1

1.4 Oferta de trabajo, crecimiento y economía descentralizada

GRUPO 2 PARTE 1 (HANS)

1.4.1 Sustitución del ocio

Hasta ahora hemos tomado la oferta de trabajo como exógena. Sin embargo, es
bien sabido que existen considerables fluctuaciones del empleo a lo largo de los
ciclos económicos. En el contexto de nuestro ejemplo de la agricultura, las
variaciones de la mano de obra pueden surgir de las perturbaciones de la
productividad laboral, si el agricultor valora tanto el consumo como el ocio. Para
tener en cuenta este caso, incluimos el ocio en la función de utilidad de un
período. El ocio L es la dotación de tiempo del agricultor, que normalizamos a 1,
menos sus horas de trabajo N. Así, podemos establecer la función de utilidad de
un período como

u(C ,1−N ). (1.27)

En la siguiente subsección nos preguntaremos qué tipo de restricciones debemos

imponer a u, además de los supuestos habituales de concavidad y monotonicidad,
cuando se trata de una economía en crecimiento. Antes de continuar,
consideraremos brevemente lo que podemos esperar en general de la inclusión
del ocio en la función de utilidad de un período. Supongamos que el agricultor
observa un aumento del producto marginal del trabajo producto marginal del
trabajo que considera de corta duración. ¿Cómo reaccionará? En el período
actual, el choque aumenta el conjunto de oportunidades del agricultor de
oportunidad del agricultor, ya que con cualquier nivel de mano de obra su cosecha
será mayor que antes de la crisis. Al mismo tiempo, la crisis cambia el precio
relativo del ocio: el agricultor pierde más producción por cada unidad adicional de
ocio que desee. El efecto global de la perturbación en la sustitución intratemporal
entre trabajo y consumo depende del tamaño relativo de la renta asociada y el
efecto de sustitución. Si el ocio y el consumo son bienes normales normal, el
agricultor quiere tanto más consumo como más ocio (efecto renta). Sin embargo,
como el ocio es más costoso que antes el choque, también quiere sustituir el
consumo por el ocio (efecto de sustitución). el ocio (efecto de sustitución).

En el escenario Inter temporal que estamos considerando aquí, hay un efecto de

sustitución Inter temporal adicional. El choque aumenta la recompensa actual por
 2

una hora adicional de trabajo frente al rendimiento futuro. En consecuencia, el

agricultor querrá trabajar más ahora y menos en el futuro. Puede lograr este
objetivo aumentando el ahorro de hoy y gastando los ingresos en los períodos
siguientes. Así, la inversión sirve de vehículo a la sustitución Inter temporal del
consumo y el ocio.

1.4.2 Crecimiento y restricciones de la tecnología y las preferencias

Progreso técnico que aumenta la mano de obra. Cuando nos referimos al

crecimiento económico, pensamos en los aumentos de la producción a
determinados niveles de insumos provocados por el aumento de los
conocimientos tecnológicos. Este tipo de progreso tecnológico se denomina
incorpóreo, en contraposición al progreso encarnado, que opera a través de
mejoras en la calidad de los factores de producción. El progreso tecnológico
incorpóreo simplemente desplaza la función de producción hacia el exterior. De
forma equivalente, podemos pensar en él como si redoblara las unidades físicas
de trabajo y capital disponibles. Por ejemplo, si N es la cantidad de trabajo físico o
bruto y A su nivel de efficiencia, el trabajo efectivo es AN. Utilizando este
concepto, la producción viene dada por

Y t =Z t F ( At N t , Bt K t ) ,

donde los factores de eficiencia At y Bt , así como el choque de productividad Zt ,

son series temporales o procesos estocásticos dados exógenamente. Seguimos
suponiendo que la función de producción F tiene productos marginales positivos
pero decrecientes, que ambos factores de producción son esenciales, y que F
12
presenta rendimientos constantes a escala. Formalmente:

1. Fi >0 y Fii <0 parai=1, 2 ,

2. F (AN , 0)=0 y F( 0 , BN )=0 ,

3. λY =F ( λAN , λBK )

En la sección 1.2.4 hemos visto que la solución del modelo de Ramsey

determinista de horizonte infinito se aproxima a un equilibrio estacionario. Existe
un concepto apropiado de estacionariedad en los modelos de crecimiento, la
llamada senda de crecimiento equilibrado. Remitiéndonos a SOLOW (1988), p. 4,
definimos una senda de crecimiento equilibrado mediante dos requisitos:
 3

1. La producción por hora de trabajo crece a un ritmo constante,

2. y la proporción del ahorro neto en la producción es constante.

La motivación de esta definición tiene dos fuentes distintas. En primer lugar, desde
el punto de vista empírico, la senda de crecimiento equilibrado refleja los hechos
generales del crecimiento de las economías industriales avanzadas.13 En
segundo lugar, desde la perspectiva teórica, la senda de crecimiento equilibrado
permite definir variables relativas a su trayectoria de tendencia que son
estacionarias como las variables no escaladas en los modelos de no crecimiento.
Por lo tanto, las técnicas utilizadas para estudiar las economías estacionarias
siguen siendo válidas.

En el Apéndice 2 mostramos que para que exista una senda de crecimiento

equilibrado el progreso técnico debe ser del tipo de aumento de la mano de obra,
es decir, Bt ≡1 ∀ t . Como consecuencia, especificamos la función de producción
como

Y t =Z t F ( At N t , K t ) . (1.28)

Tendencia frente a crecimiento estacionario de differencia. La especificación

(1.28) deja dos posibles opciones de modelado para el proceso que rige la
evolución del factor de efficiencia de la mano de obra bruta. Si se

12
aquí, y en lo que sigue, para cualquier función F (x1 , . .. , x n) la expresión F i idenota la primera
derivada parcial de F con respecto a x i, y F ij ijdenota la derivada de F i( x1 , .. . , xn )con respecto a
x j.

13
véase, SOLOW (1988), p. 3ff.

considerar el crecimiento como un proceso determinista, el factor de eficiencia At

crece a un factor de crecimiento determinado y constante a> 1:

At +1=a A t . (1.29)

Las variaciones en torno a la senda de largo plazo son inducidas por las estocas

proceso tico {Z t }∞t=0.. Para que estas variaciones temporales y no permanente, el

proceso que gobierna Zt debe ser la covarianza stacionario. Esto requiere

 4

1. que la media incondicional E( Z t )=Z es independiente del tiempo,

2. y que la covarianza entre Zt y Zt + s, cov ( Z t , Z t +s ) =E[( Z t −Z )(Z t +s −Z )],

,depende del desfase temporal s pero no del propio tiempo t .

Para encontrar el comportamiento a largo plazo de la producción supongamos que

Zt es tigual a su media incondicional Z ≡1. Como F tiene rendimientos constantes

a escala, podemos escribir

Y t = At F ( N t , K t / A t ) .

Obsérvese que, según nuestra función de utilidad (1.27), la oferta de trabajo Nt

está limitada por encima de 1. Dado que At crece a la tasa constante a−1, la
producción crecerá a la misma tasa constante, si tanto el insumo de trabajo como
la cantidad K t / A t son constantes. Por lo tanto, el capital debe crecer al mismo
ritmo que la producción.

El supuesto del crecimiento determinista tiene implicaciones empíricas obvias: la

producción es un proceso estocástico estacionario de tendencia, es decir, cuando
restamos una tendencia lineal del logaritmo de la producción, la serie temporal
resultante es un proceso estocástico estacionario de covarianza.

En un influyente artículo, NELSON y PLOSSER (1982) cuestionan esta

implicación. Proporcionan pruebas de que los principales agregados
macroeconómicos se modelan mejor como estacionarios de differencia procesos

estocásticos. Un proceso estocástico { x t } t ∈Z es difference sta- tionary si el proceso

{ x t +1−x t }t ∈ Zun proceso estocástico estacionario de covarianza. En el contexto de

nuestra función de producción neoclásica obtenemos este resultado, si fijamos
Z ≡1. y dejamos que un proceso de Markov estacionario de differencia gobierne la
evolución del nivel de efficiencia del trabajo. Por ejemplo, podemos suponer que A
tsigue el proceso

At +1= A t e a+∈ , ∈t ∼ N (0 , σ 2), a>0.

t
(1.30)

Bajo este proceso el factor de crecimiento del nivel de efficiencia del trabajo,
At +1 / A t fluctúa en torno a su media a largo plazo de e ay la primera differencia del
 5

logaritmo de salida, ln Y t +1 +ln Y t , es estacionaria de covarianza. Para ver esto,

utilice

Y t = At F ( N t , K t / A t )

y fijar F (.) igual a su valor de largo plazo F́ :=F ( N , K / A). Utilizando (1.30),
obtenemos

ln Y t +1−ln Y t =ln A t+1 −ln A t =a+∈t ,

que es un proceso de ruido blanco.

Restricciones a las preferencias. La restricción de que el trabajo aumente el

progreso técnico no es suficiente para garantizar la existencia de una senda de
crecimiento equilibrado cuando la oferta de trabajo es endógena. Para ver esto,
restringimos la atención al caso determinista y ponemos Z ≡1 en (1.28). Utilizando
la función de utilidad de un período (1.27), el problema de maximización del
agricultor es

∞
max ∞
∑ β t ( Ct , 1−N t )
{C t ,N t }t=0 t =0

s.t. (1.31)

K t +1+ Ct ≤ F ( At N t , K t ) +(1+ δ )K t ,
0 ≤C t ,
1≥ N t ≥ 0 ,
0 ≤ K t +1 ,
}
t=0,1 , … ,

K 0 dado.

Dado que estamos interesados en una solución a largo plazo con consumo y ocio
positivos, ignoraremos las restricciones de no negatividad y el límite superior del
trabajo al establecer el Lagrangean respectivo:

∞
L=∑ βt u ( Ct 1−N t ) + Λ t ( F ( At N t , K t ) + ( 1+δ ) K t −C t−K t+1 ) .
[ ]
t =0

Differenciando esta expresión con respecto a C t, N N t , y K t +1 proporciona el

 6

siguiente conjunto de condiciones de primer orden:

0=u1 (C t ,1−N t )− Λ t , (1.32a)

0=−u2 ( Ct ,1−N t ) − Λt F1 ( At N t , K t ) A t , (1.32b)

0=− Λt + β Λt +1 (1−δ + F 2 ( A t +1 N t +1 , K t +1 ) ). (1.32c)

Las condiciones (1.32a) y (1.32b) implican que la tasa marginal de sustitución

entre el consumo y el ocio, u2 /u1, es igual al producto marginal del trabajo:

u2 ( Ct ,1−N t )
= A t F1 ( At N t , K t ) . (1.33)
u1 (Ct ,1−N t )

Las condiciones (1.32a) y (1.32c) dan lugar a

u1 ( C t ,1−N t )
=β (1+δ + F2 ( At +1 N t+1 , K t +1) ) (1.34)
u1 (Ct +1 ,1−N t +1)

Consideremos el lado derecho de esta ecuación. Como F es homogénea de grado

uno, F F 2es homogénea de grado cero, es decir,

F 2 ( At +1 N t +1 , K t +1 )=F 2 ( N t+1 , K t +1 / A t+ 1)

Ya hemos visto que en una trayectoria de crecimiento equilibrado tanto N t +1 como

K t +1 / A t +1 son constantes. Por lo tanto, a largo plazo, el lado derecho de la
ecuación (1.34) es constante y el lado izquierdo también debe serlo.
Consideremos ahora la restricción de recursos

K t +1=Y t −C t +¿(1+δ ) K t

Si el capital y la producción crecen a la tasa común a−1, el consumo debe crecer

a la misma tasa, ya que de lo contrario el factor de crecimiento del capital g K ,

K t +1 Y t C t
g K= = − +(1+δ)
Kt K t K t

no es constante. Si el consumo crece a la tasa a−1 la utilidad maRginal del

consumo debe caer a una tasa constante. A medida que
 7

En el Apéndice 2 se muestra que esto restringe la función de utilidad de un

período u a la clase de funciones de elasticidad constante con respecto al
consumo. Otras restricciones se derivan de la condición (1.33). Dado que el
producto marginal del trabajo aumenta a largo plazo a la tasa a−1, debe haber
exactamente efectos de renta y de sustitución con respecto a la decisión estática
de oferta de trabajo. Como demostramos en el Apéndice 2, debemos restringir la
función de utilidad de un período (1.27) a

1−n
u ( C , 1−N ) C v 1−N si n ≠1
{ ( )
lnC v ( 1−N ) si n=1
(1.35)

La función v debe elegirse de forma que u ( C , 1−N ) sea cóncava. Recordemos

que una función es cóncava, si y sólo si uii ≤ 0y ¿, y que es estrictamente cóncava,

si u11 < 0y ¿ 14. Por ejemplo, en la parametrización de u que utilizamos en el ejemplo

1.5.1 siguiente, la restricción de η a η>θ /(1+θ) implica que u es estrictamente
cóncava.

Transformación a variables estacionarias. PARTES 2 (KELLY) Dadas las

restricciones sobre la tecnología y las preferencias, siempre es posible elegir
nuevas variables que sean constantes a largo plazo. Como ejemplo, consideremos
el modelo determinista de Ramsey (1.31). Supongamos n ≠ 1 en (1.35) y un
crecimiento determinista del nivel de efficiencia del trabajo según (1.29). La
condición estática de la oferta de trabajo (1.33) puede entonces escribirse como

v ' (1−N t ) C t
=F 1 ( N t , K t / A t ) (1.36)
(1−n) v(1−N t ) A t

y la condición intertemporal (1.34) es

C−n
t v (1−N t ) (a At )n C−n
t v (1−N t )
−n
= n −n
Ct +1 v (1−N t+1 ) A t +1 C t+1 v (1−N t )

a n( Ct / A t )−n v (1−N t )
¿ −n = β (1−δ+ F 2 ( N t +1 , K t+1 / At +1 ) ) (1.37)
(C t+1 / At +1 ) v (1−N t+1 )

14
Véase, por ejemplo, TAKAYAMA (1985), Teorema 1.E.13.

Dado que F es homogénea de grado uno, podemos transformar la restricción de

 8

fuente en

K t +1 Kt
A t +1 /a
=F ( N t , K t / A t ) + ( 1−δ ) ( )
At
−(Ct / A t ) (1.38)

Las ecuaciones (1.36) a (1.38) constituyen un sistema dinámico en las nuevas

variables N t , c t =¿ C t / At y k t=K t / A t . Sus valores estacionarios N , c y k se
encuentran como solución al sistema de tres ecuaciones

( 1−η)v (1−N )
c= F 1 (N ,k ) ,
v ' (1−N )

1=β a−n (1−δ + F2 (N , k )) ,

0=F( N , k )−(1−δ−a)k −c .

Nótese que podemos derivar las condiciones de eficiencia (1.36) a (1.38) de la

resolución del problema

∞
max ∞
∑ ~βt c1−n
t v (1−N t )
{ ct , N t }t=0 t =0

s.t.

c t ≤ F ( N t , K t ) + (1+ δ ) k t − A k t +1

k 0dado,

con factor de descuento ~

β ≔ β a1−n en las variantes de decisión , c t =¿ C t / At y
k t+1 =K t +1 / A t+1.

1.4.3 La economía descentralizada

Hasta ahora hemos considerado un único agente para facilitar la exposición. Sin
embargo, para cada uno de los modelos de Ramsey considerados anteriormente,
es sencillo desarrollar un modelo de economía descentralizada cuya asignación de
equilibrio coincide con la alocación de equilibrio del modelo de Ramsey respectivo.
Como esta última es una asignación que maximiza la utilidad, el equilibrio
descentralizado es óptimo en el sentido de la eficiencia de Pareto. En la teoría
 9

estática de la equidad general con un espacio de mercancías de dimensión finita,

la correspondencia entre un equilibrio competitivo y una localización de recursos
eficientemente de Pareto se establece en los Dos Teoremas Fundamentales de la
15
Economía del Bienestar. El modelo de Ramsey de horizonte infinito tiene infinitas
mercancías. Sin embargo, como demostró DEBREU (1954), es posible extender la
correspondencia entre el equilibrio competitivo y la eficiencia de Pareto a espacios
de mercancías de dimensión infinita.

Ilustramos la relación entre la eficiencia y el equilibrio Inter temporal mediante un

ejemplo sencillo.

Empresas. El lado de la producción de la economía consiste en un gran número

de empresas idénticas i=1 , 2, ... , n. Cada empresa utiliza el trabajo N i y el capital

K i para producir un único producto Y i. La función de producción ZF( A N i , K i) tiene

las propiedades habituales, en particular, es homogénea de grado uno (véase la
página 35). Cada empresa contrata servicios de mano de obra y de capital en los
mercados respectivos. Sean w y r las tasas de alquiler del trabajo y del capital,
respectivamente, en unidades del bien final. Como no hay relación entre períodos
sucesivos, la maximización del valor presente de la empresa es equivalente a la
maximización de los beneficios de un período

Π i :=ZF ( A N i , K i )−w N i −r K i .

Las condiciones de primer orden implican

w=ZA F1 ( A N i , K i ) =ZA F 1 ( A , K i / N i )

r =Z F 2 ( A N i , K i ) =Z F2 ( A , K i /N i )

debido a la homogeneidad de grado cero de F i . Dado que todas las empresas se

enfrentan a los mismos precios de los factores, eligen la misma relación capital-
trabajo k ≔ K i / N iia partir de la solución de las ecuaciones anteriores. Por tanto, la

Yi
producción por unidad de trabajo y y i= =Z F ( A , K i / N i )es la misma para todas
Ni
las empresas: y i= y =Z F ( A , k ) . Estos resultados implican la existencia de una
función de producción agregada
 10

15
Para una declaración, véase, por ejemplo, MAS-COLELL, WHINSTON y GREEN (1995) pp. 545ff
o STARR (1997), pp. 144ff.

Y =∑ Y i=∑ N i Y i=N y =NZ F ( A , k )=ZF( AN , K)

i i

donde N=∑ N i y K=∑ K i. En términos de esta función del equilibrio en los

i i

mercados de servicios de trabajo y de capital viene dado por

w=ZA F1 ( AN , K ),

r =Z F 2 ( AN , K ), (1.39)

16
y los beneficios de todas las empresas son cero:

Π i ≔Y i−w N i −r K i

¿ ZF( A N i , K i)−ZA F 1 N i−Z F 2 K i=0.

−ZF( A N i , K i)

Hogares. Nuestra economía de ejemplo está poblada por un continuo de hogares

de masa 1, es decir, cada hogar individual tiene asignado un único número real h
del intervalo [0, 1]. Todos los hogares tienen la misma función de utilidad de un
período y el mismo stock de capital de tiempo t=0. Cuando se enfrentan a una
senda determinada de producción y precios de los factores, eligen secuencias
idénticas de consumo y oferta de trabajo. Sea x (h) una variable de decisión
arbitraria del hogar h ∈[0 ,1] y pongamos

x (h)= x́ ∀ h ∈[0 , 1].

Desde

1 1
x́=∫ x ( h ) dh=∫ x́ dh
x 0

Las variables agregadas e individuales son idénticas. En consecuencia, podemos

considerar un miembro representativo de [0, 1] sin referencia explícita a su índice
h.
Este hogar representativo suministra servicios laborales N t con el factor de

efficiencia At y servicios de capital K t tal salario real dado

 11

16
Esto es simplemente el teorema de Euler. Para una declaración general de este teorema,
véase, por ejemplo, SYDSÆTER, STRØM y BERCK (1999), p.28.

w t y la tasa de alquiler del capital r t , respectivamente. Ahorra en términos de

capital, que se deprecia a la tasa δ ∈(0 , 1). Por tanto, su restricción presupuestaria
es la siguiente: 17

K t +1−K t ≤ w t N t +(r−δ )K t −C t . (1.40)

El hogar busca trayectorias temporales de consumo y oferta de trabajo que

maximicen su utilidad vital

∑ β t u(Ct , 1−N t ) , β ∈(0 , 1), (1.41)

t =0

sujeto a (1.40) y al stock inicial de capital K 0 dado. A partir del Lagrangean de este
problema

∞
L=∑ βt ¿
t =0

derivamos las siguientes condiciones de primer orden:

u1 (C t , 1−N t )= Λ t , (1.42a)

u2 (C t , 1−N t )= Λ t w t , (1.42b)

Λt =β Λt +1 (1−δ +r t +1) (1.42c)

Utilizando las condiciones de equilibrio del mercado de factores (1.39) para

sustituir w t ,y r t +1y aplicando el teorema de Euler a F,

Y t =ZF ( A t N t , K t )=Z At F 1 ( A t N t , K t ) N t + Z F 2 ( A t N t , K t ) K t

las ecuaciones (1.42) se reducen a

u2 ( Ct ,1−N t )
=Z A t F1 ( At N t , K t ) .
u1 (Ct ,1−N t )
 12

u1 ( C t ,1−N t )
=β (1+δ +ZF 2 ( A t +1 N t +1 , K t +1 ) ) ,
u1 (Ct +1 ,1−N t +1)

K t +1=ZF ( At N t , K t ) + ( 1−δ ) K t−C t (1.43c)

17
Aquí utilizamos el hecho de que los beneficios de las empresas son nulos. En general,
debemos incluir los beneficios que las empresas distribuyen a sus accionistas.

Este sistema es idéntico a las condiciones de primer orden que derivamos para el
modelo de Ramsey (1.31) en las ecuaciones (1.33) y (1.34) con la restricción de
recursos igual a (1.43c). Así, la trayectoria temporal de equilibrio de la economía
descentralizada es óptima en el sentido de que maximiza la utilidad de todos los
hogares dada la restricción de recursos de la economía. Por otra parte, un
planificador benévolo que resolviera el problema de Ramsey (1.31) podría aplicar
esta solución en términos de un equilibrio competitivo. Simplemente tiene que
elegir trayectorias temporales de los salarios y los tipos de alquiler iguales a las
secuencias de equilibrio de los respectivos productos marginales.

1.5 Calibración y evaluación del modelo

La tarea del análisis numérico del GED consiste en obtener una solución
aproximada del modelo en cuestión y utilizar esta solución para estudiar las
propiedades del modelo. Para ello, es necesario asignar valores específicos a los
parámetros del modelo. En esta sección ilustramos tanto la etapa de calibración
como la de evaluación con la ayuda de un ejemplo que presentamos en la
siguiente subsección.

1.5.1 El modelo de referencia

El ejemplo 1.5.1 presenta nuestro modelo de referencia. Modelos más o menos

similares aparecen, entre otros, en los trabajos de HANSEN (1985), por KING,
PLOSSER y REBELO (1988a), y por PLOSSER (1989). Se trata de una versión
reducida del célebre modelo de KYDLAND y PRESCOTT (1982), que recibieron el
Premio Nobel de Economía 2004 por su contribución a la teoría de los ciclos
económicos y la política económica. El modelo proporciona un marco integrado
para estudiar las fluctuaciones económicas en una economía en crecimiento.
Dado que representa una economía sin dinero, pertenece a la clase de modelos
de ciclos económicos reales. La economía está habitada por un consumidor-
productor representativo que obtiene utilidad del consumo C t y del ocio 1−N t y
 13

utiliza el trabajo N t y servicios de capital K t para producir el producto YY t . El

progreso técnico que aumenta la mano de obra a la tasa determinista a> 1 explica
el crecimiento de la producción. Las perturbaciones estacionarias de la
productividad total de los factores Zt provocan desviaciones de la trayectoria de
crecimiento equilibrado de la producción. Se han utilizado modelos similares para
demostrar que los principios económicos elementales pueden explicar una parte
sustancial de las fluctuaciones económicas observadas. En los siguientes
capítulos aplicaremos varios métodos para resolver este modelo. De este modo,
sirve como punto de referencia para comparar el rendimiento de distintos
algoritmos.

Ejemplo 1.5.1
_________________________________________________________
Considere el siguiente modelo estocástico de Ramsey. El agente representativo
resuelve:

max E0 ¿ ¿
C0 , N0

β ∈( 0 ,1),θ ≥ 0 , η>θ/(1+θ) ,

s.t.

K t +1+ Ct ≤ Z t ( A t N t )1−∝ K ∝t + ( 1−δ ) K t , αϵ(0,1)=¿ At +1=a A t , a ≥1 ,

ln Z t +1=ϱln Z t + ϵ t +1 , ϱϵ ( 0,1 ) , ϵ t N (0 , σ 2 )
0 ≤C t
0 ≤ K t +1
} ∀t

K 0 , Z 0 dado.

__________________________________________________________________
___

Condiciones de primer orden. Desde el Lagrangean

L=: E 0 ¿

derivamos las siguientes condiciones de primer orden

 14

0=C−n
t ¿,

0=θC 1−n
t ¿,

0=K t +1−( 1+δ ) K t −C t−Z t ( At N t )1−∝ k ∝t

0= Λt −β E t Λt +1 ( 1−δ +∝ Z t+1 ( A t+1 N t +1) k ∝−1

t +1 )

En términos de variables estacionarias λ t ≔ A t Λ t , c t ≔C t / At y k t ≔ K t / At este

n

sistema es:

0=c−n
t ¿ (1.45a)

0=θc1−n
t ¿ (1.45b)

0=ak t +1−( 1−δ ) k t −C t−Z t N 1−∝

t k ∝t (1.45c)

∝−1
0=λt −β a−n Et λ t+1 ( 1−δ +∝ Z t +1 N 1−∝
t +1 k t +1 ) (1.45d)

Solución estacionaria. A partir de estas ecuaciones podemos obtener la senda

de crecimiento equilibrado de la contraparte determinista del modelo. Para ello
suponemos que el choque de productividad es igual a su media incondicional Z ≡1
para todos los períodos. Esto nos permite eliminar el operador de expectativas Et

de la ecuación (1.45d). Dado que N t y todas las variables escaladas son

constantes en el largo plazo, encontramos la solución estacionaria si
despreciamos los índices temporales de todas las variables. Esto da como
resultado: 18

N 1−∝ N 1−α k α 1−α y

= = , (1.46a)
1−N θ c θ c

1=βa−n (1−δ +α N 1−α k α −1) (1.46b)

(
1=βa−n 1−δ +∝ ( ky )),
y N 1−∝ k ∝ c
= = +( a+δ −1) .(1.46c)
k k k
 15

1.5.2 Calibración PARTE 3 (VALENTIN)

Definiciones. En este libro utilizamos el término calibración para el proceso por el

que los investigadores eligen los parámetros de sus modelos de GED a partir de
varias fuentes. Las formas más comunes son:

18
La ecuación (1.46a) se deriva de la ecuación (1.45b) tras la sustitución de λ de la
ecuación (1.45a).

1. el uso de medias de series temporales de los niveles o ratios de las variables

económicas,
2. la estimación de las ecuaciones individuales,
3.referencia a estudios econométricos basados en datos macroeconómicos o
microeconómicos,
4.calibrar los parámetros para que el modelo replique ciertos hechos empíricos
como los segundos momentos de los datos o los impulsos de autoregresión
vectorial estructural.

COOLEY y PRESCOTT (1995) y GOMME y Rupert (2007) ofrecen muy buenas

descripciones de este proceso. Otros autores, por ejemplo Canova (2007), p. 249
y DEJONG con DAVE (2007), p. 248ff, utilizan el término calibración en el sentido
de una metodología empírica que implica los siguientes pasos:

1. seleccionar una cuestión económica,

2. decidir sobre un modelo de GED para abordar esta cuestión,

3. elegir las formas funcionales y los parámetros de este modelo,

4. resolver el modelo y evaluar su calidad,

5. proponer una respuesta.

En este sentido, el calibrado es un programa de investigación empírica distinto de

la econometría clásica. Un modelo econométrico es una descripción probabilística
completamente especificada del proceso que puede haber generado los datos que
se van a analizar. El conjunto de herramientas econométricas se emplea para
estimar este modelo, hacer inferencias sobre su validez, proporcionar previsiones
y evaluar determinadas medidas de política económica.

La distinción entre calibración y econometría clásica se demuestra más fácilmente

con la ayuda del ejemplo 1.3.2. La función de política para el stock de capital del
 16

próximo período es

K t +1=αβ Z t K ∝t . (1.47)

A partir de esta ecuación podemos derivar un modelo econométrico de una sola

ecuación una vez que especifiquemos las propiedades estocásticas del shock de
productividad Zt . Dado que, empíricamente, el stock de capital es una serie

temporal con clara tendencia al alza, podríamos suponer que ln Z t es un proceso

estocástico estacionario de diferencia con deriva positiva a , es decir
1. el uso de medias de series temporales de los niveles o ratios de las variables
económicas,
2. la estimación de ecuaciones únicas,
3. la referencia a estudios econométricos basados en datos macroeconómicos o
microeconómicos,
4. calibración de los parámetros para que el modelo reproduzca ciertos hechos
empíricos como los segundos momentos de los datos o las respuestas al impulso
de las auto regresiones vectoriales estructurales.
Cooley y Prescott (1995) y Gomme y Rupert (2007) ofrecen muy buenas
descripciones de este proceso. Otros autores, por ejemplo, Canova (2007), p. 249 y
DeJong con Dave (2007), p. 248ff, utilizan el término calibración en el sentido de una
metodología empírica que implica los siguientes pasos:

1. Seleccionar una pregunta económica,

2. decidir un modelo de GED para abordar esta cuestión,
3. elegir las formas funcionales y los parámetros de este modelo
4. resolver el modelo y evaluar su calidad,
5. proponer una respuesta.
En este sentido, el calibrado es un programa de investigación empírica distinto de la
econometría clásica. Un modelo econométrico es una descripción probabilística
totalmente especificada del proceso que puede haber generado los datos que se
van a analizar. El conjunto de herramientas econométricas se emplea para estimar
este modelo, hacer inferencias sobre su validez, proporcionar previsiones y evaluar
determinadas medidas de política económica.

La distinción entre calibración y econometría clásica se demuestra más

fácilmente con la ayuda del ejemplo 1.3.2. La función de política para el stock de
capital del próximo período es

K t +1=αβ Z t K αt (1.47)
 17

A partir de esta ecuación podemos derivar un modelo econométrico de una sola

ecuación una vez que especifiquemos las propiedades estocásticas del choque de
productividad Zt Dado que, empíricamente, el stock de capital es una serie temporal

con clara tendencia al alza, podríamos suponer que ln Z tes un proceso estocástico
estacionario de diferencia con deriva positiva a, es decir

ln Z t+1 −ln Z t =α + ϵ t

donde ϵ t es un proceso no correlacionado serialmente con media E( ϵ t )=0 varianza

E(ϵ 2t )=σ 2. Entonces, la ecuación (1.47) implica

ln K t +1−ln K t=α +α (ln K t −ln K t −1 )+ϵ t

Se trata de un proceso autorregresivo de primer orden en la variable

x t :=ln K t−ln K t−1. El método de los mínimos cuadrados ordinarios proporciona
estimaciones consistentes de los parámetros a , α ∧σ 2. No debería sorprender que
los datos suelan rechazar este modelo. Por ejemplo, utilizando datos trimestrales
para el stock de capital alemán, obtenemos una estimación de α de
aproximadamente 0,89 y de a=0.00058. Sin embargo, si el capital se ve
recompensado por su producto marginal, α debería ser igual a la participación del capital
en la renta, que es de aproximadamente 0,27 (véase más adelante). Además, a debería
ser igual a la tasa de crecimiento trimestral de la producción, que - entre 1974 y 1989 -
fue unas diez veces mayor que nuestra estimación de esta ecuación. Además, las
pruebas estándar de términos de error libres de homocedasticidad y autocorrelación
rechazan ambos supuestos, lo que es un signo adicional de un modelo mal
especificado. La opinión de que los modelos DGE son demasiado simples para
proporcionar un marco de investigación econométrica no significa que sean inútiles. En
palabras de Edward Prescott (1986), p. 10:

Los modelos construidos en este marco teórico son necesariamente muy

abstractos. En consecuencia, son necesariamente falsos, y las pruebas
estadísticas de hipótesis los rechazarán. Esto no implica, sin embargo, que
no se pueda aprender nada de estos ejercicios teóricos cuantitativos.

Ya hemos demostrado cómo podemos utilizar el modelo del ejemplo 1.3.2 para
"ejercicios teóricos cuantitativos" en la sección 1.2.5, donde construimos la
distribución del stock de capital implícita en el modelo. Para este ejercicio
 18

fijamos α =0.27 y β=0.994 . Más adelante explicaremos en qué consideraciones

se basa esta elección. En este punto debe ser suficiente para reconocer que
estos valores no se derivan de la función de política estimada para el capital,
sino que se basan en los promedios de las series temporales.

La calibración en el sentido de ejercicios teóricos con base empírica es el principal

uso de los modelos de GED. Sin embargo, también existe un conjunto importante de
trabajos más recientes que emplean técnicas econométricas -como los métodos
basados en el momento y la verosimilitud- para estimar modelos DGE. Dado que
nos centramos en las soluciones numéricas, remitimos al lector interesado a los
libros de De Jong con Dave (2007) y Canova (2007) que cubren la aplicación de
técnicas econométricas a la estimación de modelos DGE.

Elección de parámetros para el modelo de referencia. Comenzamos con el

supuesto de que los datos económicos reales fueron producidos por el modelo del
Ejemplo 1.3.2. Para tener en cuenta la naturaleza de agente representativo del
modelo, es habitual escalar los datos por el tamaño de la población, si procede.
Dado que el modelo del ejemplo 1.5.1 muestra fluctuaciones en torno a un estado
estacionario, un procedimiento válido para seleccionar los parámetros clave del
modelo es utilizar los promedios de las series temporales a largo plazo.

Utilizamos datos económicos trimestrales desestacionalizados para la economía de

Alemania Occidental durante el período comprendido entre 1975.i y 1989.iv.19
Limitamos nuestra atención a este período por dos razones. En primer lugar, entre
1960.i y 1975.i la propensión media al consumo de Alemania Occidental, c/y,
presenta una clara tendencia al alza. Si la economía alemana hubiera estado en una
senda de crecimiento equilibrado, esta relación habría sido constante. Sin embargo,
el paso de calibración requiere que el supuesto de estado estacionario sea
aproximadamente cierto. En segundo lugar, la unificación alemana en el otoño de
1990 es ciertamente una ruptura estructural que viola el supuesto de estado
estacionario para el periodo posterior a 1989.

En el equilibrio estacionario de nuestro modelo, la producción por hogar crece al

ritmo del progreso técnico que aumenta el trabajo a-1. Así, podemos deducir a a
partir del ajuste de una tendencia temporal lineal al producto interior bruto a precios
de los factores per cápita. Esto da a=1,005, lo que implica una tasa de crecimiento
trimestral del 0,5%. El segundo parámetro de la tecnología de producción, \alpha, es
igual a la participación del salario medio en el producto interior bruto a precios de los
factores. La contabilidad nacional no presenta datos sobre los ingresos salariales de
 19

los autónomos. Sin embargo, desde el punto de vista de la teoría económica, este
grupo de hogares también recibe rentas salariales, además de rentas de capital.

Para tener en cuenta este hecho, suponemos que los autónomos ganan un salario
igual al salario medio de los asalariados. Por lo tanto, obtenemos una cuota salarial
más alta de 1−α=0.73 que la cifra comúnmente utilizada de 0,64. El tercer
parámetro que describe la tecnología de producción de la economía es la tasa de
depreciación δ . Calculamos esta tasa como la relación media entre la depreciación
real trimestral y el stock de capital trimestral20 En comparación con la cifra de 0,025
utilizada habitualmente para la economía estadounidense21 nuestra cifra de
δ =0.011 es mucho menor. Con estos parámetros a mano, podemos deducir el
choque de productividad Zt a partir de la función de producción utilizando las series

temporales del producto interior bruto a precios de los factores Y t , de las horas H t y

el stock de capital K t :

Yt
Zt =
((1.005) H t )0.73 K 0.27
t
t

Dado que nuestra especificación del proceso de Markov para Zt implica

19 normalmente, se toma la economía estadounidense para este fin. Pero como esta economía ha
sido objeto de numerosos modelos de ciclo económico real, nos parece interesante utilizar una
economía que difiere en varios aspectos.

ln Z t=ϱln Z t−1 +ϵ t ,

donde ln Z t ≈( Zt −Z)/ Z , ajustamos un proceso AR(1) a la desviación porcentual de Zt

respecto a su media. De este modo se obtienen nuestras estimaciones de
ϱ=0.90 y de σ=0.0072.

No es posible determinar todos los parámetros que describen las preferencias del
hogar representativo sólo a partir de las series temporales agregadas. El parámetro
crítico a este respecto es la elasticidad de la utilidad marginal del consumo −η. Los
estudios microeconómicos aportan pruebas de que esta elasticidad varía tanto con las
características demográficas observables como con el nivel de riqueza. Browning,
Hansen y Heckman (1999) sostienen que, si se impone la constancia de este
parámetro en toda la población, no hay pruebas sólidas de que η sea ligeramente
superior a uno. Utilizamos η=2 lo que implica que el hogar desea un
 20

perfil de consumo más suave que en el caso de η=1, es decir, el caso de

preferencias logarítmicas, que se ha utilizado en muchos estudios. La razón de esta
elección es que un η mayor reduce la variabilidad de la producción, las horas de
trabajo y la inversión y, por tanto, proporciona una mejor correspondencia entre el
modelo y las respectivas variables macroeconómicas alemanas.

Una vez hecha la elección de η hay varias posibilidades para seleccionar el valor del
factor de descuento β . La primera alternativa utiliza la relación media observada
(trimestral) entre capital y producción k / y para resolver β a partir de la ecuación
(1.46b). En nuestro caso, esto viola la restricción β >1. King, Plosser y Rebelo
(1988a), p. 207, equiparan la tasa media de rendimiento del capital a α (k / y )−δ en

(1.46b) y resuelven para β a−η. Otros estudios, por ejemplo, Lucke (1998), p. 102,
toman el tipo de interés real ex post de los bonos a corto plazo como estimadores de
α (k / y )−δ en la ecuación (1.46b). El rendimiento medio anual del índice bursátil DAX
de Alemania Occidental fue de aproximadamente el 8,5%, el del índice FAZ del
11,5%, y el tipo de interés real ex post de los bonos del mercado monetario a tres
meses de aproximadamente el 2,7%. Dados a y θ , utilizamos β=0.994 , lo que implica
una rentabilidad anual ligeramente superior al 6,5%. La última elección se

20Para ello, construimos una serie trimestral del stock de capital a partir de datos anuales
sobre el stock de capital y datos trimestrales sobre la inversión y la depreciación utilizando
el método del inventario perpetuo. Los detalles de este enfoque pueden encontrarse en el
programa de Gauss GetPar1.g.

21Véase, por ejemplo, King, Plosser y Rebelo (1988a), p. 214 y Plosser (1989), p. 75.

refiere al parámetro de preferencia θ . Utilizamos la condición (1.46a) y elegimos

θ de forma que N=0.13, que es la fracción media trimestral de 1440=16 X 90 horas
dedicadas al trabajo por el típico empleado alemán. Obsérvese que muchos otros
estudios ponen N=1 /3 argumentando que los individuos dedican unas 8 horas
diarias a las actividades del mercado. 22 Sin embargo, nosotros consideramos que el
individuo típico es una media sobre el total de la población, incluidos los niños y los
jubilados. Por lo tanto, encontramos una fracción mucho menor de una jornada de
dieciséis horas dedicada a actividades de obtención de ingresos. El cuadro 1.1
resume nuestra elección de parámetros.

1.5.3 Evaluación del modelo

 21

Ya hemos señalado anteriormente que, aunque existen pruebas econométricas

formales de los modelos DGE, no son la forma típica de

Tabla 1.1

Preferencias Producción
β=0.994 a=1.005 α =0.27
η=2.0 δ =0.011 ϱ=0.90
N=0.13 σ =0.0072

evaluar estos modelos.23 En cambio, es común calcular las respuestas al impulso y

los segundos momentos de estos modelos y compararlos con las respectivas
contrapartes empíricas.

Respuestas de impulso. Las respuestas a los impulsos son las desviaciones de

las variables del modelo con respecto a su solución estacionaria que se producen
tras una perturbación puntual que afecta a la economía. La figura 1.6 muestra la
respuesta de varias variables, medida en desviaciones porcentuales de sus valores
estacionarios. Se calculan a partir del programa de Gauss Benchmark_LL.g.

La trayectoria temporal de la productividad se muestra en el panel superior

izquierdo. Viene dada por

ln Z t+1 =ϱln Z t + ϵ t +1

En el período t=1 la economía se encuentra en su equilibrio estacionario. En el

periodo t=2 la productividad total de los factores aumenta. Fijamos ϵ t igual a una

desviación estándar para t=1 y a cero a partir de entonces. Dado que ln Z t está

altamente autocorrelacionado ( ϱ=0.9), Zt se mantiene por encima de Z=1 durante

muchos períodos. La productividad superior a la media eleva el salario real y el
hogar representativo sustituye el ocio por el consumo, de modo que las horas de
trabajo aumentan (véase el panel superior derecho de la figura 1.6). Tanto el
aumento de la productividad como la oferta adicional de mano de obra impulsan la
producción. Los gastos de inversión son, con mucho, los que más reaccionan. Para
ver esto, observe que la ordenada de los cuatro paneles de la Figura 1.6 tiene la
misma escala. Para entender la reacción de la inversión, hay que tener en cuenta
que el hogar quiere distribuir
 22

Figura 1.6: Respuestas al impulso en el modelo de referencia

la renta extra obtenida en el periodo t=1 para suavizar el consumo. En

segundo lugar, el hogar anticipa unos tipos de interés reales más altos en el
futuro, ya que el aumento de la productividad también eleva el futuro producto
marginal del capital, lo que supone un incentivo adicional para invertir. Dado
que los gastos de inversión son una pequeña parte del stock de capital
existente ( I /K =δ en el estado estacionario), sólo observamos un modesto
aumento del capital en forma de joroba en el cuarto panel. Sin embargo, la
oferta de capital superior a la media explica que los salarios reales sigan
siendo elevados incluso después de que el choque de productividad haya
desaparecido casi por completo.

El gráfico 1.7 muestra las respuestas al impulso de un modelo vectorial autorregresivo

(VAR) estimado a partir de los mismos datos trimestrales que utilizamos para calibrar
los parámetros de nuestro modelo de referencia. Para maximizar los grados de
 23

libertad, utilizamos el período de muestra comprendido entre 1960.i y 1989.iv para el

que se dispone de datos coherentes.

Las variables del modelo son (en este orden) el producto interior bruto real a precios
de los factores per cápita y, el consumo privado real per

Figura 1.7:
Respuestas al
impulso de un
VAR estimado
cápita c, el
gasto de
inversión real
per cápita i y las
horas de trabajo
per cápita n. El
VAR se estimó con dos rezagos según el criterio de
información de Schwarz. Se utilizaron variables filtradas por HP para eliminar la
tendencia aparente de los datos. La identificación del choque de productividad se
logró colocando y en la parte superior y utilizando la factorización Cholesky de la
matriz de covarianza de los residuos estimados para obtener choques ortogonales.
 24

Los límites de confianza del 95 por ciento (las líneas discontinuas de la figura 1.7) se
obtuvieron a partir de un procedimiento bootstrap.2424

Al igual que nuestro modelo teórico, los gastos de inversión muestran la mayor
amplitud. Según nuestro modelo, la relación entre el aumento máximo de la inversión
y el aumento máximo de la producción es de aproximadamente cinco. Sin embargo,
en las respuestas al impulso estimadas en la figura 1.7, esta relación es sólo de dos.
Hay otra diferencia sorprendente entre el modelo y los datos. En el modelo, el
aumento máximo de todas las variables se produce en el periodo del choque. En los
datos, el aumento máximo de la producción, la inversión y las horas de trabajo tiene
lugar en el período posterior al choque que afectó a la economía. El hecho de que el
modelo de referencia no reproduzca este patrón en forma de joroba ha sido motivo de
preocupación entre los investigadores desde que lo señalaron por primera vez Cogley
y Nason (1995).

Segundos momentos PARTE 4 (CRISTIAN). Una segunda herramienta típica para

evaluar los modelos de EQUILIBRIO GENERAL DINÁMICO (GED) a pequeña escala
consiste en comparar los segundos momentos de las series temporales obtenidas a
partir de simulaciones del modelo con los de los respectivos agregados
macroeconómicos. La mayoría de estos agregados tienen una tendencia ascendente
que debe eliminarse para que las series temporales sean estacionarias. La mayoría
de las aplicaciones someten los registros de estos agregados al filtro de Hodrick-
Prescott o, abreviado, HP, que describimos con más detalle en la sección 12.4. El
componente cíclico de una serie temporal que devuelve el filtro es entonces la
desviación porcentual de la serie original de su componente de tendencia HP. La
solución de nuestro modelo consiste en trayectorias temporales de variables
estacionarias x t := X t / A t, donde X t , denota el nivel de la variable respectiva. Por lo
tanto, dada nuestra especificación de la evolución del progreso técnico que aumenta
la mano de obra,

At +1=a A t ⟺ A t =A 0 at ,

Podemos recuperar las trayectorias temporales de los registros de los niveles de

ln X t=ln x t + ln A t=ln xt +ln A 0 +at .

24
24Los lectores que no estén familiarizados con los modelos autorregresivos vectoriales estructurales
pueden consultar, por ejemplo, Amisano y Giannini (1997), Canova (2007), capítulo 4, Favero (2001),
capítulo 6 o Hamilton (1994), capítulos 10 y 11. El programa de Gauss SVar.g y el conjunto de datos
utilizados para esta estimación pueden descargarse de la parte web de este libro.
 25

Para obtener resultados comparables, debemos aplicar el filtro HP a ln X t. Sin

embargo, podemos obviar el cálculo de ln X t, ya que, como demostramos en

12.4, el componente cíclico de ln x t es igual al componente cíclico de ln X t.

La tabla 1.2 muestra los resultados de la resolución y la simulación del modelo del
ejemplo 1.5.1 utilizando el método de solución logarítmica lineal más utilizado que
describimos en el capítulo 2.

Los momentos del modelo son las medias de 500 simulaciones. La longitud de la serie
temporal simulada es igual al número de observaciones trimestrales desde 1975.i
hasta 1989.iv. Al principio del primer trimestre, la economía de nuestro modelo se
encuentra en su senda de crecimiento equilibrado. En éste y en los 59 trimestres
siguientes se ve afectada por choques de productividad que impulsan el ciclo
económico.

Consideremos la coincidencia entre los datos y las series temporales del modelo. Las
cifras del cuadro 1.2 revelan resultados bien conocidos. El modelo es capaz de
reproducir el hecho de que la inversión es más volátil que la producción y el consumo,
pero exagera este hecho estilizado del ciclo económico. El consumo es demasiado
suave en comparación con su homólogo empírico. Las autocorrelaciones, sin
embargo, se ajustan bastante a los datos. Las correlaciones cruzadas entre la
producción y las demás variables son casi perfectas en el modelo, lo que contrasta
con las correlaciones cruzadas encontradas en los datos.

El desajuste bastante evidente entre los datos y las series temporales artificiales
puede deberse a dos fuentes distintas. En primer lugar, no hemos intentado construir
agregados a partir de las cuentas nacionales de renta y producto (CNP) que sean
coherentes con la

Tabla 1.2

Variable sx τ xy τx

Salida 1.44 1.00 0.64

(1.44) (1.00) (0.80)

Inversión 6.11 1.00 0.64

(2.59) (0.75) (0.79)

Consumo 0.56 0.99 0.66

 26

(1.18) (0.79) (0.84)

Horas 0.77 1.00 0.64

(0.78) (0.40) (0.31)

Salario real 0.67 0.99 0.65

(0.17) (0.41) (0.91)

Notas: Valores empíricos de los datos alemanes filtrados por HP entre paréntesis. s x:=desviación
estándar de la serie simulada filtrada por HP de la variable x, τ xy :=correlación cruzada de la variable x
con la salida, τ x :=autocorrelación de primer orden de la variable x.
definición de producción, capital y trabajo en nuestro modelo. En segundo lugar, el
modelo de referencia puede ser demasiado simple para dar cuenta de los hechos
empíricos.

Cooley y Prescott (1995) y Gomme y Rupert (2007) presentan buenas cuentas de la

medición consistente. Consideremos sólo dos ejemplos. El primero se refiere al
consumo, el segundo al stock de capital.

En nuestro modelo, el consumo es el flujo de bienes no duraderos, mientras que la

NIPA alemana sólo informa de la suma de los gastos trimestrales en bienes de
consumo duraderos y no duraderos. Desde el punto de vista de nuestro modelo, los
bienes de consumo duraderos son bienes de capital, y sus compras representan
gastos de inversión. Dado que el modelo predice que estos últimos son más volátiles
que el consumo, no debería sorprender que el agregado de consumo tomado de la
NIPA sea más volátil que la serie de consumo de nuestro modelo. Como segundo
ejemplo, tomemos el stock de capital. Como nuestro modelo no tiene en cuenta
explícitamente el sector público, nuestra medida del stock de capital incluye el stock
público de capital. Sin embargo, la NIPA no proporciona datos sobre la depreciación
de las infraestructuras públicas. En consecuencia, nuestra medida de la tasa de
depreciación del capital está sesgada a la baja. Sin embargo, si los costes de uso del
capital son menores, el incentivo de los hogares para la sustitución intertemporal
aumenta y la inversión se vuelve más volátil. Por ejemplo, si aumentamos δ de 0,011 a
0,025, la relación entre las desviaciones estándar de la inversión y la producción
disminuye de aproximadamente 4,3 a 3,5, lo que está mucho más cerca de la relación
empírica de 2,3.

Para entender en qué aspectos nuestro modelo de referencia puede ser demasiado
simple, consideremos las condiciones de primer orden del hogar con respecto al
 27

consumo y a la oferta de trabajo que figuran en la ecuación (1.45a), que también

puede escribirse como

α
w t :=(1−α ) Z t N−α
t kt ,

θ (1−η)
−1
w t :=θ λ−1 /n
(1−N t ) η .
t

La primera línea postula que el salario real por unidad de eficiencia de trabajo w t es

igual al producto marginal del trabajo efectivo N t . Para un determinado stock de capital
k t, esta relación define un programa de demanda de mano de obra con pendiente
descendente (véase la figura 1.8). La segunda línea define una

Figura 1.8: Choque de productividad en el modelo de ciclo económico de

referencia

programa de oferta de trabajo con pendiente ascendente para un multiplicador fijo λ t.25

Un choque de productividad que eleve Z de Zt a Z2 desplaza el programa de demanda

de trabajo hacia afuera. El equilibrio en el mercado laboral requiere salarios más altos
y, como resultado, el hogar representativo suministra más horas. Por lo tanto, el
impacto inmediato de la perturbación es aumentar el salario real, las horas y la
producción. Como el consumo corriente es un bien normal, aumenta como
consecuencia del aumento de la renta corriente. La inversión aumenta por varias
25
Nótese que restringimos η a η>θ /(1+θ) para que la función de utilidad de un período sea
estrictamente cóncava.
 28

razones: En primer lugar, el consumo futuro y el ocio futuro son bienes normales. Por
lo tanto, el hogar quiere gastar parte de su mayor renta actual en el consumo y el ocio
futuros. Así pues, el hogar quiere gastar una parte de su renta actual en el consumo y
el ocio futuros, y acumula su stock de capital en los próximos periodos para que la
producción futura sea potencialmente mayor. En segundo lugar, dado que el choque
de productividad está muy autocorrelacionado, el hogar espera una reutilización del
capital superior a la normal. Así, todas las variables del modelo se mueven
estrechamente junto con los ingresos que, a su vez, son impulsados por un único
choque. En realidad, sin embargo, puede haber otros choques. Por ejemplo, pensemos
en un choque de preferencias que desplace la curva de oferta de trabajo hacia la
izquierda. Ese choque aumenta el salario real y reduce el empleo y la producción.
Como consecuencia, la estrecha correlación positiva entre la producción, las horas y el
salario real se afloja.

En los capítulos siguientes se verá cómo estas y otras extensiones ayudan a acercar
los datos artificiales a los empíricos. Antes de cerrar este capítulo, presentamos una
visión general de las técnicas de solución que se introducirán en los capítulos
siguientes y las relacionamos con las diferentes caracterizaciones de la solución de
un modelo presentadas en las secciones anteriores.

1.6 Métodos de solución numérica

Hemos visto en las secciones 1.2.4 y 1.3.3 que sólo los modelos DGE muy especiales
admiten una solución exacta. Por tanto, normalmente debemos recurrir a métodos
numéricos que proporcionan soluciones aproximadas. ¿Cuáles son las ideas
generales que subyacen a estas soluciones y cómo podemos determinar lo cerca que
están de la solución verdadera pero desconocida? Las dos subsecciones siguientes
abordan estas cuestiones.

1.6.1 Caracterización

Caracterizamos las soluciones a lo largo de dos dimensiones (véase el cuadro 1.3).

En primer lugar, distinguimos entre las técnicas que proporcionan soluciones
aproximadas a las ecuaciones de Euler del modelo y los métodos que proporcionan
aproximaciones a las funciones políticas del modelo. En segundo lugar, distinguimos
los métodos locales de los globales. Los métodos locales utilizan información sobre el
modelo real en un punto determinado del espacio de estados del modelo. Uno de
 29

esos puntos, por ejemplo, es el equilibrio estacionario. Los métodos globales

incorporan información de todo el espacio de estados del modelo.

Existe una larga tradición en matemáticas para caracterizar la solución de un sistema

de ecuaciones de diferencia no lineal localmente por la

Tabla 1.3

Métodos locales Métodos globales

Ecuaciones de Euler

Log-linear approximation Ruta extendida

Chapter 2 Capítulo 3

Iteración de la función de
Función de política

Aproximación LQ, valor

Aproximación de segundo Capítulo 4,

orden
Expectativas parametrizadas
Capítulo 2
Capítulo 5,
Métodos de proyección

dinámica de un sistema lineal, ya que los sistemas lineales admiten una solución
exacta. Los métodos presentados en el capítulo 2 se basan en esta tradición.
Linealizan (o log-linealizan) las ecuaciones de Euler del modelo y resuelven el
sistema lineal resultante utilizando técnicas conocidas de álgebra lineal. Así se
obtienen aproximaciones lineales a las funciones políticas del modelo.

La aproximación LQ está estrechamente relacionada con este enfoque. El modelo

lineal-cuadrático (LQ) presenta una función de utilidad cuadrática de un periodo y una
función de transición lineal que relaciona el estado actual del sistema con el estado
del sistema en el siguiente periodo. La aproximación LQ incorpora todas las
restricciones no lineales del modelo en la función de utilidad de un período y obtiene
una expansión cuadrática en serie de Taylor de esta función en el equilibrio
 30

estacionario del modelo. A continuación, resuelve las funciones políticas lineales de

este modelo aproximado.

Es bien sabido por el cálculo que cualquier función suficientemente diferenciable

puede ser aproximada arbitrariamente por una expansión en serie de Taylor alrededor
de un punto dado en su dominio. Las aproximaciones de segundo orden (o incluso de
orden superior) de las funciones políticas del modelo se basan en este resultado.
Infieren las magnitudes de las funciones (parciales) derivadas en esta expansión a
partir de las propiedades del modelo en la solución estacionaria.

El método de la trayectoria ampliada, que consideramos en el capítulo 3, sustituye el

sistema de ecuaciones de diferencia formado por las ecuaciones de Euler del modelo
por un sistema de ecuaciones no lineal grande, pero de dimensiones finitas. En el
caso estocástico se resuelve repetidamente un sistema de ecuaciones determinista
relacionado para trazar la trayectoria temporal del modelo bajo una determinada
secuencia de choques.

En el capítulo 4 consideramos los métodos que aproximan el espacio de estados del

modelo mediante una rejilla de puntos numerable. En esta cuadrícula es
relativamente fácil calcular Los métodos considerados en los capítulos 5 y 6 recurren
al análisis funcional. El enfoque de las expectativas parametrizadas reconoce que las
expectativas condicionales del agente son funciones invariantes en el tiempo de las
variables de estado del modelo y aproxima estas funciones mediante funciones
polinómicas o redes neuronales. Los parámetros de la función de aproximación se
determinan utilizando información de todo el espacio de estado del modelo. Los
métodos de proyección aproximan las funciones políticas predominantemente
mediante familias de polinomios ortogonales. También utilizan información global. El
valor y la función política asociada mediante operaciones matemáticas elementales.

1.6.2 Precisión de las soluciones

¿Cómo podemos comparar las soluciones obtenidas con distintos métodos y decidir
cuál utilizar? En esta subsección consideramos tres criterios diferentes.

Segundos momentos. En la medida en que nos interesa el tipo de evaluación del

modelo considerado en la sección 1.5, los segundos momentos de las series
temporales obtenidos al simular el modelo proporcionan una primera referencia. Por
esta razón, cada uno de los capítulos siguientes proporciona los resultados de la
solución del modelo de referencia del ejemplo 1.5.1. Nuestras simulaciones utilizan la
misma secuencia de perturbaciones, de modo que las diferencias en los resultados
 31

pueden atribuirse a las diferencias en el procedimiento de solución. Al igual que en

Heer y Maußner (2008), nosotros encontrará que no hay diferencias notables en los
segundos momentos que favorecen los métodos globales más avanzados sobre los
locales unos.

Residuos de la ecuación de Euler. Sin embargo, existen considerables diferencias

con respecto a una medida de precisión conocida como residuos de la ecuación de
Euler. Para desarrollar esta medida introduciremos un marco más general.

Supongamos que queremos aproximar una función h: X → Y que mapea el

subconjunto X de Rn en el subconjunto Y de R. La función h está implícitamente
definido por la ecuación funcional

G(h) = 0.

El operador G: C1 → C2 mapea los elementos de la función espacio C1 al espacio

funcional C2. Ejemplos de ecuaciones funcionales son la ecuación de Bellman (1.14)
del crecimiento determinista modelo y la ecuación de Euler del modelo de crecimiento
estocástico (1,24). La función desconocida del primero es la función de valor. v (K), la
función de política h (K, Z) es la desconocida de esta última. Suponga que hemos
encontrado una aproximación h. Entonces, para cada x ∈ X podemos calcular el
residual

R(x): = G(ˆh(x)).

Dado que ˆh se aproxima a h, R (x) en general no será igual a cero, y podemos usar el
valor absoluto máximo de R sobre todo x ∈ X como medida de la bondad de nuestra
aproximación. Por ejemplo, supongamos que ˆh (K) denota una solución aproximada
de la función de política del stock de capital del período siguiente en el determinista
modelo de crecimiento. Entonces, podemos calcular el residuo de Euler ecuación
(1.12) de
 32

Una definición más interpretable del residuo de la ecuación de Euler es debido a

Christiano y Fisher (2000). En el contexto de la ecuación (1.12) está dado por

Por lo tanto, ˜R (K) es la tasa a la que se tuvo que aumentar el consumo ˜ C por
encima del consumo dado por la función de política ˆh con el fin de entregar un residuo
de la ecuación de Euler igual a cero.

En Heer y Maussner (2008) encontramos para el punto de referencia modelar que

tanto el camino extendido como el método de proyección proporcionar resultados muy
precisos. La aproximación de segundo orden de las funciones de política también
ofrece buenos resultados y superan las soluciones obtenidas de la iteración de la
función de valor y la parametrización enfoque de expectativas. Las soluciones menos
precisas son aproximaciones lineales de las funciones de política.

Estadística DM. Los residuos de la ecuación de Euler se pueden calcular para

modelos DGE tanto deterministas como estocásticos. La medida propuesta por Den
Haan y Marcet (1994) se relaciona con el estocástico solo modelos. Proponen calcular
los residuales et a partir de las ecuaciones de Euler del modelo a lo largo de una
trayectoria de tiempo simulada. Por ejemplo, si ˆh (Kt, Zt) es la función de política
aproximada del siguiente período capital social en el modelo estocástico de Ramsey
en la ecuación (1.22), está dado por
 33

Con expectativas racionales, este error de pronóstico no debe corregirse. Con la

observación pasada. Esta afirmación puede comprobarse mediante gressing e t de
variables retardadas. Los coeficientes estimados deben ser estadísticamente
insignificante. Proporcionamos los detalles de esta prueba en la Sección 12.3. El
estadístico de prueba, el llamado estadístico DM, 27 se distribuye asintóticamente
como una variable χ 2 . Si esta prueba rechaza nulo de independencia, esto puede
deberse a una Solución que da lugar a errores sistemáticos de previsión ex-
post. Guarida Haan y Marcet (1994) proponen ejecutar un gran número de
simulaciones del modelo y para registrar las simulaciones donde el El estadístico DM
es menor que el valor crítico del 2.5 por ciento o mayor que el valor crítico del 97,5 por
ciento. 

De una buena solución esperamos que alrededor del 5 por ciento de las simulaciones
caigan en estas dos regiones

Apéndice 1: PARTE 5 (JILMER)

Solución al ejemplo

1.2.1Derivamos la solución del ejemplo

1.2.1 usando iteraciones sobre el valor función.

Entonces, dejando v 0 = 0 resolvemos

 34

Con límite s → ∞ igual a

K ' = αβK α.
Obviamente, a partir de los dos primeros pasos, la función de valor es una función
lineal.
de lnK. Para inferir los parámetros de v: = lim s → ∞ v s, usamos el método de
coeficientes indeterminados.
Este método postula una forma funcional para la solución con parámetros conocidos,
que también se denominan coeficientes indeterminados.
La función parametrizada se inserta en las ecuaciones que se describiendo nuestro
modelo y resolviendo los coeficientes desconocidos. Por lo tanto, suponga v = a + blnK
con a y b coeficientes aún indeterminados.
 35

Resolviendo

Apéndice 2: Restricciones de tecnología y preferencias

Aquí derivamos formalmente las restricciones que debemos imponer a la tecnología y

preferencias para asegurar la existencia de un camino de crecimiento equilibrado. Nos
basamos en gran medida en el Apéndice de King, Plosser y Rebelo (1988) y, como
Solow (1988), p. 35f., Definir un camino de crecimiento equilibrado como un equilibrio
que presenta (ver página 35)
1. una tasa constante de crecimiento de la producción,
2. y una participación constante de los ahorros en la producción.
Tecnología. La participación constante de los ahorros S t en la producción implica que
la producción y el capital deben crecer al mismo ritmo: utilizando la economía
restricción de recursos, encontramos:
 36

Entonces, si S t / Y t es constante, entonces debe ser Y t / K t y, por lo tanto, la salida y
el capital debe crecer al mismo ritmo.
Ahora, consideremos el caso general del aumento de capital y trabajo.
progreso técnico:

En el primer caso, el progreso técnico es puramente un aumento de la mano de obra y

para g F ≡ 1 debemos tener g X = 1, lo que implica g K = ag N . Ahora, en nuestro
marco de agente representativo con un tamaño de población constante, N está
acotado entre cero y uno. Por lo tanto, una tasa constante de capital y el crecimiento
de la producción requiere g N = 1 (de lo contrario, N → 1 o N → 0). Por lo tanto, la
producción y el capital crecen a la tasa de trabajo que aumenta progreso técnico a - 1.
Para que la proporción de ahorros se mantenga constante, el consumo también debe
crecer a este ritmo. Ahora considere el segundo caso. Para
 37

Sin embargo, la única forma funcional con elasticidad constante es

f (X) = ZX α
con Z una constante arbitraria de integración. Por lo tanto, la salida debe ser
dado por una función Cobb-Douglas
Y = F (AN, BK) = BK (f (AN / BK)) = BKZ (AN / BK) α
= Z (AN) α (BK) 1 − α.
Sin embargo, si F es Cobb-Douglas, el progreso técnico siempre se puede escribir
como
puramente aumentador de trabajo, ya que

Preferencias Considere la ecuación (1.34) que determina la decisión de ahorro. Lo

reproducimos aquí por conveniencia:
u 1 (C t , 1 - N t )
 38

u 1 (C t + 1, 1 - N t + 1) = β (1 - δ + F 2 (A t + 1 N t + 1 , K t + 1 )). (A.2.2)

En una senda de crecimiento equilibrado con una oferta constante de mano de obra, el
derecho lado de esta ecuación es una constante, ya que A t y K t crecen en el misma
tasa y F 2 (AN, K) = F 2 (N, K / A). En ese camino el recurso la restricción está dada
por

C t = F (A t N t , K t ) + (1 - δ) K t - K t + 1

= A t [F (N, K / A) + (1 - δ) (K / A) - a (K / A)].

Dado que el término entre paréntesis es constante, el consumo crece al ritmo a - 1, y

podemos escribir:
C t = C 0 a t.
En la ecuación de la trayectoria de crecimiento equilibrado (A.2.2), por lo tanto, se
puede escribir como:
u 1 (C 0 una t, 1 - N)
u 1 (C 0 una t + 1, 1 - N) = ∆ = constante.
Esto debe mantenerse independientemente de la constante arbitraria
C 0. Diferenciación ing con respecto a C 0 produce

El término entre llaves es cero, si la elasticidad de la marginal utilidad de consumo (u

11 / u1) C, es una constante, digamos −η. Integrando

En ambos lados da
 39

donde v 1 es una función arbitraria del ocio 1 - N. Integrando una vez más con
respecto a los rendimientos de C

Las restricciones sobre las funciones v 1 y v 2 se derivan de la condición estática

sobre la oferta de trabajo en la ecuación (1.33). Recuerde, esta condición es

u 2 (C t, 1 - N t)
u 1 (C t, 1 - N t) = A t F 1 (A t N t , K t ), en general, y
u 2 (C, 1 - N)
u 1 (C, 1 - N) = AF 1 (N, K / A)
a lo largo de la senda de crecimiento equilibrado. Escribe esto como

y diferenciar con respecto a C Y A. Continua

donde ξ denota la elasticidad de la utilidad marginal del ocio con respecto al

consumo. Dado que dC / C = dA / A a largo plazo, esto condición restringe ξ a
Usando (A.2.3) esto implica que

 v 2 (1 - N) es una constante en el caso de η = 1,

 v 1 (1 - N) es una constante en el caso de η = 1.
Al establecer las constantes respectivas iguales a cero y 1, respectivamente, se
obtiene
las formas funcionales de la función de utilidad de un período dadas en (1.35).
Problemas

1.1 Modelo de Ramsey de horizonte finito. Demuestre que el horizonte finito Ramsey
modelo establecido en (1.3) cumple con los supuestos del teorema de Kuhn-
Tucker1.1.1.

1.2 Modelo Ramsey de horizonte infinito con costos de ajuste. Estafa-Considere el

siguiente modelo de Ramsey: Una cepilladora ficticia maximiza
 40

∑t = 0β t ln C t , β ∈ (0, 1),sujeto a

K t + 1 = K 1 − δtYo δt , δ ∈ (0, 1),Yo t = K αt - C t , α ∈ (0, 1),K 0 dado.

Los símbolos tienen el significado habitual: C t es el consumo, K t es la acción del

capital, y t es la inversión.

a) Enuncie el lagrangiana de este problema y derive la condición de primer

ordenaciones de este problema. (Sugerencia: sustituya I t en la ecuación de transición
para el capital de la definición de I)

b) Suponga que la función de política del capital está dada por

K t + 1 = k 0 K k 1t .

Utilice esta ecuación para derivar las funciones de política para la inversión y
consumo.

c) Suponga que la función de política para el consumo se puede escribir como

C t = c 0 K c 1t .

Si esta suposición es cierta, ¿cómo se relacionan c 0, c 1, k 0 y k 1 con los valores del

modelo? parámetros α, ¿β y δ?

d) Sustituya las funciones de política en la ecuación de Euler para el capital.

Demuestre que las suposiciones hechas hasta ahora son válidas, si k 0 cumple
condición

k1 / δ0(k −α0- β (1 - δ)) = αβδ.

e) Demuestre que existe un k 0 único que resuelve esta ecuación.1.3 Un modelo

clásico de acumulación de capital. En la Sección 1.2.5, considera el problema.
 41

a) Utilice la programación dinámica para derivar las condiciones de primer orden

para este problema. (Sugerencia: use v (K 1, K 2) como función de valor, tenga
en cuenta que

K ′2 = δK 1,

y sustituto de K ′1 la limitación de recursos de la economía).

b) Demuestre que K 1t + 1 = sY t , donde s se determina a partir de

1 - s = [βa + β 2 (1 - a) δ 1 − η ] 1η ,resuelve este problema.

1.4 Programación dinámica y el modelo estocástico de Ramsey.

Las ecuaciones estocásticas de Euler del modelo de Ramsey (1.22) se dan en (1.24).

Utilice la programación dinámica estocástica como se considera en la Sección 1.3.3

para derivar estas condiciones.

1.5 Solución analítica del modelo de referencia. Considere el banco modelo de marca
del ejemplo 1.5.1. Suponga η = 1 para que el período actual la función de utilidad está
dada por

u (C t , N t ): = ln C t + θ ln (1 - N t ).

Además, suponga que δ = 1, es decir, depreciación total. Usa el método de

coeficientes indeterminados (ver Apéndice 1) para verificar que

k t + 1 = AZ t N 1 − αtk αt

con A por determinar, es la función de política para el capital del período siguiente
existencias. Muestre que las horas de trabajo N t son constantes en este modelo.

1.6 Un modelo con horario de trabajo flexible y solución analítica

 42

En la Sección 1.2.5 consideramos un modelo con costos de ajuste. Extendemos este

modelo a un modelo estocástico con oferta de trabajo endógena. Asumirla función de
utilidad del período actual

La ecuación de transición para el capital social es

K t + 1 = K 1 − δtYo δt , δ ∈ (0, 1).

La función de producción es

Y t = Z t N 1 − αtK αt.

Determine los coeficientes de las siguientes suposiciones para las funciones de

política para el consumo C t horas de trabajo N t, y el stock de capital del período
siguiente
 43

Capítulo 2 PARTE 6 (HANS)

Métodos de perturbación

Visión general. En el capítulo anterior hemos visto que la solución de un modelo DGE
con un agente representativo viene dado por un conjunto de funciones de política que
relacionan las variables de elección del agente con las variables de estado que
caracterizan el entorno económico del agente. En este capítulo exploramos métodos
que utilizan información local para obtener una aproximación lineal o cuadrática de la
función política del agente. Para ver lo que esto significa, recuerda del cálculo
elemental que una línea recta que es tangente a una función y = f (x) en x ∗ se
aproxima localmente a f: de acuerdo con El teorema de Taylor (consulte la sección
11.2.1) podemos escribir tipos de problemas, es mucho más fácil convertir su modelo
en el marco de SolveLQA. El tercer programa, SolveQA, calcula aproximaciones
cuadráticas de las funciones de política de un modelo DGE arbitrario. Varias
aplicaciones ilustran el uso de estos programas en la Sección 2.6.
 44

Probablemente menos conocido sea el siguiente resultado. Si xt = f (xt − 1) es una

ecuación en diferencia no lineal y ¯xt = f ′ (x ∗) ¯xt − 1, ¯xt = xt - x ∗ su aproximación
lineal en x ∗ definida por x ∗ = f (x ∗), entonces la solución del modelo lineal
proporciona una aproximación local de la solución de la ecuación no lineal.1 Métodos
de perturbación Descanse en estas observaciones. Como veremos, no se limitan a
aproximaciones lineales. Si f es n veces continuamente diferenciable, podemos usar
un polinomio en h de grado hasta n−1 para construir un modelo local de f.

En este capítulo consideramos principalmente aproximaciones lineales. Ellos son las

soluciones más utilizadas en investigación aplicada y son fácil de aplicar. Como verá
en capítulos posteriores, también proporcionan una primera conjetura para métodos no
locales más avanzados.

La siguiente sección considera modelos deterministas. En este contexto es

relativamente fácil de demostrar mediante un ejemplo (el modelo de Ramsey de la
Sección 1.2) que podemos obtener aproximaciones lineales a las funciones de política
ya sea resolviendo el linealizado

sistema de ecuaciones de Euler o aplicando la función implícita teorema a las

condiciones de estado estacionario del modelo. Usamos esto resultado para
proporcionar un procedimiento que calcule la solución de un modelo determinista con
n variables del linealizado sistema de ecuaciones de Euler.

Antes de pasar a la solución de modelos estocásticos DGE en Secciones 2.3 y 2.4,

consideramos un modelo donde la política lineal las funciones proporcionan una
solución exacta. Este es el lineal-cuadrático (LQ) descrito en la Sección 2.2. Dos
aproximaciones diferentes los métodos se derivan del problema LQ. El primer enfoque,
considerado en la sección 2.3, aproxima un modelo dado de modo que su retorno la
función es cuadrática y la ley del movimiento es lineal y resuelve el modelo
aproximado por iteraciones de función de valor. El segundo enfoque, tomado en la
Sección 2.4, se basa en una aproximación lineal de las ecuaciones de Euler del
modelo y resuelve el sistema resultante de ecuaciones en diferencias estocásticas
lineales.

Cerramos la parte metodológica de este capítulo en la Sección 2.5 con la

aproximación cuadrática de las funciones de política de un modelo DGE estocástico
arbitrario. El resultado final de las secciones 2.3 a 2.5 son tres programas: SolveLA y
SolveLQA compute Aproximaciones lineales tanto deterministas como estocásticas
Modelos DGE. La diferencia entre los dos programas es la forma en que debe
configurar su modelo. SolveLA es un propósito general rutina, mientras que SolveLQA
 45

se limita a modelos cuya solución puede ser obtenido resolviendo un problema de

cepillado central. Sin embargo, en algunos