La reciente crisis financiera de 2007-09 (la llamada «Gran Recesión») puso de manifiesto las dificultades que afrontan los modelos económicos estructurales recientes para explicar los datos. Es bien sabido que los modelos estructurales tienen limitaciones para explicar y pronosticar. Por ejemplo, Edge y Gurkaynak (2010), entre otros, han demostrado que el desempeño predictivo del modelo de Smets y Wouters (2007) no es mejor que el de un modelo ingenuo de tasa de crecimiento constante durante el período de la Gran Moderación.
Además, la gravedad y la prolongada duración de la Gran Recesión han puesto en tela de juicio la idoneidad de los predictores existentes y planteado la posibilidad de que los modelos actuales estén mal especificados. Por ejemplo, Ng y Wright (2013) han sostenido que las características de las recesiones «provocadas por crisis financieras» (como la Gran Recesión) difieren de las de las recesiones «típicas» impulsadas por perturbaciones de oferta o de política monetaria. Esta distinción puede explicar por qué el estudio de la Gran Recesión podría requerir modelos y predictores alternativos. Además, no está claro si la reciente crisis financiera se debió a perturbaciones inesperadas o a cambios en el mecanismo de transmisión. Por un lado, Stock y Watson (2012) sostienen que el mecanismo de transmisión durante la Gran Recesión no difiere del de ninguna otra recesión de posguerra, y que la recesión profunda y prolongada se originó simplemente en las perturbaciones de mayor magnitud que golpearon la economía durante ese período. Por otro lado, otros investigadores destacan que los modelos macroeconómicos existentes no captan plenamente los mecanismos que subyacen a la Gran Recesión y sostienen que son necesarias modificaciones sustanciales. Por ejemplo, en un esfuerzo por mejorar el ajuste de los modelos económicos estructurales a la crisis, Del Negro y Schorfheide (2014) incorporan información sobre las expectativas de inflación, las fricciones financieras y los diferenciales de las tasas de interés.
Si la causa de la recesión grave y prolongada fueron realmente perturbaciones de mayor magnitud que golpearon la economía, poco pueden hacer los economistas. Sin embargo, cuando se sospecha que el mal ajuste del modelo se debe a mecanismos de transmisión modelizados de manera inadecuada o a canales omitidos, un enfoque habitual para mejorar el modelo consiste en introducir características adicionales. Pero ¿qué características deberían añadirse? Por lo general, los investigadores recurren a su experiencia e intuición para identificar qué partes del modelo son responsables del mal ajuste. Pero ¿y si un investigador no tiene idea de por dónde empezar? Y si hay varios aspectos del modelo que podrían ser responsables del mal ajuste, ¿cómo puede identificar en cuál o cuáles debería centrarse?
Nuevas investigaciones sobre cómo identificar las fuentes de mala especificación
En un artículo reciente (Inoue et al., 2014), proponemos una metodología que puede ayudar a los investigadores en esa situación. Nuestra idea es muy sencilla. Proponemos identificar las fuentes de mala especificación del modelo mediante la introducción de procesos exógenos adicionales en los modelos de los investigadores, más allá de las perturbaciones estructurales que estos ya incluyen. Estos procesos exógenos adicionales, o «cuñas», no son perturbaciones estructurales, sino únicamente procesos adicionales que pueden mejorar el ajuste del modelo. En otras palabras, las cuñas son distorsiones que incorporan posibles errores de especificación del modelo que no están ya contemplados por las fricciones incorporadas en este. La idea consiste entonces en identificar empíricamente qué «cuñas» mejoran más el ajuste de los modelos. Con esta información, el investigador puede identificar qué partes del modelo tienen más probabilidades de estar mal especificadas y descubrir cómo evoluciona con el tiempo la mala especificación del modelo. También permite a los investigadores evaluar cuantitativamente la importancia de esa mala especificación.
Para localizar qué partes del modelo están mal especificadas y cuán relevante es empíricamente esa mala especificación, proponemos utilizar descomposiciones de la varianza del error de pronóstico y comparaciones de la verosimilitud marginal. Las descomposiciones de la varianza del error de pronóstico miden la contribución de las perturbaciones estructurales y de las cuñas a la explicación de la variabilidad general de los datos. Cuanto mayor sea la contribución de una o más cuñas, más probable será que el modelo en cuestión esté mal especificado. La verosimilitud marginal de un modelo es una medida de bondad de ajuste. Si el modelo original está mal especificado, el modelo con cuñas tendrá una verosimilitud marginal más alta. Como la verosimilitud marginal incluye una penalización por características innecesarias, si el modelo está correctamente especificado, la verosimilitud marginal del modelo con una cuña será menor que la del modelo sin ella.
Observaciones finales
Nuestra metodología pone de manifiesto la falta de una modelización adecuada de los mercados financieros y laborales en el modelo macroeconómico representativo durante la crisis financiera, lo que puede ayudar a esclarecer los resultados de Ng y Wright (2013), y sugiere que sería especialmente útil seguir trabajando para incorporar más fricciones de los mercados laborales y de activos a los modelos. Nuestros resultados empíricos confirman la opinión convencional presente en gran parte de la bibliografía existente, e indican que no se puede ignorar la mala especificación de los modelos en los análisis de políticas.1 Además, nuestras técnicas podrían resultar útiles, en términos más generales, para orientar a los investigadores en la mejora de sus modelos.
Referencias
Corradi, V y N R Swanson (2007), «Evaluation of Dynamic Stochastic General Equilibrium Models Based on Distributional Comparison of Simulated and Historical Data», Journal of Econometrics 136, 699-723.
Del Negro, M, y F Schorfheide (2014), «Real-time DSGE Model Density Forecasts During the Great Recession», mimeo.
Del Negro, M, F Schorfheide, F Smets, y R Wouters (2007), «On the Fit of New Keynesian Models», Journal of Business & Economic Statistics 25, 123-143.
Edge, R M, y R S Gurkaynak (2010), «How Useful Are Estimated DSGE Model Forecasts for Central Bankers?», Brookings Papers on Economic Activity Fall 2010, 209-259.
Inoue, A, C-H Kuo y B Rossi (2014), «Identifying the Sources of Model Misspecification», CEPR Discussion Paper 10140.
Ng, S, y J H Wright (2013), «Facts and Challenges from the Great Recession for Forecasting and Macroeconomic Modeling», Journal of Economic Literature, 51, 1120-1154.
Smets, F y R Wouters (2007), «Shocks and Frictions in US Business Cycles: A Bayesian DSGE Approach», The American Economic Review 97, 586-606.
Stock, J H, y M W Watson (2012), «Disentangling the Channels of the 2007-2009 Recession», Brookings Papers on Economic Activity Spring 2012, 81-135.
Publicado en colaboración con VoxEU
Autor: Atsushi Inoue es profesor de Economía en Vanderbilt University. Chun-Hung Kuo es profesor adjunto de Economía en la Graduate School of International Relations de la International University of Japan. Barbara Rossi es profesora en la Universitat Pompeu Fabra.
Imagen: Un hombre pasa junto a edificios en el distrito financiero central de Singapur el 14 de febrero de 2007. REUTERS/Nicky Loh.
