Pular para o conteúdo principal

Cookies no Macro by Mark.Usamos cookies essenciais para login, idioma e segurança. Com sua permissão, também usamos cookies opcionais de preferências, para análise e para medição de anúncios com o Pixel da Meta (Facebook). Leia nossa política de cookies.

Macro by MarkMacro by Mark
  • Início
Carregando…
Carregando…
← Modelos
MacroConceitosPolíticaModelos

Modelo VAR bayesiano (BVAR)

Encolhimento bayesiano em um VAR, com priors que estabilizam previsões em sistemas macro de tamanho médio.

Visão geralGráficoMatemáticaReferências

VAR bayesiano (BVAR): que pergunta macro este modelo ajuda a responder?

Contexto

Encolhimento bayesiano em um VAR, com priors que estabilizam previsões em sistemas macro de tamanho médio.

VAR bayesiano (BVAR) fica em Séries temporais multivariadas. Use esta classe quando uma série isolada não basta, e a pergunta depende de como um grupo pequeno de variáveis macro se move junto e responde a choques.

A página deve ser lida como uma referência de método: primeiro o objeto empírico, depois o conjunto de informação, os diagnósticos e os limites da inferência.

Conexões para explorar

Matemática ↗A estrutura e suas condições, passo a passo.Fontes ↗Fontes acadêmicas e orientação de uso.

Como as partes se conectam

β\boldsymbol{\beta}β

Vetor de coeficientes empilhado

O vec⁡(B′)\operatorname{vec}(B')vec(B′) de todos os n2p+nn^2 p + nn2p+n parâmetros do VAR de forma reduzida, tratado como vetor aleatório com distribuição a priori.

Comece pela série-alvo, frequência, janela da amostra e calendário de revisão. Um modelo empírico perde valor quando a pergunta ignora a safra dos dados.

Prever um sistema macro médio quando um VAR irrestrito fica ruidoso demais e o encolhimento melhora a leitura fora da amostra.

A leitura útil compara o resultado com um benchmark simples, registra onde o erro de previsão aparece e separa sinal estatístico de interpretação causal.

Os componentes e as hipóteses formais abaixo são os do próprio modelo, com a terminologia em português. A notação matemática e os títulos bibliográficos ficam no original, que é como a literatura os identifica.

Premissas

Testável

Estacionariedade em covariância (ou tratamento explícito da não estacionariedade)

Os autovalores da matriz companheira estão dentro do círculo unitário, ou o comportamento de raiz unitária é absorvido pela priori (dummy de soma de coeficientes, priori de observação inicial dummy). A estacionariedade não é estritamente exigida na estimação bayesiana, mas a priori precisa ser coerente com o processo gerador dos dados.

Se falhar:Se as variáveis são I(1) e a priori pressupõe estacionariedade, a posteriori pode se concentrar em regiões explosivas do espaço de parâmetros. A priori de soma de coeficientes de Doan, Litterman e Sims (1984) trata disso encolhendo a soma dos coeficientes de defasagem na direção de 1.

Mantida

Família de priori adequada

A distribuição a priori representa razoavelmente as crenças sobre o espaço de parâmetros. Para a priori de Minnesota: cada variável é próxima de um passeio aleatório, os efeitos cruzados são menores que os próprios e as defasagens distantes importam menos que as recentes.

Se falhar:Uma priori muito mal especificada pode dominar a posteriori em amostras pequenas. Sintomas: verossimilhança marginal plana ou multimodal no espaço de hiperparâmetros, ou verificações preditivas a posteriori que falham sistematicamente para um subconjunto de variáveis.

Testável

Linearidade

A média condicional de yty_tyt​ dada a informação passada é linear nos valores defasados. Sem trocas de regime, efeitos de limiar ou respostas assimétricas.

Se falhar:BVARs lineares não captam a dinâmica de períodos recessivos, em que as respostas são assimétricas. BVAR com limiar ou com mudança markoviana estende o arcabouço ao custo de uma computação muito mais pesada.

Testável

Inovações gaussianas (para inferência conjugada)

ut∼N(0,Σ)u_t \sim N(0, \Sigma)ut​∼N(0,Σ). Necessária para que a posteriori conjugada normal-Wishart inversa seja exata. Não é exigida em BVARs baseados em MCMC com distribuições de erro flexíveis.

Se falhar:Caudas pesadas ou assimetria nas inovações invalidam os intervalos de credibilidade conjugados. As previsões pontuais continuam razoáveis, mas a cobertura dos intervalos se deteriora. Volatilidade estocástica ou erros com distribuição t são a correção usual.

Testável

Sem quebras estruturais

A matriz de coeficientes BBB e a matriz de covariância Σ\SigmaΣ são constantes ao longo do período amostral.

Se falhar:BVARs com parâmetros variantes no tempo (Primiceri 2005) permitem que BtB_tBt​ e Σt\Sigma_tΣt​ derivem como passeios aleatórios. BVARs de parâmetros constantes estimados em amostras que atravessam a Grande Moderação e o período pós-2008 superestimam sistematicamente a volatilidade na subamostra mais recente.

Testável

Ordem de defasagem correta

A ordem de defasagem p escolhida é suficiente para captar a dinâmica relevante. Subajustar omite informação importante; superajustar aumenta a incerteza a posteriori sem melhorar as previsões.

Se falhar:A comparação de verossimilhanças marginais entre valores de p é a abordagem bayesiana para a seleção de defasagens. Escolher p por AIC/BIC e depois condicionar nesse valor ignora a incerteza de modelo - a média bayesiana de modelos sobre p é a solução consistente.

Aplicações

Use esta página para escolher o modelo antes de olhar o resultado: o alvo, a frequência, a janela e o benchmark definem o que a saída pode dizer.

Em monitoramento macro, a comparação com alternativas importa tanto quanto o modelo escolhido. Erro fora da amostra, estabilidade e revisão dos dados devem ficar visíveis.

Troque ou complemente o modelo quando a pergunta exigir identificação causal, contrafactual estrutural, distribuição entre agentes ou uma mudança de regime que a amostra histórica não contém.

Extensões e questões em aberto

Variantes

  • Minnesota prior BVAR: the original Litterman specification with diagonal prior covariance, random-walk prior mean, and quadratic lag decay.
  • TVP-BVAR: time-varying parameter BVAR (Primiceri 2005) where coefficients follow random walks and the covariance matrix has stochastic volatility. Estimated by MCMC.
  • Large BVAR: systems with 20-130+ variables using tighter shrinkage (Banbura et al. 2010) or global-local priors (horseshoe, Dirichlet-Laplace).
  • BVAR with stochastic volatility: constant coefficients but time-varying Σt\Sigma_tΣt​. Lighter than full TVP-BVAR; captures the Great Moderation without changing the propagation mechanism.
  • Hierarchical BVAR: hyperparameters (λ,λcross)(\lambda, \lambda_{\text{cross}})(λ,λcross​) are given their own priors and sampled jointly with the model parameters, fully integrating over prior uncertainty.

Questões em aberto

  • How should BVARs handle the zero lower bound? When the policy rate is constrained at zero, the linear VAR dynamics misrepresent the monetary transmission mechanism. Shadow rate BVARs and censored-normal approaches exist but lack consensus.
  • Optimal shrinkage in ultra-large systems (n>200)(n > 200)(n>200): global-local priors, factor structure priors, and reduced-rank approaches compete without a clear winner. Computational scaling remains the binding constraint.
  • Prior specification for emerging economies: the Minnesota random-walk prior reflects U.S. macro dynamics. For countries with structural breaks, high inflation regimes, or short samples, the appropriate prior family is an open research question.

Continue por aqui

Leia a seguir

Continue com um conceito, modelo ou exemplo relacionado.

Modelo teórico

IS-LM Model

modelo teórico bem conectado a dois passos daqui

Novo ângulo: modelo teórico →
Macro by Mark
Ajuda
Política de PrivacidadeTermos de UsoÉtica e conformidade

© 2026 Mark Jayson Nation LLC