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

Vetor autorregressivo, um pequeno sistema em que cada variável macro é regredida sobre suas próprias defasagens e as das demais variáveis.

Visão geralGráficoMatemáticaReferências

VAR: que pergunta macro este modelo ajuda a responder?

Contexto

Vetor autorregressivo, um pequeno sistema em que cada variável macro é regredida sobre suas próprias defasagens e as das demais variáveis.

VAR 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

yt\mathbf{y}_tyt​

Vetor endógeno

O vetor n x 1 de variáveis observadas na data t. Todas as variáveis são tratadas simetricamente - nenhuma é exógena.

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.

Estudar co-movimento de curto prazo e prever um pequeno grupo de séries macro sem impor restrições estruturais.

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

Todos os autovalores da matriz companheira (a matriz de coeficientes empilhada na forma companheira VAR(1)) estão estritamente dentro do círculo unitário. Média, variância e autocovariância incondicionais de yty_tyt​ são invariantes no tempo.

Se falhar:Se o sistema tem raízes unitárias, as estimativas de MQO continuam consistentes, mas as estatísticas t e os testes F passam a ter distribuições não padronizadas. É preciso um VAR em primeiras diferenças ou um VECM.

Testável

Linearidade

A média condicional de yty_tyt​ é função linear de seus próprios valores defasados. Sem efeitos de limiar, trocas de regime ou interações não lineares.

Se falhar:Se o processo gerador verdadeiro é não linear (por exemplo, VAR com limiar ou VAR com mudança markoviana), o VAR linear capta apenas a projeção linear e pode não enxergar respostas assimétricas a choques grandes e pequenos.

Mantida

Sem retroalimentação contemporânea na forma reduzida

As matrizes de coeficientes A1A_1A1​ a ApA_pAp​ atuam apenas sobre valores defasados. yty_tyt​ não aparece no lado direito. As interações contemporâneas são absorvidas pela matriz de covariância Σ\SigmaΣ.

Se falhar:VARs de forma reduzida não identificam efeitos causais instantâneos sem hipóteses estruturais adicionais. Interpretar coeficientes de forma reduzida como causais é o erro mais comum no trabalho aplicado com VAR.

Testável

Ordem de defasagem correta

O processo gerador verdadeiro tem ordem autorregressiva finita ppp, ou pode ser bem aproximado por um VAR(p)\text{VAR}(p)VAR(p) de ordem finita. O ppp escolhido não é tão pequeno que deixe correlação serial nos resíduos, nem tão grande que desperdice graus de liberdade.

Se falhar:Um p subespecificado deixa autocorrelação nos resíduos, enviesando funções de resposta a impulso e testes de causalidade de Granger. Um p superespecificado desperdiça graus de liberdade e infla os erros padrão dos coeficientes, reduzindo a acurácia preditiva.

Testável

Inovações homocedásticas

E[utut′∣yt−1,yt−2,…]=ΣE[u_t u_t' | y_{t-1}, y_{t-2}, \ldots] = \SigmaE[ut​ut′​∣yt−1​,yt−2​,…]=Σ para todo ttt. A covariância condicional das inovações não depende de valores nem de choques passados.

Se falhar:A heterocedasticidade condicional (comum em dados financeiros e presente em algumas séries macro) não afeta a consistência do MQO, mas invalida as estimativas de erro padrão e os intervalos de previsão. São necessários erros padrão HAC ou modelos VAR-GARCH.

Testável

Sem quebras estruturais

As matrizes de coeficientes AiA_iAi​ e a matriz de covariância Σ\SigmaΣ são constantes ao longo da janela de estimação.

Se falhar:Quebras estruturais (por exemplo, a Grande Moderação ou mudanças no regime de política monetária) enviesam as estimativas na direção de uma média ponderada dos regimes antes e depois da quebra. Estimação em subamostras ou VARs com parâmetros variantes no tempo ajudam.

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

  • SVAR (Structural VAR) - imposes short-run or long-run restrictions to identify structural shocks
  • BVAR (Bayesian VAR) - applies shrinkage priors (Minnesota, Normal-Wishart) to regularize estimation in larger systems
  • FAVAR (Factor-Augmented VAR) - replaces high-dimensional variable sets with a few estimated factors plus key policy variables
  • TVP-VAR (Time-Varying Parameter VAR) - allows coefficients and volatility to drift over time, capturing regime changes
  • Proxy SVAR / External Instruments - uses external variables correlated with the structural shock but uncorrelated with other shocks for identification

Questões em aberto

  • The identification problem remains the central challenge. No amount of data can resolve whether the contemporaneous correlation between interest rates and output reflects monetary policy affecting output or output affecting monetary policy. Every identification strategy (Cholesky, sign restrictions, external instruments) requires assumptions that are debatable.
  • Whether VARs should be estimated in levels, first differences, or with an error-correction term when variables are cointegrated is debated. Sims, Stock, and Watson (1990) argued that estimation in levels is valid even with unit roots as long as the researcher is not interested in testing hypotheses on individual coefficients.
  • The optimal amount of Bayesian shrinkage in BVARs is an active research area. The Minnesota prior was calibrated for U.S. quarterly data in the 1980s; its hyperparameters may not be optimal for other countries, frequencies, or time periods.

Continue por aqui

Leia a seguir

Continue com um conceito, modelo ou exemplo relacionado.

Modelo baseado em agentes

Labor Market ABM

uma leitura contrastante de VAR

Contraste →
Modelo empírico

ARDL / Bounds Testing

uma leitura contrastante de VAR

Contraste →
Modelo empírico

ARIMA

uma leitura contrastante de VAR

Contraste →

Continue aprendendo

Conceitos

  • Taxas de juros→
  • Ciclos econômicos→
  • Preços e inflação→

Política

  • Política monetária→
  • Metas de inflação→

Modelos

  • BVAR→
  • SVAR→
  • VECM→
Macro by Mark
Ajuda
Política de PrivacidadeTermos de UsoÉtica e conformidade

© 2026 Mark Jayson Nation LLC