Impacto Del Tipo de Cambio Real Multilateral Sobre La Balanza en Cuenta Corriente Del Perú, 2004 - 2018

FACULTAD DE CIENCIAS EMPRESARIALES
Carrera de Economía
IMPACTO DEL TIPO DE CAMBIO REAL

MULTILATERAL SOBRE LA BALANZA EN
CUENTA CORRIENTE DEL PERÚ, 2004 – 2018
Trabajo de Investigación para optar el Grado Académico de

Bachiller en Economía
MERCEDES FRANCES VALDIVIA JAPA
Lima - Perú
2019
“Impacto del tipo de cambio real multilateral sobre la balanza en
cuenta corriente del Perú, 2004 – 2018”
Fecha de Sustentación y Aprobación: martes 20 de agosto de 2019
Miembros del Comité Evaluador:
Dr. Larios Meoño, Fernando
Dr. Mougenot, Benoit
Mg. González Taranco, Carlos
2
Índice de Contenidos
RESUMEN 7
ABSTRACT 8
INTRODUCCIÓN 9
PROBLEMA DE LA INVESTIGACIÓN 10
PLANTEAMIENTO DEL PROBLEMA. 10
FORMULACIÓN DEL PROBLEMA. 12
JUSTIFICACIÓN DE LA INVESTIGACIÓN. 13
MARCO REFERENCIAL 13
ANTECEDENTES. 13
MARCO TEÓRICO. 15
OBJETIVOS E HIPÓTESIS 20
OBJETIVOS. 20
HIPÓTESIS. 20
MÉTODO 22
TIPO Y DISEÑO DE INVESTIGACIÓN 22

TIPO DE INVESTIGACIÓN 22
DISEÑO DE INVESTIGACIÓN 23
VARIABLES 24
MUESTRA 25
INSTRUMENTOS DE INVESTIGACIÓN 25
PROCEDIMIENTOS DE RECOLECCIÓN DE DATOS 26
PLAN DE ANÁLISIS 26
RESULTADOS 29
PRESENTACIÓN DE RESULTADOS 29
DISCUSIÓN 41
RESULTADOS VS. HIPÓTESIS: 41
RESULTADOS VS. OTROS ESTUDIOS: 42
RESULTADOS VS. MARCO TEÓRICO: 44
CONCLUSIONES 45
RECOMENDACIONES 46
REFERENCIAS 49
ANEXOS 51
ANEXO 1. MATRIZ DE CONSISTENCIA 52

ANEXO 2. ANÁLISIS DE LAS VARIABLES 54
ANEXO 2.1: BALANZA DE CUENTA CORRIENTE (BCC) 54
3
ANEXO 2.2: LOGARITMO DEL ÍNDICE DE TIPO DE CAMBIO REAL MULTILATERAL (LITCRM) 55
ANEXO 2.3: PRODUCTO BRUTO INTERNO (PBI) 56
ANEXO 2.4: IMPORTACIONES MUNDIALES (IM) 57
ANEXO 2.5: TÉRMINOS DE INTERCAMBIO TI 58
ANEXO 2.6: IMPUESTOS A LAS IMPORTACIONES (T) 59
ANEXO 3. MODELO MCO INICIAL 60
ANEXO 3.1: CAUSALIDAD DE GRANGER 60
ANEXO 3.2: TEST DE NORMALIDAD DEL MCO 60
ANEXO 3.3: TEST DE HETEROSCEDASTICIDAD DEL MCO 61
ANEXO 3.4: TEST DE AUTOCORRELACIÓN DEL MCO INICIAL 66
ANEXO 3.5: DIAGNÓSTICO DE ESTABILIDAD 67
ANEXO 4. MODELO CVAR 68
ANEXO 4.1: CAUSALIDAD DE GRANGER EN EL CVAR 70
ANEXO 4.2: TEST DE NORMALIDAD DEL CVAR 71
ANEXO 4.3: TEST DE HETEROSCEDASTICIDAD DEL CVAR 71
ANEXO 4.4: TEST DE AUTOCORRELACIÓN DEL CVAR 72
ANEXO 4.5: MATRIZ DE CORRELACIÓN DEL CVAR 73
ANEXO 4.6: DESCOMPOSICIÓN DE LA VARIANZA EN EL MODELO CVAR 73
ANEXO 4.7: ANÁLISIS DE IMPULSO RESPUESTA EN EL MODELO CVAR 75
ANEXO 5: TEST DE COINTEGRACIÓN DE JOHANSEN 75
ANEXO 6: VECTOR DE CORRECCIÓN DEL ERROR (VEC) 77
ANEXO 7: FORECAST BCC 79
TREND 79
TREND^2 79
TREND^3 79
TREND 79
TREND^2 80
TREND^3 81
4
Índice de Tablas
TABLA 1: DEFINICIÓN OPERACIONAL DE LAS VARIABLES........................................................... 25

TABLA 2 ANÁLISIS DESCRIPTIVO POR VARIABLE EN SU NIVEL ................................................. 29
TABLA 3 ADF TEST .................................................................................................................................... 30
TABLA 4 ORDEN DE INTEGRACIÓN DE LAS SERIES ...................................................................... 31
TABLA 5 MODELO SERIAL....................................................................................................................... 31
TABLA 6 RESULTADOS DEL MODELO MCO - COINTEGRADO ..................................................... 32
TABLA 7 RESULTADOS DEL TEST ADF A LOS RESIDUALES ........................................................ 32
TABLA 8 TEST PARA VERIFICAR LOS SUPUESTOS ........................................................................ 33
TABLA 9 CRITERIO DE SELECCIÓN DE ORDEN DE REZAGO DEL CVAR .................................. 34
TABLA 10 TEST DE CAUSALIDAD DE GRANGER DEL CVAR ......................................................... 34
TABLA 11 MATRIZ DE CORRELACIÓN DEL MODELO CVAR .......................................................... 36
TABLA 12 NIVELES DE AJUSTE PARA CADA ECUACIÓN ............................................................... 39
TABLA 13 PRONÓSTICO DE LA BCC USANDO TENDENCIAS ....................................................... 40
Índice de Ilustraciones
ILUSTRACIÓN 1 EVOLUCIÓN DE LA BALANZA COMERCIAL PERUANA DESDE EL PRIMER

TRIMESTRE DE 1985 AL CUARTO TRIMESTRE DE 2018 ........................................................ 10
ILUSTRACIÓN 2 EVOLUCIÓN DE LA BALANZA COMERCIAL Y EL PBI DESDE EL PRIMER
TRIMESTRE DEL 2004 AL PRIMER TRIMESTRE DEL 2018 ..................................................... 11
ILUSTRACIÓN 3 CURVA J ........................................................................................................................ 17
ILUSTRACIÓN 4 TEST DE CUSUM CUADRADO ................................................................................. 33
ILUSTRACIÓN 5 IMPULSO – RESPUESTA: EVOLUCIÓN EN EL TIEMPO DE LA BCC ANTE UN
CHOQUE DEL ITCRM ........................................................................................................................ 38
5
Lista de Siglas
BC Balanza Comercial
BCC Balanza en Cuenta Corriente
BCRP Banco Central de Reserva del Perú
CVAR VAR cointegradas
DFA Dickey – Fuller Aumentado
EFTA European Free Trade Association
H1 Hipótesis alternativa
Ho Hipótesis nula
IM Ingreso de los socios comerciales / Importaciones mundiales
ITCRM Índice del tipo de cambio real multilateral
LIM Logaritmo de las importaciones mundiales
LITCRM Logaritmo del índice del tipo de cambio real multilateral
M Importaciones
MCE Modelo de Corrección del Error
MCO Mínimos Cuadrados Ordinarios
MELI Mejor estimador linealmente insesgado
MERCOSUR Mercado Común del Sur
MINCETUR Ministerio de Comercio Exterior y Turismo del Perú
PBI Producto Bruto Interno
SD Desviación estándar
T Impuesto a las importaciones
t Estadístico t
TCR Tipo de cambio real
TCRM Tipo de cambio real multilateral
TI Términos de intercambio
UE Unión Europea
VAR Modelo de Vectores Autorregresivos
VEC Modelo de Vectores de Corrección del Error
X Exportaciones
6
Resumen
La presente investigación tiene como propósito principal el confirmar la relación entre la
Balanza en Cuenta Corriente Peruana (BCC) y su índice de tipo de cambio real multilateral
(ITCRM). Para ello, se emplearon datos trimestrales de la balanza en cuenta corriente,
índice de tipo de cambio real multilateral, Producto Bruto Interno, impuestos a las
importaciones e importaciones mundiales en el periodo 2004-2018. Además, se utilizó el
enfoque Marshall-Lerner como marco teórico y la metodología de VAR cointegradas como
medio de estimación, después de evaluar la estacionariedad y la causalidad a lo Granger
de las variables seleccionadas y de los residuales de las relaciones bivariadas
establecidas. Se determinó la validez de la hipótesis planteada, resultando que el ITCRM
tiene un impacto positivo en la Balanza en Cuenta Corriente del Perú (BCC), por lo que
una depreciación en 1% en el tercer rezago del ITCRM aumenta la participación de la BCC
dentro del PIB en 1.26%. Asimismo, la investigación demuestra que existe una relación de
largo plazo entre las variables analizadas, poniendo este instrumento de análisis al alcance
de los hacedores de política a fin de mejorar la balanza en cuenta corriente.
Palabras Clave: Balanza en Cuenta Corriente, Causalidad de Granger, Depreciación real,

Estacionariedad, Teorema de Marshall-Lerner, Tipo de cambio real multilateral, VAR.
7
Abstract
The main purpose of this research is to confirm the relationship between Peruvian
Current Account Balance (BCC) and its multilateral real exchange rate index (ITCRM). For
this, quarterly data of current account balance, multilateral real exchange rate index, Gross
Domestic Product, taxes on imports and worldwide imports were used over the period 2004
-2018. Also, both the Marshall-Lerner approach as a theoretical framework and the
cointegrated VAR methodology as a means of estimation were used, after evaluating the
stationarity and the Granger causality test of the selected variables and the residuals of the
established bivariate relationships. Hypothesis validity was determined, giving rise to the
fact that the ITCRM does has a positive impact on the Current Account Balance of Peru
(BCC). That is, a depreciation of 1% in the third lag of ITCRM increases the BCC/GDP ratio
by 1.26%. Likewise, the investigation shows that there is a long-term relationship between
the analyzed variables, making this as an analysis tool for policy makers in order to improve
the current account balance.
Keywords: Current Account Balance, Granger causality, Marshall-Lerner's Theorem,

Multilateral real exchange rate, Real depreciation, VAR.
8
Introducción
El inicio de la explotación de los yacimientos del gas de Camisea en la Convención

Cusco, ocurrido en agosto del 2004, marcó la apertura del dominio de la matriz energética
peruana. A través del gas de Camisea, se incrementó el PBI en un 0.08% en promedio por
la vía de la Balanza comercial, teniendo como principal mercado a la industria y la
generación eléctrica cada uno en 40% y 60% respectivamente (Zavala, Guadalupe &
Carrillo, 2007).
Aunado a esto, la apertura del Perú al comercio internacional en las últimas décadas
queda en manifiesto con el creciente porcentaje que tiene la balanza comercial en el PBI
peruano y, los 21 acuerdos comerciales que tiene el Perú, 5 en negociación y 6 por entrar
en vigencia, en donde, para el periodo de estudio, destaca la unión al MERCOSUR en el
2005, el acuerdo entre la República del Perú y la EFTA (por sus siglas en inglés European
Free Trade Association) en el 2010 y, el acuerdo con la UE (Unión Europea) en el mismo
año, tal y como se señala en la página web del MINCETUR (Ministerio de Comercio Exterior
y Turismo del Perú).
El estudio del comercio exterior de Perú es importante debido a que el ambiente de

globalización económica determina el rol del sector externo para el crecimiento y desarrollo
económico del país (Krugman & Obstfeld, 2006). En tal sentido, estudios sobre la balanza
en cuenta corriente, sus determinantes y efectos, han sido realizados en distintas
realidades económicas en América Latina; sin embargo, en el Perú la literatura es escasa,
lo que otorga originalidad y pertinencia a la investigación.
Dentro de este escenario, en el presente estudio se buscó analizar el impacto que tiene
la depreciación del índice de tipo de cambio real multilateral (ITCRM) sobre la balanza en
cuenta corriente (BCC) peruana con el fin de determinar si es posible hacer uso de este
instrumento en las políticas públicas. Así, de la investigación se obtuvo que el tercer rezago
del ITCRM sí impacta positivamente en la BCC, existe una relación largo plazo entre las
variables y, en primera instancia, sí existiría un efecto negativo en la BCC producto del alza
de precios originada por una depreciación real de la moneda.
El trabajo se encuentra organizado en teoría sobre la relación entre la BCC y el ITCRM,

además de un marco teórico del Teorema de Marshall-Lerner, la curva J, la balanza en
cuenta corriente, el nivel de ingreso nacional y foráneo, con antecedentes en países
emergentes. Asimismo, el marco teórico apoya el análisis econométrico que determinará
el modelo de la investigación para así lograr el objetivo principal que es evaluar el impacto
9
del ITCRM en la BCC de la República del Perú durante los años desde el 2004 al 2018.
Finalmente se exponen las conclusiones y recomendaciones del trabajo.
Problema de la investigación
Planteamiento del problema.
Pasado 20 años del descubrimiento de los yacimientos del gas de Camisea en la

Convención Cusco, en agosto del 2004, se dio inicio a la explotación de dichos yacimientos
lo cual no solo tuvo efectos en el estilo de vida de las familias peruanas – pues se considera
el ahorro de las familias consumidoras de energía eléctrica y gas natural - sino también en
la balanza comercial y, por ende, en la balanza en cuenta corriente.
Así, el Consorcio de Camisea, en la fase de explotación, y Cálidda en la fase de

distribución fueron quienes ejecutaron el proyecto que no solo cambiaría la forma de vida
de las familias cusqueñas sino de todos los peruanos. Aún más, por medio del impacto que
el inicio de la explotación de los yacimientos del gas de Camisea tuvo en la balanza
comercial de hidrocarburos se pudo observar el incremento de los niveles de la balanza
comercial (BC) peruana los años posteriores al 2004 lo que conllevó a analizar cuál sería
el impacto que tendría el tipo de cambio real multilateral en aquellos años donde la balanza
Ilustración 1 Evolución de la Balanza Comercial peruana desde el primer trimestre de 1985 al

cuarto trimestre de 2018
Fuente: Gráfica / Estadísticas del Banco Central de Reserva del Perú (BCRP)
ya estaba siendo afectada de manera positiva por el sector hidrocarburos, sin embargo, el
factor precio continuaba siendo un problema latente.
Sumando a lo anterior, el inicio de la explotación de los yacimientos del gas de Camisea

en la Convención Cusco ocurrido en agosto del 2004 marcó la apertura del dominio de la
matriz energética peruana haciendo variar positivamente las cuentas nacionales, en
específico, las del sector externo. De esta manera, a través del gas de Camisea, se
10
incrementó el PBI un 0.08% en promedio por la vía de la Balanza comercial, teniendo como
principal mercado a la industria y la generación eléctrica cada uno en 40% y 60%
respectivamente (Zavala, Guadalupe, & Carrillo, 2007).
Aunado a esto, aunque en la actualidad producto del crecimiento de las exportaciones

tanto en volumen como en precio, según se señala en el último reporte de BCRP, la balanza
comercial peruana – que es una sub balanza de la cuenta corriente – está teniendo una
reversión significativa del 2015 al 2018 (aumento de casi 13 mil millones en un periodo
bastante corto), esto no ha sido durante todo el periodo que comprendió la presente
investigación llegando incluso a niveles negativos en los años 2014 y 2015.
Ilustración 2 Evolución de la Balanza Comercial y el PBI desde el primer

trimestre del 2004 al primer trimestre del 2018
Fuente: Estadísticas BCRP

Elaboración propia
Igualmente, es pertinente mencionar que, si bien es cierto el Perú se encuentra en un

contexto favorable de apertura al comercio, producto de los diversos tratados comerciales,
la desaceleración de la economía desde el año 2014 ha sido notorio viéndose la economía,
una vez más, dependiente de una subida de precios internacionales para mejorar la
balanza comercial y así la balanza en cuenta corriente.
De esta forma, el problema fundamental por el que pasan los países emergentes, y Perú
no es la excepción, es la falta de industrialización que genera una alta dependencia en las
materias primas que se exportan que finalmente conlleva a una economía altamente
dependiente de los precios internacionales. Asimismo, esta falta de industrialización se
11
traduce en baja competitividad del Perú lo que es un problema económico que puede
distorsionar el desarrollo de la balanza en cuenta corriente.
En este sentido, diversos autores han señalado, para países emergentes, la posibilidad
existente en la depreciación real de la moneda como medio para ganar competitividad de
los productos nacionales (bajando así las distorsiones que se puedan presentar en la
balanza comercial por las variaciones de los precios internacionales) en un contexto en
donde se cumpliera la condición de Marshall – Lerner, lo que, sin lugar a dudas, conlleva
a la necesidad de probar la validez de esta condición para la economía peruana.
En base a lo planteado, es decir, la contribución de la balanza comercial de

hidrocarburos en las cuentas del sector externo desde el 2004, la situación de un comercio
peruano dependiente de precios internacionales y, la probabilidad existente de ganar
competitividad en el mercado internacional con el uso del TCRM, este trabajo de
investigación busca analizar si el impacto de una depreciación del TCRM en la BCC es
positivo cumpliéndose la condición señalada en el párrafo anterior, así como, si para la
economía peruana el efecto que la depreciación pueda generar en los precios de las
importaciones sería superior al volumen comerciado en el corto plazo, situación que
reforzaría el impacto que una depreciación del TCRM tendría en la BCC en el largo plazo.
Formulación del problema.

Las preguntas del problema principal y los problemas específicos del trabajo de
investigación serán formuladas a continuación.
Problema Principal.
¿Cuál es el impacto del ITCRM en la BCC peruana durante el periodo desde el primer
trimestre del 2004 al primer trimestre del 2018?
Problemas Específicos.
a. ¿En qué medida la depreciación del ITCRM mejoró la BCC peruana durante
el periodo desde el primer trimestre del 2004 al primer trimestre del 2018?
b. ¿Existe una ilación de largo plazo entre la BCC, el ITCRM, PBI, impuesto a
las importaciones, ingreso del resto del mundo y términos de intercambio durante
el periodo desde el primer trimestre del 2004 al primer trimestre del 2018?
c. ¿En primera instancia, ocurre un efecto negativo en la BCC peruana
producto del alza de precios originada por la depreciación del ITCRM durante el
periodo desde el primer trimestre del 2004 al primer trimestre del 2018?
12
Justificación de la investigación.
Conociendo que países emergentes buscan tomar ventaja en el comercio modificando

su tipo de cambio, es fundamental saber si en la economía peruana el tipo de cambio real
multilateral es una herramienta efectiva para aumentar la competitividad de los productos
nacionales, incrementando la balanza en cuenta corriente y, a su vez, el PBI peruano
beneficiando de manera indirecta a la población en su conjunto. Es por esta principal razón,
que se busca analizar los efectos del ITCRM en la BCC peruana enfocando el presente
estudio desde la visión de los hacedores de política.
La importancia del análisis del efecto que pueda tener una depreciación del ITCRM en
la BCC peruana radica en que, teóricamente, sus efectos deberían ser positivos pues
aumentarían la competitividad internacional de los bienes y servicios nacionales, en un
escenario donde se cumpla el teorema de Alfred Marshall y Abba Lerner. Sin embargo,
cabe la posibilidad de que la economía peruana no siga este teorema o, que tenga el
comportamiento de la curva – J, por lo que, saber cuál sería el potencial escenario es vital
para usar o no el TCRM en las políticas económicas. Así, con el presente trabajo, también
se buscó proponer parámetros a seguir para la correcta implementación de las políticas
cuyo objetivo gira entorno a la depreciación del ITCRM pro una mejora de la BCC para los
tomadores de decisiones de los órganos competentes que, para el caso peruano, son el
Ministerio de Economía y Finanzas, Ministerio de Comercio Exterior y Turismo
(MINCETUR), así como, el banco central de reserva del Perú (BCRP).
Marco referencial
Antecedentes.
La interrogante acerca de cuán efectiva puede ser una política basada en la
depreciación del tipo de cambio real (TCR) con el fin de mejorar la balanza comercial (BC)
de una economía, la balanza en cuenta corriente y, por consiguiente, el bienestar nacional
ha conducido a una serie de investigaciones, principalmente, llevadas a cabo para países
emergentes en donde una depreciación de su tipo de cambio logra hacer más competitivo
sus exportaciones de bienes y servicios.
Bustamante y Morales (2009), publicaron un estudio que tiene como título “Probando la
condición de Marshall-Lerner y el efecto Curva-J: Evidencia empírica para el caso peruano
en el periodo 1991-2008”. Para este estudio, los autores emplearon datos trimestrales para
el análisis de las variables ingreso doméstico, tipo de cambio real, ingreso del resto del
mundo y balanza comercial y, mediante la metodología de VAR cointegradas (CVAR)
13
concluyeron que se cumpliría el Teorema de Marshall-Lerner en la economía peruana,
rechazando a su vez, la curva – J. De esta forma afirmaron, que, para la economía peruana,
la depreciación del TCRM es favorable puesto que, en el mercado internacional, no se
compite en productividad y, a su vez, resultando que, los agentes de la economía peruana
son susceptibles a variaciones del TCRM.
De acuerdo a Saldaña y Velásquez (2007) en “Impacto del tipo de cambio en las

decisiones de inversión de las empresas peruanas, durante el periodo 1994-2005”. En esta
investigación se buscó medir el impacto de la variación del tipo de cambio sobre el nivel de
producción y la inversión de las empresas peruanas, a través de un análisis
microeconómico de la base de datos utilizando la teoría de hoja de balance y mediante un
modelo de Panel Data dinámico, durante el periodo 1994-2005; cuyos resultados
determinaron que una situación de devaluación no es suficiente para un comportamiento
contractivo en el nivel de inversión de las empresas peruanas.
Land y Arriaga (2017), publicaron en Investigación Económica el estudio que lleva por
nombre “Crecimiento, competitividad y restricción externa en América Latina” en donde,
haciendo uso de un modelo en datos de panel para periodos anuales que comprenden los
años de 1994 al 2015, analizaron las variables balanza comercial, balanza en cuenta
corriente y tipo de cambio real para las economías de Argentina, Brasil, Chile, Colombia y
México, concluyendo que sí se mejoraría la balanza comercial con una apreciación del tipo
de cambio real y estableciendo, para ese periodo, al sector exportador como aquel factor
dinámico que determina la trayectoria de crecimiento las economías analizadas.
Según Barriga, Ticona y Pinedo (2013), en “El Tipo de Cambio Real, el Ingreso Nacional
y el Ingreso Foráneo en la determinación de la Balanza Comercial en Bolivia, durante el
periodo 1992-2011”. En la investigación se buscó examinar la influencia del ingreso
nacional, tipo de cambio real y el ingreso foráneo sobre la balanza comercial de Bolivia,
mediante el análisis de cointegración y el modelo de corrección de errores, durante el
periodo 1992-2011; cuyos resultados determinaron que la depreciación del TCR mejora la
situación de la balanza comercial a largo plazo (condición Marshall-Lerner), mientras que
en el corto plazo ejerce una influencia mínima. Asimismo, el ingreso nacional y extranjero
tuvieron un efecto negativo y positivo respectivamente sobre la balanza comercial de
Bolivia.
Da Silva y Moura (2005), publicaron en Economics Bulletin, la investigación que tiene

por nombre "Is There a Brazilian J−Curve? ” en donde, haciendo uso de data mensual
14
desde enero de 1990 hasta diciembre del 2003 y, mediante la función impulso respuesta y
modelo de corrección del error (MCE) concluyeron satisfactoriamente que, para la balanza
comercial de la República Federativa de Brazil se mantiene el teorema propuesto por Alfred
Marshall y Abba Lerner y, se rechaza la llamada “curva – J” para el corto plazo haciendo
factible la depreciación del TCR pro mejora de la balanza comercial.
Marco teórico.
Según Blanchard (2012), El indicador del comercio exterior es la balanza en cuenta
corriente, la cual, refleja el resultado en valores monetarios del comercio internacional
llevado a cabo por un determinado país en un determinado periodo. A su vez, esta se
puede dividir en la balanza comercial, servicios, balanza de rentas y balanza de
transferencias corrientes. En donde, la balanza comercial es de gran relevancia ya sea por
el impacto que tiene sobre la balanza en cuenta corriente, el impacto que ejerce sobre ella
la varianza de los precios de las materias primas o por los estudios del impacto que
ejercería el tipo de cambio en esta cuenta.
De igual forma, su resultado puede ser en un superávit o un déficit los cuales significan
que el país produce más de lo que gasta, para el primero, y, opuestamente, para lo
segundo, que el país gasta más de lo que produce.
Dicho aquello, la balanza comercial, sub balanza de la balanza en cuenta corriente, se

establece en una economía abierta restando a las importaciones de las exportaciones
𝐵𝐶 = 𝑓(𝑋, 𝑀) = 𝑋 − 𝑀
y, si bien es cierto es una ecuación, en el presente estudio, las variables que impactan
en la balanza comercial se explorarán debido al impacto indirecto que ejercerían en la
balanza en cuenta corriente principalmente por ser una sub balanza de esta. De esta forma,
se planteará un modelo en donde la BCC (Balanza en cuenta corriente) es originada por
las variables como el TCRM (Tipo de Cambio real multilateral), PBI, ingreso de los socios
comerciales, términos de intercambio e impuesto a las importaciones, precisando que, las
variables fueron tomadas en cuenta, en primera instancia, por el impacto que tienen en la
BC (Balanza Comercial) a través de las exportaciones e importaciones. Esto último, en
virtud de que, según De Gregorio (2007), así como, el tipo de cambio real y el ingreso de
nuestros socios comerciales tienen una relación directa con las exportaciones;
(+) (+)
𝑋 = 𝑓(𝑇𝐶𝑅, 𝐼𝑀) (1)
15
el producto bruto interno, los impuestos a las importaciones y también el tipo de cambio
real guardan una relación indirecta con las importaciones, para el caso de las dos últimas
variables, y, una relación directa para el caso de la primera variable.
(-) (+) (-)
𝑀 = 𝑓(𝑇𝐶𝑅, 𝑃𝐵𝐼, 𝑇) (2)
En efecto, de acuerdo a De Gregorio (2007), la función que se ajusta a las exportaciones

e importaciones, la cual es determinante para el cálculo de la balanza comercial, viene a
ser la siguiente:
(+) (-) (+) (+)
𝐵𝐶 = 𝑋𝑁 = 𝑓(𝑇𝐶𝑅, 𝑃𝐵𝐼, 𝐼𝑀, 𝑇) (3)
Facultando el uso de dichas variables para explicar el modelo que se plantea usar para
los objetivos de la presente investigación.
Donde:
TCR: Tipo de cambio real
PBI: Producto bruto interno
IM: Ingreso de los socios comerciales
T: Impuesto a las importaciones
Claramente se puede observar que el TCR tiene efectos opuestos en las exportaciones
y las importaciones de un determinado país, en donde, el efecto neto que se produzca en
la economía dependería de la magnitud del efecto precio y del efecto volumen. Siguiendo
la curva – J, el primer efecto, tendería a dominar en el corto plazo debido a que, con las
cantidades de importaciones y exportaciones sin alterar, el valor monetario de las
importaciones comenzaría a subir perjudicando la BC. Mientras que, el segundo efecto se
mostraría en el largo plazo cuando los exportadores e importadores comenzaran a regular
sus cantidades a exportar e importar respectivamente disminuyendo así el valor monetario
de las importaciones y subiendo el de las exportaciones, mejorando así la BC de la
economía y con ello la BCC.
16
Ilustración 3 Curva J
Fuente: Blanchard, O. (2012). Macroeconomía, (2a. ed.).
Ante el efecto descrito en el párrafo anterior, el Teorema o Condición de Marshall –

Lerner busca delimitar las condiciones necesarias con las que debe cumplir una economía
para que al depreciar el TCR se mejore la BC. Condición que ha sido motivo de estudio
para su aplicación en diversas economías, puesto que manifiesta que, si en un país se
cumple que la elasticidad de la demanda de las exportaciones respecto al tipo de cambio
sumada a la elasticidad de la demanda de las importaciones respecto al tipo de cambio da
como resultado un número mayor a uno, una depreciación del TCR mejoraría la balanza
comercial.
𝜀𝑋 + 𝜀𝑀 > 1
Siendo:
𝜀𝑋 : Elasticidad de la demanda de las exportaciones respecto al tipo de cambio.
𝜀𝑀 : Elasticidad de la demanda de las importaciones respecto al tipo de cambio.
Donde, una depreciación se entiende como la pérdida de valor de una determinada
moneda respecto a otra y, una depreciación real, como aquella que origina que los bienes
extranjeros expresados en bienes domésticos aumenten o, que los bienes domésticos sean
más baratos.
De esta forma, por lo dicho en los dos últimos párrafos, este teorema, a su vez, es
considerado con más representatividad para el largo plazo debido a que, en el corto plazo,
el efecto que el TCR puede causar en la balanza comercial, a través del encarecimiento de
los bienes importados, sería un deterioro de la BC, esto, principalmente por las
obligaciones o contratos de importación que el país aún debería respetar cuando se
17
deprecie la moneda, Krugman y Obstfeld (2006). Por otro lado, a largo plazo sí se vería
una mejora corroborando así la condición de Marshall – Lerner. Mientras que, a mediano
plazo, existe posibilidades de que la devaluación real sea contraproducente para las
exportaciones netas en un punto inicial, y luego puede revertir el efecto negativo; el cual
se conoce como la curva J.
Asimismo, conociendo que el resultado de la BC al término del periodo puede ser un

superávit o un déficit, para la economía peruana es determinante, ya que aquel resultado
puede mejorar o empeorar la balanza en cuenta corriente la cual, a su vez, es determinante
para la balanza de pagos.
En lo que respecta al saldo de la balanza comercial durante el periodo de análisis, este

fue positivo durante los primeros años y luego fue desfavorable para el Perú a partir del
año 2013, alcanzando US$-676 millones en enero del 2014 (peor situación de la balanza
comercial). A partir de entonces el saldo fue positivo desde julio del 2016, alcanzando un
valor de US$ 1243 millones en diciembre del año 2017.
En el 2011 se registró el mayor nivel de comercio exterior dentro del rango del periodo
analizado. Es destacable que el saldo comercial positivo refleja el avance de los vínculos
del Perú con mercados internacionales mediante los tratados de libre comercio. Asimismo,
el resultado positivo desde enero de 2004 hasta agosto del 2008, indica un comercio
favorable con los principales socios estratégicos del Perú, como lo es Estados Unidos y
países de Europa, los cuales nos consideran como proveedores de materias primas.
Dentro de este marco, la apertura comercial del Perú se ha mejorado considerablemente

durante los últimos 3 años. El signo de la balanza comercial fue positivo a partir de la mitad
del 2016, los cuales han aumentado progresivamente mes a mes, con ligeras
disminuciones durante los primeros 6 meses del 2017, revertido en setiembre y diciembre
del 2018.
Dicho esto, se considerará a la República del Perú como un país que, aunque es
pequeño, estaría abierto al comercio internacional y cuya economía seguiría el modelo
keynesiano, en donde, la balanza comercial, siguiendo el modelo de De Gregorio (2007),
resulta afectada positivamente por los ingresos mundiales, el TCR y los impuestos,
mientras que, negativamente por el PBI. Asimismo, se considerará que la BC es afectada
negativamente por los términos de intercambio según, Obstfeld (1982), siendo
precisamente los choques internos negativos de los términos de intercambio temporales
18
los que empeorarían las balanzas comerciales en países emergentes de acuerdo
a Edwards (1989).
Igualmente, el modelo a desarrollar considerará el tipo de cambio real multilateral

(TCRM) envés del TCR considerando que el comercio de la República del Perú no se
realiza únicamente con un país sino, que se da con una serie de países al ser una
economía abierta al comercio. Cabe precisar que, el TCRM es calculado por el BCRP como
el resultado de un promedio ponderado de los diferentes tipos de cambio bilaterales
(glosario BCRP).
De este modo, el estudio inicialmente se explicitará en un modelo donde la balanza en

cuenta corriente será tomada en función del tipo de cambio real multilateral, producto bruto
interno, ingreso de los socios comerciales, términos de intercambio e impuesto a las
importaciones.
𝐵𝐶𝐶 = 𝑓(𝑇𝐶𝑅𝑀, 𝑃𝐵𝐼, 𝐼𝑀, 𝑇𝐼, 𝑇)
Dentro de este marco, debido al problema de endogeneidad presente entre las series
BCC, PBI, TCRM e IM se considerará a su vez el Modelo de Regresión del Vector
Autoregresivo (VAR) en donde se explica el comportamiento de dichas series en función
de sus rezagos y los rezagos de las otras variables relacionadas:
𝑩𝑪𝒕 = 𝑎 + 𝑎 𝐵𝐶 + 𝑎 𝐿𝐼𝑇𝐶𝑅𝑀 + 𝑎 𝑃𝐵𝐼 + 𝑎 𝐿𝐼𝑀 + 𝑒̂
𝑳𝑰𝑻𝑪𝑹𝑴𝒕 = 𝑎 + 𝑎 𝐵𝐶 + 𝑎 𝐿𝐼𝑇𝐶𝑅𝑀 + 𝑎 𝑃𝐵𝐼 + 𝑎 𝐿𝐼𝑀 + 𝑒̂
𝑷𝑩𝑰𝒕 = 𝑎 + 𝑎 𝐵𝐶 + 𝑎 𝐿𝐼𝑇𝐶𝑅𝑀 + 𝑎 𝑃𝐵𝐼 + 𝑎 𝐿𝐼𝑀 + 𝑒̂
𝑳𝑰𝑴𝒕 = 𝑎 + 𝑎 𝐵𝐶 + 𝑎 𝐿𝐼𝑇𝐶𝑅𝑀 + 𝑎 𝑃𝐵𝐼 + 𝑎 𝐿𝐼𝑀 + 𝑒̂
Donde TCRMt representa al tipo de cambio real multilateral en el periodo t, PBIt, al

Producto bruto interno en el periodo t, IMt representa al ingreso de los socios comerciales
en el periodo t, TIt son los términos de intercambio en el periodo t y Tt viene a ser el
impuesto a las importaciones en el periodo t. Siendo todos los datos de las variables,
obtenidas de las series de tiempo presentadas por el BCRP, así como de Bloomberg para
el caso de las importaciones mundiales que fue tomada como proxy del ingreso de los
socios comerciales.
Es así como, al igual que en los antecedentes al presente estudio, y siguiendo a Gujarati
(2004), el modelo econométrico es un modelo dinámico que se establecerá con un VAR
19
relacionando todas las variables utilizadas para el cumplimiento de los objetivos de la
presente investigación.
En relación con las implicaciones, se puede inferir que el modelo obtenido es de ayuda
para los tomadores de decisiones de los órganos competentes que, para el caso peruano,
son el Ministerio de Economía y Finanzas, Ministerio de Comercio Exterior y Turismo
(MINCETUR), así como, el Banco Central de Reserva del Perú (BCRP). Esto, debido a que
con la metodología desarrollada se obtiene información válida para pronósticos, que ayuda
a que se tomen mejores decisiones en este contexto.
Objetivos e hipótesis
Objetivos.
Los objetivos de la investigación correspondientes al problema principal y a los
problemas específicos anteriormente planteados son los siguientes:
Objetivo Principal.
Evaluar el impacto del ITCRM en la BCC peruana durante el periodo desde el primer
trimestre del 2004 al primer trimestre del 2018.
Objetivos Específicos.
a. Determinar si la depreciación del ITCRM mejoró la BCC peruana durante el

periodo desde el primer trimestre del 2004 al primer trimestre del 2018.
b. Evaluar la relación de largo plazo entre la BCC, el ITCRM, PBI, impuesto a

las importaciones, ingreso del resto del mundo y términos de intercambio durante
el periodo desde el primer trimestre del 2004 al primer trimestre del 2018
c. Evaluar si en primera instancia existe un efecto negativo en la BCC peruana
producto del alza de precios originada por la depreciación del TCRM durante el
periodo desde el primer trimestre del 2004 al primer trimestre del 2018.
Hipótesis.
Ahora se procede a establecer las hipótesis de la investigación (nula y alternativa)

correspondientes a los problemas y objetivos de la investigación anteriormente señalados:
Hipótesis Principal.
Hipótesis nula: El ITCRM no tiene un impacto positivo en la BCC peruana durante el

periodo desde el primer trimestre del 2004 al primer trimestre del 2018
20
Hipótesis alternativa: El ITCRM tiene un impacto positivo en la BCC peruana durante
el periodo desde el primer trimestre del 2004 al primer trimestre del 2018
Hipótesis Específicas.
a. Hipótesis nula: La depreciación del ITCRM no mejoró la BCC peruana

durante el periodo desde el primer trimestre del 2004 al primer trimestre del 2018
Hipótesis alternativa: La depreciación del ITCRM mejoró la BCC peruana
durante el periodo desde el primer trimestre del 2004 al primer trimestre del 2018.
b. Hipótesis nula: La BCC, el ITCRM, PBI, Impuesto a las importaciones,
ingreso del resto del mundo y términos de intercambio no presentan una relación
de largo plazo durante el periodo desde el primer trimestre del 2004 al primer
trimestre del 2018.
Hipótesis alternativa: La BCC, el ITCRM, PBI, Impuesto a las importaciones,
ingreso del resto del mundo y términos de intercambio presentan una relación de
largo plazo durante el periodo desde el primer trimestre del 2004 al primer trimestre
del 2018.
c. Hipótesis nula: Producto del alza de precios originada por la depreciación
del ITCRM, en primera instancia, la BCC presenta efectos negativos en su resultado
durante el periodo desde el primer trimestre del 2004 al primer trimestre del 2018
Hipótesis alternativa: Producto del alza de precios originada por la
depreciación del ITCRM, en primera instancia, la BCC presenta efectos positivos
en su resultado durante el periodo desde el primer trimestre del 2004 al primer
trimestre del 2018.
21
Método
En la presente sección, se explicará a detalle el tipo y diseño de investigación elegidos

para el presente estudio. Asimismo, las variables utilizadas, tomadas en series de tiempo,
balanza en cuenta corriente (BCCt), índice de tipo de cambio real multilateral (ITCRMt),
producto bruto interno (PBIt), importaciones mundiales (IMt), términos de intercambio (TIt)
e impuestos a las importaciones (Tt), cuya fuente principal fue el Banco Central de Reserva
del Perú (BCRP), en frecuencia trimestral, fueron identificadas como dependientes o
independientes para el modelo econométrico presentado sustentándose en antecedentes
a la presente investigación como la investigación de Bustamante y Morales (2009), que es
el soporte del modelo planteado en la investigación, así como, el libro de Macroeconomía
Teoría y Políticas escrito por De Gregorio (2007).
Aunado a esto, se definirá la muestra, los instrumentos de investigación utilizados para

llevar a cabo el presente estudio y, los procedimientos de recolección de datos utilizados
en este proyecto.
Para concluir, se presentará el plan de análisis de la presente investigación.
Tipo y diseño de investigación

Tipo de investigación
En la medida que el presente estudio busca medir el impacto del índice de tipo de
cambio real multilateral en la balanza en cuenta corriente, buscando corroborar así el
cumplimiento de la condición de Marshall – Lerner para la economía peruana, así como,
medir la relación de corto y largo plazo que se puede presentar entre las mismas, se
clasifica como una investigación descriptiva. En tal sentido, como la investigación es de
tipo descriptiva se pretende usar estadísticos descriptivos como la varianza y media para
el análisis de los resultados del estudio empírico. Igualmente, la investigación es de tipo
correlacional puesto que en la presente se busca analizar si una depreciación del ITCRM
impacta positivamente en la balanza en cuenta corriente.
Al respecto, debido a que se hace uso de un modelo econométrico - Modelo de

Regresión del Vector Autoregresivo VAR - que incorpora variables cuantitativas a analizar
en series de tiempo como balanza en cuenta corriente, índice de tipo de cambio real
multilateral, importaciones mundiales, PBI, términos de intercambio, e impuestos a las
importaciones el tipo de investigación empleada para el presente estudio será de análisis
cuantitativo. Aunado a esto, el análisis de los resultados será de forma cuantitativa dado
22
que se busca evaluar el nivel de relación de corto y largo plazo que presentan las variables
de la presente investigación.
Diseño de investigación
La presente investigación es exploratoria, explicativa y concluyente en el sentido de que
exponen los resultados de un escenario donde se use el ITCRM como instrumento base
de una política cambiaria. Asimismo, sigue un diseño estadístico puesto que se efectuarán
mediciones para la posterior determinación de los parámetros del modelo que comprende
el presente estudio. De igual manera, debido a que se puede aseverar que las variables
utilizadas presentan datos representativos al ser obtenidos directamente de las series de
tiempo de la página del BCRP, así como, de Bloomberg, sin alguna manipulación en el
proceso de estudio, el diseño de la presente investigación es no experimental, para lo cual
se aplicará el análisis cuantitativo.
De esta manera, se buscó emplear el vector de autoregresión (VAR) puesto que este
se emplea comúnmente para pronosticar sistemas de interrelación de series de tiempo y
para el análisis del impacto dinámico que las perturbaciones pueden ejercer sobre sistema
de variables. En este sentido, en el enfoque VAR se modela a cada variable endógena en
el sistema como una función de los valores rezagados de todas las variables endógenas
del sistema.
𝑩𝑪𝒕 = 𝑎 + 𝑎 𝐵𝐶 + 𝑎 𝐿𝐼𝑇𝐶𝑅𝑀 + 𝑎 𝑃𝐵𝐼 + 𝑎 𝐿𝐼𝑀 + 𝑒̂
𝑳𝑰𝑻𝑪𝑹𝑴𝒕 = 𝑎 + 𝑎 𝐵𝐶 + 𝑎 𝐿𝐼𝑇𝐶𝑅𝑀 + 𝑎 𝑃𝐵𝐼 + 𝑎 𝐿𝐼𝑀 + 𝑒̂
𝑷𝑩𝑰𝒕 = 𝑎 + 𝑎 𝐵𝐶 + 𝑎 𝐿𝐼𝑇𝐶𝑅𝑀 + 𝑎 𝑃𝐵𝐼 + 𝑎 𝐿𝐼𝑀 + 𝑒̂
𝑳𝑰𝑴𝒕 = 𝑎 + 𝑎 𝐵𝐶 + 𝑎 𝐿𝐼𝑇𝐶𝑅𝑀 + 𝑎 𝑃𝐵𝐼 + 𝑎 𝐿𝐼𝑀 + 𝑒̂
Aunado a esto, la medida de bondad de ajuste será el R2 ajustado envés del R2 simple
puesto que el ajustado penaliza el gran número de variables independientes, lo cual es
coherente de usar si el modelo sigue el esquema de un VAR.
Asimismo, se aplicó el CVAR como se explica en “Unit Roots Cointegration and

Structural Change”, de Maddala y Kim (2007). Ahí, la cointegración se refiere a la relación
de largo plazo entre la variable dependiente o regresada y las variables independientes o
regresoras, en otras palabras, la combinación lineal de todas las variables no estacionarias
en su nivel. Igualmente, se cumple la estacionariedad de sus errores por lo que se asevera
la existencia de cointegración entre dichas variables. Es por esto último, que la
cointegración es conocida como el test de estacionariedad de los residuales.
23
Por último, debido a que el estudio se realiza durante el periodo que comprenden los 57
trimestres desde el primer trimestre del 2004 al primer trimestre del 2018, el diseño del
presente estudio es longitudinal – serial con la aplicación de un modelo dinámico.
Variables
Las variables a utilizar utilizan datos de tipo serie de tiempo por lo que son cuantitativas
y continuas. Las variables son balanza en cuenta corriente (BCCt), índice del tipo de cambio
real multilateral (ITCRMt), producto bruto interno (PBIt), importaciones mundiales (IMt),
términos de intercambio (TIt) e impuestos a las importaciones (Tt). Cabe precisar que la
fuente principal fue el Banco Central de Reserva del Perú (BCRP).
La definición conceptual de las variables es la siguiente:
o Balanza en cuenta corriente (BCCt): Representa el resultado del comercio

internacional peruano durante el periodo desde el primer trimestre del 2004 al primer
trimestre del 2018 (BCRP).
o Índice del Tipo de cambio Real Multilateral (ITCRMt): Representa el promedio
ponderado de los diferentes tipos de cambio bilaterales de los principales socios
comerciales del Perú. Se utilizará el índice con año base 2009 para el periodo
comprendido desde enero del 2004 a diciembre del 2018 (BCRP).
o Producto Bruto Interno (PBIt): Representa la tasa de variación porcentual
trimestral del Producto Bruto Interno del Perú durante el periodo desde el primer trimestre
del 2004 al primer trimestre del 2018 (BCRP).
o Importaciones mundiales (IMt): Es el total de importaciones de los socios
comerciales del Perú durante el periodo desde el primer trimestre del 2004 al primer
trimestre del 2018, se usará como proxy del ingreso de los socios comerciales peruanos.
o Términos de intercambio (TIt): Representa el índice trimestral de la ratio de los
precios de las exportaciones e importaciones del Perú, con base 100 en el año 2007,
durante el periodo desde el primer trimestre del 2004 al primer trimestre del 2018 (BCRP).
o Impuesto a las importaciones (Tt): Hace referencia al tributo que se paga por
las importaciones, siendo aplicable sobre el valor CIF de las mismas, durante el periodo
desde el primer trimestre del 2004 al primer trimestre del 2018 (BCRP).
24
La definición operacional de las variables se presenta mediante la siguiente tabla:
INDICADORES
Unidad
Definición Periodo de
VARIABLE NOMBRE TIPO Atributo de
Operacional ocurrencia
medida
Suma de la balanza
Balanza en de bienes y
Dependiente Cuantitativa Porcentaje
BCC Cuenta servicios, de rentas y Trimestral
Endógena continua del PBI
Corriente de transferencias
hechas.
Representa el poder
Índice del Tipo Independient adquisitivo del sol
Cuantitativa Variación
ITCRM de cambio real e respecto al de los Trimestral
continua porcentual
multilateral Endógena socios comerciales
peruanos.
Representa la
Independient variación porcentual Variación
Producto Bruto Cuantitativa
PBI e trimestral de la porcentual Trimestral
Interno continua
Endógena producción bruta de trimestral
Perú.
Millones
Independient Representa el
Importaciones Cuantitativa US$
IM e ingreso de los Trimestral
mundiales continua (términos
Exógena socios comerciales.
corrientes)
Representa el poder
adquisitivo de las
Variación
Independient exportaciones
Términos de Cuantitativa porcentual
TI e peruanas respecto a Trimestral
Intercambio continua trimestral
Exógena los productos que se
2007
importan de los
socios comerciales.
Es el tributo medido
Variación
Impuestos a Independient sobre el valor CIF
Cuantitativa porcentual
T las e aduanero de las Trimestral
continua trimestral
importaciones Exógena importaciones
2007
peruanas.
Tabla 1: Definición operacional de las variables
Elaboración propia
Muestra
Siendo conocedores de la necesidad de analizar la existencia de un efecto trascendente
en la balanza en cuenta corriente peruana ocasionado por el índice de tipo de cambio real
multilateral en el periodo comprendido durante el primer trimestre del 2004 al primer
trimestre del 2018 se inicia este estudio considerando las siguientes series de tiempo
tomadas por fuentes secundarias y en periodos trimestrales: BCC, ITCRM, PBI, IM, TI y T.
Así, para el periodo de estudio de la presente investigación, se obtienen un total de 57
observaciones para ser utilizadas.
Instrumentos de investigación
En la presente investigación, para importar y organizar los datos de las variables
obtenidas tanto del BCRP como de Bloomberg, se utilizaron las hojas de cálculo del
25
programa informático Microsoft Excel. Luego, fue necesario el traslado de estos datos al
paquete estadístico EViews 10 para desarrollar el análisis econométrico. Con este
programa se aplicó el procedimiento de cointegración de Johansen, determinando el orden
de integración de las series, especificando el Vector Autoregresivo (VAR) de tal forma que
se demuestre la condición o teorema de Marshall-Lerner y, buscando así que la
depreciación del ITCRM ejerza un impacto positivo en la BCC. Por último, se estimó a su
vez el modelo Vector de Corrección del Error, para conocer la velocidad de ajuste entre el
largo y corto plazo, esperando rechazar el escenario de una curva J producto de la
depreciación del ITCRM.
Procedimientos de recolección de datos

Para realizar la recolección de datos se buscaron series con periodos trimestrales para
todas las variables, recolectando así 57 observaciones. Todos los datos de las variables
utilizadas para la presente investigación fueron obtenidos de fuentes secundarias como
Bloomberg para el caso de las Importaciones mundiales y, el Banco Central de Reserva
para obtener los datos de todas las variables restantes –balanza en cuenta corriente, tipo
de cambio real multilateral, producto bruto interno, términos de intercambio e impuestos a
las importaciones.
Plan de análisis
Frente a la problemática surgida, en países como el Perú, el cual está considerado como
un país emergente, la falta de industrialización que genera una alta dependencia a los
precios internacionales de las materias primas que a su vez da lugar a una balanza
comercial y balanza en cuenta corriente dependiente de estos, la presente investigación
tuvo su origen en la revisión de literatura concerniente al impacto que podría tener una
depreciación del ITCRM en la BCC de un país determinado desligando parcialmente a éste
de la volatilidad de los precios internacionales. Así, se encontró que un efecto positivo en
la BCC ocasionado por el impacto de la depreciación del ITCRM en la BC se cumpliría para
economías que cumplieran la condición de Marshall-Lerner.
Del mismo modo, según Bustamante y Morales (2009), la metodología de VAR

cointegradas (CVAR) sería la más apropiada para encontrar el efecto a largo plazo que
existe entre las series de estudio (BCC y ITCRM) utilizando para dicho modelo las variables
como BCC, el índice de tipo de cambio real bilateral, el PBI y; las importaciones mundiales
- donde las importaciones mundiales representan el ingreso mundial, proxy que también se
planteó su uso para la presente investigación. Del mismo modo, las variables que se
26
presentan en el modelo de De Gregorio (2007) para explicar la BC, resultan apropiadas
para el presente estudio.
De esta forma, en base a la revisión de bibliografía, se realizó la exploración de variables

definiendo así un modelo potencial considerando las variables anteriormente presentadas
y, agregando los términos de intercambio, como variable de control, por la relación estrecha
que guarda con la balanza comercial. Seguidamente, conociendo la posibilidad de que se
cumpla esta condición para la economía peruana, en la presente investigación se procedió
a la recolección de datos haciendo uso de fuentes secundarias confiables como las series
del BCRP y Bloomberg, las mismas que, fueron organizadas en las hojas de cálculo de
Microsoft Excel y posteriormente fueron introducidos al paquete estadístico EViews 10 con
el fin de realizar la estimación del modelo econométrico de la investigación.
En el programa EViews 10, se inició el análisis de la dispersión, así como, de los

estadísticos de tendencia central para cada una de las series de datos. Igualmente, se
pasó a analizar el cumplimiento de todos los supuestos, siguiendo Gujarati (2004), para el
modelo de regresión lineal múltiple y, con el test de normalidad “Jarque Bera” se analizó si
la distribución que presentaban las series seguían una distribución normal - cabe resaltar
que, debido al modelo teórico empleado y la posibilidad patente de corregir la varianza en
las series, algunas de éstas fueron transformadas en logaritmos.
Seguidamente, se realizó la evaluación de estacionariedad de las series siguiendo el

algoritmo de Enders. Aplicando el Test de raíz unitaria de Dickey – Fuller aumentado (DFA)
en el modelo inicial de análisis – con intercepto y con tendencia-, luego en el modelo solo
con intercepto para finalizar con el modelo sin tendencias y sin intercepto de tal forma de
descartar la presencia de raíz unitaria en las series y obtener los grados de integración.
Habiendo hecho las transformaciones necesarias a las series de tal forma que todas sean
estacionarias, y con el fin de conocer la posibilidad de pronóstico que tiene el modelo, se
procedió con la metodología de Box - Jenkins, iniciando con la identificación del modelo.
Luego, se procedió a realizar la estimación de un modelo de sistemas dinámicos que
concluyó con la estructuración de un modelo VAR. Finalmente se realizó la verificación del
modelo estimado, a fin de que se cumplan todos los criterios de estacionariedad para, por
último, concluir con el pronóstico.
Realizado esto, se aplicó el procedimiento de cointegración de Johansen el cual se inició

determinando el orden de integración de las series que se buscaban incluir en el modelo.
Para esto, se aplicó el test de Dickey Fuller Aumentado (DFA) a cada serie y, con las series
integradas de orden I(1), se procedió a especificar un Vector AutoRegresivo (VAR)
27
haciendo posible así la selección de las variables del modelo. Seguidamente, se determinó
el retardo óptimo del VAR haciendo uso del estadístico LR, para confirmar que los residuos
sean ruido blanco (white noise).
Para concluir, se procedió a estimar el VAR, aplicar el procedimiento de Máxima

Verosimilitud y, a estimar el modelo Vector de Corrección de Errores con el fin de medir el
impacto de la depreciación del TCRM en la BC peruana durante el periodo desde el primer
trimestre del 2004 al primer trimestre del 2018 y cumplir con los objetivos específicos
planteados en la presente investigación.
28
Resultados
En la presente sección se explicará a detalle los hallazgos y logros obtenidos en la
presente investigación con el fin de cumplir los objetivos propuestos al empezar y, validar
las hipótesis planteadas. De esta forma, principalmente se busca medir el impacto del
ITCRM en la BCC peruana.
Asimismo, demostrar si la depreciación del ITCRM mejoró la BCC, evaluar si existe

relación de largo plazo entre la BCC, el ITCRM, PBI, impuesto a las importaciones, ingreso
del resto del mundo y términos de intercambio y, culminar midiendo la existencia de un
efecto negativo en la BCC peruana producto del alza de precios originada por la
depreciación del ITCRM todo esto para el periodo comprendido desde el primer trimestre
del 2004 al primer trimestre del 2018.
En tal sentido, se presentará el análisis y discusión de los mismos para concluir con las
conclusiones y recomendaciones acerca del impacto que tiene una depreciación del índice
de tipo de cambio real multilateral en la balanza peruana en cuenta corriente durante el
periodo de estudio que comprende la presente investigación.
Presentación de resultados
Realizado el análisis descriptivo de cada variable, siguiendo a Larios, Álvarez &

Quineche (2014), en donde la mayoría de las series seguían una distribución normal –
según el test de normalidad “Jarque Bera”- la serie de importaciones mundiales resultó ser
la única no normal con un pvalue menor al 5% (pvalue igual a 0.000032). Asimismo,
algunas contaban con altas desviaciones estándar, y, por ende, alta varianza. Debido a
esto, fue necesario el uso de logaritmos para variables como importaciones mundiales (IM)
e índice de tipo de cambio real multilateral (ITCRM) de tal forma que los datos no estén
demasiado alejados de la media y no contribuyan al rechazo del supuesto de
homoscedasticidad en el modelo planteado. A su vez, cabe precisar que la serie de balanza
en cuenta corriente (BCC), no fue posible convertirla en logaritmos debido a los valores
negativos en múltiples periodos que se incluían en la serie. Lo mismo es cierto para la serie
del PBI.
Tabla 2 Análisis descriptivo por variable en su nivel
BCC LITCRM LIM PBI T TI

Media -1.701431 1.995190 13.68156 5.422946 1.46E-05 0.283474
Desviación 2.823888 0.018680 0.211589 2.785627 0.114708 2.779524
Estándar
Skewness 0.471649 -0.105367 -0.823131 0.138834 -0.043872 0.136407
29
Kurtosis 2.979930 2.441817 2.573705 2.601517 3.875579 3.092035
Jarque-Bera 2.114262 0.845447 20.72531 0.560234 5.549414 0.594106

Probabilidad 0.347451 0.655260 0.000032 0.755695 0.062368 0.743005
Sum -96.98158 113.7258 2353.229 309.1079 0.002511 48.75748

Sum Sq. Dev. 446.5633 0.019541 7.655629 434.5443 2.250005 1321.104
Observaciones 57 57 57 57 57 57
Elaboración: Propia
Aunado a esto, después de realizado el análisis de las variables en su nivel, siguiendo

a Larios y Alvarez (2014) y Enders (2015), se realizó la evaluación de estacionariedad de
las series aplicando el Test de raíz unitaria de Dickey – Fuller aumentado (ADF) en el
modelo inicial de análisis – con intercepto y con tendencia-, luego en el modelo solo con
intercepto para finalizar con el modelo sin tendencias y sin intercepto de tal forma que se
descarte la presencia de raíz unitaria en las series y se obtengan los grados de integración.
Así, en el test de ADF realizado en cada uno de los tres modelos, se buscaba rechazar
la hipótesis nula que afirmaba que la serie presentaba raíz unitaria.
H0: La serie presenta raíz unitaria (no es I0)
H1: La serie no presenta raíz unitaria (es I0)
Donde: I0 = estacionaria en su nivel
Resultando que todas, a excepción de la serie de términos de intercambio e impuestos,

eran no estacionarias en su nivel - al nivel de significancia del 1%. Requiriendo éstas
corregir la no estacionariedad, que para la presente investigación fue corregida al tomar en
primeras diferencias cada serie no estacionaria (Anexo 2).
Tabla 3 ADF Test
ADF TEST al 1% n.s

Serie Variables exógenas Rezagos P-value Orden de Integración
BCCt Ninguna 3 0.0108 BCt ∼ I(1)
ΔBCCt Ninguna 4 0.0004 ΔBCt ∼ I(0)
LITCRMt Ninguna 1 0.5816 LTCRMt ∼ I(1)
ΔLITCRMt Ninguna 1 0.0000 ΔLTCRMt ∼ I(0)
PBIt Ninguna 2 0.1835 PBIt ∼ I(1)
30
Δ PBIt Ninguna 1 0.0000 PBIt ∼ I(0)
LIMt Ninguna 13 0.9200 LIMt ∼ I(1)
ΔLIMt Ninguna 12 0.0041 ΔLIMt ∼ I(0)
LTIt Ninguna 0 0.6969 LTIt ∼ I(0)
Tt Ninguna 1 0.0000 LXt ∼ I(0)
De este modo, hechas las correcciones pertinentes, con el test ADF al 1% de nivel de
significancia se corroboró el método de corrección empleado puesto que en primeras
diferencias las series resultaron I0, es decir, estacionarias, logrando rechazar así la
hipótesis nula del Test de raíz unitaria de Dickey – Fuller aumentado (ADF).
Tabla 4 Orden de integración de las series
ORDEN DE INTEGRACIÓN DE LAS SERIES DE TIEMPO
BCCt I (1)
LITCRMt I (1)
PBIt I (1)
LIMt I (1)
LTIt I (0)
Tt I (0)
Habiendo hecho las transformaciones necesarias a las series de tal forma que todas
sean estacionarias, se procedió con la metodología de Box - Jenkins, iniciando con la
identificación del modelo que seguiría cada serie. Cuyos resultados se muestran en la tabla
5.
Tabla 5 Modelo serial
Serie ARIMA
BCC (2,1,1)
LITCRM (1,1,1)
PBI (1,1,2)
LIM (2,1,1)
TI (0,0,0)
31
T (1,0,1)
Aunado a esto, se procedió a realizar la estimación de un modelo lineal cointegrado con

series integradas de orden 1(Anexo 3). Así, para el modelo de regresión lineal múltiple se
empleó la metodología de mínimos cuadrados ordinarios, para el cual se tomaron todas las
variables en su nivel y, en donde la dependiente fue la balanza en cuenta corriente (BCC)
y la independiente únicamente el ITCRM debido a que el PBI resultó no significativo y se
excluyó la serie de importaciones mundiales por no ser normal. Cabe resaltar que se
incluyó un rezago de la BCC con el fin de no violar el supuesto de no autocorrelación de
los errores.
𝐵𝐶𝐶 = 𝛼 + 𝛼 𝐵𝐶𝐶 + 𝛼 𝐿𝐼𝑇𝐶𝑅𝑀 + 𝜀̂
Se presentan los resultados obtenidos:
Tabla 6 Resultados del modelo MCO - Cointegrado
Dependiente BCC
VARIABLE Coeficiente Error estándar Probabilidad
C -81.89025 33.21913 0.0170
BCC(-1) 0.556437 0.108924 0.0000
LITCRM 40.65665 16.60491 0.0177
R2 0.532632
F-Stat 30.20056 0.00000
Durbin Watson 1.992007
De esta forma, con una bondad de ajuste igual a 53.26% sí habría relación de largo
plazo entre las series BCC y LITCRM y una depreciación del LITCRM impactaría
positivamente a la BCC.
Asimismo, precisando que la estacionariedad de los residuales es una condición

necesaria para que se produzca la cointegración de las series BCC y LITCRM, se procedió
a realizar el test ADF a los residuales apoyando la existencia de una relación de largo plazo
entre las series en cuestión.
Tabla 7 Resultados del test ADF a los residuales
VARIABLE T-Statistic Probabilidad

U -7.329985 0.0000
32
De esta forma, como se puede apreciar, los residuales serían estacionarios en su nivel
al n.s del 5%. Así pues, los residuales seguirían un proceso de White Noise y confirmarían
la correcta estimación del modelo cointegrado con las variables dadas - afirmando así la
relación de largo plazo entre las mismas.
Asimismo, como se puede observar en los anexos 3.2, 3.3 y 3.4, este modelo cumpliría
con los supuestos de no heteroscedasticidad, no autocorrelación y normalidad de los
errores como se presentan en la siguiente tabla:
Tabla 8 Test para verificar los supuestos
Test Estadístico P-value n.s

Test de Nomalidad Jarque Bera 0.700619 > 5%
Test de
Heteroscedasticidad Chi cuadrada 0.2015 > 5%
(BPG)
Heteroscedasticidad
Chi cuadrada 0.2658 > 5%
(Glejser)
Heteroscedasticidad
(White)
Heteroscedasticidad
ARCH (Lag 1)
Heteroscedasticidad
ARCHA (Lag 2)
Test de Breusch-
Godfrey Serial Chi cuadrada 0.3421 > 5%
Correlation LM (Lag 3)
Finalmente, la estabilidad de este modelo no queda demostrada como se puede ver en
los anexos 3.5 y 3.6 demostrando que este modelo no podría ser usado para predicciones.
De este modo, mediante el análisis de los residuales del modelo, se
Ilustración 4 Test de CUSUM Cuadrado
33
corrobora el impacto de la crisis financiera internacional del 2008 en la balanza en
cuenta corriente peruana resultando que la fecha de quiebre coincide con el inicio de la
crisis.
Como se puede inferir, debido a la endogeneidad de las series BCC, LITCRM y PBI,
todas integradas de orden 1 se procedió a estimar el segundo modelo: CVAR (modelo
cointegrado únicamente con las series integradas de primer orden BCC, LITCRM y PBI –
descartando al LIM debido a la presencia de normalidad en la serie) (Anexo 4).
En efecto, se procedió a estimar el modelo CVAR con rezago arbitrario para

posteriormente realizar la evaluación del rezago óptimo de este modelo cointegrado.
Al respecto, se puede observar la tabla 6, donde se tomó como referencia el criterio de

Hannan-Quinn resultando el rezago óptimo igual a 5.
Tabla 9 Criterio de selección de orden de rezago del CVAR
CRITERIO DE SELECCIÓN DE ORDEN DE REZAGO DEL CVAR

VARIABLES ENDÓGENAS: BCC, LITCRM y PBI.
Lag LogL LR FPE AIC SC HQ
0 -77.39341 NA 0.006038 3.403813 3.635464 3.491701

1 -23.77286 96.29812 0.000979 1.582566 2.161694* 1.802286
2 -12.08401 19.56094 0.000883 1.472817 2.399423 1.824370
3 -0.951320 17.26703 0.000821 1.385768 2.659851 1.869153
4 13.37504 20.46623 0.000678 1.168366 2.789926 1.783583
5 27.60387 18.58460* 0.000571 0.954944 2.923981 1.701994*
6 34.84819 8.574903 0.000652 1.026605 3.343119 1.905487
7 47.20237 13.11056 0.000621 0.889699 3.553691 1.900414
8 61.62661 13.54112 0.000563* 0.668302* 3.679771 1.810849
De este modo, se estimó el modelo CVAR con 5 rezagos encontrándose ajustes

mayores al 70% para todas las ecuaciones. Como se muestra en el anexo 4, el R2 ajustado
para la ecuación de la BCC, el LITCRM y el PBI sería igual a 68.16%, 86.79% y 78.97%
respectivamente mostrando así un alto grado de explicación para cada ecuación y
posibilidades de pronóstico.
Aunado a esto, se realizó el Test de Causalidad de Granger, al nivel de significancia del

5%, resultando que en la segunda y tercera ecuación del modelo CVAR sí existe relación
de causalidad entre las series afirmando que estas ecuaciones sí estuvieron correctamente
especificadas (Anexo 4.1).
Tabla 10 Test de Causalidad de Granger del CVAR
Variable dependiente: BCC DF

Todas 0.0724 > 0.05 No Causa en sentido Granger 10
34
Variable dependiente: LITCRM
Todas 0.0031 < 0.05 Causa en sentido Granger 10
Variable dependiente: PBI

Todas 0.0310 < 0.05 Causa en sentido Granger 10
De igual manera, se realizó al modelo CVAR el test de normalidad de Jarque – Bera

(Anexo 4.2). En el cual, con una probabilidad conjunta de 0.5672, superior al n.s del 5%,
no se rechaza la hipótesis nula de normalidad de los errores concluyéndose que los errores
siguen una distribución normal.
Dentro de este marco, con el fin de corroborar el supuesto de residuos esféricos en el

modelo CVAR en estudio, se procedió a realizar el test de heteroscedasticidad de White
sin términos cruzados (Anexo 4.3), así como, el test de autocorrelación LM (Anexo 4.4),
resultando que no se violaría el supuesto de residuos esféricos debido a que en ambos test
no se rechazaría la hipótesis nula de no heteroscedasticidad y no autocorrelación de
errores.
Para el primer caso, siguiendo la recomendación de Larios, Gonzales & Álvarez (2016),
se aplicó el test de heteroscedasticidad de White - sin términos cruzados - al modelo CVAR,
debido a que, el hecho de no utilizar términos cruzados no resta al modelo los grados de
libertad como sí lo haría si se utilizara los términos cruzados. Así, aplicado el test de White,
no se rechazó la hipótesis nula debido a que se obtuvo un p-value de 0.6068 - superior al
n.s del 5%-, resultando que no había presencia de heteroscedasticidad en el modelo CVAR
en estudio.
H0: No heteroscedasticidad (homoscedasticidad)
H1: Heteroscedasticidad
Para el segundo caso, se aplicó el test de autocorrelación LM al modelo CVAR.

Primeramente, se observó los correlogramas de los residuales del modelo con el fin de
hallar el rezago óptimo que se analizaría posteriormente en el test de LM, resultando que
ninguna de las barras sobrepasaba las bandas indicando que no habría autocorrelación.
Seguidamente, se realizó el test de autocorrelación donde se observó que no existe
autocorrelación del VAR para ningún rezago, dado que todos los p value serían superiores
al n.s del 5%. Así, no se rechaza la hipótesis nula de no autocorrelación del VAR y se
concluye que los errores del VAR no presentan autocorrelación.
35
H0: No Autocorrelación
H1: Autocorrelación
Aunado a esto, se analizó la matriz de correlación del modelo CVAR (Anexo 4.5). En la
cual, mientras que la diagonal principal de esta matriz representa la varianza de los
residuales de una misma ecuación, los elementos fuera de esta diagonal representan la
covarianza entre los residuales de diferentes ecuaciones y, gracias a que ninguna
correlación de estas últimas es mayor a 0.60 no existe sospechas de fuerte correlación
entre los residuales de las ecuaciones del CVAR.
Tabla 11 Matriz de correlación del modelo CVAR
BCC LITCRM PBI

BCC 1 -0.1403253816956055 0.0846462800123933
LITCRM -0.1403253816956055 1 0.2882989671906065
PBI 0.0846462800123933 0.2882989671906065 1
Finalmente, específicamente tomando como punto de quiebre el primer trimestre del

2008, se incorporó una variable dummy (D0801) al modelo CVAR siguiendo el quiebre visto
en el CUSUM cuadrado realizado al modelo lineal y, buscando tener homoscedasticidad
en los residuos. Asimismo, como se mencionó en párrafos anteriores, con el uso de esta
variable dummy se pudo observar el efecto de la crisis económica financiera del 2008 en
la balanza en cuenta corriente.
De esta forma el modelo CVAR, con niveles de R2 iguales a 78%, 91% y 85%
respectivamente para cada ecuación y, con niveles de R2 ajustados iguales a 68%, 87% y
79% respectivamente, quedó como sigue:
𝑩𝑪𝑪𝒕 = −51.43477 + 𝜃 𝐵𝐶 + 𝛽 𝐿𝐼𝑇𝐶𝑅𝑀 + 𝛾 𝑃𝐵𝐼 + 𝜆 𝐷0801 + 𝑒̂
𝑳𝑰𝑻𝑪𝑹𝑴𝒕 = 0.387448 + 𝜃 𝐵𝐶 + 𝛽 𝐿𝐼𝑇𝐶𝑅𝑀 + 𝛾 𝑃𝐵𝐼 + 𝜆 𝐷0801
+ 𝑒̂
𝑷𝑩𝑰𝒕 = 27.85463 + 𝜃 𝐵𝐶 + 𝛽 𝐿𝐼𝑇𝐶𝑅𝑀 + 𝛾 𝑃𝐵𝐼 + 𝜆 𝐷0801 + 𝑒̂
36
Donde, para la primera ecuación:
𝜃 = 0.52 𝜃 = −0.11 𝜃 = −0.24 𝜃 = 0.62 𝜃 = −0.39 𝛽 = 11.30 𝛽 =

−53.09 𝛽 = 126 𝛽 = −84.24 𝛽 = 26.70
𝛾 = −0.42 𝛾 = 0.27 𝛾 = 0.033 𝛾 = −0.02 𝛾 = −0.016 𝜆 = −2.68
Asimismo, para la primera ecuación, que es la que se observa el impacto de los rezagos
de todas las variables en la balanza en cuenta corriente, sus rezagos BCC (-1) y BCC (-4),
con valores estadísticos t-student de 3.31 y 3.61 respectivamente, son superiores a 2, por
lo que sí son significativos. Igualmente, el tercer rezago del LITCRM y el primer rezago del
PBI son significativos para determinar la BCC con valores estadísticos t-student iguales a
2.71 y -2.01 respectivamente.
En efecto, el impacto del tercer rezago del ITCRM fue positivo ocasionando que una
depreciación del ITCRM aumente en 126% la participación de la BCC en el PBI.
Seguidamente, se realizó la descomposición de la varianza del modelo CVAR. En este

se pudo observar que el cambio porcentual en la varianza de los regresandos LITCRM y
PBI son explicados en casi 40% por el PBI y la BCC respectivamente.
Asimismo, el índice del tipo de cambio real multilateral explicaría en un 10%

aproximadamente a la varianza de la balanza de cuenta corriente peruana. El PBI también
lo explicaría aproximadamente en solo 10%. (Anexo 4.6).
Asimismo, el análisis de impulso respuesta (Anexo 4.7) sugiere que existe una
moderada respuesta por parte del regresando BCC ante choques del ITCRM y PBI. De
esta manera, se demuestra que los cambios en los valores de la balanza en cuenta
corriente serían explicados tanto por impulsos propios – donde los impulsos se entienden
como la desviación estándar de los residuales de la variable BCC - como por impulsos del
índice del tipo de cambio real multilateral y el PBI.
En este escenario, es de resaltar el impacto negativo que tendría el ITCRM en la BCC

hasta el tercer periodo para, posteriormente, desde el tercer hasta el décimo periodo,
ejercer un impacto positivo sobre la BCC. De esta manera, gráficamente, para los años
que comprende la presente investigación, se estaría comprobando la curva-J en la
economía peruana. Así, tal y como se puede observar en la ilustración 5, la evolución en
el tiempo de la BCC ante un choque del ITCRM modela la curva-J.
37
Ilustración 5 Impulso – Respuesta: Evolución en el tiempo de la BCC ante un
choque del ITCRM
Elaboración propia.
Aunado a esto, se aplicó el test de cointegración de Johansen al modelo CVAR.
En primera instancia se rechaza que no existiría ecuación de cointegración. Así,

confirmando aquello, no se rechaza que al menos existiría 2 ecuaciones de cointegración.
(Anexo 5)
Observado esto, se elige la primera ecuación de cointegración debido a que en esta se

observa el efecto que tendría el índice de tipo de cambio real multilateral en la balanza en
cuenta corriente:
Vector de Cointegración 1:
ϛ𝟏 = [𝟏 − 𝟖𝟎. 𝟔𝟒𝟖𝟒𝟎 − 𝟐. 𝟐𝟐𝟓𝟖𝟖𝟗 + 𝟏𝟕𝟖. 𝟎𝟐𝟓𝟎]
𝑫𝑩𝑪𝑪𝒕
[𝟏 − 𝟖𝟎. 𝟔𝟒𝟖𝟒𝟎 − 𝟐. 𝟐𝟐𝟓𝟖𝟖𝟗 + 𝟏𝟕𝟖. 𝟎𝟐𝟓𝟎] 𝑫𝑳𝑰𝑻𝑪𝑹𝑴𝒕 ~𝑰(𝟎)
𝑫𝑷𝑩𝑰𝒕
1
𝑫𝑩𝑪𝑪𝒕 , 𝑫𝑳𝑰𝑻𝑪𝑹𝑴𝒕 , 𝑫𝑷𝑩𝑰𝒕 ~ 𝑪. 𝑰. (𝟏, 𝟏)
Con la relación de largo plazo:
𝝁𝒕 = 𝑫𝑩𝑪𝑪𝒕 − 𝟖𝟎. 𝟔𝟒𝟖𝟒𝟎𝑫𝑳𝑰𝑻𝑪𝑹𝑴𝒕 − 𝟐. 𝟐𝟐𝟓𝟖𝟖𝟗𝑫𝑷𝑩𝑰𝒕 + 𝟏𝟕𝟖. 𝟎𝟐𝟓𝟎𝑪𝒕 ~𝑰(𝟎)
𝑫𝑩𝑪𝑪𝒕 = −𝟏𝟕𝟖. 𝟎𝟐𝟓𝟎 + 𝟖𝟎. 𝟔𝟒𝟖𝟒𝟎𝑫𝑳𝑰𝑻𝑪𝑹𝑴𝒕 + 𝟐. 𝟐𝟐𝟓𝟖𝟖𝟗𝑫𝑷𝑩𝑰𝒕
38
Este resultado mostraría la relación positiva en largo plazo entre la BCC y el LITCRM,
así como, entre el BCC y PBI.
Dentro de este marco, debido a que se detectó cointegración entre las series de tiempo
establecidas como endógenas en el modelo CVAR planteado, se procedió a estimar el
Vector de Corrección del Error obteniéndose los siguientes niveles de ajuste para cada
ecuación:
Tabla 12 Niveles de ajuste para cada ecuación
D(BC) D(LITCRM) D(PBI)
Adj. R-squared 0.425418 0.472289 0.548103
F-statistic 3.904634 4.511061 3.545385
(Ver Anexo 6)
Dados los R cuadrados ajustados para cada ecuación, y debido a que el objetivo de la
presente investigación es analizar el impacto del tipo de cambio real multilateral en la
balanza peruana en cuenta corriente, se observa que la ecuación cuyo regresando es
D(BC) presenta un ajustado igual a 42.54%. Así, en el modelo VEC:
𝟓 𝟓 𝟓
𝑫𝑩𝑪𝒕 = 𝜽𝟏 𝝁𝒕 𝟏 + 𝜽𝟏𝒌 𝑫𝑩𝑪𝒕 𝒌 + 𝜷𝟏𝒌 𝑫𝑳𝑰𝑻𝑪𝑹𝑴𝒕 𝒌 + 𝜸𝟏𝒌 𝑫𝑷𝑩𝑰𝒕 𝒌 + 𝝀𝟏𝟏 𝑫𝟎𝟖𝟎𝟏

𝒌 𝟏 𝒌 𝟏 𝒌 𝟏
+ 𝒆𝟏
𝟓 𝟓 𝟓
𝑫𝑳𝑰𝑻𝑪𝑹𝑴𝒕 = 𝜽𝟐 𝝁𝒕 𝟏 + 𝜽𝟐𝒌 𝑫𝑩𝑪𝒕 𝒌 + 𝜷𝟐𝒌 𝑫𝑳𝑰𝑻𝑪𝑹𝑴𝒕 𝒌 + 𝜸𝟐𝒌 𝑫𝑷𝑩𝑰𝒕 𝒌

𝒌 𝟏 𝒌 𝟏 𝒌 𝟏
+ 𝝀𝟐𝟏 𝑫𝟎𝟖𝟎𝟏 + 𝒆𝟐
𝟓 𝟓 𝟓
𝑫𝑷𝑩𝑰𝒕 = 𝜽𝟑 𝝁𝒕 𝟏 + 𝜽𝟑𝒌 𝑫𝑩𝑪𝒕 𝒌 + 𝜷𝟑𝒌 𝑫𝑳𝑰𝑻𝑪𝑹𝑴𝒕 𝒌 + 𝜸𝟑𝒌 𝑫𝑷𝑩𝑰𝒕 𝒌

𝒌 𝟏 𝒌 𝟏 𝒌 𝟏
+ 𝝀𝟑𝟏 𝑫𝟎𝟖𝟎𝟏 + 𝒆𝟑
Donde𝜽𝟏 𝝁𝒕 𝟏 , 𝜽𝟐 𝝁𝒕 𝟏 , 𝜽𝟑 𝝁𝒕 𝟏 son los términos de Corrección del Error (ECT) en cada

ecuación planteada. Así, se considera a 𝜃 como el coeficiente de velocidad de ajuste
entre el corto plazo y largo plazo.
39
Asimismo, se inicia analizando a la primera ecuación pues es la de mayor relevancia
para la presente investigación. Entonces, teniendo la primera ecuación un coeficiente de
velocidad de ajuste, 𝜃 , positivo, igual a 0.101558, se indicó que no es correcto para el
modelo al no corregir los desequilibrios presentes para el corto plazo. Aunado a esto, cabe
resaltar que el signo positivo del estimador muestra que no existiría el ajuste entre el corto
y largo plazo. De la misma manera, para todas las ecuaciones, el estimador resultó positivo
y la bondad de ajuste, como se puede observar en el Anexo 6, resultó muy baja (menor al
50%) impidiendo la interpretación del VEC y resultando que no existiría el ajuste entre el
corto y largo plazo.
Finalmente, se buscó hacer pronóstico de los valores de la BCC usando la tendencia de

la misma.
Tabla 13 Pronóstico de la BCC usando tendencias
BCCF3 BCCF2 BCCF1

2018Q2 0.3170822416628099 -2.418332586184322 -4.413583045227475
2018Q3 0.9959128788672302 -2.305449844396545 -4.507105523340714
2018Q4 1.729701989239203 -2.185570315493479 -4.600628001453952
2019Q1 2.520048295647129 -2.058693999475125 -4.694150479567191
2019Q2 3.368550520959403 -1.924820896341482 -4.787672957680429
2019Q3 4.276807388044475 -1.783951006092549 -4.881195435793668
2019Q4 5.246417619770703 -1.636084328728328 -4.974717913906906
2020Q1 6.27897993900654 -1.481220864248819 -5.068240392020145
De donde resultó que la suma de cuadrados del pronóstico de la BCC peruana - BCCF3 -
fue mucho menor que las otras (BCCF2 & BCCF1) marcando así valores positivos para 8
trimestres en adelante – tal y como se pudo observar en el anexo 7.
40
Discusión
Resultados vs. Hipótesis:
Resultado vs. Hipótesis principal nula:
“El ITCRM no tiene un impacto positivo en la BCC peruana durante el periodo desde
el primer trimestre del 2004 al primer trimestre del 2018”:
Tanto de la estimación del modelo de regresión lineal múltiple como del VAR y del VEC
se puede indicar que el ITCRM sí es una variable significativa que ejerce un impacto
positivo sobre la BCC de la república del Perú para el periodo comprendido desde el primer
trimestre del 2004 al primer trimestre del 2018. De esta forma, se rechaza la hipótesis nula
principal de la presente investigación pues esta afirma que el ITCRM no tiene un impacto
positivo en la BCC para el periodo de estudio.
Resultado vs. Hipótesis específica nula A:
“La depreciación del ITCRM no mejoró la BCC peruana durante el periodo desde el
primer trimestre del 2004 al primer trimestre del 2018”.
Después de haber analizado la estabilidad a partir de un modelo de regresión lineal

donde la BCC estaba explicada únicamente por el ITCRM y el primer rezago de la BCC,
se confía en la poca varianza en el modelo y sus estimadores. Asimismo, se puede confiar
en la eficiencia del estimador del ITCRM debido a que fue estimado por el Método de
Mínimos Cuadrados Ordinarios (MCO) – con la menor varianza- y que está dentro de los
MELI (mejores estimadores linealmente insesgados). A su vez, el cumplimiento de todos
los supuestos para el modelo MCO – como el supuesto de residuos esféricos, no
normalidad de los errores, linealidad de los parámetros y estacionariedad de los residuales
– otorga confianza en los estimadores.
De igual manera, de la estimación del Vector de Corrección del Error resulta que el tercer
rezago del ITCRM sí sería significativo al n.s del 5% para explicar a la BCC. Sin embargo,
como la bondad de ajuste no fue tan alta y, el ajuste entre el corto y largo plazo, tampoco
existió, no se puede aseverar que existiera un ajuste entre el corto y largo plazo.
De esta forma, una depreciación del 1% en el ITCRM mejora la BCC aumentando su

participación dentro del PBI en 1.26% para el periodo comprendido desde el primer
trimestre del 2004 al primer trimestre del 2018. Por lo tanto, se rechaza la primera hipótesis
específica nula que mencionaba el empeoro – o no mejora - de la BCC después de la
41
Resultado vs. Hipótesis específica nula B:
“La BCC, el ITCRM, PBI, Impuesto a las importaciones, ingreso del resto del mundo
y términos de intercambio no presentan una relación de largo plazo durante el
periodo desde el primer trimestre del 2004 al primer trimestre del 2018”.
En cuanto a la relación de largo plazo que existiría entre todas las series inicialmente
propuestas, no se logra rechazar la segunda hipótesis específica nula para el periodo
comprendido entre el primer trimestre del 2004 y el primer trimestre del 2018 que
mencionaba la no presencia de una relación de largo plazo entre todas las series. Esto, se
daría principalmente debido a que no serían todas integradas del mismo orden. Por ende,
realizada la cointegración de Johansen únicamente para aquellas series integradas de
mismo orden (BCC, PBI, LITCRM, IM) descartando a la serie que presentaba normalidad
– IM- se obtuvo una ecuación cointegrante para las series BCC, PBI y LITCRM afirmando
la existencia de una relación de largo plazo entre estas series, mas no, para todas las
series inicialmente propuestas.
Resultado vs. Hipótesis específica nula C:
“Producto del alza de precios originada por la depreciación del ITCRM, en primera
instancia, la BCC presenta efectos negativos en su resultado durante el periodo
desde el primer trimestre del 2004 al primer trimestre del 2018”.
Por último, no se rechaza la hipótesis específica c que afirma que la depreciación del
ITCRM, producto del alza de los precios, originaría inicialmente efectos negativos en su
resultado. Esto, principalmente debido a que para el periodo desde el primer trimestre del
2004 al primer trimestre del 2018 no se encontró ajuste de corto y largo plazo. Así, la
posibilidad de cumplirse la curva J queda patente.
Más aún, del análisis impulso-respuesta se concluye gráficamente el impacto negativo

que, desde el primer hasta el tercer periodo, tendría la BCC debido a un choque por parte
del ITCRM. En esta línea, del análisis impulso-respuesta queda ilustrado también el efecto
positivo que tendría la BCC debido a un choque del ITCRM, desde el tercer trimestre hasta
el décimo.
Resultados vs. Otros estudios:
De tal forma que el presente trabajo pueda ser comparable con anteriores
investigaciones, se siguió la metodología dominante en la revisión de literatura: VAR
cointegradas. Así, en la presente investigación, se reforzaría al trabajo realizado por
Bustamante y Morales (2009) debido a que se cumpliría una vez más para la economía
42
peruana el Teorema o Condición Marshall-Lerner tomando una variable dummy para
conocer los efectos que ha tenido la crisis económica financiera en la BCC –antes y
después. Asimismo, coincidió que la curva se presenta en la economía peruana.
Aunado a esto, en concordancia a la investigación de Saldaña, L. & Velásquez, M.,

(2007) resultó que la depreciación por sí misma no tendría los efectos esperados siendo
necesario para el corto plazo una rápida reacción por parte de los agentes económicos.
De la misma forma, el presente estudio obtiene los mismos resultados que Barriga,
Ticona y Pinedo (2013) encuentran para la economía boliviana. Así, de la misma forma que
en este estudio realizado para Bolivia, en Perú el teorema de Marshall –Lerner se evidencia
al mejorar la balanza en cuenta corriente en el largo plazo. De igual manera, el ajuste de
corto y largo plazo seria mínimo para el caso boliviano, mientras que para el caso peruano
sería nulo.
Sumado lo anterior, los resultados de la presente investigación fueron iguales a los

obtenidos en Arriaga y Landa (2016) donde, para el periodo de estudio, quedó demostrado
que, en la economía mexicana, el TCR mejora la BC, así como, se verificó el supuesto de
la curva – J.
Igualmente, para la economía brasileña, Da Silva y Moura (2005) elaboraron un estudio

cuyo resultado, al igual que en la presente investigación fue acorde a la teoría propuesta
por Alfred Marshall y Abba Lerner. Asimismo, si bien es cierto, para la economía de Brasil
se rechaza la existencia de la curva J cabe señalar la validación de la curva S presentado
por Bahmani-Oskooee, & Dan Xi (2015), en donde, se estudia principalmente el comercio
entre Brasil y Estados Unidos para 51 industrias. De esta manera, sí se afirma la relación
de largo plazo que existiría entre el TCR y la BC en la economía brasileña, al igual que fue
demostrado en la presente investigación. Por otro lado, a diferencia de lo obtenido en el
presente estudio, donde sí se cumple la curva – J, para Brasil no se comprobaría la
presencia de dicha curva.
Finalmente, en Scalco, Carvalho, & Campos (2012) se obtuvieron resultados similares

al presente estudio, donde para la BC agrícola brasileña sí se evidenció el cumplimiento
del teorema de Marshal – Lerner, al igual que en el presente estudio. Por otro lado,
contrariamente a los resultados obtenidos en la presente investigación, para la BC agrícola
se rechazó la existencia de la curva – J.
43
Resultados vs. Marco Teórico:
La posibilidad de que los productos nacionales de un determinado país ganen
competitividad en el comercio internacional por políticas cambiarias ha estado siempre
latente, sobretodo, debido a que las ganancias en competitividad se traducen en mejoras
en la balanza en cuenta corriente y, por consiguiente, en la balanza de pagos.
De esta forma, entre los estudios alrededor de este tipo de políticas, resalta el Teorema
o Condición de Marshall-Lerner, el cual, manifiesta que la balanza comercial – sub balanza
de la balanza en cuenta corriente – se vería afectada positivamente ante una depreciación
del tipo de cambio real (TCR), todo esto siempre y cuando se cumpla que la elasticidad de
las exportaciones respecto al tipo de cambio sumada a la elasticidad de las importaciones
respecto al tipo de cambio da como resultado un número mayor a uno.
Dicho esto, la teoría económica no diferiría con la realidad peruana debido a que, para
el periodo de estudio se cumpliría la depreciación de Marshall-Lerner sobre la balanza en
cuenta corriente. En efecto, una depreciación del ITCRM se vería reflejado en un aumento
de la participación de la BCC, en el PBI, en 1.26%, la cual, impactaría positivamente. Todo
esto, pese a que el estimador del corto y largo plazo no resultó significativo debido a que
este estimador resultó no negativo - mayor a cero en el análisis, imposibilitándolo así de
realizar este ajuste.
Aunado a esto, la literatura señala que el impacto que puede tener la depreciación del
tipo de cambio real originaría dos efectos claros (el efecto precio y el efecto volumen) lo
cual de iniciarse con el efecto precio y seguir con el efecto volumen reflejaría la llamada
curva J, Blanchard (2012). Así, resultó, siguiendo la línea de la curva J, que en el periodo
mediato no se verían las mejoras de la BCC al tener impactos en el largo plazo sin ajuste
entre el corto y largo plazo.
En efecto, del análisis impulso – respuesta, se comprobó el impacto negativo que se

tendría en la BCC desde el primer hasta el tercer periodo (esto debido a un choque
proveniente de una depreciación del ITCRM). Asimismo, desde el tercer periodo hasta el
décimo, fue notorio el impacto positivo sostenido. De esta manera, ante una depreciación
del ITCRM, en el periodo que comprende la presente investigación, en la economía
peruana el efecto precio se mantendría hasta el tercer trimestre para, posteriormente,
prevalecer el efecto volumen logrando una mejora en la BCC afirmando, a su vez, la
Condición de Marshall-Lerner.
Finalmente, de esto claramente se desprende que el efecto precio sería superior al

efecto volumen para el periodo mediato. Mostrando este estudio empírico el malestar en
44
un primer instante para finalmente lograr la relación de largo plazo de las variables y así
corroborar la literatura acerca de la curva J, De Gregorio (2007), para la economía peruana.
Conclusiones
1. El presente estudio tuvo como principal objetivo medir el impacto del índice del tipo
de cambio real multilateral (ITCRM) en la balanza en cuenta corriente (BCC)
peruana. Para lo cual, realizada la revisión de literatura correspondiente se inició
estimando un modelo de regresión lineal múltiple, que cumpliera todos los
supuestos, cuyo fin fue examinar la estabilidad de modelo, así como, posible quiebre
estructural, concluyendo que se tendría un modelo estable y, desde ya, que sí
existiría un impacto del ITCRM en la BCC, rechazando así la hipótesis nula principal.
2. Conociendo la endogeneidad presente entre las variables del modelo, se procedió a

llevar acabo el análisis econométrico haciendo uso de la metodología de Vectores
Autoregresivos (VAR), utilizando las variables en series de tiempo: balanza en
cuenta corriente (BCCt), índice del tipo de cambio real multilateral (ITCRMt),
producto bruto interno (PBIt), importaciones mundiales (IMt), términos de intercambio
(TIt) e impuestos a las importaciones (Tt) - resaltando que, como en el estudio de los
estadísticos descriptivos de las variables se notó altas volatilidades, variables como
IM e ITCRM fueron convertidas en logaritmos. Y, la variable IM sería obviado en la
estimación por la presencia de normalidad.
3. Los resultados obtenidos con el test de estacionariedad de Dickey-Fuller aplicado a

cada variable del modelo concluyeron que, todas, excepto los términos de
intercambio y las importaciones mundiales, fueron integradas de orden uno – lo que
hizo posible la estimación de un modelo cointegrado entre estas variables. Realizado
esto, se estimó el modelo CVAR con las variables en su nivel, en el cual, se incluyó
la variable dummy (d0801) en el inicio del periodo concerniente al de la crisis
financiera internacional del 2008 con el fin de ver los efectos de la crisis en la BCC.
4. Se hace necesario resaltar que el tercer rezago del ITCRM también sería
significativo e impactaría positivamente – aumentando la participación dentro del PBI
que tiene la BCC en 1.26%, siempre y cuando ocurra una depreciación del ITCRM
en 1%. De la misma forma, para el periodo desde la crisis del 2008, en promedio la
participación de la BCC fue afectada en -2.68%. Asimismo, esta ecuación contaría
con un ajuste del 68% permitiendo elaborar estas conclusiones.
45
5. En la descomposición de la varianza del modelo CVAR se pudo observar que el
cambio porcentual en la varianza de los regresandos LITCRM y PBI son explicados
en casi 40% tanto por el PBI como por la BCC respectivamente. Por otro lado, tanto
el índice del tipo de cambio real multilateral como el PBI explicarían en un 10%
aproximadamente a la varianza de la balanza de cuenta corriente peruana.
6. En base a los resultados del Test de cointegración, se puede concluir que sí existiría
una relación de largo plazo estadísticamente significativa entre la BCC, ITCRM y
PBI utilizando los datos trimestrales del 2004 al 2018. En este sentido, se concluye
la relación positiva de largo plazo entre la BCC con el ITCRM y la BCC y el PBI.
Asimismo, posterior a la realización del test de cointegración de Johansen se estimó
el modelo VEC concluyendo que no existiría ajuste entre el corto y largo plazo –
además de mostrar ecuaciones con bondad de ajuste menores al 50%.
7. Del análisis impulso-respuesta realizado, se corrobora que el efecto precio es

superior al efecto volumen en el corto plazo, lo que daría lugar a la formación de la
curva – J. Más aún, se comprueba que el efecto precio perduraría hasta el tercer
periodo, es decir, un choque del ITCRM provocaría un impacto negativo en la BCC
hasta el tercer periodo. Por otro lado, se puede afirmar que el efecto volumen
prevalecería desde el tercer hasta el décimo periodo debido a que el impacto
generado por un choque del ITCRM en la BCC se mantendría positivo en el mismo
periodo de tiempo.
Recomendaciones
1. En lo que respecta a las recomendaciones que se pueden proporcionar sobre el

impacto que tendría el índice del tipo de cambio real multilateral (ITCRM) en la
balanza en cuenta corriente (BCC) peruana, es importante resaltar que los resultados
se asemejan a los obtenidos en anteriores investigaciones en donde señalan la
susceptibilidad de los agentes en la economía peruana ante la depreciación del índice
del tipo de cambio real. Siguiendo esta línea, el presente estudio se suma a las
investigaciones que señalan el cumplimiento del teorema de Marshall-Lerner para la
balanza en cuenta corriente peruana, así como, la presencia de la curva J ante la
46
2. Asimismo, al precisar la relación de largo plazo entre las variables BCC y el ITCRM,
se sugiere analizar la coyuntura entorno a las políticas de tipo de cambio. A su vez,
conociendo que el BCR busca la estabilidad financiera, es decir no mucha distorsión
en los precios, lo que se sugiere es que el ITCRM, en épocas de caídas de los precios
internacionales, se vaya depreciando paulatinamente sin que genere distorsión al
interior del país. Por todo lo dicho, el modelo de cointegración de la presente
investigación apoya las políticas cambiarias que en la actualidad se llevan a cabo
considerando el tipo de cambio en flotación sucia en presencia de una relación
positiva de largo plazo entre las variables.
3. Igualmente, se sugiere que las políticas cambiarias que busquen la depreciación del
ITCRM vayan acompañadas de políticas enfocadas a la mejora de productividad de
las empresas exportadoras de tal forma que se gane en competitividad.
4. De igual manera, en base a lo obtenido en la presente investigación, enfocado en el

periodo de muestra que comprende periodos trimestrales desde inicios del 2004 a
fines del 2018 se recomienda para futuras investigaciones analizar el impacto que
tiene el tipo de cambio real multilateral sobre las sub balanzas que comprenden la
balanza en cuenta corriente: balanza comercial, de servicios, de rentas y
transferencias. Esto, debido a que algunas sub balanzas pueden ser más
susceptibles a cambios en el tipo de cambio real multilateral y es en estos donde
quizá una depreciación del ITCRM tendría un impacto negativo en el muy corto plazo.
Asimismo, dentro de este marco, para futuras investigaciones, se sugiere considerar
variables que afecten a las otras sub balanzas de la balanza en cuenta corriente.
5. Aunado a esto, si bien es cierto se concluye que el ITCRM impactaría positivamente

a la BCC peruana, se recomienda que, para futuros modelos, en un contexto de
semidolarización de la economía, se observe ese mismo impacto al incluir variables
como consumo e inversión. De igual manera, se recomienda ver los efectos de la
depreciación del ITCRM tanto para el consumo como para la inversión.
6. A su vez, aunque el presente estudio amplia la literatura peruana con respecto a la

relación que existe entre la balanza en cuenta corriente y el tipo de cambio real
multilateral, los resultados obtenidos serían únicamente para el periodo de la muestra
y validarían la teoría económica para este periodo.
47
7. Finalmente, se recomienda que se utilice el presente estudio para ampliar la literatura
acerca de los impactos que tienen las políticas cambiarias tanto para la economía
peruana en general como para sectores específicos, en donde, tipos de cambios
reales bilaterales tendrían mayor impacto que el multilateral enriqueciendo así el
estudio de las políticas de tipo de cambio. Asimismo, se recomienda analizar los
efectos del ITCRM para la BCC en otros países de la región con el fin de observar el
impacto que las políticas de tipo de cambio tendrían para cada país.
48
Referencias
Arriaga, R & Landa, H. (2016). Competitividad del Sector Externo Mexicano: Un análisis de
la Condición Marshall-Lerner. Revista mexicana de economía y finanzas, 11(1), 79-
101.http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1665-
53462016000100079&lng=es&tlng=es.
Barriga, P. H., Ticona, A. R., & Pinedo, I. F. (2013). El tipo de cambio real, el ingreso
nacional y el ingreso foráneo en la determinación de la balanza comercial en Bolivia:
1992-2011. Revista Nicolaita de Estudios Económicos, 7(2), 27-46.
Bahmani-Oskooee, M. and Dan Xi, D. (2015). A note on the S-curve dynamics of commodity
trade between Brazil and the United States. Latin American Journal of Economics,
Vol.52 no.1 Santiago mayo 2015. http://dx.doi.org/10.7764/LAJE.52.1.79
https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0719-
04332015000100004
Blanchard, O. (2012). Macroeconomía, (2a. ed.). España: Pearson Educación, S.A.
Bustamante R. y Morales F. (marzo 2009.) Probando la condición de Marshall-Lerner y el

efecto Curva-J: Evidencia empírica para el caso peruano. Estudios Económicos (16)
Recopilado de: http://www.bcrp.gob.pe/docs/Publicaciones/Revista-Estudios-
Economicos/16/Estudios-Economicos-16-4.pdf .
Da Silva, A. y Moura, G. (2005). Is There a Brazilian J−Curve? Economics Bulletin, Vol. 6,

No. 10.
De Gregorio, J. (2007). Macroeconomía Teoría y Políticas, (1ª. ed.). México: Pearson

Educación
Edwards, S. (1989). Real Exchange Rates, Devaluation, and Adjustment. .Finance and
Development; Washington, D.C. Tomo 27, N.º 2.
Enders, W. (2015). Applied econometric time series (4a ed.). Hoboken, NJ : Wiley.
Gujarati, D. (2004). Econometría, (4a.ed.). México: McGraw - Hill Interamericana Editores

S.A. DE C.V.
Krugman, P y Obstfeld, M. (2006). Economía Internacional Teoría y Políticas, (7a. ed.).

Madrid: Pearson Educación
49
Obstfeld, M. (1981). Aggregate spending and the terms of trade: Is there a laursen-metzler
effect? Cambridge: National Bureau of Economic Research, Inc.
doi:http://dx.doi.org/10.3386/w0686
Land, H. y Arriaga, R. (2017). Crecimiento, competitividad y restricción externa en América

Latina Investigación Económica, vol. LXXVI, núm. 300, abril-junio de 2017, pp. 53-
80.
Larios-Meoño, J.F., Gonzalez - Taranco, C. & Álvarez Quiroz, V. J. (2016). Investigación

en economía y negocios: Metodología con aplicaciones en E-Views. Lima:
Universidad San Ignacio de Loyola.
http://repositorio.usil.edu.pe/handle/USIL/2527
Larios, J. F. & Álvarez, V. J. (2014) Análisis econométrico de series de tiempo: teoría y

problemas. Lima: Universidad San Ignacio de Loyola.
http://repositorio.usil.edu.pe/handle/123456789/1562
Larios, J. F., Álvarez, V. J. & Quineche, R (2014) Fundamentos de econometría: teoría y

problemas. Editorial Universidad San Ignacio de Loyola.
http://repositorio.usil.edu.pe/handle/123456789/1543
Maddala, G. y Kim, I. (2007) Unit Roots Cointegration and Structural Change. Cambridge
University Press.
Saldaña, L., & Velásquez, M. (2007) Impacto del tipo de cambio en las decisiones de
inversión de las empresas peruanas entre 1994 y el 2005.
Scalco, P., Carvalho, H. & Campos, A. (2012) Choques del tipo de cambio real y la balanza
comercial agrícola brasileña: evidencia de la curva J entre 1994 y 2007. Journal of
Rural Economics and Sociology , 50 (4), 595-
610. https://dx.doi.org/10.1590/S0103-20032012000400001
http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0103-
20032012000400001
Zavala, A. Guadalupe, E. y Carrillo, N. (2007) Revista del Instituto de Investigaciones de la

Facultad de Geología, Minas, Metalurgia y Ciencias Geográfica. ISSN: 1682-3087
50
Anexos
51
Anexo 1. Matriz de consistencia
Problemas Objetivos Marco Teórico Justificación Hipótesis Variables e Metodología
Conceptual Indicadores
Problema Objetivo Principal La presente Hipótesis 1. Tipo de Investigación
Principal Antecedentes de la investigación nace principal Para demostrar y Investigación aplicada,
Medir el impacto Investigación con el fin de comprobar las descriptiva de correlación
¿Cuál es el impacto del ITCRM en la analizar el impacto El TCRM tiene un hipótesis anteriormente longitudinal.
del ITCRM en la BCC peruana La interrogante de del ITCRM en la impacto positivo en mencionadas, se
BCC peruana durante el periodo la presente BCC peruana, ya la BCC peruana realizará un Nivel de la Investigación
durante el periodo desde el primer investigación ha que, conociendo desde el primer operacionalización,
desde el primer trimestre del 2004 conducido a una que la BC, sub trimestre del 2004 Descriptivo, explicativo no
determinando las
trimestre del 2004 al al primer trimestre serie de balanza de la al primer trimestre experimental.
variables que a
primer trimestre del del 2018. investigaciones, BCC, es del 2018. continuación se
2018? principalmente, 2. Método de la
dependiente de los mencionan:
Objetivo llevadas a cabo Hipótesis Investigación
precios
Problema Específico 1: para países Específica 1: Histórico
internacionales Variables
Específico 1: emergentes y, para resulta necesario Explicativas o 3. Diseño de la
Demostrar si la el caso peruano, en La depreciación del
analizar si la Independientes: Investigación:
¿La depreciación depreciación del periodos en donde ITCRM mejoró la
condición de X1: Tipo de cambio real No Experimental
del ITCRM mejoró ITCRM mejoró la el contexto BCC peruana
Marshall-Lerner se multilateral.
la BCC peruana BCC peruana comercial no refleja desde el primer
cumpliría para la X2: Producto bruto 4. Muestreo
durante el periodo durante el periodo a los últimos 10 trimestre del 2004
economía peruana interno. 57 observaciones:
desde el primer desde el primer años por lo que se al primer trimestre
apartándola de la X3: Ingreso de los
trimestre del 2004 trimestre del 2004 discurre, que el del 2018
dependencia de socios comerciales enero 2004 – marzo 2018
al primer trimestre al primer trimestre estudio que se está los precios peruanos. (Trimestral).
del 2018? del 2018. realizando, reúne internacionales. Hipótesis X4 : Términos de
las condiciones Específica 2: intercambio. 5. Técnica
Problema Objetivo
metodológicas y Asimismo, para X5: Impuestos a las Econométrica
Específico 2: Específico 2:
temáticas demostrar esta La BCC, el TCRM, importaciones Métodos de des
¿Existe una Evaluar la relación suficientes para ser condición se PBI, Impuesto a las estacionalización de series
relación de largo de largo plazo entre calificado como una analizará el importaciones, Variable de tiempo.
plazo entre la BCC, la BCC, el ITCRM, investigación. periodo desde el ingreso del resto Dependiente:
primer trimestre del mundo y Método de transformación
el ITCRM, PBI, PBI, impuesto a las
del 2004 al primer términos de de Series no estacionarias.
impuesto a las importaciones,
importaciones, ingreso del resto trimestre del 2018, intercambio
ingreso del resto del del mundo y Balanza en cuenta ya que, desde el presentan una Y: Balanza en cuenta Método Box Jenkins.
mundo y términos términos de corriente. - Refleja 2004 la relación de largo corriente. Método de cointegración
de intercambio intercambio el resultado en explotación de los plazo desde el de Johansen.
durante el periodo durante el periodo valores monetarios yacimientos del primer trimestre del Pruebas de Raíces
desde el primer desde el primer del comercio Gas natural 2004 al primer Unitarias
trimestre del 2004 al trimestre del 2004 internacional llevado comenzó a trimestre del 2018 Suposiciones: Test de Causalidad de
primer trimestre del al primer trimestre a cabo por un impactar al PBI Granger.
Hipótesis País pequeño abierto
2018? del 2018. determinado país en peruano. Aunado Test de Normalidad de los
Específica 3: al comercio
un determinado a esto, este es el errores.
Problema Objetivo internacional con
periodo. Su periodo donde aún Modelo de corrección del
Específico 3: Específico 3: economía keynesiana.
resultado puede ser no se ha hecho Producto del alza error.
en un superávit o un estudio al respecto de precios
¿En el corto plazo, Medir si en el corto déficit el cuál para la y en donde el originada por la
existe un efecto plazo existe un economía peruana contexto comercial depreciación del
negativo en la BCC efecto negativo en es determinante en peruano es ITCRM, en primera
peruana producto la BCC peruana la medida que diferente a instancia, la BCC
del alza de precios producto del alza mejora la balanza en anteriores presenta efectos
originada por la de precios cuenta corriente. investigaciones negativos en su
depreciación del originada por la principalmente por resultado desde el
ITCRM durante el depreciación del la mayor apertura primer trimestre del
periodo desde el ITCRM durante el al comercio y la 2004 al primer
primer trimestre del periodo desde el desaceleración de trimestre del 2018.
2004 al primer primer trimestre del la economía
trimestre del 2018? 2004 al primer peruana.
trimestre del 2018.
53
Anexo 2. Análisis de las Variables
Anexo 2.1: Balanza de Cuenta Corriente (BCC)
Tendencia Filtro HP
Estacionariedad Test de Correlograma

Dickey – Fuller aumentado
(ADF)
54
Anexo 2.2: Logaritmo del índice de Tipo de cambio real Multilateral
(LITCRM)
Tendencia Filtro HP
Estacionariedad
Test de Dickey – Fuller Correlograma
aumentado (ADF)
55
Anexo 2.3: Producto Bruto Interno (PBI)
Tendencia Filtro HP
Estacionariedad
Test de Dickey – Fuller
Correlograma
aumentado (ADF)
56
Anexo 2.4: Importaciones Mundiales (IM)
Tendencia Filtro HP
Estacionariedad Correlograma
aumentado (ADF)
57
Anexo 2.5: Términos de Intercambio TI
Tendencia Filtro HP
Estacionariedad
Correlograma
aumentado (ADF)
58
Anexo 2.6: Impuestos a las importaciones (T)
Tendencia Filtro HP
Estacionariedad
aumentado (ADF) Correlograma
59
Anexo 3. Modelo MCO Inicial
Anexo 3.1: Causalidad de Granger

A través del Test de Causalidad de Granger
Anexo 3.2: Test de Normalidad del MCO

Con una Prob. De Joint = 0.700619 mayor al nivel de significancia del 5%, no se
rechaza la hipótesis nula de normalidad de los errores. Se concluye que los errores
Anexo 3.3: Test de Heteroscedasticidad del MCO
Test de Breusch-Pagan-Godfrey
Debido a que el p-value es 0.2015, resultando así mayor al nivel de significancia del
5%, se rechaza la hipótesis nula de no heteroscedasticidad de los errores
concluyéndose que el modelo tiene varianza homoscedástica.
61
Test de Glejser
62
Test de White
63
Test de ARCH (Lag 1)
64
Test de ARCH (Lag 2)
65
Anexo 3.4: Test de autocorrelación del MCO inicial
Se verifica que no existe autocorrelación del modelo para el rezago 3(elegido por el
criterio de información de Akaike), dado que el p-value (0.3421) es mayor al nivel de
significancia del 5%. Así no se rechaza la hipótesis nula de no autocorrelación de los
errores y se concluye que el MCO inicial no presenta autocorrelación.
Test LM
66
Anexo 3.5: Diagnóstico de Estabilidad
Test de CUSUM
Test de CUSUM Cuadrado
67
Anexo 4. Modelo CVAR
Se consideró al Hannan-Quinn (HQ) como el criterio de información para la elección
del rezago óptimo. Así, se modeló un CVAR (5) – siendo 5 el número de rezago óptimo
para el modelo.
Asimismo, se incorporó una variable dummy (D0801) para observar el efecto de la

crisis económica financiera del 2008 en la balanza en cuenta corriente.
68
69
Anexo 4.1: Causalidad de Granger en el CVAR
A través del Test de Causalidad de Granger, al nivel de significancia del 10%, todas
las ecuaciones del modelo CVAR concluyen que sí existiría relación de causalidad entre
las series afirmando que las ecuaciones sí está correctamente especificadas. Cabe
resaltar que al 5%, la causalidad no estaría presente en la ecuación de la BCC mas sí
en la de PBI y LITCRM.
70
Anexo 4.2: Test de Normalidad del CVAR
Con una Prob. De Joint = 0.5672, mayor al nivel de significancia del 5%, no se
rechaza la hipótesis nula de normalidad de los errores. Se concluye que los errores
Anexo 4.3: Test de Heteroscedasticidad del CVAR

Test de heteroscedasticidad de White (Sin términos cruzados)
Debido a que el p-value a nivel conjunto (joint) es 0.6068, resultando así mayor al
nivel de significancia del 5%, se rechaza la hipótesis nula de no heteroscedasticidad de
los errores concluyéndose que el modelo VAR tiene varianza homoscedástica.
71
Anexo 4.4: Test de Autocorrelación del CVAR
Se verifica que no existe autocorrelación del VAR para ningún rezago, dado que
todos los p value son mayores al nivel de significancia del 5%. Así, no se rechaza la
hipótesis nula de no autocorrelación del VAR y se concluye que los errores del VAR no
presentan autocorrelación.
72
La elección del rezago óptimo a analizar en el test de autocorrelación se llevó a cabo
mediante el análisis de los correlogramas de los residuales. Así, puesto que ninguna de
las barras sobrepasaba las bandas no se encontró algún rezago óptimo a analizar
confiando en que no existiría autocorrelación de los errores del modelo.
Anexo 4.5: Matriz de correlación del CVAR

Mientras que la diagonal principal de esta matriz representa la varianza de los
residuales de una misma ecuación, los elementos fuera de esta diagonal representan la
covarianza entre los residuales de diferentes ecuaciones y, gracias a que ninguna
correlación de estas últimas es mayor a 0.60 no existe sospechas de fuerte correlación
entre los residuales de las ecuaciones del CVAR.
BCC LITCRM PBI

BCC 1 -0.1403253816956055 0.0846462800123933
LITCRM -0.1403253816956055 1 0.2882989671906065
PBI 0.0846462800123933 0.2882989671906065 1
Anexo 4.6: Descomposición de la varianza en el modelo CVAR

Se puede observar que el cambio porcentual en la varianza de los regresandos
LITCRM y PBI son explicados en casi 40% por el PBI y la BCC respectivamente.
73
Asimismo, el índice del tipo de cambio real multilateral explicaría en un 10%
aproximadamente a la varianza de la balanza de cuenta corriente peruana. El PBI
también lo explicaría aproximadamente en solo 10%.
74
Anexo 4.7: Análisis de impulso respuesta en el modelo CVAR
Anexo 5: Test de cointegración de Johansen
En primera instancia se rechaza que no existiría ecuación de cointegración.

Confirmando aquello, no se rechaza que al menos existiría 2 ecuaciones de
cointegración.
75
76
Anexo 6: Vector de corrección del error (VEC)
77
78
Anexo 7: Forecast BCC
TREND TREND^2 TREND^3

BCCF1 BCCF2 BCCF3
RMSE 2.338177 2.17955 1.970927
Akaike 4.606795 4.501377 4.335235
TREND
79
TREND^2
80
TREND^3
81

Impacto Del Tipo de Cambio Real Multilateral Sobre La Balanza en Cuenta Corriente Del Perú, 2004 - 2018

Cargado por

Información del documento

Descripción:

Título original

Derechos de autor

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Descripción:

Copyright:

Impacto Del Tipo de Cambio Real Multilateral Sobre La Balanza en Cuenta Corriente Del Perú, 2004 - 2018

Título original:

Cargado por

Descripción:

Copyright:

FACULTAD DE CIENCIAS EMPRESARIALES

IMPACTO DEL TIPO DE CAMBIO REAL

Trabajo de Investigación para optar el Grado Académico de

MERCEDES FRANCES VALDIVIA JAPA

Fecha de Sustentación y Aprobación: martes 20 de agosto de 2019

Miembros del Comité Evaluador:

Dr. Larios Meoño, Fernando

Dr. Mougenot, Benoit

Mg. González Taranco, Carlos

TIPO Y DISEÑO DE INVESTIGACIÓN 22

ANEXO 1. MATRIZ DE CONSISTENCIA 52

TABLA 1: DEFINICIÓN OPERACIONAL DE LAS VARIABLES........................................................... 25

ILUSTRACIÓN 1 EVOLUCIÓN DE LA BALANZA COMERCIAL PERUANA DESDE EL PRIMER

Palabras Clave: Balanza en Cuenta Corriente, Causalidad de Granger, Depreciación real,

Keywords: Current Account Balance, Granger causality, Marshall-Lerner's Theorem,

El inicio de la explotación de los yacimientos del gas de Camisea en la Convención

El estudio del comercio exterior de Perú es importante debido a que el ambiente de

El trabajo se encuentra organizado en teoría sobre la relación entre la BCC y el ITCRM,

Pasado 20 años del descubrimiento de los yacimientos del gas de Camisea en la

Así, el Consorcio de Camisea, en la fase de explotación, y Cálidda en la fase de

Ilustración 1 Evolución de la Balanza Comercial peruana desde el primer trimestre de 1985 al

Sumando a lo anterior, el inicio de la explotación de los yacimientos del gas de Camisea

Aunado a esto, aunque en la actualidad producto del crecimiento de las exportaciones

Ilustración 2 Evolución de la Balanza Comercial y el PBI desde el primer

Fuente: Estadísticas BCRP

Igualmente, es pertinente mencionar que, si bien es cierto el Perú se encuentra en un

En base a lo planteado, es decir, la contribución de la balanza comercial de

Formulación del problema.

Conociendo que países emergentes buscan tomar ventaja en el comercio modificando

De acuerdo a Saldaña y Velásquez (2007) en “Impacto del tipo de cambio en las

Da Silva y Moura (2005), publicaron en Economics Bulletin, la investigación que tiene

Dicho aquello, la balanza comercial, sub balanza de la balanza en cuenta corriente, se

En efecto, de acuerdo a De Gregorio (2007), la función que se ajusta a las exportaciones

TCR: Tipo de cambio real

PBI: Producto bruto interno

IM: Ingreso de los socios comerciales

T: Impuesto a las importaciones

Fuente: Blanchard, O. (2012). Macroeconomía, (2a. ed.).

Ante el efecto descrito en el párrafo anterior, el Teorema o Condición de Marshall –

Asimismo, conociendo que el resultado de la BC al término del periodo puede ser un

En lo que respecta al saldo de la balanza comercial durante el periodo de análisis, este

Dentro de este marco, la apertura comercial del Perú se ha mejorado considerablemente

Igualmente, el modelo a desarrollar considerará el tipo de cambio real multilateral

De este modo, el estudio inicialmente se explicitará en un modelo donde la balanza en

𝐵𝐶𝐶 = 𝑓(𝑇𝐶𝑅𝑀, 𝑃𝐵𝐼, 𝐼𝑀, 𝑇𝐼, 𝑇)

𝑩𝑪𝒕 = 𝑎 + 𝑎 𝐵𝐶 + 𝑎 𝐿𝐼𝑇𝐶𝑅𝑀 + 𝑎 𝑃𝐵𝐼 + 𝑎 𝐿𝐼𝑀 + 𝑒̂

𝑳𝑰𝑻𝑪𝑹𝑴𝒕 = 𝑎 + 𝑎 𝐵𝐶 + 𝑎 𝐿𝐼𝑇𝐶𝑅𝑀 + 𝑎 𝑃𝐵𝐼 + 𝑎 𝐿𝐼𝑀 + 𝑒̂

𝑷𝑩𝑰𝒕 = 𝑎 + 𝑎 𝐵𝐶 + 𝑎 𝐿𝐼𝑇𝐶𝑅𝑀 + 𝑎 𝑃𝐵𝐼 + 𝑎 𝐿𝐼𝑀 + 𝑒̂

𝑳𝑰𝑴𝒕 = 𝑎 + 𝑎 𝐵𝐶 + 𝑎 𝐿𝐼𝑇𝐶𝑅𝑀 + 𝑎 𝑃𝐵𝐼 + 𝑎 𝐿𝐼𝑀 + 𝑒̂

Donde TCRMt representa al tipo de cambio real multilateral en el periodo t, PBIt, al

a. Determinar si la depreciación del ITCRM mejoró la BCC peruana durante el

b. Evaluar la relación de largo plazo entre la BCC, el ITCRM, PBI, impuesto a

Ahora se procede a establecer las hipótesis de la investigación (nula y alternativa)

Hipótesis nula: El ITCRM no tiene un impacto positivo en la BCC peruana durante el

a. Hipótesis nula: La depreciación del ITCRM no mejoró la BCC peruana

En la presente sección, se explicará a detalle el tipo y diseño de investigación elegidos

Aunado a esto, se definirá la muestra, los instrumentos de investigación utilizados para

Para concluir, se presentará el plan de análisis de la presente investigación.

Tipo y diseño de investigación

Al respecto, debido a que se hace uso de un modelo econométrico - Modelo de

𝑩𝑪𝒕 = 𝑎 + 𝑎 𝐵𝐶 + 𝑎 𝐿𝐼𝑇𝐶𝑅𝑀 + 𝑎 𝑃𝐵𝐼 + 𝑎 𝐿𝐼𝑀 + 𝑒̂

𝑳𝑰𝑻𝑪𝑹𝑴𝒕 = 𝑎 + 𝑎 𝐵𝐶 + 𝑎 𝐿𝐼𝑇𝐶𝑅𝑀 + 𝑎 𝑃𝐵𝐼 + 𝑎 𝐿𝐼𝑀 + 𝑒̂