Introducción
⌅El
petróleo y sus derivados proveen energía, insumos y productos
esenciales para la economía global. Según la Organización de Países
Productores de Petróleo (OPEC, por sus siglas en inglés), el petróleo
contabilizó más de 31 por ciento de la demanda global de energía en 2018
(OPEC, 2019: 6[27] OPEC, (2019). “World Oil Outlook 2040”, Organization of the Petroleum Exporting Countries, Viena: OPEC.
).
Aún más, según la misma organización, el petróleo contabilizará más del
28 por ciento de la demanda global en el año 2040. La importancia
económica del petróleo explica por qué sus precios son constantemente
monitoreados, analizados y pronosticados por los agentes económicos y
financieros de todo el mundo.
La literatura ha estudiado las
relaciones entre los precios del petróleo y las actividades económicas
desde los años setenta del siglo pasado (Hamilton, 1983[14] Hamilton, J. D. (1983). “Oil and the macroeconomy since World War II”, Journal of Political Economy, 91(2), 228-248. doi: 10.1086/261140.
; Brown y Yucel, 2002[4] Brown, S. P. A. y Yucel, M. K. (2002). “Energy prices and aggregate economic activity: An interpretative survey”, Quarterly Review of Economics and Finance, 42(2), 193-208. doi: 10.1016/S1062-9769(02)00138-2.
; Barski y Kilian, 2004[1] Barski, R. B. y Kilian, L. (2004). “Oil and the macroeconomy since the 1970s”, Journal of Economic Perspectives, 18(4), 115-134. doi: 10.1257/0895330042632708.
).
En esta literatura, suele aceptarse que los incrementos y los shocks en
los precios del petróleo, tienen efectos negativos sobre la actividad
económica. Sin embargo, en muchos países en desarrollo, como México, los
precios del petróleo han contribuido a definir las políticas fiscales,
los saldos de la balanza comercial y las estrategias de desarrollo.1 Según la Secretaría de Hacienda y Crédito Público, los ingresos
presupuestarios del sector público ascendieron a 22.2 por ciento del
PIB, durante 2019 (SHCP, 2020: 57).
Asimismo, los ingresos petroleros ascendieron a 3.9 por ciento del PIB.
Esto significa que, pese a los problemas financieros del monopolio
estatal Petróleos Mexicanos (PEMEX), y la caída en su plataforma de
producción registrada en 2019, los ingresos petroleros equivalieron al
17.56 por ciento de los ingresos presupuestarios del sector público de
ese año. Aún más, hay quienes señalan que el crecimiento económico de México ha dependido del petróleo (Colmenares, 2008[5] Colmenares, F. (2008). “Petróleo y crecimiento económico en México 1938-2006”, EconomíaUnam, 5(15), 53-65.
).
La
literatura econométrica que estudia las interdependencias entre los
precios del petróleo y la actividad económica, suele enfocarse en los
países desarrollados que consumen petróleo. Por esta razón, dichos
estudios suelen concluir que hay relaciones inversas entre los precios
del petróleo y el crecimiento económico (Narayan et. al., 2014[25]
Narayan, P.K., Sharma, S., Poon, W. C., y Westerlund, J. (2014). “Do
oil prices predict economic growth? New global evidence”,Energy Economics, 41(1), 137-146. doi: 10.1016/j.eneco.2013.11.003.
; Mohaddes y Pesaran, 2017[24] Mohaddes, K., y Pesaran, M. H. (2017). “Oil prices and the global economy: Is it different this time around?”, Energy Economics, 65(1), 315-325. doi: 10.1016/j.eneco.2017.05.011.
; Herrera, Karaki y Rangaraju, 2019[16] Herrera, A. M., Karaki, M. B., y Rangaraju, S. K. (2019). “Oil price shocks and US economic activity”. Energy Policy, 129, 89-99. doi: 10.1016/j.enpol.2019.02.011.
).
Sin embargo, si se considera que los principales productores de
petróleo suelen ser países en desarrollo, dicha conclusión es
cuestionable. En este contexto, debe mencionarse que los estudios
econométricos para países en desarrollo son relativamente escasos.
En este estudio, se analizan las interdependencias entre los precios del petróleo y la actividad económica, en México. El mismo se sustenta en un análisis de spillovers estáticos y dinámicos en los dominios del tiempo y de la frecuencia. La investigación utiliza estadísticas descriptivas, pruebas de cambio estructural endógeno, índices de spillovers estáticos y dinámicos y su descomposición en rangos de frecuencia de corto, mediano y largo plazos. La muestra analizada incluye series de variaciones mensuales y de volatilidades de los precios del petróleo MAYA, WTI y Brent y del indicador IGAE del período comprendido entre febrero de 1993 y diciembre de 2019.
El estudio complementa la
literatura empírica sobre las relaciones entre los precios del petróleo y
la actividad económica en los países en desarrollo, productores de
petróleo. El mismo tiene similitudes metodológicas con los estudios de Blecker (2009)[3] Blecker, R. A. (2009). “External shocks, structural change, and economic growth in Mexico", 1979-2007”, World Development, 37(7), 1274-1284. doi: 10.1016/j.worlddev.2008.10.004.
, Rodríguez-Benavides y López Herrera (2019)[36]
Rodríguez-Benavides, D., y López-Herrera, F. (2019). “Efectos de la
incertidumbre de los precios del petróleo en el crecimiento económico de
México”. Investigación Económica, 78(309), 80-106. doi: 10.22201/fe.01851667p.2019.309.70120.
y Zhang et al. (2020)[39]
Zhang, Y., He, X., Nakajima, T., y Hamori, S. (2020). “Oil, gas, or
financial conditions-which one has a stronger link with growth?”. The North American Journal of Economics and Finance, 54, 101220. doi: 10.1016/j.najef.2020.101220.
. 2 Zhang et. al. (2020),
estudian las interdependencias entre los precios del petróleo, el gas
natural, las condiciones de estrés de los mercados financieros y el
crecimiento económico de Estados Unidos. Ellos hallan que los shocks se
transmiten con mayor velocidad entre las series de volatilidades en
comparación con aquellas de los rendimientos. Más aún, ellos muestran
que los spillovers del petróleo crudo a la actividad económica son
relativamente mayores en comparación con las del gas natural. Sus contribuciones refieren a la caracterización de las mencionadas
relaciones en el corto, mediano y largo plazo, considerando precios del
petróleo de distintos orígenes y calidades. Particularmente, aquí se
utilizan los precios del barril de petróleo de los tipos MAYA, WTI y
Brent y el indicador IGAE, como representativos de los precios del
petróleo y de la actividad económica.
Las principales diferencias
refieren a la naturaleza y periodicidad de las series de tiempo usadas y
a la manera de analizar las relaciones de corto y largo plazo. Blecker (2009)[3] Blecker, R. A. (2009). “External shocks, structural change, and economic growth in Mexico", 1979-2007”, World Development, 37(7), 1274-1284. doi: 10.1016/j.worlddev.2008.10.004.
y Rodríguez-Benavides y López-Herrera (2019)[36]
Rodríguez-Benavides, D., y López-Herrera, F. (2019). “Efectos de la
incertidumbre de los precios del petróleo en el crecimiento económico de
México”. Investigación Económica, 78(309), 80-106. doi: 10.22201/fe.01851667p.2019.309.70120.
usan series anuales y trimestrales del PIB, y usan el precio del barril
WTI como proxy del precio del petróleo mexicano. Dado que en la
investigación aquí planteada se usan series mensuales del IGAE y de los
distintos precios de los tipos de petróleo, las series son relativamente
más extensas que las utilizadas en los estudios previos. Además, la
serie del tipo de petróleo MAYA se usa como representativa del
hidrocarburo producido en el país.
El análisis de las interdependencias entre los precios del petróleo y la actividad económica se sustenta en índices de spillovers, en los dominios del tiempo y de la frecuencia, siguiendo la metodología de Zhang et al. (2020)[39]
Zhang, Y., He, X., Nakajima, T., y Hamori, S. (2020). “Oil, gas, or
financial conditions-which one has a stronger link with growth?”. The North American Journal of Economics and Finance, 54, 101220. doi: 10.1016/j.najef.2020.101220.
. Particularmente, se emplea el enfoque de Diebold y Yilmaz (2012)[8]
Diebold, F. X., y Yilmaz, K. (2012). “Better to give than to receive:
Predictive directional measurement of volatility spillovers”, International Journal of Forecasting, 28(1), 57-66. doi: 10.1016/j.ijforecast.2011.02.006.
para calcular índices de spillovers direccionales estáticos y dinámicos en el dominio del tiempo. Estos
índices miden la proporción del impacto de una variable que es
atribuible a los shocks en otra. También se emplea el enfoque de Baruník y Křehlík (2018)[2] Baruník, J., y Křehlík, T. (2018). “Measuring the frequency dynamics of financial connectedness and systemic risk”, Journal of Financial Econometrics, 16(2), 271-296. doi: 10.1093/jjfinec/nby001.
, para descomponer los índices en rangos de frecuencias asociadas con el corto, mediano y largo plazos.3 Debe destacarse que la suma de los índices de spillovers en las
distintas frecuencias debe ser igual a los resultados de los índices de
spillovers en el dominio del tiempo. Por lo tanto, los enfoques en los
dominios del tiempo y de la frecuencia resultan ser complementarios
entre sí.
El estudio se organiza en seis secciones. La sección 2 incluye la revisión de la literatura. La sección 3 plantea la metodología de investigación. La sección 4 describe la base de datos e incluye el análisis estadístico y de cambio estructural endógeno de las series. La sección 5 incluye el análisis de interdependencias mediante índices de spillovers en los dominios del tiempo y de la frecuencia para caracterizar las relaciones de corto, mediano y largo plazo entre los precios del petróleo y la actividad económica. Finalmente, la sección 6 sintetiza los hallazgos, discute sus implicaciones y sugiere algunas líneas de investigación para realizar a futuro.
1. Revisión de la literatura
⌅Existe
una literatura econométrica relativamente extensa que ha estudiado las
relaciones entre los precios del petróleo y las actividades económicas.
Esta literatura, como ya se ha mencionado, suele centrarse en los países
desarrollados (Brown y Yucel, 2002[4] Brown, S. P. A. y Yucel, M. K. (2002). “Energy prices and aggregate economic activity: An interpretative survey”, Quarterly Review of Economics and Finance, 42(2), 193-208. doi: 10.1016/S1062-9769(02)00138-2.
; Kilian, 2008[19] Kilian, L. (2008). “The economic effects of energy price shocks”, Journal of Economic Literature, 46(4), 871-909. doi: 10.1257/jel.46.4.871.
; Mohaddes y Pesaran, 2017[24] Mohaddes, K., y Pesaran, M. H. (2017). “Oil prices and the global economy: Is it different this time around?”, Energy Economics, 65(1), 315-325. doi: 10.1016/j.eneco.2017.05.011.
). Los estudios pioneros fueron publicados tras el shock de los precios del petróleo ocurrido en 1973 (Barski y Kilian, 2004[1] Barski, R. B. y Kilian, L. (2004). “Oil and the macroeconomy since the 1970s”, Journal of Economic Perspectives, 18(4), 115-134. doi: 10.1257/0895330042632708.
).4 Los estudios pioneros incluyen aquellos de Pierce y Enzler (1974), Rasche y Tatom (1977), Hamilton (1983) y Ferderer (1996). En este contexto, no resulta sorprendente que la mayoría de los
estudios concluyan que: los shocks y los incrementos en los precios del
petróleo tienen consecuencias negativas sobre las actividades y el
crecimiento económico.
Los estudios que se centran en los países desarrollados se clasifican con base en sus líneas de investigación (Brown y Yucel, 2002[4] Brown, S. P. A. y Yucel, M. K. (2002). “Energy prices and aggregate economic activity: An interpretative survey”, Quarterly Review of Economics and Finance, 42(2), 193-208. doi: 10.1016/S1062-9769(02)00138-2.
; Kilian, 2008[19] Kilian, L. (2008). “The economic effects of energy price shocks”, Journal of Economic Literature, 46(4), 871-909. doi: 10.1257/jel.46.4.871.
; Herrera, Karaki y Rangaraju, 2019[16] Herrera, A. M., Karaki, M. B., y Rangaraju, S. K. (2019). “Oil price shocks and US economic activity”. Energy Policy, 129, 89-99. doi: 10.1016/j.enpol.2019.02.011.
).
La primera línea de investigación estudia los efectos que tienen las
variaciones de los precios del petróleo sobre las actividades
económicas. La segunda línea estudia los canales mediante los cuales los shocks en los precios se transmiten hacia las actividades
económicas. La tercera línea estudia el posible debilitamiento de las
relaciones entre los precios del petróleo y la actividad económica. La
última línea estudia las respuestas de las políticas monetaria y
energética ante los shocks de precios.
La literatura
econométrica para los países en desarrollo es mucho menos extensa; sin
embargo, hay estudios que confirman que las mencionadas relaciones
también son complejas para dichos países. Nasir, et. al. (2018)[26]
Nasir, M. A., Naidoo, L., Shahbaz, M, y Amoo, N. (2018). “Implications
of oil prices shocks for the major emerging economies: A comparative
analysis of BRICS”,Energy Economics, 76(1), 76-88. doi: 10.1016/j.eneco.2018.09.023.
,
por ejemplo, muestran que las relaciones son diferentes para los países
exportadores e importadores de petróleo; también muestran que los shocks de precios del petróleo pueden tener efectos simétricos o asimétricos
sobre la producción, la inflación y la balanza de pagos. Además, hay
quienes muestran que hay efectos directos e indirectos asociados a
dichas relaciones (Perilla-Jiménez, 2010[28] Perilla-Jiménez, J. R. (2010). “El impacto de los precios del petróleo sobre el crecimiento económico en Colombia”, Revista de Economía del Rosario, 13(1), 75-116.
; González y Hernández, 2016[13]
González, S. y Hernández, E. (2016). “Impactos indirectos de los
precios del petróleo en el crecimiento económico colombiano”, Lecturas de Economía, (84), 103-141. doi: 10.17533/udea.le.n84a04.
).
La
literatura econométrica para México sobre las mencionadas relaciones es
limitada, pese a que el país es un importante productor de petróleo.5 La literatura econométrica para México suele estudiar las relaciones
del precio del petróleo con diversas variables financieras. Entre estos
estudios, se incluyen aquellos de De-Jesús-Gutiérrez, Vergara-González y Díaz-Carreño (2015), Lorenzo-Valdés, Armenta-Fraire y Durán-Vázquez (2016) y Lorenzo-Valdés y Ruiz-Porras (2019).
También hay estudios que vinculan los ingresos del petróleo, el consumo
y los precios del petróleo con diversas variables económicas. Entre
estos estudios, se incluyen aquellos de Reyes-Loya y Blanco (2008), Ramírez-Pascualli y Hall (2013), Ruiz-Porras y Anguiano-Pita (2015) y Gómez, Ciarreta y Zarraga (2018). Particularmente, Blecker (2009)[3] Blecker, R. A. (2009). “External shocks, structural change, and economic growth in Mexico", 1979-2007”, World Development, 37(7), 1274-1284. doi: 10.1016/j.worlddev.2008.10.004.
halla que los precios del petróleo WTI y un conjunto de cambios
estructurales determinaron las tasas de crecimiento del PIB entre 1979 y
2007. Rodríguez-Benavides y López-Herrera (2019)[36]
Rodríguez-Benavides, D., y López-Herrera, F. (2019). “Efectos de la
incertidumbre de los precios del petróleo en el crecimiento económico de
México”. Investigación Económica, 78(309), 80-106. doi: 10.22201/fe.01851667p.2019.309.70120.
,
por su parte, hallan que el precio del petróleo WTI incidió sobre el
crecimiento económico y la formación bruta de capital fijo entre 1983 y
2017. Más aun, sus hallazgos sugieren que la tasa de crecimiento aumenta
cuando hay shocks negativos en el precio del petróleo.
Los estudios de Blecker (2009)[3] Blecker, R. A. (2009). “External shocks, structural change, and economic growth in Mexico", 1979-2007”, World Development, 37(7), 1274-1284. doi: 10.1016/j.worlddev.2008.10.004.
y Rodríguez-Benavides y López-Herrera (2019)[36]
Rodríguez-Benavides, D., y López-Herrera, F. (2019). “Efectos de la
incertidumbre de los precios del petróleo en el crecimiento económico de
México”. Investigación Económica, 78(309), 80-106. doi: 10.22201/fe.01851667p.2019.309.70120.
son importantes para analizar las relaciones entre los precios del
petróleo y la actividad económica. Sin embargo, debe señalarse que sus
trabajos tienen limitaciones. Particularmente, Blecker (2009)[3] Blecker, R. A. (2009). “External shocks, structural change, and economic growth in Mexico", 1979-2007”, World Development, 37(7), 1274-1284. doi: 10.1016/j.worlddev.2008.10.004.
analiza la relación de largo plazo, suponiendo cambios estructurales en 1988 y 1994. Rodríguez-Benavides y López-Herrera (2019)[36]
Rodríguez-Benavides, D., y López-Herrera, F. (2019). “Efectos de la
incertidumbre de los precios del petróleo en el crecimiento económico de
México”. Investigación Económica, 78(309), 80-106. doi: 10.22201/fe.01851667p.2019.309.70120.
analizan la relación de corto plazo usando un modelo GARCH bivariado de
tipo BEKK. Además, tal como ya se ha mencionado, ambos estudios usan
series relativamente cortas del PIB y usan el petróleo WTI como proxy
del petróleo mexicano.
En esta investigación, se utilizan algunos indicadores que subsanan las limitaciones mencionadas. Particularmente, se utilizan los precios spot del barril de petróleo MAYA como representativos del hidrocarburo producido en el país y de los principales referentes a nivel internacional (WTI y Brent). Asimismo, se usa el IGAE como proxy de la actividad económica agregada y como insumo para estimar el crecimiento económico. Estas series son relativamente largas porque tienen una periodicidad mensual y porque se recopilan desde hace varios años. Aquí se enfatizan estas características porque las mismas facilitan el análisis econométrico de las series.
La investigación también se justifica desde una perspectiva económica porque, durante el periodo analizado, ocurrieron diversos eventos relevantes para los mercados internacionales de petróleo y los países exportadores de petróleo. Entre estos, se incluyeron: 1) la crisis del efecto Tequila en 1995; 2) la invasión de Irak en 2003; 3) las alzas en los precios del petróleo de 2003 a 2008; 4) la Crisis Financiera Global ocurrida entre 2007 y 2009; 5) la reforma energética en México de 2013 y 2014; 6) la baja en los precios de petróleo entre 2014 y 2016; y, 7) el establecimiento del acuerdo OPEC+ entre 2016 y 2020.
Los eventos relevantes, como los mencionados arriba, pueden inducir cambios estructurales, i.e. quiebres, en las series de los precios del petróleo y la actividad económica. Por esta razón, las fechas de ocurrencia de los cambios estructurales no necesariamente suelen ser conocidas a priori.6 Las pruebas de cambio estructural exógeno y endógeno se utilizan para evaluar la existencia de cambios estructurales en las series de datos. Las primeras suponen que las fechas de ocurrencia de los cambios son conocidas; las segundas no hacen este supuesto. Véase Maddala y Kim (1998) para una introducción a las mencionadas pruebas. Los cambios estructurales, además, generan problemas para evaluar la existencia de relaciones de largo plazo en las series.7 Tradicionalmente, la existencia de relaciones de largo plazo se evalúa mediante pruebas de cointegración (Johansen, 1988 y 1995); sin embargo, dichas pruebas asumen que las series no manifiestan cambios estructurales. Existen algunos estudios que han propuesto pruebas cuando hay cambios estructurales; particularmente, Johansen, Mosconi y Nielsen (2002) desarrollan pruebas de cointegración considerando la existencia de cambios estructurales. Sin embargo, su análisis supone que las fechas de ocurrencia son conocidas y que hay una tendencia determinística. Se enfatizan aquí estas consideraciones porque las mismas justifican el uso de las pruebas de cambio estructural endógeno y del análisis de interdependencias usando índices de spillovers en los dominios del tiempo y de la frecuencia.
La metodología empleada aquí para construir los índices de spillovers utiliza series de variaciones y volatilidades mensuales de los precios
del petróleo y la actividad económica. Se usan ambos tipos de series
porque hay estudios que validan la conveniencia de considerar la
existencia de relaciones diferenciadas entre cada momento de las
variables8 Véase los estudios de Diebold y Yilmaz (2012), Lovcha y Pérez-Laborda (2020) y Zhang et al. (2020).. Particularmente, se sigue la propuesta de Zhang et al. (2020)[39]
Zhang, Y., He, X., Nakajima, T., y Hamori, S. (2020). “Oil, gas, or
financial conditions-which one has a stronger link with growth?”. The North American Journal of Economics and Finance, 54, 101220. doi: 10.1016/j.najef.2020.101220.
, para descomponer los índices de spillovers en frecuencias de corto, mediano y largo plazo. El análisis de las
frecuencias permite develar los mecanismos de propagación de shocks entre las variables en términos de su dirección y persistencia.9 En este contexto, el hallazgo de la predominancia de la transmisión de
spillovers en frecuencias altas supone que los mismos se refieren a
fluctuaciones de corto plazo. Por el contrario, la predominancia de los
mismos en bajas frecuencias supone que estos se relacionan con
fluctuaciones de largo plazo, con efectos persistentes en la variable
receptora.
La revisión de la literatura contextualiza esta investigación sobre las relaciones de los precios del petróleo y la actividad económica. Si bien se han enfatizado las razones metodológicas, debe señalarse que esta investigación también se justifica por la relativa falta de estudios sobre dichas relaciones, para países en desarrollo exportadores de hidrocarburos. Asimismo, se justifica por la necesidad de complementar la literatura sobre las mencionadas relaciones para México. Aquí, se enfatizan esas consideraciones, ya que motivan la investigación y su enfoque metodológico.
2. Metodología de investigación
⌅Esta investigación comprende cuatro tipos de análisis para estudiar las interdependencias entre los precios del petróleo y la actividad económica en México. El primero es el análisis estadístico de las series de rendimientos y volatilidades de los precios del petróleo y la actividad económica. El segundo es el análisis de cambio estructural endógeno. El tercero es el análisis de interdependencias entre los precios del petróleo y la actividad económica en el dominio del tiempo. Finalmente, el cuarto es la descomposición de los spillovers en rangos de frecuencias de corto, mediano y largo plazo. En este contexto, cabe señalar que los mencionados análisis son relativamente independientes y complementarios entre sí.
El análisis estadístico se utiliza para describir las series de precios nominales del petróleo y de la actividad económica.10 El uso de series de precios nominales puede ser argumentable en virtud
de que el indicador IGAE se define en términos de un año base. Sin
embargo, aquí se sigue esta práctica por consistencia con otros
estudios. Hamilton (2003),
por ejemplo, caracteriza la relación entre los precios del petróleo y
la producción real de Estados Unidos usando series nominales del precio
del petróleo. Asimismo, el análisis aquí presentado se replicó usando
series deflactadas y se obtuvieron resultados cuantitativamente
similares. Los mismos se encuentran disponibles si se solicitan a los
autores. El mismo se sustenta en gráficas,
estimaciones de estadística descriptiva, pruebas de normalidad
Jarque-Bera, raíces unitarias y de efectos ARCH. Particularmente, la
estadística descriptiva y las pruebas de normalidad se utilizan para
describir las características de las distribuciones de probabilidad de
las series. Las pruebas de raíces unitarias se usan para establecer el
orden de integración de las series y seleccionar aquellas idóneas para
el análisis de interdependencias. Particularmente, aquí se consideran
las pruebas ADF propuestas por Dickey y Fuller (1979)[9]
Dickey, D. A., & Fuller, W. A. (1979). “Distribution of the
estimators for autoregressive time series with a unit root”. Journal of the American Statistical Association, 74(366a), 427-431. doi: 10.1080/01621459.1979.10482531.
. Finalmente, las pruebas de efectos ARCH se basan en la propuesta de Engle (1982)[10]
Engle, R. F. (1982). “Autoregressive conditional heteroscedasticity
with estimates of the variance of United Kingdom inflation”. Econometrica, 987-1007. doi: 10.2307/1912773.
, y se usan para determinar la persistencia de la volatilidad en las series analizadas11 Particularmente, aquí se emplea esta prueba para validar el uso de
modelos Generalizados Autorregresivos de Heterocedasticidad Condicional
(GARCH) para la estimación de las series de volatilidades mensuales de
los precios del petróleo. .
El análisis de cambio estructural endógeno utiliza las pruebas propuestas por Perron, Yamamoto y Zhou (2020)[30]
Perron, P., Yamamoto, Y., y Zhou, J. (2020). “Testing jointly for
structural changes in the error variance and coefficients of a linear
regression model”. Quantitative Economics, 11(3), 1019-1057. doi: 10.3982/QE1332.
.
Estas pruebas permiten hallar múltiples quiebres, i.e., cambios
estructurales en las series de datos. Más aún, permiten identificar las
fechas de ocurrencia de los quiebres de forma endógena, i.e., a partir
de la información de los mismos datos. Particularmente, las pruebas
Perron-Yamamoto-Zhou (PYZ) permiten hallar quiebres individuales y
conjuntos en la media y la varianza de una serie.12 Metodológicamente, la mayoría de las pruebas de cambio estructural
suponen que los quiebres pueden ocurrir en la media o en la varianza.
Sin embargo, ignorar la posibilidad de que dichos quiebres puedan
suceder de forma conjunta, puede inducir sesgos potenciales de
estimación (Perron y Yamamoto, 2019).
Particularmente, las pruebas PYZ usadas aquí consideran la potencial
existencia de quiebres individuales en la media o en la varianza y
quiebres conjuntos. La hipótesis nula de las pruebas
analiza de forma iterativa la existencia de quiebres condicionados a
cambios en la media y/o la varianza de las series.13 Las pruebas de cambio estructural endógeno YPZ requieren que las series
analizadas sean estrictamente estacionarias. En este contexto, Perron, Yamamoto y Zhou (2020) explicitan los ajustes que deben hacerse a las series cuando las mismas
presentan heteroscedasticidad, correlación serial y distribuciones
condicionales no normales.
El análisis de interdependencias en los dominios del tiempo y
de la frecuencia se utiliza para estudiar las relaciones entre los
precios del petróleo y la actividad económica agregada. Particularmente,
en ese análisis, se emplea la metodología de Diebold y Yilmaz (2009[7]
Diebold, F. X., y Yilmaz, K. (2009). “Measuring financial asset return
and volatility spillovers, with application to global equity markets”, The Economic Journal, 119(534), 158-171.doi: 10.1111/j.1468-0297.2008.02208.x.
, 2012)[8]
Diebold, F. X., y Yilmaz, K. (2012). “Better to give than to receive:
Predictive directional measurement of volatility spillovers”, International Journal of Forecasting, 28(1), 57-66. doi: 10.1016/j.ijforecast.2011.02.006.
-en adelante DY- para estimar índices de spillovers en el dominio del tiempo. Los mencionados índices permiten estimar el impacto de los shocks de los precios de petróleo sobre la actividad económica. Además, se emplea la metodología de Baruník y Křehlík (2018)[2] Baruník, J., y Křehlík, T. (2018). “Measuring the frequency dynamics of financial connectedness and systemic risk”, Journal of Financial Econometrics, 16(2), 271-296. doi: 10.1093/jjfinec/nby001.
-en adelante BK- para descomponer los índices en rangos de frecuencias asociadas al corto, mediano y largo plazos.
La metodología DY se utiliza para calcular los índices de spillovers totales y direccionales. Esta metodología se sustenta en la estimación de funciones de impulso-respuesta generalizadas (Koop et al., 1996[20] Koop, G., Pesaran, M. H., y Potter, S. M. (1996). “Impulse response analysis in nonlinear multivariate models”. Journal of Econometrics, 74(1), 119-147. doi: 10.1016/0304-4076(95)01753-4.
; Pesaran y Shin, 1998[31] Pesaran, H. H., y Shin, Y. (1998). “Generalized impulse response analysis in linear multivariate models”. Economics Letters, 58(1), 17-29. doi: 10.1016/S0165-1765(97)00214-0.
).
Se usan estas funciones porque, a diferencia de las funciones
impulso-respuesta tradicionales, las mismas no dependen del ordenamiento
de las variables de los modelos VAR que les dan origen.
Particularmente, las mencionadas funciones se utilizan para sustentar el
análisis direccional de la transmisión de shocks entre variables.14 Para una descripción más detallada, sobre los métodos de cálculo de los índices de spillovers propuestos por la metodología de Diebold y Yilmaz (2012), véase el Apéndice A1.
La metodología BK se emplea para estimar los mismos índices de spillovers usando la descomposición espectral de la varianza de los modelos VAR. La descomposición espectral permite medir hasta qué punto la incertidumbre de una determinada variable en una frecuencia (o rango de frecuencias), se debe a las perturbaciones de las demás variables del VAR15 Véase el Apéndice A2, para una descripción detallada del cálculo de los índices de spillovers propuestos por Barunik y Krehlik (2018). . Los índices de spillovers asociados a diferentes frecuencias permiten estudiar las velocidades de respuesta de la actividad económica ante shocks en los precios del petróleo. Más aún, permiten evaluar si dichos shocks tienen efectos en el corto, mediano y largo plazos.
La estimación de los índices de spillovers totales y direccionales se realiza en tres fases. En la primera fase, se calculan los índices mediante un procedimiento estático que considera todas las observaciones de la muestra. En la segunda fase, se calculan los mismos indicadores de forma dinámica estimando modelos VAR en un contexto de ventanas móviles. Particularmente, cada ventana móvil incluye subconjuntos de observaciones temporales16 El número de ventanas de la muestra, , se define por ; donde es el número total de observaciones de la muestra, mientras que es el número de observaciones de cada ventana. Particularmente, aquí , y .. Así, y para cada ventana, se reestiman los índices de spillovers (enfoque de dominio en el tiempo). Finalmente, en la tercera fase, se descomponen los índices empleando la metodología BK.
Metodológicamente, el análisis de los índices de spillovers tiene varias características deseables. El análisis dinámico permite estudiar las fluctuaciones de las interrelaciones entre las variables. Las ventanas móviles, además, reducen los potenciales sesgos en las estimaciones debidos a cambios estructurales. Por otra parte, la descomposición de los índices en rangos de frecuencias permite identificar si las fluctuaciones tienen efectos de corto, mediano y largo plazo en las interrelaciones. Sin embargo, debe mencionarse que el análisis también tiene algunas limitaciones, porque las ventanas y las frecuencias se definen de manera subjetiva.
Finalmente, no sobra señalar que la metodología empleada aquí tiene algunas limitaciones. Las principales son las siguientes: 1) Los valores críticos de las pruebas YPZ pueden ser inadecuados para determinar las fechas de los quiebres si las series manifiestan persistencia estadística; 2) el tamaño de las ventanas y las frecuencias para calcular los índices de spillovers dinámicos se establece a priori; 3) los valores altos y bajos de las magnitudes y variabilidades de los spillovers se establecen de manera relativa; y, 4) los modelos VAR estimados requieren de parámetros definidos de manera relativamente subjetiva.17 La estimación de la descomposición de la varianza del error de pronóstico, mediante modelos VAR, requiere la especificación del número de rezagos del sistema y el número de períodos adelante del error de pronóstico. Por consistencia con la literatura, en esta investigación, se emplea el criterio de información de Schwarz-Bayesiano (BIC) para seleccionar el orden de rezagos del VAR. Asimismo, siguiendo a Zhang et al. (2020), se considera un horizonte de pronóstico, de 100 períodos hacia adelante.
3. Base de datos y análisis estadístico
⌅La base de datos utilizada aquí se integra por series de variaciones y volatilidades mensuales del indicador IGAE y de los precios del petróleo de los tipos MAYA, WTI y Brent. El periodo estudiado abarca de febrero de 1993 a diciembre de 2019. El IGAE utiliza como referencia el año 2013 y se considera ajustado por variaciones estacionales. Por su parte, los precios del petróleo se miden en dólares nominales por barril, sin ajustes estacionales.18 Previo al análisis estadístico se analizó la conveniencia de ajustar la posible estacionalidad de las series originales de precios del petróleo usando el procedimiento X-13 ARIMA. Sin embargo, los resultados no mostraron evidencia significativa de estacionalidad. Por razones de espacio, estos resultados no se presentan aquí, pero se encuentran disponibles si se les solicitan a los autores. La tabla 1 muestra las series de datos y sus fuentes. Las series de variaciones mensuales corresponden a las primeras diferencias de los datos originales en logaritmos, i.e.,
Las series de volatilidades de los precios del petróleo se estimaron a través de la especificación de modelos , que pueden representarse mediante las siguientes expresiones:
donde son las series de variaciones mensuales del IGAE y los precios del petróleo y es la ecuación que define la varianza condicional. La estimación de la varianza condicional asume una distribución de probabilidad t de Student para las perturbaciones.
Variable | Abreviatura | Unidad de medida | Fuente |
---|---|---|---|
Indicador Global de la Actividad Económica | IGAE | Índice | INEGI |
Precio spot del tipo de petróleo Maya | MAYA | USD por barril | EIA |
Precio spot del tipo de petróleo Western Texas Intermediate | WTI | USD por barril | EIA |
Precio spot del tipo de petróleo Brent | BRENT | USD por barril | EIA |
Notas: El indicador IGAE está expresado en términos reales (Base 2013=100) y ajustado estacionalmente. Los precios spot de los tipos de petróleo consideran el costo de importación Free-on-Board (FOB) por barril a Estados Unidos, y se expresan en dólares nominales sin ajustes estacionales. EIA se refiere a la Administración de Información Energética (Energy Information Administracion, por sus siglas en inglés). Las series analizadas comprenden datos mensuales para el período de febrero de 1993 a diciembre de 2019. Fuente: elaboración propia.
Estadístico | Variaciones mensuales | Volatilidades | ||||||
---|---|---|---|---|---|---|---|---|
IGAE | MAYA | WTI | Brent | IGAE | MAYA | WTI | Brent | |
Promedio | 0.1847 | 0.4659 | 0.3549 | 0.4190 | -0.3144 | 2.1725 | 2.0472 | 2.1020 |
D.E. | 0.8400 | 9.7485 | 8.2333 | 8.6869 | 0.2082 | 0.2425 | 0.1547 | 0.2511 |
Mínimo | -6.1635 | -42.7143 | -33.1981 | -31.0955 | -0.5307 | 1.7967 | 1.8270 | 1.5795 |
Máximo | 3.9371 | 33.4472 | 21.3866 | 20.0671 | 0.9427 | 3.0316 | 2.7752 | 2.9136 |
Sesgo | -1.3236 | -0.7568 | -0.7085 | -0.7336 | 2.6314 | 0.9074 | 1.5306 | 0.5022 |
Curtosis | 14.8808 | 5.1829 | 4.4466 | 4.1376 | 12.1276 | 3.6196 | 6.0582 | 3.1012 |
Jarque-Bera | 1994.008 | 94.9617 | 55.1862 | 46.3851 | 1494.01 | 49.4889 | 251.9963 | 13.7130 |
P-value | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0065 |
ADF | -6.7289 | -7.8291 | -7.3499 | -7.1142 | -4.2665 | -3.8488 | -4.11681 | -3.5168 |
P-value | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0169 | 0.0000 | 0.0414 |
ARCH (5) | 1490.706 | 185.1192 | 187.8857 | 151.9497 | 0.1153 | 4.0500 | 2.3293 | 2.4640 |
P-value | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.9839 | 0.1695 | 0.4029 | 0.3775 |
Obs. | 323 | 323 | 323 | 323 | 323 | 323 | 323 | 323 |
Notas:
Las series de variaciones mensuales son aquellas de las primeras
diferencias de los valores originales expresados en logaritmos. Las
series de volatilidades fueron estimadas mediante un modelo
ARMA(p,q)-GARCH(1,1), que considera una distribución de probabilidad
condicional t de Student para las perturbaciones. La hipótesis
nula de las pruebas de normalidad de Jarque-Bera es que las series se
distribuyen normalmente. ADF se refiere a las pruebas de raíz unitaria
propuestas por Dickey y Fuller (1979)[9]
Dickey, D. A., & Fuller, W. A. (1979). “Distribution of the
estimators for autoregressive time series with a unit root”. Journal of the American Statistical Association, 74(366a), 427-431. doi: 10.1080/01621459.1979.10482531.
. ARCH(5) se refiere a las pruebas de multiplicadores de Lagrange para efectos ARCH propuestas por Engle (1982)[10]
Engle, R. F. (1982). “Autoregressive conditional heteroscedasticity
with estimates of the variance of United Kingdom inflation”. Econometrica, 987-1007. doi: 10.2307/1912773.
.
Dichas pruebas consideran cinco rezagos de cada serie. Las series
analizadas comprenden datos mensuales para el período comprendido entre
febrero de 1993 a diciembre de 2019. Fuente: elaboración propia con
datos de INEGI y EIA.
La tabla 2 muestra las estadísticas descriptivas y las pruebas de estacionariedad de las series de variaciones y volatilidades mensuales. La tabla muestra que las series manifiestan ciertas regularidades: 1) las medias de las series de los precios del petróleo MAYA son más altas que las correspondientes a los tipos de petróleo WTI y Brent; 2) los precios del petróleo son relativamente más volátiles que el IGAE; 3) todas las series son estacionarias de acuerdo con los resultados de las pruebas ADF; 4) las series de variaciones mensuales presentan altas curtosis y clusters de volatilidad19 Los resultados de las pruebas de efectos ARCH(5) sugieren patrones de persistencia en la volatilidad de las series variaciones mensuales de los precios del petróleo y el IGAE. ; y, 5) no existe evidencia de efectos ARCH en las series de las volatilidades.
La figura 1 muestra las series de variaciones mensuales. Particularmente, la figura muestra que las series de precios del petróleo y del IGAE tuvieron dinámicas similares. Las variaciones mensuales en los precios del petróleo MAYA oscilaron entre -42.71 y 33.44%. Las variaciones de los precios del petróleo WTI oscilaron entre -33.19 y 21.38%. Las variaciones de los precios del petróleo Brent oscilaron entre -31.09 y 20.06%. La figura también sugiere la existencia de dinámicas atípicas en la serie del IGAE alrededor de 1995 y 2009. Además, la figura sugiere la existencia de dinámicas atípicas en las series de los precios del petróleo, alrededor de 2009.
La figura 2 muestra las series de las volatilidades mensuales. Las volatilidades del IGAE oscilaron entre 0.58 y 2.56%. Las volatilidades de los precios del petróleo MAYA oscilaron entre 6.02 y 20.73%. Las volatilidades de los precios del petróleo WTI oscilaron entre 6.21 y 16.04%. Las volatilidades de los precios del petróleo Brent oscilaron entre 4.85 y 18.42%. En la figura 2, también se confirma la existencia de dinámicas atípicas en la serie del IGAE, alrededor de 1995. Asimismo, en la figura 2, se sugiere la existencia de dinámicas atípicas en las series de los precios del petróleo, alrededor de 2008 y 2009.
La tabla 3 muestra los resultados de las pruebas de cambio estructural endógeno YPZ de las series de variaciones mensuales del IGAE y los precios del petróleo.20 Los resultados de todos los estadísticos que conforman las pruebas YPZ de cada serie de datos se presentan en el Apéndice A3. La tabla muestra que, de acuerdo con el estadístico , las series de variaciones mensuales del IGAE y del petróleo Brent manifiestan quiebres significativos. La evidencia muestra la ocurrencia de quiebres conjuntos en la media y varianza de la serie del IGAE durante julio de 2009. Asimismo, muestra un quiebre en la varianza en diciembre de 1995. Los quiebres, cabe señalar, se registran durante la Crisis del Efecto Tequila (1994-1995) y la Crisis Financiera Global (2007-2009).
Los principales hallazgos muestran que: 1) las medias de las series de los precios del petróleo MAYA son más altas que las correspondientes a los tipos de petróleo WTI y Brent; 2) los precios del petróleo son más volátiles que el IGAE; 3) todas las series son estacionarias y pueden ser usadas en el análisis de interdependencias; 4) la evidencia muestra cambios estructurales individuales y conjuntos en la media y en la varianza de la serie de variaciones del IGAE y en la media de la serie de variaciones de los precios del petróleo Brent; y, 5) los quiebres de la serie del IGAE se registran durante la Crisis del Efecto Tequila y la Crisis Financiera Global.
Variable | Estadístico | Número óptimo de quiebres | Fechas de quiebre | ||
---|---|---|---|---|---|
UDmaxLR4,T | Media | Varianza | Media | Varianza | |
IGAE | 9.3511 | 1 | 2 | 2009M07 | 1995M12; 2009M07 |
MAYA | 6.1212 | 0 | 0 | ||
WTI | 5.8945 | 0 | 0 | ||
Brent | 7.6584 | 1 | 0 | 1997M01 |
Notas: La hipótesis nula asociada al estadístico
supone que no existe ningún cambio estructural en media y/o
varianza. Las pruebas consideran la serie de variaciones mensuales del
IGAE y de los precios del petróleo MAYA, WTI y Brent. Las pruebas
analizan la existencia de cambios estructurales parciales en un proceso
AR (1). Las pruebas suponen que solo pueden ocurrir un máximo de tres
quiebres en media y/o varianza. El número de observaciones mínimo de
cada segmento analizado se fijó en ε=0.10. Las pruebas consideran la
existencia de autocorrelación serial en los términos de error, a partir
del uso de estimadores HAC de las matrices de varianza-covarianza
siguiendo el método híbrido propuesto por Perron, Yamamoto y Zhou (2020)[30]
Perron, P., Yamamoto, Y., y Zhou, J. (2020). “Testing jointly for
structural changes in the error variance and coefficients of a linear
regression model”. Quantitative Economics, 11(3), 1019-1057. doi: 10.3982/QE1332.
.
El número de asteriscos (*, ** y ***) se refiere a la significancia de
los estadísticos calculados a niveles de 10,5 y 1 por ciento,
respectivamente. Las pruebas fueron estimadas en Matlab 2020b, usando
los códigos disponibles para descarga gratuita en la página personal en
internet de Pierre Perron (http://blogs.bu.edu/perron/files/2020/09/quan200095-sup-0001-dataandprograms.zip). Fuente: Elaboración propia con datos del INEGI y EIA.
4. Análisis de interdependencias en los dominios del tiempo y de la frecuencia
⌅En esta sección, se presenta el análisis de interdependencias calculadas en los dominios del tiempo y de la frecuencia para las series de los precios del petróleo y del indicador IGAE. Los índices de spillovers estáticos y dinámicos se calculan usando dos modelos VAR independientes. Particularmente, el primer modelo usa las series de variaciones mensuales; mientras que, el segundo modelo usa las series de volatilidades estimadas mediante los modelos GARCH, usados en la sección previa. Además, las especificaciones de los modelos se validan usando pruebas de autocorrelación de residuales y de estabilidad.21 Los modelos usados aquí para calcular los índices de spillovers de las series de variaciones y volatilidades mensuales corresponden a un VAR(3). El orden de rezagos fue seleccionado para evitar problemas de autocorrelación serial. El modelo que usa las series de variaciones mensuales para el análisis estático incluye variables dicotómicas exógenas de impulso para los meses de diciembre de 1995 y julio de 2009.
El análisis de interdependencias en el dominio de la frecuencia descompone los índices de spillovers en tres diferentes componentes. Siguiendo el enfoque de Zhang et. al. (2020)[39]
Zhang, Y., He, X., Nakajima, T., y Hamori, S. (2020). “Oil, gas, or
financial conditions-which one has a stronger link with growth?”. The North American Journal of Economics and Finance, 54, 101220. doi: 10.1016/j.najef.2020.101220.
,
el primer componente incluye las frecuencias de corto plazo asociadas a
períodos de uno a tres meses. El segundo incluye las frecuencias de
mediano plazo asociadas a períodos de tres a seis meses. El tercer
componente incluye las frecuencias de largo plazo, i.e., mayores a seis
meses. Las estimaciones de los índices de spillovers asumen horizontes de pronóstico largos,
meses, siguiendo la propuesta de Baruník y Křehlík (2018)[2] Baruník, J., y Křehlík, T. (2018). “Measuring the frequency dynamics of financial connectedness and systemic risk”, Journal of Financial Econometrics, 16(2), 271-296. doi: 10.1093/jjfinec/nby001.
.
El análisis de interdependencias estático se sustenta en las tablas de conectividad de Diebold y Yilmaz (2009[7]
Diebold, F. X., y Yilmaz, K. (2009). “Measuring financial asset return
and volatility spillovers, with application to global equity markets”, The Economic Journal, 119(534), 158-171.doi: 10.1111/j.1468-0297.2008.02208.x.
,2012)[8]
Diebold, F. X., y Yilmaz, K. (2012). “Better to give than to receive:
Predictive directional measurement of volatility spillovers”, International Journal of Forecasting, 28(1), 57-66. doi: 10.1016/j.ijforecast.2011.02.006.
. La diagonal principal de dichas tablas mide los spillovers propios de cada variable. Los elementos fuera de la diagonal principal miden los spillovers cruzados entre las variables. La suma de los elementos de las filas, excluyendo la diagonal principal, muestra los spillovers recibidos de las otras variables en el sistema. De forma análoga, la
suma de los elementos de cada columna equivale a la contribución de una
variable a las otras contenidas en el sistema. El índice de spillover indicado en negritas se obtiene a partir del promedio de la última fila.
La tabla 4 muestra las tablas de conectividad de las series de los precios del petróleo y del IGAE en el dominio del tiempo. La tabla muestra que el índice de spillover total de las series de variaciones mensuales es mayor (49.25%) al de las series de volatilidades (26.96%). La tabla muestra que la suma de contribuciones de los spillovers de los tipos de petróleo al IGAE asociada a las series de volatilidades (17.51%) es mayor que la asociada a la suma de las series de variaciones mensuales (7.93%). Los shocks de los precios del petróleo, por tanto, tienden a transmitirse más rápido al IGAE en términos de volatilidades.
Los spillovers direccionales muestran que las contribuciones de spillovers de los tipos del petróleo al IGAE dependen de las series consideradas en el análisis. Particularmente, las series de variaciones registran que las mayores contribuciones se asocian, de manera decreciente, con los tipos de petróleo WTI (3.04%), Brent (2.89%) y MAYA (2.00%). Las series de volatilidades registran que las mayores contribuciones se asocian con los tipos de petróleo MAYA (10.31%), WTI (4.99%) y Brent (2.21%). Estos hallazgos implican que las actividades económicas no responden de manera uniforme ante los shocks que afectan a los precios del petróleo.
Panel (A): Índices de spillovers de las series de variaciones mensuales. | |||||
IGAE | MAYA | WTI | Brent | De otros | |
IGAE | 92.08 | 2.00 | 3.04 | 2.89 | 7.93 |
Maya | 0.30 | 38.27 | 30.14 | 31.29 | 61.73 |
WTI | 0.65 | 30.46 | 36.45 | 32.44 | 63.55 |
Brent | 0.49 | 31.29 | 31.99 | 36.24 | 63.77 |
Contribución a otros | 1.44 | 63.75 | 65.17 | 66.62 | 49.25 |
Panel (B): Índices de spillovers de las series de volatilidades mensuales. | |||||
IGAE | MAYA | WTI | Brent | De otros | |
IGAE | 82.49 | 10.31 | 4.99 | 2.21 | 17.51 |
MAYA | 1.18 | 64.82 | 19.61 | 14.40 | 35.19 |
WTI | 0.52 | 6.76 | 73.56 | 19.16 | 26.44 |
Brent | 0.92 | 9.00 | 18.76 | 71.32 | 28.68 |
Contribución a otros | 2.62 | 26.07 | 43.36 | 35.77 | 26.96 |
Notas: La estimación de los índices de spillovers considera el enfoque en el dominio del tiempo propuesto por Diebold y Yilmaz (2012)[8]
Diebold, F. X., y Yilmaz, K. (2012). “Better to give than to receive:
Predictive directional measurement of volatility spillovers”, International Journal of Forecasting, 28(1), 57-66. doi: 10.1016/j.ijforecast.2011.02.006.
. El modelo VAR subyacente a la estimación de los índices de spillovers de las variaciones mensuales considera una constante y variables
dicotómicas de impulso en los meses de diciembre de 1995, enero de 1997 y
julio de 2009 como regresores exógenos. Los modelos estimados emplean
series de datos mensuales para el período comprendido entre febrero de
1993 y diciembre de 2019. Fuente: elaboración propia con datos de INEGI y
EIA.
La tabla 5 muestra los resultados de la descomposición de los índices de spillovers en el dominio de la frecuencia. La tabla muestra que las contribuciones agregadas de spillovers de las series de variaciones y volatilidades de los precios del petróleo al IGAE tienden patrones de comportamiento similares en el tiempo. Así, en ambos casos, las contribuciones crecen entre el corto plazo y el largo plazo tras un ajuste al crecimiento durante el mediano plazo. Además, la tabla muestra que las contribuciones asociadas a las series de variaciones superan a sus contrapartes asociadas a las series de volatilidades en todas las frecuencias consideradas.22 El Panel A muestra que las contribuciones de spillovers de las series de variaciones asociadas a las frecuencias de corto, mediano y largo plazos ascienden, respectivamente, al 3.24, 0.86 y 3.92%. El Panel B, por su parte, muestra que las contribuciones de spillovers de las series de volatilidades asociadas a las frecuencias de corto, mediano y largo plazos ascienden, respectivamente, al 0.90, 0.77 y 15.83%.
Panel (A): Spillovers de las series de variaciones mensuales | |||||
Frecuencia: 1 a 3 meses (Corto plazo) | |||||
IGAE | MAYA | WTI | Brent | De otros | |
IGAE | 63.22 | 0.88 | 1.20 | 1.16 | 3.24 |
MAYA | 0.13 | 18.09 | 14.03 | 14.15 | 28.31 |
WTI | 0.28 | 13.48 | 17.77 | 14.97 | 28.73 |
Brent | 0.23 | 15.78 | 16.56 | 19.17 | 32.57 |
Contribución a otros | 0.64 | 30.14 | 31.79 | 30.28 | 23.21 |
Frecuencia: 3 a 6 meses (Mediano plazo) | |||||
IGAE | MAYA | WTI | Brent | De otros | |
IGAE | 11.10 | 0.20 | 0.32 | 0.34 | 0.86 |
MAYA | 0.09 | 9.50 | 7.82 | 7.91 | 15.82 |
WTI | 0.19 | 7.49 | 8.64 | 7.66 | 15.34 |
Brent | 0.13 | 6.85 | 7.07 | 7.56 | 14.05 |
Contribución a otros | 0.41 | 14.54 | 15.21 | 15.91 | 11.52 |
Frecuencia:6 meses a infinito (Largo plazo) | |||||
IGAE | MAYA | WTI | Brent | De otros | |
IGAE | 17.67 | 0.96 | 1.54 | 1.42 | 3.92 |
MAYA | 0.09 | 10.71 | 8.26 | 9.22 | 17.57 |
WTI | 0.18 | 9.49 | 10.04 | 9.82 | 19.49 |
Brent | 0.13 | 8.67 | 8.35 | 9.51 | 17.15 |
Contribución a otros | 0.40 | 19.12 | 18.15 | 20.46 | 14.53 |
Panel (B): Spillovers de las series de volatilidades | |||||
Frecuencia: 1 a 3 meses (Corto plazo) | |||||
IGAE | MAYA | WTI | Brent | De otros | |
IGAE | 9.04 | 0.12 | 0.41 | 0.37 | 0.90 |
MAYA | 0.10 | 5.09 | 0.06 | 0.08 | 0.24 |
WTI | 0.09 | 0.20 | 13.28 | 0.49 | 0.78 |
Brent | 0.04 | 0.11 | 0.08 | 3.63 | 0.23 |
Contribución a otros | 0.23 | 0.43 | 0.55 | 0.94 | 0.54 |
Frecuencia: 3 a 6 meses (Mediano plazo) | |||||
IGAE | MAYA | WTI | Brent | De otros | |
IGAE | 9.14 | 0.31 | 0.42 | 0.04 | 0.77 |
MAYA | 0.03 | 4.86 | 0.23 | 0.21 | 0.47 |
WTI | 0.03 | 0.07 | 11.94 | 0.60 | 0.70 |
Brent | 0.01 | 0.21 | 0.11 | 3.33 | 0.33 |
Contribución a otros | 0.07 | 0.59 | 0.76 | 0.85 | 0.57 |
Frecuencia:6 meses a infinito (Largo plazo) | |||||
IGAE | MAYA | WTI | Brent | De otros | |
IGAE | 64.32 | 9.88 | 4.16 | 1.79 | 15.83 |
MAYA | 1.05 | 54.87 | 19.31 | 14.10 | 34.46 |
WTI | 0.39 | 6.49 | 48.34 | 18.07 | 24.95 |
Brent | 0.88 | 8.68 | 18.57 | 64.36 | 28.13 |
Contribución a otros | 2.32 | 25.05 | 42.04 | 33.96 | 25.84 |
Notas: La estimación de los índices de spillovers considera el enfoque en el dominio de frecuencias propuesto por Baruník y Křehlík (2018)[2] Baruník, J., y Křehlík, T. (2018). “Measuring the frequency dynamics of financial connectedness and systemic risk”, Journal of Financial Econometrics, 16(2), 271-296. doi: 10.1093/jjfinec/nby001.
. Los modelos VAR subyacentes a las estimaciones consideran un horizonte de pronóstico
meses. Las estimaciones consideran las series de variaciones y
volatilidades mensuales para el período comprendido entre febrero de
1993 y diciembre de 2019. Fuente: elaboración propia con datos de INEGI y
EIA.
Las mayores contribuciones desagregadas de spillovers de los tipos del petróleo al IGAE dependen del dominio de la frecuencia. Particularmente, las mayores contribuciones en las series de variaciones de corto, mediano y largo plazo corresponden, respectivamente, a los tipos de petróleo WTI (1.20%), Brent (0.34%) y WTI (1.54%). Las contribuciones en las series de volatilidades corresponden, respectivamente, a los tipos de petróleo WTI (0.41%), WTI (0.42%) y MAYA (9.88). Estos hallazgos implican que hay distintas velocidades de propagación y de persistencia de los shocks de los precios del petróleo, a la actividad económica.
El análisis estático de las interdependencias entre los precios del petróleo y el IGAE asume que las relaciones son estables en el tiempo. Sin embargo, dicho supuesto es cuestionable por la naturaleza de las variables y el período analizado. Por esta razón, aquí se incluye el análisis de interdependencias dinámico que considera la estimación de los índices de spillovers mediante ventanas móviles de 48 meses23 Para probar la robustez de las estimaciones también se calcularon los índices considerando ventanas de 36 y 60 meses y se obtuvieron resultados cuantitativamente similares. Por razones de espacio dichos resultados no se incluyen aquí, pero se encuentran disponibles si se solicitan a los autores.. Las ventanas capturan las fluctuaciones cíclicas y los eventos atípicos que podrían alterar las interdependencias. Por complementariedad, el análisis dinámico incluye estimaciones de los índices de spillovers en los dominios del tiempo y de la frecuencia.
La figura 3 muestra las estimaciones de los índices de spillovers total y direccionales netos de las series de variaciones mensuales de los precios del petróleo y el IGAE. El Panel A muestra la dinámica temporal del índice de spillover total. La gráfica muestra que los valores del índice oscilaron entre 48.72% (marzo de 1998) y 74.99% (abril de 2009). La descomposición del índice muestra que las contribuciones asociadas a las frecuencias de corto y largo plazos definen en mayor medida al índice de spillover total. Además, la figura confirma que las contribuciones asociadas a las frecuencias de largo plazo crecieron, significativamente, durante la Crisis Financiera Global.
Los tres paneles restantes muestran las dinámicas de los spillovers netos entre las series de variaciones mensuales de los precios del petróleo y el IGAE. Las gráficas muestran que el IGAE generalmente es receptor neto de spillover de las variaciones de los precios del petróleo. Particularmente, el valor promedio más alto de dichos índices corresponde al del petróleo MAYA (6.61%), seguido por el del WTI (6.54%) y el Brent (5.42%). Las mismas gráficas también muestran que los índices de spillovers de los tres tipos de petróleo registraron sus valores más altos durante el periodo comprendido entre abril de 2009 y junio de 201224 Los valores históricos más altos de los índices de spillovers netos de las series de variaciones mensuales entre el IGAE y los tipos de petróleo corresponden al registrado por el WTI (46.29%) durante abril de 2009, seguido por el del MAYA (28.44%) en junio de 2012 y el del Brent (25.46%) en octubre de 2011..
en el dominio del tiempo. Las bandas de frecuencias de corto, mediano y largo plazo fueron estimadas siguiendo la metodología de Baruník y Křehlík (2018)[2] Baruník, J., y Křehlík, T. (2018). “Measuring the frequency dynamics of financial connectedness and systemic risk”, Journal of Financial Econometrics, 16(2), 271-296. doi: 10.1093/jjfinec/nby001.
. Las bandas de corto plazo (naranja) corresponde a las frecuencias de 1 a 3 meses. Las bandas de mediano plazo (gris) corresponde a las frecuencias de 3 a 6 meses. Las bandas de largo plazo (amarillo) corresponde a las frecuencias de 6 meses a infinito. Los índices se estiman mediante un modelo VAR (3) con ventanas móviles de 48 meses y un horizonte de pronóstico del error de la varianza . Las series de spillovers comprenden observaciones de las variaciones mensuales de los precios del petróleo y el IGAE para el período de enero de 1997 a diciembre de 2019.
La figura 4 muestra las estimaciones de los índices de spillovers total y direccionales netos de las series de volatilidades mensuales de los precios del petróleo y el IGAE. El Panel A muestra el comportamiento del índice de spillover total durante el período analizado. La gráfica muestra que los valores del índice oscilaron entre 40.54% (abril de 2014) y 75.01% (febrero de 2015). La descomposición del índice muestra que las contribuciones asociadas a las frecuencias de largo plazo definen en mayor medida al índice de spillover total. Por tanto, la mayor parte de los spillovers en las series de volatilidades ocurren en las frecuencias de largo plazo.
en el dominio del tiempo. Las bandas de frecuencias de corto, mediano y largo plazo fueron estimadas siguiendo la metodología de Baruník y Křehlík (2018)[2] Baruník, J., y Křehlík, T. (2018). “Measuring the frequency dynamics of financial connectedness and systemic risk”, Journal of Financial Econometrics, 16(2), 271-296. doi: 10.1093/jjfinec/nby001.
. Las bandas de corto plazo (naranja) corresponde a las frecuencias de 1 a 3 meses. Las bandas de mediano plazo (gris) corresponde a las frecuencias de 3 a 6 meses. La bandas de largo plazo (amarillo) corresponden a las frecuencias de 6 meses a infinito. Los índices se estiman mediante un modelo VAR(3) con ventanas móviles de 48 meses y un horizonte de pronóstico del error de la varianza . Las series de spillovers comprenden observaciones de las volatilidades mensuales de los precios del petróleo y el IGAE para el período de enero de 1997 a diciembre de 2019.
Los tres paneles restantes muestran las dinámicas de los spillovers netos entre las series de volatilidades de los precios del petróleo y el IGAE. Las gráficas asociadas a las series de volatilidades tienen una mayor variabilidad que las correspondientes a las series de variaciones mensuales; particularmente, los mayores índices promedio de las series de volatilidades corresponden, respectivamente, a los tipos de petróleo MAYA (4.82%), WTI (3.91%) y Brent (2.85%). Las gráficas también muestran que los spillovers crecieron durante la crisis de 2009 y a la caída de los precios del petróleo entre 2014 y 2016.
Los hallazgos del análisis de interdependencias en los dominios del tiempo y de la frecuencia pueden sintetizarse de la siguiente manera: 1) Las relaciones entre los precios del petróleo y la actividad económica en México han fluctuado con el paso del tiempo; 2) las variaciones en los precios del petróleo se asocian con fluctuaciones de corto plazo de la actividad económica; 3) la volatilidad de los precios del petróleo se asocia con fluctuaciones de largo plazo de la actividad económica; 4) los precios del petróleo MAYA tienen las mayores interdependencias, i.e., spillovers, con la actividad económica; 5) las mayores interdependencias entre los precios del petróleo y la actividad económica ocurrieron entre los meses de abril de 2009 y junio de 2012.
Conclusiones y discusión
⌅En este estudio, se han analizado las interdependencias entre los precios del petróleo y la actividad económica en México. El mismo se ha sustentado en un análisis de spillovers estáticos y dinámicos en los dominios del tiempo y de la frecuencia. La investigación ha utilizado estadísticas descriptivas, pruebas de cambio estructural endógeno, índices de spillovers estáticos y dinámicos y su descomposición en rangos de frecuencia de corto, mediano y largo plazos. La muestra analizada ha incluido series de variaciones mensuales y de volatilidades de los precios del petróleo MAYA, WTI y Brent y del indicador IGAE del período comprendido entre febrero de 1993 y diciembre de 2019.
Los principales hallazgos del análisis estadístico muestran que: 1) Las medias de las series de los precios del petróleo MAYA son más altas que las correspondientes a los tipos de petróleo WTI y Brent; 2) los precios del petróleo son más volátiles que el IGAE; 3) todas las series son estacionarias y pueden ser usadas en el análisis de interdependencias; 4) la evidencia muestra cambios estructurales individuales y conjuntos en la media y en la varianza de la serie de variaciones del IGAE y en la media de la serie de variaciones de los precios del petróleo Brent; y, 5) los quiebres de la serie del IGAE se registran durante la Crisis del Efecto Tequila y la Crisis Financiera Global.
Los hallazgos del análisis de interdependencias en los dominios del tiempo y de la frecuencia pueden sintetizarse de la siguiente manera: 1) Las relaciones entre los precios del petróleo y la actividad económica en México han fluctuado con el paso del tiempo; 2) las variaciones en los precios del petróleo se asocian con fluctuaciones de corto plazo de la actividad económica; 3) la volatilidad de los precios del petróleo se asocia con fluctuaciones de largo plazo de la actividad económica; 4) los precios del petróleo MAYA tienen las mayores interdependencias, i.e., spillovers, con la actividad económica; 5) las mayores interdependencias entre los precios del petróleo y la actividad económica ocurrieron entre los meses de abril de 2009 y junio de 2012.
Los hallazgos confirman que las relaciones entre los precios del petróleo y la actividad económica son complejas en los países en desarrollo. Particularmente, los hallazgos sugieren que, a diferencia de la literatura tradicional, los precios del petróleo tienen una relación directa con el crecimiento económico en los países exportadores de petróleo. Asimismo, sugieren que la relación entre los precios del petróleo y la actividad económica pese a sus fluctuaciones tiene una tendencia estable en el largo plazo. Además, los hallazgos sugieren que los shocks en los precios del petróleo pueden transmitirse y tener efectos sobre la actividad económica en el nivel internacional.
Los hallazgos también tienen algunas implicaciones de política económica para México. Las más importantes son las siguientes: 1) Los valores de los índices de spillovers validan que progresivamente está disminuyendo la dependencia del país con respecto a los precios del petróleo y que, por tanto, la economía mexicana se está diversificando; 2) los precios del petróleo MAYA son relativamente más importantes que los del WTI y el Brent para explicar la actividad económica del país; y, 3) la ausencia de cambios estructurales en las series tras la Crisis Financiera Global sugiere que la reforma del sector energético de 2013 no ha tenido efectos de corto ni de largo plazo.
Los hallazgos de esta investigación también validan la pertinencia de desarrollar nuevos estudios sobre las relaciones entre los precios del petróleo con otras variables de las economías en desarrollo. En este contexto, una línea de investigación pertinente es la referida al estudio de las fluctuaciones de las correlaciones entre los precios del petróleo con otras variables de las economías productoras y consumidoras netas de hidrocarburos. Dichos estudios serán útiles para mejorar las políticas energéticas y para promover la estabilidad y el crecimiento de las economías en desarrollo.