Identifying economic cycles in Spain using wavelet functionsoil price, industrial production and consumer price indices

  1. Concepción Nieves González Concepción 1
  2. María Candelaria Gil Fariña 1
  3. Celina Pestano Gabino 1
  1. 1 Universidad de La Laguna
    info

    Universidad de La Laguna

    San Cristobal de La Laguna, España

    ROR https://ror.org/01r9z8p25

Revista:
Rect@: Revista Electrónica de Comunicaciones y Trabajos de ASEPUMA

ISSN: 1575-605X

Ano de publicación: 2018

Volume: 19

Número: 1

Páxinas: 1-16

Tipo: Artigo

DOI: 10.24309/RECTA.2018.19.1.01 DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Outras publicacións en: Rect@: Revista Electrónica de Comunicaciones y Trabajos de ASEPUMA

Indicadores

Citas recibidas

  • Citas en Scopus: 0 (21-01-2023)

SCImago Journal Rank

  • Ano 2018
  • Impacto SJR da revista: 0.101
  • Cuartil maior: Q4
  • Área: Economics and Econometrics Cuartil: Q4 Posición na área: 629/702
  • Área: Applied Mathematics Cuartil: Q4 Posición na área: 533/596

Índice Dialnet de Revistas

  • Ano 2018
  • Factor de impacto da revista: 0,060
  • Ámbito: ECONOMÍA Cuartil: C3 Posición no ámbito: 106/171

CIRC

  • Ciencias Sociais: C

Scopus CiteScore

  • Ano 2018
  • CiteScore da revista: 0.1
  • Área: Economics and Econometrics Percentil: 5
  • Área: Applied Mathematics Percentil: 3

Resumo

Este artículo analiza la realidad cíclica de la macroeconomía española en base a tres variables relevantes y a lo largo del periodo temporal más amplio que nos ha permitido la disponibilidad de datos: Precio del Petróleo (1946M1- 2015M9), Índice de Producción Industrial (1993M2-2015M9) e Índice de Precios al Consumidor (1961M1-2015M9). El impacto que ejerce el precio del petróleo en la economía ha sido estudiado extensa e intensamente, aunque modelizar sus efectos no es una cuestión trivial. Nuestra contribución se centra en la aplicación de funciones wavelet tipo Morlet para identificar la presencia de ciclos inestables en base a los datos conocidos mediante la computación de la Potencia Espectral Wavelet usando MATLAB. Adicionalmente, algunas técnicas bivariantes son útiles para visualizar la relación entre las tres variables consideradas. En concreto, la Coherencia Wavelet Cruzada a través de las diferentes fases puede usarse para detectar sincronismos y posibles relaciones de causalidad según bandas de frecuencia a lo largo del tiempo. Finalmente, los resultados obtenidos por otros autores para las economías de Estados Unidos y Alemania, en base a estas mismas variables y mismas técnicas con funciones wavelets, nos permiten añadir algunas conclusiones comparativas.

Información de financiamento

This research was funded in part by Spanish Ministry of Education and Science (MTM2012-38163-C06-01 and MTM2015-71352-P).

Financiadores

  • Ministry of Education and Science Spain
    • MTM2012-38163-C06-01
    • MTM2015-71352-P

Referencias bibliográficas

  • Addison, P. S., The illustrated wavelet transform handbook: introductory theory and applications in science, engineering, medicine and finance (CRC Press, 2017).
  • Aguiar-Conraria, L. and Soares, M.J., Oil and the macroeconomy: using wavelets to analyse old issues, Empirical Economics 40 (2011) 645-655.
  • Tiwari, A. K., Oil prices and the macroeconomy reconsideration for Germany: Using continuous wavelet, Economic Modelling 30 (2013) 636-642.
  • Gallegati, M., Wavelet analysis of stock returns and aggregate economic activity, Computational Statistics & Data Analysis 52(6) (2008) 3061-3074.
  • 5. González-Concepción, C., Gil-Fariña, M. C. and Pestano-Gabino, C., Wavelet power spectrum and cross-coherency of Spanish economic variables, Empirical Economics, (2017) 1-28, https://doi.org/10.1007/s00181-017-1295-5.
  • MATLAB 7.0, Software The Language of Technical Computing (The MathWorks, 2011).
  • Aguiar-Conraria, L. and Soares, M.J., The Continuous Wavelet Transform: A Primer, https://repositorium.sdum.uminho.pt/bitstream/1822/12398/4/NIPE_WP_16_2011.pdf, NIPE WP 16 (2011)
  • 8. Baumeister, Christiane; K., L., Forty Years of Oil Price Fluctuations: Why the Price of Oil May Still Surprise Us", The Journal of Economic Perspectives 30 (1) (2016) 139–160. doi:10.1257/jep.30.1.139.
  • Bekiros, S., Nguyen, D. K., Junior, L. S., & Uddin, G. S., Information diffusion, cluster formation and entropy-based network dynamics in equity and commodity markets, European Journal of Operational Research 256(3) (2017) 945-961.
  • 10. Álvarez, L. J., Hurtado, S., Sánchez, I. and Thomas, C., The impact of oil price changes on Spanish and euro area consumer price inflation, Economic Modelling 28(1) (2011) 422-431. https://doi.org/10.1007/s00181-017-1295-5 https://repositorium.sdum.uminho.pt/bitstream/1822/12398/4/NIPE_WP_16_2011.pdf
  • Mingming, T. and Jinliang, Z., A multiple adaptive wavelet recurrent neural network model to analyze crude oil prices, Journal of Economics and Business, 64(4) (2012) 275-286.
  • Pulido San Román, A. La predicción en Economía: Posibilidades y Limitaciones, Estudios de Economía Aplicada, 35(2) (2017) 215-228.