5.2.4. Mecanismo de corrección de error (MCE)

En la estimación de una ecuación de largo plazo existen momentos de desequilibrio –justamente por el carácter aleatorio y complejo de las finanzas– de corto plazo respecto a la relación de largo plazo. De tal forma, puede utilizarse el mecanismo de corrección de error (MCE), que consiste en una especificación econométrica que permite vincular el análisis de equilibrio de largo plazo con la dinámica de ajuste de corto plazo, como una medida de desviación del equilibrio. En palabras de Intriligator (1990): “El hecho de que las variables estén cointegradas considera la existencia de un proceso de ajuste que evita que los errores crezcan en el largo plazo. Éste es el modelo de corrección de error”. De esta manera, las ecuaciones de corrección de error son usadas principalmente para analizar pronósticos de corto alcance140 (Loría, 2007). El valor 2 indica la magnitud del ajuste de cada periodo de la endógena respecto a su valor de largo plazo o, en forma más intuitiva, recoge el ajuste hacia el equilibrio de largo plazo. Por definición, la beta debe ser mayor a -1, ya que en caso contrario habría errores I(1), que indican que las series no están cointegradas (Loría, 2007).

Se utilizó un modelo de corrección de error como el propuesto por Wooldridge (2001) usando

un solo rezago para las dos variables independientes, además de la 2 del rezago. Al usar la bolsa como variable dependiente, no hubo un solo caso en que las variables independientes fuesen estadísticamente significativas, lo cual ha de concordar con los resultados que se obtuvieron en la sección 5.3.1. al calcular la causalidad de Granger, donde sólo existe causalidad de la bolsa hacia la economía real pero no a la inversa.

En el cuadro 25 se muestran los resultados obtenidos. Al igual que en Ortiz et al. (2007a), el término de error está cerca de 0, lo que significa que las discrepancias entre el corto y el largo plazos son muy pequeñas. La interpretación es la siguiente: en el caso de Argentina, el coeficiente del error indica que alrededor del 2% de la discrepancia es reducida mes a mes; para el caso de Brasil hay un ajuste del 4%, en Chile el ajuste es menor al 1% y en México es alrededor del 3%. Con la excepción de Chile, todos los países se encuentran en un margen parecido. El coeficiente es significativo para los cuatro países al 1%, lo que es sorprendente. Todos muestran una elevada R2; sin embargo, las DW de todas las regresiones son cercanas a 2, por lo que se puede descartar la espuriedad.

5.3. Modelación de la relación de las series de las bolsas latinoamericanas con la economía real

Desde la crítica de Lucas, la práctica econométrica ha avanzado en dos direcciones distintas: quienes utilizan los métodos econométricos y otros modelos para enfrentar la problemática cotidiana real, y quienes hacen teoría pura con base en sus preocupaciones académicas sin tener mucho compromiso con la actuación oportuna. Mientras que el segundo grupo reduce la complejidad del mundo e intenta explicarla en unas cuantas ecuaciones, con el argumento de que sólo son modelos y que éstos no son capaces de analizar el todo, por lo que sus análisis son válidos “únicamente a nivel teórico”, los primeros, redujeron la complejidad de la vida cotidiana mediante técnicas estadísticas a cualquier costo para tratar de analizar la vida real y pronosticar el futuro. El problema central para este primer grupo consiste en que –como señala Taleb–, si pronosticáramos el futuro de forma correcta, lo podríamos ya usar hoy; pero como no es así, se simplificó el pronóstico a métodos estadísticos que caracterizan la platónica “Mediocristán”, donde el ayer no se diferencia mucho del mañana, en vez de entender que estamos en “Extremistán”, donde la idea de la campana de Gauss es errónea por definición y las series se caracterizan por sus colas pesadas.

En los próximos subcapítulos se tratará de demostrar que tal divergencia entre los dos grupos no es necesaria y que se puede armonizar usando las técnicas econométricas correctas para narrar los hechos y comprobarlos con los argumentos teóricos. Kant decía que la teoría sin empiria está vacía, pero la empiria sin teoría está ciega. Los Vectores AutoregResivos (VAR), que surgieron en la década de los ochenta, muestran esta característica. Al ser modelos ateóricos con ellos es posible correr prácticamente cualquier variable contra otra, sin que esto tenga sentido. Por eso es necesario crear una buena combinación entre la técnica de series de tiempo y los argumentos provenientes de la teoría económica (Loría, 2007).

También es necesario exponer que el mundo real es demasiado complejo para que una sola técnica pueda explicar todo, por lo que se usarán una gran variedad de modelos, cada uno con sus ventajas, limitantes y desventajas. Creer que puede existir un modelo universal es platonizar el mundo y caer en la misma falacia de la ortodoxia teórica de varias escuelas de pensamiento, que creen que su modelización es la única correcta y no es posible usar otras alternativas econométricas, como si el mundo fuese binario, blanco y negro, cuando en realidad el mundo es un arcoiris.

5.3.1. Causalidad de Granger

A continuación se demostrará si los cambios en una variable pueden verse como una causa de los cambios en otra variable. En la sección anterior se probó mediante la regresión de cointegración que no existe relación de equilibrio o estable de largo plazo entre las series originales, pero sí entre los rendimientos, es decir, en las primeras diferencias. Sin embargo, la prueba de causalidad de Granger (1969) busca determinar estadísticamente si el pasado de la variable x contiene información que preceda al comportamiento de la variable y y que, por tanto, contribuya a explicarla de tal manera que:

Ahora bien, puede ser que x ayude a predecir a y, como se muestra en la regresión anterior; es decir, se rechaza la hipótesis nula, pero hay que analizar también la forma inversa para ver si hay causalidad dual, lo cual dificulta la situación, ya que si y predice x, entonces es probable que una o más variables distintas estén “causando” los cambios observados tanto en x como en y (Pindyck et al., 2001).

La causalidad de Granger es muy sensible al número de rezagos. Se encontró que para los cuatro países el número óptimo es de hasta 11 rezagos. La razón principal por la que 12 rezagos no son óptimos se encontró en un estudio (Brugger, 2009c) paralelo a este trabajo, en el que se utilizó un modelo SARIMAX. En ese estudio se encontró que en América Latina existe un efecto diciembre que genera grandes picos en los residuos, por lo que es importante olvidarse de ese doceavo mes. De hecho, los países que más problemas muestran –Brasil y Chile– son los que rechazan categóricamente los 12 rezagos, mientras que en Argentina casi se acepta al 5% y México no tiene problema.

En el cuadro 26 se encuentra el resumen de los resultados. El cuadro 26 muestra el estadístico F y su probabilidad en paréntesis. La hipótesis que se contrasta es que los coeficientes de las regresiones de Y sobre X, así como los de X sobre Y, son nulos para la variable de apoyo; es decir, que la variable X no aporta información para explicar a Y, o bien, que Y no aporta información para explicar a X. Si el valor del estadístico F supera el valor tabulado, se rechazará la hipótesis nula y, por tanto, se aceptará que X causa a Y o viceversa. Por último, se analizó la causalidad con las series en moneda original para saber si el tipo de cambio afecta, pero no se encontraron resultados distintos.

Sólo se encontró causalidad unidireccional del índice bursátil al PIB mensual; esto es, no se encontró causalidad en dirección opuesta. Esto significa que la bolsa influye en el desarrollo económico pero éste no influye en el desempeño de la bolsa. De alguna manera, esto sugiere que la bolsa no se basa en información pasada o presente sino en pronósticos futuros del desenvolvimiento de la economía real. Esto afirma los resultados de unidireccionalidad que obtuvieron los estudios de Christopoulos y Tsionas (2003), Hassapis y Kalyvitis (2002), Howells y Soliman (2003 y 2005) y Nasseh y Strauss (2000). Por su parte, este resultado rechaza los obtenidos por Apergis, Filippidis y Economidou (2007), Tuncer y Alovsat (2000) y Ortiz et al. (2007c), en los que existe una bidireccionalidad, así como el de Fama (1990), quien argumenta que la relación es exactamente en sentido contrario. Por último, es imposible afirmar o rechazar el muy significativo estudio de Binswanger (2000) –quien encontró que el rendimiento de las acciones ha dejado de ser un buen indicador líder de la actividad económica de la economía real desde los años ochenta–, ya que el estudio presente no contempla un periodo tan largo.