Métodos Cuantitativos y Macroeconomía Avanzada

Notas de Clase
Mtodos Cuantitativos y Macroeconoma Avanzada

Andrs Gonzlez Gmez
Universida de los Andes
ndice general
Parte 1. Solucin de modelos de Equilibrio General Dinmico 7
Captulo 1. Modelo de Solow 9
Captulo 2. Un modelo de equilibrio general competitivo en dos perodos 13
2.1. Ambiente 13
2.2. Hogares 13
2.3. Las rmas 15
2.4. Equilibrio. 17
Captulo 3. Programacin no lineal 19
3.1. Teorema de Khun-Tucker 19
3.2. Modelo de Ramsey con trabajo jo 19
3.2.1. Mtodos numricos de solucin. 22
3.3. Horizonte innito 23
3.3.1. Utilidad recursiva. 23
3.3.2. Problema de Ramsey en horizonte innito 24
3.3.3. Mtodos de numricos de solucin. 25
3.4. Modelo de Ramsey con trabajo variable 25
3.4.1. Solucin 27
3.5. Modelo de Ramsey con trabajo variable solucionado por el Mercado 30
3.5.1. Hogares 30
3.5.2. Firmas 32
3.5.3. Equlibrio 33
3.6. Modelo de Ramsey con distorciones 33
3.7. Programacin no lineal con incertidumbre 34
3.8. Modelo de Ramsey con incertidumbre 34
3.9. Mtodos de solucin numricos: 35
Captulo 4. Programacin dinmica 39
4.1. Utilidad indirecta 39
4.2. Introduccin a la Programacin dinmica 40
Una versin ms general 41
4.3. Ejemplos del mtodo de programacin dinmica 43
4.3.1. El problema de la torta 43
4.3.2. El problema de Ramsey con trabajo jo 44
4.3.3. El problema de Ramsey con trabajo variable 45
4.3.4. Un caso en el que falla la programacin dinmica (Canova) 45
4.4. Solucin para horizonte innito iterando la funcin valor. 46
4.4.1. Problema de Ramsey 46
4.4.2. Problema de la torta 49
4.5. Iteracin de la funcin valor con horizonte nito 51
4.5.1. Problema de la torta 51
4.5.2. Problema de Ramsey 54
4.6. Solucin numrica del problema de la funcin valor 55
4.7. Programacin dinmica estocstica 57
3
4 ndice general
Captulo 5. Mtodos aproximados de solucin 63
5.1. Linearizacin y log linerizacin de las condiciones de primer orden 63
5.1.1. Log-linearizacin en la prctica 65
5.2. Mtodos de Solucin 68
5.2.1. Conceptos bsicos 69
5.2.2. Mtodo de Blanchard y Kahn 71
5.2.3. Mtodo de Klein 75
5.2.4. Conceptos bsicos: 75
5.2.5. La solucin de Klein 77
5.3. Solucin de un DSGE con poltica ptima 84
Parte 2. Ejemplos de modelos con expectativas racionales 85
Captulo 6. Modelo bsico 87
6.1. Hogares 87
6.1.1. Firmas 88
6.1.2. Equilibrio 89
6.1.3. Solucin 90
6.1.4. Estado estacionario 91
6.2. Modelo con competencia monopolstica sin precios rgidos 93
6.2.1. Hogares 93
6.2.2. Firmas 93
6.2.3. Agregacin del problema de las rmas. 95
APENDICE: Derivancin del costo marginal y las demandas relativas de factores para las rmas
productoras de bienes intermedios. 98
6.2.4. Formas funcionales 99
6.3. Modelo con rigideces reales, precios exibles y competencia perfecta 101
6.3.1. Problema de los hogares 101
6.3.2. Problema de las rmas en competencia perfecta 101
6.3.3. Condiciones de primer orden 102
6.4. Modelo con rigideces de precios 105
6.4.1. Problema de los hogares 105
6.4.2. El problema de las rmas productoras del bien nal 106
6.4.3. Firmas productoras de bienes intermedios 107
6.4.4. Agregacin 116
6.4.5. Regla de poltica 120
6.4.6. Equilibrio del modelo y estado estacionario 121
Parte 3. Metodos empricos 131
Captulo 7. Anlisis de la solucin 133
7.1. Introduccin 133
7.2. Representacin de Media Movil 134
7.3. Pronstico 134
7.4. Descomposicin histrica de los choques 136
7.5. Impulso respuesta 137
7.6. Segundos Momentos 137
Captulo 8. Estimacin de un DSGE por mtodos de verosimilitud 139
8.1. Representacin Estado-Espacio 139
8.2. Filtro de Kalman 140
8.3. Funcin de verosimilitud y la estimacin por mxima verosimilitud 142
8.4. Problemas numricos en la maximizacin de la funcin de verosimilitud 143
ndice general 5
8.5. Algunas consideraciones sobre la funcin de verosimilitud para los modelos DSGE 148
8.6. Propiedades de maxima verosimilitud 151
Captulo 9. Mtodos Bayesianos 153
9.1. Teorema de Bayes 153
Apndice A. Introduccin a mtodos numricos para encontrar races. 155
Apndice B. Backward iteration: 159
B.1. Teorma de Euler: 161
Apndice C. Derivancin del costo marginal y las demandas relativas de factores para las rmas
productoras de bienes intermedios. 163
Bibliografa 165
Apndice. Bibliografa 165
Parte 1
Solucin de modelos de Equilibrio General
Dinmico
Captulo 1
Modelo de Solow
El modelo de Solow es muy simple: Hay una tecnologa de produccin que se caracteriza por tener
retornos constantes a escala, una ecuacin que describe la evolucin del capital y una tasa de ahorro constante
y proporcional al ingreso.
La produccin esta dada por
y
t
= A
t
F(K
t
, H
t
)
siendo K
t
es el capital utilizado para producir y H
t
es el trabajo. La funcin de produccin es homogenea de
grado uno y tiene la propiedades estandard. La tecnologa est dada por A
t
= (1+)
t
A
0
siendo la tasa de
crecimento de la tecnologa y A
0
el nivel de tecnologa inicial. Asi mismo, se asume que la poblacin crece
a una tasa constante n lo que implica que H
t
= (1+n)H
t1
.
La ecuacin de evolucin del capital es
K
t+1
= (1)K
t
+I
t
siendo la tasa de depreciacin e I
t
la inversin en el perodo t. Por ltimo, se asume que el ahorro est
dado por
S
t
= Y
t
o que es una fraccin constante del ingreso.
Para encontrar la solucin del modelo es necesario expresar todo el sistema en trminos percpita. Esto
es, dividiendo por el nmero de trabajadores. La funcin de produccin percpita se optiene como
Y
t
= A
t
F (K
t
, H
t
)
Y
t
H
t
= A
t
F
_
K
t
H
t
,
H
t
H
t
_
que nalmente implica que y
t
= A
t
f (k
t
). El paso clave en esta derivacin es el anterior y la igualdad se
cumple pues la funcin de produccin se asume tiene retornos constantes a escala.
La ecuacin de acumulacin del capital se puede escribir en trminos percpita as:
K
t+1
= (1)K
t
+I
t
K
t+1
H
t+1
= (1)
K
t
H
t+1
+
I
t
H
t+1
sin embargo, el trmino K
t
/H
t+1
no es estacionario y por tanto es necesario multiplicar este por H
t
/H
t
y
obtener la ecuacin
k
t+1
= (1)
K
t
H
t+1
H
t
H
t
+
I
t
H
t+1
H
t
H
t
=
(1)k
t
+i
t
(1+n)
.
Finalmente, el ahorro se dene como una fraccin constante del ingreso y en trminos percpita esto sera
s
t
= y
t
siendo una fraccin de producto por trabajador que se ahorra.
9
10 1. MODELO DE SOLOW
FIGURA 1.0.1. Equilibrio modelo de Slow
k(t+1)
k(t)
0.0 0.5 1.0 1.5
0.0
0.5
1.0
1.5
El equilibrio de esta economa se da cuando el ahorro es igual a la inversion (s
t
= i
t
). De esta condicin
encontramos el equilibrio as:
k
t+1
=
(1)k
t
+i
t
(1+n)
=
(1)k
t
+y
t
(1+n)
=
(1)k
t
+A
t
f (k
t
)
(1+n)
o
(1+n)k
t+1
= (1)k
t
+ (1+)A
0
f (k
t
).
que es la ecuacin que describe el equlibrio. Si se supone que = 0 entonces esta relacin se puede simpli-
car a
(1+n)k
t+1
= (1)k
t
+A
0
f (k
t
).
La gura 1 presenta esta relacin. La linea recta esta dada por k
t
= k
t+1
mientras que la linea curva
representa
((1)k
t
+A
0
f (k
t
))
(1+n)
. Como se puede ver, ambas lineas son iguales en dos puntos. a saber, en k
0
= 0
y en un k
t
> 0. De hecho estos dos puntos respresentan equilibrios posibles del modelo de Solow. En ambos
casos, el equilibrio se da cuando k
t+1
= k
t
=

k que implica im nivel de estado estacionario del capital que se
dene por la ecuacin
(1+n)k = (1)k + f
_
k
_
( +n)k = A
o
f
_
k
_
El primero equlibrio, se tiene cuando k
0
= 0. En este punto no puede haber produccin y por tanto no se
tiene ni ingreso ni ahorro. El otro equilibrio es el nico equilibrio cuando k
o
es mayor a cero. Como se puede
ver en la Figura 1 para valores mayores a cero pero inferiores a

k tenemos que
(1)k
t
+A
0
f (k
t
)
(1+n)
> k
t
y por
tanto hay una acumulacin de capital. Cuando k es mayor que

k entonces lo que se tiene es una contraccin
del capital.
Existen varios equilibrios en esta economia. Equilibrio, es una situacion en la cual
Implicaciones del modelo de Solow:
1. MODELO DE SOLOW 11
Las economias pobres, denidas como aquellas con menor capital inicial crecen mas rpido que las
economas ricas. Esto se puede ver comparando la tasa de crecimiento del capital.
Dado que el creciento de la economa es proporcional a el crecimiento del capital percpita
entonces es suciente con calcular la tasa de crecimiento del capital percapita. Esta est dada por la
ecuacin
k
=
k
t+1
k
t
=
(1)k
t
+A
0
f (k
t
)
(1+n)k
t
La hiptesis es que esta tasa de crecimiento depende del nivel de capital para lo cual es posible
analizar el comportamiento de la primera derivada con respecto al nivel de capital la cual esta dada
por
k
k
t
= ((1)k
t
+A
0
f (k
t
))((1+n)k
t
)
1
=
_
(1) +A
0
f
(k
t
)
_
((1+n)k
t
)
1
((1)k
t
+A
0
f (k
t
))((1+n)k
t
)
2
(1+n)
=
(1)k
t
+A
0
f
(k
t
)k
t
(1+n)k
2
t
(1)k
t
+A
0
f (k
t
)
(1+n)k
2
t
=
_
A
0
(1+n)k
2
t
_
_
f
(k
t
)k
t
f (k
t
)
que es negativo pues la funcin f (k)es concava. (TAREA : Muestre xq este es el caso). Que sea
negativa implica que a medida que hay mas capital la tasa de crecimiento del capital percpita es
menor que se explica fundamentalmente por una menor productividad marginal del capital a niveles
altos de capital.
Las economias convergen a lo que se conoce como el balance growth path. Esta es la tasa de
crecimiento a la cual el capital y el producto crecen a la misma tasa constante.
Suponga que la funcin de produccin esta dada por una Cobb-Douglas. Esto es, f (k) =
k
siendo la fraccin del producto que se va a capital. Bajo esta forma funcional es fcil en-
contrar la tasa de crecimiento balanceado. Que es una tasa de crecimiento constante de las variables
percpita.
k
=
(1)k
t
+A
t
k
t
(1+n)k
t
=
(1)k
t
+A
0
(1+)
t
k
t
(1+n)k
t
k
=
(1)
(1+n)
+
A
0
(1+)
t
(1+n)k
1
t
k
t
=
_
1
(1+n)
_
(1)
(1+n)
_
1
A
0
(1+)
t
_ 1
1
k
t
=
_
(1+)
t
k
(1+n) (1)
_
1
1
este es el valor de capital consistente con una tasa constante de crecimiente. Ahora, la tasa de
crecimiento estara dada por
k
=
k
t+1
k
t
=
_
(1+)
t+1
k
(1+n)(1)
_
1
1
_
(1+)
t
k
(1+n)(1)
_ 1
1
= (1+)
1
1
12 1. MODELO DE SOLOW
que sera la tasa de crecimiento del capital percpita. Ahora, la tasa de crecimiento del producto
percpita se puede calcular como
y
t+1
y
t
=
A
t+1
k
t+1
A
t
k
t
= (1+)
_
(1+)
t+1
k
(1+n)(1)
_

1
_
(1+)
t
k
(1+n)(1)
_
1
= (1+)(1+)
1
= (1+)
1
+1
= (1+)
1
1
que es igual a la del capital percpita.
Existe una tasa de ahorro optima (que maximiza el bienestar en estado estacionario) que se llama
el la regla de oro (golden rule).
Dado que el bienestar es slo funcin del consumo entonces es posible encontrar el mximo
bienestar maximizando el consumo. Para alcanzar este nivel de bienestar es necesario determinar
un nivel de ahorro que permita optener este nivel de consumo.
c = (1)y = (1)A
0
f
_
k
_
sabemos adems que el nivel de capital de estado estacionario est denido en la siguiente ecuacin
( +n)k = A
o
f
_
k
_
que se puede sustituir en la ecuacin de consumo
c = A
0
f
_
k
_
A
0
f
_
k
_
c = A
0
f
_
k
_
( +n)k
de la cual podemos derivar el nivel de capital que maximiza el consumo mediante la condicin de
primer orden la cual a su vez dene el capital ptimo de bienestar k
0 = A
0
f
_
k
_
( +n).
Dado este capital, se puede sustituir en la ecuacin del estado estacionario y derivar de ella la
tasa de ahorro ptima. Esto es, de la ecuacin
( +n)k
= A
o
f
_
k
_
se deriva
=
( +n)k
A
o
f
_
k
_
que es la tasa de ahorro ptima.
Captulo 2
Un modelo de equilibrio general competitivo en dos perodos
En esta seccin se presenta una versin simplicada de un modelo completo.
2.1. Ambiente
Se trata de un modelo de dos perodos con un hogar representativo que consume, ofrece trabajo, ahorra
y recibe dividendos de las rmas de las que es dueo. Hay una rma que produce usando como insumos
capital y trabajo y por tanto demanda trabajo, invierte en nuevo capital y paga dividendos a los hogares que
son los dueos de las rmas. Tanto la rma como el hogar maximizan benecios y toman los precios como
dados.
2.2. Hogares
Los hogares de esta economa viven dos perodos y la idea es maximizar su utilidad dada una restriccin
de presupuesto. La funcin de utilidad de los hogares esta dada por
u(C
1
) +u(C
2
) (N)
siendo u(C
i
) la utilidad que derivan de consumir en los perodos uno y dos y (N) la utilidad derivada del
trabajo (Se supone que trabaja slo durante el primer perodo). El signo menos antes de (.) expresa la
desutilidad que genera el trabajo.
Las propiedades de estas funciones son las siguientes:
1. u(0) = 0, u
(.) > 0, u
(.) < 0, u
(0) =, u
() = 0
Una unidad de consumo genera un aumento en la utilidad pero a medida que aumenta el con-
sumo esta ganancia por unidades adicionales de consumo genera menos utilidad en el margen. De
otra forma, si el consumo es cero la utilidad marginal de una unidad de consumo es innita y si por
el contrario, el consumo es muy grande (innito) la utilidad adicional que una unidad adicional de
consumo es cero.
2. (0) = 0,
(.) > 0,
(.) > 0,
(0) = 0,
() =
De forma similar, la funcin de utilidad del trabajo reeja lo siguiente: La desutilidad de tra-
bajar es cero si no se trabaja, una unidad de trabajo produce una des-utilidad creciente de tal forma
que cuando el trabajo es innito una unidad adicional de trabajo genera una des-utilidad cada vez
mayor. Esto es, si el trabajo ofrecido es cero y el hogar lo aumenta en una unidad la des-utilidad
aumenta muy poco .
3. (0, 1) es el factor de descuento. Este parmetro reeja cuanto pesa el consumo futuro en trmi-
nos del consumo presente.
El problema que el consumidor debe resolver se puede espresar como:
m ax u
_
C
d
1
_
+u
_
C
d
2
_
(N
s
)
s.t
C
d
1
=WN
s
+
1
S
C
d
2
=
2
+RS
donde W es el salario por unidad de trabajo,
i
son los benecios de las rmas, S es el ahorro y R la
tasa bruta de inters (1 +r). Esto es, dados W, R,
1
,
2
el hogar debe decidir cuanto trabajar y consumir
(ahorrar). Como en el segundo perodo no hay trabajo el hogar recibe lo que ahorra junto con su retorno y
los benecios de la rma en este perodo. S puede ser positivo o negativo. Cuando S es negativo el hogar
13
14 2. UN MODELO DE EQUILIBRIO GENERAL COMPETITIVO EN DOS PERODOS
esta pidiendo prestado y cuando es positivo esta prestando. Suponemos que esto lo puede hacer a la misma
tasa (mercado de capitales es perfecto).
Combinando la restriccin de presupuesto tenemos la restriccin intertemporal. Veamos:
S =
C
d
2
R

2
R
C
d
1
+
C
d
2
R
= WN
s
+
1
+
2
R
que muestra varias cosas:
El plan de consumo de la vida de los hogares debe satisfacer su restriccin intertemporal. Esto es, el
valor presente del consumo debe ser igual al valor presente de sus ingresos. Por lo tanto, el consumo
no depende slo del ingreso corriente sino del ingreso futuro descontado.
Esta restriccin sin embargo slo es posible cuando los mercados de capitales son perfectos y la
tasa de inters para ahorros y prstamos es la misma. Notece que esta restriccin es necesaria para
generar una restriccin intertemporal.
Suponiendo que no hay ingreso desperdiciado entonces es posible escribir el problema del hogar como
m ax u(WN
s
+
1
S) +u(
2
+RS) (N
s
).
siendo N
s
y S las variables de decisin.
Las condiciones de primer orden del problema de los hogares son:
u
(C
1
) +RU
(C
2
) = 0
y
Wu
(C
1
)
(N
s
) = 0.
o que se pueden reescribir como:
u
(C
1
) = Ru
(C
2
)
W =

(N
s
)
u
(C
1
)
La primera ecuacin es la condicin de Euler. Que dice que el agente est dispuesto a sacricar una
unidad de consumo presente, que tiene un costo en trminos de utilidad igual a u
(C
1
), y ahorrar esta uni-
dad para ser consumida el perodo siguiente lo cual le signica R unidades de consumo adicionales en el
segundo perodo que aumenta la ulidad en Ru
(C
2
). Sin embargo, como la valoracin del consumo en el
segundo perodo es menor en una tasa por unidad de utilidad estas unidades adicionales el perodo dos
signican Ru
(C
2
) unidades de utilidad en el perodo siguiente. El consumidor posterga consumo hasta
que los benecios son iguales a sus costos.
Hay tres sendas de consumo distintas dependiendo del valor de R. Si 1 = R entonces
u
(C
1
) = u
(C
2
)
y por lo tanto es ptimo consumir lo mismo en ambos perodos C
1
=C
2
. Esta es la suavizacin del consumo.
Si por el contrario R < 1 entonces lo ptimo sera C
1
<C
2
. Por ltimo, si R > 1entonces tendramos que
lo ptimo sera que C
1
>C
2
.
La ecuacin de Euler se puede escribir como
1
R
=
u
(C
2
)
u
(C
1
)
.
En esta expresin el lado izquierdo es el valor en unidades del consumo presente de comprar una unidad de
consumo futuro. Esto es, para consumir una unidad adicional en el siguiente perodo el hogar debe ahorrar
1/R unidades de consumo en el primer perodo. El lado derecho es la tasa marginal de sustitucin entre
consumo presente y consumo futuro. El valor que un hogar le da a una unidad adicional de consumo en el
perodo siguiente en unidades del consumo presente.
2.3. LAS FIRMAS 15
Esta condicin se puede usar para derivar una curva de oferta de ahorro. Denida como el lugar geogr-
co entre S y R tal que la condicin de Euler se cumple. La curva de oferta de ahorro esta dada por:
R =
u
(WN
s
+
1
S)
u
(
2
+RS)
.
Para determinar la pendiente de esta curva tenemos que considerar los efectos sustitucin y riqueza
que tengan cambios en la tasa de inters. Suponga que la tasa de inters aumenta. En este caso tenemos
dos efectos: El aumento de la tasa de inters aumenta el costo de oportunidad de ahorrar (consumir en el
primer perodo). Lo cual implica un aumento en el ahorro y una disminucin en el consumo C
1
. Puesto
de otra forma, el precio del consumo futuro en trminos de consumo presente cae,
_
1
R
_
lo cual es un
incentivo para ahorrar ms hoy. De otra forma, el aumento de la tasa de inters implica un mayor retorno por
el ahorro y por tanto un mayor C
2
que implicaran una cada de la utilidad marginal en el perodo dos lo que
contrarresta las ventajas de ahorrar.
El primer efecto es un efecto sustitucin y el segundo un efecto ingreso. Para tener una curva oferta
ahorro con pendiente positiva se necesita que el efecto sustitucin domine sobre el efecto ingreso. Y por
tanto
R =
u
(WN
s
+
1
S)
u
(
2
+ RS)
.
La condicin de primer orden con respecto al trabajo esta dada por
Wu
(C
1
)
(N
s
) = 0.
El trmino Wu
(C
1
) mide los benecios en trminos de utilidad por unidad de trabajo y el trmino
(N
s
)
mide los costos. Esto es, por unidad de trabajo adicional yo recibo W unidades adicionales de consumo que
implican Wu
(C
1
) unidades de utilidad. Pero me cuestan
(N
s
) unidades de utilidad. Esta condicin de
equilibrio implica que el hogar trabaja hasta el punto en el cual los benecios sean iguales a los costos.
La condicin anterior se puede escribir como
W =

(N
s
)
u
(C
1
)
donde el lado izquierdo es el benecio marginal de trabajar en trminos de unidades de consumo y el lado
derecho es la relacin marginal de sustitucin entre trabajo y consumo que mide el costo del trabajo en
trminos de utilidad marginal del consumo. De esta forma, el benecio de trabajar una unidad adicional en
trminos del consumo es el salario real. Mientras que el costo en trminos de benecios de consumo est
dado por la relacin marginal de sustitucin.
Esta condicin de primer orden es la oferta de trabajo. Cuando aumenta el salario tenemos dos efectos.
El efecto sustitucin: Por unidad adicional de trabajo tengo un mayor benecio en trminos de consumo
puesto que, dado C
1
, Wu
(C
1
) aumenta. Sin embargo, C
1
no es constante sino que aumenta por el efecto
ingreso lo cual tumba el benecio marginal de consumir y reduce Wu
(C
1
) lo cual reduce el incentivo para
trabajar. Necesitamos que el efecto sustitucin sea mayor que el ingreso para que la curva de oferta de trabajo
tenga pendiente positiva.
En resumen, del problema de los hogares tenemos una curva de oferta de ahorro y una oferta de trabajo.
Dados, W, R,
1
y
2
.
2.3. Las rmas
Al igual que los hogares las rmas son tomadores de precios. Esto es, la idea es maximizar los benecios
esperados sujetos a la siguiente tecnologa. La rma demanda capital y trabajo. En la tecnologa de este
ejemplo suponemos que en el primer perodo la rma produce con trabajo y que en el siguiente perodo slo
produce con el capital, el cual depende de la cantidad de inversin determinada en el primer perodo. Esto
es, la funcin de produccin se dene como:
Y
1
=
1
f (N)
Y
2
=
2
g(I)
16 2. UN MODELO DE EQUILIBRIO GENERAL COMPETITIVO EN DOS PERODOS
la funcin de produccin satisface los siguientes supuestos
1. f (0) = 0, f
(.) > 0, f
(.) < 0, f
(0) =, f
() = 0
2. g(0) = 0, g
(.) > 0, g
(.) < 0, g
(0) =, g
() = 0
siendo
1
y
2
parmetros de tecnologa.
Esta tecnologa se puede ver como
Y
1
=
1
F(N, K
1
)
Y
2
=
2
F(0, K
2
)
donde
K
2
= I +(1)K
1
.
Esto es, en t = 1 las rmas toman como dado el capital y demandan trabajo. En el perodo dos las rmas
no demandan trabajo y slo usan capital para trabajar. En este caso, usan el capital disponible para producir
en el segundo perodo que sera igual a la inversin ms lo que queda despus de depreciacin del capital
disponible en el primer perodo.
La tecnologa anterior se puede derivar as:
Y
1
=
1
F(N, K
1
) =
1
f (N)
Y
2
=
2
F(0, K
2
) =
2
F(0, I +(1)K
1
)
=
2
f (0, I) =
2
g(I)
puesto que (1)K
1
es una constante.
El problema de la rma es entonces
m ax
1
+
2
R
s.t
1
=
1
f (N) WN
s
2
=
2
g(I) RI
esto es, la rma pide prestado I a una tasa R en el perodo uno para nanciar los gastos de inversin. Mientras
que paga un salario W en el primer perodo por el trabajo demandado.
La solucin al problema de la rma se puede obtener as:
m ax
1
f (N) WN
s
+

2
g(I)
R
I
que tiene las siguientes condiciones de primer orden:
1
f
(N
d
) = W
2
g
(I) = R
La primera condicin es una demanda de trabajo. Las rmas demandan trabajo hasta el punto en el cual,
el benecio marginal de contratar una unidad adicional de trabajo iguala su costo dado por el salario real.
Esto es, la productividad marginal del trabajo iguala el salario. Y demanda inversin hasta el punto en el cual
el costo marginal dado por la tasa de inters iguala el benecio marginal dada por la productividad marginal
del capital.
Estas son curvas de demanda pues aumentos del salario implican (dado el capital) que es necesario para
mantener el ptimo disminuir el nivel de empleo y as aumentar la productividad marginal del trabajo. Lo
que implica una relacin inversa entre salario y demanda de trabajo. Por otro lado, aumentos en la tasa de
inters implican que una serie de proyectos de inversin no son rentables y por tanto la inversin disminuye.
O en otros trminos, dada una tasa de inters alta es necesario que la productividad marginal del capital sea
alta. (Slo los proyectos de inversin que son rentables se llevan a cabo) lo que disminuye el capital disponible
en el perodo dos y por tanto un aumento en la productividad marginal. De esta forma, existe una relacin
negativa entre la inversin y la tasa de inters.
2.4. EQUILIBRIO. 17
FIGURA 2.4.1. Equilibrio General

Y
2
=C
2
R
R=g ' I
R=
u' c
1
d
u' c
2
d
R
Y
2
C
2
C
2
Y
2

Y
2
Y
2
Y
2
=
2
g I
W=
' N
s
u' c
1
d
W=
1
f ' N
d
N
Y
1
=
1
f N
Y
1
Y
1
Y
1
=C
1
I
Y
1
C
1
2.4. Equilibrio.
Necesitamos que el mercado de ahorro se equilibre con el de la inversin. Y que la oferta y la demanda
de trabajo se equilibren. De igual menera se necesita que se cumpla la restriccin agregada de recursos. Esto
es,
Y
1
= C
1
+I
1
Y
2
= C
2
recuerde que este es un modelo de dos perodos. Las otras condiciones de equilibrio estn dadas por
Trabajo::
1
f
(N)
. .
Demanda
=W =

(N)
u
(WN+
1
S)
. .
Oferta
Recursos::
Y
1
= C
1
+I
Y
2
= C
2
Activos::
2
g
(I) = R =
u
(WN+
1
S)
N(
2
+RS)
Tecnologa:
Y
1
=
1
f (N)
Y
2
=
2
g(I)
Este sistema tiene solucin. Las variables a determinar en la solucin (N, I,W, R,
1
,
2
,C
1
,C
2
,Y
1
,Y
2
).
Captulo 3
Programacin no lineal
El capitulo presenta el mtodo de programacin dinmica y se usa como ejemplo el modelo de Ramsey.
Este se resuelve tanto por el planeador central como por el mercado. Se ver las condiciones de primer
orden son iguales. Adicionalmente, se muestra el mismo modelo de Ramsey con algunas distorciones y se
comparan las ecuaciones de primer orden del problema solucionado por el mercado y el planicador central.
En este caso, no las condiciones de primer orden llegan a distintos resultados y es una clara muestra de lo
que pasa cuando no se cumplen las condiciones del Segundo Teorema de Bienestar. El capitulo comienza
por el Teorema de Khun-Tucker y posteriormente se introduce el modelo de Ramsey.
3.1. Teorema de Khun-Tucker
Uno de los mtodos ms comunes para solucionar problemas de optimizacin no lineal se basa en el
teorema de Kuhn-Tucker.
THEOREM 1. Teorema de Khun-Tucker: Sea f una funcin cncava con primeras derivas continuas
denida de U R
n
a R, siendo U un conjunto abierto y convexo. Para i = 1, . . . , l sean h
i
: U R funciones
cncavas y con primeras derivadas continuas. Suponga que existe un x U tal que
h
i
(x) > 0 para i = 1, . . . , l.
Entonces x
maximiza f sobre D = {x U|h

i
(x) 0, i = 1, . . . , l} si y solo si existe
R
l
tal que las
condiciones de primer orden Kunh-Tucker se satisfacen:
f (x
)
x
j
+
l
i=1
i
h
i
(x
)
x
j
= 0, j = 1, . . . , n
i
0, i = 1, . . . , l
i
h
i
(x
) = 0, i = 1, . . . , l
3.2. Modelo de Ramsey con trabajo jo
La solucin al problema de Ramsey la encontramos usando el planeador central. La presentacin actual
de Ramsey no incluye variacin de trabajo. En la seccin siguiente presentamos el modelo de Ramsey
cuando el trabajo es variable. En esa seccin solucionamos el modelo de Ramsey tanto por el planeador
central como por el mercado.
El problem de Ramsey se puede presentar as:
m ax
c
1
,...c
T
U(c
0
, . . . , c
T
)
s.t
C
t
+K
t+1
f (K
t
) t = 0, . . . , T
0 C
t
t = 0, . . . , T
0 K
t+1
t = 0, . . . , T
siendo K
0
dado.
La idea es maximizar la utilidad U(c
0
, . . . , c
T
) en T perodos sugeto a la restriccin de recursos y al
hecho de que ni el capital ni el consumo pueden ser negativos. La utilidad depende slo de C y no del ocio
pues esta se asume constante.
La restriccin de recursos esta dada por la siguiente ecuacin
c
t
+k
t+1
y
t
19
20 3. PROGRAMACIN NO LINEAL
en la cual es claro que el consumidor debe decidir cuanto consumir y cuanto guardar como semilla para el
perodo siguiente. El productor usa capital (semillas) y trabajo el cual se asume constante e igual a uno para
producir siguiendo la tecnologa denida como:
y
t
= F(K
t
, N
t
= 1)
y F se supone tiene las siguientes propiedades: (I) No se puede producir sin insumos F(0, 0) = 0, (II) F es
estrictamente creciente en ambos argumentos, (III) Cncava (no hay rendimientos crecientes a escala) y (IV)
con primera y segundas derivas denidas y continuas. y
t
puede denirce neto de la depreciacion del capital
asi:
1. Depreciacin completa: En este caso, si se usa el producto como semilla esta no se puede usar en
el futuro ni como semilla ni como consumo. En este caso la restriccin de presupuesto estara dada
por
C
t
+K
t+1
y
t
= f (K
t
)
siendo f (k
t
) = F(K
t
, N).
2. Depreciacin incompleta: En este caso, la cantidad disponible de semilla para consumir o volver
sembrar est dada por F(K
t
, N) +(1)K
t
(lo que se produce mas lo que se guarda como semilla
pero que se puede consumir o sembrar en perodos posteriores). La restriccin de presupuesto en
este caso est dada por:
C
t
+K
t+1
y
t
+(1)K
t
= f (K
t
)
siendo f (k
t
) = F(K
t
, N) +(1)K
t
El problema de Ramsey se puede resolver utilizando el teorema de KT si se supone que U(.) cumple con
las condiciones necesarias en el Teorema de KT y si las restricciones si cumplen con las condiciones del
teorema.
Luego las condiciones de primer orden para el problema de Ramsey seran:
0 =
U(c
0
, . . . , c
T
)
C
t
t
+
t
, t = 1, . . . , T (3.2.1)
0 =
t
+
t+1
f
(K
t+1
) +
t+1
, t = 1, . . . , T 1 (3.2.2)
0 =
T
+
T+1
(3.2.3)
0 =
t
( f (K
t
) C
t
K
t+1
), t = 1, . . . , T (3.2.4)
0 =
t
C
t
, t = 1, . . . , T (3.2.5)
0 =
t+1
K
t+1
, t = 1, . . . , T (3.2.6)
siendo
t
el multiplicador de la restriccin de presupuesto,
t
y
t+1
los multiplicadores de la restriccin de
positividad del consumo y del capital.
Las condiciones de primer orden se pueden cumplir en soluciones de esquina. Esto es, C
t
= 0 o K
t
= 0.
Sin embargo, esto no pasa por las propiedades de la funcin de utilidad. En particular se tiene que
lm
c
t
0
U(c
0
, . . . , c
T
)
C
t
para todo t. Esto es, el granjero pierde mucha utilidad si en algn perodo su consumo es cero. Teniendo esto
en cuenta entonces de (6.3.20) sabemos que C
t
> 0 y por tanto que
t
= 0 para todo t. Se sabe que f (0) = 0
luego cantidades positivas de C
t
requieren de un nivel positivo de producto y por tanto K
t
> 0 lo que implica
que
t+1
= 0 para t = 1, . . . , T 1. Entonces de (6.3.16) y (6.3.19) tenemos
t
=
U(c
0
, . . . , c
T
)
C
t
, t = 0, . . . , T
t
=
t+1
f
(K
t+1
), t = 0, . . . , T 1
f (K
t
) =C
t
+K
t+1
, t = 0, . . . , T 1
T+1
K
T+1
= 0
3.2. MODELO DE RAMSEY CON TRABAJO FIJO 21
siendo
T+1
=
T
. Esta ltima condicin se conoce como la condicin de transversalidad. Lo que dice es
que en todo t incluyendo el ltimo perodo el agente tiene que consumir y por tanto necesita dejar unidades
de semilla K
T
para ser consumidas en el ltimo perodo. Puesto de otra forma,
T+1
K
T+1
=
T
K
T+1
con
T
> 0 luego K
T+1
= 0. Lo que esta condicin dice es que en T el consumidor se consume todo lo que
queda de capital y que no deja capital (semillas) para T +1. Si esta condicin no se cumple el programa de
consumo no puede ser ptimo pues cuando granjero muere deja maz (capital) que no fue consumido y que
de haberlo consumido pudo haber alcanzado una utilidad mayor.
Combinando las condiciones de primer orden se llega a la ecuacin de Euler.
t
=
t+1
f
(K
t+1
)
U(c
0
, . . . , c
T
)
C
t
=
U(c
0
, . . . , c
T
)
C
t+1
f
(K
t+1
)
U(c
0
, . . . , c
T
)
C
t
/
U(c
0
, . . . , c
T
)
C
t+1
=f
(K
t+1
)
esta ltima es la Ecuacin de Euler y da la razn a la cual el granjero esta dispuesto a sustituir consumo
presente por consumo futuro. Si el granjero posterga su consumo y lo usa como semilla entonces el recibe
f
(K
t+1
) unidades de producto en t +1 por unidad de semilla. Lo cual equivale a
U(c
0
,...,c
T
)
C
t+1
f
(K
t+1
) uni-
dades de consumo. Postergar su consumo en t le cuesta
U(c
0
,...,c
T
)
C
t
unidades de consumo en t. Luego si los
costos marginales son iguales a los benecios marginales el granjero es indiferente entre consumo presente
y futuro. Esta es la lectura de la ecuacin de Euler.
Para encontrar una solucin analtica del problema es necesario especicar para-mtricamente las fun-
cin de utilidad y de produccin. Suponga que la funcin de utilidad esta dada por
U(c
1
, . . . , c
T
) =
T
t=1
t
lnC
t
U(c
1
, . . . , c
T
)
C
t
=

t
C
t
y
U(c
0
, . . . , c
T
)
C
t
/
U(c
0
, . . . , c
T
)
C
t+1
=
t
C
t
t+1
C
t+1
=
C
t+1
C
t
.
De igual forma si
f (K
t
) = K
t
entonces
f
(K
t
) = K
1
t
.
Bajo esta formas funcionales las condiciones de primer orden estn dadas por
K
t+1
+C
t
= K
t
t = 0, . . . , T
K
1
t
=
C
t+1
C
t
t = 0, . . . , T 1
Una solucin al problema de optimizacin debe cumplir con estas condiciones y con la condicin de
transversalidad (K
T+1
= 0). Sin embargo, el sistema no tiene solucin analtica por lo que se necesita usar
un computador. Una posible solucin aproximada es suponer que el consumo es constante (c
t
= c
t+1
= c)
en este caso se tiene que
K
= ()
1
1
que es constante. Lo cual implica que
C
t
= ()
1
()
1
1
sin embargo esta solucin no es ptima por dos razones:
1. El K
o
no necesariamente es igual a K
t
y la senda de consumo constante no se posible.
2. K
T+1
puede no ser igual a cero.
En general la solucin de este problema implica que tanto C
t
como K
t
deben cambiar en el tiempo.
3.2.1. Mtodos numricos de solucin. Ambos problemas se pueden resolver usando un optimiza-
dor no lineal. Sin embargo, el numero de variables a determinar incrementa con el tiempo. Una primera
posibilidad para resolver el problema es escribir la funcin objetivo y las restricciones en el computador
y usar un algoritmo de optimizacin no lineal restringida. El espacio de solucin seria entonces de tamao
2(T +1) que corresponde a las secuencias de consumo C
0
, . . . ,C
T
y de capital o torta K
1
, . . . , K
T+1
.En ambos
caso se supone que el capital en cero esta dado. Otra posibilidad es usar las condiciones de primer orden
como funcin objetivo y encontrar {C
t
}
T
t=0
y {K
t
}
T
t=1
tal que las condiciones de primer orden se cumplan
aproximadamente.
La segunda posibilidad es reducir el sistema. En el caso de nuestros ejemplos una vez tomada la decisin
sobre el capital disponible para maana sabemos cuanto vale el consumo ptimo. De esta forma el espacio
de bsqueda se reduce sustancialmente.
El problema de Ramsey se puede resolver numricamente a partir de las condiciones de primer orden
las cuales se pueden expresar en trminos slo del capital as:
C
t
= K
t
K
t+1
t = 0, . . . , T
K
1
t
=
K
t+1
K
t+2
(K
t
K
t+1
)
0 =
K
t+1
K
t+2
(K
t
K
t+1
)
K
1
t+1
Este conjunto de ecuaciones es el que se debe escribir en el computador. Para el caso de T = 3 tendra-
mos el siguiente conjunto de ecuaciones:
Para t = 1 tendriamos
K
2
K
3
_
K
1
K
2
_ K
1
2
= 0
K
3
K
4
_
K
2
K
3
_ K
1
3
= 0
K
_
K
3
K
4
_ K
1
4
= 0
que son un conjunto de tres ecuaciones para tres incgnitas K
2
, K
3
, K
4
. Para solucionar el sistema se sabe
que K
5
= 0 y se conoce K
1
.
Un conjunto de valores iniciales bueno para este problema se encuentra suponiendo que los agentes
suavizan consumo. Esto es, C
t
= C
t+1
lo cual implica que K
= ()
1/1
. Recuerde que esta no es una
solucin del problema pues K
puede ser distinto de K

0
y el puede que K
T+1
= 0.
El problema de Ramsey se resolvi usando mtodos numricos. Las sendas de consumo y capital se
presentan en la Grca 3.2.1. Se supuso que K
0
= 0,13 , = 0,3 con T = 60. Las distintas grcas co-
rresponden a valores diferentes de = (0,7, 0,9, 1,0). Como se puede ver los agentes no pueden suavizar
consumo totalmente puesto que el capital inicial es inferior al de estado estacionario y deben acumular el
capital faltante mediante una disminucin de consumo. De igual forma, al nalizar el perodo los agentes
deben aumentar su consumo.
Tarea Resolver el problema de Ramsey con la siguiente funcin de utilidad
U(c
1
, . . . , c
T
) =
T
t=1
t
C
1
t
1
3.3. HORIZONTE INFINITO 23
FIGURA 3.2.1. El problema de Ramsey con horizonte nito
0 50 100 150
54.65
54.70
54.75
54.80
54.85
54.90
54.95
55.00
55.05
Capital
0 50 100 150
3.500
3.505
3.510
3.515
3.520
Consumo
0 50 100 150
0.990
0.991
0.992
0.993
0.994
0.995
0.996
0.997
0.998
0.999
1.000
Choque de productividad
Respuesta
0 =
1
_
K
t+1
K
t+2
K
t
K
t+1
_
K
1
t
3.3. Horizonte innito
En general el problema de Ramsey se plantea en horizonte innito (T ). La razn es que no hay un
T natural para el horizonte de una economa. Existen consecuencias grandes de suponer T como por ejemplo
que los problemas scales no pueden ser analizados en toda su extensin.
3.3.1. Utilidad recursiva. Se dice que un problema es recursivo si las decisiones presentes y futuras
de los agentes son independientes de las decisiones pasadas. Por ejemplo, en los ejemplos anteriores las
decisiones de consumo de los agentes en t dependen del capital en t y del consumo en t +1 y no del
consumo anterior en t. De otra forma, la informacin relevante del ujo pasado de consumos est contenida
en el stock de capital t. Esto es, esta variable contiene toda la informacin relevante para las decisiones de t
en adelante. A este tipo de variable se les llama variables de estado.
La separabilidad de las decisiones depende de la forma de la funcin de utilidad. Este es el caso de la
CES y la suma de logs usados hasta el momento. Existe una familia de funciones de utilidad que cumplen
con esta propiedad que se llamada TAS (Time additive separable). Las funciones de utilidad TAS se pueden
expresar recursivamente como
(3.3.1) U
t
= u(C
t
) +U
t+1
(0, 1).
es el factor de descuento u u : [0, ] R se le conoce como la funcin de utilidad instantnea. u(C
t
) tiene
las siguientes propiedades:
1. u(C
t
) > 0 t = 1, . . . , T
2. u
(C
t
) > 0 t = 1, . . . , T con lm
c
t
0
u
(c
t
)
3. u
(C
t
) < 0 t = 1, . . . , T.
Iterando la ecuacin 3.3.1 se tiene
U
t
=u(C
t
) +U
t+1
=u(C
t
) +u(C
t+1
) +
2
U
t+2
.
.
.
=
T
s=0
s
u(C
t+s
) +
T
U
t+T
y cuando T entonces
U
t
=
s=0
s
u(C
t+s
).
Para que U
t
represente una medicin que permita ordenar diferente sendas de consumo se necesita que U
t
sea acotada, esto es que U
t
< para cualquier senda de consumo.
3.3.2. Problema de Ramsey en horizonte innito.
m ax
{c
t
}
T
1
,{W
t
}
T1
2
s=0
s
u(C
t+s
)
s.t
K
t+1
+C
t
f (K
t
)
0 C
t
0 K
t+1
siendo K
0
el capital inicial y f (K
t
) la funcin de produccin que se asume tiene los siguientes supuestos:
1. f (K
t
) > 0 para todo T
2. f
(K
t
) > 0 para todo T con lm
K
t
0
f
(K)
3. f
(K
t
) < 0 para todo T.
Solucin del problema de optimizacin con KT. El teorema de KT se puede aplicar aun cuando T
y en particular se puede usar la ecuacin auxiliar dada por
L =
t=0
t
[u(C
t
) +
t
( f (K
t
) C
t
K
t+1
) +
t
C
t
+
t+1
K
t+1
]
que se conoce como el Lagrangeano en valor corriente.
Las condiciones de primer orden seran:
t
u
(C
t
)
t
t
=0
t
+
t
t+1
+
t+1
t+1
f
(K
t+1
) =0
t
( f (K
t
) C
t
K
t+1
) =0
t
C
t
=0
t+1
K
t+1
=0
los multiplicadores
t+1
,
t
,
t
se reeren a los valores en t y los multiplicadores
t
t+1
,
t
t
,
t
t
a sus
valores descontados al tiempo inicial 0.
Las restricciones de positividad se cumplen al igual que en el problema de horizonte nito luego
t+1
y
t
son iguales a cero. Las F.O.C se reducen a
u
(C
t
) =
t
t+1
f
(K
t+1
) =0
f (K
t
) C
t
K
t+1
=0.
3.4. MODELO DE RAMSEY CON TRABAJO VARIABLE 25
Al igual que en problema de horizonte nitos tenemos una condicin de transversalidad que en ese caso
est dada por
T+1
K
T+1
=
T
K
T+1
. En el caso de T la condicin es simplemente el limite de la de
horizonte nito dada por
lm
t
t
K
t+1
= 0.
Una senda ptima de consumo y capital tiene como condiciones necesarias las condiciones de primer
orden junto con la condicin de transversalidad. Las condiciones de primer orden se pueden escribir como:
u
(C
t
) = u
(C
t+1
) f
(K
t+1
)
f (K
t
) =C
t
+K
t+1
la primera de las cuales el la ecuacin de Euler que relaciona la tasa marginal de sustitucin de consumo
presente con futuro con la productividad marginal del capital
u
(C
t
)
u
(C
t+1
)
= f
(K
t+1
).
Suponga que el agente disminuye en una unidad su consumo hoy (t) lo cual le cuesta en trminos
de su utilidad u
(c
t
) unidades y que por tanto guarda esta unidad como capital para el perodo siguiente.
Lo cual le produce f
(K
t+1
) unidades en t +1. Estas unidades en trminos de utilidad en t +1equivalen a
f
(K
t+1
)u
(C
t+1
) que puestas en utilidades del tiempo t son f
(K
t+1
)u
(C
t+1
). De esta forma el consumidor
estara dispuesto a postergar consumo presente hasta el punto en el cual el costo marginal sea igual al
benecio marginal.
3.3.3. Mtodos de numricos de solucin. En muchos caso no tenemos solucin analtica de un
problema de optimizacin. Sin embargo, si es posible aproximar la solucin del problema usando mtodos
numricos. Los mtodos ms comunes para esto son el la iteracin Backward y la iteracin Foreward. En el
primer caso, el algorithmo se comienza usando el estado estacionario y itera hacia atrs. Esto es, empezando
en K
hacia K
0
. En el segundo caso, se itera de K
o
hacia K
T
donde T es un valor grande de T en el cual sea
crea que K
T
K
. Una descripcin del mtodo Backward se encuentra en el Apndice.

El mtodo Foreward es muy simple y es un caso general del mtodo de solucin para el caso de horizonte
nito. La mayor diferencia es que no se impone un condicin de K
T
= 0 para ningn K y que el problema
se resuelve primero para un T dada la solucin este se resuelve para un T
> T y se compara la solucin. Si

esta no cambia mucho entonces se asume que se tienen las sendas ptimas de capital y consumo para el caso
de horizonte innito.
La solucin al problema de Ramsey de horizonte innito calculada usando la iteracion hacia adelante
se puede ver en la Grca 3.3.1
3.4. Modelo de Ramsey con trabajo variable
El modelo de Ramsey con trabajo variable se resume en el siguiente problema de maximizacin
m ax
t=0
t
u(C
t
, 1L
t
)
s.t K
t+1
+C
t
f (K
t
, L
t
)
0 C
t
0 K
t+1
0 L
t
1
siendo L
t
las horas de trabajo y (1 L
t
) el ocio el cual. Notece que el ocio se valora positivamente en la
funcin de utilidad.
En el presente modelo no tenemos crecimiento de la poblacin ni crecimiento de la productividad.
En caso de tener alguna fuente de crecimiento es necesario estandarizar el sistema antes de encontrar las
condiciones de primer orden. Resulta que cuando tenemos en trabajo en el modelo esta estandarizacin
no es trivial. Al nal del esta seccin veremos unos casos particulares de estadarizacin. Por el momento,
supongamos que no tenemos fuentes de crecimiento.
Escribiendo el sistema en trminos
FIGURA 3.3.1. Solucion Forward Ramsey Innito
0 10 20 30 40 50 60 70 80 90 100 110
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
Capital
0 10 20 30 40 50 60 70 80 90 100
0.340
0.345
0.350
0.355
0.360
0.365
0.370
0.375
0.380
0.385
0.390
Consumo
L =
t=0
t
[u(C
t
, h
t
) +
t
( f (K
t
, h
t
) C
t
K
t+1
) +
t
C
t
+
t+1
K
t+1
+
t
h
t
]
podemos encontrar las condiciones de primer orden asi:
t
_
u
c
(c
t
, h
t
)
t
+
t
_
= 0
t
_
u
h
(c
t
, 1L
t
) +
t
f
h
(K
t
, h
t
) +
t
_
= 0
t
(
t
+
t+1
) +
t+1
t+1
f
h
(K
t+1
, h
t+1
) = 0
Si se eliminan las condiciones de esquina tenemos
u
c
(c
t
, 1L
t+1
) =
t
u
L
(c
t
, 1L
t
) +u
c
(c
t
, h
t
) f
h
(K
t
, L
t
) = 0
u
c
(c
t+1
, 1L
t+1
) f
k
(K
t+1
, L
t+1
) = u
c
(c
t
, 1L
t+1
)
junto con las siguientes restricciones
t
( f (K
t
, L
t
) C
t
K
t+1
) = 0
t
C
t
= 0
t+1
K
t+1
= 0
t
h
t
= 0
Esto es, las condiciones de primer orden se simplican as:
u
L
(C
t
, 1L
t
)
u
c
(C
t
, 1L
t
)
= f
L
(K
t
, L
t
)
u
c
(c
t
, h
t
)
u
c
(c
t+1
, 1L
t+1
)
= f
K
(K
t+1
, L
t+1
)
f (K
t
, L
t
) C
t
K
t+1
= 0
Estas son, la condicin de equilibrio para el trabajo, que dice que la tasa marginal de sustitucion entre
consumo y ocio debe ser igual a la productividad marginal del trabajo. La ecuacin de Euler y la restriccin
de recursos de la economa. Adems sabemos que se debe cumplir la condicin de transversalidad dada por
lm
t
t
u
c
(C
t
, 1L
t
)K
t+1
= 0.
Como vimos en el modelo de equilibrio general de dos perodos incluir trabajo en la funcin de utilidad
implica que se deben tener en cuenta los efectos sustitucin e ingreso de movimientos en la productividad
marginal del trabajo (salario). Esto es, si el agente observa un aumento transitorio en la productividad mar-
ginal del trabajo tenemos dos efectos contrarios: el efecto sustitucin y el efecto ingreso. Ambos efectos son
tanto intratemporales como intertemporales. Esto es, un aumento en la productividad marginal del trabajo
implica que a un nivel dado de trabajo el agente produce mas (mas cosecha). Al mismo tiempo, sin embargo,
el aumento en la productividad marginal del trabajo aumenta el costo relativo de aumentar una unidad de
ocio que lo insentiva a ofrecer mas trabajo.
Esto es, por efecto ingreso tendriamos que
u
L
( C
t
, 1 L
t
)
u
c
( C
t
, 1 L
t
)
= f
L
(K
t
, L
t
)
mientras que por el efecto sustitucin se tiene que
u
L
( C
t
, 1 L
t
)
u
c
( C
t
, 1 L
t
)
= f
L
(K
t
, L
t
).
La temporalidad de choque tambien tiene implicaciones signicativas sobre el resultado nal. Dado que
el aumento es temporal, el agente tiene un insentivo a sustituir consumo de hoy por ocio aumentando la
cantidad ofrecida de trabajo hoy lo que le permite un mayor ingreso salarial hoy frente al futuro. Parte de
este ingreso adicional lo puede ahorrar (invertir) y asi consumirlo en el futuro cuando su ingreso salarial
este mas bajo. Momento en el cual, tendra una oferta laboral inferior. Como en el modelo de dos perodos
necesitamos que el efecto suistitucin domine sobre el efecto ingreso para que la curva de oferta de trabajo
tenga pendiente positiva.
Una familia de funciones de utilidad muy usadas en macroeconoma son las que tienen elasticidad
constante de sustitucin con respecto al consumo:
U(C, 1L) =
_
C
(1)
(1L) si = 0
lnC+ (1L) si = 0
siendo la elasticidad de la utilidad marginal del consumo y (1L) una funcin tal que U(C, 1L) sea
cncava. Ejemplos de esta funcin son:
U(C, 1L) =
_
_
(C
t
L
t
)
1
1
siendo < 0
C
1
t
(1N
t
)
(1)
1
siendo <

(1)
lnC
t
+Bln(1h
t
)
en esta ltima la elasticidad de sustitucin entre consumo y ocio es constante e igual a uno.
3.4.1. Solucin. Para encontrar la solucin se necesita dar formas funcionales explicitas. Supongamos
que la funcin de subutilidad es
u(c
t
, (1L
t
)) =
C
1
t
(1L
t
)
(1)
1
y que la funcion de produccion esta dada por
y
t
= K
(1)
t
L
t
+(1)K
t
.
Usando el multiplicador de Lagrange es facil obtener las condiciones de primer orden:
L =
t=0
t
_
C
1
t
(1L
t
)
(1)
1
+
t
_
K
1
t
L
t
+(1)K
t
C
t
K
t+1
_
_
luego las condiciones de primer orden estan dadas por
t
= C
t
(1L
t
)
(1)
t
=
t+1
_
(1)
_
L
t+1
K
t+1
_
+(1)
_
(1L
t
)
((1)1)
C
1
t
=
t
_
K
t
L
t
_
1
junto con la restriccin de recursos. Estas condiciones se pueden simplicar mas asi:
(1L
t
)
((1)1)
C
1
t
=
t
_
K
t
L
t
_
1
= C
t
(1L
t
)
(1)
_
K
t
L
t
_
1
C
t
(1L
t
)
=
_
K
t
L
t
_
1
y la ecuacin de Euler sera
C
t
(1L
t
)
(1)
= C
t+1
(1L
t+1
)
(1)
_
(1)
_
L
t+1
K
t+1
_
+(1)
_
1 =
_
C
t
C
t+1
_
_
1L
t+1
1L
t
_
(1)
_
(1)
_
L
t+1
K
t+1
_
+(1)
_
.
En resumen, las condiciones de primer orden para el modelo de Ramsey con capital y trabajo seran:
1 =
_
C
t
C
t+1
_
_
1L
t+1
1L
t
_
(1)
_
(1)
_
L
t+1
K
t+1
_
+(1)
_
C
t
(1L
t
)
= (1)
_
K
t
L
t
_
C
t
= K
1
t
L
t
+(1)K
t
K
t+1
.
Al igual que en el modelo anterior, una posible solucin al modelo de Ramsey es su estado estacionario. El
cual est dado por:
1 =
_
(1)
_
L
K
_
+(1)
_
C
(1L)
= (1)
_
K
L
_
C = K
(1)
L
K
La solucin analtica esta dada por
_
1 (1)
(1)
_ 1
K = L
GK = L
siendo G =
_
1(1)
(1)
_ 1
.
_
K
1
(GK)
K
_
(1GK)
=
_
K
L
_
1
_
K
1
(GK)
K
_
(1GK)
=
_
K
GK
_
1
_
K
1
(GK)
K
_
(1GK)
=
_
1
G
_
1
(G
)K = (1GK)G
(1)
= G
(1)
G
1(1)
K
= G
(1)
G
K
[ (G
) +G
] K = G
(1)
K = [ (G
) +G
]
1
G
(1)
.
Una vez encontrado el valor de K es fcil determinar los valores de estado estacionario para L,C,Y, I.
Por ejemplo el consumo de estado estacionario sera,
C = K
1
L
K
= K
1
(GK)
K
= KG
K
C = [G
] K
A pesar de que el sistema de ecuaciones de estado estacionario tiene una solucin analtica, es posible
usar el computador para encontrar la solucin numerica. Para hacerlo lo que se necesita es escribir las
condiciones de primer orden de largo plazo. Esto es, tenemos tres ecuaciones para determinar el valor de
(C, K, L) las cuales se deben escribir como ceros en el computador. Esto es,
0 =
_
(1)
_
L
K
_
+(1)
_
1
0 =
_
K
L
_
1
C
(1L)
0 = K
(1)
L
KC
El problema numrico se puede simplicar si podemos disminuir este sistema de ecuaciones y esto es
posible pues tenemos una expresin del consumo en trminos del capital y del trabajo
0 =
_
(1)
_
L
K
_
+(1)
_
1
0 =
_
K
L
_
1
_
K
1
L
K
_
(1L)
.
Este sistema tiene dos ecuaciones para dos incognitas (K, L). Otra cosa que puede ayudar es que sabemos que
el capital es positivo y que el trabajo esta entre 0 y 1. Luego es posible escribir el problema de optimizacin
en trminos de
L = (1+exp(x1))
1
K = exp(x2)
siendo (x1, x2)las variables sobre las cuales se hace la optimizacin. El programa RamseyLR.sci para los
dos mtodos de solucin.
FIGURA 3.4.1. Solucin modelo de Ramsey con trabajo variable
0 5 10 15 20 25
2.20
2.25
2.30
2.35
2.40
2.45
2.50
Capital
0 5 10 15 20 25
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
Trabajo
0 5 10 15 20 25
0.28
0.29
0.30
0.31
0.32
0.33
0.34
0.35
0.36
Producto
0 5 10 15 20 25
0.240
0.245
0.250
0.255
0.260
0.265
Consumo
0 5 10 15 20 25
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
Inversion
0 5 10 15 20 25
0.030
0.032
0.034
0.036
0.038
0.040
0.042
0.044
pmg Capital
0 5 10 15 20 25
1.42
1.44
1.46
1.48
1.50
1.52
1.54
1.56
1.58
1.60
1.62
pmg Trabajo
Si estamos interesados en encontrar la solucin del modelo podemos usar una algoritmo similar al
que empleamos en el modelo sin trabajo. En este caso particular necesitamos usar el siguiente conjunto de
ecuaciones
0 =
_
C
t
C
t+1
_
_
1L
t+1
1L
t
_
(1)
_
1
_
L
t+1
K
t+1
_
+(1)
_
1
0 =
_
K
t
L
t
_
1
_
K
1
t
L
t
+(1)K
t
K
t+1
_
(1L
t
)
las cuales se cumplen para t = 1, . . . , T.
La grco 3.4.1 muestra la solucin del modelo de Ramsey con trabajo variable. El supuesto es que el
capital inicial esta por debajo del de estado estacionario y lo que las grcas muetran es la convergencia del
sistema al nivel de estado estacionario. Como se puede ver, a ese nivel de capital, el producto marginal es
alto lo que implica una renta esperada alta para la inversion o que el consumo de hoy es costoso por lo tanto,
los hogares tienen un incentivo a aumentar la inversion y disminuir el consumo. La cada del consumo
implica la relacin marginal de sustitucin de consumo y ocio cae lo que implica un aumento en la
oferta de trabajo. Esto es, los hogares estan dispuestos a ofrecer un mayor nivel de trabajo a un
salario dado.
3.5. Modelo de Ramsey con trabajo variable solucionado por el Mercado
En esta seccin retomamos el modelo de Ramsey pero lo solucionamos a traves del mercado. Esto es,
en esta seccion asumimos que hay un continuo de hogares que trabajan en competencia perfecta y toman
desiciones de consumo y trabajo dada la tasa de interes y el salario. Asi mismo, las rmas contratan el trabajo
y el capital dada una renta de capital y el salario.
3.5.1. Hogares. Existe un continuo de hogares identicos indexados en el intervalo (0, 1). Se supone
que cada hogar puede proveer hasta una unidad de trabajo al mercado laboral. Como los hogares son identi-
cos se puede tomar uno representativo (todos toman las mismas decisiones) y luego integrar en el intervalo
(0, 1) para obtener la solucin agregada.
3.5. MODELO DE RAMSEY CON TRABAJO VARIABLE SOLUCIONADO POR EL MERCADO 31
Se supone que los individuos derivan su utilidad de consumo y ocio u
_
c
i
t
, 1l
i
t
_
. Suponemos que la uti-
lidad tiene las mismas propiedades que el modelo caso anterior. Esto es, la funcin de sub-utilidad pertenece
U(C, 1L) =
_
C
(1)
(1L) si = 0
lnC+ (1L) si = 0
.
Por comparacin usamos la misma funcin de utilidad del ejercicio anterior.
La hogares reciben ingreso por trabajo y la renta de capital, y deben decidir cuanto consumir y cuanto
invertir. El problema general del i-esimo hogar representativo es:
m ax
t=0
u
_
c
i
t
,
_
1l
i
t
__
s.t
c
i
t
= w
t
l
i
t
+r
r
k
i
t
I
i
t
k
i
t+1
= (1)k
i
t
+I
i
t
siendo w
t
y r
t
el salario por hora y la renta del capital.
El problema del hogar se puede expresar usando el Lagrangeano
L =
t=0
t
_
_
c
i
t
_
1
_
1l
i
t
_
(1)
1
+
1t
_
w
t
l
i
t
+r
r
k
i
t
I
i
t
c
i
t
_
+
t2
_
(1)k
i
t
+I
i
t
k
i
t+1
_
_
y las condiciones de primer orden son:
Consumo:
_
c
i
t
_
_
1l
i
t
_
(1)
it
= 0
Trabajo:
_
c
i
t
_
1
_
1l
i
t
_
(1)1
+
1t
w
t
= 0
Inversion:
1t
+
2t
= 0
Capital
2t
+ [
1t+1
r
t+1
+
2t+1
(1)] = 0
Restricciones:
c
i
t
= w
t
l
i
t
+r
r
k
i
t
I
i
t
k
i
t+1
= (1)k
i
t
+I
i
t
Estas condiciones de primer orden se pueden simplicar asi:
_
c
i
t
_
_
1l
i
t
_
(1)
=
it
_
c
i
t
_
1
_
1l
i
t
_
(1)1
+
_
c
i
t
_
_
1l
i
t
_
(1)
w
t
= 0
1t
+
1t+1
[r
t+1
+(1)] = 0
1t
=
1t+1
[r
t+1
+(1)]
_
c
i
t
_
_
1l
i
t
_
(1)
=
_
c
i
t+1
_
_
1l
i
t+1
_
(1)
[r
t+1
+(1)]
1 =
_
c
i
t+1
_
_
1l
i
t+1
_
(1)
[r
t+1
+(1)]
_
c
i
t
_
_
1l
i
t
_
(1)
1 =
_
c
i
t+1
c
i
t
_
_
1l
i
t+1
1l
i
t
_
(1)
[r
t+1
+(1)]
Resumiendo, las condiciones de primer orden son:
_
c
i
t+1
c
i
t
_
_
1l
i
t
1l
i
t+1
_
(1)
= [r
t+1
+(1)]
c
i
t
_
1l
i
t
_ = w
t
k
i
t+1
= (1)k
i
t
+I
i
t
c
i
t
= w
t
l
i
t
+r
r
k
i
t
I
i
t
En cada momento el agente debe decidir sobre c
i
t
,l
i
t
,k
i
t+1
y I
i
t
para lo cual tenemos cuatro ecuaciones que
se cumplen en cada t.
Este conjunto de condiciones de primer orden son las condiciones individuales. Como todos los agentes
son iguales entonces todos deben tomas las mismas desciones y por lo tanto se pueden reescribir para el
conjunto agregrado. La agregacion consiste en sumar las cantidades de c
i
t
,l
i
t
,k
i
t+1
y I
i
t
para todo i
C
t
=
1
0
c
i
t
di K
t
=
1
0
k
i
t
di
L
t
=
1
0
l
i
t
di I
t
=
1
0
I
i
t
di
Tomemos el caso del consumo
C
t
=
1
0
c
i
t
di =
1
0
C
t
di
C
t
1
0
di =C
t
(1).
Esto es, la suma del consumo percapita es igual al consumo agregado percapita. Lo mismo tenemos para las
demas variables de los hogares. Esto es, el capital y el trabajo disponible para las rmas es igual a:
L
t
= l
t
1
0
di K
t
= K
t
1
t
di
que corresponde al total de capital y trabajo ofrecido por los hogares.
3.5.2. Firmas. Suponemos que hay una rma agregada que produce en competencia perfecta y que
tiene rendimientos constantes a escala en la produccion. El problema de la rma es maximizar benecios
dados los salarios y la tasa de renta del capital. Esto es,
m ax y
t
w
t
L
t
r
r
K
t
s.t y
t
= F(K
t
, L
t
)
El problema es estandar y se puede resolver usando como un problema de optimizacion no restringida
reemplazando la restriccion en la funcion objetivo. Esto es,
3.6. MODELO DE RAMSEY CON DISTORCIONES 33
m ax
(L
t
,K
t
)
F(K
t
, L
t
) w
t
L
t
r
r
K
t
.
Las condiciones de primer orden son:
F
K
(K
t
, L
t
) r
t
= 0
F
L
(K
t
, L
t
) w
t
= 0.
Luego las condiciones son las estandar de la rma e implican que el salario es igual al produto marginal del
trabajo y que la renta del capital es igual a la productividad marginal del capital.
3.5.3. Equlibrio. La siguientes ecuaciones entonces caracterizan el equilibrio. Por el lado de los ho-
gares tenemos:
_
C
t+1
C
t
_
_
1L
t
1L
t+1
_
(1)
= [r
t+1
+(1)]
C
t
(1L
t
)
= w
t
K
t+1
= (1)K
t
+I
t
C
t
= w
t
L
t
+r
r
K
t
I
t
y por el lado de las rmas tenemos:
F
K
(K
t
, L
t
) = r
t
F
L
(K
t
, L
t
) = w
t
Lo interesante de estan condiciones de primer orden es que se pueden expresar como las codiciones de
primer orden derivadas para el mismo problema pero resuelto por el planicador central. Veamos:
_
C
t+1
C
t
_
_
1L
t
1L
t+1
_
(1)
= [F
K
(K
t
, L
t
) +(1)]
C
t
(1L
t
)
= F
L
(K
t
, L
t
)
K
t+1
= (1)K
t
+I
t
C
t
= F
L
(K
t
, L
t
)L
t
+F
K
(K
t
, L
t
)K
t
I
t
Ahora, sabemos que las rmas operan en competencia perfecta y que por tanto sus benecios son cero.
Luego
F
L
(K
t
, L
t
)L
t
+F
K
(K
t
, L
t
)K
t
= F(K
t
, L
t
)
y por tanto la ultima ecuacion se puede escribir como
C
t
= F(K
t
, L
t
) I
t
y reemplazando la ecuacion de evolucion del capital tendriamos que
C
t
= F(K
t
, L
t
) +(1)K
t
K
t+1
que es la ecuacion de la solucion por el lado del planicado central. Como las condiciones de primer orden
son iguales pues la solucion tiene que ser igual.
3.6. Modelo de Ramsey con distorciones
Este queda de tarea.
3.7. Programacin no lineal con incertidumbre
En este modulo consideramos la solucin del problema de Ramsey cuando hay incertidumbre y asumi-
mos que la funcin de produccin esta sujeta a choques de productividad. De esta forma el producto en el
perodo t no slo depende del capital en t pero tambin de la realizacin del choque de productividad. El
ejemplo tpico sera el de un granjero el cual al sembrar tiene en cuenta el nivel de lluvia. Si hay mucha o
poca lluvia la cosecha es mala. Por el contrario, cuando el nivel de lluvia es bueno la cosecha tambin lo
es. Bajo incertidumbre, el granjero determina su nivel de consumo una vez observado el nivel de lluvia y no
determina cuanto consumir en el futuro puesto que no sabe cuanto es el choque de lluvias o productividad en
el futuro. A diferencia del caso determinstico, en el problema estocstico se tiene ms informacin a media
que el tiempo corre.
3.8. Modelo de Ramsey con incertidumbre
Como el consumo futuro es un variable aleatoria la funcin objetivo esta dada por
E
0
t=0
t
u(C
t
)
siendo E
o
[] la expectativa condicionada en la informacin en t = 0 de las variables aleatorias C
t
t=1
. Esto es,
el objetivo del agente es maximizar la funcin de utilidad esperada. Dado todo lo anterior el problema de
maximizacin se puede escribir de la forma:
m ax
C
0
E
0
t=0
t
u(C
t
)
s.t
K
t+1
+C
t
Z
t
f (K
t
) +(1)K
t
0 C
t
0 K
t+1
Ntese que en este caso dada la informacin en cero el granjero determina C
0
y por lo tanto K
1
dada
K
0
y Z
0
. En el perodo 1 el granjero determina C
1
y K
2
asumiendo como dada K
1
, Z
1
. Sin embargo, C
1
es
estocstica dada la informacin disponible en 0 pues no conocemos Z
1
. Basados en el anterior argumento
se puede ver que el problema de optimizacin se resuelve de manera secuencial as: Primero se revuelve el
problema para C
0
y K
1
dados Z
0
y K
0
luego se revuelve el problema para C
1
dados K
1
y Z
1
donde K
1
es el
valor ptimo del capital dada la informacin hasta cero. Esto es,
L =E
0
_

t=0
t
[u(C
t
) +
t
(Z
t
f (K
t
) +(1)K
t
K
t+1
C
t
) +
t
C
t
+
t+1
K
t+1
]
_
que tiene como condiciones de primer orden
E
0
_
u
(c
0
)
0
+
0
= 0
E
0
_
0
+
1
+
1
_
Z
1
f
(K
1
) +(1)
_
= 0
E
0
[Z
0
f (K
0
) +(1)K
0
K
1
C
0
] = 0
1
K
1
= 0
0
C
0
= 0.
De igual forma para t = 1 tenemos
L =E
1
_

t=1
t1
[u(C
t
) +
t
(Z
t
f (K
t
) +(1)K
t
K
t+1
C
t
) +
t
C
t
+
t+1
K
t+1
]
_
y las condiciones de primer orden estaran dadas por
3.9. MTODOS DE SOLUCIN NUMRICOS: 35
E
1
_
u
(c
1
)
1
+
1
= 0
E
1
_
1
+
2
+
2
_
Z
2
f
(K
2
) +(1)
_
= 0
E
1
[Z
1
f (K
1
) +(1)K
1
K
2
C
1
] = 0
2
K
2
= 0
1
C
1
= 0.
y as para t =t tendramos
L =E
t
_

s=t
st
[u(C
s
) +
s
(Z
s
f (K
s
) +(1)K
s
K
s+1
C
s
) +
s
C
s
+
s+1
K
s+1
]
_
junto con las condiciones de primer orden
E
t
_
u
(c
t
)
t
+
t
= 0
E
t
_
t
+
t+1
+
t+1
_
Z
t+1
f
(K
t+1
) +(1)
_
= 0
E
t
[Z
t
f (K
t
) +(1)K
t
K
t
C
t
] = 0
t+1
K
t+1
= 0
t
C
t
= 0.
Si se consideran solo soluciones interiores entonces
t
=
t+1
=0 lo cual implica que para t tendramos
las siguientes condiciones de primer orden
u
(c
t
) =
t
E
t
_
t+1
_
Z
t+1
f
(K
t+1
) +(1)
_
=
t
Z
t
f (K
t
) +(1)K
t
K
t+1
C
t
= 0
y combinando las condiciones uno y dos tenemos
E
t
_
u
(C
t+1
)
_
Z
t+1
f
(K
t+1
) +(1)
_
= u
(C
t
)
Z
t
f (K
t
) +(1)K
t
K
t+1
= C
t
La primera ecuacin es la versin estocstica de la condicin de Euler y la segunda es la restriccin de
presupuesto.
Para la solucin numrica del problema de optimizacin es ms conveniente reescribir todas las ecua-
ciones en funcin del capital. Puesto que el nmero de ecuaciones de reduce en la mitad. De esta forma, la
ecuacin de Euler tambin se puede escribir como:
E
t
[u
(C
t+1
)(Z
t+1
f
(K
t+1
) +(1))]
u
(C
t
)
= 1
E
t
(Z
t+1
f (K
t+1
) +(1)K
t+1
K
t+2
)
u
(Z
t
f (K
t
) +(1)K
t
K
t+1
)
_
Z
t+1
f
(K
t+1
) +(1)
_
= 1
3.9. Mtodos de solucin numricos:
En esta seccin veremos uno de los posibles mtodos de solucin para este sistema de ecuaciones.
Existen otros que se basan en aproximaciones de Taylor de las condiciones de primer orden. El mtodo que
veremos en esta seccin se conoce como Extended Deterministic Path. La idea del algorithmo es la siguiente:
Suponga que en el perodo t el agente observa el choque Z
t
. Si adems, Z
t+s
= Z para s = 1, . . . ,entonces
la solucin debera ser igual a la solucin del modelo determinstico en el cual K
T
con T sucientemente
grande debe ser igual a K
. De esta forma, el valor de K

t+1
de la senda convergente corresponde al valor
de capital para t +1 bajo los supuestos de previsin perfecta y de que no hay choques adicionales. Una vez
determinado el valor de K
t+1
se puede encontrar K
t+2
si se le un choque Z
t+1
al modelo.
FIGURA 3.9.1. Respuesta a un choque de productividad en el modelo de Ramsey.
0 50 100 150
54.65
54.70
54.75
54.80
54.85
54.90
54.95
55.00
55.05
Capital
0 50 100 150
3.500
3.505
3.510
3.515
3.520
Consumo
0 50 100 150
0.990
0.991
0.992
0.993
0.994
0.995
0.996
0.997
0.998
0.999
1.000
Choque de productividad
(A) Impulso respuesta
Deterministic Extended Path. La mejor manera de ver como funciona el algorithmo es mediante un
ejemplo. Suponga que
m ax
{c
t
}
E
0
[
t=0
t
C
1
t
1
] > 0, (0, 1)
s.t
K
t+1
+C
t
Z
t
f (K
t
) +(1)K
t
0 C
t
0 K
t
Z
t
= Z
t1
exp
t
En este ejemplo suponemos que Z
t
sigue un proceso autorregresivo estacionario y que su media es 1.
De esta forma, los agentes conocen que un choque en t = 0 se mantiene por un nmero largo de perodos.
Las condiciones de primer orden para este problema son las siguientes. Si se supone que hay un choque solo
en t = 0 entonces tendramos las siguientes F.O.C. Para t = 0
(Z
0
f (K
1
) +(1)K
1
K
2
)
u
(Z
0
f (K
0
) +(1)K
0
K
1
)
_
Z
0
f
(K
1
) +(1)
_
=
1
.
Para t = 1 con un choque en t = 0 tendramos
(Z
2
0
f (K
2
) +(1)K
2
K
3
)
u
(Z
0
f (K
1
) +(1)K
1
K
2
)
_
Z
2
0
f
(K
2
) +(1)
_
=
1
y as para t = T 1con T sucientemente largo se tendra
(Z
T1
0
f (K
T1
) +(1)K
T1
K
)
u
(Z
0
f (K
T2
) +(1)K
T1
K
T2
)
_
Z
2
0
f
(K
T2
) +(1)
_
=
1
.
Este es un conjunto de T 1 ecuaciones para encontrar T 1 capitales K
1
, K
2
, . . . , K
T1
. El K
T
se supone
igual al de estado estacionario. Vase la ltima ecuacin.
La gura 3.9.1 muestra las trayectorias del consumo, el capital y el choque de productividad en el
modelo de Ramsey. El choque negativo de productividad reduce el ingreso de los agentes (menos cosecha)
y como consecuencia de esto el agente disminuye su consumo pero en una proporcin menor a la cada del
3.9. MTODOS DE SOLUCIN NUMRICOS: 37
ingreso. La razn de esto es que dada la utilidad marginal decreciente de los agentes el agente esta mejor
cuando distribuye la prdida de consumo en el tiempo. El comportamiento del capital se puede explicar por
dos efectos. Primero, la productividad marginal del capital es baja y segundo el comportamiento del consumo
implica que tiene menos recursos para invertir. Los dos efectos sumados entonces explican la evolucin del
capital el cual permanece por debajo de su nivel de estado estacionario por un perodo largo de tiempo.
El mismo algorithmo se puede utilizar generar realizaciones del modelo. En este caso, se tiene que tener
en cuenta dos cosas: Primero, en cada t el modelo recibe un choque y por tanto para cada t se debe resolver el
sistema de T 1 ecuaciones. Segundo, de la solucin para cada t solo se usa el capital del perodo siguiente,
el cual se toma como dado en t +1.
Captulo 4
Programacin dinmica
En este captulo veremos otro mtodo de solucin de los problemas de optimizacin. Que se basa en la
funcin valor un concepto muy similar al de la funcin indirecta de utilidad en el problema de maximizacin
de utilidad en la microeconoma.
4.1. Utilidad indirecta
Considere el siguiente problema de maximizacin de utilidad
max u(c
1
, c
2
)
st y = p
1
c
1
+ p
2
c
2
en este problema se conocen (p
1
, p
2
, y) y se busca encontrar la combinacin de c
1
y c
2
que maximizan la
utilidad. La funcin indirecta de utilidad es la funcin de utilidad evaluada en las decisiones ptimas y por
tanto es funcin de los precios y del ingreso. Por el teorema de K-T tenemos las siguientes condiciones de
primero orden:
u
c
1
(c
1
, c
2
) p
1
= 0
u
c
2
(c
1
, c
2
) p
2
= 0
(y p
1
c
1
p
2
c
2
) = 0
De estas condiciones de primer orden se tiene que:
(4.1.1) =
u
c
1
(c
1
, c
2
)
p
1
(4.1.2) =
u
c
2
(c
1
, c
2
)
p
2
(4.1.3) y = pc
1
+ p
2
c
2
Combinando las ecuaciones 4.1.1 y 4.1.2 se tiene
u
c
1
(c
1
,c
2
)
p
1
=
u
c
2
(c
1
,c
2
)
p
2
que es la conocida condicin de
optimalidad. A su vez de 4.1.1 o 4.1.2 se sabe que > 0 puesto que u
c
j
(c
1
, c
2
) > 0 por lo cual 4.1.3 se
cumple. Adems, dado que lm
c0
u
c
j
(c
1
, c
2
) para j = 1, 2 se tiene que los agentes gastan su ingreso
en cantidades positivas de (c
1
, c
2
).
En resumen, la restriccin de presupuesto y las condiciones de optimalidad nos dan la informacin
para establecer los consumos ptimos de c
1
y c
2
dados los precios y el ingreso. Estos a su vez se pueden
reemplazar en la funcin de utilidad y tendramos la utilidad indirecta. Supongamos que, u(c
1
, c
2
) =logc
1
+
logc
2
entonces:
p
1
c
1
= p
2
c
2
.
Dado que y = p
1
c
1
+ p
2
c
2
y que c
2
=
p
1
p
2
c
1
entonces
c
1
=
y
2p
1
39
40 4. PROGRAMACIN DINMICA
c
2
=
y
2p
2
.
La funcin indirecta de utilidad sera:
V(p
1
, p
2
, y) = 2logy log2p
2
log2p
1
La funcin indirecta de utilidad predice cual es el nivel de utilidad mximo de un agente que maximiza
dados los precios y el ingreso. De esta forma esta funcin se puede usar para saber cual es el efecto de un
aumento en el ingreso y/o los precios sobre la utilidad total slo sabiendo que los agentes maximizan. En el
caso del ejemplo podemos ver que pasa a la utilidad mxima ante un aumento el ingreso en un unidad
V
y
(p
1
, p
2
, y) =
2
y
luego el aumento del ingreso en una unidad genera un aumento equivalente a 2/y unidades de utilidad.
El efecto de un aumento en el ingreso sobre la utilidad mxima debe ser igual al multiplicador de la
restriccin de ingreso . Esto se puede ver usando las condiciones de primer orden
=
u
c
1
(c
1
, c
2
)
p
1
luego
=
1
c
1
p
1
=
2p
1
yp
1
=
2
y
.
En general necesitamos saber que
V
y
(p
1
, p
2
, y) =
u
c
1
(c
1
, c
2
)
p
1
=
u
c
2
(c
1
, c
2
)
p
2
El mismo ejercicio se puede hacer para un rma que maximiza benecios dados los salarios y el nivel de
capital. De esta forma, la derivada de la funcin de mximo benecio dara el valor de una variacin del
capital dentro de la rma.
Ntese que lo nico que se necesita saber es que los agentes estn maximizando para calcular el efecto
sobre la utilidad total. Esto es, la forma en que los agentes distribuyen el ingreso adicional no es importante
para determinar el efecto sobre la utilidad o benecios.
4.2. Introduccin a la Programacin dinmica
Suponga que un agente tiene T perodos para comerse un torta de tamao W
0
. Adems se sabe que el
torta no pierde tamao o calidad en el tiempo. La idea de la programacin dinmica es encontrar la secuencia
de consumo ptima de torta dados unas preferencias de los consumidores. Suponga que la utilidad que el
consumidor deriva de comer el torta esta dada por
T
t=0
t
u(C
t
)
donde u(.) mide el ujo de utilidad del consumo en t y que esta funcin tiene las caracteristicas que se
mensionaron antes.
La programacin dinmica convierte un problema de T perodos en uno de dos as: Como se vio, la
solucin de un problema de optimizacin se puede condensar en la funcin indirecta de utilidad. En el caso
de la programacin dinmica esta se llama la funcin valor y mide el valor de la utilidad mxima que se
puede alcanzar dado un estado. Para el caso de la utilidad antes mencionado el estado estaba dado por los
precios y el ingreso, en el caso de la torta el estado est resumido en el tamao de ponque W
t
disponible en
el perodo t.
4.2. INTRODUCCIN A LA PROGRAMACIN DINMICA 41
Teniendo en cuenta esta denicin es posible entonces re-escribir el problema de optimizacin de T
perodos como uno de dos perodos as: Suponga que en t = 0 la torta es de tamao W
0
y denote W
el
tamao ptimo de la torta en t = 1. Sea V(W
) la funcin valor o la utilidad mxima que se obtendra si

W =W
desde t = 1. Por la naturaleza de problema es usual diferenciar slo entre el estado de hoy y el de
maana los cuales se denotan de manera estndar como W y W
.
De manera intuitiva se puede partir el problema de optimizacin de T perodos en uno de dos as:
T
t=0
t
u(c
t
) =u(c
0
) +
T
t=1
t
u(c
t
)
=u(c
0
) +
T
t=1
t1
u(c
t
)
=u(c
0
) +V(W
1
).
donde V(W
1
) denota la mxima utilidad que se puede alcanzar si se llega a t = 1 con W
1
unidades de torta.
De manera ms exacta es posible escribir el problema de optimizacin como
V (W
) =
m ax
c
0
u(c
0
) +V(W
1
)
s.t W
1
=W
0
c
0
conW
o
dado. Es usual escribir el problema slo en funcin de las variables de estado en cuyo caso tendramos
el siguiente problema equivalente pero donde la variable de eleccin no es el consumo sino W.
V(W
) = m ax
W
1
u(W
0
W
1
) +V(W
1
)
V(W
) = m ax
c
0
u(W W
) +V(W
)
(4.2.1)
Esto es, el nivel ptimo de torta W
en t = 1 debe ser tal que se cumple la ecuacin 4.2.1 lo que implica que
W
satisface la siguiente condicin

u
(W W
) = V
(W
)
que es la condicin de primer orden del problema en 4.2.1 evaluada en el ptimo nivel de la variable de
estado en t +1. Ahora el problema con sta condicin es que no conocemos el valor de V
(W
). De conocer
V
(W
) podramos encontrar una funcin g() tal que W
= g(W) que relaciona el tamao de la torta de hoy

con el tamao ptimo para el perodo siguiente. Esta funcin se conoce como la funcin de poltica o funcin
de reaccin.
Una versin ms general. Sea x
t
un vector con variables de estado en el periodo t y sea y
t
un vector de
variables de control. Sea F (x
t
, y
t
) la funcin que se quiere maximizar. El problema de optimizacin dinmica
se puede representar como
V (W
) =
m ax
{y
t
}
t=0
t=0
t
F (x
t
, y
t
)
s.t x
t+1
= G(x
t
, y
t
)
siendo G(x
t
, y
t
) la ecuacin de evolucin de los estados. La ecuacin de Bellman para este problema se
puede encontrar con las siguientes recursiones
V (x
t
) = m ax
y
t
i=0
i
F (x
t+i
, y
t+i
)
= m ax
y
t
_
F (x
t
, y
t
) +m ax
i=1
i
F (x
t+i
, y
t+i
)
_
= m ax
y
t
_
F (x
t
, y
t
) +m ax
i=0
i+1
F (x
t+1+i
, y
t+1+i
)
_
= m ax
y
t
_
F (x
t
, y
t
) + m ax
i=0
i
F (x
t+1+i
, y
t+1+i
)
_
V (x
t
) = m ax
y
t
[F (x
t
, y
t
) +V (x
t+1
)] . (4.2.2)
Este resultado permite escribir un problema de maximizacin de innitos perodos como uno de dos
perodos: hoy y maana. Este problema se puede escribir como
V (x
t
) =
m ax
y
t
[F (x
t
, y
t
) +V (x
t+1
)]
s.t x
t+1
= G(x
t
, y
t
)
o slo en trminos de los estados como
(4.2.3) V (x
t
) = m ax
y
t
[F (x
t
, y
t
) +V (G(x
t
, y
t
))] .
La ecuacin 4.2.1 o 4.2.3 se conoce como la ecuacin de Bellman y es una ecuacin funcional en la cual
lo desconocido es una funcin. En este, caso la funcin valor V(.). La teora de la programacin dinmica
estudia las condiciones en las cuales se pueden encontrar V y H y cuales seran sus propiedades. En general
se sabe que:
Si ambas funciones F(x
t
, y
t
) y G(x
t
, y
t
) son estrictamente crecientes, estrictamente cnca-
vas y doblemente diferenciables en sus argumentos entonces:
1. La funcin V() existe, es diferenciable, estrictamente creciente y estrictamente cnca-
va.
2. La funcin de poltica H() es creciente y diferenciable.
3. La funcin V() es el lmite de la siguiente secuencia de pasos para s = 0, 1, . . . ,:
V
s+1
(x
t
) = m ax
0<x
t+1
G(x
t
,y
t
)
F(x
t
, y
t
) +V
s
(x
t+1
)
con V
0
= 0.
El resultado anterior nos dice que bajo ciertas condiciones existen las funciones de poltica y valor. Sin
embargo, es posible usar los mtodos de programacin dinmica para encontrar las condiciones de primer
orden. Para encontrar estas condiciones de primer orden usamos el teorema de la envolvente.
Las condiciones de primer orden para el problema de optimizacin
V (x
t
) = m ax
y
t
[F (x
t
, y
t
) +V (G(x
t
, y
t
))]
estn dadas por
F
y
(x
t
, y
t
) +V
x
(G(x
t
, y
t
))G
y
(x
t
, y
t
) = 0.
Sin embargo, estas condiciones de primer orden no son de mucha utilidad pues no conocemos el valor de la
derivada de V
y
(x
t+1
). Sin embargo, es posible usar el teorema de la envolvente para determinar su valor.
Suponiendo que existe la funcin de poltica y
t
= H(x
t
) es posible escribir el mximo de la funcin
objetivo asi:
V (x
t
) = F (x
t
, H(x
t
)) +V (G(x
t
, H(x
t
)))
y que por lo tanto se tiene que cumplir que
4.3. EJEMPLOS DEL MTODO DE PROGRAMACIN DINMICA 43
V
x
(x
t
) = F
x
(x
t
, H(x
t
)) +F
y
(x
t
, H(x
t
))H
x
(x
t
) +
V
x
(G(x
t
, H(x
t
)))[G
x
(x
t
, H(x
t
)) +G
y
(x
t
, H(x
t
))H
x
(x
t
)]
que se puede simplicar como
V
x
(x
t
) = [F
y
(x
t
, H(x
t
)) +V
x
(G(x
t
, H(x
t
)))G
y
(x
t
, H(x
t
))] H
x
(x
t
) +
F
x
(x
t
, H(x
t
)) +V
x
(G(x
t
, H(x
t
)))G
x
(x
t
, H(x
t
))
= F
x
(x
t
, H(x
t
)) +V
x
(G(x
t
, H(x
t
)))G
x
(x
t
, H(x
t
)).
Si es el caso que G
x
(x
t
, H(x
t
)) = 0 entonces tenemos
V
x
(x
t
) = F
x
(x
t
, H(x
t
))
y que por tanto las condiciones de primer orden son:
F
y
(x
t
, y
t
) +F
x
(x
t+1
, y
t+1
)G
y
(x
t
, y
t
) = 0
o reemplazando la ecuacion de evolucion de los estados
F
y
(x
t
, y
t
) +F
x
(G(x
t
, y
t
), y
t+1
)G
y
(x
t
, y
t
) = 0.
Si G
x
(x
t
, H(x
t
)) = 0 entonces no es posible encontrar una solucin analtica. En este caso tenemos que usar
el computador para encontrar las funciones de poltica y valor. Esto se puede hacer siguiendo las iteraciones
de presentadas arriba. Ejemplos de este mtodo se veran al nal de este captulo.
4.3. Ejemplos del mtodo de programacin dinmica
En esta seccin mostramos distintos ejemplos del uso de la programacin dinmica y cmo sta se
puede usar para las condiciones de primer orden que caracterizan la solucin ptima. La siguiente seccin
la dedicamos a encontrar la funcin de poltica ya sea analticamente o usando el computador.
4.3.1. El problema de la torta. El primer ejemplo es el de la torta. Suponga que un consumidor
recibe una torta de tamao W
0
y que tiene T perodos para consumirla. La fucin de sub-utilidad esta dada
por u(c
t
) = lnc
t
. Ademas por la naturaleza del problema sabemos que la torta evoluciona W
t+1
=W
t
C
t
.
Esto es, el tamao al comienzo del perodo menos el consumo en ese perodo.
El problema de manera formal se puede escribir como
V (W
t
) =
m ax
c
t
ln(c
t
) +V(W
t+1
)
s.t W
t+1
=W
t
c
t
.
o en trminos slo del estado (tamao de la torta) entonces
V (W
t
) = m ax
W
t+1
[ln(W
t
W
t+1
) +V(W
t+1
)] .
Las condiciones de primer orden estan dadas por
1
W
t
W
t+1
+V
w
(W
t+1
) = 0
pero no conocemos V
w
(W
t+1
). Sabemos que existe una funcin de poltica W
t+1
=H(W
t
) la cual no conozco.
Sin embargo, se que se cumple que
V (W
t
) = [ln(W
t
H(W
t
)) +V(H(W
t
))]
y que por lo tanto:
V
w
(W
t
) =
1
W
t
H(W
t
)
H
w
(W
t
) +
1
W
t
H(W
t
)
+
V
w
(H(W
t
))H
w
(W
t
)
que se puede simplicar usando la condicin de primer orden
V
w
(W
t
) =
_
1
W
t
H(W
t
)
+V
w
(H(W
t
))
_
H
w
(W
t
) +
1
W
t
H(W
t
)
V
w
(W
t
) =
1
W
t
H(W
t
)
.
Reemplazando esta ecuacin en la condicin de primer orden tenemos:
1
W
t
W
t+1
+
1
W
t+1
W
t+2
= 0
o que
1
W
t
W
t+1
=
1
W
t+1
W
t+2
.
Este sistema de ecuaciones se resuelve usando W
0
y W
T+1
= 0 y caracteriza la solucin ptima del consumo
de la torta.
4.3.2. El problema de Ramsey con trabajo jo. Las condiciones de primer orden para el problema
de Ramsey con trabajo jo tambien se pueden encontrar. De manera ms explicita considere el problema de
Ramsey:
m ax
c
t
t=0
t
u(C
t
) (0, 1)
s.t K
t+1
+C
t
f (K
t
) +(1)K
t
el cual se puede escribir usando la ecuacin de Bellman como
V (K
t
) =
m ax u(C
t
) +V (K
t+1
)
s.t f (K
t
) =C
t
+K
t+1
o en trminos slo del capital tendramos
V (K
t
) = m ax
K
t+1
u( f (K
t
) K
t+1
) +V (K
t+1
).
u
_
f (K
t
) K
t+1
_
= V
_
K
t+1
_
.
Por otro lado sabemos que existe una funcin H(x
t
) tal que K
t+1
= H(K
t
) y que se debe cumplir que
u( f (K
t
) H(K
t
)) +V (H(K
t
)) = V (K
t
)
del cual podemos encontrar la derivada de la funcin valor
V
(K
t
) = u
(C
t
) f
(K
t
).
Esta funcin la podemos adelantar un perodo y tendramos que
V
(K
t+1
) = u
(C
t+1
) f
(K
t+1
).
Finalmente, reemplazando en la condicin de primer orden tenemos
u
( f (K
t
) K
t+1
) = V
(K
t+1
)
= u
(C
t+1
) f
(K
t+1
)
que es la condicin de Euler del problema de Ramsey.
En conclusin para el problema de Ramsey, la programacin dinmica se puede usar para encontrar las
condiciones de optimalidad que encontramos usando los mtodos de programacin no lineal. Sin embargo,
4.3. EJEMPLOS DEL MTODO DE PROGRAMACIN DINMICA 45
esta no es la solucin al problema pues sabemos que la senda de consumo ptimo debe satisfacer la ecuacin
de Euler pero no sabemos como encontrar esta secuencia. El mtodo de programacin dinmica no permite
encontrar tanto la funcin valor como la funcin de reaccin o poltica. La solucin a este problema se
puede encontrar usando tanto mtodos analticos como numricos. Estando la solucin analtica disponible
para casos muy especcos. Veremos dos ejemplos en el cual es posible encontrar la funcin de poltica
explcitamente. El primero es el problema de Ramsey sin depreciacin y el segundo es el problema del
ponque.
4.3.3. El problema de Ramsey con trabajo variable.
m ax
c
t
t=0
t
u(C
t
, 1L
t
) (0, 1)
s.t K
t+1
+C
t
F (K
t
, L
t
) +(1)K
t
La ecuacion de Bellman para este problema seria:
V (K
t
) =
m ax
c
t
,L
t
u(C
t
, (1L
t
)) +V (K
t+1
)
s.t C
t
= F (K
t
, L
t
) +(1)K
t
K
t+1
y en terminos de de la variable de estado
V (K
t
) = m ax
c
t
,L
t
u[F (K
t
, L
t
) +(1)K
t
K
t+1
, (1L
t
)] +V (K
t+1
)
las condiciones de primer orden serian:
u
c
(C
t
, 1L
t
) +V
k
(K
t+1
) = 0
u
L
(C
t
, 1L
t
) +U
c
(C
t
, 1L
t
)F
L
(K
t
, L
t
) = 0.
Necesitamos saber cuanto vale V
k
(K
t+1
) para poder usar estas condiciones de primer orden. Para lo cual
usamos de nuevo el teorema de la envolvente. Suponemos que existe un funcin de poltica tal que K
t+1
=
H(K
t
) y la reemplazamos en nuestro problema de optimizacin que queda
V (K
t
) = u[F (K
t
, L
t
) +(1)K
t
H(K
t
), (1L
t
)] +V (H(K
t
))
y que por lo tanto sabemos que
V
k
(K
t
) = U
c
(C
t
, K
t
)[F
k
(K
t
, L
t
) +(1) H
k
(K
t
)] +
V
k
(H(K
t
))H
k
(K
t
)
que se puede agrupar como
V
k
(K
t
) = U
c
(C
t
, K
t
)[F
k
(K
t
, L
t
) +(1)] +
[V
k
(H(K
t
)) U
c
(C
t
, K
t
)] H
k
(K
t
)
luego
V
k
(K
t
) = U
c
(C
t
, K
t
)[F
k
(K
t
, L
t
) +(1)] .
Reemplazando en las condiciones de primer orden:
u
L
(C
t
, 1L
t
) +U
c
(C
t
, 1L
t
)F
L
(K
t
, L
t
) = 0
u
c
(C
t
, 1L
t
) +U
c
(C
t+1
, K
t+1
)[F
k
(K
t+1
, L
t+1
) +(1)] = 0
que son la condiciones de primer orden que teniamos cuando resolvimos el problema de optimizacin usando
los mtodos de programacin no lineal.
4.3.4. Un caso en el que falla la programacin dinmica (Canova). Poner en un futuro....
4.4. Solucin para horizonte innito iterando la funcin valor.
4.4.1. Problema de Ramsey. Sean u(C
t
) = lnC
t
y f (K
t
) = K
t
entonces la ecuacin de Bellman se
puede escribir como
V (K) = m ax
0K
ln
_
K
_
+V
_
K
_
recuerde que lo que necesitamos encontrar son las funciones de valor y poltica. Esto es, cuanto debe ser el
capital de maana dado el capital de hoy y cuanto sera el mximo de utilidad futura si el capital de maana es
el ptimo. Para resolver este problema tenemos el siguiente resultado de la teora de programacin dinmica:
La funcin V() es el lmite de la siguiente secuencia de pasos para s = 0, 1, . . . ,:
V
s+1
(K) = m ax
0<W
f (W)
u( f (K) K
) +V
s
(K
)
con V
0
= 0.
Lo que este resultado nos dice es que la funcin valor es el lmite de estas iteraciones las cuales se comienzan
desde V
0
= 0. En principio se podran comenzar desde cualquier otro punto y el resultado debe ser igual.
Aplicando este resultado al problema de Ramsey la siguiente secuencia de iteraciones.
V
1
(K) = m ax
0K
ln
_
K
_
+V
0
_
K
_
. .
=0
y si este es la funcin valor entonces el capital ptimo sera K
= 0 puesto que dejar capital para el perodo

siguiente no produce ninguna utilidad. Luego la solucin de este primera iteracin est dada por
V
1
(K) = lnK
= 0.
Ahora dada esta funcin valor es posible resolver el problema para s = 2 as:
V
2
(K) = m ax
0K
ln
_
K
_
+V
1
_
K
_
= m ax
0K
ln
_
K
_
+ lnK
.
El capital que resuelve este problema debe cumplir con la siguiente condicin de primer orden
ln(K
) + lnK
= 0
lo cual implica
1
(K
)
+
1
K
= 0
luego
1
K
=
1
(K
(K
)
K
= 1
_
K
_
= K
= K
+K
= K
(1+)
(1+)
K
= K
.
Reemplazando este valor del capital en la funcin valor tendramos la siguiente funcin valor
4.4. SOLUCIN PARA HORIZONTE INFINITO ITERANDO LA FUNCIN VALOR. 47
ln
_
K
_
+ lnK
= ln
_
K
_
1

(1+)
__
+ ln

(1+)
K
= lnK+ln
_
1

(1+)
_
+
2
lnK+ ln

(1+)
= (1+)lnK+ln
_
1

(1+)
_
+ ln

(1+)
= (1+)lnKln(1+) + ln ln(1+)
= (1+)lnK+ln
1
(1+)
+ ln

(1+)
= (1+)lnK+A
1
siendo A
1
= ln
1
(1+)
+ ln

(1+)
. De manera equivalente es posible resolver el problema para s = 3
usando la solucin de s = 2. En este caso, la funcin valor esta dada por
V
3
(K) = m ax
0K
ln
_
K
_
+V
2
_
K
_
= m ax
0K
ln
_
K
_
+ (1+)lnK
+A
1
y las condiciones de primer orden para K
seran:
ln(K
) + (1+)lnK
+A
1
K
= 0
1
K
+ (1+)
1
K
= 0
(1+)
_
K
_
= K
(1+)K
= K
+ (1+)K
(1+)
1+ (1+)
K
= K
+()
2
1+ +()
2
K
= K
y la funcin valor est dada por

V(K) = ln
_
K
+()
2
1+ +()
2
K
_
+ (1+)ln
+()
2
1+ +()
2
K
+A
1
= lnK+
_
2
+
3
2
_
lnK+ (1+)ln
+()
2
1+ +()
2
+ln
_
1
1+ +()
2
_
+A
1
=
_
1+ +()
2
_
lnK+ (1+)ln
+()
2
1+ +()
2
+ln
_
1
1+ +()
2
_
+A
1
=
_
1+ +()
2
_
lnK+A
2
siendo A
2
= (1+)ln
+()
2
1++()
2
+ln
_
1
1++()
2
_
+A
1
.
En general podemos ver que la funcin de poltica est dada por
K
=

s
i=1
()
i
s
i=0
()
i
K
y para s tenemos que
lm
S
S
i=1
()
i
= lm
S
_
1+ +()
2
+ +()
S
_
= lm
S
_
1+ +()
2
+ +()
S
_
= lm
S
1()
S
1
=

1
y de manera similar
lm
S
S
i=0
()
i
=
1
1
luego
K
= lm
S
s
i=1
()
i
s
i=0
()
i
K
=
(1)
1
K
= K
esto es la funcin de poltica sera

K
= g(K) = K
.
Para encontrar la funcin valor entonces necesitamos calcular el lmite de V
s
(K) cuando S . Lo cual
de manera directa es muy complicado. Una posibilidad es usar un guess y luego vericarlo. Del resultado
de s = 1 y s = 2 podemos inferir que la funcin valor es lineal en lnK y que es de la forma
v = a+blnK
luego usando este guess podemos resolver la ecuacin de Bellman as:
m ax
K
ln
_
K
_
+ [a+blnK]
y tenemos las siguiente condicin de primer orden
ln
_
K
_
+ [a+blnK] =
1
K
+b
1
K
1
K
+b
1
K
= 0
b
1
K
=
1
K
b
_
K
_
= K
b
1+b
K
= K
y la funcin valor sera

v(k) = ln
_
K
b
1+b
K
_
+
_
a+bln
b
1+b
K
_
= lnK+ln
_
1
1+b
_
+a+blnK+bln
b
1+b
= ( +b)lnK+ln
_
1
1+b
_
+a+bln
b
1+b
luego si el guess es correcto tendramos
4.4. SOLUCIN PARA HORIZONTE INFINITO ITERANDO LA FUNCIN VALOR. 49
a = ln
_
1
1+b
_
+a+bln
b
1+b
b = ( +b)
que es un sistema de dos ecuaciones en dos incgnitas a, b para resolverlo podemos usar la segunda ecuacin
bb =
b =

1
y reemplazando en la primera ecuacin tendramos
a = ln
_
_
1
1+

1
_
_
+a+

1
ln
1
1+

1
a =
1
1
_
_
ln
_
_
1
1+

1
_
_
+

1
ln
1
1+

1
_
_
a =
1
1
_
ln(1) +

1
ln
_
luego ya tenemos tanto la funcin de poltica como la funcin valor.
4.4.2. Problema de la torta. Sean u(C
t
) = lnC
t
y f (W
t
) =W
t
. El problema de la torta se resuelve de
manera similar. La ecuacin de Bellman sera
V (W) = m ax
0W
<W
ln
_
W W
_
+V
_
W
_
.
Suponiendo que V
0
= 0 tenemos la siguiente ecuacin de Bellman
V
1
(W) = m ax
0W
<W
ln
_
W W
_
que tiene mximo cuando W
=W. Luego
W
=W v
1
(W) = lnW.
Para s = 2 tenemos
V (W) = m ax
0W
<W
ln
_
W W
_
+ lnW
que tiene como condicin de primer orden
ln
_
W W
_
+ lnW
=
1
W W
+
1
W
= 0
1
W W
=
1
W
_
W W
_
= W
1
1+
W = W
v = ln
_
W W
_
+ lnW
= ln
_
W
1
1+
W
_
+ ln
1
1+
W
= lnW +ln
_

1+
_
+ lnW + ln
1
1+
= (1+)lnW +ln
_

1+
_
+ ln
1
1+
= (1+)lnW +A
1
siendo A
1
= ln
_

1+
_
+ ln
1
1+
.
Para s = 2 tenemos que
v
2
= m ax
0W
<W
ln
_
W W
_
+ (1+)lnW +A
1
luego las C.P.O seran
1
W W
+ (1+)
1
W
= 0
de lo que tenemos
1
W W
+ (1+)
1
W
= 0
(1+)
1
W
=
1
W W
(1+)
_
W W
_
= W
(1+)
1+ (1+)
W = W
=
+
2
1+ +
2
W
v
2
= ln
_
W W
_
+ (1+)lnW
+A
1
= ln
_
W
+
2
1+ +
2
W
_
+ (1+)ln
+
2
1+ +
2
W +A
1
= lnW + (1+)lnW +ln
_
1
1+ +
2
_
+ (1+)ln
+
2
1+ +
2
+A
1
=
_
1+ +
2
_
lnW +A
2
siendo A
2
= ln
_
1
1++
2
_
+ (1+)ln
+
2
1++
2
+A
1
. As para s = S tendremos
W
=

S
i=1
S
i=0
i
W
y para S tendremos
W
= W
que es igual al resultado en encontrado para T . De manera similar podemos calcular la funcin valor
la cual es una funcin linea de lnW. Sea v = a+blnW entonces
v = m ax ln
_
W W
_
+
_
a+blnW
y las condiciones de primer orden seran
1
W W
+
b
W
= 0
4.5. ITERACIN DE LA FUNCIN VALOR CON HORIZONTE FINITO 51
por tanto
W
=
1
1+b
W
v = ln
_
W
1
1+b
W
_
+
_
a+bln
1
1+b
W
_
v = (1+b)lnW +ln
_
1
1+b
_
+bln
_
1
1+b
_
+a
de donde tenemos el sistema de ecuaciones en a y b dado por
b = (1+b)
a = ln
_
1
1+b
_
+bln
_
1
1+b
_
+a
y cuya solucin est dada por
b = (1+b)
b =
1
1
y la de a
a = ln
_
1
1+b
_
+bln
_
1
1+b
_
+a
=
1
1
_
_
ln
_
_
1
1+

1
_
_
+bln
_
_
1
1+

1
_
_
_
_
=
1
1
ln(1)
_
1
1
_
a =
_
1
1
_
2
ln(1)
4.5. Iteracin de la funcin valor con horizonte nito
El mtodo de iterar la funcin valor tambin se puede aplicar en el caso de horizonte nito. Lo ms
importante es tener en cuenta que hay una condicin terminal del capital o de la variable de estado el cual
debe ser cero al nalizar el horizonte de solucin. La solucin se encuentra recursivamente empezando por
el problema de T = 1 y siguiendo por el de T = 2 y as sucesivamente.
4.5.1. Problema de la torta.
V
1
(W) = m ax
0W
<W
ln
_
W W
_
que tiene como solucin
W
= 0 v = lnW
la solucin implica que hay que consumir todo el ponque en el perodo corriente.
Para T = 2 tendramos la siguiente ecuacin de Bellman
V
1
(W) = m ax
0W
<W
ln
_
W W
_
+V
2
_
W
_
de lo cual podemos construir la ecuacin de Euler as: Sabemos que W
debe satisfacer la siguiente C.P.O

V
2
_
W
_
=
1
W W
sin embargo no conocemos V
2
(W). Para lo cual usamos la siguiente denicin
W
= g(W) := argmax ln
_
W W
_
+V
2
_
W
_
valor en el cual sabemos que
V
2
(W) = ln(W g(W)) +V
2
(g(W))
y por tanto la primera derivada de sta ecuacin sera
V
2
(W) =
1
W g(W)
_
1g
(W)
_
+V
2
(g(W))g
(W)
luego
V
2
(W) =
1
W g(W)
_
1g
(W)
_
+V
2
(g(W))g
(W)
=
1
W g(W)
1
W g(W)
g
(W) +V
2
(g(W))g
(W)
y reemplazando el valor de V
2
(g(W)) con lo encontrado antes tendramos
V
2
(W) =
1
W g(W)
_
1g
(W)
_
+V
2
(g(W))g
(W)
=
1
W g(W)
_
1g
(W)
_
+
1
W W
(W)
=
1
W g(W)
_
1g
(W)
_
+
1
W g(W)
g
(W)
V
2
(W) =
1
W g(W)
Luego la condicin de Euler sera
1
W
=
1
W W
o en trminos del consumo
1
C
2
=
1
C
1
.
Teniendo esta condicin de optimalidad y la restriccin de prepuesto tendramos la solucin para el problema
de dos perodos as:
W
3
=W
2
C
2
pero W
2
=W
1
C
1
y W
3
= 0 luego
W
3
= W
2
C
2
0 = W
1
C
1
C
2
y por tanto
W
1
=C
1
+C
2
con C
1
=C
2
por lo que sabemos que C
1
debe ser
W
1
= C
1
+C
1
= (1+)C
1
C
1
=
1
1+
W
1
y que por tanto C
2
=/(1+)W
1
. Dada la solucin para la senda de consumo es fcil encontrar la funcin
valor sustituyendo
V
2
(W
1
) = lnC
1
+ lnC
2
= ln
1
1+
W
1
+ ln

1+
W
1
= (1+)lnW
1
+ln
1
1+
+ ln

1+
= a
1
lnW
1
+b
1
4.5. ITERACIN DE LA FUNCIN VALOR CON HORIZONTE FINITO 53
siendo a
1
= (1+) y b
1
= ln(1/1+) + ln(/1+).
El problema con T = 3 tiene una solucin similar
V
3
(W
1
) = lnC
1
+V
2
(W
2
)
donde W
2
debe ser el ptimo de W para comenzar la optimizacin en t =2. Lo primero es escribir la ecuacin
de Bellman en trminos slo de la variable de estado (W) as:
V
3
(W
1
) = ln(W
1
W
2
) +V
2
(W
2
)
y sabemos que el W
2
ptimo debe satisfacer la siguiente C.P.O
1
W
1
W
2
= V
2
(W
2
)
pero no conocemos V
2
(W
2
). Sin embargo, ahora tenemos la funcin valor V
2
() la cual encontramos en el
problema de T = 2. La cual se puede evaluar en W
2
as
V
2
(W
2
) = a
1
lnW
2
+b
1
y que tiene su derivada
V
2
(W
2
) =
(1+)
W
2
Por lo cual tenemos
(1+)
W
2
=
1
W
1
W
2
de lo cual podemos deducir C
1
as:
(1+)
W
2
=
1
W
1
W
2
(1+) (W
1
W
2
) = W
2
(1+) (W
1
W
1
+C
1
) = W
1
C
1
(1+)C
1
= W
1
C
1
_
1+ +
2
_
C
1
= W
1
C
1
=
W
1
1+ +
2
Adicionalmente por la condicin de Euler sabemos que
1
C
2
=
1
C
1
1
C
3
=
1
C
2
luego
C
2
=
W
1
1+ +
2
C
3
=

2
W
1
1+ +
2
Dados los consumos para los tres perodos es fcil encontrar la funcin valor reemplazando en
v = lnC
1
+ lnC
2
+
2
lnC
3
la cual debe quedar lineal en lnW.
4.5.2. Problema de Ramsey. El problema de Ramsey en horizonte nito tambin se puede resolver
usando programacin dinmica. Veamos para T = 1 tenemos
V
1
(K
1
) = m ax
0K
ln
_
K
1
K
_
luego
K
= K
1
V
1
(K
1
) = lnK
1
.
Para T = 2 tenemos
V
2
(K
1
) = m ax
0K
ln(K
1
K
2
) +V
2
(K
2
)
luego K
2
debe cumplir con la siguiente C.P.O
1
K
1
K
2
= V
2
(K
2
)
y para encontrar V
2
(K
2
) usamos la siguiente ecuacin
K
2
= g(K
1
) := armaxlnC
1
+V
2
(K
2
)
= g(K
1
) := argmax ln(K
1
K
2
) +V
2
(K
2
)
que en ptimo debe cumplirse que
V
2
(K
1
) = ln(K
1
g(K
1
)) +V
2
(g(K
1
))
y que tiene primera derivada
V
2
(K
1
) =
1
K
1
g(K
1
)
_
K
1
1
g
(K
1
)
+V
2
(g(K
1
))g
(K
1
)
que se puede reescribir usando el resultado anterior como
V
2
(K
1
) =
1
K
1
g(K
1
)
_
K
1
1
g
(K
1
)
+V
2
(g(K
1
))g
(K
1
)
=
1
K
1
g(K
1
)
_
K
1
1
g
(K
1
)
+
1
K
1
g(K
1
)
g
(K
1
)
=
K
1
1
K
1
g(K
1
)
.
La condicin de Euler se puede encontrar combinando estas ecuaciones
1
K
1
K
2
=
K
1
2
K
2
K
3
o en trminos del consumo
1
C
1
=
1
C
2
K
1
2
.
Luego para T = 2, tenemos la Ecuacin de Euler y la restriccin de presupuesto
K
2
= K
1
C
1
K
3
= K
2
C
2
siendo K
3
= 0. Luego solucionando el siguiente sistema de ecuaciones tenemos C
1
y C
2
1
K
1
K
2
=
1
K
2
K
1
2
del cual se puede despejar K
2
K
2
= (K
1
K
2
)
(1+)K
2
= K
1
K
2
=

1+
K
1
4.6. SOLUCIN NUMRICA DEL PROBLEMA DE LA FUNCIN VALOR 55
FIGURA 4.6.1. Interpolacion lineal

f x
0
f x
1
x
0
x
1
m=
f x
1
f x
0
x
1
x
0
Luego de
K
2
= K
1
C
1
tenemos el consumo en C
1
C
1
= K
1
K
2
= K
1

1+
K
1
=
1+
1+
K
1
C
1
=
1
1+
K
1
y C
2
sera el necesario para que se cumpla la condicin de transversalidad K
3
= 0
0 = K
2
C
2
C
2
=
_

1+
_
K
2
1
teniendo C
1
y C
2
podemos construir la funcin valor para T = 2 la cual puede ser usada para el problema de
T = 3.
4.6. Solucin numrica del problema de la funcin valor
Esta seccin necesita ser reescrita....
Mejor explicacin del algoritmo.
Mostrar las grcas de McCandless.
Como generar las sendas de capital y consumo cuando se usa la iteracin de la funcin valor.
(Impulso respuesta).
Como se puede ver en el problema de Ramsey la solucin analtica de un problema de optimizacin dinmico
puede ser bastante complicada y en muchos casos no ser posible. En estas situaciones es necesario usar
mtodos computacionales para encontrar la solucin. En esta seccin veremos el ms sencillo de ellos.
FIGURA 4.6.2. Interpolacin lineal varios puntos
0.0 0.2 0.4 0.6 0.8 1.0 1.2
0.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0
4.5
5.0
5.5
6.0
Algorithm 1 Algoritmo de iteracion de la funcion valor
1. Inicialice la funcin valor en algun punto, cero puede ser un valor, y encuentre el nivel de consumo.
Esto es,
m ax
K
u
_
f (K) K
_
+0
el cual tiene como solucin K
= 0 luego a nivel de capital inicial tenemos que la funcin valor est

dada por V
0
i
= u(F(K
i
)), i = 1, . . . , n.
2. Al siguiente paso simplemente se toma como estado un nivel de capital K
i
y se trata cada K
j
j =
1, . . . , n como posible valor futuro para el capital. Esto es, para cada i = 1, . . . , n se calcula
w
j
= u( f (K
i
) K
j
) +V
0
j
j = 1, . . . , n
3. En este paso se calcula el capital K
para cada valor de K

i
que fundamentalmente es una aproxima-
cin a la funcin de poltica as: Encuentre el ndice j
(o K
j
) que maximiza la funcin valor dado
cada valor posible del estado K
i
esto es
w
j
w
j
j = 1, . . . , n
y haga g
1
i
= j
y V
1
i
= w
j
. Este procedimiento se hace para cada i.
4. Repita los pasos (b) a (c) hasta que V
s
a V
. Donde V
es la solucin estacionaria. En la prctica

esto sucede cuando
_
_
V
s
V
s+1
_
_
< con > 0 y pequeo.

Existen sinembargo, mtodos que usan tecnicas numericas ms avanzados que implican menores costos
computacionales.
El mecanismo de solucin consiste fundamentalmente en iterar la funcin valor hasta que esta converja
siguiendo algn criterio. El algorithmo comienza por dividir el rango de posible valores de la variable estado
en N partes iguales. Si K es la variable de estado entonces el grid sera C = [K
1
, . . . , K
n
] con K
i
< K
j
para
i < j con i = 1, . . . , n. Estos son los posibles valores del capital. La funcin de poltica que se esta buscando
es K
= g(K) que es una funcin de C C tal que la funcin valor sea mxima dado cualquiera de los
posibles valor del capital.
El cuadro 1 presenta el cdigo en Matlab para obtener las funciones de poltica y valor del problema de
Ramsey. El Grco ??muestra la salida del programa. En este caso tenemos, la funcin de poltica, capital
de hoy contra capital de maana, la funcin de reaccin, consumo de hoy contra capital de hoy, y por ltimo
4.7. PROGRAMACIN DINMICA ESTOCSTICA 57
FIGURA 4.6.3. Problema de Ramsey: Iteracin de la funcin valor
9.5 10 10.5 11 11.5 12 12.5
9.5
10
10.5
11
11.5
12
12.5
Capital actual
C
a
p
it
a
l
Funcion Politica
Capital Actual
9.5 10 10.5 11 11.5 12 12.5
0.2
0.15
0.1
0.05
0
0.05
0.1
0.15
Capital actual
I
n
v
e
r
s
io
n
La grca del consumo esta mal.
la inversin. En el programa se hace uso del hecho de que el capital debe estar en el intervalo (0, K) donde
K = (1 )
1
1
es el mximo nivel posible de capital y del hecho de que el capital de estado estacionario
dado por K
=
1
_
1
(1)
_
. De hecho, la solucin al problema se haya alrededor de la solucin de
estado estacionario.
4.7. Programacin dinmica estocstica
La programacin dinmica tiene a ventaja de ser fcilmente generalizable al caso estocstico. Cuando
los problema son estocsticos hay un estado adicional en el modelo (los choques exgenos) y se supone que
los agentes conocen ese estado antes de tomar la decisin sobre su nivel de consumo o capital futuro.
Tomemmor como ejemplo el modelo de Ramsey de horizonte nito con T = 1. La funcin de utilidad
es la misma de antes. La funcin de produccin sin embargo est dada por
f (K
t
) = z
t
K
t
siendo z
t
una variable aleatoria que toma valor z con probabilidad y z < z con probabilidad 1. El nivel
de produccin en t = 0 es conocido e igual a
f (K
0
) = K
0
basado en esto el consumidor debe decidir el nivel de K
1
con lo cual sabemos que el nivel de consumo en el
perodo uno sera
C
1
= Z
1
f (K
1
)
el cual es una variable aleatoria con realizaciones C
1
= z f (K
1
) y C
1
= z f (K
1
). Luego la utilidad esperada el
consumidor sera
E
0
[u(C
0
) +u(C
1
)] =u( f (K
0
) K
1
)
+ [u(z f (K
1
)) +(1)u(z f (K
1
))]
de la cual podemos derivar la ecuacin de Euler derivando con respecto a K
1
u
(C
0
) = u
(C
1
)z f
(K
1
) +(1)u
(C
1
)z f
(K
1
)
= E
0
_
u
(C
1
)z
1
f
(K
1
)
que es la versin estocstica de la ecuacin de Euler. Esta dice que la prdida de utilidad en el perodo t = 0
debe ser compensado por la mayor utilidad en el perodo uno.
CUADRO 1. Iteracin de la Funcin Valor
archivo RamseyVF.m
function RamseyVF(alpha, delta, beta, nsteps)
%Definicin de la funcion de utilidad
%y de la funcion de produccion
function u = Utility(C)
u = log(C);
end
function y = Prodution(K, alpha, delta)
y = K.âlpha + (1 - delta)
*
K;
end
%Capital de estado estacionario
Kstar=(((1/(alpha
*
beta))-((1-delta)/alpha)))^(1/(alpha-1));
disp(Kstar);
%Definicion del grid para la variable de estado (K)
Kmin=Kstar
*
0.9;
Kmax=Kstar
*
1.1;
step=(Kmax-Kmin)/nsteps;
disp(Kstar);
%return
K = Kmin:step:Kmax; %Vector de posible capitales
n=length(K);
%Produccion total para cada valor del capital
ytot = Prodution(K, alpha, delta);
%Valor inicial de la funcion valor
Vold = Utility(ytot);
g = 1:n;
epsi = 1;
for iter=1:100
w = zeros(1,n);
V = Vold;
for i=1:n
for j=1:n
C = Prodution(K(i), alpha, delta)-K(j);
w(j) = Utility(C) +beta
*
Vold(j);
end
[Vnew,gnew] = max(w);
g(i) = gnew;
Vold(i) = Vnew;
end
epsi = norm(V-Vold,inf);
disp(epsi);
if (epsi <= 10e-6)
break;
end
end
CUADRO 2. Continuacin...
figure(1)
plot(K,K(g),r-);
hold on;
plot(K,K,k:);% so now we have a nice 45 degree line
xlabel(current capital)
ylabel(capital)
legend(policy function,current capital,0)
title(Hola);
figure(2)
plot(K,K(g)-K);
xlabel(current capital);
ylabel(net investment);
figure(3)
C = Prodution(K(i), alpha, delta)-K(g);
plot(K,C);
xlabel(current capital)
ylabel(Consumption)
end
archivo main.m
alpha=0.75;
delta=0.3;
beta=0.9;
nsteps=100;
RamseyVF(alpha, delta, beta, nsteps);
La generalizacin del problema de optimizacin al caso general T = 1 y z
t
discreta o continua. La
funcin valor V (K, Z) es ahora funcin de los dos estados K, z y se dene como la solucin de la siguiente
ecuacin funcional estocstica
V (K, Z) = m ax
0K
ZF(K)+(1)K
u
_
Z f (K) +(1)KK
_
+E
_
V
_
K
, Z
_
|Z
con las expectativas condicionadas en una realizacin de Z. En el caso en que Z sea un proceso de Markov
con realizaciones [z
1
, . . . , z
n
] y matriz de transicin P = (p
i j
) la expresin E[V (K
, Z
)|Z] sera
E
_
V
_
K
, Z
_
|z
i
=
n
j=1
p
i j
V
_
K
, z
j
_
y en el caso de proceso de Markov continuo con matriz de probabilidades condicionadas (z, Z
) esta ex-
presin sera
E
_
V
_
K
, Z
_
|z
V
_
K
, z
j
_
_
z, Z
_
dZ
.
En ambos casos, las expectativas son condicionadas en una realizacin particular de Z.
Al igual que en caso determinstico, es posible encontrar tanto la ecuacin de Euler como la funcin
de poltica. La mayor diferencia es que ahora la funcin de poltica es funcin tanto de K como de Z esto
es, K
= g(K, Z). Dado que Z es una variable aleatoria K
es tambin una variable aleatoria y por tanto

a diferencia del caso determinstico la solucin al problema de programacin dinmico est dada por el
proceso estocstico para K {K
t
}
t=0
.
En trminos prcticos es posible usar los mismos pasos tanto para encontrar la ecuacin de Euler como
para determinar la funcin de poltica y la funcin valor. Vemos:
Determinacin de la ecuacin de Euler.
1. Debe ser que K
debe cumplir con

V (K
, Z) = m ax
0K
ZF(K)+(1)K
u
_
Z f (K) +(1)KK
_
+E
_
V
_
K
, Z
_
|Z
luego la condicin de primer orden con respecto a K
y evaluada en el ptimo K
est dada por

u
(Z f (K) +(1)KK
) = E
_
V
_
K
, Z
_
|Z
2. Tenemos adems que K
= g(K, Z) que se dene como

K
= g(K, Z) = argmax u
_
Z f (K) +(1)KK
_
+E
_
V
_
K
, Z
_
|Z
y por tanto tendramos la siguiente igualdad

V (K, Z) = u(Z f (K) +(1)Kg(K, Z)) +E
_
V
_
g(K, Z), Z
_
|Z
dada sta ecuacin entonces podemos encontrar la derivada de la funcin valor con respeto a K as:
V
(K, Z) =u
(Z f (K) +(1)Kg(K, Z))

_
Z f
(K) +(1) g
(K, Z)
E
_
V
_
g(K, Z), Z
_
g
(K, Z)|Z
=u
(C)
_
Z f
(K) +(1) g
(K, Z)
+
g
(K, Z)E
_
V
_
g(K, Z), Z
_
|Z
=u
(C)
_
Z f
(K) +(1) g
(K, Z)
+
u
(C)g
(K, Z)
=u
(C)
_
Z f
(K) +(1)
3. Luego la condicin de Euler est dada por

u
(C) = E
_
u
_
C
__
Z
_
K
_
+(1)
_
o en trminos del t y t +1tendramos
u
(C
t
) = E
_
u
(C
t+1
)
_
Z
t+1
f
(K
t+1
) +(1)
_
|Z
t
= E
t
_
u
(C
t+1
)
_
Z
t+1
f
(K
t+1
) +(1)
_
Una forma de solucionar el problema estocstico es primero resolver el problema deterministico y vericar
si esta solucin o una cercana resuelve el problema de optimizacin. Esto es, usar el guess and verify. Un
ejemplo de este procedimiento es la solucin del problema de Ramsey.
Suponga que
u(C
t
) = lnC
t
F(K
t
) = K
t
en el caso determinstica sabemos que K
= g(K) = K
esto es, la funcin de poltica es proporcional

a K
t
. Una posible solucin al problema de optimizacin estocstico es suponer que la solucin es de la
misma forma. Suponga entonces que la g(K, Z) = AZ
t
K
t
donde A es la constante de proporcionalidad que
necesitamos encontrar. Si este guess es correcto entonces se deben cumplir las condiciones de primer orden.
Siguiendo los pasos antes descritos se puede encontrar que la condicin de primer orden para este
problema est dada por
1
C
t
= E
t
_
1
C
t+1
_
Z
t+1
K
t+1
_
_
que en trminos slo del capital sera:
1 = E
t
_
Z
t
K
t
K
t+1
Z
t+1
K
t+1
K
t+2
_
Z
t+1
K
t+1
_
_
= E
t
_
Z
t
K
t
AZ
t
K
t
Z
t+1
K
t+1
AZ
t+1
K
t+1
_
Z
t+1
K
t+1
_
_
= E
t
_
(1A)Z
t
K
t
(1A)Z
t+1
K
t+1
_
Z
t+1
K
t+1
_
_
= E
t
_
(1A)Z
t
K
t
(1A)Z
t+1
(AZ
t
K
t
)
_
Z
t+1
(AZ
t
K
t
)
1
_
_
= E
t
_
1
Z
t+1
A
(Z
t
K
t
)
1
_
Z
t+1
A
1
(Z
t
K
t
)
1
_
_
= E
t
_
1
(Z
t
K
t
)
1
A
_
(Z
t
K
t
)
1
_
_
=

A
luego para que el guess sea correcto necesitamos que A = luego
K
t+1
= g(K
t
, Z
t
) = Z
t
K
t
es un solucin al problema.
Es posible solucionar este tipo de modelos usando mtodos computacionales que se paracen al proce-
dimiento de iteracin de la funcin valor con discretizacin del estado. Estos mtodos no seran cubirto pero
pueden ser ledos en H&M.
Captulo 5
Mtodos aproximados de solucin
En esta captulo nos concentramos en la presentacin de mtodos alternativos de solucin para los
problemas de dinmicos. Estos mtodos se basan en la linerizacin de las condiciones de primer orden
del problema de optimizacin dinmica. Estas condiciones de primer orden se pueden encontrar ya sea los
mtodos de programacin no lineal o de programacin dinmica.
Cambiar el orden:
BK
Klein
Uligh
5.1. Linearizacin y log linerizacin de las condiciones de primer orden
La ecuaciones de primer orden se pueden escribir como:
(W
t
,W
t+1
; ) = 0.
siendo W
t
el vector de variables endgenas y exgenas del modelo y el vector de parmetros.
Para jar la notacin, consideremos el siguiente modelo de Ramsey con depreciacin en el cual tenemos
escribimos la inversin explcitamente
m ax E
o
t=0
t
C
1
t
1
s.t Y
t
C
t
+I
t
K
t+1
= I
t
+(1)K
t
Y
t
= Z
t
K
t
Z
t
= Z
t1
e
t
explicar mejor xq los choques se escriben asi.McCandless.
siendo
t
i.i.d normal con varianza
2
. Las condiciones de primer orden las podemos encontrar usando

el Lagrangeano
L =E
o
t=0
t
_
C
1
t
1
+
t
(Z
t
K
t
C
t
I
t
) +
t
(I
t
+(1)K
t
K
t+1
)
_
los dems multiplicadores los eliminamos porque slo estamos interesados en soluciones internas.
Las condiciones de primer orden seran
C
t

t
= 0
t
= 0
t
+E
t
_
t+1
Z
t+1
K
1
t+1
+E
t
[
t+1
(1)] = 0
Y
t
C
t
I
t
= 0
I
t
+(1)K
t
K
t+1
= 0.
Estas condiciones de primer orden se pueden simplicar puesto que el valor de la inversin en trminos del
consumo es igual a uno. Esto es,

t
t
= 1. Este no se cumple cuando existen costos de transformar los bienes
de inversin a capital en cuyo caso,

t
t
= q
t
siendo q
t
la Q de Tobin.
63
64 5. MTODOS APROXIMADOS DE SOLUCIN
Reescribiendo las condiciones de primer orden tendramos
E
t
_
C
t

t
_
= 0
E
t
_
t
+
t+1
_
Z
t+1
K
1
t+1
+(1)
_
= 0
E
t
[Y
t
C
t
I
t
] = 0
E
t
[I
t
+(1)K
t
K
t+1
] = 0
siendo
Y
t
= Z
t
K
t
Z
t
= Z
t
que podemos escribir como
E
t
(W
t
,W
t+1
; ) = 0
siendo W
t
= (C
t
,
t
, I
t
, K
t
, Z
t
)
y = (, , , )
.
La idea de la linearizacin o log-linearizacin es aproximar el sistema de ecuaciones no-lineales (W
t
,W
t+1
; ) =
0 con un sistema lineal. Para esto, se usa la expansin de Taylor alrededor del estado estacionario. La expan-
sin de Taylor alrededor del estado estacionario nos lleva a un sistema lineal de la forma
AE
t

W
t+1
= B

W
t
donde

W
t
=W
t
W y W es el valor de estado estacionario de W
t
donde A y B se pueden denir as:
De la expansin de Taylor de primer orden de tenemos
E
t
(W
t
,W
t+1
; ) E
t
_
_
W,W;
_
+
_
W
_
W
t
_
W
t
W
_
+
_
W
_
W
t+1
_
W
t+1
W
_
_
0 = E
t
_
_
W
_
W
t
_
W
t
W
_
+
_
W
_
W
t+1
_
W
t+1
W
_
_
Pero
_
W,W;
_
= 0 entonces
_
W
_
W
t+1
E
t

W
t+1
=
_
W
_
W
t
W
t
AE
t

W
t+1
= B

W
t
de donde tenemos que
A =
_
W
_
W
t+1
B =
_
W
_
W
t
.
Es muy usual log-linearizar el sistema en lugar de linearizar. La razn de esto es que las variables quedan
expresadas en desviaciones porcentuales con respecto al estado estacionario y los parmetros quedan con
interpretacin de elasticidades.
Veamos suponga que
Z
t+1
= f (Z
t
)
para log-linearizar esta ecuacin necesitamos realizar los siguientes pasos:
1. Calcular el estado estacionario. Este es, resolver
Z f (Z) = 0
con respecto a Z. Esto, se puede hacer bien sea analticamente o numricamente usando un root
nder.
2. Sacar logaritmos a ambos lados de la ecuacin
lnZ
t+1
= ln f (Z
t
)
3. Usar la igualdad Z
t
= exp
lnZ
t
lnZ
t+1
= ln f (exp
lnZ
t
)
5.1. LINEARIZACIN Y LOG LINERIZACIN DE LAS CONDICIONES DE PRIMER ORDEN 65
4. Calcular la expansin de Taylor alrededor de lnz a ambos lados de la ecuacin
lnz
t+1
= ln f (z) +
z f
(z)
f (z)
exp
lnZ
t
(lnz
t
lnz)
= ln f (z) +
z f
(z)
f (z)
(lnz
t
lnz)
lnz
t+1
= lnz +
z f
(z)
f (z)
(lnz
t
lnz)
lnz
t+1
lnz =
z f
(z)
f (z)
(lnz
t
lnz)
ln
_
z
t+1
z
_
=
z f
(z)
f (z)
ln
_
z
t
z
_
.
Ahora, el coeciente
z f
(z)
f (z)
es una elasticidad puesto que
z f
(z)
f (z)
= ( f /z)/( f /z). Adems, ln
_
z
t
z
_
se puede
interpretar como una tasa de crecimiento as:
Calculando la expansin de Taylor lnz
t
al rededor de z tenemos
lnz
t
= lnz +
1
z
(z
t
z)
ln
z
t
z

z
t
z
z
que es la tasa de crecimiento.
5.1.1. Log-linearizacin en la prctica. En esta seccin log-linearizaremos las ecuaciones de pri-
mer orden del modelo de Ramsey presentado anteriormente. Empecemos con la ecuacin E
t
[Y
t
C
t
I
t
] =
0.
0 = e
lnY
t
e
lnC
t
e
lnI
t
0 Y

Y
t
C

C
t
I
I
t
Y

Y
t
= C

C
t
+I
I
t
Y
t
=
C
Y
C
t
+
I
Y
I
t
Ntese que el valor esperado se evala luego de log-linearizar la ecuacin.
Ahora loglinearicemos la expresin C
t

t
= 0.
0 = C
t

t
0 = e
lnC
t
e
ln
t
0 C
C
t
t
pero tenemos que =C
luego
0 C
C
t
t
=
_

C
t
+

t
_
luego tiene que ser que

C
t
+

t
= 0
puesto que C > 0. Una forma ms fcil de log-linearizar esta ecuacin es primero sacar logaritmos as:
C
t
=
t
lnC
t
= ln
t
y hacer la expansin de Taylor en lnX
t
a ambos lados de la ecuacin as
lnC
t
lnC1
_
lnC
t
lnC
_
lnC

C
t
el nmero uno en la primera aproximacin corresponde a la derivada de lnC
t
con respecto a ella misma
evaluada en lnC.
Podemos hacer lo mismo con el otro lado de la ecuacin y tendramos
ln
t
ln +1
_
ln
t
ln
_
= ln +

t
e igualando ambas aproximaciones tendramos
lnC

C
t
= ln +

C
t
=

t
puesto que lnC = ln.
Para log-linearizar la expresin
E
t
[I
t
+(1)K
t
K
t+1
] = 0
entonces tenemos que hacer Taylor sobre (lnI
t
, lnK
t
, lnK
t+1
)
. Sin embargo, de las linerizaciones anteriores

tenemos algunas reglas que nos sirven para tal n
aX
t
aX

X
t
X
t
X x
t
X
a
t
a

X
t
.
Usando estas reglas es fcil ver que
I
t
+(1)K
t
K
t+1
= 0
e
lnI
t
+(1)e
lnK
t
e
lnK
t+1
= 0
I
I
t
+(1)K

K
t
K

K
t+1
0
I
K
I
t
+(1)

K
t
=

K
t+1
.
Nos queda por log-linearizar la siguiente ecuacin
t
+
t+1
_
Z
t+1
K
1
t+1
+(1)
_
=0 que tambin
es fcil de log-linearizar usando las reglas antes descritas:
t
+
t+1
_
Z
t+1
K
1
t+1
+(1)
= 0
e
ln
t
+e
ln
t+1
_
e
lnZ
t+1
e
(1)lnK
t+1
+(1)
_
= 0
e
ln
t
+e
ln
t+1
_
e
lnZ
t+1
e
(1)lnK
t+1
+(1)
_
= 0
t
+
_
ZK
1
+(1)
t+1
+ZK
1

Z
t+1
+ ( 1)ZK
1

K
t+1
0
Lo nico que hay que tener en cuenta en la linearizacin anterior es que estamos haciendo Taylor y que
por tanto tenemos que usar las reglas de derivacin correctas. Teniendo en cuenta que
=
_
ZK
1
+(1)
Y
K
= ZK
1
entonces
t
+
t+1
+ZK
1

Z
t+1
+ ( 1)ZK
1

K
t+1
0
t
+

t+1
+
Y
K

Z
t+1
+ ( 1)
Y
K

K
t+1
0
Para determinar completamente los parmetros del modelo linearizado necesitamos los valores de estado
estacionario que estan dados por la solucin al siguiente sistema de ecuaciones
5.1. LINEARIZACIN Y LOG LINERIZACIN DE LAS CONDICIONES DE PRIMER ORDEN 67
C
= 0
+
_
ZK
1
+(1)
= 0
Y CI = 0
I +(1)KK = 0
Y = ZK
K =
_
1
Z
_
1
(1)
__ 1
1
Y = Z
_
1
Z
_
1
(1)
__
1
C = ZK
K
=C
I = K
Con estas ecuaciones ya se puede encontrar los valores estacionarios de
K
I
,
C
Y
,
I
Y
,
Y
K
que son importantes
para determinar los coecientes de la forma linearizada. Al igual, estas razones tambien son de mucha
utilidad para la calibrarcin del modelo.
Las condiciones de primer orden linearizadas se pueden escribir como

C
t
t
0
t
+
_
Y
K
+(1)
_
t+1
+
Y
K

Z
t+1
+ ( 1)
Y
K

K
t+1
0
Y
t
C
Y
C
t
I
Y

I
t
0
K
t+1
I
K

I
t
+(1)

K
t
0
Y
t

K
t

Z
t
0
o si se denen
c
1
=,
c
2
=
_
Y
K
+(1)
,
z
=
Y
K
,
k
= ( 1)
Y
K
,
c
=
C
Y
,
I
=
I
Y
,
I
=
I
K
,
k
= (1) entonces el sistema sera equivalente a
E
t
_
c
1

C
t
+
c
2

C
t+1
+
z

Z
t+1
+
k

K
t+1
= 0
E
t
_
Y
t
c

C
t
I

I
t
= 0
E
t
_

K
t+1
I

I
t
+
k

K
t
= 0
E
t
_
Y
t

Z
t

K
t
= 0
E
t
_
Z
t+1

Z
t
= 0
y expandiendo las expectativas entonces
c
1

C
t
+
c
2
E
t

C
t+1
+
z
E
t

Z
t+1
+
k
E
t

K
t+1
= 0
Y
t
c

C
t
I

I
t
= 0
E
t

K
t+1
I

I
t
+
k

K
t
= 0
Y
t

Z
t

K
t
= 0
E
t

Z
t+1

Z
t
= 0
teniendo en cuenta que E
t

K
t+1
=
I

I
t
k

K
t
entonces podemos ver que E
t

K
t+1
=

K
t+1
puesto que el valor del
capital de hoy est determinada el perodo anterior. Esta es una variable endgena predeterminada. Ademas
tenemos que E
t

Z
t+1
=

Z
t
y por tanto esta variable es una exgena predeterminada. Pero tenemos que
C
t+1
=E
t

C
t+1
+
t
lo que la hace una variable endgena no predeterminada. Usando estos resultados en el
sistema de ecuaciones anteriores tendramos
c
1

C
t
+
c
2
E
t

C
t+1
+
z

Z
t
+
k

K
t+1
= 0
Y
t
c

C
t
I

I
t
= 0
K
t+1
I

I
t
+
k

K
t
= 0
Y
t

Z
t

K
t
= 0
E
t

Z
t+1

Z
t
= 0
El cual se puede escribir en forma matricial como
c
2
E
t

C
t+1
=
z

Z
t
k

K
t+1
c
1

C
t
0 =

Y
t
c

C
t
I

I
t
K
t+1
=
I

I
t
k

K
t
0 =

Y
t

Z
t

K
t
E
t

Z
t+1
=

Z
t
A =
_
c
2
0 0 0 0
0 0 0 0 0
0 0 0 1 0
0 0 0 0 0
0 0 0 0 1
_
_
B =
_
c
1
0 0
k

z
c
1
I
0 0
0 0
I

k
0
0 1 0 1
0 0 0 0
_
_
siendo w
t
= (C
t
,Y
t
, I
t
, K
t
, Z
t
).
c
2
E
t

C
t+1
=
z

Z
t
k

K
t+1
c
1

C
t
0 =

Z
t
c

C
t
K
t+1
+
_

I
I
_

K
t
E
t

Z
t+1
=

Z
t
A =
_
_
c
2

k
0
I
0 0
0 0 1
_
_
B =
_
c
1
0
z
c
_

I

k
I
_
1
0 0
_
_
esta A tiene inversa y es posible resolver el problema usando BK.
5.2. Mtodos de Solucin
Intuicin de la solucin: Suponga que el modelo se dene por las siguientes ecuaciones
x
t
= aE
t
x
t+1
+z
t
z
t+1
= z
t
+
t+1
siendo x
t
una variable endgena y z
t
la variable exgena. Sabemos que la solucin a este sistema de ecucaio-
nes debe ser de la forma:
x
t
= z
t
Para encontrar esta solucin es posible iterar la ecuacin hacia adelante de la siguiente forma:
x
t
= aE
t
x
t+1
+z
t
5.2. MTODOS DE SOLUCIN 69
y
x
t+1
= aE
t+1
x
t+2
+z
t+1
luego
x
t
= aE
t
x
t+1
+z
t
= a
2
E
t
x
t+2
+aE
t
z
t+1
+z
t
= a
2
E
t
x
t+2
+az
t
+z
t
x
t+2
= aE
t+2
x
t+3
+z
t+2
x
t
= a
3
E
t
x
t+3
+a
2
2
z
t
+az
t
+z
t
x
t
= a
k
E
t
x
t+k
+
k
z
t
siendo
k
=
k
i=0
(a)
i
si |a| < 1 entonces tenemos que
k
=
1
(1a)
y la solucin no existe si a = 1 y es nica si
lm
k
a
k
E
t
x
t+k
= 0
junto con |a| < 1. La segunda condicin elimina la posibilidad de tener burbujas y la implica la condicin
de transversalidad del modelo. Esta es una propiedad de un modelo bien denido.
La otra caracterstica importante es que esta solucin de expectativas implica que las variables end-
genas de hoy dependen del ujo esperado y del comportamiento de las fuerzas exgenas en este caso de
z
t
.
5.2.1. Conceptos bsicos. Como vimos linearizando las condiciones de primer orden es posible es-
cribir las condiciones de primer orden como
AE
t

W
t+1
= B

W
t
el cual se puede solucionar usando distintos mtodos. Veremos dos el mtodo de Blanchard y Kahn y el
mtodo de Klein.
Valor propio.
Sea A una matriz cuadrada nn. Los valores propios de A se denen como las races de
la ecuacin caracterstica
|I
n
A| = 0.
La ecuacin caracterstica sale de considerar la solucin al siguiente sistema
Ax = x
siendo x los vectores caractersticos y las races caractersticas o valores propios. Si x es una solucin
entonces x es tambin solucin. Esta indeterminacin de los vectores propios se elimina asumiendo que
x
x = 1. La solucin a este problema consiste de y n1elementos desconocidos de x.

El sistema de ecuaciones Ax = x implica que
Ax = I
n
x
o que
(AI
n
)x = 0
que suponiendo conocido es un sistema homogneo de ecuaciones lineales. Este sistema no tiene una
solucin trivial x = 0 como su nica solucin si (AI
n
) es singular (no se puede invertir) o lo que es lo
mismo que su determinante es cero
|AI
n
| = 0.
Los
s que solucionan esta ecuacin son los valores propios.

Una vez conocidos el conjunto de valores propios entonces es posible encontrar las vectores caracte-
rsticas asociados a cada valor propio resolviendo el sistema de ecuaciones
(AI
n
)x = 0
para x = 0.
Ejemplo:
A =
_
5 1
2 4
_
la ecuacin caracterstica est dada por
|AI
n
| =
_
5 1
2 4
_
_
0
0
_
_
5 1
2 4
_
= (5)(4) 2(1)
=
2
9 +18
el cual tiene dos races
1
= 6 y
2
= 3.
Para encontrar los vectores propios entonces se deben resolver los siguientes sistemas de ecuaciones
_
5
1
1
2 4
1
__
x
11
x
21
_
=
_
0
0
_
y
_
5
2
1
2 4
2
__
x
12
x
22
_
=
_
0
0
_
Para el primer sistema de ecuaciones tenemos que
_
1 1
2 2
__
x
11
x
21
_
=
_
0
0
_
x
11
+x
21
= 0
luego x
11
= x
21
= x. Esto es, el vector propio asociado a
1
= 6 tiene la forma (x
11
, x
21
)
= ( x, x)
para
x = 0.
Por su parte, el vector propio asociado a
2
= 3 saldra de resolver
_
2 1
2 1
__
x
12
x
22
_
=
_
0
0
_
que implica la solucin a
2x
12
+x
22
= 0
o que un vector de la forma (x
12
, x
22
)
= ( x, 2 x)
para x = 0.
Ahora si imponemos la condicin x
x = 1 entonces podramos encontrar un nico vector propio. Para

el caso en que
1
= 6 entonces tendramos
2 x
2
= 1
luego x = 1y el vector propio sera (x
11
, x
21
)
=
_
_
1
2
,
_
1
2
_
. De igual forma para

2
= 3 tendramos que
x
2
+(2 x)
2
= 1
3 x
2
= 1
x =
_
1
3
Esto es, el vector propio normalizado asociado a
2
es (x
12
, x
22
)
=
_
_
1
3
, 2
_
1
3
_
.
Descomposicin de Jordan.
Sea A una matriz nn y sea J
k
()una matriz de k k de la forma
J
k
() =
_
_
1 0 0
0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1
0 0 0
_
_
con J
1
() = . Entonces existe una matriz no singular nn tal que
1
A =
_
_
J
k
1
(
1
) 0 0
0 J
k
2
(
2
) 0
.
.
.
.
.
.
.
.
.
0 0 J
k
2
(
2
)
_
_
= J
con k
1
+k
2
+ +k
r
= n. Los
i
son los eigenvalues (valores propios) de A y no son
necesariamente distintos.
5.2.2. Mtodo de Blanchard y Kahn. El algoritmo de B-K se puede aplicar a modelos que se pueden
representar de la siguiente manera
A
0
E
t
W
t+1
= A
1
W
t
+B
0
Z
t
siedo W
t+1
= (X
t+1
, P
t+1
)
con X
t
variables endgenas predeterminadas y P
t
variables endgenas no prede-
terminadas. Esto es, X
t+1
=E
t
X
t+1
mientras que P
t+1
=E
t
X
t+1
+
t+1
siendo
t+1
un error de expectativas.
Esta variables se llaman en Blanchard-Khan as: X
t
es el vector de variables predetermindas o backward-
looking y P
t
es el vector de variables de control o forward-looking.
El mtodo de B-K comienza por escribir el modelo como
_
X
t+1
E
t
P
t+1
_
= A
1
0
A
1
W
t
+A
1
0
B
0
Z
t
= A
1
0
A
1
_
X
t
P
t
_
+A
1
0
B
0
Z
t
_
X
t+1
E
t
P
t+1
_
= A
_
X
t
P
t
_
+BZ
t
en el cual se supone que A
0
tiene inversa. Si este supuesto no se verica es necesario usar otro mtodo de
solucin.
El mtodo de B-K usa la descomposicin de Jordan sobre la matriz A. Esto es, sabemos que existe una
matrix no singular nn C tal que
1
A = J =CAC
1
o que
A =C
1
JC
1
.
Suponiendo que los valores propios han sido ordenados de menor a mayor segn el valor absoluto de los
valores propios. Entonces la matrix J se puede escribir como
J =
_
J
1
0
0 J
2
_
en la cual los valores propios de J
1
son menores que uno y los valores propios de J
2
tienen modulo mayor
que uno. De esta forma, J
2
se dice inestable puesto que J
n
2
diverge cuando n . Mientras que J
n
1
0
en la medida en que n . Si el nmero de valores propios explosivos es igual al nmero de variables
nopredeterminadas, el sistema tiene una nica solucin estable. Por el contrario, si el nmero de valores
propios explosivos es mayor que el nmero de variables no predeterminadas (forward looking variables)
entonces el sistema no tiene solucin. Por ltimo, si el nmero de valores propios mayores que uno es mayor
que el nmero de forward looking variables entonces el sistema tiene innitas soluciones.
_
X
t+1
E
t
P
t+1
_
= A
_
X
t
P
t
_
+Z
t
moviendo esta ecuacin i perodos adelante y usando la ley de la expectativas iteradas tendramos
_
X
t+1+i
E
t+i
P
t+1+i
_
= A
_
X
t+i
P
t+i
_
+Z
t+i
E
t
_
X
t+1+i
E
t+i
P
t+1+i
_
= AE
t
_
X
t+i
P
t+i
_
+E
t
Z
t+i
_
E
t
X
t+1+i
E
t
P
t+1+i
_
= A
_
E
t
X
t+i
E
t
P
t+i
_
+E
t
Z
t+i
usando el hecho de que E
t
[E
t+1
x
t+2
] = E
t
x
t+2
.
Ahora usando el Teorema de Jordan tenemos
A =C
1
JC
y que por lo tanto podemos escribir el sistema de ecuaciones
_
E
t
X
t+1+i
E
t
P
t+1+i
_
= A
_
E
t
X
t+i
E
t
P
t+i
_
+E
t
Z
t+i
= C
1
JC
_
E
t
X
t+i
E
t
P
t+i
_
+E
t
Z
t+i
que a su vez es equivalente a
C
_
E
t
X
t+1+i
E
t
P
t+1+i
_
= JC
_
E
t
X
t+i
E
t
P
t+i
_
+CE
t
Z
t+i
.
Deniendo el conjunto de nuevas variables como
_
Y
t
Q
t
_
=
_
C
11
C
12
C
21
C
22
__
X
t
P
t
_
y el sistema se puede escribir como
_
E
t
Y
t+1+i
E
t
Q
t+1+i
_
=
_
J
1
0
0 J
2
__
E
t
Y
t+i
E
t
Q
t+i
_
+E
t
Z
t+i
E
t
Y
t+1+i
= J
1
E
t
Y
t+i
+(C
11
1
+C
12
2
)E
t
Z
t+i
que son dos sistema de ecuaciones uno estable y otro inestable.
E
t
Q
t+1+i
= J
2
E
t
Q
t+i
+(C
21
1
+C
22
2
)E
t
Z
t+i
para i = 0 tenemos
E
t
Q
t+1
= J
2
Q
t
+(C
21
1
+C
22
2
)Z
t
Q
t
= J
1
2
E
t
Q
t+1
J
1
2
(C
21
1
+C
22
2
)Z
t
.
Esta expresin se puede iterar hacia adelante de la siguiente forma
Q
t+1
= J
1
2
E
t+1
Q
t+2
J
1
2
(C
21
1
+C
22
2
)Z
t+1
que se puede reemplazar en la ecuacin original
Q
t
= J
1
2
E
t
Q
t+1
J
1
2
(C
21
1
+C
22
2
)Z
t
= J
2
2
E
t
Q
t+2
J
2
2
(C
21
1
+C
22
2
)E
t
Z
t+1
J
1
2
(C
21
1
+C
22
2
)Z
t
.
.
.
= J
n
2
E
t
Q
t+n
i=0
J
(i+1)
2
(C
21
1
+C
22
2
)E
t
Z
t+i
luego cuando n tenemos que
Q
t
=
i=0
J
(i+1)
2
(C
21
1
+C
22
2
)E
t
Z
t+i
puesto que lm
n
J
n
2
= 0.
_
Y
t
Q
t
_
=
_
C
11
C
12
C
21
C
22
__
X
t
P
t
_
.
Luego
Q
t
= C
21
X
t
+C
22
P
t
C
22
P
t
= Q
t
C
21
X
t
P
t
= C
1
22
C
21
X
t
+C
1
22
Q
t
y por tanto
P
t
=C
1
22
C
21
X
t
C
1
22
i=0
J
(i+1)
2
(C
21
1
+C
22
2
)E
t
Z
t+i
.
Sabemos que
_
C
11
C
12
C
21
C
22
_
1
=
_
B
11
B
12
B
21
B
22
_
_
X
t+1
E
t
P
t+1
_
=
_
B
11
B
12
B
21
B
22
__
J
1
0
0 J
2
__
C
11
C
12
C
21
C
22
__
X
t
P
t
_
+Z
t
=
_
B
11
J
1
B
12
J
2
B
21
J
1
B
22
J
2
__
C
11
C
12
C
21
C
22
__
X
t
P
t
_
+Z
t
=
_
(B
11
J
1
C
11
+B
12
J
2
C
21
) (B
11
J
1
C
12
+B
12
J
2
C
22
)
(B
21
J
1
C
11
+B
22
J
2
C
21
) (B
22
J
2
C
12
+B
22
J
2
C
22
)
__
X
t
P
t
_
+Z
t
X
t+1
= (B
11
J
1
C
11
+B
12
J
2
C
21
)X
t
+(B
11
J
1
C
12
+B
12
J
2
C
22
)P
t
+
1
Z
t
= (B
11
J
1
C
12
+B
12
J
2
C
22
)C
1
22
C
21
X
t
(B
11
J
1
C
12
+B
12
J
2
C
22
)C
1
22
i=0
J
(i+1)
2
(C
21
1
+C
22
2
)E
t
Z
t+i
+ (B
11
J
1
C
11
+B
12
J
2
C
21
)X
t
=
_
(B
11
J
1
C
11
+B
12
J
2
C
21
) (B
11
J
1
C
12
+B
12
J
2
C
22
)C
1
22
C
21
X
t
(B
11
J
1
C
12
+B
12
J
2
C
22
)C
1
22
i=0
J
(i+1)
2
(C
21
1
+C
22
2
)E
t
Z
t+i
X
t+1
= B
11
J
1
B
1
11
X
t
+
1
Z
t
(B
11
J
1
C
12
+B
12
J
2
C
22
)C
1
22
i=0
J
(i+1)
2
(C
21
1
+C
22
2
)E
t
Z
t+i
El ltimo paso se puede probar usando propiedades de las inversas por bloques. Esto es, la inversa de
una matriz particionada est dada por
_
C
11
C
12
C
21
C
22
_
=
_
B
11
B
12
B
21
B
22
_
1
=
_
B
1
11
_
I +B
12
F
2
B
21
B
1
11
_
B
1
11
B
12
F
2
F
2
B
21
B
1
11
F
2
_
siendo F
2
=
_
B
22
B
21
B
1
11
B
12
_
1
. Usando estas propiedades tenemos que
(B
11
J
1
C
11
+B
12
J
2
C
21
)
(B
11
J
1
C
12
+B
12
J
2
C
22
)C
1
22
C
21
= B
11
J
1
C
11
B
11
J
1
C
12
C
1
22
C
21
= B
11
J
1
B
1
11
_
I +B
12
F
2
B
21
B
1
11
_
B
11
J
1
B
1
11
B
12
F
2
B
21
B
1
11
= B
11
J
1
B
1
11
Por ltimo si tenemos que los choques siguen el proceso
Z
t+1
=Z
t
+
t+1
entonces
Z
t+2
= Z
t+1
+
t+2
=
2
Z
t
+
t+1
+
t+1
.
.
.
Z
t+i
=
i
Z
t
+
i
s=1
(s)
t+s
y por tanto
E
t
Z
t+i
=
i
Z
t
.
La solucion de BK se puede escribir de la forma
X
t+1
= B
11
J
1
B
1
11
X
t
(B
11
J
1
C
12
+B
12
J
2
C
21
)C
1
22
i=0
J
(i+1)
2
(C
21
1
+C
22
2
)
i
Z
t
P
t
= C
1
22
C
21
X
t
C
1
22
i=0
J
(i+1)
2
(C
21
1
+C
22
2
)
i
Z
t
de forma compacta
X
t+1
= F
1
X
t
+F
2
Z
t
P
t
= F
3
X
t
+F
4
Z
t
En resumen, tenemos que la solucin de BK se puede usar cuando es posible reescribir las condiciones
de primer orden en trminos de variables predeterminadas y no predeterminadas. Mas aun para que exista
una nica solucin necesitamos que se cumpla la condicin de BK.
Condicin de BK:
Si el nmero de valores propios de A menores a uno es igual al nmero de variables
no prodeterminadas entonces existe una nica solucin.
Usando X
t
= B
11
Y
t
+B
12
Q
t
adelantada un periodo y
E
t
X
t+1
= B
11
E
t
Y
t+1
+B
12
E
t
Q
t+1
entonces la primera diferencias entre estas dos ecuaciones esta dada por
X
t+1
E
t
X
t+1
= B
11
(Y
t+1
E
t
Y
t+1
) +B
12
(Q
t+1
E
t
Q
t+1
).
Como X
t
es predeterminada luego tenemos X
t+1
E
t
X
t+1
= 0
0 = B
11
(Y
t+1
E
t
Y
t+1
) +B
12
(Q
t+1
E
t
Q
t+1
)
luego si el B
11
es no singular es posible resolver Y
t
en trminos de Q
t
que ya vimos tiene una nica solucin.
La solucin de BK es forward looking. En el sentido en que las variables no predeterminadas slo las
afecta el pasada a traves del efecto que tiene en valor corriente de las variables predeterminadas.
5.2.3. Mtodo de Klein. Cuando la matrix A no se puede invertir o es muy dicil reducir el sistema,
el mtodo de Klein (2000) resulta ser de utilidad. La idea es similar a la de Blanchard - Khan y consiste en
transformar el sistema en dos sub-sistemas: uno estable y el otro inestable. Sin embargo, no es posible usar
la descomposicin de Jorda pues el la matrix A no se puede invertir. Por esto, Klein usa la transformacin de
Schur. De esta forma, el mtodo de Klein es mas general que el de BK.
5.2.4. Conceptos bsicos:
Complex matrix:
Una matriz cuyos elementos pueden ser nmeros complejos.
Representacin matricial de un nmero complejo:
Un nmero complejo se puede escribir en forma matricial como
a+bi =
_
a b
b a
_
y por tanto una matrix de nmeros complejos de tamao (mn) se puede escribir como
una matrix de reales de tamao (2m2n).
Multiplicacin
(a+bi)(x +yi) = ax +bxi +ayi by
= (ax by) +(bx +ay)i
=
_
(ax by) (bx +ay)
(bx +ay) (ax by)
_
_
a b
b a
__
x y
y x
_
=
_
ax by ay bx
bx +ay by +ax
_
=
_
ax by (ay +bx)
bx +ay by +ax
_
= (ax by) +(ay +bx)i
Adicin
_
a b
b a
_
+
_
x y
y x
_
=
_
a+x (b+y)
b+y a+x
_
= (a+x) +(b+y)i
Matrix Pencil:
La matrix-valued function denida en los nmeros complejos dada por
AB
siendo C (or R) siendo A y B matrices complejas o reales
Valores propios generalizados.
Sea P(z) = Az B, entonces el conjunto de sus valores propios generalizados (A, B) se
dene como (A, B) ={z C : |P(z)| = 0}.
Al igual que para el caso de los valores propios normales el valor propio generalizado
sale de solucionar el siguiente problema de ecuaciones
Bx = Ax
(A B)x = 0
que tendra solucin trivial x =0 si |A B| =0. Luego el conjunto de para los cuales el
sistema Bx =Ax no tiene solucin trivial es el conjunto de valores propios generalizados.
Regular Matrix Pencil:
A matrix pencil is called regular if there is at least one value of such that det(AB) =
0.
Matriz triangular: Una matrix triangular superior es de la forma
U =
_
_
u
11
u
12
u
13
. . . u
1n
u
22
u
23
. . . u
2n
.
.
.
.
.
.
.
.
.
.
.
. u
n1n
0 u
nn
_
_
Hermitian transpose: A
H
.
The Hermitian transpose of an mnmatrix A with complex entries is the nmmatrix A
H
obtained from A by taking the transpose and then taking the complex conjugate of each
entry. That is, a matrix A with complex entries can be written as
A =
_
a+bi c +di
e + f i h+gi
_
=
_
_
a b
b a
c d
d c
e f
f e
h g
g h
_
_
A
H
=
_
_
a b
b a
c d
d c
e f
f e
h g
g h
_
_
T
=
_
_
a b e f
b a f e
c d h g
d c g h
_
_
and its Hermitian transpose will be
A
H
=
_
abi e f i
c di hgi
_
.
Unitary matrix:
A unitary matrix is an (nn) complex matrix U satisfying the condition
U
H
U =UU
H
= I
n
where I
n
is the identity matrix and U
H
, is the the Hermitian transpose of U. Note this
condition says that a matrix U is unitary if and only if it has an inverse which is equal to
its Hermitian transpose, i.e U
1
=U
H
.
Descomposicin de Schur.
Sean A y B matrices de tamao n n de nmeros complejos tales que P(z) = Az B es
una matriz pencil regular (no singular). Entonces existen unas matrices unitarias nn de
nmeros complejos Q y Z tal que
1. QAZ = S con S una matriz triangular superior,
2. QBZ = T con T una matrix triangular superior,
3. Para cada i, s
ii
y t
ii
son distintos de cero,
4. (A, B) =
_
t
ii
s
ii
: s
ii
= 0
5. Los pares (s
ii
, t
ii
), i = 1, . . . , n se pueden ordenar en cualquier orden.
5.2.5. La solucin de Klein. El sistema linearizado de condiciones de primer orden se puede escribir
como
(5.2.1) AE[x
t+1
|F
t
] = Bx
t
+Cz
t
siendo A, B y C matrices de tamao (nn), (nn) y (nn
z
) respectivamente. El objetivo del mtodo de
Klein es resolver el sistema de ecuaciones 5.2.1 para el vector x
t
cuando cuando A es singular (no tiene
inversa).
Exitencia de la solucin. Como es de esperar la existencia de la solucin del la ecuacin en diferencias
presentado en 5.2.1 depende de las propiedades de la matrices A y B y no de la C puestas son A y B las que
determinan la dinmica del sistema. Siguiendo a King y Watson (1995) la existencia de una solucin (no
necesariamente estable) esta garantizada si no existe un z C tal que |Az B| = 0. Esto es, no puede ser
el caso que para todo z se tenga|Az B| = 0. Suponga que esto ltimo es el caso y dena el operador de
expectativas como
E[x
t+1
|F
t
] := Fx
t
entonces el sistema 5.2.1 se puede escribir de la forma
AFx
t
= Bx
t
+Cz
t
(AF B)x
t
= Cz
t
Como AzB es singular (|Az B| =0 para todo z) entonces sus columnas son linealmente dependiente y por
tanto existe un vector a(z) tal que a(z)
(Az B) = 0. Como Az B es singular para todo z entonces tambien

lo es para z = F luego que
a(F)
(AF B)x
t
= a(F)
Cz
t
0 = a(F)
Cz
t
lo cual no necesariamente se cumple para todo C y z
t
. Es claro que para que exista una solucin la matrix
Az B no puede ser singular para todo z.
Solucin. La idea de Klein al igual que la de Blanchard-Khan es descomponer el sistema 5.2.1 en dos
subsistemas: uno estable y el otro inestable. Para lograr la descomposicin del sistema 5.2.1 Klein usar la
descomposicin de generalizada de Shur. El mtodo de Klein es ms general que el de BK puesto que A
puede ser singular.
La solucin de Klein empieza por ordenar las variables en x
t
asi:
x
t
n1
=
_
k
t
n
k
1
d
t
_
siendo k
t
variables backward-looking o predeterminadas y d
t
variables forward-looking. Las variables backward-
looking se denen como aquellas variables que cumplen con la siguiente condicin:
(5.2.2) k
t+1
E[k
t+1
|F
t
] =
t+1
siendo
t
el error exgeno de expectativas y para las cuales se tiene k
0
exogenamente dado.
La denicin de backward-lookiness de Klein implica que los errores de pronstico de los agentes son
en promedio cero y que la correlacin serial (memoria) entre los errores es acotada. Esta misma denicin
en BK implicaba que no existan error de expectativas. Esto es, k
t+1
E[k
t+1
|F
t
] = 0.
Se requieren dos supestos adicionales para lograr que el sistema denido en (5.2.1) satisfaga las condi-
ciones del Teorema de la descomposin generalizada de Shur.
Supuesto 1:
Existe un z C tal que |Az B| = 0.
Supuesto 2:
No existe un z C con |z| = 1tal que |Az B| = 0
Como se vi antes, el supuesto 1 garantiza que el sistema tenga una solucin. Mientras que el supuesto 2 hace
que sea posible organizar los valores propios generalizados entre aquellos mayores que uno y los menores
que uno en mdulo, esto es que || > 1 o que || < 1. En general por el Teorema de Shur sabemos que
los valores propios generalizados son de la forma (A, B) = t
ii
/s
ii
cons
ii
= 0. Luego existen las siguientes
posibilidades para
(A, B) =
_
_
> 1 |t
ii
| >|s
ii
|
= 1 |t
ii
| =|s
ii
|
< 1 |t
ii
| <|s
ii
|
el caso |t
ii
| =|s
ii
|no se puede dar por el supuesto 2. Ahora, dado que A es singular, es posible que para algn
|s
ii
| = 0. En cuyo caso, uno de los valores (A, B) no estara denido. Sin embargo, en estos casos, Klein
asume que || = . Mas aun, por el Teorema de Shur sabemos que como Az B es regular entonces no es
posible |s
ii
| =|t
ii
| = 0.
Dados esos supuestos sabemos por el Teorema de Shur que existen las matrices Q, Z, S, T. Ademas
sabemos que el supuesto 2 nos permite organizar la matrices S y T de tal forma que los valores propios
con modulo menor que uno (estables) aparecen primero, esto es, aquellos valores propios para los cuales
|s
ii
| > |t
ii
|. Esta reoganizacin de los valores propios implica una organizacin equivalente en la matriz Z
pero no implica que las variables en x
t
se reorganicen. Puesto que, se sigue cumpliendo que Q
AZ
= S
y
que Q
BZ
= T
donde las matrices con asteriscos son las matrices reordenadas.

La matriz Z se puede expresar como una matriz particionada asi:
Z
(nn)
=
_
_
Z
11
(n
s
n
k
)
Z
12
(n
s
n
d
)
Z
21
(n
u
n
k
)
Z
22
(n
u
n
d
)
_
_
siendo n = n
k
+n
d
y n = n
s
+n
u
. Notece que para que esta particin sea consistente con la particin del
vector necesitamos que el nmero de variables backward-looking sea igual al nmero de valores propios
generalizados con mdulo menor que uno. Luego n
s
= n
k
y n
d
= n
u
.
Como veremos ms adelante, para que exista una nica solucin estable se necesita que Z
11
sea inverible.
Entonces tenemos un tercer supuesto
Supuesto 3:
Z
11
es cuadrada e invertible.
Teorema:
Dados todos los anteriores supuestos existe una solucin estable y nica.
Prueba: Lo primero es denir un sistema triangular para lo cual usamos la descomposicin de Shur. Para
esto, se trabaja en una nuevo conjunto de variables denidas mediante la transformacin
x
t
= Zy
t
.
Dada esta transformacin es posible re-escribir el sistema (5.2.1) en trminos de y
t
(5.2.3) AE[Zy
t+1
|F
t
] = BZy
t
+Cz
t
ahora sabemos que existen las matrices Q tales que QAZ = S y QBZ = T entonces premultiplicando (5.2.3)
por Q tenemos
QAZE[y
t+1
|F
t
] = QBZy
t
+QCz
t
SE[y
t+1
|F
t
] = Ty
t
+QCz
t
el cual se puede escribir en forma extendida como
(5.2.4)
_
S
11
S
12
0 S
22
_
E[y
t+1
|F
t
] =
_
T
11
T
12
0 T
22
_
y
t
+
_
Q
1
Q
2
_
Cz
t
ahora las variables en el vector y
t
se pueden renombrar como variables estables e instables. Esto es, y
t
=
(s
t
, u
t
)
y por tanto (5.2.4) se puede re-escribir como

_
S
11
S
12
0 S
22
_
E
__
s
t+1
u
t+1
_
|F
_
=
_
T
11
T
12
0 T
22
__
s
t
u
t
_
+
_
Q
1
Q
2
_
Cz
t
.
De esta forma tenemos que (5.2.4) ya esta dividido en dos subsistemas uno estable y el otro insetable.
Siendo el sistema inestable
S
22
E[u
t+1
|F
t
] = T
22
u
t
+Q
2
Cz
t
y el estable
S
11
E[s
t+1
|F
t
] +S
12
E[u
t+1
|F
t
] = T
11
s
t
+T
12
u
t
+Q
1
Cz
t
.
La idea del algoritmo de solucin es primero resolver el sistema inestable y luego resolver el sistema estable.
Solucin del sistema inestable.
S
22
E[u
t+1
|F
t
] = T
22
u
t
+Q
2
Cz
t
Sabemos por el ordenamiento de los valores propios generalizados que los valores propios de la matriz
pencil S
22
T
22
son todos inestables, i.e , o lo que es lo mismo que |s
ii
| <|t
ii
|.
La solucin de esta sistema se encuentra iterando hacia adelante. La iteracin es de la siguiente forma
S
22
E[u
t+1
|F
t
] = T
22
u
t
+Q
2
Cz
t
T
22
u
t
= S
22
E[u
t+1
|F
t
] Q
2
Cz
t
u
t
= T
1
22
S
22
E[u
t+1
|F
t
] T
1
22
Q
2
Cz
t
y por lo tanto se que
u
t+1
= T
1
22
S
22
E[u
t+2
|F
t+1
] T
1
22
Q
2
Cz
t+1
que puedo reemplzar en la ecuacin para u
t
as:
u
t
= T
1
22
S
22
E[u
t+1
|F
t
] T
1
22
Q
2
Cz
t
= T
1
22
S
22
T
1
22
S
22
E[E[u
t+2
|F
t+1
] |F
t
] T
1
22
S
22
Q
2
CE[z
t+1
|F
t
] T
1
22
Q
2
Cz
t+1
=
_
T
1
22
S
22
_
2
E[u
t+2
|F
t
] T
1
22
S
22
Q
2
CE[z
t+1
|F
t
] T
1
22
Q
2
Cz
t+1
de igual forma puedo reemplazar el valor de u
t+2
, etc
u
t+2
= T
1
22
S
22
E[u
t+3
|F
t+2
] T
1
22
Q
2
Cz
t+2
u
t
=
_
T
1
22
S
22
_
3
E[u
t+3
|F
t
]
_
T
1
22
S
22
_
2
T
1
22
Q
2
CE[z
t+2
|F
t
] T
1
22
Q
2
Cz
t+2
y por tanto para k iteraciones adelante tendramos
u
t
=
_
T
1
22
S
22
_
k
E[u
t+k
|F
t
]
k
s=0
_
T
1
22
S
22
_
s
T
1
22
Q
2
CE[z
t+s
|F
t
]
y tomando el limite cuando k tendramos
(5.2.5) u
t
=
s=0
_
T
1
22
S
22
_
s
T
1
22
Q
2
CE[z
t+s
|F
t
] .
Lo que resta es encontrar la solucin para s
t
. Para lo cual podemos contar con la solucin para u
t
. La
solucin para s
t
parte del subsistema de 5.2.3 estable dado por
S
11
E[s
t+1
|F
t
] +S
12
E[u
t+1
|F
t
] = T
11
s
t
+T
12
u
t
+Q
1
Cz
t
este subsistema lo podemos re-escribir como
(5.2.6) E[s
t+1
|F
t
] = S
1
11
T
11
s
t
+S
1
11
T
12
u
t
+S
1
11
Q
1
Cz
t
S
1
11
S
12
E[u
t+1
|F
t
]
pero sabemos ademas que u
t
= Mz
t
si z
t+1
= Z
t
+
t+1
(FALTA PONER PORQUE). Falta sin embargo,
una ecuacin para E[s
t+1
|F
t
] la cual podemos encontrar usando la denicin de backward-lookiness. Esto
es,
k
t+1
E[k
t+1
|F
t
] =
t+1
y el hecho de que
_
k
t
d
t
_
=
_
Z
11
Z
12
Z
21
Z
22
__
s
t
u
t
_
de lo cual sabemos que
k
t
= Z
11
s
t
+Z
12
u
t
y que por lo tanto
k
t+1
E[k
t+1
|F
t
] =
t+1
Z
11
s
t+1
+Z
12
u
t+1
Z
11
E[s
t+1
|F
t
] Z
12
E[u
t+1
|F
t
] =
t+1
Z
11
(s
t+1
E[s
t+1
|F
t
]) +Z
12
(u
t+1
E[u
t+1
|F
t
]) =
t+1
.
Bajo el supuesto de que Z
11
sea invertible tenemos
(s
t+1
E[s
t+1
|F
t
]) +Z
1
11
Z
12
(u
t+1
E[u
t+1
|F
t
]) = Z
1
11

t+1
y por tanto
s
t+1
=E[s
t+1
|F
t
] +Z
1
11

t+1
Z
1
11
Z
12
(u
t+1
E[u
t+1
|F
t
])
y sabemos por 5.2.6 que
s
t+1
= S
1
11
T
11
s
t
+S
1
11
T
12
u
t
+S
1
11
Q
1
Cz
t
S
1
11
S
12
E[u
t+1
|F
t
]
+Z
1
11

t+1
Z
1
11
Z
12
(u
t+1
E[u
t+1
|F
t
])
= S
1
11
T
11
s
t
+S
1
11
T
12
Mz
t
+S
1
11
Q
1
Cz
t
S
1
11
S
12
Mz
t
+Z
1
11

t+1
Z
1
11
Z
12
(Mz
t
+M
t+1
Mz
t
)
= S
1
11
T
11
s
t
+S
1
11
T
12
Mz
t
+S
1
11
Q
1
Cz
t
S
1
11
S
12
Mz
t
+Z
1
11

t+1
Z
1
11
Z
12
M
t+1
= S
1
11
T
11
s
t
+S
1
11
(T
12
M+Q
1
CS
12
M)z
t
Z
1
11
Z
12
M
t+1
+Z
1
11

t+1
que es la nica solucin estable para s
t
.
Hasta el momento tenemos la solucin para y
t
sin embargo, queremos la solucin para x
t
. Esta se puede
encontrar usando x
t
= Zy
t
de lo que sabemos que
k
t+1
= Z
11
s
t+1
+Z
12
u
t+1
d
t
= Z
21
s
t
+Z
22
u
t
,
adelantado la ecuacin del capital un perodo.
Para encontrar la solucin para x
t
tenemos las siguientes ecuaciones
s
t
= Z
H
11
k
t
+Z
H
12
d
t
(5.2.7)
u
t
= Z
H
21
k
t
+Z
H
22
d
t
(5.2.8)
k
t+1
= Z
11
s
t+1
+Z
12
u
t+1
(5.2.9)
d
t
= Z
21
s
t
+Z
22
u
t
(5.2.10)
y la solucin para s
t
y u
t
denidas en (??) y (5.2.5).
Reemplazando ?? en 5.2.9 tenemos
k
t+1
= Z
11
s
t+1
+Z
12
u
t+1
= Z
11
_
S
1
11
T
11
s
t
+S
1
11
(T
12
M+Q
1
CS
12
M)z
t
Z
1
11
Z
12
M
t+1
+Z
1
11

t+1
_
+
Z
12
u
t+1
=
_
Z
11
S
1
11
T
11
s
t
+Z
11
S
1
11
(T
12
M+Q
1
CS
12
M)z
t
Z
11
Z
1
11
Z
12
M
t+1
+Z
11
Z
1
11

t+1
_
+Z
12
u
t+1
=
_
Z
11
S
1
11
T
11
s
t
+Z
11
S
1
11
(T
12
M+Q
1
CS
12
M)z
t
Z
12
M
t+1
+
t+1
_
+Z
12
u
t+1
y reemplazando 5.2.7 en la expresin anterior tenemos
k
t+1
= Z
11
S
1
11
T
11
_
Z
H
11
k
t
+Z
H
12
d
t
_
+Z
11
S
1
11
(T
12
M+Q
1
CS
12
M)z
t
+Z
12
u
t+1
Z
12
M
t+1
+
t+1
k
t+1
= Z
11
S
1
11
T
11
Z
H
11
k
t
+Z
11
S
1
11
T
11
Z
H
12
d
t
+Z
11
S
1
11
(T
12
M+Q
1
CS
12
M)z
t
+Z
12
u
t+1
Z
12
M
t+1
+
t+1
k
t+1
= Z
11
S
1
11
T
11
Z
H
11
k
t
+Z
11
S
1
11
T
11
Z
H
12
d
t
+Z
11
S
1
11
(T
12
M+Q
1
CS
12
M)z
t
+Z
12
(Mz
t
+M
t+1
) Z
12
M
t+1
+
t+1
k
t+1
= Z
11
S
1
11
T
11
Z
H
11
k
t
+Z
11
S
1
11
T
11
Z
H
12
d
t
+Z
11
S
1
11
(T
12
M+Q
1
CS
12
M)z
t
+Z
12
Mz
t
+
t+1
k
t+1
= Z
11
S
1
11
T
11
Z
H
11
k
t
+Z
11
S
1
11
T
11
Z
H
12
d
t
+
_
Z
11
S
1
11
(T
12
M+Q
1
CS
12
M) +Z
12
M
_
z
t
+
t+1
este ltima expresin queda en funcin de k
t
, z
t
y d
t
pero debe quedar slo en funcin de k y zque son los
estados. Para lograr esto se necesita encontrar la solucin para d
t
en trminos de k
t
y z
t
. Reeemplazando
(5.2.7) y (5.2.8) en (5.2.10) tenemos
d
t
= Z
21
s
t
+Z
22
u
t
= Z
21
Z
H
11
k
t
+Z
21
Z
H
12
d
t
+Z
22
u
t
_
I Z
21
Z
H
12
_
d
t
= Z
21
Z
H
11
k
t
+Z
22
u
t
d
t
=
_
I Z
21
Z
H
12
_
1
_
Z
21
Z
H
11
k
t
+Z
22
Mz
t
_
esta expresin de d
t
la puedo reemplazar en la expresin para k
t+1
y tenemos
k
t+1
= Z
11
S
1
11
T
11
Z
H
11
k
t
+Z
11
S
1
11
T
11
Z
H
12
_
I Z
21
Z
H
12
_
1
_
Z
21
Z
H
11
k
t
+Z
22
Mz
t
_
+
_
Z
11
S
1
11
(T
12
M+Q
1
CS
12
M) +Z
12
M
_
z
t
+
t+1
=
_
Z
11
S
1
11
T
11
Z
H
11
+Z
11
S
1
11
T
11
Z
H
12
_
I Z
21
Z
H
12
_
1
Z
21
Z
H
11
_
k
t
+
_
Z
11
S
1
11
T
11
Z
H
12
_
I Z
21
Z
H
12
_
1
Z
22
M+Z
11
S
1
11
(T
12
M+Q
1
CS
12
M) +Z
12
M
_
z
t
+
t+1
= Pk
t
+Fz
t
+
t+1
siedo
P =
_
Z
11
S
1
11
T
11
Z
H
11
+Z
11
S
1
11
T
11
Z
H
12
_
I Z
21
Z
H
12
_
1
Z
21
Z
H
11
_
F =
_
Z
11
S
1
11
T
11
Z
H
12
_
I Z
21
Z
H
12
_
1
Z
22
M+Z
11
S
1
11
(T
12
M+Q
1
CS
12
M) +Z
12
M
_
que ya es una de la forma que buscamos. El nico problema es que todava tenemos trminos como Z
H
i j
los
cuales queremos eliminar. Falta entonces saber cuanto es Z
H
12
y Z
H
11
en trminos de los elementos de Z.
Se sabe que Z es unitaria y que por lo tanto la siguiente igualdad se cumple
_
Z
11
Z
12
Z
21
Z
22
__
Z
11
Z
12
Z
21
Z
22
_
H
=
_
I 0
0 I
_
_
Z
11
Z
12
Z
21
Z
22
__
Z
H
11
Z
H
12
Z
H
21
Z
H
22
_
=
_
I 0
0 I
_
siendo Z
H
i j
los elemento de la matriz Hermitan transpuesta. Esta igualdad nos permite encontrar los elementos
de Z
H
con funcin de los elementos de Z resolviendo el siguiente sistema de ecuaciones:
Z
11
Z
H
11
+Z
12
Z
H
21
= I
Z
21
Z
H
11
+Z
22
Z
H
21
= 0
Z
11
Z
H
12
+Z
12
Z
H
22
= 0
Z
21
Z
H
12
+Z
22
Z
H
22
= I.
Entonces,
Z
H
11
= Z
1
11
+Z
1
11
Z
12
_
Z
22
Z
21
Z
1
11
Z
12
_
1
Z
21
Z
1
11
Z
H
21
=
_
Z
22
Z
21
Z
1
11
Z
12
_
1
Z
21
Z
1
11
Z
H
12
= Z
1
11
Z
12
Z
H
22
Z
H
22
=
_
Z
22
Z
21
Z
1
11
Z
12
_
1
Usando estos resultados es posible mostrar que P
P = Z
11
S
1
11
T
11
Z
H
11
+Z
11
S
1
11
T
11
Z
H
12
_
I Z
21
Z
H
12
_
1
Z
21
Z
H
11
= Z
11
S
1
11
T
11
_
Z
H
11
Z
H
12
_
I Z
21
Z
H
12
_
1
Z
22
Z
H
21
_
= Z
11
S
1
11
T
11
_
Z
H
11
Z
H
12
_
Z
22
Z
H
22
_
1
Z
22
Z
H
21
_
= Z
11
S
1
11
T
11
_
Z
H
11
Z
H
12
_
Z
H
22
_
1
Z
1
22
Z
22
Z
H
21
_
= Z
11
S
1
11
T
11
_
Z
H
11
+Z
1
11
Z
12
Z
H
22
_
Z
H
22
_
1
Z
H
21
_
= Z
11
S
1
11
T
11
_
Z
H
11
+Z
1
11
Z
12
Z
H
21
_
= Z
11
S
1
11
T
11
_
Z
1
11
+Z
1
11
Z
12
_
Z
22
Z
21
Z
1
11
Z
12
_
1
Z
21
Z
1
11
+Z
1
11
Z
12
Z
H
21
_
= Z
11
S
1
11
T
11
_
Z
1
11
Z
1
11
Z
12
Z
H
21
+Z
1
11
Z
12
Z
H
21
_
P = Z
11
S
1
11
T
11
Z
1
11
y que F es
F =
_
Z
11
S
1
11
T
11
Z
H
12
_
I Z
21
Z
H
12
_
1
Z
22
M+Z
11
S
1
11
(T
12
M+Q
1
CS
12
M) +Z
12
M
_
=
_
Z
11
S
1
11
T
11
Z
H
12
_
Z
22
Z
H
22
_
1
Z
22
M+Z
11
S
1
11
(T
12
M+Q
1
CS
12
M) +Z
12
M
_
=
_
Z
11
S
1
11
T
11
Z
H
12
_
Z
H
22
_
1
Z
1
22
Z
22
M+Z
11
S
1
11
(T
12
M+Q
1
CS
12
M) +Z
12
M
_
=
_
Z
11
S
1
11
T
11
Z
1
11
Z
12
Z
H
22
_
Z
H
22
_
1
M+Z
11
S
1
11
(T
12
M+Q
1
CS
12
M) +Z
12
M
_
F =
_
Z
11
S
1
11
T
11
Z
1
11
Z
12
M+Z
11
S
1
11
(T
12
M+Q
1
CS
12
M) +Z
12
M
_
Con lo anterior, las matrices P y F quedan completamente denidas; sin embargo, an falta encontrar
expresiones para las matrices en la solucin de las variables no predeterminadas.
Sabemos que
d
t
=
_
I Z
21
Z
H
12
_
1
_
Z
21
Z
H
11
k
t
+Z
22
Mz
t
_
d
t
=
_
I Z
21
Z
H
12
_
1
Z
21
Z
H
11
k
t
+
_
I Z
21
Z
H
12
_
1
Z
22
Mz
t
De la expresin anterior, y usando las identidades denidas arriba
_
I Z
21
Z
H
12
_
1
Z
21
Z
H
11
=
_
I +Z
21
Z
1
11
Z
12
_
Z
22
Z
21
Z
1
11
Z
12
_
1
_
1
_
Z
21
Z
1
11
+Z
21
Z
1
11
Z
12
_
Z
22
Z
21
Z
1
11
Z
12
_
1
Z
21
Z
1
11
_
=
_
I +Z
21
Z
1
11
Z
12
_
Z
22
Z
21
Z
1
11
Z
12
_
1
_
1
_
I +Z
21
Z
1
11
Z
12
_
Z
22
Z
21
Z
1
11
Z
12
_
1
_
Z
21
Z
1
11
= Z
21
Z
1
11
Adems,
_
I Z
21
Z
H
12
_
1
Z
22
=
_
Z
22
Z
H
22
_
1
Z
22
=
_
Z
H
22
_
1
Z
1
22
Z
22
=
_
_
Z
22
Z
21
Z
1
11
Z
12
_
1
_
1
=
_
Z
22
Z
21
Z
1
11
Z
12
_
Luego la solucin de Klein se puede escribir como
k
t+1
= Pk
t
+Fz
t
+
t+1
d
t
= Z
21
Z
1
11
k
t
+
_
Z
22
Z
21
Z
1
11
Z
12
_
Mz
t
siendo
P = Z
11
S
1
11
T
11
Z
1
11
F =
_
Z
11
S
1
11
T
11
Z
1
11
Z
12
M+Z
11
S
1
11
(T
12
M+Q
1
CS
12
M) +Z
12
M
_
5.3. Solucin de un DSGE con poltica ptima
Parte 2
Ejemplos de modelos con expectativas racionales
Captulo 6
Modelo bsico
6.1. Hogares
Los hogares resulven el siguiente problema
m ax E
t
t=0
t
u(c
t
, m
t
, l
t
)
s.t w
t
l
t
+r
t
k
t1
+
t
+
(1+i
t
)
(1+
t
)
b
t1
+
m
t
(1+
t
)
= c
t
+x
t
+m
t
+b
t
k
t
= (1)k
t1
+x
t
Condiciones de primer orden.
L = E
t
_

t=0
t
_
u(c
t
, m
t
, l
t
)+
+
t
_
w
t
l
t
+r
t
k
t1
+
t
+
(1+i
t1
)
(1+
t
)
b
t1
+
m
t1
(1+
t
)
c
t
x
t
m
t
b
t
_
+
t
(k
t
(1)k
t1
x
t
)
_
E
t
[u
c
(c
t
, m
t
, l
t
)
t
] = 0
E
t
[u
l
(c
t
, m
t
, l
t
)
t
w
t
] = 0
E
t
[
t
+
t
] = 0
E
t
[
t+1
r
t+1
+
t
t+1
(1)] = 0
E
t
_
u
m
(c
t
, m
t
, l
t
)
t
+

t+1
1+
t+1
_
= 0
E
t
_
t
+
t+1
(1+i
t
)
(1+
t+1
)
_
= 0
E
t
_
w
t
l
t
+r
t
k
t1
+
t
+
(1+i
t1
)
(1+
t
)
b
t1
+
m
t1
(1+
t
)
c
t
x
t
m
t
b
t
_
= 0
E
t
[k
t
(1)k
t1
x
t
] = 0
Estas condiciones de primer orden se pueden simplicar como:
87
88 6. MODELO BSICO
E
t
[u
c
(c
t
, m
t
, l
t
)
t
] = 0
E
t
[u
l
(c
t
, m
t
, l
t
)
t
w
t
] = 0
E
t
[
t
+
t+1
(r
t+1
(1))] = 0
E
t
_
u
m
(c
t
, m
t
, l
t
)
t
+

t+1
1+
t+1
_
= 0
E
t
_
t
+
t+1
(1+i
t
)
(1+
t+1
)
_
= 0
lo que implica que la q de tobn sera: q
t
=
t
/
t
= 1 en este modelo. Luego tenemos siete ecuaciones para
(b
t
, k
t
, m
t
, c
t
, x
t
,
t
, l
t
)
.
6.1.1. Firmas. El objetivo de la rma se alcanza escogiendo demandas de factores (y por tanto un
nivel de produccin) que minimicen sus costos y maximicen sus benecios. El problema de minimizacin
de costos es el siguiente:
Min
l
t
,k
t1
w
t
l
t
+r
t
k
t1
s.t
0 = y
t
z
t
k
t1
l
(1)
t
El problema anterior se representa en el lagrangiano propuesto a continuacin:
L = w
t
l
t
+r
t
k
t1
+
t
_
y
t
z
t
k
t1
l
(1)
t
_
w
t
=
t
(1)z
t
k
t1
l
t
r
t
=
t
z
t
k
1
t1
l
1
t
y
t
= z
t
k
t1
l
(1)
t
De las dos primeras condiciones se obtiene:
l
t
=

t
w
t
(1)y
t
k
t1
=

t
r
t
y
t
Planteando la funcin de costos mnimos se obtiene:
Costos M nimos = w
t
_
t
w
t
(1)y
t
_
+r
t
_
t
r
t
y
t
_
t
(1)y
t
+
t
y
t
t
y
t
Se concluye que
t
es igual al costo marginal real de la rma, esto es, la derivada de la funcion de costos
mnimos respecto a la cantidad producida.
De las condiciones de primer orden es posible llegar a una expresin para
t
al reemplazar las dos
primeras expresiones en la denicin de la funcin de produccin:
6.1. HOGARES 89
y
t
= z
t
_
t
r
t
y
t
_
t
w
t
(1)y
t
_
1
y
t
= z
t
t
y
t
_
r
t
_
_
1
w
t
_
1
t
=
1
z
t
_
r
t
_
w
t
1
_
1
No obstante y dado que las rmas se encuentran en competencia perfecta puede mostrarse que siendo
t
el costo marginal real de las rmas este debe ser igual a 1 en el ptimo. Siendo P
t
y
t
los ingresos de la
rma, para mximizar sus benecios (proceso que se muestra en detalle y en trminos reales ms abajo)
se debe igualar el ingreso marginal al costo marginal (condicin de equilibrio ampliamente conocida), as,
P
t
=Cmg
t
de donde se obtiene que el costo marginal de la rma debe ser igual a 1, pues
Cmg
t
P
t
=
t
= 1.
Las rmas pueden a su vez solucionar el problema de demanda de factores a travs de la maximizacin
de benecios, el resultado es igual al que se presenta en la minimizacin de costos; se comienza entonces
deniendo los benecios:
M ax
l
t
,k
t1
y
t
w
t
l
t
r
t
k
t1
y
t
= z
t
k
t1
l
(1)
t
Bene f icios = z
t
k
t1
l
(1)
t
w
t
l
t
r
t
k
t1
Las condiciones de primer orden que maximizan los benecios de la rma son:
E
t
_
w
t
+(1)z
t
k
t1
l
= 0
E
t
_
r
t
+z
t
k
1
t1
l
1
t
= 0
E
t
_
z
t
k
t1
l
(1)
t
y
t
_
= 0
Del problema de las rmas tenemos las siguientes ecuaciones simplicadas:
w
t
= (1)z
t
k
t1
l
t
= (1)
y
t
l
t
r
t
= z
t
k
1
t1
l
1
t
=
y
t
k
t
y
t
= z
t
k
t1
l
(1)
t
6.1.2. Equilibrio.
E
t
[u
c
(c
t
, m
t
, l
t
)
t
] = 0
E
t
[u
l
(c
t
, m
t
, l
t
)
t
w
t
] = 0
E
t
[
t
+
t+1
(r
t+1
(1))] = 0
E
t
_
u
m
(c
t
, m
t
, l
t
)
t
+

t+1
1+
t+1
_
= 0
E
t
_
t
+
t+1
(1+i
t
)
(1+
t+1
)
_
= 0
E
t
_
w
t
(1)
y
t
l
t
_
= 0
90 6. MODELO BSICO
E
t
_
r
t
y
t
k
t
_
= 0
E
t
_
y
t
z
t
k
t1
l
(1)
t
_
= 0
E
t
[k
t
(1)k
t1
x
t
] = 0
y la restriccin de presupuesto de los hogares pero agregada, en la cual tenemos que los bonos deben ser
cero.
E
t
_
w
t
l
t
+r
t
k
t1
+
t
+
m
t1
(1+
t
)
c
t
x
t
m
t
_
= 0.
Esta ltima ecuacin se simplica en el agregado pues, los cambios en la cantidad de dinero nominales ex-
presados en trminos reales (M
t
M
t1
)/P
t
deben ser iguales a las transferencias de suma ja del gobierno
a los hogares. Esto es,
t
=
M
t
M
t1
P
t
= m
t
m
t1
(1+
t
)
luego, la restriccin de recursos se reduce a:
E
t
[w
t
l
t
+r
t
k
t1
c
t
x
t
] = 0.
Hasta el momento tenemos diez ecuaciones para determinar el vector(c
t
, l
t
, m
t
, x
t
, k
t
,
t
, y
t
, w
t
, r
t
, i
t
,
t
, z
t
)
que tiene doce elementos. Falta una ecuacion que determine la inacin y una que diga cual es la evolucin
del choque de productividad. La inacin la podemos relacionar con el crecimiento del dinero en trminos
nominales. Esto es,
M
t
M
t1
=
_
1+z
t
_
siendo z
t
la tasa de crecimiento del dinero en trminos nominales. Si expresamos esta ecuacin en trminos
del crecimiento de los agregados reales tenemos
m
t
m
t1
P
t1
P
t
=
_
1+z
t
_
m
t
m
t1
(1+
t
) =
_
1+z
t
_
que es una ecuacin que relaciona, el crecimiento de la cantidad nominal de dinero con la tasa de inacin.
Suponemos adems que
lnz
t+1
= (1
)lnz
lnz
t
+
t
.
lnz
t+1
= (1)lnz + lnz
t
+
p
t
.
con lo cual cerramos el modelo.
6.1.3. Solucin. Para encontrar la solucin necesitamos la forma funcional para la utilidad. Siguiendo
a Walsh tomamos
u(c
t
, m
t
, l
t
) =
_
ac
1b
t
+(1a)m
1b
t
_ 1
1b
+
(1l
t
)
1
1
luego tenemos que
u
c
(c
t
, m
t
, l
t
) =
_
ac
1b
t
+(1a)m
1b
t
_ b
1b
ac
b
t
u
m
(c
t
, m
t
, l
t
) =
_
ac
1b
t
+(1a)m
1b
t
_ b
1b
(1a)m
b
t
u
l
(c
t
, m
t
, l
t
) =(1l
t
)
.
6.1. HOGARES 91
6.1.4. Estado estacionario. En el estado estacionario las variables del modelo cumplen:
_
ac
1b
+(1a)m
1b
_ b
1b
ac
b
= 0
(1l)
+w = 0
+
_
r
k
+(1)
_
= 0
_
ac
1b
+(1a)m
1b
_ b
1b
(1a)m
b
+

1+
= 0
+
(1+i)
(1+)
= 0
w+(1)
y
l
= 0
r
k
+
y
k
= 0
y +zk
l
1
= 0
x +(1)k k = 0
wl +r
k
k c x = 0
m
1+z
1+
m = 0
lnz
(1
)ln z
lnz
= 0
lnz (1)ln z lnz = 0
Algunas de estas ecuaciones pueden ser simplicadas y dan por si mismas relaciones de estado estacio-
nario en trminos de parmetros, estas son:
z = z
z
= z
r
k
=
1
+ 1
= z
i =
1+ z
1
Para encontrar los niveles de las dems variables en el estado estacionario es necesario realizar ms pa-
sos, a continuacin se muestran las variables en trminos de otras variables que en ltimas sern encontradas
en trminos de parmetros:
y = zk
l
1
l =
_
r
k
z
_
1
1
k
w = (1)z
_
r
k
z
_

1
x = k
A partir de las condiciones de primer orden para las tenencias de saldos monetarios reales y para el
consumo se puede obtener la demanda de saldos monetarios reales de estado estacionario.:
92 6. MODELO BSICO
_
ac
1b
+(1a)m
1b
_ b
1b
(1a)m
b
+

1+
= 0
_
ac
1b
+(1a)m
1b
_ b
1b
(1a)m
b
+

1+i
= 0
_
ac
1b
+(1a)m
1b
_ b
1b
(1a)m
b
=
i
1+i
_
ac
1b
+(1a)m
1b
_ b
1b
(1a)m
b
=
i
1+i
_
ac
1b
+(1a)m
1b
_ b
1b
ac
b
(1a)m
b
=
i
1+i
ac
b
m
b
=
a
1a
i
1+i
c
b
m =
_
a
1a
i
1+i
_1
b
c
Utilizando el resultado anterior es posible llegar a los siguientes resultados:
= a
_
a+(1a)
_
1a
a
1+i
i
_1b
b
_
b
1b
c = wl +
_
r
k
_
k
Reemplazando lo anterior en la restriccin presupuestal se puede despejar al capital en trminos de
parmetros, ya que las variables que an no se conocen dependen del capital de estado estacionario directa
o indirectamente al encontrar su nivel se solucionar el modelo en estado estacionario:
w = (1l)
_a
_
a+(1a)
_
1a
a
1+i
i
_1b
b
_
b
1b
_
w
_
_
_
1
= 1l
_
_a
_
a+(1a)
_
1a
a
1+i
i
_1b
b
_
b
1b
_
w
_
_
_
1
= 1
_
r
k
z
_
1
1
k
_
r
k
z
_
1
1
k = 1
_
_a
_
a+(1a)
_
1a
a
1+i
i
_1b
b
_
b
1b
_
w
_
_
_
1
k =
_
r
k
z
_
1
1
_
_
1
_
_a
_
a+(1a)
_
1a
a
1+i
i
_1b
b
_
b
1b
_
w
_
_
_
1
_
Conociendo el nivel de capital se conocen los valores de todas las variables en el estado estacionario.
6.2. MODELO CON COMPETENCIA MONOPOLSTICA SIN PRECIOS RGIDOS 93
6.2. Modelo con competencia monopolstica sin precios rgidos
6.2.1. Hogares. Los hogares resuelven el siguiente problema de maximizacin
m ax E
t
t=0
t
u(c
t
, l
t
)
s.t
W
t
P
t
l
t
+
R
t
P
t
k
t1
+
Pr
t
P
t
+
t
+
(1+i
t
)
(1+
t
)
b
t1
= c
t
+x
t
+b
t
k
t
= (1)k
t1
+x
t
siendo Pr
t
los benecios nominales de las rmas productoras de bienes intermedios. Las cuales se supone
son de propiedad de los hogares.
L = E
t
_

t=0
t
_
u(c
t
, l
t
)
+
t
_
W
t
P
t
l
t
+
R
t
P
t
k
t1
+
Pr
t
P
t
+
t
+
(1+i
t1
)
(1+
t
)
b
t1
c
t
x
t
b
t
_
+
t
(k
t
(1)k
t1
x
t
)
_
1
E
t
[u
c
(c
t
, l
t
)
t
] = 0
E
t
[u
l
(c
t
, l
t
)
t
w
t
] = 0
E
t
[
t
+
t+1
(r
t+1
+(1))] = 0
E
t
_
t
+
t+1
(1+i
t
)
(1+
t+1
)
_
= 0
E
t
_
W
t
P
t
l
t
+
R
t
P
t
k
t1
+
Pr
t
P
t
+
t
+
(1+i
t1
)
(1+
t
)
b
t1
c
t
x
t
b
t
_
= 0
E
t
[k
t
(1)k
t1
x
t
] = 0.
6.2.2. Firmas. Hay dos tipos de rmas. Las productoras del bien nal y las productoras de bienes
intermedios. Las primeras se supone operan en competencia perfecta y maximizan benecios. Por su lado,
las rmas productoras de bienes intermedios venden variedades diferenciadas de bienes y se suponen operan
en competencia monopolstica y toman como dado el precio de los insumos.
Productoras del bien nal. Las rmas productoras de bien nal deben seleccionar las cantidades de
insumos que maximizan sus benecios dados los precios de cada insumo. Esto es,
m ax p
t
y
t
1
0
y
it
p
it
s.t y
t
=
_
1
0
y
1
1+
it
_
1+
1
Recordando que la q del modelo es igual a 1.
94 6. MODELO BSICO
m ax
y
it
p
t
_
1
0
y
1
1+
it
di
_
1+
1
0
y
it
p
it
di
luego
p
t
(1+)
_
1
0
y
1
1+
it
di
_
1
1+
y
1
1+
1
it
= p
it
_
_
1
0
y
1
1+
it
di
_
1+
_

1+
y
1
1+
1
it
=
p
it
p
t
y
1+
t
y
11
1+
it
=
p
it
p
t
y
1+
it
=
_
p
it
p
t
_
y
1+
t
y
it
=
_
p
it
p
t
_
1+
y
t
Productoras de bienes intermedios. El primer problema que la i-sima rma debe resolver es la mini-
mizacin de costos
mn r
t
k
it1
+w
t
l
it
y
it
= z
t
k
it1
l
(1)
it
El segundo problema que la rma resuelve es la maximizacin de benecios mediante la seleccin del
precio ptimo. Estos es,
m ax (p
it
t
)y
it
s.t y
it
=
_
p
it
p
t
_
y
t
.
t
son los costos marginales nominales y y
it
la demanda relativa del bien i.
Costos marginales: Se pueden encontrar resolviendo este problema de optimizacin.
mn r
t
k
it1
+w
t
l
it
y
it
= z
t
k
it1
l
(1)
it
Usando el teorema de la envolvente se sabe que
t
es el multiplicador de lagrange en este problema.
L = r
t
k
it1
+w
t
l
it
+
t
_
y
it
z
t
k
it1
l
(1)
it
_
y las condiciones de primer orden serian:
r
t
y
it
k
it1
= 0
w
t
t
(1)
y
it
l
it
= 0
y
it
z
t
k
it1
l
(1)
it
= 0
y por tanto tenemos que:
l
it
= z
1
t
_
1
_
r
t
w
t
_
y
it
k
it1
= z
1
t
_
1
_
1
_
r
t
w
t
_
1
y
it
t
= z
1
t
_
1
1
_
1
_
1
t
w
1
t
.
El lgebra de este resultado esta en el apndice.
Maximizacin de benecios (precio ptimo). El segundo problema que la rma resuelve es la maximi-
zacin de benecios mediante la seleccin del precio ptimo. Estos es,
m ax (p
it
n
t
)y
it
s.t y
it
=
_
p
it
p
t
_
1+
y
t
Donde
n
t
es el costo marginal nominal de la rma.
El problema de minimizacin sera,
m ax
p
it
(p
it
n
t
)
_
p
it
p
t
_
1+
y
t
y las condiciones de primer orden
0 =
1
_
1
p
t
_
1+
(p
it
)
1
1
y
t
+
n
t
1+
_
1
p
t
_
1+
(p
it
)
1+
1
y
t
0 =
1
_
1
p
t
_
1+
(p
it
)
1+
y
t
+
n
t
1+
_
1
p
t
_
1+
(p
it
)
1+
1
y
t
0 =
_
1+
n
t
(1+) p
1
it
_
1
_
1
p
t
_
1+
(p
it
)
1+
y
t
0 =
_
1+
n
t
(1+) p
1
it
_
1
_
p
it
p
t
_
1+
y
t
0 = 1+
n
t
(1+) p
1
it
p
it
= (1+)
n
t
Luego el precio ptimo que cobra la rma es un mark-up sobre le costo marginal nominal. El precio
ptimo que cobran las rmas no depende de i pues los costos marginales son iguales para las distintas rmas.
Tambin se concluye que el costo marginal real puede ser expresao como:
t
=
1
1+
6.2.3. Agregacin del problema de las rmas. De las condiciones de primer orden sabemos que
r
t
w
t
=

(1)
l
it
k
it1
lo cual implica que la relacion capital trabajo debe ser igual para todas las rmas. Esto es,
l
it
k
it1
=
l
t
k
t1
siendo k
t1
=
1
0
k
it1
di y l
t
=
1
0
l
it
di.
Ahora
96 6. MODELO BSICO
1
0
y
it
di =
1
0
z
t
k
it1
l
(1)
it
di
y
t
=
1
0
z
t
_
k
it
l
it
_
l
it
di
= z
t
_
k
t
l
t
_

1
0
l
it
di
luego
y
t
= z
t
k
t1
l
(1)
t
.
Para obtener el equilibrio en el mercado de bienes sabemos que
y
it
=
_
p
it
p
t
_
1+
y
t
=
_
p
it
p
t
_
1+
(c
t
+x
t
)
Luego en el agregado tenemos que
y
t
=
1
0
_
p
it
p
t
_
1+
(c
t
+x
t
)di
= (c
t
+x
t
)
1
0
_
p
it
p
t
_
1+
di
= c
t
+x
t
pues sabemos que p
it
= p
t
para todo i ya que los precios son exibles y todas las rmas ajustan al mismo
precio y por lo tanto,

1
0
_
p
it
p
t
_
1+
di = 1.
De igual forma, debe ser que
w
t
t
(1)
y
t
l
t
= 0
y que
r
t
y
t
k
t1
= 0
pues todas las rmas deben tener la misma relacin capital trabajo.
Por ltimo, se puede mostrar, que los benecios de las rmas productoras de bienes intermedios estn
dados por
pr
t
=
1
0
(p
it
y
it
n
t
y
it
)di
=
1
0
(p
t
n
t
)y
it
di
= ((1+)
n
t

n
t
)
1
0
_
p
it
p
t
_
1+
y
t
di
=
n
t
y
t
pr
t
p
t
=

1+
y
t
donde la ltima identidad se cumple pues
p
it
1+
=
p
t
1+
=
n
t
.
pr
t
p
t
=

1+
y
t
Lo que implica que
W
t
P
t
l
t
+
R
t
P
t
k
t1
+
Pr
t
P
t
=
1
1+
y
t
+

1+
y
t
=
1
1+
y
t
(1+)
= y
t
Relaciones de Equilibrio.
Del problema de los hogares.
E
t
[u
c
(c
t
, l
t
)
t
] = 0 (1)
E
t
[u
l
(c
t
, l
t
)
t
w
t
] = 0 (2)
E
t
[
t
+
t+1
(r
t+1
+(1))] = 0 (3)
E
t
_
t
+
t+1
(1+i
t
)
(1+
t+1
)
_
= 0 (4)
E
t
[y
t
c
t
x
t
] = 0 (5)
E
t
[k
t
(1)k
t1
x
t
] = 0 (6)
Del problema de las rmas.
r
t
1
1+
y
t
k
t1
= 0 (7)
w
t
(1)
1
1+
y
t
l
t
= 0 (8)
y
t
= z
t
k
t1
l
1
t
(9)
Pr
t
=

1+
y
t
(10)
Del gobierno.
(1+i
t
) =
_
1+i
_
_
1+
t
1+
_
t
(11)
que es una ecuacin que relaciona el crecimiento de la cantidad nominal de dinero con la tasa de inacin.
Choques exgenos.
lnz
p
t+1
= (1)ln z
p
+ lnz
p
t
+
p
t
(12).
En total tenemos: 12 ecuaciones para 12 variables.
z
p
t
, k
t
, c
t
,
t
, l
t
, x
t
, y
t
, w
t
, r
t
, i
t
,
t
, Pr
t
98 6. MODELO BSICO
APENDICE: Derivancin del costo marginal y las demandas relativas de factores para las rmas
productoras de bienes intermedios. De las condiciones de primer orden tenemos que:
r
t
w
t
=
y
it
k
it1
t
(1)
y
it
l
it
r
t
w
t
=
_

1
_
l
it
k
it1
Luego
k
it1
=
_

1
__
w
t
r
t
_
l
it
el cual se puede reemplazar en la funcin de produccin
y
it
= z
t
k
it1
l
(1)
it
= z
p
t
_

1
_
_
w
t
r
t
_
l
it
y por tanto tenemos
l
it
= z
1
t
_
1
_
r
t
w
t
_
y
it
y la demanda por capital
k
it1
=
_

1
__
w
t
r
t
_
l
it
= z
1
t
_
1
_
1
_
r
t
w
t
_
1
y
it
Por ltimo, el costo marginal se puede calcular derivando la funcin de costos respecto a la produccin de
la rma. Esto es,
r
t
k
it1
+w
t
l
it
= z
1
t
_
r
t
_
1
_
1
_
r
t
w
t
_
1
+w
t
_
1
_
r
t
w
t
_
_
y
it
y por lo tanto,
t
= z
1
t
_
r
t
_
1
_
1
_
r
t
w
t
_
1
+w
t
_
1
_
r
t
w
t
_
_
= z
1
t
_
_
1
_
1
_
1
w
t
_
1
r
t
+
_
1
_
1
w
t
_
1
r
t
_
= z
1
t
_
_
1
_
1
+
_
1
_
r
t
w
1
t
= z
1
t
_
1
__

1
_
+1
_
r
t
w
1
t
= z
1
t
(1)
1
t
w
1
t
.
Puede notarse en el ltimo resultado que el costo marginal es el mismo para todas las rmas productoras
de bienes intermedios y que disminuye conforme aumenta la productividad.
Tambin puede mostrarse que los costos de la rma sern iguales a
t
y
it
.
*** FIN DE APENDICE.
6.2.4. Formas funcionales. Para encontrar la solucin necesitamos la forma funcional para la utili-
dad. Siguiendo a Walsh tomamos
u(c
t
, l
t
) =
_
z
p
t
c
t
_
1
(1l
t
)
(1)
1
luego tenemos que
u
c
(c
t
, l
t
) =
_
z
p
t
_
1
c
t
(1l
t
)
(1)
u
l
(c
t
, l
t
) =
_
z
p
t
c
t
_
1
(1l
t
)
(1)1
donde z
p
t
sigue el siguiente proceso:
lnz
p
=
p
lnz
p
+(1
p
)ln z
p
6.2.5. Estado estacionario. Las variables en estado estacionario deben cumplir con las condiciones
ya mostradas en el equilibrio.
A partir de dichas ecuaciones se obtienen los siguientes resultados:
z
p
= z
p
z
= z
r =
1
+ 1
=
i =

i
y = zk
l
1
l =
_
r (1+)
z
_ 1
1
k
w =
1
1+
z
p
_
r (1+)
z
_
1
x = k
Pr =

1+
y
Utilizando el resultado anterior es posible llegar a los siguientes resultados:
= (z
p
)
1
c
(1l)
(1)
De la condicin de primer orden de los hogares respecto al trabajo se obtiene:
(z
p
c)
1
(1l)
(1)1
= w
(z
p
c)
1
(1l)
(1)1
= (z
p
)
1
c
(1l)
(1)
w
c
t
=
w
(1l)
Reemplazando lo anterior en la restriccin presupuestal se puede despejar al capital en trminos de
parmetros, ya que las variables que an no se conocen dependen del capital de estado estacionario directa
100 6. MODELO BSICO
o indirectamente al encontrar su nivel se solucionar el modelo en estado estacionario:
y
t
= c +x
zk
l
1
=
w
(1l) +k
_
r (1+)
_
k =
w
_
1
_
r (1+)
z
_ 1
1
k
_
+k
w
_
r (1+)

_
k = 1
_
r (1+)
z
_ 1
1
k
_
w
_
r (1+)

_
+
_
r (1+)
z
_ 1
1
_
k = 1
k =
_
w
_
r (1+)

_
+
_
r (1+)
z
_ 1
1
_
1
Conociendo el nivel de capital se conocen los valores de todas las variables en el estado estacionario.
6.3. MODELO CON RIGIDECES REALES, PRECIOS FLEXIBLES Y COMPETENCIA PERFECTA 101
6.3. Modelo con rigideces reales, precios exibles y competencia perfecta
6.3.1. Problema de los hogares. Hay un conjunto de hogares indexados por j que resuelven el si-
guiente problema de optimizacin
L =
t=0
t
_
_
z
p
t
c
t
_
1
_
1z
h
t
l
t
_
(1)
1
+
t
_
z
I
t
x
t
1
2
_
x
t
z
I
t
k
t
(u
t
)
_
2
k
t
+(1 (u
t
))k
t
k
t+1
_
+
t
_
W
t
p
t
l
t
+
R
t
p
t
u
t
k
t
c
t
x
t
_
siendo
(u
t
) =
1
+
2
u
1+
t
1+
Las condiciones de primer orden de los hogares son
0 = E
t
_
_
z
p
t
_
1
c
t
_
1z
h
t
l
t
_
(1)
t
_
0 = E
t
_
_
z
p
t
_
(1)
c
1
t
z
h
t
_
1z
h
t
l
t
_
(1)1
+
t
w
t
_
0 = E
t
_
t
+
t+1
_
x
t+1
z
I
t+1
k
t+1
(u
t+1
)
_
x
t+1
z
I
t+1
k
t+1
t+1
2
_
x
t+1
z
I
t+1
k
t+1
(u
t+1
)
_
2
+
t+1
(1 (u
t+1
)) +
t+1
r
t+1
u
t+1
_
0 = E
t
_
t
z
I
t

t
_
x
t
z
I
t
k
t
(u
t
)
_
z
I
t

t
_
0 = E
t
_
t
_
_
x
t
z
I
t
k
t
(u
t
)
_
2
u
t
k
t
2
u
t
K
t
_
+
t
r
t
k
t
_
0 = E
t
_
z
I
t
x
t
1
2
_
x
t
z
I
t
k
t
(u
t
)
_
2
k
t
+(1 (u
t
))k
t
k
t+1
_
0 = E
t
[w
t
l
t
+r
t
u
t
k
t
c
t
x
t
]
6.3.2. Problema de las rmas en competencia perfecta.
m ax
t
= z
y
t
K
jt
l
1
jt
w
t
l
jt
r
t
K
jt
y las condiciones de primer orden para la rma j son
0 = E
t
_
(1)z
y
t
K
jt
l
jt
w
t
_
0 = E
t
_
z
y
t
K
1
jt
l
1
jt
r
t
_
.
Agregacin del problema de la rmas. En el agregado tenemos que
1
0
l
jt
d j = l
t
y que
1
0
K
jt
d j = k
t
u
t
102 6. MODELO BSICO
y por lo tanto las condiciones de primer orden de las rmas en el agregado seran
(1)z
y
t
1
0
_
K
jt
l
jt
_
d j w
t
= 0.
Como todas las rmas son iguales, la relacin capital trabajo debe ser igual para todas las rmas e igual a la
del conjunto de la economa. Esto es,
1
0
_
K
jt
l
jt
_
d j =
_
u
t
k
t
l
t
_
Luego la condicin agregada sera

(1)z
y
t
(u
t
K
t
)
t
w
t
= 0
De igual manera, la condicin agregada para el capital sera
z
y
t
1
0
_
K
1
jt
L
1
jt
_
d j r
t
= 0
z
y
t
1
0
_
K
jt
l
jt
_
1
d j r
t
= 0
z
y
t
(u
t
k
t
)
1
l
1
t
r
t
= 0
6.3.3. Condiciones de primer orden. En resumen, las condiciones de primer orden son
0 = E
t
_
_
z
p
t
_
1
c
t
_
1z
h
t
l
t
_
(1)
t
_
(6.3.1)
0 = E
t
_
_
z
p
t
_
(1)
c
1
t
z
h
t
_
1z
h
t
l
t
_
(1)1
+
t
w
t
_
(6.3.2)
0 = E
t
_
t
+
t+1
_
x
t+1
z
I
t+1
k
t+1
(u
t+1
)
_
x
t+1
z
I
t+1
k
t+1
t+1
2
_
x
t+1
z
I
t+1
k
t+1
(u
t+1
)
_
2
(6.3.3)
+
t+1
(1 (u
t+1
)) +
t+1
r
t+1
u
t+1
_
(6.3.4)
0 = E
t
_
t
z
I
t

t
_
x
t
z
I
t
k
t
(u
t
)
_
z
I
t

t
_
(6.3.5)
0 = E
t
_
t
_
_
x
t
z
I
t
k
t
(u
t
)
_
2
u
t
k
t
2
u
t
k
t
_
+
t
r
t
k
t
_
(6.3.6)
0 = E
t
_
z
y
t
(u
t
k
t
)
l
1
t
y
t
(6.3.7)
0 = E
t
_
(1)z
y
t
(u
t
k
t
)
t
w
t
(6.3.8)
0 = E
t
_
z
y
t
(u
t
k
t
)
1
l
1
t
r
t
_
(6.3.9)
0 = E
t
_
z
I
t
x
t
1
2
_
x
t
z
I
t
k
t
(u
t
)
_
2
k
t
+(1 (u
t
))k
t
k
t+1
_
(6.3.10)
0 = E
t
[y
t
c
t
x
t
] (6.3.11)
0 = E
t
_
y
lnz
y
t
+(1
y
)ln z
y
+
y
lnz
y
t+1
(6.3.12)
0 = E
t
_
p
lnz
p
t
+(1
p
)ln z
p
+
p
lnz
p
t+1
(6.3.13)
0 = E
t
_
h
lnz
h
t
+(1
h
)ln z
h
+
h
lnz
h
t+1
_
(6.3.14)
0 = E
t
_
I
lnz
I
t
+(1
I
)ln z
I
+
I
lnz
I
t+1
(6.3.15)
6.3. MODELO CON RIGIDECES REALES, PRECIOS FLEXIBLES Y COMPETENCIA PERFECTA 103
La variables son: c
t
, l
t
, x
t
, y
t
, k
t
, u
t
, w
t
, r
t
,
t
,
t
, z
p
t
, z
y
t
, z
h
t
, z
I
t
6.3.4. Estado estacionario. En el estado estacionariolas variables deben cumplir lo siguiente:
0 = (z
p
)
1
c
_
1z
h
l
_
(1)
(6.3.16)
0 = (z
p
)
(1)
c
1
z
h
_
1z
h
l
_
(1)1
+w (6.3.17)
0 = +
_
xz
I
k
(u)
_
xz
I
k

2
_
xz
I
k
(u)
_
2
+ (1 (u)) +ru (6.3.18)
0 = z
I
_
xz
I
k
(u)
_
z
I
(6.3.19)
0 =
_
_
xz
I
k
(u)
_
2
u
k
2
u
k
_
+rk (6.3.20)
0 = z
y
(uk)
l
1
y (6.3.21)
0 = (1)z
y
(uk)
w (6.3.22)
0 = z
y
(uk)
1
l
1
r (6.3.23)
0 = z
I
x
1
2
_
xz
I
k
(u)
_
2
k +(1 (u))k k (6.3.24)
0 = y
t
c
t
x
t
(6.3.25)
0 =
y
lnz
y
+(1
y
)ln z
y
lnz
y
(6.3.26)
0 =
p
lnz
p
+(1
p
)ln z
p
lnz
p
(6.3.27)
0 =
h
lnz
h
+(1
h
)ln z
h
lnz
h
(6.3.28)
0 =
I
lnz
I
+(1
I
)ln z
I
lnz
I
(6.3.29)
A partir de lo anterior puede establecerse que en estado estacionario
z
y
= z
y
z
p
= z
y
z
h
= z
h
z
I
= z
I
u = 1
De la ecuacin de acumulacin del capital se pude obtener el siguiente resultado:
0 = z
I
x
1
2
_
xz
I
k
(u)
_
2
k +(1 (u))k k
0 =
xz
I
k
(u)
1
2
_
xz
I
k
(u)
_
2
0 =
_
xz
I
k
(u)
__
1
1
2
_
xz
I
k
(u)
__
As una de estas dos opciones debe darse en el estado estacionario:
x =
_
1
+

2
1+
_
k
z
I
x =
_
2
+
1
+

2
1+
_
k
z
I
104 6. MODELO BSICO
Puede mostrarse que la primera opocin es la nica compatible con las condiciones de primer orden.
Con el anterior resultado puede verse en 6.3.19 que
= z
I
Usando esto en 6.3.20 se llega a:
r =

2
z
I
De 6.3.18 se obtiene:
r =
1
+
1
+

2
1+
1
z
I
Los dos resultados anteriores se cumplen dados los valores de los parmetros, sin embargo de usarse la
opcin dos para solucionar 6.3.24se llega a una contradiccin en este punto, asi la opcin uno es la nica
vlida.
De la ecuacin6.3.23 se puede obtener al trabajo en funcin del capital como sigue:
l =
_
r
z
y
_ 1
1
k
Con el resultado anterior y reemplazando en 6.3.22 se llega al salario real en trminos de parmetros
del modelo:
w = (1)z
y
_
r
z
y
_
1
Tambin puede verse que de forma inmediata se cuenta con los siguientes dos resultados:
= (z
p
)
1
c
_
1z
h
l
_
(1)
y = z
y
k
l
1
Utlizando lo encontrado hasta ahora en 6.3.17 se obtiene lo siguiente:
(z
p
)
(1)
c
1
z
h
_
1z
h
l
_
(1)1
= w
cz
h
= w
_
1z
h
l
_
c =
w
z
h
_
1z
h
_
r
z
y
_ 1
1
k
_
Por ltimo reemplazando los resultados conocidos en la ecuacion presupuestal se obtiene:
y = c +x
z
y
k
l
1
=
w
z
h
_
1z
h
_
r
z
y
_ 1
1
k
_
+
_
1
+

2
1+
_
k
z
I
z
y
_
r
z
y
_
k =
w
z
h

w
z
h
z
h
_
r
z
y
_ 1
1
k +
_
1
+

2
1+
_
k
z
I
_
r
_
k =
w
z
h

w
_
r
z
y
_ 1
1
k +
_
1
+

2
1+
_
k
z
I
_
r
+
w
_
r
z
y
_ 1
1
1
z
I
_
1
+

2
1+
_
_
k =
w
z
h
k =
w
z
h
_
r
+
w
_
r
z
y
_ 1
1
1
z
I
_
1
+

2
1+
_
_
1
Conociendo el nivel de estado estacionario de capital se tienen todas las variables faltantes en el estado
estacionario.
6.4. MODELO CON RIGIDECES DE PRECIOS 105
6.4. Modelo con rigideces de precios
En esta seccin modicamos el modelo de la seccin anterior para incluir rigideces de precios. La rigi-
dez de precios en s misma implica la existencia de inacin. Incluir inacin tambien tiene implicaciones
en el problema de los hogares. Consecuentemente, en esta seccin modicamos el modelo anterior de dos
formas: El problema de los hogares se aumenta con bonos que rentan una tasa de inters nominal y segun-
do, las rmas productoras de bienes intermedios tienen rigideces de precios. La jacin de precios sigue a
Calvo, esto es, en un momento dado, algunas rmas reciben la seal de ajustar precios mientras que otras
permanecen con el precio jo. Las rmas que ajustan precios tienen en cuenta que este nuevo precio debe
estar vigente por un nmero de periodos.
6.4.1. Problema de los hogares. Los hogares maximizan la utilidad esperada sujetos a una restric-
cin de presupuesto. Al igual que en el caso anterior, los hogares determinan el consumo, la inversin, la
utilizacin del capital y la oferta laboral mas la demanda de bonos.
Esto es,
m ax E
t
t=0
t
_
z
p
t
c
t
_
1
_
1z
h
t
l
t
_
(1)
1
s. t k
t
= z
I
t
x
t
1
2
_
x
t
z
I
t
k
t1
(u
t
)
_
2
k
t1
+(1 (u
t
))k
t1
W
t
p
t
l
t
+
R
k
t
p
t
u
t
k
t1
+
B
t1
p
t1
p
t1
p
t
(1+i
t1
) +
t
= c
t
+x
t
+
B
t
p
t
siendo B
t1
la cantidad de bonos (nominales) adquiridos en el perodo t 1 al precio P
t1
. Luego, b
t
=
B
t
p
t
,
al tiempo que
t
representa los benecios de las rmas productorasde bienes intermedios.
L = E
t
t=0
t
_
_
z
p
t
c
t
_
1
_
1z
h
t
l
t
_
(1)
1
+
t
_
z
I
t
x
t
1
2
_
x
t
z
I
t
k
t1
(u
t
)
_
2
k
t1
+(1 (u
t
))k
t1
k
t
_
+
t
_
W
t
p
t
l
t
+
R
k
t
p
t
u
t
k
t1
+b
t1
1+i
t1
1+
t
+
t
c
t
x
t
b
t
__
Las condiciones de primer orden de los hogares son
0 = E
t
_
_
z
p
t
_
1
c
t
_
1z
h
t
l
t
_
(1)
t
_
0 = E
t
_
z
h
t
_
z
p
t
c
t
_
1
_
1z
h
t
l
t
_
(1)1
+
t
W
t
p
t
_
0 = E
t
_
t
_
z
I
t

_
x
t
z
I
t
k
t1
(u
t
)
_
z
I
t
_
t
_
0 = E
t
_

t
+
t+1
R
k
t+1
p
t+1
u
t+1
t+1
2
_
x
t+1
z
I
t+1
k
t
(u
t+1
)
_
2
+
t+1
_
_
x
t+1
z
I
t+1
k
t
(u
t+1
)
_
x
t+1
z
I
t+1
k
t
+(1 (u
t+1
))
__
106 6. MODELO BSICO
0 = E
t
_
t
_
_
x
t
z
I
t
k
t1
(u
t
)
_
2
u
t

2
u
t
_
k
t1
+
t
R
k
t
p
t
k
t1
_
0 = E
t
_
t
+
t+1
1+i
t
1+
t+1
_
0 = E
t
_
z
I
t
x
t
1
2
_
x
t
z
I
t
k
t1
(u
t
)
_
2
k
t1
+(1 (u
t
))k
t1
k
t
_
0 = E
t
_
W
t
p
t
l
t
+
R
k
t
p
t
u
t
k
t1
+b
t1
1+i
t1
1+
t
+
t
c
t
x
t
b
t
_
6.4.2. El problema de las rmas productoras del bien nal. La tecnologa de produccin del bien
nal Y
t
es
Y
t
=
_
1
0
y
1
t j
d j
_

1
siendo y
jt
el j-simo insumo de produccin. El problema de optimizacin de las rmas productoras del bien
nal esta dado por
mn
y
jt
1
0
p
jt
y
jt
d j
s.t Y
t
=
_
1
0
y
1
t j
d j
_

1
siendo P
t
el precio del bien nal, que se toma como dado, y p
jt
el precio del bien intermedio y
jt
.
L =
p
jt
y
jt
d j
t
_
_
_
1
0
y
1
jt
d j
_

1
Y
t
_
_
y las condiciones de primer orden seran:
p
jt
1
1
_
1
0
y
1
jt
d j
_

1
1
y
1
1
jt
= 0
p
jt
t
_
1
0
y
1
jt
d j
_
1
1
y
jt
= 0
_
p
jt
t
_
=
_
1
0
y
1
jt
d j
_

1
y
jt
_
p
jt
t
_
=
1
_
1
0
y
1
jt
d j
_
1
y
jt
_
p
jt
t
_
=
1
Y
t
y
jt
y
jt
=
_
p
jt
t
_
Y
t
Falta tener un valor para
t
.
Y
t
=
_
1
0
y
1
jt
d j
_

1
Y
t
=
_
_
1
t
_
1

1
0
p
1
jt
d j
_
1
Y
t
1 =
_
1
t
_
_
1
0
p
1
jt
d j
_

1
t
=
_
1
0
(p
jt
)
1
d j
_

1
t
=
_
1
0
p
1
jt
d j
_
1
1
= P
t
Luego, el multiplicador de Lagrange de este problema es el precio agregado de la canasta o el ndice de
precios del productor, en este caso. Este precio, es el que se usa para deactar la restriccin de presupuesto
de los hogares.
6.4.3. Firmas productoras de bienes intermedios. Al igual que en la seccin dos el problema de
las rmas productoras de bienes intermedios se puede partir en dos: Primero, las rmas minimizan costos,
y segundo, seleccionan los precios ptimos maximizado benecios. La diferencia fundamental esta en el
segundo problema pues ahora este es un problema dinmico dado que las rmas no pueden cambiar sus
precios en todos los perodos.
1. Minimizacin de costos
Se supone que la tenologa de produccin de los de bienes intermedios est dada por y
jt
=z
y
t
_
u
t
k
jt1
_
l
1
jt
.
Como es usual, las condiciones de primer del problema de minimizacin de costos se pueden encontrar usan-
do el Lagrangiano dado por
L = r
t
u
t
k
jt1
+w
t
l
jt
+
y
t
_
y
jt
z
y
t
_
u
t
k
jt1
_
l
1
jt
_
.
Las siguientes condiciones de primer orden para el capital y el trabajo son
r
t
=
y
t
z
y
t
_
u
t
k
jt1
_
1
l
1
jt
w
t
=
y
t
(1)z
y
t
_
u
t
k
jt1
_
jt
que junto con la restriccin tecnolgica permiten encontrar la funcin de mnimo costo. Esto es, de las
condiciones de primer orden tenemos
r
t
w
t
=
l
jt
(1)u
t
k
jt1
de lo cual se obtienen
u
t
k
jt1
=
w
t
(1)r
t
l
jt
que junto con la restriccin tecnolgica implican las siguientes demandas de insumos
y
jt
= z
y
t
_
w
t
(1)r
t
l
jt
_
l
1
jt
l
jt
=
1
z
y
t
_
(1)r
t
w
t
_
y
jt
108 6. MODELO BSICO
u
t
k
jt1
=
w
t
(1)r
t
l
jt
u
t
k
jt1
=
1
z
y
t
_
(1)r
t
w
t
_
1
y
jt
.
Para determinar el valor de
t
podemos usar el teorema de la envolvente y tenemos entonces que
y
t
= c(w
t
, r
t
).
2. Maximizacin de benecios rmas intermedias
Cuando la rma tiene la oportunidad de jar precios esta lo hara maximizando el valor presente descon-
tado de esta decisin. Esto es,
m ax E
t
=0
t+
t
[p
jt+
t
] y
jt+
s.t y
j,t+
=
_
p
jt+
P
t+
_
y
t+
2
Si ponemos slo los trminos de la suma para los cuales el precio jado en t se mantiene, que no se han
ajustado, entonces el problema sera slo,
m ax E
t
=0
()

t+
t
[p
jt+
t
] y
jt+
s.t y
j,t+
=
_
p
jt+
P
t+
_
y
t+
y sujeto a una regla de jacin que esta activa cuando los precios no se ajustan ptimamente.
Se expondrn tres reglas de jacin de precios, que se notarn como A, B y C, esas son las siguientes:
A:
p
jt+
= p
t
B:
p
jt+
= p
jt
s=1
(1+
t+1s
)
C:
p
j,t+
= p
jt
(1+)
(1)
s=1
(1+
t+s1
)
Regla de jacin de precios A. De esta forma, cuando la regla es dejar el precio jo entonces en la
expresin anterior necesitamos cambiar
p
jt+
= p
t
y en este caso, el problema de maximizacin sera
m ax E
t
=0
()

t+
t
_
p
t
P
t+
t+
P
t+
_
y
jt+
s.t y
j,t+
=
_
p
t
P
t+
_
Y
t+
2
De ahora en adelante
t
es el costo marginal nominal de la rma productora de bienes intermedios, equivalente al
y
t
de la
seccin anterior multiplicado por el nivel genera de precios.
El problema puede ser reexpresado para eliminar la restriccin de la siguiente forma:
m ax
p
t
E
t
=0
()

t+
t
_
_
p
t
P
t+
_
1
t+
P
t+
_
p
t
P
t+
_
_
Y
t+
La condicin de primer orden que soluciona el problema de maximizacin de benecios que escoge el precio
ptimo es:
E
t
=0
()

t+
t
_
(1)
_
p
t
P
t+
_
1
P
t+
+

t+
P
t+
_
p
t
P
t+
_
1
1
P
t+
_
Y
t+
= 0
que se pueden reescribir como
0 = (1)E
t
=0
()

t+
t
_
p
t
P
t+
_
1
P
t+
Y
t+
+ E
t
=0
()

t+
t+
P
t+
_
p
t
P
t+
_
1
1
P
t+
Y
t+
( 1)
(p
t
)
t
E
t
=0
()
t+
_
1
P
t+
_
1
Y
t+
=
(p
t
)
(1)
t
E
t
=0
()
t+
t+
P
t+
_
1
P
t+
_
Y
t+
(p
t
)
(p
t
)
(1)
=
( 1)
E
t
=0
()
t+

t+
p
t+
_
1
P
t+
_
Y
t+
E
t
=0
()
t+
_
1
p
t+
_
1
Y
t+
p
t
=

( 1)
E
t
=0
()
t+

t+
p
t+
_
1
P
t+
_
Y
t+
E
t
=0
()
t+
_
1
P
t+
_
1
Y
t+
p
t
P
t
=

( 1)
E
t
=0
()
t+

t+
P
t+
_
P
t+
P
t
_
Y
t+
E
t
=0
()
t+
_
P
t+
P
t
_
1
Y
t+
El numerador y el denominador de la anterior expresin pueden ser reexpresados recursivamente para
facilitar su uso:
Se dene entonces a
t
como el numerador en un momento del tiempo y a
t
como el numerador, as:
110 6. MODELO BSICO
t
= E
t
=0
()
t+
t+
P
t+
_
P
t+
P
t
_
Y
t+
t
=
t
t
P
t
Y
t
+E
t
=1
()
t+
t+
P
t+
_
P
t+
P
t
_
Y
t+
t
=
t
t
P
t
Y
t
+E
t
=0
()
+1
t++1
t++1
P
t++1
_
P
t++1
P
t
_
Y
t++1
t
=
t
t
P
t
Y
t
+E
t
()
_
P
t+1
P
t
_

=0
()
t++1
t++1
P
t++1
_
P
t++1
P
t+1
_
Y
t++1
t
=
t
t
P
t
Y
t
+E
t
()(1+
t+1
)
=0
()
t++1
t++1
P
t++1
_
P
t++1
P
t+1
_
Y
t++1
t
=
t
t
P
t
Y
t
+E
t
()(1+
t+1
)
t+1
t
=
t
y
t
Y
t
+E
t
()(1+
t+1
)
t+1
Recordando la denicin de
t
se reexpresa el numerador en trminos del costo marginal real de la
rma.
Y para el denominador por un proceso similar se obtiene:
t
=
t
Y
t
+E
t
()(1+
t+1
)
1
t+1
Con estos resultados se reexpresa el nivel ptimo de precios como:
p
t
P
t
=

( 1)
t
Por ultimo, es posible encontrar una ecuacin para el indice de precios agregado
P
t
=
_
1
0
p
1
jt
d j
_
1
1
tenemos que una fraccion (1) ajusta sus precios mientras una fraccin no los ajusta manteniendo su
nivel de precios del perodo anterior.
P
1
t
=
(p
t
)
1
d j +

0
_
p
jt1
_
1
d j
P
1
t
= (1)(p
t
)
1
+
1
0
p
1
jt1
d j
P
1
t
= (1)(p
t
)
1
+P
1
t1
pues
1
0
p
1
jt1
d j = P
1
t1
.
Reexpresando lo anterior en trminos reales se obtiene:
P
1
t
= (1)(p
t
)
1
+P
1
t1
_
P
t
P
t
_
1
= (1)
_
p
t
P
t
_
1
+
_
P
t1
P
t
_
1
1 = (1)
_
p
t
P
t
_
1
+(1+
t
)
1
Regla de jacin de precios B. Cuando la regla es ajustar precios de acuerdo a la inacin pasada
entonces p
jt+
en la expresin anterior cambia por
3
p
jt+i
= p
jt
s=1
(1+
t+s1
)
y en este caso, el problema de maximizacin sera
m ax
p
jt
E
t
=0
()

t+
t
_
_
p
jt
s=1
(1+
t+s1
)
P
t+
t+
P
t+
_
_
y
jt+
s.t y
j,t+
=
_
_
_
_
p
jt
s=1
(1+
t+s1
)
P
t+
_
_
_
_
Y
t+
De nuevo el problema puede ser reexpresado elimando la restriccin quedando como se muestra a
continuacin:
m ax
p
t
E
t
=0
()

t+
t
_
_
_
_
_
_
p
jt
s=1
(1+
t+s1
)
P
t+
_
_
_
_
1
t+
P
t+
_
_
_
_
p
jt
s=1
(1+
t+s1
)
P
t+
_
_
_
_
_
Y
t+
ptimo es:
E
t
=0
()

t+
t
_
_
(1)
_
p
jt
P
t+
_
s=1
(1+
t+s1
)
_
1
P
t+
+

t+
P
t+
_
p
jt
P
t+
_
1
_

s=1
(1+
t+s1
)
_
P
t+
_
_
Y
t+
=0
0 = (1)E
t
=0
()

t+
t
_
p
jt
P
t+
_
s=1
(1+
t+s1
)
_
1
P
t+
Y
t+
+ E
t
=0
()

t+
t+
P
t+
_
p
jt
P
t+
_
1
_

s=1
(1+
t+s1
)
_
P
t+
Y
t+
3
p
jt+1
= p
jt
(1+
t
)
p
jt+2
= p
jt
(1+
t
)(1+
t+1
)
.
.
.
p
jt+
= p
jt
(1+
t
). . . (1+
t+1
)(1+
t+1
)
p
jt+i
= p
jt
s=1
(1+
t+s1
)
112 6. MODELO BSICO
( 1)
p
jt
t
E
t
=0
()
t+
_
_
_
_
s=1
(1+
t+s1
)
P
t+
_
_
_
_
1
Y
t+
=
p
(1)
jt
t
E
t
=0
()
t+
t+
P
t+
_
_
_
_
1

s=1
(1+
t+s1
)
P
t+
_
_
_
_
Y
t+
p
jt
p
(1)
jt
=
( 1)
E
t
=0
()
t+

t+
p
t+
_
_
s=1
(1+
t+s1
)
P
t+
_
_
Y
t+
E
t
=0
()
t+
_
_
s=1
(1+
t+s1
)
p
t+
_
_
1
Y
t+
p
jt
=

( 1)
E
t
=0
()
t+

t+
p
t+
_
_
s=1
(1+
t+s1
)
P
t+
_
_
Y
t+
E
t
=0
()
t+
_
_
s=1
(1+
t+s1
)
P
t+
_
_
1
Y
t+
p
jt
P
t
=

( 1)
E
t
=0
()
t+

t+
P
t+
_
P
t+
P
t
_
s=1
(1+
t+s1
)
_
Y
t+
E
t
=0
()
t+
_
P
t+
P
t
_
1
_

s=1
(1+
t+s1
)
_
1
Y
t+
facilitar su uso:
Se dene entonces a
t
t
como el numerador, as:
t
= E
t
=0
()
t+
t+
P
t+
_
P
t+
P
t
_
s=1
(1+
t+s1
)
_
Y
t+
t
=
t
t
P
t
Y
t
+E
t
=1
()
t+
t+
P
t+
_
P
t+
P
t
_
s=1
(1+
t+s1
)
_
Y
t+
t
=
t
t
P
t
Y
t
+E
t
=0
()
+1
t++1
t++1
P
t++1
_
P
t++1
P
t
_
_
+1
s=1
(1+
t+s1
)
_
Y
t++1
t
=
t
t
P
t
Y
t
+E
t
(1+
t
)
=0
()
+1
t++1
t++1
P
t++1
_
P
t++1
P
t
_
s=1
(1+
t+1+s1
)
_
Y
t++1
t
=
t
t
P
t
Y
t
+E
t
()
_
P
t+1
P
t
_
(1+
t
)
=0
()
t++1
t++1
P
t++1
_
P
t++1
P
t+1
_
s=1
(1+
t+1+s1
)
_
Y
t++1
t
=
t
t
P
t
Y
t
+E
t
()
_
1+
t+1
1+
t
_

=0
()
t++1
t++1
P
t++1
_
P
t++1
P
t+1
_
s=1
(1+
t+1+s1
)
_
Y
t++1
t
=
t
t
P
t
Y
t
+E
t
()
_
1+
t+1
1+
t
_
t+1
t
=
t
y
t
Y
t
+E
t
()
_
1+
t+1
1+
t
_
t+1
t
rma.
t
=
t
Y
t
+E
t
()
_
1+
t+1
1+
t
_
1
t+1
p
jt
P
t
=

( 1)
t
Por ltimo, es posible encontrar una ecuacin para el ndice de precios agregado
P
t
=
_
1
0
p
1
jt
d j
_
1
1
tenemos que una fraccin (1) ajusta sus precios mientras una fraccin no los ajusta manteniendo su
P
1
t
=
p
1
jt
d j +

0
_
(1+
t1
) p
jt1
_
1
d j
P
1
t
= (1) p
1
jt
+(1+
t1
)
1
1
0
p
1
jt1
d j
P
1
t
= (1) p
1
jt
+(1+
t1
)
1
P
1
t1
pues
1
0
p
1
jt1
d j = P
1
t1
.
Reexpresando lo anterior en trminos reales se obtiene lo siguiente:
P
1
t
= (1) p
1
jt
+(1+
t1
)
1
P
1
t1
_
P
t
P
t
_
1
= (1)
_
p
jt
P
t
_
1
+(1+
t1
)
1
_
P
t1
P
t
_
1
1 = (1)
_
p
jt
P
t
_
1
+
_
1+
t1
1+
t
_
1
Regla de jacin de precios C. Por ltimo, si la regla de jacin de precios es el precio futuro es una
mezcla entre la meta y la inacin pasada o p
jt+1
= (1+
t+1
)
(1+)
1
p
jt
, entonces
p
j,t+
= p
jt
(1+)
(1)
s=1
(1+
t+s1
)
y el problema de maximizacin sera

114 6. MODELO BSICO
m ax
p
jt
E
t
=0
()

t+
t
_
_
p
jt
(1+)
(1)

s=1
jt
(1+
t+s1
)
P
t+i
t+
P
t+
_
_
y
j,t+
s.t y
j,t+
=
_
_
_
_
p
jt
(1+)
(1)

s=1
(1+
t+s1
)
P
t+
_
_
_
_
Y
t+
De nuevo el problema puede ser reexpresado elimando la restriccin quedando como se muestra a
continuacin:
m ax
p
t
E
t
=0
()

t+
t
_
_
_
_
_
_
p
jt
(1+)
(1)

s=1
(1+
t+s1
)
P
t+
_
_
_
_
1
t+
P
t+
_
_
_
_
p
jt
(1+)
(1)

s=1
(1+
t+s1
)
P
t+
_
_
_
_
_
Y
t+
ptimo es:
E
t
=0
()

t+
t
_
_
(1) p
jt
_
_
_
_
(1+)
(1)

s=1
(1+
t+s1
)
P
t+
_
_
_
_
1
+

t+
P
t+
p
1
jt
_
_
_
_
(1+)
(1)

s=1
(1+
t+s1
)
P
t+
_
_
_
_
_
Y
t+
=0
0 = (1)E
t
=0
()

t+
t
p
jt
_
_
_
_
(1+)
(1)

s=1
(1+
t+s1
)
P
t+
_
_
_
_
1
Y
t+
+ E
t
=0
()

t+
t+
P
t+
p
1
jt
_
_
_
_
(1+)
(1)

s=1
(1+
t+s1
)
P
t+
_
_
_
_
Y
t+
( 1)
p
jt
t
E
t
=0
()
t+
_
_
_
_
(1+)
(1)

s=1
(1+
t+s1
)
P
t+
_
_
_
_
1
Y
t+
=
p
1
jt
t
E
t
=0
()
t+
t+
P
t+
_
_
_
_
(1+)
(1)

s=1
(1+
t+s1
)
P
t+
_
_
_
_
Y
t+
p
jt
p
(1)
jt
=
( 1)
E
t
=0
()
t+

t+
p
t+
_
_
(1+)
(1)

s=1
(1+
t+s1
)
P
t+
_
_
Y
t+
E
t
=0
()
t+
_
_
(1+)
(1)

s=1
(1+
t+s1
)
P
t+
_
_
1
Y
t+
p
jt
=

( 1)
E
t
=0
()
t+

t+
p
t+
_
_
(1+)
(1)

s=1
(1+
t+s1
)
P
t+
_
_
Y
t+
E
t
=0
()
t+
_
_
(1+)
(1)

s=1
(1+
t+s1
)
P
t+
_
_
1
Y
t+
p
jt
P
t
=

( 1)
E
t
=0
()
t+

t+
P
t+
_
P
t+
P
t
_
_
(1+)
(1)

s=1
(1+
t+s1
)
Y
t+
E
t
=0
()
t+
_
P
t+
P
t
_
1
_
(1+)
(1)

s=1
(1+
t+s1
)
_
1
Y
t+
facilitar su uso:
Se dene entonces a
t
t
como el numerador,
siguiendo un procedimiento similar a los antes mostrados, el resultado es el siguiente:
t
=
t
y
t
Y
t
+E
t
()(1+)
(1)
_
1+
t+1
(1+
t
)
t+1
t
rma.
t
=
t
Y
t
+E
t
()(1+)
(1)(1)
_
1+
t+1
(1+
t
)
_
1
t+1
p
jt
P
t
=

( 1)
t
Por ultimo, es posible encontrar una ecuacin para el indice de precios agregado
P
t
=
_
1
0
p
1
jt
d j
_
1
1
tenemos que una fraccion (1) ajusta sus precios mientras una fraccin no los ajusta manteniendo su
P
1
t
=
p
1
jt
d j +

0
_
(1+)
1
(1+
t1
)
p
jt1
_
1
d j
P
1
t
= (1) p
1
jt
+
_
(1+)
1
(1+
t1
)
_
1

1
0
p
1
jt1
d j
P
1
t
= (1) p
1
jt
+
_
(1+)
1
(1+
t1
)
_
1
P
1
t1
pues
1
0
p
1
jt1
d j = P
1
t1
.
116 6. MODELO BSICO
Reexpresando lo anterior en trminos reales se obtiene lo siguiente:
P
1
t
= (1) p
1
jt
+
_
(1+)
1
(1+
t1
)
_
1
P
1
t1
_
P
t
P
t
_
1
= (1)
_
p
jt
P
t
_
1
+
_
(1+)
1
(1+
t1
)
_
1
_
P
t1
P
t
_
1
1 = (1)
_
p
jt
P
t
_
1
+
_
(1+)
1
(1+
t1
)
1+
t
_
1
6.4.4. Agregacin.
Hogares. En el equilibrio el neto de los bonos debe ser igual a cero, as la restriccin presupuestal
agregada de los hogares es:
E
t
_
W
t
p
t
l
t
+
R
k
t
p
t
u
t
k
t1
+
t
c
t
x
t
_
= 0
Tambin se dene para los hogares que:
W
t
p
t
= w
t
R
k
t
p
t
= r
t
Por lo que se reexpresa la restrccin como:
E
t
[w
t
l
t
+r
t
u
t
k
t1
+
t
c
t
x
t
] = 0
ste mismo cambio de notacin se aplica a las dems condiciones de primer orden de los hogares.
Demanda por bienes intermedios. Del problema de las rmas productoras de bienes nales se sabe que
la demanda por el bien inermedio j es la siguiente:
y
jt
=
_
p
jt
P
t
_
Y
t
Donde
p
jt
P
t
es el precio ptimo cobrado por la rma j productora de bienes intermedios, independiente de la
regla de jacin de precios.
La demanda agregada de los bienes intermedios se dene como:
y
t
=
1
0
y
jt
d j
Desarrollando esta expresin se obtiene lo siguiente:
y
t
=
1
0
_
p
jt
P
t
_
Y
t
d j
y
t
=
1
0
_
p
jt
P
t
_
d jY
t
y
t
= v
p
t
Y
t
Donde v
p
es una medida de la distorsin de precios, cuyo valor depende del tipo de regla de jacin de
precios utilizada, a continuacin se soluciona para los tres tipos de regla trabajados.
Regla de jacin de precios A
v
p
t
=
1
0
_
p
jt
P
t
_
d j
v
p
t
=

0
_
p
jt1
P
t
_
d j +
_
p
t
P
t
_
d j
v
p
t
=

0
_
p
jt1
P
t1
P
t1
P
t
_
d j +(1)
_
p
t
P
t
_
v
p
t
=

0
_
p
jt1
P
t1
_
(1+
t
)
d j +(1)
_
p
t
P
t
_
v
p
t
= (1+
t
)
1
0
_
p
jt1
P
t1
_
d j +(1)
_
p
t
P
t
_
v
p
t
= (1+
t
)
v
p
t1
+(1)
_
p
t
P
t
_
Regla de jacin de precios B

v
p
t
=
1
0
_
p
jt
P
t
_
d j
v
p
t
=

0
_
p
jt1
(1+
t1
)
P
t
_
d j +
_
p
jt
P
t
_
d j
v
p
t
=

0
_
p
jt1
(1+
t1
)
P
t1
P
t1
P
t
_
d j +(1)
_
p
jt
P
t
_
v
p
t
=

0
_
p
jt1
P
t1
_
_
1+
t
1+
t1
_
d j +(1)
_
p
jt
P
t
_
v
p
t
=
_
1+
t
1+
t1
_

1
0
_
p
jt1
P
t1
_
d j +(1)
_
p
jt
P
t
_
v
p
t
=
_
1+
t
1+
t1
_
v
p
t1
+(1)
_
p
jt
P
t
_
Regla de jacin de precios C

v
p
t
=
1
0
_
p
jt
P
t
_
d j
v
p
t
=

0
_
p
jt1
(1+ )
1
(1+
t1
)
P
t
_
d j +
_
p
jt
P
t
_
d j
v
p
t
=

0
_
p
jt1
(1+ )
1
(1+
t1
)
P
t1
P
t1
P
t
_
d j +(1)
_
p
jt
P
t
_
v
p
t
=

0
_
p
jt1
P
t1
_
_
1+
t
(1+ )
1
(1+
t1
)
d j +(1)
_
p
jt
P
t
_
v
p
t
=
_
1+
t
(1+ )
1
(1+
t1
)

1
0
_
p
jt1
P
t1
_
d j +(1)
_
p
jt
P
t
_
v
p
t
=
_
_
1+
t
p
jt
P
t
(1+ )
1
(1+
t1
)
_
_
v
p
t1
+(1)
_
p
jt
P
t
_
118 6. MODELO BSICO

Demandas por factores y oferta agregada de bienes intermedios. Las demandas agregada por trabajo y
por capital se denen como sigue:
l
t
=
1
0
l
jt
d j
k
t
=
1
0
k
jt
d j
De la minizacin de costos de las rmas productoras de bienes intermedios se sabe lo siguiente:
r
t
w
t
=
l
jt
(1)u
t
k
jt1
u
t
k
jt1
=
_

1
w
t
r
t
_
l
jt
1
0
u
t
k
jt1
d j =
_

1
w
t
r
t
_
1
0
l
jt
d j
u
t
k
t1
=
_

1
w
t
r
t
_
l
t
Importante destacar de lo anerior que:
u
t
k
t1
l
t
=
u
t
k
jt1
l
jt
=
_

1
w
t
r
t
_
Tambin se sabe de la misma minimizacin que:
r
t
=
y
t
z
y
t
_
u
t
k
jt1
_
1
l
1
jt
r
t
=
y
t
z
y
t
_
u
t
k
jt1
l
jt
_
1
r
t
=
y
t
z
y
t
_
u
t
k
t1
l
t
_
1
w
t
=
y
t
(1)z
y
t
_
u
t
k
jt1
_
jt
w
t
=
y
t
(1)z
y
t
_
u
t
k
jt1
l
jt
_
w
t
=
y
t
(1)z
y
t
_
u
t
k
t1
l
t
_
Las anteriores son las demandas por factores en trminos agregados.

Por ltimo se sabe que la oferta agregada de bienes intermedios es la siguiente:
y
t
=
1
0
y
jt
d j
Y que la oferta de la rma j es:
y
jt
= z
y
t
_
u
t
k
jt1
_
l
1
jt
Operando sobre esta ltima se encuentra:
y
jt
= z
y
t
_
u
t
k
jt1
_
l
1
jt
y
jt
= z
y
t
_
u
t
k
jt1
l
jt
_
l
jt
y
jt
= z
y
t
_
u
t
k
t1
l
t
_
l
jt
1
0
y
jt
d j = z
y
t
_
u
t
k
t1
l
t
_

1
0
l
jt
d j
y
t
= z
y
t
_
u
t
k
t1
l
t
_
l
t
y
t
= z
y
t
(u
t
k
t1
)
l
1
t
Benecios de las rmas productoras de bienes intermedios. Los benecios agregados son iguales a la
suma de los benecios de cada rma productora de bienes intermedios, stos ltimos expresados en trminos
reales as:
t
=
1
0
jt
d j
t
=
1
0
_
p
jt
P
t
y
jt
y
t
y
jt
_
d j
t
=
1
0
_
p
jt
P
t
_
p
jt
P
t
_
Y
t
y
t
_
p
jt
P
t
_
Y
t
_
d j
t
=
1
0
_
_
p
jt
P
t
_
1
y
t
_
p
jt
P
t
_
_
d jY
t
t
=
_
1
0
_
p
jt
P
t
_
1
d j
y
t
1
0
_
p
jt
P
t
_
d j
_
Y
t
t
=
_
v
y
t
v
p
Y
t
En la anterior expresin v
p
es la distorsin de precios ya denida y v
es una nueva distorsin de precios

que se dene como

1
0
_
p
jt
P
t
_
1
d j y se soluciona de forma diferente para cada regla de jacin de precios
como se muestra a continuacin:
Regla de jacin de precios A
v
t
=
1
0
_
p
jt
P
t
_
1
d j
v
t
=

0
_
p
jt1
P
t
_
1
d j +
_
p
t
P
t
_
1
d j
v
t
=

0
_
p
jt1
P
t1
P
t1
P
t
_
1
d j +(1)
_
p
t
P
t
_
1
v
t
=

0
_
p
jt1
P
t1
_
1
(1+
t
)
1
d j +(1)
_
p
t
P
t
_
1
v
t
= (1+
t
)
1
1
0
_
p
jt1
P
t1
_
1
d j +(1)
_
p
t
P
t
_
1
v
t
= (1+
t
)
1
v
t1
+(1)
_
p
t
P
t
_
1
120 6. MODELO BSICO
Regla de jacin de precios B
v
t
=
1
0
_
p
jt
P
t
_
1
d j
v
t
=

0
_
p
jt1
(1+
t1
)
P
t
_
1
d j +
_
p
jt
P
t
_
1
d j
v
t
=

0
_
p
jt1
(1+
t1
)
P
t1
P
t1
P
t
_
1
d j +(1)
_
p
jt
P
t
_
1
v
t
=
_
1+
t
1+
t1
_
1
1
0
_
p
jt1
P
t1
_
1
d j +(1)
_
p
jt
P
t
_
1
v
t
=
_
1+
t
1+
t1
_
1
v
t1
+(1)
_
p
jt
P
t
_
1
Regla de jacin de precios C
v
t
=
1
0
_
p
jt
P
t
_
1
d j
v
t
=

0
_
p
jt1
(1+ )
1
(1+
t1
)
P
t
_
1
d j +
_
p
jt
P
t
_
1
d j
v
t
=

0
_
p
jt1
(1+ )
1
(1+
t1
)
P
t1
P
t1
P
t
_
1
d j +(1)
_
p
jt
P
t
_
1
v
t
=

0
_
p
jt1
P
t1
_
1
_
1+
t
(1+ )
1
(1+
t1
)
_
1
d j +(1)
_
p
jt
P
t
_
1
v
t
=
_
1+
t
(1+ )
1
(1+
t1
)
_
1
1
0
_
p
jt1
P
t1
_
1
d j +(1)
_
p
jt
P
t
_
1
v
t
=
_
1+
t
(1+ )
1
(1+
t1
)
_
1
v
t1
+(1)
_
p
jt
P
t
_
1
6.4.5. Regla de poltica. Los responsables de la poltica econmica siguen la siguiente regla de pol-
tica:
(1+i
t
) =
_
1+i
_
_
1+
t
1+
_
t
Donde
t
iid(0,
2
)
6.4.6. Equilibrio del modelo y estado estacionario.
Regla de jacin de precios A. En el equilibrio los valores de las variables del modelo
4
deben cumplir
con las siguientes condiciones:
4
_
c
t
, l
t
, k
t
, x
t
, u
t
, y
t
,Y
t
, r
t
, w
t
,
t
, i
t
,
t
,
t
,
t
,
y
t
,
p
t
Pt
, v
p
t
, v
t
,
t
,
t
, z
p
t
, z
y
t
, z
h
t
, z
I
t
_
122 6. MODELO BSICO
E
t
_
_
z
p
t
_
1
c
t
_
1z
h
t
l
t
_
(1)
t
_
= 0
E
t
_
z
h
t
_
z
p
t
c
t
_
1
_
1z
h
t
l
t
_
(1)1
+
t
w
t
_
= 0
E
t
_
t
_
z
I
t

_
x
t
z
I
t
k
t1
(u
t
)
_
z
I
t
_
t
_
= 0
E
t
_
t
+
t+1
r
t+1
u
t+1
t+1
2
_
x
t+1
z
I
t+1
k
t
(u
t+1
)
_
2
+
+
t+1
_
_
x
t+1
z
I
t+1
k
t
(u
t+1
)
_
x
t+1
z
I
t+1
k
t
+(1 (u
t+1
))
__
= 0
E
t
_
t
_
_
x
t
z
I
t
k
t1
(u
t
)
_
2
u
t

2
u
t
_
k
t1
+
t
r
t
k
t1
_
= 0
E
t
_
t
+
t+1
1+i
t
1+
t+1
_
= 0
E
t
_
z
I
t
x
t
1
2
_
x
t
z
I
t
k
t1
(u
t
)
_
2
k
t1
+(1 (u
t
))k
t1
k
t
_
= 0
E
t
[w
t
l
t
+r
t
u
t
k
t1
+
t
+c
t
x
t
] = 0
y
t
z
y
t
(u
t
k
t1
)
l
1
t
= 0
r
t
y
t
z
y
t
_
u
t
k
t1
l
t
_
1
= 0
w
t
y
t
(1)z
y
t
_
u
t
k
t1
l
t
_
= 0
y
t
v
p
t
Y
t
= 0
_
v
y
t
v
p
Y
t
= 0
p
t
P
t

( 1)
t
= 0
(1)
_
p
t
P
t
_
1
+(1+
t
)
1
1 = 0
v
p
t
(1+
t
)
v
p
t1
(1)
_
p
t
P
t
_
= 0
v
t
(1+
t
)
1
v
t1
(1)
_
p
t
P
t
_
1
= 0
y
t
Y
t
E
t
()(1+
t+1
)
t+1
= 0
t
Y
t
E
t
()(1+
t+1
)
1
t+1
= 0
(1+i
t
)
_
1+i
_
_
1+
t
1+
_
t
= 0
E
t
_
y
lnz
y
t
+(1
y
)ln z
y
+
y
lnz
y
t+1
= 0
E
t
_
p
lnz
p
t
+(1
p
)ln z
p
+
p
lnz
p
t+1
= 0
E
t
_
h
lnz
h
t
+(1
h
)ln z
h
+
h
lnz
h
t+1
_
= 0
E
t
_
I
lnz
I
+(1
I
)ln z
I
+
I
lnz
I
t+1
= 0
En el estad estacionario se encuentra:
z
y
= z
y
z
p
= z
y
z
h
= z
h
z
I
= z
I
u = 1
=
i =

i
x =
_
1
+

2
1+
_
k
z
I
=

z
I
r =

2
z
I
p
j
P
= 1
=

y
Y
1
=
Y
1
y
=
1
v
p
= 1
v
= 1
= (1
y
)Y
Y = y
y = z
y
k
l
1
= (z
p
)
1
c
_
1z
h
l
_
(1)
l =
_
r
z
y
y
_ 1
1
k
w =
y
t
(1)z
y
t
_
r
z
y
y
_
1
c =
w
z
h
_
1z
h
_
r
z
y
y
_ 1
1
k
_
k =
w
z
h
_
r +
+1
w
_
r
z
y
y
_ 1
1
1
z
I
_
1
+

2
1+
_
_
1
124 6. MODELO BSICO
Regla de jacin de precios B. En el equilibrio los valores de las variables del modelo
5
deben cumplir
5
_
c
t
, l
t
, k
t
, x
t
, u
t
, y
t
,Y
t
, r
t
, w
t
,
t
, i
t
,
t
,
t
,
t
,
y
t
,
p
jt
Pt
, v
p
t
, v
t
,
t
,
t
, z
p
t
, z
y
t
, z
h
t
, z
I
t
_
E
t
_
_
z
p
t
_
1
c
t
_
1z
h
t
l
t
_
(1)
t
_
= 0
E
t
_
z
h
t
_
z
p
t
c
t
_
1
_
1z
h
t
l
t
_
(1)1
+
t
w
t
_
= 0
E
t
_
t
_
z
I
t

_
x
t
z
I
t
k
t1
(u
t
)
_
z
I
t
_
t
_
= 0
E
t
_
t
+
t+1
r
t+1
u
t+1
t+1
2
_
x
t+1
z
I
t+1
k
t
(u
t+1
)
_
2
+
+
t+1
_
_
x
t+1
z
I
t+1
k
t
(u
t+1
)
_
x
t+1
z
I
t+1
k
t
+(1 (u
t+1
))
__
= 0
E
t
_
t
_
_
x
t
z
I
t
k
t1
(u
t
)
_
2
u
t

2
u
t
_
k
t1
+
t
r
t
k
t1
_
= 0
E
t
_
t
+
t+1
1+i
t
1+
t+1
_
= 0
E
t
_
z
I
t
x
t
1
2
_
x
t
z
I
t
k
t1
(u
t
)
_
2
k
t1
+(1 (u
t
))k
t1
k
t
_
= 0
E
t
[w
t
l
t
+r
t
u
t
k
t1
+
t
c
t
x
t
] = 0
y
t
z
y
t
(u
t
k
t1
)
l
1
t
= 0
r
t
y
t
z
y
t
_
u
t
k
t1
l
t
_
1
= 0
w
t
y
t
(1)z
y
t
_
u
t
k
t1
l
t
_
= 0
y
t
v
p
t
Y
t
= 0
_
v
y
t
v
p
Y
t
= 0
p
jt
P
t

( 1)
t
= 0
(1)
_
p
jt
P
t
_
1
+
_
1+
t1
1+
t
_
1
1 = 0
v
p
t

_
1+
t
1+
t1
_
v
p
t1
+(1)
_
p
jt
P
t
_
= 0
v
t

_
1+
t
1+
t1
_
1
v
t1
+(1)
_
p
jt
P
t
_
1
= 0
y
t
Y
t
E
t
()
_
1+
t+1
1+
t
_
t+1
= 0
t
Y
t
E
t
()
_
1+
t+1
1+
t
_
1
t+1
= 0
(1+i
t
)
_
1+i
_
_
1+
t
1+
_
t
= 0
E
t
_
y
lnz
y
t
+(1
y
)ln z
y
+
y
lnz
y
t+1
= 0
E
t
_
p
lnz
p
t
+(1
p
)ln z
p
+
p
lnz
p
t+1
= 0
E
t
_
h
lnz
h
t
+(1
h
)ln z
h
+
h
lnz
h
t+1
_
= 0
E
t
_
I
lnz
I
t
+(1
I
)ln z
I
+
I
lnz
I
t+1
= 0
126 6. MODELO BSICO
z
y
= z
y
z
p
= z
y
z
h
= z
h
z
I
= z
I
u = 1
=
i =

i
x =
_
1
+

2
1+
_
k
z
I
=

z
I
r =

2
z
I
p
j
P
= 1
=

y
Y
1
=
Y
1
y
=
1
v
p
= 1
v
= 1
= (1
y
)Y
Y = y
y = z
y
k
l
1
= (z
p
)
1
c
_
1z
h
l
_
(1)
l =
_
r
z
y
y
_ 1
1
k
w =
y
t
(1)z
y
t
_
r
z
y
y
_
1
c =
w
z
h
_
1z
h
_
r
z
y
y
_ 1
1
k
_
k =
w
z
h
_
r +
+1
w
_
r
z
y
y
_ 1
1
1
z
I
_
1
+

2
1+
_
_
1
Regla de jacin de precios C. En el equilibrio los valores de las variables del modelo
6
deben cumplir
6
_
c
t
, l
t
, k
t
, x
t
, u
t
, y
t
,Y
t
, r
t
, w
t
,
t
, i
t
,
t
,
t
,
t
,
y
t
,
p
jt
Pt
, v
p
t
, v
t
,
t
,
t
, z
p
t
, z
y
t
, z
h
t
, z
I
t
_
128 6. MODELO BSICO
E
t
_
_
z
p
t
_
1
c
t
_
1z
h
t
l
t
_
(1)
t
_
= 0
E
t
_
z
h
t
_
z
p
t
c
t
_
1
_
1z
h
t
l
t
_
(1)1
+
t
w
t
_
= 0
E
t
_
t
_
z
I
t

_
x
t
z
I
t
k
t1
(u
t
)
_
z
I
t
_
t
_
= 0
E
t
_
t
+
t+1
r
t+1
u
t+1
t+1
2
_
x
t+1
z
I
t+1
k
t
(u
t+1
)
_
2
+
t+1
_
_
x
t+1
z
I
t+1
k
t
(u
t+1
)
_
x
t+1
z
I
t+1
k
t
+(1 (u
t+1
))
__
= 0
E
t
_
t
_
_
x
t
z
I
t
k
t1
(u
t
)
_
2
u
t

2
u
t
_
k
t1
+
t
r
t
k
t1
_
= 0
E
t
_
t
+
t+1
1+i
t
1+
t+1
_
= 0
E
t
_
z
I
t
x
t
1
2
_
x
t
z
I
t
k
t1
(u
t
)
_
2
k
t1
+(1 (u
t
))k
t1
k
t
_
= 0
E
t
[w
t
l
t
+r
t
u
t
k
t1
+
t
c
t
x
t
] = 0
y
t
z
y
t
(u
t
k
t1
)
l
1
t
= 0
r
t
y
t
z
y
t
_
u
t
k
t1
l
t
_
1
= 0
w
t
y
t
(1)z
y
t
_
u
t
k
t1
l
t
_
= 0
y
t
v
p
t
Y
t
= 0
_
v
y
t
v
p
Y
t
= 0
p
jt
P
t

( 1)
t
= 0
(1)
_
p
jt
P
t
_
1
+
_
(1+)
1
(1+
t1
)
1+
t
_
1
1 = 0
v
p
t

_
1+
t
(1+ )
1
(1+
t1
)
v
p
t1
+(1)
_
p
jt
P
t
_
= 0
v
t

_
1+
t
(1+ )
1
(1+
t1
)
_
1
v
t1
+(1)
_
p
jt
P
t
_
1
= 0
y
t
Y
t
E
t
()
_
1+
t+1
(1+
t
)
(1+)
(1)
_
t+1
= 0
t
Y
t
E
t
()
_
1+
t+1
(1+
t
)
(1+)
1
_
1
t+1
= 0
(1+i
t
)
_
1+i
_
_
1+
t
1+
_
t
= 0
E
t
_
y
lnz
y
t
+(1
y
)ln z
y
+
y
lnz
y
t+1
= 0
E
t
_
p
lnz
p
t
+(1
p
)ln z
p
+
p
lnz
p
t+1
= 0
E
t
_
h
lnz
h
t
+(1
h
)ln z
h
+
h
lnz
h
t+1
_
= 0
E
t
_
I
lnz
I
t
+(1
I
)ln z
I
+
I
lnz
I
t+1
= 0
z
y
= z
y
z
p
= z
y
z
h
= z
h
z
I
= z
I
u = 1
=
i =

i
x =
_
1
+

2
1+
_
k
z
I
=

z
I
r =

2
z
I
p
j
P
= 1
=

y
Y
1
=
Y
1
y
=
1
v
p
= 1
v
= 1
= (1
y
)Y
Y = y
y = z
y
k
l
1
= (z
p
)
1
c
_
1z
h
l
_
(1)
l =
_
r
z
y
y
_ 1
1
k
w =
y
t
(1)z
y
t
_
r
z
y
y
_
1
c =
w
z
h
_
1z
h
_
r
z
y
y
_ 1
1
k
_
k =
w
z
h
_
r +
+1
w
_
r
z
y
y
_ 1
1
1
z
I
_
1
+

2
1+
_
_
1
Parte 3
Metodos empricos
Captulo 7
Anlisis de la solucin
7.1. Introduccin
Como vimos en los capitulos anteriores al sistema de ecuaciones denido por las condiciones de pri-
mer orden, E
t
(w
t
, w
t+1
) = 0, se le puede encontrar una solucion alrededor de un estado estacionario. La
solucion es de la forma
c
t
= F
21
k
t
+F
22
z
t
k
t+1
= F
11
k
t
+F
12
z
t
z
t+1
= P z
t
+
t+1
.
Esta solucion se puede reescribir de la siguiente forma
c
t
= F
21
k
t
+F
22
P z
t1
+F
22
k
t+1
= F
11
k
t
+F
12
P z
t1
+F
12
t
z
t
= P z
t1
+
t
que si redenimos el timing de las variables de estado como que k
t
sea el vector de estado denidos con
informacin hasta t. Esto es, bajo la nueva formulacin, k
t
= k
t+1
y por tanto es posible reescribir el sistema
anterior como uno equivalente dado por
c
t
= F
11
k
t1
+F
12
P z
t1
+F
12
k
t
= F
21
k
t1
+F
22
P z
t1
+F
22
t
z
t
= P z
t1
+
t
.
Es claro entonces que es posible escribir la solucin de un modelo de espectativas racionales como un
VAR(1). Esto es,
y
t
=y
t1
+u
t
siendo u
t
= R
t
, y
t
=
_
c
t
,
t
, z
t
_
,
=
_
_
0 F
11
F
12
P
0 F
21
F
22
P
0 0 P
_
_
y por ltimo
u
t
= R
t
=
_
_
F
12
F
22
I
_
_
t
.
La representacin VAR del modelo tiene grandes aplicaciones. Es posible, calcular impulso respuesta,
momentos no condicionales , pronstico , descomposicin historica de choques, etc. Sin embargo, nos es
posible usar esta representacin para estimar el modelo (directamente) pues muchas de las variables no son
observables. Este es el caso tanto para variables de control como estados. En general, la representacin VAR
arriba presentada tiene una representacin VAR() cuando slo consideramos variables observables.
133
134 7. ANLISIS DE LA SOLUCIN
7.2. Representacin de Media Movil
Para el clculo de algunas de los estadsticos de inters de un modelo VAR es conveniente trabajar con
su representacin MA(). En general, todo proceso AR estacionario y
t
=y
t1
+u
t
se puede escribir como
(I L)y
t
= u
t
(L)y
t
= u
t
y por tanto
y
t
=(L)
1
u
t
=(L)u
t
.
Ahora para encontrar los elemento de (L) como funcion de los de (L) podemos usar su denicin. Esto
es, (L)(L) = I. De donde,
m
I
k
= (I L)
_
I +
1
L+
2
L
2
+. . .
_
= I
k
+
1
L+
2
L
2
+ +
L
1
L
2
2
L
3
de donde tenemos que
I
k
= I
k
+(
1
)L+(
2
1
)L
2
+. . .
y por lo tanto tiene que ser que
1
= 0
1
= 0
.
.
.
y por lo tanto,
1
=,
2
=
2
, etc.
Esta representacin se puede calcular tambien iterando hacia atras la el vector y
t
. Esto es, mediante las
siguientes recursiones
y
t
= y
t1
+u
t
= (y
t2
+u
t1
) +u
t
En general, si se itera k veces entonces
y
t
=
k
y
tk
+
k
u
tk
+
k1
u
tk+1
+ +
2
u
t2
+u
t1
+u
t
y por ltimo si los valores propios de (I L) estan fuera del circulo unitario, que es el caso en los modelos
VAR(1) que representa la solucin de un DSGE, entonces lm
k
k
y
tk
= 0 y por lo tanto
y
t
=
j=0
j
u
tj
=
j=0
j
u
tj
.
Luego para nuestro VAR(1), tenemos que
j
=
j
.
La representacin MA() implica que el valor de y
t
es simplemente la suma ponderada de distintos
choques en el pasado y del presente.
7.3. Pronstico
En esta seccin derivamos la funcin de pronstico del VAR(1) que representa la solucin del modelo
DSGE. La funcin de prontico es un valor esperado condicional. Puesto que esta funcin minimiza el error
cuadratico medio. Ver Lutkepohl Cp 2. La funcin de pronstico es entonces
y
t
(h) = E
t
[y
t+h
|y
t
, u
t
, u
t1
, . . . ]
7.3. PRONSTICO 135
que para el modelo VAR(1) en consideracin edquivale a
y
t
(1) = E
t
y
t+1
=E
t
y
t
y
t
(2) = E
t
y
t+2
=E
t
y
t+1
=
2
y
t
.
.
.
y
t
(h) = E
t
y
t+h
=E
t
y
t+h1
=
h
y
t
Es importante anotar que la informacin ms importante para hacer un pronstico con un modelo DSGE
es el valor de los estados en le perodo cero del pronstico (y
t
). Esta informacin la podemos obtener con el
ltro del Kalman el cual estudiaremos en el siguiente capitulo. Si conocieramos, y
t
, entonces la funcin de
pronstico sera
y
t
(h) = E
t
[y
t+h
|I
t
]
=
h
y
t
para h = 1, . . . .
Para juzgar la calidad de un pronstico es usual calcular el error de pronstico y su varianza. El error de
pronstico se puede calcular fcilmente usando
y
t+h
=
h
y
t
+
h1
u
t+1
+
h2
u
t+2
+ +
h
u
t+h1
+u
t+h
que se encuentra iterando hacia adelante la ecuacin y
t
=y
t1
+u
t
. Esto es,
y
t+1
= y
t
+u
t+1
y
t+2
= y
t+1
+u
t+2
=
2
y
t
+u
t+1
+u
t+2
y
t+3
= y
t+2
+u
t+3
=
_
2
y
t
+u
t+1
+u
t+2
_
+u
t+3
=
3
y
t
+
2
u
t+1
+u
t+2
+u
t+3
y por lo tanto el error de pronstico sera,
e
t
(h) =
h1
u
t+1
+
h2
u
t+2
+ +
h
u
t+h1
+u
t+h
siendo e
t
(h) y
t+h
E
t
[y
t+h
] y la varianza del error de pronstico sera
MSE(h) =
u
+
h1
h1
+
h2
h2
+
h
h
Los elementos de la diagonal de esta matriz miden la varianza del error de prontico de cada variable
en el horizonte h explicado por todos los choques.
En general el error de pronstico a los distintos horizontes se puede descomponer entre las distintas
fuentes de error. Asi por ejemplo, es posible cuanto de la varianza del error de pronstico de la variable k se
explica pro los errores de pronstico de las variable i.
Como mostramos en el seccin anterior, el error de pronstico para el horizonte h sera
e
t
(h) =
h1
u
t+1
+
h2
u
t+2
+ +
1
u
t+h1
+
0
u
t+h
=
h1
i=0
i
u
t+hi
y para la variable j
e
jt
(h) =
h1
i=0
_
j1,i
u
1,t+hi
+
j2,i
u
2,t+hi
+ +
jk,i
u
k,t+hi
_
donde el sumando, es la contribucin de todos los choques al errror pronstico de la variable j en el horizonte
h. Es ms informativo calcular el mismo valor pero sumando las contribuciones de cada variable para los
distintos horizontes. Esto es, el error de pronstico se puede escribir como
e
jt
(h) =
n
k=1
_
jk,0
u
k,t+h
+
jk,1
u
k,t+h1
+ +
jk,h1
u
k,t+1
_
donde el sumando es la contribucin de cada choque k para explicar el error de pronstico en la variable j a
horizonte h.
Usando este ltimo resultado podemos calcular la varianza de e
jt
(h) asi:
MSE(t, j, h) E
t
_
e
2
jt
(h)
_
=
n
k=1
2
k
_
2
jk,0
+
2
jk,1
+ +
2
jk,h1
_
donde se supone que los choques u
t
son no correlacionados y que tienen varianza
2
k
. Para el caso del VAR(1)
que representa la solucin del DSGE hay que reedenir
j
=
j
R puesto que u
t
= R
t
. Despues de esta re-
edinicin tenemos que la varianza
2
k
se puede calcular directamente la varianza
= diag
_
1
, . . . ,
2
n
_
.
Los sumandos de esta expresin son las contribuciones de la variable k sobre la varianza del error de pro-
nstico de la variable j para el horizonte de pronstico h.
Es posible calcular la contribucin en trminos porcentuales para lo cual podemos
w
jk,h
=
2
k
_
2
jk,0
+
2
jk,1
+ +
2
jk,h1
_
MSE(t, j, h)
que es la proporcin de la varianza de pronstico a horizonte h de la variable j que es atribuible a las
inovaciones de la variable k.
7.4. Descomposicin histrica de los choques
Un ejercicio similar se puede hacer para explicar cuales son los choques estructurales que explican
el valor de la variable en un perodo de tiempo. Esto se le conoce como descomposicin historica de los
choques. Esta cuenta se puede hacer de la siguiente manera. Supongamos que estamos que han pasado s
perodos desde algn valor t = 0. De esta forma,
y
s
=
s
y
0
+
s1
u
1
+
s2
u
2
+ +u
s1
+u
s
el valor de la variables y
s
sera explicado por algn valor inicial y los choques recibidos durante los s
perodos. Para el caso del DSGE podemos reescribir
y
s
=

0
+

s1
1
+

s2
2
+ +

s1
+
s
siendo

s
=
s
R =
s
R. La expresin anterior tambien se puede escribir en trminos de contribuciones de
un chque particular al valor de la variable en el perodo s. En particular, la contribucin de la inovacin k
para explicar el choque de la variable j sera
y
js
=
s
i=0
_
j1,si
1,i
+

j2,si
2,i
+ +

jk,si
k,i
_
=
n
k=0
_
jk,0
k,0
+

jk,1
k,1
+ +

jk,s
k,s
_
donde la expresin
_
jk,0
k,0
+

jk,1
k,1
+ +

jk,s
k,s
_
es la contribucin del choque k al valor de la
variable j s perodos luego de algn valor inicial.
7.6. SEGUNDOS MOMENTOS 137
7.5. Impulso respuesta
Las funciones de impulso respuesta son de gran utilidad para analizar la dinmica del sistema alrededor
del estado estacionario. En general, un impulso respuesta sirve para saber cual es el efecto de un choque
no esperado de productividad en el perodo t en t +h perodos suponiendo que no hay mas choques. Un
caracterstica de los impulso respuesta en un modelo DSGE es que son estructurales por naturaleza.
Un impulso respuesta se dene como la diferencia de dos valores esperados. El primero de ellos
es,E[y
t+s
|
t
= d
i
; X
t
], que corresponde al pronstico de y
t
s perodos adelante suponiendo que y
ti
= d
i
y
que las demas variables estn en estado estacionario, esto es y
jt
= 0 para todo j = i. El segundo valor espe-
rado es E [y
t+s
|
t
= 0; X
t
] que sera el valor pronstico de y
t+s
suponiendo que no ha habido choques. Esto
es,
IR(t, s, d
i
) = E[y
t+s
|
t
= d
i
] E [y
t+s
|
t
= 0]
que para el caso del VAR(1) la funcin de impulso respuesta sera
IR(t, s, d
i
) =
s
R(0, . . . , d
i
, . . . , 0)
.
7.6. Segundos Momentos
Los segundos momentos de un modelo DSGE constituten una herramienta adicional para el anlisis de
resultados de un modelo tipo DSGE. En general, el investigador quiere comparar la correlacin de un par de
variables observadas con respecto a la correlacin que se genera con el modelo DSGE. De esta manera se
puede decir si las varaibles son contraciclicas o ciclicas.
Una vez se tiene la solucin de DGSE el clculo de los segundos moments es relativamente simple. Esto
es, dada la solucin y
t
=y
t1
+u
t
. Se puede determinar por simple inspeccin que la media no condicional
de y
t
es igual a cero, lo que es consistente con que la solucin del modelo la encontramos para variables que
son desviacines de estado estacionario. De esta forma, los segundo momentos se pueden calcular como
E
_
y
t
y
tj
_
para j =l, l. Esto es,
E
_
y
t
y
= E(y
t1
+u
t
)(y
t1
+u
t
)
= E
_
y
t1
y
t1
+
u
.
Ahora, como el proceso de y
t
es estacionario tenemos que E[y
t
y
t
] = E
_
y
t1
y
t1
=
y
. Y por lo tan-
to, la expresin anterior sera
y
=
y
+
u
. Esta ecuacin dene implcitamente el valor de
y
. El
valor de
y
exacto se puede encontrar usando el siguiente resultado de lgebra lineal que establece que
vec(ABC) =(C
A)vec(B). Usando esta propiedad tenemos

vec(
y
) = vec
_
+
u
_
= vec
_
_
+vec
u
= ()vec(
y
) +vec(
u
)
y por lo tanto vec(
y
) = (I ())
1
vec(
u
). Que sera la varianza no condicional de y
t
. Para el clculo
de los otros momentos tenemos
E
_
y
t
y
t1
= E
_
y
t1
y
t1
+u
t
y
t1
=
y
puesto que E[u
t
y
t1
] = 0 dado que y
t1
depende de todos los choques hasta el perodo t 1 los cuales son
independientes de u
t
. De la misma manera,
E
_
y
t
y
t2
= E
_
y
t1
y
t2
=
2
y
y en general
E
_
y
t
y
tj
=
j
y
para todo j.
El procedimiento anterior es posible calcular los momentos poblacionales del modelo. Sin embargo,
hay quienes opinan que estos momentos no son comparables con los observados en tanto que estos ltimos
son calculados con muestras pequeas. La prctica en estos casos es calcular por medio de simulaciones de
Monte Carlo el valor de los momentos. El algoritmo para esto sera:
1. Genere un muestra del tamano de la observada usando la solucin del modelo
2. Para esta muestra calcule
1
n
y
t
y
tj
que sera el estimador de Ey
t
y
t
.
3. Si esta interesado en la distribucin de estos estadsticos repita los pasos 1 a 3 mc veces.
Captulo 8
Estimacin de un DSGE por mtodos de verosimilitud
Existen muchas formas para estimar los modelos DSGE. Entre ellas se encuentran el Mtodo de Mo-
mentos Generalizados, la Mxima Verosimilitud, el Mtodo Simulado de Momentos entre otros. En este
captulo nos concentramos en el mtodo de mxima verosimilitud pues este tiene la ventaje de ser eciente
en el uso de la informacin y se puede fcilmente complementar con informacin no muestral a traves de la
regla de bayes.
El mtodo de mxima verosimilitud tiene otra ventaja y es que permite explotar directamente muchas
de las propiedades del modelo. En particular, podemos reescribir la solucin de de programacin dinmica
como un modelo de estado - espacio en el cual no es necesario tener observaciones sobre todas las variables
del sistema para la estimacin.
En esta captulo primero introducimos los modelos estados espacio de una forma general incluyendo los
mtodos de estimacin, pronstico y luego lo llevamos lo conectamos con la solucin de un modelo DSGE.
8.1. Representacin Estado-Espacio
Los modelos estado espacio estn compuestos por dos sustemas de ecuaciones: la ecuacin de transicin
y la ecuacin de medida. La ecuacin de estados que es la regla con la cual se generan los estados x
t
dado el
vector de estados en x
t1
. En principio esta ecuacin resume la dinmica del sistema. La ecuacin de medida
reeja la relaciona las observaciones con los estados del modelo. Esto es, la ecuacin de medida sera
y
t
= A
t
x
t
+u
t
+
t
siendo A
t
una matriz de tamao q p, una matrix de tamao r q, x
t
el vector de estados de tamao
p1 y u
t
un vector de variables estrictamente exgenas de tamao r 1 y
t
el vector de errores de medida
de tamao q 1 el cual se supone tiene distribucin normal n(0, R) siendo R un matrix positiva denida
de tamao q q. Como se puede ver, la ecuacin de medida relaciona las variables observables y
t
con los
estados del modelo a traves la matrix A
t
. Esta relacin puede cambiar en el tiempo o puede ser constane
en cuyo caso A
t
= A para todo t. Es usual que u
t
sea una constante igual a uno para todo t y sera un
vector de constantes. Otras posibilidad, es que u
t
incluya otras variables deterministicas como por ejemplo
las variables dictomas de estacionalidad. La ecuacin de evolucin de estados esta dada por
x
t
=x
t1
+u
t
+
t
donde es una matriz de pp, es un matriz de pr y
t
son choques aleatorios que se suponen siguen
una distribucin normal con media cero y varianza Q.
La lgica del sistema estado - espacio es que se recuperen los valores de x
t
(el estado del sistema) dad la
informacin disponible y
t
. Suponga que quiere determinar la posicin de un objeto en el espacio (el estado) y
tiene distintas fuentes de informacin geogrca y
t
con lo cual quiere determinar la posicin exacta (estado)
del objeto.
Existen muchos ejemplos de modelos estado espacio uno muy comn en la literatura de series de tiempo
es el local linear model que se usa para extrar el componente de tendencia de la serie. El local linear model
se puede representar como
y
t
= x
t
+
t
x
t
= +x
t1
+
x
t
donde x
t
es el componente de largo plazo de la serie puesto que
139
140 8. ESTIMACIN DE UN DSGE POR MTODOS DE VEROSIMILITUD
x
t
= x
0
+t +
t
i=0
x
i
y los choques
x
t
son choques permanentes al nivel de la serie. De esta forma, es posible escribir el proceso
para y
t
como
y
t
= x
0
+t +
t
i=0
x
i
+
t
donde se puede mostrar que
t
tiene slo efectos transitorios sobre el nivel de y
t
.
En trminos de la representacin estado espacio A
t
= 1, = 0, = , Q =
2
y R =
2
. La idea
entonces es estimar la tendencia de x
t
, a partir de las observaciones de y
t
. La estimacin se hace suponiendo
como conocidos los valores de las varianzas de los choques transitorios y permanentes. Si estos parmetros
no son conocidos pueden ser estimados usando mxima verosimilitud.
Otro modelo usando es
y
t
=
t
+
t
t
=
t
+
t1
+
t
=
t1
+
t
en este caso, la tasa de crecimiento de y
t
, en el modelo anterior, estara a choques. En este caso, los
choques a
t
y a
t
tendran efectos permanentes y los choques a
t
seran transitorios. Este modelo se
podra representar en la forma cannica usando las siguientes deniciones: x
t
= (
t
,
t
)
, A = [1, 0], R =
2
,
Q = diag
_
_
. Q puede ser no diagonal si esto es de inters.
Es posible agreger ms componentes a estos modelos y descomponer la serie entre los distintos compo-
nentes como es usual en el anlisis de series de tiempo estructurales en las cuales se descomponen las series
entre tendencia, ciclo y componentes determinsticos. Un modelos de este estilo sera
y
t
= +c
t
+
t
t
=
t1
+
t
c
t
= c
t1
+
c
t
En general, es posible casi todos los modelos lineales de series de tiempo como modelos estado espacio.
8.2. Filtro de Kalman
Como se dijo en la seccin anterior la idea del ltro de Kalman es estimar las variables x
t
dados los datos
Y
s
={y
1
, . . . , y
s
}. Cuando s <t el problema se conoce como pronstico, cuando t = s el problema se conoce
como ltrado y cuando s > t el problema se llama suavizado. Como en cualquier problema de estimacin
es tambien de inters estimar la varianza del estimador. Para tener una notacin consistente decimos que
x
s
t
= E(x
t
|Y
s
) y que
P
s
t
1
,t
2
= E
_
(x
t1
x
s
t
)(x
t1
x
s
t
)
_
cuando t
1
=t
2
=t entonces P
s
t
= P
s
t
1
,t
2
es la matrix de covarianzas de x
t
.
THEOREM 2. El ltro de Kalman
Para el modelo estado espacio denido arriba y condiciones iniciales x
0
0
, P
0
0
para t = 1, . . . , n el ltro de
Kalman se dene por las siguientes recursiones
(8.2.1) x
t1
t
=x
t1
t1
+u
t
(8.2.2) P
t1
t
=P
t1
t1
+Q
(8.2.3) x
t
t
= x
t1
t
+K
t
_
y
t
A
t
x
t1
t
u
t
_
8.2. FILTRO DE KALMAN 141
(8.2.4) P
t
t
= [I K
t
A
t
] P
t1
t
siendo
K
t
= P
t1
t
A
t
_
A
t
P
t1
t
A
t
+R
1
.
La prediccin se encuentra iterando las ecuacines 8.2.1 y 8.2.2 usando como valor esperado x
n
n
y P
n
n
.
DEMOSTRACIN. Las recursiones anteriores se pueden encontrar de la siguiente manera: La ecuacin
8.2.1 se consigue calculando el valor esperado condicionado a la informacin hasta t 1 de la ecuacin de
estados, x
t
=x
t1
+u
t
+
t
, que sera
x
t1
t
= E[x
t
|Y
t1
]
= x
t1
t1
+u
t
que como se puede ver es un pronstico del valor de x
t
dada la informacin hasta t 1. Es posible calcular,
tanto el error de pronstico como la varianza de este error
x
t
x
t1
t
=
_
x
t1
x
t1
t1
_
+
t
y la variaza sera
P
t1
t
= E
_
_
x
t
x
t1
t
__
x
t
x
t1
t
_
|Y
t1
_
P
t1
t
= E
_
_
_
x
t1
x
t1
t1
_
+
t
__
_
x
t1
x
t1
t1
_
+
t
_
|Y
t1
_
= P
t1
t1
+Q
Otro pronstico en el que se esta interesado es una vez tenemos un pronstico de x
t1
t
es el pronstico de y
t
el cual sera
E[y
t
|Y
t1
] = A
t
x
t1
t
+u
t
.
Dado este pronstico es posible construir el error de pronstico o la inovacin como
e
t
= y
t
E[y
t
|Y
t1
]
e
t
= A
t
_
x
t
x
t1
t
_
+
t
luego es error de pronstico de y
t
es funcin del error de pronstico de los estados y del error de medida. La
media de este error de pronstico es cero y su varianza sera
e
= A
t
P
t1
t
A
t
+R.
Podemos ademas construir la distribucin conjunta de x
t
y e
t
para lo cual necesitamos la covarianza
condicionada entre x
t
y e
t
que se puede cacular como
cov(x
t
, e
t
|Y
t1
) = E
_
_
A
t
_
x
t
x
t1
t
_
+
t
__
x
t
x
t1
t
_
|Y
t1
_
= A
t
P
t1
t
.
Luego dada la normalidad de las observaciones, la distribucin conjunta de x
t
y e
t
tiene la siguiente
distribucin multivariada
_
x
t
e
t
_
N
__
x
t1
t
0
_
,
_
P
t1
t
P
t1
t
A
t
A
t
P
t1
t
A
t
P
t1
t
A
t
+R
__
la cual se puede descomponer como el producto de la condicional por la marginal. En particular, la distribu-
cin de x
t
|e
t
es normal con media
x
t
t
= x
t1
t
+P
t1
t
A
t
_
A
t
P
t1
t
A
t
+R
1
e
t
y la varianza condicionada sera
P
t
t
= P
t1
t
+P
t1
t
A
t
_
A
t
P
t1
t
A
t
+R
_
1
A
t
P
t1
t
.

Esta dos ltimas ecuaciones son las ecuaciones de acualizacin del pronstico. Pues x
t
t
es el pronstico
de x
t
con la informacin disponible hasta t que sera igual al pronstico de x
t
con la informacin hasta t 1
ms un trmino que reeja el valor de la nueva informacin medido por e
t
, el cual es una inovacin.
El teorema anterior nos dice como encontrar el estimador del vector de estados x
t
dada la informacin
hasta el perodo t. La ecuacin 8.2.3 muestra como la estimacin recursiva del ltro de Kalman acumula la
informacin. En particular, la ecuacin dice que el estado en t es igual al estado estimado con la informacin
rezagada ms un peso que se le atribuye a la informacin que entra nueva (no esperada) en el perodo t.
Si K
t
es igual a cero para todo t la informacin nueva no mejora a la estimacin de x
t
que tena con la
informacin rezagada. Por el contrario, si K
t
es grande entonces la informacin nueva da mucha informacin
sobre el valor de los estados. El tamao de K
t
esta relacionado con la varianza del error de pronstico a un
paso. Si esta varianza es alta entonces K
t
es pequeo y la informacin nueva afecta en poca medida la
estimacin con informacin previa de los estados. K
t
se conoce como la matriz de aprendizaje.
8.3. Funcin de verosimilitud y la estimacin por mxima verosimilitud
La estimacin de los parmetros que involucran el ltro de Kalman es una tarea difcil. Sea el vector
de parmetros involucrados en la estimacin del ltro. Esto es, =
_
x
0
0
, P
0
0
, , Q, R, ,
_
. Bajo el supuesto
de normalidad de
t
,
t
y la independencia entre ellos es usual trabajar con el principio de verosimilitud.
Como en muchos modelos de series de tiempo, la funcin de verosimilitud se puede construir mediante
el condicionamiento sequencial. Esto es, dada una muestra y
1
, . . . , y
T
con funcin de distribucinn conjunta
p(y
1
, . . . , y
T
) tenemos que
p(y
1
, . . . , y
T
) = p(y
T
|y
T1,
. . . , y1) p(y
T1,
. . . , y1)
= p(y
T
|y
T1,
. . . , y1) p(y
T1
|y
T2
, . . . , y1)P(y
T2
, . . . , y1)
.
.
.
p(y
1
)
T
t=2
p(y
t
|Y
t1
)
siendo Y
t1
= (y
t1
, . . . , y1) y p(y
1
) la distribucin no condicionada de la primera observacin. Algunos
mtodos de estimacin en series de tiempo descartan esta funcin de densidad.
Para el modelo estado espacio la anterior representacin resulta ser fcil de utilizar pues: bajo el supuesto
de normalidad de
t
y v
t
sabemos que y
t
|Y
t1
es normal y que tiene primer momento
E[y
t
|Y
t1
] = A
t
x
t1
t
+u
t
y segundo momento
t
= A
t
P
t1
t
A
t
+R
luego el logaritmo de la funcin de densidad de y
t
dado sera
lnP(Y
T
|) =
T p
2
ln2
1
2
T
t=1
_
ln|
t
()| +e
t
()
1
t
()e
t
()
_
que puede ser visto como una funcin de cuando se supone dada una muestra. En este caso, es la funcin
de verosimilitud. La idea de los mtdos de mxima verosimilitud es en encontrar el vector de parmetros tal
que el modelo tenga la mayor probabilidad de haber generado la muestra. Esto es,

ML
= armaxln p(|Y
T
).
Los pasos para la estimacin por mxima verosimilitud se pueden resumir en los siguientes pasos:
1. Selecciones unos valores iniciales para x
0
0
y P
0
0
y los demas elementos de
(0)
.
2. Ejecute las iteraciones del ltro de Kalman, usando el valor de los parmetros
(0)
como conocidos,
para obtener las inovaciones e
t
_
(0)
_
para t = 1, . . . T junto con
t
_
(0)
_
y calcule la funcin de
verosimilitud.
3. Actualize el valor de
(0)
a
(1)
siguiendo algn mtodo de optimizacin nolineal numerico.
4. Repita los pasos 1 a 3 hasta que el mtodo de optimizacin indique que se ha convergido.
8.4. PROBLEMAS NUMRICOS EN LA MAXIMIZACIN DE LA FUNCIN DE VEROSIMILITUD 143
FIGURA 8.4.1. Verosimilitud de la distribucin Cauchy
Fuente: Brooks and Morgan (1995).
Existen varias consideraciones prcticas en la utilizacin del algoritmo. El primero de ellos esta relacionado
con la asignacin de los valores para x
0
0
y P
0
o
. Existen dos alternativas dependiendo de si los estados son
estacionarios o no estacionarios. En el primer caso, es posible usar la media y la varianza no condicional de
los estados para inicilizar el litro. Esto es,
E[x
t
] = E[x
t1
] +u
t
que bajo estacionariedad tendramos que
E[x] = (I )
1
u
si suponemos que u es alguna especie de constante. La idea es entonces comenzar el ltro reemplzando x
0
0
con E[x]. Falta la varianza que asignamos a esta estimacion de los estados que se puede calcular de la
manera siguiente:
var (x
t
) E(x
t
E[x])(x
t
E[x])
= E
_
((x
t
E[x]) +
t
)((x
t
E[x]) +
t
)
_
var (x) = var (x)
+Q
luego vec[var (x)] = (I ())
1
vec(Q). Que se puede utilizar en lugar de P
0
o
. La ventaja de este mtodo
de inicializacin es que tanto x
0
0
como P
0
0
quedaran siendo funciones de los parmetros a estimar.
Cuando el ltro es no estacionario, entonces hay dos posibilidades. En la primera de ellas, se supone
algn valor para x
0
0
y le asignamos una varianza grande (innita). En este caso, el ltro asigna poco peso
a la informacin proveniente del la estimacin del primer estado. En general, este procedimiento funciona
bien cuando el nmero de estados es grande y disponemos de una muetra grande. Cuando el nmero de
estados es pequeo es posible suponer una varianza pequea P
o
o
y estimar x
0
0
incluyendolo dentro del vector
de estados. Una vez se tiene una estimacin para este valor procedemos a hacer la estimacin tradicional
utilizando como valor inicial x
0
0
obtenido anteriormente pero esta vez suponiendo una varianza alta para P
0
0
.
8.4. Problemas numricos en la maximizacin de la funcin de verosimilitud
La segunda consideracin prctica en la estimacin por mxima verosimilitud del modelo de un modelo
estado espacio es que la funcin objetivo es muy no lineal con respecto a los parmetros. Esto es, su
geografa puede estar llena de valles o regiones escarpadas en las cuales es muy posible que el algoritmo
de optimizacin se pierda o quede atrapado en algn ptimo local. En este caso, es conveniente iniciar
el algoritmo de maximizacin en distintos valores de los parmetros. Idealmente, este conjunto de valores
iniciales debe ser seleccionado de tal manera que estas expoloren distintas regiones del espacio de parmetros
y segundo que en principio esten serca del valor de los parmetros que maximiza la funcin de utilidad.
La Figura ?? muestra el caso de un funcin de verosimilitud para la distribucin de Cauchy que dene
como
f (x) =

2
+(x )
2
_
para x , 0, . La funcin de verosimilitud para una muestra i.i.d de la distribucin
Cauchy sera
l () = nlog
log
_
2
+(x
i
)
2
_
nlog.
Figura ?? muestra la funcin l () para valores de entre -6 y 6 asumiendo que = 0,1 y que x =
(4,20, 2,85, 2,30, 1,02, 0,70, 0,98, 2,72, 350). Es conocido que dado la maximizacin de la funcin
de verosimilitud a traves de es muy complicada y la razn resalta a la vista.
Brooks y Morgan (1994) proponen un algoritmo mixto de optimizacin en el cual se combina Simulated
Annealing con mtodos tradicionales de maximizacin. La idea es usar Simulated Annealing para seleccio-
nar el conjunto de valores iniciales y luego comenzar alguno de los algoritmos tradicionales de maximizacin
de cada una de las semillas seleccionadas. Este algoritmo mixto de optimizacin se puede presentar en los
siguientes pasos:
1. Ejecute el algoritmo de SA y detengalo prematuramente. Conserve el conjunto de valores aceptados
en el ltimo nivel de temperatura. Denote este conjunto como =
_
(1)
, . . . ,
(s)
_
, siendo
( j)
el
j-simo vector de parmetros aceptado en el ltimo valor de la temperatura.
2. Use como semilla de algn mtodo tradicional de optimizacin cada
( j)
para j = 1, . . . s. Y guarde
j
_
y lnL
_
j
__
para j = 1, . . . , s
3. El vector de parmetros que maximiza la funcin objetivo sera

j
_
tal que lnL
_
j
__
es
mayor que lnL
_
j
__
para todo j = j.
El Simulated Annealing es de gran utilidad para construir el conjunto de semillas pues este algoritmo tie-
ne varias ventajas frente a algoritmos clsicos de optimizacin: Primero, tiene la probabilidad de escapar
mnimos locales y por tanto es factible barrer gran parte del espacio de parmetros. Segundo, tiende a
identicar las regiones en las cuales es mas factible que se encentre el mximo de la funcin objetivo y por
tanto, el conjunto de semillas puede contener una vecindad en la cual se encuentre el vector de parmetros
ptimo.
Suponga que su funcin objetivo es la que se presenta en la Grca 8.4.2. Como se puede ver esta
funcin tiene una gran cantidad de optimos locales pero tiene un solo minimo en (0, 0). Sin embargo, los
algoritmos de optimizacin tradicionales encuentran difcilmente el ptimo (minimo) global pues tienden a
quiedar atrapados en los ptimos locales que se encuentran cerca de la semilla inicial.
La gura 8.4.3 muestra las semillas seleccionadas (sujeridas) por SA para enpezar la optimizacin de la
funcin objetivo. La gura del lado izquierdo es el resultado de una simulacin corta de SA mietras que la
de la derecha es de una larga. Como se puede ver en la medida en que se aumenta el nmero de iteraciones el
algoritmo tiene a mejorar la region sobere la que da los valores inciales y por lo tanto a producir un conjunto
ms razonable de valores iniciales.
De lo anterior se deduce que resulta adecuado usar SA tanto para maximizar (minimizar) una funcin
objetivo como para determinar la region adecuada de valores iniciales.
Simulated Annealing. El Simulated Annealing fue propuesto por Metropolis et. al (1953). La idea del
algoritmo es que un problema de maximizacin dado por
m ax
h()
se puede plantear como un de busqueda de la moda de una distribucin de probabilidad. Sin embargo, para
que esto sea posible es necesario que la funcin h() cumpla con
h()d < +
FIGURA 8.4.2. Verosimilitud de la distribucin Cauchy
FIGURA 8.4.3. Conjunto de semillas propuestas por SA
y de esta forma h() podra ser una funcin de densidad. A primera vista este supuesto resultara restrictivo
pues en general los problemas de optimizacin no involucran funciones de densidad. Sin embargo, Metro-
polis propone una transformacin de la funcin h() de tal forma que se cumplan las propiedades de una
funciones de densidad. La transformacin propuesta por Metropilis et. al. (1953) es
H() = exp(h()/T)
la cual cumple con estas caractersticas deseadas. Por ende y en principio, es posible reescribir el problema
de maximizar h() como uno equivalente en el cual se busca la moda de la distribucin H(). Esto ltimo,
se puede hacer tanto con mtodos tradicionales de maximizacin como con simulacin.
Si es posible simular de H() directamente entonces el clculo de la moda es relativamente sencillo
pues la varianza de la distribucin H() esta relacionado con T. Por ejemplo, suponga que la funcin
objetivo es la maximizacin de la siguiente funcin:
h() =
1
2
n
i=1
(x
i
)
2
luego
H() = exp
_
1
2T
n
i=1
(x
i
)
2
_
que sera equivalente a
H() = exp
_
1
2T
n
i=1
(x
i
x + x )
2
_
= exp
_
1
2T
n
i=1
[(x
i
x) ( x )]
2
_
= exp
_
1
2T
n
i=1
_
(x
i
x)
2
2( x )(x
i
x) +( x )
2
_
_
= exp
_
1
2T
n
i=1
(x
i
x)
2
n
2T
( x )
2
_
.
Ntese que la maximizacin de H() con respecto a slo involucra el seguno trmino y por tanto
H() exp
_
n
2T
( x)
2
_
que es la distribucin normal con media x y varianza
T
n
. Por lo tanto, la varianza disminuye en la medida que
disminuye T y la distribucin se concentra alrededor de x que en este caso es el valor que maximiza H().
El SA de Metropolis et. al. (1953) es un algoritmo para encontrar el mximo (minimo) de una funcin
usando simulacin. El algoritmo se puede describir de la siguiente forma: Suponga que tiene un vector de
parmetros iniciales
0
y que genere otro vector
en
en la vencindad de
o
. Ahora, si H(
o
) H(
en
), y
estamos buscando el mximo, entonces aceptamos esta realizacin. Pero si H(
o
) < H(
en
), entonces SA
puede aceptar
en
con alguna probabilidad. Esto ltimo es una ventaja de SA frente a mtodos alternativos
pues por construccin el algoritmo tiene la posibilidad de escapar mminos o mximos locales.
La i-sima iteracin del algoritmo SA se puede describir mendiante los siguientes pasos:
1. Simule u de alguna distribucin instrimental con desidad g(|u
i
|);
2. Acepte
i+1
= u con probabilidad
p
i
=
exp
_
1
T
h(
o
)
_
exp
_
1
T
h(
en
)
_
= exp
_
1
T
[h(
o
) h(
en
)]
_
o
i+1
=
i
con probabilidad (1p
i
).
3. Ejecute los pasos 1 a 2 N veces y
4. Actualize T
i
a T
i+1
.
Como se puede ver existen dos parmetros fundamentales para la calidad de SA. El primero de ellos es
la determinacin de la funcin auxiliar g(|u
i
|) y el segundo es decidir una regla para la evolucin del
parmetro T. Con respecto a primero de ellos, en la literatura sobre SA se sugiere usar una distribucin
uniforme en una vecindad de
0
, sin embargo, existen otras posibilidades que son naturalez en el anlisis
bayesiano.
La determinacin del comportamiento de T es crucial para la calidad del algortitmo y por esto ha
recibido mucha atencin. La regla ms utilizada es T
i+1
= T
i
con 1. Existen otras posibilidades dadas
por
FIGURA 8.4.4. El mtodo de Newton para minimizar una funcin
T
i
i
1
10i
1
log(1+i)
100
log(1+i)
1
10log(1+i)
En general, todas estas reglas implican que T (la temperatura) se debe reducir lentamente pues si esta es
rpida es muy probable que el algoritmo se quede atrapado en un ptimo local.
Una vez seleccionado el conjunto de semillas el algoritmo hibrido usa un algoritmo tradicional de op-
timizacin. Como el mtodo de Gauss. La idea de este algoritmo es la siguiente: Suponga que estamos
interesados en encontrar el mnimo de una funcin f (x). Comenzando en algn valor inicial x
o
podemos
escibir una expansin de Taylor de la funcin alrededor de este punto
f (x) = f (x
o
) +
f (x
o
)
x
(x x
o
) +
1
2
2
f (x
o
)
2
x
(x x
o
)
2
si denimos x = x x
o
entonces podemos reescribir la ecuacin anterior como
f (x
o
+x) = f (x
o
) +
f (x
o
)
x
x +
1
2
2
f (x
o
)
2
x
x
2
y estamos buscando el x que maximice (minimice) la funcin que tendra condiciones de primer orden
f
(x
0
) + f
(x
o
)x = 0
de la cual podemos despejar x
x =
f
(x
0
)
f
(x
0
)
y por lo tanto tendramos la siguiente iteracin para x
x
i+1
= x
i
(x
i
)
f
(x
i
)
.
Como se puede ver en el Grco 8.4.4 este algoritmo sugiere pasos que siempre van hacia el ptimo y
por lo tanto tienen la posibilidad de quedar atrapado en mnimos locales. Por otra parte, requiere del clculo
de derivadas las cuales no siempre estan disponibles analticamente. Las derivadas se pueden reemplazar
fcilmente por numricas pero estas tienden a tener problemas de aproximacin. Exiesten variaciones a
estas iteraciones en las cuales no se usan las segundas derivadas o no se reemplazan por una iteracin de
matrices que tiene la inversa de la matriz de derivadas como su lmite. Hay tambien modicaciones al tamao
del paso
x
i+1
= x
i
i
f
(x
i
)
f
(x
i
)
mediante la introduccin del parmetro
i
el cual adems se puede determinar de manera ptima por el
algoritmo.
A pesar de la popularidad de los mtodos de optimizacin basados en Newton, uno de los ms robustos
y talvez ms usados aunque tambien de los ms viejos, es el Nelder-Mead (simplex). Este algoritmo tiende
a ser lento y a requerir un gran nmero de evaluaciones de la fucin objetivo pues no usa informacin sobre
la concavidad de la funcin dado que no usa ni las primeras ni las segundas derivadas de la funcin objetivo.
Por el contrario, algoritmos ms ecientes usan esta informacin y en situaciones en las cuales la funcin
objetivo es regular son ms ecientes. (ampliar)
8.5. Algunas consideraciones sobre la funcin de verosimilitud para los modelos DSGE
Por denicin, los estimadores de mxima verosimilitud tienden a ser ecientes en el uso de la infor-
macin, en la medida en que estos alcanzan la mnima varianza o la cota de Crmer-Rao. Esta propiedad los
ha hecho populares frente a mtodos alternativos de estimacin como GMM, los cuales tienen a tener tasas
de convergencia muy lentas lo que implica que requieren de muestras muy grandes que en general no estan
disponibles para la estimacin de modelos macroeconmicos.
Existen sin embargo problema con el uso de Mxima verosimilitud para estimar DSGE. El primero
de ellos es la singularidad estocstica, ver Ruge - Murcia, 2007. La singularidad estocstica est asociada
el hecho de que el nmero de observables puede ser mayor que el nmero de choques. Supongamos que
tenemos un modelo con dos estados (uno endgeno y otro exgeno) y tres variables observables. Por la
solucin de programacin dinmica sabemos que
_
_
x
1t
x
2t
x
3t
_
_
=
_
_
f
11
f
12
f
21
f
22
f
31
f
32
_
_
_
k
t
z
t
_
y que k
t
es un vector de variables endgenas prederterminadas. En este caso, existen combinaciones lineales
(exactas) entre los distintos elementos de x
t
pues toda la variabilidad de las tres variables en t est explicada
por choques a la misma variable z
t
. Una forma de ver lo anterior es la siguiente.
_
_
x
1t
x
2t
x
3t
_
_
=
_
_
f
11
f
12
f
21
f
22
f
31
f
32
_
_
_
k
t
z
t
_
x
1t
= f
11
k
t
+ f
12
z
t
x
2t
= f
21
k
t
+ f
22
z
t
x
3t
= f
31
k
t
+ f
32
z
t
x
1t
f
11
k
t
= f
12
z
t
x
2t
f
21
k
t
= f
22
z
t
x
1t
f
11
k
t
f
12
= z
t
f
12
x
2t
f
22
x
1t
=( f
22
f
11
+ f
12
f
21
)k
t
x
3t
f
31
k
t
= f
32
z
t
f
12
x
3t
f
32
x
1t
= ( f
12
f
31
f
32
f
11
)k
t
f
12
( f
12
f
31
f
32
f
11
)x
2t
f
22
( f
12
f
31
f
32
f
11
)x
1t
+( f
22
f
11
+ f
12
f
21
)( f
12
x
3t
f
32
x
1t
) = 0
La sigularidad estocstica pone una restriccin al nmero de variables que el modelo puede explicar.
En el caso anterior, slo es posible estimar el modelo usando una variable pues al tener el modelo una
fuente de uctuacin los slo es capaz de expliacr una variable independientemente, las dems variables son
combinaciones linales de esta. La consecuencia es que la matriz de varianzas F
t
es singular puesto que las
inovaciones en las distintas ecuaciones son todas proporcionales y linealmente dependientes.
Un ejemplo sencillo de lo que pasa con la singularidad estocstica en el ltro de Kalman es el siguiente:
Suponga que tiene tres variables denidas as
x
1
n
_
0,
2
1
_
x
2
n
_
0,
2
2
_
x
3
= x
1
+x
2
8.5. ALGUNAS CONSIDERACIONES SOBRE LA FUNCIN DE VEROSIMILITUD PARA LOS MODELOS DSGE 149
donde la x
3
es una combinacin exacta de de x
1
y x
3
. La distribucin conjunta de x
1
,x
2
y x
3
est dada por
x N(0, )
que siendo
=
_
_
2
1
0
1
1
0
2
2

2
2
1
1

2
2

2
2
+
1
2
_
_
Como se puede calcular, la matriz es singular. De hecho, su determinante sera
1
det =
2
1
_
2
2
_
2
2
+
1
2
_
2
2
2
2
_
2
1
_
2
2
1
1
_
=
2
1
2
2
2
2
+
2
1
2
2
1
2

2
1
2
2
2
2

2
1
2
2
1
1
= 0
que es cero y por la tanto la matriz no tiene inversa.
Luego si existen combinaciones lineales exactas en la ecuacin de estados temndremos que P
t1
t
es
singular y que por lo tanto F
t
puede ser singular. De hecho, la singularidad de F
t
depende de la matriz A
t
pues
F
t
A
t
E
_
_
x
t
x
t1
t
__
x
t
x
t1
t
_
_
A
t
= A
t
P
t1
t
A
t
De esta forma, en el ejemplo anterior si hacemos A
t
= [1, 0, 0] entonces
AA
=
2
1
y por lo tanto sera invertible. Si
A =
_
1 0 0
0 1 0
_
entonces
AA
=
_

2
1
0
0
2
2
_
que tambien sera invertible. Si se incluyen todas las variables tendramos de nuevo la singularidad.
Existen varias soluciones a la singularidad estocstica. La primera de ellas es slo incluir el nmero
de variables iguales al nmero de choques. La otra posibilidad es incluir ms choques estructurales que
sean latentes pues as se ganan grados de libertad para incluir variables observables. La tercera posibilidad
es incluir errores de medida ( tanto como sea necesario para incluir todas las variables observabales). Este
tercer caso fuciona pues cuando tenermos errores de medida
F
t
= A
t
P
t1
t
A
t
+Q
y por tanto Q, que es p.d., puede ayudar a que F
t
sea no singular.
Uno de los problemas ms complejos en la estimacin de un modelo DSGE es la identicacin. Los
problemas de identicacin estan relacionados con el hecho de que un parmetro o un conjuto de ellos no
se pueden estimar dados unos datos y un modelo. En algunos casos, la funcin de verosimilitud no tiene
informacin sobre un parmetro en particular lo que implicara que cambios de un parmetro no afectan la
1
El determinante de una matriz de 3 por 3 se puede calcular como
A =
_
_
a b c
d e f
g h i
_
_
det A = a(ei h f ) d (bi hc) +g(b f ec)
funcin de verosimilitud. Este parmetro a pesar de estar en el modelo estructural puede que luego de las
transformaciones de log-linearizacin y solucin no quede afectando la funcin de verosimilitud.
Pueden existir situaciones ms complejas en las cuales un conjunto de parmetros se pueden mover en
una supercie y nunca afectar el valor de la funcin de verosimilitud. En este caso, los algoritmos numricos
de optimizacin no seran capaces de determinar el valor ptimo de los parmetros. Un ejemplo sencillo de
esto es cuando un par de parmetros y entran en la funcin de verosimilitud slo como un producto
en este caso es imposible saber cuanto debe valer y por separado. Sin embargo, cada uno de ellos
afecta la funcin de verosimilitud. Por ltimo, existe una tercera posibilidad que muestra problemas de
indenticacin y es que existan varios mximos locales con el mismo valor de la funcin objetivo. Este
caso, se relaciona con el problema de idencacin anteriormente descrito pero es ms general.
Se han propuesto distintos alternativas para la solucin de estos problemas de identicacin. En general,
todos ellos involucran algn grado de intervencin en la estimacin. Esto es, jar el valor de algunos de los
parmetros en algn valor razonable o usar fuentes alternativas de informacin que permitan determinar un
valor razonable. Una alternativa es usar unformacin prior sobre el valor de los parmetros y por tanto entrar
en los mtodos bayesianos de estimacin.
Algunas consideraciones adicionales sobre los problemas de identicacin. Es posible que en la cons-
truccin de verosimilitud no se tenga en cuenta toda la informacin disponible en los datos y en el modelo.
En particular, la informacin del estado estacionario usualmente no juega un papel muy importante en la
estimacin del modelo. Esto se debe a que en la log-linearizacin y posterior construccin de loas matrices
A y B del Klein se usa slo algunas de las relaciones de largo plazo que establece el modelo.
Existe entonces una fuente adicional de informacin que no se incluye en la estimacin tradicional
por mxima verosimilitud. Existen varias alternativas para incluir esta informacin. La primera de ellas
es dividir los parmetros del modelo entre aquellos que afectan el estado estacionario y aquellos que slo
afectan la dinmica de corte plazo. Es claro que el primer grupo de parmetros tambien podra tener un
efecto sobre la dinmica del modelo. Una vez se tiene esta divisin es posible jar los parmetros del estado
estacionario usando slo la informacin al respecto y estimar los demas parmetros suponiendo como dados
estos parmetros.
Este primera alternativa podra no ser del todo eciente en la medida en que los parmetros de estado
estacionario tambien podran afectar la dinmica. Luego valdra la pena estimar conjuntamente tanto corto
como largo plazo o usar distribuciones prior sobre los parmetros de largo plazo que de alguna manera
reejen la informacin de estado estacionario.
Una alternativa es modicar la funcin de verosimilitud con un trmino de penalizacin que involucre
las razones de largo plazo. En este caso, la funcin objetivo sera:
lnL
pen
() = lnl () +
g(, x)
siendo lnl () la funcin de verosimilitud tradicional y g(, x) un trmino que penaliza la funcin objetivo
con un vector de lagrangenos. Un ejemplo de esto sera el siguiente: suponga que sabe que la relacin
consumo a producto c/y = x
1
y tiene otro conjunto de relaciones de largo plazo. Es este caso sera posible
escribir la funcin g(.) como
g(, x) =
r
j=1
j
_
x
j
() x
obj
j
_
en la cual se hace claro que alguna funcin de los parmetros (relaciones de estado estacionario) deben ser
iguales en promedio sus objetivos x
obj
j
. Este sera el caso para usar CML (Constraint Maximum Likelihood).
Un segundo aspecto de la identicacin de los modelos DSGE que puede afectar las estimaciones esta
relacionado con la selleccin de las variables que se dicen observables. A este respecto, es necesario recordar
que un DSGE tiene un nmero mximo de variables que puede explicar por la singularidad estocastica y por
tanto es necesario seleccionar el conjunto de variables observables. Se debe anotar que distintos conjuntos
de variables observables llevan a distintos valores de los parmetros y en es este caso las funciones de
verosimilitud no son comparables.
Existen sin embargo algunos criterios para determinar las variables a incluir. El primero de ellos es
incluir dentro del conjunto de variables observables las variables exgenas sobre las cuales se tiene infor-
macin por ejemplo, tasas de inters externas, demanda externa, transferencias, etc. Esto resulta til pues
8.6. PROPIEDADES DE MAXIMA VEROSIMILITUD 151
garantiza que el ltro de Kalman use esta informacin para determinar cuales son las otras fuentes de cho-
ques que afectan el ciclo econmico. Las demas variables endgenas a incluir deben ser aquellas que se
quieran explicar mejor con el modelo (inacin, consumo, producto, inversin, etc). No obstante, es con-
veniente tratar con distintos conjuntos de variables y comparar los resultados en trminos de pronstico,
descomposicin historica de los choques, correlaciones, etc.
Un ltimo punto a tener en cuenta es que la solucin del modelo es sobre variables estacionarias. En
general, los modelos se pueden escribir como estacionarios alrededor de una tendencia deterministica, tasa
de crecimiento de la produccin constante, o al rededor de una tendencia de crecimiento estoctica (random
walk en el choque de productividad). En ambos casos es necesario transformar las variables en ....
Trasformacin de los datos a estacionarios (tendencias lineales o estocsticas)
8.6. Propiedades de maxima verosimilitud
Bajo algunas condiciones de regularidad (see Amemiya, 1985, ch. 3 y 4), el estimador ML es consistente
y tiene distribucin nomal
T
_

0
_
N
_
0,
_
F
T
_
1
_
, siendo F =E
_
2
L()/
_
que se conoce
como la matriz de informacin.
Captulo 9
Mtodos Bayesianos
9.1. Teorema de Bayes
153
Apndice A
Introduccin a mtodos numricos para encontrar races.
El algoritmo de N-R se usa para encontrar las races de una funcin. La iteraciones de algoritmo se
pueden derivar usando la expansin de Taylor as:
f (x) f (x
0
) +
f (x
0
)
x
(x x
0
)
si se supone que x es una raz de la funcin entonces f (x) = 0 entonces se puede despejar x en funcin de
x
0
y las derivadas.
x = x
0
f (x
0
)
f
(x
0
)
Esta ecuacin es la base de las iteraciones del algoritmo que estn dadas por
x
n+1
= x
n
f (x
n
)
f
(x
n
)
para n = 1, . . . , N. N puede seleccionarse de tal manera que el cambio entre x
n+1
y x
n
sea muy pequeo.
Cuando esto sucede se dice que el algoritmo convergi y que x
n+1
es una raz de la funcin f (x).
La interpretacin geomtrica del algoritmo se puede ver en la siguiente grca
FIGURA A.0.1. Geometra del algoritmo de NR
155
156 A. INTRODUCCIN A MTODOS NUMRICOS PARA ENCONTRAR RACES.
Para el caso multivariado se necesita modicar un poco las ecuaciones del algorithmo de Newton.
Suponga que tiene dos ecuaciones denidas por
f (x, y) = 0
g(x, y) = 0
entonces usando el Teorema de Taylor tendramos que
f (x, y) f (x
0
, y
0
) + f
x
(x
0
, y
0
)(x x
0
) + f
y
(x
0
, y
0
)(y y
0
)
g(x, y) g(x
0
, y
0
) +g
x
(x
0
, y
0
)(x x
0
) +g
y
(x
0
, y
0
)(y y
0
)
esta sistema se puede reescribir en forma matricial as:
_
f (x, y)
g(x, y)
_
=
_
f (x
0
, y
0
)
f (x
0
, y
0
)
_
+
_
f
x
f
y
g
x
g
y
__
x x
0
y y
0
_
entonces usando los mismos argumentos que para el caso univariado tendramos la siguiente iteracin
_
0
0
_
=
_
f (x
0
, y
0
)
f (x
0
, y
0
)
_
+
_
f
x
f
y
g
x
g
y
__
x x
0
y y
0
_
_
f (x
0
, y
0
)
f (x
0
, y
0
)
_
=
_
f
x
f
y
g
x
g
y
__
x x
0
y y
0
_
_
f
x
f
y
g
x
g
y
_
1
_
f (x
0
, y
0
)
f (x
0
, y
0
)
_
=
_
x x
0
y y
0
_
_
x
y
_
=
_
x
0
y
0
_
_
f
x
f
y
g
x
g
y
_
1
_
f (x
0
, y
0
)
f (x
0
, y
0
)
_
Ejemplo caso multivariado: Suponga que tiene las siguientes ecuaciones
f (x, y) =(x 1)
2
+(y 2)
2
3
g(x, y) =x
2
/4+y
2
/31
Este sistema tiene cuatro races que estn dadas por:
[x =0,691, y = 1,625]
[x = 1,906, y = 0,523]
[x = 14,990i +7,392, y = 6,356i 13,074]
[x = 7,39214,990i, y =6,356i 13,074]
El algoritmo de Newton aqu descrito encuentra una raz a la vez y esta depende de cual es el valor
inicial que se le da al algorithmo.
function [f,df] = Cuadratic(x)
#Funcin objetivo
f(1,1)=(x(1)-1)^2+(x(2)-2)^2-3;
f(2,1)=(x(1)^2)/4+(x(2)^2)/3-1;
#Matriz de primeras derivadas.
df(1,1) = 2
*
(x(1)-1);
df(1,2) = 2
*
(x(2)-2);
df(2,1) = 0.5
*
x(1);
df(2,2) = (2/3)
*
x(2);
endfunction
function [root, storeX, storef] = NewtonRapson(fname, x0)
#Este es el algorithmo de Newton para encontrar raices de
#funciones. Este cdigo es de caracter pedaggico y no debe
A. INTRODUCCIN A MTODOS NUMRICOS PARA ENCONTRAR RACES. 157
FIGURA A.0.2. Salidas de N-R para el problema multivariado
-0.85
-0.8
-0.75
-0.7
1 2 3 4 5 6
x
1
1.62
1.64
1.66
1.68
1.7
1.72
1.74
1 2 3 4 5 6
x
2
0
0.1
0.2
0.3
0.4
0.5
0.6
1 2 3 4 5 6
f
1
-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
1 2 3 4 5 6
f
2
#con problemas verdaderos.
if (size(x0,2)!=1)
x0 = x0;
endif
maxit=6;
xold = x0;
storef(maxit,2)=0;
storeX(maxit,2)=0;
for i=1:maxit
[f,df] = feval(fname,xold);
xnew = xold - inv(df)
*
f;
xold =xnew;
storef(i,:)=f;
storeX(i,:)=xold;
endfor
root=xold;
endfunction
x0 = [-0.6,1];
fname=Cuadratic;
[root, StoreX, Storef]=NewtonRapson(fname, x0);
Apndice B
Backward iteration:
En este caso se comienza de K
y se reconstruye la senda iterando primero de la solucin de estado

estacionario hacia K
o
y luego de K
0
hacia adelante. Si se comienza exactamente de K
entonces la senda
ptima sera K
t
= K
t+1
y C
t
= C
t+1
por denicin. La solucin est en comenzar en un valor cercano a
(C
, K
) pero no muy lejano. Pues en caso contrario nos saldramos de la senda ptima y podramos generar
una senda que viole la condicin de transversalidad o en la cual se tendra consumo igual a cero en algn
momento nito. Adicionalmente, la direccin de salida es importe. Un opcin es usar el eigenvector asociado
al eigenvalor menor a uno del Jacobiano de las condiciones de primer orden evaluado en (C
, K
). Este
resultado se basa en un teorema de las ecuaciones en diferencias no lineales.
El programa siguiente resuelve el problema de Ramsey suponiendo u(c
t
) = lnc
t
y f (K
t
) = K
t
siendo
= 0,35, = 0,95.
C
t+1
= C
t
(K
t
C
t
)
1
= g
2
(K
t
,C
t
)
K
t+1
= K
t
C
t
= g
1
(K
t
,C
t
)
y la solucin de estado estacionario esta dada por
K
= ()
1
1
C
= K
K
= K
_
K
1
1
_
= ()
1
1
_
1
1
_
= ()
1
1
_
1
_
\theta^{en}la matriz Jacobiana que necesitamos construir est dada por
J(K
t
,C
t
) =
_
g
1
K
g
1
C
g
2
K
g
2
C
_
siendo
g
1
K
= ()
1
1
=
1
g
1
C
= 1
159
160 B. BACKWARD ITERATION:
g
2
C
= (K
t
C
t
)
1
( 1)C
t
(K
t
C
t
)
2
= (K
)
1
( 1)C
(K
)
2
= ()
1
1
( 1)C
()
2
1
= ()
1
1
( 1) ()
1
1
_
1
_
()
2
1
= 1( 1)(1)()
2
1
+
1
1
= 1( 1)(1)()
1
1
= 1
( 1)(1)
g
2
K
|
(K
,C
)
= ( 1)
2
C
t
K
2
K
1
= ( 1)
2
C
t
K
2(1)
K
1
= ( 1)
2
C
t
()
2(1)
1
()
1
1
= ( 1)
_
1
_
()
2(1)
1

1
1
+
1
1
+1
= ( 1)
_
1
_
()
2(1)+(1)
1
= ( 1)
_
1
__
1
_
=
_
1
__
1
_
clear all;
a=0.35;
b = 0.95;
Kast = (1/(a
*
b))^(1/(a-1));
Cast = Kastâ - Kast;
J = [1/b, -1.0;
(a-1)
*
(1-a
*
b)/(a
*
b^2), 1-(a-1)
*
(1-a
*
b)/(a
*
b)];
[v,e] = eig(J);
dK = Kast
*
(10e-13);
Kini = Kast + v(1)
*
dK;
Cini = Cast + v(2)
*
dK;
N = 28;
K(N) =0;
K(1) = Kini;
C(N) =0;
C(1) = Cini;
for j=2:N
K(j)=(K(j-1)+(C(j-1)/(K(j-1)^(a-1)))
*
(1/(a
*
b)))^(1/a);
C(j) = (1/(a
*
b))
*
(C(j-1)/(K(j-1)^(a-1)));
end
plot(K)
Kini = K(N);
Cini = C(N);
K(1) = Kini;
C(1) = Cini;
Kan(N)=0;
B.1. TEORMA DE EULER: 161
Kan(1) = Kini;
for j =2:N
K(j) = K(j-1)â -C(j-1);
Kan(j) = a
*
b
*
Kan(j-1)â;
C(j) = a
*
b
*
C(j-1)
*
K(j)^(a-1);
end
figure;
subplot(2,1,1)
plot(K);
subplot(2,1,2)
plot(C);
figure
plot(K,Kan);
0 5 10 15 20 25 30
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
X: 1
Y: 0.03472
B.1. Teorma de Euler:
La funcion f es homogena de grado r esto es:
r
f (x, y) = f (x, y)
el teorema de Euler dice que
f
x
x +
f
y
y = r f (x, y).
En el caso en que r = 1 entonces la funcion de produccion es homogenea de grado uno y el teorema de
Euler dice que si los factores son remunerados a su productividad marginal entonces todo el producto se
distribuye en a traves de los pagos de los insumos.
Proof:
162 B. BACKWARD ITERATION:
r
f (x, y) = f (x, y)
r
r1
f (x, y) =
f
(x)
(x)
+
f
(x)
(y)
=
f
(x)
x +
f
(x)
y
y evaluando esta expresion en = 1 tenemos:
r f (x, y) =
f
x
x +
f
y
y.
Si r = 1entonces tenemos que
f (x, y) =
f
x
x +
f
y
y.
Apndice C
Derivancin del costo marginal y las demandas relativas de factores
para las rmas productoras de bienes intermedios.
De las condiciones de primer orden tenemos que:
r
t
w
t
=
y
it
k
it1
t
(1)
y
it
l
it
r
t
w
t
=
_

1
_
l
it
k
it1
Luego
k
it1
=
_

1
__
w
t
r
t
_
en
l
it
el cual se puede reemplazar en la funcin de produccin
y
it
= z
p
t
k
it1
l
(1)
it
= z
p
t
_

1
_
_
w
t
r
t
_
l
it
y por tanto tenemos
l
it
=
_
z
p
t
_
1
_
1
_
r
t
w
t
_
y
it
y la demanda por capital
k
it1
=
_

1
__
w
t
r
t
_
l
it
=
_
z
p
t
_
1
_
1
_
1
_
r
t
w
t
_
1
y
it
Por ltimo, el costo marginal se puede calcular derivando la funcin de costos respecto a la produccin de
la rma. Esto es,
r
t
k
it1
+w
t
l
it
=
_
z
p
t
_
1
_
r
t
_
1
_
1
_
r
t
w
t
_
1
+w
t
_
1
_
r
t
w
t
_
_
y
it
y por lo tanto,
163
164 C. DERIVANCIN DEL COSTO MARGINAL Y LAS DEMANDAS RELATIVAS DE FACTORES PARA LAS FIRMAS PRODUCTORAS DE BIENES INTERMEDIOS.
t
=
_
z
p
t
_
1
_
r
t
_
1
_
1
_
r
t
w
t
_
1
+
en
w
t
_
1
_
r
t
w
t
_
_
=
_
z
p
t
_
1
_
_
1
_
1
_
1
w
t
_
1
r
t
+
_
1
_
1
w
t
_
1
r
t
_
=
_
z
p
t
_
1
_
_
1
_
1
+
_
1
_
r
t
w
1
t
=
_
z
p
t
_
1
_
1
__

1
_
+1
_
r
t
w
1
t
=
_
z
p
t
_
1
(1)
1
t
w
1
t
.
Puede notarse en el ltimo resultado que el costo marginal es el mismo para todas las rmas productoras
de bienes intermedios y que disminuye conforme aumenta la productividad.
Bibliografa
165

Métodos Cuantitativos y Macroeconomía Avanzada

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Métodos Cuantitativos y Macroeconomía Avanzada

Uploaded by

Copyright:

Available Formats

Notas de Clase

Mtodos Cuantitativos y Macroeconoma Avanzada

maximiza f sobre D = {x U|h

puede ser distinto de K

. Una descripcin del mtodo Backward se encuentra en el Apndice.

> T y se compara la solucin. Si

. De esta forma, el valor de K

y as para t = T 1con T sucientemente largo se tendra

) la funcin valor o la utilidad mxima que se obtendra si

satisface la siguiente condicin

) podramos encontrar una funcin g() tal que W

= g(W) que relaciona el tamao de la torta de hoy

= 0 puesto que dejar capital para el perodo

y la funcin valor est dada por

esto es la funcin de poltica sera

y la funcin valor sera

que tiene como condicin de primer orden

y las condiciones de primer orden seran

debe satisfacer la siguiente C.P.O

sin embargo no conocemos V

o en trminos del consumo

= 0 luego a nivel de capital inicial tenemos que la funcin valor est

para cada valor de K

es la solucin estacionaria. En la prctica

< con > 0 y pequeo.

= g(K, Z). Dado que Z es una variable aleatoria K

es tambin una variable aleatoria y por tanto

debe cumplir con

luego la condicin de primer orden con respecto a K

est dada por

2. Tenemos adems que K

= g(K, Z) que se dene como

y por tanto tendramos la siguiente igualdad

(Z f (K) +(1)Kg(K, Z))

3. Luego la condicin de Euler est dada por

esto es, la funcin de poltica es proporcional

. Las condiciones de primer orden las podemos encontrar usando

. Sin embargo, de las linerizaciones anteriores

x = 1. La solucin a este problema consiste de y n1elementos desconocidos de x.

s que solucionan esta ecuacin son los valores propios.

x = 1 entonces podramos encontrar un nico vector propio. Para

. De igual forma para

(Az B) = 0. Como Az B es singular para todo z entonces tambien

donde las matrices con asteriscos son las matrices reordenadas.

y por tanto (5.2.4) se puede re-escribir como

Luego la condicin agregada sera

y el problema de maximizacin sera

Regla de jacin de precios B

Regla de jacin de precios C

118 6. MODELO BSICO

Las anteriores son las demandas por factores en trminos agregados.

es una nueva distorsin de precios

A)vec(B). Usando esta propiedad tenemos

142 8. ESTIMACIN DE UN DSGE POR MTODOS DE VEROSIMILITUD

y se reconstruye la senda iterando primero de la solucin de estado

You might also like