Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Manuel Jan
Universidad de Almera
1. INTRODUCCIN
Este trabajo formula un modelo de determinantes del gasto pblico desde el lado
de la demanda. Los estudios del crecimiento del gasto pblico desde el lado de la
gobierno responsable suponen que el gobierno toma sus decisiones de forma neutral en
cuanto a su posible resultado. Es decir, los cambios en el gasto del sector pblico se
gobierno o de ambas cosas a la vez; estas instituciones se espera que no influyan en las
decisiones acerca del gasto pblico sino que reflejen exactamente la demanda de los
El primer problema que nos planteamos es la eleccin de una medida del gasto
pblico. En trabajos anteriores [Jan y Molna (1998), Jan (1999)] se han considerado
diferentes medidas del gasto pblico, fundamentalmente el gasto total del gobierno o los
gastos en consumo o transferencias con relacin al PNB o PIB.En este caso, siguiendo a
Para ello partimos de la consideracin de los diferentes aspectos cuantitativos del gasto
pblico como una variable multidimensional latente que puede ser estimada por un
interpretada sin ambigedad como una medida del crecimiento del GP.
crecimiento del gasto. En este caso, dado el escaso nmero de grados de libertad por la
representativas pueden ser agrupadas en una componente que no explica el efecto que
producen en la variacin del gasto pblico. Por ltimo palia los problemas que se
realizadas.
3
A partir de las variables representativas del crecimiento del gasto pblico (con
relacin al PIB): gasto pblico total, consumo pblico, ingreso pblico, formacin bruta
explicada por este factor. Anlogamente ocurre con el resto de las variables (Ver
apndice).
3. DETERMINANTES ECONMICO-ESTRUCTURALES.
(1995)). Para Sorensen (1988), el papel de las instituciones se concreta en las siguientes
cada una de estas teoras permite justificar de forma adecuada la utilizacin de las
del estado. Encontraba tres razones importantes para el aumento de la actividad del
como consecuencia ms gastos en ley y orden. En segundo lugar, Wagner predijo que el
orden.
sociedad tal como describe Garcia Delgado (1995). ste divide el desarrollo industrial
espaol en varias etapas abarcando la ltima de ellas el perodo 1950-1993 al que llama
5
semejante anterior. Considera que existen tres procesos que expresan rotundamente el
Sector Pblico.
abrupto descenso de la poblacin activa agraria y del mundo rural, en general, a travs
de un proceso de emigracin del campo a la ciudad. Seala que, en las cuatro ltimas
mientras el sector servicios pasa del 31.0 % al 58.4 %. La desagrarizacin trae consigo
cuatro millones cada diez aos. La tasa de actividad de mujeres pasa de un 22.93% en
la renta con tasas medias anuales de crecimiento del PIB per cpita del orden del 3,4%
anual.
componente y renta real disponible per cpita para la segunda. Para representar los
proporcin del producto agrario en el producto total (VAAG/PIB). Las dos primeras
variables se espera que tengan un efecto positivo en el tamao del sector pblico. El
medido con relacin a la renta nacional. Por tanto un signo positivo es consistente con
primera explicacin, grado de urbanizacin y poblacin total en un solo factor, F1, que
las variables asociadas a la tercera explicacin en un solo factor que explica el 81,5%
1
Dado que es imposible conocer el grado de urbanizacin con los datos censales y de padrones existentes
en Espaa se ha utilizado como variable proxy la proporcin de empleo agrcola sobre el total (EAG).
7
contribuyente mediano
de variables que reflejan el cambio politico. Dada la forma de la ecuacin, y son las
bienes y servicios producidos por el sector pblico. La relacin entre ambas viene dada
por Q=G/C.1/N donde G es el gasto pblico total, C es el coste unitario de los servicios
privacidad o publicidad de los servicios pblicos. =0 implica que los bienes son
privados) y mayor que 1 si hay un efecto exclusin en el coste unitario de los servicios
obtenemos
LnG=+Ln(I/G)+(1+)LnC+LnV+(-+)lnN+iLnmi (3)
LnG=+Ln(I/G)+(1+)LnC+LnY+Lnk+(-+)lnN+iLnmi (4)
2.0 0.6
1.5
0.4
1.0
0.2
0.5
0.0
0.0
-0.5
-0.2
-1.0
-1.5 -0.4
65 70 75 80 85 90 95 65 70 75 80 85 90 95
GASTOPIB DGASTOPIB
9
7.0
0.10
6.8 0.08
0.06
6.6
0.04
6.4
0.02
6.2
0.00
6.0 -0.02
65 70 75 80 85 90 95 65 70 75 80 85 90 95
LRENTA DLRENTA
2
0.00
1 -0.04
-0.08
0
-0.12
-1
-0.16
-2
-0.20
65 70 75 80 85 90 95
65 70 75 80 85 90 95
F1
DF1
2
0.2
1
0.1
0
0.0
-1
-0.1
-2
-0.2
-3
65 70 75 80 85 90 95 -0.3
65 70 75 80 85 90 95
F2
DF2
10
Las grficas de las series nos permiten conjeturar la posible existencia de una
tendencia en todas ellas, tendencia que puede ser determinista o estocstica. Esto unido
lentamente a cero mientras que la primera FAP es muy elevada, nos lleva a pensar en la
primeras diferencias las grficas no muestran ninguna tendencia mientras que sus
diferencias para cada serie considerando los retardos necesarios para que los residuos
crtico de 6.73 (para un nivel de significacin del 5%) con lo que aceptamos la hiptesis
3.5562 con lo que aceptamos que la serie tiene una raz unitaria.
13
(0,0), obtenemos un estadstico de contraste de 2.21 para un valor critico de 5.13, con lo
Puesto que hemos deducido que =0, realizamos nuevamente el contraste inicial
es 3.97 para un valor critico de 4.86 con lo que la serie es un paseo aleatorio sin deriva.
contraste de 0.7958 para un valor critico de 1.951 con lo que aceptamos la nula y la
contraste para el ADF de 2.45 para un valor critico de 1.952 mientras el valor de
serie F1 es un paseo aleatorio con deriva al igual que la serie F2 mientras que en el caso
de la serie LRENTA obtenemos un paseo aleatorio sin deriva. Observamos, por tanto,
que ninguna de las series analizadas tiene tendencia. Aspecto que aprovecharemos para
cuadro (Cuadro 1)
14
CUADRO 1
DLGASTOPI
DLGASTOPI
CUADRO 2
Diagnostic Tests
******************************************************************************
* Test Statistics * LM Version * F Version
******************************************************************************
* * *
* A:Serial Correlation*CHSQ( 1)= 23.1195[.000]*F( 1, 28)= 65.5176[.000]
* * *
* B:Functional Form *CHSQ( 1)= 12.8926[.000]*F( 1, 28)= 17.9533[.000]
* * *
* C:Normality *CHSQ( 2)= .61493[.735]* Not applicable
* * *
* D:Heteroscedasticity*CHSQ( 1)= 3.2113[.073]*F( 1, 31)= 3.3419[.077]
******************************************************************************
A:Lagrange multiplier test of residual serial correlation
B:Ramsey's RESET test using the square of the fitted values
C:Based on a test of skewness and kurtosis of residuals
D:Based on the regression of squared residuals on squared fitted values
Fuente: Elaboracin propia
retardos del VAR utilizando los criterios AIC y SBC seleccionamos un VAR(1).
tanto en el contraste del valor propio mximo como en el de la traza un nico vector de
CUADRO 3
******************************************************************************
32 observaciones de 1965 a 1996. Orden de VAR = 1, escogido r =1.
Lista de variables incluidas en el vector de cointegracin:
LGASTO/PIB LRENTA F1 F2
Lista de valores propios en orden descendente:
.61919 .41677 .28480 .21808
******************************************************************************
Nula Alternativa Estadstico Valor critico al 95% Valor critico al 90%
r = 0 r>= 1 66.7464 48.8800 45.7000
r<= 1 r>= 2 35.8517 31.5400 28.7800
r<= 2 r>= 3 18.5982 17.8600 15.7500
r<= 3 r = 4 7.8722 8.0700 6.5000
******************************************************************************
CUADRO 4
******************************************************************************
32 observaciones de 1965 a 1996. Orden de VAR = 1, escogido r =1.
Lista de variables incluidas en el vector de cointegracin:
LGASTO/PIB LRENTA F1 F2
******************************************************************************
Lista de restricciones impuests en los vectores de cointegracin:
a1=1
******************************************************************************
Vector 1
LGASTO/PIB 1.0000
(*NONE*)
LRENTA 4.3187
(2.3053)
F1 2.3586
(.95812)
F2 .12121
(.36655)
******************************************************************************
LL SUJETOS A RESTRICCIONES DE IDENTIFICACIN EXACTA= 192.1942
******************************************************************************
Fuente: Elaboracin propia
unitario de la renta per cpita provoca un aumento del gasto en cuanta superior a la
en F2 es positivo.
5. CONCLUSIONES.
estructurales de demanda del gasto pblico. Se define el gasto pblico a partir de sus
formulaciones tericas relacionadas con la ley de Wagner. Dada la relacin entre las
las series correspondientes, se resumen cada uno de los bloques de variables, mediante
pblico aumenta cuando lo hace la renta per cpita de las familias, cuando se
tecnolgicos.
19
REFERENCIAS BIBLIOGRFICAS
Budgets and Bureaucrats: The Sources of Government Growth. Durham, N. C.. Duke
University Press.
Civitas.
Gemmel, N. (1990): Wagners Law, Relative Prices and the Size of the Public Sector.
The Manchester School of Economis and Social Studies 58, pp. 361-377.
Quantitative Analysis en N. Gemmel (ed): The Growth ofPublic Sector: Theories and
Holden, D. y Pelman, R.: Unit Roots and Cointegration for the Economist en
pp.161-172.
Lowery, D y Berry, W.D. (1983): The Growth of Government in the United States: Un
North-Holland.
Expenditures in the United States. Public Finance Quarterly Vol 2(2) pp.202-222.
21
APNDICE
Anlisis factorial 1
Estadsticos descriptivos
Desviacin
Media tpica N del anlisis
lgagactpibct -1,13130 ,31794314 33
lconapctpibct -2,04507 ,18090554 33
linapctpibct -4,35694 ,95373527 33
lfoapctpibct -3,56975 ,32510223 33
ltransctpibct -2,08297 ,53282832 33
Matriz de correlaciones
Comunalidades
Inicial Extraccin
lgagactpibct 1,000 ,956
lconapctpibct 1,000 ,897
linapctpibct 1,000 ,936
lfoapctpibct 1,000 ,702
ltransctpibct 1,000 ,656
Mtodo de extraccin: Anlisis de Componentes principales.
22
Matriz de componentesa
Compone
nte
1
lgagactpibct ,978
lconapctpibct ,947
linapctpibct ,967
lfoapctpibct ,838
ltransctpibct ,810
Mtodo de extraccin: Anlisis de componentes principales.
a. 1 componentes extrados
Compone
nte
1
lgagactpibct ,236
lconapctpibct ,228
linapctpibct ,233
lfoapctpibct ,202
ltransctpibct ,195
Mtodo de extraccin: Anlisis de componentes principales.
Anlisis factorial 1
Interpretacin de los resultados
23
Matriz de correlaciones
r
i j
ij
2
KMO =
r
i j
ij
2
+ s
i j
ij
2
indicativo de que existen correlaciones importantes entre las variables. En caso de no poder
rechazar la hiptesis nula no tendra sentido un anlisis factorial ya que esto indicara que existe
poca informacin redundante y, por tanto, el nmero de factores necesario para explicar un alto
porcentaje de informacin sera prximo al de variables originales.
Cuando las variables originales estn muy correlacionadas entre s, la mayor parte de su
variabilidad (varianza) se puede explicar con muy pocas componentes, mientras que si
estuviesen completamente incorrelacionadas entre s, el anlisis de componentes principales
carecera de sentido puesto que las componentes coincidiran con las variables originales.
Es obvio que todas las componentes principales explican toda la varianza, pero el
objetivo de sntesis implica la obtencin de un menor nmero de indicadores (de componentes).
Y este proceso se realizar atendiendo a la varianza acumulada por los sucesivos factores.
Sumando los porcentajes de la varianza total explicada por cada factor, seleccionaremos
factores hasta que ese porcentaje acumulado alcance cierto nivel considerado como idneo.
Existen varios criterios para determinar cul debe ser el nmero ptimo de componentes
a retener. El que se ha utilizado en este trabajo consiste en seleccionar aquellos factores con un
valor propio superior a uno ( el autovalor o valor propio es la varianza tipificada de cada factor
y la suma de todos ellos debe ser igual al numero de variables). La razn es que, como las
variables se consideran tipificadas (media cero y desviacin tpica y varianza igual a uno), se
estn seleccionando, de acuerdo con el criterio anterior, aquellos factores que explican, al
menos, tanto como una sola variable. Por ejemplo, si tenemos un modelo con diez variables, la
varianza total a explicar es 10. Si elegimos las componentes principales con un valor propio
superior a uno, estamos tomando aquellas que explican ms del 10% de la varianza.
Las comunalidades reflejan la parte de la varianza de las variables debida a los factores
comunes y toman un valor inicial igual a 1, ya que la variabilidad total puede ser explicada, en
principio, a partir de todas las componentes y, por tanto, de todos los factores.
25
Una vez extrados los factores, obtenemos la matriz factorial que recoge la carga o
ponderacin de cada factor en cada una de las variables (igual al coeficiente de correlacin entre
las variables y los factores comunes). Para interpretar los factores tenemos que buscar las
variables ms correlacionadas con ellos. En este caso como hay slo un factor es lgico que
todas las variables estn en mayor o menor grado muy correlacionadas con l.
Puntuaciones factoriales
Con las puntuaciones factoriales, podemos posicionar los distintos aos objeto de
estudio en el espacio reducido del factor seleccionado (es decir, podemos obtener el valor del
factor en cada ao).
Ao Puntuaciones
1964 -1,26882
1965 -1,11918
1966 -1,18934
1967 -1,12405
1968 -1,12840
1969 -1,14199
1970 -,85058
1971 -,69188
1972 -,81668
1973 -,87930
1974 -,94996
1975 -,76144
1976 -,77177
1977 -,58586
1978 -,54073
1979 -,54367
1980 -,43015
1981 -,20821
1982 ,13119
1983 ,24763
1984 ,32869
1985 ,82267
1986 ,89597
1987 ,84708
26
1988 ,93729
1989 1,12599
1990 1,30104
1991 1,39942
1992 1,39610
1993 1,58948
1994 1,47627
1995 1,38069
1996 1,12252
Grficamente:
2,0
1,5
1,0
,5
Factor
0,0
-,5
-1,0
-1,5
1964 1968 1972 1976 1980 1984 1988 1992 1996
1966 1970 1974 1978 1982 1986 1990 1994
Tiempo
Anlisis factorial 2
Estadsticos descriptivos
Desviacin
Media tpica N del anlisis
lpoblacio 3,595162 7,2063E-02 33
lempleoagrario -1,64884 ,45089861 33
27
Matriz de correlaciones
lempleoa
lpoblacio grario
Correlacin lpoblacio 1,000 -,926
lempleoagrario -,926 1,000
Comunalidades
Inicial Extraccin
lpoblacio 1,000 ,963
lempleoagrario 1,000 ,963
Mtodo de extraccin: Anlisis de Componentes principales.
Matriz de componentesa
Compone
nte
1
lpoblacio -,981
lempleoagrario ,981
Mtodo de extraccin: Anlisis de componentes principales.
a. 1 componentes extrados
28
Compone
nte
1
lpoblacio -,510
lempleoagrario ,510
Mtodo de extraccin: Anlisis de componentes principales.
Anlisis factorial 2
Interpretacin de los resultados
Matriz de correlaciones
La medida de adecuacin muestral KMO es igual a 0,5, valor que se encuentra dentro
de los lmites para aceptar como vlido el mtodo.
Las dos variables se resumen en un solo factor, el cual tiene un valor propio de 1,926 y es
Puntuaciones factoriales:
Ao Puntuaciones
1964 1,74206
1965 1,64947
1966 1,56922
1967 1,44887
1968 1,34922
1969 1,23023
1970 1,09848
1971 ,96802
1972 ,84061
1973 ,70869
1974 ,58213
1975 ,41793
1976 ,26631
1977 ,10704
1978 ,00962
1979 -,09714
1980 -,21820
1981 -,26915
1982 -,33451
1983 -,36758
1984 -,40388
1985 -,44293
1986 -,60730
1987 -,70032
1988 -,77267
1989 -,90029
30
1990 -1,02556
1991 -1,15370
1992 -1,22506
1993 -1,23958
1994 -1,32074
1995 -1,43006
1996 -1,47925
1
Factor
-1
-2
1964 1968 1972 1976 1980 1984 1988 1992 1996
1966 1970 1974 1978 1982 1986 1990 1994
Tiempo
Anlisis factorial 3
Estadsticos descriptivos
Desviacin
Media tpica N del anlisis
lempind -1,40151 8,4070E-02 33
ltasamujeres -1,19868 ,14714393 33
lprodagrario -2,63021 ,49269560 33
Matriz de correlaciones
Comunalidades
Inicial Extraccin
lempind 1,000 ,614
ltasamujeres 1,000 ,909
lprodagrario 1,000 ,921
Mtodo de extraccin: Anlisis de Componentes principales.
Matriz de componentesa
Compone
nte
1
lempind ,784
ltasamujeres -,954
lprodagrario ,960
Mtodo de extraccin: Anlisis de componentes principales.
a. 1 componentes extrados
32
Compone
nte
1
lempind ,321
ltasamujeres -,390
lprodagrario ,393
Mtodo de extraccin: Anlisis de componentes principales.
Anlisis factorial 3
Interpretacin de los resultados
Matriz de correlaciones
Podemos observar, en general, altas correlaciones entre las variables. Las ms altamente
correlacionadas son lprodagrario y ltasamujeres.
Las tres variables se resumen en un solo factor, el cual tiene un valor propio de 2, 445 y
explica el 81,496% de la variabilidad total de las variables.
Puntuaciones factoriales:
Ao Puntuaciones
1964 1,23908
1965 1,01483
1966 1,03083
1967 1,06192
1968 1,01908
1969 1,03611
1970 ,87600
1971 ,85627
1972 ,70947
1973 ,56560
1974 ,54620
1975 ,69680
1976 ,75110
1977 ,67633
1978 ,65074
1979 ,51041
1980 ,43028
1981 ,25107
1982 -,00657
1983 -,11651
1984 -,05380
1985 -,23748
1986 -,35516
1987 -,60977
1988 -,70919
1989 -,85274
1990 -,93586
1991 -1,17571
1992 -1,39379
1993 -1,62881
1994 -1,82918
1995 -2,01402
1996 -2,00352
34
0
Factor
-1
-2
-3
1964 1968 1972 1976 1980 1984 1988 1992 1996
1966 1970 1974 1978 1982 1986 1990 1994
Tiempo