5.3.4. Análisis de descomposición de la varianza

La descomposición de la varianza es un estudio complementario al análisis impulso-respuesta que informa en distintos horizontes del tiempo el porcentaje de volatilidad que registra una variable por los choques de las demás. Es decir, indica la proporción del efecto que, en forma dinámica, tienen todas las perturbaciones de las variables sobre las demás. Separa la varianza del error de pronóstico para cada una en componentes que pueden atribuirse a cada una de las variables endógenas (Pindyck et al., 2001). De esta manera es posible medir la volatilidad que le genera la variable endógena a la exógena en un momento específico.

En el cuadro 29 se resumen los resultados para el primer y trigesimosexto periodo. Se observa que todas las variables tienen un fuerte comportamiento autoregresivo, en virtud de que después de 36 meses más del 90% de la varianza de cada variable se sigue explicando por ella misma, excepto en el caso de México. Además, ninguna de las variables pierde rápidamente capacidad explicativa con sus propios rezagos. Esto difiere significativamente de otros estudios que han analizado variables de la relación entre la economía real y la economía financiera, como por ejemplo el de Loría (2007), en el que incluso las variables que no pierden rápidamente significancia han perdido un tercio después de 15 trimestres, aunque no en México, donde se obtiene un resultado muy parecido. Como es irrelevante la relación de la economía real con la economía financiera, se dejan de lado dichos resultados. Sin embargo, a la inversa sí es relevante. En Argentina, el Merval sólo explica el 1.2% en el primer periodo y se incrementa a 7% en el periodo 36. En Brasil, por su parte, en el primer periodo el Bovespa sólo se explica el 0.9% y en el periodo 36 se explica el 7.27% de la varianza del PIB mensual. En Chile el IGPA explica en el primer periodo el 0.01% y en el periodo 36 el 3.32% de la varianza. Por último, en México el IPyC explica el 0.5% de la varianza en el primer periodo y 5.8% en el 36.

Otra manera de contrarrestar la correcta especificación del modelo consiste en revisar la magnitud del error estándar de cada ecuación para los periodos considerados; esto es, el grado de dispersión de las estimaciones puntuales obtenidas en muestras de un tamaño determinado. Un mismo estimador ofrece distintos valores para diversas muestras del mismo tamaño extraídas de la misma población. Por lo tanto, deberíamos tener una medida de la variabilidad del estimador respecto del parámetro que se trata de estimar. En el cuadro 30 se muestran los resultados. Observamos en primer lugar que el error estándar es mayor en la variable bursátil que en el PIB mensual, lo cual concuerda con la teoría. Sin embargo, sobresale la diferencia del error estándar entre el Merval, el Bovespa y el IPyC contra el IGPA. Chile, donde se experimentan pocas turbulencias, tiene un error estándar mucho más bajo (6%) que el de las demás bolsas (Argentina, 12%; Brasil, 13%, y México, 10%). En el IPyC es donde más aumenta el error estándar, mientras que en el caso de las demás bolsas se mantiene estable. El alto valor del error estándar en las variables financieras coincide con el modelo de Loría (2007, 314-315).

5.4. La modelación del contagio bursátil: el coeficiente de correlación lineal

El siguiente paso es analizar el periodo de estudio para saber cuando y en que magnitud sucedieron los contagios. En esta se mostrará la forma tradicional de medir el contagio bursátil mediante el coeficiente de correlación lineal. Para saber con exactitud el momento en que se genera el contagio bursátil en cada una de las bolsas, se compara el coeficiente de correlación lineal del periodo anterior a la crisis con el periodo posterior a la crisis entre las distintas bolsas. Hay que recordar que las crisis y sus correspondientes contagios bursátiles comienzan, por lo general, antes que el resto de las crisis financieras. También sucede que regularmente las bolsas no se contagian de forma instantánea, sino que a veces pueden pasar algunos meses hasta que exista algún contagio, como se puede observar en la crisis mexicana. La correlación ha sido un concepto estadístico fundamental en el estudio de las series financieras y es utilizado en varias áreas, como la gestión de portafolios y las decisiones de estructura óptima, el diseño de coberturas, la medición de riesgo financiero y la valoración de derivados (Vilariño, 2004).

Esta prueba es la más usada en los trabajos econométricos sobre el efecto contagio y es calculado para las rentabilidades de los activos supuestos protagonistas del contagio. Se supone que el coeficiente de correlación aumenta en el momento en que aparece el contagio respecto al momento anterior. El modelo se basa en que en momentos normales existe alguna relación estadística entre los dos o más entes que se mide con el coeficiente de correlación. En el caso de que exista un contagio este coeficiente aumenta.

El coeficiente de correlación lineal es una medida del grado de asociación lineal entre las variables X e Y. Se representa por r:

donde sx y sy son las desviaciones típicas de las variables X e Y, respectivamente, y Sxy es la covarianza muestral de X e Y, que se define como la media de los productos de las desviaciones correspondientes de X e Y y sus medias muestrales.

El coeficiente de correlación tiene las siguientes propiedades:

1 r siempre está entre -1 y 1.

2 Si r = 1 o r = -1, entonces los puntos de la muestra están situados en línea recta (correlación lineal perfecta).

3 Si r está próximo a 1 o a -1, habrá una asociación lineal fuerte entre ambas variables.

4 Si r es cercano a 0, habrá una asociación lineal muy débil.

5 r no varía cuando en las variables se realiza un cambio de escala o de origen. Esto demuestra que r no tiene dimensión.

Al tener diferentes coeficientes de correlación de cada variable con el resto y consigo misma, se puede crear una matriz de correlación con cada elemento igual a:

Creando una matriz antes del efecto contagio y una después del efecto contagio es posible hacer una comparación y observar si existe algún aumento en el coeficiente de correlación. En el presente trabajo se considerará que existe contagio si la correlación se incrementa por lo menos un 5 % respecto al periodo anterior a la crisis.

La fuga del capital bursátil comenzó en México a principios de octubre, por lo que se comparará la correlación anterior de la crisis (septiembre) con la correlación posterior (octubre, noviembre,..). El cuadro 31 muestra los cambios del coeficiente de correlación de la crisis mexicana. La correlación con el Merval se incrementa explosivamente y luego disminuye, pero sigue de todas formas muy por encima del valor anterior, es decir, se contagió de forma inmediata, una sensibilidad de la bolsa característica en todas las crisis. El Bovespa se mantiene durante octubre casi igual pero se incrementa en noviembre en un 26%. El IGPA de Chile, por otro lado, disminuye su correlación con la Bolsa Mexicana durante octubre y noviembre –cuando consigue una correlación negativa–, pero en diciembre sufre un incremento del coeficiente significativo y queda contagiada.

La crisis brasileña fue casi simultánea a la fuga de capital. Una explicación se puede encontrar en el capítulo 8 de El retorno de la economía de la depresión, de Paul Krugman (1999; 2008), donde se relata la forma en que la crisis rusa provocó una reacción de los Hedge Fonds, los cuales, urgidos de liquidez, sacaron su dinero primero de Brasil y posteriormente de otras bolsas, originando una enorme crisis bursátil y económica.

En el cuadro 32 se observan las correlaciones con las otras tres principales bolsas latinoamericanas. A diferencia de la crisis mexicana, donde las correlaciones se incrementaron pero se mantuvieron bajos, en la crisis brasileña el coeficiente de correlación aumentó a 0.99, lo que quiere decir que una caída de 1% del Bovespa provocaba una caída de casi 1% en todas las bolsas. Es interesante también ver que el IGPA se pudo recuperar después del mes de agosto. Esto se puede deber a que el mercado accionario chileno está, a diferencia de los demás, más diversificado en lo que se refiere a los tipos de inversionistas, por lo que los inversionistas institucionales habrán sacado su capital, mientras que los inversionistas nacionales aprovechaban las caídas de los títulos para incrementar y diversificar sus portafolios. No hay que olvidar que esta crisis no tuvo como origen, a diferencia de las otras dos crisis, un desequilibrio macroeconómico de alguna nación latinoamericana, sino que fue generada por el capital especulativo internacional y fomentado por los errores – intencionales o no– del FMI y del BM.

Por último, en el cuadro 33 se observan las correlaciones con la crisis argentina. Esta crisis es una de las más difíciles de describir. Argentina sufría desequilibrio macroeconómico desde principios de los años noventa, cuando el presidente Ménem introdujo cambios estructurales con los cuales quería reformar al país. Estas reformas se podrían comparar con las realizadas en México durante el sexenio salinista y que adolecían de las mismas enfermedades: corrupción y nula visión de la nación a largo plazo. En el segundo mandato, algunas cifras macroeconómicas –en especial, el desempleo– empezaron a mostrar desajustes, que se incrementaron en 1998 cuando Argentina cayó en una recesión, la cual se mantuvo hasta el 2001 y empeoró aún más la situación, lo que se reflejó en las imágenes de los cacerolazos de diciembre de 2001 y en la famosa política financiera llamada “Corralito”.146 La ventaja de analizar las crisis bursátiles es que la crisis se puede definir como un momento en el cual el índice cae continuamente, por lo que se puede analizar el Merval de forma gráfica. En el presente trabajo se consideró tomar la caída del 25 de enero del 2001 como el comienzo de la crisis bursátil.

En el cuadro 33 se observan las correlaciones con los otros tres mercados bursátiles. Para evitar problemas al medir el coeficiente se consideró tomar diciembre como mes comparativo con los meses que siguen a enero. En febrero las tres bolsas muestran una gran correlación con el Merval, situación que se reduce ligeramente aunque siguen mostrando una alta correlación. Lo interesante es analizar el mes de abril. La bolsa chilena muestra una correlación negativa y la mexicana baja casi a la situación anterior a la crisis, mientras que el Bovespa observa todavía una gran correlación.

El cuadro 34 se presenta en resumen el resultado completo obtenido mediante el coeficiente de correlación lineal. Se dividen los periodos de contagio para las cuatro bolsas de valores y por las respectivas crisis y contagios.

5.5. Efecto contagio y su impacto en la economía real y en las variables financieras: el tipo de cambio y la tasa activa

En esta parte se analiza la significancia estadística de los contagios bursátiles en la economía real durante las tres crisis latinoamericanas: tequila, samba y tango. Por ello se generó una variable dummy, es decir, una variable binaria con 0 periodos sin contagio y 1 periodo con contagio. Los valores de contagio se toman del coeficiente de correlación lineal. Se tratará de analizar si durante los momentos de contagio y, en consecuencia, con las fugas de capital golondrino fue afectada o no la economía real y financiera. Para saber si la variable contagio es significativa, se hará primero una prueba con las series bursátiles para demostrar así su significancia. Posteriormente se realizará un estudio con las tasas de crecimiento de los cuatro países. Como en el subcapítulo anterior ya se hicieron todas las pruebas estadísticas, en esta sección sólo se darán a conocer las variables más relevantes. En todos los casos los residuos generan ruido blanco, por lo que no influyen en la regresión.