Previsões com modelos DSGE-VAR: uma aplicação para o Brasil

Abstract

Este estudo propõe usar uma versão do modelo Dinâmico Estocástico de Equilíbrio Geral (DSGE) de pequena economia aberta desenvolvido por Gali e Monacelli (2005) como uma distribuição a priori na estimação de um modelo de Vetor Autorregressivo (VAR) para a economia brasileira, seguindo a abordagem de Del Negro e Schorfheide (2004) que deu origem aos chamados modelos DSGE-VAR. O principal objetivo é avaliar o desempenho das previsões geradas pelos modelos DSGE-VAR quando comparado com modelos como o Vetor Autorregressivo Bayesiano (BVAR) com a priori de Minnesota, BVAR com a priori difusa e DSGE estimado independentemente. Com intuito de comparar a acurácia das previsões geradas pelos modelos adotou-se o procedimento denominado Model Con?dence Set (MCS), proposto por Hansen, Lunde e Nason (2011), que gera um subconjunto aleatório que contém o subconjunto dos melhores modelos dado um nível de con?ança. Os resultados apontam que a inclusão de informações a priori oriundas do modelo DSGE mostram-se benéficas quando o objetivo é gerar previsões, especialmente para horizontes de previsão de médio e longo prazo. Segundo o procedimento MCS, o desempenho do DSGE-VAR mostrou-se superior aos modelos BVAR com a priori difusa e DSGE. Já em relação ao modelo BVAR com a priori de Minnesota, DSGE-VAR mostrou-se competitivo e, em algumas situações, superior.

Abstract : This study proposes to use a version of the small open economy Dynamic Stochastic General Equilibrium (DSGE) model developed by Gali e Monacelli (2005) to provide prior information in the estimation of an autoregression vector (VAR) model for Brazilian economy, following the Del Negro e Schorfheide (2004) approach that gave rise to so-called DSGE-VAR models. The main goal is to evaluate the performance of the predictions generated by the DSGE-VAR models when compared to models such as the Bayesian Vector Autoregression (BVAR) with the Minnesota prior, BVAR with the di?use prior and independently estimated DSGE model. In order to compare the accuracy of the forecasts generated by the models, it was adopted the Model Con?dence Set (MCS) procedure, proposed by Hansen, Lunde e Nason (2011). The MCS procedure yields a model con?dence set, that is a collection of models built to contain the best models with a given level of con?dence. The results indicates that imposing information coming from a small open economy DSGE model as a prior information in the estimation of a VAR helps improve the model s forecasting performance, especially in the medium and long term. According to the MCS procedure, the performance of the DSGE-VAR was superior to the BVAR models with the di?use prior and DSGE model. In constrast to the BVAR model with the Minnesota prior, DSGE-VAR proved to be competitive and, in some situations, superior.