Modelo univariado de serie de tiempo

PIB per cápita (UMN a precios constantes) 1968-2017

Liseth Hernandez Garcia
INTRODUCCION
El PIB per cápita, ingreso per cápita o renta per cápita es el indicador económico que mide la
relación existente entre el nivel de renta de un país y su población. Para ello, se divide
el Producto Interior Bruto (PIB) de dicho territorio entre el número de habitantes. Estudiar el
comportamiento del PIB per cápita es muy importante porque permite conocer la capacidad
productiva de una economía cerrada.
existe un punto donde el ingreso per cápita nos beneficia en la vida de todos y este es en la
recolección de impuestos. Los impuestos se aplican de todas las formas que las leyes del lugar
lo determinan, el IVA por ejemplo, grava sobre la venta de productos y/o servicios afectos (la
gran mayoría) y otros impuestos específicos gravan siempre sobre movimientos de dinero,
mantención de bienes, y si además se estudia el PIB a precios constantes el análisis se hace
Mientras mayor sea el PIB de un país, mayor cantidad de impuestos obtendrá y esto beneficia a
todos puesto que considerando que los gobernantes hagan uso adecuado de estos recursos
conocer el crecimiento real de una economía.
Este trabajo tiene como objetivo conocer cuál es la serie que posiblemente da origen a los
datos que conforman el ciclo económico colombiano, para cumplir con esto se recopilaron los
datos de 1968-2017, los cuales se analizaron con estadísticas descriptivas, se usó la
metodología de Víctor guerrero para estacionalizarlos en su varianza y a través de las pruebas
de raíz unitaria se encontró la transformación que los estacionaliza en la media. Atreves del
análisis univariado se encontró que el PIB per cápita a precios constantes solo puede ser
representada en un modelo, además se aprecia que al corregir el problema en su varianza se
encuentra que esa misma transformación es la adecuada para su media
OBJETIVO GENERAL
El objetivo de este trabajo es analizar la serie del PIB per carpita en Colombia (PIB per cápita),
desde 1968 hasta 2017, a través de un modelo univariado y verificar si dicho modelo tiene
buenas capacidades predictivas para proyectar los años siguientes (2018-2022).
MARCO REFERENCIAL
1. Marco teórico
Modelo de crecimiento económico de Solow:
El modelo de Solow pretende explicar cómo crece la producción nacional de bienes y servicios
mediante un modelo cuantitativo. En el modelo intervienen básicamente la producción nacional
(Y), la tasa de ahorro (s) y la dotación de capital fijo (K). El modelo presupone que el Producto
interno bruto (PIB) nacional es igual a la renta nacional (es decir, se supone una "economía
cerrada" y que por tanto no existen importaciones ni exportaciones).
La producción por otra parte dependerá de la cantidad de mano de obra empleada (L) y la
cantidad de capital fijo, (es decir, maquinaria, instalaciones y otros recursos usados en la
producción) y la tecnología disponible (si la tecnología mejorara con la misma cantidad de
trabajo y capital podría producirse más, aunque en el modelo se asume usualmente que el nivel
de tecnología permanece constante). El modelo presupone que la manera de aumentar el PIB
es mejorando la dotación de capital (K). Es decir, de lo producido en un año una parte es
ahorrada e invertida en acumular más bienes de capital o capital fijo (instalaciones, maquinaria),
por lo que al año siguiente se podrá producir una cantidad ligeramente mayor de bienes, ya que
habrá más maquinaria disponible para la producción. En este modelo se llega a un estado
estacionario en el cual el ahorro es igual a la tasa de crecimiento de la población y la
depreciación en este punto la economía alcanza su óptimo y de allí en adelante no crecerá más
la economía.
La Ley Harrod-Thirlwall:
Este es un modelo de corte poskeynesiano de crecimiento económico en el largo plazo, con
vinculación al sector externo de Thirlwall (1979), con el cual buscó darle explicación al
complicado problema de crecimiento divergente que existe entre las distintas economías.
Para Thirlwall, la demanda es el factor que desempeña el papel fundamental en el estudio de
los diferenciales de crecimiento entre naciones, factor que, el análisis ortodoxo sin embargo, se
ha encargado de ignorar al suponer que en el largo plazo las economías logran alcanzar el
pleno empleo, al resolverse los problemas de rigidez de precios en el corto plazo. Por otro lado,
el autor expone que la balanza de pagos y en particular la cuenta corriente, constituye una
restricción fundamental para la tasa de expansión económica de largo plazo de los países en
desarrollo. Anthony Thirlwall logra demostrar como las economías no convergen en el largo
plazo pues las economías que son abundantes en bienes de capital tienen una alta elasticidad
ingreso de la demanda por el contrario las economías que son intensivas en bienes intensivos
en materias primas tienen una baja elasticidad ingreso de la demanda por lo que siempre están
en desventajas respecto a las otras economías y con los términos de intercambios deteriorados.
2. Estado del arte
Fluctuaciones del producto y choques monetarios: evidencia colombiana
En este artículo realizado por José Luis Iparraguirre D’elia(10) analiza la evolución cíclica del
producto interno bruto de Colombia entre 1905 y 2008, buscando estimar como se generaron
los datos de dichas fluctuaciones utilizo los siguientes métodos univariados: tendencia lineal,
tendencia cúbica, ciclo del test de Zivot-Andrews, descomposición de Beveridge-Nelson,
componentes no observados/filtro de Kalman, Hodrick-Prescott, Hodrick-Prescott con doble
paso de banda, Christiano-Fitzgerald, Butterworth, modelo Plucking, SETAR, y LSTAR. Por
otro lado, realiza una comparación con los modelos obtenidos para encontrar cual es el más
correcto.
El principal resultado de este trabajo es que no puede afirmarse que varias de las diferentes
series obtenidas del ciclo económico colombiano provengan de una misma distribución
estadística: se trataría de series diferentes.
Algunos tópicos econométricos de interés: Series de tiempo, pronósticos, no linealidad
El propósito de este artículo es presentar una revisión conceptual, técnica y de aplicaciones de
algunos tópicos de econometría, considerados de relevancia, por sus aportes al análisis,
entendimiento e interpretación de problemas teórico-aplicados de la economía, así como por el
nivel de desarrollo alcanzado en los últimos años. Series de tiempo univariadas y multivariadas,
pronósticos y no linealidad, son contextualizados y revisados. En este artículo Elsa m. castro
franco, nos explica que tipo de modelos serían los ideales para identificar como se ideo la serie
de la variable estudiada, por ejemplo: Si la variable de investigación fuera el PIB, es posible a
través de esta metodología, conocer para cada periodo de tiempo, la estimación e
interpretación de cada una de las componentes (tendencia, estacionalidad, cíclica e irregular)
con fines de análisis e incluso de pronóstico.
Análisis estadístico de la naturaleza de los componentes del PIB colombiano:
Este trabajo estudia dicha naturaleza en la serie agregada macroeconómica del PIB trimestral
colombiano en el período que comienza el primer trimestre de 1977 y que finaliza el cuarto
trimestre del mismo año. Para ello Rafael Guillermo García Cáceres y María Elsa Correal Núñez
(11) utilizan como guía los trabajos pioneros de Para tal fin se utilizan diversas metodologías,
en las que incluimos los trabajos pioneros de Nelson y Plosser, Watson, Campbell y Mankiw y
Cochrane. Llevaron a cabo el siguiente proceso:
Inspección y descripción de la serie: Se estabiliza la serie en la varianza, con el propósito de
modelar la serie del PIB trimestral. Utilizando un esquema similar al efectuado por Romer se
determinan las pendientes del crecimiento y las recesiones encontradas en la serie estabilizada,
analizando sus características de tiempo y magnitud, con el propósito de hacer una
aproximación a la naturaleza de los componentes del PIB trimestral colombiano.
Se analizó la naturaleza de no estacionariedad basados en el artículo de Nelson y Plosser: Se
analizaron los correlogramas de la serie TS, DS, el test aumentado de Dickey Fuller los
modelos asociados a la metodología, con el fin de determinar la naturaleza de la no
estacionariedad. Por último, se analizó la permanencia y la permanencia ante choques
recesivos y expansivos.
METODOLOGÍA
La variable PIB per cápita a precios constantes de 1960-2017 es una variable medida en pesos
colombianos y la información fue extraída del banco mundial.
La metodología usada en la realización de este trabajo fue la siguiente:
1. Se extrajo la serie de tiempo del banco mundial.
2. Graficamos la serie de tiempo para observar su comportamiento.
3. Analizamos la gráfica usando también estadísticas descriptivas de a variable.
4. Se identificó que la gráfica tenía problemas de tendencia y de variabilidad.
5. Utilizando la metodología de Víctor guerrero se solucionó transformando la variable el
problema de variabilidad.
6. Con los datos transformados y usando el paquete econométrico eviews se realizaron los
correlogramas para tener una idea del modelo a estimar.
7. Se determinó que la serie en su nivel era estacionaria en su media.
8. Se realizaron las pruebas de raíz unitaria para seleccionar el modelo.
9. Se realizaron las pruebas para comprobar la aleatoriedad pura de los residuos.
10. Se llevaron a cabo las pruebas de normalidad, autocorrelación y heterocedasticidad.

Grafica de dispersión

PIB per cápita (UMN a precios

constantes)
20,000,000
15,000,000
10,000,000
5,000,000
-
1960 1970 1980 1990 2000 2010 2020
 Se puede observar en la gráfica de dispersión que la serie sigue una tendencia creciente, pero
que presenta problemas en su varianza y en su media.
Estadísticas descriptivas

Las estadísticas de la serie nos muestran que los Colombianos anualmente en promedio se
ganan $10.462.713 millones de pesos, el valor central de los datos $10.033.758 millones de
pesos, como el coeficiente de asimetría es mayor a 0 quiere que la distribución es asimétrica
positiva, también nos dice que en esta serie no hay datos que se repitan lo que quiere decir es
que no hay moda, la Curtosis de la variable nos dio -0,35 esto quiere decir que la serie es
platicúrtica, es decir es menos apuntada y con colas menos gruesas que la normal.
Boxplot

El grafico boxsplot nos muestra que la media y la mediana son diferentes pero no distan una
mucho de la otra, por otro lado no existen datos atípicos ni datos repetidos, el valor mínimo es
el PIB del primer año de estudio y el máximo el del año reciente, también observamos que la
distribución que sigue esta serie no es normal.
La metodología de V. guerrero para corregir el problema de varianza
Para el desarrollo de la metodología Box-cox se eliminó el 20% de los datos y se formaron 4
grupos homogéneos de 10 años cada uno. Como se observa en la tabla el valor de la landa que
corresponde al menor coeficiente de variación es de -0,75 que al ser diferente de cero sabemos
que la transformación a utilizar debe ser distinta al logaritmo, en este caso se elevan los valores
a la potencia -0,75.
La grafica que se forma al solucionar el problema de la varianza es:

PIB per capita transformado

12

10

0
0 2 4 6 8 10 12

Se observa que la variable ya no tiene un comportamiento creciente sino que por el contrario
decrece, además los valores se encuentran entre las bandas de 0,000009 y 0,000003.
El segundo paso es realizar los correlogramas, observar que tipo de modelo tenemos y que
transformación utilizar para resolver el problema de la media.
Correlogramas

El correlograma de autocorrelación nos muestra un decrecimiento lento lo cual nos está

indicando que estamos en presencia de un esquema auto regresivo AR, asi mismo el
correlograma de autocorrelación parcial nos muestra que solo una barra sobresale de las
bandas lo cual nos indica que esta serie de tiempo se originó atreves de un esquema auto
regresivo de orden 1 es decir AR(1).
Pruebas de raíz unitaria
Realizamos las pruebas de raíz unitaria para determinar el tipo de modelo y si tenemos
problemas de estacionalidad en la media. Hipótesis:
H0: la variable NO es estacionaria H1: la variable es estacionaria
Modelo en su nivel y con deriva

Modelo en su nivel con tendencia e intercepto

Modelo en su nivel y sin deriva

Elección del modelo
Se puede apreciar que tanto el modelo en su nivel y con deriva y el modelo en su nivel con
deriva y tendencia no pasan la prueba pues el valor-p es mucho mayor al 5% por lo que nos
esta indicando que no hay suficiente evidencia estadisticamente sigificativa para rechazar la
hipotesis nula es decir para los dos casos anteriores la serie de tiempo no es estacionaria.
Por el contrario la variable en su nivel y con deriva si pasa la prueba de dickey y fuller pues el
valor-p es mucho menos que le nivel de significancia por lo que se rechaza la hipotesis nula lo
que nos esta indicando que la serie de tiempo si es estacionaria por ende el modelo a estimar
seria el siguiente: Yt= Yt-1 que para nuestro caso seria PIBT= PIBt-1. Cabe resaltar que nuestro
modelo presenta un R2 muy bajo y un durbin-watson poco significativo, pero el estimador es
significativo y el valor del criterio de akaike es bastante bajo lo que es un buen signo del
modelo.
Estimación el modelo AR(1)
Yt= Yt-1 donde Yt= PIBest= PIB percapita a precios constantes elevado al landa -0.75
PIBest =PIBest (−1)
 PIBest=0,983195 PIBest(−1)
El siguiente paso es la construcción del intervalo de confianza para saber cuáles rezagos son
significativos. Como n=50 observaciones entonces Spk^2=1/50= 0,02 y su desviación estándar
será S(pk=√0,02=0,14142135623). Para un c.c =95% se tiene una z=1,96
PK=±1,96(0,14142135623)= 0,27718585821
correlograma DEL PIB.

En él se observa que ningún coeficiente es mayor que 0,2771(intervalo de confianza) por lo que
ningún coeficiente es estadísticamente significativo.
Procedemos ahora con el correlograma de los residuos de modelos para ruido blanco

H0: los residuos del modelo son ruido blanco

H1: los residuos del modelo no son ruido blanco
Como se puede observar en el correlograma hasta el rezago 6, los residuos no se comportan
con ruido blanco, a partir de allí desde el rezago 7 los valores-p del estadístico Q son mayores
que el 5% por lo que no hay suficiente evidencia para rechazar la hipótesis nula que nos indica
que los residuos se comportan siguiendo la caminata aleatoria.

Por otro lado, si sacamos la primera diferencia de los residuos estos presentan el siguiente
correlograma.

Se puede observar que ningún rezago supera las bandas y que todos se encuentran dentro de
los límites establecidos por ellas. Además, el correlograma nos está indicando que los residuos
son ruido blanco dado que los valores-p del estadístico Q son mayores al 5%.

prueba de normalidad jarque-bera

H0: los residuos del modelo se distribuyen normalmente
H1: los residuos del modelo no se distribuyen normalmente

Como se puede observar los residuos del modelo no se distribuyen normalmente, pues el valor-
p es menor que el 5% por lo que se rechaza la hipótesis nula.
Test de heterosedasticidad de GleJser
H0: los residuos son homocedasticos
H1: los residuos son heterocedasticos

Como se puede observar el valor-p de la Chi cuadrado es mayor que el 5% por lo que no hay
suficiente evidencia estadística para rechazar H0 por lo que se puede afirmar que los residuos
tienen varianza constante.
Prueba de auto correlación Breush-gorfrey
H0: los residuos no presentan autocorrelacion
H1: los residuos presentan autocorrelación
Usamos este test ya que los modelos autoregresivos al tener una variable rezagada en el
tiempo no cumplen con los requisitos para la prueba de Durbin y Watson, y esta prueba es muy
utilizada para este tipo de modelos.
Se encontró que el valor-p de la Chi cuadrado es menor que el nivel de significancia del 5% por
lo que se rechaza la hipótesis nula, lo cual nos quiere decir que los residuos del modelo están
correlacionados.
Predicciones
Primero se evalúa la capacidad predictiva del modelo
La línea azul representa el valor de las predicciones donde PIBestF= valor futuro de la variable
en su nivel que recordemos está en elevada a la potencia -0,75. La línea roja representa las
desviaciones, que se encuentran relativamente cercanas a las predicciones, también se puede
observar que el PIBestF no toma valor de cero, y que el coeficiente de Theil nos muestra que
existe una desigualdad del 0.007605 que podremos considerar pequeña.

Comparemos ahora en una gráfica el comportamiento PIBest y PIBestF

En la gráfica muestra que la línea azul es el comportamiento de la variable real y en la línea roja
el comportamiento de la variable predicha, es evidente que la diferencia entre ambas es muy
pequeña, inicialmente PIBestF está un poco por encima de PIBest pero luego convergen y esta
convergencia se explica en que la línea roja está en muchos momentos por encima de la línea
azul de hecho en los últimos años se aprecia que ambos valores son muy similares. Lo anterior
nos da un indicio de que el modelo tiene una gran capacidad predictiva, otro aspecto a resaltar
es que la variable que recordemos esta transformada no toma nunca el valor de cero, sino que
oscila entre 0.000003 y 0.000009.
Grafico predicción 2018-2022

Observamos en azul los pronósticos los cuales siguen el comportamiento de la variable real
transformada y en rojo las desviaciones estándar de estos.
Obtención de los valores predichos
Lo que se hizo inicialmente es encontrar los valores transformados del PIB per cápita usando el
modelo autoregresivo estimado. El que se obtuvo es el PIB per cápita transformado, luego se
divide ese valor entre 1 para obtener el reciproco, por último, se eleva el reciproco a la 4/3 y se
obtiene el valor del PIB del año que se quiere predecir.
PIB=0,981349PIB (-1)

Conclusión
El PIB per cápita de un país no es un indicador adecuado para medir el bienestar de un país ya
que depende de su número de habitantes. En el presente trabajo se logró encontrar el modelo
más adecuado que explica cómo se generaron los datos el cual fue el esquema autoregresivo
de orden 1 AR (1), tiene buena capacidad de predicción ya que los valores estimados
contractados con los valores reales son prácticamente iguales solo con algunas excepciones.
Tuvo problema de media y varianza la cual se corrigió la transformación que se hizo fue elevarlo
a la -3/4.
Bibliografía

 Econometría quita edición gujarati

 Solow, R. (1989). Un modelo de crecimiento. Amartya Sen, Economía del Crecimiento.
México: FCE.
 Iparraguirre D'elia, J. L. (2011). Fluctuaciones del ciclo económico de Colombia. análisis
comparativo según métodos univariados. Semestre Económico, 14(30), 61-85.
 Cáceres, R. G. G., García, G., Núñez, M. E. C., & Correal, E. (2003). Análisis estadístico
de la naturaleza de los componentes del PIB colombiano. Ingeniería y Desarrollo, (13).
 Reinhart, C., & Reinhart, V. (1991). Fluctuaciones del producto y choques monetarios:
evidencia colombiana.
 Franco, E. M. C. (2010). Algunos tópicos econométricos de interés: Series de tiempo,
pronósticos, no linealidad. Apuntes del CENES, 20(31-32), 47-61.