Está en la página 1de 45

METODOS NUMERICOS PARA RESOLVER MODELOS MACROECONOMICOS DINAMICOS

Carlos Urrutia1

Universidad Carlos III de Madrid Ilades-Georgetown University

Agosto, 1998

E-mail: urrutia@atlas.socsci.umn.edu. Debo agradecer a Raphael Bergoeing, Victor Pacharoni, Juan Enrique Suarez y Juan Carlos Zevallos por sus comentarios. Cualquier error restante es responsabilidad exclusiva del autor.

Contents
Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 Primera Sesi on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1 El Modelo de Crecimiento Neocl asico . . . . . . . . . . . . . . . . 1.1.1 El Modelo Deterministico B asico . . . . . . . . . . . . . . 1.1.2 Equilibrio General Competitivo . . . . . . . . . . . . . . . 1.1.3 El Problema del Planicador Social . . . . . . . . . . . . . 1.2 Introducci on a los M etodos Num ericos . . . . . . . . . . . . . . . 1.2.1 Soluci on de Ecuaciones No-Lineales . . . . . . . . . . . . . 1.2.2 Derivadas Num ericas . . . . . . . . . . . . . . . . . . . . . 1.3 M etodos Iterativos Simples . . . . . . . . . . . . . . . . . . . . . . 1.3.1 Shooting . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.2 Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.3 Resolviendo Directamente el Equilibrio Competitivo . . . . 1.3.4 Limitaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 2 Segunda Sesi on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1 Formulaci on Recursiva y Programaci on Din amica . . . . . . . . . 2.1.1 Programaci on Din amica . . . . . . . . . . . . . . . . . . . 2.2 Iteraci on de la Funci on de Valor . . . . . . . . . . . . . . . . . . . 2.2.1 Implementaci on Num erica . . . . . . . . . . . . . . . . . . 2.2.2 Resolviendo el Equilibrio Competitivo . . . . . . . . . . . 2.3 El Modelo Estoc astico . . . . . . . . . . . . . . . . . . . . . . . . 2.3.1 Iteraci on de la Funci on de Valor . . . . . . . . . . . . . . . 2.3.2 Simulaci on de las Trayectorias Optimas . . . . . . . . . . . 2.3.3 Limitaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 3 Tercera Sesi on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1 El Modelo Lineal-Cuadr atico . . . . . . . . . . . . . . . . . . . . . 3.1.1 Ecuaci on de Bellman . . . . . . . . . . . . . . . . . . . . . 3.1.2 Calculo de la Regla de Decisi on Optima . . . . . . . . . . 3.1.3 Iteraci on de la Matriz de Ricatti . . . . . . . . . . . . . . . 3.1.4 Simulaci on de Trayectorias Optimas . . . . . . . . . . . . . 3.1.5 Computaci on Eciente . . . . . . . . . . . . . . . . . . . . 3.2 Aproximaci on Lineal-Cuadr atica en Torno al Estado Estacionario 3.2.1 Resolviendo el Problema del Planicador Social . . . . . . 3.2.2 Resolviendo el Equilibrio Competitivo . . . . . . . . . . . 3.2.3 Limitaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 2 2 2 4 5 5 5 7 8 9 10 11 12 13 13 14 16 17 18 19 21 23 24 25 25 25 27 27 28 28 30 30 32 36

Bibliograf ia . . . . . . . . . Ap endices . . . . . . . . . . A Ejercicios de Repaso . . A.1 Primera Sesi on . . A.2 Segunda Sesi on . . A.3 Tercera Sesi on . . . B Librer ia de Programas en

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Matlab

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

37 38 38 38 39 39 42

Introducci on
Durante el mes de julio de 1998 tuve a cargo el curso de Macroeconom ia Avanzada, en el Post-Grado de Ilades-Georgetown University, en Santiago de Chile. El objetivo del curso fue introducir algunos m etodos num ericos para resolver modelos din amicos de equilibrio general, y estas notas recojen lo principal de su contenido. Los modelos din amicos han cobrado mayor importancia en la literatura macroecon omica reciente, especialmente tras la publicaci on del art i culo de Kydland y Prescott (1982). Lamentablemente, su uso se ha visto limitado por la carencia de soluciones anal iticas simples, lo que obliga a aproximar num ericamente las trayectorias optimas de las principales variables. En este curso present e algunos de los m etodos desarrollados en esa linea, con enfasis en la programaci on din amica y el m etodo de aproximaci on lineal-cuadratica. Si bien en cada sesi on present e brevemente la base te orica detr as de cada m etodo, el enfasis del curso fue aplicado. La idea fue que los alumnos trabajaran con problemas concretos escribiendo sus propios programas. Los ejercicios y programas (en lenguaje MATLAB) presentados en el ap endice al nal del documento permiten al lector sentarse frente al computador y empezar a experimentar con estos m etodos. Dado el carater introductorio del curso no fue posible cubrir varios de los avances m as recientes en este campo. En particular, dej e de lado aquellos modelos basados en residuos ponderados , incluyendo el de expectativas parametrizadas . Algunas referencias u tiles al respecto son los art iculos de McGrattan (1994 y 1998) y Den Haan y Marcet (1990). Asimismo, no se cubri o el tema de computaci on de modelos con agentes heterog eneos. Nuevamente, el art iculo de Rios-Rull (1998) es una excelente introduci on al tema. Debo terminar agradeciendo a mis colegas de Ilades-Georgetown University por la invitaci on que dio origen a este curso, as i como a los alumnos que siguieron con paciencia cada una de las sesiones. Espero haberles transmitido como mensaje que estos modelos din amicos de equilibrio general son utiles y, armado de las herramientas adecuadas, pueden dar respuestas a problemas importantes.

1. Primera Sesi on
Esta primera sesi on tiene tres objetivos. Primero, introducir un modelo din amico simple de equilibrio general con fundamentos microecon omicos. Resolver este modelo y sus posibles extensiones ser a el tema central del curso. Segundo, familiarizar a los participantes con algunas t ecnicas b asicas de an alisis num erico necesarias para el curso. Finalmente, presentar algunos m etodos simples para resolver modelos din amicos. Estos m etodos tienen grandes limitaciones, pero por su sencillez constituyen un buen primer paso para el investigador que busca sentarse frente a la computadora y obtener una respuesta r apida. 1.1. El Modelo de Crecimiento Neocl asico Empecemos describiendo el tipo de modelo que queremos resolver. Un desarrollo fundamental a la base de la Macroeconom ia moderna es el llamado Modelo de Crecimiento Neocl asico. En este modelo, las decisiones de los agentes son modeladas de manera expl icita en un contexto intertemporal. A continuaci on presentaremos el modelo determinisitico b asico, dejando para la pr oxima sesi on el modelo con incertidumbre.2 1.1.1. El Modelo Determin istico B asico Existen dos tipos de agentes en esta econom a. En primer lugar, tenemos un n umero grande de consumidores id enticos, que viven un innito n umero de per odos y que podemos modelar como un u nico agente representativo. En segundo lugar, tenemos un n umero grande de rmas id enticas que producen el u nico bien de la econom a, y que podemos modelar tambi en como una unica rma representativa. El agente representativo tiene preferencias descritas por la funci on de utilidad intertemporal: U=
1 X

t u (ct )

(1.1)

t=0

en donde u es una funci on de utilidad de un per odo que asumimos c oncava (uc > 0 y ucc < 0) y es un factor de descuento que asumimos constante.
presentaci o n m a s detallada de este modelo y sus extensiones puede encontrarse en Urrutia (1996). Otra referencia util, pero m a s concisa, es el art iculo de Cooley y Prescott (1995).
2 Una

Dicho consumidor pos ee todo el capital y trabajo (normalizado a una unidad) en la econom a, que renta a las rmas. Al mismo tiempo compra a estas rmas el u nico bien, que puede ser usado tanto para consumo como inversi on. Pero el agente representativo es tambi en due~ no de la rma, por lo tanto recibe todos los benecios que esta pueda generar. El consumidor enfrenta entonces la siguiente restricci on presupuestaria: ct + it = wt + rt kt + t (1.2)

en donde los gastos en consumo e inversi on deben ser iguales a los ingresos (salarios mas renta del capital mas benecios) en cada per odo. N otese que estamos normalizando el precio del u nico bien para que sea igual a uno en cada per odo, por lo tanto w t y rt son precios relativos expresados en unidades del u nico bien. El stock de capital del consumidor crece de acuerdo a: kt+1 = (1 )kt + it (1.3)

en donde es una tasa constante de depreciaci on. De otro lado est a la rma representativa, que renta capital y trabajo para producir el unico bien en la econom a, usando la funci on de producci on agregada con retornos a escala constantes: Yt = F (Kt ; Lt ) (1.4)

en donde asumimos que FK ; FN > 0, FKK ; FN N < 0 y F KN > 0. Puesto que la oferta de trabajo es inel astica y normalizada en una unidad, reescribimos: Yt = F (Kt ; 1) = f (Kt ) (1.5)

con fk > 0 y fkk < 0. El objetivo de esta rma es maximizar benecios t en cada per odo, en donde: t = Yt wt rtK t (1.6)

normalizando nuevamente el precio del unico bien para que sea uno en cada per odo. Podemos demostrar que con rendimientos a escala constantes los benecios van a ser siempre iguales a cero.

1.1.2. Equilibrio General Competitivo Un Equilibrio General Competitivo (EGC) para esta econom a es un conjunto de secuencias para las cantidades ct , i t , kt+1, Yt y K t y los precios wt y rt tales que: i) Dados k 0 > 0, wt y rt , las secuencias ct , i t y kt+1 resuelven el problema: max s:t:
1 X

t u (ct ) 8t 8t

(1.7)

t=0

ct + it = wt + rtk t kt+1 = (1 ) kt + i t

ii) En cada per odo t, dados wt y rt , los valores Yt y K t resuelven el problema: max s:t: Yt wt rt Kt Yt = f (Kt ) (1.8)

iii) En cada per odo t, hay igualdad entre oferta y demanda: Yt = ct + i t Kt = kt (1.9) (1.10)

En este curso vamos a revisar un conjunto de m etodos para aproximar el Equilibrio Competitivo, es decir, para encontrar valores num ericos para las secuencias de consumo, inversi on, capital, producto y precios que satisfagan la denici on anterior. Esto requiere en primer lugar especicar las formas funcionales para la funci on de utilidad u ( c) y la funci on de producci on f (K ), as i como valores para todos los par ametros del modelo (incluyendo y ). Los criterios para asignar esos valores dependen ya del investigador y no ser an cubiertos en este curso. 3
Una introducci o n al m etodo de calibraci on y al debate con la econometr ia tradicional puede encontrarse en Cooley y Prescott (1995) y Bergoeing (1998).
3

1.1.3. El Problema del Planicador Social Consideremos por un momento una econom a como la descrita anteriormente, pero en la cual las decisiones son tomadas por un planicador social o un dictador benevolente. Este planicador busca maximizar la utilidad del agente representativo (1.1), sujeto a las restricciones tecnol ogicas dadas por (1.3) y (1.4). Las cantidades resultantes de esta maximizaci on son Optimos de Pareto, en el sentido que no es posible aumentar la utilidad de algun agente sin reducir la de otro. Formalmente, un Optimo de Pareto (OP) para esta econom a es un conjunto de secuencias para las cantidades ct , it y kt+1 que, dado k0 > 0, resuelven el problema del planicador social: max s:t:
1 X

t u (ct ) 8t 8t

(1.11)

t=0

ct + it = f (k t) kt +1 = (1 ) kt + it

Podemos demostrar que si no existen distorsiones tales como impuestos o externalidades, todo EGC es un OP y para cada OP existe un sistema de precios que lo hace un EGC. Esta equivalencia entre el problema del planicador social y los problemas de familias y rmas competitivas es una aplicaci on directa de los Teoremas del Bienestar. En la pr actica, nos permite hallar el EGC resolviendo primero el problema del planicador social, que es mas sencillo, y luego encontrando los precios. 1.2. Introducci on a los M etodos Num ericos A continuaci on veremos algunos procedimientos num ericos que m as adelante ser an utiles para el desarrollo del curso. En particular, veremos como aproximar num ericamente la soluci on de un sistema de ecuaciones no-lineales y como calcular la matriz Jacobiana de una funci on, sin necesidad de conocer las expresiones anal i ticas para las derivadas. 1.2.1. Soluci on de Ecuaciones No-Lineales Varios de los m etodos que vamos a revisar en este curso se reducen nalmente a resolver un sistema de ecuaciones, posiblemente no-lineales. Sea x = (x1 ; x2 ; :::xn) 5

un vector columna de n componentes, y F (x) una funci on que transforma valores n n de R en R . Queremos encontrar algun vector x ^, no necesariamente u nico, tal que F (^ x) = 0. Dado que no podemos resolver anal iticamente la ecuaci on, vamos a aproximar num ericamente su soluci on mediante un vector que denotamos por x . Para ello, un procedimiento sencillo se conoce como el m etodo de NewtonRaphson. La idea es usar una expansi on de Taylor de la funci on F en torno a la soluci on aproximada x , del tipo F (x) F ( x) + J ( x) (x x ) + t erminos de orden mayor (1.12)

en donde J ( x) es la matriz Jacobiana con las derivadas parciales de F evaluadas en x :


6 J ( x) = 6 6 4 2

F11 ( x) F21 ( x) ::::::::::: Fn1 ( x)

F 12 ( x) F 22 ( x) ::::::::::: F n2 ( x)

:::: :::: :::: ::::

F1n ( x) F2n ( x) ::::::::::: Fnn ( x)

3 7 7 7 5

x) i ( y Fij ( x) = @F . xj Una aplicaci on del Teorema de Taylor nos asegura que, conforme x se acerca al valor x, los t erminos de orden mayor tienden a cero. Luego, manipulando (1.12) evaluada en x ^ obtenemos:

x ^x J ( x)1 F ( x)

(1.13)

que es la base del m etodo de Newton-Raphson. El algoritmo en s i sigue los siguientes pasos. Primero debe proponerse una soluci on x0, usando en lo posible el conocimiento que tengamos acerca de F . Adem as, debe establecerse un criterio de tolerancia, es decir un valor m inimo para el margen de error que consideramos aceptable. Con s = 0, iniciamos el siguiente procedimiento iterativo: 1. Calcular el vector F (xs ) y la matriz J (xs); 2. Calcular el vector xs +1 usando la siguiente regla: xs+1 = xs J (xs )1 F (xs )

3. Evaluar la norma o distancia kxs+1 xs k.4 Si esta distancia es mayor que el criterio de tolerancia establecido, regresar al paso 1 con s = s + 1. En caso contrario, el procedimiento termina con x = xs+1. Si empezamos con un candidato x0 sucientemente cerca de x ^, puede demostrarse que el m etodo de Newton-Raphson converge a dicha soluci on. Sin embargo, si empezamos lejos de x ^ el m etodo converger a a otra soluci on (en caso s+1 de que esta no sea unica) o bien diverger a, es decir la distancia kx xs k se ir a haciendo cada vez mayor. De ah i la importancia de probar distintos valores para x0 antes de aventurar una soluci on denitiva. Otra desventaja de este m etodo es que requiere tener expresiones anal iticas para todas las derivadas parciales de F , a n de calcular J (xs ) en cada iteraci on. Un m etodo alternativo al Newton-Raphson, conocido como el m etodo de secante, es similar al anterior en cada paso con la excepci on de que usa derivadas num ericas s para aproximar J (x ). Pese a ser m as sencillo de implementar, el m etodo de secante es menos preciso, y en ocasiones resulta m as dificil obtener convergencia. 1.2.2. Derivadas Num ericas Queremos obtener una aproximaci on num erica para la matriz Jacobiana J (x), que descomponemos en sus n columnas J (x) = [J1 (x) J2 (x) ::: Jn (x)] siendo Ji (x) el vector columna con las n derivadas parciales de la funci on F con respecto a x i. Sea h es un vector columna de n componentes (incremento). Cuando los valores de h son peque~ nos, podemos usar la expansi on de Taylor: F (x1 + h1 ; x2 ; :::; xn) F (x) + J1 (x) h1 F (x1; x2 + h2 ; :::; xn) F (x) + J2 (x) h2
Hay varias maneras de denir el concepto de distancia entre dos vectores de dimensi on n. Los m as usados son la norma Euclideana: q 2 2 k x y k = ( x1 y 1 ) + ::: + (xn yn ) y la llamada sup-norma: k x y k = max fjx 1 y1 j ; :::; jxn yn jg N otese que cuando n = 1, ambas f o rmulas se reducen al valor absoluto habitual.
4

:::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::: F (x1; x2; :::; xn + hn) F (x) + Jn (x) hn de donde obtenemos para cada i = 1; :::; n 1 [F (x1; :::; xi + hi; :::; xn ) F (x)] (1.14) hi Alternativamente, podemos aproximar num ericamente la matriz Jacobiana usando la derivada por el lado izquierdo: Ji (x) 1 [F (x) F (x1 ; :::; xi hi ; :::; xn)] hi o, tomando x como el punto medio: Ji (x) 1 [ F (x1 ; :::; xi + hi ; :::; xn) F (x1; :::; xi hi; :::; xn )] 2hi (1.15)

Ji (x)

(1.16)

Esta ultima f ormula es considerada m as precisa, a menos que exista una discontinuidad en la funci on F evaluada en x. Al igual que el criterio de tolerancia, la elecci on del vector de incrementos h es arbitraria. Nuevamente, conviene asegurar la respuesta probando con valores progresivamente m as peque~ nos, hasta que el valor de las derivadas se estabilice. 1.3. M etodos Iterativos Simples Veamos ahora algunos m etodos sencillos para calcular el Equilibrio Competitivo en un modelo deterministico similar al presentado a comienzos del curso. Empecemos trabajando con el problema del planicador social (1.11). Analizando las condiciones de primer orden del problema, podemos demostrar que la trayectoria optima para el capital kt satisface en cada per iodo la ecuaci on de Euler : u [ f (kt ) kt+1 + (1 ) kt ] = fk (kt+1) + (1 ) u [f (kt+1) kt+2 + (1 ) kt+1] y converge monot onicamente hasta su valor de estado estacionario, dado por: 8

k =

1 fk

"

1 (1 )

(1.17)

Podemos reescribir la ecuaci on de Euler como: (kt+2; kt+1; kt ) = 0 (1.18)

y el problema se reduce a resolver la ecuaci on en diferencias no-lineal (1.18) de segundo orden en kt, con una condici on inicial (k0 > 0 dado) y una condici on nal, k . 1.3.1. Shooting Un m etodo sencillo para resolver el problema anterior se conoce como shooting. El m etodo supone que la econom ia alcanza su estado estacionario en un n umero nito T de per iodos, jado arbitrariamente al comienzo. Tambi en proponemos 0 un valor inicial para k1 (denotado por k1 ) e iniciamos la siguiente iteraci on, con s = 0:
s 1. Dados k 0 y ks 1, hallar k2 resolviendo: s (k0 ; ks 1; k2 ) = 0

usando Newton-Raphson o alg un otro m etodo num erico.


s 2. Calcular k3 ; :::; k s T resolviendo recursivamente: s s s (k1 ; k2; k3 )=0

::::::::::::::::::::::::::::::
s s s kT 2 ; kT 1; kT = 0 s 3. Evaluar jkT k j. Si esta distancia es mayor que el criterio de tolerancia s+1 acordado, regresar al paso 1, con s = s + 1 y un nuevo candidato k1 . En s caso contrario, el procedimiento termina con la soluci on kt = kt . s El tercer paso verica si la trayectoria kt calculada converge hacia el valor de estado estacionario k , que podemos calcular a partir de (1.17). Si no converge, cambiamos el valor de k1 y volvemos a recalcular la secuencia, hasta obtener

convergencia. N otese que una vez obtenida la secuencia de valores para kt podemos calcular las trayectorias para ct , yt, wt , rt y cualquier otra variable de inter es, usando las siguientes condiciones: yt = f (kt ) i t = k t+1 (1 ) kt ct = yt it Kt = kt rt = fk (K t) wt = f (Kt ) fk (Kt ) Kt (1.19) (1.20) (1.21) (1.22) (1.23) (1.24)

obtenidas de la denici on del Equilibrio Competitivo. 1.3.2. Gauss-Seidel Un problema del m etodo del shooting es que no existe un procedimiento sistem atico para ajustar el valor propuesto para k 1 al nal de cada iteraci on. Una alternativa que evita este problema es el m etodo de Gauss-Seidel. Nuevamente suponemos que la econom ia alcanza su estado estacionario en un n umero nito T de per iodos. Esta vez, proponemos valores iniciales para toda la secuencia 0; :::; k0 e iniciamos la siguiente iteraci k2 on, con s = 0: T
s +1 1. Dados k 0 y ks resolviendo: 2, hallar k1 +1 s k0; k s 1 ; k2 = 0

usando Newton-Raphson o alg un otro m etodo num erico.


s+1 +1 2. Calcular k2 ; :::; ks resolviendo recursivamente: T +1 s +1 s ks 1 ; k2 ; k3 = 0

::::::::::::::::::::::::::::::
s+1 s+1 s kT 2 ; kT 1; kT = 0

10

s 3. Evaluar jkT k j. Si esta distancia es mayor que el criterio de tolerancia acordado, regresar al paso 1, con s = s + 1. En caso contrario, el proced+1 imiento termina con la soluci on kt = ks . t

El tercer paso verica nuevamente si la trayectoria k s t calculada converge hacia el valor de estado estacionario k . Si no converge, n otese que ya no necesitamos s+1 s+1 volver a proponer una secuencia de valores iniciales k2 ; :::; kT , pues estos se obtienen de la u ltima iteraci on (segundo paso). 1.3.3. Resolviendo Directamente el Equilibrio Competitivo En ciertas aplicaciones en las cuales los teoremas del bienestar no se cumplen5, es necesario resolver directamente el Equilibrio Competitivo. Para ello, trabajamos con la ecuaci on de Euler obtenida del problema del consumidor (1.7): u [w t + rtk t kt+1 + (1 ) kt ] = rt+1 + (1 ) u [w t+1 + rt+1kt+1 kt+2 + (1 ) kt+1] una ecuaci on en diferencias de segundo orden en kt que depende de las secuencia de precios rt y wt : ( kt+2; kt+1 ; ktj wt; w t+1 ; rt ; r t+1 ) = 0 (1.25)

Tambi en tomaremos en cuenta las condiciones de equilibrio (1.22), (1.23) y (1.24). Un m etodo simple para resolver este problema implica una doble iteraci on. Primero, siempre suponiendo que en T per iodos se llega al estado estacionario, pro0 0 0 ponemos una secuencia inicial para el capital agregado K0 ; K1 ; :::; K T , cuidando 0 0 que K0 = k 0 y que KT = K . Luego, seguimos el siguiente algoritmo (primera iteraci on), con s = 0. 1. Calcular todas las secuencias de precios usando (1.23) y (1.24). 2. Dados esos precios, resolver la ecuaci on de Euler (1.25) usando el m etodo de shooting o de Gauss-Seidel (segunda iteraci on) y obteniendo una soluci on s; k s ; :::; k s . k0 1 T
Estas aplicaciones incluyen modelos con distorsiones tales como impuestos o dinero, as i como modelos con decisiones discretas y otras no-convexidades.
5

11

s s s s s s 3. Vericar si k(K0 ; K1 ; :::; K T ) (k0 ; k1; :::; kT )k es menor al criterio de tol erancia especicado. De ser asi, concluye el algoritmo. En caso contrario, s+1 s s regresar al paso 1 con s = s + 1 y un nueva secuencia K t = 1 2 ( Kt + kt ).

El u ltimo paso verica que la condici on de igualdad entre oferta y demanda de capital (1.22) se cumpla en cada peri odo. De no ser as i , reiniciamos el proceso con una nueva secuencia de capital, obtenida como un promedio ponderado de la secuencia propuesta al principio de la iteraci on y la obtenida como resultado de la misma. 1.3.4. Limitaciones Hemos presentado un conjunto de m etodos iterativos relativamente simples que permiten resolver un Equilibrio Competitivo. Uno puede preguntarse si es necesario revisar m etodos m as complejos, y la respuesta es armativa. Lamentablemente, los m etodos presentados en esta sesi on tienen importantes limitaciones para el trabajo cuantitativo. Una primera limitaci on es el n umero de variables. Algunas extensiones del Modelo de Crecimiento Neocl asico, en los cuales hay otras variables de estado adem as del stock de capital, requieren resolver sistemas de ecuaciones en diferencias con m as de una variable. Ello en principio podr ia hacerse con m ultiple iteraciones, una para cada variable, pero el proceso seria lento e ineciente. En segundo lugar, estos m etodos solo sirven para modelos determin isticos, pues no existe una manera sistem atica de introducir incertidumbre al momento de la computaci on. Por lo tanto, se requieren m etodos alternativos para resolver modelos de ciclos econ omicos, entre otros. Por ultimo, estos m etodos basado en la ecuaci on de Euler requieren que las funciones objetivo sean continuas y diferenciables. Esto impide el an alisis de soluciones de esquina, decisiones discretas (como trabajar o permanecer desempleado) u otras no-convexidades. En las pr oximas sesiones revisaremos m etodos num ericos un poco m as sosticados que permitan superar estas limitaciones.

12

2. Segunda Sesi on
Esta sesi on tiene como objetivo presentar el m etodo de iteraci on de la funci on de valor. Para ello, empezamos reformulando la deniciones de equilibrio en t erminos recursivos y presentando algunos resultados de la literatura sobre programaci on din amica. Estos resultados constituyen la base te orica para el m etodo de iteraci on de la funci on de valor, que se presenta a continuaci on para resolver el problema del planicador social en un contexto determin i stico. Finalmente, el m etodo es extendido para resolver y simular un modelo estoc astico con shocks tecnol ogicos. 2.1. Formulaci on Recursiva y Programaci on Din amica Un Equilibrio General Competitivo Recursivo es un conjunto de funciones v (k; K ), c (k; K ), i (k; K ), k 0 (k; K ), precios w (K ) y r (K ) y ley de movimiento (K ) tales que: i) Dadas las funciones w , r y , la funci on de valor v (k; K ) resuelve la ecuaci on de Bellman : v (k; K ) = max 0
c;i;k

fu ( c) + v (k 0; K 0 )g

(2.1)

s:t: c + i = w (K ) + r (K ) k k 0 = (1 ) k + i K 0 = (K ) y las funciones c (k; K ), i (k; K ) y k 0 (k; K ) son reglas de decisi on optimas para este problema. ii) Para todo K , los precios satisfacen las condiciones marginales: r (K ) = f 0 (K ) w (K ) = f (K ) f 0 (K ) K iii) Para todo K , hay igualdad entre oferta y demanda: f (K ) = c (K; K ) + i (K; K ) (2.4) (2.2) (2.3)

13

iv) Para todo K , ley de movimiento agregada y comportamiento individual son consistentes: (K ) = k 0 ( K; K ) (2.5)

Resolver un Equilibrio Competitivo en su formulaci on recursiva consiste entonces en encontrar un conjunto de funciones que satisfagan las condiciones anteriores. En particular, una vez encontradas las reglas de decisi on optimas y partiendo de un k0 dado, podemos reconstruir las secuencias para las principales variables de manera recursiva: k 1 = k0 (k0; k0 ) k 2 = k0 (k1; k1 ) = k0 (k0 (k0; k0 ) ; k 0 ( k0; k0)) y as i sucesivamente para kt , t = 3; 4; ::: El Principio de Optimalidad asegura que la secuencia resultante es igual a la que obtendr iamos resolviendo el equilibrio en forma de secuencias que vimos en la sesi on anterior. De manera similar, denimos un Optimo de Pareto Recursivo como un conjunto de funciones v (k ), c (k ), i (k ), k 0 ( k) que resuelven la ecuaci on de Bellman del planicador social: v (k ) = max 0
c;i;k

fu (c) + v (k 0)g

(2.6)

s:t: c + i = f (k) k0 = (1 ) k + i La equivalencia entre el equilibrio competitivo y el problema del planicador social se sigue manteniendo en este contexto. 2.1.1. Programaci on Din amica Las ecuaciones de Bellman (2.1) y (2.6) son ejemplos de un problema m as general. Sea x un vector columna de n componentes, X un subconjunto de Rn , la funci on de retorno F : X X ! R y la correspondencia - : X ! X . Con esos elementos, denimos la funci on de valor v : X ! R como la soluci on de la ecuaci on de Bellman:

14

v (x) = max y

fF (x; y) + v (y)g

(2.7)

para todo x 2 X . Dada la funci on de valor, podemos denir la regla de decisi on optima g : X ! X como: g (x) = arg max y es decir, la funci on que satisface: fF (x; y) + v (y)g (2.8)

s:t: y 2 - (x)

s:t: y 2 - (x)

v (x) = F (x; g (x)) + v (g (x)) Las propiedades de las funciones v y g han sido analizadas en la literatura sobre programaci on din amica6. En ella, se demuestra que si (i) X es un conjunto convexo; (ii) - (x) es un conjunto compacto y no-vac io, para todo x 2 X ; (iii) la correspondencia - es convexa y continua; (iv) la funci on F es c oncava, acotada y continua; y (v) < 1; entonces: 1. existe una u nica funci on v que satisface (2.7); 2. v es continua, acotada y estrictamente c oncava; 3. existe una u nica funci on g que resuelve (2.8); 4. g es continua. En la mayor parte de ejemplos pr acticos que veremos, incluyendo el Modelo de Crecimiento Neocl asico, las restricciones impuestas en las preferencias y tecnolog ia aseguran que los supuestos (i)-(v) se cumplen. Aparte de asegurarnos existencia y unicidad de la soluci on, el m etodo de programaci on din amica nos ofrece un procedemiento para encontrar dicha soluci on. Denamos el operador T : B (X ) ! B (X ), en donde B (X ) es el espacio de funciones acotadas denidas en X , de la siguiente manera:
Una referencia completa, aunque bastante t ecnica, puede encontrarse en Stokey y Lucas (1989).
6

15

T [v (x)] = max y

fF (x; y ) + v (y )g

(2.9)

Encontrar la funci on de valor que resuelve (2.7) es equivalente a encontrar un punto jo del operador T , es decir, una funci on v tal que T [ v] = v. Bajo ciertas condiones t ecnicas, el operador T es una contracci on 7. Por lo tanto, partiendo de cualquier funci on v0 2 B (X ), la secuencia vn denida por: v1 = T v0 v 2 = T v 1 = T 2v 0 ::::::::::::: converge hacia el punto jo v. 2.2. Iteraci on de la Funci on de Valor Volvamos ahora al problema del planicador social (2.6) en su froma recursiva. Reemplazando las restricciones en la funci on objetivo, tenemos: v (k ) = max 0
k

s:t: y 2 - (x)

fu [f (k ) + (1 ) k k0 ] + v (k 0 )g

(2.10)

un problema equivalente a la ecuaci on de Bellman general (2.7) con x = k, y = k 0 , F (x; y) = u [f (x) + (1 ) x y] y - (x) = [0; f (x) + (1 ) x]. De acuerdo con la teor ia de la programaci on din amica que revisamos breve0 mente, partiendo de cualquier funci on v (por ejemplo, v0 (k) = 0) la secuencia n v denida por vn+1 (k ) = max 0
k
7

s:t: k 0 2 [0; f (k ) + (1 ) k ]

fu [f (k ) + (1 ) k k 0] + vn (k 0)g

(2.11)

El operador T es una contracci on con m odulo si existe un n u mero 2 (0 ; 1) tal que k T f (x ) T g (x )k kf (x) g (x) k para todo f; g 2 B (X ), x 2 X . Las llamadas condiciones de Blackwel l sucientes para una contracci o n son: monotonicidad del operador T , en el sentido que T f T g si f (x ) g (x ) para todo x 2 X , y descuento, en el sentido que existe un n umero 2 (0 ; 1) tal que T [f + a] (x) T f (x )+ a para todo f 2 B (X ), x 2 X y a 0. Nuevamente, los supuestos (i)-(v) mencionados anteriormente garantizan su cumplimiento.

16

converge a la soluci on v cuando n tiende a innito. Esto constituye de por s i un m etodo iterativo en un espacio de funciones; en esta secci on veremos como implementarlo num ericamente. 2.2.1. Implementaci on Num erica Empezamos deniendo una malla de valores para k, es decir, un vector K = (K1; K2;:::; K p) con K1 = K min y Kp = K max. Por simplicidad, podemos usar puntos igualmente espaciados, con K2 = Kmin + , K 3 = Kmin + 2 y as i sucesivamente, en donde = (Kmax Kmin ) = (p 1) Mientras m as puntos usemos, es decir mientras p sea mayor y m as peque~ no, la aproximaci on ser a m as precisa. Luego, denimos una matriz M de la siguiente manera: M =6 6
4 2 6

s:t: k 0 2 [0; f (k ) + (1 ) k ]

F (K1; K 1) F (K2; K 1) :::::::::::::::: F (Kp; K 1)

F (K 1; K2) F (K 2; K2) :::::::::::::::: F (K p; K2)

::::: ::::: ::::: :::::

F (K1; K p) F (K2; K p) :::::::::::::::: F (Kp; K p)

3 7 7 7 5

en donde F (x; y ) = u [ f (x) + (1 ) x y]. La matriz M contiene la funci on de retorno evaluada para cada posible k 2 K y k 0 2 K . Sin embargo, sabemos que no todos esos valores son posibles. La restricci on k 0 2 [0; f (k) + (1 ) k ] nos permite eliminar algunas celdas de la matriz que son inalcanzables para el planicador social, imponi endole un valor cero8. Hacemos entonces: Mij F (Ki; K j ) = 0 si Kj > f (Ki ) + (1 ) Ki

Una vez constru ida la matriz M , el resto del procedimiento es una simple iteraci on. Empezamos con cualquier vector columna V 0 2 Rp (por ejemplo, V 0 = 0) e iniciamos el siguiente algoritmo con s = 0: 1. Dado el vector V s = V1s ; V2s ; :::; V ps y la matriz M , calcular V s+1 de la siguiente manera:
6 V s +1 = max 6 6
8

2 4

M11 + V1s M21 + V1s :::::::::::::::::: Mp1 + V1s

M12 + V2s M22 + V2s :::::::::::::::::: Mp2 + V2s

::: ::: ::: :::

M1p + Vps M2p + Vps :::::::::::::::::: Mpp + Vps

3 7 7 7 5

O un valor negativo (como por ejemplo 1000). El punto es impedir que el programa escoja esa celda al calcular la maximizaci o n.

17

donde el m aximo es calculado por la, es decir:


2 6 6 6 6 6 4

s+1

max nM11 + V1s ; M12 + V2s ; :::; M1p + Vps o max M21 + V1s ; M22 + V2s ; :::; M2p + Vps :::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::: n o max Mp1 + V1s ; Mp2 + V2s ; :::; Mpp + Vps

o 3 7 7 7 7 7 5

2. Evaluar kV s+1 V sk. Si la norma es mayor que el criterio de tolerancia permitido, regresar al paso 1 con s = s + 1. En caso contrario, el procedimiento termina con la soluci on V = V s+1. Una vez obtenida la aproximaci on a la funci on de valor V (evaluada en cada uno de los p puntos de la malla), la correspondiente regla de decisi on optima G se obtiene calculando:
6 G = arg max 6 6 4 2

M11 + V1 M21 + V1 :::::::::::::::::: Mp1 + V1

M12 + V2 M22 + V2 :::::::::::::::::: Mp2 + V2

::: ::: ::: :::

M1p + Vp M2p + Vp :::::::::::::::::: Mpp + Vp

3 7 7 7 5

Es decir, G es un vector columna de n componentes, en donde Gi 2 f1; :::; pg nos indica el n umero de la columna que maximiza la la i . Podemos entonces reconstruir la secuencia optima de capital, partiendo de k0 = K i de la siguiente manera: k1 = Kj con j = Gi k2 = Kl con l = G j ::::::::::::::::::: y as i sucesivamente. 2.2.2. Resolviendo el Equilibrio Competitivo El m etodo de iteraci on de la funci on de valor es particularmente apropiado para resolver el problema del planicador social. Sin embargo, su utilidad es menor al momento de resolver directamente el Equilibrio Competitivo. La raz on no es que existan dos variables de estado, el capital individual y el agregado, pues eso ser ia 18

una simple extensi on del m etodo anterior. El principal problema es que la ley de movimiento del capital agregado (la funci on en la ecuaci on de Bellman (2.1)) debe ser conocida al momento de realizar la optimizaci on. Sin embargo, este es un objeto que solo conocemos luego de resolver el equilibrio. Una forma de evitar este problema guarda cierta analog ia con el metodo de doble iteraci on que vimos en la sesi on anterior. Presentaremos solo la idea general, pues su utilizaci on es limitada en la pr actica. Suponemos que la ley de movimiento tiene cierta forma funcional, por ejemplo un polinomio de grado n: K 0 = ( K ) = a1 + a2K 2 + ::: + a nK n y proponemos un vector inicial de par ametros (a 1; a2; :::; a n). Dada esa ley de movimiento, la ecuaci on (2.1) puede resolverse iterando la funci on de valor. Obtenemos entonces la regla de decisi on optima y, dado k0 , calculamos la secuencia optima resultante k0; k1; :::; kT . Con esos datos, corremos la regresi on:
n kt+1 = a 1 + a2 k2 t + ::: + an kt

y estimamos un nuevo juego de par ametros (^ a1 ; ^ a2; :::; ^ an ). Si estos estan razonablemente cercanos a los que propusimos, termina el procedimiento. En caso contrario, volvemos a resolver la ecuaci on de Bellman usando (^ a1 ; ^ a2; :::; ^ an ) como los nuevos par ametros de la ley de movimiento. Evidentemente, este m etodo de doble iteraci on ser a m as preciso conforme mayor sea el grado n del polinomio que se use para aproximar la ley de movimiento del capital agregado. Pero a un con un n grande, nada garantiza la convergencia del algoritmo. 2.3. El Modelo Estoc astico Consideremos ahora un modelo un poco distinto, en el cual la productividad de la rma representativa esta sujeta a un shock tecnol ogico . Es decir, en cada periodo t, tenemos: Yt = t f (Kt ) en donde t es una variable aleatoria que sigue un determinado proceso estoc astico. Las decisiones se toman en cada periodo antes de que el shock correspondiente sea observado. 19

Para poder aplicar el m etodo de programaci on din amica, suponemos que los shocks toman un n umero nito y siguen un proceso de q de valores h i Markov de i primer orden. Es decir, 2 1; 2; :::; q y P rob t+1 = j t = = ij . EvP identemente, debe cumplirse que q j=1 ij = 1. La matriz de orden q q con todas las probabilidades ij se conoce como la matriz de transici on . Un Equilibrio General Competitivo, Recursivo y Estoc astico para esta econom ia es un conjunto de funciones (o planes contingentes) v (k; K; ), c (k; K; ), i (k; K; ), k 0 (k; K; ), precios w (K; ) y r (K; ) y ley de movimiento (K; ) tales que: i) Dadas las funciones w, r y , la funci on de valor v (k; K; ) resuelve la ecuaci on de Bellman: v (k; K; ) = max 0
c;i;k

fu (c) + E v (k0 ; K 0 ; 0 )g

(2.12)

s:t: c + i = w (K; ) + r (K; ) k k 0 = (1 ) k + i K 0 = (K; ) y las funciones c (k; K ), i (k; K ) y k 0 (k; K ) son reglas de decisi on optimas para este problema. ii) Para todo K y , los precios satisfacen las condiciones marginales: r (K; ) = f 0 (K ) w ( K; ) = f (K ) f 0 (K ) K iii) Para todo K y , hay igualdad entre oferta y demanda: f (K ) = c (K; K; ) + i ( K; K; ) (2.15) (2.13) (2.14)

iv) Para todo K y , ley de movimiento agregada y comportamiento individual son consistentes: (K; ) = k 0 ( K; K; ) (2.16)

N otese que, dada la forma en que hemos denido el proceso estoc astico para los shocks tecnol ogicos, podemos expresar el valor esperado en (2.12) como:

20

E i v (k ; K ; ) =

j =1

q X

ij v k 0 ; K 0 ; j

(2.17)

N otese tambi en que las reglas de decisi on optimas son planes contigentes. Para obtener las trayectorias correspondientes es necesario simular una historia completa de realizaci on de los shocks tecnol ogicos. Similarmente, denimos un Optimo de Pareto Recursivo y Estoc astico como un 0 conjunto de funciones v (k; ), c (k; ), i (k; ), k (k; ) que resuelven la ecuaci on de Bellman del planicador social: v ( k; ) = max 0
c;i;k

fu (c) + E v (k 0; 0 )g

(2.18)

s:t: c + i = f ( k) k0 = (1 ) k + i y nuevamente, en aquellos casos en que se cumplan los supuestos de los Teoremas del Bienestar, resolveremos este problema como una manera indirecta de calcular el Equilibrio Competitivo. 2.3.1. Iteraci on de la Funci on de Valor La ecuaci on de Bellman (2.18) puede resolverse num ericamente usando el m etodo de iteraci on de la funci on de valor. Dada una malla (K1; K2;:::; K p) para el stock de capital y la malla ( 1 ; 2 ; :::; q ) para los shocks tecnol ogicos, denimos la matriz M de orden pq p de la siguiente manera:
6 6 6 6 6 6 6 6 6 =6 6 6 6 6 6 6 6 6 4 2

F ( K1; K1 ; 1 ) F (K1 ; K2; 1) ::::: F ( K1; Kp ; 1 ) ::::::::::::::::::::::::: :::::::::::::::::::::::: ::::: :::::::::::::::::::::: F ( Kp; K1 ; 1 ) F (Kp ; K2; 1) ::::: F ( Kp; Kp ; 1 ) F ( K1; K1 ; 2 ) F (K1 ; K2; 2) ::::: F (K1 ; Kp; 2) ::::::::::::::::::::::::: ::::::::::::::::::::::: ::::: :::::::::::::::::::::::: F ( Kp; K1 ; 2 ) F (Kp ; K2; 2) ::::: F (Kp ; Kp; 2) ::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::: F ( K1; K1 ; q ) F (K1; K 2; q ) ::::: F (K1 ; Kp; q ) :::::::::::::::::::::::: :::::::::::::::::::::::: ::::: :::::::::::::::::::::: F ( Kp; K1 ; q ) F (Kp; K 2; q ) ::::: F (Kp ; Kp; q )

3 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 5

21

en donde F (x; y; ) = u [ f (x) + (1 ) x y]. Nuevamente, imponemos las restricciones tecnol ogicas en la matriz M haciendo:: Una vez constru ida M , escojemos cualquier vector columna V 0 2 Rpq (por ejemplo, V 0 = 0) e iniciamos el siguiente algoritmo con s = 0:
s 1. Dado el vector V s = V1s ; V2s ; :::; Vpq , calcular una matriz W s de q p de acuerdo a: 2 Pq 3 Pq Pq s s s j=1 1jV j(p1)+1 j=1 1j Vj(p1)+2 ::::: j=1 1j Vj( p1)+p Pq Pq 6 Pq 7 s s s 6 j=1 2jV j(p1)+1 j=1 2j Vj(p1)+2 ::::: j=1 2j Vj( p1)+p 7 s 6 7 W =6 ::::::::::::::::::::::::::: ::::: ::::::::::::::::::::::::::: 7 4 ::::::::::::::::::::::::::: 5 Pq Pq Pq s s s V V ::::: V j=1 qj j( p1)+1 j=1 qj j(p1)+2 j=1 qj j( p1)+p

Mp(l 1)+i;j F (K i; Kj ; l ) = 0

si K j > l f (K i) + (1 ) Ki

2. Dados el vector W s y la matriz M , calcular la matriz M de orden pq p de la siguiente manera:


2 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 4

M =

s s s M11 + W11 M12 + W12 ::::: M1p + W1 p ::::::::::::::::::::::::::::::: ::::::::::::::::::::::::::::::: ::::: ::::::::::::::::::::::::::::::: s s s Mp1 + W11 Mp2 + W12 ::::: Mpp + W1 p s s s Mp+1;1 + W21 Mp+1;2 + W22 ::::: Mp+1;p + W2 p ::::::::::::::::::::::::::::::: ::::::::::::::::::::::::::::::: ::::: ::::::::::::::::::::::::::::::: s s s M2p; 1 + W21 M2p;2 + W22 ::::: M2p;p + W2 p ::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::::: s s s M(q 1)p+1;1 + Wq M(q 1)p+1; 2 + Wq ::::: M(q1)p+1;p + Wqp 1 2 ::::::::::::::::::::::::::::::: ::::::::::::::::::::::::::::::: ::::: ::::::::::::::::::::::::::::::: s s s Mqp;1 + Wq Mqp;2 + Wq ::::: Mqp;p + Wqp 1 2

3 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 5

3. Dada la matriz M , calcular el vector V s+1 como: V s+1 = max M donde el m aximo es calculado por la. 4. Evaluar kV s+1 V sk. Si la norma es mayor que el criterio de tolerancia permitido, regresar al paso 1 con s = s + 1. En caso contrario, el procedimiento termina con la soluci on V = V s+1. La regla de decisi on optima se calcula como antes: G = arg max M en donde M es la matriz obtenida en el segundo paso de la u ltima iteraci on. 22

2.3.2. Simulaci on de las Trayectorias Optimas Con el m etodo anterior, obtenemos la funci on de valor V y la regla de decisi on optima G evaluadas para cada stock de capital y cada shock tecnol ogico. Estos vectores est an ordenados de la siguiente manera:
2 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 4

V =

v (K 1; 1) v (K 2; 1) ::::::::::::::: v (K p; 1) v (K 1; 2) ::::::::::::::: v (K p; 2) ::::::::::::::: v (K 1; q ) ::::::::::::::: v (K p; q )

3 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 5

6 6 6 6 6 6 6 6 6 6 =6 6 6 6 6 6 6 6 6 6 4

g (K1; 1) g (K2; 1) ::::::::::::::: g (Kp; 1 ) g (K1; 2) ::::::::::::::: g (Kp; 2 ) ::::::::::::::: g (K1; q ) ::::::::::::::: g (Kp; q )

3 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 5

en donde l = g (K i; j ) nos indica que, dado el stock de capital y la realizaci on del shock tecnol ogico, el planicador social escoger a un stock de capital para el siguiente per iodo igual a Kl . Para obtener una secuencia optima de capital k0; k1 ; :::; kT debemos entonces simular primero una historia de realizaci on de shocks tecnol ogicos 0; 1; :::; T , usando por supuesto la informaci on contenida en la matriz de transici on . Cualquier lenguaje de programaci on escoje n umeros aleatrios de acuerdo a una distribuci on espec ica. Por ejemplo, podemos pedir que escoja 0 asignando la misma 1 2 probabilidad 1=q a cada uno de los posibles valores en la malla ; ; :::; q . A continuaci on, pedimos que simule recursivamente una secuencia 1; :::; T de man i 1 2 q era tal que, dado t = , escoja t+1 entre los valores ; ; :::; con una distribuci on de probabilidad (i1; i2; ::; iq ). Una vez conocida la secuencia de shocks tecnol ogicos, podemos simular una secuencia optima para el capital k0; k1 ; :::; kT y para el resto de variables, usando la regla de decisi on optima G. Estas secuencias representan series de tiempo, cuyos principales estad isticos (media, varianza, patr on de correlaciones) pueden ser calculados y comprados con los datos. N otese, sin embargo, que las series de tiempo obtenidas dependen de la particular realizaci on de los shocks tecnol ogicos. Por eso, se recomienda hacer un n umero grande de simulaciones y usar el promedio (entre simulaciones) de cada uno de los estad isticos mencionados. 23

2.3.3. Limitaciones El m etodo de iteraci on de la funci on de valor tiene la ventaja de ser bastante preciso cuando la malla de valores para las variables de estado es sucientemente na. Adem as, permite incorporar incertidumbre de una manera natural. Sin embargo, este m etodo tiene a su vez ciertas limitaciones. Primero, su aplicabilidad es mayor para econom ias en las que los Teoremas del Bienestar se cumplen y podemos entonces resolver el problema del planicador social. Ya hemos visto las dicultades que se presentan al tratar de resolver directamente el Equilibrio Competitivo. En segundo lugar, al aumentar el n umero de variables de estado y/o el n umero de puntos en la malla, la dimensi on del problema (de la matriz M ) crece exponencialmente volviendo este m etodo muy lento y costoso en t erminos computacionales. Por ultimo, los m etodos basado en la programaci on din amica solo permiten introducir shocks estoc asticos de una determinada estructura, b asicamente procesos de Markov de primer orden con n umero nito de estados. Otros procesos estoc asticos m as generales requieren m etodos distintos, como el que analizaremos en la pr oxima sesi on.

24

3. Tercera Sesi on
En esta sesi on revisaremos el m etodo de aproximaci on lineal-cuadr atica en torno al estado estacionario. Durante muchos a~ nos, este m etodo fue considerado est andar para resolver modelos macroecon omicos din amicos, especialmente el modelo de Ciclos Econ omicos Reales de Kydland y Prescott (1982). Empezaremos revisando las t ecnicas para analizar y resolver problemas de maximizaci on intertemporal en los cuales la funci on objetivo toma una forma cuadr atica y las restricciones son lineales. Una buena referencia para esta secci on es el libro de Sargent (1987). En la segunda parte, veremos como transformar el problema del planicador social y el Equilibrio Competitivo en problemas lineal-cuadr aticos, a n de resolverlos usando las t ecnicas anteriores. 3.1. El Modelo Lineal-Cuadr atico Consideremos el siguiente problema de optimizaci on din amica: max E0
fyt g 1 X T T t xT t Rxt + 2y t W xt + yt Qy t

t=0

(3.1)

s:t:

en donde xt es un vector columna de p variables de estado (incluyendo la constante), yt es un vector columna de q variables de control y "t es un vector de p variables aleatorias (ruidos blancos) distribuidas conjuntamente con media cero y matriz de varianzas-covarianzas . Las matrices de coecientes Rpp, Wq p , Qq q , App, Bpq y pp son datos del problema, as i como el vector inicial de variables de estado x0 . Finalmente, asumimos que tanto R como Q son matrices sim etricas, R negativa semidenida y Q negativa denida. El problema (3.1) pertenece a la clase de modelos lineal-cuadr aticos, en los cuales se maximiza la suma descontada de una funci on objetivo cuadr atica sujeto a una secuencia de restricciones lineales. En esta secci on estudiaremos las propiedades de este modelo y un m etodo num erico para resolverlo. 3.1.1. Ecuaci on de Bellman Podemos reformular el problema (3.1) de manera recursiva como un problema de programaci on din amica: 25

xt+1 = Axt + Byt + "t+1 "t+1 (0; )

8t 8t

v(x) = max xT Rx + 2yT W x + yT Qy + Ev (x0) y s:t: x0 = Ax + By + "0 " 0 (0; )

(3.2)

en donde el valor esperado dentro de la maximizaci on se calcula en base a toda la informaci on contenida en el vector de variables de estado x. Para resolver la ecuaci on de Bellman (3.2), proponemos que la funci on de valor tiene la siguiente forma: v (x) = xT P x + d (3.3)

en donde P es una matriz sim etrica, negativa semidenida, de orden p p y: d = (1 )1 traza (P ) M as adelante vericaremos que la soluci on toma efectivamente esa forma. Reemplazando esta soluci on propuesta en (3.2), tenemos: v(x) = max xT Rx + 2yT W x + yT Qy + E (x0)T P x0 + d y y, usando la ley de movimiento del vector de variables de estado: v(x) = max xT Rx + 2yT W x + yT Qy y +E (Ax + By + "0 )T P (Ax + By + " 0) + d que, simplicando, nos da:
n h io n n h io

(3.4)

v(x) = max xT Rx + 2yT W x + yT Qy + 2y T B T P Ax y


T

(3.5)
o

+yT BT P By + xT AT P Ax + E ("0 ) P "0 + d

Ahora bien, n otese que E (" 0)T P "0 = traza E (" 0 )T P " 0 = traza P E ("0 )T "0 = traza (P ). Reemplazando en (3.5) y usando la denici on de d en (3.4), obtenemos nalmente: v( x) = max xT Rx + 2y T W x + y T Qy + 2yT BT P Ax y
n

(3.6)
o

+y T B T P By + xT AT P Ax + d 26

3.1.2. Calculo de la Regla de Decisi on Optima El siguiente paso consiste en resolver la maximizaci on en (3.6), usando la condici on de primer orden: @v(x) = 2W x + 2Qy + 2B T P Ax + 2B T P By = 0 @y que, despejando, nos da la regla de decisi on optima y = Gx, con la matriz: G = Q + BT P B
1

W + BT P A

(3.7)

N otese dos propiedades de esta regla de decisi on optima. En primer lugar, es una funci on lineal de las variables de estado. En segundo lugar, G es independiente de la estructura estoc astica del problema, en particular de la matriz de varianzascovarianzas 9. Ambas propiedades son espec icas al modelo lineal-cuadr atico. 3.1.3. Iteraci on de la Matriz de Ricatti Nos queda vericar que la soluci on toma efectivamente la forma propuesta en (3.3), encontrando una matriz P que satisfaga: xT P x + d = xT Rx + 2 (Gx)T W x + (Gx)T Q ( Gx) +2 (Gx)T BT P Ax + (Gx)T B T P B (Gx) + xT AT P Ax + d en donde el lado derecho de la ecuaci on se obtiene reemplazando la regla de decisi on optima en (3.6). Eliminando d de ambos lados y dividiendo la ecuaci on por xT x, nos queda: P = R + 2GT W + GT QG + 2G T BT P A + GT B T P BG + AT P A y, reemplazando la denici on de G (3.7) y simplicando, obtenemos nalmente: P = R + AT P A W T + AT P B
9

una expresi on conocida como la ecuaci on de Ricatti.

Q + B T P B

W + BT P A

(3.8)

A esta segunda propiedad se le conoce como equivalencia de certidumbre. Ella nos permite hallar la regla de decisi on o ptima resolviendo el problema determin istico y usar la estructura estoc a stica del modelo u nicamente para la simulaci on de las trayectorias o ptimas.

27

Se puede demostrar que la ecuaci on (3.8) tiene una u nica soluci on P sim etrica y negativa semidenida. Adem as, podemos encontrar esa soluci on mediante el siguiente proceso iterativo. Partiendo de cualquier matriz P0 sim etrica y negativa semidenida (por ejemplo, P0 = 0), calculamos recursivamente: Pn+1 = R + AT Pn A W T + AT PnB

Q + B T Pn B

hasta obtener convergencia. Se demuestra que, conforme n tiende a innito, la secuencia P n converge a la verdadera soluci on P . 3.1.4. Simulaci on de Trayectorias Optimas Una vez calculada la matriz P que satisface la ecuaci on de Ricatti, podemos calcular la funci on de valor (3.3) y la regla de decisi on optima (3.7). Volviendo a la ley de movimiento de las variables de estado: xt+1 = Axt + Byt + "t +1 y reemplazando la regla de decisi on optima G : xt+1 = (A + BG) xt + "t+1 (3.9)

W + B T PnA

obtenemos un sistema lineal de ecuaciones en diferencia para xt , sujeta a shocks estoc asticos. Este sistema nos permite simular las trayectorias optimas de las variables de estado, dados x0 y una determinada secuencia de realizaciones de los shocks estoc asticos "t . Tambi en nos permite analizar la estabilidad del sistema, es decir si luego de un shock que aleje al vector xt del estado estacionario este vuelve a converger al mismo en el largo plazo. Para que el modelo sea estable, tiene que cumplirse que los valores propios de la matriz ( A + BG) sean todos menores que uno en valor absoluto. 3.1.5. Computaci on Eciente La eciencia del m etodo linear-cuadr atico puede ser aumentada considerablemente mediante unas simples transformaciones. La idea es simplicar la versi on deter ministica del problema (3.2) eliminando el factor de descuento y los productos cruzados, para obtener un problema de la forma:

28

~x ~y v(~ x) = max x ~T R ~+y ~T Q ~ + v (~ x0)


y ~

(3.10)

s:t:

~x ~y x ~0 = A ~ +B ~

Esa simplicaci on puede obtenerse mediante las siguientes transformaciones: x ~t y ~t ~ R ~ Q = 2x t t 2 = yt + Q1 Wxt = R W T Q1W = Q
q q
t

~ = A ~ = B

A BQ1W B

Para resolver el problema transformado (3.10) seguimos los mismos pasos que en el caso del problema original. En primer lugar, proponemos una soluci on T v (~ x) = x ~ Px ~, en donde P es una matriz sim etrica negativa semidenida. En ~x segundo lugar, derivamos la regla de decisi on optima y ~= G ~, obteniendo: ~ = Q ~+B ~T P B ~ G
1

~T P A ~ B

(3.11)

Finalmente, calculamos la matriz P resolviendo iterativamente la ecuaci on de Ricatti: ~ +A ~T P A ~A ~T P B ~ Q ~+B ~T P B ~ P=R


1

~T P A ~ B

(3.12)

que es computacionalmente m as sencilla que su similar (3.8). ~ , podemos recuN otese que, una vez calculada la regla de decisi on optima G perar la regla de decisi on para el problema original: ~ Q1W x y= G e, introduciendo los shocks estoc asticos, simular las trayectorias optimas de las variables originales.

29

3.2. Aproximaci on Lineal-Cuadr atica en Torno al Estado Estacionario En general, los modelos con los que trabajamos no tienen una estructura linealcuadr atica equivalente al problema (3.2). No podemos, por lo tanto, aplicar el m etodo de soluci on presentado en la secci on anterior, al menos directamente. La estrategia que seguiremos es construir una aproximaci on lineal-cuadr atica a nuestro modelo en torno al estado estacionario (deterministico), utilizando para ello una expansi on de Taylor de segundo orden. Esta t ecnica, usada inicialmente por Kydland y Prescott (1982), es facilmente aplicable para resolver el problema del planicador social. Como veremos al nal, tambi en podemos usar un versi on de este m etodo para resolver el Equilibrio Competitivo en una economia para la cual no se cumplen los supuestos de los Teoremas del Bienestar. 3.2.1. Resolviendo el Problema del Planicador Social Empecemos con el problema del planicador social con shocks tecnol ogicos en su forma recursiva. Reemplazando las restricciones no-lineales dentro de la funci on objetivo, tenemos: v (k; ) = max
i

fu [f (k ) i ] + E v (k0 ; 0)g

(3.13)

s:t: k0 = (1 ) k + i 0 = (1 ) + + "0 "0 N otese que hemos cambiado la especicaci on estoc astica de los shocks tecnol ogicos. En la sesi on anterior trabajamos con un proceso de Markov de primer orden con n umero nito de estados. Hemos generalizado dicha representaci on a un proceso autoregresivo de primer orden con media uno. Una de las ventajas del m etodo lineal-cuadr atico es que permite trabajar con este tipo de procesos. Tenemos entonces identicadas dos variables de estado k , , asi como la variable de control i . El siguiente paso es calcular los valores de estado estacionario determin istico (eliminando el ruido estoc astico) de estas variables: = 1
1 k = fk

0 ; 2

"

1 (1 )

30

1 fk

"

1 (1 )

y aproximar la funci on de retorno U (k; ; i) u [ f (k) i] mediante una expansi on de Taylor de segundo orden en torno a dichos valores: U (k; ; i ) U () + Uk () (k k) + U () ( ) + Ui () (i i)
1 1 1 2 2 + Ukk () (k k ) + U () ( ) + Uii () (i i)2 2 2 2

+ Uk () (k k ) ( ) + Uki () (k k ) (i i ) +Ui () ( ) (i i ) (3.14)

en donde todas las funciones con argumento () est an evaluadas en el vector de estado estacionario ( k ; ; i ). La aproximaci on de Taylor (3.14) nos da una funci on de retorno cuadr atica. Reemplazandola en el problema del planicador social (3.13), tenemos ahora s i un objeto equivalente a (3.2), con: 1 7 x=6 4 k k 5 2U () Uk () U () 6 R = 4 Uk () Ukk () Uk () 7 5 U () Uk () U ( ) 1 0 0 6 A = 4 0 1 0 7 5 0 0
2 3 2 3 2 3

y = [i i ]
2

"1 7 "=6 4 "k 5 "


3

Ui ( ) 6 T W = 4 Uki () 7 5 Ui ()
2 3 2

Q = [ Uii ( )]
3

y en donde R es sim etrica y negativa semidenida y Q es sim etrica y negativa 10 denida .


Estas propiedades de las matrices R y Q pueden demostrarse usando la concavidad de las funciones de utilidad y de producci o n.
10

0 6 B=4 1 7 5 0

0 0 0 6 =4 0 0 0 7 5 0 0 2

31

Podemos entonces resolver este problema mediante las t ecnicas analizadas en la secci on anterior, obtener la regla de decisi on optima (lineal) y hacer las simulaciones estoc asticas. N otese, sin embargo, que todas las variables est an expresadas en t erminos de desviaciones con respecto al estado estacionario. Los resultados deben transformarse adecuadamente para recuperar las variables en t erminos absolutos. 3.2.2. Resolviendo el Equilibrio Competitivo Trabajar directamente con el Equilibrio Competitivo implica resolver el problema: v (k; K; ) = max
c;i

fu (c) + E v (k 0 ; K 0 ; 0 )g c +i k0 r (K ) w (K ) K0 0 = = = = = = w (K ) + r (K ) k (1 ) k + i fk (K ) f (K ) fk (K ) K (K ) (1 ) + + " 0

(3.15)

s:t:

"0

0; 2

en donde la ley de movimiento del capital agregado no es conocida. Sin embargo, sabemos que en equilibrio la igualdad K = k se cumple, aunque el agente representativo no toma en cuenta esa condici on de equilibrio al resolver su maximizaci on. Reemplazando la restricci on presupuestaria y las deniciones de precios dentro de la funci on de utilidad, obtenemos la ecuaci on de Bellman: v (k; K; ) = max
i

fU (k; K; ; i) + E v (k0 ; K 0; 0 )g k0 = (1 ) k + i 0 = (1 ) + + "0

(3.16)

s:t:

" 0

0 ; 2

32

en donde U (k; ; i; K ) u [ f (K ) fk (K ) K + fk (K ) k i ], junto con la condici on de equilibrio K = k . Nuevamente aproximamos la funci on U mediante una expansi on de Taylor de segundo orden en torno al vector de estado estacionario (k ; ; i ; K ), obteniendo un problema lineal-cuadr atico del tipo: v(x) = max xT Rx + 2yT W x + yT Qy + Ev (x0) y
n o

(3.17)

s:t:

x01 = Ax1 + By + C x2 + "0 "0 (0; )

m as la condici on de equilibrio: x2 = Dx1 + Hy en donde: 1 6 x1 = 4 k k 7 5


2 6 2 3 2 3

x2 = [ K K ]

x=

"

x1 x2

y = [ i i ]
2 6

"1 6 " = 4 "k 7 5 "


3 7 7 7 5 3

R =6 6 4

2U () Uk () U () UK ()

Uk () Ukk ( ) Uk () UkK ()
2

U ( ) Uk () U () UK ()

UK () Uk () UK () UKK ()
3

3 7 7 7 5 2

WT = 6 6 4
3

Ui () Uki () Ui () UKi ()
2

Q = [ Uii ()]

1 0 0 6 A =4 0 1 0 7 5 0 0
2 3

0 6 B =4 1 7 5 0 0 0 0 7 = 6 4 0 0 0 5 0 0 2
2 3

0 6 C =4 0 7 5 0

0 7 DT = 6 4 1 5 0

H = [0]

con R y Q sim etricas, R negativa semidenida y Q negativa denida. 33

Denamos nalmente las matrices auxiliares: 2U () Uk () U () 7 R1 = 6 4 Uk ( ) Ukk () Uk () 5 U () Uk () U () Ui () 7 W1T = 6 4 Uki () 5 Ui ()


2 3 2 3

UK () 7 R2 = 6 4 Uk () 5 UK ()
h

W2 =

Ui ()

que son simples particiones de las matrices R y W . Para resolver el problema (3.17), vamos a utilizar la equivalencia de certidumbre y trabajar con el problema determin istico. Adem as, mediante las siguientes transformaciones: x ~t y ~t ~ R ~ Q = 2 x t t = 2 yt + Q1W xt = R W T Q 1 W = Q
q q q
t

~ = A ~ = B ~ = C ~ = D ~ = H

A BQ 1W1 B C BQ1 W2
1

I + H Q1W2 I + H Q1W2

D HQ1W1

simplicamos el problema eliminando el factor de descuento y los productos cruzados. Nos queda un problema de la forma: ~x ~y v(~ x) = max x ~T R ~+y ~T Q ~ + v (~ x0)
y ~

(3.18) (3.19)

s:t: m as la condici on de equilibrio:

~x ~y ~x x ~01 = A ~1 + B ~+C ~2

~x ~y x ~2 = D ~1 + H ~ 34

(3.20)

Las condiciones de primer orden para (3.18) incluyen: @v (~ x) ~y ~T = 0 = 2Q ~+ B @y ~ (3.21)

@v (~ x) ~ 1x ~2x ~T 0 = 0 = + 2R ~01 + 2R ~02 + A (3.22) @x ~01 en donde es el vector de multiplicadores de Lagrange asociado a la restricci on (3.19). N otese que no podemos tomar la derivada con respecto a x ~2, pues no conocemos la ley de movimiento de las variables agregadas. Sin embargo, sabemos que en equilibrio la condici on (3.20) se cumple. El siguiente paso consiste en proponer una soluci on para el multiplicador de Lagrange, que luego vericaremos. Proponemos la regla = 2Sx ~01 , en donde S es una matriz negativa semidenida. Reemplazando en (3.21): ~y ~ T Sx Q ~+B ~01 = 0 y usando la restricci on (3.19) junto con la condici on de equilibrio (3.20): ~y ~TS A ~+C ~D ~ x ~T S B ~+C ~H ~ y Q ~+ B ~1 + B ~= 0 ~x obtenemos la regla de decisi on optima y ~=G ~1, con: ~= Q ~+B ~T S B ~+C ~H ~ G
h i 1

~T S A ~+C ~D ~ B

Para vericar esta soluci on y encontrar la matriz S, trabajamos con la ecuaci on (3.22). Reemplazando por 2S x ~01 y usando la condici on de equilibrio (3.20), tenemos:

(3.23)

~1 + R ~2 D ~ S x ~ 2H ~y ~T Sx R ~01 + R ~0 + A ~00 1 =0

lo que, rezagando un per iodo y usando la restricci on (3.19), nos da: ~1 + R ~ 2D ~ S x ~2 H ~y ~T S A ~x ~y ~x R ~1 + R ~+A ~1 + B ~+ C ~2 = 0

Usando la condici on de equilibrio (3.20) junto con la regla de decisi on optima ~x y ~= G ~1 , nos queda:
n

~1 + R ~2D ~ S+A ~T S A ~+C ~D ~ + R ~ 2H ~ +A ~T S B ~+C ~H ~ R 35

~ x G ~1 = 0

~ en Finalmente, eliminando x ~1 a ambos lados, reemplazando la denici on de G (3.23) y reordenando t erminos, obtenemos: ~1 + R ~2 D ~ +A ~T S A ~+C ~D ~ S =R ~2 H ~ +A ~T S B ~+C ~H ~ R
h i h i1

~+B ~TS B ~ +C ~H ~ Q

~T S A ~ +C ~D ~ B

una versi on de la ecuaci on de Ricatti (3.12) que puede resolverse iterativamente 11 como antes . ~, recuUna vez hallada la matriz S y calculada la regla de decisi on optima G peramos la regla de decisi on para el problema original: y = I + Q1W2H
1 h

~ Q 1 (W1 + W2D) x1 G

y simulamos las trayectorias optimas de las principales variables. Recu erdese nuevamente que estas variables est an expresadas como desviaciones con respecto a su nivel de estado estacionario. 3.2.3. Limitaciones El m etodo de aproximaci on lineal-cuadr atica ofrece un procedimiento bastante simple y r apido en t erminos computacionales, incluso cuando el n umero de variables se incrementa. Al no forzar la discretizaci on del espacio para las variables de estado, las soluciones tienden a ser m as precisas. Sin embargo, su principal limitaci on es que asume que las reglas de decisi on optima son lineales, lo que constituye una buena aproximaci on u nicamente cuando el modelo se mantiene cerca del estado estacionario. Este m etodo no ser a el adecuado, por lo tanto, para economias que empiezan con un capital inicial muy por debajo del nivel de estado estacionario, o para aquellas en las cuales los shocks estoc asticos tienen una varianza muy alta.

McGrattan (1994) desarrolla de manera similar un m etodo para resolver el Equilibrio Competitivo mediante una aproximaci on lineal-cuadr a tica. Adicionalmente, presenta un m etodo alternativo para resolver la ecuaci o n de Ricatti que no requiere de iteraciones.

11

36

References
[1] Bergoeing, Raphael. "Notas en Experimentos Computacionales y Teoria de Equilibrio General Aplicada", Documento de Docencia D-6, IladesGeorgetown University, 1998. [2] Cooley, Thomas y Edward Prescott. "Economic Growth and Business Cycles". En: Cooley, Thomas (ed.). Frontiers of Business Cycle Research, Princeton University Press, 1995. [3] Den Haan, Wouter y Albert Marcet. "Solving the Stochastic Growth Model by Parametrizing Expectations", Journal of Business and Economic Statistics , 1990. [4] Kydland, Finn y Edward Prescott. "Time to Build and Aggregate Fluctuations", Econometrica 50, 1982. [5] McGrattan, Ellen. "A Note on Computing Competitive Equilibria in Linear Models", Journal of Economic Dynamics and Control, 1994. [6] McGrattan, Ellen. "Solving the Stochastic Growth Model with a Finite Element Method", Federal Reserve Bank of Minneapolis, 1994. [7] McGrattan, Ellen. "Application of Weighted Residual Methods to Dynamic Economic Models", Sta Report 232, Federal Reserve Bank of Minneapolis, 1998. [8] Rios-Rull, Jose Victor. "Computation of Equilibria in Heterogeneous Agent Models", University of Pennsylvania, 1998. [9] Sargent, Thomas. Dynamic Macroeconomic Theory, Harvard University Press, 1987. [10] Stokey, Nancy y Robert Lucas. Recursive Methods in Economic Dynamics , Harvard University Press, 1989. [11] Urrutia, Carlos. "Notas sobre Crecimiento y Ciclos Economicos", Documento de Docencia D-5, Ilades-Georgetown University, 1996.

37

A. Ejercicios de Repaso
A.1. Primera Sesi on 1) Usar el m etodo de Newton-Raphson para aproximar con un nivel de tolerancia 5 de 10 las soluciones de las siguientes ecuaciones: x = (2 ex + x2 )=3 3x2 ex = 0 ex + 2x + 2 cos (x) 6 = 0 Repetir el ejercicio usando el m etodo de secante. 2) La ecuaci on (4x 7)=(x 2) = 0 tiene una soluci on x = 1:75. Usar el m etodo de Newton-Raphson para la ecuaci on anterior con los siguientes valores iniciales: x0 = 1:625 x0 = 1:875 x0 = 1:45 x0 = 3

y explicar gr acamente los resultados obtenidos. 3) Encontrar y gracar las trayectorias optimas para el capital, consumo, producto, salario real y tasa de inter es en el Modelo de Crecimiento Neocl asico Simple, con las siguientes formas funcionales: u(c) = log(c) los siguientes valores para los par ametros: = 0: 99 A = 10 = 0:35 = 0: 06 f (k ) = Ak

y un stock de capital inicial k0 igual a la mitad del capital de estado estacionario k , utilizando el m etodo de iteraci on de Gauss-Seidel con 100 per i odos >C omo se modican dichas trayectorias cuando cambiamos el valor de a 0:98? 4) Repetir los pasos en la parte (3) para una econom ia en la cual el gobierno impone una tasa impositiva al ingreso de 20%, cuya recaudaci on es devuelta a los agentes como una transferencia lump-sum. >C omo se modican dichas trayectorias cuando la tasa impositiva asumenta a 25%? Evaluar el efecto sobre el bienestar del agente representativo de dicha medida. 38

A.2. Segunda Sesi on 1) Encontrar y gracar las trayectorias optimas para el capital, consumo, producto, salario real y tasa de inter es en el Modelo de Crecimiento Neocl asico Simple, con las siguientes formas funcionales: u(c) = log(c) los siguientes valores para los par ametros: = 0: 99 A = 10 = 0:35 = 0: 06 f (k ) = Ak

y un stock de capital inicial k0 igual a dos tercios del capital de estado estacionario k , utilizando el m etodo de iteraci on de la funci on de valor. Usar una malla para el stock de capital de 500 puntos igualmente espaciados desde 0:5k hasta 1:2k y gracar las funciones de valor obtenidas en cada una de las iteraciones. 2) Considere una econom ia similar a la de la parte (1) sujeta a un shock tecnol ogico que puede tomar los siguientes valores 2 f0; 0: 5; 1g y con matriz de transici on: 0: 5 0:3 0:2 6 = 4 0: 1 0:7 0:2 7 5 0 0:4 0:6 Resolver el modelo utilizando el m etodo de iteraci on de la funci on de valor, con una malla para el stock de capital de 500 puntos igualmente espaciados desde 0 hasta 1:5k . Partiendo con un k0 igual al stock de capital de estado estacionario y con 0 = 0:5, simular y gracar una realizaci on de la trayectoria optima (una serie de tiempo) para el capital, consumo, producto, salario real y tasa de inter es, por 50 per i odos. Usando un promedio de 100 simulaciones, calcular la desviaci on est andar del logaritmo de cada una de las series obtenidas y su correlaci on con el producto. A.3. Tercera Sesi on Considere el siguiente modelo de Ciclos Econ omicos Reales. El agente representativo maximiza su utilidad esperada, que depende del consumo y el ocio: E0
1 X

t=0

t [log (ct ) + log (1 lt )] 39

sujeto a la restricci on presupuestaria: ct + it = wt lt + (1 ) rt kt + Tt en donde es un impuesto (o subsidio, si menor que cero) proporcional al ingreso por renta del capital, cuya recaudaci on es devuelta mediante una transferencia Tt . La regla de acumulaci on de capital sigue siendo: k t+1 = (1 ) kt + i t La rma representativa opera con una tecnolog ia descrita por la funci on de producci on:
1 F (Kt ; Lt ) = Kt Lt

en donde es un par ametro que mide la productividad. Tanto el impuesto como el par ametro productivo est an sujetos a shocks estoc asticos, de la forma: t+1 = t + t+1 t+1 = (1 ) + t + "t+1 en donde los ruidos blancos se distribuyen conjuntamente de acuerdo a:
" # " # "

t "t

0 0

2 12 1 12 2 2

#!

1) Utilizando la siguiente parametrizaci on: = 0: 99 = 0:7 = 0:5 = 0: 3 2 1 = 0:01 = 0:35 = 0:06 12 = 0:001

2 2 = 0: 02

resolver el modelo anterior mediante una aproximaci on lineal-cuadr atica en torno al estado estacionario. Encontrar la regla de decisi on optima. Partiendo con un nivel de capital igual al de estado estacionario, simular y gracar una realizaci on de la trayectoria optima (una serie de tiempo) para el capital, consumo, empleo, 40

producto, salario real y tasa de inter es por 50 periodos. Usando un promedio de 100 simulaciones, calcular la desviaci on est andar del logaritmo de cada una de las series obtenidas y su correlaci on con el producto. 2) Volver a simular y hallar los estad isticos para las series se~ naladas en la parte (1) 2 en una economia sin shocks de pol itica scal (con = 1 = 12 = 0). Comparar los resultados y evaluar el benecio sobre el bienestar del agente representativo de eliminar las uctuaciones de pol itica scal.

41

B. Librer ia de Programas en Matlab

42