Versión PDF - Banco Central de Venezuela

Banco Central de Venezuela
Colección Economía y Finanzas
Serie Documentos de Trabajo
Transmisión de choques
macroeconómicos
en Venezuela: Un enfoue
estructural del
modelo factorial
Luis Arturo Bárcenas
Ana María Chirinos
Carolina Pagliacci
[Nº 120]
Septiembre, 2011
 Banco Central de Venezuela, Caracas, 2011
Gerencia de Investigaciones Económicas
Producción editorial
Gerencia de Comunicaciones Institucionales, BCV
Departamento de Publicaciones
Torre Financiera, piso 14, ala sur
Avenida Urdaneta, esquina de Las Carmelitas
Caracas 1010
Teléfonos: 801.8075 / 8063
Fax: 536.9357
publicacionesbcv@bcv.org.ve
www.bcv.org.ve
Las opiniones y análisis que aparecen
en la Serie Documentos de Trabajo
son responsabilidad de los autores
y no necesariamente coinciden
con las del Banco Central de Venezuela.
Se permite la reproducción parcial o total
siempre que se mencione la fuente
y no se modifique la información.
Transmisión de choques macroeconómicos en Venezuela:
Un enfoque estructural del modelo factorial*
Luis Arturo Bárcenas§, Ana María Chirinos‡, Carolina Pagliacci&
Versión: 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
macroeconómicos.
dinámico,
componentes
principales,
choques
* 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
1
Transmission of macroeconomic shocks in Venezuela:
a structural dynamic factor approach
Abstract
This paper identifies and analyzes the fundamental structural shocks (a monetary policy, a
fiscal policy and an oil shock) that explain the short run fluctuations of the Venezuelan
economy in the last seven years. To asses the effect of these shocks into a set of 116
macroeconomic variables, we estimate a generalized dynamic factor model (GDFM) and
identify the structural shocks using the sign restriction approach. Main results show that,
while a monetary policy shock does not have any effect on real activity, an expansive fiscal
shock is capable of increasing private consumption and the production of construction
services, without altering the aggregate level of domestic output. Also, a positive oil shock,
besides increasing aggregate demand, generates an expansion in aggregate supply that leads
to a growth of domestic production and a fall in all prices. This shock also brings about a
positive significant effect on monetary aggregates and bank credit, along with a drop of all
interest rates in the economy.
JEL Classification: E60, C32, C19.
Key words: dynamic factor model, principal components, macroeconomic shocks.
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, Sáez y Barráez (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
2
En la próxima sección se describen los principales resultados de este tipo de trabajos para Venezuela.
Sin embargo, algunos de los resultados de Morales, Sáez y Barráez (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 a 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 sirve 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 detalles 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 notransables. Sin embargo, la existencia de fricciones financieras generan una sobreespecialización 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 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, Sáez y Barráez (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 (2009) 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:
X t = ΛFt + ζ t
(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 X t explicada
por ΛFt es lo que se denomina el componente común de X y ζ t 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:
A( L) Ft = et
(2)
siendo A(L) la matriz de polinomios característicos de grado ρ y et el vector de los r residuos
de la forma reducida del VAR, tal que Var (et ) = Σ . Si definimos los choques estructurales a
partir de un vector de q choques orto-normales ( u t ), tal que satisfaga una relación de la forma
et = Β u t , la dinámica del VAR de factores también puede describirse como:
Ft = Φ ( L) u t
(3)
donde Var (u t ) = Ω , siendo Ω diagonal, Φ(L ) = A(L) −1 Β , Β es una matriz de rango q, y
q ≤ r . 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 :
X t = Λ A(L ) Β u t + ζ t
−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 impulsorespuestas 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 impulsorespuestas 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 et = Rvt y
Var (vt ) = Ι , siendo vt un vector r residuos orto-normales no-estructurales. Si adicionalmente
establecemos que los residuos estructurales están asociados a estos choques ortogonales a
través de u t = P ' vt , donde P es una matriz de dimensión ( r x q ), se obtiene que et = R P u t ,
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 Σ = RR' , y hacer P igual a una matriz
identidad de orden r, i.e. q = r . Esto implica que sólo las correlaciones contemporáneas de r
variables en X, y no N, deben ser caracterizadas, siendo por construcción r (r − 1) 2 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 Σ = RR' ,
pero seleccionar P de manera que sea una matriz formada por q vectores columna ( p j ) de
dimensión r que satisfagan p j ' p j = 1 y
pi ' p j = 0 ∀ i ≠ j 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 ( Β, Ω ) que
genera una impulso-respuesta diversa para cada variable x. Esto es debido a que:
X t = Λ A( L) −1 R P u t + ζ t
(5)
lo que implica que Ω = P' P y Β = RP , 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 (2009).
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
k
componentes: una función V (k , F ) , o su logaritmo, que calcula la varianza promedio de los
residuos idiosincráticos asociados a los k factores evaluados, y una función de penalidad
PN ( N , T , k max) 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:
r opt = min
k
1
NT
N
T
∑∑ ( X
i =1 t =1
it
− Λki Ft k ) + PN ( N , T , k max)
(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 (2009).
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, X it es el valor de la
variable i a tiempo t, Ft k es un vector de orden ( k x 1 ) que contiene el valor de los k factores a
tiempo t y Λki 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 D1,k y D2,k 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 ( Σ̂ ), y se comparan
con determinados valores de referencias (o thresholds), dando origen a la aplicación de
diversas pruebas o criterios. Siendo λi los diversos autovalores de Σ̂ , ordenados de mayor a
menor, los indicadores de partida son:
(
D1,k = λ2k +1
∑λ
r
i
2
i
)
12
; D2 , k =
(∑
r
λ2
k +1 j
∑λ
r
i
2
i
)
12
(7)
Los cuatro criterios aplicados en este trabajo se refieren a la escogencia de un
Κ 1 = k : Dˆ 1,k < m T 0.5−δ ,
Κ 2 = k : Dˆ 2,k < m T 0.5−δ ,
donde
qi = min {k ∈ Κ i }
Κ = k : Dˆ < m min N 0.5−δ , T 0.5−δ y Κ = k : Dˆ < m min N 0.5−δ , T 0.5−δ . Tal como
3
{
1, k
[
{
]}
4
{
}
2, k
[
{
]}
}
sugieren Bai y Ng (2007), se establecen m = 1 , δ = 0.1 cuando se parte de la matriz de
varianzas y co-varianzas y m = 1.3 , δ = 0.1 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 Γx . Cada componente representa una combinación lineal del conjunto original de
variables, Ft = Λ' X t , en donde Λ = [Λ 1 Λ 2 K Λ r ] es una matriz (N x r), siendo Λ j los
vectores propios de dimensión N obtenidos en la descomposición espectral de Γx bajo la
restricción Λ j ' Λ j = 1 . 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 ρ = 1 . El modelo estimado también resultó
dinámicamente estable.
Finalmente, las funciones de impulso-respuesta de la variable i-ésima al choque estructural jésimo en el horizonte h para la realización d-ésima de la matriz de rotación es calculada
como:
IRid (h ) = Λ i Α h −1 R p dj
(8)
donde la Λ i refleja la transferencia de de los r factores estáticos a X i , Α es la matriz de los
coeficientes del VAR reducido, y p dj 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.
Esta dinámica entre el mercado monetario de corto plazo y la política monetaria en Venezuela también es
descrita en Pagliacci y Ruda (2004).
15
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
Choque
Monetario contractivo
Fiscal expansivo
Petrolero expansivo
Variables / direcciones involucradas
↑ TABS y ↑ TINTB
↑ GFR y ↑ DEUDAI
↑ PP y ↑ IMPOR
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.
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, Sáez y
Barráez (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 ( ΛFt ) 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 AR(ρ ) :
18
ρ
ζ it = ∑ α ij ζ it − j + ε it
(9)
j =1
donde α ij 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
ρ
los diferentes coeficientes estimados en (9),
∑α
j =1
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, 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 para el desarrollo de la economía.
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 nonstationary 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. (2009). "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. Saez, F. y Barráez, D. (2011). “Monetary and Fiscal policy in an estimated DSGE
model for a Small Open Oil Producer Economy”. Manuscrito del Banco Central de
Venezuela.
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”. Manuscrito del Banco Central de Venezuela.
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, Zha T. (2009). Structural vector autoregressions: theory of
identification and algorithms for inference. Review of Economics Studies, 77, pp. 665-696.
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
Tabla 1: Variables y transformaciones empleadas en el modelo factorial
Ambito
Actividad
económica
Mercado de
trabajo
Precios
Sa
Log
Log_sa
dlog
dlog_sa
Variable
Indice general de actividad económica mensual (IGAEM)
IGAEM no petrolero
IGAEM petrolero
IGAEM no transable
IGAEM transable
IGAEM Minería
IGAEM Electricidad
IGAEM Comercio
IGAEM Manufactura
IGAEM Instituciones financieras
IGAEM Servicios prestados a las empresas
IGAEM servicios a los inmuebles
IGAEM servicios comunales
IGAEM sector construcción
Indice de ventas comerciales (IVC)
IVC al mayor
IVC al menor
IVC en reparaciones
Indice de volumen de produccion (IVP)
IVP alimentos, bebidas y tabaco
IVP Productos textiles
IVP Maquinaria y equipo
IVP Muebles e ind, manufactureras
IVP cauchos y plástico
Ventas de vehículos totales
Ventas nacionales de Cemento
Ventas nacionales de cabillas
Tasa de desocupación
Tasa de ocupación informal
Salario minimo real
Indice de precios al consumidor (IPC)
IPC controlado
IPC no controlados
IPC transables
IPC no transables
IPC Alimentos
IPC Bebidas alcohólicas y tabacos
IPC Vestido y calzado
IPC Alquiler de vivienda
IPC Servicios de la vivienda excepto teléfono
IPC Equipamiento del hogar
IPC Salud
IPC Transporte
IPC Comunicaciones
IPC Esparcimiento y cultura
IPC Servicio de educación
IPC Restaurantes y hoteles
IPC Bienes y servicios diversos
indice de precios insumos de la construccion (productor)
indice de precios insumos de la construccion (al mayor)
Núcleo inflacionario
Indice de precios al mayor (IPM)
IPM bienes nacionales
IPM importado
IPM Productos agrícolas
IPM alimenticios, bebidas y tabaco
IPM textiles y de cuero
IPM Maquinaria y equipo n.c.p.
Indice de precios al productor (IPP)
IPP Productos alimenticios y bebidas
IPP Productos de tabaco
IPP Productos textiles
IPP Maquinaria y equipo
IPP Vehículos automotores
IPP Muebles e ind, manufactureras
Leyenda
IGAEM
IGAMENNP
IGAEMP
IGAEMNT
IGAEMT
IGAMIN
IGAELECT
IGACOM
IGAMAN
IGAFINC
IGASEREM
IGAINM
IGASERCOM
IGACONT
IVC
IVCM
IVCME
IVCREP
IVP
IVPALI
IVPTEX
IVPMAQ
IVPMOB
IVPVCAH
VEHIC
CEMN
CABLL
DESEM
OCUPINF
SALREAL
IPC
IPCCONT
IPCNOCONT
IPCTRAN
IPCNOTRAN
IPCALI
IPCBEB
IPCVEST
IPCVIV
IPCSERV
IPCEQUIP
IPCSALUD
IPCTRANS
IPCCOMUN
IPCCULT
IPCEDUC
IPCREST
IPCDIVERS
IPCONSTP
IPCONSTM
NUCLEO
IPM
IPMNAC
IPMIMPOR
IPMAGR
IPMALI
IPMTEX
IPMMAQ
IPP
IPPALIM
IPTABC
IPPTEX
IPPMAQ
IPPVEHIC
IPPMOB
Transformacion
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
dlog_sa
d_sa
d_sa
dlog_sa
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
Sin cambios
Ajustado estacionalmente
En logaritmo natural
En logaritmo natural, ajustado estacionalmente
1ra Diferencia del logaritmo natural
1ra Diferencia del logaritmo natural, ajustados estacionalmente
24
Tabla 1: Variables y transformaciones empleadas en el modelo factorial (continuación)
Ambito
Mercado
monetario
Sistema
bancario
Sector
externo
Fiscal petrolero
Sa
Log
Log_sa
dlog
dlog_sa
Variable
Dinero circulante (M1)
Liquidez monetaria (M2)
Cuasidinero (efectivo + depósitos a la vista)
Dinero base (DB)
Efectivo (como % del dinero base rezagado un período)
Reservas bancarias excedentes promedio (% del DB rezagado un período)
Monto negociado en el interbancario (% del DB rezagado un período)
Encaje implícito (base dep)
Incidencia del sector público en DB (como % del DB rezagado un período)
Incidencia del sector público + BCV en DB (como % del DB rezagado un período)
Saldo de certificado de depósitos en circulación
Tasa de interés activa promedio
T. activa Agrícola
T. activa Industrial
T. activa Comercio
T. activa Hipotecarios
T. activa Adquisición de Vehículos
T. activa Tarjetas de Crédito
Tasa de interés plazo promedio
T. pasiva por depósitos a la vista remunerados
T. pasiva por depósitos de ahorro
Tasa promedio efectiva de las operaciones de absorción del BCV
Tasas de interés interbancaria promedio
Créditos brutos reales
Créditos reales para adquisición de vehículos
Créditos reales mediante tarjetas de crédito
Créditos reales hipotecarios
Créditos reales al sector agrícola
Créditos reales para el comercio, restaurantes y hoteles
Depósitos reales a la vista
Depósitos reales de ahorro
Depósitos reales a plazo
Inversiones en títulos valores reales
Reservas Internacionales Netas
Venta neta de divisas (como % de RIN rezagada un período)
Tipo de cambio oficial
Tipo de cambio no oficial
Tipo de cambio real (Precios trasables / Precios no transables)
Tipo de cambio real bilateral
Ratio IGAEM transable / IGAEM no transable
Tasa de interés externa (US prime loans)
Valor de importaciones totales
Gasto base caja real del Gobierno Central
Saldo Deuda interna
Saldo Deuda externa
Ingreso petrolero real del Gobierno Central
Ingreso no petrolero real del Gobierno Central
Superavit global real del Gobierno Central
Precios del petroleo promedio (cesta venezolana)
Producción petrolera mensual promedio PDVSA
Exportaciones petroleras totales
Leyenda
M1
M2
CUASIM
DB
EFC
RB
MINTB
R_DEP
INSP_DB
INSPT_DB
CD
TA
TAAGRC
TAIND
TACOMER
TAHIP
TAVEHIC
TATDC
TPLZ
TPDVIST
TPAHOR
TABS
TINTB
CCR
CCVEHIC
CCTDC
CCHIP
CCAGRIC
CCCOMER
DRVIST
DAHOR
DPLZ
ITV
RIN
DIVISA_RIN
TCO
TCNO
TCR
TCRBI
YT_YNT
TEXTR
IMPOR
GFR
DEUDAI
DEUDAE
IGPR
IGNPR
SUP
PP
PETRO
EXPORP
Transformacion
dlog_sa
dlog_sa
dlog
dlog_sa
Sa
Sa
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
dlog
Log_sa
dlog
dlog
Log_sa
Log_sa
Sa
dlog
Log
Log
Sin cambios
Ajustado estacionalmente
En logaritmo natural
En logaritmo natural, ajustado estacionalmente
1ra Diferencia del logaritmo natural
1ra Diferencia del logaritmo natural, ajustados estacionalmente
25
Cuadro 1: Criterios informativos ICP1, ICP2, PCP1 y PCP2 para la selección de los
factores estáticos
r / kmax
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
r / kmax
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
ICP1
ICP2
K=5
K=10
K=15
K=25
-0.12731877
-0.18868886
-0.22607614
-0.22811124
-0.23090
-0.12731877
-0.18868886
-0.22607614
-0.22811124
-0.23090
-0.22424957
-0.21929595
-0.21106423
-0.19995946
-0.1852629
-0.12731877
-0.18868886
-0.22607614
-0.22811124
-0.23090
-0.22424957
-0.21929595
-0.21106423
-0.19995946
-0.1852629
-0.16766276
-0.14862258
-0.12685954
-0.10700696
-0.08751994
-0.12731877
-0.18868886
-0.22607614
-0.22811124
-0.23090
-0.22424957
-0.21929595
-0.21106423
-0.19995946
-0.1852629
-0.16766276
-0.14862258
-0.12685954
-0.10700696
-0.08751994
-0.06756106
-0.04293798
-0.0181518
0.004636438
0.026624427
K=5
K=10
K=15
K=25
0.842802084
0.765645166
0.717452948
0.697985156
0.68198938
0.674278059
0.668434766
0.66656
0.668029177
0.672719337
0.835041857
0.750124712
0.694172266
0.666944248
0.643188244
0.627716696
0.614113176
0.60448238
0.598187132
0.595117065
0.59465
0.596021654
0.59946167
0.603390103
0.608273367
0.825307381
0.730655759
0.664968836
0.628006341
0.594515861
0.569309836
0.545971839
0.526606567
0.510576842
0.497772298
0.487572299
0.479207934
0.472913473
0.467107429
0.462256217
0.45853455
0.456894887
0.456044107
0.45545832
0.45542
0.455852183
0.456870512
0.458650652
0.46102046
0.463762998
K=30
K=5
K=10
K=25
K=30
-0.12731877 -0.116138
-0.116138
-0.116138
-0.116138
-0.116138
-0.18868886 -0.1663273 -0.16632732 -0.16632732 -0.16632732 -0.16632732
-0.22607614 -0.19253
-0.19253
-0.19253
-0.19253
-0.19253
-0.22811124 -0.1833882 -0.18338815 -0.18338815 -0.18338815 -0.18338815
-0.23090 -0.1749959 -0.17499585 -0.17499585 -0.17499585 -0.17499585
-0.22424957
-0.15716494 -0.15716494 -0.15716494 -0.15716494
-0.21929595
-0.14103055 -0.14103055 -0.14103055 -0.14103055
-0.21106423
-0.12161806 -0.12161806 -0.12161806 -0.12161806
-0.19995946
-0.09933252 -0.09933252 -0.09933252 -0.09933252
-0.1852629
-0.07345519 -0.07345519 -0.07345519 -0.07345519
-0.16766276
-0.04467427 -0.04467427 -0.04467427
-0.14862258
-0.01445333 -0.01445333 -0.01445333
-0.12685954
0.01849049 0.01849049 0.01849049
-0.10700696
0.049523839 0.049523839 0.049523839
-0.08751994
0.080191625 0.080191625 0.080191625
-0.06756106
0.111331277 0.111331277
-0.04293798
0.14713513 0.14713513
-0.0181518
0.183102085 0.183102085
0.00463644
0.217071092 0.217071092
0.02662443
0.250239852 0.250239852
0.04744216
0.28223836
0.06775193
0.313728896
0.08867772
0.345835455
0.10951491
0.377853422
0.12907042
0.408589701
0.14743873
0.438138785
0.16850903
0.470389851
0.1889534
0.502014996
0.20835992
0.532602291
0.22511414
0.560537281
PCP1
0.85544604
0.79093309
0.75538483
0.748561
0.74521
K=15
PCP2
K=30
K=5
K=10
K=15
K=25
K=30
0.82207987 0.86140251 0.846986199 0.838138193
0.8270392 0.823359282
0.72420075 0.80284602 0.774013396 0.756317383 0.734119397 0.726759561
0.65528632 0.77325422 0.730005291 0.703461273 0.670164293 0.65912454
0.61509632 0.77239
0.714721615 0.67932959 0.634933617 0.620213946
0.57837833 0.7749915 0.702909953 0.658669922 0.603174956 0.584775368
0.5499448
0.699382747 0.646294709 0.579700749 0.557621244
0.52337929
0.69772
0.635787525 0.558094572 0.532335148
0.50078652
0.700037115 0.629253065 0.540461118 0.511021777
0.48152928
0.705686208
0.62605
0.526163212 0.493043954
0.46549723
0.714560482 0.62608042 0.515090487 0.478291311
0.45206973
0.628711234 0.506622307 0.466143213
0.44047786
0.633177681 0.499989761 0.45583075
0.43095589
0.639714032 0.495427119 0.44758819
0.42192234
0.646738801 0.491352894 0.439834047
0.41384362
0.654718401 0.488233501 0.433034737
0.40689445
0.48624
0.427364971
0.40202728
0.486335809 0.42377721
0.39794899
0.487216848 0.420978331
0.3941357
0.48836288 0.418444445
0.39087231
0.49005882 0.416460467
0.38807455
0.49222038 0.41494211
0.38586537
0.494970528 0.414012341
0.384418
0.498482488
0.41384
0.38356031
0.502584114 0.414266091
0.38307534
0.507058471 0.415060531
0.38298
0.416243591
0.38380256
0.418346564
0.38501842
0.420841833
0.38656338
0.423666206
0.38824855
0.426630787
26
Cuadro 2: Criterios q1, q2, q3 y q4 para la selección de los factores dinámicos
Basados en la matriz de covarianzas de e (m = 1, δ = 0.1)
k
1
2
3
4
5
6
Estadisticos de contraste 1/
D 1,k
0.4659
0.4544
0.3158
0.1643
0.0908
0.0564
q i = min
{k
D 2,k
0.7494
0.5870
0.3717
0.1961
0.1069
0.0564
∈ Κ
}
i
Criterios de selección
К1
0
0
0
4
5
6
К2
0
0
0
4
5
6
К3
0
0
0
4
5
6
К4
0
0
0
4
5
6
4
4
4
4
Basados en la matriz de correlaciones de e ( m = 1.3, δ = 0.1)
k
1
2
3
4
5
6
Estadisticos de contraste 1/
D 1,k
0.4659
0.4544
0.3158
0.1643
0.0908
0.0564
q i = min
{k
D 2,k
0.7494
0.5870
0.3717
0.1961
0.1069
0.0564
∈ Κ
i
}
Criterios de selección
К1
0
0
0
4
5
6
К2
0
0
0
4
5
6
К3
0
0
0
4
5
6
К4
0
0
0
4
5
6
4
4
4
4
1/ Contrastados a valores críticos de 0,1699 (bajo covarianza) y 0,2124 (correlación)
27
Grafico 1.1. Choque monetario contractivo. Sector real
IGAEM
IGAMENNP
1.5
IGACOM
1.5
1.5
1
1
1
0.5
0.5
0.5
0
0
0
-0.5
-0.5
-0.5
-1
-1
-1
-1.5
-1.5
-1.5
5
10
15
5
20
10
IGAMAN
15
5
20
1.5
1.5
1
1
1
0.5
0.5
0.5
0
0
0
-0.5
-0.5
-0.5
-1
-1
-1
5
10
15
-1.5
20
5
10
IVP
15
20
IVCME
IGACONT
1.5
-1.5
10
15
-1.5
20
5
10
15
20
VEHIC
1.5
1.5
1
1
0.5
0.5
0
0
-0.5
-0.5
-1
-1
-1.5
5
10
15
-1.5
20
5
10
15
20
Grafico 1.2. Choque monetario contractivo. Sector precios
IPC
NUCLEO
1.5
1.5
1
1
0.5
0.5
0
0
-0.5
-0.5
-1
-1
-1.5
5
10
15
-1.5
20
5
10
15
20
IPMIMPOR
IPMNAC
IPM
1.5
1
1.5
1
1
0.5
0.5
0.5
0
0
0
-0.5
-0.5
-0.5
-1
-1
-1.5
-1
5
10
15
20
-1.5
5
10
15
5
10
15
20
20
IPCONSTP
IPP
1.5
1.5
1
1
0.5
0.5
0
0
-0.5
-0.5
-1
-1
-1.5
-1.5
5
10
15
20
28
5
10
15
20
Grafico 1.3 .Choque monetario contractivo. Sector monetario
M1
M2
CUASIM
0.5
0.5
0.5
0
0
0
-0.5
-0.5
-0.5
5
10
15
20
5
10
15
DB
20
5
RB
0.5
0.5
0
0
0
-0.5
-0.5
-0.5
10
15
20
5
10
15
20
1
1
1
0
0
0
-1
-1
-1
5
10
15
5
20
20
5
10
15
20
5
10
15
20
TINTB
TPLZ
TA
15
INSPTDB
0.5
5
10
10
15
20
Grafico 1.4. Choque monetario contractivo. Sector fiscal-externo
TCR
TCNO
IMPOR
1
0
-1
5
10
15
1
1
0
0
-1
-1
5
20
10
15
5
20
0
0
0
-1
-1
-1
10
15
5
20
10
1
1
0
0
-1
-1
10
15
5
20
15
20
10
15
20
IGNPR
IGPR
SUP
5
20
1
1
1
15
DEUDAE
DEUDAI
GFR
5
10
1
0
-1
5
10
15
20
5
10
15
20
29
Grafico 2.1. Choque fiscal expansivo. Sector real
IGAEM
IGAMENNP
IGACOM
1
1
1
0
0
0
-1
5
10
15
-1
20
5
10
15
-1
20
1
0
0
0
-1
10
15
5
20
10
VEHIC
1
0
0
5
10
20
15
20
15
20
-1
5
10
15
20
IVP
1
-1
15
IVCME
1
5
10
IGACONT
IGAMAN
1
-1
5
15
-1
20
5
10
Grafico 2.2. Choque fiscal expansivo. Sector precios
IPC
NUCLEO
1
1
0.5
0.5
0
0
-0.5
-0.5
-1
5
10
15
20
-1
1
0.5
0.5
0
0
-0.5
-0.5
5
10
15
10
15
20
IPMIMPOR
IPMNAC
IPM
1
-1
5
-1
20
0.5
0
-0.5
-1
5
10
15
20
5
10
15
20
IPCONSTP
IPP
1
1
0.5
0.5
0
0
-0.5
-0.5
-1
1
-1
5
10
15
20
5
10
15
20
30
Grafico 2.3. Choque fiscal expansivo. Sector monetario
M1
M2
CUASIM
1
0
-1
5
10
15
0.5
0.5
0
0
-0.5
-0.5
20
5
10
DB
15
20
5
0.5
0.5
0.5
0
0
0
-0.5
-0.5
-0.5
5
10
15
20
5
10
15
TPLZ
TA
5
20
1
0.5
0
0
0
-1
-1
10
15
20
10
15
20
-0.5
5
20
15
CCTDC
1
5
10
INSPTDB
RB
10
15
20
5
10
15
20
TINTB
1
0
-1
5
10
15
20
Grafico 2.4. Choque fiscal expansivo. Sector fiscal-externo
IMPOR
TCNO
TCR
1
1
1
0
0
0
-1
-1
-1
5
10
15
20
5
10
15
20
5
0.5
20
1
1
0
0
0
15
DEUDAE
DEUDAI
GFR
10
-1
-1
-0.5
5
10
15
20
5
10
15
5
20
1
1
1
0
0
0
-1
-1
-1
5
10
15
20
5
10
15
15
20
IGNPR
IGPR
SUP
10
20
5
10
15
20
31
Grafico 3.1. Choque petrolero expansivo. Sector real
IGAEM
IGAMENNP
IGACOM
1
1
1
0
0
0
-1
5
10
15
-1
20
1
0
0
-1
5
10
10
15
-1
20
15
20
5
10
15
20
-1
5
10
0
0
0
-1
20
5
10
15
20
DESEM
1
15
20
0
1
10
15
IVCME
IVP
VEHIC
5
10
1
1
-1
5
IGACONT
IGAMAN
1
-1
5
15
-1
20
5
10
15
20
Grafico 3.2. Choque petrolero expansivo. Sector precios
IPC
NUCLEO
2
2
1
1
0
0
-1
-1
-2
-2
5
10
15
20
5
IPM
10
15
20
IPMIMPOR
IPMNAC
2
2
2
1
1
1
0
0
0
-1
-1
-1
-2
-2
-2
5
10
15
5
20
5
10
15
10
20
IPP
IPCONSTP
2
2
1
1
0
0
-1
-1
-2
-2
5
10
15
20
5
10
15
20
32
15
20
Grafico 3.3. Choque petrolero expansivo. Sector monetario
M1
M2
1
0
CUASIM
1
1
0
0
-1
-1
5
10
15
20
-1
5
10
DB
15
20
5
RB
1
1
0
0
0
-1
-1
-1
10
TA
15
20
5
10
15
20
5
2
0
0
-2
10
15
20
-2
10
15
5
20
10
1
0
0
-2
-1
5
20
10
15
IMPOR
-0.5
-0.5
15
20
5
0
-1
5
10
10
15
5
20
DEUDAI
GFR
1
15
1
1
0
0
-1
-1
5
20
SUP
10
15
20
5
1
0
0
0
10
15
20
-1
5
10
10
15
20
IGNPR
IGPR
1
5
10
DEUDAE
1
-1
20
0
0
10
15
0.5
0.5
5
TCR
TCNO
1
-1
20
20
Grafico 3.4. Choque petrolero expansivo. Sector fiscal- externo
0
15
CCR
2
15
20
0
5
10
15
2
TINTB
5
20
CCTDC
-2
5
10
TPLZ
2
15
INSPTDB
1
5
10
15
-1
20
5
10
15
20
YTYNT
PP
1
0.5
0
0
-0.5
-1
5
10
15
20
5
10
15
20
33
Tabla 2: Descomposición de la variabilidad de los indicadores agregados
% de varianza de X i explicado por
Ambito
Variable
IGAEM
IGAMENNP
IVC
Actividad
IVCM
economica
IVCME
IVP
VEHIC
Promedio
IPC
IPCTRAN
IPCNOTRAN
NUCLEO
Precios
IPM
IPMNAC
IPMIMPOR
IPP
Promedio
M1
M2
CUASIM
DB
RB
Dinero y tasas
INSPT_DB
TA
TPLZ
TINTB
CCR
Promedio
TCNO
IMPOR
GFR
DEUDAI
Fiscal - externo
DEUDAE
IGPR
IGNPR
SUP
Promedio
ΛiF
ζi
93.3
94.3
60.3
68.6
19.2
91.5
51.4
68.4
88.3
84.6
60.0
83.0
74.9
67.7
78.8
81.9
77.4
59.1
60.2
28.1
28.1
54.8
41.0
93.2
85.2
42.8
47.6
54.0
41.2
30.4
71.1
33.5
35.6
51.0
62.8
37.5
45.4
7.9
6.9
40.9
32.6
82.0
9.7
49.9
32.9
12.9
16.6
41.2
18.2
26.3
33.5
22.4
19.3
23.8
42.1
41.0
73.1
73.1
46.4
60.2
8.0
16.0
58.4
53.6
47.2
60.1
70.9
30.2
67.7
65.6
50.2
38.4
63.7
55.8
Persistencia de
ζi *
-0.44
-0.50
-0.94
-0.32
-0.59
-0.43
-0.51
-0.53
-0.04
-0.50
-0.17
-0.17
-0.12
-0.25
0.28
0.09
-0.11
-0.18
-0.15
0.02
-0.41
0.70
-0.33
0.26
0.41
0.49
0.08
0.09
-0.02
-0.08
-0.55
-0.16
-0.25
-0.52
-0.62
-0.52
-0.34
* Dado por la sumatoria de coeficientes de un modelo AR(ρ ) para cada error calculado
34
Tabla 3: Descomposición de la variabilidad de los indicadores sectoriales
% de varianza de X i explicado por
Indicador
Variable
IGAMAN
IGACOM
IGACONT
Promedio
IPCDIVERS
IPCONSTP
IPCALI
IPCONSTM
IPMNAC
IPCCULT
IPCNOTRAN
IPCREST
IPCTRANS
IPC
IPCSALUD
IPCVIV
IPCBEB
IPCVEST
IPCSERV
IPCEQUIP
IPCCOMUN
IPCEDUC
Promedio
CCVEHIC
CCTDC
CCHIP
CCR
CCCOMER
CCAGRIC
Promedio
IGAEM
ΛiF
ζi
91.6
60.3
31.6
61.2
74.6
73.8
71.4
71.3
67.7
60.9
60.0
59.6
55.8
50.0
35.5
34.6
31.2
24.8
19.5
12.4
10.8
47.9
78.4
70.8
57.1
43.4
27.7
55.5
9.6
40.9
69.6
40.0
26.6
27.5
29.8
29.9
33.5
40.3
41.2
41.6
45.4
51.2
65.7
66.6
70.0
76.4
81.7
88.8
90.4
53.3
22.8
30.4
44.1
57.8
73.5
45.7
Persistencia de
ζi *
-0.44
-0.88
-0.04
-0.5
-0.01
-0.12
-0.31
-0.12
-0.25
-0.63
-0.17
-0.29
-0.39
-0.26
0.29
-0.06
-0.07
-0.54
-1.27
-0.02
-1.00
-0.31
-0.04
-0.16
0.54
-0.18
0.00
0.03
* Dado por la sumatoria de coeficientes de un modelo AR(ρ ) para cada error calculado
35