Informe Nº4 IMACEC Finalizado

ADMINISTRACIÓN
Y NEGOCIOS
10-7-2019
Análisis del IMACEC.

<<Enfoque Teoría Keynes>>
NOMBRE: Marcela Barraza Ramírez.

Natalia Castillo Martínez.
Felipe Espinosa Mardones.
CARRERA: Ingeniería Comercial.
ASIGNATURA: Econometría 693.
PROFESOR: Francisco Araya Araya.
1 Índice.
2 Análisis econométrico del IMACEC en función de las industrias con mayor significancia en su
resultado. ..................................................................................................................................... 3
3 Introducción........................................................................................................................... 3
4 Enfoque de la investigación. .................................................................................................. 5
5 Planteamiento propuesto de investigación. ........................................................................... 6
6 Metodología de la investigación. ........................................................................................... 6
6.1 Planteamiento de la teoría Económica. .......................................................................... 6
6.2 Especificación del modelo Matemático de la teoría. ....................................................... 9
6.3 Especificación del modelo econométrico. ....................................................................... 9
6.4 Obtención de datos. ..................................................................................................... 11
7 Selección del modelo. ......................................................................................................... 12
8 Estimación de los parámetros del modelo. .......................................................................... 12
8.1.1 Cálculo de los Parámetros .................................................................................... 12
8.1.2 Interpretación de los parámetros. .......................................................................... 13
8.1.3 Análisis de los errores cuadráticos. ....................................................................... 13
8.1.4 Intervalo de confianza. .......................................................................................... 14
8.1.5 Significación Individual .......................................................................................... 15
8.1.6 Significación Global ............................................................................................... 16
8.1.7 Análisis de errores cuadráticos ............................................................................. 16
8.2 Comprobación de supuestos Básicos .......................................................................... 16
8.2.1 Heteroscedasticidad (supuesto 4 del MCO) .......................................................... 16
8.2.2 Autocorrelación (supuesto 5 del MCO) .................................................................. 17
8.2.3 Multicolinealidad (supuesto 8 del MCO) ................................................................ 17
8.2.4 Sesgo de especificación (supuesto 9 del MCO) .................................................... 17
8.2.5 Normalidad de residuos (supuesto 10 del MCO) ................................................... 18
8.3 Prueba de Hipótesis. .................................................................................................... 18
8.4 Pronóstico o Predicción. ............................................................................................... 19
9 Conclusión. ......................................................................................................................... 20
1
10 Recomendación. .............................................................................................................. 21
11 Bibliografía....................................................................................................................... 24
12 Anexos ............................................................................................................................ 26
Tablas:
Tabla 1: Recopilación de datos. ................................................................................................. 11

Tabla 2 Comparación de modelos estudiados. ........................................................................... 12
Tabla 3: Calculo de Proyección 2019. ........................................................................................ 19
Gráficos:
Gráfico 1: Comportamiento de las variables. ................................................................................ 8

Gráfico 2: Comportamiento teoría. ............................................................................................... 8
Gráfico 3: Estimación de la variable explicada y real. ................................................................. 15
Anexos:
Anexo 1: Modelo 1: Variable explicativa Minería. ....................................................................... 26

Anexo 2: Modelo 2: Variable explicativa Manufacturera. ............................................................ 27
Anexo 3: Modelo 3: Variable explicativa Comercio. .................................................................... 28
Anexo 4: Modelo 4: Multivariable Minería-Manufacturera-Comercio. .......................................... 29
Anexo 5: Modelo 5: Multivariable sin constante. ......................................................................... 31
Anexo 6: Modelo 6: Multivariable Minería-Comercio. .................................................................. 31
Anexo 7: Modelo 7: Multivariable Minería-Manufactura. ............................................................. 32
Anexo 8: Modelo 8: Multivariable Manufacturera-Comercio. ....................................................... 33
Anexo 9: Datos IMACEC 2018 Reales v/s Pronostico. ............................................................... 34
Anexo 10: Estadísticos t. ............................................................................................................ 35
2
2 Análisis econométrico del IMACEC en función de las industrias
con mayor significancia en su resultado.
Concepto econometría
Las tomas de decisiones en muchos contextos se basan con frecuencia en los análisis de datos.
La econometría trata de responder a preguntas, cuyo funcionamiento es imposible de caracterizar
con total seguridad, exactitud y certeza.
Como bien lo explica el autor Valavanis (1959), “El objetivo de la econometría es expresar las
teorías económicas bajo una forma matemática a fin de verificarlas por métodos estadísticos y
medir el impacto de una variable sobre otra, así como predecir acontecimientos futuros y dar
consejos de política económica ante resultados deseables.” (Valavanis, 1959)
3 Introducción.
En este informe se comenzará por realizar un análisis econométrico aplicado al cálculo del
IMACEC en función de las variables precio industria manufacturera, industria comercial e industria
minera y se quiere comprobar cuál de estas variables afecta en un mayor porcentaje al cálculo del
IMACEC en Chile, aplicando un planteamiento preciso que responde a la pregunta concreta cuya
respuesta se resolverá a través de evidencia empírica obtenidas a través de una colección de
datos de fuentes fidedignas, con la finalidad de obtener una estimación de lo consultado,
obteniendo así una hipótesis alternativa y una hipótesis nula.
Para explicar esta teoría el siguiente informe será desglosado y explicado en base a la metodología
clásica de la econometría, que predomina en la investigación empírica en economía y en los
campos relacionados. Según Gujarati y Porter esta metodología posee 8 lineamientos, la cual
comienza por el planteamiento de la teoría o de la hipótesis, especificación del modelo matemático
de la teoría, especificación del modelo econométrico, la obtención de datos, la estimación de los
parámetros del modelo econométrico, prueba de hipótesis, pronóstico y utilización del modelo para
fines de control (Gujarati & Porter, 2010).
El IMACEC (indicador mensual de actividad económica) constituye una herramienta fundamental

para medir la evolución de la actividad económica de corto plazo. La evidencia internacional
describe dos enfoques para construir indicadores sintéticos de actividad económica, uno
estocástico y otro contable. (Banco Central de Chile, 2005)
Este estudio se realizará con el fin de determinar econométricamente que variable influye más en
el indicador IMACEC, tomando en cuenta solo tres variables de su composición total las cuales
son industria Minera, Industria Comercial e Industria Manufacturera y la relación directa que tienen
estas variables con el indicador macroeconómico.
3
Si bien en las proyecciones realizadas por analistas y entidades bancarias para este año (2019)
estimaron que el desempeño del área minera ha disminuido en comparación al año anterior.
Respecto al retroceso del IPI, Sebastián Cerda, gerente de Estudios de Econosult, comentó que
"la importante caída del sector minería impactó negativamente al índice de enero, lo cual estaba
dentro de nuestras proyecciones. Sin embargo, cifras algo mejores a lo esperado en manufactura
lograron compensar en parte este registro, restándole algo de pesimismo". (Emol, 2019).
Por su parte, desde el Banco Santander hicieron hincapié sobre el sector de la minería, el cual
cayó un 4,8% en enero. "Es posible que en febrero la minería vuelva a tener un desempeño bajo,
incidido por los fenómenos climáticos en el norte del país". (Emol, 2019).
Los sectores económicos mostraron un comportamiento menor al esperado. Es que la caída de

3,4% que mostró la industria manufacturera no estaba en el cálculo de ningún economista y llevó
a que el mercado recortada sus proyecciones para el IMACEC de diciembre. Si bien, la minería
subió 4,2% no logró amortiguar el mal comportamiento del sector fabril. Así las cosas, con estas
nuevas cifras sobre la mesa, los expertos proyectan que el crecimiento del último mes del año
fluctuará entre 1,3% a 2,5%. (Emol, 2019).
De acuerdo con estas proyecciones se realizará el desarrollo de la investigación econométrica

para determinar si el IMACEC varía en función de la industria minera, comercial o manufacturera
en Chile, las que en las proyecciones realizadas por los expertos anterior mente mencionadas, se
ratifica que en momentos en que estas industrias se han visto afectadas, ha repercutido
directamente al cálculo final del indicador en cuestión.
Cabe señalar que para realizar estos cálculos se trabajara con Excel y el software Gretl, ya que
son herramientas específicamente diseñada para poder realizar análisis empíricos acerca de la
estimación de modelos econométricos, además proporciona información estadística mediante las
diferentes aplicaciones de los softwares.
4
4 Enfoque de la investigación.
Para el enfoque de investigación, se presentan dos teorías que podrían llegar a explicar el enfoque
de la investigación, la teoría del consumo de Keynes, o la teoría cuantitativa del dinero explicada
por Fisher. Ambas teorías permiten explicar de manera general y efectiva, la relación directa que
tienen las variables explicativas con la variable explicada, debido a que se estima que las
relaciones de estas variables se comportan de manera directa con el IMACEC.
La teoría consumo de Keynes explica el comportamiento de la variable consumo, siendo esta

dependendiente de la renta disponible del periodo, por lo tanto, hace alusión a que mientras mayor
es la renta de un individuo, mayor es el consumo, generando así un comportamiento directo entre
las variables.
La teoría cuantitativa del dinero, explicada desde el enfoque de Fisher, muestra un análisis
macroeconómico y esta hipótesis descansa sobre una relación directa y predecible entre la
cantidad de dinero en circulación y el nivel de precios, esto quiere decir que cuando los precios
suben, aumenta la demanda de dinero.
Aunque ambas teorías explican la relación directa entre las variables planteadas, se decidió un
enfoque basado en de la teoría del consumo de Keynes con el fin de encontrar respuestas
macroeconómicas respecto a cuál de las variables tiene más relevancia en el cálculo final del
IMACEC.
En el caso de esta investigación, el indicador mensual IMACEC es explicado por tres variables
explicativas, estas son industria minera, industria manufacturera e industria comercial, donde a lo
largo de la investigación se definirá cuál de estas es la más significativa en el momento del cálculo
de este indicador macroeconómico y si resulta efectiva la hipótesis de la relación directa entre las
variables individualmente con el IMACEC.
5
5 Planteamiento propuesto de investigación.
En este informe se pretende explicar si las variables independientes tienen una relación directa
con la variable dependiente y, además, se quieren saber cuál de las variables tiene más influencia
en el cálculo y variación del IMACE, como se mencionó anteriormente.
Por lo tanto, la hipótesis nula sería el rechazo de lo que se está planteando en la investigación,
obteniendo así las respuestas a desarrollar es en base a las siguientes interrogantes:
¿El indicador presenta una relación directa con las variables macroeconómicas que la
componen?
Además, ¿qué variable explicada (comercio, industria o minería) tiene mayor influencia en
el cálculo del IMACEC?
6 Metodología de la investigación.
6.1 Planteamiento de la teoría Económica.
Los datos obtenidos del banco central de Chile, corresponde a las series de actividad económica
mensual de las variables estudiadas que componen el IMACEC.
“De acuerdo con la información disponible y la oportunidad de la misma, los principales sectores
o variables que determinan la evolución del Imacec son: Industria, Minería y Comercio Exterior. El
indicador de Industria se estima basándose en el Índice de Producción y Ventas Físicas (IPVF)
del Instituto Nacional de Estadísticas (INE) y la Minería se determina de acuerdo con la información
que proporcionan las propias empresas del sector y algunos indicadores complementarios. La
información de Comercio Exterior se obtiene de los registros de Aduanas. Para el resto de las
actividades y variables las estimaciones se basan en indicadores de menor oportunidad o de
carácter más indirecto. Uno de los factores más relevantes para la estimación del IMACEC son las
ponderaciones de los distintos sectores y actividades”. (Banco Central , 2005)
Por lo tanto, se determinó que las variables más influyentes del cálculo son comercio, industrial
manufacturero y minero, de acuerdo a la información obtenida a través del informe de serie de
estudios económicos del Banco Central de Chile.
No obstante, en este estudio se pretende estimar cuál de estas tres variables influye más al
aumento del indicador, debido a que cada una de estas variables mantiene una relación directa
con la variable explicada, ya que, a medida que aumenta una de estas la variable o índice IMACEC
aumenta y viceversa. Si bien cada una de estas variables se acercan en sus dimensiones, a simple
vista no es posible determinar que factor influye más, es por esto que, se realizará un estudio
6
econométrico con cada una de las variables para determinar cuál de ellas en conjunto o por
separado, entrega mayor información y significancia al indicador.
La teoría de Keynes estipula que, Keynes fue el primer economista en afirmar que el consumo
depende fundamentalmente del ingreso y que, si bien existen otros determinantes, éstos no
poseen relevancia suficiente, por lo tanto, trabajó la función consumo como únicamente
dependiente del ingreso real disponible, es decir: C = ƒ (Yd). Por otra parte, afirmó que “los
hombres están dispuestos, por regla general y en promedio, a aumentar su consumo a medida
que su ingreso crece, aunque no tanto como el crecimiento de su ingreso” (KEYNES, 1992, pág.
93). De esta manera, Keynes asegura que existe la propensión marginal a consumir (PMgC), es
decir, el incremento en el consumo ante un incremento en el ingreso.
Es por esto que al contextualizar el cálculo del indicador IMACEC con la teoría del consumo de
Keynes se puede determinar que esta presunción se acerca al fenómeno económico del IMACEC
debido a que si alguna de estas variables aumenta su valor, el indicador también aumenta,
haciendo referencia que el IMACEC toma el valor de la variable explicada consumo, y las variables
explicativas con las que se quiere explicar el fenómeno son las mencionadas anteriormente
(industria minera, manufacturera y comercial).
Situándonos en esta investigación se da como resultado que, en la medida que sube el precio
nacional de los componentes de cada industria, el índice del IMACEC aumenta, efecto que
también se produce a la inversa, ya que, si disminuyen los valores de las variables, el índice
también presentaría un comportamiento similar.
Este fenómeno se puede ver con mayor claridad en los gráficos mostrados a continuación, los
cuales exponen el comportamiento del IMACEC y de todas las variables a explicar en esta
investigación, tomando en cuenta los datos de enero del año 2017 a marzo del 2019, donde se
puede observar claramente una tendencia alcista del indicador en cuestión y una misma tendencia
en las variables que explican el modelo, así mismo en cada declive de las variables el índice
mensual de actividad económica se comporta de igual manera, evidenciándose la relación directa
que existe entre cada uno de los componentes explicativos con la variable en cuestión.
7
Gráfico 1: Comportamiento de las variables.
Fuente: elaboración propia
De la misma manera, se puede ver la similar relación al alza en el comportamiento de la función

que explica la teoría del consumo de Keynes.
Gráfico 2: Comportamiento teoría.
Fuente: elaboración propia.
8
6.2 Especificación del modelo Matemático de la teoría.
El modelo que se ajusta a la regresión será la función de regresión lineal simple, la cual posee dos
variables.
En este estudio se explicará el IMACEC en base a tres variables, por lo que en primera instancia
se explicará cada una de las variables explicativas de manera individual utilizando el siguiente
modelo matemático.
𝐶(𝑥) = 𝐶̅ + 𝑃𝑚𝑐 ∗ 𝑋𝑖
Donde:
C: Consumo total, en este caso valor IMACEC (variable dependiente y explicada en este modelo);
̅ : Es el Consumo autónomo o constante en ausencia de la variable regresada;
𝑪
PMC: Es el parámetro estimado variable el que cuantifica el cambio de la variable explicada frente
a cambios en Xi, el que en el caso de la investigación será la estimación de las industrias, pudiendo
ser minera, comercial o manufacturera (aumenta o disminuye);
𝑿𝒊 : Es la variable explicativa, determinada por el precio de la industria minera, comercial o
manufacturera. (variable Independiente).
6.3 Especificación del modelo econométrico.

El modelo econométrico Nº1 formulado para explicar la estimación de la teoría planteada, donde
se estudia el indicador IMACEC en función del precio de la industria minera, y que explica con
claridad la relación inversa entre las variables
𝑌̂𝑥𝑖 = 𝛽̂0 + 𝛽̂1 𝑋1 + 𝑢̂𝑖

El modelo Nº2, explica le indicador del IMACEC en función del precio de la industria del comercio,
y está representado en el siguiente modelo econométrico.
𝑌̂𝑥𝑖 = 𝛽̂0 + 𝛽̂2 𝑋2 + 𝑢̂𝑖

El modelo Nº3, explica el indicador del IMACEC en función del precio de la industria
manufacturera, y está representado en el siguiente modelo econométrico:
𝑌̂𝑥𝑖 = 𝛽̂0 + 𝛽̂3 𝑋3 + 𝑢̂𝑖
9
Agregaremos al modelo Nº1 planteado, la suma de la variable precio comercio, por lo tanto, el
modelo N°4 quedaría de esta manera:
𝑌̂𝑥𝑖 = 𝛽̂0 + 𝛽̂1 𝑋1 + 𝛽̂2 𝑋2 + 𝑢̂𝑖

Luego añadiremos al modelo anterior, la variable precio de la industria manufacturera, obteniendo
el modelo N°5 y final:
𝑌̂𝑥𝑖 = 𝛽̂0 + 𝛽̂1 𝑋1 + 𝛽̂2 𝑋2 + 𝛽̂3 𝑋3 + 𝑢̂𝑖

Obteniendo así el modelo de regresión múltiple que contempla cada una de las industrias que,
como equipo, se decide investigar y justificar para la determinación de la variable dependiente
(IMACEC) que con el desarrollo de la investigación y al realizar el cálculo de los parámetros y
supuestos se determinara cuál de estos parámetros es el más influyente en el cálculo del indicador.
Donde:
̂ 𝒙 : Es la variable dependiente, se interpreta como el estimado del indicador IMACEC.

𝒀
̂ 𝟎 : Es el intercepto de la función, por lo tanto, es indicador en ausencia de las variables minería

𝜷
comercio e industria manufacturera.
̂ 𝒏 : Es el cambio de Y frente al cambio de 𝑋𝑖 . Mide la cuantía de la variación del IMACEC frente a

𝜷
la variación en el precio de la industria minera, industria comercial y/o la industria manufacturera,
es decir, como varia el IMACEC dependiendo del comportamiento de las variables explicativas.
𝑿𝒏: Es la variable independiente, se interprete como el precio industrial minero, manufacturero o

comercial en miles de millones de pesos chilenos
̂ 𝒊 : Es el termino de perturbación del modelo, o también llamado error estimado. Incluyen las
𝒖
variaciones de las variables que no fueron consideradas en el modelo.
Este modelo refleja una relación directa en el cálculo del IMACEC en función al comportamiento
de las variables que se pretende expliquen el modelo, debido a la suma que se visualiza en la
formula después del intercepto de la función.
10
6.4 Obtención de datos.
Se obtienen datos de carácter de “serie de tiempo” (Gujarati & Porter, 2010), es decir, que integran
datos observados de las variables en distintos momentos. Para estimar el modelo econométrico,
se utilizarán los datos desde enero del año 2017 a marzo del 2019.
Los datos fueron obtenidos a través de bases de datos de entidades estatales que manejan
información verídica para calcular las variables, en este caso el Banco Central de Chile. Es por
esto que datos fueron recopilados los siguientes:
Tabla 1: Recopilación de datos.
I. Minera I. Manufacturera I. Comercio

Año IMACEC
Mill $ Mill $ Mill $
ene.2017 104,5 1.172 1.250 1.151
feb.2017 97,7 988 1.183 1.117
mar.2017 110,5 995 1.360 1.312
abr.2017 105,2 1.131 1.219 1.128
may.2017 107,2 1.227 1.348 1.146
jun.2017 104,1 1.188 1.260 1.062
jul.2017 104,7 1.242 1.237 1.042
ago.2017 105,9 1.312 1.292 1.054
sep.2017 104,0 1.308 1.224 1.029
oct.2017 108,1 1.403 1.286 1.042
nov.2017 113,6 1.364 1.350 1.124
dic.2017 121,1 1.419 1.347 1.397
ene.2018 109,0 1.267 1.333 1.231
feb.2018 102,4 1.193 1.223 1.184
mar.2018 116,1 1.299 1.380 1.358
abr.2018 112,1 1.175 1.381 1.251
may.2018 112,2 1.307 1.381 1.213
jun.2018 108,8 1.238 1.339 1.137
jul.2018 107,8 1.246 1.272 1.059
ago.2018 108,8 1.243 1.337 1.109
sep.2018 106,1 1.299 1.182 1.047
oct.2018 112,8 1.317 1.390 1.137
nov.2018 117,4 1.461 1.343 1.127
dic.2018 124,8 1.462 1.395 1.435
ene.2019 111,0 1.225 1.354 1.264
feb.2019 103,5 1.111 1.240 1.216
mar.2019 118,2 1.287 1.379 1.391
Fuente: (Banco central , 2019).
11
7 Selección del modelo.
A continuación, se detallarán los modelos de estudios y se seleccionara el modelo que explica de
mejor manera el comportamiento del IMACEC, con la intervención de las variables independientes.
Para esto se realizaron 7 distintos modelos (para más información revisar anexos del 1 al 8):
Tabla 2 Comparación de modelos estudiados.
Fuente: Elaboración Propia.
Se selecciono el modelo 4, que contiene todas las variables independientes, ya que cumple con
todos los principios de MCO, posee una alta bondad de ajuste y logra entregar información
significativa al modelo. Se escogió este modelo sobre el modelo 5 (sin constante), que tiene
mejores parámetros y mejor bondad de ajuste, debido a que no posee constante, y es improbable
que el IMACEC llegare a ser valor 0, dado el caso de que todas las variables llegasen a ser 0.
8 Estimación de los parámetros del modelo.

8.1.1 Cálculo de los Parámetros
Los parámetros se calcularon al remplazar y utilizar la función análisis de datos del programa Excel
y además corroborar con el programa Gretl, se obtiene los siguientes datos (para más información
sobre la estimación de los parámetros ver anexo 4):
𝛽̂0 = 11,12515; 𝛽̂1 = 0,02583; 𝛽̂2 = 0,028624 y 𝛽̂3 = 0,024297
Al reemplazar los valores de 𝛽̂0 , 𝛽̂1 , 𝛽̂2 y 𝛽̂3 en el modelo econométrico quedara de la siguiente
manera:
𝑌̂𝑖 = 11,12515 + 0.02583 𝑋𝑖1 + 0.028624𝑋𝑖2 + 0,024297𝑋𝑖3 .
12
8.1.2 Interpretación de los parámetros.
Al calcular los parámetros y dar coherencia a todos estos resultados con la teoría planteada en la
investigación, se puede indicar que:
𝛽̂0 = Lo que explica este parámetro es que al no existir las variables independientes (Índice
comercio, índice industria manufacturera e índice minero), el comportamiento del precio del
IMACEC será de aproximado 11,125 miles de millones de pesos y fracción.
𝛽̂1 = Al interpretar este parámetro, al ver una variación en el índice de la industria minera tanto
negativa como positivamente, el IMACEC reaccionara a la directa de este, por lo tanto en este
caso al ver un aumento en el índice de minería en un peso, el IMACEC aumentara en 0.02583
miles de millones de pesos y fracción, no obstante si disminuye el índice de minería en un peso,
el IMACEC disminuirá en aproximado 0.02583 miles de millones de pesos y fracción, ya que estas
variables se comportan de manera directa.
𝛽̂2 = Al interpretar este parámetro, al ver una variación en el índice de la industria manufacturera
tanto negativa como positivamente, el IMACEC reaccionara a la directa de este, por lo tanto en
este caso al ver un aumento en el índice de la industria manufacturera en un peso, el IMACEC
aumentara en 0.028624 miles de millones de pesos y fracción, no obstante si disminuye el índice
de la industria manufacturare en un peso, el IMACEC disminuirá en aproximado 0.028624 miles
de millones de pesos y fracción, ya que estas variables se comportan de manera directa.
𝛽̂3 = Al interpretar este parámetro, al ver una variación en el índice de la industria de comercio
tanto negativa como positivamente, el IMACEC reaccionara a la directa de este, por lo tanto en
este caso al ver un aumento en el índice de la industria de comercio en un peso, el IMACEC
aumentara en 0.0.02429 miles de millones de pesos y fracción, no obstante si disminuye el índice
de la industria de comercio en un peso, el IMACEC disminuirá en aproximado 0.0.02429 miles de
millones de peso y fracción, ya que estas variables se comportan de manera directa.
8.1.3 Análisis de los errores cuadráticos.

El error cuadrático calculado se estimó en base del cálculo de SER, que es la parte de la variación
que no explica la regresión, mientras que el SEC es la variación explicada por la regresión, por lo
tanto:
SER = 75,0394 miles de millones de pesos; lo que quiere decir que 75,0394 es el total en miles
de millones de pesos de las variables no estimadas.
SEC= 906,9403 miles de millones de pesos; lo que quiere decir que la variación está dada por
906,9403 miles de millones de pesos de la estimación del promedio. Y responde que tan lejos está
del promedio del IMACEC; esta se aleja en 906,9403 miles de millones de pesos.
13
STC= 981,9798 miles de millones de pesos, es el total de lo que se explica y no explicadas en
la regresión.
Luego de identificados estos parámetros se plantea la pregunta ¿Cuánto se aleja la curva a la

nube de datos? Para dar respuesta a esto, se realiza el cálculo de la bondad de ajuste explicada
𝑆𝐸𝐶
por 𝑅 2 = y la utilización del programa Gretel.
𝑆𝑇𝐶
Al calcular 𝑹𝟐 arrojo como resultado 𝑹𝟐 = 91,36%, lo que quiere decir que el modelo se ajusta en
un 91,36% la curva la nube de datos.
Por lo tanto, al acercarse a 1, la variabilidad de la variable a su promedio es explicado por el

modelo de regresión ajustado.
En síntesis, el modelo aplicado es el óptimo para describir la relación de las variables precio del
IMACEC en función del índice de la industria minera, industria manufacturera e industria comercial,
desde el punto de vista del investigador y los cálculos estimados.
8.1.4 Intervalo de confianza.

Los intervalos de confianza al ser trabajados con un 95% de confianza y con 23 grados de libertad,
queda de la siguiente manera:
𝛽̂0 : [-3,3013 , 25,5516];
𝛽̂1 : [0,01892 , 0,03274].
𝛽̂2 : [0,01325 , 0,04399].
𝛽̂3 : [0,01623 , 0,03236].
Por lo tanto, los resultados indican que la variable aporta información significativa a la
investigación, reflejado en los intervalos de confianza un tramo cercano al resultado de 𝛽̂1 , 𝛽̂2 𝑦 𝛽̂3 ,
existiendo baja dispersión entre los errores percibidos. En síntesis, el IMACEC puede ser
explicados en base a estimaciones del indicador del comercio, indicar manufacturero e indicador
minero.
14
Gráfico 3: Estimación de la variable explicada y real.
Precio del IMACEC Real v/s Estimado

140,0
120,0
100,0
Título del eje
80,0
60,0
40,0
20,0
0,0
Título del eje
IMACEC 2018 Pronóstico IMACEC
Elaboración propia. Ver anexo 9 para visualizar los datos.
8.1.5 Significación Individual

Para determinar la significación individual de cada parámetro, se realizó la prueba de T de Student,
donde el valor critico de 2,064; el cual se calculó con un alfa de 0,50 y grado de libertas de 23.
Para visualizar los “estadísticos t” ver anexo 10.
Para el intercepto:
𝛽̂0 = 1.5952 → ⃒1.5952 ⃒ < 2.069
Para las variables explicativas:
𝑇𝛽̂1 = 7.7298 → ⃒7.7298 ⃒ > 2.069
𝑇𝛽̂2 = 3.8534 → ⃒3.3853 ⃒ > 2.069
𝑇𝛽̂3 = 6.2324 → ⃒7.6232 ⃒ > 2.069
Para el valor del intercepto, el valor absoluto es menor al valor critico entregado por el T-Student,
lo cual informa que no entrega información estadísticamente significativa. Mientras que para los
tres parámetros explicativos se obtienen valores absolutos mayores al valor critico entregado por
la prueba de T-student, entregando información estadísticamente significativa, por separado.
15
8.1.6 Significación Global
Para determinar si las variables entregarán información estadísticamente significativa conjunta, se
utiliza la prueba F de Fisher:
Donde;
- F = 92.6607
- Y el valor critico de F = 5.4624E -13
Por lo tanto;
- 5.4627E -13 < 92.6607;
Como el valor critico es menor a F, entonces se concluye que las variables de manera global son
estadísticamente significativas, explicando el modelo.
8.1.7 Análisis de errores cuadráticos

De los errores se deriva que la regresión explica 906,9403 puntos de variación, mientras que los
residuos contienen 75,0393 puntos de un total de 981,9798. La varianza de la regresión es de un
total de 3,2625 mostrando un error típico de 1,8062. (Ver anexo 4).
8.2 Comprobación de supuestos Básicos

8.2.1 Heteroscedasticidad (supuesto 4 del MCO)
Con el fin de comprobar la homocedasticidad de los errores, con un nivel de significación de un
5%, se planteará la siguiente hipótesis, con los test de White y Breusch-Pagan:
- H0 = la varianza es homocedastica.
- H1 = la varianza es heterocedastica.
Valor-P White: 0.2512 → 25.12% > 5%.
Valor-p Breusch-Pagan: 0.8904 → 89.04% > 5%.
Los valores resultantes de los distintos test fueron mayor al nivel de significancia, por lo tanto, no
se rechaza la hipótesis nula, lo que se concluye que la varianza de los errores es homocedastica,
cumpliendo con el supuesto 4 del MCO. (Para más información ver anexo 4).
16
8.2.2 Autocorrelación (supuesto 5 del MCO)
Al comprobar la autocorrelación se utilizará el test Breusch-Godfrey, la hipótesis a plantear será la
siguiente, con un 5% de nivel de significancia.
H0 = No existe autocorrelación.
H1 = Existe autocorrelación.
• Valor P Orden 1: 0,2830

Se cumple el supuesto 5 del MCO, esto se comprueba al obtener los resultados anteriores y
compararlos con el nivel de significancia 0,05 (5%), donde se demuestra que no existe
autocorrelación en ninguna de los tres casos, por lo tanto, la hipótesis nula no se rechaza debido
a que el valor P, en los tres casos, es mayor al nivel de significancia. (Para más información ver
anexo 4).
8.2.3 Multicolinealidad (supuesto 8 del MCO)

Para comprobar la multicolinealidad del modelo entre las variables explicativas, se utiliza el método
del factor de inflación de la varianza (VIF), el cual plantea que la multicolinealidad no sea exacta,
por ende, el VIF debe oscilar entre 1 y 10. Los valores resultantes para la variable es la siguientes:
1
𝑉𝐼𝐹 =
(1 − 𝑅 2 )
1
𝑉𝐼𝐹 =
(1 − 0,91362 )
𝑉𝐼𝐹 = 6,049.
Por lo tanto, como el valor VIF oscila entre 1 y 10, las variables no son colineales perfectas entre
ellas, cumpliendo con el supuesto 8 del MCO. (Para más información ver anexo 4).
8.2.4 Sesgo de especificación (supuesto 9 del MCO)

Para comprobar que no hay sesgo de especificación se plantea las siguientes hipótesis, con un
5% de nivel de significación:
- H0 = No hay sesgo de especificación.

- H1 = Hay sesgo de especificación.
Valor P = 0,237 →23.7%
Valor P: 23,7% > 5%.
17
Como el valor p (23,7%) es mayor al nivel de significación (5%), no se rechaza la hipótesis nula,
concluyendo que, la varianza de los errores no presenta sesgos de especificación, por ende, el
modelo esta correctamente especificado, cumpliéndose el supuesto 9. (Para más información ver
anexo 4).
8.2.5 Normalidad de residuos (supuesto 10 del MCO)

Para comprobar la normalidad de los residuos se plantea las siguientes hipótesis, con un nivel de
significancia del 5%.
- H0 = los residuos se distribuyen normalmente.

- H1 = los residuos no se distribuyen normalmente.
Valor p = 0.8998 → 89.98% > 5%
Como el valor p es mayor al nivel de significancia no se rechazan la hipótesis nula y se concluye

que los datos siguen una distribución normal. Por lo tanto, se cumple con el supuesto 10 del MCO.
(Para más información ver anexo 4).
8.3 Prueba de Hipótesis.

Según los resultados obtenidos en el cálculo de la estimación de los parámetros se aprueba la
hipótesis de la teoría planteada, explicando una relación directo entre las variables estudiadas y
el IMACEC (cumpliendo con la teoría de Keynes), donde se obtuvo resultados positivos en la
estimación de los parámetros las variables X1 (0,02583) X2 (0,02862) y X3 (0,02429) , lo que explica
que al haber un aumento en uno en el precio de las actividades económica, el IMACEC aumentará
en 0.02583 miles de millones de pesos aproximado, 0.02862 miles de millones de pesos
aproximado y/o 0,02429 miles de millones de pesos aproximado. Lo mismo ocurrirá a la inversa,
si existe una disminución en el precio de las actividades económicas, el IMACEC disminuirá en el
mismo valor mencionados anteriormente.
Además, según la teoría de Keynes planteada en el modelo, se aprueba la hipótesis cuando el

resultado obtenido es negativo, por lo tanto, al obtener un valor mayor a 0 en el parámetro 𝛽̂1 , 𝛽̂2 y
𝛽̂3 se demuestra la relación directa que hay entre las variables, aceptando la teoría propuesta.
Como se visualiza en los estadísticos de las variables independientes se concluye que la variable
más significativa es el índice de la actividad minera, obteniendo un estadístico t de 7,7298, seguido
por el índice de la actividad comercial con un estadístico t de 7,6232, y por último esta la actividad
manufacturera, con un estadístico t de 3,3853.
18
8.4 Pronóstico o Predicción.
La fórmula por utilizar será la ecuación formulada en el paso dos de la metodología clásica de la
econometría “formulación del modelo econométrico” el que fue construido en base a la teoría que
explica este fenómeno, “teoría de Keynes”.
𝑌̂𝑖 = 11,12515 + 0.02583 𝑋𝑖1 + 0.028624𝑋𝑖2 + 0,024297𝑋𝑖3 .
Según Jorge Baca Compodonico, economista principal de MAXIMIXA, indico que las proyecciones
anuales para el año 2019 de las actividades en estudio, basadas en el modelo BCRP, son: para
la industria minera crecerá un 3,1%, para la industria manufacturera crecerá un 0,5% y para la
industria comercial un 4,4%, todos estos crecimientos son respecto al 2018 (Compódonico, 2019).
Para calcular los crecimientos del año 2019 en cada actividad económica en estudio, primero se
calculará un promedio de los valores de cada actividad del año 2018, las cuales se encuentran en
miles de millones de pesos, luego se multiplicará con los pronósticos, dando como resultado la
proyección del año 2019. Los promedios y los crecimientos de las actividades económicas son los
siguientes:
Tabla 3: Calculo de Proyección 2019.

Promedio Proyección
Promedio Año Pronostico
año 2018 año 2019
2018 año 2019
$MM $MM
Minería 1.292,268 3,10% 1.332,328
Manufacturera 1.329,556 0,50% 1.336,204
Comercio 1.190,686 4,40% 1.243,076
Fuente: Elaboración propia
La predicción será la siguiente, aplicando cada proyección a sus respectivas variables: (los valores
son expresados en miles de millones de pesos):
- 𝑋𝑖1 = $1.332,328.
- 𝑋𝑖2 = $1.336,204
- 𝑋𝑖3 = $1.243,076
𝑌̂𝑖 = 11,12515 + 0.02583 ∗ 1.332,328 + 0.028624 ∗ 1.336,204 + 0,024297 ∗ 1.243,076.
𝑌̂𝑖 = 113,989
Por lo tanto, la predicción para el IMACEC del año 2019 será de 113,989, creciendo en un 2,21%
respecto del año 2018.
19
9 Conclusión.
Al analizar el trabajo en profundidad, se llegó a la conclusión que cada una de las variables
estudiadas generan variación en el cálculo del Índice mensual de actividad económica de manera
directa, es decir, como explicamos anteriormente, si el precio en millones de pesos disminuye el
IMACEC se comporta de la misma manera, y viceversa. Esto se demuestra a través de los gráficos
plasmados en esta investigación. El principal argumento es que el al calcular 𝛽̂1 , 𝛽̂2, 𝛽̂3 , el factor
multiplicativo del precio en millones de pesos en las industrias es positivo, el cual transforma la
ecuación de regresión en una regresión directa, es decir, que se adicionará de la constante (𝛽̂0 ),
dando como resultado un valor mayor a la constante (𝛽̂0 ).
Por último, otro punto es en las predicciones realizadas en el punto 7.4, cuando calculamos el
IMACEC con las proyecciones en las variables explicativas realizadas por el economista Jorge
Baca Compodonico, las que muestran una tendencia al alza, el resultado para este indicador arrojó
que será de 113,989 para el año 2019, creciendo en un 2,21% respecto del promedio del año
2018. Corroborándose así la relación directa planteada en esta investigación.
Entonces como mencionamos anteriormente, la hipótesis planteada es correcta, ya que todas las
variables elegidas para esta investigación, individualmente y en conjunto, sí afecta de manera
inmediata al cálculo final del indicador, otorgando una variación directa entre las variables.
Además, que fue correcto afirmar que el modelo de teoría de Keynes puede ser usado como base
para efectuar un planteamiento de hipótesis y realizar un modelo de investigación para la variación
del dólar en función al precio del cobre, el que explica la dependencia directa de esta investigación,
y que además están respaldadas por los artículos de entidades fehacientes que corroboran esta
relación.
Como se logra visualizar en los supuestos propuestos en el informe, estos comprueban que el
modelo planteado es fiable para obtener resultados, ya que las variables independientes entregan
información significativa, tanto por separado como en conjunto como lo demuestra la significación
individual y global. Los errores de estimación son constantes a lo largo de las observaciones, esto
se visualiza en el supuesto 4, donde el valor de P-White es mayor a 5%, comprobando la
homocedasticidad de los errores y resultando un modelo más confiable. Al momento de realizar el
supuesto, sesgo de especificación, nos dio como resultado que no hay sesgo, por lo tanto, el
modelo está bien especificado.
20
10 Recomendación.
“… El estudio muestra que la productividad total de factores (PTF) para la economía chilena subió
1,3% en el año. La PTF del país, excluyendo el sector minero, creció en torno al 2,3%. La
actualización de las cifras sectoriales para 2017 confirmó un comportamiento heterogéneo, con
aumentos en tres de los ocho sectores considerados: industria (0,6%), comercio, hoteles y
restaurantes (2,8%) y transporte y comunicaciones (1,4%).” (Comision Nacional de Productividad,
2019). Con la información mostrada anteriormente, se demuestra que el IMACEC, no crece solo
por el crecimiento de capital e inversiones, también a la productividad de los trabajadores. A pesar
de que el PTF estuvo estancado en los últimos años (2012 a 2017) y teniendo en cuenta la
cantidad de inmigrantes que ha ingresado al país y, además, el nivel de estudio que estos poseen
es superior al nivel de los chilenos, se recomienda invertir en nuevas tecnologías empresariales
con el fin de aumentar la producción en las empresas generando una presión a nivel tecnológico
en las competencia, aumentando así el ambiente competitivo para generar mayores incentivos a
los emprendimientos y que los recursos empresariales se logren reasignar con mayor eficiencia.
Han existido diversos factores que han afectado directamente a las industrias que en el caso de
esta investigación se han utilizado para realizar el modelo econométrico que explica el fenómeno
del comportamiento del IMACEC, entre ellas, los cambios climáticos ocurridos en el norte de Chile
que afectaron directamente a la industria minera y, además, la guerra comercial que afectó a la
actividad económica del país. Es por esto que se han realizado análisis económicos significativos
para poder mitigar estos riesgos y lograr que las proyecciones del indicador sean mayores a las
esperadas. Así mismo con esta investigación se enfocan las recomendaciones a las tres industrias
que el modelo ha demostrado que inciden significativamente al comportamiento del indicador
macroeconómico, entre ellas destacamos:
Mejorar la infraestructura y logística que permitan reducir los costos del comercio y aumentar la
competitividad ya que es de esencial importancia contar con infraestructura de calidad y suficiente
para lograr una mejora operativa, la eficiencia en el movimiento de mercancías alrededor del
mundo y para competir en igualdad de circunstancias en el mercado mundial. Además de
incentivar una mayor participación del sector privado y generar las condiciones necesarias para
llevar adelante estrategias conjuntas con bases más sólidas, pero no puede haber prosperidad
sostenible en la región a menos que nos concentremos en el débil estado de la infraestructura del
país. Por lo tanto, es necesario abordar urgentemente la adecuación de las normas y estrategias
operativas actualmente aplicables en materia de transporte y de su infraestructura. Se trata de que
los impactos positivos de la incorporación de tecnología y de nuevos procesos de gestión, como
la logística, se traduzcan rápidamente en beneficios para las relaciones comerciales de la región.
En Chile es esencial una actualización de estas regulaciones, de forma que permitan y desarrollen
21
la utilización de la documentación electrónica, así como la incorporación de conceptos y técnicas
logísticas, para alcanzar una norma regional que ampare y regule operaciones de transporte
multimodal.
Mejorar la regulación de algunos servicios tales como transporte y telecomunicaciones, que son
claves para una mayor integración en las Cadenas Globales de Valor, ya que el sector servicios
desempeña un papel clave en la operación de estas CGV y las redes de producción
internacionales, además de que los bienes y los servicios están ahora totalmente entrelazados, su
producción es ya inseparable y las decisiones de inversión mueven los flujos y los modelos de
comercio internacional. Además, se debe realizar una profundización y armonización de los
Tratados de Libre Comercio, en especial con los países de América Latina y así diversificar la
oferta exportadora hacia los países vecinos, reduciendo las barreras no arancelarias y fomentar
integración en cadenas regionales de valor.
Reencantar a los inversionistas a dar un impulso robusto de la inversión en el sector minería, ya

que no existen nuevas faenas mineras que ingresen al parque productivo o incrementos relevantes
de producción de yacimientos en la actualidad. Aunque no existan proyecciones altamente
positivas, de igual forma se espera que haya un crecimiento progresivo en los próximos periodos,
donde se estima que el crecimiento de esta industria sobre pase el 13% de crecimiento hasta el
año 2028. Esto es provocado por las expansiones de faena que empezarán a ocurrir en el siguiente
año 2020 en grandes mineras del país, como Minera los Pelambre, Collahuasi, Quebrada Seca,
Spence, entre otras principales mineras que ayudan a la economía de Chile. Logando así, que
tenga una mayor inversión tanto en estas faenas, también se debe lograr incentivar la inversión
en las mineras que posean menor participación en la industria, obteniendo así ampliar su
producción y cubrir la demanda. Esto generará más entradas de las divisas al país, afectando á
de manera positiva al crecimiento de la economía y también generará una mayor diversificación
de riquezas dentro de la industria minera, lo cual incrementará la cantidad de puestos de trabajo
dentro de ellas, y así una menor tasa de desempleo en el país.
La manufactura avanzada es aquella que crea nuevos materiales, productos y procesos con el
uso de la ciencia, ingeniería y tecnologías de información, herramientas y métodos productivos de
alta precisión, fuerza de trabajo altamente capacitada y nuevos modelos de negocios y
organización. (Institute for defense analyses, 2012)
En Chile se debe Fomentar la reindustrialización, ya que este es aplicado en las naciones de la

OCDE, como estados unidos Alemania, Australia y Canadá que ya han diseñado formalmente
hojas de ruta para planificar el desarrollo de la manufactura avanzada en sus países, obteniendo
beneficios económicos bastantes considerables para la economía de su nación, generando una
22
expansión en el sector manufacturero en producción, mano de obra e innovación, lo que provoca
desarrollo económico y mejores índices de crecimientos en indicadores tales como el IMACEC.
Es por ello que en Chile debe generar un incentivo a la inversión respecto a las tecnologías
industriales, para que las empresas se modernicen en innovación y vanguardia debido a que
existen ejemplos notables de desarrollo de manufactura avanzada los que podrían crecer y
multiplicarse si se dieran las condiciones adecuadas.
Adicionalmente Chile tiene una posición de liderazgo en varias industrias a nivel mundial, y una
posición competitiva en la economía latinoamericana, que le podrían ayudar a apalancar un
esfuerzo coordinado por potenciar la manufactura avanzada, si esta se aplicara en chile se podría
obtener beneficios futuros tales como:
• Mayor sustentabilidad: la manufactura avanzada ofrece nuevas oportunidades de lograr

una producción más sustentable generando oportunidades de mercado.
• Ventajas comparativas: Chile tiene ventajas comparativas y condiciones especiales que le
permitirían alcanzar posiciones de liderazgo en la manufactura de productos y servicios
asociados a ellas. Los cuantiosos yacimientos de recursos minerales metálicos,
especialmente cobre y litio, la potente radiación solar en el norte del país, los cuatro mil
kilómetros de costa marítima son algunas de las singularidades de Chile sobre las cuáles
podría desarrollar una industria de manufactura avanzada de liderazgo mundial.
Cada una de las recomendaciones referidas están respaldadas por estudios de economistas y
entidades reguladoras del país, entre ellas mencionamos las siguientes:
- Informe Productividad total de los Factores, Comisión Nacional de Productividad.

(Comision Nacional de Productividad, 2018).
- Misión de Chile ante la Organización para la Cooperación y el Desarrollo Económico
(OCDE).
- Las dispares proyecciones de los sectores económicos para 2019 (Marchetti, 2018).
- Los Principales Desafíos para 2019 son la consolidación de la recuperación en la inversión,
el crecimiento y el repunte en la creación de empleo. (Camara de Comercio de Santiago,
2019).
- Hoja de Ruta para Programa Estratégico de Manufactura Avanzada (Transforma, 2017).
23
11 Bibliografía
Banco Central . (2005). Indicador Mensual de Actividad Economica IMACEC base 1996 .
Santiago,Chile .
Banco central . (2019). www.bcentral.cl. Obtenido de

https://si3.bcentral.cl/Siete/secure/cuadros/arboles.aspx?idCuadro=CCNN2013_IMACEC
_01
Banco Central de Chile. (2005). Indicador mensual de actividad ecinomica IMACEC base 1996.
santiago.
Camara de Comercio de Santiago. (2019). Los principales desafíos para 2019 son la consolidación
de la recuperacion en la inversión, el crecimiento y el repunte en la creación de empleo.
Obtenido de
https://www.ccs.cl/prensa/docs/2018/11/Comunicado%20Proyecciones%20Econ%C3%B
3micas%202019%20v2.pdf
Comision Nacional de Productividad. (Enenro de 2018). Informe Anual 2018. Obtenido de

http://www.comisiondeproductividad.cl/wp-content/uploads/2019/01/INFORME-ANUAL-
2018-DE-PRODUCTIVIDAD-CNP.pdf
Comision Nacional de Productividad. (17 de Enero de 2019). Productividad crece 1,3% el 2018
tras varios años de estancamiento o desaceleración. Obtenido de
http://www.comisiondeproductividad.cl/2019/01/productividad-crece-13-el-2018-tras-
varios-anos-de-estancamiento-o-desaceleracion/
Compódonico, J. B. (30 de 03 de 2019). Proyecciones del PIB para 2019-2020. Obtenido de Alerta
economica.
Emol. (28 de febrero de 2019). Mercado hace sus proyecciones para el primer Imacec del año
después de los dispares datos de Producción Industrial. Obtenido de
https://www.emol.com/noticias/Economia/2019/02/28/939564/Mercado-hace-sus-
proyecciones-para-el-primer-Imacec-del-ano-despues-de-los-debiles-datos-de-
Produccion-Industrial.html
Gujarati, D. N., & Porter, D. C. (2010). Econometria. mexico.
Institute for defense analyses. (2012). Emerging Global Trends in.
KEYNES, j. M. (1992). teoria de la ocupacion, el interés y el dinero. Buenos Aires: fondo de cultura
ecónomica.
24
Marchetti, P. (06 de Noviembre de 2018). ¿Crecerá Chile "contra viento y marea"?: Las dispares
proyecciones de los sectores económicos para 2019. Obtenido de El Mercurio online:
https://www.emol.com/noticias/Economia/2018/11/06/926460/Crecera-Chile-contra-
viento-y-marea-Las-dispares-proyecciones-de-crecimiento-de-los-sectores-
economicos.html
Transforma. (Marzo de 2017). Hoja de Ruta para Programa Estratégico de Manufactura Avanzada.
Obtenido de Economia Productiva y Diversificada:
http://www.codesser.cl/bases/PEN040_ANEXO_N5_HOJA_DE_RUTA.pdf
Valavanis, S. (1959). Econometría: e introducción a tus métodos de máxima verosimilitud.

Alemania: Mcgraw-Hill.
25
12 Anexos
Anexo 1: Modelo 1: Variable explicativa Minería.
Variable dependiente: IMACEC
Coeficiente Desv. tipica Estadístico t Valor p

Const 65,9990 9,76615 6,758 <0,0001
Minería 0,0346964 0,00775056 4,477 0,0001
Media de la vble. dep. 109,5330 D.T. de la vble. dep. 6,145604

Suma de cuad. 545,0567 D.T. de la regresiÃ³n 4,669290
residuos
R-cuadrado 0,444941 R-cuadrado corregido 0,422739
F(1, 25) 20,04026 Valor p (de F) 0,000145
Log-verosimilitud âˆ’78,8795 Criterio de Akaike 161,7591
6
Criterio de Schwarz 164,3508 Crit. de Hannan-Quinn 162,5298
rho 0,270481 Durbin-Watson 1,402410
Contraste de heterocedasticidad de White:
• Hipótesis nula: [No hay heterocedasticidad]

• Estadístico de contraste: LM = 4,81987
• con valor p = P(Chi-cuadrado(2) > 4,81987) = 0,0898211
Contraste de especificación RESET:
• Hipótesis nula: [La especificación es adecuada]

• Estadístico de contraste: F(2, 23) = 1,76783
• con valor p = P(F(2, 23) > 1,76783) = 0,19312
Contraste de normalidad de los residuos:
• Hipótesis nula: [El error tiene distribución Normal]

• Estadístico de contraste: Chi-cuadrado(2) = 1,72787
• con valor p = 0,421501
26
Anexo 2: Modelo 2: Variable explicativa Manufacturera.
Coeficiente Desv. típica Estadístico t valor p

Const 13,9090 13,9984 0,9936 0,3299
Industria 0,0731722 0,0106978 6,840 <0,0001
Manufacturera

residuos
F(1, 25) 46,78425 Valor p (de F) 3,61e-07
9
rho âˆ’0,07541 Durbin-Watson 2,110040
6
- Hipótesis nula: [No hay heterocedasticidad]

- Estadístico de contraste: LM = 4,43579
- con valor p = P(Chi-cuadrado(2) > 4,43579) = 0,108838
- Hipótesis nula: [La especificación es adecuada]

- Estadístico de contraste: F(2, 23) = 0,84714
- con valor p = P(F(2, 23) > 0,84714) = 0,441582
- Hipótesis nula: [El error tiene distribución Normal]

- Estadístico de contraste: Chi-cuadrado(2) = 9,40275
- con valor p = 0,00908278
27
Anexo 3: Modelo 3: Variable explicativa Comercio.
Coeficiente Desv. Típica Estadístico t valor p

Const 66,0777 8,51301 7,762 <0,0001
Comercio 0,0369369 0,00720056 5,130 <0,0001

residuos
F(1, 25) 26,31414 Valor p (de F) 0,000027
3


- con valor p = P(F(2, 23) > 3,1912) = 0,0598229

- con valor p = 0,418971
28
Anexo 4: Modelo 4: Multivariable Minería-Manufacturera-Comercio.
Coeficiente Desv. Típica Estadístico t valor p

Const 11,1252 6,97385 1,595 0,1243
Minería 0,0258348 0,00334224 7,730 <0,0001
Industria 0,0286240 0,00742817 3,853 0,0008
Manufacturera
Comercio 0,0242978 0,00389856 6,232 <0,0001

residuos
F(3, 23) 92,66075 Valor p (de F) 5,46e-13
3

- Con valor p = P(Chi-cuadrado(9) > 11,3695) = 0,251229
Contraste de heterocedasticidad de Breusch-Pagan:


- Con valor p = P(F(2, 21) > 1,5449) = 0,236622

- con valor p = 0,899891
29
Estadísticos de evaluación de la predicción usando 27 observaciones.
• Error medio 2,1053e-014

• Raíz del Error cuadrático medio 1,6671
• Error absoluto medio 1,3919
• Porcentaje de error medio -0,022318
• Porcentaje de error absoluto medio 1,2767
• U de Theil 0,23393
Contraste LM de autocorrelación hasta el orden 1:
• Hipótesis nula: [No hay autocorrelación]

• Estadístico de contraste: LMF = 1,21111
• con valor p = P(F(1, 22) > 1,21111) = 0,283009

• con valor p = P(F(2, 21) > 1,29677) = 0,294425

• con valor p = P(F(3, 20) > 1,00774) = 0,409931
Multicolianidad = 6,049
30
Anexo 5: Modelo 5: Multivariable sin constante.
Coeficiente Desv. Típica Estadístico t Valor p

Minería 0,0265693 0,00341526 7,780 <0,0001
Industria 0,0370221 0,00540666 6,847 <0,0001
Manufacturera
Comercio 0,0236187 0,00399803 5,908 <0,0001

residuos
R-cuadrado no 0,999743 R-cuadrado centrado 0,915128
centrado
F(3, 24) 31180,39 Valor p (de F) 3,27e-43
6


- Con valor p = P(F(2, 22) > 2,80961) = 0,0819075

- Con valor p = 0,754495
Anexo 6: Modelo 6: Multivariable Minería-Comercio.

31
Constante 30,1704 6,17867 4,883 <0,0001
Minería 0,0314163 0,00378257 8,306 <0,0001
Comercio 0,0339524 0,00375092 9,052 <0,0001

residuos
F(2, 24) 83,42619 Valor p (de F) 1,56e-11
2


- con valor p = P(F(2, 22) > 0,100051) = 0,905201

- con valor p = 0,539393
Anexo 7: Modelo 7: Multivariable Minería-Manufactura.


Const 6,37933 11,1278 0,5733 0,5718
Minería 0,0214111 0,00524275 4,084 0,0004
Industria 0,0583768 0,00913558 6,390 <0,0001
Manufacturera
32
residuos
F(2, 24) 46,40167 Valor p (de F) 5,66e-09
4
- HipÃ³tesis nula: [No hay heterocedasticidad]

- HipÃ³tesis nula: [La especificación es adecuada]

- con valor p = P(F(2, 22) > 7,84301) = 0,00268329
- HipÃ³tesis nula: [El error tiene distribución Normal]

- con valor p = 0,321812
Anexo 8: Modelo 8: Multivariable Manufacturera-Comercio.


Const 18,5508 12,8260 1,446 0,1610
Industria 0,0535077 0,0124305 4,305 0,0002
Manufacturera
Comercio 0,0178980 0,00707394 2,530 0,0184
33
residuos
F(2, 24) 31,64702 Valor p (de F) 1,87e-07
7
- Hipótesis nula: [No hay heterocedasticidad]:


- con valor p = P(F(2, 22) > 3,62324) = 0,0436355

- con valor p = 0,101901
Anexo 9: Datos IMACEC 2018 Reales v/s Pronostico.

Pronóstico
Periodo IMACEC 2018
IMACEC
ene.2017 104,5 105,1457086
feb.2017 97,7 97,63386641
mar.2017 110,5 107,6509754
abr.2017 105,2 102,6424857
may.2017 107,2 109,2559808
jun.2017 104,1 103,6639149
34
jul.2017 104,7 103,962368
ago.2017 105,9 107,6127388
sept.2017 104,0 104,9635022
oct.2017 108,1 109,5035282
nov.2017 113,6 112,3167943
dic.2017 121,1 120,2871848
ene.2018 109,0 111,9252249
feb.2018 102,4 105,7272289
mar.2018 116,1 117,1919806
abr.2018 112,1 111,3806719
may.2018 112,2 113,8948591
jun.2018 108,8 109,0533481
jul.2018 107,8 105,4590119
ago.2018 108,8 108,4424836
sept.2018 106,1 103,9497624
oct.2018 112,8 112,5943718
nov.2018 117,4 114,6949287
dic.2018 124,8 123,6730887
ene.2019 111,0 112,2450324
feb.2019 103,5 104,8661246
mar.2019 118,2 117,6549492
Anexo 10: Estadísticos t.

Variables Estadístico t
Intercepto 1,59526869
1. Minería 7,729806437
2. Industria Manufacturera 3,853441528
3. Comercio 6,23248732
35

Informe Nº4 IMACEC Finalizado

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Informe Nº4 IMACEC Finalizado

Cargado por

Copyright:

Formatos disponibles

ADMINISTRACIÓN

Análisis del IMACEC.

NOMBRE: Marcela Barraza Ramírez.

4 Enfoque de la investigación. .................................................................................................. 5

5 Planteamiento propuesto de investigación. ........................................................................... 6

6 Metodología de la investigación. ........................................................................................... 6

6.1 Planteamiento de la teoría Económica. .......................................................................... 6

6.2 Especificación del modelo Matemático de la teoría. ....................................................... 9

6.3 Especificación del modelo econométrico. ....................................................................... 9

6.4 Obtención de datos. ..................................................................................................... 11

7 Selección del modelo. ......................................................................................................... 12

8 Estimación de los parámetros del modelo. .......................................................................... 12

8.1.1 Cálculo de los Parámetros .................................................................................... 12

8.1.2 Interpretación de los parámetros. .......................................................................... 13

8.1.3 Análisis de los errores cuadráticos. ....................................................................... 13

8.1.4 Intervalo de confianza. .......................................................................................... 14

8.1.5 Significación Individual .......................................................................................... 15

8.1.6 Significación Global ............................................................................................... 16

8.1.7 Análisis de errores cuadráticos ............................................................................. 16

8.2 Comprobación de supuestos Básicos .......................................................................... 16

8.2.1 Heteroscedasticidad (supuesto 4 del MCO) .......................................................... 16

8.2.2 Autocorrelación (supuesto 5 del MCO) .................................................................. 17

8.2.3 Multicolinealidad (supuesto 8 del MCO) ................................................................ 17

8.2.4 Sesgo de especificación (supuesto 9 del MCO) .................................................... 17

8.2.5 Normalidad de residuos (supuesto 10 del MCO) ................................................... 18

8.3 Prueba de Hipótesis. .................................................................................................... 18

8.4 Pronóstico o Predicción. ............................................................................................... 19

Tabla 1: Recopilación de datos. ................................................................................................. 11

Gráfico 1: Comportamiento de las variables. ................................................................................ 8

Anexo 1: Modelo 1: Variable explicativa Minería. ....................................................................... 26

El IMACEC (indicador mensual de actividad económica) constituye una herramienta fundamental

Los sectores económicos mostraron un comportamiento menor al esperado. Es que la caída de

De acuerdo con estas proyecciones se realizará el desarrollo de la investigación econométrica

La teoría consumo de Keynes explica el comportamiento de la variable consumo, siendo esta

Fuente: elaboración propia

De la misma manera, se puede ver la similar relación al alza en el comportamiento de la función

Gráfico 2: Comportamiento teoría.

Fuente: elaboración propia.

6.3 Especificación del modelo econométrico.

𝑌̂𝑥𝑖 = 𝛽̂0 + 𝛽̂1 𝑋1 + 𝑢̂𝑖

𝑌̂𝑥𝑖 = 𝛽̂0 + 𝛽̂2 𝑋2 + 𝑢̂𝑖

𝑌̂𝑥𝑖 = 𝛽̂0 + 𝛽̂3 𝑋3 + 𝑢̂𝑖

𝑌̂𝑥𝑖 = 𝛽̂0 + 𝛽̂1 𝑋1 + 𝛽̂2 𝑋2 + 𝑢̂𝑖

𝑌̂𝑥𝑖 = 𝛽̂0 + 𝛽̂1 𝑋1 + 𝛽̂2 𝑋2 + 𝛽̂3 𝑋3 + 𝑢̂𝑖

̂ 𝒙 : Es la variable dependiente, se interpreta como el estimado del indicador IMACEC.

̂ 𝟎 : Es el intercepto de la función, por lo tanto, es indicador en ausencia de las variables minería

̂ 𝒏 : Es el cambio de Y frente al cambio de 𝑋𝑖 . Mide la cuantía de la variación del IMACEC frente a

𝑿𝒏: Es la variable independiente, se interprete como el precio industrial minero, manufacturero o

Tabla 1: Recopilación de datos.

I. Minera I. Manufacturera I. Comercio

Tabla 2 Comparación de modelos estudiados.

Fuente: Elaboración Propia.

8 Estimación de los parámetros del modelo.

𝛽̂0 = 11,12515; 𝛽̂1 = 0,02583; 𝛽̂2 = 0,028624 y 𝛽̂3 = 0,024297

𝑌̂𝑖 = 11,12515 + 0.02583 𝑋𝑖1 + 0.028624𝑋𝑖2 + 0,024297𝑋𝑖3 .

8.1.3 Análisis de los errores cuadráticos.

Luego de identificados estos parámetros se plantea la pregunta ¿Cuánto se aleja la curva a la

Por lo tanto, al acercarse a 1, la variabilidad de la variable a su promedio es explicado por el

8.1.4 Intervalo de confianza.

𝛽̂0 : [-3,3013 , 25,5516];

𝛽̂1 : [0,01892 , 0,03274].

𝛽̂2 : [0,01325 , 0,04399].

𝛽̂3 : [0,01623 , 0,03236].