Econometría III Modelo de Importaciones de Bienes de Insumos 2003.01 2018.08 HPO

UNIVERSIDAD NACIONAL DEL ALTIPLANO
FACULTAD DE INGENIERÍA ECONÓMICA

ESCUELA PROFESIONAL DE INGENIERÍA ECONÓMICA
“ESTIMACIÓN DE UN MODELO DE DEMANDA DE IMPORTACIONES DE

INSUMOS DEL PERÚ: PERIODO ENERO 2003 – AGOSTO 2018”
CURSO:
ECONOMETRÍA III
PROFESOR:
Froilán LAZO FLORES
ELABORADO POR:
CHECALLA MAMANI Helyn Lucero
QUISPE SULLCA Paola Diana
SALLUCA PERALTA Omar
PUNO -PERÚ
2018
ÍNDICE GENERAL
RESUMEN..............................................................................................................................4
I. INTRODUCCIÓN..........................................................................................................5
II. MARCO TEÓRICO........................................................................................................6
2.1. Importación..............................................................................................................6
2.2. Tipos de Importaciones del Perú..............................................................................6
2.3. Importaciones de Insumos........................................................................................6
2.4. Producto Bruto Interno.............................................................................................6
2.5. Tipo de Cambio Real................................................................................................6
III. ANTECEDENTES.......................................................................................................7
IV. ASPECTOS METODOLÓGICOS..............................................................................7
V. ANÁLISIS DE RESULTADOS.....................................................................................8
5.1. Comportamiento de las Variables Macroeconómicas..............................................8
5.2. Especificación del modelo econométrico de Importaciones de Insumos.................8
5.3. Estimación e Interpretación del modelo estimado de la Ecuación de Largo Plazo:.9
5.3.1. Prueba de relevancia individual de los parámetros:..........................................9
5.3.2. Prueba de relevancia conjunta de los parámetros: El test F............................10
5.3.3. Coeficiente de Determinación, R 2.................................................................10
5.4. Contrastes de Raíz Unitaria y Estacionariedad......................................................10
5.5. Teorías de Cointegración........................................................................................13
5.5.1. Metodología de Cointegración Bi-etápica de Engle–Granger (EG)...............13
5.5.2. Metodología de Cointegración de Johansen...................................................14
5.5.3. Metodología de Cointegración por Bandas de Pesaran, Shin y Smith (PSS). 16
5.6. Modelo de Vectores Autorregrisivos (VAR).........................................................24
5.6.1. Modelo VAR, variables en niveles.................................................................24
5.6.2. Modelo VAR, variables en primeras diferencias............................................25
VI. CONCLUSIONES.....................................................................................................29
VII. RECOMENDACIONES............................................................................................29
VIII. BIBLIOGRAFÍA....................................................................................................30
ANEXOS..............................................................................................................................31
Página | 2
ÍNDICE DE TABLAS
Tabla 1. Estadísticos del Modelo de Largo Plazo...............................................................................9
Tabla 2. Resumen de Contraste de Raíces Unitarias y de Estacionariedad (En Niveles)..................12
Tabla 3. Resumen de Contraste de Raíces Unitarias y de Estacionariedad (En Diferencias)............12
Tabla 4. Contrastes de ADF de los residuales..................................................................................13
Tabla 5. Criterio de Selección de Rezagos.......................................................................................14
Tabla 6. Test de Cointegración de Johansen.....................................................................................15
Tabla 7. Test F de la Metodología PSS............................................................................................17
Tabla 8. Test F de la Metodología PSS............................................................................................17
Tabla 9. Diagnóstico de Coeficientes del Modelo Test de Variables Omitidas...............................18
Tabla 10. Diagnóstico de Residuales: Contraste del Multiplicador de Lagrange (Breusch-Goodfrey)
.........................................................................................................................................................20
Tabla 11. Diagnóstico de Residuales: Contraste de Heterocedasticidad - El Test de White.............21
Tabla 12. Diagnóstico de Residuales: Contraste de Heterocedasticidad ARCH...............................21
Tabla 13. Test de Exogeneidad........................................................................................................23
Tabla 14. Test de Causalidad de Granger.........................................................................................24
Tabla 15. Criterio de Selección de Rezagos en el Modelo VAR......................................................25
Tabla 16. Descomposición de Varianza de ∆LM.............................................................................27
Tabla 17. Descomposición de Varianza de ∆LY.............................................................................27
Tabla 18. Descomposición de Varianza de ∆LTC............................................................................28
Tabla 19. Estimación de la Ecuación de Largo Plazo de la Demanda de Importaciones..................31
Tabla 20. Residuales de la ecuación de largo plazo..........................................................................32
Tabla 21. Contrastes de ADF de los residuales................................................................................32
Tabla 22. Modelo de corrección de errores......................................................................................33
Tabla 23. Test de Cointegración de Johansen...................................................................................33
Tabla 24. Metodología de Cointegración por Bandas de Pesaran, Shin y Smith (PSS)....................35
Tabla 25. Test de Variables Omitidas...............................................................................................35
Tabla 26. Test de Breush-Godfrey...................................................................................................36
Tabla 27. Modelo autorregresivo de heteroscedasticidad.................................................................37
Tabla 28. El Test de White...............................................................................................................38
Tabla 29. VAR.................................................................................................................................41
ÍNDICE DE FIGURAS
Figura 1. Perú: Comportamiento de las variables macroeconómicas LM, LY, LTC (Periodo
enero 2003 – agosto 2018)......................................................................................................8
Figura 2. Diagnóstico de Residuales: Correlograma de los residuales de la regresión........19
Figura 3. Diagnóstico de Residuales: Correlograma de los residuales de la regresión........19
Figura 4. Test de Estabilidad: CUSUM................................................................................21
Figura 5. Test de Estabilidad: CUSUM Cuadrado................................................................22
Figura 6. Test de Estabilidad: CUSUM Cuadrado................................................................23
Figura 7. Función Impulso-Respuesta (Series en niveles)....................................................25
Figura 8. Función Impulso-Respuesta (Series en primeras diferencias)...............................26
Figura 9. Raíces inversas de Polinomio Característico AR..................................................28
Página | 3
RESUMEN
El presente trabajo de investigación muestra la estimación de un modelo
econométrico doblemente logarítmico el cual tiene por objetivo analizar mediante
instrumentos econométricos las variables de las Importaciones de Insumos que es explicado
con las variables del Producto Interno Bruto y el Tipo de cambio real bilateral, tomando los
datos del Perú en los Periodos 2003-enero hasta 2018-agosto, utilizando datos mensuales.
Teniendo en cuenta estas variables, analizaremos la presencia de raíces unitarias a
través de los contrastes de los contrastes de Dickey-Fuller Aumentado, Phillips Perron y
KPSS, dentro del cual se hace un análisis con diferentes contrastes de raíz unitaria para
buscar primeramente así mismo se utilizan las tres metodologías de Cointegración: Engle-
Granger, Johansen y Pesaran-Shin-Smith resultando que efectivamente existe cointegración
entre las series económicas. Para posteriormente realizar las pruebas; ARCH, RESET de
Ramsey, Chow, test de estabilidad como son los de residuos recursivos, CUSUM y
CUSUM cuadrado, que se utilizan para ver si existe autocorrelación, heteroscedasticidad,
entre otras. Finalmente, se formuló el modelo de Vectores Autorregresivos (VAR), con el
cual se analiza a las series en niveles y primeras diferencias. En general, el modelo nos
describe en forma adecuada sobre las relaciones que tienen las variables involucradas en
dicha investigación.
Palabras clave: Importaciones, Importaciones de Bienes de Insumos, Producto Bruto
Interno, Tipo de Cambio Real Bilateral, Cointegración.
ABSTRACT
The present work of investigation shows the estimation of a doubly logarithmic
econometric model whose objective is to analyze by means of econometric instruments the
variables of the Input Imports that is explained with the variables of the Gross Domestic
Product and the Bilateral Real Exchange Rate, taking the Data from Peru in the Periods
2003-January to 2018-August, using monthly data.
Taking into account these variables, we will analyze the presence of unitary roots through
the contrasts of the contrasts of Dickey-Fuller Increased, Phillips Perron and KPSS, within
which an analysis is made with different contrasts of unit root to search firstly for itself.
they use the three Cointegration methodologies: Engle-Granger, Johansen and Pesaran-
Shin-Smith, resulting in the actual cointegration between the economic series. To later
perform the tests; ARCH, Ramsey RESET, Chow, stability test such as recursive residuals,
CUSUM and CUSUM square, which are used to see if there is autocorrelation,
heteroskedasticity, among others. Finally, the model of Autoregressive Vectors (VAR) was
formulated, with which the series is analyzed in levels and first differences. In general, the
model adequately describes the relationships between the variables involved in this
research.
Keywords: Imports, Imports of Goods of Inputs, Gross Domestic Product, Bilateral Real
Exchange Rate, Cointegration.
Página | 4
I. INTRODUCCIÓN
En lo últimos años, el comportamiento del sector exterior de la economía peruana
ha sido cambiante.
La economía nacional tiene diferentes mecanismos en la inserción de los flujos
comerciales internacionales, por ende, las importaciones tienen un amplio efecto sobre la
economía. Por lo que el objetivo de este trabajo es presentar un modelo que permita estimar
el comportamiento de las importaciones en Perú. Este se logrará mediante el análisis del
comportamiento de las variables en el periodo determinado, encontrar el modelo
econométrico de largo plazo, demostrar si el modelo presenta estacionariedad y
cointegración, y con ello demostrar si el modelo es consistente y sustentable mediante los
test estadísticos. Todo ello en función de las variables Importaciones de Insumos, Producto
Bruto Interno y el Tipo de cambio real bilateral, tomando los datos del Perú en los Periodos
2003-enero hasta 2018-agosto y utilizando datos mensuales, sustentados con Teoría
Económica.
Se plantea un modelo econométrico basado en información estadística de las
principales variables macroeconómicas obtenidas de las estadísticas del BCRP,
Primeramente, se desarrolla el marco Teórico de la demanda de importaciones
dentro de un contexto nacional. Posteriormente se presenta antecedentes para el buen
desarrollo de este trabajo.
Seguidamente, se desarrolla la metodología de la investigación, los instrumentos,
técnicas y la obtención de datos.
Por último, se presenta la exposición y análisis de resultados de la investigación.
Utilizando los contrastes de Engle-Granger y Johansen para el desarrollo de la econometría
de series de tiempo para la determinación del modelo idóneo de las importaciones y
comprobar sus diferentes contrastes y pruebas importantes para el uso del modelo como son
los test de ARCH, RESET de Ramsey, White, LM Breush-Goyfrey, CUSUM y CUSUM
cuadrado. Así mimo, para analizar la presencia de raíz unitaria, los test; ADF (Dickey-
Fuller aumentado), PP (Phillips-Perron) y KPSS (Kwiatlsowski, Phillips, Schmidt y Shin).
Formulándose de este modo las respectivas conclusiones.
Página | 5
II. MARCO TEÓRICO
2.1. Importación
En este punto se describen algunos conceptos básicos referidos al comercio exterior
que van más enfocados en las importaciones de insumo que realiza el Perú.
2.2. Tipos de Importaciones del Perú
Este es el conjunto de bienes y servicios comprados por un país en territorio
extranjero para su utilización en el territorio nacional. Estas generalmente suelen estar
sujetas a restricciones económicas y reguladas por todos los países para la entrada de
productos. Existe tres tipos de importaciones, las de consumo, las de insumos y las de
capital.
2.3. Importaciones de Insumos
Este está referido a la compra de materia prima o un factor de producción, para la
utilización en el proceso productivo y la elaboración del bien final.
2.4. Producto Bruto Interno
Es el valor monetario de los bienes y servicios finales producidos por una economía
en un determinado periodo, que generalmente es de un año. A la vez registra variaciones de
un año a otro generando un incremento o su reducción del mismo. Además, este se le
denomina como el ingreso de un país y por ende con ello se puede realizar transacciones tal
es el caso de las importaciones.
2.5. Tipo de Cambio Real
Con la apertura comercial, los consumidores tienen la decisión de adquirir bienes
del interior o bienes del exterior, para ello es fundamental el precio al cual se quiere
adquirir esto con respecto a los bienes del interior expresados en bienes del extranjero, a
este precio se le denomina tipo de cambio real, no puede ser observable directamente pues
se desglosa del tipo de cambio nominal. El tipo de cambio real varia, puede ser que este
apreciándose, lo cual se expresa con el aumento del precio de los bienes interiores
expresados en bienes extranjeros, y su depreciación, es el descenso de los precios de los
bienes internos expresados en bienes extranjeros.
Página | 6
III. ANTECEDENTES
Para Coila Curo, (2013) en su trabajo “Factores Determinantes De Las
Importaciones En El Perú: Período 1996.1-2012.6” teniendo como su principal objetivo el
determinar las variables que influyen en las importaciones peruanas utiliza el enfoque de
cointegracion de Johansen y Pesaran, Shin y Smith para llegar a dicho fin concluye que el
PBI, los términos de intercambio y el tipo de cambio real bilateral son las principales
variables que mueven a dichas importaciones, para el presente trabajo se toma en cuenta las
variables destacadas ya que también se usa los métodos de cointegracion mencionados.
En el trabajo de Ruiz Martinez, et.al, (2006) titulado “Factores que determinan el
comportamiento a largo plazo de las importaciones en el ecuador: 1998 – 20005” el
objetivo relevante que se propuso en dicho trabajo es el de encontrar un modelo que
explique el comportamiento de las importaciones ecuatorianas además de hacer pronósticos
con los resultados para ello se justificó el uso del mecanismo de corrección de errores
entonces se obtiene que las variables presentes en la importaciones son la actividad
económica y el tipo de cambio real bilateral y para hacer los pronósticos mencionados en
los objetivos realza la importancia de la cointegracion lo cual es un tema muy importante
en el presente trabajo ya que nos muestra que una variable a considerar es el de Tipo de
Cambio Real Bilateral.
Según el Banco Central de Reserva del Perú, las importaciones de insumo es la
compra de bienes procedentes del exterior que incorporan al proceso productivo las
unidades económicas y que, con el trabajo de obreros y empleados y el apoyo de las
máquinas, son transformados en otros bienes o servicios con un valor agregado mayor.
Para Aravena, (2005) donde las importaciones abordan un modelo ARMA, el
resultado más interesante es el menor coeficiente que presenta Chile en cada una de sus
elasticidades, esto contrario a lo que uno hubiese esperado dado el mayor grado de apertura
que presenta, respecto al de Argentina. Lo que implica que Argentina a pesar de ser menos
abierta al resto del mundo que Chile, es más vulnerable a shocks externos. La relación con
el presente trabajo es se utiliza el vector de corrección de errores.
IV. ASPECTOS METODOLÓGICOS

El tipo de investigación utilizado para este trabajo es no experimental, ya que las
variables carecen de manipulación intencional. Para el procesamiento y análisis de los
datos, se hará uso de un análisis econométrico profundo, es decir un análisis exhaustivo de
cada variable además del uso de los mecanismos detallados secuencialmente durante la
revisión del presente documento, se hace uso de una corrección del modelo a utilizar
mediante el ADRL que es un instrumento del programa utilizado, Eviews 10, absorbido en
el documento ya que su uso es determinante para llegar a los resultados obtenidos.
Página | 7
Los datos que se utilizaron para la elaboración del presente trabajo son de
frecuencia mensual (series de tiempo) para el periodo 2003.01 – 2018.08, estos mismos
fueron obtenidos netamente del Banco Central de Reserva del Perú.
V. ANÁLISIS DE RESULTADOS
5.1. Comportamiento de las Variables Macroeconómicas
El comportamiento de las variables macroeconómicas (expresadas en logaritmos)
para el presente trabajo se muestra en la Figura. Dónde se puede ver que las Importaciones
de Insumos (LM), Producto Bruto Interno (LY) y el Tipo de Cambio Real Bilateral (LTC).
Han tenido una tendencia creciente para el periodo de análisis (2003.01-2018.08).
Figura 1. Perú: Comportamiento de las variables macroeconómicas LM, LY, LTC (Periodo
enero 2003 – agosto 2018)
LM LTC
7.0 4.80
4.75
6.5
4.70
6.0 4.65
4.60
5.5
4.55
4.50
5.0
4.45
4.5 4.40
2004 2006 2008 2010 2012 2014 2016 2018 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18
LY
5.2
5.0
4.8
4.6
4.4
4.2
2004 2006 2008 2010 2012 2014 2016 2018
Fuente: Elaboración propia en base a datos del BCRP.
5.2. Especificación del modelo econométrico de Importaciones de Insumos

Para el presente trabajo se especificará el modelo mediante una relación logarítmica, es
decir, las series serán transformadas en logaritmos, ya que una característica importante en
los trabajos empíricos es que los coeficientes de estas variables transformadas miden la
elasticidad de la variable dependiente con respecto a la independiente, es decir el cambio
porcentual en la variable dependiente ante el incremento del 1% en la variable
Página | 8
independiente. Entonces, para cuantificar las relaciones existentes entre las importaciones y
las variables explicativas (exógenas) se plantea el siguiente modelo:
L M t =β 0 + β 1 L Y t + β 2 L TC t + ε t
Donde:
L M t =¿ Logaritmo del valor de la Demanda de importaciones, (mill . US $)
LY t=¿ Logaritmo del Producto Bruto Interno, (í ndice 2007=100)
L TCt =¿ Logaritmo del Tipo de cambio real bilateral. (base 2009=100)
ε t=¿ Perturbación estocástica
β i=¿ Parámetros a ser estimados (i=1,2).Se espera que el coeficiente de logaritmo del
Producto Bruto Interno ( LY t ) sea positivo y el logaritmo del Tipo de cambio real bilateral
¿) sea negativo.
5.3. Estimación e Interpretación del modelo estimado de la Ecuación de Largo

Plazo:
L M t =3.90 LY t−1.87 L TC t + ε t
Tabla 1. Estadísticos del Modelo de Largo Plazo
β0 β1 L Y t β 2 L TC t
Desviación
(0.74) (0.05) (0.12)
Estándar ( Std . Error ):
Los Estadísticos “T ”
|5.26| |39.32| |−12.30|
(t−statistic):
El Coeficiente de Determinación Normal R2: R2=0.97

El estadístico “ F ”: F=2937.44
El estadístico de Durbin – Watson: DW =1.30
El modelo es doblemente logarítmico, por lo tanto, los parámetros representan las
elasticidades.
∂L Mt
^
β 1= =3.90
∂ LY t
Así, el parámetro β 1=1.28 ,es la elasticidad parcial de la demanda de importaciones (IMP)
con respecto al Producto Bruto Interno (PBI). Es decir, si el Producto Bruto Interno
aumenta en 1%, las importaciones de insumos lo harían en 1.28%.
∂ L Mt
^
β 2= =−1.87
∂ LY t
El parámetro β 2=−1.87 , es la elasticidad parcial de la demanda de importaciones (IMP)
con respecto al Tipo de Cambio Real Bilateral (TCRB). Es decir, si el Tipo de Cambio Real
Bilateral disminuye en 1%, las importaciones de insumos lo harían en 1.87%.
Página | 9
1.
5.3.1. Prueba de relevancia individual de los parámetros:
 La significancia estadística de cada uno de los parámetros estimados se puede probar a
través del t estadístico. La hipótesis nula asociado a la demanda de importaciones
establece que:
Hipótesis nula ( H ¿¿ 0)¿:
H 0=β 1=0, el parámetro β 1 no es significativo estadísticamente.
Hipótesis alterna ( H ¿¿ 1)¿:

H 1 ≠ β 1 ≠ 0, el parámetro β 1 sí es significativo estadísticamente.
 Estadístico de prueba:
^
β1 3.90
t c= = =5.26
Se ( β 1) 0.74
^
 Puesto que la probabilidad de cometer el error de tipo I es 0.0000, entonces se puede
concluir que, el parámetro estimado es estadísticamente a un nivel confianza del
99.99%. Análogamente los demás parámetros son significativos estadísticamente.
5.3.2. Prueba de relevancia conjunta de los parámetros: El test F
También se puede probar la significancia estadística conjunta de todos los parámetros del
modelo estimado. Para lo cual se plantea las siguientes hipótesis:
Hipótesis nula ( H ¿¿ 0)¿:

H 0 : β1 =β2 =β3 =0 ; Todos los parámetros no son significativo estadísticamente (de
manera simultánea).
Hipótesis alterna ( H ¿¿ 1)¿:

H 1 : β 1 ≠ β 2 ≠ β 3 ≠0 ; No todos o al menos uno de los parámetros son diferentes de
cero.
R2 /( K −1)
Fc=
(1−R¿¿ 2)/(n−K )¿
Donde:
R2 : Coeficiente de determinación.
K : Número de parámetros.
n : Número de observaciones.
0.97/( 4−1)
Fc= =2937.44
(1−0.97)/(188−4)
El estadístico F=1420.90 y un nivel de confianza de 0.0000, muestra que los parámetros
son altamente significativos, de manera conjunta.
Página | 10
5.3.3. Coeficiente de Determinación, R2
SEC SRC
R 2= Ó R2=1− =0.96
STC STC
En este modelo dicho indicador es igual a 0.96. Es decir, el 96% de la variación de
la demanda de importaciones está siendo explicada por la variación de las variables
Producto Bruto Interno (LPBI), Términos de Intercambio (LTI) y Tipo de Cambio Real
Bilateral (LTCRB), manteniendo el resto constante, El otro 4% corresponde a otras
variables no consideradas en el modelo.
5.4. Contrastes de Raíz Unitaria y Estacionariedad
Para verificar si las series tienen una raíz unitaria se utilizó las pruebas de Dickey - Fuller
Aumentado y Phillips - Perron; ambas comparten la misma hipótesis nula la cual es si la
serie tiene raíz unitaria. Para verificar la estacionariedad de las series se utilizó la prueba
de Kwiatkowski-Phillips-Schmidt-Shin (KPSS) cuya Ho: es si la serie es estacionaria.
 La prueba ADF posee tres procesos generadores de datos, las cuales son:
i) Modelo sin tendencia ni intercepto, ii) modelo con intercepto, pero sin tendencia y iii)
modelo con tendencia e intercepto; cuyos estadísticos son τ^ , τ^μ, τ^τ .
 La prueba PP cuenta con tres procesos generadores de datos las cuales son: i) modelo
sin tendencia ni intercepto, ii) modelo con intercepto pero sin tendencia y iii) modelo
z (τ ), ^
con tendencia e intercepto; cuyos estadísticos son: ^ z (τ ) , ^
μ z (τ ) .
τ
 La prueba KPSS solo cuenta con dos procesos generadores de datos las cuales son: i)
modelo con intercepto pero sin tendencia y ii) modelo con tendencia e intercepto;
cuyos estadísticos son ὴ μ y ὴ τ.
A continuación, se muestra un resumen de los mencionados test:
Resultados de las pruebas de raíz unitaria y estacionariedad (En niveles)

Como se observa en las tabla 3, hay valores críticos al 99%, 95% y 90% que nos ayudan a
principalmente a rechazar o aceptar la H 0 sobre la existencia de raíz unitaria, como se
observa en la columna correspondiente a la prueba de Dickey Fuller, se concluye que las
variables no pueden rechazar la H 0 pues los valores calculados son menores que los valores
críticos, lo cual significa que hay raíz unitaria y por lo tanto no hay estacionariedad en
niveles.
En la segunda columna la prueba de Phillips – Perron muestran el mismo escenario que la
prueba ADF, ya que los valores críticos al 99%, 95% y 90% de significancia son mayores a
los valores calculados. En la prueba KPSS la evaluación para la determinación de rechazo o
aceptación de la H 0 es diferente a las pruebas mencionadas en este caso, al ser los valores
calculados más altos que los valores críticos se toma la decisión de rechazar la H 0 de que
Página | 11
no existe raíz unitaria, y se llega a la misma conclusión de que existe raíz unitaria. Las
variables no son estacionarias en niveles.
Resultados de las pruebas de raíz unitaria y estacionariedad (En diferencias)
Como se observa en las tabla 2, en la primera columna correspondiente a la prueba de
Dickey Fuller, se concluye que las variables rechazan la H 0 pues los valores calculados son
mayores que los valores críticos, lo cual significa que en primeras diferencias no hay raíz
unitaria y por lo tanto hay estacionariedad.
En la segunda columna la prueba de Phillips – Perron muestran el mismo escenario que la
prueba ADF en primeras diferencias, ya que los valores críticos al 99%, 95% y 90% de
significancia son menores a los valores calculados. En la prueba KPSS los valores
calculados son menores que los valores críticos por lo tanto se toma la decisión de que no
se puede rechazar la H 0 de que no existe raíz unitaria, y se llega a la misma conclusión de
que existe raíz unitaria. Las variables son estacionarias en primeras diferencias.
Página | 12
Tabla 2. Resumen de Contraste de Raíces Unitarias y de Estacionariedad (En Niveles)
CONTRASTES Autocorrelación Dickey-Fuller Aumentado Phillips-Perrón KPSS
4
ρ1 τ^ τ^μ τ^τ ^ ^ ^ η`μ η`τ
∑ ρ1 z (τ ) z (τ μ) z (τ τ )
i=1
VARIABLE
Importaciones
S
de bienes de 0.98 3.79 1.97 -1.98 -1.17 2.64 -1.38 -2.91 1.59 0.36
insumo (LM)
Producto Bruto
0.96 3.73 2.47 -2.13 -1.07 3.95 -1.36 -7.26 1.65 0.45
Interno (LY)
Tipo de cambio
real Bilateral 0.99 3.84 -1.01 -1.63 -0.76 -0.95 -1.69 -0.98 1.04 0.34
(LTCRB)
Valores críticos
al: -2.578 -3.467 -4.011 -2.577 -3.466 -4.008 0.739 0.216
99% -1.943 -2.878 -3.436 -1.943 -2.877 -3.434 0.463 0.146
95% -1.615 -2.576 -3.142 -1.616 -2.575 -3.141 0.347 0.119
90%
Tabla 3. Resumen de Contraste de Raíces Unitarias y de Estacionariedad (En Diferencias)
CONTRASTES Autocorrelación Dickey-Fuller Aumentado Phillips-Perrón KPSS
4
ρ1 τ^ τ^μ τ^τ ^ ^ ^ η`μ η`τ
∑ ρ1 z (τ ) z (τ μ) z (τ τ )
i=1
VARIABLE
Importaciones
S
de bienes de -0.15 -0.48 -2.66 -3.48 -3.86 -16.53 -21.48 -27.34 0.26 0.27
insumo (LM)
Producto Bruto
-0.25 -0.70 -1.40 -3.04 -3.63 -20.29 -36.22 -40.78 0.19 0.06
Interno (LY)
Tipo de cambio
real Bilateral 0.27 0.31 -10.03 -10.08 -10.23 -10.13 -10.15 -10.32 0.30 0.08
(LTCRB)
Valores críticos
al: -2.578 -3.467 -4.011 -2.577 -3.466 -4.008 0.739 0.216
99% -1.943 -2.878 -3.436 -1.943 -2.877 -3.434 0.463 0.146
95% -1.615 -2.576 -3.142 -1.616 -2.575 -3.141 0.347 0.119
90%
Nota: Todas las variables están expresadas en logaritmo.

Página | 13
5.5. Teorías de Cointegración
Para determinar la existencia de cointegración entre las series económicas LM,

LY y LTCRB, se desarrolla la metodología uniecuacional de Engle-Granger (EG), la
metodología multivariada de Johansen (JJ) y la metodología por bandas de Pesaran,
Shin y Smith (PSS).
5.5.1. Metodología de Cointegración Bi-etápica de Engle–Granger (EG)
Procedimiento
 Etapa 1: Realizar las pruebas de raíz unitarias.
Como se observa en el cuadro Nª 1, todas las series son en primeras diferencias no

tienen raíz unitaria lo que significa que son integradas de orden (1).
LM ( 1 )
LY ( 1 )
LTC ( 1 )
 Etapa 2: Estimar la ecuación de largo plazo y obtener los residuales ¿ ) de esta
regresión y luego probar si son estacionarias mediante el test de ADF (la ecuación
no debe tener tendencia ni intercepto).
Ecuación a largo plazo (Anexo N°3):
LM t= β0 + β 1 L+ β 2 LTC t +ε t
LM t=3.90+ 1.87 LY t −1.47 LTC t + ε t
( 0.74 )( 0.05 )( 0.12)
[ 5.26 ] [ 39.32 ] [−12.30 ]
Residuales de la ecuación de largo plazo (Anexo N°4):
∆ ε t =γ ε t−1 +ut
∆ ε t =−0.65 ε t −1+u t
Prueba de raíz unitaria de los residuales, ADF (Anexo N°4)

Tabla 4. Contrastes de ADF de los residuales
Null Hypothesis: RESID01 has a unit root
Exogenous: None
Lag Length: 12 (Automatic - based on SIC, maxlag=14)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.777775 0.0056
Test critical values: 1% level -2.578243
5% level -1.942655
10% level -1.615495
*MacKinnon (1996) one-sided p-values.
Hipótesis nula ( H ¿¿ 0)¿: 𝛾=0, los residuales ε t tienen una raíz unitaria; no existe
cointegración entre las series económicas.
Haciendo el test de ADF, de la Tabla 4, calculado para los residuos es -2.78 y el valor
critico al 1% n.s. es -2.58, por lo tanto se rechaza la H 0, es decir que los residuales no
tienen raíz unitaria y son estacionarios entonces existe cointegración entre las series.
 Etapa 3: Si las variables cointegran, entonces formular un MCE (Anexo N°6)

ρ−1 ρ−1 ρ−1
∆ Z t=α 0 +α Z ε t −1+ ∑ α 1i ∆ LM t−i + ∑ α 1 i ∆ LY t −i+ ∑ α 1 i ∆ LTC t −i+ ut
i=1 i=1 i=1
Donde, Zt representa a 𝐿𝑀 ,𝑌𝑡 𝑜 𝐿𝑇𝐶𝑅𝐵𝑡 de manera de manera que habrían tres

ecuaciones, siendo la más importante cuando 𝑍𝑡=𝑀𝑡 y Δ representa el operador de
primeras diferencias. Asimismo, ε^
t−1 es el término de error del periodo anterior.
El MCE quedaría de la siguiente manera:

∆ Z t=0.02−0.45 ε t −1+ 0.13 ∆ LM t −1+ 0.15 ∆ LM t−2−0.90 ∆ LY t−1−0.94 ∆ LY t−2 +0.10 ∆ LTC t −1 +0.56 ∆ LTC
 Etapa 4: Evaluar adecuadamente el modelo.

El coeficiente de interés, α Z =−0.45 entonces se concluye con las tres condiciones para
que el modelo sea el correcto ya que tiene sigo negativo, el valor estimado no es grande
y el coeficiente en cuestión es significativo. Entonces el modelo de corrección de
errores es válido.
5.5.2. Metodología de Cointegración de Johansen
Con el test de cointegración multivariada de Johansen se analizará la presencia de una o
más relaciones de cointegración y se estimará el o los vectores de cointegración
correspondientes. Después de determinar que las series LM t , LY t y LTC R t son
integradas de orden uno I(1), considerando un nivel de significancia del 5%, se procede
a plantear un modelo de cointegración.
i. Número Óptimo de Rezagos:
Tabla 5. Criterio de Selección de Rezagos
Lag LogL LR FPE AIC SC HQ

0 386.8095 NA 2.82e-06 -4.264550 -4.211334 -4.242974
1 1037.863 1273.171 2.25e-09 -11.39848 -11.18561 -11.31217
2 1052.456 28.05088 2.12e-09 -11.46062 -11.08811 -11.30958
3 1087.164 65.55989 1.59e-09 -11.74627 -11.21411* -11.53050
4 1101.387 26.39225 1.50e-09 -11.80430 -11.11250 -11.52381
5 1121.833 37.25568 1.32e-09 -11.93147 -11.08002 -11.58624
6 1130.095 14.78136 1.33e-09 -11.92328 -10.91218 -11.51332
7 1151.826 38.14981* 1.16e-09* -12.06474* -10.89399 -11.59005*
8 1159.989 14.05805 1.17e-09 -12.05543 -10.72504 -11.51602
Página | 15
De acuerdo a este cuadro, el numero optimo mediante los criterios de decisión es de
siete rezagos, sin embargo, por ser una cantidad elevada, considerara un promedio de
todos los criterios, por ende, el número de rezagos es de cinco 5.
ii. Test de Cointegración de Johansen
La metodología de Johansen trata de explicar el número de vectores de cointegración,
utiliza el procedimiento máxima verosimilitud con información completa.
X t =Π 1 X t −1 + Π 2 X t −2+ …+ Π p X t−k + μ+ ϕ D t +ε t
Precisamente el principal objetivo de este de este método es investigar si los

coeficientes si los coeficientes de la matriz Π (¿ α β ' ) contiene información acerca de las
relaciones de largo plazo entre las variables en el vector de datos.
Al analizar el test con cinco rezagos en las diferencias, se destaca los siguientes
resultados con respecto al estadístico dela Traza y el estadístico de Máximo Valor
Propio, existe un vector de cointegración con un nivel de significancia del 5%.
Tabla 6. Test de Cointegración de Johansen
Estadístico de la Traza:
Valor Critico (5%): 29.79 Probabilidad: 0.00
61.66
Estadístico de Máximo
Valor Critico (5%): 21.13 Probabilidad: 0.00
Valor Propio: 57.53
Por consiguiente, se rechaza la hipótesis nula (Ho): que hay como máximo r vectores de
cointegración frente a la alternativa (Ha) de que hay k ; r ≤ k.
iii. El Vector De Corrección De Errores Estimado
El parámetro de ajuste de la ecuación de cointegración es -0.45 siendo significativo
estadísticamente en t=(−5.56), lo cual significa que en cada periodo (mes) se corrige el
45% de la discrepancia existente entre el valor actual y el que corresponde a su
equilibrio de largo plazo. Así mismo los signos de los parámetros estimados son los
esperados.
La ecuación cointegrante para el modelo de demanda de importaciones de insumos para
el periodo anterior es:
LM t−1=3.62+1.89 LY t−1−1.43 LTC t−1
(0.06) (0.15)
[30.13] [9.34]
Donde las cifras entre paréntesis son los errores estándar y las cifras entre corchetes son
los t estadísticos. El coeficiente estimado β 1=1.89 es la elasticidad de la demanda de las
importaciones de insumos con respecto al producto bruto interno. Entonces ante un
aumento del 1% de PBI las importaciones de los insumos aumentarían en 1.89%. El
coeficiente estimado β 2=−1.43 es la elasticidad de la demanda de las importaciones de
insumos con respecto al tipo de cambio real bilateral. Por ende, ante un aumento del 1%
del Tipo de Cambio Real Bilateral las importaciones de los insumos disminuirían en
1.43%.
Página | 16
5.5.3. Metodología de Cointegración por Bandas de Pesaran, Shin y Smith
(PSS)
Con el método ARDL de Pesaran, SHIN Y Smith se identifica el número de retardos
que debe tener el modelo ARDL en forma de modelo de corrección de errores.
Esta metodología de cointegración permite que las series económicas puedan ser todas
de I (1), todas I (0) o mutuamente cointegrados, sin embargo, estas no pueden ser de
orden igual o mayor a 2.
La cointegración de PSS se analiza por bandas usando el estadístico F de Wald.
Si el F es mayor que el valor critico de las bandas en I (1) existe cointegración de las
variables.
Si el F es menor que el valor crítico de la banda en I (0), entonces no existe

cointegración. Sin embargo, si el F se encuetra dentro de las bandas de I (1) e I (0) no
se puede tener ninguna conclusión.
Este método demuestra que los parámetros de corto plazo estimados por su
procedimiento son consistentes y los de largo plazo son súper consistentes en muestras
grandes.
Supuestos:
 Una de las variables debe ser débilmente exógena, puesto q no se considera un

sistema de ecuaciones en ningún caso.
 Solo existe una relación de cointegración, es lo contrario a la metodología de
Johansen en la que se puede encontrar hasta k −1 relaciones de cointegración.
De acuerdo los resultados:
 Modelo seleccionado: ARDL (4,4,3)
 Máximo de rezagos dependientes: 4
 Método de selección del modelo: criterio de información de Akaike.
Especificación del modelo ARDL con intercepto y tendencia:
ρ−1 ρ−1 ρ−1
LM t=a0 + ∑ a1 i LM t−i + ∑ a2 i LY t−i + ∑ a3 i LTC t −i+ a4 TI +ε 1 t
i=1 i=1 i=1
El modelo ARDL (4.3,3) estimado por MCO es:

LM t=2.34+0.44 LM t −1 +0.09 LM t−2 +0.09 LM t −3−0.31 LM t−4 +0.66 LY t −0.44 LY t−1−0.16 LY t−2 +0.83 LY
Modelo condicional de corrección de errores:

ρ−1 ρ−1 ρ−1
∆ LM t =a0 + ∑ a1 i ∆ LM t −i+ ∑ a 2i ∆ LY t−i + ∑ a3 i ∆ LTC t−i +a4 TI +a5 LM t−1 +a6 ∆ LY t−1 +a7 ∆ LTC t −1+ ε 1 t
i =1 i=1 i=1
∆ LM t =2.34+0.13 ∆ LM t −1+ 0.22∆ LM t −2 +0.31 ∆ LM t−3 +0.66 ∆ LY t −1.11 ∆ LY t−1−1.27 ∆ LY t −2 −0.43 ∆
Página | 17
Test F de bandas: considerando intercepto irrestricto y tendencia irrestricta.
Se observa que el valor del estadístico F es mayor que el valor critico de las bandas en
I (1), por lo tanto, existe cointegración de las variables.
Tabla 7. Test F de la Metodología PSS
Test Estadístico Valor Significancia. I (0) I (1)
F-estadístico 22.52615 10% 4.19 5.06

k 2 5% 4.87 5.85
2.5% 5.79 6.59
1% 6.34 7.52
Modelo de Corrección de Errores

ρ−1 ρ−1 ρ−1
∆ LM t =a0 + ∑ a1 i ∆ LM t −i+ ∑ a 2i ∆ LY t−i + ∑ a3 i ∆ LTC t−i +a4 TI +a5 CoEq t−1 +ε t
i =1 i=1 i=1
Donde a 0 representa a la constante,TI =Trend y CoEq t−1=Ecuacion cointegrante.

El modelo estimado es:
∆ LM t =2.34+0.13 ∆ LM t −1+ 0.22∆ LM t −2 +0.31 ∆ LM t−3 +0.66 ∆ LY t −1.11 ∆ LY t−1−1.27 ∆ LY t −2 −0.43 ∆
Test t de bandas: considerando intercepto irrestricto y tendencia irrestricta.

Se observa que el valor del estadístico t es ayor que los valores críticos deI (1), lo que
implica la existencia de cointegración entre las variables.
Tabla 8. Test F de la Metodología PSS
Test Estadístico Valor Significancia. I (0) I (1)
t-estadístico -8.269110 10% -3.13 -3.63

5% -3.41 -3.95
2.5% -3.65 -4.2
1% -3.96 -4.53
Diagnóstico de Coeficientes del Modelo: Test de Variables Omitidas
1. Modelos no Restringido: LM =β 0 + β 1 L Y t + β 2 L TC t + β3 LTI + ε t

SRC NR =0.87
2. Modelos Restringido: LM =β 0 + β 1 L Y t + β 2 L TC t + ε t
SRC R =0.88
( SRC R −SRC NR )/r

Estadístico de Prueba: F= Fr ; (T −K ) gl
SRC NR /(T −K )
Donde:
SRC NR : Suma de Residuales al Cuadrado del Modelo No Restringido.
SRC R : Suma de Residuales al Cuadrado del Modelo Restringido.
Página | 18
K: Número de parámetros por estimar en el modelo no restringido.
r : Número de restricciones.
T : Tamaño muestral.
(0.88−0.87)/1
F= =1.34
0.87 /(188−4)
Hipótesis nula ( H ¿¿ 0)¿: La variable LTI es conjuntamente significativa.
Tabla 9. Diagnóstico de Coeficientes del Modelo Test de Variables Omitidas

Omitted Variables Test
Null hypothesis: LTI are jointly significant
Equation: UNTITLED
Specification: LM LM(-1) LM(-2) LM(-3) LM(-4) LY LY(-1) LY(-2) LY(-3) LY(
-4) LTC LTC(-1) LTC(-2) LTC(-3) C @TREND
Omitted Variables: LTI
Value df Probability
t-statistic 1.156908 168 0.2490
F-statistic 1.338437 (1, 168) 0.2490
Likelihood ratio 1.460099 1 0.2269
Como se puede ver el valor del estadístico F es 1.34 y su nivel de significancia es 0.24,
entonces, no es posible rechazar la hipótesis nula ( H ¿¿ 0)¿. Lo cual implica que la
variable LTI no puede ser omitida en el modelo final; sin embargo, observando el
Anexo N° 9 se observa que dicha variable no es significativa.
Diagnóstico de residuales: Correlograma del cuadrado de los residuos del modelo
ADRL condicional
Antes se tiene que: (AC=FAS: Función de Autocorrelación Simple; PAC=FAP:
Función de Autocorrelación Parcial; Q-Stat: Estadístico Ljung-Box). De acuerdo a los
valores de las FAS, se concluye que los residuales de la regresión son ruido blanco1
(Proceso puramente aleatorio). A continuación, se muestra el Correlograma.
1
Se dice que un proceso es puramente aleatorio si tiene una media igual a 0, una varianza constante σ 2 y
no está serialmente correlacionado. Gujarati & Porter, (2009)
Página | 19
Figura 2. Diagnóstico de Residuales: Correlograma de los residuales de la regresión
Date: 12/13/18 Time: 23:02
Sample: 2003M01 2018M08
Included observations: 184
Autocorrelation Partial Correlation AC PAC Q-Stat Prob*
1 -0.023 -0.023 0.1027 0.749

2 -0.073 -0.074 1.1094 0.574
3 -0.086 -0.090 2.5103 0.473
4 0.071 0.062 3.4775 0.481
5 0.044 0.036 3.8556 0.570
6 -0.109 -0.106 6.1207 0.410
7 0.018 0.031 6.1860 0.518
8 0.026 0.016 6.3182 0.612
9 0.015 -0.006 6.3595 0.703
10 -0.031 -0.011 6.5443 0.768
11 -0.001 0.008 6.5444 0.835
12 0.280 0.271 22.107 0.036
13 -0.055 -0.048 22.719 0.045
14 -0.093 -0.063 24.477 0.040
15 -0.091 -0.052 26.154 0.036
16 0.080 0.026 27.448 0.037
17 0.025 -0.008 27.572 0.050
18 -0.100 -0.051 29.622 0.041
19 0.046 0.055 30.069 0.051
20 -0.014 -0.040 30.107 0.068
21 -0.122 -0.173 33.220 0.044
22 -0.086 -0.067 34.797 0.041
23 0.004 -0.015 34.800 0.054
24 0.248 0.159 47.967 0.003
25 0.003 0.058 47.969 0.004
26 -0.093 -0.030 49.851 0.003
El contraste de Jarque – Bera
Figura 3. Diagnóstico de Residuales: Correlograma de los residuales de la regresión

20
Series: Residuals
Sample 2003M05 2018M08
16 Observations 184
Mean 7.41e-16
12
Median 0.003911
Maximum 0.178232
Minimum -0.164203
8
Std. Dev. 0.069278
Skewness -0.206856
4 Kurtosis 2.603786
Jarque-Bera 2.515767
0 Probability 0.284255
-0.15 -0.10 -0.05 0.00 0.05 0.10 0.15
Hipótesis nula ( H ¿¿ 0)¿: Los errores (residuos) ε^t siguen una distribución normal.
Uno de los contrastes más utilizados para probar la normalidad de los errores es el de
Jarque-Bera (JB), que se basa en los coeficientes de asimetría y de curtosis. La
distribución normal, por ser simétrica tiene un coeficiente de asimetría igual a 0 y
Página | 20
coeficiente de curtosis (o apuntamiento), de 3. Si el término de error del modelo es
aproximadamente normal, entonces el estadístico JB sería pequeño. Esta prueba es
asintótica.
El valor del estadístico JB=2.52, es relativamente pequeño, y su probabilidad es de 0.28,
lo cual sugiere que los residuales del modelo de regresión si tienen una distribución
aproximadamente normal. No es posible rechazar hipótesis nula H 0 y concluimos que
los residuos están normalmente distribuidos.
Diagnóstico de Residuales: Contraste del Multiplicador de Lagrange (Breusch-
Goodfrey)
Procedimiento para la Prueba de LM (Estadístico asintótico T∗R2)
1. Estimar el modelo: LM =β 0 + β 1 L Y t + β 2 L TC t + ε t y obtener ε^t

2. Estimar una regresión de los residuos ε^t sobre (ε^ t−1 ,… , ^ε t− p ¿ así como sobre las
variables explicativas: ( L PBI t , L TI t , L TCRBt ¿; es decir:
ε^t=β 0 + β 1 L Y t + β 2 L TC+ ρ1 ^ε t−1 + ρ2 ε^ t −2 + μr (Regresión auxiliar) de esta regresión
obtener R2 .
3. Construir el estadístico T∗R2 X 2p grados de libertad; p el número de retardos

del esquema autorregresivo.
4. Hipótesis nula ( H ¿¿ 0): ρ1=ρ2=0¿ ; No existe correlación serial en la varianza
de los errores. (no hay autocorrelación)
Tabla 10. Diagnóstico de Residuales: Contraste del Multiplicador de Lagrange (Breusch-
Goodfrey)
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 1.483382 Prob. F(2,167) 0.2298

Obs*R-squared 3.211713 Prob. Chi-Square(2) 0.2007
Para el caso de la Demanda de Importaciones de insumos, la tabla 10 muestra:

T∗R2=3.212 y el nivel de significancia es de 0.20, por lo que no se puede rechazar la
hipótesis nula H 0. Es decir que no existe correlación serial en la varianza de los errores,
por lo tanto, no existe autocorrelación.
Diagnóstico de Residuales: Contraste de Heterocedasticidad - El Test de White
Procedimiento:
1. Estimar el modelo: LM =β 0 + β 1 L Y t + β 2 L TC t + ε t y obtener ε^t
2. Estimar una por MCO la regresión auxiliar; es decir, una regresión de los
residuales al cuadrado en función de variables originales, sus valores al cuadrado
y productos cruzados.
ε^t=β 0 + β 1 L PBI t + β 2 LTC t + ρ1 ε^ t −1 + ρ2 ε^ t −2+ μ r (Regresión auxiliar) de esta regresión
obtener R2
3. Construir el estadístico T∗R2 X 2p grados de libertad; p el número de retardos

del esquema autorregresivo.
Página | 21
4. Hipótesis nula ( H ¿¿ 0): α 1=α 2=α 3=α 4 =α 5=0 …=0 ¿; la varianza de los
errores son homocedásticos (No hay heterocedasticidad)
Tabla 11. Diagnóstico de Residuales: Contraste de Heterocedasticidad - El Test de White
Heteroskedasticity Test: White
F-statistic 1.673697
Prob. F(94,89) 0.0074
Obs*R-squared 117.5194
Prob. Chi-Square(94) 0.0507
Scaled explained SS 79.49939
En nuestro caso, T∗R2=117.52 y su nivel de significancia es de 0.0507, por lo que no

se puede rechazar la hipótesis nula H 0. Es decir que los errores son homocedásticos por
lo que concluimos que no existe heteroscedasticidad.
Contraste de heteroscedasticidad: modelo autorregresivo de heteroscedasticidad
 Los modelos ARCH recogen en la forma en cómo se plantea la idea de que
existe volatilidad, es decir que fuertes fluctuaciones inesperadas en los mercados
tienden a venir seguidas de periodos de iguales características, mientras que
periodos de estabilidad tienden a venir seguidos de periodos asimismo estable.
En el cuadro mostrado encontramos la relación de la varianza de los errores en el
tiempo t depende del tamaño del término de error al cuadrado en el tiempo (t −1) ,
dicha relación lo mostramos a continuación:
Hipótesis nula ( H ¿¿ 0): ¿La varianza de los errores es homocedástico.
Tabla 12. Diagnóstico de Residuales: Contraste de Heterocedasticidad ARCH
Heteroskedasticity Test: ARCH
F-statistic 0.099800
Prob. F(1,181) 0.7524
Obs*R-squared 0.100847
Conclusión: Concluimos diciendo que, no se puede rechazar hipótesis nula H 0 y que la

varianza de los errores es homocedástico, es decir no hay heteroscedasticidad.
Test de estabilidad de CUSUM y CUSUM CUADRADO
Figura 4. Test de Estabilidad: CUSUM
40
30
20
10
-10
-20
-30
-40
04 05 06 07 08 09 10 11 12 13 14 15 16 17 18
CUSUM 5% Significance
Hipótesis nula ( H ¿¿ 0): ¿ El modelo es estable.

Criterios de Decisión: Se rechaza la hipótesis si la línea de los residuos acumulados
traspasa dichas bandas.
Página | 22
Conclusión: De acuerdo al grafico de CUSUM, determina que no es posible rechazar la
hipótesis nula de estabilidad, la cual nos dice que el modelo es estable al 5% de
significancia.
Test de estabilidad de CUSUM cuadrado
Figura 5. Test de Estabilidad: CUSUM Cuadrado
1.2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
04 05 06 07 08 09 10 11 12 13 14 15 16 17 18
CUSUM of Squares 5% Significance
Hipótesis nula ( H ¿¿ 0): ¿ Homogeneidad del modelo.

Criterios de Decisión: Se rechaza la hipótesis, si la línea de los residuos recursivos se
sale de las bandas de confianza.
Conclusión: La suma acumulada de residuos al cuadrado normalizados es menor a las
bandas de confianza por lo tanto se concluye que el modelo es estable. Entonces en la
Figura 5 las sumas acumuladas de los residuos cuadrados recursivos están dentro de la
banda de fluctuaciones entones el modelo de demanda de importaciones de bienes de
insumos presenta estabilidad.
Página | 23
Test de estabilidad: Coeficientes recursivos
Figura 6. Test de Estabilidad: CUSUM Cuadrado
120 3
80
2
40
1
0
0
-40
-80 -1
2004 2006 2008 2010 2012 2014 2016 2018 2004 2006 2008 2010 2012 2014 2016 2018
Recursive C(1) Estimates Recursive C(2) Estimates

± 2 S.E. ± 2 S.E.
10 20
8
10
6
0
4
-10
2
-20
0
-2 -30
2004 2006 2008 2010 2012 2014 2016 2018 2004 2006 2008 2010 2012 2014 2016 2018
Recursive C(3) Estimates Recursive C(4) Estimates

± 2 S.E. ± 2 S.E.
Como se observa en el grafico anterior cuando las bandas se cierran rápidamente se

cumple el sentido débil y son invariantes en el tiempo, pero cuando las bandas no llegan
a juntarse no se cumple el sentido débil y son variantes en el tiempo.
Al observar los gráficos se cumplen con los dos criterios:
i. Que el estimador final del parámetro se sitúe dentro de las bandas de desviación
estándar (+\-2)
ii. Que la desviación estándar asociado el parámetro estimado caiga a lo largo del
tiempo.
Por lo tanto, las estimaciones recursivas si cumplen con los criterios mencionados
anteriormente.
Test de constancia de los parámetros (Test de Exogeneidad).
Se realizó exogeneidad débil para el Tipo de Cambio Real Bilateral (LTC) donde:
Hipótesis nula ( H ¿¿ 0): ¿ La variable LTC es débilmente exógena

Tabla 13. Test de Exogeneidad
Vector Error Correction Estimates
Date: 12/13/18 Time: 23:45
Sample (adjusted): 2003M04 2018M08
Included observations: 185 after adjustments
Standard errors in ( ) & t-statistics in [ ]
Cointegration Restrictions:
A(3,1)=0
Página | 24
Convergence achieved after 2 iterations.
Not all cointegrating vectors are identified
LR test for binding restrictions (rank = 1):
Chi-square(1) 0.061852
Probability 0.803593
Observando la Tabla 13, nos muestra que el valor del chi-cuadrado igual a 0.06
(prob.=0.80), nos indica que no se puede rechazar la hipótesis nula lo cual significa
que que la variable Tipo de cambio real bilateral (LTC) es débilmente exógena.
Test de causalidad: Wiener (1956) – Granger (1969)
La causalidad aquí empleada, es una causalidad estadística (en el sentido de Granger) y
no causalidad económica. Lo que se quiere comprobar es que si una variable tiene
poder predictivo sobre otra variable (i.e. es un test de precedencia y de contenido
informacional). Por ejemplo, se dice que LTC causa en el sentido de Granger a LM si
los valores presentes y pasados de LTCRB ayudan a predecir el comportamiento de
LM.
Hipótesis nula ( H ¿¿ 0): ¿LY o LTC no causa a LM.
Tabla 14. Test de Causalidad de Granger
Pairwise Granger Causality Tests
Date: 12/13/18 Time: 23:57
Sample: 2003M01 2018M08
Lags: 4
Null Hypothesis: Obs F-Statistic Prob.
LY does not Granger Cause LM 184 9.97432 3.E-07

LM does not Granger Cause LY 11.2676 4.E-08
LTC does not Granger Cause LM 184 2.03120 0.0921

LM does not Granger Cause LTC 0.11446 0.9773
LTC does not Granger Cause LY 184 0.87014 0.4831

LY does not Granger Cause LTC 1.08949 0.3633
Según los resultados LY causa en el sentido de Granger a LM ya que se rechaza la H 0,

pero sucede lo mismo con LM causa LY, es decir aquí hay una bicausalidad entre LM
y LY. En el segundo caso hay una causalidad unidireccional ya que solo LTC causa a
LM y por último en el tercer caso no hay causalidad entre LTC y LY.
5.6. Modelo de Vectores Autorregrisivos (VAR)

5.6.1. Modelo VAR, variables en niveles
Ventajas del modelo:
1) El método es simple, no es necesario determinar cuáles variables son endógenas,
porque todas las variables son endógenas.
2) Fácil de estimar; se puede utilizar MCO para cada una de las ecuaciones por
separado.
Página | 25
3) Mejor capacidad predictiva que modelos MES: Análisis de la función Impulso-
Respuesta (FIR) y Descomposición de Varianza (DV).
Desventajas del modelo:
1) Este modelo es ateórico: no tiene sentido económico claro. Generalmente hay
problemas de multicolinealidad, por lo tanto, no tiene sentido interpretar en términos
estadísticos ni económicos, la significancia estadística, los signos y las magnitudes de
los coeficientes estimados.
2) No son apropiados para análisis de políticas. Además, necesitan ser estacionarias.
Estimación del modelo
Puesto que los modelos VAR tienen problemas de multicolinealidad, no tiene mucho
sentido interpretar los coeficientes, ni su significancia estadística, ni los signos, ni
magnitudes.
Función Impulso-Respuesta del modelo
La función de Impulso-Respuesta estudia las respuestas de la variable dependiente en el
sistema VAR ante shocks o impulsos en los términos de error.
Figura 7. Función Impulso-Respuesta (Series en niveles)
Response to Cholesky One S.D. (d.f. adjusted) Innovations ± 2 S.E.
Response of LM to LM Response of LM to LY Response of LM to LTC
.075 .075 .075
.050 .050 .050
.025 .025 .025
.000 .000 .000
-.025 -.025 -.025
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Response of LY to LM Response of LY to LY Response of LY to LTC
.04 .04 .04
.03 .03 .03
.02 .02 .02
.01 .01 .01
.00 .00 .00
-.01 -.01 -.01

1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Response of LTC to LM Response of LTC to LY Response of LTC to LTC
.015 .015 .015
.010 .010 .010
.005 .005 .005
.000 .000 .000
-.005 -.005 -.005

1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
De acuerdo a la figura 7, las series son no estacionarias, por lo que no existe

convergencia hacia sus valores promedio.
Página | 26
5.6.2. Modelo VAR, variables en primeras diferencias
Criterio de selección de orden de retardos
Tabla 15. Criterio de Selección de Rezagos en el Modelo VAR
Lag LogL LR FPE AIC SC HQ

0 386.8095 NA 2.82e-06 -4.264550 -4.211334 -4.242974
1 1037.863 1273.171 2.25e-09 -11.39848 -11.18561 -11.31217
2 1052.456 28.05088 2.12e-09 -11.46062 -11.08811 -11.30958
3 1087.164 65.55989 1.59e-09 -11.74627 -11.21411* -11.53050
4 1101.387 26.39225 1.50e-09 -11.80430 -11.11250 -11.52381
5 1121.833 37.25568 1.32e-09 -11.93147 -11.08002 -11.58624
6 1130.095 14.78136 1.33e-09 -11.92328 -10.91218 -11.51332
7 1151.826 38.14981* 1.16e-09* -12.06474* -10.89399 -11.59005*
8 1159.989 14.05805 1.17e-09 -12.05543 -10.72504 -11.51602
* Indica el orden de rezago seleccionado por el criterio.

En contraste con la tabla 7, el número óptimo de rezagos es 7, sin embargo, por tratarse
de una cantidad elevada, se considerará un promedio de todos los criterios, es decir 5
rezagos, como la cantidad ideal.
Estimación del modelo
De la misma manera que en la estimación del modelo, considerando variables en
niveles, puesto que los modelos VAR tienen problemas de multicolinealidad, no tiene
mucho sentido interpretar los coeficientes, ni su significancia estadística, ni los signos,
ni magnitudes.
Página | 27
Función Impulso-Respuesta del modelo
Figura 8. Función Impulso-Respuesta (Series en primeras diferencias)

Response to Cholesky One S.D. (d.f. adjusted) Innovations ± 2 S.E.
Response of D(LM) to D(LM) Response of D(LM) to D(LY) Response of D(LM) to D(LTC)
.08 .08 .08
.06 .06 .06
.04 .04 .04
.02 .02 .02
.00 .00 .00
-.02 -.02 -.02
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Response of D(LY) to D(LM) Response of D(LY) to D(LY) Response of D(LY) to D(LTC)
.04 .04 .04
.02 .02 .02
.00 .00 .00
-.02 -.02 -.02
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Response of D(LTC) to D(LM) Response of D(LTC) to D(LY) Response of D(LTC) to D(LTC)
.012 .012 .012
.008 .008 .008
.004 .004 .004
.000 .000 .000
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
En este caso existe convergencia caso contrario de cuando las variables se analizan en
niveles, Sin embargo, se observa que en general, tanto las importaciones de bienes de
consumo (LM), el ingreso nacional (LY) y el Tipo de Cambio Real Bilateral (LTCRB);
demoran aproximadamente 10 o más periodos en acercarse a su verdadero valor; o
explicado de otra manera los efectos del shock de todas las variables duran muchos
periodos.
Descomposición de Varianza
La Descomposición de Varianza consiste en desagregar la varianza del error proyectado
de una variable del sistema VAR en varianza debido a su propio shock versus shocks a
otras variables.
Tabla 16. Descomposición de Varianza de ∆LM
En el Tabla 8, se
Period S.E. D(LM) D(LY) D(LTC)
observa que la
1 0.085929 100.0000 0.000000 0.000000 Descomposición de
(0.00000) (0.00000) (0.00000)
Varianza de ∆LM en
2 0.089722 96.02603 3.728356 0.245611
(2.78168) (2.56061) (0.83714) mayor proporción es
3 0.092484 92.26162 7.390965 0.347416 debido a su propio
(2.84573) (2.67669) (1.02685) shock, pues este valor
4 0.095087 87.90474 11.76608 0.329179
(3.39427) (3.36596) (1.01573) varía entre 100 y
5 0.095250 87.87076 11.72568 0.403560 87.79, a lo largo del
(3.41748) (3.36910) (1.12466) tiempo.
6 0.095543 87.82959 11.76432 0.406095
Página | 28
(3.39391) (3.35268) (1.13978)
7 0.095609 87.82215 11.76268 0.415172
(3.42917) (3.38072) (1.15899)
8 0.095625 87.82265 11.75997 0.417385
(3.43540) (3.38886) (1.16585)
9 0.095640 87.79424 11.78823 0.417533
(3.44868) (3.40246) (1.16767)
10 0.095644 87.79341 11.78824 0.418349
(3.44969) (3.40346) (1.16880)
Tabla 17. Descomposición de Varianza de ∆LY
Period S.E. D(LM) D(LY) D(LTC) En el Tabla 9, se

observa que la
(3.05855) (3.05855) (0.00000)
2 0.089722 10.70591 89.10743 0.186653 Varianza de ∆LY en
(3.04326) (3.37346) (1.30258)
4 0.095087 14.82648 84.78976 0.383765 shock, pues este valor
(3.98520) (4.24690) (1.40960) varía entre 95.31 y
5 0.095250 14.87273 84.73152 0.395753 84.53, a lo largo del
(3.98459) (4.28456) (1.47440)
6 0.095543 15.04349 84.54354 0.412970 tiempo.
(4.10034) (4.38969) (1.50102)
7 0.095609 15.02658 84.56085 0.412571
(4.10462) (4.40180) (1.51121)
8 0.095625 15.03405 84.54931 0.416642
(4.12142) (4.41994) (1.52121)
9 0.095640 15.05238 84.53056 0.417062
(4.14330) (4.44076) (1.52393)
10 0.095644 15.05590 84.52655 0.417543
(4.14766) (4.44552) (1.52584)
Tabla 18. Descomposición de Varianza de ∆LTC
Period S.E. D(LM) D(LY) D(LTC) En el Tabla 10, se

observa que la
(0.82463) (1.45806) (1.78899)
2 0.089722 0.164396 1.259747 98.57586 Varianza de ∆LTC en
(1.68990) (2.37405) (2.84564)
4 0.095087 0.510130 3.471925 96.01794 shock, pues este valor
(1.60692) (2.44518) (3.05107) varía entre 98.86 y
5 0.095250 0.551215 3.573514 95.87527 95.70, a lo largo del
(1.70079) (2.51751) (3.15760)
6 0.095543 0.662496 3.586136 95.75137 tiempo.
(1.70240) (2.51034) (3.22624)
7 0.095609 0.671312 3.596047 95.73264
(1.70587) (2.52187) (3.24659)
8 0.095625 0.674600 3.612237 95.71316
(1.71397) (2.52624) (3.26140)
9 0.095640 0.680934 3.614579 95.70449
(1.71582) (2.52900) (3.26887)
10 0.095644 0.680926 3.615966 95.70311
Página | 29
(1.71782) (2.53043) (3.27113)
Condición de estabilidad del modelo
Figura 9. Raíces inversas de Polinomio Característico AR

Inverse Roots of AR Characteristic Polynomial
1.5
Para probar la
estabilidad del
1.0 sistema VAR y sus
coeficientes, se
0.5 requiere que las
raíces inversas del
polinomio AR,
0.0
característico de
dicha matriz; no
-0.5 salgan del círculo. En
este caso, las raíces
-1.0 se encuentran al
interior del círculo,
-1.5
por lo que el VAR
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 estimado es estable.
VI. CONCLUSIONES
En el periodo 2003.01-2018:08 las importaciones de insumos tuvieron un
comportamiento creciente, uno de los factores importantes es la apertura comercial
tratados de libre comercio. Además, el Producto Bruto Interno ha ido en aumento por la
producción nacional.
El modelo planteado de largo plazo es doblemente logarítmico, los parámetros
estimados representan las elasticidades parciales de las importaciones de insumos con
respecto a cada variable explicativa, un ejemplo de ello es que ante una variación del
1% del producto Bruto Interno, las importaciones de insumos aumentarían en 1.87%,
sin embargo, para el Tipo de Cambio Real Bilateral, ante una variación del 1% del
TCRB, las importaciones de insumos disminuirían en 1.47%.
Para establecer las relaciones de equilibrio de largo plazo entre las variables
involucradas en el modelo, se utilizaron la teoría de cointegración y el modelo de
corrección de errores. Empleando tres metodologías: metodología de Engle-Granger,
cointegración multivariada de Johansen y el método por bandas de Pesaran, Shin y
Smith, todos estos coinciden en que existe relaciones de equilibrio de largo plazo entre
las series económicas no estacionarias.
Página | 30
Los resultados obtenidos se sometieron a un conjunto de pruebas estadísticas:
Normalidad de los errores (Jarque -Bera), test de Autocorrelación de Breush-Godfrey,
Heteroscedasticidad condicional autoregresiva (ARCH), test de quiebre estructural de
Chow y Quant-Andrews, entre otras. Las pruebas anteriores validan que el modelo
estimado es consistente con la teoría y la evidencia empírica.
VII. RECOMENDACIONES
Fortalecer las instituciones pertinentes de apoyo al comercio internacional tanto
público como privado.
Mejorar las adquisiciones de los distintos tipos de importaciones que se realizan
para su utilización en la creación de nuevos productos y no tanto en el consumo.
Realizar más investigaciones con respecto a este tema para su mejor
entendimiento y aplicación.
VIII. BIBLIOGRAFÍA
Aravena, C. (2005). Demanda de exportaciones e importaciones de bienes y servicios

para Argentina y Chile. Santiago de Chile.
Banco Central de Reserva del Perú. (2011). Glosario de Términos económicos. Lima.
Coila Curo, M. (2013). “Factores Determinantes De Las Importaciones En El Perú:
Período 1996.1-2012.6”“Factores Determinantes De Las Importaciones En El
Perú: PERÍODO 1996.1-2012.6”. Puno: Facultad de Ingeniería Económica –
FIE.
Ruiz Martinez, M., Largo Largo, F., & Rosales Alaña, R. (2006). “Factores que
determinan el comportamiento a largo plazo de las importaciones en el
ecuador: 1998 – 20005”. Santiago de Guayaquil: Universidad Catolica Lovania.
Página | 31
ANEXOS
ANEXO N°1
Resumen de las pruebas del Modelo (ADRL).
1. Jarque-Bera= 2,51; Prob. = 0.28 y coeficiente de Curtosis= 2.52, es un contraste
de normalidad de los residuos del modelo que se distribuye como una χ 2 con 2
grados de libertad. Los errores tienen distribución aproximadamente normal.
2. Estadístico Breush-Godfrey o Multiplicador de Lagrange: estadístico F= 1.48,
Prob. F (2,167) = 0.23 y, el estadístico T* R2= 3.21, Prob. Chi-Cuadrado (2) =
0.20. No existe problema de correlación serial.
3. Test heteroscedasticidad condicional autorregresiva, ARCH: Estadístico F =
0.10 Prob. F (1,181) = 0.75 y, el estadístico T* R2=0.10; Prob. Chi-Cuadrado (1)
= 0.75. Los residuales no son heteroscedasticos.
4. Contraste de heteroscedasticidad de White: Estadístico F = 1.67; Prob.: F
(94,89) = 0.007 y, el estadístico T* R2 = 117.52; Prob. Chi-Cuadrado (94) = 0.05.
Los residuales no son heteroscedasticos.
Página | 32
5. Casualidad de Granger: De acuerdo a los resultados, LY causa en el sentido de
Granger a LM ya que se rechaza la H 0, pero sucede lo mismo con LM causa
LY, es decir aquí hay una bicausalidad entre LM y LY. En el segundo caso hay
una causalidad unidireccional ya que solo LTC causa a LM y por último en el
tercer caso no hay causalidad entre LTC y LY.
ANEXO N°2 Estimación de la Ecuación de Largo Plazo de la Demanda de
Importaciones
Tabla 19. Estimación de la Ecuación de Largo Plazo de la Demanda de Importaciones
(Resultados E-Views 9)
Dependent Variable: LM
Method: Least Squares
Date: 12/13/18 Time: 14:28
Sample: 2003M01 2018M08
Variable Coefficient Std. Error t-Statistic Prob.
C 3.896937 0.740710 5.261084 0.0000

LY 1.871754 0.047599 39.32334 0.0000
LTC -1.474352 0.119890 -12.29755 0.0000
R-squared 0.969471 Mean dependent var 6.030843

Adjusted R-squared 0.969141 S.D. dependent var 0.600880
S.E. of regression 0.105554 Akaike info criterion -1.643351
Sum squared resid 2.061221 Schwarz criterion -1.591706
Log likelihood 157.4750 Hannan-Quinn criter. -1.622427
F-statistic 2937.438 Durbin-Watson stat 1.304060
Prob(F-statistic) 0.000000
ANEXO N°3: Residuales de la ecuación de largo plazo

Tabla 20. Residuales de la ecuación de largo plazo
Dependent Variable: D(RESID01)
Date: 12/13/18 Time: 16:31
RESID01(-1) -0.653342 0.068684 -9.512309 0.0000
R-squared 0.327263 Mean dependent var -0.000283

Durbin-Watson stat 1.989356
Página | 33
ANEXO N° 4: Contrastes de ADF de los residuales
Tabla 21. Contrastes de ADF de los residuales
Null Hypothesis: RESID01 has a unit root
Exogenous: None
Lag Length: 12 (Automatic - based on SIC, maxlag=14)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.777775 0.0056

Test critical values: 1% level -2.578243
5% level -1.942655
10% level -1.615495
*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation
Dependent Variable: D(RESID01)
Date: 12/13/18 Time: 15:57
RESID01(-1) -0.403501 0.145260 -2.777775 0.0061

D(RESID01(-1)) -0.109409 0.150853 -0.725269 0.4693
D(RESID01(-2)) -0.062282 0.142215 -0.437942 0.6620
D(RESID01(-3)) -0.094292 0.132766 -0.710213 0.4786
D(RESID01(-4)) -0.120042 0.125003 -0.960321 0.3383
D(RESID01(-5)) -0.040622 0.117462 -0.345834 0.7299
D(RESID01(-6)) -0.094018 0.108894 -0.863397 0.3892
D(RESID01(-7)) -0.157770 0.101581 -1.553139 0.1223
D(RESID01(-8)) -0.154361 0.095842 -1.610579 0.1092
D(RESID01(-9)) -0.174036 0.087411 -1.991018 0.0482
D(RESID01(-10)) -0.270071 0.080068 -3.373014 0.0009
D(RESID01(-11)) -0.261070 0.075839 -3.442403 0.0007
D(RESID01(-12)) 0.474866 0.069146 6.867606 0.0000

Durbin-Watson stat 2.065970
ANEXO N°6: Modelo de Corrección de Errores

Tabla 22. Modelo de corrección de errores
Dependent Variable: D(LM)
Date: 12/13/18 Time: 17:09
C 0.015451 0.005959 2.593064 0.0103

RESID01(-1) -0.447416 0.079888 -5.600519 0.0000
D(LM(-1)) 0.128878 0.084838 1.519118 0.1305
D(LM(-2)) 0.149042 0.077509 1.922908 0.0561
Página | 34
D(LY(-1)) -0.904640 0.156345 -5.786163 0.0000
D(LY(-2)) -0.938970 0.129981 -7.223884 0.0000
D(LTC(-1)) 0.104818 0.521803 0.200876 0.8410
D(LTC(-2)) 0.555396 0.529380 1.049144 0.2955

ANEXO N°7: Test de Cointegración de Johansen

Tabla 23. Test de Cointegración de Johansen
Date: 12/13/18 Time: 15:28
Trend assumption: Linear deterministic trend
Series: LM LY LTC
Lags interval (in first differences): 1 to 4
Unrestricted Cointegration Rank Test (Trace)
Hypothesized Trace 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.269764 61.65893 29.79707 0.0000

At most 1 0.015966 4.125943 15.49471 0.8931
At most 2 0.006431 1.180671 3.841466 0.2772
Trace test indicates 1 cointegrating eqn(s) at the 0.05 level

* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized Max-Eigen 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.269764 57.53299 21.13162 0.0000

At most 1 0.015966 2.945272 14.26460 0.9503
At most 2 0.006431 1.180671 3.841466 0.2772
Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level

* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I):
LM LY LTC
18.94899 -35.90835 27.28527
0.309184 -1.043254 -10.61552
-1.318811 9.293293 10.27006
Unrestricted Adjustment Coefficients (alpha):
Página | 35
D(LM) -0.038239 -0.000279 -0.002604
D(LY) 0.004505 -0.000278 -0.003013
D(LTC) -0.000631 0.001357 6.26E-05
1 Cointegrating Equation(s): Log likelihood 1140.391
Normalized cointegrating coefficients (standard error in parentheses)

LM LY LTC
1.000000 -1.895001 1.439933
(0.04537) (0.10962)
Adjustment coefficients (standard error in parentheses)

D(LM) -0.724587
(0.10325)
D(LY) 0.085371
(0.05592)
D(LTC) -0.011953
(0.01576)
2 Cointegrating Equation(s): Log likelihood 1141.863
Normalized cointegrating coefficients (standard error in parentheses)

LM LY LTC
1.000000 0.000000 47.26931
(25.5678)
0.000000 1.000000 24.18436
(13.4921)
Adjustment coefficients (standard error in parentheses)

D(LM) -0.724673 1.373384
(0.10326) (0.19574)
D(LY) 0.085285 -0.161487
(0.05592) (0.10601)
D(LTC) -0.011534 0.021236
(0.01564) (0.02965)
ANEXO N° 8: Metodología de Cointegración por Bandas de Pesaran, Shin y Smith

(PSS)
Tabla 24. Metodología de Cointegración por Bandas de Pesaran, Shin y Smith (PSS)
Method: ARDL
Date: 12/13/18 Time: 17:39
Maximum dependent lags: 4 (Automatic selection)
Model selection method: Akaike info criterion (AIC)
Dynamic regressors (4 lags, automatic): LY LTC
Fixed regressors: C @TREND
Number of models evalulated: 100
Selected Model: ARDL(4, 4, 3)
Variable Coefficient Std. Error t-Statistic Prob.*
LM(-1) 0.444732 0.080018 5.557921 0.0000

LM(-2) 0.094244 0.082051 1.148603 0.2523
LM(-3) 0.087507 0.083558 1.047260 0.2965
LM(-4) -0.312300 0.072858 -4.286447 0.0000
Página | 36
LY 0.662078 0.147503 4.488572 0.0000
LY(-1) -0.444852 0.152162 -2.923550 0.0039
LY(-2) -0.156578 0.146680 -1.067479 0.2873
LY(-3) 0.832991 0.147597 5.643688 0.0000
LY(-4) 0.432174 0.151912 2.844889 0.0050
LTC 0.631513 0.496012 1.273181 0.2047
LTC(-1) -1.365188 0.810264 -1.684868 0.0939
LTC(-2) 0.633493 0.806381 0.785601 0.4332
LTC(-3) -0.876600 0.504585 -1.737268 0.0842
C 2.339951 1.488596 1.571918 0.1178
@TREND -0.000136 0.000934 -0.146050 0.8841

*Note: p-values and any subsequent tests do not account for model
selection.
ANEXO N° 9: Test de Variables Omitidas
Tabla 25. Test de Variables Omitidas
Omitted Variables Test
Null hypothesis: LTI are jointly significant
Equation: UNTITLED
Specification: LM LM(-1) LM(-2) LM(-3) LM(-4) LY LY(-1) LY(-2) LY(-3)
LY(
-4) LTC LTC(-1) LTC(-2) LTC(-3) C @TREND
Omitted Variables: LTI
Value df Probability
t-statistic 1.156908 168 0.2490
F-statistic 1.338437 (1, 168) 0.2490
Likelihood ratio 1.460099 1 0.2269
F-test summary:
Sum of Sq. df Mean Squares
Test SSR 0.006942 1 0.006942
Restricted SSR 0.878310 169 0.005197
Unrestricted SSR 0.871368 168 0.005187
LR test summary:
Value
Restricted LogL 230.6269
Unrestricted LogL 231.3569
Unrestricted Test Equation:

Date: 12/13/18 Time: 22:40
Sample: 2003M05 2018M08
LM(-1) 0.448130 0.079992 5.602217 0.0000

LM(-2) 0.098357 0.082046 1.198804 0.2323
Página | 37
LM(-3) 0.086971 0.083476 1.041873 0.2990
LM(-4) -0.308063 0.072877 -4.227174 0.0000
LY 0.634981 0.149205 4.255748 0.0000
LY(-1) -0.455445 0.152285 -2.990742 0.0032
LY(-2) -0.172468 0.147176 -1.171855 0.2429
LY(-3) 0.826302 0.147563 5.599667 0.0000
LY(-4) 0.418584 0.152214 2.749962 0.0066
LTC 0.735932 0.503669 1.461142 0.1458
LTC(-1) -1.396751 0.809914 -1.724568 0.0864
LTC(-2) 0.677761 0.806483 0.840392 0.4019
LTC(-3) -0.938551 0.506917 -1.851489 0.0659
C 2.085243 1.503316 1.387095 0.1673
@TREND 4.15E-05 0.000945 0.043873 0.9651
LTI 0.059541 0.051465 1.156908 0.2490

ANEXO N°10: Test de Breush-Godfrey

Tabla 26. Test de Breush-Godfrey
Breusch-Godfrey Serial Correlation LM Test:

Test Equation:
Dependent Variable: RESID
Method: ARDL
Date: 12/13/18 Time: 18:55
Sample: 2003M05 2018M08
Presample missing value lagged residuals set to zero.
LM(-1) 0.062853 0.224038 0.280546 0.7794

LM(-2) 0.139593 0.205452 0.679443 0.4978
LM(-3) -0.103129 0.106672 -0.966789 0.3350
LM(-4) 0.002964 0.073763 0.040177 0.9680
LY -0.014338 0.147367 -0.097294 0.9226
LY(-1) -0.008731 0.198056 -0.044082 0.9649
LY(-2) -0.076869 0.183137 -0.419737 0.6752
LY(-3) 0.083935 0.155083 0.541226 0.5891
LY(-4) -0.065776 0.220533 -0.298258 0.7659
LTC -0.086819 0.498825 -0.174047 0.8620
LTC(-1) 0.094806 0.810144 0.117024 0.9070
LTC(-2) 0.051121 0.811620 0.062987 0.9499
LTC(-3) 0.135123 0.509370 0.265274 0.7911
C -1.081968 1.613762 -0.670463 0.5035
@TREND -0.000435 0.000976 -0.446043 0.6561
RESID(-1) -0.089392 0.232244 -0.384906 0.7008
RESID(-2) -0.239180 0.162722 -1.469867 0.1435
Página | 38
R-squared 0.017455 Mean dependent var 7.41E-16
Adjusted R-squared -0.076681 S.D. dependent var 0.069278
ANEXO N°11: Modelo autorregresivo de heteroscedasticidad

Tabla 27. Modelo autorregresivo de heteroscedasticidad
Heteroskedasticity Test: ARCH

Test Equation:
Dependent Variable: RESID^2
Date: 12/13/18 Time: 23:09
C 0.004900 0.000574 8.536581 0.0000

RESID^2(-1) -0.023482 0.074330 -0.315912 0.7524

Adjusted R-squared -0.004971 S.D. dependent var 0.006075
ANEXO N°11: El Test de White

Tabla 28. El Test de White
Heteroskedasticity . Test: White

Scaled explained SS 79.49939 Prob. Chi-Square(94) 0.8573
Test Equation:
Dependent Variable: RESID^2
Date: 12/13/18 Time: 23:13
Sample: 2003M05 2018M08
Collinear test regressors dropped from specification
Página | 39
C 30.31514 24.04943 1.260535 0.2108
LM(-1)^2 -0.069433 0.108331 -0.640932 0.5232
LM(-1)*LM(-2) -0.083484 0.156062 -0.534939 0.5940
LM(-1)*LM(-3) 0.273914 0.151556 1.807349 0.0741
LM(-1)*LM(-4) -0.139199 0.115838 -1.201666 0.2327
LM(-1)*LY -0.496438 0.285499 -1.738841 0.0855
LM(-1)*LY(-1) 0.757678 0.294947 2.568865 0.0119
LM(-1)*LY(-2) -0.187562 0.277440 -0.676046 0.5008
LM(-1)*LY(-3) -0.578882 0.332569 -1.740639 0.0852
LM(-1)*LY(-4) 0.431761 0.302179 1.428825 0.1566
LM(-1)*LTC 0.040996 0.701415 0.058448 0.9535
LM(-1)*LTC(-1) 0.169571 1.074580 0.157803 0.8750
LM(-1)*LTC(-2) -0.311033 1.110285 -0.280138 0.7800
LM(-1)*LTC(-3) -0.001728 0.655106 -0.002638 0.9979
LM(-1)*@TREND 0.001053 0.001397 0.753443 0.4532
LM(-1) 1.244237 2.141123 0.581114 0.5626
LM(-2)^2 -0.048381 0.117314 -0.412403 0.6810
LM(-2)*LM(-3) 0.011764 0.176331 0.066715 0.9470
LM(-2)*LM(-4) 0.123848 0.127056 0.974750 0.3323
LM(-2)*LY 0.549262 0.289818 1.895198 0.0613
LM(-2)*LY(-1) -0.488884 0.320272 -1.526464 0.1304
LM(-2)*LY(-2) 0.029504 0.306831 0.096157 0.9236
LM(-2)*LY(-3) -0.004645 0.355887 -0.013053 0.9896
LM(-2)*LY(-4) 0.073659 0.327474 0.224931 0.8225
LM(-2)*LTC 0.410560 0.926037 0.443351 0.6586
LM(-2)*LTC(-1) -0.840629 1.376042 -0.610904 0.5428
LM(-2)*LTC(-2) -0.048653 0.941590 -0.051671 0.9589
LM(-2)*LTC(-3) 0.215432 0.603354 0.357057 0.7219
LM(-2)*@TREND -0.000218 0.001414 -0.154375 0.8777
LM(-2) 0.766681 2.139319 0.358376 0.7209
LM(-3)^2 -0.029967 0.112068 -0.267397 0.7898
LM(-3)*LM(-4) -0.031208 0.151061 -0.206593 0.8368
LM(-3)*LY -0.352822 0.265907 -1.326862 0.1879
LM(-3)*LY(-1) 0.010862 0.296553 0.036627 0.9709
LM(-3)*LY(-2) -0.092700 0.336754 -0.275277 0.7837
LM(-3)*LY(-3) -0.098961 0.313210 -0.315957 0.7528
LM(-3)*LY(-4) -0.136320 0.298410 -0.456819 0.6489
LM(-3)*LTC -0.470300 0.684172 -0.687401 0.4936
LM(-3)*LTC(-1) 0.600031 0.782170 0.767136 0.4450
LM(-3)*LTC(-3) 0.044079 0.428705 0.102819 0.9183
LM(-3)*@TREND 0.001136 0.001493 0.761246 0.4485
LM(-3) 1.104976 2.287979 0.482949 0.6303
LM(-4)^2 0.072152 0.087676 0.822948 0.4127
LM(-4)*LY -0.057982 0.224582 -0.258175 0.7969
LM(-4)*LY(-1) 0.002621 0.245618 0.010671 0.9915
LM(-4)*LY(-2) 0.159350 0.260123 0.612596 0.5417
LM(-4)*LY(-3) 0.060514 0.267171 0.226498 0.8213
LM(-4)*LY(-4) -0.310913 0.248921 -1.249041 0.2149
LM(-4)*LTC -0.112273 0.406523 -0.276178 0.7831
LM(-4)*LTC(-2) 0.115737 0.444613 0.260310 0.7952
LM(-4)*@TREND -0.000350 0.001543 -0.226766 0.8211
LM(-4) 0.137214 2.366625 0.057979 0.9539
LY^2 0.896208 0.368052 2.435003 0.0169
LY*LY(-1) -1.882050 0.483006 -3.896533 0.0002
LY*LY(-2) 1.205637 0.732864 1.645104 0.1035
LY*LY(-3) 0.144818 0.620120 0.233532 0.8159
LY*LY(-4) 0.642067 0.580982 1.105140 0.2721
LY*LTC 0.151426 1.106992 0.136791 0.8915
LY*LTC(-1) -0.379800 2.111125 -0.179904 0.8576
LY*LTC(-2) 2.004995 2.252843 0.889984 0.3759
Página | 40
LY*LTC(-3) -2.015779 1.189001 -1.695355 0.0935
LY*@TREND -0.004848 0.003071 -1.578425 0.1180
LY -5.307531 4.352081 -1.219539 0.2259
LY(-1)^2 0.417941 0.428199 0.976044 0.3317
LY(-1)*LY(-2) -0.661193 0.763391 -0.866127 0.3887
LY(-1)*LY(-3) 1.796409 0.824982 2.177512 0.0321
LY(-1)*LY(-4) -0.985646 0.724323 -1.360782 0.1770
LY(-1)*LTC 0.205796 0.673926 0.305369 0.7608
LY(-1)*LTC(-3) 0.321828 0.810433 0.397106 0.6922
LY(-1)*@TREND 0.000714 0.001145 0.623478 0.5346
LY(-2)^2 -0.270706 0.492197 -0.549995 0.5837
LY(-2)*LY(-3) -0.147750 0.816597 -0.180933 0.8568
LY(-2)*LY(-4) 0.363096 0.572390 0.634350 0.5275
LY(-2)*LTC -0.470308 0.681011 -0.690603 0.4916
LY(-2)*LTC(-3) 0.358666 0.800706 0.447937 0.6553
LY(-2)*@TREND 1.29E-05 0.001042 0.012389 0.9901
LY(-3)^2 -0.256491 0.361682 -0.709161 0.4801
LY(-3)*LTC -0.477907 0.567961 -0.841443 0.4024
LY(-3)*LTC(-3) -0.042721 0.640826 -0.066666 0.9470
LY(-3)*@TREND 0.000229 0.001003 0.227883 0.8203
LY(-4)^2 0.661373 0.363395 1.819982 0.0721
LY(-4)*LTC 1.041554 0.437055 2.383120 0.0193
LY(-4)*@TREND -0.005054 0.002872 -1.760046 0.0818
LY(-4) -11.07774 4.298971 -2.576836 0.0116
LTC^2 0.047260 0.750469 0.062974 0.9499
LTC*LTC(-1) 0.462713 1.238098 0.373729 0.7095
LTC*LTC(-2) -1.601406 1.336151 -1.198522 0.2339
LTC*LTC(-3) 0.976474 0.804689 1.213480 0.2282
LTC*@TREND 0.000322 0.003998 0.080430 0.9361
LTC -1.086072 5.118732 -0.212176 0.8325
LTC(-1)*@TREND 0.001590 0.005293 0.300501 0.7645
LTC(-2)*@TREND -0.007884 0.005628 -1.400894 0.1647
LTC(-3)*@TREND 0.005452 0.003356 1.624705 0.1078
@TREND^2 1.07E-05 9.56E-06 1.123992 0.2640
@TREND 0.033370 0.028556 1.168576 0.2457

ANEXO N°12: Test de exogeneidad

Vector Error Correction Estimates
Date: 12/13/18 Time: 23:45
Cointegration Restrictions:
A(3,1)=0
Convergence achieved after 2 iterations.
Not all cointegrating vectors are identified
LR test for binding restrictions (rank = 1):
Chi-square(1) 0.061852
Probability 0.803593
Página | 41
Cointegrating Eq: CointEq1
LM(-1) 13.72840
LY(-1) -25.97144
LTC(-1) 19.73982
C -49.86927
Error Correction: D(LM) D(LY) D(LTC)
CointEq1 -0.032476 0.009626 0.000000

(0.00585) (0.00316) (0.00000)
[-5.55489] [ 3.05023] [NA]
D(LM(-1)) 0.129212 0.128207 0.001075

(0.08524) (0.04629) (0.01210)
[ 1.51591] [ 2.76970] [ 0.08884]
D(LM(-2)) 0.149406 0.128344 -0.014340

(0.07775) (0.04222) (0.01103)
[ 1.92172] [ 3.03983] [-1.29968]
D(LY(-1)) -0.908279 -0.358506 0.026061

(0.15729) (0.08542) (0.02232)
[-5.77464] [-4.19716] [ 1.16752]
D(LY(-2)) -0.941364 -0.238303 0.045171

(0.13040) (0.07081) (0.01851)
[-7.21915] [-3.36520] [ 2.44091]
D(LTC(-1)) 0.087081 0.055425 0.335494

(0.52205) (0.28351) (0.07409)
[ 0.16680] [ 0.19550] [ 4.52832]
D(LTC(-2)) 0.531195 -0.237252 -0.209238

(0.52928) (0.28743) (0.07511)
[ 1.00362] [-0.82543] [-2.78562]
C 0.015742 0.004478 -0.001005

(0.00597) (0.00324) (0.00085)
[ 2.63864] [ 1.38223] [-1.18670]
R-squared 0.312865 0.345367 0.144204

Adj. R-squared 0.285690 0.319477 0.110359
Sum sq. resids 1.119366 0.330115 0.022544
S.E. equation 0.079524 0.043186 0.011286
F-statistic 11.51304 13.34006 4.260701
Log likelihood 209.9488 322.8983 571.1641
Akaike AIC -2.183230 -3.404306 -6.088261
Schwarz SC -2.043971 -3.265047 -5.949002
Mean dependent 0.009416 0.004363 -0.000929
S.D. dependent 0.094093 0.052351 0.011965
Determinant resid covariance (dof adj.) 1.31E-09

Determinant resid covariance 1.15E-09
Log likelihood 1116.350
Akaike information criterion -11.77676
Schwarz criterion -11.30676
Number of coefficients 27
Página | 42
ANEXO N°13: VAR
Tabla 29. VAR
Vector Autoregression Estimates

Date: 12/11/18 Time: 22:42
LM LY LTC
LM(-1) 0.772268 0.266055 -0.001398

(0.07880) (0.03884) (0.01011)
[ 9.80020] [ 6.84983] [-0.13819]
LM(-2) -0.031835 -0.064332 -0.011682

(0.08711) (0.04294) (0.01118)
[-0.36544] [-1.49826] [-1.04489]
LY(-1) -0.006966 0.410150 0.016518

(0.16219) (0.07994) (0.02081)
[-0.04295] [ 5.13046] [ 0.79358]
LY(-2) 0.427714 0.162416 0.009594

(0.14415) (0.07105) (0.01850)
[ 2.96723] [ 2.28595] [ 0.51860]
LTC(-1) -0.160378 0.275204 1.256320

(0.56250) (0.27726) (0.07219)
[-0.28512] [ 0.99260] [ 17.4034]
LTC(-2) -0.331295 -0.059014 -0.287275

(0.58161) (0.28667) (0.07464)
[-0.56962] [-0.20586] [-3.84879]
C 1.835809 -0.169220 0.096207

(0.70474) (0.34736) (0.09044)
[ 2.60496] [-0.48716] [ 1.06374]
R-squared 0.977723 0.969039 0.986835

Adj. R-squared 0.976977 0.968001 0.986393
Sum sq. resids 1.448404 0.351890 0.023855
S.E. equation 0.089954 0.044338 0.011544
F-statistic 1309.381 933.7392 2236.205
Log likelihood 187.6189 319.2045 569.4977
Akaike AIC -1.942138 -3.357037 -6.048362
Schwarz SC -1.820739 -3.235638 -5.926963
Mean dependent 6.042788 4.774845 4.606024
S.D. dependent 0.592834 0.247861 0.098966

Página | 43
ANEXO N°14: VAR
Vector Autoregression Estimates
Date: 12/11/18 Time: 22:59
D(LM) D(LY) D(LTC)
D(LM(-1)) -0.170497 0.216319 0.002891

(0.07128) (0.03662) (0.00934)
[-2.39203] [ 5.90680] [ 0.30962]
D(LM(-2)) -0.038339 0.183540 -0.013202

(0.07564) (0.03887) (0.00991)
[-0.50683] [ 4.72236] [-1.33239]
D(LY(-1)) -0.412993 -0.504118 0.023060

(0.13997) (0.07192) (0.01834)
[-2.95049] [-7.00952] [ 1.25766]
D(LY(-2)) -0.700051 -0.309248 0.043708

(0.13284) (0.06825) (0.01740)
[-5.26980] [-4.53081] [ 2.51182]
D(LTC(-1)) -0.397309 0.197833 0.338430

(0.55616) (0.28576) (0.07285)
[-0.71437] [ 0.69231] [ 4.64543]
D(LTC(-2)) -0.133335 -0.041884 -0.205211

(0.55709) (0.28623) (0.07297)
[-0.23934] [-0.14633] [-2.81213]
C 0.015912 0.004428 -0.001006

(0.00645) (0.00331) (0.00084)
[ 2.46831] [ 1.33702] [-1.19109]
R-squared 0.193201 0.311955 0.143932

Adj. R-squared 0.166005 0.288762 0.115076
Sum sq. resids 1.314302 0.346964 0.022552
S.E. equation 0.085929 0.044150 0.011256
F-statistic 7.104155 13.45064 4.987898
Log likelihood 195.0985 318.2936 571.1347
Akaike AIC -2.033497 -3.365337 -6.098754
Schwarz SC -1.911646 -3.243485 -5.976903
Mean dependent 0.009416 0.004363 -0.000929
S.D. dependent 0.094093 0.052351 0.011965

Página | 44

Econometría III Modelo de Importaciones de Bienes de Insumos 2003.01 2018.08 HPO

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Econometría III Modelo de Importaciones de Bienes de Insumos 2003.01 2018.08 HPO

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DEL ALTIPLANO

FACULTAD DE INGENIERÍA ECONÓMICA

“ESTIMACIÓN DE UN MODELO DE DEMANDA DE IMPORTACIONES DE

IV. ASPECTOS METODOLÓGICOS

Fuente: Elaboración propia en base a datos del BCRP.

5.2. Especificación del modelo econométrico de Importaciones de Insumos

5.3. Estimación e Interpretación del modelo estimado de la Ecuación de Largo

El Coeficiente de Determinación Normal R2: R2=0.97

Hipótesis alterna ( H ¿¿ 1)¿:

Hipótesis nula ( H ¿¿ 0)¿:

Hipótesis alterna ( H ¿¿ 1)¿:

5.4. Contrastes de Raíz Unitaria y Estacionariedad

A continuación, se muestra un resumen de los mencionados test:

Resultados de las pruebas de raíz unitaria y estacionariedad (En niveles)

Nota: Todas las variables están expresadas en logaritmo.

Para determinar la existencia de cointegración entre las series económicas LM,

 Etapa 1: Realizar las pruebas de raíz unitarias.

Como se observa en el cuadro Nª 1, todas las series son en primeras diferencias no

Prueba de raíz unitaria de los residuales, ADF (Anexo N°4)

 Etapa 3: Si las variables cointegran, entonces formular un MCE (Anexo N°6)

Donde, Zt representa a 𝐿𝑀 ,𝑌𝑡 𝑜 𝐿𝑇𝐶𝑅𝐵𝑡 de manera de manera que habrían tres

El MCE quedaría de la siguiente manera:

 Etapa 4: Evaluar adecuadamente el modelo.

Lag LogL LR FPE AIC SC HQ

Precisamente el principal objetivo de este de este método es investigar si los

Si el F es menor que el valor crítico de la banda en I (0), entonces no existe

 Una de las variables debe ser débilmente exógena, puesto q no se considera un

El modelo ARDL (4.3,3) estimado por MCO es:

Modelo condicional de corrección de errores:

∆ LM t =2.34+0.13 ∆ LM t −1+ 0.22∆ LM t −2 +0.31 ∆ LM t−3 +0.66 ∆ LY t −1.11 ∆ LY t−1−1.27 ∆ LY t −2 −0.43 ∆

Tabla 7. Test F de la Metodología PSS

Test Estadístico Valor Significancia. I (0) I (1)

F-estadístico 22.52615 10% 4.19 5.06

Modelo de Corrección de Errores

Donde a 0 representa a la constante,TI =Trend y CoEq t−1=Ecuacion cointegrante.

Test t de bandas: considerando intercepto irrestricto y tendencia irrestricta.

Test Estadístico Valor Significancia. I (0) I (1)

t-estadístico -8.269110 10% -3.13 -3.63

Diagnóstico de Coeficientes del Modelo: Test de Variables Omitidas

1. Modelos no Restringido: LM =β 0 + β 1 L Y t + β 2 L TC t + β3 LTI + ε t

( SRC R −SRC NR )/r

Hipótesis nula ( H ¿¿ 0)¿: La variable LTI es conjuntamente significativa.

Tabla 9. Diagnóstico de Coeficientes del Modelo Test de Variables Omitidas

Autocorrelation Partial Correlation AC PAC Q-Stat Prob*

1 -0.023 -0.023 0.1027 0.749

El contraste de Jarque – Bera

Figura 3. Diagnóstico de Residuales: Correlograma de los residuales de la regresión

1. Estimar el modelo: LM =β 0 + β 1 L Y t + β 2 L TC t + ε t y obtener ε^t

3. Construir el estadístico T∗R2 X 2p grados de libertad; p el número de retardos

F-statistic 1.483382 Prob. F(2,167) 0.2298

Para el caso de la Demanda de Importaciones de insumos, la tabla 10 muestra:

3. Construir el estadístico T∗R2 X 2p grados de libertad; p el número de retardos

En nuestro caso, T∗R2=117.52 y su nivel de significancia es de 0.0507, por lo que no

Conclusión: Concluimos diciendo que, no se puede rechazar hipótesis nula H 0 y que la

Hipótesis nula ( H ¿¿ 0): ¿ El modelo es estable.

CUSUM of Squares 5% Significance

Hipótesis nula ( H ¿¿ 0): ¿ Homogeneidad del modelo.

Recursive C(1) Estimates Recursive C(2) Estimates

Recursive C(3) Estimates Recursive C(4) Estimates

Como se observa en el grafico anterior cuando las bandas se cierran rápidamente se

Hipótesis nula ( H ¿¿ 0): ¿ La variable LTC es débilmente exógena

Null Hypothesis: Obs F-Statistic Prob.

LY does not Granger Cause LM 184 9.97432 3.E-07