Introduccion A Los Modelos Dsge - Octubre - 2019

UNIVERSIDAD EAFIT
Introducción a los Modelos DSGE

Teorı́a y práctica
Alejandro Torres
Alfredo Villca
Universidad EAFIT
Escuela de Economı́a y Finanzas
Departamento de Economı́a
Este documento es producto de los cursos de Macroeconomı́a Avanzada y Tópicos en

Modelación dictados en el programa de Maestrı́a en Economı́a y Doctorado en Economı́a de la
Universidad EAFIT. Se escribió entre el año 2018 y 2019, formato LATEX, y se encuentra en
proceso de revisión y edición, por lo tanto, los errores u omisiones pertenecen a los autores.
Queda prohibida la reproducción total o parcial por cualquier medio sin previa autorización de
los autores.
Edición Preliminar (Borrador) - 2019
Dirección: Carrera 49, número 7 sur 50, Medellı́n - Colombia.
Medellı́n-Colombia Octubre de 2019

Contenido
1. Introducción 1
I Datos y Fundamentos 5
2. Ciclos económicos: Los datos 6
2.1. Procesamiento de los datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2. Capturando los ciclos económicos . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3. Los hechos estilizados de los ciclos . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4. Problemas de aplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3. Fundamentos de los modelos de equilibrio general 35
3.1. La naturaleza de los modelos RBC . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2. El modelo de Solow determinı́stico . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3. El modelo de Solow estocástico . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.4. Simulación del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.5. El modelo de Ramsey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.6. La dinámica del modelo de Ramsey . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.7. Perturbaciones y dinámica de transición . . . . . . . . . . . . . . . . . . . . . . 54
3.8. Problemas de Aplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

CONTENIDO v
II Métodos de Solución de Modelos Recursivos 58
4. Elementos de programación dinámica 59
4.1. Programación dinámica determinı́stica . . . . . . . . . . . . . . . . . . . . . . . 59
4.2. Iteración de la función valor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.3. Coeficientes indeterminados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.4. Aproximación numérica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.5. Programación dinámica estocástica . . . . . . . . . . . . . . . . . . . . . . . . . 74
5. El método de King-Plosser-Rebelo 76
5.1. Notas sobre Log-Linealización . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.2. El método de King-Plosser-Rebelo . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.3. Unicidad, estabilidad y manchas solares . . . . . . . . . . . . . . . . . . . . . . . 93
5.4. Funciones de impulso respuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.5. Bondad de ajuste: dos experimentos . . . . . . . . . . . . . . . . . . . . . . . . . 98
III Modelos de Ciclos Económicos Reales 101
6. Ciclos Económicos Reales y mercado de trabajo 102
6.1. Las estadı́sticas del mercado laboral . . . . . . . . . . . . . . . . . . . . . . . . . 102
6.2. Modelos RBC con trabajo divisible . . . . . . . . . . . . . . . . . . . . . . . . . 105
6.3. Análisis de sensibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
6.4. Simulación estocástica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
6.5. Modelo RBC con trabajo indivisible . . . . . . . . . . . . . . . . . . . . . . . . . 120
ALEJANDRO TORRES ∼ ALFREDO VILLCA

CONTENIDO vi
7. Modelos monetarios con precios flexibles 128
7.1. Los datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
7.2. Dinero en la función de utilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
7.3. Estimación empı́rica de la demanda de dinero . . . . . . . . . . . . . . . . . . . 136
7.4. Modelo Cash in Advance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
8. Modelos con gasto público 148
8.1. El gasto público exógeno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
8.2. El gasto público en la función de utilidad . . . . . . . . . . . . . . . . . . . . . . 152
8.3. El gasto público productivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
9. Fundamentos de economı́as abiertas y choques externos 160
9.1. Ciclos Económicos Reales Internacionales . . . . . . . . . . . . . . . . . . . . . . 160
9.2. Economı́as pequeñas y abiertas . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
9.3. Shock de tasa de interés mundial . . . . . . . . . . . . . . . . . . . . . . . . . . 168
9.4. Descomposición de varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
IV Modelos Neokeynesianos 174
10.Modelo Neokeynesiano en economı́a cerrada 175
10.1. Las decisiones de los hogares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
10.2. Decisiones de las firmas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
10.3. Representación canónica del modelo . . . . . . . . . . . . . . . . . . . . . . . . . 179
10.4. La dinámica del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181

CONTENIDO vii
11.Modelo Neokeynesiano en economı́a abierta 184
11.1. Decisiones de los hogares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
11.2. Supuestos adicionales del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . 187
11.3. Decisiones de las firmas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
11.4. El equilibrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
11.5. La dinámica del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191

Índice de figuras
2.1. Enfoques de desestacionalización de series temporales . . . . . . . . . . . . . . . 8
2.2. Serie observada, desestacionalizada, factor estacional e irregular . . . . . . . . . 9
2.3. Tendencia y ciclo de la serie ajustada . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4. Logaritmo del producto y tendencia, 1947Q1-2016Q4 . . . . . . . . . . . . . . . 16
2.5. Logaritmo del producto per cápita y tendencia, 1800-2010 . . . . . . . . . . . . 17
2.6. Ciclos del producto, 1947Q1-2016Q4 . . . . . . . . . . . . . . . . . . . . . . . . 19
2.7. Ciclos del producto per cápita, 1800-2010 . . . . . . . . . . . . . . . . . . . . . . 19
2.8. Ciclos del producto, 1947Q1-2016Q4 . . . . . . . . . . . . . . . . . . . . . . . . 20
2.9. Ciclos del producto per cápita, 1800-2010 . . . . . . . . . . . . . . . . . . . . . . 20
2.10. Estadı́sticas descriptivas del ciclo del producto; 1947Q1-2016Q2 . . . . . . . . . 21
2.11. Estadı́sticas Descriptivas del ciclo del producto per cápita; 1800-2010 . . . . . . 21
2.12. Ciclos del producto usando diferentes métodos, 1947Q1-2016Q4 . . . . . . . . . 23
2.13. Diferencias de los ciclos del producto, 1950Q1-2016Q4 . . . . . . . . . . . . . . . 24
2.14. Ciclos económicos, 1947Q1-2016Q4 . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.15. Dispersión de los ciclos, 1947Q1-2016Q4. (En porcentajes) . . . . . . . . . . . . 30
2.16. Coeficientes de correlación dinámica, 1947Q1-2016Q4 . . . . . . . . . . . . . . . 32
2.17. Coeficientes de correlación dinámica, 1947Q1-2016Q4 . . . . . . . . . . . . . . . 33
3.1. Ciclo del modelo de Solow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

ÍNDICE DE FIGURAS ix
3.2. Modelo de Solow: Estado estacionario . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3. EE UU: Tasa de crecimiento tecnológico, 1948Q2 - 2016Q4 (En %) . . . . . . . . 44
3.4. Choques en cada periodo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.5. Distribuciones muestrales de las series simuladas . . . . . . . . . . . . . . . . . . 47
3.6. Choque único en el modelo de Solow . . . . . . . . . . . . . . . . . . . . . . . . 47
3.7. Diagrama en el modelo de Ramsey . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.8. El diagrama de fase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.9. La dinámica de transición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.1. Función valor y funciones de polı́tica . . . . . . . . . . . . . . . . . . . . . . . . 69
4.2. Aproximación numérica de la función valor . . . . . . . . . . . . . . . . . . . . . 73
4.3. Aproximación numérica de la función valor y de las funciones de polı́tica . . . . 74
5.1. Procedimiento de solución según el método KPR . . . . . . . . . . . . . . . . . . 77
5.2. Modelo de Solow: Trayectoria modelo lineal vs no lineal . . . . . . . . . . . . . . 82
5.3. Funciones de impulso respuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.4. Ciclos del producto observado vs estimado . . . . . . . . . . . . . . . . . . . . . 100
5.5. Ciclos, observado vs estimado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
6.1. Funciones de impulso respuesta (Expresado en porcentajes) . . . . . . . . . . . . 110
6.2. Ciclos del producto, observado vs estimado (En porcentaje) . . . . . . . . . . . . 111
6.3. Ciclos, observado vs estimado (En porcentajes) . . . . . . . . . . . . . . . . . . 112
6.4. Cambios en ρ y su efecto sobre las variables . . . . . . . . . . . . . . . . . . . . 113
6.5. Cambios en ρ y su efecto sobre el producto . . . . . . . . . . . . . . . . . . . . . 114

ÍNDICE DE FIGURAS x
6.9. Simulación estocástica para el producto . . . . . . . . . . . . . . . . . . . . . . . 117
6.10. Simulación estocástica para variables seleccionadas . . . . . . . . . . . . . . . . 118
6.11. Tendencia y ciclo de la serie simulada del producto . . . . . . . . . . . . . . . . 118
6.12. Tendencia y ciclo de las series simuladas . . . . . . . . . . . . . . . . . . . . . . 119
7.1. Respuesta de las variables frente a un choque de tecnologı́a . . . . . . . . . . . 135
7.2. Respuesta de las variables frente a un choque de oferta monetaria . . . . . . . . 136
7.3. Respuesta de las variables frente a un choque de tecnologı́a . . . . . . . . . . . . 145
7.4. Respuesta de las variables frente a un choque monetario . . . . . . . . . . . . . 146
8.2. Ciclos; observado vs estimado (Expresado en porcentajes) . . . . . . . . . . . . . 151
8.3. Respuesta ante un choque permanente de gasto (En porcentajes) . . . . . . . . . 155
8.4. Respuesta ante un choque transitorio de gasto (En porcentajes) . . . . . . . . . 156
8.5. Respuesta frente a un choque de inversión pública (En porcentajes) . . . . . . . 158
9.1. Ciclos del producto en Estados Unidos y Canadá . . . . . . . . . . . . . . . . . 161
9.2. Respuesta frente un choque de productividad . . . . . . . . . . . . . . . . . . . . 164
9.3. Respuesta frente un choque de productividad . . . . . . . . . . . . . . . . . . . . 168
9.4. Respuesta a un choque de productividad y tasa de interés mundial . . . . . . . . 169
9.5. Respuesta frente a diferentes choques (En porcentajes) . . . . . . . . . . . . . . 171
9.6. Descomposición de varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
10.1. Respuesta de las variables ante choques estocásticos . . . . . . . . . . . . . . . . 182
10.2. Respuesta de la tasa de interés ante choques de oferta . . . . . . . . . . . . . . . 183

ÍNDICE DE FIGURAS xi
11.1. Respuesta de las variable frente a un choque de productividad . . . . . . . . . . 193

Índice de cuadros
2.1. Cronologı́a de ciclo del PIB real de Estados Unidos . . . . . . . . . . . . . . . . 25
2.2. Momentos estadı́sticos de los ciclos económicos . . . . . . . . . . . . . . . . . . . 31
5.1. Parámetros y estado estacionario . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.2. Momentos estadı́sticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.1. Estadı́sticas del mercado laboral (1950-2016) . . . . . . . . . . . . . . . . . . . . 104
6.2. Parametrización del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
6.3. Estado estacionario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
6.4. Momentos estadı́sticos, teóricos y empı́ricos . . . . . . . . . . . . . . . . . . . . . 113
6.5. Estado estacionario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
6.6. Momentos estadı́sticos, teóricos y empı́ricos . . . . . . . . . . . . . . . . . . . . . 125
7.1. Parametrización del modelo MIU con oferta laboral . . . . . . . . . . . . . . . . 134
7.2. Estado estacionario del modelo MIU con empleo . . . . . . . . . . . . . . . . . . 134
7.3. Test de raı́z unitaria en datos de panel . . . . . . . . . . . . . . . . . . . . . . . 138
7.4. Resultados del test de cointegración de Kao y Pedroni . . . . . . . . . . . . . . . 139
7.5. Resultados del modelo por paı́ses y panel conjunto . . . . . . . . . . . . . . . . . 140
8.1. Calibración del modelo RBC con polı́tica fiscal . . . . . . . . . . . . . . . . . . . 153

Capı́tulo 1
Introducción
Desde un punto de vista histórico, la macroeconomı́a como ciencia surgió después de la Gran
Depresión de Estados Unidos en 1929. El gran precursor fue John Maynard Keynes con la
publicación de su obra “Teorı́a general del empleo, interés y dinero” en 1936. La idea general de
Keynes es que las medidas de polı́tica económica deberı́an ser destinadas a estimular la demanda
agregada, dado que, según este autor, es una variable clave del comportamiento económico.
La formalización matemática de las ideas de Keynes fueron desarrollados por John Hicks y
Alvin Hansen en los años 30 en el modelo IS-LM bajo un contexto de economı́a autárquica. La
extensión para una economı́a abierta fueron sistematizados en el modelo IS-LM-BP desarrollados
por Robert Mundell y Marcus Fleming a principios de los años 70. En estos dos tipos de modelos,
la demanda agregada viene dada por una expresión matemática simple: DA = C + I + G + X,
siendo C, I, G y X, el consumo, la inversión, el gasto del gobierno y la demanda externa,
respectivamente. Con esta expresión elemental Keynes propuso lidiar dos problemas centrales
de cualquier economı́a en el corto plazo: el desempleo y la inflación. Por ejemplo, con una polı́tica
fiscal expansiva, a través de un mayor gasto público o una reducción de la tasa de impuestos, se
estimula la demanda agregada, con ello, una mayor producción, debido al efecto multiplicador,
y por lo tanto una reducción del desempleo. Por otro lado, para enfrentar la inflación se sugerı́a
reducir la DA y para ello se podrı́a aplicar, por ejemplo, una polı́tica fiscal contractiva. Un
corolario de estos dos problemas, es que el desempleo y la inflación no pueden coexistir, es decir,
no se pueden combatir ambos problemas de manera simultánea. La incompatibilidad de estos
problemas duró aproximadamente 27 años, entre 1946 (Fin de la segunda Guerra Mundial) y
1973 (Crisis del Petróleo).
Los lineamientos de polı́tica económica que plantea Keynes fracasaron precisamente con la crisis
del petróleo en 1973, cuando las empresas enfrentaron un shock de oferta, como los aumentos
en los costes de producción, por ejemplo. Este choque se debió básicamente por que los paı́ses
productores de petróleo decidieron no exportar este insumo a Estados Unidos y Europa, lo que
provocó una situación de estanflación, es decir, una situación de poca actividad económica, alto
desempleo y alta inflación. Este fenómeno rompe la correlación negativa entre el desempleo y la
inflación. La teorı́a keyensiana no fue capaz de explicar este acontecimiento por una razón simple:
la inflación provenı́a por el lado de la oferta y no de la demanda. Una implicación inmediata fue
CAPÍTULO 1. INTRODUCCIÓN 2
que las recetas de polı́ticas keynesianas de demanda fueron sustituidas por polı́ticas de oferta.
El gran precursor de este tipo de polı́ticas fue Milton Friedman que retomó las ideas liberales
en las que se enfatizaba la aplicación de la polı́tica monetaria, a través del manejo prudente
de las tasas de interés como instrumento principal para estabilizar la cantidad de dinero en la
economı́a, de esta forma, se sugerı́a combatir la inflación antes que el desempleo, pues se sostenı́a
que el paro era voluntario. Ası́, se plantea la existencia de una tasa natural de desempleo, la
NAIRU (Non Accelerating Inflation Rate of Unemployment) como normalmente se conoce en
la literatura.
Las ideas de Milton Friedman influyeron de manera sustancial en la llamada “Revolución de las
Expectativas Racionales” a la cabeza de Robert Lucas. Según este enfoque los agentes económi-
cos se comportan como si predijeran usando un modelo o teorı́a el curso de las variables futuras
frente a cambios en la polı́tica económica, para lo cual usan toda la información disponible y, se
sugiere incorporar la formación de expectativas en los modelos macroeconómicos, algo que igno-
ra por completo el modelo keynesiano. Estas ideas dieron el golpe mortal a la teorı́a keynesiano.
Las contribuciones de Robert Lucas cambió de manera radical el estudio de la macroeconomı́a
contemporánea.
Además, desde un punto de vista metodológico se ha mencionado que el modelo keynesiano sufre
fundamentalmente de tres problemas: es estático, no posee microfundamentos y no incorpora
expectativas racionales. El gran reto de la macroeconomı́a moderna fue resolver estos problemas
que sean inmunes a llamada crı́tica de Lucas. En los años 80 se desarrollaron modelos dinámicos
que incluyen expectativas y elementos microeconómicos, a estas teorı́as se las bautizaron como
la teorı́a de los “Ciclos Económicos Reales (RBC)”. Esta teorı́a busca comprender las causas de
las fluctuaciones económicas “(...) More explicitly, real business cycle models ask the question:
How do rational maximazing individuals respond over time in the economic enviroment and
what implications do those responses have for the equilibrium outcomes of aggregate variables? ”
Plosser (1989).
Las referencias iniciales para la construcción de los modelos RBC son dos: el modelo de Solow-
Swan y el modelo de Ramsey-Cass-Koopmans. El primero porque incluye algún grado de forma-
lización y comportamiento dinámico de los agentes y, además, el comportamiento de la economı́a
se explica a partir de los cambios de la tecnologı́a o de productividad. Segundo, el modelo de
Ramsey-Cass-Koopmans incorporan elementos de optimización por parte de los agentes. Estos
dos modelos sustentan la teorı́a RBC y los trabajos seminales fueron desarrollados por Kydland
and Prescott (1982), Long and Plosser (1983) y King et al. (1988a). La estructura de estos
modelos es que los agentes maximizan el valor actual del flujo de utilidades futuras sujeto a una
restricción de recursos con un horizonte temporal infinito. En particular, el modelo RBC consi-
dera que la ley que rige la Productividad Total de Factores (PTF), o residuo de Solow, es un
proceso estocástico que evoluciona de acuerdo a una ley autorregresiva de primer orden, AR(1),
más un término de innovación que tiene la caracterı́stica de ser un ruido blanco. De esta forma,
predicen que; ante una innovación tecnológica, las variables macroeconómicas experimentan una
desviación respecto a su equilibrio de largo plazo o estado estacionario y posteriormente conver-
gen nuevamente a su senda de largo plazo con una duración temporal razonable hasta que las
nuevas tecnologı́as se adapten plenamente en el proceso productivo. Por lo tanto, el enfoque de

los nuevos clásicos concluye que la fuente principal de las fluctuaciones económicas provienen
de variables reales que afectan la oferta agregada.
Matemáticamente, la solución a los modelos RBC resultan ser muy complejos por que son di-
namicos y estocásticos, además de ser no lineales (por lo general, se resumen en ecuaciones en
diferencias estocásticas de primero o segundo orden). El número de ecuaciones del sistema es
creciente con el número de variables y son altamente. Estos elementos hacen que no sea posi-
ble aplicar métodos convencionales para resolverlos. Sin embargo, se han desarrollado técnicas
que permitan resolver modelos estocásticos lineales, entre los más influyentes son: Blanchard
and Kahn (1980), King et al. (1988b) y Uhlig (1995). Pero, en la actualidad se han desarrolla-
do programas computacionales para resolver, estimar y simular modelos de equilibrio general
dinámicos y estocásticos, como MatLab y Dynare, que son mucho más eficientes.
Paralelo a estos desarrollos teóricos y metodológicos provenientes de la escuela neoclásica, los

modelos keynesianos también enfrentaron cambios e incorporaron microfundamentos y expec-
tativas racionales. Los autores más influyentes son Obstfeld and Rogoff (1995), Clarida et al.
(1999), Gali and Monacelli (2005), Woodford (2002) y Galı́ (2008), entre otros. La diferencia de
estos modelos es que suponen ausencia de acumulación de capital y, la versión simple, incorpo-
ra rigideces de precios a la Calvo (1983), además de suponer competencia monopolı́stica en el
sector productivo. La versión dinámica y microfundamentada de esta corriente se han llamado
“modelos Neokeyenesianos”. El modelo simple está compuesto por tres ecuaciones, la curva de
demanda agregada, la curva de Phillips y una regla para la tasa de interés. Ası́, este tipo de
modelos fueron diseñados fundamentalmente para estudiar los efectos de la Polı́tica Monetaria
sobre las variables macroeconómicas. En modelos más recientes se han incorporado una serie de
imperfecciones en los mercados, como por ejemplo, problemas de información asimétrica en los
mercados de trabajo, fricciones en los mercados financieros, entre otros.
Como se podrá notar, ambas corrientes del pensamiento económicos, neoclásicos y neokeyne-
sianos, atendieron las crı́ticas de Lucas y convergieron en el uso metodológico. Actualmente,
aquellos modelos que incluyen supuestos neoclásicos y neokeynesianos se han llamado modelos
de equilibrio general dinámicos estocásticos (DSGE por sus siglas en inglés, Dynamic Stochastic
General Equilibrium).
En este libro de texto tenemos la intención de mostrar el desarrollo de estos modelos y sus
métodos de solución, además de contrastar con los datos. Hemos organizado en cuatro partes.
La Parte I hace hincapié al manejo de los datos y los fundamentos que sustentan los desa-
rrollos teóricos posteriores. Esta parte está compuestos por dos capı́tulos. En el Capı́tulo 2
caracterizamos los hechos estilizados de los ciclos económicos usando datos de Estados Unidos.
Exponemos las técnicas de procesamiento de los datos, como la desestacionalización de series,
y la descomposición de series temporales en corto y largo plazo. A continuación, en el Capı́tulo
3, presentamos los fundamentos de los modelos de equilibrio general, como son los modelos de
Solow y Ramsey. En el primer caso presentamos tanto en su versión determinı́stica como en
su versión estocástica. En el segundo caso, se presenta la construcción del modelo de Ramsey
y el análisis cualitativo de las variables cuando la economı́a enfrenta choques de tecnologı́a,
sin embargo, presentamos bajo un ambiente determinı́stico, dado que el modelo de Ramsey
estocástico constituye el inicio a los modelos RBC. En la Parte II mostramos los métodos que

permiten resolver modelo recursivos. Esta compuesto por los capı́tulos 4 y 5. En el capı́tulo
4 presentamos los métodos de solución global, basados fundamentalmente en la programación
dinámica y la ecuación de Bellman. En cambio, en el capı́tulo 5, presentamos un método de
solución local basado en la técnica de King-Plosser-Rebelo. En la Parte III presentamos los
modelos de Ciclos Económicos Reales que está compuesto por los capı́tulos 6, 7, 8 y 9. En esta
desarrollamos los modelos RBC estándar, se estudia el papel del dinero y del gasto público en
contextos de economı́a cerrada. A continuación se presentan los modelos en economı́as abier-
tas. Este tipos de modelos suponen precios flexibles. Para relajar este supuesto presentamos los
modelos Neokeynesianos en la Parte IV, tanto para economı́a cerradas como para economı́as
abiertas.

Parte I
Datos y Fundamentos
Capı́tulo 2
Ciclos económicos: Los datos
En este capı́tulo se estudia los ciclos económicos para la economı́a de Estados Unidos. Para lograr
este objetivo se considera un conjunto de variables macroeconómicas en frecuencia trimestral
disponible a partir de la segunda guerra mundial, los cuales permitirán establecer los hechos
estilizados de los ciclos. Este punto es sumamente importante por que justifica el desarrollo de
los modelos de equilibrio general dinámicos y estocásticos.
En la sección 2.1 se expone el proceso de transformación de los datos y se argumenta por qué
es importante llevar acabo esta tarea. Se explica los componentes subyacentes de una serie
temporal a través de los modelos de componentes no observables, pero también se explica las
técnicas disponibles para extraer dichos componentes, fundamentalmente las técnicas de deses-
tacionalización. El proceso de desestacionalización implica extraer el factor estacional de la serie
original. Este paso es importante porque muchas variables de frecuencia mensual, trimestral,
incluso semestral, se ven afectados por factores estacionales que son sistemáticos de un periodo
a otro, los cuales dificultan la identificación de los ciclos de manera clara. Una vez que las series
de tiempo fueron ajustadas, el siguiente paso es determinar el componente cı́clico de las series.
En la sección 2.2 se presentan los métodos más comunes para estimar el componente cı́clico, como
son, las técnicas estadı́sticas y las técnicas económicas. Al finalizar esta sección se presenta la
cronologı́a de los ciclos del producto definido por The National Bureau of Economic Research,
donde se observan las fechas exactas de los picos y valles, ası́ como la duración en meses de
las contracciones y expansiones. Finalmente se establecen los hechos estilizados de los ciclos
económicos de Estados Unidos, sección 2.3, tomando en cuenta los momentos estadı́sticos. Los
resultados empı́ricos ofrecerán luces para comprender los modelos teóricos a desarrollarse en los
próximos capı́tulos.
CAPÍTULO 2. CICLOS ECONÓMICOS: LOS DATOS 7
2.1. Procesamiento de los datos
Determinar el componente cı́clico de una variable macroeconómica conlleva ciertas dificultades

debido a que no son observables directamente. Este análisis no es inmediato cuando se trabaja
con datos originales porque estos se ven afectados por fenómenos propios y sistemáticos relacio-
nados, particularmente, con eventos que se repiten en un mismo periodo (efecto calendario), que
pueden generar nubarrones en los ciclos. Por ejemplo, en la Figura (2.2), panel (a), se observa el
comportamiento del logaritmo de una variable en frecuencia trimestral (104 trimestres) de una
economı́a particular. En un mismo periodo (un año) 1 , la variable exhibe un comportamiento
tipo “w” invertida que se repite de manera sistemática en todo el horizonte de tiempo. En el
primer trimestre de cada año, la variable registra un valor mı́nimo, posteriormente experimenta
un aumento y registra un valor máximo en el último trimestre. Este patrón sugiere la existencia
de factores estacionales.
Por lo tanto, es recomendable efectuar un ajuste estacional que permita comparar entre pe-
riodos consecutivos. Este proceso se conoce como “desestacionalización”que significa eliminar
el componente estacional de la serie observada. Desde un punto de vista histórico, la tarea de
desestacionalizar series se remonta a los años 20, cuando Persons (1920) sugirió descomponer las
series de tiempo en tres componentes; tendencia-ciclo, estacionalidad e irregular. La tendencia
es el movimiento de largo plazo, por lo general, creciente en el tiempo que se explica por factores
estructurales, como el crecimiento poblacional, precios, tecnologı́a, entre otros. Este componen-
te incorpora el factor cı́clico, que es un movimiento de corto plazo. El argumento básico de la
existencia de este fenómeno es el denominado ciclos de “negocios”, según el cual, las empresas
enfrentan periodos de mayor producción (mayor venta) y periodos de menor producción (menor
venta). Por otro lado, el componente estacional es un movimiento asociado con el calendario
intra-anual que se repite con cierta regularidad y que se atribuye a los factores estacionales.
Las principales razones de la existencia de estos factores son los eventos climatológicos (sequı́as,
inundaciones, etc.), eventos sociales (fiestas de Semana Santa, fiestas de navidad, etc.) entre
otros. Finalmente, el componente irregular es un movimiento no sistemático de la serie, que
no es posible predecir su movimiento. Este componente se determina como un residuo luego de
haber estimado el resto de los componentes y tiene la caracterı́stica de tener media cero.
La especificación de un modelo de Componentes No Observables parte de formular una relación

entre la serie observada y los componentes mencionados anteriormente. En general, el modelo
se puede representar de la siguiente manera:
Yt = F (Tt , St , It ) (2.1)
Donde Yt es la serie temporal observada, ∀t > 0, Tt es el componente de tendencia-ciclo, St el

componente estacional e It el componente irregular. Existen tres tipos de especificaciones para
representar la relación F .
Modelo aditivo : Yt = Tt + St + It (2.2)
Modelo multiplicativo : Yt = Tt × St × It (2.3)
1
El eje x del gráfico corresponde al número de trimestres; el intervalo de 1 a 4 corresponde a un año, de 4 a
8 corresponde el siguiente año y ası́ sucesivamente.

En cualquier caso, sean Tbt y Sbt los estimadores de Tt y St respectivamente. Por lo tanto, la serie
ajustada en el caso del modelo aditivo viene dado por; Yts = Yt − Sbt , y en el caso del modelo
multiplicativo viene dado por; Yts = Yt /Sbt .
La cuestión es ¿cómo determinar Sbt y Tbt ?. Para responder a esta pregunta, Ladiray and Quen-
neville (2000) sugiere la existencia de dos enfoques metodológicos (Figura 2.1); métodos pa-
ramétricos y métodos no paramétricos. El primer enfoque, a su vez, se subdivide en dos grupos;
i) métodos determinı́sticos, basados en regresiones que definen una función determinista del
tiempo para cada componente, excepto para el irregular, (los programas desarrollados son BV4
y DAINTIES) y; ii) métodos estocásticas, que consideran modelos ARIMA y modelos estructura-
les (Los programas son SEATS, BAYSEA, DECOMP y STAMP). El segundo enfoque, también
llamados métodos empı́ricos, permiten descomponer mediante un proceso iterativo que se basa
en alisados sucesivos, o suavización, que utilizan regresiones locales, lo cual consiste en ajustar
polinomios por mı́nimos cuadrados (ponderados o no). Estas regresiones locales son equivalentes
a la aplicación de medias móviles cuando las observaciones están espaciadas regularmente (Los
programas son STL, SABL, X-11-ARIMA y X-12-ARIMA).
Figura 2.1: Enfoques de desestacionalización de series temporales
Fuente: Ladiray y Quenneville (2000). Traducción al castellano: Eduardo Crivisqui
En la actualidad, la técnica más usada, en el marco de los no paramétricos, es el método X-

12-ARIMA presentado por Findley et al. (1998) que consiste en una extensión y mejora a la
técnica X-11-ARIMA desarrollado por US Bureau of Census 2
2
En los años cincuenta surgió los programas de ajuste estacional Census Method I (1954) y Census Method II
(1957) en el US Bureau of Census, encabezado por Julius Shiskin. A partir de ese entonces, se elaboraron once
versiones de programas de ajuste estacional, desde el X-1 hasta el X-11 (Findley et al (1998)).

Haciendo uso del enfoque no paramétrico y mediante la técnica X-12-ARIMA, procedemos a

estimar los componentes no observables de la serie Yt . Dado que nuestra serie está expresado
en logarı́tmicos, podemos usar el modelo aditivo, que es equivalente al modelo multiplicativo
si aplicásemos logaritmos. En la Figura 2.2 se observan los componentes estimados (Paneles
b, c y d). Claramente el factor estacional exhibe un comportamiento regular y sistemático, en
cambio, el componente irregular presenta un comportamiento aleatorio, cuyo promedio es de
2, 26E −05 ≈ 0, 0000226. La serie ajustada o desestacionalizada, representado por Yts = Yt − Sbt ,
exhibe un patrón suave en comparación con la serie original.
Para fines de estimación del ciclo y tendencia de la variable Yt se usa la serie ajustada Yts . En la
Figura 2.3 se muestran los resultados de dicha estimación. Para estimar la tendencia y el ciclo
se usó el Filtro de Hodrick-Prescott, que se expone con más detalle en la siguiente sección.
Figura 2.2: Serie observada, desestacionalizada, factor estacional e irregular

16.4 16.4
(a) Logaritmo de la serie observada (b) Serie desestacionalizada
16.2 16.2
16.0 16.0
15.8 15.8
15.6 15.6
15.4 15.4
15.2 15.2
15.0 15.0
1990 1995 2000 2005 2010 2015 1990 1995 2000 2005 2010 2015
0.08 0.02
(c) Factor estacional (d) Factor irregular
0.06
0.01
0.04
0.01
0.02
0.00 0.00
-0.02 -0.00
-0.04
-0.01
-0.06
-0.08 -0.02
-0.10 -0.02
1990 1995 2000 2005 2010 2015 1990 1995 2000 2005 2010 2015

Figura 2.3: Tendencia y ciclo de la serie ajustada

16.4 0.03
Serie desestacionalizada Componente ciclico
16.2 Componente tendencial 0.02
16.0
0.01
15.8
0.00
15.6
-0.01
15.4
15.2 -0.02
15.0 -0.03
1990 1995 2000 2005 2010 2015 1990 1995 2000 2005 2010 2015
2.2. Capturando los ciclos económicos
Antes de exponer los métodos que permiten capturar el componente cı́clico de las variables, es
esencial definir el concepto de ciclo económico. La definición clásica fue establecida por Burns
and Mitchell (1946) según los cuales; “Los ciclos económicos son un tipo de fluctuación que se
encuentra en la actividad económica agregada de las economı́as. Un ciclo consta de expansiones
que ocurren aproximadamente al mismo tiempo en muchas actividades económicas, seguidas de
recesiones igualmente generales, contracciones y recuperaciones que se mezclan con la fase de
expansión del ciclo. La secuencia de las fases es recurrente pero no periódica. La duración de
los ciclos varia de más de un año a doce años”
Sin embargo, en la década de los 80 surgió una nueva concepción de los ciclos económicos
provienientes de la teorı́a de los Ciclos Económicos Reales (Real Business Cycle) o simplemente
RBC, por sus siglas en inglés, desarrollados por Long and Plosser (1983), King et al. (1988a)
y Plosser (1989), según los cuales, los ciclos económicos se conciben bajo dos caracterı́sticas;
primero, como una desviación de las variables respecto a su tendencia de largo plazo y, segundo,
el movimiento de los ciclos de las variables respecto a una variable benchmarck, por lo general
el producto.
Ahora bien, existen muchas técnicas que permiten estimar el componente ciclo de las variables.
Se pueden clasificar en dos grandes grupos; el primero de ellos se refiere a técnicas puramente
estadı́sticas y la segunda se refiere a las técnicas con estructuras económicas. El objetivo de
ambos enfoques es descomponer una serie temporal, yt , en su componente de largo plazo, o
tendencia gt , y componente de corto plazo, o ciclo ct , de modo que este último es un proceso
estacionario de media cero. Por lo tanto, yt = gt +ct . En esta sección vamos a discutir las técnicas
que permiten llevar a cabo esta tarea. Primero, se usa el método de tendencia determinı́stica,
segundo, se usa el método de tendencia estocástica, tercero, se usa una función de producción
y, cuarto, se usa el filtro de Hodrick-Prescott. Al final, se comparan estas técnicas usando los
ciclos del PIB real de Estados Unidos.

a) Tendencia determinı́stica
Una forma simple de extraer el componente cı́clico de una serie temporal es suponer que este
sigue una tendencia lineal determinı́stica. Al respecto, DeJong and Dave (2011) menciona que
este enfoque se basa en el supuesto de que las variables experimentan un tasa de crecimiento
constante durante todo el tiempo. Para mostrar la implementación de este método se considera
que la serie original, libre de factores estacionales, Yt , sigue un proceso de la forma Yt = Y0 (1 +
γ)t eut , siendo Y0 > 0 la variable observada en el momento t = 0, γ la tasa de crecimiento de
Yt , que se supone constante, y ut un término de error con media cero y varianza constante.
Aplicando logaritmos se obtiene ln Yt = ln Y0 + t ln(1 + γ) + ut . Sea yt = ln Yt , y0 = ln Y0 y
mediante una aproximación de Taylor se demuestra que ln(1 + γ) ≈ γ, en consecuencia, el
siguiente modelo log-lin es susceptible de una estimación por Mı́nimos Cuadrados Ordinarios
(MCO).
yt = y0 + γt + ut ; ∀ t = 1, 2, 3, ..., T
Donde gt = y0 + γt es el componente de tendencia y ct = ut es el componente cı́clico. Luego
de estimar la ecuación anterior se obtienen los estimadores yb0 y γ
b, ası́ como el estimador del
residuo u
bt . De manera que el ciclo viene dado por:
bt = yt − yb0 − γ
u bt (2.4)
Esta forma de extraer la tendencia, y por lo tanto el ciclo, fue objeto de crı́ticas, dado que, supone
una lı́nea recta para el componente gt , que en la práctica no sucede esto. Por ejemplo, en épocas
de grandes eventos como la segunda guerra mundial o la crisis del 2008 muestran cambios en
el crecimiento tendencial, tal como se muestran en las figuras 2.4 y 2.5. Para permitir esta
variación en el crecimiento, podemos suponer un modelo de tendencia cuadrática:
yt = y0 + γ0 t + γ1 t2 + ut (2.5)
Donde ut se supone que tiene media cero y varianza constante. Similar al caso anterior, el
componente de tendencia es gt = y0 + γ0 t + γ1 t2 y el cı́clico es ct = ut . De esta manera, la tasa de
variación de la tendencia es variable, es decir dgt /dt = f (t) = γ0 + 2γ1 t. Una forma más general
del método dePtendencia determinista es suponer que la serie yt sigue un polinomio de n-ésimo
n Pn
grado, yt = j=0 βj t + ut . Siendo, gt = j=0 βj tj el componente de tendencia y ct = ut es
j
componente cı́clico.
Luego de aplicar MCO sobre la ecuación (2.5) se obtienen los estimadores yb0 , γ
b0 , γ
b1 y u
bt . Por lo
tanto el ciclo viene dado por;
bt = yt − yb0 − γ
u b1 t2
b0 t − γ (2.6)
Para fines de ilustración se considera el modelo de tendencia cuadrática para extraer el ciclo.
Los resultados de la estimación de (2.5) se observan en la Figura 2.12. Cabe mencionar que los
estimadores son estadı́sticamente significativos al 1 % con un coeficiente de R2 del 0,99.
b) Tendencia estocástica
Al igual que la técnica de tendencia determinı́sta lineal, la tendencia estocástica supone que
la tasa de crecimiento de la variable es constante. Siguiendo a DeJong and Dave (2011), este

enfoque parte del hecho de que la serie temporal viene determinado por una ley estocástica de
la forma Yt = Y0 eεt , siento εt = γ + εt−1 + ut y que ut es un término de error de media cero y
varianza constante. La tasa de crecimiento de Yt , en este caso, está dado por γ. Para deducir la
expresión que permita estimar el ciclo, aplicamos logaritmos al proceso que sigue Yt y definimos
yt = ln Yt y y0 = ln Y0 , de modo que:
yt = y0 + εt (2.7)
Primero obtenemos la solución de εt por sustitución recursiva hacia atrás. Rezagando un periodo
se tiene εt−1 = γ + εt−2 + ut−1 y sustituyendo en εt se obtiene εt = 2γ + εt−2 + ut−1 + ut . Esta
ecuación rezagamos nuevamente un periodo y sustituimos en εt y ası́ sucesivamente hasta obtener
la siguiente generalización:
Xt−1
εt = γt + ε0 + ut−i (2.8)
i=0
Sustituyendo (2.8) en (2.7) se obtiene:

t−1
X
yt = y0 + γt + ε0 + ut−i (2.9)
i=0
Rezagando un periodo, yt−1 = y0 + γ(t − 1) + ε0 + t−2

P
i=0 ut−i−1 . Restando esta expresión de (2.9)
se obtiene:
t−1
X Xt−2
yt − yt−1 = γ + ut−i − ut−i−1 (2.10)
i=0 i=0
La diferencia de las sumatorias dan por resultado ut , con lo cual, el modelo a ser estimado viene
dado por:
yt = γ + yt−1 + ut (2.11)
Este es un tı́pico modelo ARIMA(1,1,0), en donde gt = γ + yt−1 es la tendencia estocástica y ut
es el ciclo. El nombre de tendencia estocástica viene del hecho de que; primero, la variable yt
sigue una estructura autorregresiva de primer orden y, segundo, presenta raı́z unitaria, es decir
integrado de orden 1, I(1), debido a que el coeficiente de yt−1 es la unidad, lo que sugiere que
la serie yt es un proceso estocástico no estacionario. Luego de obtener los estimadores γ
byubt se
determina el componente cı́clico, que viene dado por:
bt = ∆yt − γ
u b (2.12)
De esta forma, la serie ∆yt es un proceso estacionario y por lo tanto el ciclo, u bt , también es
estacionario, dado que el términos γ
b es un parámetro que re-escala y por lo tanto no afecta las
propiedades del ciclo.
Los resultados de la estimación del componente cı́clico usando esta metodologı́a se muestra en
la Figura 2.12. Se debe señalar que los resultados de la estimación del modelo sugiere que el
estimador γb es estadı́sticamente significativo al 1 %.
c) Filtro de Hodrick-Prescott

De acuerdo a la metodologı́a desarrollada por Hodrick and Prescott (1997), de aquı́ en adelante
HP, una serie temporal, yt = ln Yt siendo Yt una serie libre de factores estacionales, se puede
representar como la suma de un componente de crecimiento tendencial gt y un componente
cı́clico ct :
yt = gt + ct , ∀ t = 1, 2, ..., T (2.13)
Donde T es el tamaño del periodo muestral. La esencia de este método consiste en extraer
o aislar el componente de tendencia de la serie observada, para ello, los autores plantean un
problema de minimización compuesto por dos términos; el primero dado por la suma de las
desviaciones de la serie respecto a su tendencia al cuadrado, que también se interpreta como
una medida del grado de ajuste que penaliza las variaciones del ciclo y, el segundo término es
un múltiplo λ (λ > 0) de la suma al cuadrado de las diferencias del crecimiento tendencial,
este segundo término penaliza las variaciones de la tendencia. Consideremos el problema de HP
planteado en Burnside (1999).
" T T −1
#
X X
mı́n (yt − gt )2 + λ (gt+1 − 2gt + gt−1 )2
{gt }T
t=1 t=1 t=2
Donde gt+1 −2gt +gt−1 = ∆gt+1 −∆gt representa el diferencial de la tendencia. Matemáticamente,
∆gt+1 se puede interpretar como la pendiente de la tendencia entre los periodos t y t + 1, y
∆gt como la pendiente en t y t − 1, por lo tanto ∆gt+1 − ∆gt es el cambio que experimenta la
pendiente de la tendencia entre los periodos t − 1 y t + 1.
PT
Existen dos casos respecto al parámetro λ. Cuando λ → 0 el problema a resolver es mı́n t=1 (yt −
{gt }T
t=1
2
gt ) , de donde se obtendrı́a gt = yt , lo que implica, que la tendencia es la misma que la serie
observada y por lo tanto no habrı́a ciclo. Por otro lado, cuando λ → ∞ la tendencia es una
linea recta de la forma, gt = α + βt, lo que da lugar al método de tendencia determinista lineal.
El valor sugerido por HP está dado por el ratio de varianzas λ = σg2 /σc2 , siendo σg2 y σc2 la va-
rianza incorrelacionado de la tendencia y el ciclo respectivamente. En la mayorı́a de los trabajos
empı́ricos suele utilizarse los valores que HP proponen; 100, 1.600 y 14.400 para datos anuales,
trimestrales y mensuales, respectivamente.
Sea H el problema a resolver. Primero se considera el periodo t = 1, de donde se tiene;

H = mı́n (y1 − g1 )2 + λ(g3 − 2g2 + g1 )2

{g1 }
La condición de primer orden viene dado por:

∂H
= −2(y1 − g1 ) + 2λ(g3 − 2g2 + g1 ) = 0
∂g1
Simplificando (dividiendo ambos lados por 2) y reorganizando se obtiene la expresión que per-
mite determinar el primer valor de la tendencia, g1 , en t = 1.
(1 + λ)g1 − 2λg2 + λg3 = y1 (2.14)
Dado que y1 y λ son conocidos, para determinar g1 es necesario conocer los valores de las
tendencias de los periodos 2 y 3, es decir g2 y g3 , desafortunadamente estos son desconocidos.

Para resolver este inconveniente es formar un sistema de ecuaciones, para lo cual formulamos el
problema de minimización de los periodos t = 1, 2.
" 2 3
#
X X
H = mı́n (yt − gt )2 + λ (gt+1 − 2gt + gt−1 )2
{g2 }
t=1 t=2
H = mı́n (y1 − g1 )2 + (y2 − g2 )2 + λ(g3 − 2g2 + g1 )2 + λ(g4 − 2g3 + g2 )2

{g2 }
La condición de primer orden está dado por:

∂H
= −2(y2 − g2 ) − 4λ(g3 − 2g2 + g1 ) + 2λ(g4 − 2g3 + g2 ) = 0
∂g2
Simplificando se obtiene la expresión para obtener el segundo valor de la tendencia, g2 .
− 2λg1 + (1 + 5λ)g2 − 4λg3 + λg4 = y2 (2.15)
Sin embargo, para determinar g2 se requieren conocer los valores de g1 , g3 y g4 . La alternativa

es formar un sistema de ecuaciones entre (2.14) y (2.15), sin embargo, el sistema es incompleto,
por que existen cuatro incógnitas con dos ecuaciones. Para formar un sistema completo se
determinan las condiciones de primer orden ∂H/∂g3 , cuando t = 1, 2, 3, y luego ∂H/∂g4 , cuando
t = 1, 2, 3, 4 y ası́ sucesivamente hasta completar todo el horizonte de tiempo, ∂H/∂gT , cuando
t = 1, 2, 3, 4, 5, . . . , T . Por lo tanto, el problema general se reduce a formar una sucesión de
programas de minimización:

H = mı́n[.] , mı́n[.] , mı́n[.] , . . . , mı́n[.]
{g1 } {g2 } {g3 } {gT }
Las condiciones de primer orden, para t = 1, 2, 3, 4, 5, . . . , T − 4, T − 3, T − 2, T − 1, T , vienen

dados por el siguiente sistema de ecuaciones:
(1 + λ)g1 − 2λg2 + λg3 = y1

−2λg1 + (1 + 5λ)g2 − 4λg3 + λg4 = y2
λg1 − 4λg2 + (1 + 6λ)g3 − 4λg4 + λg5 = y3
λg2 − 4λg3 + (1 + 6λ)g4 − 4λg5 + λg6 = y4
λg3 − 4λg4 + (1 + 6λ)g5 − 4λg6 + λg7 = y5
t = 6, 7, 8, . . . T − 5
λgT −6 − 4λgT −5 + (1 + 6λ)gT −4 − 4λgT −3 + λgT −2 = yT −4
λgT −5 − 4λgT −4 + (1 + 6λ)gT −3 − 4λgT −2 + λgT −1 = yT −3
λgT −4 − 4λgT −3 + (1 + 6λ)gT −2 − 4λgT −1 + λgT = yT −2
λgT −3 − 4λgT −2 + (1 + 5λ)gT −1 − 2λgT = yT −1
λgT −2 − 2λgT −1 + (1 + λ)gT = yT
Para encontrar la sucesión {g1 , g2 , g3 , . . . , gT } el sistema anterior podemos escribir en forma

matricial. No obstante, en la diagonal principal existe un término de la forma (1 + φλ), con

φ ∈ {1, 5, 6}, lo que sugiere escribir una combinación lineal de dos matrices. Por lo tanto, se
tiene que (I + λA)g = y, de donde se obtiene el vector de tendencia:
g = (I − λA)−1 y (2.16)
Por su parte, el componente cı́clico se obtiene como un residuo a partir de la ecuación (2.13):
c = [1 − (I − λA)−1 ]y (2.17)
Donde I es una matriz identidad de orden T , A es una matriz cuadrada de orden T × T , y y g

son vectores de orden T × 1.
     
1 −2 1 0 0 0 0 ··· 0 0 g1 y1
 −2 5 −4 1 0 0 0 ··· 0 0   g2   y2 
     
 1 −4 6 −4 1 0 0 · · · 0 0   g   y 
   3   3 
 0
 1 −4 6 −4 1 0 ··· 0 0 

 g4 
 
 y4 
 
 0
 0 1 −4 6 −4 1 ··· 0 0 

 g5 
   y5 
 
 .. .
. .
. .
. .
. .
. .
. .
. .
. .
.  ..   .. 
A= . ; g= .  ; y= . 

 . . . . . . . . . 
    
 0
 0 ··· 1 −4 6 −4 1 0 0 
 gT −4 
 
yT −4 
 
 0
 0 · · · 0 1 −4 6 −4 1 0 

gT −3 
 
yT −3 
 
 0
 0 ··· 0 0 1 −4 6 −4 1 

gT −2 
 
yT −2 
 
 0 0 ··· 0 0 0 1 −4 5 −2  gT −1  yT −1 
0 0 ··· 0 0 0 0 1 −2 1 gT yT
Para garantizar la existencia de un mı́nimo en gt aplicamos la condición de segundo orden. En

∂ 2H ∂ 2H
el proceso se encontrará que = 1 + φλ, dado que λ > 0 y φ > 0 se deduce que > 0,
∂gt2 ∂gt2
con lo cual se demuestra la existencia de un mı́nimo.
En la Figura 2.4 se observa el comportamiento del logaritmo del PIB a precios constantes del
2009 para Estados Unidos3 durante el primer trimestre de 1947 y el cuarto trimestre de 2016,
y también se observa su tendencia (gt ). Se puede mencionar que el PIB real en niveles se ha
multiplicado por casi 9, es decir el PIB en 2016Q4 es nueve veces mayor que el PIB en 1947Q1,
lo que muestra una tendencia creciente. Sin embargo, se observa que el PIB real experimenta
variaciones, expansiones y recesiones, durante algunos periodos cortos de tiempo. Por ejemplo,
el producto cayó de 2.022 millones de $us en el segundo trimestre de 1948 a 2.005 millones de
$us en el cuarto trimestre de 1949. A partir del primer trimestre de 1950 el PIB crece hasta
el segundo trimestre de 1953, que registró 2.594 millones de $us, periodo a partir del cual
el PIB nuevamente decrece hasta el primer trimestre de 1954, que registró un valor de 2.528
millones de $us. Otro ejemplo evidente de cómo el producto oscila en torno a la tendencia es el
periodo de la “La Gran Crisis” de 2008. El PIB cayó de 14.964 millones de $us, en el segundo
trimestre de 2008, a 14.356 millones de $us, en el segundo trimestre de 2009, a partir del cual
se observa un comportamiento creciente. Con estas cifras se demuestran que en periodos cortos
3
Los datos se obtuvieron de la Reserva Federal de San Louis, FRED por sus siglas en inglés. En este documento
se trabaja con esta fuente, si hubiera en algún caso la necesidad de trabajar con otra fuente, se hará una mención
explı́cita del mismo.

el producto experimenta desviaciones de su tendencia. Este fenómeno no solamente se presenta

en el producto sino también en otras variables. Fenómeno que se denomina ciclos económicos.
Figura 2.4: Logaritmo del producto y tendencia, 1947Q1-2016Q4
9.8
9.5
Tendencia
Log del producto
9.3
9.0
8.8
8.5
8.3
8.0
7.8
7.5
1950 1960 1970 1980 1990 2000 2010
Los datos de Maddison para el producto per cápita en frecuencia anual durante dos siglos y mas4
confirma que en un periodo largo de tiempo el producto experimenta una tendencia creciente
pero que en años cortos experimenta desviaciones, como por ejemplo durante la gran depresión
de 1929, primera guerra mundial, segunda guerra mundial y la gran crisis de 2008. La Figura
2.5 da cuenta de esta dinámica. No está por demás señalar que la tendencia (gt ) se conoce
como el producto potencial y los factores que los determina, como se mencionó brevemente,
es estudiado por la teorı́a del crecimiento económico y en cambio, las desviaciones en periodos
cortos (ct ) se conoce como ciclos y los factores que lo promueven se estudia en la teorı́a de los
ciclos económicos. Este tema es un objetivo fundamental del presente texto.
4
A partir de los datos de Maddison Project, que proporciona el PIB per cápita y la población, se puede
reconstruir la variable PIB a nivel agregado multiplicando ambas variables. Estos datos están en frecuencia
anual y a precios de 1990.

Figura 2.5: Logaritmo del producto per cápita y tendencia, 1800-2010
10
Tendencia
9
Log del producto
2
1800 1825 1850 1875 1900 1925 1950 1975 2000
Luego de estimar el componente de tendencia de la variable yt , para nuestro caso el PIB real de
Estados Unidos, es posible estimar el componente cı́clico usando la ecuación (2.13), de donde
se obtiene ct = yt − gt , que es equivalente a la ecuación (2.17).
En la Figura 2.6 se observa el componente cı́clico del producto cuando λ = 1600, sugerido por
HP para datos en frecuencia trimestral. La serie estimada oscila en torno a su valor de largo
plazo, normalizado a cero. También se observa valores máximos que están encima de cero, los
cuales son los picos, y los valores mı́nimos que están por debajo de cero, que se conocen como
valles. Más adelante se examinan estas caracterı́sticas a partir de la identificación de los ciclos
realizado por The National Bureau of Economic Research(NBER). En la Figura 2.7 se muestra
el componente cı́clico del PIB per cápita para Estados Unidos en frecuencia anual, para λ = 100.
Si bien es posible estimar el componente cı́clico de una variable mediante el método HP, ésta
no ha sido exenta de crı́ticas, particularmente por la elección arbitraria del parámetro λ. ¿ Cual
fue el argumento de esta crı́tica? Existen dos razones, en el tiempo y espacio; 1) El valor de
λ, sea para frecuencia anual, trimestral o mensual, fue propuesto para la economı́a de Estados
Unidos correspondiente al periodo 1950-1979, lo que es natural pensar que este parámetro solo
serı́a aplicable en este periodo y, 2) el valor de λ, se obtuvo con datos de Estados Unidos, sin
embargo, se aplican en economı́as con diferentes estructuras a esta economı́a.
En la Figura 2.8 se muestra los resultados de los ejercicios realizados con diferentes valores de
λ (para el PIB trimestral) a saber arbitrarios e incluyendo el óptimo de 1600 sugerido para esta

frecuencia. Se observa que, en general, no existe cambios sustanciales en términos cualitativo, sin
embargo, sı́ se observan diferencias en términos cuantitativas. Por ejemplo, cuando se considera
λ = 14000, al parecer los ciclos son sobreestimados, dado que existe poca suavización de la
tendencia, y por el contrario cuando λ es muy pequeño (λ = 100) los ciclos son subestimados,
por que existe una máxima suavización de la tendencia, que en el caso extremo (λ → 0) viene a
ser la misma serie observada, por lo que no existirı́a ciclo alguno. Esta afirmación se demuestra
en la ecuación (2.13). Si gt = yt entonces se concluye que ct = 0. De igual manera, en la Figura
2.9 se observan las diferencias sobre los ciclos cuando se consideran datos anuales y diferentes
valores de λ.
Considerar diferentes valores de λ y la frecuencia de los datos tiene implicancias fundamentales

sobre los momentos estadı́sticos de los ciclos. En la Figura 2.10 se observa esta cuestión. Es
evidente que la media se encuentra centrada en cero. En cuanto a la desviación estándar, medida
de volatilidad del ciclo, se observan diferencias para cada valor de λ. Para λ = 1600 la volatilidad
del ciclo es 16,17 % durante todo el periodo de análisis, en cambio, cuando λ = 14000 se tiene
una volatilidad del 21,22 %, ası́ mismo cuando λ = 100 se tiene una desviación muy baja,
10,46 %. De esta manera, para diferentes valores del parámetro de suavización de la tendencia
se tienen también diferentes valores en los momentos estadı́sticos. En particular, la brecha de
la desviación estándar para un valor superior y el estándar de λ es del 5 % y la brecha del valor
estándar de λ al valor mı́nimo es de 5.7 %, con los cuales se demuestra que la elección del éste
parámetro es fundamental a la hora de estudiar los ciclos de las variables macroeconómicas.
Estas diferencias en las estadı́sticas descriptivas también se observan cuando se toma en cuenta
datos anuales (Figura 2.11).
Las diferencias en los momentos estadı́sticos de los ciclos también difieren cuando se compa-
ran datos trimestrales con datos anuales. Por ejemplo, para los valores sugeridos en ambas
frecuencias la desviación estándar difiere en aproximadamente 3,4 %.
Por lo tanto, capturar los ciclos de las variables macroeconómicas depende mucho de la fre-
cuencia de los datos y el periodo muestral, pero fundamentalmente de la elección del parámetro
de suavización cuando se usa la técnica HP, como se verá mas adelante, este no es el único
inconveniente. Las diferencias pueden ser sustanciales cuando se comparan los ciclos usando
otras metodologı́as, los cuales pueden computar diferentes momentos estadı́sticos y por lo tanto
diferentes conclusiones sobre los ciclos y sus hechos estilizados, y ello es trascendental, por que
sobre estas conclusiones son las que adoptan e implementan medidas de polı́tica económica.

Figura 2.6: Ciclos del producto, 1947Q1-2016Q4
4%
2%
0%
-2%
-4%
-6%
-8%
1950 1960 1970 1980 1990 2000 2010
Figura 2.7: Ciclos del producto per cápita, 1800-2010
30%
20%
10%
0%
-10%
-20%
1800 1825 1850 1875 1900 1925 1950 1975 2000

Figura 2.8: Ciclos del producto, 1947Q1-2016Q4
6%
4%
2%
0%
-2%
-4%
Lambda = 100
Lambda = 1 4000
-6%
Lambda = 3100
Lambda = 1600
-8%
1950 1960 1970 1980 1990 2000 2010
Figura 2.9: Ciclos del producto per cápita, 1800-2010
40%
30%
20%
10%
0%
-10%
-20%
Lam bda = 14000
Lam bda = 3100
-30% Lam bda = 1600
Lam bda = 100
-40%
1800 1825 1850 1875 1900 1925 1950 1975 2000

Figura 2.10: Estadı́sticas descriptivas del ciclo del producto; 1947Q1-2016Q2

30 40
Lambda = 1600 Lambda = 100
35
25 Mean 2.35e-14 Mean -3.84e-14
Maximum 0.037362 30 Maximum 0.025729
20
Minimum -0.062420 Minimum -0.044069
Std. Dev. 0.016168 25 Std. Dev. 0.010455
Skewness -0.612965 Skewness -0.683420
15 Kurtosis 3.788765 20 Kurtosis 4.403426
15
10
10
5
5
0 0
-0.050 -0.025 0.000 0.025 -0.04 -0.03 -0.02 -0.01 0.00 0.01 0.02
50 36
32
Mean -1.98e-13 Mean 1.52e-12
40 28
Maximum 0.048285 Maximum 0.039066
Minimum -0.067125 24 Minimum -0.064999
Std. Dev. 0.021223 Std. Dev. 0.017600
30
Skewness -0.377869 20 Skewness -0.558310
Kurtosis 2.975344 Kurtosis 3.596365
16
20
12
8
10
4
0 0
-0.06 -0.04 -0.02 0.00 0.02 0.04 -0.06 -0.04 -0.02 0.00 0.02 0.04
Figura 2.11: Estadı́sticas Descriptivas del ciclo del producto per cápita; 1800-2010
50 70
60
40 Mean -3.09e-13 Mean -2.39e-14
Maximum 0.344847 50 Maximum 0.271295
Minimum -0.340815 Minimum -0.182216
30 Std. Dev. 0.076708 Std. Dev. 0.050350
40
Skewness -0.350588 Skewness 1.030116
30
20
20
10
10
0 0
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 -0.2 -0.1 0.0 0.1 0.2
60 50
50
Mean 2.75e-13 40 Mean 9.88e-13
Maximum 0.353793 Maximum 0.357163
40 Minimum -0.285910 Minimum -0.304554
Std. Dev. 0.068505 30 Std. Dev. 0.071165
Skewness 0.589996 Skewness 0.327678
30
20
20
10
10
0 0
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 -0.3 -0.2 -0.1 0.0 0.1 0.2 0.3

c) Función de producción
Este método fue utilizado ámpliamente para estimar el producto potencial o producto de pleno
empleo, que a su vez permite estimar el componente cı́clico. Por lo que es importante primero
estimar el PIB potencial, para ello se establece un modelo estructural de la economı́a, particu-
larmente, el producto en función de sus factores que lo determinan. Se considera una relación
del tipo Yt = At F (Kt , Lt ), donde Yt es el PIB real, Kt es el stock de capital, Lt es la mano
de obra y At es la tecnologı́a o Productividad Total Factorial. En particular se especifica una
función Cobb-Douglas;
Yt = At Ktα L1−α
t (2.18)
Donde α explica la proporción de participación del factor capital en la producción y el resto (1−
α) es la participación del factor trabajo en la producción. Sin embargo, uno de los inconveniente
de este método es que las cuentas nacionales, al menos en gran parte de los paı́ses, no provee
series para el stock de capital. Para resolver este problema lo que se hace es generar a través de
la ley de movimiento del capital, conocido como método de inventario perpetuo;
Kt = (1 − δ)Kt−1 + It (2.19)
Siendo It la inversión bruta de capital y δ, que se supone constante, la tasa de depreciación
del capital. Para estimar el capital fı́sico se requiere conocer su valor inicial K0 , para esto
se supone que la economı́a se encuentra en su equilibrio de largo plazo y por lo tanto K0 =
I0 /δ. El problema no está resuelto del todo, falta conocer δ. Para resolverlo, por lo general
estima mediante el método de depreciación lineal, que es uno de los métodos más utilizados,
principalmente por su sencillez y por la facilidad de su implementación. Esta técnica supone que
el activo sufre un desgaste constante con el paso del tiempo, como por ejemplo las construcciones,
las carreteras, etc. Otra forma de establecer δ es suponiendo un valor admisibles y consistente
con otros estudios.
Como la variable At no es observable, entonces se calcula mediante el procedimiento ya estándar

y común, es decir, como un residuo de Solow.
Yt
At = (2.20)
Ktα Lt1−α
Y finalmente, para estimar α se recurre a los datos de encuestas nacionales, o en su defecto se
usa valores razonables que proveen otros estudios, o alternativamente se estima mediante una
regresión econométrica de la función de producción.
Para calcular el producto potencial primero se descompone las series At y Lt en su componente

de corto plazo y largo plazo. Sean A∗t y L∗t los componentes de largo plazo, entonces el PIB
potencial está dado por:
ln Yt∗ = ln A∗t + α ln Kt + (1 − α) ln L∗t (2.21)
Podemos renombrar yt∗ = ln Yt∗ , en consecuencia, la brecha de producción o ciclo del producto
se calcula como una desviación relativa del producto observado respecto a su potencial.
yt − yt∗
ct = (2.22)
yt∗

Para proceder con los cálculos se consideró datos disponibles del PIB real y nivel de empleo
para Estados Unidos, que abarca desde 1948Q1 hasta 1948Q4, y se estimó el stock de capital
fı́sico usando la ecuación (2.19). Ası́ mismo, para calcular el capital inicial se tomó en cuenta
que δ = 0, 016 y la inversión del primer trimestre de 1948, de modo que K1948Q1 = I1948Q1 /δ.
En segundo lugar se estimó el residuo de Solow o Productividad Total Factorial considerando
α = 0, 4. En tercer lugar se estimó los componentes de tendencia tanto del nivel de empleo, L,
como de la PTF. Finalmente se estima el producto potencial usando la ecuación (2.21) y por lo
tanto, se estima el gap de producto. Los resultados obtenidos se muestran en las Figuras 2.12 y
Figura 2.13.
El componente cı́clico del producto varı́a según el uso de la metodologı́a. La técnica de la función
de producción y el filtro HP muestran comportamientos similares en cuanto a la desviación
estándar (1,8 % y 1,6 % respectivamente). Las diferencias son sustanciales cuando se compara
con el método de tendencia determinista (cuadrática) y estocástica, cuyas volatilidades son del
3,4 % y 0,9 % respectivamente.
Figura 2.12: Ciclos del producto usando diferentes métodos, 1947Q1-2016Q4
12%
Funcion de produccion
Tendencia deterministica cuadratica
8% Tendencia estocastica
Filtro Hodrick - Prescott
4%
0%
-4%
-8%
-12%
1950 1960 1970 1980 1990 2000 2010
Luego de exponer los métodos que permiten capturar el componente cı́clico, ahora podemos
examinar sus propiedades estadı́sticas a través del cual establecer los hechos estilizados de los
ciclos, antes de ello es importante explicar su comportamiento. La cronologı́a del ciclo del PIB
real de Estados Unidos durante 1854 y 2009 fue establecido por el Comité de Ciclos de Negocios
de National Bureau of Economic Research. (NBER). El Cuadro 2.1 muestra que durante todo
el periodo la economı́a estadounidense experimentó 33 ciclos. Para este efecto se tienen dos

enfoques; el primero contabiliza el número de meses entre los puntos Picos (máximos) del ciclo
y el segundo contabiliza el número de meses entre los Valles (mı́nimos), de esta forma, la duración
del ciclo fue más o menos de 56 meses, lo que equivale a unos 5 años. Ası́ mismo, el número de
meses en la fase expansiva fue 38, 7 ≈ 39 (3 años) y 17, 5 ≈ 18 (2 años) aproximadamente en la
fase contractiva. Según el cuadro, la cronologı́a del ciclo se ha segmentado en tres intervalos de
tiempo; el primero antes de la primera guerra mundial (1854 - 1919) con 16 ciclos y una duración
de aproximadamente 48 meses (4 años); el segundo entre la primera y la segunda guerra mundial
(1919 - 1945) con 6 ciclos y duración de 53 meses (4 años) y el tercero después de la segunda
guerra mundial (1945 - 2009) con 11 ciclos y una duración de 68 meses (6 años).
Figura 2.13: Diferencias de los ciclos del producto, 1950Q1-2016Q4

Cuadro 2.1: Cronologı́a de ciclo del PIB real de Estados Unidos

Pico Valle Contracción Expansión Ciclos
Pico Valle De Valle De Pico Número
Trimestres entre paréntesis a Valle a Pico a Valle a Pico de ciclos
Diciembre 1854 (IV) - - - - -
Junio 1857(II) Diciembre 1858(IV) 18 30 48 - 1
Octubre 1860(III) Junio 1861(III) 8 22 30 40 2
Abril 1865(I) Diciembre 1867(I) 32 46 78 54 3
Junio 1869(II) Diciembre 1870(IV) 18 18 36 50 4
Octubre 1873(III) Marzo 1879(I) 65 34 99 52 5
Marzo 1882(I) Mayo 1885(II) 38 36 74 101 6
Marzo 1887(II) Abril 1888(I) 13 22 35 60 7
Julo 1890(III) Mayo 1891(II) 10 27 37 40 8
Enero 1893(I) Junio 1894(II) 17 20 37 30 9
Diciembre 1895(IV) Junio 1897(II) 18 18 36 35 10
Junio 1899(III) Diciembre 1900(IV) 18 24 42 42 11
Septiembre 1902(IV) Agosto 1904(III) 23 21 44 39 12
Mayo 1907(II) Junio 1908(II) 13 33 46 56 13
Enero 1910(I) Enero 1912(IV) 24 19 43 32 14
Enero 1913(I) Diciembre 1914(IV) 23 12 35 36 15
Agosto 1918(III) Marzo 1919(I) 7 44 51 67 16
Enero 1920(I) Julio 1921 (III) 18 10 28 17 17
Mayo 1923(II) Julio 1924(III) 14 22 36 40 18
Octubre 1926(III) Noviembre 1927(IV) 13 27 40 41 19
Agosto 1929(III) Marzo 1933 (I) 43 21 64 34 20
Mayo 1937(II) Junio 1938(II) 13 50 63 93 21
Febrero 1945(I) Octubre 1945(IV) 8 80 88 93 22
Noviembre 1948(IV) Octubre 1949(IV) 11 37 48 45 23
Julio 1953(II) Mayo 1954(II) 10 45 55 56 24
Agosto 1957(III) Abril 1958(II) 8 39 47 49 25
Abril 1960 (II) Febrero 1961(I) 10 24 34 32 26
Diciembre 1969(IV) Noviembre 1970(IV) 11 106 117 116 27
Noviembre 1973(IV) Marzo 1975(I) 16 36 52 47 28
Enero 1980(I) Julio 1980(III) 6 58 64 74 29
Julio 1981(III) Noviembre 1982(IV) 16 12 28 18 30
Julio 1990(III) Marzo 1991(I) 8 92 100 108 31
Marzo 2001(I) Noviembre 2001(IV) 8 120 128 128 32
Diciembre 2007(IV) Junio 2009(II) 18 73 91 81 33
Promedio, todos los ciclos
1854-2009 17.5 38.7 56.4 56.2 33
1854-1919 21.6 26.6 48.9 48.2 16
1919-1945 18.2 35.0 53.0 53.2 6
1945-2009 11.1 58.4 68.5 69.5 11
Fuente: National Bureau of Economic Research. Consultado en diciembre de 2017.

2.3. Los hechos estilizados de los ciclos
En general, los ciclos económicos no exhiben un comportamiento regular que permita su pre-
dicción. Como se observó en los gráficos de los ciclos y la cronologı́a para Estados Unidos, éste
componente es variable. Se pueden mencionar tres aspectos:
Periodicidad: no presentan una regularidad en cuanto al tiempo promedio de una ex-

pansión o una contracción.
Duración: la duración de un ciclo económico es variable en el tiempo, desde ciclos muy
cortos(poco más de un año) a ciclos largos (hasta 12 años).
Profundidad: la amplitud de los ciclos es variable, algunas veces las contracciones o
expansiones son mas profundas o elevadas que otras.
Para caracterizar los hechos estilizados de los ciclos económicos, por lo general se determinan
cuatro tipos de estadı́sticos, los cuales permiten determinar la volatilidad de los ciclo, las corre-
laciones de las variables con otra variable benchmarck y la persistencia de los ciclos;
Volatilidad: este indicador se captura mediante la desviación estándar del ciclo de una
variable, x, respecto al ciclo del producto, y, σx /σy . El umbral para establecer si una
variable presenta alta o baja varianza respecto al PIB es 1.
Correlación estática: este estadı́stico se captura a través del coeficiente de correlación
de una variable respecto al producto, corr(xt , yt ), en un momento del tiempo, razón por la
que se conoce como coeficientes de correlación estática o contemporánea. Este estadı́stico
puede tomar tres valores posibles. Primero, cuando corr(xt , yt ) = 0 se dice que la variable
xt es acı́clica respecto a yt , segundo, cuando corr(xt , yt ) > 0 entonces se dice que xt es
procı́clica con yt , es decir experimentan movimientos en una misma dirección, finalmente,
si corr(xt , yt ) < 0, entonces la variable xt experimenta una dirección contraria a yt , por
ello se dice que xt es contracı́clica a yt .
Correlación dinámica: este indicador juega un papel similar al anterior criterio, con la
diferencia de que captura los desfaces temporales de la variable x respecto a y, es decir,
corr(yt , xt+i ), i = {0, ±1, ±2, ±3, . . . , ±n}, siendo n ∈ N un número suficiente que permita
capturar estos movimientos dinámicos. Este indicador es sumamente importante por que
permite determinar si la variables es; adelantada, rezagada o contemporánea. El primer
caso sucede cuando la variable xt se adelante en el movimiento a yt , por ello, se conoce
como variable lı́der. En el segundo caso, es rezagada por que la variable ocurre después
de haber ocurrido yt . En el tercer caso, la variable xt es contemporánea o coincide con yt
cuando cambian juntos.
Persistencia: este indicador se captura mediante el coeficiente de autocorrelación de
primer orden, corr(xt , xt+1 ), que sugiere la inercia del proceso estocástico, es decir el
efecto que tiene los valores pasados de una variable sobre el comportamiento del futuro
sobre sı́ misma.

Los datos usados en esta sección provienen de la Federal Reserve Bank of St. Louis de los Estados
Unidos en frecuencia trimestral desde el primer trimestre de 1947 hasta el cuarto trimestre de
2016, con una observación total de 288 trimestres (70 años). Antes de estimar el componente
cı́clico, cabe mencionar que las variables están libres de factores estacionales y posteriormente se
aplica el operador logaritmo natural, excepto las que están expresadas en tasas, de modo que los
resultados se puedan interpretar como desviaciones porcentuales de la tendencia. Se examinan
los comovimientos de todas las series comparando con el PIB real. Tal como señala Stock and
Watson (1999), el ciclo económico se define técnicamente como covariantes en muchos sectores y
series, las fluctuaciones en el producto agregado constituye el núcleo del ciclo económico, por lo
que el componente cı́clico del PIB real es un proxy útil para estudiar el ciclo económico general.
En las Figuras 2.13 se muestran los comportamientos de los ciclos de las variables macroeconómi-
cas que representan los cuatro sectores que generalmente se estudian en los modelos de equilibrio
general dinámico estocástico, a saber; sector real, sector fiscal, sector monetario y financiero y
sector externo. En cuanto a las variables del sector real se puede mencionar que el consumo,
el nivel de empleo y la productividad total factorial al parecer presentan una alta correlación
y una volatilidad similar al del producto, que oscila en el intervalo -6 % a 5 %, en cambio, la
inversión, tasa de desempleo y la capacidad de utilización del capital experimentan una alta
volatilidad que el producto. La inversión, por ejemplo, fluctúa en un intervalo de ±25 %. En
cuanto al sector fiscal, el gasto del gobierno al parecer experimenta un movimiento contrario
al producto con una volatilidad mayor que el producto, sin embargo, los impuestos recauda-
dos por el gobierno presentan una alta fluctuación al igual que la tasa de rendimiento de los
bonos gubernamentales en un intervalo de más o menos 30 %. En cuanto al sector externo, el
movimiento de la deuda externa no es posible de identificar con claridad. Las exportaciones y
las importaciones presentan una alta varianza, lo mismo que el precio del petróleo y la tasa de
cambio efectivo del dólar. Finalmente, en cuanto al sector monetario y financiero, se observa que
los créditos experimentan movimientos en la misma dirección que el producto, y que el agregado
monetario M2 y la tasa de inflación al parecer en sentido contrario.
Otra forma de examinar los ciclos en términos gráficos, es la dirección en la que se mueven
las variables. En las figuras 2.14 se esbozan las nubes de puntos de los ciclos de las variables
macroeconómicas con relación al ciclo del producto. Se observan diferentes comportamientos, en
algunos casos presentan una evidente correlación lineal positiva, por ejemplo el consumo con el
producto, y en algunos casos una relación negativa, como la tasa de desempleo con el producto.
Si bien el análisis exploratorio ayuda a comprender a cerca de los movimientos cı́clicos de las
variables en comparación con el producto, esto se puede formalizar y su análisis es mucho más
riguroso cuando se estiman los indicadores estadı́stico. En el Cuadro 2.2 se presentan éstos
resultados. Con base en este cuadro podemos mencionar los siguientes hechos estilizados:
- El consumo y la inversión son procı́clicos contemporáneos con persistencia significativa. El

consumo es poco volátil que la inversión.
- La inversión es procı́clico contemporánea y altamente volátil que el producto con persistencia

significativa.

- el gasto de gobierno es acı́clica y con una volatilidad alta y muy persistente.
- Las exportaciones e importaciones son procı́clicos rezagada y contemporánea respectivamente

y altamente fluctuante respecto al producto.
- El nivel de empleo es procı́clio rezagada y poco volátil. En cambio la tasa de desempleo es

altamente volátil y es contracı́clico adelantada.
- El ı́ndice de precio al consumidor se puede considerar como acı́clico y poco volátil.
- Ası́ mismo, los depósitos son acı́clicos pero altamente volátil.
- Los créditos son procı́clicos rezagadas, volatilidad mayor en comparación del producto y una
persistencia significativa.
- El agregado monetario M2 es acı́clico y poco volátil.
- La productividad total de factores es procı́clico contemporáneo y posee una baja volatilidad.
- La tasa de rendimiento de los bonos del gobierno es acı́clica pero altamente volátil.
- La tasa de cambio efectivo del dólar es acı́clica pero altamente volátil.
- El precio del petróleo por barril WTI es acı́clica pero altamente volátil.
- La tasa de capacidad de utilización del capital es procı́clico contemporánea.
- Los impuestos recaudados por el gobierno (ingresos fiscales) es procı́clico contemporánea y

altamente volátil.
- Finalmente, la deuda externa pública es acı́clica.
En general se puede mencionar que el sector real de la economı́a están altamente correlaciones
con el producto y exhiben volatilidades similares, excepto la inversión y la tasa de desempleo.
Ası́ mismo, el sector fiscal tiene un comportamiento acı́clico, excepto los impuestos, al igual que
el sector externo, exhibe un comportamiento acı́clico (excepto el comercio exterior). Este último
caso se debe a que la economı́a es considerada como grande y desarrollada, por ello los factores
externos no tienen un influencia significativa sobre el comportamiento del producto. En cuanto
al sector financiero se puede señalar que los créditos tienen una correlación importante con el
producto.

Figura 2.14: Ciclos económicos, 1947Q1-2016Q4

6% 30% 4%
4%
20% 2%
2%
10% 0%
0%
0% -2%
-2%
-10% -4%
-4%
-20% -6%
-6% Producto Producto Producto
Consumo Inversion Empleo
-8% -30% -8%
1950 1960 1970 1980 1990 2000 2010 1950 1960 1970 1980 1990 2000 2010 1950 1960 1970 1980 1990 2000 2010
15% 50%
20%
40%
10%
30%
10%
5%
20%
0% 0% 10%
0%
-5%
-10% -10%
-10%
-20%
-15% Producto -20% Producto

Producto -30%
Gasto del Gobierno Tasa de desempleo
Impuestos Recibidos por el Gobierno -40%
-20%
1950 1960 1970 1980 1990 2000 2010 -30% 1950 1960 1970 1980 1990 2000 2010
1950 1960 1970 1980 1990 2000 2010
20% 15% 6%
15% 10%
4%
10% 5%
2%
5% 0%
0%
0% -5%
-2%
-5% -10%
-4%
-10% -15%
-15% Producto -20% Producto -6% Producto

Exportaciones Importaciones Deuda Externa publica
-20% -25% -8%
1950 1960 1970 1980 1990 2000 2010 1950 1960 1970 1980 1990 2000 2010 1950 1960 1970 1980 1990 2000 2010
4% 8%
4%
6%
2% 2%
4%
0% 0%
2%
-2% 0%
-2%
-2%
-4% -4%
-4%
-6% -6% Producto

Producto Producto -6%
Agregado Monetario M2 Credito
Indice de Precios al Consumidor
-8% -8%
-8%
1950 1960 1970 1980 1990 2000 2010 1950 1960 1970 1980 1990 2000 2010
1950 1960 1970 1980 1990 2000 2010

Figura 2.15: Dispersión de los ciclos, 1947Q1-2016Q4. (En porcentajes)
5 30 3
4
20 2
3
1
2 10
Inversion
Consumo
Empleo
1 0
0
0 -1
-1 -10
-2
-2
-20 -3
-3
-4 -30 -4
-8 -6 -4 -2 0 2 4 -8 -6 -4 -2 0 2 4 -8 -6 -4 -2 0 2 4
Producto Producto Producto
50
15 20
40
Impuestos recibidos por el gobierno
10 30
10
Tasa de desempleo
20
Gasto del gobierno
5
0 10
0
0
-5 -10 -10
-10 -20
-20 -30
-15
-40
-20 -30 -8 -6 -4 -2 0 2 4
-8 -6 -4 -2 0 2 4 -8 -6 -4 -2 0 2 4
Producto
Producto Producto
6
20 15
4
15 10
Deuda externa publica
10 5 2
Importaciones
Exportaciones
5 0 0
0 -5 -2
-5 -10
-4
-10 -15
-6
-15 -20
-8
-20 -25 -8 -6 -4 -2 0 2 4
-8 -6 -4 -2 0 2 4 -8 -6 -4 -2 0 2 4
Producto
Producto Producto
8
4 4
3
˝ndice de precios al consumidor
3 6
Agregado monetario M2
2
2
4
1
1
CrØditos
0 2
0
-1
-1 0
-2
-2 -3 -2
-3 -4
-4
-4 -5
-8 -6 -4 -2 0 2 4
-8 -6 -4 -2 0 2 4 -8 -6 -4 -2 0 2 4
Producto
Producto Producto

Cuadro 2.2: Momentos estadı́sticos de los ciclos económicos
Volatilidad Correlación estática Correlación dinámica , corr(yt , xt+i ) Persistencia

Variables σx
σy ; σx corr(x, y) t−3 t−2 t−1 t t+1 t+2 t+3 ρ
σy
Producción 1.62 1.00 - - - - - - - - 0.85
Consumo 1.25 0.77 0.7705 0.4742 0.6458 0.7617 0.7705 0.5995 0.3699 0.1233 0.82
Inversión 7.41 4.58 0.8368 0.3388 0.5636 0.7450 0.8368 0.6558 0.4035 0.1342 0.80
Gasto de gobierno 3.30 2.04 0.1544 -0.0894 -0.0438 0.0368 0.1544 0.2376 0.3032 0.3459 0.91
Exportaciones 5.37 3.32 0.4179 -0.0725 0.0388 0.2319 0.4179 0.5103 0.5045 0.4556 0.72
Importaciones 5.05 3.13 0.7110 0.2912 0.4554 0.6308 0.7110 0.6443 0.4301 0.1866 0.73
Empleo 1.05 0.65 0.7856 0.1083 0.3487 0.5995 0.7856 0.8372 0.7476 0.5928 0.89
Tasa de desempleo 14.16 8.76 -0.3193 -0.8795 -0.7596 -0.5521 -0.3193 -0.1173 0.0237 0.1314 0.89
Índice de precios al consumidor 0.91 0.57 -0.1688 -0.4546 -0.3714 -0.2699 -0.1688 -0.0442 0.0605 0.1197 0.90
CAPÍTULO 2. CICLOS ECONÓMICOS: LOS DATOS
Depósitos 9.01 5.57 -0.1001 0.2128 0.1596 0.0857 -0.1001 -0.3438 -0.5186 -0.5744 0.74
Créditos 3.09 1.91 0.4728 -0.0794 0.1213 0.3120 0.4728 0.6095 0.6677 0.6284 0.90
Agregado monetario M2 1.33 0.83 0.1678 0.3661 0.3544 0.2804 0.1678 0.0596 -0.0179 -0.0818 0.87
Productividad total de factores 1.21 0.75 0.8921 0.4604 0.6744 0.8270 0.8921 0.6248 0.3272 0.0296 0.79
ALEJANDRO TORRES
Tasa de rendimiento bonos del gobierno 10.61 6.56 0.1583 -0.1861 -0.0858 0.0579 0.1583 0.1627 0.1211 0.0943 0.75
Tasa de cambio efectivo del dólar 3.98 2.46 -0.1792 -0.0156 -0.0977 -0.1465 -0.1792 -0.2004 -0.2039 -0.2029 0.84
∼
Precio del petróleo /barrill WTI 16.24 10.05 -0.0651 -0.2603 -0.2123 -0.1404 -0.0651 -0.0652 0.0407 0.1015 0.73
Capacidad de utilización del capital 3.19 1.97 0.8715 0.4310 0.6115 0.7813 0.8715 0.7976 0.6329 0.4198 0.90
Impuestos recibidos por el gobierno 6.95 4.30 0.6928 0.1657 0.3879 0.5726 0.6928 0.6578 0.5347 0.3660 0.82
Deuda externa pública 2.15 1.33 -0.0043 0.4451 0.3421 0.1706 -0.0043 -0.1674 -0.3141 -0.4442 0.85
Fuente: elaboración con datos de Federal Reserve Bank of St. Louis
ALFREDO VILLCA
Se debe mencionar que la desviación estándar viene expresado en porcentajes. Por ejemplo, la producción tiene una desviación
estándar de 1,62 %, el consumo 1,25 % y ası́ sucesivamente.
Descripción de los datos: Los componentes de demanda agregado, el nivel de empleo civil, la tasa de desempleo, el ı́ndice de
precios al consumidor y el agregado monetario M2 adoptan las definiciones convencionales. En cuanto a los depósitos,
corresponde al total de los ahorros en todas las instituciones bancarias. Los créditos corresponden a los préstamos otorgados
por el sistema bancario al sector privado no financiero tanto residentes como no residentes. La productividad total de factores
como un residuo de Solow. La tasa de rendimiento de los bonos gubernamentales corresponde a largo plazo, con vencimiento a
10 años. La tasa de cambio efectivo del dólar es un ı́ndice (enero de 1997 = 100) ponderado del dólares estadounidenses con los
paı́ses socios comerciales más representativas. La capacidad de utilización de la industria corresponde al porcentaje de capital
utilizado con respecto al total disponible.
31
Otra forma de visualizar los coeficientes de correlación dinámica es mediante un gráfico. En

las Figuras 2.15 y 2.16 se ilustran lo mencionado. Las curvas dividen el plazo cartesiano en
4 cuadrantes. La interpretación es que las curvas por encima del eje horizontal (dado por 0)
corresponden a las variables que presentan una correlación positiva con el producto (variables
procı́clicas) y por debajo de cero corresponden a las variables correlacionados negativamente
(contracı́clicas). A la izquierda del eje Y (dado por t) corresponden a las variables que presentan
una correlación adelantada y a la derecha las variables rezagadas. Por ejemplo, el máximo
coeficiente de correlación, en valor absoluto, entre el consumo y el producto se encuentra encima
del eje horizontal y en el eje vertical, es decir en t, por ello se dice que el consumo es una variable
procı́clica contemporánea. De igual manera sucede con la inversión, impuestos recaudados por
el gobierno, productividad total factorial, capacidad de utilización e importaciones. En el caso
de las exportaciones al parecer es rezaga en dos trimestres y la tasa de desempleo adelantada
en tres trimestres.
En la Figura 2.16 las relaciones no son tan claras, particularmente en el caso de la deuda externa
pública cuyas correlaciones máximas es ± 44 %. En el caso del crédito otorgado por el sistema
financiero al sector privado no financiero es procı́clica y rezagada en dos trimestres.
Figura 2.16: Coeficientes de correlación dinámica, 1947Q1-2016Q4

Figura 2.17: Coeficientes de correlación dinámica, 1947Q1-2016Q4
2.4. Problemas de aplicación

1. Considere a Colombia y elija un paı́s cualquiera. Recopilar información estadı́stica de las
variables que se señalan a continuación;
Sector real: Producto, Consumo, Inversión, nivel de empleo y tasa de desempleo.

Sector monetario y financiero: Índice de Precios al Consumidor, deflactor implı́cito
del PIB, Depósito, Créditos, tasa de interés activa y agregado monetario M2.
Sector fiscal: Gasto del gobierno
Sector externo: Exportaciones, Importaciones y Deuda Externa Pública.
Los datos deben estar en frecuencia trimestral (mı́nimo de 20 años) y desestacionalizados,

caso contrario desestacionalizar usando el método X12-ARIMA y luego aplicar logaritmos
a las variables.
a) (Filtro de Hodrick-Prescott). Extraer el componente tendencial de las series tempo-

rales y estimar el componente cı́clico. En un gráfico, comparar el ciclo del PIB de
ambos paı́ses ¿qué se puede decir a partir de este gráfico?, ¿tienen comportamientos
similares?. Esbozar unos gráficos de los ciclos del resto de las variables comparando
con el ciclo del producto.

b) (Volatilidad). Determinar la volatilidad del ciclo del producto, σ(y) y del resto de las
variables macroeconómicas σ(x) y determine σ(x)/σ(y). A partir de éstos indicadores
qué puede concluir a cerca de la volatilidad de los ciclos?
c) (Correlación). Determinar los coeficientes de correlación estática, corr(y, x), y las
correlaciones dinámicas, corr(yt , xt+i ), i = {−5, −4, ..., +4, +5}, y señalar si las va-
riables xt son procı́clicas, contracı́clicas, acı́clicas, adelantadas, rezagas o contem-
poráneas respecto a yt .
d) (Persistencia). Para establecer si los ciclos presentan o no persistencia, calcular los
coeficientes de autocorrelación de primer orden corr(xt , xt−1 ).
e) (Tendencia estocástica). Estimar el componente cı́clico usando la técnica de tendencia
estocástica. Esbozar unos gráficos solamente para el PIB y compárelo con el filtro
HP, para ambos paı́ses.
f) Escribir un informe técnico de la solución a los ejercicios propuestos, en la que se
presente gráficos, cuadros y otros (que crea conveniente) con sus respectivas inter-
pretaciones. ¿Qué conclusiones puede obtener a cerca de los ciclos económicos en
Colombia?, ¿éstos son los hechos estilizados en Colombia y son consistentes con
otros estudios? ¿Cuántos métodos conoce para determinar el componente cı́clico de
las variables? Exponga las virtudes y deficiencias de cada método.

Capı́tulo 3
Fundamentos de los modelos de

equilibrio general
En este capı́tulo se estudia los fundamentos del modelo RBC. En la primera sección se expone
su naturaleza, en la siguiente sección se analiza el modelo de Solow tanto en la versión deter-
minı́stica como en la versión estocástica y finalmente se estudia el modelo de Ramsey. Estos
modelos permiten comprender elementos importantes que se utilizan en los modelos de equilibrio
general, como estado estacionario, estabilidad dinámica y dinámica de transición que muestra
cómo las variables se ajustan hacia el estado estable.
3.1. La naturaleza de los modelos RBC
Los modelos RBC son un tipo de modelos que estudian los efectos de los shocks de tecnologı́a
sobre las variables macroeconómicas. Para la construcción de este tipo de modelos se requieren la
comprensión de dos elementos sumamente importantes. La estructura y los agentes. En cuanto
a la estructura, es fundamental establecer las formas funcionales que gobiernan un determinado
comportamiento bajo los supuestos que se consideren necesarios, en general, está compuesto
por tres elementos; Primero, preferencias de los agentes, que se refiere al objetivo de los agentes
que intervienen en la economı́a. Por ejemplo, las familias tienen el objetivo de maximizar una
función de utilidad intertemporal, las firmas el de maximizar una función de beneficios, el banco
central el de minimizar una función de pérdida de bienestar social, etc. Segundo, tecnologı́a de
producción, esta se refiere a la forma en que se transforman los factores productivos en bienes
y servicios, tercero, el tipo de mercado, que puede ser de competencia perfecta o competencia
imperfecta.
En cuanto a los agentes que intervienen en la economı́a, es importante identificar el número

de agentes que interactúan. En la práctica existen múltiples agentes los cuales están muy re-
lacionados y este aspecto hace complejo para la modelación. Sin embargo, los modelos RBC
estándar consideran sólo dos agentes; familias y firmas. Los modelos mas sofisticados incluyen
CAPÍTULO 3. FUNDAMENTOS DE LOS MODELOS DE EQUILIBRIO GENERAL 36
otros agentes como el Banco Central, el Gobierno, el sistema financiero, etc, los cuales tienen
objetivos particulares.
Por otro lado, los métodos que existen para resolver los modelos RBC son dos; método cen-
tralizado y método descentralizado. En el primer caso se supone que existe un solo agente,
llamado agente central o agente representativo, racional y con información completa que actúa
simultáneamente como consumidor y productor. El método descentralizado supone que las fa-
milias y productores actúan en forma independiente en busca de cumplir objetivos particulares
e intercambian bienes y servicios en mercados competitivos.
Los modelos RBC se sustentan en los modelos de crecimiento noeclásico de Solow y Ramsey
debido a que estos proporcionan elementos importantes, tales como estado estacionario, estabi-
lidad dinámica, maximización de utilidad intertemporal. En sı́ntesis los modelos RBC estudia
las propiedades estocásticas del modelo neoclásico. Este elemento estocástico proviene de la pro-
ductividad total factorial o tecnologı́a. Por ello es fundamental estudiar el modelo neoclásico.
3.2. El modelo de Solow determinı́stico
En sus artı́culos seminales, Solow (1956, 1957) propone un modelo que busca explicar los factores
que determinan el crecimiento económico (es decir, la variación del producto en el tiempo) de
una economı́a cerrada y sin gobierno. En general (Figura 1), el modelo parte por suponer que la
economı́a produce utilizando como factores de producción el capital y trabajo que, en conjunto
con una tecnologı́a pre-establecida, arrojan un nivel de producción especı́fico. Este producto es
distribuido a las familias tomando en cuenta las respectivas remuneraciones a los factores de
producción. Ahora bien, al asumir que la función de producción presenta rendimientos constantes
a escala y que los factores de producción son propiedad de las familias, se concluye que la
producción y la renta son iguales. Las familias destinan una proporción constante de sus ingresos
al consumo, mientras el resto es dedicado al ahorro.
El componente dinámico está asociado a las decisiones de inversión de las empresas para el próxi-
mo perı́odo. Es decir, una vez finalizado el proceso de producción, los empresarios determinan en
cuanto aumentarán el capital por trabajador para el próximo perı́odo (inversión neta), después
de cubrir los costos de depreciación (inversión bruta). Por identidad macroeconómica, el ahorro
y la inversión son iguales, de tal forma que las posibilidades de inversión están completamente
condicionadas a la capacidad de ahorro.
Finalmente, después de incorporar el nuevo capital a la producción, las empresas inician nue-
vamente su proceso productivo. Al poseer un mayor capital por trabajador en este proceso
respecto al perı́odo anterior, su nivel de producción será igualmente mayor, lo que implica que
la economı́a experimentó un proceso de crecimiento económico.
Si bien la capacidad de sintetizar de manera tan simple y elegante el proceso de producción

agregada es una de las principales bondades de este modelo, la conclusión realmente interesante
es que el proceso de crecimiento económico que en principio parece automático e infinito, no lo es.

Figura 3.1: Ciclo del modelo de Solow
En efecto, la conclusión del modelo es que el crecimiento económico tiene lı́mites si la economı́a
sólo se dedica a acumular capital. Es en este punto donde concluye que sólo el progreso técnico
puede explicar las dinámicas de crecimiento económico de largo plazo.
Formalmente, suponiendo una economı́a cerrada y sin gobierno, la identidad macroecónomica

puede escribirse de la siguiente manera:
Yt = Ct + It (3.1)
Donde el lado derecho representa la determinación del producto por el lado de la oferta (pro-
ducción) y el izquierdo los usos del producto (demanda). Podemos entonces analizar los deter-
minantes de cada uno de estos agregados a fin de conocer la evolución del producto.
Por el lado de la oferta, la producción agregada se encuentra explicada por una función de
producción cuyos argumentos son el capital, trabajo y la tecnologı́a, la cual se expresa a partir de
un coeficiente conocido como la productividad total factorial. Es importante notar que, desde la
economı́a, la tecnologı́a puede entenderse como un factor de proporcionalidad que indica, dados
un nivel de capital y trabajo usados, cuanta producción puede obtenerse. De la misma forma,
el progreso técnico puede entenderse como un aumento en este factor de proporcionalidad, lo
que indica que la economı́a está en capacidad de aumentar su nivel de producción utilizando los
mismos factores productivos o que puede mantener el mismo nivel de producción usando una
cantidad menor de recursos. De esta forma, la función de producción puede expresarse como:
Yt = F (Kt , Lt , At ) (3.2)
La función de producción (3.2) posee una serie de propiedades fundamentales que permite
garantizar la existencia de un estado estable, de tal manera que se conoce como una función de

producción neoclásica1 .
Por el lado de la demanda, la primera variable a considerar es el consumo. Después de recibir

sus ingresos, las familias deben decidir cuanto consumir y ahorrar, para lo cual se supone que
poseen de manera predeterminada una proporción marginal hacia el ahorro (0 < s < 1) y, por
complemento, al consumo. De esta forma, ambas variables pueden expresarse como:
Ct = (1 − s)Yt (3.3)
St = sYt (3.4)
Respecto a la inversión, se asume que una proporción constante de capital se deprecia en cada
perı́odo, de tal forma que la depreciación total es:
Dt = δKt (3.5)
Donde δ ∈ [0, 1] es la tasa de depreciación. De esta forma, la inversión total (bruta) se destina,
en primer lugar, a cubrir la depreciación del perı́odo y, en segundo lugar, a aumentar el stock
de capital a usarse en el próximo perı́odo (inversión neta):
K̇t = It − Dt (3.6)
Donde, utilizando la notación convencional en la literatura, K̇t es el aumento infinitesimal del
stock de capital en el tiempo2 . Finalmente, para incluir crecimiento poblacional se supondrá que
crece a una tasa constante en cada perı́odo igual a 0 ≤ n < 1. Esto nos permitirá reexpresar las
variables agregadas en términos per cápita.
Para cerrar el modelo y obtener la dinámica del producto y sus determinantes, reemplazamos
(3.2), (3.3), (3.5) y (3.6) en (3.1):
F (Kt , Lt , At ) = (1 − s)F (Kt , Lt , At ) + K̇t + Dt
Simplificando, se obtiene el movimiento del capital agregado:
K̇t = sF (Kt , Lt , At ) − Dt
Ahora, dividiendo por Lt se transforman las variables agregadas en términos per capita:
K̇t F (Kt , Lt , At ) Dt
=s − (3.7)
Lt Lt Lt
Tomando en cuenta la propiedad de homogeneidad de la función de producción y el hecho de
que la tecnologı́a es un bien no rival, la función de producción puede reescribirse como:

F (Kt , Lt , At ) Kt Lt
=F , , At = f (kt , At ) (3.8)
Lt Lt Lt
1
Concretamente, la función de producción presenta: i) rendimientos constantes a escala, matemáticamente
implica homogeneidad de grado 1, F (λKt , λLt , At ) = λYt , ∀ λ > 0, ii) rendimientos marginales decrecientes
dY d2 Y dY d2 Y dY dY
dK > 0, dK 2 < 0, dL > 0, dL2 < 0 y iii) satisface las condiciones de Inada lı́m dK = ∞, lı́m dK =
K→0 K→∞
dY dY
0, lı́m = ∞, lı́m = 0. Adicionalmente, cumple la propiedad de escencialidad F (0, Lt ) = F (Kt , 0) = 0
L→0 dL L→∞ dL
2
En general, cualquier variable denotada con un punto en la parte superior indica la derivada de esta variable
respecto al tiempo

Donde kt = K t
Lt
es la relación capital/trabajo y partiendo de esta definición podemos encontrar
una expresión equivalente para K̇t /Lt :

d Kt Lt K̇t − Kt L̇t K̇t Kt L̇t K̇t
k̇t = = 2
= − = − nkt
dt Lt Lt Lt Lt Lt Lt
Reescribiendo, se obtiene:
K̇t
= k̇t − nkt (3.9)
Lt
Finalmente, reemplazando (3.8) y (3.9) en (3.7), obtenemos la ecuación fundamental del modelo
de Solow:
k̇t = sf (kt , At ) − (δ + n)kt (3.10)
Si asumimos una función de producción tipo Cobb-Douglas, Yt = At Ktα L1−α t , siendo α la elas-
ticidad capital sobre el producto, entonces la expresión (3.10) puede escribirse como:
k̇t = sAt ktα − (δ + n)kt (3.11)
La ecuación fundamental del modelo de Solow es una ecuación diferencial no lineal de primer
orden que muestra la evolución de la relación capital/trabajo en el tiempo. El stock de capital
por trabajador aumenta en cada perı́odo gracias al ahorro per cápita, el cual es utilizado además
para reponer la depreciación del capital y el crecimiento poblacional que lo afectan de manera
negativa. Siempre que el ahorro exceda este valor la economı́a contará con un mayor capital por
trabajador en su proceso de producción del próximo perı́odo3 . Es importante destacar que todas
las variables de interés del modelo se encuentran en función de la relación capital-trabajo, de
tal forma que el conocimiento sobre la evolución de esta variable es suficiente para comprender
la dinámica del resto de las variables, como el producto, consumo y el ahorro.
a) El estado estacionario y el papel de la tecnologı́a
En principio, el modelo de Solow sugiere que el aumento en la acumulación de capital por

trabajador genera un proceso de crecimiento económico sostenido, en el que el mayor capital va
acompañado de mayor producción y ahorro. Sin embargo, la gran “ sorpresa” del modelo entre
sus conclusiones es que la existencia de rendimientos marginales decrecientes en los factores
de producción limita esta posibilidad ya que la productividad marginal de capital cada vez
es menor, llegando a un punto en que los nuevos niveles de ahorro sólo son suficientes para
mantener un nivel constante de producción. Es decir, el crecimiento económico tiene un lı́mite,
punto conocido como el estado estacionario.
3
Estrictamente al ser esta una ecuación diferencial las variaciones implicadas en cada variable son infinite-
simales. Sin embargo, con el fin de dar una mejor interpretación se habla de perı́odos discretos, lo que es mas
cercano a una ecuación en diferencias

Figura 3.2: Modelo de Solow: Estado estacionario
Fuente: Elaboración con base en Barro y Sala i Martin (2004)
Formalmente, el estado estacionario es una situación en la cual las variables per capita crecen
a una tasa constante, que puede ser cero. Haciendo que k̇t = 0 en (3.11), se obtiene el valor de
la relación capital-trabajo en estado estacionario:
1
sA 1 − α
kss = (3.12)
δ+n
Como se muestra en la Figura (3.2), una vez determinado el nivel de capital por trabajador de
estado estacionario, es posible conocer el valor de las demás variables. Es igualmente posible
conocer la dinámica de sus tasas de crecimiento tomando en cuenta que podemos definir la
tasa de crecimiento de la variable x como γx = ẋ/x. Ası́, utilizando (3.11), podemos obtener la
dinámica para la relación capital/trabajo:
k̇t sA
γk = = 1−α − (δ + n)
k kt
Es posible obtener igualmente la tasa de crecimiento de otras variables en estado estacionario,
por ejemplo, en el caso del producto per capita, podemos hacer uso de la función de producción,
tomar logaritmos y posteriormente diferenciar respecto al tiempo, ası́:
Ȧ k̇
γy =+ α = γA + αγk
A k
Como puede verse, la tasa de crecimiento del producto en estado estacionario es cero, como
ocurre en general para todas las variables per capita. Ahora bien, a nivel agregado, la tasa de

crecimiento de las distintas variables es igual a la tasa de crecimiento poblacional. Para ver esto
en el caso del capital, por ejemplo, podemos reescribir el capital como:
Kt = kt Lt
Tomando logaritmo natural a ambos lados y diferenciando respecto al tiempo, tenemos que:
ln(Kt ) = ln(kt ) + ln(Lt ) ⇒
d K̇t
= = γK = γk + γL
dt Kt
∗
donde en estado estacionario se cumple que γK = γk∗ + γL∗ = n. Usando un procedimiento similar
puede demostrarse el mismo resultado para las demás variables de interés.
b) Modelo ampliado con progreso tecnológico
El modelo de Solow predice que la economı́a converge de manera estable hacia su nivel de es-
tado estacionario, siendo esta la primera conclusión de la teorı́a del crecimiento noeclásico. Ası́
mismo, predice que no es posible generar crecimiento sostenido en el largo plazo simplemente
impulsando la acumulación de capital fı́sico por trabajador, bien sea por medio del aumento
de la tasa de ahorro o la disminución de la tasa de crecimiento poblacional, en cuyo caso la
economı́a experimenta un efecto nivel pero no un efecto crecimiento. Desde esta perspectiva, la
única explicación plausible para la existencia de economı́as con tasas de crecimiento positivas
y sostenidas como se observa en los datos está asociada a su capacidad para mejorar la pro-
ductividad de sus factores de producción a través del progreso tecnológico. Una manera sencilla
incorporar el progreso tecnológico y evaluar sus efectos sobre el modelo, es suponer que esta se
encuentra ligada al factor trabajo, de tal manera que en cada perı́odo el trabajo total aumenta
debido al crecimiento poblacional, pero además por la mejora en su productividad (eficiencia).
De esta forma, la función de producción agregada se escribe ahora como:
Yt = F (Kt , At Lt ) (3.13)
Donde L̃ = Lt At es el trabajo en unidades de eficiencia, y se supone que A crece a una tasa
constante y exógena x. El resto de los supuestos del modelo permanece sin cambios, de tal forma
que la ecuación fundamental del modelo es esencialmente la misma, pero ahora la normalización
debe realizarse en unidades de eficiencia de trabajo. En el caso de la producción, la función de
producción por unidad de eficiencia de trabajo se escribe como:

Yt Kt Lt At
y˜t = =F , = f (k̃t ) (3.14)
Lt At Lt At Lt At
K̃t Kt
Donde k̃t = = es igual a la relación de capital por trabajador en unidades de eficiencia,
L̃t At Lt
notación que se mantiene para el resto de las variables.
Considerando que la inversión neta es la diferente entre la inversión bruta y la inversión de

reposición, K̇t = sF (Kt , At Lt ) − Dt , y dividiendo por L̃t se obtiene:
K̃t
= sf (k̃t ) − δkt (3.15)
L̃t

K̃t
Para encontrar una expresión equivalente para el término L̃t
, podemos reescribirla de esta forma:
d Kt Lt At K̃t − Kt [Lt Ãt + L̃t At ]

( )= =
dt Lt At (Lt At )2
Lt At K̃t − Kt Lt Ãt + Kt L̃t At K̃t Kt Ãt L̃t Kt
= 2
= − − =
(Lt At ) Lt At Lt At At Lt Lt At
K̃t
= k̃t + (n + x)k̃t (3.16)
Lt At
Reemplazando (3.16) en (3.15), se obtiene la ecuación fundamental del modelo:
k̃˙t = sf (k̃t ) − (n + x + δ)k̃t (3.17)

Nótese que las ecuaciones (3.10) y (3.17) son esencialmente las mismas, sin embargo en el
segundo caso la variable de interés es la relación de capital por trabajador en unidades de
eficiencia y la pendiente de la curva de depreciación ahora incluye la tasa de progreso tecnológico.
Dado lo anterior, es fácilmente demostrable que el modelo ampliado posee igualmente un estado
estable donde todas las variables en unidades de eficiencia crecen a una tasa cero. Ahora, una
diferencia importante es cómo se comportan las variables en términos per capita. Para esto,
nótese lo siguiente.
Kt kt
k̃t = =
Lt At At
tomando logaritmos en ambos lados y diferenciando respecto al tiempo, tenemos que:
k̃˙t k̇t Ȧt
γk̃ = = −
k̃t kt At
Lo que implica que para garantizar una tasa de crecimiento de cero en estado estacionario, la
tasa de crecimiento de la relación capital por trabajador debe ser igual a la del progreso técnico.
Es decir, en este caso, las variables per capita crecerán a una tasa positiva y constante en el largo
plazo debido al aumento en la eficiencia del trabajo que elimina los rendimientos marginales
decrecientes.
Aunque la incorporación del progreso técnico aumentativo de trabajo muestra que es posible
explicar la existencia de tasas de crecimiento positivas en el largo plazo, su incorporación pre-
senta algunos problemas conceptuales importantes, como por ejemplo, la razón que motiva a
las empresas para innovar ya que dadas las condiciones de homogeneidad de la función de pro-
ducción no es posible que estas obtengan remuneración por ello. De ahı́ la razón por la cual la
teorı́a del crecimiento a partir de la década de 1980 comenzó a desarrollar modelos alternativos
donde el progreso técnico es endógeno.
3.3. El modelo de Solow estocástico
En la sección anterior se estudió el modelo de Solow en su versión determinı́stica, esto es, el

modelo no considera ningún tipo de perturbaciones estocásticas que afecten el comportamiento

de las variables. La dinámica de las variables se ve afectado por cambios en los parámetros
exógenos, como la tasa de crecimiento poblacional, la tasa de ahorro, la tasa de depreciación
y la tasa de crecimiento tecnológico. Los cambios en los parámetros afectan directamente la
evolución del capital, el crecimiento del capital, y este determina el crecimiento del resto de las
variables. No obstante, la estructura de este modelo se puede usar con el propósito de que el
crecimiento de las variables no sólo sean explicados por cambios en los parámetros si no también
por componentes estocásticos.
Existen al menos tres fuentes que permiten incorporar elementos estocásticos en el modelo; la
lasa de crecimiento tecnológico, tasa de crecimiento de la población y tasa de ahorro. Es decir, se
supone que estos términos ya no son constantes si no que siguen alguna estructura estocástica.
Por ejemplo, Bourguignon (1974) y Merton (1975) desarrollan el modelo Solow en su versión
estocástica suponiendo que la tasa de crecimiento poblacional está explicado por factores que lo
promueven, como la tasa de natalidad o la inmigración y factores que lo inhiben, como la tasa
de mortalidad o emigración, lo que genera incertidumbre a cerca de su evolución. Se supone
que en el modelo original el trabajo sigue la ley determinı́stica L̇t = nLt , con L0 > 0 dado.
Ahora bien, si suponemos que nt = η + σεt , siendo η constante, εt un ruido blanco y σ mide la
intensidad del ruido, entonces podemos deducir que L̇t = (η + σεt )Lt , lo que implica:
dLt = ηLt + σLt dWt
Donde dWt = εt dt se conoce como movimiento Browniano o proceso de Wiener4 . La ecuación an-
terior muestra que en el corto plazo la tasa de crecimiento de la población sigue una distribución
normal con media ηdt y varianza σ 2 dt. Considerando la relación dKt = sF (Kt , Lt )dt − δKt dt y
la ecuación anterior podemos aplicar el Lema de Ito para encontrar una relación equivalente a
(3.10), a partir del cual se obtiene la siguiente ecuación diferencial estocástica:
dkt = skt f (kt ) − (η + δ − σ 2 )kt dt − σkt dWt

De esta manera, la evolución del ratio capital/trabajo no es determinı́stica sino estocástica.
De acuerdo a los objetivos de este documento, nosotros vamos a considerar la primera forma
de incorporar elementos estocásticos al modelo de Solow, es decir se supone que la tasa de
crecimiento tecnológico sigue una estructura estocástica.
El Gráfico 3.3 muestra el comportamiento de la tasa de crecimiento tecnológico inter-trimestral

para los Estados Unidos durante 1948Q2 - 2016Q4. Contrariamente a lo que se supuso, la tasa de
crecimiento tecnológico no es constante, si no que sigue un proceso de naturaleza estocástica con
una desviación estándar de ±0, 9 %, entorno a un valor promedio. De acuerdo a esta observación
es de suponer que el crecimiento tecnológico (x) ahora puede considerarse como un proceso
estocástico con media y varianza constante.
4
Un movimiento Browniano o proceso de Wiener es un tipo de proceso estocástico en tiempo continuo, debido
a Robert Brown y Norbert Wiener que estudiaron éste tipo de procesos. En 1828 Brown observó que granos
de polen suspendidos en una cierta substancia y vistos a través de un microscopio realizaban un movimiento
irregular e inexplicable, cuyas trayectorias eran continuas y que los desplazamientos eran independientes en
intervalos de tiempo disjuntos.

Figura 3.3: EE UU: Tasa de crecimiento tecnológico, 1948Q2 - 2016Q4 (En %)
Fuente: Elaboración con datos de Federal Reserve Bank of St. Louis
Originalmente, se supuso que la evolución de At sigue la estructura At = A0 ext , donde x es la tasa

de crecimiento tecnológico. De acuerdo a la evidencia mostrada anteriormente y por simplicidad
podemos suponer que xt = εt sigue una distribución probabilı́stica con εt ∼ N (0, σ 2 ). De esta
manera la ley que rige la tecnologı́a viene dado por At = A0 eεt , donde A0 es un valor inicial
que podemos suponer el de estado estacionario. Para incorporar este componente en la ecuación
fundamental de Solow, y para fines de simulación, se transforma el modelo expresado en tiempo
continuo a uno en tiempo discreto5 . Para lo cual, sea k̇t ≈ ∆kt+1 = kt+1 − kt , en consecuencia
la ecuación equivalente a (3.11) es el siguiente;
kt+1 = sA0 eεt ktα + (1 − n − δ)kt (3.18)
Esta ecuación es ligeramente diferente al presentado en McCandless (2008), sin embargo la

simulación numérica proveen resultados similares.
3.4. Simulación del modelo
Para efectuar una simulación del modelo de Solow estocástico primero es necesario identificar y
clasificar las variables endógenas, variables exógenas y parámetros. Se supone que las variables
5
Para transformar una variable expresado en tiempo continuo a uno discreto, o viceversa, usamos la siguiente
aproximación ẋt ≈ ∆xt+1

endógenas están expresadas en téminos de unidades por trabajador, además del capital y pro-
ducto se tiene el consumo, ct = (1−s)yt e inversión=ahorro, it = syt . Estas variables agrupamos
en el conjunto xt = {kt , yt , ct , it }. En cambio, el modelo tiene una sola variable exógena, εt . Al
respecto, se pueden efectuar dos tipos de simulaciones. Cuando se quiere analizar los efectos
de las variables ante choques en cada periodo, entonces podemos suponer que, εt , sigue una
distribución normal con media cero y varianza constante, σ 2 , en cambio, para examinar los
efectos del un sólo choque en un periodo determinado entonces podemos suponer que εt tiene
una estructura autorregresiva de primer orden. En cuanto a los parámetros, se identifica que
Φ = {α, s, n, δ}, pero además se debe fijar el valor de σ 2 . Considerando los valores establecidos
en McCandless (2008), se tiene que la participación del capital en el producto, la tasa de ahorro,
la tasa de crecimiento poblacional, la tasa de depreciación y la desviación estándar del choque
son respectivamente, α = 0, 36, s = 0, 20, n = 0, 02, δ = 0, 1 y σ = 0, 01. Para simular el
modelo es importante tener un valor inicial del capital, este valor usualmente es el de estado
estacionario. La expresión de estado estacionario de k está dado por (3.12), en la que se supone
A = A0 = Ass = 1, pero además εt = 0 lo que implica ausencia de perturbaciones.
1
sAss 1−α
kss =
n+δ
Considerando la expresión anterior podemos determinar las expresiones de estado estacionario
del resto de las variables.
α
yss = kss ; css = (1 − s)yss ; iss = syss
En el Gráfico 3,4 se observa la simulación del modelo durante t = 1, 2, ..., 100 periodos. Se
consideró tres tipos de series aleatorias para εjt y para cada una de ellas se genera x(jt),
j = 1, 2, 3 que representa cada tipo de variable aleatoria. En esta simulación se consideró que
cada serie ε1t , ε2t y ε3t sean independientes, y por lo tanto x(jt) son independiente para cada j.
En este caso, cuando εt ∼ N (0, σ 2 ) se dice que la variable tecnologı́a experimenta choques en
cada periodo. Ası́ mismo, la naturaleza del modelo permite observar que estas series artificiales
oscila en torno a su estado estacionario.
Esta simulación estocástica del modelo se puede extender para un conjunto de variables aleato-
rias. En concreto, efectuamos 2000 simulaciones de 100 periodos y obtenemos las distribuciones
de las series tanto para el capital, producto, consumo e inversión. En la Figura 3.5 se observan
las distribuciones de las series. Podemos ver que los datos se encuentran alrededor del estado es-
tacionario (lı́nea roja discontinua roja). En general, esto significa que ninguna variable presenta
ningún tipo de sesgo ni a la derecha ni a la izquierda.
Respecto a la simulación con choque transitorio sobre la tecnologı́a, se puede suponer que εt ,
sigue un proceso autorregresivo de primer orden de la forma εt = ρεt−1 +µt , donde µt ∼ N (0, σµ2 )
es una innovación tecnológica. Supongamos que el coeficiente de persistencia asume un valor de
ρ = 0, 9 y la magnitud del choque en un sólo periodo es σµ = 0, 01. En el Gráfico 3.6 se observa el
comportamiento de las variables cuando la tecnologı́a está sujeto a un shock en el primer periodo.
El producto, el consumo y la inversión experimentan un aumento positivo respecto a su estado
estacionario hasta el periodo 11 aproximadamente, a partir del cual disminuyen y convergen

monotónicamente a su estado estable, pero no lo hace inmediatamente, si no que se estabiliza

más o menos en el periodo 60. La brecha que se genera entre los puntos de la trayectoria y el
valor de estado estacionario se conoce como el ciclo de las variables. Al efectuar esta operación,
diferencia entre los puntos y estado estable, se obtiene un comportamiento similar pero que el
estado estacionario está centrado en cero.
Este último aspecto precisamente caracteriza a los modelos RBC, además de considerar choques
transitorios sobre la tecnologı́a. Este ejercicio se realiza con la finalidad de capturar los efectos
que experimentan las variables económicas frente a choques de tecnologı́a. El comportamiento
de las trayectorias, como se observan en el Gráfico 3.6, se conocen como Impulse Resnpose
Functions (IRF).
Figura 3.4: Choques en cada periodo

Capital Producto
2.24
1.338
2.23 1.336
1.334
2.22
1.332
2.21
1.33
k1t k2t k3t
y1t y2t y3t
2.2
1.328
0 20 40 60 80 100
0 20 40 60 80 100
Consumo Ahorro
1.07 0.2675
1.068 0.267
1.066 0.2665
1.064 0.266
c1t c2t c3t s1t s2t s3t
1.062 0.2655
0 20 40 60 80 100 0 20 40 60 80 100

Figura 3.5: Distribuciones muestrales de las series simuladas
Figura 3.6: Choque único en el modelo de Solow

Capital Producto
2.235 1.3355
1.335
desviación del ss
desviación del ss
2.23 1.3345
1.334
2.225 1.3335
1.333
2.22 1.3325
0 20 40 60 80 100 0 20 40 60 80 100
Periodo temporal Periodo temporal
consumo Ahorro
1.0685 0.2671
1.068 0.267
desviación del ss
desviación del ss
0.2669
1.0675
0.2668
1.067
0.2667
1.0665
0.2666
1.066 0.2665
0 20 40 60 80 100 0 20 40 60 80 100

3.5. El modelo de Ramsey
Si bien el modelo de Solow (1956) proporciona elementos importantes para el desarrollo de

modelos RBC, tales como el estado estacionario, estabilidad dinámica, residuo de Solow entre
otros, no fue si no los modelos de Ramsey (1928), Cass (1965) y Koopmans (1965), o simplemente
modelo de Ramsey, la que dio orı́gen a los modelos de ciclos económicos reales. El modelo de
Ramsey constituye la piedra angular para la construcción de modelos RBCs y DSGEs, en
realidad todos los modelos de equilibrio general dinámicos contemporáneos no son más que
extensiones al modelo de Ramsey, en la que se incorpora otros agentes, como el gobierno, sector
externo, sistema financiero y otros que alteran el comportamiento de la economı́a. Ası́ mismo,
se incorporan otras fuentes de choques estocásticos.
Desde el punto de vista de la modelación de los agentes económicos, el modelo de referencia

se sustenta en dos métodos. Primero, se supone la existencia de un solo agente, Robinson
Crusoe, que hace las veces de consumidor y productor simultáneamente y, segundo, se supone
la existencia de dos tipos de agentes; consumidores y productores que actúan en busca de
objetivos particulares y que al final coinciden en el intercambio de bienes y servicios en mercados
competitivos.
En esta sección vamos a examinar y modelar considerando el agente central (planificador cen-
tral), también llamado economı́a centralizada, dado que supone la existencia de un sólo agente
racional, muy bien informado, tiene un objetivo bien definido, maximizar una función de utili-
dad, y vive infinitos periodos.
Sin embargo, la idea del modelo es que el planificador central se enfrenta a ciertas reestricciones
de recursos, dados los supuestos (economı́a cerrada y sin gobierno). En la Figura 3.7 se observa
el esquema que permite observar el movimiento de las variables clave del modelo. La idea inicial
es que Robinson Crusoe, en el periodo t = 0, posee un nivel de stock de capital inicial (dotación
inicial) k0 , con el que decide producir y0 , mediante una función de producción con propiedades
neoclásicas y0 = f (k0 ), y esta producción lo distribuye entre el consumo presente c0 y consumo
futuro, inversión, i0 , es decir y0 = c0 + i0 . En el siguiente periodo, t = 1, la economı́a posee un
nuevo capital k1 , con el que se produce y1 mediante y1 = f (k1 ), que también se distribuye entre
consumo presente y consumo futuro y1 = c1 + i1 . El stock k1 es resultado de la acumulación
del capital anterior k0 y la inversión i0 , sin embargo, en el proceso de producción el capital se
deprecia a una tasa constante δk0 , siendo δ la tasa de depreciación, que disminuye la capacidad
de acumulación de capital, por lo tanto k1 es el resultado de suma k0 + i0 y restar δk0 , es decir
k1 = i0 +(1−δ)k0 . En el siguiente periodo t = 2 nuevamente la economı́a posee un nuevo capital
k2 que da como resultado y2 , con y2 = f (k2 ), en el que se cumple y2 = c2 + i2 , ası́ mismo k2 es
resultado de la acumulación del capital anterior, la inversión anterior y la depreciación, es decir
k2 = i1 + (1 − δ)k1 . En el periodo t = 3 se repite el proceso y ası́ sucesivamente hasta el fin de
los tiempos, esto es cuando t = ∞.

Figura 3.7: Diagrama en el modelo de Ramsey
De acuerdo al esquema del modelo se observa un patrón en cada periodo de tiempo, primero en
cuanto a la función de producción viene dado por yt = f (kt ), ∀t ≥ 0, que cumple las propiedades
neoclásicas. Segundo, la producción siempre se distribuye entre consumo e inversión yt = ct + it ,
∀t ≥ 0, que constituye la restricción presupuestaria, que muestra una relación de equilibrio entre
ingresos y gastos. Tercero, la ley de acumulación del capital se puede generalizar de la forma
kt+1 = it + (1 − δ)kt , ∀t ≥ 0, significa que la inversión bruta it se destina tanto para adquirir
nuevo capital y reponer el capital desgastado, it = kt+1 − (1 − δ)kt . Si sustituimos tanto la
inversión como la función de producción en la restricción presupuestaria podemos obtener la
siguiente restricción agregada de la economı́a:
kt+1 = f (kt ) + (1 − δ)kt − ct (3.19)
Por otro lado, la función de utilidad del planificador central también se deduce del esquema
anterior (Figura 3.7) en la que se observa que la función de utilidad instantánea se obtiene a
partir del consumo corriente. En el periodo t = 0 la función de utilidad viene dado por u(c0 ),
en el periodo t = 1 viene dado por u(c1 ), y en el periodo t = 2 por u(c2 ) y ası́ sucesivamente
hasta t = ∞. Por lo tanto, se tiene un flujo de utilidades esperadas en el futuro representado
por la sucesión {u(c0 ), u(c1 ), u(c2 ), . . .}. Sin embargo, no es la que interesa los flujos futuros si
no el valor presente de dichos flujos.
Para deducir el valor presente de la función de utilidad vamos a suponer e imaginar por instante
que la utilidad, U0 , del jefe de la dinastı́a que vivirá un sólo periodo t = 0, depende de la utilidad
que le reporta su propio consumo, u(c0 ), y la utilidad, U1 , que logren las siguientes generaciones
que vivirán el periodo t = 1, ponderada por una tasa de descuento subjetivo θ, (θ > 0). “La
tasa de descuento subjetivo fue descrito por Ramsey (1928) como “ éticamente indefendible y
que debe su aparición exclusivamente a la debilidad de la imaginación” en el plano individual”
[citado en Sala-i Martin (2000), pp. 86]. El hecho de que la utilidad de la futura generación
afecte la utilidad del jefe de la dinastı́a, es lo que se denomina “ altruismo intergeneracional”.
Por otro lado, el hecho de que el jefe de la dinastı́a descuente la utilidad de los descendientes se
conoce como “egoı́smo paterno”, es decir, prefiere más su utilidad y menos la utilidad futura.

La utilidad del agente representativo en el periodo t = 0 viene dado por;

1
U0 = u(c0 ) +
U1 (3.20)
1+θ
De igual manera, si imaginamos que el agente vive sólo el periodo t = 1 y tomando en cuenta
las consideraciones anteriores podemos obtener que;
1
U1 = u(c1 ) + U2 (3.21)
1+θ
Ası́ mismo, si t = 2 se tiene;
1
U3
U2 = u(c2 ) + (3.22)
1+θ
y ası́ sucesivamente, podemos obtener una serie de funciones de utilidad en valor presente de
dos periodos consecutivos. No obstante, la que interesa es el valor actual de la utilidad en todo
el horizonte de tiempo, para ello, sustituimos (3.21) en (3.20) de donde se obtiene;
2
1 1
U0 = u(c0 ) + u(c1 ) + U2 (3.23)
1+θ 1+θ
Si sustituimos (3.22) en (3.23) se tiene;
2 3
1 1 1
U0 = u(c0 ) + u(c1 ) + u(c2 ) + U3
1+θ 1+θ 1+θ
Si sustituimos U3 por su expresión equivalente y luego U4 , ası́ sucesivamente podemos obtener
la expresión general:
2 3
1 1 1
U0 = u(c0 ) + u(c1 ) + u(c2 ) + u(c3 ) + · · ·
1+θ 1+θ 1+θ
Por lo tanto, el valor presente de las funciones de utilidad instantánea está dado por;
∞
X
U0 = β t u(ct ) (3.24)
t=0
1
Donde β = , β ∈ (0, 1) es el factor de descuento. Existen algunas consideraciones sobre el
1+θ
parámetro θ. Si éste parámetro es muy bajo, θ → 0, entonces β → 1, implica que la importancia
que se le atribuye a las utilidades presente y futura son iguales, si por el contrario, la tasa
subjetiva de descuento es muy grande, θ → ∞, entonces β → 0, significa que la utilidad
presente es más importante que las utilidades valoradas en el futuro, es decir, se le atribuye una
ponderación total a la utilidad presente. Por otro lado, la propiedad principal de la función de
utilidad es que tiene utilidad marginal positiva pero decreciente, es decir es una función cóncava,
u0 (ct ) > 0 y u00 (ct ) < 0.
De esta manera, el problema del planificador central es maximizar (3.24) sujeto a (3.19). Para
resolver planteamos la función de Lagrange:
∞
X
β t u(ct ) + β t λt [f (kt ) + (1 − δ)kt − ct − kt+1 ]

L(ct , kt+1 , λt ) =
t=0

Donde λt es el multiplicador dinámico de Lagrange y las condiciones de primer orden vienen

dados por:
∂L
: u0 (ct ) − λt = 0
∂ct
∂L
: βλt+1 f 0 (kt+1 ) + β(1 − δ)λt+1 − λt = 0
∂kt+1
∂L
: f (kt ) + (1 − δ)kt − ct − kt+1 = 0
∂λt
Y más la condición de transversalidad lı́m β t u0 (ct )kt+1 = 0 aseguran la existencia de un equili-
t→∞
brio estable. Se impone esta condición para evitar soluciones explosivas, la que se justifica por el
hecho de que 0 < β < 1 y ésta condición implica que cuando la variable tiempo crece de manera
indefinida entonces el término β t converge hacia cero. Otra forma de interpretar la condición
de transversalidad es que el planificador central, considerando el comportamiento racional y
maximizador de utilidad, debe consumir todo el capital disponible al final de los tiempos.
De la primera condición se tiene:

λt = u0 (ct ) (3.25)
En la ecuación (3.25) adelantamos un periodo y sustituimos en la segunda condición, de donde se
obtiene la ecuación de Euler. Esta ecuación más la tercera condición de primer orden constituyen
un sistema de ecuaciones en diferencias no lineal
u0 (ct ) = βu0 (ct+1 ) [f 0 (kt+1 ) + 1 − δ] (3.26)
kt+1 = f (kt ) + (1 − δ)kt − ct (3.27)
La solución de este sistema provee el equilibrio general del modelo {ct , kt }∞
t=0 . No obstante, al ser
un sistema no lineal existen dos aproximaciones para su solución. Primero, la solución cualitativa
(análisis de diagrama de fase) y, segundo, la solución cuantitativa. Este ultimo requiere linealizar
el sistema. En la siguiente sección se estudia la primera aproximación, dejando como ejercicio
la segunda aproximación.
3.6. La dinámica del modelo de Ramsey
Para estudiar la dinámica del modelo es importante determinar el estado estacionario. Para ello,
el sistema dado por (3.26) y (3.27) se escribe de la siguiente manera:
u0 (css ) = βu0 (css ) [f 0 (kss ) + 1 − δ] (3.28)
kss = f (kss ) + (1 − δ)kss − css (3.29)
De la primera ecuación se obtiene f 0 (kss ) = β −1 [1 − β(1 − δ)] y por lo tanto, existe kss , luego,
de (3.29) se obtiene css = f (kss ) − δkss .
Para esbozar el diagrama de fase, primero escribimos las ecuaciones en diferencia determinı́sticas.
Para ello, siguiendo a Wickens (2012), mediante una linealizadión del término u0 (ct+1 ), en (3.26),

al rededor de ct se deduce; u0 (ct+1 ) ≈ u0 (ct ) + u00 (ct )(ct+1 − ct ). Dividiendo en ambos por u0 (ct )
y sabiendo que ∆ct+1 = ct+1 − ct se tiene;
u0 (ct ) u0 (ct+1 )

∆ct+1 ≈ 00 −1 (3.30)
u (ct ) u0 (ct )
De la ecuación de Euler despejamos la expresión u0 (ct+1 )/u0 (ct );
u0 (ct+1 ) 1
0
= 0
(3.31)
u (ct ) β[f (kt+1 ) + 1 − δ]
u0 (ct )

1
Sustituyendo (3.31) en (3.30) se tiene; ∆ct+1 ≈ − 00 1− . Sin embargo,
u (ct ) β[f 0 (kt+1 ) + 1 − δ]
u00 (ct )ct
podemos usar la definición del coeficiente de aversión relativa al riesgo constante σ = − 0 .
u (ct )
Por otro lado, la ecuación (3.27) es fácil expresar en términos de una ecuación en diferencias.
Por lo tanto, el sistema viene dado por;

ct 1
∆ct+1 = − 1− (3.32)
σ β[f 0 (kt+1 ) + 1 − δ]
∆kt+1 = f (kt ) − δkt − ct (3.33)
Primero determinamos los puntos para los cuales el capital permanece constante, ∆kt+1 = 0,
lo que implica que ct = f (kt ) − δkt . Ahora determinamos los puntos de intersección con el Eje
X. Si kt = 0, por condición de escencialidad se tiene f (kt ) = 0, entonces ct = 0. Por lo tanto,
la coordenada (k, c) = (0, 0) corresponde al origen del gráfico. Por otro lado, si ct = 0 entonces
existe un valor de k ∗∗ , luego ubicamos la coordenada (k, c) = (k ∗∗ , 0) en el gráfico. La cuestión
es determinar la forma del gráfico de ∆kt+1 = 0. En el intervalo 0 y k ∗∗ (eje X), determinamos si
existe un máximo o un mı́nimo, para lo cual resolvemos el problema; máx ct = f (kt )−δkt . Según
la condición de primer orden se tiene ∂ct /∂kt = f 0 (kt ) − δ = 0, de donde f 0 (kt ) = δ. A partir
de esta condición, regla de oro, se puede obtener el valor del capital oro kgold , es decir el capital
para el cual el consumo es máximo en la economı́a. De acuerdo a la condición de segundo orden
∂ 2 ct /∂kt2 = f 00 (kt ) < 0, en el intervalo 0 y k ∗∗ , se puede confirmar la existencia de un máximo.
Ahora bien, una cuestión relevante es saber qué sucede con la variación del capital cuando la
economı́a se ubica por debajo y por encima de la curva ∆kt+1 = 0. Primero, por debajo de la
curva, esto es si f (kt ) − δkt − ct > 0, implica que ct < f (kt ) − δkt , es decir el consumo es menor
que el capital y por lo tanto, ∆kt+1 > 0, el capital crece. Un proceso inverso muestra que si
ct > f (kt ) − δkt , entonces el capital decrece ∆kt+1 < 0, debido a que hay un exceso de consumo
del capital lo que es insostenible para la economı́a.
Segundo, se determina los puntos para los cuales el consumo

es constante ∆ct+1 = 0. Entonces,
ct 1
de (3.32) se deduce que; − 1− = 0. Para que persista la igualdad existen
σ β[f 0 (kt+1 ) + 1 − δ]
dos posibles casos; i) que ct = 0, lo que implica que, ∆ct+1 = 0 sea un recta horizontal coinciden-
1
te con el eje X. ii) que 1 − 0
= 0, es decir β[f 0 (kt+1 ) + 1 − δ] = 1, de donde
β[f (kt+1 ) + 1 − δ]
f 0 (kt ) = θ + δ y esta condición permite encontrar un valor para k, que corresponde al valor de

estado estacionario del modelo kss . Por lo tanto, la curva es una lı́nea vertical que pasa precisa-
mente por kss . La pregunta es, ¿qué sucede con el crecimiento del consumo cuando la economı́a
se ubica a la derecha o izquierda de kss ?. Si kt < kss , entonces podemos suponer que kt → 0
1
y por condición de INADA tenemos que f 0 (kt ) → ∞, lo que significa 0
= 0,
β[f (kt+1 ) + 1 − δ]
es decir ct /σ > 0 por lo tanto el consumo crece, ∆ct+1 > 0. Por otro lado, si kt > kss entonces
ct 1 ct θ + δ
kt → ∞, lo que significa que f 0 (kt ) → 0, entonces 1− =− < 0 y por
σ β(1 − δ) σ 1−δ
lo tanto el consumo decrece, ∆ct+1 < 0.
De esta forma, existen tres posibles equilibrios. Lo relevante es determinar cual de ellos es
equilibrio estable. Primero, el equilibrio dado por el orı́gen (0, 0) es inestable, lo que se explica
∂kt+1
por la pendiente de la curva ∆kt+1 = 0, es decir, = f 0 (kt ) − δ y evaluando en el punto
∂kt
∂kt+1
(0, 0) se observa que f 0 (kt ) → ∞, según la condición de INADA, por lo tanto > 0, lo
∂kt
que confirma la inestabilidad de dicho equilibrio. El segundo equilibrio está dado por (k ∗∗ , 0).
La pendiente de la curva ∆kt+1 = 0 en dicho punto viene dado por f 0 (kt ) − δ, pero como
k ∗∗ → ∞ entonces f 0 (kt ) → 0 lo que significa que f 0 (kt ) − δ < 0, por lo tanto el punto de
equilibrio (k ∗∗ , 0) es estable. Sin embargo, desde un punto de vista económico no tiene validez
dado que no es sostenible una economı́a en la que el consumo sea cero, por lo tanto, este punto no
se tomará en cuenta. Finalmente, el tercer equilibrio está dado por (kss , css ), cuyas expresiones
fueron obtenidos anteriormente. Una evaluación de la pendiente de la curva ∆kt+1 = 0 en dichos
∂kt+1
puntos muestra que < 0, lo que implica que el punto dado por kss y css es dinámicamente
∂kt
estable. A esto se conoce como equilibrio de punto silla, lo que significa que el modelo tiene
solución única.
De acuerdo al análisis anterior se puede concluir que existe un sólo es equilibrio estable dado
por (kss , css ), “ Estabilidad de Punto Silla”. Además existe una, y solamente una, trayectoria
que conduce a dicho equilibrio dada por la trayectoria A-B en la Figura 3.7

Figura 3.8: El diagrama de fase
Fuente: Elaboración con base en Barro y Sala i Martin (2004)
3.7. Perturbaciones y dinámica de transición
Las curvas para los cuales el capital y el consumo permanecen constantes, ∆kt+1 = 0 y ∆ct = 0,
divide el plano XY en cuatro regiones (Figura 3.7).
La región I recoge todos los puntos para los cuales kt < kss y ct está por encima de la
curva ∆kt+1 = 0
La región II recoge todos los puntos para los cuales kt > kss y ct está por encima de la
curva ∆kt+1 = 0
La región III recoge todos los puntos para los cuales kt > kss y ct está por debajo de la
curva ∆kt+1 = 0
La región IV recoge todos los puntos para los cuales kt < kss y ct está por debajo de la
curva ∆kt+1 = 0

La economı́a puede estar en cualquiera de estas regiones, lo que sugiere que no necesariamente
se encuentra en su estado estacionario. La cuestión que se quiere responder es; ¿qué sucede con
las variables cuando la economı́a recibe una perturbación exógena?, es decir, ¿qué sucede con
las variables cuando están fuera del estado estacionario?. A diferencia del análisis de estática
comparativa, en el análisis dinámico es importante conocer el proceso de ajuste o dinámica
de transición. Para responder a estas preguntas debemos establecer inicialmente a qué tipo de
pertubación se enfrenta la economı́a. Existe dos tipos de perturbaciones o choques exógenos:
Perturbación transitoria: Es cuando la economı́a enfrenta un shock temporal de cual-

quier naturaleza, después de ello, las variables pueden o no converger a su estado estacio-
nario inicial que depende de dos factores; de la magnitud del choque y de la región en la
que se encuentra.
Perturbación permanente: Es cuando la economı́a enfrenta un shock, como su nombre

lo indica, permanente. Este tipo de perturbación sugiere un cambio de estado estacionario,
debido a que las curvas ∆kt+1 y ∆ct+1 sufren desplazamientos.
En esta sección vamos a examinar el primer tipo de perturbación. Para conocer la dinámica de
transición analicemos cada región del diagrama de fases.
Supongamos que la economı́a recibe una perturbación en el periodo t0 . En la Figura 3.8 se

observan los efectos que genera dicha perturbación sobre el capital y el consumo. La dinámica
depende de la región en la que se encuentra después de haber sucedido la perturbación. En la
región R-I se observa que el capital, kt = k(t), disminuye y el consumo, ct = c(t), aumenta,
pero ambas series divergen del estado estable. La razón de ello es que el capital es inferior
al de equilibrio de largo plazo lo cual es insuficiente para la producción y este a su vez para
satisfacer el consumo que aumenta de manera inesperada, esto genera un circulo insostenible y
por lo tanto las trayectorias son explosivas. Esto también se observa en la región R-III, pero a la
inversa. En cambio, la región R-II muestra un aumento del capital lo que afecta positivamente
a la producción y este a su vez satisface el incremento del consumo, pero lo hacen hasta cierto
punto, debido al shock temporal, y posteriormente disminuyen y convergen al estado estacionario
inicial. A este tipo de dinámica se dice que la economı́a recibe una perturbación positiva. Por
el contrario, en la región R-IV se observa una disminución del capital y consumo, pero de igual
manera convergen al estado estacionario. Este comportamiento sugiere que la economı́a recibe
una perturbación negativa.
Ahora bien, más de allá del análisis cualitativo, es importante cuantificar la magnitud de los
efectos que generan las perturbaciónes, esto sugiere determinar la estructura matemática subya-
cente de las dinámicas de transición y los métodos que permiten determinarlos. Estas cuestiones
se responden en los siguientes capı́tulos.

Figura 3.9: La dinámica de transición
3.8. Problemas de Aplicación

1. (Modelo de Solow estocástico). Considere el modelo de Solow estocástico, cuya ecua-
ción fundamental en términos per cápita, (Ver McCandless (2008)), viene dado por:
sA0 t α 1 − δ
kt+1 = e kt + kt
1+n 1+n
Siendo t ∼ N (0, σ 2 ). Por conveniencia sea A0 = 1. Usando MatLab y la parametrización
establecida en McCandless (ver sección 3.4 de este capı́tulo) realizar lo siguiente.
a) Considere el modelo no lineal y lineal del modelo de Solow estocástico. Generar una
serie artificial para el capital, consumo, producto y ahorro cada una de ellas de 100

periodos. Comparar, en un gráfico, cómo se comportan las series en ambos modelos.

Discutir sus resultados.
b) Considere el modelo no lineal y lineal, con base en ello, generar series temporales
artificiales para el capital, consumo, producto y ahorro con 1000 simulaciones (jt ;
j = 1, 2, ..., 1000) de 100 periodos (t = 1, 2, ..., 100). Representar gráficamente las
tres primeras simulaciones para todas las variables (hágalo para cada modelo).
b) Para cada variable y en cada modelo, calcular las distribuciones muestrales y los cuatro
primeros momentos estadı́sticos (media, varianza, asimetrı́a y curtosis). Esbozar unos
gráficos de las distribuciones muestrales.
2. (Modelo de Ramsey descentralizado). El modelo desarrollado en este capı́tulo supone

la existencia de un sólo agente, Robinson Crusoe, que actúa simultáneamente como con-
sumidor y empresario. Planifica centralmente la maximización de una función de utilidad
sujeta a una restricción recursos.
Ahora, suponga la existencia de dos agentes: familias y empresas, que tienen objetivos
particulares, como la maximización de una función de utilidad, en el caso de las familias,
y la maximización de beneficios, en el caso de las empresas. Estos agentes interactúan en
mercados perfectamente competitivos con precios flexibles. Matemáticamente el modelo
es:
Familias. Se supone que existe una familia representativa que toma decisiones sobre el
consumo (ct ) y ahorro, con la finalidad de maximizar una función de utilidad sujeta a
una restricción presupuestaria, cuyos ingresos provienen de dos fuentes: ingreso laboral
wt e intereses de los activos financieros rt at , siendo rt la tasa de interés y at los activos
financieros. Matemáticamente, el problema se escribe de la siguiente manera:
X∞
máx∞ β t u(ct )
{ct ,at+1 }t=0
t=0
s.a.
at+1 = wt + (1 + rt )at − ct
Empresas. Suponga que existe una empresa representativa cuyo objetivo es la maximiza-
ción de beneficios dada por la brecha entre ingresos y costos. Los ingresos vienen dados por
la tecnologı́a de producción Yt = F (Kt , Lt ), en cambio, los costos vienen dados por el pago
de salarios (wt Lt ) y pago de alquiler de capital (Rt Kt ). Existe una consideración respecto
al interés que pagan. El propietario del capital obtiene unos ingresos netos, diferencia
entre Rt y la tasa de depreciación del capital, pero además el rendimiento de los activos
productivos coincide con la rentabilidad de los activos financieros, entonces Rt = rt + δ.
El planteamiento del modelo es relativamente simple, dado que el empresario no enfrenta
problemas intertemporales. Por lo tanto, una vez normalizado el modelo por Lt se tiene:
máx πt = f (kt ) − (rt + δ)kt − wt
{kt }
Obtener las condiciones de primer orden del problema del consumidor y las condiciones
de primer orden del problema del productor ¿Cómo puede proceder para que el equilibrio
sea compatible con el método centralizado?. Demuéstrelo matemáticamente.

Parte II
Métodos de Solución de Modelos

Recursivos
Capı́tulo 4
Elementos de programación dinámica
La programación dinámica es un método recursivo para resolver problemas secuenciales. En

macroeconomı́a se utiliza para encontrar reglas de decisión óptimas tanto en ambientes deter-
minı́sticos como estocásticos. El término Programación dinámica fue introducido por primera
vez por Richard Bellman. Este método ayuda a reducir problemas de infinitos periodos a pro-
blemas de dos periodos consecutivos. Una de las dificultades de la programación dinámica es el
crecimiento exponencial del estado-espacio, lo que también se llama la maldición de la dimen-
sionalidad.
En este capı́tulo introducimos las ideas básicas de la programación dinámica tanto determinı́stica
como estocástica. En la primera sección presentamos la formulación de la Ecuación de Bellman
en su versión determinı́stica, luego, en la segunda sección exponemos el método de iteración
de la función valor y, posteriormente, presentamos el método de coeficientes indeterminados.
Cada una deestas secciones cuenta con la presentación matemática general para luego mostrar
un ejemplo de aplicación. Finalmente, este capı́tulo concluye con la programación dinámica
estocástica, en la que se hace un uso amplio de las cadenas de Markov.
Este capı́tulo sigue de cerca los textos de Stokey and Lucas (1989) y Ljungqvist and Sargent
(2000), además de McCandless (2008).
4.1. Programación dinámica determinı́stica
La estructura general de un problema de optimización dinámica en tiempo discreto y deter-

minı́stico supone la maximización de una función objetivo, llamada función de retorno ins-
tantánea, sujeto a unas restricciones bien definidas. Sea F (xt , ut ) : A → R una función de
retorno de clase C (2) posee primeras y segundas derivadas. Esto es importante a la hora de
examinar la concavidad de la función, F 0 (.) > 0 y F 00 (.) < 0. En esta función, xt ∈ X ⊂ Rm
representa un vector de variables de estado y ut un vector de variables de control. El dominio
de esta función se define en el conjunto A = {(xt , ut ) ∈ X × X : ut ∈ Γ(xt )} y el rango en
CAPÍTULO 4. ELEMENTOS DE PROGRAMACIÓN DINÁMICA 60
todos los reales R, siendo X un espacio de posibles valores para la variable de estado. Por otro,
sea G(xt , ut ) : X × Rm → X una función, al igual que F (.), continua y de clase C (2) que define
la restricción, además, consideramos la regla de correspondencia Γ(xt ) : X ⇒ X que define la
factibilidad de la restricción. La representación matemática es:
∞
X
máx
∞
β t F (xt , ut )
{ut }t=0
t=0
sujeto a las siguientes restricciones:

xt+1 = G(xt , ut ) , t = 0, 1, 2, . . . , T, . . .
ut ∈ Γ(xt )
x0 ∈ X dado
Siendo β ∈ [0, ∞[ un factor de actualización de la función de retorno y x0 un valor inicial
para la variable de estado. Esta es la representación del problema de optimización en “forma
secuencial ” y consiste en determinar los vectores xt y ut que resuelven la maximización de la
función de retorno.
Ahora bien, la programación dinámica ayuda a reducir el “forma secuencial ”, de infinitos pe-
riodos, a un problema “problema funcional ”, de dos periodos. Para lograr esto es importante la
aplicación de la Ecuación de Bellman. Primero, indizamos la función objetivo, i, y denominamos
V (xt )l a función valor del problema:
∞
X
V (xt ) = máx
∞
β i F (xt+i , ut+i ) (4.1)
{us }s=t
i=0
Expandiendo la suma hasta i = 1.

( ∞
)
X
i
V (xt ) = máx F (xt , ut ) + máx
∞
β F (xt+i , ut+i )
{ut } {us }s=t+1
i=1
( ∞
)
X
i−1
V (xt ) = máx F (xt , ut ) + máx
∞
β βF (xt+i−1+1 , ut+i−1+1 )
{ut } {us }s=t+1
i−1=0
En la sumatoria, efectuamos una cambio de variable en los ı́ndices. Sea j = i − 1, entonces.

( ∞
)
X
V (xt ) = máx F (xt , ut ) + β máx
∞
β j F (xt+j+1 , ut+j+1 )
{ut } {us }s=t+1
j=0
Dado que el ı́ndice j es una variable muda entonces podemos volver al ı́ndice inicial i.
( ∞
)
X
V (xt ) = máx F (xt , ut ) + β máx
∞
β i F (xt+i+1 , ut+i+1 ) (4.2)
{ut } {us }s=t+1
i=0
Ahora bien, la función (4.1) adelantamos un periodo, es decir pasamos de t a t + 1, ası́.

∞
X
V (xt+1 ) = máx
∞
β i F (xt+i+1 , ut+i+1 )
{us }s=t+1
i=0

Sustituyendo en (4.2) obtenemos la ecuación de Bellman:
V (xt ) = máx {F (xt , ut ) + βV (xt+1 )} (4.3)

{ut }
Sujeto a:
xt+1 = G(xt , ut ) (4.4)
Reemplazando (4.4) en (4.3) se deduce que:
V (xt ) = máx {F (xt , ut ) + βV [G(xt , ut )]}

{ut }
Las condiciones de primer orden que caracterizan a este problema, más la restricción, son:
∂F (xt , ut ) dV (xt+1 ) ∂G(xt , ut )

+β =0 (4.5)
∂ut dxt+1 ∂ut
dV (xt ) ∂F (xt , ut ) dV (xt+1 ) ∂G(xt , ut )
= +β (4.6)
dxt ∂xt dxt+1 ∂xt
A (4.6) se conoce como la ecuación de Benveniste-Scheinkman, que constituye una apli-

cación del teorema de la envolvente. Este sistema implica conocer la función V (xt ) y por ende
V (xt+1 ), para resolver, sin embargo, estos son desconocidos. Para salir de este inconveniente
∂G(xt , ut )
podemos rexpresar el sistema usando el hecho de que = 0. Ası́, (4.6) se reduce a la
∂xt
siguiente relación:
dV (xt ) ∂F (xt , ut )
=
dxt ∂xt
Adelantando un periodo y reemplazando en (4.5) obtenemos el siguiente sistema a resolver:
∂F (xt , ut ) ∂F (xt+1 , ut+1 ) ∂G(xt , ut )

+β =0 (4.7)
∂ut ∂xt+1 ∂ut
xt+1 = G(xt , ut ) (4.8)
Por lo general, en aplicaciones económicas, este sistema tiene un carácter no lineal, lo que dificul-
ta su solución analı́tica. Sin embargo, existen casos particulares en los que su pueden determinar
soluciones analı́ticas usando técnicas de sustitución recursiva. Para mostrar esto veamos el si-
guiente ejemplo de maximización del consumo, ct , sujeto a una restricción presupuestaria cuyos
ingresos se obtienen de los rendimiento de activos financieros at .
∞
X
máx β t ln ct
{ct ,at+1 }
t=0
s.a.
at+1 = (1 + r)at − ct , a0 = a0 dado
En este ejemplo tenemos que ct (= ut , en el caso general) es una variable de control y at
(= xt ) es una variable de estado. Ası́, comparando con el caso general, F (xt , ut ) = ln ct y

G(xt , ut ) = (1 + r)at − ct . La ecuación de Bellman correspondiente a este ejemplo viene dado

por:
V (at ) = máx{ln ct + βV (at+1 )}
s.a.
at+1 = (1 + r)at − ct (4.9)
Las condiciones de primer orden, usando (4.5) y (4.6), proporcionan la ecuación de Euler.
ct+1 = β(1 + r)ct (4.10)
Ası́, las ecuaciones (4.9) y (4.10) forman un sistema de ecuaciones en diferencias para determinar
las secuencias {ct , at }∞
0 . Encontrar esta secuencia es relativamente simple. Primero, dado que la
ecuación de Euler está en función solamente de ct , entonces podemos resolver para esta variable
iterando hacia adelante.
ct+2 = [β(1 + r)]2 ct

ct+3 = [β(1 + r)]3 ct
ct+4 = [β(1 + r)]4 ct
Y ası́ sucesivamente, podemos deducir la generalización de esta sucesión.
ct+j = [β(1 + r)]j ct (4.11)
Por otro lado, reescribimos la restricción presupuestaria y resolvemos recursivamente.

1 1
at = at+1 + ct
1+r 1+r
2 2
1 1 1
at = at+2 + ct+1 + ct
1+r 1+r 1+r
3 3 2
1 1 1 1
at = at+3 + ct+2 + ct+1 + ct
1+r 1+r 1+r 1+r
En general, se tiene.
T T −1 j
1 1 X 1
at = at+T + ct+j
1+r 1 + r j=0 1 + r
| {z } |
solucion burbuja
{z }
solucion f undamental
Para eliminar la solución burbuja, equivalente a eliminar la solución explosiva, llevamos al lı́mite
cuando T → ∞.
T T −1 j
1 1 X 1
lı́m at = lı́m at+T + lı́m ct+j
T →∞ T →∞ 1+r T →∞ 1 + r
j=0
1 + r
Por construcción, como r es una tasa de rendimiento de los activos financieros entonces se supone
1
que r ∈ (0, 1), ası́ el términos ∈ (0, 1). Ahora, si elevamos un número pequeño a un número
1+r

T
1
extremadamente grande podemos obtener que converge a cero, es decir lı́mT →∞ = 0.
1+r
A esto se conoce como la condición de transversalidad. Ası́, se deduce que:
∞ j
1 X 1
at = ct+j
1 + r j=0 1 + r
En esta última, reemplazamos (4.11), de donde se obtiene la función de polı́tica para el consumo.
ct = (1 + r)(1 − β)at
Reemplazando en la restricción presupuestaria se obtiene la función de polı́tica para la variable

de estado.
at+1 = β(1 + r)at
Finalmente, la solución del consumo reemplazamos en la función objetivo para obtener la función
valor máximo. ∞
X
V = β t ln [(1 + r)(1 − β)at ]
t=0
Esto es equivalente a la siguiente expresión:

∞
X ∞
X
t
V = ln[(1 + r)(1 − β)] β + β t ln at
t=0 t=0
∞
ln[(1 + r)(1 − β)] Yi
V = + ln aβi
1−β i=0
De esta forma, la función valor también depende de los parámetros y de la variable de estado.
V = φ + g(a)
ln[(1 + r)(1 − β)] βi

y g(a) = ln ∞
Q
Donde φ = i=0 ai . El procedimiento de solución como el que
1−β
acabamos de mostrar, sólo funciona para un problema con restricciones lineales. A continuación
veremos dos métodos que nos permiten resolver modelos no lineales.
4.2. Iteración de la función valor
La idea general consiste en iterar recursivamente hacia adelante la función valor, infinitas veces.
Par comprender cómo funciona este método es necesario indizar la ecuación de Bellman. En
concreto para resolver (4.3) escribimos de la siguiente manera:
Vj+1 (xt ) = máx {F (xt , ut ) + βVj [G(xt , ut )]} (4.12)

{ut }

En este caso j = 0, 1, 2, . . . , n, n → ∞ corresponde al número de iteraciones que se extiende a

infinitas iteraciones sucesivas. Este método funciona la de la siguiente manera. Cuando j = 0
corresponde a la primera iteración y se tiene V1 (xt ) = máx {F (xt , ut ) + βV0 [G(xt , ut )]}. En
{ut }
este punto se debe suponer una solución inicial para V0 (.). La solución más simple para esto
es V0 (.) = xt+1 = 0, entonces el problema se reduce a; V1 (xt ) = máx {F (xt , ut )}. Aplicando la
{ut }
condición de primer orden se obtiene la función de polı́tica para el vector de variables de control,
digamos, ut = H1 (xt ). Esta función se sustituye en la ecuación de Bellman para determinar la
función valor para la primera iteración, V1 = V1 (xt ).
Cuando j = 1 corresponde a la segunda iteración, según esto, el problema de Bellman se puede

escribir como V2 (xt ) = máx {F (xt , ut ) + βV1 (G(xt , ut ))}. Dado que se conoce V1 = V1 (xt ) de la
{ut }
iteración anterior, podemos aplicar la condición de primer orden respecto al vector de variables
de control y obtenemos una función de polı́tica, ut = H2 (xt ). Al reemplazar en la restricción
también podemos obtener xt+1 = G2 (xt ). Estas dos funciones se sustituiyen en la ecuación de
Bellman, V2 (xt ), para obtener la función valor esta etapa de la iteración, V2 = V2 (xt )
Se puede repetir el proceso de iteración para j = 2, j = 3 y ası́ sucesivamente. A partir de

todas las iteraciones podemos obtener una sucesión de funciones para las variables de control
{Hj (xt )}∞ ∞
j=0 = {H1 (xt ), H2 (xt ), ...} y variables de estado {Gj (xt )}j=0 = {G1 (xt ), G2 (xt ), ...} que
permiten obtener, también, una sucesión de funciones de valor {Vj (xt )}∞ j=0 = {V1 (xt ), V2 (xt ), ...}.
La idea detrás de esto es encontrar un patrón de formación. Tomando en cuenta la ecuación de
Benveniste-Scheikman se obtiene las funciones de polı́tica y la función valor dependientes de las
variables de estado, xt , y conjunto de parámetros, Φ.
V = V (Φ, xt ) ; ut = H(Φ, xt ) ; xt+1 = G(Φ, xt )
Para comprender mejor el funcionamiento de éste método consideremos el siguiente ejemplo.
Un ejemplo simple: Cuando hacemos σ = 1 y δ = 1, el modelo de Ramsey se reduce al

modelo de Brock and Mirman (1972)1 .
∞
X
máx∞ β t ln ct
{ct ,kt+1 }t=0
t=0
1
La demostración para obtener la función de utilidad logarı́tmica es relativamente simple. Cuando σ = 1
c1−σ − 1 0
la función CRRA, u(ct ) = t = , no está definido en los reales. Para resolver esta indeterminación
1−σ 0
ct e−σ ln ct − 1
primero escribimos de la forma; u(ct ) = y, a continuación, aplicamos el teorema de L’Hopital,
1−σ
−σ ln ct −σ ln ct
ct e −1 ∂(ct e − 1)/∂σ
lı́m u(ct ) = lı́m = lı́m . Efectuando las derivadas en el argumento del lı́mite
σ→1 σ→1 1−σ σ→1 ∂(1 − σ)/∂σ
ct e−σ ln ct (− ln ct )
y, dado que el primer miembro es independiente de σ, tenemos u(ct ) = lı́m . Finalmente
σ→1 −σ
− ln ct
ct e (− ln ct )
evaluamos el lı́mite, u(ct ) = , al simplificar obtenemos; u(ct ) = ln ct . En cuanto a la tasa de
−1
depreciación, se supone 0 ≤ δ ≤ 1 y claramente las magnitudes 0 y 1 son casos extremos de este parámetro,
el primero supone que el capital no experimenta ningún desgaste en el proceso producto y el segundo, δ = 1,
significa que el capital se desgasta en su totalidad.

sujeto a la siguiente restricción de recursos:
kt+1 = Aktα − ct
La ecuación de Bellman indizado para este problema viene dado por:
Vj+1 (kt ) = máx {ln ct + βVj (kt+1 )}

{ct ,kt+1 }
s.a.
kt+1 = Aktα − ct
Donde j = 0, 1, 2, 3, ..., n, n → ∞. Empezamos con j = 0 y con una función valor inicial más
sencilla, V0 (kt+1 ) = 0 y kt+1 = 0, entonces, el problema se reduce a:
V1 (kt ) = máx {ln ct + βV0 (kt+1 )} = máx {ln ct } (4.13)

{ct ,kt+1 } {ct }
s.a.
kt+1 = Aktα − ct (4.14)
El problema conduce a una solución de esquina y esto ocurre cuando ct es lo máximo posible,
como kt+1 = 0, entonces se tiene ct = Aktα . Esta es la función de polı́tica para el consumo.
Sustituyendo en (4.13), V1 (kt ) = máx {ln Aktα }. El máximo valor de esta función es presisamente
{ct }
ln Aktα , es decir la producción total. En consecuencia se deduce que:
V1 (kt ) = φ1 + α ln kt (4.15)
Donde φ1 = ln A. Seguimos con la iteración, esta vez hacemos que j = 1, nuestro problema es:
V2 (kt ) = máx {ln ct + βV1 (kt+1 )} (4.16)

{ct ,kt+1 }
Sin embargo, el término V1 (kt+1 ), es conocido y se obtuvo en la iteración anterior,(4.15) adelan-

tando un periodo; V1 (kt+1 ) = ln A + α ln kt+1 . En el segundo miembro de esta función podemos
aplicar la restricción de recursos, es decir; V1 (kt+1 ) = ln A + α ln(Aktα − ct ). Esta función susti-
tuimos en (4.16) y el problema es:
V2 (kt ) = máx {ln ct + β ln A + αβ ln(Aktα − ct )} (4.17)

{ct }
1 αβ
La condición de primer orden respecto a ct es; − = 0, de dónde se obtiene el
ct Aktα − ct
consumo en términos de los parámetros. Este resultado sustituimos en la restricción de recursos
para obtener la del capital. Los resultados son los siguientes:
1
ct = Ak α (4.18)
1 + αβ t
αβ
kt+1 = Aktα (4.19)
1 + αβ

Estas dos funciones de polı́tica sustituimos en (4.17) y al simplificar se obtiene la función valor:
V2 (kt ) = φ2 + α(1 + αβ) ln kt (4.20)
A αβA
Siendo φ2 = β ln A + ln + αβ ln
1 + αβ 1 + αβ
Continuando con la iteración, esta vez para j = 2, el problema es:
V3 (kt ) = máx {ln ct + βV2 (kt+1 )} (4.21)
{ct ,kt+1 }
El término V2 (kt+1 ) se conoce y se obtuvo en la iteración anterior. Ası́, la ecuación (4.20)

podemos escribir como; V2 (kt+1 ) = φ2 + α(1 + αβ) ln kt+1 y usando la restricción de recursos se
tiene, V2 (kt+1 ) = φ2 + α(1 + αβ) ln(Aktα − ct ), por lo que (4.21) se convierte en:
V3 (kt ) = máx {ln ct + βφ2 + αβ(1 + αβ) ln(Aktα − ct ))} (4.22)
{ct }
La condición de primer orden respecto a ct y a partir de la restricción se obtienen las funciones

de polı́tica:
1
ct = Ak α (4.23)
1 + αβ + α2 β 2 t
αβ + α2 β 2
kt+1 = Ak α (4.24)
1 + αβ + α2 β 2 t
Reemplazando en (4.22) obtenemos:
V3 (kt ) = φ3 + α(1 + αβ + α2 β 2 ) ln kt (4.25)
A (αβ + α2 β 2 )A
Donde φ3 = βφ2 +ln +αβ(1+αβ) ln . Procedemos de igual manera
1 + αβ + α2 β 2 1 + αβ + α2 β 2
para cuando j = 3 y j = 4, las funciones de valor, respectivamente, son:
V4 (kt ) = φ4 + α(1 + αβ + α2 β 2 + α3 β 3 ) ln kt
V5 (kt ) = φ5 + α(1 + αβ + α2 β 2 + α3 β 3 + α4 β 4 ) ln kt
Y ası́ sucesivamente, para la n-ésima iteración, j = n, se tiene:
Vn+1 (kt ) = φn+1 + α(1 + αβ + α2 β 2 + α3 β 3 + α4 β 4 + · · · + αn β n ) ln kt
En forma compacta tenemos que:
n
X
Vn+1 (kt ) = φn+1 + α αj β j ln kt
j=0
En el lı́mite, cuando n → ∞, el término nj=0 αj β j converge a 1/(1 − αβ). En otras palabras, si

P
extraemos lı́mites en ambos lados de la función anterior, y, haciendo que lı́m Vn+1 (kt ) = V (kt )
n→∞
y lı́m φn+1 = φ, se obtiene la función valor del modelo.
n→∞
α
V (kt ) = φ + ln kt (4.26)
1 − αβ


1 αβ
Siendo φ = ln(A − αβA) + ln(αβA) . Finalmente, para determinar las funcio-
1−β 1 − αβ
nes de polı́tica del modelo podemos aplicar el torema Benveniste-Scheinkman, que señala lo
∂V (kt ) ∂u(ct )
siguiente: = . A partir de este teorema y la restricción de recursos se obtienen.
∂kt ∂kt
kt+1 = αβAktα (4.27)
ct = (1 − αβ)Aktα (4.28)
4.3. Coeficientes indeterminados
La ecuación de Bellman para nuestro ejemplo (Modelo de Brock-Mirman) es:

V (kt ) = máx {ln ct + βV (kt+1 )} (4.29)
{ct ,kt+1 }
s.a.
kt+1 = Aktα − ct
El método de coeficientes indeterminados implica plantear una solución hipotética a priori y
verificar si esta solución satisface o no el problema de maximización. Siguiendo con el ejem-
plo, dado que la solución siempre depende de una variable de estado, proponemos la siguiente
solución para el problema (4.29)
V (kt ) = E + F ln kt (4.30)
El objetivo es encontrar los coeficientes E y F , para lograr esto procedemos de la siguiente
manera. Al adelantar un periodo se tiene, V (kt+1 ) = E+F ln kt+1 y haciendo uso de la restricción
de recursos, el problema es:
V (kt ) = máx {ln(Aktα − kt+1 ) + βE + βF ln kt+1 }
{kt+1 }
∂V (kt )
La condición de primer orden, = 0, y la restricción de recursos forman un sistema de
∂kt+1
ecuaciones que permiten obtener las siguientes funciones de polı́tica.
βF
kt+1 = Ak α (4.31)
1 + βF t
1
ct = Ak α (4.32)
1 + βF t
Sustituimos (4.31) y (4.32) en (4.29) de donde se obtiene:
A βF A
V (kt ) = βE + ln + βF ln + α(1 + βF ) ln kt
1 + βF 1 + βF
Ahora igualamos con la solución conjeturada (4.30).
A βF A
E + F ln kt = βE + ln + βF ln + α(1 + βF ) ln kt
1 + βF 1 + βF

Es decir, formamos el siguiente sistema para E y F .

A βF A
E = βE + ln + βF ln (4.33)
1 + βF 1 + βF
F = α(1 + βF ) (4.34)
De esta última ecuación se determina inmediatamente que:

α
F = (4.35)
1 − αβ
Sustituyendo en (4.33) y simplificando se deduce lo siguiente.

1 αβ
E= ln(A − αβA) + ln(αβA) (4.36)
1−β 1 − αβ
Si comparamos E con φ obtenida iterando la función valor, vemos que son iguales, por lo tanto
la función coeincide con el método anterior. Finalmente, si reemplazamos la expresión que define
el coeficiente F en (4.31) y (4.32) se obtienen las funciones de polı́tica:
kt+1 = αβAktα
ct = (1 − αβ)Aktα
También, estas funciones son exactamente iguales a los que se obtuvo con el método anterior.
Para la representación gráfica de la función valor y las funciones de polı́tica asignamos unos
valores numéricos a los parámetros del modelo. Sean A = 1, α = 0, 26 y β = 0, 98. Con estos
parámetros obtenemos los valores de estado estacionario; kss = 0,196, css = 0,360, yss = 0,556
y V (kss ) = −51, 05. Ası́ la función valor y las funciones de polı́tica vienen dadas por:
V (kt ) = −50, 1516 + 0,5562 ln kt

kt+1 = 0,3528kt0,36
ct = 0,6472kt0,36
Definimos el dominio en el intervalo (0, 1] para el estock de capital. Es importante que kss se
encuentre en este intervalo. En la Figura 4.1 se observan tanto el comportamiento de la función
valor ası́ como las funciones de polı́tica del capital, consumo y producto. Para este último viene
dado por la función de producción yt = kt0,36 . Se observa que cuando kt = 0 está muy próximo a
cero, la función valor se ubica en -52,3 y, a medida que aumenta el valor de kt la función V (kt )
aumenta y, en el extremo converge a φ = E = −50, 1516, dado que ln(1) = 0. El hecho, de
que la función valor sea negativo no implica que la utilidad sea negativo, además esto no debe
preocupar por que la utilidad es un concepto ordinal y no cardinal.
En cuanto a las funciones de polı́tica de las variables, se observan un comportamiento cóncavo,

lo que significa que aumentos en el stock de capital conllevan aumentos en el producto y por lo
tanto en el consumo. De acuerdo al dominio definido, en el lı́mite, cuando kt = 1, el consumo se
aproxima a 0.6472 y el producto a 1. Las lineas vertical y horizontal discontinua corresponden
a los estados estables de las variables.

Figura 4.1: Función valor y funciones de polı́tica

Función Valor Capital
-50 1
-50.5
0.8
-51
0.6
-51.5
0.4
-52
-52.5 0.2
-53 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Stock de capital Stock de capital
Consumo Producto
0.7 1
0.6 0.8
0.5
0.6
0.4
0.4
0.3
0.2 0.2
0.1 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
4.4. Aproximación numérica
En las secciones anteriores hemos mostrado cómo obtener la solución del modelo de Brock-
Mirman. Este modelo particular posee solución analı́tica, sin embargo, muchos de los modelos no
poseen soluciones analı́tica y para resolver este inconveniente se recurre a soluciones numéricas.
Para ilustrar cómo funciona esta aproximación vamos a considerar el mismo ejemplo de Brock-
Mirman y la conclusión a la que se llega es que la función valor y las funciones de polı́tica
convergen a las soluciones analı́ticas.
Considerando los mismos valores de los parámetros que en la sección anterior. La ecuación de
Bellman está dada por:
Vj+1 (kt ) = máx{ln ct + 0, 98Vj (kt+1 )}
k∈K
s.a.
kt+1 = kt0,36 − ct
Al reemplazar el consumo de la restricción en la ecuación de Bellman, omitiendo el subindice t,

sin pérdida de generalidad, y haciendo kt+1 = k 0 tenemos:
Vj+1 (k) = máx{ln(k 0,36 − k 0 ) + 0, 98Vj (k 0 )} (4.37)

k∈K
A continuación definimos el siguiente espacio para el capital.
K = [0, 01; 0, 01099; 0, 01198; 0, 01297; 0, 01396]
Iniciamos iterando la ecuación (4.37). Para j = 0, y suponiendo que V0 (k 0 ) = 0, la variable k 0

pertenece al espacio K, lo que implica tener un conjunto de valores de k 0 para cada valor de k.
k 0 = 0, 01 : V1 (0, 01) = máx{ln[(0, 01)0,36 − 0, 01] − 0} = -1.7118

k0 = 0, 01099 : V1 (0, 01) = máx{ln[(0, 01)0,36 − 0, 01099] − 0} = −1,7173
k0 = 0, 01198 : V1 (0, 01) = máx{ln[(0, 01)0,36 − 0, 01198] − 0} = −1,7172
k0 = 0, 01297 : V1 (0, 01) = máx{ln[(0, 01)0,36 − 0, 01297] − 0} = −1,7284
k0 = 0, 01396 : V1 (0, 01) = máx{ln[(0, 01)0,36 − 0, 01396] − 0} = −1,7339
A continuación, consideramos todos los valores de k 0 dado k = 0, 01099.
k 0 = 0, 01 : V1 (0, 01099) = máx{ln[(0, 01099)0,36 − 0, 01] − 0} = -1.6759

k0 = 0, 01099 : V1 (0, 01099) = máx{ln[(0, 01099)0,36 − 0, 01099] − 0} = −1,6812
k0 = 0, 01198 : V1 (0, 01099) = máx{ln[(0, 01099)0,36 − 0, 01198] − 0} = −1,6866
k0 = 0, 01297 : V1 (0, 01099) = máx{ln[(0, 01099)0,36 − 0, 01297] − 0} = −1,6919
k0 = 0, 01396 : V1 (0, 01099) = máx{ln[(0, 01099)0,36 − 0, 01396] − 0} = −1,6973
Análogamente, consideramos todos los valores de k 0 dado k = 0, 01198.
k 0 = 0, 01 : V1 (0, 01198) = máx{ln[(0, 01198)0,36 − 0, 01] − 0} = -1.6433

k0 = 0, 01099 : V1 (0, 01198) = máx{ln[(0, 01198)0,36 − 0, 01099] − 0} = −1,6484
k0 = 0, 01198 : V1 (0, 01198) = máx{ln[(0, 01198)0,36 − 0, 01198] − 0} = −1,6535
k0 = 0, 01297 : V1 (0, 01198) = máx{ln[(0, 01198)0,36 − 0, 01297] − 0} = −1,6587
k0 = 0, 01396 : V1 (0, 01198) = máx{ln[(0, 01198)0,36 − 0, 01396] − 0} = −1,6639
De manera similar, tomamos en cuenta todos los valores de k 0 dado k = 0, 01297.
k 0 = 0, 01 : V1 (0, 01297) = máx{ln[(0, 01297)0,36 − 0, 01] − 0} = -1.6132

k0 = 0, 01099 : V1 (0, 01297) = máx{ln[(0, 01297)0,36 − 0, 01099] − 0} = −1,6182
k0 = 0, 01198 : V1 (0, 01297) = máx{ln[(0, 01297)0,36 − 0, 01198] − 0} = −1,6232
k0 = 0, 01297 : V1 (0, 01297) = máx{ln[(0, 01297)0,36 − 0, 01297] − 0} = −1,6282
k0 = 0, 01396 : V1 (0, 01297) = máx{ln[(0, 01297)0,36 − 0, 01396] − 0} = −1,6333

Finalmente, para k = 0, 01396.

k 0 = 0, 01 : V1 (0, 01396) = máx{ln[(0, 01396)0,36 − 0, 01] − 0} = -1.5854
k0 = 0, 01099 : V1 (0, 01396) = máx{ln[(0, 01396)0,36 − 0, 01099] − 0} = −1,5903
k0 = 0, 01198 : V1 (0, 01396) = máx{ln[(0, 01396)0,36 − 0, 01198] − 0} = −1,5951
k0 = 0, 01297 : V1 (0, 01396) = máx{ln[(0, 01396)0,36 − 0, 01297] − 0} = −1,6000
k0 = 0, 01396 : V1 (0, 01396) = máx{ln[(0, 01396)0,36 − 0, 01396] − 0} = −1,6049
Luego, realizamos la segunda iteración, j = 1 pero tomando en cuenta los máximos valores de
V1 (.) obtenidos anteriormente.
k 0 = 0, 01 : V2 (0, 01) = máx{ln[(0, 01)0,36 − 0, 01] − 0,98(−1, 7118)} = -0.0342
k0 = 0, 01099 : V2 (0, 01) = máx{ln[(0, 01)0,36 − 0, 01099] − 0,98(−1,6759)} = −0,0749
k0 = 0, 01198 : V2 (0, 01) = máx{ln[(0, 01)0,36 − 0, 01198] − 0,98(−1, 6433)} = −0,1124
k0 = 0, 01297 : V2 (0, 01) = máx{ln[(0, 01)0,36 − 0, 01297] − 0,98(−1, 6132)} = −0,1474
k0 = 0, 01396 : V2 (0, 01) = máx{ln[(0, 01)0,36 − 0, 01396] − 0,98(−1, 5854)} = −0,1803
Ahora, para k = 0, 01099.

k 0 = 0, 01 : V2 (0, 01099) = máx{ln[(0, 01099)0,36 − 0, 01] − 0,98(−1, 7118)} = 0,0016
k0 = 0, 01099 : V2 (0, 01099) = máx{ln[(0, 01099)0,36 − 0, 01099] − 0,98(−1,6759)} = −0,0389
k0 = 0, 01198 : V2 (0, 01099) = máx{ln[(0, 01099)0,36 − 0, 01198] − 0,98(−1, 6433)} = −0,0761
k0 = 0, 01297 : V2 (0, 01099) = máx{ln[(0, 01099)0,36 − 0, 01297] − 0,98(−1, 6132)} = −0,1110
k0 = 0, 01396 : V2 (0, 01099) = máx{ln[(0, 01099)0,36 − 0, 01396] − 0,98(−1, 5854)} = −0,1436
Luego, para k = 0, 1198.

k 0 = 0, 01 : V2 (0, 01198) = máx{ln[(0, 01198)0,36 − 0, 01] − 0,98(−1, 7118)} = 0.0343
k0 = 0, 01099 : V2 (0, 01198) = máx{ln[(0, 01198)0,36 − 0, 01099] − 0,98(−1,6759)} = −0,0060
k0 = 0, 01198 : V2 (0, 01198) = máx{ln[(0, 01198)0,36 − 0, 01198] − 0,98(−1, 6433)} = −0,0431
k0 = 0, 01297 : V2 (0, 01198) = máx{ln[(0, 01198)0,36 − 0, 01297] − 0,98(−1, 6132)} = −0,0778
k0 = 0, 01396 : V2 (0, 01198) = máx{ln[(0, 01198)0,36 − 0, 01396] − 0,98(−1, 5854)} = −0,1103
Análogamente, para k = 0, 01297.

k 0 = 0, 01 : V2 (0, 01297) = máx{ln[(0, 01297)0,36 − 0, 01] − 0,98(−1, 7118)} = 0.0644
k0 = 0, 01099 : V2 (0, 01297) = máx{ln[(0, 01297)0,36 − 0, 01099] − 0,98(−1,6759)} = 0,0242
k0 = 0, 01198 : V2 (0, 01297) = máx{ln[(0, 01297)0,36 − 0, 01198] − 0,98(−1, 6433)} = −0,0128
k0 = 0, 01297 : V2 (0, 01297) = máx{ln[(0, 01297)0,36 − 0, 01297] − 0,98(−1, 6132)} = −0,0473
k0 = 0, 01396 : V2 (0, 01297) = máx{ln[(0, 01297)0,36 − 0, 01396] − 0,98(−1, 5854)} = −0,0796

Finalmente, para k = 0, 01396.
k 0 = 0, 01 : V2 (0, 01396) = máx{ln[(0, 01396)0,36 − 0, 01] − 0,98(−1, 7118)} = −0,1039

k0 = 0, 01099 : V2 (0, 01396) = máx{ln[(0, 01396)0,36 − 0, 01099] − 0,98(−1,6759)} = 0.0521
k0 = 0, 01198 : V2 (0, 01396) = máx{ln[(0, 01396)0,36 − 0, 01198] − 0,98(−1, 6433)} = 0,0153
k0 = 0, 01297 : V2 (0, 01396) = máx{ln[(0, 01396)0,36 − 0, 01297] − 0,98(−1, 6132)} = −0,0191
k0 = 0, 01396 : V2 (0, 01396) = máx{ln[(0, 01396)0,36 − 0, 01396] − 0,98(−1, 5854)} = −0,0512
A continuación realizamos la tercera iteración, j = 2, tomando en cuenta los máximos valores de

V2 (.) obtenidos anteriormente. De igual manera la cuarta iteración, j = 3, debe tomar en cuenta
los máximos valores de V3 (.) y ası́ sucesivamente hasta que el módulo de la última iteración,
j = n + 1, con la anterior, j = n, sea aproximandamente igual a cero. En el lı́mite, esto debe
ser prácticamente cero.
k Vn+1 (k) − Vn (k) k= 0, n → ∞ (4.38)
A continuación podemos construir un matriz de os valores máximos de Vj+1 (k) acompañado de
los k 0 que hacen máximos a la función valor.
Tabla 1: Valores máximos de Vj+1 (k)

j=0 j=1 j =n+1
k V0 (k) k0 V1 (k) k0 V2 (k) ··· k 0 Vn+1 (k)
.. ..
0,01 0 0,01 −1,7118 0,01 −0,0342 . .
.. ..
0,01099 0 0,01 −1,6759 0,01 0,0016 . .
.. ..
0,01198 0 0,01 −1,6433 0,01 0,0343 . .
.. ..
0,01297 0 0,01 −1,6132 0,01 0,0644 . .
.. ..
0,01396 0 0,01 −1,5854 0,01099 0,0521 . .
Ahora bien, una vez se cumpla la condición (4.38) podremos determinar la función valor máximo
además de obtener la senda optima de k 0 para cada valor de k. Por lo tanto, una vez conocido
estos valores se puede encontrar la senda optima para el consumo a partir de la restricción de
recursos.
c = kα − k0
Pero además se puede obtener la senda del producto, y = k α , que es otra variable de interés.
En general, podemos extender este ejemplo para un número finito de valores del espacio K. En
concreto, vamos a considerar el intervalo 0, 01 ≤ K ≤ 1, en la que, se toma en cuenta 1000
punto. A continuación necesitamos saber el razón de incremento desde k = 0, 01 hasta k = 1,
para esto aplicamos la expresión del términos general de una progresión aritmética, según la
1 − 0, 01
cual, se tiene d = = 0, 00099. Ası́ nuestro intervalo para el capital sigue las siguiente
1000 − 1
sucesión;
K = [0, 01; 0, 01099; 0, 01198; 0, 01297; 0, 01396; ...; 1]

Tomando en cuenta este espacio, podemos iterar la ecuación (4.37) infinitas veces hasta que se
cumpla el criterio de convergencia, (4.38). Los resultados se muestran en la Figura 4.2. El primer
panel muestra cómo la primera iteración de la función valor está lejos de la solución analı́tica
(linea gruesa), además de la tercera, sexta, incluso la iteración 20 se encuentran lejos de la
solución analı́tica. En el segundo panel de la misma figura se observan las funciones de valor
para las iteraciones 30, 40, 50 y 65, y estas también se encuentran lejos de la solución verdadera.
Estos resultados no cumplen el criterio de convergencia. El tercer y cuarto panel muestra las
iteraciones mayores a 90 y, en la iteración número 183 se cumple el criterio de convergencia, en
este punto la senda de la función valor numérica y la analı́tica son aproximadamente iguales.
Figura 4.2: Aproximación numérica de la función valor
-50 -50
Solución Analítica Solución Analítica
-50.5 -50.5
20
-51 12
Función Valor
Función Valor
-51
-51.5
65
-51.5 50
-52 40
6ra iteración -52 30
-52.5
3ra iteración
-53 -52.5
1ra iteración
-53.5 -53
0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1
-50 -50
Solución Analítica
-50.5 -51
180
135 160
-51 130
Función Valor
Función Valor
110 -52
95
-51.5
-53
-52
-54 Solución Analítica ; Iteración No 183
-52.5
-53 -55
-53.5 -56
0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1
En la Figura 4.3 y Figura 4.4 se observan las funciones de polı́tica de las variables tanto analı́tica
comparadas con las soluciones numéricas. Se observa que ambos son iguales.

Figura 4.3: Aproximación numérica de la función valor y de las funciones de polı́tica

Función Valor Capital
-50 1
Solución analítica
-50.5 Solución numérica
0.8
-51
0.6
-51.5
0.4
-52
-52.5 0.2
-53 0
0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1
Consumo Producto
0.7 1
0.6 0.8
0.5
0.6
0.4
0.4
0.3
0.2
0.2 Solución analítica
Solución numérica
0.1 0
0.2 0.4 0.6 0.8 1 0.2 0.4 0.6 0.8 1
4.5. Programación dinámica estocástica

1. El modelo de Ramsey: Suponga el siguiente problema de optimización intertemporal:
∞
X ct1−σ − 1
máx βt
{ct ,kt+1 }
t=0
1−σ
sujeto a:
kt+1 = Aktα − ct + (1 − δ)kt ; A=1
Formular la ecuación de Bellman y escribir un programa en MatLab para obtener la función
valor y las funciones de polı́tica para el capital, consumo y producto. Para esto, construir
un intervalo adecuado para su dominio y use valores razonables de los parámetros.

2. Persistencia de consumo: Este ejercicio es tomado de Sargent (1987) y consiste en que

los agentes poseen cierta inercia en el consumo. En concreto el problema de optimización
es: ∞
X
máx β t (ln ct + γ ln ct−1 )
{ct ,kt+1 }
t=0
sujeto a:
kt+1 = Aktα − ct
Siendo γ < 0 y c0 dado. Usando el método de coeficientes indeterminados encontrar la
función valor y las funciones de polı́tica de todas las variables. Para lograr esto se sugiere
utilizar la siguiente función hipotética:
V (kt , ct−1 ) = E + F ln kt + G ln ct−1

Capı́tulo 5
El método de King-Plosser-Rebelo
En este capı́tulo se presenta un método que permite resolver modelos de equilibrio general.
El resultado de la solución corresponde a las funciones de polı́tica de las variables endógenas
en términos de las variables de estado y exógena. Encontrar estas funciones es sumamente
importante por tres razones. Primero, se pueden obtener los momentos estadı́sticos teóricos y
compararlos con los momentos estadı́sticos obtenidos de los datos. Segundo, permite obtener las
reacciones de las variables endógenas frente a perturbaciones en las variables exógenas (Impulso-
Respuesta). Tercero, nos ayuda a realizar ejercicios de simulación estocástica, a partir del cual
es posible obtener ciclos teóricos y compararlos con los ciclos obtenidos de los datos.
En concreto presentamos el método de King et al. (1988a) y King et al. (1988b), KPR de aquı́
en adelante. El procedimiento de solución sigue la lógica presentada en la Figura 4.1. En primer
lugar, se debe determinar el estado estacionario. Esto es sumamente importante por que la
solución numérica del modelo se escribe en términos desviaciones relativas de estas, en otras
palabras, la dinámica de las variables en el corto plazo se comparan con su tendencia de largo
plazo. En segundo lugar se debe log-linealizar el sistema dinámico estocástico en torno al estado
estacionario. En tercer lugar se deben escribir en términos matriciales el sistema resultado del
anterior paso y se deben identificar las matrices fundamentales del modelo W, R y Q. En cuarto
lugar se debe examinar la estabilidad dinámica del modelo, esto implica encontrar los valores
propios de la matriz W y los vectores propios asociados a cada valor propio. Luego se debe
efectuar una transformación de Jordan, W = PΛP−1 . En cuarto lugar se deben determinar las
reglas de decisión para el vector de variables de co-estado, λt , y el vector de variable de estado,
xt . Para encontrar λt se debe aplicar alternativamente el método de sustitución recursiva o el
método de operadores de rezago. Finalmente, con estas funciones de polı́tica, se obtienen el
vector de variables endógenas, ut . De esta forma, la solución al modelo de equilibrio general
corresponden las reglas de decisión o funciones de polı́tica.
En la primera sección presentamos algunas notas sobre las diferencias y similitudes de lineali-
zación con la log-linealización. En la segunda sección se ilustra el método KPR que se deduce
a partir de un problema de optimización estocástica lineal cuadrática (LQ, por sus siglas en
inglés, Linear Quadratic) y, a continuación, mostramos un ejemplo de aplicación. En la tercera
CAPÍTULO 5. EL MÉTODO DE KING-PLOSSER-REBELO 77
sección exponemos algunas consideraciones sobre la unicidad de soluciones, infinitas soluciones

y soluciones explosivas. Finalmente, en las secciones 4 y 5 se presentan los resultados de las
simulaciones del modelo.
Figura 5.1: Procedimiento de solución según el método KPR
5.1. Notas sobre Log-Linealización
Una de las caracterı́sticas, a la hora de resolver los modelos DSGE, es que son altamente com-
plejos, dado que presenta una alta no linealidad, la cual dificulta el uso de métodos matemáticos
convencionales. La alternativa para resolver este inconveniente es usar una aproximación lineal
entorno al estado estacionario. La ventaja de este procedimiento es que simplifica el modelo y
por ende su solución, sin embargo, presenta algunas deficiencias, uno de ellos es que las trayec-
torias puedes ser subestimadas y por lo tanto los momentos estadı́sticos, esto es evidente cuando
se comparan con los datos observados, a diferencia de lo que ocurre con el modelo no lineal, que
puede proveer trayectorias y momentos estadı́sticos similares a los datos observados. De esta
forma, existe un trade-off entre usar ecuaciones lineales simples de manejar, y aceptar que las
dinámicas de las variables y los momentos estadı́sticos difieran de los datos, o usar ecuaciones
no lineales complejas, y que las dinámicas y los momentos se aproximen a los datos.
En estricto, la técnica de linealización es única, lo que difiere es la naturaleza de la variable

y su interpretación. Primero, se pueden considerar variables en niveles, que se denominará

linealización y, segundo, en logaritmos, que se denominará log-linealización. Para este último

caso existen dos aproximaciones que son equivalentes, la primera alternativa sugiere expresar
las variables en exponenciales y, la segunda, se usa el método de Uhlig.
Sea una función no lineal, f : Rn → R, definido por y = f (x), donde x = (x1 , x2 , x3 , . . . , xn ).

Esta función puede ser aproximado por una función lineal de primer orden1 en torno a un punto
fijo x (llamado estado estacionario) mediante la aplicación de la Serie de Taylor:
∂f (x) ∂f (x) ∂f (x)
f (x) = f (x) + |x (x1 − x1 ) + |x (x2 − x2 ) + · · · + |x (xn − xn )
∂x1 ∂x2 ∂xn
En el caso de una variable, n = 1, se tiene;

∂f (x1 )
f (x1 ) = f (x1 ) + |x1 (x1 − x1 ) (5.1)
∂x1
En cambio, cuando existen dos variables, n = 2, la aproximación lineal viene dado por;
∂f (x1 , x2 ) ∂f (x1 , x2 )
f (x1 , x2 ) = f (x1 , x2 ) + |(x1 ,x2 ) (x1 − x1 ) + |(x1 ,x2 ) (x2 − x2 ) (5.2)
∂x1 ∂x2
La esencia de las aproximaciones lineales son las expresiones (5.1) y (5.2). Siguiendo a McCand-
less (2008) y DeJong and Dave (2011), en general, el modelo se puede representar de la siguiente
manera:
F (xt+1 , xt ) = 0 (5.3)
A partir del modelo (5.3) se distinguen dos formas de linealizar;
Primero: Linealización. Mediante una aplicando de (5.2) al rededor del estado estacionario,
(ss), en la que se cumple xt+1 = xt = xss , se tiene:
∂F (xt+1 , xt ) ∂F (xt+1 , xt )
F (xt+1 , xt ) = F (xss ) + |xss (xt+1 − xss ) + |xss (xt − xss ) = 0 (5.4)
∂xt+1 ∂xt
La aproximación (5.4) se conoce como “ Linealización”, dado que las variables se expresan como
una desviación absoluta respecto al estado estacionario, es decir por ejemplo xt − xss representa
la brecha o desviación que experimenta la variable xt respecto a su valor de estado estacionario
xss .
Segundo: Log-Linealización. Para fines de interpretación económica se puede aproximar

mediante una desviación relativa, lo que permite interpretar los resultado como desviaciones
porcentuales y por lo tanto, los coeficientes resultan ser elasticidades. En este contexto existe
tres alternativas:
i): En la aproximación (5.4) podemos multiplicar y dividir por xss tanto en el segundo y tercer
término de lado derecho. Además según (5.3), en el estado estacionario se cumple F (xss ) = 0
∂F (xt+1 , xt ) (xt+1 − xss ) ∂F (xt+1 , xt ) (xt − xss )
F (xt+1 , xt ) = |xss xss + |xss xss =0
∂xt+1 xss ∂xt xss
1
También se puede usar una aproximación lineal de segundo orden, u otro de orden superior. Al respecto
véase Grohé, Smith y Uribe (2...). En este documento solo se usa a la aproximación de primer orden.

De esta manera podemos definir;

xt+1 − xss xt − xss
x
bt+1 = ; x
bt = (5.5)
xss xss
como desviación relativa en tanto por uno de xt+1 y xt respectivamente. Si se multiplica por
100 entonces se obtiene una desviación porcentual de las variables. En consecuencia:
∂F (xt+1 , xt ) ∂F (xt+1 , xt )
F (xt+1 , xt ) = |ss xss x
bt+1 + |ss xss x
bt = 0 (5.6)
∂xt+1 ∂xt
ii): En la ecuación (5.3) podemos sustituir xt+1 y xt por eln xt+1 y eln xt respectivamente.
F (eln xt+1 , eln xt ) = 0 (5.7)
Aplicando la expansión de Taylor se tiene;
∂F (..) ∂F (..)
F (eln xt+1 , eln xt ) = F (eln xss , eln xss ) + |ss (ln xt+1 − ln xss ) + |ss (ln xt − ln xss )
∂ ln xt+1 ∂ ln xt
De esta forma podemos definir las desviaciones relativas;
bt+1 = ln xt+1 − ln xss

x ; bt = ln xt − ln xss
x (5.8)
Sabiendo que en estado estacionario se cumple F (eln xss , eln xss ) = 0, entonces la log-linealización
del modelo viene dado por;
∂F (eln xt+1 , eln xt ) ∂F (eln xt+1 , eln xt )

F (xt+1 , xt ) = |ss x
bt+1 + |ss x
bt = 0 (5.9)
∂ ln xt+1 ∂ ln xt
Las aproximaciones (5.6) y (5.9) son equivalentes, dado que las expresiones (5.5) y (5.8) son
equivalentes2 .
iii): Otra forma de log-linealizar es aplicando el método de Uhlig. Este método parte del hecho
de que xt = xss exbt , sustituyendo en (5.3) se tiene:
F [xss exbt+1 , xss exbt ] = 0 (5.10)
Para simplificar, Uhlig establece las siguientes propiedades:
exbt ≈ (1 + x
bt ) (5.11)
2 xt − xss
Por ejemplo para la variable xt , tenemos ≈ ln xt − ln xss . Para demostrar esta equivalencia, sea
xss
xt − xss xt xt xt
γt = = − 1, de donde γt + 1 = y aplicando logaritmos ln(γt + 1) = ln . Sabiendo
xss xss xss xss
xt
que γt ∈ (0, 1) entonces podemos aproximar que ln(γt + 1) ≈ γt . En consecuencia γt = ln , es decir
xss
xt − xss
≈ ln xt − ln xss
xss

exbt +abyt ≈ 1 + x
bt + ab
yt (5.12)
bt ybt ≈ 0
x (5.13)
xbt+1
E ae ≈ a + aE [b
xt+1 ] (5.14)
Usando la primera propiedad, la relación (5.10) se convierte en:
F [xss (1 + x
bt+1 ), xss (1 + x
bt )] = 0 (5.15)
Para ilustrar la aplicación de la log-linealiación consideremos la ecuación de Euler en el modelo

de Ramsey.
cσt+1 α−1

σ
= β αAt+1 kt+1 +1−δ
ct
Esta ecuación podemos escribir, en términos de (5.3), de la siguiente manera;
α−1 σ
F = αβAt+1 kt+1 ct + β(1 − δ)cσt − cσt+1 = 0 (5.16)
En este caso, la función F depende de cuatro variables At+1 , kt+1 , ct y ct+1 . Primero se aplica
un procedimiento similar al que se obtuvo (5.6).
∂F bt+1 + ∂F |ss kss b ∂F ∂F
F = F |ss + |ss Ass A kt+1 + |ss cssb
ct + |ss cssb
ct+1 = 0
∂At+1 ∂kt+1 ∂ct ∂ct+1
α−1 σ bt+1 +αβ(α −1)Ass k α−1 cσ b α−1 σ σ
ct −σcσssb

αβkss css Ass A ss ss kt+1 + αβσAss kss css + βσ(1 − δ)css b ct+1 = 0
Eliminando el término cσss , pero además, en el estado estacionario la ecuación de Euler cumple
α−1
que β [αAss kss + β(1 − δ)] = 1, por lo tanto obtenemos la ecuación log-lineal:
α−1 α−1 b
bt+1 + αβ(α − 1)Ass kss
αβkss Ass A ct − σb
kt+1 + σb ct+1 = 0 (5.17)
La segunda forma de log-linealizar es aplicando (5.7). Por lo tanto (5.16) se convierte en:
F = αβeln At+1 e(α−1) ln kt+1 eσ ln ct + β(1 − δ)eσ ln ct − eσ ln ct+1 = 0
Al aplicar (5.9) se obtiene exactamente la versión (5.17).
La tercera forma de log-linealizar es aplicando el método de Uhlig, dado por (5.15). Por lo tanto
(5.16) se convierte en;
α−1
F = αβAss (1 + A
bt+1 )kss (1 + b ct )σ + β(1 − δ)cσss (1 + b
kt+1 )α−1 cσss (1 + b ct )σ − cσss (1 + b
ct+1 )σ = 0
bt )a ≈ 1 + ab
Usando la aproximación (1 + x xt y simplificando el término cσss tenemos;
α−1 bt+1 )[1 + (α − 1)b
αβAss kss (1 + A kt+1 ](1 + σbct ) + β(1 − δ)(1 + σb ct ) − (1 + σbct+1 ) = 0
h i
α−1
αβAss kss 1 + (α − 1)b kt+1 + A
bt+1 + σb ct + β(1 − δ)(1 + σb ct ) − (1 + σb ct+1 ) = 0
Agrupando adecuadamente los términos se obtiene la versión idéntica a (5.17);
α−1 b α−1 b
αβ(α − 1)Ass kss kt+1 + αβAss kss ct − σb
At+1 + σb ct+1 = 0

De esta manera las tres técnicas son equivalente y permiten log-linealizar el modelo como des-
viaciones relativas del estado estacionario.
Las implicaciones de log-linealizar el modelo son fundamentales a la hora de capturar las dinámi-
cas de las variables. Para iluastrar consideremos el modelo de Solow estocástico desarrollado en
el capı́tulo anterior. Usando (5.7), la ecuación (3.18) se escribe de la siguiente forma:
F (ln kt , ln kt+1 , ln At ) = seln At eα ln kt + (1 − n − δ)eln kt − eln kt+1 = 0
Aplicando una expansión de Taylor;

∂F ∂F bt + ∂F
F (ln kt , ln At , ln kt+1 ) = F (..)|ss + |ss b
kt + |ss A |ss b
kt+1 = 0
∂ ln kt ∂ ln At ∂ ln kt+1
Se supone que se cumple F (..)|ss = 0, entonces se tiene;
αseln Ass eα ln kss + (1 − n − δ)eln kss bkt + seln Ass eα ln kss A

bt − eln kss b

kt+1 = 0
α α b
[αsAss kss + (1 − n − δ)kss ] b
kt + sAss kss At − kss b
kt+1 = 0
Dado que At = Ass eεt y que Ass = 1, entonces aplicando logaritmos ln At = ln Ass + εt , y por lo
tanto la versión log-lineal vendrı́a dado por A
bt = εt . Por lo tanto, podemos obtener que:
α α
kss b
kt+1 = [αsAss kss + (1 − n − δ)kss ] b
kt + sAss kss εt
Al despejar b
kt+1 de la ecuación anterior se tiene;
kt+1 = B b
b kt + Cεt (5.18)
α α
Donde; B = αsAss kss + (1 − n − δ)kss y C = sAss kss .
Para determinar el comportamiento del modelo no lineal y el modelo lineal consideramos los
mismos valores de los parámetros y la serie de ruido ε1t usados en el capı́tulo anterior. Los
resultados se observan en Figura 4.1. Claramente las trayectorias de las variables, aunque siguen
el mismo comportamiento, no exhiben los mismo momentos estadı́sticos. Particularmente la
varianza del modelo no lineal es sistemáticamente superior al del modelo lineal, al igual que la
media.

Figura 5.2: Modelo de Solow: Trayectoria modelo lineal vs no lineal
5.2. El método de King-Plosser-Rebelo
Como se discutió en la sección anterior, existen muchos métodos que permiten resolver modelos
de equilibrio general dinámicos y estocástico. En esta sección vamos a exponer el método de
King et al. (1988a), King et al. (1988b) y King et al. (2002), de aquı́ en adelante KPR. Se
sigue las notaciones y la estructura presentado en Burnside (1999). El problema general de la
optimización estocástca LQ (Linear Quadratic) esta planteado de la siguiente manera;
∞
X
máx ∞ Et β t [x0t Axx xt + 2x0 Axu ut + 2x0t Axz zt + u0t Auu ut + 2u0t Auz zt + z0t Azz zt ]
{ut ,xt+1 }t=0
t=0
Sujeto a la siguiente restricción:
Bn xt+1 = Bx xt + Bu ut + Bz zt (5.19)
Donde ut es un vector de variables de control, de orden nc × 1, xt es un vector de variables de

estado, de ns × 1, y zt es un vector de variables exógenas de ne × 1 cuya estructura viene dado

por la siguiente ley autorregresiva de primer orden3

zt+1 = Πzt + εt+1 ; ε ∼ N (0, Σ2ε ) (5.20)
Ası́ mismo, los términos; [Axx ]ns ×ns , [Axu ]ns ×nc , ..., [Azz ]ne ×ne son matrices cuadradas y
simétricas del orden especificado, de modo que los término dentro de la función objetivo,
x0t Axx xt , x0 Axu ut , ..., z0t Azz zt son formas cuadráticas definidas positivas. Por su parte [Bn ]ncs ×ns ,
[Bx ]ncs ×ns , [Bu ]ncs ×nc y [Bz ]nce ×ne son matrices cuadradas de acuerdo al orden especificado y
| Π |< 1 es una matriz de coeficientes autorregresivos que captura los efectos de los valores
pasados de las variables exógenas sobre los valores futuros sobre sı́ mismo y el resto de las
variables endógenas. También se conoce como matriz de coeficientes de persistencia.
Las condiciones de primer orden ∂L/∂ut , ∂L/∂xt+1 y ∂L/∂λt vienen dados, respectivamente,
por el siguiente sistema de ecuaciones en diferencias con expectativas racionales:
Auu ut + A0xu xt + Auz zt + B0u λt =0 (5.21)
−B0n λt + βEt [Axx xt+1 + Axu ut+1 + Axz zt+1 + B0x λt+1 ] =0 (5.22)
Bx xt + Bu ut + Bz zt − Bn xt+1 =0 (5.23)
En notación de KPR, a partir de (5.21), se obtiene;

xt x
Mcc ut = Mcs + Mce zt ⇒ ut = Mcc Mcs t + M−1
−1
cc Mce zt (5.24)
λt λt
Donde Mcc = Auu , Mcs = [−A0xu − B0u ] y Mce = −Auz . Por otro lado, las ecuaciones
(5.22) y (5.23) se puede escribir de la siguiente manera;

xt+1 x
0
Mss Et + Mss t = M0sc Et ut+1 + M1sc ut + M0se Et zt+1 + M1se zt
1
(5.25)
λt+1 λt
Donde;
βAxx βB0x 0 −B0n

−βAxu
M0ss = 1
; Mss = 0
; Msc =
−Bn 0 Bx 0 0

0 −βAxz 0
M1sc = ; M0se = ; M1se =
−Bu 0 −Bz
Sustituyendo la ecuación (5.24) en (5.25), reorganizando algebraicamente y despejando el vector
E[xt+1 λt+1 ]0 se obtiene la ecuación fundamental del modelo:

xt+1 x
Et = W t + REt zt+1 + Qzt (5.26)
λt+1 λt
Donde W, R y Q son las matrices fundamentales del modelo. Particularmente la matriz W
determina la estabilidad dinámica del modelo y, junto al resto de las matrices, determinan los
coeficientes de polı́tica.
0 1
W = −[M̄ss ]−1 [M̄ss ] = [M0ss − M0sc M−1 −1 1 1 −1
cc Mcs ] [Mss − Msc Mcc Mcs ]
0 0
R = [M̄ss ]−1 [M̄se ] = [M0ss − M0sc M−1 −1 0 0 −1
cc Mcs ] [Mse + Msc Mcc Mce ]
0 1
Q = [M̄ss ]−1 [M̄se ] = [M0ss − M0sc M−1 −1 1 1 −1
cc Mcs ] [Mse + Msc Mcc Mce ]
3
Cabe mencionar que nc , ns y ne se refieren al número de variables de control, estado y exógeno respectiva-
mente.

Se supone que:
W11 W12 Rx Qx
W= ; R= ; Q=
W21 W22 Rλ Qλ
Asumiendo que ns + ncs es linealmente independiente, podemos aplicar una descomposición de
Jordan (o Cholesky). Sea Λ una matriz diagonal de valores propios (eigenvalue) y P una matriz
de vectores propios (eigenvectors) asociados a cada uno de los valores propios, por lo tanto, la
matriz W se puede escribir de la siguiente manera;
W = PΛP−1 (5.27)
Sean Λ1 y Λ2 los valores propios de W, que se obtiene de resolver el polinomio caracterı́stico,

y que cumple Λ1 < 1 y Λ2 > 1. Entonces podemos suponer que;
11
P12

Λ1 0 P11 P12 −1 P
Λ= ; P= ; P =
0 Λ2 P21 P22 P21 P22
Ahora sustituimos (5.27) en (5.26) y luego premultiplicamos por P−1 se obtiene;

−1 xt+1 −1 xt
P Et = ΛP + P−1 REt zt+1 + P−1 Qzt (5.28)
λt+1 λt
Un paso fundamental que permite resolver el modelo es realizar un cambio de variable;

x̃t −1 xt
=P (5.29)
λ̃t λt
Dado que E(..) es un operador lineal, entonces (5.28) se convierte en;

x̃t+1 x̃t
Et =Λ + P−1 REt zt+1 + P−1 Qzt
λ̃t+1 λ̃t
Lo que es equivalente a la siguiente relación;

11
P12 Rx
11
P12 Qx

x̃t+1 Λ1 0 x̃t P P
Et = + Ez + z
λ̃t+1 0 Λ2 λ̃t P21 P22 Rλ t t+1 P21 P22 Qλ t
El sistema anterior implica que se tienen dos bloques de ecuaciones que definen el comporta-
miento de las variables de estado y co-estado. Al desacoplar las matrices se obtienen:
Et x̃t+1 = Λ1 x̃t + (P11 Rx + P12 Rλ )Et zt+1 + (P11 Qx + P12 Qλ )zt (5.30)
21 22 21 22
Et λ̃t+1 = Λ2 λ̃t + (P Rx + P Rλ )Et zt+1 + (P Qx + P Qλ )zt (5.31)
Debido a la organización de la matriz de valores propios, en la ecuación (5.30) se cumple Λ1 < 1,

entonces se puede resolverse “hacia atrás” (backward-looking). Por el contrario, la ecuación (5.31)
está caracterizada por una matriz de valores propios mayores a 1, Λ2 > 1, lo que implica que debe
resolverse “hacia adelante” (forward looking) y esto se logra usando el método de sustitución

recursiva o, alternativamente, usando el método de operadores de rezago. Ası́, la solución viene

dado por:
∞
−(j+1)
X 21
(P Rx + P22 Rλ )Et zt+j+1 + (P21 Qx + P22 Qλ )Et zt+j

λ̃t = − Λ2 (5.32)
j=0
Nótese que en este caso, la solución depende sólo de los valores esperados de zt , lo cual no
sugiere resolver, por otro lado, el proceso autorregresivo (5.20). La solución es relativamente
simple y se obtiene que: Et zt+j = Πj zt . Sustituyendo esta solución en (5.32).
∞
−(j+1)
X
(P21 Rx + P22 Rλ )Πj+1 zt + (P21 Qx + P22 Qλ )Πj zt

λ̃t = − Λ2
j=0
Ahora bien, podemos definir el i−ésimo elemento de las matrices que están en el argumento
de la sumatoria. Sea Λ2i el i−ésimo elemento de la matriz Λ2 , y sean (P21 Rx + P22 Rλ )i y
(P21 Qx + P22 Qλ )i como los i−ésimos elementos de las matrices (P21 Rx + P22 Rλ ) y (P21 Qx +
P22 Qλ ) respectivamente. En consecuencia, podemos reorganizar de la siguiente manera:
∞
−(j+1)
X 21
(P Rx + P22 Rλ )i Πj+1 zt + (P21 Qx + P22 Qλ )i Πj zt

λ̃t = − Λ2i
j=0
∞
X
−Λ−1 21 22 21 22
Λ−j j

λ̃t = 2i (P Rx + P Rλ )i Π + (P Qx + P Qλ )i 2i Π zt
j=0
Tomando en cuenta que los valores propios son mayores a 1, sus inversos serán menores a 1. Por
otro lado, los componentes de la matriz de coeficientes de persistencia son menores a 1, lo que
implica que el producto de estos sea menor a 1, es decir Λ−j j
2i Π < 1. De esta manera, el término
∞
X −1
Λ−j j −1

2i Π corresponde a una serie geométrica infinita que converge al término Ine − Λ2i Π ,
j=0
siendo Λ−1
2i Π la razón de dicha serie. Con estas condiciones, la ultima ecuación se puede escribirse
de la siguiente manera:
λ̃t = Ψzt (5.33)
Donde Ψ es denotado por:
−1
Ψ = −Λ−1 Ine − Λ−1
21 22 21 22

2i (P Rx + P Rλ )i Π + (P Qx + P Qλ )i 2i Π
Para recuperar el valor de la variable original, recordemos la definición de las variables tildadas
en (5.29). Al desacoplar las matrices se obtiene:
x̃t = P11 xt + P12 λt (5.34)

λ̃t = P21 xt + P22 λt (5.35)
Igualando (5.35) con (5.33) se obtiene la función de polı́tica para λt :
λt = Υλx xt + Υλz zt (5.36)

Donde Υλx = −(P22 )−1 P21 y Υλz = (P22 )−1 Ψ. Por otro lado, para hallar la solución de la
variable de estado xt consideramos la ecuación fundamental del modelo, (5.26), en la que W
escribimos en términos de Λ, P y P−1 , es decir;
11
P12 xt

xt+1 P11 P12 Λ1 0 P Rx Qx
Et = + Ez + z
λt+1 P21 P22 0 Λ2 P21 P22 λt Rλ t t+1 Qλ t
Al descomponer las matrices se tiene:
Ext+1 = (P11 Λ1 P11 + P12 Λ2 P21 )xt + (P11 Λ1 P12 + P12 Λ2 P22 )λt + Rx Ezt+1 + Qx zt (5.37)
11 21 12 22
Eλt+1 = (P21 Λ1 P + P22 Λ2 P )xt + (P21 Λ1 P + P22 Λ2 P )λt + Rλ Ezt+1 + Qλ zt (5.38)
Podemos reemplazar (5.36) en (5.37). Además, si aplicamos el operador expectativas en el

proceso autorregresivo zt+1 = Πzt + εt+1 se obtiene Et zt+1 = Πzt , dado que εt+1 sigue una
distribución normal con media cero, E(εt+1 ) = 0. Ası́ mismo, se supone que las expectativas
sobre una variable de estado es la misma. Por lo tanto:
xt+1 = (P11 Λ1 P11 + P12 Λ2 P21 )xt + (P11 Λ1 P12 + P12 Λ2 P22 )(Υλx xt + Υλz zt ) + Rx Πzt + Qx zt
Ahora podemos usar Υλx y Υλz por sus expresiones equivalentes definidos en (5.36), de modo
que, al reorganizar adecuadamente obtenemos:
xt+1 = P11 Λ1 P11 − P12 (P22 )−1 P21 xt + (P11 Λ1 P12 + P12 Λ2 P22 )(P22 )−1 Ψ + Rx Π + Qx zt

Para fines de simplificación, recordemos la partición de una matriz inversa;
D−1 −D−1 F H −1

E F
=
G H −H −1 GD−1 H −1 + H −1 GD−1 F H −1
En nuestro caso se tiene (P11 )−1 = P11 − P12 (P22 )−1 P21 , con esta consideración, la función de
polı́tica para la variable de estado viene dado por:
xt+1 = Υxx xt + Υxz zt (5.39)
Donde, Υxx = P11 Λ1 (P11 )−1 y Υxz = (P11 Λ1 P12 + P12 Λ2 P22 )(P22 )−1 Ψ + Rx Π + Qx . Fi-
nalmente, la función de polı́tica para la variable de control se obtiene sustituyendo (5.36) en
(5.24),

−1 xt
ut = Mcc Mcs + M−1
cc Mce zt
Υλx xt + Υλz zt

−1 I −1 0 −1
ut = Mcc Mcs x + Mcc Mcs + Mcc Mce zt
Υλx t Υλz
Nuevamente, hacemos uso de las expresiones equivalentes de Υλx y Υλz . Por lo tanto la solución
para ut viene dado por:
ut = Υux xt + Υuz zt (5.40)

I 0
Donde; Υux = M−1 cc Mcs y Υuz = M−1
cc Mcs + M−1
cc Mce .
−(P22 )−1 P21 (P22 )−1 Ψ

Un modelo simple: Para ilustrar la aplicación del método KPR consideremos el modelo de
Ramsey estocástico, con choque de tecnologı́a, en la que se supone que el consumidor maximiza
su utilidad a partir del consumo, dicha función exhibe una concavidad variable, capturada por
σ. Además, suponemos que el capital fı́sico se deprecia a una tasa constante δ en cada periodo.
La estructura matemática es el siguiente;
∞
X ct1−σ − 1
máx∞ Et βt
{ct ,kt+1 }t=0
t=0
1−σ
sujeto a la siguiente restricción de recursos y de productividad:
kt+1 = Aktα + (1 − δ)kt − ct

ln At = ρ ln At−1 + εt
Este modelo es el mismo que analizamos en el capı́tulo anterior en su versión determinı́stica,

con la diferencia de que el proceso que gobierna la PTF, At , es de tipo AR(1), en la que se
supone que εt ∼ N (0, σε2 ) representa una innovación tecnológica que afecta la producción de
bienes. El coeficiente |ρ| < 1 es el parámetro de persistencia de la tecnologı́a, esto significa que
los valores pasados tienen efectos sobre los valores actuales y los valores futuros. Para fines de
solución numérica consideremos la siguiente parametrización: α = 0, 36, β = 0, 99, δ = 0, 025,
σ = 1, 5 y ρ = 0, 95. La función de Lagrange del problema está dado por;
∞ 1−σ
X
t ct−1 t α
L(ct , kt+1 , λt ) = Et β + β λt (At kt + (1 − δ)kt − ct − kt+1 )
t=0
1−σ
Las condiciones de primer orden respecto a ct , kt+1 y λt , respectivamente, son:
c−σ
t = λt (5.41)
α−1

λt = Et αβλt+1 At+1 kt+1 + (1 − δ)βλt+1 (5.42)
kt+1 = At ktα + (1 − δ)kt − ct (5.43)
ln At = ρ ln At−1 + εt ; εt ∼ N (0, σε2 ) (5.44)
A partir de este sistema se identifican los siguientes elementos: conjunto de variables endógenas
xt = {ct , λt , kt+1 , At }, variable exógena zt = {εt } y el conjunto de parámetros estructurales de
la economı́a φ = {β, α, δ, σ, ρ, σε }. La identificación de estos elementos es clave al momento de
resolver tanto manualmente como computacionalmente.
Paso 1: Estado estacionario. Por definición de estado estacionario cualquier variable debe
cumplir que xt−1 = xt = xt+1 = xss , lo que implica resolver el siguiente sistema de ecuaciones.
c−σ
ss = λss (5.45)
α−1
λss = αβλss Ass kss + (1 − δ)βλss (5.46)
α
kss = Ass kss + (1 − δ)kss − css (5.47)
ln Ass = ρ ln Ass + εss (5.48)

Se supone que en el estado estacionario no existen perturbaciones, entonces se cumple que

εss = 0 y, por lo tanto, Ass = 1. De esta forma, la ecuación (5.48) queda resuelto. Por otro lado,
de (5.46) eliminamos la variable λss luego, se obtiene inmediatamente el valor de kss con lo cual
obtenemos css de (5.47) y, finalmente, λss de (5.45). Ası́, las expresiones de estado estacionario
vienen dados por:
1
1−α
αβ
kss =
1 − β(1 − δ)
1
1−α
αβ 1 − αβδ − β(1 − δ)
css =
1 − β(1 − δ) σ αβ
1−α σ
1 − β(1 − δ) αβ
λss =
αβ 1 − αβδ − β(1 − δ)
Paso 2: Log-Linealización. Par log-Linealizar la ecuación (5.41), primero escribimos en térmi-

nos exponenciales y luego aplicamos la expansión de Taylor.
F (eln ct , eln λt ) = e−σ ln ct − eln λt = 0
∂F ∂F
F (eln ct , eln λt ) = F |ss + |ss b
ct + |ss λ
bt = 0
∂ ln ct ∂ ln λt
F (eln ct , eln λt ) = F |ss −σc−σ ct − λss λ
ss b
bt = 0
Se supone que en estado estacionario se cumple F |ss = 0 y que c−σ

ss = λss , por lo tanto:
1b
ct = − λ
b t (5.49)
σ
Para log-Linealizar la ecuación (5.42) procedemos de la misma forma, es decir escribimos de la
forma F = F (eln λt , eln λt+1 , eln kt+1 , eln At+1 ).
F = eln λt − Et αβeln λt+1 eln At+1 e(α−1) ln kt+1 + β(1 − δ)eln λt+1 = 0

∂F ∂F bt+1 + ∂F ∂F
F = F |ss + |ss λbt + |ss λ |ss b
kt+1 + |ss A
bt+1 = 0
∂ ln λt ∂ ln λt+1 ∂ ln kt+1 ∂ ln At+1
Se cumple que F |ss = 0 y al encontrar las derivadas respectivas obtenemos:
n o
bt −Et β αAss k α−1 + (1 − δ) λss λbt+1 + αβ(α − 1)λss Ass k α−1 b α−1 b

F = λss λ ss ss kt+1 + αβλ A k
ss ss ss A t+1 = 0
α−1
Según la ecuación de Euler, ecuación (5.46), se cumple que: β [αAss kss + (1 − δ)] = 1. Por otro
lado, eliminamos el término λss , aplicamos las propiedades de expectativas y reorganizando se
obtiene:
α−1 b α−1
αβ(α − 1)Ass kss Et kt+1 + αβAss kss Et A bt+1 − λ
bt+1 + Et λ bt = 0 (5.50)
Para log-Linealización la ecuación (5.43) procedemos de manera similar.
F = eln At eα ln kt + (1 − δ)eln kt − eln ct − eln kt+1 = 0
∂F bt + ∂F |ss b ∂F ∂F
F = |ss A kt + |ss b
kt+1 + |ss b
ct = 0
∂ ln At ∂ ln kt ∂ ln kt+1 ∂ ln ct
F = Ass k α A
ss
bt + [αAss k α + (1 − δ)kss ]b
ss kt − kss b
kt+1 − cssb
ct = 0

Dividimos toda la ecuación entre kss y luego, en el segundo término aplicamos nuevamente la
ecuación (5.46), de esta forma se obtiene:
1 α−1 b css
kt+1 − b
b kt − Ass kss At = − b ct (5.51)
β kss
Finalmente, la log-linealización del proceso AR(1) que sigue At es inmediato. Ası́, al reparame-
trizar las ecuaciones log-lineales (5.49), (5.50) y (5.51) podemos escribir de la siguiente manera:
ct
b = β1 λ
bt (5.52)
β2 Et b
kt+1 + Et λ bt+1 − λ
bt+1 + β3 Et A bt =0 (5.53)
kt+1 + β4 b
b kt + β5 A
bt = β6b
ct (5.54)
A
bt = ρA
bt−1 + εt (5.55)
Donde:
1 α−1 α−1 1 α−1 css
β1 = − ; β2 = αβ(α−1)Ass kss ; β3 = αβAss kss ; β4 = − ; β5 = −Ass kss ; β6 = −
σ β kss
Paso 3: Representación matricial. De la ecuación (5.52) despejamos la variables de control

ct expresando en forma matricial. " #
k
ct = [0 β1 ] bt
b
b (5.56)
λt
De donde se identifica que Mcc = 1, Mcs = [0 β1 ] y Mce = 0. Por otro lado, de (5.53) y (5.54)
se tiene:
" # " #
β2 1 kt+1
b 0 −1 b kt β3 0 bt = 0 b
Et b + + E t A
bt+1 + A c (5.57)
1 0 λt+1 β4 0 λ
bt 0 β5 β6 t
Sustituyendo (5.56) en (5.57) y despejando el vector compuesto por las variables de estado y
co-estado en t + 1, se obtiene la ecuación fundamental del modelo.
" # " #
k k
Et bt+1 = W bt + REt A
b b
bt+1 + QAbt (5.58)
λt+1 λt
Donde las matrices fundamentales vienen dados por:

W1 W2 0 Q1
W = ; R= ; Q=
W3 W4 R1 Q2
Además,
W1 = −β4 ; W2 = β1 β6 ; W3 = β2 β4 ; W4 = 1−β1 β2 β6 ; R1 = −β3 ; Q1 = −β5 ; Q2 = β2 β5
Paso 3: Estabilidad dinámica. Para examinar la estabilidad del modelo es importante de-
terminar los valores propios de la matriz W , para ello se aplica una descomposición de Jordan.
W = P ΛP −1 (5.59)

Donde Λ es una matriz de valores propios y P la matriz de vectores propios.

11
µ1 0 P11 P12 −1 P P 12
Λ= , P = , P =
0 µ2 P21 P22 P 21 P 22
Para determinar los valores propios se construye el polinomio caracterı́stico.
µ2 − trz(W )µ + det(W ) = 0
Donde trz(W ) y det(W ) es la traza y el determinante de la matriz W , respectivamente. Para

resolver el polinomio caracterı́stico primero se obtiene los valores de estado estacionario kss ,
css y λss , con los cuales se obtienen los parámetros βi , i = 1, 2, ..., 6, y por lo tanto de Wj ,
j = 1, ..., 4. Los resultados son los siguientes.
kss = 37, 9893 ; css = 2, 7543 ; λss = 0, 2188
β1 = −0, 6667 ; β2 = −0, 0222 ; β3 = 0,0348 ; β4 = −1,0101 ; β5 = −0,0975 ; β6 = −0,0725

W1 = 1, 0101 ; W2 = 0, 0483 ; W3 = 0, 0225 ; W4 = 1, 0011
Por lo tanto, los valores propios son:
µ1 = 0, 9723 < 1 ; µ2 = 1, 0388 > 1
Observe que un valor propios es menor a 1 y el otro mayor a 1, lo que sugiere la existencia de
equilibrio dinámico estable de punto silla. Ahora, procedemos a determinar los vectores propios
asociados a cada uno de los valores propios, para lo cual, resolvemos el sistema homogéneo
(W − µI)P = 0. Ası́, los resultados que se obtienen para µ1 < 1 y µ2 > 1 vienen dados,
respectivamente, por:
   

P11 1
P12 1
=  µ1 − W 1  ; =  µ2 − W 1 
P21 P22
W2 W2
Se observa que P11 = P12 = 1, de esta forma, se conforma la matriz P y se obtiene P −1 .

11
1 1 −1 P P 12
P = ; P =
P21 P22 P 21 P 22
Donde:
µ2 − W1 W2 W 1 − µ1 W2
P 11 = ; P 12 = ; P 21 = ; P 22 =
µ2 − µ1 µ1 − µ2 µ2 − µ1 µ2 − µ1
Paso 4: Cambio de variable Una vez determinada la estabilidad del modelo, podemos sus-
tituir (5.59) en (5.58) y premultiplicando por P −1 , de donde se obtiene:
" # " #
k k
P −1 Et bt+1 = ΛP −1 bt + P −1 REt A
b b
bt+1 + P −1 QAbt (5.60)
λt+1 λt

Ahora efectuamos el siguiente cambio de variable;

" #
k̃t k
= P −1 bt
b
(5.61)
λ̃t λt
Sustituyendo (5.61) en (5.60).

k̃t+1 k̃
Et = Λ t + P −1 REt A
bt+1 + P −1 QA
bt
λ̃t+1 λ̃t
Aplicando las matrices Λ , P −1 y Q, y multiplicando las matrices e igualando elementos se

obtiene:
Et k̃t+1 = µ1 k̃t + P 12 R1 Et A
bt+1 + (P 11 Q1 + P 12 Q2 )A
bt (5.62)
Et λ̃t+1 = µ2 λ̃t + P 22 R1 Et A
bt+1 + (P 21 Q1 + P 22 Q2 )A
bt (5.63)
Paso 5: Funciones de polı́tica. Dado que µ2 > 1, entonces la ecuación (5.63) puede ser resuel-
to mediante sustitución recursiva mirando hacia adelante, para ello despejamos λt y escribimos
de la siguiente manera;
λ̃t = aEt λ̃t+1 + bEt A
bt+1 + cA
bt (5.64)
1 P 22 R1 P 21 Q1 + P 22 Q2
Donde a = , b = − y c = − . Adelantamos un periodo, aplicamos
µ2 µ2 µ2
la ley de expectativas iteradas; Et λ̃t+1 = aEt λ̃t+2 + bEt Abt+2 + cEt A
bt+1 y sustituimos en (5.64)
obtenemos; λ̃t = a2 Et λ̃t+2 + b(aEt A
bt+2 + Et A
bt+1 ) + c(aEt Abt+1 + A
bt ). Repetimos este proceso y
generalizamos de la siguiente manera:
n
X n
X
λ̃t = an+1 Et λ̃t+n+1 + b ai Et A
bt+i+1 + c ai Et A
bt+i
i=0 i=0
En el lı́mite, cuando n → ∞ se cumple que: lı́m an+1 Et λ̃t+n+1 = 0. Esto es, la condición de
n→∞
transversalidad que también se justifica por el hecho de que a = 1/µ2 ≈ 0 dado que µ2 > 1.
∞
X
i
λ̃t = a bEt A
bt+i+1 + cEt A
bt+i (5.65)
i=0
Por otro lado, si resolvemos el proceso estocástico mediante sustitución recursiva obtendrı́amos
que Abt+i = ρi Abt lo que significa Abt+i+1 = ρi+1 Abt , sustituyendo estos dos términos en (5.65)
∞ ∞
se obtiene λ̃t = (bρ + c) (aρ)i A bt es independiente de i, el término P (aρ)i es
P bt , dado que A
i=0 i=0
una serie geométrica infinita con razón aρ y converge a 1/(1 − aρ). De esta manera la solución
parcial de λ̃t viene dado por:
bρ + c b
λ̃t = At (5.66)
1 − aρ

Ahora bien, para hallar la función de polı́tica de λ

bt , consideramos la relación (5.61) y desaco-
plando la matrices obtenemos:
kt + P 12 λ
k̃t = P 11 b bt (5.67)
kt + P 22 λ
λ̃t = P 21 b bt (5.68)
Igualando (5.68) con (5.66) se obtiene la regla de decisión para la variable de co-estado:
λ
bt = φλk bkt + φλA A
bt (5.69)
P 21

1 bρ + c
Donde: φλk = − 22 y φλA = 22 . Para hallar la función de polı́tica del capital
P P 1 − aρ
consideramos la ecuación fundamental del modelo (5.58), la que es equivalente a:
kt+1 = W1 b
b kt + W2 λ
bt + Q1 A
bt (5.70)
λ
bt+1 = W3 b
kt + W4 λ
bt + R1 A
bt+1 + Q2 A
bt (5.71)
Sustituyendo (5.69) en (5.70) se obtiene la función de polı́tica:
kt+1 = φkk b
b kt + φkA A
bt (5.72)
Donde φkk = W1 + φλk W2 y φkA = Q1 + φλA W2 . Finalmente, para hallar la función de polı́tica
del consumo, sustituimos (5.69) en (5.56).
ct = φck b
b kt + φcA A
bt (5.73)
Siendo φck = β1 φλk y φcA = β1 φλA . De esta manera, se tienen las funciones de polı́tica para las
variables endógenas del modelo, sin embargo, muchas veces es importante conocer las función
de polı́tica para otras variables, como el producto, la inversión entre otros. Obtener la solución
para estas variables es relativamente simple. A partir de la restricción de recursos se deduce que
la producción viene dado por yt = At ktα , y, mediante una log-linealización se obtiene:
ybt = αb
kt + A
bt (5.74)
Por otro lado, para conocer la regla de decisión de la inversión desagregamos la restricción
de recursos y se deduce que it = kt+1 − (1 − δ)kt . La versión log-linealizada serı́a issbit =
kt+1 − (1 − δ)kss kt . En ésta relación sustituimos (5.72), de donde se obtiene:
kss b
bit = φik b
kt + φiA A
bt (5.75)
kss kss
Donde φik = (φkk − 1 + δ) y φiA = φkA En resumen, las funciones de polı́tica de las
iss iss
variables del modelos escribimos de la siguiente manera:
λ
bt = φλk b
kt + φλA A
bt
kt+1 = φkk b
b kt + φkA A
bt
ct = φck b
b kt + φcA A
bt
ybt = αb
kt + A bt
bit = φik b
kt + φiA A
bt
A
bt = ρA bt−1 + εt

5.3. Unicidad, estabilidad y manchas solares
Se sabe que la estabilidad dinámica del modelo depende del número de valores propios menores
a 1. El supuesto clave del modelo presentado en la sección anterior fue que el número de valores
propios menores a uno era exactamente igual al número de variables de estado, es decir Λ1 = ns ,
lo que significa ignorar la posibilidad de existencia de soluciones múltiples. Para mostrar aquello
reescribimos la ecuación (5.31), para ello aplicamos expectativas en el proceso zt+1 = Πzt +εt+1 ,
sabiendo que Et εt+1 = 0, entonces Et zt+1 = Πzt sustituyendo en (5.31) obtenemos:
Et λ̃t+1 = Λ2 λ̃t + [(P21 Rx + P22 Rλ ]Π + P21 Qx + P22 Qλ ]zt
En esta sección relajamos dicho supuesto y consideramos la posibilidad de soluciones múltiples

a la ecuación anterior, es decir, consideramos la posibilidad de que el número de valores propios
dentro del cı́rculo unitario, denotado ni , no sea igual a ns . Existen tres casos: solución única
cuando, ni = ns , manchas solares cuando, ni > ns , y, soluciones explosivas cuando, ni < ns .
a) Solución única (ni = ns )
Bajo esta condición vamos a verificar que la solución que obtuvimos en la sección anterior es
única. La singularidad se basa en las condiciones laterales impuestas en el proceso xt . Sin estas
condiciones hay muchas soluciones explosivas para xt que satisfacen las ecuaciones de diferencia
que rigen el modelo. Descomponemos la ecuación fundamental del modelo y en la primera
ecuación resultante aplicamos Et zt+1 = Πzt , lo cual nos conduce a la siguiente relación:
xt+1 = W11 xt + W12 λt + (Rx Π + Qx )zt
Ahora bien, de la ecuación (5.35) despejamos λt , de donde λt = −(P22 )−1 P21 xt + (P22 )−1 λ̃t .
Sustituimos en la relación anterior:
xt+1 = W11 xt − W12 (P22 )−1 P21 xt + W12 (P22 )−1 λ̃t + (Rx Π + Qx )zt (5.76)
Ahora bien, podemos usar la descomposición de Jordan W = PΛP−1 , es decir:
P11 Λ1 P11 + P12 Λ2 P21 P11 Λ2 P22 + P12 Λ2 P22

W11 W12
=
W21 W22 P21 Λ1 P11 + P22 Λ2 P21 P21 Λ1 P12 + P22 Λ2 P22
Sustituyendo los elementos W11 y W12 por sus expresiones equivalentes en (5.76).
xt+1 = [P11 Λ1 P11 +P12 Λ2 P21 ]xt −[P11 Λ2 P22 +P12 Λ2 P22 ](P22 )−1 P21 xt +W12 (P22 )−1 λ̃t +(Rx Π+Qx )zt
Realizando las simplificaciones se obtiene:
xt+1 = P11 Λ1 [P11 − P12 (P22 )−1 P21 ]xt + W12 (P22 )−1 λ̃t + (Rx Π + Qx )zt
Pero, el término entre corchetes es equivalente a (P11 )−1 según lo aplicado para deducir la
ecuación (5.39). Por lo tanto, obtenemos:
xt+1 = (P11 Λ1 P−1 22 −1

11 )xt + W12 (P ) λ̃t + (Rx Π + Qx )zt

Y recordemos que la solución para λ̃t viene dado por (5.33), λ̃t = Ψzt . Se puede verificar que
cualquier solución de la forma: λ̃t = Ψzt + ξ t , donde ξ t es un proceso tipo Et ξ t+1 = Λ2 ξ t ,
también es solución. Esto implica que una solución más general para xt+1 serı́a:
xt+1 = Υxx xt + Υxz zt + Υxξ ξ t
Donde Υxx y Υxz fueron definidos en (5.39), y Υxξ = W12 (P22 )−1 . La solución anterior plantea
la existencia de múltiples funciones de polı́tica. Ahora bien, dada la forma de ξ t y que Λ2 > 1,
entonces se observa que ξ t es explosivo, lı́mj→∞ Et ξ t+j = lı́mj→∞ Et Λj2 ξ t = ±∞. Una forma
de obtener la unicidad de la solución, implica imponer la condición lı́mj→∞ Et xt+j = 0, lo
cual se cumple cuando ξ t = 0, ∀t. Esta condición es equivalente a imponer la condición de
transversalidad.
lı́m Et β t [x0t Axx xt + 2x0t Axu ut + 2x0t Axz zt + 2x0t B0x λt ] = 0

t→∞
b) Manchas solares (ni > ns )
En este caso consideramos el caso en que el número de valores propios menores a 1 excede el
número de variables de estado. Usamos las definiciones de Λ1 y Λ2 , excepto que en el caso de
Λ2 tiene ni − ns elementos menores a 1. Esto sugiere una nueva partición de Λ2 como:

Λ2` 0
Λ2 =
0 Λ2g
Donde Λ2` contiene valores propios menores a 1. La solución para λ̃t pueden dividirse entre los
que tienen valores propios menores que 1 y mayores que 1:
Eλ̃`t+1 = Λ2` Λ`t + Ω` (Φ0 Π + Φ1 )zt (5.77)

Eλ̃gt+1 = Λ2g Λgt + Ωg (Φ0 Π + Φ1 )zt (5.78)
La primera ecuación se resuelve mirando hacia atrás (backward ) y la segunda ecuación mirando
hacia adelante (forward ). Por lo tanto.
∞
X
λ`t = (Λ2` )j Ω` (Φ0 Π + Φ1 )zt−j−1 + ξ `t (5.79)
j=0
∞
X
λgt = (Λ2g )j Ωg (Φ0 Π + Φ1 )zt−j−1 + ξ gt (5.80)
j=0
Donde Et ξ `t+1 = Λ2` ξ `t y Et ξ gt+1 = Λ2g ξ gt En este caso, imponer la restricción lı́mj→∞ Et xt+j =
0 no elimina el término ξ `j , ya que presenta un proceso convergente. Esto se denomina “mancha
solar” por que hace parte de la solución pero no tiene relación con la solución fundamental.
c) Solución explosiva (ni < ns )
Si hay valores propios menores a 1 que variables de estado, entonces no existe solución.

5.4. Funciones de impulso respuesta
Uno de los ejercicios interesantes en los modelos de equilibrio general es el análisis de las Fun-
ciones de Impulso Respuesta (Impulse Response Functions, IRF por sus siglas en inglés). Estas
funciones muestran la reacción o respuesta de las variables endógenas frente a un impulso en
las variables exógenas, particularmente, en los términos de errores o perturbación. Un cambio
o una innovación estocástica (shock ) en una variable en el perı́odo t afectará directamente a
la propia variable y se transmitirá al resto de variables a través de la estructura dinámica del
modelo.
Recordemos que las funciones de polı́tica y el proceso autorregresvio vienen dados por:
λt = Υλx xt + Υλz zt (5.81)

xt+1 = Υxx xt + Υxz zt (5.82)
ut = Υux xt + Υuz zt (5.83)
zt+1 = Πzt + εt+1 (5.84)
Las funciones (5.82) y (5.84) escribimos en forma matricial:
st+1 = Mst + t+1 (5.85)
Donde;
x Υxx Υxz 0
st = t ; M= ; =
zt 0 Π εt
De esta forma el vector de variables de control y de co-estado dependen de st , es decir, reescri-
bimos las ecuaciones (5.81) y (5.84)
λt = [Υλx Υλz ]st (5.86)

ut = [Υux Υuz ]st (5.87)
De esta forma podemos generar los movimientos de las variables rezagando recursivamente la
ecuación (5.85).
st = t + Mt−1 + M2 t−2 + · · ·
Esto significa que una perturbación en el término de error pierde efectos a medida que pasa el
tiempo.
Para obtener las funciones de impulso respuesta en nuestro ejemplo es importante determinar los
valores de los parámetros y el estado estacionario. En el Cuadro 4.1 se presentan dichos valores,
los cuales son arbitrarios en el caso de los parámetros, pero razonables y similares a los que se
utilizan en la literatura. Por ejemplo, la magnitud del choque, desviación estándar de la PTF,
fue parametrizado en 0, 01, lo cual es consistente con el obtenido en el Cuadro 2.2. Ası́ mismo
el factor de descuento tiene un valor de 0, 99 lo que también es consistente con un valor de tasa
de interés real del r = 1 % aproximadamente, dado que se supone que en estado estacionario
1
se cumple que β = 1+θ , donde θ es una tasa subjetiva de descuento lo cual es equivalente a
decir θ ' r. Con la parametrización establecida es posible calcular los valores numéricos de las

variables en estado estacionario. Los valores de las tasas de consumo e inversión respecto al
producto también son consistentes con los datos promedios observados. En nuestro caso se tiene
que el ratio de consumo/producto es del 74 % e inversión/producto del 26 % que son similares
a los observados en los datos de Estados Unidos.
Cuadro 5.1: Parámetros y estado estacionario
Parámetros Estado estacionario

Elasticidad capital-producto α 0,36 Capital kss 37,989
Factor de descuento β 0,99 Consumo css 2,754
Tasa de depreciación δ 0,03 Precio sombra λss 0,219
Aversión al riesgo σ 1,50 Producto yss 3,704
Persistencia de la tecnologı́a ρ 0,95 Inversión iss 0,950
Magnitud del choque σε 0,01 Tecnologı́a Ass 1,000
De acuerdo a la parametrización del modelo y los valores de estado estacionario se puede obtener
los coeficientes numéricos de las funciones de polı́tica. Cabe señalar que éstos son iguales en los
tres métodos estudiados. De acuerdo al objeto de estudio y la importancia de las variables, éstas
funciones de polı́tica se resumen de la siguiente manera;
ybt = 0, 36b
kt + Abt (5.88)
ct = 0, 52098b
b kt + 0, 34030A
bt (5.89)
bit = −0, 10686b
kt + 2, 91322A bt (5.90)
kt+1 = 0, 97233b
b kt + 0, 07283Abt (5.91)
bt = −0, 78147b
λ kt − 0, 51044A bt (5.92)
A
bt = 0, 95A
bt−1 + εt (5.93)
Dado que las variables están expresados como desviaciones porcentuales del estado estacionario,
bt = ln xt − ln xss , entonces los coeficientes representan elasticidades. De ésta manera, por
x
ejemplo, una desviación del 1 % en el capital respecto a su tendencia de largo plazo (manteniendo
todo lo demás constante) tiene un efecto positivo sobre la desviación del consumo en 0,52 %
respecto a su estado estable.
En la Figura 4.1 se observa el comportamiento de las IRF frente a un choque positivo de

tecnologı́a. Como se mencionó anteriormente, la magnitud del choque fue parametrizado en
0,01 es decir 1 % de desviación respecto al estado estacionario, y éste se efectúan tan solo en
el periodo t = 1, tanto en el periodo t = 0 y el resto de los periodos t = 2, 3, ..., 100 éstos
choques son nulos. Se puede observar que las variables responden positivamente, primero, la
productividad de los factores aumenta positivamente y éste tiene un efecto positivo sobre el
capital y el producto. El consumo y la inversión también aumentan respecto a su equilibrio
de largo plazo, hasta un 0,5 % y 3 % respectivamente. El mecanismo de transmisión del único

choque está dado por la tecnologı́a y el capital, éstas dos variables explican el comportamiento
del resto.
A medida que transcurren los periodos los efectos del choque se disipan lentamente logran-
do que las variables converjan nuevamente a su estado estacionario. Cabe mencionar que el
estado estacionario en éste caso está centrado en cero, tal como se explicó en el capı́tulo ante-
rior. Matemáticamente, se puede ver que los choques efectivamente desaparece. Si rezagamos
recursivamente el proceso dado por la tecnologı́a A bt entonces podemos demostrar que;
n
X
bt = ρn A
A bt−n + ρj εt−j
j=0
En el lı́mite, cuando n → ∞, se tiene que;

n
X
bt = lı́m ρn A
lı́m A bt−n + lı́m ρj εt−j
n→∞ n→∞ n→∞
j=0
Dado que | ρ |< 0 entonces el término ρn converge a cero cuando n → ∞, por lo que
lı́m ρn A
bt−n = 0. De ésta forma se obtiene;
n→∞
∞
X
A
bt = ρj εt−j
j=0
Donde claramente se observa que los efectos pasados de εt sobre los valores futuros de A
bt son
cada vez menores a medida que j aumenta, es decir;
bt = εt + ρεt−1 + ρ2 εt−2 + ρ3 εt−3 + · · ·
A
Al calcular la variación de la tecnologı́a en el periodo t frente a un choque en el mismo periodo se

tiene ∆A bt /∆εt = 1, además considerando que ∆εt = σε entonces es lo mismo decir que A bt = σε .
Esta es la razón por la que la tecnologı́a responde en la misma magnitud que el choque. De
igual forma se puede calcular el efecto de los choques en los periodos sucesivos t + 1, t + 2, t + 3
y ası́ sucesivamente, con lo que se tendrı́a la acumulación de choques en los periodos futuros, es
decir;
A
bt+1 = ρσε , A bt+2 = ρ2 σε , Abt+3 = ρ3 σε , ...

Figura 5.3: Funciones de impulso respuesta

(Expresado en porcentajes)
Producto Consumo
1 0.6
0.4
0.5
0.2
0 0
0 20 40 60 80 100 0 20 40 60 80 100
Inversión Capital
4 1
2 0.5
0 0
0 20 40 60 80 100 0 20 40 60 80 100
Precio sombra Tecnología
0 2
-0.5 1
-1 0
0 20 40 60 80 100 0 20 40 60 80 100
5.5. Bondad de ajuste: dos experimentos
Una de las cuestiones fundamentales en investigación empı́rica, usando cualquier metodologı́a,

es responder la siguiente cuestión ¿que tanto replica el modelo los hechos estilizados de los ciclos
económicos?, en otras palabras, ¿cuál o cuales son las medidas de bondad de ajuste del modelo
a los datos? Para responder esta cuestión se usan dos tipos de experimentos.
En el primer caso, se puede simular el modelo un número finito de veces en un horizonte de

tiempo, a partir de ello se puede filtrar las series simuladas (usando, por ejemplo HP) para obte-
ner el componente cı́clico de las variables y posteriormente determinar los momentos estadı́stico
y éstos compararlos con los datos observados. En el Cuadro 4.2 se observan los momentos teóri-
cos y empı́ricos, los primeros fueron obtenidos mediante una simulación de 100 periodos, dado
que, para fines de comparación, los datos (momentos empı́ricos) fueron considerados desde el
primer trimestre de 1992 hasta el último trimestre del 2016, que corresponder a 100 periodos

(trimestres). En general se puede observar que el modelo se aproxima bastante razonable a la

evidencia empı́rica, aunque existen diferencias leves en los momentos. La desviación estándar del
consumo, inversión y capital es subestimado levemente por el modelo, y en cuanto al producto
y la tecnologı́a se observa una leve sobreestimación. En cuanto a los coeficientes de correlación
estática de las variables con el producto se observan que son mayores en el modelo y sucede lo
contrario en los coeficientes de autocorrelación de primer orden (persistencia), éstos valores son
menores en el modelo que en los datos.
Cuadro 5.2: Momentos estadı́sticos
σ(x)
Variables σ(x) corr(x, y) ρx
σ(y)
MOMENTOS EMPÍRICOS
Producto 0.0107 1.0000 1.0000 0.8818
Consumo 0.0089 0.8355 0.8852 0.9145
Inversión 0.0586 5.4976 0.9130 0.8871
Capital 0.0059 0.5508 0.2412 0.9746
Tecnologı́a 0.0078 0.7292 0.7171 0.7816
MOMENTOS TEÓRICOS
Producto 0.0131 1.0000 1.0000 0.7328
Consumo 0.0047 0.3587 0.9598 0.7732
Inversión 0.0381 2.9161 0.9950 0.7265
Capital 0.0033 0.2527 0.3261 0.9560
Tecnologı́a 0.0131 1.0005 0.9959 0.7269
Un segundo experimento es considerar la PTF como los choques estocásticos y con ello es posible
estimar el componente cı́clico de las variables, y éste es sujeto a comparación con los datos. En
la Figura 4.2 se presenta el ciclo del PIB real de Estados Unidos (1992Q1 - 2016Q4) y el ciclo
del producto obtenido a partir del modelo. Se observa que existe una muy buena aproximación,
considerando que el modelo resuelto es bastante simple. Ambas series muestran una correlación
significativa del 73 %. En la Figura 4.3 se muestran los ciclos del consumo e inversión tanto
empı́ricos como los estimados por el modelo. La correlación entre el ciclo del consumo observa
y el estimado es de 54 % y en cambio para la inversión es 74 %.

Figura 5.4: Ciclos del producto observado vs estimado

(Expresado en porcentaje)
Figura 5.5: Ciclos, observado vs estimado

(Expresado en porcentaje)

Parte III
Modelos de Ciclos Económicos Reales

Capı́tulo 6
Ciclos Económicos Reales y mercado de

trabajo
En el capı́tulo 5 se resolvió el modelo de Ramsey estocástico. Este modelo supone que los agentes
trabajan todo el tiempo (las 24 horas), lo que implica ausencia de otras actividades como el
ocio, por ejemplo, y por ello la función de utilidad depende solamente del consumo. Bajo este
supuesto, el modelo fue capaz de replicar el comportamiento cı́clico de las principales variables,
producto, consumo e inversión.
En la práctica, los agentes distribuyen su dotación de tiempo (24 horas), para simplificar el
análisis, en dos actividades, horas que dedica a trabajar (N ) y horas que dedica al ocio (L), de
modo que N + L = H es el tiempo total disponible. En este contexto, el agente se enfrenta a
la disyuntiva de elegir entre consumo u ocio, dicha elección surge a partir de la solución de un
modelo de optimización intertemporal, determinando de manera implı́cita la oferta de trabajo.
En el capı́tulo 2 se encontró que el nivel de empleo y la tasa de desempleo muestran un alta

correlación (superior al 70 %) con el producto, lo que sugiere que el mercado laboral constituye
una fuente potencial de los ciclos que experimenta el producto, por lo tanto, es importante una
modelación adecuada del mercado laboral. El objetivo de este capı́tulo es presisamente esto. En
particular se muestra dos formas de modelar el mercado laboral; trabajo divisible (modelo RBC
estándar) y trabajo indivisible a la Hansen (1985), antes dello se revisa algunas estadı́sticas del
mercado laboral.
6.1. Las estadı́sticas del mercado laboral
La Organización Internacional del Trabajo (OIT), o International Labour Organization-(ILO)

por siglas en inglés, menciona lo siguiente: “Una de las preocupaciones más antiguas de la
legislación del trabajo ha sido la regulación del tiempo de trabajo. Ya a principios del siglo XIX,
se reconocı́a que trabajar demasiadas horas constituı́a un peligro para la salud de los trabajadores
CAPÍTULO 6. CICLOS ECONÓMICOS REALES Y MERCADO DE TRABAJO 103
y sus familias. El primer convenio de la OIT, adoptado en 1919, limitaba las horas de trabajo
y disponı́a periodos adecuados de descanso para los trabajadores. Actualmente, las normas de la
OIT sobre el tiempo de trabajo confieren el marco para la regulación de las horas de trabajo, de
los periodos de descanso diarios y semanales, y de las vacaciones anuales. Estos instrumentos
garantizan una elevada productividad, al tiempo que se protege la salud fı́sica y mental de los
trabajadores. Las normas sobre el trabajo a tiempo parcial se han convertido en instrumentos
de creciente relevancia para tratar cuestiones tales como la creación de empleo y la promoción
de la igualdad entre hombres y mujeres”1 .
Si bien la OIT establece un marco de referencia para la regulación de horas de trabajo, lo cierto
es que difiere de un paı́s a otro. En el Cuadro 6.1 se observan las horas promedio trabajadas por
año, horas ocio promedio anual y otros indicadores del mercado laboral. El promedio de horas
de trabajo por cada trabajador en economı́as desarrolladas, durante 1950-2016, fue 1,874 hrs.
(y las horas de ocio fue 3,118 hrs.), en cambio para economı́as en desarrollado fue 2,183 hrs. (y
las horas de ocio 2,809 hrs.). Si consideramos la dotación del tiempo total de 24 horas al dı́a,
de los cuales, según la OIT, se dedican 8 horas al trabajo y por tanto 16 para ocio, entonces,
las horas totales disponibles de ocio al año viene determinado por:
Total de horas disponibles año = (16 hrs ocio al dı́a) × (6 dı́as a la semana) × (52 semanas al
año)
Total de horas disponibles año = 4,992 hrs.
Por lo tanto, la proporción de horas dedicadas al trabajo respecto al total disponible, para las
economı́as desarrolladas fue 37.5 % (y las horas de ocio 62.5 %) mientra que en las economı́as
en desarrollo fue 43.7 % (y las horas de ocio 56.3 %)
1
http://www.ilo.org/global/standards/subjects-covered-by-international-labour-standards/working-
time/lang–en/index.htm

Cuadro 6.1: Estadı́sticas del mercado laboral (1950-2016)

Economı́as Desarrolladas x1 x2 x3 x4 x5 x6 x7
Alemania 1,768 3,224 35.4 64.6 2.66 0.54 7.73
Austria 1,876 3,116 37.6 62.4 2.86 0.39 4.48
Australia 2,006 2,986 40.2 59.8 1.69 1.92 6.71
Bélgica 1,754 3,238 35.1 64.9 2.18 0.48 7.98
Canadá 1,866 3,126 37.4 62.6 1.48 1.94 8.01
Dinamarca 1,672 3,320 33.5 66.5 1.80 0.58 6.16
España 1,852 3,140 37.1 62.9 3.38 0.66 17.32
Estados Unidos 1,847 3,145 37.0 63.0 1.67 1.41 6.07
Francia 1,819 3,173 36.4 63.6 2.42 0.52 10.21
Grecia 2,138 2,854 42.8 57.2 2.82 0.58 13.00
Irlanda 2,179 2,813 43.6 56.4 3.31 0.76 9.47
Italia 1,928 3,064 38.6 61.4 2.58 0.42 9.89
Japón 2,028 2,964 40.6 59.4 3.70 0.82 3.97
Luxemburgo 1,777 3,215 35.6 64.4 1.69 1.74 3.88
Noruega 1,674 3,318 33.5 66.5 2.33 0.9 4.12
Portugal 1,963 3,029 39.3 60.7 2.68 0.66 7.98
Reino Unido 1,813 3,179 36.3 63.7 1.78 0.55 6.74
Suiza 1,776 3,216 35.6 64.4 1.38 1.14 3.73
Promedio 1,874 3,118 37.5 62.5 2.36 0.89 7.64
Economı́as emergentes
Argentina 1,921 3,071 38.5 61.5 1.04 1.61 11.14
Bangladesh 2,146* 2,846 43.0 57.0 1.61 2.23 3.82
Brazil 1,950 3,042 39.1 60.9 1.65 2.64 10.85
Chile 2,233 2,759 44.7 55.3 1.96 2.09 7.12
Colombia 2,043 2,949 40.9 59.1 1.35 2.93 11.97
Corea del Sur 2,637 2,355 52.8 47.2 4.52 2.2 3.49
Costa Rica 2,357** 2,635 47.2 52.8 1.71 3.41 6.62
Hong Kong 2,401 2,591 48.1 51.9 3.82 2.35 4.08
Indonesia 1,945* 3,047 39.0 61.0 2.68 2.28 6.77
Israel 1,936*** 3,056 38.8 61.2 2.92 3.09 9.83
Malaysia 2,265 2,727 45.4 54.6 2.69 2.96 3.28
Mexico 2,187 2,805 43.8 56.2 1.35 2.9 4.00
Peru 1,978 3,014 39.6 60.4 1.31 2.66 6.45
Tailandia 2,358 2,634 47.2 52.8 3.79 2.29 1.45
Taiwan 2,322 2,670 46.5 53.5 4.92 2.1 n.d.
Singapur 2,268 2,724 45.4 54.6 3.13 3.77 3.61
Vietnam 2,403* 2,589 48.1 51.9 2.61 2.33 2.33
Venezuela 1,948 3,044 39.0 61.0 -0.13 3.17 10.02
Promedio 2,183 2,809 43.7 56.3 2.38 2.61 6.28
Fuente: The Conference Board Total Economy Database y Banco Mundial.
* Disponible desde 1970 ; ** Disponible desde 1987 ; *** Disponible desde 1980
Definición de las variables xi , i = {1, 2, ..., 7}
x1 : Horas promedio trabajadas al año por cada trabajador (1950 - 2016).

x2 : Horas ocio promedio al año por cada trabajador (1950-2016).
x3 : Proporción de horas promedio trabajadas por cada trabajador respecto al total de horas disponibles (4,992
horas al año), expresado en porcentaje.
x4 : Proporción de horas promedio de ocio por cada trabajador respecto al total de horas disponibles, expresado
en porcentaje.
x5 : Crecimiento de la productividad laboral por persona empleada, expresado en porcentajes.
x6 : Tasa de crecimiento del empleo, expresado en porcentajes.
x7 : Tasa de desempleo, promedio 1960-2016 (Banco Mundial), expresado en porcentaje

6.2. Modelos RBC con trabajo divisible
El modelo RBC estándar desarrollado por King et al. (1988a), King et al. (1988b) y Plosser
(1989) suponen que la función de utilidad es aditivamente separable en consumo y ocio, y pre-
senta una máxima concavidad dado que viene expresado en términos logarı́tmicos. Considerando
el modelo presentado en Burnside (1999), el problema del planificador central viene dado por:
∞
X
máx t=∞
Et β t [ln Ct + θV (1 − Nt )]
{Ct ,Nt ,Kt+1 }t=0
t=0
sujeto a;
Ct + Kt+1 − (1 − δ)Kt = At Kt1−α (Nt Xt )α
ln At+1 = ρ ln At + εt+1 ; εt ∼ N (0, σε2 )
Donde V (.) es una función que representa la fracción del tiempo que dedica al ocio y θ es un
parámetro que captura el efecto del ocio en la utilidad del planificador. Ası́ mismo, en la función
de producción se tiene progreso tecnológico aumentativo de trabajo, capturado por Xt , y esta
variable crece a un ritmo de γx = Xt+1 /Xt > 1. El programa de optimización basado en la
función de Lagrange es;
∞
X
β t [ln Ct + θV (1 − Nt )] + Λ[At Kt1−α (Nt Xt )α − Ct − Kt+1 + (1 − δ)Kt ]

L = Et
t=0
Siendo Λt = β t λt /Xt el multiplicador de Lagrange que incorpora progreso tecnológico. Aplicando

las condiciones de primer orden y considerando la condición de tranversalidad se tiene.
β t Ct−1 − Λt = 0
−θβ t V 0 (1 − Nt ) + αΛt At Kt1−α (Xt Nt )α−1 Xt = 0
−α
(Xt+1 Nt+1 )α + 1 − δ = 0

−Λt + Et Λt+1 (1 − α)At+1 Kt+1
At Kt1−α (Xt Nt )α + (1 − δ)Kt − Kt+1 − Ct = 0
lı́m β t Λt Kt = 0
t→∞
Estas ecuaciones crecen al ritmo de Xt en el estado estable, lo cual no asegura la convergencia.

Para garantizar la estabilidad dinámica del modelo normalizamos por Xt , para lo cual definimos
las nuevas variables ct = Ct /Xt y kt = Kt /Xt como el consumo y capital en unidades de
eficiencia, además λt = β −t Λt Xt . Dividiendo todas las condiciones de primer orden por Xt se
obtienen:
c−1
t − λt = 0 (6.1)
0 1−α α−1
−θV (1 − Nt ) + αλAt kt Nt =0 (6.2)
−λt + βγx−1 Et λt+1 (1 − α)At+1 kt+1
−α
Ntα + 1 − δ = 0

(6.3)
At kt1−α Ntα + (1 − δ)kt − γx kt+1 − ct = 0 (6.4)
ln At+1 = ρ ln At + εt+1 (6.5)

Ahora bien, el modelo con trabajo divisible supone que V (1 − Nt ) = ln(1 − Nt ), por lo tanto
−θ
la ecuación (6.2) se convierte en; + αλAt kt1−α Ntα−1 = 0. De ésta manera, en el estado
1 − Nt
estacionario se cumple que:
c−1
ss − λss = 0 (6.6)
−θ 1−α α−1
+ αλAss kss Nss = 0 (6.7)
1 − Nss
−λss + βγx−1 λss (1 − α)Ass kss
−α α

Nss + 1 − δ = 0 (6.8)
1−α α
Ass kss Nss + (1 − δ)kss − γx kss − css = 0 (6.9)
ln Ass = ρ ln Ass + εss (6.10)
Para resolver el sistema consideremos la variable auxiliar dada por la función de producción
1−α α
yss = Ass kss Nss , pero además podemos escribir las expresiones de estado estacionario de las
variables de interés, como la inversión, que viene de desagregar la restricción presupuestaria, ası́
como el salario y la tasa de interés. Se supone que εss = 0, Ass = 1 se obtienen:
1−α
α β(1 − α)(1 − δ − γx ) β(1 − α) α
Nss = ; Φ = 1+ ; yss = Nss ; css = Φyss
α + θΦ γx − β(1 − δ) γx − β(1 − δ)
β(1 − α) yss yss

kss = yss ; λss = 1/css ; iss = γx kss −(1−δ)kss ; wss = α ; rss = (1−α)
γx − β(1 − δ) Nss kss
Las expresiones log-lineales vienen dados por:
ct = − λ
b bt (6.11)
N
bt = β1 b
kt + β2 λ
bt + β2 A
bt (6.12)
Et [β3 b
kt+1 + λbt+1 + β4 N bt+1 ] − λ
bt+1 + β5 A bt = 0 (6.13)
β6 b
kt+1 + β7 b
kt + β8 N
bt + β9b
ct + β10 A
bt = 0 (6.14)
A
bt+1 = ρAbt + εt+1 (6.15)
Donde;
(1 − α)(1 − Nss ) 1 − Nss

β1 = ; β2 = ; β3 = −αβ(1 − α)γx−1 Ass kss
−α α
Nss
1 − α(1 − Nss ) 1 − α(1 − Nss )
γx kss
β4 = αβ(1 − α)γx−1 Ass kss
−α α
Nss ; β5 = β(1 − α)γx−1 Ass kss
−α α
Nss ; β6 = −γx kss ; β7 =
β
1−α α 1−α α
β8 = αAss kss Nss ; β9 = −css ; β10 = Ass kss Nss
Aplicando el método KPR, de las ecuaciones (6.11) y (6.12) se identifica lo siguiente.
" #
ct
b kt
b
= M cs bt + Mce At
b (6.16)
Nbt λ

Donde;
0 −1 0
Mcc = 1 ; Mcs = ; Mce =
β1 β2 β2
Por otro lado, de las ecuaciones (6.13) y (6.14) se tiene que:
" # " #
0 kt+1
b 1 kt
b 0 ct+1
b 1 ct
b 0 1 b
Mss Et b + Mss b = Msc Et b + Msc b + Mse Et A
bt+1 + Mse At (6.17)
λt+1 λt N t+1 N t
Donde;

0 β3 1 1 0 −1 0 0 −β4 1 0 0
Mss = ; Mss = ; Msc = ; Msc =
β6 0 β7 0 0 0 −β9 −β8

0 −β5 1 0
Mse = ; Mse =
0 −β10
Sustituyendo (6.16) en (6.2) y realizando las operaciones matemáticas se obtiene la ecuación
fundamental del modelo.
" # " #
kt+1
b kt
b
= W bt + RAt+1 + QAt
b b (6.18)
λ
bt+1 λ
Donde;
W1 W2 0 Q1
W = ; R= ; Q=
W3 W4 R1 Q2
Además,
(1 + β2 β4 )(β7 + β1 β8 ) (1 + β2 β4 )(β9 − β2 β8 ) (β3 + β1 β4 )(β7 + β1 β8 )
W1 = − ; W2 = ; W3 =
β6 + β2 β4 β6 β6 + β2 β4 β6 β6 + β2 β4 β6
1 (β3 + β1 β4 )(β9 − β2 β8 ) β5 + β2 β4
W4 = − ; R1 = −
1 + β2 β4 β6 + β2 β4 β6 1 + β2 β4
(1 + β2 β4 )(β10 + β2 β8 ) (β3 + β1 β4 )(β10 + β2 β8 )
Q1 = − ; Q2 =
β6 + β2 β4 β6 β6 + β2 β4 β6
Aplicando una descomposición de Jordan sobre la matriz W .
W = P ΛP −1 (6.19)
Donde 11
µ 0 P11 P12 P P 12
Λ= 1 ; P = −1
; P =
0 µ2 P21 P22 P 21 P 22
Siendo,
µ1 − W 1 µ2 − W1
P11 = 1 ; P12 = 1 ; P21 = ; P22 =
W2 W2
µ2 − W1 W2 W 1 − µ1 W2
P 11 = ; P 12 = ; P 21 = ; P 22 =
µ2 − µ1 µ1 − µ2 µ2 − µ1 µ2 − µ1

Las raı́ces caracterı́sticas se encuentran a partir de:

1 p
µ1,2 = [W1 + W2 ± (W1 + W4 )2 − 4(W1 W4 − W2 W3 )]
2
La parametrización del modelo, que mas adelante se expone, permite obtener un equilibrio de
punto silla, µ1 = 0, 9358 y µ2 = 1, 0974, los cuales garantizan la existencia de una solución única.
Para encontrar las reglas de polı́tica, primero sustituimos (6.19) en (6.18), luego efectuamos un
cambio de variables y siguiendo el procedimiento se obtienen:
λ
bt = φ1 b
kt + φ2 A
bt
kt+1 = φ3 b
b kt + φ4 A
bt
ct = φ 5 b
b kt + φ6 A
bt
N
bt = φ7 b
kt + φ8 A
bt
Donde,
P 21 ρR1 P 22 + Q1 P 21 + Q2 P 22
φ1 = − ; φ2 = − ; φ3 = W1 + φ1 W2 ; φ4 = Q1 + φ2 W2
P 22 (µ2 − ρ)P 22
φ5 = −φ1 ; φ6 = −φ2 ; φ7 = β1 + β2 φ1 ; φ8 = β2 + β2 φ2
Además, es posible obtener las funciones de polı́tica para otras variables implı́citas en el modelo,
tales como el producto, la inversión, productividad del trabajo y productividad del capital. Las
dos primeras se obtiene desagregando la restricción presupuestaria dada por (6.4), es decir
yt = At kt1−α Ntα e it = γx kt+1 − (1 − δ)kt . Dado que la función de producción es neoclásica
yt yt
entonces se cumple que wt = α y rt = (1 − α) . Log-linealizando y combinando con las
Nt kt
reglas de polı́tica obtenidas anteriormente se tienen:
ybt = φ9 b
kt + φ10 A
bt
bit = φ11 b
kt + φ12 A
bt
wbt = φ13 b
kt + φ14 Abt
rbt = φ15 b
kt + φ16 A
bt
La variable rt sólo se linealiza, dado que se trata de una tasa.
γx φ3 kss − (1 − δ)kss γx φ4 kss
φ9 = 1 − α + αφ7 ; φ10 = 1 + αφ8 ; φ11 = ; φ12 =
iss iss
φ13 = φ9 − φ7 ; φ14 = φ10 − φ8 ; φ15 = (φ9 − 1)rss ; φ16 = φ10 rss
Para efectuar la simulación del modelo se aplica la técnica de parametrización, lo que significa la
asignaciones de valores numéricos a los parámetros, para lo cual se identifica lo siguiente. Con-
junto de parámetros {α, β, δ, θ, γx , ρ, σε }, conjunto de variables endógenas, en desvı́os respecto
a su estado estable, que representa el equilibrio general {ct , Nt , kt , yt , it , wt , rt , λt }∞
t=0 , además de
At , y variable exógena dado por εt . El significado de los parámetros y sus valores se presentan

en el Cuadro (6.1), los cuales se obtuvieron de Hansen (1985) y Plosser (1989) que estudiaron
los ciclos de Estados Unidos aplicando un modelo RBC durante 1955-1985.
Cuadro 6.2: Parametrización del modelo

Parámetros Valor Fuente
Elasticidad capital-producto α 0.58 Plosser (1989)
Factor de descuento β 0.99 Hansen (1985)
Tasa de depreciación δ 0.03 Plosser (1989)
Elasticidad utilidad-ocio θ 0.20 Plosser (1989)
Crecimiento técnico aumentativo de trabajo γx 1.04 Calibración propia
Persistencia de la tecnologı́a ρ 0.95 Hansen (1985)
Magnitud del choque σε 0.00712 Hansen (1985)
De acuerdo a la parametrización del modelo podemos obtener los valores de estado estacionario.
En el Cuadro (6.3) se observan dichos valores. Un aspecto importante a mencionar es que los
ratios de consumo/producto e inversión/producto son consistentes con los datos observados. En
nuestro caso se tiene que el ratio c/y es del 63.8 % que es similar al promedio trimestral observado
para Estados Unidos durante 1947-2016, ası́ mismo, el ratio i/y es del 36.1 %. Claramente, bajo
el supuesto de economı́a cerrada, se cumple la restricción agregada, y = c + i, lo que implica
que la suma de los ratios de consumo e inversión es 100 %.
Cuadro 6.3: Estado estacionario

Variables Valores de estado estable
Consumo css 1.8129
Horas de trabajo Nss 0.8196
Stock de capital kss 15.7958
Producto yss 2.8397
Inversión iss 1.0267
Productividad del trabajo (salario) wss 2.0096
Productividad del capital (tasa de interés) rss 0.0755
Ratio consumo/producto c/y 0.6384
Ratio inversión/producto i/y 0.3616
Precio sombra λss 0.5516
Productividad Total Factorial (PTF) Ass 1
Choque estocástico εss 0
En la Figura 6.1 se observan las respuestas de las variables, consumo, capital, horas de trabajo,
producto y otros, ante un shock positivo de tecnologı́a equivalente a una desviación estándar del
0,712 %. Todas las variables experimentan un incremente transitorio respecto al estado estacio-
nario. El mecanismo de propagación se da a través de la función de producción, en primer lugar
afecta positivamente a los factores productivos. El capital aumentan hasta 0,19 % en el primer
periodo y luego crece hasta registrar una desviación máxima del 0,7 % en el periodo 18 a partir
del cual convergen monotónicamente hasta el estado estacionario inicial. Por su parte, las horas
de trabajo crece hasta 0,083 % en el primer periodo a partir del cual convergen inmediatamente

a su estado estacionario. Aunque la magnitud de reacción es menor comparando con el capital.

Estos factores inciden positivamente en la producción y por lo tanto aumenta hasta 0,76 % res-
pecto a su estado estable a partir del cual decrece hasta estabilizarse en su estado estacionario.
La estructura del modelo sugiere que un aumento de la producción genera un incremento tanto
del consumo como de la inversión, que crecen hasta el 0,3 % y 1,6 % respectivamente. No obs-
tante, el consumo aún experimenta un crecimiento hasta alcanzar un máximo del 0,5 % en el
periodo 12, a partir del cual disminuye y converge al equilibrio de largo plazo. En cambio la in-
versión, después de alcanzar la máxima desviación, converge inmediatamente al estado estable.
Un aumento de la producción también genera un aumento de las retribuciones a los factores de
producción, productividad marginal del capital (tasa de interés) y productividad marginal de
las horas trabajadas (salario). En particular, el salario aumenta hasta el 0,6 % a partir del cual
experimenta una trayectoria similar al producto y convergen al estado estacionario, en cambio
la tasa de interés del capital reacciona en una magnitud menor.
Estos resultados fueron reportados por los estudios seminales y actualmente se conocen como
las predicciones del modelo RBC. Por su naturaleza, los modelos RBC enfatizan los factores,
perturbaciones o shocks, provenientes de la oferta agregada los cuales afectan el comportamiento
de la variables macroeconómicas importantes, tal como se explicó los resultados anteriores.
Figura 6.1: Funciones de impulso respuesta (Expresado en porcentajes)
1.6
consumo
1.4 capital
Horas de trabajo
1.2 producto
salario
tasa de interes
1
inversion
PTF
0.8
0.6
0.4
0.2
-0.2
10 20 30 40 50 60 70 80 90 100
Las predicciones del modelo RBC estándar fue discutido ampliamente y como es natural generó
mucho escepticismo en la corriente neokeynesiana. Existen dos cuestiones importantes para
juzgar la validez del modelo RBC. La primera, si es posible que esta economı́a artificial es capaz
de replicar el comportamiento de la economı́a real. La Figura 6.2 muestra el ciclo del producto
real de Estados Unidos durante 1955Q1-2016Q4 versus el ciclo estimado a partir del modelo. En

general, el resultado es contundente por que replica tanto las fases de expansión como las fases
de recesión. La primera mención que merece la pena explicar es que durante el periodo 1955
hasta 1985 ambas series se comportan muy similares cuya correlación es del 95 %. Esto tiene
su explicación en los parámetros usados, dado que Hansen (1985) y Plosser (1989) calibraron
el modelo para este periodo. Sin embargo, el modelo también replica los ciclos después de 1985
hasta los principios del 2000, donde el coeficiente de correlación muestra un 91 %, a partir del
cual se observan algunas divergencias pero la correlación no es nada despreciable (78 %).
Figura 6.2: Ciclos del producto, observado vs estimado (En porcentaje)
En la Figura 6.3 se observan los ciclos observados versus los estimados por el modelo. En el caso
del consumo y la inversión se observan que el modelo replica el comportamiento de los datos,
tanto las fases de expansión como las fases de recesión, sin embargo subestima la volatilidad
del ciclo. En cuanto al mercado laboral, el ciclo estimado genera una excesiva suavización, es
decir subestima la volatilidad en comparación con los datos. Por el contrario, el ciclo del salario
obtenido a partir del modelo sobreestima la volatilidad y no se observa una clara sincronı́a con
los datos.
Una segunda cuestión para juzgar la validez del modelo son los momentos estadı́sticos. En par-
ticular se comparan los momentos teóricos con los momentos empı́ricos. El Cuadro 6.4 muestra
los resultados. En general se observa que las estadı́sticas teóricas se asemejan a las estadı́sticas
empı́ricas, por ejemplo, la volatilidad del producto es 1,49 % en los datos mientras que en el
teórico es del 1,02 %. Otro ejemplo muestra que la correlación del consumo con el producto es
del 0.87 en los datos y 0.90 en el teórico.
Estos resultados generaron mucha controversia en cuanto a la forma de modelar el mercado

laboral. Particularmente la forma de incorporar las horas de trabajo en la función de utilidad.
El modelo que desarrollamos supone que el trabajador puede decidir cuantas horas dedicar al

trabajo y cuantas horas dedicar al ocio, lo que no se observa en la práctica, dado que en los
contratos laborales se establece el tiempo y las horas de trabajo. Por ello se desarrolló el modelo
con trabajo divisible, en el sentido de que el trabajador no decide las horas de trabajo.
Figura 6.3: Ciclos, observado vs estimado (En porcentajes)
6.3. Análisis de sensibilidad
Antes de desarrollar el modelo con trabajo indivisible de Hansen, es importante mencionar que
los modelos RBC pueden ser sensibles a la parametrización de ρ en el proceso que sigue la
tecnologı́a (A
bt = ρA bt−1 + ε) y la reacción de las variables pueden cambiar de acuerdo al valor
de ρ que en alguna medida difieren entre economı́as. En la Figura 6.4 se observan las funciones
de impulso respuesta de las variables ante un shock de tecnologı́a cuando ρ = 0,75, ρ = 0,85
y ρ = 0,95. En general las respuestas no cambian cualitativamente. Cuando el parámetro de
persistencia es menor entonces la reacción también es menor en comparación de cuando ρ = 0,95
lo que explica que las variables converjan de manera inmediata a su estado estacionario. En el
caso de las horas de trabajo y la tasa de interés se observan que no existen diferencias sustanciales
para diferentes parámetros de persistencia.

Cuadro 6.4: Momentos estadı́sticos, teóricos y empı́ricos

Variables σ(x) σ(x)/σ(y) corr(x, y) ρ
Producto 0.0149 1.0000 1.0000 0.8558
Consumo 0.0122 0.8151 0.8780 0.8757
Inversión 0.0672 4.5028 0.9093 0.8284
Capital 0.0057 0.3840 0.1343 0.9626
Horas de trabajo 0.0135 0.9053 0.8608 0.8909
Salario 0.0097 0.6500 0.2064 0.6809
Tecnologı́a 0.0113 0.7542 0.8689 0.7905
MOMENTOS TEÓRICOS
Producto 0.0102 1.0000 1.0000 0.7393
Consumo 0.0050 0.4902 0.9093 0.8418
Inversión 0.0206 2.0196 0.9841 0.7126
Capital 0.0044 0.4314 0.5143 0.9575
Horas de trabajo 0.0011 0.1078 0.9399 0.7012
Salario 0.0092 0.9020 0.9992 0.7471
Tasa de interés 0.0008 0.0784 0.9039 0.7012
Tecnologı́a 0.0093 0.9118 0.9852 0.7133
Figura 6.4: Cambios en ρ y su efecto sobre las variables
Producto Consumo Inversion

1 1 2
0.5 0.5 1
0 0 0
0 50 100 0 50 100 0 50 100
Capital Horas de trabajo Salario
1 0.2 1
0.5 0 0.5
0 -0.2 0
0 50 100 0 50 100 0 50 100
Tasa de interes Tecnologia
0.1 1
ρ=0.75
0 0.5 ρ=0.85
ρ=0.95
-0.1 0
0 50 100 0 50 100

Una forma de ilustrar los cambios en el parámetro de persistencia y su efecto sobre las variables
es esbozando un gráfico en 3D. La Figura 6.5 muestra la función de impulso respuesta para
diferentes valores de ρ. En particular se consideró que ρ = {0,25, 0,35, ..., 0,95}. A medida que
aumenta el parámetro de persistencia, la convergencia hacia el estado estacionario se hace más
lento. En un caso extremo, cuando ρ = 0, entonces la convergencia hacia el estado estacionario es
inmediato y el efecto responde exclusivamente a la desviación estándar del término de innovación
ε. Mientras que si ρ = 1 entonces el producto aumenta pero converge a un nuevo estado
estacionario. Entonces ¿ cómo elegir un valor adecuado?. La respuesta viene de los datos. El
coeficiente de persistencia también representa el coeficiente de autocorrelación de primer orden
orden de la tecnologı́a.
En la Figura 6.6 se observan los efectos de los cambios en ρ sobre el resto de las variables. La
interpretación es similar al que se hizo para el caso del producto.
Figura 6.5: Cambios en ρ y su efecto sobre el producto
×10 -3
8
6
producto
0
0
20 0.3
0.4
40 0.5
60 0.6
0.7
80 0.8
100 0.9
tiempo rho

0.025
×10 -3 0.02
6
5 0.015
inversion
4 0.01
consumo
3
0.005
2
0
1
0.8
0 -0.005
100 0.6 0
0.4
50 50 0.6
0.4
rho 0.8
tiempo 0 tiempo 100 rho
×10 -4
15
×10 -3
10 8
horas de trabajo
6
5
capital
0
2
0.8
-5 0 0.6
0 0.4 100
0.6
50 50 0.4
0.8 rho
tiempo 100 rho tiempo 0

×10 -3 ×10 -4
8 6
6 4
tasa de interes
salario
4 2
2 0
0 -2
0.4 0.4
0 0
0.6 0.6
50 50
0.8 0.8
rho rho
tiempo 100 tiempo 100
6.4. Simulación estocástica
Tomando en cuenta las funciones de polı́tica es posible efectuar una simulación estocástica de
las variables endógenas a partir del término de error εt , que sigue una distribución normal con
media cero y varianza constante, εt ∼ N (0, σε2 ). En consecuencia, se genera un vector aleatorio
para εt , lo cual permite generar la variable At y este a su vez genera la variable capital y con
ello el resto de las variables endógenas. Más presisamente se genera las variables en niveles
expresado en logaritmos. Por ejemplo, al sustituir la ley que sigue A bt en la función de polı́tica
del capital se tiene; b
kt = φ3 b
kt−1 + ρφ4 A kt = ln kt − ln kss , en consecuencia, la
bt−1 + φ4 εt , pero b
trayectoria estocástica del capital viene dado por:
ln kt = ln kss + φ3 (ln kt−1 − ln kss ) + ρφ4 (ln At−1 − ln Ass ) + φ4 εt
De igual manera se procede con el resto de las variables2 . Para el valor de σε calibrado en
el modelo con trabajo divisible, σε = 0,00712, se generan 300 simulaciones de 150 periodos.
En la Figura 6.9 se observa las 10 primeras simulaciones para la variable producto (ln yt ).
De igual manera en la Figura 6.10 se observa las 10 primeras simulaciones para el consumo,
inversión, horas de trabajo y salario. Claramente el consumo sigue trayectorias suaves, en cambio
la inversión y las horas de trabajo siguen un patrón volátil.
2
La forma en la que presenta Dynare las funciones de polı́tica tienen esa estructura

Para obtener el componente cı́clico de las variables se aplica el filtro HP, debido a que las series
simuladas siguen una tendencia estocástica. Por ejemplo, se obtiene la tendencia y ciclo de la
séptima simulación del producto y del resto de las variables. Estos resultados se observan en las
Figuras 6.11 y 6.12.
Figura 6.9: Simulación estocástica para el producto
1.2
1.15
1.1
1.05
0.95
0.9
20 40 60 80 100 120 140

Figura 6.10: Simulación estocástica para variables seleccionadas

Consumo Inversion
0.75 0.3
0.7 0.2
0.65 0.1
0.6 0
0.55 -0.1
0.5 -0.2
0 50 100 150 0 50 100 150
Horas de trabajo Salario

-0.19 0.9
-0.195 0.8
-0.2 0.7
-0.205 0.6
-0.21 0.5
0 50 100 150 0 50 100 150
Figura 6.11: Tendencia y ciclo de la serie simulada del producto

Componente tendencial, producto Componente ciclico, producto
1.14 0.04
Producto
Tendencia
1.12 0.03
1.1 0.02
1.08 0.01
1.06 0
1.04 -0.01
1.02 -0.02
1 -0.03
0 50 100 150 0 50 100 150

Figura 6.12: Tendencia y ciclo de las series simuladas

Consumo Ciclo - consumo
0.7 0.02
0.01
0.65
0.6
-0.01
0.55 -0.02
0 50 100 150 0 50 100 150
Inversion Ciclo - inversion

0.2 0.1
0.15
0.05
0.1
0
0.05
-0.05
0
-0.05 -0.1
0 50 100 150 0 50 100 150
Horas de trabajo ×10 -3 Ciclo - horas de trabajo

-0.194 4
-0.196
2
-0.198
0
-0.2
-2
-0.202
-0.204 -4
0 50 100 150 0 50 100 150
Salario Ciclo - salario

0.8 0.04
0.02
0.75
0.7
-0.02
0.65 -0.04
0 50 100 150 0 50 100 150

6.5. Modelo RBC con trabajo indivisible
El modelo desarrollado en la sección anterior supone que el trabajador trabaja de forma si-
multánea en dos o más labores “ trabajo divisible”. Esto es un supuesto poco realista, dado
que en la práctica la gente trabaja un horario determinado y en un lugar especı́fico. En el caso
del modelo con trabajo indivisible los trabajadores no pueden decidir el número de horas de
trabajo si no que ésta viene impuesta en los contratos laborales.
La estructura del modelo es similar al caso anterior, la diferencia radica en la función de uti-
lidad del agente. Los trabajadores pueden ofrecer bh horas de trabajo con 0 < b h < 1, o cero.
Matemáticamente, se intenta capturar la no convexidad o costos fijos que hacen que la oferta
de trabajo no sea continua.
Sea πt la probabilidad de estar trabajando, entonces las horas trabajadas viene dado por Ht =
πt b
ht . Ası́ mismo, sean c0t y c1t el consumo del agente desempleado y el consumo del agente
empleado en t respectivamente.
Como parte del problema, el agente maximiza una función de utilidad esperada:
máx E[u(ct , lt )] = πt u(c1t , 1 − b

ht ) + (1 − πt )u(c0t , 1)
{c0t ,c1t }
sujeto a la siguiente restricción:

ct = πt c1t + (1 − πt )c0t
Si suponemos que u(ct , lt ) = ln ct + A ln lt entonces la función de utilidad se convierte en
E[u(ct , lt )] = πt [ln c1t + A ln(1 − b

ht )] + (1 − πt ) ln c0t
De esta manera, la función de Lagrange viene dado por:
L = πt [ln c1t + A ln(1 − b

ht )] + (1 − πt ) ln c0t + λ[ct − πt c1t − (1 − πt )c0t ]
De acuerdo a las condiciones de primer orden respecto a c0t y c1t se puede deducir que c1t = c0t ,
la que podemos sustituir en la restricción presupuestaria, de donde se concluye que:
c1t = c0t = ct
En consecuencia, la utilidad esperada se puede escribir de la siguiente manera:
E[u(ct , lt )] = πt [ln ct + A ln(1 − b

ht )] + (1 − πt ) ln ct
E[u(ct , lt )] = ln ct + πt A ln(1 − b
ht ) (6.20)
A ln(1 − b
ht )
Definimos B = − , con lo cual tenemos que BHt = −πA ln(1 − b
ht ) y por lo tanto la
ht
b
función de utilidad esperada para el caso del modelo con trabajo indivisible es;
E[u(ct , lt )] = ln ct − BHt (6.21)

De ésta forma, siguiendo a Burnside (1999), el problema del planificador central viene dado por:
∞
X
máx Et β t [ln Ct + θ(1 − Nt )]
{Ct ,Nt ,Kt+1 }t=∞
t=0 t=0
sujeto a;
Ct + Kt+1 − (1 − δ)Kt = At Kt1−α (Nt Xt )α
ln At+1 = ρ ln At + εt+1 ; εt ∼ N (0, σε2 )
Donde Nt son las horas de trabajo. Las condiciones de primer orden son exactamente los mismos
que en el caso de trabajo divisible, excepto la expresión que se obtiene de ∂L/∂Nt que viene
dado por:
−θ + αλt At kt1−α Ntα−1 = 0
Las expresiones de estado estacionario se obtienen resolviendo el sistema (6.6) - (6.10), excepto
la ecuación (6.7) que se sustituye por la siguiente ecuación:
1−α α−1
−θ + αλss Ass kss Nss = 0
Al resolver simultáneamente se obtiene que;
α β(1 − α)(1 − δ − γx )
Nss = ; Φ=1+
θΦ γx − β(1 − δ)
y las expresiones de estado estacionario del resto de las variables, {yss , css , kss , λss , iss , wss , rss },
tienen la misma estructura. Para resolver por el método KPR se utiliza el sistema log-lineal
dado por (6.11) - (6.15), sin embargo las expresiones para β1 y β2 en la ecuación (6.12) ahora
vienen dados por;
1
β1 = 1 , β 2 =
1−α
En el Cuadro 6.5 se observan los valores del estado estable del modelo con trabajo indivisible,
que se obtiene usando los valores del Cuadro 6.2. Como era de esperar, existen diferencias en los
estados estacionarios en ambos modelos, esta diferencia se explica por la expresión Nss . En el
modelo con trabajo divisible fue Nss = 0,8196, en cambio, en el modelo con trabajo indivisible
es Nss = 4,5424. Estos valores determinan el resto de las variables y por lo tanto, esta diferencia,
generan también diferentes valores de estado estable para cada modelo.
En la Figura 6.13 se observan las respuestas de las variables frente a un shock positivo de tecno-
logı́a. Se observa que las desviaciones de las variables son mayores que en el modelo con trabajo
divisible. Por ejemplo, la desviación que sufre el producto respecto a su estado estacionario en
el modelo con trabajo divisible fue 0,76 %, en cambio en el modelo con trabajo indivisible es
1,15 %, lo que sugiere que este modelo genera una mayor volatilidad del producto. Esto también
se observa en el resto de las variables. En particular, las horas de trabajo se desvı́a hasta un
0,08 % en el modelo con trabajo divisible y hasta un 0,76 % en el caso de trabajo indivisible, esta
diferencia naturalmente genera diferencias significativas en las funciones de impulso respuesta.

Cuadro 6.5: Estado estacionario

Variables Valores de estado estable
Consumo css 10.0480
Horas de trabajo Nss 4.5424
Producto yss 15.7385
Inversión iss 5.6905
Productividad del trabajo (salario) wss 2.0096
Productividad del capital (tasa de interés) rss 0.0755
Productividad Total Factorial (PTF) Ass 1
Choque estocástico εss 0
2.5
consumo
capital
2 horas de trabajo
producto
salario
tasa de interes
1.5
inversion
PTF
0.5
-0.5
10 20 30 40 50 60 70 80 90 100
Un aspecto a destacar es que las funciones de impulso respuesta del consumo y del salario
son iguales, esto sucede por que los coeficientes de polı́tica son iguales. Para demostrar esto,
recordemos lo siguiente;
ct = φ 5 b
b kt + φ6 A
bt
w
bt = φ13 bkt + φ14 A
bt

En la figura se observa que b

ct y w
bt son iguales, por lo tanto, debemos demostrar que φ5 = φ13 y
φ6 = φ14 . En probar el primer caso recordemos que φ5 = −φ1 , además φ13 = φ9 − φ7 , es decir:
φ5 = φ9 − φ7
Pero, φ9 = 1 − α + αφ7 y φ7 = β1 + β2 φ1 , entonces;
φ5 = 1 − α + αφ7 − β1 − β2 φ1
= 1 − α + α(β1 + β2 φ1 ) − β1 − β2 φ1
= 1 − α + αβ1 + αβ2 φ1 − β1 − β2 φ1
Recordemos que β1 = 1 y β2 = 1/(1 − α), entonces;
φ5 = αβ2 φ1 − β2 φ1
α α
= φ1 − φ1
1−α 1−α
= −φ1
Por lo tanto φ5 = φ13 . De igual manera se procede para probar que φ6 = φ14 . En consecuencia,
las funciones de impulso respuesta de dichas variables serán iguales.
Al igual que en el modelo con trabajo divisible, efectuamos un análisis de bondad de ajuste.
Primero comparamos los ciclos obtenidos del modelo con el empı́rico, y luego comparamos los
momentos estadı́stico teórico versus empı́rico.
En la Figura 6.14 se observa el componente cı́clico obtenido del modelo con trabajo indivisi-
ble versus el ciclo obtenido a partir de los datos del producto para Estados Unidos (1955Q1
- 2016Q4). Al parecer, el ciclo obtenido a partir del modelo sobre estima la volatilidad del
producto, particularmente sobrestima los puntos máximos y mı́nimos del ciclo. Por ejemplo, la
recesión del 2008 el ciclo teórico amplifica en comparación del observado.
Ası́ mismo en la Figura 6.15 se observa el comportamiento de los ciclos del consumoi, inversión,
horas de trabajo y salarios. En particular, y a diferencia del modelo con trabajo divisible, las
horas de trabajo se ajusta bastante bien a los datos observados porque captura tanto las fases
de expansión como las fases de recesión. En general, se observa un buen ajuste del modelo a los
datos.

En el Cuadro 6.6 se observa la comparación de los momentos estadı́sticos teóricos versus empı́ri-
co. Las cifras de la volatilidad del producto es contundente, 1,49 % en los datos y 1,54 % en el

modelo, sin embargo esto no sucede con las horas de trabajo, al parecer el modelo teórico sub-
estima la volatilidad, 1,35 % en los datos y 0,98 % en el modelo. En general, se observa esta
caracterı́stica en el resto de las variables. Un aspecto importante, es que la volatilidad de la
inversión es mayor al resto de las variables, lo cual se condice con los hechos estilizados de los
ciclos reales, 4 veces mayor que el producto en los datos y 2 veces mayor que el producto en el
modelo. En cuanto a la correlación de las variables con el producto, se observa que el modelo
teórico al parecer sobreestima, excepto la correlación del consumo, cuyo coeficiente es menor
que en los datos aunque la diferencia no es sustancial. En lo que respecta a la persistencia o
coeficiente de autocorrelación, el modelo subestima en comparación a los datos.
Cuadro 6.6: Momentos estadı́sticos, teóricos y empı́ricos

Variables σ(x) σ(x)/σ(y) corr(x, y) ρ
Producto 0.0149 1.0000 1.0000 0.8558
Consumo 0.0122 0.8151 0.8780 0.8757
Inversión 0.0672 4.5028 0.9093 0.8284
Capital 0.0057 0.3840 0.1343 0.9626
Horas de trabajo 0.0135 0.9053 0.8608 0.8909
Salario 0.0097 0.6500 0.2064 0.6809
Tecnologı́a 0.0113 0.7542 0.8689 0.7905
MOMENTOS TEÓRICOS
Producto 0.0153 1.0000 1.000 0.7289
Consumo 0.0069 0.4510 0.8772 0.8539
Inversión 0.0321 2.0980 0.9834 0.7010
Capital 0.0067 0.4379 0.5162 0.9548
Horas de trabajo 0.0098 0.6405 0.9417 0.6900
Salario 0.0069 0.4510 0.8772 0.8539
Tasa de interés 0.0011 0.0719 0.9019 0.6902
Tecnologı́a 0.0093 0.6078 0.9959 0.7133


1. Considere una economı́a cerrada y sin gobierno en el que existe un agente representativo
con vida infinita, cuyo problema es maximizar el valor actual de los flujos de utilidad in-
tertemporal futura. La función de utilidad viene dado de acuerdo con Cooley and Prescott
(1995).Matemáticamente la formulación del problema es;
∞
X [cθt (1 − ht )1−θ ]1−σ − 1
máx Et βt
t=∞
{ct ,ht }t=0
t=0
1−σ
sujeto a las restricciones:

ct + it = At ktα h1−α
t
kt+1 = it + (1 − δ)kt
Siendo At la Productividad Total Factorial (PTF), residuo de Solow o simplemente nivel
Tecnológico y sigue una proceso estocástico autorregresivo de primer orden:
ln At = ρA ln At−1 + ξt ; ξt ∼ N (0, σξ2 )
Además, β ∈ (0, 1) es el factor de descuento, θ > 0 es la participación del consumo en

la utilidad, 1/σ, (σ > 1), es la elasticidad de sustitución intertemporal, α ∈ (0, 1) es la
participación del factor capital en la producción, δ > 0 es la tasa de depreciación del
capital y ρ ∈ (0, 1) es la persistencia del shock tecnológico. Estos parámetros deben ser
escogidos para la economı́a colombiana.
a) Para resolver el modelo “a mano” utilice el método King-Plosser-Rebelo (KPR).

b) Analice e interprete las funciones de polı́tica para el consumo, empleo y producto, en
función de las variables capital y tecnologı́a.
c) Solucione el modelo usando el código de Burnside (1999) escrito en MATLAB.
d) Solucione el modelo usando DYNARE. ¿Qué efectos tiene un choque de productividad
sobre el conjunto de variables {kt , ct , ht , yt , it , rt , wt }?
2. Suponga la misma estructura del ejercicios anterior, en cuanto a la tecnologı́a de produc-

ción, restricciones y parámetros, pero considerando las siguientes funciones de utilidad:
u(ct , 1 − ht ) = θ ln ct + (1 − θ) ln(1 − ht )
c1−σ
t −1 (1 − ht )1−σ − 1
u(ct , 1 − ht ) = θ + (1 − θ)
1−σ 1−σ
1−σ
(1 − ht ) −1
u(ct , 1 − ht ) = θ ln ct + (1 − θ)
1−σ
c1−σ − 1
u(ct , 1 − ht ) = θ t + (1 − θ) ln(1 − ht )
1−σ
Resolver nuevamente el modelo para cada una de éstas funciones de utilidad. ¿Son dife-
rentes las soluciones?, por que sı́ y por que no?. Justifique su respuesta.

3. Considere la misma estructura del modelo dado en el punto 1, pero suponiendo que la
función de producción viene dado por una CES:
1
f (kt , ht ) = At αkt1−γ + (1 − α)h1−γ
1−γ
t
Siendo γ la elasticidad de sustitución constante entre capital y trabajo ¿Existe una solución
cerrada para el estado estable? Justifique su respuesta.
4. Resolver el modelo dado en 1 “a mano” usando el método de Uhlig y demostrar que las
funciones de polı́tica son iguales a las funciones obtenidas por KPR.

Capı́tulo 7
Modelos monetarios con precios

flexibles
El estudio de los mercados monetarios es vital en el análisis macroeconómico contemporáneo, ya

que permite comprender, primero; los efectos sobre las fluctuaciones del producto y, segundo;
el rol de la polı́tica monetaria. En este sentido, el mayor reto teórico ha sido racionalizar y
caracterizar los determinantes de la demanda por dinero. Su importancia radica por que juega
un papel fundamental sobre la estabilidad de los precios en el largo plazo, pero también permite
determinar el crecimiento de la base monetaria. En contraste, la evolución de la oferta monetaria
es relativamente simple de establecer tomando en cuenta el papel de los Bancos Centrales como
emisores.
Entre las principales teorı́as (precursoras) de la demanda por dinero se destacan la teorı́a cuan-
titativa, desarrollada por Fisher (1896) y Pigou (1917), la cual afirma que la demanda de dinero
está motivada por su rol como medio de intercambio (motivo transacción), y que es una rela-
ción proporcional al ingreso. Keynes (1936) incorpora a esta teorı́a dos motivos adicionales para
demandar dinero: el motivo especulación y el motivo precaución , los cuales son sintetizados
por Hicks (1937) en el modelo IS-LM, asumiendo que la demanda depende del ingreso y los
tipos de interés. Teorı́as más sofisticadas buscaron explicar los determinantes de la demanda
por dinero a partir de la incorporación del principio de racionalidad en los agentes económicos,
encontrándose ası́ desarrollos como el modelo de inventarios de Baumol (1952) y Tobin (1956),
asignación de carteras de Tobin (1958), la teorı́a monetarista de Friedman (1956), el modelo
de Money in the Utility (MIU) de Sidrauski (1967) y el de Cash in Advance (CIA) de Clower
(1967). En estos casos, el número de transacciones, los costos de transacción, el ingreso y los
tipos de interés son identificados como los principales determinantes de la demanda de efectivo.
En este capı́tulo desarrollamos el modelo MIU y el modelo CIA, en la que se examina los
efectos de la polı́tica monetaria sobre el comportamiento de las variables macroeconómicas. No
obstante, antes de ello estudiamos los datos del sector monetario para algunas economı́as, de
modo que nos permita justificar el estudios de los modelos teóricos.
CAPÍTULO 7. MODELOS MONETARIOS CON PRECIOS FLEXIBLES 129
7.1. Los datos
Revisar algunos datos sobre oferta monetaria, tasa de interés e inflación...
7.2. Dinero en la función de utilidad
La pregunta básica es cómo incorporar dinero en un modelo RBC. La respuesta es el modelo

MIU desarrollado por Sidrauski (1967)
a) El modelo básico MIU sin trabajo
Supongamos que no existe incertidumbre ni elección de trabajo, en consecuencia la función de

utilidad se puede escribir como:
ut = u(ct , zt ) (7.1)
Siendo ct el consumo per cápita y zt flujos de servicios obtenidos por medio del dinero. Para
garantizar la existencia de demanda por dinero, se debe cumplir que; u0c > 0, u00c < 0, u0z > 0,
u00z < 0 y lı́mz→0 u0z = ∞. Esta última condición garantiza que la demanda de dinero siempre
será positiva. Ahora bien, poseer dinero implica una disminución en los costos de transacción y
esto genera utilidad, por ello zt puede aproximarse por medio de la demanda de saldos reales
de dinero.
Mt
zt = = mt (7.2)
Pt Nt
Donde Pt es el nivel de precios, Nt es la población y se cumple que um (ct , mt ) ≤ 0.
En cuanto a la restricción presupuestaria, se supone que el hogar puede demandar dinero (que
no rinde intereses), bonos (que rinde un tipo de interés nominal it ) y capital fı́sico para se
usados en la producción. En particular, por el lado del ingreso, el hogar posee un ingreso por
producción Yt , recibe transferencia netas del gobierno τt , posee el rendimiento de los bonos del
periodo t − 1 y tiene una cierta cantidad de dinero real. Por el lado del gasto, el hogar debe
decidir en cada periodo entre consumir Ct , demandar saldos reales de dinero Mt /Pt , demandar
bonos Bt /Pt y demandar capital fı́sico Kt . De esta forma, la restricción agregada en cada periodo
viene representado por;
(1 + it−1 )Bt−1 Mt−1 Mt Bt

Yt + τt Nt + (1 − δ)Kt−1 + + = Ct + Kt + + (7.3)
Pt Pt Pt Pt
Para determinar la restricción presupuestaria en términos per cápita se supone que la población
sigue el proceso Nt = (1 + n)Nt−1 , donde n es la tasa de crecimiento poblacional que se supone
constante y exógeno, y el nivel general de precios esta dado por Pt = (1 + πt )Pt−1 , siendo πt
la tasa de inflación. Además, la función de producción viene dado por Yt = F (Kt−1 , Nt ) que
cumple las propiedades convencionales.


Yt kt−1 Bt Mt Kt
Al dividir (7.3) entre Nt y definiendo yt = =f , bt = , mt = , kt = y
Nt 1+n Pt Nt Pt Nt Nt
Ct
ct = se deduce la restricción presupuestaria en términos per cápita y en términos reales.
Nt

kt−1 1−δ (1 + it−1 )bt−1 + mt−1
f + τt + kt−1 + = ct + kt + mt + bt (7.4)
1+n 1+n (1 + πt )(1 + n)
De esta manera, el problema del agente representativo viene dado por:

∞
X
máx β t u(ct , mt )
{ct ,kt ,mt ,bt }
t=0
sujeto a la restricción (7.4). La función de Lagrange viene dado por:

∞
X
t t kt−1 1−δ (1 + it−1 )bt−1 + mt−1
L= β u(ct , mt )+β λt f + τt + kt−1 + − ct − kt − mt − bt
t=0
1+n 1+n (1 + πt )(1 + n)
De acuerdo a las condiciones de primer orden se obtiene el siguiente sistema.
uc (ct , mt ) = λt (7.5)

λt+1
um (ct , mt ) + βEt = λt (7.6)
(1 + πt+1 )(1 + n)

0 kt 1 1−δ
βEt λt+1 f + = λt (7.7)
1+n 1+n 1+n
βEt λt+1 (1 + it )
= λt (7.8)
(1 + πt )(1 + n)
Para resolver combinamos (7.5) y (7.6) de donde se obtiene:

λt+1
um (ct , mt ) + βEt = uc (ct , mt ) (7.9)
(1 + πt+1 )(1 + n)
Lo anterior representa la ecuación de Euler consumo-dinero. En el óptimo, la desutilidad de

consumir menos en el presente, se compensa con la utilidad obtenida de un aumento de la
tenencia de saldos de dinero futura.
Por otro lado, podemos combinar (7.5) y (7.7) a partir del cual se tiene.

uc (ct , mt ) 0 kt 1 1−δ
= βEt f + (7.10)
uc (ct+1 , mt+1 ) 1+n 1+n 1+n
Esta es la ecuación de Euler intertemporal cuya interpretación es estándar. En el óptimo, la

relación marginal de sustitución entre consumo presente y futuro debe ser igual a la producti-
vidad marginal del capital ajustada por el crecimiento poblacional y descontada por la tasa de
depreciación del capital fı́sico.

Nótese que una relación similar se obtiene de combinar (7.5) y (7.8).

uc (ct , mt ) β(1 + it )
= (7.11)
uc (ct+1 , mt+1 ) (1 + πt )(1 + n)
Al combinar (7.10) con (7.11) se puede deducir que:

1 + it 0 kt
≈ 1 + rt = f +1−δ
1 + πt 1+n
lo que significa que en el óptimo, la tasa de interés real debe ser igual a la productividad marginal
del capital neta de la tasa de depreciación.
Por otro lado, si se combina (7.9) y (7.11) se puede obtener una relación que permite obtener
la demanda de dinero en términos de su costo de oportunidad.
um (ct , mt ) it
=
uc (ct , mt ) 1 + it
Para obtener el equilibrio de largo plazo supongamos ausencia de crecimiento poblacional, n = 0,

mt+1
y crecimiento de la oferta monetaria constante = θ, bajo estos supuestos, además de b = 0,
mt
el sistema (7.5) - (7.8) más la restricción de presupuesto se convierte en:
uc (css , mss ) = λss (7.12)

β
um (css , mss ) + = 1 (7.13)
1 + πss
β [f 0 (kss ) + 1 − δ] = 1 (7.14)
β(1 + iss )
= 1 (7.15)
1 + πss
mss
yss + τss + (1 − δ)kss + = css + kss + mss (7.16)
1 + πss
1
De (7.14) se puede obtener el capital de estado estable, es decir, f 0 (kss ) = + δ − 1. Ahora
β
bien, para que los saldos reales sean constantes en estado estable, debe cumplirse que θ = πss
Una cuestión es que la oferta monetaria crece por medio de las transferencias a los hogares, de
ésta manera, se cumple que:
Mt − Mt−1 θMt−1 θMt−1 Pt−1 θmt−1
= = = (7.17)
Pt Pt Pt−1 Pt−1 1 + πt
Sustituyendo en la restricción presupuestaria
θmss mss
yss + + (1 − δ)kss + = css + kss + mss
1+θ 1+θ
(1 + θ)mss
yss + + (1 − δ)kss = css + kss + mss
1+θ

De donde se obtiene que css = yss − δkss es decir;
css = f (kss ) − δkss
Por otro lado, de (7.15) se deduce que:

1+θ
1 + iss =
β
De esta forma la tasa de interés nominal depende de la tasa de crecimiento monetario. Final-
mente, al combinar (7.14) y (7.15) se obtiene:
1 + πss 0
[f (kss ) + 1 − δ] = 1 (7.18)
1 + iss
1 + iss
Si, rss = f 0 (kss ) − δ entonces 1 + rss = , aplicando logaritmos y usando la aproximación
1 + πss
ln(1 + x) ≈ x se tiene, ln(1 + rss ) = ln(1 + ıss ) − ln(1 + πss ), es decir rss = iss − πss = iss − θ.
Esta relación se conoce como la ecuación de Fisher.
En resumen, las variables reales, como el consumo, producto, capital, y otros, dependen sólo
de los parámetros estructurales y no se ven afectados por el crecimiento de la oferta moneta-
ria, mientras que las variables nominales, como la tasa de interés y la inflación dependen del
crecimiento monetario. Esto se conoce como el principio de la superneutralidad del dinero.
b) La dinámica del modelo MIU con oferta de trabajo
En este punto se desarrolla el modelo MIU en la que las familias deciden sobre la cantidad de
consumo, tenencia de saldos reales y oferta laboral.
Para reescribir la restricción presupuestaria definimos;

1 + it−1 1
at = τ t + bt−1 + mt−1
1 + πt 1 + πt
que representa la riqueza financiera expresado en términos reales más las transferencias que
recibe del gobierno. En consecuencia, el agente representativo se enfrenta al siguiente problema:
∞
X
máx β t u(ct , 1 − nt , mt )
{ct ,kt ,nt ,mt ,bt }
t=0
sujeto a las siguiente restricciones.
yt + (1 − δ)kt−1 + at = ct + kt + mt + bt
1 + it mt
at+1 = τt+1 + bt +
1 + πt+1 1 + πt+1
yt = f (kt−1 , nt , zt )
zt = ρzt−1 + et , et ∼ N (0, σe2 )

Donde las variables tienen interpretaciones estándar, a diferencia de zt que representa una
perturbación de tecnologı́a. De acuerdo a la función de Lagrange, L = L(ct , kt , nt , mt , bt ), se
obtienen las siguientes condiciones de primer orden.
uc (ct , 1 − nt , mt ) = λt (7.19)
βEt λt+1
um (ct , 1 − nt , mt ) + = λt (7.20)
1 + πt+1
un (ct , 1 − nt , mt ) = λt fn (kt−1 , nt , zt ) (7.21)
βEt λt+1 [fk (kt , nt+1 , zt+1 ) + 1 − δ] = λt (7.22)
Et λt+1 (1 + it )
β = λt (7.23)
1 + πt+1
Por otro lado, el comportamiento de la oferta monetaria real viene dado por:

1 + θt
mt = mt−1 (7.24)
1 + πt
y redefinimos ut = θt − θss , siendo ut = γut−1 + φ1 zt + t , con t ∼ N (0, σ2 ). Este modelo permite
estudiar la dinámica de las economı́a ante perturbaciones de productividad y monetaria. Para
resolver numéricamente se considera la función de utilidad CES con aversión relativa al riesgo
constante y una función de producción Cobb-Douglas.
1−b 1−Φ
act + (1 − a)mt1−b 1−b Ψ(1 − nt )1−η
u(ct , 1 − nt , mt ) = +
1−Φ 1−η
yt = f (kt−1 , nt , zt ) = ezt kt−1
α
nt1−α
Siendo 0 < a < 1 el efectos que tiene el consumo sobre la utilidad del agente, por su parte,
b, θ, Φ, Ψ > 0. De acuerdo a las condiciones de primer orden y las funciones de utilidad de y
de producción el sistema dinámico está dado por: El conjunto de variables endógenas viene
dado por {ct , yt , kt , mt , nt , πt , λt , it , rt , xt } y las variables exógenas, shock de tecnologı́a y shock
de polı́tica monetaria, son respectivamente zt y ut . También se puede identificar el conjunto de
parámetros {α, β, δ, Φ, Ψ, η, a, b, θss , ρ, γ, φ1 , σe , σ }. La parametrización del modelo se observa en
el Cuadro 6.1. La mayorı́a fueron tomados de Walsh (2010) y cuyos valores son congruentes con
la literatura de los ciclos económicos reales. Algunos aspectos a considerar es que el parámetro
η es consistente con una elasticidad de oferta laboral, en estado estable, [ηnss /(1 − nss )]−1 = 2,
además Ψ = 1,57 también es consistente con nss = 1/3. Por otro lado, la desviación estándar de
los choques, σe y σ , fueron considerados de acuerdo a la volatilidad del producto y del agregado
monetario M2 respectivamente. Estos valores fueron obtenidos del capı́tulo 2. Finalmente, como
en Walsh (2010), se supone que no existe correlación entre el proceso zt y ut , de modo que φ1 = 0.
Esto es sumamente importante por que significa que los agentes no anticipan los cambios en
la oferta monetario, y por ello shocks de oferta monetaria tendrán efectos sobre las variables
reales.
En el Cuadro 6.2 se observan los valores de estado estacionario. Los valores son los esperados,
por ejemplo, nss = 1/3 como en Cooley and Prescott (1995), por su parte, los ratios de consumo
(77 %) e inversión (23 %) son coherentes con los datos.

Cuadro 7.1: Parametrización del modelo MIU con oferta laboral

Parámetros Valor
Elasticidad capital-producto α 0.36
Factor de descuento β 0.989
Tasa de depreciación δ 0.019
Inversa de la elasticidad de sustitución intertemporal Φ 2
Efecto del ocio sobre la utilidad Ψ 1.57
Parámetro de control de oferta laboral η 1
Contribución del consumo a la utilidad a 0.99
Grado de sustituibilidad de factores b 3
Crecimiento monetario en estado estacionario θss 0.01
Coeficiente de persistencia del choque tecnológico ρ 0.95
Coeficiente de persistencia del choque monetario γ 0.75
Correlación shock de productividad y monetario φ1 0
Desviación estándar del choque tecnológico σe 0.0162
Desviación estándar del choque monetario σ 0.0133
Cuadro 7.2: Estado estacionario del modelo MIU con empleo

Variables Valores de ss
Consumo css 1.0405
Inversión xss 0.3057
Producto yss 1.3461
Demanda de saldos reales mss 0.8193
Nivel de empleo nss 0.3335
Tasa de inflación πss 0.0100
Tasa de interés nominal iss 0.0211
Tasa de interés real rss 0.0111

En la Figura 6.1 se observa la respuesta de las variables frente a un choque positivo de pro-
ductividad. En el caso de las variables del sector real de la economı́a son los esperados y están
de acuerdo a las predicciones de la teorı́a RBC estándar. En el caso de las variables del sector
monetarios se observa que ante un choque de productividad la demanda de saldos monetarios
aumenta positivamente, esto se explica por el hecho de que el nivel de ingreso aumenta.
En la Figura 6.2 se observa las respuestas de las variables macroeconómicas frente a un choque
de crecimiento monetario. La variables consumo, producto y horas de trabajo reaccionan nega-
tivamente mientras que el capital y la inversión responden positivamente. La caı́da del producto
se explica por un doble efecto, tanto por demanda (consumo) y como por oferta(empleo). Un
choque positivo de crecimiento monetario encarece el precios del dinero, lo que se observa en un
incremento de la tasa de interés y por lo tanto una disminución de la demanda de saldos reales
de dinero.
Figura 7.1: Respuesta de las variables frente a un choque de tecnologı́a

(expresado en porcentajes)
Variables del sector real Variables del sector monetario
8 1
consumo saldo real de dinero
horas de trabajo tasa de interes real
6 capital tasa de interes nominal
producto tasa de inflacion
inversion 0.5
4
2
0
-2 -0.5
10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100

Figura 7.2: Respuesta de las variables frente a un choque de oferta monetaria

0.05 6
0.04 horas de trabajo tasa de interes real
capital 4 tasa de interes nominal
0.03 producto tasa de inflacion
inversion
2
0.02
0.01
0
0
-2
-0.01
-0.02 -4
5 10 15 20 25 30 35 40 5 10 15 20 25 30 35 40
7.3. Estimación empı́rica de la demanda de dinero
Recordemos que el modelos MIU básico sin empleo proporciona una relación de la siguiente
forma:
um (ct , mt ) it
= (7.25)
uc (ct , mt ) 1 + it
Suponiendo una función de utilidad tipo Constant Elasticity of Substitution (CES) que viene
dado por:
u(ct , mt ) = [act1−b + (1 − a)m1−b
t ]
1/(1−b)
donde 0 < a < 1 es la proporción del consumo en la utilidad y b > 0, (b 6= 1), es el coeficiente
de elasticidad, podemos obtener fácilmente una función de la demanda por dinero, que viene
dado por:
1/b −1/b
1−a it
mt = ct
a 1 + it
Aplicando logaritmos se deduce.

1 1−a 1 it
ln(mt ) = ln + ln(ct ) − ln (7.26)
b a b 1 + it
Esta expresión establece que la demanda de dinero depende positivamente del consumo y ne-
gativamente de la tasa de interés nominal. Nótese que, teóricamente, se espera que un aumento
en el consumo (o el ingreso) en una unidad, implique un aumento en la misma magnitud de la
demanda de dinero. Por su parte, 1/b puede entenderse como la elasticidad de la demanda por
dinero ante cambios en el costo de oportunidad del dinero, y se espera que presente un signo
negativo.

La ecuación (7.26) permite estimar la demanda por dinero según sus determinantes. Tomando
en cuenta que en los estudios empı́ricos es más común usar el ingreso como variable regresora
que el consumo [véase (Walsh, 2010)], y considerando su estimación por medio de la metodologı́a
de datos de panel, podemos especificar de la siguiente forma:

ijt
ln(mjt ) = αj + β ln(yjt ) + φ ln + εjt (7.27)
1 + ijt
Donde el subı́ndice j representa cada uno de los paı́ses de la muestra y t el perı́odo de temporal.
Además, mjt es la variable endógena que representa la demanda de dinero expresado en términos
reales para el paı́s j (j = 1, 2, 3, ..., N ) en el periodo t (t = 1, 2, 3, ..., T ), yjt es el ingreso real e
ijt /(1 + ijt ) es el costo de oportunidad de tener dinero, cuya variable proxy es la tasa de interés
ijt . Finalmente, αj es una variable latente no observable β es la elasticidad ingreso, φ es la
elasticidad tasa de interés y εjt es un ruido blanco.
Tomando en cuenta la disponibilidad de datos, se construyó un panel para el perı́odo 1996-2016

en frecuencia anual, de modo que t = 1996, 1997, ..., 2016 con T = 20. Consideramos 15 paı́ses de
América Latina: Argentina, Bolivia, Brasil, Chile, Colombia, Costa Rica, Guatemala, Honduras,
México, Nicaragua, Panamá, Paraguay, Perú, República Dominicana y Uruguay. Por lo tanto,
se tiene N ∗ T = 300 observaciones.
Recolectamos información para cada paı́s. En concreto, la variable dinero se aproximó mediante
el agregado monetario M1, y se obtuvo del Banco Interamericano de Desarrollo (BID), expresado
en millones de moneda local y a precios constantes. Por su parte, el ingreso se aproximó por el
Producto Interno Bruto (PIB) real y se obtuvo del Banco Mundial (BM), también expresado
en millones de moneda local y a precios constantes del 2010. Finalmente, para capturar el costo
de oportunidad del dinero se usó la tasa de interés nominal, especı́ficamente, la tasa de interés
de depósitos1 y se obtuvo del Fondo Monetario Internacional (FMI).
Inicialmente, efectuamos un análisis de las propiedades de raı́ces unitarias en datos de panel. Al

respecto, existen dos enfoques. El primero está conformado por las pruebas de Levin et al. (2002),
(LLC), y Breitung (2001) suponen que el coeficiente autorregresivo en el proceso que genera las
series de tiempo son comunes para todas las secciones transversales, mientras el segundo supone
que el coeficiente autorregresivo varı́a entre las unidades de corte transversal, encontrándose
en este grupo las pruebas de Maddala and Wu (1999), basado en Dikey-Fuller Ampliado, Choi
(2001), basado en Phillips-Perron-Fisher e Im et al. (2003), (IPS). Ambos enfoques consideran
como hipótesis nula la existencia de raı́z unitaria, es decir las series son no estacionarias en
panel.
Se supone que el proceso estocástico {yit }, i = 1, ..., N y t = 1, ..., T , se genera por el siguientes
1
Cabe mencionar que no hay un consenso sobre la medida más apropiada a utilizar como proxy del costo de
oportunidad. Algunos usan la tasa libre de riesgo, en cambio otros el diferencial de tasas de corto y largo plazo.

modelo2 pi
X
∆yit = δyit−1 + θit ∆yit−L + αmi dmt + εit
L=1
Siendo dmt un vector de variables determinı́sticas y αmi sus coeficientes asociados, con m =
1, 2, 3. La hipótesis nula es H0 : δ = 0, lo que significa que las series tienen raı́ces unitarias, para
probar se usa el estadı́stico (t∗ ) ajustado del coeficiente δ:
En la Tabla 7.3 se observan los resultados de los test de raiz unitaria. Para las variables en
niveles todas las prubeas sugieren no rechazar la hipótesis nula de raı́z unitaria, excepto el de
LLC para la tasa de interés que sugiere rechazar al 5 %. Por el contrario, cuando estos se aplican
sobre las variables en primeras diferencias, se rechaza la hipótesis nula de raı́z unitaria al 1 %
de significancia, en todos los casos. Esto permite concluir que las variables son Integradas de
orden 1 (I(1)).
Cuadro 7.3: Test de raı́z unitaria en datos de panel

ijt ijt
Método ln(mjt ) ln(yjt ) ln ∆ ln(mjt ) ∆ ln(yjt ) ∆ ln
1 + ijt 1 + ijt
Levin, Lin and Chu 0.4141 1.7228 -2.9772 -4.8790 -6.4683 -9.0997
(0.661) (0.958) (0.018) (0.000) (0.000) (0.000)
Im, Pesaran and Shin 4.4021 6.3439 0.2621 -6.1074 -5.1567 -8.4505
(1.000) (1.000) (0.603) (0.000) (0.000) (0.000)
ADF - Fisher Chi-square 8.9064 3.0105 26.8626 97.9038 81.8537 126.0300
(1.000) (1.000) (0.631) (0.000) (0.000) (0.000)
PP - Fisher Chi-square 33.0091 4.9745 26.3249 198.6280 108.7290 159.4000
(0.322) (1.000) (0.659) (0.000) (0.000) (0.000)
Fuente: Elaboración con datos del BID, BM y FMI. Se reportan los valores de los estadı́sticos en cada caso.
Los p-valores aparecen reportados entre paréntesis.
A continuación efectuamos un análisis de cointegración en panel. Para lograr esto se aplica el test
de Kao (1999) y Pedroni (1999), los que siguen esencialmente la misma estrategia propuesta por
Engle-Granger. La hipótesis nula en ambos casos plantea que las variables no están cointegradas
versus la alternativa de cointegración.
El test de Kao (1999) parte del siguiente modelo y supone que la pendiente (β) es única en todo
el panel (es decir supone homogeneidad entre las unidades sociales).
yit = αi + βxit + eit
Cuando yit y xit están integradas de orden 1, yit = yit−1 + µit y xit = xit−1 + uit siguen un paseo
aleatorio sin deriva y, bajo la hipótesis nula de no cointegración, el panel de residuos debe ser
2
No obstante LL proponen tres modelos simples; primero, ∆yit = δyit−1 +ζit cuya hipótesis nula es H0 : δ = 0
versus la alterna H1 : δ < 0; segundo, incorpora una constante ∆yit = α0i + δyit−1 + ζit , donde la hipótesis que
se prueba es la hipótesis nula H0 : δ = 0 y α0i = 0, para todo i, versus la alternativa H1 : δ < 0 y α0i ∈ R;
tercero, incorpora una constante y una tendencia, ∆yit = α0i + α1i t + δyit−1 + ζit , y la hipótesis que se evalúa
es H0 : δ = 0 y α1i = 0, para todo i, versus la alternativa H1 : δ < 0 y α1i ∈ R.

no estacinario.
ebit = ρb
eit−1 + vit
PN PT
ebit ebit−1
Donde ρb = Pi=1 t=2
N PT
. La hipótesis nula es, entonces, H0 : ρ = 1.
i=1 b2it−1
t=2 e
Mientras que el test de Pedroni (1999) relaja el supuesto de homogeneidad y considera el si-
guiente modelo.
yit = αi + δi t + β1i x1it + β2i x2it + ... + βM i xM it + eit
Con i = 1, ..., N , t = 1, ..., T y m = 1, ..., M , donde M representa el número de regresores y βi
los parámetros. Al igual que el test de Kao, Pedroni supone que los residuos vienen dados por
ebit = ρi ebit−1 + vit , con la diferencia de que el coeficiente autorregresivo difieren para cada i. La
hipótesis nula corresponde a no cointegración H0 : ρi = 1 versus la alternativa de cointegración
para todos los i. Para corregir el problema de autocorrelación en esta prueba, se suele utilizar tres
contrastes no parmétricos: estadı́stico razón de varianzas no paramétrico, contraste estadı́stico
rho de Phillips-Perron y un contraste estadı́stico t de Phillips-Perron.
En la Tabla 7.4 se observan los resultados de las pruebas de cointegración. Los tests econométri-
cos sugieren la existencia de una relación de largo plazo entre las variables con un nivel de
significancia del 5 %.
Cuadro 7.4: Resultados del test de cointegración de Kao y Pedroni

t-Statistic Prob.
Kao
-1.7549 0,0396∗∗
Alternative hypothesis: common AR coefs. (within-dimension)
Weighted
Statistic Prob. Statistic Prob.
Panel v-Statistic 0.9173 0.1795 1.0142 0.1552
Panel rho-Statistic -0.6014 0.2738 -1.6482 0.0487∗∗
Panel PP-Statistic -2.0098 0.0222∗∗ -3.6381 0.0001∗∗∗
Pedroni Panel ADF-Statistic -1.6289 0.0498∗∗ -2.7426 0.0030∗∗∗
Alternative hypothesis: individual AR coefs. (between-dimension)
Statistic Prob.
Group rho-Statistic 0.2105 0.5834
Group PP-Statistic -3.1280 0.0009∗∗∗
Group ADF-Statistic -2.4734 0.0067∗∗∗
Fuente: Elaboración con datos del BID, BM y FMI. Los asteriscos representan los niveles de significancia de los
coeficientes: ∗∗∗ significativo al 1 % y ∗∗ significativo al 5 %.
Luego de determinar la existencia de cointegración, podemos estimar las elasticidades de la de-

manda de dinero para América Latina. Para ello hacemos uso del método de Mı́nimos Cuadros
Ordinarios Completamente Modificados (FMOLS, por sus siglas en inglés). Esta técnica conside-
ra vectores cointegrantes heterogéneos. Los detalles del procedimiento se discuten ampliamente
en Kao and Chiang (2001) y Pedroni (2001).

En la Tabla 7.5 se reportan los resultados de la estimación econométrica. En primer lugar,

considerando la estimación para panel conjunto (última fila), se encuentra que la elasticidad-
ingreso de la demanda de dinero es β = 1, 7358, mientras la elasticidad para la tasa de interés es
de φ = −0,1618, presentando los signos esperados y siendo estadı́sticamente significativos al 1 %.
Estos estimadores permiten obtener los valores de los parámetros a y b implı́citos en la función
de utilidad. En el primer caso, a = 0,9389, que se interpreta como la participación del consumo
en la utilidad individual, mientras su complemento (0.061) corresponde a la participación de
los saldos reales. El parámetro b = 37,3, representa la elasticidad de sustitución entre consumo
y saldos reales y es significativamente alta. Sin embargo, al excluir el caso de Argentina, que
posee una elasticidad bastante atı́pica y no significativa, el parámetro obtenido es 10.42 que,
aunque sigue siendo alto, está más acorde a lo esperado.
Cuadro 7.5: Resultados del modelo por paı́ses y panel conjunto
Descripción α β p − valor1/ φ p − valor2/ a3/ b4/

Argentina -42.52 4.0363 0.0000 -0.0024 0.9889 1.00 415.11
Bolivia -12.95 2.0023 0.0015 -0.4551 0.0089 1.00 2.20
Brasil -0.22 0.7252 0.0395 -0.6246 0.0023 0.59 1.60
Chile -28.90 2.4135 0.0000 -0.0391 0.3031 1.00 25.56
Colombia -10.64 1.3627 0.0000 -0.2433 0.0000 1.00 4.11
Costa Rica -2.88 0.9383 0.0000 -0.0784 0.1744 1.00 12.76
Guatemala -4.54 1.1671 0.0000 -0.1134 0.2466 1.00 8.82
Honduras -1.17 0.8811 0.0000 -0.0627 0.6534 1.00 15.95
México -28.08 2.5351 0.0000 -0.0915 0.0227 1.00 10.92
Nicaragua -10.63 1.5858 0.0017 -0.0949 0.3754 1.00 10.54
Panamá -7.98 1.5703 0.0000 -0.0427 0.7734 1.00 23.44
Paraguay -16.74 1.8525 0.0000 -0.2297 0.0000 1.00 4.35
Perú -24.28 2.6798 0.0000 -0.0785 0.1579 1.00 12.73
República dominicana 0.00 0.7111 0.0001 -0.2107 0.0514 0.49 4.75
Uruguay -11.20 1.5763 0.0000 -0.1504 0.0005 1.00 6.65
Panel conjunto -13.51 1.7358 0.0000 -0.1678 0.0000 0.9389 37.2995
Fuente: Elaboración con datos del BID, BM y FMI.

1/
El parámetro β para todos los paı́ses son significativos al 1 %, excepto Brasil que es significativo al 5 %.
2/
El parámetro φ tiene significancia heterogénea. Significativos; ∗∗∗ al 1 %; ∗∗ al 5 % y ∗ al 10 %.
3/ ( (
y 4/ son los parámetros de la función de utilidad u(ct , mt ) = [act 1 − b) + (1 − a)mt 1 − b)]1/(1−b) que se
obtiene considerando la ecuación (8), que es equivalente a (9).
Las elasticidades ingreso de la demanda de dinero resultan significativas para todos los paı́ses y
con el signo esperado. Los valores estimados oscilan en el intervalo entre 0,711 para República
Dominicana, y 4,036 para Argentina. Este resultado sugiere que la reacción de la tenencia de
dinero frente a aumentos del ingreso es heterogénea entre paı́ses, lo que puede explicarse por la
existencia de factores idiosincráticos como el nivel de desarrollo y sofisticación de los mercados
financieros.
En cuanto al parámetro φ, aunque resulta negativo en toda la muestra, puede observarse que en

la mitad de los casos resulta no significativo (Argentina, Chile, Costa Rica, Guatemala, Hondu-
ras, Nicaragua, Panamá, Perú) y sus valores oscilan entre -0.624 (Brasil) y -0.002 (Argentina).
La poca significancia de este parámetro puede asociarse, por un lado, a una baja sensibilidad
en estos paı́ses a los cambios de los tipos de interés, sin embargo, debe reconocerse, además,
lo complejo que resulta obtener una medida de costo de oportunidad de la liquidez única y
consistente para todos los paı́ses, lo que justificarı́a el uso de otras medidas alternativas.
Respecto a los valores de los parámetros a y b asociados a la función de utilidad MIU, los
resultados muestran un valor de a muy cercano a 1, lo que implica que los agentes otorgan una
mayor ponderación al consumo en su cesta, otorgando una importancia pequeña a la demanda
de saldos reales. Esto es consistente con las crı́ticas a este tipo de modelos, donde se afirma que
los saldos de dinero deberı́an ser incluidos como una restricción tipo Cash-in-Advance (CIA),
como se analiza más adelante, en lugar de incorporarlos directamente en la función de utilidad.
Respecto a la elasticidad de sustitución (b), esta varı́a entre 1,6 (Brasil), hasta 10,9 (México),
considerando sólo los paı́ses donde φ resulta significativo.
En conclusión, los resultados muestran la existencia de factores comunes en los determinantes

y dinámicas de la demanda de dinero para los paı́ses de América Latina, lo que se evidencia a
partir de los resultados del ejercicio de cointegración. Sin embargo, las estimaciones individuales
sugieren heterogeneidad en términos de las magnitudes de las elasticidades, siendo especialmente
interesante la poca sensibilidad de la demanda de dinero a la tasa de interés. Finalmente, las
estimaciones para la elasticidad ingreso de la demanda de dinero sugieren la existencia de un
efecto “ riqueza”, consistente con los resultados de otros trabajos empı́ricos en la misma área.
7.4. Modelo Cash in Advance
En la sección anterior se desarrollo el modelo que supone que el dinero genera utilidad, por
ello se introdujo directamente en la función de utilidad. Sin embargo, se a argumentado que
el dinero produce utilidad de manera indirecta a través de su uso, dado que el dinero puede
adquirir bienes y estos generan utilidad. Al respecto, Clower (1967) argumentó que los bienes
compran dinero y el dinero compra bienes, pero los bienes no compran bienes. Y debido a que
los bienes no compran bienes, una moneda es un medio de intercambio que sirve para ayudar
en el proceso de transacción.
En esta sección vamos a desarrollar el modelo Cash in Advance (CIA) que supone de manera
explı́cita que el dinero se requiere como medio de intercambio, por ello, el dinero se incorpora
en la restricción presupuestaria. Es decir, todas las transacciones de bienes requieren dinero. Se
desarrollan dos tipos de modelos, una con plena certidumbre y la otra que incorpora incerti-
dumbre.
El timming, o las suposiciones del tiempo, en la apertura de los mercados financieros puede tener
efectos en la resolución del modelo. Lucas (1982) supone que los agentes son capaces de asignar
sus carteras entre efectivo y otros activos a inicios de cada periodo “los mercados de activos se

abre primero y luego se abre el mercado de bienes”. En cambio, Svensson (1985) considera que
“los mercados de bienes se abre primero y luego se abre el mercado de activos”, implica que los
agentes eligen los saldos efectivos antes de que sepan cuánto gasto desearı́an realizar.
a) Modelo CIA bajo certidumbre
Para determinar la restricción, se supone que los agentes requieren dinero y luego, según Svens-
son (1985), los mercados de bienes se abren primero. En el periodo t, se supone que el agente
tiene un stock de dinero del periodo anterior t − 1, Mt−1 , y recibe una transferencia Tt , am-
bos expresados en términos nominales. En consecuencia, la restricción CIA para cada periodo
implica que:
Pt ct ≤ Mt−1 + Tt (7.28)
Donde Pt y ct es el nivel de precios de los bienes y consumo respectivamente. La relación (7.29)
expresamos en términos reales, para lo cual deflactamos por Pt , de donde se obtiene que:
mt−1
ct ≤ + τt (7.29)
1 + πt
Por otro lado, la restricción presupuestaria intertemporal expresado en términos reales viene
dado por:
mt−1 + (1 + it−1 )bt−1

f (kt−1 ) + (1 − δ)kt−1 + τt + ≥ ct + kt + bt + mt (7.30)
1 + πt
El problema del agente representativo está dado por:
∞
X
máx U= β t u(ct )
{ct ,kt ,bt ,mt }
t=0
sujeto a las restricciones (7.29) y (7.30) Las condiciones de primer orden de la función de
Lagrange, L = L(ct , kt , bt , mt , λt , µt ), siendo λt y µt los multiplicadores de Lagrange asociados
a las restricciones intertemporal y CIA respectivamente, están dados por:
uc (ct ) − λt − µt = 0 (7.31)
βλt+1 [fk (kt ) + 1 − δ] = λt (7.32)
β(λt+1 + µt+1 )
= λt (7.33)
1 + πt+1
βλt+1 (1 + it )
= λt (7.34)
1 + πt+1
Más las restricciones del modelo constituyen el sistema no lineal a resolver. La ecuación (7.33)
λt Pt 1
se puede reescribir dividiendo por Pt , = β(λt+1 + µt+1 ) de donde se tiene:
Pt Pt+1 Pt
λt λt+1 µt+1
=β +β (7.35)
Pt Pt+1 Pt+1

Resolviendo recursivamente hacia adelante.

λt+1 λt+2 µt+2
=β +β (7.36)
Pt+1 Pt+2 Pt+2
Sustituyendo (7.36) en (7.35) se obtiene:
λt λt+2 µt+2 µt+1
= β2 + β2 +β
Pt Pt+2 Pt+2 Pt+1
De ésta manera, la solución general, una vez que se garantiza la condición de transversalidad
λt+j
lı́mj→∞ β j = 0, viene dado por:
Pt+j
∞
λt X j λt+j
= β
Pt j=1
Pt+j
La interpretación de esta solución es que el dinero es como cualquier otro activo. Su valor en el
periodo t es igual al valor presente descontado de todos los retornos generados. En el caso del
dinero, estos retornos están asociados a su liquidez.
Definimos f 0 (kt ) + 1 − δ = 1 + rt sustituyendo en (7.32) se tiene que:
βλt+1 (1 + rt ) = λt (7.37)
βλt+1 (1 + it )
Combinando con (7.34) se tiene = βλt+1 (1 + rt ) y al simplificar se tiene 1 + rt =
1 + πt+1
1 + it
aplicando logaritmos, ln(1 + rt ) = ln(1 + it ) − ln(1 + πt+1 ), y teniendo en cuenta la
1 + πt+1
aproximación ln(1 + x) ≈ x se obtiene la ecuación de Fisher:
rt = it − πt+1 (7.38)
Para determinar la tasa de interés nominal combinamos (7.37) con (7.33) de dónde se obtiene
como una proporción de los multiplicadores de Lagrange:
µt+1
it = (7.39)
λt+1
Lo que significa que la tasa de interés es positiva si el dinero ofrece servicios de liquidez (µt+1 >
0). Por su parte, la condición (7.32) se puede escribir como uc (ct ) = λt (1 + µt /λt ) y haciendo
uso de (7.39) se obtiene que:
uc (ct ) = λt (1 + it ) (7.40)
En el modeo RBC estándar sin oferta laboral, la condición anterior se resumen en uc (ct ) = λt ,
sin embargo en el modelo CIA debe incluirse la tasa de interés como el costo adicional derivado
de la necesidad de tener dinero para realizar transacciones.
Finalmente, siempre que it > 0 la restricción CIA se cumple con la condición de igualdad, es
decir:
ct = mt (7.41)

Esta ecuación permite obtener la demanda de dinero. Si ct = Mt /Pt tomando logaritmos en

ambos lados se tiene ln ct = ln Mt − ln Pt , que es equivalente a la demanda de dinero clásica3 .
b) Modelo CIA con incertidumbre y oferta de trabajo
La estructura del modelo es la misma, con la diferencia de que se incorpora incertidumbre en

la función de utilidad, que viene representado por la expectativa que tiene el agente sobre los
flujos de utilidad futura, además, se incorpora la oferta laboral y se incorpora explicitamente
los bonos Bt en la restricción.
La restricción CIA en términos nominales viene dado ahora por Pt ct ≤ Mt−1 +Tt −Bt deflactando
por Pt se tiene que:
mt−1
ct = + τt − bt (7.42)
1 + πt
Y la restricción intertemporal viene dado por:
mt−1
mt = yt + (1 − δ)kt−1 − kt + it bt + + τ t − ct (7.43)
1 + πt
De esta forma, el problema del agente representativo es:
∞
X
máx Et β t u(ct , 1 − nt )
{ct ,nt ,kt ,mt ,bt }
t=0
sujeto a las restricciones (7.42) y (7.43). Considerando las siguientes funciones particulares:
ct1−Φ (1 − nt )1−η
u(ct , 1 − nt ) = +Ψ
1−Φ 1−η
yt = ezt kt−1
α
n1−α
t
el modelo a resolver está dado por el siguiente sistema:
c−Φ
t =λt + µt (7.44)
yt
Ψ(1 − nt )−η =(1 − α)λt (7.45)
n
t
yt+1
λt =βEt λt+1 α +1−δ (7.46)
kt
λt it − λt =0 (7.47)

λt+1 + µt+1
λt =βEt (7.48)
1 + πt+1
mt−1
ct = + τ t − bt (7.49)
1 + πt
mt−1
mt =yt + (1 − δ)kt−1 − kt + it bt + + τt − ct (7.50)
1 + πt
3
Según la teorı́a cuantitativa del dinero se cumple que; P y = M V tomando logaritmos es posible obtener que
ln y = ln M − ln P siempre que la velocidad de circulación del dinero sea uno, V = 1.

En la Figura 7.3 se observas las respuestas de las variables frente a un choque positivo de
productividad. En particular se puede ver que todas las variables del sector real reaccionan
positivamente tal como predice el modelo RBC estándar, por su parte, las variables del sector
monetario también reaccionan positivamente. Un resultado interesante es que existe una corre-
lación negativa entre el empleo y la tasa de inflación, lo que es consistente de acuerdo a la curva
de Phillips.
En la Figura 7.4 se observan las respuestas de la variables frente a un choque de oferta monetaria.
Los resultados sugieren que las variables producto, consumo y empleo diminuyen respecto a su
estado estable, esto se explica por una caı́da en la demanda de dinero, que a su vez se explica
por un incremento en la tasa de interés tanto nominal.
Figura 7.3: Respuesta de las variables frente a un choque de tecnologı́a

25 5
consumo
horas de trabajo 4
20 capital
producto 3
inversion saldo real de dinero
15 2 tasa de interes real
tasa de interes nominal
tasa de inflacion
1
10
0
5 -1
-2
0
-3
-5 -4
20 40 60 80 100 5 10 15 20 25 30 35 40

Figura 7.4: Respuesta de las variables frente a un choque monetario

4 20
3 horas de trabajo tasa de interes real
capital 15 tasa de interes nominal
2 producto tasa de inflacion
inversion
1 10
0
5
-1
-2 0
-3
-5
-4
-5 -10
5 10 15 20 25 30 35 40 5 10 15 20 25 30 35 40
Suponga el modelo MIU visto en clases y desarrollado en Walsh (2010), donde el agente repre-
sentativo maximiza una función de utilidad derivada del consumo de bienes, tenencia de saldos
reales de dinero y ocio, sujeto a una restricción de recursos. Considere las siguientes funciones
de utilidad y de producción:
1−b 1−Φ
act + (1 − a)mt1−b 1−b (1 − nt )1−η
u(ct , mt , 1 − nt ) = +Ψ
1−Φ 1−η
f (kt−1 , nt , zt ) = ezt kt−1

α
nt1−α
Las perturbaciones al modelo provienen de shocks tecnologicos y shocks de oferta monetaria,
las cuales viene dados por;
zt = ρzt−1 + et
ut = γut−1 + φ1 zt + εt
a) ¿Qué ocurre con las variables cuando se supone Φ = b?
b) Considere cuatro valores diferentes de ρ, con base en ello muestre las funciones de impulso
respuesta. ¿cambian o permanecen las dinámicas de las variables?

c) Ahora considere que φ1 = 0 en el proceso ut . ¿cómo cambian sus resultados en comparación

de sus resultados del ejercicio inicial?
Escribir un informe interpretando sus resultados.

Capı́tulo 8
Modelos con gasto público
Hasta el momentos hemos supuesto que nuestra economı́a artificial no incorpora al sector públi-
co. En la práctica, por lo general, el gobierno tiene la capacidad de modificar el comportamiento
de la economı́a a través del gasto de consumo, fundamentalmente. Según los datos del Banco
Mundial durante 1960 - 2016, la tasa de participación del gasto público en el PIB para algunos
paı́ses desarrollados fue del 18 % promedio anual. En particular, Alemania registró un 19 %1 ,
Australia 17 %, Canadá 20 %, Estados Unidos 16 %, Francia 21 %, Japón 15 % y Reino Unido
18 %. En cambio, algunas economı́as emergentes registraron el 13 % promedio anual, menor al
de las economı́as avanzadas. En particular, Brasil con el 15 %, Chile 12 %, China 13 %, Colombia
12 %, India 10 %, México 9 %, Perú 11 %, Rusia 18 %2 y Sud África 16 %. Estas cifras muestran
la participación relativa del gobierno en la composición del producto agregado.
Ahora bien, existen varias alternativas para incorporar el gobierno en el modelo RBC estándar,
no obstante, desde el punto de vista de los instrumentos de polı́tica fiscal existen dos formas de
analizar el papel del gobierno en la economı́a, primero, de acuerdo a las fuente de ingreso fiscal
(impuestos) y, segundo, de acuerdo al uso o destino de los recursos (gasto de consumo público).
Desde el punto de vista de la modelación existen al menos tres formas de incorpoar el gobierno
en el modelo. La primera, y las más sencilla, es suponer que el gasto público es una variable
exógena que sigue un proceso autorregresivo, la segunda, es suponer que el gasto de consumo
público afecta el nivel de bienestar de los agentes privados, por ello la variable gasto se introduce
en el argumento de la función de utilidad y, la tercera, se puede suponer que el gobierno actúa
como oferente de bienes en forma de inversión pública, esta forma de introducir el gobierno se
hace a través de la función de producción. En consecuencia, los efectos de polı́tica fiscal sobre
las variables macroeconómicas depende de si el gasto afecta a la utilidad o a la producción.
El estudio sobre los efectos macroeconómicos del gobierno no es un tema reciente. Autores como
Barro (1981), Aschauer (1985), Christiano and Eichenbaum (1992), Baxter and King (1993),
McGrattan (1994), entre otros, desarrollan modelos que permite precisamente estudiar el papel
del gobierno en la economı́a.
1
Los datos para Alemania sólo están disponibles desde 1970.
2
Los datos para la Federación Rusa sólo están disponibles desde 1990
CAPÍTULO 8. MODELOS CON GASTO PÚBLICO 149
En este capı́tulo estudiamos el rol de la polı́tica fiscal en la dinámica de las variables macro-
económicas. Consideremos las tres formas de modelar el gasto público.
8.1. El gasto público exógeno
Vamos a considerar el modelo RBC estándar desarrollado en el Capı́tulo 6 con trabajo divisible,
esta vez para estudiar los efectos de un shock de gasto público sobre el comportamiento de
las variables agregadas y, finalmente, vamos a discutir los resultados en comparación con las
predicciones de la teorı́a keynesiana (modelo IS-LM).
La forma simple de incorporar la polı́tica fiscal, a través del gasto público Gt , es suponer
que es una variable puramente exógena. La razón de ello es que los gobiernos no tienen un
comportamiento regular como las familias o las empresas, esto impide modelar su conducta.
Dado que el gasto público es un componente de demanda agregada, la restricción presupuestaria
se reescribe de la siguiente manera:
Ct + Kt+1 − (1 − δ)Kt + Gt = At Kt1−α (Nt Xt )α
Al ser una variable exógena podemos suponer que sigue un proceso autorregresivo de primer
orden, de modo que el estado estable del modelo no se ve afectado. Con esta consideración, las
condiciones de equilibrio de nuestro modelo, después de normalizar por Xt , ecuaciones (6.1) -
(6.5) vienen dados por:
c−1
t − λt = 0 (8.1)
0 1−α α−1
−θV (1 − Nt ) + αλAt kt Nt =0 (8.2)
−λt + βγx−1 Et λt+1 (1 − α)At+1 kt+1
−α
Ntα + 1 − δ = 0

(8.3)
At kt1−α Ntα + (1 − δ)kt − γx kt+1 − ct − Gt = 0 (8.4)
ln At+1 = ρ ln At + εA
t (8.5)
Gt = ρG Gt−1 + εG
t (8.6)
Siendo εG 2
t ∼ N (0, σεG ) serialmente incorrelacionado. Se supone que en estado estable se cumple
Gss = 0 y εG ss = 0. Para simular este modelo consideramos la misma calibración establecida en
el Capı́tulo 6, sin embargo, para el caso del coeficiente de persistencia ρG se considera datos de
gasto público usados en el Capı́tulo 2 para Estados Unidos durante 1960Q1 - 2016Q4, los cuales
sugieren que ρG = 0,84 y σεG = 0, 01.
En la Figura 8.1 se observa las respuestas de las variables frente a un shock positivo de gasto
público. Los resultados dan cuenta que la producción reacciona positivamente, esto se explica
por un aumento del factor trabajo, sin embargo, se da sólo en el primer periodo, a partir
del cual se reduce de manera sistemática hasta converger lentamente a su estado estacionario
inicial. Esta caı́da sistemática se explica, parcialmente, por un factor de oferta, el capital, dado
que disminuye, y por factores de demanda, porque el consumo y la inversión sufren un caı́da
importante respecto a su estado estable. En particular, frente a este choque de gasto público, la

inversión privada se ve afectado negativamente lo que se conoce como ”efecto desplazamiento“

o efecto ”Crowding Out“.
Estos resultados no concuerdan con el modelo IS-LM tradicional, según el cual un aumento del
gasto público genera un efecto positivo sobre la demanda agregada lo cual, a su vez, genera
un aumento de la producción y a través del efecto inducido en el consumo predice que el
multiplicador del gasto será mayor a la unidad. En el modelo RBC, un aumento del gasto
público tiene que ser financiado con mayores impuestos en el futuro, con lo cual, se reduce el
valor presente de la riqueza, esto induce a sustituir horas ocio por horas de trabajo, es decir
aumenta la oferta laboral y disminuye el consumo.
0.1
0.05
-0.05
-0.1
-0.15
-0.2
Consumo
-0.25
Capital
Empleo
-0.3 Producto
Productividad marginal del trabajo
-0.35 Productividad marginal del capital
Inversion
-0.4
5 10 15 20 25 30 35 40 45 50
Considerando las funciones de polı́tica somos capaces de obtener el componente cı́clico de las
variables importantes a partir del modelo teórico, esto lo comparamos con los ciclos observa-
dos. La Figura 8.2 muestran los resultados para el producto, consumo, inversión y empleo. En
particular, la dinámica del producto presenta una correlación negativa (-17 %) entre el ciclo
observado y el ciclo simulado. El resto de variables también muestran una correlación negativa,
el consumo del 17 %, la inversión del 29 % y empleo del 23 %. Estos resultados sugieren que el
modelo no es capaz de reproducir los datos y por lo tanto los hechos estilizados.

Figura 8.2: Ciclos; observado vs estimado (Expresado en porcentajes)
Las diferencias de los resultados entre el modelo keynesiano y el modelo RBC, neoclásico,
surge sobre los efectos negativos que genera el gasto público en el consumo privado. Esto se
puede explicar por los supuestos que consideran. El modelo RBC supone agentes racionales,
maximizadoras de utilidad y agentes ricardianos que no tienen restricciones de liquidez, esto
es ası́ por que se cumple el principio de la equivalencia ricardiana (un mayor gasto público es
financiado con un mayor impuesto). En cambio, el modelo keynesiano IS-LM supone que los
consumidores actúan en un entorno no ricardiano, dado que el consumo se financia con el ingreso

corriente y por lo tanto no son capaces de maximizar su utilidad intertemporal. Probar cual
de los dos tipos de modelos se ajusta mejor a los datos es una cuestión empı́rica. Fatás and
Mihov (2001) y Blanchard and Perotti (2002) muestran empı́ricamente que un shocks de gasto
público genera un aumento del consumo privado. Naturalmente, los modelos RBC han intentado
superar sus resultados contradictorios a la evidencia empı́rica, eso ha llevado a efectuar algunas
modificaciones.
8.2. El gasto público en la función de utilidad
Siguiendo Baxter and King (1993), se supone que el agente representativo toma decisiones de
consumo y ocio, cuya función de utilidad depende del consumo proporcionado por el sector
privado (ct ), del consumo proporcionado por el sector público (gt ) y del ocio (lt ) que viene dado
por lt = 1 − nt , donde nt es la oferta laboral.
∞
X
máx U = β t u(ct , lt , gt )
{ct ,lt }
t=0
La función de utilidad instantánea viene dado por u(ct , lt , gt ) = ln Ψ(ct , gt ) + θ ln lt , donde la

función de consumo, Ψ(ct , gt ), se supone que es una combinación lineal de ambos tipos de
consumo, privado y público, Ψ(ct , gt ) = c∗t = ct + ψgt , siendo ψ ≥ 0 la contribución del gasto
público a la utilidad del agente. Por lo tanto:
u(ct , 1 − nt , gt ) = ln(ct + ψgt ) + θ ln(1 − nt )
La restricción presupuestaria se obtiene igualando el ingreso disponible a los gastos. El ingreso

disponibles es igual al ingreso total, yt , menos el pago de impuestos, τ yt siendo τ ∈ (0, 1) la
tasa de impuestos sobre la renta, y más las transferencias recibidas T Rt , de modo que el ingreso
disponibles es; yt − τt yt + T Rt . Estos recursos se usan para financiar la adquisición de bienes de
consumo privado y adquirir capital en forma de inversión, it . Por lo tanto:
ct + it = (1 − τ )yt + T Rt (8.7)
Donde la producción viene dado por una Cobb-Douglas, yt = F (At , kt , nt ) = At ktα nt1−α , siendo
At la tecnologı́a que sigue un proceso autorregresivo de primer orden, y la ley de movimiento
de capital viene dado por:
kt+1 = it + (1 − δ)kt ; 0 < δ < 1 (8.8)
Por su parte, el gobierno sigue una regla de polı́tica fiscal que da cuenta de la restricción
gubernamental, es decir, dado un ingreso fiscal, τ yt , el gobierno decide cuánto se devuelve al
consumidor vı́a transferencia y cuánto se destina al consumo de bienes que se van a transformar
en bienes públicos.
τ yt = gt + T Rt (8.9)

Y la economı́a se enfrenta a la restricción agregada, yt = ct + gt + it . De acuerdo a las relaciones

(8.7), (8.8) y la función objetivo, el problema a resolver es:
∞
X
máx U = u(ct , 1 − nt , gt )
{ct ,nt }
t=0
s.a.
(1 − τ )F (At , kt , nt ) = ct + kt+1 − (1 − δ)kt − T Rt
Para determinar las condiciones de equilibrio construimos una función de Lagrange L = L(ct , nt , kt+1 , λt ),
según el cual se obtiene el siguiente sistema:
uc (ct , 1 − nt , gt ) = λt (8.10)
un (ct , 1 − nt , gt ) = (1 − τ )λt Fn (At , kt , nt ) (8.11)
βEt λt+1 [(1 − τ )Fk (At+1 , kt+1 , nt+1 ) + 1 − δ] = λt (8.12)
(1 − τ )F (At , kt , nt ) = ct + kt+1 − (1 − δ)kt − T Rt (8.13)
Se supone que en el proceso de toma de decisión de los agentes, se considera que el gasto público
es dado, para valores determinados de tasas de impuestos, por lo que podemos tomar como una
variable exógena. En consecuencia, siguiendo a McGrattan et al. (1997), se propone que:
gt = ξt yt (8.14)
A partir de esta proposición se pueden efectuar dos tipos de simulaciones en cuanto a la polı́tica
fiscal; shock permanente de gasto público, en la que ξt se convierte en parámetro, y shock
transitorio de gasto público, que supone que ξt sigue una estructura autorregresiva de primer
orden. Para efectuar las simulaciones debemos calibrar el modelo. En el Cuadro 8.1 se reportan
los valores de los parámetros:
Cuadro 8.1: Calibración del modelo RBC con polı́tica fiscal

Parámetros Valor Fuente
Elasticidad capital-producto α 0.42 Baxter y King (1993)
Factor de descuento β 0.94 Baxter y King (1993)
Tasa de depreciación δ 0.10 Baxter y King (1993)
Elasticidad utilidad-ocio θ 0.20 Plosser (1989)
Elasticidad utilidad-gasto público ψ 0.50 Baxter y King (1993)
Tasa de impuestos a la renta τ 0.20 Baxter y King (1993)
Persistencia de la tecnologı́a ρ 0.95 Hansen (1985)
Proporción de gasto público/producto ξ 0.15 calibración propia∗
Magnitud del choque permanente de gasto público ξ 0.01 Baxter y King (1993)
Persistencia del gasto público ρξ 0.9 calibración propia∗∗
Magnitud del choque transitorio de gasto público σξ 0.01 calibración propia
∗
Dado que los parámetros son considerados para Estados Unidos, la proporción de gasto público respecto al
PIB es del 15 % aproximadamente durante 1960 - 2015, según los datos del Banco Mundial.
∗∗
Según el Capı́tulo 1, se obtuvo que el coeficiente de persistencia para el gasto público fue 0.91

a) Choque permanente de gasto público: En este caso se supone que ξt es un parámetro

exógeno al modelo, lo que genera un modelo determinista. Vamos a suponer que el gasto públi-
co sufre un incremento relativo del 1 % imprevisto, con lo cual la proporción de gasto público
respecto al producto pasa del 15 % a un 15,15 % aproximadamente. Los resultados muestran el
comportamiento de las variables desde el estado estacionario inicial hacia el estado estacionario
final, no obstante, para fines de comparación con la situación inicial de estado estable podemos
expresar en desviaciones porcentuales, es decir, si Xt representa una variable endógenas cual-
quiera, entonces las comparaciones relativas se efectúan de la forma; (Xt − Xss0 )/Xss0 . En la
Figura 8.3 se observa la dinámica de las variables en desviaciones relativas frente a un shock
permanente de gasto público. Los resultados sugieren que la producción incrementa levemente
superando el 0.02 % en el largo plazo, lo cual se explica por un aumento de la inversión, que
también supera el 0.02 %, el empleo y una acumulación de capital. El consumo sufre una caı́da
hasta un 0.2 %, esto se explica por tres razones; (1) la producción no sufre cambios significativos,
aumenta marginalmente, por lo que la cantidad de bienes finales no cambia de manera conside-
rable, (2) las transferencias disminuyen hasta un 3 %, lo que afecta la financiación del consumo
privado, (3) la proporción de bienes de consumo provistos por el sector público aumenta y ello
genera un efecto desplazamiento sobre el consumo privado. Por otro lado, se observa que los
salarios disminuyen hasta un 0.01 %, esto se explica por un aumento de la oferta laboral, y por
su parte, el retorno del capital, tasa de interés, aumenta pero luego converge nuevamente hasta
su estado estacionario inicial. A pesar de que el gasto público es permanente, los precios de los
factores responden en forma transitoria.
Si bien el gasto público logra aumentar marginalmente el producto y genera un efecto positivo
sobre la inversión, capital y empleo, el efecto desplazamiento sobre el consumo privado persiste.
En consecuencia, el resultado de la polı́tica fiscal en los modelos neoclásicos, al parecer, no
cambian.

Figura 8.3: Respuesta ante un choque permanente de gasto (En porcentajes)

0.04 0 0.04
-0.1
0.02 0.02
-0.2
0 -0.3 0
5 10 15 20 5 10 15 20 5 10 15 20
Gasto publico Empleo Capital
1.5 0.03 0.03
1 0.02 0.02
0.5 0.01 0.01
0 0 0
5 10 15 20 5 10 15 20 5 10 15 20
Transferencias Salarios Tasa de interes
0 0 0.02
-2 -0.01 0.01
-4 -0.02 0
5 10 15 20 5 10 15 20 5 10 15 20
b) Choque transitorio de gasto público: En este caso se supone que ξt es una variable
estocástica que sigue un proceso de la forma;
ξt = ρξ ξt−1 + et , | ρξ |< 1
Donde et ∼ (0, σξ2 ). Las respuestas de las variables frente a un shock transitorio de gasto público,
equivalente a una desviación positiva del 1 %, se observan en la Figura 8.4. Los resultados
muestran que el producto aumenta hasta un 0.1 % respecto a su estado estable, sin embargo se
observa una sobrereacción y a partir del quinto periodo se torna negativo, que disminuye hasta
un 0.05 %, esto es ası́ por que en principio el gasto público y el empleo crecen y dominan a las
caı́das de la inversión, consumo y capital, pero esta situación se revierte en el quinto periodo,
por eso la producción se ve afectado negativamente. El patrón de respuestas del salario y la tasa
de interés es similar al observado para los cambios permanentes del gasto público, al igual que
las transferencia, que disminuyen.
En comparación al choque permanente, ahora se observa que el gasto público genera un efectos
desplazamiento o expulsión sobre la inversión y el capital, los cuales disminuyen. En cuanto al
consumo, persiste el efecto negativo que genera aumentos del gasto público. En consecuencia,
los resultados neoclásicos persisten aún cuando se intenta explicar que la utilidad de los agentes
se vea afectado positivamente por el gasto público.

Figura 8.4: Respuesta ante un choque transitorio de gasto (En porcentajes)
1.5
producto
consumo
empleo
1
inversion
capital
gasto publico
0.5 transferencias
-0.5
-1
-1.5
5 10 15 20 25 30
8.3. El gasto público productivo
El efecto de la inversión pública sobre la producción, o más concretamente sobre el crecimiento

económico, ha generado mucha discusión tanto a nivel empı́rico como a nivel teórico particu-
larmente para testear la hipótesis de ”Crowding Out“, efectos expulsión del gasto público sobre
la inversión privada, o ”Crowding In“, efectos atracción del gasto público sobre la inversión
privada, encontrandose resultados mixtos [Aschauer (1989), Barro (1990), Easterly and Sergio
(1993), Grier and Tullock (1989)].
En esta sección vamos a suponer que el gasto público se efectúa en forma de inversión productiva
y por lo tanto afecta a la producción de bienes. Esta forma de modelar el gasto público se
introduce vı́a función de producción, es decir el gobierno actúa como un oferente de factor
productivo. El objetivo del agente representativo es resolver el siguiente problema:
∞
X
máx U = β t u(ct , lt )
{ct ,lt }
t=0
Ahora la función de utilidad está compuesto sólo por consumo privado y ocio, de modo que;
u(ct , lt ) = ln ct + θ ln lt . El agente se enfrenta a la siguiente restricción, similar al caso anterior:
ct + it = (1 − τ )yt + T Rt (8.15)

La inversión privada viene dada en la siguiente ley de movimiento de capital;

kt+1 = it + (1 − δk )kt (8.16)
Siendo 0 < δk < 1 la tasa de depreciación del capital generado por el sector privado. El agente
se enfrenta a una función de producción que viene dado por:
yt = F (At , gt , kt , nt ) = At gtb ktα nt1−α (8.17)
Donde At es la productividad total factorial, que sigue un proceso autorregresivo de primer
orden, kt es el stock de capital privado y nt es la mano de obra. La diferencia radica en la
variable gt , en este caso, es el stock de capital público que tiene una participación en una
magnitud igual a b ∈ (0, 1). Como en Baxter and King (1993) se supone que existe rendimientos
constantes a escala sobre los factores privados, kt y nt , de modo que la suma de las elasticidades
capital y mano de obra siguen sumando la unidad, α + (1 − α) = 1. Por lo tanto, la función
de producción refleja rendimientos crecientes a escala, aunque otros autores como Cassou and
Lansing (1998) consideran rendimientos a escala en los tres factores.
Por su parte, el sector público sigue una regla fiscal, al igual que en el caso anterior, pero, en
lugar de gasto de consumo, el gobierno invierte en capital y transfiero recurso, por lo tanto:
τ yt = igt + T Rt (8.18)
Donde igt es la inversión bruta pública que se destina a producir nuevo capital sobre el existente
y a reponer parte del capital desgastado. El capital público se deprecia a una tasa constante
δg ∈ (0, 1), de modo que el capital provisto por el gobierno, gt , se acumula de acuerdo con la
siguiente ley:
gt+1 = igt + (1 − δg )gt (8.19)
La clave del análisis está en determinar el comportamiento de las decisiones de inversión por
parte del gobierno. Podemos suponer que la inversión pública es una proporción exógena del
producto, de manera que:
igt = φωt yt
Donde φ > 1 es una proporción constante de la inversión sobre el producto, mientras que ωt
representa una perturbación estocástica asociado al proceso de inversión en capital público.
ln ωt = (1 − ρω ) ln ωss + ρω ln ωt−1 + eωt (8.20)
Donde ρω es el parámetro de persistencia del ratio inversión pública - producto, mientras que
ωss es el estado estacionario de ω que se supone igual a la unidad, además eωt ∼ (0, σω2 ).
La economı́a se enfrenta a la restricción agregada de recursos; yt = ct + it + igt .
Tomando en cuenta la función objetivo del agente, las restricciones (8.15), (8.16) y (8.17) po-
demos obtener las condiciones de equilibrio, parecida al caso anterior:
uc (ct , 1 − nt ) = λt (8.21)
un (ct , 1 − nt ) = (1 − τ )λt Fn (At , gt , kt , nt ) (8.22)
βEt λt+1 [(1 − τ )Fk (At+1 , gt+1 , kt+1 , nt+1 ) + 1 − δk ] = λt (8.23)
(1 − τ )F (At , gt , kt , nt ) = ct + kt+1 − (1 − δk )kt − T Rt (8.24)

Para efectuar una simulación estocástica consideramos las funciones particulares de utilidad y
de producción, además consideramos la misma calibración dado en el Cuadro 8.2. Sin embargo,
la calibración para los parámetros nuevos que aparecen en este modelo son; b = 0,05 y δg = 0,1
son tomados de Baxter and King (1993), en cambio la proporción inversión pública/producto se
calibra en 5 %, es decir φ = 0,05, dado que, en general, es menor al gasto en bienes de consumo,
y finalmente, la persistencia y la magnitud del choque a la inversión pública vamos a considerar
que son similares al de gasto, entonces ρω = 0,9 y σω = 0,01.
En la Figura .... se observa la respuesta de las variables frente a un shock de inversión pública.
Los efectos sobre de la polı́tica fiscal sobre la producción y el empleo no cambian con relación
al modelo anterior. Un rasgo que se debe mencionar es que el producto se torno altamente
persistente, eso se debe a que tanto el capital público como el capital privado son persistentes
en el tiempo. Por su parte, el consumo y la inversión privada se ven afectados negativamente, y
por ende, el capital privado disminuye, pero sólo se da hasta el periodo 12 en el caso del consumo
y 5 en el caso de la inversión privada, a partir de los cuales ambos experimentan una dinámica
positiva hasta converger a su equilibrio de largo plazo. La diferencia radica en el precio del factor
trabajo, que inicialmente disminuye pero esto no es significativo, pero en general experimenta
un efecto positivo frente a un choque de inversión pública, al igual que la tasa de interés sufre
un efectos positivo.
Figura 8.5: Respuesta frente a un choque de inversión pública (En porcentajes)
Producto Consumo Empleo

0.04 0.02 0.01
0
0.02 0.005
-0.02
0 -0.04 0
10 20 30 10 20 30 10 20 30
Inversion privada Capital privado Capital publico
0.01 0.1 0.3
0 0.05 0.2
-0.01 0 0.1
-0.02 -0.05 0
10 20 30 10 20 30 10 20 30
Inversion publica Salarios Tasa de interes
0.1 0.05 0.01
0.05 0 0
0 -0.05 -0.01
10 20 30 10 20 30 10 20 30

Siguiendo a Amano and Wirjanto (1998), suponga que la función de consumo del agente repre-
sentativo ahora viene dado por una CES;
1/(1−γ)
Ψ(ct , gt ) = φc1−γ + (1 − φ)gt1−γ

t
Donde 1/γ > 0 y 1/γ 6= 1 es la elasticidad de sustitución entre consumo privado y consumo
público y φ ∈ (0, 1) es la participación relativa de ambas variables en la utilidad del agente.
Realizar los siguientes ejercicios:
a) Considere el caso en que el gasto público es un componente de la función de utilidad del

agente. Calibrar el modelo para el caso colombiano suponiendo que el gobierno aplica
una tasa impositiva, τ c , al consumo y suponiendo que las decisiones de gasto público son
exógenos y transitorios.
b) Ahora suponga el mismo modelo del inciso anterior, considere que el impuesto sobre la renta
es un proceso autorregresivo de primer orden
c) Discutir sus resultados en ambos caso.

Capı́tulo 9
Fundamentos de economı́as abiertas y

choques externos
En este capı́tulo se presentan dos modelos de ciclos económicos reales para economı́as abiertas.
El primer modelo corresponde a una economı́a grande y abierta desarrollada en Backus et al.
(1992), en la que se intenta responder si es posible caracterizar simultáneamente los ciclos de la
economı́a nacionales e internacional. El segundo modelo corresponde a una economı́a pequeña
presentada en Schmitt-Grohé and Uribe (2003) que sugieren que las economı́as pequeñas son
tomadoras de precios en los mercados de capitales internacionales y este hecho genera un sistema
incompleto en el estado estacionario, por ello presentan cinco formas de cerrar el modelo.
9.1. Ciclos Económicos Reales Internacionales
Siguiendo a Backus et al. (1992) se presenta un modelo de ciclos económicos reales interna-
cionales que permite examinar los efectos de los choques de productividad sobre las variables
macroeconómicas. En la economı́a mundial, los paı́ses experimentan shocks imperfectamente
correlacionados con sus tecnologı́as. La interacción entre estas perturbaciones y la capacidad
de endeudarse y prestar internacionalmente puede, en principio, tener una influencia sustancial
en la magnitud y el carácter de las fluctuaciones agregadas. Una de las caracterı́sticas funda-
mentales de las economı́as abiertas es que las decisiones de consumo e inversión ya no están
limitadas por la producción domestica, dado que el sector externo juega un papel importante en
este proceso. Otra caracterı́stica fundamental, es que las economı́as tienen acceso a los mercados
financieros internacionales, en las que pueden realizar préstamos o endeudarse mediante déficit
o superávits comerciales, por ello, las tasas de ahorro e inversión pueden estar imperfectamente
correlacionados a nivel internacional
La perspectiva de economı́a abierta también lleva a considerar correlaciones entre paı́ses. La

variable clave para examinar es el producto. Por ejemplo, en la Figura 9.1 se puede observar una
correlación muy significativa (80 %) entre los ciclos del producto de Estados Unidos y Canadá
CAPÍTULO 9. FUNDAMENTOS DE ECONOMÍAS ABIERTAS Y CHOQUES EXTERNOS 161
durante 1996Q1 - 2016Q4, lo que sugiere que ambas economı́as comparten riesgo de contagio.
Por lo tanto, la cuestión principal es si un modelo de ciclo económico real puede contabilizar de
manera simultánea, para ambas economı́as, las caracterı́sticas observadas en los datos
Figura 9.1: Ciclos del producto en Estados Unidos y Canadá
Fuente: Elaboración con datos de FRED
El modelo que a continuación se presenta es una extensión al modelo RBC estándar con el
propósito de estudiar el papel de los mercados financieros internacionales para las economı́as,
se permite que las innovaciones de tecnologı́a estén correlacionados entre paı́ses. También se
permite la difusión de shocks tecnológicos entre paı́ses, ya que el cambio tecnológico se transmite
a través de las fronteras.
En particular, la economı́a mundial está compuesto por dos economı́as; doméstico (h) y extran-
jero (f ). La estructura de ambas economı́as es similar, en el sentido de que las preferencias,
la tecnologı́a de producción, comercio internacional y parámetros estructurales son idénticas,
además, se produce un sólo bien. Por lo tanto, el tratamiento del modelo no difiere del modelo
para una economı́a cerrada. La diferencia radica en dos aspectos; primero, en cada paı́s, el insu-
mo de mano de obra consiste únicamente en trabajo doméstico (no existe movilidad del factor
trabajo) y, segundo, la producción está sujeta a choques tecnológicos especı́ficos de cada paı́s.
Matemáticamente, el consumidor representativo maximiza el valor presente de los flujos de

utilidad esperada.
∞
X
máx U = E0 β t U (ci,t , li,t ) , i = h, f (9.1)
t=0

Se supone que la dotación de tiempo total se normaliza a la unidad, de modo que el ocio está
1
dado por li,t = 1 − ni,t . La función de utilidad es tipo CRRA; U (ci,t , li,t ) = (cµi,t li,t
1−µ γ
) , siendo
γ
µ ∈ (0, 1) el parámetro que controla la oferta laboral y γ < 1 la elasticidad de sustitución entre
consumo y ocio. Podemos reescribir esta función en términos de oferta laboral, de modo que:
1 µγ
U (ci,t , 1 − ni,t ) = ci,t (1 − ni,t )(1−µ)γ
γ
Por su parte, la tecnologı́a de producción yi,t = F (λi,t , ki,t , ni,t ) viene dado por una Cobb-
Douglas:
θ 1−θ
F (λi,t , ki,t , ni,t ) = λi,t ki,t ni,t
Donde θ ∈ (0, 1) es la contribución del factor capital (ki,t ) en la producción y λi,t es la produc-
tividad total factorial. Esta producción tiene tres destinos; se consume, se invierte (xi,t ) o se
exporta, es decir:
yi,t = ci,t + xi,t + xni,t
Siendo xni,t = yi,t − ci,t − xi,t el saldo en la balanza comercial y la inversión viene dado en la
siguiente ley de movimiento del capital.
ki,t+1 = xi,t + (1 − δ)ki,t
Donde δ ∈ (0, 1) es la tasa de depreciación. Para resolver el problema consideramos un agente

central que maximiza laPsuma ponderada dePfunciones de utilidad de cada economı́a sujeta a
una restricción interna i F (λi,t , ki,t , ni,t ) = i (ci,t + xi,t ), es decir1
∞
X ∞
X
t
máx U = ψh Et β U (ch,t , lh,t ) + ψf Et β t U (cf,t , lf,t )
{ci,t ,li,t ,ki,t+1 }
t=0 t=0
s.a. X X
F (λi,t , ki,t , ni,t ) = [ci,t + ki,t+1 − (1 − δ)ki,t ]
i=h,f i=h,f
El parámetro ψi , (0 < ψi < 1) representa la ponderación de las preferencias de las dos economı́as
en la función de utilidad mundial, de modo que ψh + ψf = 1
Dado que la economı́a mundial es simétrica, las condiciones de primer orden es simplemente el
de la economı́a cerrada replicada dos veces. La función de Lagrange L = L(cht , nht , kt+1
h
, ωt ), con
ωt el multiplicador de Lagrange, conduce a las siguiente condiciones de equilibrio:
ωt = ψi Uc (ci,t , 1 − ni,t ) (9.2)

ψi Un (ci,t , 1 − ni,t ) = ωt Fn (λi,t , ki,t , ni,t ) (9.3)
ωt = βEt ωt+1 [Fk (λi,t+1 , ki,t+1 , ni,t+1 ) + 1 − δ] (9.4)
F (λi,t , ki,t , ni,t ) = ci,t + ki,t+1 − (1 − δ)ki,t (9.5)
1
Dado que las dos economı́as son grandes, entonces la solución del problema se trata como el de una economı́a
cerrada

La tecnologı́a sigue un proceso autorregresivo de primer orden;
λt+1 = Aλt + εt+1 , εt ∼ N (0, V) (9.6)
Donde λt = (λt,h , λt,f )0 y εt = (εt,h , εt,f )0 . El término A representa una matriz de coeficientes
de persistencia, el término de innovación tecnológica εt+1 es serialmente independiente, normal
con matriz de varianzas y covarianzas V, lo que permite la correlación contemporánea entre las
innovaciones de la economı́a doméstica y la extranjera. Por lo tanto, los choques se relacionan
estocásticamente a través de los elementos fuera de diagonal de A y V. Los elementos fuera de
la diagonal de A describen un efecto spillover o derrames, dado que indica la propagación de
los choques tecnológicos de un paı́s sobre el otro paı́s en los periodos posteriores.

ρh ρhf 0,906 0,088
A= =
ρhf ρf 0,088 0,906
En consecuencia, el proceso exógeno (9.6) viene dado por;

λh,t+1 ρh ρhf λh,t εh,t+1
= +
λf,t+1 ρhf ρf λf,t εf,t+1
La matriz de varianzas y covarianzas viene dado por;

2
σ (εh ) cov(εh , εf ) (0,00852)2 0,258
V= =
cov(εh , εf ) σ 2 (εf ) 0,258 (0,00852)2
De ésta manera, la desviación estándar del término εi está dada por σ(εi ) = 0,00852 y la
correlación por cov(εh , εf ) = 0,258. La calibración para el resto de los parámetros son; β = 0,99,
µ = 0,34, γ = −1, θ = 0,36, δ = 0,025 y ψi = 0,5.
Con estos valores somos capaces de resolver el modelo de ciclo económicos real internacional. En
la Figura 9.2 se observa el comportamiento de las funciones de impulso respuesta. Se observa la
simetrı́a entre ambas economı́a. Un choque positivo de productividad en la economı́a doméstica
genera un aumento de la producción, pero se observa una disminución en la economı́a externa.

Figura 9.2: Respuesta frente un choque de productividad

Capital Producto Consumo
20 2 0.5
1.5 0.4
10
1 0.3
0
0.5 0.2
-10 Doméstico 0 0.1
Externo
-20 -0.5 0
5 10 15 20 5 10 15 20 5 10 15 20
Inversion Exportaciones netas Trabajo

20 20 0.3
0.2
10 10
0.1
0 0
0
-10 -10
-0.1
-20 -20 -0.2

5 10 15 20 5 10 15 20 5 10 15 20
9.2. Economı́as pequeñas y abiertas
En el contexto de equilibrio general, la referencia más importante para examinar la dinámica de

una economı́a pequeña y abierta es Mendoza (1991), quien argumentan dos hechos estilizados;
primero, el ahorro y la inversión nacional están positivamente correlacionados y, segundo, la
cuenta corriente y el saldo de la balanza comercial tienen un movimiento contracı́clico. Parti-
cularmente, frente a un shocks de tecnologı́a, se señala que la inversión responde de diferente
forma en economı́as abiertas que en economı́as cerradas, esto se justifica porque los agentes
tienen acceso a mercados financieros internacionales.
Por su parte, Schmitt-Grohé and Uribe (2003) argumentan que los modelos de economı́as pe-
queñas y abiertas presentan el problema de que los agentes domésticos sólo tienen acceso a
activos libres de riesgo cuya tasa de rentabilidad es determinada exógenamente, esto genera
problemas técnicos a la hora de determinar el estado estacionario, por ello, establecen cinco ma-
neras de cerras un modelo DSGE para este tipos de economı́as. (1) factor de descuento endógeno
(preferencias tipo Uzawa), (2) prima de la tasa de interés elástica a la deuda, (3) costos de ajuste
de portafolio convexos, (4) mercado de activos completos y (5) un modelo sin las caracterı́sticas
que inducen estacionariedad. Discutimos estos aspectos más adelante.

En esta sección vamos a consideramos la segunda forma de cerrar el modelo. Para presentar
el modelos, primero se reconstruye la restricción presupuestaria del agente. Empezamos por
considerar que la Balanza de Pagos (bp), que representa los registros contables de una economı́a
con el resto del mundo, tiene dos componentes fundamentales a saber; cuenta corriente (cc) y
cuenta financiera o de capital (cf ). Suponemos que la cuenta corriente está compuesto sólo por
el saldo de la balanza comercial (xnt ) y el pago neta de factores (ft ) que corresponde al pago
de interés por deuda externa (dt ) del periodo anterior, ft = −rt−1 dt−1 , siendo rt−1 la tasa de
interés 2 . En consecuencia cct = xnt + ft = xnt − rt−1 dt−1 . Por otro lado, la cuenta financiera
está dado por los cambios en la deuda externa, es decir cft = ∆dt = dt − dt−1 .
Bajo estas consideraciones y suponiendo equilibrio externo, bpt = 0, en la que se cumple cct +
cft = 0 se obtiene la expresión que define el saldo de la balanza comercial.
xnt = (1 + rt−1 )dt−1 − dt (9.7)
Después de caracterizar el comportamiento del sector externo, ahora vamos a caracterizar la

inversión. Se supone que el stock de capital enfrenta una gran cantidad de rigideces lo que
provoca que su ajuste no sea instantáneo. En la práctica las firmas se enfrentan a unos costes
de ajuste al alterar su stock de capital. Vamos a considerar una función cuadrática de costos de
ajuste de capital continua y cóncava Φ(0) = Φ0 (0) = 0, dada por:
Φ = Φ(kt+1 − kt )
La existencia de estos costes significa una pérdida de capital o un coste adicional en el proceso
de inversión. Ası́, por cada unidad monetaria de inversión se transforma en capital una cantidad
inferior a dicha unidad monetaria. De ésta forma, la ley de acumulación del capital viene dado
por:
kt+1 = it + (1 − δ)kt − Φ(kt+1 − kt ) (9.8)
Finalmente, suponemos que la producción, yt , viene dada por una función neoclásica con pro-
piedades estándar en los factores capital (kt ) y mano de obra (ht ).
yt = At F (kt , ht ) (9.9)
Donde At es la productividad total de factores que se supone es una variable exógena.
Considerando las expresiones (9.7), (9.8) y (9.9), y teniendo en cuenta la identidad macro-
económica fundamental yt = ct + it + xnt se obtiene la restricción del agente representativo:
dt = (1 + rt−1 )dt−1 − At F (kt , ht ) + ct + kt+1 − (1 − δ)kt + Φ(kt+1 − kt ) (9.10)
De ésta manera, el problema del planificador central es maximizar el valor esperado de una
función de utilidad intertemporal infinita:
∞
X
máx U = Et β t U (ct , ht ) Sujeto a (9.10)
{ct ,ht ,kt+1 ,dt }
t=0
2
Al tratarse de una economı́a pequeña y abierta, entonces el pago neto de factores se registra con signo
negativo porque representa salida de recursos.

La función de Lagrange L = L(ct , ht , kt+1 , dt , λt ) permite escribir las siguientes condiciones de

primer orden:
λt = Uc (ct , ht ) (9.11)
−Uh (ct , ht ) = λt At Fh (kt , ht ) (9.12)
0 0
λt [1 + Φ (kt+1 − kt )] = βEt λt+1 [At+1 Fk (kt+1 , ht+1 ) + 1 − δ + Φ (kt+2 − kt+1 )] (9.13)
λt = β(1 + rt )Et λt+1 (9.14)
dt = (1 + rt−1 )dt−1 − At F (kt , ht ) + ct + kt+1 − (1 − δ)kt + Φ(kt+1 − kt )
(9.15)
Y las condiciones de transversalidad están dados por:
lı́m λt β t kt = 0 ; lı́m λt β t dt = 0
t−→∞ t−→∞
Ahora bien, en estado estacionario, la ecuación (9.14) cumple β(1 + r) = 1, es decir se elimina
la variable de co-estado (λ), además por que la tasa de interés internacional, r, es exógena,
esto tiene una implicancia técnica muy importante, y es que no es posible resolver el sistema,
dado que se tienen más variables que ecuaciones. Para recuperar la ecuación perdida Schmitt-
Grohé and Uribe (2003) proponen cinco métodos, tal como se mencionó anteriormente:
1. Factor de descuento endógeno: El factor de descuento subjetivo es decreciente en el

consumo y creciente en el empleo, β = β(ct , ht ), βc < 0 y βh > 0. Esto permite que la
ecuación (9.14), en estado estable, sea β(c, h)(1 + r) = 1. De esta manera dicha ecuación
persiste en el sistema, por lo tanto es posible resolver el modelo.
2. Prima en los tipos de interés: Se supone que los agentes de la economı́a pequeña
enfrentan tasas de interés crecientes con la deuda externa neta del paı́s, es decir la tasa de
interés que cobra el sector externo considera dos elementos, una tasa libre de riesgo (rtm )
y una prima de riesgo, probabilidad de default, p(dt ). Por lo tanto la tasa de interés viene
dado por rt = rtm + p(dt ). De esta forma el estado estable en la ecuación (9.14) también
persiste, 1 = β(1 + rm + p(d)).
3. Costos de ajuste de portafolio convexos: Se supone que existe unos costos de au-
mentar la posesión de activos en una unidad, lo que significa unos costos marginales de
ajustar el tamaño del portafolio Ψ(dt ), este término se incorpora en la restricción presu-
puestaria. De esta forma, la ecuación (9.14), en estado estable persiste y está dada por
1 + Ψ0 (d) = β(1 + r)
4. Mercados de activos completos: En este caso, la utilidad marginal del consumo es

proporcional entre las economı́as, dado que la economı́a doméstica es pequeña. Esto sig-
nifica que si el consumo externo es estacionario entonces el consumo interno también es
estacionario.
5. Modelo sin las caracterı́sticas que inducen estacionariedad: El factor de descuento

y la tasa de interés a la que se prestan los agentes domésticos son constantes. Además, se
supone que no existes costos de ajuste de portafolio, los mercados son incompletos en el

sentido de que los hogares domésticos sólo tienen acceso a un único activo internacional
libre de riesgo. Esta especificación del modelo induce un componente de paseo aleatorio
en la utilidad marginal del consumo y la posición neta de activos externos. Es decir, estas
dos variables presentan raı́z unitaria.
Considerando al segunda forma de cerrar el modelo, a continuación especificamos las formas

funcionales que nos permite resolver el modelo. En particular, la función de utilidad es de tipo
Greenwood et al. (1988), comúnmente conocido GHH.
(ct − ω −1 hωt )1−γ − 1

U (ct , ht ) = γ > 1, ω > 1
1−γ
La función de producción es estándar y viene dado por:
yt = At F (kt , ht ) = At ktα h1−α

t 0<α<1
La PTF sigue el siguiente proceso;
ln At+1 = (1 − ρ) ln Ass + ρ ln At + εt+1
El estado estacionario de la PTF, Ass , es igual a la unidad, Ass = 1 y por su parte, εt es un

término de perturbación, εt ∼ N (0, σε2 ) y 0 < ρ < 1. La función de costos de ajuste cuadrático
es:
φ
Φ(kt+1 − kt ) = (kt+1 − kt )2
2
Finalmente, la función de prima de riesgo viene dado por:

dt −d¯
p(dt ) = ψ e −1
Donde d¯ es la deuda de estado estacionario. Para simular nuestro modelo se debe encontrar
el equilibrio competitivo {ct , ht , kt+1 , yt , rt , dt , it , λt }, para lo cual se propone la siguiente cali-
bración: γ = 2, ω = 1,455, α = 0,32, β = 0,96, φ = 0,028, rm = 0,04, δ = 0,1, d¯ = 0,7442,
ψ = 0,000742, ρ = 0,42 y σ = 0,0129. En estado estable se cumple que dss = d. ¯
En la Figura 9.3 se observa la respuesta de las variables ante un choque de productividad. Los
resultados son consistentes con las predicciones del modelo RBC estándar, es decir, frente a
una innovación transitoria e inesperada de tecnologı́a las variables responden positivamente,
como el producto, consumo, inversión, empleo y capital. La diferencia radica en la magnitud de
respuesta del consumo, uno esperarı́a que reaccione de forma similar al producto, pero ello no
ocurre, la respuesta es menor en comparación al producto, esto genera una reacción negativa de
la balanza comercial como proporción del producto que a su vez conduce a una disminución de
la cuenta corriente.

Figura 9.3: Respuesta frente un choque de productividad

3 2 10
2 5
1
1 0
0 0 -5
2 4 6 8 10 2 4 6 8 10 2 4 6 8 10
Empleo Capital Deuda externa
2 1 2
0
1 0.5
-2
0 0 -4
2 4 6 8 10 2 4 6 8 10 2 4 6 8 10
Balanza comercial/pib Cuenta corriente/pib Tasa de interes domestica
1 1 0.1
0 0 0
-1 -1 -0.1
2 4 6 8 10 2 4 6 8 10 2 4 6 8 10
9.3. Shock de tasa de interés mundial
En los ciclos económicos internacionales se ha discutido bastante sobre los efectos que puede
genera, particularmente, la polı́tica monetaria de Estados Unidos sobre el restos de las eco-
nomı́as, con énfasis sobre las economı́as emergentes. Los tipos de interés de polı́tica es una de
las herramientas más importantes utilizadas por los bancos centrales, esto con el objetivo de
controlar el nivel de precios y proteger la divisa. Un subida de los tipos de interés de Estados
Unidos genera efectos negativos sobre el comportamiento macroeconómico de las economı́as de
mercados emergentes.
Para capturar los efectos de polı́tica monetaria de Estados Unidos sobre una economı́a pequeña
vamos a considerar que rtm sigue un proceso autorregresivo.
rtm = (1 − ρr )rss
m
+ ρr rt−1 + ut , | ρr |< 1
m
Siendo rss la tasa de interés de estado estable, que se supone es igual a la tasa de interés de la
m
economı́a doméstica, rss , de modo que rss = rss y el término de erro, ut , tiene una distribución

de la forma ut ∼ N (0, σr2 ) es un término de perturbación sobre la tasa de interés de la Reserva

Federal. L calibración corresponde a ρr = y σr =.
En la Figura 9.4 se observan las respuestas de las variables frente a un shock de productividad y
un shock de tasa de interés de la reserva federal. Los resultados frente a un choque de tecnologı́a
persisten en comparación al modelo base. En cuanto al choque de tasa de interés, esta provoca
provoca una caı́da de la inversión y consumo, lo que genera una también una caı́da en la
producción hasta un 5 % respecto a su estado estable
Figura 9.4: Respuesta a un choque de productividad y tasa de interés mundial

5 2 50
0
0 0
-50
-5 -2 -100
10 20 30 10 20 30 10 20 30
5 5 20
0 0
0
-5 -20
-5 -10 -40
10 20 30 10 20 30 10 20 30
Balanza comercial/pib Cuenta corriente/pib Tasa de interes domestica
20 20 40
20
0 0
0
Shock de productividad
-20 -20 -20de tasa de interes mundial
Shock
10 20 30 10 20 30 10 20 30
9.4. Descomposición de varianza
La descomposición de la varianza constituye un análisis complementario al de impulso-respuesta,

e indica el porcentaje de volatilidad que registra una variable endógena frente a distintos choques
en distintos periodos de tiempo, es decir, la descomposición de varianza permite examinar las
fuentes de variación de las variables endógenas.

Para descomponer la varianza del conjunto de variables endógenas en el modelo DSGE abierta
para una economı́a pequeña, Schmitt-Grohé and Uribe (2003), vamos a considerar cuatro tipos
de choques; (1) un choque de productividad, At , (2) un choque de tasa de interés mundial, rtm , (3)
un choque de gasto público, Gt , y, (4) un choque de remesas, Rt . Este último tipo de choques
ha sido muy poco explorado en la literatura y consideramos una fuente importante para la
dinámica de una economı́a pequeña. La forma en que se incorporan los choques de productividad
y de tasa de interés mundial no cambian con relación a las secciones anteriores. En el caso
del shocks de gasto público se introduce vı́a restricción agregada de la economı́a directamente
como variable exógena. Finalmente, para incorporar el choque de remesas, se supone que los
residentes extranjeros nacidos en el paı́s doméstico envı́an regularmente transferencias de bienes
de consumo. En concreto, como en Acosta et al. (2009), Mandelman (2013) y Shapiro and
Mandelman (2016), suponemos que las remesas (Rt ) tienen dos componentes; la primera, es que
depende de las condiciones económicas del paı́s doméstico, y se considera anticı́clicas, lo que
significa que los residentes nacionales en el exterior envı́an recursos sólo si consideran que los
hogares están enfrentando dificultades económicas, de modo que amortigua los efectos adversos
de la fase económica. Esto representa la parte endógena de las remesas (Rtc ), matemáticamente
Rtc = ytη , siendo η < 0 la elasticidad de las remesas agregadas con respecto al producto agregado.
El segundo componente corresponde a una variable exógena, lo que significa que el envı́o de
remesas puede ser independiente de las condiciones económicas del paı́s receptor y pueden
ocurrir debido a mejoras en la productividad externa o apreciaciones de la tasa de cambio real
en la economı́a extranjera, lo representamos por Zt , en consecuencia; la remesa agregada viene
dado por:
Rt = ytη + Zt
La variable Rt se incorpora en la expresión (9.7)3 , en particular, las remesas afectan se introducen
vı́a cuenta corriente.
En general, las cuatro fuentes de choques lo representamos de la siguiente forma;
ln At+1 = (1 − ρA ) ln Ass + ρA ln At + εA
t+1 (9.16)
m m m r
rt = (1 − ρr )rss + ρr rt−1 + εt (9.17)
Gt = (1 − ρG )Gss + ρG Gt−1 + εG
t (9.18)
Zt = (1 − ρZ )Zss + ρZ Zt−1 + εZt (9.19)
Donde | ρj |< 1, j = {A, rm , G, Z} es el coeficiente de autocorrelación de primer orden y εjt es

un término de perturbación que se supone sigue una distribución independiente e identicamente
distribuido como una normal, εjt ∼ N (0, σj2 ).
Para simular el modelo se considera que η = −1,2, los parámetros de persistencia y magnitud
del choque de productividad y tasa de interés mundial permanecen sin cambios. En cuanto a la
persistencia del choque de gasto público y choque de remesas se consideran; ρG = 0,3 y ρZ = 0,4,
y en cuanto a la magnitud de los choques se propone; σG = 0,1 y σZ = 0,4. Por simplicidad
suponemos que Gss = Zss = 0
3
Por lo tanto, el saldo en la balanza comercial frente a un choque de remesa vendrı́a dado por; xnt =
(1 + rt−1 )dt−1 − dt − Rt , en consecuencia, las remesas afectan a la restricción agregada de la economı́a.

En la Figura 9.4 se observan los resultados. Los funciones de impulso respuesta frente a los
choques de productividad, gasto público y tasa de interés son similares a los obtenidos en el
modelo estándar. Por otro lado, como era de esperar, un choque positivo de remesas genere un
incremente en el consumo, inversión, capital y empleo, los cueles explican un aumento de la
producción. El consumo se torna altamente persistente. Los efectos sobre la balanza comercial
son negativos, lo que explica una caı́da en la cuenta corriente y la deuda externa. La deuda
externa tiene un comportamiento muy persistente.
Figura 9.5: Respuesta frente a diferentes choques (En porcentajes)

5 2 50
0
0 0
-50
-5 -2 -100
10 20 30 10 20 30 10 20 30
5 5 50
0 0
0
-5 -50
-5 -10 -100
10 20 30 10 20 30 10 20 30
Balanza comercial/pib Cuenta corriente/pib
20 20
Shock de A t
10 0 Shock de Gt
Shock de r m
0 -20 t
Shock de Zt
-10 -40
10 20 30 10 20 30
En la Figura 9.6 se observa la descomposición de la varianza expresados en tanto por uno. La

varianza total del producto se explica en un 64 % por choques de productividad, 0,32 % por
choques de gasto público, 29 % por choques en la tasa de interés mundial y 7 % por choques de
remesas. En general, los choques de productividad son importantes para explicar la varianza del
producto, del empleo y capital, que superan el 30 %. Por su parte, el choque de tasa de interés
mundial es importante para explicar la varianza del producto, inversión, empleo, capital, expor-
taciones netas y tasa de interés doméstica, en cambio, los choques de remesas son importantes

para el consumo, la deuda externa, las exportaciones netas y la cuenta corriente.
Figura 9.6: Descomposición de varianza
1.2
A
t
G
t
1
rm
t
Z
t
0.8
0.6
0.4
0.2
0
y c i h k d xn cc r

1. (International Real Business Cycles). Resolver el modelo desarrollado en Backus
et al. (1992). Calibrar y determinar los valores de estado estacionario en MATLAB y
luego incorpore a DYNARE para efectuar el análisis de impulso-respuesta. Hacer un breve
informe interpretando los resultados (Resolver con los parámetros del paper ).
2. (Closing Small Open Economy Models). Resolver el modelo desarrollado en Schmitt-
Grohé and Uribe (2003) para el caso del método de cierre con factor de descuento endógeno.
Calibrar y determinar los valores de estado estacionario en MATLAB y luego incorpore
a DYNARE para efectuar el análisis de impulso-respuesta. Hacer un breve informe inter-
pretando los resultados (Resolver con los parámetros del paper ).
3. Se supone una economı́a pequeña y abierta con costos de ajuste del portafolio en la que
no existe capital fı́sico. El problema del agente representativo viene dado por:
X∞
máx Et β t [ln ct + ln(1 − nt )]
{ct ,nt ,dt+1 }
t=0
sujeto a la siguiente restricción de recursos:

ψ
dt+1 = (1 + r)dt + ct + gt + (dt+1 − 1)2 − Ant
2

Donde ct , nt , dt y gt es el consumo, empleo, deuda externa y gasto de gobierno, respecti-

vamente. Este ultimo se supone que sigue un proceso autorregresivo.
gbt = ρb
gt−1 + εt ; εt ∼ N (0, σε2 )
Siendo gbt = ln gt − ln gss . Para fines de simulación considere la siguiente parametrización:
r = 0, 05 ; ψ = 1 ; ρ = 0, 95 ; β(1 + r) = 1 ; A = 3 > 1 + r ; σε = 0, 01
a) Obtener las funciones de polı́tica usando el método KPR “a mano”. Analice e interprete
las funciones de polı́tica para el consumo, empleo y producto, en función de las variables
de deuda y gasto público.
b) Usando Dynare, obtener las dinámicas de transición de las variables frente a un choque
de polı́tica fiscal expansiva.
c) ¿Qué sucede con las variables cuando r toma los valores {0, 3; 0, 4; 0, 5; 0, 6; 0, 7; 0, 8}?
En todo caso muestre e interprete los gráficos de impulso-respuesta para cada uno de estos
valores frente a un choque positivo de gasto público.

Parte IV
Modelos Neokeynesianos
Capı́tulo 10
Modelo Neokeynesiano en economı́a

cerrada
Los modelos de equilibrio general neokeynesianos parten de la estructura RBC sin capital fı́sico
y, en su forma estándar, incluyen dos imperfeccciones1 . La primera es la inclusión de competencia
monopolı́stica en el mercado de bienes, siguiendo el desarrollo de Dixit and Stiglitz (1977), y
la segunda, es la inclusión de un ajuste discreto de precios nominal usando una formulación
de Calvo (1983). Naturalmente, este tipo de modelos siguen el espı́ritu tradicional del modelo
keynesiano IS-LM.
En este marco, el modelo canónico neokeynesiano está compuesto por tres ecuaciones que se
derivan de problemas de optimización de los agentes. La primera ecuación corresponde a la curva
IS neokeynesiana que se deriva de la ecuación de Euler intertemporal, la segunda corresponde
a la curva de phillips que de deduce de un problema de minimización de costos de la firma,
similar a Calvo (1983), finalmente, la tercera ecuación corresponde a la regla de Taylor que en
ocasiones de plantea de manera ad-hoc, o en su defecto se deduce del problema de minimización
de una función de perdida social efectuada por una autoridad monetaria.
En este capı́tulo desarrollamos dos tipos de modelos. El primero de ellos de desarrolla en un

contexto de economı́a cerrada y el segundo se extiende al contexto de economı́a abierta. Las
referencias básicas para este tipo de modelos son; Clarida et al. (1999), Woodford (2002) y Galı́
(2008).
10.1. Las decisiones de los hogares
El problema de los hogares consta de dos partes. La primera parte describe el problema de
minimización de costos de los hogares con respecto al gasto de consumo y, la segunda, muestra
1
Otros tipos de imperfeccciones son, por ejemplo, rigideces de salarios, problemas de información imperfecta
y fricciones en los mercados financieros
CAPÍTULO 10. MODELO NEOKEYNESIANO EN ECONOMÍA CERRADA 176
la maximización de la utilidad.
En la primera parte, se supone que el bien compuesto de consumo Ct consiste en bienes diferen-
ciados cjt producidos por un conjunto de empresas j de tamaño 1, en competencia monopolı́stica.
θ
Z 1 θ−1
θ−1
Ct = cjt dj
θ
(10.1)
0
Siendo θ la elasticidad de la demanda de los bienes individuales. Los hogares intentan minimizar
los costos de alcanzar el nivel del bien de consumo compuesto al encontrar la combinación menos
costosa de bienes individuales cjt .
Z 1
mı́n pjt cjt dj
{cjt } 0
s.a. θ
Z 1 θ−1
θ−1
cjt dj
θ
≥ Ct
0
Con pjt que denota los precios de los bienes individuales. Formulamos la función de lagrange.
(Z θ )
Z 1 1 θ−1
θ−1
L(cjt , µt ) = pjt cjt dj − µt cjt dj
θ
− Ct
0 0
La condición de primer orden viene dado por:

−θ
pjt
cjt = Ct (10.2)
µt
Y junto con la restricción, equivalente a (10.1) forman un sistema para (cjt , µt ). Reemplazando
(10.2) en (10.1) obtenemos que µt = Pt . Esto significa que el multiplicador de Lagrande corres-
ponde al nivel de precios agregado de la economı́a. De esta forma, obtenemos la demanda de
bienes de consumo j.
−θ
pjt
cjt = Ct (10.3)
Pt
La segunda parte del modelo describe las preferencias del hogar representativo que se define
sobre un bien compuesto de consumo Ct , saldos monetarios reales Mt /Pt y el tiempo dedicado
al trabajo Nt . Matemáticamente, consiste en maximizar el valor actual esperado de las utilidades
instantáneas:
∞
" #
1−σ 1−b 1+η
X Ct+i γ Mt+i Nt+i
máx Et + −χ
M
{ct , P t ,Nt ,Bt } i=0
1 − σ 1 − b P t+i 1+η
t
s.a.
Mt Bt Wt Mt−1 Bt−1
Ct + + = Nt + + (1 + it−1 ) + Πt
Pt Pt Pt Pt Pt
Donde Bt /Pt es el bono en términos reales que paga un interés nominal it , Wt /Pt es el salario
real y Πt son los beneficios que se obtienen de las empresas. Las condiciones de primer orden

del modelo vienen definidas por las siguientes ecuaciones:

−σ Pt −σ
Ct = β(1 + it )Et Ct+1 (10.4)
Pt+1
−b
γ Mt it
−σ = (10.5)
Ct Pt 1 + it
η
ξNt Wt
−σ = (10.6)
Ct Pt
La primera condición representa la ecuación de Euler y establece la asignación intertemporal

del consumo. La segunda condición representa la ecuación intratemporal que relaciona la tasa
marginal de sustitución entre saldos reales y consumo que iguala al costo de oportunidad de
mantener saldos reales. La tercera establece la condición intratemporal entre ocio y consumo
que iguala al salario real.
10.2. Decisiones de las firmas
Al igual que las decisiones de los hogares, la forma en la que las empresas toman sus decisiones
está compuesto en dos partes. La primer corresponde a la minimización de costos y la segunda
a la maximización de beneficios.
En cuanto a la primera parte del modelo, se supone que la mano de obra es el único factor de
producción, las empresas minimizan los costos eligiendo el nivel más bajo posible de este factor
sujeto a la producción de la empresa. Matemáticamente, el problema es:

Wt
mı́n Nt
{Nt } Pt
s.a.
cjt = Zt Njt
Siendo Zt la productividad
agregada de la economı́a, Et (Zt ) = 1. A partir de la función de
Wt
Lagrange L(Nt , ϕt ) = Nt + ϕt (cjt − Zt Njt ) se obtiene la siguiente condición:
Pt
1 Wt
ϕt = (10.7)
Z t Pt
donde ϕt representa los costos marginales de las empresas. Esto sugiere que, en contexto de
precios flexibles, los costos marginales son iguales al salario como proporción de la productividad
marginal del trabajo.
La segunda parte del modelo corresponde a la maximización de beneficios, dada por la diferencia
entre los ingresos de las ventas del bien individual cjt menos los costos de producción de este
producto, ϕt cjt , sujeto a la curva de demanda para su bien individual dada por (10.3). Ahora

bien, una caracterı́stica importante de este modelo es que los precios son rı́gidos. Siguiendo a
Calvo (1983), se supone que en cada periodo, una fracción ω de empresas no pueden ajustar su
precios y debe ajustar al precio elegido en el periodo anterior. El resto de las empresas 1−ω si lo
pueden hacer. El parámetro ω es una medida del grado de rigidez nominal; una o mayor implica
que menos empresas ajustan cada perı́odo y que el tiempo esperado entre cambios de precios
es más largo. En términos matemáticos, este problema se plantea de la siguiente manera:
∞
X
i pjt
máx Et ω ∆i,t+i cjt+i − ϕt+i cjt+i
{pjt }
i=0
P t+i
s.a. −θ
pjt
cjt = Ct
Pt
Esta restricción corresponde a la ecuación (10.3). El factor de descuento viene dado por ∆i,t+i =
−σ
i Ct+i
β . Para resolver este problema de maximización sustituimos la restricción en la
Ct
función objetivo de la empresa.
∞
" −θ −θ #
X p jt p jt p jt
máx Et ω i ∆i,t+i Ct+i − ϕt+i Ct+i
{pjt }
i=0
Pt+i Pt+i Pt+i
∞
" 1−θ −θ #
X 1 1
máx Et ω i ∆i,t+i p1−θ
jt − ϕt+i p−θ
jt Ct+i
{pjt }
i=0
P t+i P t+i
Note que pjt no se mueve hacia adelante pjt+i , dado que las empresas eligen su precio en el
periodo actual tomando en cuenta de que no pueden cambiar en los periodos futuros. Aplicando
las condiciones de primer orden y haciendo que pjt = p∗ sea el precio óptimo, tenemos:
∞ ∗ ∗ −θ
X
i pt pt 1
Et ω ∆i,t+i (1 − θ) − θϕt+i Ct+i = 0
i=0
Pt+i Pt+i p∗t
−σ
Ct+ii
Usando el hecho de que ∆i,t+i = β y reorganizando.
Ct
∞ −σ ∗ ∗ −θ
X
i i Ct+i pt pt 1
Et ωβ (1 − θ) + θϕt+i ∗
Ct+i = 0
i=0
C t P t+i P t+i p t
∞
X ∞
X
p∗t (θ − 1)Et 1−σ θ−1
ω i β i Ct+i Pt+i = θEt 1−σ
ω i β i Ct+i θ
φt+i Pt+i
i=0 i=0
Finalmente, obtenemos la regla de fijación de precios óptima para las empresas que enfrentan
precios fijos.
∞ θ
X
i i 1−σ Pt+i
Et ω β Ct+i ϕt+i
p∗t

θ i=0
Pt
= ∞ θ−1 (10.8)
Pt θ−1

X
i i 1−σ Pt+i
Et ω β Ct+i
i=0
Pt

10.3. Representación canónica del modelo
Como se mencionó al inicio de este capı́tulo, el modelo canónico está compuesto de tres ecua-
ciones que corresponden a la curva IS, la curva de Phillips y la regla de Polı́tica Monetaria.
La curva IS Neokeynesiano se deduce a partir de la ecuación de Euler, dada por (10.4). Aplicando
logaritmos obtenemos:
−σ ln Ct = ln(β(1 + it )) + Et (ln Pt − ln Pt+1 ) − σEt ln Ct+1
Tomando en cuenta que ln Pt+1 − ln Pt = πt+1 corresponde a la tasa de inflación y aplicando la

expasión de Taylor obtenemos:
1 1
ct = − bit + Et πt+1 + Eb
b ct+1
σ σ
Sin inversión, gasto público y exportaciones netas, se cumple que Ct = Yt , por lo tanto b
ct = ybt .
Ası́, la versión lineal de la ecuación de Euler es:
1 b
yb = Et ybt+1 − (it − Et πt+1 )
σ
El producto lo expresamos en términos de desviaciones respecto a su estado estacionario. Para
lo cual sea ybtf como la desviación del producto en presencia de precios flexibles, por que se
supone que ybt es la desviacion del producto en presencia de rigideces de precios a la Calvo.
1 b
ybt − ybtf = Et (b f
yt+1 − ybt+1 f
+ ybt+1 )− (it − Et πt+1 ) − ybtf
σ
1
ybt − ybtf = Et (b f
yt+1 − ybt+1 f
) + (Et ybt+1 − ybtf ) − (bit − Et πt+1 )
σ
Definimos xt = ybt − ybtf como la brecha del producto y ut = Et ybt+1

f
− ybtf como una perturbación
estocástica que depende de los choques de productividad2 .
1 b
xt = Et xt+1 − (it − Et πt+1 ) + ut (10.9)
σ
Por otro lado, la curva de Phillips Neokeynesiana se deriva a partir de (10.7), pero además de la
fijación de precios, se debe tomar en cuenta que se puede escribir el ı́ndice de precios como un
promedio ponderado del precio recientemente establecido p∗ y el ı́ndice de precios del perı́odo
anterior, Pt−1 :
Pt1−θ = (1 − ω)(p∗t )1−θ + ωPt−1
1−θ
(10.10)
2
De acuerdo al supuesto de ausencia de acumulación de capital, la producción depende solamente de la
productividad y el empleo, y en consecuencia la versión log lineal viene dada por ybt = n bt + zbt y de acuerdo a
la log-linealización de la ecuación
(10.6),
w
bt = p
bt = ηb
n t + σb
yt , y combinando con la ecuación anterior, se puede
f 1+η
deducir fácilmente que ybt = zbt . Donde claramente, los cambios en la brecha del producto en presencia
σ+η
f
de precios flexibles ybt se deben solamente a los cambios en la productivida.

p∗t
Luego, definimos Qt = como el precio relativo elegido por todas las empresas que ajustan su
Pt
precio en el perı́odo t y note que en el estado estacionario, πt = π = 0 y Qt = Q = 1. Dividiendo
(10.9) por Pt , obtenemos:
1−θ
1−θ Pt−1
1 = (1 − ω)Qt + ω
Pt
Dividiendo entre (1 − ω) y log-linealizando se tiene:

ω
qbt = πt (10.11)
1−ω
Reescribiendo (10.8):
" ∞ θ−1 # ∗ " ∞ θ #
X
1−σ P t+i p t θ X
1−σ P t+i
Et ω i β i Ct+i = Et ω i β i Ct+i ϕt+1
i=0
P t P t θ − 1 i=0
P t
Aplicando la expansión de Taylor y haciendo uso de (10.11) obtenemos:

ω 1
πt = (1 − ωβ)ϕ
bt + ωβ Et πt+1
1−ω 1−ω
Al multiplicar ambos lados por (1 − ω)/ω se obtiene una expresión para la inflación, que es una
función de los costos marginales reales y la inflación esperada:
(1 − ω)(1 − ωβ)
πt = βEt πt+1 + ϕbt (10.12)
ω
Para determinar la curva de Phillips que incluya la brecha de producción podemos proceder de
la siguiente manera. Primero, tenga en cuenta que en los mercados laborales poco flexibles, el
salario real es igual a la tasa marginal de sustitución entre ocio y consumo, como se ha derivado
en (10.6), cuya versión lineal es:
wbt − pbt = ηb
nt + σbyt (10.13)
Segundo, observe que en un equilibrio flexible, los costos marginales de las empresas son iguales
al salario real dividido por el producto marginal del trabajo. Por lo tanto, podemos escribir la
version lineal de (10.7).
ϕ bt − pbt ) − zbt
bt = (w (10.14)
Por otro lado, tomando en cuenta la función de producción y la igualdad entre consumo y
producto, definimos que:
zbt − σb
yt
n
bt = (10.15)
η
Sustituyendo (10.13) en (10.14).
ϕ
bt = (ηb
nt + σb yt ) − zbt
ϕ
bt = (ηb
nt + σb yt ) − (byt − n
bt )

zbt − σbyt zbt − σb
yt
ϕ
bt = η + σb yt − ybt −
η η

Operando algebraicamente obtenemos:
ϕ
bt = (σ + η)xt (10.16)
Donde se sabe que xt = ybt −bytf . Sustituyendo (10.16) en (10.12). Además, permitimos que pueden
surgir choques a la oferta, referidos, fundamentalmente, a un cambio en los costos salariales en
mercados laborales imperfectos, lo cual puede conducir a distorsiones en las condiciones de
optimzalidad que iguala iguala la tasa marginal de sustitución entre ocio y consumo y el salario
real. Esta perturbacion lo podemos aagregar de forma aditiva representada por εt . De esta forma
obtenemos la curva de Phillips Neokeynesiana.
πt = βEt πt+1 + κxt + et (10.17)
(1 − ω)(1 − ωβ)(σ + η)
Donde κ = . Una última consideración es que el modelo no es completo,
ω
es decir se tienen más variables que ecuaciones. Para cerrar el modelo se deben tomar en cuenta
la forma en que se determina la tasa de interés. Una forma estándar que fue adoptada en la
literatura es la llamada Regla de Taylor, propuesto por John Taylor en 1993. Según ello, el
objetivo operativo de la tasa de fondos de la Reserva Federal se establece como una función
lineal de las medidas de las expectativas de tasa de inflación y la expectativa de la brecha de
producción real.
Tomando en cuenta esta consideración podemos formular la regla simple para la tasa de interés.
bit = ρbit−1 + (1 − ρ) [φ1 Et πt+1 + φ2 Et xt+1 ] + εt (10.18)
Donde φ1 > 1, esto se conoce como el principio de Taylor. Significa que si la inflación aumenta
en un número, el Banco Central debe aumentar la tasa de interés en un número mayor que el
aumento de la inflación.
10.4. La dinámica del modelo
Por otro lado, imponemos una estructura autorregresiva de primer orden en las perturbaciones.
ut = ρu ut−1 + ξtu ; ξtu ∼ N (0, σξ2u )

et = ρe et−1 + ξte ; ξte ∼ N (0, σξ2e )
εt = ρε εt−1 + ξtε ; ξtε ∼ N (0, σξ2ε )
Estos procesos más las ecuaciones (10.9), (10.17) y (10.18) forman el modelo completo. Para
simular el modelo asignamos valores numéricos a los parámetros estructurales del modelo. Los
siguientes valores; σ = η = 1, β = 0, 99 y ω = 0, 8 son tomados de Walsh (2010), con los
(1 − 0, 8)(1 − 0, 8 × 0, 99)(1 + 1)
cuales κ = = 0, 104. Mientras que ρ = 0, 5, φ1 = 0, 5, φ = 1, 5
0, 8
y los coeficientes de persistencia de los procesos exógenos, ρu = 0, 9, ρe = 0, 9, ρε = 0, 8 son
calibraciones propias que son consistentes con la literatura.

En la Figura 10.1 se observan las respuestas de las variable antes choques de demanda, de
oferta y de tasa de interés nominal. Las magnitudes de los choques son calibraciones propias y
corresponden a los siguientes valores σu = 0, 0072, σe = 0, 0091 y σε = 0, 072. Las respuestas
de las variables endógenas frente a choques de demanda son consistentes con los resultados del
modelo RBC, es decir, ante un choque de productividad, todas las variables reaccionan positi-
vamente respecto de su estado estable. Por su parte, un choque positivo de oferta, equivalente
a un incremento en los costos de producción, tienen efectos negativos sobre la producción y,
para mitigar esta efecto negativo la tasa de interés también disminuye. Finalmente, un choque
negativo de tasa de interés, equivalente a una Polı́tica Monetaria expansiva, o aumentos en la
tasa de interés nominal, tiene efectos negativos sobre la producción.
Figura 10.1: Respuesta de las variables ante choques estocásticos

Choque de Demanda Choque de Oferta
1.5 6
Desviación de la tendencia
4
1
2
0
0.5
-2
0
-4
5 10 15 20 25 30 5 10 15 20 25 30
Choque de Tasa de Interés Nominal

0.5
0
Brecha de Producto
Tasa de Inflación
-0.5
Tasa de Interés Real
-1 Tasa de Interés Nominal
-1.5
5 10 15 20 25 30
Periodo temporal
Se ha discutido mucho en la literatura a cerca de la agresividad o pasividad en la reacción del

Banco Central frente a cambios en la inflación. Estas acciones del Banco Central se llamó en
la literatura como Polı́tica Monetaria Activa y Polı́tica Monetaria Pasiva. En (Figura 10.2) se
observan las respuestas de la tasa de interés ante cambios en la inflación tomando en cuenta
distintos valores de los parámetros de φ1 , en particular se tiene φ1 = [1 : 0, 2 : 5]. Cuando el
banco central es pasivo, φ1 = 1 tiende a aumentar más la tasa de polı́tica para combatir la
inflación, mientras que si es agresivo, φ1 = 5, tiende a aumentar menos la tasa de interés.

Figura 10.2: Respuesta de la tasa de interés ante choques de oferta
0.05
Tasa de Interés Nominal
0.04
0.03
1
0.02
2
0.01
3
0
0 4
5
10
15 1
20
25 5
tiempo 30

Capı́tulo 11
Modelo Neokeynesiano en economı́a

abierta
En el capı́tulo anterior se desarrolló un modelo de equilibrio Neokeynesiano en un contexto

de economı́a cerrada, el cual era una extensión al modelo IS-LM tradicional. En este capı́tulo
presentamos un modelo DSGE Neokeynesiano en un contexto de economı́a abierta, que, de
alguna manera, constituye una extensión al modelo tradicional IS-LM-BP. Los supuestos del
modelo siguen siendo las mismas que en el capı́tulo anterior, es decir se considera rigideces
de precios a la Calvo (1983). El hecho de abrir la economı́a al resto del mundo implica que
los hogares y empresas pueden realizar transacciones en el resto del mundo ya sea bienes o
activos financieros. Un marco de esta naturaleza incluye explı́citamente el tipo de cambio, los
términos de intercambio y el comercio exterior (exportaciones e importaciones), además de
activos financieros. Seguimos de cerca el modelo desarrollado por Gali and Monacelli (2005), sin
embargo, las notaciones de las ecuaciones matemáticas corresponden al texto de Galı́ (2015).
Este marco permite estudiar los efectos de las distintas reglas alternativas de Polı́tica Monetaria
sobre el comportamiento macroeconómico en una economı́a pequeña y abierta y con mercados
financieros completos.
Cabe aclarar que los modelos Neokeynesianos en economı́as abiertas también se pueden modelar
similar a los que se hacen en los modelos RBC, es decir, se pueden modelar para dos paı́ses
grandes donde las acciones en un paı́s afectan a la otra y también se pueden modelar para un
paı́s pequeño, donde un paı́s no afecta al otro. Modelos para dos paı́ses fueron desarrollados por
Obstfeld and Rogoff (1995) y Obstfeld et al. (1996), equivalente a Backus et al. (1992) en los
RBCs y, modelo para economı́a pequeñas fueron desarrollados por Clarida et al. (2002), Gali
and Monacelli (2005) y Gertler et al. (2007), equivalentes a los modelos de Mendoza (1991) y
Schmitt-Grohé and Uribe (2003) en los RBCs.
CAPÍTULO 11. MODELO NEOKEYNESIANO EN ECONOMÍA ABIERTA 185
11.1. Decisiones de los hogares
Una pequeña economı́a abierta está habitada por un hogar representativo que busca maximizar
una función de utilidad esperada que se obtiene de consumo y horas de trabajo.
∞
Nt1−ϕ
1−σ
t Ct
X
máx Et β −
t=0
1−σ 1−ϕ
sujeto a la siguiente restricción presupuestaria:

Z 1 Z 1Z 1
PH,t (j)CH,t (j)dj + Pi,t (j)Ci,t (j)djdi + Et (Qt,t+1 Dt+1 ) ≤ Dt + W Nt + Tt
0 0 0
Donde Ct es un ı́ndice de consumo total compuesto por consumo de bienes domésticos (Home)
CH,t y consumo de bienes extranjeros (Foreing) CF,t , y sigue una función CES:
η
η−1
η−1 η−1
1 1
η η
Ct = (1 − α) CH,t + α CF,t
η η (11.1)
Pro su parte CH,t es un ı́ndice de consumo de bienes domésticos dado por la función de elasticidad
de sustitución constante (CES):
ε
Z 1 ε−1
ε−1
CH,t = CH,t (j) ε dj
0
siendo j ∈ [0, 1] denota la variedad de bienes diferenciados que produce cada paı́s. CF,t es un
ı́ndice de bienes importados dado por:
γ
Z 1 γ−1
γ−1
γ
CF,t = Ci,t di
0
y Ci,t es, a su vez, un ı́ndice de la cantidad de bienes importados del paı́s i y consumidos por
los hogares nacionales. Está dada por una función CES análoga:
ε
Z 1 ε−1
ε−1
Ci,t = Ci,t (j) ε dj
0
El parámetro ε > 1 denota la elasticidad de sustitución entre variedades producidas dentro de

un paı́s determinado, mientras que α ∈ [0, 1] puede interpretarse como una medida de apertura
económica, η > 0 mide la capacidad de sustitución entre bienes nacionales y extranjeros desde
el punto de vista del consumidor nacional y γ mide la sustituibilidad entre bienes producidos
en diferentes paı́ses extranjeros.
En la restricción presupuestaria, PH,t (j) es el precio de los bienes domésticos j, Pi,t (j) es el
precio del bien j importada del paı́s i, Dt+1 son los activos financieros nominal en el perı́odo
t + 1 (y que incluye las acciones de las empresas), Wt es el salario y Tt el nivel de impues-
tos. Todas las variables anteriores se expresan en unidades de moneda nacional. El términos

Et (Qt,t+1 Dt+1 ) representa el valor esperado de los pagos futuros de los activos y Qt,t+1 es el
factor de descuento estocástico para pagos nominales anticipados de un perı́odo relevantes para
la mayorı́a de los hogares. Suponga que los depósitos tienen acceso a un conjunto completo de
reclamos contingentes, negociados internacionalmente.
Las funciones de demanda optima de consumo de cada categorı́a están dados por:
−ε −ε
PH,t (j) Pi,t (j)
CH,t (j) = CH,t ; Ci,t (j) = Ci,t (11.2)
PH,t Pi,t
Donde PH,t y Pi,t son los precios de los bines domésticos e extranjeros (bienes importados del
paı́s i expresado en moneda local), respectivamente, y vienen dadas por:
1 1
Z 1 1−ε Z 1 1−ε
1−ε 1−ε
PH,t = PH,t (j) dj ; Pi,t = Pi,t (j) dj (11.3)
0 0
Para todo i, j ∈ [0, 1]. Además, el consumo óptimo de bienes importados implican que:
−γ
Pi,t
Ci,t = CF,t (11.4)
PF,t
y el ı́ndice de precios de los bienes importados viene dada por:

1
Z 1 1−γ
1−γ
PF,t = Pi,t di (11.5)
0
Finalmente, la distribución óptima de los gastos entre bienes nacionales e importados viene
dada por: −η −η
PH,t PF,t
CH,t = (1 − α) Ct ; CF,t = α Ct (11.6)
Pt Pt
Donde el ı́ndice de precios al consumidor (IPC) de la economı́a está definido por:
1−η
1
1−η 1−η
Pt = (1 − α)PH,t + αPF,t (11.7)
Ahora bien, podemos reducir la restricción presupuestaria a una expresión más simple, esto
se logra reduciendo las integrales del lado izquierdo. Antes de aquello, podemos combinar las
expresiones (11.2) con (11.3) y (11.4) con (11.5), de donde se obtienen que:
Z 1 Z 1 Z 1
PH,t CH,t = PH,t (j)CH,t (j)dj ; Pi,t Ci,t = Pi,t (j)Ci,t (j)dj ; PF,t CF,t = Pi,t Ci,t di
0 0 0
Con estas expresiones tenemos que el valor del consumo total esta compuesto por el valor del
consumo de bienes nacionales y el valor de los bienes extranjeros; Pt Ct = PH,t CH,t + PF,t CF,t .
Ası́, la restricción se reduce de la siguiente manera:
Pt Ct + Et (Qt,t+1 Dt+1 ) ≤ Dt + W Nt + Tt (11.8)

Con esta restricción, formulamos el lagrangeano, L = L(Ct , Nt , Dt+1 ) y obtenemos las condicio-
nes de primer orden:
" −σ #
Ct+1 Pt
Qt = βEt (11.9)
Ct Pt+1
Wt
Ctσ Ntϕ = (11.10)
Pt
Donde Qt = Et (Qt,t+1 ) es el rendimiento bruto de un bono de descuento sin riesgo de un perı́odo
que paga una unidad de moneda nacional en t + 1. Las versiones log-lineales de este sistema
vienen dados por:
1
ct = Et ct+1 − (it − Et πt+1 − ρ) (11.11)
σ
wt − pt = σct + ϕnt (11.12)
11.2. Supuestos adicionales del modelo
a) Inflación doméstica, tipo de cambio real y términos de intercambio
A continuación, se introducen varios supuestos y definiciones, y se derivan una serie de identi-

dades que se utilizan en la simulación del modelo. Los términos de intercambio bilaterales entre
Pi,t
la economı́a nacional y el paı́s i se definen como Si,t = , es decir, el precio de los bienes del
PH,t
paı́s en términos de los bienes locales. Los términos de intercambio efectivos viene dado por:
1
Z 1 1−γ
1−γ PF,t
St = Si,t =
0 PH,t
Cuya aproximación lineal al rededor del estado estacionario simétrico Si,t = 1 está dada por:
Z 1
st = si,t di = pF,t − pH,t (11.13)
0
Usando esta relación y la linealización logarı́tmica de la fórmula del IPC obtenemos:
pt = pH,t + αst (11.14)
De esta ecuación y la inflación interna, definida como la tasa de cambio en el ı́ndice de precios de
los bienes nacionales πH,t = πH,t+1 − pH,t , se deduce que que la inflación interna está relacionada
con los términos de intercambio y el ı́ndice de apertura α:
πt = πH,t + α∆st (11.15)
Supongamos que la ley del precio único se mantiene para bienes individuales en todo momento.
i
lo que implica que Pi,t (j) = Ei,t Pi,t (j) para todo i, j ∈ [0, 1], donde Ei,t es la tasa de cambio

bilateral, definido como el precio de la moneda extranjera en términos de la moneda local y

i
Pi,t (j) es el precio del bien del paı́s i expresado en términos de su propia moneda. Al conectar el
R 1
1−ε
i i 1 i 1−ε
supuesto anterior en la definición de Pi,t se obtiene Pi,t = Ei,t Pi,t , con Pi,t = 0 Pi,t (j) dj
que representa el ı́ndice de precios domésticos del paı́s i. Aplicando la definición de PF,t y
mediante una log-linealización se obtiene:
pF,t = et + p∗t
R1 R1 R1
Donde pii,t = 0 pii,t (j)dj, et = 0 ei,t di y p∗t = 0 pii,t di es el logaritmo del indice de precios del
paı́s i (en moneda extranjera), el logaritmo de la tasa de cambio efectivo nominal y el ı́ndice de
precios mundial.
Combinando el resultado anterior con la definición de los términos de intercambio obtenemos

la expresión:
st = et + p∗t − pH,t (11.16)
A continuación, la relación entre los términos de intercambio y la tasa de cambio viene dada
por:
qt = (1 − α)st
R1
Siendo qt = 0 qi,t di es la tasa de cambio real efectivo.
b) Riesgo internacional compartido
Bajo el supuesto de mercados completos para activos negociados internacionalmente, una con-
dición análoga a la ecuación de Euler también debe cumplir para el hogar representativo en
cualquier otro paı́s i. Entonces.
i
−σ
Pti Eti

Ct+1
β = Qt,t+1 (11.17)
Cti i
Pt+1 i
Et+1
Combinando esta ecuación con la ecuación de Euler obtenido anteriormente y log-linealizando

obtenemos:
∗ 1−α
ct = ct + st (11.18)
σ
R1
Donde c∗t = 0 cit di es el ı́ndice de consumo mundial.
11.3. Decisiones de las firmas
Una firma representativa tı́pica en la economı́a doméstica produce un bien diferenciado con una
tecnologı́a lineal representada por la función de producción.
Yt (j) = At Nt (j)

La versión lineal es:

y t = at + n t (11.19)
Siendo at = log At la tecnologı́a en la economı́a que sigue un proceso AR(1) de la forma at =
ρa at−1 + εt y donde j ∈ [0, 1] es un ı́ndice especı́fico de la empresa. Las funciones de producción
agregada y el nivel de empleo agregado vienen dadas por:
Z 1 ε
ε−1 Z 1 Z 1
ε−1 Yt (j)
Yt = Yt (j) ε dj ; Nt = Nt (j)dj ; Zt = dj
0 0 0 Yt
Por otro lado, siguiendo a Calvo (1983), se supone que cada empresa individual restablece su
precio con probabilidad 1 − θ cada perı́odo, independientemente del tiempo transcurrido desde
su último ajuste de precio. De esta manera, una medida 1−θ de empresas (seleccionadas al azar)
restablecen sus precios, mientras que una fracción θ mantienen sus precios sin alternaciones. Sea
P H,t (j) el precio establecido por una empresa j que ajusta en el perı́odo t. Bajo la estructura de
fijación de precios de Calvo se tiene PH,t+k (j) = PH,t (j) con probabilidad θk para k = 0, 1, 2, ....
Dado que todas las empresas que restablecen los precios en un perı́odo determinado elegirán al
mismo precio, entonces podemos descartar el ı́ndice j.
Al establecer un nuevo precio en el perı́odo t, la empresa j busca maximizar el valor actual de

su flujo de dividendos:
∞
X
θk Qt,t+k Pt+k (P H,t − CMt+k )

máx Et
{P H,t }
k=0
sujeto a la secuencia de restricciones de demanda.

−ε Z 1
P H,t i d
Yt+k ≤ CH,t+k + CH,t+k di = Yt+k (P H,t )
PH,t+k 0
La condición de primer orden para P H,t satisface lo siguiente:

∞
X
k ε
Et θ Qt,t+k Yt+k P H,t − CMt+k (11.20)
k=0
ε − 1
La versión log-lineal de esta condición viene dado por:

∞
X
pH,t = µ + (1 − βθ) Et (cmt+k + pH,t+k ) (11.21)
k=0
ε
Donde pH,t denota el logaritmo de los precios domésticos y µ = log es el margen bruto
ε−1
en el estado estacionario. Análogo al capı́tulo anterior, esta relación se puede combinar con el
ı́ndice de precios local (linealizada) de donde se obtiene la curva de Phillips.
πH,t = βEt πH,t+1 + λcmt (11.22)
(1 − βθ)(1 − θ)
Siendo λ = .
θ

11.4. El equilibrio
En ausencia de acumulación de capital y gobierno la identidad macroeconómica fundamental

viene dado por: Z 1
i
Yt (j) = CH,t (j) + CH,t (j)di
0
El segundo término del lado derecho representa la demanda mundial por el bien j. Haciendo
uso de (11.4) y (11.6) podemos escribir ası́:
−ε " −η !−γ −η #
1 i
PF,t
Z
PH,t (j) PH,t PH,t
Yt (j) = (1 − α) Ct + α i
Cti di (11.23)
PH,t Pt 0 Ei,t PF,t Pti
R ε
ε−1
1 ε−1
Esta expresión podemos sustituir en Yt = Yt (j) dj , definida anteriormente, de donde
0
ε
se deduce. −η Z 1
PH,t i γ−η
ησ−1
Yt = (1 − α) + α (St Si,t ) Qi,t σ
(11.24)
Pt 0
La versión lineal está dada por:

αω
st y t = ct + (11.25)
σ
Donde ω = γσ + (1 − α)(ησ − 1). Un análisis similar se efectúa para el resto del mundo, de
donde se obtiene yti = cit + αω si . Al agregar la economı́a mundial se tiene que:
σ t
Z 1 Z 1
yt∗ = yti di = cit di = c∗t
0 0
Ası́, la producción local se relaciona con la producción mundial y los términos de intercambio.
1
yt = yt∗ + st
σα
σ
Siendo σα = > 0. Finalmente, podemos reescribir la curva IS en términos de la
1 + α(ω − 1)
brecha de producción local y relacionando con variables del sector externo, se obtiene la versión
IS en economı́a abierta.
1 ∗
yt = Et yt+1 − (it − Et πH,t+1 − ρ) + αΘEt (∆yt+1 ) (11.26)
σα
Siendo Θ = (σγ − 1) + (1 − α)(ση − 1) = ω − 1. Esta relacion IS significa que la apertura
económica influye en el comportamiento del producto a cualquier nivel de tasa de interés.
La versión lineal de la balanza comercial viene dado por:

ω
nxt = α − 1 st (11.27)
σ

Por otro lado, reescribimos la curva de Phillips relacionando con variables externas. En concreto,
relacionamos los costos marginales en función a variables externa.
cmt = −vt + wt − pH,t − at

cmt = −vt + (wt − pt ) + (pt − pH,t ) − at
Siendo vt = − log(1 − τ ) es el subsiduo al empleo. Ahora podemos usar las relaciones (11.19)
y (11.20) deducimos que los costos marginales dependen de la producción mundial yt∗ y los
términos de intercambio st .
cmt = −vt + σyt∗ + ϕyt + st − (1 + ϕ)at (11.28)
Al sustituir (11.28) en (11.23) obtenemos la curva de Phillips Neokeynesiana para la economı́a

pequeña y abierta.
Finalmente, tenga en cuenta que en presencia de precios flexibles, el nivel natural de producción
en la economı́a abierta viene dado por:
ytn = Γ0 + Γa at + Γ∗ yt∗
v−µ 1+ϕ αΘσα

Donde Γ0 = , Γa = y Γ∗ = − Finalmente, para la representación canónica
σα + ϕ σα + ϕ σα + ϕ
del modelo escribimos en términos de desviaciones de la tendencia. Sea ỹt = yt − ytn la brecha
de producción.
1
ỹt = Et ỹt+1 − (it − Et πH,t+1 − rtn )
σα
αΘσα ϕ ∗
Donde rtn = ρ − σα Γa (1 − ρa )at + Et ∆yt+1 . Y la curva de Phillips reescribimos de la
σα + ϕ
siguiente manera:
πH,t = βEt πH,t+1 + κa ỹt
Donde κa = λ(σα + ϕ) y la relación del costo marginal y la brecha de producción se define por
cm
c t = (σα + ϕ)ỹt . Además, supones que la tasa de interés sigue una regla de Taylor:
it = ρ + φπ πH,t + φy yt + vt
Donde vt es un componente exógeno, y donde φπ y φy son coeficientes no negativos elegidos por

la autoridad monetaria.
11.5. La dinámica del modelo
Para capturar las dinámicas de las variables frente a perturbaciones exógenas primera calibramos
el modelo. Para este propósito consideramos los valoras sugeridos por Gali and Monacelli (2005).
Los valores son; factor de descuento β = 0, 99, elasticidad intertemporal del consumo σ = 1,

grado de apertura de la economı́a pequeña α = 0, 4, elasticidad de sustitución entre bienes

locales y extranjeros η = 1, elasticidad de sustituibilidad laboral ϕ = 3 y el parámetro de
probabilidad de Calvo es θ = 0, 75. Con estos valores podemos obtener los otro parámetros.
(1 − βθ)(1 − θ) (1 − 0, 99 × 0, 75)(1 − 0, 75)
λ = = = 0,085, además podemos obtener que
θ 0, 75
ω = 1, κa = 0,34, Θ = 0, Φ = 0,6 y Γa = 1
Por otro lado, imponemos la siguiente estructura autorregresiva para la productividad de la

economı́a doméstica, correlacionada con los choques de la productividad extranjera.
at = ρa at−1 + ψε∗t + εt ; N (0, σa2 )
En la que ρa = 0, 9, ψ = 0, 77 y que el proceso exógeno mundial viene dada por:
a∗t = ρ∗a a∗t−1 + ε∗t ; N (0, σa∗

2
)
También suponemos que ρ∗a = 0, 9

Figura 11.1: Respuesta de las variable frente a un choque de productividad
Inflación doméstica brecha de producto

0
0
-0.1 -0.2
-0.2 -0.4
5 10 15 20 5 10 15 20
10 -15 Inflación (IPC) Terminos de intercambio

0
0.6
-0.5
0.4
-1
0.2
-1.5 0
5 10 15 20 5 10 15 20
Tasa de cambio nominal Tasa de interés nominal

0.1
0.4
0.05
0.2
0
0
5 10 15 20 5 10 15 20
10 -17 Nivel de precios IPC Nivel de precios IPC

0
0
-2 -0.1
-4 -0.2
-6
-0.3
5 10 15 20 5 10 15 20

Bibliografı́a
Acosta, P. A., Lartey, E. K., and Mandelman, F. S. (2009). Remittances and the dutch disease.
Journal of International Economics, 79(1):102–116.
Amano, R. A. and Wirjanto, T. S. (1998). Government expenditures and the permanent-income

model. Review of Economic Dynamics, 1(3):719–730.
Aschauer, D. A. (1985). Fiscal policy and aggregate demand. The American Economic Review,
75(1):117–127.
Aschauer, D. A. (1989). Is public expenditure productive? Journal of Eonetary Economics,

23(2):177–200.
Backus, D. K., Kehoe, P. J., and Kydland, F. E. (1992). International real business cycles.
Journal of Political Economy, 100(4):745–775.
Barro, R. J. (1981). Output effects of government gurchases. Journal of Political Economy,

89(6):1086–1121.
Barro, R. J. (1990). Government spending in a simple model of endogeneous growth. Journal

of Political Economy, 98(5, Part 2):S103–S125.
Baumol, W. J. (1952). The transactions demand for cash: An inventory theoretic approach.
The Quarterly Journal of Economics, pages 545–556.
Baxter, M. and King, R. G. (1993). Fiscal policy in general equilibrium. The American Economic
Review, pages 315–334.
Blanchard, O. and Perotti, R. (2002). An empirical characterization of the dynamic effects of

changes in government spending and taxes on output. The Quarterly Journal of Economics,
117(4):1329–1368.
Blanchard, O. J. and Kahn, C. M. (1980). The solution of linear difference models under rational
expectations. Econometrica: Journal of the Econometric Society, 48(5):1305–1311.
Bourguignon, F. (1974). A particular class of continuous-time stochastic growth models. Journal

of Economic Theory, 9(2):141–158.
BIBLIOGRAFÍA 195
Breitung, J. (2001). The local power of some unit root tests for panel data. In Nonstationary
Panels, Panel Cointegration, and Dynamic Panels, pages 161–177. Emerald Group Publishing
Limited.
Brock, W. and Mirman, L. (1972). Optimal economic growth and uncertainty: The discounted
case. Journal of Economic Theory, 4:479–513.
Burns, A. F. and Mitchell, W. (1946). Measuring business cycles. National Bureau of Economic
Research Books.
Burnside, C. (1999). Real business cycle models: Linear approximation and gmm estimation.
manuscript, The World Bank.
Calvo, G. A. (1983). Staggered prices in a utility-maximizing framework. Journal of Monetary

Economics, 12(3):383–398.
Cass, D. (1965). Optimum growth in an aggregative model of capital accumulation. The Review
of Economic Studies, 32(3):233–240.
Cassou, S. P. and Lansing, K. J. (1998). Optimal fiscal policy, public capital, and the ppoduc-
tivity slowdown. Journal of Economic Dynamics and Control, 22(6):911–935.
Choi, I. (2001). Unit root tests for panel data. Journal of International Money and Finance,
20(2):249–272.
Christiano, L. J. and Eichenbaum, M. (1992). Current real-business-bycle theories and aggregate

labor-market fluctuations. The American Economic Review, pages 430–450.
Clarida, R., Gali, J., and Gertler, M. (1999). The science of monetary policy: a new keynesian
perspective. Journal of Economic Literature, 37(4):1661–1707.
Clarida, R., Galı, J., and Gertler, M. (2002). A simple framework for international monetary
policy analysis. Journal of monetary economics, 49(5):879–904.
Clower, R. (1967). A reconsideration of the microfoundations of monetary theory. Western

Economics Journal, 6(1):1–9.
Cooley, T. F. and Prescott, E. C. (1995). Economic growth and business cycles. Frontiers of
business cycle research, 1.
DeJong, D. N. and Dave, C. (2011). Structural Macroeconometrics. Princeton University Press.
Dixit, A. K. and Stiglitz, J. E. (1977). Monopolistic competition and optimum product diversity.
The American economic review, 67(3):297–308.
Easterly, W. and Sergio, R. (1993). Fiscal policy and economic growth: An empirical investiga-
tion. Journal of Monetary Economics, 32:417–58.
Fatás, A. and Mihov, I. (2001). The Effects of Fiscal Policy on Consumption and Employment:
Theory and Evidence, volume 2760. Citeseer.

BIBLIOGRAFÍA 196
Findley, D. F., Monsell, B. C., Bell, W. R., Otto, M. C., and Chen, B.-C. (1998). New capa-
bilities and methods of the x-12-arima seasonal-adjustment program. Journal of Business &
Economic Statistics, 16(2):127–152.
Fisher, I. (1896). Appreciation and interest. American Economic Association, 11(4):1–98.
Friedman, M. (1956). The quantity theory of money: a re-statement. En Studies in the Quantity
Theory of Money. editado por M. Friedman. Chicago: Chicago University Press.
Galı́, J. (2008). Monetary policy, inflation, and the business cycle: an introduction to the new
Keynesian framework. Princeton University Press.
Galı́, J. (2015). Monetary policy, inflation, and the business cycle: an introduction to the new
Keynesian framework and its applications. Princeton University Press.
Gali, J. and Monacelli, T. (2005). Monetary policy and exchange rate volatility in a small open
economy. The Review of Economic Studies, 72(3):707–734.
Gertler, M., Gilchrist, S., and Natalucci, F. M. (2007). External constraints on monetary policy
and the financial accelerator. Journal of Money, Credit and Banking, 39(2-3):295–330.
Greenwood, J., Hercowitz, Z., and Huffman, G. W. (1988). Investment, capacity utilization,
and the real business cycle. The American Economic Review, pages 402–417.
Grier, K. B. and Tullock, G. (1989). An empirical analysis of cross-national economic growth,

1951–1980. Journal of Monetary Economics, 24(2):259–276.
Hansen, G. D. (1985). Indivisible labor and the business cycle. Journal of Monetary Economics,
16(3):309–327.
Hicks, J. R. (1937). Mr. keynes and the çlassics”; a suggested interpretation. Econometrica:
Journal of the Econometric Society, pages 147–159.
Hodrick, R. J. and Prescott, E. C. (1997). Postwar us business cycles: An empirical investigation.

Journal of Money, Credit, and Banking, pages 1–16.
Im, K. S., Pesaran, M. H., and Shin, Y. (2003). Testing for unit roots in heterogeneous panels.
Journal of econometrics, 115(1):53–74.
Kao, C. (1999). Spurious regression and residual-based tests for cointegration in panel data.
Journal of Econometrics, 90(1):1–44.
Kao, C. and Chiang, M.-H. (2001). On the estimation and inference of a cointegrated regression
in panel data. In Nonstationary panels, panel cointegration, and dynamic panels, pages 179–
222. Emerald Group Publishing Limited.
Keynes, J. M. (1936). Teorı́a general del empleo, el interés y el dinero. Palgrave Macmillan,
United Kingdom, ed. 2007.

BIBLIOGRAFÍA 197
King, R. G., Plosser, C. I., and Rebelo, S. T. (1988a). Production, growth and business cycles:
I. the basic neoclassical model. Journal of Monetary Economics, 21(2-3):195–232.
King, R. G., Plosser, C. I., and Rebelo, S. T. (1988b). Production, growth and business cycles:
Ii. new directions. Journal of Monetary Economics, 21(2-3):309–341.
King, R. G., Plosser, C. I., and Rebelo, S. T. (2002). Production, growth and business cycles:
Technical appendix. Computational Economics, 20(1-2):87–116.
Koopmans, T. (1965). On the concept of optimal economic growth. The Econometric Approach
to Development Planning.
Kydland, F. E. and Prescott, E. C. (1982). Time to build and aggregate fluctuations. Econo-
metrica: Journal of the Econometric Society, 50(06):1345–1370.
Ladiray, D. and Quenneville, B. (2000). Desestacionalizar con el método x-11. Universite Libre
de Bruxelles, 2001.
Levin, A., Lin, C.-F., and Chu, C.-S. J. (2002). Unit root tests in panel data: Asymptotic and
finite-sample properties. Journal of Econometrics, 108(1):1–24.
Ljungqvist, L. and Sargent, T. J. (2000). Recursive Macroeconomic Theory. MIT press.
Long, J. B. and Plosser, C. I. (1983). Real business cycles. Journal of Political Economy,
91(1):39–69.
Lucas, R. E. (1982). Interest rates and currency prices in a two-country world. Journal of
Monetary Economics, 10(3):335–359.
Maddala, G. S. and Wu, S. (1999). A comparative study of unit root tests with panel data and
a new simple test. Oxford Bulletin of Economics and Statistics, 61(S1):631–652.
Mandelman, F. S. (2013). Monetary and exchange rate policy under remittance fluctuations.
Journal of Development Economics, 102:128–147.
McCandless, G. (2008). The ABCs of RBCs. Cambridge, Massachusetts, London: Harvard.
McGrattan, E. R. (1994). The macroeconomic effects of distortionary taxation. Journal of

Monetary Economics, 33(3):573–601.
McGrattan, E. R., Rogerson, R., and Wright, R. (1997). An equilibrium model of the business
cycle with household production and fiscal policy. International Economic Review, pages
267–290.
Mendoza, E. G. (1991). Real business cycles in a small open economy. The American Economic
Review, 81(4):797–818.
Merton, R. C. (1975). An asymptotic theory of growth under uncertainty. The Review of

Economic Studies, 42(3):375–393.

BIBLIOGRAFÍA 198
Obstfeld, M. and Rogoff, K. (1995). Exchange rate dynamics redux. Journal of political economy,
103(3):624–660.
Obstfeld, M., Rogoff, K. S., and Wren-Lewis, S. (1996). Foundations of international macro-
economics, volume 30. MIT press Cambridge, MA.
Pedroni, P. (1999). Critical values for cointegration tests in heterogeneous panels with multiple
regressors. Oxford Bulletin of Economics and Statistics, 61(S1):653–670.
Pedroni, P. (2001). Fully modified ols for heterogeneous cointegrated panels. In Nonstationary
panels, panel cointegration, and dynamic panels, pages 93–130. Emerald Group Publishing
Limited.
Persons, W. M. (1920). A non-technical explanation of the index of general business conditions.

The Review of Economic Statistics, pages 39–48.
Pigou, A. C. (1917). The value of money. The Quarterly Journal of Economics, 32(1):38–65.
Plosser, C. I. (1989). Understanding real business cycles. The Journal of Economic Perspectives,
3(3):51–77.
Ramsey, F. P. (1928). A mathematical theory of saving. The Economic Journal, 38(152):543–

559.
Sala-i Martin, X. (2000). Apuntes de Crecimiento Económico. Antoni Bosch Editor.
Sargent, T. J. (1987). Dynamic macroeconomic theory. Harvard University Press.
Schmitt-Grohé, S. and Uribe, M. (2003). Closing small open economy models. Journal of
International Economics, 61(1):163–185.
Shapiro, A. F. and Mandelman, F. S. (2016). Remittances, entrepreneurship, and employment

dynamics over the business cycle. Journal of International Economics, 103:184–199.
Sidrauski, M. (1967). Rational choice and patterns of growth in a monetary economy. The
American Economic Review, pages 534–544.
Solow, R. M. (1956). A contribution to the theory of economic growth. The Quarterly Journal
of Economics, 70(1):65–94.
Stock, J. H. and Watson, M. W. (1999). Business cycle fluctuations in us macroeconomic time

series. Handbook of Macroeconomics, 1:3–64.
Stokey, N. and Lucas, R. (1989). Recursive Methods in Economic Dynamics. Harvard University
Press.
Svensson, L. E. (1985). Money and asset prices in a cash-in-advance economy. Journal of

Political Economy, 93(5):919–944.
Tobin, J. (1956). The interest-elasticity of transactions demand for cash. The Review of Eco-
nomics and Statistics, pages 241–247.

BIBLIOGRAFÍA 199
Tobin, J. (1958). Liquidity preference as behavior towards risk. The Review of Economic
Studies, 25(2):65–86.
Uhlig, H. F. (1995). A toolkit for analyzing nonlinear dynamic stochastic models easily. Dis-
cussion Paper 01.
Walsh, C. E. (2010). Monetary theory and policy. (Third Edition), MIT Press.
Wickens, M. (2012). Macroeconomic Theory: A Dynamic General Equilibrium Approach. Prin-

ceton University Press. 2da Edition.
Woodford, M. (2002). Interest and prices. Princeton University.

Introduccion A Los Modelos Dsge - Octubre - 2019

Cargado por

Copyright:

Formatos disponibles

Introduccion A Los Modelos Dsge - Octubre - 2019

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Introduccion A Los Modelos Dsge - Octubre - 2019

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD EAFIT

Introducción a los Modelos DSGE

Este documento es producto de los cursos de Macroeconomı́a Avanzada y Tópicos en

Edición Preliminar (Borrador) - 2019

Dirección: Carrera 49, número 7 sur 50, Medellı́n - Colombia.

Medellı́n-Colombia Octubre de 2019

2. Ciclos económicos: Los datos 6

2.1. Procesamiento de los datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2.2. Capturando los ciclos económicos . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.3. Los hechos estilizados de los ciclos . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.4. Problemas de aplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

3. Fundamentos de los modelos de equilibrio general 35

3.1. La naturaleza de los modelos RBC . . . . . . . . . . . . . . . . . . . . . . . . . 35

3.2. El modelo de Solow determinı́stico . . . . . . . . . . . . . . . . . . . . . . . . . 36

3.3. El modelo de Solow estocástico . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

3.4. Simulación del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

3.5. El modelo de Ramsey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

3.6. La dinámica del modelo de Ramsey . . . . . . . . . . . . . . . . . . . . . . . . . 51

3.7. Perturbaciones y dinámica de transición . . . . . . . . . . . . . . . . . . . . . . 54

3.8. Problemas de Aplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

II Métodos de Solución de Modelos Recursivos 58

4. Elementos de programación dinámica 59

4.1. Programación dinámica determinı́stica . . . . . . . . . . . . . . . . . . . . . . . 59

4.2. Iteración de la función valor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

4.3. Coeficientes indeterminados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

4.4. Aproximación numérica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

4.5. Programación dinámica estocástica . . . . . . . . . . . . . . . . . . . . . . . . . 74

4.6. Problemas de aplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

5.1. Notas sobre Log-Linealización . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

5.2. El método de King-Plosser-Rebelo . . . . . . . . . . . . . . . . . . . . . . . . . . 82

5.3. Unicidad, estabilidad y manchas solares . . . . . . . . . . . . . . . . . . . . . . . 93

5.4. Funciones de impulso respuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

5.5. Bondad de ajuste: dos experimentos . . . . . . . . . . . . . . . . . . . . . . . . . 98

III Modelos de Ciclos Económicos Reales 101

6. Ciclos Económicos Reales y mercado de trabajo 102

6.1. Las estadı́sticas del mercado laboral . . . . . . . . . . . . . . . . . . . . . . . . . 102

6.2. Modelos RBC con trabajo divisible . . . . . . . . . . . . . . . . . . . . . . . . . 105

6.3. Análisis de sensibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112

6.4. Simulación estocástica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

6.5. Modelo RBC con trabajo indivisible . . . . . . . . . . . . . . . . . . . . . . . . . 120

6.6. Problemas de aplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126

ALEJANDRO TORRES ∼ ALFREDO VILLCA

7. Modelos monetarios con precios flexibles 128

7.1. Los datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

7.2. Dinero en la función de utilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

7.3. Estimación empı́rica de la demanda de dinero . . . . . . . . . . . . . . . . . . . 136

7.4. Modelo Cash in Advance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141

7.5. Problemas de aplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146

8. Modelos con gasto público 148

8.1. El gasto público exógeno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149

8.2. El gasto público en la función de utilidad . . . . . . . . . . . . . . . . . . . . . . 152

8.3. El gasto público productivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156

8.4. Problemas de aplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159

9. Fundamentos de economı́as abiertas y choques externos 160

9.1. Ciclos Económicos Reales Internacionales . . . . . . . . . . . . . . . . . . . . . . 160

9.2. Economı́as pequeñas y abiertas . . . . . . . . . . . . . . . . . . . . . . . . . . . 164

9.3. Shock de tasa de interés mundial . . . . . . . . . . . . . . . . . . . . . . . . . . 168

9.4. Descomposición de varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169

9.5. Problemas de aplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172