Escolar Documentos
Profissional Documentos
Cultura Documentos
Diciembre 2016
Resumen
Dado el rezago en que se publican las cifras del crecimiento del PBI, es importante contar
con indicadores lderes de la actividad economica que permitan conocer en tiempo real la
evolucion de la misma. Esto facilita la toma de decisiones de poltica economica. Por ello, en el
presente trabajo, construimos un indicador lder de la actividad economica peruana siguiendo
la metodologa de Aruoba et al. (2009). Este indicador es extrado como un componente
no observable que explica el co-movimiento de seis variables: produccion de electricidad,
consumo interno de cemento, IGV interno ajustado, ventas de pollo, produccion minero-
metalica y PBI real. La principal ventaja de este indicador esta en que puede actualizarse
con un rezago menor a una semana respecto al mes de interes, dada la naturaleza de las
variables que lo componen. Los resultados muestran una correlacion positiva de nuestro
indicador con el PBI real en alrededor de 85 %, lo que permite realizar el nowcasting del
crecimiento con un alto nivel de precision.
Los autores agradecen los comentarios de los participantes en el Seminario de Investigaci
on del BCRP y
del XXXIV Encuentro de Economistas del BCRP. Las opiniones vertidas en este documento son de estricta
responsabilidad de los autores y no necesariamente representan la opini
on del BCRP.
Jefe del Departamento del Programa Monetario, Banco Central de Reserva del Per u.
E-mail: fernando.perez@bcrp.gob.pe
Especialista del Departamento de Analisis de Coyuntura, Banco Central de Reserva del Per
u.
E-mail: omar.ghurra@bcrp.gob.pe
Especialista del Departamento de Analisis de Coyuntura, Banco Central de Reserva del Per
u.
E-mail: rodrigo.grandez@bcrp.gob.pe
1
1 Introduci
on
de poltica. Al conocer el estado actual de la economa, estos agentes pueden tomar decisiones
optimas de consumo-inversi
on y ejecutar polticas economicas adecuadas que le permitan a sus
En Per
u, la instituci
on oficial encargada de informar sobre la evolucion del PBI es el Ins-
tituto Nacional de Estadstica e Informatica (INEI). Estas cifras se presentan con un rezago
tomar decisiones de forma oportuna se requieren indicadores lderes (adelantados) que permitan
En el presente trabajo se busca construir un indicador lder de frecuencia mensual que refleje
La metodologa para construir el indicador es flexible a la naturaleza de los datos del Per
uy
permite actualizarse en tiempo real cuando los datos son publicados. La principal ventaja es
que la mayor parte de las variables que componen nuestro indicador se publican con un rezago
ese sentido, dado que se cuenta con libre acceso a todas las variables que este nuestro indicador,
es pertinente explorar las mismas con el fin de mejorar las mediciones y proyecciones de la
actividad econ
omica.
2
Asimismo, dado que el indicador es capaz de incorporar los datos mas recientes disponibles
de variables macroecon
omicas, este se puede emplear en la prediccion inmediata y proyeccion
de otras variables de interes tales como el PBI. As, el indicador mencionado servira como base
En particular, para el caso peruano existen diversos trabajos en relacion a indicadores lderes
de la actividad econ
omica. Escobal y Torres (2002) construyen un indicador lder compuesto
(ILC) en base a catorce variables que en conjunto pueden permitir una prediccion del PBI con
una anticipaci
on de hasta seis meses. Kapsoli y Bencich (2004), por su parte, utilizan un modelo
no lineal de redes neuronales para construir un indicador lder a partir de doce variables lderes
do 1992-2001: uno para predecir la evolucion de la trayectoria del ciclo de la economa peruana
siguiendo la metodologa de Auerbach (1982)- y otro para identificar tempranamente los tur-
ning points del ciclo de la misma economa siguiendo la metodologa de The Conference Board.
(2014) proponen un indicador con una sola variable (electricidad), el cual permite realizar el
nowcasting del crecimiento del PBI del mes con una sola semana de informacion del mes en curso.
La b
usqueda de indicadores lderes no solo se remonta a Per
u, sino que tambien ha sido
objeto de interes por diversos Bancos Centrales y Organismos Internacionales. Por ejemplo, la
3
de Altissimo et al. (2010).
capaz de capturar los principales puntos de quiebre del crecimiento anual del PBI y guarda una
de las variables que utilizamos, es posible estimar dicho indicador con cuarenta y cinco das de
la base de datos que estamos utilizando para construir nuestro indicador lder. En la seccion 3
conclusiones.
2 Descripci
on de los datos
Para la elaboraci
on de nuestro indicador lder hemos seleccionado en 5 variables asociadas es-
(3) consumo interno de cemento, (4) IGV interno ajustado, (5) ventas de pollo diarias y (6)
produccion minero-met
alica. Todas las variables se publican con frecuencia mensual y provienen
de distintas fuentes.
Para el PBI real (ndice) utilizamos la informacion brindada por el INEI. La produccion
de electricidad (medida en GWh) es obtenida por el Comite de Operaciones del Sistema Inter-
conectado Nacional (COES). El consumo interno de cemento (en miles de TM) es obtenido a
traves de diversas empresas que operan en dicho rubro. Para el IGV interno utilizamos la in-
para las ventas de pollo diarias utilizamos la informacion brindada por el Ministerio de Agricul-
tura (MINAGRI) y finalmente para la produccion minera utilizamos datos proporcionado por
4
el Minesterio de Economa y Finanzas (MEF). En la tabla 1 se puede apreciar ver con mayor
detalle la descripci
on de las seis variables, incluyendo el rezago en la publicacion respecto al
mes de referencia.
Cuadro 1. Variables que componen el indicador lder
Cabe mencionar que las variables son introducidas al modelo como tasas de crecimiento
anual, tal como se puede apreciar en la figura 4. Asimismo, el horizonte temporal de este
ejercicio emprico parte de enero de 2004 y termina en noviembre de 2016. De otro lado, la
se explicara en la secci
on metodol
ogica, esto no genera ningun tipo de dificultad a la hora de
emprender la estimaci
on del modelo.
3 Metodologa
Para construir nuestro indicador de la actividad real peruana, basamos nuestra metodologa en el
trabajo Aruoba et al. (2009) y lo adaptamos a la naturaleza de los datos del Per
u. Este indicador
y la capacidad de actualizarse en tiempo real cuando los datos son publicados. Asimismo, el
indicador se deriva de un modelo de factores dinamicos, el cual se obtiene mediante el uso del
Filtro de Kalman.
5
xt = 1 xt1 + 2 xt2 + et , (1)
donde et es un choque transitorio y se distribuye como N (0, 1). Por otro lado, se asumira que
yti = ci + i xt + ti , (2)
la cov(ti ,t ) = 0.
en frecuencia mensual, los cuales cuentan con cierto rezago a la hora de publicarse. El proposito
informacion las variables observadas yt . Para el logro de dicho objetivo, sera necesario re-escribir
3.2 Representaci
on de espacio de estados
La representaci
on de espacio de estados correspondiente a las ecuaciones (1) y (2) puede ser
escrita como
Zt = C + DXt + vt , (4)
6
completa para las dos u
ltimas ecuaciones puede ser escrita como:
xt+1 1 2 xt 1
= + et+1 ,
xt 1 0 xt1 0
| {z } | {z } | {z } | {z }
Xt+1 A Xt F ut+1
y1,t C1 1 0 1 0 0 0 0 0 u1
y C 0 0 0 0 0 0 u2
2,t 2 2 2
y3,t C3 3 0 xt 0 0 3 0 0 0 u3
= + +
.
y4,t C4 4 0 xt1 0 0 0 4 0 0 u4
| {z }
y C 0 X 0 0 0 0 0
u5
5,t 5 5 t 5
y6,t C6 6 0 0 0 0 0 0 6 u6
| {z } | {z } | {z } | {z } | {z }
Zt C D v vt
4 Estimaci
on
Dado el modelo especificado, es necesario obtener los parametros del mismo para calcular la
trayectoria del factor xt . Es por ello que se utiliza el Filtro de Kalman y el Kalman smoother (ver
de espacio de estados. Asimismo, este algoritmo mencionado sirve de base la para la evaluacion
4.1 La Funci
on de Verosimilitud
Las proyecciones Xt|t1 y Zt|t1 DXt|t1 fueron obtenidas utilizando el filtro de kalman (ver
3
Asimismo, si las innovaciones t , wt , et y el estado inicial X0|0 se distribuyen normalmente, las proyecciones
Xt|t1 y Zt|t1 son o
ptimas asumiendo una especificaci on lineal.
7
y la densidad es:
1/2
= (2)n/2 det DPt|t1 D0 + vv
f Zt|t1 (5)
et0 DPt|t1 D0 + vv 1 Zet
exp Z
l | Z T = ln L | Z T es:
T
X
l | ZT =
ln f Zt|t1 (6)
t=p+1
que es igual a:
(T p) n (T p)
l | ZT ln det DPt|t1 D0 + vv
= ln [2] (7)
2 2
T
1 X 0 1
Zt C DXt|t1 DPt|t1 D0 + vv
Zt C DXt|t1
2
t=p+1
(un maximo global). Esto no necesariamente es facil de conseguir, con lo cual se requiere de una
dispone de la informaci
on de los 6 indicadores. Dado ello, seguimos la estrategia de Aruoba
et al. (2009), en donde se utiliza una matriz de seleccion Wt , de forma tal que Zt = Wt Zt es el
vector de variables observables y Wt es una matriz que escoge las filas de Zt que cuentan con
datos disponibles.
En esta secci
on explicamos brevemente la estrategia utilizada para simular la distribucion pos-
8
Asimismo, el n
umero de simulaciones es de S = 500, 000, donde se descartan las primeras
250, 000 y donde se toma 1 de cada 25 de las restantes para reducir la autocorrelacion. Con ello,
se cuenta con 10, 000 replicas para relizar la inferencia. La estrategia sigue los siguientes pasos:
1. Fijar 0 , S y s = 1.
3. Calcular: ( )
L | Z T P ( )
= mn 1,
L (s1 | Z T ) P (s1 )
maximizacion5 . De esta forma, dado c > 0 la tasa de aceptacion del algoritmo es de alrededor
de 25 %.
5 Resultados
tros, en donde se aprecia que la mayora de indicadores son relevantes a excepcion de las ventas
de pollo (ver apendice C), procedemos a calcular el valor suavizado de la trayectoria del com-
ponente no observable Xt (ver apendice B). Por definicion este factor xt estara centrado en
cero, dado que no cuenta con un intercepto en la ecuacion de transicion. En estricto, las tasas
de crecimiento de los indicadores tales como PBI s se encuentran en porcentajes, por lo que
ello afecta a la magnitud de los coeficientes . En vista de ello, el indicador lider resulta de la
P BI = cP BI + P BI x
prediccion del presente yt|T t|T . As
, dada la simulacion anterior es posible
calcular el intervalo de confianza de dicha trayectoria y de la prediccion del crecimiento del PBI.
5
Se tomar 10 distintos puntos iniciales aleatoriamente, de forma tal que se escogi
o el m
aximo punto alcanzado.
9
En la figura 1 es posible apreciar dicha trayectoria.
16
14
12
10
4
2006 2008 2010 2012 2014 2016
Es importante remarcar que nuestro indicador es capaz de capturar los principales puntos de
quiebre del crecimiento anual del PBI, tal como se observa en la figura 2, y cuya correlacion es
mayor al 85 %. Dado ello, es posible realizar el nowcasting del crecimiento del PBI con bastante
precision.
10
16
14
12
10
4
2006 2008 2010 2012 2014 2016
6 Conclusiones
En este trabajo hemos construido un indicador adelantado de actividad economica real para
el Per
u basandonos en informaci
on relevante frecuentemente observada, as como tambien si-
guiendo la metodologa de Aruoba et al. (2009). Asimismo, hemos extendido dicha metodologa
Es importante remarcar sobre nuestro indicador que es capaz de capturar los principales
puntos de quiebre del crecimiento anual del PBI y que puede ser estimado de forma tal que es
posible realizar el nowcasting del crecimiento del PBI con bastante precision.
11
A El Filtro de Kalman6
El objetivo de este algoritmo es obtener la trayectoria del vector Xt condicional a los datos
observados. Para ello procedemos de la siguiente manera: Al inicio del periodo t contamos con
la estimacion del periodo previo Xt1|t1 y con la matriz de covarianzas Pt1|t1 . Asimismo,
on disponible en t 1:
prediccion condicional a la informaci
h 0 i
Pt|t1 E Xt Xt|t1 Xt Xt|t1 .
h 0 i
Pt|t1 = E AXt1 AXt1|t1 F ut AXt1 AXt1|t1 F ut
h 0 i
Pt|t1 = E A Xt1 Xt1|t1 F ut A Xt1 Xt1|t1 F ut
h 0 i
A0 + F E ut u0t F 0
Pt|t1 = AE Xt1 Xt1|t1 Xt1 Xt1|t1
que es igual a
Zt de acuerdo a la ecuaci
on (4). Como resultado de ello, es posible actualizar la estimacion de
Xt|t = Xt|t1 + Kt Zt C DXt|t1 . (10)
6
Ver: Hamilton (1994), Kim y Nelson (1999), Koop (2003), Robert y Casella (2004), y http://www.kris-
nimark.net/pdf/HandoutS 4.pdf
12
donde el termino Zt C DXt|t1 Z
et es la nueva informacion relevante y Kt es la ganancia
D E
Xt Kt Z
et , Zet = 0
h i
E e0 = 0
Xt Kt Zet Z t
h i h i
E Xt Zet0 Kt E Zet Zet0 = 0
h i h i1
et0 E Z
Kt = E Xt Z et0
et Z ,
donde
h i h i
et0 = E Zt C DXt|t1 Zt C DXt|t1 0
E Zet Z
h i h i
et0 = E DXt + vt DXt|t1 DXt + vt DXt|t1 0
E Zet Z
h i h 0 i
E Zet Zet0 = E D Xt Xt|t1 + vt D Xt Xt|t1 + vt
h i h i
e0 = DE Xt Xt|t1 Xt Xt|t1 0 D0 + vv ,
E Zet Z
t (11)
por tanto,
1
Kt = Pt|t1 D0 DPt|t1 D0 + vv . (12)
Recordemos la ecuaci
on (10):
Xt|t = Xt|t1 + Kt Zt C DXt|t1 .
Xt|t Xt = Xt|t1 Xt + Kt Zt C DXt|t1
Xt Xt|t1 = Xt Xt|t + Kt Zt C DXt|t1
13
Tomamos varianzas a ambos lados de la ecuacion, utilizando (11) y combinado con (12) resulta
en:
h i
et0 Kt0
Pt|t1 = Pt|t + Kt E Zet Z
y utilizando (11):
1
Pt|t = Pt|t1 Pt|t1 D0 DPt|t1 D0 + vv 0
DPt|t1 . (13)
1
Pt+1|t = A Pt|t1 Pt|t1 D0 DPt|t1 D0 + vv 0
DPt|t1 A0 + F F 0 . (14)
El filtro invariante dice que Kt y Pt|t1 son constantes si los parametros son constantes y al
mismo tiempo la matriz de covarianzas inicial P1|0 es la solucion a la ecuacion (14), es decir:
Es sabido que a traves del filtro de Kalman es posible obtener la trayectoria del componente
no observable Xt condicional a los datos observados Zt y valores previos Zt1 , es decir, Xt|t
dada toda la muestra observada Z T = {Z1 , Z2 , . . . , ZT }, es decir, Xt|T . Para lograr lo anterior,
se empieza con el u
ltimo valor filtrado XT |T , el cual ya se encuentra condicionado a toda la
14
muestra. Ahora consideremos la ecuacion:
Xt|T = Xt|t + Jt Xt+1 Xt+1|t (15)
lo que significa que el valor smoother Xt|T es una funcion lineal del valor filtrado Xt|t y la innova-
cion en X del siguiente periodo X et+1 Xt+1 Xt+1|t . Asumimos que estas dos innovaciones
D E
Xt Jt X
et+1 , X
et+1 = 0
h i
0
E Xt Jt X
et+1 Xet+1 =0
h i h i
0 0
E Xt X
et+1 Jt E Xet+1 X
et+1 =0
h i h i1
0 0
Jt = E Xt X
et+1 E Xet+1 X
et+1
donde
h i h 0 i
0
E Xet+1 X
et+1 = E Xt+1 Xt+1|t Xt+1 Xt+1|t
h i
0
E Xet+1 X
et+1 = Pt+1|t (16)
Y de otro lado
h i h 0 i
e0
E Xt X = E Xt Xt+1 Xt+1|t
t+1
h i h 0 i
0
E Xt X
et+1 = E Xt AXt + F ut+1 AXt|t
h i h 0 i
0
E Xt X
et+1 = E Xt A Xt Xt|t + F ut+1
h i h 0 i
0
= E Xt Xt Xt|t A0 + E Xt u0t+1 F 0
E Xt X
et+1
| {z }
=0
h i h 0 i
0
Xt Xt|t A0
E Xt X
et+1 =E Xt Xt|t + Xt|t
15
h i h 0 i h 0 i
e0 Xt Xt|t Xt Xt|t A0 + E Xt|t Xt Xt|t A0
E Xt Xt+1 = E
| {z } | {z }
=Pt|t =0
h i
e0
E Xt X 0
t+1 = Pt|t A (17)
1
Jt = Pt|t A0 Pt+1|t (18)
C Par
ametros estimados
1 2 3 4
2000 2000 2000 2000
0 0 0 0
0.5 1 1.5 2 0 2 4 6 0 1 2 3 0 1 2 3
5 6 C1 C2
2000 2000 4000 4000
0 0 0 0
0 1 2 3 0 1 2 3 5 0 5 10 15 20 0 20 40
C3 C4 C5 C6
4000 2000 2000 4000
0 0 0 0
0 5 10 15 20 0 5 10 15 0 5 10 10 0 10 20
1 2 3 4
2000 2000 2000 2000
0 0 0 0
0 0.5 1 1.5 4 5 6 7 8 4 5 6 7 8 6 8 10 12
5 6 1 2
2000 2000 2000 2000
0 0 0 0
6 8 10 12 0 1 2 3 0 0.5 1 1.5 0.5 0 0.5 1
Figura 3. Distribuci
on Posterior de par
ametros
16
D Datos utilizados
30
15 30
20
10 20
10
5 10
0
0 0
10
5 20 10
2006 2008 2010 2012 2014 2016 2006 2008 2010 2012 2014 2016 2006 2008 2010 2012 2014 2016
30
30
25
10
20 20
15
10 5
10
5 0
0
0
10
5
10 20 5
2006 2008 2010 2012 2014 2016 2006 2008 2010 2012 2014 2016 2006 2008 2010 2012 2014 2016
Referencias
Altissimo, F., R. Cristadoro, M. Forni, M. Lippi y G. Veronese (2010), New eurocoin: tracking
economic growth in real time, The review of economics and statistics 92(4), 10241034.
Auerbach, A. (1982), The index of leading indicators: Measurement without theory, thirty-five
Escobal, J. y J. Torres (2002), Un sistema de indicadores lderes del nivel de actividad para la
Etter, R. y M. Graff (2011), A composite leading indicator for the peruvian economy based on
the bcrps monthly business tendency surveys, Banco Central de Reserva del Per
u, Documento
de Trabajo .
17
Hamilton, J. (1994), Time series analysis, Princeton university Press.
Kim, C. y C. Nelson (1999), State-space models with regime switching: classical and gibbs-
Kumar, G. (2013), High-frequency real economic activity indicator for canada, Bank of Cana-
Ochoa, E. y J. Llad
o (2003), Modelos de indicadores lderes de actividad economica para el
per
u, Revista Estudios Econ
omicos 10.
Robert, C. y g. Casella (2004), Monte Carlo Statistical Methods, Springer-Verlag New York.
18