ANÁLISIS DE COMPONENTES PRINCIPALES PARA LA EVALUACIÓN
DEL DESEMPEÑO ECONÓMICO ARGENTINO: 1960-2020
PRINCIPAL COMPONENTS ANALYSIS FOR THE EVALUATION OF
ARGENTINA'S ECONOMIC PERFORMANCE: 1960-2020
Baronio, Alfredo1; Rabanal, Cristian2
1Doctor en Ciencias Económicas, Universidad Nacional de Río Cuarto (UNRC) y Universidad Empresarial Siglo XXI (U21),
Argentina, Email: alfredomariobaronio@yahoo.com.ar ORCID: https://orcid.org/0000-0003-1421-9444
2 Doctor en Economía, Consejo Nacional de Investigaciones Científicas y Técnicas, Universidad Nacional de Villa Mercedes
(UNVIME) y Universidad Nacional de Río Cuarto (UNRC), Argentina, Email: cristianrabanal@conicet.gov.ar ORCID:
https://orcid.org/0000-0003-1608-2277
DOI: https://doi.org/10.5377/aes.v4i1.16443
Recibido 02/03/23 – Aceptado 18/05/23
Resumen
En este trabajo se presenta un análisis exploratorio de la
heterogeneidad temporal de la performance económica de
la economía argentina para el período 1960-2020, a partir
de datos de frecuencia anual. El objetivo es proponer tres
grupos de desempeño –que representan años de buena,
mala y muy mala performance económica– y
caracterizarlos a partir de un amplio conjunto de variables.
La metodología utilizada es exploratoria y está basada en
el Análisis de Componentes Principales (ACP), una
técnica que permite resumir la información de un conjunto
de datos multivariados y caracterizar a los grupos
obtenidos a partir de un pequeño número de ellas. Los
resultados obtenidos permiten evidenciar las
características principales de cada uno de los grupos. El
primero de ellos, que representa a los años de buena
performance económica corresponde al crecimiento
económico, el consumo de bienes finales y la formación
bruta de capital. El grupo dos, que incluye los años de
desempeño económico deficiente, no presenta variables
que lo caractericen, pero se encuentran ausentes en ellos
las variables que caracterizan al primer grupo. Finalmente,
el tercer grupo, abarca los años de crisis económicas
severas y disruptivas, siendo las variables que mejor lo
representan la abrupta tasa de crecimiento del ratio
deuda/PBI del gobierno central, la tasa de crecimiento del
crédito interno –tanto al sector privado como al sector
financiero, la tasa de crecimiento del comercio y la tasa de
crecimiento de las exportaciones.
Palabras clave: análisis de componentes principales,
clasificación temporal, performance económica.
Abstract
This article presents an exploratory analysis of the
temporal heterogeneity of the economic performance of
Argentina’s Economy for the period 1960-2020 based on
annual frequency data. The objective is to propose three
groups of performance -representing years of good, bad
and very bad economic performance- and characterize
them based on a wide set of variables. The methodology
used is exploratory and is based on Principal Component
Analysis (PCA), a technique that allows to summarize the
information from a multivariate data set and
characterizing the groups obtained from a small number.
The results obtained show the main characteristics of each
of the groups. The first of them, which represents the
years of good economic performance, are economic
growth, consumption of final goods and gross capital
formation. Group two, which includes the years of
deficient economic performance, does not present
variables that characterize it, but the variables that
characterize the first group are absent. Finally, the third
group, the years of severe and disruptive economic crises,
the variables that best represent it, are the abrupt growth
rate of the debt/GDP ratio of the central government, the
growth rate of domestic credit -both the private sector and
the financial sector-, the growth rate of trade and the
growth rate of exports.
Keywords: Principal Component Analysis, temporal
classification, economic performance.
105
__________________________________________________________________________________________________________________________
Autor por correspondencia: cristianrabanal@conicet.gov.ar (Rabanal, Cristian)
Forma sugerida de citación: Baronio, A., y Rabanal, C. (2023). Análisis de componentes principales para la evaluación del desempeño
económico argentino: 1960-2020. Apuntes de Economía y Sociedad, 4(1), 105-114. https://doi.org/10.5377/aes.v4i1.16443
Copyright © Universidad Nacional Autónoma de Nicaragua, León (UNAN-León)
Conflicto de intereses: Los autores han declarado que no existen ningún conflicto de interés.
Apuntes de Economía y Sociedad N.º 4 (1) junio 2023/ 105-114/ ISSN: 2709 - 7005
I- Introducción
La caracterización cíclica de un conjunto de variables macroeconómicas de interés es uno de los procedimientos
habitualmente desarrollados por los investigadores para la determinación de los atributos económicos de un país o de una
región económica, en un período de tiempo determinado. El mismo consiste en la extracción de componentes cíclicos
mediante algún procedimiento de filtrado y la posterior clasificación de las variables en lo relativo a comovimiento, cambio
de fase, correlación y análisis de persistencia.
No obstante, una de las mayores debilidades de ese proceder radica en la operación principal, que condiciona luego todo el
análisis posterior: la extracción del componente cíclico. La disponibilidad de un gran número de enfoques y procedimientos
junto con las debilidades asociadas a cada uno de ellos ha contribuido al desarrollo de nuevos procedimientos. Por ejemplo,
el filtro de Cristiano-Fitzgerald es el más general dentro de los filtros band pass que permite que cambien las ponderaciones
de los adelantos y rezagos en su representación de medias móviles, por lo que se minimiza el problema de inicio y final de
la muestra que padecen otros (Peña y Reyes, 2019). Cabe recordar el conocido problema de filtros habituales como el
Hodrick-Prescott, a la hora de extraer el componente cíclico al comienzo o final de la muestra.
Por otra parte, la elaboración de cronologías cíclicas (Turning Points) suele también depender en gran medida del tipo de
análisis que se está llevando adelante –ciclos de crecimiento (Growth Cycles) vs. ciclos de negocios (Business Cycles)– y de
los procedimientos metodológicos que los mismos tienen implicados, requiriendo en el primer caso la extracción del
componente cíclico.
Resulta evidente entonces, que la cuestión estadística relativa a la obtención del componente cíclico es un aspecto de gran
relevancia, que en muchas ocasiones se ha convertido en una discusión teórica que ha adquirido un protagonismo igual o
mayor que el tema que se quiere estudiar.
El problema de investigación consiste en aplicar una metodología innovadora, basada en la clasificación del tiempo para
caracterizar por grupos de años, no cronológicamente, la performance económica de un país. De esta manera, se pueden
obtener procesos temporales que llevan a clasificar y distinguir años no solo en función de los indicadores de resultados. En
ese contexto, ¿cómo se podría caracterizar el desempeño económico mediante un procedimiento que no dependa del filtrado
cíclico? El objetivo del trabajo es realizar un análisis exploratorio de la performance económica argentina en el período
1960-2020 desde una perspectiva completamente diferente. En particular, se propone la aplicación del Análisis de
Componentes Principales (ACP) a un conjunto de 16 variables de interés macroeconómico obtenidas de la base de datos del
Banco Mundial. Desde esta perspectiva se propone “clasificar” el tiempo, esto es la heterogeneidad temporal, para agrupar
años en función de sus resultados –desde el punto de vista macroeconómico– así como también caracterizar dichos grupos.
La utilidad de este proceder radica en la posibilidad de aportar información valiosa sobre las características de los años de
buen desempeño económico y examinar esos resultados a la luz de los principales postulados teóricos.
Además de esta introducción, el artículo presenta otras cuatro secciones. En la segunda se realiza una revisión de la
literatura relevante. La tercera sección aborda la cuestión de los datos y la metodología utilizada. La cuarta sección muestra
los principales resultados obtenidos. Finalmente, la quinta sección presenta las principales conclusiones.
II- Revisión de la literatura
Para el caso argentino, la evidencia empírica que utiliza este procedimiento propuesto es relativamente escasa, destacándose
el trabajo de Elosegui, Garegnani, Lanteri y Blanco (2008), aunque empleado con un objetivo un tanto diferente al que
persigue esta investigación. En dicho estudio los autores procuran construir un indicador adelantado y consistente con el
ciclo económico, a partir de un gran número de series e índices trimestrales, para la economía argentina.
Asimismo, existen antecedentes del uso del ACP a niveles subnacionales con el objetivo perseguido en este trabajo. En este
contexto, Zhu (1998) realiza un estudio ilustrativo del desempeño económico de 18 ciudades y regiones chinas aplicando
dicha técnica y el análisis de datos envolventes.
Por otra parte, también es posible encontrar contribuciones de ACP aplicado a la performance de un conjunto de países.
Coccia (2007) propone una taxonomía para países, basada en el análisis de componentes principales. En el documento
analiza a 51 países, utilizando un conjunto de 13 indicadores de desempeño económico y tecnológico para el período 2000–
2002, a los efectos de facilitar la identificación del desempeño y el riesgo del país.
106
Apuntes de Economía y Sociedad N.º 4 (1) junio 2023/ 105-114/ ISSN: 2709 - 7005
También existen importantes aplicaciones a nivel de organizaciones. En este sentido, Jiang y Cai (2018), por ejemplo,
utilizan la técnica del ACP para construir indicadores destinados a evaluar la performance de las empresas.
En el plano de la sustentabilidad, Mirshojaeian y Kaneko (2011) utilizan ACP con el objetivo de realizar una evaluación
dinámica de la sostenibilidad de los países a nivel macro. Los autores aplican el análisis a un grupo de 131 países, en el
período 2000-2007 y con el fin de hacer un seguimiento de la sostenibilidad de una manera dinámica.
En el marco de aplicaciones financieras, el ACP también ha estado presente. Creel, Hubert y Labondance (2015) construyen
un índice de estabilidad financiera a partir de dicha técnica, para posteriormente analizar la relación entre estabilidad
financiera y desempeño económico para un conjunto de 27 países miembros de la Unión Europea desde el 2011, en el
período 1998 y 2011.
Más recientemente, Dai, Xiong y Zhou (2021) han empleado el ACP para construir un índice de incertidumbre de política
económica global a partir de datos para veinte economías primarias de todo el mundo. Los autores encuentran evidencia de
que el ACP basado en el índice de incertidumbre de la política económica mundial es un buen indicador de la incertidumbre
de la política económica a escala mundial, lo que, de acuerdo con ellos, es coherente con el índice de incertidumbre de la
política económica mundial ponderado por el PIB.
Baronio, Buchieri, Ferro y Vianco (2022) utilizan el procedimiento para caracterizar la inclusión financiera, como medida
de desarrollo económico, clasificando a los países a partir de ACP para obtener grupo que presentan alta, media o baja
inclusión financiera y aplicar luego modelos econométricos de probabilidad que permiten analizar escenarios futuros de
mejora de los países más atrasados.
III- Metodología
El Análisis de Componentes Principales (ACP) es una técnica matemática y estadística de naturaleza exploratoria que
resume la información de un conjunto de datos multivariados, a los que transforma en un conjunto más pequeño conocido
como componentes principales (Díaz Monroy, 2002). De acuerdo con Baronio y Vianco (2018), una de las características de
estas nuevas variables es que la primera recogerá la mayor varianza del análisis, y las siguientes componentes irán
absorbiendo la varianza residual resultante de manera sucesiva.
Desde esta perspectiva, la posibilidad de conformar clusters resulta particularmente valiosa para la caracterización de los
resultados macroeconómicos obtenidos por el país, dado que en definitiva permite realizar una “clasificación” del tiempo,
agrupándolo, y proponiendo las variables que mejor representan a los años identificados en cada grupo.
El análisis de componentes principales (ACP) se utiliza cuando las variables objeto de estudio, como en este caso, son
cuantitativas. El centro de gravedad de la clase –ubicado en el punto donde confluyen las medias de todas las variables–, la
matriz de inercia –matriz de correlaciones de todas las variables–, la dimensión de la nube de puntos variables –la cantidad
de variables activas– son elementos fundamentales del ACP.
En efecto, el método permite transformar un conjunto de variables en un nuevo conjunto, las componentes principales, no
correlacionadas entre sí. De esta manera, se consigue una representación simplificada. Los datos se presentan en una tabla
rectangular con T líneas (en este caso el tiempo) y K columnas (variables). Hay dos espacios: RT, T unidades de
observación con los valores que toman para cada una de las k variables. Rk, k variables para cada unidad de tiempo.
La finalidad es buscar un subespacio Rp, p<k que contenga la mayor cantidad posible de información de la nube primitiva,
y que mejor se ajuste a la nube de puntos temporales. Así, se obtendrán nuevas variables, combinaciones lineales de las
variables originales llamadas componentes principales. Estas componentes son obtenidas por diagonalización de la matriz
de correlaciones entre las k variables de la tabla de datos. El proceso completo lleva primero a obtener los valores y luego
los vectores propios.
En términos más formales, y siguiendo el desarrollo de Baronio y Vianco (2018), el procedimiento consiste en utilizar una
Tabla de Datos con observaciones temporales y variables, el método consiste en sustituir el conjunto de variables por
sus componentes principales , o por un subconjunto de estas.
Sean
107
Apuntes de Economía y Sociedad N.º 4 (1) junio 2023/ 105-114/ ISSN: 2709 - 7005
(1)
las observaciones expresadas en forma de variables tipificadas, correspondiente a las variables incorporadas al análisis.
De esta forma:
(2)
será la matriz de correlaciones muestrales entre las variables.
Una de las características de estas nuevas variables es que la primera recogerá la mayor varianza del análisis, la segunda la
mayor parte de la varianza residual y así sucesivamente. Estas nuevas variables provienen de los vectores propios. Ahora
bien, para calcular los vectores propios se necesita, primero, calcular los valores propios y eso se obtiene diagonalizando la
matriz . Es posible demostrar que existen números reales positivos y vectores asociados
que forman una nueva base ortonormal de y que verifican,
(3)
(4)
(5)
(6)
La solución a este sistema genera los k valores propios buscados. A partir de ellos se calculan los vectores propios,
formando la matriz ortogonal
(7)
De esta forma, se tiene que
(8)
Representa la primera de las nuevas variables, denominadas componentes principales.
En forma matricial, se tiene que: (9)
En donde es un vector de elementos – observaciones transformadas, y un vector de k elementos –la primera
columna de la matriz de vectores propios–.
Una vez obtenidas las componentes principales, se retienen, generalmente, las dos primeras que son las que recogen mayor
inercia (varianza) y sobre ese plano se proyectan las unidades temporales observadas. Posteriormente, se efectúa una
partición sobre esa nube de puntos (años) proyectada en esa nueva representación a partir de métodos basados en distancia
euclídea y los más cercanos forman clases o clusters que se caracterizan por las variables más representativas.
Por el lado de los datos, la fuente de información es Banco Mundial y se consideran las siguientes variables en el período
1960-2020:
1. Tasa de crecimiento del PBI per cápita (Crec).
2. Formación bruta de capital -% del PIB- (FBC).
3. Tasa de crecimiento de importación de productos manufacturados (mc).
4. Tasa de crecimiento de la tierra utilizada en cereales (tierrac).
5. Tasa de crecimiento de emisiones CO2 (co2c).
6. Tasa de crecimiento del comercio -% del PIB- (comc).
7. Tasa de crecimiento de las exportaciones -% del PIB- (Xc).
8. Tasa de crecimiento del gasto de consumo final del gobierno general -% del PIB- (GPc).
9. Tasa de crecimiento de las reservas internacionales (Resc).
108
Apuntes de Economía y Sociedad N.º 4 (1) junio 2023/ 105-114/ ISSN: 2709 - 7005
10. Tasa de crecimiento del gasto en bienes de consumo final (CFc).
11. Tasa de crecimiento de masa monetaria -% del PIB- (MMc).
12. Tasa de crecimiento de Créditos al gobierno central -% del PIB- (Deudac).
13. Tasa de crecimiento del saldo de Balanza comercial de bienes y servicios -% del PIB- (BCc).
14. Tasa de crecimiento del Crédito interno al sector privado -% del PIB- (Credic).
15. Tasa de crecimiento de la tasa de inactividad por edades -% de la población en edad de trabajar- (Inactc).
16. Tasa de crecimiento del Crédito interno proporcionado por el sector financiero -% del PIB- (Sfc).
La selección de dichas variables responde, por un lado a la disponibilidad de información, y por otro a lo señalado por la
teoría económica. En relación con esto último, existe abundante literatura que estudia los efectos del crédito en la economía.
En ese sentido, las variables 14 y 16 procuran capturar lo que se conoce como el canal de demanda de los hogares
impulsado por el crédito -Credit-driven Household Channel- (Mian & Sufi, 2018), mientras que la 12 hace lo propio con
créditos al gobierno central. Además de los estudios referidos a la deuda de los hogares y el crecimiento, existe abundante
literatura que analiza la cuestión de la deuda del gobierno central y el crecimiento (Rabanal, 2022; Rabanal y Helbig, 2019;
Reinhart & Rogoff, 2010).
Luego existen variables referidas al comercio internacional (3, 6 y 7). Una de las hipótesis más declamadas en economía,
procedente de las teorías del comercio internacional, postula que las exportaciones constituyen un factor fundamental para
el crecimiento económico (Export-Led Growth Hypothesis). Teóricamente, existen varias razones para sostener esta
premisa. En primer lugar, las exportaciones suponen un incremento de la escala. Es decir, el acceso a otros mercados supone
desplazar la restricción que existiría para una economía en autarquía, algo que ya había sido teorizado por Adam Smith.
Este punto es particularmente importante para países o regiones con baja densidad poblacional y gran capacidad productiva,
como los es la República Argentina y muchas de sus regiones. En segundo lugar, puede considerarse que la eficiencia
productiva mejora producto de la competencia (Balassa, 1978) y del denominado learning by doing procedente de la
compra por parte de los no residentes. Por otro lado, las exportaciones constituyen la fuente de ingresos natural de divisas
para cualquier región o país, las que constituyen una base indispensable para la compra de bienes de origen externo,
particularmente bienes de capital. La importancia de esta tercera razón radica en la posibilidad de evitar las tradicionales
crisis de balanzas de pagos (crisis stop and go), lo que tiene estrecha relación con la inclusión de las variables 9, 11 y 13.
Asimismo, se incorporan variables centrales de la economía, como el PBI y algunos de sus componentes (1, 2, 8, 10), una
variable referida al mercado laboral (15) y finalmente la tasa de crecimiento de emisiones de CO2 como indicativa de la
cuestión ambiental.
IV- Resultados
La aplicación del ACP a la base de datos utilizada (ver anexo 1) permitió realizar una taxonomía de los años para
caracterizarlos luego en función de las variables más representativas. La Tabla 1 resume los principales resultados:
Tabla 1
Taxonomía de los años
Grupo 1
Grupo 2
Grupo 3
1961 1964 1965 1967 1968 1969
1970 1971 1973 1974 1975 1977
1978 1979 1980 1983 1984 1986
1987 1991 1992 1993 1994 1996
1997 1998 2003 2004 2005 2006
2007 2008 2010 2011 2013 2015
2017
1962 1963 1966 1972 1976 1982
1985 1988 1990 1995 1999 2000
2001 2009 2012 2014 2016 2018
2019 2020
1981 1989 2002
Fuente: Elaboración propia
109
Apuntes de Economía y Sociedad N.º 4 (1) junio 2023/ 105-114/ ISSN: 2709 - 7005
Como se puede apreciar, la clasificación del tiempo resulta en tres grupos relevantes. El primero de ellos, en general,
resume años de performance económica “buena” en términos generales, mientras que el grupo 2 presenta años “malos” y el
grupo 3 años “muy malos” o de crisis económicas muy severas. La Figura 1 muestra la información de la tabla 1.
Figura 1. Clusters obtenidos mediante ACP
Fuente: Elaboración propia
Es importante destacar que este agrupamiento no pretende realizar un análisis de cronología cíclica (turning points) como en
el análisis habitual del ciclo económico, sino más bien obtener una caracterización amplia, de naturaleza exploratoria, y
basada en la multidimensionalidad de las variables que componen la tabla de datos. De cualquier manera, una comparación
con una cronología cíclica ya establecida puede resultar valiosa para cotejar los resultados obtenidos por procedimientos
basados en una sola variable con relación al procedimiento propuesto aquí. En este sentido, se presenta la cronología
elaborada por Rabanal (2017) a tal efecto:
Tabla 2
Puntos de giro
LPBI
Ciclo de crecimiento del LPBI
Trimestral
Anual
Trimestral
Anual
Pico
Valle
Pico
Valle
Pico
Valle
Pico
Valle
1982:2
1913
1917
1980:3
1982:2
1902
1984:2
1985:3
1929
1932
1984:2
1985:3
1912
1917
1987:3
1990:1
1961
1963
1987:3
1990:1
1929
1932
1994:4
1995:3
1974
1976/1978
1994:2
1995:4
1937
1945
1998:2
2002:1
1980
1982/1985
1998:2
1999:3
1948
1952
2008:3
2009:2
1987
1990
2001:1
2002:1
1958
1963
1998
2002
2007:4
2009:2
1980
1990
2011:2
1998
2002
Fuente: Rabanal (2017)
Como se puede apreciar de las Tablas 1 y 2 el grado de coincidencia es alto. No obstante, la aplicación multivariada puede
resultar pertinente para no solo agrupar y caracterizar años, sino también poder elaborar, posteriormente, indicadores de
procesos y analizarlos luego a la luz de los postulados teóricos.
Una vez obtenidos los grupos de años, resulta pertinente ilustrar cuáles han sido las variables que mejor representan a cada
uno de ellos y cuáles son las que están ausentes en el agrupamiento propuesto. En ese sentido, se presentan las particiones
de la caracterización de los grupos en la Figura 2:
110
Apuntes de Economía y Sociedad N.º 4 (1) junio 2023/ 105-114/ ISSN: 2709 - 7005
Figura 2. Caracterización de particiones por grupo
Fuente: Elaboración propia
Como se detalla a continuación, las variables utilizadas caracterizan a cada grupo de años. Con relación al cluster 1, las
variables que mejor lo representan son la tasa de crecimiento en bienes de consumo final, el crecimiento del PBI per cápita,
la formación bruta de capital y las emisiones de CO2 (lo cual está relacionado directamente con el crecimiento económico).
Las variables que se oponen, es decir, las características que no están presentes en este primer grupo son la tasa de
crecimiento del comercio y la tasa de crecimiento de las exportaciones. La media de las variables que ilustran positivamente
a este grupo tiene una media mayor a la media de esas mismas variables para toda la muestra (Mean Group vs. Mean
Overall). En particular, la tasa de crecimiento de consumo en bienes finales es 2,6 veces mayor en los años del grupo 1, la
tasa de crecimiento del PBI per cápita 4 veces más alta y la formación bruta de capital como porcentaje del PBI unas 6
veces mayor. Asimismo, el desvío estándar para estas variables es significativamente menor. Estos resultados muestran,
para el caso argentino, respaldo a las teorías que proponen a la renta como determinante del consumo, así como también al
efecto acelerador, según el cual el crecimiento de la economía afecta positivamente la formación bruta de capital.
Asimismo, y con relación al desvío estándar de las variables, en los estudios tradicionales de caracterización cíclica también
existen estudios para Argentina que muestran alta volatilidad relativa del ciclo de la inversión respecto del ciclo del
producto (Jacobo & Marengo, 2020; Rabanal, 2014).
111
Apuntes de Economía y Sociedad N.º 4 (1) junio 2023/ 105-114/ ISSN: 2709 - 7005
El segundo grupo, no presenta variables que lo representen por la positiva, pero sí se encuentra significancia estadística en
variables que no están presentes. Ellas son las emisiones de dióxido, formación bruta de capital, crecimiento del PBI per
cápita y tasa de crecimiento de consumo de bienes finales.
Finalmente, el tercer grupo, que contiene años de crisis económicas severas, o crisis macrofinancieras, permite establecer
como principales características la tasa de crecimiento del ratio deuda/PBI del gobierno central, la tasa de crecimiento del
crédito interno –tanto al sector privado como al sector financiero–, la tasa de crecimiento del comercio y la tasa de
crecimiento de las exportaciones. Las variables con significancia estadística que no se encuentran en este grupo son las
mismas del grupo 2. La explicación económica de las variables representativas es relativamente sencilla. En primer lugar,
las crisis severas caracterizadas por fuertes depreciaciones de la moneda doméstica provocan de manera inmediata un salto
muy pronunciado en el ratio deuda/PBI del gobierno central producto del desplome del PBI valuado en dólares. En segundo
lugar, la pérdida de empleos y/o ingreso resultante de las crisis severas repercute en mayor endeudamiento por parte de los
agentes económicos a los efectos de suavizar las trayectorias de consumo, algo que resulta completamente compatible con
la teoría del ciclo vital (Ando & Modigliani, 1963). Adicionalmente, las fuertes depreciaciones de la moneda impulsan a las
exportaciones de forma muy marcada, junto con una mejora del comercio internacional del país (en porcentaje del PBI),
razón por la que la media para estas variables en los años abarcados en el grupo 3 es más de 15 veces el valor que las
mismas asumen para la muestra completa.
La caracterización de la performance económica a nivel exploratorio realizada aquí resulta útil para entender algunos
motivos por los que, en palabras de Campos et. al. (2021), Argentina es el único país en el mundo que a comienzos del siglo
XX era un país desarrollado y al comenzar el siglo XXI es un país en desarrollo.
Es importante mencionar que estos resultados procedentes del empleo de una técnica exploratoria deben ser considerados
como un complemento, más que un sustituto, de otros procedimientos comúnmente analizados. Aunque puede reportar
beneficios procedentes de la multidimensionalidad que permiten caracterizar mejor las distintas performances de una
economía, cabe mencionar que el “PCA no es una panacea ya que se limita al análisis ex post y no es una herramienta
adecuada para el análisis prospectivo. Además, debido a la naturaleza estadística de PCA, puede producir algunos resultados
que son injustificables para los investigadores” (Mirshojaeian y Kaneko, 2011; p. 819).
V- Conclusiones
En este trabajo se abordó de manera exploratoria la heterogeneidad temporal de la performance económica de 60 años de la
economía argentina a partir del empleo del Análisis de Componentes Principales (ACP). Este procedimiento permitió
encontrar tres grupos de desempeño –que vienen a representar años buenos, malos y muy malos o de crisis severas– y
caracterizarlos a partir de un amplio conjunto de variables. Se realizó con la intención de determinar las condiciones de
variabilidad de las estructuras temporales.
Los principales resultados permitieron en primer lugar obtener tres clusters con años de distintas performances. Dichos años
se cotejaron con cronologías cíclicas univariadas para la economía argentina obteniendo un alto grado de correspondencia.
Las características principales del primer grupo son el crecimiento económico, el consumo de bienes finales y la formación
bruta de capital. Esas mismas variables son las que están ausentes del grupo dos. En relación con el tercer grupo, las
variables que lo caracterizan son la tasa de crecimiento del ratio deuda/PBI del gobierno central, la tasa de crecimiento del
crédito interno –tanto al sector privado como al sector financiero–, la tasa de crecimiento del comercio y la tasa de
crecimiento de las exportaciones. En todos los casos, los resultados presentan alta adecuación a los postulados teóricos en
términos de resultados esperables.
Asimismo, se muestra la posibilidad de estudiar la performance de un país sobre la base de la clasificación de años,
observando un conjunto de variables no solo un análisis unidimensional (esto es, analizar el ciclo a partir del nivel de
actividad económica únicamente). Se propone, por tanto, pasar de un análisis unidimensional a un análisis multidimensional
a través de métodos factoriales, que permiten clasificar el tiempo.
A partir de esta primera aproximación obtenida en el presente trabajo, el análisis podría ser continuado a partir de la
elaboración de modelos econométricos capaces de incorporar dicho agrupamiento mediante variables instrumentales y/o
ficticias. El modelo econométrico que se propone utilizar a futuro contemplará, entonces, no solo indicadores de resultados,
sino de proceso para estudiar la evolución y performance económica de un país.
112
Apuntes de Economía y Sociedad N.º 4 (1) junio 2023/ 105-114/ ISSN: 2709 - 7005
VI- Referencias
Ando, A., & Modigliani, F. (1963). The "life cycle" hypothesis of saving: Aggregate implications and tests. The American
Economic Review, 53(1), 55-84. Recuperado de https://www.jstor.org/stable/1817129
Balassa, B. (1978). Exports and economic growth. Journal of Development Economics, 5(2), 181–189.
https://doi.org/10.1016/0304-3878(78)90006-8
Baronio, A. Buchieri, F., Ferro, G. y Vianco, A. (2022). Seguros, crecimiento económico, desarrollo humano y calidad
institucional: evidencia internacional y convergencia relativa. CEMA Working Papers: Serie Documentos de
Trabajo. 812, Universidad del CEMA. Recuperado de https://ideas.repec.org/s/cem/doctra.html
Baronio, A. y Vianco, A. (2018). Manual de Econometría. Río Cuarto-Argentina: UniRío Editora. .
Campos, N. F., Karanasos, M. G., Karoglou, M., Koutroumpis, P., Zopounidis, C., & Christopoulos, A. (2021). Apocalypse
now, apocalypse when? Economic growth and structural breaks in Argentina (1886–2003). Economics of
Transition and Institutional Change, 30(1), 3–32. https://doi.org/10.1111/ecot.12315
Coccia, M. (2007). A New Taxonomy of Country Performance and Risk Based on Economic and Technological Indicators.
Journal of Applied Economics, 10(1), 29–42. https://doi.org/10.1080/15140326.2007.12040480
Creel, J., Hubert, P., & Labondance, F. (2015). Financial stability and economic performance. Economic Modelling, 48, 25–
40. https://doi.org/10.1016/j.econmod.2014.10.025
Dai, P.-F., Xiong, X., & Zhou, W.-X. (2021). A global economic policy uncertainty index from principal component
analysis. Finance Research Letters, 40, 101686. https://doi.org/10.1016/j.frl.2020.101686
Díaz Monroy, L. G. (2002). Estadística multivariada: inferencia y métodos. Bogotá: Universidad Nacional de
Colombia. Recuperado de https://repositorio.unal.edu.co/handle/unal/79907
Elosegui, P., Garegnani, L., Lanteri, L., y Blanco, E. (2008). Indicadores agregados de actividad económica para Argentina:
el método de componentes principales. Ensayos Económicos (51), Banco Central de la República Argentina. Pp. 7-
41. Recuperado de https://www.bcra.gob.ar/pdfs/investigaciones/51_compprincipales.pdf
Jacobo, A. D. & Marengo, A. (2020). Are the Business Cycles of Argentina and Brazil Different? New Features and
Stylized Facts. Paradigma Económico, 12(2), 5-38. https://doi.org/10.36677/paradigmaeconomico.v12i2.14028
Jiang, L., Li, Y., & Cai, L.-P. (2018). Evaluation of enterprise economic performance based on principal component
analysis. Journal of Interdisciplinary Mathematics, 21(5), 1309–1314.
https://doi.org/10.1080/09720502.2018.1498004
Mian, A., & Sufi, A. (2018). Finance and business cycles: the credit-driven household demand channel. Journal of
Economic Perspectives, 32(3), 31–58. https://doi.org/10.1257/jep.32.3.31
Mirshojaeian Hosseini, H., y Kaneko, S. (2011). Dynamic sustainability assessment of countries at the macro level: A
principal component analysis. Ecological Indicators, 11(3), 811–823. https://doi.org/10.1016/j.ecolind.2010.10.007
Peña, G. S., y Reyes, P. M. (2019). Ciclos económicos y gasto público: un análisis de cambio estructural para la región
centro de México, 1980-2015. Paradigma Económico, 11(2), 5-38.
https://doi.org/10.36677/paradigmaeconomico.v11i2.10064
Rabanal, C. (2022). Deuda pública y crecimiento en Argentina: un análisis para el periodo 1970-2018. Revista de
Investigación Sigma, 9(01), 50-62. https://journal.espe.edu.ec/ojs/index.php/Sigma/article/view/2625
Rabanal, C., y Helbig, J. (2019). Midiendo el impacto de largo plazo para la relación Deuda Pública y Crecimiento
Económico en América Latina: 1970-2016. REICE: Revista Electrónica de Investigación en Ciencias Económicas,
7(14), 27-41. https://doi.org/10.5377/reice.v7i14.9372
Rabanal, C. (2017). Puntos de giro en la economía argentina. Revista de Economía Política de Buenos Aires, (16), 159-185.
https://ojs.econ.uba.ar/index.php/REPBA/article/view/1317
Rabanal, C. (2014). Características de las fluctuaciones cíclicas en la economía Argentina. Kairos: Revista de temas
sociales, (33), 9-18. Recuperado de https://revistakairos.org/caracteristicas-de-las-fluctuaciones-ciclicas-en-la-
economia-argentina/
113
Apuntes de Economía y Sociedad N.º 4 (1) junio 2023/ 105-114/ ISSN: 2709 - 7005
Reinhart, C. M., & Rogoff, K. S. (2010). Growth in a time of debt. American Economic Review, 100(2), 573–578.
https://doi.org/10.1257/aer.100.2.573
Zhu, J. (1998). Data envelopment analysis vs. principal component analysis: An illustrative study of economic performance
of Chinese cities. European Journal of Operational Research, 111(1), 50–61. https://doi.org/10.1016/s0377-
2217(97)00321-4
Contribución de los autores
CR: administración del proyecto, supervisión, conceptualización, investigación, metodología, análisis formal, redacción:
revisión y edición.
AB: conceptualización, software, curación de datos, análisis formal, validación, redacción: revisión y edición.
Financiación:
Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET), Universidad Nacional de Villa Mercedes
(UNVIME), Universidad Nacional de Río Cuarto (UNRC) y Universidad Empresarial Siglo XXI (U21).
114
