mtodos numricos

Clase 2: Mtodos de Perturbacin

Marco Ortiz
Marzo-Abril 2015
PUCP

motivacin

motivacin

En esta clase estudiaremos los mtodos de perturbacin o de

aproximacin asinttica.
La idea:
1. Planteamos un problema general;
2. hallamos un caso particular que tiene una solucin conocida;
3. usamos esta solucin como punto inicial para computar
soluciones aproximadas a puntos cercanos.

Este mtodo se basa en el teorema de la funcin implcita,

expansiones de Taylor y tcnicas de bifurcacin y de teora de
singularidad.

teoremas claves

Los teoremas crticos para este mtodo son dos:

1. Teorema de Taylor en Rn : Suponga que f : Rn y es Ck+1 , entonces
para x0 Rn ,
f(x) = f(x0 ) +

df 0
(x )(xi x0i )
dxi
i=1

n
n
1 2f
+
(x0 )(xi x0i )(xj x0j )
2
xi xj
i=1 j=1

..
.
+

n
n

kf
1
(x0 )(xi1 x0i1 ) . . . (xik x0ik )
...
k!
xi1 . . . xik
i1 =1

ik =1

+ O( x x0 k+1 ).

teoremas claves (2)

2. Teorema de la funcin implcita: Si H(x, y) : Rn Rm Rm es Ck ,

H(x0 , y0 ) = 0, y Hy (x0 , y0 ) no es singular (invertible), entonces
hay una nica funcin C0 h : Rn Rm tal que h es Ck , y sus
derivadas pueden ser computadas diferenciando
implicitamente la identidad H(x, h(x)) = 0.
Usaremos estos dos teoremas para examinar funciones
denidas implicitamente por ecuaciones no lineales en Rn .
Podremos calcular derivadas de h respecto a x evaluadas en un
punto (x0 ) de manera implcita.

significado de aproximacin

Antes de analizar directamente los mtodos es til denir: f(x)

aproxima a g(x) para x cerca de x0 .
Primero es claro que: f(x0 ) = g(x0 ), es trivial...

significado de aproximacin

Antes de analizar directamente los mtodos es til denir: f(x)

aproxima a g(x) para x cerca de x0 .
Primero es claro que: f(x0 ) = g(x0 ), es trivial...
Aproximacin lineal en x = x0 : necesitamos f (x0 ) = g (x0 ).
En general: f es una aproximacin de orden n de g en x = x0 si:
lim

xx0

f(x) g(x)
= 0.
x x0 n

(1)

que, para una f y g que son Cn , es verdad s y slo s

f(k) (x0 ) = g(k) (x0 ), para k = 0, . . . , n.

la perturbacin ms simple del mundo

Cunto es

26?

Sin la calculadora en tu Iphone, es un clculo aburrido.

Pero noten que:

26 = 25 (1 + 0.04) = 5 1.04 5 1.02 = 5.1

(2)

La solucin exacta es 5.099.

Hemos resuelto un problema mucho ms sencillo ( 25) y

aadimos un pequeo coeciente. En general:

y = x2 (1 + ) = x 1 +

(3)

donde x es un nmero entero y el parmetro de perturbacin.

el mtodo lq

repaso: el modelo lineal cuadrtico estocstico

Consideremos una economa gobernada por la siguiente regla
de movimiento estocstica linea:
xt+1 = Axt + But + t

(4)

donde xt es el vector de n estados (variables predeterminadas

en el periodo t) y ut el vector de m controles.
t es el vector de n choques que distribuye normal multivariada
con E() = 0 y E( ) = .
Dado x0 , el objetivo del planicador (cticio) es maximizar:
E0

t [xt Qxt + ut Rut + 2ut Sxt ] , (0, 1),

(5)

t=0

sujeto a (4).
8

repaso: el modelo lineal cuadrtico estocstico (2)

La funcin objetivo del periodo corriente:

[
][
]
[
] Q S
xt

g(xt , ut ) := xt , ut
S R
ut

(6)

es cuadrtico y cncavo en (xt , ut ). Para ello necesitamos:

repaso: el modelo lineal cuadrtico estocstico (2)

La funcin objetivo del periodo corriente:

[
][
]
[
] Q S
xt

g(xt , ut ) := xt , ut
S R
ut

(6)

es cuadrtico y cncavo en (xt , ut ). Para ello necesitamos:

Q y R, ambas simtricas de orden n n y mtimesm
respectivamente, sean negativas semidenidas.

L: por la dinmica de los estados; Q por el objetivo.

solucin explcita

La ecuacin de Bellman para el problema LQ estocstico est

dada por:
v(x) := max x Qx + 2u Sx + u Ru + E [v(Ax + Bu + )]
u

(7)

hemos retirado los indicadores de periodo por conveniencia (

todas las variables estn en t.)
Las expectativas son condicionales a la informacin contenida
en xt . (Decidimos luego de ver x pero antes de .)
Adivinamos que la funcin de valor est dada por:
v(x) = x Px + d, donde P es una matrix n n simtrica,
semi-denida negativa y cuadrada y d R es una constante
desconocida.

10

solucin explcita (2)

Con est guess podemos rescribir (7):

x Px + d =
max x Qx + 2u Sx + u Ru
u

+ E [(Ax + Bu + ) P(Ax + Bu + ) + d]
Evaluando la expectativa condicional obtenemos:
x Px + d =
max x Qx + 2u Sx + u Ru + x A PAx
u

(8)

+ 2Bx A PBu + u B PBu + tr(P) + d

11

solucin explcita (3)

Ahora diferenciamos el lado derecho con respecto al vector de
controles...
El resultado debe ser cero, por qu?

12

solucin explcita (3)

Ahora diferenciamos el lado derecho con respecto al vector de
controles...
El resultado debe ser cero, por qu?
... envolvente.

Esto nos da:

u = (R + B PB)

(S + B PA) x = Fx

Para hallar la solucin para la matriz P y la constante d

eliminamos u de (8).
Como resultado, P debe satisfacer la ecuacin matricial de
Ricatti.

P = Q + A PA (S + B PA) [R + B PB]

(S + B PA)

(9)

y d est dado por:

d=

tr(P)
1

(10)
12

solucin explcita (4)

La solucin a (9) puede obtenerse iterando en la ecuacin

matricial en diferencias de Riccati (recursin):

Ps+1 = Q + A Ps A (S + B Ps A) [R + B Ps B]

(S + B Ps A)
(11)

comenzando de alguna matriz denida negativa P0 .

Una vez que obtenemos la solucin a P, la dinmica del modelo
est dada por:
xt+1 = Axt + But + t+1 = (A FB)xt + t .

(12)

13

la aproximacin lq

La idea, propuesta por Magill (1977) es tomar un problema no

lineal de control ptimo y reemplazarlo por un problema LQ
similar al problema original.
El problema LQ puede luego ser resuelto usando mtodos
estndar (como acabamos de ver).
La ley de control nal es utilizada en lugar de la regla no-lineal
en el problema original.
Hay diversas maneras de hacer esta aproximacin: Magill (1977),
Kydland & Prescott (1982), McGrattan (1990), Hansen & Prescott
(1985).

14

una aplicacin: el modelo estocstico de crecimiento

Preferencias:
E

t U(ct )

(13)

t=0

donde (0, 1), es el factor de descuento y U es una funcin

C2 , con f () > 0, f () < 0.
Tecnologa:
ct + it = yt = F(kt , zt )

(14)

donde F es la funcin de produccin, C2 , estrictamente

creciennte y estrictamenet cncava.
kt representa al capital y zt el choque de capital.

15

el modelo estocstico de crecimiento

La ley de movimiento de capital:

kt+1 = (1 )kt + it .

(15)

El choque tecnolgico sigue un proceso de Markov:

zt+1 = L(zt ) + t+1

(16)

donde asumimos que L es lineal y i.i.d. con media cero y

varianza nita.

16

el problema del planificador central

Ya que no hay fricciones, podemos resolver el problema del

planicador central.
En este caso, el objetivo equivalente a 13, est dado por:
max E

{kt+1 }t=0

t U(f(kt , zt ) kt+1 )

(17)

t=0

sujeto al proceso de choques.

Podemos escribir el problema de forma recursiva:
V(k, z) = max
U [f(k, z) k ] + E [V(k , z ) | z)]

(18)

sujeto a (16).

17

aproximacin lq

Bueno, sabemos calcular la solucin para el caso en que la

funcin objetivo del periodo cuadrtica.
Pero, en economa normalmente no hallamos esto...
normalmente asumimos una CES.
qu hacemos?

18

aproximacin lq

Bueno, sabemos calcular la solucin para el caso en que la

funcin objetivo del periodo cuadrtica.
Pero, en economa normalmente no hallamos esto...
normalmente asumimos una CES.
qu hacemos?
Expansin de Taylor de segundo orden a la CES.
La caracterizacin de la dinmica del modelo es lineal... hay
temas.

18

aproximacin lq (2)

Consideremos la versin del SGM con:

U(ct ) = log(ct )
F(kt , zt ) = ezt k
t
zt+1 = zt + t+1 t N(0, 2 ),
donde 0 < < 1, 0 < < 1.

19

aproximacin lq(3)

Sustituyendo en (18)
V(k, z) = max
log (ez k i) + E [V(k , z ) | z)]

(19)

k = (1 )k + i,

(20)

sujeto a:

z = z + .

(21)

20

qu hacer en la prctica?

El algoritmo de solucin normalmente es el siguiente:

1. Elegir un punto alrededor del cual expandir la funcin objetivo.
(ej: Estado-estacionario)
2. Construir una aproximacin cuadrtica de la funcin alredor del
punto.
3. Poner los trminos en forma cuadrtica (denir Q, S y R).
4. Computar la funcin de valor ptima V (z, s) a travs de
iteraciones del operador de Bellman.

Los detalles estn en: LQ.

21

paso 1: estado estacionario no estocstico

En nuestro caso no es muy difcil. Tomemos la ecuacin de

Euler no estocstica:
[
]
ct+1 = ct k1
t+1 + (1 )

(22)

Imponemos la condicin de estado estacionario: ct = ct+1 = c:

[
]
1 = k1 + (1 )

(23)

Resolviendo para k:
k = [/(1 + )]1/(1
i = k
z = 0.

22

paso 2: aproximacin cuadrtica

Nuestra funcin de utilidad contempornea est dada por:
log (ez k i)

(24)

Necesitamos una expansin de segundo orden alrededor del

estado estacionario. En notacin matricial, la aproximacin de
la funcin r es:
+ (W W)
J +
r(z, s, d) R

) (
)
1(
H
WW
.
WW
2

(25)

la funcin r evaluada en el SS. W es el vector columna

donde R
de varaibles de control, J es el Jacobiano y H el Hessiano.

Hzz

H = Hsz
Hdz

Hzs
Hss
Hds

Hzd

Hsd
Hdd

(26)

23

paso 3: forma cuadrtica

Denimos la matriz Q:
r(z, s, d)

[
] Q
11
1 W
Q12
T

Q12
Q22

][

1
W

]
(27)

donde:
W
J + 1 W
H
W

Q11 = R
2
1 ( )
Q12 =
J HW
2
1
Q22 = H.
2

(28)
(29)
(30)

El uno est ah para capturar la constante en el trmino

cuadrtico.

24

paso 4: calcular la funcin ptima de forma iterativa

Utilizamos la recursin para resolver el problema LQ, buscando

un punto jo.
En nuestro cdigo iteramos hasta que A sea igual a P (up to
certain precision).
Luego de obtener convergencia (nuesta raison dtre),
recuperamos nuestra solucin.

25

mtodo de perturbacin

perturbacin: introduccin
Este mtodo sigue la misma idea... busquemos un problema
que sepamos resolver y cambiemos de problema. (til como
losofa de vida).
Recordemos que estamos tratando de resolver una ecuacin
funcional (lo desconocido es la funcin).
H(d) = 0.

(31)

para una regla de decisin desconocida d.

La Perturbacin resuelve el problema deniendo:
dn (x, ) =

i (x x0 )i

(32)

i=0

Utilizamos el teorema de la funcin implcita para hallar los

coecientes i .
Inherentemente una aproximacin local, muchas veces tiene
buenas propiedades globales.
27

pertubacin regular vs. singular

Perturbacin regular: un cambio pequeo en el problema

induce un cambio pequeo en la solucin.
Perturbacin singular: un cambio pequeo en el problema
induce un cambio grande en la solucin.
Ejemplo: La funcin de exceso de demanda.
La mayora de problemas en economa estn asociados a
perturbaciones regulares.
Algunas veces, sin embargo, podemos tener singularidades.
Ejemplo: introducir un nuevo activo en un modelo de mercados
incompletos.

28

un ejemplo: modelo de crecimiento no estocstico

Volvamos al modelo de crecimiento:

max

{ct ,kt+1 }t=1

t=1

t1

c1
1
t
1

sujeto a:
ct + kt+1 = k
t + (1 )kt
con k1 dado. La ecuacin de Euler est dada por:
[ 1
]
c
= c
t
t+1 kt+1 + 1

29

un ejemplo: modelo de crecimiento no estocstico

Cuando sustitumos el consumo con la restriccin

presupuestaria obtenemos:

(k
=
t + (1 )kt kt+1 )
(
) [ 1
]
kt+1 + (1 )kt+1 kt+2
kt+1 + 1 ,
que es una ecuacin en diferencias en kt .
buscamos una solucin recursiva, de la forma:
kt+1 = h(kt )

30

especificacin general
De forma ms genera, buscamos una solucin a ecuaciones del
tipo:
f(x , x , x) = 0.

(33)

de la forma:
x = h(x)
que nos da la ley de movimiento.
Por simplicidad asumimos que x es un escalar. Denamos F(x)
como:
F(x) f(h(h(x)), h(x), x).
Dado que h(x) es la solucin a la ecuacin 33, sabemos que:
F(x) = 0, x
31

volvemos al modelo de crecimiento

Nos quedamos en:

f(k , k , k) = (k + (1 )k k )
]
[
+ (k + (1 )k k )
k1 + 1 = 0,
para valores conocidos , y .
Reemplazando la solucin: k = h(k)
F(k) (k + (1 )k h(k))

+ (h(k) + (1 )h(k) h(h(k)))

[
]
h(k)1 + 1

32

la condicin clave

F(k) = 0 x

33

la condicin clave

F(k) = 0 x
...si lo que tenemos es h().

33

hallar h()

Cmo hallamos h()?

34

hallar h()

Cmo hallamos h()?

Aproximandola! (eso ya debe estar claro.)

Con qu?

34

hallar h()

Cmo hallamos h()?

Aproximandola! (eso ya debe estar claro.)

Con qu?
Con un polinomio...

De qu orden?

34

hallar h()

Cmo hallamos h()?

Aproximandola! (eso ya debe estar claro.)

Con qu?
Con un polinomio...

De qu orden?
Depende de ti...

alrededor de qu punto?

34

hallar h()

Cmo hallamos h()?

Aproximandola! (eso ya debe estar claro.)

Con qu?
Con un polinomio...

De qu orden?
Depende de ti...

alrededor de qu punto?
En principio de cualquier, pero nos conviene uno informativo.

34

aproximando h()

Con x como punto jo del problema (estado-estacionario),

sabemos que:
x = h(x).
Es decir, el modelo est en un equilibrio.
La expansin de Taylor de la solucin alrededor de x est dada
por:
(x x)2 2 h(x)
+ ...
2
x2
2
1 (x x) + h
2 (x x) + . . .
= x + h
2

h(x) h(x) + (x x)h (x) +

1, h
2 , etc...
el objetivo para caraterizar h() es hallar x, h

35

aproximando h()

Claramente x satisface:
f(x, x, x) = 0.
Hallar x puede ser no trivial si f es una funcin no-lineal
horrible - pero eso es para otra clase...

Ahora... cmo hallamos los hs?

la clave de este mtodo es que hallamos los coecientes
recursivamente (grande Judd!).

36

1
encontrando el coeficiente del trmino lineal, h

Es importante primero saber lo que sabemos:

1. sabemos la forma de f(x), y
2. sabemos los valores de los parmetros en f.

Dado que:
F(x) = 0 x

tambin sabemos que:

F (x) = 0 x.

37

algunas definiciones

Denamos:


}
f(x , x , x) 

x =x =x=x = f1 ,
x

{
}
f(x , x , x) 

x =x =x=x = f2 ,
x

{
}
f(x , x , x) 

x =x =x=x = f3 ,
x
{

Noten que:
(
)
h(x)
1 + h
2 (x x) + . . . |x=x = h
1
|x=x = h
x

38

ecuacin clave

Sabemos entonces que:

F (x) = 0 x
que es lo mismo que:
F (x) =

f h(x ) h(x)
f h(x)
f
+
+
= 0.
x x
x
x x
x

Que puede ser escrita como:

2 + f2 h
1 + f3 = 0.
F (x) = f1 h
1
1.
lo que nos da una ecuacin para resolver para h
Con suerte, las condicines de Banchard-Kahn se satisfacen y
tenemos slo una solucin sensible.

39

resolviendo para el segundo trmino

F (x) = 0 x
implica:
F (x) = 0 x

40

ms definiciones

Denamos:
{


}
2 f(x , x , x) 

= f13 ,
x =x =x=x
x x 

y noten que:
(
)
2 h(x)
2
2 + h
3 (x x) + . . . |x=x = h
|x=x = h
2
x

41

ecuacin clave

F (x) = 0 x
o:
)(
)
2 f h(x)
2f
2 f h(x ) h(x)
h(x ) h(x)
F (x) =
+
+
x h
x
x x x
x x
x
x
(
)

2
2

f h(x ) h(x) h(x ) h(x) h(x)

+
+
x
x
x2
x2
x
x
(
)
2

2
f h(x ) h(x)
f h(x)
2f
h(x)
f 2 h(x)
+
+
+
+
x x x
x
x2 x
x x
x
x x2
( 2
)
2
2

f h(x ) h(x)
f h(x)
f
+
+
+ 2

xx x
x
xx x
x

42

ecuacin clave (2)

que puede escribirse como:

) 2
(
)
(
2 + f12 h
1 + f13 h
+ f1 h
1h
2 + h
2h
2
F (x) = f11 h
1
1
1
(
)
(
)
2 + f22 h
1 + f23 h
1 + f2 h
2 + f31 h
2 + f32 h
1 + f33 = 0.
+ f21 h
1

1 , tenemos una ecuacin

ya que contamos con la solucin de h

lineal para resolver h2 .

43

introduciendo incertidumbre

el modelo neoclsico con incertidumbre

max

{ct ,kt+1 }t=1

t1

t=1

c1
1
t
1

sujeto a:
ct + kt+1 = exp(t )k
t + (1 )kt
t = t1 + t ,

45

la especificacin general

Normalmente escribimos los modelos de la siguiente forma:

Ef(x, x , y, y ) = 0.
donde: x representa el vector nx 1 de varaibles de estado
endgenas y exgenas; y representa el vector ny 1 de controlos.
En nuestro modelo esto es: y = c x = [k, ].
Ahora el vector de estados contiene los choques de
productividad en el SGM.

46

repaso: la idea central

La idea de perturbacin es transformar el problema en

trminos de un pequeo parmetro de pertubacin.
Al igual que en el ejemplo de la raz cuadrada, capturamos la
perturbacin en un parmetro.
Luego resolvemos el problema para un eleccin particular del
parmetro de perturbacin.
Este paso es normalmente ambiguo, dado que hay diferentes
formas de hacerlo.
Usamos el problema anterior (no estocstico) para
aproximarnos a la solucin original del problema.

47

el enfoque de perturbacin

Ahora necesitamos perturbar el problema hacia una solucin

que conocemos.
qu solucin conocemos?

48

el enfoque de perturbacin

Ahora necesitamos perturbar el problema hacia una solucin

que conocemos.
qu solucin conocemos?
la no estocstica...

qu deberamos usar como parmetro de perturbacin?

48

el enfoque de perturbacin

Ahora necesitamos perturbar el problema hacia una solucin

que conocemos.
qu solucin conocemos?
la no estocstica...

qu deberamos usar como parmetro de perturbacin?

la desviacin estndar .

Noten que cuando = 0 tenemos el modelo determinstico.

Nosotros sabemos cmo resolver el modelo determstico.

48

elemento clave # 1

Hacemos que la incertidumbre (capturada por ) sea explcita

en la solucin.
Nuestra condicin de primer orden se cumple para cualquier
valor de .
Ef(x, x , y, y , ) = 0.
La solucin va a tener la siguiente forma:
y = g(x, ) y
x = h(x, ) +

49

volvemos al modelo...

Escribimos nuestras condiciones de equilibrio como:

Ef([k, ], [k , + ], y, y ] = 0
La solucin que buscamos tiene la forma:
c = c(k, , )
y
[

[
=

k (k, , )

[
+

0
1

]
.

50

elemento clave # 2

Perturbamos alrededor de y, x y
g(x, ) = g(x, 0) + gx (x, 0)(x x) + g (x, 0) + . . .
y
h(x, ) = h(x, 0) + hx (x, 0)(x x) + h (x, 0) + . . .

51

objetivo

Denamos:
x = gx (x, 0), g
= g (x, 0), y
g

El objetivo es hallar:
x
la matriz
gx de dimensin (ny x ), el vector (ny 1),
g , la matriz h

de dimensin (nx x ),y el vector (nx 1), h .

52

ms sobre incertidumbre

Cmo importa la incertidumbre?

permite soluciones de orden mayor y,
hace explcito el rol de la incertidumbre.

Veamoslo en el modelo de crecimiento..

F(x, ) = Et f(k, , k , , c, c )

k,

h(k, , ),

Et f

+ ,

g(k, , ),
g(h(k, , ), + , )

53

segundo orden

Resultados de la perturbacin de segundo orden:

x = 0 pero g
= 0.
x = h
= 0 y h
g
donde f es el sistema de ecuaciones que incluye las restriccin
presupuestaria, la ecuacin de Euler y la ley de movimiento de .

54

incertidumbre y perturbacin de primer orden

.
y h
Para obtener el rol de la incertidumbre buscamos g
Nuestra ecuacin clave nos dice:
F (x, 0) = 0.
Pregunta: de dnde saco esto?

fk (s)h (k, , )+

f (s) +

f
(s)g
(k,
,
)+
F (x, 0) = Et
c

(
)

k (k , , )h (k, , )+
f (s)

c
g (k , , ) + (k , , )

(34)

donde s denota los argumentos de f. Evaluamos la expresin en

x = 0 y obtenemos:
(
)
(
)
+ fc + fc g
k h
= 0.
F (x, 0) = fk + fc g
.
y h
que es un sistema de 3 ecuaciones y 2 incognitas g
55

incertidumbre y perturbacin de primer orden

.
y h
Para obtener el rol de la incertidumbre buscamos g
Nuestra ecuacin clave nos dice:
F (x, 0) = 0.
Pregunta: de dnde saco esto?

fk (s)h (k, , )+

f (s) +

f
(s)g
(k,
,
)+
F (x, 0) = Et
c

(
)

k (k , , )h (k, , )+
f (s)

c
g (k , , ) + (k , , )

(34)

donde s denota los argumentos de f. Evaluamos la expresin en

x = 0 y obtenemos:
(
)
(
)
+ fc + fc g
k h
= 0.
F (x, 0) = fk + fc g
. (pero
y h
que es un sistema de 3 ecuaciones y 2 incognitas g
en la ley de movimiento de obtenemos 0 = 0).
55

incertidumbre y perturbacin de primer orden

Si denotamos:
feu elementos de la ecuacin de Euler y,
fbc elementos de la restriccin presupuestaria.

obtenemos:

F (x, 0) =

fbc + fbc g
bc
fbc
c + fc
c k
k
feu + feu g
eu eu
c k fc + fc
k

][

]
= 0.

que tiene por solucin:

= 0.
= h
g
la solucin certainty equivalent (igual que en la LQ!! ).
Tienen las herramientas para probrarlo...
56

incertidumbre y perturbacin de segundo orden

La expansiones de segundo orden las funciones de poltica
estn dadas por:
k (k k) + h
( )
+ . . .
+h
h(k, , ) = k + h
1
2
k

+ (h
kk (k k) + 2h (k k)( ) + 2hk (k k) + . . .
2
( )
2 )
2 + 2h
+h
+ k ( )
y
+g
k (k k) + g
( )
+ . . .
g(k, , ) = c + g
1
+ 2g
kk (k k)2 + 2g
k (k k)( )
k (k k) + . . .
+ (g
2
( )
2 + 2h
+g
( )
2 )
+g
son cero.
y h
De aqu sabemos que g
57

incertidumbre y perturbacin de segundo orden (2)

k y .?

k , g
, h
y los dems elementos de interaccin, g

Para gk y hk tenemos:
Fk (x, 0) = 0.
Derivamos de la expresin en 34.

(fk k + fk k hk + fk c gk + fk c gk hk )h

fk hk +

(f k + f k hk + f c gk + f c gk hk ) +

fc gk +
(
)

F k(x, 0) = Et
fc k + fc k hk + fc c gk + fc c gk hk )

(gk h + g + g )

fc (gkk hk h + gk hk )+

fc gk hk +

fc gk hk

donde hemos suprimido los argumentos de las funciones ( no

sabemos si gk es gk (k, , ) o gk (k , , )...
58

incertidumbre y perturbacin de segundo orden (3)

Evaluamos la expresin en el estado estacionario y obtenemos:

k + fc g
k ) + fc g
k
k + fc (g
k h
k h
Fk (x, 0) = fk h
k + (fc + fc )g
k = 0.
k )h
k h
= (fk + fc g
Lo que nos vuelve a dar dos ecuaciones independientes con dos
k .
yh
valores desconocidos, g
k = 0.
=h
El resultado es: g
Por lo que slo las constantes del modelo son afectadas por el
nivel de incertidumbre.
Ello implica que el modelo opera en una parte diferente del
estado espacio (y posiblemente afecte la dinmica tambin).

59

comparando lq y perturbacin

En qu se parecen ambos mtodos?

En qu dieren?
punto importante: cundo las restricciones no son lineales,
aproximarlas linealmente afecta la solucin (naive LQ).
El mtodo de perturbacin - incluso en primer orden - considera
las caractersticas de segundo orden de las restricciones (piensen
en sus condiciones de primer orden).
Si tomamos una aproximiacin lineal a las restricciones estamos
resolviendo un problema diferente (demostrado por Benigno &
Woodford (2006)).
Los autores proponen introducir las propiedades de segundo
orden de las restricciones.

60

orden mayor

orden mayor

Podemos seguir elevando el orden de aproximacin (es incluso

recomendable).
Sin embargo se pierde en trminos de estabilidad de la solucin
y tiempo de procesamiento - soluciones altamente explosivas.
Los problemas:
Polinomios de orden mayor oscilan no preservan la forma.
Radio de convergencia limitado.
Problemas de estabilidad.

Existen opciones para evitar estos problemas: prunning,

Kydland & Prescott data measuring, cambio de funciones base,
consistent-weighting perturbation.

62

prunning

A pesar que las aproximaciones de orden mayor son intuitiva y

fciles de calcular, las sendas simuladas son frecuentemente
explosivas.
Esto genera problemas: No tendremos momentos no
condicionales.
El prunning se reere a cortar las ramas de un rbol (podar) dejaremos de lado trminos en la solucin que tienen rdenes
mayores al del orden de aproximacin.
Supongamos que la solucin exacta a un modelo DSGE est
dada por el set de reglas de decisin para las variables de
control: yt = g (xt , ) , y para las variables de estado:
xt+1 = h(xt , ) + t+1 ,

63

prunning (2)
Kim, Kim, Schaumburg & Sims (2008) sugieren entonces no
considerar ciertos trminos al realizar la expansin de Taylor
del sistema.
En el caso de una aproximacin de segundo orden tenemos:
(
) 1
1
(2)
(2)
(2)
(2)
xt+1 = hx xt + Hxx xt xt
+ h 2 + t+1 ,
2
2

(35)

donde usamos x(2) para denotar la aproximacin de segundo

orden no-pruneada en la variable de estado. Hxx es la matriz de
segundas derivadas de h(xt , ).
Podemos descomponer las variables de estado en aquellas con
efectos de primer orden (xf ) y de segundo orden (xs ).
(
) 1
((
) (
)) 1
(2)
xt+1 = hx xft + xst + Hxx xft + xst xft + xst
+ h 2 + t+1 ,
2
2
(36)
64

prunning (3)
Obtenemos una ley de movimiento para xft+1 preservando slo
los efectos de primer orden en (36).
xft+1 = hx xft + t+1 .

(37)

Obtenemos as la aproximacin de primer orden a estndar a la

ecuacin de estado.
La aproximacin de primer orden a la ecuacin de observacin
tambin es estndar y dada por:
yft = gx xft .

(38)

El sistema conformado por (37) y (38) nos da la solucin al

modelo, por lo que los sistemas estado-espacio con y sin
prunning son idnticos para este orden.

65

prunning (4)

Ahora construmos un sistema para el componente de segundo

orden:
(
) 1
1
xst+1 = hx xst + Hxx xft xft + h 2 .
(39)
2
2
No inclumos los trminos xf xs ni xs xs porque reejan
efectos de tercer y cuarto orden, respectivamente.
En otras palabras los podamos o pruneamos.
El ltimo paso es para denir el sistema de estado-espacio
pruneado es derivar la expresin con respecto a las
ecuaciones de control.

66

prunning (5)

Usando el mismo enfoque tomamos la aproximacin de

segundo orden de la ecuacin de estados, tenemos:
(2)

yt

(
) 1
1
(2)
(2)
(2)
= gx xt + Gxx xt xt
+ g 2 ,
2
2

(40)

(2)

donde yt denota la aproximacin de segundo orden no

pruneada a la variable de control.

67

prunning (6)

Slo queremos preservar los efectos hasta el segundo orden:

(
) 1
(
) 1
f
s
f
f
yf+s
=
g
x
+
x
+
G
x

x
+ g 2 .
x
xx
t
t
t
t
t
2
2

(41)

Aqu dejamos de lado los trminos xft xst y xst xst porque
reejan trminos de tercer y cuarto orden.
Como vemos, representamos las funciones de poltica como
una funcin de los elementos de los estados que slo llegan
hasta el segundo orden...
Muy diferente a una aproximacin de segundo orden - que
contiene elementos de tercer y cuarto orden en su construccin.

68

el sistema pruneado

El sistema pruneado para la aproximacin de segundo orden

est dado por (37), (39) y (41).
[ ( )
]

El vector de estados es extendido a xft (xst ) .

Todas las variables del sistema son ahora polinmios de
segundo orden de las innovaciones.

69

propiedades del sistema pruneado

En el sistema pruneado, si todos los valores caractersticos de

hx tienen mdulo menor a uno y t+1 tiene cuartos momentos
nitos, el sistema de estado espacio denido por (37), (39) y
(40), tiene primer y segundos momentos nitos.
Ello implica que eliminamos las sendas explosivas en el sistema.

70

aplicacin 1: choques de riesgo

aproximaciones de orden mayor

Los mtodos de perturbacin tiene como principal fortaleza la

rapidez y precisin para resolver problemas de dimensionalidad
elevada.
Este es el caso de aproximaciones de orden mayor.
Cuando queremos evaluar cmo es que cambios en el riesgo
afectan la dinica de la economa estamos ante este caso.
Veamos un ejemplo: Fernandez-Villaverde, Guerrn-Quintana,
Rubio Ramirez y Uribe (2010).

72

mtodos locales vs. mtodos globales

discusin

Mtodo global o local?

Restricciones de endeudamiento?
Costos de ajuste cuadrticos/cbicos?

74

propuesta 1: penalty functions

Podemos utilizar penalty functions para capturar las

no-linealidades.
Esto es sencillo, la idea consiste en replantear el problema de
tal manera que tornamos un problema de maximizacin
restringida en uno irrestricto.
Ejemplo: Modelo de Deaton (1991) - Mercados incompletos extrado de Den Haan De Wind (2012).

75

propuesta 1: penalty functions (2)

El modelo est dado por:
max E1

{ct ,at }
t=1

t=1

t1

c1
1
t
1

s.t.
at
= at1 + ezt ,
1+r
zt = z + t y t N(0, z2 ),
ct +

at 0.

)
(42)
(43)
(44)
(45)
(46)

Este es un problema con una fuerte no-linealidad (kink) ante la

incapacidad de los agentes a endeudarse (activos no negativos).
La solucin mediante un mtodo de perturbacin no resultara
adcuada en este caso (discontinuidad en las derivadas).
76

propuesta 1: penalty functions (3)

Den Haan De Wind (2012) proponen una replantear el problema
de la siguiente forma:
(
)

1
t
max E1
t1
P(at )
(47)
1
{ct ,at }
t=1
t=1
s.t.
at
= at1 + ezt ,
1+r
zt = z + t y t N(0, z2 ),
ct +

(48)
(49)
(50)

Donde la restriccin de no negatividad para los activos ha sido

retirada y sustituda por una modicacin a la funcin objetivo.
La idea es que la penalidad lleve al modelo hacia soluciones en
las que la restriccion implcita de no negatividad se cumpla.
Hay que ser inteligentes deniendo la forma funcional de P(at ).
77

propuesta 1: penalty functions (4)

Den Haan De Wind (2012) escriben esta funcin como:

P(at ) =

1
exp(0 at ) + 2 at
0

(51)

Donde los parmetros sirven para controlar la forma de la

funcin.
En particular con 2 = 0, lim0 P(at ) = para at < 0 y 0 para
at 0.
As podemos replicar la restriccin original.
Tenemos entonces suciente exibilidad para plantear un
problema aproximado a travs de un problema perturbado.

78

propuesta 2: piece-wise perturbation

Iacoviello Guerreri (2015): Podemos ver un modelo de
restricciones ocasionalmente efectivas (OBC), como un modelo
de dos regmenes.
Under one regime, the occasionally binding constraint is slack.
Under the other regime, the same constraint is binding.

Regime M1 (occasionally binding constraint is slack), linearized

system can be expressed as:
AEt Xt+1 + BXt + CXt1 + Et = 0,

(52)

Alternative regime M2 (occasionally binding constraint binds),

linearized system (around same non-stochastic steady state)
can be expressed as:
A Et Xt+1 + B Xt + C Xt1 + D + E t = 0.

(53)

Assume BK conditions hold in M1, and that absent shocks

system is expected to return to M1 in nite time
We are now in a position to dene a solution for our model.
79

propuesta 2: piece-wise perturbation (2)

A solution for a model with an occasionally binding constraint is

a function f : Xt1 t Xt such that the conditions under
system (M1) or the system (M2) hold, depending on the
evaluation of the occasionally binding constraint.
Alternatively, given initial conditions X0 and the realization of a
shock 1 , the function f can be expressed as a set of matrices Pt ,
a set of matrices Rt , and a matrix Q1 , such that:
X1 = P1 X0 + R1 + Q1 1 ,
Xt = Pt Xt1 + Rt t {2, }.

At each point in time the matrices Pt , Qt , Rt are time varying,

even if they are functions of Xt1 and 1 only.

80

propuesta 2: piece-wise perturbation (3)

The algorithm employs a guess-and-verify approach.

1. We guess the periods in which each regime applies.
2. Second, we proceed to verify and, if necessary, update the initial
guess.

Importantly, the solution that the algorithm produces is not just

linear.
The solution is highly nonlinear
The dynamics in one of the two regimes may crucially depend
on how long one expects to be in that regime.
In turn, how long one expects to be in that regime depends on
the state vector.
This interaction produces the high nonlinearity.

81

propuesta 2: piece-wise perturbation (4)

The piecewise linear solution inherits some disadvantages of a
linear perturbation method:
Just like any linear solution, it discards all information relative
to the possibility of unforeseen future shocks;
It does not capture precautionary behavior linked to the
possibility that a constraint may become binding in the future,
as a result of shocks yet unrealized.
But it also inherits some great advantages:
It is computationally fast.
It is applicable to models with a large number of state variables
even when the curse of dimensionality renders other
higher-quality methods inapplicable.
It is general and application of our algorithm to different
models requires only minimal programming.
82

conclusiones

conclusiones
Los mtodos de aproximacin estudiados en esta clase toman
un problema y lo aproximan a uno con solucin conocida.
El mtodo LQ toma un problema y le da forma cuadrtica a la
funcin de utilidad instatnea (o renta).
Los mtodos de perturbacin explotan la informacin de la
solucin no estocstica para aproximar los problemas usando
la distribucin estndar como parmetro de perturbacin.
Ambos mtodos utilizan aproximaciones polinomiales de las
funciones de poltica alrededor de un punto - son soluciones
locales (aunque pueden tener excelentes propiedades globales).
Son rpidos de implementar lo que los vuelven
extremadamente populares.
El mtodo de perturbacin usando la varianza como parmetro
presenta adems ventajas considerables sobre la perturbacin
del problema LQ.
Las aproximaciones de orden mayor son interesantes para
estudiar problemas econmicos pero nos olbigan a ser cautos.

84

Preguntas?

85