Fontes acadêmicas e de pesquisa
Litterman (1986) 'Forecasting with Bayesian Vector Autoregressions -- Five Years of Experience': established the Minnesota prior and demonstrated consistent out-of-sample forecast improvements over unrestricted VARs for U.S. macro variables.
Journal of Business & Economic Statistics · 1986
Doan, Litterman, and Sims (1984): introduced the sum-of-coefficients prior to handle unit roots in BVARs without differencing, preserving cointegrating relationships.
Econometric Reviews · 1984
Giannone, Lenza, and Primiceri (2015) 'Prior Selection for Vector Autoregressions': closed the loop on hyperparameter choice by maximizing marginal likelihood, making the BVAR fully automatic.
Review of Economics and Statistics · 2015
Banbura, Giannone, and Reichlin (2010) 'Large Bayesian Vector Auto Regressions': showed that BVARs scale to 130+ variables with appropriate shrinkage, matching factor model forecast accuracy.
Journal of Applied Econometrics · 2010
Primiceri (2005) 'Time Varying Structural Vector Autoregressions and Monetary Policy': introduced the TVP-BVAR with stochastic volatility, the standard tool for studying evolving macro dynamics.
The Review of Economic Studies · 2005
Base de pesquisa
Evidências e dados
Avalie previsões fora da amostra e reporte a incerteza posterior, não apenas a média posterior.
Calibração ou mensuração
Rigidez da priori, defasagens, escala das variáveis e observações fictícias definem o modelo na prática.
Limites
- O encolhimento pode esconder má especificação.
- Prioris pesam mais em amostras curtas.
- Interpretação estrutural continua exigindo identificação.
Orientação de uso
Quando é suficiente
Previsão e projeções condicionais com um conjunto médio ou grande de variáveis, quando prioris de encolhimento disciplinam a superparametrização. A priori de Minnesota (Litterman 1986, JBES) e suas extensões (Banbura-Giannone-Reichlin 2010, JAE) mantêm o VAR tratável conforme o número de variáveis cresce, melhorando a precisão fora da amostra em relação ao MQO quando a amostra é curta diante do número de parâmetros. É a ferramenta certa para previsão em sistemas grandes.
Quando serve apenas como esquema
Um BVAR continua sendo instrumento de previsão em forma reduzida. A identificação estrutural exige um bloco de hipóteses à parte: restrições de sinal ou uma camada proxy-SVAR precisam entrar antes que as respostas ao impulso carreguem conteúdo causal. Também não use a média posterior sozinha como previsão pontual sem reportar a incerteza: a rigidez da priori pode mascarar incerteza genuína de parâmetros.
Quando mudar de modelo
Passe para um FAVAR (Bernanke-Boivin-Eliasz 2005, QJE) quando um painel grande for relevante mas poucos fatores latentes explicarem a variação comum, tornando desnecessário um BVAR sobre todos os indicadores. Passe para um BVAR com identificação quando o objeto forem respostas a choques estruturais, acrescentando a restrição que mapeia a forma reduzida na estrutural.
Sinal de falsificação
Desempenho de previsão que piora à medida que variáveis são acrescentadas, com RMSFE maior em dimensões maiores em vez de menor, indica priori mal especificada ou frouxa demais para compensar o sobreajuste dos parâmetros adicionais. Uma comparação pseudo-tempo-real em janela móvel entre BVARs de 5, 15 e 30 variáveis em que o sistema de 30 perde para o de 5 é o sinal concreto.