Modelo de Ciclos Economicos Reales para Una Econom

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/315090298
Modelo de Ciclos Económicos reales para una Economía Hipotética: Siguiendo a

Schmitt-Grohé y Uribe (2004).
Article · January 2014
CITATIONS READS
0 1,221
3 authors, including:
Fernando Barrios Aguirre

Fundación Universitaria del Área Andina
50 PUBLICATIONS 34 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Indice de Eficiencia del Sector Público View project
All content following this page was uploaded by Fernando Barrios Aguirre on 29 January 2018.
The user has requested enhancement of the downloaded file.

Hipotética:: Siguiendo a
Modelo de Ciclos Económicos reales para una Economía Hipotética
Schmitt-
chmitt-Grohé y Uribe (2004).
(2004).
Fernando Barrios Aguirre1
Resumen
El siguiente documento consiste en el desarrollo hipotético de una economía que opera

bajo el modelo tradicional de los Ciclos Económicos Reales (CER) con y sin costos de
ajuste al capital y su simulación a partir de un choque estocástico a la productividad.
Mediante la construcción de un modelo, en el cual los impulsos de corto plazo están
dados por shocks tecnológicos, se evidencia como estas características de las
fluctuaciones generadas por el modelo son similares al comportamiento del
componente cíclico del producto interno bruto de la Economía de Estados Unidos.
Finalmente se realiza un ejercicio de calibración con el modelo teórico de CER para
encontrar los estados estacionarios de las variables más influyentes del modelo y una
interpretación de los resultados coherente con la teoría.
Palabras Claves: Ciclos Económicos, shock tecnológicos, componente cíclico, costos de ajuste del
capital, Estados Unidos.
Clasificación JEL: E32, E37, E30
Abstract
This article documents a hypothetical exercise of an economy that operates under the
traditional model of the Real Business Cycle (CER) with and without capital
adjustment costs and its simulation based on a stochastic productivity shock. By
constructing a model in which short-term pulses are given by technological shocks, it
is evident how these characteristics of fluctuations generated by the model are similar
to the behavior of the cyclical component of United State GDP. Finally, a calibration
exercise is performed with the theoretical model of CER to find the stationary states of
the most influential variables in the model and interpretation of results consistent
with theory.
Keywords:
Keywords Business Cycles, technological shock, cyclical component, capital
adjustment cost, United States.
JEL Classification:
Classification E32, E37, E30.
1
El siguiente Documento se realiza como proyecto para la asignatura de Macroeconomía de Corto Plazo. El autor es Magíster en
Economía de la Universidad de Los Andes fernando.barrios@utadeo.edu.co. Tel: (+57 1) 242 7030 Ext. 1738. Actualmente es docente
de tiempo completo del programa de Economía de la Universidad Jorge Tadeo Lozano y estudiante de Doctorado en Economía de la
Universidad de Los Andes. El autor agradece la revisión y comentarios de Aldo Genaro Pareja, Santiago Gomez y Alan Finkelstein.
1. Introducción
La Economía como ciencia social realiza una búsqueda científica de la formulación y el

perfeccionamiento de las teorías que nos pueden ayudar a entender mejor cómo esta
trabaja y la forma en que pueden mejorarse. Desde el escenario global de la disciplina,
la macroeconomía, se basa en modelos, que son dispositivos artificiales que pueden
reproducir el comportamiento real, por ejemplo el comportamiento de los ciclos
económicos.
Este estudio pretende realizar un desarrollo hipotético de los ciclos económicos, o

fluctuaciones de corto plazo en la economía. Esta teoría planteada por Kydland y
Prescott (1982), argumentan que los ciclos económicos son causados en primera
instancia por choques a la habilidad tecnológica de la economía para producir bienes y
servicios.
Los defensores de esta teoría crean modelos en los que las empresas eligen los planes
óptimos de inversión y contratación y los individuos eligen de manera óptima el
consumo y la oferta de trabajo en un entorno dinámico e incierto. Los modelos
resultantes son complejos desde un punto de vista técnico de modo tal que sólo puede
resolverse empleando un análisis matemático relativamente sofisticado, simulaciones
y modelos econométricos complejos.
A continuación se mostrará un sencillo modelo que puede ilustrar cómo son los
modelos de ciclo económico real desde el punto de vista teórico y empírico, centrando la
atención en los costos de ajuste al capital, los choques estocástico a la productividad y
en la solución de un modelo prototipo de CER.
2. Modelo Teórico de los Ciclos Económicos Reales (CER).
En este escenario, los modelos macroeconómicos son estructuras diseñadas para

explicar e incluso replicar las fluctuaciones económicas, por qué hay ciclos económicos
y qué papel juega la política económica en el desempeño macroeconómico.
Cabe resaltar que todos los modelos económicos son abstracciones y como tal, no son
totalmente exactas descripciones del mundo, ni están destinados a ser. El propósito de
un modelo económico es capturar la característica esencial del mundo necesaria para
analizar un problema económico. Para que sea útil, un modelo debe ser simple, y la
simplicidad que requiere deja de lado algunos elementos realistas de las economías
reales (Williamson, 2012).
La estructura básica de un modelo macroeconómico es una descripción de las

siguientes características:
1. Los consumidores y las firmas que interactúan en la economía.

2. El conjunto de bienes que los consumidores desean consumir.
3. Las preferencias de los consumidores sobre los bienes.
4. La tecnología disponible en las firmas para producir los bienes.
5. Los recursos disponibles.
En este orden de ideas los supuestos de partida y las funciones para el análisis de los
Ciclos económicos reales (CER en adelante), son semejantes a los utilizados en la
mayoría de este tipo de modelos. Este trabajo propone un modelo teórico en versión
discreta de un escenario walrasiano aplicando un modelo de Ramsey (Romer, 2006;
Kydland y Prescott, 1982). El objetivo es describir el comportamiento cuantitativo de
la economía, a partir de ciertas formas específicas de la función de producción y
utilidad para un planificador central. La economía hipotética de este caso, estará
formada por un elevado número de empresas idénticas y un elevado número de
hogares idénticos, ambos (empresas y hogares) precio-aceptantes (Romer, 2006). Esto
nos indica que todos los agentes son idénticos y por ende representables por un único
agente representativo.
Los choques o perturbaciones se ilustraran por la vía de la productividad o tecnología2.

La solución indica que la combinación de las condiciones de primer orden de los
agentes con sus restricciones presupuestales y las restricciones agregadas de recursos
se utilizan para generar un equilibrio competitivo, es decir, que los agentes resolverán
sus problemas individuales de optimización, a la vez que los mercados se encuentran
en equilibrio. El punto de partida del modelo supone que los hogares viven
2
Se asumirá que el parámetro de productividad, z, será igual a uno en el momento de la calibración del
modelo.
indefinidamente y los factores de producción son el capital ( ), el trabajo ( ) y la
Tecnología (z).
Finalmente, una forma de evaluar algunas características particulares del modelo y su

semejanza con la realizada, consiste en incorporar una acomodación gradual del stock
de capital hacia su nivel deseado, a partir de la adición de un costo de ajuste de capital
cuadrático.
2.1 Las firmas.
Las firmas del modelo CER operan bajo un escenario competitivo, con los salarios y la
tasa de interés aceptados. Se supone un caso de modelo de Ciclo de Negocios reales,
con una función del tipo Cobb-Douglas, que indica que el producto se hace a partir del
capital ( ) y el trabajo ( ) con una tecnología que exhibe rendimientos constantes a
escala.
En el periodo t, la producción es:
= , = ∝ ∝ con 0 <∝< 1 (1)
=
=
Cuya función exhibe rendimientos constantes a escala:
, = ∝ ∝
, = ∝ ∝ ∝ ∝
, = ∝ ∝
, =
Sea Δ , la acumulación, variación o cambio de capital, ésta acumulación en tiempo

discreto es igual a la variación del stock capital entre el periodo futuro y corriente
(flujo):
Δ = − (2)
Esta variación es solo una parte de los componentes a los cuales las firmas utilizan su
inversión bruta. El otro componente es la reparación de capital que se desgasta a una
tasa de depreciación, . De esta manera, la inversión bruta es:
= − + δ (3)
= $%&'ó )
δ = ' *'& *) '& +&&* & '* +& *
A partir de este concepto, la acumulación de capital (o el capital nuevo) indica que:
= + − δ
Por lo que:
− 1 − δ =
Asumiendo que no existe gobierno e impuesto, la producción se reparte entre el

consumo (* ) y la inversión ( ). De esta forma, el PIB se define por el lado del gasto y
para una economía cerrada y sin gobierno como:
= * +
= * + − 1 − δ
, , = * + − 1 − δ (4)
producción - (salarios) y (alquiler de capital), se tiene que:

Como el PIB por el lado de los ingresos es equivalente al pago total de los factores de
= - +
* + − 1 − δ = - + (5)
Las firmas idénticas de esta economía, representadas por una única firma que
capital tomando como dado sus precios - (salarios) y (alquiler de capital)

producen con tecnología descrita por la función de producción, alquilan trabajo y
respectivamente. El trabajo y capital reciben como pago sus correspondientes

productos marginales. De esta manera, en el período inicial, las firmas maximizan sus
beneficios3:
. = ∝ ∝ − - − (6)
Al maximizar cada uno de los factores de producción podemos deducir que el pago de
los factores de producción está determinado por sus productividades marginales.
/.
= 1−∝ ∝ ∝ − - = 0
/
Nota: El precio de los bienes producidos es igual a uno (01 = 1 .

3
4
1−∝ 2 3 = -

4
1−∝ 2 3 2 3 = -

1−∝ ∝ ∝

5 6 = -

1−∝
5 6 = -

7−∝ 8 : < = =: (7)

9
; :
/.
= ∝ ∝ ∝ − = 0
/>
∝ ∝ ∝ =
4
∝2 3 =

4
∝2 3 =

4
∝2 3 2 3 =

∝ 8 : < = @: (8)
9
? :
Los rendimientos constantes a escala de la función de producción son consistentes con

el supuesto de competencia perfecta. Así, los factores de producción son remunerados
según su productividad marginal; esta condición implica que la suma del producto
entre la remuneración a los factores y los factores empleados iguala la producción
total. De esta manera la producción se agota en la remuneración a factores por lo que
se cumple la condición de cero ganancias. Partiendo de la condición de Euler para
funciones de grado uno4, se tiene:
Una función cualquiera A, homogénea de grado uno cumple con la siguiente propiedad:
4
4 4
- + = 51−∝ 2 3 6 + 5∝ 2 3 6

- + = 1−∝ ∝ ∝ + ∝ ∝ ∝
- + = 1−∝ ∝ ∝
- + = (9)
Por ende se cumple la condición de cero ganancias y se resalta la importancia de

rendimientos constantes a escala en el contexto de un mercado competitivo. De las
condiciones de primer orden de la firma podemos obtener algunos resultados
importantes:
9:
∝ 2 3 = @:
?:
?:
∝ = @: 2 3
9:
Donde B es la fracción de ingreso que se distribuye como pago al capital.
9:
7−∝ 2 3 = =:
;:
=: ;:
7−∝ =
9:
Donde 7 − B es la fracción de ingreso que se destina a la remuneración del trabajo.
/A /A
A, = +
/ /
2.2 Perturbaciones en el modelo
El modelo de CER plantea unos supuestos relacionados con el comportamiento de la

tecnología. Esto es, la tecnología es una variable propulsora del componente cíclico y
está sujeta a perturbaciones en esta economía (Kydland y Prescott,1982; Long y
Plosser, 1983). En ausencia de perturbaciones, la tecnología podría comportarse como:
C , = 1 − DE ,̅
Sin embargo, la tecnología se halla expuesta a perturbaciones aleatorias. Por tanto:
C , = 1 − DE ,̅ + ,̃ (10)
HHHHHHHHHHHHHHH
1 − DE , = I' & J&& &+&* +& &*K
,̃ = L+& & &&* + &' &)*&' &*óK*'
Suponemos que ,̃ depende de lo que le suceda a ,̃ . Es decir depende de un efecto
Suponemos que ,̃ sigue un proceso autorregresivo de primer orden.

llamado “pararse sobre los hombros de los demás”. En términos econométricos
,̃ = DE C ,̃ + ME, (11)
−1 < DE < 1
ME, = 0&)*&' +& )+ *
Donde ME, representa una serie de perturbaciones (o desviaciones frente al estado

ideal) no correlacionadas entre sí cuya media es igual a cero.
El componente aleatorio de C , , es decir, ,̃ , es igual a una fracción DE del valor que
tenía en el período anterior más un término aleatorio; un valor positivo de DE implica
tiempo. Esto nos indica que las perturbaciones ,̃ siguen un proceso autorregresivo de
que los efectos de una perturbación tecnológica desaparecen gradualmente con el
primer orden y hay persistencia de ,̃ y ,̃ dada por DE .
De esta manera,
C , = 1 − DE ,̅ + DE C ,̃ + ME, (12)
Si ,̅ = 1
C , = DE C ,̃ + ME,
2.3 Problema de los hogares desde el planificador central
central.
entral
En este modelo se tiene en cuenta el trabajo (ocio) en la función de utilidad y la

introducción de aleatoriedad en la tecnología. El problema de los hogares consiste en
maximizar el valor descontado de la suma infinita de utilidades instantáneas de cada
periodo. Estas depende positivamente del consumo (* ) y negativamente del trabajo
):
LN O = I ∑R
ST Q ) * , (13)

Supuesto: la población es constante y hay una sola persona por hogar de tal forma que
= 1.
U
V
/) /Y) /) /Y)
> 0; < 0; < 0; <0
/* /* / /
La restricción presupuestaria del planificador contiene los siguientes componentes:
= *
=
δ = ' +& +&&**ó +& *
* = *')J +& ' ℎK&'
= &+J& +& * ' +& &é'
- = \'
La restricción se construye como una cuestión de equilibrio entre gastos e ingresos de

los hogares.
Ingresos
= ]*%' * +'&' & & JJ&

= ^&+J& +& ' *%' *
•
- = \'
•
•
Gastos
* = ')J & & JJ& .

= `)&%' ]*%' +'&' ]*%' ))' & & JJ& + 1.
•
δ = a&&**ó & & JJ& .

•
•
Para este ejercicio, se usará la función de utilidad de Prescott (1986). Esta es de la

forma:
* 1 − b c
)* , =
1−d
En el equilibrio de ingresos y gastos se obtiene la siguiente restricción presupuestaria:
* + − 1 − δ = , - + , (14)
economía incurre en una acumulación de activos ( − , cuando los Ingresos

Por lo que podemos argumentar con esta ecuación, que el planificador de esta
corrientes + - son mayores a sus gastos corrientes (, - + , − * − δ .
Existen algunos problemas para resolver el problema del planificador. Primero, la

solución de este problema es complicada, debido a que se trata de un problema
dinámico. Segundo, El ejercicio tiene incertidumbre respecto a los valores futuros de
las variables, dado que la economía está sujeta a choques aleatorios. Finalmente, el
planificador debe escoger en este contexto de manera óptima cuanto debe trabajar,
consumir y ahorrar en cada período. Esto implica que con un horizonte infinito de
planeación como el que hemos adoptado, el planificador debe encontrar infinitas
condiciones de primer orden.
El problema del planificador se puede entender de manera mucho más simple si

asumimos naturaleza recursiva, es decir, aunque el planificador debe resolver un
problema dinámico, el problema que enfrenta en términos de sus decisiones entre
distintos momentos del tiempo se puede entender siempre a partir de dos periodos
consecutivos. De esta manera, la decisión con respecto a cuanto consumir hoy versus
mañana será análoga a la decisión de cuanto consumir mañana frente a pasado
mañana y así sucesivamente.
El problema se puede resolver de dos formas. Usando el método del Lagrangiano o por
medio de la función valor. Tomando la primera opción5 el problema queda como:
R
* 1 − b c
LN O = IT e Q
1−d
ST
Sujeta a
* + − 1 − δ + , − , - = 0
Para resolver la condición de primer orden para el capital futuro en el momento t+1,
debemos expandir la sumatoria que aplica al problema de maximización, con el fin de
encontrar la incidencia en cualquier momento del tiempo, de los activos futuros del
momento t+1:
5
Como una forma de entender los dos métodos, esta vez se realizó por esta vía. El desarrollo del proyecto 1
se maximizó por la ecuación de Bellman.
C=
IT Q f + n* + − 1 − δ + , − , - op + IT Q f +
gh ih j klm ghqk ihqk j klm
c c
Y n* + Y − 1 − δ + , − , - op + IT Q Y f +

ghqr ihqr j klm
c
s n*Y + s − 1 − δ + ,Y Y Y − ,Y -Y Y op + ⋯(15)
De esta manera las condiciones de primer orden respecto a * ,, , * , , son las
siguientes:
/C 1 − d * 1 − b c * u1 − b
= −1 IT Q − IT Q , - = 0
/ 1−d
IT Q u*c 1 − bbc = IT Q − , -
Si hay plena certeza entonces IT = 1, por lo que nuestras ecuaciones se simplifican a:
u*c 1 − bc = − , - (16)
/C 1 − d * 1 − b c 1 − b
= IT Q + IT Q = 0
/* 1−d
IT Q * 1 − b c 1 − b = IT Q −
*c 1 − bc = − (17)
/C 1 − d * 1 − b c 1 − b

= IT Q + IT Q Y = 0
/* 1−d
IT Q * 1 − b c 1 − b = IT Q −Y

c 1
* − bc = −Y (18)
/C
= IT Q − IT Q Y 1 − δ + , = 0
/
IT Q = IT Q Y 1 − δ + ,
= QY 1 − δ + , (19)

vw vw
vih
Combinando y vg
h
u*c 1 − bc = − , -
u*c 1 − bc = *c 1 − bc , -
Esta es la ecuación de Euler que determina la decisión óptima de trabajar y consumir.
u*c 1 − bc
= , -
*c 1 − bc
u*
= , -
1 −
Como - = 1−∝ ∝ ∝
: ;: (20)
= z: 7−∝ ?∝
xy: ∝
7;:
vw vw vw
vghqk
Combinando , vg y v{
h hqk
= QY 1 − δ + ,
−1 *c 1 − bc = Q−1 *

c 1
− bc 1 − δ + ,
*c 1 − bc = Q1 − δ + , *

c 1
− bc (21)
∝
Como = ∝
∝
*c 1 − bc = Q1 − δ + , ∝

∝

∝ * c 1
− bc
Esta es la ecuación de Euler que determina la decisión óptima de consumo

intertemporal.
Combinando las ecuaciones de Euler obtenemos:
*c 1 − bc = Q1 − δ + , *

c 1
− bc
u*c 1 − bc c 1
u* − bc
= Q1 − δ + ,
, - , -
:7 ;:7
= }~7 − + z:7 ∝ ?∝7 z l∝ (21)
xy7l|
: 7;: x7l| l7 7∝ :q7 7;:q7
xy7l| x7l| l7
: ;:
z: 7∝ ?∝ :q7 7∝ ?:q7 ;:q7
l∝ ∝
Esta ecuación se conoce como la decisión óptima de trabajo intertemporal.
En el equilibrio competitivo, las decisiones de los agentes son interdependientes y el

enfoque de los CER logra adaptar una perspectiva de equilibrio general en el cual:
1. Se reconoce que una modificación a las tasa de interés cambia las decisiones de
las empresas sobre la utilización del capital, así como la decisión de los hogares
respecto al ahorro y la oferta laboral en cada periodo.
2. En cada momento del tiempo se equilibran los mercados de la economía.
3. El equilibrio competitivo esta descrito por las condiciones de primer orden.
3. El modelo con Costos de Ajuste
Una forma común de resolver este problema en la literatura de CER consiste en

incorporar en primera mediad el hecho de que sea costoso cambiar el capital y en
segunda, una acomodación gradual del stock de capital hacia su nivel deseado,
generando una demanda de inversión (DeGregorio, 2007). Esto se realiza a partir de la
adición de un costo de ajuste de capital. Así, para los hogares de este modelo, el cambio
en el stock de capital implica un coste de ajuste de la forma:
Y
, = Y 8 − 1< (22)
{hqk
{h
Justamente, esta forma cuadrática implica que los ajustes más rápidos en el stock de
capital son más caros. Estos costos son simétricos, por lo que la reducción de capital es
tanto costosa como extensiva. Asimismo, la forma como se conciben los costos de ajuste
reemplaza la visión de que el capital depreciado no genera costos de ajuste.
Y
Asumiendo unos costos de ajuste de la forma , = Y 8 − 1< con ≥ 0, el
{hqk
{h
problema de las firmas contempla una función de producción tipo Cobb-Douglas:
= , = ∝ ∝
Con
∝ ∝ ∝ =
1−∝ ∝ ∝ = -
Y
, , = * + − 1 − δ + 2 − 13
2
Y
* + − 1 − δ + , + 2 − 13 − , - = 0
2
La tecnología sigue comportándose como:
C , = 1 − DE ,̅ + DE C ,̃ + ME,
Para este escenario, el problema del planificador usando Lagrangiano, se construye
como:
R
* 1 − b c
LN O = IT e Q
1−d
ST
Sujeta a
Y
* + − 1 − δ + , + 2 − 13 − , -
2
Y
C = IT Q + * + − 1 − δ + , + 8 − 1< − , - +
gh ih j klm {hqk
c Y {h
Y
IT Q hqk c + Y * + Y − 1 − δ + , + Y 8{hqr − 1< −
g ihqk j klm {
hqk
, - + IT Q Y hqr c + s *Y + s − 1 − δ + ,Y Y Y +
g ihqr j klm
Y
8 − 1< − ,Y -Y Y + ⋯(23)
{hq
Y {hqr
De esta manera las condiciones de primer orden respecto a * ,, , * , , son las
siguientes:
/C 1 − d * 1 − b c * u1 − b
= −1 IT Q − IT Q , - = 0
/ 1−d
IT Q u*c 1 − bbc = IT Q − , -
u*c 1 − bc = − , -
/C 1 − d * 1 − b c 1 − b
= IT Q + IT Q = 0
/* 1−d
IT Q * 1 − b c 1 − b = IT Q −
*c 1 − bc = −
/C 1 − d * 1 − b c 1 − b

= IT Q + IT Q Y = 0
/* 1−d
IT Q * 1 − b c 1 − b = IT Q −Y

c 1
* − bc = −Y
/C 2 1 2 Y Y

= IT Q + 2 − 13 2 3 + IT Q −1 Y 1 − δ + , − 2 − 13 Y = 0
/ 2 2
1 Y Y

IT Q + IT Q 2 − 13 2 3 − IT Q Y 1 − δ + , − IT Q 2 − 13 Y = 0

1 Y Y

+ 2 − 13 2 3 − QY 1 − δ + , − Q 2 − 13 Y = 0

vw vw
vih vgh
Combinando y
u*c 1 − bc = − , -
u*c 1 − bc = *c 1 − bc , -
Esta es la ecuación de Euler que determina la decisión óptima de trabajar y consumir.
u*c 1 − bc
= , -
*c 1 − bc
u*
= , -
1 −
: ;: (24)
= z: 7−∝ ?∝
xy: ∝
7;:
vw vw vw
vghqk
Combinando , vg y v{
h hqk
1 Y Y

+ 2 − 13 2 3 − QY 1 − δ + , − Q 2 − 13 Y = 0

1 Y Y

−1 *c 1 − bc + 2 c 1
− 13 2 3 + Q* − bc 1 − δ + , − Q 2 − 13 Y = 0

1 Y Y

*c 1 − bc − 2 c 1
− 13 2 3 = Q* − bc 1 − δ + , − Q 2 − 13 Y

1 Y Y
*c 1 − bc − 2 c 1
− 13 2 3 = Q* − bc 1 − δ + ,
4 4
− Q 2 − 13 Y

(25)
Esta es la ecuación de Euler que determina la decisión óptima de consumo

intertemporal. Esta ecuación es la única que cambia en comparación con el problema
sin costos de ajuste. La particularidad de esta ecuación con el problema inicial es la
incorporación de los costos de ajuste del capital “intertemporales” en la decisiones
optima entre consumir hoy y mañana.
4. Calibración y resultados.
resultados. Modelo sin costos de ajuste.
Para desarrollar el proceso de calibración se utilizan las condiciones de optimalidad

propuestas en la sección teórica del modelo sin costos de ajuste, con la siguiente lista
de parámetros a calibrar:
• σ (sigma): elasticidad del consumo

• β (beta): factor de descuento intertemporal
• α (alpha): participación del capital en la producción
• δ (delta): factor de depreciación
Asumiendo los siguientes parámetros utilizados en la literatura de CER (Hansen y
Wright, 1992):
Tabla 1. Valor asumido en parámetros
d
Parámetros Valor asumido
Q
2

0.99
0.36

0.025
,̅
0.3
DE
1
dE
0.95
0.007
Fuente: Hansen y Wright, 1992
Para caracterizar el equilibrio debemos considerar como son las interacciones entre los
dos tipos de agentes para “cerrar” el modelo. Estas condiciones serían igualar la oferta
y la demanda de bienes y trabajo, y además incluir una restricción de recursos de la
economía donde el consumo más la inversión sean iguales al producto total de la
economía. De esta manera, las condiciones de primer orden del planificador central y
las firmas, se transforman en el estado estacionario de la siguiente manera:
* + − 1 − δ + , − , - = 0
Como
= , = ∝ ∝
Entonces
? − 7 − ? + y − z?∝ ;7∝ =
∝ ∝ ∝ =
Entonces
∝ ?∝7 ;7∝ = @
1−∝ ∝ ∝ = -
Entonces
7−∝ ?∝ ;∝ = =
C , = 1 − DE ,̅ + DE C ,̃ + ME,
Como ,̅ = 1
C , = DE C ,̃ + ME,
C , = DE C , + ME,
; z − z ; z − z,: =
Siendo
u*
= , -
1 −
Entonces
xy
− z= =
7 − ;
xy
− z7−∝ ?∝ ;∝ =
7 − ;
De
*c 1 − bc = Q1 − δ + , *

c 1
− bc
Entonces
* c 1 − bc = Q1 − δ + , * c 1 − bc
1 = Q1 − δ + ,
7 − }~7 − + z ∝ ?∝7 ;7∝ =
Es así como llegamos a que las ecuaciones que caracterizan el equilibrio del modelo
son:
d − 2 = 0
Q − 0.99 = 0
− 0.36 = 0
− 0.025 = 0
− 0.30 = 0
,−1=0
xy
− z7−∝ ?∝ ;∝ =
7 − ;
7 − }~7 − + z ∝ ?∝7 ;7∝ =
7−∝ ?∝ ;∝ = =
∝ ?∝7 ;7∝ = @
? − 7 − ? + y − z?∝ ;7∝ =
Las predicciones del modelo respecto de algunos aspectos fundamentales de las
elasticidad del trabajo, x.

fluctuaciones se presentaran con modificaciones en el parámetro que captura la
5. Calibración y resultados.
resultados. Modelo con costos de ajuste
Asumiendo costos de ajuste, las condiciones de primer orden del planificador central y
las firmas, se transforman en el estado estacionario de la siguiente manera:
Y
* + − 1 − δ + 2 − 13 = , ∝ ∝
2
Como
= , = ∝ ∝
Entonces
Y
* + − 1 − δ + 2 − 13 = z?∝ ;7∝
2
? − 7 − ? + y − z?∝ ;7∝ =
∝ ∝ ∝ =
Entonces
∝ ?∝7 ;7∝ = @
1−∝ ∝ ∝ = -
Entonces
7−∝ ?∝ ;∝ = =
C , = 1 − DE ,̅ + DE C ,̃ + ME,
Como ,̅ = 1
C , = DE C ,̃ + ME,
C , = DE C , + ME,
; z − z ; z − z,: =
Siendo
u*
= , -
1 −
Entonces
xy
− z= =
7 − ;
xy
− z7−∝ ?∝ ;∝ =
7 − ;
Finalmente
1 Y Y

*c 1 − bc − 2 c 1
− 13 2 3 = Q* − bc 1 − δ + , − Q 2 − 13 Y

1 Y Y

*c 1 − bc − 2 c 1
− 13 2 3 = Q* − bc 1 − δ + ,
4 4
− Q 2 − 13 Y

Entonces
1
* c 1 − bc − 2 − 13 2 3 = Q* c 1 − bc 1 − δ + , − Q 2 − 13 Y

1
* c 1 − bc − 2 − 13 2 3 = Q* c 1 − bc ~1 − δ + , 4 4 − Q 2 − 13 Y

1 = Q1 − δ + ,
7 − }~7 − + z ∝ ?∝7 ;7∝ =
Por lo que el estado estacionario para esta versión del modelo es igual al modelo
estándar con costos de ajuste igual a cero.
6. Cálculo
Cálculo de funciones de política.
variables de estado (N y control ( para obtener las reglas de decisión se realizaran a
Siguiendo a Schmitt-
chmitt-Grohé y Uribe (2004),
(2004) las matrices que permiten determinar las
partir de :
= KN , d (26)
N = ℎN , d (27)
Utilizando una aproximación de primer orden, podemos escribir:
= KN , d ≈ H + K N − N̅
N = ℎN , d + udM ≈ N̅ + ℎN − N̅ + udM
Donde las variables de estado estacionario de las variables de control y estado son H y
N̅ , respectivamente. u representa la matriz de desviaciones estándar para un conjunto
de dimensiones 2*2. El conjunto de condiciones de equilibrio de una amplia variedad
de modelos de equilibrio general dinámico de la macroeconomía se pueden escribir
como:
, , N , N = 0
El vector N de variables predeterminadas o de estado es de tamaño × 1 y el vector

de las variables no-predeterminado o de control es de tamaño 1 × 1. De esta
manera, se define = + 1 . La función , , N , N se mapea en ^ i × ^ i ×
^ i × ^ i en ^ i .
El vector de variables de estado N puede ser dividido como N = nN ; NY o . El vector N
consta de variables de estado endógenas predeterminada y el vector NY de variables de
estado exógenos. Específicamente, se supone que NY sigue un proceso estocástico
exógeno dado por:
N
Y
= ΛNY + u dM
Donde tanto el vector NY y la innovación M son de orden ¡ × 1. El vector M se se
varianza / covarianza I. El escalar d es mayor que cero, y la matriz u de dimensiones

distribuye de manera independiente e idénticamente, con media cero y matriz de
¡ × ¡ tiene parámetros conocidos. Todos los valores propios de la matriz Λ se suponen

que tienen un módulo menor que uno.
expresadas en la forma , , N , N , utilicemos el modelo con costos de ajuste

Para ver cómo las condiciones de equilibrio de un modelo familiar pueden ser
desarrollado en el documento, con . Las condiciones de equilibrio están dadas por:

u*
= , 1−∝ ∝ ∝
1 −
1 Y Y
*c 1 − bc − 2 c 1
− 13 2 3 = Q* − bc 1 − δ + , ∝
∝

∝
− Q 2 − 13 Y

Y
, ∝ ∝ = * + − 1 − δ + 2 − 13
2
, = 1 − DE ln ,̅ + DE ln , + ME
De esta manera,
N = n ; , o
= n* ; o
De esta manera el sistema , , N , N , se puede escribir como:
¦ u* ©
¥ , 1−∝ ∝ ∝ − ¨
1 −
¥ 1 Y ¨
¥* 1 − bc − 2 − 13 2 3 − Q* 1 − bc 1 − δ + , ∝ ∝ + Q 2 − 13 2 Y
Y 3¨
c c ∝

¥ ¨

¥ Y
¨
* + − 1 − δ + 2 − 13 − ,
∝ ∝
2
¤ 1 − DE ln ,̅ + DE ln , + ME − , §
(28)
Para aproximarnos a KN , d y ℎN , d es necesario obtener las derivadas de la
las variables de estado y control en y + 1. Para sacar provecho teórico y matemático

caracterización de la solución del modelo, mediante las derivadas parciales respecto a
del ejercicio se calcularon a mano, sin embargo, en el apéndice de este documento se

encuentra una programación en Matlab para la obtención de estas derivadas.
a1h * ,
u* u*
−∝ , 1−∝ ∝ −∝−1 −

−
1 − 2
¦ −d−1 1 − u1−d ª ©

¥−d* 1 − −u1 − d *−d

1 −
u1−d −1
¨
ª
1 −, 1−∝ ∝ −∝
¤ 0 0 §
(29)
a1hqk * ,
0
0 c 1
− bc 1 − δ + , ∝
∝

Qu1 − d * ∝
¦dQ*
c 1
− bc 1 − δ + , ∝ ª
∝ ∝ ©
¥ 0 ª −Q1−∝ * −
c 1 bc , ∝
∝ ∝
¨
0 0
¤ 0 §
(30)
ah , ,
, ∝ 1−∝ ∝−1 −∝

1−∝ ∝ −∝
+1 +1 1
¦ 0 ©

2 3 + 2 − 13 2 3 ª
¥ 3 2

−∝ 1−∝ ¨
¥ +1 +1
1 ¨
δ − 1 + 2 − 13 2 3 − , ∝ ∝−1 1−∝ ª −
2
,
¤ 0 §
(31)
ahqk , ,
0
1
¦− 22 3 − Q∝ −1 *+1 1 − +1 ,+1 ∝ ∝−2
+1 +1 ª ©
−d u1−d 1−∝
¥ 0 ¨
¥ +1 1 − +1 ∝ +1 +1 1−∝ ¨
+2
2
+2 +2 −Q*−d u1−d
−Q 4 − 2Q 2 − 13 2 3 3 ª
∝−1
¥ +1 +1 +1 0 ¨

¥ ¨
¥ +1 1 0 ¨
1 + 2 − 13 2 3 ª

¤ 0 §
(32)
Con estas derivadas podemos encontrar los valores de g(x) y h(x) lo cual nos permite
resolver:
= KN , d ≈ H + K N − N̅
N = ℎN , d + udM ≈ N̅ + ℎN − N̅ + udM

7. Aplicando el Algori
Algoritmo SGU (2004)
7.1 Los valores

valores de Estado estacionario
Para encontrar los valores de estado estacionario estable, se resuelven las ecuaciones
de la sección anterior tanto para el modelo estándar como el de costos de ajuste, pues
el modelo evaluado en el estado estacionario reduce el sistema al modelo básico. Los
resultados se presentan en la tabla X, donde el consumo constituye un 74.4% del PIB y
la inversión un 25.6%.
Tabla 2. Valores en estado estacionario
Valores de estado estacionario
u
z 1
2.00826
c 0.826298
k 11.3968
y 1.11122
i 0.284919
w 2.3706
r 0.035101
n 0.30000
Fuente: Cálculos del autor
Gráfico 1. Impulsos-respuestas de las variables “sin tratamiento” ante un shock de

desvío estándar de la productividad.
-3 -3 -3
x 10 z x 10 eta x 10 c
8 10 4
6 3
5
4 2
0
2 1
0 -5 0
20 40 60 80 100 20 40 60 80 100 20 40 60 80 100
-3 -3
k x 10 y x 10 i
0.06 8 6
6
0.04 4
4
0.02 2
2
0 0 0
20 40 60 80 100 20 40 60 80 100 20 40 60 80 100
-3 -4
x 10 w x 10 r
4 0
2 -0.5
0 -1
20 40 60 80 100 20 40 60 80 100

Gráfico 2. Filtro de Hodrick Prescott para las series simuladas “sin tratamiento”
Hodrick-Prescott Filter
1.12 Hodrick-Prescott Filter
Raw Data 2.1
1.1 Smoothed Trend Raw Data
2.08 Smoothed Trend
1.08
1.06 2.06
1.04 2.04
1.02
2.02
1
2
0.98
1.98
0.96
0.94 1.96
0.92 1.94
0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500
0.94
13
Raw Data
Raw Data
0.92 Smoothed Trend
Smoothed Trend
0.9 12.5
0.88
12
0.86
0.84
11.5
0.82
0.8
11
0.78
0.76 10.5
0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500
1.25
Raw Data 0.36
Smoothed Trend Raw Data
Smoothed Trend
1.2 0.34
0.32
1.15
0.3
1.1 0.28
0.26
1.05
0.24
1 0.22
0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500
Hodrick-Prescott Filter Hodrick-Prescott Filter
2.5 0.0375
Raw Data Raw Data
Smoothed Trend 0.037 Smoothed Trend
0.0365
2.45
0.036
0.0355
2.4 0.035
0.0345
0.034
2.35
0.0335
0.033
2.3 0.0325
0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500
impacto del trabajo en la utilidad, u, 0.83 y 0.28 unidades en el consumo e inversión de

Los resultados iniciales reportan un valor de 2,0083 en el parámetro que especifica el
estado estacionario respectivamente, y una tasa de interés de estado estacionario de

3,5%. Asimismo, la unidades de salarios y capital de estado estacionario son de 2,37 y
11.4 respectivamente. El modelo parece consistente con los hechos estilizados del ciclo
económico: tanto la inversión como el empleo son fuertemente procíclicos al consumo,
que por naturaleza es procíclico al PIB; la inversión (variación del capital) es más
volátil que el consumo y el empleo.
Los valores son sensibles frente a los cambios en u, que representa la elasticidad. Se
observa que a medida que incrementamos la elasticidad asociada al incremento de
satisfacción por ocio, efectivamente estamos sacrificando horas dedicadas al trabajo, lo
cual disminuiría la producción, la inversión y el consumo aceptando los precios del
salario y la tasa de interés como dados (consecuencia del modelo). Sin embargo, los
a medida que cambiamos u.

porcentajes de participación del consumo y la inversión sobre el producto se mantienen
narios ante cambios en u

Tabla 3. Estado estacionario
estacionarios
x x =2,0083 x =2,0 x =2,5 x =3,0 x =3,5 x =4,0 x =10,0

z 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000
n 0,300000 0,300866 0,256103 0,222935 0,197373 0,177070 0,079247
c 0,826298 0,828683 0,705392 0,614036 0,543630 0,487709 0,218273
k 11,396800 11,429700 9,729170 8,469140 7,498060 6,726760 3,010550
y 1,111220 1,114420 0,948621 0,825765 0,731082 0,655878 0,293537
i 0,284919 0,285742 0,243229 0,211728 0,187451 0,168169 0,075264
w 2,370600 2,370600 2,370600 2,370600 2,370600 2,370600 2,370600
r 0,035101 0,035101 0,035101 0,035101 0,035101 0,035101 0,035101
Cálculos del autor con base en simulaciones de Dynare y Matlab
7.2 Resultados de la simulación de componentes cíclicos con costos de ajuste del
capital.
Para diseñar esta parte del documento, el diseño metodológico consistió en la

aplicación del algoritmo de SGU (2004), con la ayuda de los programas Dynare y
Matlab. En este orden, las variables fueron expresadas en logaritmos a partir del valor
de estados estacionario encontrado, multiplicado por el exponencial de la variable. Una
vez encontrado estos resultados, se aplicó un filtro Hodrick Prescott a cada una de las
series artificiales generadas en la simulación para obtener algunos momentos que
permitieronn contrastar los resultados con los hechos estilizados.
A pesar que los resultados con costos de ajuste no alteran los resultados de estado
estacionario, es necesario analizar la dinámica que hay sobre este a medida que
alteramos el tamaño del costo de ajuste sobre la dinámica del capital.
Tabla 4. Resultados de volatilidades del modelo del Proyecto 2 con cambios en ¬
¬ ¬ =0 ¬ =2 ¬ =4 ¬ =6 ¬ =8 ¬ =10 ¬ =12 ¬ =14 ¬ =16 ¬ =18 ¬ =20
y 0,012 0,0119842 0,01171277 0,01147752 0,01127155 0,01108961 0,01092766 0,01078251 0,01065165 0,01053302 0,01042495
c 0,006 0,0059514 0,00625767 0,00652707 0,00676567 0,00697835 0,00716909 0,0073411 0,00749701 0,007639 0,00776885
i 0,032 0,02967868 0,02767575 0,02593827 0,02441564 0,02306953 0,0218703 0,02079468 0,01982412 0,01894364 0,01814103
k 0,003 0,00276942 0,00258379 0,00242259 0,00228119 0,00215608 0,00204454 0,00194444 0,00185406 0,00177204 0,00169723
n 0,005 0,00428287 0,003863 0,00349881 0,00317967 0,00289755 0,00264623 0,00242083 0,00221746 0,00203297 0,00186482
Normalizado el primer momento a 1
¬ ¬ =0 ¬ =2 ¬ =4 ¬ =6 ¬ =8 ¬ =10 ¬ =12 ¬ =14 ¬ =16 ¬ =18 ¬ =20
y 1 0,97423551 0,95217022 0,93304636 0,91630208 0,90151152 0,88834573 0,87654644 0,86590788 0,85626405 0,84747942
c 1 1,06257945 1,11726047 1,16536051 1,20795993 1,24593336 1,27998825 1,31069934 1,33853652 1,36388675 1,38707113
i 1 0,92701587 0,86445404 0,81018363 0,76262443 0,72057856 0,6831205 0,64952331 0,61920769 0,59170599 0,56663642
k 1 0,92756496 0,86539214 0,81139963 0,76403958 0,722136 0,6847786 0,65125117 0,62098217 0,59350962 0,56845591
n 1 0,89736391 0,80939157 0,73308401 0,66621755 0,60710659 0,55444893 0,50722184 0,46461034 0,42595665 0,39072371
Cálculos con base
base en Matlab
Gráfico 3.Volatilidades de las variables
0.035 Desviaciones normalizadas a uno en ¬=0

0.03 1.6
0.025 y 1.4
1.2 y
0.02 c
1 c
i
0.015 0.8
i
k
0.6
0.01 k
n 0.4
0.005 n
0.2
0 0
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
Cálculos del autor con base en Matlab.
Los resultados son coherentes con la teoría. Un aumento en el tamaño o la elasticidad

de los costos de ajuste, genera un aumento en la volatilidad del consumo y una
disminución en la volatilidad de la producción, la inversión el capital y el trabajo. Esto
se da porque en los modelos con costos de ajuste en el capital, la variación del capital
(inversión) se hace progresivamente a medida que la dimensión del ajuste es mayor,
puesto que con costos de ajuste la transición hacia el estado de capital óptimo se hace
de forma gradual y suavizada. Asimismo, el ajuste a la producción no es tan fuerte, lo
cual influye en las volatilidades de la inversión y el trabajo. Un hecho particular es la
volatilidad del consumo, la cual aumenta marginalmente en términos del valor inicial
del tamaño de los costos de ajuste. Una interpretación a este resultado se da en la
ecuación de la producción por el lado de la demanda en este modelo (c+i) donde el
consumo representa el costo de oportunidad de no invertir.
Tabla 5. Resultados de volatilidades en el Proyecto 1.
Volatilidad HP Volatilidad BP
Variable Absoluta Relativa Absoluta Relativa
PIB 0,0166 1,0000 0,0153 1,0000
Consumo 0,0127 0,7613 0,0118 0,7675
Inversión 0,0791 4,7563 0,0682 4,4520
Gasto público 0,0344 2,0691 0,0298 1,9461
Productividad
laboral 0,0104 0,6240 0,0095 0,6176
Cálculos del autor con base en datos de Williamson HP:Hodrick-Prescott. BP:Baxter
King
Tabla 6. Segundos momentos datos reales. Estados Unidos
Momentos
Reales
Volatilidad Volatilidad Auto
Variables Correlación PIB
Absoluta Relativa Correlación
y 0,02 1,00 1,00 0,85

c 0,01 0,53 0,76 0,79
i 0,05 2,76 0,79 0,87
k n.d n.d n.d n.d
n 0,02 1,12 0,88 0,90
Notas de clase Alan Finkelsntein (2014)
Tabla 7. Segundos momentos simulación = 0. Estados Unidos
=0
Momentos
simulados
Volatilidad Volatilidad Correlación Auto
Variables
Absoluta Relativa PIB Correlación
y 0,012301 1,000000 1,000000 0,719890
c 0,005601 0,455316 0,988435 0,738448
i 0,032015 2,602630 0,997036 0,714638
k 0,002986 0,242717 0,304271 0,963043
n 0,004773 0,387991 0,992210 0,712863
Cálculos del autor con base en Matlab
y sin costos de ajustes y los datos reales (suministrados en las diapositivas de clases)
Al evaluar las volatilidades, Correlaciones y Autocorrelación del modelo simulado con
se observa que en términos de volatilidad relativa, correlaciones y autocorrelaciones

responde conforme a los datos del consumo, la producción y la inversión. Sin embargo
todavía sigue siendo un talón de Aquiles en estos modelos la volatilidad de la fracción
de tiempo en el trabajo.
El “fit” modelo deja ser importante a medida que el tamaño de los costos de ajuste se
hace más grande: Suavizan más la inversión y el capital (menos volátiles), generan
más variación en el componente cíclico del consumo y distorsionan más el hecho
estilizado de las horas de trabajo.
Tabla 8. Segundos momentos para valores de ϑ
Volatilidades Absolutas
ϑ 0 2 4 6 8 10 12 14 16 18 20
y 0,012301 0,011984 0,011713 0,011478 0,011272 0,011090 0,010928 0,010783 0,010652 0,010533 0,010425
c 0,005601 0,005951 0,006258 0,006527 0,006766 0,006978 0,007169 0,007341 0,007497 0,007639 0,007769
i 0,032015 0,029679 0,027676 0,025938 0,024416 0,023070 0,021870 0,020795 0,019824 0,018944 0,018141
k 0,002986 0,002769 0,002584 0,002423 0,002281 0,002156 0,002045 0,001944 0,001854 0,001772 0,001697
n 0,004773 0,004283 0,003863 0,003499 0,003180 0,002898 0,002646 0,002421 0,002217 0,002033 0,001865
Volatilidades Relativas
ϑ 0 2 4 6 8 10 12 14 16 18 20
y 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000
c 0,455316 0,496604 0,534260 0,568683 0,600243 0,629269 0,656050 0,680834 0,703836 0,725243 0,745217
i 2,602630 2,476485 2,362870 2,259918 2,166130 2,080283 2,001372 1,928556 1,861132 1,798501 1,740154
k 0,242717 0,231090 0,220596 0,211072 0,202384 0,194423 0,187098 0,180332 0,174063 0,168236 0,162805
n 0,387991 0,357377 0,329811 0,304840 0,282097 0,261285 0,242159 0,224515 0,208180 0,193010 0,178880
Correlación PIB
ϑ 0 2 4 6 8 10 12 14 16 18 20
y 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000 1,000000
c 0,988435 0,992714 0,995252 0,996827 0,997837 0,998504 0,998955 0,999264 0,999480 0,999633 0,999741
i 0,997036 0,997542 0,997961 0,998311 0,998604 0,998849 0,999055 0,999229 0,999375 0,999498 0,999601
k 0,304271 0,297674 0,291654 0,286134 0,281049 0,276348 0,271985 0,267924 0,264132 0,260582 0,257251
n 0,992210 0,993107 0,993891 0,994582 0,995195 0,995743 0,996236 0,996681 0,997086 0,997456 0,997796
Auto Correlación
ϑ 0 2 4 6 8 10 12 14 16 18 20
y 0,719890 0,719541 0,719225 0,718939 0,718680 0,718445 0,718231 0,718035 0,717857 0,717693 0,717542
c 0,738448 0,733043 0,729319 0,726645 0,724660 0,723145 0,721961 0,721018 0,720254 0,719626 0,719103
i 0,714638 0,714878 0,715079 0,715249 0,715395 0,715521 0,715631 0,715728 0,715814 0,715891 0,715959
k 0,963043 0,963092 0,963133 0,963168 0,963199 0,963225 0,963248 0,963269 0,963287 0,963303 0,963318
n 0,712863 0,713117 0,713334 0,713523 0,713690 0,713840 0,713978 0,714106 0,714226 0,714342 0,714456

Gráfico 4. Componentes cíclicos y funciones impulso respuesta (periodo 101-2100)
(1)=producto. (2)=consumo. (3)=inversión. (4)=capital. (5)=Trabajo
1 2 1 2
0.1 0.1 0.05 0.05
0 0 0 0
-0.1 -0.1 -0.05 -0.05

0 500 1000 1500 2000 0 500 1000 1500 2000 0 500 1000 1500 2000 0 500 1000 1500 2000
3 4 3 4
0.2 0.1 0.1 0.01
0 0 0 0
-0.2 -0.1 -0.1 -0.01

0 500 1000 1500 2000 0 500 1000 1500 2000 0 500 1000 1500 2000 0 500 1000 1500 2000
-3 5 -3 c
5 x 10 c x 10
0.01 5 0.01 5
0 0
-0.01 0 -0.01 0
0 500 1000 1500 2000 20 40 60 80 100 0 500 1000 1500 2000 20 40 60 80 100
Gráfico 5. Funciones impulso-respuesta con variaciones incrementales en ϑ (de izquierda a

derecha)
y i y i
0.01 0.04 0.01 0.02
0.005 0.02 0.005 0.01
0 0 0 0
20 40 60 80 100 20 40 60 80 100 20 40 60 80 100 20 40 60 80 100
k z k z
0.01 0.01 0.01 0.01
0.005 0.005 0.005 0.005
0 0 0 0
20 40 60 80 100 20 40 60 80 100 20 40 60 80 100 20 40 60 80 100
-3 n -3 c -3 n -3 c
x 10 x 10 x 10 x 10
5 5 5 5
0 0
-5 0 -5 0
20 40 60 80 100 20 40 60 80 100 20 40 60 80 100 20 40 60 80 100
y i y i
0.01 0.02 0.01 0.02
0.005 0.01 0.005 0.01
0 0 0 0
20 40 60 80 100 20 40 60 80 100 20 40 60 80 100 20 40 60 80 100
-3 -3 k z
x 10 k z x 10
5 0.01 5 0.01
0.005 0.005
0 0 0 0
20 40 60 80 100 20 40 60 80 100 20 40 60 80 100 20 40 60 80 100
-3 -3 n c
x 10 n c x 10
5 0.01 5 0.01
0 0.005 0 0.005
-5 0 -5 0
20 40 60 80 100 20 40 60 80 100 20 40 60 80 100 20 40 60 80 100
y i y i
0.01 0.02 0.01 0.02
0.005 0.01 0.005 0.01
0 0 0 0
20 40 60 80 100 20 40 60 80 100 20 40 60 80 100 20 40 60 80 100
-3 k z -3 k z
x 10 x 10
5 0.01 5 0.01
0.005 0.005
0 0 0 0
20 40 60 80 100 20 40 60 80 100 20 40 60 80 100 20 40 60 80 100
-3 n c -3 n c
x 10 x 10
2 0.01 2 0.01
0 0.005 0 0.005
-2 0 -2 0
20 40 60 80 100 20 40 60 80 100 20 40 60 80 100 20 40 60 80 100
y i
0.01 0.02 y i
0.01 0.02
0.005 0.01
0.005 0.01
0 0
20 40 60 80 100 20 40 60 80 100 0 0
20 40 60 80 100 20 40 60 80 100
-3 k z
x 10 -3 k z
5 0.01 x 10
5 0.01
0.005 0.005
0 0 0 0
20 40 60 80 100 20 40 60 80 100 20 40 60 80 100 20 40 60 80 100
-3
x 10 n c -3 n c
x 10
2 0.01 2 0.01
0 0.005 0 0.005
-2 0 -2 0
20 40 60 80 100 20 40 60 80 100 20 40 60 80 100 20 40 60 80 100
y i
0.01 0.02
0.005 0.01
0 0
20 40 60 80 100 20 40 60 80 100
-3 k z
x 10
4 0.01
2 0.005
0 0
20 40 60 80 100 20 40 60 80 100
-3 n c
x 10
2 0.01
0 0.005
-2 0
20 40 60 80 100 20 40 60 80 100
Una evidencia final son las funciones impulso respuestas del producto, la inversión, el
consumo y las horas en respuesta a un shock de productividad con y sin costos de
ajustes de capital. El comportamiento dinámico de las variables macroeconómicas
(primera y última gráfica) después de un shock de productividad positivo es similar en
producción y productividad, más gradual en la inversión y el capital, y no mejora las
condiciones en el tiempo dedicado al trabajo.
Conclusión
La naturaleza de los shocks que generan los ciclos económicos es uno de los puntos
principales en la agenda de investigación actual, dado que el modelo, desde la
perspectiva teórica y analítica, es consistente con los hechos estilizados del ciclo
económico. Así, pues un sencillo ejercicio de calibración basta para identificar los
aciertos y yerros principales de un modelo (Romer, 2006).
En este trabajo se desarrolló un modelo de ciclos reales siguiendo la literatura

estándar RBC. El modelo se calibró para la economía de Estados Unidos con el fin de
reproducir los hechos estilizados hallados. El análisis de los datos de la economía
estadounidense permite concluir que la misma presenta en general los hechos
estilizados típicos de una economía: variabilidad del consumo muy similar al ciclo del
PIB, inversión muy volátil respecto al ciclo del PIB. El modelo medianamente sencillo
desarrollado fue capaz de reproducir en buena parte los hechos estilizados. Se obtienen
correlaciones respecto al PIB bastante consistentes con las observadas así como
autocorrelaciones de los diferentes ciclos bastante acertadas. Además el modelo
reproduce la alta volatilidad relativa de la inversión.
El modelo falla, sin embargo, en la reproducción de los hechos estilizados referentes a

la volatilidad del tiempo dedicado al trabajo dado que lo subestima, y el modelo hace
más volátil el consumo y suaviza el tiempo dedicado al trabajo a medida que aumenta
el tamaño de los costos de ajuste. De este trabajo se desprende que un modelo sencillo
es capaz de reproducir los hechos estilizados asociados a las principales variables
macroeconómicas con ciertos reparos o puntos débiles. Dichas debilidades están en
línea con algunos autores los cuales argumentan que el principal problema de modelos
RBC de este tipo es que no capturan el comportamiento del componente cíclico laboral
ni la volatilidad del consumo en algunas ocasiones, ya que el deseo de los individuos
de suavizar el consumo predomina sobre la presencia de shocks no estacionarios..
Una recomendación viable, para proyectos futuros, consistirá en el desarrollo modelo

DSGE con fricciones laborales, con costos de separación e impuestos al trabajo, con el
fin de encontrar una aproximación con los hechos estilizados.
Bibliografía
• Agénor, R., C. J. McDermott y E. Prasad (1998). “Macroeconomic Fluctuations

in Developing Countries: Some Stylized Facts”. IMF Working Paper.
• Blanchard, Olivier (2000): Macroeconomía, Prentice Hall. Primera edición en
español, Madrid.
• Cochrane, John H.(2001). Solving real business cycle models by solving systems
of first order conditions. 1Graduate School of Business, University of Chicago.
• DeGregorio Jose (2007). Macroeconomía. Teoria Y Política. Pearson Editorial.
• Gollin; 2002. Getting Income Shares Right. Journal of Political Economy.
• Hansen, G. D.; 1985. Indivisible Labor and the Business Cycle. Journal of
Monetary Economics, 16, 309–327.
• Hansen, Gary D. and Randall Wright. (1992) “The Labor Market in Real
Business Cycle Theory,” Federal Reserve Bank of Minneapolis Quarterly
Review, 16(2), Spring: 2- -12
• Kaiser, R.; Maravall, A.; 1999. Estimation of the business cycle: A modified
Hodrick -Prescott Filter. Spanish Economic Review 1.
• Kydland, Finn E., and Prescott, Edward C. 1982. “Time to Build and Aggregate
Fluctuations”. Econometrica 50 (November): 1345-1370.
• Larraín, Felipe y Jeffrey D. Sachs (2002): Macroeconomía de la Economía
Global, Prentice Hall. Segunda edición en español, Argentina.
• Long, John B, Jr & Plosser, Charles I, 1983. "Real Business Cycles," Journal of
Political Economy, University of Chicago Press, vol. 91(1), pages 39-69,
February.
• Mankiw, Gregory. Macroeconomics. Sixth Edition. Antoni Bosch Edition. 2006
• Mankiw, N. Gregory (2000): Macroeconomía, Antoni Bosch editor. Sexta
Edición, Barcelona.
• McCandless, George T (2008). The ABC´s of RBCs: An introduction to dynamic
macroeconomics models. Lybrary of Congress Cataloging in Publication Data.
United State.
• Manual Dynare versión 4.1
• Prada-Sarmiento, J.D; 2005. Modelo de ciclos reales para Colombia. Working
paper.
• Rebelo, Sergio T. 2005. “Real Business Cycle Models: Past, Present, and
Future.” NBER Working Paper No. 11401.
• Restrepo, Jorge E. y J. D. Reyes (2000) “Los ciclos económicos en Colombia
evidencia empírica 1977-1998,” Coyuntura Económica, marzo.
• Romer, David (2006). Advanced Macroeconomics, Editorial McGraw-Hill, Third
Edition.
• Schmitt-Grohé, S.; Uribe, M.; 2003. Closing small open economy models.
Journal of International Economics 61; 163–185.
• Schmitt-Grohe, Stephanie and Uribe, Martin (2004). "Solving Dynamic General
Equilibrium Models Using a Second-Order Approximation to the Policy
Function," JEDC, vol. 28, January 2004, pp. 755-775
• Seitani, Haruki (2013). Matlab Toolkit for Simulating Dynamic Stochastic
General Equilibrium Models. Economic and Social Research Institute, Cabinet
Office, Government of Japan.
• Stokey, Nancy L. and Lucas Jr, Robert E.., with Prescott, Edward C.. Recursive
Methods in Economic Dynamics, Harvard University Press, 1989.
• Williamson, Stephen. Macroeconomía, 2012. Cuarta Edición. publicado por
Pearson Addison Wesley.
Anexo 1. Cálculos de las derivadas de las CPO
%Borra todo
clear; clc
%_______________________________________________________
% CALCULAR LAS ECUACIONES CARACTERÍSTICAS DEL EQUILIBIO
%_______________________________________________________
%Crear un log de resultados
diary('Resultados')
diary off
% Derivadas de la funcion de utilidad y de produccion
% para establecer las ecuaciones del equilibrio
%_____________________________________________________________________
% Defino variables simbólicas
syms c n k kt z sigma eta alpha beta delta vartheta
diary on
% Funcion de utilidad
disp('Funcion de utilidad')
u=((c*(1-n)êta)^(1-sigma))/(1-sigma)
% Funcion de produccion
disp('Funcion de produccion')
f=(kâlpha)*(n^(1-alpha))
% Funcion de costos de ajuste de capital
disp('Funcion de costos de ajuste de capital')
ck=(vartheta/2)*((kt/k)-1)^2
%Derivadas de utilidad con respecto al trabajo y el consumo
disp('Derivadas de funcion de utilidad con respecto a n y c')
un=diff(u,n,1)
uc=diff(u,c,1)
%Derivadas de producción con respecto a trabajo y capital
disp('Derivadas de funcion de produccion con respecto a n y k')
fn=diff(f,n,1)
fk=diff(f,k,1)
%Derivadas de costos de ajuste del capital con respecto a k y kt
disp('Derivadas de costos de ajuste del capital con respecto a k y kt')
ckk=diff(ck,k,1)
ckkt=diff(ck,kt,1)
%Ecuaciones de equilibrio
disp('Ecuaciones de equilibrio')
e1=fn+un/uc
e2=uc-beta*uc*(fk+(1-delta))
e3=f-c-k+(1-delta)*k
%Simplificar ecuaciones de equilibrio
disp('Ecuaciones simplificadas de equilibrio')
ec1=simplify(e1)
ec2=simplify(e2)
ec3=simplify(e3)
Anexo 2. Cálculo de las funciones , , N , N

diary off
%_________________
%METODOS LOCALES DE PERTURBACION

%_____________________________________________
clear;
%VARIABLES
%Variables de estado Xt: k z
%Variables de decision Yt: n c
%Parametros: alpha beta delta sigma eta rho sigma2
syms k kt ktt z zt zb n nt c ct e alpha beta delta sigma eta rho sigma2 vartheta;
% funcion intratemporal
e1=(((1-alpha)*z*kâlpha)/nâlpha)-((c*eta)/(1 - n));
% ecuacion de Euler del consumo
e2=(c^(-sigma))*(1-n)^((1-sigma)*eta)-(vartheta*((kt/k)-1)*(1/k))-(beta*((ct^(-sigma))*((1-nt)^(eta*(1-sigma))))*((1-
delta)+(zt*alpha)*(kt^(alpha-1))*(nt^(1-alpha))+(beta*vartheta*((ktt/kt)-1)*(ktt/(kt^2)))));
% ecuacion de movimiento del capital
e3=c+kt-((1-delta)*k)+((vartheta/2)*(((kt/k)-1)^2)-(z*(kâlpha)*(n^(1-alpha))));
% proceso autoregresivo del factor de productividad
e4=(1-rho)*log(zb)+(rho*log(z))+(e^2)-(log(z));
diary on
%Vector columna de condiciones de equilibrio
disp('Vector columna de condiciones de equilibrio')
ef=[e1; e2; e3; e4]
%DIFERENCIAR CON RESPECTO A Yt, Yt+1, Xt, Xt+1.
Dyc=diff(ef,c,1);
Dyn=diff(ef,n,1);
disp('Matriz de derivadas con respecto a Yt[c,n]')
Dy=[Dyc Dyn]
Dyct=diff(ef,ct,1);
Dynt=diff(ef,nt,1);
disp('Matriz de derivadas con respecto a Yt+1[c,n]')
Dyt=[Dyct Dynt]
Dxk=diff(ef,k,1);
Dxz=diff(ef,z,1);
disp('Matriz de derivadas con respecto a Xt[k,z]')
Dx=[Dxk Dxz]
Dxkt=diff(ef,kt,1);
Dxzt=diff(ef,zt,1);
disp('Matriz de derivadas con respecto a Xt+1[k,z]')
Dxt=[Dxkt Dxzt]
diary off
%______________________
Anexo 3. Estados estacionarios en Dynare (instrucciones de Clase complementaria)
var z eta c k y i w r;
varexo e;
parameters sigma betta delta alfa n rho;
sigma=2;
betta = 0.99;
delta = 0.025;
alfa = 0.36;
n = 0.30;
rho=0.95;
model;
c+i = y;
i = k-(1-delta)*k(-1);
(eta*c/(1-n))=z*w;
(c*(1-n)êta)^-sigma*(1-n)êta=betta*(c(+1)*(1-n(+1))êta)^-sigma*(1-n(+1))êta*(r+(1-delta));
y=(z*n^(1-alfa)*k^(alfa));
w = (1-alfa)*n^-alfa*kâlfa;
r = alfa*n^(1-alfa)*k^(alfa-1);
log(z) = rho*log (z(-1))+e;
end;
initval;
c=0.7;
k=9;
i=1;
w=2;
r=0;
z=1;
end;
steady(solve_algo=0);
shocks;
var e;
stderr 0.007;
end;
stoch_simul (order=2, irf=101,periods=2100);
Anexo 4. Resultados de Dynare (Anexo 3)

Configuring Dynare ...
[mex] Generalized QZ.
[mex] Sylvester equation solution.
[mex] Kronecker products.
[mex] Sparse kronecker products.
[mex] Local state space iteration (second order).
[mex] Bytecode evaluation.
[mex] k-order perturbation solver.
[mex] k-order solution simulation.
[mex] Quasi Monte-Carlo sequence (Sobol).
[mex] Markov Switching SBVAR.
Starting Dynare (version 4.4.3).
Starting preprocessing of the model file ...
Found 8 equation(s).
Evaluating expressions...done
Computing static model derivatives:
- order 1
Computing dynamic model derivatives:
- order 1
- order 2
Processing outputs ...done
Preprocessing completed.
Starting MATLAB/Octave computing.
Norm of First-order Trust-region
Iteration Func-count f(x) step optimality radius
0 1 8.57057 5.04 1
1 2 0.992598 1 1.14 1
2 3 0.0544023 1.778 0.704 2.5
3 4 0.00249584 0.835914 0.124 4.45
4 5 0.00026311 1.88167 0.0273 4.45
5 6 1.68445e-05 1.2286 0.00397 4.45
6 7 4.45307e-09 0.168431 5.87e-05 4.45
7 8 9.10939e-17 0.00202437 9.63e-09 4.45
Equation solved.
fsolve completed because the vector of function values is near zero
as measured by the selected value of the function tolerance, and
the problem appears regular as measured by the gradient.
<stopping criteria details>
STEADY-STATE RESULTS:
z 1
eta 2.00826
c 0.826298
k 11.3968
y 1.11122
i 0.284919
w 2.3706
r 0.035101
MODEL SUMMARY
Number of variables: 8
Number of stochastic shocks: 1
Number of state variables: 2
Number of jumpers: 1
Number of static variables: 5
MATRIX OF COVARIANCE OF EXOGENOUS SHOCKS
Variables e
e 0.000049
POLICY AND TRANSITION FUNCTIONS
z eta c k y i
w r
Constant 1.000000 2.008953 0.826019 11.397065 1.111228 0.285209

2.370619 0.035100
(correction) 0 0.000697 -0.000279 0.000289 0.000010 0.000289

0.000022 0
z(-1) 0.950000 0.890285 0.435452 0.642767 1.078219 0.642767

0.048132 -0.001267
k(-1) 0 -0.018440 0.033067 0.976199 0.034266 0.001199

0.073100 -0.001924
e 1.000000 0.937143 0.458370 0.676597 1.134967 0.676597

0.050665 -0.001334
z(-1),z(-1) -0.023750 -0.344504 -0.053969 0.050373 -0.003597 0.050373

0.002903 -0.000041
k(-1),z(-1) 0 0.018813 0.005581 0.026671 0.032252 0.026671

-0.000641 0.000125
k(-1),k(-1) 0 0.000692 -0.000686 -0.000262 -0.000948 -0.000262

-0.002023 0.000136
e,e 0.500000 0.111511 0.181448 0.411918 0.593366 0.411918

0.029883 -0.000747
z(-1),e 0.950000 0.211870 0.344751 0.782644 1.127395 0.782644

0.056777 -0.001419
k(-1),e 0 0.019803 0.005875 0.028074 0.033949 0.028074

-0.000675 0.000132
MOMENTS OF SIMULATED VARIABLES

VARIABLE MEAN STD. DEV. VARIANCE SKEWNESS KURTOSIS
z 1.000985 0.025696 0.000660 0.365885 0.243925
eta 2.009156 0.020167 0.000407 0.068300 0.020666
c 0.827717 0.023959 0.000574 0.606699 0.556344
k 11.438602 0.453268 0.205451 0.710022 0.719486
y 1.113837 0.040638 0.001651 0.579891 0.531684
i 0.286120 0.017892 0.000320 0.469681 0.378601
w 2.373294 0.033563 0.001126 0.624944 0.569336
r 0.035048 0.000869 0.000001 -0.489971 0.358422
CORRELATION OF SIMULATED VARIABLES
VARIABLE z eta c k y i w r
z 1.0000 0.9461 0.8707 0.6336 0.9534 0.9994 0.6339 -0.6338
eta 0.9461 1.0000 0.6646 0.3492 0.8044 0.9370 0.3493 -0.3492
c 0.8707 0.6646 1.0000 0.9321 0.9785 0.8832 0.9323 -0.9318
k 0.6336 0.3492 0.9321 1.0000 0.8375 0.6539 0.9998 -0.9988
y 0.9534 0.8044 0.9785 0.8375 1.0000 0.9610 0.8375 -0.8370
i 0.9994 0.9370 0.8832 0.6539 0.9610 1.0000 0.6539 -0.6533
w 0.6339 0.3493 0.9323 0.9998 0.8375 0.6539 1.0000 -0.9995
r -0.6338 -0.3492 -0.9318 -0.9988 -0.8370 -0.6533 -0.9995 1.0000
AUTOCORRELATION OF SIMULATED VARIABLES
VARIABLE 1 2 3 4 5
z 0.9622 0.9229 0.8844 0.8497 0.8205
eta 0.9458 0.8894 0.8345 0.7855 0.7447
c 0.9906 0.9805 0.9700 0.9597 0.9502
k 0.9990 0.9977 0.9955 0.9926 0.9889
y 0.9804 0.9598 0.9393 0.9202 0.9036
i 0.9641 0.9267 0.8901 0.8569 0.8289
w 0.9990 0.9977 0.9955 0.9926 0.9889
r 0.9990 0.9977 0.9955 0.9925 0.9889
Total computing time : 0h00m15s
>> dynare sept26.mod

Configuring Dynare ...
[mex] Generalized QZ.
[mex] Sylvester equation solution.
[mex] Kronecker products.
[mex] Sparse kronecker products.
[mex] Local state space iteration (second order).
[mex] Bytecode evaluation.
[mex] k-order perturbation solver.
[mex] k-order solution simulation.
[mex] Quasi Monte-Carlo sequence (Sobol).
[mex] Markov Switching SBVAR.
Starting Dynare (version 4.4.3).
Starting preprocessing of the model file ...
Found 8 equation(s).
Evaluating expressions...done
Computing static model derivatives:
- order 1
Computing dynamic model derivatives:
- order 1
- order 2
Processing outputs ...done
Preprocessing completed.
Starting MATLAB/Octave computing.
Norm of First-order Trust-region
Iteration Func-count f(x) step optimality radius
0 1 8.57057 5.04 1
1 2 0.992598 1 1.14 1
2 3 0.0544023 1.778 0.704 2.5
3 4 0.00249584 0.835914 0.124 4.45
4 5 0.00026311 1.88167 0.0273 4.45
5 6 1.68445e-05 1.2286 0.00397 4.45
6 7 4.45307e-09 0.168431 5.87e-05 4.45
7 8 9.10939e-17 0.00202437 9.63e-09 4.45

Equation solved.
fsolve completed because the vector of function values is near zero
as measured by the selected value of the function tolerance, and
the problem appears regular as measured by the gradient.
<stopping criteria details>
STEADY-STATE RESULTS:
z 1
eta 2.00826
c 0.826298
k 11.3968
y 1.11122
i 0.284919
w 2.3706
r 0.035101
MODEL SUMMARY
Number of variables: 8
Number of stochastic shocks: 1
Number of state variables: 2
Number of jumpers: 1
Number of static variables: 5
MATRIX OF COVARIANCE OF EXOGENOUS SHOCKS
Variables e
e 0.000049
POLICY AND TRANSITION FUNCTIONS

z eta c k y i
w r
Constant 1.000000 2.008953 0.826019 11.397065 1.111228 0.285209

2.370619 0.035100
(correction) 0 0.000697 -0.000279 0.000289 0.000010 0.000289

0.000022 0
z(-1) 0.950000 0.890285 0.435452 0.642767 1.078219 0.642767

0.048132 -0.001267
k(-1) 0 -0.018440 0.033067 0.976199 0.034266 0.001199

0.073100 -0.001924
e 1.000000 0.937143 0.458370 0.676597 1.134967 0.676597

0.050665 -0.001334
z(-1),z(-1) -0.023750 -0.344504 -0.053969 0.050373 -0.003597 0.050373

0.002903 -0.000041
k(-1),z(-1) 0 0.018813 0.005581 0.026671 0.032252 0.026671

-0.000641 0.000125
k(-1),k(-1) 0 0.000692 -0.000686 -0.000262 -0.000948 -0.000262

-0.002023 0.000136
e,e 0.500000 0.111511 0.181448 0.411918 0.593366 0.411918

0.029883 -0.000747
z(-1),e 0.950000 0.211870 0.344751 0.782644 1.127395 0.782644

0.056777 -0.001419
k(-1),e 0 0.019803 0.005875 0.028074 0.033949 0.028074

-0.000675 0.000132
MOMENTS OF SIMULATED VARIABLES
VARIABLE MEAN STD. DEV. VARIANCE SKEWNESS KURTOSIS
z 1.000985 0.025696 0.000660 0.365885 0.243925
eta 2.009156 0.020167 0.000407 0.068300 0.020666
c 0.827717 0.023959 0.000574 0.606699 0.556344
k 11.438602 0.453268 0.205451 0.710022 0.719486
y 1.113837 0.040638 0.001651 0.579891 0.531684
i 0.286120 0.017892 0.000320 0.469681 0.378601
w 2.373294 0.033563 0.001126 0.624944 0.569336
r 0.035048 0.000869 0.000001 -0.489971 0.358422
CORRELATION OF SIMULATED VARIABLES
VARIABLE z eta c k y i w r
z 1.0000 0.9461 0.8707 0.6336 0.9534 0.9994 0.6339 -0.6338

eta 0.9461 1.0000 0.6646 0.3492 0.8044 0.9370 0.3493 -0.3492
c 0.8707 0.6646 1.0000 0.9321 0.9785 0.8832 0.9323 -0.9318
k 0.6336 0.3492 0.9321 1.0000 0.8375 0.6539 0.9998 -0.9988
y 0.9534 0.8044 0.9785 0.8375 1.0000 0.9610 0.8375 -0.8370
i 0.9994 0.9370 0.8832 0.6539 0.9610 1.0000 0.6539 -0.6533
w 0.6339 0.3493 0.9323 0.9998 0.8375 0.6539 1.0000 -0.9995
r -0.6338 -0.3492 -0.9318 -0.9988 -0.8370 -0.6533 -0.9995 1.0000
AUTOCORRELATION OF SIMULATED VARIABLES
VARIABLE 1 2 3 4 5
z 0.9622 0.9229 0.8844 0.8497 0.8205
eta 0.9458 0.8894 0.8345 0.7855 0.7447
c 0.9906 0.9805 0.9700 0.9597 0.9502
k 0.9990 0.9977 0.9955 0.9926 0.9889
y 0.9804 0.9598 0.9393 0.9202 0.9036
i 0.9641 0.9267 0.8901 0.8569 0.8289
w 0.9990 0.9977 0.9955 0.9926 0.9889
r 0.9990 0.9977 0.9955 0.9925 0.9889
Total computing time : 0h00m06s
Anexo 5. Filtros de Hodrick-Prescott en Matlab con simulaciones “normales”

hpfilter(oo_.endo_simul(1,100:end))
Anexo 6. Ejercicios con cambios en eta (ejemplo de eta=3.5) sept27.mod
var z n c k y i w r;
varexo e;
parameters sigma betta delta alfa rho eta;
sigma=2;
betta = 0.99;
delta = 0.025;
alfa = 0.36;
rho=0.95;
eta=3.5;
model;
c+i = y;
i = k-(1-delta)*k(-1);
(eta*c/(1-n))=z*w;
(c*(1-n)êta)^-sigma*(1-n)êta=betta*(c(+1)*(1-n(+1))êta)^-sigma*(1-n(+1))êta*(r+(1-delta));
y=(z*n^(1-alfa)*k^(alfa));
w = (1-alfa)*n^-alfa*kâlfa;
r = alfa*n^(1-alfa)*k^(alfa-1);
log(z) = rho*log (z(-1))+e;
end;
initval;
c=0.7;
k=9;
i=1;
w=2;
r=0;
z=1;
n=0.3;
end;
steady(solve_algo=0);
shocks;
var e;
stderr 0.007;
end;
stoch_simul (order=2, irf=101,periods=2100);
Anexo 7. Solución del modelo (general.m, rbc.mod, rbc1.mod)

%Bora todo
clear; clc
%_______________________________________________________
% CALCULAR LAS ECUACIONES CARACTERÍSTICAS DEL EQUILIBIO
%_______________________________________________________
%Crear un log de resultados
diary('Resultados')
diary off
% Derivadas de la funcion de utilidad y de produccion
% para establecer las ecuaciones del equilibrio
%_____________________________________________________________________
% Defino variables simbólicas
syms c n k kt z sigma eta alpha beta delta vartheta
diary on
% Funcion de utilidad
disp('Funcion de utilidad')
u=((c*(1-n)êta)^(1-sigma))/(1-sigma)
% Funcion de produccion
disp('Funcion de produccion')
f=(kâlpha)*(n^(1-alpha))
% Funcion de costos de ajuste de capital
disp('Funcion de costos de ajuste de capital')
ck=(vartheta/2)*((kt/k)-1)^2
%Derivadas de utilidad con respecto al trabajo y el consumo
disp('Derivadas de funcion de utilidad con respecto a n y c')
un=diff(u,n,1)
uc=diff(u,c,1)
%Derivadas de producción con respecto a trabajo y capital
disp('Derivadas de funcion de produccion con respecto a n y k')
fn=diff(f,n,1)
fk=diff(f,k,1)
%Derivadas de costos de ajuste del capital con respecto a k y kt
disp('Derivadas de costos de ajuste del capital con respecto a k y kt')
ckk=diff(ck,k,1)
ckkt=diff(ck,kt,1)
%Ecuaciones de equilibrio
disp('Ecuaciones de equilibrio')
e1=fn+un/uc
e2=uc-beta*uc*(fk+(1-delta))
e3=f-c-k+(1-delta)*k
%Simplificar ecuaciones de equilibrio
disp('Ecuaciones simplificadas de equilibrio')
ec1=simplify(e1)
ec2=simplify(e2)
ec3=simplify(e3)
diary off
%________________________________________________
% CALIBRACION
%________________________________________________
%asigno valores a los parametros
sigma=2;
alpha=0.36;
beta=0.99;
delta=0.025;
vartheta=0;
%Creo un handle con el sistema de ecuaciones y los parametros
Calib=@(X)calibracion(X,sigma,alpha,beta,delta,vartheta)
%Resuelvo el sistema, asigno valores iniciales
%aumento el numero de iteraciones y resuelvo
initial_guess=[0.5 0.5 0.5 0.5 0.5 0.5 0.5];
options=optimset('MaxfunEvals',10000,'MaxIter',10000);
[sol,fval]=fsolve(Calib,initial_guess,options)
%Resultados Calibracion X = [c n k y eta z i]
Cal=sol;
%________________________________________________
% ESTADO DE EQUILIBRIO
%________________________________________________
%asigno valores a los parametros
sigma=2;
eta=Cal(1,5);
alpha=0.36;
beta=0.99;
delta=0.025;
vartheta=0;
%Creo un handle con el sistema de ecuaciones y los parametros
Steady=@(X)SteadyState(X,sigma,eta,alpha,beta,delta,vartheta)
%Resuelvo el sistema, asigno valores iniciales
%aumento el numero de iteraciones y resuelvo
initial_guess=[0.5 0.5 0.5 0.5 0.5 0.5];
options=optimset('MaxfunEvals',10000);
[sol,fval]=fsolve(Steady,initial_guess,options)
%Estado Estacionario X = [c n k y z i]
Equilibrio=sol';
%exportar los resultados
result=zeros(6,2);
diary on
disp('Calibracion eta')
result(1,1)=Cal(1,5)
disp('X=[c n k y z i]')
result(:,2)=Equilibrio
xlswrite('Resultados_SteadyState.xls',result);
diary off
%____________________________________________
%METODOS LOCALES DE PERTURBACION
%_____________________________________________
clear;
%VARIABLES
%Variables de estado Xt: k z
%Variables de decision Yt: n c
%Parametros: alpha beta delta sigma eta rho sigma2
syms k kt ktt z zt zb n nt c ct e alpha beta delta sigma eta rho sigma2 vartheta;
% funcion intratemporal
e1=(((1-alpha)*z*kâlpha)/nâlpha)-((c*eta)/(1 - n));
% ecuacion de Euler del consumo
e2=(c^(-sigma))*(1-n)^((1-sigma)*eta)-(vartheta*((kt/k)-1)*(1/k))-(beta*((ct^(-sigma))*((1-nt)^(eta*(1-sigma))))*((1-
delta)+(zt*alpha)*(kt^(alpha-1))*(nt^(1-alpha))+(beta*vartheta*((ktt/kt)-1)*(ktt/(kt^2)))));
% ecuacion de movimiento del capital
e3=c+kt-((1-delta)*k)+((vartheta/2)*(((kt/k)-1)^2)-(z*(kâlpha)*(n^(1-alpha))));
% proceso autoregresivo del factor de productividad
e4=(1-rho)*log(zb)+(rho*log(z))+(e^2)-(log(z));
diary on
%Vector columna de condiciones de equilibrio
disp('Vector columna de condiciones de equilibrio')
ef=[e1; e2; e3; e4]
%DIFERENCIAR CON RESPECTO A Yt, Yt+1, Xt, Xt+1.
Dyc=diff(ef,c,1);
Dyn=diff(ef,n,1);
disp('Matriz de derivadas con respecto a Yt[c,n]')
Dy=[Dyc Dyn]
Dyct=diff(ef,ct,1);
Dynt=diff(ef,nt,1);
disp('Matriz de derivadas con respecto a Yt+1[c,n]')
Dyt=[Dyct Dynt]
Dxk=diff(ef,k,1);
Dxz=diff(ef,z,1);
disp('Matriz de derivadas con respecto a Xt[k,z]')
Dx=[Dxk Dxz]
Dxkt=diff(ef,kt,1);
Dxzt=diff(ef,zt,1);
disp('Matriz de derivadas con respecto a Xt+1[k,z]')
Dxt=[Dxkt Dxzt]
diary off
%________________________________________________
% CORRER MODELOS EN DYNARE
%________________________________________________
clear; clc
%Modelo en log con SteadyState calibrado a cero "O".
dynare rbc.mod
%El modelo de dynare tiene un loop y genera diferentes series para diferentes valores del costo de capital
%__________________________________________________
%ENCONTRAR LOS MOMENTOS DE LAS SERIES
%__________________________________________________
Desviaciones=zeros(5,11);
Correlaciones=zeros(5,11);
Autocorrelacion=zeros(5,11);
diary on
%Se crea un loop para que lea las diferentes matrices resultados de los diferentes resultados de los diferentes costos de
capital
for t=0:2:20
datos=zeros(2000,5);
eval(['datosA=datos' num2str(t)]);
for i=1:5
datos(:,i)=datosA(101:2100,i);
end
%filtrar con Holdrick-Prescott
lambda=1600;
HPtrend=hpfilter(datos, lambda);
%determinar los ciclos
HPcicle=datos-HPtrend;
%graficar las tendencias
for i=1:5
figure(1)
subplot(3,2,i); eval(['plot(HPtrend(:,' num2str(i) '))']); title(i)
end
eval (['print -djpeg Tendencias' num2str(t) '.jpg']);
%graficar los ciclos de corto plazo
for i=1:5
figure(2)
subplot(3,2,i); eval(['plot(HPcicle(:,' num2str(i) '))']), title(i)
end
eval (['print -djpeg Ciclos' num2str(t) '.jpg']);
%determinar la desviacion estandar de las series (ciclos)
estdev=[ std(HPcicle)' ];
Desviaciones(:,t+1)=estdev
%correlacion con el producto
correlacion= corrcoef(HPcicle);
Correlaciones(:,t+1)=correlacion(:,1)
%autocorrelación de primer orden
corr=zeros(5,1);
for i=1:5
cor=corrcoef(HPcicle(2:2000,i),HPcicle(1:2000-1,i));
corr(i,1)=cor(1,2);
end
Autocorrelacion(:,t+1)=corr
end
disp('[y c i k n]')
xlswrite('Result_stdv.xls', Desviaciones)
xlswrite('Result_corr_PIB.xls', Correlaciones)
xlswrite('Result_Autocorrelacion.xls', Autocorrelacion)
diary off
View publication stats

Modelo de Ciclos Economicos Reales para Una Econom

Uploaded by

Document Information

Original Title

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

Modelo de Ciclos Economicos Reales para Una Econom

Uploaded by

Copyright:

Available Formats

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Modelo de Ciclos Económicos reales para una Economía Hipotética: Siguiendo a

Article · January 2014

Fernando Barrios Aguirre

Indice de Eficiencia del Sector Público View project

The user has requested enhancement of the downloaded file.

Fernando Barrios Aguirre1

El siguiente documento consiste en el desarrollo hipotético de una economía que opera

Clasificación JEL: E32, E37, E30

La Economía como ciencia social realiza una búsqueda científica de la formulación y el

Este estudio pretende realizar un desarrollo hipotético de los ciclos económicos, o

En este escenario, los modelos macroeconómicos son estructuras diseñadas para

La estructura básica de un modelo macroeconómico es una descripción de las

1. Los consumidores y las firmas que interactúan en la economía.

Los choques o perturbaciones se ilustraran por la vía de la productividad o tecnología2.

Finalmente, una forma de evaluar algunas características particulares del modelo y su

2.1 Las firmas.

En el periodo t, la producción es:

=  , = ∝  ∝ con 0 <∝< 1 (1)

Cuya función exhibe rendimientos constantes a escala:

 ,  =  ∝  ∝

 ,  =  ∝  ∝ ∝  ∝

 ,  = ∝  ∝

 ,  = 

Sea Δ , la acumulación, variación o cambio de capital, ésta acumulación en tiempo

δ = ' *'&   *) '& +&&* & '* +& *

A partir de este concepto, la acumulación de capital (o el capital nuevo) indica que:

Asumiendo que no existe gobierno e impuesto, la producción se reparte entre el

,  , = * +  − 1 − δ (4)

producción - (salarios) y  (alquiler de capital), se tiene que:

* +  − 1 − δ = - +  (5)

capital tomando como dado sus precios - (salarios) y  (alquiler de capital)

respectivamente. El trabajo y capital reciben como pago sus correspondientes

. = ∝  ∝ − - −  (6)

Nota: El precio de los bienes producidos es igual a uno (01 = 1 .

1−∝ ∝  ∝

7−∝ 8 : < = =: (7)

Los rendimientos constantes a escala de la función de producción son consistentes con

- +  = 1−∝ ∝  ∝ + ∝ ∝  ∝

- +  = 1−∝ ∝  ∝

Por ende se cumple la condición de cero ganancias y se resalta la importancia de

Donde B es la fracción de ingreso que se distribuye como pago al capital.

Donde 7 − B es la fracción de ingreso que se destina a la remuneración del trabajo.

El modelo de CER plantea unos supuestos relacionados con el comportamiento de la

Sin embargo, la tecnología se halla expuesta a perturbaciones aleatorias. Por tanto:

,̃ = L+& & &&* + &' &)*&' &*óK*'

Suponemos que ,̃ sigue un proceso autorregresivo de primer orden.

,̃ = DE C ,̃ + ME, (11)

ME, = 0&)*&' +& )+ *

Donde ME, representa una serie de perturbaciones (o desviaciones frente al estado

primer orden y hay persistencia de ,̃ y ,̃ dada por DE .

C , = 1 − DE  ,̅ + DE C ,̃ + ME, (12)

En este modelo se tiene en cuenta el trabajo (ocio) en la función de utilidad y la

La restricción presupuestaria del planificador contiene los siguientes componentes:

δ = ' +& +&&**ó +& *

* = *')J +& ' ℎK&'

 = &+J& +& * ' +& &é'

La restricción se construye como una cuestión de equilibrio entre gastos e ingresos de

= ]*%'  * +'&' & & JJ& 

* = ')J & & JJ& .

δ = a&&**ó & & JJ& .

Para este ejercicio, se usará la función de utilidad de Prescott (1986). Esta es de la

En el equilibrio de ingresos y gastos se obtiene la siguiente restricción presupuestaria:

= , = ∝ ∝ con 0 <∝< 1 (1)

, = ∝ ∝

, = ∝ ∝ ∝ ∝

, = ∝ ∝

, =

δ = ' '& ) '& +&& & ' +& *

, , = * + − 1 − δ (4)

producción - (salarios) y (alquiler de capital), se tiene que:

* + − 1 − δ = - + (5)

capital tomando como dado sus precios - (salarios) y (alquiler de capital)

. = ∝ ∝ − - − (6)

1−∝ ∝ ∝

7−∝ 8 : < = =: (7)

- + = 1−∝ ∝ ∝ + ∝ ∝ ∝

- + = 1−∝ ∝ ∝

,̃ = L+& & && + &' &)&' &óK'

ME, = 0&)&' +& )+

C , = 1 − DE ,̅ + DE C ,̃ + ME, (12)

δ = ' +& +&&ó +& *

* = *')J +& ' ℎK&'

= &+J& +& * ' +& &é'

= ]%' +'&' & & JJ&

* = ')J & & JJ& .

δ = a&&ó & & JJ& .

economía incurre en una acumulación de activos ( − , cuando los Ingresos

corrientes + - son mayores a sus gastos corrientes (, - + , − * − δ .

Y n* + Y − 1 − δ + , − , - op + IT Q Y f +

/C 1 − d * 1 − b c 1 − b

IT Q * 1 − b c 1 − b = IT Q −Y

= QY 1 − δ + , (19)

Como - = 1−∝ ∝ ∝

= QY 1 − δ + ,

−1 *c 1 − bc = Q−1 *

*c 1 − bc = Q1 − δ + , *

*c 1 − bc = Q1 − δ + , ∝

*c 1 − bc = Q1 − δ + , *

= , = ∝ ∝

1−∝ ∝ ∝ = -

/C 1 − d * 1 − b c 1 − b

/C 2 1 2 Y Y

1 Y Y

1 Y Y

1 Y Y

1 Y Y

1 Y Y

= , = ∝ ∝

1−∝ ∝ ∝ = -

*c 1 − bc = Q1 − δ + , *

= , = ∝ ∝

1−∝ ∝ ∝ = -

1 Y Y

1 Y Y

N = ℎN , d (27)

N = ℎN , d + udM ≈ N̅ + ℎN − N̅ + udM

El vector N de variables predeterminadas o de estado es de tamaño × 1 y el vector

expresadas en la forma , , N , N , utilicemos el modelo con costos de ajuste

De esta manera el sistema , , N , N , se puede escribir como:

Para aproximarnos a KN , d y ℎN , d es necesario obtener las derivadas de la

las variables de estado y control en y + 1. Para sacar provecho teórico y matemático

¥−d 1 − −u1 − d −d

, ∝ 1−∝ ∝−1 −∝

ahqk , ,

¥ +1 +1 +1 0 ¨

N = ℎN , d + udM ≈ N̅ + ℎN − N̅ + udM