumentales (VI) para formar estimadores PL–VI. Sin embargo, una limitación significativa de la PL–VI estándar es que las estimaciones en diferentes horizontes se calculan de forma independiente. En muestras finitas, particularmente con datos de alta frecuencia y relaciones señal-ruido bajas, esta independencia genera ruido de muestreo que crea funciones de respuesta al impulso (FRI) irregulares y difíciles de interpretar. Además, la inferencia estándar a menudo depende de intervalos de confianza puntuales, que no tienen en cuenta la correlación cruzada entre horizontes inherente a una trayectoria de respuesta, lo que potencialmente conduce a conclusiones engañosas sobre la forma general del efecto dinámico.

Metodología
El artículo propone un marco de PL–VI Cuasi-Bayesiano que regulariza las respuestas al impulso a través de los horizontes mientras mantiene las propiedades de identificación de la estimación con VI. La metodología integra tres componentes centrales:

1. Cuasi-posterior basada en Momentos: Siguiendo a Chernozhukov & Hong (2003), el enfoque construye una distribución cuasi-posterior utilizando la función objetivo del Método Generalizado de Momentos (MGM) derivada de las condiciones de momento de las VI. Esto evita la necesidad de una especificación completa de la verosimilitud, preservando así la robustez de la identificación con VI frente a una mala especificación de la verosimilitud.

   • La cuasi-posterior se define como:
     $$\pi(\theta) \propto \exp\left\{ -\frac{T}{2} \bar{m}(\theta)^\top W \bar{m}(\theta) \right\} p(\theta)$$
     donde $\bar{m}(\theta)$ representa las condiciones de momento muestrales, $W$ es una matriz de ponderación y $p(\theta)$ es una previa.

2. Previa con Penalización de Rugosidad: Para abordar el ruido en las estimaciones específicas de cada horizonte, el artículo introduce una previa adecuada de campo aleatorio de Markov gaussiano con una penalización de rugosidad.

   • Para una trayectoria de coeficientes $\theta_j$ a través de los horizontes, la previa es $\theta_j | \tau_j \sim N(0, \tau_j^2 Q^{-1})$.
   • La matriz de precisión $Q = D^\top D + \frac{8}{\rho^2}I$ penaliza las diferencias adyacentes (mediante la matriz de diferencias de primer orden $D$) y el nivel general (mediante el término de cresta).
   • El parámetro de escala $\tau_j$ sigue una previa jerárquica de media-Cauchy, permitiendo que los datos determinen el grado de contracción. Esto permite que el estimador tome prestada información de horizontes vecinos, suavizando la trayectoria de la FRI sin imponer restricciones paramétricas rígidas.

3. Inferencia y Cálculo:

   • Cálculo: La cuasi-posterior se muestrea utilizando un muestreador de Gibbs. La distribución condicional de los coeficientes dados los parámetros de escala es gaussiana, aprovechando la estructura dispersa de la matriz de precisión para la eficiencia. Los parámetros de escala se actualizan mediante una mezcla de escalas de distribuciones gamma inversa.
   • Inferencia: Si bien las estimaciones puntuales se derivan de la media de la cuasi-posterior, la cuantificación de la incertidumbre permanece frecuentista. El artículo construye intervalos de confianza puntuales y bandas de confianza simultáneas utilizando una matriz de covarianza tipo sándwich basada en las condiciones de momento apiladas. Esto asegura que las medidas de incertidumbre reflejen la variabilidad de muestreo del estimador basado en momentos en lugar de la incertidumbre posterior sobre los parámetros de suavizado.

Contribuciones Clave

1. Integración Metodológica: El artículo introduce la primera formulación cuasi-Bayesiana basada en momentos específicamente para PL–VI. A diferencia de los métodos Bayesianos de PL existentes (por ejemplo, Tanaka, 2020; Ferreira et al., 2025) que dependen de restricciones narrativas o VARs, este enfoque incorpora directamente las restricciones de momento de las VI en la cuasi-posterior.
2. Regularización sin Verosimilitud: Ofrece una manera de suavizar las respuestas al impulso a través de los horizontes utilizando una previa con penalización de rugosidad sin requerir una verosimilitud estructural completa, manteniendo así la flexibilidad y las ventajas de identificación del marco PL–VI.
3. Inferencia Conjunta: Al estimar toda la secuencia de coeficientes como un vector de parámetros combinado, el marco facilita la inferencia conjunta (bandas simultáneas) que tiene en cuenta la dependencia cruzada entre horizontes, abordando una limitación conocida de la inferencia puntual.
4. Equivalencia Asintótica: El artículo establece que, bajo condiciones de regularidad estándar, la media de la cuasi-posterior es asintóticamente equivalente al estimador MGM estándar, asegurando que la regularización no comprometa las propiedades de la muestra grande del estimador con VI.

Resultados Empíricos
El método se aplica a datos diarios del mercado mayorista de electricidad danés (DK1 y DK2) para estimar el efecto causal dinámico de la generación eólica y solar sobre los precios de la electricidad.

• Instrumentación: El potencial renovable impulsado por el clima (derivado de datos de reanálisis ERA5) se utiliza como instrumento para la generación renovable observada para abordar la endogeneidad.
• Hallazgos:
  • Viento: Un aumento de una desviación estándar en la generación eólica conduce a una disminución significativa e inmediata en los precios mayoristas de la electricidad (aprox. 8 EUR/MWh en DK1 y 4 EUR/MWh en DK2). Este efecto disminuye en 3–4 días, consistente con el efecto de orden de mérito.
  • Solar: El efecto de la generación solar es menor y se estima con menos precisión en datos diarios, con intervalos de confianza que a menudo incluyen cero.
  • Rendimiento Metodológico: El estimador cuasi-Bayesiano con la previa de penalización de rugosidad produce trayectorias de FRI más suaves y más interpretables en comparación con el estimador MGM sin restricciones. Los estudios de simulación confirman que esta regularización reduce el Error Cuadrático Medio (RMSE), particularmente en horizontes medios y largos, al mitigar el ruido de muestreo.

Significado y Afirmaciones
El artículo afirma avanzar en el campo de la estimación de respuestas al impulso al proporcionar una herramienta que equilibra la flexibilidad de la PL no paramétrica con la estabilidad de la regularización.

• Significado Econométrico: Demuestra que la regularización cuasi-Bayesiana es efectiva para parámetros indexados por un horizonte (trayectorias) en lugar de coeficientes escalares. Mejora el rendimiento en muestras finitas (menor RMSE) y facilita la inferencia conjunta sin sacrificar las garantías de identificación de los métodos con VI.
• Significado Político: La aplicación empírica destaca que la integración de energías renovables afecta no solo a los precios inmediatos, sino también a la dinámica de precios a corto plazo. Los hallazgos sugieren que el efecto de orden de mérito es más relevante en horizontes cortos, con implicaciones para los mercados de balance, los incentivos de almacenamiento y las estrategias de gestión de riesgos en sistemas eléctricos con alta penetración renovable.

Los autores mantienen una postura modesta, señalando que el método es una herramienta de regularización para la estimación puntual, mientras que la identificación depende de las condiciones de momento de las VI. Reconocen que los instrumentos funcionan como instrumentos de "estado climático" en lugar de instrumentos de "innovación climática" puros, y los resultados se interpretan bajo una restricción de exclusión condicional. Las direcciones de investigación futura sugeridas incluyen extender el marco a sistemas sobreidentificados y desarrollar procedimientos para instrumentos débiles.