Documente Academic
Documente Profesional
Documente Cultură
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.
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
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.
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.
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.
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).
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.
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.
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)
= + . (3)
= 1 [ | ] 2 + 3 4 , (4)
= 0 + 1 ( ) + 2 ( ). (5)
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)
= 1 2 + 3 ( ). (6)
(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.
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
[]
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.
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.
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
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.
Objetivos:
3. RESULTADOS
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.
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.*
: = : < 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
t-Statistic Prob.*
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
t-Statistic Prob.*
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
: = : < 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.
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.
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.*
: = : < 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
t-Statistic Prob.*
1 de enero de 2016 22
C -0.008132 0.008757 -0.928695 0.3554
: = : < 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
t-Statistic Prob.*
1 de enero de 2016 23
*MacKinnon (1996) one-sided p-values.
: = : < 0
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.
1 de enero de 2016 26
Analizamos la serie en su nivel con tendencia e intercepto
t-Statistic Prob.*
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
t-Statistic Prob.*
1 de enero de 2016 28
Sample (adjusted): 1992Q4 2016Q3
Included observations: 96 after adjustments
: = : < 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
1 de enero de 2016 29
Analizamos la serie en su nivel sin tendencia ni intercepto
t-Statistic Prob.*
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.
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.
t-Statistic Prob.*
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
: = : < 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
t-Statistic Prob.*
1 de enero de 2016 34
10% level -2.581741
: = : < 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
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.
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.
1 de enero de 2016 37
Prueba de Raz Unitaria
t-Statistic Prob.*
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
t-Statistic Prob.*
1 de enero de 2016 39
Variable Coefficient Std. Error t-Statistic Prob.
: = : < 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 de enero de 2016 40
t-Statistic Prob.*
: = : < 0
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.
t-Statistic Prob.*
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
: = : < 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
t-Statistic Prob.*
1 de enero de 2016 44
*MacKinnon (1996) one-sided p-values.
: = : < 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 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.
1 de enero de 2016 47
Analizamos la serie en su nivel con tendencia e intercepto
t-Statistic Prob.*
: = : < 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
t-Statistic Prob.*
1 de enero de 2016 49
C 0.002500 0.003768 0.663636 0.5084
: = : < 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
t-Statistic Prob.*
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
: = : < 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.
MODELO VAR 1
1 de enero de 2016 51
MODELO VAR 2
2
= 2[() ()] ()
= 2[(1) (2)]
H0: A2=0
H1: A20
= 2[708.3574 782.7742]
= 148.8336
= 5.323741447682551 12
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
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
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
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
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
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
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
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.
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
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
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
.4 .4 .4
.2 .2 .2
.0 .0 .0
.4
.2
.0
-.2
-.4
-.6
1 2 3 4 5 6 7 8 9 10
1 de enero de 2016 60
Response to Structural One S.D. Innov ations
.015
.010
.005
.000
-.005
-.010
1 2 3 4 5 6 7 8 9 10
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
-1
-2
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
.010
.005
.000
-.005
2 4 6 8 10 12 14 16 18 20
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.
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
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
50
40
30
20
10
0
2 4 6 8 10 12 14 16 18 20
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
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
1 de enero de 2016 67
6. REFERENCIAS BIBLIOGRFICAS
NOVALES, Alfonso. Econometra, 2da. Edicin, Me Graw Hill, Madrid, 1993. MLA
1 de enero de 2016 68
7. ANEXOS
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
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