Modelo Economtrico Estado de Veracruz (1993-2011)

Mrquez Jurez Natanael Fernando

Introduccin
En el presente trabajo se encontrar un modelo acerca del Producto Interno Bruto del estado de Veracruz enmarcado bajo el mtodo de mnimos cuadrados. Dicho modelo abarca siete variables en una serie de tiempo que abarca desde 1993 hasta 2011, dichas variables son: PIB nacional (PIBN) Ingreso bruto de Veracruz (PIBV) Poblacin (POB) Deuda Publica (DC) Nmero de Patentes (PAT) Superficie cosechada total (BIB) PIB de Veracruz rezagado un ao (PIB(-1))

Para terminar la parte introductoria hablaremos brevemente sobre el mtodo de MCO enunciaremos los supuestos que debe cumplir la regresin de Mnimos Cuadrados, as como los supuestos que debe cumplir para poder relizar el mtodo Gauss-Markov y obtener un resultado MELI. El mtodo de MCO bsicamente consiste en ajustar los datos experimentales segn sus desviaciones a la lnea de tendencia, elevando al cuadrado a los errores para no sobre estimar la regresin. A continuacin se muestra cmo obtener las ecuaciones ordinarias para una regresin simple que fcilmente se puede generalizar para n-variables. Considere en siguiente sistema de ecuaciones:

Y An B X ...(1) XY A X B X

...(2)

Procedemos a resolverlo por medio de suma y resta. Multiplique (1) por menos la suma de X y en (2) multiplique por n.

Y X An X B( X )2 ...(1) n XY An X Bn X 2 ...(2)
Sumando y despejando B de (1) y (2)

n XY X Y Bn X B( X )2 n XY X Y B[n X ( X )2 ]
2

 X Y X XY A n X ( X )
2 2 2

De forma semejante se puede obtener B. Se dice que podemos utilizar el mtodo Gauss- Markov si el modelo est normalmente distribuido y si cumple los supuestos del mtodo de Mnimos Cuadrados los cuales se enuncian como sigue: El Modelo dde regresin es Lineal en los parmetros aunque puede o no ser lineal en las variables. Es decir, el modelo de regresin presenta una ecuacin

Yi 1 2 X I ui
Los valores X sin fijos, o valores de independientes del trmino de error. La esperanza matematica del error estocastico es igual a cero. Es decir:

E (ui ) 0
Homocedasticidad o varianza constante. La variana del trmino medio de error es la misma sin importar el valor de X, esto es:

var(ui ) 2
No hay autocorrelacin entre las perturbaciones. El nmero de observaciones n debe ser mayor que el nmero de parmetros por estimar. La naturaleza de la variable X no debe presentar valores atipicos.

Fundamentos del Modelo y especificacin de las variables

La variable explicada que en este caso es el PIB de Veracruz, fue carcterizado bajo las variables anteriormente mencionadas segn la estrcutura econmica del pas. En el caso del PIB de dicho estado, que al forma parte del PIB nacional y al ser componente de dicha identidad contable se justifica la relacin con el primero en la carcterizacin cuantitativa. Dentro de las variables explicativa al rezagar el PIB del estado un ao se pretende analizar la relacin temporal existente, siendo justificada por la interteporalidad de la variable rezagada. La poblacin es una variable importante porque induce a pensar teorcamente, que al crecer esta variables tambin crece el nmero potencial de la poblacin econmicamente activa.

El nmero poblacional, as como el el Ingreso Bruto, constituye por un lado el hecho de que Veracruz es uno de los diez estados ms endeudados de las entidades federativas, por lo cual es una importante variable que explica el PIB veracruzano en el destinamiento de gasto pblico, mientras que el ingreso bruto constituye el ingreso por parte del gobierno federal al gobierno veracruzano. En el caso de las patentes, en est modelo fueron incorporadas al modelo en forma de una variable proxy de tecnologa que refleja la innovacin tecnologa por parte de los residentes del estado. Al incorporar a nuestro modelo la superficie cosechada, integramos una carcteristica del estado donde Veracruz es un estado que sobresale por su vocacin agrcola. Como se observa en las siguientes grficas, notamos la evolucin de las variables a lo largo del tiempo analizado.

PIBV
700,000 13,000,000 12,000,000

PIBN
2.0E+10

IBV

650,000

1.5E+10 11,000,000

600,000 10,000,000 550,000 9,000,000 500,000 5.0E+09 8,000,000 7,000,000 94 96 98 00 02 04 06 08 10 94 96 98 00 02 04 06 08 10 0.0E+00 94 96 98 00 02 04 06 08 10 1.0E+10

450,000

DC
7E+11 6E+11 7,600,000 5E+11 4E+11 3E+11 2E+11 7,000,000 1E+11 0E+00 94 96 98 00 02 04 06 08 10 6,800,000 94 96 98 00 7,400,000 7,800,000

POB
1,200

PAT

1,000

800

7,200,000

600

400

200 02 04 06 08 10 94 96 98 00 02 04 06 08 10

BIB
1,560,000 1,520,000 1,480,000 1,440,000 1,400,000 1,360,000 1,320,000 1,280,000 1,240,000 94 96 98 00 02 04 06 08 10

Notamos en el caso del PIB de Veracruz dos caas significativas, la primera despus del 94 (tendencia que siguen el PIB nacional) y notamos a la vez una cada en el ao 2003, derivada de las crisis econmicas que sufra la economa. La superficie cosechada comenz a caer a finales de la dcada de los 90, posiblemente explicado porque Veracruz ocupa el 6 lugar en emigrantes, as como la industrializacin del pas derivada de la inversin extranjera. La poblacin ha ido creciendo y se nota al final de la serie una convergencia al equilibrio entre mortalidad y natalidad. La Deuda Pblica ha ido en aumento as como el nmero de las patentes.

Hiptesis y Datos
A continuacin se presentan los datos de nuestras variables. Las variables monetarias estn medidas en millones de pesos. La poblacin en millones de habitantes y la supericie cultivada en Hctareas.
2011 649291 12422056.9 1.7702E+10 6.5452E+11 7651023 1065 1348432

Sea H0 la hipotesis nula. Nuestra hipotesis nula, de no ser rechazada afirmar que las variables anteriormente mencionadas explican el PIB de Veracruz. Para demotrar esto, procedemos a realizar las pruebas competentes, con sus respectivas hipotesis nulas. Acotinuacin se presenta la regresin por Mnimos Cuadrados Ordinarios. La ecuacin de esta regresin es Log(PIBV)= Log(PIBN)+ Log(PIBV(-1))+ Log(POB)+ Log(DC)+ DLOG(BIB)+ IBV + PAT.

Variable C LOG(PIBN) LOG(PIBV(-1)) LOG(POB) LOG(DC) PAT IBV DLOG(BIB) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

Coefficient 33.45609 1.077007 0.442998 -2.608558 -0.092449 0.000111 9.34E-12 0.213860 0.995290 0.991993 0.009604 0.000922 63.37015 301.8598 0.000000

Std. Error 5.618326 0.147621 0.107141 0.472574 0.023076 3.58E-05 2.22E-12 0.059854

t-Statistic 5.954815 7.295770 4.134717 -5.519890 -4.006298 3.102678 4.198248 3.573003

Prob. 0.0001 0.0000 0.0020 0.0003 0.0025 0.0112 0.0018 0.0051 13.19836 0.107322 -6.152239 -5.756518 -6.097675 2.577721

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

Note que las propabilidades de las variables son menores a 0.05. La prueba F es cero y la R cuadrada y R ajustada se aproximan a uno. A su vez los errores son ruido blanco, esto es, los errores estocasticos se mueven alrededor de cero.
13.4 13.3 13.2 .02 13.1 .01 13.0 .00 -.01 -.02 94 96 98 00 Residual 02 04 Actual 06 08 Fitted 10

Pruebas
1) Prueba Ramsey Con esta primera prueba, Ewiews eleva al cuadrado la variable explicada. La prueba Ramsey muestra si el modelo analizado est bien especificado. En la siguiente tabla la TStudent y la Prueba Fischer son mayores a 0.05 adems la variable explicada elevada al cuadrado es mayor a 0.05 por lo cual podemos seguir realizando las siguientes pruebas.

Ramsey RESET Test: F-statistic Log likelihood ratio 0.450349 0.878888 Prob. F(1,9) Prob. Chi-Square(1) 0.5190 0.3485

Variable C LOG(PIBN) LOG(PIBV(-1)) LOG(POB) LOG(DC) PAT IBV DLOG(BIB) FITTED^2 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

Coefficient -261.6507 -10.68606 -4.423755 26.01556 0.923197 -0.001121 -9.31E-11 -2.133965 0.413167 0.995514 0.991527 0.009879 0.000878 63.80960 249.6658 0.000000

Std. Error 439.7818 17.52901 7.252871 42.65607 1.513619 0.001837 1.53E-10 3.499076 0.615667

t-Statistic -0.594956 -0.609621 -0.609932 0.609891 0.609927 -0.610489 -0.609841 -0.609865 0.671088

Prob. 0.5665 0.5572 0.5570 0.5570 0.5570 0.5566 0.5570 0.5570 0.5190 13.19836 0.107322 -6.089955 -5.644769 -6.028570 2.539297

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

1) Correlogramas El modelo no presenta problemas de correlacin, puesto que los valores no salen de las bandas. 1) Prueba Breusch- Godfrey En la siguiente prueba mostraremos que no hay autocorrelacin, recordando que la Autocorrelacin es la relacin entre los errores estocsticos. Como no hay autocorrelacin, implica que no se omitieron variables explicativas importantes.
Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared 1.443545 4.773324 Prob. F(2,8) Prob. Chi-Square(2) 0.2915 0.0919

4) Prueba de Heterocedasticidad Se dice que una regresin lineal presenta Heterocedasticidad cuando la varianza de las perturbaciones no son constantes a lo largo de las observaciones. Las probabilidades presentadas a continuacin son mayores a 0.05, luego nuestra hiptesis nula es aceptada, segn la cual el modelo es Homocedastico.

Heteroskedasticity Test: Breusch-Pagan-Godfrey F-statistic Obs*R-squared Scaled explained SS 0.661163 5.694952 1.248012 Prob. F(7,10) Prob. Chi-Square(7) Prob. Chi-Square(7) 0.7006 0.5758 0.9898

Variable C LOG(PIBN) LOG(PIBV(-1)) LOG(POB) LOG(DC) PAT IBV DLOG(BIB) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

Coefficient 0.011353 0.001011 1.07E-05 -0.001606 -8.97E-05 -1.01E-07 -6.73E-16 -0.000202 0.316386 -0.162143 6.77E-05 4.59E-08 152.5482 0.661163 0.700565

Std. Error 0.039625 0.001041 0.000756 0.003333 0.000163 2.52E-07 1.57E-14 0.000422

t-Statistic 0.286508 0.971390 0.014154 -0.481830 -0.551205 -0.398597 -0.042915 -0.477985

Prob. 0.7803 0.3543 0.9890 0.6403 0.5936 0.6986 0.9666 0.6429 5.12E-05 6.28E-05 -16.06091 -15.66519 -16.00635 1.987201

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

5)Multicolinealidad Nuestro Modelo presenta Multicolinealidad, pues las probabilidades en valor absoluto son mayores a 0.80. Sin embargo romper est supuesto no afecta la buena especificacin de ste modelo.

PIBV PIBN IBV DC POB PAT BIB

PIBV 1.000000 0.958778 0.939731 0.973146 0.942335 0.858497 -0.163541

PIBN 0.958778 1.000000 0.903775 0.930095 0.963863 0.747430 -0.088974

IBV 0.939731 0.903775 1.000000 0.981715 0.926278 0.889819 -0.285970

DC 0.973146 0.930095 0.981715 1.000000 0.927785 0.916094 -0.266136

POB 0.942335 0.963863 0.926278 0.927785 1.000000 0.758151 -0.008328

PAT 0.858497 0.747430 0.889819 0.916094 0.758151 1.000000 -0.317473

BIB -0.163541 -0.088974 -0.285970 -0.266136 -0.008328 -0.317473 1.000000

6) Prueba de Normalidad Cuando una regresin lineal cumple los supuestos y adems se distribuye normalmente se dice que es MELI. En este caso la regresin lineal muestra que el modelo es normalmente distribuido tanto porque la Prueba Jaque-Bera es mayor a 0.05 y la curtosis se aproxima a 3.

Series: Residuals Sample 1994 2011 Observations 18 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability
-0.01 0.00 0.01 0.02

-1.17e-14 -0.000657 0.015040 -0.013059 0.007366 0.071839 2.420050 0.267739 0.874704

Conclusiones Nuestro modelo a pesar de no cumplir todos los supuestos necesarios, el modelo presenta una buena adecuacin a interpretar de manera simple algunas variables de importancia dada la estructura del estado de Veracruz. As mismo el estado veracruzano cuenta con una importante rea sembrada en trminos general cosa que con el correr del tiempo, el progreso tcnico ha ido creciendo, segn lo muestra nuestra variable proxy de tecnologa, a la vez de la red carretera y la Deuda Publica.