Skip to main content

macroshock

macroshock es una librería de Python para la estimación y el análisis de modelos SVAR (Structural Vector Autoregression) orientada a macroeconometría aplicada. Permite estimar VARs con restricciones, identificar el sistema estructural mediante cuatro metodologías distintas, calcular funciones impulso-respuesta (IRF), descomposición de varianza del error de pronóstico (FEVD) y pronósticos, todo con intervalos de confianza vía bootstrap y graficado listo para usar.

---

Características principales

  • Estimación de VAR restringido (GLS a la Lütkepohl), con soporte para:

    • Constante, tendencia y tendencia cuadrática.
    • Variables exógenas.
    • Dummies estacionales (trimestrales o mensuales).
    • Restricciones lineales sobre los coeficientes (restrictions='zeros' o 'custom zeros').
  • Cuatro métodos de identificación estructural:

Método Descripción
short Restricciones de corto plazo (Cholesky o restricciones custom vía optimización)
long Restricciones de largo plazo (tipo Blanchard-Quah)
signs Restricciones de signo (muestreo de rotaciones ortogonales con aceptación/rechazo)
IV Identificación por variables instrumentales (proxy-SVAR)
  • Funciones impulso-respuesta (IRF) con bandas de confianza.
  • Descomposición de varianza del error de pronóstico (FEVD).
  • Pronósticos condicionales con bandas de confianza.
  • Bootstrap (remuestreo normal o wild) para inferencia.
  • Gráficos integrados para IRF, pronósticos y FEVD, listos para publicación.
  • Prueba de estabilidad del sistema (raíces del polinomio característico).

---

Instalación

pip install macroshock

Requisitos

  • Python >= 3.9
  • numpy
  • pandas
  • scipy
  • matplotlib

---

Inicio rápido

import pandas as pd
from macroshock import SVAR

# df es un DataFrame con tus series en columnas
df = pd.read\_csv("mi\_dataset.csv")

modelo = SVAR(
    data=df,
    variables=\["pib", "inflacion", "tasa\_interes"],
    lags=4,
    const=1,          # 0: sin constante, 1: constante, 2: +tendencia, 3: +tendencia cuadrática
    method="short",    # 'short', 'long', 'signs' o 'IV'
    steps=24,          # horizonte para IRF/FEVD
    horizon=8,         # horizonte de pronóstico
    past=12,           # periodos históricos a mostrar en el pronóstico
    alpha=32,          # nivel para el intervalo de confianza (32 -> banda central 68%)
    reps\_default=1000, # réplicas de bootstrap
)

# Corre el pipeline completo: construcción de Y/X, estimación VAR,
# identificación estructural y resumen de resultados
modelo.run(showIR=True, showFC=True, showVD=True)

# Chequeo de estabilidad del sistema
modelo.stability(show=True)

Uso paso a paso

modelo.YX()             # construye Y, X y la matriz de restricciones R
modelo.VAR()             # estima el VAR reducido y la matriz companion F
modelo.S()                # identifica el sistema estructural (matriz B)
modelo.summary()          # imprime el resumen de la estimación

# Impulso-respuesta al shock 1, con bandas "pair" (percentil bajo/alto)
ir = modelo.ImpulseResponse(shock=1, show=True, bands="pair")

# Pronóstico con bandas "many" (múltiples niveles de confianza apilados)
fc = modelo.Forecast(show=True, bands="many")

# Descomposición de varianza del error de pronóstico para el shock 1
vd = modelo.VarianceDecomp(shock=1, show=True)

Cada uno de estos métodos regresa un diccionario con la estimación puntual y las bandas de confianza en distintos niveles ('point', 'low', 'high', 2.5, 5, 95, 97.5, 0.5, 99.5), indexado por nombre de variable.

---

Identificación estructural

1. Corto plazo (Cholesky / restricciones custom)

modelo = SVAR(data=df, variables=variables, lags=4, method="short")

Por defecto usa la descomposición de Cholesky. Si se pasa matrix\_short (matriz binaria de 1s y 0s), se resuelve numéricamente la matriz B que satisface las restricciones de cero indicadas.

2. Largo plazo (Blanchard-Quah)

modelo = SVAR(data=df, variables=variables, lags=4, method="long")

3. Restricciones de signo

matrix\_signs = \[\[1, -1, 0],
                \[1,  1, 0],
                \[0,  0, 1]]

modelo = SVAR(
    data=df, variables=variables, lags=4,
    method="signs",
    matrix\_signs=matrix\_signs,
    steps\_signs=4,       # horizontes en los que se verifican los signos
    reps\_default=1000,   # número de matrices B aceptadas
)

4. Variables instrumentales (Proxy-SVAR)

modelo = SVAR(
    data=df, variables=variables, lags=4,
    method="IV",
    iv=\["instrumento\_1"],  # columna(s) del DataFrame con el/los instrumento(s)
)

---

Estructura del paquete

macroshock/
├── data.py             # construcción de Y, X y matriz de restricciones R
├── var.py               # estimación del VAR reducido (GLS restringido, IC, t-stats)
├── stats.py              # utilidades estadísticas (CDF y p-valores t-Student)
├── identification.py      # los 4 métodos de identificación estructural
├── irf.py                  # funciones impulso-respuesta y bandas desde bootstrap
├── fevd.py                  # descomposición de varianza del error de pronóstico
├── fc.py                     # cálculo de pronósticos
├── bootstrap.py                # bootstrap (normal / wild) para IR, FC y FEVD
├── plotting.py                  # gráficos de IRF, pronóstico y FEVD
└── macroshock.py                 # clase principal SVAR (y esqueletos de SVEC, LP para desarrollo futuro)

---

Hoja de ruta

  • [ ] Documentación completa (Sphinx / ReadTheDocs)
  • [ ] Modelo SVEC (Vector Error Correction estructural)
  • [ ] Local Projections (LP)
  • [ ] Descomposición histórica (HistoricalDecomp)
  • [ ] Tests unitarios y CI

---

Contribuciones

Los issues y pull requests son bienvenidos. Si encuentras un bug o tienes una propuesta de mejora, abre un issue en el repositorio del proyecto.

Licencia

Este proyecto se distribuye bajo la licencia MIT. Ver el archivo LICENSE para más detalles.

Metadata

Release files for macroshock 0.1.2

For a detailed explanation of source distributions (sdists) and built distributions (wheels), please see the package formats documentation.

Source distribution (sdist)

Source distribution for macroshock 0.1.2
File Size Uploaded Provenance Actions
macroshock-0.1.2.tar.gz 25.7 kB Without provenance Details for macroshock-0.1.2.tar.gz

Built distribution (wheel)

Table of built distributions (wheels) for macroshock 0.1.2
File Interpreter ABI Platform Actions
macroshock-0.1.2-py3-none-any.whl Python 3 none any Details for macroshock-0.1.2-py3-none-any.whl

Total release size: 51.3 kB

Release files / macroshock-0.1.2.tar.gz

Download URL macroshock-0.1.2.tar.gz
Size 25.7 kB
Tags Source
SHA-256 checksum
How to use checksums
bfd488b470dcdf5850de3a658a08c0f0f3e235e0535832b67215c596c95f6c37
BLAKE2b-256 checksum
How to use checksums
53f875feb590f990b74a09ebaf42d525eb0cce731cb578f6ef35834dd9f11220
Upload date
Uploaded using Trusted Publishing?
What is trusted publishing?
No
Uploaded via twine/6.2.0 CPython/3.13.9

Release files / macroshock-0.1.2-py3-none-any.whl

Download URL macroshock-0.1.2-py3-none-any.whl
Size 25.6 kB
Tags Python 3
SHA-256 checksum
How to use checksums
a253cdffc4f3cb531a991d8a11497e86e009830860eed503445204826fa724e4
BLAKE2b-256 checksum
How to use checksums
6dcf78bd375ea8e6fe394f5041fb30b3724006c1158c92a2c93c5d1d1d29c291
Upload date
Uploaded using Trusted Publishing?
What is trusted publishing?
No
Uploaded via twine/6.2.0 CPython/3.13.9

Security for macroshock 0.1.2

Provenance

Provenance describes where a file came from. On PyPI, provenance is shared via attestations, which provide a verifiable record of the build or publishing details. View details, limitations and caveats.

No provenance found

None of the files in this release were uploaded with provenance metadata.

A note on package security

PyPI is a repository for distributing packages, not a service for auditing them. While third-party security researchers and our staff do their best to detect and remove malicious packages, PyPI cannot guarantee the quality, security or suitability of any given package.

To learn more about protecting yourself from malicious actors, visit our package security documentation.

Anthropic, PBC Visionary sponsor Bloomberg Visionary sponsor Hudson River Trading Visionary sponsor Meta Visionary sponsor NVIDIA Visionary sponsor Microsoft Sustainability sponsor Depot Continuous Integration AWS Cloud computing and Security Sponsor Datadog Monitoring Fastly CDN Google Download Analytics Sentry Error logging StatusPage Status page