DIAPOSITIVA 1

La influencia de distintas variables macroeconómicas clave como el crecimiento del PBI, las
exportaciones de commodities y el tipo de cambio real multilateral en la Inversión extranjera
directa; a través de un enfoque econométrico, este estudio busca analizar la naturaleza y la
magnitud de la relación entre la IED y las variables mencionadas anteriormente.

OBJETIVO
Determinar, analizar y proyectar la influencia de los determinantes
macroeconómicos sobre la IED en el Perú durante 1991-2021, para tal fin se
asume que la tasa de crecimiento del PBI, el valor de la exportación de los
commodities y el índice de tipo de cambio real multilateral son consideradas
como las determinantes macroeconómicas de la IED basado en el modelo de
Dunning.

 Analizar la evolución histórica de la inversión extranjera directa en

el Perú y su relación con el crecimiento económico, las
exportaciones de commodities y el tipo de cambio real multilateral.
 Estimar modelos econométricos adecuados para examinar la
relación entre la IED y las variables macroeconómicas
mencionadas, utilizando datos empíricos disponibles para el
período de estudio.
DIAPOSITIVA 2

El modelo ecléctico de Dunning es un marco teórico útil para analizar los determinantes de la
IED en el Perú.

La aplicación del modelo al contexto peruano permite identificar los factores que son más
relevantes para atraer inversiones extranjeras.

Propiedad (O): Incluye activos intangibles como tecnología y marcas, economías de escala y
alcance, y diferenciación de productos, lo que proporciona ventajas competitivas.

Internalización (I): Implica la reducción de costos al incorporar operaciones, mayor control y

coordinación, y el aprovechamiento de externalidades a través de la colaboración con otras
empresas.

Localización (L): Considera factores como el tamaño del mercado, los costos de producción
(mano de obra, infraestructura, impuestos), el acceso a recursos (materias primas, recursos
humanos, tecnología) y el entorno político y económico (estabilidad, seguridad jurídica,
políticas de inversión). Estos elementos influyen en la decisión de ubicar las operaciones en
una determinada área geográfica.

En resumen, el Modelo Dunning ofrece un enfoque sólido y ampliamente aceptado para

analizar los factores determinantes de la IED en el Perú, lo que lo convierte en una
herramienta valiosa para desarrollar un modelo econométrico que pueda ayudar a
comprender y pronosticar los flujos de inversión extranjera en el país.

El uso de un modelo econométrico puede ayudar a cuantificar el impacto de los diferentes

factores en la IED.

OLI AMPLIADO

El modelo OLI ampliado es una extensión del modelo OLI básico de John Dunning, que
incorpora una serie de variables adicionales para explicar la inversión extranjera directa
(IED). Este enfoque reconoce que las decisiones de inversión de las empresas
multinacionales no solo se basan en las ventajas de propiedad (O), localización (L) y
internalización (I), sino también en una serie de otros factores que influyen en la viabilidad
y la rentabilidad de la inversión en el extranjero.
Ayuda a identificar los factores específicos que son más relevantes para atraer IED a un país o
sector.

Facilita el diseño de políticas públicas más eficientes para atraer IED.

- Proyectos de búsqueda de mercados: Se centran en atender el mercado interno de los países

receptores, fomentando la sustitución de importaciones y generando comercio al emplear
productos intermedios del país de origen de la inversión extranjera directa.

- Proyectos de búsqueda de eficiencia buscan reducir costos de producción mediante una

gestión unificada en cadenas internacionales, beneficiándose de economías de alcance y escala
para mercados nacionales e internacionales.

-Proyectos de búsqueda de recursos se enfocan en acceder a materias primas y mano de obra

económica para exportar productos intensivos en recursos de los países receptores, buscando
maximizar la rentabilidad y competitividad en los mercados internacionales.

- Los proyectos dirigidos a activos estratégicos, buscan establecer una estructura de propiedad
común para operar en mercados regionales o globales.

NOS BASAMOS A EN EL MARCO DEL MODELO OLI DEBIDO A QUE SE ADAPTAN LAS
VARIABLES MACROECONÓMICAS COMO LA VARIABLE PBI EN LA BÚSQUEDA DE MERCADOS;
EN ESTRATEGIA DE BÚSQUEDA DE EFICIENCIA SE HALLAN LAS VARIABLES TIPO DE CAMBIO
REAL MULTILATERAL Y EL VALOR DE LA EXPORTACIÓN DE LOS COMMODITIES, ESTA ÚLTIMA
VARIABLE TAMBIÉN SE UBICA EN LA ESTRATEGIA DE BÚSQUEDA DE RECURSOS.

DIAPOSITIVA 3

ESPECIFICACION DEL MODELO

1-2-3- BENITES
DIAPOSITIVA 4

GRAFICOS DE DISPERSION

DIAPOSITIVA 5

Nombre de la variable: variable en tu conjunto de datos.

Observaciones: Esta columna indica cuántas observaciones se han utilizado para calcular las
estadísticas descriptivas para cada variable.

Media (Mean): promedio de los valores de la variable. Indica el valor típico de la variable en tu
conjunto de datos.

Desviación Estándar :muestra la dispersión de los datos alrededor de la media. Cuanto mayor
sea la desviación estándar, mayor será la dispersión de los datos.

Mínimo (Min) y Máximo (Max): Indican el rango de valores observados para cada variable.

 IDE (Inversión Directa Extranjera): La media es de 3934.76 con una

desviación estándar de 3077.16. Los valores oscilan entre -899.44 y
11874.00.
 TCPIB (Tipo de Cambio del Peso en relación al Dólar): La media es de
4.355 con una desviación estándar de 4.406. Los valores varían entre -
11.01 y 13.59.
 TCRM (Tipo de Cambio Real Multilateral): La media es de 96.22 con una
desviación estándar de 13642.70. Los valores oscilan entre 81.4 y 111.4.
 VXC (Índice de Volatilidad del Mercado de Valores): La media es de
17643.82 con una desviación estándar de 7.24. Los valores oscilan entre
2318.24 y 46585.13.

DIAPOSITIVA 6

1. Tasa de PIB:
 Coeficiente: 252.3796
 Interpretación: Por cada unidad de aumento en la Tasa de
PIB, se espera que la IED aumente en promedio en
252.3796 unidades, manteniendo constantes todas las
demás variables.
 Error estándar: 76.46202
 Estadística t: 3.3
 Valor p (P>|t|): 0.003
 Intervalo de confianza del 95%: (95.49254, 409.2668)
 Interpretación: El coeficiente es estadísticamente
significativo (p < 0.05) y positivo, lo que sugiere que un
aumento en la Tasa de PIB está asociado con un aumento
significativo en la IED.
2. Índice de TCRM:
 Coeficiente: -94.91988
  Interpretación: Por cada unidad de aumento en el Índice de
TCRM, se espera que la IED disminuya en promedio en
94.91988 unidades, manteniendo constantes todas las
demás variables.
 Error estándar: 52.26225
 Estadística t: -1.82
 Valor p (P>|t|): 0.000
 Intervalo de confianza del 95%: (-202.1532, 12.31339)
 Interpretación: El coeficiente es estadísticamente
significativo (p < 0.05) y negativo, lo que sugiere que un
aumento en el Índice de TCRM está asociado con una
disminución significativa en la IED.
3. VXC:
 Coeficiente: 0.1778648
 Interpretación: Por cada unidad de aumento en VXC, se
espera que la IED aumente en promedio en 0.1778648
unidades, manteniendo constantes todas las demás
variables.
 Error estándar: 0.0276708
 Estadística t: 6.43
 Valor p (P>|t|): 0.000
 Intervalo de confianza del 95%: (0.1210891, 0.2346405)
 Interpretación: El coeficiente es estadísticamente
significativo (p < 0.05) y positivo, lo que sugiere que un
aumento en VXC está asociado con un aumento
significativo en la IED.
4. Intercepto:
 Coeficiente: 8831.01
 Interpretación: Este es el valor esperado de la IED cuando
todas las variables independientes son iguales a cero.
 Error estándar: 4811.179
 Estadística t: 1.84
 Valor p (P>|t|): 0.077
 Intervalo de confianza del 95%: (-1040.712, 18702.73)
 Interpretación: El coeficiente no es estadísticamente
significativo (p > 0.05) a un nivel de confianza del 95%, lo
que sugiere que el intercepto no tiene un efecto
significativo en la IED.

4-5-6- YUUSS
DIAPOSITIVA 7

El análisis de varianza (ANOVA) se utiliza para determinar si hay una relación

significativa entre las variables independientes y la variable dependiente en un
modelo de regresión. Aquí está cómo interpretar cada resultado:

1. Regresión:
 Suma de cuadrados: 194358003
 Esta es la suma de los cuadrados de las diferencias entre los
valores predichos por el modelo de regresión y la media de
la variable dependiente.
 Grados de libertad: 3
 Representa el número de variables independientes en el
modelo de regresión.
 Promedio de los cuadrados: 64786000.9
 Es la suma de cuadrados dividida por los grados de
libertad. Indica la varianza explicada por el modelo de
regresión.
2. Residuos:
 Suma de cuadrados: 89710225
 Esta es la suma de los cuadrados de las diferencias entre los
valores observados de la variable dependiente y los valores
predichos por el modelo de regresión.
 Grados de libertad: 27
 Representa el número de observaciones menos el número
de variables independientes en el modelo de regresión.
 Promedio de los cuadrados: 3322600.93
 Es la suma de cuadrados dividida por los grados de
libertad. Indica la varianza no explicada por el modelo de
regresión, es decir, la varianza residual.
3. Total:
 Suma de cuadrados: 284068228
 Esta es la suma total de los cuadrados de las diferencias
entre los valores observados de la variable dependiente y
su media.
 Grados de libertad: 30
 Representa el número total de observaciones menos uno.
 Promedio de los cuadrados: 9468940.92
 Es la suma de cuadrados total dividida por los grados de
libertad. Indica la varianza total de la variable dependiente.

En resumen, estos resultados muestran cómo se distribuye la varianza en el

modelo de regresión entre la parte explicada por las variables independientes
(Regresión) y la parte no explicada (Residuos). Un valor alto de la suma de
cuadrados de regresión en relación con la suma de cuadrados de residuos
sugiere una buena ajuste del modelo a los datos.

 F (3, 27): Este valor es la estadística F del modelo de regresión. Indica si hay una
relación significativa entre las variables independientes y la variable dependiente. En
este caso, el valor de F es 19.5, lo que sugiere que el modelo de regresión es
estadísticamente significativo.
 En este caso, R^2 es 0.6842, lo que significa que aproximadamente el 68.42% de la
variabilidad en la variable dependiente se explica por las variables independientes
incluidas en el modelo.
 R AJUSTADO Es útil para comparar modelos con diferente número de variables
independientes. En este caso, el R^2 ajustado es 0.6491.
 Esto indica cuánto varían los valores observados de la variable dependiente alrededor
de la línea de regresión ajustada.

DIAPOSITIVA 08
JARQUE BERA
La tabla demuestra que el test de Jarque Bera cuya probabilidad de 0.4634 es mayor
que 0.05, lo cual, existe una alta probabilidad de 46.34% de no rechazar la hipótesis
nula de normalidad; lo que da indicios de que los errores tienen una distribución
normal. Por tanto, se rechaza la H1 aceptando la H0, y se concluye que los residuos del
modelo se aproximan a una distribución normal.

SHAPIRO WILK
Con base en el valor p de 0.60474, no podemos rechazar la hipótesis nula de que los
residuos se distribuye normalmente. Esto significa que no hay evidencia suficiente
para concluir que la variable no se ajusta a una distribución normal.
DIAPOSITIVA 9
En la siguiente matriz de correlación, se muestra la relación de la tasa de crecimiento
del PBI, la exportación de los commodities, y el tipo de cambio real multilateral con la
IED, dicho resultado muestra una correlación positiva regular de 0.4264 entre la IED y
la tasa de crecimiento del PBI; así también, muestra una correlación positiva fuerte de
0.72 entre el valor de la exportación de los commodities, y la relación del TCRM con la
IED tienen una correlación débil de 0.1975.

VIF
es la prueba VIF para comprobar la multicolinealidad de las variables predictoras, en el
cual el VIF centrado muestra valores menores a 10 (valor que indica la presencia de
multicolinealidad). Por tanto, nuestro modelo no presenta dicho problema.

DIAPOSITIVA 10
HETEROCEDASTICIDAD:

Chi2 (Chi-cuadrado): Esta prueba evalúa si hay heterocedasticidad en los residuos del
modelo, lo que significa que la varianza de los errores no es constante a lo largo del
rango de valores de las variables independientes. En este caso, el valor de Chi2 es
15.97 con 9 grados de libertad y un valor p de 0.0674. Como el valor p es mayor que el
nivel de significancia comúnmente utilizado de 0.05, no hay suficiente evidencia para
rechazar la hipótesis nula de homocedasticidad, lo que sugiere que el modelo no sufre
de heterocedasticidad significativa.
El p – valor de la prueba de White es de 0.0674, es decir, supera al nivel de error
utilizado de 0.05 o 5%, por tanto, se aprueba la hipótesis nula de existencia de varianza
homocedastica del modelo.
7-8-9-10 ANGEL

DIAPOSITIVA 11

A un nivel de significancia del 5%, se rechazaría la hipótesis nula para 3, 4 y 5 rezagos,

ya que las probabilidades asociadas son inferiores a 0.05. Esto sugiere que hay
correlación serial significativa en los residuos cuando se incluyen 3, 4 y 5 rezagos en el
modelo.
Sin embargo, para 1 y 2 rezagos, no hay suficiente evidencia para rechazar la hipótesis
nula, ya que las probabilidades asociadas son mayores que 0.05.
En resumen, estos resultados indican que se debe considerar la inclusión de al menos
3 rezagos en el modelo para capturar adecuadamente la autocorrelación serial en los
residuos.

DIAPOSITIVA 12

DIAPOSITIVA 13
La hipótesis planteada en la presente investigación fue que en el Perú las variables
consideradas como los determinantes macroeconómicos, influyeron de manera
importante y significativa sobre los flujos de IED. De los resultados obtenidos se ha
llegado a las siguientes conclusiones:
1. La influencia de los principales determinantes macroeconómicos sobre los
flujos de Inversión Extranjera Directa en el Perú en el periodo 1991-2021, ha sido
importante y significativa, siendo en promedio el 64.91% del comportamiento de la
IED explicadas por las tres variables, como la tasa de crecimiento del PBI, el valor de la
exportación de los commodities y el índice de tipo de cambio real multilateral.
2. La influencia del índice de tipo de cambio real multilateral en el periodo
analizado resultó ser importante, pero poco significativa en la determinación de la IED.
Hallándose una relación inversa entre la IED y el TCRM. Considerado el TCRM como un
indicador de la inestabilidad política económica, resulta que, en contextos de
incertidumbre cambiaria, la inversión disminuye, debido a que los valores esperados
de los proyectos de inversión se reducen y como consecuencia la IED disminuye.
Entonces, una mayor volatilidad del TCRM de nuestro país, transmite poca credibilidad
en el desarrollo de una actividad de largo plazo.
11-12-13 DIEGO
CONCLUSIONES