INDICE

1. MARCO TEORICO 02
2. OBJETIVOS 03
3. DATOS ESTADÍSTICOS 04
4. ESTIMACIÓN POR MÍNIMOS CUADRADOS ORDINARIOS (M.C.O.) 04
5. INFERENCIA ESTADÍSTICA 05
6. MULTICOLINEALIDAD 10
7. HETEROSCEDASTICIDAD 13
8. AUTOCORRELACION 14
9. ANEXOS 17
10. BIBLIOGRAFÍA 19

Econometría Página 1
 MODELO ECONOMETRICO DE LAS EXPORTACIONES DE PRODUCTOS
TRADICIONALES EN EL PERÚ

11. Marco Teórico.-

Al ser las exportaciones tradicionales nuestra variable de interés, será ésta la

variable endógena, por lo que nos centraremos en determinar cuáles han de ser
los signos que afectan tanto a la constante como a los coeficientes que ponderan a
las variables explicativas.

Con esto intentaremos predecir cómo se verán afectadas (positiva o

negativamente) las variables exógenas y como estas repercuten sobre el resultado
de la variable endógena de nuestro modelo ha realizar.

 PBI Mundial, es sin duda la macro magnitud económica más importante

para la estimación de la capacidad productiva de una economía. Es la suma
de todos los bienes y servicios que produce un país o una economía en un
periodo determinado (Aproximadamente de un año).

 Tipo de cambio real, son las variaciones en las estructuras de precios de

las exportaciones en relación a las importaciones. Es necesario distinguir
los efectos de un choque de los tipos de cambios. Aquéllos que ocasionan
que los agentes económicos ajusten sus ahorros con el fin de suavizar el
consumo en el tiempo.

Econometría Página 2
 1.1. Modelo teórico.-

Para el presente análisis de las exportaciones tradicionales, centrada en la

economía peruana, consideraremos en nuestra ecuación al Producto Bruto Interno
(PBI) y a los incentivos tributarios como variables explicativas.

Entonces, tenemos la siguiente ecuación:

Donde:

- XTRADt : Exportaciones Tradicionales para el periodo t en millones

de dólares.

- PBIt* Producto Bruto Interno del periodo corriente en variación

porcentual (Promedio de PBI de E.E.U.U. y China).

- TCt : Tipo de cambio del gobierno central para el periodo t

en millones de soles .

Nuestro trabajo utilizara series de tiempo. La estimación está basada en periodos

trimestrales que van desde el año 1990 hasta el 2008.

2. OBJETIVOS:

Los objetivos en esta primera parte se centrara en el método de estimación que

utilizaremos para regresionar nuestro modelo lineal clásico con dos variables
explicativas será el de mínimos cuadrados ordinarios (MCO). La estimación por
MCO está sujeta al cumplimiento de los supuestos del modelo clásico, que son los
siguientes:

Econometría Página 3
 o Ausencia de multicolinealidad: las variables explicativas no están
correlacionadas.

o Homoscedasticidad: la varianza de las perturbaciones es constante.

o No autocorrelación: las perturbaciones son independientes unas de otras.

o El valor esperado de las perturbaciones es cero.

3. DATOS ESTADÍSTICOS

El modelo puramente matemático de la Exportaciones Tradicionales dado es de

interés limitado para el econometrista ya que supone que existe una relación entre
el Producto Bruto Interno mundial (promedio de P.B.I.de Estados Unidos y China)
y el tipo de cambio; estas variables ejercerán probablemente influencias sobre
nuestra variable endógena a estimar.

Teniendo así la siguiente función de regresión:

Donde el termino “  t ” conocido como el termino de perturbación puede

representar a todas aquellas variables que afectan a las Exportaciones

Tradicionales pero que no son considerados en el modelo de manera explicita.

4. ESTIMACIÓN POR MÍNIMOS CUADRADOS ORDINARIOS (M.C.O.)

Asi tenemos con ayuda del programa Eviews lo siguiente:

Dependent Variable: EXPTRAD

Method: Least Squares
Date: 02/28/09 Time: 19:32
Sample: 1990Q1 2008Q3
Included observations: 75

Variable Coefficient Std. Error t-Statistic Prob.

C 695.5375 142.6921 4.874394 0.0000

PBIMUNDIAL 0.529865 0.017383 30.48123 0.0000
TC -755.3840 68.60754 -11.01022 0.0000

R-squared 0.939037 Mean dependent var 1810.825

Adjusted R-squared 0.937343 S.D. dependent var 1656.332

Econometría Página 4
 S.E. of regression 414.6019 Akaike info criterion 14.93169
Sum squared resid 12376424 Schwarz criterion 15.02439
Log likelihood -556.9385 F-statistic 554.5187
Durbin-Watson stat 1.455065 Prob(F-statistic) 0.000000

Interpretación del modelo:

Sustituyendo los valores del grafico tenemos:

EXPTRAD = 695.53751 + 0.5298648111*PBIMUNDIAL - 755.3839779*TC

 β1: Es conocida también como la constante de intercepto o autónoma, esta

nos esta indicando que al no tener la participación del PBI mundial como
tampoco la participación de los incentivos tributarios, las exportaciones
tradicionales seria igual a 695.53751el cual esta medido en miles de
nuevos soles.

 β2: Es conocida como el coeficiente de regresión de la variable explicativa.

Este β2 nos indica que si el PBI mundial se incrementa en una unidad en
promedio, las exportaciones tradicionales se incrementa en casi
0.5298648111miles de nuevos soles.

 β3: Es conocida como el coeficiente de regresión de la variable explicativa,

este mide la elasticidad de las exportaciones tradicionales con respecto a
los tipos de cambio. Este β3 nos indica que si los los incentivos tributarios se
incrementara en una unidad en promedio, las exportaciones tradicionales
disminuirá en casi 755.3839779.

Econometría Página 5
5. INFERENCIA ESTADÍSTICA:

4.1 Coeficiente de Determinación.-

El 93.9071% de las exportaciones tradicionales esta

siendo explicada por el Producto Bruto Interno mundial y por los Incentivos
Tributarios.

4.2 Coeficiente de Determinación Corregido.-

̃ ̃

4.3 Prueba “t” estadístico.-

 Para β1:

- H0: β1 = 0
- H1: β1 ≠

̂
̂

tcrit. = 1.994 y g.l.= 72; comparando para cada uno respectivamente tenemos:

Por lo tanto: Nuestro “t” calculado se encuentra en la

zona de rechazo por lo cual se rechaza el Ho, es decir, el β1 es significativo de
manera individual para el modelo.

 Para β2:

- H0: β2 = 0

Econometría Página 6
 - H1: β2 ≠

̂
̂

tcrit. = 1.994 y g.l.= 72; comparando para cada uno respectivamente tenemos:

Por lo tanto: Nuestro “t” calculado se encuentra en la

zona de rechazo por lo cual se rechaza la Ho, es decir, el β2 es significativo de
manera individual para el modelo.

 Para β3:

- H0: β3 = 0
- H1: β3 ≠

̂
̂

tcrit. = 1.994 y g.l.= 72; comparando para cada uno respectivamente tenemos:

Por lo tanto: | | Nuestro “t” calculado se encuentra en la

zona de rechazo por lo cual se rechaza la Ho, es decir, el β3 es significativo de
manera individual para el modelo.

Conclusión:

Podemos concluir que la significancia individual de cada una de las variables

explicativas se realiza contrastando la igualdad a cero del coeficiente de regresión

Econometría Página 7
que lo acompaña. Los resultados en este análisis se realizan bajo las columnas t-
statistic. Suponiendo un nivel de significancia de 0.05 (5%) para todas las variables
explicativas son individualmente significativas; es decir, todas las variables son
significativas al 5 %.

4.4 Prueba “F”.-

 Hipótesis:

- Ho: β 1 = β2 = β3 = 0

- H1: β1 ≠ β2 ≠ β3 ≠ (si es significativo)

Fcrit[ ] = 3.15 donde:

Fcrit. = 3.15 y g.l.= 72; comparando para cada uno respectivamente tenemos:

Por lo tanto: Nuestro “F” calculado se encuentra en la zona de

rechazo por lo cual se rechaza la Ho, es decir, β1, β2 y β3 son estadísticamente
significativos en forma conjunta para el modelo.

4.5 Estabilidad de parámetros.-

 Hipótesis:

- H0:
- H1:

Econometría Página 8
 [ ]⁄

 Con ayuda del programa Eviews calculamos la:

Chow Breakpoint Test: 1999Q1

F-statistic 13.06745 Prob. F(3,69) 0.000001

Log likelihood ratio 33.74224 Prob. Chi-Square(3) 0.000000

Fcrit[ ] = 3.15

Fcrit. = 3.15 y g.l.= 72; comparando la hipótesis inicial tenemos:

Por lo tanto: Nuestro “F” calculado se encuentra en la zona de

rechazo por lo cual se rechaza la Ho, es decir, que existen cambios de la tendencia o
patrón de la información.

4.6 Prueba de Normalidad.-

Econometría Página 9
La Kurtosis es el grado de apuntamiento de una distribución. La Kurtosis se analiza
comparando la distribución con la forma de una curva normal o simétrica, con
igual media aritmética y desviación estándar que la distribución que se estudia.

Si una distribución tiene relativamente un elevado pico o apuntamiento, se llama

LEPTOKURTICA; mientras si es achatada se denomina PLATIKURTICA. La
distribución normal constituye una distribución MESOKURTICA.

Coeficiente de Kurtosis = 3 → Mesokurtica (Distribución Normal)

Coeficiente de Kurtosis > 3 → Leptokurtica (Distribución apuntada)

Coeficiente de Kurtosis < 3 → Platikurtica (Distribución achatada)

16
Series: Residuals
14 Sample 1990Q1 2008Q3
Observations 75
12
Mean 3.36e-13
10
Median 22.05923
Maximum 1198.774
8
Minimum -1211.222
6 Std. Dev. 408.9608
Skewness 0.053418
4 Kurtosis 4.357243

2 Jarque-Bera 5.792255
Probability 0.055237
0
-1200 -800 -400 0 400 800 1200

Por lo tanto: Del grafico podemos apreciar que nuestro modelo

tiene no tiene una distribución normal, es decir; que el modelo tiene un elevado
apuntamiento que se denomina “LEPTOKURTICA”

6. MULTICOLINEALIDAD:

Econometría Página 10
La multicolinealidad es el grado de relación lineal existente entre las
observaciones de las variables explicativas. Se da cuando algunas de las variables
regresoras (explicativas) están correlacionadas, incumpliendo una de las hipótesis
de partida. Si observamos una alta correlación nos estaría indicando la presencia
de multicolinealidad.

5.1 Detección.-

 Síndrome de Multicolinealidad

Cuando el coeficiente de determinación (R2), tiende a ser elevado, por lo cual la

prueba “t” resultan estadísticamente no significativas, con lo que se demuestra
que no se puede separar el efecto individual de cada variable predeterminada
hacia la variable endógena.

Procedemos a utilizar el programa Eviews:

 Estableciendo la función del modelo a detectar la multicolinealidad:

E D ND

 Calculando el coeficiente de determinación (R2):

Por lo que vemos el coeficiente de determinación (R2) tiende a

uno, es decir; es elevado.

 Prueba de FARRA – GLAUBER

 Se emplea una regresión auxiliar; es decir;

ND

Dependent Variable: PBIMUNDIAL

Method: Least Squares
Date: 03/01/09 Time: 07:55
Sample: 1990Q1 2008Q3
Included observations: 75

Econometría Página 11
 Variable Coefficient Std. Error t-Statistic Prob.

TC 2694.644 337.5112 7.983865 0.0000

C -1253.128 949.4790 -1.319806 0.1910

R-squared 0.466148 Mean dependent var 5877.187

Adjusted R-squared 0.458835 S.D. dependent var 3794.658
S.E. of regression 2791.498 Akaike info criterion 18.73285
Sum squared resid 5.69E+08 Schwarz criterion 18.79465
Log likelihood -700.4819 F-statistic 63.74210
Durbin-Watson stat 0.114019 Prob(F-statistic) 0.000000

Luego procedemos a calcular con la prueba de FARRA – GLAUBER

 Hipótesis:

- H0:

- H1:

Fcrit[ ] = 3.15

Fcrit. = 3.15 y g.l.= 73; comparando la hipótesis inicial tenemos:

Por lo tanto: Nuestro “FG” calculado se encuentra en la zona

de rechazo por lo cual se rechaza la Ho, es decir, que existe Multicolinealidad en el
modelo.

5.2 Corrección.-

Econometría Página 12
  Eliminación de la variable que ocasiona el problema:

E D ND

E D

Excluyendo la variable explicativa que ocasiona el problema de la

Multicolinealidad; en nuestro modelo se elimina el PBI MUNDIAL. Entonces

E D

Dependent Variable: EXPTRAD

Method: Least Squares
Date: 03/01/09 Time: 08:34
Sample: 1990Q1 2008Q3
Included observations: 75

Variable Coefficient Std. Error t-Statistic Prob.

C 31.54889 522.2252 0.060412 0.9520

TC 672.4130 185.6353 3.622225 0.0005

R-squared 0.152351 Mean dependent var 1810.825

Adjusted R-squared 0.140739 S.D. dependent var 1656.332
S.E. of regression 1535.359 Akaike info criterion 17.53722
Sum squared resid 1.72E+08 Schwarz criterion 17.59902
Log likelihood -655.6458 F-statistic 13.12051
Durbin-Watson stat 0.034095 Prob(F-statistic) 0.000536

Conclusión:

Debido a que excluimos a la variable explicativa PBI MUNDIAL; entonces como las
EXPTRAD (Exportaciones Tradicionales) está en función del TC (Tipo de Cambio)
tendremos que no existe Multicolinealidad.

7. HETEROSCEDASTICIDAD:

6.1 Detección.-
Econometría Página 13
  Prueba de White.-

 Hipótesis

- H0:

- H1:

Procedemos a utilizar el programa Eviews:

 Calculamos la Heterocedasticidad, mediante la prueba de White.

White Heteroskedasticity Test:

F-statistic 8.113436 Prob. F(5,69) 0.000005

Obs*R-squared 27.76870 Prob. Chi-Square(5) 0.000040

Conclusión:

Como la probabilidad (0.000005) es menor que el 5%, con concluimos que se

rechaza la H0 por lo tanto existe Heterocedasticidad en el modelo.

8. Autocorrelación:

7.1 Detección:

 Prueba de Durbin Watson.-

 Hipótesis:

- H0:

- H1:

Dependent Variable: EXPTRAD

Method: Least Squares

Econometría Página 14
 Date: 02/28/09 Time: 19:32
Sample: 1990Q1 2008Q3
Included observations: 75

Variable Coefficient Std. Error t-Statistic Prob.

C 695.5375 142.6921 4.874394 0.0000

PBIMUNDIAL 0.529865 0.017383 30.48123 0.0000
TC -755.3840 68.60754 -11.01022 0.0000

R-squared 0.939037 Mean dependent var 1810.825

Adjusted R-squared 0.937343 S.D. dependent var 1656.332
S.E. of regression 414.6019 Akaike info criterion 14.93169
Sum squared resid 12376424 Schwarz criterion 15.02439
Log likelihood -556.9385 F-statistic 554.5187
Durbin-Watson stat 1.455065 Prob(F-statistic) 0.000000

Del grafico tenemos:

Durbin-Watson = 1.455065

n = 75 observaciones; dl = 1.57; du = 1.68 y k’ = 2

( ̂)

( ̂)

p̂ E iste autocorrelacion positiva

7.2 Corrección.-

Dependent Variable: EXPTRAD

Method: Least Squares
Date: 03/01/09 Time: 10:55
Sample (adjusted): 1990Q2 2008Q3
Included observations: 74 after adjustments
Convergence achieved after 22 iterations

Variable Coefficient Std. Error t-Statistic Prob.

C -41.09119 882.6261 -0.046556 0.9630

PBIMUNDIAL 0.043601 0.033293 1.309599 0.1946
TC 18.69943 248.3663 0.075290 0.9402
AR(1) 1.049793 0.023387 44.88862 0.0000

Econometría Página 15
 R-squared 0.977329 Mean dependent var 1828.209
Adjusted R-squared 0.976358 S.D. dependent var 1660.735
S.E. of regression 255.3560 Akaike info criterion 13.97573
Sum squared resid 4564467. Schwarz criterion 14.10028
Log likelihood -513.1021 F-statistic 1005.891
Durbin-Watson stat 2.142765 Prob(F-statistic) 0.000000

Inverted AR Roots 1.05

Estimated AR process is nonstationary

Conclusión:

Durbin-Watson = 2.142765, como el resultado del Durbin - Watson tiende a ser

mayor que dos; entonces no existe autocorrelación en nuestro modelo

ANEXOS

Exp. de productos PBI Mundial (Promedio

Tipo de Cambio
Año/Trim. tradicionales (mill. de E.E.U.U. y China en
Real (mill. S/.)
US$) mill. US$)
90T1 524.4 7 0.0182
90T2 511.7 19 0.0698
90T3 656.7 155 0.43
90T4 565.8 413 0.53
91T1 579.1 500 0.57
91T2 659.2 659 0.85
91T3 604.6 850 0.80
91T4 516.1 968 1.01
92T1 586.5 1129 0.96
92T2 595.6 1314 1.19
92T3 671.2 1436 1.38
92T4 708.9 1628 1.64
93T1 553.9 1812 1.84
93T2 598.7 2094 2.00
93T3 525.0 2150 2.10
93T4 640.6 2532 2.16
94T1 679.7 2914 2.17
94T2 776.7 3189 2.19
94T3 891.2 3294 2.26

Econometría Página 16
 94T4 808.9 3582 2.14
95T1 936.1 3838 2.26
95T2 984.1 4137 2.25
95T3 1078.8 4031 2.25
95T4 984.9 4452 2.33
96T1 1061.9 4311 2.36
96T2 1077.6 5341 2.44
96T3 1067.1 4665 2.50
96T4 1007.0 4939 2.59
97T1 1125.3 5249 2.64
97T2 1329.8 6015 2.66
97T3 1237.1 5443 2.65
97T4 1012.4 5597 2.72
98T1 701.5 5824 2.81
98T2 802.9 6006 2.91
98T3 1077.9 5779 3.05
98T4 1129.6 5534 3.14
99T1 972.3 5564 3.38
99T2 957.1 5496 3.34
99T3 1087.7 5280 3.42
99T4 1124.7 5731 3.49
00T1 1132.7 5634 3.44
00T2 1156.7 5886 3.49
00T3 1274.1 5483 3.49
00T4 1241.0 5767 3.52
01T1 1050.5 5816 3.52
01T2 1214.0 6143 3.53
01T3 1269.6 5757 3.49
01T4 1196.2 5824 3.44
02T1 1056.9 5348 3.46
02T2 1412.1 6287 3.48
02T3 1559.4 6020 3.62
02T4 1340.1 6407 3.52
03T1 1415.6 6469 3.48
03T2 1590.9 6998 3.48
03T3 1657.5 6735 3.48
03T4 1692.2 7202 3.47
04T1 1982.0 7288 3.47
04T2 2050.0 8225 3.48
04T3 2515.7 7679 3.36

Econometría Página 17
 04T4 2650.9 7952 3.28
05T1 2738.9 8233 3.26
05T2 2961.2 9894 3.25
05T3 3440.2 8368 3.31
05T4 3809.3 9093 3.43
06T1 3481.0 10326 3.34
06T2 4547.1 13020 3.26
06T3 5175.1 10825 3.25
06T4 5170.6 11315 3.21
07T1 4352.9 11350 3.19
07T2 5234.3 15371 3.17
07T3 5902.3 12717 3.14
07T4 6003.5 13017 2.98
08T1 5888.2 13523 2.81
08T2 6539.6 16112 2.89
08T3 6699.3 14828 2.97

Econometría Página 18
 BIBLIOGRAFÍA:

 Gujarati, Damodar. Econometría. Bogotá: McGraw-Hill, 1990

 Castro, Juan Francisco. Econometría aplicada. Lima: Universidad
del Pacífico. Centro de Investigación, 2003.
 Banco Central de Reserva del Perú
 Hardy, Melissa. Regression with dummy variables. California:
Sage, 1993.

 Banco Central de Reserva del Perú

 http://www.inei.gob.pe/

 http://www.sbs.gob.pe/portalSBS/Homepage.htm

Econometría Página 19