Download Documento completo - Banco Central del Ecuador
Transcript
NOTA TÉCNICA 41 Preparada por Roberto Ayala RESOLUCIÓN DE MODELOS MACROECONÓMICOS DINÁMICOS APLICANDO EL MÉTODO DE APROXIMACIÓN LINEALCUADRÁTICA "To assume stability [...] under alternative policy rules is thus to assume that agents´ views about the behavior of shocks to the system are invariant under changes in the true behavior of these shocks. Without this extreme assumption, the kinds of policy simulations called for by the theory of economic policy are meaningless" Robert E. Lucas, Jr. (1976) 1. Introducción La distinción entre macroeconomía y micro-economía como temas de estudio separados tuvo lugar a partir de 1930 con la publicación de la "Teoría General del Empleo, el Interés y el Dinero" de John Maynard Keynes. En esta obra, Keynes intentó explicar el funcionamiento de la economía aplicando métodos muy diferentes a aquellos utilizados por los economistas de su época. Posteriormente, J.R. Hicks (1937) resumió las teorías keynesiana y neoclásica en el modelo IS-LM que constituyó el marco alrededor del cual se desarrolló la macroeconomía en los años cincuenta y sesenta. A esta manera de hacer análisis económico se la conoce como la síntesis neoclásica o la macroeconomía tradicional. A fines de la década de los sesenta, los trabajos realizados independientemente por Friedman (1968) de la Universidad de Chicago y Phelps (1967) de la Universidad de Pennsylvania cuestionaron seriamente la síntesis neoclásica. El impacto generado a inicios de los años setenta por el resurgimiento de las expectativas racionales y por la crítica econométrica de Lucas (1976) contra la escasa fundamentación microeconómica de los modelos tradicionales, dio lugar a un replanteamiento de la forma en que se hacía macroeconomía hasta esa época. La economía comenzó a unificarse nuevamente al reconocer que los métodos que se usaban para estudiar la conducta de los consumidores y productores individuales en los mercados debía también ser utilizada para estudiar el comporta-miento de la economía en su conjunto. El aporte más importante de estas críticas es el cambio radical y duradero que produjeron en la forma de hacer teoría macroeconómica. Es en este contexto que surge la nueva macroeconomía clásica que usa como principio guía el supuesto de que los agentes económicos actúan racionalmente. Aunque la intención original de este nuevo enfoque fue explicar por qué el dinero era no neutral y en particular, por qué los shock monetarios tenían un rol importante en los ciclos de negocios, desde fines de los setenta e inicios de los ochenta, el énfasis de los nuevos macroeconomistas clásicos se trasladó de los shock monetarios a los shock reales como fuente de explicación de los ciclos de negocios. Así surgen los llamados modelos de ciclos reales de negocios (RBC). Los modelos de RBC ponen énfasis en los shock tecnológicos como fuerza impulsora central de la economía, pero dejando un papel importante para los elementos dinámicos que influyen sobre la manera en que estos shock se propagan. Como señala Barro (1989 :4), se trata de "...modelos en equilibrio, con mercados competitivos que se vacían, agentes optimizadores que son típicamente modelados como hogares representativos con horizonte infinito y con funciones de producción neoclásicas que están sujetas a shock estocásticos... Los resultados que generan estos modelos son, en general, Pareto óptimos. Por lo tanto, demuestran que las fluctuaciones observadas en la actividad de negocios agregada son una razón insuficiente para justificar una intervención del gobierno en la forma de políticas de estabilización. Los modelos pueden extenderse sin embargo, para incluir externalidades generadas por bienes públicos, e impuestos. En estos últimos casos, los resultados no son generalmente Pareto óptimos. Pero las distorsiones son del tipo clásico en vez del tipo keynesiano –esto es, se refieren a triángulos antes que a brechas-. Por lo tanto, el tipo de política deseable en estos modelos toma más de la teoría de finanzas públicas antes que de la macroeconomía tradicional". Como lo señala Cueva (1996 :38), los modelos de RBC "...parten de un modelo neoclásico de crecimiento óptimo, en el que las decisiones de los distintos agentes económicos se deducen de un comportamiento de optimización intertemporal. En este sentido, se logra dar un fundamento microeconómico explícito al conjunto del modelo". En términos generales, un modelo de RBC considera una economía compuesta por un número de agentes representativos con vida infinita, cada uno de los cuales actúa en el tiempo t maximizando la siguiente expresión : (1) Et b t r (Xt, Ut) donde r (· ) es la función objetivo, Xt es un vector de variables de estado de dimensión m x 1, Ut es un vector de variables de control de dimensión n x 1, b es el factor de descuento (0 <b <1) y Et es el operador de esperanza matemática condicionada a la información disponible en el período t. La maximización se la realiza sujeta a una ley de movimiento de las variables de estado, dada por la siguiente ecuación : (2) Xt+1 = g (Xt, Ut, e t+1) donde e t es un vector de variables aleatorias con media 0 y matriz de varianzacovarianza S . El objetivo es obtener funciones de política de la forma Ut = h (Xt ) que sean invariantes en el tiempo y por lo tanto, robustas a la crítica de Lucas. La solución a estos modelos no siempre tiene una forma analítica. Pero puede obtenerse una aproximación, asignar valores a los parámetros y llevar a cabo simulaciones estocásticas que sirvan para caracterizar las propiedades cíclicas del modelo. Esto es precisamente lo que hacen Kydland y Prescott (1982), quienes fueron los primeros en demostrar una correspondencia cuantitativa entre las implicaciones del modelo teórico y las fluctuaciones de los ciclos de negocios que se producían en la realidad. McCallum (1989:24) considera que ello fue "...quizás el más grande estímulo para el análisis de los modelos de RBC". El método utilizado por Kydland y Prescott es la aproximación lineal-cuadrática (LQ) que Quiroz et al (1991) aplican para el caso de las economías boliviana, chilena y peruana. El propósito de esta nota es estrictamente didáctico. En la siguiente sección se hace una descripción general del método LQ que se complementa con una aplicación a un modelo sencillo de RBC en la sección 3. Utilizando datos reales se replica una matriz de momentos que describen las regularidades empíricas de la economía ecuatoriana en la sección 4. La sección 5 concluye. 2. Descripción de la metodología Un modelo de RBC plantea un problema matemático de optimización restringida que puede resolverse mediante el uso de programación dinámica. La función objetivo (ecuación (1)) y las restricciones (ecuación (2)) pueden adoptar un conjunto de formas que permitan, en muchos casos, obtener soluciones analíticas para este tipo de problemas. Así, por ejemplo, se pueden obtener soluciones analíticas si se tienen funciones objetivo cuadráticas y restricciones lineales o de tipo Cobb-Douglas. Cuando esto no es posible, es necesario utilizar métodos numéricos que permitan hallar una solución a estos problemas. Esta sección describe uno de esos métodos que se conoce como la aproximación lineal cuadrática (LQ). El objetivo de este método es convertir a la función objetivo, que originalmente puede ser no lineal, en una función cuadrática utilizando para ello una expansión de Taylor de segundo orden. De manera similar, las restricciones se convierten en lineales a partir de una aproximación de Taylor de primer orden. Adicionalmente, se aplica el principio de equivalencia cierta que establece que la gente toma decisiones bajo incertidumbre actuando como si las variables estocásticas que se van a realizar en el futuro adoptasen el valor de su media condicional. Esto implica que la función óptima de política es independiente de la matriz de varianza-covarianza de los residuos. El primer paso es encontrar el estado estacionario de una versión determinística de este modelo. Esto es, el agente representativo maximiza la siguiente función objetivo: b t r (Xt, Ut) sujeto a : (3) Xt+1 = g (Xt, Ut, 0 ). Puesto que se trata de una versión no estocástica del modelo, se ha reemplazado e t+1 por 0 en la ecuación (3). Resolviendo este problema mediante el uso del cálculo de variaciones se construye la siguiente función lagrangiana: L= b t { r (Xt, Ut) - l t+1´ [ Xt+1 - g (Xt, Ut)] }. Donde l t es un vector de multiplicadores de dimensión m x 1. Las condiciones de primer orden están dadas por el siguiente sistema de ecuaciones: Ut : Xt+1 : l t+1 : Xt+1 - g (Xt, Ut) = 0 A partir de este sistema de ecuaciones podemos obtener las soluciones de estado estacionario que vienen dadas por los vectores l * , X* , y U*. El segundo paso consiste en linealizar las restricciones en torno al estado estacionario. Esto es, Xt+1 = g (Xt, Ut, e t+1) @ A Xt + B Ut + C e t+1 donde A es una matriz de coeficientes de dimensión m x m, B es una matriz de coeficientes de dimensión m x n y C es la descomposición de Cholesky de S . El tercer paso es formar una función objetivo cuadrática en torno al estado estacionario. A partir de una expansión de Taylor de segundo orden se obtiene la siguiente expresión: r (Xt, Ut) @ Xt´ Q Xt + Ut´ R Ut + 2 Xt´ W Ut donde Q es una matriz cuadrada de dimensión m+1 definida de la siguiente manera: (4) siendo : (5) q = 2 r (X *, U*) + X *´ rXX X * - 2 rX´ X * - 2 rU´ U * + U *´ rUU U * + X * ´ rXU U * (6) R = (7) El cuarto paso consiste en encontrar la función de política. Dado que la función objetivo es cuadrática y la restricción es lineal, la función de política será lineal y tendrá la siguiente forma: Ut = - F Xt donde: (8) F = (R + Br´P Br)- 1 Br´P Ar + R- 1 W´ (9) Ar = (10) Br = (A- B R- 1 W´) B (11) Qr = Q - W R- 1 W´ (12) Pt = Qr + Ar´ Pt-1 Ar - Ar´ Pt-1 Br (R + Br´ Pt-1 Br )- 1 Br´ Pt-1 Ar Esta última ecuación se denomina ecuación matricial de Ricatti que se resuelve iterativamente tomando como P0 a cualquier matriz negativa semidefinida. Una vez encontrada la función de política, se la reemplaza en la restricción linealizada y se obtiene: Xt+1 @ A Xt - BF Xt + C e t+1 = (A - BF ) Xt + C e t+1 Para comprobar que la solución es consistente con un estado estacionario, se debe comprobar que X* = (A - BF ) Xt. Una vez encontrada la función de política, se procede a simular realizaciones artificiales que luego se compara con datos de la vida real. Para ello se parte de los datos estacionarios (X*, U*). Se descartan N de las primeras simulaciones por haber partido de estado estacionario y para dar oportunidad de que el proceso sea aleatorio. Finalmente se comparan los datos reales con las simulaciones obtenidas. 3. Aplicación 3.1 El modelo Puesto que el objetivo de esta nota metodológica es exclusivamente didáctico, la aplicación que se presenta se hace en el contexto de un modelo muy simple donde se ignoran distorsiones, imperfecciones de mercado y heterogeneidad de los agentes. Supóngase que tenemos un agente representativo con vida infinita que maximiza la esperanza condicional de la utilidad descontada que viene dada por la siguiente función objetivo: (13) E0 b t U(ct) sujeto al siguiente conjunto de restricciones: (14) A = ct + it (15) i t = k t+1 - (1- d ) kt (16) w t+1 = r w t + e t+1 La ecuación (14) proporciona la restricción presupuestaria de la economía (producción igual a consumo más inversión). Se considera una función de producción de tipo CobbDouglas donde kt es la razón capital-trabajo, a es la participación del capital en el producto y w t es el shock real estocástico. De esta manera, la magnitud de las fluctuaciones del producto está gobernada por la varianza del shock tecnológico. La ecuación (15) representa la ley de movimiento del stock de capital, donde it es la inversión y d es la tasa de depreciación. La ecuación (16) muestra la ley de movimiento del shock real w t que se asume que se comporta de acuerdo con un proceso autorregresivo de primer orden con parámetro de autocorrelación r , y e t+1 es independiente e idénticamente distribuido como normal con media 0 y varianza s 2. Si ç r ç < 1, la solución a este problema existe y adopta la forma de una regla de decisión óptima: (17) It = F ( kt, w t ) La ecuación (17) relaciona la variable de control (It) con los estados del problema (kt y w t) mediante una función F que es invariante en el tiempo. En las siguientes secciones utilizaremos el supuesto de que el agente tiene una función de utilidad con coeficiente relativo de aversión al riesgo constante (CRRA) de tal forma que: (18) U(ct) = 3.2 Representación del modelo en estados y controles Para representar el modelo en función de estados (Xit) y controles (Uit) se hace necesario introducir la siguiente notación: X1, t = kt X2, t = w t X3, t = 1 Ut = It Como señala Quiroz et al (1991 :83), la inclusión de X3,t es requerida puesto que en la aproximación de Taylor de la función objetivo "...existirán términos no dependientes de las variables de estado y control". Con esta notación, el problema planteado en las ecuaciones (13)-(16) se expresa de la siguiente manera: (13´) E0 b t sujeto a: (14´) X1, t+1 = (1- d ) X1, t + Ut (15´) X2, t+1 = r X2, t + e t+1 (16´) X3, t+1 = X3, t 3.3 Aproximación Lineal-Cuadrática En esta parte se aplica la metodología descrita en la sección 2, al problema planteado en las ecuaciones (13´)-(16´). Se empieza planteando la versión determinística de este modelo, de forma tal que el agente representativo maximiza la siguiente función objetivo: b t sujeto a : X1, t+1 = (1- d ) X1, t + Ut X2, t+1 = r X2, t Resolviendo este problema mediante el uso del cálculo de variaciones se obtiene la siguiente función lagrangiana: L= Donde l 1,t+1 y l 2,t+1 son los multiplicadores de Lagrange. Las condiciones de primer orden están dadas por el siguiente sistema de ecuaciones: 19. Ut: 20. X1,t+1 : 21. X2, t+1 : 22. l 1,t+1 : X1, t+1 - (1- d ) X1, t - Ut = 0 23. l 2,t+1 : X2, t+1 - r X2, t = 0 A partir de las ecuaciones (22) y (23) se obtiene la solución de estado estacionario para U y X2: U* = d X1* X2* = 0 Ello implica que en esta economía se invierte exactamente la fracción del stock de capital que se ha depreciado (d ) y que no existe shock real. Incorporando estas soluciones en las ecuaciones (19) y (20), en estado estacionario se obtiene lo siguiente: (19´) (20´) De (19´) y (20´) obtenemos la solución de estado estacionario para X1: X1* = El segundo paso consiste en linealizar las restricciones en torno al estado estacionario. Sin embargo, en el problema que estamos resolviendo las restricciones (14´)-(15´) ya son lineales y por lo tanto adoptan la siguiente representación matricial en función de estados y controles: Xt+1 = A Xt + B Ut + C e t+1 donde : Xt = A= B= Ut = e t+1 = C= El tercer paso es formar una función objetivo cuadrática en torno al estado estacionario. La función objetivo para este caso adopta la siguiente forma: Se procede entonces a calcular: de donde se obtiene las matrices Q, R y W definidas por las expresiones (4), (6) y (7). Para esta aplicación, la matriz Q tiene dimensión 3x3, la matriz R tiene dimensión 1x1 y la matriz W tiene dimensión 3x1. Una vez obtenidos estos resultados se procede a realizar la expansión de Taylor de segundo orden de la función objetivo definida anteriormente. Con las matrices así definidas se procede a calcular las matrices Ar, Br y Qr de acuerdo con las ecuaciones (9) a (11), para posteriormente obtener por iteración la matriz de Ricatti P. La convergencia de este proceso de iteración se alcanza cuando la diferencia entre las matrices Pt y Pt-1 sea insignificante. De esta manera se encuentra la función de política F que se comprueba que es consistente con el estado estacionario. El último paso consiste en calibrar el modelo. Para ello se realizan T simulaciones del vector de variables de estado en cada una de las m muestras que se generan. Luego de descartar las primeras N<T simulaciones se calculan los momentos relevantes que se desean replicar. Se forma una matriz de momentos simulados que tiene tantas filas cuantos momentos se desee replicar y m columnas. A partir de esta matriz se calculan las medias y las desviaciones estándar que se comparan con los datos de la realidad. 4. Resultados El ejercicio que se presenta en esta sección pretende calibrar y simular el modelo planteado en las ecuaciones (13)-(16) utilizando la metodología descrita en las sección anterior. Para ello se han utilizado los datos trimestrales per cápita del PIB, consumo e inversión en el Ecuador, desde 1965 hasta el tercer trimestre de 1997. Para describir las regularidades empíricas de la economía ecuatoriana se han elegido tres estadísticos: la desviación estándar de la razón inversión/PIB dividida para su media (s I/PIB), la desviación estándar de la razón consumo/PIB dividida para su media (s C/PIB) y la correlación de primer orden entre el PIB y su rezago. La tabla que se muestra a continuación presenta el vector de momentos calculado a partir de los datos reales (columna 1) junto con los resultados obtenidos a partir de las simulaciones (columnas 2 y 3). Los datos entre paréntesis representan las desviaciones estándar de los momentos simulados. Cuadro 1 Momentos calculados a partir de los datos reales y de las simulaciones s I/PIB Datos Modelo 1 (1) (2) Modelo 2 0.208 0.193 0.094 (0.077) s C/PIB 0.075 0.119 (0.044) Corr( PIBt, PIBt-1 ) 0.996 0.995 (3) (0.022) 0.074 (0.016) 0.992 (0.003) (0.003) Desviación estándar del shock real (s ) 0.02 0.03 Tasa de depreciación (d ) 0.02 0.03 Coeficiente de autocorrelación (r ) 0.99 0.98 Los parámetros utilizados para a (participación del trabajo en el producto), b (tasa de descuento) y g (coeficiente de aversión al riesgo) son 0.6, 0.98 y 0.5 respectivamente. El coeficiente de participación del trabajo en el producto (a ) así como las tasas de depreciación utilizadas (d ) están de acuerdo con los empleados en Ayala y Moreno (1991). Los ejercicios realizados con un coeficiente de aversión al riesgo mayor que 0.5 presentaron menor bondad de ajuste que los que se muestran y por tanto dichos valores para este parámetro fueron descartados. A pesar de la simplicidad del modelo utilizado, el ajuste resulta ser bueno para dos de los tres momentos estimados. En general, todos los modelos que se calibraron lograron predecir con mucha exactitud la autocorrelación de primer orden del PIB. El modelo 1 mostrado en la tabla predice además la s I/PIB y el modelo 2 lo hace con la s C/PIB. Es conveniente aclarar que hay un tipo de shock real que ha tenido una incidencia muy significativa en la economía ecuatoriana en especial en los años 1974, 1979 y 1986: el cambio en el precio real del petróleo. Puesto que el modelo que hemos considerado en esta nota no tiene sector externo, tales efectos son tratados en el análisis como desplazamientos en la función de producción. Este tratamiento, sin embargo, podría ser evitado pues los cambios en los precios del petróleo son observables y están debidamente documentados. En aplicaciones futuras de modelos de RBC se podría explícitamente modelar estos efectos en los términos de intercambio y por lo tanto reducir la dependencia en shock tecnológicos no observados. 5. Conclusiones La mayor contribución que la literatura de ciclos reales de negocios ha dado al desarrollo de la economía ha sido el proporcionar una metodología alternativa para investigar las propiedades de los modelos macroeconómicos a partir de fundamentos microeconómicos, incorporando componentes estocásticos, dinámicos y no linealidades, muchos de los cuales no estaban presentes en el análisis de la macroeconomía tradicional. En esta nota se describe la aproximación lineal cuadrática originalmente utilizada por Kydland y Prescott (1982) para resolver modelos de RBC y se presenta una aplicación al caso ecuatoriano. Esta manera de modelar en base a "parámetros profundos" permite establecer una conexión directa entre la teoría y los datos dotada potencialmente de una capacidad predictiva que sea robusta a la crítica de Lucas (1976). Los resultados aquí presentados deben ser considerados tan solo como una primera aproximación. Pese a lo simple del modelo de crecimiento estocástico utilizado, la bondad del ajuste alcanzada en algunos momentos es bastante satisfactoria. Podría inclusive mejorarse si se desestacionalizara y sacara la tendencia de las series utilizadas, para hacerlas consistentes con el modelo desarrollado en esta nota que no considera ni estacionalidad ni tendencia en los datos. Otros métodos alternativos a la aproximación lineal-cuadrática que podrían ser objeto de estudio posterior son el método de expectativas parametrizadas de Marcet (1989) y el de iteraciones en las ecuaciones de Euler de Coleman (1990). Sin embargo, la principal ventaja de utilizar el método de aproximación lineal-cuadrática es que resulta relativamente rápido y fácil simular realizaciones de las series. El método LQ puede traer problemas sin embargo, cuando las funciones son altamente no lineales. En este caso, las expansiones de Taylor pueden no ser muy buenas aproximaciones. Además, las expansiones han sido hechas en torno al estado estacionario, lo que podría arrojar dudas sobre los resultados en el caso de existir persistencia en las series. Por ello se simulan más series que los datos reales y se descartan las primeras N simulaciones. Otra de las desventajas adicionales del método LQ es que no es conveniente su utilización cuando existen distorsiones o externalidades pues, en este caso, el equilibrio competitivo no es Pareto óptimo. Adicionalmente, si se supone que hay alta persistencia en los shock de tal forma que no se pueda suponer normalidad en los errores, el principio de equivalencia cierta ya no sería válido. 6. Bibliografía Argandoña, Antonio, Consuelo Gámez y Francisco Mochón (1996). "Macroeconomía Avanzada I". Editorial McGraw-Hill. Ayala, Roberto y Moreno, José (1991). "Fuentes de Crecimiento Económico del Ecuador : 1965-1991". Tesis de grado, Universidad Nacional de Tucumán. Barro, Robert (1989). "Introduction", en "Modern Business Cycle Theory", editado por Robert Barro. Harvard University Press, Cambridge, Massachussets. Chumacero, Rómulo (1997). "Apuntes del Seminario de Macroeconometría Aplicada". Cueva, Simón (1996). "Análisis de las fluctuaciones económicas y utilización variable del capital y del trabajo". Cuestiones Económicas, No. 28, Banco Central del Ecuador. Coleman, W. J. (1990). "Solving the stochastic growth model by Policy-Function iteration". Journal of Business and Economic Statistics, Vol. 8, pp. 27-30. Friedman, Milton (1968). "The role of monetary policy". American Economic Review, Vol. 58. Hicks, J.R. (1937). "Mr. Keynes and the ‘classics’ : A suggested interpretation". Econometrica, Vol. 5. Kydland, Finn E. y Prescott, Edward C. (1982). "Time to Build and Aggregate Fluctuations". Econometrica, Vol. 50, No. 6. Lucas, Robert E. (1976). "Econometric Policy Evaluation : A Critique", en "The Phillips Curve and labor Markets", editado por K. Brunner y A. H. Meltzer. Norht Holland Publishing Co., pp. 19-46. Marcet A. (1989). "Solving non-linear models by parameterizing expectations". Carnegie-Mellon University. McCallum, Bennett (1989). "Real Business Cycle Models", en "Modern Business Cycle Theory", editado por Robert Barro, Harvard University Press, Cambridge, Massachussets. McGrattan, E. (1990). "Solving the Stochastic Growth Model by Linear-Quadratic Approximation". Journal of Business & Economics Statistics, Vol. 8, No. 1. Muñoz, Roberto "Modelos y Realidad : Enseñando Macroeconomía en los noventa. Una Nota". Manuscrito, Departamento de Economía, Universidad de Chile. Phelps, E. S. (1967). "Phillips curves, expectations of inflation and optimal unemployment over time". Economica, Vol. 34. Quiroz, Jorge, F. Bernasconi, R. Chumacero y C. Revoredo (1991). "Modelos y Realidad : Enseñando Macroeconomía en los Noventa". Revista de Análisis Económico, Vol. 6, No. 2, pp. 79-103. Anexo No. 1 A continuación se presenta el programa de GAUSS escrito para aplicar el método de aproximación lineal-cuadrático. /* ** Algoritmo lineal-cuadrático */ load dat[131,3]=pib.txt; /* Importa el archivo pib.txt que contiene los datos del producto, consumo e inversión per capita y los coloca en la matriz "dat" de dimensión 131x3*/ cviy=stdc(dat[.,3]./dat[.,1])/(meanc(dat[.,3]./dat[.,1])); /* Calcula la razón entre la desviación estándar de la razón inversión/pib y su media */ cvcy=stdc(dat[.,2]./dat[.,1])/(meanc(dat[.,2]./dat[.,1])); /* Calcula la razón entre la desviación estándar de la razón consumo/pib y su media */ cx=corrx(dat[2:129,1]~dat[1:128,1]); /* Calcula la matriz de correlación entre el PIB y su primer rezago */ momen=cviy|cvcy|cx[1,2]; /* "momen" es el vector de momentos a simular */ /* Parámetros */ alpha=0.6; /* Participación del capital en el PIB */ beta=0.98; /* Factor de descuento */ gam=0.5; /* Coeficiente de aversión al riesgo */ deltha=0.03 /* Tasa de Depreciación */ rho=0.98; /* Coeficiente del proceso AR(1) del shock estocástico */ sigma=0.03; /* Desviación estándar del shock */ ns=2; /* Número de variables de estado */ nc=1; /* Número de variables de control */ /* PRIMER PASO: encontrar la solución de estado estacionario de la versión determinística del modelo */ x=zeros(ns,1); /* Vector de variables de estado */ x[1]=((1-beta*(1-deltha))/(alpha*beta))^(1/(alpha-1)); /* Primer componente de este vector dado por el resultado de estado estacionario para el stock de capital */ x[2]=0; /* Segundo componente de este vector dado por el resultado de estado estacionario para el shock */ u=zeros(nc,1); /* Vector de variables de control */ u[1]=deltha*x[1]; /* Primer componente del vector "u" dado por la solución de estado estacionario para la inversión */ /* SEGUNDO PASO: linealizar las restricciones en torno al estado estacionario. Como para este ejemplo, las restricciones ya son lineales solamente se procede a definir las matrices A, B y C */ A=zeros(ns+1,ns+1); /* Obtiene la matriz A (dimensión 3x3) */ A[1,1]=1-deltha; A[2,2]=rho; A[3,3]=1; B=zeros(ns+1,nc); /* Obtiene la matriz B (dimensión 3x1) */ B[1]=1; C=zeros(ns+1,ns+1); /* Obtiene la matriz C (dimensión 3x3 para este caso) */ C[2,2]=sigma; /* TERCER PASO: realizar una aproximación cuadratica de la función objetivo en torno al estado estacionario */ proc re(z); /* Procedimiento para obtener la función de retorno "re" con argumento z */ local x,u,c; /* Define las variables locales conocidas exclusivamente dentro del procedimiento */ x=z[1:ns]; u=z[ns+1:rows(z)]; c=((x[1]^alpha)*exp(x[2]))-u; /* Función consumo como diferencia entre producción e inversión */ retp((c^(1-gam))/(1-gam)); /* La función de retorno del procedimiento es la función objetivo que maximiza el agente y que es una función de utilidad CRRA */ endp; /* Una vez que la función objetivo "re" ha sido definida en el procedimiento anterior, se procede a calcular su aproximación cuadrática */ r1=gradp(&re,x|u); /* Calcula el gradiente de la función objetivo "re" y lo evalúa en el vector columna de variables de estado (x) y de control (u) */ rx=r1[1,1:ns]'; /* Del vector fila r1 toma los componentes que corresponden a las derivadas de la función objetivo con relación a las variables de estado y las agrupa en el vector columna rx */ ru=r1[1,ns+1:ns+nc]'; /* Del vector fila r1 toma los componentes que corresponden a las derivadas de la función objetivo con relación a las variables de control y las agrupa en el vector columna ru */ r2=hessp(&re,x|u); /* Calcula el hessiano de la función objetivo "re" y lo evalúa en el vector columna de variables de estado (x) y de control (u) (dimensión 3x3) */ rxx=r2[1:ns,1:ns]; /* De la matriz r2 toma los componentes que corresponden a las segundas derivadas (propias y cruzadas) de la función objetivo con respecto a las variables de estado y las agrupa en la matriz rxx (dimensión 2x2) */ rxu=r2[1:ns,ns+1:ns+nc]; /* De la matriz r2 toma los componentes que corresponden a las segundas derivadas cruzadas de la función objetivo con respecto a las variables de estado y de control, y las agrupa en una matriz rxu (dimensión 2x1) */ rux=rxu'; /* Calcula la transpuesta de rxu que por el Teorema de Young corresponde a rux (dimensión 1x2) */ ruu=r2[ns+1:ns+nc,ns+1:ns+nc]; /* De la matriz r2 toma los componentes que corresponden a las segundas derivadas cruzadas de la función objetivo con respecto a las variables de estado (en este caso solamente hay una variable de estado) y las agrupa en la matriz ruu (dimensión 1x1 para esta aplicación) */ q1=(2*re(x|u))+(x'rxx*x)-(2*rx'x)-(2*ru'u)+(u'ruu*u)+(x'rxu*u); /* Calcula la matriz q (ecuación 5) */ Q=0.5*((rxx~(rx-rxx*x-rxu*u))|((rx-rxx*x-rxu*u)'~q1)); /* Calcula la matriz Q (ecuación 4) */ R=0.5*ruu; /* Calcula la matriz R (ecuación 6) */ W=0.5*(rxu|(ru'-x'rxu-u'ruu)); /* Calcula la matriz W (ecuación /* CUARTO PASO: encontrar la función de política */ /* Calcula las matrices Ar, Br y Qr (ecuaciones 9-11) */ Ar=sqrt(beta)*(A-B*inv(R)*W'); /* Dimensión 3x3 para este caso */ Br=sqrt(beta)*B; /* Dimensión 3x1 para este caso */ Qr=Q-W*inv(R)*W'; /* Dimensión 3x3 para este caso */ /* Iteración en la ecuación matricial de Ricatti */ tol=1; p0=-eye(ns+1); /* Se toma al negativo de la matriz identidad como el valor inicial de la matriz p */ do while tol>0.00000005; p1=Qr+Ar'p0*Ar-Ar'p0*Br*inv(R+Br'p0*Br)*Br'p0*Ar; tol=sumc(sumc(abs(p1-p0))); /* La tolerancia se la define como la diferencia en valor absoluto entre las matrices p1 y p0. Para este caso, esta diferencia dará una matriz 3x3. Luego se pide que se sume todas las columnas de esta matriz de diferencias y las coloque en un vector columna. Finalmente se vuelven a sumar todas las columnas de este último vector y a esta suma se la define como la tolerancia */ tol; /* Muestra en pantalla el valor que toma la tolerancia */ p0=p1; endo; F=inv(R+Br'p0*Br)*Br'p0*Ar+inv(R)*W'; /* Calcula la matriz F (dimensión 1x3) (ecuación 8) */ x=x|1; z=(A-B*F)*x; /* Comprueba si la función de política encontrada F es consistente con el estado estacionario */ /* QUINTO PASO: simulaciones */ t=150; /* Se va a simular 150 muestras */ m=20; /* Número de veces que se va a simular */ mom=zeros(rows(momen),m); /* Matriz de momentos simulados */ j=1; do while j<m+1; xs=zeros(3,t); /* xs es la matriz compuesta de t vectores de variables de estado simuladas */ xs[.,1]=x; /* La primera simulación comienza en el estado estacionario */ i=2; /* Las siguientes simulaciones ya no comienzan en el estado estacionario */ do while i<t+1; xs[.,i]=(A-B*F)*xs[.,i-1]+(c*rndn(3,1)); i=i+1; endo; xs=xs[.,21:t]'; /* Por haber partido de estado estacionario se descartan 20 de las primeras simulaciones (dimensión 130x3) */ inve=(-F*xs')'; /* Inversión (dimensión 130x1) */ co=(xs[.,1].^alpha).*(exp(xs[.,2]))-inve; /* Consumo (dimensión 130x1) */ y=co+inve; /* Producción (dimensión 130x1) */ tinve=inve./y; /* Tasa de inversión (dimensión 130x1) */ mom[1,j]=stdc(tinve)/meanc(tinve); mom[2,j]=stdc(co./y)/meanc(co./y); cx1=corrx(y[2:rows(y)]~y[1:rows(y)-1]); mom[3,j]=cx1[1,2]; "Muestra" j; j=j+1; endo; momm=meanc(mom´) ; momsd=stdc(mom´) ; print "Los momentos verdaderos son : " momen ; "Los momentos simulados son : " momm ; "y sus desviaciones estandar son : " momsd ;