Fontes acadêmicas e de pesquisa
Sims (1980) -- Macroeconomics and Reality (Econometrica). The founding paper. Argued for unrestricted VARs as an alternative to large structural models.
Econometrica · 1980
Litterman (1986) -- Forecasting with Bayesian Vector Autoregressions (Journal of Business and Economic Statistics). Introduced the Minnesota prior for VAR shrinkage.
Journal of Business & Economic Statistics · 1986
Christiano, Eichenbaum, and Evans (1999) -- Monetary policy shocks: what have we learned and to what end? (Handbook of Macroeconomics). Canonical Cholesky-identified monetary policy VAR.
Handbook of Macroeconomics · 1999
Stock and Watson (2001) -- Vector Autoregressions (Journal of Economic Perspectives). The standard survey article. Clear exposition of the methodology and its limits.
Journal of Economic Perspectives · 2001
Kilian and Lutkepohl (2017) -- Structural Vector Autoregressive Analysis (Cambridge University Press). The modern reference on structural identification.
Cambridge University Press · 2017
New Introduction to Multiple Time Series Analysis
Texto de referência de Lutkepohl sobre VAR.
Springer · 2005
Base de pesquisa
Evidências e dados
Verifique estacionariedade, seleção de defasagens, diagnóstico de resíduos e avaliação de previsão antes de interpretar qualquer resposta ao impulso.
Calibração ou mensuração
Número de defasagens, ordenação das variáveis, transformações e janela amostral moldam o resultado.
Limites
- VAR de forma reduzida não identifica choques causais.
- Amostras curtas permitem sobreajuste.
- Mudanças de regime podem quebrar a estabilidade.
Orientação de uso
Quando é suficiente
Previsão e projeções condicionais de um conjunto pequeno de variáveis macro determinadas conjuntamente, quando o processo gerador é razoavelmente estável e a pergunta não exige identificação causal. Avaliação fora da amostra de trajetórias de PIB, inflação e juros é o caso canônico (Sims 1980, Econometrica). A forma reduzida também serve como primeira checagem de se a dinâmica conjunta do conjunto de variáveis é internamente coerente com a teoria mantida.
Quando serve apenas como esquema
Não use o VAR de forma reduzida como evidência sobre efeitos causais estruturais. O modelo é ateórico por construção: a ordenação das variáveis numa fatoração de Cholesky impõe uma hipótese de identificação que precisa ser defendida à parte. Respostas ao impulso de um VAR não identificado descrevem correlações, não a reação a um choque bem definido.
Quando mudar de modelo
Passe para um SVAR (empirical:svar) quando a identificação causal for necessária. Passe para um BVAR (empirical:bvar) quando o número de variáveis for grande o bastante para que a estimação por MQO sobreajuste e prioris de encolhimento sejam necessárias para estabilizar a previsão. Passe para um modelo em espaço de estados quando o painel tiver dados faltantes ou componentes não observados que exijam o filtro de Kalman.
Sinal de falsificação
Erros de previsão fora da amostra que superam sistematicamente um passeio aleatório ou um AR(1) em vários episódios e escolhas de variáveis indicam que a estrutura de defasagens está sobreajustada ou que os parâmetros mudaram. Uma avaliação em janela móvel com ajuste estável dentro da amostra e precisão deteriorando fora dela é o aviso concreto de que o modelo não captura a dinâmica subjacente.