MIME-Version: 1.0 Content-Type: multipart/related; boundary="----=_NextPart_01D64E6A.D5FD8570" Este documento es una página web de un solo archivo, también conocido como "archivo de almacenamiento web". Si está viendo este mensaje, su explorador o editor no admite archivos de almacenamiento web. Descargue un explorador que admita este tipo de archivos. ------=_NextPart_01D64E6A.D5FD8570 Content-Location: file:///C:/A4F90DE6/722-2151-1-PB-F.htm Content-Transfer-Encoding: quoted-printable Content-Type: text/html; charset="windows-1252"
Economic
policy coordination through the study of the Macroeconomic-Dynamics
relationship of the Ecuadorian consumer delinquency portfolio in the period
2009-2019
Luis Eduardo Peñafiel Chang Pontificia Universidad Católica Argent=
ina Buenos Aires, Argentina |
Gisella Beatriz Camelli Redmas=
span> Arg – Gru=
po Cisnero Buenos Aires, Argentina |
=
Resumen— Este estudio busca examinar el
comportamiento y efectos de los componentes que determinan la dinámica de la
morosidad de consumo del Ecuador durante 2009-2019, periodo comprendido con
valores mensuales. Se utiliza una de las alternativas más apropiadas para s=
u modelización
en la formación del modelo macroeconómico: la técnica econométrica de los
vectores autorregresivos (VAR) y el proceso autorregresivo integrado de
promedios móviles (ARIMA). Se estudia su definición y se deduce cómo obtene=
r su
estimación. Se revela que paradójicamente contrario a lo encontrado en la
literatura, la liquidez total (
<=
o:p> E=
nviado: 17/02/2020 Aceptado: 30/03=
/2020 <=
b>Publicado:
30/06/2020 Sumario: I
Introducción, II Desarrollo de contenidos, III Metodología, IV Resultad=
os,
V Conclusiones. Como citar:=
Peñafiel Chang, Luis. (2020). Coordinación de política económica median=
te
el estudio de la relación Dinámica Macroeconómica de la cartera de impa=
go
de consumo del Ecuador periodo (2009-2019). Revista
Tecnológica - Espol, 32(1). Recuperado a partir de
http://www.rte.espol.edu.ec/index.php/tecnologica/article/view/722<=
o:p> http://www.rte.espol.edu.ec/index.php/tecnologica=
/article/view/722 https://doi.org/10.37815/rte.v32n1.722
Classification JEL: C12; C32; C52; E52; G19
&nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp; &nbs=
p; &=
nbsp;
I. INTRODUCCIÓN
Este trabajo es una extensión del artículo de [1] en el que se presenta una forma alternativa de medir la
dinámica de la Morosidad del Sistema Financiero en Ecuador. El punto de par=
tida
de estos modelos se encuentra en el trabajo del Fondo Monetario Internacion=
al
que desarrolló un modelo VAR para Argentina como parte de pruebas de estrés
considerando series trimestrales durante el periodo de 1993-2012 siendo el
modelo,
Donde el vector de variables endógenas es representado c=
omo
La bibliografía consultada para la realización de este
trabajo incluye, entre otros títulos, económicos [3], [4], [5], [6], [7], [8], =
span>[9], [10], [11] [12], [13], [14] quienes
de manera sintética=
presentan prototipos de <=
span
class=3DSpellE>modelos para determinar l=
a interrelación de las variables e=
n
el tiempo teniendo =
en cuenta que cambios
en las circunstancias económicas tienen efectos perceptibles en las tasas de impago de los créditos. <=
/span>El Banco Asiático de Desarrollo también realiza un
aporte destacado al describir conceptos y herramientas de evaluación de la
firmeza de los Sistemas Financieros para las economías de Asia, América del=
Sur
y Europa [15].
Dado este contexto, el presente documento se divide en c=
inco
apartados que incluyen esta introducción. En el segundo apartado se revelar=
á la
literatura referente al tema revisando los modelos construidos a una catego=
ría
internacional y nacional. En el tercer apartado se hace un cotejo del modelo
macroeconómico describiendo la herramienta teórica de una de las alternativ=
as
más apropiadas para su modelización: la técnica econométrica de los vectores
autorregresivos (VAR) y el proceso autorregresivo
integrado de promedios móviles (ARIMA). En el
cuarto apartado se presentan los resultados obtenidos y, por último, el qui=
nto
apartado contiene
las conclusiones de la presente investigación.
= &nb= sp; = &nb= sp; = &nb= sp; = &nb= sp; = II. DESARROLLO DE CONTENI= DOS
Una de las alternativas para estimaciones de modelos
macroeconómicos además del (VAR) son los de equilibrio general dinámico y
estocástico (DSGE) y los modelos de estadística pura.
Los modelos de equilibrio general dinámico y estocástico
(DSGE) son los de menor simplicidad para describir el comportamiento de un =
gran
agregado de agentes económicos tales como empresas, familias, gobierno, sec=
tor
financiero entre otros. Además, suponen que los agentes toman sus decisione=
s de
carácter individual y de esta manera maximizan sus funciones de utilidad, la
interacción entre si a través del mercado hace que estos modelos tengan una
gran cuantía de parámetros de comportamiento y se los utilice asiduamente p=
ara
investigaciones de impacto de políticas económicas [16].
En Ecuador [17] se propuso un modelo (DSGE) en el que se explica las
variables macroeconómicas reales como: PIB, Consumo, Inversión, mercado de
trabajo y el mercado monetario. Por su parte, [18] se estructura un modelo VAR para Ecuador con el fin de
determinar el comportamiento de la cartera comercial con series mensuales e=
n el
periodo 2007-2015 siendo el modelo:
Donde las variables endógenas contenidas en
Por otro lado, [12] analizando la categoría internacional estudia el choque=
del
comportamiento macroeconómico relacionado con la morosidad de la cartera de
consumo en Colombia con periodicidad trimestral comprendida entre el 2002 al
2015 siendo el modelo:
(3)
Donde las variables contenidas en el vector V fueron en
orden descendente de la más exógena a la más endógena las cuales se tiene: =
la
calidad de la cartera de consumo, el crecimiento del PIB real, la inflación
anual y la tasa de interés DTF.
En otro orden de ideas, la vinculación de las variables
macroeconómicas es permitido mediante un estudio de cópulas de los modelos =
de
estadística pura, esta herramienta ha sido desarrollada en los últimos años=
y es
una técnica que viene despertando un progresivo interés como el caso de la
serie de documentos denominados Systemic Risk Monitor publicados por el Banco Central de Austr=
ia [19].
La utilización reducida de la teoría económica para abog=
ar
la vinculación entre las variables a manejarse en los modelos VAR que disti=
ngue
a los modelos de ecuaciones simultáneas [20]. No es simple conseguir conclusiones refrentes al recor=
rido
de la causalidad de una variable mientras los VAR se focalicen en el
diagnostico dinámico y en resultante sobre la diferenciación entre variables
endógenas y exógenas. Dicho de otro modo, permitir realzar ensayos de
comportamientos dinámicos y elaborar proyecciones, hace que sean herramient=
as
útiles si se determinan simultáneamente [21].
= &nb= sp; = &nb= sp; = &nb= sp; = &nb= sp; = &nb= sp; = III. METODOLOGÍA= p>
Se consideró un modelo de Vectores Autorregresivos (VAR)=
con
el objetivo de examinar la interacción auténtica entre las variables
macroeconómicas y la calidad de la cartera del consumo para el periodo
comprendido entre 2009-2019. El cual para distinguir las relaciones de cará=
cter
simultánea y exponer los comportamientos más probables frente a la
materialización de un choque en una variable se permitió trabajar con serie=
s de
tiempo multivariadas. Conjuntamente, este instrumento ayuda a modelar este =
tipo
de series cuidando que los cambios en las circunstancias económicas no suel=
en
mantener un efecto inmediato en la tasa de impago de consumo [22]. Por otro lado, también se realiza un modelo estocástico
(ARIMA) para identificar la existencia de memoria en la morosidad de consum=
o.
Un sistema de ecuaciones aparentemente no relacionadas c=
uya
estimación puede realizarse por mínimos cuadrados clásicos (MCC) es un mode=
lo
de vectores autorregresivos (VAR) [23]. Un sistema VAR de dos ecuaciones endógenas siguiendo la
metodología propuesta por [24] y [1] tiene la forma:
|
|
(5)
Donde
Los parámetros reflejan la vinculación entre las variabl=
es
endógenas, siendo, por ejemplo, −
Debido a la presencia de paralelismo entre
Multiplicando por 𝐵−1, se llega a la forma reducida:
Escrito en forma vectorial es:
Colisionadas por los errores de las dos ecuaciones del
sistema primitivo están las perturbaciones del sistema reducido:
(11)
(12)
El uno y el otro son procesos estacionarios, por efectuar
las propiedades de la definición de ruido blanco, es decir tienen: 1) media
cero, 2) varianza constante, 3) La autocovarianza es
independiente del tiempo igual a cero. Consecuentemente, se define la matri=
z de
varianzas y covarianzas como:
𝑉𝑎𝑟 𝐶𝑜𝑣=3D
Especificación =
del
VAR implica la denominación del conjunto de parámetros que escoltarán la
estructura autorregresiva. Dos normas comúnmente usadas es el de informació=
n de
Akaike (AIC) y el criterio de información del error de predicción final (FP=
E)
𝐴𝐼𝐶=3D-2 ( (14)
Donde 𝑇
es el número de observaciones,
FPE=3D
Siendo 𝐾
la cantidad de ecuaciones y 𝑚̅
el número promedio de parámetros en las 𝐾 ecuaciones.
Inspeccionando el modelo de dos ecuaciones, los seis
parámetros
Esto conlleva que
Entonces igualando cada ecuación a las obtenidas en (9) y
(10) se logran las siguientes seis ecuaciones:
Engendrar un sistema de nueve ecuaciones con incógnitas =
que
se encuentre identificado se logra integrando los tres componentes <=
span
class=3DGramE>𝑣𝑎𝑟(
3.1 Definición del VAR para la morosidad de consumo del<=
/span> Ecuador.
El periodo 2009-2019 fue cubierto para desarrollar el mo=
delo
de vectores autorregresivos (VAR) para la morosidad de consumo del Ecuador.=
Se
realizaron pruebas con un conjunto acumulado de variables que han sido
utilizadas en otros trabajos recientes como se menciona en la indagación
bibliográfica.
El modelo queda desarrollado por cuatro variables endóge=
nas
y una exógena al igual que el trabajo de [1] dado que fueron las más significativas para la morosida=
d de
consumo del Ecuador. Las variables se miden en variaciones interanuales y
fueron obtenidas del Banco Central del Ecuador (BCE). Este estudio tiene
periodicidad mensual lo que permite amplificar la cantidad de observaciones
para el periodo seleccionado añadiendo solidez al modelo. Se consideraron l=
as
entidades financieras que se encuentran operativas en la última fecha
disponible para el índice de impago de consumo del Ecuador.
La segunda variable endógena es la liquidez total o dine=
ro
que en sentido amplio incluye la oferta monetaria y el cuasidinero. Por otro
lado, dado que el BCE publica la serie Producto Interno Bruto (PIB) con fre=
cuencia
trimestral esta fue la única que debió ser adaptada, en su sustitución se
utilizó una variable que mide el nivel de actividad (IDEAC) al ser un proxy=
del
cotejo trimestral que en adelante será llamada PIB y es elaborado en base a
ponderaciones sectoriales de diversas actividades del sector real, el cual =
mide
el avance económico coyuntural del país.
La cuarta variable es el tipo de cambio real multilatera=
l,
indicador de la competitividad de la economía, se estableció a partir del t=
ipo
de cambio nominal (TCN) deflactado por el índice de precios de consumo (IPC)
ambos elaborados por el BCE. Otra variable considerada como posible endógen=
a,
pero luego dejada de lado, fue el total de la cartera de crédito desechada =
por
no presentar la influencia sobre el nivel de actividad y la liquidez que se
esperaba. Del mismo modo entre los agregados se probaron resultados con las
variables
Un factor externo con probada
atribución en la economía ecuatoriana, dado su colisión en el efecto de la
cuenta corriente mediante las exportaciones, es el precio de petróleo el cu=
al
fue seleccionado como variable exógena, esta serie es publicada por el (BCE=
).
Otros indicadores externos conexos con el impacto en el sistema financiero y
económico fue el indicador de reservas internacionales descartándose porque=
se
observó que la variable es muy dependiente de la circunstancia política lo =
que
vicia el análisis.
En las ecuaciones (26) a (29) se
evidencia como queda construido el modelo reducido donde
Y expresado matricialmente,
La esencial distinción entre los modelos ARMA y los clás=
icos
es el punto de vista estocástico que se le da a las series de tiempo, en lu=
gar
de tratarlas de carácter determinista. Desde este punto de vista se concibe=
a
la serie de tiempo como un conjunto de valores de tipo aleatorio, generados
desde un proceso completamente desconocido, dicho de otra forma, se percibe=
a
la serie como un proceso estocástico. Del mismo modo, derivado del
desconocimiento del proceso causante de los datos, el propósito de este enf=
oque
es tratar de determinar el modelo probabilístico que reproduzca las
características principales del comportamiento de la serie [26].
El procedimiento acostumbrado de plasmar y emplear model=
os
ARIMA es utilizando la metodología elaborada por Box y Jenkins. Si bien exi=
sten
diferentes variantes de cómo esta se aplica, la que divide el proceso en cu=
atro
pasos es la forma más habitual: identificación, estimación del modelo,
diagnóstico y predicción. En esta sección, se seguirá esta estructura a
excepción de la predicción porque solo se busca identificar la existencia de
memoria en las series.
La identificación empieza al establecer el orden de
diferenciación d, se tiene la transformación estacionaria de la serie
En este estado se pretende identificar los órdenes p y q=
del
proceso que puede reproducir las características de la serie estacionaria y=
de
analizar la conveniencia de la incorporación del parámetro asociado a la me=
dia.
Las propiedades de la serie estacionaria se analizan en el capítulo cuatro.=
La naturaleza dinámica del proceso estacionario está
recogida en la función de autocorrelación FAC por lo que ésta será el artil=
ugio
elemental para identificar los órdenes p y q del modelo ARMA apropiado para
suplir las características de la serie estacionaria
Por consiguiente, el coeficiente de autocorrelación
parcial
Las propiedades de la función de autocorrelación parcial
(FACP) son análogas a las de la función de autocorrelación (FAC), dicho de =
otro
modo, los coeficientes
Estimar a partir de los datos de la serie como una funci=
ón
de los coeficientes de autocorrelación simples estimados
La FACP de un modelo ARMA (p, q) es infinita y los p
primeros coeficientes de la FACP dependerán de los parámetros autorregresiv=
os y
de los de medias móviles y desde el inicio del retardo p+1 consiste solamen=
te
de la estructura de la parte de medias móviles, de manera que, decrece
prontamente hacia cero de manera exponencial cuando las raíces del polinomi=
o de
medias móviles son reales y en forma de onda seno-coseno suavizada si las
raíces del citado polinomio son complejas.
Contrastando la complexión de las funciones de
autocorrelación simple y parcial estimadas con las características básicas =
de
las funciones de autocorrelación teóricas de la TABLA I
se puede identificar los procesos que podrían haber producido la serie bajo
estudio.
Análogamente, para la identificación del modelo adecuado
solo se alcanza con las estimaciones de la FAC y de la FACP a partir de los
datos de la serie. Los estimadores de los coeficientes de autocorrelación s=
on
variables aleatorias que tiene una distribución de probabilidad y captará
valores para diferentes realizaciones de
TABLA I
CRITERIOS PARA DETERMINAR EL VALOR DE LOS PARÁMETROS PAR=
A UN
ARMA (P, Q).
|
FAC |
FACP |
|
|
|
MA(q) |
Picos significativos en los rezagos q |
Decrece exponencialmente |
AR(p) |
Disminuye exponencialmente o con un patrón de onda
sinusoide achatada o ambos |
Picos significativos en los rezagos q |
ARMA(p,q) |
Decrece exponencialmente |
Decrece exponencialmente |
Fuente: [21]
Por otra parte, hay que tener en cuenta que no es una ta=
rea
sencilla identificar el modelo a través de las funciones de autocorrelación
simple y parcial estimadas cuando se procede con la identificación de un mo=
delo
ARMA (p, q). En esta primera etapa no se trata tanto de identificar el mode=
lo
correcto, sino de acotar un subconjunto de modelos ARIMA que han podido gen=
erar
la serie. Posteriormente, en la etapa de estimación y validación, dependien=
do
de los resultados, se vuelve a esbozar la identificación del proceso.
Generalmente, se trata de buscar los modelos más simples=
que
reproduzcan las características de la serie. Es preciso tener en considerac=
ión
que, por un lado, hay cierta probabilidad de conseguir algún coeficiente
significativo, pese a que los datos fueran generados por un ruido blanco y =
en
otro orden de cosas que al determinar qué retardos pueden ser
significativamente distintos de cero, del mismo modo, hay que considerar la
interpretación que se les pueda dar. Asimismo, los coeficientes de
autocorrelación muestral están correlacionados entre sí, de modo que en el =
correlograma muestral pueden presentarse ciertas
ondulaciones que no se corresponden con el correlogram=
a
teórico. El ejercicio de identificación será más fácil cuanto más grande se=
a el
tamaño de la muestra.
Después de que se han identificado los procesos estocást=
icos
que han podido generar la serie temporal
Ꞵ =3D (
Estos parámetros se pueden estimar de forma consistente =
por
Mínimos Cuadrados o Máxima Verosimilitud. Los dos métodos de estimación se
basan en el cómputo de las innovaciones
Min
La función de verosimilitud se puede derivar a partir de=
la
función de densidad conjunta de las innovaciones,
Para solucionar el problema de estimación, las ecuaciones
(35) y (36) se han de denotar en función del conjunto de información y de l=
os
parámetros desconocidos del modelo. Para un modelo ARMA (p, q) la innovació=
n se
puede escribir de acuerdo con:
(
De tal forma que, para calcular las innovaciones a parti=
r de
un conjunto de información de un vector de parámetros desconocidos, se prec=
isan
un conjunto de valores iniciales