Universidad Austral de Chile

Facultad de Ciencias Económicas y Administrativas

Instituto de Administración

TRABAJO FINAL DE ECONOMETRIA

“Estimación del Consumo de España”
Integrantes:
Nelson Fuentes R.
Paulina Vargas C.
Ivan Altamirano Q.

Asignatura:
Econometría

Profesor:
Dr. Cristian Mondaca Marino

14-12-2018
1.- Introducción

España se encuentra situado al suroeste de Europa, tiene una superficie de 505.957 Km2, los habitantes de este
país suman más de 47 millones con una densidad de 92 Km2. España posee uno de los índices de densidad más
bajos de la Unión Europea, algo más alta que Grecia e Irlanda y seis veces menor que la de los países bajos.

Su deuda pública el 2017 fue de 1.144.425 millones de euros, esta creció 37.205 millones desde 2016 cuando fue
de 1.107.220 millones de euros, está entre los países con mayor deuda en el mundo. Esta deuda supone que en
2017 alcanzó el 98,1% del PIB de España. Su capital es Madrid y su moneda es el euro desde el 1 de enero del
2002, fecha en la que pasó a ser miembro de la Unión Europea. Esta moneda sustituyó a la peseta como divisa.

En 2017 se prolongó por cuarto año consecutivo, la restauración de la economía Española, su PIB creció 3,1%,
esta tasa resultó levemente inferior a las percibidas en dos años anteriores. Esta expansión del producto interno
bruto se debe gracias a el rápido crecimiento del empleo y una reducción importante de la tasa de desocupación,
sin embargo, la tasa de paro sigue presentando niveles altamente elevados.

Dicha restauración se está viendo favorecida por la rectificación de los desequilibrios de la economía española,
esto, debido en mayor medida a la disminución del sobreendeudamiento de los agentes privados y mejora en la
competitividad exterior. Estas cualidades positivas de la actual recuperación aumentan las expectativas de una
expansión duradera.

El consumo disminuyó en 2017, pero lo hizo en menor medida que la renta disponible de los hogares de manera
que la tasa de ahorro incrementó su nivel de caída. Esto entre los principales componentes del PIB.

El presente trabajo tiene por objetivo estimar el Consumo de la economía española mediante un modelo de
regresión lineal multivariado.
2.- Breve descripción del país, en donde se mencionan las principales características de su economía y de
las variables consideradas

España en el año 2017, tuvo un alza en la tasa del crecimiento de un 3%, con respecto al año 2016, que tuvo un
crecimiento menor. Este constante crecimiento de España en su PIB, se puede reflejar gracias al incremento del
empleo, pero aún así destaca como uno de los países con mayor desempleo del mundo. Además por volumen de
PIB está en el número 13.
Su deuda pública en el año 2017 fue de 1.144.425 millones de euros con una deuda del 98,1% del PIB.
El índice de desarrollo humano muestra que España tiene una buena calidad de vida.
También se puede encontrar que España tiene un gasto público de 478.126 millones de euros, por lo cual, es un
41% del PIB de este país en el año 2017.
La deuda total de España en el año 2017 es de 1.144.425 miles de Euros, donde el PIB gastado para esto es de
98,1%.
La inflación anual medida por el año 2018 ha tenido un crecimiento de un 1,72%.
En el ahorro de la nación, España tiene un ahorro en el año 2015 de US$46.341.344.840,417, por la cual, en el
siguiente año aumentó a US$55.555.442.514,2133, donde se puede ver un crecimiento de un 19,88%, respecto al
año anterior.
Por último, el consumo en el año 2018, crecerá entre un 2,2% a 2,8% según los principales bancos del país.
3.-Metodologia y datos

a) País de estudio: España

b) Periodo: El periodo comprende entre los años 1996 - 2017
c) Variables: Las variables utilizadas y sus respectivas unidades son las siguientes:
 (C): Gasto de consumo final (UMN a precios actuales)
 PIB (UMN a precios actuales)
 Ahorro Bruto (UMN a precios actuales)
 Deuda (UMN a precios actuales)
 Inflación precios al consumidor (%)
d) Los datos han sido extraídos desde http://datos.bancomundial.org/

Modelo de regresión lineal:

𝑌 = 𝐵0 + 𝐵1 ∗ 𝑋1 + 𝐵2 ∗ 𝑋2 + ⋯ + 𝐵𝑛 ∗ 𝑋𝑛

Donde
Y = Variable dependiente, la cual su comportamiento depende de las variables independientes

𝑋1 , 𝑋2= Variables independientes, las variaciones de estas variables afectan en el comportamiento de la

variable dependiente (Y)

𝐵0 = Coeficiente independiente, es una variable constante que no afecta en el comportamiento de las

variables.

𝐵1 , 𝐵2 = Coeficientes que presenta la variación entre la variable dependiente y la variable independiente,

si el Beta tiene valor negativo, una variación en la variable independiente afecta de manera negativa a la
variable dependiente, lo mismo sucede si fuera positivo, afecta de manera positiva.

𝑛 = número de variables que pueden existir.

Modelo de regresión lineal múltiple:

^YConsumo = 2,23e+010 + 0,910*X1PIB - 0,880*X2Ahorro + 0,0325*X3Deuda - 6,13e+09*X4Inflacion
(3,79e+09) (0,0111) (0,0572) (0,00380) (6,95e+010)

^l_YConsumo = 0,262 + 1,17*l_X1PIB - 0,235*l_X2Ahorro + 0,0280*l_X3Deuda - 0,000204*l_X4Inflacion

(0,0728)(0,0108) (0,0115) (0,00198) (0,000533)
Donde

(Y) = Representa al Consumo, y para este caso será la variable dependiente de las variables PIB, Ahorro, Deuda
e Inflación.

𝐵0 = Constante en el modelo, para este caso toma forma de la variable 𝐵0 .

𝐵1 = Muestra el efecto que tiene la variable PIB al cambiar en un cierto porcentaje, sobre la variable C.

PIB = Representa el producto interno bruto, el cual tiene un efecto α2 sobre la variable C.

𝐵2 = Muestra el efecto que tiene la variable Ahorro al cambiar en un cierto porcentaje, sobre la variable C.

Ahorro = Representa el Ahorro Bruto, la cual tiene un efecto α3 sobre la variable C.

𝐵3 = Muestra el efecto que tiene la variable Deuda al cambiar en un cierto porcentaje, sobre la variable C.

Deuda = Representa la Deuda, la cual tiene un efecto α4 sobre la variable C.

𝐵4 = Muestra el efecto que tiene la variable Inflación, precios al consumidor al cambiar en un cierto porcentaje,
sobre la variable C.

Inflación = Representa la Inflación, precios al consumidor, la cual tiene un efecto α5 sobre la variable C.
 Resultados

Tabla 1. Estadísticos principales, usando las observaciones 1996 - 2017

Variable Media Mediana Mínimo Máximo
YConsumo 6,8650e+011 7,7626e+011 3,8068e+011 8,8657e+011
X1PIB 8,9754e+011 1,0168e+012 4,8799e+011 1,1637e+012
X2Ahorro 1,9287e+011 2,0576e+011 1,0388e+011 2,6573e+011
X3Deuda 5,4176e+011 3,6702e+011 2,5036e+011 1,1648e+012
X4Inflacion 0,022388 0,026165 -0,0050046 0,040757
Variable Desv. Típica. C.V. Asimetría Exc. de curtosis
YConsumo 1,7316e+011 0,25224 -0,54867 -1,2694
X1PIB 2,2431e+011 0,24992 -0,60783 -1,1559
X2Ahorro 4,4587e+010 0,23118 -0,54590 -0,68118
X3Deuda 3,1215e+011 0,57617 1,1230 -0,34286
X4Inflacion 0,014017 0,62611 -0,82848 -0,51836
Variable Porc. 5% Porc. 95% Rango IQ Observaciones
ausentes
YConsumo 3,8365e+011 8,8193e+011 3,1505e+011 0
X1PIB 4,9250e+011 1,1569e+012 3,9399e+011 0
X2Ahorro 1,0564e+011 2,6347e+011 7,0955e+010 0
X3Deuda 2,5690e+011 1,1638e+012 3,7538e+011 0
X4Inflacion -0,0046859 0,040028 0,016827 0
Fuente: Elaboración propia a partir de los datos recopilados en estudio.

 La variable Y que corresponde al gasto del consumo final tiene un promedio de 6,8650e+011
 La variable X1: es el PIB, cuyo promedio es de 8,9754e+011
 La variable X2: es el Ahorro Bruto, cuyo promedio es de 1,9287e+011
 La variable X3: es la Deuda, cuyo promedio es de 5,4176e+011
 La variable X4: es la Inflación precios al consumidor, cuyo promedio es de 0, 022388
 Tabla 2. Modelo 1: MCO, usando las observaciones 1996-2017 (T = 22)
Variable dependiente: YConsumo

Coeficiente Desv. Típica Estadístico t valor p

const 2,22856e+010 3,79281e+09 5,876 <0,0001 ***
X1PIB 0,909626 0,0111293 81,73 <0,0001 ***
X2Ahorro −0,879678 0,0571973 −15,38 <0,0001 ***
X3Deuda 0,0324563 0,00379950 8,542 <0,0001 ***
X4Inflacion −6,12564e+09 6,95112e+010 −0,08812 0,9308

Media de la vble. dep. 6,86e+11 D.T. de la vble. dep. 1,73e+11

Suma de cuad. residuos 1,64e+20 D.T. de la regresión 3,11e+09
R-cuadrado 0,999740 R-cuadrado corregido 0,999678
F(4, 17) 16312,60 Valor p (de F) 3,25e-30
Log-verosimilitud −509,2264 Criterio de Akaike 1028,453
Criterio de Schwarz 1033,908 Crit. de Hannan-Quinn 1029,738
Rho 0,197695 Durbin-Watson 1,566860

Las estimaciones del modelo de regresión múltiple alcanzan a explicar un 99,9% el Gasto de consumo final en
España en función del PIB X1, Ahorro Bruto X2, Deuda X3 y por último la Inflación precios al consumidor X4.
El 0.01% restante lo explican otras variables exógenas del entorno económico de España.

El modelo 1, indica que los coeficientes de regresión representan la pendiente entre Y y cada variable restante. El
modelo considera la siguiente ecuación lineal.
^YConsumo = 2,23e+010 + 0,910*X1PIB - 0,880*X2Ahorro + 0,0325*X3Deuda - 6,13e+09*X4Inflacion
(3,79e+09) (0,0111) (0,0572) (0,00380) (6,95e+010)

T = 22, R-cuadrado = 1,000

(Desviaciones típicas entre paréntesis)

α1= 2,22856e+010 ; representa la constante del modelo de regresión y cuando las demás variables son cero el
Gasto de Consumo final en España en promedio corresponde a 2,22856e+010 (UMN).

α2= 0,909626 ; corresponde al valor del coeficiente de la variable PIB de España. Su interpretación se explica de
la siguiente forma, cuando el PIB aumenta en una unidad (UMN) , entonces el Gasto de Consumo final aumenta
en promedio 0,909626 UMN, manteniéndose constante las demás variables. El signo del coeficiente es el adecuado
puesto que para que exista un Gasto de Consumo final se requiere un PIB positivo.

α3= -0,879678; corresponde al valor del coeficiente de la variable Ahorro Bruto de España. Su interpretación se
explica de la siguiente forma, cuando el Ahorro Bruto aumenta en una unidad, entonces el Gasto de Consumo final
disminuye en promedio 0,879678, manteniéndose constante las demás variables. El signo del coeficiente responde
a la relación entre el Ahorro Bruto y el Gasto del Consumo final, es decir, a mayor ahorro, menor circulación de
dinero en la economía, por tanto, menor es el Gasto en Consumo final.

α4= 0,0324563; corresponde al valor del coeficiente de la variable Deuda, su interpretación se explica de la
siguiente forma, cuando la Deuda aumenta en una unidad (UMN), entonces el Gasto de Consumo final aumenta
en promedio 0,0324563, manteniéndose constante las demás variables. El signo del coeficiente es el adecuado
debido a que a mayor Deuda aumenta el Gasto de Consumo final, puesto que se está gastando más dinero en la
economía, por lo que aumenta el Gasto de Consumo final.

α5= -6,12564e+09; corresponde al valor del coeficiente de la variable Inflación precios al consumidor de España.
Su interpretación se explica de la siguiente forma, cuando la Inflación precios al consumidor aumenta en una
unidad, entonces el Gasto de Consumo final disminuye en promedio 6,12564E+09, manteniéndose constante las
demás variables. El signo del coeficiente responde a la relación entre la inflación y el Gasto del Consumo final, es
decir, a mayor inflación, menor valor tiene el dinero en la economía, por lo que el Gasto en Consumo final
disminuye.

Figura 1. Estimación del modelo v/s datos de estudio observados

Fuente: Elaboración propia a partir de los datos recopilados en estudio.

Validación del modelo de regresión múltiple 1

Validación de los parámetros del modelo de regresión

Para la estimación de los datos, es necesario que los coeficientes de regresión (α2, α3, α4, y α5) sean significantes
en términos de nivel de significancia que asignamos en los errores de distribución.

Para el coeficiente de la variable X1 que representa el PIB de España, tenemos la siguiente hipótesis:

 Hipótesis nula α 2=0 Hipótesis alternativa α 2 ≠ 0

El p-valor asociado a la estimación de B1 alcanzó un valor <0,0001, por ende, si el p-valor<nivel de significancia
se rechaza la hipótesis nula. Dado que trabajamos con un nivel de significancia del 5% se rechaza la hipótesis
nula, por lo tanto, el parámetro B1 es significativo en el modelo de regresión.

Para el coeficiente de la variable X2 que representa el Ahorro Bruto de España, tenemos la siguiente hipótesis:

 Hipótesis nula α 3=0 Hipótesis alternativa α 3 ≠ 0

El p-valor asociado a la estimación de B2 alcanzó un valor <0,0001, por ende, si el p-valor<nivel de significancia
se rechaza la hipótesis nula. Dado que trabajamos con un nivel de significancia del 5% se rechaza la hipótesis
nula, por lo tanto, el parámetro B2 es significativo en el modelo de regresión.

Para el coeficiente de la variable X3 que representa Deuda de España, tenemos la siguiente hipótesis:

 Hipótesis nula α 4=0 Hipótesis alternativa α 4 ≠ 0

El p-valor asociado a la estimación de B3 alcanzó un valor <0,0001, por ende, si el p-valor<nivel de significancia
se rechaza la hipótesis nula. Dado que trabajamos con un nivel de significancia del 5% se rechaza la hipótesis
nula, por lo tanto, el parámetro B3 es significativo en el modelo de regresión.

Para el coeficiente de la variable X4 que representa la Inflación precios al consumidor de España, tenemos la
siguiente hipótesis:

 Hipótesis nula α 5=0 Hipótesis alternativa α 5 ≠ 0

El p-valor asociado a la estimación de B4 alcanzó un valor de 0.9308, por ende, si el p-valor<nivel de

significancia se rechaza la hipótesis nula. Dado que trabajamos con un nivel de significancia del 5%, entonces
0,9308 es mayor que 0,05, por lo que no se rechaza la hipótesis nula, por lo tanto, el parámetro B4 no es
significativo en el modelo de regresión.
Validación del modelo de regresión 1
Para la estimación de la validación del modelo en su conjunto, se determinó el contraste a partir del análisis de
varianza, que arrojó los siguientes resultados:

 Análisis de Varianza:

Suma de cuadrados gl Media de cuadrados

Regresión 6,29524e+023 4 1,57381e+023

Residuo 1,64013e+020 17 9,64781e+018
Total 6,29688e+023 21 2,99851e+022

R^2 = 6,29524e+023 / 6,29688e+023 = 0,999740

F(4, 17) = 1,57381e+023 / 9,64781e+018 = 16312,6 [valor p 3,25e-030]
Hipótesis nula H0: B0, B1. B2, B3, B4 =0
Hipótesis alternativa H1: B0, B1. B2, B3, B4 ≠0
Como el p-valor asociado a la estimación es 3,25e-030, tenemos que p-valor< 0.05, por lo tanto, se rechaza la
hipótesis nula, por lo que el modelo en su conjunto es válido para realizar análisis y estimaciones.

Validación del Residuo: Requisitos para la validación de los estimadores del modelo 1

 Criterio de normalidad de los residuos

Se requiere que los errores deban distribuirse de forma normal, es decir, que los errores de la regresión tengan
una distribución conforme a lo normal para que no influya en los cálculos de predicción, es decir, que posea
media cero y varianza constante.
Hipótesis nula: el error se distribuye normalmente
Contraste de la hipótesis nula de distribución normal:
Estadístico de contraste: Chi-cuadrado(2) = 2,552 con valor p 0,27910
Dado los resultados de la estimación de normalidad tenemos que p-valor >0.05. Por lo que, se acepta la hipótesis
nula, finalmente el modelo 1, cumple con el criterio de normalidad de los residuos.
2,5e-010
Estadístico para el contraste de normalidad: relative frequency
N(2,7201e-006 3,1061e+009)
Chi-cuadrado(2) = 2,552 [0,2791]

Figura 2: 2e-010

1,5e-010
Densidad

1e-010

5e-011

0
-1e+010 -5e+009 0 5e+009 1e+010
uhat1

Fuente: Elaboración propia a partir de los datos recopilados en estudio.

Figura 3. Gráfico Q-Q plot

Fuente: Elaboración propia a partir de los datos recopilados en estudio.

Test de Autocorrelación: Figura 4. Autocorrelograma

FAC de los residuos

1
+- 1,96/T^0,5

0,5

-0,5

-1
0 1 2 3 4 5
retardo

FACP de los residuos

1
+- 1,96/T^0,5

0,5

-0,5

-1
0 1 2 3 4 5
retardo

Fuente: Elaboración propia a partir de los datos recopilados en estudio.

Función de autocorrelación de los residuos
***, ** y * indica significatividad a los niveles del 1%, 5% y 10%
Utilizando desviación típica 1/T^0,5

RETARDO FAC FACP Estad-Q. [valor p]

1 0,1935 0,1935 0,9414 [0,332]

2 -0,0803 -0,1224 1,1118 [0,574]
3 -0,4057 * -0,3845 * 5,6864 [0,128]
4 -0,4982 ** -0,4430 ** 12,9684 [0,011]

En base a los resultados obtenidos, podemos observar que no existen problemas de autocorrelación en el modelo.

Test de Componentes: Figura 5. Periodograma

Espectro de los residuos

periodos
22,0 11,0 7,3 5,5 4,4 3,7 3,1 2,8 2,4 2,2

5e+018

4e+018

3e+018

2e+018

1e+018

0
0 2 4 6 8 10
frecuencia escalada

Fuente: Elaboración propia a partir de los datos recopilados en estudio.

Periodograma de los residuos
Número de observaciones = 22

omega frecuencia escalada periodos densidad espectral

0,28560 1 22,00 3,3926e+016

0,57120 2 11,00 1,8006e+018
0,85680 3 7,33 4,7008e+018
1,14240 4 5,50 1,2833e+018
1,42800 5 4,40 7,9588e+017
1,71360 6 3,67 5,4387e+017
1,99920 7 3,14 6,0066e+017
2,28479 8 2,75 8,1285e+017
2,57039 9 2,44 1,8096e+018
2,85599 10 2,20 1,2360e+017
3,14159 11 2,00 1,0932e+018

En base a los resultados obtenidos, podemos concluir que no hay problemas de componentes periódicos.

 Criterio de heterocedasticidad

Para la estimación del modelo, la varianza de los residuos debe permanecer constante dentro de todo el rango de
observaciones.

Criterio de White
Hipótesis nula: No hay heterocedasticidad
Contraste de heterocedasticidad de Breusch-Pagan
MCO, usando las observaciones 1996-2017 (T = 22)
Variable dependiente: uhat^2 escalado

Coeficiente Desv. Típica Estadístico t valor p

-----------------------------------------------------------------
const −1,93956 1,88676 −1,028 0,3184
X1PIB 8,56522e-012 5,53636e-012 1,547 0,1403
X2Ahorro −2,80715e-011 2,84532e-011 −0,9866 0,3377
X3Deuda −1,86895e-013 1,89009e-012 −0,09888 0,9224
X4Inflacion 34,2697 34,5789 0,9911 0,3356

Suma de cuadrados explicada = 12,7286

Estadístico de contraste: LM = 6,364317,

con valor p = P(Chi-cuadrado(4) > 6,364317) = 0,173543

Dado los resultados de la estimación del criterio de White, tenemos que p-valor >0.05. Por lo que, se acepta la
hipótesis nula, finalmente el modelo 1, no cumple con el criterio de heterocedasticidad de la varianza.

 No colinealidad

Las variables independientes no deben tener una combinación lineal entre las demás variables explicativa, por
ende, no deben tener el mismo impacto en la estimación.
Esto sucede generalmente cuando se detecta una alta correlación entre las variables explicativas (Corr>=0.9)
Test de linealidad
Hipótesis nula: la relación es lineal
Factores de inflación de varianza (VIF)
Mínimo valor posible = 1.0
Valores mayores que 10.0 pueden indicar un problema de colinealidad

X1PIB 13,565
X2Ahorro 14,157
X3Deuda 3,062
X4Inflacion 2,066

VIF(j) = 1/(1 - R(j)^2), donde R(j) es el coeficiente de correlación múltiple

entre la variable j y las demás variables independientes

Por lo tanto, las observaciones X1PIB y X2Ahorro del modelo podrían presentan errores de linealidad.

Test de colinealidad
Diagnósticos de colinealidad de Belsley-Kuh-Welsch:

--- proporciones de la varianza ---

lambda cond const X1PIB X2Ahorro X3Deuda X4Inflac~
4,478 1,000 0,001 0,000 0,000 0,003 0,005
0,455 3,137 0,000 0,000 0,000 0,059 0,182
0,041 10,473 0,021 0,020 0,012 0,908 0,547
0,024 13,712 0,954 0,022 0,012 0,007 0,243
0,002 48,117 0,023 0,958 0,977 0,023 0,023

lambda = valores propios de X'X, del más grande al más pequeño

cond = índice de condición
nota: las columnas de proporciones de la varianza suman 1.0

Contraste de no linealidad (cuadrados) -

Hipótesis nula: la relación es lineal
Estadístico de contraste: LM = 9,70854
con valor p = P(Chi-cuadrado(4) > 9,70854) = 0,0456342

Dado los resultados, tenemos que p-valor <0.05. Por lo que, se rechaza la hipótesis nula, finalmente el modelo 1,
no presenta colinealidad entre las variables.

 Criterio de Akaike
Esto responde al criterio de parsimonia, mientras el modelo de estimación sea más simple es mejor la predicción.
El criterio Akaike, indica que mientras menor sea el número, es mejor el modelo.

Criterio de Akaike 1032,000

 Tabla 3. Modelo 2: MCO, usando las observaciones 1996-2017 (T = 22)
Variable dependiente: l_YConsumo

Coeficiente Desv. Típica Estadístico t valor p

const 0,261617 0,0727726 3,595 0,0022 ***
l_X1PIB 1,17478 0,0108043 108,7 <0,0001 ***
l_X2Ahorro −0,234578 0,0115103 −20,38 <0,0001 ***
l_X3Deuda 0,0280353 0,00197617 14,19 <0,0001 ***
l_X4Inflacion −0,000204477 0,000532804 −0,3838 0,7059

Media de la vble. dep. 27,21959 D.T. de la vble. dep. 0,282328

Suma de cuad. residuos 0,000161 D.T. de la regresión 0,003082
R-cuadrado 0,999904 R-cuadrado corregido 0,999881
F(4, 17) 44056,17 Valor p (de F) 6,99e-34
Log-verosimilitud 98,82851 Criterio de Akaike −187,6570
Criterio de Schwarz −182,2018 Crit. de Hannan-Quinn −186,3719
rho −0,226743 Durbin-Watson 2,430210

Las estimaciones del modelo de regresión múltiple alcanzan a explicar un 99,9% el Gasto de consumo final en
España en función del PIB X1, Ahorro Bruto X2, Deuda X3 y por último la Inflación precios al consumidor X4.
El 0.01% restante lo explican otras variables exógenas del entorno económico de España. El modelo 2 es modelo
de regresión de tipo Log-Log, esto indica que los coeficientes de las variables representan la elasticidad
de la variable Y con respecto a las demás variables independientes, y cada variación esta medida de
forma porcentual.

La ecuación del modelo 2 es:

^l_YConsumo = 0,262 + 1,17*l_X1PIB - 0,235*l_X2Ahorro + 0,0280*l_X3Deuda - 0,000204*l_X4Inflacion
(0,0728) (0,0108) (0,0115) (0,00198) (0,000533)

El modelo 2, indica que los coeficientes de regresión representan la pendiente entre Y y cada variable restante.
El modelo considera la siguiente ecuación lineal.

T = 22, R-cuadrado = 1,000

(Desviaciones típicas entre paréntesis)

α 1 = 0,262; Representa la constante del modelo de regresión y cuando las demás variables son cero el Gasto de
Consumo final en España en promedio corresponde a 0,262 (UMN)

α 2 = 1,17; Corresponde al valor del coeficiente de la variable PIB de España. Su interpretación se explica de la
siguiente forma, cuando el PIB aumenta 1%, entonces el Gasto de Consumo final aumenta en promedio 1,17%
unidades, manteniéndose constante las demás variables. El signo del coeficiente es el adecuado puesto que para
que exista un Gasto de Consumo final se requiere un PIB positivo. Además este coeficiente mide la elasticidad del
Gasto de Consumo Final cuando varía el PIB de España.
α 3 = -0,235; Corresponde al valor del coeficiente de la variable Ahorro Bruto de España. Su interpretación se
explica de la siguiente forma, cuando el Ahorro Bruto aumenta 1%, entonces el Gasto de Consumo final disminuye
en promedio 0,235% unidades, manteniéndose constante las demás variables. El signo del coeficiente responde a
la relación entre el Ahorro Bruto y el Gasto del Consumo final, es decir, a mayor ahorro, menor circulación de
dinero en la economía, por tanto, menor es el Gasto en Consumo final.

α 4 = 0,0280; Corresponde al valor del coeficiente de la variable Deuda, su interpretación se explica de la siguiente
forma, cuando la Deuda aumenta 1%, entonces el Gasto de Consumo final aumenta en promedio 0,0280%
unidades, manteniéndose constante las demás variables. El signo del coeficiente es el adecuado debido a que a
mayor Deuda aumenta el Gasto de Consumo final, puesto que se está gastando más dinero en la economía, por lo
que aumenta el Gasto de Consumo final.

α 5 = -0,000204; Corresponde al valor del coeficiente de la variable Inflación precios al consumidor de España. Su
interpretación se explica de la siguiente forma, cuando la Inflación precios al consumidor aumenta 1%, entonces
el Gasto de Consumo final disminuye en promedio 0,000204%, manteniéndose constante las demás variables. El
signo del coeficiente responde a la relación entre la inflación y el Gasto del Consumo final, es decir, a mayor
inflación, menor valor tiene el dinero en la economía, por lo que el Gasto en Consumo final disminuye.

Figura 6. Estimación del modelo log log v/s datos de estudio observados
l_YConsumo observada y estimada
27.6
estimada
observada
27.5

27.4

27.3
l_YConsumo

27.2

27.1

27

26.9

26.8

26.7

26.6
2000 2005 2010 2015

Fuente: Elaboración propia a partir de los datos recopilados en estudio.

Validación del modelo de regresión múltiple 2

Validación de los parámetros del modelo de regresión

Para la estimación de los datos, es necesario que los coeficientes de regresión (α1, α2, α3, α4 y α5) sean
significantes en términos de nivel de significancia que asignamos en los errores de distribución.

Para el coeficiente de la variable X1 que representa el PIB de España, tenemos la siguiente hipótesis:

 Hipótesis nula α 2=0 Hipótesis alternativa α 2 ≠ 0

El p-valor asociado a la estimación de α 2 alcanzó un valor <0,0001, por ende, si el p-valor < nivel de significancia
se rechaza la hipótesis nula. Dado que trabajamos con un nivel de significancia del 5% se rechaza la hipótesis
nula, por lo tanto, el parámetro α2 es significativo en el modelo de regresión.

Para el coeficiente de la variable X2 que representa el Ahorro Bruto de España, tenemos la siguiente hipótesis:

 Hipótesis nula α 3=0 Hipótesis alternativa α 3 ≠ 0

El p-valor asociado a la estimación de α 3 alcanzó un valor <0,0001, por ende, si el p-valor < nivel de significancia
se rechaza la hipótesis nula. Dado que trabajamos con un nivel de significancia del 5% se rechaza la hipótesis
nula, por lo tanto, el parámetro α 3 es significativo en el modelo de regresión.

Para el coeficiente de la variable X3 que representa Deuda de España, tenemos la siguiente hipótesis:

 Hipótesis nula α 4=0 Hipótesis alternativa α 4 ≠ 0

El p-valor asociado a la estimación de α 4 alcanzó un valor <0,0001, por ende, si el p-valor < nivel de significancia
se rechaza la hipótesis nula. Dado que trabajamos con un nivel de significancia del 5% se rechaza la hipótesis
nula, por lo tanto, el parámetro α 4 es significativo en el modelo de regresión.

Para el coeficiente de la variable X 5 que representa la Inflación precios al consumidor de España, tenemos la
siguiente hipótesis:

 Hipótesis nula α 5=0 Hipótesis alternativa α 5 ≠ 0

El p-valor asociado a la estimación de α 5 alcanzó un valor de 0,7059, por ende, si el p-valor < nivel de
significancia se rechaza la hipótesis nula. Dado que trabajamos con un nivel de significancia del 5%, entonces
0,7059es mayor que 0,05, por lo que no se rechaza la hipótesis nula, por lo tanto, el parámetro α 5 no es
significativo en el modelo de regresión.
Validación del modelo de regresión 2
Para la estimación de la validación del modelo en su conjunto, se determinó el contraste a partir del análisis de
varianza, que arrojó los siguientes resultados:

 Análisis de Varianza:

Suma de cuadrados gl Media de cuadrados

Regresión 1,67373 4 0,418434

Residuo 0,000161461 17 9,49773e-006
Total 1,6739 21 0,0984644

R^2 = 1,67373 / 1,6739 = 0,999904

F(4, 17) = 0,418434 / 9,49773e-006 = 44056,2 [p valor 6,99159e-034]

Hipótesis nula H0: B0, B1. B2, B3, B4 =0

Hipótesis alternativa H1: B0, B1. B2, B3, B4 ≠0
Como el p-valor asociado a la estimación es 6,99159e-034, tenemos que p-valor< 0.05, por lo tanto, se rechaza la
hipótesis nula, por lo que el modelo en su conjunto es válido para realizar análisis y estimaciones.

Validación del Residuo: Requisitos para la validación de los estimadores del modelo 2

 Criterio de normalidad de los residuos

Se requiere que los errores deban distribuirse de forma normal, es decir, que los errores de la regresión tengan una
distribución conforme a lo normal para que no influya en los cálculos de predicción, es decir, que posea media
cero y varianza constante.
Hipótesis nula: el error se distribuye normalmente
Contraste de la hipótesis nula de distribución normal:
Estadístico de contraste: Chi-cuadrado(2) = 2,63578 con valor p = 0,2677
Dado los resultados de la estimación de normalidad tenemos que p-valor >0.05. Por lo que, se acepta la hipótesis
200
nula. Estadístico para el contraste de normalidad: uhat2
N(2,2608e-015 0,0030818)
Chi-cuadrado(2) = 2,636, valor p = 0,26770
180
Figura 7:
160

140

120
Densidad

100

80

60

40

20

0
-0.01 -0.005 0 0.005 0.01
uhat2

Fuente: Elaboración propia a partir de los datos recopilados en estudio.

Figura 8: Grafico Q-Q plot
Gráfico Q-Q de uhat5
0,006
y=x

0,004

0,002

-0,002

-0,004

-0,006
-0,006 -0,004 -0,002 0 0,002 0,004 0,006
Cuantiles de la Normal

Fuente: Elaboración propia a partir de los datos recopilados en estudio.

Test de Autocorrelación: Figura 9. Autocorrelograma

FAC de los residuos

1 +- 1,96/T^0,5

0.5

-0.5

-1
0 1 2 3 4 5
retardo

FACP de los residuos

1 +- 1,96/T^0,5

0.5

-0.5

-1
0 1 2 3 4 5
retardo

Fuente: Elaboración propia a partir de los datos recopilados en estudio.

Función de autocorrelación de los residuos
***, ** y * indica significatividad a los niveles del 1%, 5% y 10%
Utilizando desviación típica 1/T^0,5

RETARDO FAC FACP Estad-Q. [valor p]

1 -0,2231 -0,2231 1,2516 [0,263]

2 -0,0763 -0,1327 1,4053 [0,495]
3 -0,2688 -0,3403 3,4129 [0,332]
4 -0,1306 -0,3675 * 3,9134 [0,418]

En base a los resultados obtenidos, podemos observar que no existen problemas de autocorrelación en el modelo.

Test de Componente: Figura 10. Periodograma

Espectro de los residuos
periodos
22,0 11,0 7,3 5,5 4,4 3,7 3,1 2,8 2,4 2,2

4e-006

3,5e-006

3e-006

2,5e-006

2e-006

1,5e-006

1e-006

5e-007

0
0 2 4 6 8 10
frecuencia escalada

Fuente: Elaboración propia a partir de los datos recopilados en estudio.

Periodograma de los residuos

Número de observaciones = 22
omega frecuencia escalada periodos log. densidad espectral

0,2856 1 22,00 -15,40317

0,5712 2 11,00 -14,26926
0,8568 3 7,33 -13,40259
1,1424 4 5,50 -13,31785
1,4280 5 4,40 -13,59886
1,7136 6 3,67 -13,81485
1,9992 7 3,14 -13,86790
2,2848 8 2,75 -13,47726
2,5704 9 2,44 -13,32390
2,8560 10 2,20 -13,32881
3,1416 11 2,00 -13,24690

En base a los resultados obtenidos, podemos concluir que no hay problemas de componentes periódicos.
  Criterio de heterocedasticidad

Para la estimación del modelo, la varianza de los residuos debe permanecer constante dentro de todo el rango de
observaciones.
Criterio de White

Hipótesis nula: No hay heterocedasticidad

Estadístico de contraste: TR^2 = 10,7275
con valor p = P(Chi-Square(14) > 10,7275) = 0,707299
Dado los resultados de la estimación del criterio de White, tenemos que p-valor >0.05. Por lo que, se acepta la
hipótesis nula, finalmente el modelo 1, no cumple con el criterio de heterocedasticidad de la varianza.

 No colinealidad

Las variables independientes no deben tener una combinación lineal entre las demás variables explicativa, por
ende, no deben tener el mismo impacto en la estimación.
Esto sucede generalmente cuando se detecta una lata correlación entre las variables explicativas (Corr>=0.9)

Test de linealidad
Hipótesis nula: la relación es lineal
Factores de inflación de varianza (VIF)

Mínimo valor posible = 1.0

Valores mayores que 10.0 pueden indicar un problema de colinealidad

7) l_X1PIB 20,558
8) l_X2Ahorro 19,664
9) l_X3Deuda 2,155
10) l_X4Inflacion 1,325

VIF(j) = 1/(1 - R(j)^2), donde R(j) es el coeficiente de correlación múltiple

entre la variable j y las demás variables independientes

Propiedades de la matriz X'X:

norma-1 = 50974,24
Determinante = 247,08294
Número de condición recíproca = 3,37658e-008

Por lo tanto, las observaciones l_X1PIB y l_X2Ahorro del modelo podrían presentan errores de linealidad.

Test de colinealidad
Regresión auxiliar para el contraste de no linealidad (términos logarítmicos)
MCO, usando las observaciones 1996-2017 (T = 22)
Variable dependiente: uhat
 Coeficiente Desv. Típica Estadístico t valor p
----------------------------------------------------------------
const −6,23174e+011 7,52992e+011 −0,8276 0,4218
X1PIB −0,119358 0,121408 −0,9831 0,3422
X2Ahorro 0,722228 0,494909 1,459 0,1666
X3Deuda −0,0867230 0,0259167 −3,346 0,0048 ***
X4Inflacion −2,62803e+010 5,94360e+010 −0,4422 0,6651
l_X1PIB 7,50248e+010 1,14774e+011 0,6537 0,5239
l_X2Ahorro −1,13701e+011 1,02395e+011 −1,110 0,2855
l_X3Deuda 5,68128e+010 1,66990e+010 3,402 0,0043 ***

R-cuadrado = 0,512438

Estadístico de contraste: TR^2 = 11,2736,

con valor p = P(Chi-cuadrado(3) > 11,2736) = 0,0103346

Dado los resultados, tenemos que p-valor <0.05. Por lo que, se rechaza la hipótesis nula, finalmente el modelo 1,
no presenta colinealidad entre las variables.

 Criterio de Akaike
Esto responde al criterio de parsimonia, mientras el modelo de estimación sea más simple es mejor la predicción.
El criterio Akaike, indica que mientras menor sea el número, es mejor el modelo.
Criterio de información de Akaike (AIC) = -187,657

Comparación y elección del mejor modelo para la estimación del Consumo de España.

Al ser ambos modelos válidos y presentar características muy similares, la elección del mejor modelo para la
estimación será en base al R2, R2 corregido y criterio de Akaike

Modelo 1:
R-cuadrado 0,999740 R-cuadrado corregido 0,999678
Modelo 2:
R-cuadrado 0,999904 R-cuadrado corregido 0,999881

El R2 y R2 corregido del modelo 2 se aproxima mas a 1 por lo que se considera mejor modelo que el 1.

En cuanto al criterio de información de Akaike (AIC), el modelo con mejor valor Akaike es el modelo 2, el cual
presenta un valor de -187,657 en comparación al modelo 1, el cual presenta un valor de 1032,000.

Aumento de las variables en un 2%

En un modelo lineal de la forma:

lnY= B0+B1*lnX1+B2*lnX2+…+Bn*lnXn

^l_YConsumo = 0,262 + 1,17*l_X1PIB - 0,235*l_X2Ahorro + 0,0280*l_X3Deuda - 0,000204*l_X4Inflacion

(0,0728) (0,0108) (0,0115) (0,00198) (0,000533)
La elasticidad está dada por: 𝐵𝑛
Por lo tanto, las elasticidades quedan de la siguiente manera:
Ex1: 1,17478
Ex2: -0,234578
Ex3: 0,0280353
Ex4: -0,000204477

Entonces, ante un aumento de todas las variables en un 2%, los valores son los siguientes:

Ex1: 1,2100234
Ex2: -0,24161534
Ex3: 0,02887636
Ex4: -0,00021061

Si las variables aumentan en un 2%, entonces el Consumo de España aumenta en 0.99707381 unidades
 Conclusión

En base a la investigación y a los datos analizados respecto a ambos modelos (1 y 2), podemos inferir que el
modelo 2 (modelo log-log) es mejor, puesto que, su R2 corregido se asemeja más a 1, que el del primer modelo.
Esta diferencia es mínima, pero la otra variante que apoya esta decisión es el valor del criterio Akaike, el cual
también en el modelo 2 era mejor, siendo un valor mucho menor.

Para ambos modelos la capacidad explicativa de las variables, en un análisis de p-valor indica que en respectivos,
el modelo en su conjunto es válido para realizar análisis y estimaciones.

Además el Modelo 2 muestra que es válido a través del análisis del residuo, el cual es el elemento probatorio para
ver si un MRL multivariado es válido o no. Dicho modelo cumple con todas las propiedades asignadas a este, es
decir, ha pasado de manera exitosa el test de la blancura del residuo. Por consiguiente, en nuestro modelo log-log
se puede visualizar que las variables que más repercuten en la variable dependiente (Consumo) son el PIB y la
deuda, estas al tener un signo positivo son muy favorables ya que aumentaran el consumo de manera prolongada.
 Referencias

 Banco Mundial. (2016). El banco mundial en España. 2017, de Banco Mundial Sitio web:
https://datos.bancomundial.org/pais/España

 Wikipedia. (2016). España. 2017, de Wikipedia Sitio web: https://es.wikipedia.org/wiki/España

 Santander. (2017). Economía en España. 2017, de Santander Sitio web:

https://es.portal.santandertrade.com/analizar-mercados/España/economia

 Knoema. (2015). España. 2017, de Knoema Sitio web: https://knoema.es/atlas/España

Anexo

Datos Utilizados

obs YConsumo X1PIB X2Ahorro X3Deuda X4Inflacion

1996 3,8068e+011 4,87992e+011 1,03882e+011 2,50356e+011 0,03559
1997 4,0046e+011 5,18049e+011 1,156e+011 2,94013e+011 0,01971
1998 4,2494e+011 5,54042e+011 1,27324e+011 3,09601e+011 0,01834
1999 4,54763e+011 5,94316e+011 1,33837e+011 3,34385e+011 0,02310
2000 4,93903e+011 6,4625e+011 1,45342e+011 3,289e+011 0,03434
2001 5,30079e+011 6,99528e+011 1,56847e+011 3,41648e+011 0,03590
2002 5,62925e+011 7,49288e+011 1,72926e+011 3,41879e+011 0,03066
2003 5,9773e+011 8,03472e+011 1,91719e+011 3,58628e+011 0,03039
2004 6,46942e+011 8,6142e+011 1,98832e+011 3,53574e+011 0,03039
2005 6,97774e+011 9,30566e+011 2,08983e+011 3,71877e+011 0,03368
2006 7,52142e+011 1,00797e+012 2,23999e+011 3,76568e+011 0,03515
2007 8,06882e+011 1,08081e+012 2,34482e+011 3,62164e+011 0,02787
2008 8,43079e+011 1,11623e+012 2,27704e+011 3,46976e+011 0,04076
2009 8,26392e+011 1,07905e+012 2,18185e+011 4,14756e+011 -0,002880
2010 8,40492e+011 1,08094e+012 2,11805e+011 5,47576e+011 0,01800
2011 8,38574e+011 1,07045e+012 1,99623e+011 5,79526e+011 0,03196
2012 8,16642e+011 1,03982e+012 2,04404e+011 6,62914e+011 0,02446
2013 8,00381e+011 1,02569e+012 2,07124e+011 8,7212e+011 0,01409
2014 8,10728e+011 1,03782e+012 2,12439e+011 1,01956e+012 -0,001509
2015 8,35258e+011 1,08e+012 2,31591e+011 1,15818e+012 -0,005005
2016 8,55613e+011 1,11852e+012 2,50664e+011 1,12872e+012 -0,002027
2017 8,86573e+011 1,16366e+012 2,65735e+011 1,16477e+012 0,01956