Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Grupo:
10
Integrantes:
Lima – Perú
2022
2
AGRADECIMIENTO
Económicas. Las clases fueron impartidas con dedicación y pasión por compartir el
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
1.Introducción
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.
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
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.
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.
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
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%
p-valor es 0.0000 el cual es menor al 5%, con eso concluimos en que el modelo ya era
estacionario.
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”,
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
En los modelos var cuando tienes mucho coeficientes no se pueden interpretar bien, por lo
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
4.2.Test de Autocorrelación
Ahora vamos a realizar su test de autocorrelación donde podemos ver que no hay
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
4.5.Descomposición de Varianza
17
● En el primer cuadro se puede decir que la variable de PBI no es causada por las otras
causada por las otras variables . debido a que su p-valor es 0.934 y es mayor al 5%.
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
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.
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
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
https://www.bccr.fi.cr/indicadores-economicos
https://drive.google.com/file/d/1cZnm4Pike1MDnPBCJJxdxMjfDfi1CfGR/view
https://datos.bancomundial.org/indicator/NY.GDP.MKTP.CD
https://www.secmca.org/monitor-macroeconomico/
http://www.springer.com/series/10099