INVERSION PRIVADA

I. MARCO TEORICO Respecto al tema de la inversin existen los siguientes tipos: Inversin empresarial productiva Teora Neoclsica Teora Q Teora de los flujos descontados Inversin residencial Inversin en inventarios Pero el objeto de este trabajo no es explicar los diferentes tipos de inversin y las diversas teoras de la misma sino ms bien es establecer un modelo de inversin privada, para lo cual es necesario hacer un breve marco terico 1 acerca de lo que es la inversin privada. Tomando como referencia el libro de Macroeconoma de Oliver Blanchard se tiene que la inversin privada es un trmino continuamente ligado con la inversin empresarial, que visto de esta manera es el gasto en nuevas mquinas y plantas por parte de las empresas; depende principalmente de dos factores: Nivel de ventas.- Las empresas que tengan un elevado nivel de ventas y necesiten incrementar la produccin normalmente querrn comprar ms mquinas y construir ms plantas. Las que tengan pocas ventas no sentirn esa necesidad y realizarn pocas inversiones, si es que realizan alguna. Tipo de inters.- Consideremos el caso de una empresa que est contemplando la necesidad de comprar nuevas mquinas. Estimemos que para comprarla debe pedir un prstamo, ya sea solicitando un crdito en un banco o bien emitiendo pagars. Cuanto ms alto sea el tipo de inters, menos probable es que la empresa pida un prstamo y compre las mquinas. Si es demasiado alto, los beneficios adicionales generados por la nueva mquina no llegarn a cubrir los intereses que hay que pagar, por lo que no merecer la pena de comprar la nueva mquina. Para recoger estos dos efectos, formulamos la siguiente funcin: I=I(Y, r) Podemos observar que la ecuacin establece que la inversin depende de dos variables: la produccin (Y) y el tipo de inters real (i). Aunque hasta ahora nos referimos a las ventas, supondremos que estas coinciden con la produccin (inversin en existencias igual a 0). Todos los autores de libros de macroeconoma plasman en sus escritos el tema de la inversin y por eso en Macroeconoma de Samuelson, se tiene que ste considera a la inversin como el segundo gran componente del gasto privado; la cual desempea dos funciones en la macroeconoma. En primer lugar, sus bruscas variaciones pueden afectar considerablemente a la oferta agregada, lo cual afecta a la produccin a corto plazo. La inversin genera, adems, una acumulacin de capital. As pues, la

inversin desempea un doble papel al afectar a lo produccin a corto plazo a travs de su influencia en la demanda agregada y al influir en el crecimiento de la produccin a largo plazo a travs de la influencia de la formacin de capital en la produccin potencial y en la oferta agregada. DETERMINANTES DE LA INVERSION Como nos estamos centrando en el anlisis de la inversin privada o I, que es componente de inversin interior del PBI. Sin embargo, ste no es ms que uno de los componentes de la inversin social total, que comprende no solo I sino tambin las inversiones intangibles, como las que se realizan en capital humano a travs de la educacin y los conocimientos y el aumento del conocimiento tecnolgico por medio de I+D. Ahora pasemos a describir los componentes o determinantes de la inversin: LOS INGRESOS.- Una inversin genera a la empresa unos ingresos adicionales si le ayuda vender ms. Eso induce a pensar que el nivel global de produccin (PBI) es un importante determinante de la inversin. Cuando las fbricas permanecen ociosas, las empresas tienen relativamente poca necesidad de construir ms, por lo que la inversin es baja. En trminos ms generales, la inversin depende de los ingresos que genere la situacin de actividad econmica general. Por lo que, la inversin responde a las variaciones de la produccin. Una importante teora sobre la conducta de la inversin es el principio del acelerador, segn el cual la tasa de inversin depende principalmente de la tasa de variacin de la produccin. Es decir, la inversin es alta cuando la produccin crece, mientras que es baja cuando la produccin disminuye. LOS COSTES.- Otro determinante importante del nivel de inversin son sus costes. Los inversores suelen obtener sus fondos necesarios para comprar bienes de capital pidiendo prstamos, pero dicho prstamo tiene un coste Cul es el coste? El coste es el tipo de inters de los fondos prestados. De lo que se puede concluir que el otro componente de la inversin es el tipo de inters. De los dos determinantes anteriores podemos establecer la siguiente funcin de inversin: I=I(Y, r) Numerosos autores modelan la inversin economtricamente, y varios estudios revisan la literatura; ver Jorgenson (1971), Klein (1974), Chirinko (1993), y Carruth et al (2000a). Por lo tanto, este trabajo revisa algunos de esos trabajos que pueden iluminar la modelacin economtrica de la inversin. En esta lnea, Greene y Villanueva (1991) analizan la determinacin de la inversin privada en una muestra de varios pases. Greene y Villanueva emplean tcnicas para el anlisis conjunto de series econmicas temporales y de corte transversal. El estudio especifica una funcin donde la inversin como proporcin del producto es la variable dependiente. Los resultados de Greene y Villanueva muestran que el crecimiento del producto, el producto per cpita y la inversin pblica impactan positivamente a la inversin.

En cambio, la tasa de inters real, la inflacin, el servicio de la deuda pblica y la deuda pblica como proporcin del producto afectan la inversin negativamente.

I.

ANALISIS DE DATOS Basados en la teora macroeconmica y en los trabajos de autores dedicados a la modelacin economtrica de la inversin privada podemos llegar a determinar la siguiente funcin de inversin: I=IY, r, Como se puede observar a diferencia del modelo planteado por Blanchard y Samuelson, se aumenta la variable inflacin , la cual a su vez est determinada por la diferencia de los logaritmos naturales del ndice de precios al consumidor (IPC), por lo que llegaramos a la siguiente funcin: I=IY, r,(IPC) Luego basado en dicha funcin y los conceptos mencionados en el marco terico podemos establecer las siguientes derivadas con sus respectivos signos: IY>0 Ir<0 I<0 IPC>0 IIPC<0 Entonces la funcin de inversin se establecera del siguiente modo: I=I(Y,r, IPC) (+,-,-) Ahora definiendo las relaciones con la variable endgena: La produccin (Y) se relaciona directamente con la inversin (I). La tasa de inters (r) se relaciona inversamente con la inversin (I). El ndice de precios al consumidor (IPC) se relaciona inversamente con la inversin (I).

I.

ESPECIFICACION DEL MODELO ECONOMETRICO MODELO NORMAL.-

Dependent Variable: INVPRIV Method: Least Squares Date: 12/04/11 Time: 21:45 Sample: 1992Q1 2011Q2 Included observations: 78 Variable C PBI IPC TIRMN R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient Std. Error 8727.914 0.281046 -167.4471 -40.16506 0.918881 0.915593 1757.210 2.28E+08 -691.3997 279.4139 0.000000 3088.479 0.021060 45.30566 17.13225 t-Statistic 2.825958 13.34524 -3.695941 -2.344412 Prob. 0.0061 0.0000 0.0004 0.0217 9883.957 6048.299 17.83076 17.95162 17.87914 1.334864

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

INVPRIV = 8727.91400026 + 0.281045903302*PBI - 167.447062193*IPC - 40.1650555818*TIRMN

TEST DE VARIABLES OMITIDAS

Omitted Variables: T F-statistic 10.95297 Log likelihood ratio 10.90419 Test Equation: Dependent Variable: INVPRIV Method: Least Squares Date: 12/04/11 Time: 22:03 Sample: 1992Q1 2011Q2 Included observations: 78 Variable C PBI IPC TIRMN T R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient Std. Error -2812.667 0.344813 13.02669 1.835297 -194.1713 0.929464 0.925599 1649.763 1.99E+08 -685.9476 240.4845 0.000000 4535.148 0.027607 69.15889 20.48833 58.67040 t-Statistic -0.620193 12.48984 0.188359 0.089578 -3.309527 Prob. 0.5371 0.0000 0.8511 0.9289 0.0015 9883.957 6048.299 17.71661 17.86768 17.77708 1.581872 Prob. F(1,73) Prob. Chi-Square(1) 0.0015 0.0010

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

En la parte superior de la tabla aparece la hiptesis nula que estamos contrastando, en nuestro ejemplo la omisin de la variable T. A continuacin aparecen los resultados de dos test alternativos, tipo F, y tipo Ratio de verosimilitud, junto con los niveles de probabilidad asociados al rechazo de la hiptesis nula siendo cierta.

Teniendo en cuenta que la hiptesis nula a contrastar es la irrelevancia de la nueva variable sobre nuestra ecuacin estimada (su coeficiente no es estadsticamente distinto de cero) y con los niveles habituales de significatividad con los que normalmente trabajamos (95%) rechazaramos la hiptesis nula, si el nivel de probabilidad asociado es inferior a 0.05. En el ejemplo, tendramos una probabilidad del 0.15 y el 0.10%, respectivamente, de rechazar dicha hiptesis nula, por lo que admitiremos como falsa dicha hiptesis nula y diremos que la variable T ha sido omitida de la ecuacin, es decir tenemos que incluirla en nuestra especificacin. En la parte inferior de la tabla se presentan los resultados de la estimacin alternativa calculada para contrastar la irrelevancia de la posible variable omitida, y que, como vemos, es un modelo con un ajuste similar al original pero que incluye esa nueva variable T como una explicativa adicional. Otra manera sera: Hiptesis nula: los parmetros son cero para la variable T. Estadstico de contraste: F (1, 73) = 10.953 con valor p = P (F (1, 73) > 10.953) = 0.0015 TEST VARIABLES REDUNDANTES

Redundant Variables: IPC F-statistic 13.65998 Log likelihood ratio 13.21323 Test Equation: Dependent Variable: INVPRIV Method: Least Squares Date: 12/04/11 Time: 22:18 Sample: 1992Q1 2011Q2 Included observations: 78 Variable C PBI TIRMN R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient Std. Error -2314.479 0.210759 13.96324 0.903907 0.901345 1899.738 2.71E+08 -698.0064 352.7472 0.000000 845.9688 0.009781 9.610837 t-Statistic -2.735892 21.54773 1.452864 Prob. 0.0078 0.0000 0.1504 9883.957 6048.299 17.97452 18.06516 18.01081 1.054932 Prob. F(1,74) Prob. Chi-Square(1) 0.0004 0.0003

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

En el ejemplo, podemos comprobar que la probabilidad asociada al rechazo de la hiptesis nula es muy baja (0.04% en el test F y 0.03% en el ratio de verosimilitud), por lo que rechazaramos dicha hiptesis nula y admitiramos la significatividad de la variable IPC. Como puede comprobarse en la tabla anterior, el nuevo modelo alternativo posee un ajuste similar al original pero eliminando la variable sospechosa de ser irrelevante, en el ejemplo IPC.

Otra manera sera: Hiptesis nula: los parmetros son cero para la variable IPC. Estadstico de contraste: F (1, 74) = 13.66 con valor p = P (F (1, 74) > 13.66) = 0.0004
Redundant Variables: TIRMN F-statistic 5.496267 Log likelihood ratio 5.588308 Test Equation: Dependent Variable: INVPRIV Method: Least Squares Date: 12/04/11 Time: 22:32 Sample: 1992Q1 2011Q2 Included observations: 78 Variable C PBI IPC R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient Std. Error 1951.230 0.249847 -76.65012 0.912856 0.910532 1809.116 2.45E+08 -694.1939 392.8229 0.000000 1119.936 0.016804 24.20315 t-Statistic 1.742269 14.86799 -3.166948 Prob. 0.0856 0.0000 0.0022 9883.957 6048.299 17.87677 17.96741 17.91305 1.189317 Prob. F(1,74) Prob. Chi-Square(1) 0.0217 0.0181

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

En el ejemplo, podemos comprobar que la probabilidad asociada al rechazo de la hiptesis nula es baja (2.17% en el test F y 1.81% en el ratio de verosimilitud), por lo que rechazaramos dicha hiptesis nula y admitiramos la significatividad de la variable TIRMN. Como puede comprobarse en la tabla anterior, el nuevo modelo alternativo posee un ajuste similar al original pero eliminando la variable sospechosa de ser irrelevante, en el ejemplo TIRMN. Otra manera sera: Hiptesis nula: los parmetros son cero para la variable TIRMN. Estadstico de contraste: F (1, 74) = 5.49627 con valor p = P (F (1, 74) > 5.49627) = 0.0217 MODELO EN LOGARITMOS.Dependent Variable: LINVPRIV Method: Least Squares Date: 12/04/11 Time: 21:47 Sample: 1992Q1 2011Q2 Included observations: 78 Variable C LPBI Coefficient Std. Error -1.791174 1.279073 1.302118 0.112911 t-Statistic -1.375584 11.32819 Prob. 0.1731 0.0000

LIPC LTIRMN R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

-0.566720 -0.157397 0.946156 0.943973 0.158882 1.868019 34.86419 433.4454 0.000000

0.305225 0.131831

-1.856728 -1.193930

0.0673 0.2363 9.002829 0.671237 -0.791389 -0.670533 -0.743008 1.270523

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

LINVPRIV = -1.79117350865 + 1.27907323403*LPBI - 0.566720193418*LIPC - 0.157396607794*LTIRMN

TEST DE VARIABLES OMITIDAS

Omitted Variables: T F-statistic 51.18085 Log likelihood ratio 41.43980 Test Equation: Dependent Variable: LINVPRIV Method: Least Squares Date: 12/04/11 Time: 22:41 Sample: 1992Q1 2011Q2 Included observations: 78 Variable C LPBI LIPC LTIRMN T R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient Std. Error -11.09508 2.408416 -1.172736 -0.017018 -0.019219 0.968348 0.966613 0.122649 1.098119 55.58409 558.3251 0.000000 1.643677 0.180324 0.250383 0.103641 0.002686 t-Statistic -6.750159 13.35603 -4.683772 -0.164202 -7.154079 Prob. 0.0000 0.0000 0.0000 0.8700 0.0000 9.002829 0.671237 -1.297028 -1.145957 -1.236551 2.225826 Prob. F(1,73) Prob. Chi-Square(1) 0.0000 0.0000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

En la parte superior de la tabla aparece la hiptesis nula que estamos contrastando, en nuestro ejemplo la omisin de la variable T. A continuacin aparecen los resultados de dos test alternativos, tipo F, y tipo Ratio de verosimilitud, junto con los niveles de probabilidad asociados al rechazo de la hiptesis nula siendo cierta. Teniendo en cuenta que la hiptesis nula a contrastar es la irrelevancia de la nueva variable sobre nuestra ecuacin estimada (su coeficiente no es estadsticamente distinto de cero) y con los niveles habituales de significatividad con los que normalmente trabajamos (95%) rechazaramos la hiptesis nula, si el nivel de probabilidad asociado es inferior a 0.05. En el ejemplo, tendramos una probabilidad del 0.0 y el 0.0%, respectivamente, de rechazar dicha hiptesis nula, por lo que admitiremos como falsa dicha hiptesis nula y diremos que la variable T ha sido omitida de la ecuacin, es decir tenemos que incluirla en nuestra especificacin.

En la parte inferior de la tabla se presentan los resultados de la estimacin alternativa calculada para contrastar la irrelevancia de la posible variable omitida, y que, como vemos, es un modelo con un ajuste similar al original, excepto por el valor que toma el estadstico Durbin-Watson (2.226) pero que incluye esa nueva variable T como una explicativa adicional. Otra manera sera: Hiptesis nula: los parmetros son cero para las variables T. Estadstico de contraste: F (1, 73) = 51.1885 con valor p = P (F (1, 73) > 51.1808) = 0.0000 TEST DE VARIABLES REDUNDANTES
Redundant Variables: LTIRMN F-statistic 1.425469 Log likelihood ratio 1.488233 Test Equation: Dependent Variable: LINVPRIV Method: Least Squares Date: 12/04/11 Time: 22:51 Sample: 1992Q1 2011Q2 Included observations: 78 Variable C LPBI LIPC R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient Std. Error -3.258150 1.256144 -0.294986 0.945119 0.943655 0.159332 1.904002 34.12007 645.7918 0.000000 0.432289 0.111581 0.203953 t-Statistic -7.536980 11.25773 -1.446342 Prob. 0.0000 0.0000 0.1522 9.002829 0.671237 -0.797950 -0.707308 -0.761665 1.231640 Prob. F(1,74) Prob. Chi-Square(1) 0.2363 0.2225

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

En el ejemplo, podemos comprobar que la probabilidad asociada al rechazo de la hiptesis nula es alta (23.63% en el test F y 22.25% en el ratio de verosimilitud), por lo que aceptaramos dicha hiptesis nula y admitiramos la no significatividad de la variable LTIRMN. Como puede comprobarse en la tabla anterior, el nuevo modelo alternativo posee un ajuste similar al original pero eliminando la variable sospechosa de ser irrelevante, en el ejemplo LTIRMN. Otra manera sera: Hiptesis nula: los parmetros son cero para las variables LTIRMN. Estadstico de contraste: F (1, 74) = 1.42547 con valor p = P (F (1, 74) > 1.42547) = 0.2363
Redundant Variables: LIPC

F-statistic 3.447440 Log likelihood ratio 3.551685 Test Equation: Dependent Variable: LINVPRIV Method: Least Squares Date: 12/04/11 Time: 22:58 Sample: 1992Q1 2011Q2 Included observations: 78 Variable C LPBI LTIRMN R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

Prob. F(1,74) Prob. Chi-Square(1)

0.0673 0.0595

Coefficient Std. Error -3.148873 1.120128 0.025123 0.943647 0.942145 0.161454 1.955044 33.08834 627.9527 0.000000 1.094848 0.074817 0.089263

t-Statistic -2.876083 14.97166 0.281455

Prob. 0.0052 0.0000 0.7791 9.002829 0.671237 -0.771496 -0.680853 -0.735210 1.221259

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

En el ejemplo, podemos comprobar que la probabilidad asociada al rechazo de la hiptesis nula es alta (6.73% en el test F y 5.95% en el ratio de verosimilitud), por lo que aceptaramos dicha hiptesis nula y admitiramos la no significatividad de la variable LIPC. Como puede comprobarse en la tabla anterior, el nuevo modelo alternativo posee un ajuste similar al original pero eliminando la variable sospechosa de ser irrelevante, en el ejemplo LIPC. Otra manera sera: Hiptesis nula: los parmetros son cero para las variables LIPC. Estadstico de contraste: F (1, 74) = 3.44744 con valor p = P (F (1, 74) > 3.44744) = 0.0673 CONCLUSIN.- Luego de comparar el modelo normal con el modelo en logaritmos se tiene que:
MODELO NORMAL R Cuadadro 0.918881 R Cuadrado corregido 0.915593 MODELO EN LOGARITMOS R Cuadadro 0.946156 R Cuadrado corregido 0.943973

Del cuadro anterior podramos concluir que el modelo en logaritmos se ajusta mejor para explicar la inversin privada, pero hay otros factores que no nos permiten aceptar dicho modelo. Entre los factores que no nos permiten aceptar dicho modelo se encuentra de que en este modelo quedan redundantes las variables LTIRMN y LIPC, los cuales son los logaritmo de la tasa de inters y del ndice de precios al consumidor respectivamente, lo cual va en contra de la teora planteada anteriormente en la parte I, por lo cual no podemos aceptar dicho modelo por no tener un respaldo terico. Por lo tanto, en mi opinin elegira el MODELO NORMAL.

I.

ANALISIS DE LOS SIPUESTOS CLASICOS DE LA REGRESION LINEAL 1. CONTRASTES DE NORMALIDAD a.GRAFICO CUANTIL CUANTIL
6,000 4,000 Quantiles of Normal 2,000 0 -2,000 -4,000 -6,000 -8,000

-4,000

4,000

8,000

Quantiles of RESID1

Por lo que observamos en el grfico de arriba se puede concluir que los residuos no se distribuyen normalmente.

b.HISTOGRAMA

20

16

Series: Residuals Sample 1992Q1 2011Q2 Observations 78 Mean Median Maxim um Minim um Std. D ev. Skewness Kurtosis 4.82e-12 0.366541 4455.806 -6510.521 1722.638 -0.403969 5.644140

12

Jarque-Bera 24.84378 Probability 0.000004

-6000 -4000 -2000 0 2000 4000

Del grfico mostrado anteriormente se puede notar lo siguiente: Jarque Bera (24.84>5.99), Curtosis (5.64>3) y Asimetra (-0.40 ~ 0) por lo que se puede decir que los residuos no se distribuyen normalmente. 2. CONTRASTES DE ESTABILIDAD DE PARAMETROS Ho: No hay cambio estructural. H1: Hay cambio estructural. a. ERRORES RECURSIVOS.- Presenta un grfico de los errores recursivos a lo largo de la muestra, pudiendo identificarse posible cambios de estructura en aquellos puntos en los que los errores superan los valores definidos por las bandas confianza, calculadas stas como +/- dos veces la desviacin tpica.
6,000 4,000 2,000 0 -2,000 -4,000 -6,000 -8,000 94 96 98 00 02 04 06 2 S.E. 08 10

Recursive Residuals

Del grfico mostrado anteriormente se puede observar que puede existir cambio estructural en el ao 1982, luego otro cambio estructural en el ao 1991.

b. TEST CUSUM.- Presenta un grfico con el valor calculado del test CUSUM para cada uno de los perodos, junto con las banda de confianza de dicho contraste al 5% de significatividad. Si alguno de los valores calculados supera dichos lmites de significatividad podremos rechazar la hiptesis nula de permanencia estructural y asumir entonces que se ha producido un cambio en los valores de los parmetros.

30 20 10 0 -10 -20 -30 94 96 98 00 02 04 06 08 10

CUSUM

5% Significance

Del grfico presentado anteriormente podemos observar que los valores calculados no superan dichos lmites de significatividad en ningn punto, por lo que no existe cambio estructural, por lo tanto se acepta la hiptesis nula de permanencia estructural. c. TEST CUSUM SQ.- Presenta un grfico con el valor calculado del test CUSUM_SQ para cada uno de los perodos, incluyndose igualmente las banda de confianza de dicho contraste al 5% de significatividad. La interpretacin es similar al anterior en el sentido de que si algn punto rebasa los lmites de significatividad, debemos asumir la presencia de un cambio estructural en nuestro modelo.

1.2 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 94 96 98 00 02 04 06 08 10

CUSUM of Squares

5% Significance

Del grfico presentado anteriormente podemos observar que hay muchos puntos que salen de las bandas de confianza por lo que se debe rechazar la hiptesis nula de permanencia estructural y se concluye que existe cambio estructural en los valores calculados. d. TEST DE PREDICCION A UN PERIODO.- El resultado y su interpretacin es similar al presentado en la primera de las opciones, grfico de errores recursivos, pero incluyendo en la parte inferior del grfico el nivel de significatividad asociado a cada punto cuando este es inferior al 15%, de forma tal que aquellos puntos que sobrepasan las bandas de confianza en el grfico presentaran un valor de significatividad inferior al 5%.
6,000 4,000 2,000 0 -2,000 -4,000 .000 .025 .050 .075 .100 .125 .150 94 96 98 00 02 04 06 08 10 -6,000 -8,000

One-Step Probability Recursive Residuals

Del grfico mostrado anteriormente se puede observar de que ningn punto sobrepasa las bandas de confianza las cuales tienen un nivel de significancia del 5% por lo tanto no se puede rechazar la hiptesis nula de permanencia estructural. e. TEST DE PREDICCION A N PERIODOS.- La parte superior del grfico es similar a los anteriores (errores recursivos), pero en la parte inferior presenta

los niveles de significatividad asociados a un test del tipo restringido de Chow (Chow Forecast Test) utilizando, en cada punto, la estimacin hasta la observacin t-1, y comparndola con los errores del total de la muestra. Al igual que en el caso anterior, solo aparecen los puntos "sospechosos" de presentar cambio estructural y que son aquellos con probabilidad asociada inferior al 15%.
6,000 4,000 2,000 0 -2,000 -4,000 .000 .025 .050 .075 .100 .125 .150 94 96 98 00 02 04 06 08 10 -6,000 -8,000

N-Step Probability Recursive Residuals

De la figura mostrada arriba se puede observar que algunos puntos se encuentran deformando la lnea recta de los dems puntos, por lo tanto se rechaza la hiptesis nula de permanencia estructural y se puede concluir que existe cambio estructural en los primeros aos y luego en los ltimos aos. f. TEST QUANDT ANDREWS.-

Hiptesis nula: No hay cambio estructural. Estadstico de contraste: Mx. F (4, 70) = 6.93011 en la observacin 2007:1 (Valor crtico al 1 por ciento = 5.12)

1. CONTRASTES DE HETEROCEDASTICIDAD a. CONTRASTE DE BREUSH PAGAN.H0:Homoscedasticidad H1: Heteroscedasticidad

Heteroskedasticity Test: Breusch-Pagan-Godfrey F-statistic 12.65645 Prob. F(3,74) 0.0000

Obs*R-squared 26.45017 Scaled explained SS 55.28127

Prob. Chi-Square(3) 0.0000 Prob. Chi-Square(3) 0.0000

En la figura adjunta arriba se puede observar que la probabilidad Chi Cuadrado es 0.000, por lo que a un nivel de significancia del 5% se rechaza la hiptesis nula de homoscedasticidad. b. CONTRASTE DE HARVEY.H0:Homoscedasticidad H1: Heteroscedasticidad

Heteroskedasticity Test: Harvey F-statistic 6.237359 Obs*R-squared 15.74274 Scaled explained SS 32.55170 Prob. F(3,74) 0.0008 Prob. Chi-Square(3) 0.0013 Prob. Chi-Square(3) 0.0000

En la figura adjunta arriba se puede observar que la probabilidad Chi Cuadrado es 0.0013, por lo que a un nivel de significancia del 5% se rechaza la hiptesis nula de homoscedasticidad. c. CONTRASTE DE GLEJSER.H0: 1=0 H0: 10 Heteroskedasticity Test: Glejser F-statistic 17.59578 Obs*R-squared 32.47495 Scaled explained SS 45.20317 Prob. F(3,74) 0.0000 Prob. Chi-Square(3) 0.0000 Prob. Chi-Square(3) 0.0000

En la figura adjunta arriba se puede observar que la probabilidad Chi Cuadrado es 0.0000, por lo que a un nivel de significancia del 5% se rechaza la hiptesis nula.

d. CONTRASTE DE WHITE (sin trminos cruzados).H0:Homoscedasticidad H1: Heteroscedasticidad

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS 12.70807 26.52138 55.43010 Prob. F(3,74) Prob. Chi-Square(3) Prob. Chi-Square(3) 0.0000 0.0000 0.0000

En la figura adjunta arriba se puede observar que la probabilidad Chi Cuadrado es 0.0000, por lo que a un nivel de significancia del 5% se rechaza la hiptesis nula de homoscedasticidad. e. CONTRASTE DE WHITE (con trminos cruzados).H0:Homoscedasticidad H1: Heteroscedasticidad

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS 4.562404 29.36695 61.37738 Prob. F(9,68) Prob. Chi-Square(9) Prob. Chi-Square(9) 0.0001 0.0006 0.0000

En la figura adjunta arriba se puede observar que la probabilidad Chi Cuadrado es 0.0006, por lo que a un nivel de significancia del 5% se rechaza la hiptesis nula de homoscedasticidad.

2. CONTRASTES DE AUTOCORRELACION a.CONTRASTE DE BREUSH GODFREY (LM).H0:No hay autocorrelacin H1: Hay autocorrelacin

Breusch-Godfrey Serial Correlation LM Test:

F-statistic Obs*R-squared

4.592446 8.824567

Prob. F(2,72) Prob. Chi-Square(2)

0.0133 0.0121

En la figura mostrada arriba se puede observar que la probabilidad Chi Cuadrado es 0.0121, por lo que a un nivel de significancia del 5% se rechaza la hiptesis nula de la no existencia de autocorrelacin. b.CONTRASTE DURBIN WATSON H0:No hay autocorrelacin H1: Hay autocorrelacin AR(1)

R-squared 0.918881 Adjusted R-squared 0.915593 S.E. of regression 1757.210 Sum squared resid 2.28E+08 Log likelihood -691.3997 F-statistic 279.4139 Prob(F-statistic) 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

9883.957 6048.299 17.83076 17.95162 17.87914 1.334864

Se puede observar que el estadstico Durbin Watson toma un valor de 1.334864 con un p - value = 0.000348143, por lo que a un nivel de significancia del 5% se rechaza la hiptesis nula de la no existencia de autocorrelacin. c.CORRELOGRAMA Q STADISTICS.Segn el grfico del correlograma (Anexo: Tabla de Correlacin) los residuos tiene un comportamiento no sistemtico, adems se tiene que en la FACP se puede observar bandas distintas de 0. Este comportamiento se asocia a un proceso autorregresivo de orden 1, es decir, un AR (1).

II. CONCLUSIONES 1. CONCLUSION - NORMALIDAD DE RESIDUOS Segn la grfica Cuantil Cuantil y el histograma (en donde se encuentran: el estadstico Jarque Bera, Curtosis y Asimetra) se puede llegar a la conclusin general de que los residuos NO SE DISTRIBUYEN NORMALMENTE. 2. CONCLUSION - ESTABILIDAD DE PARAMETROS Segn el contraste de errores recursivos puede existir cambio estructural, el contraste CUSUM nos dice de que no hay cambio estructural, por otro lado el

contraste CUSUM SQ nos manifiesta de que si existe cambio estructural, el test de prediccin a un periodo nos dice que hay permanencia estructural, el test de prediccin a N periodos nos muestra de que hay cambio estructural y por ltimo el test Quandt Andrews nos muestra que si hay cambio estructural. De todo esto podemos concluir de que puede existir CAMBIO ESTRUCTURAL. 3. CONCLUSION - HETEROSCEDASTICIDAD Segn los contrastes realizados para heterocedasticidad: Breush Pagan, Harvey, Glejser y White se tiene que todos estos contrastes rechazan la hiptesis nula de homoscedasticidad; por lo tanto, se puede concluir de manera general de que existe HETEROCEDASTICIDAD. 4. CONCLUSION - AUTOCORRELACION Basados en los contrastes hechos para autocorrelacin: Breush Godfrey (LM), el estadstico Durbin Watson y el correlograma Q Stadistics se tiene que todos ellos mostraron rechazo a la hiptesis nula de la no existencia de autocorrelacin, lo que nos lleva a concluir de que EXISTE AUTOCORRELACION. III. ANEXOS 1. Tasa de inters real: es obtenida mediante la frmula r=1+R1+, donde R es la tasa de inters nominal, y la tasa de inflacin medida como el cambio en el logaritmo del ndice de precios al consumidor, la cual debe aproximar la tasa de inflacin esperada. 2. Tabla de Correlacin.Date: 12/05/11 Time: 07:30 Sample: 1992Q1 2011Q2 Included observations: 78 Autocorrelation . |** . |*. .*| . . |*. .*| . **| . **| . .|. .*| . .*| . .|. . |** .|. .*| . .|. . |*. .|. .*| . | | | | | | | | | | | | | | | | | | Partial Correlation . |** . |*. .*| . . |** ***| . .*| . . |*. .|. .*| . .|. . |*. .|. .*| . **| . . |*. . |*. .|. .*| . | | | | | | | | | | | | | | | | | | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 AC 0.316 0.169 -0.072 0.208 -0.199 -0.228 -0.227 0.050 -0.120 -0.076 0.014 0.218 0.022 -0.147 -0.064 0.111 0.056 -0.130 PAC 0.316 0.077 -0.163 0.298 -0.400 -0.142 0.094 -0.018 -0.079 0.020 0.076 0.049 -0.085 -0.210 0.091 0.085 0.022 -0.075 Q-Stat 8.0700 10.419 10.852 14.491 17.878 22.373 26.911 27.130 28.431 28.956 28.975 33.465 33.513 35.635 36.038 37.275 37.591 39.356 Prob 0.005 0.005 0.013 0.006 0.003 0.001 0.000 0.001 0.001 0.001 0.002 0.001 0.001 0.001 0.002 0.002 0.003 0.003

.|. .|. .|. .*| . .|. .|. .|. .*| . .|. .|. .|. .*| . .|. .|.

| | | | | | | | | | | | | |

.|. .|. .|. .|. .|. .*| . .|. .|. .*| . .|. .|. .|. .|. .*| .

| | | | | | | | | | | | | |

19 20 21 22 23 24 25 26 27 28 29 30 31 32

-0.044 0.041 -0.004 -0.179 -0.020 -0.018 -0.049 -0.199 -0.056 0.015 0.011 -0.076 -0.018 0.018

-0.016 -0.044 -0.058 -0.060 0.064 -0.131 -0.062 0.014 -0.126 -0.011 -0.039 0.002 -0.050 -0.096

39.562 39.747 39.749 43.314 43.361 43.399 43.677 48.419 48.806 48.835 48.849 49.604 49.646 49.690

0.004 0.005 0.008 0.004 0.006 0.009 0.012 0.005 0.006 0.009 0.012 0.014 0.018 0.024

3. Data.Trimestr e INVPRIV 1394.928 92T1 94 1336.289 92T2 34 1677.541 92T3 86 1522.102 92T4 72 2516.260 93T1 31 2600.345 93T2 45 2874.212 93T3 68 2165.091 93T4 42 4283.743 94T1 29 4466.896 94T2 93 3914.580 94T3 14 4527.424 94T4 28 5823.510 95T1 29 6770.420 95T2 24 6097.540 95T3 53 5650.649 95T4 58 5258.543 96T1 05 96T2 7692.274

PBI 9,312.00 10,879.0 0 11,437.0 0 13,326.0 0 14,600.0 0 17,469.0 0 18,076.0 0 19,116.0 0 21,846.0 0 25,140.0 0 24,955.0 0 26,637.0 0 28,094.0 0 31,512.0 0 30,475.0 0 30,846.0 0 31,112.0 0 36,214.0

IPC 23.67126 65 26.90449 28 29.61494 14 32.67223 38 36.73418 56 40.85473 85 43.85985 53 46.24275 25 49.08939 77 51.35337 72 52.95230 77 54.09724 12 55.39809 84 57.13349 71 58.40476 12 59.65090 86 61.75785 03 63.58834

TIRMN 161.63 127.60 132.19 129.73 117.74 89.92 83.69 75.14 69.92 61.33 49.54 40.62 37.61 36.45 37.31 35.71 33.43 31.86

96T3 96T4 97T1 97T2 97T3 97T4 98T1 98T2 98T3 98T4 99T1 99T2 99T3 99T4 00T1 00T2 00T3 00T4 01T1 01T2 01T3 01T4 02T1 02T2 02T3 02T4

34 6138.623 21 6361.829 59 6391.486 1 9040.097 39 7728.249 41 7826.354 04 7733.446 59 8862.459 57 7411.741 77 7719.246 16 6325.117 75 7719.693 49 5897.127 78 8408.446 89 8091.663 23 9059.158 75 6273.078 4 6747.911 29 7777.542 88 8321.653 2 6620.991 11 6965.444 11 6657.064 46 9270.309 23 6974.215 23 8236.031 08

0 33,925.0 0 35,830.0 0 35,683.0 0 41,876.0 0 39,336.0 0 40,639.0 0 39,247.0 0 43,653.0 0 41,315.0 0 42,066.0 0 40,522.0 0 45,480.0 0 42,702.0 0 45,717.0 0 45,316.0 0 49,831.0 0 45,305.0 0 45,689.0 0 44,842.0 0 50,461.0 0 46,371.0 0 47,538.0 0 45,494.0 0 53,837.0 0 49,263.0 0 51,056.0 0

13 65.28769 47 66.58400 61 67.87151 21 69.32759 70.75781 81 71.24461 68 73.12981 87 74.94978 89 75.83294 07 75.54494 65 76.18950 02 77.31962 91 77.94544 67 78.39206 16 79.14060 87 79.98520 29 80.83791 35 81.52862 94 82.05556 25 82.05456 16 82.02264 35 81.71031 78 81.22619 17 82.11468 7 82.24109 93 82.89024 19

31.54 31.76 31.93 32.04 31.45 31.31 31.48 32.12 32.47 37.60 37.03 37.66 35.91 33.05 33.13 32.02 30.33 28.00 26.26 26.77 26.77 24.11 23.19 20.80 20.92 21.99

03T1 03T2 03T3 03T4 04T1 04T2 04T3 04T4 05T1 05T2 05T3 05T4 06T1 06T2 06T3 06T4 07T1 07T2 07T3 07T4 08T1 08T2 08T3 08T4 09T1 09T2 09T3

7941.037 05 9941.702 12 7520.702 21 7975.309 06 8186.903 79 11230.40 29 7621.286 64 9006.541 66 8300.597 62 12166.30 15 8788.725 93 9978.339 72 12499.08 97 14540.29 36 10959.56 03 13272.88 01 16086.57 72 17658.18 22 15911.80 89 15648.90 82 20392.00 46 23041.00 32 22052.42 83 18213.06 34 16995.24 11 14726.73 64 14327.81

49,939.0 0 57,273.0 0 52,011.0 0 54,201.0 0 55,455.0 0 60,832.0 0 59,647.0 0 61,968.0 0 59,513.0 0 68,897.0 0 63,999.0 0 69,245.0 0 67,887.0 0 79,304.0 0 75,200.0 0 79,864.0 0 76,013.0 0 87,027.0 0 83,724.0 0 88,765.0 0 87,520.0 0 97,484.0 0 93,502.0 0 92,566.0 0 89,083.0 0 96,626.0 0 94,827.0

83.52294 97 84.07999 93 83.84370 02 84.45304 68 86.02278 38 86.94390 06 87.54060 9 87.69151 36 87.91021 37 88.47841 9 88.62974 37 88.81325 86 89.99067 06 90.53006 99 90.22829 09 90.16402 57 90.36396 7 91.25420 04 92.39730 88 93.31717 77 94.73739 47 96.30915 28 98.02801 96 99.51887 01 100.0357 32 100.1275 58 99.90537

21.13 21.11 22.59 23.09 24.90 25.45 25.99 25.98 27.20 26.79 26.75 25.21 25.02 25.27 25.07 24.21 24.58 23.33 23.77 23.43 24.34 24.52 24.78 24.37 23.75 22.12 21.35

09T4 10T1 10T2 10T3 10T4 11T1 11T2

07 13251.58 26 20367.36 91 21382.07 79 21895.53 56 19192.28 4 26726.72 03 28018.27 15

0 101,782. 00 100,490. 00 110,999. 00 108,105. 00 115,018. 00 113,808. 00 123,875. 00

67 99.93133 39 100.7113 54 101.2783 59 102.0688 5 102.0595 54 103.0851 47 104.4222 11

20.86 20.70 20.18 19.14 19.70 19.58 19.42