Modelos de VAR alternativos para pronósticos (VAR bayesianos y FAVAR): el caso de las exportaciones argentinas Modelos de VAR alternativos para pronósticos (VAR bayesianos y FAVAR): el caso de las exportaciones argentinas

Exports are one of the key aggregates in the Argentina’s economy, both because to its links with thedomestic demand and by its influence on the behaviour of the trade balance and current account.Have adequate forecasts for this variable is useful to design policies to keep surpluses in the externalsector and prevent recurring crises seen in the past. In this work, we considered some modelsfor forecasting the performance of this aggregate, which could be an alternative to the estimationof structural econometric models. For this purpose, we used two approaches: the first is based instandard and Bayesian VARs (Minnesota prior, Gibbs sampler, partial BVAR and BVAR-Kalman). Thelatter combines the evidence in the data with any prior information that may also be available. Thesecond approach considers the FAVAR (Factor-augmented VAR) models, which combines the standardVAR with factor analysis. Finally, we evaluated the forecasting ability of different models. Las exportaciones representan uno de los agregados más importantes de la economía argentina,tanto por su vinculación con la demanda doméstica como por su influencia en el comportamientode la balanza comercial y de la cuenta corriente. Disponer de adecuados pronósticos deesta variable resulta útil a fin de dise ar políticas que permitan mantener superávit en el sectorexterno y evitar las recurrentes crisis observadas en el pasado. En este trabajo, se consideran algunosmodelos destinados a la realización de pronósticos de dicho agregado, los cuales podrían seruna alternativa a la estimación de sistemas econométricos estructurales. A tal efecto, se utilizandos propuestas: la primera se basa en modelos de VAR sin restricciones y Bayesianos (‘Minnesota’prior, ‘Gibbs sampler’, parcial BVAR y BVAR-Kalman). Estos últimos consideran supuestos a priori(‘prior’) e información histórica de las series de tiempo empleadas. La segunda propuesta descansaen modelos FAVAR (Factor-aumentado VAR), que combinan los VAR con el análisis de factores.Finalmente, se evalúa la capacidad de pronóstico de los distintos modelos.