PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR

FACULTAD DE ECONOMÍA

Disertación previa a la obtención del título de Economista

¿Qué tan efectiva es la estimulación fiscal para incentivar la

economía? Evidencia en países de alto y bajo ingreso,
período 2000-2017

Carolina Álvarez Garavito

carolina.alvarezg21@gmail.com

Director: Econ. Nicolás Acosta

hnacosta@puce.edu.ec

Quito, agosto de 2018

 Resumen

La presente investigación aborda el tema de la efectividad de la política fiscal como medida de

dinamización de la economía, estimando el tamaño de los multiplicadores fiscales para un panel
de 34 países utilizando datos trimestrales para el período 2000-2017. Específicamente, se quiso
contribuir a la literatura empírica al analizar si los canales tradicionales propuestos por el modelo
Mundell-Fleming, el efecto crowding-out y la teoría de Equivalencia Ricardiana se cumplían bajo
el panel y período presentados. Así, se estimó el valor de los multiplicadores en paneles de
países diferenciados por características económicas específicas, como nivel de ingreso, apertura
comercial, régimen de tipo de cambio y nivel de endeudamiento.

Para ello, se utilizaron técnicas de panel dinámico, como el estimador de Least Square Dummy
Variable (LSDV), el estimador de Arellano y Bond de uno y dos pasos, el estimador de Blundell y
Bond y el estimador de Kiviet. Además, se estimó un modelo de variables instrumentales para
corregir por un potencial sesgo de endogeneidad no captado por los estimadores de panel
dinámico, en donde el gasto público se instrumentó mediante la variable de deuda del gobierno
central. Por último, se estimó un modelo de ecuaciones simultáneas, así como también un
modelo de VAR de panel (PVAR), que corrigen por un potencial sesgo de simultaneidad.

Los resultados de panel sugieren que: i) el efecto del gasto sobre el PIB es mayor en economías
de alto ingreso que en economías de bajo ingreso; ii) el multiplicador fiscal es mayor en
economías con baja apertura comercial que en economías con alta apertura; iii) el multiplicador
es relativamente mayor en economías que operan bajo un tipo de cambio fijo; y iv) no se
evidenció que el multiplicador difiriera entre distintos niveles de endeudamiento en el corto
plazo, pero se mostró que la diferencia entre períodos de alto y bajo endeudamiento es visible
en el largo plazo. Asimismo, se calculó el valor del multiplicador para países individuales
utilizando el modelo de VI y ecuaciones simultáneas, en donde se evidenció que los resultados
de panel se sostienen en niveles de estimación desagregados, excepto en economías de bajo
ingreso que operan bajo distintos regímenes de tipo de cambio.

Palabras clave: Política fiscal, multiplicadores fiscales, modelo Mundell-Fleming, efecto

crowding-out, teoría de Equivalencia Ricardiana, panel de países, estimadores de panel
dinámico.

2
Dedicatoria

3
Agradecimientos

4
 ¿Qué tan efectiva es la estimulación fiscal para incentivar la
economía? Evidencia en países de alto y bajo ingreso,
período 2000-2017

Resumen .............................................................................................................................2
Dedicatoria..........................................................................................................................3
Agradecimientos .................................................................................................................4
Introducción ...................................................................................................................... 11
Metodología del trabajo .................................................................................................... 13
Descripción de la metodología ....................................................................................... 13
Estrategia de investigación.................................................................................................. 13
Procedimiento metodológico.............................................................................................. 13
Fuentes de información ...................................................................................................... 14
Preguntas de investigación ............................................................................................. 16
Pregunta General ................................................................................................................ 16
Preguntas Específicas .......................................................................................................... 16
Objetivos de la investigación .......................................................................................... 16
Objetivo General ................................................................................................................. 16
Objetivos Específicas ........................................................................................................... 16
Fundamentos teóricos ....................................................................................................... 17
Política fiscal.................................................................................................................. 17
Instrumentos fiscales .......................................................................................................... 17
Funciones de la política fiscal .............................................................................................. 18
Política fiscal de estabilización: política fiscal discrecional y estabilizadores automáticos 19
Multiplicador fiscal ........................................................................................................ 21
Definición ............................................................................................................................ 21
Tipos de multiplicador ......................................................................................................... 21
Teorías económicas sobre el multiplicador fiscal ............................................................. 22
Teoría keynesiana ................................................................................................................... 23
Multiplicador keynesiano .................................................................................................... 24
Escuela Ortodoxa Keynesiana ................................................................................................. 26
Modelo IS-LM en una economía cerrada ............................................................................ 26
Modelo Mundell-Fleming .................................................................................................... 31
1. Política fiscal bajo tipo de cambio fijo ............................................................................. 32
2.Política fiscal bajo tipo de cambio flexible ....................................................................... 34
Escuela Monetarista, Escuela Neoclásica y efecto “crowding out” ........................................ 36

5
 Efecto crowding-out: curva LM vertical .................................................................................. 37
Efecto crowding-out: inversión privada .................................................................................. 38
Efecto crowding-out: Financiamiento de la política fiscal .................................................. 39
Nueva Economía Clásica.......................................................................................................... 40
Escuela Neokeynesiana ........................................................................................................... 41
Efectos del instrumento fiscal utilizado .................................................................................. 41
Multiplicadores y el ciclo económico ...................................................................................... 42
Marco Metodológico...................................................................................................... 43
Aspectos preliminares de series temporales ...................................................................... 43
Estimación de los multiplicadores: Problema de identificación ......................................... 44
Metodologías de series de tiempo .......................................................................................... 45
Modelo de ecuaciones simultáneas .................................................................................... 45
Modelos VAR y SVAR ........................................................................................................... 46
Modelo de variables instrumentales................................................................................... 47
Metodologías de datos de panel ............................................................................................. 49
Paneles dinámicos ............................................................................................................... 49
Estimador Least Square Dummy Variable (LSDV) ............................................................... 50
Estimadores LSDV corregidos por sesgo e inconsistencia................................................... 51
Exogeneidad secuencial ...................................................................................................... 51
Estimador de Arellano y Bond ............................................................................................. 52
Estimador de Blundell y Bond (1998) .................................................................................. 54
Estimador de Kiviet (1995) .................................................................................................. 56
Variables instrumentales en panel ...................................................................................... 56
Modelo VAR en panel.......................................................................................................... 57
Capítulo I: Estimación de los multiplicadores fiscales con de datos de panel ........................ 59
Ventajas de datos de panel ............................................................................................ 60
Países incluidos en la muestra ........................................................................................ 61
Datos ............................................................................................................................. 62
Estrategia de identificación ............................................................................................ 63
Multiplicador fiscal de impacto ........................................................................................... 63
Multiplicador fiscal acumulado ........................................................................................... 66
Multiplicadores en países de alto y bajo Ingreso ............................................................. 67
Características de la muestra .......................................................................................... 68
Resultados ........................................................................................................................... 70
Comparación ...................................................................................................................... 77
Multiplicadores en economías abiertas y cerradas .......................................................... 78
Características de la muestra .............................................................................................. 81

6
 Resultados ........................................................................................................................... 82
Comparación ....................................................................................................................... 87
Multiplicadores bajo tipo de cambio fijo y flexible .......................................................... 88
Características de la muestra .............................................................................................. 90
Resultados ........................................................................................................................... 91
Comparación ....................................................................................................................... 95
Multiplicadores en países con endeudamiento alto y bajo .............................................. 96
Características de la muestra .............................................................................................. 99
Resultados ......................................................................................................................... 100
Comparación ..................................................................................................................... 104
Conclusiones Capítulo I ................................................................................................ 105
Capítulo 2: Estimación de los multiplicadores fiscales para países individuales .................. 107
Selección de la submuestra .......................................................................................... 108
Economías de alto ingreso............................................................................................ 109
Tipo de cambio fijo y flexible ............................................................................................ 109
Apertura comercial alta y baja .......................................................................................... 111
Nivel de endeudamiento alto y bajo ................................................................................. 113
Economías de bajo ingreso ........................................................................................... 114
Tipo de cambio fijo y flexible ............................................................................................ 114
Apertura comercial alta y baja .......................................................................................... 116
Nivel de endeudamiento alto y bajo ................................................................................. 118
Conclusiones Capítulo II ............................................................................................... 119
Conclusiones ................................................................................................................... 121
Recomendaciones ........................................................................................................... 123
Referencias bibliográficas ................................................................................................ 125
Anexos ............................................................................................................................ 131
Anexo 1 ....................................................................................................................... 131
Anexo 2 ....................................................................................................................... 132
Anexo 3 ....................................................................................................................... 133
Anexo 4 ....................................................................................................................... 134
Anexo 5 ....................................................................................................................... 135
Anexo 6 ....................................................................................................................... 136
Anexo 7 ....................................................................................................................... 137
Anexo 8 ....................................................................................................................... 140
Anexo 9 ....................................................................................................................... 141
Anexo 10 ..................................................................................................................... 142

7
Anexo 11 ..................................................................................................................... 143
Anexo 12 ..................................................................................................................... 146
Anexo 13 ..................................................................................................................... 147
Anexo 14 ..................................................................................................................... 149
Anexo 15 ..................................................................................................................... 150
Anexo 16 ..................................................................................................................... 153

8
 Índice de tablas
Tabla 1: Variables e indicadores.................................................................................................. 15
Tabla 2:Clasificación de países según su ingreso por el Banco Mundial ..................................... 61
Tabla 3: Estadísticas descriptivas – Países de alto ingreso ......................................................... 68
Tabla 4: Estadísticas descriptivas – Países de bajo ingreso ......................................................... 68
Tabla 5: Multiplicador de impacto - Países de alto ingreso ........................................................ 71
Tabla 6: Modelos en nivel- Países de alto ingreso ...................................................................... 73
Tabla 7: Multiplicador acumulado – Países de alto ingreso........................................................ 73
Tabla 8: Multiplicador de impacto - Países de bajo ingreso ....................................................... 75
Tabla 9: Modelos en nivel- Países de bajo ingreso ..................................................................... 76
Tabla 10: Multiplicador acumulado – Países de bajo ingreso ..................................................... 76
Tabla 11: Períodos de apertura comercial por país .................................................................... 79
Tabla 12: Multiplicador de impacto - Economías abiertas.......................................................... 82
Tabla 13: Multiplicador acumulado – Economías abiertas ......................................................... 83
Tabla 14: Multiplicador de impacto - Economías cerradas ......................................................... 85
Tabla 15: Multiplicador acumulado – Economías cerradas ........................................................ 86
Tabla 16: Multiplicador de impacto - Países con tipo de cambio fijo ......................................... 91
Tabla 17: Multiplicador acumulado – Economías tipo de cambio fijo ........................................ 92
Tabla 18: Multiplicador de impacto - Países con tipo de cambio flexible................................... 93
Tabla 19: Multiplicador acumulado – Economías con tipo de cambio flexible........................... 94
Tabla 20: Episodios de endeudamiento alto por países (Deuda del gobierno central que excede
60% del PIB)................................................................................................................................. 97
Tabla 21: Multiplicador de impacto-Períodos de alto endeudamiento .................................... 100
Tabla 22: Multiplicador de impacto-Períodos de alto endeudamiento .................................... 101
Tabla 23: Multiplicador de impacto- Períodos de bajo endeudamiento .................................. 103
Tabla 24: Multiplicador acumulado-Períodos de bajo endeudamiento ................................... 103
Tabla 25: Multiplicador de impacto - Finlandia y Suecia .......................................................... 110
Tabla 26: Multiplicador de impacto – Austria y España ............................................................ 112
Tabla 27: Multiplicador de impacto – Grecia y España ............................................................. 114
Tabla 28:Multiplicador de impacto – Ecuador y Perú ............................................................... 116
Tabla 29: Multiplicador de impacto – Malasia y Filipinas ......................................................... 117
Tabla 30: Multiplicador de impacto – Perú y Bolivia ................................................................ 119

Índice de gráficos
Gráfico 1: Equilibrio modelo IS-LM en una economía cerrada ................................................... 28
Gráfico 2: Modelo IS-LM: Política monetaria expansiva ............................................................. 29
Gráfico 3: Modelo IS-LM: Política fiscal expansiva...................................................................... 30
Gráfico 4: Modelo IS-LM: Efectos de la política fiscal y monetaria............................................. 31
Gráfico 5: Política fiscal, tipo de cambio fijo y perfecta movilidad de capital ............................ 32
Gráfico 6: Política fiscal, tipo de cambio fijo e imperfecta movilidad de capital ........................ 34
Gráfico 7: Política fiscal, tipo de cambio flexible y perfecta movilidad de capital ..................... 35
Gráfico 8: Política fiscal, tipo de cambio flexible e imperfecta movilidad de capital................. 36
Gráfico 9: Efecto crowding-out ante curva LM perfectamente inelástica .................................. 38
Gráfico 10: Efecto crowding-out de la inversión privada ............................................................ 39

9
Gráfico 11: Promedio del gasto del gobierno de países de alto y bajo ingreso, durante el
período 2000-2017 ...................................................................................................................... 70
Gráfico 12: Función impulso-respuesta del modelo PVAR – Países de alto ingreso ................... 74
Gráfico 13: Función impulso-respuesta del modelo PVAR – Países de bajo ingreso .................. 77
Gráfico 14: Balanza en cuenta corriente para economías abiertas y cerradas........................... 82
Gráfico 15: Función impulso-respuesta del modelo PVAR – Economías abiertas ...................... 84
Gráfico 16: Función impulso-respuesta del modelo PVAR – Economías cerradas ..................... 87
Gráfico 17: Función impulso-respuesta del modelo PVAR - Países con tipo de cambio fijo ...... 93
Gráfico 18: Función impulso-respuesta del modelo PVAR- Países con tipo de cambio flexible . 95
Gráfico 19: Comportamiento de la deuda del gobierno central (% PIB) en economías de alto y
bajo ingreso durante el período 2000-2017 ............................................................................... 99
Gráfico 20: Función impulso-respuesta del modelo PVAR, episodios de alto endeudamiento 102
Gráfico 21: Función impulso-respuesta del modelo PVAR, episodios de bajo endeudamiento
................................................................................................................................................... 104

10
 Introducción

La recesión global y la crisis financiera de 2008-2009 llevaron a muchos países a implementar

estímulos fiscales, con el fin de incentivar la actividad económica doméstica y salir de la recesión
(Barro y Redlick, 2009; Ilzetzki, Mendonza y Végh, 2011). Esta ola de paquetes fiscales
implementados en numerosos países despertó nuevamente la larga discusión sobre qué tan
eficaz es la política fiscal como herramienta de política macroeconómica para incentivar la
producción y la demanda agregada (Barro y Redlick, 2009). La discusión entre economistas viene
dada no solamente por la falta de consenso a nivel teórico, sino por evidencias empíricas
contradictorias que surgen al utilizar metodologías y países distintos entre sí (Chian Koh, 2016).

Por un lado, las diferentes escuelas de pensamiento, como la escuela keynesiana, neoclásica y
neokeynesiana, proponen diferentes argumentos a favor o en contra del uso de estímulos
fiscales. Concretamente, se habla de la existencia de un efecto crowding-in o crowding-out del
consumo y la inversión privada frente a aumentos del gasto del gobierno. Mientras las corrientes
keynesiana y neokeynesiana proponen, en mayor o menor medida, un efecto crowding-in, la
corriente neoclásica, en la que se incluye la escuela monetarista, argumentan que existirá un
efecto crowding-out (Abel, Bernanke y Croushore, 2011; Dornbusch, Fischer y Startz, 2009;
Hemming, 2002; Snowdon y Vane, 2005).

En este contexto, las proposiciones de cada teoría condicionan la magnitud que podrían tomar
los multiplicadores fiscales, que son un método para evaluar la actuación de la política fiscal y
se entienden como el efecto de una política fiscal expansiva sobre el PIB u otras variables de
actividad económica (Cerón, 2012; Chinn, 2012). Los multiplicadores serán mayores ante un
efecto crowding-in de la demanda agregada según la teoría keynesiana, pero serán menores
ante un efecto crowding-out o incluso pueden llegar a cero, según la escuela monetarista,
neoclásica y la Nueva Economía Clásica (Abel, Bernanke y Croushore, 2011; Andersen y Carlson,
1970; Barro, 1989; Blanchard et al, 2012; Carlson y Spencer, 1975; Harris; 1953; Snowdon y
Vane, 2005). A su vez, la escuela ortodoxa keynesiana, mediante el modelo Mundell-Fleming,
propone ciertos canales por los cuales existiría un efecto crowding-out parcial, como el nivel de
apertura comercial de las economías o el régimen de tipo de cambio (Abel, Bernanke y
Croushore, 2011; Dornbusch, Fischer y Startz, 2009).

Por otro lado, el cálculo empírico del valor de los multiplicadores permite evaluar en qué
situaciones los multiplicadores serán grandes o pequeños; es decir, si efectivamente existe un
efecto crowding-in o crowding-out en la economía tras un shock fiscal (Batini et al, 2014; Cerón,
2012). Esto permite corroborar los supuestos de la teoría económica, y evaluar bajo qué
escenarios la política fiscal tendría efectos positivos sobre la producción y demanda agregada.
Además, los resultados empíricos representan una herramienta importante para los hacedores
de política pública, en el sentido de que una estimación adecuada de los multiplicadores fiscales
juega un papel crucial para predecir la eficacia de la implementación de políticas fiscales
expansivas y para proponer objetivos fiscales realistas (Batini, 2014; Blanchard y Leigh, 2013).

En este sentido, la presente investigación se enfocará en dos aspectos importantes de la política

fiscal: la falta de consenso a nivel teórico sobre su uso y el cálculo empírico de los multiplicadores

11
bajo distintos escenarios. Para ello, el documento está dividido en tres secciones. La primera
sección es la Fundamentación Teórica, la cual consiste en una recapitulación de las posturas de
las diferentes escuelas de pensamiento macroeconómico con respecto al efecto de la política
fiscal sobre la producción y el empleo. Se revisarán los conceptos de política fiscal, sus
instrumentos, política fiscal discrecional, estabilizadores automáticos y el multiplicador fiscal.
Posteriormente, se analizarán las posturas de la escuela keynesiana, ortodoxa keynesiana,
neoclásica, monetarista, la nueva economía clásica y neokeynesiana sobre el rol de la política
fiscal, el tamaño de los multiplicadores y los supuestos que sustentan la existencia de un efecto
crowding-in o crowding-out. Finalmente, se presentará una serie de metodologías
econométricas para el cálculo empírico de los multiplicadores fiscales bajo una estructura de
datos de panel y series temporales, que se aplicarán en los capítulos posteriores.

En el primer capítulo, se calcula de manera empírica el valor del multiplicador fiscal de impacto
y acumulado, utilizando un panel de 34 economías para el período 2000-2017. El objetivo
principal es corroborar empíricamente si es que los canales predichos por el modelo Mundell-
Fleming y la teoría de Equivalencia Ricardiana se cumplen o no, mediante la comparación del
resultado del multiplicador bajo distintos escenarios que podrían conllevar a un efecto
crowding-out. Para ello, se sigue a Ilzetzki, Mendonza y Végh (2011), de manera que los países
de la muestra se dividen según: i) nivel de ingreso, ii) apertura comercial; iii) tipo de cambio; y
iv) nivel de endeudamiento. Para el cálculo de los multiplicadores, se utilizó los estimadores de
panel dinámico de LSDV, Arellano y Bond de uno y dos pasos, Blundell y Bond y Kiviet, siguiendo
la propuesta empírica de Borys, Ciżkowicz y Rzońca (2014). Además, se propone modelos de
variables instrumentales (Kraay, 2012), ecuaciones simultáneas y VAR en panel (Lennman,
2016), con el fin de solventar posibles sesgos de endogeneidad.

En el segundo capítulo, se estima el valor del multiplicador fiscal de corto plazo en una
submuestra de países para el período 2000-2017. El objetivo aquí es corroborar la robustez de
los resultados encontrados en el primer capítulo, al calcular el multiplicador en economías que
presenten características económicas que los hagan propensos a tener multiplicadores altos o
bajos. Bajo este contexto, la selección de la submuestra se realizó de manera que se obtuvieran
dos economías comparables por característica analizada. Es decir, para cada escenario de
apertura comercial, tipo de cambio y nivel de endeudamiento, se eligieron dos economías que
presentaran características económicas similares, pero que difirieran en nivel de apertura,
régimen cambiario y nivel de deuda pública. Para ello, el multiplicador de cada país fue estimado
mediante modelos de variables instrumentales y ecuaciones simultáneas, y los resultados se
compararon con los obtenidos en el primer capítulo.

Finalmente, se presenta la sección de conclusiones y recomendaciones. Las conclusiones se

centran específicamente en los resultados obtenidos y en el análisis de los mismos, desde una
perspectiva de las teorías económicas presentadas en la disertación. Por otro lado, la sección de
recomendaciones presenta ciertas observaciones realizadas a lo largo de la investigación sobre
cómo contribuir a una mejor estimación de los multiplicadores bajo la estructura de datos
presentados en la misma, así como también otros análisis sobre el tema del multiplicador fiscal
que podrían ser explorados en investigaciones posteriores.

12
 Metodología del trabajo

Descripción de la metodología
Estrategia de investigación
La estrategia de la presente investigación es mixta. Por un lado, es cualitativa, pues mediante un
análisis de la literatura teórica se quiere identificar los mecanismos de transmisión de los shocks
fiscales, es decir, las variables que condicionan la efectividad de la política fiscal y el tamaño de
los multiplicadores, para luego incorporarlos en la estimación empírica. Por otro lado, es
cuantitativa, pues se aplicarán diversas metodologías y modelos econométricos para el cálculo
del valor del multiplicador fiscal de impacto y acumulado.

El tipo de investigación es explicativa y exploratoria. Por un lado, mediante el cálculo del

multiplicador fiscal bajo distintos escenarios argumentados desde la teoría, se pretende
encontrar no solo una relación correlacional entre la variación del gasto del gobierno y la
variación del PIB, sino que se quiere analizar cuáles son los canales y mecanismos por cuales se
dan estos resultados. A su vez, si bien existen investigaciones previas que estiman el
multiplicador fiscal bajo una estructura de panel (véase Ilzetzki, Mendonza y Végh (2011) y
Contreras y Battelle (2014)), la investigación es exploratoria en la aplicación de la metodología
de estimadores de panel dinámicos, un modelo de variables instrumentales utilizando como
instrumento la deuda pública, y un modelo de ecuaciones simultáneas. Del mismo modo, la
estimación y comparación de países individuales mediante las dos últimas metodologías antes
expuesta y bajo los escenarios propuestos no ha sido realizada anteriormente a la presente
investigación.

Procedimiento metodológico

El primer capítulo se centra en el cálculo del multiplicador fiscal bajo una estructura de datos de
panel, de manera que se agrupen economías bajo una característica en común, ya sea tamaño
de la economía, tipo de cambio, apertura comercial y nivel de endeudamiento, siguiendo a
Ilzetzki, Mendonza y Végh (2011). El problema de identificación al estimar los multiplicadores
fiscales consiste en el sesgo de endogeneidad causado por el problema de causalidad simultánea
entre el gasto público (política fiscal) y el PIB (Batini, 2014; Gechert, 2014). Para estimar el valor
del multiplicador fiscal de manera insesgada, la presente investigación utiliza varias estrategias
de identificación, de manera que se aborde el problema de endogeneidad de distintas formas y
se compruebe la robustez de los resultados encontrados al comparar las estimaciones obtenidas
en cada modelo.

De esta manera, se utiliza diferentes estimadores de panel dinámico, como el estimador de Least
Square Dummy Variable (LSDV), Arellano y Bond de uno y dos pasos, Blundell y Bond, y Kiviet,
los cuales resuelven la endogeneidad dada por la estructura autoregresiva del panel. Además,
se propone un modelo de variables instrumentales estimado mediante MC2E como una manera
más de abordar el problema de endogeneidad del gasto público, en donde el gasto del gobierno

13
se instrumenta con la deuda pública como porcentaje del PIB. Por otra parte, se estima un
modelo de ecuaciones simultáneas para solventar directamente el problema de causalidad
simultánea entre el PIB y el gasto del gobierno. Finalmente, se estima un modelo VAR de panel,
con el fin de analizar la duración del efecto del shock fiscal sobre el PIB mediante el análisis de
las funciones impulso-respuesta. En total, se aplican 7 modelos a cada panel, por lo que, a
diferencia de las investigaciones de Ilzetzki, Mendonza y Végh (2011) y Contreras y Battelle
(2014), la presente disertación provee un rango del valor del multiplicador, tanto de corto y
largo plazo, estimados bajo distintas metodologías, en lugar de presentar un valor único.

El segundo capítulo se centra en corroborar los resultados encontrados en el primer capítulo

bajo una estructura de datos de panel, al calcular el multiplicador de impacto para 12 economías
mediante modelos aplicados a series temporales. De igual manera, se pretende comprobar si
existe diferencia en el valor del multiplicador fiscal al separar economías según tipo de cambio,
apertura comercial y nivel de endeudamiento. Para lograrlo, la submuestra se seleccionó de
manera que los países sean comparables en características observables de la muestra, como
tamaño de la economía, nivel de gasto del gobierno como porcentaje del PIB, nivel de consumo
de los hogares como porcentaje del PIB, índice de apertura comercial, régimen de tipo de cambio
y nivel de endeudamiento.

Sin embargo, dependiendo de la característica específica que se quisiera aislar, se buscaron 2

economías que difirieran en régimen cambiario, nivel de apertura comercial y nivel de
endeudamiento público, para luego contrastar los resultados obtenidos bajo los dos escenarios.
De manera seguida, se aplicó el modelo de variables instrumentales y ecuaciones simultáneas
estimados también en el primer capítulo, pero bajo un esquema de series temporales.

Fuentes de información

La información utilizada en la presente investigación se obtuvo de varias fuentes que se

presentan a continuación. Variables macroeconómicas de frecuencia trimestral utilizadas para
las estimaciones econométricas, como el PIB nominal, el gasto del gobierno, el consumo privado,
balanza en cuenta corriente, importaciones, exportaciones y deuda del gobierno central, fueron
obtenidas por medio de la empresa CEICDATA, quienes se encargan de recolectar datos
macroeconómicos a nivel mundial. Las fuentes de información de CEICDATA son fuentes
oficiales de cada país, como el banco central, ministerio de economía, ministerio de finanzas,
entre otros.

Por otro lado, otras variables de frecuencia trimestral, como el deflactor del PIB, la tasa de
interés de corto plazo y el tipo de cambio real efectivo se obtuvieron de la base de datos
International Financial Statistics (IFS) del Fondo Monetario Internacional. Además, para clasificar
a las economías según su ingreso, se utilizó la clasificación presentada por el Banco Mundial para
el período 2017-2018, en donde se clasifica a las economías por tamaño según el PIB per cápita
de cada país. La Tabla 1 presenta las fuentes, variables e indicadores utilizadas en el trabajo de
disertación.

14
 Tabla 1: Variables e indicadores

Variable Descripción de la variable Indicador Fuente de

información
PIB nominal, trimestral Producto interno bruto a precios Actividad económica CEICDATA
(millones de USD) corrientes
Gasto del gobierno El gasto del gobierno está Gasto público CEICDATA
nominal, trimestral entendido como el consumo del
(millones de USD) gobierno de bienes y servicios,
transferencias a hogares y
producción de bienes y servicios
públicos.
Consumo privado El consumo privado es el consumo Consumo de los CEICDATA
trimestral nominal de bienes y servicios de los hogares
(millones de USD) hogares.
Importaciones totales, Total de bienes y servicios Utilizado en índice de CEICDATA
trimestrales (millones importados por los habitantes del Apertura Comercial
de USD) país.
Exportaciones totales, Total de bienes y servicios Utilizado en índice de CEICDATA
trimestrales (millones exportados por individuos o Apertura Comercial
de USD) empresas del país.
Balance de cuenta Balanza de la cuenta corriente, la Déficit/Superávit en CEICDATA
corriente, trimestral cual incluye balanza comercial, de cuenta corriente
(%PIB) servicios, rentas y transferencias.
Deuda bruta del La deuda del gobierno puede ser Deuda pública CEICDATA
gobierno central (% categorizada como deuda
PIB) doméstica (obligaciones con los
prestamistas del mismo país) y
deuda externa (obligaciones con
prestamistas extranjeros). Los
gobiernos usualmente adquieren
deuda mediante la emisión de
títulos, bonos o directamente de
instituciones financieras
internacionales.
Índice de tipo de Calculado dividendo el tipo de Tipo de cambio real Internacional
cambio real efectivo, cambio efectivo nominal por el Financial
trimestral deflactor del PIB. Este índice Statistics
permite comparar tipos de cambio (FMI)
entre economías, ajustándolos por
inflación. El año base del índice
varía entre países.
Tasa de interés real de Tasa de interés de corto plazo Tasa de interés CEICDATA
corto plazo impuesta impuesta por la autoridad
por el Banco Central, monetaria y que refleja la política Internacional
trimestral monetaria Financial

15
 Statistics
(FMI)
Deflactor del PIB, Índice de precios, año base varía Internacional
trimestral de acuerdo al país Financial
Statistics
(FMI)
Elaboración: Carolina Alvarez G.

Preguntas de investigación
Pregunta General
 ¿Cuál fue el efecto de la política fiscal expansiva sobre el PIB en países de alto y bajo
ingreso, durante el período 2000-2017?

Preguntas Específicas
 ¿Cuál es el valor del multiplicador fiscal de corto y largo plazo, en una agregación de
países categorizados por nivel de ingreso, tipo de cambio, apertura comercial y nivel de
endeudamiento, durante el período 2000-2017?

 ¿Cuál es el valor del multiplicador fiscal de corto y largo plazo para países individuales
diferenciados según su nivel de ingreso, tipo de cambio, apertura comercial y nivel de
endeudamiento, durante el período 2000-2017?

Objetivos de la investigación
Objetivo General
 Determinar el efecto promedio que tuvo una política fiscal expansiva sobre el PIB en
países de alto y bajo ingreso, durante el período de 2000-2017.

Objetivos Específicas
 Estimar el valor promedio de los multiplicadores fiscales de corto y largo plazo en
paneles de países categorizados por nivel de ingreso, tipo de cambio, apertura comercial
y nivel de endeudamiento, durante el período 2000-2017.

 Estimar el valor promedio de los multiplicadores fiscales de corto y largo plazo en

estimaciones para países individuales por medio de series temporales, diferenciados por
nivel de ingreso, tipo de cambio, apertura comercial y nivel de endeudamiento, durante
el período 2000-2017.

16
 Fundamentos teóricos

El presente capítulo consiste en una revisión de los conceptos teóricos relacionados con el
multiplicador fiscal y está dividido en tres secciones. La primera sección expone el concepto de
política fiscal, los distintos instrumentos fiscales como herramientas de política
macroeconómica, las funciones de la política fiscal identificadas por Musgrave (1959), el rol de
estabilización macroeconómica de la misma y la definición de multiplicador fiscal. La segunda
sección presenta las distintas escuelas de pensamiento económico, su perspectiva sobre la
eficacia de la política fiscal como medida de estabilización y el valor que puede tomar el
multiplicador fiscal bajo diferentes escenarios y supuestos. Aquí, resaltan conceptos clave como
el multiplicador keynesiano, el modelo IS-LM y Mundell-Fleming, el efecto crowding-out, las
expectativas racionales de los agentes y la teoría de la Equivalencia Ricardiana. Por último, la
tercera sección expone las metodologías utilizadas para el cálculo de los multiplicadores, que
serán aplicadas posteriormente en el Capítulo 1 y 2. Concretamente, se presentan distintas
metodologías de series de tiempo y datos de panel, como el modelo de ecuaciones simultáneas,
el modelo de variables instrumentales y el modelo VAR. Además, se presenta otras
metodologías únicamente aplicables a datos de panel, que son los estimadores de panel
dinámico.

Política fiscal

La política fiscal se refiere a una rama de la política económica basada en decisiones

gubernamentales sobre los niveles de gasto público e impuestos para influir en el
comportamiento de la economía (Mankiw, 2012). Por lo general, los gobiernos utilizan la política
fiscal para promover el crecimiento económico a corto y largo plazo, incentivar la producción
nacional y reducir la pobreza (Horton y El-Ganainy, 2009). A largo plazo, la política fiscal influye
en los niveles de ahorro, inversión y el crecimiento económico, mientras que el corto plazo,
cambios en el gasto o en el nivel de impuestos puede alterar la magnitud y la trayectoria de la
demanda agregada de bienes y servicios, incentivando así la producción y el consumo (Kopcke,
Tootell y Triest, 2006; Mankiw, 2012).

Instrumentos fiscales

El gobierno tiene dos maneras (instrumentos) para influenciar la actividad económica. El primer
instrumento es el gasto público (G), el cual se refiere a las adquisiciones gubernamentales de
bienes y servicios (Dornbusch, Fischer y Startz, 2009). En segundo instrumento se refiere a los
impuestos (TA) y también a las transferencias monetarias (TR), puesto que ambos tienen un

17
efecto sobre el nivel de ingreso disponible de los hogares1 (Dornbusch, Fischer y Startz, 2009).
Las decisiones del gobierno sobre el nivel de G, TR y TA afectan directamente a la demanda
agregada:

DA  C  I  G  ( X  M )

donde un incremento en las compras o inversión del gobierno, G, aumentarán la producción

general de la economía mediante G y C (Dornbusch, Fischer y Startz, 2009). A su vez, una
disminución de las bases impositivas TR, así como también un aumento del nivel de
transferencias TA, hará que el ingreso disponible de los hogares aumente, incrementando el
consumo y desplazando la demanda agregada (Dornbusch, Fischer y Startz, 2009).

Según Coenen et al (2010: 11-12), los instrumentos de gasto e impuestos se clasifican de la

siguiente manera:

● Gasto público en inversión.

● Gasto público de consumo.
● Transferencias monetarias de suma fija.
● Impuesto a la renta.
● Impuesto al consumo.
● Impuesto sobre sociedades.

Funciones de la política fiscal

Bajo este contexto, el primer economista en identificar las funciones básicas de las finanzas
públicas y de la política fiscal fue Musgrave (1959), el cual las define como: i) redistribución; ii)
asignación; y iii) estabilización.

La función de redistribución persigue el objetivo de equidad y se refiere al rol que tiene la política
fiscal en promover el crecimiento económico inclusivo. Esto quiere decir que la política fiscal
debe asegurar, mediante sus instrumentos, que los beneficios del crecimiento se repartan de
forma equitativa dentro de la población (FMI, 2017). Utilizando como instrumento al gasto
público, el objetivo de equidad se conseguirá mediante un mayor gasto en programas de
educación, salud, seguro social y seguro de desempleo (FMI, 2017). Por el lado de los impuestos
y transferencias, se buscará implementar sistemas impositivos progresivos y un diseño eficiente
de transferencias monetarias a hogares (FMI, 2017).

Por otra parte, la función de asignación persigue el objetivo de eficiencia y corresponde al rol de
la política fiscal de promover el crecimiento económico en el largo plazo mediante inyecciones
de recursos públicos en la economía para aumentar su capacidad de producción (FMI, 2017).
Por el lado del gasto, la política deberá estar orientada a la inversión pública en sectores

1
El ingreso disponible (YD) se entiende como el ingreso neto de los hogares destinado a consumo o
ahorro. Formalmente se define como YD=Y+TR-TA (Dornbusch, Fischer y Startz, 2009).

18
productivos, específicamente en tres: i) stock de capital físico y humano; ii) fuerza laboral e; iii)
innovación (R&D) 2(FMI, 2017).

Finalmente, la función de estabilización tiene como objetivo contrarrestar los efectos de las
fluctuaciones económicas mediante el uso de estímulos fiscales para dinamizar la economía en
etapas de recesión3(FMI, 2017). El principio básico de la política de estabilización es influir en la
demanda agregada mediante cambios en el nivel de consumo e inversión pública, o mediante la
reducción de impuestos, de manera que la actividad económica se estabilice (Cerón, 2012; FMI,
2017).

Si bien las tres funciones tienen objetivos únicos y persiguen resultados distintos, en la práctica
la distinción entre ambas puede que no sea tan clara (FMI, 2017). Por ejemplo, la política fiscal
contracíclica se puede apoyar en medidas redistributivas, como la transferencia monetaria a
hogares. Del mismo modo, una política fiscal de estabilización que utilice un aumento de la
inversión pública, por ejemplo, en infraestructura, podría tener efectos en el crecimiento
económico del país a largo plazo (FMI, 2017).

Política fiscal de estabilización: política fiscal discrecional y estabilizadores

automáticos

La función de estabilización de la política fiscal tomó fuerza con la publicación de la Teoría

general del empleo, el interés y el dinero (1936), en donde Keynes expone los efectos positivos
de una participación activa del gobierno mediante el aumento del gasto para combatir los
efectos negativos de una recesión (Keynes, 2018; Musgrave, 1985).

La política fiscal de estabilización o contracíclica se divide en dos grandes componentes: las

respuestas fiscales no-automáticas y las automáticas. La política fiscal de carácter no-
automático es conocida como política discrecional y ocurre cuando el gobierno toma medidas
deliberadas para contrarrestar los efectos de las fluctuaciones económicas mediante la
utilización de distintos instrumentos fiscales (FMI, 2015). En etapas de recesión, el gobierno
buscará aumentar el gasto, la inversión pública o disminuir las tasas impositivas para influir de
manera positiva en la demanda agregada y cerrar la brecha negativa de producción (Krugman,
Wells y Graddy, 2013)4. Los instrumentos fiscales utilizados para aplicar políticas fiscales
expansivas (contractivas) por lo general son: i) un aumento (disminución) del consumo e
inversión pública; ii) una disminución (aumento) del nivel impuestos; iii) un aumento
(disminución) del nivel de transferencias hacia hogares (Krugman, Wells y Graddy, 2013).

Por otro lado, la política fiscal contracíclica de carácter automático es conocida como
estabilizadores automáticos (Krugman, 2013). Los estabilizadores automáticos son cambios en

2
Esta parte de la política fiscal se puede entender mediante modelos endógenos de crecimiento
económico. Para una revisión de éstos, ver Fiscal Monitor FMI (abril, 2015).
3
Las políticas de estabilización también son conocidas como políticas contracíclicas (FMI, 2007).
4
La política fiscal contracíclica utilizada en recesiones se conoce como política fiscal expansiva, mientras
que la utilización de medidas de estabilización en etapas de crecimiento económico se conoce como
política fiscal contractiva (Krugman, Wells y Graddy, 2013).

19
la política fiscal que estimulan la economía en momentos de recesión y la ralentizan en
momentos de crecimiento, con el objetivo de evitar situaciones de desempleo e inflación, sin
que exista acciones deliberadas por parte de los diseñadores de política económica
(Mankiw,2012; Pietrobuono y Todesca, 2013). Por ejemplo, la caída del PIB real en una situación
de recesión económica hará que el ingreso disponible de los hogares disminuya. A su vez, el
ingreso del gobierno proveniente de la recaudación de impuesto a la renta también caerá, pues
la cuota fiscal de cada individuo depende positivamente de la renta disponible (Krugman, Wells
y Graddy, 2013). Además, el impuesto a la renta tiene un carácter progresivo, por lo que, ante
menor ingreso, el porcentaje de impuestos a pagar será menor (Pietrobuono y Todesca, 2013).
Esta situación es similar a un escenario en donde el gobierno deliberadamente pusiera en
marcha una política fiscal expansiva mediante una disminución de tasas impositivas.

La recaudación tributaria no es el único mecanismo de estabilización automática. Desde el punto

de vista del gasto público, las transferencias, como las prestaciones por desempleo y los
programas de atención sanitaria, tienden a aumentar en época de contracción económica, ya
que el número de personas beneficiarias aumenta (Krugman, Wells y Graddy, 2013). De igual
manera, este aumento del gasto público no es el resultado de políticas concretas de
estabilización, sino del mecanismo natural de estabilización de la economía (Krugman, Wells y
Graddy, 2013).

Por lo general, se considera que los estabilizadores automáticos son la respuesta fiscal de
estabilización más efectiva (FMI, 2015). Éstos operan en tiempo real y no es necesaria la toma
de decisiones por parte del gobierno central, mientras que los efectos de la política fiscal
discrecional pueden presentarse con cierto retraso, dado que existe un proceso de identificar la
recesión, tomar decisiones e implementar cierto tipo de política fiscal (Blanchard, Dell´Ariccia y
Mauro, 2010).

Sin embargo, la política fiscal discrecional es necesaria en ciertos escenarios donde los
estabilizadores automáticos y la política monetaria no son suficiente para estabilizar la
economía (FMI, 2015). Por ejemplo, los estabilizadores automáticos podrían ser ineficientes si
es que la estructura impositiva es de carácter regresivo, o si los recursos públicos no están
destinados a cubrir automáticamente programas sociales, como pensiones o seguro de
desempleo (FMI, 2015). De igual manera, la política monetaria como política estabilizadora
podría debilitarse si la tasa de interés se aproxima o llega a cero, o podría no existir en casos de
una unión monetaria o en situaciones donde el país adopte un tipo de cambio fijo5 (FMI, 2015).

5
En la crisis japonesa en la década del 90, así como en la crisis financiera de 2008, las tasas de interés
nominales de corto plazo cayeron cerca de cero (Zero Lower Bound), creando una trampa de liquidez y
afectando la capacidad de los bancos centrales para estimular el crecimiento económico. En ambos
casos, la política macroeconómica se centró en paquetes de estímulo fiscal que servirían para impulsar
la demanda agregada y la producción (Blanchard, Dell´Ariccia y Mauro, 2010; Furman, 2016).

20
Multiplicador fiscal
Definición

El multiplicador fiscal se define como el efecto que tiene un cambio en la política fiscal sobre el
PIB real (u otra variable que mida la actividad económica, como el nivel de empleo), calculado
como el cociente entre una variación del PIB real y una variación exógena del balance fiscal con
respecto a sus niveles base (Coenen et al, 2010)6.

Tipos de multiplicador

Esta definición general del multiplicador está sujeta a modificaciones, dependiendo de la línea
de análisis del investigador y el horizonte temporal de cálculo, lo que da paso a diferentes tipos
de mediciones para el multiplicador fiscal (Cerón, 2012). Recopilando lo expuesto en la
literatura, se encuentran cuatro tipos de mediciones: i) impacto; ii) impacto en un periodo
determinado; iii) impacto máximo y iv) acumulado (Cerón, 2012; Spilimbergo, Symansky y
Schindler, 2009).

El multiplicador de impacto mide el efecto que tiene el cambio de política fiscal en el mismo
periodo temporal (t) (Cerón, 2012; Spilimbergo, Symansky y Schindler, 2009). Denominando
Y como una variación en la producción y G como un cambio de política fiscal sobre el gasto
público, el multiplicador de impacto inmediato se calcula como (Cerón, 2012; Spilimbergo,
Symansky y Schindler, 2009):

 Y (t )
 G (t )

El multiplicador de impacto inmediato en un periodo determinado mide el impacto de una

actuación fiscal realizada en el período (t) sobre un horizonte específico (t+N) (Spilimbergo
Symansky y Schindler, 2009). Se lo calcula mediante:

Y (t  N )
G (t )

Por otro lado, el multiplicador de impacto máximo mide el impacto máximo que llega a tener el
multiplicador a lo largo del periodo N (Ceron, 2012) y se lo calcula como:

Y (t  N )
max
N G (t )

6
A partir de aquí, el análisis teórico y empírico de la disertación se centrará en los shocks exógenos
fiscales, es decir, los efectos de la política fiscal discrecional. Sin embargo, la respuesta endógena de la
política fiscal, los estabilizadores automáticos, también inciden en el tamaño del multiplicador (Coenen
et al, 2010).

21
Finalmente, el multiplicador de impacto acumulado, también llamado multiplicador dinámico,
mide el cambio acumulativo en el PIB dado una variación del gasto del gobierno, desde el
periodo en donde se da el estímulo hasta el horizonte de predicción (Spilimbergo, Symansky y
Schindler, 2009). Formalmente, se lo define como (Cerón, 2012; Spilimbergo, Symansky y
Schindler, 2009):
N

 Y (t  j )
j 0
N

 G(t  j )
j 0

No existe un consenso dentro de la literatura teórica ni empírica sobre cuál de las modalidades
de medición de los multiplicadores es la más apropiada para capturar los efectos de la política
discrecional. Sin embargo, Cerón (2012) sugiere que el multiplicador acumulado recoge el
impacto total de la política fiscal dentro de un periodo determinado, por lo que es útil para
capturar el efecto total de la política discrecional, así como también su relación con respecto al
ciclo económico.

El signo de los multiplicadores indica qué dirección y el efecto que tiene la política fiscal sobre
la actividad económica. Por ejemplo, un multiplicador positivo implica que una expansión
(contracción) fiscal causa una expansión (contracción) del PIB (Gechert, 2014). Por otro lado, un
multiplicador negativo significa que una expansión (contracción) fiscal causa una contracción
(expansión) del PIB (Gechert, 2014).

Además, el tamaño que toma el multiplicador determina el impacto de la política fiscal en

términos reales. Si el ratio de producción sobre gasto público (o reducción de impuestos) es
mayor a 1, significa que, ante una variación de una unidad del gasto público, el PIB aumenta en
más de una unidad (Batini et al, 2014). En otras palabras, la política discrecional tiene retornos
crecientes con respecto al PIB. Por otro lado, si el tamaño del multiplicador es menor a 1, quiere
decir que, ante una unidad adicional de gasto público, el PIB crece en menor proporción (Batini
et al, 2014).

Teorías económicas sobre el multiplicador fiscal

La visión macroeconómica sobre cómo la política fiscal y el gasto del gobierno afecta la actividad
económica ha ido evolucionando desde los argumentos de Keynes en la década de 1930. Las
diferentes escuelas de pensamiento macroeconómico han introducido a su análisis el efecto que
tiene la actuación discrecional del gobierno sobre la demanda agregada y el nivel de producción.
Específicamente, teorías como la keynesiana y la neokeynesiana identifican un efecto crowding-
in, mientras que la teoría neoclásica identifica un efecto crowding-out.

22
Teoría keynesiana

En su trabajo “Teoría General del Empleo, el interés y el dinero” (1936), John Maynard Keynes
presenta el primer concepto del multiplicador fiscal, más tarde llamado el multiplicador
keynesiano. El concepto nace del análisis de una situación en donde el nivel de producción está
por debajo del pleno empleo y, por lo tanto, la demanda efectiva puede ser estimulada mediante
la actuación del gobierno.

Antes de Keynes, la teoría dominante era la teoría clásica, en la cual predominaba la idea de que
cualquier situación de desequilibrio sería corregida por las fuerzas del mercado y que, por lo
tanto, la economía siempre alcanzaría el punto de pleno empleo (Blinder y Sollow, 1972). Esta
teoría se basa en tres supuestos principales, que son: i) la Ley de Say; ii) competencia perfecta,
y iii) flexibilidad del mercado laboral (Snowdon y Vane, 2005).

La Ley de Say dictamina que toda oferta crea su propia demanda; es decir, la demanda agregada
nunca se estancará por debajo del pleno empleo ya que, en situaciones donde exista deficiencia
de la demanda, la oferta se ajustará automáticamente, creando nueva producción (Snowdon y
Vane, 2005). Bajo esta ley, el consumo agregado de la economía siempre será suficiente para
absorber el nivel de producción de pleno empleo (Snowdon y Vane, 2005). Para exponer esta
idea, se tiene que considerar la función de consumo agregado de la teoría clásica, que es:

E  C (r )  I (r )

C
0
r
I
0
r
en donde el consumo agregado es una función lineal del consumo de los hogares (C) y de la
inversión de las firmas (I), y ambas son funciones de la tasa de interés (Snowdon y Vane, 2005).
En el caso de que los hogares decidieran ahorrar más (consumir menos), la tasa de interés caería,
ya que existen más fondos prestables disponibles en el mercado, por lo que el nivel de inversión
de las firmas aumentaría, balanceando el nivel de consumo agregado de la economía y evitando
situaciones de desequilibrio (Snowdon y Vane, 2005).

Por otro lado, los supuestos de competencia perfecta y flexibilidad del mercado laboral apoyan
la idea detrás de la Ley de Say, en el sentido que no existe rigidez en los mercados que evite que
la oferta agregada y la producción se ajusten automáticamente. En un mercado perfectamente
competitivo donde los salarios son completamente flexibles, cualquier desequilibrio por fuera
del pleno empleo hará que salarios nominales se ajusten y disminuyan, regresando al punto de
equilibrio (Snowdon y Vane, 2005; Harris, 1953). Por lo tanto, bajo la teoría clásica, situaciones

23
de desempleo y deficiencia de la demanda agregada se resuelven mediante los mecanismos
automáticos del mercado7 (Harris, 1953).

La teoría keynesiana cuestiona los supuestos de la teoría clásica, argumentando que, en

situaciones donde existe un shock negativo en la demanda agregada, es necesaria la
intervención del gobierno para incentivar el consumo y volver al equilibrio de pleno empleo
cuando los mecanismos del mercado fallan (Barro, 1989; Blinder y Sollow, 1972).

En contraposición con la teoría clásica, Keynes argumenta la existencia de rigidez de los salarios
en el mercado laboral (Harris, 1953). Bajo esta suposición, los mecanismos del mercado no se
ajustarían automáticamente; es decir, los salarios nominales no disminuirían, causando
situaciones de desempleo involuntario (Harris, 1953). Keynes argumenta que, si el supuesto de
flexibilidad del mercado laboral no se sostiene, entonces tampoco lo hace el supuesto de la Ley
de Say (Snowdon y Vane, 2005).

Multiplicador keynesiano

El modelo del multiplicador keynesiano parte del principio de demanda efectiva, la cual
dictamina el nivel de producción y empleo dentro de la economía (Snowdon y Vane, 2005). Para
una economía cerrada, la demanda efectiva está determinada por el consumo de los hogares
(C) y la inversión de las firmas (I) (Snowdon y Vane, 2005):

(1) Y  C (Y )  I (r )

A diferencia de la función de consumo agregado de la teoría clásica, el consumo de los hogares

es una función del ingreso (Snowdon y Vane, 2005). A su vez, la función de consumo es una
función lineal del consumo autónomo de los hogares (α) y de la propensión marginal al consumo
de éstos (∆C/∆Y=c) (Snowdon y Vane, 2005). Por lo que la ecuación de consumo agregado será:

(2) C    cY

Substituyendo C en (1) se obtiene la forma reducida de Y:

Y    cY  I
Y  cY    I
Y (1  c)    I
1
Y (  I )
1 c

7
La teoría clásica propone que el nivel de desempleo existente en la economía es desempleo voluntario.
En este sentido, los trabajadores no están dispuestos a aceptar un salario real menor, por lo que toman
la decisión de abandonar el mercado laboral (Harris, 1953)

24
en donde 1/1  c representa el multiplicador keynesiano8 (Snowdon y Vane, 2005). Dejando que
k simbolice el multiplicador, y evaluando la ecuación en término de variaciones, se obtiene:

Y  I  k
Y
k
I
La interpretación del multiplicador es que, ante una variación en la inversión, la producción
incrementará proporcionalmente (Snowdon y Vane, 2005; Harris, 1953). Suponiendo que en una
situación donde la economía estuviera por debajo del pleno empleo, un aumento de la inversión
por parte de las firmas resultará en un incremento del empleo en el sector de bienes de capital
(Snowdon y Vane, 2005). Los trabajadores recién empleados gastarán una fracción de su ingreso
en bienes de consumo y la otra la destinarán a ahorro (Snowdon y Vane, 2005). El aumento de
la demanda de bienes de consumo a su vez hará que el nivel de empleo aumente en firmas
especializadas en este sector, que resultará en otra ronda de gasto e inversión por parte de las
firmas. Por lo tanto, un aumento inicial de la inversión tiene un efecto multiplicador en toda la
economía (Blinder y Sollow, 1972; Snowdon y Vane, 2005). A su vez, mientras más alta sea la
propensión marginal al consumo de los hogares, el tamaño del multiplicador será mayor (Harris,
1953).

Para lograr el efecto multiplicador y salir de una situación por debajo del pleno empleo, se tiene
dos opciones: i) incentivar la demanda efectiva por el lado de la inversión de las firmas; o ii)
incentivar la demanda efectiva por el lado del consumo de los hogares (Snowdon y Vane, 2005).
En el primer caso, el nivel de inversión es una función de la tasa de interés, por lo que una
reducción de ésta hará que las firmas inviertan más (Snowdon y Vane, 2005). Para ello, Keynes
propone un aumento de la oferta monetaria que reduzca las tasas de interés e incentive la
inversión, producción y empleo (Snowdon y Vane, 2005):

 M  r   I   Y , L

Sin embargo, Keynes reconoció que el poder de la política monetaria para incentivar la demanda
efectiva podría estar restringida en épocas de recesión, pues las tasas de interés de por sí
podrían estar cercanas a cero (Gechert, 2014; Snowdon y Vane, 2005). Es por ello que propone
que el consumo agregado debería ser estimulado directamente vía aumento del gasto del
gobierno o, indirectamente, vía reducción de impuestos (Barro, 1989; Snowdon y Vane, 2005).
Ambas medidas estimularían el consumo al incrementar el ingreso disponible de los hogares,
con efectos positivos sobre la producción y empleo (Snowdon y Vane, 2005).

Debido al supuesto keynesiano de rigidez de precios, la expansión fiscal no provocaría un efecto

inflacionario inmediato, pues los precios y los salarios responden lentamente ante variaciones
de la oferta y la demanda (Keynes, 2018; Hemming, 2002). Por otro lado, Keynes supone que la
economía tiene exceso de capacidad, por lo que las firmas podrían hacer frente al aumento de

8
El desarrollo aritmético del multiplicador se expresa de la siguiente forma: un aumento del ingreso
provocado por una variación en la inversión incrementará el ingreso en I , luego en c(I ) , y así
sucesivamente. Por lo tanto, el efecto completo de un cambio en la inversión sobre el ingreso se expresa
como Y  I  cI  c 2 I  ...  I (1  c  c 2  ...) , donde (1  c  c 2  ...)  1 / 1  c (Snowdon y Vane,
2005; Harris, 1953).

25
oferta de bienes y servicios y responder adecuadamente aumentando la producción (Keynes,
2018; Hemming, 2002).

Escuela Ortodoxa Keynesiana

La escuela ortodoxa keynesiana continuó desarrollando las ideas propuestas por Keynes durante
los años posteriores a la publicación de la Teoría General. Específicamente, de esta escuela nació
el modelo IS-LM, el cual incorpora, de manera formal, los supuestos y proposiciones keynesianos
dentro de un modelo macroeconómico (Gerrard, 1996; Young y Zilberfarb, 2000). Más aún, el
modelo permite visualizar los efectos de una intervención del gobierno en términos de una
expansión fiscal cuando la economía presenta un shock en la demanda agregada (Snowdon y
Vane, 2005).

Los supuestos que distinguen a la escuela ortodoxa keynesiana son los siguientes (Snowdon y
Vane, 2005):

a) La economía es inestable y está expuesta a shocks, cuyo origen es la falta de confianza

de agentes e inversores (Snowdon y Vane, 2005).

b) Ante un shock, la economía no se ajusta rápidamente al nivel previo de pleno empleo,

dada la rigidez de precios y salarios (Snowdon y Vane, 2005).
c) El nivel agregado de empleo y producción está determinado por la demanda agregada
y las autoridades tienen la habilidad de intervenir para influenciar el nivel de demanda
agregada, de manera que se retorne más rápido al equilibrio de pleno empleo (Snowdon
y Vane, 2005).
d) En términos de política de estabilización, la política fiscal es preferida sobre la política
monetaria, ya que se considera que sus efectos son más directos, rápidos y predecibles
(Snowdon y Vane, 2005).

Modelo IS-LM en una economía cerrada

El modelo IS-LM, desarrollado inicialmente por Hicks (1937) y popularizado por Modigliani
(1944), Hansen (1949) y Samuelson (1955), es el más representativo dentro de la Escuela
ortodoxa Keynesiana y permite analizar el comportamiento e interacción de dos mercados: el
mercado de bienes y servicios (sector real) y el mercado financiero (sector monetario) (Abel,
Bernanke y Croushore, 2011; Snowdon y Vane, 2005). El modelo, además, permite analizar los
efectos que tendrían la política fiscal y monetaria en situaciones de recesión sobre el nivel de
producción y empleo en el corto plazo (Blanchard et al, 2012).

El primer mercado a analizar es el mercado de bienes y servicios. Este mercado está en equilibrio
cuando la demanda de bienes y servicios es igual a la oferta de bienes y servicios, o cuando el
nivel de ahorro es igual al nivel de inversión (Abel, Bernanke y Croushore, 2011). La curva IS
representa el equilibrio del sector real de la economía y muestra la tasa de interés real (r) para

26
cualquier nivel de producción (Abel, Bernanke y Croushore, 2011). En una economía cerrada, la
curva IS estará dada por:

IS  C (Y )  G  I (r )

donde C representa el consumo de los hogares que está en función del ingreso disponible; G
representa el gasto del gobierno que es exógeno; y I representa la inversión que está
negativamente relacionada con la tasa de interés (Abel, Croushore, 2011; Snowdon y Vane,
2005).

La pendiente de la curva IS es negativa, ya que el nivel de inversión está negativamente

relacionado con la tasa de interés real (Snowdon y Vane, 2005). Un incremento de la tasa de
interés hará que el uso del capital sea más costoso, por lo que las firmas reducirán su nivel de
inversión (Abel, Bernanke y Croushore, 2011). La pendiente será más (menos) pronunciada
dependiendo de la elasticidad de la inversión con respecto a la tasa de interés, que a su vez
condicionará el valor del multiplicador fiscal (Snowdon y Vane, 2005). La curva IS será más
empinada si la inversión es menos elástica a cambios en la tasa de interés; es decir, el cambio
en el nivel de inversión será menos que proporcional a cambios en la tasa de interés (Snowdon
y Vane, 2005). A su vez, esto hará que el valor del multiplicador sea menor (Snowdon y Vane,
2005).

El comportamiento del gobierno, que está incorporado directamente en la curva IS, permite
analizar los posibles efectos de una política fiscal expansiva con objetivos de estabilización
económica (Hart, 2005; Snowdon y Vane, 2005). Un aumento del gasto del gobierno estará
asociado con un nivel más alto de ingreso de los hogares, lo que desplazará la curva IS hacia la
derecha, elevando el nivel de producción y la tasa de interés (Snowdon y Vane, 2005)9.

El segundo mercado es el mercado financiero. Este mercado estará en equilibrio cuando la

demanda de dinero sea igual a la oferta de dinero (Abel, Bernanke y Croushore, 2011). En este
modelo, se asume que la oferta de dinero es exógena y determinada por las autoridades,
mientras que la demanda de dinero se determina por diferentes motivos: i) transacciones; ii)
precaución; y iii) especulación (Snowdon y Vane, 2005). Dado que la demanda de dinero está
positivamente relacionada con el ingreso, la curva LM tiene una pendiente positiva (Snowdon y
Vane, 2005). A su vez, la pendiente será más (menos) pronunciada dependiendo de la elasticidad
de la demanda de dinero con respecto a la tasa de interés (Snowdon y Vane, 2005). La curva LM
será más empinada si la demanda de dinero es menos elástica a cambios en la tasa de interés
(Snowdon y Vane, 2005).

Ya que la oferta de dinero es exógena, las autoridades pueden ejercer política monetaria para
influenciar el nivel de tasa de interés y producción dentro del modelo IS-LM (Abel, Bernanke y
Croushore, 2011). Una política monetaria expansiva desplazará la curva LM hacia la derecha,
disminuyendo la tasa de interés, mientras que una política monetaria restrictiva la desplazará
hacia la izquierda (Abel, Bernanke y Croushore, 2011)10. El Gráfico 1 muestra el equilibrio del

9
Otros factores que desplazan la curva IS son: i) expectativas sobre producción futura; ii) ingreso de los
hogares; iii) nivel de impuestos; iv) expectativas sobre el rendimiento marginal del capital; y v)
expectativas sobre impuestos al capital (Abel, Bernanke y Croushore, 2011).
10
Otros factores que desplazan la curva LM son: i) nivel de precios e ii) inflación esperada (Abel, Bernanke
y Croushore, 2011).

27
modelo, el cual se da en el cruce de la curva IS con la curva LM, dando un nivel de producción
de pleno empleo y tasa de interés consistentes con el equilibrio en ambos mercados (Blanchard
et al, 2012).

Gráfico 1: Equilibrio modelo IS-LM en una economía cerrada

Fuente: Blanchard et al (2012)

Elaboración: Carolina Alvarez

Ahora, si el nivel de producción está por debajo del nivel de producción de pleno empleo, tanto
la política fiscal como monetaria tendrían un importante rol en la estabilización de la economía.
El Gráfico 2 representa el efecto de una política monetaria expansiva. Aquí, el equilibrio r0Y0
está por debajo de pleno empleo. Desde el lado de la política monetaria, las autoridades
buscarán equilibrar el mercado al nivel de pleno empleo al aumentar la oferta monetaria, que
desplazará la curva LM hacia la derecha (Blanchard et al, 2012). Un aumento de la oferta de
dinero provocará una reducción de las tasas de interés, lo que da lugar a un aumento de la
inversión y, por lo tanto, de la demanda y producción agregadas, volviendo al equilibrio de pleno
empleo r1Y1 (Blanchard et al, 2012).

28
 Gráfico 2: Modelo IS-LM: Política monetaria expansiva

Fuente: Blanchard et al (2012), Snowdon y Vane (2005)

Elaboración: Carolina Alvarez

Por otro lado, ante la misma situación de desequilibrio de pleno empleo, la política fiscal buscará
incentivar la economía por el lado de la demanda de bienes y servicios (Blanchard et al, 2012;
Snowdon y Vane, 2005). El Gráfico 3 muestra el efecto de la política fiscal en la economía, en
donde el equilibrio r0Y0 está por debajo del pleno empleo. Una política fiscal expansiva basada
en el aumento del gasto público provocará que la curva IS se desplace hacia la derecha,
aumentando tanto la tasa de interés como la producción (Snowdon y Vane, 2005). Esto se da
porque el aumento del gasto del gobierno hace que el ingreso disponible y el consumo de los
hogares aumente, incrementando consecuentemente la producción, la demanda de dinero y la
tasa de interés (Snowdon y Vane, 2005). A su vez, la magnitud del desplazamiento estará
determinada por el tamaño del multiplicador fiscal, que se refiere a la magnitud de la variación
de la producción ante una variación del gasto del gobierno (Blanchard et al, 2012). Entre más
alto sea el valor del multiplicador, mayor será el desplazamiento de la curva IS (Blanchard et al,
2012). Finalmente, se regresa al equilibrio de pleno empleo r1Y1 11.

11
Se puede realizar el mismo análisis con una expansión fiscal basada en reducción de impuestos. Una
reducción de la tasa impositiva hará que los hogares tengan más ingreso disponible para consumo,
aumentando la demanda agregada, producción y tasas de interés (Snowdon y Vane, 2005).

29
 Gráfico 3: Modelo IS-LM: Política fiscal expansiva

Fuente: Blanchard et al (2012), Snowdon y Vane (2005)

Elaboración: Carolina Alvarez

Como se mencionó anteriormente, la escuela ortodoxa keynesiana argumenta que la política

fiscal deberá ser preferida generalmente a la política monetaria como medida estabilizadora
(Snowdon y Vane, 2005). Este argumento se basa en supuestos keynesianos sobre la elasticidad
de la demanda de dinero y de la inversión con respecto a la tasa de interés. Por ejemplo, la
política monetaria sería preferida a la política fiscal si es que la demanda de dinero fuera menos
elástica con respecto a la tasa de interés (curva LM más plana) y la inversión más elástica con
respecto a la tasa de interés (curva IS más empinada) (Snowdon y Vane, 2005).

Tradicionalmente, la escuela ortodoxa keynesiana ha considerado que la demanda de dinero es

altamente elástica con respecto a la tasa de interés, mientras que la inversión parece ser
altamente inelástica con respecto a la misma (Snowdon y Vane, 2005). El Gráfico 4 muestra que,
bajo estos supuestos, la política fiscal sería más efectiva en aumentar la producción agregada.
El nivel de producción agregada de equilibrio tras una expansión fiscal, representado por Y1 , es
mucho mayor al nivel de producción agregada resultante de una expansión monetaria,
representado por Y2 , lo que demuestra que la política fiscal sería más efectiva para dinamizar
la economía12 (Snowdon y Vane, 2005).

12
Dos casos extremos de estos supuestos son: i) trampa de liquidez, en donde la curva LM es
perfectamente elástica a la tasa de interés; e ii) inversión perfectamente inelástica con respecto a la tasa
de interés. En ambos escenarios, los mecanismos de estabilización automática del mercado fallan, a pesar
de la existencia de precios y salarios flexibles, y la política fiscal tiene su máximo efecto (Dornbusch,
Fischer y Startz, 2009; Snowdon y Vane, 2005).

30
 Gráfico 4: Modelo IS-LM: Efectos de la política fiscal y monetaria

Fuente: Snowdon y Vane (2005)

Elaboración: Carolina Alvarez

Modelo Mundell-Fleming

El modelo IS-LM en una economía abierta, también llamado modelo Mundell-Fleming, incorpora
el sector externo de la economía al modelo IS-LM tradicional. La contribución más importante
del modelo es el análisis sistemático del rol de la movilidad del capital y el régimen del tipo de
cambio sobre la efectividad de la política fiscal y monetaria (Frenkel y Razin, 1987). La
composición y análisis de la curva de demanda agregada en el modelo Mundell-Fleming es casi
idéntico al del modelo en una economía cerrada, salvo que se tiene que incorporar el sector
externo de la economía, que son las exportaciones e importaciones. Por lo tanto, la curva IS
estará dada por:

𝐼𝑆 = 𝐶(𝑌) + 𝐺 + 𝐼(𝑟) + (𝑋 − 𝑀)

donde las exportaciones dependen del ingreso en los países extranjeros, los precios relativos de
los productos domésticos con respecto al exterior y el tipo de cambio (Abel, Bernanke y
Croushore, 2011; Snowdon y Vane, 2005). De igual manera, las importaciones dependen del
ingreso en la economía local, los precios relativos de los productos extranjeros con respecto a
los domésticos y el tipo de cambio (Snowdon y Vane, 2005).

Al igual que la curva IS, la curva LM es exactamente igual que en el caso de una economía
cerrada, pero se debe incorporar a su análisis el régimen del tipo de cambio y el efecto que éste
tiene en la balanza de pagos y la demanda de dinero (Snowdon y Vane, 2005). La balanza de
pagos se define como el registro de las transacciones de los habitantes de un país con el resto
del mundo y se compone de dos cuentas principales: la cuenta corriente y la cuenta de capital
(Dornbusch, Fischer y Startz, 2009). La cuenta corriente registra transacciones en el mercado de

31
bienes y servicios, mientras que la cuenta de capital registra la compra y venta de activos físicos
y financieros (Dornbusch, Fischer y Startz, 2009).

El equilibrio del modelo IS-LM para una economía abierta se da en la intersección de las curvas
IS, LM y BP (balanza de pagos) y arroja el nivel de tasa de interés y producción agregada
coherentes con el equilibrio interno de los tres mercados (Dornbusch, Fischer y Startz, 2009;
Snowdon y Vane, 2005). En lo que sigue, se analizarán los efectos de la política fiscal bajo los
escenarios de tipo de cambio fijo o flexible, y, además, bajo los supuestos de perfecta o
imperfecta movilidad de capital (Dornbusch, Fischer y Startz, 2009; Snowdon y Vane, 2005).

1. Política fiscal bajo tipo de cambio fijo

Primeramente, se analizará el efecto de una política fiscal expansiva con tipo de cambio fijo y
perfecta movilidad de capital. El capital es perfectamente movible cuando los inversionistas
extranjeros pueden comprar activos en la economía doméstica sin altos costos de transacción y
en cantidades ilimitadas (Dornbusch, Fischer y Startz, 2009). Cuando existe perfecta movilidad
de capital, la curva BP es totalmente horizontal (Snowdon y Vane, 2005). El Gráfico 6 muestra
que, bajo este escenario, una expansión fiscal desplazará la curva IS hacia la derecha,
aumentando la tasa de interés y el nivel de producción agregada (Dornbusch, Fischer y Startz,
2009).

El aumento de las tasas de interés estimula la entrada de capital extranjero, lo que hará que la
demanda de dinero aumente y, por consiguiente, que el tipo de cambio se aprecie (Dornbusch,
Fischer y Startz, 2009). Para mantener el tipo de cambio, el banco central deberá aumentar la
oferta monetaria lo suficiente para que el tipo de cambio se estabilice, lo que a su vez disminuirá
la tasa de interés hasta alcanzar su valor original (Dornbusch, Fischer y Startz, 2009). En este
caso, ya que la tasa de interés no cambia con la actuación fiscal, existe un efecto multiplicador
completo sobre el nivel de producción. Es decir, el multiplicador fiscal será igual a 1 (Dornbusch,
Fischer y Startz, 2009).

Gráfico 5: Efecto de una política fiscal bajo tipo de cambio fijo y perfecta movilidad de capital

32
 Fuente: Snowdon y Vane (2005)
Elaboración: Carolina Alvarez

Por otro lado, una expansión fiscal bajo un régimen de tipo de cambio fijo e imperfecta movilidad
de capital hará que el efecto de la actuación fiscal, y, por lo tanto, el valor del multiplicador, no
sea tan alto como en el anterior escenario (Snowdon y Vane, 2005). Aquí, la curva BP tiene
pendiente positiva y el desplazamiento de la demanda agregada provocará un aumento de la
producción y la tasa de interés (Snowdon y Vane, 2005). El aumento del ingreso desfavorece a
la cuenta corriente, ya que los habitantes demandarán más bienes importados, mientras que el
aumento de las tasas de interés favorece a la cuenta de capital, atrayendo a inversionistas
extranjeros (Snowdon y Vane, 2005).

En este caso, el resultado del saldo de la balanza de pagos es crucial para determinar el valor del
multiplicador fiscal, pues dependiendo si existe un déficit o superávit podría existir o no un
efecto expulsión (crowding out)13 (Carlson y Spencer, 1975; Snowdon y Vane, 2005) . Por ejemplo,
si es que la elasticidad del flujo de capital con respecto a la tasa de interés es alta, entonces un
aumento de la tasa de interés hará que exista un mayor flujo de capital extranjero hacia la
economía local, dejando en superávit a la cuenta de capital y a la balanza de pagos, y dando
como resultado un multiplicador fiscal alto (Snowdon y Vane, 2005). En cambio, entre mayor
sea la proporción marginal a importar de la economía doméstica, la pendiente de la curva BP
tenderá a ser más plana, provocando que el déficit de cuenta corriente sea mayor y generando
un efecto crowding out que hará que el valor del multiplicador fiscal se reduzca (Snowdon y
Vane, 2005).

Por lo tanto, el valor del multiplicador en este caso dependerá de: i) la propensión marginal a
importar y la elasticidad del flujo de capital con respecto a la tasa de interés (pendiente de la
curva BP); y ii) la elasticidad de la demanda de dinero con respecto a la tasa de interés (pendiente
de la curva LM) (Snowdon y Vane, 2005).

13
El efecto crowding out por lo general se refiere al efecto que tienen las políticas fiscales expansivas
sobre la actividad económica (Carlson y Spencer, 1975). Si una política fiscal expansiva financiada en
deuda o impuestos falla en estimular la actividad económica total, entonces se puede decir que el sector
privado ha sido desplazado (crowding out) por las acciones del gobierno (Carlson y Spencer, 1975).

33
 Gráfico 6: Política fiscal, tipo de cambio fijo e imperfecta movilidad de capital

Fuente: Snowdon y Vane (2005)

Elaboración: Carolina Alvarez

2. Política fiscal bajo tipo de cambio flexible

Igualmente, el primer caso a analizar es el efecto de una política fiscal expansiva bajo un régimen
de tipo de cambio flexible y perfecta movilidad de capital. Aquí, el banco central no interviene
para controlar el tipo de cambio, sino que éste determinado por el mercado de divisas
(Dornbusch, Fischer y Startz, 2009). A su vez, este ajuste del tipo de cambio asegura que la
balanza de pagos esté en equilibrio y que el saldo sea cero (Dornbusch, Fischer y Startz, 2009).
Con tipo de cambio flexible y perfecta movilidad de capital, la política fiscal es completamente
inefectiva e incapaz de afectar la producción y el ingreso agregado (Snowdon y Vane, 2005).

El Gráfico 7 muestra cómo una expansión fiscal desplazará la curva IS hacia la derecha, elevando
la tasa de interés, lo cual incrementará el flujo de capital hacia la economía doméstica y
apreciará el tipo de cambio (Dornbusch, Fischer y Startz, 2009). La apreciación del tipo de cambio
hará que las importaciones aumenten y las exportaciones disminuyan, causando que la curva IS
se desplace a la izquierda a su posición original. En este caso, el multiplicador fiscal es igual a
cero (Dornbusch, Fischer y Startz, 2009; Hart, 2005).

34
 Gráfico 7: Política fiscal, tipo de cambio flexible y perfecta movilidad de capital

Fuente: Dornbusch, Fischer y Startz (2009)

Elaboración: Carolina Alvarez

Por otro lado, bajo una imperfecta movilidad de capital, el efecto de una política fiscal expansiva
dependerá de las pendientes de las curvas LM y BP. Por ejemplo, si la curva BP tiene una
pendiente más empinada que la curva LM (es decir, si la demanda de dinero es más elástica a
cambios en la tasa de interés que el flujo de capital), entonces el desplazamiento de la curva IS
dada una expansión fiscal provocará un déficit en balanza de pagos y un exceso de moneda
doméstica en el mercado de divisas, que a su vez generará una depreciación del tipo de cambio
(Snowdon y Vane, 2005). La depreciación de la moneda local hace que la curva de demanda
agregada se desplace aún más a la izquierda, en conjunto con la curva de balanza de pagos,
dando como resultado un efecto mayor de la política fiscal sobre la producción y un
multiplicador fiscal más alto (Snowdon y Vane, 2005).

En contraste, si la curva LM tiene una pendiente más inclinada que la curva BP, los efectos de la
política fiscal se parecen a los efectos que tiene en un escenario con perfecta movilidad de
capital (Snowdon y Vane, 2005). Aquí, la expansión fiscal hará que exista un superávit en balanza
de pagos, que apreciará el tipo de cambio y desplazará la curva BP e IS hacia la izquierda,
disminuyendo el efecto inicial de la política fiscal sobre la producción y el valor del multiplicador
fiscal (Snowdon y Vane, 2005). El efecto de la política fiscal en un régimen de tipo de cambio
flexible bajo ambos escenarios de movilidad de capital se muestra en el Gráfico 8.

35
 Gráfico 8: Política fiscal, tipo de cambio flexible e imperfecta movilidad de capital

Fuente: Snowdon y Vane (2005)

Elaboración: Carolina Alvarez

Escuela Monetarista, Escuela Neoclásica y efecto “crowding out”

Aunque la teoría ortodoxa Keynesiana dominó el ámbito macroeconómico hasta principios de

1960, los economistas neoclásicos y monetaristas cuestionaron los supuestos de los modelos
keynesianos y la efectividad de la política fiscal como medida estabilizadora (Snowdon y Vane;
2005). Estas dos escuelas argumentan que una expansión fiscal tendría un efecto crowding-out
sobre la inversión, el consumo y el crecimiento económico, dando como resultado
multiplicadores más pequeños o incluso nulos (Hemming, 2002). La teoría ortodoxa keynesiana
habría ignorado ciertos factores que dan paso a un efecto crowding out, como: i) la elasticidad
de la curva LM; ii) la relación entre la inversión privada y la tasa de interés; y iii) el financiamiento
de la expansión fiscal (Carlson y Spencer, 1975; Gerrard, 1996; Palley; 2013, Snowdon y Vane;
2005).

Antes de examinar los posibles escenarios en donde habría un efecto crowding-out de la

demanda agregada tras una actuación fiscal, es importante mencionar los supuestos bajo los
que funcionan los modelos de estas escuelas de pensamiento macroeconómico. En primer lugar,
la escuela monetarista tiene como supuesto principal a la teoría cuantitativa del dinero, la cual
dictamina que la velocidad del dinero es el principal determinante del gasto agregado de la
economía, y, por lo tanto, de la producción (Andersen y Carlson, 1970). Además, se asume que
la economía es estable y que épocas de recesiones fuertes y shocks de la demanda no son
usuales, por lo que políticas de estabilización fiscales son innecesarias e inefectivas (Andersen y
Carlson, 1970; Snowdon y Vane, 2005).

Por otro lado, la escuela neoclásica tiene como supuesto principal la flexibilidad de precios y
salarios y la competencia perfecta. Dados estos supuestos, cualquier desequilibrio

36
macroeconómico se solucionará mediante las fuerzas del mercado y, por lo tanto, la economía
se encuentra constantemente en el equilibrio de pleno empleo (Palley, 2013; Snowdon y Vane,
2005).

Efecto crowding-out: curva LM vertical

La escuela monetarista rechaza las proposiciones de la escuela ortodoxa keynesiana,

específicamente, el modelo IS-LM tradicional. Se argumenta que la curva LM es completamente
vertical, es decir, la demanda de dinero es perfectamente inelástica a cambios en la tasa de
interés, a diferencia de la proposición keynesiana que sostiene que la curva LM es altamente
elástica a la tasa de interés (Carlson y Spencer, 1975). En el caso de una curva LM vertical, la
política fiscal no tendría efecto sobre el nivel producción en la economía, ya que, si la demanda
de dinero es independiente de la tasa de interés, una política fiscal expansiva que aumente la
tasa de interés no tendría ningún efecto sobre el nivel de consumo privado, por lo que la política
fiscal tiene un efecto crowding-out y el multiplicador fiscal sería cero (Carlson y Spencer, 1975;
Snowdon y Vane, 2005).

En el caso de una curva LM completamente vertical, la única política macroeconómica capaz de

afectar la demanda agregada sería la política monetaria, como se ve en el panel b del Gráfico 9.
Una política monetaria expansiva hará que la curva LM se desplace a la derecha, disminuyendo
la tasa de interés real e incentivando la inversión privada, lo cual incrementará la producción
agregada (Snowdon y Vane, 2005).

El ejemplo de la curva LM completamente vertical es un caso extremo de la relación entre la

demanda de dinero y la tasa de interés. Según Carlson y Spencer (1975), no existe evidencia
empírica que apoye la idea de que la sensibilidad de la demanda de dinero con respecto a la tasa
de interés real sea cero. Sin embargo, el análisis monetarista fue el primero en argumentar en
contra del modelo IS-LM tradicional y en exponer un efecto crowding-out completo de las
actuaciones fiscales (Carlson y Spencer, 1975).

37
 Gráfico 9: Efecto crowding-out ante curva LM perfectamente inelástica

Fuente: Carlson y Spencer (1975), Snowdon y Vane (2005)

Elaboración: Carolina Alvarez

Efecto crowding-out: inversión privada

La escuela neoclásica argumenta que, bajo un análisis del modelo IS-LM tradicional, los efectos
de la política fiscal no serían los predichos por los economistas keynesianos, ya que no toman
en cuenta el posible efecto crowding-out de la inversión debido al aumento de las tasas de
interés (Carlson y Spencer, 1975; Spencer y Yohe, 1970). El Gráfico 10 muestra que el aumento
del gasto del gobierno desplaza la curva IS a la derecha, lo cual incrementa la tasa de interés.
Bajo un análisis neoclásico, el aumento de la tasa de interés tendrá un efecto riqueza negativo
sobre la inversión privada, pues la inversión está correlacionada de manera negativa con las
tasas de interés (Spencer y Yohe, 1970).

El esquema keynesiano no toma en cuenta el efecto crowding-out de la inversión porque está

basado en la función de consumo privado y la preferencia por la liquidez, lo que significa que el
aumento del gasto del gobierno tiene un efecto riqueza positivo en los hogares, que hace que
éstos aumenten el consumo, mientras que el supuesto de preferencia por la liquidez hace que
los hogares demanden dinero a pesar del aumento de las tasas de interés (Spencer y Yohe, 1970;
Snowdon y Vane, 2005). Además, el supuesto keynesiano sobre la elasticidad de la curva LM
implicaría que no existiría grandes aumentos de la tasa de interés tras un shock fiscal (Snowdon
y Vane, 2005).

El efecto riqueza negativo sobre la inversión privada hace que la curva LM se desplace hacia la
izquierda, pues la demanda de dinero se contrae, mientras que la curva IS se desplaza
igualmente hacia la izquierda, dada la disminución en el nivel de inversión (Spencer y Yohe,
1970). En este caso, el multiplicador fiscal tiene un valor menor que el multiplicador fiscal
predicho por la teoría ortodoxa keynesiana.

38
 Gráfico 10: Efecto crowding-out de la inversión privada

Fuente: Carlson y Spencer (1975), Snowdon y Vane (2005)

Elaboración: Carolina Alvarez

Efecto crowding-out: Financiamiento de la política fiscal

Los efectos de la política fiscal expansiva, ya sea basada en cortes de impuestos o aumento del
gasto público, podrían depender de la manera en que el gobierno financie el déficit fiscal (Palley,
2013). Las dos formas de financiamiento del déficit público son: i) financiamiento basado en una
expansión monetaria; o ii) financiamiento basado en la emisión de bonos por parte del gobierno
central; es decir, mediante deuda pública (Palley, 2013).

La escuela monetarista argumenta que una política fiscal basada en emisión de bonos tiene un
efecto crowding-out en la demanda agregada, pues el efecto riqueza de la obtención de bonos
del gobierno se ve afectada por las obligaciones futuras de los hogares en impuestos (Carlson y
Spencer, 1970). En cambio, una expansión fiscal basada en la impresión de dinero desplazaría
las curvas IS y LM hacia la derecha, lo que aumentaría el nivel de producción agregada (Palley,
2013). La escuela monetarista, por lo tanto, acepta la efectividad en el corto plazo de la política
fiscal discrecional basada en una expansión monetaria, pero rechaza la efectividad de ésta
cuando está financiada mediante deuda (Palley, 2013).

Por otro lado, la escuela neoclásica, bajo los supuestos de flexibilidad de precios y salarios y el
equilibrio de pleno empleo, argumenta que la política fiscal basada en deuda o en expansión
monetaria no tendría ningún efecto en la economía real (Palley, 2013). Por ejemplo, una
expansión fiscal basada en deuda desplazaría la curva IS hacia la derecha, aumentando la tasa
de interés, los precios y los salarios nominales (Palley, 2013). El aumento de los precios y los
salarios nominales hacen que el salario real no cambie, y, por lo tanto, tampoco la producción
agregada (Palley, 2013). A su vez, el incremento del consumo del gobierno tiene un efecto

39
crowding-out del consumo y la inversión privada, ya que, dado que la economía opera bajo pleno
empleo, la composición de la demanda agregada cambia, mas no su valor (Palley, 2013).

Nueva Economía Clásica

La nueva economía clásica emergió a principios de 1970, como la continuación de las críticas
sobre los modelos macroeconómicos keynesianos tradicionales (Gerrard, 1996; Snowdon y
Vane, 2005). Aquí, las fluctuaciones de la economía en términos reales no son causadas por
fallas del mercado, sino por la incertidumbre de los agentes con respecto al comportamiento de
las variables macroeconómicas (Barro, 1989). Los principales supuestos de esta escuela son: i)
Teoría de las Expectativas Racionales; y ii) Equivalencia Ricardiana (Gerrard, 1996). Estos
supuestos son importantes para identificar los posibles efectos de una política fiscal discrecional
bajo el modelo de la Nueva Economía Clásica. Por otro lado, la discusión dentro de la Nueva
Economía Clásica sobre la política fiscal discrecional se centra en los efectos que ésta tiene,
dependiendo si se trata de una política fiscal temporal o permanente (Hemming, 2002; Palley,
2013).

La Teoría de las Expectativas Racionales se fundamenta en supuestos microeconómicos sobre

las expectativas de los agentes (Gerrard, 1996). En este sentido, los agentes forman expectativas
futuras sobre ciertas variables macroeconómicas, condicionándolas a la cantidad de información
disponible en el presente (Gerrard, 1996). Bajo este supuesto, una política fiscal temporal podría
ser efectiva y generar multiplicadores fiscales mayores a uno (Hemming, 2002). Sin embargo,
una política fiscal permanente generaría un efecto crowding-out del consumo e inversión, ya
que la expectativa de los agentes sería que la tasa de interés, los precios y la apreciación de tipo
de cambio seguirán incrementando en el futuro (Hemming, 2002). En este caso, el multiplicador
fiscal sería cero, o incluso podría llegar a tener un valor negativo (Hemming, 2002).

Por otro lado, el supuesto de Equivalencia Ricardiana nace del supuesto de expectativas
racionales y sostiene que el financiamiento del gasto público también tendría un efecto
crowding-out (Barro, 1974; Gerrard, 1996). Los efectos de un déficit fiscal basado en impuestos
o en deuda son equivalentes, pues los agentes reconocen que un déficit fiscal en el período
actual significará un mayor nivel de tasas impositivas en el futuro, por lo que el consumo en el
presente no cambiará, y, por lo tanto, tampoco la demanda agregada (Hemming, 2002). Esto
implica que incluso los bonos del gobierno no son considerados como riqueza neta para los
agentes económicos (Barro, 1974). La Equivalencia Ricardiana Perfecta implica que un aumento
del gasto del gobierno desplaza el consumo y la inversión privada en la misma proporción, dando
como resultado un multiplicador fiscal igual a cero (Hemming, 2002).

Bajo estos supuestos, la Nueva Economía Clásica sostiene que la única forma en la que la política
fiscal podría tener efectos sobre la producción agregada es que ésta se aplique de manera
sorpresiva (Palley, 2013). Si la política fiscal no pudiera ser prevista por los agentes económicos,
la política fiscal podría tener un efecto en el corto plazo, dado que las expectativas de los agentes
tardarían en ajustarse (Palley, 2013).

40
Sin embargo, un argumento en contra de un efecto crowding-out completo como resultado de
las expectativas racionales de los agentes es el expuesto por Baxter y King (1993). Los autores
argumentan que, si bien los agentes tienen expectativas racionales e incrementan su nivel de
ahorro ante una expansión fiscal (efecto substitución), la oferta de trabajo va aumentar, ya que
los hogares incrementan sus horas de trabajo para compensar las obligaciones impositivas
futuras. En el equilibrio del modelo, el consumo privado y los salarios son menores, pero el
empleo y la producción aumentarán, lo que significaría un multiplicador fiscal diferente de cero
(Baxter y King, 1993).

Por último, si bien la Nueva Economía Clásica rechaza la idea de la implementación de la política
fiscal discrecional como medida estabilizadora, sí acepta la efectividad de los estabilizadores
automáticos (Palley, 2013). Los estabilizadores automáticos equivaldrían a una política fiscal
temporal que los agentes no pueden anticipar, por lo que no existiría un efecto crowding-out
debido a las expectativas futuras de los agentes (Palley, 2013)

Escuela Neokeynesiana

La escuela neokeynesiana nace de la unión de microfundamentos de la Nueva Economía Clásica

y elementos de la macroeconomía keynesiana. En este sentido, se utiliza conceptos como la
Equivalencia Ricardiana y la Teoría de Expectativas Racionales, mientras que a su vez se añaden
supuestos de corte keynesiano, como la rigidez de precios y salarios (Chinn, 2012; Woodford,
2010).

A diferencia de los modelos neoclásicos, los modelos neokeynesianos asumen que el mercado
no se encuentra en competencia perfecta, sino que las firmas compiten monopolísticamente
(Palley, 2013). Debido a esto, los precios y salarios no son perfectamente flexibles, por lo que no
se ajustan inmediatamente ante una caída del producto (Palley, 2013).

Por lo tanto, se acepta que la política fiscal tiene un efecto estabilizador de corto plazo y sirve
para estimular la economía en recesiones (Palley, 2013). Sin embargo, debido a que se acepta la
Equivalencia Ricardiana dentro de los modelos, una política fiscal expansiva sólo será efectiva si
es que no es anticipada por los agentes (Palley, 2013). En este caso, un aumento del gasto del
gobierno incrementará la demanda agregada y el ingreso marginal de las firmas, sin alterar el
consumo privado en el presente ni nivel de precios en el corto plazo (Palley, 2013).

Debido a que la rigidez de precios es temporal, la política fiscal será efectiva hasta que los precios
y salarios se ajusten ante el incremento de la demanda agregada, por lo que expansiones fiscales
se consideran medidas de estabilización de corto plazo (Palley, 2013).

Efectos del instrumento fiscal utilizado

Como se mencionó anteriormente, los instrumentos fiscales pueden dividirse en dos grandes
componentes: i) Gasto, que se refiere a gasto público, inversión pública, gasto militar y
transferencias monetarias a hogares y firmas; e ii) ingreso, que toma en cuenta las tasas y bases

41
impositivas (Coenen et al, 2010; Gechert, 2014). Cada instrumento tendrá un efecto diferente
sobre la actividad económica, por lo que el tamaño de los multiplicadores va a variar
dependiendo del instrumento fiscal que se evalúe (Batini et al, 2014).

En este sentido, existe un debate a nivel teórico sobre los efectos de los diferentes instrumentos.
Por ejemplo, en lo que concierne a los componentes del gasto, Aschauer (1989) argumenta que
la inversión en infraestructura o el gasto en educación incrementaría el stock de capital tangible
e intangible de la economía, aumentando a su vez la producción marginal de bienes de consumo,
por lo que habrá un efecto crowding-in de la demanda. En cambio, Doepke, Lehnert y Sellgren
(1999) plantean un escenario donde el gasto está financiado por un aumento de impuestos. En
este caso, el gasto en infraestructura del gobierno hará que la producción aumente, pero tendrá
un efecto crowding-out del consumo de los hogares. Un argumento similar se encuentra en
Snowdon y Vane (2005), quienes exponen el argumento de que el gasto público financiado por
la venta de bonos del gobierno tendrá un efecto crowding-out de la inversión privada vía
aumento de las tasas de interés en el mercado de fondos prestables.

Por otro lado, Ardagna (2001) toma en cuenta los efectos distorsionarios que tienen los
impuestos sobre las decisiones de los agentes y argumenta que una política fiscal basada en
reducción de impuestos tendría un efecto crowding-in, ya que, dependiendo del tipo de
impuesto que se reduzca, la disminución de los mismos significaría una reducción de costos de
consumo y de producción, lo que incentivaría la actividad económica.

Multiplicadores y el ciclo económico

La eficacia de la política fiscal, y, por lo tanto, el tamaño de los multiplicadores dependerá del
estado donde se encuentre la economía, es decir, la fase del ciclo económico. Tanto la teoría
keynesiana como la neo-keynesiana predicen que el tamaño de los multiplicadores será mayor
en recesiones, porque cuando la economía está por debajo del punto de pleno empleo, una
expansión fiscal estimulará la demanda agregada, la creación de empleo y la producción.

En cambio, si se está en la etapa de expansión, los multiplicadores serán menores porque la

economía está funcionando con capacidad plena y un aumento del consumo público tiene un
efecto crowding-out sobre la demanda privada (Batini et al, 2014; Snowdon y Vane, 2005). En
este caso, tiene sentido utilizar políticas fiscales contracíclicas para incentivar la actividad
económica (Rafiq y Zenfack, 2012).

Por otro lado, la teoría neoclásica predice que la política fiscal tendrá un efecto crowding-out de
la inversión privada y del consumo, lo que agravaría los efectos de una recesión. Si la economía
se comporta de esta manera, la política fiscal sería mucho más efectiva si se utiliza
procíclicamente (Rafiq y Zenfack, 2012).

42
Marco Metodológico

Una vez expuesta la teoría detrás del multiplicador fiscal y las visiones de las diferentes escuelas
de pensamiento económico sobre el mismo, es importante exponer las diferentes metodologías
aplicadas para la estimación del valor del multiplicador. Para ello, se expondrá el problema de
identificación relacionado con la estimación empírica de los multiplicadores fiscales, las
metodologías utilizadas bajo una estructura de datos de series de tiempo y las metodologías de
datos de panel, las cuales serán aplicadas posteriormente en los Capítulos 1 y 2.

Aspectos preliminares de series temporales

Los datos de series temporales son datos para un único individuo o entidad, ya sea una persona,
una empresa o un país, recogidos para múltiples períodos temporales (Stock y Watson, 2012).
Al trabajar con series temporales macroeconómicas e implementar modelos de series de tiempo
o datos de panel, es importante considerar los supuestos del modelo de regresión de series
temporales (Stock y Watson, 2012). El cumplimiento de los supuestos asegura que la estimación
mediante Mínimos Cuadrados Ordinarios (MCO) sea insesgada y consistente.

Sea el siguiente modelo general:

Yt   0  1Yt 1   2Yt 2   pYt  p  1 X 1t 1   2 X 1t 2   k X kt  p  ut

donde los supuestos son (Stock y Watson, 2012):

i) Exogeneidad de los regresores: E(ut | Yt 1 , Yt 2 , Yt  p , X 1t 1 , X 1t 2 X kt  p )  0

(Stock y Watson, 2012).
ii) Estacionariedad de las variables aleatorias Yt , X 1t , , X kt (Stock y Watson, 2012).
iii) Yt , X 1t , , X kt y Yt  j , X 1t  j , , X kt  j pasan a ser independientes cuando j se hace
grande (Stock y Watson, 2012).
iv) Los valores extremos son poco probables y Yt , X 1t , , X kt y presentan momentos
de cuarto orden finitos y distintos de cero (Stock y Watson, 2012).
v) No existe multicolinealidad perfecta (Stock y Watson, 2012).

Cuando alguno de estos supuestos no se cumple, existen metodologías que se aplican para
encontrar estimadores insesgados y consistentes (Stock y Watson, 2012). Por ejemplo, si el
supuesto de exogeneidad no se cumple, se puede utilizar modelos de vectores autoregresivos
(VAR), modelos de ecuaciones simultáneas o modelos de variables instrumentales. En el caso de
que las variables no sean estacionarias, es decir, si las variables presentan una tendencia a lo
largo del tiempo, entonces se puede transformar las variables a primeras diferencias, de manera
que se obtengan series estacionarias (Stock y Watson, 2012).

43
Estimación de los multiplicadores: Problema de identificación

La estimación del valor de los multiplicadores fiscales se hace mediante modelos de series
temporales o datos de panel. Un marco de referencia para la estimación de los multiplicadores
se puede sintetizar como:

Yt  j    k  X t  j  u t  j
j

donde Yt  j es el cambio en la tasa de crecimiento del PIB, X t  j es la variación del gasto del
gobierno y k es la estimación del multiplicador fiscal (Blanchard y Perotti, 2002; Gechert, 2014).
Sin embargo, existen ciertos problemas de identificación, como la endogeneidad del gasto
público y la causalidad simultánea entre el PIB y el gasto (Gechert, 2014).

Como se vio en la sección previa de los supuestos de series temporales, para tener una
estimación insesgada y consistente de k , la variable explicativa tiene que estar no
correlacionada con el término de error; es decir, la variación del instrumento fiscal debe ser
exógena. Este supuesto no es sostenible, ya que implica que hay una sola dirección causa-efecto
entre el PIB y los estímulos fiscales, cuando en realidad existe una causalidad simultánea entre
las dos variables (Gechert, 2014).

Específicamente, hay dos posibles direcciones causales entre las variables de PIB y gasto del
gobierno: i) el gasto público puede afectar el crecimiento económico al incentivar el consumo e
inversión privada; ii) el crecimiento económico puede afectar el volumen de gasto público,
como, por ejemplo, en una recesión se tienden a implementar políticas de estímulo fiscal para
amortiguar el decrecimiento de la actividad económica, o del mismo modo, el gasto público
puede incrementar en épocas de bonanza económica (Ilzetzki, Mendonza y Végh, 2011).

En este caso, la estimación directa del modelo propuesto anteriormente mediante Mínimos
Cuadrados Ordinarios (MCO) sin tomar en cuenta las direcciones de causalidad, arrojaría
estimaciones sesgadas debido al sesgo de causalidad simultánea (Gechert, 2014; Stock y
Watson, 2012). Por ejemplo, supongamos que el verdadero valor de k es positivo. Supongamos
también que la economía entra en recesión y la tasa de crecimiento del PIB cae por debajo de
su tendencia, o incluso se torna negativa, lo cual provoca una política de estímulo fiscal
deliberada (Gechert, 2014). La ecuación antes expuesta solo tomaría en cuenta la causalidad de
la política fiscal sobre el PIB, mas no la causalidad de las variaciones del crecimiento económico
sobre las decisiones de política fiscal, estimando un k más pequeño y subestimando el
verdadero valor del multiplicador (Gechert, 2014).

La literatura empírica ha identificado varios procedimientos metodológicos que hacen frente al

problema de identificación. Uno de ellos es el uso de variables instrumentales (VI), de tal manera
que la variable instrumental esté correlacionada con X t  j , pero no correlacionada con el
término de error (Afonso y Fuerci, 2010; Gechert, 2014). Por otro lado, la metodología de
ecuaciones simultáneas toma en cuenta el problema de causalidad simultánea y estima los
parámetros mediante un sistema de ecuaciones en donde todas las variables son consideradas
como endógenas (Wooldridge, 2010).

44
Otro modelo utilizado es el de vectores autoregresivos (VAR), que toma en cuenta la
endogeneidad de las variables y el problema de causalidad simultánea. En un modelo VAR, todas
las variables y sus rezagos son endógenos, por lo que no es posible identificar una relación causa-
efecto (Stock y Watson, 2012). Los coeficientes del VAR son estimados mediante la metodología
de ecuaciones simultáneas, que genera un sistema de ecuaciones, donde el número de
ecuaciones está dado por el número de variables endógenas en el modelo (Stock y Watson,
2012). La forma reducida del sistema de ecuaciones impone una relación unidireccional de
causalidad, estimando los coeficientes que capturan esta causalidad y restringiendo con un valor
de cero a aquellos que capturan la doble causalidad (Stock y Watson, 2012). Una vez que se
obtiene la forma reducida del sistema de ecuaciones, se da paso a la estimación de los
coeficientes por medio de Mínimos Cuadrados Ordinarios (MCO) (Stock y Watson, 2012;
Gechert, 2014).

Metodologías de series de tiempo

Modelo de ecuaciones simultáneas

El modelo de ecuaciones simultáneas se utiliza para resolver el sesgo de simultaneidad existente

en el modelo a ser estimado (Wooldridge, 2010). La idea básica del modelo de ecuaciones
simultáneas es construir un sistema de ecuaciones de forma estructural y pasar al modelo de
forma reducida, donde todas las variables independientes son exógenas, de manera que se
pueda aplicar MCO a cada ecuación y estimar los parámetros del sistema (Wooldridge, 2010).

Consideremos el siguiente modelo:

yt  1 xt   2 w1t  3 w2t  u1t

donde xt causa a yt , pero a su vez, yt causa a xt , causando un sesgo de causalidad simultánea

(Wooldridge, 2010). Las variables w1t y w2t son regresores exógenos. En este caso, el modelo
estructural puede definirse de la siguiente forma:

yt  1 xt   2 w1t  3 w2t  u1t

xt   1 yt   2 w1t   3 w2t  u 2t

Para llegar a la ecuación de forma reducida, se pasan todos los términos endógenos del sistema
al lado izquierdo:

yt  1 xt   2 w1t  3 w2t  u1t

xt   1 yt   2 w1t   3 w2t  u 2t

La forma reducida se puede expresar a nivel matricial de la siguiente manera:

 1  1   yt   2 3   w1   u1t 
 
 
 1 1   xt   2  3   w2  u 2t 

45
Dividiendo la parte derecha de la ecuación para el primer término, queda:

 yt   11  12   w1   v1t 
 x        
 t   21  22   w2  v 2t 
de esta manera, el sistema de ecuaciones queda expresado únicamente con variables exógenas.
La matriz de coeficientes  es la matriz de parámetros a ser estimados mediante MCO en cada
ecuación, de tal forma que el estimador es:

̂  xx1 xy 

Modelos VAR y SVAR

En el caso del cálculo de los multiplicadores fiscales, las metodologías de series de tiempo más
utilizadas son los modelos de vectores autoregresivos (VAR), así como los modelos de vectores
autoregresivos estructurales (SVAR), que toman en cuenta el problema de identificación antes
expuesto al estimar un sistema de ecuaciones en donde todas las variables del modelo y sus
rezagos son endógenas (Caldara y Kamps, 2008; Cerón, 2012; Gechert, 2014). La formulación
reducida del modelo VAR puede expresarse como (Caldara y Kamps, 2008):

X t  A( L) X t 1  u t

en donde X t 1 es un vector de variables endógenas, en este caso, el PIB y el gasto del gobierno,
A es la matriz de coeficientes a estimar de orden L (que representa el número de rezagos
óptimos) y u t es el vector de perturbaciones de dimensión k con E (u t )  0 , E (u t u t )  u y
E (u t u s )  0 para s  t (Caldara y Kamps, 2008). Un modelo VAR con dos variables de series
temporales constará de dos ecuaciones: en una de ellas, la variable dependiente es Yt (por
ejemplo, el PIB); en la otra, la variable dependiente es X t (por ejemplo, el gasto del gobierno),
donde los regresores de ambas ecuaciones serán los retardos de las variables dependientes
(Stock y Watson, 2012). La representación del sistema de ecuaciones a estimar es la siguiente:

(1) Yt   10   11Yt 1  ...   1 pYt  p  11 X t 1  ...  1 p X t  p u1t

(2) X t   20   21Yt 1  ...   2 pYt  p  21 X t 1  ...  2 p X t  p u 2t

donde los coeficientes  y  son desconocidos y u1t y u 2t son los términos de error (Stock y
Watson, 2012). Cada una de las ecuaciones del VAR se estima por MCO de la misma manera que
se resolvería un sistema de ecuaciones tradicional (Stock y Watson, 2012).

La selección de la longitud de retardos del VAR es necesario para incluir el número óptimo de
rezagos, de manera que el modelo cuente con la suficiente información explicativa (Stock y
Watson, 2012). Esto se puede sortear estimando p bajo los diferentes criterios de información

46
que existen: i) criterio de información de Bayes (BIC); ii) criterio de información de Akaike; y iii)
criterio de información de Hannan-Quinn (HQIC) (Stock y Watson, 2012). Los criterios de
información proporcionan un valor óptimo de p para la estimación del VAR.

Los coeficientes de un modelo VAR pueden ser difíciles de interpretar, por lo que usualmente se
utilizan funciones impulso-respuesta, de manera que se puedan analizar las dinámicas que
caracterizan al modelo estimado (Becketti, 2013; Lennman, 2016). La idea detrás de las
funciones impulso-respuesta es ilustrar cómo un modelo en equilibrio reacciona ante un shock
de innovaciones, es decir, un shock en el término de error del modelo (Becketti, 2013). De esta
manera, se puede visualizar el resultado del VAR de manera más intuitiva (Becketti, 2013).

Por otro lado, los modelos de vectores autoregresivos (SVAR) son utilizados en la práctica para
aislar de mejor manera el efecto de un shock fiscal exógeno sobre la actividad económica. Para
ello, consideremos la forma reducida del modelo VAR (Caldara y Kamps, 2008):

X t  A( L) X t 1  u t

Para conseguir la forma estructural del modelo, se lo pre-multiplica por una matriz A0 de
dimensión ( k  k ) (Caldara y Kamps, 2008):

A0 X t  A0 A( L) X t 1  Bet

donde Bet  A0 u t describe la relación entre las perturbaciones estructurales, et y las

perturbaciones de la forma reducida del modelo, u t (Caldara y Kamps, 2008). Se asume que las
perturbaciones estructurales no están correlacionadas entre sí, por lo que la matriz de varianza-
covarianza e t es diagonal (Caldara y Kamps, 2008). Esta representación de la forma
estructural del modelo, también llamado modelo AB, necesita de restricciones en las matrices
A0 y B ( Caldara y Kamps, 2008). Existen varias aproximaciones econométricas para imponer
restricciones a las matrices del modelo estructural, donde las más conocidas son: i) el modelo
recursivo (The recursive approach), popularizado por Fatás y Mihov (2011), y ii) el modelo de
Blanchard-Perotti (2002)14.

Modelo de variables instrumentales

Los modelos antes expuestos lidian con el problema de causalidad simultánea de las variables,
de manera que se obtengan estimadores insesgados y consistentes. Otra manera de solventar
el problema de doble causalidad es utilizar el método de variables instrumentales (VI), que es
un método general para la obtención de un estimador consistente cuando la variable explicativa
X t está correlacionada con el término de error u t , como en el caso de causalidad simultánea
(Stock y Watson, 2012):

14
Para una revisión de la literatura empírica de los modelos SVAR aplicados al cálculo de los
multiplicadores fiscales, ver Batini et al (2014), Caldara y Kamps (2008) y Gechert (2014).

47
 cov( X t , ut )  0

La regresión mediante VI funciona de la siguiente manera: la variable X t tiene dos partes, una
que está correlacionada con u t y otra que está no correlacionada con u t (Stock y Watson, 2012).
Si se tiene información que permita aislar la parte exógena de X t , entonces la regresión puede
centrarse en las variaciones de X t que no están correlacionadas con el término de error (Stock
y Watson, 2012). Por lo tanto, el método de variables instrumentales utiliza variables adicionales
como herramientas o “instrumentos” para aislar el componente exógeno de la variable
explicativa (Stock y Watson, 2012).

Consideremos el siguiente modelo simple de series de tiempo (Stock y Watson, 2012):

Yt  X t  u t , t  1, ,2.., T

donde X t es endógena, por lo que una estimación mediante Mínimos Cuadrados Ordinarios
(MCO) arrojaría estimadores inconsistentes (Stock y Watson, 2012). La idea es encontrar una
variable instrumental Z t que cumpla con las siguientes condiciones de validez (Stock y Watson,
2012):

i) Relevancia del instrumento Z t : cov( Z t , X i )  0 (Stock y Watson, 2012)

ii) Exogeneidad del instrumento Z t : cov(Z t , u i )  0 (Stock y Watson, 2012)

La condición de relevancia indica que variaciones en Z t están correlacionadas con variaciones

en X t ; es decir, Z t explica a X t (Wooldridge, 2010). Por otro lado, la condición de exogeneidad
asegura que el instrumento no está correlacionado con el término de error (Wooldridge, 2010).

La estimación del modelo con VI se la hace mediante el método de Mínimos Cuadrados en dos
Etapas (MC2E), que, como su nombre lo indica, calcula el estimador en dos fases (Stock y
Watson, 2012). La primera etapa consiste en estimar una regresión de Z t sobre X t mediante
MCO y utilizar el parámetro estimado de Z t en la segunda etapa (Stock y Watson, 2012).
Formalmente, la primera etapa sería (Stock y Watson, 2012):

(1) X t  Z t   i

Estimando (1) mediante MCO, se obtiene Xˆ t  ̂Z t . La segunda etapa incorpora estas
estimaciones de la siguiente manera (Stock y Watson, 2012):

(2) Yt  Xˆ t  u i

Finalmente, el estimador de VI por MC2E resulta en ̂ IV , MC 2 E  Z X  Z Y 

1
(Wooldridge,
2010).

El método de variables instrumentales ha sido aplicado en el campo del cálculo de los

multiplicadores fiscales como una alternativa a los modelos VAR y SVAR. Mediante la
identificación de una variable instrumental que sea exógena a movimientos en el PIB, se puede
resolver el problema de sesgo por causalidad simultánea y estimar la regresión mediante MC2E.

48
Por ejemplo, Ramey y Shapiro (1998) utilizan períodos de gasto militar altos en Estados Unidos
como instrumento para el gasto del gobierno en general, ya que el gasto militar no está
correlacionado con fluctuaciones en el PIB. Así mismo, Chodorow-Reich et al (2012) utilizan la
ayuda estatal proveída después de la Ley de Reinversión y Recuperación de Estados Unidos de
2009 (American Recovery and Reinvestment Act of 2009) como instrumento para el gasto fiscal,
mientras que Shoag (2013) utiliza shocks de las pensiones estatales en Estados Unidos como
instrumento.

Metodologías de datos de panel

Las metodologías antes expuestas, como el modelo VAR y las diferentes estimaciones de los
modelos SVAR, son utilizadas en la práctica como metodologías estándar para el cálculo de los
multiplicadores fiscales en series temporales, es decir, en el caso de países individuales. Sin
embargo, bajo una estructura de datos de panel, la estimación de los multiplicadores debe
hacerse mediante la utilización de metodologías de paneles dinámicos autoregresivos;
específicamente, mediante la estimación de los diferentes estimadores de paneles dinámicos.
En esta sección, se presentará el concepto de paneles dinámicos, sus supuestos y los diferentes
estimadores que pueden utilizarse bajo estos modelos, así como también algunas metodologías
de series temporales como VI, ecuaciones simultáneas y el modelo VAR aplicado a panel.

Datos de panel

Los datos de panel, también denominados datos longitudinales, son datos sobre varios
individuos (personas, empresas, países) en los que cada individuo se observa durante varios
períodos temporales (Stock y Watson, 2012). El número de individuos en una estructura de
datos de panel se denomina como N, mientras que el número de períodos se expresa como T
(Stock y Watson, 2012).

Paneles dinámicos

Muchas relaciones económicas son dinámicas por naturaleza, y una de las ventajas de datos de
panel es que permiten entender la dinámica de ajuste de las variables macroeconómicas
(Baltagi, 2005). Las relaciones dinámicas se caracterizan por la presencia del rezago de la variable
dependiente dentro de los regresores del modelo (Baltagi, 2005):

yit  yi ,t 1  xit   uit i  1,..., N ; t  1,..., T

49
donde y i ,t 1 es el rezago de la variable dependiente; es decir, la variable evaluada en un período
anterior a t , xit es un vector de regresores de dimensión 1  k y  es un vector de parámetros
de dimensión k  1 (Baltagi, 2005). Se asume que el término de error tiene los siguientes
componentes:

u it  ci  vit

donde c i representa la heterogeneidad no observada del panel que varía entre los individuos
pero es invariante en el tiempo, y vit representa las demás perturbaciones que varían entre
individuos y en el tiempo, también llamados errores idiosincráticos (Baltagi, 2005).

Estimador Least Square Dummy Variable (LSDV)

La inclusión de la variable rezagada en el modelo se explica por el hecho de que yit no sólo
depende de otras variables explicativas contenidas en el vector xit , sino que también dependerá
de su valor pasado y i ,t 1 (Baltagi, 2005). Sin embargo, la presencia de un rezago en el modelo
introduce ciertas complicaciones para la estimación del mismo (Baltagi, 2005). Ya que yit es una
función de c i , el rezago y i ,t 1 también será una función de c i , por lo que la condición de
exogeneidad estricta no se cumple dentro del modelo (Baltagi, 2005). La exogeneidad estricta
implica que u it no se relaciona con yit en ningún período temporal, por lo que (Baltagi, 2005):

cov(u it , y it )  0

En el caso de modelos dinámicos autoregresivos, esta condición no se cumple, por lo que

tenemos:

cov(u it , y it )  0

Por lo tanto, el modelo no puede ser estimado mediante las metodologías estándar de datos de
panel, como efectos fijos (FE), puesto que cuando el supuesto de exogeneidad estricta no se
cumple, el estimador de FE, también llamado estimador Least Square Dummy Variable (LSDV)
es sesgado e inconsistente (Hsiao, 2003).

Para demostrarlo, tomemos en cuenta el modelo propuesto anteriormente:

N
y it  y i ,t 1  xit    ci d i  vit
i 1

donde d i =1 para el individuo i y d i =0 caso contrario. Si aplicamos el estimador “within” de

efectos fijos, se obtiene (Baltagi, 2005):

( yit  yi )  ( yi ,t 1  yi , 1 )  ( xit  x )  (ci  c )  (vit  vi )

yit  yi ,t 1  xit   vit

50
La transformación de efectos fijos elimina la heterogeneidad inobservada del modelo, ya que c i
es invariante en el tiempo, y, por lo tanto, su promedio será el mismo para cada observación
(Baltagi, 2005). Sin embargo, la expresión ( yi ,t 1  yi , 1 ) estará correlacionada con el término
(vit  vi ) , ya que vi recoge los errores de todos los períodos. Tomando la probabilidad en límite
(plim) del estimador de efectos fijos, tenemos:

1
 yit 1  yi 1 vit  vi 
p lim ˆ LSDV  N
1
 yit 1  yi 1 2
N
donde se puede observar que el tamaño del sesgo viene dado por el término
1
 yit 1  yi 1 vit  vi  / 1  yit 1  yi 1 2 , que es la correlación que existe entre el término de
N N
error y la variable rezagada (Hsiao, 2003).

Nickell (1981) calculó el sesgo asintótico del estimador LSDV, especialmente para paneles donde
N tiende al infinito y T es fijo. El sesgo de Nickell se calcula restando el valor del estimador LSDV
con el valor verdadero del parámetro, y se encuentra que el tamaño del sesgo asintótico es
O (1 / T ) (Abonazel, 2017; Nickell, 1981).

Estimadores LSDV corregidos por sesgo e inconsistencia

Como se presentó anteriormente, el sesgo y la inconsistencia presentados en el estimador LSDV

representan problemas al estimar modelos de paneles dinámicos autoregresivos (Abonazel,
2017). La literatura econométrica presenta varios estimadores que son usados como
alternativas del estimador LSDV, como el estimador de Arellano y Bond (1991), el estimador de
Blundell y Bond (1998) y el estimador de Kiviet (1995). A continuación, se presentará el supuesto
base de estos estimadores, que es el supuesto de exogeneidad secuencial. Después, se expondrá
cada uno de los estimadores junto con su respectivos supuestos.

Exogeneidad secuencial

El problema de estimar modelos de paneles dinámicos se basa en que el supuesto de

exogeneidad estricta no se cumple. Por lo tanto, para evitar la correlación entre los rezagos de
la variable dependiente y el término de error, se introduce una nueva condición de exogeneidad,
la exogeneidad secuencial. Ésta se define como (Muro, 2003):

E (vit | xit , yit 1 ,..., yi 0 , ci )  0, t  1,2,.., T

Esta expresión quiere decir que el error no está correlacionado con los rezagos de la variable
dependiente ni con los regresores exógenos del modelo en cada período temporal (Muro, 2003).
Las consecuencias de la exogeneidad secuencial, por lo tanto, son: i) los errores idiosincráticos

51
están serialmente no correlacionados; ii) los efectos individuales no observables no están
correlacionados con los errores idiosincráticos (Baltagi, 2005).

Estimador de Arellano y Bond

El estimador de panel dinámico de Arellano y Bond (1991) parte del siguiente modelo
autoregresivo de panel:

yit  yit 1  ci  u it

El modelo original puede considerarse un modelo AR(1), ya que el único regresor es el rezago
de la variable dependiente. Los supuestos que sigue el modelo de Arellano y Bond (1991) son
los siguientes:

i) Exogeneidad secuencial, tal que cov(vit | yit 1 , ci )  0

ii) La heterogeneidad individual está relacionada con los regresores del modelo, tal
que cov(ci , y t 1 )  0
Homocedasticidad condicional cov(vit | yit 1 , ci )   t , que quiere decir que la
2 2
iii)
varianza del error condicional a las variables explicativas en el modelo es la misma
para todo i del periodo, pero distinta entre períodos.
Homocedasticidad en el tiempo E (vit )   2 , que quiere decir que la varianza del
2
iv)
error es constante a lo largo del tiempo.
v) Modelo estable, donde |  | 1 . Esta condición asegura que el modelo no tenga
saltos exponenciales y que el proceso sea estacionario. Además, se asume que
existe estacionariedad en media y varianza. La estacionariedad en media se refiere
a que la media de la serie no varía a lo largo del tiempo, mientras que la
estacionariedad en varianza significa que la varianza es constante a través del
tiempo.

Para encontrar el estimador de Arellano y Bond, primero se debe transformar el modelo de

manera que se elimine la heterogeneidad individual del panel. Para ello, los autores utilizan la
transformación de diferencias finitas, que se basa en diferenciar las variables con respecto a su
período anterior. Formalmente, la transformación de diferencias finitas se da de la siguiente
manera:

yit  yit 1  ci  u it

( yit  yit 1 )   ( yit 1  yit 2 )  (ci  ci )  (u it  u it 1 )

y it  yit 1  u it

Debido a que los efectos individuales no varían en el tiempo, el modelo transformado elimina la
heterogeneidad no observada del panel. Ahora, bajo el supuesto de que existe una exogeneidad
secuencial débil, los autores proponen estimar el modelo mediante la utilización de variables
instrumentales. En este caso, las variables instrumentales son los valores de yit retardados dos

52
períodos o más. Recordemos que para que un instrumento sea válido, debe cumplir con las
condiciones de relevancia y exogeneidad (Jiménez, 2012).

Por ejemplo, tomando en cuenta el modelo transformado, un instrumento válido para y it 1

sería el rezago de la variable un período antes, es decir, z  y it  2 . La validez del instrumento se
evalúa mediante las condiciones (Baltagi, 2005; Jiménez, 2012):

i) Relevancia de z: y it  2 está correlacionado yit 1 por medio de

yit 1  yit 1  yit 2 ; es decir cov( yit 2 , yit 1 )  0 (Baltagi, 2005; Jiménez, 2012).
ii) Exogeneidad de z : y it  2 no está correlacionado con uit , ya que u it  u it  u it 1
es decir, E (u it | y it  2 )  0 (Baltagi, 2005; Jiménez, 2012).

De esta manera se puede obtener una matriz de instrumentos que siguen la condición
E ( Z i u it )  0 , i  1,.., N t  3,.., T (Jiménez, 2012):

 y i ,1 0 0  0 0 
 0 y i ,1 yi,2 0 0 
Zi  
    
 
 0 0  y i ,1  y i ,T 2 

Debido a que el modelo de Arellano y Bond utiliza más de un instrumento, la estimación se la

hace por medio del Método Generalizador de Momentos (GMM), ya que el modelo está sobre-
identificado. Cuando existen más instrumentos que parámetros a estimar, el método tradicional
de MC2E no puede utilizarse, por lo que el modelo se estima mediante GMM.

Así, después de instrumentar con la matriz de rezagos y aplicar GMM, el estimador de Arellano
y Bond puede definirse como (Arellano y Bond, 1991):


̂ AB ,GMM  Y ( 1) Z VˆN 1 Z Y ( 1)   Y1 ( 1)

Z VˆN Z Y 
1

donde VˆN es una matriz de ponderación que asegura homocedasticidad condicional y en el

tiempo en la estimación, dada por VˆN   Z  DDZ
i t
it jt (Arellano y Bond, 1991).

Una versión del estimador de Arellano y Bond antes expuesto es el estimador Arellano y Bond
de dos pasos (Jiménez, 2012). La diferencia con el estimador de Arellano y Bond de un paso es
que el estimador de dos pasos utiliza una elección robusta de VˆN , expresada como
~
V N   Z it uˆ it uˆ it Z jt , donde ûit son los residuos de la estimación GMM de un paso
i t

(Jiménez, 2012).

Por lo tanto, el estimador de dos pasos se define como:

53
  ~
 Y
̂ AB 2,GMM  Y ( 1) Z VN 1 Z Y ( 1) 
1 ( 1)

Z VN Z Y 
~ 1

La bondad del estimador de Arellano y Bond es que permite estimar un modelo dinámico
insesgado sin necesidad de utilizar instrumentos externos. Además, el modelo puede incluir más
variables independientes, que pueden ser estrictamente exógenas o que pueden ser endógenas,
por lo que la estimación de GMM utilizaría también sus rezagos como instrumentos. Por
ejemplo, siguiendo el siguiente modelo:

yit  yi ,t 1  xit  ci  uit

Si xit es una variable explicativa endógena, entonces se puede construir una matriz de
instrumentos utilizando los rezagos exógenos de xit , siguiendo la misma lógica del modelo
AR(1). La estimación de igual manera se hace mediante GMM (Baltagi, 2005).

Estimador de Blundell y Bond (1998)

Blundel y Bond (1998) realizan una crítica al estimador de Arellano y Bond, argumentando que
el estimador es ineficiente al utilizar instrumentos débiles. La debilidad de los instrumentos
radica en que sólo se toma en cuenta la información de yit en diferencias, por lo que los autores
sugieren utilizar información adicional de yit evaluada en niveles (Jiménez, 2012). La
combinación de información en niveles y en diferencias de la estimación por medio de GMM
resulta en el estimador de Blundell y Bond, también llamado estimador de sistema de GMM
(Behr, 2003; Blundell y Bond, 1998).

El modelo sigue los mismos supuestos que el modelo de Arellano y Bond, sólo que el modelo de
Blundell y Bond requiere únicamente estacionariedad en media y no en varianza (Jiménez,
2012). Para demostrar el problema que surge al utilizar instrumentos débiles, consideremos el
siguiente modelo en primeras diferencias y evaluado en t = 3 (Jiménez, 2012):

yi 3  yi 2  ui 3

donde el instrumento para  y j 2 será:

z1  y i1

El primer paso de la estimación de variables instrumentales (VI) queda entonces como:

yi 2  yi1   i

yi 2  (   1) yi1  u i 2

Si  tiene un valor de 1 o cercano a 1, entonces la correlación entre  y j 2 y y j1 será débil,

por lo que se considera que y j1 no es un buen instrumento para  y j 2 (Jiménez, 2012).

54
Para incluir información relevante y exógena al modelo, los autores proponen estimar un
sistema de ecuaciones, en donde el modelo evaluado en niveles se estima utilizando como
instrumentos a las variables en diferencias, mientras que el modelo evaluado en diferencias se
estima mediante la utilización de las variables en niveles como instrumentos (Behr, 2003;
Jiménez, 2012). De esta manera, se incluye mayor información resolviendo el modelo por medio
de un sistema de ecuaciones, lo que dará un estimador más consistente que el propuesto por
Arellano y Bond (Behr, 2003).

De esta manera, se proponen las siguientes matrices de instrumentos (Behr, 2003):

 y i1 0  0 
 
 0 y i1, y i 2  0 
Z D
 0 0  0 
 
i

    
 0 0  y i1, y i 2 ... y i ,T 1 


 dyi 2 0  0 
 
 0 dyi 2, dyi 3  0 
Z N
 0 0  0 
 
i

    
 0 0  y i 2, y i 3 ... y i ,T 2 


donde Z D i es la matriz de instrumentos en niveles para el modelo en diferencias y Z N i es la

matriz de instrumentos en diferencias para el modelo en niveles (Behr, 2003). La matriz general
de instrumentos puede ser representada como (Behr, 2003):

Z i D 0 
Zi   N
 0 Zi 

Lo que nos da el estimador final de Blundell y Bond (Blundell y Bond, 1998):

1
 N ( 1)  1 ( 1)  
 
 ˆ 1
N
   Yi Z i VˆN Z iYi   Yi Z i VN Z iYi 
( 1)
̂ BB ,GMM 
 i 1    i 1 

De igual manera que en el modelo de Arellano y Bond, se puede incluir más variables
explicativas, las cuales pueden ser estrictamente exógenas o endógenas (Behr, 2003). Si los
regresores adicionales son endógenos, sus instrumentos en nivel y en diferencias se añaden a
las matrices antes expuestas, por lo que el estimador en este caso también sería consistente e
insesgado (Behr, 2003).

55
Estimador de Kiviet (1995)

El estimador de Kiviet surge como respuesta directa a la inconsistencia del estimador LSDV en
paneles dinámicos derivado por Nickell (Behr, 2003; Jimenez, 2012). Kiviet (1995) propone un
método para encontrar un estimador consistente, al corregir por el sesgo presentado en el
estimador LSDV (Behr, 2003). La motivación para calcular el sesgo asintótico e incorporarlo en
la estimación de los parámetros del modelo recae en que el estimador LSDV, si bien es
inconsistente, tiene una varianza mucho menor comparada con los estimadores calculados
mediante variables instrumentales, como los estimadores de Arellano y Bond y el estimador de
Blundell y Bond (Behr, 2003).

La idea básica de la estimación de Kiviet es la incorporación del sesgo de los parámetros en la

estimación de los mismos mediante un procedimiento de dos etapas (Behr, 2003). La primera
etapa del procedimiento consiste en estimar de manera empírica los parámetros del modelo
mediante, por ejemplo, el estimador de Anderson y Hsiao (1981), mientras que la segunda etapa
incorpora la estimación del sesgo a la estimación previa de los parámetros (Behr, 2003). De esta
manera, el estimador de Kiviet queda expresado como (Jiménez, 2012):

ˆkiviet ˆ LSDV sesgo

Variables instrumentales en panel

Como se vio anteriormente en la sección de series de tiempo, el método de variables

instrumentales surge como un método alternativo para aislar el sesgo por simultaneidad o
endogeneidad existente en los modelos a estimar. En el caso de paneles dinámicos, los
estimadores de Arellano y Bond y Blundell y Bond utilizan una aproximación de variables
instrumentales estimando los parámetros mediante GMM, lo que resuelve el problema de
endogeneidad tanto de la variable dependiente rezagada como de los demás regresores
endógenos que se considere en el modelo. En el caso del cálculo del multiplicador fiscal, estas
metodologías resuelven a su vez el problema de endogeneidad ligado a la variable del gasto del
gobierno. No obstante, el método de variables instrumentales podría considerarse como una
alternativa a los estimadores tradicionales de paneles dinámicos para extraer la endogeneidad
presentada por la variable fiscal.

El análisis del método de variables instrumentales presentado en la sección de series de tiempo

puede extenderse fácilmente al caso de datos de panel dinámicos. Murtazashvili y Wooldridge
(2007) demuestran que la metodología de VI puede ser combinada con la transformación
tradicional de datos de panel de FE para encontrar estimadores consistentes e insesgados. Para
formalizarlo, consideremos el siguiente modelo (Murtazashvili y Wooldridge, 2007):

yit  yi ,t 1  xit  ci  uit

donde xit es una variable endógena, de forma que (Murtazashvili y Wooldridge, 2007):

56
 cov( xit , u it )  0

El primer paso es transformar el modelo mediante efectos fijos para eliminar la heterogeneidad
inobservada individual (Murtazashvili y Wooldridge, 2007):

( yit  yi )   ( yi ,t 1  yi , 1 )   ( xit  x )  (ci  c )  (uit  ui )

yit  yi ,t 1  xit   uit

Una vez que el componente individual ha sido eliminado, el siguiente paso es encontrar un
instrumento para xit que cumpla las condiciones de relevancia y exogeneidad. En el caso de
modelos de datos de panel dinámicos, el instrumento debe cumplir con la condición de
exogeneidad estricta (Murtazashvili y Wooldridge, 2007):

E (uit | Z i1 , Z i 2 ,.., Z iT )  0

Esta condición segura que el instrumento no está correlacionado con el término de error en
ningún período temporal. Si el supuesto de exogeneidad estricta se cumple, entonces el modelo
transformado puede ser estimado mediante MC2E (Murtazashvili y Wooldridge, 2007).

Modelo VAR en panel

Anteriormente se analizó el modelo VAR aplicado a series temporales. Al igual que la

metodología de ecuaciones simultáneas, el modelo VAR toma en cuenta el sesgo de causalidad
simultánea existente en el modelo, por lo que todas las variables son consideradas como
endógenas (Stock y Watson, 2012).

Consideremos el siguiente modelo de vector de panel autoregresivo con k regresores y de orden

p (Abrigo y Love, 2016):

yit  A1 yit 1  A2 yit 2   Ap1 yit  p  Ap yit  p  Bxit  ci  eit

i  1,2, , N t  1,2, , T

en donde yit es un vector de variables dependientes endógenas de dimensión (1  k ) , xit es

un vector de variables exógenas de (1  l ) , ci es el vector de heterogeneidad individual de
dimensión (1  k ) y eit es el vector de error idiosincrático de (1  k ) , mientras que A y B son las
matrices de parámetros a ser estimados (Abrigo y Love, 2016).

Para remover el efecto individual del panel, Abrigo y Love (2016:2) proponen una
transformación del modelo mediante desvíos ortogonales, que elimina ci al restar a cada una
de las observaciones la media de sus observaciones futuras (Abrigo y Love, 2016):

Tit
y *it  ( yit  yit )
Tit  1
57
donde Tit es el número de observaciones futuras para i en el período t . Ya que ci es invariante
en el tiempo, una vez más el término se elimina al restarle la media de sus observaciones futuras,
pues ci  c *i (Abrigo y Love, 2016). La estimación de los coeficientes del VAR en panel se hace
mediante GMM, puesto que utiliza los rezagos de las variables explicativas como instrumentos
para la estimación del modelo (Abrigo y Love, 2016).

Al igual que en el modelo VAR de series de tiempo, la selección de rezagos óptima se hace
mediante la comparación de los criterios de información BIC, AIC y HQIC (Abrigo y Love, 2016;
Lennman, 2016). Además, se puede implementar de la misma forma los conceptos antes vistos
como las funciones impulso respuesta, la causalidad en el sentido de Granger y la
descomposición de la varianza (Abrigo y Love, 2016).

58
 Capítulo I: Estimación de los multiplicadores fiscales bajo una
estructura de datos de panel

Como se mencionó anteriormente, la efectividad de la política fiscal como una medida de

estabilización económica ha sido objeto de gran debate entre economistas durante décadas. La
crisis de 2008 reanudó la discusión alrededor de la política fiscal de estabilización, en el sentido
de que se retomó el debate sobre si los instrumentos fiscales tienen algún tipo de efecto sobre
la actividad económica en el corto y largo plazo. La falta de consenso, tanto a nivel teórico como
empírico, sobre la magnitud de los multiplicadores fiscales ha incentivado a que se realicen más
investigaciones y estimaciones, mediante la utilización de métodos y datos distintos.

El propósito de este capítulo es calcular el valor de los multiplicadores fiscales utilizando el gasto
público como instrumento fiscal para un panel de países, divididos en: i) países de alto y bajo
ingreso; ii) economías abiertas y cerradas; iii) tipo de cambio fijo y flexible; y iv) países altamente
endeudados y países con bajo endeudamiento. La razón de esta estimación empírica de los
multiplicadores se halla en que la teoría económica señala que el efecto de la política fiscal será
mayor en economías grandes, mientras que el modelo Mundell-Fleming argumenta que los
multiplicadores serán mayores en economías con tipo de cambio fijo y en países con apertura
comercial baja. Por otro lado, la teoría de Equivalencia Ricardiana indica que una expansión fiscal
podría tener un efecto crowding-out de la demanda agregada cuando las economías tienen un
endeudamiento alto.

investigacion
Ilzetzki, Mendonza y Végh (2011) fueron los primeros autores en utilizar una metodología de
es anteriores datos de panel para estimar el tamaño de los multiplicadores bajo los escenarios antes
mencionados, utilizando un panel de 44 economías. Más tarde, Contreras y Battelle (2014)
replicaron el estudio de Ilzetzki, Mendonza y Végh (2011) utilizando un panel de 55 países y
encontraron resultados distintos. En este sentido, la presente investigación busca replicar las
estimaciones de los multiplicadores fiscales bajo una estructura de datos de panel y una
clasificación de países de acuerdo a las características económicas antes mencionadas. La
diferencia con los dos estudios previamente realizados radica en tres factores importantes: el
período, los países incluidos en la muestra y la metodología utilizada.

Por un lado, Ilzetzki, Mendonza y Végh (2011) estiman los multiplicadores para el período de
1998 a 2008, mientras que Contreras y Battelle (2014) utilizan un período de 1988 a 2010. La
presente investigación utiliza datos macroeconómicos seguidos desde el primer trimestre del
año 2000 hasta el último trimestre de 2017. Por otro lado, los países incluidos en la muestra
varían con respecto a ambas investigaciones, mientras que, a su vez, las muestras de Ilzetzki,
Mendonza y Végh (2011) y Contreras y Battelle (2014) difieren también entre sí. La muestra
utilizada en esta disertación utiliza un panel de 34 países, la cual incorpora 6 países distintos con
respecto a la investigación de Ilzetzki, Mendonza y Végh (2011) y 4 con respecto a Contreras y
Battelle (2014)15.

Finalmente, se propone utilizar una metodología distinta a la utilizada por ambas

investigaciones, las cuales utilizan un modelo de VAR estructural aplicado a panel. En este

15
Los países nuevos con respecto a Ilzetzki, Mendonza y Végh (2011) son: Austria, Bolivia, Costa Rica,
Croacia, Filipinas y Suiza, mientras que los países nuevos con respecto a Contreras y Battelle (2014) son
Bulgaria, Croacia, Israel y Rumania.

59
sentido, se siguió la metodología de Borys, Ciżkowicz y Rzońca (2014), quienes utilizan
estimadores tradicionales de panel dinámico para el cálculo de los multiplicadores en un panel
de economías de la OECD. La idea detrás del cálculo de los multiplicadores para un set de
estimadores es corroborar la robustez de los resultados y obtener un tipo de rango del tamaño
de los estimadores. Además, se propone también un modelo de variables instrumentales y
ecuaciones simultáneas, para corregir posibles sesgos de endogeneidad no capturados por los
estimadores de panel dinámico.

Ventajas de datos de panel

En los últimos años, el uso de datos de panel para calcular el multiplicador fiscal en economías
que comparten características similares se ha ido popularizando16. En este sentido, Baltagi
(2005: 4-7) hace referencia a la importancia del uso de datos de panel para estimar modelos
macroeconómicos, y enumera los beneficios de utilizar este tipo de datos:

1. Permite controlar por heterogeneidad individual: Los datos de panel sugieren que los
estados o países son heterogéneos; es decir, tienen características que difieren entre
ellos, como características institucionales, políticas, comportamiento de los agentes
económicos, entre otros (Baltagi, 2005). Al incorporar variables que identifiquen la
heterogeneidad individual de los países, y al estimar modelos que eliminen esta
heterogeneidad inobservada (como modelos de efectos fijos o primeras diferencias), se
puede obtener un estimador consistente e insesgado para un grupo de países, lo cual
no se podría hacer mediante la utilización de modelos de series de tiempo (Baltagi,
2005).

2. Tipo de datos: Los datos de panel proveen datos más informativos, mayor variabilidad
de datos, menor colinealidad entre variables, mayores grados de liberad y mayor
eficiencia (Baltagi, 2005). Al utilizar datos de varios países en el mismo período
temporal, la dimensión longitudinal de los datos de panel añade mucha variabilidad, lo
que hace que se tenga un proceso generador de datos mucho más informativo (Baltagi,
2005). Es más, la variabilidad de los datos se puede descomponer en: i) variabilidad
entre países de diferentes tamaños y características; y ii) variación de los datos dentro
de un mismo país (Baltagi, 2005). La estructura de datos de panel, contiene ambos
componentes de variabilidad, mientras que las series temporales sólo poseen la
variabilidad dentro de una misma unidad de observación (Baltagi, 2005).

3. Medición de efectos: Los datos de panel son mejores para identificar y medir efectos
que no son detectables en series temporales puras (Baltagi, 2005). Este punto se hace

16
Ilzetzki, Mendonza y Végh (2011), Contreras y Battelle (2014), Chian Koh (2016), Kitsios y Patnam (2013),
Gonzales-García et al (2013), Borys, Ciżkowicz y Rzońca (2014), Abdullah, Habibullah y Baharumshah
(2009), Lennman (2016). Estas investigaciones utilizan paneles distintos de países, así como períodos
temporales diferentes.

60
 evidente cuando se quiere encontrar un efecto promedio entre países de características
similares (Baltagi, 2005).

4. Dimensión: Los datos de panel macroeconómicos proveen un mayor número de

observaciones gracias a la dimensión N del panel, por lo que se puede trabajar con un
número relativamente pequeño de T, lo cual no es posible en series temporales puras,
donde se necesita un número de períodos alto para obtener estimaciones consistentes
(Baltagi, 2005).

En este sentido, la utilización de datos de panel para estimar los multiplicadores fiscales en
países que comparten características en común es sumamente importante. Por ejemplo, Baltagi
(2005: 6) argumenta que algunos efectos no son posibles de medir en series temporales puras.
En el caso de los multiplicadores fiscales, por ejemplo, para identificar la diferencia que existe
en el tamaño de éstos bajo diferentes regímenes de tipo de cambio, es necesario tener una
muestra de países que pueda ser dividida entre economías de tipo de cambio fijo y flexible, de
manera que la estimación del multiplicador para cada grupo de países refleje la variación del
tamaño del multiplicador entre ambos regímenes de tipo de cambio. Esto no sería posible de
realizar utilizando series de tiempo para una sola unidad de observación (país), ya que es muy
poco probable que se obtengan series lo suficientemente largas como para evaluar el efecto de
la política fiscal bajo un tipo de cambio fijo y flexible para un mismo país.

Del mismo modo, el control por heterogeneidad individual que ofrecen los modelos de datos de
panel permite extraer el efecto de la política fiscal en cada panel, sin necesidad de que el
estimador esté contaminado por efectos individuales de cada país, como factores
institucionales, estructura de la economía, sistema político, entre otros. Dado que estos efectos
no varían en el tiempo, los métodos tradicionales de efectos fijos o efectos aleatorios permiten
eliminar la heterogeneidad del panel sin afectar el proceso generador de datos ni las
estimaciones de los modelos econométricos.

Países incluidos en la muestra

Los países incorporados en la base de datos se eligieron de acuerdo su disponibilidad de datos

y a la clasificación del Banco Mundial de acuerdo a ingreso para el período 2017-2018. Esta
clasificación divide a los países entre economías de alto, mediano alto, mediano bajo y bajo
ingreso, según la Producto Nacional Bruto (PNB) per cápita. Los umbrales de clasificación del
Banco Mundial se presentan a continuación.

Tabla 2:Clasificación de países según su ingreso por el Banco Mundial

Clasificación PNB per cápita (USD$)

Bajo ingreso < 995

Mediano-bajo ingreso 996 - 3,895

61
 Mediano-alto ingreso 3,896 – 12,055

Alto ingreso > 12,055

Fuente: Banco Mundial

Elaboración: Carolina Álvarez G.

Siguiendo a Ilzetzki, Mendonza y Végh (2010), para facilitar la comparación entre economías, se
definió países de alto ingreso a los países con un PNB per cápita mayor a 12,055 USD, mientras
que los países de mediano alto y bajo ingreso se definieron como países de bajo ingreso. Debido
a la poca disponibilidad de datos, no se seleccionó ningún país con PNB per cápita menor a <
995. De acuerdo a estos criterios de selección, los países reportados en la investigación son los
siguientes:

Países de alto ingreso: Alemania, Australia, Austria, Bélgica, Canadá, Chile, Dinamarca, España,
Estados Unidos, Finlandia, Grecia, Inglaterra, Irlanda, Israel, Italia, Noruega, Portugal, Suecia y
Suiza.

Países de bajo ingreso: Bolivia, Brasil, Bulgaria, Colombia, Costa Rica, Croacia, Ecuador, Malasia,
México, Perú, Filipinas, Romania, Suráfrica, Tailandia y Turquía.

Datos

El proceso de recolección de datos de la presente investigación presentó varios desafíos. En

primer lugar, para lograr estimar el efecto de la política fiscal sobre la actividad económica, es
necesario utilizar datos trimestrales. La razón por la cual se necesita datos de alta frecuencia es
expuesta por Ilzetzki, Mendonza y Végh (2011: 11), quienes argumentan que el uso de datos
anuales puede arrojar estimaciones erróneas, pues la reacción del PIB ante un cambio en el
gasto público no tarda un año, sino se ve reflejado en el trimestre posterior al estímulo fiscal. En
este sentido, las bases de datos de series macroeconómicas mundiales que presentan
información para un gran número de países, incluyendo países en vías de desarrollo, como la
World Economic Outlook o la base de datos World Bank Open Data, no pudieron ser utilizadas,
pues presentan datos únicamente de frecuencia anual. Por esta razón, se decidió utilizar la base
de datos International Financial Statistics (IFS) del FMI, que presenta datos en frecuencia
trimestral.

Sin embargo, el segundo desafío consistió en encontrar datos para países en vías de desarrollo,
necesarios para estimar las diferencias que existe entre los multiplicadores fiscales en países de
alto y bajo ingreso. Si bien la base de datos de IFS cuenta con series macroeconómicas de
frecuencia trimestral, los datos no están disponibles para muchas economías en desarrollo.
Además, en el caso de que estén disponibles, las series son muy cortas; es decir, no hay datos
para grandes períodos temporales, lo que comprometería la robustez de los estimadores

62
encontrados (Ilzetzki, Mendonza y Végh, 2011). Por último, existe una gran cantidad de datos
perdidos en las series de economías en vías de desarrollo, lo que dificulta la construcción de un
panel balanceado.

Dadas las limitaciones de frecuencia y disponibilidad de datos, se optó por utilizar las series
macroeconómicas recolectadas por la empresa CEICDATA. Los datos recolectados provienen de
fuentes oficiales de cada país, como el banco central, el ministerio de economía y el ministerio
de finanzas. Algunas series, como el deflactor del PIB, la tasa de interés de corto plazo y el tipo
de cambio real efectivo se las obtuvo de la base IFS del FMI, ya que contaban con disponibilidad
para todos los países. De esta manera, se logró obtener una base de datos balanceada, con
información para 34 economías, 19 de alto ingreso y 14 de bajo ingreso, con 9 variables
macroeconómicas de frecuencia trimestral seguidas desde el año 2000 hasta el 2017.

La conversión de las variables nominales como el PIB, el gasto del gobierno y el consumo privado
a términos reales se realizó por medio del deflactor del PIB de cada país. Debido a que no todas
las series de deflactor contaban con el mismo año base, éstas se re-escalaron de manera que
todas tuvieran como base el último trimestre del año 2011. Así, las variables se presentan en
términos de precios constantes ajustados por inflación. La serie de índice de tipo de cambio real
efectivo también se re-escaló de manera que todos los países tuvieran como base el último
trimestre del año 2011.

Estrategia de identificación
Multiplicador fiscal de impacto

Siguiendo a Lennman (2016), el multiplicador de impacto se calcula estimando los modelos

mediante la transformación de las series en primeras diferencias, de manera que se asegure la
estacionariedad de éstas. De esta forma, la estrategia de identificación propuesta para el cálculo
de los multiplicadores fiscales de impacto para un panel de países es la siguiente:

log(Yt )   1 log(Yt 1 )   2 log(Gt )  ci  u it

en donde log(Yt ) es la primera diferencia de la variación del PIB en el trimestre t, log(Yt 1 ) es

la primera diferencia de la variación del PIB en el trimestre anterior a t, log(Gt ) es la primera
diferencia de la variación del gasto público en el período t, ci es el término que recoge la
heterogeneidad del panel y u it es el error idiosincrático. El coeficiente de interés es  2 , que
representa el efecto contemporáneo que tiene el gasto público sobre la actividad económica;

63
 17
es decir, el multiplicador fiscal de impacto medido como un efecto porcentual (Lennman,
2016).
A diferencia de Ilzetzki, Mendonza y Végh (2011), quienes utilizan la metodología de SVAR en
panel, este trabajo propone utilizar metodologías de paneles dinámicos para calcular del efecto
del gasto del gobierno sobre la actividad económica. Esta misma metodología de estimación es
aplicada por Borys, Ciżkowicz y Rzońca (2014), quienes estiman el tamaño de los multiplicadores
fiscales para un panel de países miembros de la Unión Europea para el período 1995-2011,
utilizando los estimadores de efectos fijos, efectos aleatorios y LSDV corregido por sesgo
asintótico. Así mismo, Abdullah, Habibullah y Baharumshah (2009) estiman el efecto de la
política fiscal sobre el crecimiento económico para economías asiáticas para el período 1985-
2001 utilizando los estimadores de Arellano y Bond y Blundell y Bond. La razón por la cual se
propone una metodología de estimación diferente se halla en que la estimación de un VAR
estructural para una estructura de datos de panel tiene una complejidad alta que sale de los
alcances de esta investigación.

Bajo esta estrategia de identificación, se calculará el multiplicador fiscal utilizando los

estimadores tradicionales de paneles dinámicos presentados en el capítulo anterior.
Específicamente, se utilizarán los estimadores de LSDV, Arellano y Bond, Arellano y Bond en dos
pasos, Blundell y Bond y Kiviet. La importancia de la comparación de varios estimadores de panel
radica en que cada uno especifica distintos supuestos y se estiman mediante diferentes
métodos, como MCO o GMM, por lo que comparar los resultados obtenidos mediante distintas
metodologías asegura la robustez de los resultados encontrados en panel (Borys, Ciżkowicz y
Rzońca, 2014). Además, los estimadores de Arellano y Bond, Blundell y Bond y Kiviet nos permite
incorporar al gasto del gobierno como otra variable endógena e instrumentarla mediante sus
rezagos por medio de GMM, lo que solventa de cierta forma el problema de sesgo por
endogeneidad.

Sin embargo, se proponen dos metodologías más para identificar y resolver el problema de
endogeneidad y causalidad simultánea de las variables. En este sentido, se estimará una
regresión por medio de variables instrumentales para extraer la endogeneidad presentada en la
variable del gasto por medio de un instrumento exógeno y relevante. Cabe recalcar que
encontrar un instrumento que cumpla con ambas condiciones no es sencillo, especialmente
cuando se tiene una base de datos restringida. No obstante, se propone instrumental al gasto
público por medio de la variable de deuda del gobierno como porcentaje del PIB. El sustento
teórico detrás de esta variable instrumental radica en que una de las fuentes de financiamiento
de la política fiscal es la adquisición de deuda por parte del gobierno central (FMI, 2017; ver
Kraay, 2010).

En este sentido, la variación de la deuda del gobierno central como porcentaje del PIB está
correlacionada con el gasto público, mas no tiene una correlación con el término de error; es
decir, no tiene una relación de causalidad simultánea con el PIB. Si bien no existe un test que
determine la exogeneidad del instrumento a utilizar, sí se puede determinar si es que el
instrumento está correlacionado con la variable a instrumentar. En este sentido, los gráficos del

17
La estrategia de identificación presentada es una regresión bivariada del gasto público sobre el PIB. Este
tipo de estrategia también se utiliza en Ilzetzki, Mendonza y Végh (2011), Lennman (2016), Contreras y
Battelle (2014) y Kraay (2010).

64
Anexo 1 muestran que existe una correlación fuerte entre la deuda adquirida por el gobierno
central y el gasto del gobierno en todo el período de la muestra, tanto en economías de alto
como bajo ingreso. Por lo tanto, la estrategia de identificación de variables instrumentales es la
siguiente:

(1) log(Gt )   log(Z t )   i

(2) log(Yt )  1 log(Yt 1 )   2 log(Gˆ t )  ci  u it

donde la ecuación (1) es la primera etapa de la regresión por medio de MC2E y la ecuación (2)
es la segunda etapa de la regresión. El modelo sigue los siguientes supuestos de VI: i)
cov(Z , G )  0 ; ii) cov( Z , u )  0 ; y iii) cov(Gˆ , u )  0 (Stock y Watson, 2007; Wooldridge, 2010).
t t t ti t it

Por otro lado, se eligió una metodología de efectos fijos para eliminar la heterogeneidad
inobservada del panel. De esta manera, se pretende corroborar los resultados de los demás
estimadores que utilizan el método de GMM como chequeo de robustez de los estimadores que
toman en cuenta la endogeneidad del gasto.

Finalmente, una manera directa de controlar el sesgo de causalidad es mediante la estimación

de un sistema de ecuaciones (Wooldridge, 2010). En este sentido, se propone estimar un modelo
de ecuaciones simultáneas para panel en donde se resuelva el problema de endogeneidad sin
necesidad de una variable instrumental exógena. La estrategia de identificación del sistema de
ecuaciones es la siguiente, donde el coeficiente de interés, es decir, el multiplicador de impacto
es  2 :

Yt   1Yt 1   2 Gt   t
Gt   3 Gt 1   4 Yt  u t

La forma matricial se representa como:

 Yt    1 0   Yt 1    2 0  Gt   t 
G    0 
 3  Gt 1   0

 4   Yt  u t 
 t 
1
 Yt    2 0   1 0   Yt 1   t 
G    I   0 
 4    0

 3  Gt 1  u t 
 t  

Por lo tanto, la reducida del modelo es:

Y  AYt  

Donde A es la matriz de coeficientes a estimar. Para controlar los efectos inobservables

individuales de los países, se añadió variables dummy para cada país, de modo que se controlara
por las diferencias promedio entre economías. Los coeficientes de las variables binarias extraen
el efecto o variabilidad propio de cada país, por lo que los coeficientes de las otras variables
explicativas reflejan la variabilidad del panel (el efecto promedio calculado para todas las
economías). Además de esto, se estimará un VAR de panel, que también toma en cuenta el

65
problema de sesgo de causalidad. El inconveniente al utilizar un VAR para panel es la dificultad
de interpretar los resultados, debido a la gran cantidad de rezagos estimados en el modelo
(Becketti, 2013). Sin embargo, un aporte interesante del VAR son las funciones impulso-
respuesta, que ayudan a visualizar cómo un shock de una variable endógena afecta a la otra
(Becketti, 2013). De esta forma se puede obtener una simulación de qué pasa con el PIB ante un
shock en el gasto fiscal.

Multiplicador fiscal acumulado

Los multiplicadores de impacto se calculan utilizando las mismas estimaciones expuestas

anteriormente, solo que, en este caso, los modelos son estimados con las series en nivel, de
manera que se obtenga el equilibrio del modelo de largo plazo (Lennman, 2016). El cálculo del
efecto acumulado se estima dividiendo el multiplicador de impacto sobre uno menos la
elasticidad del PIB en el corto plazo (Lennman, 2016). Para demostrarlo, consideremos el
siguiente modelo simple con k número de rezagos:

Yt    Yt 1   0 Gt  1Gt 1   2 Gt 2     k Gt k  ut

en donde  0 es el multiplicador de impacto en k=1, también definido como  0  Yt / Gt

(Lennman, 2016). Se entiende que el multiplicador de largo plazo es la suma de todos los
coeficientes de los rezagos del gasto, ponderado por un factor de contracción de largo plazo.
Así, Lennman (2016) desarrolla el multiplicador acumulado como:

o
 o  1     k 
1 

A su vez, esta definición del multiplicador de largo plazo se puede demostrar de la siguiente
manera. Consideremos el siguiente modelo con solo un rezago:

Yt    Yt 1  Gt  u t
Yt  Yt 1  Gt  u t

donde,

E (Yt )  E (Yt 1 )  Y t

E (Gt )  G t

E (u t )  0

por lo tanto,

E (Yt  Yt 1 )  E ( Gt  u t )

Y  Y  G
Y (1   )  G

66
 Y 
Multiplicador acumulado = 
G (1   )

Para que esto se cumpla, es necesario que las variables muestren estacionariedad, de manera
que la derivada del PIB con respecto al gasto se considere una elasticidad de largo plazo en un
modelo estable (Becketti, 2013; Lennman, 2016). De este modo, se tiene que cumplir que:

0   1

lo cual asegura que el modelo es estacionario.

Multiplicadores en países de alto y bajo Ingreso

La diferencia del tamaño de los multiplicadores fiscales en economías de alto versus bajo ingreso
ha sido estudiada en los últimos años. Esto se debe a que la teoría argumenta que economías
más grandes presentarán un efecto crowding-out menor que economías pequeñas (Shen, Yang
y Zanna, 2015). Los canales por los cuales podría existir un efecto crowding-in o crowding-out
son varios, pero puede atribuirse a la propensión marginal a consumir, la propensión marginal
a importar, el grado de endeudamiento, la movilidad de capital, la percepción de los agentes
económicos, entre otros (Shen, Yang y Zanna, 2015). Países de alto ingreso tienden a presentar
un nivel de consumo privado local más elevado, así como también una propensión marginal a
importar menor (Shen, Yang y Zanna, 2015). Del mismo modo, países de bajo ingreso presentan
un grado de financiamiento interno y externo mayor, que puede tener un efecto crowding-out
del gasto del gobierno sobre el PIB debido a la percepción futura de los agentes sobre
incrementos en el nivel de impuestos (Shen, Yang y Zanna, 2015).

Existen pocas investigaciones empíricas que estimen el multiplicador fiscal para un panel de
países, ya sean de alto o bajo ingreso. Sin embargo, los estudios que se basan en datos de panel
demuestran que, por lo general, los multiplicadores fiscales son mayores en economías de alto
ingreso que en economías en vías de desarrollo. Batini et al (2014) presentan una revisión de la
literatura empírica que se ha desarrollado en torno a este tema. Por ejemplo, modelos de DSGE
y SVAR sugieren que los multiplicadores de impacto en economías desarrolladas fluctúan entre
0 y 1 en el primer año (Batini et al, 2014). Mineshima et al (2014) encuentran que el multiplicador
de impacto en economías desarrolladas se sitúa en 0.75, mientras que Guajardo et al (2014)
estiman un multiplicador de impacto de 0.3 y un multiplicador acumulado de 1 (Batini et al,
2014). Por otro lado, Ilzetzki, Mendonza y Végh (2011) estiman un multiplicador de impacto del
gasto de 0.37 y un multiplicador acumulado de 0.8 para economías de alto ingreso, mientras
que Contreras y Battelle (2014) estiman un multiplicador positivo, pero estadísticamente no
significativo.

Por otro lado, investigaciones empíricas sobre el tamaño del multiplicador para un panel de
países de bajo ingreso es aún más escasa. Kraay (2012) estima un multiplicador del gasto de 0.5
en el corto plazo, mientras que Ilzetzki, Mendonza y Végh (2011) encuentran que un

67
multiplicador de impacto negativo de -0.21 y un acumulado de 0.18. Por otro lado, Contreras y
Battelle (2014) estiman un multiplicador de impacto mayor en economías de bajo ingreso que
en países de alto ingreso, siendo el multiplicador del gasto 0.88 en economías emergentes.

La diferencia entre estimaciones puede estar dada por el uso de diferentes estrategias de
identificación, metodologías, países o el período temporal de las series con las que se trabaje
(Contreras y Battelle, 2014). Es por ello que las comparaciones entre estimaciones resultan ser
difíciles y poco precisas. Utilizando la clasificación antes expuesta por el Banco Mundial y la
estrategia de identificación definida en la sección anterior, esta investigación pretende calcular
el tamaño de los multiplicadores para un panel de países de alto y bajo ingreso, con el fin de
aportar a la discusión sobre si los multiplicadores son mayores en economías grandes que en
comparación con economías pequeñas.

Características de la muestra

Tabla 3: Estadísticas descriptivas – Países de alto ingreso

Variable Observaciones Promedio Desviación Mínimo Máximo

estándar
(Gasto/PIB) 1,368 19.30017 4.026813 9.477249 28.22011
(Consumo/PIB) 1,368 55.87009 7.583219 33.04366 71.79852
PIB real (Millones 1,368 387090.8 815736.3 16243.26 4938526
USD)
Gasto del gobierno 1,368 66907.09 124907.1 1958.094 693056.5
(Millones USD)
Consumo Privado 1,368 242290.2 555346.8 10372.02 3413580
(Millones USD)
Importaciones 1,368 76862.1 110698.8 4209.371 609802
Exportaciones 1,368 69119.63 86792.57 2393.86 408444
Apertura comercial 1,368 56.95966 22.08356 16.24486 136.2858
Deuda (% PIB) 1,368 64.06154 34.7679 4.013596 180.8
Balanza cuenta 1,354 .709109 6.143475 -21.04919 19.68889
corriente (%PIB)

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Tabla 4: Estadísticas descriptivas – Países de bajo ingreso

Variable Observaciones Promedio Desviación Mínimo Máximo

estándar
(Gasto/PIB) 1,077 14.84003 3.472476 4.586233 25.59274
(Consumo/PIB) 1,077 63.29087 7.192023 41.85773 82.19777
PIB real (Millones
USD) 1,077 80816.28 116634.6 1098.615 670279

68
 Gasto del gobierno
(Millones USD) 1,077 12430.57 20838.1 139.1366 134106.2
Consumo Privado
(Millones USD) 1,077 50617.05 73538.16 725.645 408662.1
Importaciones 1,078 33846.31 54398.4 389.7474 348997.2
Exportaciones 1,077 32917.33 53902.74 268.2564 370790.5
Apertura comercial 1,077 109.2604 134.7598 14.74663 941.306
Deuda (% PIB) 1,080 40.60962 16.28049 12.3 83.95513
Balanza cuenta
corriente (%PIB) 1,078 -1.081835 6.955975 -30.18165 31.1602

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Las estadísticas descriptivas nos permiten comparar las características principales de ambos
paneles de países. En una primera instancia, las Tablas 3 y 4 nos muestran que para ambos
paneles se tiene un alto y similar número de observaciones, lo que asegura que los estimadores
calculados posteriormente sean robustos. En lo que concierne a las variables, los países de alto
ingreso presentan un PIB real trimestral promedio de 387 090 millones de USD, mientras que
los países de bajo ingreso presentan un PIB trimestral real promedio de 80 816 millones de USD.
El país más grande de la muestra, en términos de su promedio de PIB real trimestral, es Estados
Unidos, con un PIB promedio de 3 654 539 millones de USD, mientras la economía más pequeña
es Bolivia, con un PIB promedio de 4 837.17 millones de USD (Anexo 16).

Por otro lado, se puede observar que, si bien el nivel de consumo trimestral promedio de los
hogares de países de alto ingreso es de 242 290 millones de USD y 50 617 millones de USD en
países de bajo ingreso, el porcentaje que este rubro representa sobre el PIB es de 55.87% en
economías grandes y 63.29% en economías pequeñas. También se puede observar que las
economías de bajo ingreso tienen una apertura comercial promedio mucho mayor que las
economías de alto ingreso. El promedio de grado de apertura económica para países de bajo
ingreso es de 109.28%, mientras que en economías de alto ingreso es de 56.95. Por otro lado,
las economías emergentes tienden a tener un porcentaje de deuda con respecto al PIB menor
que las economías desarrolladas, donde el promedio de deuda en países de bajo ingreso es de
40.6%, mientras que en países de alto ingreso es de 64.6. La deuda máxima presentada en
economías grandes es de 180.8, mientras que en economías pequeñas es de 83.95.

Por último, se puede observar que los países de alto ingreso muestran gasto público como
porcentaje del PIB mayor que los países de bajo ingreso. Por ejemplo, los países de alto ingreso
presentan un gasto público trimestral promedio equivalente al 19,3% del PIB, mientras que los
países de bajo ingreso muestran un gasto del gobierno equivalente al 14,8% del PIB. A su vez, el
gasto del gobierno es, en promedio, 5 veces más grande en países de alto ingreso que en países
de bajo ingreso. Esta diferencia es evidente también en el siguiente gráfico.

69
 Gráfico 11: Promedio del gasto del gobierno de países de alto y bajo ingreso, durante el
período 2000-2017

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Resultados

Países de alto ingreso

La estimación de los multiplicadores se realizó aplicando las estrategias de identificación antes
expuestas a cada uno de los paneles; es decir, tanto al panel de países de alto como bajo ingreso.
Siguiendo a Ilzetzki, Mendonza y Végh (2011), el corte de la muestra clasificando a los países por
ingreso asegura que se esté comparando países que tengan un ingreso promedio similar. Por
otro lado, aplicando las metodologías de datos de panel dinámicos, como efectos fijos o
primeras diferencias, se controla por la heterogeneidad inobservada de cada panel, sea ésta
diferencias institucionales, políticas, expectativas de los agentes, entre otros.

El primer resultado es el multiplicador de impacto para países de alto ingreso durante el período
2000-2017. Como se explicó anteriormente, el efecto de corto plazo es calculado mediante la
estimación de los modelos por medio de las variables diferenciadas, para asegurar que éstas
sean estacionarias (Lennman, 2016). El multiplicador de impacto se estimó mediante los 5
estimadores de datos de panel dinámico, una regresión de VI que utiliza la deuda del gobierno
central como instrumento y un sistema de ecuaciones simultáneas para controlar por causalidad
simultánea de las variables.

Los resultados se presentan en la Tabla 5. El estimador LSDV da como resultado un multiplicador

fiscal de corto plazo de 0.700 y estadísticamente significativo a un nivel de confianza del 1%. El

70
coeficiente estimado significa que, ante una variación positiva del 1% del gasto del gobierno, el
PIB aumentará en promedio 0.7% en el mismo período en economías de alto ingreso. Sin
embargo, hay que recordar que el estimador LSDV puede ser sesgado cuando se lo utiliza bajo
un esquema de panel dinámico, por lo que se estimó también los estimadores de Arellano y
Bond de un paso (AB1), Arellano y Bond de dos pasos (AB2), Blundell y Bond (BB) y Kiviet.

Los resultados de AB1, AB2 y Kiviet arrojan estimaciones un poco más altas que el estimador
LSVD, siendo estadísticamente significativas a un nivel de confianza del 1% y consistentes entre
ellas. Una de las ventajas de estos estimadores es que, debido a que se estiman mediante GMM,
es posible incorporar al gasto público como un regresor endógeno e instrumentarlo con sus
rezagos, por lo que se controla de cierta medida por sesgo de endogeneidad. El estimador de
BB presenta la estimación más elevada, con un multiplicador de impacto de 0.834, mientras que
los estimadores de AB1, AB2 y Kiviet arrojan un multiplicador de 0.759, 0.756 y 0.770,
respectivamente.

Por otro lado, en lo que respecta al modelo de variables instrumentales, incorporar la deuda
como variable instrumental da una estimación del multiplicador de 0.701, la cual es
estadísticamente significativa al 1% de nivel de confianza. Esto no sólo corrobora la validez del
instrumento, sino que significa que la estimación del multiplicador cambia al incorporar una
variable estrictamente exógena al modelo. Finalmente, las estimaciones del sistema de
ecuaciones arrojan un multiplicador de 0.767 que estadísticamente significativo al 1% de nivel
de confianza.

El objetivo detrás de la estimación de los multiplicadores bajo distintos modelos es corroborar

la robustez de los hallazgos encontrados e incorporar distintos supuestos que deben ser
tomados en cuenta en el cálculo de los multiplicadores. Siguiendo a Borys, Ciżkowicz y Rzońca
(2014), no se pretende encontrar un verdadero y único valor del multiplicador, sino que la idea
detrás es encontrar un rango de estimaciones de los multiplicadores bajo distintos supuestos y
metodologías. En este caso, se puede decir que el multiplicador de impacto para países de alto
ingreso oscila entre 0.7 y 0.834. El hecho de que el multiplicador no sea exactamente 1 nos
indica que existe un efecto crowding-out parcial en la economía.

Tabla 5: Multiplicador de impacto - Países de alto ingreso

(1) (2) (3) (4) (5) (6) (7)

Variables LSDV AB 1 AB 2 BB Kiviet VI-FE ES

log(Yt 1 ) 0.0859*** 0.104*** 0.107** 0.0804*** 0.0912* 0.0925** 0.0594***

*
(0.0139) (0.0176) (0.0452) (0.0165) (0.0147) (0.0152) (0.0111)

log(G ) 0.700*** 0.759*** 0.756*** 0.834*** 0.770*** 0.701*** 0.767***

(0.0125) (0.0152) (0.0842) (0.0164) (0.0132) (0.132) (0.01227)

71
 Observacio- 1,327 1,308 1,308 1,327 1,327 1,327 1,327
nes
R-cuadrado 0.753 - - - - - 0.657

Número de
países 19 19 19 19 19 19 19
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(6) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto). Instrumento: %Deuda
con respecto al PIB.

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Por otro lado, para encontrar el multiplicador acumulado en países de alto ingreso, se aplicó la
metodología propuesta por Lennman a cada uno de los modelos estimados con las variables en
nivel. A diferencia de los modelos del multiplicador de impacto que se estimaron con las
primeras diferencias de las variables, los modelos en nivel son estimados por medio de las
variables en logaritmo, sin diferenciarlas. Siguiendo el desarrollo de la metodología de Lennman
(2016), el multiplicador acumulado es el resultado de dividir el coeficiente del gasto sobre uno
menos la elasticidad del PIB en el período anterior:


Multiplicador acumulado=
(1   )

La Tabla 6 muestra las estimaciones por medio de los modelos utilizando las variables en nivel.
En este caso, los coeficientes de la variable Gasto no representan al multiplicador de corto ni
largo plazo, sino simplemente son las elasticidades de largo plazo que se utilizarán para el cálculo
del multiplicador acumulado siguiendo a Lennman (2016). Por otro lado, el coeficiente del
rezago del PIB nos indica que la condición de estacionariedad se cumple en los modelos con las
variables en nivel, por lo que se puede decir que los modelos son estables en el largo plazo y
que se pueden construir estimaciones del multiplicador acumulado.

La Tabla 7 muestra que el multiplicador acumulado para países de alto ingreso oscila entre 1.171
y 1.254. La interpretación del multiplicador de largo plazo es el cambio acumulado del PIB en el
largo plazo en relación con el cambio acumulado en el gasto en el largo plazo. Por ejemplo, el
efecto acumulado del PIB ante variaciones acumuladas del 1% del gasto es de 1.130% en el largo
plazo (k=∞) según el estimador de Arellano y Bond de dos pasos (Lennman, 2016). La razón por
la que el multiplicador de largo plazo no se calcula mediante las estimaciones del sistema de
ecuaciones es que en el sistema no se puede obtener una derivada directa; es decir, la
elasticidad del gasto con respecto al PIB no se calcula directamente como en la metodología
expuesta por Lennman (2016). Por lo tanto, el cálculo del efecto de largo plazo se estimó
únicamente con los modelos presentados en la Tabla 5. Las estimaciones encontradas muestran
que existe un efecto multiplicador mayor que 1 en el largo plazo para economías grandes, por
lo que se puede decir que en el largo plazo existe un efecto crowding-in de la demanda tras un
shock fiscal.

72
 Tabla 6: Modelos en nivel- Países de alto ingreso

(1) (2) (3) (4) (5) (6)

Variables LSDV AB 1 AB 2 BB Kiviet VI-FE

Log(Y)t-1 0.491*** 0.424*** 0.487*** 0.889*** 0.487* 0.0752***

(0.0101) (0.0104) (0.0543) (0.0093) (0.0103) (0.0199)

Log(G) 0.611*** 0.651*** 0.662*** 0.130*** 0.599*** 1.162***

(0.0151) (0.0095) (0.0711) (0.0109) (0.1066) (0.2647)

Observacio-nes 1,346 1,327 1,327 1,346 1,346 1,327

R-cuadrado 0.788 - - - - -
Número de
países 19 19 19 19 19 19
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(6) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto). Instrumento: %Deuda
con respecto al PIB.

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Tabla 7: Multiplicador acumulado – Países de alto ingreso

Estimador Multiplicador acumulado

LSDV 1.200

AB 1 1.130

AB 2 1.290

BB 1.171

Kiviet 1.167

VI-FE 1.254

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Por último, se estimó un modelo de VAR de panel, con el fin de obtener una especie de

73
simulación de qué pasa con el PIB en el tiempo ante un shock en t del 1% del gasto público18.
Esto se logra mediante las funciones impulso-respuesta computadas después de la estimación
del VAR. En este caso, el modelo PVAR fue estimado mediante 2 rezagos para cada variable
dependiente, y se comprobó que el sistema cumpliera con la condición de estabilidad de largo
plazo. Para ello, se debe chequear que todos los autovalores del modelo sean menores a uno;
es decir, que caigan dentro del círculo que representa la unidad (La estimación del modelo se
encuentra en el Anexo 2).

Debido a que los resultados de la regresión del VAR de panel son difíciles de interpretar porque
cuentan con varios rezagos de ambas variables dependientes, se analizará únicamente las
funciones impulso-respuesta (Becketti, 2013). La función impulso respuesta indica que el efecto
de un shock ortogonal del 1% del gasto del gobierno en el trimestre 1 es positivo y se prolonga
hasta aproximadamente el trimestre 17; es decir, se el efecto del shock del gasto sobre el PIB
dura hasta 1 año y 4 meses tras el shock. Sin embargo, los intervalos de confianza de la función
incrementan considerablemente después del período 7 aproximadamente. Esto indica que la
simulación del modelo estimado puede no ajustarse bien ante horizontes de tiempo demasiado
altos.

Gráfico 12: Función impulso-respuesta del modelo PVAR – Países de alto ingreso

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

18
Para las estimaciones de VAR de panel, se utilizó el comando del paquete estadístico STATA pvar,
desarrollado por Abrigo y Love (2016). Éste estima el modelo VAR para panel utilizando el estimador de
Anderson y Hsiao y eliminando la heterogeneidad del panel mediante la metodología de desvíos
ortogonales.

74
Países de bajo ingreso

Los resultados para los países de bajo ingreso se presentan a continuación. La Tabla 8 presenta
el multiplicador de impacto para estos países. En general, los estimadores de panel dinámico
dan como resultado un multiplicador que oscila entre 0.254 y 0.294. El estimador de BB da un
estimador del multiplicador de 0.534, pero es significativo únicamente al 10% de nivel de
confianza. Por otro lado, las estimaciones por medio de IV y ecuaciones simultáneas dan
resultados similares, con un multiplicador de impacto 0.310 y 0.294, respectivamente. Sin tomar
en cuenta el estimador de BB, debido a que presenta una estimación demasiado grande con
respecto a los demás modelos, se podría decir que las estimaciones del multiplicador de impacto
para países de bajo ingreso son robustas bajo los modelos propuestos. Las estimaciones
sugieren que existe un alto grado de efecto crowding-out de la demanda agregada tras una
expansión fiscal, ya que el multiplicador de impacto está en un rango entre 0.275 y 0.310.

Tabla 8: Multiplicador de impacto - Países de bajo ingreso

(1) (2) (3) (4) (5) (6) (7)

Variables LSDV AB1 AB 2 BB Kiviet VI-FE ES

Log(Y)t-1 0.0921*** 0.0650** 0.0645** 0.0984*** 0.0758*** 0.0846** 0.0276

*
(0.0263) (0.0294) (0.0219) (0.0334) (0.0201) (0.0262) (0.0351)

Log(G) 0.292*** 0.275*** 0.254*** 0.534* 0.294*** 0.310*** 0.294***

(0.0143) (0.0153) (0.0618) (0.0243) (0.213) (0.0269) (0.00984)

Observacio- 1,029 1,014 1,014 1,029 1,029 1,029 1,029

nes

R-cuadrado 0.310 - - - - - 0.597

Número de
países 15 15 15 15 15 15 15
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(6) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto). Instrumento: %Deuda
con respecto al PIB.

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

La Tabla 10 muestra que el multiplicador de largo plazo para países de bajo ingreso oscila entre
0.757 y 0.938. Del mismo modo, el estimador de BB arroja resultados distintos; en este caso, el
cálculo del multiplicador de largo plazo utilizando el estimador de BB da como resultado un
multiplicador acumulado de 0.651. Tomando en cuenta que el estimador BB de corto plazo

75
también arrojó resultados muy diferentes al de los otros estimadores, se puede argumentar que
no es un resultado robusto en el corto y largo plazo. En general, los resultados indican, por
ejemplo, que el efecto acumulado del PIB del gasto del gobierno en el largo plazo para países de
bajo ingreso es de 0.757%, según el estimador de VI. Otros estimadores, como el de Arellano y
Bond de un paso, estiman un multiplicador acumulado de 0.885. Estas estimaciones sugieren
que existe un grado de efecto crowding-out de la demanda agregada incluso en el largo plazo
para economías de bajo ingreso, dado que el multiplicador no iguala ni supera la unidad.

Tabla 9: Modelos en nivel- Países de bajo ingreso

(1) (2) (3) (4) (5) (6)

Variables LSDV AB 1 AB 2 BB Kiviet VI-FE

Log(Y)t-1 0.629*** 0.590*** 0.560*** 0.828*** 0.644*** 0.591***

(0.0180) (0.0221) (0.126) (0.0114) (0.0165) (0.0349)

Log(G) 0.317*** 0.363*** 0.413*** 0.112*** 0.309*** 0.310***

(0.0162) (0.0190) (0.0903) (0.0139) (0.0110) (0.0264)

Observaciones 1,044 1,029 1,029 1,044 1,044 1,014

R-cuadrado 1.00 - - - - 0.899

Número de
países 15 15 15 15 15 15
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(6) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto). Instrumento: %Deuda
con respecto al PIB.

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Tabla 10: Multiplicador acumulado – Países de bajo ingreso

Estimador Multiplicador acumulado

LSDV 0.854

AB 1 0.885

AB 2 0.938

BB 0.651

Kiviet 0.867

76
 VI-FE 0.757

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Por último, el modelo VAR de panel para economías de bajo ingreso se estimó utilizando 4
rezagos y se comprobó que cumpliera con la condición de estabilidad de largo plazo. La función
impulso respuesta del modelo PVAR para países de bajo ingreso muestra que el shock del gasto
del gobierno dura mucho menos que el presentado en economías de alto ingreso. Aquí, un shock
ortogonal del gasto público del 1%, si bien tiene un efecto positivo pero menor que el
presentado en países de alto ingreso, tiene una duración únicamente hasta el trimestre 13
aproximadamente; es decir, tiene una duración de 1 año. De igual manera, los intervalos de
confianza del modelo PVAR se agrandan con el tiempo, lo que sugiere que el modelo no se ajusta
bien a simulaciones con largos períodos temporales. Las estimaciones del modelo PVAR para
países de bajo ingreso se encuentran en el Anexo 3.

Gráfico 13: Función impulso-respuesta del modelo PVAR – Países de bajo ingreso

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Comparación

El valor encontrado de los multiplicadores difiere considerablemente entre países de alto y bajo
ingreso, tanto a nivel de impacto como a nivel acumulado. Los canales por los cuales esta
diferencia podría ser explicada son muchos. Batini et al (2014) identifica los factores por los
cuales los multiplicadores son menores en economías emergentes: i) incertidumbre de los

77
agentes económicos, la cual hace que exista una mayor propensión a ahorrar; ii) ineficiencias en
el manejo y control del gasto público, el cual puede ser canalizado a sectores no productivos; iii)
endeudamiento; y iv) economías pequeñas y más abiertas.

Una explicación intuitiva detrás de las diferencias de los multiplicadores en economías de alto y
bajo ingreso se puede rescatar del análisis de los estadísticos descriptivos presentados
anteriormente. En ellos se vio que las economías de bajo ingreso tienen una apertura comercial
mucho mayor que las economías de alto ingreso, lo cual podría significar que existe un efecto
crowding-out por medio de importaciones. Sin embargo, esto dependerá en gran medida de la
propensión marginal a importar de los agentes económicos, lo cual no puede verse mediante
los datos obtenidos en esta muestra.

En lo que concierne al comportamiento del consumo privado, este podría ser un factor clave
para entender las diferencias entre los multiplicadores entre tamaños de economías. Las
estadísticas descriptivas mostraron que el consumo privado como porcentaje del PIB es mayor
en economías de bajo ingreso que en economías de alto ingreso. Sin embargo, lo que se necesita
estudiar es cómo reacciona el consumo privado ante un shock fiscal. La teoría keynesiana
argumenta que el canal principal del efecto multiplicador es el comportamiento del consumo de
los hogares, el cual tendrá efectos positivos sobre la demanda agregada.

Por lo tanto, se corrió una regresión simple del gasto sobre el consumo privado para ver si
existen diferencias en el efecto que tiene un estímulo fiscal sobre el consumo de los hogares en
países de alto y bajo ingreso (Anexo 4). El resultado de la regresión muestra que un estímulo
fiscal del 1% tiene un efecto positivo tanto para economías de alto como de bajo ingreso, pero
la magnitud difiere entre ambos casos. Una variación del 1% del gasto público incrementa el
consumo privado en 0.491% en economías de alto ingreso, mientras que el consumo privado en
países de bajo ingreso solamente aumenta en 0,022%. Si bien esta regresión muestra una gran
diferencia de la reacción del consumo privado entre tamaños de economías, es uno de los
muchos canales por los cuales se puede explicar la diferencia de los multiplicadores entre
economías grandes y pequeñas.

Multiplicadores en economías abiertas y cerradas

La teoría económica indica que los multiplicadores fiscales tienden a diferir en tamaño
dependiendo de la apertura económica de los países, en el sentido de que existirá un mayor
efecto crowding-out en economías abiertas debido al aumento de importaciones (Dornbusch,
Fischer y Startz, 2009). Esto se da debido a que el aumento del ingreso disponible de los agentes
tras la expansión fiscal hará que demanden no sólo bienes y servicios domésticos, sino que su
demanda de bienes importados también aumentará (Dornbusch Fischer y Startz, 2009). Por lo
tanto, mientras más apertura comercial tenga la economía, es decir, mientras existan menos
barreras de comercio exterior, y mientras mayor sea la propensión marginal a importar de los
agentes, el multiplicador fiscal será menor (Dornbusch, Fischer y Startz, 2009).

78
Existen limitadas investigaciones que abordan este tema. Ilzetzki, Mendonza y Végh (2011)
encuentran que el multiplicador fiscal de impacto en economías cerradas es de 0.02, mientras
que para economías abiertas encuentran un multiplicador negativo de -0.28. Por otro lado,
estiman que el multiplicador acumulado para economías cerradas es de 1.29, mientras que para
economías abiertas es de -0.75. Contreras y Battelle (2014) encuentran que el multiplicador de
corto plazo para economías cerradas es de 0.62 y 0.37 para economías abiertas.

El propósito de esta sección es contribuir a las investigaciones realizadas sobre cómo la apertura
comercial puede afectar el tamaño de los multiplicadores fiscales. Para ello, se dividió la muestra
de países de acuerdo a su grado de apertura comercial. Se siguió la metodología de-facto
utilizada por Ilzetzki, Mendonza y Végh (2011) y también aplicada por Contreras y Battelle
(2014), que consiste en calcular el grado de apertura comercial mediante el siguiente indicador:

AC 
I  X   100
Y
donde I representa las importaciones, X las exportaciones y Y el PIB. Otra manera de calcular la
apertura comercial es tomando en cuenta las restricciones legales al comercio, mediante las
barreras arancelarias y no arancelarias aplicadas en cada país (Ilzetzki, Mendoza y Végh, 2011).
Una economía con una mayor restricción legal hacia el comercio es una economía cerrada,
mientras que un país con menores restricciones se considera una economía abierta. Sin
embargo, no fue posible copilar este tipo de información para el panel presentado en esta
investigación, por lo que se utilizó el indicador de apertura comercial expuesto arriba.

La clasificación de economías abiertas y cerradas se realizó por períodos, al imponer el umbral

en 60%; es decir, en los períodos en los que los países presentan una apertura comercial mayor
a 60% se los clasificó como períodos de alta apertura comercial, mientras que si presentaron
una apertura comercial menor al 60% se los clasificó como períodos de baja apertura (Ilzetzki,
Mendoza y Végh, 2011). Esta manera de clasificación por períodos en lugar de clasificar a la
economía por su promedio total de apertura comercial permite establecer más observaciones
para cada caso y obtener estimaciones más robustas. La Tabla 11 presenta los períodos de
clasificación de apertura comercial por país.

Tabla 11: Períodos de apertura comercial por país

Período de grado alto de Período de grado bajo de

País apertura comercial apertura comercial
(Economías abiertas) (Economías cerradas)

Alemania 2005q2-2017q4 2000q1-2005q1

Australia 2000q1-2017q4 -
Austria 2000q1-2017q4 -
Bélgica 2000q1-2017q4 -
Bolivia 2005q4 2001q1-2005q3;
2006q2-2006q4 2007q1

79
 2007q2-2008q4 2009q1-2009q4
2010q1-2014q4 2015q1-2017q4
Brasil - 2000q1-2017q4
Canadá 2000q1-2003q1 2003q2-2004q1
2004q2-2004q3 2004q4-2017q4
Chile 2004q3 2001q1-2004q2
2005q2-2008q4 2004q4-2005q1
2009q1-2017q4
Colombia - 2000q1-2017q4
Costa Rica 2000q1-2017q4 -
Croacia 2000q1-2008q4 2009q1-2013q3
2013q4-2017q4
Dinamarca 2005q4-2008q3 2000q1-2005q3
2011q12013q4 2008q4-2010q4
2014q1-2017q4
Ecuador 2006q4-2008q4 2001q1-2006q3
2010q2-2013q1 2009q1-2010q1
2013q2-2017q4
España - 2000q1-2017q4
Estados Unidos - 2000q1-2017q4
Filipinas 2000q1-2008q3 2008q4-2017q4
Finlandia 2005q3-2008q3 2000q1-2005q2
2008q4-2017q4
Grecia - 2000q1-2017q4
Inglaterra - 2000q1-2017q4
Irlanda 2000q1-2017q4 -
Israel - 2000q1-2017q4
Italia - 2000q1-2017q4
Malasia 2000q1-2017q4 -
México 2011q4-2017q4 2000q1-2011q3
Noruega - 2000q1-2017q4
Perú - 2000q1-2017q4
Portugal 2012q1-2017q4 2000q1-2011q4
Rumania 2000q1-2017q4 -
Suráfrica 2000q1-2017q4 -
Suecia 2000q1-2001q1 2001q2-2004q4
2005q1-2012q3 2012q4-2017q4
Suiza 2003q4-2017q4 2000q1-2003q3
Tailandia 2000q1-2017q4 -
Turquía - 2000q1-2017q4

Observaciones 1,008 1,361

Fuente: CEIC Data

Elaboración: Carolina Alvarez G.

80
La Tabla 11 indica que un mismo país ha experimentado períodos de alta apertura como también
períodos de baja apertura durante el primer trimestre de 2000 hasta el último trimestre de 2017,
como es el caso de Bolivia, Canadá, Chile, Croacia, Dinamarca, Ecuador, Finlandia y Suecia. Esto
genera variabilidad de los datos y más observaciones para cada caso de apertura comercial. Del
mismo modo, la Tabla 11 nos muestra que se tienen 1,008 observaciones para períodos de alta
apertura y 1,361 para períodos de baja apertura, lo cual indica que los paneles son balanceados
entre sí y que las estimaciones serán robustas.

Características de la muestra

Las comparaciones entre las estadísticas descriptivas para ambos paneles nos sugieren que
existen semejanzas y diferencias importantes entre ambos 19(Anexo 5). Por un lado, el promedio
del ratio del gasto público sobre el PIB es similar en ambos paneles, siendo éste de 16.76% en
países con economías abiertas y 17.75% para economías cerradas. El promedio del PIB trimestral
en economías abiertas es de 103 168.4 millones de USD, mientras que en economías cerradas
es de 361 011.7 millones de USD, lo cual indica que economías de bajo ingreso tienden a tener
mayores períodos de apertura comercial alta, mientras que países de alto ingreso usualmente
presentan períodos de baja apertura. Esto concuerda con lo encontrado en la sección anterior,
donde se comparó economías grandes y pequeñas y se evidenció que las economías grandes
presentaban un nivel de apertura menor que las economías pequeñas. La economía con mayor
apertura de la muestra es Suráfrica, con un promedio de apertura comercial de 531.22%,
mientras que la economía más cerrada es Brasil, con un promedio de apertura de 19.62% en
todo el período.

Del mismo modo, el consumo privado trimestral promedio como porcentaje del PIB es de
57.09% durante períodos de alta apertura y 60.63% en períodos de baja apertura. Finalmente,
la balanza de cuenta corriente como porcentaje del PIB nos indica que el promedio para
economías abiertas es de 1.101%, lo cual quiere decir que, en promedio, existe un superávit en
cuenta corriente para los países que presentan períodos de alta apertura comercial. En cambio,
el promedio de la balanza en cuenta corriente para economías cerradas es de -0.954 %, lo cual
indica que, por lo general, existe un déficit en balanza de pagos en países con períodos de baja
apertura comercial. Esto puede visualizarse también en el Gráfico 14, donde la balanza de
cuenta corriente tiende a estar sobre cero, es decir, en superávit para economías abiertas,
mientras que tiende a estar en déficit para economías cerradas.

19
De ahora en adelante, las tablas de estadísticas descriptivas, así como los modelos econométricos
estimados con las variables en nivel, serán presentados como Anexos.

81
 Gráfico 14: Balanza en cuenta corriente para economías abiertas y cerradas

Fuente: CEIC Data

Elaboración: Carolina Alvarez G.

Resultados

Economías abiertas
El resultado del multiplicador de impacto para economías abiertas se presenta en la Tabla 12.
Los estimadores tradicionales de panel dinámico arrojan estimaciones semejantes y son todos
estadísticamente significativos al 1% nivel de confianza. Por ejemplo, el multiplicador de
impacto estimado mediante Arellano y Bond es de 0.321; es decir, un aumento del 1% del gasto
del gobierno en el trimestre t hará que el PIB aumente en 0.321% en el mismo período. Las
estimaciones mediante AB de dos pasos, LSDV y Kiviet son muy similares, al igual que el modelo
de ecuaciones simultáneas. La regresión de variables instrumentales por efectos fijos arroja un
multiplicador un poco menor que el de los estimadores antes mencionados, siendo éste de
0.295. Por otro lado, el estimador de Blundell y Bond calcula un multiplicador de 0.517,
demasiado alto comparado con los demás estimadores, por lo que se sugiere que éste no es un
buen predictor para economías abiertas. Por lo tanto, el rango del multiplicador de impacto en
períodos de alta apertura comercial está entre 0.317 y 0.327.

Tabla 12: Multiplicador de impacto - Economías abiertas

(1) (2) (3) (4) (5) (6) (9)

Variables LSDV AB1 AB2 BB Kiviet VI-FE ES

82
 Log(Y) t-1 0.0676*** 0.0396 0.0262** 0.0753** 0.0446*** 0.0679** 0.0321***
*
(0.0261) (0.0295) (0.0056) (0.0317) (0.0136) (0.0260) (0.0088)

Log(G) 0.317*** 0.321*** 0.328*** 0.517*** 0.320*** 0.295*** 0.327***

(0.0144) (0.0153) (0.0781) (0.0220) (0.0110) (0.0264) (0.00794)

Observacio- 995 982 982 995 995 995 995

nes

R-cuadrado 0.335 - - - - - 0.338

Número de
países 22 22 22 22 22 22 22
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(6) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto). Instrumento: %Deuda
con respecto al PIB.
Fuente: CEIC Data y FMI
Elaboración: Carolina Alvarez G.

Por otro lado, las estimaciones del multiplicador acumulado arrojan resultados similares entre
sí para el panel presentado en esta sección. Los resultados de las regresiones utilizando las
variables en nivel son presentados en el Anexo 6, en donde se comprueba que el modelo cumple
con la condición de estacionariedad y estabilidad del largo plazo por medio de los rezagos del
PIB que son menor que 1. Mientras tanto, el multiplicador acumulado calculado bajo los
distintos modelos es presentado en la Tabla 15. Comparando los resultados, se puede decir que
el rango del multiplicador acumulado para economías con alta apertura comercial está entre
0.691 y 0.706, lo cual refleja la robustez de los estimadores, ya que se trata de un rango
pequeño. La interpretación de los resultados puede hacerse, por ejemplo, tomando en cuenta
el estimador de AB1, donde el efecto acumulado del PIB tras un shock acumulado del 1% en el
gasto es de un incremento del 0.706% en el largo plazo en economías con alta apertura
comercial.

Tabla 13: Multiplicador acumulado – Economías abiertas

Estimador Multiplicador acumulado

LSDV 0.695

AB 1 0.706

AB 2 0.691

BB 0.687

Kiviet 0.707

83
 VI-FE 0.698

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Por otro lado, el modelo PVAR bajo el escenario de economías abiertas se estimó mediante 4
rezagos, especificados mediante el contraste de los criterios de información. Del mismo modo,
se comprobó que el modelo convergiera a un equilibrio de largo plazo mediante la condición de
estabilidad (Anexo 7). Como de costumbre, la función impulso-respuesta muestra la simulación
sobre qué pasa con el PIB ante un shock del 1% en el gasto público en el período t. El Gráfico 14
muestra que un shock del 1% tiene un efecto positivo sobre el PIB en el mismo período, que
dura hasta aproximadamente el trimestre 15 y se desvanece posteriormente e incluso puede
tornarse negativo. Sin embargo, al igual que las funciones impulso-respuesta mostradas
anteriormente, los intervalos de confianza al final de la función se tornan demasiado grandes,
por lo que posiblemente el modelo PVAR estimado no se ajuste a una simulación con un
horizonte temporal tan alto. No obstante, el Gráfico 15 provee cierta intuición sobre la dirección
y la duración del shock fiscal sobre el PIB en economías abiertas.

Gráfico 15: Función impulso-respuesta del modelo PVAR – Economías abiertas

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

84
Economías cerradas

Los resultados para países con economías cerradas se presentan a continuación. La Tabla 14
muestra el resultado del multiplicador de impacto para países con bajo grado de comercio
exterior. Las estimaciones de panel dinámico muestran estimaciones similares y
estadísticamente significativas, al igual que en el caso de economías abiertas. El multiplicador
de impacto varía entre 0.419 y 0.493 mediante el cálculo del estimador de LSDV, AB1, AB2 y
Kiviet. El estimador de BB arroja un resultado alto en comparación con los otros estimadores de
panel dinámico, como en las estimaciones de países con alto grado de apertura comercial,
siendo éste de 0.620. Por otro lado, las estimaciones mediante VI y ecuaciones simultáneas son
estadísticamente significativas y presentan un multiplicador un poco más alto que los
estimadores de panel dinámico, siendo éste de 0.528 y 0.513, respectivamente.

En este caso, las estimaciones sí difieren entre sí, en donde el rango del multiplicador según los
resultados presentados sería entre 0.419 y 0.620. Tomando en cuenta las estimaciones
realizadas en las secciones anteriores, el estimador de BB suele arrojar valores del multiplicador
mayores que los demás estimadores de panel dinámico, por lo que, en este caso, podría también
considerarse que no es un resultado robusto. Considerando esto, el rango del multiplicador de
impacto calculado bajo los distintos modelos estaría entre 0.419 y 0.528.

Tabla 14: Multiplicador de impacto - Economías cerradas

(1) (2) (3) (4) (5) (6) (9)

Variables LSDV AB1 AB2 BB Kiviet VI-FE ES

Log(Y) t-1 0.0533** 0.0101*** 0.0107** 0.0177*** 0.0209* 0.0216*** 0.0143***

(0.0212) (0.0025) (0.0042) (0.0028) (0.0101) (0.0027) (0.0023)

Log(G) 0.419*** 0.493*** 0.492*** 0.620*** 0.481*** 0.528*** 0.513***

(0.0144) (0.0159) (0.0854) (0.0247) (0.0203) (0.0334) (0.0105)

Observacio- 1,361 1,340 1,340 1,361 1,361 1,361 1,361

nes

R-cuadrado 0.403 - - - - - 0.399

Número de
países 25 25 25 25 25 25 25
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(6) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto). Instrumento: %Deuda
con respecto al PIB.

85
 Fuente: CEIC Data y FMI
Elaboración: Carolina Alvarez G.

Por otro lado, los modelos en niveles para el cálculo del multiplicador acumulado se encuentran
en el Anexo 6, donde también se observa que los modelos cumplen con la condición de
estacionariedad y estabilidad de largo plazo. Mientras tanto, el multiplicador acumulado se
presenta en la Tabla 15. Se puede observar que el multiplicador acumulado varía entre 0.885 y
0.957 de acuerdo con los estimadores de panel dinámico y la regresión por medio de variables
instrumentales. De nuevo, el rango estrecho de los multiplicadores de largo plazo comprueba la
robustez de éstos para la estimación del efecto del gasto sobre el PIB en el largo plazo. La
interpretación de los resultados es, por ejemplo, que el efecto acumulado del PIB tras un shock
acumulado del 1% del gasto es de un incremento del 0.957% del PIB en economías cerradas,
según el estimador de Arellano y Bond de dos pasos.

Tabla 15: Multiplicador acumulado – Economías cerradas

Estimador Multiplicador acumulado

LSDV 0.957

AB 1 0.943

AB 2 0.957

BB 0.952

Kiviet 0.885

VI-FE 0.948

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Finalmente, el modelo de PVAR para economías cerradas se estimó mediante 4 rezagos

escogidos por medio del contraste de los criterios de información BIC, AIC y QIC. Por otro lado,
el modelo muestra estabilidad en el largo plazo según la condición de estabilidad del sistema
(Anexo 7). En el caso de economías cerradas, la simulación mediante la función impulso-
respuesta indica que un shock del gasto público tiene un efecto positivo sobre el PIB en el mismo
período del impulso, el cual continúa incluso después del período 20. Sin embargo, al igual que
en la función impulso-respuesta de economías abiertas, ésta muestra un intervalo de confianza
demasiado grande después del trimestre 10, lo cual indica que posiblemente el modelo no sea
una buena simulación ante un horizonte temporal tan grande.

86
 Gráfico 16: Función impulso-respuesta del modelo PVAR – Economías cerradas

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Comparación

Tras presentar los resultados de los multiplicadores tanto para economías abiertas como
cerradas, se puede concluir que los multiplicadores son menores si es que el país tiene una alta
apertura comercial y son mayores si es que el comercio exterior es más restringido. El
multiplicador de impacto para economías abiertas es de aproximadamente 0.328, mientras que
para economías cerradas es de aproximadamente 0.528. Estos hallazgos son similares a los
encontrados por Contreras y Battelle (2014), quienes calculan un multiplicador de impacto para
economías abiertas de 0.37 y un multiplicador de impacto de 0.62 para economías cerradas. A
su vez, las estimaciones presentadas aquí muestran que los multiplicadores también difieren en
el largo plazo, donde el multiplicador acumulado alcanza una magnitud de hasta 0.706 en
economías abiertas y 0.957 en economías cerradas.

La diferencia entre los multiplicadores bajo estos escenarios de apertura comercial puede ser
explicada por muchas razones. Por un lado, las muestras presentadas en esta investigación
difieren en características económicas que podrían contribuir al tamaño de los multiplicadores,
como, por ejemplo, el PIB real promedio. La muestra de países con períodos de alta apertura
comercial presenta un PIB real promedio mucho menor que aquellas economías con períodos
de apertura comercial baja, lo que indicaría que economías grandes tienden a ser más cerradas
al comercio que las economías pequeñas. Recordando los resultados del panel de países de bajo
y alto ingreso, se evidenció que un shock fiscal incrementa en mayor medida el consumo privado
de los hogares en economías de alto ingreso que en economías pequeñas, por lo que este canal
también podría evidenciarse en el panel de economías con baja apertura comercial, tomando

87
en cuenta que las economías de alto ingreso tienden a ser más cerradas. Un mayor consumo
privado significaría un aumento de la producción doméstica, en vez de un aumento de las
importaciones.

Sin embargo, algo que llama la atención es que las economías abiertas presentan un menor
déficit en balanza de cuenta corriente que las economías cerradas. La teoría económica indica
que los multiplicadores fiscales podrían ser menores en economías abiertas si es que los agentes
tienen una alta propensión marginal a importar. Esto debería reflejarse de cierta manera en el
comportamiento de la balanza en cuenta corriente de las economías analizadas, donde se
esperaría ver que las economías abiertas tienden a tener un déficit en balanza de cuenta
corriente mayor que las economías cerradas. No obstante, hay que recordar que la cuenta
corriente no se compone solamente de la balanza comercial, sino también de la balanza de
servicios, rentas y transferencias (Dornbusch, Fischer y Startz, 2009), por lo que la balanza en
esta cuenta podría estar afectada por otros factores a parte de la propensión marginal a
importar de los hogares.

Sin embargo, para examinar cómo reacciona la balanza en cuenta corriente ante un estímulo
fiscal, se realizó una regresión simple del logaritmo del gasto sobre el logaritmo de la balanza en
cuenta corriente para economías de alta y baja apertura comercial, siguiendo a Ilzetzki,
Mendonza y Végh (2011) (Anexo 8). Los resultados para economías abiertas indican que una
variación del 1% del gasto público afecta la balanza en cuenta corriente en -0.165%. Por otro
lado, un shock fiscal del 1% en economías cerradas tiene un efecto positivo en la balanza de
cuenta corriente de 0.302%. Esto indica que un shock del gasto del gobierno deteriora la balanza
de pagos en economías abiertas, lo cual indica que los agentes podrían tener una alta
propensión marginal a importar. Si bien estos resultados solo son significativos al 10% de nivel
de confianza, proveen cierto indicio sobre uno de los posibles canales por los cuales los
multiplicadores pueden variar entre economías abiertas y cerradas.

Multiplicadores bajo tipo de cambio fijo y flexible

El modelo IS-LM indica que una política fiscal expansiva tendrá efectos mayores en una
economía que se encuentre bajo un régimen de tipo de cambio fijo que una economía que
maneje un tipo de cambio flexible (Snowdon y Vane, 2005). Bajo tipo de cambio fijo, el aumento
del gasto del gobierno hará que la tasa de interés real aumente, provocando entrada de capital
hacia la economía doméstica y apreciando el tipo de cambio (Dornbusch, Fischer y Startz, 2009).
La apreciación del tipo de cambio no afecta la balanza en cuenta corriente, ya que el Banco
Central aumentará la oferta monetaria con el fin de mantener el tipo de cambio, volviendo éste
a su estado previo al igual que la tasa de interés (Dornbusch, Fischer y Startz, 2009). Por lo tanto,
no existirá un efecto crowding-out y el multiplicador fiscal será alto. El tamaño del multiplicador
dependerá de la movilidad de capital y de la propensión marginal a importar (Snowdon y Vane,
2005).

88
Por otro lado, bajo un tipo de cambio flexible, el Banco Central no interviene para controlar el
tipo de cambio, sino que éste viene dado por el mercado de divisas (Dornbusch, Fischer y Startz,
2009). En este caso, la efectividad de la política fiscal dependerá en gran medida de la movilidad
de capital. Una perfecta movilidad de capital hará que la tasa de interés se aprecie, lo que
incrementará el flujo de capital y el tipo de cambio real (Dornbusch, Fischer y Startz, 2009). A su
vez, esta apreciación de la moneda deteriorará la cuenta corriente debido al aumento de las
importaciones, lo que hará que exista un efecto crowding-out y el multiplicador fiscal sea bajo
o incluso llegue a cero (Snowdon y Vane, 2005).

Las investigaciones de Ilzetzki, Mendonza y Végh (2011) y Contreras y Battelle (2014) muestran
que los multiplicadores fiscales varían dependiendo del régimen cambiario de las economías.
Por un lado, Ilzetzki, Mendonza y Végh (2011) calculan, bajo su metodología de SVAR de panel,
que el multiplicador en economías con tipo de cambio fijo es de 0.09 en el corto plazo y de 1.5
en el largo plazo. En el caso de economías con tipo de cambio flexible, el multiplicador fiscal de
impacto es -0.28, mientras que el de largo plazo es de -0.41. Por otro lado, Contreras y Battelle
(2014) encuentran que el multiplicador de corto plazo para países con tipo de cambio fijo es de
0.57, mientras que para economías con tipo de cambio flexible es de 0.27. El multiplicador
acumulado encontrado por los autores es de 1.58 para economías bajo un régimen cambiario
fijo, mientras que países con tipo de cambio flexible tienen un multiplicador acumulado de -
0.27.

De igual forma, la presente investigación busca aportar a las estimaciones antes mencionadas
para corroborar si es que la teoría del modelo Mundell-Fleming se cumple bajo el panel y el
período aquí expuestos. La clasificación de países por régimen de tipo de cambio se realizó
siguiendo la clasificación de-facto del FMI 20 que divide a los países según 8 categorías de tipo
de cambio:

1) Arreglo sin emisor legal (Exchange rate arrangements with no separate legal tender)
(FMI, 2008): La unidad monetaria de otro país circula en forma exclusiva en el país que
adopta la moneda extranjera (FMI, 2008). Aquí se incluye los casos de economías
dolarizadas y países miembros de una Unión Monetaria, como la Eurozona (FMI, 2008).
2) Cajas de conversión (Currency Board Arrengement) (FMI, 2008): El país se compromete
a convertir su moneda local por una extranjera a una tasa fija (FMI, 2008).
3) Compromisos de vinculación con monedas fuertes (Other conventional fixed peg
arrangements) (FMI, 2008): Este régimen cambiario supone una estrecha vinculación de
la moneda local con alguna moneda extranjera, con una tasa de cambio fijo que fluctúa
alrededor del 1% (FMI, 2008).
4) Tasas de cambio dentro de bandas horizontales (Pegged exchange rates with horizontal
bands) (FMI, 2008): La fluctuación de la moneda local se encuentra dentro de cierto
margen alrededor de una tasa fija (FMI, 2008).
5) Ajuste por bandas (Crawling Bands) (FMI, 2008): Las fluctuaciones de la moneda local
se mantienen dentro de márgenes ajustados periódicamente a una tasa fija
preanunciada (FMI, 2008).

20
De facto Classification of Exchange Rate Regimes and Monetary Policy Frameworks (FMI, 2008).

89
 6) Tasas de cambio flotantes (Managed floating with no predetermined path fot the
Exchange rate) (FMI, 2008): La autoridad monetaria tiene influencia sobre los
movimientos en el tipo de cambio, sin necesidad de preanuncios o compromisos previos
(FMI, 2008).
7) Regímenes de flotación independiente (Independently floating) (FMI, 2008): El tipo de
cambio es fijado por el mercado sin intervención de las autoridades (FMI, 2008).

Bajo estas especificaciones y siguiendo a Ilzetzki, Mendonza y Végh (2011), se clasificó a un país
como una economía con tipo de cambio fijo a aquellas que tuvieran un régimen cambiario
distinto a un régimen de flotación independiente o tasas de cambio flotantes, además de
considerar también a las economías de la Eurozona como países bajo régimen de tipo de cambio
fijo. En este sentido, la clasificación de países de la muestra se presenta a continuación:

Tipo de cambio fijo: Alemania (Eurozona); Austria (Eurozona); Bélgica (Eurozona); Bulgaria
(Cajas de conversión); Bolivia (Ajuste por bandas); Costa Rica (Ajuste por bandas); Dinamarca
(Tasas de cambio dentro de bandas horizontales); Ecuador (Arreglo sin emisor legal-
dolarización); España (Eurozona); Finlandia (Eurozona); Grecia (Eurozona); Irlanda (Eurozona);
Italia (Eurozona); Portugal (Eurozona);

Tipo de cambio flexible: Australia, Brasil, Canadá, Chile, Colombia, Croacia, Estados Unidos,
Inglaterra, Israel, Malasia, México, Noruega, Perú, Filipinas, Rumania, Suráfrica, Suecia, Suiza,
Tailandia, Turquía.

Características de la muestra

Mediante el análisis de las estadísticas descriptivas se puede observar que las muestras de países
divididos entre tipo de cambio fijo y flexible difieren en algunas características observables. Por
un lado, el PIB real trimestral promedio en países con régimen cambiario fijo es de 149 379
millones de USD, mientras que para países con tipo de cambio flexible es de 32 395 millones de
USD, por lo que se puede concluir que economías de alto ingreso presentan regímenes de tipo
de cambio fijo. Esto también es evidente al realizar la categorización de países, ya que gran parte
de la muestra de tipo de cambio fijo está dado por economías que pertenecen a la Eurozona.
Además, se observa que el promedio del ratio gasto público sobre PIB es mayor en regímenes
de tipo de cambio fijo, con un promedio de 18.62%, mientras que en regímenes de tipo de
cambio fijo, el promedio del gasto público sobre el PIB es de 16.43%.

Por otra parte, el consumo privado como porcentaje del PIB es similar en ambas muestras,
donde, en promedio, el consumo de los hogares representa el 58.50% del PIB en economías con
tipo de cambio fijo y 59.58% en economías con tipo de cambio flexible. En lo que respecta a
comercio, los países con tipo de cambio flexible tienen una apertura comercial mayor que los
países de tipo de cambio fijo, al igual que el valor total de importaciones. Finalmente, la deuda
pública como porcentaje del PIB difiere en ambas muestras, donde países con tipo de cambio
fijo muestran una deuda promedio superior de 67.28%, frente a 44.21% presentado por

90
economías con tipo de cambio flexible. Las tablas de estadísticos descriptivos para países
diferenciados por régimen de tipo de cambio se encuentran en el Anexo 9.

Resultados

Tipo de cambio fijo

Los resultados de las estimaciones de los diferentes modelos del multiplicador fiscal para
economías de tipo de cambio fijo no difieren demasiado entre sí, lo que supone que los
resultados son robustos para las distintas metodologías presentadas. De acuerdo a las
estimaciones de la Tabla 16, el multiplicador de impacto para economías con régimen cambiario
fijo varía entre 0.389, que es el resultado del estimador de Arellano y Bond de dos pasos, y 0.417,
que es el resultado estimado mediante el modelo de ecuaciones simultáneas. A su vez, la
estimación mediante variables instrumentales con la deuda como instrumento arroja un
multiplicador de 0.402, similar a los encontrados mediante los otros modelos. El estimador de
Blundell y Bond arroja un multiplicador de 0.491, que puede considerarse demasiado alto en
comparación con los demás resultados encontrados.

Tabla 16: Multiplicador de impacto - Países con tipo de cambio fijo

(1) (2) (3) (4) (5) (6) (7)

Variables LSDV AB 1 AB 2 BB Kiviet VI-FE ES

Log(Y) t-1 0.0257*** 0.0456*** 0.0468*** 0.0219** 0.0801** 0.0222** 0.00820

* *
(0.0033) (0.0025) (0.0068) (0.0024) (0.0102) (0.0032) (0.00918)

Log(G) 0.408*** 0.392*** 0.389*** 0.491*** 0.411** 0.402*** 0.417***

(0.0138) (0.0143) (0.0365) (0.0161) (0.0150) (0.0234) (0.0204)

Observacio- 972 958 958 972 972 972 972

nes

R-cuadrado 0.389 - - - - - 0.479

Número de
países 14 14 14 14 14 14 14
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(6) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto). Instrumento: %Deuda
con respecto al PIB.
Fuente: CEIC Data y FMI

91
 Elaboración: Carolina Alvarez G.

Por otro lado, la Tabla 17 muestra las estimaciones del multiplicador acumulado para estas
economías (Los resultados del modelo en nivel se encuentran en el Anexo 10). Se puede
observar que el multiplicador acumulado en economías con tipo de cambio fijo puede llegar a
ser hasta de 1.08, que es el resultado de los estimadores de LSDV y Kiviet. Es decir, el efecto
acumulado de un shock del 1% del gasto del gobierno sobre el PIB es de aproximadamente
1.08% en economías con tipo de cambio fijo, según los modelos de LSDV y Kiviet. Los demás
estimadores muestran resultados similares, donde la estimación de multiplicador acumulado
más baja es el resultado de la regresión de variables instrumentales de 1.002. Por lo tanto, se
considera que el rango del multiplicador acumulado para economías de tipo de cambio fijo es
de 1.002 y 1.2 según los modelos especificados.

Tabla 17: Multiplicador acumulado – Economías tipo de cambio fijo

Estimador Multiplicador acumulado

LSDV 1.08

AB 1 1.05

AB 2 1.03

BB 1.2

Kiviet 1.08

IV-FE 1.002

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez

Por otro lado, la estimación del modelo PVAR se realizó con 2 rezagos, de acuerdo con la
minimización de los criterios de información. Todos los coeficientes son estadísticamente
significativos al 1% de nivel de confianza y el modelo muestra estabilidad en el largo plazo según
la condición de estabilidad (los resultados del modelo PVAR para economías con tipo de cambio
fijo se encuentran en el Anexo 11). En este caso, la función impulso-respuesta muestra que un
shock ortogonal de 1% en el gasto del gobierno tiene un efecto positivo en el PIB en el mismo
período, que se prolonga hasta el período 17 aproximadamente; es decir el efecto del shock
fiscal prevalece hasta un año y medio aproximadamente en economías con tipo de cambio fijo.

92
 Gráfico 17: Función impulso-respuesta del modelo PVAR - Países con tipo de cambio fijo

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Tipo de cambio flexible

Por otro lado, los resultados de los multiplicadores fiscales para economías con tipo de cambio
flexible se presentan a continuación. El multiplicador de impacto calculado bajo los modelos de
panel dinámico, variables instrumentales y ecuaciones simultáneas muestra resultados similares
entre sí. Por un lado, el estimador de LSDV presenta un multiplicador de impacto de 0.229,
mientras que los estimadores de Arellano y Bond de un paso y Arellano y Bond de 2 pasos
muestran multiplicadores casi iguales, de 0.252 y 0.254, respectivamente. El modelo de
variables instrumentales muestra un multiplicador de impacto de 0.275, mientras que el modelo
de ecuaciones simultáneas presenta un resultado de 0.261. En cambio, el estimador de Blundell
y Bond presenta un multiplicador de 0.508, demasiado alto comparado con las demás
estimaciones, por lo que se supone que el modelo no se ajusta de manera adecuada. En general,
se puede decir que el multiplicador de corto plazo para economías con tipo de cambio flexible
varía entre 0.229 y 0.275.

Tabla 18: Multiplicador de impacto - Países con tipo de cambio flexible

(1) (2) (3) (4) (5) (6) (9)

Variables LSDV AB1 AB2 BB Kiviet VI-FE ES

93
Log(Y) t-1 0.0288 0.0850*** 0.0479** 0.0503 0.0137*** 0.0253*** 0.0287**
(0.0029) (0.0270) (0.0166) (0.0332) (0.0020) (0.0023) (0.0113)
Log(G) 0.229*** 0.252*** 0.254*** 0.508*** 0.249*** 0.275*** 0.261***
(0.0140) (0.0155) (0.0882) (0.0297) (0.0190) (0.0330) (0.0292)

Observacio- 1,384 1,364 1,364 1,384 1,384 1,384 1,384

nes
R-cuadrado 0.698 - - - - - -

Número de 20 20 20 20 20 20 20
países
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(6) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto). Instrumento: %Deuda
con respecto al PIB.
Fuente: CEIC Data y FMI
Elaboración: Carolina Alvarez G.

Por otro lado, el multiplicador acumulado para países con tipo de cambio flexible varía entre
0.527 y 0.573. Este rango nos indica que las estimaciones no varían demasiado entre sí y que los
resultados son robustos. La interpretación del multiplicador acumulado en este caso sería, por
ejemplo, que el efecto acumulado de un shock del gasto del gobierno sobre el PIB es de 0.573%
en economías que operan bajo un tipo de cambio flexible, según el estimador de Arellano y Bond
de 1 paso. Las estimaciones del modelo en nivel se encuentran en el Anexo 10.

Tabla 19: Multiplicador acumulado – Economías con tipo de cambio flexible

Estimador Multiplicador acumulado

LSDV 0.527

AB 1 0.573

AB 2 0.561

BB 0.541

Kiviet 0.533

IV-FE 0.531

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Finalmente, la estimación por medio del modelo PVAR se realizó utilizando 4 rezagos para ambas
variables dependientes. Todos los coeficientes resultan significativos al 1% de nivel de confianza
y el modelo cumple con la condición de estabilidad (Anexo 11). Sin embargo, los resultados de
la función impulso-respuesta para el modelo PVAR en economías operando bajo tipo de cambio

94
flexible parece no converger a un equilibrio en el largo plazo. El Gráfico 18 muestra la función
impulso-respuesta ortogonalizada para estas economías, en donde se puede observar que el PIB
reacciona positivamente ante un shock fiscal, pero éste no converge a cero en el horizonte
temporal presentado en la función impulso-respuesta. Para verificar este resultado, se estimó
otros modelos PVAR utilizando 2, 3 y 5 rezagos, pero los resultados fueron similares. Se puede
concluir que, en el caso del panel de economías con régimen cambiario flexible, el modelo PVAR
no se ajusta adecuadamente.

Gráfico 18: Función impulso-respuesta del modelo PVAR- Países con tipo de cambio flexible

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Comparación

Los resultados obtenidos demuestran que, efectivamente, el multiplicador fiscal es menor en

economías que operan bajo un tipo de cambio flexible. Los canales por los cuales se podría
explicar la diferencia en las estimaciones encontradas bajo distintos regímenes de cambio son
varios, pero los principales podrían ser atribuidos al efecto que tiene la política fiscal sobre
variables estudiadas en el modelo Mundell-Fleming, como la tasa de interés de corto plazo, el
balance en cuenta corriente y el tipo de cambio real efectivo (Contreras y Battelle, 2014;
Dornbusch, Fischer y Startz, 2009; Ilzetzki, Mendonza y Végh, 2011).

Para estudiar estos posibles canales, se estimaron regresiones simples del gasto público sobre
cada una de estas tres variables, utilizando el estimador de Arellano y Bond de dos pasos. Los
resultados de las regresiones se pueden encontrar en el Anexo 12. La regresión de la variación
del gasto público sobre la tasa de interés de corto plazo revela que ésta decrece en -0.0713% en

95
el mismo período en que el gasto del gobierno aumenta en 1% para economías con tipo de
cambio fijo, mientras que el efecto del gasto sobre la tasa de interés en economías con tipo de
cambio flexible es aproximadamente de cero. El resultado del efecto del gasto sobre la tasa de
interés para ambos tipos de economías no concuerda con lo propuesto por el modelo Mundell-
Fleming, ya que, en ambos casos, una variación del gasto del gobierno parece no tener ningún
efecto sobre la tasa de interés, por lo que no se evidencia ningún tipo de acomodación
monetaria. A su vez, estos resultados sugieren que la divergencia del multiplicador bajo ambos
regímenes no podría atribuirse al comportamiento de la tasa de interés, lo cual también se
evidencia en las investigaciones realizadas por Contreras y Battelle (2014) y Ilzetzki, Mendonza
y Végh (2011).

La regresión del gasto público sobre el tipo de cambio real efectivo para economías con tipo de
cambio fijo indica que, tras una variación del 1% en el gasto del gobierno, el tipo de cambio real
se aprecia en 0.0361%. A su vez, el resultado de esta misma regresión para economías con tipo
de cambio flexible indica que, para estos países, el tipo de cambio real se aprecia en 0.0447%.
Si bien las variaciones sobre el tipo de cambio son muy pequeñas, ambos resultados concuerdan
con el modelo Mundell-Fleming, el cual sostiene que una expansión fiscal hará que el tipo de
cambio se aprecie cuando existe una alta movilidad de capital, ya que se atrae capital extranjero
hacia la economía local, aumentando la demanda de dinero doméstica (Dornbusch, Fischer y
Startz, 2009; Snowdon y Vane, 2005). Si bien las economías con tipo de cambio fijo presentan
una apreciación menor de su moneda, este resultado no puede tomarse como explicación para
las diferencias entre los multiplicadores. Una apreciación de la moneda hará que las
importaciones aumenten, pero el efecto crowding-out estará determinado por la propensión
marginal a importar de los agentes económicos.

Para intentar comprobar si existe un efecto crowding-out por importaciones, se corrió una
regresión del logaritmo del gasto sobre el logaritmo de la balanza en cuenta corriente. Estos
resultados muestran que ambos regímenes de tipo de cambio muestran una deterioración en
su balanza de cuenta corriente, pero es mucho mayor en economías con tipo de cambio flexible.
Los países bajo un régimen de tipo de cambio fijo presentan un efecto negativo de -0.207% en
su balanza de cuenta corriente tras una variación del gasto del gobierno, mientras que las
economías que operan bajo un régimen cambiario flexible muestran un efecto de -0.667% en la
balanza en cuenta corriente tras una expansión fiscal del 1%. Estos resultados sugieren que los
países con tipo de cambio flexible podrían presentar una propensión marginal a importar mayor
que las economías con tipo de cambio fijo, y que éste podría ser un canal de crowding-out que
explica la diferencia del multiplicador bajo distintos regímenes cambiarios.

Multiplicadores en países con endeudamiento alto y bajo

La fragilidad financiera, es decir, el alto endeudamiento del gobierno, puede afectar el tamaño
de los multiplicadores, en el sentido de que se esperaría que economías altamente endeudadas
presenten multiplicadores fiscales menores que economías con bajo endeudamiento. La teoría
de la equivalencia Ricardiana sostiene que, dado que los agentes tienen expectativas racionales,

96
una política fiscal acompañada de períodos de alto endeudamiento por parte del gobierno
central hará que los agentes perciban la expansión fiscal como futuras obligaciones impositivas
para pagar la deuda adquirida (Barro, 1974; Gerrard, 2002). En el caso más extremo, la teoría de
la equivalencia Ricardiana argumenta que una expansión fiscal tendrá un efecto riqueza sobre
los hogares, haciendo que el ahorro aumente y el consumo y la producción agregada no
cambien, dando como resultado un multiplicador fiscal igual a cero (Gerrard, 1996). En casos
menos extremos, el multiplicador fiscal no llegará a cero, pero será más bajo en comparación
con un escenario de endeudamiento bajo.

Otro canal por el que un aumento del gasto del gobierno tendría un efecto crowding-out en la
economía es el comportamiento de la tasa de interés (Corsetti et al, 2013). Aquí, la expansión
fiscal basada en endeudamiento público hará que la percepción de riesgo de los inversionistas
aumente, lo cual se verá reflejado en un aumento de la tasa de interés y, por lo tanto, el costo
de los prestamos incrementará. Esto tendrá un efecto negativo tanto en la inversión privada
como en el consumo privado (Corsetti et al, 2013).

Las investigaciones empíricas en relación al tamaño de los multiplicadores en economías

endeudadas y no endeudadas concuerdan con los argumentos de la existencia de un efecto
crowding-out cuando el nivel de deuda es alto. Ilzetzki, Mendonza y Végh (2011) encuentran
que el multiplicador de corto plazo en períodos de deuda alta es de 0.06, mientras que en
períodos de deuda baja es de 0.7. También encuentran que el multiplicador acumulado para
períodos de alto endeudamiento es de -2.3, mientras que en el caso de períodos de bajo
endeudamiento este llega a 0.5. Contreras y Battelle (2014) muestran un multiplicador de
impacto de 0.37 para economías endeudadas y 0.44 para economías no endeudadas, mientras
que el multiplicador de largo plazo es de 0.39 y 1.49, respectivamente.

Para comprobar si este efecto es visible en el panel de países aquí presentado, se siguió la
metodología de Ilzetzki, Mendonza y Végh (2011), también aplicada por Contreras y Battelle
(2014), para la clasificación de períodos de alto endeudamiento por países. Para ello, se utilizó
la variable de deuda del gobierno central anual como porcentaje del PIB y se estableció un
umbral de 60 para establecer los períodos de alta deuda. En este sentido, si un país presenta un
período con un porcentaje de deuda con respecto al PIB de más de 60%, se clasifica al período
como un período de alto endeudamiento.

La razón por la cual se utilizó la variable deuda con frecuencia anual es que las variaciones de
deuda no son observables a nivel trimestral, únicamente a nivel anual, por lo que la clasificación
de endeudamiento está dada en períodos anuales. Debido a que las estimaciones econométricas
de los multiplicadores se realizan a nivel trimestral (a nivel anual no se capturaría el valor del
multiplicador de impacto), se considera a todos los trimestres de los años que presentan deuda
alta como observaciones de trimestres de alto endeudamiento. La clasificación de episodios de
alta deuda por países se presenta en la Tabla 20.

Tabla 20: Episodios de endeudamiento alto por países (Deuda del gobierno central que
excede 60% del PIB)

País Alto endeudamiento Bajo endeudamiento

97
 Período Período

Alemania 2003-2017 2000-2002

Australia - 2000-2017
Austria 2000-2017 -
Bélgica 2000-2017 -
Bolivia 2000-2005 2006-2017
Brasil 2000-2005 2006-2014
2015-2017
Bulgaria 2000-2001 2002-2017
Canadá 2000-2002 2002-2017
Chile - 2001-2017
Colombia - 2000-2017
Costa Rica - 2000-2017
Croacia 2011-2017 2000-2010
Dinamarca - 2001-2017
Ecuador 2000-2002 2003-2017
España 2010-2017 2000-2009
Estados Unidos 2003-2017 2000-2002
Filipinas 2000-2006 2007-2017
Finlandia 2014-2017 2000-2013
Grecia 2000-2017 -
Inglaterra 2009-2017 2000-2009
Irlanda 2009-2017 2000-2008
Israel 2000-2017 -
Italia 2000-2017 -
Israel 2000-2017
Malasia - 2000-2017
México - 2000-2017
Noruega - 2000-2017
Perú - 2000-2017
Portugal 2004-2017 2000-2003
Rumania - 2000-2017
Suráfrica - 2000-2017
Suecia - 2000-2017
Suiza - 2000-2017
Tailandia - 2000-2017
Turquía 2000-2003 2004-2017

Observaciones 809 1,636

(trimestres)
Fuente: CEIC Data
Elaboración: Carolina Alvarez G.

98
Características de la muestra

La Tabla 20 indica que episodios de deuda que supera el 60% del PIB son más frecuentes en
economías de alto ingreso que en economías de bajo ingreso. Las estadísticas descriptivas para
ambos paneles muestran que los períodos de alta deuda están relacionados con un PIB
trimestral promedio de 485 588 millones de USD, mientras que para episodios de baja deuda
este alcanza un promedio de 136 759 millones de USD. Esto también sugiere que las economías
de alto ingreso tienden a tener episodios de deuda altas para el período 2000-2017. El máximo
de deuda con respecto al PIB alcanzado en países con endeudamiento alto es de 180.81%, que
corresponde a Grecia (Anexo 13).

Mediante el Gráfico 19 se puede visualizar que, en promedio, las economías de alto ingreso han
mostrado un nivel de deuda mucho más elevado que las economías de bajo ingreso, y que ésta
ha superado el 60% del PIB desde el año 2009 en economías desarrolladas. Sin embargo, la Tabla
20 muestra que países de bajo ingreso como Brasil, Bolivia, Ecuador, Bulgaria, Croacia, Ecuador,
Filipinas y Turquía muestran episodios de endeudamiento por encima del 60% del PIB, por lo
que la muestra de episodios de deuda alta también incluye economías en vías de desarrollo y no
se restringe solamente a economías grandes.

Gráfico 19: Comportamiento de la deuda del gobierno central (% PIB) en economías de alto y
bajo ingreso durante el período 2000-2017

Fuente: CEIC Data

Elaboración: Carolina Alvarez G.

99
Por otro lado, los gráficos del Anexo 1 muestran que existe una correlación fuerte entre la deuda
adquirida por el gobierno central y el nivel de gasto público, tanto para economías de alto
ingreso como de bajo ingreso. A su vez esto también se refleja en el ratio del gasto sobre el PIB
para ambas muestras, en donde el gasto público representa el 19.09% del PIB durante episodios
de alta deuda, mientras que, en períodos de bajo endeudamiento, éste es de 16.46%. Esto
podría indicar que los agentes económicos posiblemente pueden actuar de manera Ricardiana
bajo expectativas racionales, al anticipar que un aumento del gasto público viene acompañado
de adquisición de deuda pública, lo que podría restringir su consumo y afectar la demanda
agregada. En la siguiente sección, se analizará si la deuda tiene un efecto negativo en la
efectividad de la política fiscal, al calcular los multiplicadores fiscales bajo escenarios de alto y
bajo endeudamiento.

Resultados

Períodos de alta deuda

Los resultados del multiplicador fiscal para períodos de alto endeudamiento se presentan a
continuación. Los estimadores de panel dinámico dan resultados estadísticamente significativos
y similares entre sí, donde el estimador de LSDV muestra un multiplicador de impacto de 0.471,
los estimadores de Arellano y Bond de uno y dos pasos muestran un multiplicador de 0.443 y
0.446 respectivamente, el estimador de Blundell y Bond calcula un multiplicador de 0.489 y el
de Kiviet un multiplicador de 0.475.

Sin embargo, si bien los resultados de los estimadores de panel dinámico concuerdan entre sí,
el modelo de VI y el modelo de ecuaciones simultáneas dan estimaciones diferentes y
estadísticamente significativas. En el caso del modelo de VI, el multiplicador de impacto en
episodios de alto endeudamiento es de 0.263, mientras que el modelo de ecuaciones
simultáneas arroja un multiplicador de corto plazo de 0.277. En este caso, el rango del
multiplicador es más ancho que en casos anteriores, en donde el multiplicador de impacto oscila
entre 0.263 y 0.489.

Tabla 21: Multiplicador de impacto-Períodos de alto endeudamiento

(1) (2) (3) (4) (5) (6) (7)

Variables LSDV AB1 AB2 BB Kiviet VI-FE ES

Log(Y) t-1 0.0507 0.0553** 0.0561** 0.0211** 0.0670** 0.0848*** 0.0678***

(0.0277) (0.0042) (0.0035) (0.0031) (0.0261) (0.0298) (0.0229)

Log(G) 0.471*** 0.443*** 0.446*** 0.489*** 0.475*** 0.263*** 0.277***

(0.0213) (0.0930) (0.0930) (0.0280) (0.0131) (0.0614) (0.0585)

100
Observacio- 785 773 773 785 785 785 785
nes
R-cuadrado 0.415 - - - - - 0.334
Número de
países 20 20 20 20 20 20 20
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(6) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto). Instrumento: %Deuda
con respecto al PIB.
Fuente: CEIC Data y FMI
Elaboración: Carolina Alvarez G.

Por otro lado, el modelo en niveles y el multiplicador acumulado para episodios de alta deuda
se presentan en la Tabla 22, mientras que los modelos estimados en nivel se encuentran en el
Anexo 14. El multiplicador de impacto calculado mediante los estimadores de panel dinámico
muestra un rango entre 0.467 y 0.488, mientras que el multiplicador de largo plazo calculado
mediante el modelo de VI es de 0.267. Es decir, el multiplicador de corto y largo plazo para
economías que presentan períodos de endeudamiento alto no varía en el período analizado y
bajo las estimaciones presentadas. Esto sugiere que no existe un efecto acumulado de un
estímulo fiscal sobre el PIB en el largo plazo durante períodos donde la deuda del gobierno
central excede el 60%.

Tabla 22: Multiplicador de impacto-Períodos de alto endeudamiento

Estimador Multiplicador acumulado

LSDV 0.488

AB 1 0.485

AB 2 0.476

BB 0.478

Kiviet 0.467

VI-FE 0.267

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Finalmente, las estimaciones mediante el modelo PVAR se realizaron utilizando 4 rezagos para
cada variable dependiente. Si bien el test de selección de rezagos indicó que se utilizara
solamente 1 rezago para la estimación, el modelo se especificó mediante 4 rezagos, debido a
que las estimaciones con solo 1 rezago no eran estadísticamente significativas. La razón por la
cual se utilizaron 4 rezagos de cada variable radica en que, en la práctica, las estimaciones

101
empíricas siguen la regla del pulgar (rule of thumb) de utilizar 4 regazos cuando los criterios de
información no logran predecir el número de rezagos óptimos (Abrigo y Love, 2016).

Los resultados del modelo VAR de panel se encuentran en el Anexo 15. Al analizar la función
impulso-respuesta, se puede observar que un shock ortogonal del 1% del gasto del gobierno
tiene un efecto muy pequeño sobre el PIB en el mismo período, el cual se desvanece en el
trimestre 8 aproximadamente. Este resultado podría apoyar a lo encontrado en las estimaciones
del multiplicador de largo plazo, el cual indica que posiblemente no hay un efecto acumulado
de la política fiscal sobre el PIB cuando las economías pasan por períodos de deuda elevada.

Gráfico 20: Función impulso-respuesta del modelo PVAR, episodios de alto endeudamiento

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Períodos de baja deuda

Por otro lado, los resultados del multiplicador fiscal para períodos en donde la deuda del
gobierno central está por debajo del 60% del PIB se presentan a continuación. En este caso, los
estimadores de panel dinámico arrojan multiplicadores de impacto similares, que varían entre
0.308 y 0.338. Sin embargo, las estimaciones por medio de Blundell y Bond, VI y ecuaciones
simultáneas arrojan multiplicadores más altos. El estimador de Blundell y Bond muestra un
multiplicador de 0.519, mientras que las estimaciones por medio de VI y ecuaciones simultáneas
arrojan un multiplicador de corto plazo de 0.418 y 0.432, respectivamente. Esto concuerda con
lo hallado bajo el escenario de episodios de alta deuda, en donde los modelos de VI y ecuaciones
simultáneas mostraron resultados distintos a los estimadores de panel dinámico autoregresivo.

102
En todo caso, el rango del multiplicador de impacto en períodos de bajo endeudamiento oscila
entre 0.308 y 0.432.

Tabla 23: Multiplicador de impacto- Períodos de bajo endeudamiento

(1) (2) (3) (4) (5) (6) (7)

Variables LSDV AB1 AB2 BB Kiviet VI-FE ES

Log(Y) t-1 0.0671*** 0.0469** 0.0467 0.0698*** 0.049** 0.0528** 0.0113

(0.0206) (0.0231) (0.0369) (0.0270) (0.0165) (0.0239) (0.0090)

Log(G) 0.336*** 0.309*** 0.308*** 0.519*** 0.338** 0.418*** 0.432***
*
(0.0117) (0.0126) (0.0671) (0.0205) (0.0200) (0.0979) (0.0197)

Observacio- 1,571 1,549 1,549 1,571 1,571 1,549 1,571

nes
R-cuadrado 0.367 - - - - - 0.528
Número de
países 29 29 29 29 29 29 29
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(6) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto). Instrumento: %Deuda
con respecto al PIB.
Fuente: CEIC Data y FMI
Elaboración: Carolina Alvarez G.

Los resultados del multiplicador acumulado para períodos de endeudamiento bajo se presentan
en la Tabla 24, mientras que el modelo en niveles se encuentra en el Anexo 15. En el caso de
períodos en donde la deuda del gobierno no excede el 60% del PIB, el multiplicador de largo
plazo está en un rango de 0.892 y 0.914, según los modelos estimados. Si bien el modelo de VI
muestra un multiplicador de impacto mucho mayor que los demás modelos de panel dinámico,
en el caso del multiplicador acumulado la estimación por medio de VI parece concordar con los
demás modelos propuestos. Por lo tanto, se puede decir que el efecto acumulado de un shock
del gasto del gobierno sobre el PIB puede llegar a ser hasta de 0.914% en el largo plazo cuando
la deuda no excede el 60% del PIB.

Tabla 24: Multiplicador acumulado-Períodos de bajo endeudamiento

Estimador Multiplicador acumulado

LSDV 0.901

AB 1 0.902

103
 AB 2 0.892

BB 0.910

Kiviet 0.914

IV-FE 0.894

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Finalmente, también se estimó un modelo de VAR de panel para episodios de deuda baja. En
este caso, el modelo se estimó igualmente mediante 4 rezagos, ya que el modelo especificando
2 rezagos de acuerdo a los criterios de información resultó no significativo y no estable en el
largo plazo. Los resultados del modelo PVAR mediante 4 rezagos para períodos de bajo
endeudamiento pueden encontrarse en el Anexo 15. Al analizar la función impulso-respuesta,
se observa que un shock fiscal ortogonal del 1% del gasto público tiene un efecto positivo sobre
el PIB en el mismo período, el cual decrece un período después hasta casi llegar a cero, para
luego crecer otra vez y tender a desvanecerse después del trimestre 20. Sin embargo, se puede
observar que los intervalos de confianza en este caso son demasiado anchos, lo cual indica que
la simulación por medio del modelo PVAR no es tan exacta.

Gráfico 21: Función impulso-respuesta del modelo PVAR, episodios de bajo endeudamiento

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Comparación

104
Los resultados encontrados de los multiplicadores fiscales para períodos de alta y baja deuda
reflejan que las diferencias entre ambos escenarios no son obvias al comparar los
multiplicadores de corto plazo. En este caso, las estimaciones de panel dinámico difieren de las
estimaciones de los modelos de VI y ecuaciones simultáneas tanto para períodos de alto
endeudamiento como para períodos de bajo endeudamiento. Si comparamos las estimaciones
de panel dinámico, se puede concluir que el multiplicador de corto plazo es mayor para
economías altamente endeudadas que para economías donde la deuda no sobrepasa el 60% del
PIB, mientras que si comparamos las regresiones por medio de VI y ecuaciones simultáneas, se
llega al resultado contrario. Es decir, los modelos de VI y ecuaciones simultáneas muestran que
el multiplicador de impacto es mayor en períodos de deuda baja que en períodos de alto
endeudamiento.

Sin embargo, las diferencias son notorias cuando comparamos los resultados del multiplicador
acumulado para ambos casos. El multiplicador acumulado para economías que presentan
períodos altos de endeudamiento no varía con respecto al multiplicador de impacto, mientras
que, en el caso de períodos de bajo endeudamiento, el multiplicador de largo plazo puede llegar
a ser hasta de 0.914. En cierta manera, estos resultados son similares a los encontrados por
Contreras y Battelle (2014), quieres encuentran que el multiplicador de impacto para economías
endeudadas es de 0.37, mientras que el multiplicador acumulado es de 0.39, lo que indica que
no existe una variación entre el efecto de corto y largo plazo para economías con alta deuda.
Por otro lado, los autores encuentran que el multiplicador de impacto para economías con un
endeudamiento bajo es de 0.44, mientras que el multiplicador de largo plazo es de 1.49.

Conclusiones Capítulo I

En general, las estimaciones presentadas en este capítulo concuerdan con lo predicho por la
teoría y lo encontrado en las investigaciones empíricas de similar enfoque. Por un lado, se
encuentra que los multiplicadores fiscales en economías de alto ingreso son mayores que
economías pequeñas, tanto en el corto como en el largo plazo. Se encontró que un posible canal
por el que se da esta diferencia consiste en el efecto que tiene el gasto del gobierno sobre el
consumo privado.

Además, se evidenció que los multiplicadores son mayores en períodos de baja apertura
comercial que en períodos de alta apertura, en donde un posible canal que explique esta
diferencia es el efecto que tiene el shock fiscal sobre la balanza en cuenta corriente. Además, se
estimó que los multiplicadores son mayores en economías con tipo de cambio fijo que en países
con un régimen de tipo de cambio flexible, en donde los canales del modelo Mundell-Fleming
con respecto a la apreciación del tipo de cambio y efecto en cuenta corriente se hicieron
evidentes, pero no se encontró indicios de una acomodación monetaria. Finalmente, las
divergencias entre períodos de endeudamiento alto y bajo sólo se hicieron evidentes en el largo
plazo, mientras que las estimaciones del multiplicador de impacto dieron resultados ambiguos.

Por otro lado, los resultados de estimadores de panel autoregresivo, así como las estimaciones
por medio de variables instrumentales y ecuaciones simultáneas dieron resultados
estadísticamente significativos y similares entre sí para todos los escenarios propuestos, excepto

105
para el caso de períodos de alto endeudamiento. Sin embargo, la estimación por medio del
modelo VAR para panel arrojó funciones impulso respuestas con intervalos de confianza
demasiado anchos para horizontes temporales altos, lo cual es un indicio de que puede que este
tipo de modelos no se ajuste de manera adecuada a los datos presentados en esta disertación.
Las estimaciones mediante vectores autoregresivos podrían mejorar aplicando una metodología
de VAR de panel estructural, como lo aplicado por Ilzetzki, Mendonza y Végh (2011) y Contreras
y Battelle (2014).

Finalmente, los resultados encontrados difieren en algunos casos de las estimaciones

encontradas tanto en el caso de Ilzetzki, Mendonza y Végh, como Contreras y Battelle. Contreras
(2014: 15) sugiere que las divergencias de los resultados pueden darse debido a la metodología
utilizada, pero que una fuente más importante de diferencias entre estimaciones es el período
y el panel de datos utilizado. Esto indica que los multiplicadores podrían ser sensibles a los datos
incorporados en el panel, así como el período temporal en el que se estiman. Lo último indica
que el tamaño de los multiplicadores no es lineal en el tiempo, y que varían dependiendo el
contexto temporal en el que son estimados.

106
 Capítulo 2: Estimación de los multiplicadores fiscales para
países individuales

El Capítulo I se centró en la estimación de los multiplicadores fiscales de corto y largo plazo para
diferentes paneles de países, separados según factores que afectaran el valor de los
multiplicadores, como tamaño de la economía, régimen de tipo de cambio, apertura comercial
y nivel de endeudamiento. Este capítulo busca corroborar los resultados de datos de panel, al
estimar el tamaño de los multiplicadores para economías individuales utilizando un enfoque de
series temporales. El problema de este enfoque radica en la dificultad de encontrar economías
que sean comparables entre sí y en la complejidad de aislar características económicas
específicas para comprobar si es que los multiplicadores varían bajo distintos escenarios. Al no
tener una estructura de datos de panel, es difícil aislar un componente específico de las
economías, con el fin de obtener el resultado del multiplicador bajo determinada característica
económica.

Para lograr esto, lo ideal sería utilizar a un mismo país como su propio contrafactual; es decir,
analizar períodos donde el país hubiera manejado regímenes de tipo de cambio distintos,
períodos de alta o baja apertura comercial, etc. Sin embargo, a diferencia de la estructura de
datos de panel, las series temporales individuales de la muestra contienen pocas observaciones
y menor variabilidad de datos, por lo que no es posible utilizar a un mismo país y contrastarlo
con sí mismo en diferentes períodos. En este sentido, se optó por separar a los países una vez
más entre alto y bajo ingreso, y en cada panel encontrar economías similares en las variables
presentadas en la muestra, pero que difieran en la característica que se quiere analizar.

Usualmente, las estimaciones del multiplicador para países individuales se las realiza mediante
modelos de vectores autoregresivos estructurales, los cuales aíslan la exogeneidad de la política
fiscal (ver Batini, 2014; Blanchard y Perotti, 2003; Caldara y Kamps, 2008; Cerón, 2012). Sin
embargo, debido a la complejidad de los modelos SVAR y para que las estimaciones sean
comparables con los resultados del Capítulo I, se aplicó los modelos de variables instrumentales
y ecuaciones simultáneas, pero bajo un esquema de series de tiempo. Si bien los modelos
presentados no son aplicados de manera habitual al cálculo de los multiplicadores para países
individuales, proveen un buen indicio sobre el valor de los multiplicadores para las economías
analizadas.

Por otro lado, las estimaciones presentadas en este capítulo son los resultados del multiplicador
de impacto de los países individuales. La razón por la cual no se calculó el multiplicador de largo
plazo es que las estimaciones por medio de VI no resultaron estadísticamente significativas para
algunos países, y, como se explicó anteriormente, la metodología del cálculo de las elasticidades
de largo plazo no se puede realizar mediante las estimaciones del modelo de ecuaciones
simultáneas. Sin embargo, si bien el multiplicador acumulado provee de mayor información
sobre el comportamiento del PIB en el largo plazo bajo shocks acumulados del gasto, el
multiplicador de corto plazo es válido para comparar los efectos de la política fiscal sobre la
actividad económica entre países (Cerón, 2012). De igual manera, hay que recordar que el valor
estimado del multiplicador es un promedio del efecto de corto plazo del gasto sobre el PIB
durante el período de 2000 a 2017.

107
Finalmente, el objetivo de este capítulo no es analizar el comportamiento de la política fiscal en
cada uno de los países a estudiar. Dado que el período temporal utilizado en la disertación es de
2000 a 2017, examinar el desarrollo de la política fiscal durante 17 años para 12 economías
resulta demasiado extenso. En lugar de eso, se pretende únicamente comparar las
características observables de los países y comprobar si es que la teoría económica sobre los
determinantes del tamaño de los multiplicadores se cumple también a nivel de desagregación
de países.

Selección de la submuestra

Para poder comprobar si es que las características específicas de un país en términos de tipo de
cambio, apertura comercial y nivel de endeudamiento afectan el valor del multiplicador fiscal
calculado mediante el uso de series de tiempo, se decidió extraer una submuestra de cada panel
de economías de alto y bajo ingreso. La razón por la cual se separó a las economías según ingreso
es que, para lograr una comparación válida, se debe tomar en cuenta países que tengan un
tamaño de economía similar. En este sentido, la submuestra se eligió de forma que se
obtuvieran 2 países comparables por cada característica a analizar. Es decir, se seleccionaron 2
economías que presentaran características económicas similares, pero que difirieran en el factor
determinante del tamaño de los multiplicadores, como régimen de tipo de cambio, apertura
comercial y nivel de endeudamiento.

En una primera instancia, se consideró elegir a la submuestra de tal manera que se obtuvieran
países que cumplieran con todas las características sostenidas por la teoría que determinaran
un multiplicador alto o bajo. Es decir, se buscó países que cumplieran con las 4 condiciones
analizadas en el capítulo 1: i) alto (bajo) ingreso; ii) tipo de cambio fijo (flexible); iii) baja (alta)
apertura comercial; y iv) bajo (alto) nivel de endeudamiento. De esta forma se podría calcular
los multiplicadores bajo escenarios en donde la teoría predijera que el valor del multiplicador
sería alto (bajo), y comprobar si es que las estimaciones empíricas concordaban con la teoría y
las estimaciones de datos de panel. Sin embargo, no se encontró países que cumplieran con las
4 características en el período analizado, por lo que esta estrategia de selección de la
submuestra quedó descartada.

Debido a esta complicación, se optó por elegir la submuestra de tal forma que se obtuvieran dos
economías comparables que difirieran en la característica que se quisiera aislar. De esta manera,
se obtuvo países comparables entre sí y se calculó el valor del multiplicador fiscal para cada uno,
en donde la diferencia entre éstos se atribuye a la característica en la que difieren. Sin embargo,
se reconoce que la diferencia del multiplicador fiscal puede darse por medio de muchos canales,
y no es posible atribuir esta divergencia a un único factor. Por ejemplo, los países comparados
podrían diferir en su estructura económica, aspectos institucionales y administración de los
recursos fiscales. Estos factores podrían también condicionar el valor del multiplicador en el
período analizado; sin embargo, dada la restricción de variables obtenidas, no es posible
ahondar en mayor medida sobre los determinantes del tamaño del multiplicador en cada una
de las economías analizadas.

108
Economías de alto ingreso
Tipo de cambio fijo y flexible

Como se mencionó anteriormente, para poder aislar el efecto que tiene el régimen de tipo de
cambio sobre los multiplicadores utilizando series temporales, se eligieron dos economías de
alto ingreso que fueran semejantes entre sí en características observables. En este sentido, fue
difícil encontrar dos economías con características semejantes que pertenecieran a diferentes
regímenes de tipo de cambio, pero después de analizar los promedios de las variables de la
muestra general, se eligió Finlandia y Suecia, dos economías europeas vecinas (Anexo 17)21.

Para poder contrastar las características de las economías, se tomó el promedio de todas las
variables durante el período estudiando. Tras esto, ambas economías presentan similitudes en
características observables de la muestra, como nivel de gasto del gobierno y consumo privado
como porcentaje del PIB, grado de apertura comercial, nivel de deuda del gobierno central como
porcentaje del PIB y balance en cuenta corriente en el período de 2000-2017. En lo que respecta
al nivel de gasto del gobierno, Finlandia muestra un promedio de gasto como porcentaje del PIB
de 22.50%, mientras que Suecia presenta 25.36%. Por otro lado, el promedio del período de
consumo privado con respecto al PIB es de 51.68% en Finlandia y 45.8% en Suecia. El nivel de
endeudamiento también es similar entre estas economías, en donde Finlandia presenta un
promedio de deuda con respecto al PIB de 47.21%, mientras que para Suecia este indicador es
de 43.73%. Además, ambas economías muestran un promedio de grado de apertura comercial
alto, con 57.57% para Finlandia y 60.16% para Suecia. No obstante, las dos presentan un
promedio de balanza de pagos positivo durante todo el período.

En lo que respecta a regímenes de tipo de cambio, Finlandia ha sido parte de la Unión Europea
(UE) desde 1995 y adoptó oficialmente el Euro como moneda nacional en el año 1999 (Salo,
2006). La Eurozona es una Unión Monetaria de países miembros de la UE que utiliza el euro
como moneda común. El Banco Central Europeo, junto con los bancos centrales de los países
miembros de la Eurozona, forman la autoridad monetaria llamada Eurosistema, encargada de
conducir la política monetaria de todos los países miembros (European Central Bank, 2011).

El modelo Mundell-Fleming sostiene que, en regímenes de tipo fijo, una política fiscal expansiva
no tendría efectos en la tasa de cambio de la moneda doméstica, pues las autoridades
monetarias intervendrían para mantener el tipo de cambio. En este sentido, si bien el euro no
es una moneda que opera bajo un esquema de tipo de cambio fijo, un país miembro de la
Eurozona, al tener al euro como moneda oficial, pierde control sobre el tipo de cambio. Así,
Ilzetzki, Mendonza y Végh (2011) sostienen que países de la eurozona deben tomarse en cuenta
como países con tipo de cambio fijo, pues un aumento del gasto del gobierno no tiene un efecto
sobre la tasa cambiaria del euro, y tampoco tendría los efectos devaluatorios que se
presentarían bajo un esquema de tipo de cambio flexible. Por lo tanto, Finlandia está en la
categoría de régimen de tipo de cambio del FMI que corresponde a arreglo sin emisor legal, y se
considera que tiene un tipo de cambio fijo.

21
El Anexo 17 presenta los promedios de las variables a analizar para el período 2000-2017 de todas las
economías de la muestra total. Las comparaciones y elección de países de este capítulo se basan en los
promedios presentados en este anexo.

109
Por otro lado, al igual que Finlandia, Suecia es parte de la Unión Europea desde 1995, pero no
ha adoptado el Euro como moneda oficial. La moneda oficial es la Corona sueca y opera bajo un
tipo de cambio flexible flotante desde 1990 (Heikensten, 2001). Desde 2010, la corona sueca ha
ido perdiendo su valor con respecto al euro, debido en gran parte a una política cambiaria de
depreciación por parte del Banco Central para fomentar las exportaciones y mantener una
inflación baja, dando como resultado una depreciación de más del 15% en los últimos 7 años
(Blitz, 2016).

Una vez expuesta la diferencia entre regímenes de tipo de cambio de ambas economías, se
puede sentar una base de que los dos países comparten características similares, excepto que
Finlandia opera bajo un tipo de cambio fijo sin emisor legal, mientras que Suecia opera bajo un
tipo de cambio flexible flotante. A continuación, en la Tabla 25 se muestran los resultados del
multiplicador fiscal de impacto para ambas economías.

Tabla 25: Multiplicador de impacto - Finlandia y Suecia

Finlandia Suecia
(1) (2) (1) (2)
Variables VI ES VI ES

Log(Y) t-1 0.0453** 0.00824** 0.0352* 0.0520

(0.00696) (0.00139) (0.0137) (0.0663)
Log(G) 0.983*** 0.988*** 0.826*** 0.811***
(0.169) (0.0637) (0.248) (0.122)

Observaciones 70 70 70 70
R-cuadrado 0.888 0.887 0.908 0.915
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(1) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto).
Instrumento: %Deuda con respecto al PIB.

Fuente: CEIC Data

Elaboración: Carolina Alvarez

Los resultados de la Tabla 25 muestran que las estimaciones son similares entre el modelo de
variables instrumentales y ecuaciones simultáneas, lo que contribuye a la robustez de los
resultados encontrados. El multiplicador en Finlandia tiene un valor de 0.983 bajo el modelo de
VI y 0.988 bajo el modelo de ecuaciones simultáneas. Es decir, un shock fiscal del 1%
incrementará el PIB en 0.98% en promedio en este país en el mismo período. Por otro lado, el
multiplicador de Suecia es de 0.826 bajo el modelo de VI y 0.811 bajo el modelo de ecuaciones
simultáneas.

Si bien la diferencia entre multiplicadores no es extremadamente alta, si se puede evidenciar

que el multiplicador fiscal en una economía con tipo de cambio fijo es más alto que el
multiplicador fiscal en una economía que opera bajo tipo de cambio flexible. Intuitivamente se

110
puede argumentar que la diferencia se encuentra en la apreciación que tiene una expansión
fiscal sobre el tipo de cambio en Suecia, lo cual hará que las importaciones aumenten. El grado
en el cual habrá un efecto crowding-out por importaciones dependerá en gran medida de la
propensión marginal a consumir de los hogares y el efecto del gasto fiscal sobre el consumo
privado.

Apertura comercial alta y baja

Del mismo modo, para comprobar si es que los multiplicadores fiscales son mayores en
economías con baja apertura comercial utilizando un enfoque de series de tiempo, se eligieron
dos economías que tuvieran características similares pero que difirieran en el grado de apertura
comercial. Igual que en el caso expuesto anteriormente, encontrar dos economías comparables
en este sentido no fue una tarea sencilla. Sin embargo, se llegó a la conclusión que Austria y
España comparten características observables similares en la base de datos y período
presentado, en donde la única diferencia radica en su grado de apertura comercial.

En relación a todo el período, Austria presenta un promedio de porcentaje del gasto del
gobierno con respecto al PIB de 19.63%, mientras que para España este indicador es de 18.44%.
Por otro lado, el nivel de consumo de los hogares con respecto al PIB es de 53.24% en Austria y
57.88%en España. El nivel de endeudamiento de ambos países se considera alto de acuerdo al
umbral presentado en el capítulo anterior, en donde Austria presenta un promedio de deuda
del gobierno central de 72.39% del PIB en todo el período, mientras que España tiene un
porcentaje de deuda promedio de 68.18% para todo el período. Por medio de estas
comparaciones básicas, se puede concluir que ambos países son comparables, ya que presentan
características observables similares.

Ahora bien, la diferencia entre ambas economías surge por su grado de apertura comercial y su
promedio de balanza en cuenta corriente durante todo el período estudiado. Debido a que, al
trabajar con series de tiempo, no se tienen tantas observaciones como bajo una estructura de
datos de panel, no fue posible separar las economías por períodos de alta y baja apertura
comercial, sino que se utilizó el promedio del índice de apertura para todo el período y se
clasificó a las economías en abiertas o cerradas. De esta manera, Austria presenta un alto grado
de apertura comercial entre 2000 y 2017, con un índice promedio de 75.29%. Por otro lado,
España presenta una apertura comercial promedio de 43.21% en el mismo período, lo cual es
considerado una apertura comercial baja.

Tomando estas consideraciones, se calculó el multiplicador de impacto para ambas economías

utilizando de igual manera modelos de variables instrumentales y ecuaciones simultáneas, con
el fin de comprobar si es que los resultados de panel concuerdan con los modelos evaluados
desde un enfoque de series de tiempo. La Tabla 26 muestra los resultados de las estimaciones.
La primera observación que puede hacerse de la Tabla 26 es que, a diferencia de los modelos de
tipo de cambio, los parámetros estimados de los modelos para Austria y España difieren
considerablemente entre el modelo de variables instrumentales y ecuaciones simultáneas.

En el caso de Austria, el multiplicador de impacto calculado por medio de VI es de 0.916,

mientras que el multiplicador estimado por ecuaciones simultáneas es de 0.404. Sin embargo,
la estimación de VI no es estadísticamente significativa, mientras que el parámetro estimado
por medio de ecuaciones simultáneas es significativo al 1% de nivel de confianza. Por lo tanto,
se podría argumentar que la deuda no es un buen instrumento del gasto en el caso de una
economía como Austria; es decir, puede que la correlación entre deuda y gasto del gobierno no

111
sea alta, o que el instrumento no es totalmente exógeno. También podría considerarse que,
dadas las pocas observaciones obtenidas bajo una estructura de series de tiempo, la deuda no
presente una variabilidad suficiente para explicar cambios en la política fiscal en el período
estudiado. Tomando en cuenta esto, se considera que el multiplicador de impacto de Austria es
de 0.404, calculado por medio de ecuaciones simultáneas.

Por otro lado, las estimaciones de IV y ecuaciones simultáneas también difieren en el caso de
España. Aquí, el multiplicador calculado por medio de VI es de 0.595, mientras que el modelo
de ecuaciones simultáneas arroja un multiplicador de 0.763. A diferencia de los modelos
aplicados a Austria, ambas estimaciones son estadísticamente significativas, pero en distintos
niveles de confianza. La estimación por medio de VI es significativa al 5% de nivel de confianza,
mientras que la estimación de ecuaciones simultáneas es significativa al 1% de nivel de
confianza. Basándonos en estos criterios, se puede concluir que la estimación por medio de VI
es válida para el caso de España, pero puede que no extraiga todo el componente endógeno del
gasto. Por ello, se considera que el multiplicador fiscal de España es de 0.763 por medio de la
estimación de ecuaciones simultáneas.

Al comparar los resultados de los modelos para los dos países, se evidencia que el multiplicador
es mayor en una economía cerrada que en una economía con alta apertura comercial, lo cual
ratifica lo encontrado en los modelos aplicados a datos de panel. Sin duda, existen muchos
factores por los cuales se puede explicar la diferencia en multiplicadores entre ambas economías
que deberían ser estudiadas con mayor profundidad, como la propensión marginal a importar,
el tipo de gasto público, el efecto del gasto sobre el consumo de los hogares, entre otros.

Tabla 26: Multiplicador de impacto – Austria y España

Austria España
(1) (2) (1) (2)
Variables VI ES VI ES

Log(Y) t-1 0.0327* 0.0338* 0.143* 0.185*

(0.388) (0.0357) (0.118) (0.0279)
Log(G) 0.916 0.404*** 0.595** 0.763***
(0.822) (0.0550) (0.0261) (0.0858)

Observaciones 70 70 70 70
R-cuadrado - 0.412 0.784 0.871
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(6) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto).
Instrumento: %Deuda con respecto al PIB.

Fuente: CEIC Data

Elaboración: Carolina Alvarez

112
Nivel de endeudamiento alto y bajo

Finalmente, se quiere comprobar si es que existe diferencias en el valor de los multiplicadores

fiscales entre economías con distintos niveles de endeudamiento público. Los resultados
mediante datos de panel arrojaron resultados un tanto ambiguos en el corto plazo, en donde la
diferencia entre países de alto y bajo endeudamiento no eran tan notorias. Por lo tanto, en esta
sección se pretende analizar si es que los multiplicadores de impacto difieren entre distintos
niveles de endeudamiento utilizando series de tiempo. Para ello, se eligió dos economías de alto
ingreso que difirieran considerablemente en el porcentaje de deuda neta del gobierno con
respecto al PIB, pero que fueran similares en otras características económicas observables. Bajo
estos criterios, en una primera instancia se eligió Canadá y Estados Unidos, por ser economías
vecinas y con diferencias notorias en su nivel de deuda. Sin embargo, mientras Estados Unidos
presenta una deuda alta, también es una economía con una de las aperturas comerciales más
bajas de la muestra, mientras que Canadá presenta una apertura alta.

Por esta razón, se eligió a España y Grecia como dos economías comparables que difieren en
nivel de endeudamiento. Si bien ambas economías presentan un nivel de deuda alto, la deuda
de Grecia promedio del período dobla en tamaño a la deuda presentada en España, por lo que
una comparación entre ambos países toma a España como una economía con bajo nivel de
deuda y a Grecia como un país altamente endeudado. Los dos países sufrieron las consecuencias
de la crisis económica de 2008, en donde el alto déficit fiscal dio paso a mayores contrataciones
de deuda por parte del gobierno (Kenny, 2018). En Grecia, los altos niveles de endeudamiento
dieron paso a una crisis que necesitó la intervención del FMI y el Banco Central Europeo,
mediante un rescate financiero (Kenny, 2018).

Como se vio anteriormente, la teoría de Equivalencia Ricardiana argumenta que altos niveles de
endeudamiento podrían socavar la efectividad de la política fiscal de estabilización, en el sentido
de que los agentes racionales anticipan la deuda como obligaciones tributarias futuras, por lo
que restringirán su consumo hoy. En este caso, con una deuda neta del gobierno central
promedio de 134.32 % del PIB, Grecia debería tener un multiplicador fiscal mucho más bajo que
España, con una deuda promedio de 68.18% del PIB. La Tabla 27 muestra el cálculo del
multiplicador de corto plazo para ambas economías. El multiplicador de impacto para Grecia es
de 0.717 bajo el modelo de VI, mientras que el modelo de ecuaciones simultáneas estima un
multiplicador de 0.734. Ambos son estadísticamente significativos y no difieren en mayor
medida, por lo que se puede concluir que los resultados son robustos bajo los dos modelos. Por
otro lado, en la sección anterior ya se presentó el multiplicador fiscal de corto plazo de para
España, que es de 0.763 basado en el modelo de ecuaciones simultáneas.

Estos resultados nos indican que los multiplicadores fiscales no difieren entre sí bajo distintos
niveles de endeudamiento público. Se vio que, si bien España presenta una deuda promedio alta
durante todo el período, Grecia tiene una deuda promedio que duplica a la de España, por lo
que el multiplicador debería ser menor bajo la teoría de Equivalencia Ricardiana. Sin embargo,
estos resultados también se observaron en las estimaciones de datos de panel, en donde el
multiplicador era diferente únicamente en el largo plazo. No obstante, bajo las estimaciones
presentadas en esta sección y bajo los criterios por los cuales se seleccionaron los países, se
puede decir que, en el período estudiado, los estímulos fiscales sí tienen un efecto positivo en
economías altamente endeudadas como Grecia y, en cierta medida, España, en donde el
multiplicador de impacto se aproxima al valor de 0.7.

113
 Tabla 27: Multiplicador de impacto – Grecia y España

Grecia España
(1) (2) (1) (2)
Variables VI ES VI ES

Log(Y) t-1 0.0826 0.00207 0.143* 0.185*

(0.0585) (0.0142) (0.118) (0.0279)
Log(G) 0.717*** 0.734*** 0.595** 0.763***
(0.174) (0.150) (0.0261) (0.0858)

Observaciones 70 70 70 70
R-cuadrado 0.805 0.805 0.784 0.871
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(6) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto).
Instrumento: %Deuda con respecto al PIB.

Fuente: CEIC Data

Elaboración: Carolina Alvarez

Economías de bajo ingreso

Tipo de cambio fijo y flexible

La sección anterior se enfocó en encontrar diferencias en los multiplicadores fiscales bajo

distintos escenarios de tipo de cambio, apertura comercial y nivel de endeudamiento para
economías de alto ingreso. Esta sección se centrará en verificar si existen diferencias en los
multiplicadores fiscales entre países de bajo ingreso que difieran en características económicas
que condicionen la efectividad de la política fiscal. El primer escenario es el cálculo del
multiplicador fiscal en economías emergentes que difieran en el régimen de tipo de cambio,
pero que mantengan similitudes en otras características observables de la muestra. Esto resulta
especialmente complicado para la submuestra de economías emergentes, donde sólo 3 países
de bajo ingreso manejan un tipo de cambio fijo. Debido a que estas 3 economías pertenecen a
la región de Latino América y el Caribe, se debió encontrar una economía de la región que
manejara un tipo de cambio flexible y que sea comparable con alguna de éstas.

Tras comparar las economías utilizando los promedios del período de las variables incluidas en
la base de datos, se llegó a la conclusión que Ecuador y Perú son economías comparables que
difieren en el régimen de tipo de cambio. Por un lado, el promedio del porcentaje del gasto con
respecto al PIB para el período de 2000-2017 en ambos países es similar, en donde Ecuador tiene
un promedio de porcentaje de gasto del gobierno de 12.13% para todo el período, mientras que
Perú presenta un gasto de 11.24% del PIB. Por otro lado, ambas economías presentan un
promedio de porcentaje de consumo de los hogares con respecto al PIB semejante, siendo éste

114
del 64.53% en Ecuador y 65.58% en Perú. En lo que respecta a apertura comercial, Ecuador
presenta una economía más abierta, teniendo un promedio del índice de apertura comercial de
54.42% para todo el período, mientras que Perú muestra una apertura de 38.69% del PIB. Si bien
su nivel de comercio exterior no es completamente similar, se puede concluir que ambas
economías son relativamente cerradas y se mantienen por debajo del umbral del 60%
establecido en el Capítulo 1 para categorizar a las economías según su apertura comercial.
Finalmente, ambas muestran un nivel de endeudamiento promedio bajo para todo el período,
siendo éste de 34.11% para Ecuador y 31.62% para Perú.

En lo que respecta al régimen cambiario, Perú maneja un tipo de cambio flotante de su moneda,
el Sol peruano, mientras que Ecuador adoptó un esquema de dolarización desde el año 2000.
Bajo la categorización de regímenes cambiarios por parte del FMI, se considera que Ecuador, al
ser una economía dolarizada, maneja un tipo de cambio fijo bajo la categoría de arreglo sin
emisor legal. La dolarización implica la anulación de la moneda nacional reemplazando su uso
con la moneda de otro país como numerario de curso legal, en este caso, el dólar de Estados
Unidos (Onur Tas y Togay, 2014). Ecuador perdió autonomía sobre la política monetaria y
cambiaria tras dolarizarse, además del rol del Banco Central como prestamista de última
instancia (Onur Tas y Togay, 2014). Esto hace que la política fiscal sea la única política
macroeconómica que se pueda aplicar con autonomía bajo un esquema de dolarización. Como
se vio anteriormente, en el caso de los países de la Eurozona, el hecho de que un país no tenga
influencia sobre el tipo de cambio de su moneda en uso, como es el caso de un país dolarizado
como Ecuador, hace que una política fiscal expansiva no tenga efectos apreciativos sobre la tasa
cambiaria. Por este motivo, el multiplicador fiscal debería ser mayor que en una economía
similar que opere bajo un régimen de tipo de cambio flexible.

En este sentido, se calculó el multiplicador de impacto de ambas economías para comprobar si

existe una diferencia en el efecto de la política fiscal bajo distintos escenarios de tipo de cambio.
La Tabla 28 muestra los resultados del multiplicador para Ecuador y Perú. En el caso de Ecuador,
la estimación por medio del modelo de variables instrumentales no es estadísticamente
significativa, mientras que el resultado de la estimación de ecuaciones simultáneas da un
multiplicador de 0.209. Es decir, un aumento del gasto público del 1% aumentará en PIB en
0.209% en el mismo período. Debido a que la estimación por medio de variables instrumentales
no es significativa bajo ningún nivel de confianza, se asume que el valor del multiplicador para
Ecuador es el estimado mediante el modelo de ecuaciones simultáneas. En el caso de Perú, tanto
la estimación del modelo de VI como la del modelo de ecuaciones simultáneas son
estadísticamente significativas. Si bien los resultados son un tanto distintos, se puede concluir
que el multiplicador de Perú de corto plazo varía entre 0.307 y 0.368.

Los resultados de la Tabla 28 contradicen lo encontrado en los modelos de datos de panel y en

los modelos de series temporales para países de alto ingreso. Aquí, el multiplicador de Ecuador,
país con tipo de cambio fijo, es menor que el multiplicador de Perú. Este resultado contradictorio
con la teoría y las estimaciones empíricas encontradas anteriormente puede explicarse, entre
otros factores, al nivel de apertura comercial de ambos países, donde Ecuador presenta una
apertura mucho mayor que Perú. Si es que Ecuador tiene una alta propensión marginal a
importar, un aumento del ingreso disponible tras un shock fiscal hará que los agentes
económicos demanden más bienes importados que bienes domésticos, por lo que el
multiplicador será menor. Por otro lado, ambos países muestran multiplicadores bajos y
concuerdan con el promedio encontrado para países de bajo ingreso estimados bajo modelos
de datos de panel.

115
 Tabla 28:Multiplicador de impacto – Ecuador y Perú

Ecuador Perú
(1) (2) (1) (2)
Variables VI ES VI ES

Log(Y) t-1 0.146 0.341*** 0.252** 0.110

(0.348) (0.115) (0.107) (0.0854)
Log(G) 0.426 0.209*** 0.307*** 0.368***
(0.263) (0.0746) (0.0779) (0.0719)

Observaciones 70 70 70 70
R-cuadrado - 0.199 - 0.332
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(6) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto).
Instrumento: %Deuda con respecto al PIB.

Fuente: CEIC Data

Elaboración: Carolina Alvarez

Apertura comercial alta y baja

Esta sección tiene como objetivo verificar si es que los resultados del multiplicador difieren
según la apertura comercial en países de bajo ingreso, a manera de verificar si es que los
resultados concuerdan con los encontrados en datos de panel y series temporales de países de
alto ingreso. De igual forma, encontrar dos economías de la muestra con características similares
que difieran únicamente en el nivel de apertura comercial no fue fácil. Por ejemplo, las
economías de la región de América Latina y el Caribe muestran índices de apertura comercial
bajos y similares entre sí, en donde el único país que presenta una apertura comercial alta es
Costa Rica. Sin embargo, dado que Costa Rica maneja un tipo de cambio fijo, sería comparable
únicamente con Ecuador y Bolivia, economías que presentan características distintas.

Es por ello que se eligió a Malasia y Filipinas, países similares del sudeste asiático y dos de las
economías más fuertes de la Asociación de Naciones del Sureste Asiático (ASEAN). Durante el
período estudiado, Malasia muestra un porcentaje de gasto público promedio de 12.37% del
PIB, mientras que en Filipinas el gasto del gobierno promedio fue de 10.24% del PIB. Por otro
lado, ambas economías muestran un consumo privado promedio similar, siento éste del 68.08%
del PIB en Malasia y del 73.74% en Filipinas en el período estudiado. Además, los dos países
presentan un porcentaje de deuda semejante, donde la deuda pública promedio del período
alcanza el 46.58% del PIB en Malasia y 56.03% en Filipinas.

En lo que respecta a la apertura comercial, Malasia muestra una apertura mucho mayor que
Filipinas. El promedio del índice de comercio exterior durante el período estudiado es de
153.81% para Malasia, mientras que para Filipinas el índice es de 65.62%. Malasia es una de las

116
economías más abiertas del Asia, en donde los aranceles para productos extranjeros son
extremadamente bajos, al igual que las barreras arancelarias (OECE, 2016). Si bien ambas
economías son consideradas como abiertas de acuerdo con el umbral propuesto en el Capítulo
1, la apertura comercial de Malasia es 2,3 veces más grande que la de Filipinas, por lo que se
considera que existirá un efecto crowding-out por importaciones mucho mayor en una
economía como Malasia después de una expansión del gasto fiscal.

En este sentido, la Tabla 29 presenta el cálculo del multiplicador de corto plazo para ambos
países en el período 2000-2017. En el caso de Malasia, las estimaciones por medio de variables
instrumentales y ecuaciones simultáneas dan resultados similares y estadísticamente
significativos, donde el multiplicador de impacto varía entre 0.153 y 0.159. Por otro lado, los
resultados para Filipinas son distintos bajo los dos modelos calculados. En el caso del modelo de
variables instrumentales, el resultado del multiplicador es de 0.362, pero no es estadísticamente
significativo bajo ningún nivel de confianza. Por otro lado, el resultado del modelo de ecuaciones
simultáneas arroja un multiplicador estadísticamente significativo de 0.727; es decir, un
aumento del 1% del gasto fiscal aumenta, en promedio, el PIB en 0.727% en el mismo período.
En este sentido, se puede concluir que el modelo de variables instrumentales para Filipinas no
se ajusta de manera adecuada a los datos y, por lo tanto, el valor del multiplicador para este país
es el estimado mediante el modelo de ecuaciones simultáneas.

A su vez, estos resultados concuerdan con los encontrados en los modelos de datos de panel y
series de tiempo, en donde se demostró que el multiplicador fiscal es mayor en economías con
baja apertura comercial que en economías abiertas. Un punto importante que cabe recalcar es
que los resultados de los modelos de datos de panel reflejan períodos de alta apertura
comercial, mientras que en series de tiempo se tomó el promedio de apertura de todo el
período. Esto indica que, posiblemente, los resultados del multiplicador para una misma
economía varíen de acuerdo a las épocas de alta o baja apertura comercial, lo cual se
evidenciaría mediante la utilización de series más largas que tengan las suficientes
observaciones para la estimación de resultados robustos.

Tabla 29: Multiplicador de impacto – Malasia y Filipinas

Malasia Filipinas
(1) (2) (1) (2)
Variables VI ES VI ES

Log(Y) t-1 0.00673 0.0469 0.00362 0.00188

(0.123) (0.0919) (0.007) (0.0514)
Log(G) 0.153*** 0.159*** 0.362 0.727***
(0.0295) (0.0240) (1.007) (0.0912)

Observaciones 66 66 67 67
R-cuadrado 0.623 0.260 - 0.144
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(6) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto).
Instrumento: %Deuda con respecto al PIB.

Fuente: CEIC Data

Elaboración: Carolina Alvarez

117
Nivel de endeudamiento alto y bajo

Finalmente, se plantea calcular el multiplicador fiscal utilizando series temporales bajo distintos
escenarios de endeudamiento público en economías de bajo ingreso, con la finalidad de
contrastar los resultados con los obtenidos mediante datos de panel y países desarrollados. De
igual manera, se buscó dos economías que fueran similares en características observables de la
muestra presentada, pero que difirieran en el nivel de deuda del gobierno central. Este ejercicio
fue particularmente complicado en economías de bajo ingreso, donde todas excepto Brasil
presentan un promedio de endeudamiento público bajo en el período estudiado. En una primera
instancia, se decidió utilizar a Brasil como escenario de un alto nivel de deuda, con un promedio
de endeudamiento del 62.10% del PIB. Sin embargo, Brasil presenta el promedio de apertura
comercial más bajo de toda la muestra de economías emergentes, con 19.6% de índice de
apertura comercial, además que es la economía más grande de la región de América Latina y el
Caribe. Esto hizo que sea difícil encontrar una economía comparable con Brasil en tamaño,
apertura comercial y nivel de deuda.

Por lo antes mencionado, se decidió utilizar dos economías comparables que difirieran en nivel
de endeudamiento, sin que una necesariamente sobrepasara el umbral de deuda propuesto en
el Capítulo I. Así, las economías seleccionadas fueron Perú y Bolivia. Ambas economías
latinoamericanas presentan un nivel de gasto del gobierno similar, siendo éste de 15.12% del
PIB en Bolivia y 11.24% en Perú. Por otro lado, el promedio de consumo de los hogares a lo largo
del período es similar en ambos países, donde en Bolivia el 66.37% del PIB corresponde al
consumo privado y en Perú el 65.58% del PIB está dado por el consumo de los hogares. Por otro
lado, si bien la apertura comercial de ambos países no es exactamente igual, se puede considerar
a ambas como economías cerradas, en donde el índice de apertura comercial para Bolivia es de
56.29% y 38.69% en Perú. Finalmente, en lo que respecta a la deuda del gobierno central como
porcentaje del PIB, Bolivia muestra una deuda promedio de todo el período de 45.98%, mientras
que Perú presenta una deuda promedio de 31.62%.

La Tabla 30 muestra los resultados de los multiplicadores de corto plazo para ambas economías.
Por un lado, como ya se analizó anteriormente en el caso de Perú, las estimaciones por medio
de los modelos de variables instrumentales y ecuaciones simultáneas dan resultados
estadísticamente significativos, por lo que se concluyó que el multiplicador de este país varía de
0.307 a 0.368 para el período analizado. De la misma manera, el multiplicador de corto plazo de
Bolivia es estadísticamente significativo tanto en el modelo de variables instrumentales como el
modelo de ecuaciones simultáneas. Por un lado, el modelo de VI estima un multiplicador de
impacto de 0.384; es decir, un shock fiscal del 1% incrementará el PIB en 0.384% en el mismo
período. Por otro lado, el modelo de ecuaciones simultáneas arroja un multiplicador de corto
plazo de 0.412, el cual también es estadísticamente significativo. Debido a esto, se puede
concluir que el multiplicador de impacto de Bolivia para el período estudiado varía entre 0.384
y 0.412.

Los resultados de diferentes tipos de endeudamiento para economías de bajo ingreso no varían
demasiado. Por un lado, se obtiene un multiplicador de corto plazo de un rango de 0.307 a 0.368
para una economía con deuda baja, mientras que el multiplicador varía de 0.384 a 0.412 en una
economía con deuda alta, como Bolivia. Si bien las estimaciones no varían demasiado entre sí,
los resultados contradicen la teoría económica, que argumenta que el multiplicador fiscal será
menor en economías altamente endeudadas. Ahora bien, estas estimaciones no son
concluyentes, pues, como se explicó anteriormente, las economías analizadas en esta sección
no presentan niveles de deuda extremadamente altos. En este caso, la economía tomada como
altamente endeudada, Bolivia, tiene un nivel de deuda promedio de 45.98%, lo cual está por

118
debajo del umbral establecido por Ilzetzki, Mendonza y Végh (2011) y utilizado en el capítulo 1.
En este sentido, puede que las estimaciones no reflejen las diferencias esperadas tras analizar
distintos niveles de endeudamiento manteniendo lo demás constante.

Tabla 30: Multiplicador de impacto – Perú y Bolivia

Perú Bolivia
(1) (2) (1) (2)
Variables VI ES VI ES

Log(Y) t-1 0.252** 0.0845 0.0731 0.0261

(0.107) (0.161) (0.0925) (0.0483)
Log(G) 0.307*** 0.368*** 0.384*** 0.412***
(0.0779) (0.0719) (0.0453) (0.0231)

Observaciones 70 70 66 66
R-cuadrado - 0.152 - 0.782
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(6) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto).
Instrumento: %Deuda con respecto al PIB.

Fuente: CEIC Data

Elaboración: Carolina Alvarez

Conclusiones Capítulo II

En general, las estimaciones del multiplicador fiscal de corto plazo para países individuales
dieron resultados similares a los encontrados bajo una estructura de datos de panel y los
predichos por la teoría económica. Por un lado, los resultados de las comparaciones de
regímenes de tipo de cambio en economías de alto ingreso concordaron con lo encontrado en
el Capítulo I y lo propuesto por el modelo Mundell-Fleming, que argumenta que existirá un
efecto crowding-out mucho mayor en economías con tipo de cambio flexible tras un shock del
gasto del gobierno.

Por otro lado, se comprobó que, tanto en países de alto como bajo ingreso, los multiplicadores
son menores en economías abiertas que en países con una baja apertura comercial. Además, la
estimación de los multiplicadores dependiendo del nivel de endeudamiento utilizando series
temporales arrojó resultados contradictorios tanto en países de alto como bajo ingreso, lo
mismo que se evidenció en los modelos de datos de panel. Finalmente, el multiplicador fiscal en
países de bajo ingreso diferenciados por régimen de tipo de cambio dio resultados
contradictorios, a diferencia de los modelos de datos de panel y series de tiempo de países de

119
alto ingreso para el mismo caso. Aquí, se evidenció que el multiplicador de Ecuador, país con
tipo de cambio fijo, es menor que el multiplicador de Perú, país con tipo de cambio flexible.

Si bien la selección de la submuestra se realizó de tal manera que las economías sean
comparables entre sí, encontrar países con características similares pero que difirieran
específicamente en la característica de interés fue una tarea complicada. Sin embargo, en
general se encontró economías parecidas que mostraban un comportamiento promedio similar
de las variables observables de la muestra. No obstante, cabe recalcar que, si bien las economías
son comparables a nivel de las variables de la base de datos de la disertación, es muy probable
que difieran o se asemejen en características como estructura de la economía, factores
institucionales, reacción de los agentes económicos ante políticas macroeconómicas, entre
otros.

Además, la estrategia de identificación aplicada aquí a series de tiempo, como variables

instrumentales y ecuaciones simultáneas, no es común dentro de la literatura empírica. Se vio
que algunas estimaciones por medio del modelo de VI resultaron no significativas. Esto no
necesariamente quiere decir que el instrumento propuesto no sea válido, sino que las pocas
observaciones y la poca variabilidad de la deuda pública en series de tiempo individuales puede
que haya afectado las estimaciones por medio de VI. En todo caso, las estimaciones podrían
mejorar aplicando modelos convencionales como los modelos de vectores autoregresivos
estructurales (SVAR), aplicados por Blanchard y Perotti (2002) y Caldara y Kamps (2008). Por
esta y otras razones expuestas anteriormente, se considera que las estimaciones presentadas
no son concluyentes, y pueden verse afectadas por otros canales y factores no analizados bajo
la presente investigación, pero que vale la pena investigar en el futuro.

120
 Conclusiones

La crisis financiera de 2008-2009 renovó el interés sobre la efectividad de la política fiscal como
medida de estabilización económica. La importancia de cuantificar el efecto de una política fiscal
expansiva sobre el PIB radica en que las estimaciones empíricas del valor del multiplicador fiscal
sirven para diseñar políticas macroeconómicas realistas, de manera que se optimice la
asignación de recursos y los resultados esperados de la misma (Batini et al, 2014). Bajo este
contexto, la presente investigación se propuso determinar el efecto de una política fiscal
expansiva sobre el PIB en un panel de 34 países, el cual contenía países desarrollados y en vías
de desarrollo.

Más aún, el interés de la investigación radicaba en replicar el estudio realizado por Ilzetzki,
Mendonza y Végh (2011), quienes analizaron el efecto del gasto público sobre el PIB para
distintos escenarios siguiendo lo propuesto por el modelo Mundell-Fleming, el efecto crowding-
out y la Teoría de Equivalencia Ricardiana. Así, se calcularon los multiplicadores de corto y largo
plazo en paneles de países diferenciados por nivel de ingreso, apertura comercial, tipo de
cambio y nivel de endeudamiento público.

En general, los resultados de los modelos de datos de panel concordaron con lo predicho por las
teorías económicas analizadas y con lo encontrado en investigaciones empíricas de enfoque
similar (ver Ilzetzki, Mendonza y Végh, 2011; Contreras y Battelle, 2014). Se evidenció que el
multiplicador de corto y largo plazo es mayor en economías grandes que en comparación con
economías pequeñas y se estimó que un posible canal por el cual se da esta diferencia es el
efecto que tiene un shock fiscal sobre el consumo de los hogares. Asimismo, se evidenció que
los multiplicadores de corto y largo plazo son mayores en economías con baja apertura
comercial que en economías abiertas, en donde un posible canal por el cual habría un efecto
crowding-out es el efecto que tiene la política fiscal sobre la balanza en cuenta corriente en
economías con alta apertura comercial.

Por otro lado, se estudió si los canales tradicionales del modelo Mundell-Fleming se cumplían
en el panel y período analizados en la presente investigación. Los modelos aplicados para el
cálculo de los multiplicadores fiscales de impacto y acumulado para países con tipo de cambio
fijo y flexible arrojaron resultados que concuerdan con lo propuesto en el modelo. En general,
el valor del multiplicador de corto y largo plazo en economías que operan bajo un tipo de cambio
fijo supera al valor del mismo en economías que manejan un tipo de cambio flexible.

A su vez, se estudiaron los canales por los cuales podría haber un efecto crowding-out que
explicara la diferencia entre ambos escenarios. Se encontró que una política fiscal expansiva
aprecia el tipo de cambio en mayor medida en economías con tipo de cambio flexible que en
economías con tipo de cambio fijo, pero se concluyó que debería investigarse la propensión
marginal a importar en ambos escenarios para determinar si esta es la causa de la diferencia del
valor del multiplicador entre ambos. Una aproximación para llegar a esto fue estimar el efecto
de una política fiscal expansiva sobre la balanza en cuenta corriente. Se evidenció que países
con tipo de cambio flexible presentan una deterioración mayor de balanza en cuenta corriente
que países con tipo de cambio fijo.

Finalmente, se estudió si existió algún tipo de acomodación monetaria tras un aumento del
gasto del gobierno; es decir, si hubo un efecto del gasto público sobre la tasa de interés de corto

121
plazo. El modelo Mundell-Fleming predice que una política fiscal expansiva tiende a elevar las
tasas de interés de corto plazo. Sin embargo, no se encontró evidencia de una acomodación
monetaria tras un shock fiscal, resultado que se evidencia también en el estudio realizado por
Ilzetzki, Mendonza y Végh (2011). Una de las razones por las cuales no se observa ningún efecto
sobre las tasas de interés puede deberse a que, tras la crisis financiera de 2008-2009, muchos
países optaron por mantener la tasa de interés cercana o igual a cero, y algunas economías han
mantenido sus tasas de interés rondando ese valor hasta la fecha. Debido a esto, la política fiscal
expansiva no ha tenido ningún efecto sobre las tasas de interés, ya que han sido establecidas de
manera independiente por las autoridades monetarias.

Finalmente, se quiso comprobar si es que los agentes se comportaron de manera Ricardiana

ante un aumento del gasto público en el panel y período presentados en la investigación. A
diferencia de lo propuesto por la teoría económica y lo encontrado en los estudios de Ilzetzki,
Mendonza y Végh (2011) y Contreras y Battelle (2014), los resultados del multiplicador de
impacto no evidenciaron que el efecto del gasto del gobierno haya sido mayor en períodos de
bajo endeudamiento que en períodos donde el nivel de deuda pública era alto. Sin embargo, se
comprobó que el multiplicador acumulado es mayor en economías con bajo nivel de deuda que
en países con alto nivel de endeudamiento.

Finalmente, para corroborar la robustez de los resultados de datos de panel y para verificar que
las estimaciones también se evidenciaran a nivel desagregado, se estimó el multiplicador fiscal
de impacto en 12 economías individuales. Cada economía se seleccionó de manera que
representara un escenario en donde el multiplicador tomara un valor alto o bajo. Así, mediante
la comparación de las estimaciones individuales de cada país, se evidenció que, en economías
de alto ingreso, el valor del multiplicador es mayor cuando el país opera bajo un tipo de cambio
fijo. A su vez, una economía con una apertura comercial alta presenta un multiplicador menor
que una economía con apertura comercial baja. Finalmente, no se evidenció diferencias en el
multiplicador entre una economía con alto y bajo nivel de endeudamiento.

Por otro lado, los resultados para economías de bajo ingreso concordaron con lo estimado para
el caso de economías de alto ingreso bajo el escenario de apertura comercial, donde un país con
alta apertura comercial presentó un multiplicador fiscal menor que una economía cerrada.
También se demostró que el multiplicador de impacto no muestra ser distinto bajo escenarios
de alto y bajo nivel de endeudamiento. Sin embargo, contradiciendo la teoría y las demás
estimaciones empíricas, tanto de otros autores como de la presente investigación, se encontró
que el multiplicador de impacto es mayor en una economía que opera bajo tipo de cambio
flexible que en una economía con tipo de cambio fijo.

En general, los resultados obtenidos en la presente investigación señalan que la política fiscal
expansiva sí tiene efectos sobre la actividad económica, los cuales tendrán una magnitud mayor
o menor, dependiendo de las características de los países en variables como tipo de cambio,
apertura comercial y nivel de endeudamiento. Del mismo modo, las estimaciones encontradas
apoyan la idea de que la política fiscal sirve como herramienta de estabilización económica, al
tener efectos dinamizadores sobre la economía. Sin embargo, debe tomarse en cuenta que las
estimaciones de panel son promedios generalizados a economías que comparten cierta
característica en común, y que representan una guía para evidenciar si ciertos factores
económicos condicionan la efectividad de la política fiscal. Para que las estimaciones tengan una
relevancia a nivel de política macroeconómica, es necesario que se realicen a nivel de países
individuales.

122
 Recomendaciones

Tras finalizar el proceso de investigación, se puede sugerir varias propuestas para mejorar las
estimaciones presentadas y para continuar desarrollando temas importantes relacionados con
los multiplicadores fiscales. Por un lado, el presente trabajo estimó el efecto de la política fiscal
expansiva mediante la utilización del instrumento fiscal del gasto del gobierno. Sin embargo, el
gasto público no es el único instrumento utilizado por los hacedores de política para incentivar
la demanda agregada. Variaciones en el nivel de inversión del gobierno, así como recortes de
distintos impuestos también son utilizados como instrumentos de política fiscal (Coenen et al,
2010). Aschauer (1989) argumenta que la inversión en infraestructura por parte del gobierno
incrementaría el stock de capital tangible, aumentando a su vez la producción marginal de
bienes de consumo, por lo que habrá un efecto crowding-in de la demanda. En este sentido,
futuras investigaciones podrían explorar la diferencia de los multiplicadores bajo la estrategia
de identificación expuesta en la presente investigación, tanto a nivel de panel como a nivel de
economías individuales, para distintos tipos de instrumentos fiscales.

Por otro lado, ciertas estimaciones podrían ser mejoradas para obtener valores del multiplicador
más precisos. En el caso de la estimación del modelo VAR para panel, se evidenció que las
funciones impulso-respuesta mostraban intervalos de confianza demasiado grandes ante
horizontes temporales altos. En este caso, se podría mejorar las estimaciones al aplicar un
modelo SVAR para panel, el cual es utilizado por Ilzetzki, Mendonza y Végh (2011) y Contreras y
Battelle (2014). La presente investigación no utilizó esta estrategia de investigación por su
complejidad, pero futuras investigaciones podrían aplicarlo al panel y datos aquí presentados.
De esta manera, se podría comparar de manera más directa los resultados de los estudios antes
mencionados, y evidenciar si es que los resultados de los multiplicadores son sensibles al
período y panel utilizado en la investigación, como lo indica Contreras y Battelle (2014).

Del mismo modo, por el lado de las metodologías de series temporales, si bien esta investigación
aplica un modelo de variables instrumentales y ecuaciones simultáneas para la estimación del
multiplicador, éstos no son los modelos más utilizados dentro de la literatura empírica bajo
datos de series de tiempo. La metodología más común es el modelo SVAR, cuya aproximación
puede realizarse mediante la forma recursiva, popularizada por Fatás y Mihov (2011), o
mediante el modelo de Blanchard y Perotti (2002). Como se mencionó anteriormente, la
importancia del cálculo preciso de los multiplicadores radica en su utilización por parte de
hacedores de política macroeconómica, de manera que se tengan estimaciones confiables de
los efectos de políticas públicas que involucren aumentos del gasto público sobre la actividad
económica. Bajo este contexto, las estimaciones del multiplicador en países individuales deben
ser lo más precisas e insesgadas posibles, por lo que futuras investigaciones podrían
concentrarse particularmente en la comparación de economías individuales utilizando una
estrategia de identificación como el modelo SVAR.

En lo que respecta a los datos utilizados, investigaciones posteriores podrían explotar las series
encontradas a nivel de un país individual. En este sentido, estudios que se concentren en la
estimación del multiplicador fiscal para un país individual pueden encontrar series más largas
que las presentadas en esta disertación, al ingresar directamente a fuentes oficiales e
instituciones de cada país. Como se mencionó en el Capítulo 2, la utilización de series temporales
largas permite comparar el resultado del multiplicador fiscal bajo distintos escenarios de niveles
de apertura comercial, regímenes de tipo de cambio y nivel de endeudamiento, al usar a un

123
mismo país como su propio contrafactual. De esta manera, no se tiene que buscar un país con
el cual comparar los resultados obtenidos, sino que se evalúa a la misma economía, pero en
distintos períodos temporales que reflejen diferentes escenarios que condicionarían la
efectividad de la política fiscal.

Finalmente, las estimaciones de la presente investigación son promedios del valor del
multiplicador fiscal en distintos paneles o economías individuales para el período 2000-2018.
Esto significa que se asume que los multiplicadores tienen un carácter lineal a través del tiempo.
Sin embargo, como se expuso en la sección de fundamentos teóricos, los multiplicadores
podrían tener un carácter no lineal, al diferir en valor dependiendo de la fase del ciclo económico
(Batini et al, 2014; Rafiq, 2012). En este sentido, otros estudios pueden explorar en mayor
medida la función de estabilización de la política fiscal mediante la estimación de los
multiplicadores dependiendo de la fase del ciclo en la que se encuentre la economía. Baum,
Poplawski-Ribeiro y Weber (2012) estiman un modelo VAR con umbral (TVAR), en donde la
variable umbral se construye al analizar el comportamiento del PIB; es decir, el umbral es igual
a 1 cuando la economía tiene un crecimiento positivo y 0 cuando existe evidencia de un
decrecimiento del PIB respecto al período anterior. Bajo este contexto, se puede comprobar si
los multiplicadores son mayores en etapas de expansión que en etapas de recesión bajo una
estructura de datos de panel como la presentada en esta investigación, así como también bajo
un análisis de series temporales.

124
 Referencias bibliográficas

Abdullah, Hussin; Habibullah, Muzafar Shah y Baharumshah, Ahmad Zubaidi (2009) The effect
of fiscal variables on economic growth in Asian economies: A dynamic panel data
analysis. International Journal of Business and Management, 4 (1), 56-69.

Abel, Andrew B.; Bernanke, Ben S. y Croushore, Dean (2011) Macroeconomics. (7a ed.) Estados
Unidos: Adison-Wesley.

Abonazel, Mohamed Reda (2016) Bias Correction Methods for Dynamic Panel Data Models with
Fixed Effects. International Journal of Applied Mathematical Research, 6 (2), 58-66.

Abrigo, Michael R.M. y Love, Inessa (2016) Estimation of Panel Vector Autoregression in Stata:
a Package of Programs. Stata Journal, 16 (3), 778-804.

Afonso, Antonio y Furceri, Davide (2010) Government size, composition, volatility and economic
growth. European Journal of Political Economy, 26 (4), 517-532.

Andersen, Leonall C. y Carlson Keith M. (1970) A Monetarist Model for Economic Stabilization.
Federal Reserve Bank of St. Louis, 7-25.

Anderson, Theodore Wilbur y Hsiao, Cheng (1981) Estimation of dynamic models with error
components. Journal of the American statistical Association, 76 (375), 598-606.

Ardagna, Silvia (2001) Fiscal Policy composition, public debt, and economic activity. Public
Choice, 109 (3), 301-325.

Arellano, Manuel (1989) A note on the Anderson-Hsiao estimator for panel data. Economics
Letters, 31 (4), 337-341.

Arellano, Manuel y Bond, Stephen (1991) Some test of specification for panel data: Monte Carlo
evidence and an application to employment equations. The Review of Economic
Studies, 58 (2), 277-27.

Aschauer, David A. (1989) Is public expenditure productive? Journal of monetary economics, 23

(2), 177-200.

Baltagi, Badi H. (2005) Econometric Analysis of Panel Data. (3a ed.). England: John Wiley & Sons,
Ldt.

Barro, Robert (1974) Are government bonds net wealth? Journal of Political Economy, 82 (6),
1095-1117.

Barro, Robert J. (1989) New classicals and keynesians, or the good and the bad guys. National
Bureau of Economic Research, Working Paper No. 2982.

Barro, Robert y Redlick, Charles (2009) Macroeconomic Effects from Government Purchases and
Taxes. The Quarterly Journal of Economics, 126 (1), 51-102.

125
Batini, Nicoletta; Eyraud, Luc; Forni, Lorenzo y Weber, Anke (2014) Fiscal Multipliers: Size,
Determinants and Use in Macroeconomic Projections. International Monetary Fund,
(14).

Baum, Anja; Poplawski-Ribeiro, Marcos y Weber, Anke (2012) Fiscal Multipliers and the State of
the Economy. International Monetary Fund, Working Paper No. 12/286.

Baxter, Marianne y King, Robert (1993) Fiscal Policy in General Equilibrium. American Economic
Review, 83 (3), 315-340.

Becketti, Sean (2013) Introduction to time series using Stata. Estados Unidos: Stata Press

Behr, Andreas (2003) A comparison of dynamic panel data estimators: Monte Carlo evidence
and an application to the investment function. Deutsche Bundesbank Research Centre,
Discussion Paper 05/03.

Blanchard, Oliver y Leigh, Daniel (2013) Growth forecast errors and fiscal multipliers. American
Economic Review, 103 (3).

Blanchard, Oliver y Perotti, Roberto (2002) An empirical characterization of the dynamic effects
of changes in government spending and taxes on output. The Quarterly Journal of
Economics, 117 (4), 1329-1368.

Blanchard, Oliver; Dell´Ariccia, Giovanni y Mauro, Paolo (2010) Rethinking Macroeconomic

Policy. International Monetary Fund. Staff Position Note.

Blanchard, Olivier; Amiguini, Alessia; Giavazzi, Francesco (2012) Macroeconomía. (5a ed.).
España: Pearson.

Blinder, Alan S. y Solow, Robert M. (1972) Does Fiscal Policy Matter?. Economic Research
Program, Princeton University, (144).

Blitz, Roger (2016, septiembre, 26) How much weaker can the Swedish Krona go? Financial
Times, Estados Unidos.

Blundell, Richard y Bond, Stephen (1998) Initial conditions and moment restrictions in dynamic
panel data models. Journal of Econometrics, 87 (1), 115-143.

Borys, Pawel; Ciżkowicz, Piotr y Rzońca, Andrzej (2014) Panel Data Evidence of the Effects of
Fiscal Policy Shocks in the EU New Member States. Fiscal Studies, 35 (2), 189-224.

Caldara, Dario y Kamps, Christophe (2008) What are the Effects of Fiscal Policy Shocks? A VAR-
Based Comparative Analysis. European Central Bank. Working Paper No. 877.

Carlson, Keith M. y Spencer, Roger W. (1975) Crowding-out and its critics. Federal Reserve Bank
of St. Louis, 2-17.

Cerón, Juan Antonio (2012) Los multiplicadores fiscales: una revisión de la literatura empírica.
Revista de Economía Mundial, (34), Madrid.

Chian, Koh (2016) Fiscal Multipliers: new evidence from a large panel of countries. Oxford
Economic Papers, 69 (3), 569-590.

126
Chinn, Menzie (2013) Fiscal Multipliers. The New Palgrave Dictionary of Economics, 7.

Chodorow-Reich, Gabriel; Feiveson, Laura; Liscow, Zachary y Woolston, Willian (2012) Does
State Fiscal Relief during Recessions Increase Employment? Evidence from the American
Recovery and Reinvestment Act. American Economic Journal: Economic Policy, 4 (3),
118-45.

Coenen, Günter; Erceg J., Christopher; Freedman, Charles; Furceri, Davide; Kumhof, Michael;
Lalonde, René; Laxton, Douglas; Lindé, Jesper; Mourougane, Annabelle; Muir, Dirk;
Mursula, Susana; De Resende, Carlos; Roberts, John; Roeger, Werner; Snudden,
Stephen; Trabandt, Mathias y In´t Veld, Jan (2012) Effects of Fiscal Stimulus in Structural
Models. American Economic Journal: Macroeconomics, 4 (1), Estados Unidos.

Coenen, Günter; Erceg, Christopher J.; Freedman, Charles; Furceri, Davide; Kumhof, Michael;
Lalonde, René; Laxton, Douglas; Lindé, Jesper; Mourougane, Annabelle; Muir, Dirk;
Mursula, Susanna; de Resende, Carlos; Roberts, John; Roeger, Werner; Snudden,
Stephen; Trabandt, Mathias y in´t Veld, Jan (2012) Effects of Fiscal Stimulus in Structural
Models. American Economic Journal: Macroeconomics, 4 (1), 22-68.

Contreras, Juan y Battelle, Holly (2014) Fiscal Multipliers in a Panel of Countries. Banco de
México, Working Paper No.2014-15.

Corsetti, Giancarlo; Kuester, Keith; Meier, André; Müller, Gernot (2013) Sovereign Risk, Fiscal
Policy and Macroeconomic Stability. The Economic Journal. 123 (566).

Doepke, Matthias; Lehnert, Andreas y Sellgren, Andrew (1999) Macroeconomics. Estados

Unidos: University of Chicago.

Dornbusch, Rudiger; Fischer, Stanley y Startz, Richard (2009) Macroeconomía. (10ma ed.)
México D.F: McGraw-Hill.

Euroean Central Bank (2011) The Monetary Policy of the European Central Bank.

Fatás, Antonio y Mihov, Ilian (2001) The Effects of Fiscal Policy on Consumption and
Employment: Theory and Evidence. Center of Economic Policy Research, Discussion
Paper No. 2760.

FMI (2015, abril) Can fiscal policy stabilize output?. Fiscal Monitor.
http://www.justiciafiscal.org/wp-content/uploads/2015/05/fmc2.pdf [Consulta:
13/04/2018]

FMI (2017, abril) A greater role for fiscal policy. Fiscal Monitor.
https://www.imf.org/external/pubs/ft/ar/2017/eng/assets/fmc1.pdf [Consulta:
13/04/2018]

Frenkel , Jacob A. y Razin, Assaf (1987) The Mundell-Flemming Model: A Quarter Century Later.
National Bureau of Economic Research, Working Paper No. 2321.

Gechert, Sebastian (2014) On the Measurement, Theory and Estimation of Fiscal Multipliers. A
Contribution to Improve the Forecasting Precision Regarding the Impact of Fiscal
Impulses. (Tesis de doctorado), Technische Universität Chemnitz, Alemania.

127
Gerrard, Bill (1996) Competing Schools of thought in macroeconomics- an ever- emerging
consensus?. Journal of Economic Studies, 23 (1), 53-69

Harris, Seymour E. (1953) A Guide to Keynes. Estados Unidos: McGraw-Hill.

Hart, Neil (2005) The Role and Effectiveness of Fiscal Policy. The Economic and Labor Relations
Review, 18-41

Heikensten, Lars (2001) The Swedish Krona and monetary policy. Seminar of Credit Agricole
Indosuez.

Horton, Mark y El-Ganainy, Asmaa (2009, junio) ¿Qué es la política fiscal?. Finanzas y Desarrollo.
https://www.imf.org/external/pubs/ft/fandd/spa/2009/06/pdf/basics.pdf [Consulta:
10/04/2018]

Hsiao, Cheng (2003) Analysis of Panel Data (2a ed.). Cambridge: University Press.

Ilzetzki, Ethan; Mendoza, Enrique G. y Végh, Carlos A. (2011) How Big (Small?) are Fiscal
Multipliers? International Monetary Fund, Working Paper No.11-52.

Jiménez, Andrés Eduardo (2012) Superioridad relativa de los estimadores Kiviet y Blundell-Bond
(GMM1) en paneles dinámicos. Un experimento Monte Carlo con muestras finitas.
Estudios Gerenciales, 28 (125), 81-86.

Kenny, Thomas (2018, junio, 17) What is the european debt crisis? The Balance, Estados Unidos.

Keynes, John Maynard (2018) The General Theory of Employment, Interest and Money. Estados
Unidos: Palgrave Macmillan.

Kiviet, Jan F. (1995) On bias, inconsistency and efficiency of various estimators in dynamic panel
data models. Journal of Econometrics, 68 (1), 53-78.

Kopcke, Richard; Tootell, Geofrey y Triest, Robert (2006) The Macroeconomics of Fiscal Policy.
Estados Unidos: MIT Press.

Kraay, Aart (2012) How large is the government spending multiplier? Evidence from World Bank
lending. The Quarterly Journal of Economics, 127 (2), 829-887.

Krugman, Paul; Wells, Robin y Graddy, Katheryn (2013) Fundamentos de Economía. (2a ed.).
Barcelona: Editorial Reverté.

Lennman, Oscar (2016) The Fiscal Spending Multiplier in a Panel of OECD Countries. (Tesis de
Maestría), Universidad de Umea, Suecia.

Mankiw, Gregory (2012) Principios de economía. (6a ed.). México D.F: Cengage Learning.

Mineshima, Aiko; Poplawski-Ribeiro, Marcos y Weber, Anke (2014) Size of Fiscal Multipliers.
Post-crisis Fiscal Policy, 315 (1).

Muro, Juan (2003) Modelos dinámicos de datos de panel.

http://www3.uah.es/juanmuro/Clasedoc038.pdf [Consulta: 15/06/2018]

128
Murtazashvili, Irina y Wooldridge, Jeffrey M. (2007) Fixed effects instrumental variables
estimation in correlated random coefficient panel data models. Journal of
Econometrics, 142 (1), 539-552.

Musgrave, Richard (1959) The theory of Public Finance: A study in Public Economy. New York:
McGraw-Hill.

Musgrave, Richard (1985) A brief history of fiscal doctrine. Handbook of public economics, 1, 1-
59.

Musgrave, Richard (1985) Handbook of Public Economics. North-Holland: Elsevier Science

Publishers B.V.

Nickell, Stephen (1981) Biases in dynamic models with fixed effects. Econometrica: Journal of
the Econometric Society, 1417-1426.

Oficina Económica y Comercial de España en Kuala Lumpur- OECE (2016) Informe Económico y
Comercial de Malasia.

Onur Tas, Bedri Kamil y Togay, Selahattin (2014) Efectos de la dolarización oficial en una pequeña
economía abierta: el caso de Ecuador. Investigación Económica, 73 (290), 51-86.

Palley, Thomas (2013) Keynesian, Classical and New Keynesian Approaches to Fiscal Policy:
Comparisson and Critique. Review of Political Economy, 25 (2), 179-204.

Pietrobuono, Andrea y Todesca, Nicolás (2013) Estabilizadores automáticos vs. Políticas

discrecionales: el caso de la política fiscal en Argentina. Revista Ensayos sobre Economía
Política y Desarrollo, 1 (1).

Rafiq, Sohrab y Zeufack, Albert (2012) Fiscal Multipliers over the growth cycle: Evidence from
Malaysia. The World Bank.

Ramey, Valerie y Shapiro, Matthew (1998) Costly Capital Reallocation and the effects of
government spending. Carnegie-Rochester Conference Series on Public Policy, 48, 145-
194.

Shen, Wenyi; Yang, Shu-Chun y Zanna Luis-Felipe (2015) Government spending effects in low
income countries. International Monetary Fund, Working Paper 15/286.

Shoag, Daniel (2013) Using State Pension Shocks to Estimate Fiscal Multipliers since the Great
Recession. American Economic Review, 103 (3), 121-24.

Snowdon, Brian y Vane, Howard (2005) Modern Macroeconomics. Estados Unidos: Edward Elgar
Publising.

Spencer, Roger W. y Yohe, William P. (1970) The “Crowding-out” of Private Expenditures by

Fiscal Policy Actions. Federal Reserve Bank of St. Louis, 12-24.

Spilimbergo, Antonio; Symansky, Steve; Schindler, Martin (2009) Fiscal Multipliers. International
Monetary Fund. Staff Position Note.

Stock, James y Watson, Mark (2007) Introducción a la Econometría. (3a ed.). España: Pearson

129
Woodford, Michael (2011) Simple Analytics of the Government expenditure multiplier.
American Economic Journal: Macroeconomics, 3 (1), 1-35.

Wooldridge, Jeffrey M. (2010) Introducción a la econometría. Un enfoque Moderno. (4a ed.).

México: Cengage Learning.

Young, Warren y Zilberfarb, Ben Zion (2000) IS-LM and Modern Macroeconomics. Israel:
Springer-Science + Business Media, LLC.

130
 Anexos

Anexo 1
Correlación entre deuda del gobierno central y gasto del gobierno, países de alto ingreso

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Correlación entre deuda del gobierno central y gasto del gobierno, países de bajo ingreso

Fuente: CEIC Data y FMI

131
 Elaboración: Carolina Alvarez G.

Anexo 2
Selección de rezagos óptimos según criterios de información

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G

Estabilidad del modelo PVAR

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

VAR de panel – países alto ingreso

(1) (2)
Variables Log(PIB) Log(Gasto)

Log(PIB)t-1 0.681*** -0.344*

132
 (0.131) (0.177)
Log(PIB)t-2 -0.378*** -0.329**
(0.0963) (0.142)
Log(Gasto)t 0.440*** 1.315***
(0.131) (0.177)
Log(Gasto)t-1 0.156** 0.232**
(0.0840) (0.134)

Observaciones 1,270 1,270

Errores estándar en paréntesis
*** p<0.01, ** p<0.05, * p<0.1

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Anexo 3
Selección de rezagos óptimos según criterios de información

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

VAR de panel – Países de bajo ingreso

(1) (2)
Variables Log(PIB) Log(Gasto)

Log(PIB)t-1 1.553*** 1.756***

(0.194) (0.241)
Log(PIB)t-2 0.0692 0.336**
(0.132) (0.156)
Log(PIB)t-3 0.482*** 0.567***
(0.130) (0.163)
Log(PIB)t-4 0.497*** 0.148

133
 (0.133) (0.160)
Log(Gasto)t 0.558*** -0.648***
(0.128) (0.158)
Log(Gasto)t-1 -0.0836 -0.243*
(0.105) (0.128)
Log(Gasto)t-2 -0.401*** -0.652***
(0.103) (0.127)
Log(Gasto)t-3 -0.283*** 0.260**
(0.104) (0.127)

Observaciones 969 969

Errores estándar en paréntesis
*** p<0.01, ** p<0.05, * p<0.1

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Estabilidad del modelo PVAR

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Anexo 4
Regresión simple del gasto público sobre el consumo privado
Países de alto y bajo ingreso

(1) (2)
Variables Economías alto Economías bajo
ingreso ingreso

Log(Consumo Privado)t-1 0.0387** 0.0609*

(0.0167) (0.0335)

134
 Log(Gasto) 0.491*** 0.022***
(0.0152) (0.0016)

Observaciones 1,308 1,014

Número de países 19 15
Errores estándar en paréntesis
*** p<0.01, ** p<0.05, * p<0.1

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Anexo 5
Estadísticas descriptivas – Economías abiertas

Variable Observaciones Promedio Desviación Mínimo Máximo

estándar
(Gasto/PIB) 1,032 16.76747 4.260294 4.586233 26.78125
(Consumo/PIB) 1,032 57.09655 8.294303 33.04366 77.23306
PIB real (Millones
USD) 1,032 103168.4 182238.6 1098.615 1005151
Gasto del gobierno
(Millones USD) 1,032 18398.4 34347.79 139.1366 192094.5
Consumo Privado
(Millones USD) 1,032 56602.45 100922.8 725.645 551884.4
Importaciones 1,033 52460.33 73204.63 484.8 348997.2
Exportaciones 1,032 56487.55 82122.95 475.1958 390606.5
Apertura comercial 1,032 130.1124 129.077 60.05152 941.306
Deuda (% PIB) 1,035 49.07397 27.05974 4.013596 130.6
Balanza cuenta
corriente (%PIB) 1,029 1.101126 7.351626 -30.18165 31.1602

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez

Estadísticas descriptivas – Economías cerradas

Variable Observaciones Promedio Desviación Mínimo Máximo

estándar
(Gasto/PIB) 1,413 17.7504 4.440273 8.247861 28.22011
(Consumo/PIB) 1,413 60.63051 7.942465 37.39999 82.19777
PIB real (Millones
USD) 1,413 361011.7 801427.8 1958.842 4938526

135
 Gasto del gobierno
(Millones USD) 1,413 60813.49 122803.3 260.7498 693056.5
Consumo Privado
(Millones USD) 1,413 231814.4 545872.6 1331.278 3413580
Importaciones 1,413 61884.05 104673.9 389.7474 609802
Exportaciones 1,413 50751.93 71610.16 268.2564 408444
Apertura comercial 1,413 43.39577 11.69553 14.74663 59.97894
Deuda (% PIB) 1,413 57.11466 32.31638 4.952149 180.8

Balanza cuenta
corriente (%PIB) 1,403 -.9544853 5.792017 -21.04919 23.6463

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez

Anexo 6
Tabla 13: Modelos en nivel- Economías abiertas

(1) (2) (3) (4) (5) (6)

Variables LSDV AB1 AB2 BB Kiviet VI-FE

Log(PIB)t-1 0.517*** 0.431*** 0.433*** 0.837*** 0.569*** 0.462***

(0.0182) (0.0284) (0.0902) (0.0118) (0.0202) (0.0902)

Log(Gasto) 0.336*** 0.402*** 0.392*** 0.112*** 0.305*** 0.375***

(0.0162) (0.0185) (0.122) (0.0141) (0.0128) (0.0232)

Observaciones 1,008 995 995 1,008 1,008 1,008

R-cuadrado 1.00 - - - - 0.839

Número de
países 22 22 22 22 22 22
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(6) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto). Instrumento: %Deuda
con respecto al PIB.

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez

Modelos en nivel- Economías cerradas

(1) (2) (3) (4) (5) (6)

136
Variables LSDV AB1 AB2 BB Kiviet VI-FE

Log(PIB)t-1 0.669*** 0.456*** 0.436*** 0.894*** 0.600*** 0.440***

(0.0180) (0.0212) (0.0681) (0.0795) (0.0511) (0.0409)

Log(Gasto) 0.317*** 0.513*** 0.540*** 0.101*** 0.354*** 0.531***

(0.0162) (0.0168) (0.0820) (0.00932) (0.0465) (0.0220)

Observaciones 1,044 1,361 1,361 1,382 1,382 1,281

R-cuadrado 1.00 - - - - 0.855
Número de
países 25 25 25 25 25 25
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(6) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto). Instrumento: %Deuda
con respecto al PIB.
Fuente: CEIC Data y FMI
Elaboración: Carolina Alvarez

Anexo 7

Modelo PVAR para economías abiertas

Selección de rezagos óptimos según criterios de información

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

137
 Estabilidad del modelo PVAR

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

VAR de panel – Economías abiertas

(1) (2)
Variables Log(PIB) Log(Gasto)

Log(PIB)t-1 1.775*** 1.747***

(0.339) (0.483)
Log(PIB)t-2 0.432 0.682*
(0.286) (0.391)
Log(PIB)t-3 0.751** 0.756*
(0.314) (0.446)
Log(PIB)t-4 1.038*** 0.562
(0.326) (0.446)
Log(Gasto)t-1 -0.864*** -0.864**
(0.301) (0.426)
Log(Gasto)t-2 -0.453* -0.533
(0.249) (0.343)
Log(Gasto)t-3 -0.717*** -0.867***
(0.212) (0.300)
Log(Gasto)t-4 -0.569*** 0.0424
(0.215) (0.297)

Observaciones 937 937

Errores estándar en paréntesis

138
 *** p<0.01, ** p<0.05, * p<0.1

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Modelo PVAR para economías cerradas

Selección de rezagos óptimos según criterios de información

Fuente: CEIC Data

Elaboración: Carolina Alvarez G.

VAR de panel – Economías cerradas

(1) (2)
Variables Log(PIB) Log(Gasto)

Log(PIB)t-1 1.462*** 1.439***

(0.151) (0.306)
Log(PIB)t-1 -0.0595 0.0654
(0.0891) (0.163)
Log(PIB)t-1 0.109 0.194
(0.0838) (0.175)
Log(PIB)t-1 0.364*** 0.0722
(0.0764) (0.159)
Log(Gasto)t-1 -0.338*** -0.196
(0.0884) (0.181)
Log(Gasto)t-1 0.0774 -0.0293
(0.0677) (0.140)
Log(Gasto)t-1 -0.292*** -0.547***
(0.0711) (0.159)
Log(Gasto)t-1 -0.205*** 0.263**
(0.0613) (0.133)

139
 Observaciones 1,283 1,283
Errores estándar en paréntesis
*** p<0.01, ** p<0.05, * p<0.1
Fuente: CEIC Data y FMI
Elaboración: Carolina Alvarez G.
Estabilidad del modelo PVAR

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Anexo 8

Regresión simple del gasto público sobre balanza en cuenta corriente

(1) (2)
Variables Alta apertura Baja apertura
comercial comercial

Log(Balanza en cuenta 0.0676 -0.124

corriente)t-1 (0.0941) (0.312)

Log(Gasto) -0.165* 0.302*

(0.0785) (0.1438)

Observaciones 985 1360

Número de países 22 25
Errores estándar en paréntesis
*** p<0.01, ** p<0.05, * p<0.1

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

140
Anexo 9
Tabla 18: Estadísticas descriptivas – Países con tipo de cambio fijo

Variable Observaciones Promedio Desviación Mínimo Máximo

estándar
(Gasto/PIB) 1,005 18.62858 3.845455 4.586233 28.22011
(Consumo/PIB) 1,005 58.50409 8.163776 33.04366 82.19777
PIB real (Millones
USD) 1,005 149379.2 224497.9 1098.615 1005151
Gasto del gobierno
(Millones USD) 1,005 28922.68 42595.68 139.1366 192094.5
Consumo Privado
(Millones USD) 1,005 84764.91 127564.4 725.645 551884.4
Importaciones 1,006 43414.36 63908.59 389.7474 326229.8
Exportaciones 1,005 46050.2 76502.67 268.2564 390606.5
Apertura comercial 1,005 66.40187 24.41714 23.29545 136.2858
Deuda (% PIB) 1,008 67.28841 36.58334 13 180.8
Balanza cuenta
corriente (%PIB) 992 -.8691546 6.262391 -30.18165 19.03011

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez

Tabla 19: Estadísticas descriptivas – Países con tipo de cambio flexible

Variable Observaciones Promedio Desviación Mínimo Máximo

estándar

(Gasto/PIB) 1,440 16.43307 4.522217 8.144988 27.4602

(Consumo/PIB) 1,440 59.5819 8.32989 37.39999 76.47004

PIB real (Millones
USD) 1,440 323925.9 796171.3 5217.187 4938526
Gasto del gobierno
(Millones USD) 1,440 52673.14 122027.3 1078.038 693056.5
Consumo Privado
(Millones USD) 1,440 208874.1 542879.1 3140.108 3413580
Importaciones 1,440 68026.97 107374.5 1630.79 609802

141
 Exportaciones 1,440 58143.87 75722.09 1034.844 408444

Apertura comercial 1,440 89.48634 120.6346 14.74663 941.306

Deuda (% PIB) 1,440 44.21379 20.53753 4.013596 107.2612

Balanza cuenta
corriente (%PIB) 1,440 .4556367 6.731531 -23.12087 31.1602

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez

Anexo 10
Modelos en nivel- Países con tipo de cambio fijo

(1) (2) (3) (4) (5) (6)

Variables LSDV AB1 AB2 BB Kiviet VI-FE

Log(Y)t-1 0.625*** 0.610*** 0.599*** 0.968*** 0.635*** 0.602***

(0.0179) (0.0181) (0.0819) (0.00770) (0.0156) (0.0819)
Log(Gasto) 0.405*** 0.412*** 0.415*** 0.0384*** 0.396*** 0.399***
(0.0154) (0.0157) (0.1005) (0.0090) (0.0278) (0.1022)

Observaciones 986 972 972 986 986 986

R-cuadrado 1.00 - - - - -
Número de
países 14 14 14 14 14 14
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(6) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto). Instrumento: %Deuda
con respecto al PIB.

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez

Modelos en nivel- Países con tipo de cambio flexible

(1) (2) (3) (4) (5) (6)

Variables LSDV AB1 AB2 BB Kiviet VI-FE

Log(PIB)t-1 0.526*** 0.557*** 0.564*** 0.725*** 0.548*** 0.558**

142
 (0.0154) (0.0183) (0.110) (0.0101) (0.0241) (0.1993)
Log(Gasto) 0.250*** 0.254*** 0.245*** 0.149*** 0.241*** 0.235**
(0.0146) (0.0167) (0.104) (0.0120) (0.0512) (0.104)

Observaciones 1,404 1,384 1,384 1,404 1,404 1,404

R-cuadrado 1.00 - - - - -
Número de
países 20 20 20 20 20 20
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(6) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto). Instrumento: %Deuda
con respecto al PIB.
Fuente: CEIC Data
Elaboración: Carolina Alvarez

Anexo 11
Tipo de cambio fijo

Selección de rezagos óptimos según criterios de información

Fuente: CEIC Data

Elaboración: Carolina Alvarez G.

VAR de panel – Tipo de cambio fijo

(1) (2)
Variables Log(PIB) Log(Gasto)

Log(PIB)t-1 0.777*** 0.551***

(0.108) (0.180)
Log(PIB)t-2 -0.855*** -1.312***
(0.158) (0.242)
Log(Gasto)t-1 0.177* 0.491***

143
 (0.0945) (0.167)
Log(Gasto)t-2 0.692*** 1.066***
(0.115) (0.172)

Observaciones 944 944

Errores estándar en paréntesis
*** p<0.01, ** p<0.05, * p<0.1
Fuente: CEIC Data y FMI
Elaboración: Carolina Alvarez G.

Estabilidad del modelo PVAR

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Tipo de cambio flexible

Selección de rezagos óptimos según criterios de información

Fuente: CEIC Data y FMI

144
 Elaboración: Carolina Alvarez G.

VAR de panel – Tipo de cambio flexible

(1) (2)
Variables Log(PIB) Log(Gasto)

Log(PIB)t-1 2.158*** 2.339***

(0.220) (0.506)
Log(PIB)t-2 0.432*** 0.611**
(0.102) (0.247)
Log(PIB)t-3 0.395*** 0.508**
(0.107) (0.252)
Log(PIB)t-4 0.861*** 0.490
(0.129) (0.304)
Log(Gasto)t-1 -0.784*** -0.825***
(0.131) (0.309)
Log(Gasto)t-2 -0.425*** -0.605**
(0.101) (0.243)
Log(Gasto)t-3 -0.628*** -0.876***
(0.106) (0.253)
Log(Gasto)t-4 -0.563*** -0.0113
(0.0953) (0.236)

Observaciones 1,304 1,304

Errores estándar en paréntesis
*** p<0.01, ** p<0.05, * p<0.1
Fuente: CEIC Data y FMI
Elaboración: Carolina Alvarez G.

Estabilidad del modelo PVAR

145
 Fuente: CEIC Data y FMI
Elaboración: Carolina Alvarez G.

Anexo 12
Regresión del gasto sobre tasa de interés de corto plazo

Tipo de cambio Tipo de cambio

fijo flexible
(1) (2)
Variables AB2 AB2

Log(Tasa de interés)t-1 0.962*** 1.037***

(0.0218) (0.0312)
Log(Gasto) -0.0713*** 0.000558
(0.0269) (0.0546)

Observaciones 972 1,290

Número de países 14 20
Errores estándar en paréntesis
*** p<0.01, ** p<0.05, * p<0.1

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Regresión gasto sobre balanza en cuenta corriente

Tipo de cambio Tipo de cambio

fijo flexible
(1) (2)
Variables AB2 AB2

146
 Log(Balanza CC) t-1 0.135 0.349
(0.0681) (0.613)
Log(Gasto) -0.207*** -0.667***
(0.0403) (0.0751)

Observaciones 972 1,290

Número de países 14 20
Errores estándar en paréntesis
*** p<0.01, ** p<0.05, * p<0.1

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Regresión gasto sobre tipo de cambio real efectivo

Tipo de cambio Tipo de cambio

fijo flexible
(1) (2)
VARIABLES AB2 AB2

Log(REER) t-1 0.735*** 0.692***

(0.0688) (0.136)
Log(Gasto) 0.0361** 0.0447
(0.0159) (0.0312)

Observaciones 972 1,384

Número de países 14 20
Errores estándar en paréntesis
*** p<0.01, ** p<0.05, * p<0.1

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Anexo 13

Estadísticas descriptivas – Episodios de endeudamiento alto

Variable Observaciones Promedio Desviación Mínimo Máximo

estándar
(Gasto/PIB) 809 19.09387 3.513568 4.586233 27.4602
(Consumo/PIB) 809 60.04006 7.663625 33.04366 80.76736

147
 PIB real (Millones
USD) 809 485588.7 998534.6 1958.842 4938526
Gasto del gobierno
(Millones USD) 809 82622.67 152934.1 175.154 693056.5
Consumo Privado
(Millones USD) 809 312117.6 680182.1 1331.278 3413580
Importaciones 809 91413.71 135886.1 389.7474 609802
Exportaciones 809 79601.25 107572.5 268.2564 408444
Apertura comercial 809 57.24656 27.28035 15.56934 134.5479
Deuda (% PIB) 809 88.80927 25.57605 60.1 180.8
Balanza cuenta
corriente (%PIB) 809 -.5237369 5.866701 -21.04919 31.1602

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez

Estadísticas descriptivas – Episodios de endeudamiento bajo

Variable Observaciones Promedio Desviación Mínimo Máximo

estándar

(Gasto/PIB) 1,636 16.46602 4.520763 8.144988 28.22011

(Consumo/PIB) 1,636 58.69324 8.531745 37.39999 82.19777

PIB real (Millones
USD) 1,636 136759.2 258551.1 1098.615 2775959
Gasto del gobierno
(Millones USD) 1,636 23273.15 41222 139.1366 422644.8
Consumo Privado
(Millones USD) 1,636 81579.69 169483.1 725.645 1876809

Importaciones 1,637 41343.92 54036.61 484.8 348997.2

Exportaciones 1,636 40104.04 49579.96 475.1958 370790.5

Apertura comercial 1,636 91.24801 112.3238 14.74663 941.306

Deuda (% PIB) 1,639 36.39285 12.44438 4.013596 59.40583

Balanza cuenta
corriente (%PIB) 1,623 .1340842 6.89261 -30.18165 22.03187

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez

148
Anexo 14
Modelos en nivel-Períodos de alto endeudamiento

(1) (2) (3) (4) (5) (6)

Variables LSDV AB1 AB2 BB Kiviet VI-FE

Log(PIB)t-1 0.314*** 0.364*** 0.356*** 0.864*** 0.532*** 0.0757***

(0.0217) (0.0731) (0.0731) (0.0246) (0.0265) (0.0164)
Log(Gasto) 0.335*** 0.309*** 0.307*** 0.0651*** 0.219*** 0.247***
(0.0205) (0.0855) (0.0855) (0.0098) (0.0345) (0.0147)

Observaciones 797 785 785 797 797 797

R-cuadrado 1.00 - - - - -
Número de 20 20 20 20 20 20
países
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(6) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto). Instrumento: %Deuda
con respecto al PIB.

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez

Modelos en nivel-Períodos de bajo endeudamiento

(1) (2) (3) (4) (5) (6)

Variables LSDV AB1 AB2 BB Kiviet VI-FE

Log(PIB)t-1 0.595*** 0.540*** 0.536*** 0.833*** 0.660*** 0.601***

(0.0144) (0.0173) (0.0721) (0.0095) (0.0236) (0.0144)
Log(Gasto) 0.365*** 0.415*** 0.414*** 0.152*** 0.311*** 0.357***
(0.0127) (0.0148) (0.0746) (0.0114) (0.0124) (0.0127)

Observaciones 1,593 1,571 1,571 1,593 1,593 1,593

R-cuadrado 1.00 - - - - -
Número de
países 29 29 29 29 29 29
Notas: Errores estándar en paréntesis. *** p<0.01, ** p<0.05, * p<0.1
(6) Modelo de VI estimado mediante MC2E. Variable instrumentada: log(Gasto). Instrumento: %Deuda
con respecto al PIB.
Fuente: CEIC Data y FMI
Elaboración: Carolina Alvarez

149
Anexo 15
Alto endeudamiento
Selección de rezagos óptimos según criterios de información

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

VAR de panel – Períodos de alto endeudamiento

(1) (2)
Variables Log(PIB) Log(Gasto)

Log(PIB)t-1 1.268*** 0.709***

(0.0994) (0.136)
Log(PIB)t-2 -0.339*** -0.262
(0.117) (0.183)
Log(PIB)t-3 0.311*** 0.227
(0.105) (0.165)
Log(PIB)t-4 0.289*** -0.201
(0.0870) (0.123)
Log(Gasto)t-1 -0.227** 0.262
(0.131) (0.182)
Log(Gasto)t-2 0.0857** 0.178
(0.0906) (0.120)
Log(Gasto)t-3 -0.357*** -0.444***
(0.0727) (0.107)
Log(Gasto)t-4 -0.153* 0.405***
(0.0812) (0.109)

Observaciones 736 736

Errores estándar en paréntesis
*** p<0.01, ** p<0.05, * p<0.1

150
 Fuente: CEIC Data y FMI
Elaboración: Carolina Alvarez G.

Estabilidad del modelo PVAR

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Bajo endeudamiento

Selección de rezagos óptimos según criterios de información

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

VAR de panel – Períodos de bajo endeudamiento

(1) (2)
Variables Log(PIB) Log(Gasto)

151
 Log(PIB)t-1 1.366*** 1.528***
(0.160) (0.220)
Log(PIB)t-2 0.00319 0.184
(0.104) (0.129)
Log(PIB)t-3 0.186* 0.240*
(0.100) (0.142)
Log(PIB)t-4 0.272*** -0.0551
(0.0960) (0.128)
Log(Gasto)t-1 -0.362*** -0.397***
(0.0928) (0.126)
Log(Gasto)t-2 0.0432 -0.0614
(0.0757) (0.0994)
Log(Gasto)t-3 -0.239*** -0.459***
(0.0781) (0.107)
Log(Gasto)t-4 -0.128* 0.408***
(0.0738) (0.0998)

Observaciones 1,484 1,484

Errores estándar en paréntesis
*** p<0.01, ** p<0.05, * p<0.1

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

Estabilidad del modelo PVAR

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

152
Anexo 16

PIB Gasto Cons.Priv. Comercio Deuda

País CC (%PIB)
(mill.USD) (%PIB) (%PIB) (%PIB) (%PIB)
Alemania 788264.6 18.79503 55.87514 64.58134 68.54355 5.111964
Australia 251025.3 17.77751 56.88158 41.76209 21.27377 -4.313041
Austria 88049.04 19.36559 53.24932 75.2954 72.39228 2.092344
Bélgica 106726.8 22.88099 51.52046 119.813 101.0116 1.136673
Bolivia 4837.17 15.12524 66.37821 56.2977 45.98705 2.20184
Brasil 382966.3 19.2334 62.17968 19.62613 62.10291 -1.65265
Bulgaria 10288.46 17.58186 65.52529 101.1014 29.43033 -5.859942
Canadá 342761.8 20.29665 55.82014 56.2598 53.71485 -.8112615
Chile 45177.26 11.92812 60.84238 55.57192 11.99321 -.4467117
Colombia 57615.86 14.65533 67.66154 29.05552 43.56837 -2.533174
Costa Rica 4119.414 15.35338 67.03534 76.8881 36.20939 -4.438714
Croacia 12357.16 19.54983 59.73991 60.86267 54.85573 -3.303823
Dinamarca 71534.68 25.40565 47.45245 58.89131 41.45117 3.675557
Ecuador 15812.96 12.13981 64.53098 54.42119 34.11423 .118542
España 301587.2 18.44695 57.8876 43.51224 68.18889 -3.437344
Estados
3654539 15.22923 67.8057 20.43066 80.99314 -3.580829
Unidos
Finlandia 55904.82 22.50783 51.68995 57.75508 47.21667 2.301684
Grecia 59634.94 20.35774 67.63713 34.12257 134.3278 -7.439547
Inglaterra 623848.2 19.22562 65.66332 38.83566 60.62162 -3.37693
Irlanda 56069.5 13.93761 45.62384 87.09096 60.73513 -.1902539
Israel 53733.03 23.62005 55.58748 47.30067 75.27491 2.281938
Italia 471544.3 19.21317 60.2945 43.91234 113.5019 -.3551075
Malasia 54130.59 12.37999 68.08404 153.8111 46.58578 9.444188
México 251451.3 11.18384 66.92493 55.27688 31.06047 -1.480126
Noruega 91255.5 21.05718 42.21283 49.7103 36.67775 11.74811
Perú 32167.07 11.24988 65.58854 38.69898 31.62382 -1.81632
Filipinas 45456.8 10.24556 73.7446 65.62899 56.03793 1.782379
Portugal 50882.43 19.55283 64.71255 56.38051 89.92778 -6.301322
Rumania 35110.16 15.74702 65.06231 245.3437 26.51111 -5.440049
Suráfrica 70538.72 19.54311 60.70553 531.2218 38.74206 -2.96014
Suecia 111582.9 25.36119 45.80053 60.16492 43.73147 5.590837
Suiza 130604 11.74431 54.97481 70.8427 36.59188 10.36312
Tailandia 72010.23 14.9817 53.3015 109.2057 26.92794 3.8378
Turquía 160186.3 13.65182 63.05667 40.11664 45.38711 -4.220584

153
Nota: Los promedios presentados son el promedio de los datos de frecuencia trimestral para el
período 2000-2017.

Fuente: CEIC Data y FMI

Elaboración: Carolina Alvarez G.

154