Efectos asimetricos de la incertidumbre en la inversion privada. Venezuela, 1983-2004 una interpretacion de la evidencia empirica.
| Autor | Peña, Carlos |
| Cargo | Report |
INTRODUCCIÓN
La inversión privada doméstica ha venido cayendo desde la década de los ochenta, período en el cual se ubicó en 10,6% del PIB y esa tendencia se ha hecho cada vez más pronunciada. En efecto, para los años noventa se situa en 6,3%, muy por debajo de la realizada en los años setenta, que fue de 16.9%. Esto implica que el sector privado está invirtiendo menos de lo que invertían en la década de los setenta. El comportamiento de la inversión privada es un factor muy irnportante por considerar y puede verse desde varias ópticas. Una de ellas está en los avances recientes en el análisis del comportamiento de la i nversión, los cuales plantean un conjunto de elementos que la diferencian sustancialmente de las decisiones de ahorrar. Lo anterior implica la complejidad que encierra el deterioro y la pérdida de dinamismo de la inversión privada. Lo que no hace fácil tratar de dar una respuesta de la caída de la inversión en Venezuela.
Si bien es cierto que hay un conjunto de elementos que condicionan la dinámica de la inversión privada en Venezuela, es importante considerar la incertidumbre macroeconómica como un elemento de relevancia.
El impactode laincertidumbre y la inestabilidad macroeconómica sobre lainversión privada, es un tópico que obviamente concierne a los economistas y a los planificadores macroeconómicos. También se ha convertido en el centro de interés en el análisis teórico y empirico. El creciente interés por la volatilidad se debe a la incertidumbre e inestabilidad económica que ésta genera, ocasionando importantes problemas económicos, tanto a corto plazo como a largo plazo.
Dado un contexto de incertidumbre macroeconómica, el inversionista tiene una respuesta asimétrica a partir de las malas y buenas noticias, que lo van a llevar a posponer la inversión o a ejecutarla. Así, el objetivo de este trabajo es el de analizar los efectos asimétricos de la incertidumbre en la invcrsión privada en Venezuela para el lapso 1983-2004. Las estimaciones se realizan a partir de un modelo GARCH asimétrico univariado, específicamente, el TARCH y el modelo de componentes ARCH
El modelo especificado y estimado en el trabajo permite, a diferencia de otras metodologías, determinar 1os efectos y las asimetrias en la estructura de varianzas y covarianzas respecto de la incertidumbre y la inversión privada. La evidencia de algunos trabajos recientes sugeriría la ventaja de este tipo de especificación, en contraste con otras propuestas más restringidas, en especial dada la caracteristica de la inversión privada en Venezuela.
El trabajo está estructurado en seis partes. La primera, se refiere a la justificación de los modelos GARCH; una segunda, plantea la estructura teórica de los modelos GARCH simétricos; la tercera, plantea la estructura teórica de los modelos GARCH asimétricos; la cuarta, hace referencia a los aspectos metodológicos; la quinta, al análisis estadístico de la variable a utilizar; la sexta, presenta la estimación y resultados del modelo para el lapso de estudio y, por último las conclusiones.
JUSTIFICACIÓN DEL USO DE LOS MODELOS GARCH
El moderno desarrollo de las series temporales ofrece amplias posibilidades. Nuevas modelizaciones asumen que pueden surgir fenómenos de heteroscedasticidad bajo determinados supuestos en la información de las series de tiempo. El estudio de series financieras ha evidenciado que la capacidad para predecir variables cambiaba de un período a otro, lo cual sugeriría que la varianza de los errores de predicción no es constante. Dado que la varianza del termino de error puede interpretarse como una medida de incertidumbre en la esfera económica, se puede concluir que, en determinados comportamientos económicos, una mayor incertidumbre en el pasado afecta al comportamiento presente de los agentes económicos.
Una buena parte del trabajo reciente en teoría económica se ha centrado en el comportamiento bajo incertidumbre, de modo que los agentes económicos tienen que tomar decisiones partiendo de la distribución de una variable aleatoria en un punto futuro en el tiempo. Luego, en un horizonte marcado por la aversión al riesgo, el cálculo de la varianza condicional de esa variable será tan importante como el cálculo de la media condicional (Maixé, 2001)
En el terreno de la modelización aplicada a las series macroeconómicas, la valoración de la incertidumbre es un factor explicativo de diversas variables, tales como la inversión, la formación de precios, la determinación de los tipos de cambio, la e,,olución del empleo, la valoración de los salarios, etc. En todas estas variables, un conocimiento mejor de mecanismo de formación de expectativas seguramente resultara útil para definidas.
En ese contexto, existe un gran número de diferentes tipos de modelos no lineales, pero sólo un pequeño número de ellos han resultado útiles para modelizar datos financieros. De estos modelos los más populares son los ARCH de Engle (1982) y los GARCH de Bollerslev (1986), que utilizan una medida de volatilidad dependiente de los rendimientos al cuadrado. Los modelos de la familia ARCH-GARCH son capaces de recoger características habituales en las series de datos de alta frecuencia como la leptocurtosis o el agrupamiento de la volatilidad.
Los modelos ARCH-GARCH, tanto simétricos como asimétricos permiten estudiar aquellas situaciones donde la varianza condicional es cambiante. Estos son muy aplicados en análisis de índole financiero, donde el inversionista está interesado en estimar la tasa de retorno y su volatilidad durante el período de tenencia, y el emisor del título está interesado en analizar el rendimiento y volatilidad esperados durante la vida del instrumento financiero.
El principal objetivo del inversionista es pronosticar el rendimiento y riesgo del instrumento durante un período de corto plazo, analiza el riesgo que acepta a cambio de un rendimiento a recibir. Por su parte, el emisor del título desea saber la posición que tiene este instrumento a lo largo de toda la vida del papel, a los efectos de conocer la posición relativa del instrumento que coloca en el mercado.
Los modelos en estudio se basan en la idea que se modela en la media y varianza condicional simultáneamente, es decir, el investigador plantea un modelo de regresión (media condicional) y también un mecanismo que controla la evolución de los errores (varianza condicional), buscando incorporar las grandes fluctuaciones que tiene la volatilidad (incertidumbre) que se mide por la desviación estándar condicional.
La diferencia entre condicional y no condicional es que la expectativa condicional se refiere a una expectativa hacia el futuro sujeta a la información acumulada hasta el tiempo t. La no condicional no modifica el conjunto de información.
MODELOS ARCH-GARCH SIMÉTRICOS
Los modelos ARCH, denominados modelos de heterocedasticidad condicional autorregresiva, han sido diseñados para modelar volatilidad o varianza condicional, de una serie estadística y, resultan apropiados cuando los residuos de las estimaciones presentan heterocedasticidad. Estos modelos permiten capturar la incertidumbre de la variable, (a través de la varianza condicional), como efecto separado de la media de la variable, al esti mar la varianza condicional de los residuos. En este caso, se específica un modelo paramétrico respecto de la volatilidad de las series, donde la varianza condicional no es constante u homocedastica, sino que varia en el tiempo.
Los modelos ARCH se deben originalmente a Engle (1982) y generalizados a modelos GARCH por Bollerslev (1986). Dichos modelos han sido ampliamente utilizados en economía y finanzas y, en particular en los casos de series de tiempo vinculadas con los mercados financieros. Los modelos GARCH explican la varianza condicional de la variable dependiente en función de los valores pasados de la varianza condicional y de los errores al cuadrado rezagados un período, así como de otras variables predeterminadas o exógenas al sistema.
Un modelo GARCH (1,1) (1) (General izad Autorregresivc Condicional Heteroskedasticity), tendria la siguiente representación:
[y.sub.1] = [[alfa].sub.0] + [[alfa].sub.1t] + [[beta].sub.1] [y.sub.t-1] + [[épsilon].sub.t] (1)
[[sigma].sup.2.sub.t] = [[gamma].sub.0t] + [[gamma].sub.t1] + [[épsilon].sup.2.sub.t-1] + [[delta].sub.t][[sigma].sup.2.sub.t-1] (2)
La expresión (1) muestra la media condicional de la variable y en función de las variables exógenas y del error del modelo, [épsilon]. En la expresión (2), [[sigma].sup.2.sub.t] denota la varianza condicional de los residuos de y [[épsilon].sub.t] con información del periodo t. Donde el término [[épsilon].sup.2.sub.t-1], refleja las novedades respecto de la volatilidad del perfodo previo y el termino de residuos GARCH, [[sigma].sup.2.sub.t-1], que mide la varianza condicional rezagada un período.
El modelo GARCH se utiliza para estimar la varianza de las innovaciones impredecibles en una variable, en lugar de simplemente calcular una medida de volatilidad basadas en realizaciones de la variable. Por tanto, la aplicación de este método no sólo permite el cálculo de una esperanza condicional sobre la base de un modelo univariante, sino también de su varianza condicional que puede ser asociada a la idea de incertidumbre. Lo fundamental de esto es que una mayor varianza implicaría una mayor incertidumbre.
De acuerdo con el modelo GARCH de Bollerslev se tiene que la varianza del proceso depende de los errores y la...
Para continuar leyendo
Solicita tu pruebaCOPYRIGHT GALE, Cengage Learning. All rights reserved.
