SVARs with breaks: Identification and inference

Este artigo propõe uma classe de modelos SVAR com quebras estruturais (SVAR-WB) que incorpora restrições entre regimes para melhorar a identificação, derivando condições para identificação pontual e por conjuntos e desenvolvendo métodos de inferência robustos que superam as limitações das abordagens frequentistas e bayesianas tradicionais ao lidar com parâmetros estruturais observacionalmente equivalentes.

O essencial

Imagine que você é um detetive tentando resolver um crime complexo. O "crime" aqui é entender como a economia funciona, especificamente como os bancos centrais (como o Federal Reserve dos EUA) influenciam a economia quando mudam as taxas de juros.

O problema é que a economia não é um laboratório controlado. Não podemos fazer experimentos. Temos apenas um registro histórico (os dados) e precisamos descobrir o que causou o quê. É como tentar adivinhar quem bateu na porta olhando apenas para a sombra projetada na parede.

Este artigo, escrito por Emanuele Bacchiocchi e Toru Kitagawa, apresenta uma nova e poderosa ferramenta para esses detetives econômicos. Vamos descomplicar os conceitos principais usando analogias do dia a dia:

1. O Cenário: A Economia Muda de Regra (SVARs com Quebras)

Imagine que a economia é como um jogo de futebol.

• O "Antigo" Jogo (Grande Inflação): Nos anos 70 e 80, o jogo era muito volátil. O time (a economia) oscilava muito, e o treinador (o Banco Central) tinha que gritar muito para controlar o jogo.
• O "Novo" Jogo (Grande Moderação): A partir dos anos 80, o jogo ficou mais estável. O treinador aprendeu novas táticas e o jogo ficou mais calmo.

A maioria dos estudos antigos tratava esses dois períodos como se fossem o mesmo jogo, apenas com um pouco mais de barulho em um dos lados. Os autores dizem: "Não! As regras mudaram!". Eles propõem um modelo (chamado SVAR-WB) que reconhece que existem "quebras" estruturais, ou seja, momentos em que a lógica do jogo muda completamente.

2. O Grande Mistério: Quem é Quem? (Identificação)

Aqui entra o problema principal. Quando olhamos para os dados (a sombra na parede), vemos que a inflação e o desemprego se movem juntos. Mas quem está puxando quem?

• Foi o Banco Central que subiu a taxa de juros e causou a queda no emprego?
• Ou foi uma crise no emprego que obrigou o Banco Central a agir?

Para descobrir isso, os economistas usam "regras" (restrições). É como dizer: "Sabemos que o Banco Central não reage instantaneamente a certos choques" ou "Sabemos que a inflação não sobe imediatamente".

A Inovação:
Os autores mostram que, ao olhar para os dois períodos (o jogo antigo e o novo) juntos, podemos usar a estabilidade de algumas regras para descobrir as que mudaram.

• Analogia: Imagine que você tem duas caixas de brinquedos. Em ambas, as bolas vermelhas sempre rolam para a direita (regra estável). Mas em uma caixa, as bolas azuis rolam para a esquerda, e na outra, para a direita. Ao comparar as duas caixas, você consegue entender perfeitamente como as bolas azuis funcionam, algo que seria impossível se você olhasse apenas para uma caixa isolada.

3. O Problema das Múltiplas Verdades (Identificação Local vs. Global)

Aqui está a parte mais genial e complexa do papel.
Ao usar essas regras para resolver o mistério, os autores descobrem que, às vezes, existem várias soluções possíveis que explicam os dados da mesma forma.

• Analogia: Imagine que você vê uma sombra na parede que parece um coelho. Mas, se você mudar levemente o ângulo da luz, a mesma sombra pode ser um gato. Ambas as formas (coelho e gato) são "observacionalmente equivalentes" (elas se parecem com a sombra que você vê).
• O Erro Comum: A maioria dos economistas pega apenas uma dessas soluções (digamos, o "coelho") e diz: "É isso! A economia é assim!". Isso é perigoso, porque pode ser o "gato" que é a verdade.
• A Solução dos Autores: Eles dizem: "Não escolha apenas um! Considere todos os coelhos e gatos possíveis que se encaixam nas regras". Eles criam um conjunto de todas as respostas possíveis (o "conjunto identificado") e fazem inferências baseadas nesse conjunto inteiro, não em apenas uma aposta.

4. Como eles fazem isso? (Inferência Robusta)

O papel propõe métodos matemáticos avançados (Bayesianos e Frequentistas) para lidar com essa incerteza.

• Em vez de dar uma única resposta ("O impacto foi de 5%"), eles dizem: "O impacto pode ser de 2% a 8%, e aqui está a probabilidade de cada cenário dentro desse intervalo".
• Eles também criaram métodos para lidar com "restrições de sinal" (ex: "sabemos que a taxa de juros não pode cair se a inflação subir") e "restrições de classificação" (ex: "o choque A tem mais impacto que o choque B").

5. A Aplicação Real: O que eles descobriram?

Eles aplicaram essa metodologia para estudar a política monetária dos EUA durante a "Grande Inflação" e a "Grande Moderação".

O Resultado Surpreendente:

• Antes (Grande Inflação): O Banco Central parecia reagir de forma mais lenta e menos eficaz. Quando eles agiam, o impacto na economia era menos previsível.
• Depois (Grande Moderação): O Banco Central aprendeu a ser mais agressivo e rápido contra choques de preços (inflação).
• A Consequência: Como o Banco Central ficou mais "inteligente" e reativo aos problemas habituais (inflação), quando ele realmente decide mudar a política de forma inesperada, o impacto na economia real (emprego, produção) ficou mais forte e mais pronunciado no período moderno do que no antigo.

É como se, no jogo moderno, o treinador tivesse aprendido a controlar o jogo tão bem que, quando ele decide fazer uma jogada arriscada, o efeito no campo é devastador (ou milagroso), porque o time estava acostumado a uma rotina perfeita.

Resumo em uma frase

Este paper ensina aos economistas que, quando a economia muda de comportamento, devemos olhar para os dois períodos juntos para entender as regras, e que, quando há várias respostas possíveis para um mistério econômico, devemos considerar todas elas, não apenas a mais conveniente, para não tirar conclusões erradas.

Resumo técnico

Resumo Técnico: SVARs com Quebras Estruturais: Identificação e Inferência

1. Problema e Motivação

O artigo aborda três desafios centrais na literatura macroeconômica e em modelos de Vetores Autorregressivos Estruturais (SVARs):

1. Identificação Fraca: A variação limitada nos dados muitas vezes impede a identificação única dos parâmetros estruturais.
2. Instabilidade de Parâmetros: Muitas relações macroeconômicas e financeiras sofrem quebras estruturais (ex: a transição da "Grande Inflação" para a "Grande Moderação" nos EUA).
3. Falta de Informação Teórica: A teoria econômica frequentemente não fornece restrições suficientes para identificar unicamente os parâmetros dos modelos empíricos.

A literatura tradicional lida com quebras estruturais ou estimando modelos separadamente por regime (perdendo ganhos de identificação) ou assumindo que as quebras são apenas na volatilidade dos choques (heterocedasticidade), o que não captura mudanças nos parâmetros estruturais ou nas relações de comportamento. O objetivo deste trabalho é desenvolver uma estrutura unificada para SVARs com Quebras Estruturais (SVAR-WB) que permita explorar a estabilidade de alguns parâmetros através dos regimes para melhorar a identificação, ao mesmo tempo em que lida com a ambiguidade resultante (identificação local ou por conjuntos).

2. Metodologia e Estrutura do Modelo

O Modelo SVAR-WB:
O modelo permite que os parâmetros mudem em $s$ regimes definidos por datas de quebra exógenas ($TB_1, \dots, TB_{s-1}$).

• Forma Estrutural: $A_{p0}y_t = a_p + \sum_{i=1}^l A_{pi}y_{t-i} + \varepsilon_t$ para $TB_{p-1} \le t < TB_p$.
• Forma Reduzida: $y_t = b_p + \sum_{i=1}^l B_{pi}y_{t-i} + u_t$, onde a matriz de covariância dos erros $\Sigma_p$ varia entre regimes (heterocedasticidade).
• Mapeamento: A relação entre a forma estrutural e a reduzida é dada por uma função $h$ que mapeia os parâmetros estruturais para os reduzidos em todos os regimes simultaneamente.

Restrições de Identificação:
Os autores propõem um conjunto flexível de restrições que podem ser aplicadas dentro de um regime ou entre regimes:

1. Restrições de Igualdade (Stability Restrictions): Parâmetros ou funções deles (como Respostas ao Impulso - IRs) permanecem constantes entre regimes. Isso é crucial para ganhar poder de identificação.
2. Restrições de Sinal e Ordenação (Ranking): Limites de sinal (positivo/negativo) ou ordenação de magnitudes de respostas ao impulso ou variâncias de erro de previsão (FEV).
3. Restrições de Variância de Erro de Previsão (FEV): Restrições sobre a contribuição relativa de choques específicos para a variância de previsão, podendo ser aplicadas entre regimes (ex: o choque de demanda explica mais a variação da inflação no Regime 1 do que no Regime 2).

Teoria de Identificação:

• Identificação Local vs. Global: O artigo demonstra que, quando se impõem restrições entre regimes (estabilidade), o SVAR-WB geralmente atinge apenas identificação local. Isso significa que existem múltiplos pontos isolados no espaço paramétrico que são observacionalmente equivalentes (dão a mesma forma reduzida e satisfazem as restrições).
• Condições de Rango: Os autores derivam condições de rango suficientes e necessárias para verificar a identificação local.
  • Condição de Ordem: O número total de restrições ($f$) deve ser pelo menos $s \times n(n-1)/2$.
  • Condição de Rango: Apresentam um algoritmo baseado em matrizes ($\tilde{V}(\theta)$) para verificar se o sistema de equações não lineares (resultante das restrições e ortogonalidade) tem solução única localmente.
• Identificação Parcial: É possível identificar apenas um subconjunto de choques estruturais, mesmo que o modelo completo não seja identificado.

3. Contribuições Principais

1. Novas Condições de Identificação: Derivação de condições de rango para SVAR-WBs que misturam restrições de igualdade, estabilidade, sinal e FEV, permitindo identificar choques específicos ou o modelo inteiro.
2. Algoritmos de Estimação para Identificação Local:
   • Reconhecem que métodos padrão (como Máxima Verossimilhança - ML) podem selecionar apenas um dos múltiplos modos da função de verossimilhança, levando a inferências enganosas.
   • Propõem algoritmos (Algoritmo 3) para encontrar todos os pontos de parâmetros estruturais admissíveis (matrizes ortogonais) que satisfazem as restrições para um dado ponto de parâmetros reduzidos.
3. Novos Métodos de Inferência:
   • Inferência Bayesiana Pura: Utiliza uma abordagem "agnóstica" onde se atribui pesos uniformes sobre as soluções admissíveis, evitando a sensibilidade a priores que não são atualizados pelos dados.
   • Inferência Válida Frequentista: Projeta o conjunto de confiança dos parâmetros reduzidos através do conjunto de identificação (mapeamento de pontos discretos), gerando intervalos de confiança conservadores mas válidos.
   • Inferência Bayesiana Robusta (Multi-prior): Estende o trabalho de Giacomini e Kitagawa (2021) para SVAR-WBs. Em vez de assumir um prior condicional único para as matrizes ortogonais, considera uma classe de priores, gerando um intervalo de probabilidades posteriores (inferência robusta) que não depende da escolha arbitrária do prior.
4. SVAR-WBs Identificados por Conjuntos (Set-Identified):
   • O artigo lida com casos onde as restrições não são suficientes para a identificação pontual (local), resultando em um conjunto de identificação com medida positiva.
   • Desenvolve métodos para inferência nesses casos, incluindo a construção de regiões de credibilidade robustas.

4. Resultados Empíricos

A aplicação empírica analisa a transmissão da política monetária dos EUA durante dois regimes:

• Regime 1: Pré-Volcker / Grande Inflação (1954.q3 - 1979.q2).
• Regime 2: Grande Moderação (1979.q3 - 2008.q3).

Modelos Testados:
Os autores comparam cinco especificações (Modelos I a V) variando o tipo de restrição (igualdade, sinal, ordenação, FEV).

Principais Achados:

• Multimodalidade: No modelo com apenas restrições de igualdade (Modelo I), a distribuição das respostas ao impulso é claramente bimodal. Ignorar um dos modos (como faria um ML padrão) levaria a conclusões erradas.
• Impacto das Restrições de Sinal: A inclusão de restrições de sinal (Modelo II) elimina um dos modos admissíveis, refinando a inferência e mostrando uma resposta recessiva significativa do produto a choques de política monetária restritiva em ambos os regimes.
• Diferenças entre Regimes:
  • Ao relaxar restrições de igualdade e usar apenas restrições de sinal (Modelo IV), a resposta do produto torna-se insignificante no primeiro regime.
  • Ao adicionar restrições de ordenação e FEV entre regimes (Modelo V), o modelo recupera a identificação e mostra que a resposta do produto a choques de política monetária é mais pronunciada durante a Grande Moderação.
• Interpretação: Os resultados sugerem que o Fed mudou sua função de reação, tornando-se mais agressivo e persistente em resposta a choques de oferta e demanda (especialmente de preços) durante a Grande Moderação. Consequentemente, choques de política monetária "não antecipados" (ortogonais a essas reações sistemáticas) tiveram um impacto real mais forte na Grande Moderação, contradizendo a visão de que a política monetária se tornou menos eficaz.

5. Significado e Conclusão

O artigo é fundamental para a econometria macroeconômica por:

1. Resolver o Problema da Identificação Local: Oferece uma solução rigorosa para o problema de múltiplos modos em SVARs com quebras, evitando inferências enviesadas comuns na literatura atual.
2. Inovação em Restrições: Introduz restrições de estabilidade e restrições de FEV/ordenamento entre regimes, que são novas na literatura e aumentam o poder de identificação.
3. Robustez Inferencial: Propõe um framework de inferência (frequentista e robusto-bayesiano) que considera toda a incerteza sobre qual dos parâmetros estruturais admissíveis é o "verdadeiro", em vez de escolher arbitrariamente um.
4. Aplicação Prática: Demonstra que a escolha do esquema de identificação (e a consideração de múltiplos modos) altera drasticamente as conclusões sobre a eficácia da política monetária e a dinâmica do ciclo de negócios, fornecendo uma nova perspectiva sobre o debate "boa sorte vs. boa política" (Great Moderation).

Em suma, o trabalho fornece a caixa de ferramentas teórica e computacional necessária para estimar e fazer inferência em modelos dinâmicos complexos com quebras estruturais, garantindo que as conclusões econômicas sejam robustas à ambiguidade inerente à identificação.