Si el PIB crece por abajo de la inflación
significa que los aumentos salariales tenderán a ser
menores que la misma.Un crecimiento del PIB representa mayores ingresos
para el gobierno a través de impuestos. Si el gobierno
desea mayores ingresos, deberá fortalecer las
condiciones para la inversión no especulativa, es decir,
fortalecer las condiciones para que las empresas que ya
existen sigan creciendo.
Información actual de la
variable PIB en la economía peruana
es:
El Producto Interior Bruto (PIB) registró en el
mes de abril su primer descenso en casi ocho años, al
retroceder 2,01 por ciento respecto al mismo mes de 2008,
según (INEI).Para el primer trimestre del año 2009 el PIB
fue de 1.8%.Según las expectativas anuales hasta el 30 de
junio del 2009; en el sistema financiero del PIB fue de 3.0%,
según el BCR.Para el 2010, la expectativa en el sistema
financiero del PIB será de 4.2% y para el 2011,
será de 5.0%.El BCR proyectó para este año un
déficit fiscal de 1.8% del PIB y un déficit fiscal
de 1.7% para el 2010.La proyección anterior para esos años era
de un déficit fiscal de 1.0% del PIB, luego de que en el
2008 se reportara un superávit fiscal de un
2.1%.Por lo tanto esta variable PIB es muy importante
para el crecimiento de la economía Peruana; y es por
esta razón que incluimos a nuestro modelo
econométrico.(ver anexo)
2.3 EL IMPUESTO
Los impuestos se obtienen de los
ingresos generados en la
economía, tanto por las personas como por las empresas (en actividades
productivas), y de los intercambios comerciales que se realizan
dentro de la misma. Por tanto, cuando la economía crece
producto de mayor empleo, mayor producción, mayores
exportaciones o mayor consumo de la población se generan
mayores ingresos y una mayor recaudación.
Los impuestos forman parte de los tributos, que son el medio por
el que el estado se financia para
realizar obras públicas y para mantener el aparato estatal.
Su importancia radica en que las obras y servicios realizados por el
estado permiten mejorar las
condiciones de vida de la población, sobre todo de aquellos
que no pueden acceder por cuenta propia a estos servicios. Es
importante recalcar que el estado realiza obras para la
población en su conjunto, sin distinguir quienes pagan
más o menos los impuestos.
Aspectos
metodológicos
Utilizaremos los siguientes instrumentos, pruebas, test; que nos permita realizar la
estimación correspondiente:
Las pruebas que se realizarán para
comprobar la presencia o no de raíz unitaria son:
Dickey-Fuller aumentado (ADF)
Phillips-Perron (PP)
Kwiatkowski, Phillips, Schmidt y Shin
(KPSS)
Por otro lado para establecer la presencia de
cointegracion se utilizaran las metodologías de:
Engle- Granger
Johansen
LOS TEST
TEST DE JAQUE – BERA
Este contraste de Jaque Bera (JB), se basa en los
coeficientes de asimetría y curtosis. La distribución normal, por ser
simétrica tiene coeficiente igual a cero, y su curtosis es
de coeficiente 3; por lo que el valor del estadístico JB
es cero.
TEST DE GREGORY CHOW
Este test se basa en los cambios estructurales de un
modelo econométrico, en
donde se contrasta la Ho de ausencia de cambio estructural, es decir
que si dos sub muestras han sido generadas por una misma estructura
económica.
TEST DE WHITE
Esta test se basa en el supuesto de normalidad de
errores, bajo el supuesto de la Ho que los residuales son
homoscedasticos.
TEST DE ARCH
Este test explica que las varianzas de errores de
predicción no es constante, si no que varía de un
periodo a otro, es decir si existe alguna clase de autocorrelacion en la
varianza de los errores de predicción.
TEST DE RESET
Ramsey ha propuesto este test para detectar errores en
la especificación de un modelo, denominado Reset, para ver
si presenta errores o no.
TEST LM
Test de autocorrelacion en los que la hipótesis alternativa
incluya especificaciones más generales que la del modelo
autoregresivo de primer orden, explica si un modelo presenta
autocorrelacion o no presenta en dicha regresión.
TEST CUSUM
El estadístico CUSUM se basa en la suma acumula de
los residuos normalizados, bajo la Ho de estabilidad del modelo,
en donde se construye bandas de confianza para dicha serie
mediante las rectas que unen los puntos. Pero se rechaza la Ho si
traspasa dichas bandas.
TEST CUSUM CUADRADO
Para este contraste se utilizan los cuadrados de los
residuos normalizados: ya que los residuos recursivos son
independientes, cada término de esta suma es un chi cuadrado
con grados de libertad. El contraste
consiste en dibujar la serie temporal de un modelo así las
líneas que limitan las bandas de confianza para que el
modelo sea estable.
3.2 INSTRUMENTO DE SERIES DE TIEMPO
SERIE DE TIEMPO
ECONOMICO
Una serie de tiempo es un conjunto de observaciones
sobre valores que toma una variable
económica en diferentes momentos del tiempo. Dicha
información que recopilamos es en forma
trimestral.
PROCESO RUIDO BLANCO
Ruido blanco es un instrumento econométrico, que
trata de la sucesión de variable aleatoria con esperanza
cero, igual varianza e independientes en el tiempo.
PASEO ALEATORIO
Es un proceso estocástico cuyas
primeras diferencias forman un ruido blanco.
3.3 PRUEBAS
PRUEBA DE ADF
Esta prueba sirve para ver si un modelo
econométrico estimado presenta raíz unitaria o no, es
decir si es de orden cero I(0) o es de orden 1 I(1).Presenta tres
procesos generadores de
datos: modelo sin componente
deterministico, modelo con intercepto y modelo con intercepto y
tendencia, presenta la parte aumentada.
PRUEBA DE PP
Es una generalización de los procedimientos de DF, pero a
diferencia de este, permite la existencia de autocorrelación
y heteroscedasticidad en el termino de error, en el cual consta
de tres procesos generadores de datos: modelo sin componente
deterministico, modelo con intercepto y modelo con intercepto y
tendencia, sin embargo no tiene la parte aumentada, así
también esta prueba es una solución no
paramétrica, es decir no sigue ninguna distribución
conocida.
PRUEBA DE KPSS
Esta prueba difiera de los test descritos (ADF y PP) en
que el modelo estimado es asumido a ser estacionaria (en
tendencia) bajo la Ho. Este estadístico está basado en
los residuales de la regresión de MCO del modelo estimado
sobre las variables exógenas.
También este test permite que los errores pueden estar
autocorrelacionados y pueden ser heteroscedasticos y solo tiene
dos procesos generadores de datos: modelo con intercepto y modelo
con tendencia mas intercepto.
COINTEGRACION DE ENGEL –
GRANGER
Esta cointegracion se refiere a la combinación
lineal de variables no estacionarias y Análisis la
multicointegracion más de dos variables.
JOHANSEN
El principal propósito de esta metologia es
investigar si los coeficientes de una matriz contienen
información acerca de las relaciones de largo plazo entre
las variables y analiza la multicointegracion de varias
variables. Esta metologia no se basa en los residuos de la
ecuación de cointegracion con es en el caso de ángel
– granger.
MODELO DE CORRECION DE ERRORES (MCE)
Sirve para analiza en cuanto se corrige el modelo en
cada periodo, en este caso es trimestralmente.
MODELO VAR
Sirve para predecir un modelo econométrico en el
cual sus variables son endógenas, no tienen interpretación
económica y es ateorico.
Análisis de
resultados
ESPECIFICAR UN MODELO ECONOMETRICO ACORDE CON LOS
POSTULADOS DE LA TEORIA ECONOMICA.
Modelo Macroeconómico
Donde:
CP: consumo privado
Y: es el ingreso o Producto Bruto
Interno
T: Impuesto (impuesto directo mas impuesto
indirectos)
De acuerdo con la teoría
económica
Modelo Econométrico
Del modelo Original: Generando
Logaritmos:
genr lcp=log(cp)
genr lpib=log(pib)
genr lt=log(t)
REALIZAR LAS PRUEBAS DE RAIZ UNITARIA (ADF, PP,
KPSS)
PARA LA VARIABLE PRODUCTO BRUTO INTERNO
(LPIB)
CONTRASTES ADF (considerando 2
lags)
Aplicando en niveles:
En niveles no se puede rechazar la hipótesis nula y concluimos que la
serie PIB al 1%, 5%, 10% no es estacionaria y por lo tanto tiene
raíz unitaria
Aplicando primeras
diferencias:
En primeras diferencias rechazamos la hipótesis
nula y concluimos que la serie PIB al 1%, 5%, 10% es estacionaria
y por lo tanto no tiene raíz unitaria.
CONTRASTES PHILLIPS – PERRON (PP)
(2Lag)
Aplicando en niveles:
En niveles no se puede rechazar la
hipótesis nula al 1%, y la PIB es no estacionaria y tiene
raíz unitaria, pero al 5% y 10% la PIB en niveles es
estacionaria y no tiene raíz unitaria.
Aplicando primeras diferencias:
En primeras diferencias rechazamos la hipótesis
nula y concluimos que la serie PIB al 1%, 5%, 10% es estacionaria
y por lo tanto no tiene raíz unitaria.
CONTRASTES KWIATKOWSKI -PHILLIPS – SCHMIDT
-SHIN (KPSS)
Aplicando en niveles:
En niveles rechazamos la hipótesis nula y
concluimos que la serie PIB al 1%, 5%, 10% es no estacionaria y
por lo tanto tiene raíz unitaria.
Aplicando primeras diferencias:
Las primeras diferencias no se puede rechazar la
hipótesis nula y concluimos que la serie PIB al 1%, 5%, 10%
es estacionaria y por lo tanto no tiene raíz
unitaria
PARA LA VARIABLE IMPUESTO (LT)
(considerando 2 lags)
ADF PARA LA SERIE LT
Aplicando en niveles:
En niveles no se puede rechazar la hipótesis nula
al 1%, y el T es no estacionaria y tiene raíz unitaria, pero
al 5% y 10% el T en niveles es estacionaria y no tiene raíz
unitaria.
Aplicando primeras diferencias:
En primeras diferencias rechazamos la hipótesis
nula y concluimos que la serie PIB al 1%, 5%, 10% es estacionaria
y por lo tanto no tiene raíz unitaria.
CONTRASTES PHILLIPS PERRON (PP)
Aplicando en niveles:
z
En niveles no se puede rechazar la hipótesis nula
al 1%, y el T es no estacionaria y tiene raíz unitaria, pero
al 5% y 10% el T en niveles es estacionaria y no tiene raíz
unitaria.
Aplicando primeras diferencias:
En primeras diferencias rechazamos la hipótesis
nula y concluimos que la serie T al 1%, 5%, 10% es estacionaria y
por lo tanto no tiene raíz unitaria.
CONTRASTES KWIATKOWSKI – PHILLIPS –
SCHMIDT – SHIN (KPSS)
Aplicando en niveles:
Aplicando primeras diferencias:
En niveles no se puede rechazar la hipótesis nula
al 1%, y el T es estacionaria y no tiene raíz unitaria, pero
al 5% y 10% el T en niveles es no estacionaria y tiene raíz
unitaria.
En primeras diferencias rechazamos la hipótesis
nula y concluimos que la serie T al 1%, 5%, 10% es estacionaria y
por lo tanto no tiene raíz unitaria.
CONTRASTE PARA EL CONSUMO PRIVADO
ADF LCP (2lag)
Aplicando en niveles:
En niveles no se puede rechazar la hipótesis nula y
concluimos que la serie CP al 1%, 5%, 10% no es estacionaria y
por lo tanto tiene raíz unitaria.
Aplicando primeras diferencias:
En primeras diferencias rechazamos la hipótesis
nula y concluimos que la serie CP al 1%, 5%, 10% es estacionaria
y por lo tanto no tiene raíz unitaria.
ESTIMAR EL MODELO ECONOMETRICO
USANDO TECNICAS ADECUADAS Y REALIZAR LAS PRUEBAS DE
COINTEGRACION BIETAPICAS DE ENGEL – GRANGER Y LA
COINTEGRACION DE MULTIVARIADA DE JOHANSEN.
PRUEBA DE COINTEGRACION: METODOLOGIA DE ENGEL
GRANGER
ETAPA 1: Realizamos las pruebas de raíz
unitaria para lo cual utilizamos ADF, PP, KPSS.
Con las pruebas anteriores se encontraron que el CP, PIB
y T no son estacionarios y tienen raíz unitaria. Para que
exista cointegracion las variables deben tener el mismo orden de
integración. Si las
variables son estacionarias no es necesario continuar con el
procedimiento, en este caso el
método de series de tiempo estándar
se aplica a las variables estacionarias.
Del modelo:
ETAPA 2: Estimar la relación de Equilibrio de Largo
Plazo
Esto se expresa como:
Ahora sometemos a a un análisis de raíz
unitaria.
Utilizando la Prueba de ADF obtenemos:
Por lo tanto no se puede rechazar la Ho y el es estacionario o no tiene
raíz unitaria y concluimos que puede existir
cointegracion.
ETAPA 3: Estimar el modelo de corrección de
errores
Se puede observar que hay presencia de cointegracion
entonces se puede formular el Modelo de Corrección de
Errores (MCE)
3.2 TEST DE COINTEGRACION DE JOHANSEN
(CON DUMMIES)
Series: LCP LPIB LT | |||||
Exogenous series: D1 D2 D3 | |||||
Warning: Critical values assume no | |||||
Lags interval (in first differences): | |||||
Unrestricted Cointegration Rank | |||||
Hypothesized | Trace | 5 Percent | 1 Percent | ||
No. of CE(s) | Eigenvalue | Statistic | Critical Value | Critical Value | |
None ** | 0.222748 | 39.55445 | 29.68 | 35.65 | |
At most 1 | 0.089436 | 10.82750 | 15.41 | 20.04 | |
At most 2 | 0.001286 | 0.146706 | 3.76 | 6.65 | |
*(**) denotes rejection of the | |||||
Trace test indicates 1 cointegrating | |||||
Hypothesized | Max-Eigen | 5 Percent | 1 Percent | ||
No. of CE(s) | Eigenvalue | Statistic | Critical Value | Critical Value | |
None ** | 0.222748 | 28.72695 | 20.97 | 25.52 | |
At most 1 | 0.089436 | 10.68079 | 14.07 | 18.63 | |
At most 2 | 0.001286 | 0.146706 | 3.76 | 6.65 | |
En la prueba de Trace
El Trace stadistic es 39.55445 mayor al valor
crítico al 5% es de 29.68, se puede concluir que existe
cointegracion.
En la prueba de Max-eigenvalue:
Esta prueba indica que el stadistico max-eigen es
28.72695 es mayor que el valor critico es 20.97, por lo tanto
existe cointegracion.
3.3 TEST DE COINTEGRACION DE JOHANSEN
(SIN DUMMIES)
Series: LCP LPIB LT | ||||
Lags interval (in first differences): | ||||
Unrestricted Cointegration Rank | ||||
Hypothesized | Trace | 5 Percent | 1 Percent | |
No. of CE(s) | Eigenvalue | Statistic | Critical Value | Critical Value |
None ** | 0.299966 | 52.09552 | 29.68 | 35.65 |
At most 1 | 0.095311 | 11.44005 | 15.41 | 20.04 |
At most 2 | 0.000187 | 0.021366 | 3.76 | 6.65 |
*(**) denotes rejection of the | ||||
Trace test indicates 1 cointegrating | ||||
Hypothesized | Max-Eigen | 5 Percent | 1 Percent | |
No. of CE(s) | Eigenvalue | Statistic | Critical Value | Critical Value |
None ** | 0.299966 | 40.65546 | 20.97 | 25.52 |
At most 1 | 0.095311 | 11.41869 | 14.07 | 18.63 |
At most 2 | 0.000187 | 0.021366 | 3.76 | 6.65 |
En la prueba de Trace
El Trace stadistic es 52.09552 mayor al valor
crítico al 5% es de 29.68, se puede concluir que existe
cointegracion.
En la prueba de Max-eigenvalue:
Esta prueba indica que el stadistico max-eigen es
40.65546 es mayor que el valor critico es 20.97, por lo tanto
existe cointegracion.
4.- EN CASO QUE EXISTA COINTEGRACION FORMULAR Y
ESTIMAR EL MODELO DE CORRECCION DE ERRORES (MCE)
4.1 MODELO DE CORRECCION DE ERRORES
(VEC) (con dummies)
Vector Error Correction | |||
Included observations: 113 after | |||
Cointegrating Eq: | CointEq1 | ||
LCP(-1) | 1.000000 | ||
LPIB(-1) | -0.926045 | ||
(0.03986) | |||
[-23.2296] | |||
LT(-1) | 0.028951 | ||
(0.00510) | |||
[ 5.67874] | |||
C | -0.490535 | ||
Error Correction: | D(LCP) | D(LPIB) | D(LT) |
CointEq1 | -0.238612 | -0.156980 | -9.880401 |
(0.08681) | (0.09896) | (2.47013) | |
[-2.74872] | [-1.58630] | [-3.99995] |
REPRESENTACION DE UN MODELO
VEC
Por lo tanto el consumo privado (CP)
se corrige en un 23.8% en cada periodo
Por lo tanto el producto bruto
interno (PIB) se corrige en un 15.7% en cada
periodo
Por lo tanto los impuestos (T) se
corrige en un 9.9% en cada periodo
4.2 MODELO DE CORRECCION DE ERRORES
(VEC) (sin dummies)
Vector Error Correction | |||
Included observations: 113 after | |||
Cointegrating Eq: | CointEq1 | ||
LCP(-1) | 1.000000 | ||
LPIB(-1) | -0.925200 | ||
(0.02595) | |||
[-35.6477] | |||
LT(-1) | 0.018071 | ||
(0.00332) | |||
[ 5.43698] | |||
C | -0.471854 | ||
Error Correction: | D(LCP) | D(LPIB) | D(LT) |
CointEq1 | -0.449229 | 0.107538 | -11.90520 |
(0.17188) | (0.19877) | (3.23118) | |
[-2.61359] | [ 0.54102] | [-3.68448] |
VAR Model – Substituted
Coefficients:
===============================
D(LCP) = 0.008622 – 0.4492285571*(
LCP(-1) – 0.9252004096*LPIB(-1) + 0.01807077877*LT(-1) –
0.4718540247 ) + 0.02922863544*D(LCP(-1)) +
0.01830317355*D(LCP(-2)) – 0.3099318403*D(LPIB(-1)) –
0.05232532398*D(LPIB(-2)) + 7.749311428e-05*D(LT(-1)) –
0.002597881402*D(LT(-2)) + 0.008622307869
Por lo tanto el consumo privado (CP)
se corrige en un 44.9% en cada periodo
D(LPIB) = 0.007487+ 0.1075379428*(
LCP(-1) – 0.9252004096*LPIB(-1) + 0.01807077877*LT(-1) –
0.4718540247 ) + 0.3977971665*D(LCP(-1)) +
0.0486507262*D(LCP(-2)) – 0.7055379288*D(LPIB(-1)) +
0.05409913878*D(LPIB(-2)) – 0.009615609836*D(LT(-1)) +
0.001575621859*D(LT(-2)) + 0.007487051121
Por lo tanto el producto bruto
interno (PIB) se corrige en un 10.75% en cada
periodo
D(LT) = -0.048223 – 11.90520413*(
LCP(-1) – 0.9252004096*LPIB(-1) + 0.01807077877*LT(-1) –
0.4718540247 ) + 8.117726421*D(LCP(-1)) + 0.746577918*D(LCP(-2))
– 6.132429868*D(LPIB(-1)) + 0.6358796396*D(LPIB(-2)) +
0.1102366064*D(LT(-1)) + 0.0737486064*D(LT(-2)) –
0.04822325611
Por lo tanto los impuestos (T) se
corrige en un 11.9% en cada periodo
4.3 MODELO VAR
4.3.1 Verificacion de la Estabilidad del
VAR
Root | Modulus |
-0.745120 | 0.745120 |
0.156382 – 0.666855i | 0.684946 |
0.156382 + 0.666855i | 0.684946 |
-0.120837 – 0.284587i | 0.309179 |
-0.120837 + 0.284587i | 0.309179 |
0.275358 | 0.275358 |
No root lies outside the unit | |
VAR satisfies the stability |
Raíces inversas del polinomio
característico autorregresivo
Cuando los puntos se ubican dentro del
circulo se puede decir que el modelo es estable caso contrario el
modelo será inestable.
4.3.2 Criterio de selección del orden de
retardo del VAR
VAR Lag Order Selection | ||||||||||||
Endogenous variables: D(LCP) D(LPIB) | ||||||||||||
Exogenous variables: C D1 D2 | ||||||||||||
Date: 08/01/09 Time: 00:32 | ||||||||||||
Sample: 1980:1 2008:4 | ||||||||||||
Included observations: 111 | ||||||||||||
Lag | LogL | LR | FPE | AIC | SC | HQ | ||||||
0 | 195.1153 | NA | 7.41E-06 | -3.299375 | -3.006453 | -3.180546 | ||||||
1 | 247.8368 | 98.79344 | 3.37E-06 | -4.087150 | -3.574536 | -3.879198 | ||||||
2 | 266.6168 | 34.17608 | 2.83E-06 | -4.263365 | -3.531060 | -3.966290 | ||||||
3 | 298.5571 | 56.39912 | 1.87E-06 | -4.676704 | -3.724707* | -4.290507* | ||||||
4 | 311.1482 | 21.55232* | 1.76E-06* | -4.741408* | -3.569720 | -4.266089 | ||||||
* indicates lag order selected by the | ||||||||||||
LR: sequential modified LR test | ||||||||||||
FPE: Final prediction | ||||||||||||
AIC: Akaike information | ||||||||||||
SC: Schwarz information | ||||||||||||
HQ: Hannan-Quinn information |
Este criterio nos indica el número de retardos que
se utilizara en el VAR. De acuerdo a la salida proporciona por el
EVIEW-S decimos que se debe introducir el modelo VAR con cuatro
retardos.
4.2.3 Test de Causalidad de
Granger
Null Hypothesis: | Obs | F-Statistic | Probability | |||||||
D(LPIB) does not Granger Cause | 113 | 0.86880 | 0.42236 | |||||||
D(LCP) does not Granger Cause | 5.18886 | 0.00705 | ||||||||
D(LT) does not Granger Cause | 113 | 1.50290 | 0.22710 | |||||||
D(LCP) does not Granger Cause | 0.49808 | 0.60909 | ||||||||
D(LT) does not Granger Cause | 113 | 0.85932 | 0.42632 | |||||||
D(LPIB) does not Granger Cause | 1.84886 | 0.16236 |
4.2.4 Análisis
Impulso-Respuesta
En la Figura 2Un aumento sorpresivo
de la PIB debería aumentar en consumo privado entonces
cuando la PIB aumenta entonces el consumo privado también
aumenta como se observa en la figura anterior con una buen
ingreso nescesareamente se consumirá mas.
En la Figura 3Unn aumento sorpresivo
de la tasa de impuesto ocasiona una reducción del consumo
privado
En la figura 4Unn aumento sorpresivo
del comsumo privado hace que la PIB aumente ocasiona una
reducción del consumo privado
En la Figura 6Por otro lado el
elemento respuesta del cambio del producto. Un aumento sorpresivo
de la tasa de impuesto debería ocasionar una
disminución de la producción real debido a que se
estaría consumiendo menos y por lo cual la PIB
disminuirá
Descomposición de
Varianza
La descomposición de la varianza separa la
variación en una variable endogega en los componentes del
shock en el VAR de esta manera la descomposición de varianza
provee la importancia relativa de cada innovación aleatorio que
afecta las variables en el sistema VAR
EN LA FIGURA 1 muestra la importancia como al 70%
la variable CP
FIGURA 2 muestra una importancia al 25% LA
VARIABLE PIB con relación al CP
FIGURA3 el impuesto muestra una importancia al 5% con
relación al CP o afecta AL al 5% el impuesto al
CP
FIGURA 5 la PIB muestra una importancia al
65%
FIGURA 9 El impuesto muestra una importancia al
90%
Estimación de la función de Consumo Privado
con dummies estacionales
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
C | 0.199235 | 0.157368 | 1.266044 | 0.2082 | |
LPIB | 0.560403 | 0.055219 | 10.14874 | 0.0000 | |
LT | -0.006226 | 0.001846 | -3.373170 | 0.0010 | |
LCP(-1) | 0.400185 | 0.059586 | 6.716033 | 0.0000 | |
D1 | 0.043713 | 0.010434 | 4.189399 | 0.0001 | |
D2 | 0.033622 | 0.009548 | 3.521414 | 0.0006 | |
D3 | -0.001410 | 0.010467 | -0.134721 | 0.8931 | |
R-squared | 0.974613 | Mean dependent var | 9.880374 | ||
Durbin-Watson stat | 2.398242 | Prob(F-statistic) | 0.000000 |
Test de estabilidad de CUSUM
LPIB0.5604030.05521910.148740.0000LT-0.0062260.001846-3.3731700.0010LCP(-1)0.4001850.0595866.7160330.0000D10.0437130.0104344.1893990.0001D20.0336220.0095483.5214140.0006D3-0.0014100.010467-0.1347210.8931R-squared0.974613Mean
d
Test de estabilidad de CUSUM CUADRADO
La suma acumulada de residuos al cuadrado normalizados
es mayor a las bandas de confianza por lo tanto se concluye que
el modelo no es estable. Entonces en la figura la suma acumulada
de los residuos cuadrados recursivos están fuera de la banda
de fluctuaciones entones el modelo no presenta
estabilidad
Test de estabilidad: Coeficientes
recursivos.
Como se observa en el grafico anterior cuando las bandas
se cierran rápidamente se cumple el sentido débil y son
invariantes en el tiempo, pero cuando las bandas no llegan a
juntarse no se cumple el sentido débil y son variantes en el
tiempo.
5. REALIZAR DIVERSAS PRUEBAS ECONOMETRICAS
5.1 AUTOCORRELACION (test
LM)
Ho: no hay
autocorrelación
Criterio de decisión:
TR ~ X 2 gl
TR > X 2 gl ? se rechaza la
Ho
116(0.102189) > X 2 4gl
11.85395 > 9.49
Como 11.85395 > X 2 4gl Por lo tanto se
rechaza la Ho y concluimos que hay la presencia de
autocorrelacion
5.2 HETEROSCEDASTICIDAD (test
WHITE)
Términos no
cruzados
Ho: Los residuales son
homocedasticos
Criterio de decisión:
TR ~ X 2 gl
TR > X 2 gl ? se rechaza la
Ho
116(0.133337) > X 2 4gl
15.467092 > 9.49
Como TR > X 2 4gl Por lo tanto se
rechaza la Ho y concluimos que los errores no son
homocedasticos y hay autocorrelación
Términos
cruzados
Ho: Los residuales son
homocedasticos
Criterio de decisión:
TR ~ X 4 gl
TR2 > X 2 gl ? se rechaza la
Ho
116(0.192411) > X 4 5gl
22.319676 > 9.49
Como TR > X 2 4gl Por lo tanto se
rechaza la Ho y concluimos que los residuales no son
homocedasticos y están autocorelacionados.
5.3 HETEROSCEDASTICIDAD CONDICIONAL
AUTOREGRESIVA (test ARCH)
Ho: La varianza de los errores es
homocedastico
Criterio de decisión:
TR2 ~ X 2 gl
TR2 > X 2 gl ? se rechaza la
Ho
114(0.043376) > X 2 gl
4.944864 5.9915
Y concluimos diciendo que no se puede
rechazar la Ho y que la varianza de los errores es
homocedastico
5.4 NORMALIDAD DE ERRORES (tests Jaque –
Bera)
Ho: Los residuos están
normalmente distribuidos
Criterio de decisión:
JB ~ X 2 gl
JB > X 2 gl ? se rechaza la
Ho
14.36981 > X 2 gl
14.36981 > 5.9915
Por lo tanto se rechaza la Ho y
concluimos que los residuos no están normalmente
distribuidos
5.5 PRUEBA DE QUIEBRE ESTRUCTURAL (test
CHOW)
Ho: Ausencia de cambio
estructural
Criterio de decisión:
Fc ~ Ft con k, (t-2k)gl
Fc > Ft con k, (t-2k)gl ? se rechaza la
Ho
6.371253 > Fcon (3, 110) gl
14.36981 > 2.68
Como 14.36981 > 2.68 Por lo tanto se
rechaza la Ho y concluimos diciendo que si hubo cambio
estructural
Ho: Ausencia de cambio
estructural
Criterio de decisión:
Fc ~ Ft con k, (t-2k)gl
Fc > Ft con k, (t-2k)gl ? se rechaza la
Ho
6.371253 > Fcon (3, 110) gl
14.36981> 2.68
Por lo tanto se rechaza la Ho y
concluimos que si hubo cambio estructural
5.6 TEST DE ESTABILIDAD DE COEFICIENTES
RECURSIVOS (modelo Uniecuatoria con dummies)
PRUEBAS DE ESTABILIDAD
CUSUM
La suma acumulada de residuos normalizados es mayor a
las bandas de confianza por lo que se concluye es modelo no es
estable entonces en la figura la suma acumulada de los residuos
recursivos esta fuera de la banda de fluctuaciones el modelo no
presenta estabilidad.
CUSUM CUADRADO
La suma acumulada de residuos al cuadrado normalizados
es mayor a las bandas de confianza por lo tanto se concluye que
el modelo no es estable. Entonces en la figura la suma acumulada
de los residuos cuadrados recursivos están fuera de la banda
de fluctuaciones entones el modelo no presenta
estabilidad
5.7 PRUEBA DE ERRORES DE ESPECIFICACION
(test RESET)
Ho: El modelo esta
especificado
Criterio de decisión:
Fc ~ Ft con k, (t-2k)gl
Fc > Ft con k, (t-2k)gl ? se rechaza la
Ho
1.47908832 > Fcon (3, 110) gl
14.3698 > 2.68
Por lo que rechazamos la hipótesis nula y que el
modelo pueda que este especificado mal
5.8 PRUEBAS DE CAUSALIDAD
(GRANGER)
CP causa a PIB
CP causa a T
Ho: PIB no causa a CP
Fc ~ Ft con k, (t-k)gl
Fc > Ft con k, (t-k)gl ? se rechaza la
Ho
1.47908832 > Fcon (3, 113) gl
2.97 > 2.68 Entonces rechazamos la hipótesis
nula y se concluye diciendo que la PIB si causa al CP
Ho: T no causa a CP
Fc ~ Ft con k, (t-k)gl
Fc > Ft con k, (t-k)gl ? se rechaza la
Ho
0.34 < Fcon (3, 113) gl
COMO 0.34 < 2.68 Entonces no se puede rechazar la
hipótesis nula y se concluye diciendo que el T no causa al
CP
Ho: CP no causa a PIB
Fc ~ Ft con k, (t-k)gl
Fc > Ft con k, (t-k)gl ? se rechaza la
Ho
4.35 > Fcon (3, 113) gl
4.35 > 2.68 COMO 4.35 > 2.68 Entonces rechazamos
la hipótesis nula y se concluye diciendo que el CP si causa
a la PIB
Ho: CP no causa a T
Fc ~ Ft con k, (t-k)gl
Fc > Ft con k, (t-k)gl ? se rechaza la
Ho
0.62 < Fcon (3, 113) gl
COMO 0.62 < 2.68 Entonces no se puede rechazar la
hipótesis nula y se concluye diciendo que el CP no causa al
T.
Conclusiones
Después de estimar el modelo econométrico del
consumo privado de la economía peruana, podemos concluir:
Que habiendo tomado de referencia los datos de la economía
peruana (1980-2008)
PRIMERO: los resultados ya mencionados páginas
atrás, en los años 1890 hasta aproximadamente 1990 la
economía peruana se encontraba inestable, los años
siguientes este resultado fue cambiando ya que hoy en día la
economía peruana se encuentra estable.
SEGUNDO: del modelo econométrico, consumo privado
(CP) tomando en cuenta sus variables (PIB) (T), haciendo las
pruebas de raíz unitaria estas variables presentaron
raíz unitaria, es decir son integradas de orden I
(1).
TERCERO: acerca de la cointegración (CI) de Engel
– Granger y metologia de Johansen, el resultado que se
presento el modelo econométrico estimado, es que si existe
cointegracion, y al existir CI se aplico el Modelo de
Corrección de Errores (MCE) para así poder corregir el modelo
econométrico.
CUARTO: como sabemos en econometria existe varias pruebas
o test con el cual podemos saber los resultados estimados del
modelo, en nuestro caso, el modelo estimado de CP presento: JAQUE
BERA, no están distribuidos normalmente, TEST de CHOW, si
existió cambio estructural, prueba de WHITE, si existe
heteroscedasticidad, ARCH, la varianza de los errores si son
homocedasticos, LM, si existe auto correlación, CUSUM Y
CUSUM CUADRADO, el modelo es inestable.
Referencias
bibliográficas
GUJARATI, DAMODAR(1997):
Econometría Básica, 3ra Edición,
McGraw Hill Interamericana, Bogota, ColombiaNOVALES, ALFONSO(1998):
Econometria, 2da Edición, McGraw Hill,
MadridENDERS, WALTER (2002): Applied
Econometric Time Series, 2da EditionFROILAN LAZO FLORES (Junio 2009)
"Estacionariedad e Integrabilidad", Notas de Clase
Universidad Nacional del Altiplano, Facultad de
Ingeniería EconómicaFROILAN LAZO FLORES (Junio 2009)
"Pruebas de Raíz Unitaria", Notas de Clase
Universidad Nacional del Altiplano, Facultad de
Ingeniería EconómicaFROILAN LAZO FLORES (2009)
"Notas Introducción a la Económetria
Dinamica", Notas de Clase Universidad Nacional del
Altiplano, Facultad de Ingeniería
Económica:
Enciplopedia Librewww.bcrp.com.pe: Estadisticas
Economicas, Series Estadisticas Trimestrales
Autor:
Andrés Vilca Mamani
Página anterior | Volver al principio del trabajo | Página siguiente |