Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MARCOS
FACULTAD DE CIENCIAS ECONÓMICAS
ECONOMETRÍA I
AUTORES:
GUEVARA CAYO, JOSE ALONSO
PALACIOS QUISPE, SAM WANDERLEY
DOCENTE ASESOR:
Mg. CORNELIO TICSE NÚÑEZ
LIMA – PERÚ
2022
INTRODUCCIÓN
Los Estados Unidos de América, al ser una de las grandes potencias (junto a China)
presentes en la coyuntura actual, impacta de manera directa en las economías de
diversos países, en especial de los latinoamericanos.
Debido a esta importancia, se buscará analizar la economía comercial de este país,
precisamente en el sector de exportaciones, haciendo usos de las técnicas y conceptos
aprendidos dentro del curso de econometría.
Las variables que se incluirán dentro del modelo a usar serán dos únicamente.
Empezando por el tipo de cambio del dólar respecto al euro, y seguido por el producto
bruto interno (PBI) mundial.
Entre las razones de la inclusión como variable del tipo de cambio están la importancia
que tiene su moneda contraparte, el euro. Es esta última moneda una de los pocas que
tiene tan o similar “confianza” al igual que el dólar. Siendo consecuentemente una
medida ideal para poder medir el impacto de este tipo cambio.
Ahora, con respecto al PBI mundial, no hay mucho que decir. Es claro que como
cualquier país, el ingreso del resto del mundo es muy importante en el tema de una
demanda externa sobre los productos estadounidenses. Este impacta seguidamente en el
sector de exportaciones, y si tomamos en cuenta además que Estados Unidos (como ya
se dijo) es uno de los principales socios comerciales de carácter industrial de muchos
países, esta variable se vuelve esencial si se quiere analizar un modelo comercial de
exportaciones norteamericano.
DATA:
A continuación presentamos la data respectiva, tanto de la variable de tipo de cambio
como la del PBI mundial, que impactan sobre la variable endógena exportaciones.
TC EXPORT PBIM
I 0.96 24052.00 33010756
II 0.93 25094.33 33284137
2000
III 0.90 25133.33 33557518
IV 0.89 25062.00 33830900
I 0.91 24790.00 33777025
II 0.86 24604.00 33723150
2001
III 0.90 23546.33 33669275
IV 0.90 21738.33 33615400
I 0.87 23358.00 33939400
II 0.94 24076.00 34263400
2002
III 0.98 24149.67 34587400
IV 1.01 24436.33 34911400
I 1.08 23738.33 35970300
II 1.15 23943.00 37029200
2003
III 1.13 25159.33 38088100
IV 1.21 26406.33 39147000
I 1.24 27747.67 40389650
II 1.21 28684.00 41632300
2004
III 1.22 28452.00 42874950
IV 1.32 29961.67 44117600
I 1.31 30906.00 45033125
II 1.24 31143.00 45948650
2005
III 1.22 31432.33 46864175
IV 1.19 32681.00 47779700
I 1.21 33949.67 48779725
II 1.27 35106.33 49779750
2006
III 1.27 34966.00 50779775
IV 1.31 37006.33 51779800
I 1.32 39054.00 53423600
II 1.35 40193.00 55067400
2007
III 1.39 42160.67 56711200
IV 1.46 43813.67 58355000
I 1.53 44647.00 59797175
II 1.56 45851.00 61239350
2008
III 1.48 45655.67 62681525
IV 1.31 44110.00 64123700
I 1.29 42006.00 63295050
II 1.38 42801.33 62466400
2009
III 1.44 43737.00 61637750
IV 1.47 45609.67 60809100
I 1.37 46456.00 62255850
2010 II 1.26 47278.67 63702600
III 1.31 49330.33 65149350
IV 1.34 50948.67 66596100
I 1.39 51872.67 68410525
II 1.46 53700.00 70224950
2011
III 1.41 55390.00 72039375
IV 1.34 53926.33 73853800
I 1.32 55953.67 74262375
II 1.28 56578.33 74670950
2012
III 1.26 56940.00 75079525
IV 1.30 58802.67 75488100
I 1.32 59183.33 76017875
II 1.31 59090.33 76547650
2013
III 1.33 60314.33 77077425
IV 1.36 61216.33 77607200
I 1.37 62097.67 78132600
II 1.37 63368.33 78658000
20014
III 1.31 63241.33 79183400
IV 1.24 63643.33 79708800
I 1.11 64182.00 78576425
II 1.11 64123.33 77444050
20015
III 1.11 64027.00 76311675
IV 1.08 64134.00 75179300
I 1.10 63592.00 75500875
II 1.12 65280.67 75822450
2016
III 1.12 66561.33 76144025
IV 1.07 65709.00 76465600
I 1.07 67977.33 77700200
II 1.12 69343.67 78934800
2017
III 1.19 70232.67 80169400
IV 1.18 71604.00 81404000
I 1.23 72839.67 82656250
II 1.18 71568.00 83908500
2018
III 1.16 72064.00 85160750
IV 1.14 72044.67 86413000
I 1.13 72735.33 86722975
II 1.13 75056.67 87032950
2019
III 1.10 74539.33 87342925
IV 1.11 74727.67 87652900
I 1.10 67850.00 86966375
II 1.11 56075.67 86279850
2020
III 1.18 56638.33 85593325
IV 1.19 60854.67 84906800
I 1.20 62645.00 87705125
II 1.20 64897.00 90503450
2021
III 1.18 66563.00 93301775
IV 1.14 70986.33 96100100
Fuente: www.bea.gov/international/detailed-trade-data
https://datos.bancomundial.org/indicador/TX.VAL.MRCH.CD.WT?locations=US
https://es.investing.com/currencies/eur-usd-historical-data 2000 - 2021.
ESTADISTICA DESCRIPTIVA:
EXPORT PBIM TC
Observations 88 88 88
GRAFICOS:
Comportamiento a través del tiempo de las variables.
Tal y como se puede visualizar, todos los gráficos (excepto el tipo de cambio) tienen
una tendencia alcista. Tanto las exportaciones como el PBI mundial tienen pocas
perturbaciones agresivas, a diferencia del tipo de cambio, el cual tiene una trayectoria
bastante discontinua.
Si nos ponemos más específicos, podemos mencionar con respecto a la trayectoria del
tipo de cambio, que su pico más bajo fue en los primeros periodos trimestrales a partir
del 2000. Esto también coincide con el PBI mundial, como se muestra en la figura. De
manera general, evaluando el gráfico de las exportaciones (la cual es nuestra variable
endógena y dependiente) también tiene uno de los picos más bajos que coinciden con
los periodos que se mencionaron.
REGRESIÓN:
A continuación mostramos la regresión de las exportaciones en función de las variables
del PBI mundial y el tipo de cambio, dentro del programa E – Views:
Included observations: 88
Para el PBIM:
𝜶 = 0.05
𝒕 = 40.18
𝑷𝒓𝒐𝒃 = 0.0000
𝑃𝑟𝑜𝑏 < 𝛼 → 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻𝑜
Para el TC
𝜶 = 0.05
𝒕 = −3.29
𝑷𝒓𝒐𝒃 = 0.0014
𝑃𝑟𝑜𝑏 < 𝛼 → 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻𝑜
Para el Intercepto C
𝜶 = 0.05
𝒕 = 0.58
𝑷𝒓𝒐𝒃 = 0.5650
𝑃𝑟𝑜𝑏 > 𝛼 → 𝑆𝑒 𝑎𝑐𝑒𝑝𝑡𝑎 𝐻𝑜
Value df Probability
t-statistic 3.297567 85 0.0014
F-statistic 10.87395 (1, 85) 0.0014
Likelihood ratio 10.59371 1 0.0011
F-test summary:
Mean
Sum of Sq. df Squares
Test SSR 1.57E+08 1 1.57E+08
Restricted SSR 1.38E+09 86 16048965
Unrestricted SSR 1.22E+09 85 14396101
LR test summary:
Value
Restricted LogL -853.8659
Unrestricted LogL -848.5690
Como se puede ver, podemos notar una probabilidad F menor al 5%, lo que nos hace
rechazar la Ho:
Ho: La variable omitida es no significativa
Ha: La variable omitida es significativa
De igual forma, en la parte de LR test summary podemos notar las cifras y
compararlas entre Restricted LogL (variable omitida) y Unrestricted LogL (variable
incluida). Aquella cifra que sea menor será la más adecuada, siendo en este caso la que
incluye a la variable que hemos omitido.
Conclusión: La variable TC sí es significativa y debe incluirse en el modelo, según dice
la prueba F de Fisher.
Supuesto 1: Linealidad
Para estudiar si los datos se ajustan a modelo lineal se emplea la prueba del análisis de
varianza (ANVA) que se basa en la distribución F de Fisher
NIVEL DE SIGNIFICANCIA: 5%
Supuesto 2: E(ε) = 0
Mediante este supuesto lo que se busca es que lo factores que no están incluidos en el
modelo no afectan sistemáticamente el valor de la media de Y.
Se puede visualizar que el valor del p-valor del intercepto (c) es 0.5650 por lo cual es
mayor que el nivel de significancia del 5%, entonces aceptamos la 𝐻0 que nos indica
que el intercepto es igual a cero.
Supuesto 3a: Homocedasticidad, var(ε) = σ2
Para probar si los errores siguen algún patrón predeterminado de acuerdo a los cambios
de las variables explicativas se utilizará el Test de White
NIVEL DE SIGNIFICANCIA: 5%
Mediante este supuesto se establece que los errores de un periodo definido no deben
seguir el mismo patrón de otros errores en periodos n, sí existe algún patrón estaremos
hablando de una autocorrelación.
Para comprobar si existe autocorrelación pasaremos a realizar el Test de Durbin
Watson
Du = 1.6999 Dl = 1.60709
Reemplazando en los términos
correspondientes se tiene una
autocorrelación positiva.
Pasamos a realizar una segunda prueba para confirmar, para ello utilizamos El test de
Breusch-Godfrey
Rezago 1 Rezago 2
Rezago 3 Rezago 4
Como se puede apreciar a primera instancia el grafico nos da a entender que los errores
no siguen una distribución normal por otra parte nos damos cuenta que nuestra
probabilidad es de un 0.000000 < 0.05 por lo cual rechazamos la hipótesis nula de la
normalidad. No se satisface el cuarto supuesto.
PRUEBA DE WALD
Mediante esta prueba se pondrá a prueba sí los coeficientes relacionados con las
provisiones son igual a -1, esto será nuestra hipótesis nula (𝐻0 ) y como hipótesis
alternativa (𝐻1 ) que sea un numero distinto a -1.
NIVEL DE SIGNIFICANCIA: 5%
Se puede observar en el grafico
que las probabilidades son
menores que el nivel de
significancia por ello
rechazamos la hipótesis nula
(𝐻0 ) .
Variables redundantes
ante ello pasamos a realizar este test en eviews para comprobar las siguientes hipótesis:
Dato: En el caso de incluir variables no relevantes eso conlleva a que sus coeficientes no
aceptamos la hipótesis
PARA EL TC
PARA EL TC
Se puede observar el p-
el nivel de significancia
la hipótesis alternativa por lo cual nos indica que la variable analizada es relevante.
Conclusiones
• Dado el modelo estimado de exportaciones se puede observar que los datos se
• Con el test de White se observa que los errores siguen un patrón por lo tanto estos
serán eficientes los estimadores, dicho de otro modo, sus varianzas no serán
mínimos.
inclusive mediante la prueba del Durbin Watson se refleja que siguen una
autocorrelación positiva.
Prueba de Multicolinealidad
En esta parte se buscará detectar la multicolinealidad del modelo, y corregirla si es que
esta llega a existir.
Primeramente mostramos nuevamente la regresión original de nuestras variables
presentadas anteriormente:
PBIM TC
PBIM 1
TC 0.30326027 1
Tal y como se puede visualizar, la dependencia entre variables, es decir, un posible
vinculo que las une, es bajo con un 0.303.
Finalmente, y como una prueba final (la cual considera nuestro grupo es necesario
realizar para descartar el problema) es hacer las regresiones auxiliares, para después
usar la Regla de Klein:
PBIM sobre TC
TC sobre PBIM
que aparecen en la función de regresión deben ser homocedasticas es decir que todas
Sin embargo, también existirán casos en las cuales no se cumplan tal supuesto teniendo
influye en que los coeficientes estimados dejen ser insesgados y lineales, pero ya no se
cumplirá el supuesto del MELI (Mejor estimador lineal insesgado) para ser más
problema de heterocedasticidad.
Breusch -Pagan – Godfrey, complemento a ello utilizamos una grafico en el cual nos
REGLA
Como podemos apreciar una vez realizada la prueba White que consiste en regresar los
residuos cuadráticos de MCO sobre las variables explicativas nos indica que existe
varianzas diferentes para los residuos siendo el P.value menor al 0.005, por lo tanto, se
REGLA
CON EL PBI
Mediante el grafico realizado en base a los datos recopilados se puede observar que en
un principio los residuos que están elevados al cuadrado se encuentran más cerca de la
media sin embargo conforme el PBI empieza a expandirse tales errores se encuentran
más dispersos respecto a la media dándonos a entender que existe el problema de
heterocedasticidad en el modelo.
CORRECCIÓN DE LA HETEROCEDASTICIDAD
El fin de esta regresión es que los estimadores obtenidos mediante este método sean
MELI a comparación de la primera regresión que nos muestra que ya no serán MELI
puesto que existe el problema de la heterocedasticidad.
TRANFORMACION LOGARITMICA
TEST DE WHITE
TEST DE BREUSCH-PAGAN-GODFREY
estimado debido a que sí no se cumpliera tal supuesto es probable que las pruebas t y f
Prueba de Autocorrelación
TEST DURBIN – WATSON:
Presentamos nuevamente los indicadores necesarios para descartar la autocorrelación.
En este caso, mostramos el estadístico Durbin – Watson:
En donde verificamos que nuestro estadístico dado por 0.260, cae en una zona que se
considera de autocorrelación positiva. (entre 0 y 1.60).
TEST DE BREUSCH – GODFREY:
Se presenta también los resultados de la mencionada prueba:
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 12/18/22 Time: 09:27
Sample: 1 88
Included observations: 88
Presample missing value lagged residuals set to zero.
METODO GRÁFICO:
Adicionalmente, mostramos una gráfica de la distribución de residuos y residuos
estandarizados:
8,000
4,000
-4,000
-8,000
-12,000
-16,000
10 20 30 40 50 60 70 80
EXPORT Residuals
Residuos
2
-1
-2
-3
-4
10 20 30 40 50 60 70 80
Standardized Residuals
Residuos estandarizados
Como se puede notar, esta tiene una tendencia bastante discordante a medida que
avanza el tiempo. Comparando ambos tipos de gráficas, podemos ver sus similitudes,
algo que podría indicar autocorrelación.
Corrección de autocorrelación
Implementamos lo que es un modelo AR(3), uno de los métodos más usados para la
corrección de autocorrelación. A continuación mostramos este modelo implementado:
Verificamos el Durbin – Watson, dado por 1.88. Este estadístico según lo indicado por
los libros de apoyo, al estar bastante cerca del 2 absoluto, verifica la ausencia de
autocorrelación.