📈 economía

Dynamic Programming Treatment of the Solow and Ramsey–Cass–Koopmans Growth Models

Este artículo vincula los modelos de crecimiento de Solow y de Ramsey–Cass–Koopmans con la ecuación de Bellman para demostrar que, si bien la tasa de convergencia asintótica de la iteración de la función de valor ajustada está determinada por el factor de descuento, seleccionar una suposición inicial de la función de valor más cercana a la solución verdadera reduce significativamente el número de iteraciones requeridas para alcanzar un error objetivo.

Autores originales: Ahmad Y. A. Thabaineh, Adnan Daraghmeh, Alvaro H. Salas

Publicado 2026-10-09

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ahmad Y. A. Thabaineh, Adnan Daraghmeh, Alvaro H. Salas

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El crecimiento económico es la historia de cómo las sociedades se vuelven más ricas con el tiempo, produciendo más bienes y servicios para su gente. Durante décadas, los economistas han dependido de dos historias principales para explicar este proceso. La primera historia, conocida como el modelo de Solow, trata la cantidad de dinero que la gente ahorra e invierte como una regla fija, como una tasa impositiva establecida por un gobierno. Supone que si un país ahorra un cierto porcentaje de sus ingresos cada año, esa decisión simplemente se toma por ellos. La segunda historia, llamada el modelo de Ramsey, es más compleja. Sugiere que las personas son planificadores inteligentes que deciden cuánto ahorrar y cuánto gastar basándose en lo que les hará más felices a lo largo de toda su vida. Esta segunda historia es más difícil de resolver porque requiere calcular la mejor trayectoria posible para un hogar que vive para siempre, equilibrando el deseo de disfrutar la vida hoy frente a la necesidad de prepararse para el mañana.

Para resolver estos complejos problemas de planificación, los economistas utilizan una herramienta matemática llamada programación dinámica. Imagine intentar encontrar la mejor ruta a través de una ciudad vasta y con niebla. No puede ver todo el mapa a la vez, así que hace una suposición sobre la mejor ruta, comprueba si funciona y luego ajusta su suposición basándose en lo que ha aprendido. Repite este proceso, refinando su ruta paso a paso, hasta que está seguro de haber encontrado el camino más corto. En economía, este proceso se llama iteración de la función de valor. La computadora comienza con una suposición aproximada sobre cuánta utilidad obtiene un hogar de tener cierta cantidad de riqueza, y luego actualiza repetidamente esa suposición para ver si puede hacerlo mejor. La pregunta que los investigadores suelen enfrentar no es si este método eventualmente funciona, sino cuántos pasos le toma llegar allí. ¿Importa la suposición inicial o la computadora simplemente se desvive realizando el mismo número de pasos independientemente de dónde comience?

Un equipo de investigadores de universidades de Palestina y Colombia se propuso responder a esta pregunta específica utilizando un escenario económico muy conocido donde la respuesta correcta ya se conoce. Eligieron una versión simplificada del modelo de Ramsey donde las matemáticas pueden resolverse exactamente a mano, dándoles un objetivo perfecto al cual apuntar. Querían ver si comenzar el proceso de suposición de la computadora con un tipo específico de suposición educada haría que llegara a la respuesta correcta más rápido que comenzar con otra suposición igualmente razonable. No inventaron una nueva forma de resolver el problema; en su lugar, midieron cuidadosamente cómo la elección de la primera suposición cambiaba la velocidad de la solución.

Los investigadores ejecutaron sus simulaciones en una computadora utilizando una cuadrícula de 150 puntos para representar diferentes niveles de riqueza. Probaron dos suposiciones iniciales diferentes. La primera suposición era una fórmula que se parecía un poco a una curva logarítmica, mientras que la segunda era una curva diferente que ascendía más lentamente. Ambas suposiciones eran puntos de partida razonables, pero no eran iguales. Cuando dejaron que la computadora ejecutara su proceso de actualización estándar, los resultados mostraron una diferencia clara. La segunda suposición inicial permitió que la computadora alcanzara un alto nivel de precisión en 28 pasos. La primera suposición requirió 37 pasos para alcanzar ese mismo nivel de precisión. Esto significa que el simple hecho de elegir un mejor punto de partida ahorró a la computadora aproximadamente un 24 por ciento del trabajo.

Sin embargo, los investigadores encontraron que esta ventaja era temporal. Una vez que la computadora superó los primeros pasos, ambas suposiciones iniciales comenzaron a mejorar exactamente a la misma velocidad. La brecha entre ellas no creció ni disminuyó; se mantuvo constante. La mejor suposición inicial era simplemente que estaba más cerca de la respuesta final desde el principio, por lo que tenía menos distancia que recorrer. No era un corredor más rápido, solo uno que comenzó más cerca de la línea de meta. Esta distinción es importante porque le dice a los economistas que, si bien un buen punto de partida ahorra tiempo, no cambia la velocidad fundamental a la que la computadora aprende.

El estudio también descubrió un problema oculto con la forma en que estos modelos computacionales manejan las cantidades más pequeñas de riqueza. Cuando los investigadores observaron todo el rango de riqueza, incluyendo las cantidades más ínfimas cercanas a cero, la precisión de la computadora alcanzó un límite duro. No importaba cuántos pasos diera la computadora, el error cerca de la base no desaparecía. Esto sucedía porque la computadora estaba utilizando una cuadrícula con puntos espaciados uniformemente, lo cual es como intentar dibujar una curva muy aguda usando solo líneas rectas. Cerca de cero, la curva es tan empinada que las líneas rectas no pueden seguirla de cerca, creando un desenfoque permanente. Los investigadores demostraron que, si quisieran eliminar este desenfoque, no podrían simplemente ejecutar la computadora por más pasos; tendrían que usar una cuadrícula más fina con más puntos.

Además, el equipo descubrió que la computadora a menudo encuentra el mejor plan de gasto mucho más rápido de lo que encuentra el valor exacto de ese plan. En muchos estudios económicos, el objetivo es saber exactamente cuánta felicidad obtiene una persona de su riqueza. Pero si el objetivo es simplemente saber cuánto debería gastar o ahorrar una persona, la computadora puede encontrar esa respuesta muy rápidamente, incluso mientras todavía está luchando por precisar el valor exacto. Esto sugiere que, para muchos propósitos prácticos, los investigadores podrían no necesitar esperar a que la computadora termine su cálculo completo.

Finalmente, los investigadores compararon su método de simplemente suponer y comprobar contra una técnica más avanzada llamada iteración de política, que es como una forma más inteligente de navegar por la ciudad. Encontraron que el uso de esta técnica avanzada redujo el número de pasos necesarios mucho más de lo que lo hizo simplemente elegir una mejor suposición inicial. Si bien un buen punto de partida es útil, utilizar un algoritmo mejor es una forma mucho más poderosa de ahorrar tiempo. El estudio concluye que, cuando los economistas ejecutan estos modelos, deben tener cuidado de reportar no solo el resultado final, sino también cómo comenzaron, cómo midieron su progreso y qué tan finamente dibujaron su cuadrícula. Estos detalles importan porque determinan cuánto trabajo tuvo que hacer realmente la computadora para obtener la respuesta.

Resumen Técnico: Tratamiento mediante Programación Dinámica de los Modelos de Crecimiento de Solow y Ramsey–Cass–Koopmans

Planteamiento del Problema
El artículo aborda un detalle específico de implementación en la solución numérica de modelos de crecimiento óptimo: el impacto del valor inicial de la suposición de la función de valor en el esfuerzo computacional requerido para la Iteración de la Función de Valor Ajustada (VFI, por sus siglas en inglés). Si bien la teoría de los mapeos de contracción garantiza que los valores iniciales admisibles converjan al mismo punto fijo único, esta no especifica el número de iteraciones (barridos de Bellman) necesarios para alcanzar una tolerancia dada. Los autores investigan si la elección del valor inicial altera significativamente este costo computacional en el contexto del modelo de Ramsey–Cass–Koopmans con producción Cobb–Douglas y utilidad logarítmica.

Metodología
El estudio emplea un marco expositivo autónomo seguido de un riguroso análisis numérico:

Fundamento Teórico: Los autores derivan los modelos de Solow–Swan y Ramsey–Cass–Koopmans, transitando desde las formulaciones de Hamilton en tiempo continuo hacia una ecuación de Bellman en tiempo discreto. Establecen las propiedades de mapeo de contracción del operador de Bellman bajo supuestos de retorno acotado y discuten los desafíos específicos de la utilidad logarítmica no acotada (donde la función de valor es no acotada hacia abajo a medida que el capital se aproxima a cero).
Referencia Analítica: Para permitir una medición precisa del error, los autores utilizan la solución de forma cerrada para la función de producción Cobb–Douglas ( $f(k) = Ak^\alpha$ ) y la utilidad logarítmica ( $u(c) = \log c$ ) con depreciación total ( $\delta=1$ ). Esto proporciona una función de valor exacta $v^*(k) = c_1 + c_2 \log k$ contra la cual se pueden medir las aproximaciones numéricas.
Experimento Numérico:
- Algoritmo: VFI ajustada mediante interpolación lineal por tramos sobre una rejilla discreta de capital ( $I=150$ puntos).
- Parámetros: $A=1, \alpha=0.65, \beta=0.95$ .
- Suposiciones Iniciales: El estudio compara dos suposiciones iniciales específicas utilizadas en la literatura previa: $w_A(k) = 5 \log k - 25$ y $w_B(k) = 2k^{0.25} - 35$ .
- Métricas de Error: Los autores distinguen entre el error interior (evaluado en $k \ge 0.05$ para evitar problemas de discretización en el límite) y el error de la rejilla completa. También rastrean la convergencia de la función de política de forma separada de la convergencia de la función de valor.
- Comparaciones: El estudio extiende la comparación a una familia más amplia de inicializaciones y coteja el efecto de la inicialización frente a la iteración de política de Howard parcial.

Resultados Clave

Impacto de la Inicialización: La elección de la suposición inicial afecta materialmente el número de iteraciones necesarias para alcanzar una tolerancia de error específica. Para una tolerancia de error de norma sup interior de 1.0:
- La suposición $w_B$ requirió 28 barridos de Bellman.
- La suposición $w_A$ requirió 37 barridos de Bellman.
- Esto representa una reducción del 24% en el esfuerzo computacional para la suposición superior.
Tasas de Convergencia: A pesar de la diferencia en el recuento de iteraciones, ambas secuencias exhiben la misma tasa de decaimiento geométrico asintótico (aproximadamente 0.9499), lo cual coincide con el factor de descuento teórico $\beta = 0.95$ . La ventaja de $w_B$ se atribuye enteramente a un efecto de "distancia inicial" o transitorio (comienza más cerca del punto fijo en la norma sup), no a una tasa de convergencia asintótica diferente.
Error de Discretización del Límite: El estudio identifica una fuente significativa de error numérico cerca del límite inferior ( $k \to 0$ ). Debido a que la función de valor exacta tiene una singularidad logarítmica (pendiente no acotada) en cero, una rejilla uniforme crea un gran error de interpolación en el primer intervalo. Este error crea un "suelo de discretización" que impide que el error de norma sup de la rejilla completa desaparezca, independientemente del número de iteraciones.
Convergencia de Política vs. Valor: La función de política óptima (regla de consumo) converge a su suelo numérico mucho más rápido que la función de valor. Para la iteración 20, los errores de política están cerca del suelo de interpolación, mientras que los errores de la función de valor permanecen distintos. Esto implica que, para fines de simulación, las tolerancias estrictas de la función de valor pueden ser innecesarias.
Aceleración Algorítmica: Al compararse con la iteración de política de Howard parcial, la aceleración algorítmica demostró ser un factor más potente que la inicialización. El método de Howard redujo el recuento de barridos a 14 (desde $w_A$ ) y 6 (desde $w_B$ ), superando las ganancias logradas únicamente mediante la optimización de la suposición inicial.

Contribuciones Clave

Cuantificación de los Efectos de la Inicialización: El artículo proporciona un análisis cuantitativo reproducible de cómo las suposiciones iniciales de la función de valor afectan el costo computacional, yendo más allá de la inspección visual hacia trayectorias exactas de error de norma sup.
Separación de Fuentes de Error: Separa explícitamente el error de iteración finita (convergencia al punto fijo) del error de interpolación (resolución de la rejilla), demostrando que este último crea un límite duro para la precisión en rejillas uniformes con utilidad logarítmica.
Claridad Pedagógica: El artículo ofrece una derivación completa que vincula los modelos de Solow y Ramsey con la ecuación de Bellman, incluyendo la recursión de horizonte finito y la solución de forma cerrada, lo que hace que los experimentos numéricos sean auditables.
Reproducibilidad: Los autores proporcionan código Python determinista que reproduce cada tabla y figura numérica, asegurando que los resultados sean verificables.

Significancia y Reivindicaciones
El artículo afirma modestamente que su contribución principal no es un nuevo algoritmo, sino un análisis numérico cuidadoso de una elección de implementación a menudo pasada por alto: la suposición inicial de la función de valor. Argumenta que, si bien la inicialización es un margen útil para reducir el esfuerzo computacional, no es un sustituto de mejores algoritmos (como la iteración de Howard) o de rejillas mejor resueltas.

Los autores enfatizan que los profesionales deben reportar la inicialización, los criterios de parada, los dominios de evaluación (específicamente excluyendo las regiones de los límites donde los errores de discretización predominan) y la resolución de la rejilla en conjunto, en lugar de tratar la convergencia de VFI como una única métrica escalar. El estudio destaca que para los modelos de utilidad logarítmica, la distancia "transitoria" al punto fijo es el principal motor de los recuentos de iteraciones, mientras que la tasa asintótica permanece invariante.

Resumen Técnico: Tratamiento mediante Programación Dinámica de los Modelos de Crecimiento de Solow y Ramsey–Cass–Koopmans

Más como este