Saltar al contenido
hg.Héctor GarridoCiencia de datos · Estadística · Ingeniería de datos
← Volver al blog
Tesis: Asimetrías de Precios

Estimación TVECM y funciones de impulso-respuesta generalizada

El núcleo econométrico del pipeline se materializa en la estimación masiva de modelos TVECM por serie, seleccionados automáticamente tras diagnósticos de integración y cointegración. El proceso explora una malla de especificaciones en paralelo, selecciona la mejor por BIC y traduce los coeficientes en dinámicas interpretables mediante GIRF bootstrap, permitiendo cuantificar y clasificar asimetrías en la transmisión de precios. Los resultados se almacenan estructuradamente en PostgreSQL y alimentan reportes automatizados, cerrando el ciclo desde limpieza de datos hasta evidencia empírica reproducible.

Estimación TVECM y funciones de impulso-respuesta generalizada

El núcleo del análisis

Los scripts anteriores del pipeline construyen series precio-par limpias, imputadas y diagnosticadas. El script 06_tvecm_estimation.R es donde ocurre el análisis econométrico central: la estimación de modelos Threshold Vector Error Correction Models (TVECM) sobre cada serie que superó los diagnósticos de raíz unitaria y cointegración.

La pregunta empírica es concreta: ¿existe asimetría en la velocidad de ajuste según el régimen de precios? El TVECM permite que la corrección hacia el equilibrio sea distinta dependiendo de si la brecha mayorista-minorista está por encima o por debajo del umbral estimado.

Diagnósticos previos: decidir el modelo por serie (script 05)

El script 05_diagnosticos_series.R ejecuta una batería de tests estadísticos sobre cada serie y recomienda el modelo adecuado:

Test Función Propósito
ADF, PP, KPSS urca Detectar raíces unitarias
Johansen ca.jo() Verificar cointegración
Ljung-Box aa_test_ljung_box() Diagnosticar autocorrelación residual

La clase ModelDiagnostics del paquete encapsula la lógica de decisión:

  • TVECM: serie I(1), cointegración confirmada, residuos sin autocorrelación
  • VAR en primeras diferencias: I(1), sin cointegración
  • VAR en niveles: I(0)
  • ninguno: diagnósticos no concluyentes

Este resultado se almacena en la tabla diagnosticos_series con la columna modelo_recomendado. El script 06 solo procesa las series marcadas como TVECM.

Malla de configuraciones y paralelización

Para cada serie, el script explora una malla de especificaciones TVECM:

config_grid <- expand.grid(
  lag     = c(1, 2, 3, 4),
  nthresh = 1,
  trim    = c(0.10, 0.15),
  include = c("const", "none"),
  stringsAsFactors = FALSE
)

La estimación usa tsDyn::TVECM() y corre en paralelo con future.apply:

n_cores <- availableCores() - 1
plan(multisession, workers = n_cores)

resultados <- future_lapply(series_ids, function(serie_id) {
  aa_estimar_serie(serie_id, config_grid, con)
})

Para cada configuración el script registra criterios de información (AIC, BIC), la velocidad de ajuste por régimen (rho1, rho2), y el umbral estimado. La mejor especificación por BIC se almacena en tvecm_results_v2.

::note El modo --dev-mode TRUE --dev-limit 10 permite correr el script sobre un subconjunto de 10 series durante el desarrollo, sin esperar la estimación completa. ::

GIRF: cuantificar la asimetría (script 07)

Los coeficientes TVECM describen la dinámica de ajuste, pero son difíciles de interpretar directamente. Las Generalized Impulse Response Functions (GIRF) traducen esos coeficientes en una pregunta comprensible: si el precio mayorista sube 1 desviación estándar, ¿cómo responde el precio minorista durante las próximas 20 semanas?

El script 07_girf_analysis.R calcula GIRF para cada modelo estimado usando la función aa_calcular_girf() del paquete:

girf <- aa_calcular_girf(
  modelo   = tvecm_fit,
  horizon  = 20,
  n_boot   = 100,
  shock    = 1   # 1 desviación estándar
)

La función simula el sistema bajo dos condiciones: 1. Con el shock inicial 2. Sin el shock (historia base)

La diferencia entre las trayectorias promedio (sobre múltiples historias de inicio) es la función de impulso-respuesta. Se calculan GIRF por separado para shocks positivos y negativos, y la diferencia entre ambas respuestas acumuladas cuantifica la asimetría.

Resultados almacenados

Los resultados se escriben en tres tablas de PostgreSQL:

Tabla Contenido
tvecm_results_v2 Coeficientes, criterios de información y diagnósticos por modelo
girf_results GIRF promedio con intervalos de confianza bootstrap por serie
girf_detalle Trayectoria período a período para cada combinación shock × régimen

Adicionalmente, el script calcula IRF para los modelos VAR (series sin cointegración) y los almacena en irf_var_results e irf_var_detalle.

Clasificación de asimetría

La función aa_clasificar_asimetria() del paquete toma las GIRF y clasifica cada serie:

  • Asimetría positiva: shocks positivos se transmiten más rápido que los negativos
  • Asimetría negativa: shocks negativos se transmiten más rápido
  • Sin asimetría detectada: diferencia no significativa al 95 %

Esta clasificación se incluye en girf_results y alimenta directamente los reportes PDF generados en el script 08.


Este post es parte de una serie que documenta el desarrollo del proyecto AsymmetryAnalysis.