¿En realidad
es problema de la COVID-19 el desajuste de la curva de Phillips? Un análisis
económico sobre las expectativas de ofertores y
consumidores para 2021 en México
Is the misalignment of the Phillips curve really a
COVID-19 problem? An economic analysis of the expectations of suppliers and
consumers for 2021 in Mexico
Luis
Antonio Andrade Rosas1 y Martin Flegl2
Resumen
El
ámbito económico representado en su mayoría por las empresas es el que más
sufrió los estragos derivados de la pandemia COVID-19. En este trabajo, a
partir del Índice de precios al consumidor (IPC) del 2010 a marzo 2021, se hace
un pronóstico incorporando la estacionariedad por mes, con el objetivo de
comparar los pronósticos del IPC durante la pandemia respecto a los valores
reales en la pandemia. El análisis muestra que las empresas no incorporaron los
efectos de la pandemia dentro de sus pronósticos, lo que ocasionó alteraciones
en sus finanzas. Quizá los consumidores podrían haber ganado por este cambio de
precios, pero las condiciones de desempleo lo impidieron. De
acuerdo a esta sospecha, el análisis involucra la relación entre
desempleo e inflación vía la curva de Phillips, y a partir de un análisis
econométrico se encuentra un umbral de la tasa de desempleo, en donde se
modifica la forma funcional de la curva de Phillips. Adicional al análisis, se
destaca el valor del umbral, que corresponde a la tasa de desempleo de 4.4 %
del primer trimestre del 2021.
Palabras
clave: COVID-19, Desempleo, Índice de precios al consumidor,
Inflación, Expectativas.
Abstract
The economic sphere represented
mostly by companies is the one that suffered the most from the damage caused by
the COVID-19 pandemic. In this work, based on the Consumer price index (CPI)
from 2010 to March 2021, a forecast is made incorporating stationarity by
month, with the aim of comparing the CPI forecasts during the pandemic with the
real values in the pandemic. The analysis shows that companies did not
incorporate the effects of the pandemic into their forecasts, which caused
changes in their finances. Perhaps consumers could have won from this price
change, but unemployment conditions prevented it. According to this suspicion,
the analysis involves the relationship between unemployment and inflation via
the Phillips curve, and from an econometric analysis a threshold of the
unemployment rate is found, where the functional form of the Phillips curve is
modified. In addition to the analysis, the value of the threshold stands out,
which corresponds to the unemployment rate of 4.4% in the first quarter of
2021.
Keywords: COVID-19, Unemployment, Econometrics, Consumer's price
index, Inflation.
JEL: A10,
C13, C53, D12.
1Luis
Antonio Andrade Rosas; Profesor investigador; Vicerrectoría de investigación,
Universidad La Salle Ciudad de México. Modelación y aplicación basada en Teoría
de juegos y crecimiento Económico. luis.andrade@lasalle.mx
Artículo
Recibido: 15 de Junio de 2021 Artículo
Aceptado: 01 de Octubre de 2021
Introducción
Las
crisis en los últimos 30 años han repercutido gravemente en la economía
mexicana. Por ejemplo, la crisis a inicios de 1995 permeo financieramente a gran
parte de las empresas mexicanas (Watkins, 2003), mientras que la crisis del
2008 fue más severa, por el hecho de ser una crisis a nivel mundial (Garrido & Ortiz,
2009). A pesar de la existencia de otras crisis, como la deuda externa bajo el
mandato de López Portillo o la devaluación del peso en 1976 (Girón, 2016), la
actual crisis derivada por la pandemia COVID-19 está provocando estragos
catastróficos y su implicación aún perdurará, debido al resguardo obligatorio
que va y viene.
Los efectos de la pandemia COVID-19 se han
manifestado en dos factores cruciales de cualquier economía: por un lado, una
pérdida sustancial de la demanda provocada por la “cuarentena” obligatoria, y
por el otro; una disminución en la producción y de esta forma en la oferta. Con
estas alteraciones de oferta y demanda, los precios de los productos varían,
implicando cambios en las estrategias de los consumidores y de los ofertores. A estos cambios en la inflación, hay que
agregarle la demanda externa, por el hecho de que la pandemia es a nivel
mundial. Al respecto, Rodríguez (2018) menciona que tanto las repercusiones de
la demanda externa como las del mercado interno en los niveles de inflación
pueden perdurar desde un mediano plazo hasta un largo plazo.
Estas alteraciones en los niveles de inflación
tienen diferentes causas, la forma más conocida de representar las variaciones
de la tasa de inflación es la curva de Phillips (Samuelson & Nordhaus,
1996; Romer, 2002; Dornbusch,
Stanley, &
Startz, 2008) que sugiere una relación inversa
entre el nivel de desempleo y el nivel de inflación. Intuitivamente, tal
relación inversa entre desempleo e inflación sostiene que, si las empresas
tuvieran las condiciones para contratar y con ello disminuir los niveles de
desempleo, deberán tener cierto margen para aumentar precios de sus productos o
bienes y así cubrir los salarios de estos nuevos puestos de trabajo.
En este trabajo, con base en el Índice de
precios al consumidor (IPC) que reporta el INEGI (2021a), se construye un
índice estacionario a través del uso de una serie de tiempo que culmina antes
de marzo 2021 para después, involucrar los efectos de la pandemia de COVID-19.
Adicional, se realiza una estimación tipo Phillips que involucra el nivel de
desempleo como alternativa para explicar estas variaciones de la tasa de
inflación.
El presente trabajo se estructura de la
siguiente forma, además de la introducción, el primer apartado se muestra la
revisión de la literatura; en la segunda parte se presenta la metodología
pertinente. Posteriormente, se hace el análisis de la tasa de inflación, tanto
de su pronóstico incorporando la estacionariedad, como su estimación a través
del desempleo. Después, se muestra la discusión en donde se comparan los
resultados obtenidos aunado a una breve conclusión, mostrando tanto las
limitantes como los trabajos futuros.
1.
Revisión de la literatura
El efecto de la crisis por la pandemia permeo
las finanzas de las empresas, por eso en este trabajo se analiza una de las
razones por estas pérdidas en las empresas, en particular la no especulación de
las empresas sobre la crisis actual que está ocasionando la COVID-19. Al
respecto, Watkins (2003) menciona lo ocurrido con la crisis mexicana de
mediados de los 90, en donde las empresas no pudieron prever tal crisis, y que
independientemente del tamaño y el sector de las empresas, los efectos fueron
catastróficos.
Se han hecho políticas internas en México para
sobrevivir financieramente o “salir” lo menos perjudicado posible de esta
crisis. Por ejemplo, la política monetaria basada en disminución de la tasa de
interés, con el objetivo de que los consumidores y/o los ofertores
puedan pedir préstamos y con ello alentar el consumo doméstico y la oferta
local. No obstante, hay que ser precavidos en los resultados de la política
monetaria sobre la salud financiera de las empresas porque aún si la tasa de
interés disminuye, podría generarse una inestabilidad financiera, como lo
analizan Avendaño
y Vázquez (2011), al estudiar el impacto de la política monetaria y su
efecto en empresas mexicanas en el periodo 1990-2008. Por su parte, Garrido y Ortiz (2009),
en un análisis hecho para las grandes empresas manufactureras de México afectadas
por la crisis económica mundial del 2008, propusieron la intervención
gubernamental para estimular la competencia y la integración de las PyMEs en las cadenas de producción.
Una de las consecuencias derivadas de las
crisis es el nivel de inflación esperado, por ejemplo, para inicios de mayo
2021 se ha pronosticado una inflación cercana a los 5 puntos porcentuales, lo
cual es mayor que las de los meses durante toda la pandemia, que fue alrededor
de 3.8 % anual (INEGI, 2021a). Si bien las alzas de la inflación se deben a la
baja producción e inactividad económica durante la mayor parte del 2020, los aumentos
de la tasa de inflación pueden ser ocasionadas por políticas fiscales o monetarias.
Por ejemplo, López
et al. (2020), con base en la aplicación del modelo de Sargent a
la política monetaria mexicana, comentan que la inflación observada en México
se debió principalmente a la evolución histórica de los déficits fiscales.
Son diferentes las causas por las que los
niveles de precios cambian. Por ejemplo, León y Alvarado (2015) analizan el
mercado de crédito en México sustentando que la existencia de pocas empresas
bancarias limita la generación de crédito, produciendo efectos negativos en
variables determinantes de la economía como el nivel de empleo, la tasa de
inflación y, por lo tanto, en el crecimiento económico. Otro factor importante
en las variaciones de la tasa de inflación, es el
nivel de desempleo, relación que se puede analizar mediante la curva de
Phillips, relación ampliamente utilizada en política monetaria. Al respecto, Coibion et al. (2018) destacan la importancia de la
curva de Phillips, como determinante para la actualización de datos de
expectativas de inflación y con ello mejorar las expectativas racionales de
información completa.
Por su parte, Agénor
y Bayraktar (2010) a través de estimaciones empíricas
destacan la intervención de otras variables en la curva de Phillips. Y que, a
pesar, de que los precios del petróleo y los precios relativos de los insumos básicos, no son tan determinantes en la relación tasa de
desempleo y tasa de inflación, si lo son los costos de deuda, al menos para
algunos países como México y Corea. Además de la consideración de otras
variables, también hay que analizar el problema de identificación de una
estimación puntual, sobre todo cuando se trabaja con series de tiempo
macroeconómicas como lo enfatizan Mavroeidis et
al. (2014).
Independientemente de los detalles y las
deficiencias en la aplicación de la curva de Phillips, la relación sigue siendo
referente para analizar los niveles de inflación de cualquier economía. En este
sentido, Vašíček (2011) hace una aplicación de la
curva de Phillips para la estimación de la inflación en 4 economías de Europa
central: República Checa, Hungría,
Polonia y Eslovaquia. El autor concluye que, la inflación parece estar
impulsada por factores externos, y las expectativas adaptativas parecieran ser
la mejor explicación intuitiva de la persistencia de una mayor inflación.
Respecto a los factores externos, Del Negro et al. (2020), a través de
vectores autorregresivos y un modelo de equilibrio general dinámico, sostienen
que la desconexión de la curva de Phillips se debe principalmente a presiones
de costos y políticas enfocadas a la estabilización de la inflación.
De lo anterior, se puede concluir que la
relación desempleo-Inflación a través de la curva no pareciera ser tan directa,
incluso cuestionar su forma funcional, por lo que habría que considerar otros
factores. Al respecto, Sánchez (2020) comenta que las decisiones de política
monetaria, a través de la tasa de interés, podrían tener repercusiones en las
tasas de inflación y de desempleo; respecto a la crisis actual, el autor
menciona que el Banxico podría optar por una política monetaria más expansiva
sin repercutir en una presión inflacionaria.
Aun así, hay que tratar de contener este nivel
inflacionario que se percibe al menos hasta mediados del 2021, ya que puede
tener consideraciones sobre variables determinantes en la economía. Por
ejemplo, Cerezo
et al. (2020) se cuestionan si la relación entre inflación y
crecimiento económico es lineal o no durante el periodo 1993-2008 para el caso
de la economía mexicana. Consideran que si la relación es lineal se necesita
una estabilidad de precios para estimular el crecimiento económico y con ello
salir de una posible crisis en la economía mexicana.
Si bien, en periodos de crisis y reactivación
económica, la política monetaria ha sido clave, como sucede actualmente con las
modificaciones de la tasa de interés, hay que ser cuidadosos en el manejo de la
política monetaria basada en la tasa de interés, ya que podría ser un
determinante en el nivel de inflación. Como lo comenta Mántey
(2011), que, a través de modelos de vectores autorregresivos, sustenta una
relación entre la política monetaria, basada en tasas de interés y el tipo de
cambio, con los niveles inflacionarios.
No obstante, la inflación no solo se debe a
factores externos, sino a aumentos en el precio de productos básicos como la
gasolina. Al respecto, Sánchez et al. (2015) analizan la importancia de
la gasolina en los hogares de México, a través de un modelo econométrico para
los años 1984 a 2014, sustentan que los afectados por los aumentos en los
precios de la gasolina son los hogares pobres, pero aun así el combustible
sigue siendo un bien prácticamente inelástico.
2.
Metodología
2.1
Series de tiempo
Una
serie de tiempo en general se expresa de la siguiente forma:
en
donde cada valor
Fuente: Elaboración propia con base en
información del INEGI (2021a).
Figura
1:
Tasa de inflación anual, 1970-2010.
Algunas
características de una serie de tiempo, las cuales se observan en la figura 1,
son la tendencia y la estacionariedad. Respecto a la tendencia marcada por la
línea recta en la figura 1 se observa que la serie va disminuyendo conforme
pasa el tiempo. Así, la forma más sencilla para hacer un pronóstico podría ser
a través de su tendencia, esto es,
|
|
(1) |
donde,
Sin embargo, si
se quiere pronosticar únicamente respecto al tiempo y de forma lineal, no se
estarían considerando los “picos” o pronunciaciones que se perciben en la
figura 1. Tal pronunciación define la estacionariedad de la serie y habría que
involucrarla con el objetivo de hacer un pronóstico más acertado.
Esto es, si la
serie está determinada por,
i)
meses,
ii)
trimestres,
iii)
cuatrimestres,
iv)
semestres, etc.
y al tratar de
hacer un pronóstico con base en (1), lo ideal es considerar las “altas” y
“bajas” que se muestran, ya sea mensualmente, trimestralmente, cuatrimestral,
etc.
Así, suponga que
se tiene la siguiente serie
esto es, una serie cuatrimestral donde
La forma en que
se puede involucrar la estacionariedad para un mejor pronóstico es la
siguiente,
i)
primero calcular
los valores esperados
ii)
una vez obtenido
los promedios para cada periodo, estos promedios se dividen entre el promedio
de toda la serie, esto es,
|
|
(2) |
de esta forma,
Tabla 1
Estacionariedad para cada cuatrimestre.
|
Período |
Estacionariedad |
|
Trimestre 1 |
|
|
Trimestre 2 |
|
|
Trimestre 3 |
|
Fuente:
Elaboración propia.
iii)
finalmente, se multiplica el pronóstico
(calculado en 1) por el valor estacionario reportado en la tabla 1, y de esta
forma se tiene un pronóstico que involucra el nivel de estacionariedad de cada
período.
2.2
La curva de Phillips como opción
Adicional a la estacionariedad del IPC, la
literatura macroeconómica (Samuelson & Nordhaus, 1996; Romer,
2002; Dornbusch et al., 2008) sustenta una relación
inversa entre el nivel de desempleo y el nivel de inflación, llamada curva de
Phillips. Esta relación inversa se muestra en la figura 2; intuitivamente
muestra que a mayor desempleo las empresas en general podrían optar a dar
menores precios, por el hecho de ahorrarse costos, en este caso en salarios.
Fuente: Elaboración propia.
Figura 2: Curva de Phillips, reacción inversa
entre inflación y desempleo.
2.3 Modelo
econométrico
Parte de los
objetivos del trabajo es estimar la curva de Phillips que se observa en la
figura 2. Para ello se describe de manera breve algunos conceptos econométricos
que se utilizarán. De esta forma, sea
|
|
(3) |
una expresión
lineal, donde
Por otro lado,
las variables explicativas en (3) tienen carácter cuantitativo, sin embargo, en
algunos casos es de gran interés introducir variables de carácter cualitativo,
tales como el inicio de una guerra, la fecha de un cambio de gobierno, la entrada
de una crisis, la época de una pandemia, entre otros[1].
Con el objetivo de considerar los diferentes efectos de las variables
independientes sobre la dependiente, debido a la consideración de las variables
cualitativas, se puede modificar el modelo (3) de la siguiente forma,
donde
Así, a partir de
(4) se puede estimar de manera particular, el modelo que muestra el efecto de
Análogamente, el
modelo que muestra el efecto de
Finalmente, para
verificar si el cambio estructural que hace que la variable
2.4 Datos
A partir de la serie del índice de precios al consumidor
que reporta INEGI (2021a), se considera la información por meses desde 2010, la
fecha se determinó para no incluir las repercusiones de la crisis del 2008 y
los posibles estragos en 2009. De esta forma, sea,
donde
Fuente:
Elaboración propia, con base en la información de INEGI (2021a).
Figura
3:
Comportamiento del IPC entre 2010 y 2021.
3.
Análisis y resultados
De acuerdo a la
metodología, la estimación de (1) es,
|
|
(5) |
Adicional
a que la variable tiempo no es significativa (
Un detalle más, las alzas que ocurren en la
serie son de diferente magnitud, al igual que las caídas. Un ejemplo de esto
sucede con las ventas de juguetes, esto es, en los meses de diciembre, enero y
abril hay temporadas altas, pero la venta de juguetes en diciembre es más alta
que la de abril. Al igual que la entrada de turistas en México, en los meses de
diciembre, julio y abril la entrada de turistas es alta, por período de
vacaciones; pero, el aumento el aumento de turistas es totalmente diferente
entre estos meses.
Esto es, el pronóstico a partir de (5) no
incluiría estas altas y bajas de la serie, ni su magnitud en cada período. Por
ejemplo, si la tasa de inflación se estima para el mes de abril 2021 con base
en (5), la estimación diría que en el mes de abril habría un incremento, cuando
en realidad la tasa de inflación siempre viene a la baja en ese mes, y que
decir de los meses donde se alcanza el pico más bajo. De esta forma, habría que
identificar la estacionariedad para cada mes e incluirla en el pronóstico.
En la tabla 4 (ver apéndice) mostramos los
pronósticos del 2021, también se muestra la estacionariedad para cada mes, que
se obtuvo al aplicar la expresión (2) a la serie original (columna 3)[2] y que corrige su
predicción. En la columna 6 se muestran los índices de estacionariedad para
cada mes, en particular para el mes de enero se reporta un incremento promedio
del IPC de 0.34%, y para el mes de abril hay una disminución del 3.09%, y así
sucesivamente. Con ello, se pueden involucrar las alzas y bajas que se muestra
para cada mes en la figura 3.
El ejercicio anterior muestra como involucrar
este posible sesgo de cada mes en el pronóstico. Con base en esta idea, se
pronosticará el IPC para los meses después de la pandemia, con el objetivo de
responder si las empresas, o los encargados de pronosticar la tasa de
inflación, se confiaron del ejercicio y no percibieron la incertidumbre que
ocasionaría la pandemia en este pronóstico.
Así, suponga que la serie del IPC corre hasta
febrero 2020, mes anterior al confinamiento, por lo que la serie tiene ahora
122 datos mensuales. Al aplicar el índice de estacionariedad (2) a la serie
mencionada, se obtiene un índice diferente respecto a lo que se muestra en la
tabla 4. Estos índices se muestran en la tabla 2. Por ejemplo, los índices de
estacionariedad para abril y mayo que se obtuvieron después de la pandemia,
“subestiman” el pronóstico, mientras que antes de la pandemia para los mismos
meses lo “sobreestiman”. Contrario a lo que se observa para los meses agosto, septiembre
y octubre.
Tabla 2
Índices de estacionariedad después y antes de la pandemia.
|
Período |
Estacionariedad después de la pandemia |
Estacionariedad antes de la pandemia |
|
enero |
1.003 |
1.002 |
|
febrero |
1.012 |
1.006 |
|
marzo |
1.018 |
1.008 |
|
abril |
0.969 |
1.001 |
|
mayo |
0.986 |
1.001 |
|
junio |
0.994 |
0.998 |
|
julio |
1.003 |
1.001 |
|
agosto |
1.008 |
0.994 |
|
septiembre |
1.001 |
0.988 |
|
octubre |
1.008 |
0.994 |
|
noviembre |
0.998 |
1.002 |
|
diciembre |
0.997 |
1.005 |
Fuente: Elaboración
propia con base en información de INEGI (2021a).
Adicional a este cambio de estacionariedad, se
muestra la estimación de la serie respecto al tiempo para la serie hasta
febrero 2020, esto es,
|
|
(6) |
Que incluso, es más significativa (
Tabla
3
Comparando
valores del IPC reales con los estimados antes de la pandemia.
|
Período |
IPC
real |
Pronóstico
con estacionariedad 2020 |
Diferencia
ofertor: Real-Estimado |
Diferencia consumidor:
Estimado-Real |
Posibles
beneficiarios |
|
2020/03 |
3.25 |
4.290 |
-1.040 |
1.040 |
Consumidor |
|
2020/04 |
2.15 |
4.262 |
-2.112 |
2.112 |
consumidor |
|
2020/05 |
2.84 |
4.269 |
-1.429 |
1.429 |
Consumidor |
|
2020/06 |
3.33 |
4.261 |
-0.931 |
0.931 |
Consumidor |
|
2020/07 |
3.62 |
4.276 |
-0.656 |
0.656 |
Consumidor |
|
2020/08 |
4.05 |
4.254 |
-0.204 |
0.204 |
Consumidor |
|
2020/09 |
4.01 |
4.233 |
-0.223 |
0.223 |
Consumidor |
|
2020/10 |
4.09 |
4.263 |
-0.173 |
0.173 |
Consumidor |
|
2020/11 |
3.33 |
4.300 |
-0.970 |
0.970 |
Consumidor |
|
2020/12 |
3.15 |
4.321 |
-1.171 |
1.171 |
Consumidor |
|
2021/01 |
3.54 |
4.311 |
-0.771 |
0.771 |
Consumidor |
|
2021/02 |
3.76 |
4.333 |
-0.573 |
0.573 |
Consumidor |
|
2021/03 |
4.67 |
4.349 |
0.321 |
-0.321 |
ofertor |
Fuente:
Elaboración
propia con base en datos de INEGI (2021a).
Lo resaltado en gris de la tabla 5 muestra los
valores reales de marzo 2020 a marzo 2021, época de la pandemia, columna 2. Al
comparar el valor real con el pronóstico para 2020 que involucra la
estacionariedad (última columna), se puede encontrar las diferencias entre
estas tasas: la real y la estimada. Estas diferencias se muestran en la tabla 3
y con ellas se pueden encontrar posibles beneficiarios o perjudicados por esta
pandemia. Por ejemplo, si el ofertor hubiera hecho el
ejercicio de la estimación a partir de febrero 2020, esperaría una inflación
arriba del 4% a partir del mes de marzo (ver tercera columna tabla 3) y con
ello una posible ganancia. Pero debido a que la demanda se estancó, los valores
reales (columna 2) fueron mucho más bajos que los esperados, por lo que la
pandemia modificó las expectativas de los ofertores.
A diferencia de los ofertores, los consumidores
podrían haber sido los beneficiados, al encontrar precios reales más bajos
respecto a lo que dictaban los pronósticos en los medios o noticias. Esto es,
el análisis muestra que por las condiciones de la pandemia los consumidores
esperaban precios más altos, pero no fue así. Finalmente, la recuperación para
los ofertores apenas se visualiza en el mes de marzo
2021 y posiblemente perdurará hasta julio 2021.
3.1 El desempleo como causa de la
alteración de la tasa de desempleo
La tabla 3 implica una posible ventaja de
los consumidores por la disminución de los precios. No obstante, habría que
analizar si estaban las condiciones para aprovechar tal disminución de los
precios, en particular si los consumidores tenían ingresos y/o empleos estables
para este posible beneficio.
Lo
anterior abre la posibilidad de analizar una supuesta relación entre desempleo
y la tasa de inflación que se muestra en la figura 4. En tal figura se muestra
una relación inversa entre inflación y desempleo, es decir, aumenta el nivel de
desempleo y baja la inflación.
Fuente: Elaboración
propia a partir de datos de INEGI (2021b).
Figura 4: Relación
inversa entre inflación y desempleo.
La
figura 4 sugiere una relación inversa entre la tasa de inflación y la tasa de
desempleo, de la siguiente forma,
con
Al
tomar logaritmos en ambos lados de (7) se tiene que,
donde
Lo
cual resulta significativo y, acorde a la teoría, que muestra una relación
inversa del nivel de desempleo y la tasa de inflación. No obstante, el
estadístico Durbin-Watson (
A
pesar de que hay formas para corregir el problema de autocorrelación, como los
mínimos cuadrados generalizados, se puede analizar primero la estructura del
modelo. Por ejemplo, Gujarati (2007) comenta que una
de las causas de la autocorrelación es la forma funcional que se propone sobre
todo en el uso de datos temporales como es el caso. Ya que, si se propone de
manera errónea una simple expresión lineal, como en (7), los otros términos
(cuadráticos, cúbicos, etc) estarían involucrados en
las perturbaciones y ocasionarían dependencias entre los errores.
Así
y con base en la figura (4), se observa que para ciertos valores del nivel de
desempleo la relación lineal e inversa se rompe. Esto es, hay valores altos de
desempleo que no corresponden con valores bajos de la tasa de inflación y con
ello la expresión de Philips no sería tan clara.
De
lo anterior, aplicaremos la prueba de Chow para
intuir dos posibles grupos que podrían establecer relaciones diferentes. Para
encontrar el umbral de manera formal que muestra tal rompimiento de la curva de
Phillips, se propone una posible relación cuadrática entre tasa de inflación y
el nivel de desempleo, cuya estimación es,
y
se procede a encontrar el umbral, esto es,
y
un segundo como,
Para
el primer grupo y de acuerdo a la figura 4, se supone
una relación lineal cuya estimación es,
relación
que es significativa, lineal e inversa como se observa en la figura 4. Para el
segundo grupo 2, la estimación es,
Adicional
a la significancia de los términos lineal y cuadrático, observe la constante en
(11), que muestra que el inicio de la relación inflación y desempleo empieza
por debajo del eje horizontal y se percibe en el rompimiento de la curva de la
figura 4. Además, tal constante es la diferencia principal entre las
estimaciones (9) y (11). Para corroborar y justificar por qué se puede trabajar
con las estimaciones (10) y (11) por separado, se propone la siguiente
estimación,
Donde
Note
que los estimadores son significativos al menos a un 90%. Pero lo interesante
de la propuesta (12), es verificar si el efecto lineal del logaritmo del
desempleo es diferente por grupo, por lo que a partir de (12) se propone,
De
esta forma, el estadístico queda
El
estadístico de esta prueba conjunta es,
y
De
estas expresiones, se pueden obtener conclusiones interesantes. Por ejemplo,
Banxico pronóstico para finales de mayo 2021 una tasa de inflación de 5.8% (El
Heraldo, 2021), que aplicando (10) corresponde a una tasa de inflación de 2.8422, que es
alentador para la administración actual. Pero si aplicamos (11), para este
valor de inflación no se tienen valores reales de nivel de desempleo, lo que se
puede verificar en la figura 4, para valores arriba de 5 puntos porcentuales el
grupo 2 no arroja valores reales.
Conclusiones
y discusiones
Se
realizó un análisis de estacionariedad que considera los efectos de las alzas y
caídas del IPC. Con el objetivo de hacer un pronóstico del IPC más certero
cuando se considera únicamente la tendencia de la serie para tal pronóstico. El
ejercicio se particularizó, involucrando la estacionariedad antes de la
pandemia de la COVID-19 para mostrar los pronósticos del IPC durante la
pandemia. Estos resultados pronosticados se compararon con los valores reales,
marzo 2020 y marzo 2021, mostrando que los ofertores
no percibieron la crisis, los cuales podrían ser cruciales en sus estrategias
financieras, en particular para los primeros 4 meses de la pandemia.
Análisis estadísticos para estudiar el impacto
de las crisis se han hecho, en particular Watkins, Van Dijk y Spronk (2009), con base en un modelo de pruebas de cambio
estructural, analizan el impacto de la crisis de mediados de los 90 que tuvo en
las variaciones de los estados financieros de las empresas mexicanas. Los
autores mencionan que a pesar de que las empresas se vieron afectadas, hubo una
recuperación paulatina y parcial. Por su parte, Durán et al. (2012), a
través de modelos ARIMA y de datos Panel en particular, muestran que la
desagregación por sectores podría ser útil para una predicción optima de la
tasa de inflación, en este caso para México.
Nuestro análisis destaca la importancia de la
diminución de precios reales durante la época de COVID-19, en la que se
incorpora el nivel de desempleo para justificar por qué los consumidores no
pudieron “aprovechar” tal variación de precios. En este sentido, Goldberg y
Reed (2020) mencionan que el hecho de que la pandemia ha provocado fuga de
capitales y caída de los precios en productos básicos, puede ser un factor para
que las economías emergentes caigan en crisis. No obstante, los autores
mencionan que la crisis puede ser a corto plazo, sobre todo para aquellos
países que no son dependientes de exportaciones de energía y metales.
Adicional a la comparación de los precios
reales y pronosticados durante la pandemia, se pensó que los ganadores por
disminución de los precios, podrían ser los consumidores. No obstante, los
niveles de desempleo, causados no solo por la pandemia si no lo observado desde
el cambio de gobierno, impidió este aprovechamiento de la baja de los precios,
análisis hecho a través de la deducción de la curva de Phillips. Al respecto de
la relación entre inflación y desempleo, Rodríguez (2004) menciona que, si los
salarios no están bien definidos pueden provocar desajustes en los niveles de
empleo, y de esta forma propiciar oscilaciones en la producción y la inflación.
En este sentido, Loría (2020) muestra a través de un modelo econométrico que no
es posible relacionar los cambios en los niveles de producción y desempleo, ni
mucho menos en el crecimiento económico, con las decisiones de la política
monetaria de Banxico, al menos para las últimas tres décadas.
Así como se corrigieron los pronósticos de la
inflación para 2020, se consideraron variables dicotómicas para incorporar los
momentos históricos en la estimación de la curva de Phillips. Al respecto, Díaz y Vergara
(2009) incorporan de pruebas de bondad y ajuste para la modelación de los
niveles de inflación en México durante gran parte del sexenio de Vicente Fox
(2000-2006), mostrando que tal incorporación estadística deduce estimaciones de
la inflación más realistas.
Finalmente, en el trabajo se hace el énfasis de
que las perturbaciones en la relación desempleo-inflación podrían considerar
otros factores diferentes a los lineales, y que ocasionó con ello problemas de
autocorrelación. Al respeto, Zhang (2013) destaca esta correlación serial del
término perturbación, al analizar la curva de Phillips para la economía China.
Mencionando que se deben considerar rezagos de inflación para descartar tal
correlación, además, sustenta que estos rezagos son más significativos que las
variables monetarias como el tipo de cambio.
Si
bien uno de los objetivos era analizar el efecto de la pandemia en la curva de
Phillips, lo cual no se garantiza por la poca información que se tenían durante
la pandemia, es lógico pensar que el COVID-19 altero relaciones macro. No
obstante, nuestros resultados son alentadores en cuanto a cálculos, ya que
nuestro umbral
Adicional al análisis de involucrar factores
como salarios y empleo, se podría haber hecho otro tipo de análisis de
pronósticos, como un ARIMA o una regresión múltiple que involucre otros
factores relacionados a la inflación. Inclusive, un análisis econométrico a
mayor profundidad, que corrija problemas de heteroscedasticidad y de
autocorrelación para los resultados finales y que pudiera incorporación efectos
de la pandemia de manera más analítica. Análisis que dejamos para futuras
investigaciones.
Agénor, P., y Bayraktar,
N. (2010). Contracting models of the Phillips curve empirical
estimates for middle-income countries. Journal of Macroeconomics, 32(2),
555-570. https://doi.org/10.1016/j.jmacro.2009.09.002
Avendaño, B. y Vázquez, J. (2011). Inestabilidad financiera y política monetaria en México,
1990-2008. Investigación Económica, 70(275), 63-92. http://dx.doi.org/10.22201/fe.01851667p.2011.275.24263
Cerezo, V., López, T., y López, F. (2020).
Crecimiento económico e inflación en México, 1993-2018: ¿Una relación lineal o no?. Investigación Económica, 79(311), 83-109. http://dx.doi.org/10.22201/fe.01851667p.2020.311.72437
Coibion, O., Gorodnichenko,
Y., y Kamdar, R. (2018). The
Formation of Expectations, Inflation, and the Phillips Curve. Journal of
Economic Literature, 56(4), 1447-1491.
Del
Negro, M. Lenza, M., Primiceri, G. y Tambalotti, A. (2020). What’s Up with the Phillips
Curve? Brookings Papers on Economic Activity, 301-357.
Díaz, M., y Vergara, R.
(2009). La tasa de inflación en
México, 2000-2007. Investigación Económica, 68(269),
13-36.
Dornbusch, R., Stanley, F., & Startz,
R. (2008). Macroeconomía. Décima edición, McGraw Hill.
Durán, R., Garrido, E., Godoy, C., y de
Dios Tena, J. (2012). Predicción de la inflación en México con modelos
desagregados por componente. Estudios Económicos, 27(1), 133-167.
El Heraldo (2021). Inflación se desacelera a 5.8% en la
primera quincena de mayo. Recuperado de https://heraldodemexico.com.mx/economia/2021/5/24/inflacion-se-desacelera-58-en-la-primera-quincena-de-mayo-299139.html (31 de
mayo 2021).
Forbes (2021). La tasa de desempleo en México sube al 4.4
% en el primer trimestre de 2021. Recuperado
de La
tasa de desempleo en México sube al 4.4 % en el primer trimestre de 2021
(forbes.com.mx) (12 de julio 2021).
Garrido, C. y Ortiz, C. (2009). De crisis en crisis: La
evolución reciente de las grandes empresas mexicanas. Problemas del Desarrollo,
40(156), 47-75.
Girón, A. (2016). A 40 años de devaluaciones, crisis
recurrentes y desregulaciones. Problemas del Desarrollo, 47(187), 3-8.
Gujarati,
D. (2007). Econometría.
México: McGraw-Hill.
INEGI (2021a). Índice Nacional de Precios al Consumidor (INPC): Inflación
mensual anualizada.
Instituto Nacional de Estadística y Geografía, recuperado de https://www.inegi.org.mx/temas/inpc/ (2 de marzo 2021).
INEGI (2021b). Encuesta Nacional de
Ocupación y Empleo (ENOE), población de 15 años y más de edad. Instituto
Nacional de Estadística y Geografía, recuperado de https://www.inegi.org.mx/programas/enoe/15ymas/#Tabulados (20 de mayo 2021).
Kusumahadi, T., y Permana, F. (2021). Impact
of COVID-19 on Global Stock Market Volatility. Journal of Economic Integration, 36(1), 20-45.
León, J., y Alvarado, C. (2015). México: Estabilidad de
precios y limitaciones del canal de crédito bancario. Problemas del
Desarrollo, 46(181), 75-99.
Loría, E. (2020). Autonomía del Banco de México y estabilidad
macroeconómica, 1994-2019. Investigación Económica, 79(312),
34-62. https://doi.org/10.22201/fe.01851667p.2020.312.75371
López Martín, B., Ramírez de Aguilar, A., y Sámano Peñaloza, D.
(2020). Consideraciones sobre política fiscal y expectativas de inflación en
México. Investigación Económica, 79(312), 63-88. http://dx.doi.org/10.22201/fe.01851667p.2020.312.75372
Mavroeidis, S., Plagborg-Møller,
M., y Stock, J. (2014). Empirical
Evidence on Inflation Expectations in the New Keynesian Phillips Curve. Journal of Economic
Literature, 52(1), 124-188.
Mántey, G. (2011). La política de
tasa de interés interbancaria y la inflación en México. Investigación
Económica, 70(277), 37-68. http://dx.doi.org/10.22201/fe.01851667p.2011.277.37320
Rodríguez, C.A. (2018).
Fuentes de las fluctuaciones macroeconómicas en Puerto Rico. Estudios
Económicos, 33(2), 219-252.
Rodríguez, A. (2004).
Dinámica macroeconómica y la curva de Phillips bajo diversos supuestos sobre el
mecanismo de ajuste salarial. Estudios Económicos, 19(2),
181-210.
Romer, W. (2002). Macroeconomía
Avanzada. Segunda edición, McGraw Hill.
Samuelson, P., y Nordhaus,
W. (1996). Economía. Décimo quinta edición, McGraw Hill.
Sánchez, A., Islas, S., y
Sheinbaum, C. (2015). Demanda de gasolina y la heteregeneidad
en los ingresos de los hogares en México. Investigación Económica,
74(291), 117-143. http://dx.doi.org/10.1016/j.inveco.2015.07.004
Sánchez, A. (2020).
Estimación de la tasa de interés neutral, desempleo e inflación en México. Investigación
Económica, 79(311), 35-53. http://dx.doi.org/10.22201/fe.01851667p.2020.311.72434
Vašíček, B. (2011). Inflation Dynamics and the New Keynesian Phillips Curve in Four
Central European Countries. Emerging Markets Finance & Trade, 47(5), 71-100.
Watkins, K. (2003).
¿Previeron las empresas mexicanas la crisis financiera de 1995-1996? Un
análisis de empresas. El Trimestre Económico, 70(277(1)), 81-107.
Watkins, K., Van Dijk, D.,
y Spronk, J. (2009). Crisis macroeconómica y
desempeño de la empresa individual: La experiencia mexicana. El Trimestre Económico, 76(304(4)), 991-1026.
Zhang,
C. (2013). Inflation Dynamics and
an Extended New Keynesian Phillips Curve for China. Emerging Markets
Finance & Trade, 49(5),
82-98.
Apéndice
Tabla
4
Pronóstico
con y sin estacionariedad para 2021
|
|
Período |
IPC |
t |
Pronóstico
sin estacionariedad |
Estacionariedad |
Pronóstico
con estacionariedad |
|
h1 |
2019/01 |
4.37 |
109 |
4.186 |
1.003 |
4.201 |
|
h2 |
2019/02 |
3.94 |
110 |
4.191 |
1.012 |
4.241 |
|
h3 |
2019/03 |
4.00 |
111 |
4.196 |
1.018 |
4.271 |
|
h4 |
2019/04 |
4.41 |
112 |
4.201 |
0.969 |
4.072 |
|
h5 |
2019/05 |
4.28 |
113 |
4.206 |
0.986 |
4.146 |
|
h6 |
2019/06 |
3.95 |
114 |
4.211 |
0.994 |
4.187 |
|
h7 |
2019/07 |
3.78 |
115 |
4.216 |
1.003 |
4.230 |
|
h8 |
2019/08 |
3.16 |
116 |
4.220 |
1.008 |
4.252 |
|
h9 |
2019/09 |
3.00 |
117 |
4.225 |
1.001 |
4.230 |
|
h10 |
2019/10 |
3.02 |
118 |
4.230 |
1.008 |
4.265 |
|
h11 |
2019/11 |
2.97 |
119 |
4.235 |
0.998 |
4.225 |
|
h12 |
2019/12 |
2.83 |
120 |
4.240 |
0.997 |
4.226 |
|
h1 |
2020/01 |
3.24 |
121 |
4.245 |
1.003 |
4.259 |
|
h2 |
2020/02 |
3.70 |
122 |
4.250 |
1.012 |
4.300 |
|
h3 |
2020/03 |
3.25 |
123 |
4.254 |
1.018 |
4.331 |
|
h4 |
2020/04 |
2.15 |
124 |
4.259 |
0.969 |
4.128 |
|
h5 |
2020/05 |
2.84 |
125 |
4.264 |
0.986 |
4.203 |
|
h6 |
2020/06 |
3.33 |
126 |
4.269 |
0.994 |
4.245 |
|
h7 |
2020/07 |
3.62 |
127 |
4.274 |
1.003 |
4.288 |
|
h8 |
2020/08 |
4.05 |
128 |
4.279 |
1.008 |
4.311 |
|
h9 |
2020/09 |
4.01 |
129 |
4.284 |
1.001 |
4.288 |
|
h10 |
2020/10 |
4.09 |
130 |
4.289 |
1.008 |
4.324 |
|
h11 |
2020/11 |
3.33 |
131 |
4.293 |
0.998 |
4.283 |
|
h12 |
2020/12 |
3.15 |
132 |
4.298 |
0.997 |
4.285 |
|
h1 |
2021/01 |
3.54 |
133 |
4.303 |
1.003 |
4.318 |
|
h2 |
2021/02 |
3.76 |
134 |
4.308 |
1.012 |
4.360 |
|
h3 |
2021/03 |
4.67 |
135 |
4.313 |
1.018 |
4.390 |
|
h4 |
2021/04 |
|
136 |
4.318 |
0.969 |
4.185 |
|
h5 |
2021/05 |
|
137 |
4.323 |
0.986 |
4.261 |
|
h6 |
2021/06 |
|
138 |
4.328 |
0.994 |
4.303 |
|
h7 |
2021/07 |
|
139 |
4.332 |
1.003 |
4.347 |
|
h8 |
2021/08 |
|
140 |
4.337 |
1.008 |
4.370 |
|
h9 |
2021/09 |
|
141 |
4.342 |
1.001 |
4.347 |
|
h10 |
2021/10 |
|
142 |
4.347 |
1.008 |
4.383 |
|
h11 |
2021/11 |
|
143 |
4.352 |
0.998 |
4.341 |
|
h12 |
2021/12 |
|
144 |
4.357 |
0.997 |
4.343 |
Fuente: Elaboración propia a partir de la
información de INEGI (2021a).
Tabla
5
Comparando
los valores reales de 2020 con el pronóstico antes de la pandemia
|
|
Período |
IPC |
t |
Pronóstico
sin estacionariedad 2020 |
Estacionariedad |
Pronóstico
con estacionariedad |
|
h1 |
2018/01 |
5.55 |
97 |
4.128 |
1.002 |
4.135 |
|
h2 |
2018/02 |
5.34 |
98 |
4.133 |
1.006 |
4.157 |
|
h3 |
2018/03 |
5.04 |
99 |
4.138 |
1.008 |
4.172 |
|
h4 |
2018/04 |
4.55 |
100 |
4.142 |
1.001 |
4.145 |
|
h5 |
2018/05 |
4.51 |
101 |
4.147 |
1.001 |
4.152 |
|
h6 |
2018/06 |
4.65 |
102 |
4.152 |
0.998 |
4.144 |
|
h7 |
2018/07 |
4.81 |
103 |
4.157 |
1.001 |
4.159 |
|
h8 |
2018/08 |
4.90 |
104 |
4.162 |
0.994 |
4.138 |
|
h9 |
2018/09 |
5.02 |
105 |
4.167 |
0.988 |
4.117 |
|
h10 |
2018/10 |
4.90 |
106 |
4.172 |
0.994 |
4.146 |
|
h11 |
2018/11 |
4.72 |
107 |
4.177 |
1.002 |
4.183 |
|
h12 |
2018/12 |
4.83 |
108 |
4.181 |
1.005 |
4.204 |
|
h1 |
2019/01 |
4.37 |
109 |
4.186 |
1.002 |
4.194 |
|
h2 |
2019/02 |
3.94 |
110 |
4.191 |
1.006 |
4.216 |
|
h3 |
2019/03 |
4.00 |
111 |
4.196 |
1.008 |
4.231 |
|
h4 |
2019/04 |
4.41 |
112 |
4.201 |
1.001 |
4.203 |
|
h5 |
2019/05 |
4.28 |
113 |
4.206 |
1.001 |
4.210 |
|
h6 |
2019/06 |
3.95 |
114 |
4.211 |
0.998 |
4.202 |
|
h7 |
2019/07 |
3.78 |
115 |
4.216 |
1.001 |
4.218 |
|
h8 |
2019/08 |
3.16 |
116 |
4.220 |
0.994 |
4.196 |
|
h9 |
2019/09 |
3.00 |
117 |
4.225 |
0.988 |
4.175 |
|
h10 |
2019/10 |
3.02 |
118 |
4.230 |
0.994 |
4.205 |
|
h11 |
2019/11 |
2.97 |
119 |
4.235 |
1.002 |
4.242 |
|
h12 |
2019/12 |
2.83 |
120 |
4.240 |
1.005 |
4.262 |
|
h1 |
2020/01 |
3.24 |
121 |
4.245 |
1.002 |
4.252 |
|
h2 |
2020/02 |
3.70 |
122 |
4.250 |
1.006 |
4.275 |
|
h3 |
2020/03 |
3.25 |
123 |
4.254 |
1.008 |
4.290 |
|
h4 |
2020/04 |
2.15 |
124 |
4.259 |
1.001 |
4.262 |
|
h5 |
2020/05 |
2.84 |
125 |
4.264 |
1.001 |
4.269 |
|
h6 |
2020/06 |
3.33 |
126 |
4.269 |
0.998 |
4.261 |
|
h7 |
2020/07 |
3.62 |
127 |
4.274 |
1.001 |
4.276 |
|
h8 |
2020/08 |
4.05 |
128 |
4.279 |
0.994 |
4.254 |
|
h9 |
2020/09 |
4.01 |
129 |
4.284 |
0.988 |
4.233 |
|
h10 |
2020/10 |
4.09 |
130 |
4.289 |
0.994 |
4.263 |
|
h11 |
2020/11 |
3.33 |
131 |
4.293 |
1.002 |
4.300 |
|
h12 |
2020/12 |
3.15 |
132 |
4.298 |
1.005 |
4.321 |
|
h1 |
2021/01 |
3.54 |
133 |
4.303 |
1.002 |
4.311 |
|
h2 |
2021/02 |
3.76 |
134 |
4.308 |
1.006 |
4.333 |
|
h3 |
2021/03 |
4.67 |
135 |
4.313 |
1.008 |
4.349 |
Fuente: Elaboración propia con base en
datos de INEGI (2021a).
[1]
Es importante notar que la
diferencian entre lo mencionado en estos acontecimientos es diferente respecto
a las perturbaciones. Por ejemplo, en la parte cualitativa se quiere percibir
la fecha de inicio de éstos y en las perturbaciones se quiere saber el valor de
éstos, los cuales se desconocen.
[2] En esta tabla se solo
muestran los datos a partir del 2019, pero la serie y los cálculos van desde
del 2010.
[3] Solo se muestran los
valores del 2018 junto con el pronóstico hasta marzo 2021 para visualizar.