Colección

Economía y Finanzas

Determinación
de ciclos y tendencias
en series de tiempo
macroeconómicas mediante
un enfoque bayesiano

Wendy Bolívar
Virginia Cartaya

Serie Documentos de Trabajo

Gerencia de Investigaciones Económicas
106
Versión Junio 2009
 Las ideas y opiniones contenidas en el presente
Documento de Trabajo son de la exclusiva
responsabilidad de sus autores y se corresponden
con un contexto de libertad de opinión en el cual
resulta más productiva la discusión de los temas
abordados en la serie.
 Determinación de ciclos y tendencias en series de tiempo
macroeconómicas mediante un enfoque Bayesiano.
Identi…cation of trends and cycles in macroeconomic time series using a Bayesian approach
Wendy Bolívar y Virginia Cartaya
Banco Central de Venezuela.
junio 2009

Resumen:

En este trabajo se determina el ciclo y la tendencia como componentes no observados, en el

contexto de modelos de series de tiempo estructurales, para la economía venezolana durante el
período 1984-2009. Estos componentes juegan un rol al enviar señales acerca del desempeño de la
economía, coadyuvando así al proceso de análisis y toma de decisiones económicas. Se combinan
modelos escritos en la forma de espacio de los estados, para estimar ciclos de segundo orden que
tienden a ser más suaves que los de primer orden, con técnicas Bayesianas, con el objetivo de
incluir información previa sobre algunos parámetros claves (Harvey et al., 2007). En este estudio
son utilizados datos trimestrales para la estimación de dos modelos. En el primero se desagrega el
Producto Interno Bruto (PIB) para mostrar las características subyacentes del ciclo, tales como
duración, puntos de quiebre y amplitud. En el segundo modelo se estima una curva de Phillips,
con la in‡ación siendo determinada por el ciclo o brecha del producto.
Palabras claves: ciclos económicos, …ltros de Kalman, Cadenas de Markov de Monte Carlo,
puntos de quiebre, componentes no observables.
Clasi…cación JEL: E32, C11.
Abstract:
This paper identi…es the cycle and trend components not observed in the context of models
of structural time series, for the Venezuelan during the period 1984-2009. These components play
a role in sending signals about the performance of the economy, contributing to the process of
analysis and economic decision-making. Combine models in the state space representation, to
estimate second-order cycles which tend to be softer than the …rst order, with Bayesian techniques
in order to include prior information on some keys parameters (Harvey et al. , 2007). This study
used quarterly data to estimate two models. The …rst broken the Gross Domestic Product (GDP)
to show the underlying features of the cycle, such as duration, amplitude and break points. In the
second model estimates a Phillips curve with in‡ation as determined by the cycle and divide the
product.
JEL Classi…cation : E32, C11.
Dirección de correspondencia: Departamento de Modelos Económicos, Vicepresidencia de Estudios, Banco Cen-
tral de Venezuela, Caracas 1010, Venezuela. Email: vcartaya@bcv.org.ve, wbolívar@bcv.org.ve
Las opiniones expresadas en este trabajo son responsabilidad exclusiva de los autores y no representan el criterio
del Banco Central de Venezuela. Se agradecen los comentarios de Francisco Sáez.

1
1. Introducción

La descomposición de series de tiempo en ciclo y tendencia juega un rol fundamental en el

proceso de análisis y toma de decisiones económicas. Este proceso puede facilitarse con la ayuda
de indicadores que envíen señales acerca del desempeño de la economía, como son el producto
potencial y sus desviaciones del nivel actual. Se ha popularizado en la literatura de extracción de
tendencia y obtención de ciclos, métodos estadísticos que exigen utilizar supuestos ad-hoc, tales
como el …ltro de Hodrick-Prescott (1980) o el …ltro Baxter y King (1999); dichos …ltros pueden
degenerar en distorsiones en especial en lo concerniente a las previsiones (Murray, 2001). Harvey
y Jaeger (1993) señalan que una descomposición más adecuada debería apoyarse en la elaboración
de variables no observables, mediante métodos basados en modelos.

En este trabajo se determina el ciclo y la tendencia como componentes no observables, en el

contexto de modelos de series de tiempo estructurales, para la economía venezolana durante el
período 1984-2008. Se combinan modelos escritos en la forma de espacio de los estados (Harvey y
Jaeger, 1993), explotando el …ltro de Kalman; y estimando ciclos de segundo orden que tienden a
ser más suaves que los de primer orden, e incorporando técnicas Bayesianas (Harvey et al., 2007).
De esta forma se incluye información previa sobre algunos parámetros, como la frecuencia del ciclo,
entre otros; las densidades a posteriori se estiman con métodos de Monte Carlo, como el algoritmo
de Metropolis-Hastings, con lo que se predice la dirección futura del ciclo.

Son utilizados datos trimestrales para la estimación de dos modelos. En el primero se desagrega
el Producto Interno Bruto (PIB) para mostrar las características del ciclo, tales como duración,
puntos de quiebre y amplitud. En el segundo modelo, se estima una curva de Phillips, con la
in‡ación siendo determinada por el ciclo o brecha del producto.

Desde el punto de vista de la banca central y en un entorno de ‡uctuaciones más severas, se

hace de especial relevancia conocer el alcance, la duración y las repercusiones, de las distintas fases
en que se encuentra el ciclo de cada economía en particular, pudiéndose predecir su dirección y
futuros puntos de quiebre.

El documento tiene la siguiente estructura: en la sección 2 se hace un breve resumen de la

especi…cación teórica que se seguirá para la obtención de los ciclos y las tendencias de los modelos
planteados; en la tercera sección, se hace una descripción del enfoque bayesiano, que abarca la

2
selección de la prior, el cálculo de la verosimilitud y las densidades a posteriori; en la sección
cuatro, se determinan los ciclos y tendencias para Venezuela mediante modelos univariado y
multivariados. Finalmente, en la sección 5 se presentan las conclusiones.

2. Ciclos y tendencia

Se consideran modelos estructurales donde el conjunto de observaciones yt con t = 1; : : : T:; se

descompone en una tendencia estocástica t; un componente cíclico n;t y un término residual "t ;
entonces,

yt = t + n;t + "t ; t = 1; : : : T: (1)

2
"t es un término de ruido blanco con varianza ":

La tendencia estocástica sigue un paseo aleatorio,

t = t 1 + t 1;

2
t = t 1 + t; t W N (0; ): (2)

El modelo de ciclo determinista …jo es (siguiendo a Harvey , 2004)

yt = cos ( c ) t + sin ( c ) t + "t ; 0 < c ; t = 1; :::; T:

donde c es la frecuencia en radianes y y son parámetros. El período del ciclo es 2 = c .

El ciclo puede ser construido recursivamente de la siguiente forma:

2 3 2 32 3
t cos ( c ) sin ( c ) t 1
4 5=4 54 5 ; t = 1; :::; T;
t sin ( c ) cos ( c ) t 1

donde 0 = y 0 =

3
 Si ahora se supone la existencia de dos disturbios ruido blanco no correlacionados, t y t; con
2
media cero y varianza común y un parámetro dentro de la ecuación que determina al ciclo,
se obtiene el modelo para el ciclo estocástico

2 3 2 32 3 2 3
t cos ( c ) sin ( c ) t 1 kt
4 5= 4 54 5+4 5 ; t = 1; :::; T;
t sin ( c ) cos ( c ) t 1 kt

con 2 [0; 1] es un parámetro de amortiguación que suaviza el ciclo

El componente cíclico de orden n-ésimo se de…ne por

2 3 2 32 3 2 3
1;t cos ( c ) sin ( c ) 1;t 1 kt
Primer orden 4 5= 4 54 5+4 5; (3)
1;t sin ( c ) cos ( c ) 1;t 1 kt

2 3 02 3 2 31
2
kt 0 k 0
4 5 W N @4 5;4 5A : (4)
2
kt 0 0 k

2 3 2 32 3 2 3
i;t cos ( c ) sin ( c ) i;t 1 i 1;t 1
Recursión 4 5= 4 54 5+4 5: (5)
i;t sin ( c ) cos ( c ) i;t 1 i 1;t 1

con i = 2; ; n; c.

3. Algunas características del ciclo

Dentro de las bondades que tiene el obtener estimaciones del ciclo del producto, destacan el
poder determinar los cambios que se dan en la brecha del producto así como los valles y la crestas
que visualizan los puntos de quiebre para determinar que tan profundas puedan ser las crisis o que
tan severas son las contracciones, por ejemplo. En este trabajo, y siguiendo a Harvey et al. (2007),
los puntos de quiebre son identi…cados a partir del ciclo extraído de la descomposición de los datos
y no parte de un criterio previamente convenido. Una de las de…niciones dadas por Zellner, et al.
(1990) es identi…car un punto t como un pico o una recesión como

4
 ^ ^ ^ ^ ^ ^ ^ ^
n;t b ; n;t b+1 ; :::; n;t 2 ; n;t 1 < n;t > n;t+1 ; n;t+2 ; :::; n;t+a (6)

equivalentemente identi…ca la depresión o la expansión como:

^ ^ ^ ^ ^ ^ ^ ^
n;t b ; n;t b+1 ; :::; n;t 2 ; n;t 1 > n;t < n;t+1 ; n;t+2 ; :::; n;t+a (7)

donde a y b son enteros positivos

Adicionalmente, es posible calcular los cambios incrementales esperado de un ciclo a partir de

la siguiente ecuación:

D t = (log ) t + c t (8)

siendo este el caso de un ciclo de primer orden, el de segundo orden es:

1
D 2;t = (log ) 2;t + c 2;t + 1;t cos c + 1;t sin c (9)

Para ciclos de orden superiores:

1
D n;t = (log ) n;t + c n;t + n 1;t cos c + n 1;t sin c (10)

Esta variable estaría midiendo no sólo el tamaño y dirección de la brecha del producto en todos
los puntos en el tiempo, sino que podría estar recabando información acerca de la probabilidad de
que el ciclo se esté moviendo hacia abajo o hacia arriba, cuando D n;t es negativo o positivo. Así
los puntos de quiebre podrían estar asociados a los cambios de signos de esta variable.

Si a esta variable le calculamos la distribución posterior estaría dando aún más información
sobre el ciclo y sus cambios Con el …ltro podemos extraer la información del ciclo en el período
corriente,pero con las estimaciones que provienen del smoothing es posible actualizar el mismo
cuando nueva información viene a estra disponible.

5
 Por otro lado, una medida de interés es la correspondiente a la amplitud, con la cual nos
permitiría conocer cómo la intensidad del ciclo ha cambiado en el tiempo.

r
J
1X ^ 2(j) ^ 2(j)
At = n;t + n;t ;t = 1; :::; T (11)
J j=1

4. Estimación Bayesiana

El enfoque bayesiano permite incorporar al proceso de estimación de los parámetros del modelo,
información no contenida en la muestra mediante la fórmula de Bayes: Sea el vector parámetros
del modelo (una variable aleatoria) y X la muestra, entonces,

(Xj ) ( )
( jX) = ;
(X)

k
X
Donde (X) = (Xj j ) ( j ) es una constante de normalización, (Xj ) es la densidad
j=1
muestral o verosimilitud, ( ) es la densidad a priori de los parámetros, que contiene toda la
información previa sobre o independiente de los datos, y ( jX) es la densidad a posteriori de los
parámetros dada la muestra.

Como (X) es una constante, una vez dada la muestra, suele obviarse de tal manera que

( jX) / (Xj ) ( );

en esta expresión, se tiene que la densidad a posteriori es una combinación de la densidad a

priori y la información muestral, expresada esta última en términos de la función de verosimilitud.

La idea de hacer uso del enfoque bayesiano en la determinación del ciclo y la tendencia de serie
de tiempo, es poder incorporar en la estimación conocimientos previos sobre los ciclos económicos.

6
4.1. Densidades a priori

Se incorpora información previa para la frecuencia, el factor de amortiguación y para las tres
varianzas o matrices de covarianzas. Si el modelo es univariado, el conjunto de parámetros de los
cuales se supone un conocimiento previo es:

2 2 2
= k; "; ; ; c

Las densidades a priori a considerar para los parámetros de un modelo univariado son:

2 2 2
Para las varianzas de los parámetros k; "; se considera densidades a priori no informa-
tivas en el intervalo [0; 1] ; como por ejemplo, uniformes o inversa gamma.

Para se supone una densidad uniforme en el intervalo [0; 1] ; ver Harvey et al. (2007).

Para c se considera una densidad beta con moda que va a depender de la periodicidad de
la variable (e.g. anual, mensual, trimestral).

Si el modelo es multivariado, este conjunto de parámetros se transforma en:

=( k; "; ; ; c)

Las diferencias de las densidades a priori para el caso multivariado radican básicamente en la
distribución de las matrices de covarianza k; "; ; a …n de tener densidades no informativas, se
consideran densidades inversa Wishart (Zellner, 1971) por ser una generalización multivariada de
una inversa gamma.

4.2. Densidades a posteriori

Una vez que se han establecido las densidades a priori y se ha evaluado la función de verosimil-
itud usando …ltros de Kalman, el siguiente paso es obtener la densidad a posteriori, sin embargo,
dadas estas densidades a priori, no es posible obtener de manera explícita una expresión para la
densidad a posteriori, por eso se recurre a los métodos de Monte Carlo a …n hacer realizaciones de
los parámetros de esta densidad, en ese sentido, se hará uso del algoritmo de Metropolis Hastings.

7
5. Ciclos y tendencia en la economía venezolana

En esta sección se presentan aplicaciones empíricas de las estimaciones del ciclo y la tendencia,
partiendo de modelos estructurales univariados y multivariados mediante una estimacion híbrida
de …ltros de Kalman y el algoritmo bayesiano del Metrópolis-Hastings. Se hacen estimaciones
considerando componentes cíclicos de distintos órdenes. En el primer modelo, se desagrega el
Producto Interno Bruto (PIB) de manera univariada, a …n de mostrar las características del ciclo,
tales como duración, puntos de quiebre y amplitud. En el segundo modelo, se estima una curva de
Phillips, con la in‡ación siendo determinada por el ciclo o brecha del producto. Los datos utilizados
en la estimación tienen una frecuencia trimestral y abarca el período 1984-2009.

5.1. Hechos Estilizados

La actividad económica en Venezuela ha sido particularmente volatil a partir del año 1983. Gran
parte de esta volatilidad responde a los shocks externos a los cuales estuvo sujeta la economía (1983,
colapso de los precios del petroleo; 1989, alza de las tasas de interés externa y crisis de la deuda;
1990-91, guerra del golfo pérsico; 2003, nuevo auge de los precios del petroleo). De esta forma,
los términos de intercambio mostraron entre 1983 y 2006 una volatilidad 6 veces mayor que la
registrada durante las dos décadas anteriores.

Las políticas internas, en ausencia de un fondo de estabilización, contribuyeron a ampliar el

efecto de estos shocks externos. De hecho, parte del desempeño macroeconómico de Venezuela
durante los 80 es consecuencia de las estrategias de gasto público y endeudamiento del lustro
anterior. El excesivo carácter procíclico del gasto público, la apreciación de la moneda, así como
el sobreendeudamiento (Manzano y Rigobón, 2001) condujeron a una situación de deterioro de las
cuentas externas, al abandono del régimen de tipo de cambio …jo y, …nalmente, a la materialización
de tasas crecientes de in‡ación.

Por otra parte, la crisis externa de 1983, después de más de 25 años de régimen de tipo de
cambio …jo, indujo a la pérdida de credibilidad sobre la capacidad de la economía para sostener sus
anclas nominales, lo cual profundizó las salidas de capitales y la desmonetización de la economía.
Regímenes de tipo de cambio administrado, controles generalizados de precios y programas de
ajuste de carácter recesivo marcaron la profundización de los desequilibrios.

8
 El ciclo económico de origen político también se manifestó claramente durante este lapso.
Así por ejemplo, a partir de 1985, con el nuevo gobierno la economía recupera tímidamente sus
tasas de crecimiento (0.72 % en 1985, en promedio), pero sin una mejora de sus fundamentos
macroeconómicos y con una severa acumulación de distorsiones. Esta situación persiste hasta que
…nalmente en el año 89, y en una situación de virtual agotamiento de las reservas internacionales,
se produce un programa de ajuste de grandes proporciones que conlleva a una disminución del
producto de 8 % y a una tasa de in‡ación de 84 %. (Ver Grá…cos 1 y 2)

Producto Interno Bruto de Venezuela

Variación anualizada
(1984-2009)
(%)
8

-2

-4

-6

-8
1984Q3 1986Q3 1988Q3 1990Q3 1992Q3 1994Q3 1996Q3 1998Q3 2000Q3 2002Q3 2004Q3 2006Q3 2008Q3

Grá…co 1

Los acontecimientos posteriores de carácter interno explican parte de las ‡uctuaciones de origen
interno, que nuevamente impactaron la actividad económica, pero esta vez a través de caídas en la
demanda de dinero y mayor volatilidad de la inversión. Los intentos de golpe de Estado en 1992,
1997 y 2002, fueron elementos adicionales que actuaron sobre las expectativas y contribuyeron a
acentuar la volatilidad del producto y la in‡ación.

9
 Inflación en Venezuela
(%) (1984-2009)
40

35

30

25

20

15

10

0
1984Q3 1986Q3 1988Q3 1990Q3 1992Q3 1994Q3 1996Q3 1998Q3 2000Q3 2002Q3 2004Q3 2006Q3 2008Q3

Grá…co 2

5.2. Modelo Univariado del PIB

Es utilizado el PIB desestacionalizado, y se realizó la descomposición utilizando ciclos de distin-

tos órdenes. El vector de estados contempla los parámetros de las tendencias y tantos parámetros
cíclicos como órdenes sean introducidas en el modelo, por lo que:

t = t; t; 1;t ; 1;t ; : : : ; n;t ; n;t

En este trabajo se realizó la descomposición de la serie con los ciclos de primer y segundo orden.

Para el caso de un ciclo de primer orden, la representación en espacio de los estados comienza
por de…nir la ecuación de transición de la siguiente forma:

2 3 2 32 3 2 3
1 1 0 0 0 0 0 2 3
6 t+1 7 6 76 t 7 6 7
6 7 6 76 7 6 7 t+1
6 7 6 0 1 0 0 76 7 6 1 0 0 76 7
6 t+1 7=6 76 t 7+6 76 7
6 7 6 76 7 6 7 6 kt+1 7
6 t+1 7 6 0 0 cos ( c ) sin ( c ) 7 6 t 7 6 0 1 0 74 5
4 5 4 54 5 4 5 k
t+1
t+1 0 0 sin ( c ) cos ( c ) t 0 0 1

10
 y con la ecuación de observación como

2 3
6 t 7
h i6
6
7
7
t
yt = 1 0 1 0 6
6
7 + "t;
7
6 t 7
4 5
t

con

2 3 2 3
2
0 0 0
6 7 6 7
6 2 7 6 7 2
Q=6 0 k 0 7;S = 6 0 7;R = "
4 5 4 5
2
0 0 k 0

Dado que en este estudio se trabajó la serie desestacionalizada, no es colocado el término de

estacionalidad en el modelo.Análogamente, se generaliza para ciclos de órdenes superiores. Para el
caso de orden 2, la forma que toma el ciclo es:
2 3 2 32 3 2 3
cos ( c ) sin ( c) k1;t+1
4 1;t 5 = 4 54 1;t 1 5+4 5
1;t sin ( c ) cos ( c) 1;t 1 k1;t+1
2 3 2 32 3 2 3
cos ( c ) sin ( c) k2;t+1
4 2;t 5 = 4 54 2;t 1 5+4 5
2;t sin ( c ) cos ( c) 2;t 1 k2;t+1

11
 Por lo que la ecuación de transición se convierte en:
2 3 2 32 3
1 0 0 0 0 0
6 t 7 6 76 t 1 7
6 7 6 76 7
6 t 7 6 0 1 0 0 0 0 76 t 1 7
6 7 6 76 7
6 7 6 76 7
6 1;t 7 6 0 0 cos ( c ) sin ( c ) 0 0 76 1;t 1 7
6 7 = 6 76 7
6 7 6 76 7
6 1;t 7 6 0 0 sin ( c ) cos ( c ) 0 0 76 1;t 1 7
6 7 6 76 7
6 7 6 76 7
6 2;t 7 6 0 0 0 0 cos ( c ) sin ( c 76
) 2;t 1 7
4 5 4 54 5
2;t 0 0 0 0 sin ( c ) cos ( c) 2;t 1
2 3
0 0 0 0 0 2 3
6 7
6 76 t
7
6 1 0 0 0 0 76 7
6 76 k1;t 7
6 76 7
6 0 1 0 0 0 76 7
+6
6
76
76 k1;t 7 ;
6 0 0 1 0 0 76 7
6 76 7
6 74 k2;t 7
6 0 0 0 1 0 7 5
4 5 k2;t
0 0 0 0 1

con la correspondiente ecuación de observación:

2 3
6 t 7
6 7
6 t 7
6 7
h i6
6
7
7
1;t
yt = 1 0 1 0 1 0 6
6
7 + "t;
7
6 1;t 7
6 7
6 7
6 2;t 7
4 5
2;t

con 2 3 2 3
2
0 0 0 0 0
6 7 6 7
6 2 7 6 7
6 0 0 0 0 7 6 0 7
6 k1 7 6 7
6 2 7 6 7 2
Q=6 0 0 0 0 7;S = 6 0 7;R = "
6 k1 7 6 7
6 2 7 6 7
6 0 0 0 k2 0 7 6 0 7
4 5 4 5
2
0 0 0 0 k2 0

5.2.1. Resultados de la estimación univariada.

En los grá…cos 3 y 4 se muestra el PIB junto con la tendencia, y el ciclo del producto, respecti-
vamente. El modelo estimado arrojó que la duración del ciclo completo es de 20 períodos, es decir,

12
5 años.

Gráfico Estandarizado del PIB y su tendencia

3

-1

-2

Serie
Tendencia
-3
1984Q1 1989Q1 1994Q1 1999Q1 2004Q1 2009Q1

Grá…co 3

Gráfico Estandarizado del Ciclo de Producto

(1984-2009)
4

-1

-2

-3

-4
1984Q1 1989Q1 1994Q1 1999Q1 2004Q1 2009Q1

Grá…co 4

13
 A partir de la ecuación 10 D 2;t ; se han calculado los cambios trimestrales que han tenido
lugar en la brecha del producto desde el año 84. Este indicador estaría dando señales del cambio
de comportamiento en el ciclo, destacando de esta manera los posibles puntos de quiebre en la
actividad económica; según la cual un cambio de signo de positivo (negativo) a negativo (positivo)
en D 2;t indica el comienzo de una recesión (expansión). Esto es mostrado en el grá…co 5, con
puntos de quiebre en:

Fecha Cambio de Signo Pico o valle

1985Q1 de negativo a positivo (expansion) pico
1988Q2 de positivo a negativo (recesion) valle
1990Q1 de negativo a positivo (expansion) pico
1992Q4 de positivo a negativo (recesion) valle
1998Q2 de positivo a negativo (recesion) valle
1999Q3 de negativo a positivo (expansion) pico
2001Q3 de positivo a negativo (recesion) valle
2003Q3 de negativo a positivo (expansion) pico
2006Q4 de positivo a negativo (recesion) valle

Cambios en la brecha del PIB

(%)
2.50
2.00
1.50
1.00
0.50
1990Q1 2001Q3 2006Q4
0.00 1998Q2
1985Q2 1988Q2 1992Q4 1999Q3 2003Q3
-0.50
-1.00
-1.50
-2.00
-2.50
-3.00
1984Q3 1986Q3 1988Q3 1990Q3 1992Q3 1994Q3 1996Q3 1998Q3 2000Q3 2002Q3 2004Q3 2006Q3 2008q3

Grá…co 5

La proyección se hizo a 5 años, considerando la información suministrada por el modelo, ver

grá…co 6, adicionalmente fueron colocados intervalos de con…anza al 95 %. En esa proyección se

14
muestra una expansión a partir del segundo trimestre del año 2009, alcanzando un pico en tercer
trimestre de 2011, comenzando a caer a partir del cuarto trimestre de 2011 hasta 2014, …nal del
período de predicción.

Proyecciones del ciclo del PIB

e intervalos de confianza
0.15

0.1

0.05

-0.05

-0.1

-0.15

-0.2
1989Q1 1994Q1 1999Q1 2004Q1 2009Q1 2014Q1

Grá…co 6

5.3. Curva de Phillips

Para estimar un ciclo de primer orden, a partir de la curva de Phillips, al modelo anterior-
mente estimado se le agrega una ecuación para la in‡ación donde la misma depende de los valores
rezagados de la brecha del producto, de su tendencia y de su ciclo propio, esto es

2 3 2 3 2 3 2 3 2 3
t t t pt "t
4 5=4 5+4 5+4 5+4 5;
y y
yt t t 0 "yt

con
y y
pt = c1 t 1 + c2 t 2

15
 la cual denota las presiones in‡acionarias como consecuencia de los desvíos que tienen lugar
cuando el producto actual se aleja de su potencial.

El comportamiento de las tendencias de ambas variables vienen dadas por:

t = t 1 + at 1;

2
at = at 1 + t; t W N (0; ):

y y
t = t 1 + bt 1;

2
bt = bt 1 + t; t W N (0; );

y los ciclos:

2 3 2 32 3 2 3
t cos ( c ) sin ( c ) t 1 kt
In‡ación 4 5= 4 54 5+4 5;
t sin ( c ) cos ( c ) t 1 kt

2 3 02 3 2 31
2
kt 0 k 0
4 5 W N @4 5;4 5A :
2
kt 0 0 k

2 3 2 32 3 2 3
y y
t cos ( c ) sin ( c ) t 1 kty
Producto 4 5= 4 54 5+4 5;
y y
t sin ( c ) cos ( c ) t 1 kty

2 3 02 3 2 31
kty 0 2
ky 0
4 5 W N @4 5;4 5A :
kty 0 0 2
ky

cuyo vector de estado es:

h i0
y y y y y
t = t at t bt t t t t t 1 t 2

y la ecuación de transición,

16
2 3 2 32 3
t 1 1 0 0 0 0 0 0 0 0 t 1
6 7 6 76 7
6 7 6 76 7
6 at 7 6 0 1 0 0 0 0 0 0 0 0 7 6 at 1 7
6 7 6 76 7
6 y 7 6 76 7
6 t 7 6 0 0 1 1 0 0 0 0 0 0 7 6 yt 7
6 7 6 76 1 7
6 7 6 76 7
6 bt 7 6 0 0 0 1 0 0 0 0 0 0 7 6 bt 1 7
6 7 6 76 7
6 7 6 76 7
6 t 7 6 0 0 0 0 cos ( c ) 0 sin( c ) 0 0 0 76 t 1 7
6 7 = 6 76 7
6 y 7 6 76 7
6 t 7 6 0 0 0 0 0 cos ( c ) 0 sin( c ) 0 0 7 6 yt 7
6 7 6 76 1 7
6 7 6 76 7
6 t 7 6 0 0 0 0 sin( c ) 0 cos ( c ) 0 0 0 76 t 1 7
6 7 6 76 7
6 y 7 6 76 7
6 t 7 6 0 0 0 0 0 sin( c ) 0 cos ( c ) 0 0 7 6 yt 7
6 7 6 76 1 7
6 y 7 6 76 7
6 t 1 7 6 0 0 0 0 0 1 0 0 0 0 7 6 yt 2 7
4 5 4 54 5
y y
t 2 0 0 0 0 0 0 0 0 1 0 t 3
2 3
0 0 0 0 0 0
6 7
6 7
6 1 0 0 0 0 0 7
6 72 3
6 7
6 0 0 0 0 0 0 7 t
6 76 7
6 76 7
6 0 1 0 0 0 0 76 t 7
6 76 7
6 76 7
6 0 0 1 0 0 0 76 kt 7
+66
76
76
7
7
6 0 0 0 1 0 0 76 kt 7
6 76 7
6 76 7
6 0 0 0 0 1 0 76 kty 7
6 74 5
6 7
6 0 0 0 0 0 1 7 kty
6 7
6 7
6 0 0 0 0 0 0 7
4 5
0 0 0 0 0 0

y la correspondiente ecuación de observación

17
 2 3
6 t 7
6 7
6 at 7
6 7
6 y 7
6 t 7
6 7
6 7
6 bt 7
2 3 2 36 7 2 3
6 7
t 1 0 0 0 1 0 0 0 c1 c2 6 t 7 "t
4 5=4 56 7+4 5
6 7
yt 0 0 1 0 0 0 1 0 0 0 6 t 7 "yt
6 7
6 y 7
6 t 7
6 7
6 y 7
6 t 7
6 7
6 y 7
6 t 1 7
4 5
y
t 2

Este modelo puede ser generalizado para utilizar ciclos de orden superior.

5.3.1. Resultados de la estimación bivariada.

A pesar que se trabajó con los ciclos de primer y segundo orden, en este apartado se muestran
solo los de segundo orden, señalando que la principal diferencia radica en la estimación de ciclos
más suaves, y componentes irregulares más erráticos. En primer lugar, se muestran los resultados
de la estimación en espacio de los estados aplicando el smoothing de intervalo …jo, y en segundo
lugar, la estimación Bayesiana utilizando información previa sobre la frecuencia del ciclo.

Resultados con el ciclo de segundo sin usar Priors Bayesianas Al descomponer el produc-
to y la in‡ación utilizando espacio de los estados, y más particularmente el algoritmo de smoothing,
la tendencia del PIB resulta ser más cercana al producto observado, con el consiguiente, ciclo de
menor amplitud, que el obtenido univariantemente (grá…co 7 y 8).

18
 Gráfico Estandarizado del Producto y su tendencia
2.5

1.5 Producto
Tendencia del Producto
1

0.5

-0.5

-1

-1.5

-2

-2.5
1984Q1 1989Q1 1994Q1 1999Q1 2004Q1 2009Q1

Grá…co 7

Ciclo del producto

5

-1

-2

-3

-4

-5
1984Q1 1989Q1 1994Q1 1999Q1 2004Q1 2009Q1

Grá…co 8

19
En los grá…cos 9 y 10 se muestran la tendencia y el ciclo correspondiente a la in‡ación.

Gráfico Estandarizado de la Inflación y su tendencia

1.5

0.5

-0.5

-1

-1.5 Inflación
Tendencia de la Inflación
-2

1984Q1 1989Q1 1994Q1 1999Q1 2004Q1 2009Q1

Grá…co 9

Ciclo de la inflación

-1

-2

-3

-4

1984Q1 1989Q1 1994Q1 1999Q1 2004Q1 2009Q1

Grá…co 10

20
 Los resultados para el modelo multivariante muestran que los componentes son más ajustados
al ser comparados con el univariante, dado que se aporta más información a la consecución de las
variables no observables.

Ciclo de la inflación y ciclo del producto

4
ciclo inflación
ciclo producto
3

-1

-2

-3

-4
1984Q1 1989Q1 1994Q1 1999Q1 2004Q1 2009Q1

Grá…co 11

Al comparar ambos ciclos (grá…co 11), se observa que el ciclo del prodcuto adelanta al ciclo de
la in‡ación, aunque se evidencia más volatilidad en el ciclo del producto y algunas diferencias de
signos en algunos períodos.

Resultados con el ciclo de segundo orden utilizando Priors Bayesianas Para colocar las
priors para la estimación Bayesiana se tomó en cuenta lo calculado anteriormente, en los modelos
univariados, sobre el período o duración del ciclo, así como la de…nición dada por el NBER, que
para el caso de Venezuela es, en promedio, de 5 años. Por tanto, se trabajó con la distribución del
parámetro c (la frecuencia del ciclo), asociada a una media en la duración del período del ciclo de
20 trimestres o 5 años.

Los grá…cos 12 y 13 muestran la tendencia del producto y de la in‡ación, respectivamente. Se

observa un ciclo en la in‡ación semejante al estimado sin utilizar priors bayesianas, aunque un poco

21
más ajustada a la serie observada. La brecha del producto es menos volátil que en la estimación
anterior, y el ciclo de la in‡ación más pequeño que en el obtenido en dicha estimación (grá…cos 14
y 15).

Producto y su tendencia
2.5

1.5 Producto
Tendencia del Producto
1

0.5

-0.5

-1

-1.5

-2

-2.5
1984Q1 1989Q1 1994Q1 1999Q1 2004Q1 2009Q1

Grá…co 12

Gráfico de la Inflación y su tendencia

2.5

1.5

0.5

-0.5

-1
Inflación
-1.5
Tendencia de la Inflación
-2

-2.5

10 20 30 40 50 60 70 80 90 100

Grá…co 13

22
 Ciclo del producto

-1

-2

-3

-4

1984Q1 1989Q1 1994Q1 1999Q1 2004Q1 2009Q1

Grá…co 14

Ciclo de la inflación

-1

-2

-3

-4

-5

1984Q1 1989Q1 1994Q1 1999Q1 2004Q1 2009Q1

Grá…co 15

Puede ser observado en el grá…co N 16 la alta correlación que existe entre el ciclo del producto
y el ciclo de la in‡ación, además se evidencia que el ciclo del producto se adelanta al ciclo de la
in‡ación, pudiéndose predecir la in‡ación futura a partir de los coe…cientes de relación estimados
entre ambas variables.

23
 Ciclo de la inflación y ciclo del producto

4
ciclo inflación
3 ciclo producto

-1

-2

-3

-4

1984Q1 1989Q1 1994Q1 1999Q1 2004Q1 2009Q1

Grá…co 16

Una de las ventajas de obtener los ciclos con la presente metodología es poder estimar y predecir
los puntos de quiebre o turnings points de la actividad económica. A partir de la de…nición dada
en la ecuación 6 y 10, se calcularon los cambios en el ciclo, así como los posibles puntos de quiebre
(grá…cos 17 y 18).

24
 Cambios en la brecha del PIB
(%)
1.50

1.00

0.50 1989Q4
1987Q4 1997Q1
1995Q1
0.00
1988Q4 2002Q2 2003Q2
1996Q1 2007Q4
-0.50

-1.00

-1.50
1984Q2 1986Q3 1988Q4 1991Q1 1993Q2 1995Q3 1997Q4 2000Q1 2002Q2 2004Q3 2006Q4 2009Q1

Grá…co 17

Fecha Cambio de Signo Valle o pico

1987Q4 de negativo a positivo (expansion) valle
1988Q4 de positivo a negativo (recesion) pico
1989Q4 de negativo a positivo (expansion) valle
1995Q1 de negativo a positivo (recesion) valle
1996Q1 de positivo a negativo (recesion) pico
1997Q1 de negativo a positivo (expansion) valle
2002Q2 de positivo a negativo (recesion) pico
2003Q2 de negativo a positivo (expansion) valle
2007Q4 de positivo a negativo (recesion) pico

25
 Puntos de quiebre
0.04
1988Q4
0.03

0.02 1996Q1

0.01
1994Q1 2002Q2
2007Q4
0.00
2003Q2
-0.01 1997Q1
1989Q4 1995Q1
-0.02 1987Q4
1984Q2 1986Q3 1988Q4 1991Q1 1993Q2 1995Q3 1997Q4 2000Q1 2002Q2 2004Q3 2006Q4 2009Q1

Grá…co 18

En el grá…co 19 se comparan dos de…niciones para determinar los turnings points; por un lado,
se colocan los cálculos hechos con la de…nición 10, y otra donde se calculan los cambios en el ciclo
a partir de 5 t +5 t+1 =2: A pesar que los cambios en el ciclo calculados con el promedio
tienden a ser más volátiles, se evidencian las semejanzas en estimar los puntos de quiebre.

Cambios en la brecha del PIB

(%)
Comparación
2.00

1.50
1.00

0.50 1988Q1
1995Q2 1997Q2
0.00
-0.50 2002Q3 2003Q3 2008Q1
-1.00 1996Q2
1989Q1
-1.50
-2.00

-2.50
1984Q3 1986Q3 1988Q3 1990Q3 1992Q3 1994Q3 1996Q3 1998Q3 2000Q3 2002Q3 2004Q3 2006Q3 2008Q3

cambios en el ciclo promedio de cambios

Grá…co 19

26
 En lo que respecta a la amplitud del ciclo, con esta metodología se estima que la misma
disminuye a lo largo del período; donde se destacan cuatro puntos de máxima amplitud, durante
todo el período de estimación, en el 4to trimestre de 1988, 4to trimestre de 1995, 1er trimestre de
2003 y 3er trimestre de 2007.

Amplitud del ciclo

0.040

0.035 1988Q4

0.030

0.025 1995Q4

0.020

0.015
2003Q1
0.010
2007Q3
0.005

0.000
1984Q2 1986Q2 1988Q2 1990Q2 1992Q2 1994Q2 1996Q2 1998Q2 2000Q2 2002Q2 2004Q2 2006Q2 2008Q2

Grá…co 20

En esta oportunidad el ciclo calculado con la información previa para c, proyecta una caida
hasta el 2do trimestre de 2010. Luego la economía comienza una expansión hasta el tercer trimestre
de 2011, momento en el cual comienza una recesión hasta el último período considerado para la
predicción (2014).

27
 Proyecciones del ciclo del producto e intervalos de confianza

1
(%)

-1

-2

-3

-4
1984Q2 1989Q1 1994Q1 1999Q1 2004Q1 2009Q1 2014Q1

Grá…co 21

5.4. Comparación de modelos

En las tablas que a continuación se presentan se han colocados unos estadísticos provenientes de
la estimaciones anteriores, considerando ciclos de orden 1 y orden 2 (n), tales como las varianzas de
2 2
los parámetros de tendencias , de los parámetros del ciclo , del componente irregular
2
" , el valor del parámetro asociada al parámetro de suavizamiento ( ) ; la frecuencia del ciclo
2
( c) ; el período del ciclo (2 = c ), la varianza del componente cíclico ; y la ratio de las
2 2 2
varianzas q = =( + ") . Adicionalmente, en las tablas del bivariado, se han colocado
los coe…cientes de relación entre la in‡ación y los rezagos del ciclo del producto (c1 y c2 ).

En las Tablas 1 y 2 se han colocado los resultados univariantes, con prior bayesiana y sin prior
bayesiana, respectivamente. En la Tabla 1 y 2 se han colocado los resultados univariantes, con
prior bayesiana y sin prior bayesiana, respectivamente. Y en las Tablas 3 y 4 se han colocado
los resultados bivariantes, con prior bayesiana y sin prior bayesiana, respectivamente. Se observa

28
como disminuye la volatilidad del ciclo cuando es utilizado el ciclo de orden 2, para todas las
estimaciones, incrementándose la volatilidad asociada el componente irregular, esto disminuye la
incertidumbre a la hora de predecir el comportamiento del ciclo. Asimismo, observamos que ocurre
una disminución del parámetro de suavizamiento ( ) ; cuando se utiliza priors bayesianas, para la
frecuencia del ciclo.

Tabla 1

Univariado (sin prior bayesiana)

2 2 2 2
n " c 2 = c q
1 0.000 0.038 0.000 0.835 0.297 21 0.039 0.024
2 0.001 0.000 0.019 0.912 0.302 21 0.001 0.006

Tabla 2

Univariado (con prior bayesiana)

2 2 2 2
n " c 2 = c q
1 0.502 0.541 0.486 0.866 0.447 14 0.001 1.032
2 0.500 0.492 0.506 0.727 0.281 22 0.000 0.987

Cabe destacar que para el caso de los modelos bivariados, el período del ciclo aumenta sustan-
cialmente (de 8 y 9 a 21 y 20), así como los parámetros de la relación de la in‡ación con el ciclo
del producto, cuando se pasa del no bayesiano al Bayesiano.

Tabla 3

Bivariado (sin prior bayesiana)

2 2 2 2
n " c 2 = c q c1 c2
1 0.000 0.001 0.000 0.626 0.714 9 0.025 0.000 0.034 0.031
2 0.000 0.000 0.100 0.834 0.764 8 0.022 0.001 0.034 0.031

Tabla 4

29
 Bivariado (con prior bayesiana)

2 2 2 2
n " c 2 = c q c1 c2
1 0.106 0.040 0.081 0.800 0.299 21 0.009 1.177 0.051 0.048
2 0.099 0.010 0.099 0.795 0.322 20 0.008 0.935 0.051 0.048

6. Conclusiones

En este trabajo se presenta un modelo estructural para descomposición de series macroeconómi-

cas en sus componentes no observados mediante métodos basados en modelos. Es utilizada la
metodología propuesta por Harvey et al. (2007) en la que se utiliza la representación en espacio
de los estados para obtener los ciclos de segundo orden, y se incorporan técnicas Bayesianas de tal
forma de utilizar información previa sobre la frecuencia del ciclo. Se utilizaron datos trimestrales
para la economía venezolana del PIB y la in‡ación durante el período 1984-2009. Para ello se re-
aliza un análisis comparativo de las propiedades de los componentes no observados de estas series
bajo diferentes enfoques de estimación, y en particular, se detallan los efectos que sobre el per…l
del ciclo (tales como duración, puntos de quiebre y amplitud) introduce la incorporación de priors
bayesianas en el modelo.

La ventaja de emplear ciclos de segundo orden es que se obtienen ciclos más suaves enviando
más incertidumbre al componente irregular a diferencia del ciclo de primer orden, en los que parte
de la volatilidad asociada a la incertidumbre se traslada al ciclo. Por otro lado, con el uso de las
técnicas Bayesianas se incorporan restricciones ‡exibles sobre los parámetros claves, tales como la
frecuencia del ciclo, obteniéndose parámetros más adecuados cuando se maximiza la función de
verosimilitud; asimismo, al colocar información previa acerca de los componentes que se extraen y
sus predicciones, se reduce la incertidumbre en los parámetros (Harvey, 2007).

Bajo un modelo univariado, con ciclo de orden dos, se muestra que el ciclo promedio de la
actividad económica en Venezuela tiene una duración de 20 trimestres, y la correlación con la brecha
de la in‡ación (…ltrada de manera similar), alcanza 21 %. Al realizar una estimación multivariada
mediante la incorporación de la curva de Phillips dicha correlación aumenta a 70 %, mientras que
la amplitud del ciclo se reduce a solo 8 trimestres.

30
 La evidencia relativa a la duración del ciclo en Venezuela, proveniente tanto de metodologías
clásicas de estimación como de la sincronización del ciclo con eventos electorales que impactan
la toma de decisiones de política económica, sugiere la conveniencia de ajustar el parámetro que
determina el período del ciclo de forma tal de que éste alcance 20 trimestres en promedio.

El análisis comparativo muestra que ambas estimaciones sugieren que la próxima cima tendrá
lugar en el tercer trimestre del 2011. Dentro de las diferencias que introduce la estimación bayesiana
en las proyecciones del ciclo, se obtuvo que mientras la estimación máximo verosímil sugiere que el
próximo valle tendrá lugar en el segundo trimestre de 2009, la estimación bayesiana sitúa el valle
en el segundo trimestre de 2010. Adicionalmente, la estimación bayesiana muestra una mejora en
el error cuadrático medio de la predicción, al tiempo que incrementa la signi…cación de la relación
entre la brecha rezagada del producto y la in‡ación.

Una mejora notable sobre otros enfoques ad hoc de descomposición de series temporales radica
en la capacidad de esta metodología para predecir los turning points de la actividad económica.
Futuros trabajos deberán profundizar sobre el papel de otras variables exógenas, y en particular
del tipo de cambio, en la estimación del ciclo en Venezuela. Una especi…cación más completa del
modelo estructural también permitiría explorar especi…caciones alternativas de la curva de Phillips,
tal como se propone en Harvey (2008).

31
Referencias
[1] Anderson, B.D.O. y J.B. Moore (1979). Optimal Filtering. Englewood Cli¤s (N.J.):
Prentice Hall.
[2] Baxter, M. y R. King (1995) “Measuring business cycles: approximate band-pass …lters
for economic time series”. Working Paper N 5022, National Bureau of Economics Research.
Publicado en 1999, Review of Economics and Statistics, Vol. 81(4), 575-593.
[3] Dennis, J.E. y R.B. Schnabel(1983). Numerical Methods for Unconstrained Optimization
and Nonlinear Equations. Englewood Cli¤s (N.J.): Prentice-Hall.
[4] De Jong Piet (1988). The Likelihood for the State-Space Model, Biometrika, 75, 165-169.

[5] De Jong Piet (1989). Smoothing and Interpolation with the State-Space Model, Journal of
the American Statistical Association, Vol. 84, 408, 1085-1088
[6] Hamilton James, D.(1994). State-Space Models. in Handbook of Econometrics, Volume
IV, Cap 50
[7] Harvey andrew.(1989). Forecasting, structural time series models and the Kalman …lter.
554 págs..
[8] Harvey, A. (2002). "Trends, cycle and convergence". Documentos de Trabajo. Banco Central
de Chile, N 155.
[9] Harvey, A. y T. Jagger (1993). "Detrending, stylized facts and the business cycle". Jour-
nal of Applied Econometrics,8, 231-247.
[10] Harvey, a. c., y pierse r. g. (1984). Estimating Missing Observations in Economics Time
Series. Journal of the American Statistical association, 79, 125-131.
[11] Harvey, A., T. Trimbur y H. Van Dijk (2004). Bayes estimates of the cyclical component
in twentieth century US gross domestic product. Econometric Institute Report EI 2004-45.
[12] Harvey, A., T. Trimbur y H. Van Dijk (2007). Trends and cycles in economic time
series: a bayesian approach. Journal of Econometrics, 140,618-649.
[13] Hodrick, R. J. y E. C. Prescott (1980). Post-war US business cycles: An empirical
investigation. Discussion Paper N 451, Carnegie Mellon University. Reimpreso y actualizado
en (1997), Journal of Money, Credit and Banking, 29, 1-16.
[14] Jones Richard H.(1980). Maximun Likelihood Fitting of ARMA Models to Time Series
With Missing Observations, Technometrics, Vol 22, 3. 389-395.
[15] Kalman, R. E. (1960). A New Approach to linear Filtering and Prediction Problems, Journal
of Basic Engineering, Transactions of the ASME, Series D, 82, 35-45.
[16] Kalman, R. E. (1963). "New Methods in Wiener Filtering Theory", in J.L. Bogdano¤ and
F. Kozin, eds., Proceedings of the First Symposium of Engineering Applications of Random
Function Theory and Probability, pp. 270-388. New York:John Wiley & Sons, Inc.

32
[17] Klejin, R y H. Van Dijk (2002). "Bayes Model Averaging of Cyclical Decompositions in
Economic Time Series". Econometric Institute Report EI 2003-48.

[18] Kohn, R. y Craig F. Ansley. (1986). Estimation, Prediction, and Interpolation for ARI-
MA Models with Missing Data, Journal of the American Statistical Association, Vol 81, 395,
751-761.
[19] Kohn, R. y Craig F. Ansley. (1987). Signal Extraction for Finite Nonstationary Time
Series, Biometrika, Vol 74, 2, 411-421.

[20] Koopman, S. y Shepard Neil (1987). Exact score for time series models in state space.
Biometrika, Vol 79, 4, 823-826.
[21] Manzano, Osmel y Roberto Rigobon (2001): Resource Curse or Debt Overhand? NBER
w8390
[22] Masanao, Aoki (1976). Optimal Control and System Theory in Dinamic Economics Analy-
sis. North-Holland New York.
[23] Murray, C.J. (2003). Cyclical Properties of Baxter-King Filtered Time Series. The Review
of Economics and Statistics, 85, 472-476.
[24] Penzer, J. R. y Shea, B. L. (1999) Finite Sample Prediction and Interpolation for ARIMA
Models with Missing Data, Journal of Forecasting, 18, 411-419
[25] Piet de Jong.(1989) Smoothing and Interpolation With the State-Space Model, Journal of
the American Statistical Association, Vol. 84, N 408,1085-1088.
[26] Piet de Jong y Jeremy Penzer.(1998) Diagnosting Shocks in Time Series, Journal of the
American Statistical Association, Vol. 93, N 442,796-806.
[27] Saez, Francisco. (2004). Patrones cíclicos de la economía venezolana. Serie Documentos
de Trabajo N 60. Banco Central de Venezuela
[28] Zellner, A. (1971). An Introduction to Bayesian Inference in Econometrics. Wiley. New
York.

33