Fundaciones de Análisis del Ciclo de Negocios

¿Qué son los ciclos de negocios?

Los ciclos comerciales son fluctuaciones recurrentes en la actividad económica agregada, según indicadores como el producto interno bruto (PIB), el empleo, la producción industrial y los ingresos, que se desarrollan durante períodos de varios años a una década o más. Cada ciclo consiste en cuatro fases distintas: ]]expansión ] (la producción de la energía y el empleo) [[LT:2]

Los registros macroeconómicos modernos distinguen entre dos tipos amplios de ciclos: ciclos clásicos (descendencias absolutas de la actividad económica) y ciclos de crecimiento ] (desviaciones del crecimiento de las tendencias). Los ciclos clásicos son más raros en la era posterior a la Segunda Guerra Mundial, mientras que los ciclos de crecimiento capturan períodos de recesión flexibles

Por qué el análisis histórico importa

Estudiar los ciclos comerciales históricos ofrece varias ventajas. En primer lugar, proporciona una muestra más larga de episodios de expansión y contracción, permitiendo a los econométricos estimar modelos con mayor poder estadístico e identificar eventos raros pero catastróficos como la Gran Depresión o la crisis financiera de 2008. Segundo, los datos históricos permiten a los investigadores probar la estabilidad de las relaciones económicas en diferentes regímenes de políticas, estructuras institucionales y tecnologías.

El análisis histórico también expone las limitaciones de confiar únicamente en los datos de la posguerra, que está fuertemente influenciado por la “Gran Movilización” (1984-2007), un período de volatilidad inusualmente baja. Extender la muestra hacia atrás revela que los choques de alta frecuencia, el pánico bancario y las perturbaciones de la oferta eran mucho más comunes de lo que la experiencia reciente sugiere, proporcionando un conjunto más rico de observaciones para las teorías económicas que prueban el estrés.

Técnicas Econométricas Core para Datos Históricos

Decomposición de la serie de tiempo

La descomposición de la serie de tiempo separa una serie histórica (por ejemplo, la producción industrial de los Estados Unidos de 1860 a 2020) en tres componentes: trend] (crecimiento a largo plazo), seasonal (repeticiones de patrones en un año) y herramienta robusta[

Las técnicas más avanzadas incluyen el filtro de hamilton ] (un enfoque basado en la regresión que evita los problemas de punta de HP) y modelos de componentes desatendidos que tratan la tendencia y el ciclo como procesos estocásticos latentes. Estos modelos permiten parámetros de tiempo-varios, como una tasa de crecimiento de tendencia cambiante, que suele ser el análisis de base

Análisis espectral

El análisis espectral transforma una serie de tiempo desde el dominio del tiempo en el dominio de frecuencias, revelando periodicidades que no son obvias en datos brutos.Descomponiendo una serie histórica del PIB en ciclos de diferentes frecuencias – corto plazo (por ejemplo, ciclos de inventario), a mediano plazo (ciclos de negocios apropiados), y a largo plazo (las oscilaciones de Kuznets o ondas Kondratiev) – el análisis espectro persistente

Los avances modernos incluyen análisis de ondas, que permite al investigador examinar cómo el contenido de frecuencia de una serie cambia con el tiempo. Las ondas son particularmente útiles para los datos históricos porque pueden captar la naturaleza cambiante de los ciclos de negocios, por ejemplo, el acortamiento de la longitud del ciclo durante la era de la posguerra en comparación con el período anterior a 14.

Vector Autoregressions and Impulse Response Functions

Autoregresividades vectoriales (VARs) modelan las interacciones dinámicas entre múltiples variables económicas (p. ej., PIB, inflación, tasas de interés y precios de stock) como un sistema de ecuaciones donde cada variable depende de sus propios valores pasados y de las de otras variables. Las funciones de respuesta impulsivas luego indican cómo un choque de una sola vez a una variable, como un aumento del precio del petróleo o una política monetaria que se ajusta.

Un reto clave con datos históricos es que el número de observaciones es a menudo limitado, haciendo necesario utilizar especificaciones parsimoniosas o VARs Bayesian que incorporan información previa. Los métodos Bayesian permiten al investigador reducir los espacios de parámetro de alta dimensión hacia una distribución previa, mejorando la precisión de pronóstico e inferencia en pequeñas muestras. VARs estructurales (SVARs) van un paso más allá al imponer restricciones de sensibilidad, como la teoría de la hipótesis

Otra extensión importante es el parámetro VAR (TVP-VAR) , que permite que los coeficientes del VAR cambien gradualmente con el tiempo. Se han utilizado TVP-VAR para documentar la transmisión cambiante de los choques de precios del petróleo a la inflación y la salida, revelando que la respuesta de la economía estadounidense a los aumentos de precios energéticos se debilitó considerablemente después de la caída de mediados de los 80.

Modelos de Corrección de Cointegración y Error

Muchas variables económicas históricas comparten relaciones de equilibrio de larga duración, incluso si vagan individualmente a corto plazo. Las pruebas de integración, como las desarrolladas por Engle y Granger o Johansen, determinan si dos o más series de tiempo no estacionarias (por ejemplo, salida y empleo, o precios y suministro de dinero) están vinculadas con una relación estable de largo plazo.

Para datos históricos, las pruebas de cointegración deben dar cuenta de rupturas estructurales en la relación de larga duración. La prueba Gregory-Hansen] y la prueba Hatemi-J permiten una o más puntos de ruptura desconocidos y son ampliamente utilizados en la historia económica. La presencia de cointegración también justifica el uso de predicciones de errores de ECM

Markov Switching Models

Los modelos de cambio de Markov permiten que los parámetros de un modelo econométrico (por ejemplo, tasa de crecimiento media, volatilidad) cambien con el tiempo según una variable de estado sin reservas que sigue una cadena de Markov. Esto es particularmente valioso para los ciclos de negocios históricos porque puede identificar los períodos de alta expansión regímenes de "boom" contra regímenes de baja densidad de crecimiento sin requerir que el investigador presente los puntos de conversión de forma cercana.

Las extensiones incluyen probabilidades de transición de tiempo variable (permitiendo la probabilidad de que los regímenes de conmutación dependan de indicadores principales) y multivar la conmutación Markov] (combinando varias series temporales para identificar fases comunes de ciclo de negocios). Estos modelos han sido instrumentales en la fecha del ciclo de actividad del área del euro

Desafíos prácticos en la aplicación de Econometría a datos históricos

Los datos históricos presentan una serie de desafíos econométricos que requieren cuidadoso manejo. La disponibilidad y la calidad de datos varían ampliamente: las cuentas nacionales tempranas a menudo dependen de los proxies indirectos (por ejemplo, tonelaje de ferrocarril, depósitos bancarios) que pueden ser malmedidos o definidos incoherentemente a lo largo del tiempo.

Las rupturas estructurales ] (por ejemplo, guerras, cambios en el régimen monetario, revoluciones industriales) pueden hacer que las relaciones económicas subyacentes se desplacen abruptamente. Las pruebas estándar para la estabilidad estructural, como la prueba de Chow o la prueba de ruptura múltiple de Bai-Perron, son esenciales para identificar y acomodar estas rupturas.

Los grados de libertad limitados también limitan la sofisticación de los modelos. La serie histórica sólo puede tener entre 50 y 100 observaciones anuales, lo que restringe enormemente el número de parámetros que se pueden estimar de forma fiable. Esto a menudo obliga a los investigadores a elegir entre un modelo simple que puede omitir las dinámicas pertinentes y un modelo complejo que supere las técnicas basadas en la simulación, como el arranque y la reducción de datos

Por último, ]endogeneidad] y causalidad reversa] son omnipresentes en el análisis del ciclo de negocios. Por ejemplo, los cambios de política pueden desencadenarse por crisis económicas, dificultando la aislación del efecto causal de la propia política.

Casos de estudios de ciclos históricos de negocios

La Gran Depresión (1929-1939)

La Gran Depresión es el evento más estudiado del ciclo de negocios en la historia económica, y el análisis econométrico ha sido central para entender sus causas y propagación. Usando la descomposición de la serie de tiempo, autores como Christina Romer mostraron que la producción real cayó en casi 30% en los Estados Unidos y que la recuperación después de 1933 fue notablemente lenta en comparación con los colapsos típicos.

El análisis de la integración se ha aplicado también a la Depresión: estudios de la relación entre precios al por mayor y producción industrial en todos los países demuestran que la rigidez del estándar de oro transmite presiones deflacionarias a nivel mundial. Pruebas de ruptura estructural confirman que la Depresión marcó un cambio fundamental en la relación de producción-inflación, rompiendo los patrones pre-1929. Estos hallazgos econométricos han reforzado la opinión de que la intervención de política rápida y coordinada: la expansión fiscal, la expansión monetaria y la bancaída

Los zapatos de aceite de 1970

Los picos de los precios del petróleo de 1973 y 1979 provocaron recesiones graves en la mayoría de las economías industrializadas y dieron lugar a la “stagflation”; la aparición simultánea de una alta inflación y un alto desempleo. El análisis específico de los datos trimestrales del PIB de 1960 a 1990 revela que estos choques introdujeron un nuevo componente del ciclo de frecuencia media no presente en las décadas anteriores de la posguerra.

Los años 70 ilustraron también la dificultad de distinguir las interrupciones temporales de la oferta de cambios estructurales permanentes. Los modelos de parámetros de duración detectan una disminución gradual de la capacidad de respuesta de la inflación a las brechas de producción después de 1973, en consonancia con el aumento de las expectativas de inflación y las relaciones de ruptura de la curva anterior Phillips. Las lecciones de este período influían directamente en el diseño de marcos bancarios centrales modernos, incluidos los objetivos de inflación explícitos y el uso de filtros de la oferta para orientar las decisiones normativas.

La crisis financiera mundial de 2008

La crisis de 2008 fue única en sus orígenes, un despido repentino en los préstamos interbancarios y un colapso en los precios de la vivienda, sin embargo comparte características con crisis financieras anteriores (por ejemplo, el pánico de 1907, las crisis bancarias de los años 30). Análisis de respuesta impulsivo de los VARs estimados en largas series históricas (por ejemplo, los datos financieros semanales de la Reserva Federal de 1971 en adelante) muestra que los cambios de la recesión de crédito y la volatilidad de la tendencia de la tendencia de la tendencia de la tendencia de la tendencia de la pérdida de la tendencia de la pérdida de la pérdida de la

Estos hallazgos econométricos han reforzado los llamados a la regulación macroprudencial y los amortiguadores de capital contracíclico. También destacan la importancia de monitorear los indicadores del mercado financiero, como la brecha crediticia-a-PIB, que tienen poder predictivo para las crisis bancarias en datos históricos. La experiencia de 2008 ha estimulado el desarrollo de “sistemas de alerta temprana” basados en modelos de probito y algoritmos de aprendizaje automático capacitados para la formulación de siglos de crisis financieras, demostrando la relevancia del análisis de negocios.

Vincular ciclos pasados a la política económica moderna

Entender los ciclos comerciales históricos a través de lentes econométricos informa directamente de los marcos de políticas actuales.Por ejemplo, el reconocimiento de que las crisis financieras suelen llevar a una recuperación lenta y sin empleo, evidente tanto en la Gran Depresión como en la crisis de 2008, ha estimulado el interés en estabilizadores automáticos, como el seguro de desempleo ampliado y los programas de recapitalización de bancos robustos.

Además, el estudio econométrico de los ciclos comerciales históricos enfatiza que la economía global está sujeta a fluctuaciones recurrentes, aunque irregulares, que ninguna cantidad de ajuste puede suprimir completamente. Esta humildad – el reconocimiento de que la incertidumbre y la dinámica no lineal son inherentes– estimula a los responsables de la política a construir resiliencia a través del comercio diversificado, mercados laborales flexibles y la sede fiscal.

Por último, la integración de la historia econométrica con la evaluación de políticas ha llevado a la creación de bases de datos a gran escala de datos macroeconómicos y financieros históricos, como Medición] y Jordà-Schularick-Taylor Macrohistory Database. Estos recursos facilitan la evaluación de los estudios comparativos de validez de los investigadores recientes y permiten a los estudios externos.

Conclusión: El valor duradero de la historia cuantitativa

Las técnicas econométricas proporcionan la estructura analítica necesaria para transformar los registros históricos brutos en una cuenta confiable de las fluctuaciones económicas. Descomposición de series temporales, análisis espectral, VARs, modelos de integración y Markov cambiar cada una ofrecen una ventana única en los patrones, causas y consecuencias de los ciclos de negocios pasados. Los desafíos de la calidad de los datos, rupturas estructurales y pequeñas muestras son reales pero superables con una metodología cuidadosa y una comprensión profunda de los análisis de la historia de los contextos.

A medida que el poder y la disponibilidad de datos computadores siguen creciendo, la frontera del análisis histórico del ciclo empresarial se está desplazando hacia estudios más granulares y de alta frecuencia, utilizando datos financieros semanales, series de empleo regionales e incluso análisis textuales de periódicos históricos para construir índices sentimentales. Estas innovaciones prometen profundizar nuestra comprensión de las dinámicas recesionales, respetando el principio básico de que la política racional se basa en pruebas acumuladas en muchos ciclos y décadas.