Función de Producción Cobb-Douglas para la

economía peruana, periodo 1990-2017

Modelo General
𝛽 𝛽
𝑌𝑡 = 𝛽1 𝐿𝑡 2 𝐾𝑡 3 𝑒 𝑢𝑡

Donde:

Y: PBI - Producto bruto interno por tipo de gasto (millones S/ 2007)

L: TRABAJO-Población Económicamente Activa - PEA (miles de personas)

K: CAPITAL-Inversión Bruta Fija (millones S/ 2007)

u:termino de perturbación estocástica

e:base de logaritmo natural

La relación entre el Pbi, Trabajo y capital es no lineal por lo tano transformando la ecuación
mediante la función logaritmo, se tiene:

𝐿𝑛𝑌𝑡 = 𝐿𝑛𝛽1 + 𝛽2 𝐿𝑛𝐿𝑡 + 𝛽3 𝐿𝑛𝐾𝑡 + 𝑢𝑡

𝐿𝑛𝑌𝑡 = 𝛽0 + 𝛽2 𝐿𝑛𝐿𝑡 + 𝛽3 𝐿𝑛𝐾𝑡 + 𝑢𝑡

Linealizacion del modelo

Donde:

𝛽0 = 𝐿𝑛𝛽1
1. Análisis de los datos:

Como se puede apreciar a largo plazo todas las variables presenta una tendencia creciente. Sin
embargo, resalta el descenso de la Inversión bruta fija a partir del 2013.No obstante el PBI
mostro una tendencia creciente uniforme
Como se puede apreciar, las variaciones de las tasas de crecimiento del PBI Nacional evidencian
su desaceleración, así como de todas las variables independientes.

En análisis de las variables que son fuentes de crecimiento de la economía el stock de capital, el
número de trabajadores y la productividad total de los factores, enfocándonos en las 2 primeras
el número de trabajadores es el número de trabajadores empleados y en el Perú este número
crece proporcionalmente al crecimiento del stock de capital.

En el sentido de que en los noventa la inversión privada era mínima difícilmente por el clima
político, tensiones sociales, sin definiciones por parte del gobierno en las áreas de seguridad
social y salud, falta de impulso en proyectos importantes y desconfianza de los inversionistas.
Pero paulatinamente se revirtió en el 2005 donde se observó un crecimiento constante debido
a la inversión extranjera en proyectos mineros.

En los últimos años diversos acontecimientos debido a la latente globalización e integración de

mercados internacionales añadiendo en un plano nacional conflictos sociales en concepto a
grandes proyectos mineros paralizados el cual reflejo una falta de confianza e incertidumbre en
los inversionistas reflejando una desaceleración en el crecimiento de la inversión bruta fija.
Estimación del modelo linealizado con Eviews

Los coeficientes representan la elasticidad PBI/Trabajo y la elasticidad PBI/Capital.

Si el trabajo aumenta en 1% entonces el PBI aumenta en 0.70%.

Si el capital aumenta en 1% entonces el PBI aumenta 0.37%

La constante se interpreta que para valores nulos del trabajo y del capital, la probabilidad que
aumente el PBI es de 1.90%

Como los valores de “t-stadistico” de los tres parámetros son mayores a 2 entonces las
variables son significativas

Como los valores de “Prob” de los tres parámetros son menores al 5% (0.05) entonces las
variables son significativas

Intervalos de confianza

Test de Normalidad

Test de Jarque – Bera

𝐻0 : 𝜀𝑡 𝑠𝑒 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎 𝑎 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖𝑜𝑛 𝑁𝑜𝑟𝑚𝑎𝑙.

𝐻1 : 𝜀𝑡 𝑛𝑜 𝑠𝑒 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎 𝑎 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖𝑜𝑛 𝑁𝑜𝑟𝑚𝑎𝑙.
Como el JB = 2.666430 es menor que 5.99, entonces la variable resid (error) aproxima a una
distribución normal y por lo que no se rechaza la hipótesis nula.

Existe una probabilidad de 26.36% de no rechazar la hipótesis nula de normalidad.

Prueba de Normalidad (Quantile -Quantile)

Como la mayoría de los puntos están sobre la recta, entonces podemos decir que la variable
resid (error) tiene una distribución normal.
Multicolinealidad

La multicolinealidad son relaciones lineales entre las variables explicativas del modelo esta
relación hace que sea difícil cuantificar con precisión el efecto que tiene cada regresar sobre el
regresando.

Las variables Producto bruto interno por tipo de

gasto, Población Económicamente Activa y
Inversión Bruta Fija aportan al modelo ya que su
t estadístico son mayores que 2 en términos
absolutos (caen en la zona de aceptación de la
hipótesis nula b=0), el R cuadrado es muy
cercano a 1 y la prueba F es significativa(los
valores de beta son diferentes de 0) lo cual
evidencia presencia de Multicolinealidad

Además en para obtenida la matriz de correlaciones, dada la recomendación de algunos

autores afirman que correlaciones mayores a 0.8 o 0.85 indica la presencia de colianealidad.
Podemos apreciar que no existe una alta correlación lineal entre
cor(Log(trabajo),log(capital))=0.893397

El valor que se muestra es 0.201841 que no es cercano a cero lo que es un indicativo que no
existe multicolinealidad.

La estimación no presenta problemas de multicolinealidad.

Autocorrelación

La auto correlación hace referencia a la correlación existente entre los elementos de una serie
de observaciones ordenadas en el tiempo. Se asume la independencia serial en el término
aleatorio.

Lo cual significa que el término correspondiente a la t observación no estará influenciadas por

el relativo a la observación t-1. Sin embargo existen pruebas para detectar si el modelo presenta
o no problemas de autocorrelacion, entre ellos se tiene el test de Bresuch-Godfrey lo cual
permite incluir valores rezagados como variables explicativas.

Visualizando la serie de los residuos frente al tiempo.

Se puede apreciar que los residuos no se comportan de forma totalmente aleatoria, aunque no
se observa una senda de signos continuamente alternada.

Se puede apreciar en el gráfico que la mayoría de los puntos se encuentran en el primer y

tercer cuadrante, lo que nos lleva a pensar la existencia de autocorrelación de tipo AR (1) con
coeficiente positivo.

Nota: Los gráficos de los residuos de mínimos cuadrados no son definitivos para determinar la
autocorrelación en el modelo.
Test de Durbin-Watson
Durbin Watson es un estadístico que prueba la autocorrelacion de 1er orden

Como el DW obtenido en la estimación es 0.218665 < 2, entonces nos da sospecha que nuestro
modelo tiene problemas de autocorrelación positiva de orden uno.

El valor del estadístico Durbin – Watson (DW) es 0.218665. Los valores críticos del DW son:
dL = 1.255 y dU = 1.560, por lo tanto hemos encontrado evidencia significativa a favor de la
existencia de un coeficiente de autocorrelación residual positiva, debido 0.218665 < 1.255
Prueba de Breusch – Godfrey
Para confirmar el resultado del estadístico Durbin- Watson se hace la prueba de Breusch –
Godfrey , en la cual evaluamos la cantidad de rezagos.

Prueba con 1 rezago:

Por tener una probabilidad muy baja 0% (menor de 5%) se rechaza la hipótesis nula de
incorrelación.Hay autocorrelacion de primer orden, los errores rezagados de un periodo son
significativos.

Por lo que el modelo presenta autocorrelación de 1 orden AR (1), Con un AR (1) el modelo
presenta un DW=1.130948 que es cercano a dos.
Prueba con 2 rezagos:

Por tener una probabilidad muy baja 0% (menor de 5%) se rechaza la hipótesis nula de
incorrelación.
Con un AR (2) el modelo presenta un DW=1.776715 que es más cercano a dos.

La significación de los rezagos puede ir cambiando cada vez que incluyamos más rezagos dado
que pueden tener multicolinealidad.

Correlograma
La banda del correlograma esta representa por:
2 2
± =± = 0.38
√𝑇 √28
Los valores que sean iguales o mayor a este valor nos indicara el orden de AR (p)

Como los coeficientes de Autocorrelacion están fuera de las bandas se rechaza la hipótesis nula
𝐻0 : 𝜌1 = 0
Se acepta la hipótesis alternativa 𝐻1 : 𝜌1 ≠ 0
Existe correlación de Orden 1:
𝜀𝑡 = 𝜌1 𝜀𝑡−1 + 𝑢𝑡 => 𝐴𝑅(1)
Como los coeficientes de Autocorrealción están fuera de las bandas, entonces el modelo
presenta autocorrelación.

Corrección de la Autocorrelación
Estimación del modelo sin autocorrelación:

Introduciremos el componente autorregresivo al modelo estimado. Luego, se incorporó una

variable autorregresiva de 1er orden y otra variable autorregresiva de 2do orden, estas variables
ayudaron a perfeccionar el modelo dando solución al problema de autocorrelacion de los
errores en el modelo, considerando de que el error está en función del mismo error pero
rezagado hasta el segundo periodo.
Heteroscedasticidad

Este contraste es el más general porque

no especifica concretamente la
heterocedasticidad
𝐻0 : 𝜎𝑖2 = 𝜎 2 𝑁𝑜 𝑒𝑥𝑖𝑠𝑡𝑒 ℎ𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑

𝐻1 : 𝑛𝑜 𝑠𝑒 𝑣𝑒𝑟𝑖𝑓𝑖𝑐𝑎 𝐻0

Como se optó la prueba de White sin términos

cruzado que considera los residuos del
cuadrado como variable dependiente.

Con una probabilidad no significativa de

40.44%(menos que 5%) , se acepta la hipótesis
nula , por lo tanto la varianza es constante y
existe homocedasticidad.

Sin embargo debemos verificar el valor del coeficiente de Theil que debe ser cercano a 0, en
este caso es 0.001019, esto nos da indicciones de una buena predicción.
Homocedasticidad
Siendo un supuesto relevante del modelo de regresión hace referencia al comportamiento de
la varianza del término aleatorio, considerando constante u homocedasticidad.

Cuando la varianza no es constante o deja de tener una varianza mínima, estamos ante un
problema de heterocedasticidad.

𝐻0 : 𝑒𝑥𝑖𝑠𝑡𝑒 ℎ𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑(𝜎𝑖2 = 𝜎 2 )

𝐻0 : 𝑒𝑥𝑖𝑠𝑡𝑒 ℎ𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑(𝜎𝑖2 = 𝑔(𝑋𝑗𝑖 ))

El resultado nos una probabilidad muy alta de 50% (mayor al 5%). Por lo que se acepta la
hipótesis nula de homcedasticidad de la varianza.