Análisis y

predicción de
series de tiempo
Un enfoque amigable basado en simulación
utilizando Excel y Eviews

H. Ernesto Sheriff B.
[NOMBRE DE LA EMPRESA] i
Contenido
Índice de gráficos .................................................................................................................... ii
Índice de biografías................................................................................................................. ii
Prólogo................................................................................................................................... iii
1. Introducción ................................................................................................................... 2
1.1. A quiénes está dirigido el texto? ............................................................................. 2
1.2. Organización del texto ............................................................................................. 3
1.3. Software y sus limitaciones ..................................................................................... 3
1.4. Sobre la data utilizada.............................................................................................. 7
2. Cuestiones metodológicas.............................................................................................. 9
2.1. El estado de las controversias en metodología econométrica .............................. 10
2.2. El Proceso Generador de Datos (PGD) ................................................................... 13
2.3. Causalidad y la Crítica de Lucas ............................................................................. 16
2.3.1. Los modelos macroeconométricos a gran escala........................................... 16
2.3.2. Yom Kipur y el colapso de los modelos macroeconométricos ....................... 17
2.3.3. La causalidad................................................................................................... 22
2.4. Las series de tiempo: cómo son? ........................................................................... 23
2.4.1. Tendencia ....................................................................................................... 24
2.4.2. Estacionalidad ................................................................................................. 26
2.4.3. Observaciones atípicas ................................................................................... 27
2.4.4. Volatilidad ....................................................................................................... 28
2.4.5. No linealidades ............................................................................................... 29
2.5. Resumen del capítulo ............................................................................................ 31
2.6. Lecturas recomendadas ......................................................................................... 31
2.7. Ejercicios ................................................................................................................ 31
Glosario .................................................................................... ¡Error! Marcador no definido.
Abreviaciones .......................................................................... ¡Error! Marcador no definido.
Bibliografía ............................................................................................................................ 33
Índice de autores y temas .................................................................................................... 34

i
Índice de gráficos

Gráfico 1: Precio del Petróleo 1946-1974 ............................................................................ 18

Gráfico 2: Inflación e Ingreso en Gran Bretaña .................................................................... 20
Gráfico 3: Serie artificial con tendencia determinística ....................................................... 24
Gráfico 4: Serie artificial con tendencia estocástica ............................................................ 25
Gráfico 5: Serie artificial con movimiento estacional........................................................... 26
Gráfico 6: Serie artificial con observación atípica ................................................................ 27
Gráfico 7: Serie artificial con heteroscedasticidad ............................................................... 29

Índice de biografías
Biografía 1: Trygve Haavelmo ................................................................................................. 9

ii
Prólogo
Este libro comenzó a ser pensado en 1995 cuando me tocó dictar mis primeras cátedras en
Econometría Dinámica y Modelos de Simulación. El primer problema que apareció (y se
mantiene hasta hoy) fue el de elegir la bibliografía del curso. Habían muchos factores a
tomar en cuenta: primero, buscar el estado del arte para un curso de pre grado y dejar a un
lado el entusiasmo natural de incluir bibliografía muy nueva y avanzada muy alejada de las
posibilidades reales de un buen alumno. Otro problema tenía que ver con lecturas que
engloben lo más posible los temas a ser tratados, de ser posible un libro base
complementado con lecturas de aplicación; en los hechos la bibliografía estaba conformada
por los apuntes de quienes fueron mis catedráticos, lecturas de diverso tipo y calibre y algún
libro guía que recién empezaba a referirse a las series de tiempo en sus últimos capítulos.
Finalmente, el idioma, que a pesar de la globalización sigue siendo un problema desde el
Río Bravo hasta Ushuaia aunque cada vez más relativo. La pesadilla no terminó allí. A pesar
del cuidado en elegir la bibliografía, finalmente yo terminaba denostando el libro elegido
con frases como “no lean esta parte porque está mal”, o “el enfoque de este capítulo ya es
muy antiguo”, etcétera, exponiéndome a la crítica (que no llegó) de por qué haber elegido
un libro que ya no sirve para los fines del curso. Sin embargo, en algún momento, eso fue
un acicate para que los alumnos busquen más y mejor bibliografía y capten también la idea
que la econometría aplicada a las series de tiempo (también llamada Macroeconometría)
dista mucho de haber sido completamente sistematizada. Cada año que se tiene que dar
un curso de series de tiempo tengo el mismo malestar, y por lo tanto a partir de ahora, me
tocará denostar este trabajo en mis futuras cátedras.

Hay sin embargo, otra motivación mucho más profunda que fue reforzándose con los años.
La metodología econométrica. Resulta que los mejores textos elegidos para diferentes
instancias del estudio de series de tiempo, exponen de manera insuperable la técnica a ser
empleada e incluso (como no) los motivos para elegir tal o cual técnica. Sin embargo,
tomando esos libros de gran prestigio, uno empieza en la página uno y termina en la página
600 y pico, y tiene la sensación de que conoce centenares de técnicas econométricas pero
sigue con la sensación de no saber cómo hacer un modelo econométrico. Por dónde
empezar? Cómo se supone que debiera ser el proceso? A lo largo de los años se acudió a
algoritmos metodológicos que pierden eficacia a medida que se complejiza el proceso
generador de datos pero que funcionan muy bien en introducir al alumno en una “forma de
pensar” las series de tiempo, de tal forma que sabe lo que quiere, sabe lo que tiene que
hacer y la técnica se convierte en el principal escollo, que felizmente, es muy bien tratada
en la literatura existente. Por lo tanto este libro, ante todo, es un libro metodológico, que

iii
se refiere al análisis de series de tiempo. En otras palabras, busca dar la sensación de que
hay un camino, una ruta operativa cuasi óptima de describir el Proceso Generador de Datos
de manera consistente con la teoría y la técnica correspondiente. Busca enseñar cómo
hacer un modelo econométrico aplicado a series de tiempo, donde el límite en su calidad y
eficacia sea uno mismo.

Las investigaciones que realicé hasta la fecha, muchas de las cuales han recibido los honores
de premios y distinciones, han reforzado la idea de que las metodologías aquí presentadas
tienen una utilidad práctica.

En la génesis y desarrollo de este trabajo han influido muchas personas. Definitivamente mi

agradecimiento a la casi docena de universidades que me han acogido en más de 20 años
de docencia en econometría de series de tiempo; a Hugo Argote quien me invitó a dictar mi
primera cátedra sin ningún tipo de condicionamiento. A Hidelgart Ahumada una de las
grandes eminencias en econometría quien aparte de maestra fue una dura tutora en la
Universidad Torcuato Di Tella. A Roberto Frenkel cuyo entusiasmo y heterodoxia hoy en día
me haría acordar de Paul Feyerabend. A Alfredo Canavese(+) quien tuvo la paciencia de
aguantar mi carácter de alumno consentido y darme su amistad hasta el último momento.
A mis mentores de toda la vida Juan Antonio Morales y Rolando Jordán Pozo de quienes
admiro la devoción por esta ciencia ingrata, el entusiasmo adolescente cuando aprenden
algo nuevo y la honestidad con la que valientemente enfrentaron los sinsabores de la alta
exposición. A mi amada compañera María Edith Chacón, colega y coautora de muchas
investigaciones quien impuso la disciplina y entusiasmo de terminar este trabajo de una vez
por todas; la lectura de las versiones preliminares fue hecha por ella con cariño y dedicación.
A Rodney Pereira quien seguramente será el primer lector de estas líneas pero sobre todo
por ser un amigo, colega y profesor al mismo tiempo. A mis hijos Michelle, Stephanie,
Solange, Alexis, Rodolphe, Bjorn y Luka, por el brillo en sus ojos y solidaridad con cada
proyecto mío. Y, finalmente, a mis alumnos, que soportaron las idas y venidas
metodológicas pero que seguramente sabrán sacar provecho a este esfuerzo.

iv
PARTE UNO

ASPECTOS INTRODUCTORIOS Y
METODOLOGICOS

1
 1. Introducción
Este es un texto que fue pensado para ser utilizado de forma complementaria en un curso
formal de econometría aplicada a series de tiempo (que a partir de ahora llamaremos
Macroeconometría aunque tenga serias discrepancias con dicho término). También, puede
ser utilizado de manera autónoma en un curso básico con una orientación más práctica que
teórica.
El carácter complementario y el énfasis en el aspecto práctico determinan el uso limitado
del texto que se advierte al lector desde este primer momento.
El énfasis del texto se da en la parte metodológica donde precisamente es donde tiene sus
mayores potencialidades, incluso por encima del carácter práctico del mismo.
El texto está organizado de lo simple a lo complejo, sin embargo los dos grandes bloques se
refieren a modelos causales y modelos no-causales de series de tiempo. Dicha división
determina que el lector no necesariamente esté familiarizado con un curso previo de
Econometría aunque ello, obviamente, es altamente deseable.

1.1. A quiénes está dirigido el texto?

De acuerdo a lo manifestado en el Prólogo, este texto es útil tanto para el aprendizaje como
para la enseñanza de Macroeconometría. Por un lado el alumno novicio encontrará un
acercamiento amigable con la Econometría en general y con la Macroeconometría en
particular en las páginas de este libro. Por otro lado, el instructor encontrará un camino no
tortuoso para transmitir una forma de pensar y actuar, compatibles, para la especificación,
estimación y evaluación de un modelo aplicado a series de tiempo.
La econometría es una simbiosis molesta de teoría económica, estadística y matemática;
porque de todas se requiere un nivel avanzado para formular “mejores” modelos y además
porque de todas se requiere el mejor nivel posible para “entender” lo que se viene
aprendiendo de Econometría. En la medida que el conocimiento de estas tres áreas sea
mejor, la comprensión de cualquier libro de econometría será más sencilla. En el tema de
series de tiempo, en particular, este esfuerzo es doblemente importante.
El alumno novicio por tanto, requerirá conocimientos de estadística descriptiva,
probabilidad y estadística inferencial. En el plano matemático requerirá además de los
conocimientos de Cálculo Diferencial e Integral, una buena dotación teórica en Algebra
Lineal y en Ecuaciones Diferenciales y Ecuaciones en Diferencia. Finalmente, en lo que a
Teoría Económica se refiere, en el presente texto se utilizarán ejemplos que requieran
formación en Microeconomía y Macroeconomía. Tanto en el aspecto estadístico como en
el aspecto matemático, el texto dedica algunos acápites para el repaso crítico de algunos
conceptos.

2
El tratamiento algebraico ha sido reducido al mínimo en este texto ya que el mismo es
encarado de manera eficiente en los libros de texto en los artículos de revistas científicas;
en las referencias al pie de página se recomendará al lector hace una lectura más detallada.
Sin embargo es aconsejable leer un texto de econometría con un lápiz y papel a la mano
aun cuando el mismo no tenga ecuación alguna.

1.2. Organización del texto

El texto está organizado de lo sencillo a lo complejo en términos de instrumental; y también

de general a particular en aspectos conceptuales. En cada capítulo se cuenta con un grupo
de ejercicios y lecturas recomendadas para obtener máximo rendimiento de los conceptos
impartidos. Además, algunos capítulos (la mayoría) tienen una serie de Anexos que
enfatizan el uso de instrumental computacional y ejemplos guiados. Cada capítulo comienza
con una pequeña biografía de grandes econometristas estableciendo que el número
limitado de capítulos determina una alta injusticia para aquellos autores que no llegan a
figurar en el encabezado de los capítulos.
En cada capítulo existen recuadros de temas importantes o complementarios que bajo la
modalidad de apuntes ayudan a profundizar algunos aspectos.
No hay capítulos optativos. En el peor de los casos se aconseja tener en cuenta los cuatro
grandes bloques del texto: La parte 1, el bloque teórico metodológico que conforman los
capítulos 1 (este), 2 y 3. La parte 2 que conforma el bloque correspondiente a series de
tiempo univariantes (capítulos 4, 5, 6, 7, 8, 9, 10 y 11); la parte 3 dedicada a los modelos
multivariantes no causales (capítulos 12, 13 y 14) y, finalmente, la parte cuatro dedicada a
los modelos multivariantes causales (capítulos 15, 16, 17 y 18).

1.3. Software y sus limitaciones

El texto tiene el mensaje permanente que no existe un software suficiente para agotar el
tratamiento de series de tiempo. Por dicha razón se acudirá a múltiples referencias de
software existente, a veces de manera sucinta a veces de manera detallada. Por razones de
popularidad y difusión, se utilizarán referencias más completas a Eviews1 versión 10.0 y a

1
Eviews es una marca registrada de QMS.

3
Excel2. Sin embargo, se tendrán algunas referencias y
ejemplos con Stata3, EasyReg4, OxMetrics5, LIMDEP6,
R7 y otros.
Si bien el texto no pretende ser un manual
computacional, es indudable que el sacar el máximo
provecho posible al software disponible eleva la
calidad de los modelos estimados al tiempo que
refuerza la formación teórica.
Lastimosamente, los programas de computación
aplicados econometría y en especial a series de
tiempo, tienen características variadas que tienen
que ver con muchos factores. Primero, muchos
programas especializados tienen un componente de
series de tiempo como complemento al programa
especial, tal es el caso de Stata, que es uno de los
programas más difundidos en el trabajo aplicado; por
lo que el énfasis en series de tiempo es más bien
limitado. Sin embargo, existe una gran comunidad de
usuarios de este programa que contribuyen con
algoritmos y rutinas de la más amplia variedad
aplicables a series de tiempo; a tal punto que Stata
puede ser autosuficiente para un tratamiento
eficiente de una o más series de tiempo. Por la
popularidad del programa, Eviews es uno de los más
utilizados, en el presente texto será utilizado como
herramienta principal para la ilustración de los temas
y para el tratamiento de los casos; es una elección
más que todo subjetiva porque como se dijo
anteriormente, existe una amplia disponibilidad de
software aplicado a series de tiempo. Segundo,
algunos programas tienen un componente
metodológico implícito que otorga énfasis a ciertas
técnicas en desmedro de otras, por ejemplo, Eviews
que responde más a la llamada escuela americana de
econometría mientras que OxMetrics responde más
bien un enfoque de la escuela inglesa.
Afortunadamente en este aspecto, las tendencias

2
Excel es una marca registrada de Microsoft.
3
Stata es una marca registrada de StataCorp.
4
EasyReg es un programa gratuito desarrollado por H. Bierens.
5
OxMetrics es una marca registrada de XXXXX.
6
Limdep es una marca registrada de XXXXX.
7
R es un lenguaje de código abierto desarrollado por XXXXX.

4
metodológicas en econometría han ido
convergiendo por lo que estos programas cada vez
más recogen aportes de diferentes tendencias en la
econometría, particularmente de series de tiempo.
Sin embargo, subsisten sesgos de importancia entre
un programa y otro. En Eviews el usuario puede
verificar la escasa profundidad en el tratamiento de
series de tiempo multi variantes con relaciones de
causalidad, específicamente incorporando variables
contemporáneas entre las variables independientes
del modelo y más bien, dedica un esfuerzo
considerable al tratamiento de series univariantes y
de modelos de series de tiempo multivariantes no
causales. Oxmetrics y en su tiempo Microfit son
programas prácticamente diseñados para un
enfoque dinámico de la econometría con presencia
de variables explicativas contemporáneas, es decir
modelos multi variantes causales. Una vez más, se
debe insistir en tomar las debidas precauciones en la
elección de un programa desde el punto de vista
metodológico.
En tercer lugar, el alumno principiante podrá
encontrar en el software disponible los elementos
suficientes para una satisfactoria aproximación a la
Econometría y en particular a la Macroeconometría;
sin embargo, en trabajos de mayor exigencia a nivel
profesional o científico, deberá prever que el
programa elegido puede ejecutar rutinas
programables que permitan incorporar recientes
avances que no llegan a plasmarse dentro del
paquete sino hasta después de muchos años. Por ello
es que tanto Eviews como Stata cuentan con una
amplia comunidad de usuarios que intercambian
estos mini programas e incluso en sus propios
instaladores incorporan rutinas y programas
complementarios que amplían exponencialmente las
capacidades del programa base. Por esta razón, la
posibilidad de programación, es que se ha
popularizado el uso de Matlab8 en econometría al
punto de convertir a este programa matemático en
una herramienta autosuficiente para el tratamiento
econométrico tanto por la potencia del programa

8
Matlab es una marca registrada de MathWorks.

5
base como por la amplia disponibilidad de programas y rutinas en una comunidad enorme.
En el caso específico de Eviews los instaladores de cualquiera de sus versiones traen una
amplia gama de programas y rutinas al tiempo en internet existe una amplia comunidad de
usuarios que intercambian sus propias rutinas. En los últimos cinco años el lenguaje R ha
ganado espacio importante en las aplicaciones econométricas en el tratamiento de series
de tiempo en particular al punto que, a esta altura, ya es simplemente una cuestión de
elección subjetiva el uso de esta herramienta ya que es autosuficiente para cualquier tipo
de aplicación econométrica ya que, por un lado es una herramienta de código abierto,
gratuita, y con una amplia comunidad de usuarios que intercambian no solamente
programas sino investigaciones completas que utilizan este lenguaje y sus programas. Está
la difusión que inclusive existen muchas revistas especializadas en las aplicaciones de R.
Infortunadamente, en este texto se utilizarán pocas referencias a este importante lenguaje.
En cuarto lugar, que es un aspecto muy importante en este texto que pretende ser una
introducción al tratamiento de series de tiempo con énfasis en el aspecto metodológico, es
aquel que se refiere al equilibrio entre facilidad de uso y comprensión teórica de las
diferentes aplicaciones computacionales que ofrecen los paquetes econométricos. En el
caso de Eviews, Stata y OxMetrics por ejemplo, es más fácil ejecutar el comando que
entenderlo. De hecho en los dos primeros casos se ha llegado a confundir la comprensión
de la econometría con la capacidad de utilizar los comandos de cada paquete, o de algún
paquete en particular. De hecho, al ejecutar un modelo econométrico, casi
instantáneamente es posible realizar más de 50 tests y/o regresiones complementarias en
menos de cinco minutos. Sin embargo, las razones por las cuales se habían ejecutado estos
comandos son usualmente desconocidas por los propios usuarios. Un programa que trata
de resolver las aberraciones provenientes del uso indiscriminado de capacidades
computacionales es EasyReg del profesor Bierens. Este programa, además de ser gratuito,
tiene una amplia variedad de técnicas aplicadas a la Macroeconometría a tal punto que es
un sustituto cuasi perfecto de Eviews. Una de sus mejores características es que el nivel del
programa puede ser ajustado a diferentes niveles de profundidad, comenzando por el
principiante y terminando por el investigador. Adicionalmente, en muchas de sus rutinas se
encuentran advertencias con mayúsculas y en rojo previniendo del mal uso de las mismas.
Mucho más importante aún, es que en la mayoría de los comandos la salida
correspondiente viene incorporada con la bibliografía correspondiente al tema y con un
pequeño resumen de la teoría detrás del comando, de tal forma que este programa también
se convierte en una herramienta indispensable para la enseñanza de la econometría de
series de tiempo. En el presente texto, este programa será el segundo más utilizado en los
ejemplos e ilustraciones de los temas.
En quinto lugar se debe considerar las posibilidades de simulación de los programas
existentes. Con el importante crecimiento y las posibilidades computacionales de los
últimos 20 años, la simulación se ha convertido en una importante herramienta no
solamente para el tratamiento de predicciones sino también para la propia estimación de
parámetros y la evaluación de modelos en situaciones extremas, tales como los quiebres
estructurales y las observaciones atípicas. Han proliferado las técnicas de simulación pero
no muchos programas han incorporado estas posibilidades aún. Por lo tanto, aparecen con

6
ventaja en este aspecto EasyReg y Eviews que han incorporado en algunos de sus comandos
la posibilidad de simulaciones complementarias. La tendencia de la tecnología sin embargo
es que en el futuro los programas econométricos gozarán de manera creciente de la
explotación de posibilidades de simulación a diferentes niveles. En este texto se acudirá de
manera permanente al uso de modelos de simulación como herramienta del aprendizaje
de econometría, en otras palabras, se diseñarán procesos generadores de datos artificiales
para contrastar las teorías y aplicaciones desarrolladas. Por tal razón, se complementará el
uso de programas econométricos con el uso de una hoja de cálculo que permita fácilmente
crear series artificiales de tal forma que el alumno en ese proceso vaya desarrollando un
dominio de las diferentes características que pueden tener las series de tiempo; para tal fin
se acudirá a Excel.
Finalmente, en sexto lugar, está la posibilidad de que el programa utilizado sea “inteligente”
en el sentido de buscar de manera autónoma el “mejor” modelo para la o las series elegidas.
Existe en el mercado Forecast Pro9 como uno de los programas con mayores características
de este tipo y también varios programas muchos de ellos gratuitos como Demetra10. Entre
los programas comerciales con componentes “inteligentes” podemos citar a Autobox11,
Crystal Ball12 y @Risk13. En todos estos casos la eficacia del programa alcanza parcialmente
al tratamiento de tendencia y movimiento estacional en modelos univariantes pero con
escasa suerte en series más complejas y prácticamente con una eficacia en modelos
multivariantes ya sean causales o no causales. Sin embargo, el desarrollo del Estado del arte
es tal que probablemente en unos 10 años, al menos en el tratamiento de modelos
univariantes los programas inteligentes sean autosuficientes. En los dos programas que se
utilizan de manera intensiva en este texto Eviews y EasyReg existen componentes
inteligentes que serán evaluados en su momento. Baste adelantar que dichos componentes
inteligentes son similares en eficacia a los otros citados.

1.4. Sobre la data utilizada

En el presente texto se efectuarán recurrentes referencias a economías latinoamericanas y

africanas con mayor énfasis en las primeras, es decir, de países que usualmente no son
referidos en los ejemplos utilizados en los libros tradicionales econometría.
Las series de tiempo en muchos de estos países aparecen y desaparecen; cambian de
metodología de manera abrupta y muchas veces por motivos políticos; las instituciones
encargadas de la generación de estadísticas económicas son por lo general el más débil
eslabón en una institucionalidad de por sí ya débil; y, sin embargo, usualmente son países

9
Forecast Pro es una marca registrada de Business Forecast Systems, Inc.
10
Demetra es un software libre desarrollado por
11
Autobox es una marca registrada de Automatic Forecasting Systems.
12
Crystal Ball es una marca registrada de Oracle.
13
@Risk es una marca registrada de Palisade Corporation.

7
envueltos en profundas crisis macroeconómicas14 y sociales; que precisan con más y
mejores investigaciones en torno sus variables de interés y, muchas veces, tienen que
importar sus propios datos de mediciones externas. En estos países los historiadores
económicos tienen amplio trabajo por hacer al reconstruir series de tiempo lo más remotas
posibles y para analizar unas economías en las que hasta su pasado es incierto.
Por lo tanto, en los ejemplos de aplicaciones se facilitará al lector la fuente del dato utilizado
mediante vínculos a sitios de Internet donde los mismos están alojados. Por otra parte,
estos países latinoamericanos y africanos en su gran mayoría basan sus posibilidades de
crecimiento y desarrollo en la evolución de los precios de materias primas que a su vez se
determinan de manera competitiva en mercados internacionales. Por lo tanto, también se
efectuarán algunos ejemplos con algunos de estos precios.

14
Es tal la realidad macroeconómica de estos países que incluso en el siglo XXI se siguen observando
hiperinflaciones en algunos de ellos a pesar de que tanto la teoría como la política económica ya habían
explicado las razones de su origen y habían proporcionado las recetas para evitar su reaparición.

8
2. Cuestiones metodológicas
Biografía 1: Trygve Haavelmo

a. Series de tiempo en economía, finanzas y negocios

b. Cuánto hemos aprendido desde Haavelmo?
c. Cuánto nos sirve la estadística clásica?
d. El proceso generador de datos
e. La necesidad de una metodología
f. Lecturas recomendadas
g. Ejercicios
h. Apéndice 1: potencialidades de Excel para simulación
Laureado
i. con el Premio
Apéndice Nobel de
2: aspectos Economía
básicos en 1989 por “su elaboración de los
de Eviews
fundamentos probabilísticos de la metodología econométrica y su análisis de
estructuras económicas simultáneas”. Por una parte, Haavelmo fue uno de los
principales impulsores de una metodología econométrica que mostraba la
necesidad de un enriquecimiento mutuo entre la teoría y la práctica. Por otra parte
contribuyó al estudio de relaciones simultáneas que de no ser tratadas
apropiadamente pueden provocar el llamado “sesgo de simultaneidad” (Roux,
2006, págs. 219-225).
Nacido en 1991 en Noruega y fallecido en 1999, Haavelmo también hizo
importantes aportaciones a la macroeconomía destacando la importancia del
tamaño del presupuesto equilibrado en el desempeño macroeconómico de los
países.
Haavelmo introdujo de manera formal, en el contexto de la teoría probabilística,
el estudio del término de error en los modelos de regresión originados en mucho
más que en simples errores de medida. Para su época grandes economistas como
Keynes o Frisch (profesor de Haavelmo) descartaban la teoría probabilística por
lo que el impacto de su obra requirió algún tiempo más; sin embargo, fueron los
propios modelos keynessianos los que se vieron grandemente beneficiados por
los aportes de Haavelmo al introducir métodos confiables de estimación de
ecuaciones simultáneas y de esa manera proliferar en el diseño de políticas de
manera dominante en la década de 1950 hasta bien entrados los años 70.

9
“Cómo hacer un modelo econométrico?” ha sido una pregunta dominante en la práctica y
difusión de la econometría. La pregunta obviamente ha preocupado a alumnos y a
profesores, pero también a los grandes teóricos de esta disciplina. Al igual que en la
Macroeconomía, surgieron escuelas metodológicas que, a diferencia de los
macroeconomistas, sus seguidores colaboraban e interactuaban dando como resultado una
verdadera evolución de la disciplina hasta nuestros días.

2.1. El estado de las controversias en metodología econométrica

En un apasionante artículo (Granger, Where are the controversies in econometric

methodology?, 1990) se preguntaba cuáles eran las principales controversias en
metodología econométrica y ubicaba en primer lugar el Proceso Generador de Datos (PGD)
como un elemento central de dichas controversias; la calidad y cantidad de la información
disponible (data mining) era otro factor de controversia; en un contexto más orientado a
series de tiempo, ponía mucho énfasis a las ecuaciones balanceadas. De manera más
profunda, el autor divide las grandes controversias en dos bloques: aquellas concernientes
al proceso de modelación y aquellas relativas al proceso de evaluación e interpretación de
modelos.
En el caso de modelación, las preguntas principales citadas por (Granger, Where are the
controversies in econometric methodology?, 1990, págs. 14-16) eran:
 Empezar con un modelo grande o pequeño?
 Se deberían simplificar los modelos?
 Cómo debería elegirse la información?
 Se deberían utilizar priors bayesianos?
 Se debería basar la especificación en la teoría económica?
 Cómo elegir la forma funcional?
 Modelo uniecuacional o multiecuacional?
 Incluir variables explicativas contemporáneas o no?
 Condicionar el modelo al objetivo?
En el caso de controversias relativas a la evaluación e interpretación, Granger se
preguntaba:
 Evaluar fuera de la muestra?
 Efectuar test de diagnóstico?
 Es útil el análisis de puntos extremos?
 Cómo deberían compararse los modelos?
Si bien estos puntos son centrales a la hora de especificar, estimar y evaluar un modelo, a
pesar de los años transcurridos, los mismos no han perdido vigencia pese a que el número
de cuestiones más bien inducen a una desconfianza respecto de la eficacia de los modelos
econométricos para el tratamiento y predicción de series de tiempo.

10
Empezar con un modelo grande o pequeño es una
cuestión que sobre todo hace al tratamiento de
modelos multi variantes, es decir aquellos
compuestos por más de una variable y con varios La Crítica de Lucas establece que
rezagos de las variables dependientes e los modelos econométricos
independientes. Esta pregunta ha sido tema de multiecuacionales basados en
preocupación de muchos grandes teóricos de la supuestos de una determinada
metodología econométrica y que a lo largo de los teoría económica no incorporan
capítulos de este texto será tratar en detalle, el comportamiento prospectivo
precisamente, cuando nos dediquemos a los de los agentes económicos; de tal
modelos multivariantes causales y no causales. manera que sus simulaciones que
Sobre la cuestión si se deberían simplificar los asumen la constancia de los
modelos, el principio de parsimonia, al cual nos parámetros que conforman el
referiremos en muchas secciones de este texto, modelo, son erróneas, puesto
nos dice que entre dos modelos “buenos” A y B, que los agentes económicos
elegiremos aquel que sea más pequeño. Sin cambian su comportamiento
embargo, se tiene el peligro de que la algunas cuando se anuncian cambios en
cualidades de un buen modelo pueden perderse al las políticas económicas.
tratar de hacerlo más pequeño, por lo tanto este
es una cuestión aún no resuelta.
Cómo debería elegirse la información? Es una de las preguntas centrales de la investigación
econométrica actual y en particular en economías frágiles en términos institucionales como
las latinoamericanas y africanas. Las metodologías de cálculo de muchas variables
económicas van variando con el péndulo ideológico dominante en estos inestables países,
la disponibilidad de datos va variando según la conveniencia o no de la publicación de
muchas variables, la confianza en muchas de las series de tiempo es relativa dado que a
veces el cálculo responde más bien a expectativas políticas antes que al cálculo de lo que se
quiere medir, etcétera. Por lo tanto, aun cuando las instituciones generadoras de datos sean
estables y confiables, la elección del set de información es crucial. Más allá de esto también
se encuentra el propio objeto de estudio de las variables elegidas, por ejemplo, la decisión
entre una muestra mensual y una muestra anual no sólo depende de la disponibilidad de
datos sino también de lo que se quiere hacer con ellos.
Sobre los prior bayesianos los avances son cada vez más importantes. Éstos se refieren al
uso de información extra muestral en el tratamiento econométrico ya sea de especificación
como también de usos y evaluación de modelos. Las opiniones de expertos, los hallazgos
de otras investigaciones, los “feelings” en función de la experticia en el tema, son elementos
que cada vez son incorporados con mayor frecuencia en la práctica econométrica. Muchos
de los programas econométricos más populares como Eviews han incorporado estos
aportes en muchos de sus comandos y de sus rutinas.
Si se debería basar la especificación en la teoría económica es una cuestión de intenso
debate después del fracaso de las políticas keynesianas y de la Crítica de Lucas (Lucas, 1976).
La econometría, su teoría y su práctica, sufrieron una profunda crisis a mediados de la

11
década de 1970 cuando los modelos multiecuacionales de gran escala y de alto costo
fracasaron en la predicción de la inflación y el desempleo en los países desarrollados. Si bien
dichos modelos estaban especificados en base a la teoría keynesiana que también hizo crisis
a causa de dicho fracaso, la econometría generó alto escepticismo en los usuarios y en los
teóricos dando lugar a un abandono de los modelos econométricos basados en teoría
económica para su especificación. Este sesgo hacia la ilusión de la teoría el especificación
de modelos series de tiempo persiste hasta hoy en día a pesar de que hubieron muchos
avances desde la década de 1980 que rescataron el uso la teoría económica como elemento
importante el especificación de modelos econométricos aunque sin abandonar el
tratamiento de las propiedades temporales de las series económicas a ser tratadas. Esta
combinación derivó en la llamada econometría dinámica que se hizo popular en la década
de los años 90.
La elección de la forma funcional se ha convertido en Los cuatro niveles de conocimiento
una consecuencia del proceso de evaluación antes (Hendry D. F., 1995)
que una herramienta en el proceso de especificación.
Los teóricos de la econometría han logrado 1. Teoría probabilística:
demostrar muchas veces que una especificación entender la estructura
lineal en un mundo no lineal puede ser un buen probabilística de los casos
punto de partida para una representación hipotéticos.
simplificada del mismo; por lo tanto, en una amplia
gama de investigaciones un buen punto de partida es 2. Teoría de la estimación:
una aproximación lineal y, serán los datos, los que encontrar el mejor método
de estimación para los
obliguen a una especificación no lineal para lo cual el
datos disponibles.
desarrollo computacional, matemático y teórico ha
sido vertiginoso en los últimos años; sin embargo, 3. Teoría de modelación.
todavía existen limitaciones en los programas Asociado con teoría
existentes respecto de los desarrollos que se han económica, las relaciones
dado en la especificación, estimación y evaluación de esperadas entre variables.
modelos de series de tiempo no lineales. En los
4. Teoría de predicción
capítulos de este texto nos referiremos ampliamente
conocer qué podría pasar al
a los modelos no lineales. salir de la muestra. Conocer
Elegir entre un modelo uniecuacional o los datos.
multiecuacional también se ha convertido en una
consecuencia del proceso de evaluación en muchos casos. El investigador, por ejemplo está
interesado en estimar las ecuaciones de oferta y demanda del mercado en particular, aún
en ese caso, será aconsejable tratar por separado las ecuaciones componentes de dicho
modelo a menos que, los datos obliguen a un tratamiento multiecuacional. El concepto de
exogeneidad débil que será explicado en este texto ha permitido estimar de manera
eficiente ecuaciones individuales pertenecientes a un modelo multiecuacional. Los aportes
de Haavelmo por tanto siguen teniendo vigencia.
Incluir variables explicativas contemporáneas o no, es un tema tabú entre muchos
econometristas. La Crítica de Lucas tuvo un impacto tan profundo la econometría que casi
durante 20 años se eludió el uso de variables explicativas contemporáneas en el lado
12
derecho de las ecuaciones aplicadas a series de tiempo. Por lo tanto, ha quedado grabado
en el código genético de los econometristas el miedo al uso de variables contemporáneas.
La refutación a la crítica de Lucas que se dio en el año 1983 nos dice que los datos obligarán
al uso o no de estas variables en la especificación de modelos econométricos15. El capítulo
correspondiente a modelos multivariantes causales tratará a fondo este tema.
Condicionar el modelo al objetivo de investigación es una cuestión no resuelta aunque los
recientes avances nos dicen que para determinados usos del modelo se debe contar con
determinadas características en el proceso de evaluación, por ejemplo, los usos clásicos del
modelo de series de tiempo cuáles son la inferencia, la predicción y la simulación, están
condicionados a la presencia de exogeneidad débil, exogeneidad fuerte y super
exogeneidad respectivamente (Engle, Hendry, & Richard, 1983). Por lo tanto, el modelo
elegido tendrá menos que ver con el objeto de la investigación y más con las propiedades
de los datos.
Sobre la cuestión de evaluar fuera de la muestra, también los avances posteriores han
mostrado que se requiere adoptar criterios de evaluación de los modelos econométricos de
series de tiempo entre los cuales se establece de manera explícita la necesidad de evaluar
los fuera de la muestra cuando se pretende establecer la validez y calidad de las
predicciones del mismo. Así, efectuar test de diagnóstico es una necesidad que en palabras
de Hidelgart Ahumada, la palabra principal a la hora de evaluar un modelo es
(parafraseando a su profesor David Hendry) “test, test, test” (Ahumada, 1990, pág. 9). Así,
se requiere de la adopción de criterios de evaluación donde es útil el análisis de puntos
extremos; para tal fin la existencia de métodos de simulación y métodos recursivos ha
permitido que esta deje de ser una opción sino una obligación. Del mismo modo responder
a cómo deberían compararse los modelos, es también una cuestión basada en una amplia
variedad de test.
En el presente texto, se pretende operacionalizar los aportes realizados en los últimos 40
años bajo la forma de algoritmos que permitan obtener estimaciones eficientes en términos
de calidad predictiva y potencial explicativo. Por lo tanto, partiremos de la definición del
proceso generador de datos (PGD).

2.2. El Proceso Generador de Datos (PGD)

El Proceso Generador de Datos (PGD) se lo caracteriza por ser aquel que genera las
observaciones de una serie de tiempo. Así, la serie de tiempo que uno observa no es otra
cosa que el resultado de la interacción de una gran cantidad de variables endógenas
relacionadas de manera no lineal16. El concepto o idea de PGD se remonta a la física
alrededor de la década de 1930 pero es aplicado a econometría a fines de la década de 1960

15
Un artículo que puede valer un Premio Nobel en el futuro es el escrito por Engle, Hendry y Richard en 1983
titulado Exogeneity donde se refuta la Crítica de Lucas. Véase: (Engle, Hendry, & Richard, 1983)
16
Una detallada descripción del PGD puede encontrarse en (Hendry, 2000).

13
por diferentes autores entre los que destacan Box y Jenkins17 por un lado y Clive Granger
por otro lado18.
Este PGD obviamente es desconocido pero si se lo conociese a cabalidad podríamos
predecir con bastante eficacia el sendero futuro de una serie de tiempo involucrada con
dicho proceso. Por lo tanto, la tarea del investigador será describir de manera razonable
dicho proceso generador de datos, para lo cual deberá efectuar una serie de
especificaciones que le aseguren ir por el camino “correcto” en dicha aproximación.
Existen (o se asume que existen) procesos generadores de datos de la más amplia variedad.
Los más sencillos son aquellos univariantes es decir, aquellos que están compuestos por
una sola variable al tiempo que son lineales; existen PGD’s univariantes no lineales, PGD’s
multivariantes lineales y finalmente PGD’s multivariantes no lineales. En el presente texto
se ilustran muchos ejemplos creando procesos generadores de datos de manera artificial y
contrastando dicha serie con las metodologías de estimación y evaluación de modelos
desarrolladas.
Los procesos generadores de datos lineales univariantes pueden ser a su vez resultado
simplificado de procesos más complejos lo que determina una amplia variedad de procesos
en cada caso. Además, los procesos lineales multivariantes pueden estar conformados por
un número bastante grande de variables endógenas y otro número apreciable de variables
exógenas; por lo tanto, en la aproximación al verdadero modelo se deberá desechar un gran
número de variables endógenas y un gran número de variables exógenas, perdiendo
información en cada caso pero asegurándose que dichas pérdidas no sean estadísticamente
significativas.
Se aconseja al lector imaginar el PGD como un sistema de ecuaciones, pero también imagine
un PGD simple, de una sola variable. A continuación describimos algunos:

Ejemplo 1: Procesos Generadores de Datos

Yt    ut
ut ~ N (0,  u )
Proceso simple donde la variable Y en el periodo t oscila aleatoriamente alrededor de una
constante μ (digamos la media), donde el término u es aleatorio distribuido como una normal con
media cero y desviación estándar σ (ambos constantes). En este caso nótese que la variable Y no
depende de ninguna otra variable.

Veamos otro PGD, más complejo:

17
Ver (Box & Jenkins, 1970).
18
Ver (Granger, Investigating causal relations by econometric models and cross-spectral methods, 1969)

14
Yt   0  1Yt 1   2 X t  ut
X t   x  vt
ut ~ N (0,  u )
vt ~ N (0,  v )
En este caso, la variable Y en el periodo t depende de forma lineal del propio valor de Y
en el periodo anterior (t-1), del valor actual de X y de un término aleatorio u que a su vez
se distribuye como una normal con media cero y desviación estándar σu. Nótese que la
variable X oscila alrededor de una constante μx que podría ser su media más un término
aleatorio v distribuido normalmente.

Aquí, estamos en un punto central del trabajo econométrico. Preguntarnos qué podemos
hacer si realmente pudiésemos conocer el verdadero proceso generador de datos. Ello
implica analizar a fondo los procesos y sacar conclusiones a partir de ello.

Veamos el primer caso: las predicciones de Y oscilarán alrededor una constante, en este
caso su media, y un término aleatorio. Por lo tanto, las mejores predicciones para esta
variable provendrán de una ecuación similar a la de su proceso generador de datos; un
modelo más sofisticado no arrojará mejores predicciones para dicha variable. Por otra
parte, la variable Y no depende de otras variables ni contemporáneas ni observadas en
periodos pasados por lo que no tendría sentido preguntarnos qué pasaría con Y se alguna
variable Z cambia.
Veamos el segundo caso: las predicciones de Y dependen de los valores pasados de la misma
pero también de los valores contemporáneos de la variable X, por lo tanto, para predecir Y
necesitamos conocer sus valores pasados y sobre todo necesitamos los valores actuales
para cada periodo de la variable X, en otras palabras, también necesitamos predecir X. Esto
nos plantea la necesidad de conocer el proceso generador X necesariamente para describir
el sendero de la variable Y. Vemos en la segunda ecuación que el proceso generador X es
bastante simple ya que esta variable oscila alrededor de su media más un término aleatorio
v. Adicionalmente, se debe tomar en cuenta el valor de los parámetros αi ya que visto de
otra manera, el proceso generador de datos es ante todo un modelo matemático y los
valores tus parámetros podrían determinar senderos diferentes de Y, preguntémonos por
ejemplo, que pasaría si el valor de α1 fuese 0.5 versus el valor de α1 igual a 1.1. Así, desde
un punto de vista matemático la ecuación correspondiente a Y es una ecuación en
diferencias y debemos preguntarnos si existe la solución, si Y converge o no, a un
determinado valor para un valor dado de X y sobre el tipo de convergencia si es oscilante o
monótona. También, desde el punto de vista económico el valor de α2 muestra la
sensibilidad de la variable Y ante cambios en la variable X, es decir, este parámetro debe
tener un valor compatible con la teoría económica que está detrás de la relación entre Y y

15
X. Nótese que si X cambia para siempre en una unidad, Y cambiará de manera permanente
y ya no volverá a su valor inicial.
De acuerdo al ejemplo anterior, el momento en que empezamos a utilizar un modelo
econométrico es cuando asumimos que tenemos una razonable descripción del proceso
generador de datos sea este sencillo o complejo. Desde el punto de vista aplicado, es posible
interpretar y utilizar el modelo ya sea para fines de predicción por simulación. A lo largo de
la experiencia docente se ha visto que existen problemas en los usuarios aun cuando
conocen la ecuación final para una variable determinada19.

2.3. Causalidad y la Crítica de Lucas

Tal como se dijo anteriormente, el tema de la causalidad es casi un tema tabú en

econometría actual. La Crítica de Lucas (a la que nos referiremos una y otra vez a lo largo
del presente libro) una piedra que se estrelló en la cristalería del econometría causando un
verdadero cambio estructural en la práctica econométrica. Si bien la crítica pretendía ser (y
de hecho lo fue) un golpe de gracia para el abandono de políticas económicas keynesianas,
también lo fue para prácticas erróneas del econometría que persistían hasta ese momento
(1976) a pesar de que varios años antes los desarrollos teóricos ya prevenían de los peligros
de tales usos.

2.3.1. Los modelos macroeconométricos a gran escala

Entusiasmados con los aportes de Haavelmo, los economistas keynesianos construyeron

modelos multiecuacionales macroeconómicos a gran escala en una época (1950 a 1970) en
que los desarrollos computacionales distaban mucho de las posibilidades actuales para
estimar un modelo siquiera uniecuacional. El famoso econometrista Kenneth F. Wallis, en
un texto escrito en el apogeo de los modelos keynesianos multiecuacionales (Wallis, 1973),
nos daba una idea del modo en que se construyeron estos modelos. El autor cita por
ejemplo a 25 modelos de gran escala que contaron con la participación de connotados
econometristas cómo Nerlove, Tinbergen, Klein y el propio Duesenberry (Wallis, 1973, págs.
134-147). Menciona de manera explícita que “es la teoría económica la que sirve de guía”
para la especificación de los modelos macro econométricos a gran escala. El autor también
se mostraba crítico con la excesiva desagregación de los modelos, proponiendo la necesidad
de algún test que nos diga cuál es el grado de desagregación óptima que podría tener un
modelo multiecuacional. Asimismo, el autor subrayaba la importancia de la simulación
estocástica y advertía su preocupación por las no linealidades.

19
En (Hendry D. F., 1995, págs. 21-27) se encuentra similar ejercicio con explicaciones más profundas a cerca
de la naturaleza de los PGD.

16
En 1974 (Wynn & Holden, 1974) dedican más de la mitad de su texto al análisis de
cuestiones macroeconómicas y especialmente a los modelos econométricos de gran escala
que colapsarían pocos meses después. Estos autores llegan a citar más de una treintena de
modelos macro econométricos aplicados a Estados Unidos, Canadá, y Europa y presentan
un análisis detallado de 7 de dichos macro modelos. Es de destacar el número de ecuaciones
de tales modelos que oscilan entre 15 (Klein de 1950) y 203 ecuaciones (Proyecto Brookings
de 1965) (Wynn & Holden, 1974, págs. 127-205).
A pesar de que el lector puede constatar importantes personalidades del econometría
involucradas en estos megaproyectos, otros autores señalaban varios años antes los
peligros a los que estaban expuestos estos modelos de los cuales muchos ya eran tomados
en cuenta por los productores aunque no necesariamente incorporados a pesar de la
validez de dichas observaciones. Aún hoy en día es muy complicado estimar un modelo
multiecuacional de 203 ecuaciones a pesar de los importantes avances computacionales;
imagine entonces el lector cuál sería el costo de hacer correr un modelo en 1970 tanto en
términos monetarios, como en términos de cálculo y tiempo de demora del mismo. El
conjunto de críticas y autocríticas, podemos rescatar a dos que fueron decisivas a la hora
del colapso de estos modelos: la presencia de series no estacionarias y la imposición de
restricciones de causalidad derivadas de la teoría económica aplicada dichos modelos. En
el plano macroeconómico, tal como puede observarse en (Wallis, 1973) y (Wynn & Holden,
1974), existía una ecuación fundamental en dichos modelos que era la correspondiente a la
Curva de Phillips.

2.3.2. Yom Kipur y el colapso de los modelos macroeconométricos

En octubre 1973 los países árabes atacan por sorpresa a Israel, destruyen la línea Bar Lev y
llegan hasta 20 km de Tel Aviv, es decir, por primera vez vencían a su tradicional enemigo
que en 1967 había ocupado tal cantidad de territorios árabes que casi había duplicado su
extensión territorial total, ocupando la propia capital de Jerusalén y eliminando de la faz de
la tierra la nación Palestina. Por lo tanto, teniendo a los árabes a 20 km de Tel Aviv implicó
que Israel acudiese por pronta ayuda a Estados Unidos. Envuelto en sendos escándalos de
corrupción por Watergate y derrota en Vietnam, el gobierno americano ya no tenía nada
que perder por ayudar a Israel y lo hizo de manera total, conformando un puente aéreo que
reabasteció los arsenales israelíes tras las masivas pérdidas de aviones y tanques
ocasionados por el ataque sorpresivo de Egipto y Siria y posteriormente Jordania (Sadat,
1978). Una vez establecido el aprovisionamiento de tanques y aviones a Israel, los países
árabes en cambio no pudieron reabastecerse de sus proveedores soviéticos y, las tropas
israelíes empezaron a recobrar territorio e incluso a ganar algunos kilómetros más. Ya en
plena derrota, los países árabes involucrados en la guerra acuden a sus aliados pacifistas
aliados a su vez de Estados Unidos como Arabia Saudita e Irán y presionan por un boicot a
los aliados de Israel en el seno de la Organización de Países Exportadores de Petróleo (OPEP)

17
denunciando el puente aéreo norteamericano en favor Israel20. Así, en los últimos meses
de 1973, los países árabes logran que el precio del petróleo se multiplique.

Gráfico 1: Precio del Petróleo 1946-1974

12

10

0
46 48 50 52 54 56 58 60 62 64 66 68 70 72 74

Precio del petróleo en dólares por barril

Que tiene que ver la econometría con todo esto? En un principio, poco. Por un lado incluso
hoy en día es difícil predecir, a través de modelos econométricos, una guerra, mucho más
difícil aún en esos años. Tampoco es fácil predecir hoy en día la evolución del precio del
petróleo tomando en cuenta que el mismo presenta características temporales que serán
estudiadas más adelante, pero que a modo de adelanto podemos decir que es casi
impredecible. Por lo tanto, era muy difícil en esa época y también hoy prever una reunión
de la OPEP que derive en un aumento masivo y sorpresivo del precio tal como sucedió entre
noviembre de 1973 y marzo de 1974. El problema está en cuán eficaces fueron los macro
modelos para estimar las consecuencias de tal alza.
Para los países desarrollados el mecanismo de transmisión era básicamente sencillo. El
aumento en el precio del petróleo implicaría un aumento automático en los costos de una
amplia variedad de industrias americanas, europeas y asiáticas pertenecientes a países
importadores de petróleo árabe. Al no poder esterilizarse dicho incremento por parte de
los bancos centrales, el aumento en los costos habría de ser trasladado inmediatamente a
precios, y en especial a precios de los carburantes. Por lo tanto, habría de producirse un
aumento importante la tasa de inflación en estos países. Los macro modelos no tuvieron
tantos problemas para estimar dicho aumento de la inflación, sin embargo, dado que

20
En agosto de 1973 ya se había acordado utilizar el petróleo como arma en caso de ser necesario en una
reunión secreta de la OPEP.

18
incorporaban la Curva de Phillips de inspiración keynesiana entre sus ecuaciones, el
aumento de la inflación previsto para 1974 y años siguientes implicaba esperar una
reducción de la tasa de desempleo en línea las predicciones de dicha curva. Por lo tanto, en
muchos gobiernos en vez de aumentar el presupuesto para enfrentar el desempleo más
bien los redujeron esperando que el desempleo bajaría a consecuencia del alza del alza de
la inflación. La realidad fue todo lo contrario, el aumento de la inflación estuvo acompañado
por un aumento masivo en el desempleo, lo que Meade llamó años más tarde Estanflación.
Este fue el fin de la macroeconomía keynesiana y también el fin de la econometría
tradicional basada en teoría económica ya que las consecuencias implicaron una fuerte alza
de la inflación en los países desarrollados acompañada por varios años de recesión, que en
muchos países derivó en crisis económicas más profundas.
Veamos a modo de ejemplo lo que sucedió con la economía de Gran Bretaña donde la tasa
de inflación aumenta entre 1974 y 1976 pero el ingreso per cápita cae de manera
permanente sin recuperarse a los niveles iniciales incluso después de más de 10 años. Gran
Bretaña dejó de ser una potencia económica mundial después de 1974.

19
 Gráfico 2: Inflación e Ingreso en Gran Bretaña

INFLACION
8

-2
1955 1960 1965 1970 1975 1980 1985 1990

INGRESO POR HABITANTE

920

910

900

890

880

870

860
1955 1960 1965 1970 1975 1980 1985 1990

Lastimosamente, Lucas en sus escritos asoció la práctica econométrica al keynesianismo

como si ambas fueran sinónimas y, por lo tanto, la reacción en contra del keynesianismo
estuvo acompañada de una reacción en contra del uso de la econometría, o al menos de la
econometría posteriormente llamada tradicional o estructural. En el caso de la
macroeconomía, la reacción académica fue tal que las prácticas de tipo keynesiano y los
aportes teóricos de esta escuela y sus ramificaciones, fueron estigmatizadas hasta que en
el gobierno de Bill Clinton volvieron a aparecer algunos economistas con algunos toques
keynesianos. Cinco premios Nobel le deben su galardón a las cuestiones referidas a la Curva
de Phillips estableciendo claramente que la misma no existe en el largo plazo e incluso que
ni siquiera existe en el corto plazo. Los economistas laureados con el Premio Nobel gracias
a sus aportes directos e indirectos en torno a la curva de Phillips y el fracaso de las políticas

20
macroeconómicas basadas en esta fueron: Lucas, Friedman, Phelps, Meade y Sims (Roux,
2006).
La teoría económica adolece de dos limitaciones casi insalvables hoy en día:
 no nos da una idea clara acerca de la estructura dinámica de sus ecuaciones. Por
ejemplo, la teoría predice que una ecuación de demanda tiene como variable
dependiente la cantidad demandada en función del precio del bien, el ingreso de los
consumidores el precio de los sustitutos, el precio de los complementarios, etcétera;
mas no nos dice nada o muy poco si depende del precio en el período actual o en
periodos pasados o de alguna de las otras variables. Éste un tema de preocupación
bastante generalizado entre los constructores de modelos macroeconómicos a gran
escala.
 En muchos casos la teoría económica no es clara acerca de las relaciones de
causalidad entre variables económicas y más bien tiende a inducirnos a pensar que
todo es endógeno. Por otro lado, en la práctica econométrica muchas veces se
introducía de manera ad hoc cuales eran las variables endógenas y cuáles eran las
variables exógenas, ya sea por consideraciones teóricas o por simples intuiciones. El
caso más patético es el referido a la Curva de Phillips donde no se tiene claro si la
variable endógena es la inflación o el desempleo.
Estas limitaciones evidentes determinaron que los primeros años posteriores a 1976 se
abandone casi totalmente por un lado la teoría económica en la especificación de modelos
econométricos y por otro lado los llamados modelos estructurales y ni hablar de modelos
multiecuacionales al menos a nivel macroeconómico.
Sims en su artículo pionero de 1980 advertía también que la teoría económica a veces
imponía falsas restricciones sobre los parámetros de los modelos econométricos
provocando sesgos en sus predicciones y simulaciones tal como sucedió en la crisis de 1974
(Sims, 1980). Además, indicaba que la presencia de variables independientes
contemporáneas exponía la estimación a la Crítica de Lucas ya que sus parámetros
correspondientes eran intrínsecamente inestables y, proponía una nueva familia de
modelos multivariantes y multiecuacionales que eludían dicha crítica21.
Por otra parte, tanto la teoría econométrica como la econometría aplicada empezaron a
tomar en cuenta las advertencias en torno al ignorar propiedades temporales de las series
de tiempo involucradas en los modelos macroeconómicos y dedicar mayor esfuerzo al
estudio estadístico de las series sin el velo de la teoría económica. En el primer caso, por
ejemplo se rescató el concepto de regresión espuria acuñado por (Granger & Newbold,
1974) y en el segundo caso, se acudió a los modelos de series de tiempo univariantes en la
línea de (Box & Jenkins, 1970).

21
En capítulos posteriores nos referiremos a los modelos VAR inspirados en los aportes de Sims.

21
2.3.3. La causalidad

Hemos llegado por tanto a uno de los puntos centrales en el trabajo econométrico,
particularmente en el tratamiento de series de tiempo, cual es la causalidad. Si bien este
tema atañe a toda ciencia, en el caso específico de la economía es un tema definitivamente
importante, y en el tratamiento econométrico lo es todavía más22.
Si bien varios capítulos del presente texto tratarán este importante tema, para comenzar
un trabajo serio se debe tomar en cuenta este aspecto desde un principio. El criterio teórico
para determinar si una variable es endógena o exógena en la determinación de otra variable
no es suficiente y posiblemente ni siquiera sea correcto. Por lo tanto, deben ser los datos
los que contribuyan a clarificar este punto.
Por otra parte, la aparición de variables contemporáneas en el lado derecho de las
ecuaciones añade mayores problemas a la hora de cualificar y evaluar las relaciones
causales. De ahí la importancia del artículo Exogeneity escrito en 1983 (Engle, Hendry, &
Richard, 1983) y que representa un verdadero punto de inflexión en la disciplina
econométrica para un tratamiento adecuado de este tema.
El tema de la causalidad en econometría va más allá del aspecto matemático en un sistema
de ecuaciones simultáneas y más allá del sesgo de simultaneidad detectado en los primeros
trabajos de Haavelmo y la elección de un método de estimación adecuado. Por ello, la
definición tripartita de exogeneidad nos dice que existen tres niveles de la misma:
 Exogeneidad débil, suficiente para inferencia e interpretación.
 Exogeneidad fuerte, suficiente para predicción.
 Super Exogeneidad, suficiente para simulación de políticas.
El mensaje final es que si se va especificar un modelo causal, serán necesarios una serie de
tests que nos indiquen qué variables son endógenas y qué variables son exógenas
econométricamente hablando y a partir de dicha evidencia, determinar los usos potenciales
del modelo. Nótese que estos usos están directamente vinculados al tipo de exogeneidad
observada.
Por lo tanto, dejaremos para la última parte del texto el tratamiento de relaciones causales.
Veremos cómo la disciplina econométrica se dio modos para eludir el tratamiento de
relaciones causales a tal punto que en estos momentos un 80% de las aplicaciones de series
de tiempo no requieren consideraciones en torno a la causalidad para obtener predicciones
y simulaciones confiables. Esta elusión se extiende obviamente a la aparición de variables
contemporáneas en el lado derecho de las ecuaciones, característica enraizada en la escuela
americana de econometría que optó por eludir la Crítica de Lucas antes que refutarla como
se hizo en el artículo de (Engle, Hendry, & Richard, 1983). La emigración de connotados
teóricos ingleses a las universidades americanas a finales de la década de 1990 determinó
un abandono de posiciones irreconciliables en el plano metodológico dando como

22
Una lectura apasionante aconsejada para lector es (Blaug, 1980) para una revisión de la metodología de la
economía. También existe una traducción al español por editorial Alianza Universidad de 1985.

22
resultado una heterodoxia más saludable a la práctica econométrica. Esta conciliación
metodológica se refleja día a día en los alcances y potencialidades del software
econométrico.
Así, y esto es totalmente correcto, antes de discutir, estimar y mucho menos utilizar
relaciones causales, es preciso conocer a fondo las características temporales de las series
involucradas. En muchos casos, el estudio profundo de estas características será más que
suficiente para obtener adecuadas predicciones y simulaciones confiables. Sin embargo,
existirán situaciones donde el tema de investigación nos obligará definitivamente a
considerar modelos causales con presencia de variables independientes contemporáneas;
para ese momento se debe estar adecuadamente preparado.

2.4. Las series de tiempo: cómo son?

Ahora iniciaremos el estudio de las series de tiempo teniendo en cuenta lo discutido

anteriormente. Para ello el primer paso es conocer a fondo cada una de las series de tiempo
elegidas para su estudio.
Un aspecto importante de las series de tiempo es que las mismas no provienen de un
experimento o de una muestra aleatoria de tamaño n tal como la estadística clásica
establece para efectuar inferencias confiables. Las observaciones de las series de tiempo
vienen en un determinado orden que no puede ser alterado de manera arbitraria y, el
tamaño de la serie, es decir el número de observaciones, casi nunca está en poder del
investigador determina su tamaño con un criterio estadístico; más bien son la disponibilidad
de datos y los cambios de metodología de cálculo los principales limitantes a la hora de
elegir un conjunto de observaciones para series de tiempo. Solamente en aquellos casos en
que la información es ampliamente disponible es cuando un investigador se puede dar el
lujo de determinar un tamaño de muestra óptimo para su serie de tiempo, aún en esos
casos el procedimiento de la estadística clásica es insuficiente.
Dada dicha naturaleza, el tratamiento de las series de tiempo requiere una estadística
específica para dicho tipo de variables y una matemática apropiada para evaluar e
interpretar los modelos resultantes.
El esfuerzo primario que se efectuará a partir de ahora será observar el gráfico de una serie
de tiempo como si fuera el resultado de observaciones generadas por un modelo
matemático.
Las series de tiempo tienen cinco características que aparecen recurrentemente en ellas:
tendencia, estacionalidad, observaciones atípicas, volatilidad y no linealidad; (Franses,
1998) es quien efectúa esta clasificación y también nos indica que una serie de tiempo por
lo general presenta una, dos o tres de estas características.
Una herramienta importante es indudablemente el gráfico de una serie de tiempo, sin
embargo, cuando se superponen estas características es muy difícil a partir de un gráfico

23
determinar cuáles son las propiedades temporales de una serie, por lo que se requerirá de
manera imprescindible un análisis estadístico.

2.4.1. Tendencia

Una característica bastante difundida en las series de tiempo existencia de tendencia, es

decir que la evolución temporal de la variable arroja observaciones crecientes o
decrecientes; (Granger C. W., 1993) apunta que la mayoría de las series de tiempo presenta
tendencia o al menos memoria muy larga.
Grandes agregados macroeconómicos como el Producto Interno Bruto, la cantidad de
dinero, el consumo privado, la inversión privada, las exportaciones, las importaciones,
etcétera presentan tendencias crecientes obviamente con oscilaciones en determinados
períodos de crisis, pero en general siguen una tendencia creciente.
Al mismo tiempo, en algunos casos se observa que la tendencia es más bien suave y casi
predecible, por ejemplo el crecimiento de la población, en tanto que en otras series la
tendencia se presenta con oscilaciones a veces fuertes alrededor de la misma. Llamaremos
a estos tipos de tendencia determinística y estocástica, respectivamente.
A continuación mostramos una serie con tendencia determinística:

Gráfico 3: Serie artificial con tendencia determinística

X1
70

60

50

40

30

20

10

0
1970 1975 1980 1985 1990 1995 2000 2005 2010 2015

Fuente: Serie generada en el simulador adjunto al texto

24
Nótese la alta predictibilidad de dicha serie, con una tendencia claramente creciente y con
oscilaciones alrededor de la tendencia bastante estables23. Ahora mostramos una serie con
tendencia estocástica:

Gráfico 4: Serie artificial con tendencia estocástica

X1
0

-20

-40

-60

-80

-100

-120

-140
1970 1975 1980 1985 1990 1995 2000 2005 2010 2015

Fuente: Serie generada en el simulador adjunto al texto

En cambio, una serie con tendencia estocástica es menos predecible e incluso la misma
tendencia (creciente o decreciente) no aparece de forma tan definida como en el caso
anterior.
La tendencia es una de las características mejor estudiadas de las series de tiempo. La razón
fundamental es que una serie con tendencia amerita un tratamiento muy diferente al
tratamiento estadístico clásico24.

23
Los textos de estadística descriptiva, cuando analizan series de tiempo, tratan la tendencia como si tuviera
un componente determinístico, ver por ejemplo (Freund, Williams, & Perles, 1990, pág. 585).
24
Autores como (Hendry D. F., 2000), (Hamilton, 1994), (Banerjee, Dolado, Galbraith, & Hendry, 1993) y
(Granger & Newbold, 1986) discuten a fondo las implicaciones de trabajar con series no estacionarias (el
término técnico para referirse a series que presentan tendencia en alguno de sus tipos).

25
2.4.2. Estacionalidad

La estacionalidad tiene que ver con movimientos regulares de una serie dentro de un
período dado, por ejemplo un año. Las ventas de dulces en Halloween, las ventas de tarjetas
en San Valentín, las compras navideñas, el consumo de gas en invierno, el gasto en útiles
escolares a principios de año, etcétera, son algunos ejemplos de variables que tienen un
particular movimiento en determinados periodos. No siempre dicho movimiento es
constante, es más casi nunca lo es, es decir, si bien una tienda de dulces espera vender
muchos la noche de Halloween no tiene certeza de cuantos dulces venderá. En otros casos,
muy particulares, el valor esperado estacional puede ser más exacto, por ejemplo los bonos
de antigüedad que ganan algunos asalariados cuyo monto está fijado por ley, los subsidios
de lactancia y otros tienen una alta probabilidad de mantener sus valores actuales en tanto
la legislación no los cambie.
Los libros de estadística descriptiva hace mucho hincapié en el componente determinístico,
del movimiento estacional, a través de cálculo de índices estacionales, que como
advertimos, serán útiles en determinadas ocasiones más no en la generalidad de los casos
(Freund, Williams, & Perles, 1990, págs. 579-624).

Gráfico 5: Serie artificial con movimiento estacional

X1
4

-1

-2

-3

-4

-5
1980 1985 1990 1995 2000 2005 2010 2015

Fuente: Serie generada en el simulador adjunto al texto

26
2.4.3. Observaciones atípicas

Dentro de lo que se conoce como observaciones atípicas, se encuentra una gran cantidad
de situaciones en las que el dato de la serie de tiempo para un punto o conjunto de puntos
es sustancialmente diferente al resto de los datos. Por ejemplo, un día de huelga, un periodo
largo de conflicto armado; pero también, cambios en la metodología de medición de la
variable, períodos asociados al movimiento de otra variable, etcétera.
En Microeconometría se dedica bastante cuidado al tratamiento de observaciones atípicas
(Cameron & Pravin, 2005, págs. 357-416), y usualmente las decisiones de mantenerlas o
excluirlas de la muestra pasan por las manos del propio investigador. Muchas veces es
necesario comprender cómo se mueve el modelo en situaciones extremas y, en otros casos
a veces se pretende sacar inferencias alrededor del promedio y no en sus extremos. En
cambio, en las series de tiempo, usualmente estas observaciones atípicas no se encuentran
en los extremos de la muestra, de tal forma que aun cuando se tengan buenas razones para
eliminar dicha observación, resultado de la misma sería comprometer toda la serie de
tiempo y, por lo tanto lo que se requiere es un adecuado tratamiento de este tipo de
observaciones.

Gráfico 6: Serie artificial con observación atípica

X1
25

20

15

10

-5
1970 1975 1980 1985 1990 1995 2000 2005 2010 2015

Fuente: Serie generada en el simulador adjunto al texto

27
A pesar de su importancia el lector podrá comprobar en una búsqueda intensiva en
bibliotecas y en Internet que la literatura de series de tiempo le dedica pocas páginas a este
tema. Un autor que ha contribuido con varios trabajos en todo a esta característica es
Franses quien plasmó gran parte de ellos en un texto formal dedicando un capítulo entero
al tratamiento de observaciones atípicas (Franses, 1998, págs. 128-155).
Las observaciones atípicas, también llamadas observaciones aberrantes, alteran las
percepciones que un investigador pueda tener sobre una serie de tiempo. El tratamiento
de la tendencia y movimiento estacional puede verse afectado por la presencia de
observaciones atípicas debilitándonos ya frágiles métodos que se disponen para sus
tratamientos respectivos

2.4.4. Volatilidad

Las series financieras usualmente muestran fuertes fluctuaciones cada cierto tiempo, no
simétrico. Pánicos, corridas bancarias, anuncios macroeconómicos condicionan el sendero
de muchas variables, llamando a este fenómeno heteroscedasticidad.
En finanzas es uno de los fenómenos más recurrentes y su tratamiento ha sido objeto de
grandes avances en los últimos 20 años.

28
 Gráfico 7: Serie artificial con heteroscedasticidad

X1
10.0

7.5

5.0

2.5

0.0

-2.5

-5.0

-7.5

-10.0
1970 1975 1980 1985 1990 1995 2000 2005 2010 2015

Fuente: Serie generada en el simulador adjunto al texto

2.4.5. No linealidades

Finalmente, las series de tiempo presentan cambios abruptos, otras veces suaves que en
resumen muestran na serie no uniforme. Entran en esta categoría importantes fenómenos
como aumentos en la capacidad de las fábricas, cambios estructurales, y una sucesión de
fenómenos en que la no-linealidad presenta muchas formas. De ahí la dificultad de su
tratamiento y sin embargo, con fenómenos usuales como la histéresis, la necesidad
manifiesta de continuar su estudio y profundizarlo.

29
 Gráfico 8: Serie artificial con no linealidad

X2
90

80

70

60

50

40
X2
30

20

10

0
148

421
106
127

169
190
211
232
253
274
295
316
337
358
379
400

442
463
484
505
526
547
568
589
1
22
43
64
85

-10

-20

Fuente: Serie generada en el simulador adjunto al texto

30
2.5. Resumen del capítulo

2.6. Lecturas recomendadas

2.7. Ejercicios

Ejercicio1: Considere el siguiente proceso generador de datos

yt  100  0.5 xt 1  ut
xt  200
ut ~ N (0,1)
a. Cuál sería la predicción de Y para el período t+1?
b. Si X cambia en el período t+3, a 300, cuál sería la predicción de Y para el periodo
t+3? Y cuál la predicción para el periodo t+4?

Ejercicio 2: En base al PGD de la pregunta anterior, utilizando Excel:

a. Grafique Y para 100 periodos generando aleatoriamente los valores de u (ver
apéndice 1 de este capítulo).
b. Mediante el uso de la tecla F9, repita el inciso anterior 5 veces. Cambian sus
resultados de manera significativa? Describa cuidadosamente lo encontrado.

Ejercicio 3: Considere el siguiente proceso generador de datos (variables expresadas en

logaritmo natural).
ln Yt  100  0.5 ln X t  ut
X t  200  vt
ut ~ N (0,1)
vt ~ N (0,2)
a. Cuáles son los valores esperados de Y para los periodos t+1 y t+2?
b. Si X aumenta en el periodo t+3 en 50% respecto del periodo anterior y se queda en
dicho nuevo nivel para siempre, cuál será el valor esperado de Y para los periodos
t+3, t+4 y t+5?.
c. La reacción de Y a cambios en X es inmediata o le tomará a Y un tiempo alcanzar el
nuevo valor después del cambio en X?.

Ejercicio 4*: Un investigador al término de su investigación presentó un PGD que describe

la relación entre las exportaciones reales (X), el tipo de cambio nominal (E), los precios de

31
las materias primas (P) y la actividad económica de los países desarrollados (M). El estudio
fue hecho para una economía subdesarrollada dependiente de sus recursos naturales no
renovables. El operador Δ se refiere al incremento simple, por ejemplo ΔZ = Zt-Zt-1. Para el
presente periodo, los niveles de X, M y P están fijados en 100. Asuma en sus respuestas que
el PGD es el verdadero.
 ln X t  0.005  0.05 ln Et 1  0.2ln X t 1  1.5 ln M t  0.9 ln Pt 1   ut
ln Pt  ln Pt 1  vt
ln M t  0.95 ln M t 1  ht
ut ~ N (0,1) vt ~ N (0,2) ht ~ N (0,0.5)

a. El tipo de cambio E es fijado según un régimen de tipo de cambio fijo y se encuentra

hasta hoy en un valor de 7. Los exportadores piden una fuerte devaluación de 100%
en el periodo t+1 para incrementar sus exportaciones. Dejando el nuevo tipo de
cambio en su nuevo nivel permanentemente, y esperando que los precios de las
materias primas no se incrementarán en los periodos siguientes y la actividad
económica de los países desarrollados tampoco, determine los valores esperados
de X para los periodos t+1 hasta t+5.
b. Cómo interpretaría los resultados del inciso anterior? Cuál sería su consejo a los
policy makers respecto al pedido de devaluación de los exportadores?
c. Simule en Excel por 30 periodos el sendero de X, P y M empezando del periodo t
hasta el periodo t+30 tomando en cuenta que en el periodo t+1 el tipo de cambio
aumenta en 100% respecto de su nivel inicial de 7 en el periodo actual t. Grafique
los resultados para cada variable.
d. Ejecutando 20 veces la tecla F9 en Excel sin alterar nada en el inciso anterior grafique
las variables y observe los cambios con cada nueva operación con F9. Se alteran
grandemente los gráficos? De qué variables especialmente? A qué atribuye tales
cambios?

Ejercicio 5. Ingrese a las siguientes bases de datos www.ine.gob.bo (Instituto Nacional de

Estadística de Bolivia) y www.indec.gov.ar (Instituto de Estadísticas Económicas de
Argentina) y recupere el Producto Interno Bruto trimestral de cada una de estas economías.
Exporte los datos a Eviews y responda las siguientes preguntas:
a. Grafique el PIB real trimestral de Argentina. Efectúe una descripción de analista de
series de tiempo (sin hacer ningún tipo de cálculo) de dicha serie, es decir, en base
al gráfico, trate de precisar si observa tendencia; movimiento estacional;
observaciones atípicas; cambios estructurales; heteroscedasticidad; movimiento no
lineal, etcétera. Absténgase de efectuar un análisis económico de la serie observada
pese a la tentación de hacerlo (lo dejaremos para otra ocasión).
b. Describa las características del dato PIB trimestral argentino; las unidades de
medición; año base del mismo; tamaño de la muestra obtenida; etcétera.
c. Responda a y b para el PIB trimestral boliviano.
32
Bibliografía
Ahumada, H. (1990). Notas introductorias a la econometría dinámica. Santiago: ILADES.
Box, G., & Jenkins, G. (1970). Time series analysis, forecasting and control. San Francisco:
Holden Day.
Engle, R., Hendry, D., & Richard, J. (1983). Exogeneity. Econometrica, 51, 277-304.
Granger, C. (1969). Investigating causal relations by econometric models and cross-spectral
methods. Econometrica, 424-438.
Granger, C. (1990). Where are the controversies in econometric methodology? In C.
Granger, Modelling Economic Series (pp. 1-28). Oxford: Oxford University Press.
Granger, C., & Newbold, P. (1974). Spurious regressions in econometrics. Journal of
Econometrics, 111-120.
Hendry, D. F. (2000). Econometrics: alchemy or science. Oxford: Oxford University Press.
Lucas, R. (1976). Econometric policy evaluation: a critique. In K. Brunner, & A. Meltzer, The
Phillips Curve and Labour Markets (pp. 19-46). Amsterdam: North Holland.
Roux, D. (2006). Los premios Nobel de Economía. Madrid: Akal.
Sims, C. A. (1980). Macroeconomics and reality. Econometrica, 1-48.
Wallis, K. F. (1973). Temas de econometría aplicada. Madrid: Saltés.
Wynn, R., & Holden, K. (1974). Introducción al análisis econométrico aplicado. Barcelona:
Ariel.

33
Índice de autores y temas

@Risk, 11 Lucas, Robert E. Jr., 27

Ahumada, H., iv, 18 Macroeconometría, iii, 7
Autobox, 11 Macroeconomía, 8, 15
Bierens, H., 9, 10 Mathlab, 10
Cálculo Diferencial e Integral, 7 Meade, J., 24, 26
Crítica de Lucas, i, 17, 18, 21, 26 Microeconomía, 8
Crystal Ball, 11 Modelos macroeconométricos, i, 21, 22
Curva de Phillips, 22, 23, 25, 26 modelos multivariantes causales. Véase
Easy Reg, 9 causalidad
Econometría, iii, 7 OxMetrics, 9
Ecuaciones Diferenciales, 7 Petróleo, 22, 23
Ecuaciones en Diferencia, 7 Proceso Generador de Datos, iv, 15, Véase
Engle, R.F., 18 PGD
Estanflación, 24 R. Véase Lenguaje R
Eviews, 9, 14, 32, 34, 35, 36, Véase Richard, D.F., 18
Software series de tiempo, iii, iv, 7, 8, 15, 27, 34, 35,
Excel, 9, 11, 14, 31, 34, 35, 36 36, Véase Macroeconometría
exogeneidad débil, 17 Series de tiempo, iii
ForecastPro, 11 Sims, C., 26
Haavelmo, T., 14, 17 Stata, 9, 10
Hendry, David F., 18 Teoría Económica, 8
Holden, K., 41 Wallis, Kenneth F., 21
Klein, L., 21 Wynn, R.F., 41
Lucas. Véase Crítica de Lucas

34