Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Paper 28
Paper 28
DEPARTAMENTO DE ECONOMÍA
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ
DEPARTAMENTO DE ECONOMÍA
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ
DOCUMENTO DE TRABAJO N ° 340
DEPARTAMENTO
EXPLICANDO LOS DETERMINANTES DEL DE ECONOMÍA
FRECUENCIA DE LAS INTERVENCIONES DE TIPO CATÓLICA
PONTIFICIA UNIVERSIDAD DE CAMBIO DE? L PERÚ
Texto original
EN PERÚ USANDO COUNT MODELOS
Edgar Ventura y Gabriel Rodríguez DEPARTAMENTO DE ECONOMÍA DEPARTAMENTO DE ECONOMÍA
DEPARTAMENTO DE ECONOMÍA
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ
DEPARTAMENTO DE ECONOMÍA
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ
DEPARTAMENTO DE ECONOMÍA
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ
DEPARTAMENTO DE ECONOMÍA
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ
DEPARTAMENTO DE ECONOMÍA
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ
DEPARTAMENTO DE ECONOMÍA
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ
DEPARTAMENTO DE ECONOMÍA
DEPARTAMENTO
DE ECONOMÍA
Página 2
Octubre de 2012
DEPARTAMENTO
DE ECONOMÍA
Página 3
Página 4
Resumen
Resumen
Página 5
1. Introducción
La última crisis financiera mostró que la inflación no es la única preocupación de
Bancos Centrales. Cuando las tasas de interés oficiales alcanzan su límite inferior, Central
Los bancos recurren a otros instrumentos no convencionales como los requisitos de reserva
o intervenciones en el mercado cambiario.
La intervención en el mercado cambiario es una característica del
régimen cambiario de flotación intermedia o administrada. Entre la
Las razones de esto son los altos costos que las frecuentes desviaciones en el intercambio
Tasa impuesta al comercio y la economía real, especialmente en las economías emergentes.
como el nuestro. En los últimos 6 años, ha habido un aumento en la frecuencia de
intervenciones cambiarias. Por ejemplo, ha habido grandes volúmenes
de intervención con niveles que alcanzan compras netas diarias de US $ 493,5 millones
(el 10 de julio de 2009) y ventas netas diarias de US $ 443,8 millones (a octubre
el 2 de 2008).
El objetivo de este documento es analizar los principales determinantes de la
frecuencia de intervenciones en el mercado cambiario por parte del peruano
Banco Central (BCRP) utilizando modelos de datos de conteo. Según el estado de BCRPos '
Las intervenciones cambiarias tienen el objetivo de reducir
volatilidad de la tasa. Uno de los propósitos de este documento es demostrar que
existen otras variables que determinan la frecuencia de intervención en el
mercado de divisas.
El tema económico a discutir tiene relevancia empírica, ya que este
Este tipo de análisis no se ha realizado anteriormente en Perú. El contri '
1 Este artículo está extraído de la Tesis de Edgar Ventura en el Departamento de Economía
de la Pontificia Universidad Católica del Perú. Agradecemos los comentarios de Paul Castillo sobre
una versión anterior de este artículo y también agradecemos a Sebastián Guevara por la traducción.
Los autores agradecen el apoyo financiero del Departamento de Economía de la Pontificia
Universidad Católica del Perú.
2 Dirección de correspondencia: Gabriel Rodríguez, Departamento de Economía, Pon '
tificia Universidad Católica del Perú, Av. Universitaria 1801, Lima 32, Lima,
Perú, Teléfono: + 511'626'2000 (4998), Fax: + 511'626'2874. Dirección de correo electrónico:
gabriel.rodriguez@pucp.edu.pe.
Página 6
La base de este trabajo reside en encontrar las principales variables que explican la
frecuencia de las intervenciones cambiarias de una manera que sea consistente
con los hechos estilizados de la economía peruana y porque la crisis financiera
sis ha mostrado la importancia de las medidas no convencionales como instrumentos
de la política monetaria.
El documento analiza el número de divisas semanales entre '
para el período que abarca desde enero de 2001 hasta diciembre de 2010. Entre
El conjunto de variables explicativas son: volatilidad del tipo de cambio, una medida de
la desviación del tipo de cambio de su tendencia a largo plazo, tasa de interés
diferenciales (como medida de riesgo) y otros indicadores de divisas
condiciones de mercado. La mayor parte de estos datos se obtienen del BCRP.
La variable dependiente es el número de días que el Banco Central en '
interviene cada semana. Dadas las propiedades de la variable, la más adecuada
La metodología es el uso de modelos de datos de conteo. Estos modelos asignan un distrib '
función de ución a la variable dependiente determinada por la variable independiente
variables, que influyen en el número de intervenciones esperadas.
El presente documento está organizado de la siguiente manera. La sección 2 presenta un '
Revisión de la eratura que define el concepto de intervención y su potencial.
determinantes, así como alguna evidencia empírica encontrada en otros países.
La sección 3 presenta la metodología relacionada con el 'modelo de datos de conteo'
Els como Poisson, Binomial negativo y Cero inflado. Análisis de la sección 4
los resultados de las estimaciones y explica el comportamiento y los determinantes
de las intervenciones cambiarias. La sección 5 presenta las conclusiones.
2. Revisión de la literatura
La intervención en el mercado de divisas es una característica de un intermediario o
régimen de tipo de cambio flotante administrado, según lo declarado por Tapia y Tokman
(2003). Esta póliza consiste en compras o ventas directas de moneda extranjera por
la autoridad monetaria en el mercado cambiario. Hay dos tipos
de intervención cambiaria, esterilizados y no esterilizados. En este último, cualquier
la compra o venta de moneda extranjera no se compensa con otras
operaciones, lo que genera un cambio en la base monetaria que a su vez
afecta la tasa de interés. Por lo tanto, la nueva tasa de interés incita al cambio
tasa para pasar a un nuevo nivel determinado por arbitraje. Alternativamente, esterilizado
Las intervenciones implican la compra y venta de activos denominados en el hogar.
moneda. En este caso, el objetivo es desacoplar el tipo de cambio y el monetario.
política manteniendo la base monetaria y la tasa de interés estables.
La literatura sugiere que existen tres mecanismos de transmisión de
Página 7
Página 8
Página 9
3. Metodología
El presente trabajo estima la probabilidad de intervención del tipo de cambio
en función de un conjunto de variables explicativas, como la desviación de la
tipo de cambio de su tendencia a largo plazo, volatilidad del tipo de cambio, riesgo país,
y la diferencia en las tasas de interés interbancarias y corporativas preferenciales entre
moneda nacional y extranjera.
La variable dependiente es el número de veces (días) que BCRP en '
interviene en el mercado de divisas cada semana comprando o vendiendo
dolares Usando información de volúmenes de intervención, una observación puede ser
clasificado como compra o venta de moneda en el mercado cambiario. Dado
la naturaleza de la variable dependiente, los modelos más adecuados para este tipo
de análisis son los llamados modelos de conteo. Entre los mod 'de uso frecuente
Els son el modelo de regresión de Poisson (PRM) y el binomio negativo
Modelo de regresión (NBRM). Estos modelos asumen una variable endógena
como resultado de una función de probabilidad de Poisson o binomial negativa, respec '
tivamente. Otro modelo utilizado es el llamado modelo Zero Inflado (ya sea
Poisson rZIP; o Binomial Negativo rZINB), que es relevante cuando el
La variable dependiente contiene un número elevado de ceros. En el presente
estudiar la variable dependiente comparte esta propiedad, lo que justifica la utiliza '
ción de este tipo de modelos. En todos los casos, las estimaciones las realiza el
método de máxima probabilidad. Los modelos mencionados se describen en el
siguiendo líneas basadas en Cameron y Trivedi (2005, 2010), Greene (2003),
Long (1997), Long y Freese (2006) y Winkelmann (2008), entre otros
ers referencias.
Página 10
* 0 # y i #x i $) .1 / # μ yo $ μ
yo
, (1)
y yo "
L # ß # y, x i $)! norte
i (& * 0 # yi# μi$
y yo
yo
)! norte i (& .1 / # μyi $yo μ" , (2)
D * 0 # y) m # x $).1 / # 7μ $ 7μ m
. (3)
metro"
3 El parámetro μ se conoce como tasa, ya que es el número esperado de veces que
ha ocurrido un evento por unidad de tiempo.
Página 11
Dado que en la mayoría de las aplicaciones, la varianza condicional es mayor que la con '
Por lo general, el PRM rara vez se adapta a la práctica. Si la estructura media es
correcto, pero hay sobredispersión, Gourieroux et al. (1984) muestran que el
Las estimaciones del PRM son consistentes pero ineficientes. Además, Cameron
y Trivedi (1986) argumentan que los errores estándar están sesgados hacia abajo,
resultando en valores z espuriosamente grandes.
El NBRM se puede obtener desde diferentes perspectivas. Aquí seguimos
los argumentos de Long (1997) que introduce este modelo en términos de nob '
sirvió a la heterogeneidad. A diferencia del PRM, donde se conoce la media, en el
NBRM, la media μ se reemplaza con la variable aleatoria Hμ) .1 / # x i ß% e i $,
donde e es un error aleatorio que se supone no correlacionado con x. En
términos de Gourieroux et al. (1984), podemos pensar en e como los efectos combinados
de variables no observadas que se han omitido del modelo. Puede ser
piensa como otra fuente de aleatoriedad. En el PRM, la variación en μ es
introducido a través de la heterogeneidad observada. En el NBRM, la variación en Hμ es
debido tanto a la variación en x entre los individuos como a la heterogeneidad no observada
Erogeneidad introducida por e. Por lo tanto, para una combinación dada de valores para
las variables independientes, hay una distribución de Hμ / s en lugar de una única
μ.
La relación entre Hμ y el μ original se sigue de Hμ i ) .1 / # x i ß $
.1 / # e i $) μ i .1 / # e i $) μ i δ i , donde δ i ) .1 / # e i $. Una suposición en el
Pagina 12
NBRM es que E # δ i $) 'lo que implica que el recuento esperado después de sumar
la nueva fuente de variación es la misma que en el PRM, es decir, E # Hμ $)
E # μ i δ i $) μ i E # δ i $) μ i .
Siguiendo los argumentos anteriores, la distribución de observaciones dadas x y
δ sigue siendo Poisson:
yi
μ i $ Hμ
yo
* 0 # y i #x i , δ i $) .1 / # H ,
yi "
) .1 / # μ yoδ yo $ # Hμ yo
. δ yo $ yi (4)
y"
#y i % v i $ v yo
* 0 # y i #x i $) . (5)
y yo "#v i $ ( v i % μ i \ v i (μ iv i % μ i \ y i
var # y i # x $) μ i ('% μ i
v i \,
\,
.1 / # x i $
) .1 / # x i $ ('% (6)
v yo
Página 13
var # y i # x $) μ i ('% μ i
v i \,
) μ i # '% aμ i $,
) μ i % aμ '
i,
(7)
L # ß # y, x $)! norte
i (& * 0 # y i #x i $,
#y i % a - & $ a -y μ i
)! norte yo(& , (8)
y yo "#a - & $ ( a - & % μ i \ a ^ ( a -& % μ i \ yi
\ a^ ( \m
7μ
D * 0 # y) m # x $) #m% 7a - & $ a -y
. (9)
m "# 7a - & $ (7 7a - y % 7μ 7a - y % 7μ
Página 14
no interviene y en todos los casos el Banco Central lo hace intervenir. Pero puede ser
poco realista porque en algunos casos el Banco Central puede ser forzado (o algo
como) de no intervenir.
Para solucionar estos problemas, Mullahy (1986) asume que la población
tiene dos grupos. Un individuo está en el grupo 1 con probabilidad Ф y está en
grupo 2 con probabilidad 'Ф. El primer grupo consta de observaciones donde
siempre tenga cero recuentos. Por ejemplo, puede haber algunas observaciones
donde no hay intervención porque algunas características influyeron o influyeron
decidido al Banco Central a actuar así. No sabemos si
algunas observaciones con cero intervenciones están en el primer o segundo grupo 6 .
En el segundo grupo, los recuentos se rigen por un PRM o un NBRM.
Lambert (1992) y Greene (1994) amplían el modelo descrito anteriormente
permitir que Ф sea determinado por las características de los individuos (en nuestra
caso, Banco Central y / o condiciones macroeconómicas). Usando el Poisson
modelo, tanto los recuentos cero como positivos se pueden generar mediante un proceso de Poisson
como (1). Además, los ceros surgen con probabilidad Ф de un segundo proceso.
En este proceso, Ф es función de las características x i . En el cero inflado
El modelo de Poisson (ZIP), Ф se determina mediante modelos logit o probit:
Ф) F # z i 7 $, donde F es la densidad acumulativa normal o logística
función, respectivamente. Las variables z i pueden ser iguales a las variables x i
y es nuestro caso 7 .
Combinando el modelo de conteo de Poisson y el proceso binario para el ZIP
modelo, tenemos
10
Página 15
Σnorte
La función de verosimilitud es L # ß, 7 # y, x, z $) * 0 + y i #x i , z i ,. La ß para '
yo(&
Los medidores se interpretan de la misma manera que los parámetros del PRM y
el NBRM, y los 7 parámetros se interpretan de la misma manera que el
parámetros en modelos probit o logit. Un coeficiente positivo en el binario
proceso aumenta la probabilidad de estar en el grupo donde la probabilidad
de una cuenta cero es uno. En cuanto a las probabilidades pronosticadas, para el ZIP
modelo, son: D * 0 # y) & # x $) 7Ф% # ' 7 $ .1 / # 7μ $, donde 7μ) .1 / # x7ß $
Ф
y 7Ф) f # z77 $. Por lo tanto, D * 0 # y) m # x $) # ' 7Ф $ veces (3). En el
4 Evidencia empírica
Esta sección describe los datos utilizados, así como los resultados de las estimaciones.
obtenido utilizando los modelos descritos en la sección anterior.
11
Página 16
12
Página 17
información proporciona una clara evidencia de la frecuencia de cada tipo de inter '
vention. La primera característica relevante es la diferencia entre compras y
ventas. El primer tipo de intervención ocurre con frecuencia, mientras que el último
rara vez ocurre. Las ventas de divisas se han realizado en solo cuatro períodos:
Abril de 2001, septiembre de 2002, finales de 2005 a principios de 2006, y finalmente durante el
crisis financiera de mediados de 2008. Por otro lado, las compras de divisas abarcan
pasar períodos más largos que van desde 2003 hasta finales de 2005, y desde mediados de 2006 hasta
justo antes de la crisis financiera. Desde principios de 2009 las compras comienzan a recuperarse
y alcanzar una mayor frecuencia en 2010.
Está claro que durante la crisis financiera los agentes económicos necesitaban
dólares para cubrir sus posiciones. Ante este exceso de demanda, el BCRP decidió
proporcionar dólares al sistema bancario que estaba teniendo dificultades para renovar
sus líneas de crédito. De esta forma, las ventas en dólares aumentaron y el tipo de cambio
cayó. Un escenario diferente ocurrió en el período anterior, donde el BCRP
compró dólares para impedir la entrada de especuladores que
empujando el tipo de cambio a la baja.
4.2 Estimaciones
13
Página 18
compras. Los resultados de ambos modelos apoyan nuestras afirmaciones iniciales con
respecto al efecto de las variables explicativas.
La Tabla 2 muestra los resultados de tres modelos de regresión ZIP seleccionados. Como
descrito anteriormente, el método ZIP permite el cálculo de un evento
ocurrencia como resultado de dos procesos: un proceso (Logit) que calcula
si una intervención tiene lugar o no, y otro proceso (cuenta) que
calcula el número de intervenciones. Inicialmente, se ejecuta la regresión ZIP
incluyendo todas las variables explicativas, con el fin de discernir cuáles están relacionadas
a la decisión de intervenir y cuáles al número de intervenciones.
Un primer vistazo a los resultados revela que el ciclo del tipo de cambio, el
diferenciar las tasas de interés interbancarias, y las compras rezagadas son significativas en
el proceso Logit. Esto significa que la decisión de intervenir está influenciada por
estas tres variables. Por otro lado, la decisión de intervenir es muy
raramente influenciado por las otras variables. En general, como moneda extranjera
las compras son más frecuentes, la decisión de la magnitud de la intervención
podría ser más complejo que la decisión de intervenir.
Un coeficiente positivo en el proceso de recuento (regresión) significa que el
variable asociada aumenta el número esperado de intervenciones (en pur '
persecuciones en el presente caso). Por otro lado, un coeficiente positivo en la
La estimación logit significa que la variable aumenta la probabilidad de cero
intervenciones. Por lo tanto, esperamos coeficientes con signos opuestos en cada
proceso.
La Figura 2 permite la evaluación del Poisson (modelo II), Negative Bino '
mial (modelo IV) y los modelos de regresión de Poisson inflado cero (modelo VII)
basado en la probabilidad estimada de obtener un número dado de conteos (o
intervenciones en nuestro caso). La línea continua muestra la distribución observada de
BCRPos compra en el mercado cambiario, mientras que el resto muestra
las distribuciones estimadas de la misma variable utilizando el mencionado
modelos. Una característica es que el Poisson y el binomio negativo
los modelos muestran la misma distribución. Los resultados permiten comparar distri '
y para tomar nota de los posibles problemas que los modelos puedan tener en
representando la realidad. Las estimaciones muestran algunas dificultades para capturar la
probabilidad de cuatro a cinco intervenciones por semana. La probabilidad de un nulo
la intervención es cercana al 50%, luego disminuye al 7% para una intervención,
y muestra un ligero aumento al 15% para un valor de cinco intervenciones.
La Figura 3 muestra la diferencia entre la distribución observada y pre '
dictados para cada modelo de regresión. Esto permite una evaluación más precisa de
qué modelo de regresión se ajusta mejor a los datos observados. Como vimos en la Tabla 1,
ninguno de estos modelos tiene una constante en la ecuación de regresión. A pesar de
El hecho de que ambos modelos sean distintos de cero, el modelo ZIP presenta una
14
Página 19
mejor comportamiento. Es natural que las compras sean difíciles de estimar, ya que
son muy frecuentes, volátiles y es posible que las decisiones dependan de
variables que no se tienen en cuenta 10 .
Como se mencionó anteriormente, los coeficientes obtenidos en el anterior re '
gresiones no se pueden interpretar de la manera convencional. La tabla 3 indica
que cada coeficiente debe entenderse como el cambio porcentual que
surgen en la intervención esperada si una variable explicativa aumenta en un
cantidad igual a su desviación estándar. Se eligió una desviación estándar
como el nivel de variación, ya que esto permite saber qué efecto normalmente
surgen en las intervenciones. Además, permite realizar comparaciones entre
efectos de diferentes variables con el fin de establecer cuál es mayor.
La Tabla 3 deja claro que el principal determinante de los cambios en interven '
ción es el primer rezago del número de compras. Los diferenciales tienen menor pero
efectos todavía considerables. La desviación estándar del diferencial EMBIG es
196.113 porque esta unidad de variables se representa como puntos básicos porcentuales,
donde 100 es igual a 1%. Por lo tanto, el diferencial EMBIG tiene una desviación estándar de
(1,96%), inferior a los diferenciales de interés prime corporativo e interbancario
tasas (2,28% y 2,26%, respectivamente). En el caso de los modelos ZIP, el
La existencia de dos procesos implica una interpretación más compleja. Para examen'
Por ejemplo, si las compras rezagadas aumentan en 2.016, tiene dos efectos. El primer efecto
significa un aumento del número esperado de compras en un 20,30% y el
El segundo efecto indica una reducción en la probabilidad de una intervención nula.
casi completamente, lo cual es consistente con el alto número de compras de
la autoridad monetaria peruana. Otro ejemplo es el uso de la propagación de
Tasas de interés. Un mayor margen de las tasas de interés aumenta la probabilidad de cero
(compras) intervenciones en más del 100,0%. Es constante observar
la distribución de las compras en el mercado de divisas que muestra
que la probabilidad de una intervención nula es rara. También es consistente con
el comportamiento del BCRP ante el ingreso de capitales extranjeros al país:
reaccionan comprando moneda extranjera para evitar una depreciación con conse '
efectos cocientes en la inflación interna. Una posible interpretación de estos resultados
podría sugerir que las decisiones de BCRPos están más influenciadas por aquellos que disuaden
minantes que muestran mayor volatilidad. Las desviaciones del tipo de cambio
de su tendencia a largo plazo también son importantes. Además, esta variable y
Las compras rezagadas son las principales variables que determinan la decisión de
intervenir o no en el mercado cambiario (ver ecuación binaria).
10 Por ello, este trabajo representa una primera aproximación y contribución a este
tipo de tema y la forma en que se analiza. Se están realizando más investigaciones.
15
Página 20
dieciséis
Página 21
ción; por tanto, es habitual que los coeficientes muestren signos opuestos en cada proceso.
Por ejemplo, el signo positivo de la propagación de las principales empresas corporativas
efi ciente indica que un aumento de esta variable aumenta la probabilidad
que la intervención es nula. Mientras que en el proceso de recuento un signo negativo
indicaría que el número esperado de intervenciones disminuye con este
variable.
El modelo VII presenta las variables explicativas finales. En este caso el primero
El rezago de las ventas de divisas no se incluye debido a su naturaleza esporádica.
impide asumir cualquier tipo de inercia o persistencia en este tipo de
intervención. Todos los coeficientes son estadísticamente significativos y de acuerdo con
la interpretación económica.
La Figura 4 muestra la distribución estimada de las ventas de divisas entre
comparado con la distribución observada. Los resultados son más alentadores
que en el caso de las compras de divisas, ya que ambas distribuciones son
cercanos entre sí. La distribución muestra un 90% de probabilidad de nulo inter '
convenciones, y el resto se distribuye de forma proporcionada. En otras palabras,
las intervenciones de 1 a 5 veces tienen una probabilidad de aproximadamente el 5%.
La Figura 5 permite una evaluación más precisa de qué modelo muestra un
encajar mejor con los datos. La distribución de la estimación estará más cerca de la
observado uno, cuanto más cerca de cero esta diferencia. Por tanto, queda claro que el
El modelo ZIP es el más adecuado, seguido del modelo Binomial Negativo
que muestra algunas dificultades para capturar la probabilidad de una intervención '
ción. Por otro lado, el modelo de Poisson falla al capturar la probabilidad
para intervenciones 0 y 1, pero muestra una ligera mejora en las probabilidades
para 2, 3 y 4 intervenciones en comparación con el modelo Binomial Negativo.
El cuadro 6 muestra la interpretación de los coeficientes en divisas
se proporcionan ventas. En este caso, las regresiones de Poisson y binomial negativa
son comparables entre sí. Sin embargo, no se pueden comparar directamente
con el modelo de regresión ZIP, debido a que las variables explicativas
del modelo ZIP son en su mayoría significativos solo para el proceso binario.
La forma correcta de interpretar el efecto es, en el caso del modelo VI, como
siguiente: un cambio en el diferencial de la tasa de interés interbancaria igual al estándar
desviación (2,28) provoca una disminución del 22,7% en el número esperado de
ventas de divisas. En el caso del proceso binario, la propagación del
prime corporativo aumenta la probabilidad de una intervención nula en
392,0%.
En los modelos VI y VII vemos que los principales determinantes de la ex '
las ventas de cambio son el diferencial de la tasa de interés interbancaria, el ciclo del intercambio
el logaritmo de las tasas y el diferencial de la tasa de interés corporativa preferencial.
17
Página 22
5. Conclusiones
Los determinantes de la frecuencia de las intervenciones del Banco Central (compras
y ventas) en el mercado cambiario peruano se analizan utilizando
datos para el período de enero de 2001 a diciembre de 2010 utilizando datos de recuento
modelos. Los resultados muestran que las desviaciones del logaritmo del intercambio
tasa con respecto a una tendencia a largo plazo, intervenciones de semanas anteriores (por '
coherencia), el diferencial Embig, el diferencial entre tipos de interés interbancarios,
y el diferencial entre los tipos de cambio nacionales y extranjeros son importantes
determinantes.
Particularmente, se ha demostrado que, aunque las divisas pur '
las persecuciones y las ventas están relacionadas entre sí, tienen comportamientos diferentes.
Además, las variables explicativas no tienen el mismo efecto sobre ellas,
ni en signo ni en magnitud.
Por otro lado, las estimaciones logran predecir con mayor precisión la
ventas de divisas, mientras que las compras de divisas son menos precisas.
Esto parece indicar que las compras de divisas tienen otra disuasión
minantes que no se pudieron tomar en cuenta. Esto es lógico, ya que las decisiones
comprar, además de reducir la volatilidad del tipo de cambio, también tienen el objetivo de
acumulando reservas internacionales por motivos de precaución y en o '
der para asegurar que la autoridad monetaria dispone de los medios necesarios para mantener
estabilidad macroeconómica. Se están realizando más investigaciones sobre estos temas.
Referencias
[1] Arena, M. y Tuesta, P. (1999), p El Objetivo de la Intervención del
Banco Central: ¿El Nivel del Tipo de Cambio, la Reducción de la
Volatilidad Cambiaria o ambos ?: Un Análisis de la Experiencia Pe '
ruana 1991'1998, qRevista de Estudios Económicos 5, 61r88.
18
Página 23
[14] Greene, WH (1994), pAccounting for Excess Zeros and Sample Selec '
en modelos de regresión binomial negativa y de Poisson V Stern School
of Business, qDepartment of Economics, Documento de trabajo 94 "10.
19
Página 24
[21] Kamil, H. (2008), pIs Central Bank Intervention Effective Under Infla '
¿Regímenes de focalización? El caso de Colombiaq, ¡Moneda Internacional!
Documento de trabajo del Fondo tario 08/08.
20
Página 25
21
Página 26
Página 27
(0,369)
T ipo de cambio Ciclo de Rs "7.438
(0,208)
Constante 1.086 1.097 1.046
(0,000) (0,000) (0,000)
Ecuación binaria
Página 28
(2.016) (2..016)
(2.264) (2.264)
(0,008) (0,008)
0,135 0,135
Página 29
(0.077) (0,346)
Constante "2.903 "3.148 "4.108 "4.302
Página 30
Ecuación binaria
Primeras compras retrasadas # 1.600 N.º 1.541 N.º 2.711
(0.080) (0.087)
Constante 6.361 6.408 6,944
(0,000) (0,000) (0,000)
Página 31
(0,006) (0,006)
Ecuación binaria
(0,794) (0,794)
(196.113) (196.113)
(0.022) (0.022)
(2.264) (2.264)
(0,008) (0,008)
(0,006)
Página 32
4
ales
s
3
ción
2 en
rv
te
1 En
0
5
es
s
4
decir ah
rc
3
n pu
ntio 2
mi
1
Interv
0
Compras de intervención
Ventas de intervención
Página 33
.5
.4
montas
fc .3
o
capacidad
.2
prob
.1
0 1 2 3 4 5
Contar
Modelos de regresión de Poisson con inflación cero y binomial negativo de Poissson observado
Página 34
.2
.1
ted
0
ed - Predic
erv
bs
O
-.1
-2
0 1 2 3 4 5
Contar
PMR NBRM
CÓDIGO POSTAL
Página 35
.8
.7
montas
.6
fc
o .5
.4
capacidad
.3
prob
.2
.1
0 1 2 3 4 5
Contar
Modelos de regresión de Poisson con inflación cero y binomial negativo de Poissson observado
Página 36
.1
ted .05
0
ed - Predic
erv
bs
O
-.05
-.1
0 1 2 3 4 5
Contar
PMR NBRM
CÓDIGO POSTAL
Página 37
Libros
Félix Jiménez
2012 Elementos de teoría y política macroeconómica para una economía abierta (Tomos I
y II) . Lima, Fondo Editorial, Pontificia Universidad Católica del Perú.
Félix Jiménez
2012 Crecimiento económico: enfoques y modelos. Lima, Fondo Editorial, Pontificia
Universidad Católica del Perú.
Alan Fairlie
2010 Biocomercio en el Perú: Experiencias y propuestas. Lima, Escuela de Posgrado,
Maestría en Biocomercio y Desarrollo Sostenible, PUCP; IDEA, PUCP; y, LATN.
Félix Jiménez
2010 La economía peruana del último medio siglo. Lima, Fondo Editorial, Pontificia
Universidad Católica del Perú.
Página 38
No. 337 “El efecto del orden de nacimiento sobre el atraso escolar en el Perú”. Luis
García Núñez. Setiembre, 2012.
No. 334 “Explicación de las probabilidades de transición en el mercado laboral peruano”. José
Rodríguez y Gabriel Rodríguez. Agosto de 2012.
No. 333 “Los programas de garantía de rentas en España: la renta mínima de inserción
catalana y sus componentes de inserción laboral ”. Ramón Ballester. Agosto,
2012.
No. 332 “Costos reales de producción de las crisis financieras: un enfoque de distribución de pérdidas”. Daniel
Kapp y Marco Vega. Junio de 2012.