Академический Документы
Профессиональный Документы
Культура Документы
______________________________________________________
ASIGNATURA : ECONOMETRÍA I
CICLO : V
ÍNDICE
Pg.
1. Resumen............................................................................................3
2. Planteamiento del problema.............................................................5
3. Objetivos............................................................................................5
4. Marco teórico y conceptual..............................................................6
4.1 Modelo Phillip Cagan
4.2 Inflación y el IPC
4.3 Hiperinflación en el Perú
4.4 Modelo de Cagan en la economía peruana
ANÁLISIS DEL MODELO
5. Modelo de Koyck.............................................................................15
5.1 Análisis del modelo de cagan en la forma de Koyck
6. Test de Chow...................................................................................17
8. Introduciendo Dummy....................................................................30
9. Análisis de multicolinealidad.........................................................32
13. Conclusiones...................................................................................54
14. Bibliografía.......................................................................................55
15. ANEXOS...........................................................................................56
RESUMEN
Nuestra data para el análisis contiene información para P(IPC) desde el año
1960 – 2015; y para “m” (emisión primaria del dinero) también desde 1960 –
2015.
Aplicamos el test de Chow dividiendo el modelo en dos una para el cual la data
va desde 1960-1990 (modelo 1) y para la data de 1991-2015 (modelo
2).Consideramos el quiebre sucede en los años 90. La respuesta del test nos
indica que existe un quiebre estructural en los años 90, dado las diversas
situacionesque se encontraba el país, por ende afirmamos que en los años 90
hay un gran cambio estructural, principalmente en la economia.
La evaluación del modelo, así como cada uno de los test’s será desarrollados y
analizados detalladamente a continuación.
2. Objetivos
M
=f (Y , R)
P
Mt
log =α 0+ α 1 log Y t +α 2 R t +ut
Pt
Dónde:
M t = stock de dinero,
Pt = nivel de precios,
Yt = ingreso real,
π = inflación esperada
Por lo tanto:
Mt
log =( α 0+ α 1 log Y t + α 2 r t ) + α 2 π +u t
Pt
O su equivalente:
Mt
log =γ + α 2 π +ut
Pt
Dónde:
γ =α 0 +α 1 log Y t +α 2 r t
M t−Pt =γ + α π t +ut
∆ pt +1= pt +1− p t
La principal dificultad del modelo que Cagan presentó era porque no conocía
π t . Ya que ésta es la tasa de inflación esperada y no la tasa actual, Cagan
no contaba con observaciones o información oficial sobre esta variable. De esta
forma se vio obligado a estimar πt en variables que si podía observar y
medir.
π t= λ ∆ pt + ( 1−λ ) π t−1
M t−Pt =γ + α (λ ∆ p t + ( 1− λ ) π t −1)+ut
Los años 1989 y 1990 pueden ser narrados de forma breve, pues no se
produjeron cambios sustanciales. La economía se recuperó levemente y las
reservas internacionales también. Las importaciones se contrajeron y las
exportaciones subieron, sobre todo por el aumento de precio de los productos
mineros en el mercado internacional.
La tasa anual de inflación fue de 2000 % en 1989. Los últimos meses de 1989
fueron usados en gastar las magras reservas internacionales para reactivar en
algo la economía en vista de las prontas elecciones. Así, en marzo de 1990, las
reservas internacionales eran de apenas 190 millones de dólares.
EXPECTATIVAS ADAPTATIVAS
M
=L(Y , i)
P
M e
=L ( Y ,i )=L( Ý , ŕ + π )
P
M −α (π ) e
=e
P
e
Sacando logaritmos y usando una aproximación de π
e
m t− p t=−α ( pt +1− pt )
mt + α pet +1
pt =
1+α
λ λ mt
e
(
pt +1= 1−
1+ α )
e
pt +
1+ α
∞
λ t t −1
λ λ
(
pet =k 1− +) ∑
1+ α 1+ α i=1
1−
1+α ( ) mt−1
∞
λ t mt t −1
α λα λ
pt =
1+α
k 1− (
1+α
+ + ) 2∑
1+ α (1+α ) i=1
1−
1+α ( ) mt−1
Reemplazamos para:
i=1
α λ m λα
pt =
1+α (
k 1− + t + ) m
1+α 1+ α (1+α )2 t −1
pt =β 0+ β 1 mt + β 2 mt −1
i=2
α λ m λα λα λ
pt =
1+α (
k 1− + t + ) m +
1+α 1+ α (1+α )2 t −1 (1+ α )2
1− ( m
1+α t−2 )
pt =α 0+ α 1 mt +α 2 mt −1 + α 3 mt−2
∞
λ t mt i−1
α λα λ
pt =
1+α (
k 1− + +) 2∑
1+∝ 1+ α (1+α ) i=1
1− (
1+∝ ) mt −i
Obtenemos
∞
λ t mt i−1
α λα
→ pt =
1+α
k 1−( + + ) ∑ 1− 1+λ∝
1+ α 1+ α (1+ α )2 i=1 ( ) m t−i
Desarrollamos la expresión
α λ
t
m λα λα λ λα λ
2
λα
¿ pt=
1+α (
k 1−
1+ α )
+ t +
1+ α (1+α )2
mt −1 +
(1+ α )2
1−
1+ α
m t −2 + (
(1+ α)2
1− )
1+ α
mt−3 +
(1+α )2
1− ( ) (
α λ t−1
m t−1 λα λα λ λα λ 2 λα
¿ p t−1=
1+α (
k 1−
1+ α ) + + m +
1+ α (1+α )2 t −2 (1+ α )2
1− ( m +
1+ α t−3 (1+α )2 )
1−
1+α
mt −4 + (
(1+ α ) )
Restamos el nivel de precios del periodo actual con el nivel de precios del
periodo anterior
t −1
→ pt − pt −1=
α
1+ α (
k 1−
λ
1+∝ )( ( 1− 1−
λ
1+ α ) )+ 1+1α ( m −m
t t −1 )+
λα
( 1+α )
m −mt −2 ) +
2 ( t−1
λα
( 1+ α ) 2(1−
λ
1+ α
α λ
t
( mt−mt −1 ) ∞
λα λ
i−1
→ pt − pt −1=
1+ α (
k 1−
1+α )( −λ
1+α −λ
+) 1+α
+∑
i=1 ( 1+α )
2
1− (
1+ α ) ( mt−i−mt −i−1)
∞
→ IPCt =B0 +B 1 mt + ∑ Bi ( mt−i )
i=1
El modelo anterior será usado para el análisis de los respectivos test por lo cual
la simplificación será de gran ayuda para el desarrollo.
Como se puede apreciar el modelo cuenta con infinitos rezagos este será un
problema a la hora de las estimaciones de los parámetros por tanto será
pertinente usar el modelo de KOYCK para simplificar nuestro análisis, así
obtendremos lo siguiente:
MODELO DE KOYCK
PT =∝ ( 1−γ ) + β 0 m+ γP T−1
TEST DE CHOW
Una vez obtenido el modelo por Koyck y estimado los valores para cada
parámetro es de vital importancia el análisis de quiebre para poder de esta
manera inferir si con la data obtenida del Perú ha existido algún suceso en la
historia del Perú que haya marcado un antes y un después en la economía
peruana.
Análisis:
MODELO 1:
Obtenemosdel eviews :
Se 1=175.7988
n=31
k =3
SCE 1 =6.2785
MODELO 2
Obtenemosdel eviews :
Se 2 =12.13094
n=25
k =3
MODELO GENERAL
Obtenemosdel eviews :
Se=672.7653
n=56
k =3
SCE =12.6957
ESTADISTICO DE PRUEBA:
1+¿ e '2 e2
( SCE ( MR )−SCE ( MSR ))/ K e '1 e¿ /(T −2 k )
F = = ¿ es F(k ,T −2k )
SCE (MSR )/(T −2 k )
( e e−( e 1 e 1 e'2 e2 ) )/k
' '
¿
6.8299( 56−6
}
F=12.6937−6.3299 ¿ =30.98
Por test de chow notamos que se rechaza la hipotesis nula, existe quiebre
debido a que se acepta la alternativa de existencia de quiebre con esto
conprobamos los resultados obtenidos anteriormente.
Ahora pasemos a analizar la estructura del grupo de tal manera que podamos
obtener en que variable o coeficiente se encuentra el quiebre para poder
solucionarlo.
MODELO
PT =∝ ( 1−γ ) + β 1 m+ β 2 P T−1
PUNTO DE QUIEBRE
PT =∝ ( 1−γ ) + β 1 m+ β 2 P T−1
2,000
1,000
-1,000
-2,000
-3,000
-4,000
-5,000
65 70 75 80 85 90 95 00 05 10 15
30
20
10
-10
-20
-30
65 70 75 80 85 90 95 00 05 10 15
CUSUM 5% Significance
CUSUM CUADRADO:
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
65 70 75 80 85 90 95 00 05 10 15
2,000
-2,000
-4,000
.000
-6,000
.025
.050
.075
.100
.125
.150
65 70 75 80 85 90 95 00 05 10 15
One-Step Probability
Recursive Residuals
2,000
-2,000
-4,000
.000
-6,000
.025
.050
.075
.100
.125
.150
65 70 75 80 85 90 95 00 05 10 15
N-Step Probability
Recursive Residuals
PT =∝ ( 1−γ ) + β 1 m+ β 2 P T−1
400
200
-200
-400
65 70 75 80 85 90 95 00 05 10 15
-1
-2
65 70 75 80 85 90 95 00 05 10 15
-1
-2
65 70 75 80 85 90 95 00 05 10 15
INTRODUCIENDO DUMMY
Podemos apreciar que los gráficos de los coeficientes recursivos no son muy
estables, en especial la variable P (-1) en el año 90, por lo tanto introducimos
una variable Dummy. Al introducir la variable Dummy podemos apreciar una
2
variación del R ha aumentado a un 98% a diferencia del modelo general
(63.64%).
Dependent Variable: P
Method: Least Squares
Date: 06/29/16 Time: 16:12
Sample: 1960 2015
Included observations: 56
Coefficien
Variable t Std. Error t-Statistic Prob.
ANÁLISIS DE MULTICOLINEALIDAD
1. Estimación ad hoc
M PMINUS1 PMINUS1D
r 12 =0.190355
r 13 =−0.044204
r 23 =0.919625
Matriz de correlación:
1 0.190355 -0.044204
R= 0.190355 1 0.919625
-0.044204 0.919625 1
R
−1
= -2.29572291 9.91851318 -9.22279282
( 2 k +5 )
x Cal2=−(n−1− )ln |R| X cal2 ≈ X k(k−1)/22
6
x Cal2=¿ 122.0905 2
X =7.81
K=3 α =5
122.09
7.81
ANALISIS DE LA NORMALIDAD
Uno de los problemas más frecuentes al trabajar con variables es saber si tiene
distribución Normal. Pues no se puede aplicar los Test estadísticos si la
población no es normal, en ese caso se trabajaría con pruebas no paramétricas
o se puede graficara las variables para tener una idea de la forma y de esta
manera poder hacer las transformaciones del caso para que tengan una
distribución normal.
H0 : εesnormal H1 : εnoesnormal
Estadístico de prueba:
( asimetria )2 ( curtosis−3 )2
JB=T ( 6
+
24 )
2
X (2) =¿ 0.1
JB = 280.1932
P value = 0.000
280.1932
0.1
Por tanto se concluye que nuestro modelo no nos permitirá realizar inferencias
y predecir valores futuros para P, es decir nos permitirá solamente realizar
análisis para el periodo y no inferencia para periodos futuros.
40
Series: Residuals
35 Sample 1960 2015
Observations 56
30
Mean 8.12e-15
25 Median 68.73579
Maximum 2857.069
20 Minimum -2463.753
Std. Dev. 660.4200
15 Skewness 1.111623
Kurtosis 13.73043
10
Jarque-Bera 280.1982
5 Probability 0.000000
0
-2000 -1000 0 1000 2000 3000
TEST DE KOLMOGOROV
Estadístico de Prueba:
D=maxima(|P i− pi|)
MU 0.000000 * NA NA
SIGMA 660.4200 * NA NA
ANÁLISIS DE HETEROCEDASTICIDAD
Consecuencias:
Solución:
RESID
600
400
200
-200
-400
-600
-800
60 65 70 75 80 85 90 95 00 05 10 15
Notamos que por ciertos periodos se sale de la banda por lo que podemos ver
que por grafica existe heterocedasticidad. Si analizamos con más profundidad
se podrá concluir que para inicios de 1960 los residuos permanecen estables
hasta inicios de los años 80 para luego sufrir graves fluctuaciones hasta inicios
de los años 90 incluso hasta salirse de las bandas concluyendo así la
presencia de heterocedasticidad
TEST DE WHITE
Estadistico de Prueba
2 2
n R ≈ X p−1
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 06/29/16 Time: 17:45
Sample: 1960 2015
Included observations: 56
Collinear test regressors dropped from specification
Coefficien
Variable t Std. Error t-Statistic Prob.
Dependent Variable: P
Method: Least Squares
Date: 06/29/16 Time: 18:32
Sample: 1960 2015
Included observations: 56
White heteroskedasticity-consistent standard errors &
covariance
Coefficien
Variable t Std. Error t-Statistic Prob.
Dependent Variable: P
Method: Least Squares
Date: 06/29/16 Time: 18:28
Sample: 1960 2015
Included observations: 56
Coefficien
Variable t Std. Error t-Statistic Prob.
C M P(-1) P(-1)*DU
Test Equation:
Coefficien
Variable t Std. Error t-Statistic Prob.
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 06/29/16 Time: 20:30
Sample: 1960 2015
Included observations: 56
Presample missing value lagged residuals set to zero.
Coefficien
Variable t Std. Error t-Statistic Prob.
Mean dependent
R-squared 0.615107 var 1.09E-13
Adjusted R-
squared 0.576618 S.D. dependent var 136.9603
S.E. of regression 89.11713 Akaike info criterion 11.91874
Sum squared resid 397093.2 Schwarz criterion 12.13574
Hannan-Quinn
Log likelihood -327.7246 criter. 12.00287
F-statistic 15.98124 Durbin-Watson stat 1.869931
Prob(F-statistic) 0.000000
Dependent Variable: P
Method: Least Squares
Date: 06/29/16 Time: 18:44
Sample (adjusted): 1962 2015
Included observations: 54 after adjustments
Convergence achieved after 61 iterations
Coefficien
Variable t Std. Error t-Statistic Prob.
Mean dependent
R-squared 0.988764 var 252.4926
Adjusted R-
squared 0.987847 S.D. dependent var 1114.783
S.E. of regression 122.8965 Akaike info criterion 12.54858
Sum squared resid 740073.9 Schwarz criterion 12.73275
Hannan-Quinn
Log likelihood -333.8118 criter. 12.61961
F-statistic 1077.979 Durbin-Watson stat 1.696677
Prob(F-statistic) 0.000000
Dependent Variable: P
Method: Least Squares
Date: 07/01/16 Time: 12:40
Sample (adjusted): 1962 2015
Included observations: 54 after adjustments
Convergence achieved after 24 iterations
Coefficien
Variable t Std. Error t-Statistic Prob.
Mean dependent
R-squared 0.993140 var 252.4926
Adjusted R-
squared 0.992426 S.D. dependent var 1114.783
S.E. of regression 97.02010 Akaike info criterion 12.09215
Sum squared resid 451819.2 Schwarz criterion 12.31315
Hannan-Quinn
Log likelihood -320.4881 criter. 12.17738
F-statistic 1389.869 Durbin-Watson stat 2.129991
Prob(F-statistic) 0.000000
CONCLUSIONES
Concluimos que este modelo; hasta el estudio seguido nos sirve para
poder explicar los sucesos mas no para predecir debido a que
incumplen algunos supuestos, que posterior mente con mayores
estudios de la econometría podemos ver si el modelo sirve como un
modelo predictivo.
BIBLIOGRAFÍA
https://estadisticas.bcrp.gob.pe/estadisticas/series/anuales/resultados/P012
77PRA/html
https://estadisticas.bcrp.gob.pe/estadisticas/series/anuales/resultados/P012
37MOA/html
ANEXOS
Data del modelo aplicado
IPC PROMEDIO
Emisión M (Emisión
ANUAL (VAR. %
Primaria Monetaria)
ANUAL)
1959 5 16,8
1960 5 2,4
1961 6 8,8
1962 7 4,8
1963 8 8,8
1964 10 11,2
1965 11 14,9
1966 12 7,7
1967 13 20,7
1968 14 9,8
1969 16 5,7
1970 24 5,6
1971 25 7,7
1972 33 4,3
1973 36 13,8
1974 50 19,1
1975 53 24,0
1976 79 44,7
1977 98 32,4
1978 148 73,7
1979 304 66,7
1980 536 60,8
1981 789 72,7
1982 924 72,9
1983 1818 125,1
1984 3504 111,5
1985 22094 158,3
1986 37314 62,9
1987 78746 114,5
1988 423838 1722,3
GRÁFICAS