Paquetes

paquetes <- c("readxl", "dplyr", "urca", "forecast", "knitr")
faltan <- paquetes[!paquetes %in% rownames(installed.packages())]
if (length(faltan) > 0) install.packages(faltan)

library(readxl)
library(dplyr)
library(urca)
library(forecast)
library(knitr)

Carga y limpieza de la base

ruta <- "C:/Users/josec/OneDrive/Desktop/Documentos_Estudio/Econometria/Econometria 1 Taller2"

archivo <- list.files(ruta, pattern = "^TablaF5-1\\.xlsx?$", full.names = TRUE)
stopifnot("No se encontró el archivo TablaF5-1" = length(archivo) == 1)
archivo
## [1] "C:/Users/josec/OneDrive/Desktop/Documentos_Estudio/Econometria/Econometria 1 Taller2/TablaF5-1.xlsx"
excel_sheets(archivo)
## [1] "Hoja1" "Hoja2" "Hoja3"
crudo <- read_excel(archivo, sheet = 1, col_names = TRUE)

es_num <- !is.na(suppressWarnings(as.numeric(crudo[[1]])))
fin    <- which(!es_num)[1] - 1
if (is.na(fin)) fin <- nrow(crudo)

datos <- crudo[1:fin, ] |>
  select(where(~ !all(is.na(.x)))) |>
  mutate(across(everything(), as.numeric))

names(datos) <- tolower(trimws(names(datos)))

diccionario <- crudo[(fin + 1):nrow(crudo), ] |>
  filter(if_any(everything(), ~ !is.na(.x)))

str(datos)
## tibble [204 × 15] (S3: tbl_df/tbl/data.frame)
##  $ year    : num [1:204] 1950 1950 1950 1950 1951 ...
##  $ qtr     : num [1:204] 1 2 3 4 1 2 3 4 1 2 ...
##  $ realgdp : num [1:204] 1610 1659 1723 1754 1774 ...
##  $ realcons: num [1:204] 1059 1076 1131 1098 1123 ...
##  $ realinv : num [1:204] 198 220 240 272 243 ...
##  $ realgovt: num [1:204] 361 366 360 382 422 ...
##  $ realdpi : num [1:204] 1186 1178 1196 1210 1208 ...
##  $ cpi_u   : num [1:204] 70.6 71.4 73.2 74.9 77.3 77.6 78.2 79.3 78.8 79.4 ...
##  $ m1      : num [1:204] 110 112 113 114 115 ...
##  $ tbilrate: num [1:204] 1.12 1.17 1.23 1.35 1.4 1.53 1.63 1.65 1.64 1.68 ...
##  $ unemp   : num [1:204] 6.4 5.6 4.6 4.2 3.5 3.1 3.2 3.4 3.1 3 ...
##  $ pop     : num [1:204] 149461 150260 151064 151871 152393 ...
##  $ infl    : num [1:204] 0 45071 99590 91834 126160 ...
##  $ realint : num [1:204] 0 -33404 -87290 -78301 -112160 ...
##  $ ...16   : num [1:204] NA 1950 1951 1952 1953 ...
diccionario
## # A tibble: 14 × 16
##    Year       qtr realgdp realcons realinv realgovt realdpi cpi_u    M1 tbilrate
##    <chr>    <dbl>   <dbl>    <dbl>   <dbl>    <dbl>   <dbl> <dbl> <dbl>    <dbl>
##  1 # Año =…    NA      NA       NA      NA       NA      NA    NA    NA       NA
##  2 # Qtr =…    NA      NA       NA      NA       NA      NA    NA    NA       NA
##  3 # Realg…    NA      NA       NA      NA       NA      NA    NA    NA       NA
##  4 # Realc…    NA      NA       NA      NA       NA      NA    NA    NA       NA
##  5 # Reali…    NA      NA       NA      NA       NA      NA    NA    NA       NA
##  6 # Realg…    NA      NA       NA      NA       NA      NA    NA    NA       NA
##  7 # Reald…    NA      NA       NA      NA       NA      NA    NA    NA       NA
##  8 # CPI_U…    NA      NA       NA      NA       NA      NA    NA    NA       NA
##  9 # M1 = …    NA      NA       NA      NA       NA      NA    NA    NA       NA
## 10 # Tbilr…    NA      NA       NA      NA       NA      NA    NA    NA       NA
## 11 # Unemp…    NA      NA       NA      NA       NA      NA    NA    NA       NA
## 12 # Pop =…    NA      NA       NA      NA       NA      NA    NA    NA       NA
## 13 # Infl …    NA      NA       NA      NA       NA      NA    NA    NA       NA
## 14 # Reali…    NA      NA       NA      NA       NA      NA    NA    NA       NA
## # ℹ 6 more variables: unemp <dbl>, pop <dbl>, infl <dbl>, realint <dbl>,
## #   ...15 <lgl>, ...16 <dbl>
vars_base <- c("year", "qtr", "realgdp", "realcons", "realinv", "realgovt", "realdpi",
               "cpi_u", "m1", "tbilrate", "unemp", "pop", "infl", "realint")

extra <- setdiff(names(datos), vars_base)
extra
## [1] "...16"
# Contenido de la columna extra: solo años sueltos, no es una variable
sapply(datos[extra], function(x) c(no_NA = sum(!is.na(x)),
                                   min = min(x, na.rm = TRUE),
                                   max = max(x, na.rm = TRUE)))
##       ...16
## no_NA    51
## min    1950
## max    2000
# Rangos: inflación y tasa real en decenas de miles no son creíbles
summary(datos[, c("infl", "realint", "tbilrate", "cpi_u")])
##       infl           realint              tbilrate          cpi_u       
##  Min.   :-25301   Min.   :-1.122e+05   Min.   : 0.810   Min.   : 70.60  
##  1st Qu.: 17467   1st Qu.:-1.480e-01   1st Qu.: 3.087   1st Qu.: 91.15  
##  Median : 31349   Median : 1.486e+04   Median : 5.045   Median :162.10  
##  Mean   : 38876   Mean   : 1.278e+04   Mean   : 5.229   Mean   :225.82  
##  3rd Qu.: 55892   3rd Qu.: 2.908e+04   3rd Qu.: 6.645   3rd Qu.:350.12  
##  Max.   :168643   Max.   : 1.063e+05   Max.   :15.090   Max.   :521.10
# Valores teóricos según el diccionario:
# infl = 400*ln(cpi_t / cpi_t-1);  realint = tbilrate - infl
revision <- datos |>
  transmute(year, qtr, infl, realint,
            infl_teo    = 400 * (log(cpi_u) - log(lag(cpi_u))),
            realint_teo = tbilrate - infl_teo,
            infl_mal    = abs(infl - infl_teo) > 0.05,
            realint_mal = abs(realint - realint_teo) > 0.05)

# Número de observaciones dañadas
revision |>
  summarise(n_infl_mal    = sum(infl_mal, na.rm = TRUE),
            n_realint_mal = sum(realint_mal, na.rm = TRUE))
## # A tibble: 1 × 2
##   n_infl_mal n_realint_mal
##        <int>         <int>
## 1        175           151
# Ejemplos: el valor observado es el teórico sin el punto decimal
revision |> filter(infl_mal | realint_mal) |> head(10)
## # A tibble: 10 × 8
##     year   qtr   infl      realint infl_teo realint_teo infl_mal realint_mal
##    <dbl> <dbl>  <dbl>        <dbl>    <dbl>       <dbl> <lgl>    <lgl>      
##  1  1950     2  45071  -33404          4.51     -3.34   TRUE     TRUE       
##  2  1950     3  99590  -87290          9.96     -8.73   TRUE     TRUE       
##  3  1950     4  91834  -78301          9.18     -7.83   TRUE     TRUE       
##  4  1951     1 126160 -112160         12.6     -11.2    TRUE     TRUE       
##  5  1951     2  15494      -0.0161     1.55     -0.0194 TRUE     FALSE      
##  6  1951     3  30809  -14542          3.08     -1.45   TRUE     TRUE       
##  7  1951     4  55874  -39374          5.59     -3.94   TRUE     TRUE       
##  8  1952     1 -25301   41701         -2.53      4.17   TRUE     TRUE       
##  9  1952     2  30341  -13575          3.03     -1.35   TRUE     TRUE       
## 10  1952     3  30113  -11813          3.01     -1.18   TRUE     TRUE
# Primera observación: viene como 0 y debería ser NA
revision |> slice(1)
## # A tibble: 1 × 8
##    year   qtr  infl realint infl_teo realint_teo infl_mal realint_mal
##   <dbl> <dbl> <dbl>   <dbl>    <dbl>       <dbl> <lgl>    <lgl>      
## 1  1950     1     0       0       NA          NA NA       NA
datos <- datos |>
  select(all_of(vars_base)) |>
  mutate(infl    = 400 * (log(cpi_u) - log(lag(cpi_u))),
         realint = tbilrate - infl)

# Verificación
dim(datos)
## [1] 204  14
summary(datos[, c("infl", "realint")])
##       infl           realint        
##  Min.   :-2.530   Min.   :-11.2160  
##  1st Qu.: 1.762   1st Qu.: -0.1599  
##  Median : 3.138   Median :  1.5100  
##  Mean   : 3.939   Mean   :  1.3109  
##  3rd Qu.: 5.591   3rd Qu.:  2.9188  
##  Max.   :16.864   Max.   : 10.6229  
##  NA's   :1        NA's   :1

Descripción de la base de datos

La base corresponde a la Tabla F5.1 de Greene (Econometric Analysis) y contiene información macroeconómica trimestral de Estados Unidos entre el primer trimestre de 1950 y el cuarto trimestre de 2000, para un total de 204 observaciones y 14 variables. Al ser una base de series de tiempo, cada observación corresponde a un trimestre, identificado por las variables year y qtr.

Variable Descripción Unidad
year Año 1950–2000
qtr Trimestre 1–4
realgdp PIB real Miles de millones de USD
realcons Gasto de consumo real Miles de millones de USD
realinv Inversión real del sector privado Miles de millones de USD
realgovt Gasto real del gobierno Miles de millones de USD
realdpi Ingreso personal disponible real Miles de millones de USD
cpi_u Índice de precios al consumidor Índice
m1 Stock de dinero nominal (M1) Miles de millones de USD
tbilrate Tasa de los bonos del Tesoro a 90 días (promedio trimestral) % anual
unemp Tasa de desempleo %
pop Población (interpolada a partir de cifras de fin de año) Miles de personas
infl Tasa de inflación: \(400\ln(CPI_t / CPI_{t-1})\) % anualizado
realint Tasa de interés real ex post: tbilrate − infl % anual

Las variables reales (PIB, consumo, inversión, gasto público e ingreso disponible) están expresadas a precios constantes, mientras que m1 está en términos nominales. Las variables infl y realint se construyen a partir de otras de la base, por lo que no tienen dato para el primer trimestre de 1950.

Calidad de los datos. Durante la revisión se identificaron tres problemas en el archivo original: (i) una columna adicional sin nombre que contenía únicamente una lista de años (1950–2000) y no corresponde a ninguna variable, por lo que se eliminó; (ii) las variables infl y realint presentaban valores inverosímiles (por ejemplo, 45 071 en lugar de 4.5071) en 175 y 151 observaciones respectivamente, debido a la pérdida del separador decimal; y (iii) la primera observación de ambas variables aparecía como 0 en lugar de missing. Para corregirlo, infl y realint se recalcularon a partir de cpi_u y tbilrate siguiendo las definiciones del diccionario de la base, y la primera observación quedó como missing. Tras la limpieza, la base final queda con 204 observaciones y 14 variables; infl y realint tienen 203 observaciones válidas.

Paso 0: Construcción de las variables del modelo

\[C_t = \beta_1 + \beta_2 Y_t + \beta_3 R_t + \beta_4 \pi_t + \varepsilon_t\]

Modelo Variable en la base Unidad
\(C_t\) realcons, consumo real miles de millones de USD constantes
\(Y_t\) realdpi, ingreso disponible real miles de millones de USD constantes
\(\pi_t\) inflación con el IPC (cpi_u) % anualizado
\(R_t\) tbilrate − \(\pi_t\), tasa real ex post % anualizado

\[\pi_t = 400\,[\ln(IPC_t) - \ln(IPC_{t-1})], \qquad R_t = i_t - \pi_t\]

El 400 anualiza la tasa trimestral (×4) y la expresa en porcentaje (×100). La primera observación se pierde porque no existe \(IPC_{t-1}\). Se usa el IPC porque la tabla no trae PIB nominal.

datos <- datos |>
  mutate(
    fecha   = year + (qtr - 1) / 4,
    C       = realcons,
    Y       = realdpi,
    pi_calc = 400 * (log(cpi_u) - log(dplyr::lag(cpi_u))),
    R_calc  = tbilrate - pi_calc
  )

datos |> select(year, qtr, infl, pi_calc, realint, R_calc) |> head(5)
## # A tibble: 5 × 6
##    year   qtr  infl pi_calc realint R_calc
##   <dbl> <dbl> <dbl>   <dbl>   <dbl>  <dbl>
## 1  1950     1 NA      NA      NA     NA   
## 2  1950     2  4.51    4.51   -3.34  -3.34
## 3  1950     3  9.96    9.96   -8.73  -8.73
## 4  1950     4  9.18    9.18   -7.83  -7.83
## 5  1951     1 12.6    12.6   -11.2  -11.2

Nota sobre la base: las columnas originales infl y realint se leyeron sin el punto decimal (4.5071 aparece como 45071) por la configuración regional de Excel, por lo que se usan las variables recalculadas. Se elimina la observación de 1950-T1, que no tiene inflación.

sapply(datos[, c("realcons", "realdpi", "cpi_u", "tbilrate")],
       function(x) c(Min = min(x, na.rm = TRUE), Max = max(x, na.rm = TRUE)))
##     realcons realdpi cpi_u tbilrate
## Min   1058.9  1178.1  70.6     0.81
## Max   6341.1  6634.9 521.1    15.09
base <- datos |>
  filter(!is.na(pi_calc)) |>
  transmute(fecha, C, Y,
            R  = R_calc,
            pi = pi_calc,
            lC = log(C),
            lY = log(Y))

base_ts <- ts(base[, c("C", "Y", "R", "pi", "lC", "lY")],
              start = c(1950, 2), frequency = 4)

dim(base_ts)
## [1] 203   6
colSums(is.na(base))
## fecha     C     Y     R    pi    lC    lY 
##     0     0     0     0     0     0     0
resumen <- sapply(base[, c("C", "Y", "R", "pi")], function(x)
  c(Media = mean(x), DE = sd(x), Min = min(x), Max = max(x)))
kable(round(t(resumen), 2), caption = "Estadísticas descriptivas (1950-T2 a 2000-T4)")
Estadísticas descriptivas (1950-T2 a 2000-T4)
Media DE Min Max
C 3009.00 1456.90 1075.90 6341.10
Y 3352.09 1577.52 1178.10 6634.90
R 1.31 2.89 -11.22 10.62
pi 3.94 3.40 -2.53 16.86
# ---- Hechos históricos (inicio, fin, nombre) ----
hechos <- data.frame(
  ini    = c(1950.50, 1965.00, 1973.75, 1978.75, 1979.75, 1990.50),
  fin    = c(1951.75, 1969.75, 1975.25, 1979.75, 1982.75, 1991.25),
  nombre = c("Guerra de\nCorea", "Vietnam y\ngasto social", "1.er choque\npetrolero",
             "2.º choque\npetrolero", "Volcker:\nalza de tasas", "Guerra del\nGolfo"),
  altura = c(0.3, 0.3, 0.3, 2.3, 0.3, 0.3)   # línea del texto (se sube uno para que no se cruce)
)

# Recesiones de EE.UU. según el NBER
recesiones <- data.frame(
  ini = c(1953.50, 1957.50, 1960.25, 1969.75, 1973.75, 1980.00, 1981.50, 1990.50),
  fin = c(1954.25, 1958.25, 1961.00, 1970.75, 1975.00, 1980.50, 1982.75, 1991.00)
)

t <- as.numeric(time(base_ts))

# Fondo: hechos históricos en gris (con borde para separar los contiguos)
fondo <- function() {
  u <- par("usr")
  rect(hechos$ini, u[3], hechos$fin, u[4], col = "grey88", border = "white", lwd = 2)
}

# Recesiones: barra oscura en la base del panel
marcar_recesiones <- function() {
  u <- par("usr")
  rect(recesiones$ini, u[3], recesiones$fin, u[3] + 0.05 * (u[4] - u[3]),
       col = "grey30", border = NA)
}

panel <- function(x, titulo, col, unidad, recesion = FALSE) {
  plot(t, x, type = "n", xlab = "", ylab = unidad)
  fondo()
  if (recesion) marcar_recesiones()
  # Lunes Negro: caída de la bolsa (oct. 1987)
  abline(v = 1987.75, lty = 2, col = "grey30")
  text(1987.75, par("usr")[4] - 0.08 * diff(par("usr")[3:4]),
       "Caída de la bolsa\n(oct. 1987)", pos = 4, cex = 0.75, col = "grey20")
  lines(t, x, col = col, lwd = 1.8)
  title(titulo, adj = 0, line = 0.4)
  box()
}

par(mfrow = c(5, 1), mar = c(2.2, 4.5, 1.8, 1), oma = c(2, 0, 4.5, 0), las = 1)
panel(base_ts[, "C"],  "Consumo real (C)",            "#1f4e79", "Miles de millones USD", recesion = TRUE)
mtext(hechos$nombre, side = 3, at = (hechos$ini + hechos$fin) / 2,
      line = hechos$altura + 1.6, cex = 0.7, padj = 0)
panel(base_ts[, "Y"],  "Ingreso disponible real (Y)", "#c0504d", "Miles de millones USD", recesion = TRUE)
panel(base_ts[, "R"],  "Tasa de interés real (R)",    "#1f4e79", "%")
panel(base_ts[, "pi"], "Inflación IPC (π)",           "#c0504d", "%")
panel(datos$cpi_u[!is.na(datos$pi_calc)], "Índice de precios al consumidor (IPC)", "#1f4e79", "Índice")
mtext("Franjas grises: hechos históricos. Barras oscuras en la base de C e Y: recesiones (NBER).",
      side = 1, outer = TRUE, line = 0.8, cex = 0.75, col = "grey30")

par(mfrow = c(1, 1))
# Periodo Evento Efecto en las series
1 1950–1951 Guerra de Corea Compras anticipadas y gasto militar llevan la inflación a ~12%. Las tasas nominales seguían fijadas por la Fed (hasta el Acuerdo con el Tesoro de 1951), así que R cae a −11%.
2 1965–1969 Guerra de Vietnam y programas de gasto social Expansión fiscal: la inflación sube gradualmente de ~1% a ~6% y R se acerca a 0.
3 1973–1975 Primer choque petrolero (embargo de la OPEP) La inflación salta a ~13% mientras las tasas nominales suben menos: R vuelve a ser negativa (~−5%). Recesión 1973–75: C e Y se estancan.
4 1979–1980 Segundo choque petrolero (revolución iraní) La inflación llega a su máximo de la muestra (~17% en 1980-T1).
5 1979–1982 Desinflación de Volcker La Fed sube la tasa T-bill hasta ~15%: R pasa a ~10%, máximo de la muestra, y hay doble recesión (1980 y 1981–82). La inflación cae a ~3–4% y R queda en un nivel más alto que antes. Es el quiebre que detecta Zivot-Andrews (1980–81).
6 1987 (oct.) Caída de la bolsa (Lunes Negro) El mercado accionario cae cerca de 22% en un día, sin interrumpir el crecimiento de C ni de Y.
7 1990–1991 Guerra del Golfo El alza del petróleo sube la inflación a ~8% y llega una recesión corta. Después viene la larga expansión de los 90, con inflación baja y estable y un consumo que se acelera al final de la década.

En consumo e ingreso, las recesiones solo producen caídas leves y temporales: domina la tendencia creciente, consistente con series I(1). En la tasa real y la inflación, en cambio, los episodios anteriores generan cambios de nivel persistentes, en particular el de 1979–82.

Signos esperados:

  • \(0 < \beta_2 < 1\): propensión marginal a consumir.
  • \(\beta_3\): en la ecuación en niveles se espera \(< 0\) (el efecto sustitución reduce el consumo corriente); en la ecuación en crecimientos que se estima en el punto b, \(\beta_3 = (1-\lambda)\sigma \geq 0\), cercano a cero si la elasticidad de sustitución intertemporal es baja.
  • \(\beta_4\) ambiguo: la erosión de la riqueza y el ahorro precautorio dan signo (−); adelantar compras da signo (+).

Punto a: Estacionariedad y orden de integración (Box-Jenkins)

  1. Inspección gráfica y transformación. Si la dispersión crece con el nivel, se toman logaritmos (Box-Cox con λ ≈ 0).
  2. Correlogramas. Con raíz unitaria, la FAC decae lento y casi en línea recta y la FACP tiene un pico ≈ 1 en el rezago 1.
  3. Pruebas formales. ADF y PP tienen H₀ de raíz unitaria; KPSS tiene H₀ de estacionariedad; Zivot-Andrews contrasta raíz unitaria contra estacionariedad con quiebre.
  4. Orden de integración. No estacionaria en niveles y estacionaria en diferencias → I(1).
Serie Gráfico ADF PP KPSS
C, Y, ln C, ln Y tendencia creciente trend (τ₃, φ₂, φ₃) trend tau
R, π sin tendencia, media ≠ 0 drift (τ₂, φ₁) constant mu
Primeras diferencias media ≠ 0 drift constant mu

Rezagos: el máximo para el ADF es \(p_{max} = \lfloor 12(T/100)^{1/4}\rfloor = 14\) (Schwert) y el óptimo se elige por AIC. Para FAC y FACP se usan \(n/4 \approx 50\) rezagos. La serie está desestacionalizada.

n      <- nrow(base_ts)
k_max  <- floor(12 * (n / 100)^(1/4))
k_acf  <- floor(n / 4)
banda  <- 1.96 / sqrt(n)

especif <- data.frame(
  serie = c("C", "Y", "lC", "lY", "R", "pi"),
  adf   = c("trend", "trend", "trend", "trend", "drift", "drift"),
  pp    = c("trend", "trend", "trend", "trend", "constant", "constant"),
  za    = c("both", "both", "both", "both", "intercept", "intercept")
)

dif_ts <- diff(base_ts[, especif$serie])
c(n = n, k_max = k_max, k_acf = k_acf, banda = round(banda, 4))
##        n    k_max    k_acf    banda 
## 203.0000  14.0000  50.0000   0.1376

Paso 1: Transformación y gráficos

sapply(c("C", "Y"), function(v) BoxCox.lambda(base_ts[, v], method = "guerrero"))
##         C         Y 
## 0.1943109 0.3234638
t_d <- as.numeric(time(dif_ts))

panel_dif <- function(x, titulo, col, unidad, recesion = FALSE) {
  plot(t_d, x, type = "n", xlab = "", ylab = unidad)
  fondo()
  if (recesion) marcar_recesiones()
  abline(v = 1987.75, lty = 2, col = "grey30")
  text(1987.75, par("usr")[4] - 0.08 * diff(par("usr")[3:4]),
       "Caída de la bolsa\n(oct. 1987)", pos = 4, cex = 0.75, col = "grey20")
  lines(t_d, x, col = col, lwd = 1.3)
  title(titulo, adj = 0, line = 0.4)
  box()
}

par(mfrow = c(4, 1), mar = c(2.2, 4.5, 1.8, 1), oma = c(2, 0, 4.5, 0), las = 1)
panel_dif(400 * dif_ts[, "lC"], "Crecimiento del consumo real (Δ ln C × 400)",
          "#1f4e79", "% anual", recesion = TRUE)
mtext(hechos$nombre, side = 3, at = (hechos$ini + hechos$fin) / 2,
      line = hechos$altura + 1.6, cex = 0.7, padj = 0)
panel_dif(400 * dif_ts[, "lY"], "Crecimiento del ingreso disponible real (Δ ln Y × 400)",
          "#c0504d", "% anual", recesion = TRUE)
panel_dif(dif_ts[, "R"],  "Cambio en la tasa de interés real (Δ R)", "#1f4e79", "p.p.")
panel_dif(dif_ts[, "pi"], "Cambio en la inflación (Δ π)",            "#c0504d", "p.p.")
mtext("Franjas grises: hechos históricos. Barras oscuras en la base: recesiones (NBER).",
      side = 1, outer = TRUE, line = 0.8, cex = 0.75, col = "grey30")

par(mfrow = c(1, 1))

Paso 2: Correlogramas

correlograma <- function(x, nombre, k = k_acf) {
  par(mfrow = c(1, 2))
  acf(as.numeric(x),  lag.max = k, main = paste("FAC -", nombre))
  pacf(as.numeric(x), lag.max = k, main = paste("FACP -", nombre))
  par(mfrow = c(1, 1))
}
for (v in c("lC", "lY", "R", "pi")) correlograma(base_ts[, v], v)

for (v in c("lC", "lY", "R", "pi")) correlograma(dif_ts[, v], paste0("Δ", v))

Paso 3: ADF

adf_seq <- function(x, nombre, tipo) {
  m   <- ur.df(as.numeric(x), type = tipo, lags = k_max, selectlags = "AIC")
  est <- setNames(as.numeric(m@teststat), colnames(m@teststat))
  cv5 <- m@cval[names(est), "5pct"]
  rez <- sum(grepl("z.diff.lag", rownames(coef(m@testreg))))
  lb  <- Box.test(m@res, lag = 12, type = "Ljung-Box")$p.value
  data.frame(Serie = nombre, Modelo = tipo, Prueba = names(est),
             Estadistico = round(est, 3), VC_5 = cv5,
             Rechaza_H0 = ifelse(grepl("tau", names(est)), est < cv5, est > cv5),
             Rezagos = rez, LjungBox_p = round(lb, 3), row.names = NULL)
}
adf_niv <- do.call(rbind, Map(function(s, t) adf_seq(base_ts[, s], s, t),
                              especif$serie, especif$adf))
kable(adf_niv, row.names = FALSE, caption = "ADF en niveles")
ADF en niveles
Serie Modelo Prueba Estadistico VC_5 Rechaza_H0 Rezagos LjungBox_p
C trend tau3 0.423 -3.43 FALSE 3 0.886
C trend phi2 5.856 4.75 TRUE 3 0.886
C trend phi3 3.638 6.49 FALSE 3 0.886
Y trend tau3 -0.447 -3.43 FALSE 5 0.543
Y trend phi2 12.505 4.75 TRUE 5 0.543
Y trend phi3 6.003 6.49 FALSE 5 0.543
lC trend tau3 -2.232 -3.43 FALSE 5 0.758
lC trend phi2 12.862 4.75 TRUE 5 0.758
lC trend phi3 2.973 6.49 FALSE 5 0.758
lY trend tau3 -1.219 -3.43 FALSE 5 0.832
lY trend phi2 13.851 4.75 TRUE 5 0.832
lY trend phi3 2.548 6.49 FALSE 5 0.832
R drift tau2 -2.598 -2.88 FALSE 14 0.999
R drift phi1 3.403 4.63 FALSE 14 0.999
pi drift tau2 -3.005 -2.88 TRUE 6 0.926
pi drift phi1 4.521 4.63 FALSE 6 0.926
adf_dif <- do.call(rbind, lapply(especif$serie, function(s)
  adf_seq(dif_ts[, s], paste0("Δ", s), "drift")))
kable(adf_dif, row.names = FALSE, caption = "ADF en primeras diferencias")
ADF en primeras diferencias
Serie Modelo Prueba Estadistico VC_5 Rechaza_H0 Rezagos LjungBox_p
ΔC drift tau2 -3.566 -2.88 TRUE 2 0.954
ΔC drift phi1 6.452 4.63 TRUE 2 0.954
ΔY drift tau2 -3.214 -2.88 TRUE 8 0.969
ΔY drift phi1 5.299 4.63 TRUE 8 0.969
ΔlC drift tau2 -6.216 -2.88 TRUE 4 0.748
ΔlC drift phi1 19.340 4.63 TRUE 4 0.748
ΔlY drift tau2 -6.677 -2.88 TRUE 4 0.831
ΔlY drift phi1 22.310 4.63 TRUE 4 0.831
ΔR drift tau2 -4.655 -2.88 TRUE 14 1.000
ΔR drift phi1 10.852 4.63 TRUE 14 1.000
Δpi drift tau2 -6.296 -2.88 TRUE 10 1.000
Δpi drift phi1 19.818 4.63 TRUE 10 1.000

Paso 4: PP y KPSS

pp_kpss <- function(x, nombre, det) {
  x  <- as.numeric(x)
  pp <- ur.pp(x, type = "Z-tau", model = det, lags = "long")
  kp <- ur.kpss(x, type = ifelse(det == "trend", "tau", "mu"), lags = "long")
  data.frame(Serie = nombre, Determ = det,
             PP = round(as.numeric(pp@teststat), 3),
             PP_VC5 = pp@cval[1, "5pct"],
             PP_rechaza_RU = as.numeric(pp@teststat) < pp@cval[1, "5pct"],
             KPSS = round(as.numeric(kp@teststat), 3),
             KPSS_VC5 = kp@cval[1, "5pct"],
             KPSS_rechaza_Est = as.numeric(kp@teststat) > kp@cval[1, "5pct"])
}
ppk_niv <- do.call(rbind, Map(function(s, d) pp_kpss(base_ts[, s], s, d),
                              especif$serie, especif$pp))
ppk_dif <- do.call(rbind, lapply(especif$serie, function(s)
  pp_kpss(dif_ts[, s], paste0("Δ", s), "constant")))

kable(ppk_niv, row.names = FALSE, caption = "PP y KPSS en niveles")
PP y KPSS en niveles
Serie Determ PP PP_VC5 PP_rechaza_RU KPSS KPSS_VC5 KPSS_rechaza_Est
C trend 1.204 -3.433032 FALSE 0.334 0.146 TRUE
Y trend -0.473 -3.433032 FALSE 0.329 0.146 TRUE
lC trend -1.962 -3.433032 FALSE 0.269 0.146 TRUE
lY trend -1.086 -3.433032 FALSE 0.326 0.146 TRUE
R constant -9.017 -2.875859 TRUE 0.413 0.463 FALSE
pi constant -7.826 -2.875859 TRUE 0.273 0.463 FALSE
kable(ppk_dif, row.names = FALSE, caption = "PP y KPSS en primeras diferencias")
PP y KPSS en primeras diferencias
Serie Determ PP PP_VC5 PP_rechaza_RU KPSS KPSS_VC5 KPSS_rechaza_Est
ΔC constant -11.574 -2.875929 TRUE 0.909 0.463 TRUE
ΔY constant -14.343 -2.875929 TRUE 0.863 0.463 TRUE
ΔlC constant -15.015 -2.875929 TRUE 0.090 0.463 FALSE
ΔlY constant -13.036 -2.875929 TRUE 0.331 0.463 FALSE
ΔR constant -32.681 -2.875929 TRUE 0.049 0.463 FALSE
Δpi constant -30.903 -2.875929 TRUE 0.064 0.463 FALSE

Paso 5: Zivot-Andrews

za_tabla <- function(x, nombre, modelo) {
  m <- ur.za(as.numeric(x), model = modelo, lag = 4)
  data.frame(Serie = nombre, Modelo = modelo,
             Estadistico = round(m@teststat, 3), VC_5 = m@cval[2],
             Rechaza_RU = m@teststat < m@cval[2],
             Quiebre = time(x)[m@bpoint])
}
za <- do.call(rbind, Map(function(s, m) za_tabla(base_ts[, s], s, m),
                         especif$serie, especif$za))
kable(za, row.names = FALSE, caption = "Zivot-Andrews")
Zivot-Andrews
Serie Modelo Estadistico VC_5 Rechaza_RU Quiebre
C both -2.069 -5.08 FALSE 1991.00
Y both -2.618 -5.08 FALSE 1983.25
lC both -4.413 -5.08 FALSE 1964.75
lY both -3.928 -5.08 FALSE 1963.50
R intercept -6.486 -4.80 TRUE 1980.25
pi intercept -4.972 -4.80 TRUE 1981.50

Paso 6: Número de diferencias sugerido

nd <- sapply(seq_len(nrow(especif)), function(i) {
  x   <- base_ts[, especif$serie[i]]
  tip <- ifelse(especif$adf[i] == "trend", "trend", "level")
  c(ADF  = ndiffs(x, alpha = 0.05, test = "adf",  type = tip),
    PP   = ndiffs(x, alpha = 0.05, test = "pp",   type = tip),
    KPSS = ndiffs(x, alpha = 0.05, test = "kpss", type = tip))
})
colnames(nd) <- especif$serie
kable(nd, caption = "Número de diferencias para alcanzar estacionariedad (α = 5%)")
Número de diferencias para alcanzar estacionariedad (α = 5%)
C Y lC lY R pi
ADF 1 1 1 1 0 0
PP 1 1 1 1 0 0
KPSS 1 1 1 1 1 1

Reglas de decisión (α = 5%)

Especificación de las pruebas

Dickey-Fuller Aumentada (ADF). Se estima por MCO alguna de las siguientes regresiones, donde los rezagos \(\Delta y_{t-j}\) se incluyen para que el error sea ruido blanco (su número se elige por AIC):

\[\Delta y_t = a_0 + \gamma y_{t-1} + \sum_{j=1}^{p}\lambda_j \Delta y_{t-j} + \varepsilon_t \qquad \text{(con deriva: R, π y diferencias)}\]

\[\Delta y_t = a_0 + \gamma y_{t-1} + a_2 t + \sum_{j=1}^{p}\lambda_j \Delta y_{t-j} + \varepsilon_t \qquad \text{(con tendencia: ln C, ln Y)}\]

con \(\gamma = a_1 - 1\). Si \(\gamma = 0\), entonces \(a_1 = 1\) y la serie tiene raíz unitaria; si \(\gamma < 0\), es estacionaria. Los estadísticos \(\phi_i\) son pruebas F conjuntas que comparan el modelo restringido con el no restringido: un valor grande de \(\phi_i\) rechaza H₀ e indica que el proceso generador de datos es el modelo no restringido.

Phillips-Perron (PP). Misma hipótesis que el ADF, pero en lugar de agregar rezagos corrige la autocorrelación del error con un factor de corrección no paramétrico sobre el estadístico.

KPSS. Descompone la serie en \(y_t = r_t + \beta t + \varepsilon_t\), con \(r_t = r_{t-1} + u_t\) un paseo aleatorio. A diferencia del ADF y del PP, la hipótesis nula es la estacionariedad (\(\sigma^2_u = 0\)), por eso se usa como contraste cruzado.

Zivot-Andrews (ZA). Contrasta raíz unitaria contra estacionariedad con un quiebre estructural cuya fecha se estima dentro de la muestra. Si hay un cambio de nivel que no se modela, el ADF tiende a no rechazar la raíz unitaria aunque la serie sea estacionaria.

Tabla de reglas

Prueba H₀ Rechazo si VC 5% Si se rechaza H₀
ADF τ₃ γ = 0 (raíz unitaria) estadístico < VC −3.43 Estacionaria en tendencia
ADF φ₃ γ = a₂ = 0 F > VC 6.49 Hay tendencia determinista
ADF φ₂ a₀ = γ = a₂ = 0 F > VC 4.75 Hay deriva y/o tendencia
ADF τ₂ γ = 0 (raíz unitaria) estadístico < VC −2.88 Estacionaria alrededor de una media
ADF φ₁ a₀ = γ = 0 F > VC 4.63 Hay deriva
PP Z-tau raíz unitaria estadístico < VC ≈ −3.43 / −2.88 Estacionaria
KPSS τ estacionaria en tendencia estadístico > VC 0.146 No estacionaria
KPSS μ estacionaria en nivel estadístico > VC 0.463 No estacionaria
Zivot-Andrews raíz unitaria sin quiebre estadístico < VC −5.08 / −4.80 Estacionaria con quiebre
FAC/FACP ρₖ = 0 |ρ̂ₖ| > banda ±1.96/√n = ±0.138 Autocorrelación significativa
Ljung-Box residuos ruido blanco p < 0.05 — Faltan rezagos en el ADF

Procedimiento secuencial del ADF (modelo con tendencia)

  1. τ₃: si se rechaza γ = 0 → la serie es estacionaria en tendencia. Fin.
  2. Si no se rechaza, φ₃ (γ = a₂ = 0): si no se rechaza → la tendencia determinista no es necesaria una vez se permite la raíz unitaria.
  3. φ₂ (a₀ = γ = a₂ = 0): si se rechaza → hay deriva. La serie es un paseo aleatorio con deriva: \(\Delta y_t = a_0 + \varepsilon_t\).

Patrones del correlograma

Patrón Proceso
FAC ≈ 1 que decae lenta y linealmente; FACP con un pico ≈ 1 en el rezago 1 Raíz unitaria (paseo aleatorio)
FAC que decae geométricamente; FACP que se corta en el rezago p AR(p) estacionario
FAC ≈ 0 en todos los rezagos Ruido blanco
FAC con un pico ≈ −0.5 en el rezago 1; FACP negativa que decae gradualmente MA(1) con θ ≈ 1: serie sobrediferenciada

Combinación de pruebas

ADF/PP KPSS Conclusión
Rechaza RU No rechaza I(0)
No rechaza RU Rechaza Raíz unitaria
Rechaza Rechaza Inconcluso: se decide con Zivot-Andrews y FAC
No rechaza No rechaza Inconcluso: se decide con Zivot-Andrews y FAC
ADF y PP no coinciden — Se decide con KPSS, Zivot-Andrews y FAC

Conclusión del punto a

Serie Niveles Primeras diferencias Orden de integración
ln C ADF: τ₃ = −2.23 (no rechaza RU), φ₃ = 2.97 (no rechaza), φ₂ = 12.86 (rechaza) → RU con deriva. PP = −1.96 (no rechaza). KPSS τ = 0.269 (rechaza estacionariedad). ZA = −4.41 (no rechaza). FAC ≈ 1 con decaimiento lineal. ADF τ₂ = −6.22, PP = −15.02 (rechazan RU). KPSS μ = 0.090 (no rechaza). FAC ≈ ruido blanco. I(1): paseo aleatorio con deriva
ln Y ADF: τ₃ = −1.22 (no rechaza RU), φ₃ = 2.55 (no rechaza), φ₂ = 13.85 (rechaza) → RU con deriva. PP = −1.09 (no rechaza). KPSS τ = 0.326 (rechaza). ZA = −3.93 (no rechaza). FAC ≈ 1 con decaimiento lineal. ADF τ₂ = −6.68, PP = −13.04 (rechazan RU). KPSS μ = 0.331 (no rechaza). FAC ≈ ruido blanco. I(1): paseo aleatorio con deriva
R ADF τ₂ = −2.60 (no rechaza, con 14 rezagos). PP = −9.02 (rechaza RU). KPSS μ = 0.413 (no rechaza estacionariedad). ZA = −6.49 (rechaza RU, quiebre en 1980-T2). FAC decae y entra en las bandas cerca del rezago 10; FACP se corta en el 3. Todas rechazan RU. FAC con pico de −0.44 en el rezago 1: sobrediferenciación. I(0) con cambio de nivel en 1980
π ADF τ₂ = −3.01 (rechaza RU por poco). PP = −7.83 (rechaza). KPSS μ = 0.273 (no rechaza). ZA = −4.97 (rechaza RU, quiebre en 1981-T3). FAC persistente pero entra en las bandas cerca del rezago 30; FACP se corta en el 3. Todas rechazan RU. FAC con pico de −0.42 en el rezago 1: sobrediferenciación. I(0) persistente, con cambio de nivel en 1981

Síntesis. ln C y ln Y son procesos I(1): todas las pruebas coinciden en que tienen raíz unitaria en niveles y son estacionarias en primeras diferencias, y el procedimiento secuencial del ADF indica un paseo aleatorio con deriva (φ₂ significativo, φ₃ no significativo). R y π son estacionarias en niveles. El ADF tiene poca potencia en R porque no modela el cambio de nivel asociado a la desinflación de Volcker (1979–1982); una vez que Zivot-Andrews incorpora el quiebre, se rechaza la raíz unitaria, en línea con PP y KPSS. El pico negativo cercano a −0.5 en la FAC de ΔR y Δπ confirma que diferenciarlas es innecesario.

Implicación para el modelo. La función de consumo combina dos regresores de distinto orden de integración: ln Y, que es I(1), y R y π, que son I(0). Estimarla en niveles por MCO solo es válido si ln C y ln Y están cointegradas; de lo contrario, la regresión sería espuria (Granger y Newbold, 1974), con R² alto y residuos fuertemente autocorrelacionados. Como R y π son estacionarias, entran en niveles en el modelo en crecimientos del punto b; diferenciarlas eliminaría la información de nivel.

Punto b: Estimación por MCO

paquetes_bcd <- c("lmtest", "sandwich", "AER", "tseries", "nlme")
faltan <- paquetes_bcd[!paquetes_bcd %in% rownames(installed.packages())]
if (length(faltan) > 0) install.packages(faltan)

library(lmtest)
library(sandwich)
library(AER)
library(tseries)
library(nlme)
# Tabla compacta de coeficientes de varios modelos: coef. y (error estándar)
tabla_modelos <- function(modelos, vcovs = NULL, digitos = 3) {
  vars <- unique(unlist(lapply(modelos, function(m) names(coef(m)))))
  celdas <- sapply(seq_along(modelos), function(i) {
    m  <- modelos[[i]]
    ct <- if (is.null(vcovs[[i]])) coeftest(m) else coeftest(m, vcov = vcovs[[i]])
    sapply(vars, function(v) {
      if (!v %in% rownames(ct)) return("")
      est <- ct[v, 1]; se <- ct[v, 2]; p <- ct[v, 4]
      est_txt <- formatC(est, format = "f", digits = digitos)
      se_txt  <- formatC(se,  format = "f", digits = digitos)
      estrellas <- ifelse(p < 0.01, "***", ifelse(p < 0.05, "**", ifelse(p < 0.1, "*", "")))
      paste0(est_txt, estrellas, " (", se_txt, ")")
    })
  })
  colnames(celdas) <- names(modelos)
  celdas
}

# Durbin-Watson y R² de un lm
dw <- function(m) as.numeric(dwtest(m)$statistic)
r2 <- function(m) summary(m)$r.squared

b.1 Modelo especificado en el taller (niveles)

Se estima primero la ecuación tal como la plantea el taller, en niveles y en logaritmos:

\[C_t = \beta_1 + \beta_2 Y_t + \beta_3 R_t + \beta_4 \pi_t + \varepsilon_t \qquad\qquad \ln C_t = \beta_1 + \beta_2 \ln Y_t + \beta_3 R_t + \beta_4 \pi_t + \varepsilon_t\]

m_niv <- lm(C  ~ Y  + R + pi, data = base)
m_log <- lm(lC ~ lY + R + pi, data = base)

tab_niv <- tabla_modelos(list("C (niveles)" = m_niv, "ln C (logaritmos)" = m_log), digitos = 4)
tab_niv <- rbind(tab_niv,
                 "R²"            = round(c(r2(m_niv), r2(m_log)), 4),
                 "Durbin-Watson" = round(c(dw(m_niv), dw(m_log)), 3),
                 "n"             = c(nobs(m_niv), nobs(m_log)))
kable(tab_niv, caption = "MCO en niveles. Errores estándar entre paréntesis. *** p<0.01, ** p<0.05, * p<0.1")
MCO en niveles. Errores estándar entre paréntesis. *** p<0.01, ** p<0.05, * p<0.1
C (niveles) ln C (logaritmos)
(Intercept) -26.3299** (12.5791) -0.2490*** (0.0213)
Y 0.9387*** (0.0035)
R -21.7130*** (2.3781) -0.0059*** (0.0006)
pi -21.0349*** (1.9278) -0.0059*** (0.0005)
lY 1.0212*** (0.0028)
R² 0.9978 0.9989
Durbin-Watson 0.184 0.353
n 203 203

A primera vista los resultados son “excelentes”: R² de 0.998, todos los coeficientes con los signos esperados y estadísticos t enormes. La propensión marginal a consumir es 0.94 en niveles y la elasticidad consumo-ingreso es 1.02 en logaritmos; tanto la tasa real como la inflación reducen el consumo. Sin embargo, el estadístico Durbin-Watson es muy bajo (0.18 y 0.35), lo que indica que los residuos están casi perfectamente autocorrelacionados.

b.2 ¿Qué tan espurios son los resultados?

Del punto a sabemos que \(\ln C\) y \(\ln Y\) son I(1). Una regresión entre series I(1) solo tiene sentido si están cointegradas, es decir, si sus residuos son estacionarios. Si no lo están, se obtiene una regresión espuria (Granger y Newbold, 1974): R² alto, estadísticos t inflados y residuos fuertemente autocorrelacionados, aunque no exista relación real.

Se aplican tres diagnósticos:

  1. Regla de Granger-Newbold: si \(R^2 > DW\), la regresión es sospechosa de ser espuria.
  2. Engle-Granger: prueba ADF sobre los residuos (sin constante). H₀: los residuos tienen raíz unitaria, es decir, no hay cointegración. Los valores críticos no son los de Dickey-Fuller sino los de MacKinnon, que son más exigentes.
  3. Phillips-Ouliaris (Pu): H₀: no hay cointegración. Se rechaza si el estadístico es mayor que el valor crítico.
eg <- function(m) ur.df(resid(m), type = "none", lags = k_max, selectlags = "AIC")@teststat[1]

po_c <- ca.po(base[, c("lC", "lY")], demean = "constant", type = "Pu")
po_t <- ca.po(base[, c("lC", "lY")], demean = "trend",    type = "Pu")

espuria <- data.frame(
  Diagnóstico = c("R² vs DW (modelo en niveles)",
                  "R² vs DW (modelo en logaritmos)",
                  "Engle-Granger: ln C, ln Y, R, π",
                  "Engle-Granger: ln C, ln Y",
                  "Phillips-Ouliaris (constante): ln C, ln Y",
                  "Phillips-Ouliaris (tendencia): ln C, ln Y"),
  Estadístico = round(c(r2(m_niv) - dw(m_niv), r2(m_log) - dw(m_log),
                        eg(m_log), eg(lm(lC ~ lY, data = base)),
                        po_c@teststat, po_t@teststat), 3),
  `VC 5%` = c("R² − DW > 0", "R² − DW > 0", "−4.10 (MacKinnon)", "−3.34 (MacKinnon)",
              round(po_c@cval[2], 2), round(po_t@cval[2], 2)),
  check.names = FALSE
)
espuria$Conclusión <- c("Sospecha de regresión espuria", "Sospecha de regresión espuria",
                        ifelse(espuria$Estadístico[3] < -4.10, "Cointegración", "No cointegración"),
                        ifelse(espuria$Estadístico[4] < -3.34, "Cointegración", "No cointegración"),
                        ifelse(po_c@teststat > po_c@cval[2], "Cointegración", "No cointegración"),
                        ifelse(po_t@teststat > po_t@cval[2], "Cointegración (con tendencia)", "No cointegración"))
kable(espuria, caption = "Diagnósticos de regresión espuria")
Diagnósticos de regresión espuria
Diagnóstico Estadístico VC 5% Conclusión
R² vs DW (modelo en niveles) 0.814 R² − DW > 0 Sospecha de regresión espuria
R² vs DW (modelo en logaritmos) 0.646 R² − DW > 0 Sospecha de regresión espuria
Engle-Granger: ln C, ln Y, R, π -2.214 −4.10 (MacKinnon) No cointegración
Engle-Granger: ln C, ln Y -0.834 −3.34 (MacKinnon) No cointegración
Phillips-Ouliaris (constante): ln C, ln Y 22.274 33.71 No cointegración
Phillips-Ouliaris (tendencia): ln C, ln Y 55.066 48.84 Cointegración (con tendencia)
plot(base$fecha, resid(m_log), type = "l", col = "#1f4e79", lwd = 1.5, las = 1,
     xlab = "", ylab = "Residuo", main = "Residuos del modelo en logaritmos")
abline(h = 0, lty = 2, col = "grey40")

Interpretación. En los dos modelos el R² supera ampliamente al Durbin-Watson, la primera señal de alerta. La prueba de Engle-Granger no rechaza la raíz unitaria en los residuos, ni con las cuatro variables ni con el par \(\ln C\)–\(\ln Y\), y la prueba de Phillips-Ouliaris con constante tampoco encuentra cointegración. Solo la versión con tendencia determinista la acepta al 5%, lo que no es suficiente para respaldar la ecuación tal como está planteada (sin tendencia). El gráfico lo confirma: los residuos no oscilan alrededor de cero, sino que deambulan durante décadas por encima o por debajo, como un paseo aleatorio.

Por lo tanto, los resultados en niveles son en buena medida espurios: los signos son razonables, pero los errores estándar y los estadísticos t no son válidos y el R² cercano a 1 refleja que ambas series crecen en el tiempo, no una relación estructural. En particular, la alta significancia de R y π es engañosa: como se ve más adelante, al eliminar la tendencia estocástica el efecto de R desaparece.

b.3 Modelo adecuado: crecimiento del consumo

Como no hay cointegración, la forma correcta de eliminar la tendencia estocástica es diferenciar las variables I(1) y mantener en niveles las I(0). Así la ecuación queda balanceada: todas las variables del modelo son estacionarias.

\[\Delta \ln C_t \times 400 = \beta_1 + \beta_2\, (\Delta \ln Y_t \times 400) + \beta_3 R_t + \beta_4 \pi_t + \varepsilon_t\]

Esta especificación tiene respaldo teórico directo: según la ecuación de Euler del consumo (Hall, 1978), lo que depende de la tasa de interés real es la tasa de crecimiento del consumo, no su nivel. Además, mantener R y π en niveles evita la sobrediferenciación detectada en el punto a. Como comparación se reporta también el modelo con todas las variables diferenciadas.

base_d <- base |>
  mutate(dlC = 400 * (lC - dplyr::lag(lC)),
         dlY = 400 * (lY - dplyr::lag(lY)),
         dR  = R  - dplyr::lag(R),
         dpi = pi - dplyr::lag(pi)) |>
  filter(!is.na(dlC))

m_dif  <- lm(dlC ~ dlY + R  + pi,  data = base_d)
m_dif2 <- lm(dlC ~ dlY + dR + dpi, data = base_d)

tab_dif <- tabla_modelos(list("Δln C ~ Δln Y + R + π (preferido)" = m_dif,
                              "Δln C ~ Δln Y + ΔR + Δπ" = m_dif2))
tab_dif <- rbind(tab_dif,
                 "R²"            = round(c(r2(m_dif), r2(m_dif2)), 3),
                 "Durbin-Watson" = round(c(dw(m_dif), dw(m_dif2)), 3),
                 "n"             = c(nobs(m_dif), nobs(m_dif2)))
kable(tab_dif, caption = "MCO con variables estacionarias. Variable dependiente: crecimiento anualizado del consumo (%).")
MCO con variables estacionarias. Variable dependiente: crecimiento anualizado del consumo (%).
Δln C ~ Δln Y + R + π (preferido) Δln C ~ Δln Y + ΔR + Δπ
(Intercept) 2.943*** (0.544) 1.992*** (0.313)
dlY 0.428*** (0.065) 0.445*** (0.066)
R -0.102 (0.097)
pi -0.193** (0.083)
dR 0.034 (0.321)
dpi 0.257 (0.309)
R² 0.223 0.233
Durbin-Watson 2.468 2.406
n 202 202

b.4 Interpretación

Coeficiente Niveles (espurio) Diferencias (preferido) Lectura económica
\(\beta_1\) — ≈ 2.9 Crecimiento autónomo del consumo de casi 3% anual cuando el ingreso no crece y R = π = 0.
\(\beta_2\) 0.94 (PMgC) ≈ 0.43 Si el ingreso disponible crece 1 p.p. más en un trimestre, el consumo crece solo 0.43 p.p. más. Los hogares suavizan el consumo: solo una parte de los cambios transitorios del ingreso se traslada al gasto, como predicen las teorías del ingreso permanente y del ciclo de vida. Cumple \(0 < \beta_2 < 1\).
\(\beta_3\) −21.7 (muy significativo) ≈ −0.10 (no significativo) El signo negativo es el esperado (domina el efecto sustitución), pero el efecto no es estadísticamente distinto de cero. Es consistente con la evidencia empírica para EE.UU. de una elasticidad de sustitución intertemporal baja (Hall, 1988). La significancia que mostraba el modelo en niveles era espuria.
\(\beta_4\) −21.0 (muy significativo) ≈ −0.19 (significativo al 5%) Un punto más de inflación reduce el crecimiento del consumo en 0.19 p.p. Domina el canal negativo: la inflación erosiona la riqueza real y aumenta la incertidumbre, lo que incentiva el ahorro precautorio.
R² 0.998 ≈ 0.22 El R² baja mucho porque ahora se explica el crecimiento del consumo, no su nivel; un R² de 0.22 es normal en series en diferencias.

El modelo con todas las variables diferenciadas (ΔR, Δπ) da una propensión similar (0.45), pero R y π pierden toda significancia: diferenciar series I(0) elimina la información de nivel que sí es relevante para el consumo, en línea con la sobrediferenciación encontrada en el punto a. Por eso el modelo preferido mantiene R y π en niveles.

Punto c: Evaluación de los supuestos

Se evalúan los supuestos del modelo preferido (m_dif).

e_dif <- resid(m_dif)

# Exogeneidad: prueba de Wu-Hausman con instrumentos rezagados
base_iv <- base_d |>
  mutate(dlY1 = dplyr::lag(dlY), dlY2 = dplyr::lag(dlY, 2),
         R1 = dplyr::lag(R), pi1 = dplyr::lag(pi)) |>
  filter(!is.na(dlY2))
m_iv  <- ivreg(dlC ~ dlY + R + pi | dlY1 + dlY2 + R1 + pi1, data = base_iv)
diag_iv <- summary(m_iv, diagnostics = TRUE)$diagnostics

white <- bptest(m_dif, ~ dlY * R * pi + I(dlY^2) + I(R^2) + I(pi^2), data = base_d)
media <- t.test(e_dif)
bp    <- bptest(m_dif)
dwt   <- dwtest(m_dif, alternative = "two.sided")
bg    <- bgtest(m_dif, order = 4)
lb    <- Box.test(e_dif, lag = 8, type = "Ljung-Box")
jb    <- jarque.bera.test(e_dif)
reset <- resettest(m_dif)

supuestos <- data.frame(
  Supuesto = c("Media cero", "Varianza constante", "Varianza constante",
               "No autocorrelación", "No autocorrelación", "No autocorrelación",
               "Exogeneidad", "Exogeneidad", "Normalidad", "Forma funcional"),
  Prueba = c("t de la media de los residuos", "Breusch-Pagan", "White",
             "Durbin-Watson", "Breusch-Godfrey (4 rezagos)", "Ljung-Box (8 rezagos)",
             "Wu-Hausman (instrumentos rezagados)", "F de instrumentos débiles (Δln Y)",
             "Jarque-Bera", "RESET de Ramsey"),
  H0 = c("E(e) = 0", "Homocedasticidad", "Homocedasticidad",
         "ρ = 0", "No autocorrelación hasta orden 4", "No autocorrelación hasta orden 8",
         "Regresores exógenos", "Instrumentos débiles", "Normalidad", "Forma funcional correcta"),
  Estadístico = round(c(media$statistic, bp$statistic, white$statistic,
                        dwt$statistic, bg$statistic, lb$statistic,
                        diag_iv["Wu-Hausman", "statistic"],
                        diag_iv["Weak instruments (dlY)", "statistic"],
                        jb$statistic, reset$statistic), 3),
  `p-valor` = signif(c(media$p.value, bp$p.value, white$p.value,
                       dwt$p.value, bg$p.value, lb$p.value,
                       diag_iv["Wu-Hausman", "p-value"],
                       diag_iv["Weak instruments (dlY)", "p-value"],
                       jb$p.value, reset$p.value), 3),
  check.names = FALSE
)
supuestos$`¿Se cumple? (5%)` <- c(
  ifelse(supuestos$`p-valor`[1] > 0.05, "Sí", "No"),
  ifelse(supuestos$`p-valor`[2:6] > 0.05, "Sí", "No"),
  ifelse(supuestos$`p-valor`[7] > 0.05, "Sí", "No (ver nota)"),
  ifelse(supuestos$Estadístico[8] >= 10, "Instrumentos fuertes", "Instrumentos débiles (F < 10)"),
  ifelse(supuestos$`p-valor`[9:10] > 0.05, "Sí", "No"))
kable(supuestos, caption = "Evaluación de supuestos del modelo en diferencias")
Evaluación de supuestos del modelo en diferencias
Supuesto Prueba H0 Estadístico p-valor ¿Se cumple? (5%)
Media cero t de la media de los residuos E(e) = 0 0.000 1.00e+00 Sí
Varianza constante Breusch-Pagan Homocedasticidad 23.580 3.06e-05 No
Varianza constante White Homocedasticidad 69.266 0.00e+00 No
No autocorrelación Durbin-Watson ρ = 0 2.468 1.21e-03 No
No autocorrelación Breusch-Godfrey (4 rezagos) No autocorrelación hasta orden 4 36.484 2.00e-07 No
No autocorrelación Ljung-Box (8 rezagos) No autocorrelación hasta orden 8 46.587 2.00e-07 No
Exogeneidad Wu-Hausman (instrumentos rezagados) Regresores exógenos 6.346 4.00e-04 No (ver nota)
Exogeneidad F de instrumentos débiles (Δln Y) Instrumentos débiles 3.450 9.47e-03 Instrumentos débiles (F < 10)
Normalidad Jarque-Bera Normalidad 638.894 0.00e+00 No
Forma funcional RESET de Ramsey Forma funcional correcta 0.589 5.56e-01 Sí
par(mfrow = c(2, 2), mar = c(4, 4.5, 3, 1), las = 1)
plot(base_d$fecha, e_dif, type = "l", col = "#1f4e79", xlab = "", ylab = "Residuo",
     main = "Residuos en el tiempo")
abline(h = 0, lty = 2, col = "grey40")
plot(fitted(m_dif), e_dif^2, pch = 16, col = adjustcolor("#1f4e79", 0.5),
     xlab = "Valor ajustado", ylab = "Residuo²", main = "Residuo² vs ajustados")
acf(e_dif, lag.max = 20, main = "FAC de los residuos")
qqnorm(e_dif, pch = 16, col = adjustcolor("#c0504d", 0.5), main = "QQ-plot normal")
qqline(e_dif)

par(mfrow = c(1, 1))

Interpretación.

  • Media cero. Se cumple por construcción: al incluir constante, MCO garantiza que los residuos sumen cero.
  • Varianza constante. Breusch-Pagan y White rechazan la homocedasticidad. El gráfico de residuos muestra por qué: la varianza es mucho mayor en 1950–52 (Guerra de Corea) y en 1974–82 (choques petroleros y Volcker) que en la Gran Moderación posterior a 1984. Es heterocedasticidad condicional, propia de series macroeconómicas, del tipo que modelan los procesos ARCH/GARCH (capítulo 12).
  • No autocorrelación. El Durbin-Watson es cercano a 2.5, lo que sugiere autocorrelación negativa de primer orden. Breusch-Godfrey y Ljung-Box rechazan la ausencia de autocorrelación: la FAC de los residuos muestra un valor negativo en el rezago 1 (≈ −0.30) y uno positivo en el rezago 2 (≈ 0.30). Se corrige en el punto d.
  • Exogeneidad. Desde la teoría, el ingreso disponible no es estrictamente exógeno: el consumo es parte del ingreso nacional, así que un choque al consumo también mueve el ingreso (sesgo de simultaneidad de Haavelmo). La prueba de Wu-Hausman con instrumentos rezagados rechaza la exogeneidad, pero el estadístico F de la primera etapa para Δln Y es menor que 10 (regla de Staiger y Stock): los rezagos predicen poco el crecimiento actual del ingreso. Con instrumentos débiles la prueba es poco confiable, así que la evidencia sobre exogeneidad es no concluyente; el posible sesgo debe tenerse presente al interpretar \(\beta_2\).
  • Normalidad. Jarque-Bera rechaza con fuerza. El QQ-plot muestra colas pesadas causadas por pocas observaciones extremas: 1950–51 (compras anticipadas por la Guerra de Corea) y 1974–75. Con 202 observaciones la inferencia sigue siendo válida asintóticamente.
  • Forma funcional. RESET no rechaza: la especificación lineal es adecuada.

Punto d: Corrección de la autocorrelación

d.1 Identificación de la estructura

par(mfrow = c(1, 2))
acf(e_dif,  lag.max = 20, main = "FAC residuos")
pacf(e_dif, lag.max = 20, main = "FACP residuos")

par(mfrow = c(1, 1))

base_d |>
  mutate(residuo = round(e_dif, 1)) |>
  arrange(desc(abs(residuo))) |>
  select(fecha, dlC, dlY, residuo) |>
  head(6) |>
  kable(caption = "Observaciones con mayores residuos")
Observaciones con mayores residuos
fecha dlC dlY residuo
1951.25 -11.345716 5.884151 -16.5
1950.75 -11.990488 4.487893 -15.9
1950.50 19.977871 6.199063 15.4
1952.75 13.823600 7.576102 7.8
1951.00 9.079835 -0.694818 7.7
1974.75 -6.610723 -2.180629 -7.0

La FACP de los residuos tiene dos valores significativos (rezago 1 negativo y rezago 2 positivo), lo que indica que el error sigue un esquema AR(2), no un AR(1). Además, los residuos más grandes se concentran en 1950–52: en la Guerra de Corea los hogares adelantaron compras por temor a la escasez y luego las recortaron, lo que genera un patrón de “sube y baja” en el crecimiento del consumo que se traduce en autocorrelación negativa.

d.2 Alternativas de corrección

Se comparan seis alternativas:

  1. Newey-West (HAC): mantiene los coeficientes de MCO y corrige solo los errores estándar por autocorrelación y heterocedasticidad.
  2. Cochrane-Orcutt iterativo: MCG factibles suponiendo error AR(1), sobre la ecuación en diferencias generalizadas \(y_t - \hat\rho y_{t-1} = (x_t - \hat\rho x_{t-1})'\beta + u_t\); pierde la primera observación.
  3. Prais-Winsten: igual que Cochrane-Orcutt, pero conserva la primera observación transformándola con \(\sqrt{1-\hat\rho^2}\).
  4. MCG con errores AR(2) por máxima verosimilitud, la estructura que sugiere la FACP.
  5. Modelo dinámico (ADL): agrega rezagos del consumo y del ingreso, por si la autocorrelación viene de una dinámica omitida.
  6. Submuestra 1953–2000: excluye el episodio atípico de la Guerra de Corea.
# MCG factibles con error AR(1): Cochrane-Orcutt (prais = FALSE) o Prais-Winsten (prais = TRUE)
fgls_ar1 <- function(modelo, prais = FALSE, tol = 1e-6, max_iter = 100) {
  X <- model.matrix(modelo); y <- model.response(model.frame(modelo)); n <- length(y)
  b <- coef(modelo); rho <- 0
  for (i in seq_len(max_iter)) {
    e   <- as.numeric(y - X %*% b)
    rho_nuevo <- sum(e[-1] * e[-n]) / sum(e[-n]^2)
    ys <- y[-1] - rho_nuevo * y[-n]
    Xs <- X[-1, , drop = FALSE] - rho_nuevo * X[-n, , drop = FALSE]
    if (prais) {
      ys <- c(sqrt(1 - rho_nuevo^2) * y[1], ys)
      Xs <- rbind(sqrt(1 - rho_nuevo^2) * X[1, ], Xs)
    }
    colnames(Xs) <- colnames(X)
    datos_t <- data.frame(ys = ys, Xs, check.names = FALSE)
    ajuste  <- lm(ys ~ . - 1, data = datos_t)
    b <- coef(ajuste); names(b) <- colnames(X)
    if (abs(rho_nuevo - rho) < tol) break
    rho <- rho_nuevo
  }
  names(ajuste$coefficients) <- colnames(X)
  list(modelo = ajuste, rho = rho_nuevo, iteraciones = i)
}
# 1. Newey-West
vc_nw <- NeweyWest(m_dif, prewhite = FALSE)

# 2 y 3. Cochrane-Orcutt y Prais-Winsten
co <- fgls_ar1(m_dif, prais = FALSE)
pw <- fgls_ar1(m_dif, prais = TRUE)

# 4. MCG con errores AR(2) (se renombra pi para evitar conflicto con la constante pi de R)
base_g <- base_d |> rename(infl = pi)
g_ar2  <- gls(dlC ~ dlY + R + infl, data = base_g, correlation = corARMA(p = 2, q = 0), method = "ML")

# 5. Modelo dinámico ADL
m_adl <- lm(dlC ~ dplyr::lag(dlC) + dplyr::lag(dlC, 2) + dlY + dplyr::lag(dlY) + R + pi, data = base_d)

# 6. Submuestra sin la Guerra de Corea
m_sub <- lm(dlC ~ dlY + R + pi, data = subset(base_d, fecha >= 1953))

# Tabla de coeficientes
coef_gls <- function(g, v) {
  tt <- summary(g)$tTable; v <- ifelse(v == "pi", "infl", v)
  est <- tt[v, 1]; se <- tt[v, 2]; p <- tt[v, 4]
  paste0(formatC(est, format = "f", digits = 3),
         ifelse(p < 0.01, "***", ifelse(p < 0.05, "**", ifelse(p < 0.1, "*", ""))),
         " (", formatC(se, format = "f", digits = 3), ")")
}
vars_clave <- c("(Intercept)", "dlY", "R", "pi")
tab_corr <- tabla_modelos(list("MCO" = m_dif, "Newey-West" = m_dif,
                               "Cochrane-Orcutt" = co$modelo, "Prais-Winsten" = pw$modelo,
                               "ADL" = m_adl, "1953–2000" = m_sub),
                          vcovs = list(NULL, vc_nw, NULL, NULL, NULL, NULL))[vars_clave, ]
tab_corr <- cbind(tab_corr, "MCG AR(2)" = sapply(vars_clave, function(v) coef_gls(g_ar2, v)))
tab_corr <- tab_corr[, c("MCO", "Newey-West", "Cochrane-Orcutt", "Prais-Winsten", "MCG AR(2)", "ADL", "1953–2000")]
rownames(tab_corr) <- c("Constante", "Δln Y", "R", "π")
kable(tab_corr, caption = "Coeficientes bajo las distintas correcciones. Errores estándar entre paréntesis.")
Coeficientes bajo las distintas correcciones. Errores estándar entre paréntesis.
MCO Newey-West Cochrane-Orcutt Prais-Winsten MCG AR(2) ADL 1953–2000
Constante 2.943*** (0.544) 2.943*** (0.513) 2.348*** (0.377) 2.383*** (0.404) 2.670*** (0.475) 1.862*** (0.518) 2.982*** (0.429)
Δln Y 0.428*** (0.065) 0.428*** (0.076) 0.519*** (0.053) 0.542*** (0.056) 0.490*** (0.054) 0.431*** (0.055) 0.427*** (0.050)
R -0.102 (0.097) -0.102 (0.083) 0.038 (0.066) -0.022 (0.070) -0.065 (0.084) -0.063 (0.082) -0.053 (0.082)
π -0.193** (0.083) -0.193*** (0.066) -0.183*** (0.055) -0.182*** (0.059) -0.195*** (0.073) -0.168** (0.067) -0.217*** (0.064)

d.3 ¿Se corrigió el problema?

Para cada alternativa se vuelve a probar la autocorrelación sobre los residuos del modelo corregido: Breusch-Godfrey en los modelos estimados por MCO y Ljung-Box sobre los residuos normalizados en el MCG por máxima verosimilitud.

rho_ar2 <- coef(g_ar2$modelStruct$corStruct, unconstrained = FALSE)
lb_gls  <- Box.test(residuals(g_ar2, type = "normalized"), lag = 8, type = "Ljung-Box")
bg_p    <- function(m) bgtest(m, order = 4)$p.value

verif <- data.frame(
  Alternativa = c("MCO original", "Newey-West", "Cochrane-Orcutt", "Prais-Winsten",
                  "MCG AR(2)", "ADL", "Submuestra 1953–2000"),
  `Estructura del error` = c("—", "No se modela (corrige solo los errores estándar)",
                             paste0("AR(1), ρ = ", round(co$rho, 3)),
                             paste0("AR(1), ρ = ", round(pw$rho, 3)),
                             paste0("AR(2), φ₁ = ", round(rho_ar2[1], 3), ", φ₂ = ", round(rho_ar2[2], 3)),
                             "Rezagos de Δln C y Δln Y", "—"),
  Prueba = c("Breusch-Godfrey(4)", "—", "Breusch-Godfrey(4)", "Breusch-Godfrey(4)",
             "Ljung-Box(8)", "Breusch-Godfrey(4)", "Breusch-Godfrey(4)"),
  `p-valor` = signif(c(bg_p(m_dif), NA, bg_p(co$modelo), bg_p(pw$modelo),
                       lb_gls$p.value, bg_p(m_adl), bg_p(m_sub)), 3),
  check.names = FALSE
)
verif$`¿Corrige? (5%)` <- ifelse(is.na(verif$`p-valor`), "Inferencia válida (HAC)",
                                 ifelse(verif$`p-valor` > 0.05, "Sí", "No"))
kable(verif, caption = "Autocorrelación remanente después de cada corrección")
Autocorrelación remanente después de cada corrección
Alternativa Estructura del error Prueba p-valor ¿Corrige? (5%)
MCO original — Breusch-Godfrey(4) 2.00e-07 No
Newey-West No se modela (corrige solo los errores estándar) — NA Inferencia válida (HAC)
Cochrane-Orcutt AR(1), ρ = -0.359 Breusch-Godfrey(4) 3.63e-03 No
Prais-Winsten AR(1), ρ = -0.361 Breusch-Godfrey(4) 4.46e-03 No
MCG AR(2) AR(2), φ₁ = -0.305, φ₂ = 0.305 Ljung-Box(8) 1.56e-01 Sí
ADL Rezagos de Δln C y Δln Y Breusch-Godfrey(4) 6.91e-03 No
Submuestra 1953–2000 — Breusch-Godfrey(4) 6.37e-02 Sí
# Cochrane-Orcutt aplicado al modelo en logaritmos (niveles) del punto b
co_niv <- fgls_ar1(m_log, prais = FALSE)
c(rho = round(co_niv$rho, 4),
  `p-valor BG(4)` = signif(bgtest(co_niv$modelo, order = 4)$p.value, 3))
##           rho p-valor BG(4) 
##     9.986e-01     4.820e-06
kable(tabla_modelos(list("Cochrane-Orcutt sobre ln C ~ ln Y + R + π" = co_niv$modelo), digitos = 4),
      caption = "Cochrane-Orcutt sobre el modelo en niveles")
Cochrane-Orcutt sobre el modelo en niveles
Cochrane-Orcutt sobre ln C ~ ln Y + R + π
(Intercept) 7.9474*** (1.0200)
lY 0.4457*** (0.0662)
R 0.0001 (0.0008)
pi 0.0006 (0.0008)

Resultados de las correcciones.

  1. Cochrane-Orcutt y Prais-Winsten no corrigen el problema (Breusch-Godfrey sigue rechazando). La razón es que ambos suponen un error AR(1), y la FACP de los residuos muestra que la estructura es AR(2): al quitar solo el primer rezago queda autocorrelación en el segundo.
  2. El MCG con errores AR(2) sí lo corrige: los residuos normalizados ya no muestran autocorrelación (Ljung-Box no rechaza). Es la corrección que corresponde a la estructura identificada en d.1.
  3. Newey-West no elimina la autocorrelación, pero hace válida la inferencia frente a autocorrelación y heterocedasticidad a la vez. Es una alternativa razonable, dado que en el punto c también se rechazó la homocedasticidad.
  4. El modelo ADL reduce pero no elimina la autocorrelación. Los rezagos del consumo y del ingreso son significativos (hay algo de dinámica omitida), pero los episodios extremos siguen dominando.
  5. En la submuestra 1953–2000 la autocorrelación desaparece (Breusch-Godfrey no rechaza al 5% y el DW es ≈ 2). Esto muestra que el problema no es una característica estructural del consumo de EE.UU., sino que lo genera el episodio atípico de la Guerra de Corea: compras anticipadas en 1950 y recortes en 1951 que producen el patrón de “sube y baja”.
  6. Cochrane-Orcutt sobre el modelo en niveles estima ρ ≈ 0.999. Transformar con ρ = 1 es exactamente tomar primeras diferencias, así que la propia corrección “pide” diferenciar, y aun así quedan residuos autocorrelacionados. Esto confirma lo concluido en b: el problema del modelo en niveles no es una autocorrelación pura del error, sino que la regresión es espuria, y ninguna corrección de MCG lo resuelve.

Robustez. En todas las alternativas los resultados económicos se mantienen: la propensión marginal a consumir de corto plazo está entre 0.43 y 0.55 y es muy significativa; la inflación tiene un efecto negativo y significativo de entre −0.17 y −0.22; y la tasa de interés real no es significativa en ninguna especificación.

Conclusión del punto d. La autocorrelación del modelo en diferencias se corrige con MCG suponiendo errores AR(2), y su origen está identificado: los datos de la Guerra de Corea (1950–52). Las correcciones AR(1) clásicas (Cochrane-Orcutt, Prais-Winsten) no la resuelven porque suponen una estructura equivocada. En el modelo en niveles la autocorrelación no se puede corregir con estos métodos, porque es síntoma de una regresión espuria entre series I(1) no cointegradas, no de un problema del término de error.

corr_grid <- function(lista, k = k_acf) {
  par(mfrow = c(length(lista), 2), mar = c(4, 4, 3.2, 1), mgp = c(2.2, 0.7, 0),
      las = 1, cex.main = 1.05)
  for (nm in names(lista)) {
    x <- as.numeric(lista[[nm]])
    acf(x,  lag.max = k, main = paste("FAC:", nm),  xlab = "Rezago", ylab = "",
        col = "#1f4e79", lwd = 2)
    pacf(x, lag.max = k, main = paste("FACP:", nm), xlab = "Rezago", ylab = "",
         col = "#c0504d", lwd = 2)
  }
  par(mfrow = c(1, 1))
}

lista_niv <- list("ln C" = base_ts[, "lC"], "ln Y" = base_ts[, "lY"],
                  "R" = base_ts[, "R"], "π" = base_ts[, "pi"])
lista_dif <- list("Δln C" = dif_ts[, "lC"], "Δln Y" = dif_ts[, "lY"],
                  "ΔR" = dif_ts[, "R"], "Δπ" = dif_ts[, "pi"])
# ---- Guarda todas las gráficas en PNG en la carpeta "Graficas" ----
dir_g <- file.path(ruta, "Graficas")
dir.create(dir_g, showWarnings = FALSE)
azul <- "#1f4e79"; rojo <- "#c0504d"

# Correlogramas: FAC y FACP de varias series en una sola figura
corr_grid <- function(lista, k = k_acf) {
  par(mfrow = c(length(lista), 2), mar = c(4, 4, 3.2, 1), mgp = c(2.2, 0.7, 0),
      las = 1, cex.main = 1.05)
  for (nm in names(lista)) {
    x <- as.numeric(lista[[nm]])
    acf(x,  lag.max = k, main = paste("FAC:", nm),  xlab = "Rezago", ylab = "",
        col = azul, lwd = 2)
    pacf(x, lag.max = k, main = paste("FACP:", nm), xlab = "Rezago", ylab = "",
         col = rojo, lwd = 2)
  }
  par(mfrow = c(1, 1))
}

lista_niv <- list("ln C" = base_ts[, "lC"], "ln Y" = base_ts[, "lY"],
                  "R" = base_ts[, "R"], "π" = base_ts[, "pi"])
lista_dif <- list("Δln C" = dif_ts[, "lC"], "Δln Y" = dif_ts[, "lY"],
                  "ΔR" = dif_ts[, "R"], "Δπ" = dif_ts[, "pi"])

# Cada gráfica es una función
g_niveles <- function() {
  par(mfrow = c(5, 1), mar = c(2.2, 4.5, 1.8, 1), oma = c(1, 0, 4.5, 0), las = 1)
  panel(base_ts[, "C"], "Consumo real (C)", azul, "Miles de millones USD", recesion = TRUE)
  mtext(hechos$nombre, side = 3, at = (hechos$ini + hechos$fin) / 2,
        line = hechos$altura + 1.6, cex = 0.7, padj = 0)
  panel(base_ts[, "Y"],  "Ingreso disponible real (Y)", rojo, "Miles de millones USD", recesion = TRUE)
  panel(base_ts[, "R"],  "Tasa de interés real (R)", azul, "%")
  panel(base_ts[, "pi"], "Inflación IPC (π)", rojo, "%")
  panel(datos$cpi_u[!is.na(datos$pi_calc)], "Índice de precios al consumidor (IPC)", azul, "Índice")
}

g_diferencias <- function() {
  par(mfrow = c(4, 1), mar = c(2.2, 4.5, 1.8, 1), oma = c(1, 0, 4.5, 0), las = 1)
  panel_dif(400 * dif_ts[, "lC"], "Crecimiento del consumo real (400 Δln C)", azul, "% anual", recesion = TRUE)
  mtext(hechos$nombre, side = 3, at = (hechos$ini + hechos$fin) / 2,
        line = hechos$altura + 1.6, cex = 0.7, padj = 0)
  panel_dif(400 * dif_ts[, "lY"], "Crecimiento del ingreso disponible real (400 Δln Y)", rojo, "% anual", recesion = TRUE)
  panel_dif(dif_ts[, "R"],  "Cambio en la tasa de interés real (ΔR)", azul, "p.p.")
  panel_dif(dif_ts[, "pi"], "Cambio en la inflación (Δπ)", rojo, "p.p.")
}

g_corr_niveles     <- function() corr_grid(lista_niv)
g_corr_diferencias <- function() corr_grid(lista_dif)

g_residuos_niveles <- function() {
  par(mar = c(3, 4.5, 1.5, 1), las = 1)
  plot(base$fecha, resid(m_log), type = "n", xlab = "", ylab = "Residuo")
  fondo(); abline(h = 0, lty = 2, col = "grey40")
  lines(base$fecha, resid(m_log), col = azul, lwd = 1.6); box()
}

g_diagnostico <- function() {
  par(mfrow = c(3, 2), mar = c(4, 4.5, 2.5, 1), las = 1, cex.main = 1)
  plot(base_d$fecha, e_dif, type = "n", xlab = "", ylab = "Residuo", main = "Residuos en el tiempo")
  fondo(); abline(h = 0, lty = 2, col = "grey40"); lines(base_d$fecha, e_dif, col = azul); box()
  plot(fitted(m_dif), e_dif^2, pch = 16, col = adjustcolor(azul, 0.5),
       xlab = "Valor ajustado", ylab = "Residuo²", main = "Residuo² frente a valores ajustados")
  acf(e_dif,  lag.max = 20, main = "FAC de los residuos",  xlab = "Rezago", ylab = "", col = azul, lwd = 2)
  pacf(e_dif, lag.max = 20, main = "FACP de los residuos", xlab = "Rezago", ylab = "", col = rojo, lwd = 2)
  hist(e_dif, breaks = 30, freq = FALSE, col = "grey85", border = "white",
       main = "Histograma frente a la normal", xlab = "Residuo", ylab = "Densidad")
  curve(dnorm(x, mean(e_dif), sd(e_dif)), add = TRUE, lwd = 2, col = rojo)
  qqnorm(e_dif, pch = 16, col = adjustcolor(rojo, 0.5), main = "Gráfico cuantil-cuantil normal",
         xlab = "Cuantiles teóricos", ylab = "Cuantiles muestrales")
  qqline(e_dif)
}

# Nombre del archivo y tamaño c(ancho, alto) en pulgadas
graficas <- list(
  Niveles                   = list(g_niveles,          c(7.5, 10.5)),
  Diferencias               = list(g_diferencias,      c(7.5, 9)),
  Correlogramas_niveles     = list(g_corr_niveles,     c(7.5, 10)),
  Correlogramas_diferencias = list(g_corr_diferencias, c(7.5, 10)),
  Residuos_niveles          = list(g_residuos_niveles, c(7.5, 3.6)),
  Diagnostico_residuos      = list(g_diagnostico,      c(7.5, 9))
)

# Un PNG por gráfica a 300 dpi (type = "cairo" para que salgan π y Δ)
for (nm in names(graficas)) {
  png(file.path(dir_g, paste0(nm, ".png")),
      width = graficas[[nm]][[2]][1], height = graficas[[nm]][[2]][2],
      units = "in", res = 300, type = "cairo")
  graficas[[nm]][[1]]()
  dev.off()
}

list.files(dir_g, pattern = "\\.png$")
## [1] "Correlogramas_diferencias.png" "Correlogramas_niveles.png"    
## [3] "Diagnostico_residuos.png"      "Diferencias.png"              
## [5] "Niveles.png"                   "Residuos_niveles.png"