universidad del salvador...(2008) y se las confirmó mediante el algoritmo de bry y boschan (1971),...

UNIVERSIDAD DEL SALVADOR

FACULTAD DE CIENCIAS ECONÓMICAS

INSTITUTO DE INVESTIGACIONES ECONÓMICAS

DOCUMENTO DE INVESTIGACIÓN Nº4

Noviembre de 2012

MARCELO TORCUATO DE ALVEAR 1335 C1058AAU CIUDAD DE BUENOS AIRES, ARGENTINA

TEL +5411-4811-1279 http://www.eco.usal.edu.ar

Gustavo Federico Martin

Predicción de Recesiones en Argentina

2

Documento de Investigación Nº4 Noviembre de 2012 IIE – FCE USAL

AUTORIDADES

RECTOR

Dr. Juan Alejandro Tobías

VICERRECTOR ACADÉMICO

Dr. Pablo Varela

VICERRECTOR ECONÓMICO

Dr. Fernando Lucero Schmidt

VICERRECTOR DE INVESTIGACIÓN Y DESARROLLO

Lic. Paula Ortiz, MBA

DECANO DE LA FACULTAD DE CIENCIAS ECONÓMICAS Mag. Sergio García

DIRECTOR DEL INSTITUTO DE INVESTIGACIONES ECONÓMICAS

Mag. Juan Miguel Massot

3


Predicción de Recesiones en Argentina

Gustavo F. Martin*

Instituto de Investigaciones Económicas Facultad de Ciencias Económicas

Universidad del Salvador

Resumen

En este artículo se presentan dos modelos probit, uno simple y otro dinámico, para la estimación de fechas de recesiones en tiempo real, en base al uso de variables con capacidad predictiva para anticipar las fases del ciclo para Argentina con periodicidad mensual. El trabajo concluye que estos procedimientos no sólo pronostican con precisión dentro del análisis in-sample, si no también cuando se evalúa out of sample.

Palabras clave: Indicadores Líderes, Predicción, Ciclos, Probit.

Abstract

This article presents two probit models, one simple and one dynamic for estimating dates of recessions in real time based on the use of predictive variables to predict cycle phases for Argentina monthly. The paper concludes that these procedures not only accurately predict within the in-sample analysis, but also when evaluating out of sample.

Keywords: Leading Indicators, Forecast, Business Cycles, Probit JEL: E32, C32, C50

* Instituto de Investigaciones Económicas, Universidad del Salvador. Este trabajo expresa exclusivamente las opiniones y juicios de valor del autor, los cuales no necesariamente reflejan los de la Universidad del Salvador, la Facultad de Ciencias Económicas, el Instituto de Investigaciones Económicas, ni los de sus autoridades. Igualmente, el autor agradece los oportunos comentarios y sugerencias de Juan Miguel Massot y Héctor Rubini. Todo error y/u omisión subyacente es de exclusiva responsabilidad del autor.

4


Índice

Página

1. Introducción y motivación 5

1.1 Objetivo 6

2. Modelo Probit y Modelo Probit Dinámico 7

3. Pronosticando las recesiones 8

3.1. Datos 8

3.2. Selección de Indicadores Macroeconómicos 8

4. Resultados 10

5. Conclusiones 15

6. Bibliografía 15

5


1. Introducción y motivación

“Prediction is very difficult, especially if it's about the future.”

Niels Bohr

Tanto la política económica, como las decisiones de los inversores y las del resto de los agentes de la

economía, requieren de información precisa a nivel macro y microeconómico. Dentro de esta información precisa, se encuentran las previsiones acerca del futuro de la actividad económica en general. Dado que la incertidumbre genera un fuerte componente estocástico en cualquier modelo de predicción, se vuelve necesaria la creación de modelos que reduzcan la misma con el mayor tiempo de antelación posible. Uno de los aspectos más importantes de la previsión macroeconómica es la de lograr una predicción lo más exacta posible de los puntos de inflexión en el ciclo de negocios. Esta tarea es, sin embargo, también una de las más difíciles, no sólo debido a las “no linealidades” en las interrelaciones de las variables de actividad económica, sino también por el importante grado de incertidumbre de los datos macroeconómicos debido a rezagos y correcciones en la información-.

Desde la contribución de Burns y Mitchell (1946) en su trabajo para comprender mejor los factores

determinantes de los ciclos en la actividad económica, se ha investigado, a lo largo de los años la capacidad de las variables macroeconómicas y financieras para predecir la evolución futura de estos ciclos por medio de una variedad de técnicas paramétricas y no paramétricas. Entre tales investigaciones, se destacan las de Harvey (1989), Stock y Watson (1989), Estrella y Hardouvelis (1991) Bernanke (1990), Estrella y Mishkin (1998), Bernand y Gerlach (1998), Estrella, Rodríguez y Schich (2003), Wright (2006), Haltmeier (2008), Rudebusch y Williams (2009), entre otros.

Asimismo, en las últimas décadas se ha generado un mayor interés en el análisis de las fluctuaciones

cíclicas específicas de cada país y del mundo en su conjunto que ha acrecentado su público debido a la integración de los mercados que hace que algunos países (por ejemplo EE.UU, Eurozona, China) afecten el ciclo económico de otros (Brasil, Argentina, etc.). El modelado y seguimiento de los ciclos económicos de varios países, tanto a nivel individual como dentro de un conjunto de países, ha generado, recientemente, una amplia literatura, sobre todo porque la idea de expansiones y contracciones recurrentes ha sido formalizada en modelos no lineales. Ejemplos de estos son los modelos de umbrales de Tong (1990) y Granger y Teräsvirta (1993), así como la técnica de cambio de estados mediante una matriz de Markov de Hamilton (1989). Dentro de las técnicas no lineales surgen los modelos probit dinámicos que proporcionan potentes herramientas para el modelado de los cambios recurrentes de fase (expansión / recesión), por lo que resultan útiles para calcular la probabilidad de ocurrencia de un punto de inflexión en las series, como en Zarnowitz (1996) y Milas y otros (2006).

Una de las complicaciones más importantes para el desarrollo de estos modelos es, como señalan

Stark y Croushore (2002), que los indicadores de la economía real se encuentran sujetos a significativos rezagos de información y revisiones. Sobre el particular, Rudebusch y Williams (2009) advierten que las estimaciones finales del PIB trimestral de los Estados Unidos sólo están disponibles alrededor de tres meses de finalizado cada trimestre. La disponibilidad de datos a tiempo es menor a medida que el país analizado posee un sistema de estadísticas menos avanzado, lo que dificulta la utilización de datos para las predicciones en tiempo real. En la Argentina, el Estimador Mensual de Actividad Económica (EMAE) elaborado por el INDEC tienen 50 días de retraso respecto del mes de referencia y el PIB del trimestre recién se encuentra disponible 30 días después de darse a conocer el EMAE que cierra el trimestre1.

1 Una vez publicado el PIB, se corrige la serie del EMAE para que coincidan puesto que esta última es una estimación de los distintos sectores económicos a partir de información parcial, provisoria y con algunas fuentes diferentes de las utilizadas para el PIB. El objetivo del EMAE es de orientar sobre el curso de la actividad económica real de manera mensual.

6


La literatura sobre predicción de ciclos en la Argentina incluye los trabajos de Cerro y Jorrat (2000) y Centro de Investigaciones en Finanzas de la Universidad Torcuato Di Tella (CIF – UTDT, 1999) que se basan en el trabajo del Conference Board sobre indicadores líderes en Estados Unidos. En un trabajo previo (Martin, 2008) se utilizó la metodología del Chicago Fed National Activity Index que es un indicador en tiempo real (esto es del mes de corriente) de la actividad económica.

En el caso de Cerro y Jorrat (2000), los autores construyen un índice coincidente, que daría una idea

de donde se encuentra el ciclo económico en el mes de referencia, y un índice líder, que anticiparía la dirección futura de la economía dado que el comportamiento de la economía varía con anticipación al ciclo. Asimismo, siguen a Neftci (1982) y Diebold and Rudebusch (1989) para estimar las probabilidades mensuales de cambio de fase del ciclo. En rigor, la función de distribución de probabilidad del índice líder cambia con la aparición de un punto de giro en la economía (esto es el pico del ciclo). En definitiva, el trabajo de Cerro y Jorrat (2000) se basa en reconocer la fecha en que el cambio en la densidad de la probabilidad ocurre y de esta manera predecir los cambios de fase en el ciclo.

Los indicadores líder, coincidente y retrasado producidos por el CIF – UTDT siguen en mayor detalle

el trabajo del Conference Board. El uso de tres indicadores, uno para pronosticar (líder), otro para asegurar (coincidente) y finalmente uno para confirmar (retrasado), permiten una mayor seguridad en la datación de una recesión. Asimismo, el CIF – UTDT, sigue la regla de las D (Duration, Depth and Difussion – duración, profundidad y difusión) para tratar de eliminar las señales de recesión falsas ya que estos indicadores suelen tener movimientos propios que finalmente no se trasladan al resto de la economía. Finalmente, para estimar la probabilidad de recesión, el CIF – UTDT sigue, igual que Cerro y Jorrat (2000), la metodología de probabilidades recursivas de Diebold y Rudebush (1989) que refinan el método de Neftci (1982).

Si bien estos trabajos cumplen en indicar de manera precisa las recesiones, tienen sus propias

particularidades que hacen necesario estudiar nuevas formas de estimación. Por caso, el trabajo de Martin (2008) utiliza pronósticos de las variables que componen el indicador final. En dicho trabajo, se utiliza hasta 95 variables públicas de la economía argentina que hacen que el indicador varíe mes a mes hasta el cierre definitivo de las mismas. Por su parte, los indicadores líderes (tanto en el de Cerro y Jorrat como en el del CIF-UTDT), suelen generar una gran cantidad de señales falsas cuya frecuencia es menester disminuir, de otro modo todavía queda espacio para que la incertidumbre ponga en duda las predicciones del modelo. De esta manera, a veces la datación del cambio de fase recesión dista de ser precisa y luego debe reconfirmarse con el indicador de actividad oficial meses más tarde cuando la noticia ya es vieja. Asimismo, las señales que emiten los indicadores líderes son difíciles de interpretar, a menudo confusas y tampoco existe un consenso sobre qué regla es la mejor para interpretar las señales. Otra desventaja, es que la cantidad de períodos con que anticipan un punto de giro tiende a variar de recesión en recesión. Esto acarrea como consecuencia problemas para los agentes que deban tomar decisiones ya que la imprecisión de las mismas evita que se tomen decisiones óptimas2.

1.1 Objetivo El objetivo de este trabajo es la construcción de un modelo que indique, de manera anticipada, la

probabilidad de ocurrencia de un punto de inflexión en el ciclo económico argentino a través de variables que se anticipen al mismo y cuyo comportamiento se traslade, luego, al resto de la economía. A los efectos, se utilizará un probit dinámico, por su sencillez de cálculo y por lo intuitivo de sus resultados, que se compone de series económicas que detenten cierto poder predictivo para anticipar el inicio o final de las recesiones.

Con el fin de predecir las recesiones, es necesario, en primer lugar, establecer las fechas de referencia

de los ciclos económicos anteriores, que serán el objeto de pronóstico del modelo probit. Dado que no existe

2 Ver por ejemplo la discusión en Martin (2008).

7


un organismo oficial o privado que brinde fechas ampliamente aceptadas se utilizaron las fechas de Martin (2008) y se las confirmó mediante el algoritmo de Bry y Boschan (1971), las mismas se destacan en la Tabla 1. Estas resultan muy parecidas a las de Cerro y Jorrat (2000) y del CIF-UTDT para el período 1993-2011.

2. Modelo Probit y Modelo Probit Dinámico En el modelo probit se asume una variable latente subyacente πt para la que existe una realización

dicotómica de un indicador yt que denota la ocurrencia, o no, de un evento. Se asume que la variable yt representa el estado de la economía, por lo que en este caso, es la serie recesiones obtenida por Martin (2008), que toma el valor 1 si la economía se encuentra en una recesión, y nulo si está en expansión:

si

siYt

1

0

0

0

t

t

(1)

Se asume que el ciclo de negocios comienza al mes siguiente de finalizada la recesión (valle – último

dato de crecimiento de negativo) y finaliza en el siguiente valle. Si el tiempo tn—1 es el valle del ciclo de negocios n-1, entonces se denotan las fechas de estos ciclos como t ε (tn—1+1,…, tn—1, tn).

La variable yt posee distribución de Bernoulli condicionada al conjunto de información Ωt-1.

)(~/ 1 ttt pBy (2) En la distribución de Bernoulli, si Et-1 (·) y Pt-1 (·) son la esperanza condicional y la probabilidad

condicional de un evento dado el conjunto de información Ωt-1, pt es la probabilidad condicional que yt tome el valor 1.

tttttt pyPyE 111 (3) En el caso del modelo probit estándar la función que relaciona la ecuación del modelo en πt con la

probabilidad condicional pt es la función de distribución normal estándar Φ (·), donde πt es la función lineal de las variables incluídas en el conjunto de información Ωt-1.

En este trabajo se utilizará, en primer lugar, la especificación estática (4) que usaron Estrella y

Hardouvelis (1991), Estralla y Mishkin (1998) y Bernard y Gerlach (1998) para calcular la probabilidad de recesión de Estados Unidos en base a la serie binaria del National Bureau of Economic Research3 (NBER).

tKtmt S 0 (4)

donde St-K es el conjunto de series líderes, K es la cantidad de períodos que la series utilizadas adelantan al ciclo, y los βm (m=1,…,M) son los coeficientes de regresión. El error εt se distribuye de manera normal e independiente. Sin embargo, Dueker (1997) destaca que una falencia de este tipo de estimaciones es la estimación estática podría estar mal especificada dado que no toma en cuenta la estructura autorregresiva de la serie binaria de fases del ciclo. Ello significa agregar la variable binaria rezagada como parámetro del modelo. Por lo tanto, en este trabajo se considera un modelo probit dinámico donde además los parámetros del modelo pueden variar a través de los distintos ciclos de negocios,

3 El NBER es un organismo privado que fue creado a los efectos de medir el ciclo de negocios en Estados Unidos, por lo que economistas lo toman como referencia.

8


ttKtmt yS 10 (5)

donde el coeficiente autorregresivo|θ|

9


regular a partir de 1993, se utilizaron series para las que cuenten con datos desde enero de 19956. Asimismo, se busca que estas variables cumplan con las siguientes condiciones7: 1- La covarianza de las series seleccionadas con la actividad económica (en este trabajo con el EMAE) es mayor para períodos rezagados que contemporáneos. 2- Consistencia temporal: las series no varían su fase en el ciclo. 3- Significado económico: el comportamiento de las series debe ser económicamente lógico, no debe contener saltos, variaciones inesperadas ni observaciones perdidas. 4- Adecuación estadística: los datos deben ser recolectados de manera estadísticamente consistentes. 5- Suavidad: los datos no deben evidenciar comportamiento errático. 6- Disponibilidad mensual en tiempo real, esto es, con poco atraso, no más de 2 meses de modo de contribuir al riguroso seguimiento periódico de la economía.

Se consideraron un gran número de series macroeconómicas como posibles candidatas. Más de un

centenar fueron seleccionadas como candidatas potenciales para predecir el ciclo económico argentino. Como primer paso, se realizó un análisis de la fiabilidad de los datos y aquello que presentaban cambios insalvables en su cálculo subyacente o metodologías de recolección fueron excluidos del análisis. El resto de las variables se han seleccionado de acuerdo con: a) la frecuencia en la que se libera; b) tamaño de la muestra - varias series nuevas que podrían ser buenos candidatos sólo comenzaron a ser recogidas en los últimos años y, por lo tanto, no contienen suficientes observaciones para un análisis histórico de series de tiempo, c) su actualidad con el fin de permitir el análisis en tiempo real. Las series fueron desestacionalizadas mediante el método TRAMO-SEATS.

Para seleccionar y clasificar las variables que se anticipan a los ciclos económicos, todas las series se

transformaron para lograr estacionariedad y luego fueron clasificadas de acuerdo a:

1- su capacidad de causar a la Granger el crecimiento de la actividad económica real;

2- su capacidad marginal predictiva del crecimiento de la actividad económica real,

3- su relación bivariada con el EMAE - la correlación cruzada en el dominio del tiempo y,

4- su capacidad para prever los picos y valles de los ciclos de negocios argentinos. Finalmente, las variables para incluir en el modelo para calcular las probabilidades de recesión en base

al EMAE son:

6 Ver nota anterior. 7 Estas condiciones surgen a partir de los estudios realizados por Jorrat (2005), CIF UTDT (1999) y The Conference Board (2001).

10


Tabla 2: Variables

Producción de la industria metalmecánica

INDEC

Fabricación de acero crudo (miles de toneladas)

INDEC

Fabricación de vehículos automotores de carga y pasajeros (miles)

ADEFA

Importaciones de bienes de capital (en miles de U$S)

INDEC

Importaciones de piezas y accesorios para bienes de capital (en miles de U$S)

INDEC

Índice de precios al consumidor INDEC, Congreso de la Nación

El nivel del índice de precios al consumidor entra a modo de penalizador de las otras variables, ya que

no es de por sí una variable que sea cíclica y que cumpla con las condiciones anteriormente mencionadas, pero corrige los aumentos de las otras variables por desplazamientos de la demanda agregada generada por la política fiscal que impera desde 2003 que tiende a “inflar” las series tanto en términos nominales como reales. Por caso, se puede advertir en Martin (2008) que en períodos de alta inflación el indicador de actividad INA-USAL muestra crecimiento por encima del histórico promedio y si bien varias de las series pueden evidenciar crecimiento, el caso de estanflación podría no estar debidamente contemplado en el indicador.

4. Resultados

La figura 1 muestra las probabilidades de recesión (línea negra) en base a las variables del modelo

probit simple. Las barras grises representan las recesiones según el EMAE8. En la figura se observa que el modelo ajusta relativamente bien. Incluso, en los momentos de crisis, como la del Sudeste Asiático (1997) y la rusa (1998), la señal emitida por el modelo indica una probabilidad alta de ocurrencia de recesión (P>50%) sin llegar a constituir un falso positivo (P>60%). También, el modelo captura, el breve período entre la recesión de 1999 y la crisis de 2000. No obstante, si bien la señal no termina de caer lo suficiente (P

11


Figura 1: Recesiones y Probabilidad de Recesión en tiempo real – Probit Simple

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

En

e-96

Ago

-96

Mar

-97

Oct

-97

May

-98

Dic

-98

Jul-

99

Feb

-00

Sep

-00

Ab

r-01

No

v-01

Jun

-02

En

e-03

Ago

-03

Mar

-04

Oct

-04

May

-05

Dic

-05

Jul-

06

Feb

-07

Sep

-07

Ab

r-08

No

v-08

Jun

-09

En

e-10

Ago

-10

Mar

-11

Oct

-11

Fuente. INDEC y cálculos propios.

Tal como se aprecia en la figura 2, la probabilidad de recesión, tomada con datos de seis meses de

antelación, aumenta conforme la tasa interanual de variación del EMAE (sin estacionalidad) cae. En rigor, las variables de la Tabla 2 poseen una capacidad casi perfecta9 para anticipar problemas en la economía y para predecir recesiones con un horizonte de seis meses. Asimismo, los períodos de expansión o de menor crecimiento, son capturados con precisión.

9 Por el momento no se ven señales falsas, aunque hubo aumento de la probabilidad que luego cae durante 1997-1998 como se ve en la figura 1.

12


Figura 2: EMAE y Probabilidad de Recesión en tiempo real – Probit Simple

-20,0

-16,0

-12,0

-8,0

-4,0

0,0

4,0

8,0

12,0

16,0

20,0

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

ene-

96

ene-

97

ene-

98

ene-

99

ene-

00

ene-

01

ene-

02

ene-

03

ene-

04

ene-

05

ene-

06

ene-

07

ene-

08

ene-

09

ene-

10

ene-

11

Prob. Recesión EMAE - Var. anual % (d) EMAE - Tasa promedio 1995-2011 (d)


En la figura 3 se detallan las probabilidades de recesión del modelo probit dinámico, es decir

incluyendo la variable explicativa como rezagada. En general, el modelo genera un ajuste preciso de la ocurrencia de recesión utilizando datos con seis meses de anticipación. Asimismo, tampoco genera falsos positivos, esto es que la probabilidad de recesión supere el 60% y que no haya ocurrido la misma, ni falso negativos, que la probabilidad sea inferior al 40% y que haya ocurrido.

Una de las contribuciones principales del método propuesto es el de obtener previsiones de recesión más precisas en tiempo real, esto es al momento en que uno obtiene los indicadores necesarios para estimar el modelo, que los modelos de umbrales o cadenas de Markov mencionados en la Introducción. Teniendo en cuenta que las variables del modelo se obtienen con seis meses de anticipación (K=6), excepto el dato de recesión rezagado (K=1), es posible calcular probabilidades en base a escenarios construidos de manera ad hoc asignándole valores específicos a las series utilizadas de modo de plantear situaciones hipotéticas relevantes para el análisis. Por caso, el hecho que las series de actividad oficiales se encuentran cuestionadas hace que se dude en aplicar modelos sobre las mismas, no obstante, en este caso, al tratarse de series que no se encuentran por ahora cuestionadas y que la variable de recesión /expansión puede ser creada artificialmente o a partir de otras series (privadas) más fidedignas, hacen de esto una ventaja sobre otros modelos de predicción como los indicadores líderes.

13


Figura 3: Recesiones y Probabilidad de Recesión en tiempo real – Probit Dinámico

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

En

e-96

Ago

-96

Mar

-97

Oct

-97

May

-98

Dic

-98

Jul-

99

Feb

-00

Sep

-00

Ab

r-01

No

v-0

1

Jun

-02

En

e-03

Ago

-03

Mar

-04

Oct

-04

May

-05

Dic

-05

Jul-

06

Feb

-07

Sep

-07

Ab

r-08

No

v-0

8

Jun

-09

En

e-10

Ago

-10

Mar

-11

Oct

-11


A continuación, se pone a prueba la capacidad del modelo para producir resultados confiables a futuro. Con ese motivo, se corrió el modelo probit para el período julio de 1995 a diciembre de 2007 y se calcularon las probabilidades de recesión para el período enero 2008 a diciembre de 2011 con los parámetros anteriores. Los resultados no difieren significativamente del modelo con la muestra completa. Como se puede observar en las figura 4 y 5, el modelo capta con los parámetros del modelo “in sample”10 la recesión de noviembre 2008 a junio de 2009 con mínimas diferencias, que apenas ocurren a partir del segundo decimal.

10 Un modelo “in sample” implica que se utilizaron todos los datos de la muestra, en contraposición, “out of sample” es cuando se calcula el modelo hasta cierto porcentaje de la muestra (en series de tiempo hasta T periodos antes del final de la muestra) y se calcula la predicción del modelo para las observaciones que quedaron fuera del ajuste del modelo. De esta manera, se busca estimar el error de predicción de dicho modelo.

14


Figura 4: Pronóstico de Recesiones – Probit

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

En

e-96

Ago

-96

Mar

-97

Oct

-97

May

-98

Dic

-98

Jul-

99

Feb

-00

Sep

-00

Ab

r-01

No

v-0

1

Jun

-02

En

e-03

Ago

-03

Mar

-04

Oct

-04

May

-05

Dic

-05

Jul-

06

Feb

-07

Sep

-07

Ab

r-08

No

v-0

8

Jun

-09

En

e-10

Ago

-10

Mar

-11

Oct

-11


Figura5: Diferencias en los Pronósticos “out of sample”

-0,0080

-0,0060

-0,0040

-0,0020

0,0000

0,0020

0,0040

0,0060

0,0080

0,0100

0,0120

En

e-08

Mar

-08

May

-08

Jul-

08

Sep

-08

No

v-0

8

En

e-09

Mar

-09

May

-09

Jul-

09

Sep

-09

No

v-0

9

En

e-10

Mar

-10

May

-10

Jul-

10

Sep

-10

No

v-1

0

En

e-11

Mar

-11

May

-11

Jul-

11

Sep

-11

No

v-1

1

Fuente. Cálculos propios.

15


5. Conclusiones En este trabajo se proponen dos modelos probit para predecir recesiones en Argentina. El primero es

un probit simple que calcula las probabilidades de recesión en base a indicadores que reaccionan al ciclo de manera adelantada. El segundo es una versión ampliada del modelo probit mediante el componente autorregresivo que mejora la calidad de la estimación en tiempo real. Para pronósticos se destaca el uso del modelo simple como suficiente aunque el modelo extendido permite crear escenarios más alejados en el tiempo a partir de la generación de datos de recesiones o expansiones. Asimismo, los modelos propuestos son particularmente adecuados para la economía argentina ya que toman en cuenta la inestabilidad de los parámetros y la corta duración de las fases de los ciclos económicos en este país.

Ambos modelos probit señalan correctamente todas las recesiones11. Asimismo, el modelo

autorregresivo filtra mejor las posibles señales falsa y los episodios donde la probabilidad aumenta porque las variables utilizadas indican que existen problemas en estos sectores pero que no se llegan a transmitir a toda la economía como para declarar una recesión. La mejora en el desempeño comparativo del modelo probit extendido indica la importancia de considerar la dinámica autorregresiva y la inestabilidad de parámetros en la estimación de las probabilidades de recesión.

6. Bibliografía Bernand, H. & Gerlach, S. (1998). Does the term structure predict recessions? The international evidence. International Journal of Finance and Economics 3.

Bernanke, B. (1990). On the predictive power of interest rates and interest rate spreads. New England Economic Review, Nov/Dic.

Bry, G. & Boshan, C. (1971). Cyclical analysis of time series: selected procedures and computer programs. NBER Technical Paper Nº 20.

Burns, A. F. & Mitchell, W. C. (1946). Measuring business cycles. NBER Book Series Studies in Business Cycles.

Centro de Investigación en Finanzas – Universidad Torcuato Di Tella (1999). Metodología del índice líder. http://www.utdt.edu/listado_contenidos.php?id_item_menu=6224.

Cerro, A. M. & Jorrat, J. M. (2000). Computing turning point monthly probability of the argentine economy according to the leading index. 1973-2000. Estudios de Economía. Vol. 27 - Nº 2.

Diebold, F. X. & Rudebusch G. D. (1999). Scoring the leading indicators. En Business Cycles, Duration, Dynamics and Forecasting (Capítulo 15:). Princeton University Press.

Dueker, M. (1997). Strengthening the case for the yield curve as a predictor of U.S. recessions. Federal Reserve Bank of St. Louis Review March/April.

Estrella, A. & Harduevelis, G. A. (1991). The term structure as predictor of real economic activity. Journal of Finance 46.

Estrella, A. & Mishkin, F. S. (1998). Predicting US recssions: Financial variables as leading indicators. Review of Economics and Statistics 80.

Estrella, A. & Rodríguez, A. P. & Schich, S. (2003). How stable is the predictive power of the yield curve: Evidence from Germany and the United States. Review of Economics and Statistics 85.

Granger, C. W. J. & Teräsvirta, T. (1993). Modelling non-linear economic relationships. Oxford University Press.

11 Estimadas, dado que no hay organismo oficial o privado que brinde fechas ampliamente aceptadas, no obstante, los trabajos citados publican fechas razonablemente cercanas unas de otras como para que existe una aceptación generalizada de estos ciclos económicos.

http://www.nber.org/booksbyseries/SBC.htmlhttp://econpapers.repec.org/RePEc:oxp:obooks:9780198773207

16


Haltmeir, J. (2008). Predicting cycles in economic activity. International Finance Discussion Paper 926, Board of Governors of the Federal Reserve System.

Hamilton, J.D. (1989). A new approach to the economic analysis of nonstationary time series and the business cycle. Econometrica, 57.

Harvey, C. (1989). Forecast of economic growth from the bond and stock markets. Financial Anlayst Journal, Vol 45, Nº5.

Jorrat, J.M. (2005). Construcción de índices compuestos mensuales coincidente y líder de argentina. Progresos en Econometria, Colección Temas, AAEP.

Martin, G. F. (2008). Índice de actividad a través del método de componentes principales: INA-USAL. Documento de Investigación Nº 1, Instituto de Investigaciones Económicas, Facultad de Ciencias Económicas, Universidad del Salvador.

Milas, C. & Rothman, P.& Van Dijk, D. (2006). Nonlinear times series analy-sis of business cycles. Elsevier.

Moneta, F. (2005). Does the yield spread predict recessions in the euro area. International Finance 8(2).

Neftci, S. (1984). Are economic time series asymmetric over the business cycle? Journal of Political Economy 92: 307-328 (Abril).

Rudebush, G. D. & Williams, J.C. (2009). Forecasting recessions: The puzzle of the enduring power of the yield curve. Journal of Business and Economic Statistics 27 (4).

Stark, T. & Croushore, D. (2002). Forecasting with a real-time data set for macroe conomists. Journal of Macroeconomics 24(4).

Stock, J. & Watson, M. (1989). New indexes of coincident and leading indicators. NBER Macroeconomics Annual, vol. 4, Blanchard y Fisher eds. MIT press, Cambridge MA.

The Conference Board (2001). Business Cycles Indicators Handbook. The Conference Board.

Tong, H. (1990). Non-linear time series: a dynamical system approach. Oxford University Press.

Valckx, N. & de Ceuster, M. J. K . & Annaert, J. (2002). Is financial market volatility infor mative to predict recessions? DNB Staff Report, 93.

Wright, J. H. (2006). The yield curve and predicting recesions. Technical report, Division of Monetary Affairs, Federal Reserve Board.

Zarnowitz, V. (1996). Business cycles: theory, history, indicators, and forecasting. The University of Chicago Press, Chicago.

universidad del salvador...(2008) y se las confirmó mediante el algoritmo de bry y boschan (1971),...

Documents