Tendencias Estocásticas en modelos de Regresión Dinámica: Una Aplicación a la Relación Desempleo-Crecimiento en la Argentina

ABRIL, JUAN CARLOS; FERULLO, HUGO DANIEL; GAINZA CÓRDOBA, ANDREA

Córdoba

Congreso; VII Congreso Latinoamericano de Probabilidad y Estadística (CLAPEM), III Congreso Iberoamericano de Estadística y XXVI Coloquio Argentino de Estadística; 1998

Sociedad Argentina de Estadística

La forma en que los movimientos del producto nacional afectan al nivel de desempleo se ha convertido en una de las cuestiones macroeconómicas de mayor relevancia. Una forma sencilla de medir esta relación entre el crecimiento (caída) en el nivel de producción y la disminución (aumento) de la tasa de desempleo se encuentra en la llamada "ley de Okun", de acuerdo con la cual no es de esperarse, salvo condiciones muy especiales, que cada punto de crecimiento del producto traiga aparejado un punto de incremento en el empleo y, simultáneamente, una caída de un punto en la tasa de desempleo. La relación entre el crecimiento y el desempleo es un poco más compleja, y puede plantarse a través de la siguiente ecuación u_{t}-u_{t-1}=-ρ(g_{t}-c_{t}). Al formular econométricamente esta ecuación, este trabajo tiene en cuenta el hecho de que, si incluimos una tendencia determinística dentro de las variables explicativas, el modelo resultante será necesariamente muy restrictivo, en el sentido de que cualquier impulso de cualquier intensidad no tendrá efectos en el largo plazo, ya que todo retornará a su dada tendencia. La flexibilidad necesaria es introducida permitiendo que la tendencia evolucione a través del tiempo como un proceso estocástico. Nuestro enfoque se centra, entonces, en la introducción de una tendencia estocástica en el modelo de regresión, buscando tomar en cuenta los cambios estructurales de los últimos años en la economía argentina. Desde el punto de vista estadístico, el mecanismo clave para modelar una tendencia estocástica es la forma de espacio de estado. Esta forma permite que los parámetros desconocidos sean estimados vía la descomposición del error de predicción y que las predicciones sean computadas extendiendo el filtro de Kalman. Además, un algoritmo de suavizado basado en el enfoque de Kalman, puede ser usado para proveer un estimador óptimo de la tendencia en cada punto del período muestral.