Sunteți pe pagina 1din 75

2016

DESCOMPOSICIN HISTRICA DE LA INFLACIN


Distinguiendo entre choques de demanda y choques
de oferta

Facultad de Ciencias Econmicas


Ao de la Diversificacin Productiva y del Fortalecimiento de la Educacin

UNIVERSIDAD NACIONAL MAYOR DE

SAN MARCOS (Universidad del Per, Decana de Amrica)


FACULTAD DE CIENCIAS ECONMICAS

DESCOMPOSICIN HISTRICA DE LA INFLACIN

Distinguiendo entre choques de demanda y choques de oferta

CURSO:
Econometra

PROFESOR:
Castaeda Beatriz

AULA:
208 M

INTEGRANTES:
Flores Paucar, Susan Liliana (14120244)
Machuca Aquino Angela Diana (14120145)
Lauro Huacanca Julissa Jaquelin (14120338)
Huaraca Meza Nicol Bryan (14120136)

1 de enero de 2016 1
Contenido
INTRODUCCIN ..................................................................................................................... 3
1. MARCO TERICO ........................................................................................................... 4
1.1. LA DEMANDA AGREGADA (DA) ............................................................................. 6
1.2. LA OFERTA AGREGADA (OA) .................................................................................. 8
2. METODOLOGA ............................................................................................................ 12
3. RESULTADOS ................................................................................................................ 12
3.1. ANLISIS DE ESTACIONARIEDAD DE LAS VARIABLES ........................................... 12
3.2. ANLISIS DEL MODELO VAR REDUCIDO .............................................................. 51
3.3. IDENTIFICACIN DE LOS CHOQUES ESTRUCTURALES DEL MODELO .................. 56
3.4. DESCOMPOSICIN DE LA VARIANZA INFLACIN ............................................... 63
4. CONCLUSIONES............................................................................................................ 67
5. RECOMENDACIONES ................................................................................................... 67
6. REFERENCIAS BIBLIOGRFICAS.................................................................................... 68
7. ANEXOS ........................................................................................................................ 69

1 de enero de 2016 2
INTRODUCCIN

Uno de los objetivos de nuestro pas, en vas de desarrollo, al igual que modelos
dems pases es controlar la inflacin, manteniendo una inflacin baja y estable. Ese
es uno de los objetivos ms importantes en nuestro pas, debido a que ha sido
testigo de la ms grande hiperinflacin de la historia. Por lo cual el BCR tiene como
principal objetivo aplicar polticas que ayuden a mantener dicha estabilidad en la
inflacin.

Es as que es muy importante para el BCR contar con un modelo de proyeccin de


inflacin para conducir su poltica monetaria.

Por otro lado con ese fin es que el BCR a partir del 2002 adopta metas de inflacin.
Si bien la inflacin puede ser controlada por las bandas y adecuadas polticas
monetarias. La inflacin es una variable econmica que es sensible a distintos
choques, que pueden ser tanto de la oferta como de la demanda, por lo tanto es
muy importante identificar los componentes que la determinan el comportamiento
de la inflacin a lo largo del tiempo.

Es as que en el presente trabajo se busca determinar cules son los choques que
afectan en mayor medida a la volatilidad de inflacin

1 de enero de 2016 3
1. MARCO TERICO

De acuerdo a lo planteado, algunas investigaciones muy importantes acerca de los


choques que afectan a la inflacin en el Per.

Se tiene trabajos como el de Salas (2009), donde se trabaja con data 2002:02
2008:02, donde se hace uso de un modelo de vectores autorregresivos estructural
(SVAR) y de una descomposicin del tipo Blanchard y Quah (1989) para
posteriormente obtener la descomposicin histrica de la inflacin anual para el
periodo 2002:1 2008:2.

En dicha investigacin Salas considera en el modelo choques de inflacin externa,


choques de en trminos de intercambio, choques del producto y choques de
inflacin domstica.

Sus principales resultados indican que los choques domsticos de demanda fueron
los ms importantes en los primeros periodos hasta el ao 2005, mientras que
posteriormente los choques del de origen externo fueron los que ocasionaron el
ltimo periodo inflacionario incluido en la muestra.

Es as que Salas concluye que los choques externos (choques de inflacin externa y
trminos de intercambio) fueron los que determinaron en mayor medida la
volatilidad de la inflacin desde el ao 2005.

1 de enero de 2016 4
Por otro lado, el presente trabajo trata de replicar la investigacin Determinantes
de la inflacin: distinguiendo entre choques de demanda y choques de oferta
desarrollada por Guillermo Arturo Lavanda Ascama.
En dicha investigacin Guillermo Lavanda desarrolla el modelo tomando una mayor
cantidad de variables que Salas, tal es el caso que las variables tomadas en cuenta
sern las mismas que nosotros desarrollaremos.
En dicha investigacin al igual que Salas desarrolla un modelo de vectores
autorregresivos estructural (SVAR), pero sus conclusiones son totalmente opuestas,
ya que para Guillermo Lavanda los choques de demanda afectan a la inflacin.

La inflacin puede definirse como el aumento sostenido y continuo del nivel


general de precios de los bienes y servicios de una economa en un perodo
determinado.
La consecuencia de la inflacin es la prdida continua de valor de la moneda
nacional. Cada unidad monetaria tiene menor poder adquisitivo.
Otra consecuencia de la inflacin es el cambio en la estructura de precios
relativos. Por ejemplo, puede cambiar la estructura de precios entre bienes
transables y no transables (los bienes transables son aquellos que pueden
ser objeto de intercambio comercial con el resto del mundo).

Causas de la inflacin:
Inflacin inercial. La propia cultura (o estructura) inflacionaria del pas provoca una
elevada indexacin de precios en la economa.
Shock de oferta. Algn agente con poder monoplico puede provocar un
incremento de costos que puede trasladarse a precios. Se retrae la curva de oferta.
Shock de demanda. Se expande la curva de demanda, y la oferta es incapaz de
reaccionar para aumentar la produccin. Asocia en gran medida la financiacin de
dficit fiscal con emisin.

El tema de los efectos de la inflacin es controvertido, pues stos son complejos y


difciles de valorar. No obstante, suele existir un amplio consenso en admitir que la
inflacin es un fenmeno perjudicial.
Uno de los efectos ms importante que genera la inflacin es una prdida del valor
del dinero, con la consiguiente:
1) Prdida de poder adquisitivo de los ingresos nominales
Cuando los precios aumentan, la cantidad de bienes y servicios que se puede
comprar con el ingreso monetario se reduce; el poder adquisitivo de los
hogares disminuye.
Si el ingreso aumentase en la misma proporcin que la inflacin esta prdida
de poder adquisitivo no sucedera, pero ello usualmente no ocurre.

1 de enero de 2016 5
2) Redistribucin regresiva del ingreso (entre privados)
Generalmente la inflacin trae aparejada una redistribucin regresiva del
ingreso; los sectores de menores ingresos tienden a perder ms que los
sectores con relativamente mayor nivel de ingreso (pues cuentan con menos
mecanismos de defensa).

En el Per la autoridad monetaria es el Banco Central de Reserva del Per (BCRP),


quien se encarga de llevar a cabo las distintas polticas monetarias con el fin de
mantener estabilidad en la inflacin. Para lo cual el BCRP con el fin de hacer
proyecciones de la inflacin de forma confiable. Para el caso peruano se usa el
modelo MPT descrito en Vega y otros (2009), donde se incluyen variables como: la
brecha del producto (demanda agregada), la curva de Phillips (oferta agregada), la
paridad descubierta de tasas de inters y la regla de poltica monetaria (regla de
Taylor).

Sin embargo, este modelo presenta gran complejidad por lo que Guillermo Lavanda
se plantea un nuevo modelo ms sencillo con ms variables que el planteado por
Salas. Para lo cual se plantea variables por el lado de la demanda y la oferta.

Los modelos de demanda y oferta agregada tienen como finalidad determinar el


nivel de precios y la produccin dado un conjunto de variables exgenas. Del mismo,
dichos modelos permiten la realizacin de distintos anlisis tanto para el corto,
mediano y largo plazo.

Pero estos modelos no toman en cuenta la estructura de economas en desarrollo,


por lo que Guillermo Lavanda vio necesario plantear un modelo de demanda y
oferta agregada que sea coherente con la economa peruana.

1.1. LA DEMANDA AGREGADA (DA)

Por el lado de la Demanda Agregada, para una economa pequea y abierta como
la del Per se plantea un equilibrio en el mercado de bienes (IS) si adems se
consideran las respectivas expresiones de la tasa de inters real (r), el tipo de
cambio real (er), la paridad descubierta de tasas de inters (dado que en la
economa rige un tipo de cambio flexible) y una regla de Taylor que represente el
hecho que la autoridad monetaria (BCRP) fija la tasa de inters como instrumento
de poltica.

El nivel de producto de equilibrio del mercado de bienes es una funcin que


depende negativamente del tipo de inters real (r) y positivamente del gasto
pblico (g), de los trminos de intercambio (ti) y del producto de la economa

1 de enero de 2016 6
mundial (y*). Adems, el efecto de una depreciacin11 del tipo de cambio real (er)
no es recesivo12.

= 1 2 + 3 + 4 + 5 . (1)

De otro lado, la tasa de inters real (r) depende positivamente de la tasa de inters
nominal (i) y negativamente de la inflacin esperada, que es definida como la
diferencia entre el nivel de precios esperado, dado el conjunto de informacin
disponible (E[p | ]), y el nivel de precios (p). Es decir, tenemos:

= ([ | ] ). (2)

Utilizando la ecuacin de paridad de poder de compra, el tipo de cambio real


depende negativamente del nivel de precios (p), y positivamente del tipo de cambio
nominal (e) y de los precios externos (p*):

= + . (3)

Dado la existencia de un tipo de cambio flexible, se incluye la paridad descubierta


de tasas de inters para explicar los movimientos del tipo de cambio nominal. La
ecuacin para esta variable viene dada por la siguiente expresin:

= 1 [ | ] 2 + 3 4 , (4)

donde i* y ti denotan la tasa de inters externa y los trminos de intercambio.

Finalmente, se incluye una ecuacin que exprese la determinacin de la tasa de


inters domstica. Esta regla indica la respuesta de la autoridad monetaria ante
discrepancias entre la inflacin (p) y la meta de inflacin constante (pm), y ante
la brecha existente entre el nivel de producto (y) respecto del producto potencial (y
p). As, esta regla puede ser representada de la siguiente forma:

= 0 + 1 ( ) + 2 ( ). (5)

Usando las expresiones (1)-(5) se obtiene la siguiente expresin para la demanda

agregada14:

[1 + (2 + 3 2 )2 ] + [2 + 3 + (2 + 3 2 )1 ]
= 1 + (5 + 3 4 ) + 3 + 3 + 3 + 4
+ 1 . ()

1 de enero de 2016 7
1.2. LA OFERTA AGREGADA (OA)

Considerando la existencia de rigideces salariales, la OA est determinada por el


tipo de cambio nominal (e), los precios externos (p*) y la brecha del nivel de
actividad (y) respecto del producto potencial (yp) travs de la siguiente expresin:

= 1 2 + 3 ( ). (6)

Al igual que en el caso de la DA, se incluye la paridad de tasas de inters y la regla


de

Taylor. Con dichas expresiones, la OA viene dada por:

(1 + 1 2 1 ) (3 1 2 2 )
= 2 + 1 3 1 4 + 2 . ()

El equilibrio del modelo viene dado por la interseccin de la DA y la OA. Por un lado,
los choques de demanda actan a travs de los componentes de la demanda
agregada: el consumo, la inversin, el gasto pblico, las exportaciones y las
importaciones.

Un choque de demanda positivo desplaza la DA hacia la derecha aumentando el


nivel de precios y el producto. Un ejemplo clsico es un incremento positivo del
gasto pblico.

De otro lado, los choques de oferta actan a travs de la tecnologa, la capacidad


productiva, el clima, o los precios de los insumos necesarios para la produccin:
salarios, costos de insumos nacionales, costos de insumos importados. Un choque
oferta negativo induce un desplazamiento de la OA hacia la izquierda aumentando
el nivel de precios y reduciendo el producto. Para mayores detalles y un anlisis
grfico, ver Lavanda (2010).

Analticamente, los choques de demanda y de oferta agregada pueden ser


clasificados segn su fuente interna o externa16. En trminos del anlisis emprico
asumiremos que
Anlisis de las funciones impulso-respuesta del IPC y PBI. Ver grficos 8 y 9.

Clasificar los choques entre choques de demanda y choques de oferta es un proceso


de identificacin esencial para calcular la descomposicin histrica de la inflacin
anual.
Guillermo Lavanda y Gabriel Rodrguez Descomposicin histrico de la inflacin en
Per 135 los choques de demanda interno son provenientes del gasto pblico (g) y
del nivel de precios domstico (p). Los choques de fuente externa sern asociados
a movimientos en el producto de la economa mundial (y*) y los trminos de

1 de enero de 2016 8
intercambio (ti). En lo referente a los choques de oferta de fuente interna, estos
estarn asociados a movimientos en el producto interno (y). Por su parte, los
choques de origen externo estarn vinculados con movimientos en la tasa de inters
externa (i*) y a los precios externos (p*).17 La hiptesis del presente trabajo indica
que los choques de demanda explicaron en mayor medida el comportamiento de la
inflacin en comparacin con los choques de oferta en el ltimo periodo de la
muestra.
Por ltimo, las ecuaciones finales del modelo de demanda y oferta agregada pueden
ser expresadas matricialmente de la siguiente manera:

1 + (2 + 3 2 )2 2 + 3 + (2 + 3 2 )2
[ ] [ ]
(3 1 2 1 ) 1 + 1 2 1


1 3 5 3 4 4 1
= [ ] + [ 3 3 ]
2 1 3 2 1 4 0 0
[]

El equilibrio de la oferta y demanda agregada es la interseccin entre ambas curva,


tal como se observa en la grfica.

En dicho equilibrio se puede detallar los efecto se de los choques de demanda


positivo y los efectos de oferta negativo.

1 de enero de 2016 9
Un choque de demanda positivo hace que la curva de demanda se desplace a la
derecha incrementando el nivel de precios y el nivel del producto. En el Grfico 3 se
muestra este caso cuando se da un aumento del gasto pblico.

Un choque de oferta negativo hace que la curva de oferta agregada se desplace a la


izquierda aumentando el nivel de precios y reduciendo el nivel del producto. Ello se
muestra en el Grfico 4 cuando ocurre un aumento de los precios externos.

La hiptesis del presente trabajo indica que los choques de demanda explicaron en
mayor medida el comportamiento de la inflacin en comparacin con los choques
de oferta en el ltimo periodo de la muestra. Esto se observa en el Grfico 5 donde

1 de enero de 2016 10
se aprecian los efectos conjuntos de un aumento de la demanda interna y de un
choque de oferta.

Por tanto, el modelo de demanda y oferta agregada hasta aqu desarrollado es un


modelo terico vlido a partir del cual desarrollar una metodologa capaz de
contrastar la hiptesis formulada respecto al incremento del nivel de precios.

Es asi que al final las ecuaciones quedan expresadas de esta manera en forma
matricial:

1 + (2 + 3 2 )2 2 + 3 + (2 + 3 2 )2
[ ] [ ]
(3 1 2 1 ) 1 + 1 2 1


1 3 5 3 4 4 1
= [ ] + [ 3 3 ]
2 1 3 2 1 4 0 0
[]

1 de enero de 2016 11
2. METODOLOGA

Como ya se mencion, el presente trabajo se basa en un trabajo de investigacin de


Guillermo Lavanda, de donde se tomaron las variables para nuestra investigacin.
Pero a diferencia de la investigacin mencionada donde se toma una data desde
2002:01 2009:01.

En la presente investigacin se tomara una mayor data una mayor cantidad de data
con el fin de hacer ms confiables los resultados que se encuentra entre 1990:01-
2016:03, con lo cual se espera que los resultados se han ms precisos.

Donde se har uso de un modelo de vectores autorregresivos estructural (SVAR) y


una descomposicin del tipo Blanchard y Quah (1989) para posteriormente obtener
la descomposicin histrica de la inflacin anual, con lo cual se determinaran cules
son los choques que afectan a la volatilidad de la inflacin. Que pueden ser los
choques de oferta y demanda.

Objetivos:

En el presente trabajo se busca corroborar o refutar lo planteado por


Guillermo Lavanda en su investigacin: El comportamiento del nivel de
inflacin, en el ltimo periodo de la muestra, respondi en mayor medida a
choques de demanda y no a choques de oferta.

El presente trabajo tiene como objetivo analizar los determinantes de la


inflacin por medio de una descomposicin de su varianza que permita
identificar en qu medida los choques de demanda u oferta han afectado su
comportamiento.

3. RESULTADOS

3.1. ANLISIS DE ESTACIONARIEDAD DE LAS VARIABLES

Analisis de la estacionariedad de la variable TASA DE INTERES DE REFERENCIA DE


EE.UU(FRR)

1 de enero de 2016 12
FFR
9

0
90 92 94 96 98 00 02 04 06 08 10 12 14 16

DLFFR
1.2

0.8

0.4

0.0

-0.4

-0.8

-1.2

-1.6
90 92 94 96 98 00 02 04 06 08 10 12 14 16

1 de enero de 2016 13
Observando la grfica de la variable FRR se puede identificar fcilmente que la
variable no es estacionaria en media, es ms se ve una tendencia decreciente y una
variabilidad heterognea por lo que se considera pertinente aplicar el logaritmo a
la variable, y luego trabajar con su primera diferencia. Se obtiene como resultado la
variable DLFRR que presenta valores que oscilan alrededor de un valor cercano a
cero adems de contar con una variabilidad casi homognea, ya que en los ltimos
periodos esta variabilidad no aparenta serlo.

Para corroborar la estacionalidad de la variable DLFRR, se proceder a realizar la


prueba de Dickey-Fuller.

Prueba de Raz Unitaria

Analizamos la serie en su nivel con tendencia e intercepto

1 de enero de 2016 14
Null Hypothesis: DLFFR has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -6.198629 0.0000


Test critical values: 1% level -4.047795
5% level -3.453179
10% level -3.152153

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(DLFFR)
Method: Least Squares
Date: 11/30/16 Time: 10:15
Sample (adjusted): 1990Q3 2016Q3
Included observations: 105 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

DLFFR(-1) -0.547815 0.088377 -6.198629 0.0000


C -0.025700 0.044369 -0.579232 0.5637
@TREND("1990Q1") 0.000190 0.000714 0.265905 0.7908

R-squared 0.273678 Mean dependent var 0.000754


Adjusted R-squared 0.259437 S.D. dependent var 0.257725
S.E. of regression 0.221788 Akaike info criterion -0.146038
Sum squared resid 5.017351 Schwarz criterion -0.070211
Log likelihood 10.66702 Hannan-Quinn criter. -0.115312
F-statistic 19.21681 Durbin-Watson stat 2.069587
Prob(F-statistic) 0.000000

: = : < 0

La prueba nos indica que la serie DLFRR en su nivel con tendencia e intercepto, NO
tiene raz unitaria, ya que el coeficiente estimado se encuentra en la RR, adems
que presentar un valor p=0.000<0.5, por lo tanto rechazamos la 0 , que nos dice

1 de enero de 2016 15
que la serie es estacionaria. Para verificar si la serie presenta tendencia
determinstica o no, compararemos el valor de T-Statistic de la tendencia con su
valor crtico.

0 : 1 = 0 = 0 , = 105 = 2.79

|0.265905| < 2.79

Dado que el valor de T-Statistic de la tendencia es menor que su valor crtico se


concluye que la serie no presenta tendencia determinstica porque su coeficiente
no es significativo.

Analizamos la serie en su nivel solo con intercepto

Null Hypothesis: DLFFR has a unit root


Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -6.221911 0.0000


Test critical values: 1% level -3.493747
5% level -2.889200
10% level -2.581596

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(DLFFR)
Method: Least Squares
Date: 11/30/16 Time: 10:24
Sample (adjusted): 1990Q3 2016Q3
Included observations: 105 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

DLFFR(-1) -0.547197 0.087947 -6.221911 0.0000


C -0.015425 0.021703 -0.710720 0.4789

R-squared 0.273175 Mean dependent var 0.000754


Adjusted R-squared 0.266118 S.D. dependent var 0.257725
S.E. of regression 0.220785 Akaike info criterion -0.164393

1 de enero de 2016 16
Sum squared resid 5.020829 Schwarz criterion -0.113841
Log likelihood 10.63064 Hannan-Quinn criter. -0.143909
F-statistic 38.71218 Durbin-Watson stat 2.069489
Prob(F-statistic) 0.000000

: = : < 0

La prueba nos vuelve a indicar que la serie DLFRR en su nivel solo con intercepto
NO tiene raz unitaria, ya que el coeficiente estimado se encuentra en la RR, adems
que presentar un valor p=0.000<0.5, por lo tanto NO aceptamos 0 ,que nos dice
que la serie es estacionaria. Ahora pasamos a verificar la presencia de intercepto.
Para verificar si la serie presenta intercepto o no, compararemos el valor de T-
Statistic de la tendencia con su valor crtico.

0 : 1 = 0 = 0 , = 105 = 2.54

|0.710720| < 2.54

Como observamos la serie no presenta intercepto debido a que su presencia no


es significativa

Analizamos la serie en su nivel sin tendencia ni intercepto

Null Hypothesis: DLFFR has a unit root


Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -6.196044 0.0000


Test critical values: 1% level -2.587172
5% level -1.943912
10% level -1.614713

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

1 de enero de 2016 17
Dependent Variable: D(DLFFR)
Method: Least Squares
Date: 11/30/16 Time: 10:38
Sample (adjusted): 1990Q3 2016Q3
Included observations: 105 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

DLFFR(-1) -0.539708 0.087105 -6.196044 0.0000

R-squared 0.269610 Mean dependent var 0.000754


Adjusted R-squared 0.269610 S.D. dependent var 0.257725
S.E. of regression 0.220259 Akaike info criterion -0.178549
Sum squared resid 5.045451 Schwarz criterion -0.153273
Log likelihood 10.37380 Hannan-Quinn criter. -0.168306
Durbin-Watson stat 2.075523

: = : < 0

La prueba nos vuelve a indicar que la serie DLFRR en su nivel sin tendencia
ni intercepto NO tiene raz unitaria, ya que el coeficiente estimado se
encuentra en la RR, adems que presentar un valor p=0.000<0.5, por lo
tanto NO aceptamos 0 ,que nos dice que la serie es estacionaria.

Se concluye que la serie DLFRR es estacionaria.

Anlisis de la estacionariedad de la variable GASTO PUBLICO (GASTO)

1 de enero de 2016 18
GASTO
32,000

28,000

24,000

20,000

16,000

12,000

8,000

4,000

0
90 92 94 96 98 00 02 04 06 08 10 12 14 16

DLSGASTO
.6

.4

.2

.0

-.2

-.4

-.6

-.8
90 92 94 96 98 00 02 04 06 08 10 12 14 16

1 de enero de 2016 19
Observando la grfica de la variable GASTO se puede identificar fcilmente que la
variable no es estacionaria en media, es ms se ve una tendencia creciente de la
variable y una variabilidad heterognea casi en los ltimos periodos, por lo que se
considera pertinente aplicar el logaritmo a la variable, y luego trabajar con su
primera diferencia, y ante las sospechas de races estacionales de aplicar la
diferencia estacional cada dos periodos. Se obtiene como resultado la variable
DLSGASTO que presenta valores que oscilan alrededor de un valor cercano a cero
adems de contar con una variabilidad casi homognea, ya que en los ltimos
periodos esta variabilidad no aparenta serlo.

Para corroborar la estacionalidad de la variable DLSGASTO, se proceder a realizar


la prueba de Dickey-Fuller.

Prueba de Raz Unitaria

Analizamos la serie en su nivel con tendencia e intercepto

1 de enero de 2016 20
Null Hypothesis: DLSGASTO has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 3 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -9.186521 0.0000


Test critical values: 1% level -4.052411
5% level -3.455376
10% level -3.153438

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(DLSGASTO)
Method: Least Squares
Date: 11/30/16 Time: 10:54
Sample (adjusted): 1991Q4 2016Q3
Included observations: 100 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

DLSGASTO(-1) -1.728046 0.188107 -9.186521 0.0000


D(DLSGASTO(-1)) 0.436030 0.142848 3.052414 0.0030
D(DLSGASTO(-2)) 0.052837 0.100749 0.524442 0.6012
D(DLSGASTO(-3)) 0.082349 0.072869 1.130090 0.2613
C -0.031823 0.020176 -1.577262 0.1181
@TREND("1990Q1") 0.000406 0.000312 1.302255 0.1960

R-squared 0.689749 Mean dependent var 0.001465


Adjusted R-squared 0.673246 S.D. dependent var 0.149488
S.E. of regression 0.085451 Akaike info criterion -2.023631
Sum squared resid 0.686371 Schwarz criterion -1.867320
Log likelihood 107.1815 Hannan-Quinn criter. -1.960369
F-statistic 41.79613 Durbin-Watson stat 2.119890
Prob(F-statistic) 0.000000

: = : < 0

La prueba nos indica que la serie DLSGASTO en su nivel con tendencia e intercepto,
NO tiene raz unitaria, ya que el coeficiente estimado se encuentra en la RR, adems

1 de enero de 2016 21
que presentar un valor p=0.000<0.5, por lo tanto rechazamos la 0 , que nos dice
que la serie es estacionaria. Para verificar si la serie presenta tendencia
determinstica o no, compararemos el valor de T-Statistic de la tendencia con su
valor crtico.

0 : 1 = 0 = 0 , = 100 = 2.79

|1.302255| < 2.79

Dado que el valor de T-Statistic de la tendencia es menor que su valor crtico se


concluye que la serie no presenta tendencia determinstica porque su coeficiente
no es significativo.

Analizamos la serie en su nivel solo con intercepto

Null Hypothesis: DLSGASTO has a unit root


Exogenous: Constant
Lag Length: 3 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -9.143315 0.0000


Test critical values: 1% level -3.497029
5% level -2.890623
10% level -2.582353

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(DLSGASTO)
Method: Least Squares
Date: 11/30/16 Time: 10:55
Sample (adjusted): 1991Q4 2016Q3
Included observations: 100 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

DLSGASTO(-1) -1.661712 0.181741 -9.143315 0.0000


D(DLSGASTO(-1)) 0.381666 0.137111 2.783628 0.0065
D(DLSGASTO(-2)) 0.016154 0.097085 0.166392 0.8682
D(DLSGASTO(-3)) 0.063790 0.071723 0.889387 0.3760

1 de enero de 2016 22
C -0.008132 0.008757 -0.928695 0.3554

R-squared 0.684152 Mean dependent var 0.001465


Adjusted R-squared 0.670853 S.D. dependent var 0.149488
S.E. of regression 0.085763 Akaike info criterion -2.025750
Sum squared resid 0.698754 Schwarz criterion -1.895492
Log likelihood 106.2875 Hannan-Quinn criter. -1.973032
F-statistic 51.44437 Durbin-Watson stat 2.120193
Prob(F-statistic) 0.000000

: = : < 0

La prueba nos vuelve a indicar que la serie DLSGASTO en su nivel solo con intercepto
NO tiene raz unitaria, ya que el coeficiente estimado se encuentra en la RR, adems
que presentar un valor p=0.000<0.5, por lo tanto NO aceptamos 0 que nos dice
que la serie es estacionaria. Ahora pasamos a verificar la presencia de intercepto.
Para verificar si la serie presenta intercepto o no, compararemos el valor de T-
Statistic de la tendencia con su valor crtico.

0 : 1 = 0 = 0 , = 100 = 2.54

|0.92869| < 2.54

Como observamos la serie no presenta intercepto debido a que su presencia no


es significativa

Analizamos la serie en su nivel sin tendencia ni intercepto

Null Hypothesis: DLSGASTO has a unit root


Exogenous: None
Lag Length: 3 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -9.130485 0.0000


Test critical values: 1% level -2.588292
5% level -1.944072
10% level -1.614616

1 de enero de 2016 23
*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(DLSGASTO)
Method: Least Squares
Date: 11/30/16 Time: 10:55
Sample (adjusted): 1991Q4 2016Q3
Included observations: 100 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

DLSGASTO(-1) -1.631615 0.178700 -9.130485 0.0000


D(DLSGASTO(-1)) 0.357749 0.134574 2.658378 0.0092
D(DLSGASTO(-2)) 0.000436 0.095529 0.004562 0.9964
D(DLSGASTO(-3)) 0.056188 0.071204 0.789116 0.4320

R-squared 0.681284 Mean dependent var 0.001465


Adjusted R-squared 0.671325 S.D. dependent var 0.149488
S.E. of regression 0.085702 Akaike info criterion -2.036713
Sum squared resid 0.705097 Schwarz criterion -1.932506
Log likelihood 105.8356 Hannan-Quinn criter. -1.994538
Durbin-Watson stat 2.119182

: = : < 0

La prueba nos vuelve a indicar que la serie DLSGASTO en su nivel sin


tendencia ni intercepto NO tiene raz unitaria, ya que el coeficiente estimado
se encuentra en la RR, adems que presentar un valor p=0.000<0.5, por lo
tanto NO aceptamos 0 que nos dice que la serie es estacionaria.

Se concluye que la serie DLGASTO es estacionaria.

Anlisis de la estacionariedad de la variable PBI DE LA ECONOMIA PERUANA (PBI)

1 de enero de 2016 24
PBI
140,000

120,000

100,000

80,000

60,000

40,000

20,000
90 92 94 96 98 00 02 04 06 08 10 12 14 16

DLSPBI
.20

.15

.10

.05

.00

-.05

-.10
90 92 94 96 98 00 02 04 06 08 10 12 14 16

1 de enero de 2016 25
Observando la grfica de la variable PBI se puede identificar fcilmente que la
variable no es estacionaria en media, es ms se ve una tendencia creciente de la
variable. A pesar que no se observa una variabilidad heterognea en el periodo de
anlisis se aplicara el logaritmo a la variable para eliminar el efecto de las unidades
en que se encuentra. Luego se trabajara con su primera diferencia y su diferencia
estacionaria cada dos periodos, a causa de las sospechas de races unitarias
estacionales. Se obtiene como resultado la variable DLSPBI que presenta valores
que oscilan alrededor de un valor cercano a cero y con una variabilidad homognea,
a excepcin de los primeros periodos.

Para corroborar la estacionalidad de la variable DLSPBI, se proceder a realizar la


prueba de Dickey-Fuller.

Prueba de Raz Unitaria

1 de enero de 2016 26
Analizamos la serie en su nivel con tendencia e intercepto

Null Hypothesis: DLSPBI has a unit root


Exogenous: Constant, Linear Trend
Lag Length: 7 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -5.981148 0.0000


Test critical values: 1% level -4.056461
5% level -3.457301
10% level -3.154562

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(DLSPBI)
Method: Least Squares
Date: 11/30/16 Time: 11:12
Sample (adjusted): 1992Q4 2016Q3
Included observations: 96 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

DLSPBI(-1) -2.208002 0.369160 -5.981148 0.0000


D(DLSPBI(-1)) 1.505669 0.333356 4.516695 0.0000
D(DLSPBI(-2)) 0.694476 0.280670 2.474351 0.0153
D(DLSPBI(-3)) 1.034407 0.244247 4.235082 0.0001
D(DLSPBI(-4)) 0.255028 0.182023 1.401072 0.1648
D(DLSPBI(-5)) 0.556097 0.148433 3.746452 0.0003
D(DLSPBI(-6)) -0.014547 0.082911 -0.175451 0.8611
D(DLSPBI(-7)) 0.192916 0.068196 2.828856 0.0058
C 0.003137 0.003490 0.898924 0.3712
@TREND("1990Q1") -4.57E-05 5.37E-05 -0.851295 0.3970

R-squared 0.787109 Mean dependent var 0.000486


Adjusted R-squared 0.764829 S.D. dependent var 0.029517
S.E. of regression 0.014314 Akaike info criterion -5.556796
Sum squared resid 0.017621 Schwarz criterion -5.289677
Log likelihood 276.7262 Hannan-Quinn criter. -5.448822
F-statistic 35.32912 Durbin-Watson stat 2.017410
Prob(F-statistic) 0.000000

1 de enero de 2016 27
: = : < 0

La prueba nos indica que la serie DLSPBI en su nivel con tendencia e intercepto, NO
tiene raz unitaria, ya que el coeficiente estimado se encuentra en la RR, adems
que presentar un valor p=0.000<0.5, por lo tanto rechazamos la 0 , que nos dice
que la serie es estacionaria. Para verificar si la serie presenta tendencia
determinstica o no, compararemos el valor de T-Statistic de la tendencia con su
valor crtico.

0 : 1 = 0 = 0 , = 96 = 2.79

|0.851295| < 2.79

Dado que el valor de T-Statistic de la tendencia es menor que su valor crtico se


concluye que la serie no presenta tendencia determinstica porque su coeficiente
no es significativo.

Analizamos la serie en su nivel solo con intercepto

Null Hypothesis: DLSPBI has a unit root


Exogenous: Constant
Lag Length: 7 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -5.930943 0.0000


Test critical values: 1% level -3.499910
5% level -2.891871
10% level -2.583017

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(DLSPBI)
Method: Least Squares
Date: 11/30/16 Time: 11:12

1 de enero de 2016 28
Sample (adjusted): 1992Q4 2016Q3
Included observations: 96 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

DLSPBI(-1) -2.169734 0.365833 -5.930943 0.0000


D(DLSPBI(-1)) 1.472809 0.330590 4.455096 0.0000
D(DLSPBI(-2)) 0.667404 0.278421 2.397103 0.0187
D(DLSPBI(-3)) 1.013101 0.242577 4.176414 0.0001
D(DLSPBI(-4)) 0.238228 0.180664 1.318624 0.1908
D(DLSPBI(-5)) 0.542228 0.147303 3.681049 0.0004
D(DLSPBI(-6)) -0.026134 0.081656 -0.320046 0.7497
D(DLSPBI(-7)) 0.185501 0.067530 2.746933 0.0073
C 0.000441 0.001465 0.301394 0.7638

R-squared 0.785315 Mean dependent var 0.000486


Adjusted R-squared 0.765574 S.D. dependent var 0.029517
S.E. of regression 0.014292 Akaike info criterion -5.569238
Sum squared resid 0.017770 Schwarz criterion -5.328831
Log likelihood 276.3234 Hannan-Quinn criter. -5.472062
F-statistic 39.78055 Durbin-Watson stat 2.015193
Prob(F-statistic) 0.000000

: = : < 0

La prueba nos vuelve a indicar que la serie DLSPBIen su nivel solo con intercepto
NO tiene raz unitaria, ya que el coeficiente estimado se encuentra en la RR, adems
que presentar un valor p=0.000<0.5, por lo tanto NO aceptamos 0 que nos dice
que la serie es estacionaria. Ahora pasamos a verificar la presencia de intercepto.
Para verificar si la serie presenta intercepto o no, compararemos el valor de T-
Statistic de la tendencia con su valor crtico.

0 : 1 = 0 = 0 , = 96 = 2.54

|0.301394| < 2.54

Como observamos la serie no presenta intercepto debido a que su presencia no


es significativa

1 de enero de 2016 29
Analizamos la serie en su nivel sin tendencia ni intercepto

Null Hypothesis: DLSPBI has a unit root


Exogenous: None
Lag Length: 7 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -5.954490 0.0000


Test critical values: 1% level -2.589273
5% level -1.944211
10% level -1.614532

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(DLSPBI)
Method: Least Squares
Date: 11/30/16 Time: 11:12
Sample (adjusted): 1992Q4 2016Q3
Included observations: 96 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

DLSPBI(-1) -2.165363 0.363652 -5.954490 0.0000


D(DLSPBI(-1)) 1.469286 0.328672 4.470372 0.0000
D(DLSPBI(-2)) 0.664502 0.276813 2.400544 0.0185
D(DLSPBI(-3)) 1.011230 0.241241 4.191775 0.0001
D(DLSPBI(-4)) 0.236595 0.179647 1.316994 0.1913
D(DLSPBI(-5)) 0.540877 0.146472 3.692703 0.0004
D(DLSPBI(-6)) -0.027753 0.081057 -0.342391 0.7329
D(DLSPBI(-7)) 0.184520 0.067102 2.749829 0.0072

R-squared 0.785091 Mean dependent var 0.000486


Adjusted R-squared 0.767996 S.D. dependent var 0.029517
S.E. of regression 0.014218 Akaike info criterion -5.589028
Sum squared resid 0.017788 Schwarz criterion -5.375332
Log likelihood 276.2733 Hannan-Quinn criter. -5.502649

1 de enero de 2016 30
Durbin-Watson stat 2.015669

: = : < 0

La prueba nos vuelve a indicar que la serie DLSPBI en su nivel sin tendencia
ni intercepto NO tiene raz unitaria, ya que el coeficiente estimado se
encuentra en la RR, adems que presentar un valor p=0.000<0.5, por lo
tanto NO aceptamos 0 que nos dice que la serie es estacionaria.

Se concluye que la serie DLSPBI es estacionaria.

Anlisis de la estacionariedad de la variable PBI DE LA ECONOMIA DE EE.UU(PBIUSA)


PBIUSA
17,000,000

16,000,000

15,000,000

14,000,000

13,000,000

12,000,000

11,000,000

10,000,000

9,000,000

8,000,000
90 92 94 96 98 00 02 04 06 08 10 12 14 16

1 de enero de 2016 31
DLSPBIUSA
.02

.01

.00

-.01

-.02

-.03
90 92 94 96 98 00 02 04 06 08 10 12 14 16

1 de enero de 2016 32
Observando la grfica de la variable PBIUSA se puede identificar fcilmente que la
variable no es estacionaria en media, es ms, se ve una tendencia creciente de la
variable. A pesar que no se observa una variabilidad heterognea en el periodo de
anlisis se aplicara el logaritmo a la variable para eliminar el efecto de las unidades
en que se encuentra y luego se trabajara con su primera diferencia, adems se
tienen sospechas de existir races estacionales, por lo que se procedi, finalmente
a aplicar la diferencia estacional para cada dos periodos. Con la cual se logr
eliminar las races que perduraban en la serie.

Se obtiene como resultado la variable DLSPBIUSA que presenta valores que oscilan
alrededor de un valor mayor a cero y con una variabilidad homognea, a excepcin
de algunos periodos.

Para corroborar la estacionalidad de la variable DLSPBI, se proceder a realizar la


prueba de Dickey-Fuller.

Prueba de Raz Unitaria

Analizamos la serie en su nivel con tendencia e intercepto

Null Hypothesis: DLSPBIUSA has a unit root


Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -6.620442 0.0000


Test critical values: 1% level -4.047795
5% level -3.453179
10% level -3.152153

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(DLSPBIUSA)
Method: Least Squares
Date: 11/30/16 Time: 12:24
Sample (adjusted): 1990Q3 2016Q3
Included observations: 105 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

DLSPBIUSA(-1) -0.600316 0.090676 -6.620442 0.0000

1 de enero de 2016 33
C 0.004948 0.001334 3.709843 0.0003
@TREND("1990Q1") -2.57E-05 1.83E-05 -1.402995 0.1637

R-squared 0.300559 Mean dependent var 3.13E-05


Adjusted R-squared 0.286845 S.D. dependent var 0.006593
S.E. of regression 0.005568 Akaike info criterion -7.515449
Sum squared resid 0.003162 Schwarz criterion -7.439622
Log likelihood 397.5611 Hannan-Quinn criter. -7.484722
F-statistic 21.91541 Durbin-Watson stat 2.138286
Prob(F-statistic) 0.000000

: = : < 0

La prueba nos indica que la serie DLSPBIUSA en su nivel con tendencia e intercepto,
NO tiene raz unitaria, ya que el coeficiente estimado se encuentra en la RR, adems
que presentar un valor p=0.000<0.5, por lo tanto rechazamos la 0 , que nos dice
que la serie es estacionaria. Para verificar si la serie presenta tendencia
determinstica o no, compararemos el valor de T-Statistic de la tendencia con su
valor crtico.

0 : 1 = 0 = 0 , = 105 = 2.79

|1.402995| < 2.79

Dado que el valor de T-Statistic de la tendencia es menor que su valor crtico se


concluye que la serie no presenta tendencia determinstica porque su coeficiente
no es significativo.

Analizamos la serie en su nivel solo con intercepto

Null Hypothesis: DLSPBIUSA has a unit root


Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -4.474408 0.0004


Test critical values: 1% level -3.494378
5% level -2.889474

1 de enero de 2016 34
10% level -2.581741

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(DLSPBIUSA)
Method: Least Squares
Date: 11/30/16 Time: 12:25
Sample (adjusted): 1990Q4 2016Q3
Included observations: 104 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

DLSPBIUSA(-1) -0.466203 0.104193 -4.474408 0.0000


D(DLSPBIUSA(-1)) -0.192244 0.097380 -1.974158 0.0511
C 0.002815 0.000819 3.436072 0.0009

R-squared 0.316485 Mean dependent var 6.64E-05


Adjusted R-squared 0.302950 S.D. dependent var 0.006615
S.E. of regression 0.005523 Akaike info criterion -7.531332
Sum squared resid 0.003081 Schwarz criterion -7.455052
Log likelihood 394.6293 Hannan-Quinn criter. -7.500429
F-statistic 23.38280 Durbin-Watson stat 1.981119
Prob(F-statistic) 0.000000

: = : < 0

La prueba nos vuelve a indicar que la serie DLSPBIUSA en su nivel solo con
intercepto NO tiene raz unitaria, ya que el coeficiente estimado se encuentra en la
RR, adems que presentar un valor p=0.000<0.5, por lo tanto NO aceptamos 0 que
nos dice que la serie es estacionaria. Ahora pasamos a verificar la presencia de
intercepto. Para verificar si la serie presenta intercepto o no, compararemos el valor
de T-Statistic de la tendencia con su valor crtico.

0 : 1 = 0 = 0 , = 104 = 2.54

|3.436072| > 2.54

1 de enero de 2016 35
Como observamos la serie presenta intercepto debido a que su presencia es
significativa. Se concluye que la serie DLSPBIUSA es estacionaria intercepto
significativo.

Anlisis de la estacionariedad de la variable INFLACION PERUANA


inflacion
1,200

1,000

800

600

400

200

-200
90 92 94 96 98 00 02 04 06 08 10 12 14 16

1 de enero de 2016 36
Al observar la grfica de la serie INFLACIN nos damos cuenta que esta es
estacionaria con valores que oscilan alrededor de cero adems de tener una
variabilidad homognea, sin embargo esto no sucede para los cuatro trimestre del
ao 1990.Si observamos el correlograma se nuestra una funcin de
autocorrelacion con todos los valores de los rezagos no significativas ya que no
sobrepasan las bandas y poseen un valor p>0.5, lo que nos llevara a afirmar que la
variable INFLACIN es estacionaria.

Para corroborar la estacionalidad de la variable INFLACIN, se proceder a realizar


la prueba de Dickey-Fuller.

1 de enero de 2016 37
Prueba de Raz Unitaria

Analizamos la serie en su nivel con tendencia e intercepto

Null Hypothesis: INFLACION has a unit root


Exogenous: Constant, Linear Trend
Lag Length: 2 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -4.238685 0.0056


Test critical values: 1% level -4.049586
5% level -3.454032
10% level -3.152652

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(INFLACION)
Method: Least Squares
Date: 11/30/16 Time: 14:45
Sample (adjusted): 1991Q1 2016Q3
Included observations: 103 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

INFLACION(-1) -0.161677 0.038143 -4.238685 0.0001


D(INFLACION(-1)) 0.044926 0.005360 8.381444 0.0000
D(INFLACION(-2)) 0.017962 0.002099 8.557989 0.0000
C 0.483716 0.382114 1.265894 0.2086
@TREND("1990Q1") -0.004970 0.005372 -0.925179 0.3571

R-squared 0.929764 Mean dependent var -0.843465


Adjusted R-squared 0.926897 S.D. dependent var 4.723452
S.E. of regression 1.277107 Akaike info criterion 3.374398
Sum squared resid 159.8382 Schwarz criterion 3.502297
Log likelihood -168.7815 Hannan-Quinn criter. 3.426201
F-statistic 324.3226 Durbin-Watson stat 2.709694
Prob(F-statistic) 0.000000

1 de enero de 2016 38
: = : < 0

La prueba nos indica que la serie INFLACIN en su nivel con tendencia e intercepto,
NO tiene raz unitaria, ya que el coeficiente estimado se encuentra en la RR, adems
que presentar un valor p=0.000<0.5, por lo tanto rechazamos la 0 , que nos dice
que la serie es estacionaria. Para verificar si la serie presenta tendencia
determinstica o no, compararemos el valor de T-Statistic de la tendencia con su
valor crtico.

0 : 1 = 0 = 0 , = 103 = 2.79

|0.925179| < 2.79

Dado que el valor de T-Statistic de la tendencia es menor que su valor crtico se


concluye que la serie no presenta tendencia determinstica porque su coeficiente
no es significativo.

Analizamos la serie en su nivel solo con intercepto

Null Hypothesis: INFLACION has a unit root


Exogenous: Constant
Lag Length: 2 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -4.543446 0.0003


Test critical values: 1% level -3.495021
5% level -2.889753
10% level -2.581890

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(INFLACION)
Method: Least Squares
Date: 11/30/16 Time: 14:45
Sample (adjusted): 1991Q1 2016Q3
Included observations: 103 after adjustments

1 de enero de 2016 39
Variable Coefficient Std. Error t-Statistic Prob.

INFLACION(-1) -0.141265 0.031092 -4.543446 0.0000


D(INFLACION(-1)) 0.047204 0.004758 9.921198 0.0000
D(INFLACION(-2)) 0.018628 0.001970 9.456043 0.0000
C 0.157140 0.146221 1.074679 0.2851

R-squared 0.929150 Mean dependent var -0.843465


Adjusted R-squared 0.927003 S.D. dependent var 4.723452
S.E. of regression 1.276178 Akaike info criterion 3.363677
Sum squared resid 161.2343 Schwarz criterion 3.465996
Log likelihood -169.2293 Hannan-Quinn criter. 3.405120
F-statistic 432.7745 Durbin-Watson stat 2.735727
Prob(F-statistic) 0.000000

: = : < 0

La prueba nos vuelve a indicar que la serie INFLACIN en su nivel solo con
intercepto NO tiene raz unitaria, ya que el coeficiente estimado se encuentra en la
RR, adems que presentar un valor p=0.000<0.5, por lo tanto NO aceptamos 0 que
nos dice que la serie es estacionaria. Ahora pasamos a verificar la presencia de
intercepto. Para verificar si la serie presenta intercepto o no, compararemos el valor
de T-Statistic de la tendencia con su valor crtico.

0 : 1 = 0 = 0 , = 104 = 2.54

|1.074679| > 2.54

Como observamos la serie NO presenta intercepto debido a que su presencia es


NO significativa.

Analizamos la serie en su nivel sin tendencia ni intercepto

Null Hypothesis: INFLACION has a unit root


Exogenous: None
Lag Length: 2 (Automatic - based on SIC, maxlag=12)

1 de enero de 2016 40
t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -4.609419 0.0000


Test critical values: 1% level -2.587607
5% level -1.943974
10% level -1.614676

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(INFLACION)
Method: Least Squares
Date: 11/30/16 Time: 14:46
Sample (adjusted): 1991Q1 2016Q3
Included observations: 103 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

INFLACION(-1) -0.124796 0.027074 -4.609419 0.0000


D(INFLACION(-1)) 0.049240 0.004368 11.27315 0.0000
D(INFLACION(-2)) 0.019261 0.001881 10.23830 0.0000

R-squared 0.928324 Mean dependent var -0.843465


Adjusted R-squared 0.926890 S.D. dependent var 4.723452
S.E. of regression 1.277166 Akaike info criterion 3.355858
Sum squared resid 163.1153 Schwarz criterion 3.432597
Log likelihood -169.8267 Hannan-Quinn criter. 3.386940
Durbin-Watson stat 2.736948

: = : < 0

La prueba nos vuelve a indicar que la serie INFLACIN en su nivel sin


tendencia ni intercepto NO tiene raz unitaria, ya que el coeficiente estimado
se encuentra en la RR, adems que presentar un valor p=0.000<0.5, por lo
tanto NO aceptamos 0 que nos dice que la serie es estacionaria.

Se concluye que la serie INFLACIN es estacionaria.

ANLISIS DE LA ESTACIONARIEDAD DE LA VARIABLE INFLACIN USA

1 de enero de 2016 41
PBIUSA INFLACIONUSA
2

-1

-2

-3
2 04 06 08 10 12 14 16 90 92 94 96 98 00 02 04 06 08 10 12 14 16

1 de enero de 2016 42
Al observar la grfica de la serie INFLACINUSA nos damos cuenta que esta es
estacionaria con valores que oscilan alrededor de cero adems de tener una
variabilidad homognea, sin embargo esto no sucede para los cuatro trimestre del
ao 1990.Si vemos el grafico del correlograma nos lleva a que todos los rezagos son
no significativos ya que poseen un valor p>0.5,lo que nos llevara a afirmar que la
variable INFLACINUSA es estacionaria.

Para corroborar la estacionalidad de la variable INFLACINUSA, se proceder a


realizar la prueba de Dickey-Fuller.

Prueba de Raz Unitaria

Analizamos la serie en su nivel con tendencia e intercepto

Null Hypothesis: INFLACIONUSA has a unit root


Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -8.416484 0.0000


Test critical values: 1% level -4.047795
5% level -3.453179
10% level -3.152153

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(INFLACIONUSA)
Method: Least Squares
Date: 11/30/16 Time: 14:59
Sample (adjusted): 1990Q3 2016Q3
Included observations: 105 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

INFLACIONUSA(-1) -0.819299 0.097345 -8.416484 0.0000

1 de enero de 2016 43
C 0.692862 0.128644 5.385888 0.0000
@TREND("1990Q1") -0.003809 0.001646 -2.314169 0.0227

R-squared 0.409856 Mean dependent var -0.006223


Adjusted R-squared 0.398284 S.D. dependent var 0.632718
S.E. of regression 0.490801 Akaike info criterion 1.442600
Sum squared resid 24.57035 Schwarz criterion 1.518427
Log likelihood -72.73649 Hannan-Quinn criter. 1.473327
F-statistic 35.41956 Durbin-Watson stat 1.908133
Prob(F-statistic) 0.000000

: = : < 0

La prueba nos indica que la serie INFLACIN en su nivel con tendencia e intercepto,
NO tiene raz unitaria, ya que el coeficiente estimado se encuentra en la RR, adems
que presentar un valor p=0.000<0.5, por lo tanto rechazamos la 0 , que nos dice
que la serie es estacionaria. Para verificar si la serie presenta tendencia
determinstica o no, compararemos el valor de T-Statistic de la tendencia con su
valor crtico.

0 : 1 = 0 = 0 , = 105 = 2.79

|2.314169| < 2.79

Dado que el valor de T-Statistic de la tendencia es menor que su valor crtico se


concluye que la serie no presenta tendencia determinstica porque su coeficiente
no es significativo.

Analizamos la serie en su nivel solo con intercepto

Null Hypothesis: INFLACIONUSA has a unit root


Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -7.926354 0.0000


Test critical values: 1% level -3.493747
5% level -2.889200
10% level -2.581596

1 de enero de 2016 44
*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(INFLACIONUSA)
Method: Least Squares
Date: 11/30/16 Time: 14:59
Sample (adjusted): 1990Q3 2016Q3
Included observations: 105 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

INFLACIONUSA(-1) -0.756234 0.095408 -7.926354 0.0000


C 0.449181 0.075446 5.953639 0.0000

R-squared 0.378871 Mean dependent var -0.006223


Adjusted R-squared 0.372841 S.D. dependent var 0.632718
S.E. of regression 0.501071 Akaike info criterion 1.474724
Sum squared resid 25.86038 Schwarz criterion 1.525276
Log likelihood -75.42301 Hannan-Quinn criter. 1.495209
F-statistic 62.82708 Durbin-Watson stat 1.915908
Prob(F-statistic) 0.000000

: = : < 0

La prueba nos vuelve a indicar que la serie INFLACIN en su nivel solo con
intercepto NO tiene raz unitaria, ya que el coeficiente estimado se encuentra en la
RR, adems que presentar un valor p=0.000<0.5, por lo tanto NO aceptamos 0 que
nos dice que la serie es estacionaria. Ahora pasamos a verificar la presencia de
intercepto. Para verificar si la serie presenta intercepto o no, compararemos el valor
de T-Statistic de la tendencia con su valor crtico.

0 : 1 = 0 = 0 , = 104 = 2.54

|5.953639| > 2.54

Como observamos la serie presenta intercepto debido a que su presencia es


significativa. Se concluye que la serie INFLACINUSA es estacionaria con intercepto
significativamente diferente de cero.

1 de enero de 2016 45
ANLISIS DE LA ESTACIONARIEDAD DE LA VARIABLE TERMINO DE INTERCAMBIO(TI)
TI
120

110

100

90

80

70

60

50
90 92 94 96 98 00 02 04 06 08 10 12 14 16

DLTI
.15

.10

.05

.00

-.05

-.10

-.15
90 92 94 96 98 00 02 04 06 08 10 12 14 16

1 de enero de 2016 46
Observando la grfica de la variable TI se puede identificar fcilmente que la
variable no es estacionaria en media, es ms, aparentemente posee una tendencia
creciente y una variabilidad heterognea por lo que se considera pertinente aplicar
el logaritmo a la variable, y luego trabajar con su primera diferencia con el fin de
volver estacionaria a la variable. Se obtiene como resultado la variable DLTI que
presenta valores que oscilan alrededor de un valor cercano a cero adems de contar
con una variabilidad casi homognea, ya que en los ltimos periodos esta
variabilidad no aparenta serlo.

Para corroborar la estacionalidad de la variable DLFRR, se proceder a realizar la


prueba de Dickey-Fuller.

Prueba de Raz Unitaria

1 de enero de 2016 47
Analizamos la serie en su nivel con tendencia e intercepto

Null Hypothesis: DLTI has a unit root


Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -7.417747 0.0000


Test critical values: 1% level -4.047795
5% level -3.453179
10% level -3.152153

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(DLTI)
Method: Least Squares
Date: 11/30/16 Time: 15:07
Sample (adjusted): 1990Q3 2016Q3
Included observations: 105 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

DLTI(-1) -0.692959 0.093419 -7.417747 0.0000


C 0.001097 0.007721 0.142073 0.8873
@TREND("1990Q1") 2.60E-05 0.000125 0.208554 0.8352

R-squared 0.350493 Mean dependent var 0.000855


Adjusted R-squared 0.337758 S.D. dependent var 0.047583
S.E. of regression 0.038722 Akaike info criterion -3.636650
Sum squared resid 0.152940 Schwarz criterion -3.560822
Log likelihood 193.9241 Hannan-Quinn criter. -3.605923
F-statistic 27.52112 Durbin-Watson stat 2.011700
Prob(F-statistic) 0.000000

: = : < 0

1 de enero de 2016 48
La prueba nos indica que la serie DLTI en su nivel con tendencia e intercepto, NO
tiene raz unitaria, ya que el coeficiente estimado se encuentra en la RR, adems
que presentar un valor p=0.000<0.5, por lo tanto rechazamos la 0 ,que nos dice
que la serie es estacionaria. Para verificar si la serie presenta tendencia
determinstica o no, compararemos el valor de T-Statistic de la tendencia con su
valor crtico.

0 : 1 = 0 = 0 , = 105 = 2.79

|0.20855| < 2.79

Dado que el valor de T-Statistic de la tendencia es menor que su valor crtico se


concluye que la serie no presenta tendencia determinstica porque su coeficiente
no es significativo.

Analizamos la serie en su nivel solo con intercepto

Null Hypothesis: DLTI has a unit root


Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -7.450790 0.0000


Test critical values: 1% level -3.493747
5% level -2.889200
10% level -2.581596

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(DLTI)
Method: Least Squares
Date: 11/30/16 Time: 15:07
Sample (adjusted): 1990Q3 2016Q3
Included observations: 105 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

DLTI(-1) -0.692047 0.092882 -7.450790 0.0000

1 de enero de 2016 49
C 0.002500 0.003768 0.663636 0.5084

R-squared 0.350216 Mean dependent var 0.000855


Adjusted R-squared 0.343908 S.D. dependent var 0.047583
S.E. of regression 0.038542 Akaike info criterion -3.655271
Sum squared resid 0.153005 Schwarz criterion -3.604719
Log likelihood 193.9017 Hannan-Quinn criter. -3.634786
F-statistic 55.51428 Durbin-Watson stat 2.012719
Prob(F-statistic) 0.000000

: = : < 0

La prueba nos vuelve a indicar que la serie DLTI en su nivel solo con intercepto NO
tiene raz unitaria, ya que el coeficiente estimado se encuentra en la RR, adems
que presentar un valor p=0.000<0.5, por lo tanto NO aceptamos 0 ,que nos dice
que la serie es estacionaria. Ahora pasamos a verificar la presencia de intercepto.
Para verificar si la serie presenta intercepto o no, compararemos el valor de T-
Statistic de la tendencia con su valor crtico.

0 : 1 = 0 = 0 , = 105 = 2.54

|0.663636| < 2.54

Como observamos la serie no presenta intercepto debido a que su presencia no


es significativa

Analizamos la serie en su nivel sin tendencia ni intercepto

Null Hypothesis: DLTI has a unit root


Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -7.444709 0.0000


Test critical values: 1% level -2.587172
5% level -1.943912
10% level -1.614713

*MacKinnon (1996) one-sided p-values.

1 de enero de 2016 50
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(DLTI)
Method: Least Squares
Date: 11/30/16 Time: 15:08
Sample (adjusted): 1990Q3 2016Q3
Included observations: 105 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

DLTI(-1) -0.688433 0.092473 -7.444709 0.0000

R-squared 0.347438 Mean dependent var 0.000855


Adjusted R-squared 0.347438 S.D. dependent var 0.047583
S.E. of regression 0.038438 Akaike info criterion -3.670052
Sum squared resid 0.153660 Schwarz criterion -3.644776
Log likelihood 193.6777 Hannan-Quinn criter. -3.659809
Durbin-Watson stat 2.011550

: = : < 0

La prueba nos vuelve a indicar que la serie DLTI en su nivel sin tendencia ni
intercepto NO tiene raz unitaria, ya que el coeficiente estimado se
encuentra en la RR, adems que presentar un valor p=0.000<0.5, por lo
tanto NO aceptamos 0 , que nos dice que la serie es estacionaria.

Se concluye que la serie DLTI es estacionaria.

3.2. ANLISIS DEL MODELO VAR REDUCIDO


ELECCIN DEL REZAGO PTIMO

MODELO VAR 1

Determinant resid covariance (dof


adj.) 4.42E-15
Determinant resid covariance 2.51E-15
Log likelihood 708.3574
Akaike information criterion -12.66713
Schwarz criterion -11.23466

1 de enero de 2016 51
MODELO VAR 2

Determinant resid covariance (dof


adj.) 1.55E-15
Determinant resid covariance 5.09E-16
Log likelihood 782.7742
Akaike information criterion -13.28969
Schwarz criterion -10.58751

Prueba de Razn de Verosimilitud

2
= 2[() ()] ()

= 2[(1) (2)]

H0: A2=0
H1: A20

= 2[708.3574 782.7742]

= 148.8336

= 5.323741447682551 12

Ya que la probabilidad es menor al 5% se rechaza la hiptesis nula es decir el


modelo es un VAR (2), pero para corroborar aumentaremos un rezago es decir
estimaremos un VAR (3).

POR EL CRITERIO DE AKAIKE Y SCHWARZ

Por el criterio de akaike se afirma que el modelo var(2) es mejor que el modelo
var(1),pero por el criterio de schwarz se afirma lo contrario.

MODELO VAR 3

Determinant resid covariance (dof


adj.) 3.84E-16
Determinant resid covariance 6.88E-17
Log likelihood 876.2057
Akaike information criterion -14.30110
Schwarz criterion -10.31369

1 de enero de 2016 52
Prueba de Razn de Verosimilitud

2
= 2[() ()] ()

= 2[(2) (3)]

H0: A3=0
H1: A30

= 2[782.7742 876.2057]

= 186.863

=0

Ya que la probabilidad es menor al 5% se rechaza la hiptesis nula es decir el


modelo es un VAR (3), pero para corroborar aumentaremos un rezago es decir
estimaremos un VAR (4).

POR EL CRITERIO DE AKAIKE Y SCHWARZ

Por el criterio de akaike se afirma que el modelo var(3) es mejor que el modelo
var(2),pero por el criterio de schwarz se afirma lo contrario.

MODELO VAR 4

Determinant resid covariance (dof


adj.) 2.71E-16
Determinant resid covariance 2.47E-17
Log likelihood 918.7921
Akaike information criterion -14.31584
Schwarz criterion -9.027346

1 de enero de 2016 53
Prueba de Razn de Verosimilitud

2
= 2[() ()] ()

= 2[(3) (4)]

H0: A4=0
H1: A40

= 2[876.2057 918.7921]

= 84.1728

= 0.001319

Ya que la probabilidad es menor al 5% se rechaza la hiptesis nula es decir el


modelo es un VAR (4), pero para corroborar aumentaremos un rezago es decir
estimaremos un VAR (5).

POR EL CRITERIO DE AKAIKE Y SCHWARZ

Por el criterio de akaike se afirma que el modelo var(4) es mejor que el modelo
var(3),pero por el criterio de schwarz se afirma lo contrario.

MODELO VAR 5

Determinant resid covariance (dof


adj.) 2.34E-16
Determinant resid covariance 9.90E-18
Log likelihood 954.7807
Akaike information criterion -14.19759
Schwarz criterion -7.591830

Prueba de Razn de Verosimilitud

2
= 2[() ()] ()

1 de enero de 2016 54
= 2[(4) (5)]

H0: A5=0
H1: A50

= 2[918.7921 954.7807]

= 71.9772

= 0.017924

Ya que la probabilidad es menor al 5% se rechaza la hiptesis nula es decir el


modelo es un VAR (5) .

Aumentar un mayor orden para el modelo VAR no sera lo adecuado ya que, al


reducirse la muestra, los coeficientes que se estaras estimando serian
inconsistentes y copo confiables.

POR EL CRITERIO DE AKAIKE Y SCHWARZ

Tanto por criterio de AKAIKE Y SCHWARZ se afirma que el modelo var(4) es mejor
que el modelo var(5), ya que segn estos criterios ,el mejor modelo es aquel que
posee un menor valor.

Por lo tanto se concluye que el mejor modelo es el VAR(4) y nos quedaremos con l
para realizar los posteriores anlisis.

TEST DE AUTOCORRELACIN

H0: No existe autocorrelacin en los residuos

VAR Residual Serial Correlation LM Te...


Null Hypothesis: no serial correlation at... Observando las probabilidad, a excepcin
Date: 11/30/16 Time: 22:36
Sample: 1990Q1 2016Q3 del segundo, todas son mayores que 0.5, sin
Included observations: 100 considerarla se aceptara la hiptesis, es
Lags LM-Stat Prob decir no existe auto correlacin en los
residuos del modelo VAR (4).Sin embargo si
1 57.94185 0.1788
2 76.40386 0.0074 consideramos la opcin de incrementar
3 46.73096 0.5656 un rezago ms, esto no sea aceptable ya que
4 49.09495 0.4693
5 57.21889 0.1964 los coeficientes que se estimaran seran
6 58.15872 0.1737 inconsistentes a causa de la poco data que
7 40.42999 0.8033
8 36.24592 0.9118 se posee, adems de la cantidad de
variables con la que se trabaja.
Probs from chi-square with 49 df.

1 de enero de 2016 55
Finalmente, en lo que respecta al anlisis de estabilidad del modelo, se procedi a
examinar las races caractersticas del polinomio autoregresivo a fin de corroborar
que ninguna raz se encuentre fuera del crculo unitario.

ANLISIS DE ESTACIONARIEDAD DEL MODELO VAR (4)

Inverse Roots of AR Characteristic Polynomial


1.5

1.0
Como se observa en la
grfica, no existe ninguna
0.5
raz que se encuentra
fuera del crculo unitario,
0.0 por lo que se concluye
que el modelo VAR (4) es
estacionario.
-0.5

-1.0

-1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5

En la siguiente sub-seccin se procede a identificar los choques estructurales y a


calcular la descomposicin histrica de la inflacin anual.

3.3. IDENTIFICACIN DE LOS CHOQUES ESTRUCTURALES DEL MODELO

Funcin de respuesta al Impulso

Si bien para identificar los choques estructurales del modelo SVAR usamos la
descomposicin de Blanchard y Quah. Ahora necesitamos validar restricciones de
largo plazo, para esto formamos un modelo alternativo con las siguientes
restricciones:

1 de enero de 2016 56
it* c11 0 0 0 0 0 0 ti*
*
yt c21 c22 0 0 0 0 0 ty*
pt* c31 0 c33 0 0 0 0 tp*

tit 0 c42 0 c44 0 0 0 tti
g 0 0 0 0 c55 0 0 tg
t
yt c61 0 c63 c64 c65 c66 0 ty
p 0
t 0 0 c74 c75 c76 c77 tp

Dichas restricciones representan los distintos supuestos de la teora econmica. As


consideramos que la demanda no tiene efectos en el producto en el largo plazo bajo

la teora Keynesiana de las fluctuaciones econmicas. Si para este caso
representa el choque de demanda, se cumple que 67 = 0. Esto se debe dado que
existen las rigideces nominales que se dan en el corto plazo desaparecen.

Las otras restricciones se deben a que las variables nacionales o domesticas no


tienen efecto alguno en las variables internacionales, ya que nuestra economa es
pequea. La restriccin 32 = 0 nos indica que en la economa estadounidense un
choque de oferta o de productividad no afecta a la inflacin. Adems las
restricciones nos muestran que existe una variable exgena que es el gasto pblico,
este es independiente de cualquier choque de largo plazo).

Los resultados de la estimacin del SVAR con las restricciones establecidas son:

1 de enero de 2016 57
Se escoge este modelo dado que con las restricciones son eficientes, pues el
coeficiente de la prueba LR se obtiene un coeficiente significativo al 5%. Adems
podemos estimar un tercer modelo quitando aquellas restricciones no
significativas, obteniendo el siguiente resultado, esto se hace con la finalidad de no
alterar la teora econmica:

1 de enero de 2016 58
Anlisis del Modelo

1 de enero de 2016 59
Response to Structural One S.D. Innov ations
Response of INFLACION to Shock1 Response of INFLACION to Shock2 Response of INFLACION to Shock3
.6 .6 .6

.4 .4 .4

.2 .2 .2

.0 .0 .0

-.2 -.2 -.2

-.4 -.4 -.4

-.6 -.6 -.6


1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

Response of INFLACION to Shock4 Response of INFLACION to Shock5 Response of INFLACION to Shock6


.6 .6 .6

.4 .4 .4

.2 .2 .2

.0 .0 .0

-.2 -.2 -.2

-.4 -.4 -.4

-.6 -.6 -.6


1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

Response of INFLACION to Shock7


.6

.4

.2

.0

-.2

-.4

-.6
1 2 3 4 5 6 7 8 9 10

Los resultados nos muestran que es consistente con la teora econmica, as


tenemos que un shock positivo (shock5) en la demanda como el gasto pblico hace
que el nivel de precios aumente. Adems un shock en la oferta (shock6) reduce el
nivel de precios. Asimismo los shocks de las variables externas como la tasa de
inters internacional nos muestra que inicialmente afecta de manera que se ve
reducida (deflacin) pero a partir del periodo 4 afecta positivamente a la inflacin.
El producto estadounidense por su parte tiene un efecto positivo a los precios
llegando a un pico de 0.03 para posteriormente reducir y tiende a estabilizarse, lo
cual contrasta la teora keynesiana. Podemos acotar adems que el shock que
ocurre en la inflacin se debe en gran parte a la reaccin que causa en si misma.

1 de enero de 2016 60
Response to Structural One S.D. Innov ations

Response of DLSPBI to Shock1 Response of DLSPBI to Shock2 Response of DLSPBI to Shock3


.020 .020 .020

.015 .015 .015

.010 .010 .010

.005 .005 .005

.000 .000 .000

-.005 -.005 -.005

-.010 -.010 -.010


1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

Response of DLSPBI to Shock4 Response of DLSPBI to Shock5 Response of DLSPBI to Shock6


.020 .020 .020

.015 .015 .015

.010 .010 .010

.005 .005 .005

.000 .000 .000

-.005 -.005 -.005

-.010 -.010 -.010


1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

Response of DLSPBI to Shock7


.020

.015

.010

.005

.000

-.005

-.010
1 2 3 4 5 6 7 8 9 10

Como se espera en la teora el producto domestico se ve afectado de manera que


un shock en la tasas de inters internacional desalienta la produccin ya que la tasa
de inters nacional sube por tanto el producto tiende a caer, pero despus de cierto
periodo tiende a estabilizarse. Adems notamos que shocks en el producto
estadounidense no tiene mayores efectos sobre el producto nacional a pesar de que
el efecto en los primeros periodos es negativo y luego positivo pero para periodos
largos se estabiliza de tal manera que los shocks no influyen en el proceso de
respuesta del producto . Un caso interesante y que corrobora la teora es que en el
corto plazo el nivel de precios no influye en el producto ya que existe ciertas
rigideces nominales y esto se refleja en los shocks de la inflacin sobre el producto
donde no hay mayor variabilidad y siempre tiende a estabilizarse. Es decir el
producto domestico no se ve influenciado por las variables por el lado de la
demanda en cuanto a la reaccin que generan estas sobre l.

1 de enero de 2016 61
Accumulated Response to Structural One S.D. Innov ations
Accumulated Response of INFLACION to Shock1 Accumulated Response of INFLACION to Shock2 Accumulated Response of INFLACION to Shock3
5 5 5

4 4 4

3 3 3

2 2 2

1 1 1

0 0 0

-1 -1 -1

-2 -2 -2
2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20

Accumulated Response of INFLACION to Shock4 Accumulated Response of INFLACION to Shock5 Accumulated Response of INFLACION to Shock6
5 5 5

4 4 4

3 3 3

2 2 2

1 1 1

0 0 0

-1 -1 -1

-2 -2 -2
2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20

Accumulated Response of INFLACION to Shock7


5

-1

-2
2 4 6 8 10 12 14 16 18 20

Accumulated Response to Structural One S.D. Innov ations


Accumulated Response of DLSPBI to Shock1 Accumulated Response of DLSPBI to Shock2 Accumulated Response of DLSPBI to Shock3
.020 .020 .020

.015 .015 .015

.010 .010 .010

.005 .005 .005

.000 .000 .000

-.005 -.005 -.005


2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20

Accumulated Response of DLSPBI to Shock4 Accumulated Response of DLSPBI to Shock5 Accumulated Response of DLSPBI to Shock6
.020 .020 .020

.015 .015 .015

.010 .010 .010

.005 .005 .005

.000 .000 .000

-.005 -.005 -.005


2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20

Accumulated Response of DLSPBI to Shock7


.020

.015

.010

.005

.000

-.005
2 4 6 8 10 12 14 16 18 20

Los resultados nos demuestran que en el largo plazo la inflacin tiende a


estabilizarse cuando se ve afectado por shocks de variables externas como se ve

1 de enero de 2016 62
reflejado tanto en el shock 1, 2 y 3. Los resultados acumulados obtenidos para las
variables domesticas no concuerdan con la teora econmica ya que se observa que
shocks positivos de la demanda disminuyen el nivel de precios y shocks en la oferta
aumentan el nivel de precios. Los shocks de la tasa de inters nacional afectan de
manera inversa, tal como se espera en el contexto de macroeconoma. Se puede
decir que los impulsos que se generan en la inflacin son las que afectan en gran
medida a s misma, por lo que se puede decir que los precios aumentan en base a
especulaciones o a record histricos, que si en el periodo anterior la inflacin fue
positiva en el periodo actual la inflacin ser an mayor.

Por el lado del producto se observa que los shocks tanto de los precios nacionales
internacionales no tiene una perduracin en el tiempo. Y que la explicacin a la
variacin del producto se debe principalmente a los choques de la productividad
que se mide en la misma variable designada y que los shocks desde la tasa de inters
que asigna la FED afecta de manera positiva en el producto, sin embargo esto
tienden a estabilizarse pero sin perder efectos posteriores.

3.4. DESCOMPOSICIN DE LA VARIANZA INFLACIN

1 de enero de 2016 63
Variance Decomposition of INFLACION
60

50

40

30

20

10

0
2 4 6 8 10 12 14 16 18 20

Shock1 Shock2 Shock3


Shock4 Shock5 Shock6
Shock7

Los resultados indican que en el primer periodo la variabilidad de la inflacin


domstica se debe a los propios shocks ocurridos en ella en un 42%, adems la otra
variable que influye de gran manera es el gasto pblico. Es claro que los shocks que
se dan en las dems variables no influyen en la variabilidad del modelo. Es as que
en el corto plazo la variacin del nivel de precios de debe ver afectado por el lado
de la demanda segn el esquema keynesiano, y esto se ve ratificado con que tanto
el gasto pblico, como la tasa de inters domestica explican la variabilidad de la
inflacin en periodos corto. Para periodos posteriores se observa el efecto en la
variabilidad por el lado de la demanda va disminuyendo tanto el gasto pblico,
como la tasa de inters explican cada vez en menor grado dicha variabilidad. El
grfico ratifica esto donde el shock 7 (inflacin) y shock 5(gasto pblico) son las que
explican la variabilidad de la inflacin.

1 de enero de 2016 64
Variance Decomposition
Percent INFLACION variance due to Shock1 Percent INFLACION variance due to Shock2 Percent INFLACION variance due to Shock3
60 60 60

50 50 50

40 40 40

30 30 30

20 20 20

10 10 10

0 0 0
2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20

Percent INFLACION variance due to Shock4 Percent INFLACION variance due to Shock5 Percent INFLACION variance due to Shock6
60 60 60

50 50 50

40 40 40

30 30 30

20 20 20

10 10 10

0 0 0
2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20

Percent INFLACION variance due to Shock7


60

50

40

30

20

10

0
2 4 6 8 10 12 14 16 18 20

En este grafico se observa de manera individual los porcentajes de participacin en


la explicacin de la variabilidad. Se observa que las variables externas no tienen
mayor importancia, a diferencia de la tasa de inters, gasto pblico y la inflacin
misma.

Descomposicin de la varianza segn OA Y DA

Periodo DA*(%) OA*(%) DA (%) OA (%)

1 4.513625 9.411271 78.361214 7.713897


2 6.390454 8.391213 79.169547 6.048786
3 7.58792 6.957499 80.62713 4.827457
4 7.527074 5.667866 82.8636 3.94145
5 6.992454 5.729978 83.32491 3.95266
6 7.863512 7.105662 81.47172 3.559108
7 7.689922 6.977043 81.943006 3.39003
8 7.613366 6.708586 82.319201 3.358851
9 7.74435 6.513782 82.415056 3.326806
10 7.862382 6.416836 82.440985 3.279802
11 7.928178 6.360112 82.452776 3.258929
12 7.899196 6.292102 82.584812 3.223886
13 7.898897 6.256772 82.64953 3.194801
14 7.930302 6.213901 82.651078 3.204724
15 7.93453 6.186521 82.686366 3.192583

1 de enero de 2016 65
16 7.927745 6.175727 82.714776 3.181751
17 7.913962 6.170432 82.739082 3.176523
18 7.906015 6.165206 82.75822 3.170564
19 7.898949 6.159062 82.77468 3.167316
20 7.892422 6.153763 82.787143 3.16667

Este cuadro nos muestra pues que es la demanda que explica la variabilidad de los
precios. Los resultados obtenidos permiten afirmar que el comportamiento de la
inflacin en el periodo de anlisis se explic en mayor medida a partir de los
choques de demanda que afectaron la economa, con lo cual la hiptesis central de
esta investigacin no es rechazada.

1 de enero de 2016 66
4. CONCLUSIONES

El presente trabajo se concluye que es posible modelar de manera prctica la


economa peruana a partir de modelos bsicos de la teora econmica cuyo fin es
poner en prctica lo aprendido, haciendo uso de metodologas economtricas
disponibles.

La metodologa SVAR permite modelar el comportamiento de las variables en


funcin de choques domsticos y externos, clasificarlos segn sean de demanda o
de oferta. Asimismo, permite obtener la descomposicin histrica de la inflacin.

En lo que respecta a los resultados, se halla que los choques de demanda explicaron
en mayor medida el comportamiento reciente del nivel de inflacin; con lo cual se
comprueba lo menciona en la tesis de Guillermo Lavanda, de la cual ha servido de
base para el presente trabajo.

5. RECOMENDACIONES

Finalmente, en cuanto las recomendaciones de poltica econmica, el presente


trabajo muestra evidencia de que es posible el desarrollo de poltica fiscal y
monetaria en el Per pues los movimientos de la inflacin dependen principalmente
de componentes domsticos que deberan ser o son considerados en las decisiones
de poltica.

1 de enero de 2016 67
6. REFERENCIAS BIBLIOGRFICAS

ASCAMA, Guillermo Arturo Lavanda. Determinantes de la inflacin:


distinguiendo entre choques de demanda y choques de oferta. 2010. MLA

NOVALES, Alfonso. Econometra, 2da. Edicin, Me Graw Hill, Madrid, 1993. MLA

BANCO CENTRAL DE RESERVA DEL PER (BCRP) 2009 Internet


http://estadisticas.bcrp.gob.pe/ (Series estadsticas del BCRP).

FONDO MONETARIO INTERNACIONAL (FMI). Internet


http://www.imfstatistics.org/imf/ (International Financial Statistics)

SALAS, Jorge, et al. Qu explica las fluctuaciones de la inflacin en el Per en el


periodo 2002-2008?: Evidencia de un anlisis VAR estructural. Banco Central de
Reserva del Per, Revista Estudios Econmicos, 2009, vol. 16, p. 9-36. MLA

1 de enero de 2016 68
7. ANEXOS

PBIUSA PBI IPC IPCUSA

1990Q1 8947129 42474.368 0.226377 58.7159385264


1990Q2 8981727 39156.543 0.365877 59.2968303941
1990Q3 8983945 34291.552 4.197831 60.3210344767
1990Q4 8907363 36125.309 7.975110 61.3452385593
1991Q1 8865564 37675.167 11.63970 61.8038374023
1991Q2 8934366 38955.133 14.25280 62.1707164766
1991Q3 8977252 39939.294 18.08201 62.6446019477
1991Q4 9016444 38571.684 21.06675 63.164347303
1992Q1 9122950 39588.092 23.70053 63.5923728898
1992Q2 9223545 38171.515 26.74725 64.0815449889
1992Q3 9313208 37459.9 29.50490 64.5707170881
1992Q4 9406528 39135.433 32.91276 65.1363223277
1993Q1 9424065 39235.858 36.77065 65.6102077988
1993Q2 9480106 40189.712 40.68525 66.0840932698
1993Q3 9526337 41371.995 43.74786 66.3898258318
1993Q4 9653509 41474.246 46.48489 66.9401444433
1994Q1 9748156 44207.992 49.13329 67.2764502615
1994Q2 9881384 44955.934 51.17968 67.658615964
1994Q3 9939655 45750.838 52.83832 68.285367716
1994Q4 10052518 47162.489 54.33731 68.6828200466
1995Q1 10086878 48348.427 55.44834 69.1872787738
1995Q2 10122122 48730.129 56.95858 69.7528840135
1995Q3 10208772 49347.159 58.28900 70.1044764597
1995Q4 10281246 48983.07 59.88882 70.4866421622
1996Q1 10348691 49284.561 61.81367 71.1133939142
1996Q2 10529379 49841.714 63.41248 71.7248590382
1996Q3 10626778 50535.326 65.16858 72.1375979968
1996Q4 10739057 51223.955 66.81977 72.7643497489
1997Q1 10820908 52099.246 67.93289 73.2076619637
1997Q2 10984150 53972.426 69.15002 73.3758148728
1997Q3 11124013 53675.039 70.63733 73.7426939472
1997Q4 11210329 54022.336 71.47875 74.1401462777
1998Q1 11321246 53428.191 73.19716 74.2930125587
1998Q2 11431046 52487.813 74.77020 74.5375986083

1 de enero de 2016 69
1998Q3 11580587 53958.319 75.71390 74.9197643108
1998Q4 11770686 53332.028 75.76901 75.271356757
1999Q1 11864675 53161.624 76.26009 75.5465160628
1999Q2 11962524 53451.044 77.14546 76.1121213025
1999Q3 12113075 53822.229 77.83701 76.6777265421
1999Q4 12323336 56055.783 78.59966 77.2433317817
2000Q1 12359095 56785.607 79.20758 78.0076631867
2000Q2 12592530 55720.216 79.81704 78.6191283106
2000Q3 12607676 55284.537 80.74424 79.3375998312
2000Q4 12679338 54475.984 81.72253 79.9032050709
2001Q1 12643283 54035.99 82.11776 80.6675364758
2001Q2 12710303 55579.383 81.88665 81.2331417155
2001Q3 12670106 56761.348 81.94199 81.4624411369
2001Q4 12705269 57170.271 81.89706 81.4012946245
2002Q1 12822258 57599.062 81.28495 81.6611673022
2002Q2 12893002 59039.162 81.94486 82.3032056823
2002Q3 12955769 59257.376 82.17263 82.7465178972
2002Q4 12964016 59923.337 83.07470 83.2356899964
2003Q1 13031169 60683.663 83.57297 84.0917411699
2003Q2 13152089 61700.389 83.90756 83.954161517
2003Q3 13372357 61624.552 83.78236 84.580913269
2003Q4 13528710 61558.136 84.64052 84.9019324591
2004Q1 13606509 63307.806 86.06985 85.6204039797
2004Q2 13706247 64183.569 86.77270 86.2930156161
2004Q3 13830828 64355.206 87.47583 86.8433342276
2004Q4 13950376 65757.329 87.87683 87.7758185416
2005Q1 14099081 66799.957 87.95907 88.2191307565
2005Q2 14172695 68080.53 88.31318 88.8153092523
2005Q3 14291757 68440.445 88.56126 90.160532525
2005Q4 14373438 70374.844 88.99495 91.0012970704
2006Q1 14546119 72425.465 90.04315 91.4751825414
2006Q2 14589585 72918.746 90.37098 92.3006604588
2006Q3 14602633 73722.088 90.15140 93.1719982604
2006Q4 14716930 75123.675 90.33827 92.7898325579
2007Q1 14726022 76618.016 90.42456 93.6995397961
2007Q2 14838664 78148.527 91.10743 94.7607375187
2007Q3 14938467 81143.121 92.31135 95.3605848052
2007Q4 14991784 83238.448 93.48146 96.5303175873
2008Q1 14889450 84801.141 94.80323 97.5759229493
2008Q2 14963357 86950.064 96.17286 98.8453245466
2008Q3 14891643 88477 97.93541 100.369401368

1 de enero de 2016 70
2008Q4 14576985 88173.34 99.67861 98.0707511008
2009Q1 14375018 87211.409 100.1046 97.3961522028
2009Q2 14355558 86704.528 99.99378 97.9140631628
2009Q3 14402477 88214.183 99.80422 98.7565092373
2009Q4 14541901 90347.493 100.0965 99.5297068865
2010Q1 14604845 91971.581 100.7898 99.6874648885
2010Q2 14745933 95209.216 101.1415 99.6523056439
2010Q3 14845458 96686.034 101.9522 99.9444331069
2010Q4 14939001 98161.707 102.2278 100.753707198
2011Q1 14881301 99920.923 103.1781 101.823618299
2011Q2 14989555 100741.61 104.2851 102.996714139
2011Q3 15021149 102226.63 105.4865 103.67039584
2011Q4 15190255 103962.93 106.8475 104.119211241
2012Q1 15291035 105890.38 107.5277 104.699644509
2012Q2 15362415 106712.63 108.5374 104.955389798
2012Q3 15380802 109056.64 109.1878 105.416434501
2012Q4 15384254 109315.26 109.8926 106.105708562
2013Q1 15491878 111022.39 110.3694 106.470141776
2013Q2 15521559 113638.97 111.2679 106.432383804
2013Q3 15641336 114804.62 112.5854 107.031772492
2013Q4 15793928 116475.25 113.1346 107.409657939
2014Q1 15747045 116510.14 114.1289 107.965479736
2014Q2 15900785 116037.13 115.1756 108.617301559
2014Q3 16094454 117062.87 115.8708 108.937250685
2014Q4 16186736 117598.59 116.7037 108.703823874
2015Q1 16268979 118631.95 117.4973 107.862906462
2015Q2 16374177 119821.45 118.9933 109
2015Q3 16454877 120974.93 120.3217 109.29
2015Q4 16490681 122962.31 121.4552 108.79
2016Q1 16524992 123932.06 122.7294 108.87
2016Q2 16583149 125150.36 123.2773 110.14
2016Q3 16702124 126370.45 123.9500 110.51

1 de enero de 2016 71
INFLACIONUSA INFLACION GASTO FFR TI

NA NA 51.715613 8.25 69.76788737


0.989326 71.62932 150.8737 8.24 65.83913466
1.727249 1008.916 333.97498 8.16 64.91187009
1.697922 87.30843 528.71966 7.74 63.94945308
0.747570 48.84139 722.07434 6.43 64.24750382
0.593619 22.66040 871.78773 5.86 62.13909321
0.762233 25.84765 1030.1737 5.64 63.26668403
0.829673 15.88787 1143.1669 4.82 62.50011725
0.677638 13.61166 1427.4654 4.02 62.32035174
0.769231 12.97840 1710.6921 3.77 61.29390641
0.763359 9.722109 2068.7068 3.26 60.58481453
0.875947 11.17731 2459.3356 3.04 61.53225249
0.727529 12.45246 2652.0723 3.04 59.08874394
0.722274 10.74513 2904.794 3 55.38414589
0.462642 7.111075 3047.9794 3.06 53.23815922
0.828920 6.000268 3336.1088 2.99 53.00827053
0.502398 6.218128 3711.1419 3.21 56.77507471
0.568053 4.254301 4242.5738 3.94 57.67762827
0.926344 2.901376 4805.2251 4.49 59.88813618
0.582046 2.621232 5254.7929 5.17 62.76409228
0.734476 2.486577 5617.3576 5.81 64.75273015
0.817499 2.814301 5684.4779 6.02 62.41267074
0.504054 2.028662 5751.6991 5.8 64.67355937
0.545137 2.545966 5731.7191 5.72 63.56317116
0.889178 3.611310 5771.0965 5.36 62.7917964
0.859845 2.676719 5957.0136 5.24 63.18328971
0.575448 2.492065 5975.4037 5.31 58.89182588
0.868828 2.350927 6152.2195 5.28 61.27254689
0.609244 2.018698 6300.2842 5.28 63.80338279
0.229693 1.882034 6455.1127 5.52 65.53853766
0.500000 1.894037 6765.5698 5.53 66.18635908
0.538972 1.020633 6945.9011 5.51 63.50650734
0.206186 2.731658 7057.6247 5.52 63.59624897
0.329218 2.241076 7157.9961 5.5 64.90221939
0.512715 1.021928 7168.9836 5.53 63.94407091
0.469292 -0.084379 7400.4957 4.86 59.78773162
0.365556 0.943907 7562.1485 4.73 59.49699445
0.748685 1.253546 7834.62 4.75 57.40116733
0.743121 0.670689 8226.0178 5.09 58.14130278

1 de enero de 2016 72
0.737640 0.840550 8272.4207 5.31 60.49376896
0.989511 1.037505 8524.765 5.68 58.88934174
0.783853 0.854014 8365.9058 6.27 57.23765351
0.913864 0.950971 8202.1287 6.52 57.85925902
0.712909 1.095592 8119.6427 6.47 56.31492917
0.956572 0.720925 7963.7156 5.59 57.11081807
0.701156 -0.205746 8111.8755 4.33 56.64812852
0.282273 -0.137514 8049.1653 3.5 56.94783371
-0.075061 -0.153206 8203.781 2.13 57.89266828
0.319249 -0.519368 8190.4684 1.73 59.84291496
0.786222 0.884128 8251.5466 1.75 60.85904281
0.538633 0.070699 8451.924 1.74 60.75239286
0.591169 1.014455 8468.7375 1.44 62.32977989
1.028466 0.821880 8703.1692 1.25 60.53630254
-0.163607 0.460271 8776.7919 1.25 59.30281918
0.746540 -0.354720 8842.3437 1.02 62.09343131
0.379541 0.951056 9033.3529 1 65.81730917
0.846237 1.910257 9190.7405 1 70.83598471
0.785574 0.871266 9406.5724 1.01 71.81484902
0.637733 0.613014 9702.9041 1.43 68.64238009
1.073755 0.384371 9846.258 1.95 70.96380333
0.505051 0.304481 10166.205 2.47 72.09398496
0.675793 0.458139 10529.859 2.94 74.41384547
1.514630 0.093825 10863.124 3.46 74.56503878
0.932519 0.412426 11448.666 3.98 78.25823006
0.520746 1.381932 11706.54 4.46 85.70903657
0.902406 0.422329 12038.802 4.91 97.70762679
0.944021 -0.419048 12262.605 5.25 98.85390909
-0.410172 0.121985 12523.51 5.25 100.8377337
0.980395 0.288426 12965.307 5.26 98.21309588
1.132554 0.822155 16485.928 5.25 104.7391568
0.633012 1.160337 11338.395 5.07 100.3764878
1.226642 1.174462 14434.016 4.5 96.93113259
1.083189 1.589649 15014.78 3.18 97.19466356
1.300937 1.514151 15601.39 2.09 94.47834455
1.541881 1.690924 16469.238 1.94 87.73529536
-2.290190 1.685408 13408.884 0.51 75.77519761
-0.687870 0.587629 15154.903 0.18 77.61871471
0.531757 -0.042174 16461.825 0.18 82.89801023
0.860393 -0.323796 17369.883 0.16 88.74618128
0.782933 0.191485 18125.131 0.12 97.56589597

1 de enero de 2016 73
0.158503 0.857652 18456.352 0.13 101.1328556
-0.035269 0.427146 18729.043 0.19 104.0252403
0.293147 0.666551 18856.943 0.19 104.1349393
0.809724 0.155720 19053.687 0.19 110.6924603
1.061907 1.093744 19599.679 0.16 114.0982216
1.152086 1.163125 24104.229 0.09 112.5726747
0.654081 1.020760 18778.641 0.08 114.4375464
0.432925 1.167429 20083.793 0.07 108.5787993
0.557470 0.793355 21156.603 0.1 111.2042011
0.244266 1.036366 22020.774 0.15 108.8994552
0.439277 0.471561 22992.842 0.14 108.2348828
0.653858 0.517063 23651.252 0.16 111.1309717
0.343462 0.589130 24274.27 0.14 111.4596893
-0.035463 0.916794 24997.902 0.12 103.2842751
0.563164 1.058194 25794.332 0.08 101.2750628
0.353059 0.355836 26400.182 0.09 100.5164402
0.517478 1.033229 27188.066 0.07 99.91699972
0.603732 1.019575 27819.181 0.09 96.8851063
0.294566 0.479954 28211.369 0.09 99.34625942
-0.214276 0.587422 28760.717 0.1 97.94245392
-0.773586 0.832279 29136.584 0.11 94.57470936
1.054203 1.373044 29638.993 0.12 94.33707244
0.266055 0.997292 29995.209 0.14 90.31532746
-0.457498 0.815505 30389.359 0.16 89.94460197
0.073536 1.195856 30546.458 0.36 88.17423235
1.166529 0.538828 30727.567 0.37 89.55841409
0.335936 0.431547 30941.666 0.4 92.44950917

1 de enero de 2016 74

S-ar putea să vă placă și