Universidad Nacional de Costa Rica

Escuela de Economía

Econometría 1.

Profesor: David Cardoza.

Estudiantes:

Franco Alfaro Salazar.

Pedro Carballo Vargas.

Víctor Carvajal Vega.

I ciclo 2019

1
Tema de estudio: exportaciones netas costarricenses.

El tema es de interés, bajo la coyuntura actual costarricense, donde existen tensiones

sobre el papel del Banco Central en el mano de la política cambiara, pues los empresarios
costarricenses estiman que el colón se encuentra sobreevaluado y exigen que la
intervención del Banco Central sea menor, y deje que las fuerzas del mercado establezcan
el tipo de cambio que necesitan para favorecer a su sector. Bajo la misma premisa de la
coyuntura económica al reclamo, se le suma, la desaceleración económica del país, el sector
exportador aduce que el sector financiero debería favorecerles con mejores tasas, para
poder financiarse, en economía sabemos que las tasas activas y pasivas, se relaciones con el
margen de intermediación financiera, por lo que, en este pequeño estudio se valorará la tasa
básica, con el interés de conocer el peso que tiene ésta en las exportaciones. Por otro lado,
se estima que uno de los socios comerciales más importantes para Costa Rica es Estados
Unidos, razón por la cual este pequeño estudio econométrico, contará con las importaciones
de Estados Unidos, para ver cual peso tiene esa variable para las exportaciones
costarricenses.

Variable dependiente: Exportaciones netas costarricenses.

Se debe entender por exportaciones netas, la demanda exterior de los extranjeros, no

residente, por los bienes y servicios que se producen en un país, en este caso: Costa Rica.
Cabe señalar, que son netas, porque restan las importaciones que hace el país.

Variables independientes:

1. Tasa básica. (tb). Se debe entender este concepto como el promedio ponderado de
las tasas de interés de captación bruta en colones, negociadas por los intermediarios
financieros en el país. Se espera una relación negativa entre las variables, porque los
exportadores podrían preferir tomar sus excedentes para invertirlos en sus negocios,
sabiendo además lo difícil que es que puedan acceder al sistema bancario, se podría
asumir que los exportadores preferirían invertir su dinero antes de ahorrarlo, por
márgenes de ganancia y compromisos.
2
2. Tipo de cambio Real. Probablemente la variable a la que más están atentos los
exportadores e importadores de un país, el tipo de cambio porque indica la cantidad
de bienes y servicios que se pueden obtener en otro país con la moneda del propio.
El tipo de cambio influye de manera directa en las expectativas y decisiones que
toman los agentes económicos de un país, porque vincula los bienes y servicios
entre países, y se pueden hacer comparaciones del precio. Los exportadores estarán
felices si el tipo de cambio aumenta, porque recibirán más colones por vender sus
productos en el exterior por lo que se espera un signo positivo en esa variable.

3. Importaciones de Estados Unidos. Como ya se señaló, se considera importante esa

variable porque se escucha decir que el mayor comercial para Costa Rica es Estados
Unidos, verificar esa afirmación con un ejercicio econométrico puede resultar en un
buen ejercicio para el análisis económico del país. Se espera un signo positivo, pues
el aumento de las importaciones de Estados Unidos debe reflejar un aumento en las
exportaciones netas del país.

Se quiere que el modelo empiece con una relación log - log, para minimizar los
problemas con los residuos y además para tener un análisis en términos de elasticidades.
Es decir que los betas asociados a las variables independientes, revelarán los cambios
relativos, es decir que ante un cambio relativo de las variables independientes, la
variable dependiente cambiará relativamente una cantidad que se encontrará en los
betas.

3
 Modelo Base.

 Se puede observar que todas las variables son significativas.

 El coeficiente R cuadrado es alto, este nos dice que tanto explican las variables
independientes el comportamiento de la variable dependiente, en este caso un 99%.

Como es un modelo log-log entonces se dice que, esto quiere decir que ante un cambio
relativo de 1 en la tipo de cambio real las exportaciones netas cambia en 0.926025.
Ante un cambio relativo de 1 en la tasa básica las exportaciones netas cambian en
-.150446. Ante un cambio relativo de 1 en las importaciones netas de Estados Unidos,

4
 las exportaciones netas cambian 0.879818. Hay que notar que todos los signos fueron
los esperados.

Normalidad en la distribución.

Se puede observar que se cumple con la distribución normal de los errores, la probabilidad
asociada a los errores es de 0.17, siendo superior al 5%, o bien al 10%.

5
 Multicolinealidad.

Esta prueba indica que existe multicolinealidad entre varias variables, pues la relación entre
ellas supera al 0.8; por ejemplo la entre la tasa de cambio real y las exportaciones existe, al
igual que entre la tasa de cambio real y las importaciones de Estados Unidos).

Heterocedasticidad.

6
 Hay que observar que ambas probabilidades superan el 5%, por lo que se concluye
que el modelo inicial no presenta Heterocedasticidad. La heterocedasticidad hace que los
betas sean insesgados, pero poco eficientes y esto invalida las pruebas de significancia de
las variables. El mismo resultado lo da el test de Harvey:

7
Autocorrelación.

Ya el indicador Durvin Watson había dado sospechas de presencia de autocorrelación pues

no es cercano al 2, sin embargo, esta prueba no es concluyente y se necesita una prueba más
robusta para confirmar la autocorrelación.

Se puede analizar el gráfico de los errores, buscando encontrar un comportamiento

aleatorio en ellos.

8
Se puede observar un comportamiento de agrupación de los errores en la parte inferior del
gráfico, y una tendencia a crecer al principio del periodo y a bajar en la última parte de la
serie de tiempo, por lo que es un indicio de autocorrelación.

Por lo que vamos al test más robusto al Brush -Godfrey

9
Las probabilidades asociadas son menores a 1, por lo que se concluye, que el modelo tiene
autocorrelación, en este caso la consecuencia será que se dará una incorrecta especificación
del verdadero error y se crearán errores de medición de la variable dependiente, en
conclusión, para todos efectos científicos, la predicción con el modelo inicial será
ineficiente.

Corrección del modelo

Debido a los problemas asociados con el modelo inicial (multicolinealidad y

autocorrelación) se creará un nuevo modelo, para corregir los problemas encontrados,
sabiendo que si se omiten, nuestro objetivo principal no se llevará a cabo y se tendrá un
modelo sin capacidad de predicción. Por lo que se incluirán cuatro rezagos, a todas las
variables (tanto explicativas como la dependiente, como método de solución al problema de
autocorrelación principalmente.

10
 Se observa que este primer intento es efectivo, el método utilizado para aliviar la
autocorrelación de primer orden dado el cambio en el estadístico Durbin-Watson; sin
embargo se conoce de antemano que este no sería un modelo favorable, ya que no es
parsimonioso, dada la cantidad alta de variables incluidas en él, además de que dicho
cambio para solventar la autocorrelación provocó una alteración en las probabilidades de
las variables lo cual las convierte en estadísticamente no significativas evaluadas al 5% de
significancia. Dadas las razones anteriores se procede a mejorar el modelo removiendo las
variables con un t estadístico menor al valor absoluto de uno y siguiente al valor absoluto
de dos, con lo que se obtiene la siguiente regresión:

11
 Se observa un modelo más parsimonioso que el anterior, pero más importante que
ello es que el problema de las probabilidades de las variables fue solucionado, de esta
manera obteniendo todas las variables estadísticamente significativas evaluadas a una
significancia del 5%, además se mejoró de manera leve el resultado del estadístico Durbin-
Watson, lo cual señala que el problema de autocorrelación de primer orden aún se mantiene
solucionado, de igual manera la probabilidad F se observa significativa para el conjunto de
variables evaluado al 5%, con los datos que indican un posible modelo de ruido blanco se
procede a realizar pruebas de residuos más robustas para confirmar si es un modelo
adecuado.

12
 Pruebas de Heteroscedasticidad

Breusch-Pagan-Godfrey

La prueba Breusch-Pagan-Godfrey de heteroscedasticidad en la cual se realiza una

regresión donde se colocan las variables explicativas del modelo explicando a los residuos
al cuadrado, en esta prueba se obtuvo una probabilidad F de 0.06, lo cual evaluado al 5% de
significancia da como resultado que no hay heteroscedasticidad, aunque se puede notar
que el rezago “Log(mtn_usa(-4))” obtuvo una probabilidad significativa individualmente;
sin embargo como se señaló anteriormente la probabilidad conjunta rechaza que haya
heteroscedasticidad.

13
White.

En la prueba de heteroscedasticidad de White se obtuvo una probabilidad de F con un valor

de 0.07 lo cual evaluado al 5% de significancia indica al igual que la prueba de Breusch-
Pagan-Godfrey que el modelo no tiene heteroscedasticidad, esta prueba al igual que la
anterior usa como variable dependiente los residuos al cuadrado sin embargo las variables
explicativas las propone elevadas al cuadrado para la regresión.

White cross terms

14
En la prueba de heteroscedasticidad de White con términos cruzados añadidos se obtuvo
una probabilidad de F de 0.38 lo cual al igual que las 2 anteriores señala que no hay
presencia de heteroscedasticidad en el modelo, este tipo de prueba multiplica las variables
explicativas entre sí además de elevarlas al cuadrado para hacer una regresión de igual
manera con los residuos al cuadrado como variable regresada.
Autocorrelación

Se analizó en el resultado de la regresión el valor del estadístico Durbin-Watson 1.831

contrastado con los valores de la tabla (1.357dl-1.741du) cola izquierda y cola
derecha(2.286dl-2.643du) y se obtiene por lo tanto que no hay autocorrelación de primer
orden según este análisis.

Correlogram Q-statistic

Se obtiene en el correlograma que las barras en la sección de autocorrelación se

mantienen dentro de las líneas intermitentes lo cual significa que no hay presencia de
autocorrelación hasta en el trimestre 22 en el cual si se sale de la zona levemente sin
embargo por la “memoria de corto plazo” del modelo no se considera relevante un rezago
tan antiguo; además se observan las probabilidades del mismo en el cual ninguna
probabilidad está por debajo del 5% evaluado por lo tanto se concluye que no hay
autocorrelación según la lectura del correlograma.

15
Se realizaron además las pruebas de Breusch-Godfrey serial correlation LM de igual
manera para evaluar la autocorrelación con distintas cantidades de rezagos para probar
autocorrelaciones de distinto orden sin embargo en todas se obtuvo un valor de
probabilidad F inferior al 5% de significancia evaluado por lo tanto en estas pruebas
también se determina que no hay autocorrelación

Pruebas de estabilidad.

Cusum. Se puede observar con esta prueba que el modelo es estable en conjunto, pues su
tendencia se mantiene entre las dos bandas.

Cusum cuadrado.

16
Esta prueba dice que el modelo es estable en el tiempo en conjunto, aunque sí se sale de las
bandas en algún momento, se vuelva a introducir en las bandas y al final de la serie de
tiempo se nota que permanece estable, este es uno de los test más robustos, por lo que se
puede decir que el modelo es estable en conjunto.

17
 Estabilidad individual.

Se observa que al ejecutar la prueba de estabilidad individual todas las variables

cumplen el requisito de tomar una línea horizontal de principio a fin, aunque se puede
observar que todas quedan entre las dos bandas iniciales, por lo que se puede concluir que
el modelo es estable en el tiempo.

18
Forecast (Pronóstico)

Se observa en el gráfico de Forecast que la línea azul que representa el pronóstico de la

variable explicada en este caso exportaciones se mantiene dentro de las líneas rojas
intermitentes que representan más menos dos desvíos estándar lo cual implica la
posibilidad de que el modelo es adecuado para realizar pronósticos.

19
Se obtiene además un coeficiente de theil de 0.01 el cual al ser menor a 0.5 indica que el
pronóstico obtenido por este modelo será mejor y más adecuado que el pronóstico
ingenuo
Dadas las pruebas hechas, se concluye que el modelo es ruido blanco no tiene
heteroscedasticidad, no tiene autocorrelación, es relativamente parsimonioso, es estable y
tendrá un pronóstico mejor al ingenuo, tal como se propuso al inicio de este trabajo.

20