ECONOMETRIA

c
“EL IMPACTO DEL SECTOR MANUFACTURA EN LAS EXPORTACIONES

DEL PERÚ EN EL PERIODO DE 1990 AL 2017”
INTEGRANTES:
 RAFAEL AQUINO
MARIPAZ
 PALACÍN
MALPARTIDA,
KAREN
 HIDALGO LÓPEZ
JAVIER
2018B
UNIVERSIDAD NACIONAL DEL CALLAO
ESCUELA PROFESIONAL DE ECONOMIÍA
FACULTAD DE CIENCIAS ECONÓMICAS
INDICE
1. MARCO TEÓRICO: ...................................................................................................................... 2
2. HIPÓTESIS: ................................................................................................................................. 3
3. FORMALIZACIÓN DE LAS HIPÓTESIS MEDIANTE EL MODELO ECONOMÉTRICO ....................... 3
3.1Formalización de hipótesis aplicando el modelo de rezago distribuido finito: ................... 3
4. APLICACIÓN DEL MODELO DE PDL ............................................................................................ 3
5. ESTIMACIÓN DEL MODELO ....................................................................................................... 4
6. VALIDAR EL MODELO ................................................................................................................ 9
6.1Estacionaridad de las variables X y Y:................................................................................... 9
6.2 Autocorrelación ................................................................................................................. 11
6.3 Heterocedasticidad ........................................................................................................... 12
6.4 Prueba de normalidad de los errores................................................................................ 13
7. EFECTUAR LA PRUEBA DEL P-VALOR ....................................................................................... 14
8. EVALUACIÓN DE LA PRUEBA F ................................................................................................ 15
9. ANEXOS ................................................................................................................................... 16
1. MARCO TEÓRICO:
SECTOR MANUFACTURA:
Considerado como parte del sector secundario de la economía del país encargado de
transformar los productos provenientes del sector primario las materias primas en
general en nuevos productos proporcionándoles un valor agregado.
Por lo tanto, se entiende que toda empresa que desarrolle actividades de
transformación de materias primas pertenecerá a la industria manufacturera, debemos
resaltar que el desarrollo de esta actividad requiere de factores importantes como
son: fuerza de trabajo, maquinarias y diversas herramientas.
En el sector manufacturero encontramos diversas áreas encargadas de la
transformación de diversos productos, entre ellos encontramos: bienes alimenticios,
producción textil, fabricación de maquinaria y equipos electrónicos, producción de
papel, de productos químicos y fármacos, utensilios metálicos, de plástico,
de madera y otros bienes intermedios.
La principal característica de la actividad industrial manufacturera en el Perú es
su carácter de industria ligera, entendiendo como tal aquella
cuya densidad de capital presenta un indicador relativamente bajo. Así, agregando a
la industria textil la madera y papeles, la agroindustria y otras manufacturas se aprecia
que se superan el 65% de las empresas existentes en el país, la segunda característica
que se puede apreciar es el casi insignificante desarrollo de la manufactura de bienes
de capital.
 Bienes intermedio
Los bienes intermedios o también llamados productos semi-terminados son productos
utilizados como insumos para la producción de otros bienes o como productos
terminados; por ejemplo:
Cuando producimos acero o caucho estos estos serán posteriormente utilizados para
la producción de llantas y repuestos que serán considerados bienes finales
 Bienes finales
Son los productos que no van a requerir un proceso de transformación posterior una
vez adquiridos, estos no son vendidos para la fabricación posterior de cualquier
otro producto si no que están dirigidos al consumo o uso final
2. HIPÓTESIS:
 El sector manufactura influye en las exportaciones del Perú en el periodo de

1990 al 2017
3. FORMALIZACIÓN DE LAS HIPÓTESIS MEDIANTE EL MODELO

ECONOMÉTRICO
𝑌𝑡 = 𝛼 + ∑ 𝛽𝑖 𝑋𝑡−𝑖 + 𝜇𝑡
3.1Formalización de hipótesis aplicando el modelo de rezago distribuido

finito:
𝑌𝑡 = 𝛼 + 𝛽0 𝑋𝑡 + 𝛽1 𝑋𝑡−1 + 𝛽2 𝑋𝑡−2 + 𝛽3 𝑋𝑡−3 + ⋯ 𝛽𝑘 𝑋𝑡−𝑘 + 𝜇𝑡
4. APLICACIÓN DEL MODELO DE PDL
Modelo de rezago distribuido polinomial:

(1) Se toma un modelo de rezago distribuido finito:
𝑌𝑡 = 𝛼 + 𝛽0 𝑋𝑡 + 𝛽1 𝑋𝑡−1 + 𝛽2 𝑋𝑡−2 + 𝛽3 𝑋𝑡−3 + ⋯ 𝛽𝑘 𝑋𝑡−𝑘 + 𝜇𝑡
(2) 𝑌𝑡 = 𝛼 + ∑ 𝛽𝑖 𝑋𝑡−𝑖 + 𝜇𝑡
(3) Supongamos se aproxima a un polinomio de segundo grado:
2
𝛽𝑖 = 𝑎0 + 𝑎1𝑖 + 𝑎2𝑖
(4) Remplazar (3) en (1):
𝑌𝑡 = 𝛼 + ∑ 𝛽𝑖 𝑋𝑡−𝑖 + 𝜇𝑡
2
𝑌𝑡 = 𝛼 + ∑( 𝑎0 + 𝑎1𝑖 + 𝑎2𝑖 )𝑋𝑡−𝑖 + 𝜇𝑡
𝑌𝑡 = 𝛼 + 𝑎0 ∑ 𝑋𝑡−𝑖 + 𝑎1 ∑ 𝑖𝑋𝑡−𝑖 + 𝑎2 ∑ 𝑖 2 𝑋𝑡−𝑖 + 𝜇𝑡
𝒀𝒕 = 𝜶 + 𝒂𝟎 𝒁𝟎𝒕 + 𝒂𝟏 𝒁𝟏𝒕 + 𝒂𝟐 𝒁𝟐𝒕 + 𝝁𝒕

Para poder estimar el modelo de rezago polinomial por Eview, el software no utiliza la
expresión expuesta anteriormente para el polinomio de Almon, sino que la toma ajustada
respecto al número de retardos.
Para ello la expresión del grado del polinomio será el siguiente:
𝛽𝑖 = 𝑎0 + 𝑎1 (𝑖 − c) + 𝑎2 (𝑖 − c)2 + 𝑎3 (𝑖 − c)3 … + 𝑎m (𝑖 − c)m
Donde “c”:
C = K/2 si k es “par”
C = (K-1) /2 si k es “impar”
5. ESTIMACIÓN DEL MODELO
MODELO DE ALMON
El modelo Almon permite cualquier estructura de retardos, es decir los parámetros, por
ejemplo, pueden decrecer luego crecer o tener un comportamiento sinuoso.
 El modelo de Almon tiene una estructura de rezagos flexible frente a la estructura
de rezagos rígida del modelo de Koyck
 Puesto que no se sustituye las variable independientes retardadas(Las Xs) con la
variable independiente retardada, no incumple ninguno de los supuestos del MCO
El modelo de Almon se estima por el MCO, el procedimiento es el siguiente:
1. Se debe determinar primero K (el número de rezagos del modelo) y m (el grado
del polinomio).
Para este modelo tenemos el m=2, ahora pasaremos a hallar el número de rezagos del
modelo, teniendo en cuenta que debe comenzar con una longitud de rezago
relativamente grande luego ir reduciéndolo.
Para la determinación del número de rezagos se eligió “El criterio de información de
Akaike”, en donde se seleccionó el número de rezagos incrementando el número de
rezagos hasta el punto en que AIC alcanzo un valor mínimo.
CON K=3
Dependent Variable: Y
Method: Least Squares
Date: 11/25/18 Time: 18:02
Sample (adjusted): 1993 2017
Included observations: 25 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C -27904.77 5993.778 -4.655622 0.0001

PDL01 0.037957 0.504570 0.075227 0.9407
PDL02 -1.126854 0.548827 -2.053203 0.0527
PDL03 0.750437 0.492566 1.523527 0.1425
R-squared 0.949663 Mean dependent var 83307.42

Adjusted R-squared 0.942472 S.D. dependent var 34966.14
S.E. of regression 8386.649 Akaike info criterion 21.05232
Sum squared resid 1.48E+09 Schwarz criterion 21.24734
Log likelihood -259.1540 Hannan-Quinn criter. 21.10641
F-statistic 132.0620 Durbin-Watson stat 0.548207
Prob(F-statistic) 0.000000
Lag Distribution of X i Coefficient Std. Error t-Statistic
. *| 0 1.91525 0.61491 3.11469

* | 1 0.03796 0.50457 0.07523
* . | 2 -0.33846 0.50501 -0.67020
. * | 3 0.78600 0.61568 1.27664
Sum of Lags 2.40075 0.12135 19.7838
EL VALOR DE AKAIKE ES 21.05232
Date: 11/25/18 Time: 18:04
C -26706.84 6124.922 -4.360356 0.0003

PDL01 -0.555001 0.452572 -1.226327 0.2343
PDL02 -0.182537 0.133621 -1.366077 0.1871
PDL03 0.520208 0.228888 2.272768 0.0342

. *| 0 1.89091 0.52706 3.58765

CON K=4
4
Date: 11/25/18 Time: 18:04
C -26706.84 6124.922 -4.360356 0.0003

PDL01 -0.555001 0.452572 -1.226327 0.2343
PDL02 -0.182537 0.133621 -1.366077 0.1871
PDL03 0.520208 0.228888 2.272768 0.0342

. *| 0 1.89091 0.52706 3.58765

.* | 1 0.14774 0.26438 0.55883
* . | 2 -0.55500 0.45257 -1.22633
*. | 3 -0.21733 0.25783 -0.84293
. * | 4 1.16076 0.54417 2.13310
Sum of Lags 2.42708 0.12453 19.4893

CON K=5
Date: 11/25/18 Time: 18:05
C -25449.80 6408.253 -3.971410 0.0008

PDL01 -0.384622 0.349292 -1.101147 0.2846
PDL02 -0.406913 0.142647 -2.852595 0.0102
PDL03 0.315569 0.129733 2.432457 0.0251

20.94925
S.E. of regression 7921.236 Akaike info criterion
. *| 0 1.69148 0.45297 3.73423

.* | 1 0.33786 0.16798 2.01128
* . | 2 -0.38462 0.34929 -1.10115
* . | 3 -0.47597 0.33239 -1.43194
* | 4 0.06383 0.14676 0.43492
. * | 5 1.23476 0.53570 2.30495
Sum of Lags 2.46734 0.13831 17.8389
 Se tomará el valor mínimo de Akaike que es con: m=2 y k=5

2. Luego de haber especificado el número de rezagos “k”, debemos asegurarnos de

que el grado de polinomio sea menor que el número de rezagos m<k, que en este
si cumple.
k=5 m=2
𝑌𝑡 = 𝛼 + 𝑎0 𝑃𝐷𝐿01 + 𝑎1 𝑃𝐷𝐿02 + 𝑎2 𝑃𝐷𝐿03 + 𝜇𝑡
𝑌𝑡 = −25449.80 + −0.384622𝑃𝐷𝐿01 − 0.406913𝑃𝐷𝐿02 + 0.315569𝑃𝐷𝐿03
+ 𝜇𝑡
Como k=5 (es impar)
C = (k-1) /2
C = (5-1) /2 = 2
C=2
Luego el polinomio de grado 2 viene dada por:
𝛽𝑖 = 𝑎0 + 𝑎1 (𝑖 − 2) + 𝑎1 (𝑖 − 2)2
 Si i=0
 𝛽0 = 𝑎0 − 2𝑎1 + 4𝑎2
 𝛽0 = −0.384622 − 2(− 0.406913) + 4(0.315569)
 𝛽0 = 1.69148
 Si i=1
 𝛽1 = 𝑎0 − 𝑎1 + 𝑎2
 𝛽1 = −0.384622 − (− 0.406913) + (0.315569)
 𝛽1 = 0.33786
 Si i=2
 𝛽2 = 𝑎0
 𝛽2 = −0.384622
 Si i=3
 𝛽3 = 𝑎0 + 𝑎1 + 𝑎2
 𝛽3 = −0.384622 + (− 0.406913) + (0.315569)
 𝛽3 = −0.475966
 Si i=4
 𝛽4 = 𝑎0 + 2𝑎1 + 4𝑎2
 𝛽4 = −0.384622 + 2(− 0.406913) + 4(0.315569)
 𝛽4 = 0.063828
 Si i=5
 𝛽5 = 𝑎0 + 3𝑎1 + 9𝑎2
 𝛽5 = −0.384622 + 3(− 0.406913) + 9(0.315569)
 𝛽5 = 1.23476
6. VALIDAR EL MODELO
6.1Estacionaridad de las variables X y Y:
Se dice que un proceso es estrictamente estacionario si sus propiedades, como se dijo
antes, no se ven afectadas por cambios de origen temporal, esto es, cuando al realizar
un mismo desplazamiento en el tiempo de todas las variables de cualquier distribución
conjunta finita, resulta que esta distribución no varía.
a) ANÁLISIS GRÁFICO
X
70,000
60,000
50,000
40,000
30,000
20,000
90 92 94 96 98 00 02 04 06 08 10 12 14 16
b) CORRELOGRAMA
6.2 Autocorrelación
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 13.99851 Prob. F(2,17) 0.0003

Obs*R-squared 14.31054 Prob. Chi-Square(2) 0.0008
Test Equation:
Dependent Variable: RESID
Date: 11/27/18 Time: 14:23
Sample: 1995 2017
Included observations: 23
Presample missing value lagged residuals set to zero.
C 2892.567 4476.216 0.646208 0.5268

PDL01 0.392737 0.263433 1.490841 0.1543
PDL02 0.217143 0.139187 1.560077 0.1372
PDL03 -0.159640 0.102739 -1.553842 0.1386
RESID(-1) 1.691480 0.228403 7.405680 0.0000
RESID(-2) 0.337860 0.309856 1.090376 0.2908
R-squared 0.622197 Mean dependent var -3.07E-11

ANÁLISIS:
 N(R2)= 28x (0.622197) = 17.421516

SI EXISTE
 2
Para el 5% de significancia 𝑋(5) = 5.99
AUTOCORRELACIÓN
 Como 17.421516 > 5.99
6.3 Heterocedasticidad
Heteroskedasticity Test: White
F-statistic 1.209575 Prob. F(9,13) 0.3660

Obs*R-squared 10.48230 Prob. Chi-Square(9) 0.3129
Scaled explained SS 5.066484 Prob. Chi-Square(9) 0.8285
Test Equation:
Dependent Variable: RESID^2
Date: 11/27/18 Time: 14:30
Sample: 1995 2017
C 2.51E+08 3.77E+08 0.666023 0.5170

PDL01^2 -0.319794 0.983401 -0.325192 0.7502
PDL01*PDL02 -0.175061 0.750234 -0.233342 0.8191
PDL01*PDL03 0.235666 0.749556 0.314408 0.7582
PDL01 -7603.194 14731.18 -0.516129 0.6144
PDL02^2 -0.121193 0.157410 -0.769923 0.4551
PDL02*PDL03 0.096128 0.286211 0.335865 0.7423
PDL02 -9979.417 6140.158 -1.625270 0.1281
PDL03^2 -0.045467 0.142661 -0.318706 0.7550
PDL03 3204.689 4982.655 0.643169 0.5313
R-squared 0.455752 Mean dependent var 51833639

Adjusted R-squared 0.078965 S.D. dependent var 63078093
S.E. of regression 60536399 Akaike info criterion 38.97441
ANÁLISIS:
 N(R2) =28x (0.455752) = 12.761056

NO EXISTE
 2
Para el 5% de significancia 𝑋(9) = 16.91
HETEROCEDASTICIDAD
 Como 12.761056 < 16.91
6.4 Prueba de normalidad de los errores
ANÁLISIS:
Los errores se distribuyen de manera normal dado que el valor de la kurtosis y la

asimetría son los adecuados. Se concluye que el modelo estimado cumple con el
supuesto de la normalidad de los errores.
7. EFECTUAR LA PRUEBA DEL P-VALOR
Date: 11/25/18 Time: 19:52
Sample: 1990 2017
C -31126.22 4773.653 -6.520418 0.0000

X 2.403796 0.100464 23.92687 0.0000

ANÁLISIS:
si pv ≤ α, aceptar H1
si pv > α, aceptar H0
Entonces se deduce:
Podemos observar que el P-valor es menor a 0.05, entonces rechazamos la H0

entonces aceptamos la H1 por lo tanto si Existe multicolinealidad.
8. EVALUACIÓN DE LA PRUEBA F
Date: 11/25/18 Time: 19:52
Sample: 1990 2017
C -31126.22 4773.653 -6.520418 0.0000

X 2.403796 0.100464 23.92687 0.0000

ANÁLISIS:
Se observa que Prob (F-statistic) es menor a 0.05 por ello rechazamos la hipótesis de
no significancia, es decir la variable regresora afecta al modelo de forma conjunta.
9. ANEXOS
BASE DE DATOS
AÑO Y X
1990 25796.964 24524
1991 27297.067 26038
1992 28481.516 25421
1993 29370.908 26643
1994 35057.489 30583.02
1995 37001.016 32311.99
1996 40282.307 32878.98
1997 45559.171 34365.04
1998 48099.364 33425.05
1999 51773.541 32961.97
2000 55911.137 34792.05
2001 59729.237 35093.95
2002 64236.621 37423.86
2003 68194.346 38882.96
2004 78580.126 41777.96
2005 90526.678 44529.13
2006 91250.928 47765.97
2007 97501.431 52807
2008 105316.373 57354
2009 105200.345 53502.02
2010 106514.180 59255
2011 113031.086 64329.99
2012 119745.887 65264.99
2013 119046.218 68507.77
2014 118308.571 66047.14
2015 122944.836 65079.33
2016 134505.970 64032.63
2017 144997.7044 67319.2
Y: PBI del sector manufactura

X:exportaciones en soles constantes del 2007

ECONOMETRIA

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

ECONOMETRIA

Cargado por

Copyright:

Formatos disponibles

c

“EL IMPACTO DEL SECTOR MANUFACTURA EN LAS EXPORTACIONES

 El sector manufactura influye en las exportaciones del Perú en el periodo de

3. FORMALIZACIÓN DE LAS HIPÓTESIS MEDIANTE EL MODELO

3.1Formalización de hipótesis aplicando el modelo de rezago distribuido

𝑌𝑡 = 𝛼 + 𝛽0 𝑋𝑡 + 𝛽1 𝑋𝑡−1 + 𝛽2 𝑋𝑡−2 + 𝛽3 𝑋𝑡−3 + ⋯ 𝛽𝑘 𝑋𝑡−𝑘 + 𝜇𝑡

4. APLICACIÓN DEL MODELO DE PDL

Modelo de rezago distribuido polinomial:

𝑌𝑡 = 𝛼 + 𝛽0 𝑋𝑡 + 𝛽1 𝑋𝑡−1 + 𝛽2 𝑋𝑡−2 + 𝛽3 𝑋𝑡−3 + ⋯ 𝛽𝑘 𝑋𝑡−𝑘 + 𝜇𝑡

(3) Supongamos se aproxima a un polinomio de segundo grado:

(4) Remplazar (3) en (1):

𝑌𝑡 = 𝛼 + 𝑎0 ∑ 𝑋𝑡−𝑖 + 𝑎1 ∑ 𝑖𝑋𝑡−𝑖 + 𝑎2 ∑ 𝑖 2 𝑋𝑡−𝑖 + 𝜇𝑡

𝒀𝒕 = 𝜶 + 𝒂𝟎 𝒁𝟎𝒕 + 𝒂𝟏 𝒁𝟏𝒕 + 𝒂𝟐 𝒁𝟐𝒕 + 𝝁𝒕

5. ESTIMACIÓN DEL MODELO

Variable Coefficient Std. Error t-Statistic Prob.

C -27904.77 5993.778 -4.655622 0.0001

R-squared 0.949663 Mean dependent var 83307.42

Lag Distribution of X i Coefficient Std. Error t-Statistic

. *| 0 1.91525 0.61491 3.11469

Sum of Lags 2.40075 0.12135 19.7838

EL VALOR DE AKAIKE ES 21.05232

Variable Coefficient Std. Error t-Statistic Prob.

C -26706.84 6124.922 -4.360356 0.0003

R-squared 0.951393 Mean dependent var 85554.77

Lag Distribution of X i Coefficient Std. Error t-Statistic

. *| 0 1.89091 0.52706 3.58765

Variable Coefficient Std. Error t-Statistic Prob.

C -26706.84 6124.922 -4.360356 0.0003

R-squared 0.951393 Mean dependent var 85554.77

Lag Distribution of X i Coefficient Std. Error t-Statistic

. *| 0 1.89091 0.52706 3.58765

Sum of Lags 2.42708 0.12453 19.4893

EL VALOR DE AKAIKE ES 20.96250

Variable Coefficient Std. Error t-Statistic Prob.

C -25449.80 6408.253 -3.971410 0.0008

R-squared 0.949595 Mean dependent var 87750.31

Lag Distribution of X i Coefficient Std. Error t-Statistic

. *| 0 1.69148 0.45297 3.73423

Sum of Lags 2.46734 0.13831 17.8389

EL VALOR DE AKAIKE ES 20.94925

 Se tomará el valor mínimo de Akaike que es con: m=2 y k=5

2. Luego de haber especificado el número de rezagos “k”, debemos asegurarnos de

F-statistic 13.99851 Prob. F(2,17) 0.0003

Variable Coefficient Std. Error t-Statistic Prob.

C 2892.567 4476.216 0.646208 0.5268

R-squared 0.622197 Mean dependent var -3.07E-11

 N(R2)= 28x (0.622197) = 17.421516

F-statistic 1.209575 Prob. F(9,13) 0.3660

Variable Coefficient Std. Error t-Statistic Prob.

C 2.51E+08 3.77E+08 0.666023 0.5170

R-squared 0.455752 Mean dependent var 51833639

 N(R2) =28x (0.455752) = 12.761056

6.4 Prueba de normalidad de los errores

Los errores se distribuyen de manera normal dado que el valor de la kurtosis y la

7. EFECTUAR LA PRUEBA DEL P-VALOR

Variable Coefficient Std. Error t-Statistic Prob.

C -31126.22 4773.653 -6.520418 0.0000

R-squared 0.956558 Mean dependent var 77295.04

Podemos observar que el P-valor es menor a 0.05, entonces rechazamos la H0

Variable Coefficient Std. Error t-Statistic Prob.

C -31126.22 4773.653 -6.520418 0.0000

R-squared 0.956558 Mean dependent var 77295.04

Y: PBI del sector manufactura

También podría gustarte