UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

UNIVERSIDAD DEL PERÚ. DECANA DE AMÉRICA

FACULTAD DE CIENCIAS ECONÓMICAS

Trabajo Final de Econometría II

Docente:

Cornelio Vicente, Ticse Nuñez.

Grupo:

10

Integrantes:

· Gallo Blas Bryan Andre - 20120075

· Lara Mendoza Jose Maria Bryan - 20120055

· Pozo Ramirez Nelly – 20120090

Lima – Perú

2022
 2

AGRADECIMIENTO

El presente grupo desea agradecer el apoyo incondicional y las enriquecidas enseñanzas al

Magister Cornelio Vicente Ticse Nuñez, reconocido profesor en la Universidad Nacional

Mayor de San Marcos. Gran docente en el área de Econometría de la Facultad de Ciencias

Económicas. Las clases fueron impartidas con dedicación y pasión por compartir el

conocimiento hacia sus estudiantes.

 3

ÍNDICE

1.Introducción 4
2.Variables 5
2.1.Producto Bruto Interno Real (PBIR) 5
2.2.Balanza Comercial (BC) 6
2.3.Tipo de Cambio Real (TCR) 6
2.4.Consumo Familiar (CF) 6
3.Estacionariedad de Variables 7
3.1.Producto Bruto Interno Real (PBIR) 7
3.2.Balanza Comercial (BC) 7
3.3.Tipo de Cambio Real (TCR) 8
3.4.Consumo Familiar (CF) 8
4.Modelo Autorregresivo Múltiple (VAR) 9
4.1Test de Normalidad 13
4.2.Test de Autocorrelación 14
4.3.Test de Heterocedasticidad 15
4.4.Gráfico de Impulso - Respuesta 16
4.5.Descomposición de Varianza 16
4.6.Prueba de causalidad de Granger 17
5.Cointegración 18
6.Modelo Vector de Corrección de Error (VEC) 21
7.Conclusiones 22
8.Referencias 23
 4

MODELO ECONOMÉTRICO CON DATA DE COSTA RICA

1.Introducción

El análisis de los principales indicadores económicos de un país es esencial para comprender

su dinámica y formular políticas efectivas. En este trabajo, nos centraremos en Costa Rica,
una nación con una economía en constante evolución y un papel destacado en la región
centroamericana.
El Producto Interno Bruto (PIB) real, el tipo de cambio real, la balanza comercial y el
consumo familiar son factores fundamentales que influyen en la economía costarricense. El
PIB real representa el valor total de los bienes y servicios producidos en el país, ajustado por
la inflación, lo cual nos proporciona una medida más precisa de la producción económica. El
tipo de cambio real, a su vez, indica la relación entre el valor de la moneda nacional y las
monedas extranjeras, ajustado por los cambios en los niveles de precios.
La balanza comercial, por su parte, muestra la diferencia entre las exportaciones y las
importaciones de bienes y servicios de un país. Un superávit en la balanza comercial se
produce cuando el valor de las exportaciones es mayor que el de las importaciones, lo cual
puede tener un impacto positivo en el crecimiento económico. Por último, el consumo
familiar representa el gasto de los hogares en bienes y servicios, desempeñando un papel
importante en la demanda agregada y el desarrollo económico.
Con el fin de realizar un análisis más profundo de estos indicadores, es necesario examinar la
estacionariedad de las series de datos. La estacionariedad implica que las series no presentan
tendencias o cambios sistemáticos a lo largo del tiempo. Una vez que las series sean
estacionarias, se procederá a utilizar modelos VAR, VEC y cointegración.
Los modelos VAR y VEC permiten analizar las interacciones dinámicas entre las variables
económicas estudiadas, brindando una comprensión más completa de sus relaciones de
causalidad y retroalimentación. Por otro lado, la cointegración nos ayuda a identificar si las
series de tiempo tienen una relación de equilibrio a largo plazo, lo cual es fundamental para
comprender las interacciones a largo plazo y los ajustes a corto plazo entre las variables.
 5

2.Variables
Como se mencionó en la introducción, las variables que vamos a analizar van a ser PBI
real, Balanza Comercial, Tipo de cambio real y Consumo familiar.

2.1.Producto Bruto Interno Real (PBIR)

En el PBI real y logaritmo del PBI real, se muestra una clara tendencia creciente del producto
interno desde el primer trimestre de 1995 hasta el cuarto trimestre del 2020, con una
disrupción en el 2020. Para ubicarnos en la coyuntura del país, esta coincide con el inicio de
la pandemia en el 2020, el cual, causó muchos estragos en la economía nacional e
internacional.
 6

2.2.Balanza Comercial (BC)

La presente variable, nos muestra una cierta tendencia negativa esto debido a que las
importaciones fueron mayores a las exportaciones. Lamentablemente no podemos aplicar
logaritmo debido a que la mayoría de los valores son negativos y el eviews no nos lo permite.

2.3.Tipo de Cambio Real (TCR)

La presente variable, nos muestra una cierta tendencia negativa tanto para el grafico original
como con el que aplicamos logaritmo, esto debido a la crisis de Costa Rica en el 2013 pero
luego vemos que se empezó a recuperar.

2.4.Consumo Familiar (CF)

La variable de consumo familiar vemos cómo ha ido en aumento a lo largo de los años y nos
muestra una tendencia positiva tanto para el gráfico original como con el que aplicamos
logaritmo. También vemos un pico pero eso fue debido a la pandemia.
 7

3.Estacionariedad de Variables
Habiendo analizado las 4 variables, ahora vamos a volverlas estacionarias, por lo cual vamos
a aplicar una primera o segunda diferencia hasta que el modelo se vuelva estacionario.

3.1.Producto Bruto Interno Real (PBIR)

Para volver estacionario este modelo primero aplicamos logaritmo, luego primera diferencia
y nos dimos cuenta que aún no era estacionario en varianza, por lo cual aplicamos una
segunda diferencia y nos dio el cuadro que puede visualizar abajo. Después aplicamos la
prueba de Dickey Fuller y nos damos cuenta que su valor es 0.0000 el cual es menor a 5%
por lo cual concluimos que el modelo es estacionario.

3.2.Balanza Comercial (BC)

Para volver estacionario el modelo de Balanza Comercial primero aplicamos logaritmo, luego

primera diferencia y nos dimos cuenta que aún no era estacionario en varianza, por lo cual
 8

aplicamos una segunda diferencia y nos dio el cuadro que puede visualizar abajo. Después

aplicamos la prueba de Dickey Fuller y nos damos cuenta que su valor es 0.00001 el cual es

menor a 5% por lo cual concluimos que el modelo es estacionario.

3.3.Tipo de Cambio Real (TCR)

Para volver estacionario este modelo, primero aplicamos primera diferencia pero nos dimos

cuenta que no era estacionario en media por lo cual hicimos una segunda diferencia y

posterior a ello hicimos la prueba de Dickey Fuller el cual es 0.0000 y como es menor al 5%

concluimos que es estacionario.

3.4.Consumo Familiar (CF)

En este modelo al momento de aplicar primera diferencia no era estacionaria en media, por lo

cual aplicamos segunda diferencia y le hicimos la prueba de Dickey Fuller y vemos q su

 9

p-valor es 0.0000 el cual es menor al 5%, con eso concluimos en que el modelo ya era

estacionario.

4.Modelo Autorregresivo Múltiple (VAR)

La estimación de un modelo VAR es útil para analizar las interacciones entre variables, hacer
pronósticos a corto plazo, evaluar políticas económicas, diagnosticar shocks en el sistema y
realizar pruebas de restricciones. En resumen, nos ayuda a entender las relaciones entre
variables, hacer predicciones y evaluar el impacto de cambios en la economía.

Ahora realizamos la estimación del modelo VAR, con 2 rezagos y sin variables de impulso
(dummy), dado que el programa Eviews nos determina dichos parámetros por defecto.
Además tenemos las 4 variables que ya son estacionarias. Hacemos la estimación y
obtenemos el cuadro de abajo en donde podemos apreciar el coeficiente, error estándar y el
valor T calculado de cada variable.
10
 11

Ahora para saber que tipo de VAR es haremos la prueba “VAR lag order selection criteria”,

donde vamos a dejar con 8 rezagos y analizaremos cual es el mejor.

Tenemos que recordar que los asteriscos nos indican que los valores son significativos, por

ende debemos escoger el que tiene más asteriscos el cual es el rezago 8, lo cual quiere decir

que debemos estimar una VAR con 8 rezagos.

12
 13

En los modelos var cuando tienes mucho coeficientes no se pueden interpretar bien, por lo

cual vamos a usar la función de impulso respuesta y análisis de la descomposición de la

varianza. Pero primero debemos hacer ciertas pruebas:

4.1Test de Normalidad

Nos fijamos en el valor del estadístico conjunto de Jarque-Bera el cual nos dices que es

0.0000 es menor de 5% lo cual nos indica que no sigue una distribución normal multivariada.
 14

Por lo cual procederemos a corregirlo analizando la gráfica de residuos y viendo cual es el

valor que más afecta con su volatilidad.

4.2.Test de Autocorrelación
Ahora vamos a realizar su test de autocorrelación donde podemos ver que no hay

autocorrelación debido a que sus valores superan el 5%.

 15

4.3.Test de Heterocedasticidad
Para esta prueba nos fijamos en su p-valor que nos dice que es 0.4433 y es mayor al 5% por
lo cual podemos concluir que no hay heterocedasticidad.
Después de hacer las pruebas y corregirlas, ahora mostraremos los gráficos de impulso
respuesta , descomposición de varianza y la prueba de causalidad de Granger.
 16

4.4.Gráfico de Impulso - Respuesta

4.5.Descomposición de Varianza
 17

4.6.Prueba de causalidad de Granger

 18

Analizando el cuadro llegamos a las siguientes conclusiones:

● En el primer cuadro se puede decir que la variable de PBI no es causada por las otras

variables, ya que su p-valor es 0.8537 y es mayor al 5%..

● En el segundo cuadro podemos ver que la variable de balanza comercial si es causada

por las otras variables, ya que su p-valor es 0.0000 y es menor al 5%.

● En el tercer cuadro se puede observar que la variable de tipo de cambio real no es

causada por las otras variables . debido a que su p-valor es 0.934 y es mayor al 5%.

● Por último, en el cuarto cuadro vemos que la variable de consumo familiar no es

causada por las demás variables, ya que su p-valor es 0.1751 y es mayor al 5%.

5.Cointegración
La idea de cointegración fue desarrollada por los economistas galardonados con el premio
nobel de economía en el año de 2003; Clive Granger y Robert Engle. Su antecedente
inmediato fue el trabajo de Granger y Newbold “Spurius regression in econometrics”
publicado en 1974 en donde mostraban que la utilización de series no estacionarias podría
llevar a una relación de correlación accidental entre ellas. En simulaciones realizadas por
estos autores, utilizaron series artificiales no estacionarias generadas a partir de procesos
diferentes y completamente independientes.
El modelo de cointegración nos permite detectar si existe la posibilidad de obtener
estimaciones correctas, es decir, libres de resultados espurios, de los parámetros que definen
las relaciones entre dos o más variables, tanto en el corto como a largo plazo. En ese sentido,
aplicamos el Test de Engle - Granger en el software E-views para identificar si existe o no
existe cointegración en el modelo.
Analizando el modelo .
Hipótesis

H0:ρ=1

H1: ρ<1
 19

Estadístico de contraste

t(df)=(p ̅-p)/dⅇ(P ̂ )

Comparación

t y tablas de Mackminan

Conclusión de:

Aceptar H0 si t tabla>t DF

Rechazar H0 si t tabla<t DF
 20

Interpretación
En nuestro modelo, se encuentra que el p - valor es menor al nivel de significancia,
por ende, se concluye que en el modelo se rechaza la hipótesis nula y se concluye que
existe cointegración.
Adicionalmente, podemos aplicar otro test para verificar y aseverar la conclusión anterior
mediante el test de Philip Ouliaris.

Efectivamente, se concluye que los p - valores son menores al nivel de significancia, lo que
demuestra que existe la cointegración.
 21

6.Modelo Vector de Corrección de Error (VEC)

El Vector de Corrección de Errores (VEC) es un modelo utilizado en econometría para

analizar las relaciones de largo plazo y los ajustes a corto plazo entre múltiples variables en
un sistema de series de tiempo. Este enfoque es especialmente útil cuando las variables están
cointegradas, es decir, cuando tienen una relación de equilibrio a largo plazo. En el VEC, se
estima un sistema de ecuaciones de corrección de errores simultáneas que incluye todas las
variables relevantes. Los vectores de corrección de errores capturan la velocidad de ajuste
hacia el equilibrio a largo plazo después de una desviación, lo que permite modelar tanto los
efectos a corto plazo como los ajustes a largo plazo. El VEC se utiliza para analizar las
dinámicas entre las variables, realizar pronósticos a corto plazo y evaluar el impacto de
choques en el sistema.

En el respectivo análisis del VEC se evidencia que al realizar las diferencias en la corrección
de errores, muestra que se seleccionará el número de rezagos que minimice el criterio de
información.

En el número de rezagos se coloca 1, es decir, se hace primero un modelo VEC(1); sin

embargo, en el modelo aparece con valores superiores del Akaike y Schwartz, lo que se
descarta y se pasará a un modelo con más rezagos.

De la misma manera, se realizó la comparación al agregar los rezagos obteniendo un

resultado alejado al óptimo.

El VEC(3) con 3 rezagos mejora el Akaike y el Schwartz porque son los menores valores en

comparación con rezagos superiores e inferiores y a la vez el menor número de rezagos que

permite obtener un resultado óptimo. A continuación se muestra la solución

 22

7.Conclusiones
Si bien en el modelo existen grandes oscilaciones, se logró corregir la estacionariedad
mediante las aplicaciones prácticas en el software E- views. Por otro lado, se
evidencia que existe una relación entre las respectivas variables. Adicionalmente,
mediante el modelo VAR podemos concluir que debemos estimar el modelo con 8
rezagos para un mejor resultado y mediante la prueba de Granger nos damos cuenta
que la variable de la Balanza Comercial si es causada por las otras variables.
Mediante los test de cointegración logramos detectar si existe la posibilidad de
obtener estimaciones correctas, es decir, libres de resultados espurios, de los
parámetros que definen las relaciones entre dos o más variables, tanto en el corto
como a largo plazo. Por último, realizamos la aplicación del VEC, mediante la
búsqueda de los menores regresores y valores del akaike y se logró obtener que el
 23

VEC pertinente del modelo es con 3 regresores, VEC (3). En ese sentido, nos permite
generar un modelo que evidencia los efectos a corto plazo como los ajustes a largo
plazo.

8.Referencias
Court & Rengifo. (2011). Estadística y econometría financiera. Cenkage Learning. 1era

edición.

https://drive.google.com/file/d/12EnXWB_YmAxP4d1RUTYdK6hynSX5bjfk/view

Fernanda, Ma. (2019). ​Indicadores Económicos​. Bccr.fi.cr.

https://www.bccr.fi.cr/indicadores-economicos

Hamilton, J. (1994). Time series analysis.

https://drive.google.com/file/d/1cZnm4Pike1MDnPBCJJxdxMjfDfi1CfGR/view

Banco Mundial (s.f). Data PBIreal.

https://datos.bancomundial.org/indicator/NY.GDP.MKTP.CD

MONITOR MACROECONÓMICO – Secmca. (2023). Secmca.org.

https://www.secmca.org/monitor-macroeconomico/

Neusser, K. (2016). Time series econometrics. Springer.

http://www.springer.com/series/10099