Modelo de Endógena Retardada

¿Por qué lo que hiciste ayer influye en lo que haces hoy?

Imagina que cada mañana tomas una decisión: si tomas café, cuánto caminas, o cuánto ahorras. Muchas de esas decisiones dependen no sólo de información nueva (un correo, una noticia), sino también de lo que hiciste antes: si ahorraste la semana pasada, es más probable que sigas ahorrando hoy; si no dormiste bien la noche anterior, quizá hoy rinda menos tu trabajo. En economía, finanzas, ecología y muchas otras disciplinas, esa dependencia del pasado sobre el presente se modela con herramientas llamadas modelos con variables endógenas retardadas —o, más sencillamente, modelos con retardos en la variable dependiente.

En este artículo te explico, paso a paso, qué son, por qué importan, cómo funcionan y dónde se usan. Lo hago con ejemplos cotidianos, analogías y sin tecnicismos inútiles: al final podrás explicar la idea a un amigo o reconocer un modelo de este tipo cuando lo veas en un estudio.

¿Qué es un Modelo de Endógena Retardada?

Un Modelo de Endógena Retardada (a veces llamado modelo autoregresivo simple en contextos concretos) es un modelo estadístico en el que la variable que intentamos explicar (la variable endógena) aparece también con rezagos —es decir, con valores de periodos anteriores— como explicativa de sí misma.

En términos sencillos: la variable de hoy depende de su propio pasado.

Un ejemplo mínimo y muy usado es el siguiente:

[{eq}y_t = \alpha + \beta y_{t-1} + \varepsilon_t{/eq}]

Aquí:

• ({eq}y_t{/eq}) es la variable de interés en el tiempo (t) (por ejemplo: la producción, la inflación, el precio de una acción).
• ({eq}\alpha{/eq}) es un término constante.
• ({eq}\beta{/eq}) es el coeficiente que mide cuánto del pasado ({eq}y_{t-1}{/eq}) explica el presente ({eq}y_t{/eq}).
• ({eq}\varepsilon_t{/eq}) es el término de error —lo que no explica el modelo (sorpresas, ruido).

Si ({eq}\beta{/eq}) es grande y positivo, el pasado tiene mucha influencia: buenos o malos valores tienden a persistir. Si ({eq}\beta{/eq}) es cercano a 0, el pasado importa poco.

Una metáfora cotidiana: el termostato y la inercia

Para visualizarlo, piensa en un termostato que regula la temperatura de una habitación. Si la habitación estuvo caliente ayer ({eq}(y_{t-1}){/eq}), hoy ({eq}(y_t){/eq}) es más probable que siga caliente que si ayer estuvo fría. Además, la temperatura de hoy no sólo depende del termostato, sino de la inercia térmica de las paredes y el mobiliario: la casa “recuerda” su estado.

El coeficiente ({eq}\beta{/eq}) sería una medida de esa inercia: si ({eq}\beta{/eq}) es cercano a 1, la casa mantiene su temperatura; si es cercano a 0, la casa se ajusta rápidamente a cambios externos.

Tipos y extensiones: más retardos y más variables

El ejemplo anterior es el más simple (un rezago). En la práctica hay modelos con múltiples rezagos:

[{eq}y_t = \alpha + \beta_1 y_{t-1} + \beta_2 y_{t-2} + \dots + \beta_p y_{t-p} + \varepsilon_t{/eq}]

Esto se llama modelo autoregresivo de orden (p), o AR((p)). Cada coeficiente ({eq}\beta_i{/eq}) nos dice cuánta influencia tiene (y) con (i) periodos de retraso.

También es usual que, además de los valores pasados de (y), incluyamos otras variables explicativas (exógenas) ({eq}x_t{/eq}):

[{eq}y_t = \alpha + \sum_{i=1}^p \beta_i y_{t-i} + \gamma x_t + \varepsilon_t{/eq}]

Aquí combinamos la memoria (los retardos) con factores externos que afectan hoy.

¿Por qué las variables son “endógenas” y qué significa “retardada”?

• Endógena: Significa que la variable es determinada dentro del sistema que estamos modelando —es la variable dependiente— y puede correlacionarse con errores u otras variables internas. No es un “input externo” impuesto con total independencia.
• Retardada: Significa que aparece con valores retrasados en el tiempo (lagged), como ({eq}y_{t-1}{/eq}), ({eq}y_{t-2}{/eq}), etc.

Llamarlo “endógena retardada” enfatiza que usamos los históricos de la propia variable para explicar su presente.

¿Cómo entender los coeficientes en palabras?

Volvamos al modelo sencillo ({eq}y_t = \alpha + \beta y_{t-1} + \varepsilon_t{/eq}).

• Si ({eq}\beta = 0.8{/eq}): el 80% del valor del periodo pasado se transfiere al periodo actual (alta persistencia).
• Si ({eq}\beta = 0.2{/eq}): sólo el 20% se “arrastra” (baja persistencia).
• Si ({eq}\beta{/eq}) es negativo, el comportamiento alterna: un valor alto es seguido por uno más bajo, y viceversa.

La magnitud de ({eq}\beta{/eq}) nos dice cuán rápido “olvida” el sistema su pasado. En algunos contextos se discute la raíz característica o la condición de estabilidad (por ejemplo, en AR(1), el proceso es estable si ({eq}|\beta| < 1){/eq}). Estabilidad significa que el efecto de una perturbación desaparece con el tiempo; si ({eq}|\beta| \ge 1{/eq}), una perturbación puede tener efectos persistentes o explosivos.

Ejemplos cotidianos para entender la idea

1. Gasto semanal en ocio

Una persona que gastó mucho en ocio la semana pasada podría tener una mayor probabilidad de gastar mucho hoy (costumbre, deuda, o simplemente una racha). Un modelo con retardos captura esa dependencia: ({eq}Gasto_t = \alpha + \beta Gasto_{t-1} + \varepsilon_t{/eq}).

2. Progresión de una enfermedad

En epidemiología, la cifra de casos de hoy depende de la de días anteriores. Un modelo con retardos puede describir cómo la propagación se autocataliza o se ralentiza con el tiempo.

3. Precio de acciones a corto plazo

En finanzas, los precios muestran inercia y autocorrelación: el precio de hoy está correlacionado con el de ayer. Esto no supone que el mercado sea predecible con facilidad, pero sí que la historia importa.

4. Productividad de una empresa

La producción de hoy puede depender del inventario y la producción anteriores: si semana pasada la empresa produjo mucho, puede mantener capacidad y relaciones que faciliten producir mucho hoy.

Analogía: la cinta transportadora del pasado

Piensa en una cinta transportadora que lleva cajas (valores de (y)). Cada día la cinta mueve las cajas un paso adelante; lo que hay en la parte visible hoy es en gran parte lo que había ayer. Las políticas o eventos externos actúan como personas que agregan o quitan cajas ({eq}(\varepsilon_t{/eq}) o variables exógenas). El modelo de endógena retardada nos ayuda a cuantificar cuánto de lo visible hoy proviene de la cinta (el pasado) y cuánto fue añadido o quitado hoy.

¿Cómo se estima un modelo de este tipo?

En cursos introductorios se suele usar mínimos cuadrados ordinarios (MCO) para estimar los coeficientes ({eq}\alpha,\beta_i{/eq}) cuando las condiciones lo permiten: datos suficientes, errores con media cero, etc. Aplicar MCO consiste en ajustar la recta o hiperplano que mejor aproxima la relación entre ({eq}y_t{/eq}) y los retardos ({eq}y_{t-1}, y_{t-2},\dots{/eq}).

Sin embargo, hay que tener cuidado con varios problemas:

1. Endogeneidad por correlación con errores: a veces ({eq}y_{t-1}{/eq}) puede estar correlacionado con ({eq}\varepsilon_t{/eq}), rompiendo las condiciones de MCO. En esos casos se usan instrumentos o métodos IV/GMM.
2. Estacionalidad: si los datos tienen patrones estacionales (por ejemplo: ventas que suben en diciembre), conviene incluir variables que capturen la estacionalidad o usar diferencias estacionales.
3. Raíz unitaria: si la serie tiene una tendencia aleatoria (es no estacionaria, por ejemplo contiene una raíz unitaria), las propiedades del estimador cambian y puede ser necesario diferenciar la serie o usar técnicas específicas (cointegración, por ejemplo).

No profundizaremos en las matemáticas avanzadas aquí, pero es importante saber que la estimación y prueba de hipótesis en estos modelos tiene matices técnicos.

Aplicaciones prácticas: dónde se usan

Los modelos con variables endógenas retardadas aparecen en muchísimos campos:

• Macroeconomía: para modelar inflación, PIB, desempleo —el pasado influye sobre el presente.
• Finanzas: precios, volatilidad (GARCH incluye retardos en varianza).
• Epidemiología: contagios día a día.
• Sociología y psicología: hábito y conducta dependientes del pasado.
• Ingeniería de control: sistemas dinámicos donde la salida anterior afecta la entrada.
• Ecología: poblaciones donde la abundancia pasada determina la actual (poblaciones con retrasos reproductivos).

Un ejemplo concreto: para prever la demanda eléctrica del día siguiente, los modelos incluyen consumo de días previos, temperatura y variables exógenas (eventos, feriados). La dependencia temporal es clave para pronósticos.

Ejemplo paso a paso: modelando el consumo de café

Supongamos que queremos modelar la cantidad de tazas de café que toma una persona cada día ({eq}(C_t){/eq}). Observamos datos diarios durante 100 días.

Una versión simple:

[{eq}C_t = \alpha + \beta_1 C_{t-1} + \beta_2 C_{t-2} + \gamma S_t + \varepsilon_t{/eq}]

Donde ({eq}S_t{/eq}) es si la persona tuvo sueño ese día (1 si sí, 0 si no). Interpretación:

• ({eq}\beta_1{/eq}): arrastre de la taza de ayer.
• ({eq}\beta_2{/eq}): efecto de hace dos días (quizá influye la acumulación de sueño).
• ({eq}\gamma{/eq}): efecto contemporáneo del sueño.

Si estimamos y obtenemos ({eq}\beta_1 = 0.5{/eq}), ({eq}\beta_2 = 0.2{/eq}), ({eq}\gamma = 1.3{/eq}), entonces:

• Haber tomado una taza ayer aumenta medio taza la expectativa de hoy.
• Haber tenido sueño impacta significativamente (1.3 tazas adicionales esperadas).
  Esto ayuda a planificar la compra de café o a entender hábitos.

Señales de cuidado: cuándo no basta con mirar retardos

• Causalidad vs correlación: que ({eq}y_{t-1}{/eq}) explique ({eq}y_t{/eq}) no implica causalidad fuera del sistema temporal. Puede haber variables omitidas que generan correlación.
• Cambios estructurales: si la relación cambia con el tiempo (por ejemplo, por una crisis), un modelo estimado con datos antiguos puede fallar.
• Efectos no lineales: a veces la relación no es lineal; por ejemplo, pequeños valores pasados no generan el mismo efecto que valores extremos.
• Retroalimentación: en sistemas con múltiples variables que se influyen mutuamente, la presencia de retardos endógenos requiere modelos vectoriales (VAR) para capturar la dinámica completa.

Ventajas de usar retardos endógenos

1. Capturan persistencia: muchos procesos reales muestran memoria; los retardos permiten modelarla.
2. Buena interpretabilidad: los coeficientes son fáciles de explicar en términos de influencia pasada.
3. Pronóstico: en series temporales, incluir retardos suele mejorar pronósticos a corto plazo.
4. Simplicidad: el modelo AR(1) o AR(p) es conceptualmente simple y sirve de base para extensiones más complejas.

Limitaciones y cómo mitigarlas

• Problemas de identificación: si hay correlación entre retardos y errores, MCO es sesgado. Solución: métodos de variables instrumentales o modelos estructurales.
• Necesidad de datos suficientes: cuantos más retardos se incluyen, más datos se requieren para estimar con precisión.
• Estacionalidad y tendencias: si no se controlan, pueden dar lugar a resultados engañosos. Solución: incluir dummies estacionales o transformar series (diferencias, tasas de crecimiento).
• Modelos más sofisticados a veces necesarios: cuando existen múltiples variables interdependientes, modelos VAR (Vector Autoregression) o modelos con retardos distribuidos son más apropiados.

Ejemplo real simplificado: inflación y expectativas

En macroeconomía, la inflación actual a menudo depende de la inflación pasada (inercia) y de expectativas. Un modelo simple podría ser:

[{eq}\pi_t = \alpha + \beta \pi_{t-1} + \gamma E_t[\pi_{t+1}] + \varepsilon_t{/eq}]

Aquí ({eq}\pi_t{/eq}) es inflación, ({eq}\pi_{t-1}{/eq}) es inflación pasada y ({eq}E_t[\pi_{t+1}]{/eq}) son las expectativas sobre inflación futura (una variable potencialmente endógena). El retardo captura la inercia inflacionaria: precios y salarios se ajustan gradualmente.

Resumen/Conclusión

Los Modelos de Endógena Retardada nos recuerdan una idea intuitiva: el presente lleva impronta del pasado. Al incorporar valores pasados de la propia variable como explicativos, estos modelos capturan persistencia, inercia y patrones temporales que aparecen en la economía, la biología, la ingeniería y la vida cotidiana.

Son herramientas poderosas, relativamente simples de entender y útiles para pronósticos a corto plazo. Pero requieren precaución: es necesario atender a la estabilidad, la endogeneidad, estacionalidad y posibles cambios estructurales. Cuando se usan correctamente, ofrecen una lente clara para entender cómo los efectos de ayer moldean lo que ocurre hoy.

Resultados del aprendizaje

1. Definir qué es un modelo de endógena retardada y distinguir entre variables endógenas y exógenas.
2. Explicar con una frase por qué incluir ({eq}y_{t-1}{/eq}) (o {eq}(y_{t-i}){/eq}) puede mejorar la comprensión de una serie temporal.
3. Interpretar coeficientes simples del tipo ({eq}y_t = \alpha + \beta y_{t-1} + \varepsilon_t{/eq}) (qué significa ({eq}\beta{/eq}) grande o pequeño, positivo o negativo).
4. Identificar dos problemas comunes al estimar estos modelos (endogeneidad y no estacionariedad) y mencionar soluciones a alto nivel (IV/GMM, diferenciación, modelos VAR).
5. Aplicar el concepto a un ejemplo práctico sencillo (por ejemplo: gasto semanal, consumo de café, demanda eléctrica).

Continua con:

1. ¿Qué es la Política redistributiva? Definición y ejemplos
2. ¿Qué es Inspección de Hacienda? Definición y ejemplos
3. ¿Qué es el Salario neto? Definición y ejemplos
4. ¿Qué es el Salario bruto? Definición y ejemplos
5. ¿Qué es el Test de Durbin-Watson? Definición y ejemplos
6. ¿Qué es el Consenso de Washington? Definición y características

Rodrigo Ricardo Editor y fundador