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): artigos e trilha de evidência

Use esta aba para localizar os textos e referências que sustentam a página. Títulos bibliográficos são preservados no idioma original.

VAR bayesiano (BVAR) fontes: fontes e orientação de uso

De onde vem a estrutura, quais hipóteses adota e como interpretar os resultados.

Fontes acadêmicas e de pesquisaBase de pesquisaOrientação de uso

Fontes acadêmicas e de pesquisa

[S1] Journal of Business & Economic Statistics ↗

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

[S2] Econometric Reviews ↗

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

[S3] Review of Economics and Statistics ↗

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

[S4] Journal of Applied Econometrics ↗

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

[S5] The Review of Economic Studies ↗

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.

Como ler esta lista

As fontes estão agrupadas pela proximidade com a evidência. Comece por divulgações oficiais e páginas metodológicas para afirmações de medição; use artigos e textos para discussão para mecanismos, identificação e interpretação.

As referências fundamentam a estrutura; não validam automaticamente os parâmetros escolhidos no gráfico.

Composição das fontes

5 · Fontes acadêmicas e de pesquisa

Macro by Mark
Ajuda
Política de PrivacidadeTermos de UsoÉtica e conformidade

© 2026 Mark Jayson Nation LLC