Un gran Var bayesiano para la economia chilena 75revista de análisis económico, Vol. 27, nº 2, pp. 75-119 (octubr  2012)
Un gran Var bayesiano para la economia 
chilena
Large Bayesian Var for the ChiLean eConomy
* agradezco los valiosos comentarios de un árbitro anónimo, a eliana gonzález del banco de la 
república de colombia y a los participantes en la XVi reunión de la red de investigadores 2011 
del cemla. También se aprecia la gentiliza de marta banbura y lucrezia reichlin. las exencio-
nes habituales aplican, por lo que las opiniones vertidas en este documento son de mi exclusiva 
responsabilidad y no comprometen la visión del banco central de chile. e-mail: wgonzale@
bcentral.cl
WILDO GONZALEZ P.*
gerencia de análisis macroeconómico, banco central de chile
Abstract
This article develops a Large Bayesian VAR with more than 100 variables 
for the Chilean economy, as Banbura, Giannone and Reichlin (2010) shows 
that, when the degree of shrinkage is set in relation to the cross-sectional 
dimension of the sample (bayesian shrinkage), the forecasting performance 
of a VAR can be improved by adding macroeconomic variables and sectoral 
information. The results show that the large bayesian VAR compares 
favorably with some univariate models. It further examines the impulse 
response functions to a monetary shock, as well as some sectoral shocks.
Keywords: Bayesian VAR, forecasting, bayesian shrinkage, large cross-sections. 
Jel classification: C11, C13, C33, C53.
Resumen
Este artículo desarrolla un gran VAR bayesiano con más de cien variables 
para la economía chilena, en el mismo sentido que Banbura, Giannone y 
Reichlin (2010) se muestra que cuando el grado de contracción del ajuste 
de los priors son fijados en relación a la dimensión del corte transversal 
76 reVisTa De analisis economico, Vol.  27, nº  2
de la muestra (bayesian shrinkage), la capacidad predictiva de un VAR 
puede ser mejorado agregando variables macroeconómicas e información 
sectorial. Los resultados muestran que la predicción del gran VAR bayesiano 
se compara favorablemente con relación a algunos modelos univariados. 
Se examinan adicionalmente los impulsos respuesta a un shock monetario, 
así como también de algunos shocks sectoriales.
palabras clave: VAR bayesiano, pronóstico, shrinkage bayesiano, corte 
transversal de gran tamaño.
clasificación Jel: C11, C13, C33, C53.
1. INTRODUCCION
los bancos centrales se enfrentan con el problema de la identificación del impacto 
macroeconómico de una amplia gama de shocks. por lo general, estos impactos se 
estiman utilizando vectores autorregresivos (Var) o modelos dinámicos de equilibrio 
general (Dsge). estos modelos comúnmente contienen un máximo de veinte variables 
macroeconómicas, esto es un número muy pequeño en relación con la información que 
se monitorea en la mayoría de los bancos centrales. la justificación de la utilización 
de sólo un pequeño subconjunto de la información disponible en un Dsge  es que los 
microfundamentos que subyacen en estos modelos aún no están lo suficientemente 
preparados para incorporar todas las variables (y los shocks) que pueden ser de interés 
para los bancos centrales, tales como la confianza empresarial, la producción sectorial 
y los precios de todos los sectores de la economía. por otro lado, la justificación de 
la utilización de sólo un pequeño subconjunto de la información disponible en los 
Var’s es que estos modelos pierden grados de libertad al incluir más variables, en el 
llamado problema de dimensionalidad.
la literatura sobre modelos de factores ha tratado de resolver este problema, 
permitiendo la descomposición de grandes paneles de datos en un pequeño número 
de factores comunes (stock y Watson (1999); Forni et al. (2000); stock y Watson 
(2002); Forni et al. (2005)). También estos métodos se han combinado con las técni-
cas estándares de un Var para identificar los efectos de la política monetaria en un 
gran número de variables (bernanke, boivin y eliasz (2005); stock y Watson (2005); 
boivin y giannoni (2008)).
en la más reciente literatura empírica existen dos alternativas para el uso 
de los modelos de factores dinámicos. Uno es aquel en el cual los modelos de 
factores son usados en una gran base de indicadores económicos, tal como lo 
hicieron angelini et al. (2008) para la Zona euro y aguirre y céspedes (2004) 
para chile. la otra alternativa consiste y se sustenta en una revisión previa de 
los datos, esta se basa en una percepción o noción de cuáles pueden llegar a ser 
los indicadores que más puedan estar relacionados a la variable en que uno está 
interesado en proyectar. esta última línea de investigación ha sido seguida por 
Un gran Var bayesiano para la economia chilena 77
echavarría y gonzález (2011) para chile, camacho y pérez-Quiroz (2009) para 
españa y camacho y pérez-Quiroz (2010) y Frale et al. (2008) para la Zona euro, 
pero la contribución más notable radica en mariano y murasawa (2003), los cuales 
siguiendo a stock y Watson (1988) realizan una revisión previa de variables que 
mejor representan la contabilidad nacional, tomando indicadores que de alguna 
manera capturen los efectos que tienen sobre el ingreso, oferta y demanda.
respecto a lo controversial que pueda resultar el hecho de utilizar una gran base 
de datos versus un pequeño factor dinámico, boivin y ng (2003) mencionan que las 
propiedades asintóticas de los modelos de factores dinámicos a gran escala están 
lejos de mantenerse en aplicaciones empíricas, estos examinan los pros y los contras 
empíricos de pronosticar con un gran versus pequeño modelo de factor. el resultado 
principal de esta línea de investigación resulta que en aplicaciones empíricas a mayor 
número de series, mayor es la correlación con el factor idiosincrático, lo cual puede 
sesgar los resultados del factor común.
recientemente, otro enfoque para resolver el problema de la dimensionalidad 
se ha explorado en el contexto de la regresión bayesiana. De mol, giannone y 
reichlin (2008) muestran que el pronóstico bayesiano basado en estimaciones punto 
converge al pronóstico óptimo, siempre y cuando el ajuste del prior (el grado de 
contracción) aumente al incrementarse el número de variables. banbura, giannone 
y reichlin (2010) aplican este resultado a un gran Var bayesiano (bVar) con 
los priors de litterman (1986) y la suma de coeficientes, Doan, litterman y sims 
(1984). banbura, giannone y reichlin (2010) encontraron que la capacidad de 
pronóstico y la respuesta al impulso de un shock de política monetaria de su gran 
modelo, se comparan favorablemente con las de un Var a menor escala. en tanto, 
bloor y matherson (2008), con datos de nueva Zelanda, obtienen buenos resultados 
respecto al desempeño del pronóstico así como también en la transmisión de shock 
de política monetaria y sectorial.
los modelos de factores y los enfoques bayesianos pueden desempeñar buenas 
labores de pronóstico y son capaces de proveer impulsos respuesta a un gran rango 
de shocks, volviéndose muy útil dentro del toolkit de los macroeconomistas. sin em-
bargo, una ventaja potencial del enfoque bayesiano sobre los modelos de factores es 
que la estimación e inferencia pueden ser realizadas en niveles (no estacionarios). en 
contraste, los modelos de factores trabajan con datos que típicamente tienen que ser 
transformados con el objeto de lograr la estacionariedad, destruyendo de esta forma 
la potencial influencia de largo plazo y las posibles relaciones de cointegración que 
puedan llegar a existir.
por lo general, nos encontramos que nuestro gran Var bayesiano proporciona una 
buena descripción de los datos de chile, realizando relativamente buenos pronósticos 
del indicador de actividad económica (imacec), inflación (ipc) y tasa de política 
monetaria (Tpm) en comparación con una serie de otros modelos de series de tiempo. 
se examinan adicionalmente los impulso respuesta del gran Var bayesiano a un shock 
de política monetaria, se encuentran resultados que parecen ser razonables. a fin de 
poner de relieve la utilidad de los gran Var’s bayesianos, también se introduce una 
breve mirada en su respuesta sectorial al shock monetario y a uno proveniente de un 
aumento inesperado en el retorno de la bolsa.
78 reVisTa De analisis economico, Vol.  27, nº  2
el trabajo se organiza de la siguiente manera. la sección 2 describe el marco 
del Var bayesiano y el algoritmo de banbura, giannone y reichlin (2010) para la 
determinación del grado de ajuste del prior bayesiano. la sección 3 describe breve-
mente los datos, las especificaciones y el modelo, y en la sección 4 se describen los 
resultados de los pronósticos. los impulsos respuesta se discuten en la sección 5, y 
llegamos a la conclusión en la sección 6.
2. METODOLOGIA
2.1. VAR bayesiano
sea = ?Y y y y( , ,..., )t t t n t1, 2, ,  un set de series de tiempo. la representación de estas 
en un Var(p) es igual a:
 = + + + +
? ?
Y c A Y A Y u...t t p t p t1 1  (1)
donde = ?c c c c( , ,..., )n1 2  es un vector n-dimensional de constantes, A A,...., p1  son 
matrices autorregresivas de n x n, y ut es un proceso ruido blanco n-dimensional con 
una matriz de covarianzas ? = ?Eu u .t t
los priors de litterman (1986), siempre referidos como los priors de minnesota, 
sugieren que todas las ecuaciones están centradas alrededor de un camino aleatorio 
con drift:
 = + +
?
Y c Y ut t t1  (2)
esto básicamente contrae los elementos de la diagonal A1 hacia uno y los otros 
coeficientes A A( ,...., )p2  hacia cero. los priors de litterman también encarnan la 
creencia de que los rezagos más recientes proveen una mayor información que las 
más distantes y también que los propios rezagos explican más que los rezagos de 
otras variables en el modelo.
los priors son impuestos configurando los siguientes momentos previos de la 
distribución de los coeficientes:
 
?
? ? ?
?
?? ?? =
= =???
??
?? ?? =E A
j i k
en ot ro caso
V A
k
( )
, , 1
0,
y ( )k i j
i
k i j
i
j
2
2
2
2
 (3)
se asume que los coeficientes A1,...., Ap son independientes y tienen una dis-
tribución normal. la matriz de covarianza de los residuos se asume diagonal, fija y 
conocida (? = ? , donde ? ?? = diag ( ,..., ),n1
2 2  y el prior del intercepto es difuso. 
originalmente, litterman fija ? = 1i  para todo i, reflejando la creencia de que todas 
las variables están caracterizadas por una alta persistencia. sin embargo, este prior no 
es apropiado para las variables que uno cree poseen una fuerte reversión a la media, 
para estos se impone un prior igual a ? = 0.i
Un gran Var bayesiano para la economia chilena 79
el híper parámetro ? controla el ajuste general (overall tightness) de la distribución 
prior alrededor de ?i. este híper parámetro gobierna la importancia de las creencias 
relativas a la información contenida en los datos, cuando ? = 0 el posterior es igual 
al prior, por lo tanto los datos no influencian las estimaciones. en el otro extremo, si 
? = ?  remueve toda influencia de los priors, siendo los coeficientes equivalentes a 
las estimaciones de mínimos cuadrados ordinarios (mco). el factor 1/k2 es la tasa a 
la cual el prior de la varianza decrece con el tamaño del rezado del Var, y ? ?i j
2 2  
toma en cuenta las diferencias en escala y variabilidad de los datos. el coeficiente 
? ?(0 ,1) gobierna el grado en que los rezagos de las otras variables son menos im-
portantes que los propios rezagos.
Dentro del contexto del análisis estructural debemos tomar en cuenta la posible 
correlación entre los residuos de las distintas variables, consecuentemente el supuesto 
de litterman de matriz de covarianzas diagonal y fija es algo problemático. para re-
solver este problema, seguimos a Kadiyala y Karlsson (1997) y sims y Zha (1998) e 
imponemos una distribución normal para los coeficientes y una distribución normal 
inversa Wishart para la matriz de covarianzas de los residuos.
otra modificación es la propuesta por Doan, litterman y sims (1984), que se 
impone sobre la suma de los coeficientes. consideremos un Var en su forma de 
corrección de errores:
 ? = ? ? ? ? + ? + + ? +
? ? ? ? +Y c I A A Y B Y B Y u( ... ) ...t n p t t p t p t1 1 1 1 1 1  (4)
la suma de los coeficientes ? ? ?I A A( ... )n p1  se ajusta hacia cero. el híper parámetro ? 
controla el grado de ajuste de este prior. así como ? ? 0  el Var satisfará el prior, por 
otra parte altos valores de ? relajará el prior, cuando ? = ?,  el prior no tendrá influencia 
sobre las estimaciones del Var. es importante notar que la restricción en la suma de los 
coeficientes implica que existen tantas tendencias estocásticas en el Var como existen 
variables i(1). en este sentido, es razonable asumir que existen relaciones de cointegra-
ción de largo plazo estables en el sistema. sims (1993) introduce un prior que permite 
de alguna manera esta posibilidad. este prior de “co-persistencia” está gobernado por 
el híper parámetro ?. así como ? ? 0  el Var incrementalmente satisfará este prior, tal 
que existe una tendencia estocástica en el sistema ? = 0;  por otro lado el prior no tiene 
influencia en las estimaciones del Var cuando ? = ?.  Juntos, los priors de minnesota, 
la Wishart invertida, la suma de los coeficientes y los priors de copersistencia son los 
que robertson y Tallman (1999) llaman el prior modificado de litterman.
escribiendo el Var en notación matricial:
 = +Y X B U  (5)
donde = ? = ? = ? ? ? = ? = ?
? ?
Y y y X X X X Y Y U u u B A A c( ,..., ) , ( ,..., ) , ( ,..., ,1) , ( ,..., ) y ( ,..., , )T T t t t p T p1 1 1 1 1
es una matriz k x n conteniendo todos los coeficientes con k = np + 1. la forma del 
prior Whishart inversa es entonces:
 ?? ? ???iW S B N B~ ( , ) ~ ( , )0 0 0 0  (6)
80 reVisTa De analisis economico, Vol.  27, nº  2
donde los parámetros ??B S, , y0 0 0 0  son escogidos para satisfacer nuestras expec-
tativas previas para B y ?. Una práctica utilizada para la implementación del prior 
modificado de litterman es agregar observaciones dummies al sistema (5), agregando 
Td observaciones dummies, Yd  
y Xd es equivalente a imponer un prior Whishart in-
verso con = ? ??B X X X Y( )d d d d0
1 , ? = ? ?X X( ) ,d d0
1  = ? ? ?S Y X B Y X B( ) ( ),d d d d0 0 0  y 
? = ? ? ?T k n 1.d0  agregamos las siguientes observaciones dummies para igualar 
los momentos de nuestro prior
 
? ? ? ? ?
? µ ? µ ?
? ?
? ? ?
? µ ? µ ?
?
?
( )
=
?
?
??????????????
?
?
??????????????
=
?
?
?
?
?????????????
?
?
?????????????
? ×
×
×
×
×
× ×
×
Y
diag
diag
J
diag
X
K d ia g
K d ia g
J J
( ,...,
0
...................................
( ,..., )
...................................
...................................
( ,..., )
...................................
0
( ,..., ) 0
.....................................................
( ,..., ) 0
.....................................................
( ,..., ) 1
.....................................................
0 0
.....................................................
0
d
n n
n p n
n n
n
n
d
d n np
n n n
p n p
n np n
n
1 1
( 1)
1 1
1
1
1 1
1 1 1
1 1
1
1
 (7)
donde ? µ ? µ ?=J ,..., ,n n1 1  =K p1,..., ,  ?=K d ia g K ( ) yd  es un pequeño número. hablando de manera general, el primer bloque de dummies impone las creencias sobre 
los coeficientes autorregresivos, el segundo bloque de dummies impone el prior de 
suma de coeficientes, el tercer bloque impone el prior de co-persistencia y el cuarto 
y quinto bloque imponen los priors para la matriz de covarianzas y el intercepto. 
siguiendo la práctica común, fijamos el prior para el parámetro ? i  igual a desviación 
estándar del residuo de una regresión univariada con p rezagos para la variable y .it  
igualmente, para el parámetro µi (el prior para el promedio del nivel de la variable 
yit)  es fijado igual al promedio de la variable dentro de la muestra.
aumentando el sistema (5) con las observaciones dummies (7) tenemos:
 = +Y X B U* * *  (8)
donde = ? ? ? = ? ? ? = ? ? ?Y Y Y X X X y U U U( , ) , ( , ) ( , ) .d d d
* * *  Después agregamos un prior 
difuso ? ? ? ? +n( 3 ) / 2  (para asegurarnos la existencia de la expectativa del prior )? ,  
el posterior tiene la siguiente forma:
 ? ? + + ? ? ?? ?Y i W T T k B N B X X~ ( ˆ , 2 ) y ~ ( ˆ , ( ' ) )d
* * 1  (9)
donde 
  
= ? = ? ? ??B X X X Y Y X B Y X B( ' ) ' y ( ) ( ).* * 1 * * * * * *  las observaciones dummies 
(7) hacen claro que cuando ? ? ?, y  tienden a infinito, el prior de minnesota, la suma 
Un gran Var bayesiano para la economia chilena 81
de coeficientes y las dummies de copersistencia tenderán a cero y las estimaciones pos-
teriores de los parámetros tenderán a las estimaciones originales de un Var con mco.
2.2. Bayesian Shrinkage
en un contexto de una regresión clásica aumentar el número de variables deteriora 
los parámetros estimados. sin embargo, en un contexto de una regresión bayesiana De 
mol, giannone y reichlin (2008) muestran que los pronósticos basados en estimaciones 
punto convergen a un pronóstico óptimo para n y T, siempre y cuando el ajuste del 
prior (el grado de contracción) aumenta a medida que n aumenta. banbura, giannone 
y reichlin (2010) aplican este resultado a un gran Var bayesiano con el prior modi-
ficado de litterman, pero sin el prior de co-persistencia, en tanto bloor y matherson 
(2008) aplican este procedimiento con el prior de co-persistencia. banbura, giannone 
y reichlin (2010) fijan el grado de ajuste del prior usando el siguiente algoritmo:
1. se seleccionan n* (donde n* < n) variables benchmark las cuales serán evaluadas 
dentro de la muestra.
2. evaluar el ajuste dentro de muestra del Var estimado con mco para las n* 
variables benchmark.
3. Fijar el híper parámetro de la suma de coeficientes ? de forma proporcional al 
híper parámetro ? que controla el ajuste general (overall tightness) ? ? ?( = ,1  
donde ? )? 0 .1
4. escoger el híper parámetro que controla el ajuste general (overall tightness) ? 
(y ?) de manera tal que el Var estimado tenga el mismo ajuste dentro de muestra 
que el Var benchmark.
en este trabajo se utiliza el mismo algoritmo para penalizar el sobre ajuste del 
modelo, pero siguiendo a bloor y matherson (2008), tenemos un híper parámetro 
adicional que necesita ser fijado, este es el prior de co-persistencia ?. Fijamos este 
híper parámetro de manera que sea proporcional al híper parámetro que controla el 
ajuste general (overall tightness) ? ? ? ? ?( )= ?, donde 0 .2 2
Definimos el ajuste dentro de muestra como una medida relativa del error cua-
drático medio (ecm) evaluado utilizando el training sample t = 1,…,T – 1. el ecm 
para la variable i dado un ? está dado por:
 ?=
? ?
?
? ?
+
=
?
+EC M T p
y y
1
1
( )i i t t
t p
T
i t, 1
2
, 1
2  (10)
donde los parámetros son estimados utilizando el training sample. las variables están 
ordenadas de tal forma que las n* variables base están ordenadas primero. el híper 
parámetro ? que controla el ajuste general (overall tightness) para una medida dada 
de ajuste base (FiT) es buscada en una grilla sobre:
 ?? = ??
?
=
FI T F IT
n
EC M
EC M
( ) ar g min
1 i
ii
n
* 0
1
*
 (11)
82 reVisTa De analisis economico, Vol.  27, nº  2
donde EC M i
0  es el ecm de la variable i con prior impuesto exactamente ?( )= 0 ,
y el ajuste base es definido como el promedio relativo ecm de una estimación Var 
mco conteniendo las n* variables base:
 ?=
?
=
FI T
n
EM C
EM C
1 i
ii
n
* 0
1
*
 (12)
3. DATOS Y ESPECIFICACION DEL MODELO
el gran Var bayesiano se estima con datos mensuales que parten en enero de 1996 
a diciembre de 2009. Todas las series son ajustadas estacionalmente en forma previa 
a la estimación. las series expresadas en porcentaje son la tasa de política monetaria, 
las tasas de interés y las medidas de riesgo, las demás variables son expresadas en 
logaritmo. el panel consiste en 116 series que cubren un amplio rango de variables 
disponibles para la economía chilena, estas categorías incluyen variables externas 
relevantes, variables relacionadas al sector financiero y variables macroeconómicas.
Dentro de las variables externas se incluyen medidas de precios externos, actividad 
mundial, condiciones financieras internacionales y precios de commodities (cobre y 
petróleo). para las variables financieras locales se utilizan montos reales de coloca-
ciones y tasas de interés promedio de colocaciones (nominal y real), tipo de cambio 
nominal y real, agregados monetarios y un índice de la bolsa de comercio igpa.
las variables macroeconómicas incluidas son las exportaciones e importaciones, 
que son incluidas como una medida de comercio exterior, desagregación del índice 
de precios al consumidor con la idea de tratar de capturar las diferencias de los pre-
cios relativos y desagregación de variables de los sectores de oferta (imacec). por 
último, se incluyen variables de seguimiento coyuntural ligadas al comercio, consumo, 
producción, construcción y mercado laboral. en la Tabla 1 se presenta un resumen 
de las distintas especificaciones utilizadas (para más detalles de las variables ver el 
apéndice 1).
Tabla 1
DisTinTas especiFicaciones Del Var
modelo m1 m2 m3 m4 m5 m6 m7 m8
Var simple x x x x x x x x
Variables externas x x x x x x x
condiciones financieras x x x x x x
comercio exterior x x x x x
precios x x x x
sectores de oferta x x x
Variables de actividad coyuntural x x
mercado laboral x
nro. de variables 5 11 38 50 58 73 97 116
Fuente: elaboración propia.
Un gran Var bayesiano para la economia chilena 83
en este caso, el modelo 1 (m1) es el Var de referencia en la determinación del prior 
de ajuste bayesiano (?), siendo este similar a un Var estimado con mínimos cuadrados 
ordinarios; las variables que incluyen este Var simple son imacec, ipc, ipcX1, Tpm 
y Tcr. el modelo 2 (m2) trata de acercarse a las clásicas representaciones de un Var 
estimado para una economía pequeña y abierta, como los realizados por parrado (2001) 
y bravo y garcía (2002). en este al Var simple de referencia (m1) se incluyen de forma 
adicional como débilmente exógenas a seis variables externas (m2), estas son la tasa de 
interés externa (Fed funds), una medida de actividad externa medida por el baltic Dry 
index, una medida de precios externos relevantes para la economía chilena (ipe), junto 
con el spread corporativo para las economías chilenas, además del precio del petróleo 
WTi y precio del cobre, estos últimos tienen como objetivo capturar la influencia de 
los términos de intercambio en la transmisión de shocks externos.
el modelo 3 (m3) trata de capturar la influencia de las variables financieras, y por 
medio de esto tratar, aunque de manera indirecta, de documentar cuál es la influencia 
tanto en la transmisión de shocks así como también en el desempeño del pronóstico. 
en este se incluyen las tasas de colocaciones promedio del sistema financiero tanto en 
términos nominales como reales, índice de la bolsa de comercio de santiago (igpa), 
algunas medidas de tipo de cambio junto con medidas de agregados monetarios y los 
montos reales de las colocaciones. para el caso del modelo 4 (m4) se incluyen las 
exportaciones y las importaciones, con esto se intenta capturar la influencia del comer-
cio exterior. en el modelo 5 (m5) se incluyen medidas desagregadas muy generales 
de la descomposición del ipc, con esto se trata de ver si los movimientos entre estos 
índices mejoran el desempeño del pronóstico tanto en el imacec como en el ipc.
algo poco documentado en la economía chilena es el desempeño de los sectores 
de oferta en la transmisión de shocks y poco se ha comprobado si estos inducen a 
una mejora en el pronóstico de la actividad (modelo 6, m6). en bravo et al. (2003) 
estudian el impacto desagregado de la política monetaria, siendo su principal conclu-
sión que la transmisión de esta no es diferente a lo que se esperaría considerando los 
canales de transmisión. esto, como veremos más adelante, se encuentra en línea con 
los resultados de nuestro gran Var bayesiano, aunque el contexto de los resultados 
entre el trabajo citado anteriormente y este trabajo es diferente. el gran Var bayesiano 
se encuentra contenido en el modelo 7 (m7), este constituye una combinación de las 
73 variables junto con variables de producción y venta industrial del ine, medidas 
de ventas de supermercados, ventas minoristas de la cnc, ventas de automóviles, 
gasto fiscal, ingresos tributarios netos y unas tres medidas del mercado inmobiliario. 
por último, en el modelo 8 (m8) se incluyen algunas variables del mercado laboral, 
estas son la desagregación por sectores de los costos de mano de obra reales y el 
empleo; con todo esto se tiene un total de 116 variables que tratan de alguna manera 
de capturar toda la información disponible que pueda ser relevante para el pronóstico 
de las principales variables macroeconómicas de la economía chilena.
4. EVALUACION DE PRONOSTICOS
el siguiente paso consiste en responder la pregunta acerca del grado de bondad 
del gran Var bayesiano en el pronóstico de las principales variables; es por ello que 
84 reVisTa De analisis economico, Vol.  27, nº  2
para evaluar la eficacia de su capacidad predictiva, se procede a realizar proyecciones 
dinámicas en pseudo tiempo real desde enero del 2005 hasta diciembre del 2009, desde 
un período en adelante hasta 12 períodos. con el objeto de contrastar los resultados de 
las distintas versiones del Var bayesiano se realizará el mismo ejercicio de proyección 
para un modelo Var simple (ols), un modelo camino aleatorio, arima (aic) y 
un arima (bic)1. en cada punto t todos los parámetros son estimados periodo a 
periodo, con excepción de los priors, que previamente fueron fijados en la muestra 
antes del periodo de evaluación de proyecciones. estos fueron fijados siguiendo el 
algoritmo propuesto por banbura, giannone y reichlin (2010) y modificado por 
bloor y matherson (2008), que en nuestro caso tratamos de minimizar el error de 
pronóstico relativo del indicador de actividad económica (imacec), índice de precios 
al consumidor (ipc) y la tasa de política monetaria (Tpm). el número de rezagos 
utilizados en el bVar es igual a seis, banbura, giannone y reichlin (2010) utilizan 
doce rezagos, mencionando que aún siguiendo algún criterio de información para la 
determinación de los rezagos, los resultados no diferían de forma significativa; a pesar 
de esto adicionalmente utilizamos los criterios de información akaike y bayesiano 
(schwartz - bic) para la determinación del número de rezagos, pero no encontramos 
diferencias significativas en el desempeño de los pronósticos.
en la Tabla 2 se presentan los resultados de los errores cuadráticos medios relati-
vos de los Var’s bayesianos con respecto al Var simple, que nos sirve de referencia 
para fijar los priors de acuerdo al algoritmo explicado en la sección 2.2. además, 
se reportan los resultados en relación a un modelo camino aleatorio, arima (aic) 
y un arima (bic), sobre los cuales todos los Var’s bayesianos tienen un menor 
error cuadrático medio.
sobre los resultados de los Var’s bayesianos, nos encontramos con un resulta-
do que va en línea con lo encontrado por hendry y hubrich (2010), que mencionan 
que agregar información desagregada de una variable para realizar pronósticos de la 
variable agregada mejora sustancialmente el desempeño de este relativo a pronósti-
cos que no utilizan información desagregada. esto se refleja claramente en el mejor 
desempeño del m4 en todos los horizontes en el pronóstico del imacec. conforme 
se van agregando variables al Var simple, se observa que las variables externas y las 
condiciones financieras no aportan a un mejor desempeño fuera de muestra, pero al 
agregar información sectorial en el m5 mejora fuertemente el desempeño.
el caso opuesto se observa en el ipc, que presenta un mejor desempeño al agregar 
las variables externas y las condiciones financieras; de ahí en adelante los pronósticos 
entregados por los distintos modelos no son superiores al Var simple. esto ocurre 
inclusive en el modelo m5 que contiene información desagregada del ipc, este solo 
parece superar al Var simple de seis periodos. sucede lo mismo tomando el ipcX1, 
que es una medida que excluye alimentos perecibles, combustibles, tarifas reguladas 
e impuestos específicos. por último, respecto a la Tpm esta parece tener un mejor 
desempeño en el Var simple, dando cuenta que para el pronóstico de la Tpm no 
aportan de manera sustancial la información contenida ni en la desagregación del ipc 
1 la selección de los modelos arima(d,p,q) se basaron en criterios de información utilizados en la 
función @bjautofit de Winrats 8.0.
Un gran Var bayesiano para la economia chilena 85
ni considerando la desagregación del imacec, sino más bien importa la evolución 
de las variables macroeconómicas más importantes.
el siguiente paso consiste en responder la pregunta acerca del grado de bondad 
de las proyecciones; para verificar si existen ganancias en el pronóstico de los Var’s 
bayesianos se utiliza el test de Diebold y mariano (1995)2. sea { }
=
e t
i
t
T
1
  el error de 
pronóstico de modelos alternativos donde i = camino aleatorio, arima (aic) y arma 
(bic). sea { }
=
e t
b
t
T
1
los errores de pronósticos de los distintos Var’s bayesianos. el 
test estadístico es definido como ?=s d / ,d  donde d es la media muestral del dife-
rencial de la función de pérdida muestral, { }
=
d t t
T
1
se obtiene usando = ?d e e( ) ( )t t
i
t
b2 2  
para t=1,2,3,…,T, y donde? d es el error estándar de d. el estadístico s se distribuye 
asintóticamente como una variable aleatoria normal estándar y puede ser estimada 
con la hipótesis nula de igualdad en la habilidad predictiva =d( 0 ).t Un valor positivo 
de s podría sugerir que una forma en particular de los Var’s bayesianos supera a los 
modelos alternativos en términos del pronóstico fuera de muestra.
los resultados del test de Diebold y mariano (1995) se presentan en la Tabla 3. 
el período de evaluación corresponde a enero del 2005 a diciembre del 2009. en el 
primer caso que considera el modelo camino aleatorio, los Var’s bayesianos tienen 
un mejor desempeño fuera de muestra para el imacec, ipc e ipcX1, pero no para 
la Tpm. respecto al modelo arima (aic) estos son superados para el pronóstico 
del imacec del modelo m4 a m8, pero para el ipc e ipcX1 solo es superado en 
proyecciones de muy corto plazo hasta tres meses; respecto a la Tpm no hay eviden-
cia que las proyecciones Var bayesiano sean superiores. por último, respecto a los 
arima (bic) son superados en el pronóstico del imacec del modelo m4 a m8, 
para el ipc se observa superioridad notoria de los Var’s bayesianos, pero no para el 
ipcX1, que solo es superado en un periodo en adelante.
5. IMPULSOS RESPUESTA
para esta sección consideramos principalmente los resultados del impulso res-
puesta de un shock de política monetaria, adicionalmente también se considera el 
caso de un shock bursátil en el índice de la bolsa de comercio (igpa) y un aumento 
en las primas por riesgo corporativo (chile). para la identificación consideramos 
un esquema de identificación recursivo (christiano, eichenbaum y evans (2005) y 
bernanke, boivin y eliasz (2005)), para chile se pueden mencionar los resultados 
encontrados por parrado (2001), bravo et al. (2003), y una revisión más reciente 
en Jaramillo (2008) y garcía, gonzález y moncado (2010). siguiendo a bernanke, 
2 es muy importante destacar que la evaluación por medio del test de Diebold y mariano (1995) se 
realiza entre los distintos bVar’s y los modelos arima’s, por lo que no debería existir el problema 
de contención de un modelo dentro de otro (especialmente por la parte ma’s), este problema si se 
presentaría en el caso de que la evaluación de los pronósticos sea entre las distintas especificaciones 
de los bVar’s, lo cual se deja como una futura extensión de este trabajo.
86 reVisTa De analisis economico, Vol.  27, nº  2
 Tabla 2
 error cUaDraTico meDio relaTiVo 
bVar(p) respecto a un modelo Var simple bVar(p) respecto a un modelo Var simple
horizonte
m2 m3 m4 m5 m6 m7 m8
imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr
1 1,02 0,93 0,98 0,99 1,05 1,17 0,85 0,92 1,15 1,05 0,96 1,11 1,13 1,56 0,95 0,96 1,12 1,14 1,56 0,95 0,96 1,12 1,16 1,55 0,95 0,96 1,14 1,19 1,55 0,95 0,97 1,15 1,21 1,55 0,95
2 1,05 0,92 1,00 1,01 1,18 1,10 0,88 0,99 1,05 1,20 0,95 1,04 1,17 1,49 0,92 0,95 1,04 1,18 1,48 0,92 0,95 1,05 1,20 1,48 0,92 0,96 1,07 1,25 1,48 0,92 0,96 1,09 1,29 1,47 0,92
3 1,07 0,94 0,96 1,04 1,29 1,12 0,93 1,04 0,92 1,39 0,94 1,04 1,21 1,47 0,90 0,94 1,05 1,22 1,47 0,90 0,94 1,06 1,26 1,46 0,90 0,95 1,09 1,31 1,46 0,89 0,96 1,11 1,36 1,46 0,89
4 1,07 0,95 0,91 1,06 1,40 1,11 0,92 1,05 0,80 1,59 0,94 1,02 1,19 1,47 0,91 0,94 1,03 1,20 1,47 0,91 0,94 1,05 1,24 1,46 0,91 0,95 1,08 1,30 1,46 0,91 0,97 1,10 1,35 1,46 0,90
5 1,05 0,95 0,88 1,07 1,47 1,11 0,94 1,06 0,87 1,77 0,91 1,00 1,15 1,45 0,92 0,92 1,01 1,16 1,44 0,91 0,92 1,03 1,20 1,44 0,91 0,93 1,06 1,26 1,43 0,91 0,95 1,09 1,31 1,43 0,91
6 1,04 0,95 0,88 1,09 1,51 1,12 0,96 1,05 0,97 1,87 0,89 0,98 1,11 1,39 0,93 0,89 0,99 1,12 1,39 0,93 0,89 1,01 1,16 1,38 0,92 0,90 1,05 1,23 1,38 0,92 0,92 1,08 1,28 1,38 0,92
7 1,04 0,95 0,88 1,09 1,51 1,12 0,96 1,05 0,97 1,87 0,89 0,98 1,11 1,39 0,93 0,89 0,99 1,12 1,39 0,93 0,89 1,01 1,16 1,38 0,92 0,90 1,05 1,23 1,38 0,92 0,92 1,08 1,28 1,38 0,92
8 1,03 0,92 0,88 1,10 1,61 1,11 1,00 1,08 1,10 1,96 0,85 0,92 1,00 1,29 0,91 0,85 0,93 1,02 1,28 0,91 0,85 0,96 1,06 1,28 0,91 0,86 1,00 1,13 1,27 0,90 0,88 1,04 1,18 1,26 0,90
9 1,05 0,91 0,90 1,08 1,67 1,09 1,05 1,12 1,10 2,02 0,83 0,90 0,97 1,24 0,91 0,83 0,91 0,99 1,23 0,91 0,83 0,94 1,03 1,23 0,90 0,84 0,99 1,11 1,22 0,90 0,86 1,03 1,16 1,22 0,89
10 1,08 0,90 0,91 1,03 1,72 1,10 1,08 1,10 1,06 1,94 0,81 0,87 0,93 1,19 0,91 0,81 0,88 0,95 1,19 0,90 0,81 0,91 1,00 1,18 0,90 0,82 0,97 1,07 1,17 0,89 0,84 1,01 1,13 1,16 0,89
11 1,11 0,89 0,92 0,98 1,79 1,06 1,09 1,08 1,05 1,87 0,80 0,84 0,90 1,13 0,89 0,79 0,86 0,92 1,13 0,89 0,79 0,89 0,97 1,12 0,88 0,81 0,95 1,04 1,11 0,87 0,83 0,99 1,10 1,10 0,87
12 1,18 0,87 0,94 0,95 1,90 1,09 1,11 1,09 1,03 1,87 0,80 0,81 0,88 1,07 0,89 0,80 0,83 0,91 1,06 0,88 0,80 0,86 0,95 1,05 0,88 0,82 0,92 1,03 1,04 0,87 0,83 0,97 1,09 1,04 0,87
bVar(p) respecto a un modelo camino aleatorio (rW) bVar(p) respecto a un modelo camino aleatorio (rW)
horizonte
m2 m3 m4 m5 m6 m7 m8
imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr
1 0,71 0,40 0,38 0,34 0,70 0,82 0,36 0,36 0,40 0,70 0,67 0,48 0,44 0,54 0,64 0,67 0,48 0,44 0,53 0,64 0,67 0,48 0,45 0,53 0,63 0,67 0,49 0,46 0,53 0,63 0,67 0,50 0,47 0,53 0,63
2 0,83 0,54 0,45 0,49 1,02 0,87 0,52 0,45 0,51 1,03 0,74 0,61 0,53 0,72 0,80 0,74 0,61 0,53 0,72 0,80 0,75 0,62 0,55 0,72 0,80 0,75 0,63 0,57 0,72 0,79 0,76 0,64 0,58 0,72 0,79
3 0,82 0,59 0,44 0,58 1,30 0,85 0,59 0,48 0,52 1,40 0,71 0,66 0,56 0,82 0,90 0,71 0,66 0,57 0,82 0,90 0,71 0,67 0,58 0,82 0,90 0,72 0,69 0,61 0,82 0,90 0,73 0,70 0,63 0,82 0,90
4 0,83 0,64 0,45 0,64 1,44 0,86 0,62 0,52 0,48 1,64 0,73 0,69 0,58 0,89 0,94 0,73 0,69 0,59 0,88 0,94 0,73 0,70 0,61 0,88 0,94 0,74 0,72 0,64 0,88 0,93 0,75 0,74 0,66 0,88 0,93
5 0,83 0,67 0,47 0,69 1,54 0,88 0,66 0,56 0,56 1,86 0,73 0,70 0,61 0,93 0,96 0,73 0,71 0,61 0,93 0,96 0,73 0,72 0,63 0,93 0,96 0,74 0,75 0,67 0,92 0,96 0,75 0,77 0,69 0,92 0,95
6 0,98 0,77 0,56 0,83 1,74 1,06 0,77 0,67 0,75 2,15 0,83 0,80 0,71 1,07 1,06 0,83 0,80 0,72 1,06 1,06 0,84 0,82 0,74 1,06 1,06 0,85 0,85 0,79 1,06 1,05 0,86 0,88 0,82 1,05 1,05
7 0,79 0,62 0,43 0,70 1,54 0,86 0,62 0,51 0,63 1,91 0,68 0,64 0,54 0,90 0,94 0,68 0,64 0,55 0,90 0,94 0,68 0,66 0,57 0,89 0,94 0,69 0,68 0,60 0,89 0,94 0,70 0,70 0,63 0,89 0,93
8 0,90 0,70 0,55 0,88 1,89 0,96 0,76 0,67 0,88 2,30 0,74 0,70 0,62 1,03 1,07 0,74 0,71 0,63 1,02 1,07 0,74 0,72 0,66 1,02 1,07 0,75 0,76 0,70 1,01 1,06 0,77 0,79 0,74 1,01 1,06
9 0,91 0,70 0,58 0,91 2,04 0,95 0,80 0,71 0,93 2,47 0,72 0,68 0,62 1,05 1,11 0,72 0,69 0,63 1,04 1,11 0,72 0,72 0,66 1,04 1,11 0,73 0,75 0,71 1,03 1,10 0,74 0,78 0,74 1,03 1,09
10 0,95 0,70 0,61 0,92 2,11 0,96 0,84 0,73 0,94 2,38 0,71 0,67 0,62 1,06 1,11 0,71 0,68 0,64 1,06 1,11 0,71 0,71 0,67 1,05 1,10 0,72 0,75 0,72 1,04 1,09 0,74 0,78 0,75 1,04 1,09
11 0,96 0,69 0,64 0,93 2,20 0,91 0,85 0,75 1,00 2,30 0,69 0,66 0,63 1,08 1,09 0,69 0,67 0,64 1,07 1,09 0,69 0,69 0,67 1,07 1,08 0,70 0,74 0,72 1,06 1,07 0,71 0,77 0,76 1,05 1,07
12 0,97 0,69 0,66 0,84 2,00 0,89 0,88 0,77 0,92 1,97 0,66 0,64 0,62 0,95 0,93 0,66 0,65 0,64 0,95 0,93 0,66 0,68 0,67 0,94 0,92 0,67 0,73 0,72 0,93 0,91 0,69 0,76 0,76 0,92 0,91
bVar(p) respecto a un modelo arima (akaike) bVar(p) respecto a un modelo arima (akaike)
horizonte
m2 m3 m4 m5 m6 m7 m8
imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr
1 0,77 0,50 0,56 0,40 0,70 0,88 0,46 0,53 0,46 0,70 0,72 0,60 0,64 0,62 0,63 0,72 0,60 0,65 0,62 0,63 0,72 0,61 0,66 0,62 0,63 0,72 0,62 0,68 0,62 0,63 0,73 0,63 0,69 0,62 0,63
2 0,92 0,69 0,72 0,54 0,99 0,97 0,66 0,72 0,56 1,00 0,83 0,78 0,85 0,79 0,77 0,83 0,78 0,85 0,79 0,77 0,83 0,79 0,87 0,79 0,77 0,84 0,80 0,91 0,79 0,77 0,84 0,82 0,93 0,79 0,77
3 0,93 0,77 0,74 0,62 1,25 0,97 0,76 0,80 0,55 1,35 0,81 0,85 0,93 0,88 0,87 0,81 0,85 0,94 0,88 0,87 0,81 0,86 0,97 0,88 0,87 0,82 0,89 1,01 0,87 0,87 0,83 0,90 1,05 0,87 0,86
4 0,96 0,83 0,74 0,67 1,39 1,00 0,81 0,86 0,51 1,58 0,84 0,90 0,97 0,94 0,90 0,84 0,90 0,98 0,93 0,90 0,85 0,92 1,01 0,93 0,90 0,86 0,94 1,06 0,93 0,90 0,87 0,97 1,10 0,92 0,90
5 0,99 0,89 0,77 0,72 1,48 1,05 0,88 0,93 0,58 1,78 0,87 0,94 1,01 0,97 0,92 0,87 0,95 1,02 0,97 0,92 0,87 0,97 1,05 0,97 0,92 0,88 1,00 1,11 0,96 0,92 0,90 1,02 1,15 0,96 0,91
6 1,13 1,01 0,94 0,87 1,65 1,22 1,02 1,12 0,78 2,04 0,96 1,05 1,18 1,11 1,01 0,96 1,06 1,20 1,11 1,01 0,97 1,08 1,24 1,11 1,01 0,98 1,12 1,31 1,10 1,00 1,00 1,15 1,37 1,10 1,00
7 0,99 0,88 0,71 0,73 1,43 1,07 0,88 0,84 0,65 1,78 0,85 0,91 0,89 0,93 0,88 0,85 0,92 0,91 0,93 0,88 0,85 0,94 0,94 0,93 0,87 0,86 0,97 0,99 0,92 0,87 0,88 1,00 1,03 0,92 0,87
8 1,16 1,03 0,90 0,91 1,73 1,24 1,12 1,11 0,91 2,10 0,95 1,02 1,03 1,06 0,98 0,95 1,04 1,05 1,06 0,98 0,95 1,07 1,09 1,05 0,98 0,97 1,12 1,16 1,05 0,97 0,98 1,16 1,21 1,04 0,97
9 1,19 1,07 0,97 0,94 1,86 1,25 1,24 1,20 0,96 2,24 0,95 1,05 1,05 1,08 1,01 0,94 1,07 1,07 1,08 1,01 0,95 1,10 1,12 1,07 1,01 0,96 1,16 1,20 1,07 1,00 0,98 1,20 1,26 1,06 0,99
10 1,28 1,11 1,03 0,95 1,90 1,31 1,33 1,24 0,97 2,14 0,96 1,07 1,05 1,10 1,00 0,96 1,08 1,08 1,09 1,00 0,96 1,12 1,13 1,08 0,99 0,98 1,19 1,21 1,08 0,98 1,00 1,24 1,27 1,07 0,98
11 1,34 1,13 1,07 0,95 1,97 1,27 1,39 1,26 1,02 2,05 0,96 1,07 1,05 1,10 0,98 0,96 1,09 1,08 1,10 0,97 0,96 1,13 1,13 1,09 0,97 0,97 1,20 1,22 1,08 0,96 1,00 1,26 1,28 1,07 0,96
12 1,32 1,09 1,12 0,86 1,79 1,21 1,38 1,29 0,94 1,76 0,89 1,01 1,05 0,98 0,83 0,89 1,03 1,07 0,97 0,83 0,89 1,07 1,13 0,96 0,83 0,91 1,15 1,22 0,95 0,82 0,93 1,21 1,29 0,94 0,81
bVar(p) respecto a un modelo arima (bic) bVar(p) respecto a un modelo arima (bic)
horizonte
m2 m3 m4 m5 m6 m7 m8
imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr
1 0,77 0,52 0,60 0,40 0,68 0,88 0,47 0,56 0,46 0,68 0,72 0,62 0,69 0,62 0,62 0,72 0,62 0,69 0,62 0,62 0,72 0,62 0,70 0,62 0,62 0,72 0,63 0,72 0,62 0,61 0,73 0,64 0,74 0,62 0,61
2 0,92 0,70 0,75 0,54 0,98 0,97 0,68 0,75 0,56 0,99 0,83 0,79 0,88 0,79 0,76 0,83 0,80 0,89 0,79 0,76 0,83 0,80 0,91 0,79 0,76 0,84 0,82 0,94 0,79 0,76 0,84 0,83 0,97 0,79 0,76
3 0,93 0,79 0,76 0,62 1,25 0,97 0,78 0,83 0,55 1,35 0,81 0,87 0,96 0,88 0,87 0,81 0,87 0,97 0,88 0,87 0,81 0,88 1,00 0,88 0,87 0,82 0,91 1,04 0,87 0,87 0,83 0,93 1,08 0,87 0,87
4 0,96 0,85 0,75 0,67 1,38 1,00 0,82 0,88 0,51 1,58 0,84 0,91 0,99 0,94 0,90 0,84 0,92 1,00 0,93 0,90 0,85 0,93 1,03 0,93 0,90 0,86 0,96 1,08 0,93 0,90 0,87 0,98 1,12 0,92 0,89
5 0,99 0,90 0,77 0,72 1,46 1,05 0,89 0,92 0,58 1,77 0,87 0,95 1,00 0,97 0,91 0,87 0,96 1,01 0,97 0,91 0,87 0,98 1,04 0,97 0,91 0,88 1,01 1,10 0,96 0,91 0,90 1,03 1,14 0,96 0,90
6 1,13 1,03 0,89 0,87 1,63 1,22 1,04 1,06 0,78 2,02 0,96 1,07 1,12 1,11 1,00 0,96 1,08 1,14 1,11 1,00 0,97 1,10 1,18 1,11 1,00 0,98 1,15 1,24 1,10 0,99 1,00 1,18 1,30 1,10 0,99
7 0,99 0,88 0,69 0,73 1,46 1,07 0,89 0,83 0,65 1,81 0,85 0,91 0,87 0,93 0,89 0,85 0,92 0,89 0,93 0,89 0,85 0,94 0,92 0,93 0,89 0,86 0,98 0,97 0,92 0,89 0,88 1,01 1,01 0,92 0,88
8 1,16 1,04 0,89 0,91 1,81 1,24 1,13 1,09 0,91 2,20 0,95 1,04 1,01 1,06 1,03 0,95 1,05 1,03 1,06 1,02 0,95 1,08 1,07 1,05 1,02 0,97 1,13 1,14 1,05 1,01 0,98 1,17 1,19 1,04 1,01
9 1,19 1,09 0,96 0,94 1,94 1,25 1,25 1,18 0,96 2,34 0,95 1,06 1,03 1,08 1,06 0,94 1,08 1,05 1,08 1,06 0,95 1,11 1,10 1,07 1,05 0,96 1,17 1,18 1,07 1,04 0,98 1,22 1,24 1,06 1,04
10 1,28 1,13 1,01 0,95 1,98 1,31 1,35 1,22 0,97 2,23 0,96 1,08 1,03 1,10 1,04 0,96 1,10 1,06 1,09 1,04 0,96 1,14 1,11 1,08 1,03 0,98 1,21 1,19 1,08 1,02 1,00 1,26 1,25 1,07 1,02
11 1,34 1,16 1,05 0,95 2,03 1,27 1,42 1,23 1,02 2,11 0,96 1,09 1,03 1,10 1,00 0,96 1,11 1,06 1,10 1,00 0,96 1,16 1,11 1,09 1,00 0,97 1,23 1,19 1,08 0,99 1,00 1,29 1,26 1,07 0,98
12 1,32 1,10 1,09 0,86 1,86 1,21 1,40 1,26 0,94 1,84 0,89 1,02 1,02 0,98 0,87 0,89 1,04 1,05 0,97 0,87 0,89 1,09 1,10 0,96 0,86 0,91 1,17 1,19 0,95 0,85 0,93 1,22 1,26 0,94 0,85
Un gran Var bayesiano para la economia chilena 87
 Tabla 2
 error cUaDraTico meDio relaTiVo 
bVar(p) respecto a un modelo Var simple bVar(p) respecto a un modelo Var simple
horizonte
m2 m3 m4 m5 m6 m7 m8
imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr
1 1,02 0,93 0,98 0,99 1,05 1,17 0,85 0,92 1,15 1,05 0,96 1,11 1,13 1,56 0,95 0,96 1,12 1,14 1,56 0,95 0,96 1,12 1,16 1,55 0,95 0,96 1,14 1,19 1,55 0,95 0,97 1,15 1,21 1,55 0,95
2 1,05 0,92 1,00 1,01 1,18 1,10 0,88 0,99 1,05 1,20 0,95 1,04 1,17 1,49 0,92 0,95 1,04 1,18 1,48 0,92 0,95 1,05 1,20 1,48 0,92 0,96 1,07 1,25 1,48 0,92 0,96 1,09 1,29 1,47 0,92
3 1,07 0,94 0,96 1,04 1,29 1,12 0,93 1,04 0,92 1,39 0,94 1,04 1,21 1,47 0,90 0,94 1,05 1,22 1,47 0,90 0,94 1,06 1,26 1,46 0,90 0,95 1,09 1,31 1,46 0,89 0,96 1,11 1,36 1,46 0,89
4 1,07 0,95 0,91 1,06 1,40 1,11 0,92 1,05 0,80 1,59 0,94 1,02 1,19 1,47 0,91 0,94 1,03 1,20 1,47 0,91 0,94 1,05 1,24 1,46 0,91 0,95 1,08 1,30 1,46 0,91 0,97 1,10 1,35 1,46 0,90
5 1,05 0,95 0,88 1,07 1,47 1,11 0,94 1,06 0,87 1,77 0,91 1,00 1,15 1,45 0,92 0,92 1,01 1,16 1,44 0,91 0,92 1,03 1,20 1,44 0,91 0,93 1,06 1,26 1,43 0,91 0,95 1,09 1,31 1,43 0,91
6 1,04 0,95 0,88 1,09 1,51 1,12 0,96 1,05 0,97 1,87 0,89 0,98 1,11 1,39 0,93 0,89 0,99 1,12 1,39 0,93 0,89 1,01 1,16 1,38 0,92 0,90 1,05 1,23 1,38 0,92 0,92 1,08 1,28 1,38 0,92
7 1,04 0,95 0,88 1,09 1,51 1,12 0,96 1,05 0,97 1,87 0,89 0,98 1,11 1,39 0,93 0,89 0,99 1,12 1,39 0,93 0,89 1,01 1,16 1,38 0,92 0,90 1,05 1,23 1,38 0,92 0,92 1,08 1,28 1,38 0,92
8 1,03 0,92 0,88 1,10 1,61 1,11 1,00 1,08 1,10 1,96 0,85 0,92 1,00 1,29 0,91 0,85 0,93 1,02 1,28 0,91 0,85 0,96 1,06 1,28 0,91 0,86 1,00 1,13 1,27 0,90 0,88 1,04 1,18 1,26 0,90
9 1,05 0,91 0,90 1,08 1,67 1,09 1,05 1,12 1,10 2,02 0,83 0,90 0,97 1,24 0,91 0,83 0,91 0,99 1,23 0,91 0,83 0,94 1,03 1,23 0,90 0,84 0,99 1,11 1,22 0,90 0,86 1,03 1,16 1,22 0,89
10 1,08 0,90 0,91 1,03 1,72 1,10 1,08 1,10 1,06 1,94 0,81 0,87 0,93 1,19 0,91 0,81 0,88 0,95 1,19 0,90 0,81 0,91 1,00 1,18 0,90 0,82 0,97 1,07 1,17 0,89 0,84 1,01 1,13 1,16 0,89
11 1,11 0,89 0,92 0,98 1,79 1,06 1,09 1,08 1,05 1,87 0,80 0,84 0,90 1,13 0,89 0,79 0,86 0,92 1,13 0,89 0,79 0,89 0,97 1,12 0,88 0,81 0,95 1,04 1,11 0,87 0,83 0,99 1,10 1,10 0,87
12 1,18 0,87 0,94 0,95 1,90 1,09 1,11 1,09 1,03 1,87 0,80 0,81 0,88 1,07 0,89 0,80 0,83 0,91 1,06 0,88 0,80 0,86 0,95 1,05 0,88 0,82 0,92 1,03 1,04 0,87 0,83 0,97 1,09 1,04 0,87
bVar(p) respecto a un modelo camino aleatorio (rW) bVar(p) respecto a un modelo camino aleatorio (rW)
horizonte
m2 m3 m4 m5 m6 m7 m8
imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr
1 0,71 0,40 0,38 0,34 0,70 0,82 0,36 0,36 0,40 0,70 0,67 0,48 0,44 0,54 0,64 0,67 0,48 0,44 0,53 0,64 0,67 0,48 0,45 0,53 0,63 0,67 0,49 0,46 0,53 0,63 0,67 0,50 0,47 0,53 0,63
2 0,83 0,54 0,45 0,49 1,02 0,87 0,52 0,45 0,51 1,03 0,74 0,61 0,53 0,72 0,80 0,74 0,61 0,53 0,72 0,80 0,75 0,62 0,55 0,72 0,80 0,75 0,63 0,57 0,72 0,79 0,76 0,64 0,58 0,72 0,79
3 0,82 0,59 0,44 0,58 1,30 0,85 0,59 0,48 0,52 1,40 0,71 0,66 0,56 0,82 0,90 0,71 0,66 0,57 0,82 0,90 0,71 0,67 0,58 0,82 0,90 0,72 0,69 0,61 0,82 0,90 0,73 0,70 0,63 0,82 0,90
4 0,83 0,64 0,45 0,64 1,44 0,86 0,62 0,52 0,48 1,64 0,73 0,69 0,58 0,89 0,94 0,73 0,69 0,59 0,88 0,94 0,73 0,70 0,61 0,88 0,94 0,74 0,72 0,64 0,88 0,93 0,75 0,74 0,66 0,88 0,93
5 0,83 0,67 0,47 0,69 1,54 0,88 0,66 0,56 0,56 1,86 0,73 0,70 0,61 0,93 0,96 0,73 0,71 0,61 0,93 0,96 0,73 0,72 0,63 0,93 0,96 0,74 0,75 0,67 0,92 0,96 0,75 0,77 0,69 0,92 0,95
6 0,98 0,77 0,56 0,83 1,74 1,06 0,77 0,67 0,75 2,15 0,83 0,80 0,71 1,07 1,06 0,83 0,80 0,72 1,06 1,06 0,84 0,82 0,74 1,06 1,06 0,85 0,85 0,79 1,06 1,05 0,86 0,88 0,82 1,05 1,05
7 0,79 0,62 0,43 0,70 1,54 0,86 0,62 0,51 0,63 1,91 0,68 0,64 0,54 0,90 0,94 0,68 0,64 0,55 0,90 0,94 0,68 0,66 0,57 0,89 0,94 0,69 0,68 0,60 0,89 0,94 0,70 0,70 0,63 0,89 0,93
8 0,90 0,70 0,55 0,88 1,89 0,96 0,76 0,67 0,88 2,30 0,74 0,70 0,62 1,03 1,07 0,74 0,71 0,63 1,02 1,07 0,74 0,72 0,66 1,02 1,07 0,75 0,76 0,70 1,01 1,06 0,77 0,79 0,74 1,01 1,06
9 0,91 0,70 0,58 0,91 2,04 0,95 0,80 0,71 0,93 2,47 0,72 0,68 0,62 1,05 1,11 0,72 0,69 0,63 1,04 1,11 0,72 0,72 0,66 1,04 1,11 0,73 0,75 0,71 1,03 1,10 0,74 0,78 0,74 1,03 1,09
10 0,95 0,70 0,61 0,92 2,11 0,96 0,84 0,73 0,94 2,38 0,71 0,67 0,62 1,06 1,11 0,71 0,68 0,64 1,06 1,11 0,71 0,71 0,67 1,05 1,10 0,72 0,75 0,72 1,04 1,09 0,74 0,78 0,75 1,04 1,09
11 0,96 0,69 0,64 0,93 2,20 0,91 0,85 0,75 1,00 2,30 0,69 0,66 0,63 1,08 1,09 0,69 0,67 0,64 1,07 1,09 0,69 0,69 0,67 1,07 1,08 0,70 0,74 0,72 1,06 1,07 0,71 0,77 0,76 1,05 1,07
12 0,97 0,69 0,66 0,84 2,00 0,89 0,88 0,77 0,92 1,97 0,66 0,64 0,62 0,95 0,93 0,66 0,65 0,64 0,95 0,93 0,66 0,68 0,67 0,94 0,92 0,67 0,73 0,72 0,93 0,91 0,69 0,76 0,76 0,92 0,91
bVar(p) respecto a un modelo arima (akaike) bVar(p) respecto a un modelo arima (akaike)
horizonte
m2 m3 m4 m5 m6 m7 m8
imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr
1 0,77 0,50 0,56 0,40 0,70 0,88 0,46 0,53 0,46 0,70 0,72 0,60 0,64 0,62 0,63 0,72 0,60 0,65 0,62 0,63 0,72 0,61 0,66 0,62 0,63 0,72 0,62 0,68 0,62 0,63 0,73 0,63 0,69 0,62 0,63
2 0,92 0,69 0,72 0,54 0,99 0,97 0,66 0,72 0,56 1,00 0,83 0,78 0,85 0,79 0,77 0,83 0,78 0,85 0,79 0,77 0,83 0,79 0,87 0,79 0,77 0,84 0,80 0,91 0,79 0,77 0,84 0,82 0,93 0,79 0,77
3 0,93 0,77 0,74 0,62 1,25 0,97 0,76 0,80 0,55 1,35 0,81 0,85 0,93 0,88 0,87 0,81 0,85 0,94 0,88 0,87 0,81 0,86 0,97 0,88 0,87 0,82 0,89 1,01 0,87 0,87 0,83 0,90 1,05 0,87 0,86
4 0,96 0,83 0,74 0,67 1,39 1,00 0,81 0,86 0,51 1,58 0,84 0,90 0,97 0,94 0,90 0,84 0,90 0,98 0,93 0,90 0,85 0,92 1,01 0,93 0,90 0,86 0,94 1,06 0,93 0,90 0,87 0,97 1,10 0,92 0,90
5 0,99 0,89 0,77 0,72 1,48 1,05 0,88 0,93 0,58 1,78 0,87 0,94 1,01 0,97 0,92 0,87 0,95 1,02 0,97 0,92 0,87 0,97 1,05 0,97 0,92 0,88 1,00 1,11 0,96 0,92 0,90 1,02 1,15 0,96 0,91
6 1,13 1,01 0,94 0,87 1,65 1,22 1,02 1,12 0,78 2,04 0,96 1,05 1,18 1,11 1,01 0,96 1,06 1,20 1,11 1,01 0,97 1,08 1,24 1,11 1,01 0,98 1,12 1,31 1,10 1,00 1,00 1,15 1,37 1,10 1,00
7 0,99 0,88 0,71 0,73 1,43 1,07 0,88 0,84 0,65 1,78 0,85 0,91 0,89 0,93 0,88 0,85 0,92 0,91 0,93 0,88 0,85 0,94 0,94 0,93 0,87 0,86 0,97 0,99 0,92 0,87 0,88 1,00 1,03 0,92 0,87
8 1,16 1,03 0,90 0,91 1,73 1,24 1,12 1,11 0,91 2,10 0,95 1,02 1,03 1,06 0,98 0,95 1,04 1,05 1,06 0,98 0,95 1,07 1,09 1,05 0,98 0,97 1,12 1,16 1,05 0,97 0,98 1,16 1,21 1,04 0,97
9 1,19 1,07 0,97 0,94 1,86 1,25 1,24 1,20 0,96 2,24 0,95 1,05 1,05 1,08 1,01 0,94 1,07 1,07 1,08 1,01 0,95 1,10 1,12 1,07 1,01 0,96 1,16 1,20 1,07 1,00 0,98 1,20 1,26 1,06 0,99
10 1,28 1,11 1,03 0,95 1,90 1,31 1,33 1,24 0,97 2,14 0,96 1,07 1,05 1,10 1,00 0,96 1,08 1,08 1,09 1,00 0,96 1,12 1,13 1,08 0,99 0,98 1,19 1,21 1,08 0,98 1,00 1,24 1,27 1,07 0,98
11 1,34 1,13 1,07 0,95 1,97 1,27 1,39 1,26 1,02 2,05 0,96 1,07 1,05 1,10 0,98 0,96 1,09 1,08 1,10 0,97 0,96 1,13 1,13 1,09 0,97 0,97 1,20 1,22 1,08 0,96 1,00 1,26 1,28 1,07 0,96
12 1,32 1,09 1,12 0,86 1,79 1,21 1,38 1,29 0,94 1,76 0,89 1,01 1,05 0,98 0,83 0,89 1,03 1,07 0,97 0,83 0,89 1,07 1,13 0,96 0,83 0,91 1,15 1,22 0,95 0,82 0,93 1,21 1,29 0,94 0,81
bVar(p) respecto a un modelo arima (bic) bVar(p) respecto a un modelo arima (bic)
horizonte
m2 m3 m4 m5 m6 m7 m8
imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr imacec ipc ipcX1 Tpm Tcr
1 0,77 0,52 0,60 0,40 0,68 0,88 0,47 0,56 0,46 0,68 0,72 0,62 0,69 0,62 0,62 0,72 0,62 0,69 0,62 0,62 0,72 0,62 0,70 0,62 0,62 0,72 0,63 0,72 0,62 0,61 0,73 0,64 0,74 0,62 0,61
2 0,92 0,70 0,75 0,54 0,98 0,97 0,68 0,75 0,56 0,99 0,83 0,79 0,88 0,79 0,76 0,83 0,80 0,89 0,79 0,76 0,83 0,80 0,91 0,79 0,76 0,84 0,82 0,94 0,79 0,76 0,84 0,83 0,97 0,79 0,76
3 0,93 0,79 0,76 0,62 1,25 0,97 0,78 0,83 0,55 1,35 0,81 0,87 0,96 0,88 0,87 0,81 0,87 0,97 0,88 0,87 0,81 0,88 1,00 0,88 0,87 0,82 0,91 1,04 0,87 0,87 0,83 0,93 1,08 0,87 0,87
4 0,96 0,85 0,75 0,67 1,38 1,00 0,82 0,88 0,51 1,58 0,84 0,91 0,99 0,94 0,90 0,84 0,92 1,00 0,93 0,90 0,85 0,93 1,03 0,93 0,90 0,86 0,96 1,08 0,93 0,90 0,87 0,98 1,12 0,92 0,89
5 0,99 0,90 0,77 0,72 1,46 1,05 0,89 0,92 0,58 1,77 0,87 0,95 1,00 0,97 0,91 0,87 0,96 1,01 0,97 0,91 0,87 0,98 1,04 0,97 0,91 0,88 1,01 1,10 0,96 0,91 0,90 1,03 1,14 0,96 0,90
6 1,13 1,03 0,89 0,87 1,63 1,22 1,04 1,06 0,78 2,02 0,96 1,07 1,12 1,11 1,00 0,96 1,08 1,14 1,11 1,00 0,97 1,10 1,18 1,11 1,00 0,98 1,15 1,24 1,10 0,99 1,00 1,18 1,30 1,10 0,99
7 0,99 0,88 0,69 0,73 1,46 1,07 0,89 0,83 0,65 1,81 0,85 0,91 0,87 0,93 0,89 0,85 0,92 0,89 0,93 0,89 0,85 0,94 0,92 0,93 0,89 0,86 0,98 0,97 0,92 0,89 0,88 1,01 1,01 0,92 0,88
8 1,16 1,04 0,89 0,91 1,81 1,24 1,13 1,09 0,91 2,20 0,95 1,04 1,01 1,06 1,03 0,95 1,05 1,03 1,06 1,02 0,95 1,08 1,07 1,05 1,02 0,97 1,13 1,14 1,05 1,01 0,98 1,17 1,19 1,04 1,01
9 1,19 1,09 0,96 0,94 1,94 1,25 1,25 1,18 0,96 2,34 0,95 1,06 1,03 1,08 1,06 0,94 1,08 1,05 1,08 1,06 0,95 1,11 1,10 1,07 1,05 0,96 1,17 1,18 1,07 1,04 0,98 1,22 1,24 1,06 1,04
10 1,28 1,13 1,01 0,95 1,98 1,31 1,35 1,22 0,97 2,23 0,96 1,08 1,03 1,10 1,04 0,96 1,10 1,06 1,09 1,04 0,96 1,14 1,11 1,08 1,03 0,98 1,21 1,19 1,08 1,02 1,00 1,26 1,25 1,07 1,02
11 1,34 1,16 1,05 0,95 2,03 1,27 1,42 1,23 1,02 2,11 0,96 1,09 1,03 1,10 1,00 0,96 1,11 1,06 1,10 1,00 0,96 1,16 1,11 1,09 1,00 0,97 1,23 1,19 1,08 0,99 1,00 1,29 1,26 1,07 0,98
12 1,32 1,10 1,09 0,86 1,86 1,21 1,40 1,26 0,94 1,84 0,89 1,02 1,02 0,98 0,87 0,89 1,04 1,05 0,97 0,87 0,89 1,09 1,10 0,96 0,86 0,91 1,17 1,19 0,95 0,85 0,93 1,22 1,26 0,94 0,85
88 reVisTa De analisis economico, Vol.  27, nº  2
 
Ta
b
l
a
 3
 
 
T
e
sT
 D
e
 D
ie
b
o
l
D
 y
 m
a
r
ia
n
o
b
Va
r
(p
) r
es
pe
ct
o 
a 
un
 m
od
el
o 
ca
m
in
o 
al
ea
to
rio
h
or
iz
on
te
m
2
m
3
m
4
m
5
im
a
c
ec
ip
c
ip
c
X
1
Tp
m
Tc
r
im
a
c
ec
ip
c
ip
c
X
1
Tp
m
Tc
r
im
a
c
ec
ip
c
ip
c
X
1
Tp
m
Tc
r
im
a
c
ec
ip
c
ip
c
X
1
Tp
m
Tc
r
1
3,
70
**
*
3,
54
**
*
3,
55
**
*
1,
29
*
2,
73
**
*
2,
83
**
*
3,
57
**
*
3,
64
**
*
1,
25
2,
43
**
*
6,
51
**
*
3,
61
**
*
3,
76
**
*
1,
33
*
3,
04
**
*
6,
59
**
*
3,
63
**
*
3,
78
**
*
1,
33
*
3,
04
**
*
2
1,
38
*
2,
39
**
*
2,
41
**
*
1,
12
–0
,1
9
1,
18
2,
29
**
2,
49
**
*
1,
07
–0
,3
2
3,
57
**
*
2,
53
**
*
2,
75
**
*
1,
17
2,
77
**
*
3,
69
**
*
2,
56
**
*
2,
77
**
*
1,
18
2,
77
**
*
3
1,
36
*
2,
10
**
2,
19
**
1,
02
–1
,8
0
1,
23
1,
96
**
2,
05
**
1,
06
–2
,5
4
2,
83
**
*
2,
26
**
2,
37
**
*
0,
85
2,
77
**
*
2,
95
**
*
2,
28
**
2,
39
**
*
0,
86
2,
80
**
*
4
1,
28
2,
09
**
2,
07
**
0,
93
–1
,9
7
1,
01
1,
96
**
1,
79
**
1,
08
–1
,7
3
2,
16
**
2,
21
**
2,
11
**
0,
59
0,
96
2,
25
**
2,
22
**
2,
13
**
0,
60
0,
97
5
1,
04
2,
17
**
1,
99
**
0,
79
–2
,4
7
0,
52
1,
90
**
1,
61
*
0,
98
–1
,6
4
1,
84
**
2,
48
**
*
1,
97
**
0,
39
0,
00
1,
94
**
2,
49
**
*
1,
98
**
0,
40
0,
00
6
–0
,0
7
2,
23
**
1,
85
**
0,
49
–2
,5
9
–0
,3
6
1,
56
*
1,
31
*
0,
71
–1
,6
7
0,
90
8,
27
**
*
1,
82
**
–0
,1
7
0,
00
0,
96
19
,2
1*
**
1,
81
**
–0
,1
5
0,
00
7
0,
78
2,
04
**
1,
94
**
0,
10
–1
,7
9
0,
08
1,
63
*
1,
58
*
0,
28
–1
,6
1
1,
87
**
3,
11
**
*
1,
96
**
–1
,2
2
0,
00
2,
02
**
3,
15
**
*
1,
94
**
–1
,1
7
0,
00
8
0,
56
1,
83
**
1,
89
**
–0
,6
8
–1
,5
9
0,
20
1,
41
*
1,
53
*
–0
,8
7
–1
,5
0
1,
66
**
2,
34
**
*
1,
86
**
–1
,6
6
–0
,6
6
1,
78
**
2,
31
**
1,
83
**
–1
,6
1
–0
,6
5
9
0,
41
1,
71
**
1,
84
**
–1
,0
3
–1
,5
6
0,
22
1,
34
*
1,
52
*
–1
,0
7
–1
,4
1
1,
49
*
1,
91
**
1,
69
**
–1
,5
1
–0
,7
9
1,
58
*
1,
86
**
1,
65
**
–1
,4
8
–0
,7
8
10
0,
20
1,
66
**
1,
76
**
–1
,0
8
–1
,5
6
0,
14
1,
45
*
1,
52
*
–1
,0
6
–1
,3
3
1,
25
1,
73
**
1,
53
*
–1
,4
7
–0
,7
7
1,
31
*
1,
68
**
1,
49
*
–1
,4
4
–0
,7
5
11
0,
17
1,
66
**
1,
70
**
–1
,0
5
–1
,5
2
0,
31
1,
72
**
1,
50
*
–1
,0
4
–1
,2
6
1,
31
*
1,
67
**
1,
43
*
–1
,4
8
–0
,8
1
1,
37
*
1,
61
*
1,
39
*
–1
,4
4
–0
,7
9
12
–0
,0
2
1,
60
*
1,
70
**
–1
,0
6
–1
,5
1
0,
19
3,
12
**
*
1,
39
*
–1
,0
4
–1
,2
4
1,
26
1,
56
*
1,
29
*
–1
,5
8
–0
,7
5
1,
33
*
1,
49
*
1,
24
–1
,5
3
–0
,7
3
b
Va
r
(p
) r
es
pe
ct
o 
a 
un
 m
od
el
o 
a
r
im
a
 (a
ka
ik
e)
h
or
iz
on
te
m
2
m
3
m
4
m
5
im
a
c
ec
ip
c
ip
c
X
1
Tp
m
Tc
r
im
a
c
ec
ip
c
ip
c
X
1
Tp
m
Tc
r
im
a
c
ec
ip
c
ip
c
X
1
Tp
m
Tc
r
im
a
c
ec
ip
c
ip
c
X
1
Tp
m
Tc
r
1
3,
27
**
*
4,
26
**
*
3,
46
**
*
1,
21
3,
32
**
*
1,
97
**
4,
35
**
*
3,
36
**
*
1,
16
2,
74
**
*
4,
07
**
*
3,
58
**
*
3,
08
**
*
1,
20
2,
95
**
*
4,
10
**
*
3,
56
**
*
3,
05
**
*
1,
20
2,
96
**
*
2
1,
01
3,
46
**
*
2,
69
**
*
1,
06
0,
00
0,
58
3,
84
**
*
2,
99
**
*
1,
00
0,
14
2,
33
**
2,
41
**
*
2,
63
**
*
1,
11
2,
57
**
*
2,
39
**
*
2,
37
**
*
2,
48
**
*
1,
12
2,
57
**
*
3
0,
90
2,
59
**
*
2,
62
**
*
0,
98
–2
,4
0
0,
60
3,
28
**
*
2,
44
**
*
1,
02
–2
,5
3
2,
25
**
1,
78
**
2,
33
**
0,
75
5,
24
**
*
2,
36
**
*
1,
73
**
2,
04
**
0,
77
5,
40
**
*
4
0,
74
2,
14
**
2,
13
**
0,
89
–2
,1
7
0,
45
2,
58
**
*
1,
74
**
1,
06
–1
,7
5
1,
75
**
1,
51
*
1,
52
*
0,
48
0,
96
1,
85
**
1,
44
*
1,
35
*
0,
49
0,
97
5
0,
66
1,
64
*
1,
98
**
0,
76
–2
,5
8
0,
17
2,
03
**
1,
18
0,
96
–1
,6
3
1,
48
*
1,
14
1,
20
0,
30
2,
74
**
*
1,
56
*
1,
05
0,
93
0,
31
2,
84
**
*
6
–0
,6
8
0,
53
1,
23
0,
45
–2
,5
3
–0
,6
3
0,
77
0,
34
0,
69
–1
,6
4
0,
55
0,
31
–0
,1
0
–0
,3
2
0,
00
0,
60
0,
24
–0
,1
7
–0
,3
0
0,
00
7
0,
68
1,
18
1,
37
*
0,
11
–1
,8
0
–0
,1
1
1,
17
0,
12
0,
29
–1
,6
1
2,
23
**
1,
56
*
0,
51
–1
,1
9
0,
00
2,
62
**
*
1,
35
*
0,
22
–1
,1
5
0,
00
8
0,
45
0,
63
0,
85
–0
,6
4
–1
,6
0
0,
06
–0
,1
7
–0
,2
4
–0
,8
5
–1
,5
1
1,
94
**
0,
85
0,
13
–1
,7
2
–0
,6
6
2,
17
**
0,
62
–0
,0
2
–1
,6
7
–0
,6
4
9
0,
23
–0
,1
4
0,
47
–1
,0
4
–1
,5
7
0,
06
–0
,7
3
–0
,5
3
–1
,0
9
–1
,4
1
1,
49
*
0,
04
–0
,0
3
–1
,5
4
–0
,7
3
1,
60
*
–0
,0
7
–0
,1
5
–1
,5
0
–0
,7
2
10
0,
01
–0
,4
1
0,
08
–1
,1
0
–1
,5
7
–0
,0
4
–1
,0
5
–0
,8
1
–1
,0
8
–1
,3
3
1,
09
–0
,0
3
–0
,1
0
–1
,4
9
–0
,7
6
1,
16
–0
,1
2
–0
,2
1
–1
,4
5
–0
,7
4
11
–0
,0
2
–0
,2
7
0,
00
–1
,0
7
–1
,5
4
0,
11
–1
,4
1
–1
,3
0
–1
,0
5
–1
,2
7
1,
11
0,
25
–0
,0
6
–1
,5
0
–0
,9
7
1,
18
0,
13
–0
,1
6
–1
,4
6
–0
,9
6
12
–0
,1
9
0,
00
0,
00
–1
,0
8
–1
,5
3
0,
00
–1
,8
7
–2
,2
2
–1
,0
5
–1
,2
6
1,
04
0,
01
–0
,3
2
–1
,6
0
–0
,9
1
1,
11
–0
,1
1
–0
,4
2
–1
,5
5
–0
,8
9
b
Va
r
(p
) r
es
pe
ct
o 
a 
un
 m
od
el
o 
a
r
im
a
 (b
ic
)
h
or
iz
on
te
m
2
m
3
m
4
m
5
im
a
c
ec
ip
c
ip
c
X
1
Tp
m
Tc
r
im
a
c
ec
ip
c
ip
c
X
1
Tp
m
Tc
r
im
a
c
ec
ip
c
ip
c
X
1
Tp
m
Tc
r
im
a
c
ec
ip
c
ip
c
X
1
Tp
m
Tc
r
1
3,
60
**
*
3,
97
**
*
4,
42
**
*
1,
21
3,
18
**
*
2,
72
**
*
4,
00
**
*
3,
93
**
*
1,
16
2,
70
**
*
6,
33
**
*
4,
01
**
*
3,
37
**
*
1,
20
3,
27
**
*
6,
40
**
*
4,
05
**
*
3,
32
**
*
1,
20
3,
27
**
*
2
1,
42
*
2,
39
**
*
2,
48
**
*
1,
06
–0
,1
5
1,
23
2,
25
**
2,
91
**
*
1,
00
–0
,2
7
3,
50
**
*
2,
58
**
*
1,
69
**
1,
11
3,
22
**
*
3,
61
**
*
2,
62
**
*
1,
54
*
1,
12
3,
23
**
*
3
1,
41
*
2,
04
**
2,
15
**
0,
98
–1
,9
4
1,
29
*
1,
89
**
1,
67
**
1,
02
–2
,7
4
2,
88
**
*
2,
25
**
1,
12
0,
75
0,
00
2,
99
**
*
2,
28
**
0,
79
0,
77
0,
00
4
1,
32
*
2,
07
**
2,
17
**
0,
89
–2
,0
4
1,
06
1,
93
**
1,
08
1,
06
–1
,7
9
2,
19
**
2,
23
**
0,
56
0,
48
1,
02
2,
28
**
2,
24
**
0,
36
0,
49
1,
03
5
1,
10
2,
19
**
2,
27
**
0,
76
–2
,5
1
0,
57
1,
86
**
0,
39
0,
96
–1
,6
3
1,
89
**
2,
55
**
*
–0
,1
8
0,
30
0,
00
1,
99
**
2,
57
**
*
–0
,2
9
0,
31
0,
00
6
–0
,0
2
2,
33
**
*
1,
14
0,
45
–2
,5
7
–0
,3
3
1,
45
*
–0
,7
8
0,
69
–1
,6
6
0,
95
0,
00
–0
,7
3
–0
,3
2
0,
00
1,
02
0,
00
–0
,7
6
–0
,3
0
0,
00
7
0,
80
2,
11
**
1,
56
*
0,
11
–1
,8
0
0,
10
1,
62
*
–0
,3
7
0,
29
–1
,6
2
1,
88
**
4,
00
**
*
–0
,4
5
–1
,1
9
–0
,7
1
2,
03
**
4,
17
**
*
–0
,5
3
–1
,1
5
–0
,6
7
8
0,
59
1,
84
**
0,
55
–0
,6
4
–1
,5
9
0,
22
1,
35
*
–0
,6
5
–0
,8
5
–1
,5
0
1,
68
**
2,
55
**
*
–0
,4
8
–1
,7
2
–0
,5
8
1,
80
**
2,
52
**
*
–0
,5
6
–1
,6
7
–0
,5
7
9
0,
42
1,
69
**
–0
,2
5
–1
,0
4
–1
,5
6
0,
24
1,
24
–0
,9
0
–1
,0
9
–1
,4
1
1,
49
*
1,
93
**
–0
,6
3
–1
,5
4
–0
,6
9
1,
58
*
1,
88
**
–0
,7
0
–1
,5
0
–0
,6
8
10
0,
21
1,
64
*
–1
,5
4
–1
,1
0
–1
,5
6
0,
15
1,
35
*
–1
,1
5
–1
,0
8
–1
,3
3
1,
26
1,
71
**
–0
,6
3
–1
,4
9
–0
,7
0
1,
32
*
1,
65
**
–0
,7
1
–1
,4
5
–0
,6
8
11
0,
18
1,
63
*
0,
00
–1
,0
7
–1
,5
2
0,
33
1,
62
*
–1
,7
3
–1
,0
5
–1
,2
6
1,
32
*
1,
64
**
–0
,4
6
–1
,5
0
–0
,7
5
1,
39
*
1,
58
*
–0
,5
4
–1
,4
6
–0
,7
4
12
–0
,0
0
1,
58
*
0,
00
–1
,0
8
–1
,5
1
0,
21
3,
27
**
*
–2
,3
5
–1
,0
5
–1
,2
4
1,
28
1,
53
*
–0
,7
1
–1
,6
0
–0
,6
9
1,
35
*
1,
45
*
–0
,7
8
–1
,5
5
–0
,6
7
Un gran Var bayesiano para la economia chilena 89
b
Va
r
(p
) r
es
pe
ct
o 
a 
un
 m
od
el
o 
ca
m
in
o 
al
ea
to
rio
h
or
iz
on
te
m
6
m
7
m
8
im
a
c
ec
ip
c
ip
c
X
1
Tp
m
Tc
r
im
a
c
ec
ip
c
ip
c
X
1
Tp
m
Tc
r
im
a
c
ec
ip
c
ip
c
X
1
Tp
m
Tc
r
1
6,
73
**
*
3,
67
**
*
3,
82
**
*
1,
34
*
3,
04
**
*
6,
94
**
*
3,
71
**
*
3,
86
**
*
1,
35
*
3,
05
**
*
7,
06
**
*
3,
74
**
*
3,
88
**
*
1,
35
*
3,
05
**
*
2
3,
92
**
*
2,
60
**
*
2,
81
**
*
1,
19
2,
78
**
*
4,
32
**
*
2,
67
**
*
2,
86
**
*
1,
21
2,
78
**
*
4,
62
**
*
2,
71
**
*
2,
88
**
*
1,
22
2,
78
**
*
3
3,
18
**
*
2,
31
**
2,
43
**
*
0,
87
2,
87
**
*
3,
58
**
*
2,
34
**
*
2,
47
**
*
0,
89
2,
96
**
*
3,
88
**
*
2,
35
**
*
2,
48
**
*
0,
91
3,
02
**
*
4
2,
43
**
*
2,
23
**
2,
15
**
0,
61
0,
98
2,
73
**
*
2,
20
**
2,
16
**
0,
63
1,
01
2,
92
**
*
2,
15
**
2,
15
**
0,
64
1,
03
5
2,
13
**
2,
49
**
*
1,
98
**
0,
41
0,
00
2,
49
**
*
2,
44
**
*
1,
96
**
0,
43
0,
00
2,
76
**
*
2,
36
**
*
1,
93
**
0,
44
0,
00
6
1,
12
0,
00
1,
78
**
–0
,1
3
0,
00
1,
51
*
0,
00
1,
66
**
–0
,1
1
0,
00
2,
31
**
0,
00
1,
53
*
–0
,0
9
0,
00
7
2,
40
**
*
3,
20
**
*
1,
89
**
–1
,1
1
0,
00
3,
66
**
*
3,
17
**
*
1,
78
**
–1
,0
3
0,
00
9,
19
**
*
3,
05
**
*
1,
67
**
–0
,9
8
0,
00
8
2,
06
**
2,
23
**
1,
75
**
–1
,5
3
–0
,6
1
2,
80
**
*
2,
04
**
1,
60
*
–1
,4
3
–0
,5
5
4,
04
**
*
1,
87
**
1,
48
*
–1
,3
7
–0
,5
0
9
1,
78
**
1,
75
**
1,
57
*
–1
,4
2
–0
,7
5
2,
19
**
1,
55
*
1,
41
*
–1
,3
4
–0
,6
9
2,
62
**
*
1,
39
*
1,
29
*
–1
,3
0
–0
,6
6
10
1,
44
*
1,
56
*
1,
41
*
–1
,3
8
–0
,7
2
1,
69
**
1,
36
*
1,
25
–1
,3
1
–0
,6
7
1,
89
**
1,
21
1,
13
–1
,2
6
–0
,6
3
11
1,
51
*
1,
49
*
1,
30
*
–1
,3
8
–0
,7
5
1,
75
**
1,
29
*
1,
14
–1
,3
1
–0
,7
0
1,
94
**
1,
14
1,
02
–1
,2
6
–0
,6
6
12
1,
49
*
1,
35
*
1,
13
–1
,4
6
–0
,6
9
1,
79
**
1,
11
0,
94
–1
,3
6
–0
,6
2
2,
04
**
0,
95
0,
79
–1
,3
1
–0
,5
7
b
Va
r
(p
) r
es
pe
ct
o 
a 
un
 m
od
el
o 
a
r
im
a
 (a
ka
ik
e)
h
or
iz
on
te
m
6
m
7
m
8
im
a
c
ec
ip
c
ip
c
X
1
Tp
m
Tc
r
im
a
c
ec
ip
c
ip
c
X
1
Tp
m
Tc
r
im
a
c
ec
ip
c
ip
c
X
1
Tp
m
Tc
r
1
4,
16
**
*
3,
51
**
*
2,
98
**
*
1,
21
2,
96
**
*
4,
24
**
*
3,
43
**
*
2,
84
**
*
1,
22
2,
96
**
*
4,
28
**
*
3,
36
**
*
2,
73
**
*
1,
22
2,
97
**
*
2
2,
52
**
*
2,
28
**
2,
18
**
1,
14
2,
58
**
*
2,
72
**
*
2,
11
**
1,
71
**
1,
16
2,
60
**
*
2,
84
**
*
1,
98
**
1,
40
*
1,
18
2,
61
**
*
3
2,
61
**
*
1,
62
*
1,
57
*
0,
79
5,
61
**
*
3,
11
**
*
1,
43
*
1,
00
0,
81
5,
86
**
*
3,
59
**
*
1,
30
*
0,
67
0,
83
6,
05
**
*
4
2,
05
**
1,
30
*
1,
04
0,
51
0,
98
2,
44
**
*
1,
07
0,
62
0,
53
1,
01
2,
76
**
*
0,
92
0,
37
0,
54
1,
02
5
1,
74
**
0,
89
0,
52
0,
33
2,
53
**
*
2,
04
**
0,
64
0,
07
0,
35
2,
09
**
2,
26
**
0,
47
–0
,1
7
0,
36
1,
95
**
6
0,
71
0,
12
–0
,3
0
–0
,2
7
0,
00
1,
64
*
–0
,0
7
–0
,4
9
–0
,2
5
0,
00
2,
22
**
–0
,1
9
–0
,6
1
–0
,2
3
0,
00
7
4,
63
**
*
0,
98
–0
,1
6
–1
,0
8
0,
00
1,
23
0,
53
–0
,5
3
–1
,0
1
0,
00
2,
18
**
0,
27
–0
,7
3
–0
,9
6
0,
00
8
2,
91
**
*
0,
23
–0
,2
8
–1
,5
8
–0
,6
0
0,
83
–0
,2
2
–0
,6
1
–1
,4
7
–0
,5
3
2,
14
**
–0
,4
6
–0
,8
0
–1
,4
1
–0
,4
8
9
1,
88
**
–0
,2
8
–0
,3
7
–1
,4
4
–0
,6
9
2,
67
**
*
–0
,5
7
–0
,6
7
–1
,3
6
–0
,6
3
4,
24
**
*
–0
,7
5
–0
,8
5
–1
,3
2
–0
,6
0
10
1,
31
*
–0
,3
0
–0
,4
1
–1
,4
0
–0
,7
1
1,
60
*
–0
,5
6
–0
,6
8
–1
,3
2
–0
,6
5
1,
88
**
–0
,7
2
–0
,8
6
–1
,2
8
–0
,6
2
11
1,
31
*
–0
,0
7
–0
,3
5
–1
,4
0
–0
,9
2
1,
56
*
–0
,3
5
–0
,6
2
–1
,3
2
–0
,8
7
1,
77
**
–0
,5
2
–0
,7
9
–1
,2
7
–0
,8
3
12
1,
27
–0
,3
1
–0
,5
9
–1
,4
8
–0
,8
5
1,
56
*
–0
,5
7
–0
,8
4
–1
,3
8
–0
,7
9
1,
82
**
–0
,7
4
–1
,0
0
–1
,3
2
–0
,7
5
b
Va
r
(p
) r
es
pe
ct
o 
a 
un
 m
od
el
o 
a
r
im
a
 (b
ic
)
h
or
iz
on
te
m
6
m
7
m
8
im
a
c
ec
ip
c
ip
c
X
1
Tp
m
Tc
r
im
a
c
ec
ip
c
ip
c
X
1
Tp
m
Tc
r
im
a
c
ec
ip
c
ip
c
X
1
Tp
m
Tc
r
1
6,
54
**
*
4,
11
**
*
3,
20
**
*
1,
21
3,
28
**
*
6,
74
**
*
4,
20
**
*
2,
97
**
*
1,
22
3,
28
**
*
6,
87
**
*
4,
25
**
*
2,
78
**
*
1,
22
3,
28
**
*
2
3,
81
**
*
2,
70
**
*
1,
24
1,
14
3,
23
**
*
4,
15
**
*
2,
81
**
*
0,
78
1,
16
3,
24
**
*
4,
39
**
*
2,
88
**
*
0,
48
1,
18
3,
24
**
*
3
3,
22
**
*
2,
33
**
*
0,
31
0,
79
0,
00
3,
61
**
*
2,
38
**
*
–0
,1
8
0,
81
0,
00
3,
90
**
*
2,
39
**
*
–0
,4
5
0,
83
0,
00
4
2,
46
**
*
2,
25
**
0,
05
0,
51
1,
05
2,
75
**
*
2,
22
**
–0
,3
3
0,
53
1,
08
2,
94
**
*
2,
15
**
–0
,5
5
0,
54
1,
10
5
2,
19
**
2,
57
**
*
–0
,4
8
0,
33
0,
00
2,
55
**
*
2,
50
**
*
–0
,7
2
0,
35
0,
00
2,
83
**
*
2,
39
**
*
–0
,8
7
0,
36
0,
00
6
1,
18
0,
00
–0
,8
2
–0
,2
7
0,
00
1,
60
*
0,
00
–0
,9
3
–0
,2
5
0,
00
2,
46
**
*
0,
00
–1
,0
2
–0
,2
3
0,
00
7
2,
40
**
*
4,
48
**
*
–0
,6
7
–1
,0
8
–0
,4
9
3,
57
**
*
4,
81
**
*
–0
,8
5
–1
,0
1
–0
,2
1
7,
44
**
*
4,
76
**
*
–0
,9
7
–0
,9
6
–0
,0
8
8
2,
07
**
2,
43
**
*
–0
,7
0
–1
,5
8
–0
,5
3
2,
79
**
*
2,
20
**
–0
,8
9
–1
,4
7
–0
,4
6
3,
91
**
*
1,
98
**
–1
,0
1
–1
,4
1
–0
,4
2
9
1,
77
**
1,
76
**
–0
,8
3
–1
,4
4
–0
,6
4
2,
17
**
1,
53
*
–1
,0
2
–1
,3
6
–0
,5
9
2,
57
**
*
1,
36
*
–1
,1
5
–1
,3
2
–0
,5
5
10
1,
45
*
1,
53
*
–0
,8
4
–1
,4
0
–0
,6
5
1,
70
**
1,
32
*
–1
,0
4
–1
,3
2
–0
,6
0
1,
89
**
1,
16
–1
,1
7
–1
,2
8
–0
,5
6
11
1,
52
*
1,
45
*
–0
,6
9
–1
,4
0
–0
,7
0
1,
77
**
1,
24
–0
,9
0
–1
,3
2
–0
,6
4
1,
96
**
1,
08
–1
,0
5
–1
,2
7
–0
,6
1
12
1,
51
*
1,
30
*
–0
,9
1
–1
,4
8
–0
,6
3
1,
81
**
1,
05
–1
,1
1
–1
,3
8
–0
,5
6
2,
06
**
0,
88
–1
,2
4
–1
,3
2
–0
,5
2
* 
in
di
ca
n 
si
gn
if
ic
an
ci
a 
es
ta
dí
st
ic
a 
a 
un
 1
0%
.
**
 
in
di
ca
n 
si
gn
if
ic
an
ci
a 
es
ta
dí
st
ic
a 
a 
un
 5
%
.
**
* 
in
di
ca
n 
si
gn
if
ic
an
ci
a 
es
ta
dí
st
ic
a 
a 
un
 1
%
.
90 reVisTa De analisis economico, Vol.  27, nº  2
boivin y eliasz (2005) se divide el set de datos en dos grupos, uno de movimiento 
rápido (fast moving) y otro de movimiento lento (low moving).
la identificación de los shocks se realiza de la siguiente manera: ordenamos las 
variables =Y X r Z( , , )’,t t t t  donde Xt contiene las n1 variables de movimiento lento, rt 
es el instrumento de política monetaria (en el caso posterior es el índice bursátil y la 
prima por riesgo) y Zt contiene las n2 variables de movimiento rápido, se asume que 
el shock (rt) es ortogonal a todos los otros shocks de la economía. sea =B C D 1/ 2  
una matriz baja diagonal cholesky de covarianzas de los residuos del Var de forma 
reducida, esto es ? = ??? ?? = ? = ?CD C E u u D d ia gy ( ).t t  sea et la transformación lineal 
de los residuos del Var, = ? = ?e e e C u( ,..., )t t nt t1
1 . el shock de política monetaria es 
la fila de eT et correspondiente a la posición rt, este es +e .n t1,1
el Var estructural es igual a:
 ?= + + + +
? ?
A Y A Y A Y e e N D... , ~ (0 , )t t p t p t t0 1 1  (13)
donde ? = = = =? ? ?C c A C A C A j p, y , 1,..., .j j
1
0
1 1  los impulsos respuestas con-
sisten en aumentar en 100 pb la tasa de política monetaria y posteriormente en otro 
ejercicio aumentar en 10% el índice de la bolsa de comercio (igpa). Dado que el 
Var está justamente identificado, los impulsos respuesta son computados siguiendo 
a canova (1991) y a gordon y leeper (1994), generando muestras de la posterior de 
?A A( ,..., , ).p1  para cada muestra de ? se calculan B y C, siendo posible así obtener 
=A j p, 0 ,..., .j
5.1. Shock monetario
en el shock monetario consideramos un aumento de 100 pb en la tasa de política 
monetaria (Tpm) (gráfico 1a). en este se observa una respuesta fuerte y significativa 
para el caso de la actividad económica, encontrándose en línea con los resultados de 
parrado (2001), y no son muy distintos a los obtenidos por medina y soto (2007) en 
el modelo de equilibrio general para la economía chilena. para el caso de la inflación 
(medida por el ipc) esta cae al igual que el imacec, no encontrándose ningún puzzle 
de precios típicamente hallado en el caso de los impulsos respuesta de la inflación, a 
excepción en el ipcX1 en el cual sí se observa el price puzzle que aparece en algunos 
casos en los Var’s. También se encuentran resultados muy intuitivos, como es el caso 
del agregado monetario m0 que se reduce inmediatamente seguido al shock, en tanto 
el Tcr y el índice de bolsa (igpa) retroceden con algo más de rezago.
Dentro de las ventajas del gran Var bayesiano está la capacidad de poder extender 
el análisis de la transmisión de los shocks más allá de lo típicamente observado dentro 
de la literatura de los Var’s. es así que el traspaso de los cambios en la tasa de política 
monetaria es cercano a uno en las tasa nominales en todos los plazos (gráfico 1b). al 
tomar en cuenta las tasas reales vemos que la transmisión es mayor en los plazos más 
cortos que en los plazos más largos. el stock de las colocaciones promedio del sistema 
financiero retrocede ante al shock y al observar la serie por tipo de agente vemos que 
las colocaciones de consumo caen con mayor fuerza, en tanto las de vivienda caen 
Un gran Var bayesiano para la economia chilena 91
graFico 1a
impUlso respUesTa a Un shocK De poliTica moneTaria (Tpm). 
eFecTo en Variables macroeconomicas
CI 0,9 CI 0,68 IRF
0 6 12 18 24 30
–0,2
–0,1
0
0,1
0,2
IPCX1
0 6 12 18 24 30
–1
–0,5
0
0,5
Tipo de cambio real
base 1986 = 100
Premio por riesgo
corporativo (Chile)
0 6 12 18 24 30
–10
–5
0
5
10
15
0 6 12 18 24 30
–0,5
0
0,5
1
Tasa de política
monetaria
0 6 12 18 24 30
–0,6
–0,4
–0,2
0
0,2
IMACEC IPC
0 6 12 18 24 30
–0,3
–0,2
–0,1
0
0,1
0 6 12 18 24 30
–1
–0,5
0
0,5
1
Tipo de cambio
nominal ($/US$)
0 6 12 18 24 30
–4
–2
0
2
Indice de bolsa de comercio
Santiago (IGPA)
M0
0 6 12 18 24 30
–1
–0,5
0
0,5
 
con algo más de retraso; por último, las comerciales inicialmente aumentan pero con 
algo de rezago se contraen en respuesta al shock de política monetaria.
otro de los resultados poco convencionales observados dentro de la literatura es 
la respuesta de las exportaciones e importaciones (gráfico 1c). en este caso vemos 
que ambas reaccionan a la baja, aunque las importaciones retroceden con mayor 
fuerza que las exportaciones, dando a entender una mejora en las exportaciones netas. 
observando los datos desagregados nos encontramos con el puzzle en la respuesta de 
las exportaciones agrícolas, que aumentan después del shock de política monetaria.
en general podemos observar que las exportaciones no reaccionan de manera 
significativa al shock de política monetaria, siendo quizás la industria el único caso 
en el cual se pueda decir que este reacciona significativamente al shock, en tanto las 
92 reVisTa De analisis economico, Vol.  27, nº  2
g
r
a
Fi
c
o
 1
b
im
pU
l
so
 r
e
sp
U
e
sT
a
 a
 U
n
 s
h
o
c
K
 D
e
 p
o
l
iT
ic
a
 m
o
n
e
Ta
r
ia
 (
T
pm
).
 e
Fe
c
T
o
 e
n
 V
a
r
ia
b
l
e
s 
Fi
n
a
n
c
ie
r
a
s
CI 0,9
CI 0,68
IRF
0
6
12
18
24
30
–0,5
0
0,5
1
1,
5Tasa de colocaciones real 90 días a 1 año
0
6
12
18
24
30
–0,2
0
0,20,40,6
Tasa de colocaciones real más de 3 años 0
6
12
18
24
30
–0,4–0,2
0
0,20,40,6
Colocaciones reales de comercio 
0
6
12
18
24
30
–0,5
0
0,5
1
1,
52
Tasa de colocaciones nominal 90 días a 1 año
0
6
12
18
24
30
–0,5
0
0,5
1
1,
5Tasa de colocaciones nominal 1
 a 3 años
0
6
12
18
24
30
–1
–0,5
0
0,5
Colocaciones reales de vivienda
0
6
12
18
24
30
–0,2
0
0,20,40,60,8
Tasa de colocaciones real 1 a 3 años 0
6
12
18
24
30
–0,6–0,4–0,2
0
0,20,4
Colocaciones reales totales
0
6
12
18
24
30
–0,6–0,4–0,2
0
0,2
M2
0
6
12
18
24
30
–0,5
0
0,5
1
Tasa de colocaciones nominal más de 3 años
0
6
12
18
24
30
–1,
5–1
–0,5
0
0,5
Colocaciones reales de consumo
Indice de bolsa de comercio Santiago (IGPA)
0
6
12
18
24
30
–4–202
 
 
Un gran Var bayesiano para la economia chilena 93
g
r
a
Fi
c
o
 1
c
im
pU
l
so
 r
e
sp
U
e
sT
a
 a
 U
n
 s
h
o
c
K
 D
e
 p
o
l
iT
ic
a
 m
o
n
e
Ta
r
ia
 (
T
pm
).
 e
Fe
c
T
o
 e
n
 V
a
r
ia
b
l
e
s 
D
e
 c
o
m
e
r
c
io
 e
X
T
e
r
io
r
CI 0,9
CI 0,68
IRF
0
6
12
18
24
30
–2–101
Exportaciones bienes totales 
0
6
12
18
24
30
–3–2–1012
Exportaciones bienes minería
0
6
12
18
24
30
–4–202
Exportaciones bienes cobre
0
6
12
18
24
30
–202468
Exportaciones bienes agrícolas
0
6
12
18
24
30
–1,
5–1
–0,5
0
0,5
1
Exportaciones bienes industriales
0
6
12
18
24
30
–2–101
Importaciones bienes totales
0
6
12
18
24
30
–3–2–101
Importaciones bienes consumo
0
6
12
18
24
30
–2–1012
Importaciones bienes intermedio
0
6
12
18
24
30
–4–2024
Importaciones bienes capital
0
6
12
18
24
30
–50510
Importaciones petróleo
0
6
12
18
24
30
–4–2024
Importaciones combustibles
0
6
12
18
24
30
–2–101
Importaciones otros
 
94 reVisTa De analisis economico, Vol.  27, nº  2
importaciones tienen una respuesta fuerte y significativa ante el shock, especialmente 
en las importaciones de consumo y de capital.
en el caso de la respuesta de los precios desagregados (gráfico 1d), se puede 
observar el price puzzle en las medidas de precios subyacentes, específicamente en el 
ipcX1 y ipcX2, en el caso del ipcX este no es tan notorio. en tanto, en las medidas 
de inflación transable y no transable estas disminuyen ante el shock monetario, mien-
tras también se observa el mismo resultado en los índices de bienes y servicios. en el 
gráfico 1e se ve la respuesta al shock de política monetaria observando el indicador 
de actividad económica (imacec) de manera desagregada. en este caso, se observa 
que la respuesta del imacec de resto e industria es fuerte e instantánea, al igual 
que el imacec de comercio, iVa, y derechos de importaciones. el único puzzle 
encontrado en la desagregación del imacec constituye el caso de la construcción, 
que inicialmente aumenta al ocurrir el shock para más tarde retroceder. la respuesta 
de los sectores de recursos naturales no podemos afirmar con convicción que sea 
significativa ante el shock de política monetaria, el imacec de minería retrocede 
pero no es significativo, en tanto, los correspondientes a ega y agro aumentan ini-
cialmente y luego van retrocediendo.
en el gráfico 1f, también es factible observar la respuesta de indicadores de co-
yuntura. Vemos que tanto la producción y ventas industriales del ine retroceden como 
respuesta al shock de política monetaria, lo cual también se aprecia en las ventas de 
supermercado, ventas de automóviles (anac) y en el consumo de electricidad. en 
el caso de las ventas minoristas de comercio (cnc) se observa que esta disminuye 
como respuesta al shock, pero analizado este indicador de manera desagregada vemos 
que las ventas de bienes durables retroceden con mayor fuerza. los indicadores del 
mercado inmobiliario nos dan cuenta de una disminución en las ventas así como 
también en las ofertas de viviendas nuevas, pero con las ventas se ajustan con mayor 
fuerza al shock, por lo que esto hace que los meses para agotar stock aumenten ante 
el shock de política monetaria.
5.2. Shock bursátil
para el caso del otro shock, consideramos un aumento en el índice de bolsa de 
santiago (igpa). este canal de transmisión no ha sido estimado aún de manera formal 
como uno de los posibles canales de transmisión de la política monetaria para chile3, 
pero en este caso pretendemos dejar que los datos nos guíen en observar cual es la 
respuesta de la política monetaria ante un shock financiero de esta característica, así 
como también cómo se comportan las demás variables después de un aumento no 
anticipado en el índice de bolsa de santiago (igpa). en el gráfico 2a se observa la 
respuesta de las variables típicamente consideradas en los trabajos que tratan sobre 
los Var’s, es así que el shock provoca un aumento en la actividad económica, el 
imacec crece aunque lentamente traspasándose en su totalidad el shock después 
de 6 a 9 meses, aproximadamente. por el lado de la respuesta del ipc vemos que este 
3 en el canal bursátil por medio de un modelo estructural es analizado por christiano et al. (2010) y por 
milani (2011).
Un gran Var bayesiano para la economia chilena 95
g
r
a
Fi
c
o
 1
D
im
pU
l
so
 r
e
sp
U
e
sT
a
 a
 U
n
 s
h
o
c
K
 D
e
 p
o
l
iT
ic
a
 m
o
n
e
Ta
r
ia
 (
T
pm
).
 e
Fe
c
T
o
 e
n
 V
a
r
ia
b
l
e
s 
D
e
 p
r
e
c
io
s
CI 0,9
CI 0,68
IRF
IPC
0
6
12
18
24
30
–0,3–0,2–0,1
0
0,1
IPCX1
0
6
12
18
24
30
–0,2–0,1
0
0,10,2
0
6
12
18
24
30
–0,3–0,2–0,1
0
0,10,2
Indice de precios transables
0
6
12
18
24
30
–0,3–0,2–0,1
0
0,1
Indice de precios no transables
24
Indice de precios perecibles
0
6
12
18
24
30
–2–1012
Indice de precios energía
0
6
12
18
–1
–0,5
0
0,5
0
6
12
18
24
30
–0,2–0,1
0
0,10,2
IPCX
0
6
12
18
24
30
–0,1
5–0,1–0,05
0
0,050,
1
IPCX2
0
6
12
18
24
30
–0,3–0,2–0,1
0
0,10,2
Indice de precios bienes
24
0
6
12
18
–0,3–0,2–0,1
0
0,1
Indice de precios servicios
0
6
12
18
24
30
–1
–0,5
0
0,5
1
Tipo de cambio nominal ($/US$)
0
6
12
18
24
30
–1
–0,5
0
0,5
1
Tipo de cambio nominal multilateral (Chile)
 
30 30
96 reVisTa De analisis economico, Vol.  27, nº  2
g
r
a
Fi
c
o
 1
e
im
pU
l
so
 r
e
sp
U
e
sT
a
 a
 U
n
 s
h
o
c
K
 D
e
 p
o
l
iT
ic
a
 m
o
n
e
Ta
r
ia
 (
T
pm
).
 e
Fe
c
T
o
 e
n
 V
a
r
ia
b
l
e
s 
D
e
 o
Fe
r
Ta
 (
im
a
c
e
c
)
0
6
12
18
24
30
–0,6–0,4–0,2
0
0,2
IMACEC
0
6
12
18
24
30
–0,6–0,4–0,2
0
0,2
IMACEC Resto
0
6
12
18
24
30
–0,6–0,4–0,2
0
0,20,4
IMACEC Industria
0
6
12
18
24
30
–2–1012IMACEC Electricidad,
 gas y agua (EGA)
0
6
12
18
24
30
–1,
5–1
–0,5
0
0,5
IMACEC Minería
0
6
12
18
24
30
–1
–0,5
0
0,5
1
1,
5
IMACEC Construcción
0
6
12
18
24
30
–1
–0,5
0
0,5
1
IMACEC Comercio
0
6
12
18
24
30
–0,6–0,4–0,2
0
0,2
IMACEC Transporte y comunicaciones
0
6
12
18
24
30
–0,6–0,4–0,2
0
0,20,4
IMACEC IVA
0
6
12
18
24
30
–0,6–0,4–0,2
0
0,20,4
IMACEC Imputaciones bancarias
0
6
12
18
24
30
–3–2–101
IMACEC Derecho de importaciones
0
6
12
18
24
30
–1,
5–1
–0,5
0
0,5
1
IMACEC Agro silvícola
 
CI 0,9
CI 0,68
IRF
Un gran Var bayesiano para la economia chilena 97
g
r
a
Fi
c
o
 1
F
im
pU
l
so
 r
e
sp
U
e
sT
a
 a
 U
n
 s
h
o
c
K
 D
e
 p
o
l
iT
ic
a
 m
o
n
e
Ta
r
ia
 (
T
pm
).
 e
Fe
c
T
o
 e
n
 V
a
r
ia
b
l
e
s 
D
e
 c
o
y
U
n
T
U
r
a
CI 0,9
CI 0,68
IRF
Producción Industrial (INE)
0
6
12
18
24
30
–0,6–0,4–0,2
0
0,20,4
0
6
12
18
24
30
–1,
5–1
–0,5
0
0,5
Vta. minorista (CNC)
 - Durables
0
6
12
18
24
30
–4–3–2–101
Oferta de vivienda (CChC)
Ventas Industriales (INE)
0
6
12
18
24
30
–1
–0,5
0
0,5
0
6
12
18
24
30
–0,8–0,6–0,4–0,2
0
0,2
Vta. minorista (CNC)
 - No Durables
0
6
12
18
24
30
–0,5
0
0,5
1
1,
5
Meses para agotar stock (CChC)
0
6
12
18
24
30
–0,8–0,6–0,4–0,2
0
0,2
Ventas de supermercado (INE)
0
6
12
18
24
30
–50510
Ventas de automóviles nuevos (ANAC) 0
6
12
18
24
30
–6–4–2024
Ingreso tributario neto
0
6
12
18
24
30
–0,8–0,6–0,4–0,2
0
0,2
Ventas de comercio minorista (CNC) 0
6
12
18
24
30
–8–6–4–202
Venta de vivienda (CChC)
0
6
12
18
24
30
–1,
5–1
–0,5
0
0,5
Gasto macro
98 reVisTa De analisis economico, Vol.  27, nº  2
g
r
a
Fi
c
o
 1
g
im
pU
l
so
 r
e
sp
U
e
sT
a
 a
 U
n
 s
h
o
c
K
 D
e
 p
o
l
iT
ic
a
 m
o
n
e
Ta
r
ia
 (
T
pm
).
 e
Fe
c
T
o
 e
n
 V
a
r
ia
b
l
e
s 
D
e
 m
e
r
c
a
D
o
 l
a
b
o
r
a
l
CI 0,9
CI 0,68
IRF
0
6
12
18
24
30
–0,2–0,1
0
0,10,2
Costo de mano de obra total
0
6
12
18
24
30
–0,4–0,2
0
0,20,4
CMO - Minería
0
6
12
18
24
30
–0,1
5–0,1–0,05
0
0,05
CMO - Industria
0
6
12
18
24
30
–0,3–0,2–0,1
0
0,1
CMO - EGA
0
6
12
18
24
30
–0,4–0,2
0
0,20,4
CMO - Construcción
0
6
12
18
24
30
–0
,2
–0
,100,
1
0,
2
C
M
O
 - 
C
om
er
ci
o
0
6
12
18
24
30
–0
,200,
2
0,
4
0,
6
C
M
O
 - 
T
ra
ns
po
rt
e 
C
M
O
 - 
Se
rv
ic
io
s 
n
an
ci
er
os
0
6
12
18
24
30
–0
,2
–0
,100,
1
0,
2
0
6
12
18
24
30
–0,4–0,2
0
0,20,4
Empleo total
0
6
12
18
24
30
–0,5
0
0,5
Empleo - Agro silvícola
0
6
12
18
24
30
–1
–0,5
0
0,5
1
Empleo - Minería
0
6
12
18
24
30
–0,5
0
0,5
Empleo - Industria
0
6
12
18
24
30
–10123
Empleo - EGA
0
6
12
18
24
30
–2–101
Empleo - Construcción
0
6
12
18
24
30
–0,4–0,2
0
0,20,4
Empleo - Comercio
0
6
12
18
24
30
–0,5
0
0,5
1
Empleo - Transporte
Un gran Var bayesiano para la economia chilena 99
graFico 2a
impUlso respUesTa a Un shocK De mercaDo bUrsaTil (bolsa) 
eFecTo en Variables macroeconomicas
CI 0,9 CI 0,68 IRF
0 6 12 18 24 30
–0,2
–0,1
0
0,1
0,2
Tasa de política monetaria
0 6 12 18 24 30
–0,2
–0,1
0
0,1
0,2
IMACEC
0 6 12 18 24 30
–0,1
–0,05
0
0,05
0,1
0,15
IPC
0 6 12 18 24 30
–0,1
–0,05
0
0,05
0,1
0,15
IPCX1
0 6 12 18 24 30
–0,6
–0,4
–0,2
0
0,2
Tipo de cambio real
base 1986 = 100
0 6 12 18 24 30
–10
–5
0
5
Premio por riesgo
corporativo (Chile)
0 6 12 18 24 30–1
–0,5
0
0,5
Tipo de cambio
nominal ($/US$)
0 6 12 18 24 30
–5
0
5
10
Indice de bolsa de
comercio Santiago (IGPA)
0 6 12 18 24 30
–0,5
0
0,5
1
1,5
M0
 
tiene un comportamiento claro, inicialmente no tiene una respuesta fuerte pero luego 
aumenta, siendo la respuesta máxima del ipc entre los 12 a 18 meses; el caso más 
notorio se evidencia en el tipo de cambio real (Tcr) que se aprecia fuertemente en 
respuesta al shock, tal cual ha ocurrido en ocasiones en las cuales la bolsa de santiago 
presenta ganancias mensuales fuertes. lo mismo ocurre con el spread corporativo, que 
disminuye de manera muy fuerte, siendo este una respuesta típica de esta variable en 
los casos en los cuales se produce un aumento repentino en la bolsa. por último, en 
este gráfico 2a, se observa que la política monetaria tarda en reaccionar en respuesta 
al aumento en el índice de bolsa, se comporta reaccionando casi de igual manera que 
la respuesta del imacec ante este shock de aumento de riqueza financiera.
100 reVisTa De analisis economico, Vol.  27, nº  2
la respuesta de las tasas de colocaciones promedio del sistema financiero (gráfico 2b), 
da cuenta de un efecto notable de este shock positivo de riqueza financiera, las tasas 
nominales de corto plazo reaccionan de manera significativa ante este shock, pero 
las tasas de largo plazo caen de manera fuerte y significativa, dando a entender un 
empinamiento marginal en la curva de rendimiento nominal. en tanto, las tasas reales 
de corto plazo caen de manera fuerte y significativa, mientras que las tasas de largo 
plazo aumentan fuertemente, en este caso, se puede interpretar que este shock empina 
la curva de rendimiento de las tasas de interés reales. las colocaciones promedio 
del sistema financiero muestran una respuesta persistente ante el shock. También en 
el gráfico 2c, se puede observar que las exportaciones aumentan fuertemente y las 
importaciones caen de manera notable, con esto el shock da cuenta de una mejora en 
la balanza comercial, aunque la respuesta de las variables de comercio exterior no es 
significativa y presentan una respuesta de muy baja persistencia.
en el gráfico 2d se observan las respuestas de las variables de precios, en estas 
vemos que todas las medidas de ipc subyacentes reaccionan de manera tardía ante 
el shock, siendo notoria la respuesta después de pasados los doce meses de ocurrido 
el shock. las medidas de actividad (gráfico 2e) presentan algunos puzzles como la 
caída observada ante este shock de los sectores ega, comercio, construcción y agro 
silvícolas. mientras que las agrupaciones que a priori deberían verse afectadas de manera 
positiva ante un aumento repentino en la riqueza financiera de la economía, muestran 
efectivamente respuestas positivas. Dentro de las respuestas de los datos coyunturales 
(gráfico 2f) vemos dos puzzles, uno es la caída en la venta de supermercado del ine 
y en la venta de automóviles, en los demás indicadores como producción y ventas 
industriales, ventas de comercio minoristas, vemos un aumento fuerte y significativo 
ante el aumento repentino en la riqueza financiera. por último, los datos que dan cuenta 
del mercado laboral (gráfico 2g) no entregan mucha información sobre la dinámica y 
la respuesta de estas variables ante el shock financiero del mercado bursátil.
5.3. Shock de premio por riesgo
para el caso del shock de premio por riesgo, asumimos un aumento no antici-
pado de 100 pb en la prima por riesgo corporativa. notablemente los resultados de 
nuestro ejercicio se encuentran en línea con lo obtenido por Uribe y yue (2006), 
quienes encuentran que un aumento de 100 pb de premio por riesgo disminuye en 
a lo más 0,2% el (pib) de las economías emergentes y produce una mejora en las 
exportaciones netas. en nuestro ejercicio (gráfico 3a) vemos que el imacec cae 
de manera instantánea en alrededor de 0,2%, en tanto el ipc y el ipcX1 aumentan 
lentamente hasta llegar a su máximo casi seis meses después de ocurrido el shock. 
en tanto, el tipo de cambio real y el nominal se deprecian como respuesta a este 
shock, mientras el índice de bolsa de comercio de santiago (igpa) cae fuerte e 
instantáneamente en casi 15%.
respecto a la tasa de política monetaria (Tpm) vemos que esta se contrae en 
respuesta al shock hasta casi tres o cuatro meses después del shock, luego aumenta 
levemente, quizás influida por el aumento en la inflación y la depreciación del tipo 
de cambio, pero después de nueve meses vuelve a disminuir ya de manera más per-
Un gran Var bayesiano para la economia chilena 101
g
r
a
Fi
c
o
 2
b
im
pU
l
so
 r
e
sp
U
e
sT
a
 a
 U
n
 s
h
o
c
K
 D
e
 m
e
r
c
a
D
o
 b
U
r
sa
T
il
 (
b
o
l
sa
).
 e
Fe
c
T
o
 e
n
 V
a
r
ia
b
l
e
s 
Fi
n
a
n
c
ie
r
a
s
CI 0,9
CI 0,68
IRF
0
6
12
18
24
30
–0,3–0,2–0,1
0
0,1
Tasa de colocaciones real 90 días a 1 año
30
0
6
24
–0,6–0,4–0,2
0
0,20,4
12
18
Tasa de colocaciones nominal 90 días a 1 año
0
6
12
18
24
30
–0,2–0,1
0
0,10,2
Tasa de colocaciones real 1 a 3 años
0
6
12
18
24
30
–0,4–0,2
0
0,20,4
Tasa de colocaciones nominal 1 a 3 años
0
6
12
18
24
–0,1
5–0,1–0,05
0
0,050,
1
Tasa de colocaciones real más de 3 años
30
30
0
6
24
–0,4–0,2
0
0,20,4
12
18
Tasa de colocaciones nominal más de 3 años
0
6
12
18
24
30
–0,2
0
0,20,40,6
Colocaciones reales totales
0
6
12
18
24
30
–0,5
0
0,5
Colocaciones reales de consum
o
0
6
12
18
24
30
–0,2
0
0,20,40,6
Colocaciones reales de comercio 
30
0
6
24
–0,2–0,1
0
0,10,20,3
12
18
Colocaciones reales de vivienda
0
6
12
18
24
30
–0,1
0
0,10,20,30,4
M2
0
6
12
18
24
30
–50510Indice de bolsa de comercio Santiago (
IGPA)
 
102 reVisTa De analisis economico, Vol.  27, nº  2
g
r
a
Fi
c
o
 2
c
im
pU
l
so
 r
e
sp
U
e
sT
a
 a
 U
n
 s
h
o
c
K
 D
e
 m
e
r
c
a
D
o
 b
U
r
sa
T
il
 (
b
o
l
sa
).
 e
Fe
c
T
o
 e
n
 V
a
r
ia
b
l
e
s 
D
e
 c
o
m
e
r
c
io
 e
X
T
e
r
io
r
CI 0,9
CI 0,68
IRF
0
6
12
18
24
30
–1
–0,5
0
0,5
1
1,
5
Exportaciones bienes totales 
0
6
12
18
24
30
–2–10123
Exportaciones bienes minería
0
6
12
18
24
30
–2024
Exportaciones bienes cobre
0
6
12
18
24
30
–8–6–4–202
Exportaciones bienes agrícolas
0
6
12
18
24
30
–1
–0,5
0
0,5
1
1,
5
Exportaciones bienes industriales
0
6
12
18
24
30
–3–2–101
Importaciones bienes totales
0
6
12
18
24
30
–3–2–101
Importaciones bienes consumo
0
6
12
18
24
30
–3–2–101
Importaciones bienes intermedio
0
6
12
18
24
30
–4–2024
Importaciones bienes capital
0
6
12
18
24
30
–10–5
05
Importaciones petróleo
0
6
12
18
24
30
–8–6–4–202
Importaciones combustibles
0
6
12
18
24
30
–2–1012
Importaciones otros
Un gran Var bayesiano para la economia chilena 103
g
r
a
Fi
c
o
 2
D
im
pU
l
so
 r
e
sp
U
e
sT
a
 a
 U
n
 s
h
o
c
K
 D
e
 m
e
r
c
a
D
o
 b
U
r
sa
T
il
 (
b
o
l
sa
).
 e
Fe
c
T
o
 e
n
 V
a
r
ia
b
l
e
s 
D
e
 p
r
e
c
io
s
CI 0,9
CI 0,68
IRF
0
6
12
18
24
30
–0,1–0,05
0
0,050,
1
0,1
5
IPC
0
6
12
18
24
30
–0,1–0,05
0
0,050,
1
0,1
5
IPCX1
0
6
12
18
24
30
–0,2–0,1
0
0,10,2
Indice de precios transables
0
6
12
18
24
30
–0,2–0,1
0
0,10,2
Indice de precios no transables
0
6
12
18
24
30
–0,5
0
0,5
1
1,
52
Indice de precios perecibles
0
6
12
18
24
30
–0,4–0,2
0
0,20,4
Indice de precios energía
0
6
12
18
24
30
–0,1–0,05
0
0,050,
1
0,1
5
IPCX
0
6
12
18
24
30
–0,05
0
0,050,
1
0,1
5
IPCX2
0
6
12
18
24
30
–0,1
0
0,10,20,3
Indice de precios bienes
0
6
12
18
24
30
–0,2–0,1
0
0,10,2
Indice de precios servicios
0
6
12
18
24
30
–1
–0,5
0
0,5
Tipo de cambio nominal ($/US$)
0
6
12
18
24
30
–1
–0,5
0
0,5
1
 Tipo de cambio nominal multilateral (Chile)
 
 
104 reVisTa De analisis economico, Vol.  27, nº  2
g
r
a
Fi
c
o
 2
e
im
pU
l
so
 r
e
sp
U
e
sT
a
 a
 U
n
 s
h
o
c
K
 D
e
 m
e
r
c
a
D
o
 b
U
r
sa
T
il
 (
b
o
l
sa
).
 e
Fe
c
T
o
 e
n
 V
a
r
ia
b
l
e
s 
D
e
 o
Fe
r
Ta
 (
im
a
c
e
c
)
0
6
12
18
24
30
–0,2–0,1
0
0,10,2
IMACEC
0
6
12
18
24
30
–1
–0,5
0
0,5
1
IMACEC Minería
0
6
12
18
24
30
–0,2–0,1
0
0,10,20,3
IMACEC IVA
0
6
12
18
24
30
–0,2–0,1
0
0,10,2
IMACEC Resto
0
6
12
18
24
30
–1
–0,5
0
0,5
IMACEC Construcción
0
6
12
18
24
30
–0,5
0
0,5
1
IMACEC Imputaciones bancarias
0
6
12
18
24
30
–0,5
0
0,5
1
IMACEC Industria
0
6
12
18
24
30
–0,6–0,4–0,2
0
0,20,4
IMACEC Comercio
0
6
12
18
24
30
–3–2–1012
IMACEC Derecho de importaciones
0
6
12
18
24
30
–2
–1,
5–1
–0,5
0
0,5
IMACEC Electricidad, gas y agua (EGA)
0
6
12
18
24
30
–0,2–0,1
0
0,10,20,3
IMACEC Transporte y comunicaciones 0
6
12
18
24
30
–1,
5–1
–0,5
0
0,5
1
IMACEC Agro silvícola
 
 
CI 0,9
CI 0,68
IRF
Un gran Var bayesiano para la economia chilena 105
g
r
a
Fi
c
o
 2
F
im
pU
l
so
 r
e
sp
U
e
sT
a
 a
 U
n
 s
h
o
c
K
 D
e
 m
e
r
c
a
D
o
 b
U
r
sa
T
il
 (
b
o
l
sa
).
 e
Fe
c
T
o
 e
n
 V
a
r
ia
b
l
e
s 
D
e
 c
o
y
U
n
T
U
r
a
CI 0,9
CI 0,68
IRF
0
6
12
18
24
30
–0,4–0,2
0
0,20,40,6
Producción Industrial (INE)
0
6
12
18
24
30
–1
–0,5
0
0,5
1
Vta. minorista (CNC)
 - Durables
0
6
12
18
24
30
–1,
5–1
–0,5
0
0,5
1
Oferta de vivienda (CChC)
0
6
12
18
24
30
–0,5
0
0,5
1
Ventas Industriales (INE)
0
6
12
18
24
30
–0,2
0
0,20,40,60,8
Vta. minorista (CNC)
 -No Durables
0
6
12
18
24
30
–0,4–0,2
0
0,20,4
Meses para agotar stock (CChC)
0
6
12
18
24
30
–0,8–0,6–0,4–0,2
0
0,2
Venta de supermercado (INE)
0
6
12
18
24
30
–6–4–2024
Ventas de automóviles nuevos (ANAC) 0
6
12
18
24
30
–6–4–2024
Ingreso tributario neto
0
6
12
18
24
30
–0,2
0
0,20,40,6
Ventas de comercio minorista (CNC) 0
6
12
18
24
30
–2–1012
Venta de vivienda (CChC)
0
6
12
18
24
30
–0,5
0
0,5
1
1,
5
Gasto macro
106 reVisTa De analisis economico, Vol.  27, nº  2
g
r
a
Fi
c
o
 2
g
im
pU
l
so
 r
e
sp
U
e
sT
a
 a
 U
n
 s
h
o
c
K
 D
e
 m
e
r
c
a
D
o
 b
U
r
sa
T
il
 (
b
o
l
sa
).
 
e
Fe
c
T
o
 e
n
 V
a
r
ia
b
l
e
s 
D
e
 m
e
r
c
a
D
o
 l
a
b
o
r
a
l
CI 0,9
CI 0,68
IRF
0
6
12
18
24
30
–0,1
0
0,10,20,3
Costo de mano de obra total
0
6
12
18
24
30
–0,6–0,4–0,2
0
0,2
CMO - Minería
0
6
12
18
24
30
–0,1
0
0,10,20,3
CMO - Industria
0
6
12
18
24
30
–0,2–0,1
0
0,10,2
CMO - EGA
0
6
12
18
24
30
–0,2
0
0,20,40,6
CMO - Construcción
0
6
12
18
24
30
–0,1
0
0,10,20,3
CMO - Comercio
0
6
12
18
24
30
–0,2–0,1
0
0,10,2
CMO - Transporte 
0
6
12
18
24
30
–0
,2
–0
,100,
1
0,
2
C
M
O
 - 
Se
rv
ic
io
s 
n
an
ci
er
os
0
6
12
18
24
30
–0
,2
–0
,100,
1
0,2
Empleo total
0
6
12
18
24
30
–0,4–0,2
0
0,20,4
Empleo - Agro silvícola
0
6
12
18
24
30
–0,5
0
0,5
1
Empleo - Minería
0
6
12
18
24
30
–0,2
0
0,20,40,6
Empleo - Industria
0
6
12
18
24
30
–2–101
Empleo - EGA
0
6
12
18
24
30
–2–101
Empleo - Construcción
0
6
12
18
24
30
–0,3–0,2–0,1
0
0,1
Empleo - Comercio
0
6
12
18
24
30
–0,6–0,4–0,2
0
0,2
Empleo - Transporte
 
Un gran Var bayesiano para la economia chilena 107
graFico 3a
impUlso respUesTa a Un shocK De premio por riesgo (spreaD).
eFecTo en Variables macroeconomicas
CI 0,9 CI 0,68 IRF
0 6 12 18 24 30
–0,4
–0,2
0
0,2
0,4
Tasa de política monetaria
0 6 12 18 24 30
–0,6
–0,4
–0,2
0
0,2
0,4
IMACEC
0 6 12 18 24 30
–0,4
–0,2
0
0,2
0,4
IPC
0 6 12 18 24 30
–0,4
–0,2
0
0,2
0,4
IPCX1
0 6 12 18 24 30
–1
0
1
2
Tipo de cambio real
base 1986 = 100
0 6 12 18 24 30
–50
0
50
100
Premio por riesgo
corporativo (Chile)
0 6 12 18 24 30
–1
0
1
2
Tipo de cambio
nominal ($/US$)
0 6 12 18 24 30
–20
–15
–10
–5
0
5
Indice de bolsa de comercio
Santiago (IGPA)
0 6 12 18 24 30
–2
–1,5
–1
–0,5
0
0,5
M0
sistente. sobre las variables financieras (gráfico 3b), vemos que las tasas de interés 
de las colocaciones promedio del sistema aumentan en respuesta al shock (resultado 
similar al encontrado por Uribe y yue (2006)), las tasas nominales de plazos más 
cortos reaccionan de manera más fuerte ante el shock en comparación con las tasas 
de interés reales, en las tasas de plazos mayores a tres años se observa un aumento 
leve al inicio pero que se disipa rápidamente. el stock de colocaciones reales cae en 
respuesta al aumento de las primas por riesgo, pero esto es mucho más notorio en las 
colocaciones de consumo y de comercio, las cuales disminuyen de manera persistente.
las variables relacionadas al comercio exterior (gráfico 3c) se contraen rápida-
mente a consecuencia del shock, pero con muy poca persistencia, en el neto se observa 
que las importaciones totales caen en mayor magnitud respecto a las exportaciones 
totales, lo cual nos da a entender una mejora de las exportaciones netas (al igual que 
Uribe y yue (2006)); de manera desagregada se puede observar una contracción algo 
más marcada en las exportaciones industriales, mientras que las importaciones de 
consumo e intermedio presentan una disminución algo más persistente.
108 reVisTa De analisis economico, Vol.  27, nº  2
g
r
a
Fi
c
o
 3
b
im
p
U
l
s
o
 r
e
sp
U
e
sT
a
 a
 U
n
 s
h
o
c
K
 D
e
 p
r
e
m
io
 p
o
r
 r
ie
sg
o
 (
sp
r
e
a
D
).
 e
Fe
c
T
o
 e
n
 V
a
r
ia
b
l
e
s 
Fi
n
a
n
c
ie
r
a
s
CI 0,9
CI 0,68
IRF
0
6
12
18
24
30
–1
–0,5
0
0,5
1Tasa de colocaciones real 90 días a 1
 año
0
6
12
18
24
30
–1
–0,5
0
0,5
1
1,
5
Tasa de colocaciones nominal 90 días a 1 año
0
6
12
18
24
30
–0,5
0
0,5
1
Tasa de colocaciones real 1 a 3 años
0
6
12
–1012
18
24
30
Tasa de colocaciones nominal 1 a 3 años
0
6
12
18
24
30
–0,5
0
0,5
1
Tasa de colocaciones real más de 3 años
0
6
12
18
24
30
–1
–0,5
0
0,5
1
Tasa de colocaciones nominal más de 3 años
0
6
12
18
24
30
–1
–0,5
0
0,5
1
Colocaciones reales totales
0
6
12
–1,
5–1
–0,5
0
0,5
1
18
24
30
Colocaciones reales de consumo
0
6
12
18
24
30
–1
–0,5
0
0,5
1
Colocaciones reales de comercio 
0
6
12
18
24
30
–0,5
0
0,5
Colocaciones reales de vivienda
0
6
12
18
24
30
–1
–0,5
0
0,5
M2
0
6
12
–20–15–10–5
05
 
18
24
30
Indice de bolsa de comercio Santiago (IGPA)
 
Un gran Var bayesiano para la economia chilena 109
g
r
a
Fi
c
o
 3
c
im
pU
l
so
 r
e
sp
U
e
sT
a
 a
 U
n
 s
h
o
c
K
 D
e
 p
r
e
m
io
 p
o
r
 r
ie
sg
o
 (
sp
r
e
a
D
).
 e
Fe
c
T
o
 e
n
 V
a
r
ia
b
l
e
s 
D
e
 c
o
m
e
r
c
io
 e
X
T
e
r
io
r
CI 0,9
CI 0,68
IRF
0
6
12
18
24
30
–6–4–202
Exportaciones bienes totales 
0
6
12
18
24
30
–6–4–2024
Exportaciones bienes minería
0
6
12
18
24
30
–10–5
05
Exportaciones bienes cobre
0
6
12
18
24
30
–50510
Exportaciones bienes agrícolas
0
6
12
18
24
30
–6–4–202
Exportaciones bienes industriales
0
6
12
18
24
30
–4–202
Importaciones bienes totales
0
6
12
18
24
30
–6–4–202
Importaciones bienes consumo
0
6
12
18
24
30
–6–4–202
Importaciones bienes intermedio
0
6
12
18
24
30
–15–10–5
05
Importaciones bienes capital
0
6
12
18
24
30
–30–20–10
01020
Importaciones petróleo
0
6
12
18
24
30
–10–5
0510
Importaciones combustibles
0
6
12
18
24
30
–4–2024
Importaciones otros
110 reVisTa De analisis economico, Vol.  27, nº  2
en tanto, las variables de precios (gráfico 3d) nos dan cuenta de aumentos gene-
ralizados en las medidas de índices de precios, tanto en el total como en sus medidas 
subyacentes, estos aumentan lentamente en respuesta al shock hasta llegar a su máximo 
casi seis meses después de ocurrido este, el único resultado contra intuitivo se observa 
en la medida de precios transables y de energía, los cuales disminuyen inicialmente 
al impacto del shock, luego aumentan llegando a un máximo seis meses después, 
al igual que los demás índices. por el lado de las variables que miden la actividad 
(gráfico 3e), nos encontramos que las respuesta del imacec, el imacec resto, 
comercio e industria son concordantes, reaccionando en una magnitud y persistencia 
similar. las mayores caídas con respecto a este shock se observan en ega, minería 
y construcción, mientras que en el sector agrosilvícola los derechos de importaciones 
aumentan a consecuencia del shock, siendo el único puzzle dentro de las variables 
del imacec.
considerando las variables de coyuntura (gráfico 3f), vemos que la producción 
industrial y las ventas industriales del ine retroceden ante el shock de premio por 
riesgo, la caída es mayor en las ventas industriales, dando a entender un proceso de 
acumulación de inventarios, este resultado es a consecuencia de los costos de ajuste 
que presentan las firmas industriales en poder ajustar sus planes de producción 
ante una caída en las ventas. similar resultado encontramos al observar las ventas 
de comercio minoristas de la cnc, las cuales se contraen en mayor medida en los 
bienes durables que en los no durables, los primeros dan cuenta de una medida que 
incluyen productos electrónicos y muebles, mientras que los últimos dan cuenta de 
bienes de consumo habitual que típicamente presentan un mayor hábito, por ende 
estos reaccionan en menor medida respecto a los bienes durables. la respuesta más 
fuerte se presenta en las ventas de automóviles nuevos (anac), contrayéndose en 
aproximadamente un 10% en respuesta al shock y se deshaciéndose casi seis meses 
después, esto es intuitivo debido a que el shock de premio por riesgo tiene como 
consecuencia una fuerte contracción de la liquidez y una depreciación del tipo de 
cambio; estas variables afectan en mayor medida el proceso de acumulación de bienes 
durables de las familias. las variables relacionadas al mercado inmobiliario, ventas 
y oferta de viviendas no tienen una respuesta clara al shock. por último, las variables 
del mercado laboral (gráfico 3g), nos dan cuenta que los costos de mano de obra 
(cmo) caen en respuesta al shock de premio por riesgo; el mayor efecto se observa 
en industria, construcción y servicios financieros, mientras la respuesta del empleo 
no es clara, aunque el empleo en minería parece contraerse en respuesta al shock.
6. CONCLUSION
en este documento se evalúa el desempeño de los Var’ bayesianos de diferentes 
tamaños. se toman en cuenta las especificaciones estándares en la literatura con 5, 11, 
38, 50, 58, 73, 97 y 116 variables; desde el Var con 31 variables, vamos analizando 
progresivamente información sectorial y coyuntural, junto con datos duros que son 
considerados fundamentales dentro de la literatura macroeconómica. se fijaron los 
priors siguiendo la literatura estándar respecto a los Var’s bayesianos, excepto que el 
Un gran Var bayesiano para la economia chilena 111
g
r
a
Fi
c
o
 3
D
im
pU
l
so
 r
e
sp
U
e
sT
a
 a
 U
n
 s
h
o
c
K
 D
e
 p
r
e
m
io
 p
o
r
 r
ie
sg
o
 (
sp
r
e
a
D
).
 e
Fe
c
T
o
 e
n
 V
a
r
ia
b
l
e
s 
D
e
 p
r
e
c
io
s
CI 0,9
CI 0,68
IRF
0
6
12
18
24
30
–0,4–0,2
0
0,20,4
IPC
0
6
12
18
24
30
–0,4–0,2
0
0,20,4
IPCX1
0
6
12
18
24
30
–1
–0,5
0
0,5
Indice de precios transables
0
6
12
18
24
30
–0,4–0,2
0
0,20,40,6
Indice de precios no transables
0
6
12
18
24
30
–20246
Indice de precios perecibles
0
6
12
18
24
30
–1,
5–1
–0,5
0
0,5
1
Indice de precios energía
0
6
12
18
24
30
–0,4–0,2
0
0,20,4
IPCX
0
6
12
18
24
30
–0,4–0,2
0
0,20,4
IPCX2
0
6
12
18
24
30
–0,4–0,2
0
0,20,40,6
Indice de precios bienes
0
6
12
18
24
30
–0,4–0,2
0
0,20,4
Indice de precios servicios
0
6
12
18
24
30
–1012
Tipo de cambio nominal ($/US$)
0
6
12
18
24
30
–2–1012Tipo de cambio nominal multilateral (Chile)
 
112 reVisTa De analisis economico, Vol.  27, nº  2
g
r
a
Fi
c
o
 3
e
im
pU
l
so
 r
e
sp
U
e
sT
a
 a
 U
n
 s
h
o
c
K
 D
e
 p
r
e
m
io
 p
o
r
 r
ie
sg
o
 (
sp
r
e
a
D
).
 e
Fe
c
T
o
 e
n
 V
a
r
ia
b
l
e
s 
D
e
 o
Fe
r
Ta
 (
im
a
c
e
c
)
CI 0,9
CI 0,68
IRF
0
6
12
18
24
30
–0,6–0,4–0,2
0
0,20,4
IMACEC
0
6
12
18
24
30
–0,6–0,4–0,2
0
0,20,4
IMACEC Resto
0
6
12
18
24
30
–1
–0,5
0
0,5
IMACEC Industria
0
6
12
18
24
30
–6–4–202
IMACEC Electricidad, gas y agua (EGA)
0
6
12
18
24
30
–3–2–1012
IMACEC Minería
0
6
12
18
24
30
–3–2–101
IMACEC Construcción
0
6
12
18
24
30
–1
–0,5
0
0,5
1
IMACEC Comercio
0
6
12
18
24
30
–1
–0,5
0
0,5
IMACEC Transporte y comunicaciones
0
6
12
18
24
30
–1
–0,5
0
0,5
IMACEC IVA
0
6
12
18
24
30
–1
–0,5
0
0,5
1
IMACEC Imputaciones bancarias
0
6
12
18
24
30
–4–2024
IMACEC Derecho de importaciones
0
6
12
18
24
30
–2–10123
IMACEC Agro silvícola
 
 
Un gran Var bayesiano para la economia chilena 113
g
r
a
Fi
c
o
 3
F
im
pU
l
so
 r
e
sp
U
e
sT
a
 a
 U
n
 s
h
o
c
K
 D
e
 p
r
e
m
io
 p
o
r
 r
ie
sg
o
 (
sp
r
e
a
D
).
 e
Fe
c
T
o
 e
n
 V
a
r
ia
b
l
e
s 
D
e
 c
o
y
U
n
T
U
r
a
CI 0,9
CI 0,68
IRF
0
6
12
18
24
30
–1
–0,5
0
0,5
1
Producción Industrial (INE)
0
6
12
18
24
30
–2
–1,
5–1
–0,5
0
0,5
Ventas Industriales (INE)
0
6
12
18
24
30
–1
–0,5
0
0,5
Ventas de supermercado (INE)
0
6
12
18
24
30
–1,
5–1
–0,5
0
0,5
Ventas de comercio minorista (CNC)
0
6
12
18
24
30
–4–3–2–101
Vta. minorista (CNC)
 - Durables
0
6
12
18
24
30
–1
–0,5
0
0,5
1
Vta. minorista (CNC)
 - No Durables
0
6
12
18
24
30
–20–15–10–5
05
Ventas de automóviles nuevos (ANAC)
0
6
12
18
24
30
–4–20246
Ventas de vivienda (CChC)
0
6
12
18
24
30
–6–4–202
Oferta de vivienda (CChC)
0
6
12
18
24
30
–1
–0,5
0
0,5
1
Meses para agotar stock (CChC)
0
6
12
18
24
30
–10–5
051015
Ingreso tributario neto
0
6
12
18
24
30
–2–1012
Gasto macro
114 reVisTa De analisis economico, Vol.  27, nº  2
g
r
a
Fi
c
o
 3
g
im
pU
l
so
 r
e
sp
U
e
sT
a
 a
 U
n
 s
h
o
c
K
 D
e
 p
r
e
m
io
 p
o
r
 r
ie
sg
o
 (
sp
r
e
a
D
).
 e
Fe
c
T
o
 e
n
 V
a
r
ia
b
l
e
s 
D
e
 m
e
r
c
a
D
o
 l
a
b
o
r
a
l
CI 0,9
CI 0,68
IRF
0
6
12
18
24
30
–0,4–0,2
0
0,20,4
Costo de mano de obra total
0
6
12
18
24
30
–1
–0,5
0
0,5
1
CMO - Minería
0
6
12
18
24
30
–0,6–0,4–0,2
0
0,2
CMO - Industria
0
6
12
18
24
30
–0,5
0
0,5
CMO - EGA
0
6
12
18
24
30
–0,5
0
0,5
CMO - Construcción
0
6
12
18
24
30
–0,4–0,2
0
0,20,4
CMO - Comercio
0
6
12
18
24
30
–0,5
0
0,5
1
C
M
O
 - 
T
ra
ns
po
rt
e 
0
6
12
18
24
30
–0
,500,
5
C
M
O
 - 
Se
rv
ic
io
s 
n
an
ci
er
os
0
6
12
18
24
30
–0
,200,
2
0,
4
0,
6
Em
ple
o 
to
ta
l
0
6
12
18
24
30
–0
,500,
51
Em
ple
o 
- Agr
o 
si
lvíc
ola
0
6
12
18
24
30
–4–202
Em
ple
o 
- M
in
er
ía
0
6
12
18
24
30
–1
–0
,500,
5
Em
ple
o 
- In
dust
ri
a
0
6
12
18
24
30
–1
0–505
Em
ple
o 
- EGA
0
6
12
18
24
30
–2–1012
Em
ple
o 
- C
on
st
ruc
ci
ón
0
6
12
18
24
30
–0
,500,
51
Em
ple
o 
- C
om
er
ci
o
0
6
12
18
24
30
–1012
Em
ple
o 
- T
ra
ns
po
rt
e
 
 
Un gran Var bayesiano para la economia chilena 115
híper parámetro que controla el ajuste general (overall tightness) se fija de acuerdo al 
tamaño del modelo, siguiendo el algoritmo propuesto por banbura, giannone y reichlin 
(2010) y modificado por bloor y matherson (2008), en nuestro caso minimizando el 
error de pronóstico relativo del indicador de actividad económica (imacec), índice 
de precios al consumidor (ipc) y la tasa de política monetaria (Tpm).
esos resultados indican que el Var bayesiano constituye una herramienta apropiada 
para lidiar con los grandes paneles que implica el set de información que se encuentra 
disponible para el macroeconomista. También se muestra que Var bayesiano con 
más de 100 variables es factible y que además produce mejores pronósticos que un 
Var simple típicamente considerado dentro de la literatura.
se ha analizado la exactitud de predicción de las distintas especificaciones y 
realizado el análisis estructural de los efectos de un shock de política monetaria y un 
shock del mercado bursátil. en el análisis del shock de política monetaria se muestra 
como se propagan los efectos de este a través de canales no tradicionales, como las 
variables financieras, sectores del imacec y del ipc, y también en variables de 
coyuntura. estos resultados son coherentes y robustos a pesar de la gran cantidad de 
datos considerados. respecto al shock bursátil y de premio por riesgo, vemos que 
este entrega buenos resultados, demostrando la utilidad del gran Var bayesiano para 
el análisis de los efectos de distintos shocks no tradicionales dentro de la literatura.
BIBLIOGRAFIA
agUirre, a.r. y l.F. cespeDes (2004). “Uso de análisis Factorial Dinámico para proyecciones 
macroeconómicas”, Working papers central bank of chile 274, central bank of chile.
angelini, e., g. camba-menDeZ, D. giannone, g. rÜnsTler y l. reichlin (2008). 
“short-term forecasts of euro area gDp growth”, Working paper series 949, european central bank.
banbUra, m., D. giannone y l. reichlin (2010). “large bayesian vector auto regressions”, 
Journal of Applied Econometrics 25(1), pp. 71-92.
bernanKe, b., J. boiVin y p.s. eliasZ (2005). “measuring the effects of monetary policy: a 
Factor-augmented Vector autoregressive (FaVar) approach”, The Quarterly Journal of Economics 
120(1), pp. 387-422.
bloor, c. y T. maTherson (2008). “analysing shock transmission in a data-rich environment: a 
large bVar for new Zealand”, reserve bank of new Zealand Discussion paper series Dp2008/09, 
reserve bank of new Zealand.
boiVin, J. y s. ng (2003). “are more Data always better for Factor analysis?”, nber Working papers 
9829, national bureau of economic research, inc.
boiVin, J. y m. giannoni (2008). “global Forces and monetary policy effectiveness”, nber Working 
papers 13736, national bureau of economic research, inc.
braVo, h.l., c. garcia, V. mies y m. Tapia (2003). “heterogeneidad de la Transmisión monetaria: 
efectos sectoriales y regionales”, Journal Economía Chilena 6(3), pp. 5-26.
braVo, h.l. y c. garcia (2002). “measuring monetary policy and pass-Through in chile”, Journal 
Economía Chilena 5(3), pp. 5-28.
camacho, m. y g. pereZ-QUiroZ (2009). “Ñ-sTing: españa short Term indicator of growth”, 
banco de españa Working papers 0912, banco de españa.
camacho, m. y g. pereZ-QUiroZ (2010). “introducing the euro-sting: short-term indicator of euro 
area growth”, Journal of Applied Econometrics 25(4), pp. 663-694.
canoVa, F. (1991). “The sources of Financial crisis: pre- and post-Fed evidence”, International 
Economic Review 32(3), pp. 689-713.
chrisTiano, l.J., m. eichenbaUm y c.l. eVans (2005). “nominal rigidities and the Dynamic 
effects of a shock to monetary policy”, Journal of Political Economy 113(1), pp. 1-45.
116 reVisTa De analisis economico, Vol.  27, nº  2
chrisTiano, l., c.l. ilUT, r. moTTo y m. rosTagno (2010). “monetary policy and stock market 
booms”, nber Working papers 16402, national bureau of economic research, inc.
De mol, c., D. giannone y l. reichlin (2008). “Forecasting using a large number of predictors: 
is bayesian shrinkage a valid alternative to principal components?”, Journal of Econometrics 146(2), 
pp. 318-328.
DiebolD, F. and r. mariano (1995). “comparing predictive accuracy”, Journal of Business & 
Economic Statistics 13(3), pp. 253-263.
Doan, T., r. liTTerman y c. sims (1984). “Forecasting and conditional projection using realistic 
prior distributions”, Econometric Reviews 3(1), pp. 1-100.
echaVarria, g. y W. gonZaleZ (2011). “Un modelo de Factores Dinámicos de pequeña escala para 
el imacec”, Notas de Investigación Journal Economía Chilena 14(2), pp. 109-118.
Forni, m., m. hallin, m. lippi y l. reichlin (2005). “The generalized Dynamic Factor model: one-
sided estimation and Forecasting”, Journal of the American Statistical Association 100, pp. 830-840.
Forni, m., m. hallin, m. lippi y l. reichlin (2000). “The generalized Dynamic-Factor model: 
identification and estimation”, The Review of Economics and Statistics 82(4), pp. 540-554.
Frale, c., m. marcellino, g.l. maZZi y T. proieTTi (2008). “a monthly indicator of the euro 
area gDp”, economics Working papers eco2008/32, european University institute.
garcia, c.J., p. gonZaleZ y a. moncaDo (2010). “proyecciones macroeconómicas en chile: una 
aproximación estructural y bayesiana”, ilades Universidad alberto hurtado, Documento de Trabajo i-262.
gorDon, D.b. y e. leeper (1994). “The Dynamic impacts of monetary policy: an exercise in Tentative 
identification”, Journal of Political Economy 102(6), pp. 1228-1247.
henDry, D.F. y K. hUbrich (2010). “combining disaggregate forecasts or combining disaggregate 
information to forecast an aggregate”, Working paper series 1155, european central bank.
Jaramillo, p. (2008). “estimación de Var bayesianos para la economía chilena”, Working papers 
central bank of chile 508, central bank of chile.
KaDiyala, K. r. y s. Karlsson (1997). “numerical methods for estimation and inference in bayesian 
Var-models”, Journal of Applied Econometrics 12(2), pp. 99-132.
liTTerman, r. (1986). “Forecasting with bayesian Vector autoregressions-Five years of experience”, 
Journal of Business & Economic Statistics 4(1), pp. 25-38.
mariano, r.s. y y. mUrasaWa (2003). “a new coincident index of business cycles based on monthly 
and quarterly series”, Journal of Applied Econometrics 18(4), pp. 427-443.
meDina, J.p. y c. soTo (2007). “The chilean business cycles Through the lens of a stochastic general 
equilibrium model”, Working papers central bank of chile 457, central bank of chile.
milani, F. (2011). “The impact of foreign stock markets on macroeconomic dynamics in open economies: 
a structural estimation”, Journal of International Money and Finance 30(1), pp. 111-129.
parraDo, e.h. (2001). “Foreign shocks and monetary policy Transmission in chile”, Journal Economía 
Chilena 4(3), pp. 29-57.
roberTson, J.c. y e.W. Tallman (1999). “Vector autoregressions: forecasting and reality”, Economic 
Review, Federal Reserve Bank of Atlanta Q1, pp. 4-18.
sims, c.a. (1993). “a nine-Variable probabilistic macroeconomic Forecasting model”, nber chapters, in: 
Business Cycles, Indicators and Forecasting, pp. 179-212 national bureau of economic research, inc.
sims, c.a. y T. Zha (1998). “bayesian methods for Dynamic multivariate models”, International 
Economic Review 39(4), pp. 949-968.
sTocK, J.h. y m.W. WaTson (2002). “macroeconomic Forecasting Using Diffusion indexes”, Journal 
of Business & Economic Statistics 20(2), pp. 147-162.
sTocK, J.h. y m.W. WaTson (2005). “implications of Dynamic Factor models for Var analysis”, 
nber Working papers 11467, national bureau of economic research, inc.
sTocK, J.h. y m.W. WaTson (1999). “Forecasting inflation”, Journal of Monetary Economics 44(2), 
pp. 293-335.
Uribe, m. y V.Z. yUe (2006). “country spreads and emerging countries: Who drives whom?”, Journal 
of International Economics 69(1), pp. 6-36
Un gran Var bayesiano para la economia chilena 117
a
pe
n
D
ic
e
 1
V
a
r
ia
b
l
e
s 
U
T
il
iZ
a
D
a
s
Va
ria
bl
e
n
om
br
e
Fu
en
te
Va
ria
bl
e
n
om
br
e
Fu
en
te
im
a
c
ec
in
di
ca
do
r m
en
su
al
 d
e 
ac
tiv
id
ad
 e
co
nó
m
ic
a 
b
c
c
h
in
D
U
sT
r
ia
im
a
c
ec
 in
du
st
ria
b
c
c
h
ip
c
in
di
ce
 d
e 
pr
ec
io
s 
al
 c
on
su
m
id
or
in
e
eg
a
im
a
c
ec
 e
le
ct
ric
id
ad
, g
as
 y
 a
gu
a 
(e
g
a
)
b
c
c
h
ip
c
X
1
ip
c
X
 m
en
os
 ta
rif
as
 re
gu
la
da
s
in
e
m
in
er
ia
im
a
c
ec
 m
in
er
ía
b
c
c
h
Tp
m
Ta
sa
 d
e 
po
lít
ic
a 
m
on
et
ar
ia
b
c
c
h
pe
sc
a
im
a
c
ec
 p
es
ca
b
c
c
h
Tc
r
Ti
po
 d
e 
ca
m
bi
o 
re
al
 b
as
e 
19
86
=1
00
b
c
c
h
c
o
n
sT
r
U
c
c
io
n
im
a
c
ec
 c
on
st
ru
cc
ió
n
b
c
c
h
b
a
lT
ic
b
al
tic
 d
ry
 in
de
x
b
lo
om
be
rg
c
o
m
er
c
io
im
a
c
ec
 c
om
er
ci
o
b
c
c
h
ip
e
in
di
ce
 d
e 
pr
ec
io
s 
ex
te
rn
os
b
c
c
h
Tr
a
n
sp
o
rT
e
im
a
c
ec
 T
ra
ns
po
rte
 y
 c
om
un
ic
ac
io
ne
s
b
c
c
h
sp
r
ea
D
pr
em
io
 p
or
 ri
es
go
 c
or
po
ra
tiv
o 
(c
hi
le
)
Jp
m
or
ga
n
se
rV
ic
io
s
im
a
c
ec
 s
er
vi
ci
os
 
b
c
c
h
Fe
D
FU
n
D
Fe
d 
fu
nd
 e
fe
ct
iv
a
Fr
eD
pU
b
li
c
o
im
a
c
ec
 s
er
vi
ci
os
 p
úb
lic
os
b
c
c
h
pe
Tr
o
le
o
pe
tró
le
o 
W
Ti
b
lo
om
be
rg
iV
a
im
a
c
ec
 iV
a
b
c
c
h
c
o
b
r
e
c
ob
re
 l
m
e
b
lo
om
be
rg
se
rV
Fi
n
a
n
im
a
c
ec
 s
er
vi
ci
os
 fi
na
nc
ie
ro
s
b
c
c
h
Ta
sa
 3
0 
89
Ta
sa
 d
e 
co
lo
ca
ci
on
es
 n
om
in
al
 p
ro
m
ed
io
 si
st
em
a 
fin
an
ci
er
o 
de
 3
0 
a 
89
 d
ía
s
b
c
c
h
b
a
n
c
a
r
io
im
a
c
ec
 im
pu
ta
ci
on
es
 b
an
ca
ria
s
b
c
c
h
Ta
sa
 r
ea
l 
90
 1
Ta
sa
 d
e 
co
lo
ca
ci
on
es
 re
al
 p
ro
m
ed
io
 s
is
te
m
a 
fin
an
ci
er
o 
de
 
90
 d
ía
s 
a 
1 
añ
o
b
c
c
h
D
er
ec
h
o
im
a
c
ec
 D
er
ec
ho
 d
e 
im
po
rta
ci
on
es
b
c
c
h
Ta
sa
 9
0 
1
Ta
sa
 d
e 
co
lo
ca
ci
on
es
 n
om
in
al
 p
ro
m
ed
io
 si
st
em
a 
fin
an
ci
er
o 
de
 9
0 
dí
as
 a
 1
 a
ño
b
c
c
h
a
g
r
o
im
a
c
ec
 a
gr
os
ilv
íc
ol
a
b
c
c
h
Ta
sa
 r
ea
l 
1 
3
Ta
sa
 d
e 
co
lo
ca
ci
on
es
 r
ea
l 
pr
om
ed
io
 s
is
te
m
a 
fi
na
nc
ie
ro
 
de
 1
 a
 3
 a
ño
s
b
c
c
h
r
es
To
im
a
c
ec
 r
es
to
b
c
c
h
Ta
sa
 1
 3
Ta
sa
 d
e 
co
lo
ca
ci
on
es
 n
om
in
al
 p
ro
m
ed
io
 si
st
em
a 
fin
an
ci
er
o 
de
 1
 a
 3
 a
ño
s
b
c
c
h
pr
o
in
D
U
s 
in
e
pr
od
uc
ci
ón
 in
du
st
ria
l
in
e
C
on
ti
nú
a 
en
 p
ág
in
a 
si
gu
ie
nt
e
118 reVisTa De analisis economico, Vol.  27, nº  2
Va
ria
bl
e
n
om
br
e
Fu
en
te
Va
ria
bl
e
n
om
br
e
Fu
en
te
Ta
sa
 r
ea
l 
3a
Ta
sa
 d
e 
co
lo
ca
ci
on
es
 r
ea
l 
pr
om
ed
io
 s
is
te
m
a 
fi
na
nc
ie
ro
 
m
ás
 d
e 
3 
añ
os
b
c
c
h
V
Ta
in
D
U
s 
in
e
Ve
nt
as
 in
du
st
ria
le
s
in
e
Ta
sa
 3
a
Ta
sa
 d
e 
co
lo
ca
ci
on
es
 n
om
in
al
 p
ro
m
ed
io
 si
st
em
a 
fin
an
ci
er
o 
m
ás
 d
e 
3 
añ
os
b
c
c
h
V
Ta
h
a
b
iT
U
a
l
Ve
nt
as
 in
du
st
ria
le
s 
- h
ab
itu
al
in
e
b
o
ls
a
in
di
ce
 d
e 
bo
ls
a 
de
 c
om
er
ci
o 
sa
nt
ia
go
 (i
g
pa
)
b
lo
om
be
rg
V
Ta
D
U
r
a
b
le
Ve
nt
as
 in
du
st
ria
le
s 
- D
ur
ab
le
in
e
g
en
er
a
c
io
n
c
on
su
m
o 
en
er
gé
tic
o
c
D
ec
V
Ta
in
Te
r
m
eD
io
Ve
nt
as
 in
du
st
ria
le
s 
- i
nt
er
m
ed
io
in
e
b
b
a
a
a
a
pr
em
io
 p
or
 ri
es
go
 b
b
a
-a
a
a
 (e
e.
U
U
.) 
b
lo
om
be
rg
V
Ta
c
a
pi
Ta
l
Ve
nt
as
 in
du
st
ria
le
s 
- c
ap
ita
l
in
e
V
iX
in
di
ce
 d
e 
vo
la
til
id
ad
 d
el
 s
p5
00
b
lo
om
be
rg
sU
pi
n
e
Ve
nt
as
 d
e 
su
pe
rm
er
ca
do
in
e
D
o
la
r
Ti
po
 d
e 
ca
m
bi
o 
no
m
in
al
 m
ul
til
at
er
al
 (e
e.
U
U
.)
b
lo
om
be
rg
sU
pc
n
c
Ve
nt
as
 d
e 
su
pe
rm
er
ca
do
c
n
c
Tc
n
Ti
po
 d
e 
ca
m
bi
o 
no
m
in
al
 (p
es
os
 c
hi
le
no
s/
dó
la
r a
m
er
ic
an
o)
b
c
c
h
c
o
m
er
c
io
m
in
c
n
c
Ve
nt
as
 d
e 
co
m
er
ci
o 
m
in
or
is
ta
c
n
c
Tc
m
Ti
po
 d
e 
ca
m
bi
o 
no
m
in
al
 m
ul
til
at
er
al
 (c
hi
le
)
b
c
c
h
D
U
r
a
b
le
sc
n
c
Ve
nt
as
 d
e 
co
m
er
ci
o 
m
in
or
is
ta
 - 
D
ur
ab
le
s
c
n
c
li
b
o
r
Ta
sa
 d
e 
in
te
ré
s 
in
te
rn
ac
io
na
l 
b
lo
om
be
rg
n
o
D
U
r
a
b
le
sc
n
c
Ve
nt
as
 d
e 
co
m
er
ci
o 
m
in
or
is
ta
 - 
n
o 
D
ur
ab
le
s
c
n
c
m
0
a
gr
eg
ad
o 
m
on
et
ar
io
 m
0
b
c
c
h
V
es
TU
a
r
io
c
n
c
Ve
nt
as
 d
e 
co
m
er
ci
o 
m
in
or
is
ta
 - 
Ve
st
ua
rio
c
n
c
c
ir
c
U
la
n
Te
a
gr
eg
ad
o 
ci
rc
ul
an
te
b
c
c
h
c
a
lZ
a
D
o
c
n
c
Ve
nt
as
 d
e 
co
m
er
ci
o 
m
in
or
is
ta
 - 
c
al
za
do
c
n
c
m
1
a
gr
eg
ad
o 
m
on
et
ar
io
 m
0
b
c
c
h
el
ec
Tr
o
n
ic
a
c
n
c
Ve
nt
as
 d
e 
co
m
er
ci
o 
m
in
or
is
ta
 - 
el
ec
tró
ni
ca
c
n
c
m
2
a
gr
eg
ad
o 
m
on
et
ar
io
 m
1
b
c
c
h
h
o
g
a
r
c
n
c
Ve
nt
as
 d
e 
co
m
er
ci
o 
m
in
or
is
ta
 - 
a
rt.
 h
og
ar
c
n
c
m
3
a
gr
eg
ad
o 
m
on
et
ar
io
 m
2
b
c
c
h
m
U
eb
le
sc
n
c
Ve
nt
as
 d
e 
co
m
er
ci
o 
m
in
or
is
ta
 - 
m
ue
bl
es
c
n
c
c
o
l 
c
o
n
sU
m
o
st
oc
k 
de
 c
ol
oc
ac
io
ne
s 
re
al
es
 d
e 
co
ns
um
o
b
c
c
h
sU
pa
ba
r
ro
Te
sc
n
c
Ve
nt
as
 d
e 
co
m
er
ci
o 
m
in
or
is
ta
 - 
a
ba
rr
ot
es
c
n
c
c
o
l 
c
o
m
eX
st
oc
k 
de
 c
ol
oc
ac
io
ne
s 
re
al
es
 d
e 
co
m
er
ci
o 
ex
te
rio
r
b
c
c
h
sU
pp
er
ec
ib
le
sc
n
c
Ve
nt
as
 d
e 
co
m
er
ci
o 
m
in
or
is
ta
 - 
pe
re
ci
bl
es
c
n
c
c
o
l 
V
iV
ie
n
D
a
st
oc
k 
de
 c
ol
oc
ac
io
ne
s 
re
al
es
 d
e 
vi
vi
en
da
b
c
c
h
a
U
To
sa
n
a
c
Ve
nt
as
 d
e 
au
to
m
óv
ile
s 
nu
ev
os
 (a
n
a
c
)
a
n
a
c
c
o
l 
c
o
m
er
c
ia
l
st
oc
k 
de
 c
ol
oc
ac
io
ne
s 
re
al
es
 d
e 
co
m
er
ci
o 
b
c
c
h
V
Ta
V
iV
Ve
nt
a 
de
 v
iv
ie
nd
a
c
c
hc
c
o
l 
To
Ta
l
st
oc
k 
de
 c
ol
oc
ac
io
ne
s 
re
al
es
 to
ta
le
s
b
c
c
h
o
Fe
V
iV
o
fe
rta
 d
e 
vi
vi
en
da
c
c
hc
c
o
l 
pe
r
so
n
a
s
st
oc
k 
de
 c
ol
oc
ac
io
ne
s 
re
al
es
 d
e 
pe
rs
on
as
b
c
c
h
m
sT
o
c
K
m
es
es
 p
ar
a 
ag
ot
ar
 s
to
ck
c
c
hc
c
o
l 
em
pr
es
a
s
st
oc
k 
de
 c
ol
oc
ac
io
ne
s 
re
al
es
 d
e 
em
pr
es
as
b
c
c
h
in
g
Tr
ib
n
eT
in
gr
es
o 
tri
bu
ta
rio
 n
et
o
D
ip
re
s
eX
po
rT
ex
po
rta
ci
on
es
 b
ie
ne
s 
to
ta
le
s 
b
c
c
h
g
a
sT
o
m
a
c
r
o
g
as
to
 m
ac
ro
D
ip
re
s
eX
pm
in
er
ia
ex
po
rta
ci
on
es
 b
ie
ne
s 
m
in
er
ía
b
c
c
h
c
m
o
To
ta
l
c
os
to
 d
e 
m
an
o 
de
 o
br
a 
to
ta
l
in
e
eX
pc
o
b
r
e
ex
po
rta
ci
on
es
 b
ie
ne
s 
co
br
e
b
c
c
h
c
m
o
m
in
c
os
to
 d
e 
m
an
o 
de
 o
br
a 
- m
in
er
ía
in
e
eX
pa
g
r
o
ex
po
rta
ci
on
es
 b
ie
ne
s 
ag
ríc
ol
as
b
c
c
h
c
m
o
in
D
c
os
to
 d
e 
m
an
o 
de
 o
br
a 
- i
nd
us
tri
a
in
e
eX
pi
n
D
U
ex
po
rta
ci
on
es
 b
ie
ne
s 
in
du
st
ria
le
s
b
c
c
h
c
m
o
eg
a
c
os
to
 d
e 
m
an
o 
de
 o
br
a 
- e
g
a
in
e
im
po
rT
im
po
rta
ci
on
es
 b
ie
ne
s 
to
ta
le
s
b
c
c
h
c
m
o
c
o
n
s
c
os
to
 d
e 
m
an
o 
de
 o
br
a 
- c
on
st
ru
cc
ió
n
in
e
im
pc
o
n
sU
m
o
im
po
rta
ci
on
es
 b
ie
ne
s 
 c
on
su
m
o
b
c
c
h
c
m
o
c
o
m
c
os
to
 d
e 
m
an
o 
de
 o
br
a 
- c
om
er
ci
o
in
e
im
pi
n
Te
r
m
eD
io
im
po
rta
ci
on
es
 b
ie
ne
s 
in
te
rm
ed
io
b
c
c
h
c
m
o
Tr
a
n
c
os
to
 d
e 
m
an
o 
de
 o
br
a 
- T
ra
ns
po
rte
 
in
e
im
pc
a
pi
Ta
l
im
po
rta
ci
on
es
 b
ie
ne
s 
 c
ap
ita
l
b
c
c
h
c
m
o
sF
in
c
os
to
 d
e 
m
an
o 
de
 o
br
a 
- s
er
vi
ci
os
 
fin
an
ci
er
os
in
e
im
pp
eT
r
o
le
o
im
po
rta
ci
on
es
 p
et
ró
le
o
b
c
c
h
c
m
o
sc
o
m
c
os
to
 d
e 
m
an
o 
de
 o
br
a 
- s
er
vi
ci
os
 c
om
un
al
es
in
e
im
pc
o
m
b
U
sT
ib
le
s
im
po
rta
ci
on
es
 c
om
bu
st
ib
le
s
b
c
c
h
em
pT
ot
al
em
pl
eo
 to
ta
l
in
e
im
po
Tr
o
im
po
rta
ci
on
es
 o
tro
s
b
c
c
h
em
pa
gr
o
em
pl
eo
 - 
a
gr
os
ilv
íc
ol
a
in
e
ip
c
T
in
di
ce
 d
e 
pr
ec
io
s 
tra
ns
ab
le
s
in
e
em
pm
in
er
ía
em
pl
eo
 - 
m
in
er
ía
in
e
ip
c
n
in
di
ce
 d
e 
pr
ec
io
s 
no
 tr
an
sa
bl
es
in
e
em
pi
nd
us
tri
a
em
pl
eo
 - 
in
du
st
ria
in
e
pe
r
ec
ib
le
s
in
di
ce
 d
e 
pr
ec
io
s 
pe
re
ci
bl
es
in
e
em
pe
g
a
em
pl
eo
 - 
eg
a
in
e
Tp
en
er
in
di
ce
 d
e 
pr
ec
io
s 
en
er
gí
a
in
e
em
pc
on
st
ru
cc
ió
n
em
pl
eo
 - 
c
on
st
ru
cc
ió
n
in
e
ip
c
X
ip
c
 m
en
os
 c
om
bu
st
ib
le
s 
y 
en
er
gí
a
in
e
em
pc
om
er
ci
o
em
pl
eo
 - 
c
om
er
ci
o
in
e
ip
c
X
2
ip
c
 e
xc
lu
id
o 
al
im
en
to
s
in
e
em
pT
ra
ns
po
rte
em
pl
eo
 - 
Tr
an
sp
or
te
in
e
b
ie
ne
s
in
di
ce
 d
e 
pr
ec
io
s 
bi
en
es
in
e
em
ps
sF
F
em
pl
eo
 - 
se
rv
ic
io
s 
fin
an
ci
er
os
in
e
se
rv
ic
io
s
in
di
ce
 d
e 
pr
ec
io
s 
se
rv
ic
io
s
in
e
em
ps
sc
c
em
pl
eo
 - 
se
rv
ic
io
s 
co
m
un
al
es
in
e
C
on
ti
nu
ac
ió
n 
A
pé
nd
ic
e 
1
Un gran Var bayesiano para la economia chilena 119
Va
ria
bl
e
n
om
br
e
Fu
en
te
Va
ria
bl
e
n
om
br
e
Fu
en
te
Ta
sa
 r
ea
l 
3a
Ta
sa
 d
e 
co
lo
ca
ci
on
es
 r
ea
l 
pr
om
ed
io
 s
is
te
m
a 
fi
na
nc
ie
ro
 
m
ás
 d
e 
3 
añ
os
b
c
c
h
V
Ta
in
D
U
s 
in
e
Ve
nt
as
 in
du
st
ria
le
s
in
e
Ta
sa
 3
a
Ta
sa
 d
e 
co
lo
ca
ci
on
es
 n
om
in
al
 p
ro
m
ed
io
 si
st
em
a 
fin
an
ci
er
o 
m
ás
 d
e 
3 
añ
os
b
c
c
h
V
Ta
h
a
b
iT
U
a
l
Ve
nt
as
 in
du
st
ria
le
s 
- h
ab
itu
al
in
e
b
o
ls
a
in
di
ce
 d
e 
bo
ls
a 
de
 c
om
er
ci
o 
sa
nt
ia
go
 (i
g
pa
)
b
lo
om
be
rg
V
Ta
D
U
r
a
b
le
Ve
nt
as
 in
du
st
ria
le
s 
- D
ur
ab
le
in
e
g
en
er
a
c
io
n
c
on
su
m
o 
en
er
gé
tic
o
c
D
ec
V
Ta
in
Te
r
m
eD
io
Ve
nt
as
 in
du
st
ria
le
s 
- i
nt
er
m
ed
io
in
e
b
b
a
a
a
a
pr
em
io
 p
or
 ri
es
go
 b
b
a
-a
a
a
 (e
e.
U
U
.) 
b
lo
om
be
rg
V
Ta
c
a
pi
Ta
l
Ve
nt
as
 in
du
st
ria
le
s 
- c
ap
ita
l
in
e
V
iX
in
di
ce
 d
e 
vo
la
til
id
ad
 d
el
 s
p5
00
b
lo
om
be
rg
sU
pi
n
e
Ve
nt
as
 d
e 
su
pe
rm
er
ca
do
in
e
D
o
la
r
Ti
po
 d
e 
ca
m
bi
o 
no
m
in
al
 m
ul
til
at
er
al
 (e
e.
U
U
.)
b
lo
om
be
rg
sU
pc
n
c
Ve
nt
as
 d
e 
su
pe
rm
er
ca
do
c
n
c
Tc
n
Ti
po
 d
e 
ca
m
bi
o 
no
m
in
al
 (p
es
os
 c
hi
le
no
s/
dó
la
r a
m
er
ic
an
o)
b
c
c
h
c
o
m
er
c
io
m
in
c
n
c
Ve
nt
as
 d
e 
co
m
er
ci
o 
m
in
or
is
ta
c
n
c
Tc
m
Ti
po
 d
e 
ca
m
bi
o 
no
m
in
al
 m
ul
til
at
er
al
 (c
hi
le
)
b
c
c
h
D
U
r
a
b
le
sc
n
c
Ve
nt
as
 d
e 
co
m
er
ci
o 
m
in
or
is
ta
 - 
D
ur
ab
le
s
c
n
c
li
b
o
r
Ta
sa
 d
e 
in
te
ré
s 
in
te
rn
ac
io
na
l 
b
lo
om
be
rg
n
o
D
U
r
a
b
le
sc
n
c
Ve
nt
as
 d
e 
co
m
er
ci
o 
m
in
or
is
ta
 - 
n
o 
D
ur
ab
le
s
c
n
c
m
0
a
gr
eg
ad
o 
m
on
et
ar
io
 m
0
b
c
c
h
V
es
TU
a
r
io
c
n
c
Ve
nt
as
 d
e 
co
m
er
ci
o 
m
in
or
is
ta
 - 
Ve
st
ua
rio
c
n
c
c
ir
c
U
la
n
Te
a
gr
eg
ad
o 
ci
rc
ul
an
te
b
c
c
h
c
a
lZ
a
D
o
c
n
c
Ve
nt
as
 d
e 
co
m
er
ci
o 
m
in
or
is
ta
 - 
c
al
za
do
c
n
c
m
1
a
gr
eg
ad
o 
m
on
et
ar
io
 m
0
b
c
c
h
el
ec
Tr
o
n
ic
a
c
n
c
Ve
nt
as
 d
e 
co
m
er
ci
o 
m
in
or
is
ta
 - 
el
ec
tró
ni
ca
c
n
c
m
2
a
gr
eg
ad
o 
m
on
et
ar
io
 m
1
b
c
c
h
h
o
g
a
r
c
n
c
Ve
nt
as
 d
e 
co
m
er
ci
o 
m
in
or
is
ta
 - 
a
rt.
 h
og
ar
c
n
c
m
3
a
gr
eg
ad
o 
m
on
et
ar
io
 m
2
b
c
c
h
m
U
eb
le
sc
n
c
Ve
nt
as
 d
e 
co
m
er
ci
o 
m
in
or
is
ta
 - 
m
ue
bl
es
c
n
c
c
o
l 
c
o
n
sU
m
o
st
oc
k 
de
 c
ol
oc
ac
io
ne
s 
re
al
es
 d
e 
co
ns
um
o
b
c
c
h
sU
pa
ba
r
ro
Te
sc
n
c
Ve
nt
as
 d
e 
co
m
er
ci
o 
m
in
or
is
ta
 - 
a
ba
rr
ot
es
c
n
c
c
o
l 
c
o
m
eX
st
oc
k 
de
 c
ol
oc
ac
io
ne
s 
re
al
es
 d
e 
co
m
er
ci
o 
ex
te
rio
r
b
c
c
h
sU
pp
er
ec
ib
le
sc
n
c
Ve
nt
as
 d
e 
co
m
er
ci
o 
m
in
or
is
ta
 - 
pe
re
ci
bl
es
c
n
c
c
o
l 
V
iV
ie
n
D
a
st
oc
k 
de
 c
ol
oc
ac
io
ne
s 
re
al
es
 d
e 
vi
vi
en
da
b
c
c
h
a
U
To
sa
n
a
c
Ve
nt
as
 d
e 
au
to
m
óv
ile
s 
nu
ev
os
 (a
n
a
c
)
a
n
a
c
c
o
l 
c
o
m
er
c
ia
l
st
oc
k 
de
 c
ol
oc
ac
io
ne
s 
re
al
es
 d
e 
co
m
er
ci
o 
b
c
c
h
V
Ta
V
iV
Ve
nt
a 
de
 v
iv
ie
nd
a
c
c
hc
c
o
l 
To
Ta
l
st
oc
k 
de
 c
ol
oc
ac
io
ne
s 
re
al
es
 to
ta
le
s
b
c
c
h
o
Fe
V
iV
o
fe
rta
 d
e 
vi
vi
en
da
c
c
hc
c
o
l 
pe
r
so
n
a
s
st
oc
k 
de
 c
ol
oc
ac
io
ne
s 
re
al
es
 d
e 
pe
rs
on
as
b
c
c
h
m
sT
o
c
K
m
es
es
 p
ar
a 
ag
ot
ar
 s
to
ck
c
c
hc
c
o
l 
em
pr
es
a
s
st
oc
k 
de
 c
ol
oc
ac
io
ne
s 
re
al
es
 d
e 
em
pr
es
as
b
c
c
h
in
g
Tr
ib
n
eT
in
gr
es
o 
tri
bu
ta
rio
 n
et
o
D
ip
re
s
eX
po
rT
ex
po
rta
ci
on
es
 b
ie
ne
s 
to
ta
le
s 
b
c
c
h
g
a
sT
o
m
a
c
r
o
g
as
to
 m
ac
ro
D
ip
re
s
eX
pm
in
er
ia
ex
po
rta
ci
on
es
 b
ie
ne
s 
m
in
er
ía
b
c
c
h
c
m
o
To
ta
l
c
os
to
 d
e 
m
an
o 
de
 o
br
a 
to
ta
l
in
e
eX
pc
o
b
r
e
ex
po
rta
ci
on
es
 b
ie
ne
s 
co
br
e
b
c
c
h
c
m
o
m
in
c
os
to
 d
e 
m
an
o 
de
 o
br
a 
- m
in
er
ía
in
e
eX
pa
g
r
o
ex
po
rta
ci
on
es
 b
ie
ne
s 
ag
ríc
ol
as
b
c
c
h
c
m
o
in
D
c
os
to
 d
e 
m
an
o 
de
 o
br
a 
- i
nd
us
tri
a
in
e
eX
pi
n
D
U
ex
po
rta
ci
on
es
 b
ie
ne
s 
in
du
st
ria
le
s
b
c
c
h
c
m
o
eg
a
c
os
to
 d
e 
m
an
o 
de
 o
br
a 
- e
g
a
in
e
im
po
rT
im
po
rta
ci
on
es
 b
ie
ne
s 
to
ta
le
s
b
c
c
h
c
m
o
c
o
n
s
c
os
to
 d
e 
m
an
o 
de
 o
br
a 
- c
on
st
ru
cc
ió
n
in
e
im
pc
o
n
sU
m
o
im
po
rta
ci
on
es
 b
ie
ne
s 
 c
on
su
m
o
b
c
c
h
c
m
o
c
o
m
c
os
to
 d
e 
m
an
o 
de
 o
br
a 
- c
om
er
ci
o
in
e
im
pi
n
Te
r
m
eD
io
im
po
rta
ci
on
es
 b
ie
ne
s 
in
te
rm
ed
io
b
c
c
h
c
m
o
Tr
a
n
c
os
to
 d
e 
m
an
o 
de
 o
br
a 
- T
ra
ns
po
rte
 
in
e
im
pc
a
pi
Ta
l
im
po
rta
ci
on
es
 b
ie
ne
s 
 c
ap
ita
l
b
c
c
h
c
m
o
sF
in
c
os
to
 d
e 
m
an
o 
de
 o
br
a 
- s
er
vi
ci
os
 
fin
an
ci
er
os
in
e
im
pp
eT
r
o
le
o
im
po
rta
ci
on
es
 p
et
ró
le
o
b
c
c
h
c
m
o
sc
o
m
c
os
to
 d
e 
m
an
o 
de
 o
br
a 
- s
er
vi
ci
os
 c
om
un
al
es
in
e
im
pc
o
m
b
U
sT
ib
le
s
im
po
rta
ci
on
es
 c
om
bu
st
ib
le
s
b
c
c
h
em
pT
ot
al
em
pl
eo
 to
ta
l
in
e
im
po
Tr
o
im
po
rta
ci
on
es
 o
tro
s
b
c
c
h
em
pa
gr
o
em
pl
eo
 - 
a
gr
os
ilv
íc
ol
a
in
e
ip
c
T
in
di
ce
 d
e 
pr
ec
io
s 
tra
ns
ab
le
s
in
e
em
pm
in
er
ía
em
pl
eo
 - 
m
in
er
ía
in
e
ip
c
n
in
di
ce
 d
e 
pr
ec
io
s 
no
 tr
an
sa
bl
es
in
e
em
pi
nd
us
tri
a
em
pl
eo
 - 
in
du
st
ria
in
e
pe
r
ec
ib
le
s
in
di
ce
 d
e 
pr
ec
io
s 
pe
re
ci
bl
es
in
e
em
pe
g
a
em
pl
eo
 - 
eg
a
in
e
Tp
en
er
in
di
ce
 d
e 
pr
ec
io
s 
en
er
gí
a
in
e
em
pc
on
st
ru
cc
ió
n
em
pl
eo
 - 
c
on
st
ru
cc
ió
n
in
e
ip
c
X
ip
c
 m
en
os
 c
om
bu
st
ib
le
s 
y 
en
er
gí
a
in
e
em
pc
om
er
ci
o
em
pl
eo
 - 
c
om
er
ci
o
in
e
ip
c
X
2
ip
c
 e
xc
lu
id
o 
al
im
en
to
s
in
e
em
pT
ra
ns
po
rte
em
pl
eo
 - 
Tr
an
sp
or
te
in
e
b
ie
ne
s
in
di
ce
 d
e 
pr
ec
io
s 
bi
en
es
in
e
em
ps
sF
F
em
pl
eo
 - 
se
rv
ic
io
s 
fin
an
ci
er
os
in
e
se
rv
ic
io
s
in
di
ce
 d
e 
pr
ec
io
s 
se
rv
ic
io
s
in
e
em
ps
sc
c
em
pl
eo
 - 
se
rv
ic
io
s 
co
m
un
al
es
in
e