Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CONICET Digital Nro. A
CONICET Digital Nro. A
Dinámica regional de precios en Argentina (20162019)
Fernando Antonio Ignacio Este trabajo investiga el cumplimiento de la Ley del Precio
González Único (LOP) en regiones de Argentina. Se realiza un análisis
Instituto de Investigaciones de convergencia y cointegración del período 20162019
Económicas y Sociales del utilizando las series de la Canasta Básica Total (CBT) y el
Sur, UNS/ Índice de Precios al Consumidor (IPC) que publica
CONICET, mensualmente el Instituto Nacional de Estadística y Censo
(INDEC). para seis regiones de Argentina.
Argentina Email: Fernando_gonzalez01@hotmail.com
Los resultados sugieren la existencia de convergencia en
precios y cointegración entre regiones, lo cual es consistente
con el cumplimiento de la LOP. Esto es especialmente
relevante por su impacto potencial en la disparidad regional
de la pobreza. De hecho, si las regiones más pobres y con
precios más bajos tienden a tener un mayor aumento en los
Palabras clave: niveles de precios, y por lo tanto se observa convergencia,
Ley del Precio Único, esto puede implicar un aumento de las disparidades
convergencia, regionales.
disparidades regionales
Introducción
En economía, la Ley del Precio Único (LOP) establece que el precio de un mismo bien expresado en la misma
moneda en dos mercados diferentes debe ser el mismo en condiciones de competencia y sin considerar costos
de transporte ni tarifas (KrugmanObstfeld 1991). El cumplimiento de la LOP se ha estudiado con frecuencia a
través de análisis que comparan la convergencia de precios en diferentes países (Hyvonen 2004, Busetti et al.
2007, Dreger et al. 2007, GarcíaHiernaux–Guerrero 2015), pero en menor medida a nivel intranacional (Cecchetti
et al. 2000; Honohan–Lane 2003, Beck et al. 2009, Gómez Aguirre–Rodríguez Chávez 2014).
La verificación de la LOP es más factible a nivel intranacional debido a los menores costos de transporte en
relación con el comercio internacional, la ausencia de barreras al comercio interno y el uso de la misma moneda
(Dayanandan–Ralhan 2005, Liu et al. 2018). ). El incumplimiento de la LOP a nivel intranacional es especialmente
relevante ya que implica la presencia de desequilibrios regionales, la mala asignación de recursos y diferencias
en el costo de vida, que deben ser tenidas en cuenta en el sistema de transferencias gubernamentales. (Vashchuk
2003). Además, la persistencia de los desequilibrios regionales intranacionales es de creciente interés entre los
investigadores (Csete– Szabó 2014).
Estadísticas Regionales, vol. 10. Núm. 2. 2020: 83–94; DOI: 10.15196/RS100205
Machine Translated by Google
84 Fernando Antonio Ignacio González
Se han realizado muchas investigaciones para verificar empíricamente el LOP. En este sentido, Liu
et al. (2018) encuentran evidencia de convergencia de precios en las provincias chinas entre 2003 y
2015 utilizando un método de selección de panel secuencial. Se ha informado convergencia entre
ciudades en México para los períodos 19822000 utilizando pruebas de raíces unitarias (Sonora 2005)
y 19822012 mediante regresión de mínimos cuadrados ordinarios (Gómez AguirreRodríguezChávez
2014). Se han encontrado resultados similares en ciudades de los Estados Unidos (Sonora 2008, Huang
et al. 2012, Hegwood–Nath 2013).
También en EE. UU., la evidencia empírica ha demostrado el efecto positivo del comercio electrónico
en la convergencia regional de precios (Cavallo 2018).
Por otro lado, las técnicas de cointegración se han utilizado con frecuencia para probar la validez
de la LOP (Goodwin 1992, Jung–Doroodian, 1994, Alavalapati et al.
1997, Kuiper et al. 2002, Silverstovs et al. 2005, Yang et al. 2015, Arruda et al. 2018).
Así, si se acepta el cumplimiento de esta ley, se espera que los precios en diferentes regiones o países
sigan una tendencia común de largo plazo (es decir, tengan una dinámica similar) y, por lo tanto, se
cointegren. Al respecto, Marcal et al. (2003) no encontraron evidencia de cointegración entre las
provincias de Brasil para el período 1980–1994 al usar la prueba de cointegración de Johansen (1996).
Palaia y Holand (2010) amplían el período analizado (19802006) y admiten la posibilidad de rupturas
estructurales siguiendo a Gregory y Hansen (1996). Sin embargo, no encuentran evidencia de
cointegración.
Lema y Brescia (1998) analizan la cointegración de precios agrícolas entre Argentina y Estados
Unidos para 19911997 utilizando la prueba propuesta por Engle y Granger (1987) y encuentran
resultados consistentes con la idea de cointegración de la serie. Además, para Argentina, Daruich y
Kozlowski (2019) analizan los precios de 22 cadenas de supermercados entre 2016 y 2018.
Curiosamente, una descomposición de la variación de precios muestra que la mayor parte de la
variación se debe a diferencias entre cadenas y a una menor
medida debido a las diferencias regionales entre las tiendas de la misma cadena. Lo anterior sugiere un
precio uniforme en todas las regiones consistente con la LOP. Sin embargo, se deben hacer algunas
advertencias: estas cadenas tienen una pequeña cantidad de tiendas en las áreas más pobres y pueden
usar subdivisiones dentro de la cadena para discriminar precios.
Argentina es ampliamente reconocida por sus disparidades territoriales; las provincias del norte
argentino tienen un menor nivel de desarrollo que sus pares del centro y sur. El Norte de Argentina
(Norte de Argentina) incluye el Nordeste ([NEA], Misiones, Corrientes, Chaco y Formosa) y el Noroeste
([NOA], Salta, Jujuy, Tucumán, Santiago del Estero, Catamarca y La Rioja).
Se pueden observar disparidades en indicadores como la mortalidad infantil, la esperanza de vida, el
producto interno bruto (PIB), el acceso a los servicios básicos y la pobreza (Longhi–Osatinsky 2017,
González–London 2018, González 2019).
Las amplias disparidades regionales también se han manifestado en diferencias de precios dentro
de Argentina. De hecho, las provincias de la NGA han presentado menores precios y costos
Estadísticas Regionales, vol. 10. Núm. 2. 2020: 83–94; DOI: 10.15196/RS100205
Machine Translated by Google
Dinámica regional de precios en Argentina (20162019) 85
de vida que las demás provincias (INDEC 2002). Esto se traduce, por ejemplo, en líneas de pobreza
monetaria más bajas para la NGA (INDEC 2019a).
Luego de su renormalización, el INDEC publicó informes mensuales en 2016 sobre el costo de
vida desagregado por región.1 Estos informes mensuales confirmaron que las provincias de la NGA
tienen los niveles de precios más bajos, mientras que las provincias de la Patagonia tienen los niveles
más altos. Anteriormente, solo era posible aproximar las diferencias regionales de precios a partir de
encuestas de gasto de los hogares realizadas en intervalos irregulares de 5 a 8 años, como la
Encuesta Nacional de Gasto de los Hogares (ENGHo) realizada en los años 1996/97, 2004/05,
2012/13 y 2017/18.
En este contexto, el presente trabajo busca analizar el cumplimiento de la LOP en las distintas
regiones de Argentina considerando el período 20162019. Para ello se utilizan técnicas de regresión
para probar la convergencia en el costo de vida reportado por el INDEC.
Además, se considera un análisis de cointegración de la serie. A continuación, en la sección 2 se
presenta la metodología y las fuentes de información. La sección 3 describe los resultados y la
sección 4 discute las principales conclusiones.
Metodología y fuentes de información
Considerando el objetivo de este trabajo, se utiliza el análisis de regresión de mínimos cuadrados
ordinarios para probar la existencia de convergencia. Esta estrategia de estimación tiene la ventaja
de generar resultados más confiables en muestras pequeñas que otras estrategias como el Método
Generalizado de Momentos (Bao–Dhongde 2009). En particular, se estima la siguiente ecuación
(Vashchuk 2003, Gómez Aguirre–RodríguezChávez 2014):
en √
= _ _ _ (1)
1
donde ln (Pit) es el logaritmo natural de la variable de precio elegida (P) en la región i en el mes t; ρi
son efectos fijos de región; σt son efectos fijos en el tiempo; y εit es el término de error del modelo. Si
hay convergencia de precios, se espera un coeficiente β negativo. A su vez, la velocidad de
convergencia se puede estimar como (Egri–Tánczos 2018, Halka– LeszczynkaPaczesna 2019):
(1+)ln − = 2 (2)
Una medida relacionada es el indicador de vida media que refleja el número de períodos:
meses, en este caso, después de lo cual se elimina el 50% del choque de precios:
/(2)ln = (3)
Si bien los índices de precios a menudo se usan para probar la convergencia, Vashchuk (2003)
afirma que deben usarse con precaución. En particular, suponiendo que el nivel de precios de todas
las unidades de observación (ciudades, regiones, países, etc.) sea el mismo en la base
1 Los informes del INDEC entre 2007 y 2015 deben ser considerados con reservas, como lo demuestra
MirandaZanetti et al. (2019) y González (2020).
Estadísticas Regionales, vol. 10. Núm. 2. 2020: 83–94; DOI: 10.15196/RS100205
Machine Translated by Google
86 Fernando Antonio Ignacio González
el período puede no ser realista. Lo anterior puede introducir sesgos en la elección del
período base y es motivo para preferir el uso de precios nominales en lugar de índices.
La siguiente sección describe la variable precio (canasta básica total) utilizada en las
regresiones.
Fuentes de información y regionalización
En el caso argentino, el INDEC publica informes mensuales que intentan aproximar el
costo de vida (en moneda local) mediante el uso de una canasta básica total por adulto
equivalente, que incluye gastos alimentarios y no alimentarios, para regiones de Argentina.
Las regiones consideradas son: NEA, NOA, Cuyo (Mendoza, San Juan y San Luis), Centro
(Córdoba, Entre Ríos, Santa Fe, La Pampa y Provincia de Buenos Aires) Metropolitana –
([GBA] , Ciudad de Buenos Aires y su periferia), y Patagonia (Río Negro, Chubut, Neuquén,
Santa Cruz y Tierra del Fuego). El valor de la canasta básica total se utiliza como insumo
para la construcción de un panel de precios por región.
El período en estudio abarca de abril de 2016 a junio de 2019. Por lo tanto, el panel tiene
228 observaciones (combinaciones regiónmes).
Simultáneamente, desde diciembre de 2016 también se encuentra disponible un índice
de precios al consumidor por regiones de Argentina publicado por el INDEC (INDEC
2019b). El IPC cuantifica las variaciones mensuales del nivel de precios. A diferencia del
TBB, que es un promedio ponderado de precios, el IPC es un índice y por lo tanto no tiene
unidad de medida. Además, el IPC intenta capturar los cambios en los precios de todos
los bienes y servicios de la economía y, por lo tanto, tiene una mayor amplitud que la TBB.
Como se presenta en la Figura 1, las regiones argentinas abarcan 24 provincias,
incluida la Ciudad de Buenos Aires. La región Centro tiene la mayor proporción de PIB y
población, con 66% y 75%, respectivamente (INDEC 2004, 2010). Por otro lado, las
regiones NOA y NEA tienen una participación en el PIB menor que su aporte poblacional,
con 4% y 6% del PIB y 9% y 12% de la población respectivamente. Esto explica la
existencia de profundas disparidades regionales en Argentina.
Estadísticas Regionales, vol. 10. Núm. 2. 2020: 83–94; DOI: 10.15196/RS100205
Machine Translated by Google
Dinámica regional de precios en Argentina (20162019) 87
Figura 1
regiones argentinas
Fuente: Instituto Nacional de Estadística y Censo.
Resultados
Primero, los resultados que surgen de estimar la ecuación 1 para las regiones de Argentina
se presentan en la columna 1 de la Tabla 1. La columna 2 presenta estimaciones alternativas
para la convergencia β absoluta (sin efectos fijos regionales):
Estadísticas Regionales, vol. 10. Núm. 2. 2020: 83–94; DOI: 10.15196/RS100205
Machine Translated by Google
88 Fernando Antonio Ignacio González
Tabla 1
Convergencia de precios entre regiones de Argentina (20162019)
(1) (2)
Coeficiente Coeficiente
–0,0384*** –0,0003**
β estimado (0,00599) (0,00013)
Efectos fijos regionales Sí No
Efectos fijos de tiempo Sí Sí
norte 228 228
R2 total 0.14 0.98
Nota: * significativo al 10%, ** significativo al 5%, *** significativo al 1%.
Fuente: Elaboración propia con base en INDEC.
En ambos casos se observa un coeficiente estimado negativo y significativo, lo cual
es consistente con la idea de convergencia de precios entre las regiones argentinas. Al
considerar una especificación de convergencia β absoluta (columna 2), el coeficiente
estimado está considerablemente más cerca de cero en comparación con la especificación
condicional con efectos fijos regionales, lo que denota una tasa de convergencia más
baja. Los coeficientes estimados de efectos fijos regionales de la ecuación 1 (Cuadro 5
del Anexo) confirman que la Patagonia tiene los precios más altos y las regiones NEA y
NOA tienen los más bajos, en promedio. Además, los resultados son robustos al
considerar periodizaciones alternativas (Tabla 6 del Anexo).
Usando los resultados anteriores para estimar las ecuaciones 2 y 3, se obtiene lo
siguiente: la tasa de convergencia promedio es de 3.9% mensual, es decir, cada mes se
elimina el 3.9% de las desviaciones del promedio. A su vez, el indicador de vida media
sugiere que después de 17,7 meses se elimina el 50% de las distorsiones.
En segundo lugar, y como ejercicio de robustez, se reestima la ecuación 1 utilizando
como variable dependiente el índice de precios al consumidor publicado por el INDEC.
Como se mencionó anteriormente, la elección del período base puede sesgar las
estimaciones y, por lo tanto, debe considerarse con reservas.
Tabla 2
Convergencia de precios considerando el IPC por regiones de Argentina
(20162019)
Coeficiente
–0,0347***
β estimado (0,00900)
Efectos fijos regionales Sí
Efectos fijos de tiempo Sí
norte 204
R2 total 0,93
Nota: * significativo al 10%, ** significativo al 5%, *** significativo al 1%.
Fuente: Elaboración propia con base en INDEC.
Estadísticas Regionales, vol. 10. Núm. 2. 2020: 83–94; DOI: 10.15196/RS100205
Machine Translated by Google
Dinámica regional de precios en Argentina (20162019) 89
Al utilizar el IPC como variable dependiente en la regresión, se repite el resultado de la convergencia
entre las regiones de Argentina. Curiosamente, el coeficiente estimado es similar al presentado en la
Tabla 1. La bondad de ajuste del modelo mejora significativamente en comparación con el caso anterior.
Al estimar las ecuaciones 2 y 3 se observa una tasa de convergencia ligeramente menor: cada mes se
elimina el 3,5% de las desviaciones de la media y el indicador de vida media es de 19,6 meses. Esto
muestra que el ritmo de convergencia es mayor entre bienes con mayor peso en el gasto de los hogares,
como alimentos y bebidas, e incluidos en la TBB que entre el conjunto total de precios de la economía.
Luego se realizó un análisis de cointegración complementario de la serie regional TBB. Primero se
analiza el orden de integración de las series y se observa que todas se integran en el orden 1; es decir,
no son estacionarios en niveles sino en primeras diferencias. La Tabla 3 presenta los resultados de la
prueba de DickeyFuller ([ADF], (DickeyFuller, 1979) considerando un componente de tendencia.
Alternativamente, se consideraron otras especificaciones obteniendo resultados similares.
Tabla 3
Valores p para análisis de estacionariedad de precios por región con prueba ADF
Región primera diferencia
CONSEGUIR 0.0177
NEA 0,0073
NOA 0,0053
Cuyo 0,0097
Centro 0,0142
Patagonia 0,0076
Nota: la hipótesis nula de la prueba ADF es que las series tienen raíz unitaria y por lo tanto no son estacionarias.
Fuente: Elaboración propia con base en INDEC.
Se observa que todas las series son estacionarias en primeras diferencias al 5%. Así, dada la
evidencia de que las series tienen el mismo orden de integración, se procede al análisis formal de la
cointegración siguiendo la propuesta de Engle y Granger (1987):
Tabla 4
Cointegración de series de precios regionales en Argentina (20162019)
Fuente: Elaboración propia con base en INDEC.
Estadísticas Regionales, vol. 10. Núm. 2. 2020: 83–94; DOI: 10.15196/RS100205
Machine Translated by Google
90 Fernando Antonio Ignacio González
La hipótesis de cointegración se mantiene para las regiones de Argentina al 10%. Las
excepciones son los casos del Gran Buenos AiresCentro (aunque con un valor estadístico
muy cercano al valor crítico) y PatagoniaNEA/NOA. Esto es de esperar considerando que
la Patagonia tiene los niveles de precios más altos, mientras que las provincias del norte
argentino (NEA y NOA) tienen los precios más bajos.
Conclusiones
Este trabajo ha analizado la dinámica de los precios regionales argentinos entre 2016 y
2019. Se observó que Argentina presenta amplias disparidades territoriales, lo que se
traduce en peores condiciones de vida, ingresos y educación, entre otras, en las provincias
del norte del país (regiones Noreste y Noroeste).
Desde 2016, el Instituto Nacional de Estadística (INDEC) publica informes mensuales
sobre el costo de vida en Argentina por región. Al mismo tiempo, el INDEC comenzó a
elaborar índices de precios por regiones (antes solo se calculaba un índice representativo
de la región del Gran Buenos Aires). Estos datos permitieron probar empíricamente el
cumplimiento de la Ley del Precio Único en todas las regiones argentinas.
En primer lugar, se realizó un análisis de convergencia formal considerando el costo
de vida en las regiones argentinas. Los resultados mostraron evidencia de convergencia
β condicional y absoluta para el período analizado. La tasa de convergencia se estimó en
3,9% mensual, equivalente a una vida media de las discrepancias de 17,7 meses. Como
ejercicio de robustez, se reiteró la estimación anterior considerando el índice de precios al
consumidor (IPC) de las regiones argentinas. Los resultados fueron consistentes en
sustentar la hipótesis de convergencia, aunque a un ritmo más lento (velocidad estimada
de 3,5% mensual). Todo lo anterior sugiere el cumplimiento de la Ley del Precio Único en
Argentina.
En segundo lugar, se verificó la existencia de una relación estable de largo plazo en la
dinámica regional de precios. Utilizando la prueba propuesta por Engle y Granger (1987),
que permite realizar comparaciones entre pares de regiones, se obtuvo evidencia
consistente con la idea de cointegración de la serie. La excepción la dieron los pares
PatagoniaNEA y PatagoniaNOA, lo cual es esperable dado que el norte argentino
presenta los niveles de precios más bajos y la Patagonia los más altos.
En el futuro, las implicaciones de esta convergencia de precios deben analizarse en
términos de disparidades regionales de pobreza. De hecho, además de las diferencias de
ingresos entre regiones, si los precios en las regiones más pobres aumentan más
rápidamente, esto implica que las disparidades de pobreza están aumentando. En el caso
de Argentina, se verificó que los precios son, en promedio, más bajos en las regiones más
pobres (NEA y NOA) y que estas tienden a converger en algún nivel común con los
precios de otras regiones. Por otro lado, y con el fin de fortalecer los resultados, es
conveniente ampliar el período de análisis y, eventualmente, desagregar los hallazgos por subperíodos.
Estadísticas Regionales, vol. 10. Núm. 2. 2020: 83–94; DOI: 10.15196/RS100205
Machine Translated by Google
Dinámica regional de precios en Argentina (20162019) 91
anexo
Tabla 5
Efectos fijos regionales de la ecuación 1
Región Coeficiente
QUÉ –0,0069***
(0,00108)
NOÉ –0,0082***
(0,00129)
Pampeana –0,0003***
(0,00007)
Patagonia 0,0059***
(0,00094)
Cuyo –0,0019***
(0,00030)
Nota: * significativo al 10%, ** significativo al 5%, *** significativo al 1%. La región del Gran Buenos Aires es la categoría base.
Fuente: Elaboración propia con base en INDEC.
Tabla 6
Convergencia de precios entre regiones de Argentina (20162019)
con datos trimestrales
Coeficiente
β estimado –0,0258**
(0,01047)
Efectos fijos regionales Sí
Efectos fijos de tiempo Sí
norte 13
R2 total 0.18
Nota: * significativo al 10%, ** significativo al 5%, *** significativo al 1%. Los valores de la canasta básica total por adulto equivalente
se promediaron por trimestre.
Fuente: Elaboración propia con base en INDEC.
Estadísticas Regionales, vol. 10. Núm. 2. 2020: 83–94; DOI: 10.15196/RS100205
Machine Translated by Google
92 Fernando Antonio Ignacio González
REFERENCIAS
ALAVALAPATI, J.–ADAMOWICZ, W.–LUCKERT, M. (1997): Un análisis de cointegración de los precios de la
pulpa de madera canadiense American Journal of Agricultural Economics 79 (3): 975–986.
https://doi.org/10.2307/1244437
ARRUDA, E.–CASTELAR, I.–GUIMARAES, D.–BARBOSA, R. (2018): Convergencia de precios, velocidad de
inversión y paridad del poder adquisitivo: hechos estilizados para las ciudades brasileñas
EconomiA 19 (2): 219–235. https://doi.org/10.1016/j.econ.2018.01.001 BAO, Y.–
DHONGDE, S. (2009): Testing Convergence in Income Distribution Oxford Bulletin of Economics and Statistics
71 (2): 295–302. https://doi.org/10.1111/
j.14680084.2008.00514.x BECK, G.–HUBRICH, K.–
MARCELLINO, M. (2009): Dinámica regional de la inflación dentro y entre los países de la zona del euro y
una comparación con la política económica de los Estados Unidos 24 (1): 141–184. https://
doi.org/10.1111/j.14680327.2009.00214.x
BUSETTI, F.–FORNI, L.–HARVEY, A.–VENDITTI, F. (2007): Inflation Convergence and Divergence
within the European Monetary Union International Journal of Central Banking 3 (2): 95–
121.
CAVALLO, A. (2018): Más efectos de Amazon: competencia en línea y comportamientos de precios NBER
Working paper No. 25138. https://doi.org/10.3386/w25138 CECCHETTI, S.–
MARK, N.–SONORA, R. ( 2000): Convergencia del nivel de precios entre las ciudades de los Estados Unidos:
lecciones para el documento de trabajo NBER del banco central europeo No. 7681. https://
doi.org/10.3386/w7681
CSETE, M.–SZABÓ, M. (2014): Cómo afecta la distribución espacial de las 500 principales empresas
húngaras al desarrollo regional: un examen de la generación de ingresos a escala subnacional
Estadísticas regionales 4 (1): 40–60. http://dx.doi.org/
10.15196/RS04104
DARUICH, D–KOZLOWSKI, J. (2019): Implicaciones macroeconómicas de la fijación uniforme de precios
Documento de trabajo 2019024A Banco de la Reserva Federal de St. Louis, St. Louis.
DAYANANDAN, A.–RALHAN, M. (2005): Convergencia del índice de precios entre provincias y ciudades de
Canadá: 1978–2001 Documento de trabajo EWP0504 Universidad de Victoria,
Victoria.
DICKEY, D.–FULLER, W. (1979): Distribución de los estimadores para series temporales autorregresivas con
raíz unitaria Journal of the American Statistical Association 74 (366): 427–431. https://doi.org/
10.1080/01621459.1979.10482531 DREGER, C.–
KHOLODILIN, K.–LOMMATZSCH, K.–SLACALEK, J.–WOZNIAK, P. (2007): Convergencia de precios en el
documento de trabajo del mercado interior ampliado No. 292, Comisión Europea, Bruselas.
ENGLE, R.–GRANGER, C. (1987): Cointegración y corrección de errores: representación, estimación y
prueba Econometrica 55 (2): 251–276. https://doi.org/
10.2307/1913236 EGRI, Z.–TÁNCZOS,
T. (2018): Las peculiaridades espaciales de la convergencia económica y social
en Central and Eastern Europe Regional Statistics 8 (1): 49–77. https://
doi.org/10.15196/RS080108
GARCÍAHIERNAUX, A.–GUERRERO, D. (2015): Convergencia del nivel de precios en la Eurozona.
Working paper No. 1505. Instituto Complutense de Análisis Económico, Madrid.
Estadísticas Regionales, vol. 10. Núm. 2. 2020: 83–94; DOI: 10.15196/RS100205
Machine Translated by Google
Dinámica regional de precios en Argentina (20162019) 93
GÓMEZ AGUIRRE, M.–RODRIGUEZCHÁVEZ, J. (2014): Convergencia de precios en México
Revista CIMEXUS 8 (2): 95–105.
GONZÁLEZ, F. (2019): Acceso a una fuente de agua mejorada y su medición: el caso de Misiones (Argentina) Orbis
Latina 9 (2): 53–6
GONZÁLEZ F. (2020): Datos de ingresos autoinformados: ¿la gente dice la verdad? Diario de
Crimen financiero 27 (2), en prensa. https://doi.org/10.1108/JFC0820190113
GONZÁLEZ, F.–LONDON, S. (2018): Aportes a la identificación y cuantificación de las externalidades de la foresto
industria: el caso de Puerto Piray (Misiones, Argentina) SaberEs 10 (2): 129–151.
GOODWIN, B. (1992): Pruebas de cointegración multivariante y la ley del precio único en los mercados
internacionales de trigo. Perspectivas y políticas económicas aplicadas 14 (1): 117–124. https://
doi.org/10.2307/1349612 GREGORY, A.–
HANSEN, B. (1996): Pruebas basadas en residuos para cointegración en modelos con cambios de régimen Journal
of Econometrics 70 (1): 99–126. https://doi.org/
10.1016/03044076(69)416857 HALKA, A.–LESZCZYNKA
PACZESNA, A. (2019): Convergencia de precios en la Unión Europea: ¿qué ha cambiado? Modelado económico
79: 226–241. https://doi.org/10.1016/j.econmod.2018.11.002
HEGWOOD, N.–NATH, H. (2013): rupturas estructurales y
convergencia de precios relativos entre las ciudades de EE. UU. Journal of Macroeconomics 36 (6): 150–160 . https://
doi.org/10.1016/j.jmacro.2012.12.006 HONOHAN, P.–LANE,
P. (2003): Tasas de inflación divergentes en la política
económica de la UEM 18 (37): 357–394.
HUANG, H.–LIU, W.–YEH, C. (2012): Convergencia en los niveles de precios en las ciudades de EE. UU . Economics
Letters 114 (3): 245–248. https://doi.org/10.1016/j.econlet.2011.09.039 HYVONEN, M.
(2004): Convergencia de la inflación entre países Documento de trabajo rdp200404 Reserve Bank of Australia,
Sydney.
JOHANSEN, S. (1996): Inferencia basada en la probabilidad en modelos autorregresivos de vectores cointegrados
Oxford University Press, Londres.
JUNG, C.–DOROODIAN, K. (1994): La ley del precio único para la madera blanda estadounidense: una prueba de
cointegración multivariante Forest Science 40 (4): 595–600.
KRUGMAN, P.–OBSTFELD, M. (1991): Economía Internacional. Teoría y política McGrawHill, New York.
KUIPER, W.–LUTZ, C.–TILBURG, A. (2002): Testing for the law of one Price and identifying priceleading markets:
an application to corn markets in Benin Journal of Regional Science 39 (4): 713–738. https://doi.org/
10.1111/00224146.00157 LEMA, D.–BRESCIA, V. (1998): La convergencia de
los precios agrícolas de la Argentina y EE.UU.: “La Ley de un solo precio” para los commodities pampeanos
Working paper No. 2, INTA.
LIU, T.–SU, S.–CHANG, H.–CHU, C. (2018): Convergence of regional housing prices in China Journal of Urban
Planning and Development 144 (2) https://doi.org/10.1061/
(ASCE)UP.19435444.0000451 LONGHI, F.–OSATINSKY, A. (2017):
Estructura productiva, pobreza y problemas de empleo en las provincias pampeanas y norteñas de Argentina en
los primeros años del siglo XXI. Cuadernos de Geografía 26 (1): 77–99. https://doi.org/10.15446/
rcdg.v26n1.51011
Estadísticas Regionales, vol. 10. Núm. 2. 2020: 83–94; DOI: 10.15196/RS100205
Machine Translated by Google
94 Fernando Antonio Ignacio González
MARCAL, E.–PEREIRA, P.–SANTOS FILHO, O. (2003): Paridad del poder adquisitivo: prueba de datos brasileños
Revista Brasileira de Economía 57 (1): 159–190. https://doi.org/10.1590/
S003471402003000100006 MIRANDAZANETTI, M.–DELBIANCO,
F.–TOHMÉ, F. (2019): Manipulación de los datos de inflación: un análisis basado en la ley de Benford de las
estadísticas nacionales en Argentina Physica A 525: 761–770. https://doi.org/10.1016/
j.physa.2019.04.042
PALAIA, D.–HOLAND, M. (2010): Tipo de Cambio y Paridad del Poder Adquisitivo en Brasil: Análisis Econométrico
con Ruptura Estructural Economía Aplicada 14 (1): 5–24. https://doi.org/10.1590/
S141380502010000100001
SILVERSTOVS, B.–L'HÉGARET, G.–VON HIRSCHHAUSEN, C. (2005): ¿Integración del mercado internacional para
el gas natural? Un análisis de cointegración de precios en Europa, América del Norte y Japón Energy
Economics 27 (4): 603–615. https://doi.org/10.1016/
j.eneco.2005.03.002 SONORA, R. (2005): City CPI
convergence in Mexico Review of Development Economics 9 (3): 359–367. https://doi.org/10.1111/
j.14679361.2005.00281.x SONORA, R. (2008): Convergencia bivariada de precios
relativos de ciudades en Estados Unidos: 19181997 Review of Financial Economics 17 (2): 92 –111. https://doi.org/
10.1016/j.rfe.2007.02.010 YANG, J.–BESSLER, D.–
LEATHAM, L. (2000): La ley del precio único:
integración del mercado de países desarrollados y en desarrollo Journal of Agricultural y Economía Aplicada 32 (3):
429–440. https://doi.org/10.1017/S107407080002054X
REFERENCIAS DE INTERNET
INDEC (2002): Paridades de poder de compra del consumidor Dirección de Índices de precio de
consumo
https://www.indec.gov.ar/nuevaweb/cuadros/10/PPCCMetodologia.pdf (descarga: 10 de
diciembre de 2019)
INDEC (2004): Producto Bruto Interno por Provincia. Año 2004
https://sitioanterior.indec.gob.ar/nivel4_default.asp?id_tema_1=3&id_tema_2=9&id_tema_3=138
(descarga: 10 de diciembre de 2019)
INDEC (2010): Resultados del Censo Nacional de Población, Hogares y Viviendas 2010
https://sitioanterior.indec.gob.ar/nivel4_default.asp?id_tema_1=3&id_tema_2=9&id_tema_3=138
(descargado el 10 de diciembre de 2019)
INDEC (2019a): Serie Informes Técnicos de Condiciones de Vida: incidencia de la pobreza y la indigencia en 31
aglomerados urbanos https://www.indec.gob.ar/indec/web/Nivel4Tema4 46152 (downloaded: 10
December 2019)
INDEC (2019b): Serie Informes Técnicos Índice de Precios al Consumidor
https://www.indec.gob.ar/indec/web/Nivel4Tema3531 (descarga: 10 de
diciembre de 2019)
VASHCHUK, O. (2003): La ley del precio único y la convergencia regional de precios en Ucrania.
Tesis de Maestría en Economía de la Universidad Nacional de KyivMohyla Academy, Kiev. http://
www.kse.org.ua/
uploads/file/library/2003/Vashchuk.pdf (downloaded: 10 December 2019)
Estadísticas Regionales, vol. 10. Núm. 2. 2020: 83–94; DOI: 10.15196/RS100205