Demanda dinero-cr-estac
0 recomendaciones550 vistas
Este documento propone el uso de variables instrumentales estacionales (dummy) en modelos de regresión en lugar de usar series de tiempo desestacionalizadas. Explica cómo crear variables dummy estacionales para cada trimestre y cómo incluirlas en los modelos para capturar el componente estacional sin causar problemas de colinealidad. Aplica este enfoque a un modelo de demanda monetaria para Costa Rica y compara los resultados con un modelo tradicional que usa variables desestacionalizadas.
Demanda dinero-cr-estac
- 1. _____________________ Agradecemos las valiosas observaciones del Lic. Otto Kikut C., del Lic. Eduardo Méndez Q. y del Dr. Juan E. Muñoz G. BANCO CENTRAL DE COSTA RICA DIVISIÓN ECONÓMICA DEPARTAMENTO DE INVESTIGACIONES ECONÓMICAS DIE-NT-02-98 ABRIL, 1998 VARIABLES ESTACIONALES EN LOS MODELOS DE REGRESIÓN: UNA APLICACIÓN A LA DEMANDA POR DINERO DE COSTA RICA Ana Cecilia Kikut Valverde Carlos Torres Gutiérrez Resumen Esta nota técnica propone una forma alternativa de tratar el componente estacional presente en algunas series de tiempo que forman parte de los modelos econométricos. Sugiere incorporar variables instrumentales (dummy) estacionales para capturar este fenómeno, como una opción más apropiada en la estimación de modelos que utilizan la usual transformación de las variables para eliminar ese fenómeno, tal como series desestacionalizadas, en tendencia-ciclo, etc. Además, se describen los principales comandos en los paquetes econométricos SHAZAM y EVIEWS necesarios para incluir esas variables ficticias y ejemplifica su uso con la estimación de un modelo de demanda monetaria para Costa Rica. También, compara los resultados del enfoque tradicional (modelos con variables desestacionalizadas) con el propuesto (modelos con variables estacionales). Concluye, en línea con las nuevas tendencias en el área de la econometría, la conveniencia técnica de emplear variables dummy estacionales por sobre el uso de variables transformadas en los modelos de regresión, debido a que brindan resultados más atractivos, abundantes y valiosos para el análisis. DOCUMENTO DE TRABAJO DEL BANCO CENTRAL DE COSTA RICA, ELABORADO EN LA DIVISIÓN ECONÓMICA, DEPARTAMENTO DE INVESTIGACIONES ECONÓMICAS LOS CRITERIOS, ANÁLISIS Y CONCLUSIONES REPRESENTAN LA OPINIÓN DE SUS AUTORES, CON LOS QUE NO NECESARIAMENTE PODRÍA COINCIDIR EL BANCO CENTRAL DE COSTA RICA
- 2. 1 1. INTRODUCCION El estudio de ciertos fenómenos económicos en periodos subanuales suele dificultarse cuando las observaciones cuantitativas sobre éstos están dominadas por una marcada estacionalidad. Esta se refiere a un comportamiento o patrón en las cifras que se repite cada año, con cierta regularidad, pero que también puede evolucionar, y que es causado generalmente por fuerzas no económicas, de tipo exógeno, que los tomadores de decisión no pueden controlar. Si se deja este componente estacional en los modelos de regresión, se distorsionarían las relaciones de largo plazo y con ello la estimación de los coeficientes de los parámetros. Para reducir este problema el investigador tiende a obviar esta situación, que le impide observar en forma clara y definida el comportamiento de largo plazo del fenómeno, utilizando transformaciones estadísticas de los datos. Esto posiblemente influido por la idea de que la variación estacional es simplemente un tipo de “ruido” que contamina los datos económicos y no una parte fundamental de la serie que debería tratar de explicarse1/ . Al parecer, este enfoque ha propiciado la utilización de relaciones funcionales con variables no directamente observables, tales como aquellas desestacionalizadas e incluso en tendencia-ciclo. No obstante lo anterior, las nuevas tendencias de la teoría econométrica han abandonado esa práctica para concentrarse en relaciones funcionales que utilizan variables observables, grupo al que pertenecen las estacionales. Algunas razones por las cuales se recomienda descartar el uso de ese tipo de transformaciones, son las siguientes: • Se podrían producir errores de estimación de los componentes no observables (tendencia, ciclo, estacional e irregular).2/ • Cada nueva observación haría necesario el recálculo y revisión de los componentes de la serie.3/ • Es difícil remover en forma rigurosa la estacionalidad de una serie de tiempo, dado que generalmente es necesario acudir a supuestos fuertemente restrictivos.4/ 1/ Por medio de los coeficientes de variables dummy y no con el uso de variables explicativas económicas. 2/ Véase, Davidson y Mackinnon (1993), pág. 688. 3/ Véase, Cabrero y Delrieu (1996), pág. 9. 4/ Véase, Davidson y Mackinnon (1993), pág. 688.
- 3. 2 • Probablemente se den dificultades en los modelos estadísticos si los procedimientos automáticos de ajuste estacional aplican distintos filtros a series diferentes.5/ • Pueden surgir problemas econométricos cuando se establecen relaciones cuantitativas entre componentes no observables6/ En particular, se reduce la capacidad para realizar inferencias correctas acerca de las relaciones económicas, especialmente en los modelos dinámicos, los cuales incluyen entre las variables explicativas la variable dependiente rezagada.7/ Es por ello que se sugiere incorporar, como variables explicativas en las ecuaciones de regresión, las variables originales y las estacionales en vez de series transformadas. Estas variables artificiales se crean para capturar el componente estacional de las series de tiempo involucradas en las relaciones funcionales y, de esta forma, tratar de no ocultar el hecho, sino más bien explicarlo y cuantificarlo, lo cual lo convierte en un método más transparente y sólido. Cabe mencionar que en un modelo de regresión, el problema de la estacionalidad existe sólo cuando el patrón de comportamiento de las variables dependiente e independientes es distinto, es decir, cuando unas variables presentan estacionalidad y otras no. En algunos casos, puede ocurrir que la estacionalidad de la variable dependiente se explique con la estacionalidad de las independientes. De lo contrario, si no se usan variables estacionales, los residuos no serían ruido blanco. Un aspecto importante es que las variables estacionales se han utilizado en diversas investigaciones del FMI, por ejemplo en los modelos VAR y en el Banco de España en los modelos de ecuaciones de demanda de dinero.8/ En este trabajo se presenta este nuevo enfoque econométrico, mediante el cual se incorporan variables instrumentales estacionales en los modelos de regresión. Su contenido es el siguiente: en la segunda sección se explica el marco conceptual de las variables estacionales, en la tercera se mencionan los principales comandos de SHAZAM y EVIEWS necesarios para aplicarlas, en la cuarta se presenta una ilustración de su aplicación a una ecuación de demanda de dinero seleccionada, en la quinta se comparan los resultados de un modelo que utiliza variables desestacionalizadas con uno con variables estacionales y, por último, se incluyen algunas observaciones finales. 5/ Véase Davidson y Mackinnon (1993), pág. 696. 6/ Véase, Cabrero y Delrieu (1996), pág. 8 y Maravall (1994), citado por estos autores. 7/ Véase, Davidson y MacKinnon (1993), pág. 687. 8/ Véase, Agénor, Hoffmaister y Medeiros (1997) y Sánchez C., Carmen (1995).
- 4. 3 2. EL CONCEPTO DE LAS VARIABLES ESTACIONALES Las variables dummy para ajuste estacional son variables artificiales que asumen valores discretos, generalmente de 0 y 1. Estas fueron originalmente aplicadas por Lovell a inicios de los años 60 y sirven para “explicar” la estacionalidad en las series de tiempo, la cual, como se adelantó, es un patrón de comportamiento regular de una serie a lo largo de cada año, que obedecería a factores tales como costumbres, días festivos decretados, vacaciones de verano, época de navidad y otros factores similares que ocasionan incrementos o disminuciones en las magnitudes de ciertas variables, como por ejemplo la producción, las ventas, etc. Si se trabaja con datos trimestrales, la primera idea que surge es la de utilizar variables artificiales; una para cada trimestre, que pueden definirse como: q1, q2, q3 y q4; cuya representación para dos años cualesquiera sería: q1 = . . 0 0 0 1 0 0 0 1 , q2= . . 0 0 1 0 0 0 1 0 , q3 = . . 0 1 0 0 0 1 0 0 , q4 = . . 1 0 0 0 1 0 0 0 La inclusión de los coeficientes de estas variables y de la constante en un modelo de regresión produciría una matriz bianual X de la siguiente forma: X = ..... ..... 1000 1100 1010 1001 1000 1100 1010 1001 1 0 0 0 1 0 0 0 No obstante que lo anterior parece natural, las columnas correspondientes a las variables estacionales darían lugar a una combinación lineal exacta con la constante,9/ lo cual produciría que el determinante de la matriz X'X fuera igual a cero y, por tanto, singular (no invertible), lo cual no permitiría estimar los coeficientes del modelo de regresión. 9/ Se trata de un caso de multicolinealidad perfecta.
- 5. 4 Para evitar este inconveniente deben utilizarse únicamente tres de las cuatro variables dummy y por supuesto la constante. Así, por ejemplo, se puede excluir q4 en la matriz X y en este caso esa variable omitida estaría implícitamente recogida con la columna de la constante. En efecto, al utilizar sólo esas tres variables estacionales (junto con la constante y las restantes variables que sean de interés) en la matriz, se evitaría la colinealidad perfecta con la columna de la constante asociada con el intercepto. Esto por cuanto los cuatro trimestres estarían indicados con sólo las tres dummy: q1, q2, q3 y la constante, con lo cual la matriz sería: X = .... .... 1000 1100 1010 1001 1000 1100 1010 1001 Otra forma muy utilizada recientemente consiste en expresar las variables artificiales estacionales como desviaciones con respecto a la que corresponde al cuarto trimestre. Estas nuevas variables, que podrían denominarse S1, S2 y S3, corresponderían a las siguientes diferencias vectoriales: S1 = q1 - q4 S2 = q2 - q4 S3 = q3 - q4 Una vez efectuadas las operaciones anteriores e incorporado el vector de la constante, la nueva matriz X queda definida de la siguiente manera: X = −−−− −−− .... .... 1111 1100 1010 1001 1111 1100 1010 1001 Como se observa en la matriz anterior, los vectores de las variables dummy estacionales han sido definidos de forma tal que su suma sea cero en cada año, por lo que este sistema permite que el efecto estacional se anule en el año y que se obvie el problema de singularidad de la matriz.
- 6. 5 A manera de ejemplo, considérese un modelo de regresión con cifras trimestrales, en donde la variable Y depende de la variable Z y en el que se incorporan tres variables dummy trimestrales (Si, para todo i = 1, 2, 3) y un término de error (ε). Este modelo estaría representado de la siguiente manera: Y = β0 + β1Z + δ1S1 + δ2S2 + δ3S3 + ε La estimación se llevaría a cabo con las tres variables dummy trimestrales S1, S2 y S3. Los coeficientes de las tres variables dummy identifican las diferencias con respecto al cuarto trimestre. Es importante mencionar que en el caso de variables con periodicidad mensual, se crearían únicamente once variables estacionales, en forma equivalente a lo explicado en esta sección. Sin embargo, en este caso se presenta el incoveniente de que se requiere gran cantidad de observaciones. Por otra parte, no se debe dejar de lado que el uso de las variables estacionales presenta problemas cuando la estacionalidad es móvil, es decir, cuando varía año con año. En este caso, es difícil que capturen de una forma adecuada la estacionalidad.10/ 3. PROCEDIMIENTO EN SHAZAM Y EVIEWS Si bien las variables estacionales se pueden generar en una hoja electrónica, o pueden ser creadas manualmente en el archivo de trabajo, algunos paquetes econométricos incorporan comandos (automáticos) especiales para estos efectos. El paquete econométrico SHAZAM versión 7.0 tiene el comando SEAS(X), el cual permite crear una variable dummy estacional con periodicidad X. Por ejemplo, para generar variables dummy estacionales trimestrales, se puede utilizar el siguiente conjunto de comandos: MATRIX QD=SEAS(#,4) GENR QD1=QD:1 GENR QD2=QD:2 GENR QD3=QD:3 10/ No obstante, aún en este caso se sugiere utilizarlas adicionando variables dummy estacionales que han sido interactuadas con potencias de una tendencia de tiempo lineal que se incrementa anualmente o usar métodos de dominio de frecuencias. Profundizar en este tema se sale de los objetivos de esta nota técnica; una referencia detallada se podría consultar en Davidson y MacKinnon (1994), pág. 189-190.
- 7. 6 Donde el signo # corresponde al número de observaciones de la muestra con que se está trabajando. Como se observa, y de acuerdo con lo mencionado en la sección anterior, solamente se crean tres variables estacionales. En EVIEWS versión 2.0 existe el siguiente comando, el cual forma parte de los argumentos de la ecuación de regresión: @SEAS(d). El comando anterior permite generar una dummy estacional igual a uno cuando el trimestre o mes es igual a d y cero en otro caso. Por otra parte, una ventaja que presenta SHAZAM con respecto a EVIEWS es que permite incorporar las variables estacionales con el procedimiento stepwise, de una forma muy fácil, así: OLS Y X1 X2 X3 (D1 D2 D3 D4) Y dejar que sea el procedimiento el que “decida” el conjunto de dummy que mejora el resultado del ajuste. 4. APLICACION En esta sección se presenta un ejemplo utilizando variables dummy estacionales q1, q2 y q3. Luego se repite el ejercicio empleando S1, S2 y S3 y finalmente se comparan ambos resultados. Como aplicación del uso de las variables estacionales en el análisis de regresión, se optó por utilizar una de las ecuaciones de demanda de dinero trimestral, estimada recientemente y que produjo resultados satisfactorios. En esa ecuación se trató de una forma un tanto diferente la presencia de estacionalidad en el modelo de regresión.11/ Para llevar a cabo la aplicación, se utilizó el paquete EVIEWS. La nueva especificación se ejecutó de la siguiente manera: 11/ Para mayor detalle, véase Solano y Torres (1998).
- 8. 7 donde: LNEMIR: Logaritmo natural de los promedios geométricos trimestrales de la emisión monetaria nominal mensual, en saldos a fin de mes, deflactada por el IPC base enero 1995=100. C: Constante LNPIBR: Logaritmo natural del PIB real trimestral original, a precios de productor, año base 1966=100. IPA3: Tasa de interés pasiva bruta anual en colones, pagada por los bancos comerciales, a 3 meses plazo. LNEMIR(-1): Variable dependiente (emisión) rezagada un periodo. q1, q2, q3 y q4: Variables estacionales. El periodo analizado comprende desde el segundo trimestre de 1987 al cuarto de 1997 (43 observaciones).12/ En el siguiente gráfico se observa la marcada estacionalidad de la emisión monetaria y la necesidad de incorporar variables estacionales en el análisis de regresión. 12/ En el Anexo No.1 se incluye la base de datos utilizada en este trabajo.
- 9. 8 Gráfico No.1 Cuando se ajustó esa regresión se produjo un mensaje de error, tal como se indica en la siguiente pantalla, el cual se originó, como se explicó anteriormente, en la multicolinealidad perfecta de las cuatro variables estacionales con la constante de regresión, lo que impediría estimar los coeficientes del modelo: Posteriormente, se incorporaron a la ecuación de regresión sólo las tres primeras variables estacionales (q1, q2 y q3), de la siguiente forma: Emisión monetaria en términos reales 10.7 10.8 10.9 11 11.1 11.2 11.3 11.4 Q11987 Q41987 Q31988 Q21989 Q11990 Q41990 Q31991 Q21992 Q11993 Q41993 Q31994 Q21995 Q11996 Q41996 Q31997 Logaritmonatural
- 10. 9 Una vez eliminada la singularidad de la matriz de coeficientes, se obtuvieron los siguientes resultados principales: CUADRO No.1 AJUSTE DE REGRESION CON VARIABLES ESTACIONALES q1, q2, q3 VARIABLE DEPENDIENTE: LNEMIR Nombre de la variable Coeficiente Estadístico t C 0.8963 2.72 LNPIBR 0.2436 5.40 IPA3 -0.0039 -5.60 LNEMIR(-1) 0.7596 14.22 Q1 -0.1909 -18.28 Q2 -0.1704 -17.41 Q3 -0.1591 -17.87 R2 ajustado = 0.9787 Durbin-h = 1.350313/ Los coeficientes de las variables estacionales presentan signos negativos, que acumulan entre los tres -0.52, según se puede apreciar en el cuadro anterior. Esto indica que la demanda de emisión es en realidad menor de lo que sería sin estacionalidad (vía fundamentos o tendencia).14/ En este caso, q1, q2 y q3 tienden a compensar a q4; en donde la estacionalidad es más alta. Para estimar el coeficiente de q4 se debe restar de la unidad el acumulado de –0.52, lo que daría un coeficiente de 1.52. 13/ El Durbin-h estaría indicando que no se presentan problemas de autocorrelación. Asimismo, se detecta multicolinealidad entre la variable rezagada y las estacionales. 14/ Si no se rechaza la hipótesis de que, estadísticamente, los coeficientes son iguales a cero, no habría estacionalidad y la variable dependiente estaría de acuerdo con los fundamentos o la tendencia.
- 11. 10 Por otra parte, una forma adicional de “detectar” la necesidad de incorporar variables estacionales consiste en realizar el ajuste sin incorporarlas, observar el gráfico de los residuos y, si en estos aparece un “marcado” comportamiento estacional, entonces se decide agregarlas. A continuación se incluyen dos gráficos con los residuos “antes” de incorporar las variables estacionales y otro con los residuos “después” de agregarlas. GRAFICO No.2 RESIDUOS DEL MODELO SIN VARIABLES DUMMY ESTACIONALES GRAFICO No.3 RESIDUOS DEL MODELO CON VARIABLES DUMMY ESTACIONALES -0.15 -0.10 -0.05 0.00 0.05 0.10 0.15 87 88 89 90 91 92 93 94 95 96 97 RESID -0.04 -0.02 0.00 0.02 0.04 0.06 87 88 89 90 91 92 93 94 95 96 97 RESID
- 12. 11 Efectivamente, sin las dummy estacionales se nota el comportamiento estacional en los residuos de la regresión, mientras que al incorporarlas este factor parece no estar presente en los errores del ajuste. También se hizo la aplicación utilizando las variables estacionales en diferencias (S1, S2 y S3) como se muestra a continuación: Los resultados de esta nueva corrida se muestran en el siguiente arreglo estadístico: CUADRO No.2 AJUSTE DE REGRESION CON LAS VARIABLES ESTACIONALES S1, S2, S3 VARIABLE DEPENDIENTE: LNEMIR Nombre de la variable Coeficiente Estadístico t C 0.7661 2.30 LNPIBR 0.2436 5.40 IPA3 -0.0039 -5.60 LNEMIR(-1) 0.7596 14.22 S1 -0.0608 -10.50 S2 -0.0403 -7.70 S3 -0.0290 -5.81 R2 ajustado = 0.9787 Durbin-h = 1.350315/ En cuanto a los resultados de los dos métodos (q1, q2, q3 vrs. S1, S2, S3), surgen las siguientes observaciones: 1. Los coeficientes de las variables explicativas son iguales. 15/ Idem nota 13/.
- 13. 12 2. Los coeficientes de las dummy y de la constante son diferentes en magnitud pero no en signo. 3. Pero ambas variables dependientes ajustadas (Yaj) son iguales. Por tanto, se concluye que hay prácticamente una equivalencia entre los resultados de ambos métodos, lo que los haría de uso indistinto. Sin embargo, debido a que los coeficientes de S1, S2 y S3 se obtienen como diferencias con respecto a q4, oscurecen y dificultan la interpretación de los mismos, por lo que podría ser mejor utilizar los coeficientes q1, q2 y q3. En resumen, la aplicación de las variables estacionales es muy sencilla. Además, las variables resultaron estadísticamente significativas, con los signos teóricos esperados y ajustes satisfactorios. 5. COMPARACION DE RESULTADOS Se consideró importante comparar los modelos con dummy estacionales y los que utilizan variables desestacionalizadas. Para ello, se siguió trabajando con la misma aplicación de la sección anterior. En el cuadro No.3 se incluyen nuevamente los resultados del cuadro No.1, correspondientes al caso en que se usan variables estacionales, así como la evidencia para el caso en que se emplea la variable dependiente desestacionalizada (LNEMIRD), que es la forma que tradicionalmente se utiliza en algunos de los estudios económicos. CUADRO No. 3 DEMANDA DE EMISIÓN MONETARIA PARA COSTA RICA: RESULTADOS COMPARATIVOS DE LOS MODELOS CON DUMMY ESTACIONALES Y CON VARIABLES DESESTACIONALIZADAS 1987:2 - 1997:4 Variable dependiente LNEMIR Variable dependiente LNEMIRD Variables Coeficiente Estadístico t Coeficiente Estadístico t C 0.8963 2.72 0.6495 2.00 LNPIBR 0.2436 5.40 0.1998 4.96 IPA3 -0.0039 -5.60 -0.0037 -5.39 LNEMIR(-1) 0.7596 14.22 --- --- LNEMIRD(-1) --- --- 0.8020 16.31 q1 -0.1909 -18.28 --- --- q2 -0.1704 -17.41 --- --- q3 -0.1591 -17.87 --- --- R2 aj = 0.9787 R2 aj = 0.9732 Durbin-h = 1.3503 Durbin-h = 0.8981
- 14. 13 Los resultados estadísticos no son esencialmente diferentes, como se observa en el cuadro anterior. En particular hay igualdad en los signos y analogía en magnitud y significancia de los coeficientes de regresión. Por otra parte, se decidió analizar las series ajustadas por regresión de ambas funciones. Con respecto a la evidencia del cuadro No.3, la Y ajustada (emisión real), se obtiene en términos desestacionalizados por lo que fue necesario aplicarle el factor de estacionalidad para regresar a los valores originales,16/ mientras que los resultados del cuadro No.1 se obtienen directamente en forma original. Posteriormente, se analizaron ambas series, llegándose a la conclusión de que casi no difieren. A continuación se presenta un gráfico con ambas series: Gráfico No.4 Resalta el alejamiento que muestran ambas líneas en el año 92, el cual probablemente se deba a que la apertura de la cuenta de capitales que se dio a partir de ese periodo, pudo tener algún impacto sobre el fenómeno estacional, produciendo un cambio en el mismo. Sin embargo, la serie ajustada por ambos métodos presenta consistentemente un comportamiento similar. Para confirmar la afirmación anterior, se realizó una prueba estadística denominada la prueba de las observaciones aparejadas. Consiste en detectar si existe diferencia significativa entre las variaciones porcentuales de la emisión monetaria ajustada según el método de las variables desestacionalizadas y las dummy estacionales. 16/ En el Anexo No.2 se incluyen estos cálculos. Y Ajustada (emisión real): Comparación de modelos con variables desestacionalizadas y con dummy estacionales 10.7 10.8 10.9 11 11.1 11.2 11.3 Q11987 Q41987 Q31988 Q21989 Q11990 Q41990 Q31991 Q21992 Q11993 Q41993 Q31994 Q21995 Q11996 Q41996 Q31997 Logaritmonatural M o d e l o c o n v a r i a b l e s d e s e s t a c i o n a l i z a d a s M o d e l o c o n d u m m y e s t a c i o n a l e s
- 15. 14 Se compara el t calculado (tc) con el t tabular (tt)17/ . En este caso, el t calculado es igual a –0.62 y el t tabulado con un nivel de significancia del 5% (α = 5%) y 42 grados de libertad es de 2.02 y como tc < tt se rechaza la hipótesis de que existe diferencia significativa entre ambos métodos con un nivel de significancia del 5%.18/ En síntesis, se nota el proceso más largo que se requiere cuando se trabaja con series desestacionalizadas en una regresión, en tanto que si se usan las dummy estacionales no es necesario realizar este procedimiento. 6. CONSIDERACIONES FINALES 1. El principal objetivo de esta nota técnica consistió en proponer un nuevo enfoque para tratar el componente estacional existente en algunas series temporales que forman parte de los modelos econométricos. Para lograr este objetivo se explicó en qué consisten las variables estacionales, se presentaron los comandos de SHAZAM y EVIEWS necesarios para aplicarlas y se ilustró su uso mediante una ecuación de demanda de dinero. 2. Cuando las series de tiempo económicas presentan diferente estacionalidad y se desea hacer un modelo de regresión con las mismas, existen dos posibilidades: remover la variación estacional o explicarla por medio de variables estacionales. En general, hasta el momento en el Banco Central de Costa Rica se ha seguido el procedimiento de emplear variables desestacionalizadas o inclusive en tendencia-ciclo. No obstante, las nuevas orientaciones de la teoría econométrica indican que se comete un error al utilizar variables desestacionalizadas o en tendencia- ciclo en las ecuaciones de regresión. Debido a que los coeficientes de los parámetros determinarían una recta diferente a la que se obtendría con las variables estacionales, que es la que se considera como la mejor estimación. 3. Es por ello que se sugiere utilizar variables estacionales en lugar de series transformadas en las ecuaciones de regresión. Se trata de variables artificiales discretas (dummy) creadas para capturar el componente estacional de las series de tiempo involucradas en las relaciones funcionales. 4. Es necesario mencionar que el uso de las variables estacionales no resta importancia a los paquetes para descomponer series de tiempo, como el X11- 17/ Véase Anexo No. 3. 18/ En el Anexo No. 4 se encuentran los resultados de esta prueba.
- 16. 15 ARIMA, ya que sirven para analizar series individuales y calcular tasas de crecimiento sin el efecto estacional. 5. Por otra parte, es importante indicar que no es necesario cambiar todos los modelos econométricos utilizados hasta el momento, sobre todo si se trata de modelos que han usado variables muy exactas en su comportamiento estacional, como la emisión monetaria y que por tanto han mostrado buenos resultados. Más bien es recomendable utilizar las variables estacionales en la construcción de los nuevos modelos que surjan en las diversas investigaciones. 6. Se concluye que la aplicación de variables estacionales depende del criterio del experto. Sin embargo, se considera adecuada en el caso de modelos con series temporales estacionales, dado que su uso es bastante sencillo e incluso viene implementado en los programas econométricos más conocidos. También, presentan la ventaja de que no es necesario desestacionalizar las series y regresar posteriormente a los niveles originales, además de brindar información acerca del grado de estacionalidad de la variables explicada. En cuanto a sus limitaciones se señalan problemas cuando el patrón estacional es móvil, lo cual raramente se presenta en las variables macroeconómicas; aún en ese caso existen métodos para solventar ese problema. Otro inconveniente de este nuevo enfoque, es que si se trata de información mensual, se requieren muchas observaciones, puesto que en este caso deben usarse once dummy estacionales, las que reducirán en forma importante los grados de libertad disponibles para el análisis.
- 17. 16 7. REFERENCIAS BIBLIOGRAFICAS19/ Agénor, Pierre-Richard; Hoffmaister, Alexander y Medeiros, Carlos (1997) "Cyclical Fluctuations in Brazil's Real Exchange Rate: The Role of Domestic and External Factors". Research Department. Fondo Monetario Internacional. Cabrero, A. y Delrieu, J.C. (1996) “Elaboración de un índice sintético para predecir la inflación en España”. Documento de trabajo No. 9619. Banco de España. Davidson, R. y MacKinnon, J. (1993) “Estimation and Inference in Econometrics”. Oxford University Press. Granger, C.W.J. (1990) "Modelling Economic Series". Advanced Texts in Econometrics. Oxford University Press. Hylleberg, Svend (1992) "Modelling Seasonality". Advanced Texts in Econometrics. Oxford University Press. Maravall, Agustín (1994). “Use and Misuse of Unobseved Components in Economic Forecasting”, Journal of Forecasting, Vol. 13, págs. 157-178. Sánchez C., Carmen (1995) "Ecuación de demanda de ALP2: Propiedades de corto plazo y utilización en el análisis monetario". EC/1995/33. Servicio de Estudios. Banco de España. Solano, Ivannia y Torres, Carlos (1998) "Estimación de funciones de demanda de dinero trimestrales y anuales". Mimeo. Banco Central de Costa Rica. kikutva@bccr.fi.cr torresgc@bccr.fi.cr F:...NTNT1998NT-02-98.DOC 19/ Además, se consultaron varias páginas WEB sobre este tema.
- 18. 17 ANEXO No. 1 BASE DE DATOS Tiempo EMISION REAL PIB REAL TASA INTERÉS PASIVA 3 MESES Q1 Q2 Q3 Q1 1987 60761.57 2773.79 15.00 1 0 0 Q2 1987 56699.88 2580.46 15.00 0 1 0 Q3 1987 53886.31 2650.30 16.90 0 0 1 Q4 1987 61143.01 2813.73 18.43 0 0 0 Q1 1988 56405.26 2891.17 18.00 1 0 0 Q2 1988 55010.03 2677.07 18.00 0 1 0 Q3 1988 53539.91 2701.61 18.00 0 0 1 Q4 1988 61649.90 2919.69 18.70 0 0 0 Q1 1989 59692.07 3003.43 19.06 1 0 0 Q2 1989 56769.87 2896.36 18.98 0 1 0 Q3 1989 54071.17 2827.46 18.25 0 0 1 Q4 1989 63048.81 3096.39 18.25 0 0 0 Q1 1990 58607.71 3177.90 19.41 1 0 0 Q2 1990 55565.25 2945.91 21.63 0 1 0 Q3 1990 52800.27 2968.70 24.55 0 0 1 Q4 1990 59822.40 3151.80 28.78 0 0 0 Q1 1991 54600.14 3214.38 32.33 1 0 0 Q2 1991 50774.93 3045.87 29.38 0 1 0 Q3 1991 50125.24 2985.83 29.75 0 0 1 Q4 1991 59180.35 3275.01 29.36 0 0 0 Q1 1992 55437.19 3495.36 23.25 1 0 0 Q2 1992 55360.98 3211.90 14.06 0 1 0 Q3 1992 57246.62 3284.92 15.53 0 0 1 Q4 1992 68758.57 3496.83 18.23 0 0 0 Q1 1993 65843.42 3673.40 17.54 1 0 0 Q2 1993 65237.68 3448.90 14.88 0 1 0 Q3 1993 62645.47 3491.80 21.65 0 0 1 Q4 1993 72549.46 3729.90 23.53 0 0 0 Q1 1994 72005.41 3798.59 20.91 1 0 0 Q2 1994 70110.60 3686.42 20.36 0 1 0 Q3 1994 69452.72 3644.12 20.53 0 0 1 Q4 1994 79545.66 3857.86 22.64 0 0 0 Q1 1995 71589.38 3995.09 24.01 1 0 0 Q2 1995 67592.01 3788.16 27.52 0 1 0 Q3 1995 64302.30 3683.09 27.87 0 0 1 Q4 1995 73651.32 3881.16 26.95 0 0 0 Q1 1996 68205.41 3925.80 23.01 1 0 0 Q2 1996 66680.01 3713.90 18.92 0 1 0 Q3 1996 65954.03 3673.80 18.23 0 0 1 Q4 1996 77261.59 3932.00 19.09 0 0 0 Q1 1997 71527.93 3944.40 18.88 1 0 0 Q2 1997 68174.95 3884.10 18.74 0 1 0 Q3 1997 68659.24 3835.60 18.24 0 0 1 Q4 1997 84863.13 4066.20 18.10 0 0 0 Fuente: Sección Política y Programación Financiera, Banco Central de Costa Rica
- 19. 18 ANEXO No. 2 EMISION MONETARIA PARA COSTA RICA: MODELO CON VARIABLES DESESTACIONALIZADAS En logaritmos Tiempo Serie original Serie desestacionalizada Serie ajustada desestacionalizada Factores estacionales Serie ajustada original Q1 1987 11.0147 10.9981 10.9981 1.0015 11.0147 Q2 1987 10.9455 10.9744 10.9833 0.9974 10.9544 Q3 1987 10.8946 10.9596 10.9696 0.9941 10.9046 Q4 1987 11.0210 10.9434 10.9649 1.0071 11.0427 Q1 1988 10.9403 10.9246 10.9681 1.0014 10.9839 Q2 1988 10.9153 10.9438 10.9554 0.9974 10.9269 Q3 1988 10.8882 10.9535 10.9470 0.9940 10.8817 Q4 1988 11.0292 10.9500 10.9531 1.0072 11.0324 Q1 1989 10.9970 10.9827 10.9624 1.0013 10.9766 Q2 1989 10.9468 10.9757 10.9628 0.9974 10.9339 Q3 1989 10.8981 10.9629 10.9611 0.9941 10.8962 Q4 1989 11.0517 10.9708 10.9779 1.0074 11.0588 Q1 1990 10.9786 10.9663 10.9922 1.0011 11.0045 Q2 1990 10.9253 10.9539 10.9802 0.9974 10.9515 Q3 1990 10.8743 10.9392 10.9612 0.9941 10.8961 Q4 1990 10.9991 10.9166 10.9420 1.0076 11.0248 Q1 1991 10.9078 10.8973 10.9174 1.0010 10.9279 Q2 1991 10.8352 10.8642 10.8979 0.9973 10.8687 Q3 1991 10.8223 10.8860 10.8768 0.9941 10.8132 Q4 1991 10.9883 10.9045 10.8799 1.0077 10.9635 Q1 1992 10.9230 10.9141 10.9182 1.0008 10.9272 Q2 1992 10.9216 10.9513 10.9665 0.9973 10.9368 Q3 1992 10.9551 11.0191 11.0042 0.9942 10.9403 Q4 1992 11.1384 11.0522 11.0368 1.0078 11.1229 Q1 1993 11.0950 11.0870 11.0754 1.0007 11.0835 Q2 1993 11.0858 11.1173 11.1037 0.9972 11.0723 Q3 1993 11.0452 11.1082 11.1035 0.9943 11.0407 Q4 1993 11.1920 11.1053 11.1095 1.0078 11.1963 Q1 1994 11.1845 11.1765 11.1278 1.0007 11.1357 Q2 1994 11.1578 11.1903 11.1385 0.9971 11.1062 Q3 1994 11.1484 11.2121 11.1441 0.9943 11.0808 Q4 1994 11.2841 11.1958 11.1522 1.0079 11.2401 Q1 1995 11.1787 11.1696 11.1604 1.0008 11.1695 Q2 1995 11.1212 11.1557 11.1433 0.9969 11.1089 Q3 1995 11.0714 11.1346 11.1227 0.9943 11.0596 Q4 1995 11.2071 11.1184 11.1200 1.0080 11.2087 Q1 1996 11.1303 11.1201 11.1349 1.0009 11.1451 Q2 1996 11.1077 11.1438 11.1511 0.9968 11.1149 Q3 1996 11.0967 11.1609 11.1645 0.9942 11.1003 Q4 1996 11.2550 11.1644 11.1856 1.0081 11.2763 Q1 1997 11.1778 11.1667 11.2039 1.0010 11.2151 Q2 1997 11.1298 11.1679 11.2161 0.9966 11.1778 Q3 1997 11.1369 11.2015 11.2252 0.9942 11.1604 Q4 1997 11.3488 11.2564 11.2447 1.0082 11.3369 Fuente: Elaboración propia con base en información del Anexo No.1.
- 20. 19 Anexo No.3 PRUEBA DE LAS OBSERVACIONES APAREJADAS El estadístico t se calcula de la siguiente forma: n dd SSt dd C == donde: tc = estadístico t calculado. d = promedio de las diferencias de las variaciones porcentuales de ambos métodos. Sd = desviación estándar de las diferencias porcentuales de ambos métodos. n = número de diferencias de las variaciones porcentuales de ambos métodos. Se compara con t tabular: donde: α = nivel de significancia. − ..1, 2 lgntt α
- 21. 20 ANEXO No.4 EMISION MONETARIA AJUSTADA POR REGRESION EN MILLONES DE COLONES METODO DE ESTIMACIÓN Tiempo Emisión monetaria Variables desestacionalizadas Emisión monetaria Variables estacionales Emisión monetaria Variables desestacionalizadas Emisión monetaria Variables estacionales Diferencia Var. % Var. % Q1 1987 60761.57 60761.57 Q2 1987 57204.47 52353.08 -5.8542 -13.8385 -7.9843 Q3 1987 54424.47 52010.71 -4.8598 -0.6540 4.2058 Q4 1987 62483.38 60051.16 14.8075 15.4592 0.6517 Q1 1988 58919.61 55786.76 -5.7036 -7.1013 -1.3977 Q2 1988 55651.15 52673.68 -5.5473 -5.5803 -0.0330 Q3 1988 53192.79 52365.32 -4.4175 -0.5854 3.8321 Q4 1988 61842.80 61722.66 16.2616 17.8693 1.6077 Q1 1989 58490.53 57039.60 -5.4206 -7.5873 -2.1666 Q2 1989 56044.69 55666.48 -4.1816 -2.4073 1.7743 Q3 1989 53972.59 54199.48 -3.6972 -2.6353 1.0619 Q4 1989 63500.30 64914.27 17.6529 19.7692 2.1163 Q1 1990 60144.62 59511.45 -5.2845 -8.3230 -3.0385 Q2 1990 57040.83 55280.03 -5.1605 -7.1103 -1.9497 Q3 1990 53964.78 53665.33 -5.3927 -2.9209 2.4718 Q4 1990 61375.80 60679.13 13.7331 13.0695 -0.6635 Q1 1991 55707.91 54334.09 -9.2347 -10.4567 -1.2220 Q2 1991 52506.81 53465.33 -5.7462 -1.5989 4.1473 Q3 1991 49670.31 51784.85 -5.4022 -3.1431 2.2590 Q4 1991 57729.44 62285.89 16.2252 20.2782 4.0530 Q1 1992 55670.10 62327.50 -3.5672 0.0668 3.6340 Q2 1992 56205.89 62812.30 0.9624 0.7778 -0.1846 Q3 1992 56406.37 62399.59 0.3567 -0.6571 -1.0137 Q4 1992 67704.41 71547.89 20.0297 14.6608 -5.3689 Q1 1993 65087.88 67787.17 -3.8646 -5.2562 -1.3916 Q2 1993 64362.63 66063.74 -1.1143 -2.5424 -1.4282 Q3 1993 62358.83 62482.24 -3.1133 -5.4213 -2.3080 Q4 1993 72863.50 72298.71 16.8455 15.7108 -1.1347 Q1 1994 68577.92 67827.53 -5.8817 -6.1843 -0.3026 Q2 1994 66580.69 66774.53 -2.9123 -1.5525 1.3599 Q3 1994 64914.42 65211.44 -2.5026 -2.3408 0.1618 Q4 1994 76122.35 74786.24 17.2657 14.6827 -2.5830 Q1 1995 70935.06 68940.62 -6.8144 -7.8164 -1.0020 Q2 1995 66761.84 64562.13 -5.8832 -6.3511 -0.4679 Q3 1995 63548.25 62132.52 -4.8135 -3.7632 1.0503 Q4 1995 73768.88 72677.13 16.0833 16.9712 0.8879 Q1 1996 69223.33 68515.01 -6.1619 -5.7269 0.4350 Q2 1996 67165.14 67927.88 -2.9733 -0.8569 2.1163 Q3 1996 66191.80 66818.13 -1.4492 -1.6337 -0.1845 Q4 1996 78930.87 78052.64 19.2457 16.8136 -2.4321 Q1 1997 74244.37 71012.04 -5.9375 -9.0203 -3.0829 Q2 1997 71527.84 70498.80 -3.6589 -0.7227 2.9362 Q3 1997 70294.00 69152.26 -1.7250 -1.9100 -0.1850 Q4 1997 83863.66 80792.04 19.3041 16.8321 -2.4720 Promedio -0.0752 Desv. Est. 2.5561 Tc -0.6181 Tt(5%,42gl) 2.0210 Fuente: Elaboración propia con base en información del Anexo No.1.