Universidad nacional Federico Villareal

Facultad de ciencias econmicas

Escuela profesional de economa

ECONOMETRIA I

TRABAJO

FUNCION DE CONSUMO PRIVADO

EN EL PERU
(1991-2013)

LIMA-PERU
2014

Alumnos:
Profesor:
-

Seccin:
Aula:
Turno: Tarde

FUNCION DE CONSUMO PRIVADO EN EL PERU

El modelo terico que se desarrollara es para analizar el efecto de las variaciones del PBI
real, tasa de inflacin, respecto al consumo privado. Es bsico y para efectos del anlisis
economtrico, se formul bajo el enfoque de modelos macroeconmicos. En consumo se
divide en privado y pblico, en este caso se escogi el privado debido a que tiene mayor
porcentaje debido al nacional, por lo tanto es el que nos brinda mayor informacin de
cmo se comporta el consumo global. Tambin se sabe que el consumo est vinculado
con el PBI nominal, debido a que un aumento del PBI nominal esto genera mayor
consumo privado nominal, y otro punto importante es la relacin de la inflacin con el
consumo privado nominal.

Ingreso de datos:

Al abrir EViews se ve lo siguiente:

Lo primero es hacer clic en File luego ir a New y despus clic en Workfile, como se puede
apreciar en el grafico 1.

Luego nos aparecer una ventana donde nos muestra las opciones de tiempo para los
datos de inflacin, PBI nominal y consumo privado nominal que vamos a insertar. En este
caso escogeremos datos anuales, luego en las siguientes ventanas se agregan el rango
de los aos, en este caso desde 1991 hasta el 2013.

Luego se puede apreciar que aparecer una ventana con el nombre de Workfile, luego
vamos al icono Quick en el cual damos clic, luego vamos donde dice Empty group, luego
damos clic y aparecer una ventana donde podemos colocar los datos de la variables
tanto independiente como e independiente. En este caso el consumo privado, PBI real y la
inflacin.
 Luego procedemos a poner todos
los datos desde 1991 hasta 2013,
tanto del consumo privado, inflacin
y PBI nominal.
Esto es importante para poder realizar nuestro modelo de estimacin de la funcin
consumo, en relacin a la inflacin y el PBI nominal.
.

1. Estimacin de la regresin:
Primero vamos a quick, luego estimate equation, en ese recuadro colocaremos lo
siguiente:
 CONSUMOP C PBI INFLAC, luego nos aparecer este recuadro

CUADRO DE REGRESION NORMAL

Lo que se puede analizar

es que si el PBI nominal
varia en mil millones de
nuevos soles entonces el consumo privado varia en 0.563958 millones de nuevos soles,
ahora si la inflacin varia en 1% el consumo disminuye en 46.59%, otro punto
importante es el parmetro poblacional de la constante del consumo privado, que explica
que en el periodo anterior del consumo privado fue de 22511.31 en millones de nuevos
soles o tambin llamado el consumo privado autnomo. Se puede apreciar el coeficiente
de determinacin es de 99.59%, lo que nos quiere decir este resultado es que la variacin
del consumo privado fue causada por la inflacin y el PBI nominal en un 99.59%, y que
el 0.41% fue causada por otras variables. El coeficiente de determinacin ajustado que
agrega los grados de libertad es de 99.33%. Tambin se puede ver los criterios
SCHWARZ que es de 20.41 y el criterio AKAIKE de 20.26.
Tambin se puede apreciar que la constante del consumo privado como el coeficiente del
PBI nominal y la inflacin son altamente significativos, son menores al 5%, por lo tanto
sirven para la estimacin del modelo, observamos la probabilidad F, la cual es altamente
significativo, esto quiere decir que en si todo el modelo es bueno para poder dar una
estimacin del consumo privado.

APLICACION DE LA FUNCION LOGARITMICA

Lo primero es ir a la ficha Quick, luego ir al comando Generate Series. Nos aparecer una
ventana en donde introduciremos tanto para la inflacin LNINFLAC=LOG (INFLAC), para
el consumo privado LNCONSUMOP=LOG (CONSUMOP), PBI nominal LNPBI=LOG
(PBI). Una vez hecho esto damos ok y tendremos los logaritmos calculados, esto se hace
para poder estimar la funcin, pero utilizando como herramientas los logaritmos del PBI
real, inflacin y el consumo privado.

.
 Luego de realizar los pasos anteriores,
tendremos los logaritmos del consumo privado
nominal, inflacin y PBI nominal, los cuales se
muestran a continuacin.

LNCONSUMOP

LNPBI
LNINFLAC

Procedemos a estimar la
regresin LOG-LOG
Obtenemos nuestro
cuadro de regresin LOG-LOG:

Cuando
calculamos nuestra estimacin con valores logartmicos nos refleja valores ya conocidos,
cuando se trabaja con logaritmos los modelos se estiman en trminos porcentuales,
tenemos un coeficiente de determinacin o R al cuadrado que tiene el valor de 99.74%,
tambin contamos con valores de los criterios Schwarz de -3.49. Y un Akaike de -4.64.
La mejor estimacin es cuando se establece la funcin logartmica porque determina la
variacin porcentual del tanto por uno. Da la mejor variacin de la elasticidad. Conlleva a
que un logaritmo es un cambio por una de las variables, por esto se acerca a la variacin
porcentual.
Podemos observar que los coeficientes de la constante del consumo privado, inflacin y
PBI real en forma individual son altamente significativos para la estimacin del modelo
LOG-LOG, debido a que son menores del 5%, ahora tambin podemos ver que la
probabilidad F nos indica que en forma global tomando la inflacin y el PBI nominal para
estimar el consumo privado nos indicara una informacin adecuada en la estimacin.

MULTICOLINEALIDAD FUNCION DE CONSUMO PRIVADO

Es un problema del mtodo de los MCO (mnimos cuadrados ordinarios), ya que este
mtodo en uno de sus supuestos importantes es que no debe existir multicolinealidad, es
decir que no debe existir una relacin lineal entre una o varias variables explicativas
(independientes) y dicho en trminos estadsticos, que las variables estadsticas no deben
tener alta correlacin entre ellas (variables independientes).
La multicolinealidad es un problema muestral y no poblacional. Es un problema que no
afecta a la estimacin y la proyeccin de los parmetros poblacionales correspondientes a
dichas variables.
Este problema afecta sobre todo a la varianza poblacional de la estimacin y por lo tanto
afecta a las pruebas de hiptesis individuales ya que al tener varianzas poblacionales
grandes, la zona de aceptacin aumenta, la prueba de hiptesis tiene tendencia con
multicolinealidad aceptar que no existen los parmetros poblacionales. El problema de
multicolinealidad es de grado y no de clase.

MULTICOLINEALIDAD EN EL MODELO LOG-LOG

Tenemos nuestra ecuacin general:

LNCONSUMOP=1.36230.018421 ( LNINFLAC ) +0.859340 ( LNPBI )

Ahora procedemos a
encontrar la correlacin entre las variables independientes

Primero vamos a Quick, luego a Group Statistics, y por ultimo damos clic a correlations.
 Luego nos aparecer una
ventana en la cual debemos poner lo siguiente:
LNPBI LNINFLAC

Es importante aclarar que solo se pone en el cuadro las variables independientes, debido
a que la multicolinealidad solo mide si hay relaciones entre ellas.
Y nos aparecer este cuadro

En este cuadro podemos ver las correlaciones que existen entre las variables
independientes, si la correlacin es menor al 5% es una baja correlacin de la variable, y
si es mayor al 5% es una correlacin moderada. En este caso observamos que todas son
bajas, ninguna pasa del 8% la cual generara una alta correlacin.
Pero de todas formas vamos a realizar estimaciones para comprobar que no hay
multicolinealidad
Lo primero que se hace es modificar las variables, en este caso modificaremos las
variables LNPBI y LNINFLAC, la cual tienen una correlacin de -0.783819.
Tenemos el R-cuadrado = 99.74% (ndice de correlacin general).

PRIMERO LNINFLAC RESPECTO A LNPBI

1 De la ecuacin nos dirigimos a Estimate (modifica la ecuacin estimada)

Y se coloca lo siguiente: LNINFLAC C LNPBI

Damos clic y nos aparecer el R-cuadrado auxiliar que es 61.44%

 Este modelo nos brinda el
coeficiente auxiliar, en este
caso se estima la relacin de
la variable LNINFLAC respecto a LNPBI.

SEGUNDO LNPBI RESPECTO A LNINFLAC

2 De la ecuacin nos dirigimos a Estimate (modifica la ecuacin estimada)

Y se coloca lo siguiente: LNPBI C LNINFLAC

Damos clic y nos aparecer el R-cuadrado auxiliar que es 61.44%

Este modelo nos brinda el coeficiente auxiliar, en este caso se estima la relacin de la
variable LNPBI respecto a LNINFLAC.

Ahora realizaremos la regla de decisin:

1 Si el coeficiente de determinacin auxiliar de una variable es mayor que el

coeficiente de determinacin general, entonces se presenta problema de
multicolinealidad.

2 Si el coeficiente de determinacin auxiliar de una variable es menor que el

coeficiente de determinacin general, entonces la variable no presenta problema
de multicolinealidad.

Como se puede observar que los R-cuadrado auxiliares son menores al R-cuadrado
general, entonces se determina que no existe problema de multicolinealidad entre las
variables independientes o explicativas.

1 61.44 ( auxiliar ) <99.74 (general)

2 61.44 ( auxiliar ) <99.74 (general)

En el caso de que se pueda presentar un problema de multicolinealidad de las variables

independientes, lo que se realiza es eliminar una de las variables de la estimacin,
puede ser que una de las variables independientes debe eliminarse o reemplazarla por
otras para tener una adecuada estimacin del modelo que se quiere explicar.

MULTICOLINEALIDAD EN LA REGRESION NORMAL

Tenemos nuestra ecuacin general:
CONSUMOP=22511.3146.59 ( INFLAC ) +0.563958 ( PBI )

Ahora procedemos a
encontrar la
correlacin entre las variables independientes.
Primero vamos a Quick, luego a Group Statistics, y por ultimo damos clic a correlations.

Luego nos aparecer una ventana en la cual debemos poner lo siguiente:

PBI INFLAC
Es importante aclarar que solo se pone en el cuadro las variables independientes, debido
a que la multicolinealidad solo mide si hay relaciones entre ellas.
Y nos aparecer este cuadro:

En este cuadro podemos ver las correlaciones que existen entre las variables
independientes, si la correlacin es menor al 5% es una baja correlacin de la variable, y
si es mayor al 5% es una correlacin moderada. En este caso observamos que todas son
bajas, ninguna pasa del 8% la cual generara una alta correlacin.
Pero de todas formas vamos a realizar estimaciones para comprobar que no hay
multicolinealidad.
Lo primero que se hace es modificar las variables, en este caso modificaremos las
variables PBI e INFLAC, la cual tienen una correlacin de -0.407695.
Tenemos el R-cuadrado = 99.59% (ndice de correlacin general).

PRIMERO PBI RESPECTO A INFLAC

3 De la ecuacin nos dirigimos a Estimate (modifica la ecuacin estimada)

Y se coloca lo siguiente:PBI C INFLAC

Damos clic y nos aparecer el R-cuadrado auxiliar que es de 16.62%

Este modelo nos brinda el coeficiente auxiliar, en este caso se estima la relacin de la
variable PBI respecto a INFLAC.
SEGUNDO INFLAC RESPECTO A PBI
4 De la ecuacin nos dirigimos a Estimate (modifica la ecuacin estimada)

Y se coloca lo siguiente: INFLAC C PBI

Damos clic y nos aparecer el R-cuadrado auxiliar que es de 16.62%

Este modelo nos brinda el coeficiente auxiliar, en este caso se estima la relacin de la
variable INFLAC respecto a PBI.

Ahora realizaremos la regla de decisin:

3 Si el coeficiente de determinacin auxiliar de una variable es mayor que el

coeficiente de determinacin general, entonces se presenta problema de
multicolinealidad.
4 Si el coeficiente de determinacin auxiliar de una variable es menor que el
coeficiente de determinacin general, entonces la variable no presenta problema
de multicolinealidad.

Como se puede observar que los R-cuadrado auxiliares son menores al R-cuadrado
general, entonces se determina que no existe problema de multicolinealidad entre las
variables independientes o explicativas.

3 16.62 ( auxiliar ) < 99.59 (general)

4 16.62 ( auxiliar ) < 99.59 (general)

En el caso de que se pueda presentar un problema de multicolinealidad de las variables

independientes, lo que se realiza es eliminar una de las variables de la estimacin,
puede ser que una de las variables independientes debe eliminarse o reemplazarla por
otras para tener una adecuada estimacin del modelo que se quiere explicar.

HETEROCEDASTICIDAD FUNCION DE CONSUMO PRIVADO

El mtodo de mnimos cuadrados ordinarios (MCO) Supone que existe homocedasticidad,

en el cual la varianza de cada termino de perturbacin de los errores ( ui , condicional
a los valores relacionados de las variables explicativas es algn numero constante.
Pero este supuesto importante no siempre se cumple, por tanto la heterocedasticidad es
un problema de estimacin de los mnimos cuadrados, el cual se tiene que determinar
primero y despus corregirlo.

Existen varios mtodos para detectar el problema de heterocedasticidad en el mtodo de

los mnimos cuadrados, como en las pruebas grficas, la prueba park, la prueba de
Glejser, la prueba de White, etc. Pero estas son pruebas que no contienen una
consistencia generalizada.

1 LA PRUEBA DE PARK

Lo primero es hacer clic en Quick, luego vamos a Generate series y damos clic.

En ese cuadro colocaremos:

ABSEC=@ABS (RESID^2)

Valores del ABSEC =Valor absoluto de los errores al

cuadrado

Luego de dar ok nos aparecern los valores absolutos de los errores al cuadrado.
 Luego procedemos a realizar la estimacin
LOG-LOG de la siguiente manera:
ABSEC C LNPBI LNINFLAC
Nos aparecer el siguiente cuadro de estimacin

REGLA DE DECISIN
5 Hp: existe
homocedasticidad
en la funcin
logartmica del consumo privado.
6 Ha: existe heterocedasticidad en la funcin logartmica del consumo privado.
A un nivel de significancia del 5% podemos ver que la probabilidad de LNINFLAC como
de LNPBI es mayor al 5%, en consecuencia se acepta la hiptesis planteada, que la
funcin logartmica del consumo privado presenta homocedasticidad.

Prueba en modelo de regresin simple:

Para la prueba park en el modelo de regresin simple se realiza los mismos pasos como
en el modelo LOG-LOG, al final nos arrojara este recuadro.

REGLA DE DECISIN
7 Hp: existe homocedasticidad en la funcin normal de consumo privado.
8 Ha: existe heterocedasticidad en la funcin normal de consumo privado.
A un nivel de significancia del 5%, podemos ver que la probabilidad para INFLAC y la
constante son menores al 5%, por lo tanto se acepta la hiptesis alternativa, la cual indica
que si se presenta heterocedasticidad en la funcin normal del consumo privado.

2 PRUEBA DE GLEJSER
Lo primero es hacer clic en Quick, luego vamos a Generate series, en ese cuadro
colocaremos:

ABSE=@ABS (RESID)
Valores del ABSE

Valores del ABSE= valor absoluto de los

errores

Luego procedemos a realizar la estimacin

LOG-LOG de la manera siguiente:
ABSE C LNPBI LNINFLAC
Nos aparecer el siguiente modelo de
regresin
Para detectar si hay

heterocedasticidad nos dirigimos a las probabilidades, la cual observamos que para la

constante y el logaritmo del PBI son menores al 5%, entonces comprobamos que si existe
heterocedasticidad en la funcin logartmica del consumo privado.
Para la regresin NORMAL se introduce lo siguiente:
ABSE C INFLAC PBI

Observamos que
las probabilidades
de la constante y del
PBI son menores al 5%,
esto indica que la regresin
normal del consumo
privado presenta Heterocedasticidad.

1 PRUEBA DE WHITE: MODELO LOG-LOG

Para realizar esta prueba lo primero es encontrarnos en la ecuacin de regresin LOG-
LOG inicial, esta prueba corregir los problemas de heterocedasticidad.
LNCONSUMOP C LNINFLAC LNPBI
Nos dirigimos a View, luego en Residual Diagnostics, luego vamos a heteroskedasticity
tests y damos clic, luego nos aparecer otra ventana en la cual escogemos la opcin
White, luego escogemos la opcin incluide White Cross terms, esto se debe a que
tenemos mas de una variable independiente. Si solo tenemos una variable no se escoge
esta opcin.

Nos aparecer el siguiente cuadro de

regresin LOG-LOG de la prueba de White
 1 REGLAS
DE
DECISIN

9 Hp: existe homocedasticidad en la funcin logartmica del consumo privado.

10 Ha: existe heterocedasticidad en la funcin logartmica del consumo privado.
Como podemos observar que todas las probabilidades de la funcin logartmica del
consumo privado son mayores al 5%, entonces se acepta la hiptesis planteada, la cual
indica que si existe homocedasticidad.

2 PRUEBA DE WHITE: MODELO NORMAL

Para realizar esta prueba lo primero es encontrarnos en la ecuacin de regresin
NORMAL inicial, esta prueba corregir los problemas de heterocedasticidad.
CONSUMOP C INFLAC PBI
Nos dirigimos a View, luego en Residual Diagnostics, luego vamos a heteroskedasticity
tests y damos clic, luego nos aparecer otra ventana en la cual escogemos la opcin
White, luego escogemos la opcin incluide White Cross terms, esto se debe a que
tenemos ms de una variable independiente. Si solo tenemos una variable no se escoge
esta opcin.

Nos aparecer el siguiente cuadro de regresin NORMAL de la prueba de White

2 REGLAS DE DECISIN

11 Hp: existe homocedasticidad en la funcin normal del consumo privado.

12 Ha: existe heterocedasticidad en la funcin normal del consumo privado.
Como podemos observar todas las probabilidades de la funcin normal del consumo
privado son mayores al 5%, entonces se acepta la hiptesis planteada, la cual indica que
si existe homocedasticidad.
1 AUTOCORRELACION
El mtodo de MCO tiene otro supuesto importante de que los errores estocsticos o
residuales no estn correctamente relacionadas entre ellas mismas, ya que este problema
de autocorrelacion afecta a la estimacin de la regresin mnima cuadrtica, perdiendo
eficiencia en la estimacin de los parmetros poblacionales.

Test de Durbin-Watson

La 1 zona, la zona del centro es donde no existe autocorrelacion de los errores

estocsticos donde el durbin-watson calculado debe ser igual a 2 o casi cerca de 2 y est
definida el rea entre lmite superior del Durbin-Watson de tabla y el lmite 4-DU.

Tambin hay 2 zonas de indecisin, y esas zonas estn delimitadas en la tabla de D-W
como lmite inferior (DL) y el lmite superior (DU) y tambin la otra zona de indecisin es el
lmite inferior 4-DU, hasta el lmite superior 4-DL, en donde no se puede determinar si
existe autocorrelacion de los errores o no existe autocorrelacion de los errores tanto
positivo como negativo.

CORRELACION PARA EL MODELO LOG-LOG

Modelo de regresin LOG-LOG

 Primero nos dirigimos a
View luego a Residual
Tests, luego vamos a Correlogram Q-statistics y damos clic.

Luego nos aparecer

un recuadro donde nos
encontramos con la
auto correlacin y auto correlacin parcial.
 Hay necesidad de
corregir el durbin-watson. Como observamos hay periodos en los cuales se salen fuera de
los parmetros. Si sucede el caso de que aparezca correlacin se debe modificar la
estimacin del modelo agregando vectores autorregresivos o medias mviles. En este
caso agregaremos el vector y la media mvil del periodo 1, los cuales no estn dentro de
los parmetros.
Luego nos dirigimos a realizar la estimacin logartmica agregando ar (1) y ma (1), los
cuales vienen a representar los vectores autorregresivos y media mvil del periodo 1 para
corregir la correlacin.

Luego de corregir
las
autocorrelaciones aparecer nuestra nueva estimacin LOG-LOG
 Luego nos dirigimos a
View luego a Residual
Tests, luego vamos a Correlogram Q-statistics y damos clic.

Observaremos la
grfica final la cual nos
indica que no hay
autocorrelacion en el
modelo LOG-LOG.
CORRELACION PARA EL MODELO NORMAL
Modelo de regresin NORMAL, a simple vista hay necesidad de corregir de
autocorrelacion, debido a que el Durbin-Watson no tiende a 2.
 Primero nos dirigimos a View
luego a Residual Tests, luego
vamos a Correlogram Q-statistics y damos clic.

Luego nos aparecer un recuadro donde nos encontramos con la autocorrelacin y auto
correlacin parcial.
 Hay necesidad de
corregir el durbin-
watson. Como observamos hay periodos en los cuales se salen fuera de los parmetros.
Si sucede el caso de que aparezca correlacin se debe modificar la estimacin del
modelo agregando vectores autorregresivos o medias mviles. En este caso agregaremos
el vector y la media mvil del periodo 1, los cuales no estn dentro de los parmetros.
Luego nos dirigimos a realizar la estimacin logartmica agregando ar (1) y ma (1), los
cuales vienen a representar los vectores autorregresivos y media mvil del periodo 1 para
corregir la correlacin.

Luego de corregir las

autocorrelaciones aparecer nuestra nueva estimacin NORMAL

 Luego nos dirigimos a
View luego a Residual
Tests, luego vamos a Correlogram Q-statistics y damos clic.

Observaremos la
grfica final la cual nos indica que no hay autocorrelacion en el modelo NORMAL.
2 QUIEBRE ESTRUCTURAL MODELO LOG-LOG
Luego de realizar la regresin procedemos a formar nuestra funcin, con los datos del
intercepto y de las pendientes que se han proporcionado.

EN ESTE CASO DE 1991 AL 2013 DEL MODELO LOG-LOG

 LNCONSUMOP=1.362319+0.859340 ( LNPBI )0.018421( LNINFLAC )

Ahora realizaremos la estimacin de la regresin de la ecuacin para el periodo 1991-

2002 del modelo LOG-LOG. Que nos ofrece la siguiente informacin:
 1991-2002 regresin:

LNCONSUMOP=0.396856+0.940255 ( LNPBI )0.001581 ( LNINFLAC )

Ahora realizaremos la estimacin de la regresin de la ecuacin para el periodo 2003-

2013 del modelo LOG-LOG. Que nos ofrece la siguiente informacin:

2003-2013 regresin:

LNCONSUMOP=1.222037+0.866081 ( LNPBI ) +0.023364 ( LNINFLAC )

Si comparamos la estimacin LOG-LOG del 1991 al 2013 con las regresiones auxiliares
1991-2002 y 2003-2013, observamos que las pendientes de los logaritmos del PBI
nominal como la inflacin cambian y no son iguales, esto nos indica que hay punto de
quiebre y que la regresin inicial no sigue una tendencia lineal.

Ahora el siguiente paso consta en realizar la prueba de CHOW para el ao 2003, tambin
lo que se realizara es verificar si en verdad existe un punto de quiebre, esto se
comprobara con los datos que calcule el programa de EVIEW.
1 Grfico de los pasos para la prueba de CHOW

Lo que se realiza es que de le ecuacin inicial LOG-LOG nos dirigimos a view, luego
damos clic en Stability Diagnostics y luego vamos a CHOW breakpoint test y despus nos
aparecer un cuadro.

Luego colocaremos el ao 2004 como

punto de quiebre.

Nos arrojara la siguiente probabilidad

PRUEBA DE HIPOTESIS

Cuando se realiza la prueba de punto de quiebre de CHOW el programa de EVIEW usa

con un nivel de significancia del 5% o 0.05, esta probabilidad que utiliza es
predeterminada y lanza la hiptesis nula, la cual indica que no hay rotura de referencia
especificados y por consiguiente la hiptesis alternativa seria que no existe punto de
quiebre en la funcin de consumo privado. Tambin nos brinda el Eview la probabilidad F,
es la que utilizaremos para poder rechazar o aceptar la hiptesis nula.

HP = No existe punto de quiebre en la punto especificado

HA = Existe punto de quiebre en el punto especificado

ZR ZA

0.00 0.0 1.0

0 5
0.0005

Como observamos en el cuadro de que la probabilidad de F es de 0.0005, entonces la

hiptesis nula se rechaza y se acepta la hiptesis alternativa, en conclusin nos quiere
decir de que si existe en el ao 2004 un punto de quiebre de toda la regresin de la
funcin de consumo privado.

Luego nos dirigimos a recursive estimates (OLS only)

Y luego nos aparecer el
cuadro siguiente, el cual
damos clic en One-Step Forecast Test y damos ok

Luego aparece una grfica donde los crculos de color azul indican los puntos de quiebre
del periodo 1991-2013.

Punto de quiebre del 1991 al 2013.

PASOS PARA CORREGIR EL PUNTO DE QUIEBRE MEDIANTE LA VARIABLE DUMMI
MODELO LOG-LOG

En el modelo LOG-LOG se logr observar que hay puntos de quiebre, esto se debe a que
las causas se deben a variables a exgenas que no estn dentro del modelo, por lo tanto
para poder tomarla en cuentas se procede a realizar la variable dummi.
Lo primero es que en nuestra base datos agregamos una variable ms, en este caso la
variable dummi, se pondr uno donde empieza el punto de quiebre, en este caso desde
2004 en adelante, antes de ese ao se colocara 0.

Como se observa a partir del ao 2004 se coloca 1, antes de ese ao se coloca 0.

 Luego se procede a realizar la
estimacin LOG-LOG con la
variable Dummi

Luego nos dirigimos a

recursive estimates
(OLS only)
Y luego nos aparecer el
cuadro siguiente, el cual damos clic en One-Step Forecast Test y damos ok, al final nos
aparecer una grfica la cual ya no hay puntos de quiebre, por lo tanto se corrigi
mediante variables dummi.

Luego nos aparecer nuestro modelo de regresin normal con la variable DUMMI.
 Se puede apreciar que
mediante la variable
dummi ya no hay punto
de quiebre.

3 QUIEBRE ESTRUCTURAL MODELO NORMAL

Luego de realizar la regresin procedemos a formar nuestra funcin, con los datos del
intercepto y de las pendientes que se han proporcionado.

EN ESTE CASO DE 1991 AL 2013 DEL MODELO NORMAL

 CONSUMOP=22511.31+ 0.563958 ( PBI )46.59090 (INFLAC )

Ahora realizaremos la estimacin de la regresin de la ecuacin para el periodo 1991-

2002 del modelo NORMAL. Que nos ofrece la siguiente informacin:
1991- 2002 regresin:

CONSUMOP=5411.579 +0.690422 ( PBI )7.034548 ( INFLAC )

Ahora realizaremos la estimacin de la regresin de la ecuacin para el periodo 2003-

2013 del modelo NORMAL. Que nos ofrece la siguiente informacin:

2003-2013 regresin:

CONSUMOP=20199.60+ 0.561516 ( PBI )+751.3524 ( INFLAC )

Si comparamos la estimacin NORMAL del 1991 al 2013 con las regresiones auxiliares
1991-2002 y 2003-2013, observamos que las pendientes de los logaritmos del PBI
nominal como la inflacin cambian y no son iguales, esto nos indica que hay punto de
quiebre y que la regresin inicial no sigue una tendencia lineal.
Ahora el siguiente paso consta en realizar la prueba de CHOW para el ao 2003, tambin
lo que se realizara es verificar si en verdad existe un punto de quiebre, esto se
comprobara con los datos que calcule el programa de EVIEW.
2 Grfico de los pasos para la prueba de CHOW

Lo que se realiza es que de le ecuacin inicial LOG-LOG nos dirigimos a view, luego
damos clic en Stability Diagnostics y luego vamos a CHOW breakpoint test y despus nos
aparecer un cuadro.

Luego colocaremos el ao 2003 como punto de quiebre.

Nos arrojara la siguiente probabilidad

PRUEBA DE HIPOTESIS

Cuando se realiza la prueba de punto de quiebre de CHOW el programa de EVIEW usa

con un nivel de significancia del 5% o 0.05, esta probabilidad que utiliza es
predeterminada y lanza la hiptesis nula, la cual indica que no hay rotura de referencia
especificados y por consiguiente la hiptesis alternativa seria que no existe punto de
quiebre en la funcin de consumo privado. Tambin nos brinda el Eview la probabilidad F,
es la que utilizaremos para poder rechazar o aceptar la hiptesis nula.

HP = No existe punto de quiebre en la punto especificado

HA = Existe punto de quiebre en el punto especificado

ZR ZA

0.00 0.0 1.0

0 5
0.0102

Como observamos en el cuadro de que la probabilidad de F es de 0.0102, entonces la

hiptesis nula se rechaza y se acepta la hiptesis alternativa, en conclusin nos quiere
decir de que si existe en el ao 2003 un punto de quiebre de toda la regresin de la
funcin de consumo privado.

Luego nos dirigimos a recursive estimates (OLS only)

Y luego nos aparecer el
cuadro siguiente, el cual
damos clic en One-Step Forecast Test y damos ok

Luego aparece una grfica donde los crculos de color azul indican los puntos de quiebre
del periodo 1991-2013.

Punto de quiebre del 1991 al 2013.

PASOS PARA CORREGIR EL PUNTO DE QUIEBRE MEDIANTE LA VARIABLE DUMMI
MODELO NORMAL

En el modelo NORMAL se logr observar que hay puntos de quiebre, esto se debe a que
las causas se deben a variables a exgenas que no estn dentro del modelo, por lo tanto
para poder tomarla en cuentas se procede a realizar la variable dummi.
Lo primero es que en nuestra base datos agregamos una variable ms, en este caso la
variable dummi, se pondr uno donde empieza el punto de quiebre, en este caso desde
2003 en adelante, antes de ese ao se colocara 0.

Como se observa a partir del ao 2003 se coloca 1, antes de ese ao se coloca 0.

 Luego se procede a realizar la
estimacin NORMAL con la variable Dummi

Luego nos aparecer

nuestro modelo de
regresin normal con la variable DUMMI.
Luego nos dirigimos a recursive estimates (OLS only)

Y luego nos aparecer el

cuadro siguiente, el cual damos clic en One-Step Forecast Test y damos ok, al final nos
aparecer una grfica la cual ya no hay puntos de quiebre, por lo tanto se corrigi
mediante variables dummi.
 Se puede apreciar que
mediante la variable dummi ya
no hay punto de quiebre.

COMPARACION DE MODELOS

En el aspecto de los criterios Akaike observamos que en el modelo inicial siempre va ser
mayor al modelo logartmico, ahora referente al criterio Schwarz observamos que en el
modelo logartmico es menor al modelo normal, conclusin en el modelo inicial el criterio
Schwarz es mayor respecto al logartmico. Entonces el modelo que nos brinda una mejor
regresin de las variables que estamos utilizando sera el logartmico, porque sus criterios
son menores, esto se efecta en variables DUMMI, multicolinealidad, heterocedasticidad y
aurocorrelacion. Hay que tener en cuenta que cuando se compara los modelos se hace
con AKAIKE AKAIKE y SCHWARZ SCHWARZ, se escoge el que tenga menor criterio.

BIBLIOGRAFIA
1 Ttulo del libro: Econometra
Autor: Gujarati Damodar

Los datos estadsticos fueron recopilados de las pginas de internet del BCRP.

ANEXOS
CONSUMO PBI INFLACI
PRIVADO NOMINAL ON
20635 26256 409.5
34766 43990 73.5
53216 68079 48.6
71308 95965 23.7
85519 117279 11.1
97738 132473 11.5
109188 151406 8.5
116023 159753 7.3
 119244 166967 3.5
128075 177918 3.8
131392 180991 2
137902 191492 0.2
144193 205379 2.3
154995 227684 3.7
162815 247081 1.6
174582 287713 2
192316 319693 1.8
220107 355708 5.8
232368 365056 2.9
256465 419694 1.5
281718 469855 3.4
310040 508191 3.7
335904 546890 2.8

La inflacin son tasas porcentuales, el consumo privado es nominal. Base de datos BCRP