1. El modelo económico sometido a examen

El ejercicio empírico no comienza con una búsqueda de correlaciones guiada puramente por los datos. Parte de una proposición económica heredada de un estudio anterior de 2016. En la formulación utilizada aquí, la cantidad de dinero en circulación es tratada como una función de los precios de las mercancías de la economía y del precio internacional del oro, bajo condiciones simplificadoras relativas a la velocidad de circulación y a la estabilidad relativa de las variables durante el período analizado.

Para la aplicación estadounidense, los precios de las mercancías están representados empíricamente por el PIB nominal —denominado Current GDP en el conjunto de datos—, mientras que la segunda variable explicativa es el precio internacional del oro. El dinero en circulación, denotado por M, se convierte en la variable dependiente.

Esta dirección de la explicación es importante. El artículo no se limita a preguntar si el dinero, el producto y el oro se mueven conjuntamente. Su marco teórico asigna un significado económico específico a su relación. Por tanto, se supone que el modelo estadístico representa una concepción previa acerca de cómo funciona el proceso monetario.

Esta distinción entre relación estadística y significado económico se convierte posteriormente en uno de los temas recurrentes del artículo. Una regresión puede identificar dependencia matemática entre variables medidas, pero la interpretación de esa dependencia no surge automáticamente de los coeficientes de regresión. La proporciona el marco teórico dentro del cual se ha construido el modelo estadístico.

Esto es especialmente importante para los lectores ajenos a la economía. Imaginemos que dos indicadores políticos se mueven casi perfectamente juntos durante veinte años. La regresión no sabe si uno causa al otro, si ambos responden a un tercer proceso, si su tendencia común genera una correlación engañosa o si la relación cambia después de una ruptura institucional. Esas son preguntas acerca de la estructura del fenómeno y, por tanto, acerca de la especificación del modelo.

2. ¿Por qué estudiar Estados Unidos entre 1990 y 2011?

El artículo utiliza deliberadamente el mismo intervalo histórico general que el estudio anterior, pero traslada el escenario empírico de El Salvador a Estados Unidos. La elección no se presenta como una simple conveniencia neutral. Gómez Julián sostiene que la estructura social y económica de Estados Unidos vuelve especialmente útil este período porque contiene episodios capaces de poner al descubierto las debilidades de una especificación de regresión sencilla.

El intervalo comprende la larga expansión asociada con la era posterior a la Guerra Fría, el auge y colapso de las empresas puntocom, la crisis financiera que estalló en 2008 y los primeros años de sus consecuencias. En particular, las observaciones correspondientes a 2009, 2010 y 2011 son tratadas como analíticamente valiosas porque incorporan la perturbación macroeconómica posterior a la crisis financiera.

El artículo insiste repetidamente en que las series de tiempo económicas son registros de procesos históricos y no observaciones intercambiables que flotan en un espacio estadístico abstracto. El año 2009 no es simplemente «la observación número 20». Viene después de 2008. Importa la historia que lo produjo. Esta idea se vuelve crucial cuando entran en la discusión la autocorrelación, la estabilidad estructural, las raíces unitarias y la cointegración.

Esta perspectiva histórica también explica por qué el artículo se resiste a tratar todo problema estadístico como algo que simplemente pueda eliminarse mediante una limpieza de los datos. Si una serie económica contiene persistencia, cambio estructural o tendencias estocásticas, esas propiedades pueden reflejar características del propio proceso económico. Un modelo debería, por tanto, intentar comprenderlas antes de eliminarlas mecánicamente.

3. La primera regresión parece casi demasiado buena

El modelo empírico inicial es una regresión lineal múltiple convencional estimada mediante mínimos cuadrados ordinarios. En notación simplificada,

Para un lector que se encuentre con la econometría por primera vez, la idea es sencilla. La regresión elige los valores de los coeficientes β que hacen que la cantidad de dinero predicha sea lo más próxima posible —en el sentido de mínimos cuadrados— a la cantidad de dinero observada. El residuo ε de cada año es la parte que la ecuación no logra explicar.

Y, a primera vista, los resultados son extraordinariamente impresionantes.

Un R² de aproximadamente 0.983 significa que, dentro de esta especificación lineal ajustada, alrededor del 98.3 por ciento de la variación observada de la variable dependiente es explicada por los regresores. Ambos coeficientes de pendiente también parecen extraordinariamente significativos bajo los contrastes t convencionales. Si se juzgara la regresión únicamente por estas cifras principales, la tentación sería declarar la victoria.

¿Por qué? Porque la significación estadística es condicional. Un estadístico t posee la interpretación que normalmente le atribuimos únicamente si la estructura probabilística supuesta por el modelo resulta suficientemente apropiada. Un R² puede ser enorme porque dos variables comparten realmente una relación económicamente significativa, pero también puede ser enorme cuando varias series de tiempo no estacionarias se desplazan a través del tiempo en direcciones ampliamente similares.

Del mismo modo, un ajuste visualmente excelente no demuestra que la forma funcional sea correcta. Una línea recta puede aproximar sorprendentemente bien una relación curva en una muestra corta. Tampoco establece que el componente no explicado se comporte como exige el marco clásico de regresión.

Los residuos se convierten entonces en testigos. Si contienen estructura temporal sistemática, varianza cambiante, información no lineal o patrones persistentes, el modelo ha dejado algo importante sin representar.

4. ¿Qué significa realmente que un modelo esté «bien especificado»?

Este es el puente conceptual entre la pregunta económica y la maquinaria estadística que ocupa el resto del estudio. Un modelo de regresión no está adecuadamente especificado simplemente porque sus valores ajustados se parezcan a las observaciones. Su forma matemática también debe ser compatible con características importantes del proceso generador de los datos.

El artículo despliega, por tanto, una amplia batería diagnóstica: el contraste de especificación Ramsey RESET, pruebas ARCH, la prueba de heterocedasticidad de White, factores de inflación de la varianza para la colinealidad, pruebas de autocorrelación de los residuos, pruebas de normalidad residual, procedimientos CUSUM y CUSUM de cuadrados para la estabilidad de los parámetros y, más adelante en la investigación, técnicas de raíces unitarias y cointegración.

Vale la pena subrayar el punto filosófico detrás de esta batería. Ninguna prueba diagnóstica individual es tratada como un oráculo. Distintas pruebas examinan distintos fallos potenciales e incluso pueden producir indicaciones aparentemente contradictorias. La evaluación del modelo se vuelve, por tanto, acumulativa: un resultado suscita una sospecha, otro reduce las posibilidades, una modificación elimina un defecto pero quizá deja al descubierto otro, y la investigación avanza gradualmente hacia una representación más adecuada.

Esto transforma el contraste de hipótesis de un ritual de estrellas y valores p en un método de crítica del modelo. En este sentido, las pruebas no están juzgando simplemente coeficientes individuales. Ayudan al investigador a decidir si la propia representación matemática debe sobrevivir en su forma actual.

5. La primera grieta: los errores recuerdan el pasado

Los diagnósticos posteriores del artículo muestran por qué el impresionante R² no puede aceptarse sin más. En la discusión empírica aparece un problema significativo de autocorrelación residual. En lenguaje sencillo, el error no explicado asociado con un año no se comporta como si estuviera desconectado de los errores de los años cercanos.

Esto importa porque los mínimos cuadrados ordinarios funcionan de manera más limpia cuando el proceso de error no contiene precisamente este tipo de dependencia temporal sistemática. Si los residuos están autocorrelacionados, la ecuación está diciendo, en efecto: «he explicado la parte sistemática del proceso», mientras que los residuos responden: «no; todavía has dejado dentro de mí cierta estructura temporal sistemática».

En un sistema genuinamente histórico esto difícilmente constituye una posibilidad exótica. La producción de un año depende parcialmente de la producción previa; las decisiones de inversión heredan expectativas y balances anteriores; las magnitudes monetarias acumulan historia institucional y financiera. El tiempo enlaza las observaciones.

La pregunta econométrica crucial no es, por tanto, si semejante dependencia puede existir —evidentemente puede—, sino si el modelo elegido la ha representado adecuadamente. Si no lo ha hecho, la dependencia temporal migra hacia los residuos.

El estudio responde introduciendo un término adicional construido a partir de cambios en el PIB nominal. Esta modificación mejora sustancialmente los diagnósticos de autocorrelación residual. Sin embargo, el autor reconoce explícitamente una limitación importante: la elección está motivada empíricamente y no deriva de una justificación teórica independiente, y el artículo no afirma haber realizado una búsqueda exhaustiva del número óptimo de rezagos, comparado todas las especificaciones dinámicas plausibles ni estimado la familia completa de alternativas tipo VAR.

Y eso es exactamente lo que ocurre. Corregir un problema no pone fin a la investigación. Una vez que la autocorrelación residual parece mejorar, otros diagnósticos —especialmente el comportamiento de los errores al cuadrado y las pruebas de especificación de Ramsey— plantean una posibilidad más difícil:

Aquí entran en escena las dos herramientas diagnósticas centrales del artículo: la prueba ARCH, que pregunta si la varianza de los errores posee estructura temporal, y la prueba Ramsey RESET, que pregunta si determinadas combinaciones no lineales contienen información explicativa que la regresión original no consiguió captar.

Estas pruebas son el objeto de la siguiente etapa.

6. Un modelo puede superar una prueba y fallar otra

Una vez que los residuos se convierten en objeto de investigación, emerge un principio importante: no existe una única cosa llamada «los supuestos de la regresión». Distintas pruebas diagnósticas plantean distintas preguntas acerca de diferentes aspectos del modelo. Superar una de ellas no implica, por tanto, superar las demás.

Esta distinción se vuelve especialmente clara en la regresión estadounidense del artículo. Los residuos parecen comportarse razonablemente bien en varios aspectos. La prueba de normalidad no aporta evidencia suficiente para rechazar residuos gaussianos. Los factores de inflación de la varianza son modestos, por lo que una multicolinealidad severa no parece estar determinando las estimaciones. La prueba de White tampoco aporta evidencia sólida de heterocedasticidad ordinaria.

Y, sin embargo, una prueba de autocorrelación residual detecta dependencia temporal.

No existe ninguna contradicción lógica en esta combinación. Los errores pueden tener una varianza aproximadamente constante y una distribución marginal aproximadamente normal y, al mismo tiempo, ser serialmente dependientes. En otras palabras, el tamaño y la forma de la distribución de los errores pueden parecer aceptables aunque los errores próximos entre sí en el tiempo estén relacionados.

Esta es una de las razones por las cuales el trabajo diagnóstico no puede reducirse a una lista de comprobación en la que cada prueba sea interpretada como otra versión de «buen modelo» frente a «mal modelo». Cada prueba ilumina una parte diferente de la estructura estadística.

7. Ramsey RESET: preguntar si la ecuación tiene la forma equivocada

La autocorrelación residual plantea la posibilidad de que algo sistemático haya escapado a la regresión. Pero, por sí sola, no nos dice exactamente qué. Una posibilidad es la dinámica temporal. Otra es una variable omitida. Una tercera es que la forma matemática supuesta de la propia relación sea inadecuada.

La prueba de error de especificación de regresión de Ramsey —RESET— fue diseñada como diagnóstico general precisamente para este tipo de mala especificación.

La intuición es más sencilla de lo que su nombre sugiere. Partimos de una regresión ajustada:

De esa ecuación obtenemos valores ajustados, M̂. RESET pregunta entonces si transformaciones no lineales —como M̂² o M̂³, o transformaciones no lineales relacionadas de los regresores— contienen información explicativa que la ecuación original no logró captar.

Esto no significa que RESET descubra la ecuación alternativa correcta y única. Un rechazo no nos dice por sí mismo «utilice un modelo cuadrático» o «añada precisamente esta variable omitida». RESET se entiende mejor como un detector de humo: puede indicarnos que algún aspecto de la especificación merece atención sin identificar necesariamente el origen del humo.

Los resultados son reveladores, pero no uniformes

El artículo ejecuta varias versiones de RESET en R. Esto importa porque la conclusión depende en alguna medida de cómo se construya la información no lineal adicional.

Este patrón merece una interpretación cuidadosa. Existe evidencia de problemas de especificación, pero no un veredicto unánime entre todas las implementaciones. Dos versiones rechazan una especificación adecuada al umbral convencional del 5 por ciento, mientras que varias otras no lo hacen. Algunas de las no-rechazadas se encuentran, sin embargo, cerca de los umbrales convencionales.

El análisis en Gretl cuenta una historia similar. Una prueba de especificación que utiliza conjuntamente cuadrados y cubos reporta un valor p de aproximadamente 0.037, proporcionando evidencia contra la hipótesis nula de especificación adecuada. Una prueba de no linealidad logarítmica también rechaza la linealidad aproximadamente al nivel del 5 por ciento, mientras que otras formulaciones no lineales no lo hacen.

Esta distinción es fundamental. Si varias transformaciones plausibles revelan estructura predictiva que la regresión original deja sin explicar, el investigador ya no tiene buenas razones para considerar que la forma lineal inicial sea obviamente suficiente.

Y obsérvese cuánto nos hemos alejado del seductor R² de 0.983. La regresión sigue ajustándose extraordinariamente bien a la serie monetaria observada. Nada ha ocurrido que borre ese ajuste. Lo que ha cambiado es nuestra interpretación de lo que ese ajuste demuestra.

8. ARCH: cuando los errores están tranquilos hoy porque estuvieron tranquilos ayer

La segunda prueba destacada por el artículo es la prueba ARCH asociada con el trabajo de Robert Engle sobre heterocedasticidad condicional autorregresiva.

Su idea central es que la autocorrelación ordinaria y la dependencia de la volatilidad son fenómenos diferentes. Supongamos que resulta difícil predecir los signos de errores sucesivos: un error positivo puede ser seguido por uno negativo y después por otro positivo. La autocorrelación convencional podría entonces ser débil.

Pero supongamos que los errores grandes tienden a aparecer cerca de otros errores grandes, mientras que los errores pequeños tienden a agruparse alrededor de otros errores pequeños. Los signos pueden parecer irregulares mientras que las magnitudes recuerdan claramente el pasado.

Este es el núcleo de la idea ARCH. El artículo la introduce parcialmente mediante el lenguaje de las distribuciones de colas pesadas, pero el punto técnicamente decisivo es más específico: una prueba ARCH es una prueba de dinámica en la varianza condicional, no simplemente una prueba genérica de colas pesadas. Las colas pesadas y el agrupamiento de la volatilidad pueden estar empíricamente relacionados, pero no son la misma propiedad.

En la regresión inicial de 1990–2011, el valor p ARCH de primer orden reportado es aproximadamente 0.991. Al nivel convencional del 5 por ciento, no existe por tanto evidencia para rechazar la hipótesis nula de ausencia de efecto ARCH de primer orden.

Esto produce una combinación instructiva:

Así, el problema temporal detectado en esta etapa concierne a los propios residuos y no a un agrupamiento claro de sus magnitudes al cuadrado. Esta distinción diagnóstica se vuelve importante cuando se modifica el modelo.

9. CUSUM frente a CUSUM de cuadrados: dos perspectivas de la estabilidad

Otra pregunta es si los coeficientes de regresión permanecen estables a lo largo de toda la muestra. Si la relación entre dinero, PIB nominal y oro cambia sustancialmente con el tiempo, un único conjunto de coeficientes estimado para 1990–2011 puede estar ocultando varios regímenes diferentes.

El artículo aborda esta cuestión mediante CUSUM y CUSUM de cuadrados. Ambos procedimientos examinan el comportamiento acumulado de los residuos, pero no poseen propiedades estadísticas idénticas ni la misma sensibilidad frente a distintas formas de inestabilidad.

Y aquí los resultados parecen discrepar.

El artículo no se limita a promediar estas conclusiones. Recurre a literatura metodológica que compara las pruebas mediante simulaciones de Monte Carlo y concede mayor peso analítico al CUSUM de cuadrados, que la investigación citada describe como más fiable bajo diversas formas de mala especificación y más resistente en contextos con regresores no predeterminados, cointegración o correlación serial débil.

Esta es otra lección útil de la práctica estadística. Dos pruebas pueden discrepar sin que ninguno de los cálculos sea mecánicamente «incorrecto». Las pruebas poseen distinta potencia frente a distintas alternativas. Reaccionan de manera diferente a la ubicación, forma y magnitud del cambio estructural. También importan sus supuestos.

Aun así, el resultado del CUSUM ordinario sigue siendo económicamente sugerente. Resulta difícil ignorar el momento en que aparece: la inestabilidad surge cerca de los años inmediatamente anteriores a la crisis de 2008. El artículo no trata esto como prueba de que la crisis haya sido detectada estadísticamente con antelación, sino como una observación que merece una investigación adicional.

Esta cautela es importante. Un gráfico diagnóstico puede revelar un patrón inusual. Explicar la causa histórica de ese patrón requiere algo más que el propio gráfico.

10. Reparar el modelo crea un nuevo modelo y, por tanto, nuevos problemas

Tras identificar autocorrelación residual, el artículo experimenta con un término adicional relacionado con el PIB. Es aquí donde la lógica del contraste de hipótesis se vuelve especialmente visible: el diagnóstico conduce a la reespecificación, y la reespecificación exige inmediatamente otra ronda de diagnóstico.

El autor es explícito acerca de otra limitación: no ofrece un argumento teórico independiente para elegir esta modificación particular. Se adopta porque los resultados empíricos mejoran respecto de una alternativa probada en el estudio. La investigación tampoco afirma haber realizado una búsqueda exhaustiva entre estructuras óptimas de rezagos, selección de rezagos mediante Monte Carlo, modelos VAR o todas las especificaciones dinámicas competidoras.

Esta cautela importa. El término añadido constituye una reparación econométrica provisional, no una declaración de que se haya descubierto el modelo estructural definitivo.

La regresión modificada produce, no obstante, otro ajuste sorprendentemente elevado:

La secuencia de Breusch–Godfrey se vuelve especialmente reveladora. Para órdenes de rezago entre dos y seis, los valores p reportados se sitúan por encima de 0.05. Sin embargo, la prueba de primer orden continúa siendo significativa, con un valor p de aproximadamente 0.020.

Una lectura cuidadosa exige, por tanto, una matización. El artículo describe posteriormente la modificación como una solución al problema de autocorrelación a lo largo de la estructura de rezagos examinada, pero el resultado LM de primer orden mostrado todavía rechaza la hipótesis nula de ausencia de autocorrelación al 5 por ciento. En consecuencia, la conclusión más segura a partir del resultado numérico es que la modificación cambia sustancialmente y debilita el patrón de autocorrelación detectado, pero no elimina inequívocamente la autocorrelación residual de primer orden.

También ocurre algo más. En el modelo modificado, RESET se vuelve mucho más contundente. Gretl reporta valores p de aproximadamente 0.0036 para una prueba de especificación basada únicamente en cuadrados y de 0.0014 para pruebas que involucran cubos y la formulación conjunta de cuadrados y cubos.

En otras palabras, añadir estructura temporal puede aliviar un problema y al mismo tiempo hacer más visible otro. La mejora del ajuste no rescata la especificación lineal. Por el contrario, los diagnósticos no lineales proporcionan ahora evidencia más fuerte de que la ecuación continúa dejando estructura sistemática sin explicar.

Los diagnósticos ARCH también se vuelven más interesantes. La prueba ARCH de primer orden en la especificación modificada reporta un valor p de aproximadamente 0.069. No es significativo al 5 por ciento, pero sí es inferior al 10 por ciento. Las pruebas de órdenes superiores reportadas para los órdenes dos y tres son mucho menos sugerentes de un efecto ARCH.

Esta es la razón por la que el artículo considera el comportamiento alterado de ARCH, junto con el estadístico Durbin–Watson persistentemente bajo, como una advertencia y no como una resolución limpia de los problemas del modelo.

11. El contraste de hipótesis como método iterativo de crítica

En este punto, la investigación ha alcanzado un resultado más importante que cualquier valor p individual.

El modelo original parecía excepcionalmente sólido según las medidas convencionales más visibles. Los diagnósticos revelaron posteriormente dependencia residual. Una especificación modificada cambió esa dependencia, pero no hizo desaparecer todas las señales de advertencia. RESET continuó —y en algunas versiones lo hizo de forma todavía más enfática— sugiriendo que la forma lineal estaba incompleta.

El flujo de trabajo se parece, por tanto, menos a un problema de estimación de una sola vez y más a una secuencia:

Este es el corazón metodológico del artículo. Los contrastes de hipótesis son valiosos no porque un valor p declare mecánicamente qué es la realidad, sino porque pruebas cuidadosamente elegidas pueden revelar dónde una determinada representación matemática deja de comportarse como debería.

Y el siguiente problema es todavía más fundamental.

Todo lo discutido hasta ahora presupone que la inferencia convencional de regresión tiene sentido para estas series de tiempo. Pero el PIB, la cantidad de dinero y los precios del oro evolucionan históricamente y con frecuencia presentan fuertes tendencias a lo largo del tiempo. Si estas series no son estacionarias, pueden surgir un R² extraordinariamente alto y estadísticos t espectaculares incluso cuando una regresión convencional resulta estadísticamente engañosa.

Esto lleva la investigación desde los diagnósticos de regresión hasta uno de los problemas más profundos de la econometría aplicada de series de tiempo: raíces unitarias, regresión espuria y cointegración.

Y es allí donde la aparentemente sencilla regresión monetaria se convierte en un objeto mucho más interesante.

12. El problema más profundo: ¿qué ocurre si las propias series no permanecen quietas?

Los diagnósticos de especificación ya han complicado la aparentemente excelente regresión por MCO. Pero ahora el artículo introduce un problema que llega más lejos que la autocorrelación residual o que un término no lineal omitido: la no estacionariedad.

Para entender por qué importa, pensemos en lo que una regresión convencional espera silenciosamente. Si observamos una variable a través del tiempo, nos gustaría que su comportamiento probabilístico fuera lo suficientemente estable como para que observaciones de diferentes años siguieran siendo significativamente comparables. En la forma débil de estacionariedad destacada en el artículo, la media y la varianza permanecen constantes a través del tiempo, mientras que la covarianza entre dos observaciones depende de la distancia que las separa y no de la fecha concreta del calendario en que ocurren.

Las series económicas frecuentemente vuelven difícil este supuesto. El PIB nominal crece durante décadas. Los agregados monetarios se expanden. Los precios de los activos pueden deambular durante largos períodos. Un choque ocurrido hoy puede alterar no sólo la siguiente observación, sino también el nivel alrededor del cual evolucionarán las observaciones futuras.

Es en este contexto donde adquiere importancia el concepto de raíz unitaria.

Tomemos el proceso autorregresivo más sencillo:

Si |ρ| es cómodamente inferior a uno, los choques tienden a desvanecerse. Pero cuando ρ = 1, la ecuación se convierte en

En la notación mediante operador de rezagos discutida en el artículo, esto se expresa como

La consecuencia práctica es crucial. Un proceso con raíz unitaria contiene una tendencia estocástica. Su trayectoria depende acumulativamente de los choques pasados. Una perturbación no es simplemente ruido temporal alrededor de una trayectoria inalterada; se convierte en parte de la historia desde la cual comienza la siguiente observación.

Esta es una de las razones por las cuales el artículo dedica considerable atención al carácter histórico de las series de tiempo económicas. Su argumento más amplio es que la persistencia no debería tratarse automáticamente como datos sucios que hay que eliminar antes de que comience «el verdadero» análisis. El movimiento persistente puede contener por sí mismo información acerca del proceso económico subyacente.

13. Una disputa macroeconómica se convierte en una lección de econometría de series de tiempo

En este punto el artículo realiza una larga digresión histórica a través del debate que rodeó la recesión de 2008–2009, especialmente el desacuerdo entre Gregory Mankiw, Paul Krugman, Brad DeLong y otros acerca de si debía esperarse que las pérdidas de producto asociadas con las recesiones desaparecieran posteriormente mediante un crecimiento extraordinariamente rápido.

La cuestión técnica que subyace a la polémica es muy relevante para el artículo. Imaginemos que el producto se desploma durante una recesión. Pueden contarse dos historias estadísticas muy diferentes.

El artículo se inclina firmemente por la idea de que los economistas no deberían presuponer un retorno automático a una tendencia anterior. Invoca tanto la literatura sobre raíces unitarias como evidencia posterior según la cual, en promedio entre distintos países, el producto después de las crisis puede permanecer permanentemente por debajo de su trayectoria tendencial previa.

Para la regresión monetaria, sin embargo, la importancia de este debate es metodológica y no meramente histórica. Si las series macroeconómicas pueden heredar permanentemente los choques, entonces ajustar una serie en niveles con tendencia contra otra exige considerable cautela.

Y eso conduce a una famosa trampa estadística.

14. La hermosa regresión que puede no significar nada

Supongamos que dos variables completamente independientes entre sí aumentan persistentemente con el tiempo. Una regresión de una sobre la otra puede producir un R² elevado, estadísticos t aparentemente significativos y una elegante línea ajustada, aunque no exista ninguna relación significativa que las conecte.

Este es el problema clásico de la regresión espuria.

Esta posibilidad hace que el resultado original —R² ≈ 0.983— adquiera de pronto un aspecto bastante distinto. Al principio parecía constituir el mayor logro del modelo. Ahora, su enorme magnitud, combinada con un estadístico Durbin–Watson relativamente bajo, forma parte de las razones para investigar si el ajuste podría ser engañoso.

El artículo invoca la regla práctica tradicional asociada con este problema: cuando una regresión estimada con series de tiempo presenta un R² muy alto acompañado de un estadístico Durbin–Watson mucho más bajo, existe motivo para sospechar una regresión espuria. La regla es diagnóstica y no constituye una demostración, por lo que el análisis no puede detenerse allí.

Este es quizá el giro más importante de toda la investigación. El mismo estadístico puede parecer tranquilizador al comienzo de un análisis y sospechoso posteriormente, una vez que conocemos mejor las propiedades temporales de los datos.

15. Dickey–Fuller: comprobar si los choques desaparecen o se acumulan

Para investigar el problema, el artículo recurre a la familia de pruebas de raíces unitarias de Dickey–Fuller, especialmente la prueba de Dickey–Fuller aumentada (ADF) y la variante ADF–GLS / DF–GLS.

Una manera conveniente de comprender su lógica consiste en reescribir el proceso autorregresivo en términos de cambios:

La prueba puede estimarse bajo diferentes especificaciones deterministas: sin constante ni tendencia determinista, con constante o con constante y tendencia. Esta elección no es meramente cosmética. Una serie que parece no estacionaria bajo una especificación puede comportarse de manera diferente una vez que se modela explícitamente una tendencia determinista.

El artículo también enfatiza la selección de rezagos y emplea criterios de información —incluidas variantes de AIC y BIC— porque muy pocos rezagos pueden dejar autocorrelación residual, mientras que demasiados pueden consumir un número considerable de grados de libertad en una muestra que ya es muy pequeña.

¿Qué ocurre con las variables?

El panorama resultante no es lo suficientemente limpio como para permitir afirmar en una sola frase que todas las series se comportan de manera idéntica.

Para la cantidad de dinero, el artículo reporta evidencia de raíz unitaria en niveles bajo las especificaciones que examina. El comportamiento del PIB nominal y del término relacionado con el PIB difiere entre pruebas y especificaciones, mientras que la serie del precio del oro también cambia de clasificación dependiendo de si se incluyen una constante y una tendencia determinista.

El punto importante para el argumento no es, por tanto, que «las cuatro variables posean exactamente el mismo orden de integración». El punto importante es que la no estacionariedad es lo suficientemente generalizada como para convertir la validez de una regresión en niveles en una cuestión econométrica seria.

El artículo examina entonces las primeras diferencias.

Si una serie es I(1), diferenciarla una vez debería producir ordinariamente un proceso I(0), es decir, estacionario. Sin embargo, los resultados del artículo vuelven a ser mixtos. Algunas especificaciones en primeras diferencias se vuelven estacionarias, mientras que otras continúan exhibiendo comportamiento de raíz unitaria dependiendo de los términos deterministas incluidos.

Esto impide que la diferenciación funcione como una cura universal y sencilla en el ejercicio del artículo. La investigación regresa, por consiguiente, a la relación en niveles y plantea una pregunta más interesante.

16. Dos series no estacionarias todavía pueden pertenecer una a la otra

La no estacionariedad no implica automáticamente que una regresión sea espuria.

Supongamos que dos variables deambulan a través del tiempo, cada una portando una tendencia estocástica. Si deambulan independientemente, una regresión de una sobre la otra puede efectivamente crear una relación estadística carente de significado. Pero supongamos que sus movimientos de largo plazo están vinculados de modo que una determinada combinación lineal de ambas sea estacionaria.

Se dice entonces que ambas series están cointegradas.

Una imagen útil es la de dos excursionistas que caminan por un sendero irregular de montaña unidos por una cuerda. Ninguno permanece en una posición fija; ambos pueden alejarse mucho del lugar donde comenzaron. Pero no pueden separarse arbitrariamente uno del otro. Sus coordenadas individuales son no estacionarias, mientras que la distancia impuesta por la cuerda permanece restringida.

Esta distinción rescata del problema de la regresión espuria una importante clase de relaciones económicas de largo plazo. Una regresión en niveles entre variables no estacionarias puede tener sentido si esas variables comparten una auténtica relación de cointegración.

El artículo pasa entonces de preguntar por las variables individualmente a preguntar por su estructura estocástica conjunta.

17. Engle–Granger: observar qué queda después de la relación de largo plazo

La primera vía explorada es la lógica de Engle–Granger. Se estima una relación candidata de largo plazo y se obtienen sus residuos:

La intuición es poderosa. Si el dinero, el PIB y el oro simplemente comparten tendencias no relacionadas, el error de su regresión puede deambular indefinidamente. Si, por el contrario, su combinación representa una relación estable de largo plazo, las desviaciones respecto de esa relación no deberían alejarse ilimitadamente.

El artículo reporta un resultado incómodo. Algunas de las series individuales no satisfacen de la misma manera las condiciones relativas a las raíces unitarias, y la evidencia basada en los residuos no produce la configuración completamente limpia que buscaba el autor. Un valor p reportado de aproximadamente 0.099 forma parte de este panorama inconcluso al nivel de significación del 5 por ciento.

En lugar de tratar esta ambigüedad como el final del ejercicio, el artículo pasa a un método multivariado: el enfoque de Johansen.

18. Johansen: dejar de examinar una ecuación a la vez

Engle–Granger está construido naturalmente alrededor de una única relación cointegrante candidata. El método de Johansen aborda el problema como un sistema. En lugar de escoger una variable como única variable dependiente y relegar las demás al lado derecho de la ecuación, las variables se integran dentro de una estructura vectorial autorregresiva.

El artículo aplica el procedimiento de Johansen a un sistema de cuatro variables que contiene la cantidad de dinero, el PIB corriente, el término adicional relacionado con el PIB y el oro.

El objeto central puede representarse mediante una forma vectorial de corrección de errores:

El rango de la matriz Π contiene la información esencial.

Johansen proporciona dos estrategias de contraste conocidas: el estadístico de la traza y el estadístico del máximo valor propio. Abordan de manera ligeramente diferente la cuestión del rango, pero ambos preguntan cuántas relaciones independientes de largo plazo están respaldadas por el sistema.

Para el argumento del artículo, la hipótesis nula más importante es

El artículo examina más de una especificación determinista

Los resultados de Johansen se reportan bajo supuestos alternativos respecto de los componentes deterministas: un sistema tratado esencialmente como un paseo aleatorio puro, otro que incorpora deriva y otro que permite deriva junto con una tendencia determinista.

En todos estos casos, el artículo destaca el mismo hallazgo: se rechaza la hipótesis nula de cero relaciones cointegrantes.

El resultado mostrado para el primer caso es especialmente contundente: el estadístico de la traza para r = 0 se reporta con un valor p prácticamente igual a cero. Las otras especificaciones deterministas también rechazan la hipótesis de rango cero.

El artículo interpreta, por tanto, los resultados de Johansen como evidencia de que el fuerte movimiento conjunto observado en la regresión no es simplemente una correlación accidental entre series tendenciales no relacionadas.

19. Entonces, ¿era espuria la regresión original?

La respuesta final del artículo a esta pregunta concreta es no.

Esta respuesta no se obtiene a partir del R² original, de la significación de los coeficientes del PIB y del oro ni de la estrecha correspondencia visual entre el dinero predicho y el observado. Todo eso ya estaba disponible al comienzo de la investigación.

La conclusión aparece únicamente después de una cadena mucho más larga:

Según la interpretación que hace el artículo de la evidencia de Johansen, rechazar r = 0 significa que existe al menos una relación de largo plazo dentro del sistema. Esto elimina el temor específico de que el elevado ajuste original no sea más que la clásica regresión absurda creada por tendencias estocásticas no relacionadas.

Pero —y esto es esencial— «no espuria» no significa «correctamente especificada».

Las dos preguntas son lógicamente distintas.

En este punto la investigación se vuelve mucho más interesante que un ejercicio estándar sobre «coeficientes significativos». Las variables monetarias pueden poseer una verdadera relación estadística de largo plazo y, al mismo tiempo, la ecuación lineal concreta elegida inicialmente para representar esa relación puede permanecer incompleta.

Una relación teóricamente significativa puede ser real y, sin embargo, no lineal. Puede ser real y, sin embargo, dinámica. Puede ser real y, sin embargo, requerir varias ecuaciones en lugar de una sola. Puede superar la prueba de espuriedad y aun así fracasar en una prueba de especificación.

Esta distinción prepara la pregunta final del artículo y de esta lectura guiada:

Aquí comienza la etapa final.

20. Después de todas esas pruebas, ¿qué ha sobrevivido realmente?

Ahora podemos regresar a la engañosamente sencilla regresión con la que comenzó la investigación. El dinero en circulación fue modelado como una función del PIB nominal y del precio internacional del oro. Los mínimos cuadrados ordinarios produjeron un R² extraordinariamente alto, coeficientes altamente significativos y valores ajustados que visualmente seguían muy de cerca la serie monetaria observada.

Si la investigación se hubiera detenido allí, la conclusión habría sido sencilla: el modelo se ajusta extraordinariamente bien.

Pero no se detuvo allí.

Los diagnósticos de residuos plantearon preguntas acerca de la dependencia serial. Las pruebas RESET mostraron que podía importar información no lineal. CUSUM y CUSUM de cuadrados no contaron exactamente la misma historia acerca de la estabilidad de los parámetros. Una modificación relacionada con el término del PIB cambió algunos resultados diagnósticos al mismo tiempo que generó nuevas preguntas. Las pruebas de raíces unitarias revelaron posteriormente un peligro más profundo: las propias variables contenían suficiente comportamiento no estacionario como para hacer potencialmente engañosa una regresión convencional en niveles.

Finalmente, el análisis de cointegración proporcionó al artículo una salida frente al problema de la regresión espuria. Las pruebas de Johansen rechazaron la hipótesis de cero relaciones cointegrantes bajo las especificaciones deterministas examinadas. El autor concluye, por tanto, que la regresión no es simplemente el producto artificial de series de tiempo tendenciales no relacionadas.

Esta combinación no constituye una contradicción. Podría decirse que es la lección sustantiva más importante de todo el ejercicio.

21. Una relación puede sobrevivir incluso cuando un modelo no lo hace

Es útil separar tres proposiciones que fácilmente pueden confundirse como si fueran una sola.

Esta distinción es fundamental en econometría aplicada. La crítica empírica de una ecuación concreta no necesariamente refuta la relación subyacente que motivó esa ecuación. A la inversa, la evidencia de que existe una relación no confiere inmunidad a la ecuación elegida para describirla.

Esta es la razón por la que el énfasis metodológico del artículo en el contraste de hipótesis resulta tan importante. Las pruebas separan progresivamente preguntas que la salida de una única regresión tiende a confundir.

22. Lo que el estudio no establece

La forma más segura de comprender su contribución consiste también en especificar sus límites.

En primer lugar, el artículo no descubre una ecuación dinámica definitiva y únicamente correcta para el proceso monetario estadounidense. La variable adicional relacionada con el PIB se presenta explícitamente como una modificación motivada empíricamente y no como consecuencia de una derivación teórica completa. El autor también reconoce que el análisis no determina exhaustivamente la estructura óptima de rezagos mediante simulación ni compara sistemáticamente todas las alternativas dinámicas posibles.

En segundo lugar, la existencia de cointegración no resuelve por sí misma todas las cuestiones económicas sustantivas. Indica que las variables poseen una estructura estadística de largo plazo que restringe su evolución conjunta. El significado económico y la dirección atribuidos a esa estructura provienen del marco teórico dentro del cual se construyó la regresión.

El propio artículo establece precisamente esta distinción metodológica más amplia en una parte anterior del análisis: los modelos de regresión representan relaciones entre variables, mientras que el significado y la dirección de esas relaciones deben interpretarse mediante el marco teórico pertinente.

En tercer lugar, la muestra empírica es pequeña. El período principal contiene únicamente veintidós observaciones anuales, desde 1990 hasta 2011. Esto importa especialmente una vez que entran en el análisis regresores adicionales, estructuras de rezagos, términos no lineales y procedimientos multivariados de series de tiempo. Cada parámetro adicional consume información escasa.

Por tanto, el estudio debe leerse como una investigación econométrica acerca de la especificación y el diagnóstico, y no como el modelo definitivo posible de la estructura monetaria de Estados Unidos.

23. Por qué 2009–2011 terminaron siendo importantes

Uno de los ejercicios empíricos más interesantes del artículo es la comparación entre especificaciones que contienen los primeros años posteriores a la crisis de 2008 y versiones que terminan en 2008.

Una expectativa ingenua podría ser que añadir tres años extraordinariamente turbulentos simplemente empeoraría la regresión. Pero los diagnósticos no producen un resultado tan sencillo.

Por ejemplo, el artículo reporta un estadístico Durbin–Watson de aproximadamente 0.91 para 1990–2011 frente a aproximadamente 0.51 para 1990–2008. Ninguno de los dos valores es particularmente tranquilizador por sí solo, pero la muestra más larga se acerca más al valor convencional de referencia situado alrededor de dos.

La comparación de CUSUM también es notable. El artículo identifica cinco observaciones asociadas con inestabilidad en la versión de 1990–2011, frente a diez en el ejercicio más corto de 1990–2008, mientras que CUSUM de cuadrados indica estabilidad en ambos casos.

Y después de la modificación provisional relacionada con el PIB, el período más largo vuelve a comportarse mejor en algunos diagnósticos de autocorrelación: el artículo reporta que la autocorrelación de órdenes superiores desaparece antes en la muestra 1990–2011 que en la muestra acortada.

Esto refuerza la orientación histórica del artículo. Una crisis no es simplemente un valor atípico incómodo situado fuera del sistema. Para un análisis económico, las observaciones de crisis pueden formar parte del fenómeno que se pretende comprender.

24. Por qué el siguiente paso natural es un sistema y no otra ecuación aislada

Al final de la investigación, varias pistas apuntan en una misma dirección.

Las variables poseen una persistencia temporal considerable. Aparece autocorrelación residual en especificaciones importantes. La no linealidad sigue siendo una preocupación. Se plantea la posibilidad de interacción endógena. La cointegración indica que las variables pueden estar vinculadas a largo plazo. Y el propio marco de Johansen las trata naturalmente como integrantes de un sistema dinámico multivariado.

Por ese motivo, el artículo apunta hacia la familia VAR y enfoques relacionados —VAR, VAR estructural, near-VAR y modelos vectoriales de corrección de errores— como candidatos naturales para investigaciones posteriores.

Esto resulta particularmente relevante porque el marco teórico original concierne a un proceso social cuyas variables no tienen por qué ser independientes en ningún sentido contemporáneo sencillo. Dinero, producción, precios, condiciones financieras e instituciones monetarias evolucionan conjuntamente a través del tiempo.

Si las variables están cointegradas, un modelo vectorial de corrección de errores se vuelve especialmente natural porque puede combinar cambios de corto plazo con la relación de largo plazo identificada mediante la cointegración.

Esto importa porque la prudencia intelectual forma parte de una buena construcción de modelos. Descubrir que el modelo actual está incompleto no implica haber descubierto ya cuál debe ser su sucesor.

25. El verdadero protagonista del artículo no es el dinero: es el contraste de hipótesis

A primera vista, un lector podría clasificar razonablemente el estudio como un artículo acerca del dinero, el PIB nominal, el oro y Estados Unidos entre 1990 y 2011. Esas variables proporcionan el material empírico, y el marco económico determina qué pretende significar la regresión.

Pero, estructuralmente, el estudio trata de algo más amplio: cómo se critica un modelo econométrico.

La secuencia importa.

Visto de esta manera, el contraste de hipótesis no constituye una etapa burocrática final añadida a un modelo que ya se encuentra terminado. Es uno de los mecanismos mediante los cuales evoluciona el propio modelo.

Una hipótesis nula establece un punto de referencia provisional. Los datos se utilizan para confrontar ese punto de referencia. El rechazo —o la ausencia de rechazo— modifica las preguntas que tiene sentido formular a continuación. Se examina entonces otra especificación. Nuevos supuestos se vuelven contrastables. Aparecen nuevas debilidades.

El procedimiento es, por tanto, iterativo y no ceremonial.

Esta es también la razón por la cual diagnósticos aparentemente contradictorios no tienen por qué resultar embarazosos. White puede no detectar heterocedasticidad mientras Breusch–Godfrey detecta autocorrelación. CUSUM puede señalar inestabilidad mientras CUSUM de cuadrados permanece dentro de sus límites. Una modificación puede mejorar un diagnóstico y empeorar otro. La evidencia de raíces unitarias puede amenazar inicialmente una regresión en niveles mientras que la cointegración proporciona posteriormente evidencia de que la relación de largo plazo no es espuria.

Eso no es caos estadístico. Es lo que ocurre cuando distintas pruebas están dirigidas hacia diferentes propiedades de un objeto complicado.

26. Qué deberían extraer los lectores no especializados

Para un lector sin formación econométrica formal, la lección más profunda puede expresarse prácticamente sin matemáticas.

Supongamos que alguien presenta una regresión afirmando que la variable X explica la variable Y. El gráfico parece excelente. El R² es 0.98. Los coeficientes tienen varias estrellas a su lado.

Ninguno de esos hechos carece de significado. Pero ninguno completa el argumento.

Todavía querríamos saber si los errores contienen patrones, si la relación cambia a través del tiempo, si la supuesta línea recta está ocultando curvatura, si las variables simplemente presentan una tendencia conjunta y si la relación aparente sobrevive a métodos diseñados específicamente para series de tiempo no estacionarias.

Este artículo constituye, en efecto, una demostración extensa de ese principio.

Sólo después de considerar estos tres niveles se vuelve sustancialmente más claro el significado de una regresión impresionante.

27. Qué deberían extraer los economistas y econometristas

Para un lector técnico, el artículo resulta especialmente interesante si se entiende como un ejemplo desarrollado de incertidumbre sobre la especificación.

La progresión desde una ecuación MCO estática hacia cuestiones de estructura de rezagos, correlación serial, varianza condicional, forma funcional, estabilidad estructural, integración y cointegración ilustra un hecho importante acerca del trabajo empírico: la elección del modelo rara vez puede separarse de la crítica del modelo.

El artículo no proporciona la última palabra acerca de ese proceso. De hecho, su propio punto final deja claro que se requiere más trabajo de especificación.

Ese carácter incompleto no es incidental al argumento. Forma parte del argumento.

Esto explica también por qué ningún criterio de información individual, estadístico de bondad de ajuste, prueba de residuos o estadístico de cointegración puede sustituir todo el proceso de modelización. Cada uno opera dentro de una pregunta definida. La adecuación del modelo surge de la arquitectura formada por el conjunto de esas preguntas.

28. La lección epistemológica más amplia

Hay una idea más general que recorre, por debajo, toda la econometría.

Un modelo estadístico es una abstracción. Su utilidad depende de aquello que conserva del proceso que representa y de aquello que deja fuera. Por tanto, el residuo no es simplemente basura matemática producida después de la estimación. Es la huella cuantitativa de todo aquello que la ecuación ajustada no logró capturar.

A veces ese remanente se comporta aproximadamente como ruido. A veces recuerda el pasado. A veces su varianza se agrupa. A veces revela una estructura no lineal. A veces toda la relación aparente es generada por tendencias estocásticas comunes. Y a veces variables que vagan individualmente revelan, sin embargo, una conexión estable de largo plazo cuando se estudian conjuntamente.

Las pruebas de hipótesis proporcionan al investigador formas sistemáticas de distinguir entre esas posibilidades.

Ese cambio de pregunta modifica el papel de la estadística. En lugar de utilizarse únicamente para confirmar una ecuación, la inferencia estadística se convierte en un método para intentar falsar representaciones inadecuadas y obligar al investigador a avanzar hacia otras mejores.

Por tanto, el modelo resultante puede volverse más complicado a medida que avanza la investigación. Pero esa complejidad no constituye necesariamente un defecto. Si el proceso mismo es dinámico, históricamente dependiente, no lineal y determinado conjuntamente, una ecuación más sencilla solo puede alcanzar elegancia omitiendo parte de aquello que necesita ser explicado.

29. Evaluación final: un ajuste excelente, una relación real, un modelo inacabado

Ahora podemos describir el recorrido del artículo en tres frases.

El último punto es crucial porque en el trabajo empírico existe con frecuencia la tentación de buscar una especificación que finalmente produzca estadísticas tranquilizadoras. Esta investigación apunta en otra dirección. Cada resultado aparentemente satisfactorio puede generar otra pregunta legítima.

Un R² alto conduce al análisis de residuos. La dependencia residual conduce a una modificación dinámica. La modificación conduce a otra prueba de especificación. Las variables con tendencia conducen al análisis de raíces unitarias. Las raíces unitarias conducen a la posibilidad de una regresión espuria. Esa posibilidad conduce a la cointegración. La cointegración, finalmente, salva la existencia de una relación de largo plazo sin salvar a la ecuación original de nuevas críticas.

Por tanto, el artículo termina en un lugar intelectualmente más interesante que «el modelo funciona» o «el modelo falla».

Y precisamente por eso importa el contraste de hipótesis.

Su función más profunda no consiste en decorar una tabla de regresión con asteriscos. Consiste en organizar la duda: convertir las sospechas acerca de un modelo en preguntas que puedan confrontarse con los datos, revelar qué supuestos siguen siendo defendibles e indicar dónde debe comenzar la siguiente ronda de modelización.

En el estudio examinado aquí, ese proceso comienza con tres variables —dinero, PIB nominal y oro— y termina con una lección mucho más amplia. La buena econometría no es el arte de encontrar una ecuación que parezca convincente. Es la disciplina de descubrir hasta qué punto puede confiarse en una ecuación antes de que la evidencia nos obligue a construir una mejor.

20. Después de todas esas pruebas, ¿qué ha sobrevivido realmente?

Ahora podemos volver a la engañosamente sencilla regresión con la que comenzó la investigación. La cantidad de dinero en circulación se modeló como una función del PIB nominal y del precio internacional del oro. Los mínimos cuadrados ordinarios produjeron un R² extraordinariamente alto, coeficientes altamente significativos y valores ajustados que, visualmente, seguían muy de cerca la serie monetaria observada.

Si la investigación se hubiera detenido allí, la conclusión habría sido sencilla: el modelo se ajusta notablemente bien.

Pero no se detuvo allí.

Los diagnósticos de los residuos plantearon interrogantes sobre la dependencia serial. Las pruebas RESET mostraron que la información no lineal podía ser relevante. CUSUM y CUSUM de cuadrados no contaron exactamente la misma historia sobre la estabilidad de los parámetros. Una modificación que involucraba el término relacionado con el PIB cambió algunos resultados diagnósticos al tiempo que generó nuevas preguntas. Las pruebas de raíz unitaria revelaron entonces un peligro más profundo: las propias variables contenían suficiente comportamiento no estacionario como para que una regresión convencional en niveles pudiera resultar engañosa.

Finalmente, el análisis de cointegración proporcionó al artículo una salida al problema de la regresión espuria. Las pruebas de Johansen rechazaron la hipótesis de cero relaciones de cointegración bajo las especificaciones determinísticas examinadas. Por tanto, el autor concluye que la regresión no es simplemente el producto artificial de series temporales no relacionadas que presentan tendencias.

Esta combinación no es una contradicción. Podría decirse que es la lección sustantiva más importante de todo el ejercicio.

21. Una relación puede sobrevivir incluso cuando un modelo no lo hace

Resulta útil separar tres proposiciones que fácilmente pueden confundirse en una sola.

Esta distinción es fundamental en econometría aplicada. La crítica empírica de una ecuación particular no necesariamente refuta la relación subyacente que la motivó. A la inversa, la evidencia de que existe una relación no vuelve inmune a la ecuación elegida para describirla.

Por eso es tan importante el énfasis metodológico del artículo en el contraste de hipótesis. Las pruebas separan progresivamente preguntas que el resultado de una sola regresión tiende a mezclar.

22. Lo que el estudio no establece

La manera más segura de comprender la contribución consiste también en precisar sus límites.

En primer lugar, el artículo no descubre una ecuación dinámica final y unívocamente correcta para el proceso monetario de Estados Unidos. La variable adicional relacionada con el PIB se presenta explícitamente como una modificación motivada empíricamente y no como la consecuencia de una derivación teórica completada. El autor reconoce además que el análisis no determina exhaustivamente mediante simulación la estructura óptima de rezagos ni compara sistemáticamente todas las alternativas dinámicas posibles.

En segundo lugar, la existencia de cointegración no resuelve por sí sola todas las cuestiones económicas sustantivas. Indica que las variables poseen una estructura estadística de largo plazo que restringe su evolución conjunta. El significado económico y la dirección asignados a esa estructura provienen del marco teórico dentro del cual se construyó la regresión.

El propio artículo establece precisamente esta distinción metodológica más general anteriormente en el análisis: los modelos de regresión representan relaciones entre variables, mientras que el significado y la dirección de esas relaciones deben interpretarse mediante el marco teórico pertinente.

En tercer lugar, la muestra empírica es pequeña. El período principal contiene solamente veintidós observaciones anuales, de 1990 a 2011. Esto importa particularmente una vez que entran en el análisis regresores adicionales, estructuras de rezagos, términos no lineales y procedimientos multivariados de series temporales. Cada parámetro adicional consume información escasa.

Por tanto, el estudio debe entenderse como una investigación econométrica de la especificación y el diagnóstico, no como el modelo definitivo posible de la estructura monetaria de Estados Unidos.

23. Por qué 2009–2011 resultó ser importante

Uno de los ejercicios empíricos más interesantes del artículo es la comparación entre especificaciones que contienen los primeros años posteriores a la crisis de 2008 y versiones que terminan en 2008.

Una expectativa ingenua podría ser que añadir tres años extraordinariamente turbulentos simplemente empeoraría la regresión. Pero los diagnósticos no arrojan un resultado tan sencillo.

Por ejemplo, el artículo reporta un estadístico Durbin–Watson de aproximadamente 0.91 para 1990–2011, frente a aproximadamente 0.51 para 1990–2008. Ninguno de los dos valores resulta particularmente tranquilizador considerado aisladamente, pero la muestra más larga se acerca más al valor de referencia convencional próximo a dos.

La comparación mediante CUSUM también es notable. El artículo identifica cinco observaciones asociadas con inestabilidad en la versión de 1990–2011, frente a diez en el ejercicio más corto de 1990–2008, mientras que CUSUM de cuadrados indica estabilidad en ambos casos.

Y después de la modificación provisional relacionada con el PIB, el período más largo vuelve a ofrecer un mejor desempeño en algunos diagnósticos de autocorrelación: el artículo reporta la desaparición de la autocorrelación de órdenes superiores antes en la muestra de 1990–2011 que en la muestra acortada.

Esto refuerza la orientación histórica del artículo. Una crisis no es simplemente un valor atípico incómodo situado fuera del sistema. Para un análisis económico, las observaciones correspondientes a una crisis pueden formar parte del propio fenómeno que se intenta comprender.

24. Por qué el siguiente paso natural es un sistema y no otra ecuación aislada

Al final de la investigación, varias pistas apuntan en la misma dirección.

Las variables poseen una persistencia temporal considerable. La autocorrelación residual aparece en especificaciones importantes. La no linealidad continúa siendo una preocupación. Se plantea la posibilidad de interacción endógena. La cointegración indica que las variables pueden estar vinculadas entre sí a largo plazo. Y el propio marco de Johansen las trata de manera natural como miembros de un sistema dinámico multivariado.

Por esta razón, el artículo señala a la familia VAR y a enfoques relacionados —VAR, VAR estructural, near-VAR y modelos vectoriales de corrección del error— como candidatos naturales para investigaciones posteriores.

Esto resulta particularmente relevante porque el marco teórico original se refiere a un proceso social cuyas variables no tienen por qué ser independientes en ningún sentido contemporáneo sencillo. El dinero, la producción, los precios, las condiciones financieras y las instituciones monetarias evolucionan conjuntamente a través del tiempo.

Si las variables están cointegradas, un modelo vectorial de corrección del error resulta especialmente natural porque puede combinar los cambios de corto plazo con la relación de largo plazo identificada mediante la cointegración.

Esto importa porque la prudencia intelectual forma parte de una buena construcción de modelos. Descubrir que el modelo actual está incompleto no implica que ya se haya descubierto su sucesor.

25. El verdadero protagonista del artículo no es el dinero: es el contraste de hipótesis

A primera vista, un lector podría clasificar razonablemente el estudio como un artículo sobre el dinero, el PIB nominal, el oro y Estados Unidos entre 1990 y 2011. Esas variables proporcionan el material empírico, y el marco económico determina lo que se pretende que signifique la regresión.

Pero, estructuralmente, el estudio trata sobre algo más amplio: cómo se critica un modelo econométrico.

La secuencia importa.

Vista de esta manera, la prueba de hipótesis no es una etapa burocrática final añadida a un modelo que, por lo demás, ya estaría terminado. Es uno de los mecanismos mediante los cuales el modelo evoluciona.

Una hipótesis nula establece un punto de referencia provisional. Los datos se utilizan para confrontar ese punto de referencia. El rechazo —o la falta de rechazo— modifica cuáles son las preguntas razonables que deben formularse a continuación. Se examina entonces otra especificación. Nuevos supuestos se vuelven contrastables. Aparecen nuevas debilidades.

El procedimiento es, por tanto, iterativo y no ceremonial.

Por eso tampoco resulta embarazoso que algunos diagnósticos parezcan contradictorios. White puede no detectar heterocedasticidad mientras Breusch–Godfrey detecta autocorrelación. CUSUM puede señalar inestabilidad mientras CUSUM de cuadrados permanece dentro de sus límites. Una modificación puede mejorar un diagnóstico y empeorar otro. La evidencia de raíces unitarias puede amenazar inicialmente una regresión en niveles, mientras que posteriormente la cointegración proporciona evidencia de que la relación de largo plazo no es espuria.

Eso no es caos estadístico. Es lo que ocurre cuando diferentes pruebas están dirigidas a diferentes propiedades de un objeto complicado.

26. Lo que deberían llevarse los lectores no especialistas

Para un lector sin formación econométrica formal, la lección más profunda puede expresarse casi sin matemáticas.

Supongamos que alguien presenta una regresión afirmando que la variable X explica la variable Y. El gráfico luce excelente. El R² es 0.98. Los coeficientes tienen varias estrellas a su lado.

Ninguno de esos hechos carece de significado. Pero ninguno completa el argumento.

Aún querríamos saber si los errores contienen patrones, si la relación cambia con el tiempo, si la línea recta supuesta está ocultando curvatura, si las variables simplemente presentan tendencias conjuntas y si la relación aparente sobrevive a métodos diseñados específicamente para series temporales no estacionarias.

Este artículo es, en efecto, una demostración extensa de ese principio.

Solo después de considerar los tres niveles se vuelve sustancialmente más claro el significado de una regresión impresionante.

27. Lo que deberían llevarse los economistas y econometristas

Para un lector técnico, el artículo resulta más interesante cuando se entiende como un ejemplo desarrollado de incertidumbre sobre la especificación.

La progresión desde una ecuación MCO estática hacia preguntas sobre la estructura de rezagos, correlación serial, varianza condicional, forma funcional, estabilidad estructural, integración y cointegración ilustra un hecho importante del trabajo empírico: la elección del modelo rara vez puede separarse de la crítica del modelo.

El artículo no ofrece la última palabra sobre ese proceso. De hecho, su propio punto de llegada deja claro que se requiere más trabajo de especificación.

Ese carácter incompleto no es accidental en el argumento. Forma parte del argumento.

Esto también explica por qué ningún criterio de información, estadístico de bondad de ajuste, prueba de residuos o estadístico de cointegración aislado puede sustituir todo el proceso de modelización. Cada uno opera dentro de una pregunta definida. La adecuación del modelo surge de la arquitectura formada por el conjunto de esas preguntas.

28. La lección epistemológica más amplia

Debajo de la econometría discurre una idea más general.

Un modelo estadístico es una abstracción. Su utilidad depende de qué conserva del proceso que representa y qué deja fuera. Por tanto, el residuo no es simplemente basura matemática producida después de la estimación. Es la huella cuantitativa de todo aquello que la ecuación ajustada no logró capturar.

A veces ese remanente se comporta aproximadamente como ruido. A veces recuerda lo ocurrido ayer. A veces su varianza se agrupa. A veces revela una estructura no lineal. A veces toda la relación aparente es generada por tendencias estocásticas comunes. Y a veces variables que vagan individualmente revelan, sin embargo, una conexión estable de largo plazo cuando se estudian conjuntamente.

Las pruebas de hipótesis proporcionan al investigador formas sistemáticas de distinguir entre esas posibilidades.

Ese cambio de pregunta modifica el papel de la estadística. En lugar de utilizarse únicamente para confirmar una ecuación, la inferencia estadística se convierte en un método para intentar falsar representaciones inadecuadas y obligar al investigador a avanzar hacia otras mejores.

Por tanto, el modelo resultante puede volverse más complicado a medida que avanza la investigación. Pero esa complejidad no constituye necesariamente un defecto. Si el proceso mismo es dinámico, históricamente dependiente, no lineal y determinado conjuntamente, una ecuación más sencilla solo puede alcanzar elegancia omitiendo parte de aquello que necesita ser explicado.

29. Evaluación final: un ajuste excelente, una relación real, un modelo inacabado

Ahora podemos describir el recorrido del artículo en tres frases.

El último punto es crucial porque en el trabajo empírico existe con frecuencia la tentación de buscar una especificación que finalmente produzca estadísticas tranquilizadoras. Esta investigación apunta en otra dirección. Cada resultado aparentemente satisfactorio puede generar otra pregunta legítima.

Un R² alto conduce al análisis de residuos. La dependencia residual conduce a una modificación dinámica. La modificación conduce a otra prueba de especificación. Las variables con tendencia conducen al análisis de raíces unitarias. Las raíces unitarias conducen a la posibilidad de una regresión espuria. Esa posibilidad conduce a la cointegración. La cointegración, finalmente, salva la existencia de una relación de largo plazo sin salvar a la ecuación original de nuevas críticas.

Por tanto, el artículo termina en un lugar intelectualmente más interesante que «el modelo funciona» o «el modelo falla».

Y precisamente por eso importa el contraste de hipótesis.

Su función más profunda no consiste en decorar una tabla de regresión con asteriscos. Consiste en organizar la duda: convertir las sospechas acerca de un modelo en preguntas que puedan confrontarse con los datos, revelar qué supuestos siguen siendo defendibles e indicar dónde debe comenzar la siguiente ronda de modelización.

En el estudio examinado aquí, ese proceso comienza con tres variables —dinero, PIB nominal y oro— y termina con una lección mucho más amplia. La buena econometría no es el arte de encontrar una ecuación que parezca convincente. Es la disciplina de descubrir hasta qué punto puede confiarse en una ecuación antes de que la evidencia nos obligue a construir una mejor.