Как известно, основная задача макроэкономистов заключается в решении четырех основных задач: сбор, обобщение, описание и анализ макроэкономических данных; разработка макроэкономических прогнозов; количественная оценка макроэкономических индикаторов; разработка оптимальной макроэкономической политики. Для решения обозначенных задач экономисты используют различные экономические модели, отличающиеся своей сложностью и количеством уравнений, которые, в свою очередь, включают в себя различные переменные и временные рады. Одной из таких экономических моделей является модель векторной авторегрессии, которая была представлена Кристофером Симсом в 1980 г. и в будущем получила распространение для решения широкого круга экономических проблем. Сама модель векторной авторегрессии (VAR) представляет собой многомерную модель временных рядов, связывающую текущие с прошлыми наблюдениями и позволяющую оценивать влияние качественных показателей на экономические процессы. Отметим, что кроме классической модели векторной авторегрессии экономисты используют также модели панельной авторегрессии (PVAR), структурной авторегрессии (SVAR), Байесовской авторегрессии (BVAR), а также глобальной векторной авторегрессии (GVAR), которые являются разновидностями классической модели векторной авторегрессии (VAR).
Модель векторной панельной авторегрессии строится аналогично стандартной VAR, но путем добавления перекрестных многомерных панельных данных, которые схожи с моделями множественной регрессии, но дают более корректные результаты. По мнению многих экономистов, по сравнению с классической моделью VAR панельная модель является более эффективным инструментом для решения вопросов экономической политики, например для расчета влияния внешних шоков на экономику страны. Стоит отметить, что при построении такого рода моделей существует необходимость проведения анализа большого массива данных. Если говорить о различии Байесовской и классической моделей авторегрессии, то единственное различие заключается в способе получения и интерпретации оценки параметров. Модели VAR обычно оцениваются на основе использования метода наименьших квадратов, который является простой и быстрой в вычислительном отношении оценкой. В свою очередь, Байесовские оценки несколько сложнее и более обременительны с точки зрения проведения расчетов. Стоит отметить тот факт, что коэффициенты, полученные с помощью так называемых частотных оценок, таких как OLS, интерпретируются на основе концепции распределения выборки. Модель SVAR позволяет обойти те недостатки, которые существуют в классической модели VAR. В классической модели VAR также включаются в анализ детерминированные регрессоры (deterministic regressors), что делает результаты анализа более корректными.