Nicólas Torres
Juan Pablo Villarraga
Wendy Sánchez
Sebastián Upegui
Resumen
En este trabajo se analizan los efectos de una política monetaria contractiva en el Índice de Precios al Consumidor (IPC) a nivel Colombia y sus 13 ciudades principales entre enero de 2001 y febrero de 2020. Para tal objetivo, se hace uso de modelos VAR, de los cuales se obtienen las funciones impulso-respuesta. Dentro de los resultados se encuentra que, ante un choque el IPC en la mayoría de las ciudades empieza a descender con fuerza entre el mes 19 y 20, y pierden la significancia estadística en general en el mes 23 y 24. Así mismo, el IPC de Manizales y Villavicencio tiene mayor velocidad de reacción ante una innovación en las tasas de interés, lo que podría sugerir que la credibilidad del Banco de la República difiere entre ciudades.
Clasificación JEL: E43, E58, E63, N16
Palabras clave: inflación, política contractiva, choques.
Abstract
This paper analyzes the effects of a contractionary monetary policy on the Consumer Price Index (CPI) in Colombia and its 13 main cities between January 2001 and February 2020. For this purpose, VAR models are used, from which impulse-response functions are obtained. Among the results, it is found that, in the face of a shock, the CPI in most cities begins to fall strongly between months 19 and 20 and loses statistical significance in general in months 23 and 24. Likewise, the CPI of Manizales and Villavicencio has a higher reaction speed in the face of an innovation in interest rates, which could suggest that the credibility of the Central Bank differs between cities.
JEL classification: E43, E58, E63, N16
Keywords: inflation, contractionary monetary policy, shocks.
1 Introducción
Desde la reactivación económica que ha tenido el mundo después de la crisis del Covid-19, múltiples hacedores de política pública se empezaron a preguntar si realmente las políticas económicas estaban ayudando a volver a los niveles prepandemia. En Colombia, los constantes aumentos de la tasa de intervención por parte del Banco de la República (BanRep) desde finales del año 2021 han empezado a causar dudas sobre si la tasa de intervención es el mejor instrumento que se puede usar en los esfuerzos del emisor para controlar los elevados niveles de inflación (Findeter, 2022). Lo anterior se debe a que, en poco más de un año la tasa de intervención se ha elevado constantemente, y sin embargo la inflación continúa aumentando de manera constante, mes tras mes, al punto de que la inflación anual ya ha sobrepasado el 12%. Una de las posibles explicaciones de los altos niveles de inflación son altas presiones en la oferta (Beltrán & Villamil, 2022), lo cual produce diferentes afectaciones en diferentes grupos de ingresos. Esto podría venir explicado debido a que los efectos en la inflación son heterogéneos y no van a reaccionar igual los empresarios que producen ciertos bienes y servicios (Jovanovic & Josimovski, 2021).
De igual forma, cabe mencionar que, dependiendo de la dirección de la política monetaria, va a existir un efecto diferente en las variables macroeconómicas. Por ejemplo, la política monetaria contractiva tiene mayores efectos en la tasa de desempleo (Barnichon et al., 2017). Así mismo, este tipo de política tiene otros efectos adversos como los son incrementar la actividad de banca en la sombra (Nelson et al., 2018). Pero los efectos de la política monetaria contractiva también favorecen a los ingresos de los trabajadores, solo que va de la mano con un aumento de la desigualdad (Furceri et al., 2018).
Teniendo en cuenta la información anterior y a raíz de la importancia que tiene el conocimiento de la dinámica del aumento de la tasa de interés del Banco de la República sobre la inflación, esta investigación tiene como objetivo estimar el impacto de un aumento en las tasas de interés por BanRep en la inflación de las 13 ciudades principales y el agregado nacional. Para llegar a tal fin, se estiman modelos VAR para identificar la respuesta de inflación ante un impulso en la tasa de interés, utilizando datos mensuales del BanRep y del Departamento Administrativo Nacional de Estadística (DANE) en una ventana de tiempo que va de enero de 2001 hasta febrero de 2020.
Como hipótesis se presume que un aumento de una desviación estándar en la tasa de intervención que fija el banco central no es efectivo para reducir el nivel de inflación tal como lo sugiere la teoría, debido a que la rapidez con la que aumentan los precios requiere aumentos más rápidos y en mayores magnitudes. Ahora bien, esta investigación recobra mayor importancia debido al estado coyuntural de la economía, en donde el aumento de la tasa de interés del BanRep no ha conseguido que disminuyan los precios en Colombia, lo cual está causando un gran descontento social (Hernandez, 2022). Por último, y hasta lo que sabemos, esta es la primera investigación que tienen en cuenta los efectos de la tasa de intervención sobre la inflación por ciudades en Colombia. En cuanto a la organización del documento, está dividido en 6 secciones incluyendo esta introducción. La segunda parte presenta un contexto. En la tercera parte se hace una revisión de literatura. El cuarto punto contiene las estadísticas descriptivas de las variables que se utilizan. En el quinto punto se hablan sobre la metodología que se utiliza, que en este caso son modelos VAR, del cual se extraen las funciones impulso – respuesta. En la sexta sección se hace un análisis de los resultados y por último se hacen las conclusiones y recomendaciones.
2 Contexto
A finales del siglo XX la Junta Directiva del Banco de la República estableció a partir de la Ley 31 de 1992 la obligación de definir y hacer pública una meta de inflación propuesta para el país, luego de los años 2000 no se fija solo un objetivo de inflación, sino que se acompaña con un rango de variación. A hoy, la meta de inflación es del 3% con un rango de variación que se sitúa entre el 2% y el 4% (Banco de la República, 2021). Tener la inflación bajo control en un país es importante por varias razones, primero, la inflación afecta el poder adquisitivo de las personas. Algunos expertos lo han denominado un impuesto que grava el ingreso de la población, afectando sobre todo a los más vulnerables. Por otro lado, cuando los niveles de inflación son elevados en un país, este se vuelve menos competitivo respecto a los otros, debido a que los precios de los productos internos son altos y al comercializarse en las redes de comercio internacional estos van a ser menos apetecidos por sus altos precios.
2 .1 Finales del siglo XX: la tasa de intervención como un instrumento de política en medio de una crisis (1998-2001)
De esta manera, para 1998 el Banco de la República informa que para el logro de la meta de inflación se empleará un esquema de meta intermedia, lo cual hace referencia a que el BanRep no fijará una meta concreta de inflación, sino que esta puede fluctuar en unas bandas definidas. Así, el emisor no controla de manera directa la meta final de inflación, pero cuenta con un conjunto de instrumentos que le permiten influir en las dinámicas de ésta de manera indirecta y con rezagos. Uno de los instrumentos que el Banco empieza a usar es la tasa de intervención de política monetaria que emitió por primera vez en marzo de 1998 y que sitúo en un nivel del 30%, cuando el nivel de inflación anual era del 19,24%.
Desde ese momento, la inflación parece no dar tregua y empieza a aumentar de nuevo, alcanzando en abril de este año poco más del 20%. De esta manera, el emisor, cuya prioridad es el control de los altos niveles de inflación, aumenta en mayo 200 puntos básicos que dejaron la tasa de intervención en un nivel del 32%. A partir de este momento el Banco empieza a tener control sobre la inflación que decrece de forma paulatina. Así mismo, en noviembre de este mismo año, la tasa empieza a retroceder también, al tener bajo control los niveles de inflación. Esa misma tendencia de retroceso de la inflación, acompañada de la tasa de intervención se mantiene hasta un año después, en noviembre de 1999, en donde la inflación se encuentra por debajo del 10% (9,65%) y la tasa llega al nivel del 13%.
Posteriormente, en el mes de diciembre la inflación continúa cediendo, lo que genera un nuevo ajuste de la tasa de intervención en un nivel del 12% que permanece contante hasta el mes de febrero del año 2001, en donde logra hacer que la inflación se reduzca de nuevo y con ello la tasa de intervención.
2.2 La crisis financiera de Estados Unidos (2008-2010)
2 .3 La crisis de los precios del petróleo (2014-2016)
2 .4 Bancos centrales en Latinoamérica
3 Estadísticas descriptivas
Para este estudio se hizo uso de 14 variables entre enero de 2001 hasta febrero de 2020, las cuales están plasmadas con sus estadísticas descriptivas en la Tabla 1, ciudades como Manizales, Pasto y Pereira, presentan las menores fluctuaciones frente a las otras ciudades y agregado nacional. Por el lado de los niveles más altos de IPC, Barranquilla, Cali y Medellín, las cuales tienen más de un millón de habitantes cada una, se llevan el primero puesto, mientras que en los menores niveles Neiva se lleva el primer puesto.
Ahora bien, en este estudio para tomar en cuenta la tasa de intervención de política monetaria, se utiliza la DTF como proxy, ya que múltiples estudios han encontrado que una variable que se ve afectada rápidamente ante cambio en la política monetaria son las tasas de mercado (Londoño et al., 2012; Becerra & Melo, 2009; Gutiérrez-Rueda & Murcia-Pabón, 2014), es decir, el canal de crédito es una forma de transmisión de la política monetaria (Correa, 2004).
A continuación, se reflejan las estadísticas descriptivas de la DTF, el IPC Nacional y su desagregado por las 13 ciudades principales. En este se puede observar que la DTF ha fluctuado en una banda de 0,34 puntos porcentuales, con un máximo a través de la ventana de tiempo estudiada (ver Gráfico 1). Ciudades como Barranquilla, Bucaramanga y Medellín tienen 8 valores promedio del IPC menores que el agregado nacional, pero las dos primeras ciudades las que presentan mayores fluctuaciones.
Continuando, ciudades como Manizales, Pasto y Pereira, presentan las menores fluctuaciones frente a las otras ciudades y agregado nacional. Por el lado de los niveles más altos de IPC, Barranquilla, Cali y Medellín, las cuales tienen más de un millón de habitantes cada una, se llevan el primer puesto, mientras que en los menores niveles Neiva se lleva el primer lugar.
En el Gráfico 1 está la DTF de Colombia. En este se evidencia una clara tendencia a la baja, con picos y valles a través de los años, que dejan entrever lo que ha sido la dinámica de la política monetaria en Colombia, la cual en gran parte del tiempo fue contractiva, hasta los últimos 2 años que viene siendo expansiva debido a la necesidad de reducir la inflación. Ahora bien, como se ve en el último tramo del gráfico, el crecimiento de la DTF está muy inclinado, lo que refleja lo que ha hecho Banco de la República; es decir, subir la tasas con mayor frecuencia y magnitud.
Ahora bien, en el Gráfico 2 se encuentra la evolución del IPC a nivel agregado y de las 13 ciudades principales de Colombia. Como se evidencia, los IPC tienen una tendencia creciente, solo que en su mayoría tienen una pendiente más elevada que el Nacional. De igual forma, el intercepto de ciudades como Neiva, Pasto, Pereira y Villavicencio es menor que el de las otras 9 ciudades.
4 Metodología
Se emplean modelos vectoriales autorregresivos (VAR), los cuales fueron propuestos por Sims (1980a), quienes tienen la finalidad de analizar las series de tiempo en un contexto multivariante con relaciones de dependencia dinámica entre las series, es decir, los modelos VAR tienen como característica principal representar alternativamente un sistema de ecuaciones simultaneas que están explicadas por las variables del sistema y por sus mismos rezagos, lo que implica que captura la evolución e interdependencia entre múltiples series de tiempo. Lo anterior se cumple siempre y cuando tales series temporales sean estacionarias, pero son modeladas en sus series en nivel. Así mismo, solo captura la relación de corto plazo.
Ahora bien, y teniendo en cuenta lo anterior, para esta investigación se estiman modelos VAR con el fin de capturar un impulso o choque a la DTF, la cual representa una política monetaria contractiva – subida de tasa – con la respuesta del IPC Nacional, de Medellín, Manizales, Pereira, Cali, Cúcuta, Bucaramanga, Neiva, Pasto, Bogotá, Barranquilla, Montería, Cartagena y Villavicencio. Es decir, se estimaron 14 modelos VAR (12), siguiendo el siguiente sistema de ecuaciones:
Entre los pasos de intermedios que se usan, está la verificación de estacionariedad de las 15 variables en logaritmos y desestacionalizadas. Tal procedimiento se hizo a través de las pruebas de raíces unitarias ADF (Dickey & Fuller, 1979), PP (Phillips & Perron, 1988) y KPSS (Kwiatkowski et al., 1992). Dentro de los resultados se encuentra que las variables en sus logaritmos son I(1), y en su primera diferencia I(0), lo cual indica que son estacionarias, por lo cual se procede a estimar la ecuación (1) con sus series en logaritmos (ver Tabla 4 y Tabla 5 para ver los resultados de las pruebas). Luego, se procede a observar la estabilidad de los modelos, en los cuales se encuentra que ninguno presenta problemas. Por último, y como resultado principal de esta investigación, se obtienen las funciones impulso-respuesta de un choque de la DTF al IPC.
5 Resultados
A nivel nacional, los resultados sugieren que el efecto de la tasa de intervención sobre la inflación es estadísticamente significativo hasta el mes 23, en donde uno de los intervalos de confianza toca el 0. Si se analiza el comportamiento de la función impulso respuesta del Gráfico 3 se puede observar que en cuanto la tasa de intervención aumenta, los niveles de inflación aumentan hasta el período 20, desde el cual empieza a descender de manera paulatina y controlada hacia su estado natural. Ahora bien, antes de converger, su nivel máximo llega a niveles cercanos a 0,004 desviaciones estándar.
Continuando por las funciones de impulso-respuesta a nivel ciudades, al analizar a Barranquilla se puede encontrar que tiene un comportamiento similar al IPC Nacional, en donde un aumento en la DTF repercute en un mayor IPC, pero en el periodo 19 empieza a descender y pierde significancia estadística en el mes 24. Este último comportamiento de las bandas de confianza cuando tocan el punto de partida – la línea horizontal desde 0 – en el periodo 24 ocurre también en Bogotá, Bucaramanga, Cali, Cúcuta, Medellín y Montería.
De igual forma, cabe resaltar que ciudades como Bogotá, Cali, Cartagena, Cúcuta, Medellín, Montería, Pasto y Villavicencio presentan un resultado en forma de “m”, lo que quiere decir que responden con una subida en el IPC ante un choque en la DTF entre 8 y 10 meses, y luego presentando un pequeño descenso, que dura entre 3 y 6 meses, para luego subir y volver a bajar definitivamente hacia la convergencia.
Por otro lado, la ciudad en la que primero pierde la significancia estadística el choque es en Pasto, en donde en el mes 10, el intervalo al 95% inferior toca el 0. De igual forma, en esta ciudad es donde el choque no tiene tanta volatilidad, ya que como se puede observar en el Gráfico 5, es casi plana la función impulso-respuesta comparada con las ciudades restantes y el agregado nacional.
De la mano con lo anterior, ciudades como Manizales y Villavicencio presenta una pendiente a la baja desde el mes 8, lo que quiere decir que son las primeras ciudades en donde responde más rápidamente el IPC a las intervenciones de Banco de la República, mientras que en Bucaramanga, Pasto y Pereira empiezan a tener una tendencia clara hacia la baja en el mes 20. Tales resultados pueden venir explicados por la credibilidad que tienen las personas en la política monetarias de Banco de la República (Correa, 2004). Es decir, posiblemente en las ciudades en donde disminuye más rápidamente la inflación son lugares en donde se confía en mayor medida en el banco central de Colombia. Por último, cabe mencionar que los resultados anteriores van acordes con lo encontrado en otras investigaciones, en donde un aumento de la tasa de interés, representada a través de una tasa de mercado, aumenta los niveles del IPC en los primeros periodos, y posteriormente, aproximadamente 2 años después, convergen hacia cero (Londoño et al., 2012).
6 Resultados
Los expertos, en cabeza del gobierno, han mencionado que los aumentos constantes de la tasa de intervención solo afectan a los agentes de la economía, los cuales no podrán apalancar sus gastos con préstamos provenientes del sistema financiero. Así, en este documento de trabajo se estima el efecto que tiene una variación en la tasa de intervención, medida a través de la DTF, sobre el IPC, no solo para el agregado nacional, sino también para cada una de las ciudades principales del país.
Dentro de los resultados estimados por modelos VAR, se encuentra que el IPC tanto Nacional como a niveles de las 13 ciudades principales de Colombia, ante una política monetaria contractiva tienen un compartimiento con forma de m. Ahora bien, Manizales y Villavicencio son las ciudades que responden más rápidamente a las acciones del Banco de la República, mientras que las otras ciudades y el agregado responden aproximadamente 2 años después del choque. Dichos resultados van con lo encontrado por otros autores y con la lógica de la teoría, en donde un aumento de la tasa de interés se transmite a través de diferentes canales, entre ellos, el de crédito, que a su vez se traduce en mayores niveles de IPC o inflación en el corto plazo, y periodos posteriores, empieza a disminuir. De igual forma, para su gran mayoría, hay significancia estadística hasta el periodo 23, en el cual la banda de confianza inferior al 95% toca el 0.
De lo anterior se sugiere que la velocidad de reacción de una política monetaria contractiva de una ciudad puede venir explicada por la credibilidad que tenga este lugar en las acciones el Banco de la República, en donde mayor fiabilidad haya en la máxima autoridad monetaria de Colombia se traduce en menores tiempos de alta inflación. Así mismo, para futuras investigaciones se incita a evaluar el papel de la credibilidad de un banco central por ciudades, y cómo tal reputación repercute en el control de la inflación y desempleo en tales localizaciones. A su vez, es de gran importancia estudiar la interacción de múltiples variables de precios, macroeconómicas y del sector real por ciudades, ante choques de una política económica. Por último, y a modo de complemento de esta investigación, sería de gran importancia expandir los resultados aquí encontrados, tanto por departamentos, y si en algún momento los datos lo permiten, por municipios. Lo anterior con el fin de formular políticas públicas que tengan en cuenta las heterogeneidades de cada región, que en últimas significan mejores niveles de calidad de vida.
7 Referencias
Banco de la República. (2016). Banco de la República reduce la tasa de interés de intervención en puntos básicos y la fija en 7,5%. https://www.Banco de la República.gov.co/es/comunicado-16-12-2016
Banco de la República. (2021). La Junta Directiva del Banco de la República mantiene la meta de inflación en 3% para 2022. https://www.Banco de la República.gov.co/es/juntadirectiva-del-banco-republica-mantiene-meta-inflacion-3-para-2022
Banco de México. (2005). Reducción de la inflación a través de un esquema de objetivos de inflación: La experiencia mexicana. Banxico. https://www.banxico.org.mx/publicaciones-y-prensa/documentos-de-investigacion-del-banco-de-mexico/%7B028AF129-4A5D-27AB-ECF0-A742DC571F1F%7D.pdf
Barnichon, R., Matthes, C., & Sablik, T. (2017). Are the effects of monetary policy asymmetric? Richmond Fed Economic Brief. https://www.richmondfed.org//media/richmondfedorg/publications/research/economic_brief/2017/pdf/eb_17-03.pdf
Becerra, Ó. R., & Melo, L. F. (2009). Transmisión de tasas de interés bajo el esquema de metas de inflación: evidencia para Colombia. Cuadernos de economía, 46(133), 103-134. http://dx.doi.org/10.4067/S0717-68212009000100005
Bekaert, G., Hoerova, M., & Lo Duca, M. (2013). Risk, uncertainty and monetary policy. Journal of Monetary Economics, 60(7), 771–788. doi:10.1016/j.jmoneco.2013.06.003
Beltrán, A., & Villamil, J. (2021). Pandemia y política económica: la política monetaria en discusión. Revista De Economía Institucional, https://doi.org/10.18601/01245996.v24n46.09 24(46), 167–193.
Berger, A. N., & Bouwman, C. H. S. (2017). Bank liquidity creation, monetary policy, and financial crises. Journal doi:10.1016/j.jfs.2017.05.001 of Financial Stability, 30, 139–155.
Bhuiyan, E. M., & Chowdhury, M. (2019). Macroeconomic Variables and Stock Market Indices: Asymmetric Dynamics in the US and Canada. The Quarterly Review of Economics and Finance. doi:10.1016/j.qref.2019.10.005
Bruno, V., & Shin, H. S. (2015). Capital flows and the risk-taking channel of monetary policy. Journal of Monetary Economics, 71, 119–132. doi:10.1016/j.jmoneco.2014.11.011
Calvo, G. A., & Mishkin, F. S. (2002). The mirage of exchange rate regimes for emerging market countries. Journal of Economic Perspectives, 17(4), 99-118.
Canova, F. (2005). The transmission of US shocks to Latin America. Journal of Applied econometrics, 20(2), 229-251. https://www.jstor.org/stable/25146353
Cárdenas, J. I., & Zamudio, L. V. (2013). Behavior of inflation in Colombia 2002-2010 and inflation targeting regime. Apuntes del Cenes, 32(55), 33–54. https://doi.org/10.19053/22565779.2061
Cárdenas, J., Vallejo, L. & Fuentes, H. (2017). La tasa de interés de intervención y su efecto sobre inflación en Colombia, 2002-2016. Universidad Libre. https://revistas.unilibre.edu.co/index.php/saber/article/view/2089/1985
CEPAL. (2009). Estudio económico de América Latina y el Caribe 2008-2009. Colombia. https://repositorio.cepal.org/bitstream/handle/11362/1068/22/Colombia_es.pdf
Corbo, V., y Hernández, L. (2005). Ochenta años de historia del Banco Central de Chile. Documentos de Trabajo (Banco Central de Chile), (345), 1. https://www.bcentral.cl/documents/33528/133326/bcch_archivo_137308_es.pdf/b24b6677-ef56-4d02-2724-b52a531551a2?t=1655149225373
Correa, A. (2004). Canales de transmisión monetaria: una revisión para Colombia. Revista de Economía, Gestión y Desarrollo, 2, 9-31.
Dickey, D. A., & Fuller, W. A. (1979). Distribution of the Estimators for Autoregressive Time Series With a Unit Root. Journal of the American Statistical Association, 74(366), 427-431. https://doi.org/10.2307/2286348
Fernández-Villaverde, J., Rubio-Ramírez, J. F., & Schorfheide, F. (2016). Solution and Estimation Methods for DSGE Models. Handbook of Macroeconomics, 527–724. doi:10.1016/bs.hesmac.2016.03.006
Findeter. (2022). La inflación: evolución reciente e implicaciones de política. https://repositorio.findeter.gov.co/handle/123456789/9998
Fraga, A., Goldfajn, I., & Minella, A. (2003). Inflation targeting in emerging market economies. NBER macroeconomics annual, 18, 365-400. https://www.nber.org/booksand-chapters/nber-macroeconomics-annual-2003-volume-18/inflation-targeting-emerging-market-economies
Furceri, D., Loungani, P., & Zdzienicka, A. (2018). The effects of monetary policy shocks on inequality. Journal of International Money and Finance, 85, 168-186. https://doi.org/10.1016/j.jimonfin.2017.11.004
Gómez, O. (2021). Canales de transmisión del precio de la vivienda usada en Colombia: una aproximación FAVAR. Universidad Santo Tomas. https://repository.usta.edu.co/bitstream/handle/11634/33459/2021oscargomez.pdf?sequence=1&isAllowed=y
González, H. (2016). Crisis económica 2015 – 2016. El Espectador. https://www.elespectador.com/opinion/columnistas/hernan-gonzalez-rodriguez/crisis-economica-2015-2016-column-592730/
Gutiérrez-Rueda, J., & Murcia-Pabón, A. (2015). El papel de la estructura del sistema financiero en la transmisión de la política monetaria. Ensayos sobre Política Económica, 33(76), 44–52. doi:10.1016/j.espe.2014.12.003
Gutiérrez, E. y López, L. (2001). Inflación objetivo ¿Una panacea? Semestre Económico, 5(10), 4-6. https://dialnet.unirioja.es/servlet/articulo?codigo=5248655
Hernandez, G. (2022). El desempleo alto y ahora la inflación también. Razón Pública. https://razonpublica.com/desempleo-alto-ahora-la-inflacion-tambien/
Jovanovic, B., & Josimovski, M. (2021). Income-specific inflation rates and the effects of monetary policy: the case of North Macedonia (No. 1/2021). Working Paper. https://ideas.repec.org/p/mae/wpaper/2021-01.html
Kwiatkowski, D., Phillips, P. C., Schmidt, P., & Shin, Y. (1992). Testing the null hypothesis of stationarity against the alternative of a unit root: How sure are we that economic time series have a unit root?. Journal of econometrics, 54(1-3), 159-178. https://doi.org/10.1016/0304-4076(92)90104-Y
Londoño, A. F., Tamayo, J. A., & Velásquez, C. A. (2012). Dinámica de la política monetaria e inflación objetivo en Colombia: una aproximación FAVAR. Ensayos sobre Política Económica, 30(68), 12-71.
Lubik, T. A., & Schorfheide, F. (2004). Testing for Indeterminacy: An Application to U.S. Monetary Policy. American Economic Review, 94(1), 190–217. doi:10.1257/000282804322970760
Moreno, C. F. D., & Gil, J. M. U. (2016). Effects of the United States interest rate innovations on Colombia, Peru and Chile. Revista De Economía Del Caribe, 17, 143-162.
Nelson, B., Pinter, G., & Theodoridis, K. (2018). Do contractionary monetary policy shocks expand shadow banking?. Journal of Applied Econometrics, 33(2), 198-211.
https://doi.org/10.1002/jae.2594
Ochoa, H., & Martínez, A. (2005). El comportamiento de la inflación en Colombia durante el periodo 1955-2004. Estudios Gerenciales, 21(95), 75-93. http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S012359232005000200004
Pardo, G, & Clavijo, Pedro. (2018). Una evaluación de la estrategia de inflación objetivo en Colombia. Revista Finanzas y Política Económica, 10(1), 189-210. https://doi.org/10.14718/revfinanzpolitecon.2018.10.1.8
Phillips, P. C., & Perron, P. (1988). Testing for a unit root in time series regression. Biometrika, 75(2), 335-346. https://doi.org/10.1093/biomet/75.2.335
Sims, C. A. (1980a). Macroeconomics and reality. Econometrica, 1-48. https://doi.org/10.2307/1912017
Sims, C. A. (1980b). Comparison of Interwar and Postwar Business Cycles: Monetarism Reconsidered. American Economic Review, 70(2), 250–257. http://www.jstor.org/stable/1815476
Stock, J. H., & Watson, M. W. (2001). Vector Autoregressions. Journal of Economic Perspectives, 15(4), 101–115. doi:10.1257/jep.15.4.101