Pág.

ANÁLISIS DE REGRESIÓN ENTRE EL PRODUCTO INTERNO BRUTO (PIB)

Y PRIMAS NETAS RECIBIDAS DEL MERCADO ASEGURADOR

ECUATORIANO (MAE)

WEHRLI PÉREZ CAICER

wehrli_perez@hotmail.com

RESUMEN

El presente trabajo analiza si es posible estimar las Primas de Seguros Totales en base a
una regresión lineal con la variable PIB. Se insiste en esto debido porque en Ecuador, es
muy difícil conocer a tiempo, otro tipo de cifras oficiales. De ser posible la estimación,
el gremio Asegurador podría tener una visión clara con poca información.
Elaborado el modelo, se encuentra presencia de heterocedasticidad, y se elabora una
corrección, pero se pierde nivel de explicación R 2. También se encuentra un modelo
alternativo de regresión con un polinomio de grado 2, sin garantizar que este sea el
modelo de largo plazo. Este análisis estudia las posibles causas por la que el modelo
lineal no logra un mejor explicación. Además se recomienda incorporar otras variables
que ayudarán a ser más precisos en el futuro, aunque no existen cifras de predicción
oficiales que se publiquen a tiempo y que sean confiables.

PALABRAS CLAVES

MAE, MAE-General, MAE-Vida, PIB, Regresión lineal, Heterocedasticidad, Prueba de

White.

QUITO - ECUADOR

14 DE JULIO DEL 2004

 Pág. 2

ÍNDICE

EL PRODUCTO INTERNO BRUTO 3

REGRESIÓN LINEAL DE DOS VARIABLES 4

REGRESIÓN LINEAL ENTRE EL PIB Y EL MAE 5

H. 1: El MAE vs PIB. 6

H. 2: El MAE-GENERALES vs PIB. 6

H. 3: El MAE-VIDA vs PIB. 7

Resultados de la Regresión Lineal 7

EL ERROR CRECE PARA VALORES MÁS GRANDES DEL PIB 8

MODELO MAE-GRAL corregido por heterocedasticidad 9

ANÁLISIS AL PERÍODO 1996 A 1998

Número de Compañías 11

Líneas de Negocio y el PIB 12

El PIB y sus componentes 13

CONCLUSIONES 13

BIBLIOGRAFÍA Y FUENTES 14
 Pág. 3

EL PRODUCTO INTERNO BRUTO

El Producto Interno Bruto (PIB) es el valor de los bienes y servicios de uso final
generados por los agentes económicos durante un período. Su cálculo -en términos
globales y por ramas de actividad- se deriva de la construcción de la Matriz Insumo-
Producto, que describe los flujos de bienes y servicios en el aparato productivo, desde la
óptica de los productores y de los utilizadores finales.

La cuantificación del PIB por el método de la producción, se basa en el cálculo de las

producciones brutas de las ramas de actividad y sus respectivos consumos intermedios.
Por diferencia entre esas dos variables se obtiene el valor agregado bruto (VAB), cuyos
componentes son las remuneraciones de empleados, los impuestos indirectos menos
subvenciones y el excedente bruto de explotación. Para la obtención del PIB total, es
necesario agregar al VAB de las ramas, los "otros elementos del PIB": derechos
arancelarios, impuestos indirectos sobre las importaciones e impuesto al valor agregado
(IVA).

La definición de las ramas de actividad económica, está en directa correspondencia con

la nomenclatura de bienes y servicios utilizada para los productos; la nomenclatura de
ramas que se presenta en este cuadro corresponde a la Clasificación Internacional
Industrial Uniforme (CIIU) propuesta por Naciones Unidas.

El PIB está compuesto de rubros de diferentes sectores económicos tales como:

Agricultura- ganaderia-caza-sevicultura, Pesca, Explotación de minas y canteras,
Industrias Manufactureras (excluye refinación de petróleo), Fabricación de productos de
la refinación de petróleo, Suministros de electricidad y agua, Construcción, Comercio al
por mayor y al por menor, Hoteles y restaurantes, Transporte, almacenamiento y
comunicaciones, Intermediación financiera, Actividades Inmobiliarias empresariales y
de alquiler, Administración pública y defensa; planes de seguridad social de afiliación
obligatoria, Enseñanza, Servicios sociales y de salud, Otras Actividades desde servicios
comunitarios, sociales y personales, Hogares privados con servicio doméstico, Servicios
de intermediación financiera medidos indirectamente y Otros elementos.
 Pág. 4

REGRESION LINEAL DE DOS VARIABLES

Es un procedimiento para derivar una relación matemática, en forma de ecuación, entre
una sola variable dependiente y una independiente o de predicción.
Por ejemplo la variación en las ventas se puede explicar en términos de la variación en
los gastos de publicidad, ó la percepción de calidad de los consumidores que se
determina por su percepción del precio.
El modelo asociado o ecuación de regresión es Yi   0   1 X i  ei , donde Y es la
variable dependiente, X la independiente o de predicción, 0 y 1 constantes y ei el
error asociado a la i-ésima predicción.
Generalmente 0 y 1 no se conocen por lo que se los estima a partir de las
observaciones de la muestra con el uso de la siguiente ecuación:
Ŷi  a  bx
Donde a y b(coeficiente de regresión no estandarizado) son los valores estimados de 0
y 1 respectivamente, las fórmulas para su cálculo son sencillas y se muestran a
continuación:
n

X Y
i 1
i i  n XY
b n

X
i 1
i
2

a Y  b X

PRUEBA DE SIGNIFICANCIA
La significancia estadística de la relación lineal entre X y Y puede probarse al analizar
la hipótesis:
H0 : 0  0
H 1 : 1  0
La hipótesis nula (Ho) implica que no existe ninguna relación lineal entre X y Y. La
alterna (H1) que si existe dicha relación. Para comprobación se realiza una prueba en
dos dirección y se utiliza el estadístico t con n-2 grados de libertan de tal forma que:
b
t
SE b
En donde SEb es la desviación estándar de b conocida también como error estándar.
FUERZA Y SIGNIFICANCIA DE LA ASOCIACION
Es la fuerza de asociación entre las variables y se mide con el coeficiente de
determinación, R2. Varia entre 0 y 1 y representa la proporción de la variación total en
Y que se toma en cuenta para la variación en X.
Para calcular r2 se utiliza la siguiente fórmula:
n n

 (Yi  Y ) 2   (Yˆi  Yi ) 2
R2  i 1
n
i 1

 (Y  Y )
n
i
2

En donde Ŷ son los valores proyectados y se obtienen de la ecuación de regresión.

 Pág. 5

REGRESIÓN LINEAL ENTRE EL PIB Y EL MAE

Históricamente, las primas netas recibidas del mercado asegurador ecuatoriano (MAE),
han guardado una estrecha relación entre el Producto Interno Bruto (PIB).

Así nos permitimos observar el siguiente gráfico a dos escalas: El de la izquierda, es

más pequeño porque sirve para el gráfico del MAE, y la escala de la derecha es más
grande porque sirve para el gráfico del PIB. Este tipo de cuadro nos permite obviar las
diferencias nominales, y concentrarnos en lo que son las tendencias y relaciones.

COMPARACIÓN ANUAL DEL PIB Y EL MAE

(MILLONES DE DÓLARES)

30000 500
25000 400
20000 PIB
300
MAE

PIB
15000 MAE
200
10000 Proy. MAE
5000 100
0 0
93 94 95 96 97 98 99 00 01 02 03

Gráfico 1: Ambas series en moneda corriente .

El gráfico nos muestra que ambas series (PIB y MAE) tienen similar comportamiento
en el tiempo, y esto puede analizarse más en detalle si planteamos la hipótesis de que las
primas dependen del PIB. Esto no sólo es cuestión del gráfico sino que hay que
encontrar cuál es la regresión lineal que existe entre ellos, lo que haremos más adelante.

Es muy interesante observar esta relación sobre todo entre el año 1993 hasta 1995 y
posteriormente desde el año 1999, cuando el PIB sufrió una terrible caída, las Primas
también lo hicieron.

Pero, ¿porqué esta relación fue tan débil entre el año 1996 y 1998?. Es un interrogante
que también se estudia más adelante. Sin embargo, en los análisis de regresión lineal, se
han considerado todos los periodos, desde 1993 hasta el año 2003.

Con respecto a los años 1996 hasta 1998 podríamos proponer dos hipótesis:

 En ese período influyó en el PIB, el crecimiento de una variable que en realidad,

no tiene una correlación directa con el MAE., o tal vez..
 En ese período el MAE tuvo un comportamiento que no iba en relación directa
con el crecimiento económico por alguna(s) causa(s) específica(s).

Como se ha señalado, esto lo mostraremos más delante.

Primero vamos a entrar en el detalle de la regresión lineal entre el MAE, MAE –

Generales, MAE – Vida y el PIB.
 Pág. 6

HIPÓTESIS 1: El MAE puede explicarse en regresión lineal del PIB.

GRÁFICO DE DISPERSIÓN ENTRE EL PIB Y EL MAE
(MILLONES DE DÓLARES)

500
450 458
400 403
350
MAE

300 313
250 259 264
257
234 246
200 209 212
179
150
100
14,000 16,000 18,000 20,000 22,000 24,000 26,000 28,000
PIB

Gráfico 2: La dispersión muestra que una regresión es más precisa en los valores bajos del PIB, pero se
pierde explicación a medida que el PIB es más alto.

La relación que existe entre el PIB y el MAE (incluyendo generales y vida) y notamos
que a niveles donde el PIB decrece, el MAE también decrece, y cuando el PIB crece, el
MAE también lo hace, en una relación “visualmente” lineal. Elaborando un modelo de
regresión tenemos:

MAE = - 116.15 + 0.019 PIB

ANÁLISIS DE VARIANZA
Grados de Suma de Promedio de los Valor crítico
  libertad cuadrados cuadrados F de F
Regresión 1 52765.48 52765.48 24.2660 0.0008178
Residuos 9 19570.14 2174.46
Total 10 72335.62     
R-Sq = 72.94%

HIPÓTESIS 2: El MAE-GENERAL puede explicarse en regresión lineal del PIB.

GRÁFICO DE DISPERSIÓN
ENTRE EL PIB Y EL MAE-GENERAL
(MILLONES DE DÓLARES)

450
400 412
MAE-GENERAL

369
350
300
277
250
235 230
229
214 218
200 192 189
150 160

100
14,000 16,000 18,000 20,000 22,000 24,000 26,000 28,000
PIB

Gráfico 3: La dispersión se muestra de manera similar que en él Gráfico 2. Es más precisa en los valores
bajos del PIB, pero se pierde explicación a medida que el PIB es más alto.
 Pág. 7

Esta similitud entre MAE-GRAL y MAE se debe a que quien compone o es más
determinante para el MAE, son las primas de los ramos generales, he ahí que esta figura
inclusive tiene los mismos saltos.

El resultado de aplicar regresión lineal es:

MAE GENERAL = -100.52 + 0.0169 PIB

ANÁLISIS DE VARIANZA
Grados de Suma de Promedio de Valor crítico
  libertad cuadrados los cuadrados F de F
Regresión 1 41638.19 41638.19 20.9909 0.0013249
Residuos 9 17853.08 1983.68
Total 10 59491.27     

R-Sq = 0.6999%

HIPÓTESIS 3: El MAE-VIDA puede explicarse en regresión lineal del PIB.

GRÁFICO DE DISPERSIÓN
ENTRE EL PIB Y EL MAE-VIDA
(MILLONES DE DÓLARES)

50
45 46
40
35 36 35 35
MAE-VIDA

30 28 28
25 23
23
20 19 20
15 17
10
5
0
14,000 16,000 18,000 20,000 22,000 24,000 26,000 28,000
PIB

Gráfico 4: En este gráfico se observa que la explicación del modelo es más efectiva..

Con mejor precisión en esta regresión, tenemos:

MAE-VIDA = - 15.634 + 0.0021 PIB

ANÁLISIS DE VARIANZA
Grados de Suma de Promedio de Valor crítico de
  libertad cuadrados los cuadrados F F
Regresión 1 658.076 658.08 36.3149 0.0001961
Residuos 9 163.09 18.12
Total 10 821.17     

R-Sq = 80.14%
RESULTADOS DE LA REGRESIÓN LINEAL
Hemos determinado varias fórmulas que determinan las Primas del MAE en millones de
dólares, en función del PIB también en millones de dólares:
 Pág. 8

MAE TOTAL = - 116.15 + 0.019 PIB

MAE GENERAL = -100.52 + 0.0169 PIB
MAE-VIDA = - 15.634 + 0.0021 PIB

Esto quiere decir que conociendo cuál es el valor del PIB, podemos encontrar el valor
de las primas totales del mercado, el valor de las primas de seguros generales y el valor
de las primas de vida, respectivamente.

Se estima que para el año 2004, el PIB será de 28773.00 millones de dólares, por tanto
las estimaciones para las Primas Netas del Mercado asegurador son:

MAE GENERAL = 385.74 millones de dólares.

MAE VIDA = 44.79 millones de dólares.
MAE GENERAL + MAE VIDA = 430.53 millones de dólares.

Pero si determinamos el MAE Total directamente de la ecuación anterior para el año

2004.
MAE TOTAL = - 116.15 + 0.019 PIB
MAE TOTAL = 430.54 millones de dólares

Como podemos observar la diferencia entre ambos métodos de cálculo del MAE
TOTAL es mínima y por tanto aceptable, sin embargo en el año 2003 el MAE fue de
USD 458.38 y según los expertos debería existir crecimiento, más no decrecimiento. Es
posible que la regresión se haya tornado débil en predicción, por el efecto del período de
1996 a 1998. Trataremos de estudiar un poco más en detalle en las páginas siguientes.

EL ERROR CRECE PARA VALORES MÁS GRANDES DEL PIB

Parece ser que a mayor valor del PIB, más crece el error de explicación. Obteniendo ˆ 2
y graficarlo vs el valor del PIB, obtenemos el siguiente gráfico.
GRÁFICO DE DISPERSIÓN ENTRE EL PIB Y
ERRORES CUADRÁTICOS DE EXPLICACIÓN
MAE TOTAL
y = -3E-12x 4 + 3E-07x 3 - 0.0076x 2 + 95.414x - 441934
7,000
6,000
R2 = 0.8587
5,000
4,000
3,000
2,000
1,000
0
-1,000
-2,000
14,000 16,000 18,000 20,000 22,000 24,000 26,000 28,000

Gráfico 5: Adicional a lo que se percibió en el gráfico 2, el presente gráfico muestra que existe un patrón
de comportamiento de la varianza, según la variable PIB. Se presenta una estimación bajo un polinomio
de grado 4, por ser la que mejor R2 demostró.
 Pág. 9

Comprobamos una tendencia particular desde el gráfico. Es importante observar que la

última observación, que coincide con el último año 2003, tiene un peso importante al
momento de establecer la tendencia del error.

Se ha demostrado que existe heterocedasticidad en el modelo lineal entre el PIB y el

MAE, y que este esto puede ser corregido mediante un polinomio de grado 4.

La siguiente tabla muestra los resultados de la Prueba White de presencia de

heterocedasticidad. Según las pruebas, el MAE-General cuando se analiza como
regresión lineal del PIB, éste no cumple con que las varianzas son iguales.

Valor R2 Regresión Lineal y Regresión de orden 4 para ˆ 2 Valor p

Prueba de White
R2=0.6139 MAE TOTAL = 0.4034PIB - 6549.8 0.0094 Rech
R2=0.8587 MAE TOTAL = -3E-12 PIB4 + 3E-07 PIB3 - 0.0076 PIB2 + 95.414 PIB – 441934 0.0509 Acept
R2=0.5944 MAE-GRAL = 0.3671PIB – 5956 0.0106 Rech
R2=0.9015 MAE-GRAL = -4E-12PIB4 + 3E-07 PIB3 - 0.0085 PIB2 + 108.29 PIB – 506523 0.0419 Acept
R2=0.0615 MAE-VIDA = 0.0012PIB - 9.4834 0.4108 Acep
R2=0.1759 MAE-VIDA = 4E-14 PIB4 - 3E-09 PIB3 + 0.0001 PIB2 - 1.3528 PIB + 6678.5 0.7477 Acep

Tabla 1: Prueba de White: Prueba donde Ho es que existe homocedasticidad.

MODELO MAE-GRAL CORREGIDO POR HETEROCEDASTICIDAD

La corrección se realizará para MAE-General, y MAE Total será encontrado por medio
de la Suma de MAE-General + MAE-Vida. Utilizando los resultados de la tabla
anterior, vemos que probablemente:
Var   i   CX 4
Para corregir el modelo, debemos hacer

Yi   0   1 X i  ei Yi  0 e
convertirlo en 2
 2   1  i2
Xi Xi Xi

Con esto logramos que la varianza del nuevo sea homocedástico, ya que

 e  1
Var  i2   4 var ei   C
 Xi  Xi

Aplicando esta corrección, el nuevo modelo es

Yi  0.8365
2
  3.7 E  0.7
Xi X i2

R2=0.5667

Ahora podemos utilizar este modelo y para obtener los valores originales, debemos
multiplicar ambos lados de la regresión, por X i2 .
 Pág. 10

En el siguiente gráfico tenemos la inclusión, para efectos de comparar, el primer modelo

de regresión lineal, visto anteriormente, frente al segundo modelo obtenido por
corrección de heterocedasticidad.

COMPARACIÓN ANUAL DEL PIB Y EL MAE-GRAL

(Millones de dólares)

30,000 500
25,000 400
20,000 PIB
300 MAE-GRAL
15,000
Proy. MAE_GRAL
200
10,000 Correc. Proy MAE-GRAL

5,000 100

0 0
93 94 95 96 97 98 99 00 01 02 03

Gráfico 6: La corrección de heterocedasticidad parece muy cercana al modelo original planteado.

Gráficamente las dos regresiones son similares y ambas no explican correctamente la

zona del año 1996 a 1998, tampoco entre el 2002 y 2003. Esto se da por que la
corrección del modelo no elimina la heterocedasticidad de los datos, dado un modelo
lineal, sino que encuentra un modelo equivalente donde en ese modelo el error sea
homocedástico. Además:

R2 con modelo lineal 0.699

R2 con modelo lineal corregido 0.584

Es común que el R2 disminuya cuando se corrige heterocedasticidad.

En cuanto a la predicción:
Predicción 2004 con modelo lineal 385.74 millones de dólares
Predicción 2004 con modelo lineal corregido 390.51 millones de dólares

Aunque el año anterior 2003 llegó a ser 411.95 millones de dólares

Por tanto el pronóstico de Primas Netas en el mercado asegurador ecuatoriano será (en
millones de dólares):

Año 2004 Año 2003 Crecim %

MAE-GENERALES = 390.51 411.95 -5.5
MAE-VIDA = 44.79 46.43 -3.5
MAE-TOTAL = 435.30 458.38 -5.3

Por lo que bajo este modelo se estima una pérdida.

 Pág. 11

ANÁLISIS AL PERÍODO 1996 A 1998 CON EL OBJETIVO DE ENCONTRAR

EXPLICACIÓN EN LA DEBILIDAD DEL MODELO PARA ESE PERÍODO.

Número de Compañías existentes en el Ecuador

Agregando la ecuación de regresión del MAE con respecto del PIB, el número de
Compañías en escala 1 : 100 compañías (línea más acentuada).

COMPARACIÓN ANUAL DEL PIB Y EL MAE

(MILLONES DE DÓLARES)

30000 500
25000 400
PIB
20000
300 MAE
MAE

PIB
15000
200 Proy. MAE
10000
# Compañías (en 100)
5000 100
0 0
93 94 95 96 97 98 99 00 01 02 03

Gráfico 7: Al incorporar a escala el número de Compañías, vemos que esta es quien más se acerca al
patrón del MAE, sin embargo no ocurre lo mismo en el periodo 2002 a 2003.

 Con respecto a porque durante estos años, la relación entre el PIB y el MAE es
tan débil, es que en este periodo el PIB creció en productividad pero la
capacidad instalada se mantuvo constante pudiendo originar que algunos ramos
como Incendio y Aliadas, no sigan la tendencia del PIB.

Eso fue lo que ocurrió en el período 1996 a 1998, y también está ocurriendo en el
período 2002 a 2003, es por eso que nuestro modelo de regresión no acierta en el
pronóstico de los expertos, y seguramente también contrastará con la realidad, pero el
criterio aquí determinado es válido para las futuras proyecciones.

Como una salida rápida a la proyección del 2004, puede ser el de modificar la regresión
entre el PIB y el MAE-General a un polinomio de grado 2 (un poco guiados por la
explicación del PIB al error al cuadrado).

El modelo sería:
MAE – GRAL = -0.046PIB2+ 1.51E-06PIB+528.33
R2= 0.77416 (mayor a 0.6999 encontrado por regresión lineal)

Así, el pronóstico para el 2004 estaría en:

Año 2004 Año 2003 Crecim %
MAE-GENERALES = 462.33 411.95 12.23
MAE-VIDA = 44.79 46.43 -3.50
MAE-TOTAL = 507.12 458.38 10.63

Por lo que bajo este modelo se estima un crecimiento. Que según los expertos es muy
alto.
 Pág. 12

El siguiente gráfico nos muestra la comparación del PIB, el MAE-Generales y las dos
estimaciones de regresión:

 Bajo el modelo lineal corregido

 Bajo un modelo de polinomio de grado 2.

COMPARACIÓN ANUAL DEL PIB Y EL MAE-GRAL

Y DOS REGRESIONES

30000 500.00

25000 400.00
20000 PIB
300.00
GRAL
15000
GRAL ESTIM P(2)
200.00
10000 GRAL ESTIM P(1)

5000 100.00

0 0.00
93 94 95 96 97 98 99 00 01 02 03

Gráfico 8: Cambiar la regresión lineal por la regresión polinómica de orden 2 mejora la explicación del
periodo 2002 a 2003, pero esto no garantiza que éste sea el patrón del PIB y el MAE a largo plazo.

El polinomio de grado dos, muestra una mejor explicación en los últimos años 2002 y
2003 que el modelo lineal, en cambio el modelo lineal explica mejor los primeros años
de la serie.

PIB vs LINEAS DE NEGOCIO DEL MAE

COMPARACIÓN ANUAL DEL PIB Y

LAS LINEAS DE NEGIOCIO Vida
(MILLONES DE DOLARES)
Personas

120 30000 Bienes

LINEAS DEL MAE

100 25000 Transporte

80 20000 Vehículos
PIB

60 15000 Aéreo-Buque
40 10000 Técnicos
20 5000
Patrimonio
0 0
Fianzas
93 94 95 96 97 98 99 00 01 02 03
PIB
Gráfico 9: Los datos por línea de negocio sólo se encuentran disponibles a partir del año 1997.

Puede observarse que las líneas de Seguros: “Bienes”, “Vehículos”, y “Personas” siguen
la misma tendencia desde el año 1999 que el PIB. Esta apreciación servirá para
contrastar al PIB y sus componentes vs MAE y sus componentes con la intención de
encontrar un mejor modelo de explicación y estimación.
 Pág. 13

EL PIB Y SUS COMPONENTES

Agri
EL PIB Y SUS COMPONENTES Pesca
Minas
5000 30000
Manufact
Petróleo
4000 25000 Luz y Agua
Construc
Comercio
COMPONENTES DEL PIB

3000 20000
Hoteles
Transporte
2000 15000
Int. Financiera

PIB
Inmoviliaria
1000 10000
Público
Enseñanza
0 5000 Serv. Social
93 94 95 96 97 98 99 00 01 02 03 Serv. Comunit
-1000 0 Hogares
Otros
Int. Finan. Direc
-2000 -5000
PIB

Gráfico 10: Relacionar directamente el componente del PIB con las líneas del MAE tiene consecuencias
de ambigüedad, sin embargo será necesario establecer “la mejor relación posible” para intentar un mejor
sistema de explicación y predicción.

Esta es la información pública disponible en el PIB, pero dado como se encuentra el

desglose del PIB, puede en el futuro elaborarse un sistema de regresión que contraste
cada línea de negocio del MAE, con su respectivo grupo de componentes del PIB que
más se asocien con su producción, aunque es de advertir que tal como se encuentran
dadas las cifras del PIB, el agrupamiento tendrá un margen de error en la asociación.

CONCLUSIONES
Hasta el alcance de esta investigación:

 No existe una relación directa entre el PIB y el MAE sin que se observe
heterocedasticidad en el modelo, una de las causas es por ejemplo, que el nivel
de productividad puede afectar cualquier modelo construido y a grandes
expectativas de crecimiento del PIB, menor certeza estadística se tiene del MAE.

 No obstante lo anterior, en los últimos 10 años, el Ecuador, si experimentó un

cambio en su productividad, este ha sido positivo es decir, en algunos periodos
el Ecuador ha incrementado sustancialmente el PIB, sin incrementar el número
de Compañías que lo aportan.

 En el periodo 1996 a 1999 se produjo un fenómeno: Dado que la productividad

aumento sustancialmente, esto no afectó al mercado asegurador debido a que la
capacidad instalada era similar a los periodos anteriores.
 Pág. 14

 En el periodo 2002 a 2003, debería ocurrir lo mismo que en el año 1996 a 1999
sin embargo, aunque la capacidad instalada es la misma, y el PIB subió
sustancialmente, el MAE-Generales también se elevó casi en la misma
proporción, dejando al modelo lineal sin poder de explicación

 En el periodo 2002 y 2003 se produjo un tremendo crecimiento del ramo de

vehículos, inclusive en ese periodo se registró el mayor número de ventas de
vehículos nuevos en la historia del País. Esto si afecta al MAE, pero no lo
contempla la serie “número de compañías”.

 Entonces es necesario incorporar por lo menos:

o Número de Compañías
o Número de vehículos nuevos vendidos
Y elaborar un modelo de regresión múltiple, sin embargo de estas variables se
tiene escaso conocimiento de predicción, y muy pocas entidades se animan a
publicarlas o hacer énfasis en sus pronósticos, lo cual deja el horizonte de
predicción del MAE-Generales aún por estudiar arduamente.

 Según una regresión lineal se estima un decrecimiento para el próximo año 2004
Año 2004 Año 2003 Crecim %
MAE-GENERALES = 390.51 411.95 -5.5
MAE-VIDA = 44.79 46.43 -3.5
MAE-TOTAL = 435.30 458.38 -5.3

 Como alternativa de “salida temporal” se estima una proyección bajo un modelo

no lineal sino cuadrático, que tiene mayor explicación que el modelo lineal, y el
pronóstico para el siguiente año 2004 dada la información existente es :
Año 2004 Año 2003 Crecim %
MAE-GENERALES = 462.33 411.95 12.23
MAE-VIDA = 44.79 46.43 -3.50
MAE-TOTAL = 507.12 458.38 10.63

 Luego de este primer estudio de la relación que existe entre el PIB y el MAE, es
necesario elaborar un análisis más profundo en las cifras y en la correlación de
los componentes del PIB con las líneas de negocio del MAE.

 Es posible que deba llegarse a un sistema de regresiones conjuntas bajo un

modelo econométrico. El inconveniente estaría en la predicción con cifras
oficiales, ya que deben encontrarse las proyecciones del PIB por línea, cuando
los expertos comentaristas en su mayoría publican un porcentaje de crecimiento
o decrecimiento al PIB Total.

BIBLIOGRAFÍA
Econometría, modelos y pronósticos Robert S. Pindyck, Daniel L Rubinfeld Mc Graw Hill, 4ta edición
año 2001.
Análisis econométrico William H. Greene Prentice Hall, 3era edición año 1999.
Fuentes: http://www.superban.gov.ec
http://www.bce.fin.ec