Análisis de los determinantes de la recaudación del Impuesto

General a las Ventas (IGV) en el periodo Enero 2004- Noviembre

2021
Susan Benique Carpio, Erika Graciela Zapana Castillo

Información de Resumen
artículo
El propósito del presente trabajo es presentar un modelo econométrico de
Palabras clave series de tiempo para el Impuesto General a las Ventas durante el periodo
enero 2004-noviembre 2021,con datos obtenidos del BCRP. Las variables que
influyen en la recaudación del impuesto general a las ventas estas variables
determinantes que se hace mención son: el producto bruto interno, los
aranceles, y el índice precio al consumidor.Por tratarse de series de tiempo ,
primero se realizan pruebas de raíces unitarias y de estacionariedad a cada
una de las series económicas involucradas en el modelo de Impuesto General
a las ventas (IGV).Para verificar la existencia de largo plazo entre las series
económicas, se realizaron estimaciones mediante las metodologías de
cointegración de Johansen y de Pesaran, Shin y Smith, además para
contrastar los parámetros obtenidos por la metodología de Johansen,
análogamente se utilizaron las metodologías de Engle Granger. Los factores
relevantes de las importaciones resultaron ser el Producto Interno Bruto, ….

Article Info Abstract

Keywords

I. Introducción

A lo largo de los años los gobiernos han utilizado los ingresos de los impuestos para el sostenimiento de
los gastos públicos. La principal fuente de ingresos de estos gastos públicos son los tributos y dentro de
este están los impuestos. La recaudación del dinero de los impuestos contribuye en gran parte a financiar
programas gubernamentales y contribuir en la mejora del nivel de vida de la sociedad, por lo que los
impuestos y otros tributos juegan un papel crucial en el progreso de un país. En el mundo no existe país
que no recauda impuestos de alguna forma para poder mantenerse.
Haciendo memoria durante el quinquenio 1991-1996 se observó una clara relevancia del IGV que registró
un aumento de casi el 133%, ya que su recaudación pasó de representar el 2.1% del PBI al 4.9% y logró
alcanzar una recaudación promedio del 8.6% del PBI en el último quinquenio, lo que representaría un
aumento en casi 310% desde el primer quinquenio. en donde apreciamos que ha mantenido una
trayectoria creciente siendo, sin duda, el impuesto más importante del país (Lahura y Castillo, 2018)

Por ello, los métodos adoptados por el gobierno para incentivar la formalización están enfocados, en su
mayoría, al IGV y las microempresas, pues este tipo de negocios son los que requieren herramientas que
los ayuden a salir de la informalidad y poder desarrollarse, lo cual significa a su vez, un mayor beneficio
para el país, pues representa un mayor nivel de recaudación para el Estado (Actualidad Empresarial,
2017).

Durante el 2021 en nuestro país la recaudación del Impuesto General a las Ventas(IGV) y el impuesto a la
Renta(IR) ha superado ampliamente la alcanzada en el 2020 y 2019, de acuerdo al informe realizado por
la Superintendencia Nacional de Aduanas y de Administración Tributaria (SUNAT). En el caso del IGV,
los ingresos ascendieron a S/ 78,099 millones, es decir, S/ 22,720 millones más que el 2020 (+35.5%) y
S/ 14,595 millones más que el 2019 (+16.0%).

Este resultado se explica principalmente por los mayores ingresos del IGV Interno, que registró ingresos
por S/ 42,608 millones (25.2% más respecto de 2020 y 6.1% de 2019), principalmente por el buen
desempeño de la demanda interna y la progresiva recuperación de la economía.

Asimismo, el IGV importaciones registró una recaudación de S/ 35,491 millones (50.3% más en relación
a 2020 y 30.6% de 2019) debido a las mayores importaciones, que crecieron alrededor del 42%, y al
mayor tipo de cambio, que registró un incremento de 11.1%.

De acuerdo al IEDEP de la cámara de Comercio de Lima (CCL), el Perú es la cuarta economía con más
alta tasa de IGV en la región, puesto que el impuesto vigente es del 18% superando al promedio(15,2%)
de América Latina y el Caribe, pero inferior al promedio(19,2%) de la Organización para la cooperación
y el Desarrollo Económico.
Teniendo en cuenta este dato,podríamos asumir que al tener una alta tasa de IGV el comportamiento usual
en la recaudación del IGV se podría deber a este factor, pero por lo antes mencionado no necesariamente
es así. Para demostrar ello, es necesario conocer y demostrar las variables que realmente influyen y son
determinantes en el Impuesto General a las Ventas caso Perú.

Pregunta general de la investigación:

- ¿Cuáles son los factores determinantes de la recaudación del IGV en el periodo enero 2004-
noviembre 2021?

Objetivo:
- Realizar el análisis de los factores determinantes en el Impuesto General a las Ventas caso Perú.

Antecedentes
A nivel de latinoamérica en la recaudación del IGV, Perú tiene una tasa de 18% y es uno de los países con
el impuesto más alto. En este orden, le antecede Uruguay, Argentina, Chile y Colombia con tasas entre
22% y 19%, pero en contraste, dentro de los países latinoamericanos, tenemos a Panamá que es el país
con la tasa más baja al aplicar solo el 7% de impuesto sobre las ventas durante el el periodo 2008-
2018.Durante el año 2018 el Gobierno Central obtuvo S/ 104 590 millones de ingresos tributarios netos
(SUNAT, 2019).
Por otro lado de acuerdo con el informe de INEI (2019) con información al 2018, el sector formal se
compuso de la siguiente manera: 2 270 423 fueron clasificadas como microempresas (94,9%), 100 443
como pequeñas empresas (4,2%) y 14 281 como medianas y grandes empresas (0,6%). Aún cuando
podemos advertir que el mayor porcentaje de empresas del sector formal son microempresas, el sector
informal también se concentra en ellas, puesto que llega a alcanzar cerca del 85% del total de
microempresas que existen en el Perú (Loayza, 2008), cifra que prácticamente no ha variado por más de
diez años.

Según el MEF en la política de aranceles, los aranceles juegan un papel muy importante al momento de la
recolección de impuestos.es por eso que cuando se habla de aranceles, también se habla de impuestos al
comercio exterior de bienes, sea de importaciones o exportaciones. En este último caso, desde hace varios
años el Perú no aplica esta política con el fin de no restarle competitividad a las exportaciones. Es así que
los aranceles sólo se aplican a bienes importados. No es el caso del Impuesto General a las Ventas (IGV)
o ISC que se aplica indistintamente a bienes nacionales e importados. De ahí que, dado que tanto los
bienes importados y nacionales pagan estos dos últimos impuestos, existe un sesgo "protector" que puede
dársele al arancel dado que, dependiendo de la magnitud de dicho arancel, su aplicación eleva los precios
de los productos importados respecto de los bienes sustitutos producidos dentro del país.
en tanto; ordoñez (2014) menciona que el presupuesto público son los ingresos de diferentes fuentes de
financiamiento,especialmente de los ingresos tributarios.en la medida que crezca a la actividad económica
del país, se espera que exista una mayor recaudación tributaria, tanto directa como indirecta. Por eso nos
parece importante, entonces, determinar de qué manera el crecimiento económico del país incide en una
mayor recaudación tributaria que permita al Estado cumplir las innumerables funciones y tareas que tiene
asignadas,que coincide con el artículo realizado por Rojas y vizcarra(2019) en donde está
estadísticamente comprobado que la relación entre PBI e IGV que recauda el gobierno central es
significativa y directa..

(Carlos Paredes y Jeffrey Sachs, 1991) El efecto Olivera-Tanzi (el efecto perverso de una mayor inflación
sobre la recaudación fiscal) indica que incrementarán los ingresos fiscales conforme la tasa de inflación
se vaya reduciendo.

Marco teórico

La tributación tiene un rol importante en el avance del país, por ello es necesario identificar y analizar las
principales variables macroeconómicas de la recaudación del Impuesto General a las Ventas(IGV) , se
dará a conocer la importancia teórica que interviene en los impuestos.
Tributación

Política tributaria:

Son aquellos lineamientos que dirigen el sistema tributario. Está diseñada por el Ministerio de Economía
y Finanzas (MEF). La política tributaria asegura la sostenibilidad de las finanzas públicas, eliminando
distorsiones y movilizando nuevos recursos a través de ajustes o reformas tributarias. Se implementa a
través de las normas tributarias que comprende en código tributario. Los órganos encargados de aplicar la
norma tributaria a nivel nacional Son: La Superintendencia Nacional de Administraciòn Tributaria
(SUNAT) y La Superintendencia Nacional de Administraciòn de Aduanas(SUNAD).Dentro de estos
tributos se encuentran: Impuestos, Contribuciones y Tasas.

Impuestos:
Los impuestos son una parte sustancial de los ingresos públicos. El ministerio de Economía y
Finanzas(MEF) define impuestos de la siguiente manera :“Es el tributo cuyo cumplimiento no origina
una contraprestación directa en favor del contribuyente por parte del Estado.”En otras palabras el
impuesto es un tributo o carga que las personas están obligadas a pagar a alguna organización sin que
exista una contraprestación directa. Esto es, sin que se le entregue o asegure un beneficio directo por su
pago.

Los tipos de impuestos son:

- Impuestos indirectos: Aquellos que se aplican a bienes y servicios y por tanto afectan
“indirectamente” a las personas: IGV, ISC, Aranceles
- Impuestos Directos: Son aquellos que gravan directamente a las personas o empresas: Impuesto
a la Renta, a las utilidades, etc.

Impuesto General a las Ventas (IGV):

Es la variedad nacional del impuesto al valor agregado (IVA) y este se aplica desde el año 1973. Es un
impuesto que se grava en el consumo como señal de la capacidad contributiva de los ciudadanos; es
también, un impuesto indirecto,ya que al ser soportada por los consumidores finales,estos no tienen
acceso al uso fiscal; es no acumulativo, porque es aplicado solo al valor agregado, no se aplica en el total
de la venta,es de tasa única (16%). Se grava en las importaciones, pero no en las exportaciones porque se
aplica el principio de imposición en el lugar de destino.
Los bienes y servicios que grava el IGV son:
- La venta en el Perú de bienes muebles.
- La prestación o utilización de servicios en el Perú.
- Los contratos de construcción.
- La primera venta de inmuebles que realicen los constructores de los mismos.
- La importación de bienes.

Producto Interno Bruto (PIB):

El Producto Bruto Interno (PBI) es el valor de los bienes y servicios finales producidos durante un
período de tiempo en un territorio. Sólo se refiere a bienes y servicios finales porque sus precios
incorporan el valor de los bienes intermedios. Por tanto, incluir los bienes intermedios conlleva a una
doble contabilización.
Existen 3 métodos para calcular el PBI: el método de gasto, el método de la producción y el método del
ingreso. Las dos primeras son las formas más usuales. el método de gasto, contabiliza la compra agregada
de los bienes y servicios de la economía, es decir, se suma el gasto de: los consumidores de bienes y
servicios locales (consumo privado), el gobierno (consumo e inversión pública), las empresas, los
extranjeros que compran nuestros productos (exportaciones), y, finalmente, se excluye del cálculo el
gasto en bienes no producidos en el país (importaciones).

Inflación:
La inflación es un incremento generalizado y continuo de precios, lo que equivale a la desvalorización de
la moneda con consecuencias negativas en la actividad económica y en el bienestar de la población.
Comúnmente se habla de la tasa anual de inflación de un mes en particular. La tasa de inflación se mide
con el Índice de Precios al Consumidor (IPC).
Los principales determinantes de la inflación son: Factores de oferta(costos de insumos y materia prima,
costos de energía, costos laborales) factores de demanda (aumento de la demanda por encima de la oferta)
y entorno internacional (cotizaciones internacionales, tipo de cambio.)
Dentro de las consecuencias de la inflación está la redistribución de ingresos hacia sectores con menor
propensión a consumir los que significarìa la reducción de la demanda, entre otras están: la elevación de
los costos reales de la mano de obra y reduce la competitividad: disminuye la oferta; la erosión el poder
de compra de los agentes: funciona como un impuesto; contribuye a una mala asignación de los recursos:
dificulta las decisiones de largo plazo(inversión); crea incertidumbre entre los agentes y el mercado;
reduce la intermediación financiera; puede afectar solvencia de empresas y hogares, y por ende del sector
financiero.

Tipo de Cambio Nominal

Se define como el tipo de cambio nominal como el precio relativo de dos monedas, expresado en
unidades monetarias. En el Perú se mide la cantidad de moneda nacional que se paga para comprar una
unidad de la moneda extranjera. Por ello, cuando el TC sube (cae) ocurre una depreciación (apreciación)
de la moneda local, puesto que se necesita más (menos) soles para comprar la misma cantidad de dólares.
Asimismo, los bienes nacionales se vuelven relativamente más baratos (caros) respecto a los extranjeros,
lo que favorece la exportación (importación) de bienes y servicios

Materiales y Métodos

1. Datos
Los datos se obtuvieron del Banco Central de Reserva (BCR), los cuales son de tipo secundario, que están
en orden temporal mensual en el periodo 2004M1 – 2021 M11.

2. Especificación del modelo y estimación a largo plazo de la recaudación del Impuesto

General a las Ventas (IGV)
Para cuantificar las relaciones existentes entre la recaudación del Impuesto General de las Ventas (IGV) y
las variables
explicativas, se plantea inicialmente el siguiente modelo de largo plazo:

LIGV =β 0+ β 1 LPBI + β 2 LIPC+ β 3 LTCN +ɛt

Donde
IGV: Recaudación del Impuesto General a las Ventas. Esta es la variable dependiente que se pretende
explicar.
PBI= Producto Bruto Interno. Esta es una variable cuyo comportamiento afecta de manera positiva a la
variable dependiente.
INFL = Inflación.
TCN= Tipo de Cambio Nominal
𝛽𝑖 = Parámetros a ser estimados (i=0,1,2, 3). Se espera que los coeficientes estimados sean: 𝛽1 > 0; 𝛽2
< 0y 𝛽3< 0.

La estimación MCO del modelo inicial:

LIGV =−3.983279+1.015967 LPBI +1.354063 LIPC−0,309678 LTC N

(0,45)(0.10)(0,17)(0.16)
(−0.83)(9.82)(7,69)(−1.83)
R 2=0.93 F=1027.46 DW =1.501

En la estimación anterior el parámetro asociado al IPC es positivo, lo cual contradice la teoría económica
y la evidencia empírica, por lo que se excluye esta variable. En consecuencia, el modelo se reduce a lo
siguiente:

LIGV =−0,887206+ 1.7727 LPBI + 0.0288256 L LTC N

(0,22)(0.03)(0,16)
(−3.83)( 47.72)(1.70)

R 2=0.91 F=1197.5 DW =1.81

En la estimación anterior el parámetro asociado al TCN es positivo, lo cual contradice la teoría

económica y la evidencia empírica, por lo que se excluye esta variable. En consecuencia, el modelo se
reduce finalmente a:

LIGV =−1.13+1.78 LPBI

(0,22)(0.03)
(0.17)(0,7)

R 2=0.91 F=2371. DW =1.79

Donde las cifras entre paréntesis son los errores estándar asociados a cada parámetro estimado y las cifras
entre corchetes son los estadísticos t.Además, según el valor del 𝑅2 decimos que el 91% de las
variaciones de la recaudación del IGV están explicadas por el PBI
Puesto que el modelo es doblemente logarítmico, los parámetros estimados representan las elasticidades.
Es así como, si el PBI aumenta en un 1 por ciento la recaudación aumenta en 1,78 %,.

Significancia estadística de los parámetros:

La significancia estadística de los parámetros se puede estimar a través del estadístico t. La hipótesis nula
para el parámetro asociado a al PBI establece que:
Ho: 𝛽1 = 0, 𝑒𝑙 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜 𝛽1 𝑛𝑜 𝑒𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜 𝑒𝑠𝑡𝑎𝑑𝑖𝑠𝑡𝑖𝑐𝑎𝑚𝑒𝑛𝑡𝑒.
𝐻1: 𝛽1 ≠ 0, 𝑒𝑙 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜 𝛽1 𝑒𝑠 𝑠𝑖𝑔𝑖𝑛𝑖𝑓𝑎𝑡𝑖𝑣𝑜 𝑒𝑠𝑡𝑎𝑑𝑖𝑠𝑡𝑖𝑐𝑎𝑚𝑒𝑛𝑡𝑒.
tc=βi /ee
Puesto que la probabilidad de cometer un error tipo I es 0.0000, entonces se puede concluir que, el
parámetro estimado es estadísticamente significativo a un nivel de confianza del 99%.
Comportamiento de las variables macroeconómicas del modelo

En los gráficos se observa la tendencia creciente de las variables de la recaudación del IGV y el PBI,
mientras que el tipo de cambio nominal tiene un comportamiento de paseo aleatorio sin deriva. La teoría
econométrica sugiere que estas series son estacionarias y que por ello los momentos de las series son
invariables en el tiempo, sin embargo, se ha comprobado que la mayoría de series macroeconómicas del
Perú muestran un comportamiento no estacionario. Por lo que esta situación invalida el procedimiento
casual de prueba de hipótesis, basado en pruebas F, t, chi-cuadrado, etc. Por lo que estas series serán
sometidas a pruebas de raíces unitarias tales como DFA, PP y KPSS.
Previo al análisis de los correlogramas de las variables se realizó los contrastes de estacionariedad, estas
pruebas permiten evaluar la existencia de RU, Los 2 primeros se construyen en un entorno de que la
hipótesis nula sugiere la existencia de una raíz unitaria, mientras que el último la hipótesis nula sugiere
estacionariedad.
2.1. Contraste de Raíces unitarias y de Estacionariedad para las variables del modelo de
recaudación de IGV
En el siguiente cuadro se presentan las estimaciones de Autocorrelación y la prueba de RU y
Estacionariedad desarrolladas con los test de DFA, PP y KPSS en niveles , a las variables consideradas
en el presente modelo. Entonces al tomar los niveles de las variables, estas presentan un alto grado de
correlación de primer orden, asimismo se contrasta en la suma de las primeras 10 autocorrelaciones para
las variables LIGV, LPBI, LTCN, LIPC. En conclusión, las series del modelo son no estacionarias en
niveles .
De acuerdo con DFA todas las variables tienen raíz unitaria excepto LnP cuando se toma un proceso
generador de datos sin intercepto y sin tendencia sin embargo los coeficientes de correlación para los
primeros retardos son elevados lo cual hace indicar que es no estacionaria. Por otra parte, con PP sucede
lo mismo, todas las series son no estacionarias, a excepción de LnX con un proceso generador de datos
sin intercepto y sin tendencia, pero por el valor elevado de los retardos se concluye que es no estacionaria.
Por último, KPSS muestra que todas las series económicas son no estacionarias o integradas de orden 1.

2.2. Contraste de raíces unitarias y de estacionalidad en primeras diferencias para el modelo de

recaudación de IGV
Dado esto a continuación se realiza las pruebas de raíz unitaria en primeras diferencias, resultando que
todas las series son estacionarias, entonces se concluye que todas las series a usarse en la estimación son
integradas de orden 1. Lo que a su vez permite la estimación de la cointegración bi-etápica de Engle
Granger y a su vez el de la cointegración multivariada de Johansen.

3. Estimación mediante la metodología bi-etápica de Engle-Granger

Cabe precisar que esta metodología es para sistemas bivariados, sin embargo, se puede usar para más de
dos variables. El procedimiento a seguir es:

I etapa. Pruebas de Raíz Unitaria.

Previamente se realizaron las pruebas de raíces unitarias a cada serie. Esta metodología sugiere que todas
las series sean integradas de orden 1.
LnX ~ I (1), LnP ~ I (1) LnI ~ I (1)
Con el análisis realizado anteriormente las variables cumplen dicho requisito.
II Etapa. Estimar la ecuación de largo plazo.

𝐿IGV=𝛽0+𝛽1PBI+ 𝜀𝑡

Luego de ello obtener los residuales 𝜺𝒕 y probar si son estacionarios mediante las pruebas de DFA o PP.
Para desarrollar esta prueba de los perturbaciones se toma un proceso generador de datos sin intercepto y
sin tendencia, puesto que los residuales no son variables económicas. 𝛥𝜀𝑡 =ϒ𝜀𝑡 −1+𝑢𝑡

Entonces: Hipótesis nula H0: ϒ=0, indica que los residuales tienen una raíz unitaria, concluyendo que las
series del modelo no están cointegradas;entonces si H0 no se rechaza entonces la regresión es espuria.Sin
embargo, si 𝜀𝑡~ 𝐼(0), las series están cointegradas y es posible formular un MCE.

Cuadro: Test de raíz unitaria Phillips Perron para los residuales RE

Se observa que el valor calculado de DFA de los residuales (En niveles) es -13,21, siendo mayor( tomado
en valor absoluto) a sus valores críticos al 10%,5%,1% de nivel de significancia; por lo que se rechaza la
hipótesis nula y se concluye que este proceso es estacionario en niveles.

Finalmente podemos concluir que existe cointegración entre las series LIGV Y LPBI.

III Etapa: Si las variables cointegran, entonces se puede formular un Modelo de Corrección de
Errores (MCE)

IV Etapa. Evaluación adecuada del modelo.

̂En esta etapa se debe tomar en cuenta el que el coeficiente de ̂𝑡−1, es el coeficiente de ajuste. Y debeb
cumplir las siguientes condiciones:
(i) Negativo
(ii) Valor no muy grande y
(iii) Estadísticamente significativo, si fuese 0 entonces no hay MCE, sino que el modelo constituye un
modelo VAR en primeras diferencias.

La estimación se hizo en E-Views y se presenta el cuadro siguiente, en donde el parámetro asociado a los
errores del periodo anterior REt-1 (tomado en el cuadro cono LAF RESID) resulta -0.72 con un t
estadístico de -19.65 lo cual es altamente significativo cumpliendo con las condiciones mencionadas.

Este coeficiente indica que en cada periodo se corrige alrededor del 72% de la discrepancia existente
entre el valor actual y lo que corresponde al valor de equilibrio en el largo plazo.

Cuadro: Estimación del Modelo de Corrección de Errores en la metodología de Engle-Granger

 4. Test de la Metodología de cointegración de Johansen para modelo de Recaudacion del
Impuesto General a las Ventas

Para la esta prueba de cointegración de Johansen existen dos estadísticos: el estadístico de Ratio de
verosimilitud o llamado también estadístico de la traza y, el estadístico del máximo valor propio.

4.1. El estadístico de la traza

H2: = π=αβ para la elección r = K, es:

𝐿𝑅𝑡 = ƛ𝑇𝑟𝑎𝑧𝑎(𝑟) = −𝑇 Σ 𝑙𝑛(1 −ƛ̂𝑖 )

𝐾
𝑖=𝑟+1

Donde T es el número de observaciones y las ƛ son las raíces características estimadas. Se

contrasta la hipótesis nula (Ho) que hay como máximo r vectores de cointegración, frente a
la alternativa (H1) de que hay K, r ≤ K.

Prueba de Hipótesis

Las hipótesis nula y alterna son:

Ho: r=0, no existe ningún vector de cointegración (VCI)
H1: r=1, existe 1 VCI
Criterio de decisión: 𝜆𝑡𝑟𝑎𝑧𝑎>𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑐𝑟𝑖𝑡𝑖𝑐𝑜𝑠
Entonces se rechaza la hipótesis nula y se acepta la alternativa que existe 1 VCI

Se obtiene: 𝜆𝑡𝑟𝑎𝑧𝑎=40.60> 𝑣𝑎𝑙𝑜𝑟 𝑐𝑟𝑖𝑡𝑖𝑐𝑜 =15.49 𝑎𝑙 5% 𝑛𝑖𝑣𝑒𝑙 𝑑𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑛𝑐𝑖𝑎

Entonces se rechaza la hipótesis nula; por lo tanto existe un VCI.

Seguidamente se evalúa para dos VCI

Ho: r=1, existe solo 1 vector de cointegración (VCI)
H1: r=2, existe 2 VCI
Criterio de decisión: 𝜆𝑡𝑟𝑎𝑧𝑎 > 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑐𝑟𝑖𝑡𝑖𝑐𝑜𝑠
Entonces se rechaza la hipótesis nula y se acepta la alternativa que existe 2 VCI

Se obtiene: 𝜆𝑡𝑟𝑎𝑧𝑎= 1.79 <𝑣𝑎𝑙𝑜𝑟 𝑐𝑟𝑖𝑡𝑖𝑐𝑜=3.84 𝑎𝑙 5% 𝑛𝑖𝑣𝑒𝑙 𝑑𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑛𝑐𝑖𝑎

Entonces no es posible rechazar la hipótesis nula; por lo tanto, existe solo un VCI.
Cuadro: Test de cointegración con el estadístico de la Traza
4.2. El estadístico de máximo valor propio (maximal eigenvalues statistics)
ƛ𝒓𝒎𝒂𝒙=−𝑇𝑙𝑛(1−ƛ̂𝑟+1)
Mediante la fórmula anterior el cual se contrasta
Ho: r K
H1: r r+1

Cuadro: Test de cointegración con el estadístico del Máximo Valor Propio

Prueba de Hipótesis

Las hipótesis nula y alterna son:

Ho: r = 0, no existe ningún vector de cointegración (VCI)
H1 : r= 1, existe 1 VCI
Criterio de decisión; si λmax˃ valores críticos, entonces se 1 VCI.
Se obtiene
λmax = 38,81 ˃ valores críticos = 14,26 al 5% nivel de significancia = 14,26
Entonces se rechaza la hipótesis nula, y se concluye que si existe 1 VCI.

Seguidamente se evalúa para dos VCI:

Ho : r = 1, existe 1 vector de cointegración
H1 r = 2, existen 2 VCI
Criterio de decisión; si λmax<valores críticos, entonces solo hay 1 VCI.

Se obtiene: λmax =1,79 ˂ valores críticos al 5% del n.s. = 3,84 entonces no es posible rechazar la
hipótesis y se concluye que solo existe 1 vector de cointegración.

Cuadro: Modelo de Johansen: Modelo de Corrección de Errores

Ecuación cointegrante normalizada en el MCE de Johansen
La ecuación cointegrante normalizada del periodo anterior obtenida del Modelo de Corrección de errores
es:
LIGV𝑡−1=-1.629914+1.885711LPBI+ et
(0.03659)
[−51.53]
Donde las cifras entre paréntesis son los errores estándar y las cifras entre corchetes son los estadísticos t.
El coeficiente estimado 𝛽1=1,1885711 es la elasticidad de la recaudación del IGV respecto al precio, es
decir ante una variación del 1% en el PBI, la recaudación del IGV incrementará 1.18%.

Vector de Corrección de Errores Estimados

El coeficiente de ajuste de la ecuación es de -0.45 y es significativo estadísticamente para un t=-6.89. Esto

significa que cada periodo se corrige el 45% de la diferencia entre el valor actual y los valores que
corresponden a su equilibrio de largo plazo.

Gráfico 2: Relación de Cointegración en el modelo de Johansen

5. Metodología de cointegración de Pesaran Shin y Smith: Modelo ADRL

El modelo va permitir la relación a largo plazo sin la necesidad de conocer con certeza si los regresores
son variables I(0) o I(1) o una combinación de ambas. Solo se necesita asegurar de que la variable
dependiente sea I(1) y que ninguna variable utilizada en el análisis sea I(d=>2) .Esto debido a que si
ninguna variable económica es de este tipo, por tanto, las series pueden ser toda I(0), todas I(1).

5.1. Estimación del modelo ARDL en niveles

Se estimó la ecuación de cointegración por el método ARDL, para el periodo de enero del 2004 a
noviembre del 2021 con 212 observaciones. Para ello se utilizó el programa E-Views versión 10, el cual
evaluó 20 modelos y selecciono el siguiente:

𝐿IGVX𝑡=0.010814+0.498114𝐿IGV𝑋𝑡−1-0.132552𝐿PBI𝑋t+1.623210LPBIXt-1-0.728877LPBIXt-
2+0.000679@trend+𝜀𝑡
El R2=0.9816, lo que indica que la variable LIGV es explicada en un 98,16% por la variable LPBI
Cuadro: Estimación de la ecuación del proceso autorregresivo de rezagos distribuidos

Test de ARDL en su forma de largo plazo y bandas

ARDL TEST DE BANDAS

A continuación se presenta el modelo ARDL en su forma de largo plazo y el test de bandas, donde el
estadístico F asociado a las variable 𝐿IGV𝑡−1 es 96.62 y los valores de I(0)=-6.56 y el valor de I(1) = 7.3
para un nivel de significancia del 5%, lo cual indica que existen relaciones de largo plazo entre las
variables consideradas en el modelo; o en otras palabras existe con integración. En caso del valor del
estadístico t, es igual a -13.90 y los valores de las bandas I(0)= .3.13 y I(1)= -3.4, a un nivel de
significancia del 10%. Lo cual nos indica que existe con integración en el largo plazo
La regresión de Corrección de errores del ARDL muestra que la velocidad de coeficiente de ajuste es de -
0.27, decimos que en cada mes se corrigen el 27% de la diferencia existente entre el valor actual y el
valor de largo plazo.

Regresión de corrección de errores en el modelo ARDL

 6. Evaluación Econométrica del Modelo ARDL

DIAGNÓSTICO DE COEFICIENTES:
Test de variables omitidas

Prueba de hipótesis:
Ho= Las variables LIPC y LTCN SON CONJUNTAMENTE SIGNIFICATIVA
Dado que el valor del estadístico F es de 1.598576 a un nivel de significancia del 0.2047, rechazamos la
hipótesis nula; en consecuencia, las variables LTCN Y LIPC deben ser omitidas del modelo final.

Test de variables redundates

Hipótesis Nula: La variable LY es conjuntamente insignificante (no relevante). Puesto que el estadístico F
tiene un valor de 2.397 y un nivel de significancia de 0.1233, se rechaza la hipótesis nula. Esto implica
que la variable ingreso externo (LY) no es redundante y por lo tanto, debe estar incluido en el modelo
final.

DIAGNÓSTICO DE RESIDUALES:
Test de normalidad de errores Jarque-Bera (JB)

Prueba de hipótesis:
Ho: Los errores siguen una distribución normal.
Si JB> 𝜒2 𝑔𝑙2, Rechazamos Ho
El contraste de Jarque-Bera tiene un valor de 79.97978 con una probabilidad de 0.00000; en
consecuencia, se rechaza formalmente la normalidad de los residuos, dado que la probabilidad es menor
que 0.05.

Test de correlación serial: El test de Durbin Watson

213(0.376438)=80.181294< x 2 q ,l ; En consecuencia, se rechaza la hipótesis nula de homocedasticidad,

lo que indica la presencia de heterocedasticidad en el modelo.

Test de Heterocedasticidad ARCHÇ

Con un nivel de significancia de 0.06 se rechaza la hipótesis nula de que es homocedástico, y se acepta
que es un modelo heterocedástico.

DIAGNOSTICO DE ESTABILIDAD:
Test de CUSUM

Como los valores CUSUM acumulados no salen de los límites, no se rechaza la hipótesis de estabilidad,
es decir hay permanencia estructural a un 95% de confianza”

CUSUM 2
“Como los valores de CUSUM Q acumulados se salen de las bandas de confianza, se rechaza la hipótesis
nula de homogeneidad del modelo, lo que indica diversos cambios estructurales”
Muestra que hay cambio estructural
Test de predicción de N-pasos

De acuerdo a la gráfica has cierta inestabilidad en los años 2010-2020

Test de estimaciones recursivas

● Test de residuales recursivos
En el test de coeficientes recursivos el ancho de las bandas con una desviación estándar de ±2 se van
cerrando conforme transcurre el tiempo, lo que indica que el modelo cumple con la propiedad de
estabilidad.

TEST DE CAUSALIDAD Y EXOGENEIDAD

Test de causalidad de Granger

“De acuerdo al test de causalidad de Granger, se concluye que la variable LPBI causa a LIGV y
viceversa, de manera bidireccional

Conclusiones
- A partir de las estimaciones concluimos que el factor determinante a largo plazo en el modelo de
recaudación de IGV es el PBI .
Asimismo es el PBI, se encontró que las variables IPV, TCN son variables significativas en el modelo, sin
embargo, el signo del coeficiente de estas variables contradice la teoría económica puesto que según la
teoría el IPC y el TCN tienen una relación indirecta, pero en el modelo la relación fue directa, por lo que
se excluyen del modelo.
- Por una cuestión formativa se realizó los tests de estacionariedad a todas la variables del modelo inicial,
resultando ser todas integradas de orden 1. Siendo un requisito para las metodologías cointegración de
Egle Granger y Johansen e indistinto para Pesaran salvo si las series están integradas de orden igual o
mayor a 2.
- Resolviendo las metodologías de cointegración se concluyo:
● En la metodología Engle-Granger se resolvió que los errores de los residuales son estacionarios
pudiendo así formular un Modelo de Corrección de Errores(MCE) cuyo resultado fue que en
cada periodo se corrige alrededor del 72% de la discrepancia existente entre el valor actual y lo
que corresponde al valor de equilibrio en el largo plazo.
● Del mismo modo con la cointegración de Johansen se contrastó que la serie pose 1 variable de
cointegración bajo los estadísticos de la traza y del máximo valor propio por lo tanto el
coeficiente de ajuste de la ecuación es de -0.45 y es significativo estadísticamente Esto significa
que cada mes se corrige el 45% de la diferencia entre el valor actual y los valores que
corresponden a su equilibrio de largo plazo. De esta forma aceptamos la hipótesis específica 1,
ya que se comprobó la existencia de equilibrio a largo Plazo con la metodología de Engle
Granger.
● Con la Metodología de Pesaran,modelo ARDL en su forma de largo plazo y el test de bandas
indica que existen relaciones de largo plazo entre las variables consideradas en el modelo; o en
otras palabras existe cointegración.En caso del valor del estadístico F indica que existe
cointegración en el largo plazo. La regresión de Corrección de errores del ARDL muestra que la
velocidad de coeficiente de ajuste es de -0.27, decimos que en cada mes se corrigen el 27% de la
diferencia existente entre el valor actual y el valor de largo plazo.La evaluacion econometrica
realizada a este modelo indica que existe quiebre estructural por lo que la estabilidad de la serie
se ve afectada, esta afección es debido a situaciones externas que afectan su comportamiento tal
es el caso de Covid-19, por lo que para un siguiente estudio se puede reducir el periodo de
referencia, esperando así que el modelo ARDL pueda superarlos test.

BIBLIOGRAFIA:

Anaya-Narváez, A. R., & Romero-Álvarez, Y. P. (2018). La inclusión financiera

en Sincelejo (Colombia). Un modelo econométrico probit. Ecos de Economía,
22(46), 91–110.
Ascúa, R. (2009). La importancia del proceso emprendedor en la Argentina post
crisis 2002 y las asimetrías en la evaluación de factores influyentes en el
financiamiento de empresas.
Celis, M. F. F. M., & Quitián, I. F. J. (2016). Inclusión financiera en Colombia.
Ploutos, 6(2), 14–25.
CREDICORP. (2021). Índice de Inclusión Financiera de CREDICORP.
https://img.lalr.co/cms/2021/09/17160940/Informe-de-Inclusión-Financiera-de-
Credicorp_compressed.pdf
García-Mata, O., Briseño-García, A., & García-Fernández, F. (2021).
Obsolescencia del conocimiento financiero. Investigación Administrativa, 50–2, 1–
19. https://doi.org/10.35426/IAV50N128.05
INEI. (2020). Condiciones de Vida en el Perú.
https://www.inei.gob.pe/media/MenuRecursivo/boletines/informe_condiciones-de-
vida.pdf
Lahura, E., & Padilla Alonso, E. (2016). Sistema financiero, informalidad y
evasión tributaria en el Perú.
Lizarzaburu Bolaños, E. R., & del Brío, J. (2016). Evolución del sistema financiero
peruano y su reputación bajo el índice Merco. Período: 2010-2014. Suma de
Negocios, 7(16), 94–112. https://doi.org/10.1016/J.SUMNEG.2016.06.001
Morón, E., Tejada, J., & Villacorta, A. (2010). Competencia y concentración en el
sistema financiero en el Perú.
Multidisciplinar, P. P.-C. L. R. C., & 2021, U. (2021). Información asimétrica e
inclusión financiera en Piura. ciencialatina.org.
https://doi.org/10.37811/cl_rcm.v5i3.563
Orazi, S., Martinez, L. B., & Vigier, H. P. (2019). La inclusión financiera en
América Latina y Europa. Ensayos de Economía, 29(55), 181–204.
https://doi.org/https://doi.org/10.15446/ede.v29n55.79425
Roa, M. J. (2013). Inclusión financiera en América Latina y el Caribe: acceso, uso
y calidad. Boletín del CEMLA, 59(3), 121–148.
Rodríguez-Raga, S., & Rodríguez, F. F. R. (2016). Determinantes del acceso a los
productos financieros en los hogares colombianos. Estudios Gerenciales, 32(138),
14–24.
Ruiz, D. E. C., Hoyos, M. C., & Saavedra-Caballero, F. (2018). Género e inclusión
financiera en Colombia. Ecos de Economía: A Latin American Journal of Applied
Economics, 22(46), 60–90.
Stiglitz, J. E. (2009). Lessons for economic theory from the global financial crisis.
Eastern Economic Journal, 35, 281–296.
Suárez, L., … L. P.--para-la-inclusion-financiera-en, & 2017, U. (2017). Índice de
prácticas regulatorias para la inclusión financiera en América Latina: Facilitadores,
Promotores y Obstaculizadores. bbvaresearch.com.
Tello-Gamarra, J., … M. H.-M.-… de A., & 2017, U. (2017). Capacidad
transaccional: evidencias del sistema financiero peruano. SciELO Brasil.
Tuesta, D., Sorensen, G., … A. H.-D., & 2015, U. (2015). Inclusión financiera y
sus determinantes: el caso argentino. researchgate.net.
Vega, M., & Aurazo, J. (2020). Evolución de la inclusión financiera y uso de pagos
digitales en el Perú: un análisis a partir de la ENAHO. Revista Moneda, 184, 15–
20.
ANEXOS
Estimación MCO del modelo inicial

Estimación MCO del modelo sin la variable IPC

Estimación MCO del modelo final

RealizaciÒn de LIGV
RealizaciÒn de LPBI

RealizaciÒn de LTCN
RealizaciÒn de LIPC

RealizaciÒn de as variables en conjunto

Correlograma LIGV en niveles

Correlograma LIGV en diferencias

Correlograma LPBI en niveles Correlograma LPBI en diferencias
Correlograma TCN en niveles Correlograma TCN en diferencias
Correlograma IPC en niveles Correlograma IPC en diferencias
Resultados del test de DFA para LIGV (En niveles) Resultados del test de DFA para LGVI (En diferencias)
Resultados del test de DFA para LPBI (En niveles) Resultados del test de DFA para LPBI (En diferencias)
Resultados del test de DFA para LTCN (En niveles) Resultados del test de DFA para LTCN (En diferencias)
Resultados del test de DFA para LIPC(En niveles) Resultados del test de DFA para LIPC (En diferencias)
Resultados del test de PP para LIGV(En niveles) Resultados del test de PP para LIGV(En diferencias)
Resultados del test de PP para LPBI(En niveles) Resultados del test de PP para LPBI(En diferencias)
Resultados del test de PP para LTCN(En niveles) Resultados del test de PP para LTCN(En diferencias)
Resultados del test de PP para LIPC(En niveles) Resultados del test de PP para LIPC(En diferencias)

Resultados del test de KPSS para LIGV(En niveles)

Resultados del test de KPSS para LIGV(En diferencias)
Resultados del test de KPSS para LPBI(En niveles) Resultados del test de KPSS para LPBI(En diferencias)

Resultados del test de KPSS para LTCN(En niveles)

Resultados del test de KPSS para LTCN(En diferencias)
Resultados del test de KPSS para LIPC(En niveles) Resultados del test de KPSS para LIPC(En diferencias)
Metodologia de cointegracion bi-etapica de Engle Granger

Test de raíz unitaria de los residuales RE

Grafica de los residuales

Modelo de Correccion de Errores (Engle y Granger)
 Econometría III
V Semestre, 2021-II
_______________________________________________________________________________________