Modelos autorregresivos con funciones de transición suave:

¿Puede explicarse el crecimiento del PBI mundial mediante un modelo

econométrico no lineal?

Autor: Ariel Ruffo1

(ariel.ruffo@bcra.gov.ar)2
Resumen Ejecutivo

Durante los últimos años, se ha observado un creciente interés por el uso de técnicas econométricas basadas
en modelos no lineales de ajuste al equilibrio. Entre ellas, los modelos con cambios de régimen tienen como
atractivo la incorporación de una regla de conducta que describe el cambio entre estados, entre los cuales se
destacan principalmente: los modelos autorregresivos con umbral (TAR) formulados por Tong (1978), los
basados en procesos de Markov (MSA) propuestos por Hamilton (1989) o aquellos que incorporan funciones de
transición suave entre regímenes (STAR), formulados por Terasvirta (1996). La idea subyacente detrás de
estos últimos se basa en la especificación de una forma funcional no lineal que permita explicar el
comportamiento dinámico de la media condicional de la variable que se desea estudiar.

La presente investigación, explora la posible existencia de no linealidades en la serie de tiempo del crecimiento
anual del PBI mundial siguiendo la metodología propuesta por Terasvirta y Eitrheim (1996). Los resultados de la
misma revelan que las variaciones anuales del PBI mundial muestran ciertos indicios de presencia de no
linealidades en su evolución temporal, revelando asimetrías en el ritmo de crecimiento del mismo, dependiendo
si la economía mundial se encuentra transitando una fase recesiva o expansiva del ciclo económico. En base a
dicho hallazgo, se procedió a describir dicho comportamiento mediante la estimación de un modelo no lineal
autorregresivo con función de transición logística suave (LSTAR). Posteriormente, se evaluó dicho modelo
frente a su alternativa lineal en términos de ajuste, significancia de los parámetros y predicción con el objeto de
comparar los alcances y limitaciones en ambos casos. En líneas generales, cuando se procede a comparar los
beneficios relativos a partir de las varianzas arrojadas por ambos modelos se concluye que el modelo no lineal
reduce en un 11% la varianza de la estimación del modelo lineal para la serie en cuestión.

Palabras claves: Comportamiento no lineal, asimetrías, regímenes cambiantes, Modelo autorregresivo con
función de transición logística suave (LSTAR).

1 Lic. en Economía UBA (FCE), Magíster en Economía (UBA-FCE), Carrera de Especialización en Mercado de Capitales (UBA-
FCE-MERVAL). Docente Ayudante de primera ad- honorem Asignatura: Estructura Económica Argentina Cátedra de Honor:
Dr. Aldo Ferrer (UBA-FCE). Estudiante avanzado de la Carrera de Actuario. Analista de Desarrollos Monetarios y Financieros
(SGG de Investigaciones Económicas - Banco Central de la República Argentina).

2. Los resultados y opiniones son responsabilidad exclusiva del autor y su contenido no compromete al Banco Central de la
República Argentina ni a sus autoridades.

1
I. Introducción a los modelos no lineales de ajuste al equilibrio

Durante los últimos años, se ha observado un creciente interés por el uso de técnicas econométricas basadas
en modelos no lineales de ajuste al equilibrio. Entre ellas, los modelos con cambios de régimen tienen como
atractivo la incorporación de una regla de conducta que describe el cambio entre estados, entre los cuales se
destacan principalmente: los modelos autorregresivos con umbral (TAR) formulados por Tong (1978), los
basados en procesos de Markov (MSA) propuestos por Hamilton (1989) o aquellos que incorporan funciones de
transición suave entre regímenes (STAR), formulados por Terasvirta (1996). La idea subyacente detrás de
estos modelos se basa en la especificación de una forma funcional no lineal que permita explicar el
comportamiento dinámico de la media condicional de la variable que se desea estudiar.

Los modelos autorregresivos con umbral (TAR), fueron concebidos a partir de características de no linealidad
observadas en el comportamiento de las series de tiempo tales como la asimetría registrada en los
movimientos ascendentes y descendentes de los procesos estocásticos. Al igual que los modelos
autorregresivos formulados en base a la metodología propuesta por Box y Jenkins, este tipo de modelos utilizan
trayectorias temporales lineales a los fines de obtener una mejor aproximación del comportamiento de la
media condicional, incorporando al análisis la existencia de un umbral en el espacio temporal tendiente a
minimizar los errores cometidos por el ajuste lineal, permitiendo captar la dinámica de dos o más regímenes
diferenciados.

xt
De esta manera es posible afirmar que, una determinada serie de tiempo presenta un comportamiento
dinámico asimilable a un proceso autorregresivo con k- regímenes existentes (SETAR2) si se satisface la
siguiente relación:

 j 1  xt  d 
xt  0j  1j xt 1  .......   pj xt  p  atj (1) Si < j
(2)

    0   1  .....   k 1  
(3)

Donde los
 s representan los distintos umbrales ubicados en el espacio temporal que permiten identificar los
distintos regímenes existentes, en tanto “d” representa el número de rezagos de la variable bajo estudio y los

a tj
representan los errores de la estimación los cuales son independientes entre si e idénticamente

 N (0,  2j )
distribuibles para distintos valores de j. La principal crítica a los modelos SETAR se basa en
que la función que describe el comportamiento dinámico de la media condicional no está definida para todo el

intervalo de tiempo, por cuanto los umbrales

 s representan puntos de discontinuidad de dicha función en el
horizonte temporal.

En respuesta a las críticas formuladas a los modelos de umbral, surgieron los modelos autorregresivos con
funciones de transición suave (STAR), formulados por Chan y Tong (1986) y Terasvirta (1996). Los modelos
tipo STAR corresponden a una gama de modelos no lineales donde se supone que el proceso generador de la

2
SETAR (Self exciting autorregresive threshold regression)
2
serie (Yt) oscila de forma suave entre dos regímenes extremos. Una serie de tiempo
xt sigue un proceso de
dos regímenes del tipo STAR(p) si satisface la siguiente forma estructural:

p
 x    p

x t  c o    0; ixt i  F  t  d  c1   1; x t i   a t
i 1  s  i 1  (4)

Donde d es un parámetro de rezago,  y s representan la locación y la escala del modelo de transición en

tanto F(.) representa la función que caracteriza la transición entre los dos regímenes. En la práctica, F(.)
asume alguna de las tres siguientes formas funcionales; logística, doble logística, exponencial o distribución

acumulativa3. Un prerrequisito para la estacionariedad de los modelos STAR es que el módulo de todas las
raíces de la ecuación polinomial sean menores a uno. Una ventaja de los modelos STAR frente a los TAR es
que la función de la media condicional es diferenciable. Sin embargo, la experiencia muestra que los

parámetros  y s no son fáciles de estimar presentando complicaciones en relación a la selección del algoritmo
de optimización y al método iterativo de resolución de la forma funcional.

Por otra parte, es preciso tratar el tema de los modelos de cambio de régimen basado en el enfoque de las
matrices de probabilidades de transición entre varios estados temporales formuladas por Markov. La idea de
incorporar al análisis no lineal de las series de tiempo este tipo de herramental estadístico fue discutida en Tong
(1983). En base a esta idea, Hamilton propuso la formulación de un modelo autorregresivos con cambios de
régimen utilizando Cadenas de Markov (MSA). En el siguiente ejemplo se considera un modelo de cambio
régimen basado en la transición entre dos estados temporales. Por ejemplo, en ese sentido, es posible afirmar
que una serie de tiempo sigue un comportamiento dinámico representado por un MSA, si el mismo satisface la
siguiente condición:

 p

 c1    1 
 
xt  
i
p  1i xt i  a1t s t  1,
 c 2    1
 i   2 xt i  a 2 t s t  2,

st
Donde asume valores en (1,2) y se plantea una Cadena de Markov de primer orden con estas
probabilidades de transición

P( st  2 / st 1  1)  w1 P( st  1 / st 1  2)  w2

a1t a 2t
Las series de las innovaciones { } y { } representan variables aleatorias idénticamente distribuidas

E (ait )  0  2 (a1t )   i  1,2 . Para aquellos valores pequeños de wi , se interpreta que el

donde y

wi
modelo permanece por un tiempo prolongado en el estado “i”. De hecho, 1/ representa el tiempo esperado
en que el proceso permanece en el estado “i”. A diferencia de los modelos SETAR, donde la transición entre dos
estados temporales es determinada por una variable en particular, desfasada “d” periodos, los MSA utilizan un
esquema estocástico basado en la aplicación de una cadena de Markov para explicar la transición entre los

3
Véase la segunda sección del presente trabajo para mayor detalle sobre este tipo de modelos
3
estados temporales, siendo cada uno de ellos representados por una forma funcional que determina el valor
promedio condicional de la variable bajo estudio. Este último punto representa una importante implicancia en lo
que respecto a la naturaleza predictiva de estos modelos. Por ejemplo, los pronósticos generados a partir de un
MSA surgen de combinaciones lineales de aquellos generados por sub modelos de estados individuales,
mientras que aquellos pronósticos obtenidos a partir de los modelos SETAR provienen de un solo régimen para

xt  d
un observado. Por otra parte, los MSA son mas difíciles de estimar dado que los estados temporales no
son directamente observables, para lo cual habría que utilizar algún algoritmo o método de simulación iterativo
(Ej: Método de Monte Carlo), que permita aproximar el cálculo de las probabilidades de ocurrencia de dichos
estados. Finalmente, es preciso destacar que Mc Culloch y T Say (1993) generalizan los MSA para el caso de
mas de dos estados temporales, utilizando modelos logic o probit para explicitar las funciones de transición
entre los estados temporales, utilizando los MSA como herramienta de comparación entre distintos tipos de
modelos no lineales, en donde cada uno de ellos es utilizado para representar un estado temporal determinado.
Para una mayor profundidad del tratamiento sobre los modelos de cambio de régimen basados en Cadenas de
Markov, ver Hamilton (1994, Capitulo 22).

Recientemente, un segundo grupo de modelos no lineales, de mayor complejidad, han sido resueltos mediante
el uso de técnicas avanzadas de cálculo computacional, lo cual ha reducido notablemente los tiempos de
resolución de los mismos, accediendo a resultados concretos con suma facilidad y rapidez. Entre ellos se
encuentran los modelos basados en métodos no paramétricos (Kernel Regression (Nadaraya-Watson 1964) y
(Epanechnikov 1969) Bandwith Selection (Hardle 1990), el modelo de regresión multivariado de Lewis y
Stevenson (1991), los de estados espaciales formulados por Carlin, Polson y Stoffler (1992), los modelos de
redes neurales de Ripley (1993) y los autorregresivos de coeficientes funcionales de Chen y Tsay (1993). La
idea básica de estos modelos se sustenta en el uso de técnicas de simulación con el propósito de describir la
evolución de la distribución condicional de la variable bajo estudio o para estudiar la naturaleza del
comportamiento no lineal de las series de tiempo.

El objetivo de la presente investigación es en primer lugar, encontrar evidencia de la presencia de no

linealidades en la serie de tiempo del crecimiento anual del PBI mundial y determinar si es conveniente describir
la dinámica de dicho variable mediante un modelo no lineal perteneciente a la familia de los modelos
autorregresivos con función de transición suave (STAR). El trabajo consta de cuatro secciones: En la segunda
sección se presenta el marco conceptual correspondiente a este tipo de modelos. La tercera sección comprende
la estimación del modelo en cuestión y la evaluación de sus bondades frente a su alternativa lineal en términos
de ajuste, significancia de los parámetros y predicción con el objeto de comparar los alcances y limitaciones en
ambos casos, para por último y a modo de conclusión escoger cuál de ellos describe de manera más realista la
tasa de crecimiento anual del PBI mundial. Finalmente, se presenta un Apéndice Metodológico donde se detalla
el Test de No Estacionariedad aplicado para procesos no lineales.

II. Marco conceptual de los Modelos autorregresivos con funciones de transición suave
(STAR)

Los modelos autorregresivos con funciones de transición suave (STAR), formulados por Chan y Tong (1986) y
Terasvirta (1993) y Terasvirta (1996), corresponden a una gama de modelos no lineales donde se supone que
el proceso generador de la serie (Yt) oscila de forma suave entre dos regímenes extremos, específicamente:

4
  
y t   0    i y t i    0    i y t i  F  y t  d    t (5)
i  i 

 t  N 0,  2  F  yt d 
Donde iid y es una función no lineal de Yt-d que toma valores entre 0 y 1,
frecuentemente denominada función de transición. Los dos modelos más comunes suponen las siguientes
funciones:

F  yt d   1  exp   yt d  c 
1
Modelo logístico de transición suave (LSTAR): (6)

Modelo exponencial de transición suave (ESTAR):


F  y t  d   1  exp    y t  d  c 
2
 (7)

por lo tanto la no-linealidad que introduce los cambios de régimen por medio de la función F(Yt-d) depende de
los parámetros  y c. En particular, para un modelo LSTAR los regímenes de transición ocurren alrededor de

Yt-d = c donde el parámetro  indica el grado de no linealidad, es decir qué tan rápido ocurre la transición

entre los dos regímenes extremos o el paso de cero a uno en F(Yt-d). Por ejemplo, basados en datos
simulados, los Gráficos 1A) y 1B) muestran la función de transición F(Yt-d) para c = 60 con dos valores
diferentes en el parámetro  (0.2 y 0.8 respectivamente), claramente se puede observar que este parámetro

es menor en el gráfico 1A).

Para los modelos ESTAR la función de transición F(Yt-d) tiene la siguiente forma:

Como se observa en el gráfico 2, la función F(Yt-d) es simétrica con respecto al parámetro c, en este ejemplo
de nuevo c = 60.
5
Para los dos tipos mencionados de modelos STAR la transición entre los dos regímenes extremos se realiza
suavemente dependiendo de los valores de Yt-d a través de F(Yt-d), sin embargo la transición funciona de
forma diferente. En los modelos LSTAR se tienen diferentes dinámicas locales de regímenes extremos para
valores bajos o altos de Yt-d (gráficos 1A y 1B). En contraste con ello, en los modelos ESTAR la dinámica local
es la misma para valores bajos o altos de Yt-d (régimen extremo 2, gráfica 2), mientras que para los valores
cercanos a c se tiene la dinámica del otro régimen extremo (régimen extremo 1, gráfica 2). Los modelos STAR
presentan varias ventajas con respecto a otros tipos de modelos no lineales; son localmente lineales,
relativamente sencillos de interpretar y adicionalmente, este tipo de modelos es más general de aquellos que
suponen un número finito de regímenes o estados de la economía.

III. Etapas de la Investigación:

Tal como fuera enunciado en la sección introductoria, en la presente investigación explora la posible existencia
de no linealidades en la serie de tiempo del crecimiento anual del PBI mundial a partir de la estimación de un
modelo autorregresivo con función de transición suave. Generalmente, para la modelación de los procesos
STAR se considera la estrategia sugerida por Teräsvirta (1994) y Eitrheim y Teräsvirta (1996), la cual es similar
en términos de las etapas a la propuesta por Box y Jenkins para los modelos ARIMA y se divide en las fases de:
especificación, estimación y diagnostico o evaluación del modelo.

En la siguiente gráfica se presenta la evolución temporal las tasas de crecimiento del PBI mundial registradas
entre el mes de enero de 1969 y enero de 2014 expresadas en datos trimestrales.

VAR_PBI
10

-2
1970 1975 1980 1985 1990 1995 2000 2005 2010

A continuación se procede a describir cada una de estas etapas que comprenden la metodología
correspondiente a la estimación de un modelo STAR:

3.1) Análisis de Estacionariedad de las series: Un supuesto importante dentro de la mayoría de los modelos no
lineales y en particular para las series que siguen una dinámica descrita por los modelos STAR es que éstas
deben ser estacionarias. Sin embargo, las pruebas tradicionales de raíces unitarias y cointegración no

6
consideran procesos no lineales en la hipótesis nula o en la alterna, por lo tanto si se está considerando
modelar dinámicas no lineales no es conveniente considerar este tipo de pruebas.

Con respecto a este problema Caner y Hansen (1998) desarrollan una nueva metodología que permite
considerar simultáneamente modelos no lineales y raíces unitarias, sin embargo ellos sólo desarrollan estas
pruebas de hipótesis para modelos autoregresivos con umbral TAR (“Threshold Autoregressive Models”) 4. Una
prueba más apropiada para los modelos tipo STAR es la propuesta por Enders y Ludlow en 1999. Estos autores
consideran pruebas de raíz unitaria y cointegración dentro de un contexto no lineal más general, en este caso el
proceso no lineal es considerado utilizando aproximaciones de Fourier5.
Para el caso que nos ocupa, se analizó en primer lugar la presencia de existencia de raíces unitarias en la serie
bajo análisis mediante los Test de no estacionariedad Aumentado Dickey Fuller y Phillip – Perrón, para en
segundo lugar contrastar dichos resultados con los obtenidos con la estimación del estadístico propuesto por
Enders y Ludlow (1999).
Los resultados de los Test ADF y Phillip Perron arrojan que la serie de tasas de crecimiento anuales para el PBI
mundial es estacionaria con un nivel de confianza del 95% (Cuadro N°1). Asimismo, los resultados arrojados
por el Test propuesto por Enders y Ludlow se comparan contra los valores teóricos calculados por los autores,
los cuales indican que el proceso es no lineal y estacionario para un nivel de confianza del 95% (Cuadros N° 2 y
N°3 respectivamente).

Cuadro N°1
Test de Raiz Unitaria (Augmented Dickey - Fuller) y Phillip-Perron
Período: 1969Q1 – 2014Q1
ADF TEST PP TEST

ADF Valor P- PP Valor P-

Variable T-Static Critico Value T-Static Critico Value

Crecimiento PBI Mundial -4.736 -2.877 0.0001 -4.734 -2.877 0.0001

Cuadro N°2
Test de Raiz Unitaria (Enders-Ludlow) para procesos no lineales
Período: 1969Q1 – 2014Q1

F_all F_trig C CR P-Value

Crecimiento 15.55 8.22 -4.85 42.70 0.00

PBI Mundial

4
Ver apartado anterior
5 Una mayor explicación de esta metodología se encuentra en el Apéndice Estadístico “Prueba de Raíz unitaria”

7
 Cuadro N°3
Estadísticos Test de Enders-Ludlow con tendencia e intercepto
Nivel de Confianza (95%)6

Tamaño de muestra F_all F_trig C CR

entre 100 y 250 datos 8.25 8.07 -3.48 12.92

3.2) Detección de la presencia de no linealidades:

Una vez comprobada la estacionariedad de la serie, se desarrolla la etapa de especificación sobre la serie
estacionaria. El primer paso consiste en realizar una prueba de linealidad donde en la hipótesis alterna se tiene
un proceso no lineal tipo STAR.

Para la modelación de los procesos STAR se consideró la estrategia sugerida por Teräsvirta (1994) y Eitrheim y
Teräsvirta (1996), la cual es similar en términos de las etapas a la propuesta por Box y Jenkins para los
modelos ARIMA y se divide en las fases de: especificación, estimación y diagnostico o evaluación del modelo.
Para realizar esta prueba primero se estiman los residuos de un modelo lineal autorregresivo sobre la serie Yt
(2), posteriormente se regresan estos residuales contra los términos que resultan de una aproximación de
Taylor de tercer orden de la función no lineal del modelo STAR. Por último, para probar la linealidad se utiliza
un test tipo LM sobre la regresión final. Los modelos de regresión utilizados en esta prueba son los siguientes:

y t      i y t i  u t (8)
i

u  t  10   1i yt i    21i yt i yt d    31i yt i y 2 t d    41i yt i y 3 t d  vt (9)

i i i i

La Hipótesis nula de linealidad es:

H 0 :  2 i   3i   4 i  0 i (10)

En este procedimiento se supone que el rezago d asociado con la variable de transición Yt-d es conocido.
Teräsvirta propone que para seleccionarlo se realice esta prueba de linealidad para varios rezagos y se
seleccione d como el rezago con el cual se rechaza el test con el menor p-value, si ninguno de los p-values es
suficientemente pequeño la linealidad no es rechazada. Una vez que se ha rechazado la linealidad del proceso
que genera la serie, el siguiente paso es escoger entre los modelos ESTAR y LSTAR, para ello se realizan tres

6
Los estadísticos correspondientes a los Tests F_all, F_trig y CR siguen una distribución F de Snedecor con n-
(k+1) grados de libertad en tanto el correspondiente al test C sigue una distribución T –Student con n-(k+1)
grados de libertad.
8
pruebas (H2, H3 y H4))7. SI se acepta la hipótesis nula correspondiente a la prueba H4 se selecciona un modelo
ESTAR, de lo contrario se escoge un modelo LSTAR. Los detalles de esta prueba se pueden encontrar en
Teräsvirta (1993). A continuación se muestran los resultados obtenidos aplicando la metodología propuesta
anteriormente para la serie trimestral del crecimiento anual del PBI mundial, estimando en primer lugar el
modelo lineal planteado mediante la ecuación (8).

Dependent Variable: VAR_PBI

Method: Least Squares
Sample (adjusted): 1970Q1 2013Q4
Included observations: 176 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C 0.993382 0.151265 6.567140 0.0000

VAR_PBI(-1) 1.009184 0.068150 14.80829 0.0000
VAR_PBI(-2) -0.122478 0.080957 -1.512885 0.1322
VAR_PBI(-4) -0.176815 0.045743 -3.865383 0.0002
DUMMY8801 4.266004 0.706553 6.037772 0.0000

R-squared 0.810015 Mean dependent var 3.491281

Adjusted R-squared 0.805570 S.D. dependent var 1.593784
S.E. of regression 0.702766 Akaike info criterion 2.160412
Sum squared resid 84.45345 Schwarz criterion 2.250482
Log likelihood -185.1162 Hannan-Quinn criter. 2.196944
F-statistic 182.2672 Durbin-Watson stat 1.854698
Prob(F-statistic) 0.000000

Posteriormente, se estimó la regresión auxiliar (9) en base a la estructura causal obtenida en el paso anterior
con el fin de detectar la posible presencia de no linealidades en la trayectoria temporal del crecimiento del PBI
mundial. Para ello se plantea una prueba para testear la existencia de no linealidad en la serie bajo análisis a
partir de la estimación de un estadístico robusto a la existencia de outliers diseñado a partir de la prueba
formulada por Terasvirta (1993). Los resultados de las pruebas que permiten escoger el rezago “d” a partir del
cual se observa la transición entre los dos regímenes se exponen en el cuadro N°4.

Una vez que se ha rechazado la linealidad del proceso que genera la serie, el siguiente paso es escoger entre
los modelos ESTAR y LSTAR, para ello se realizan tres pruebas citadas anteriormente, empleando la regresión
auxiliar (9). Si el menor p-value ocurre con la prueba F3 se selecciona un modelo ESTAR, de lo contrario se
escoge un modelo LSTAR. Los resultados de selección del modelo se muestran en el cuadro N° 5.

7
Específicamente se tienen las siguientes hipótesis sobre el modelo (2)

H4 H 0 :  4i  0 i

H3 H 0 :  3i  0  4i  0 i


H2 H 0 :  2i  0  3i   4 i  0 i
9
 Cuadro N°4
Tests de selección
rezago"d"

Rezago Prueba F p-value

d=1 2.5522248 0.0001

d=2 2.5500760 0.0041
d=3 2.2778774 0.0107
d=4 2.9463860 0.0010
d=5 2.0605550 0.0224

Cuadro N°5

Test de selección de la función de transición

Resultado
Rezago Prueba F p-value del Test

d=1 3.24307 0,0137 Rechaza H04

d=2 1.14614 0,3369 Acepto H04
d=3 0.25495 0,9063 Acepto H04
d=4 0,45549 0,7683 Acepto H04
d=5 1,54752 0,1910 Acepto H04

La prueba tiene su máximo de potencia cuando el p-value es mínimo, es decir cuando el “d” escogido es el
verdadero, el rezago óptimo de la variable de transición es 1 y adicionalmente, para dicho valor se rechaza

( H 04 :  4 j  0) , por lo cual el modelo elegido es un LSTAR.

3.3) Estimación del modelo LSTAR: La siguiente etapa de la modelización corresponde a la estimación del
modelo, ésta es realizada por máxima verosimilitud, pero debido a las no-linealidades en la función de
verosimilitud esta es efectuada utilizando algoritmos numéricos de optimización. Como es usual en este tipo de
problemas numéricos los valores iniciales de los parámetros juegan un papel importante dentro del proceso de
optimización. Sin embargo, debido a la dinámica local lineal de los modelos STAR, los valores iniciales dependen

básicamente de los parámetros

 y c8. Una alternativa para la selección de los valores iniciales consiste en
realizar una malla bidimensional de posibles valores de estos parámetros9.Los valores iniciales son escogidos
como la combinación de los dos parámetros que optimiza la función objetivo evaluada en la malla. Se definieron
intervalos de valores discretos para gamma y C, y se estimaron distintos modelos lineales para las diferentes
combinaciones de gamma y c. Se eligieron los valores óptimos de gamma y c a partir del modelo lineal que
minimiza el “Root Mean Square Error”.

8
Esa decir, se tiene un modelo lineal cuando se condiciona un modelo STAR a valores fijos de  y c.
9
Para especificar los posibles valores que pueden tomar estos dos parámetros se tomaron en consideración
las siguientes observaciones: 1) Debido a que c es un parámetro de localización este se debe encontrar dentro
del rango que toma la variable y t  d . 2) Para evitar valores estimados muy grandes de  , y t  d se puede
dividir por su desviación estándar.
10
Los resultados de las pruebas anteriormente detalladas permitieron estimar un modelo autorregresivos del tipo
LSTAR donde se pueden diferenciar dos regimenes (un primer régimen caracterizado por bajas tasas de
crecimiento asociadas a una fase contractiva del ciclo económico y un segundo régimen con elevado
crecimiento característico de una fase expansiva). A continuación se presenta la estructura causal de cada uno
de ellos: Régimen N°1: C AR(1) AR(2) AR(4) Régimen N° 2: AR(2) AR(4). La estimación del los coeficientes fue
realizada por el método de Gauss- Newton utilizando el programa computacional RATS.

Yt  1.78  4.25Dummy8801 (0.75Yt 1  0.51Yt 2  0.68Yt 4 ) * (1  F ( yt d ;   ; c  )

(0.27) (0.67) (0.09) (0.25) (0.23)

 0.49Yt 2  0.50Yt 4 * ( F ( yt d ;   ; c )   t
(0.27) (0.25)

 
F ( yt d ;  ; c)  1  exp  2.55Yt 1  1.41 
1

(0.93) (0.47)

Los coeficientes son todos significativos con un grado de confiabilidad del 95%. Los desvíos estándar de cada
estimador se reportan debajo del valor de los mismos entre paréntesis, como así también los p-value y el valor
del desvío estándar del modelo estimado.

Por otra parte los parámetros que permiten una interpretación diferente a los de un modelo lineal son   2.55

y c  1,41, los cuales indican la velocidad de transición y el punto medio entre los períodos de menor y mayor
crecimiento del PBI mundial, respectivamente. La significatividad del coeficiente  indica la existencia de los

dos regímenes anteriormente descriptos. Sin embargo se observa una transición suave entre ambos regimenes
apreciable en la grafica de la función de transición exponencial entre los dos regímenes. La misma fue calculada
para tasas de crecimiento anuales entre el -2% y el 5%.

Una forma plausible de interpretar la dinámica del modelos es mediante el análisis de la raíces del polinomio
característico asociado al modelo estimado. Si bien es posible calcular las raíces para cualquier valor de la
función de transición (F), en particular el caso 0<F<1, lo relevante es el análisis del comportamiento del
crecimiento del PBI mundial en los regímenes extremos; es decir cuando la función de transición adopta el valor
“cero “o igual la “unidad”.

En ese sentido, los cuadros N° 6 y N° 7 respectivamente, indican que el crecimiento anual del PBI mundial,
admite un primer régimen observado con menores niveles de actividad (cuando F=0) (donde se observa que el
modulo de dos de las raíces complejas del polinomio característico superan la unidad) y un segundo régimen
caracterizado por un mayor dinamismo en términos económicos (cuando F=1) (en el cual el módulo de todas
sus raíces complejas es inferior a uno). En otras palabras, durante los períodos de mayor crecimiento
económico mundial (fase expansiva del ciclo económico en la cual las tasas superan el 1,41% anual), el proceso
es convergente, mientras que en épocas de recesión o de menor crecimiento (con tasas inferiores a dicho
umbral), el proceso es localmente no estacionario. Esto estaría indicando la existencia de asimetrías en el ritmo

11
de crecimiento del PBI mundial dependiendo si el mismo se encuentra en una fase expansiva o recesiva del
ciclo económico.

En este sentido y a la luz de los resultados obtenidos, se podría inferior que el PBI mundial registraría un ritmo
de crecimiento mayor cuando pasa de una fase recesiva a una expansiva mientras que la desaceleración o
disminución registrada en los niveles de actividad mundial cuando deviene una nueva fase contractiva se
producen con mayor lentitud y solo un shock negativo muy fuerte (como por ejemplo la ocurrencia de una crisis
financiera) pueden inducir caídas abruptas en las tasas de crecimiento del PBI mundial. En virtud de lo
expuesto anteriormente, es posible destacar que durante el primer cuatrimestre de 2014, la economía mundial
se encontraba transitando por una fase expansiva presentando una desaceleración en su tasa de crecimiento
económico siendo esta ultima un proceso estacionario en torno a un valor promedio anual.

Cuadro N° 6
Raíces, modulo, período (Régimen observado para F=0)

Componente Componente
Real Imaginaria Modulo Período

-0.397 -0.658 i 0.769 2.973

-0.397 0.658 i 0.769
0.776 0.744 i 1.075 8.223
0.776 -0.744 i 1.075

Una vez que se obtienen los parámetros estimados del modelo es importante verificar que estas estimaciones
no cambien significativamente para diferentes combinaciones de valores iniciales de  y c . En ese sentido, el
test de constancia de parámetros realizado para el modelo en cuestión (Cuadro N° 8) estaría indicando la
estabilidad de los mismos en base al período muestral seleccionado. Por consiguiente, el proceso sería
globalmente estacionario en los términos definidos por Tong (1993). De esta manera, el modelo LSTAR
estimado resultaría en una herramienta útil para realizar proyecciones sobre la evolución futura del crecimiento
del PBI Mundial.

Cuadro N° 7
Raíces, modulo, período (Régimen observado para F=1 )

Componente Componente
Real Imaginaria Modulo Período

-0.320 0.430 i 0.536 2.842

-0.320 -0.430 i 0.536
0.699 0.373 i 0.792 12.833
0.699 -0.373 i 0.792

Cuadro N° 8

H0: Existe estabilidad en los

parámetros
F Static P –value
Test de constancia de
Parámetros modelo LSTAR 1.34201 0.17087

12
A continuación se presentan la evolución gráfica del recorrido que adopta la función que describe la transición
entre ambos regímenes y el valor de la misma para cada momento del tiempo cuando el proceso se encuentra
en el régimen de bonanza (es decir, cuando el PBI mundial atraviesa por un periodo de expansión económica;

F ( yt d ;  ; c)  1 ):

LSTAR
1.0

Régimen N°2
0.8

0.6
Theta

0.4

0.2

Régimen N°1

0.0
-2 -1 0 1 2 3 4 5
c =1,41

Funcion de transicion vs Tiempo

1.0

0.8

0.6
Theta

0.4

0.2

0.0
1970 1975 1980 1985 1990 1995 2000 2005 2010

3.4) Análisis de los residuos del modelo LSTAR: En la última etapa de la metodología de modelación, se debe
verificar la validez de los supuestos del modelo. Estas pruebas consideradas en Eitrheim y Teräsvirta (1996)
incluyen tests de no autocorrelación en los residuales, tests de no-linealidad remanente en el modelo, tests de
normalidad en los residuos del modelo LSTAR.

En ese sentido, los test practicados a la estructura de residuos del modelo LSTAR indican ausencia de
autocorrelación serial y de presencia de heterocedasticidad autorregresiva condicionada (Cuadros N° 9 y N° 10
respectivamente).

13
 Cuadro N° 9
Test LM para no
autocorrelación de
residuos

H0:No existe autocorrelacion serial

Lags F- Static P value

1 3.96185 0.04825
2 1.98840 0.14030
3 1.38953 0.24802
4 1.06416 0.37621

Cuadro N° 10
Test ARCH para residuos
modelo LSTAR

H0: No existe heterocedasticidad

P
Lags T- Static value

1 0.851 0.35640
2 0.847 0.65482
3 1.203 0.75221
4 1.453 0.83486

Asimismo, se acepta de la hipótesis nula de no linealidad remanente para la evolución del crecimiento anual del
PBI mundial (Cuadro N° 11), con uno, cinco y seis rezagos no pudiendo ser aceptada la misma para dicha
variable de transición con dos, tres y cuatro rezagos respectivamente. El objetivo de este test es identificar la
posible existencia de un tercer régimen en la evolución del crecimiento del PBI mundial. En base a los
resultados obtenidos, es posible señalar que no se ha encontrado evidencia concluyente en favor de la
existencia del mismo. Finalmente, se exponen los resultados del Test de Normalidad para los residuos
utilizando el estadístico de Jarque Bera (Cuadro N° 12) el cual indica que los mismos son normales con un
nivel de confianza del 95%. A continuación se presentan los resultados de los citados tests

Cuadro N° 11
Test para no
linealidad remanente

H0: No existe no linealidad remanente

Lags
(variable de
transición) F- Static P value

1 1.52927 0.10181
2 2.19057 0.00900
3 2.33194 0.00514
4 2.61831 0.00161
5 1.74521 0.04828
6 1.39982 0.15451

14
 Cuadro N° 12
Test de
Normalidad
de residuos
modelo LSTAR
H0: Los residuos
son normales P –value

Skewness -0.18278 0.921590

Kurtosis (excess) 0.947976 0.011611
Jarque Bera 6.637455 0.046199

3.5) Evaluación estadística de los pronósticos brindados por el modelo lineal vs modelo LSTAR: A continuación
se exponen los resultados de la evaluación de los pronósticos estáticos y dinámico del modelo Ar(p) y del
modelo LSTAR. Para el caso del pronóstico estático, se obseva que el modelo no lineal presenta un ajuste
levemente mejor que el modelo lineal, ya que presenta un error promedio absoluto y cuadrático inferior. No
obstante para el caso del pronóstico dinámico, es el modelo lineal quien presenta una leve ventaja en
comparación con el modelo no lineal por presentar valores inferiores en su error absoluto promedio, error
promedio cuadrático no así para el caso del coeficiente de desigualdad de Theil (Cuadro N°13).

Cuadro N° 13
Modelo Lineal Modelo no Lineal
Medidas Estadísticas Estático Dinámico Estático Dinámico

Mean Absolute Error 0,5027 1,1505 0,4941 1,1827

Root Mean Square Error 0,6927 1,4482 0,6464 1,5185
Theils Coeficient 0,0910 0,1958 0,7371 1,7318

Finalmente se expone las gráficas correspondientes a los pronósticos estáticos del crecimiento anual del PBI
mundial mediante el uso del modelo no lineal del tipo LSTAR frente a su alternativa lineal. En ambos casos se
expone la evolución de la serie observada y la pronosticada mediante cada una de las alternativas planteadas
en este trabajo con sus correspondientes bandas de confianzas. El pronóstico fue realizado para un intervalo de
+- dos desvíos estándar. De la observación de ambas graficas surge a simple vista que no existen grandes
diferencias entre los pronósticos obtenidos a partir de ambos modelos.

Adicionalmente, se presenta la relación entre la varianza de los errores del modelo no lineal y la de los errores
del modelo AR(p) escogido. En general se considera que dicha relación debe ser menor a 0.90 para que exista
una ganancia derivada de la estimación de un modelo no lineal frente a su alternativa lineal. Comparando la
2 2
varianza del error de ambos modelos ( senl)  (0.66)  0.89 , se observa que el modelo no lineal presenta
2 2
( sel) (0.70)
una leve mejora de la estimación del proceso al presentar una varianza menor. En ese sentido, el modelo no
lineal brinda un leve beneficio al reducir en un 11% la varianza del error de la estimación lineal.

15
 Pronóstico estático del crecimiento anual del PBI Mundial
(en porcentuales)
12.0

Crecimiento observado

10.0 LSTAR
banda inferior
banda superior
8.0

6.0
Crecimiento anual

4.0

2.0

0.0
1970:01
1971:02
1972:03
1973:04
1975:01
1976:02
1977:03
1978:04
1980:01
1981:02
1982:03
1983:04
1985:01
1986:02
1987:03
1988:04
1990:01
1991:02
1992:03
1993:04
1995:01
1996:02
1997:03
1998:04
2000:01
2001:02
2002:03
2003:04
2005:01
2006:02
2007:03
2008:04
2010:01
2011:02
2012:03
2013:04
-2.0

-4.0

Pronóstico estático del crecimiento anual del PBI Mundial

(en porcentuales)
12.0

Crecimiento observado

10.0 Modelo lineal

banda inferior
banda superior
8.0

6.0
Crecimiento anual

4.0

2.0

0.0
1970:01
1971:02
1972:03
1973:04
1975:01
1976:02
1977:03
1978:04
1980:01
1981:02
1982:03
1983:04
1985:01
1986:02
1987:03
1988:04
1990:01
1991:02
1992:03
1993:04
1995:01
1996:02
1997:03
1998:04
2000:01
2001:02
2002:03
2003:04
2005:01
2006:02
2007:03
2008:04
2010:01
2011:02
2012:03
2013:04

-2.0

-4.0

IV. Conclusiones

El análisis de la serie de tiempo de las variaciones anuales del crecimiento del PBI mundial muestran ciertos
indicios de presencia de no linealidades en su comportamiento revelando asimetrías en el ritmo de crecimiento
del mismo dependiendo si la economía mundial se encuentra transitando una fase recesiva o expansiva del ciclo
económico. Esta afirmación se verifica mediante el Test de No Linealidad propuesto por Terasvirta (1993) el
cual permite rechazar la hipótesis nula de comportamiento lineal en la serie bajo estudio.

En base a ello, se procedió a estimar un modelo no lineal predictivo de la evolución anual del crecimiento del
PBI mundial siguiendo la metodología propuesta por Terasvirta (1993) y Terasvirta y Ertheim (1996). Los
resultados de los tests practicados indican que el proceso podría ser representado mediante la estimación de un
modelo autorregresivos intentando incorporar un tipo específico de no linealidad, mediante una función de
transición suave del tipo logística (LSTAR). Dicho modelo permitió identificar dos tipos de dinámica en el
crecimiento del PBI mundial dependiendo de si éste se encuentra en una fase recesiva o expansiva del ciclo
económico. En este sentido, el modelo estimado indica que las tasas de crecimiento registradas durante los

16
períodos de recesión económica difieren sustancialmente de la dinámica de crecimiento registrada durante las
fases expansivas. En el primer caso, se observa que cuando la economía mundial se encuentra saliendo de una
fase recesiva la misma crece a un ritmo acelerado mientras que la desaceleración o caída en el nivel de
actividad cuando deviene una fase recesiva es lenta, tendiendo a un estado estacionario, por cuanto solo un
shock negativo muy fuerte (por ejemplo la ocurrencia de una crisis financiera a nivel global) puede inducir
caídas abruptas en las tasas de crecimiento mundial. En virtud de lo expuesto anteriormente, es posible
destacar que durante el primer cuatrimestre de 2014, la economía mundial se encontraba transitando por una
fase expansiva presentando una desaceleración en su tasa de crecimiento económico siendo esta ultima un
proceso estacionario en torno a un valor promedio anual.

Finalmente, en relación a la evaluación de la capacidad predictiva, el análisis comparativo entre el modelo lineal
frente al modelo LSTAR permite concluir que este último presenta un mejor ajuste en términos estáticos, siendo
contraria la conclusión obtenida si se comparan los valores de los estadísticos obtenidos para un pronóstico
dinámico. No obstante y en líneas generales, cuando se procede a comparar los beneficios relativos a partir de
las varianzas arrojadas por ambos modelos se concluye que el modelo no lineal reduce s en un 11% la varianza
de la estimación lineal para la serie en cuestión.

Bibliografía utilizada

 Caner, M. and B. Hansen (1998). Threshold Autoregression with a Near Unit Root. University of
Wisconsin.

 Enders, W and J. Ludlow (1999). “Non-linear Decay: Tests for an Attractor Using a Fourier
Approximation”, Iowa State University.

 Eitrheim, O and T. Teräsvirta (1996). Testing the Adequacy of Smooth Transition Autoregressive
Models. Journal of Econometrics, 74, 59-75.

 Frances P.H. and Van Dijk D (1997).“Modelling multiple regimes in Business Cycle. Econometric
Institute Erasmas “University of Rotterdam.

 Rue S. Tsay (2002). “Analysis of Financial Time Series. John Wiley & Sons”

 Teräsvirta, T.(1994). “Specification, Estimation and Evaluation of Smooth Transition Autoregressive

Models”. Journal of the American Statistical Association, 89, 208-218

 Teräsvirta, T. (1998 ). “Modelling economic relationships with smooth transition regressions”. in

A.Ullah and D. E. A. Giles (eds) . Handbook of Applied Economic Statistics. Dekker, New York, pp. 507-
552.

 Tong, H (1990). “Non-linear Time Series. A Dynamical System Approach” Oxford: Oxford University
Press

17
 Apéndice Metodológico

Pruebas de Raíz Unitaria para procesos no lineales de Enders y Ludlow

Para el desarrollo de esta prueba inicialmente se considera un modelo de la siguiente forma:

yt   t  yt 1   t
(1)

donde la serie {et} corresponde a un proceso ruido blanco con varianza 2 y a(t) es una función en el
tiempo que puede ser no lineal. Realizando j reemplazos hacia atrás con este mismo modelo se tiene:

yt   t   t  t 1   t  t  1 t 2  2   t  t  12 t  j yt  j 1

(2)

Si se continúa iterando, el decaimiento de la secuencia {Yt} implica la siguiente condición:

N
p  lim N    t  i   0
i 0 (3)

El punto central de la prueba de Enders y Ludlow consiste en representar a(t) mediante una aproximación de
Fourier considerando una sola frecuencia k:

 2k   2k 
 t   c   1 sen t   b1 cos t (4)
 T   T 

donde T corresponde al número total de observaciones y k es un número entero entre 1 y T/2. Esta
aproximación tiene la ventaja de que no se requiere especificar el proceso de ajuste no lineal, solo se deben
encontrar valores apropiados para a0, a1, b1, y k.

Para encontrar las condiciones de estacionariedad, la ecuación (4) se expresa de la siguiente forma:

 t    0  r cosq(t )  (5)

Donde:

 2k  a 
r  a12  b12 q t    t d d  ar cos en 1  (6)
 T   r 

realizando operaciones algebraicas se obtiene tiene que la condición para que la secuencia de {Yt} converja es:

N
p  lim N   a 0  r cosqt  i   0 (7)
i 0

por lo tanto la condición de decaimiento depende de a0 y r y no de la frecuencia k o el desplazamiento d.

18
Analizando la dinámica de un proceso caracterizado por estos modelos, los autores encuentran que las
condiciones necesarias y suficientes para el decaimiento de la secuencia {Yt} son las siguientes:

a0  1  r 2 / 4
y r<2 (8)

bajo esta metodología se tiene la ventaja que se permiten varios tipos de decaimiento, particulares en las
dinámicas no lineales. Es así como los autores encuentran cuatro tipos de decaimiento, dependiendo los valores
de a0 y r 23:

a0  r a0  r  1
y , decaimiento directo donde la velocidad del ajuste cambia de tiempo

a0  r a0  r  1
y , en este caso aunque existe decaimiento la secuencia yt puede tener algunos
periodos de comportamiento explosivo

a0  r a0  r  1
y , decaimiento oscilatorio.

a0  r a0  r  1
Finalmente, para y se tiene decaimiento oscilatorio con periodos de comportamiento
explosivo.

Para considerar dinámicas más generales el modelo básico especificado en (1) puede ser aumentado con
diferencias rezagadas de la serie:

p
yt   t  yt 1   yt i   t (9)
i 1

donde el número de rezagos especificado por p puede ser encontrado mediante los procedimientos
tradicionales como la estadística Ljung-Box utilizada para el diagnostico de los residuales, criterios de
información, etc.

En primer lugar, se estima una regresión que tiene como variable explicada la variable bajo estudio yt , y

como variables regresoras una constante y/o deterministica según corresponda en función de sus grados de

significatividad para luego a partir de los residuos resultantes y  t , realizar la siguiente estimación:

  2k   2k  
p
y  t  c  a1 sen t   b1 cos t  y t 1   y  t  j   t (10)
  T   T  j 1

Dicha estimación tiene por objeto encontrar los valores más apropiados para c, a1 , b1 y k en (4) para lo cual

los autores recomiendan estimar dicho modelo para cada uno de los valores de k entre 1 y T/2. Los valores de

c, a1 , b1 y k son seleccionados como los resultantes de la menor suma de residuos cuadráticos de (10). Una
vez especificado el modelo (10) para una frecuencia k, se desarrollan las siguientes pruebas de hipótesis:
19
F_all:
H 0 : c  a1  b1  0

H 0 : a1  b1  0
F_trig:

H0 : c  0
C:

CR: H0 : c  r2 / 4 donde r  a12  b12

Las estadísticas asociadas a estas pruebas de hipótesis son calculadas de la forma usual mediante las formulas
correspondientes a las distribuciones F de Snedecor (para las pruebas F_all, F_trig y CR) y T-Student (para la
prueba CR).

Si el proceso que genera la serie tiene una raíz unitaria, se aceptaría la hipótesis nula asociada a las estadísticas
F_all, F_trig y C. En caso contrario, es decir, cuando no existe una raíz unitaria las estadísticas F_trig y C

servirían para especificar si se tienen decaimientos lineales (a1=b1=0) o no lineales (

a1  0 ó
b1  0 ). La
aceptación de la hipótesis nula asociada a la estadística CR indicaría que el proceso que genera la serie no
cumple la condición (8).

Enders y Ludlow reportan los valores críticos de estas cuatro estadísticas para diferentes niveles de significancia
y tamaños de muestra. Adicionalmente, estos valores son tabulados para dos tipos de modelación
determinística; uno considerando intercepto y el otro incluyendo una tendencia determinística.

Enders y Ludlow utilizando este tipo de técnicas también proponen una nueva prueba de co integración, esta
prueba se puede considerar como una modificación a la metodología de dos etapas de Engle y Granger (E-G).
La primera etapa se realiza de la misma forma propuesta originalmente y en la segunda se desarrolla la
metodología expuesta para la ecuación (10) pero sobre el residuo {et} de la primera etapa de la prueba de E-G,
es decir:

  2k   2k 
p
et  c  a1 sen t   b1  t  et 1   y t  j   t
  T   T  j 1
(11)

a0  1  r 2 / 4
como en los casos anteriores, si y r < 2 se puede concluir que la secuencia {et}
converge a cero de tal forma que las series en análisis estarían cointegradas. Al igual que para las pruebas
anteriores, Enders y Ludlow presentan las tablas de los valores críticos de esta prueba de cointegración para las
cuatro estadísticas F_all, F-trig, c y cr.

20