ComparaCión
de la inflaCión en las
prinCipales Ciudades
de Venezuela mediante
un modelo de faCtor
dinámiCo
Alí Antonio AcostA Hernández dAniel BArráez Guzmán
Banco Central de Venezuela Colección Economía y Finanzas Serie Documentos de Trabajo
[
Mayo, 2011
Banco Central de Venezuela, Caracas, 2011 Gerencia de Investigaciones Económicas
Producción editorial
Gerencia de Comunicaciones Institucionales, BCV Departamento de Publicaciones
Torre Financiera, piso 14, ala sur
Avenida Urdaneta, esquina de Las Carmelitas Caracas 1010
Teléfonos: 801.8075 / 8063 Fax: 536.9357
publicacionesbcv@bcv.org.ve www.bcv.org.ve
Las opiniones y análisis que aparecen en la Serie Documentos de Trabajo son responsabilidad de los autores y no necesariamente coinciden
con las del Banco Central de Venezuela. Se permite la reproducción parcial o total siempre que se mencione la fuente y no se modifique la información.
Comparación de la inflación en las principales ciudades de
Venezuela mediante un modelo de factor dinámico
Ali Antonio Acosta Hernández 1 Daniel Barráez Guzmán 2 Resumen En este trabajo se comparan los procesos inflacionarios en las principales ciudades de Venezuela mediante un modelo de factor dinámico de Stock y Watson. El modelo estima con métodos bayesianos dos componentes para cada serie de inflación, un factor dinámico que explica el comportamiento común presente en todos los procesos inflacionarios, y otro que captura el comportamiento idiosincrático de cada proceso. Los resultados obtenidos con esta metodología señalan que los procesos inflacionarios de las principales ciudades son muy similares entre sí, el factor dinámico es el determinante del comportamiento de las series de inflación. Estos resultados son cónsonos con la teoría económica.Palabras clave: inflación, modelo de factor dinámico, estimación bayesiana.
Código JEL: E31, C11, C32
Abstract
In this paper we compare the inflation processes in the major cities of Venezuela by a dynamic factor model of Stock and Watson. The model estimates with bayesian methods two components for each inflation series, a dynamic factor that explains the common behavior present in all inflationary processes, and one that captures the idiosyncratic behavior of each process. The results obtained with this methodology show that the inflationary processes in major cities are very similar, the dynamic factor is the determinant of inflation series. These results are consistent with economic theory. Key Words: inflation, dynamic factor model, bayesian estimation. JEL code: E31, C11, C32 1
Licenciado en Matemáticas de la Universidad de Carabobo, Estadístico del Dpto. de Modelos Económicos del Banco Central de Venezuela. Correo electrónico: aliacost@bcv.org.ve.
2
Doctor y Licenciado en Matemáticas de la Universidad Central de Venezuela, con Postdoctorado en la Université de Paris Sud, Francia. Profesor del Postgrado en Matemáticas y del Postgrado en Modelos Aleatorios de la Universidad Central de Venezuela. Jefe del Dpto. de Modelos Económicos del Banco Central de Venezuela. Correo electrónico: dbarraez@bcv.org.ve.
Las opiniones expresadas en este trabajo son responsabilidad exclusiva de los autores y no comprometen al Banco Central de Venezuela. Los autores agradecen los comentarios de Zany Fermín y Omar Mendoza, por supuesto, todos los errores y omisiones son nuestros.
1. Introducción
Desde hace cierto tiempo se ha evidenciado interés en conocer la evolución temporal de los precios en las principales ciudades de Venezuela. El Banco Central de Venezuela construye el Índice de Precios al Consumidor (IPC) de frecuencia mensual en el Área metropolitana de Caracas (AMC) desde 1950 y en las ciudades de Barcelona, Puerto la Cruz, Ciudad Guayana, Maracaibo, Mérida y Valencia en el periodo 1960‐1992, retomando la medición en la ciudad de Maracaibo desde el año 2005 hasta la fecha. Paralelamente el Instituto Nacional de Estadísticas, INE, elaboró índices de precios para un conjunto de ciudades3 en el periodo 1990‐2000, sin embargo estos no se integraban para construir un indicador nacional de precios. Es a partir del convenio INE‐BCV que desde diciembre del año 2007 se comienza a elaborar un Índice Nacional de Precios al Consumidor, INPC.
Un aspecto clave en el estudio de la evolución temporal de los precios es la evolución de sus variaciones, la dinámica de la inflación. ¿Son significativamente diferentes los procesos inflacionarios en los distintos dominios de medición? ¿Es mayor la inflación en Caracas que en el resto del país? La respuesta a la primera interrogante tiene implicaciones en la elaboración de la política económica para contener la inflación. Si la respuesta es afirmativa, las políticas de carácter regional podrían ocupar un espacio importante. Además, se reforzaría el interés en continuar el registro del IPC en las diferentes ciudades, e incluso, extender su registro a otros dominios. Por el contrario, si la respuesta es negativa, la política fiscal, monetaria, cambiaría, de intercambio comercial y de expansión de la oferta, se plantearían como herramientas naturales para contener la inflación.
El objetivo de este trabajo es comparar los procesos inflacionarios en las principales ciudades del país cuantificando el grado de similitud entre estos procesos. Para esto se empleará un modelo de factor dinámico propuesto por Stock y Watson (1991). En la estructura de factores dinámicos, un conjunto de series temporales es representado como la suma de dos componentes inobservables, el factor dinámico que explica el comportamiento común presente en todas las series, y el componente idiosincrásico, que captura el comportamiento propio de cada proceso. Desde los trabajos pioneros de Sargent (1977) y Geweke (1977) en macroeconomía, se ha desarrollado una importante literatura en torno a estos modelos. Forni (1998) utiliza modelos de factores dinámicos para analizar el comportamiento macroeconómico de un conjunto de datos desagregados. Estos modelos también han sido empleados en teoría de consumo y política financiera y monetaria, Bernanke y Boiven (2003), Favero y Marcellino (2001). Especial esfuerzo se ha realizado para la estimación y predicción del núcleo inflacionario, Kapetanios, G. (2004), Forni (2005), Cogley y Sargent (2005). Stock y Watson (1991) plantearon un modelo para el cálculo de un indicador coincidente de actividad económica que estimaron por máxima verosimilitud. En este trabajo emplearemos las técnicas de simulación bayesiana
3 Área Metropolitana de Caracas, Barquisimeto, Calabozo, Ciudad Bolívar, Ciudad Guayana, Maracaibo, Maracay, San Cristóbal y Valencia.
planteadas por Kim y Nelson (1998) para estimar el modelo. Los métodos bayesianos presentan varios atractivos, evitan las dificultades inherentes a maximizar numéricamente la función de verosimilitud con las restricciones sobre los parámetros que impone la teoría económica. El uso de las densidades a priori, además de incorporar información no contenida en la muestra en el proceso de estimación, permite trabajar con tamaños de muestra menores a los requeridos por los métodos frecuentistas, que es de particular interés en nuestro caso. Además, la estimación bayesiana proporciona de manera natural, la densidad a posteriori de los parámetros del modelo.
Los principales resultados de este trabajo son los siguientes. En primer lugar, la evidencia empírica señala que los procesos inflacionarios de las ciudades consideradas son muy similares. En términos más precisos, las escalas de los procesos inflacionarios en los diferentes dominios no difieren significativamente entre sí, como tampoco las magnitudes de los choques a que están expuestos. Se calculó el porcentaje de las variaciones de los precios que son explicadas por el componente común, encontrándose que varían en el intervalo (71%; 91%), lo que permite concluir que el factor común es el determinante de la inflación en los diferentes dominios. A partir del componente común de la inflación se construyó otro componente común para los niveles de precios y se comparó con el INPC, obteniéndose resultados muy similares. Esta comparación aporta una validación adicional al cálculo de este índice nacional. Estos resultados son consistentes con la teoría económica, recogida en la literatura del área monetaria óptima (Mundell R. (1961), Mongelli F. (2002), McKinnon R. (1963)). Un área geográfica con una política fiscal, monetaria y cambiaria común, con perfecta movilidad de los factores de producción y que comparte similares rigideces en precios y salarios, la inflación debe tener un comportamiento similar.
El trabajo está estructurado de la manera siguiente. En la segunda sección se presenta el modelo de Stock y Watson y la técnica de estimación. En la tercera sección, se describen los datos disponibles para estimar el modelo y se analizan los resultados obtenidos. Finalmente, las conclusiones.
2. El Modelo de Factores Dinámicos
Se dispone de un conjunto de Índices de Precios al Consumidor P1,P2,K,Pn
medidos en n diferentes dominios, sus respectivos incrementos logarítmicos se denotan mediante Π1,Π2,K,Πn, i.e., Πi,t =100(ln(Pi,t)−ln(Pi,t−1)). El objetivo es descomponer cada
uno de los procesos inflacionarios como la suma de dos componentes, un componente común a todos los procesos y otro idiosincrático, de modo que esta descomposición permita calcular cuánto del comportamiento de cada proceso inflacionario se debe a cada uno de estos. La descomposición se efectuará mediante el modelo de factores dinámicos de Stock y Watson (1991). Πi,t =Di+γiΔCt +ei,t, i=1,2,K,n, (1) (ΔCt −δ)=φ1(ΔCt−1 −δ)+φ2(ΔCt−2 −δ)+wt, wt ~i.i.d.N(0,σw2), (2) ei,t =ψi,1ei,t−1 +ψi,2ei,t−2 +εi,t, εi,t ~i.i.d.N(0,σi2), i =1,2,K,n, (3)
con ΔCt el componente común de media δ presente en los diferentes procesos
inflacionarios, γi, i=1,2,K,n, los factores de escalas que ajustan el componente común a
la respectiva inflación, σw2 =1 se fija para normalizar el componente común. Los supuestos
del modelo son que las raíces de (1−φ1L−φ2L2)=0 se encuentran fuera del circulo
unitario, al igual que las raíces de ψi(L)=(1−ψi,1L−ψi,2L2)=0, i=1,2,K,n, y que los
choques son serialmente independientes. El componente idiosincrático está representado por Di+ei,t, la suma de una constante y un proceso autoregresivo centrado de orden 2.
Para evitar el problema de identificación simultánea de los parámetros δ y Di se
consideran las ecuaciones (1) y (2) en desviaciones de sus medias, πi,t =γiΔct +ei,t, i=1,2,K,n (4) Δct =φ1Δct−1 +φ2Δct−2 +wt, wt ~i.i.d.N(0,1), (5) eit = i eit i eit it, it i.i.d.N(0, i2), i =1,2, ,n , , 2 , ,2 1 , ,1 , ψ − +ψ − +ε ε ~ σ K , (6) donde πi,t =Πi,t−Πi y Δc =t ΔCt −δ .
Transformando ambos miembros de la igualdad 4 mediante el operador ψi(L) se tiene,
πi,t =ψi(L)πi,t
∗
=γiψi(L)Δct +ψi(L)ei,t
=γiΔct−γiψi,1Δct−1−γiψi,2Δct−2+εi,t, (7) la primera igualdad define πi,∗t y la última se obtiene transformando la igualdad 6 por el
operador ψi(L). Los parámetros del modelo de factores dinámicos se estiman haciendo uso de la siguiente representación de espacio de estados, πt∗ =Hβt +et, βt =Fβt−1+vt, con, = , = , ,2 ,1 2,2 2 2,1 2 2 1,2 1 1,1 1 1 , 2, 1, ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ ∗ ∗ ∗ ∗ n n n n n t n t t t H ψ γ ψ γ γ ψ γ ψ γ γ ψ γ ψ γ γ π π π π M M M M , 0 0 0 0 0 0 = ) ( , = , = 2 2 2 2 1 , 2, 1, 2 1 ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ Δ Δ Δ ′ − − n t t t n t t t t t t t e E ee R c c c σ σ σ ε ε ε β K M O M M K K M . 0 0 0 0 0 0 0 0 1 = ) ( , 0 0 = , 0 1 0 0 0 1 0 = 2 1 ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ = ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ ′ Q v v E w v F t t t t φ φ
La estimación se efectuará mediante métodos bayesianos. Sea Θ el vector de todos los híper‐parámetros, H , F y R, de la representación de espacio de estados
anterior. Θse supone una variable aleatoria con una densidad a priori p(Θ), y el objeto de la estimación es la densidad a posteriori p(Θ|Y), que se calcula a partir de la verosimilitud L(Y|Θ) de la data Y , mediante la fórmula de Bayes,
) ( ) | ( ) ( = ) | ( Y p Y L p Y p Θ Θ × Θ . La densidad a posteriori conjunta del vector de los parámetros Θ=(θ1,K,θk) se estimará
generando un número arbitrario de simulaciones (Θ K1, ,ΘM) mediante el algoritmo de
Gibbs. Este algoritmo funciona de la manera siguiente. Suponga que se sabe simular todas las densidades a posteriori marginales p(θi|θj≠i), i 1,2,...,= k, las simulaciones de p(Θ|Y)
se construyen mediante el siguiente proceso iterativo, dado un vector de parámetros inicial arbitrario =( , 20, , 0) 0 1 0 k θ θ θ K Θ . 1. Simular 1 1 θ a partir de ( | , 30, , 0) 0 2 1 k pθ θ θ Kθ . 2. Simular 1 2 θ a partir de ( | , 30, , 0) 1 1 2 k pθ θ θ K θ . 3. Simular 1 3 θ a partir de ( | , 21, , 0) 1 1 3 k p θ θ θ Kθ . M k. Simular 1 k θ a partir de ( | , , , 1 1). 1 2 1 1 k− k pθ θ θ Kθ Se construye de esta manera la primera simulación =( 11, , 1) 1 k θ θ K Θ , repitiendo este procedimiento M veces se obtiene las simulaciones (Θ K1, ,ΘM), de la cual se puede hacer inferencia sobre los parámetros θi. En el Apéndice se muestra el algoritmo con más
detalle.
3. Datos y análisis de los resultados
Se estimaron dos modelos de factores dinámicos, el primero, considera solo los dominios Área Metropolitana de Caracas (AMC) y Maracaibo por contener estas series un mayor número de datos mensuales del IPC, que abarcan el período diciembre de 2005 ‐ junio de 2010. El segundo considera el IPC mensual desde diciembre 2007 hasta junio 2010 de los dominios AMC, Maracay, Puerto La Cruz‐Barcelona, Valencia, Barquisimeto, Maracaibo, Maturín y Resto, este último integra mediciones del IPC de diferentes localidades geográficas del país que no se recogen en los dominios anteriores. Estos dominios se identifican con los índices i=1,2,K,8, respectivamente. Para cada uno de los modelos se generaron 15000 simulaciones de la densidad a posteriori, se descartaron las primeras 2000 para asegurar la convergencia del algoritmo. En el Apéndice se muestran las simulaciones de cada uno de los parámetros para el modelo de AMC y Maracaibo. En la tabla 1 se presentan las densidades a priori y a posteriori de los parámetros del modelo y sus respectivos percentiles.
Antes de analizar las estimaciones efectuadas, es importante señalar los parámetros relevantes del modelo para efectos de comparación de ambos procesos inflacionarios.
Tabla 1. Distribuciones Bayesianas a priori y posteriori, caso: AMC y Maracaibo
Priori Posteriori
Parámetro Media D.std Media Mediana D.std Bandas 95% γ1 0 1 0,229 0,220 0,043 (0,143;0,314) 2 γ 0 1 0,243 0,235 0,046 (0,153;0,334) 1 φ 0 1 0,651 0,654 0,082 (0,490;0,812) 2 φ 0 1 ‐0,266 ‐0,272 0,083 (‐0,428;‐0,103) 1,1 ψ 0 1 ‐0,162 ‐0,143 0,168 (‐0,493;0,167) 1,2 ψ 0 1 ‐0,056 ‐0,064 0,127 (‐0,306;0,193) 2,1 ψ 0 1 0,067 0,076 0,124 (‐0,177;0,311) 2,2 ψ 0 1 ‐0,221 ‐0,218 0,130 (‐0,477;0,034) 2 1 σ ‐ ‐ 0,030 0,017 0,031 (0,005;0,11) 2 2 σ ‐ ‐ 0,032 0,018 0,036 (0,004;0,1267) Nota: En este caso los índices i=1,2 representan los dominios AMC y Maracaibo respectivamente.
En primer lugar, los coeficientes γ1 y γ2 son los parámetros cruciales de esta
comparación, estos ajustan el factor común a la escala de su respectiva inflación, es decir, una diferencia significativa entre estos coeficientes implicaría que los procesos inflacionarios tienen escalas diferentes. Por otra parte, las desviaciones estándares de los componentes idiosincráticos miden la magnitud de los choques a que están expuestos ambos procesos inflacionarios. Debido a que γ1 y γ2 son muy similares, se puede afirmar
que no hay diferencias significativas en la magnitud de las inflaciones en el AMC y Maracaibo,. Tampoco difieren ambas inflaciones en el tamaño de los choques a que están expuestas porque 2 1 σ y 2 2 σ son prácticamente iguales. También es importante señalar los valores estimados para los parámetros Di de la ecuación (1), cuyos valores estimados son
0,008 y −0.020 para el AMC y Maracaibo respectivamente, lo cual indica que tampoco existe diferencia significativa entre la media de las inflaciones y la media del componente común.
Una vez estimado el componente común ΔCt, se calcula el porcentaje de las
variaciones de la inflación que es explicada por este componente, mediante el coeficiente de determinación R2 que se obtiene al regresar la inflación contra el factor común
(Πi,t =αiΔCt). En el caso del AMC, el factor común estimado explica el 91,83% y en el caso de Maracaibo explica el 91,44% de la inflación y sus respectivos coeficientes de regresión son α1 =0,2452 y α2 =0,2381. En la figura 1 se observa los procesos inflacionarios del AMC y Maracaibo y el factor común estimado.
Figura 1. Procesos Inflacionarios de AMC y Maracaibo, y Componente Común.
En el segundo modelo, se extendió el estudio a todos los dominios del IPC señalados anteriormente. En la tabla 2, se presentan las distribuciones a priori y a posteriori estimadas para los parámetros del modelo. En la tabla 3, se observa el porcentaje del comportamiento de la inflación que es explicado por medio del componente común, y las estimaciones de los coeficientes de regresión y Di.
En la tabla 2 se observa que, de manera análoga al caso anterior, los factores γi y
las desviaciones estándares de los componentes idiosincrásicos σi no son
significativamente diferentes. La tabla 3 muestra que los valores de los parámetros Di son
muy cercanos a cero. Podemos concluir que los procesos inflacionarios tienen un comportamiento muy similar durante período de estudio. Además, el factor común explica muy bien el comportamiento de la inflación en cada uno de los dominios, los porcentajes de ajusten varían en el rango (71% ‐ 91%).
Vistos los resultados anteriores entorno al componente común ΔCt y variaciones
de los precios de cada uno de los dominios, es natural preguntarse ¿Son los niveles Ct
informativos acerca de los niveles de precio? Una forma de responder esta pregunta es comparar el nivel del factor común Ct y el Índice nacional de precios al consumidor
(INPC). Los niveles Ct pueden ser construidos a partir de sus variaciones, ΔCt, dado un
valor inicial C1, por medio de la ecuación Ct =Ct−1exp{ΔCt /100}. La figura 2 muestra que, a pesar de ser construidos utilizando metodologías diferentes, los niveles Ct son muy
similares. El modelo de factores dinámicos provee una metodología alternativa para la construcción del INPC y al mismo tiempo, es también una forma de validar el cálculo del INPC efectuado por el BCV.
Tabla 2. Distribuciones Bayesianas a priori y posteriori
Priori Posteriori
Parámetro Media D.std Media Mediana D.std I.C 95% γ1 0 1 0,537 0,529 0,063 (0,413; 0,660) 2 γ 0 1 0,529 0,525 0,071 (0,390; 0,669) 3 γ 0 1 0,549 0,540 0,070 (0,411; 0,688) 4 γ 0 1 0,542 0,534 0,064 (0,415; 0,668) 5 γ 0 1 0,538 0,530 0,066 (0,407; 0,669) 6 γ 0 1 0,542 0,535 0,063 (0,418; 0,667) 7 γ 0 1 0,526 0,519 0,063 (0,401; 0,651) 8 γ 0 1 0,548 0,541 0,072 (0,406; 0,691) 1 φ 0 1 0,893 0,894 0,146 ( 0,606; 1,180) 2 φ 0 1 0,039 0,038 0,149 (‐0,253; 0,332) 1,1 ψ 0 1 ‐0,304 ‐0,305 0,189 (‐0,676; 0,067) 1,2 ψ 0 1 ‐0,102 ‐0,101 0,195 (‐0,484; 0,279) 2,1 ψ 0 1 0,005 ‐0,008 0,240 (‐0,465; 0,475) 2,2 ψ 0 1 ‐0,131 ‐0,154 0,2504 (‐0,622; 0,359) 3,1 ψ 0 1 ‐0,097 ‐0,107 0,2787 (‐0,643; 0,448) 3,2 ψ 0 1 0,0118 ‐0,001 0,2726 (‐0,522; 0,546) 4,1 ψ 0 1 ‐0,071 ‐0,067 0,2393 (‐0,540; 0,398) 4,2 ψ 0 1 ‐0,085 ‐0,083 0,2333 (‐0,542; 0,371) 5,1 ψ 0 1 0,217 0,215 0,2416 (‐0,255; 0,691) 5,2 ψ 0 1 0,246 0,255 0,2354 (‐0,215; 0,707) 6,1 ψ 0 1 ‐0,034 ‐0,034 0,1348 (‐0,298; 0,229) 6,2 ψ 0 1 ‐0,424 ‐0,426 0,1278 (‐0,675; ‐0,174) 7,1 ψ 0 1 0,384 0,380 0,2098 (‐0,026; 0,795) 7,2 ψ 0 1 ‐0,320 ‐0,323 0,1987 (‐0,709; 0,069) 8,1 ψ 0 1 0,154 0,161 0,2784 (‐0,390; 0,700) 8,2 ψ 0 1 0,255 0,266 0,2917 (‐0,316; 0,827) 1 σ ‐ ‐ 0,257 0,249 0,0230 (0,211; 0,303) 2 σ ‐ ‐ 0,271 0,261 0,0279 (0,215; 0,327) 3 σ ‐ ‐ 0,299 0,289 0,0330 (0,233; 0,365) 4 σ ‐ ‐ 0,295 0,285 0,0313 (0,232; 0,358) 5 σ ‐ ‐ 0,304 0,294 0,0342 (0,236; 0,373) 6 σ ‐ ‐ 0,212 0,205 0,0161 (0,180; 0,244) 7 σ ‐ ‐ 0,266 0,257 0,0268 (0,213; 0,320) 8 σ ‐ ‐ 0,323 0,312 0,0398 (0,243; 0,403)
Tabla 3. Porcentaje de ajuste, estimación de γi por Mínimos Cuadrados y estimación de i
D para cada uno de los dominios
Dominio AMC Maracay Pt.la Cruz‐ Barcelona
Valencia Ajuste 78,76% 73,45% 90,10% 89,45% αi 0,541 0,529 0,530 0,535
Di 0,011 0,044 ‐0,026 ‐0,005
Dominio Barquisimeto Maracaibo Maturín Resto Ajuste % 89,48% 77,50% 71,71% 91,91%
αi 0,532 0,532 0,532 0,518
Di ‐0,005 ‐0,038 0,034 ‐0,034
Es importante destacar antes de concluir que, el modelo de factores dinámicos provee también una herramienta natural para efectuar pronósticos de la inflación y los niveles de precios, en los diferentes dominios y a nivel nacional. Con la ecuación (2) se pueden realizar predicciones del componente común que al combinarlas con la ecuación (3), se obtienen predicciones de las variaciones de los precios y sus niveles en los diferente dominios. De manera análoga se procede para proyectar el INPC.
Figura 2. Índice Nacional de Precios al Consumidor y Nivel Construido a Partir de Componente Común
4. Conclusiones
En el presente trabajo se efectuaron comparaciones entre los procesos inflacionarios de AMC, Maracay, Puerto La Cruz‐Barcelona, Valencia, Barquisimeto, Maracaibo, Maturín, y el dominio llamado Resto, por medio de un modelo de factores dinámicos estimado de por métodos bayesianos. Los resultados encontrados permiten concluir que los procesos inflacionarios señalados no tienen diferencias significativas en cuanto a su escala ni en cuanto a la magnitud de los choques a que están expuestos. El factor común explica la mayor parte del comportamiento de las variaciones de los precios de cada uno de los dominios considerados; es decir, el componente idiosincrático no es determinante de la inflación. Estos resultados son cónsonos con la teoría área monetaria óptima. Por otra parte, si bien los esfuerzos por obtener información de precios para determinadas áreas es relevante para la toma de decisiones en materia regional y estos indicadores pudiesen diferir en el muy corto plazo para un período en particular, en el mediano y largo plazo los indicadores de precios contienen información muy similar.
El Modelo de Factores dinámicos permite validar el cálculo del INPC por el BCV y provee de una metodología alternativa para su cálculo. Además, el modelo proporciona una herramienta natural de predicción de las variaciones de los precios y sus niveles, tanto en los diferentes dominios de medición como a nivel nacional.
5. Referencias Bibliográficas
Bernanke, B.S., Boivin, J. (2003). “Monetary policy in a data‐rich environment”. Journal of Monetary Economics, 50, 525‐546.
Cogley, T. and Sargent, T.J. (2005). “Drifts and volatilities: monetary policies and outcomes in the post WWII US”. Review of Economic Dynamics, vol. 8, Elsevier.
Cristadoro, R. and Forni, M. and Reichlin, L. and Veronese, G. (2005). “A Core Inflation Indicator for the Euro Area”. Journal of Money, Credit & Banking, vol. 37. Ohio State University Press.
Favero, C.A., Marcellino, M. (2001). “Large datasets, small models and monetary policy in Europe”. Discussion Paper 3098, Centre for Economic Policy Research.
Forni, M., Reichlin, L. (1998). “Let's get real: a factor‐analytic approach to disaggregated business cycle dynamics”. Review of Economic Studies, 65, 453‐473.
Geweke, J. (1977). “The dynamic factor analysis of economic time series”. In: Aigner, D.J., Goldberger, A.S. (editors), Latent Variables in Socio‐ Economic Models. Amsterdam: North‐Holland, chapter 19, pp. 365‐383.18
Kapetanios, G. (2004). “A note on modelling core inflation for the UK using a new dynamic factor estimation method and a large disaggregated price index dataset”. Economics Letters, vol. 85. Elsevier.
Kim, Chang‐Jin, and Charles R. Nelson. (1999). “State‐Space Models with Regime Swiching”. Massachusetts Institute of Technology. Cambridge MIT Press.
Coincident Index, ans Test of Duration Dependence Based on a Dynamic Factor Model with Regime Swiching”. Forthcoming, Review of Economics and Economic Statistics.
Mongelli F. (2002). “New Views on the Optimum Currency Area Theory: What is EMU Telling US?”. European Central Bank
Mundell R. (1961). “A Theory of Optimum Currency Areas”. The American Economic Review, Vol. 51. American Economic Association
Sargent, T.J., Sims, C.A. (1977). “Business cycle modeling without pretending to have too much a priori economic theory”. In: Sims, C.A. (editor), New Methods in Business Research. Minneapolis: Federal Reserve Bank of Minneapolis.
Stock, James H., and Mark W. Watson. (1991). “A Probability Model of the Coincident Economic Indicators”. In Leading Economics Indicators: New Approaches and Forecasting Records, ed. K. Lahiri and G. H. Moore. Cambridge University Press, 63‐89.
6. APÉNDICE
Gibbs Sampling. Estimación del componente común y de los Hiperparámetros
Sea β~T la matriz de estados, definida por βT =
[
β1 β2 K βT]
~
. En nuestro caso, Dado valores iniciales arbitrarios para los híper‐parámetros el procedimiento es el siguiente:
1. Condicionado sobre los hiperparámetros del modelo y la data observada, generar βT
~ .
2. Condicionado sobre βT ~
y la data observada, generar los hiperparámetros del modelo. Generación de β~T Se desea generar βT ~ de la distribución conjunta dada por: (~ |~ )= ( |~ ) ( | 1,~ ), 1 1 = ∗ + − ∗ ∗
∏
t t t T t T T T T p p p β π β π β β πdonde π~t∗=[π~1∗ π~2∗ K π~t∗]′ y β~t =[β1 β2 K βt]′. De modo que βT
~ puede obtenerse generando primero βT a partir de ( |~ ) ∗ T T p β π , y luego para t=T− T1, −2,K,2,1, generar βt a partir de ( | 1,~ ) ∗ + t t t p β β π , dado el valor generado de βt+1.
Debido a que el modelo espacio estado en (4) y (5) es lineal y Gaussiano, la distribución de βT dado π~T y la de βt dados βt+1 y π~t también lo será:
βT |π~T∗ ~N(βT|T,PT|T), | ,~ ( , ), = 1, ,2,1, 1 , | 1 , | 1 + + − K ∗ + t N tt t PTT t t T t t β π β β β β ~ donde βT|T =E(βT|π~T∗), PT|T =Cov(βT |π~T∗), = ( | ,~ ), = ( | 1,~ ). 1 , | 1 1 , | ∗ + + ∗ + + t t tt t t t t t t t E β β π P Cov β β π β β β
Por medio del método de Kalman se pueden obtener tanto βT |T y PT|T como βt|t,βt+1 y 1
,
|t t+
t
P β , t=T−1,K,2,1. En la última iteración del método de Kalman las ecuaciones de actualización proporcionan βT |T y PT|T, luego se puede generar βT a partir de la ecuación
(16).
Una vez generado βT se necesita generar βt, t=T−1,K,2,1, por medio de la
ecuación (17) tomando en cuenta que: = | | ( | ) 1( 1 |), 1 , |t t tt tt tt t tt t β P F FP F Q β Fβ β β+ + ′ ′+ − + − Ptt t Ptt PttF FPttF Q FPt|t 1 | | | 1 , | = ( ) − + − ′ ′+ β Generación de los Hiperparámetros
A continuación se considerará la siguiente notación: , ] [ = ~ 2 1 Δ Δ ′ Δ ΔcT c c K cT ] [ = ~ 2 1 φ φ φ , ] ~ ~ [ = ~ 2 1 ψ ′ ψ ψ con ψ~i =[ψi,1 ψi,2], ,i=1,K,n , ] [ = ~ 2 2 2 2 2 1 2 σ σ σ ′ σ K , ] [ = ~ 2 1 γ γn ′ γ γ K n i T i i i T i =[ ], =1, , ~ , ,2 ,1 , π π K π ′ K π Generación del hiperparámetro φ~, condicional a Δc~T Considere la ecuación (5), escrita de manera matricial se tiene: Δ~c = Xφ~+W, W ~ N(0,I)
Se supone una distribución a priori normal dada por 0, 0) [ ( )]
~ ( ~ φ φ φ φ ~N Σ I s , con 0 ~ φ y Σφ,0
conocidos, y I[s(φ)] es una función que denota que las raíces de φ(L)=0 están fuera del circulo unitario. Entonces la distribución a posteriori a partir de la cual se genera φ~ está dada por: ~| ~ (~1, 1) [ (φ)], φ φ φ ΔcT ~ N Σ I s donde φ~1=((Σ0φ)−1+X′X)−1((Σφ0)−1φ~0+X′Δc~), Σ1φ =((Σφ0)−1+X′X)−1,
el valor generado de φ~ se utiliza si las raíces de φ(L)=0 están fuera del circulo unitario, de lo contrario, se debe simular el valor nuevamente.
Para la generación de γi, ψ~i y 2 i
σ condicional a Δc~T y π~i,T se asumirán las
siguientes distribuciones a priori: N i i n i i i i | , ( 0, 0 ), =1,2, , 2 K γ γ σ φ γ ~ Σ N I s i n i i i i i | , (~ , ) , =1,2, , ~ )] ( [ ~ 0 0 2 K ψ ψ ψ σ γ ψ ~ Σ IG i fi i n i i i ), =1,2, , 2 , 2 ( , | 2 K ν ψ γ σ ~ donde γi0, i γ 0 Σ , ψ~i0, i ψ~ 0 Σ , νi y fi, son conocidos. Generación de γi dado ψ~i, 2 i σ , Δc~T y π~i,T Considere la ecuación (7), tomando factor común γi, se tiene: π~i,t =γiΔct +εi,t, εi,t ~i.i.d.N(0,σi2), ∗ ∗ donde = ,1 −1 ,2 −2 ∗ Δ − Δ − Δ Δct ct ψi ct ψi ct , de manera matricial se tiene: ~ = ~ , (0, 2), 2 − ∗ ∗ Δ + T i i i i i c γ ε ε N σ I π ~ entonces, la distribución a posteriori para γi esta dada por: | ~ , , ~ ,~, ( 1, 1 ) 2 i i T i T i i i c N γ γ π σ ψ γ Δ ~ Σ
donde 1=((Σ0 )−1+ −2Δ~∗′Δ~∗)−1((Σ0i)−1 i0+ i−2Δ~∗′~i∗), i i i σ c c γ σ c π γ γ γ Σ1γi =((Σ0γi)−1+σi−2Δc~∗′Δc~∗)−1. Generación de ψ~i dado γi, 2 i σ , Δc~T y π~i,T Considere la ecuación (6): ei,t =ψi,1ei,t−1 +ψi,2ei,t−2 +εi,t, εi,t ~i.i.d.N(0,σi2),
en notación matricial se tiene: e~i =Eiψ~i+εi. De la ecuación (4) ei,t =πi,t −γiΔct. Entonces
la distribución a posteriori para ψ~i esta dada por: ψ~ |γ ,σ2, ~c ,π~, N(ψ~1, ψ1~i)I[s(ψ)], i T i T i i i Δ ~ Σ donde ~ =(( ) ) (( ) ~ 2 ~), 0 1 ~ 0 1 2 1 ~ 0 1 i i i i i i i i i i E E E′e − − − ′ − − + Σ + Σ σ ψ σ ψ ψ ψ =(( 0~ ) 1 2 ) 1, ~ 1 − ′ − − + Σ Σψi ψi σi EiEi
La función I[s(ψ)] denota que el valor simulado de ψ~i es aceptado si las raíces de 0 = ) (L ψ están fuera de circulo unitario. Por último considerando la ecuación (6) se puede generar 2 i σ condicional a ψi, γi, T c~ Δ y π~T a partir de la siguiente distribución a posteriori: . 2 ) ~ ( ) ~ ( , 2 2 ~ , ~ , , | 2 ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ i + − i + i − i i ′ i − i i T T i i i E e E e f T IG C π ν ψ ψ γ ψ σ ~ Estimación de δ Para la estimación de δ se debe utiliza la siguiente representación Espacio‐Estado: t t Hβ π′ = ′ ′, t t t′=F′β′−1+v′ β , con, = ′ t π ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ t n t t , 2, 1, π π π M ; H′= , 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 2 1 ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ K M M O M M M M M K K n γ γ γ
= ′ t β ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ Δ Δ − − − − 1 , , 1 2, 2, 1 1, 1, 1 t n t n t t t t t t e e e e e e c c M ; F′= ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 ,2 ,1 1,2 1,1 2 1 K K O M M M M K K K K n n ψ ψ ψ ψ φ φ ; v′=t . 0 0 0 0 , 1, 1, ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ t n t t t w ε ε ε M En cada iteración del Gibbs Sampling, luego de la generación de los parámetros, se debe aplicar el filtro de Kalman al modelo anterior condicionado a los parámetros generados en esa iteración. La estimación de δ se obtiene a partir de la siguiente expresión: = 1( −( − ′) ′) 1 Π, − ′ I I KH F K E p p δ (7)
donde E1′=[1 0 0 K 0], Π=[Π1 Π2 K Πn], p es la dimensión del vector de
estados del modelo y K es la ganancia de Kalman en la última iteración del método. Histogramas de Valores Simulados de los Parámetros del modelo AMC y Maracaibo