Puedes encontrar esta librería en CRAN y descargarla directamente desde R y RStudio.
ESCUCHA ESTE POST COMO PODCAST
Cuando los precios gravitan: una mirada bayesiana a una vieja pregunta económica
Cómo bayesianOU convierte la idea de un “centro de gravedad” de los precios en un modelo estadístico de reversión, incertidumbre, heterogeneidad sectorial y escalas temporales medibles.
Hay una pregunta que atraviesa la economía política clásica: los precios que observamos todos los días —ruidosos, cambiantes, sometidos a shocks—, ¿fluctúan alrededor de algún centro más estable?
Smith y Ricardo, y posteriormente Marx dentro de su propia arquitectura teórica, trabajaron con la idea de que detrás del movimiento inmediato de los precios existen centros de gravitación de más largo plazo.
En la formulación marxiana considerada por bayesianOU, la estructura puede tener dos niveles: los precios de mercado fluctúan alrededor de precios de producción y, a su vez, puede investigarse empíricamente si esos precios de producción muestran gravitación respecto de valores basados en trabajo.
Pero una metáfora de “gravitación” no constituye por sí sola evidencia. Para hacerla científicamente útil necesitamos convertirla en cantidades observables: qué tan fuerte es la reversión, cuál es el centro, cuánto tarda una desviación en disiparse y cuánta incertidumbre existe sobre todo ello.
No basta con preguntar si una serie “parece volver”. Necesitamos saber si podemos representarla mediante un proceso ruidoso pero anclado y, si es así, estimar la escala temporal sobre la que opera ese retorno.
El puente entre la física y la economía: Ornstein–Uhlenbeck
El núcleo matemático del paquete proviene de un objeto clásico de la física estocástica: el proceso de Ornstein–Uhlenbeck.
Su intuición puede visualizarse como una partícula sometida a dos fuerzas. Una componente aleatoria la empuja constantemente en direcciones impredecibles; al mismo tiempo, una fuerza restauradora la atrae hacia un punto de equilibrio.
En su forma básica:
donde:
- \(\mu\) es el nivel de equilibrio;
- \(\kappa\) es la velocidad de reversión;
- \(\sigma\) mide la intensidad del ruido;
- \(dW_t\) representa el componente browniano aleatorio.
Si \(X_t\) está por encima de \(\mu\), el término \(\kappa(\mu-X_t)\) lo empuja hacia abajo. Si está por debajo, lo empuja hacia arriba.
Cuanto más lejos se encuentre del centro, mayor es la fuerza restauradora en el OU lineal convencional.
La cantidad más intuitiva no es \(\kappa\): es la vida media
La velocidad de reversión puede traducirse en una cantidad mucho más interpretable: la half-life o vida media de una desviación.
Éste es el tiempo necesario para que, en términos del proceso, aproximadamente la mitad de una desviación respecto del equilibrio desaparezca.
Así podemos reemplazar una afirmación vaga como “los precios tienden a volver” por una afirmación cuantitativa: la escala de reequilibrio estimada es de tantos años.
Una reversión con vida media de meses describe un mecanismo muy distinto de una reversión cuya vida media es comparable a una década. Ambas son técnicamente reversión, pero su significado económico es completamente diferente.
Un OU económico necesita ser más flexible que el modelo de manual
bayesianOU no se limita a insertar precios dentro de la ecuación básica de Ornstein–Uhlenbeck. Su modelo principal introduce varias extensiones para representar mejor datos económicos reales.
Una corrección cúbica permite que la fuerza de restauración cambie cuando la desviación respecto del equilibrio se vuelve grande. El mercado puede reaccionar suavemente cerca del centro y con más intensidad en los extremos.
La intensidad del ruido no se supone constante. La volatilidad posee su propia dinámica temporal, permitiendo distinguir períodos tranquilos y turbulentos.
Las colas pesadas permiten acomodar shocks extremos que una distribución normal consideraría extraordinariamente improbables.
Los sectores poseen parámetros propios, pero comparten información mediante distribuciones comunes. No se los trata ni como idénticos ni como universos completamente independientes.
La intensidad con la que el precio de mercado sigue al precio de producción puede depender de la tasa general de ganancia, denominada TMG en el paquete.
Los parámetros no se estiman como una colección de regresiones desconectadas. La arquitectura se estima conjuntamente dentro de una posterior bayesiana.
Por qué una corrección cúbica puede importar
El OU convencional supone que la fuerza restauradora crece linealmente con la distancia al equilibrio.
Pero un mercado podría comportarse de otra manera.
Pequeñas desviaciones pueden persistir porque los costos de arbitraje, la información imperfecta o las fricciones vuelven innecesario corregirlas inmediatamente. Las desviaciones extremas, en cambio, pueden provocar respuestas mucho más intensas.
Una representación esquemática sería:
El término cúbico permite que la dinámica se aparte de la proporcionalidad estrictamente lineal.
Importa señalar, sin embargo, que la propia documentación describe esa no linealidad como una refinación menor en los datos analizados: su coeficiente permanece relativamente cerca de su prior.
Los sectores no son clones
Agricultura, manufactura, transporte o servicios pueden tener velocidades de ajuste, volatilidades y niveles de equilibrio diferentes.
Estimar cada sector completamente por separado desperdiciaría la información compartida. Imponer un único parámetro a todos ellos borraría la heterogeneidad.
El modelo jerárquico ocupa el espacio intermedio:
donde cada sector \(i\) conserva su propia velocidad de reversión, mientras los parámetros poblacionales \(\eta\) permiten partial pooling.
Los sectores con menos información pueden aprender parcialmente del conjunto sin ser obligados a reproducir exactamente el comportamiento medio.
El segundo modelo: una cascada de gravitación
La arquitectura anidada es conceptualmente más ambiciosa.
El precio de mercado no revierte hacia una constante. Revierte hacia un precio de producción latente que también cambia con el tiempo.
Ese segundo nivel puede, a su vez, modelarse como un proceso de reversión respecto de un índice observado de valor.
Cada flecha posee su propia velocidad. El modelo introduce una separación de escalas donde la capa de mercado puede ajustarse más rápidamente que la capa subyacente de producción, mediante una restricción suave que deja margen para que los datos contradigan la expectativa.
El resultado empírico más llamativo: el acoplamiento con valor
La documentación reporta una estimación sobre 37 sectores de Estados Unidos entre 1960 y 2020.
En ese ajuste, el coeficiente que conecta el precio de producción latente con el índice de valor aparece aproximadamente igual a uno en unidades estandarizadas, con probabilidad posterior de ser positivo esencialmente igual a uno.
Esto es importante por una razón metodológica: el prior de ese acoplamiento estaba centrado en cero.
Es decir, el modelo no incorporó como supuesto previo que el acoplamiento tuviera que ser positivo.
Este resultado es una estimación dentro de un conjunto de datos, parametrización y construcción de variables específicos. No constituye por sí solo una demostración general de la teoría del valor. Además, la propia documentación discute el componente costo-precio compartido entre las variables y propone un análisis de “wedge” para examinar esa objeción.
Stan, HMC y por qué la inferencia importa tanto como la ecuación
La complejidad del modelo hace imposible obtener una posterior completa mediante álgebra cerrada.
bayesianOU utiliza Hamiltonian Monte Carlo mediante Stan y su algoritmo NUTS.
HMC transforma conceptualmente la distribución posterior en una superficie de energía y utiliza una dinámica inspirada en la mecánica hamiltoniana para explorarla de manera más eficiente que un random walk Monte Carlo convencional.
La implementación utiliza además paralelismo dentro de las cadenas mediante
reduce_sum, algo especialmente útil cuando la likelihood debe
acumular información sobre numerosos sectores y períodos.
El paquete expone diagnósticos mediante
validate_ou_fit(), incluyendo:
- \(\hat R\);
- effective sample size;
- transiciones divergentes;
- y otros diagnósticos habituales del ecosistema Stan.
Dos tipos de convergencia que no deben confundirse
La palabra “convergencia” aparece dos veces en este tipo de análisis, pero significa cosas completamente diferentes.
Pregunta si el precio revierte hacia algún centro y a qué velocidad. Se estudia mediante cantidades como \(\kappa\) y la half-life.
Pregunta si las cadenas MCMC exploraron correctamente la posterior. Se examina mediante \(\hat R\), ESS, divergencias y otros diagnósticos.
Una cadena MCMC puede converger perfectamente aunque la evidencia económica indique una reversión extremadamente lenta.
Y al contrario: una interpretación económica plausible no vale nada si el sampler no exploró adecuadamente la posterior.
Comparación de modelos: PSIS-LOO, pero con una advertencia
El paquete utiliza PSIS-LOO para comparación de modelos.
Este procedimiento aproxima leave-one-out cross-validation mediante importance sampling sobre los draws posteriores, evitando tener que reestimar el modelo completo una vez por observación.
Sin embargo, la documentación advierte que la presencia de un estado de volatilidad latente para cada observación puede volver optimista al LOO convencional.
Esa advertencia es importante porque evita tratar una métrica de comparación como si estuviera libre de los supuestos del propio modelo.
La validación fuera de muestra produce resultados incómodos
La parte más interesante de la documentación aparece cuando el modelo se enfrenta a datos realmente reservados.
La evaluación utiliza como período de prueba 2011–2020.
Y los resultados reportados no favorecen de manera automática al modelo OU:
- un random walk obtiene mejor desempeño de forecasting;
- una restricción sin gravitación empata o supera al modelo;
- el término de valor no agrega densidad predictiva detectable en esa prueba.
En lugar de ocultar esos resultados, el paquete los pone en el centro de la discusión.
¿Significa eso que la gravitación fue refutada?
No necesariamente, porque estimación estructural y forecasting responden preguntas diferentes.
Imaginemos una vida media cercana a nueve años.
En horizontes de uno o pocos años, el efecto restaurador será relativamente pequeño. Localmente, un proceso OU con \(\kappa\) bajo puede parecerse mucho a un random walk.
Por tanto, que un random walk produzca mejores pronósticos de corto plazo no demuestra automáticamente que \(\kappa=0\).
Estructural: ¿existe un mecanismo de reversión y cuál es
su escala temporal?
Predictiva: ¿qué modelo pronostica mejor el siguiente
período?
Para procesos de reversión muy lenta, ambas preguntas pueden producir
respuestas diferentes sin contradicción lógica.
Los controles negativos: ¿el modelo inventa gravitación?
Una explicación de este tipo sólo resulta convincente si demostramos que el procedimiento no encuentra reversión inevitablemente.
La documentación reporta controles negativos y simulaciones adversariales.
Cuando el modelo recibe una verdadera caminata aleatoria, no devuelve artificialmente una reversión rápida: reporta una half-life de aproximadamente 50 años.
Cuando se simula un acoplamiento nulo con valor, la posterior incluye correctamente cero.
Es decir, el pipeline tiene capacidad para responder “no veo una gravitación informativa” cuando el proceso generador realmente carece de ella.
La trampa de \(\kappa\) bajo
El paquete denomina low-\(\kappa\) trap a una dificultad fundamental de cualquier estudio de reversión lenta.
Cuando \(\kappa\rightarrow0\), el proceso OU se aproxima continuamente a una caminata aleatoria.
No existe una frontera interna clara entre reversión muy lenta y ausencia de reversión. En tiempo discreto, \(\kappa\to0\) corresponde a persistencia cercana a uno.
La potencia de los tests de raíz unitaria se deteriora precisamente cerca de esa frontera, especialmente con muestras finitas.
Si el modelo restringe \(\kappa>0\), preguntar por \(P(\kappa>0)\) es trivial. La información real está en la distribución de la half-life y en su cola.
Entonces, ¿qué hay que mirar?
No simplemente si \(\kappa\) es positivo.
Hay que observar la distribución de:
y preguntar qué probabilidad posterior existe de que la vida media exceda horizontes económicamente relevantes.
La documentación señala incluso que al menos un sector conserva una probabilidad posterior no trivial de tener una half-life superior a 40 años.
Esa cola no se elimina para producir un titular más limpio. Se reporta precisamente porque forma parte de lo que la muestra permite afirmar.
Por qué el panel jerárquico puede ayudar
Un test univariado observa una sola serie. El modelo jerárquico dispone de información conjunta procedente de múltiples sectores y períodos.
En el caso documentado, la inferencia estructural utiliza 37 sectores y 61 años.
El pooling permite que la evidencia acerca de las propiedades comunes de la reversión se comparta parcialmente entre sectores.
Esto no elimina el problema de identificación cerca de la raíz unitaria, pero puede proporcionar más información que evaluar cada trayectoria completamente aislada.
Buenas prácticas incorporadas al diseño
Tanto el acoplamiento con la tasa de ganancia como el acoplamiento con valor poseen priors centradas en cero.
fit_window permite mantener separados los diseños
estructural y predictivo, evitando filtración de información futura.
Los factores comunes utilizados en la evaluación fuera de muestra no incorporan accidentalmente información del período de prueba.
La documentación no elimina el hecho de que el random walk vence al OU en forecasting durante la evaluación descrita.
Los puntos débiles también están documentados
La estimación de una half-life cercana a nueve años no debe leerse como una constante exacta.
La propia documentación señala que el proceso previo de desagregación puede sesgar conservadoramente la velocidad hacia valores más lentos, de modo que la cifra real podría encontrarse más cerca de siete u ocho años dentro del ejercicio de validación descrito.
También se reconocen otras limitaciones:
- la no linealidad cúbica aporta relativamente poco en estos datos;
- los grados de libertad Student-t y la escala de volatilidad estocástica pueden quedar débilmente identificados cuando ambos mecanismos están activos;
- el resultado de acoplamiento con valor utiliza niveles estandarizados con un componente costo-precio compartido;
- la defensa frente a esta última objeción depende de un análisis del “wedge” que un lector crítico debería examinar directamente.
Estos problemas no aparecen como excepciones escondidas al final. Forman parte explícita de la interpretación. Un modelo serio no sólo debe indicar dónde encuentra evidencia: también debe señalar dónde esa evidencia se vuelve frágil.
Más allá de la teoría marxiana
Las herramientas de bayesianOU son mucho más generales que su aplicación original.
El mismo problema aparece siempre que estudiamos una variable que puede presentar reversión lenta, ruidosa y posiblemente hacia un objetivo cambiante.
| Área | Problema análogo |
|---|---|
| Tipos de interés | Determinar si fluctúan alrededor de niveles de equilibrio persistentes pero móviles. |
| Tipos de cambio reales | Distinguir una raíz unitaria de una reversión extremadamente lenta. |
| Materias primas | Estudiar precios con shocks extremos, volatilidad variable y potenciales niveles fundamentales. |
| Clima y medio ambiente | Modelar variables que fluctúan alrededor de estados o tendencias dinámicas con memoria prolongada. |
| Concentraciones de contaminantes | Estimar cuánto tarda una perturbación en disiparse hacia un nivel de referencia. |
La cuestión de fondo
La idea de gravitación puede sonar inicialmente metafórica. El proceso Ornstein–Uhlenbeck permite convertirla en algo mucho más concreto.
Podemos estimar un centro. Podemos estimar una velocidad. Podemos traducir esa velocidad a una vida media. Podemos permitir que ese centro se mueva. Podemos permitir que diferentes sectores tengan dinámicas distintas. Podemos preguntar si otra variable modifica la fuerza restauradora.
Pero la parte más importante quizá aparezca cuando la reversión es muy lenta.
Cerca de \(\kappa=0\), las categorías simples empiezan a difuminarse. Una caminata aleatoria y un proceso que revierte a lo largo de décadas pueden ser extraordinariamente difíciles de distinguir con una muestra finita.
Ahí la responsabilidad del modelo no es producir certeza artificial, sino representar la cola de incertidumbre con claridad.
bayesianOU es desarrollado por José Mauricio Gómez Julián. El repositorio, la especificación matemática completa, los bloques de validación y las notas metodológicas están disponibles en GitHub.
Leave a Comment/Deja un Comentario