Introduccin de elementos autorregresivos en modelos de dinmica de sistemas

Pablo Alvarez-De-Toledo *, Adolfo Crespo *, Fernando Nez * y Carlos Usabiaga

Resumen Los modelos autorregresivos pueden describirse como aqullos en los que una variable o conjunto de variables se explican, al menos en parte, en funcin de los valores pasados de esa misma variable o conjunto de variables. Estos modelos han cobrado gran importancia en el campo de la econometra y la economa. Se ha demostrado que modelos sencillos de este tipo, con un pequeo nmero de variables y parmetros, compiten, incluso con ventaja, en su capacidad de prediccin y simulacin con los grandes modelos macroeconomtricos que se desarrollaron en los aos cincuenta y sesenta, y que incluyen cientos de variables y parmetros. Mostramos cmo modelos de Dinmica de Sistemas pueden incorporar los elementos principales de los modelos autorregresivos. Para ello hemos desarrollado un modelo autorregresivo estructural (SVAR) con diagramas de nivel-flujo. Esta herramienta aporta a dichos modelos capacidad predictiva a corto plazo. Como ilustracin, presentamos una aplicacin al caso del mercado de trabajo espaol. Abstract This paper presents a method for applying autoregressive analysis to system dynamics models. These methods, that allow high accuracy in short range prediction, have enabled small models to compete successfully with large models in economics and econometrics. Here we present a method that can be implemented as macro and illustrate it with an example taken from the Spanish labour market. Palabras claves: Modelos Autorregresivos, Dinmica de Sistemas, Funciones Impulso-Respuesta, Prediccin, Mercado de Trabajo.

* Departamento de Organizacin Industrial y Gestin de Empresas, Universidad de Sevilla , Camino de los Descubrimientos s/n., 41092 Sevilla, Espaa e-mail: pablo@esi.us.es , adolfo.crespo@esi.us.es , fnunez@esi.us.es Departamento de Economa, Universidad Pablo de Olavide, Ctra. Utrera, km. 1 41013 Sevilla, Espaa e-mail: cusaiba@upo.es Revista de Dinmica de Sistemas Vol. 2 Nm. 1 (Marzo 2006), p. 37-66

Recibido Diciembre 2005 Aceptado Febrero 2006

37

Alvarez-de-Toledo et al.: Elementos autoregresivos

38

Introduccin En este artculo se realiza un acercamiento a los modelos autorregresivos (AR, VAR, SVAR) desde el punto de vista de la utilidad que puedan tener para los investigadores de Dinmica de Sistemas. El objeto del mismo es utilizar la metodologa SVAR para elaborar un modelo stock-flow autorregresivo estructural en el entorno informtico Vensim que proporcione una nueva herramienta macro para realizar simulacin y prediccin a corto plazo sobre una variable utilizando para ello informacin pasada, no slo de la propia variable estudiada, sino tambin de otras variables relacionadas con ella. Adems, el modelo propuesto permite tener en cuenta el mapa de relaciones contemporneas existente entre las variables consideradas. Dicho modelo no pretende, por tanto, ser un modelo de Dinmica de Sistemas en s mismo, sino una herramienta para Vensim que pueda ser utilizada como parte de un modelo ms amplio de Dinmica de Sistemas, permitiendo dotar al mismo de estructura endgena y de capacidad predictiva a corto plazo.

La tcnica VAR ofrece la posibilidad de analizar las interrelaciones dinmicas existentes entre un conjunto de variables, lo que le confiere mayores posibilidades para analizar y contrastar modelos tericos. Como puso de manifiesto Sims (1980), el inters de estimar un modelo VAR tambin reside en el tipo de informacin que se deriva del sistema de ecuaciones que se estima. Por ejemplo, a partir de las funciones impulso- respuesta se puede analizar el signo, la intensidad, el timing y la persistencia que cada una de las innovaciones estocsticas tienen sobre las variables del modelo. Otro elemento bsico del anlisis VAR lo constituye la Descomposicin de la Varianza del Error de Prediccin, a partir de la cual se puede estudiar el peso relativo de cada perturbacin en la variablidad temporal de las variables endgenas del modelo.

38

Alvarez-de-Toledo et al.: Elementos autoregresivos

39

Los modelos SVAR surgen como respuesta a la crtica recibida por los modelos VAR sobre la ausencia de respaldo terico. As, un modelo VAR puede verse como la forma reducida de un modelo dinmico estructural terico, el cual puede estimarse a partir de su forma reducida y de un conjunto de restricciones sobre los parmetros del modelo. El resto del artculo se estructura como sigue. La seccin segunda describe brevemente la metodologa de los modelos autorregresivos, y proporciona las referencias oportunas para un estudio ms detallado de los mismos. La seccin tercera describe cmo implementar un modelo stock-flow autorregresivo estructural en el entorno informtico Vensim. Dicho modelo esta compuesto por dos submodelos a travs de los cuales se irn desarrollando todos los pasos necesarios para conseguir la estructura SVAR. La seccin cuarta desarrolla un ejemplo basado en un trabajo previo de aplicacin de la metodologa SVAR al mercado de trabajo espaol. Finalmente, en la seccin quinta se expondrn las principales conclusiones obtenidas.
La metodologa de los modelos autorregresivos Los modelos autorregresivos (AR) pueden describirse, de una forma general, como aqullos en los que una variable se explica, al menos en parte, en funcin de sus valores pasados. Por su parte, los modelos de vectores autorregresivos (VAR) pueden plantearse como una generalizacin de los modelos AR al caso de un vector de n variables yt. Estos modelos han cobrado una gran importancia en las ltimas dcadas en el campo de la econometra y la economa1. Se ha demostrado que modelos sencillos de este tipo, con un pequeo nmero de variables y parmetros, compiten, incluso con ventaja, en
1

La metodologa de los vectores autorregresivos (AR, VAR y SVAR) puede

consultarse, por ejemplo, en el manual de Hamilton (1994). 39

Alvarez-de-Toledo et al.: Elementos autoregresivos

40

su capacidad de prediccin y simulacin frente a los grandes modelos macroeconomtricos que, incluyendo cientos de variables y parmetros, se haban desarrollado en los aos cincuenta y sesenta. Los modelos VAR son modelos que relacionan entre s varias variables (n variables), y en los que el valor que toma cada una de ellas en un perodo de tiempo se relaciona con los valores que toma esa misma variable y todas las dems variables en perodos anteriores. Dicho modelo se puede formular como:

yt = 1 yt-1 + 2 yt-2 ++ p yt-p + c + t

(1)

donde yt, yt-1,, yt-p son los vectores (n x 1) que contienen los valores de las variables en los perodos t, t-1,, t-p; 1, 2,, p son matrices (n x n) que contienen los parmetros del modelo, los cuales pueden estimarse; c es el vector (n x 1) de constantes, que igualmente pueden estimarse; y t es un vector (n x 1) de perturbaciones aleatorias, tambin denominadas innovaciones, denominacin que denota que stas contienen la nica informacin nueva que aparece en el perodo t en relacin a la ya disponible en los perodos anteriores. En este modelo =E(tt) es la matriz (n x n) de varianzas-covarianzas de las innovaciones. Esta matriz puede ser no diagonal, reflejando el hecho de que las innovaciones estn contemporneamente correlacionadas entre s. El modelo (1) se denomina VAR(p), donde el orden p es el nmero de retardos a los que se extiende el modelo. La ecuacin (1) puede ser escrita como:

(In - 1L - 2L2 -- pLp) yt = (L) yt = c + t

(2)

40

Alvarez-de-Toledo et al.: Elementos autoregresivos

41

donde (L) es una matriz polinomial en el operador de retardos formada por la matriz In, que representa la matriz de identidad de orden n, y las matrices j (n x n) con j = 1,2,...,p. A partir de (2), podemos expresar yt como:

yt = (L)-1 c + (L) -1 t = + (L) -1 t

(3)

En la descomposicin de Wold, si el vector de variables yt es estacionario en covarianzas3, puede representarse como un proceso de medias mviles de orden infinito MA():

yt = + t + 1 t-1 + 2 t-2 += + (In + 1L + 2L2 +) t = + (L) t (4)

donde t, t-1, t-2, son los vectores (n x 1) de innovaciones en los perodos t, t1,; es un vector (n x 1) de constantes y (L) es una matriz polinomial en el operador de retardos formada por infinitas matrices j (n x n). Debe observarse que, al ser In la matriz identidad, en el modelo VAR de la ecuacin (2) cada variable del vector yt (variables endgenas, determinadas dentro del sistema) se relaciona con los valores retardados de todas las variables que componen el vector (variables predeterminadas, que se han determinado en perodos anteriores). En cambio, no aparecen relaciones contemporneas entre las variables; es decir, cada variable no se relaciona con los valores de las dems en el mismo perodo. La ecuacin (2) puede

El operador de retardos es definido como sigue: L xt xt-1; L2 xt xt-2;; Lp xt xt-p.

Un vector de variables aleatorias yt se dice estacionario en covarianza si sus

primeros y segundos momentos, E [ yt ] y E[ yt y j ] respectivamente, son t independientes del momento t. 41

Alvarez-de-Toledo et al.: Elementos autoregresivos

42

interpretarse, por ello, como la forma reducida-autorregresiva que podra obtenerse a partir de un modelo estructural (SVAR) en el que apareceran relacionadas entre s las variables endgenas en el perodo en curso :
4

B(L) yt = (B0 - B1L - B2L2 -- BpLp) yt = k + ut

(5)

donde k es un vector (n x 1) de constantes, ut un vector (n x 1) de perturbaciones, que en este modelo estructural se denominan shocks estructurales, y B(L) un polinomio de matrices en el operador de retardos, formado por matrices Bj (n x n). La matriz B0 refleja las relaciones contemporneas entre las variables endgenas que constituyen yt. Por otro lado, si se estandarizan los shocks estructurales y se asume que no existe correlacin contempornea entre ellos, su matriz de varianzas-covarianzas ser la matriz identidad (E(utut)=I). La ecuacin (5) constituye la forma estructural-autorregresiva del modelo. Premultiplicando ambos miembros de dicha ecuacin por B0-1=S se obtendra la forma reducida-autorregresiva (2) y, viceversa, conocida la matriz B0, se puede obtener la forma estructural-autorregresiva a partir de (2) premultiplicando ambos miembros de dicha ecuacin por B0. Sin embargo, puede demostrarse que la informacin contenida en las series temporales yt no es suficiente para identificar la matriz B0, siendo por ello necesario aadir restricciones adicionales5 para identificar sus elementos. Estas restricciones

El modelo estructural (5) no puede ser estimado de forma consistente por

mnimos cuadrados ordinarios, ya que existen variables endgenas entre los regresores. Por tanto, resulta necesario llevar a cabo la estimacin sobre su forma reducida. El problema de la estimacin por mnimos cuadrados ordinarios de los modelos en su forma estructural se discute en Greene (2003).
5

Al premultiplicar el modelo estructural (5) por la matriz S obtenemos la

siguiente relacin lineal entre las innovaciones y los shocks estructurales del 42

Alvarez-de-Toledo et al.: Elementos autoregresivos

43

adicionales pueden obtenerse a partir de las implicaciones que un modelo terico arroje sobre el comportamiento esperado6 de las variables yt. En este sentido, puede afirmarse que mientras que en el modelo VAR de la ecuacin (2) los requerimientos tericos son mnimos (conjunto de variables cuya interaccin se va a analizar y nmero de retardos que se va a incluir), el modelo SVAR tiene un mayor contenido terico, proporcionado por el modelo a partir del cual se obtienen las restricciones adicionales mencionadas anteriormente. Al igual que los modelos vectoriales autorregresivos en su forma reducida (2), los modelos vectoriales autorregresivos en su forma estructural (5), si cumplen la condicin de estacionariedad, pueden transformarse en la forma estructural de medias mviles:

yt = + C0 ut + C1 ut-1 + C2 ut-2 += + (C0 + C1L + C2L2 +) ut = + C(L) ut (6)

donde es un vector (n x 1) de constantes y, adems, C(L)=B(L) 1. La ecuacin (6) representa el modelo (1) expresado en medias mviles con perturbaciones ortogonales. El valor csij representa el elemento ij de la matriz Cs perteneciente al polinomio matricial C(L), e identifica el efecto de un shock

sistema: t = S ut. Partiendo del supuesto E(ut ut)=I, llegamos a la siguiente expresin para identificar la matriz S: =SS. Al ser una matriz simtrica (nxn), esta expresin proporciona (n2+n)/2 condiciones para identificar los n2 elementos de S. Las otras (n2-n)/2 condiciones se pueden obtener como implicaciones de un modelo terico.
6

En general, deben imponerse determinadas restricciones sobre la matriz B0,

las restantes matrices del polinomio matricial B(L) y =E(utut) para ser capaces de deducir formas estructurales a partir de estimaciones en forma reducida. 43

Alvarez-de-Toledo et al.: Elementos autoregresivos

44

ortogonal unitario en yj (j=1,..,n) en el momento t (ujt) sobre la variable yi (i=1,..,n) en el momento t+s, bajo el supuesto de que no se produce ningn otro tipo de shock ni en t ni en momentos anteriores:
s cij =

yi t + s u j t

(7)

Es decir, los elementos de la matriz Cs describen el efecto temporal o respuesta de un shock unitario impulso sobre las variables del modelo. La matriz de multiplicadores dinmicos Cs recibe el nombre de funciones impulso-respuesta ortogonalizadas. Para obtener el polinomio de matrices C(L) es necesario obtener previamente la matriz B0; una vez que conozcamos B0, resulta inmediato recuperar ut a partir de t y, a su vez, C(L) a partir de (L), de acuerdo con la expresin C(L)=(L) B0-1. Otro elemento bsico del anlisis VAR, aparte de las funciones impulsorespuesta, lo constituye la descomposicin de la varianza del error de prediccin, a partir de la cual se puede estudiar el peso relativo de cada perturbacin en la variabilidad temporal de las variables endgenas del modelo. As, la participacin relativa de una perturbacin en yj en el momento t (ujt) sobre la variabilidad de la variable yi en el momento t+s (yi t+s) vendr dada por:

(c ) (c )
s ij 2 n j= 1 s ij

(8)

Introduccin de elementos autorregresivos y estructura endgena en los modelos de Dinmica de Sistemas A continuacin mostraremos cmo se puede implementar un modelo SVAR en el entorno informtico Vensim. Para implementar este modelo hemos construido dos submodelos nivel-flujo, el submodelo 1 y el submodelo 2, cada uno de los cuales corresponde a distintas fases del proceso de anlisis, como 44

Alvarez-de-Toledo et al.: Elementos autoregresivos

45

se expondr posteriormente con detalle. Debemos indicar que no es el propsito de este trabajo disear un modelo de Dinmica de Sistemas, sino ms bien proponer una macro que permita a los diseadores de este tipo de modelos incorporar en ellos elementos propios de la metodologa SVAR, como son la existencia de una estructura autorregresiva multivariante y de relaciones de causalidad entre las variables endgenas consideradas. El ncleo comn de los dos submodelos es la prediccin de las variables en cada perodo a partir de sus valores en los perodos anteriores, segn la forma reducida-autorregresiva de la ecuacin (2). La diferencia principal entre ambos submodelos, es que el submodelo 1 utiliza los datos reales de las variables en los perodos anteriores, mientras que el submodelo 2 utiliza los valores predichos para los perodos anteriores por el propio modelo. El submodelo 1 se utiliza para estimar los parmetros del modelo en la forma reducida-autorregresiva (2) a partir de las series de valores reales de las variables, utilizando para ello la funcin de calibracin de Vensim. En este submodelo se estudia el ajuste conseguido entre las predicciones del modelo estimado y las series de valores reales de las variables, calculando las diferencias entre ambos (residuos o valores estimados de las innovaciones t) y su matriz de varianzas-covarianzas. Con los valores de los parmetros ya estimados, el submodelo 2 se utiliza para calcular la matriz B0, que permite obtener la forma estructural-autorregresiva a partir de la forma reducidaautorregresiva, cumplindose los requisitos adicionales que un modelo terico impone sobre la dinmica de las variables. El submodelo 2 tambin permite simular la respuesta de las variables a distintos impulsos (en las innovaciones

t o en los shocks estructurales ut), lo que se conoce como funciones impulsorespuesta, que, a su vez, se relacionan con las formas en medias mviles del modelo. Para obtener todos estos resultados el submodelo 2 se plantea en tres versiones, que slo difieren en la magnitud de las innovaciones. En los dos apartados que presentamos a continuacin se explica con detalle el proceso de anlisis que siguen ambos submodelos. A continuacin, en un tercer apartado, emplearemos ambos submodelos para analizar el 45

Alvarez-de-Toledo et al.: Elementos autoregresivos

46

comportamiento de determinadas variables claves del mercado de trabajo de la economa espaola durante el perodo de referencia (1977:01-1994:04).

3.1. El submodelo 1 El submodelo 1 sigue la operativa que puede observarse a lo largo del diagrama nivel-flujo que se muestra en la Figura 1 (entre comillas se indicarn los nombres de las variables que aparecen en el diagrama a medida que se vayan explicando).

Figura 1Diagrama nivel-flujo del submodelo 1

En primer lugar, el submodelo lee los datos importados desde un fichero exterior, obtenindose "Variables en t". Para conseguir la estructura de 46

Alvarez-de-Toledo et al.: Elementos autoregresivos

47

retardos del modelo se generan las variables de nivel "Variables en t-i" (donde i indica el orden de retardo), que se actualizan al final de cada perodo con un flujo de entrada incr var, que almacena los datos del vector yt en ese perodo y en los p-1 anteriores como datos retardados para el perodo siguiente, y un flujo de salida decr var, que elimina los datos almacenados anteriormente. Como hemos expuesto previamente, el ncleo del submodelo 1 es la prediccin de las variables en cada perodo (Prediccin variables en t) a partir de sus valores en los perodos anteriores (Variables en t-i), de acuerdo con el modelo en forma reducida-autorregresiva de la ecuacin (2). Los parmetros a estimar son los Coeficientes variables en t-i y las Constantes. La variable

TIME se utiliza para controlar los perodos en los que se inicializa el modelo, introduciendo los valores reales de las variables como primeros retardos. La estimacin de los parmetros del modelo a partir de las series de valores reales de las variables se realiza mediante el Mtodo de Powell Modificado7

Entre las tcnicas de optimizacin numrica, es el mtodo de bsqueda

directa que no evala el gradiente el ms adecuado para el anlisis de la dinmica de los sistemas de control no lineales complejos. El mtodo de Powell (1964) se caracteriza por proporcionar una rpida convergencia en el marco de los mtodos de bsqueda directa. La idea bsica del mtodo de Powell consiste en dividir la minimizacin de dimensin N en N problemas independientes de minimizacin unidimensionales. As, para cada problema unidimensional se implementa una bsqueda binaria para encontrar el mnimo local en un determinado rango. Adems, en sucesivas iteraciones, se estiman las mejores direcciones que pueden seguir las bsquedas unidimensionales. Sin embargo, con este mtodo, no podemos asegurar que obtendremos siempre soluciones ptimas, porque los vectores de direccin no son siempre independientes linealmente. Para solventar este problema, Powell (1968) revis su mtodo, introduciendo nuevos criterios para la formacin de 47

Alvarez-de-Toledo et al.: Elementos autoregresivos

48

incluido en la opcin de calibracin de Vensim. De esta forma, se obtienen los valores de los parmetros que minimizan las sumas de los cuadrados de los residuos (valores reales de las variables menos las predicciones del modelo) para todos los perodos que componen el intervalo de estimacin. Se realiza una estimacin conjunta para las tres ecuaciones que componen (2),

correspondientes a cada variable del vector yt, dndole el mismo peso a las sumas de los cuadrados de los residuos de cada ecuacin en el total a minimizar. Con los valores estimados de los parmetros se obtienen las Innovaciones estimadas, y a partir de los productos de las mismas se obtiene la estimacin de la matriz de varianzas-covarianzas Cov. La variable de flujo incr cov va incrementando en cada perodo el nivel acumulado Cov anterior de la suma de productos de los residuos para todos los perodos anteriores. En Cov anterior dicha suma se divide entre n-k, siendo n el nmero de observaciones disponibles (observaciones totales menos observaciones necesarias para realizar la primera prediccin) y k el nmero de coeficientes a estimar por ecuacin. La variable Cov se obtiene8 sumando a Cov anterior en cada perodo su flujo de entrada incr cov dividido entre n-k. Por ltimo, la variable FINAL TIME proporciona el nmero de perodos (u observaciones totales) que hay que tener en cuenta en este proceso de clculo.

vectores de direccin independientes linealmente. Este segundo mtodo, denominado mtodo de Powell modificado, es el utilizado en este trabajo.
8

No es posible obtener Cov simplemente acumulando en cada perodo el

producto de los residuos (tal y como sucede con Cov anterior), ya que en Vensim la actualizacin de las variables de nivel al final de cada perodo no se registra en la salida del modelo hasta el perodo siguiente, por lo que slo podramos registrar la matriz de varianzas-covarianzas en el perodo anterior, pero no en el perodo en curso. 48

Alvarez-de-Toledo et al.: Elementos autoregresivos

49

3.2. El submodelo 2 En este apartado presentamos en detalle el proceso de anlisis que sigue el submodelo 2, dividindolo en 4 pasos. Para obtener los resultados de este submodelo se desarrollan tres versiones del mismo que difieren nicamente en la magnitud de las innovaciones. La primera versin se corresponde con el paso 1), la segunda versin con el paso 2) y la tercera versin con los pasos 3) y 4). El diagrama nivel-flujo del submodelo 2 se muestra en la Figura 2.

Figura 2: Diagrama nivel-flujo

del submodelo 2

Paso 1) Obtencin de la matriz polinomial (L) correspondiente a la forma reducida de medias mviles y de las funciones impulso-respuesta no ortogonalizadas

Las funciones impulso-respuesta no ortogonalizadas se obtienen como resultado de la simulacin de la respuesta del vector de variables yt frente a impulsos en las innovaciones t. La denominacin no ortogonalizadas se refiere al hecho de que las innovaciones aparecen correlacionadas contemporneamente entre s. La respuesta que se obtiene como resultado de 49

Alvarez-de-Toledo et al.: Elementos autoregresivos

50

la simulacin es Prediccin variables en t, que corresponde al vector yt, obtenido mediante el modelo en forma reducida-autorregresiva de la ecuacin (2), con los Coeficientes variables en t-i estimados en el submodelo 1. Las Variables en t-i, en este submodelo 2, se generan a partir de la prediccin en t9, actualizndolas al final de cada perodo con un flujo de entrada incr var, que almacena como datos retardados para el perodo siguiente la prediccin en ese perodo y las variables en los p-1 perodos anteriores, y un flujo de salida decr var, que elimina los datos almacenados anteriormente. El impulso son las Innovaciones t, que se hacen iguales a 1 en el perodo inicial para la correspondiente variable del vector yt, mientras que se hacen iguales a cero para las restantes variables en ese perodo y para todas en los perodos siguientes. Se hacen, por tanto, n simulaciones, segn cul de las variables experimente el impulso unitario inicial. Sin embargo, asignando un subndice distinto a cada simulacin se pueden realizar todas en paralelo. Las innovaciones se obtienen como el producto de Duracin, que establece el tiempo que dura la innovacin (en este caso, un impulso inicial que luego desaparece), por Magnitud de la misma (en este caso, que es la primera versin del submodelo 2, la Magnitud es 1 para la variable que experimenta el impulso y 0 para las dems).

De las funciones impulso-respuesta as calculadas se obtiene inmediatamente la matriz polinomial (L), correspondiente a la forma reducida de medias mviles (4). Basta con tener en cuenta que el trmino de (L) correspondiente al retardo s est formado por los elementos de las funciones impulso-respuesta correspondientes al perodo s de simulacin.

Inicialmente, sus valores se hacen iguales a 0.

50

Alvarez-de-Toledo et al.: Elementos autoregresivos

51

Paso 2) Obtencin de la matriz S, las formas estructural-autorregresiva y estructural de medias mviles, y de los shocks estructurales

Tal como se expuso en la seccin 2, premultiplicando ambos miembros de la forma reducida-autorregresiva (2) por B0 se obtiene la forma estructural-autorregresiva (5) y, viceversa, conocida la matriz S=B0-1, se puede obtener (2) a partir de (5), premultiplicando ambos miembros de dicha ecuacin por S. Como los ut son shocks estructurales estandarizados no correlacionados contemporneamente entre s, de forma que su matriz de varianzas-covarianzas es la identidad E(utut)=I, y t=S ut, se obtiene: E (tt) = = SS (9)

donde es la matriz de varianzas-covarianzas de los residuos t estimada en el submodelo 1. Al ser una matriz simtrica n x n, la ecuacin (9) proporciona (n2+n)/2 condiciones para identificar los n2 elementos de S. Las otras (n2-n)/2 condiciones, tal como se expuso en la seccin 2, se obtienen como implicaciones de un modelo terico. Como el submodelo 2 corresponde a la forma reducida-autorregresiva, debe tenerse en cuenta que, segn la ecuacin t=Sut, un valor unitario de uno de los shocks ut equivale a un vector de innovaciones t de magnitud igual a la columna respectiva de la matriz S. Por tanto, la matriz S que se necesita estar formada por los valores que toma en el modelo la variable Magnitud (de cada innovacin en cada una de las tres simulaciones) en la segunda versin del submodelo 2. La optimizacin numrica se gua por el cumplimiento de las condiciones anteriormente sealadas, que se reflejan en un vector de n2 variables Payoff que se maximizan dando a todas el mismo peso. Las primeras (n2-n)/2 variables recogen las restricciones tericas necesarias para la identificacin del modelo, mientras que las (n2+n)/2 restantes garantizan el cumplimiento de la ecuacin (9). En lo que se refiere a las restricciones tericas, en ocasiones afectan 51

Alvarez-de-Toledo et al.: Elementos autoregresivos

52

directamente a la matriz S, mientras que en otras ocasiones, como sucede en la aplicacin que proponemos, afectan a las propias predicciones dinmicas del modelo, actuando sobre S de forma indirecta. Por su parte, las otras (n2+n)/2 restricciones se obtienen a partir de los cuadrados, con signo negativo, de las diferencias entre los correspondientes elementos distintos de las matrices simtricas SS y . Inicialmente, en la segunda versin del submodelo 2, se le dan valores iniciales unitarios a todos los elementos de Magnitud, y por tanto a todos los elementos de S, y el proceso de optimizacin contina hasta que se encuentran los valores de dichos elementos que aproximan suficientemente el payoff a su mximo valor posible. En el mximo, las ltimas (n2+n)/2 variables del payoff valdrn cero y, adems, se cumplirn las restricciones tericas. En las variables Cov y Cov1 (con los subndices correspondientes) se encuentran respectivamente los elementos de la matriz , estimada en el submodelo 1, y del producto SS, calculado a partir de los valores de Magnitud que componen la matriz S. Las variables TIME y FINAL TIME se utilizan para controlar que el Payoff se calcule en el perodo final. Una vez obtenida la matriz S, premultiplicando ambos miembros de la forma reducida-autorregresiva (2) por B0, se obtiene la forma estructuralautorregresiva (5) y los shocks estructurales ut=B0 t. La forma estructural de medias mviles (6) se puede obtener a partir de la forma reducida de medias mviles de la ecuacin (4), obtenida en el paso 1), multiplicando (L) por S, ya que, teniendo en cuenta que t=S ut, quedara:

yt =(L)t + = (L) SS-1t + ... = C(L)ut +...

(10)

donde C(L)= (L)S es la matriz polinomial correspondiente a la forma estructural de medias mviles.

52

Alvarez-de-Toledo et al.: Elementos autoregresivos

53

Paso 3) Obtencin de las funciones impulso-respuesta ortogonalizadas

En la tercera versin del submodelo 2, a los elementos de Magnitud se le asignan los valores de los elementos de S obtenidos en el paso anterior. Como ya se ha explicado anteriormente, cada una de las simulaciones en paralelo as realizadas con la forma reducida-autorregresiva corresponden a valores unitarios en el perodo inicial de cada uno de los shocks estructurales. Por tanto, los valores obtenidos en las simulaciones de las variables en Prediccin variables en t constituyen las funciones impulso-respuesta ortogonalizadas para estas variables. La denominacin ortogonalizadas se refiere al hecho de que los shocks estructurales no estn correlacionados contemporneamente entre s.

Paso 4) Descomposicin de la varianza del error de prediccin

A partir de los valores estimados de las variables en las funciones impulsorespuesta ortogonalizadas del paso anterior se obtiene la descomposicin de la varianza del error de prediccin Dvep en el mismo perodo. Este error de prediccin se origina por las respuestas a cada uno de los shocks estructurales. As, para cada variable, el porcentaje que supone el cuadrado de su valor en cada simulacin es calculado respecto a la suma de todos los cuadrados.

53

Alvarez-de-Toledo et al.: Elementos autoregresivos

54

3.3. Una aplicacin al mercado de trabajo espaol

10

A continuacin presentamos una aplicacin concreta del modelo SVAR descrito en los apartados anteriores. Para ello, tomaremos como referencia el modelo desarrollado por Dolado y Gmez (1997) de trabajo espaol. El modelo SVAR de Dolado y Gmez (1997) se estima a partir de los datos trimestrales de desempleo (U), vacantes (V) y poblacin activa (L). El vector yt se obtiene a partir de unas transformaciones previas, estando compuesto por las variables v1=(v-u), v2=u y v3=l, siendo v, u y l los logaritmos de las vacantes, el desempleo y la poblacin activa respectivamente, e indicando que se han tomado primeras diferencias. Estas tres variables transformadas corresponden respectivamente a las tasas de crecimiento del ratio vacantes/desempleo, del desempleo y de la poblacin activa. Relacionando cada una de estas tres variables transformadas con los valores retardados (hasta 4 trimestres) de todas ellas se obtiene la forma reducidaautorregresiva (2), en la que se incluye tambin un vector de variables ficticias trimestrales dt con su matriz de coeficientes D para controlar los efectos estacionales:
11

para analizar el mercado

10

Algunos trabajos pioneros en la aplicacin del anlisis SVAR al mercado de

trabajo son los de Blanchard y Diamond (1989), Blanchard y Quah (1989), Bean (1992) y Gal (1992). Por otro lado, hemos encontrado pocos estudios sobre el mercado laboral desde la perspectiva de la Dinmica de Sistemas; en este sentido, podemos citar como trabajo de referencia el texto de Schweikhardt (1973). Para la economa espaola pueden consultarse, por ejemplo, los trabajos de Melchor (1996), Caselles et al. (1997) y Garcilln (1997).
11

Este trabajo sigue, a su vez, el anlisis propuesto por Blanchard y Diamond

(1989). Otro trabajo en esta lnea es el de Usabiaga (2004). 54

Alvarez-de-Toledo et al.: Elementos autoregresivos

55

(L) yt = c + D dt + t

(11)

Como se coment en la seccin 2, en esta forma reducida-autorregresiva no aparecen relaciones contemporneas entre las variables; es decir, cada variable no se relaciona con los valores de las dems en ese mismo perodo. Sin embargo, estas relaciones contemporneas s aparecen en la forma estructuralautorregresiva (5). La matriz B0 del polinomio de matrices de retardos B(L) refleja las relaciones contemporneas entre las variables. Dado que la informacin contenida en las series temporales yt no resulta suficiente para identificar la matriz B0, resulta necesario considerar restricciones adicionales que pueden obtenerse a partir de las implicaciones que un modelo terico arroja sobre el comportamiento esperado de las variables yt. Dolado y Gmez (1997) proponen un modelo terico sobre el mercado de trabajo, siguiendo un enfoque de flujos12, que se compone de cuatro elementos: los flujos de creacin y destruccin de puestos; el proceso de contratacin, representado a travs de una funcin de emparejamiento entre las vacantes y los desempleados; la determinacin del salario, como una funcin del exceso de demanda de trabajo; y la oferta de trabajo, como una funcin de los salarios y el nivel de desempleo. Todo esto es utilizado para obtener una relacin entre las variables transformadas que componen el vector yt en la forma estructural-autorregresiva (5) y, al mismo tiempo, nos permite identificar los shocks estructurales ut con los tres tipos de perturbaciones econmicas considerados: shocks de actividad agregada, debidos a perturbaciones en los distintos componentes de la demanda agregada; shocks de reasignacin, debidos a perturbaciones que afectan a la eficiencia en el proceso de emparejamiento entre vacantes y parados (falta de adecuacin de la formacin, mismatch geogrfico, etc.); y shocks de poblacin activa,

12

Un anlisis detallado del mercado de trabajo, siguiendo el enfoque de flujos,

puede encontrarse en Blanchard y Diamond (1992) y Pissarides (2000). 55

Alvarez-de-Toledo et al.: Elementos autoregresivos

56

debidos a perturbaciones que afectan directamente a esta variable (mayor participacin de la mujer en el mercado laboral, etc.). Las restricciones adicionales para la identificacin de la matriz B0, que se obtienen como implicaciones de este modelo terico, son que un shock de poblacin activa no tiene efectos permanentes sobre desempleo y vacantes, y que un shock de reasignacin no tiene efectos permanentes sobre la relacin

vacantes/desempleo. Para desarrollar esta aplicacin con Vensim vamos a seguir los pasos descritos en el apartado anterior a lo largo de los dos submodelos comentados. Ya que estos pasos corresponden fielmente a los seguidos en el proceso de estimacin economtrica del modelo SVAR, los resultados numricos obtenidos son prcticamente idnticos a los de Dolado y Gmez13. El diagrama nivel-flujo correspondiente al submodelo 1 en la aplicacin se muestra en la Figura 3. En primer lugar, se realiza la lectura de los Datos importados desde un fichero exterior: las series trimestrales de valores de las vacantes corregidas V, el desempleo U y la poblacin activa L, junto con las variables ficticias trimestrales (Dummies).

13

Hemos replicado el anlisis desarrollado por Dolado y Gmez (1997)

utilizando el programa economtrico Eviews. 56

Alvarez-de-Toledo et al.: Elementos autoregresivos

57

Figura 3: Diagrama nivel-flujo del submodelo 1. Aplicacin

A continuacin, se realizan varias transformaciones iniciales de los datos, obtenindose las Variables en t y las Dummies. Las variables obtenidas son v1=(v-u), v2=u y v3=l, las cuales componen el vector yt. Para poder calcular estas primeras diferencias se generan previamente las variables de nivel Datos en t-1, que se actualizan al final de cada perodo con un flujo de entrada incr dat, que almacena los datos de ese perodo como datos retardados para el perodo siguiente, y un flujo de salida decr dat, que elimina los datos almacenados anteriormente. Por su parte, las cuatro dummies estacionales d1, d2, d3 y d4 se reducen a tres t1, t2 y t3, para evitar el problema de la perfecta colinealidad entre ellas, considerando:

57

Alvarez-de-Toledo et al.: Elementos autoregresivos

58

t1 = d1 - d4 t2 = d2 - d4 t3 = d3 - d4
Como hemos expuesto anteriormente, el ncleo del submodelo 1 es la prediccin de las variables en cada perodo Prediccin variables en t a partir de sus valores en los perodos anteriores Variables en t-i. Los parmetros a estimar del modelo, mediante la opcin de calibracin de Vensim, son los Coeficientes variables en t-i, los Coeficientes dummies y las Constantes. Los valores obtenidos para dichos parmetros son los siguientes:
v1 "t" v2 "t" v3 "t" -0,0227 0,1266 = 0,0154 + -0,0174 0,0023 -0,0026 -0,2134 + -0,0073 0,0002 0,2090 + -0,0103 0,0007 0,0646 + 0,0368 0,0009 -0,0562 + 0,0095 -0,0008 -1,3112 0,5078 -0,0215 0,3097 0,1930 -0,0439 -0,1916 -0,1398 0,0039 0,9359 0,1115 0,0313 0,3256 -0,0570 -0,0005 7,5704 -0,6107 0,1264 0,9093 -2,1762 -0,0313 -6,1599 1,1385 0,1545 7,8355 -2,4865 0,0049 -0,2187 0,0275 0,0048 v1 "t-1" v2 "t-1" v3 "t-1" v1 "t-2" v2 "t-2" v3 "t-2" v1 "t-3" v2 "t-3" v3 "t-3" v1 "t-4" v2 "t-4" v3 "t-4" t1 t2 t3

(12)

Con los valores estimados de los parmetros podemos obtener la estimacin de las Innovaciones y de la matriz de varianzas-covarianzas Cov:

58

Alvarez-de-Toledo et al.: Elementos autoregresivos

59

v1 v2 v1 0,020200 -0,000163 v2 -0,000163 0,000386 v3 0,000091 0,000017

v3 0,000091 0,000017 0,000010

El diagrama nivel-flujo correspondiente al submodelo 2 (en la aplicacin) se recoge en la Figura 4.

Figura 4: Diagrama nivel-flujo del submodelo 2. Aplicacin

Paso 1) Obtencin de la matriz polinomial (L) correspondiente a la forma reducida de medias mviles y de las funciones impulso-respuesta (no ortogonalizadas)

En el caso de nuestra aplicacin al mercado de trabajo, los trminos de

(L) son matrices 3x3 y sus elementos corresponden a la respuesta de

59

Alvarez-de-Toledo et al.: Elementos autoregresivos

60

cada una de las tres variables v1, v2 y v3 ante cada uno de los tres impulsos unitarios simulados14.
Paso 2) Obtencin de la matriz S, las formas estructural-autorregresiva y estructural de medias mviles, y de los shocks estructurales

Como en nuestra aplicacin es una matriz simtrica 3x3, la ecuacin (9) proporciona 6 condiciones para identificar los nueve elementos de S. Las otras tres condiciones se obtienen como implicaciones del modelo terico: un shock de poblacin activa no tiene efectos permanentes sobre desempleo y vacantes, y un shock de reasignacin no tiene efectos permanentes sobre la relacin vacantes/desempleo. La optimizacin numrica se gua por el cumplimiento de las condiciones anteriormente sealadas, que se reflejan en un vector de nueve variables Payoff que se maximizan dndole a todas el mismo peso. Las tres primeras, [po1], [po2] y [po3], son el cuadrado de la prediccin en el perodo final (largo plazo) de u y v ante un shock unitario de poblacin activa, y el cuadrado de la prediccin en el perodo final de v-u ante un shock unitario de reasignacin, todos ellos con signo negativo. Las otras seis, [po4], [po5], [po6], [po7], [po8] y [po9], son el cuadrado de las diferencias entre los seis elementos no idnticos de las matrices simtricas SS y , tambin con signo negativo. El valor de la matriz S es registrado cuando se cumple =SS y se anulan la prediccin en el perodo final de u y v ante un shock unitario de poblacin activa y la prediccin en el perodo final de v-u ante un shock unitario de reasignacin. Hay que recordar que la matriz S est compuesta por los valores que toma la variable Magnitud en
14

Los resultados numricos obtenidos en este paso no son relevantes, ya que

se analizan las funciones impulso-respuesta no ortogonalizadas.

60

Alvarez-de-Toledo et al.: Elementos autoregresivos

61

nuestro submodelo 2 (de cada innovacin en cada una de las tres simulaciones). El resultado obtenido despus de la simulacin para la matriz S es el siguiente:
0,1161 0,0745 0,0127 -0,0006 -0,0343 0,014 0,0025

S=

-0,0054 0,0018

Las propiedades del modelo terico se refieren a los valores a largo plazo de u, v y v-u. Como la variable Prediccin variables en t corresponde a las primeras diferencias (v-u), u y l, el modelo recupera v-u, u y l acumulando la prediccin con la variable Prediccin acumulada. El nivel Prediccin acumulada anterior se actualiza al final de cada perodo con el flujo de entrada inc pred acumulada ant, igual a la prediccin de las variables obtenida en ese perodo, y la Prediccin acumulada se obtiene sumando dicha prediccin a la acumulada anterior (si no se hiciera as, como la actualizacin de las variables de nivel al final de cada perodo no se registra en la salida del modelo hasta el perodo siguiente, slo se podra registrar la prediccin acumulada en el perodo anterior, pero no en el perodo en curso). La Prediccin acumulada v se obtiene sumando los niveles v-u y u.
Paso 3) Obtencin de las funciones impulso-respuesta ortogonalizadas

En la tercera versin del submodelo 2, a los elementos de Magnitud se les asignan los valores de los elementos de S obtenidos en el paso anterior. Por tanto, los valores obtenidos en las simulaciones de las variables u y l en Prediccin acumulada y de v en Prediccin acumulada v constituyen las funciones impulso-respuesta ortogonalizadas para estas variables, recuperadas a partir de sus primeras diferencias. Recordamos que la denominacin ortogonalizadas se refiere al hecho de que los shocks estructurales no estn correlacionados contemporneamente entre s. A modo de ilustracin, representamos en la Figura 5 las funciones impulsorespuesta obtenidas para la variable desempleo. Un shock positivo de 61

Alvarez-de-Toledo et al.: Elementos autoregresivos

62

actividad agregada (j1) reduce el desempleo de forma permanente, mientras que un shock positivo de reasignacin (j2) provoca un incremento permanente en dicha variable. Finalmente, una perturbacin positiva de poblacin activa (j3) incrementa el desempleo a corto plazo; sin embargo, a largo plazo, a medida que la creacin y la destruccin de puestos se vayan ajustando a la cada de los salarios reales (asociada al incremento del desempleo), el efecto sobre dicha variable tender a desaparecer.
Figura 5: Funciones impulso-respuesta ortogonalizadas Desempleo
0,15 0,1 Desempleo (log) 0,05 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 j1 j2 j3

-0,05 -0,1 Trimestres

Figura 5: respuesta de Desempleo a impulso

Paso 4) Descomposicin de la varianza del error de prediccin

A partir de los valores en cada perodo de las variables u y l en Prediccin acumulada y de v en Prediccin acumulada v, dentro de las funciones impulso-respuesta ortogonalizadas del paso anterior, se obtiene la

descomposicin de la varianza del error de prediccin Dvep en el mismo perodo, calculando para cada variable, v, u y l, el porcentaje que supone el cuadrado de su valor, en cada una de las tres simulaciones, respecto a la suma de estos tres cuadrados. En la Figura 6 representamos, como muestra, la descomposicin de la varianza del error de prediccin para el desempleo. Inicialmente, las 62

Alvarez-de-Toledo et al.: Elementos autoregresivos

63

perturbaciones estructurales con ms peso en la variabilidad del desempleo son las de poblacin activa (j3) y las de reasignacin (j2). Sin embargo, en el medio y largo plazo son las perturbaciones de reasignacin (j2) y actividad agregada (j1) las que explican completamente dicha variabilidad .
Figura 6: Descomposicin de la varianza del error de prediccin Desempleo
j1 60% 50% Desempleo (log) 40% 30% 20% 10% 0% 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 Trimestres j2 j3
15

Figura 6: varianza del error de prediccin para Desempleo

Conclusiones El objetivo central de este trabajo ha sido la creacin de una macro para Vensim que, aplicada sobre un determinado modelo de Dinmica de Sistemas, permita dotar al mismo de los elementos caractersticos de la metodologa SVAR: estructura endgena autorregresiva y capacidad predictiva a corto plazo. Tradicionalmente estas potencialidades no han sido aprovechadas por

15

Una importante caracterstica de la metodologa SVAR consiste en que los

resultados obtenidos del anlisis de las funciones impulso-respuesta y de la descomposicin de la varianza del error de prediccin estn relacionados con las restricciones de identificacin adoptadas. 63

Alvarez-de-Toledo et al.: Elementos autoregresivos

64

los investigadores de Dinmica de Sistemas, ms centrados en obtener sistemas que generen buenas predicciones a largo plazo. Para desarrollar esta adaptacin de un modelo SVAR, hemos construido, en el entorno informtico especfico Vensim, dos submodelos con estructura nivelflujo, para cuyo diseo nos hemos centrado en la correspondencia en Dinmica de Sistemas de los conceptos formales y procedimientos que aparecen en un modelo SVAR. As, las variables retardadas, centrales en el anlisis SVAR, se generan como variables de nivel que se actualizan al final de cada perodo con un flujo de entrada, que almacena los datos de ese perodo como datos retardados para el perodo siguiente, y un flujo de salida, que elimina los datos almacenados anteriormente. Los procedimientos de clculo han seguido de forma prcticamente paralela los de la aplicacin original puramente economtrica del anlisis SVAR, si bien la resolucin analtica que en sta se haca de algunos pasos (como la estimacin de los coeficientes del modelo o la identificacin de la matriz S) se ha realizado mediante simulacin en los submodelos construidos, lo que resulta bastante lgico si se considera el papel central de la simulacin en la Dinmica de Sistemas. El elemento fundamental de ambos submodelos es la forma reducidaautorregresiva procedente del anlisis SVAR. La respuesta de las variables a las perturbaciones estructurales ha sido obtenida transformndolas en innovaciones no ortogonales por medio de la correspondiente matriz, la cual ha sido estimada con el segundo de los submodelos. Como ilustracin hemos presentado una aplicacin al funcionamiento del mercado de trabajo espaol. Los resultados presentados (estimaciones de los parmetros, funciones impulso-respuesta y descomposicin de la varianza del error de prediccin), obtenidos utilizando los submodelos comentados, reproducen fielmente los obtenidos a partir del programa economtrico Eviews. Pensamos que la extensin ms inmediata de este trabajo consistira en ampliar el campo de anlisis mediante la integracin de la macro propuesta en un modelo con elementos propios de la Dinmica de Sistemas, como son la 64

Alvarez-de-Toledo et al.: Elementos autoregresivos

65

existencia de bucles de realimentacin entre las variables, la incorporacin de informacin de carcter cualitativo o la realizacin de anlisis de sensibilidad.

Bibliografa Bean, C. 1992. Identifying the Causes of British Unemployment. Center for Economic Performance (London School of Economics), Working Paper n 276. Blanchard, O.J. y Diamond, P. 1989. The Beveridge Curve. Brookings Papers on Economic Activity, 1, pp. 1-60. Blanchard, O.J. y Diamond, P. 1992. The Flow Approach to Labor Markets. American Economic Review, 82(2), pp. 354-359. Blanchard, O.J. y Quah, D.T. 1989. The Dynamic Effects of Aggregate Demand and Supply Disturbances. American Economic Review, 79(4), pp. 655-673. Caselles, A., Ferrer, L., Pla, R., Temre, R. y Martnez de Lejarza, I. 1997. Simulacin para el Control del Desempleo. Revista Internacional de Sistemas, 9, pp. 5-25. Dolado, J.J. y Gmez, R. 1997. La Relacin entre Desempleo y Vacantes en Espaa: Perturbaciones Agregadas y de Reasignacin. Investigaciones Econmicas, 21(3), pp. 441-472. Gal, J. 1992. How Well Does the IS-LM Model Fit Postwar US Data. Quarterly Journal of Economics, 107(2), pp. 709-738. Garcilln, J.J. 1997. Anlisis Cualitativo del Mercado de Trabajo. Anales de Estudios Econmicos y Empresariales, 12, pp. 369-391. Greene, W.H. 2003. Econometric Analysis (quinta edicin), Prentice Hall, New York. Hamilton, J.D. 1994. Time Series Analysis, Princeton University Press, Princeton. Melchor, E. 1996. Dinmica de Sistemas y Anlisis Econmico Regional. Un Intento de Modelizacin para la Economa Andaluza. Boletn Econmico de Andaluca, 21, pp. 111-124. Pissarides, C.A. 2000. Equilibrium Unemployment Theory, MIT Press, Cambridge (Mass.). Powell, M.J.D. 1964. An Efficient Method for Finding the Minimum of a Function of Several Variables Without Calculating Derivatives. Computer Journal, 7(2), pp. 155-62. Powell, M.J.D. 1968. On the Calculation of Orthogonal Vectors. Computer Journal, 11(2), pp. 302-304. Schweikhardt, R.G. 1973. Labor Market Dynamics II, MIT Press, Cambridge (Mass.). 65

Alvarez-de-Toledo et al.: Elementos autoregresivos

66

Sims, C.A. 1980. Macroeconomics and Reality. Econometrica, 48(1), pp. 148. Usabiaga, C. (Dir.). 2004. Comparacin entre las Tcnicas de Anlisis ShiftShare y de Economas Virtuales, Vectores Autorregresivos y Dinmica de Sistemas: Aplicaciones al Mercado de Trabajo Andaluz, Instituto de Estadstica de Andaluca, Sevilla.

66