El ciclo económico en Costa Rica¶
Este cuaderno lee datos del Banco Central de Costa Rica que han sido previamente almacenados en el archivo de Excel Datos-business-cycle.xlsx y aplica el filtro de Hodrick Prescott para analizar los ciclos.
Randall Romero-Aguilar, 2017
Empezamos importando algunos paquetes que serán útiles para este trabajo:
- numpy: importamos la función log
- pandas: para manejar las bases de datos
- statsmodels: importamos dos funciones, una para aplicar el filtro, otra para desestacionalizar series
- seaborn: para que los gráficos sean más elegantes (opcional)
Finalmente, la indicacion %matplotlib inline es para que los gráficos aparezcan en este mismo archivo (en vez de una ventana emergente).
import pandas as pd
from numpy import log
from statsmodels.tsa.filters.hp_filter import hpfilter
from statsmodels.tsa.seasonal import seasonal_decompose
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
En lo que sigue, se asume que los datos han sido previamente guardados en el archivo de Excel Datos-business-cycle.xlsx, ubicado en la misma carpeta que este cuaderno de Jupyter. Los datos se guardaron tal como fueron bajados desde el sitio web del BCCR. A los datos no se les aplicó ninguna transformación en Excel, únicamente se le cambió nombre a cada hoja de cálculo para que hiciera referencia al número de cuadro que se está utilizando.
Datos de cuentas nacionales¶
Los datos están en la hoja chart1677, corresponden a
- Producto Interno Bruto Trimestral y Gasto a precios constantes
- Tendencia ciclo --- 1991 = 100
- http://indicadoreseconomicos.bccr.fi.cr/indicadoreseconomicos/Cuadros/frmVerCatCuadro.aspx?CodCuadro=1677
Ahora leemos los datos usando la función read_excel de pandas. La opción skiprows=4 indica que deben ignorarse las primeras 4 líneas de la hoja de excel; index_col=0 le indica a pandas que la primera columna tiene nombres (no datos). La .T al final transpone los datos.
ctasnac = pd.read_excel('Datos-business-cycle.xlsx',sheetname='chart1677',skiprows=4,index_col=0).T
En el archivo original, los nombres de las series tienen muchos espacios en blanco. Para removerlos, aplicamos el método .strip() a los nombres originales. Luego sobreescribimos el nombre de las series cambiando la propiedad .columns.
ctasnac.columns = [name.strip() for name in ctasnac.columns]
Seleccionamos las tres columnas de interés, y les cambiamos el nombre a las series a 'PIB', 'C', 'I'.
ctasnac = ctasnac[['PRODUCTO INTERNO BRUTO', 'Gasto de consumo final de los hogares', 'Formación bruta de capital fijo']]
ctasnac.columns = ['PIB', 'C', 'I']
Indexamos los datos con la función de pandas date_range, indicando que el primer dato es de 1991q1, y que la serie es trimestral.
ctasnac.index = pd.date_range('1991q1', periods=ctasnac.shape[0],freq='Q')
Finalmente, aplicamos el filtro Hodrick-Prescott al logaritmo de los datos, y graficamos los resultados.
ctasnac_ciclo, ctasnac_tendencia = hpfilter(log(ctasnac), 1600)
ctasnac_ciclo.plot()
Precios¶
Los datos están en la hoja chart2732, corresponden a
- Índice de precios al consumidor (IPC)
- Junio 2015=100 --- Niveles y variaciones
- http://indicadoreseconomicos.bccr.fi.cr/indicadoreseconomicos/Cuadros/frmVerCatCuadro.aspx?CodCuadro=2732&FecInicial=1991/01/01
Al leer los datos de Excel, inmediatamente seleccionamos únicamente la serie 'Nivel', la cual renombramos como 'IPC'.
precios = pd.read_excel('Datos-business-cycle.xlsx',sheetname='chart2732',skiprows=4,index_col=0)[['Nivel']]
precios.columns = ['IPC']
Los datos originales son mensuales, por ello los indizamos como tales. Para poder compararlos con los datos de cuentas nacionales, los convertimos a datos trimestrales usando el método .resample('Q'), indicando que queremos el promedio de los tres meses correspondientes con .mean().
precios.index = pd.date_range('1991-01', periods=precios.shape[0],freq='m')
precios = precios.resample('Q').mean()
Finalmente, aplicamos el filtro de HP.
precios_ciclo, precios_tendencia = hpfilter(log(precios), 1600)
precios_ciclo.plot()
Dinero¶
Los datos están en la hoja chart125, corresponden a
- Medio circulante (M1) medido a nivel del sistema bancario
- Saldos a fin de mes en millones de colones
- http://indicadoreseconomicos.bccr.fi.cr/indicadoreseconomicos/Cuadros/frmVerCatCuadro.aspx?CodCuadro=125&FecInicial=1991/01/01
Leemos los datos y los graficamos:
dinero = pd.read_excel('Datos-business-cycle.xlsx',sheetname='chart125',skiprows=4,index_col=0)
dinero = dinero.stack()
dinero.name = 'M1'
dinero.index = pd.date_range('1991-01', periods=dinero.shape[0],freq='m')
log(dinero).plot()
La serie del M1 tiene un fuerte componente estacional. Por ejemplo, los diciembres la cantidad de dinero aumenta considerablemente debido al pago de aguinaldos. Esto lo podemos cuantificar con la función seasonal_decompose, con la versión multiplicativa. En el gráfico se muestra que típicamente el M1 es 12.5% superior en diciembre respecto a la media del año.
seasonal_decompose(dinero,'mult').seasonal.plot(figsize=[12,4])
Aunque la serie del M1 que necesitamos es la trimestral, es de esperar que su fuerte componente estacional también se refleje en la serie trimestral. Por ello, cuantificamos de nuevo este componentes con la función seasonal_decomposey guardamos el componente .seasonal como m1_seasonal.
Para eliminar el componente estacional de los datos, dividimos los datos originales entre m1_seasonal. Hecho esto, le aplicamos el filtro HP al logartimo de las serie.
dinero = dinero.resample('Q').mean()
m1_seasonal = seasonal_decompose(dinero,'mult').seasonal
dinero /= m1_seasonal
dinero_ciclo, dinero_tendencia = hpfilter(log(dinero), 1600)
dinero_ciclo.plot()
Empleo¶
Los datos están en la hoja chart1914, que corresponde a
- Población ocupada en el empleo principal según posición en el empleo
- Número de personas por trimestre
- http://indicadoreseconomicos.bccr.fi.cr/indicadoreseconomicos/Cuadros/frmVerCatCuadro.aspx?CodCuadro=1914
Finalmente, leemos los datos de empleo, los cuales transponemos para que las columnas correspondan a series y las filas a trimestres. Utilizamos únicamente la serie 'Asalariado', la cual renombramos como 'N'.
empleo = pd.read_excel('Datos-business-cycle.xlsx',sheetname='chart1914',skiprows=4,index_col=0).T
empleo.index = pd.date_range('2010q3', periods=empleo.shape[0],freq='Q')
empleo = empleo[['Asalariado']]
empleo.columns = ['N']
empleo_ciclo, empleo_tendencia = hpfilter(log(empleo))
empleo_ciclo.plot()
Correlaciones de los ciclos¶
Juntamos todos los datos de los ciclos en una misma base de datos
datos = pd.concat([ctasnac_ciclo, precios_ciclo, dinero_ciclo, empleo_ciclo], axis=1)
Las correlaciones de estas series con el PIB puede calcularse usando el método .corrwith.
datos.corrwith(datos['PIB'])
Estas correlaciones las ilustramos graficando cada serie contra el PIB. En cada gráfico mostramos además una regresión lineal entre la serie respectiva y el PIB.
fig, ax = plt.subplots(nrows=5, ncols=1,sharex=True,figsize=[6,30],)
for var, eje in zip(datos.columns[1:], ax):
sns.regplot(x="PIB", y=var, data=datos,ax=eje)
Acá calculamos de nuevo las correlaciones, pero esta vez con el rezago, el valor contemporaneo, y el valor adelantado del PIB
correlaciones = pd.DataFrame([datos.corrwith(datos['PIB'].shift(t)) for t in [-1,0,1]])
correlaciones.index = ['t-1', 't', 't+1']
correlaciones.T
Volatilidad relativa de los ciclos¶
Finalmente, calculamos la volatilidad de cada serie, relativa a la del PIB.
volatilidad = 100 * datos.std() / datos['PIB'].std()
volatilidad
Puede verse que el consumo es menos volátil que el PIB, mientras que la inversión y el dinero son mucho más volátiles.