1

Transmisión de choques macroeconómicos en Venezuela: Un enfoque estructural del modelo factorial*

Luis Arturo Bárcenas§, Ana María Chirinos‡, Carolina Pagliacci&

Versión preliminar: Septiembre 2011

Resumen

Este trabajo identifica y analiza los choques estructurales fundamentales que explican las fluctuaciones de corto plazo de la economía venezolana en su historia reciente. Para ello, se realiza la estimación de un modelo aproximado de factores dinámicos (GDFM), el cual sirve de base para capturar el efecto de los choques de política monetaria, política fiscal y choque petrolero sobre el componente común de un panel de 116 variables macroeconómicas. Estos choques estructurales son identificados a través de la técnica de restricciones de signo desarrollada recientemente en la literatura. Los principales resultados indican que un choque de política monetaria no es efectivo para modificar la actividad económica, mientras que un choque expansivo de política fiscal financiado con endeudamiento interno, logra incrementar el consumo privado y la construcción, pero sin afectar la producción agregada de la economía. Finalmente, un choque petrolero expansivo se comporta de forma idéntica a un choque de oferta, y tiene efectos importantes sobre los agregados monetarios, las tasas de interés y el crédito real. Clasificación JEL: E60, C32, C19. Palabras claves: modelo factorial dinámico, componentes principales, choques macroeconómicos. * Las opiniones expuestas en este trabajo son exclusiva responsabilidad de los autores y no comprometen la visión que puedan tener el Banco Central de Venezuela o sus Directores al respecto. § Analista económico del Departamento de Análisis Económico del Banco Central de Venezuela, lbarcena@bcv.org.ve ‡ Analista económico de la Oficina de Investigaciones Económicas del Banco Central de Venezuela y Profesor de la Universidad Católica Andrés Bello, achirino@bcv.org.ve & Investigador senior de la Oficina de Investigaciones Económicas del Banco Central de Venezuela, cpagliacci @bcv.org.ve

2

1. Introducción

Las fluctuaciones cíclicas de las economías típicamente se entienden como el resultado de la ocurrencia de diversos tipos de choques macroeconómicos, los cuales pueden solaparse en el tiempo. La importancia de entender las características y los efectos de los diversos choques se encuentra, no meramente en la identificación o clasificación de los mismos, sino en el diseño adecuado de las diversas políticas macroeconómicas que permitan a la economía transitar por estos choques con la mínima pérdida de bienestar posible. Usualmente, el estudio de los choques macroeconómicos se ha desarrollado en el contexto de los modelos dinámicos estocásticos de equilibrio general (DSGE) o en el de los vectores autorregresivos estructurales (SVAR). Si bien los primeros permiten realizar un análisis del impacto de los choques sobre todos los mercados de la economía, en los segundos, las conclusiones más empíricas tienen, por lo general, un alcance mucho más limitado en términos de los sectores involucrados. En vista de la importancia que tiene la caracterización y comprensión de los efectos de los diversos choques sobre la totalidad de los mercados o sectores de la economía, este trabajo plantea el uso de técnicas econométricas recientes para llevar a cabo esta tarea en el caso venezolano. Para ello, se estima un modelo aproximado de factores dinámicos (GDFM), el cual permite analizar el impacto de unos pocos choques estructurales o fundamentales sobre el componente común de un panel de 116 variables macroeconómicas. Estos choques estructurales son además identificados a través de la técnica de restricciones de signo sobre las impulso-respuestas, lo que admite caracterizar cada choque de forma flexible, en el corto y en el largo plazo. Los choques de interés para este estudio son: el de política monetaria, el de política fiscal y el petrolero, los cuales son identificados de forma conjunta dentro del modelo. Del panel de las 116 variables, se presentan las impulso-respuestas de aquéllas de mayor interés en los diversos ámbitos de la economía (sector real, precios, monetario, fiscal y externo). De esta manera, en contraposición a la literatura empírica desarrollada para Venezuela, la cual se refiere en su mayoría a análisis parciales de la economía1, con la estimación de un sólo modelo, este estudio lleva a cabo un análisis de carácter más global. Justamente, la disponibilidad de los efectos de los choques para los diferentes ámbitos macroeconómicos es lo que permite conjeturar los mecanismos de transmisión de estos choques. El análisis se realiza para una muestra de datos mensual, entre enero de 2004 y diciembre de 2010. Además de los trabajos referidos a un sólo tipo de choque macroeconómico, existen dos trabajos que tienen una relación más directa con esta investigación. Uno, es el de Arreaza y Dorta (2004) que identifica cuatro choques macroeconómicos (externo, de oferta, de demanda agregada nominal y de demanda agregada real) en el contexto de un SVAR, pero utilizando el esquema de identificación de Blanchard y Quah (1989). El otro, es un modelo DSGE recientemente calibrado por Morales y Sáez (2011), el cual contempla también el estudio de choques monetarios, fiscales y petroleros, entre un conjunto de múltiples choques. En tanto que el primer trabajo tiene un alcance muy restringido en términos de los impactos de los choques y adolece de potenciales problemas de identificación, el segundo impone la estructura clásica de los modelos DSGE, la cual no siempre se ajusta a las peculiaridades de una economía como la venezolana2.

1 En la próxima sección se describen los principales resultados de este tipo de trabajos para Venezuela. 2 Sin embargo, algunos de los resultados de Morales y Sáez (2011) son similares a los reportados aquí.

3

Los principales resultados empíricos de este trabajo son los siguientes: a) un choque de política monetaria contractivo no es efectivo para modificar la actividad económica, aunque genera disminuciones sobre algunos precios de la economía, tal como se reporta recientemente en un estudio econométrico del canal de crédito desarrollado por Pagliacci, Chirinos y Barráez (2011). Sin embargo, este choque afecta los agregados monetarios más restringidos y las tasas de interés en forma débil, lo que tiene algún impacto sobre el endeudamiento público interno; b) un choque expansivo de política fiscal financiado con endeudamiento interno, logra incrementar el consumo privado y la actividad de la construcción, pero sin afectar la producción agregada de la economía. Adicionalmente, incrementa algunos precios sectoriales, y tienen impacto expansivo sobre los agregados monetarios y las importaciones; c) un choque petrolero expansivo se comporta de forma idéntica como un choque de oferta, por lo que permite elevar la producción de todos los sectores con una reducción generalizada de los precios. También, incrementa los agregados monetarios y el crédito real, y reduce las tasas de interés. Esta identificación del choque petrolero, al ser la más robusta a diferentes especificaciones, implica un cambio importante en la manera de caracterizar los booms petroleros, los cuales han sido típicamente entendidos como choques de demanda. Parte de la explicación a este hecho es que, para el período en estudio, no puede separarse el incremento de los precios del petróleo de la aplicación de una política expansiva de crecimiento promovida por el Ejecutivo Nacional a través de la administración del control de cambios vigente y la promoción de importaciones. De hecho, comparado con el resto de la historia venezolana, este período es el único en el que se observan paralelamente un extenso boom petrolero y la aplicación de un control de cambios. Finalmente, para ponderar la importancia de estos choques estructurales en la explicación de la variabilidad de las variables macroeconómicas, se muestra su descomposición entre el componente común y el componente idiosincrático. En general se observa que, los indicadores más agregados dependen mayoritariamente del co-movimiento de las variables, medido a partir de los factores. El trabajo se organiza de la siguiente manera: en la segunda sección, se describe la literatura empírica desarrollada para Venezuela que sirva de base para contextualizar los resultados de este trabajo. En la tercera sección, se describe el surgimiento del modelo factorial estructural en relación a la literatura econométrica internacional. Luego, se procede a la descripción del modelo estimación y se plantea el problema de identificación de los choques estructurales. En la sección quinta, se narran los elementos específicos de la estimación (datos y tests aplicados) y en el siguiente aparte, se define en forma específica la estrategia de identificación de los choques estructurales. En la sección séptima, se describen y discuten los resultados obtenidos, y finalmente se concluye en la sección octava.

2. Literatura empírica para Venezuela

Tal como se mencionó anteriormente, el estudio de los diversos choques macroeconómicos que dan origen a las mayores fluctuaciones de corto plazo se han llevado a cabo en el contexto de estudios parciales. En esta sección se hace referencia justamente a estos estudios, y a otros de carácter más teórico, que sirven de contexto para la discusión que se plantea en este trabajo.

4

En cuanto a la caracterización de los choques de política monetaria, a partir de un SVAR, Arreaza, Ayala y Fernández (2001), encuentran que, para el período 1989-2000, estos choques causan efectos positivos temporales sobre la producción real. La dificultad para llevar a cabo este estudio estribó en que, para el período de análisis, no existió un único instrumento de política monetaria que reflejara la intencionalidad de las autoridades, por lo que se utilizaron dos medidas alternativas. En un trabajo más reciente, Pagliacci, Chirinos y Barráez (2011) estudian el impacto de la política monetaria para el período 2004-2009. Si bien para estas fechas, sí existe un instrumento de política monetaria visible, la aplicación del control cambiario a las transacciones comerciales y financieras, y el poco dinamismo de la propia política, parecen combinarse para mermar la capacidad de la política monetaria para influenciar la producción y por ende, la inflación. En este último trabajo, la identificación del choque de política monetaria, y otros referentes al mercado de crédito, se realiza a partir de la imposición de restricciones de signo sobre las impulso-respuestas de un SVAR. En cuanto al ámbito de la política fiscal, Moreno y Shelton (2008) recurren a la estimación de un SVAR para evaluar el impacto de diversas variables fiscales durante 1976-1999. Utilizando la identificación de Blanchard y Perotti (2002), encuentran que un aumento del gasto público tiene efectos significativos sobre la actividad agregada real. También encuentran que en períodos posteriores a los booms petroleros, la efectividad del gasto es menor, y que políticas fiscales expansivas realizadas a través de transferencias al sector privado y público tampoco son demasiado efectivas. Anterior a este trabajo, Arreaza, Blanco y Dorta (2003) evalúan el impacto de un choque fiscal expansivo, pero en el contexto de un modelo de pequeña escala. Si bien las predicciones de este modelo concuerdan con la noción general de que un choque fiscal expansivo actúa fundamentalmente como un choque de demanda, estas predicciones incluyen la ocurrencia de un incremento de las tasas de interés y una apreciación del tipo de cambio real. Estos últimos dos eventos están fuertemente relacionados con el hecho de que el modelo cuenta con una regla de Taylor calibrada y que el tipo de cambio nominal se ajusta de acuerdo a la regla de Paridad no Cubierta de Tasa de Interés (UIP). De esta forma, cuando comienza a verificarse un aumento de los precios, se produce un incremento de la tasa de interés nominal, la cual genera automáticamente una apreciación del tipo de cambio nominal y por ende, del tipo de cambio real (definido éste como Paridad del Poder de Compra). En cuanto a la discusión del impacto de los choques petroleros, una parte importante de la literatura se ha referido más bien a los efectos que sobre el crecimiento de largo plazo ha tenido la abundancia de estos recursos, tal como es el caso de Rodríguez y Sachs (1999) y Hausmann y Rigobón (2002). En el primero de estos trabajos se argumenta que, durante los booms petroleros, debido a los mayores ingresos externos, la economía sustenta su crecimiento a partir de la ampliación de sus posibilidades de consumo, pero sin la expansión consecuente de la producción de bienes transables. Esto conduce a que, una vez agotados los recursos extraordinarios, la economía retorne a su equilibrio de largo plazo, caracterizado por bajas tasas de crecimiento. En Hausmann y Rigobón (2002), tal como ocurre en la tradición de los modelos de enfermedad holandesa, los ingresos petroleros producen una apreciación del tipo de cambio real que va generar una especialización de la producción en bienes no-transables. Sin embargo, la existencia de fricciones financieras generan una sobre-especialización de la economía y una mayor volatilidad del tipo de cambio real, que inciden negativamente en el desempeño real de largo plazo. Si bien estos trabajos no se refieren al problema de las fluctuaciones de corto plazo, se podría extrapolar, que al menos durante el incremento de los ingresos petroleros, la economía siempre va a experimentar altas, pero efímeras, tasas de crecimiento.

5

En lo que respecta explícitamente a las fluctuaciones de corto plazo, Dorta, Sáez y Zavarce (2006) sugieren la existencia de una posible relación de causalidad entre los ingresos petroleros y el producto, a través del comportamiento de la inversión. En particular, conjeturan que a partir del incremento de los ingresos externos, se producen expectativas de anclaje del tipo de cambio nominal e incremento del nivel de precios internos, las cuales anticipan una apreciación temporal del tipo de cambio real que desencadena un incremento de la inversión y por tanto, de la producción. La evidencia empírica en este caso es parcial, y se basa en el análisis de relaciones bi-variadas entre las diferentes variables involucradas. En el ámbito de los trabajos más recientes, por un lado tenemos a Mendoza y Vera (2010), los cuales señalan que, un choque petrolero adecuadamente identificado, genera efectos no lineales sobre la actividad económica. En particular, un incremento de los precios del petróleo genera un efecto expansivo importante en el producto. Por otro lado, Morales y Sáez (2011), en el contexto de un modelo DSGE calibrado, encuentran que un choque positivo a los precios del petróleo genera efectos expansivos sobre la economía, similares a los que produce un choque tecnológico. En este sentido, el choque petrolero puede caracterizarse en forma similar a un choque de oferta.

3. El desarrollo de los modelos factoriales estructurales

Se han desarrollado en la literatura, y han tomado auge recientemente, dos grandes corrientes para el análisis de los diversos choques que explican las fluctuaciones de corto plazo: los modelos DSGE y los SVAR. En tanto los primeros se ocupan de modelar la totalidad de la economía a través de un conjunto de ecuaciones micro-fundamentadas que describen el corazón (core) de la estructura económica, los segundos, a partir de un enfoque mucho más ad-hoc, han tratado de interpretar aquellas fuentes de variaciones no explicadas de un conjunto de variables como el entramado de la concurrencia de diversos choques estructurales. Si bien, los modelos DSGE han superado muchas dificultades para su estimación y aplicabilidad, para la mayoría de los macroeconomistas los SVAR siguen siendo aún mucho más comprensibles, debido a las menores exigencias teóricas requeridas para su diseño y estimación. Sin embargo, el estudio empírico del origen de las fluctuaciones macroeconómicas a través de los SVAR ha estado restringido al estudio parcial de la economía, a partir del análisis y la identificación de choques individuales. En este sentido, existe una vasta literatura que identifica únicamente choques monetarios, fiscales o tecnológicos3. Esta fragmentación del análisis se produce porque la incorporación de numerosas variables, que reúnan la globalidad de los mercados y minimicen la omisión de información, requiere grados de libertad que no siempre pueden reconciliarse con la cantidad de observaciones disponibles4. Por tanto, ajustarse en forma práctica a las limitaciones de información ha implicado observar, en algunos casos, paradojas y potenciales problemas de especificación en estos SVAR.

3 Ejemplos de análisis de choques individuales en el contexto de los SVAR con restricciones de exclusión son: Bernanke y Gertler (1995), Galí (1999), Christiano, Eichembaum y Evans (1999), Fatás y Mihov (2001) y Blanchard y Perrotti (2002). 4 Esto es así, al menos en el enfoque frecuentista o clásico, ya que este problema ha sido parcialmente solucionado por el enfoque Bayesiano al incorporar “priors” al proceso de estimación.

6

En el contexto particular de los pronósticos, la incorporación de una gran cantidad de información para subsanar problemas de estimación ha sido llevada a cabo en las investigaciones seminales de Stock y Watson (2002a y 2002b). En estos trabajos, la predicción de una única variable se realiza a partir de un conjunto de indicadores sintéticos estimados a través los componentes principales de un gran panel de variables. Teóricamente, la relación lineal entre estas numerosas variables y los pocos indicadores sintéticos está dada por un modelo factorial, en el cual el comportamiento de las variables macroeconómicas puede explicarse a partir de la suma de dos componentes: el componente común, asociado a un conjunto de factores no observables, y el componente idiosincrático. La literatura de modelos factoriales es amplia y existen diversas variedades de modelos. En particular, Forni, Hallin, Lippi y Reichlin (2000 y 2005), Forni y Lippi (2001) se han dedicado a caracterizar y estimar el modelo aproximado (o generalizado) de factores dinámicos (GDFM), en el que el componente común de las variables está determinado por un conjunto de factores dinámicos que siguen procesos autorregresivos infinitos5. En contraposición, Stock y Watson en sus diversos trabajos, utilizan un modelo aproximado de factores estáticos, al restringir a un orden finito la dinámica de los factores relevantes. Los avances en la comprensión y estimación de los modelos factoriales, y su conexión con la técnica de componentes principales, han permitido su aplicación reciente al contexto de los SVAR para solucionar los problemas de paradojas y especificación típicamente enfrentados. Por un lado, se ha visto el desarrollo de los denominados modelos FAVAR que combinan el análisis factorial con el de los vectores autorregresivos. En este tipo de modelos, sólo algunas variables claves aparecen de forma explícita en el VAR, en tanto que el resto de las variables se encuentran sintetizadas en los factores calculados a partir de la técnica de componentes principales. La identificación de los choques a nivel del VAR es típicamente recursiva, lo cual impone satisfacer que los factores no respondan a la variable de política escogida. Los primeros trabajos de este tipo son: Bernanke, Boivin y Eliasz (2005) y Boivin, Giannoni y Mihov (2009). Por otro lado, Forni, Lippi, Giannoni y Reichlin (2009) y Forni y Gambetti (2010) utilizan un caso especial del GDFM para realizar análisis estructural en un amplio conjunto de variables macroeconómicas. En estos modelos, unos pocos choques fundamentales (o factores dinámicos) van a tener efectos sobre un gran número de variables, por lo que la igualdad que generalmente opera en los SVAR entre, el número de variables del sistema y el número de choques estructurales, se rompe. A pesar de esto, tal como señalan los autores, los métodos de identificación que pueden ser aplicados en el análisis estructural de los GDFM son idénticos a los de los SVAR. En particular, Forni y Gambetti (2010) y Luciani (2010) utilizan un esquema recursivo de identificación, de modo que el número de variables empleadas para la identificación es el mismo que el de los choques fundamentales. Tal como se señala en Canova y Pina (1999), los esquema de identificación con restricciones de exclusión, incluidos los de identificación triangular o recursiva, imponen demasiadas correlaciones contemporáneas nulas entre variables, por lo que no reproducen adecuadamente los procesos de generación de los datos de las variables, y desvirtúan las características de los choques identificados. Ante estas complicaciones, se viene aplicando un tipo de identificación no paramétrica en los SVAR, denominada identificación de restricciones de signo, la cual consiste en imponer restricciones en las funciones de impulso-respuesta de los choques estructurales, en lugar de imponer restricciones zero en la estimación de los parámetros. Desde el punto de vista económico, esta técnica, a diferencia de las identificaciones recursivas 5 Los GDFM son una derivación de los DFM exactos propuestos originalmente por Geweke (1977) y Sargent y Sims (1977). Estos últimos asumen que no existe correlación entre los diferentes errores idiosíncraticos, en tanto que los primeros si aceptan algún grado de correlación débil.

7

de corto plazo, permite identificar adecuadamente choques de oferta y demanda debido a que la definición del choque deja de estar atada a una variable en particular. Esta técnica ha sido aplicada en diversos ámbitos, en especial en la identificación de los choques de política monetaria en los trabajos de Canova y De Nicoló (2002) y Uhlig (2005). En este trabajo se conjugan el modelo factorial para realizar análisis estructural, pero utilizando las técnicas de identificación de restricciones de signo sobre las impulso respuestas desarrolladas por Canova y De Nicoló (2002) y Uhlig (2005). Esta combinación de técnicas, ya se ha llevado a cabo en la literatura, en trabajos como Eickmeier y Breitung (2005) y Eickmeier (2009), los cuales se han dedicado a estudiar los co-movimientos y la heterogenidad entre los diversos agregados macroeconómicos de los países de la Unión Europea. Nuestro trabajo difiere de estos mencionados en la manera cómo se implementa la técnica de restricción de signos. En tanto los trabajos sobre la Unión Europea siguen más de cerca el enfoque de Canova y De Nicoló (2002), nosotros aplicamos el algoritmo de Rubio, Waggoner y Zha (2008) para facilitar la identificación del modelo.

4. Especificación estadística del modelo

4.1 El modelo factorial dinámico generalizado (GDFM) Tal como se ha mencionado, el modelo econométrico de este trabajo se basa en el uso de un modelo factorial dinámico para realizar análisis estructural, es decir, para evaluar el efecto de un grupo reducido de choques estructurales sobre un conjunto importante de variables macroeconómicas, tal como lo plantean Forni et al. (2009). A continuación se describe en forma sucinta el modelo factorial dinámico estructural, para luego relatar lo referente al problema de identificación de los choques. En el modelo factorial tradicional, la evolución de amplio grupo de variables (X), se ve afectada por un número reducido de factores o componentes latentes (F), no observables y ortogonales entre sí, a través de la siguiente expresión:

ttt FX ζ+Λ= (1) donde Xt es un vector de orden (N x 1), F es un vector (r x 1), t = 1, 2…, T , y N es típicamente grande, por lo que se considera como N → ∞. Asimismo, Λ es una matriz de orden (N x r), siendo r << N, denominada la matriz de cargas, la cual expresa la transferencia que sobre cada una de las variables analizadas tienen los factores. La porción de tX explicada

por tFΛ es lo que se denomina el componente común de X y tζ es el vector de errores idiosincráticos asociados a la fracción de los datos no explicada por el componente común6. Por construcción, el componente común y el idiosincrático son ortogonales entre sí, y al ser N suficientemente grande, los factores se aproximan a través de los primeros r componentes principales del conjunto de Xs. Nótese también que en esta estructura, los r componentes latentes se vinculan a los datos observados de forma contemporánea, por lo que se denominan

6 En el contexto del modelo factorial, los errores idiosincrásicos revelan comportamientos sectoriales, choques de origen externo o errores de medición. Debido a que en este caso nos referimos a un modelo factorial aproximado, se espera que exista algún grado de correlación entre los diferentes errores idiosincráticos.

8

factores estáticos7. No obstante, es posible establecer una relación dinámica entre los factores, a través de un VAR(ρ) de la forma:

tt eFLA =)( (2) siendo A(L) la matriz de polinomios característicos de grado ρ y te el vector de los r residuos

de la forma reducida del VAR, tal que ( ) Σ=teVar . Si definimos los choques estructurales a

partir de un vector de q choques orto-normales ( tu ), tal que satisfaga una relación de la forma

tt ue Β= , la dinámica del VAR de factores también puede describirse como:

tt uLF )(Φ= (3) donde ( ) Ω=tuVar , siendo Ω diagonal, ( ) Β=Φ −1)(LAL , Β es una matriz de rango q, y

rq ≤ . Al incorporar el anterior SVAR a la estructura factorial dada en (1), el modelo describe la trayectoria de las N variables en X ante cambios en u :

( ) ttt uLAX ζ+ΒΛ= −1 (4) Dentro de esta especificación, los choques estructurales son también interpretados como choques dinámicos, primitivos o fundamentales, debido a que constituyen el origen de las fluctuaciones comunes a todas las variables macroeconómicas. Nótese que en este caso, sólo q choques y no N, determinan el comportamiento de todas las N variables macroeconómicas. Esta es justamente la ventaja del modelo empleado: la utilización de un gran cúmulo de información, toda la contenida en las variables Xs, pero reducida en la práctica a la identificación de un modelo de menores dimensiones, el SVAR, lo que facilita enormemente la identificación de unas pocas fuentes de fluctuaciones macroeconómicas. Este modelo se relaciona con otras aplicaciones también basadas en el análisis factorial, tales como los FAVAR8. 4.2 La identificación de choques: El GDFM estructural Si bien la dinámica del modelo está resumida por el SVAR de factores en (3), la identificación de los parámetros, y por ende, la de los choques estructurales, se realiza a nivel de las variables Xs y no a nivel de los factores. Esto es así debido a que los factores no tienen una interpretación económica precisa, y la imposición de cualquier restricción que se refiera al comportamiento de los factores no tiene ningún basamento económico. Por tanto, para poder identificar adecuadamente el modelo, se aplican estrategias de identificación similares a las utilizadas en los SVAR, llámese restricciones de corto plazo, de largo plazo o sobre las impulso-respuestas, pero en referencia al comportamiento del componente común de X. En este trabajo utilizamos la imposición de restricciones de signo sobre las impulso-respuestas del componente común de las variables Xs para identificar adecuadamente los choques estructurales. Esta estrategia fue desarrollada inicialmente por Canova y De Nicoló

7 En Stock y Watson (2005) se ofrecen mayores detalles sobre las diferencias entre los modelos factoriales estáticos y dinámicos, y las diferentes estrategias de identificación. 8 Información sobre los FAVAR puede encontrarse en Bernanke et al. (2005), Boivin et al (2009) y Soares (2011), entre otros.

9

(2002) y Uhlig (2005) en el contexto de los SVAR, y posteriormente aplicada en numerosos trabajos de investigación. Debido a que la imposición de restricciones sobre las impulso-respuestas no establece a priori la nulidad de ninguno parámetros del modelo, i.e. no aplica restricciones de exclusión de corto plazo, pueden existir diversos sets de parámetros estructurales que satisfagan las restricciones impuestas y sean observacionalmente idénticos9. Esto indica que el modelo está sobre-identificado y que el propio proceso de identificación provee una caracterización de la incertidumbre en los parámetros estructurales y por ende, en los choques estructurales10. En términos generales, la identificación de un SVAR a partir de restricciones de exclusión de corto plazo y/o a partir de restricciones de signo sobre las impulso-respuestas se inicia a partir de un proceso ortogonalización de los residuos de la forma reducida, tal que tt Rve = y

( ) Ι=tvVar , siendo tv un vector r residuos orto-normales no-estructurales. Si adicionalmente establecemos que los residuos estructurales están asociados a estos choques ortogonales a través de tt vPu '= , donde P es una matriz de dimensión ( qxr ), se obtiene que tt uPRe = , por lo que podemos entender el proceso de identificación como la caracterización de las matrices R y P. Así por ejemplo, la aplicación de restricciones de exclusión recursivas o triangulares, referida como la identificación de Cholesky, implica seleccionar R de manera que sea una matriz triangular inferior que satisfaga 'RR=Σ , y hacer P igual a una matriz identidad de orden r, i.e. rq = . Esto implica que sólo las correlaciones contemporáneas de r variables en X, y no N, deben ser caracterizadas, siendo por construcción ( ) 21−rr de ellas nulas. Por otro lado, la aplicación de restricciones de signo sobre las impulso-respuestas podría implicar escoger R tal que sea una matriz triangular inferior que satisfaga 'RR=Σ , pero seleccionar P de manera que sea una matriz formada por q vectores columna ( jp ) de

dimensión r que satisfagan 1' =jj pp y jipp ji ≠∀= 0' y que además, generen el impacto deseado sobre las impulso-respuestas. En este caso, P funciona como una matriz de rotación de R, y por cada valor de P existe un set de parámetros estructurales ( ΩΒ, ) que genera una impulso-respuesta diversa para cada variable x. Esto es debido a que:

ttt uPRLAX ζ+Λ= −1)( (5) lo que implica que PP'=Ω y RP=Β , expresión que además satisface la condición impuesta originalmente de que Β sea de rango q. En este tipo de identificación, el número de restricciones a imponer sobre las impulso-respuestas de las diversas Xs va a depender del criterio del investigador, y por tanto no mantiene relación con q. Para completar el proceso de identificación con restricciones de signo, es necesario encontrar suficientes matrices de rotación P, tales que satisfagan las condiciones esperadas y se caracterice adecuadamente la incertidumbre sobre los parámetros estructurales del modelo. Operacionalmente, esto se lleva a cabo a partir de un algoritmo que evalúa diferentes posibles realizaciones de P y calcula impulso-respuestas sólo para aquéllas Ps que satisfacen las

9 Para entender con detenimiento el problema de la identificación en SVAR, remitirse al trabajo de Rubio, Waggoner y Zha (2008). 10 Fry y Pagan (2009) realizan una discusión sobre el tratamiento de la incertidumbre asociada al proceso de identificación con restricciones de signo sobre las impulso-respuestas.

10

restricciones de signo impuestas11. A partir de allí, se grafican la mediana y los percentiles 16avo y 84avo de estas impulso-respuestas almacenadas.

5. Datos y estimación

La muestra empleada comprende un grupo de 116 variables o indicadores vinculados con el desempeño macroeconómico en Venezuela, los cuales abarcan mediciones en el ámbito de: actividad económica, precios, mercado monetario, sector fiscal-petrolero y sector externo, todos para el período 2004 – 2010 con frecuencia mensual. El lapso de estudio fue escogido tratando de minimizar la ocurrencia de cambios estructurales en los datos. Para ello específicamente se consideraron los siguientes eventos: 1) el inicio de las operaciones de mercado abierto por parte de la autoridad monetaria, utilizando la venta de Certificados de Depósitos (CD) con tasas pre-establecidas, a partir de marzo de 2002; 2) la ocurrencia del paro petrolero durante los años 2002 y 2003, que ocasionó un quiebre estructural en el desempeño de algunas variables económicas; y 3) la puesta en práctica de un control cambiario a partir del año 2003 con restricciones a los precios y cantidades de las transacciones comerciales y financieras. La estimación de los factores estáticos fue realizada a partir de la aplicación de la técnica de componentes principales a las 116 variables escogidas. Para ello, previamente se realizaron una serie de transformaciones a las diferentes variables (diferenciación logaritmica, desestacionalización, o transformación logarítmica) según fuese pertinente. La detección de raíces unitarias fue realizada con base a los resultados arrojados por las pruebas tradicionales de raíces unitarias. Las mediciones de actividad económica fueron expresadas en primeras diferencias logarítmicas y con ajustes estacionales mediante el algoritmo X-12 ARIMA. Asimismo, algunos indicadores fueron expresados como cocientes de otros indicadores. De igual forma, las tasas de interés no sufrieron modificaciones, a los fines de conservar la mayor información relativa a su estructura. En el anexo, se ofrece un sumario del grupo de variables empleadas y sus respectivas transformaciones. Para la determinación del número óptimo de factores estáticos y dinámicos, fueron aplicados los criterios establecidos en Bai y Ng (2002, 2005). Para escoger el número óptimo de factores estáticos (r), se calcularon diversos criterios o estadísticos (ICP1, ICP2, PCP1, PCP2), a partir de los cuales se define r como el número de factores que minimiza el valor de dicho estadístico. En términos generales, cada criterio contiene la suma de dos componentes: una función ),( kFkV , o su logaritmo, que calcula la varianza promedio de los residuos idiosincráticos asociados a los k factores evaluados, y una función de penalidad

max),,( kTNPN que cambia de acuerdo al criterio empleado y que depende de N, T, y el número máximo de factores contemplados (el parámetro kmax)12. Es decir:

max),,()(1

min1 1

kTNPNFXNT

r kt

N

i

T

t

kiitk

opt +Λ−= ∑∑= =

(6)

11 La matriz P se calcula a partir de la descomposición QR de una matriz aleatoria normal. Esta forma de llevar a cabo el proceso de identificación cuando se aplica la técnica de restricciones de signo es descrita en Rubio, Waggoner y Zha (2008). 12 La forma funcional específica que toman los diversos criterios se encuentran especificadas en Bai y Ng (2002).

11

donde k denota el número de factores contemplados en la estimación, itX es el valor de la

variable i a tiempo t, ktF es un vector de orden ( 1xk ) que contiene el valor de los k factores a

tiempo t y kiΛ es un vector de orden (1 x k) que recoge la transferencia de los k factores sobre

la i-ésima variable. Debido a que los resultados de las pruebas están condicionados por el valor escogido para el parámetro kmax, cada criterio fue calculado para diversos valores del mismo (kmax=5, 10, 15, 25, 30). Al observar los resultados, si bien los criterios ICP1 e ICP2 señalaron como conveniente usar entre 3 y 5 factores estáticos, independientemente del valor de kmax, los criterios PCP1 y PCP2 fueron muy influenciados por el kmax y parecen sistemáticamente sobreestimar el número de factores estáticos adecuados. Sin embargo, para kmax=10, PCP1 y PCP2 señalaron como óptimo el uso de 7 u 8 factores. Esto condujo a explorar la posibilidad de trabajar con 3, 5, 7, 11 y 15 factores. Las pruebas de robustez realizadas para los diversos números de factores, parecieran indicar que la inclusión de pocos factores omite información relevante para el modelo, pero la utilización de demasiados factores introduce una excesiva variabilidad en las impulso-respuestas, y reduce las posibilidades de encontrar impulso-respuestas con las características deseadas13. Es por ello, que en definitiva se escoge r = 7 como número de factores de referencia, siendo el número de factores que mejor recoge el balance entre inclusión de información y variabilidad. Para la determinación del número de factores dinámicos q, una vez establecido r=7, se calcularon los indicadores kD ,1 y kD ,2 provistos por Bai y Ng (2007). Estos indicadores se calculan con base a los auto-valores de la matriz de varianzas y co-varianzas estimada (o de la matriz de correlaciones) de los residuos del VAR reducido de factores ( Σ ), y se comparan con determinados valores de referencias (o thresholds), dando origen a la aplicación de diversas pruebas o criterios. Siendo iλ los diversos autovalores de Σ , ordenados de mayor a menor, los indicadores de partida son:

( ) 2122

1,1 ∑+=r

i ikkD λλ ; ( ) 212

12

,2 ∑∑ +=

r

i ir

k jkD λλ (7)

Los cuatro criterios aplicados en este trabajo se refieren a la escogencia de un

ii kq Κ∈= min donde δ−<=Κ 5.0,11

ˆ: TmDk k , δ−<=Κ 5.0,22

ˆ: TmDk k ,

[ ] δδ −−<=Κ 5.05.0,13 ,minˆ: TNmDk k y [ ] δδ −−<=Κ 5.05.0

,24 ,minˆ: TNmDk k . Tal como

sugieren Bai y Ng (2007), se establecen 1.0,1 == δm cuando se parte de la matriz de varianzas y co-varianzas y 1.0,3.1 == δm cuando se parte de la matriz de correlaciones. Los resultados de los diferentes criterios se presentan en el anexo. Todos los resultados indican que para 7 factores estáticos, sólo existen 4 factores dinámicos que corresponden a aquellos choques ortogonales que mayor poder explicativo tienen. Sin embargo, de estos 4 potenciales choques estructurales, sólo se proceden a identificar 3 de ellos, siendo éstos los choques estructurales de mayor interés. La estimación de los factores estáticos, se realizó mediante la extracción de los componentes principales asociados a los 7 primeros auto-valores de la matriz de correlaciones de X,

13 Al comparar las medianas de las impulso-respuestas de 7 factores con aquéllas de 11 y 15 factores, se encontró que estas medianas son cualitativamente muy similares. Sin embargo, la amplitud (incertidumbre) en las impulso-respuestas es mucho mayor para estos últimos dos casos y están sustentadas por muchas menos realizaciones de la matriz P.

12

denominada xΓ . Cada componente representa una combinación lineal del conjunto original de

variables, tt XF 'Λ= , en donde ][ 21 rΛΛΛ=Λ K es una matriz (N x r), siendo jΛ los

vectores propios de dimensión N obtenidos en la descomposición espectral de xΓ bajo la

restricción 1' =ΛΛ jj . Estos siete primeros componentes estáticos estimados recogen cerca del 54% de la variabilidad conjunta de las 116 variables analizadas. Una vez calculados los factores estáticos, se procedió a la estimación de un VAR reducido con dichos factores como variables endógenas. La selección del número óptimo de rezagos, i.e. el orden del VAR, fue determinado usando los criterios de información de Schwarz y Hannah–Quinn, los cuales indicaron que 1=ρ . El modelo estimado también resultó dinámicamente estable. Finalmente, las funciones de impulso-respuesta de la variable i-ésima al choque estructural j-ésimo en el horizonte h para la realización d-ésima de la matriz de rotación es calculada como:

( ) dj

hi

di pRhIR 1−ΑΛ= (8)

donde la iΛ refleja la transferencia de de los r factores estáticos a iX , Α es la matriz de los

coeficientes del VAR reducido, y djp es el vector j-ésimo de la realización d-ésima de la

matriz de rotación P14. La incertidumbre asociada a los parámetros estructurales del SVAR se mide a partir de la dispersión empírica que presentan las IR para las diversas realizaciones (draws) de P. Esta dispersión se caracteriza por los percentiles 16avo y 84avo (banda inferior y superior, respectivamente) y por la mediana de estas respuestas. La incertidumbre asociada a la estimación factores se considera despreciable debido a que N es suficientemente grande y mayor que T. Para efecto de los cálculos, los factores se consideran como observados, tal como reportan hacer Soares (2011), Eickmaier (2009) y Bernanke et al.(2005).

6. Estrategia de identificación de los choques estructurales

En este trabajo, se optó por la identificación de tres choques estructurales para evaluar el desempeño macroeconómico de corto plazo: un choque monetario contractivo, un choque fiscal expansivo y un choque petrolero expansivo. El choque monetario contractivo involucra un incremento simultáneo de la tasa promedio efectiva de las operaciones de absorción del Banco Central de Venezuela (TABS) y de la tasa promedio de las operaciones interbancarias (TINTB). Esto es así, debido a que los cambios en la intencionalidad de la política monetaria conducen a cambios en el instrumento de política y a contracciones en la oferta de fondos dentro del mercado monetario de corto plazo, lo que presiona igualmente al incremento de la tasa interbancaria promedio15. Tal restricción es también aplicada por Pagliacci, Chirinos y Barráez (2011), basados en el modelo teórico que describe el canal de crédito en Venezuela.

14 Estas impulso respuestas son calculadas en términos de unidades estándar. 15 Esta dinámica entre el mercado monetario de corto plazo y la política monetaria en Venezuela también es descrita en Pagliacci y Ruda (2004).

13

Por su parte, el choque fiscal expansivo contempla un incremento del gasto público real del Gobierno Central (GFR), a la par de un aumento en el saldo de deuda interna (DEUDAI). Al definir el choque fiscal considerando los mecanismos de financiamiento, se pretendió diferenciar los movimientos en el gasto propios de un choque fiscal “puro” de la evolución del gasto asociada con cambios en los ciclos o con ajustes monetarios. Similar estrategia es adoptada por Mountford y Uhlig (2005) y Canova and Pappa (2003), para la identificación de choques fiscales en EE.UU entre 1950 y 2002. La gestión fiscal es restringida a las actuaciones del Gobierno Central, al no disponerse, para la frecuencia empleada, de nociones de gasto que involucre a otros entes con relevancia dentro del sector público venezolano. Finalmente, el choque petrolero expansivo se caracteriza como un incremento del precio promedio de la cesta petrolera venezolana (PP) acompañado con un aumento en el valor de importaciones totales en U.S. dólares (IMPOR). Esta definición parte del supuesto de que, los auges petroleros incrementan la capacidad adquisitiva de la economía, lo que en particular implica una expansión del consumo de bienes externos16. Asimismo, expectativas de un anclaje cambiario ante incrementos sostenidos en los precios del petróleo, pueden potenciar la demanda de bienes importados, lo cual también valida el alza de las importaciones como elemento característico de los booms petroleros. En la definición del choque, se consideraron los precios del petróleo en lugar de una variable petrolera de volumen, dada la mayor cantidad de información que éstos brinda en términos de la evolución de los ingresos petroleros devengados en la economía venezolana17.

Cuadro 1: Restricciones de signo establecidas para cada choque

Para este ejercicio, se estableció una duración de 3 períodos para los choques monetario y fiscal, y una duración de 6 períodos para el choque petrolero. Debido a que las variables involucradas en la definición de los choques son fundamentalmente instrumentales, la extensión de las restricciones para varios períodos garantiza observar los impactos de choques estructurales suficientemente persistentes en el tiempo. La mayor duración del choque petrolero es consistente con los episodios de booms petroleros por los que ha transitado la economía venezolana en su historia reciente18.

7. Resultados empíricos Esta sección muestra las impulso-respuestas (IR) de las principales variables de interés y discute estos resultados a la luz de otros hallazgos en la literatura para Venezuela. Estas IR se basan en 499 realizaciones de matrices P que cumplieron con las restricciones de signo impuestas, de un total de 1.000.000 candidatas evaluadas. La información contenida en las 16 Sachs y Rodríguez (2005) ofrece un argumento similar, indicando que, en medio de un auge, las economías con abundancia de recursos naturales logran elevar su consumo por encima de su frontera posible. 17 Ver Sáez y Puch (2004). 18 Baldini (2005), y Mendoza y Vera (2010) ofrecen algunos hechos estilizados en torno a la evolución histórica de la actividad petrolera en Venezuela.

Choque Variables / direcciones involucradas Monetario contractivo ↑ TABS y ↑ TINTB

Fiscal expansivo ↑ GFR y ↑ DEUDAI Petrolero expansivo ↑ PP y ↑ IMPOR

14

bandas de las IR se refiere a respuestas acumuladas de las variables ante los distintos choques analizados. Como se mencionó en la sección previa, se identificaron tres tipos de choques: contractivo de política monetaria, expansivo de política fiscal y expansivo petrolero. En cada uno de estos casos se abordan los efectos que los mismos generan sobre cuatro tipo de sectores: sector real, sector de precios, sector monetario y sector fiscal-externo.

7.1. Choque monetario Un choque contractivo de política monetaria, definido como un incremento de las tasas del Banco Central y de las tasas del mercado interbancario, no produce movimientos significativos de ningún indicador de actividad real, ni agregado, ni sectorial (grafico 1.1). Este resultado es consistente con el encontrado por Pagliacci, Chirinos y Barráez (2011), en el cual la política monetaria no es capaz de afectar al sector real de la economía. En el sector de precios, si bien los grandes agregados no se modifican, se produce una contracción temporal de los precios al mayor de bienes importados (IPMIMPOR), del índice de precios al productor (IPP), y de los precios de los insumos de la construcción a los productores (IPCONSTP) (grafico 1.2). Este resultado puede interpretarse como una reducción en la demanda de bienes a estos sectores (productor e importador), la cual se desencadena a partir del leve incremento de la tasa activa y la reducción temporal de algunos agregados monetarios. Asimismo, el hecho de que esta reducción de precios ocurra en los sectores mencionados, es consistente con la evidencia encontrada por Fernández (2009) en la que los precios de los bienes tienden a ser más flexibles que los precios de los servicios19. En el sector monetario (grafico 1.3), la contracción pequeña y temporal de los agregados monetarios menos amplios (reservas bancarias, dinero base y M1), indican que la acción de política monetaria tiene un efecto liquidez contractivo, que aunque leve, va en el mismo sentido de su intencionalidad. Esta reducción de los agregados, además de contribuir al debilitamiento de la demanda agregada, puede favorecer al incremento de las tasas activas y pasivas del sistema financiero, las cuales siguen el aumento de las tasas de operaciones de absorción y del mercado interbancario. En cuanto al cuasi-dinero y al crédito, éstos no son afectados por el choque monetario, por lo que tampoco pareciera evidenciarse un cambio significativo en el proceso de creación secundaria de dinero. En lo que respecta al sector externo (gráfico 1.4), ni la reducción de la demanda de bienes importados, ni el efecto liquidez asociado, parecieran ser lo suficientemente fuertes como para reducir las importaciones y el tipo de cambio no-oficial. Finalmente, en el sector público, una política monetaria contractiva pareciera propiciar una sustitución de endeudamiento interno por endeudamiento externo, debido a las mayores tasas de interés domésticas. Los ingresos reales no petroleros se incrementan, posiblemente producto de la reducción que opera en algunos grupos de precios.

19 De hecho, en el sector externo, la variable TCR, la cual se define como el cociente entre el IPC de bienes y el IPC de servicios, además de ser una proxys del tipo de cambio real (precio de transables/no-transables), es un indicador de las fluctuaciones relativas entre precios de bienes y servicios. Esta variable se reduce de forma significativa, indicando que los precios de los bienes tienden a caer más que el de los servicios.

15

7.2. Choque fiscal

El aumento del gasto público financiado con endeudamiento interno, si bien no se traduce en un incremento de los indicadores más agregados de producción, si produce una expansión de dos indicadores más sectoriales: el de la producción del sector de la construcción (IGACONST) y el del índice de ventas comerciales minoristas (IVCME) (grafico 2.1). En tanto que el incremento de la construcción puede asociarse al hecho de que el gobierno nacional es el gran contratista de servicios de construcción en Venezuela, el aumento de las ventas al menor podría interpretarse como un mayor consumo de los hogares. La comparación de estos resultados con los de Moreno y Shelton (2008) permite conjeturar que el gasto fiscal, medido a partir de la ejecución del gobierno central, ha perdido efectividad para modificar la producción agregada de la economía, pero aún mantiene impactos sectoriales importantes. En el sector de precios (gráfico 2.2), tres índices de precios ascienden de manera significativa y contemporánea: el índice precios al consumidor (IPC), el índice de precios al mayor general (IPM) y el índice de precios al mayor de bienes nacionales (IPMNAC). Mientras que en el caso de los dos primeros, el efecto del choque fiscal es significativo sólo temporalmente (durante los primeros seis meses), el IPM de bienes nacionales muestra un incremento de carácter permanente. Este aumento de los precios se interpreta como resultado de la mayor demanda de consumo y construcción, la cual es a su vez potenciada por el incremento también permanente de los agregados monetarios (reservas bancarias, dinero base, M1 y M2). Asimismo, la depreciación permanente del tipo de cambio nominal no-oficial es un elemento que muy probablemente incide sobre el crecimiento de estos precios. En cuanto a las tasas de interés de interés, especialmente la activa (grafico 2.3), el choque fiscal produce una reducción débil, por lo que se presume que el impacto que tiene el crecimiento de los agregados monetarios (efecto liquidez expansivo) es superior al potencial incremento que operaría por el aumento de la demanda agregada. Asimismo, la pequeña reducción temporal de la cartera bruta de créditos en términos reales, puede atribuirse muy probablemente al incremento que opera a nivel del IPC, el cual actúa como deflactor de esta cartera. Este resultado también implicaría que, ni el incremento de la demanda sectorial, ni el efecto liquidez redundan en aumentar suficientemente los créditos nominales. Si utilizamos esta evidencia en conjunción con los hallazgos de Pagliacci, Chirinos y Barráez (2011) referidos al crédito, pareciera que sólo aquéllos choques que muevan los indicadores agregados de actividad son los que desencadenan movimientos del crédito nominal en la misma dirección. En términos del sector externo (gráfico 2.4), el gasto del gobierno genera, bien sea a partir de su propia demanda o la de los hogares, un incremento de las importaciones, las cuales junto con las expansiones monetarias, tienden a incrementar el tipo de cambio nominal en el mercado no-oficial. La descripción provista sobre los mecanismos de transmisión del choque fiscal reflejan, en líneas generales, los eventos que caracterizan un choque típico de demanda. En particular, el aumento de las compras efectuadas por el sector gubernamental se traduce en un mayor consumo y presiones alcistas sobre (algunos de) los precios, incluido el tipo de cambio nominal. Sin embargo, el efecto liquidez positivo registrado, constituye más bien una característica particular de la realidad venezolana, en la que las expansiones fiscales se convierten en una fuente primaria de creación de dinero, al ser éstas también financiadas con

16

ingresos petroleros20. Tal como se mencionó anteriormente, Arreaza, Blanco y Dorta (2003), al evaluar los efectos de un choque temporal expansivo del gasto público en un modelo macroeconómico de pequeña escala, además de un aumento de la actividad y la inflación, predicen también un aumento de las tasas de interés (por la existencia de una regla de Taylor), y una apreciación significativa del tipo de cambio real. Sin embargo, en nuestro estudio, no obtenemos modificación alguna de ninguna de las dos medidas (aproximadas) de tipo de cambio real incluidas en los datos: la razón entre el IPC bienes y el IPC servicios (TCR), y el cociente entre la producción de bienes y la de servicios (YT_YNT). Por el contrario, la medida de tipo de cambio de paridad bilateral con USA (TCRBI) se incrementa debido a que, en general, sus movimientos están dominados por los movimientos del tipo de cambio nominal. Esta depreciación del tipo de cambio nominal está parcialmente en línea con los hallazgos de Kim y Roubini (2008) para la economía americana, los cuales señalan que la ocurrencia de un choque fiscal expansivo con aumentos del déficit genera una depreciación nominal de la moneda.

7.3. Choque petrolero En este trabajo, un choque petrolero expansivo genera respuestas positivas significativas en casi todos los indicadores (agregados y sectoriales) de actividad real (grafico 3.1). Si bien algunas variables no reaccionan de forma inmediata, como es el caso de la actividad total (IGAEM), la actividad total no petrolera (IGAEMNP), la actividad comercial (IGACOM) y la de construcción (IGACONST), sus repuestas se hacen importantes y permanentes con el paso del tiempo. Entre los indicadores que reaccionan más rápidamente se encuentran, las ventas de vehículos (VEHIC) y las ventas minoristas (IVCME), ambas reflejando el incremento inmediato que opera en el consumo de bienes (durables y no-durables) y servicios de los hogares al percibir ingresos reales futuros mayores. Las únicas variables que no responden a este choque son la producción en el sector de manufacturas (IGAMAN) y el índice de ventas al productor (IVP), lo cual podría ser indicio de un mayor crecimiento del sector no-transable de la economía. En general, estos efectos expansivos sobre la actividad económica, son consistentes con los resultados encontrados por Mendoza y Vera (2010) y Morales y Sáez (2011). Por otra parte, el marcado crecimiento que genera un choque petrolero induce una contracción estadísticamente significativa de la tasa de desempleo, pero cuatro meses posteriores a la ocurrencia de la perturbación (probablemente, una vez que se reactiva por completo el aparato productivo de la economía). Estos efectos positivos sobre las variables del sector real se acompañan de reducciones contemporáneas y significativas de los precios, las cuales se hacen permanentes con el paso del tiempo (grafico 3.2). Ante este co-movimento de precios y producto, el choque petrolero tiene las características propias de un choque de oferta. En el sector monetario (gráfico 3.3), un choque petrolero provoca un aumento generalizado y permanente de todos los agregados monetarios, incluyendo el cuasi-dinero (CUASIM), el cual hasta ahora no había mostrado una respuesta significativa a ninguno de los choques antes descritos. Este último resultado es consistente con la fuerte expansión que sufren los créditos reales al sector privado (en su cartera total CCR y a través de las tarjetas de crédito CCTDC), lo cual permite dinamizar el proceso de creación secundaria de dinero. Asimismo, el

20 Nótese que la variable que registra el efecto de creación de dinero de las acciones del sector público INSPTDB (la cual incluye el gobierno central, la empresa estatal productora de petróleos PDVSA y un banco público de desarrollo BANDES), se incrementa de forma endógena con la ocurrencia del choque fiscal expansivo.

17

crecimiento de la creación primaria de dinero se observa en el crecimiento de las incidencias monetarias del sector público (INSPTDB). Sin excepción, todas las tasas de interés del sistema financiero muestran una reducción permanente, muy probablemente debido a la conjunción de dos factores: el crecimiento de la economía por el lado de la oferta, lo que simultáneamente incrementa la oferta de crédito del sistema financiero, y por ende disminuye las tasas activas, y el efecto liquidez reflejado en la expansión generalizada de los agregados. En cuanto al ámbito fiscal (grafico 3.4), la política fiscal se hace expansiva, sólo a partir del año de la ocurrencia del choque. Este incremento del gasto, al ser acompañado de mayores ingresos tributarios petroleros y no petroleros, redunda incluso en una reducción del déficit fiscal y del endeudamiento neto interno y externo. A nivel del sector externo de la economía, el crecimiento sostenido de las importaciones y los agregados monetarios parecieran no permitir una apreciación nominal de la moneda, pese a la gran cantidad de ingresos externos disponibles. Sin embargo, tal como sugiere el análisis sectorial del crecimiento de la actividad real, el choque petrolero si pareciera causar una apreciación significativa del tipo de cambio real, medido a través de TCR y YT_YNT, lo cual probablemente es resultado de una mayor demanda de bienes no-transables, tal como apuntan los modelos teóricos referentes a enfermedad holandesa. Si bien, toda la anterior descripción caracteriza un boom petrolero predominantemente como un choque expansivo de la oferta agregada, con adicionales efectos expansivos en el ámbito monetario, este resultado debe entenderse en el contexto histórico para el cual se encuentra. Es importante señalar, que un auge en los ingresos externos es típicamente acompañado de un aumento de las importaciones, pero en este caso, parte de este incremento no puede desvincularse de la promoción de importaciones, a partir de la administración del control de cambios vigente, por parte del Ejecutivo Nacional. Esta última política muy probablemente ha contribuido al crecimiento acelerado de la economía, y constituye un elemento que es sustentado (y ocurre casi simultáneamente) con el auge petrolero. Es probable que para períodos anteriores, como en los años 70, la ocurrencia de booms petroleros haya podido entenderse más como la materialización de choques de demanda que de oferta agregada.

7.4. Descomposición no estructural: componente común versus idiosincrático. El análisis anterior se concentra fundamentalmente en entender cómo los choques estructurales identificados impactan el componente común ( tFΛ ) de las diferentes variables macroeconómicas. Sin embargo este análisis no arroja luces sobre si la variabilidad de dicho componente común constituye una porción importante de la variabilidad total de variable analizada. Es por ello, que a continuación se realiza una evaluación de la ponderación que tienen los movimientos en el componente común sobre la varianza total de las variables. En este sentido, aquéllas variables que exhiban una porción importante de su varianza explicada por los choques o componentes idiosincráticos, son variables que tenderán a ser poco influenciadas por los choques estructurales antes caracterizados, y por ende, tenderán a ser menos modificables por las acciones de política monetaria y fiscal. Para llevar a cabo este análisis, se procede a simplemente calcular la porción de la varianza de algunos Xi explicada por cada componente, y a estimar, para cada uno de los errores idiosincráticos, modelos del tipo ( )ρAR :

18

itj

jitijit εζαζρ

+=∑=

−1

(9)

donde ijα es el coeficiente auto-regresivo del rezago j-ésimo del error idiosincrático i-ésimo. Para tener una noción de la persistencia de los choques idiosincráticos, se presenta la suma de

los diferentes coeficientes estimados en (9), ∑=

ρ

α1j

ij , en las tablas 2 y 3.

A continuación se describen los principales resultados, primero en cuanto a los indicadores más agregados (tabla 2) y luego en cuanto a los indicadores más desagregados o sectoriales (tabla 3). Se observa que la variabilidad de los principales indicadores de producción y precios agregados está explicada mayormente por el componente común (tabla 2). Sin embargo, las variables monetarias, fiscales y externas tienen un comportamiento diferenciado:

• Las tasas pasivas y activas están explicadas en su mayoría (en más de un 85%), por el movimiento común de las variables.

• El dinero base y el cuasi-dinero dependen fuertemente del componente idiosincrático, el cual explica más del 70% de la varianza total.

• La incidencia fiscal, la tasa interbancaria y el crédito real, también dependen en forma importante (en más del 50%) de los factores idiosincráticos.

• El tipo de cambio no-oficial y las importaciones tienen al menos un 60% de su variabilidad explicada por los eventos idiosincráticos, como por ejemplo: cambios en la operatividad y legislación de Cadivi.

• En tanto que el gasto fiscal y los ingresos tributarios están explicados mayormente por el componente común (entre 50% y 70%), el déficit y la deuda están más afectados por elementos idiosincráticos.

Al analizar la persistencia del componente idiosincrático en estos indicadores agregados (tabla 2), se observa en general que, cuando los choques idiosincráticos tienen mayor presencia, exhiben sin embargo una menor persistencia. Entre las variables que presentan una alta persistencia a los choques sectoriales se encuentran: los indicadores agregados de producción, el índice de precios de los bienes (IPCTRAN), las variables fiscales por encima de la línea (el gasto, los ingresos y el superávit fiscal), y las reservas bancarias excedentes y la tasa interbancaria. En compensación, en estas mismas variables el peso del componente idiosincrático es menor al del componente común. En cuanto a los indicadores de actividad y precios más desagregados o sectoriales (tabla 3), se aprecia que en general, exhiben un mayor peso del componente idiosincrático que el de sus propios indicadores agregados. Sin embargo, los indicadores de actividad de manufactura y comercio y los índices de precios de alimentos, por ejemplo, tienen más del 60% de su varianza explicada por el movimiento conjunto de variables macroeconómicas. Esto indica que su comportamiento está principalmente determinado por las condiciones generales de la economía, por lo que su dinámica puede ser modificada a través de políticas macroeconómicas. Finalmente, la mayor persistencia a los choques idiosincráticos (tabla 3) se observa en el indicador de actividad del comercio y algunos grupos del IPC como: equipos del hogar, educación, esparcimiento y cultura y servicios a viviendas. Por el contrario, la persistencia del choque idiosincrático en el indicador de actividad del sector construcción es casi nula, a pesar de la importancia de su peso. En cuanto a la cartera de crédito, el comportamiento es variable, según su destino. La cartera de vehículos y tarjetas de crédito están fundamentalmente

19

afectadas por el desempeño conjunto de las variables macroeconómicas, en tanto que las carteras comercial y agrícola están determinadas por los elementos idiosincráticos. La cartera hipotecaria es la que presenta mayor persistencia a los choques idiosincráticos.

8. Conclusiones Por medio de la aplicación del enfoque factorial, este estudio identificó y caracterizó los principales choques a los que se encontró expuesta la economía venezolana en los últimos seis años. La naturaleza de la técnica empleada, así como la estrategia de identificación adoptada, permitieron efectuar el análisis de los impactos de forma global, sin la imposición de excesivas restricciones. Asimismo, la robustez de los resultados encontrados da cuenta de lo apropiado del uso de este tipo de modelos para el análisis macroeconómico a nivel estructural, en contraposición a los enfoques más tradicionales, como son los SVAR. Ente los principales resultados obtenidos, destaca que, ante choques monetarios, los niveles de actividad económica parecen no exhibir cambios, tal y como muestran aplicaciones recientes en torno al efecto de la política monetaria. No obstante, algunos precios, particularmente los de los bienes, si parecen reaccionar mostrando reducciones temporales. Por su parte, los choques fiscales no anticipados generan incrementos sobre el consumo y la producción del sector construcción, a la vez que provocan alzas en el nivel general de precios, incluido el tipo de cambio nominal. Tales efectos son típicos de un choque de demanda agregada. No obstante, debido a la creación de dinero primario que se produce a partir de las acciones fiscales expansivas, los agregados monetarios se incrementan y las tasas de interés tienden a caer, lo que probablemente potencia los efectos inflacionarios de dichos choques. El análisis de los efectos de los choques monetarios y fiscales pareciera indicar que los instrumentos de estas políticas han venido perdiendo su efectividad en el tiempo: el primero de ellos para controlar la inflación, y el segundo, para generar crecimiento en el corto plazo. Debido a los efectos monetarios que se asocian a la gestión fiscal, el control del gasto pareciera más efectivo para reducir la inflación (sin tener efectos contractivos agregados) que el propio instrumento de política monetaria. Esto debe conducir a la revisión del dinamismo que ha exhibido la política monetaria reciente, de las condiciones cambiarias y de las características del propio instrumento de política (más sobre esta discusión se encuentra en Pagliacci, Chirinos y Barráez, 2011). En cuanto a la pérdida de efectividad de la política fiscal, las razones podrían encontrarse en la incorporación de nuevos instrumentos de ejecución (como es el caso del fondo de ahorros para proyectos de desarrollo, Fonden), los cuales han afectado la medición de la ejecución real del gasto. Estos son temas que deberían ser estudiados en mayor profundidad. Por otro lado, uno de los resultados distintivos de este estudio se refiere a la caracterización del choque petrolero predominantemente como un choque expansivo de la oferta agregada. Sin embargo, al estar este crecimiento asociado a una activa política de importaciones, su sostenibilidad está condicionada por la disponibilidad de suficientes recursos externos. Tal como denota la literatura sobre economías abundantes en recursos naturales, la expansión de la producción pareciera vincularse mayormente a los sectores productores de servicios, y bienes no-transables en general, lo que lleva a la economía a una sobre-especialización en la producción, que muy probablemente atenta contra el crecimiento en el largo plazo. Este es un elemento crucial que debe considerarse al trazar las estrategias de desarrollo económico.

20

Bibliografía

Arreaza, A., Ayala, N. y Fernández, M. (2001). “Mecanismos de transmisión de política monetaria en Venezuela”. Series Documentos de trabajo N° 34. Banco Central de Venezuela. Arreaza, A., Blanco, E. y Dorta, M. (2003). “A Small Scale Macroeconomic Model for Venezuela”. Series Documentos de trabajo N° 43. Banco Central de Venezuela. Arreaza, A. y Dorta, M. (2004). “Sources of macroeconomic fluctuactions in Venezuela”. Series Documentos de trabajo N° 56. Banco Central de Venezuela. Bai, J. y Ng, S. (2002). “Determining the Number of factors in approximate factor models”, Econometrica, 70, pp. 191-221. Bai, J. y Ng, S. (2007). “Determining the number of primitive shocks in factor models in approximate factor models”, Journal of Business and economic statistics, 25, pp. 52-60. Baldini, A. (2005). “Fiscal policy and business cycles in an oil-producing economy: the case of Venezuela”.IMF Working Paper WP/05/237. Bernanke, B., Boivin, J., Eliasz, P. (2005). "Measuring the effects of monetary policy: A factor-augmented vector autoregressive (FAVAR) approach," The Quarterly Journal of Economics, 120, pp. 387-422. Canova, F. y De Nicoló, G. (2002). “Monetary disturbances matter for business fluctuations in G-7”. Journal of Monetary Economics, 42, pp. 1131-1159. Canova, F. (2005). Methods for applied Macroeconomic Research. Princeton University Press, United States of America. Canova, F. y Pina J. (1999). "Monetary policy misspecification in VAR models." CEPR Discussion Papers 2333, C.E.P.R. Discussion Papers Christiano, L., Eichenbaum, M. and Evans, C. (1999). “Monetary policy shocks: What we have learned and to what end?”. Handbook of Macroeconomics, volume 1. Dorta, M., Sáez, F., Zavarce, H (2006). “Tipo de cambio real, expectativas y ciclo económico en Venezuela”. Series Documentos de trabajo N° 72. Banco Central de Venezuela. Breitung, J. y Eickmeier, S. (2005). “How Synchronized are Central and East European Economies with the Euro Area? Evidence from a Structural Factor Model”. Manuscrito. Eickmeier, S. (2009). “Comovements and heterogeneity in the Euro area analyzed in a non-stationary dynamic factor model”. Journal of Applied Econometrics, 24, pp. 933-959. Faust, J. (1998). “The robustness of identified VAR: Conclusions about money”. International Finance Discussion Papers 610, Board of Governors of the Federal Reserve System (U.S).

21

Fernández, L. (2009). “Flexibilidad de precios en una economía con inflación: caso Venezuela.”. Series Documentos de trabajo N° 107. Banco Central de Venezuela. Forni, M., Giannoni, D., Lippi, M., Reichlin, L. (2007). "Opening the black box - structural factor models with large gross-sections," Econometric Theory, Cambridge University Press, 25, pp. 1319-1347. Forni, M. y Gambetti, L. (2010). The dynamic effects of monetary policy: A structural factor model approach," Journal of Monetary Economics, 57, pp. 203-216. Fry, R. y Pagan, A. (2009). “Sign restrictions in structural vector autoregressions: A critical review”. CAMA Working Papers 2010-22, Centre for Applied Macroeconomic Analysis, Australian National University. Hamilton, J. (2001). "What is an Oil Shock?," NBER Working Papers 7755, National Bureau of Economic Research, Inc. Hausmann, R. y Rigobón, R. (2006). “Una interpretación alternativa de la maldición de los recursos: teoría e implicaciones de política”. Crecimiento económico en Venezuela: bajo el signo del petróleo, parte II, Banco Central de Venezuela. Luciani, M. (2010). "Monetary policy and the housing market: a structural factor model" Working Papers 7, Ministry of Economy and Finance, Italy. Mendoza, O. y Vera, D. (2010). “The asymmetric effects of oil shocks on an oil exporting economy” Cuadernos de Economía, 47, pp. 3-13 Morales, J. y Saez, F (2011). “Monetary and Fiscal policy in an estimated DSGE model for a Small Open Oil Producer Economy”. Mimeo Moreno, M. y Shelton, C. (2008). “Sleeping in the bed one makes: the Venezuelan Fiscal policy response to the oil boom”. Venezuela: anatomy of a collapse, capítulo II. Mountford, A. y Uhlig, H. (2009). "What are the effects of fiscal policy shocks?," Journal of Applied Econometrics, John Wiley & Sons, 24, pp. 960-992. Pagliacci, Chirinos y Barráez (2011). “What else can we say about the bank lending channel in Venezuela? A sign restriction approach”. Mimeo Pagliacci, C. y Ruda, M. (2004). ¿Tienen efectos las acciones de política monetaria? Un análisis de intencionalidad. Series Documentos de trabajo N° 64. Banco Central de Venezuela. Peña, D. (2002). Analisis de datos multivariantes. McGraw-Hill, España. Rodríguez, F. y Sasch, J. (1999). “Why Do Resource-Abundant Economies Grow More Slowly?”. Journal of Economic Growth, 4, pp. 277-303.

22

Rubio, J. Waggoner, D. y Zha, T. (2008). “Structural vector autoregressions: theory of identification and algorithms for inference”. Working Paper 2008-18, Federal Reserve Bank of Atlanta. Sáez, F. y Puch, L. (2004). “Shocks externos y fluctuaciones en una economía petrolera”. Series Documentos de trabajo N° 59. Banco Central de Venezuela. Sargent, T. and Sims, C. (1977). “ Business Cycle Modelling without pretending to have too much a-priori Economic Theory. In: Sims (Ed.), New Methods in Business Cycles Research. Minneapolis: Federal Reserve Bank of Minneapolis. Soares, R. (2011). "Assesing monetary policy in the euro area: a factor augmented VAR approach”, Working paper 11, Banco de Portugal. Stock, J. y Watson, M. (2002a). “Forecasting using principal components from a large number of predictors”. Journal of the American Statistical Association ,97, pp. 1167-1179. Stock, J. and Watson, M. (2002b). “ Macroeconomic Forecasting using Diffusion Indexes”. Journal of Business and Economic Statistics, 20, pp. 147-162. Uhlig, H. (2005). “What are the effects of monetary policy on output? Results from an agnostic identification procedure”. Journal of Monetary Economics, 52, pp. 381-419

23

Ambito Variable Leyenda TransformacionIndice general de actividad económica mensual (IGAEM) IGAEM dlog_sa

IGAEM no petrolero IGAMENNP dlog_saIGAEM petrolero IGAEMP dlog_sa

IGAEM no transable IGAEMNT dlog_saIGAEM transable IGAEMT dlog_saIGAEM Minería IGAMIN dlog_sa

IGAEM Electricidad IGAELECT dlog_saIGAEM Comercio IGACOM dlog_sa

IGAEM Manufactura IGAMAN dlog_saIGAEM Instituciones financieras IGAFINC dlog_sa

IGAEM Servicios prestados a las empresas IGASEREM dlog_saIGAEM servicios a los inmuebles IGAINM dlog_sa

IGAEM servicios comunales IGASERCOM dlog_saIGAEM sector construcción IGACONT dlog_sa

Indice de ventas comerciales (IVC) IVC dlog_saIVC al mayor IVCM dlog_saIVC al menor IVCME dlog_sa

IVC en reparaciones IVCREP dlog_saIndice de volumen de produccion (IVP) IVP dlog_sa

IVP alimentos, bebidas y tabaco IVPALI dlog_saIVP Productos textiles IVPTEX dlog_sa

IVP Maquinaria y equipo IVPMAQ dlog_saIVP Muebles e ind, manufactureras IVPMOB dlog_sa

IVP cauchos y plástico IVPVCAH dlog_saVentas de vehículos totales VEHIC dlog_sa

Ventas nacionales de Cemento CEMN dlog_saVentas nacionales de cabillas CABLL dlog_sa

Tasa de desocupación DESEM d_saTasa de ocupación informal OCUPINF d_sa

Salario minimo real SALREAL dlog_saIndice de precios al consumidor (IPC) IPC dlog

IPC controlado IPCCONT dlogIPC no controlados IPCNOCONT dlog

IPC transables IPCTRAN dlogIPC no transables IPCNOTRAN dlog

IPC Alimentos IPCALI dlogIPC Bebidas alcohólicas y tabacos IPCBEB dlog

IPC Vestido y calzado IPCVEST dlogIPC Alquiler de vivienda IPCVIV dlog

IPC Servicios de la vivienda excepto teléfono IPCSERV dlogIPC Equipamiento del hogar IPCEQUIP dlog

IPC Salud IPCSALUD dlogIPC Transporte IPCTRANS dlog

IPC Comunicaciones IPCCOMUN dlogIPC Esparcimiento y cultura IPCCULT dlogIPC Servicio de educación IPCEDUC dlogIPC Restaurantes y hoteles IPCREST dlog

IPC Bienes y servicios diversos IPCDIVERS dlogindice de precios insumos de la construccion (productor) IPCONSTP dlogindice de precios insumos de la construccion (al mayor) IPCONSTM dlog

Núcleo inflacionario NUCLEO dlogIndice de precios al mayor (IPM) IPM dlog

IPM bienes nacionales IPMNAC dlogIPM importado IPMIMPOR dlog

IPM Productos agrícolas IPMAGR dlogIPM alimenticios, bebidas y tabaco IPMALI dlog

IPM textiles y de cuero IPMTEX dlogIPM Maquinaria y equipo n.c.p. IPMMAQ dlog

Indice de precios al productor (IPP) IPP dlogIPP Productos alimenticios y bebidas IPPALIM dlog

IPP Productos de tabaco IPTABC dlogIPP Productos textiles IPPTEX dlog

IPP Maquinaria y equipo IPPMAQ dlogIPP Vehículos automotores IPPVEHIC dlog

IPP Muebles e ind, manufactureras IPPMOB dlog

- Sin cambiosSa Ajustado estacionalmenteLog En logaritmo natural

Log_sa En logaritmo natural, ajustado estacionalmentedlog 1ra Diferencia del logaritmo natural

dlog_sa 1ra Diferencia del logaritmo natural, ajustados estacionalmente

Actividad económica

Mercado de trabajo

Precios

Tabla 1: Variables y transformaciones empleadas en el modelo factorial

24

Tabla 1: Variables y transformaciones empleadas en el modelo factorial (continuación)

Ambito Variable Leyenda TransformacionDinero circulante (M1) M1 dlog_sa

Liquidez monetaria (M2) M2 dlog_saCuasidinero (efectivo + depósitos a la vista) CUASIM dlog

Dinero base (DB) DB dlog_saEfectivo (como % del dinero base rezagado un período) EFC -

Reservas bancarias excedentes promedio (% del DB rezagado un período) RB -Monto negociado en el interbancario (% del DB rezagado un período) MINTB -

Encaje implícito (base dep) R_DEP -Incidencia del sector público en DB (como % del DB rezagado un período) INSP_DB Sa

Incidencia del sector público + BCV en DB (como % del DB rezagado un período) INSPT_DB SaSaldo de certificado de depósitos en circulación CD dlog

Tasa de interés activa promedio TA -T. activa Agrícola TAAGRC -T. activa Industrial TAIND -T. activa Comercio TACOMER -

T. activa Hipotecarios TAHIP -T. activa Adquisición de Vehículos TAVEHIC -

T. activa Tarjetas de Crédito TATDC -Tasa de interés plazo promedio TPLZ -

T. pasiva por depósitos a la vista remunerados TPDVIST -T. pasiva por depósitos de ahorro TPAHOR -

Tasa promedio efectiva de las operaciones de absorción del BCV TABS -Tasas de interés interbancaria promedio TINTB -

Créditos brutos reales CCR dlogCréditos reales para adquisición de vehículos CCVEHIC dlogCréditos reales mediante tarjetas de crédito CCTDC dlog

Créditos reales hipotecarios CCHIP dlogCréditos reales al sector agrícola CCAGRIC dlog

Créditos reales para el comercio, restaurantes y hoteles CCCOMER dlogDepósitos reales a la vista DRVIST dlogDepósitos reales de ahorro DAHOR dlogDepósitos reales a plazo DPLZ dlog

Inversiones en títulos valores reales ITV dlogReservas Internacionales Netas RIN dlog

Venta neta de divisas (como % de RIN rezagada un período) DIVISA_RIN -Tipo de cambio oficial TCO dlog

Tipo de cambio no oficial TCNO dlogTipo de cambio real (Precios trasables / Precios no transables) TCR dlog

Tipo de cambio real bilateral TCRBI dlogRatio IGAEM transable / IGAEM no transable YT_YNT dlog

Tasa de interés externa (US prime loans) TEXTR -Valor de importaciones totales IMPOR dlog

Gasto base caja real del Gobierno Central GFR Log_saSaldo Deuda interna DEUDAI dlogSaldo Deuda externa DEUDAE dlog

Ingreso petrolero real del Gobierno Central IGPR Log_saIngreso no petrolero real del Gobierno Central IGNPR Log_sa

Superavit global real del Gobierno Central SUP SaPrecios del petroleo promedio (cesta venezolana) PP dlogProducción petrolera mensual promedio PDVSA PETRO Log

Exportaciones petroleras totales EXPORP Log

- Sin cambiosSa Ajustado estacionalmenteLog En logaritmo natural

Log_sa En logaritmo natural, ajustado estacionalmentedlog 1ra Diferencia del logaritmo natural

dlog_sa 1ra Diferencia del logaritmo natural, ajustados estacionalmente

Fiscal - petrolero

Mercado monetario

Sector externo

Sistema bancario

25

Cuadro 1: Criterios informativos ICP1, ICP2, PCP1 y PCP2 para la selección de los factores estáticos

K=5 K=10 K=15 K=25 K=30 K=5 K=10 K=15 K=25 K=30

1 -0.12731877 -0.12731877 -0.12731877 -0.12731877 -0.12731877 -0.116138 -0.116138 -0.116138 -0.116138 -0.1161382 -0.18868886 -0.18868886 -0.18868886 -0.18868886 -0.18868886 -0.1663273 -0.16632732 -0.16632732 -0.16632732 -0.166327323 -0.22607614 -0.22607614 -0.22607614 -0.22607614 -0.22607614 -0.19253 -0.19253 -0.19253 -0.19253 -0.192534 -0.22811124 -0.22811124 -0.22811124 -0.22811124 -0.22811124 -0.1833882 -0.18338815 -0.18338815 -0.18338815 -0.183388155 -0.23090 -0.23090 -0.23090 -0.23090 -0.23090 -0.1749959 -0.17499585 -0.17499585 -0.17499585 -0.174995856 -0.22424957 -0.22424957 -0.22424957 -0.22424957 -0.15716494 -0.15716494 -0.15716494 -0.157164947 -0.21929595 -0.21929595 -0.21929595 -0.21929595 -0.14103055 -0.14103055 -0.14103055 -0.141030558 -0.21106423 -0.21106423 -0.21106423 -0.21106423 -0.12161806 -0.12161806 -0.12161806 -0.121618069 -0.19995946 -0.19995946 -0.19995946 -0.19995946 -0.09933252 -0.09933252 -0.09933252 -0.0993325210 -0.1852629 -0.1852629 -0.1852629 -0.1852629 -0.07345519 -0.07345519 -0.07345519 -0.0734551911 -0.16766276 -0.16766276 -0.16766276 -0.04467427 -0.04467427 -0.0446742712 -0.14862258 -0.14862258 -0.14862258 -0.01445333 -0.01445333 -0.0144533313 -0.12685954 -0.12685954 -0.12685954 0.01849049 0.01849049 0.0184904914 -0.10700696 -0.10700696 -0.10700696 0.049523839 0.049523839 0.04952383915 -0.08751994 -0.08751994 -0.08751994 0.080191625 0.080191625 0.08019162516 -0.06756106 -0.06756106 0.111331277 0.11133127717 -0.04293798 -0.04293798 0.14713513 0.1471351318 -0.0181518 -0.0181518 0.183102085 0.18310208519 0.004636438 0.00463644 0.217071092 0.21707109220 0.026624427 0.02662443 0.250239852 0.25023985221 0.04744216 0.2822383622 0.06775193 0.31372889623 0.08867772 0.34583545524 0.10951491 0.37785342225 0.12907042 0.40858970126 0.14743873 0.43813878527 0.16850903 0.47038985128 0.1889534 0.50201499629 0.20835992 0.53260229130 0.22511414 0.560537281

K=5 K=10 K=15 K=25 K=30 K=5 K=10 K=15 K=25 K=30

1 0.85544604 0.842802084 0.835041857 0.825307381 0.82207987 0.86140251 0.846986199 0.838138193 0.8270392 0.8233592822 0.79093309 0.765645166 0.750124712 0.730655759 0.72420075 0.80284602 0.774013396 0.756317383 0.734119397 0.7267595613 0.75538483 0.717452948 0.694172266 0.664968836 0.65528632 0.77325422 0.730005291 0.703461273 0.670164293 0.659124544 0.748561 0.697985156 0.666944248 0.628006341 0.61509632 0.77239 0.714721615 0.67932959 0.634933617 0.6202139465 0.74521 0.68198938 0.643188244 0.594515861 0.57837833 0.7749915 0.702909953 0.658669922 0.603174956 0.5847753686 0.674278059 0.627716696 0.569309836 0.5499448 0.699382747 0.646294709 0.579700749 0.5576212447 0.668434766 0.614113176 0.545971839 0.52337929 0.69772 0.635787525 0.558094572 0.5323351488 0.66656 0.60448238 0.526606567 0.50078652 0.700037115 0.629253065 0.540461118 0.5110217779 0.668029177 0.598187132 0.510576842 0.48152928 0.705686208 0.62605 0.526163212 0.49304395410 0.672719337 0.595117065 0.497772298 0.46549723 0.714560482 0.62608042 0.515090487 0.47829131111 0.59465 0.487572299 0.45206973 0.628711234 0.506622307 0.46614321312 0.596021654 0.479207934 0.44047786 0.633177681 0.499989761 0.4558307513 0.59946167 0.472913473 0.43095589 0.639714032 0.495427119 0.4475881914 0.603390103 0.467107429 0.42192234 0.646738801 0.491352894 0.43983404715 0.608273367 0.462256217 0.41384362 0.654718401 0.488233501 0.43303473716 0.45853455 0.40689445 0.48624 0.42736497117 0.456894887 0.40202728 0.486335809 0.4237772118 0.456044107 0.39794899 0.487216848 0.42097833119 0.45545832 0.3941357 0.48836288 0.41844444520 0.45542 0.39087231 0.49005882 0.41646046721 0.455852183 0.38807455 0.49222038 0.4149421122 0.456870512 0.38586537 0.494970528 0.41401234123 0.458650652 0.384418 0.498482488 0.4138424 0.46102046 0.38356031 0.502584114 0.41426609125 0.463762998 0.38307534 0.507058471 0.41506053126 0.38298 0.41624359127 0.38380256 0.41834656428 0.38501842 0.42084183329 0.38656338 0.42366620630 0.38824855 0.426630787

r / kmaxPCP1 PCP2

ICP1r / kmax

ICP2

26

Cuadro 2: Criterios q1, q2, q3 y q4 para la selección de los factores dinámicos

D 1,k D 2,k К1 К2 К3 К4

1 0.4659 0.7494 0 0 0 02 0.4544 0.5870 0 0 0 03 0.3158 0.3717 0 0 0 04 0.1643 0.1961 4 4 4 45 0.0908 0.1069 5 5 5 56 0.0564 0.0564 6 6 6 6

4 4 4 4

D 1,k D 2,k К1 К2 К3 К4

1 0.4659 0.7494 0 0 0 02 0.4544 0.5870 0 0 0 03 0.3158 0.3717 0 0 0 04 0.1643 0.1961 4 4 4 45 0.0908 0.1069 5 5 5 56 0.0564 0.0564 6 6 6 6

4 4 4 4

1/ Contrastados a valores críticos de 0,1699 (bajo covarianza) y 0,2124 (correlación)

Basados en la matriz de covarianzas de e (m = 1, δ = 0.1)

k

kCriterios de selección

Criterios de selecciónEstadisticos de contraste 1/

Estadisticos de contraste 1/

Basados en la matriz de correlaciones de e (m = 1.3, δ = 0.1)

ii kq Κ∈= min

ii kq Κ∈= min

27

5 10 15 20-1.5

-1

-0.5

0

0.5

1

1.5IGAEM

5 10 15 20-1.5

-1

-0.5

0

0.5

1

1.5IGAMENNP

5 10 15 20-1.5

-1

-0.5

0

0.5

1

1.5IGACOM

5 10 15 20-1.5

-1

-0.5

0

0.5

1

1.5IGAMAN

5 10 15 20-1.5

-1

-0.5

0

0.5

1

1.5IGACONT

5 10 15 20-1.5

-1

-0.5

0

0.5

1

1.5IVCME

5 10 15 20-1.5

-1

-0.5

0

0.5

1

1.5IVP

5 10 15 20-1.5

-1

-0.5

0

0.5

1

1.5VEHIC

5 10 15 20-1.5

-1

-0.5

0

0.5

1

1.5IPC

5 10 15 20-1.5

-1

-0.5

0

0.5

1

1.5IPCONSTP

5 10 15 20-1.5

-1

-0.5

0

0.5

1

1.5NUCLEO

5 10 15 20-1.5

-1

-0.5

0

0.5

1

1.5IPM

5 10 15 20-1

-0.5

0

0.5

1IPMNAC

5 10 15 20-1.5

-1

-0.5

0

0.5

1

1.5IPMIMPOR

5 10 15 20-1.5

-1

-0.5

0

0.5

1

1.5IPP

Grafico 1.1. Choque monetario contractivo. Sector real Grafico 1.2. Choque monetario contractivo. Sector precios

28

5 10 15 20

-1

0

1

TCNO

5 10 15 20

-1

0

1

TCR

5 10 15 20-1

0

1IMPOR

5 10 15 20

-1

0

1

GFR

5 10 15 20

-1

0

1

DEUDAI

5 10 15 20

-1

0

1

DEUDAE

5 10 15 20

-1

0

1

IGPR

5 10 15 20

-1

0

1

IGNPR

5 10 15 20

-1

0

1

SUP

5 10 15 20

-0.5

0

0.5

M1

5 10 15 20

-0.5

0

0.5

M2

5 10 15 20

-0.5

0

0.5

CUASIM

5 10 15 20

-0.5

0

0.5

DB

5 10 15 20

-0.5

0

0.5

RB

5 10 15 20

-0.5

0

0.5

INSPTDB

5 10 15 20

-1

0

1

TA

5 10 15 20

-1

0

1

TPLZ

5 10 15 20

-1

0

1

TINTB

Grafico 1.3 .Choque monetario contractivo. Sector monetario Grafico 1.4. Choque monetario contractivo. Sector fiscal-externo

29

5 10 15 20-1

0

1IGAEM

5 10 15 20-1

0

1IGAMENNP

5 10 15 20-1

0

1IGACOM

5 10 15 20-1

0

1IGAMAN

5 10 15 20-1

0

1IGACONT

5 10 15 20-1

0

1IVCME

5 10 15 20-1

0

1IVP

5 10 15 20-1

0

1VEHIC

5 10 15 20-1

-0.5

0

0.5

1IPC

5 10 15 20-1

-0.5

0

0.5

1IPCONSTP

5 10 15 20-1

-0.5

0

0.5

1NUCLEO

5 10 15 20-1

-0.5

0

0.5

1IPM

5 10 15 20-1

-0.5

0

0.5

1IPMNAC

5 10 15 20-1

-0.5

0

0.5

1IPMIMPOR

5 10 15 20-1

-0.5

0

0.5

1IPP

Grafico 2.1. Choque fiscal expansivo. Sector real Grafico 2.2. Choque fiscal expansivo. Sector precios

30

5 10 15 20

-1

0

1

TCNO

5 10 15 20

-1

0

1

TCR

5 10 15 20

-1

0

1

IMPOR

5 10 15 20

-1

0

1

GFR

5 10 15 20-0.5

0

0.5DEUDAI

5 10 15 20

-1

0

1

DEUDAE

5 10 15 20

-1

0

1

IGPR

5 10 15 20

-1

0

1

IGNPR

5 10 15 20

-1

0

1

SUP

Grafico 2.3. Choque fiscal expansivo. Sector monetario

Grafico 2.4. Choque fiscal expansivo. Sector fiscal-externo

5 10 15 20-1

0

1M1

5 10 15 20

-0.5

0

0.5

M2

5 10 15 20

-0.5

0

0.5

CUASIM

5 10 15 20

-0.5

0

0.5

DB

5 10 15 20

-0.5

0

0.5

RB

5 10 15 20

-0.5

0

0.5

INSPTDB

5 10 15 20

-1

0

1

TA

5 10 15 20

-1

0

1

TPLZ

5 10 15 20

-1

0

1

TINTB

5 10 15 20

-0.5

0

0.5

CCTDC

31

5 10 15 20

-2

-1

0

1

2IPC

5 10 15 20

-2

-1

0

1

2

IPCONSTP

5 10 15 20

-2

-1

0

1

2

NUCLEO

5 10 15 20

-2

-1

0

1

2

IPM

5 10 15 20

-2

-1

0

1

2

IPMNAC

5 10 15 20

-2

-1

0

1

2

IPMIMPOR

5 10 15 20

-2

-1

0

1

2

IPP

Grafico 3.1. Choque petrolero expansivo. Sector real

Grafico 3.2. Choque petrolero expansivo. Sector precios

5 10 15 20-1

0

1IGAEM

5 10 15 20-1

0

1IGAMENNP

5 10 15 20-1

0

1IGACOM

5 10 15 20-1

0

1IGAMAN

5 10 15 20-1

0

1IGACONT

5 10 15 20-1

0

1IVCME

5 10 15 20-1

0

1IVP

5 10 15 20-1

0

1VEHIC

5 10 15 20-1

0

1DESEM

325 10 15 20

-0.5

0

0.5

YTYNT

5 10 15 20-1

0

1

M1

5 10 15 20

-1

0

1

M2

5 10 15 20

-1

0

1

CUASIM

5 10 15 20

-1

0

1

DB

5 10 15 20

-1

0

1

RB

5 10 15 20

-1

0

1

INSPTDB

5 10 15 20

-2

0

2

TA

5 10 15 20

-2

0

2

TPLZ

5 10 15 20

-2

0

2

TINTB

5 10 15 20

-1

0

1

CCR

5 10 15 20

-2

0

2

CCTDC

5 10 15 20

-0.5

0

0.5

TCNO

5 10 15 20

-0.5

0

0.5

TCR

5 10 15 20-1

0

1IMPOR

5 10 15 20-1

0

1GFR

5 10 15 20

-1

0

1

DEUDAI

5 10 15 20

-1

0

1

DEUDAE

5 10 15 20-1

0

1IGPR

5 10 15 20-1

0

1IGNPR

5 10 15 20-1

0

1SUP

5 10 15 20-1

0

1PP

Grafico 3.3. Choque petrolero expansivo. Sector monetario Grafico 3.4. Choque petrolero expansivo. Sector fiscal- externo

33

Tabla 2: Descomposición de la variabilidad de los indicadores agregados

ΛiF ζi

IGAEM 93.3 7.9 -0.44IGAMENNP 94.3 6.9 -0.50

IVC 60.3 40.9 -0.94IVCM 68.6 32.6 -0.32

IVCME 19.2 82.0 -0.59IVP 91.5 9.7 -0.43

VEHIC 51.4 49.9 -0.5168.4 32.9 -0.53

IPC 88.3 12.9 -0.04IPCTRAN 84.6 16.6 -0.50

IPCNOTRAN 60.0 41.2 -0.17NUCLEO 83.0 18.2 -0.17

IPM 74.9 26.3 -0.12IPMNAC 67.7 33.5 -0.25

IPMIMPOR 78.8 22.4 0.28IPP 81.9 19.3 0.09

77.4 23.8 -0.11M1 59.1 42.1 -0.18M2 60.2 41.0 -0.15

CUASIM 28.1 73.1 0.02DB 28.1 73.1 -0.41RB 54.8 46.4 0.70

INSPT_DB 41.0 60.2 -0.33TA 93.2 8.0 0.26

TPLZ 85.2 16.0 0.41TINTB 42.8 58.4 0.49CCR 47.6 53.6 0.08

54.0 47.2 0.09TCNO 41.2 60.1 -0.02IMPOR 30.4 70.9 -0.08

GFR 71.1 30.2 -0.55DEUDAI 33.5 67.7 -0.16DEUDAE 35.6 65.6 -0.25

IGPR 51.0 50.2 -0.52IGNPR 62.8 38.4 -0.62

SUP 37.5 63.7 -0.5245.4 55.8 -0.34

* Dado por la sumatoria de coeficientes de un modelo AR(ρ ) para cada error calculado

Promedio

Promedio

Promedio

Promedio

Fiscal - externo

Actividad economica

Precios

Dinero y tasas

Persistencia de ζ i *Ambito Variable

% de varianza de X i explicado por

34

ΛiF ζi

IGAMAN 91.6 9.6 -0.44IGACOM 60.3 40.9 -0.88IGACONT 31.6 69.6 -0.04

61.2 40.0 -0.5IPCDIVERS 74.6 26.6 -0.01IPCONSTP 73.8 27.5 -0.12

IPCALI 71.4 29.8 -0.31IPCONSTM 71.3 29.9 -0.12

IPMNAC 67.7 33.5 -0.25IPCCULT 60.9 40.3 -0.63

IPCNOTRAN 60.0 41.2 -0.17IPCREST 59.6 41.6 -0.29

IPCTRANS 55.8 45.4 -0.39IPCSALUD 50.0 51.2 -0.26

IPCVIV 35.5 65.7 0.29IPCBEB 34.6 66.6 -0.06

IPCVEST 31.2 70.0 -0.07IPCSERV 24.8 76.4 -0.54IPCEQUIP 19.5 81.7 -1.27

IPCCOMUN 12.4 88.8 -0.02IPCEDUC 10.8 90.4 -1.00

47.9 53.3 -0.31CCVEHIC 78.4 22.8 -0.04CCTDC 70.8 30.4 -0.16CCHIP 57.1 44.1 0.54

CCCOMER 43.4 57.8 -0.18CCAGRIC 27.7 73.5 0.00

55.5 45.7 0.03

IGAEM

CCR

Indicador VariablePersistencia de

ζ i *

* Dado por la sumatoria de coeficientes de un modelo AR(ρ ) para cada error calculado

Promedio

Promedio

Promedio

% de varianza de X i explicado por

IPC

Tabla 3: Descomposición de la variabilidad de los indicadores sectoriales