Identification by non-Gaussianity in structural threshold and smooth transition vector autoregressive models

Resumo Técnico: Identificação por Não-Gaussianidade em Modelos de Vetores Autorregressivos de Transição Suave Estruturais

Problema
Modelos de vetores autorregressivos estruturais (SVAR) lineares são ferramentas padrão para rastrear efeitos causais na macroeconomia, mas falham em capturar dinâmicas variantes no tempo induzidas por crises, mudanças de política ou flutuações do ciclo econômico. Embora modelos de SVAR não lineares, como os de Transição Suave de Vetores Autorreggressivos (STVAR), possam acomodar essas características, eles introduzem desafios significativos para a identificação. Métodos convencionais de identificação que dependem de restrições contemporâneas nulas são frequentemente economicamente restritivos e implausíveis. Métodos de identificação estatística baseados em heterocedasticidade (volatilidade variante no tempo) foram estendidos para modelos não lineares, mas sofrem de uma desvantagem importante: impõem efeitos de impacto relativo invariantes no tempo, o que contradiz a premissa fundamental dos modelos de mudança de regime. A identificação por não-gaussianidade, bem-sucedida em SVARs lineares, não havia sido formalmente estabelecida para modelos STVAR com matrizes de impacto variantes no tempo.

Metodologia
O artigo propõe um arcabouço para identificar choques estruturais em modelos STVAR usando a propriedade estatística da não-gaussianidade.

• Especificação do Modelo: O modelo STVAR estrutural é definido onde as inovações da forma reduzida $u_t$ estão relacionadas aos choques estruturais $e_t$ via uma matriz de impacto variante no tempo $B_{y,t}$. A matriz de impacto é especificada como uma soma ponderada de matrizes de impacto específicas de cada regime: $B_{y,t} = \sum_{m=1}^M \alpha_{m,t} B_m$, onde $\alpha_{m,t}$ são pesos de transição (exógenos, logísticos ou de limiar) e $B_m$ são matrizes invertíveis para cada regime $m$.
• Pressuposto de Identificação: O pressuposto central é que os choques estruturais $e_t$ são mutuamente independentes e, no máximo, um deles segue uma distribuição Gaussiana. Isso estende o resultado de Lanne et al. (2017) de matrizes de impacto estáticas para variantes no tempo.
• Teoria da Identificação: Os autores estabelecem que, sob o pressuposto de não-gaussianidade, a matriz de impacto variante no tempo $B_{y,t}$ é identificada até a ordenação das colunas e sinais em cada ponto no tempo. Crucialmente, ao parametrizar $B_{y,t}$ como uma soma ponderada de matrizes específicas de regime, o artigo prova que as matrizes $B_1, \dots, B_M$ são unicamente identificadas (até ordenação e sinais), desde que os pesos de transição sejam suficientemente variados (por exemplo, logísticos ou exógenos com variação suficiente) e os regimes sejam distinguíveis.
• Estimação: Para lidar com a alta multimodalidade da função de verossimilhança induzida pela dinâmica não linear, o artigo propõe um estimador de máxima verossimilhança penalizada (PML). Um termo de penalidade é adicionado à log-verossimilhança para desencorajar valores de parâmetros próximos ou fora da região de estabilidade, permitindo que algoritmos de otimização explorem o espaço de parâmetros de forma mais eficaz. Um procedimento de estimação em três etapas é introduzido:
  1. Mínimos Quadrados Não Lineares (NLS) penalizados para parâmetros autorregressivos e da função de peso.
  2. Máxima Verossimilhança Penalizada com um algoritmo genético para parâmetros da distribuição de erro (distribuição t-assimétrica), condicional à Etapa 1.
  3. Máxima Verossimilhança Penalizada usando um otimizador baseado em gradiente inicializado com os resultados das Etapas 1 e 2.
• Identificação Híbrida: Reconhecendo que a identificação é frequentemente fraca (múltiplas soluções locais com ajuste semelhante), os autores recomendam uma estratégia de "identificação híbrida". Esta combina a não-gaussianidade com restrições de sobreidentificação suplementares (por exemplo, restrições de sinal nos efeitos de impacto entre regimes) para selecionar uma solução única e economicamente plausível e rotular os choques.
• Estacionariedade: Uma condição suficiente para a estacionariedade ergódica é estabelecida, exigindo que o raio espectral conjunto das matrizes autorregressivas da forma companheira dos regimes seja estritamente menor que um.

Principais Resultados e Aplicação Empírica

• Achados Teóricos: O artigo demonstra que modelos STVAR estruturais são estatisticamente identificados se os choques forem independentes e, no máximo, um deles for Gaussiano. Essa identificação mantém-se mesmo quando a matriz de impacto varia ao longo do tempo, desde que a matriz de impacto seja uma soma ponderada de matrizes específicas de regime. O artigo também fornece condições para a invertibilidade da matriz de impacto variante no tempo e estabelece a unicidade dos parâmetros específicos de regime.
• Aplicação Empírica: Os métodos são aplicados a dados mensais dos EUA (1987:4–2024:12) para estudar os efeitos macroeconômicos de choques de incerteza da política climática (CPU). Um modelo STVAR logístico de dois regimes é estimado, utilizando a incerteza da política econômica (EPU) como a variável de mudança.
  • Resultados: Um choque positivo de CPU reduz a produção industrial e eleva a inflação tanto no regime de baixa quanto no de alta EPU. No entanto, o efeito é dependente do estado: o impacto inflacionário é significavelmente mais forte durante períodos de alta incerteza da política econômica. O choque de CPU também conduz a economia para o regime de alta EPU.
  • Validação: Os choques estimados alinham-se com eventos históricos (por exemplo, grandes choques positivos durante as eleições de Trump em 2016 e 2024, e um choque negativo durante o retorno de Biden ao Acordo de Paris). Os parâmetros de graus de liberdade e assimetria estimados confirmam a natureza não-gaussiana dos choques, apoiando o pressuposto de identificação.

Significância e Alegações
O artigo afirma ser o primeiro a estender a identificação por não-gaussianidade para modelos SVAR não lineares, especificamente STVARs estruturais. Sua principal contribuição é resolver a identificação de matrizes de impacto variantes no tempo sem impor a restritiva invariância temporal dos efeitos de impacto relativo exigida pelos métodos baseados em heterocedasticidade. Ao fornecer uma base teórica rigorosa, um algoritmo de estimação prático (implementado no pacote R sstvars) e uma estratégia para lidar com identificação fraca, o artigo permite que pesquisadores analisem efeitos causais dependentes do estado na macroeconomia sem depender de pressupostos de restrição nula potencialmente implausíveis. Os resultados empíricos reforçam a literatura que sugere que choques de CPU reduzem o produto e elevam a inflação, destacando simultaneamente o papel crítico do ambiente de incerteza da política econômica predominante na amplificação desses efeitos.