Documente Academic
Documente Profesional
Documente Cultură
INTEGRANTES:
AULA:
208
2013
1
CONTENIDO
FUNDAMENTACIÓN DEL TRABAJO 4
OBJETIVOS 6
Objetivos específicos 6
Metodología 7
Tipos de datos 7
Marco Teórico 7
Modelo en economía abierta -Balanza de pagos-mercado de divisas 7
Teoría de la ventaja comparativa 10
El café es un producto básico mundial 11
Marco conceptual 12
Exportación de café 12
Producto Bruto Interno del Exterior 13
Producto Bruto Interno del Sector Agropecuario 14
Tipo de cambio nominal 15
Precio Internacional 16
Justificación Econométrica 20
Modelo Lineal 20
Modelo Logarítmico 22
Matriz de Correlación 24
Multicolinealidad 25
Test de Farrar - Glauber al modelo lineal 25
Corrección del problema de Multicolinealidad 26
2
Autocorrelación 28
Detección de la Autocorrelación 29
Heterocedasticidad 32
Test de white 32
Quiebre estructural 33
1) RESIDUOS RECURSIVOS: 33
2) PRUEBA CUSUM Y CUSUMSQ: 34
3) TEST PREDICTIVO DE UN PERIODO 36
4) TEST PREDICTIVO DE n periodos 36
5) TEST COEFICIENTES RECURSIVOS 37
6) TEST DE CHOW- PREDICTIVO 38
Estadísticas de predicción 44
CONCLUSIONES 46
BIBLIOGRAFIA 47
3
FUNDAMENTACIÓN DEL TRABAJO
El café fue introducido por inmigrantes franceses en América Central a principios del siglo
XVIII, pero luego los holandeses extendieron su cultivo hacia América del Sur. El cultivo
de café permitió una ampliación de la frontera agrícola en varios países americanos y fue
un factor determinante para el crecimiento de la población en terrenos que antes tenían
escaso valor.
Hacia fines del siglo XIX, la producción de café en el Perú estaba dedicada al consumo
local con un bajo porcentaje del grano que se exportaba a Chile. Las principales zonas de
producción estuvieron ubicadas en la silva alta semitropical, en áreas correspondientes a
Moyobamba, Jaén, Huánuco y Cusco.
En Chanchamayo, un fértil valle del centro del país colonizado entonces por franceses,
alemanes, ingleses e italianos, el café comenzó a cultivarse en asociación con otros
productos como caña de azúcar, coca, tabaco y cacao. Recién a partir de 1850, la región
adquiere un ritmo constante de producción cafetalera, cuya difusión estuvo a cargo de los
sacerdotes jesuitas y alcanzó sus más altos niveles a partir de 1880. El alza de los precios
internacionales hacia 1887 convirtió al Perú por primera vez en exportador de café, siendo
sus principales mercados Chile, Inglaterra y Alemania.
En los años 30 el valle de Chanchamayo se consolida como una zona cafetalera con
instalaciones que permitían procesar mayores cantidades de granos, garantizando una
calidad uniforme. Simultáneamente, compañías formadas por capitales ingleses
recopilaban y comercializaban la producción de café del valle del río Perené, que incluía
Chanchamayo, Tarma y La Merced. La política era producir café de alta calidad como
garantía para asegurar precios elevados.
Durante el período de 1950 a 1960 se consolida el cultivo del café en mérito al esfuerzo
conjunto de empresas productoras y exportadoras que alcanzaron reconocido prestigio
internacional.
La reforma agraria decretada por el gobierno militar de 1968 afectó enormemente el
desarrollo de la agricultura peruana y fue un factor determinante para la aparición de
pequeños caficultores que la actualidad constituyen el grueso de los productores de café
en el país.
Según el portal del Ministerio de Agricultura, el café lideró las exportaciones agrarias en el
2006 con un 24.9% del total de exportaciones agrícolas, generando ingresos superiores a
4
los 515 millones de dólares. El café representa el principal producto agroexportable del
Perú, habiendo pasado de 223.3 millones de dólares en el año 2000 a 515 millones de
dólares en el año 2006. Durante este periodo, la variación en el volumen de exportación,
significó el crecimiento del 69.1%
En el año 2012 el volumen de las exportaciones de café peruano acumularon las 61.400
toneladas métricas al cierre del primer semestre, 10,6% más en relación a los primeros
seis meses del año pasado, estos despachos se vendieron a un precio de US$4.093 por
TM entre enero y junio, 21,5% menos en comparación con lo registrado (US$5.213) en
periodo similar del 2011.
La cotización internacional del grano aromático cayó no solo por una menor demanda
mundial, sino además por la perspectiva al alza en la cosecha cafetalera de Brasil, que
concentra casi el 35% de la producción mundial. En ese contexto, los envíos de café
peruano sumaron US$251,3 millones en el primer semestre, monto que representa una
caída de 13,1% frente a enero y junio del año 2011.
Asimismo, los principales compradores del grano nacional en el periodo fueron: Alemania
(24% de participación), EE.UU. (21,5%), Colombia (18,2%) y Bélgica (12,6%).
La producción de café enfrentó una cosecha complicada este año por el agotamiento
cíclico de las plantaciones, luego de experimentar en el 2011 un año excepcional con 7,2
millones de sacos. Perú, el tercer mayor productor de café de Sudamérica, sufrió un
desplome de sus exportaciones del grano el año 2012 de casi un 40%, ante los menores
precios en los mercados globales. Los precios del café han caído a alrededor de la mitad
desde su punto más alto a mediados de 2011, a cerca de 135 dólares la libra, ante la
abundante oferta de Brasil, el principal productor del grano a nivel mundial. Un estudio
formal de las variables más relevantes que intervienen en la determinación de la
exportación del café es lo que nos ayudara a explicar dicha dinámica
5
OBJETIVOS
Objetivos específicos
a) Determinar la relación de las principales variables explicativas de las
exportaciones de café.
b) Encontrar si la especificación econométrica de las exportaciones de café
funcionara como un modelo predictivo o informativo, bajo diferentes escenarios.
c) Verificar si los mercados externos determinan la organización del cultivo de dicho
producto en el Perú.
6
ESPECIFICACIÓN DEL MODELO
Metodología
La metodología que se utiliza en este trabajo es esencialmente descriptiva, exploratoria y
está acompañada de una aplicación teórica usando los métodos econométricos.
Tipos de datos
La información de las variables utilizadas en el modelo son series de tiempo con una
frecuencia anual en el periodo 1994 – 2012.
Marco Teórico
Balanza de pagos:
Cuenta corriente.
Cuenta de capital
Cuenta financiera.
Cuenta de errores y comisiones
Para este tema solo tomaremos en cuenta la balanza comercial, ya que el tema a tratar es
las exportaciones de café y su registro ya sea anualmente o en un periodo determinado
estará dentro de la cuenta corriente de la balanza de pagos.
Cuenta corriente:
La balanza por cuenta corriente registra los cobros y pagos procedentes del comercio de
bienes y servicios y las rentas en forma de beneficios, intereses y dividendos obtenidos
del capital invertido en otro país. La compraventa de bienes se registrará en la balanza
comercial, los servicios en la balanza de servicios, los beneficios en la balanza de rentas y
las transferencias de dinero en la balanza de transferencias.
La balanza por cuenta corriente estará dividida en dos secciones. La primera es conocida
como balanza visible y la compone íntegramente la balanza comercial. La segunda
sección se llama balanza invisible y está compuesta por la balanza de servicios, rentas y
por la balanza de transferencias.
Balanza comercial:
La balanza comercial, también llamada «de bienes» o «de mercancías», utiliza como
fuente de información básica los datos recogidos por el Departamento de Aduanas de
7
la Agencia Tributaria. En ella se registran los pagos y cobros procedentes de las
importaciones y exportaciones de bienes tangibles, como pueden ser los automóviles, la
vestimenta o la alimentación.
Un dato a tener en cuenta es que las importaciones y exportaciones en la balanza de
pagos tienen que aparecer con valoración «FOB para la exportación» y «CIF para la
importación», que es como las elaboran las aduanas. Los precios FOB (Free On Board)
se diferencian de los precios CIF (Cost, Insurance and Freight) en que estos últimos
incluyen el flete y los seguros. Al elaborar la balanza de pagos, los fletes y los seguros
tienen que ser contabilizados como servicios y no como mercancías.
Mercado de divisas:
Dado que cada país tiene su propia moneda, las transacciones económicas
internacionales implican, en general, operaciones entre monedas diferentes y, por tanto,
la conversión de unas en otras. Para poder desarrollar su actividad, el importador tendrá
que adquirir, contra la entrega de moneda nacional, las divisas extranjeras necesarias
para pagar los bienes y servicios obtenidos en otros países. Análogamente el exportador
convertirá la moneda nacional las divisas extranjeras obtenidas por los bienes y servicios
vendidos al exterior.
Oferta de divisas:
Fuentes:
8
Función de oferta de divisas:
𝑄 𝑠 = 𝑓(𝑌𝑓 , 𝐸, 𝑃, 𝑃 𝑓 )
Demanda de divisas:
Fuentes:
𝑄 𝑑 = 𝑓(𝑌, 𝐸, 𝑃, 𝑃 𝑓 )
Dónde:
Y: PBI interno
Ya que una de las fuentes de la oferta de divisas son las exportaciones, esta variable
también se verá afectada ante una variación de alguna de las variables exógenas del
modelo de oferta de divisas, en términos de función las exportaciones se expresa como:
9
𝑃𝑓
𝑋 = 𝑓(𝑌𝑓 , 𝐸 𝑃
) → El volumen de las exportaciones depende directamente del pbi del
resto del mundo, del tipo de cambio nominal, índice de precios del resto del mundo e
inversamente del índice de precio de los bienes domésticos.
Estos beneficios se obtienen cuando el país con ventaja absoluta en ambos bienes se
especializa en producir aquel con mayor eficiencia relativa (menor costo de oportunidad),
es decir el bien en el que tiene ventaja comparativa.
Las Ventajas Comparativas permiten conocer y explotar las actividades donde la empresa
tiene un rendimiento superior al de sus competidores, transformándolas en Ventajas
Competitivas.
El Conocer y usar estas ventajas, permitirán a los empresarios diseñar estrategias que
conduzcan hacia el éxito del negocio.
El Perú cuenta con ventajas comparativas para obtener café de especialidad porque tiene
una de las mejores variedades botánicas de café, condiciones climáticas y geográficas
adecuadas y disponibilidad de agua en zonas tropicales de altura. Sin embargo, para
lograr competitividad es necesario superar limitaciones en cuanto a recursos, tecnología,
organización y gestión, así como formular estrategias de largo plazo en las que se
consideren los intereses de toda la cadena productiva, desde los agricultores hasta los
exportadores, en una relación de «ganar-ganar» basada en el conocimiento profundo de
la realidad actual del sector y del mercado internacional.
10
El café orgánico producido en el Perú se cultiva sin el uso de pesticidas ni agroquímicos,
tanto para conservar la salud del agricultor como del consumidor, esto con la finalidad de
no alterar la calidad del grano del café y de fomentar la conservación del medio ambiente.
Este manejo ecológico impulsa su consumo al ser un producto natural, siendo un aspecto
importante al existir una creciente demanda por consumir productos que no han tenido
ningún tipo de alteración en su cultivo.
Otro aspecto importante a considerar es su época de cultivo que es distinta a las de sus
principales competidores como México y otros países de América Latina, en donde dicho
aspecto resulta ser una ventaja al tener la posibilidad de cubrir la demanda del consumo
del café orgánico, mientras los otros países productores se encuentren en su etapa inicial
de cultivo. Sin duda un punto a favor que ayuda a posicionar nuestro café en el mercado
mundial.
Asimismo, nuestro café está siendo reconocido a nivel mundial por medio de premios
internacionales, en donde se reconoce la calidad y aroma del café peruano que en los
últimos años ha ganado mayores adeptos en su consumo al ser un producto con un alto
valor agregado.
En el informe “Perú: Exportaciones de productos orgánicos (2010)” publicado por
PROMPERU, se refleja que estas características y la calidad del producto han permito
que el Perú ocupe el primer lugar en la producción y exportación de café orgánico a nivel
mundial, siendo Estados Unidos el principal destino de nuestras exportaciones con un
28%, seguido de Alemania con un 26%, Bélgica (14%), Suecia(9%), Reino Unido(7%) y
Canadá con un (2%).
En tiempos de un mundo globalizado, las exportaciones de café orgánico y otros
productos han contribuido a que nuestro país tenga un crecimiento sostenido,
contribuyendo a mejorar considerablemente nuestra economía generando mayores
divisas a la vez de propiciar la creación de nuevos puestos de trabajo. Según datos
publicados en el informe “Caser: Riesgos de Mercados (Enero, 2011)” 24 nuevas
empresas han incursionado en el mercado cafetero como producto de la buena
performance en el sector, conllevando a que la fuerza laboral en dicho sector se
incremente.
Por lo expuesto, el Perú en base a su desarrollo exportador tiene las capacidades
suficientes para ingresar a nuevos mercados que estén en la búsqueda de productos
ecológicos con valor agregado, como el café orgánico, que representa el 17% del total de
exportaciones del país.
11
sustancial de sus ingresos en divisas, en algunos casos más del 80%. El café es un
producto básico que se comercia en los principales mercados de materias primas y de
futuros, muy en especial en Londres y en Nueva York.
Marco conceptual
Exportación de café
12
58.07 millones, Comercio & Cia S.A con US$ 39.9 millones, Procesadora del Sur S.A con
US$ 26.6 millones, Romero Trading S.A con US$ 23.3 millones, Louis Dreyfus Peru S.A
con US$ 23.3 millones, Machu Picchu Coffee Trading S.A.C con US$ 21.7 millones, entre
otros.
13
Producto Bruto Interno del Sector Agropecuario
Es el valor de todos los bienes y servicios finales del sector agropecuario que se producen
internamente en la economía de un país, durante un periodo de tiempo (generalmente un
año). Esta producción es la oferta interna de bienes y servicios generada por la capacidad
instalada del sector interno, valorada a precios de mercado en las puertas de las unidades
de producción, a precios del producto en el caso de mercancías.
14
Tipo de cambio nominal
15
Precio Internacional
16
PRINCIPALES EMPRESAS EXPORTADORAS
Los principales países exportadores (valores en miles de US$) son Brasil con US$
5,204,111, Viet Nam US$ 2,128,335, Colombia US$ 1,192,198, Alemania US$ 1,925,824,
Suiza US$ 1,235,735, Indonesia US$ 1,012,749 y Bélgica US$ 1,014,456 en el año 2010.
El mayor crecimiento en el periodo 2009-2010 lo obtuvo Brasil con un 37.27% seguido de
Suiza con 30.90%, Viet Nam 24.35% e Indonesia 22.90%. La participación en las
exportaciones en el año 2010 /*, Brasil con 23.36%, Viet Nam 9.55%, Alemania 8.65% y
Colombia 8.58%. Destacar a Perú que tuvo un crecimiento en las exportaciones en el año
2009-2010 de 51.99% y tiene una participación del 3.99% en el año 2010.
17
18
Presentación del modelo a investigar
Este trabajo de investigación trata de describir y encontrar las variables con mayor
relevancia para explicar y predecir la cantidad de exportaciones de café que se realizan
en el Perú. Para este propósito, es necesario hacer una simplificación de la realidad
por lo que solo usaremos un modelo de regresión uniecuacional y además nos
quedaremos con unas cuantas variables explicativas. Nuestro modelo teórico es el
siguiente
DONDE:
19
Justificación Econométrica
Para realizar la justificación hemos visto conveniente expresar nuestro modelo en dos
formas, la primera en versión lineal y la segunda en versión logarítmica.
Modelo Lineal
20
Interpretación de coeficientes:
β̂3 = 47.94 ⇒ Ante un aumento en 1 u.m (millones de soles) en el PBI Agrícola, las
exportaciones de café aumentaran en 47.94 u.m (miles de millones de dólares).
β̂4 = 8.28 ⇒ Ante un aumento en 1 u.m en el Precio Internacional del café, las
exportaciones de café aumentaran en 8.28 u.m (miles de millones de dólares).
R2 = 0.95 ⇒ Las EXPC están explicadas en un 95% por las variables regresoras y
el otro 5% es explicado por otras variables no incluidas en el modelo.
Los valores de las probabilidades T-Student nos muestra que el PINTERC es la única
variable significativa a nivel individual, esto puede ser por problemas de multicolinealidad
que de ser así serán corregidas mas adelante.
21
Modelo Logarítmico
22
Interpretación de coeficientes
β̂1 = 0.37 ⇒ Ahora nos dice si el PBI de Estados Unidos aumenta en 1% las
exportaciones de café aumentan en 0.37%, manteniendo todo lo demás constante,
es decir existe una relación directa entre estas variables.
β̂2 = 0.24 ⇒ Ahora nos dice si el Tipo de Cambio Nominal aumenta en 1%, las
exportaciones de café aumentan en 0.24%, manteniendo todo lo demás constante,
es decir existe una relación directa entre estas variables.
β̂3 = 1.32 ⇒ Ahora nos dice si el PBI Agrícola aumenta en 1%, las exportaciones
de café aumentan en 1.32%, manteniendo todo lo demás constante, es decir
existe una relación directa entre estas variables.
β̂4 = 1.13 ⇒ Ahora nos dice si el Precio Internacional del Café aumenta en 1%, las
exportaciones de café aumentan en 1.13%, manteniendo todo lo demás constante,
es decir existe una relación directa entre estas variables.
R2 = 0.96 ⇒ Las EXPC están explicadas en un 96% por las variables regresoras y
el otro 4% es explicado por otras variables no incluidas en el modelo.
Los valores de las probabilidades T-Student en este caso nos muestran que las variables
que son significativas a nivel individual son el PBI Agrícola (PBIAGRI) y el Precio
Internacional del Café (PINTERC).
23
Matriz de Correlación
En este cuadro podemos apreciar una correlación moderada entre el LOG(PBI USA) y el
LOG(EXPC), así como también una correlación positiva y alta entre el LOG(PINTERC) y
el LOG(EXPC).
Adicionalmente también podemos decir que encontramos una correlación elevada entre
LOG(PBI AGRI) y el LOG(EXPC), todas estas muestras, pueden traer consigo una
multicolinealidad significativa, debido a los altos niveles de correlación.
24
EVALUACION ESTADISTICA DEL MODELO
Multicolinealidad
Como podemos observar en la corrida del primer modelo lineal, tenemos un coeficiente de
determinación alto, mientras que la variable PINTERC son significativas a nivel individual
y las otras variables exógenas no lo son, esto evidencia los primeros indicios de
multicolinealidad que podría estar generado por la redundancia de variables en el modelo
o por errores de especificación en las variables regresoras. Hay otras formas para poder
detectar la multicolinealidad del modelo como por ejemplo el Test de Farrar - Glauber que
desarrollaremos a continuación.
La hipótesis nula será que las variables explicativas son ortogonales entre si y la hipótesis
alternativa esta variables no serán ortogonales entre sí.
2
calc
n 1 ( 2 k 5)
ln R calc
2
k2( k 1) / 2
6
MATRIZ DE CORRELACIÓN
2
2∗4+5
𝑋𝑐𝑎𝑙𝑐 = − (19 − 1 − ) ∗ −7.02296866 = 111.1970038
6
4 ∗ (4 − 1)
𝑋2 = =6
2
2
𝑋𝑐𝑎𝑙𝑐 = 111.1970038 > 𝑋 2 = 6
25
Por lo tanto se rechaza la hipótesis nula lo cual indica que las variables explicativas no
son ortogonales entre si y se concluye con un nivel de significancia del 5% que existe
multicolinealidad alta en el modelo.
26
Análisis del DURWIN-WATSON
K=4
n=19
Límite inferior (dL) =0.86
Límite superior (dU) =1.85
4-dL=3.14
4-dU=2.15
El valor del estadístico DURWIN-WATSON en los modelos lineal y logarítmico son 2.13 y
3.08 respectivamente, con lo que podemos decir que el modelo lineal no presenta
autocorrelación, mientras que en el modelo logarítmico nos encontramos en la zona de
duda.
27
Autocorrelación
La autocorrelación es un caso particular del modelo lineal general que se origina cuando
las perturbaciones de dicho modelo presentan correlaciones entre ellas.
28
Detección de la Autocorrelación
a) Correlograma de Residuos
CORRELOGRAMA RESIDUAL
Ante los correlogramas de la serie de residuos para 12 retardos que están en esta figura
observamos los diversos coeficientes de autocorrelación simple dentro de las bandas de
confianza, podemos apreciar lo mismo en la autocorrelación parcial. El comportamiento
de este grafico nos muestra que no hay presencia de autocorrelación de primer orden,
pero existe la posibilidad de la presencia de un componente AR (2).
29
b) Prueba de Breusch-Godfrey
𝐻0 = 𝑛𝑜ℎ𝑎𝑦𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ò𝑛
𝐻1 = 𝑠𝑖ℎ𝑎𝑦𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ò𝑛
30
El contraste de Breusch-Godfrey que en este caso es para dos retardos muestra un
estadístico Chi-cuadrado de 0.8670 (el cual es mayor al 5%), el cual nos lleva a aceptar la
hipótesis nula de incorrelacion, es decir no existe autocorrelación de 2do orden (AR(2)).
31
Heterocedasticidad
Test de white
𝐻0 = 𝑒𝑥𝑖𝑠𝑡𝑒ℎ𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
𝐻1 = 𝑒𝑥𝑖𝑠𝑡𝑒ℎ𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
Viendo los resultados que nos ofrece el programa se evidencia que la probabilidad del
estadístico es mayor a 0.05, entonces se rechaza la hipótesis alternativa, a favor de la
nula concluyendo que no hay heterocedasticidad en el modelo. La prueba de White nos
indica que no hay una relación significativa entre los residuos al cuadrado y el PBIUSA al
cuadrado, TCN al cuadrado, PINTERC al cuadrado, PBIAGRI al cuadrado.No se hacen
otras pruebas de heterocedasticidad ya que serían redundantes, y además ya que este es
un problema que normalmente se presenta en pruebas de corte transversal.
32
Prueba de estabilidad de parámetros
Quiebre estructural
Las políticas económicas, del cambio tecnológico, u otros eventos de impacto social,
ocurridos en el tiempo pueden ocasionar un cambio en la estructura de la relación entre la
variable dependiente y las variables independientes.
Sea el modelo:
1) RESIDUOS RECURSIVOS:
Nos muestra los errores de predicción de un periodo hacia delante, calculando en cada
periodo la estimación recursiva.
et
wt ; t k 1, ..., T
1 x t' ( X t' 1 X t 1 ) x t
300
200
100
-100
-200
99 00 01 02 03 04 05 06 07 08 09 10 11 12
En este grafico se observa que los residuos varían alrededor del valor cero y vemos que
evidencia un quiebre estructural a inicios del año 2010, ya que en ese año llega a
sobrepasar las bandas de confianza, además que las bandas de confianza se ensanchan,
lo que muestra que no existe estabilidad estructural en el año 2010.
33
2) PRUEBA CUSUM Y CUSUMSQ:
A) CUSUM
t
1
Wt
ˆ
w
r k 1
r ; t k 1, ..., T ; ˆ S e de toda la muestra
12
-4
-8
-12
99 00 01 02 03 04 05 06 07 08 09 10 11 12
CUSUM 5% Significance
En este grafico vemos como los residuos recursivos, siguen una trayectoria alrededor de
0, trayectoria que se desplaza dentro de los márgenes de significancia a un nivel del 5%.
Se observa que el grafico se aleja más de su media a inicios del año 2010. Lo que
demuestra que no hay estabilidad en el modelo.
34
B) CUSUM CUADRADO(CUSUMSQ)
Esta prueba se basa en la suma acumulada de los cuadrados de los residuos recursivos
Para no limitarnos a un solo análisis, con respecto a la muestra de estabilidad apreciada
en el test CUSUM del punto anterior, realizamos el siguiente test denominado CUSUMSQ.
w 2
r
St r k 1
T
; t k 1, ..., T
w
r k 1
2
r
En este grafico podemos apreciar como los residuos recursivos, se salen de las bandas
de estabilidad, se salen de las bandas de confianza desde 2003 hasta 2010, donde
comienza a presentarse in alejamiento, evidenciando la existencia de un quiebre
estructural 2010.
La fecha del quiebre es en el punto más alejado de las bandas de confianza, en este
grafico vemos que es a inicios del 2010.
*En el primer caso el estadístico CUSUM no sale de las bandas de confianza pero se
aparta de su media a comienzos del 2010.
*En el segundo caso el estadístico CUSUMSQ la inestabilidad se da a inicios del año
2003 hasta inicios del 2010.
35
3) TEST PREDICTIVO DE UN PERIODO
300
200
100
-100
.000
Nivel de .025 -200
significancia .050
.075
.100
Prueba T
.125
.150
99 00 01 02 03 04 05 06 07 08 09 10 11 12
One-Step Probability
Recursive Residuals
300
200
100
-100
.000
.025 -200
Nivel de .050
significancia .075
.100
.125
Prueba F
.150
99 00 01 02 03 04 05 06 07 08 09 10 11 12
N-Step Probability
Recursive Residuals
Según el grafico la presencia de quiebre estructural se evidencia a partir del año 2010
cuando la probabilidad es cercana a 0.
36
5) TEST COEFICIENTES RECURSIVOS
Estima los coeficientes del modelo de manera recursivo, si el modelo es estable las
estimaciones de los coeficientes deben tender a ser convergentes y la varianza del
estimador tiende a reducirse, conforme crece la muestra.
0 .15
-500
.10
-1,000
-1,500 .05
-2,000
.00
-2,500
-3,000 -.05
99 00 01 02 03 04 05 06 07 08 09 10 11 12 99 00 01 02 03 04 05 06 07 08 09 10 11 12
600 240
400 200
160
200
120
0
80
-200
40
-400 0
-600 -40
99 00 01 02 03 04 05 06 07 08 09 10 11 12 99 00 01 02 03 04 05 06 07 08 09 10 11 12
12
10
0
99 00 01 02 03 04 05 06 07 08 09 10 11 12
Este cambio en el 2010 se dio con el aumento de las exportaciones de café, y esto se dio
debido al mejor precio internacional que hubo en ese año, induciendo de esta forma al
mejor retorno de las exportaciones del mismo.
37
6) TEST DE CHOW- PREDICTIVO
En el modelo de las exportaciones del café se aplica este test debido a que el quiebre se
da en el año 2010 y este es cercano al final del periodo muestral.
𝐻0 = 𝑁𝑜ℎ𝑎𝑦𝑐𝑎𝑚𝑏𝑖𝑜𝑒𝑠𝑡𝑟𝑢𝑐𝑡𝑢𝑟𝑎𝑙 𝐻1 =
𝑠𝑖ℎ𝑎𝑦𝑐𝑎𝑚𝑏𝑖𝑜𝑒𝑠𝑡𝑟𝑢𝑐𝑡𝑢𝑟𝑎𝑙
Value df Probability
F-statistic 14.47527 (3, 11) 0.0004
Likelihood ratio 30.37992 3 0.0000
Viendo los resultados que nos ofrece el programa se evidencia que la probabilidad del
estadístico es menor a 0.05, entonces se rechaza la hipótesis nula a favor de la
alternativa concluyendo que si hay cambio estructural.
38
Corrección del quiebre estructural por el método de variables dummy
Se genera una variable dummy que toma el valor de 0 para años anteriores al 2010 y 1
para los años posteriores a 2010.
Definamos:
39
Supuesto de normalidad de las perturbaciones
Test de Jarque-Bera:
𝐻𝑂 :𝜀𝑒𝑠𝑛𝑜𝑟𝑚𝑎𝑙, 𝑒𝑠𝑡𝑒𝑠𝑢𝑝𝑢𝑒𝑠𝑡𝑜𝑖𝑚𝑝𝑙𝑖𝑐𝑎𝑞𝑢𝑒𝑙𝑜𝑠𝑟𝑒𝑠𝑖𝑑𝑢𝑜𝑠𝑠𝑜𝑛𝑛𝑜𝑟𝑚𝑎𝑙𝑒𝑠
(𝑎𝑠𝑖𝑚𝑒𝑡𝑟í𝑎)2 (𝑐𝑢𝑟𝑡𝑜𝑠𝑖𝑠−3)2 2
𝐽𝐵 = 𝑇 ( + ) → 𝑋(2)
6 24
Reemplazando los datos, obtenidos en Eviews, donde el valor de JB= 0.734716 es menor
2
a la 𝑋(2) = 5.99 lo cual se establece que la hipótesis nula se acepta concluyendo que los
residuos son normales cumpliendo con uno de los supuestos del modelo.
40
Test de Kolmogorov
Estadística:
𝐻𝑂 : 𝑋𝑡𝑖𝑒𝑛𝑒𝑑𝑖𝑠𝑡. 𝑓 ∗
𝐷 = 𝑚á𝑥𝑖𝑚𝑎(|𝑃𝑖 − 𝑝𝑖 |)
𝐻1 : 𝑋𝑛𝑜𝑡𝑖𝑒𝑛𝑒𝑑𝑖𝑠𝑡. 𝑓 ∗
𝑃𝑖 = 𝑃(𝑋 ≤ 𝑋𝑖 )
∗
Probabilidad acum.con el modelo 𝑓(𝑋)
𝑃𝑖 = 𝑝𝑟𝑜𝑝𝑜𝑟𝑐𝑖𝑜𝑛𝑎𝑐𝑢𝑚
Como se observa en el resultado dado por Eviews la probabilidad del test realizado es
mayor a 0.05 lo cual implica que se acepte la hipótesis nula concluyendo así que las
perturbaciones tienen distribución normal.
41
Prueba de Normalidad (Quantile - Quantile)
Para que exista normalidad en los residuos los puntos deberán estar a lo largo de la recta,
pero si los puntos están muy dispersos y la mayoría está fuera de la recta, entonces se
concluye que no existe normalidad.
En este modelo las perturbaciones son normales ya que los puntos están a lo largo de la
recta sin dispersión.
42
Estimación con variables rezagadas
Para este modelo solo incluiré un rezago, ya que al aumentar la cantidad de rezagos se
pierden dato de la muestra y sobre todo aumenta la no significancia de las variables, del
modelo sin rezagos la única variable con alta significancia es el PINTERC, las demás no
posean significancia significativa pero el modelo presenta una r cuadrado alto del 95%,
ahora analizando el modelo de con el primer rezago, nos muestra que las variables
rezagadas no son significativas lo que lleva a la conclusión que el impacto de las variables
endógenas sobre la dependiente es instantánea, ya sea el caso si aumenta el precio
internacional del café, instantáneamente tendrá un impacto positivo ya que se demandara
mayor café peruano por será más barato y sobre todo por ser de buena calidad.
43
Estadísticas de predicción
Root Mean Squared Error: es uno de los indicadores que mide la desviación de la variable
simulada, con respecto a la variable histórica, para comprobar si el error es significativo,
debemos comprarlo con el Mean Dependent Var de la estimación. En este caso el Root
Mean Squared Error es igual a 76.43821, es menor al MDV que es igual 458.8053, por lo
tanto la simulación es aceptable
Mean Absolute Error: Este indicador hace que la simulación pase la prueba, si resulta
menor que la S.D. dependet var (SDDV) de la estimación que es igual a 365.4544 y ya
que el valor del MAE es igual a 59.94295. Por ende la simulación es aceptable
Mean Abs. Percent Error: es un indicador útil como indicio de un sesgo sistemático. Un
valor pequeño de este indicador es una medida deseable de ajuste de la simulación así
sabríamos que porcentaje de error que tiene la predicción, este valor es este escenario es
de 18.51898
Theil Inequality Coefficient: este coeficiente, es uno de los que indica el grado de
desempeño predictivo del modelo econométrico, su evaluación es entre cero y uno,
mientras más cercano a cero, el desempeño es más eficiente para la predicción, lo
contrario sucede si es más cercano a uno.
En este caso esta predicción nos da un valor de 0.066121 que es cercano a cero o tiende
a él, por tanto nos deja deducir que el modelo tiene capacidad predictiva
Bios Proportion (proporción del sesgo): determina cuanto se aleja la media del pronóstico
de la media de la variable observada. El Bias Proportion es igual a 0.000000. Tienen la
misma orientación; esto significa que no hay presencia de un error sistemático, indicando
que las medidas de los valores predichos y los valores observados no son muy distintas.
44
45
CONCLUSIONES
46
BIBLIOGRAFIA
47