MODELO INGRESO Y

GASTO CORRIENTE
1. Introducción y explicación de variables:

La relación entre el gasto del Gobierno y el ingreso nacional es muy importante para el
desarrollo de las políticas públicas (Richter y Paparas, 2012). Es por ello que el papel
del sector público en la economía ha sido un tema de continuo debate entre los
economistas durante décadas. Grandes pensadores de la ciencia económica
dedicaron sus trabajos a explicar la relación entre Estado y mercado en sus diversas
modalidades y en situaciones de crisis y auge económico, diferenciando economías
desarrolladas, emergentes y en desarrollo.

Dicha relación ha sido estudiada ampliamente por los economistas a lo largo de la

historia. El hacendista alemán Adolph Wagner (1890) observó que, a medida que el
ingreso real per cápita de una nación se incrementaba, la proporción del gasto público
sobre el total de los gastos también lo hacía. Esta relación más adelante pasó a
denominarse la "Ley de Wagner". Según esta ley, si un país experimenta crecimiento
económico a largo plazo su sector público será cada vez mayor.

Por otro lado, Keynes (1936) argumentó que el gasto público es un factor exógeno y
un instrumento importante de la política fiscal que afecta al ingreso nacional (Ebaidalla,
2013). Afirmó que existen circunstancias en las cuales mantener un déficit fiscal es
deseable para estimular la actividad económica. Es decir, el Estado tiene que
intervenir a través del gasto público.

El alemán Adolph Wagner y el inglés John Maynard Keynes establecieron sus teorías
sobre el gasto público y el crecimiento económico. No obstante, para el primero era
una cuestión derivada de un crecimiento económico previo, mientras que el
economista británico consideraba necesario un Estado más fuerte que ayudase al
progreso de la economía mediante determinadas políticas públicas. La cuestión del
gasto público y el crecimiento siempre ha permanecido entre los temas más
importantes a tratar por economistas y organismos internacionales.

La pregunta de si el incremento del gasto de Gobierno es la causa del crecimiento

económico o el crecimiento económico es la causa del incremento del gasto de
Gobierno, es sumamente importante para los países en desarrollo, en los cuales el
sector público contiene una proporción relativamente grande de los recursos
económicos de la sociedad (Dogan y Tang, 2011). Para ello se procedió a estimar un
modelo VAR Ingresos corrientes.

Ingresos que se obtienen de modo regular o periódico y que no alteran de manera

inmediata la situación patrimonial del Estado. Agrupan los recursos provenientes de
tributos, venta de bienes, prestación de servicios, rentas de la propiedad, multas,
sanciones y otros ingresos corrientes.
De acuerdo a la clasificación económica, los ingresos están agrupados en corrientes y
de capital. Los ingresos corrientes se dividen en tributarios y no tributarios. Los
ingresos tributarios están constituidos por la totalidad de la recaudación tributaria
efectuada y reportada por SUNAT, mientras que los no tributarios están organizados
por tasas, intereses, regalías petroleras y mineras, transferencias de utilidades de
empresas estatales y al FEDADOI.

 Gastos corrientes
Comprende las erogaciones destinadas a las operaciones de producción de bienes y
prestación de servicios, tales como gastos de consumo y gestión operativa, servicios
básicos, prestaciones de la seguridad social, gastos financieros y otros. Están
destinados a la gestión operativa de la entidad pública durante la vigencia del año
fiscal y se consumen en dicho período.
De acuerdo a la clasificación económica, están agrupados en gastos corrientes no
financieros y gastos de capital. Los gastos corrientes no financieros comprenden los
gastos en remuneraciones (equivalente al gasto por Personal y Obligaciones neto de
las Cargas Sociales), la compra de bienes y servicios (incluye la información reportada
por el SIAF, los gastos de capital de los sectores Defensa e Interior, el pago por la
comisión recaudación y tesorería, entre otros), y las transferencias (incluye el pago de
pensiones por parte de la ONP y de las otras entidades, cargas sociales, Foncomun,
entre otros).
2. Explicación del modelo
Ya que uno de los determinantes del crecimiento económico son los ingresos
corrientes, vamos a ver que tanto es explicado dicho indicador, con respecto a los
gastos corrientes, y viceversa, a través del tiempo tomando como data el siguiente
cuadro:

T IC GC
2000 33293.1989 27548.2801
2001 32085.4545 27902.0891
2002 34327.0946 29126.1785
2003 37357.0631 30901.8182
2004 41492.7771 33388.1048
2005 47601.4287 37233.6896
2006 60259.9075 39577.961
2007 69565.3714 43701.3306
2008 78655.6477 48824.0385
2009 72379.6309 51921.3441
2010 87318.7353 57102.7479
2011 102298.502 63191.3836
2012 113647.056 68948.0359
2013 120840.748 78329.3278
2014 127924.079 89433.4733
2015 122950.941 96995.1077
2016 122495.455 100604.718
2017 126446.307 107436.451
 3. Metodología

Para analizar la relación de corto y largo plazo existente entre el gasto de Gobierno y
el ingreso nacional, se procedió a estimar un modelo de Vectores Autorregresivos
(VAR)

Los modelos econométricos de Vectores Autorregresivos (VAR) son modelos de series

de tiempo multivariados, utilizados para el análisis macroeconómico originalmente por
Sims durante la década de los 80 (Arias y Torres, 2004). Estos modelos son utilizados
para describir el proceso generador de datos de un grupo de variables de series de
tiempo. Debido a que todas las variables son tomadas como endógenas, estos
modelos son capaces de caracterizar las interacciones simultáneas que se transmiten
a lo largo de un determinado número de periodos entre un grupo de variables.

Una de las ventajas de estimar un modelo VAR consiste en el tipo de información que
se obtiene del sistema de ecuaciones que se estima (Sims, 1980). A partir de las
funciones de impulso-respuesta se puede analizar el signo, la intensidad y la
persistencia que cada una de las innovaciones estocásticas tiene sobre las variables
del modelo.

La estructura del sistema de Vectores Autorregresivos incorpora efectos de

retroalimentación, ya que tanto las variables dependientes como las independientes
pueden afectarse entre sí. Formalmente, el modelo de Vectores Autorregresivos de
orden n viene descrito de la siguiente manera (Enders, 2008):

Donde:

xit = Variables endógenas.

Ai0 = Parámetros que representan los términos de intercepto.

Aij(L) = Polinomios en el operador de rezago (L).

eit = Términos de perturbación.

Dado que en la parte derecha de la anterior ecuación solo aparecen los rezagos de las
variables endógenas, no existe simultaneidad, por lo que la técnica de estimación de
Mínimos Cuadrados Ordinarios es apropiada para llevar a cabo las estimaciones
(McCandless et al., 2001). Por su parte, la elección del número de rezagos de cada
una de las variables se realiza utilizando el test F, el Criterio de información de Akaike
o el Criterio de Schwartz. El primer test contrasta la hipótesis nula de que las variables
(rezagadas) adicionales no contienen información relevante como para mejorar los
pronósticos de la variable de interés, y las dos últimas tratan de test que castigan los
coeficientes extras (los correspondientes a las variables rezagadas adicionales), por lo
que la especificación elegida corresponderá a aquél con el criterio más pequeño
(Humérez y Jiménez, 1995).

Para analizar la relación de largo plazo de las variables, se procederá a analizar el test
de cointegración multivariado de Johansen y Juselius (1990). Se puede especificar
éste desde un modelo VAR de orden k, definido de la siguiente manera:

Donde yt es un vector (n x 1) de variables no estacionarias I(1), xt es un vector que

contiene los términos determinísticos, At es una matriz de parámetros (1 x n) y et es un
término de ruido blanco. Esta especificación del modelo VAR puede ser escrita en
primera diferencia, para darnos el siguiente Modelo de Vectores con corrección de
error (VEC) (Magazzino, 2012):

Donde:

El número de relaciones de cointegración se encuentra entre 0 y n - 1, por lo tanto, el

procedimiento de Johansen para testear la presencia de cointegración se enfoca en el
rango de Π. De verificarse la presencia de un vector de cointegración, se procederá a
la estimación del modelo VEC para observar la relación de largo plazo de las
variables.

4. Resultados

Para analizar la relación entre gasto de Gobierno e ingreso nacional, se recurrió a las
cifras oficiales presentadas por el BANCO CENTRAL DE RESERVA . Las variables
utilizadas son las siguientes: Gasto corriente (Gasto público), ingresos
corrientes , desde 2000 hasta 2017.

Previamente a la estimación del modelo VAR, se realizaron pruebas de raíz unitaria,

con el fin de determinar el orden de integración necesario para lograr la
estacionariedad de las variables. Los test de raíz unitaria demostraron que las
variables endógenas en logaritmos presentan raíz unitaria; los resultados se
encuentran descritos a continuación:

GRÁFICOS RESULTANTES DE APLICAR DIFERENCIAS (ESTACIONAREIDAD)

IMPUSO RESPUESTA EN INGRESO CORRIENTE

IMPUSO RESPUESTA EN GASTO CORRIENTE

DESCOMPOSICIÓN DE VARIANZA
 5. Conclusiones
En cuestión al gasto, Las metas económicas del gasto público de una economía son
posibles una vez puedan trazarse metas impositivas potenciales en función al
crecimiento económico que experimente la economía nacional. Es de esperar que,
tanto los gestores de fondos de la sociedad como los centros educativos y de salud,
puedan mejorar la relación calidad-costo, y sus prestaciones puedan resultar
económicamente más accesibles. De igual manera, una reducción del gasto, basada
en la revisión y racionalización de cada una de las asignaciones presupuestarias, debe
considerar la proyección de un sendero de crecimiento sostenible para las futuras
generaciones permitiendo un crecimiento natural en el aumento del gasto destinado a
atender las relaciones con el exterior, la defensa del territorio, el orden público y la
administración de la justicia.

CÓDIGO USADO

per_var <- Libro1

attach(per_var)
#Para el ingreso corriente
IC=ts(per_var[,1],start=2000, freq=12)
#Para el gasto corriente
GC=ts(per_var[,2],start=2000, freq=12)

#Para los ingresos corrientes

lIC <- log(IC)
#Para los gastos corrientes
lGC <- log(GC)
ts.plot(lIC, lGC, col=c("blue", "red"))
#Para 1 diferenciar
dlIC <- diff(lIC)
ts.plot(dlIC, col=c("blue"))
#Para 2 diferenciar
d2lIC <- diff(dlIC)
ts.plot(d2lIC, col=c("blue"))
#Para 1 diferenciar
dlGC <- diff(lGC)
ts.plot(dlGC, col=c("red"))
#Para 2 diferenciar
d2lGC <- diff(dlGC)
ts.plot(d2lGC, col=c("red"))
ts.plot(dlIC, dlGC, col=c("blue", "red"))

#Seleccionar el rezago del modelo se utiliza la siguiente función

VARselect(per_var, lag.max = 3, type = "const")
var.2c <- VAR(per_var, p = 1, type = "const")
summary(var.2c)
plot(var.2c)

#Raices del modelo

roots(var.2c)

#Para aplicar la prueba ADF sin constante ni tendencia.

adf1 <- summary(ur.df(lGC,gs=1)
adf1
summary(per_var)
plot(per_var, nc = 2, xlab = "")
layout(matrix(1:2, nrow = 2, ncol = 2))

plot.ts(IC, main = "entry", ylab = "", xlab = "")

plot.ts(GC, main = "spending", ylab = "", xlab = "")

#Para la creación del var se procede a crear un nuevo objeto con las variables estacionarias
per_var2 <- data.frame(dlIC,dlGC)
#Para de la 2 diferencia
per_var3 <- data.frame(d2lIC,d2lGC)
#Para la identificación del VAR2.
VARselect(per_var2, lag.max=1)
#Para la identificación del VAR3.
VARselect(per_var3, lag.max=2)

#Para la estimación del VAR.

var1 <- VAR(per_var2,p=2)
var1
#Para de la 2 diferencia
var2 <- VAR (per_var3,p=3)
var2

#Para saber si el VAR satisface las condiciones de estabilidad se utiliza el siguiente comando.
summary(var1)
summary(var2)

#Para obtener el grafico de la variable observado vs la estimada del Modelo VAR se utiliza la siguiente función.
plot(var1)
plot(var2)

#Para realizar la prueba de autocorrelación se usa el siguiente comando.

seriala <- serial.test(var1, lags.pt=11, type="PT.asymptotic")
seriala$serial
#Para realizar la prueba de autocorrelación se usa el siguiente comando.
seriala <- serial.test(var2, lags.pt=11, type="PT.asymptotic")
seriala$serial

#Para la prueba de normalidad.

normalidad <- normality.test(var1)
normalidad$jb.mul

#Para la prueba de normalidad.

normalidad <- normality.test(var2)
normalidad$jb.mul

#Para la prueba de heteroscedasticidad

arch1 <- arch.test(var1, lags.multi=11)
arch1$arch.mul

#Para analizar el impulso respuesta de la variable estudiada y observar su trayectoria.

#Para el impulso respuesta del INGRESO CORRIENTE
var1_irflIC <- irf(var1, response="dlIC", n.ahead=8, boot=TRUE)
var1_irflIC
#Para el impulso respuesta de la GASTO CORRIENTE
var1_irflGC <- irf(var1, response="dlGC", n.ahead=5, boot=TRUE)
var1_irflGC
#Para graficar el impulso respuesta del INGRESO CORRIENTE
plot(var1_irflIC)
#Para graficar el impulso respuesta de. GASTO CORRIENTE
plot(var1_irflGC)

#Para el análisis de la descomposición de varianza de las variables, se usan los siguientes comandos.
#Para el ingreso corriente
var1_fevd_dlIC <- fevd(var1, n.ahead=50)$dlIC
var1_fevd_dlIC
#Para el gasto corriente
var1_fevd_dlGC <- fevd(var1, n.ahead=50)$dlGC
var1_fevd_dlGC

#Para la prueba de normalidad.

normalidad<-normality.test(var1)
normalidad$jb.mul
#Para la prueba de normalidad.
normalidad<-normality.test(var2)
normalidad$jb.mul
#Para la prueba de heteroscedasticidad
arch1<-arch.test(var1, lags.multi=11)
arch1$arch.mul
#Para analizar el impulso respuesta de la variable estudiada y observar su trayectoria.
#Para el impulso respuesta del INGRESO CORRIENTE
var1_irflIC<-irf(var1, response="dlIC", n.ahead=8, boot=TRUE)
var1_irflIC
#Para el impulso respuesta de la GASTO CORRIENTE
var1_irflGC<-irf(var1, response="dlGC", n.ahead=5, boot=TRUE)
var1_irflGC
#Para graficar el impulso respuesta del INGRESO CORRIENTE
plot(var1_irflIC)
#Para graficar el impulso respuesta de. GASTO CORRIENTE
plot(var1_irflGC)
#Para el análisis de la descomposición de varianza de las variables, se usan los siguientes
comandos.
#Para el índice de precios.
var1_fevd_dlIC<-fevd(var1, n.ahead=50)$dlIC
var1_fevd_dlIC
#Para la oferta monetaria.
var1_fevd_dlGC<-fevd(var1, n.ahead=50)$dlGC
var1_fevd_dlGC