G1.Demanda de Dinero - Cagan

|1
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

Universidad del Perú, Decana de América
FACULTAD DE CIENCIAS ECONÓMICAS
MODELO DE LA DEMANDA DE DINERO -PHILLIPS CAGAN- APLICACIÓN A LA

ECONOMÍA PERUANA
______________________________________________________
ASIGNATURA : ECONOMETRÍA I
INTEGRANTES : ARIAS CARHUAS, Yelitza

CHOQUE AGUILAR, Christian Israel
OBANDO VALENTIN, Christian
RAEZ KӦHLER, Jean Pierre
ALVAREZ YANQUI, Víctor Alonso
DOCENTE : MG. BEATRIZ CASTAÑEDA S.
CICLO : V
Ciudad Universitaria, Julio de 2016.
MODELO DE LA DEMANDA DE DINERO -PHILLIPS CAGAN –APLICACIÓNEN EN LA ECONOMÍA PERUANA |

FAC. CIENCIAS ECONÓMICAS - UNMSM
|2
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
7. Punto de quiebre ............................................................................23
7.1 Prueba residuos recursivos
7.2 Prueba Cusum (prueba débil)
7.3 Cusum cuadrado
7.4 Test predictivo de un periodo
7.5 Test predictivo de n periodos
7.6 Test coeficientes recursivos
8. Introduciendo Dummy....................................................................30
9. Análisis de multicolinealidad.........................................................32
9.1 Método de factor de inflación de la variable (FIV)
9.2 Test de farra Glauber
10. Análisis de la normalidad...............................................................35
10.1 Test de Jarque Bera
10.2 Test de Kolmogorov
11. Análisis de heterocedasticidad......................................................39
11.1 Test de White

|3
11.2 Solución del problema de heterocedasticidad
12. Análisis para la autocorrelación.....................................................46
12.1 Prueba de Breush y Godfrey
13. Conclusiones...................................................................................54
14. Bibliografía.......................................................................................55
15. ANEXOS...........................................................................................56

|4
RESUMEN
En el presente trabajo aplicativo se basara en el modelo simplificado de Cagan

con expectativas adaptativas con la cual se desarrollaran diversas pruebas y
Test’s.
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.
Sabemos que en el modelo de Cagan el P (IPC) depende de la variable

emisión primaria pero con rezagos infinitos por tanto usaremos el método de
Koyck el cual analiza el modelo cuando este presenta rezagos infinitos
haciendo el modelo más sencillo para el análisis.
Al analizar el modelo de Cagan en la forma de Koyck apreciaremos que el

intercepto es no significativo dando indicios de la presencia de quiebre en el
modelo,
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 aplicación de una variable Dummy hace significativo al modelo y las

variables del modelo, el intercepto se vuelve significativo, el coeficiente de
determinación aumenta de valor a 98%.
Seguidamente usamos el método de factor de inflación de la variable (FIV) para

la evaluación de la multicolinealidaddondenotamos a través de su matriz, que
no tienen una multicolinealidad alta entre las variables regresoras, para
cerciorarnos aplicaremos el test de FARRAR GLAUBER, notamos que el
estadístico de prueba cae en la zona de rechazo por lo tanto decimos que las
variables no son ortogonales entre sí; es decir que no hay multicolinealidad.

|5
El análisis de normalidad lo haremos mediante el test de Jarque Bera en el cual

se demuestra que las perturbaciones siguen una distribución no normal.
Posteriormente aplicando el test de Kolmogorov se concluye que nuestro
modelo en P no es normal. Esto es debido a la distribución que presenta
nuestras variables, una varianza muy grande y valores máximos y mínimos
muy alejados para los errores.
Analizaremos la heterocedasticidad usando el test de White donde notamos

existencia de heterocedasticidad.Para solucionar este problema de
heterocedasticidad, usaremos el estimador robusto de White. Comparamos con
la estimación de MCO, donde observamos que los parámetros de ambas
estimaciones se mantienen iguales, a diferencia de las desviaciones estándar
de los coeficientes; esto quiere decir que la matriz de covarianza de
parámetros del test de WHITE es la correcta con la cual se pueden realizar
pruebas y así ir corrigiendo el problema de heterocedasticidad.
La autocorrelación del modelo la evaluamos mediante el autocorrelograma

notando que posiblemente exista un AR2 pero también un AR4 debido que
está al borde de la banda para una mayor conclusión analizamos la prueba de
BREUSH Y GODFREY.
Luego de observar los resultados analizamosun AR2 aplicando la prueba de

Breush y Godfrey para dos rezagos, resulta que al parecer no mejora el
modelo al incluir AR2 debido a que vuelve menos significativo al intercep to así
también volvemos hacer la prueba del cuadro del autocorrelograma
encontramos que aún persiste la autocorrelación.Haremos un siguiente análisis
donde incorporamos a AR1 y AR2 en este último análisis notamos que el AR (2)
se vuelve no significativo a diferencia del Modelo Anterior, pero ahora se ve en
el autocorrelograma que ya no hay Autocorrelación.
La evaluación del modelo, así como cada uno de los test’s será desarrollados y
analizados detalladamente a continuación.

|6
1. Planteamiento del problema
Con este modelo buscamos analizar el crecimiento del Perú como

perspectiva de país en vías de desarrollo, sobre las diferentes situaciones
que ha atravesado y mejorar en una nueva perspectiva sobre la inflación y
la hiperinflación. Se buscará analizar el crecimiento de precios para un
periodo de tiempo en base a efectos rezagados de periodos anteriores.
En este contexto se buscará una demostración a través de los diversos test
´s aprendidos, que nos permita resolver controversias respecto a las
variables fundamentales que generan el crecimiento de precios y brindar
alternativas para el control de estas variables puestas en análisis.
2. Objetivos
 Encontrar un proceso generador de datos para la inflación a lo

largo del tiempo, basándonos en su relación con la masa
monetaria y los precios de periodos anteriores con ayuda del
modelo de Cagan y el modelo de Koyck.
 Con ayuda de los test’s estimar los efectos de las variables

que afectarían a la inflación: la masa monetaria y los precios
de periodos anteriores.
 Aplicar este modelo en la situación real del Perú en el periodo

de análisis, y analizar la situación inflacionaria en la que se
encuentra.
 Analizar la relevancia de las variables y el sustento para

explicar el cambio estructural en algunos factores cualitativos,
así como determinar el quiebre estructural.
 Comparar los análisis entre el antes y el después del cambio

estructural.

|7
 Brindar un informe que sirva de explicación y que sea

relevante para analizar el cambio en la situación de la
economía peruana.
3. Marco teórico y conceptual:
3.1 Modelo Phillip Cagan
En 1956 Phillip Cagan realizó varios estudios sobre la demanda de

dinero en países que habían atravesado severos períodos inflacionarios.
Específicamente se interesó en períodos hiperinflacionarios. El modelo de
Cagan toma en cuenta sólo dos variables: el nivel de precios y el stock de
dinero. Debido a que sus estudios se realizaron únicamente en períodos
caracterizados por inflaciones severas, las variables reales como la tasa de
interés y la producción no se toman en cuenta ya que éstas si se ven afectadas
por variables nominales en períodos como los que se usaron para el estudio.
Cagan en su The Monetary Dynamics of Hiperinflation, hace ver que,

en el enfoque keynesiano las expectativas son estáticas y, por lo tanto, no
incorporan los eventos económicos que han sido experimentados por los
agentes económicos, es decir, las expectativas carecen de un mecanismo
formal de formación y terminan siendo "rumores", lo cual impide su uso en
modelos más sofisticados. En tal sentido, Cagan aduce que la inflación
esperada para el próximo periodo depende de la inflación que se esperaba
para el periodo presente, más un término de error que se cometió en el pasado
al tratar de pronosticar la inflación. Las expectativas adaptativas se basan en
eventos ocurridos en el pasado para pronosticar la inflación y a medida que los
agentes económicos aprenden de sus errores, el pronóstico de la inflación
tenderá a ser correcto.
El modelo de Cagan utiliza una ecuación de demanda de dinero:
M
=f (Y , R)
P

|8
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,
 Rt = rt + π = tasa de interés nominal.
 rt = tasa de interés 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
Operando los logaritmos obtenemos:
M t−Pt =γ + α π t +ut
Donde πt es el valor esperado del cambio en el nivel de precios, o sea
∆ pt +1= pt +1− p t

|9
Uno de los principales objetivos de Cagan era presentar evidencia basado en la

proposición de que el comportamiento de la demanda de dinero es ordenada y
bien portada, y no errática e irracional. Una forma de demostrar esto era
estimar una ecuación como la que se despejó anteriormente. La teoría se
comprobaría si mes a mes las variaciones en el saldo real de dinero eran
explicados por el costo de retenerlos πt , como se sugiere.
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.
El modelo que Cagan desarrolló se conoce actualmente como el de

expectativas adaptativas y puede expresarse matemáticamente de la
siguiente forma:
π t−π t −1=λ ( ∆ p t−π t −1 ) ,0 ≤ λ ≤1
El principio en esta ecuación es que la tasa de inflación esperada se ajusta de

acuerdo a su valor previo cuando el valor actual de la tasa no es igual a su
valor esperado en el período previo. Por ejemplo, si ∆ pt es menor que
π t−1 , entonces el valor de π t disminuirá relativamente a π t−1 . El tamaño
del ajuste es en base a λ ; si λ es cercano a 1.0, más rápido será el
ajuste. De esta forma se refiere a λ como la velocidad en que se ajustan las
expectativas. Despejando la ecuación anterior obtenemos el valor de la
inflación esperada en el período t: λ
π t= λ ∆ pt + ( 1−λ ) π t−1
Con el uso de expectativas adaptativas Cagan logró extraer πt (tasa de

inflación esperada) del modelo de demanda de dinero que estimó y remplazarla
sólo con valores observados. De esa forma la ecuación de demanda de dinero
estimada quedó de la siguiente forma:

| 10
M t−Pt =γ + α (λ ∆ p t + ( 1− λ ) π t −1)+ut
En la realidad el modelo de Cagan para estimar la demanda de dinero contaba

con serias deficiencias estadísticas. Sin embargo aportó un nuevo concepto de
gran importancia e interés como es el concepto de expectativas adaptativas,
que marca el inicio de una nueva corriente en el manejo de expectativas dentro
de la econometría.
Cagan define hiperinflación como una tasa de inflación mensual de al menos

un 50%.
3.2 Inflación y el IPC
La inflación medida como la variación del Índice de Precios al Consumidor

(IPC) es influenciada tanto por la evolución de las variables macroeconómicas
fundamentales como por alteraciones que escapan al control de la política
monetaria. Dado que las decisiones de política económica actúan sólo sobre el
primer grupo de variables, se emplea el concepto de inflación subyacente para
excluir de la medición del índice de precios al consumidor a los rubros con
mayor variabilidad en su contribución ponderada a la inflación. Esta exclusión
no significa una subvaluación de la tasa de inflación, toda vez que su
variabilidad implica que las alzas de precios compensan a las bajas en
períodos largos.
El Índice de Precios al Consumidor (IPC) mide la evolución de los precios

de una canasta de bienes y servicios consumidos habitualmente por los
hogares. Los precios de los componentes de esta canasta de bienes y servicios
son ponderados con base a la estructura de consumo delos hogares. Cuando
las variaciones de este índice son positivas, generalizadas y permanentes las
economías encaran un proceso inflacionario. En caso de caídas permanentes y
generalizadas de precios, se enfrenta un proceso deflacionario.
3.3 Hiperinflación en el Perú

| 11
Al finalizar el año 1987, la crisis ya era evidente: La inflación empezó a galopar

(114,5 % en diciembre del 1987), la producción – y, por consiguiente, la
reactivación económica – se había estancado y la balanza de pagos tuvo, en
1987, un saldo negativo de 521 millones de dólares, el hueco más grande
desde 1981. Consecuentemente, las reservas internacionales siguieron
decayendo. A falta de dólares, el Banco Central se vio atado de manos en el
control de la tasa de cambio (una demanda creciente de dólares se puede
contrarrestar poniendo en circulación los dólares ahorrados).
Ya hemos visto que el Estado no recaudó más impuestos a pesar del

crecimiento económico de 1986. Esa ineficacia tributaria, sumada a la inflación,
contribuyó a agravar la situación en 1987 y 1988.
Obligado por las circunstancias a un cambio de rumbo, el gobierno recurrió, a

fines de 1987, al Fondo Monetario Internacional (FMI) y al Banco Mundial (BM)
en busca de préstamos.
Un Estado en bancarrota (déficit fiscal) y una economía que importaba más de

lo que exportaba (déficit comercial).
A partir de setiembre de 1988, la inflación se convirtió en lo que los

economistas denominan hiperinflación. Ese mes, los precios subieron 114 %.
Fue el mes con mayor y, probablemente, en la historia del Perú. Y el shock
parecía llegar muy tarde. En todo caso, no pudo controlar la inflación.
Un largo paro en la industria minera contribuyó a que las exportaciones

cayeran aún más agravando así el déficit comercial. Las reservas
internacionales, por su parte, se aproximaban a cero.
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.

| 12
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.
Para nuestro análisis consideraremos el modelo simplificado de cagan con

expectativas adaptativas desarrolladas a continuación:
La data fue obtenida de archivos descargados de la página web del BCRP

donde encontramos a las variables de nuestro modelo de la siguiente
manera:
M= Esta en millones de soles (Emisión primaria)

P=IPC=Variación Porcentual anual (fin de periodo)
MODELO DE CAGAN EN LA ECONOMÍA PERUANA
EXPECTATIVAS ADAPTATIVAS
Planteamos el modelo base dado en Lectures on Macroeconomics. Sabemos

que la demanda de dinero tradicional viene dada por la relación:
M
=L(Y , i)
P
Pero suponiendo un nivel de producción fijo y una tasa de interés real

constante entonces la demanda de dinero estará dada por:
M e
=L ( Y ,i )=L( Ý , ŕ + π )
P
O sea el único componente que afecta a la demanda de dinero es la inflación,

que vía aumento de las tasa de interés nominales hace que la demanda por
dinero caiga. La función propuesta por Cagan para esta situación es:
M −α (π ) e
=e
P
e
Sacando logaritmos y usando una aproximación de π

| 13
e
m t− p t=−α ( pt +1− pt )
Donde m es el logaritmo natural de la masa monetaria y p es el logaritmo

del precio.
Nuevamente caemos en el hecho de que las expectativas del modelo juegan

un rol fundamental en las conclusiones del modelo, como dice el título del
subapartado en esta sección trataremos el caso de expectativas adaptativas,
que como sabemos pueden ser expresadas como:
pet +1− pet =λ ( p t −p et )
Si en la primera expresión despejamos, pt obtenemos:
mt + α pet +1
pt =
1+α
Reemplazando en la ecuación de formación de expectativas obtenemos:
λ λ mt
e
(
pt +1= 1−
1+ α )
e
pt +
1+ α
La solución que determina el comportamiento de las expectativas de los

precios es:
∞
λ t t −1
λ λ
(
pet =k 1− +) ∑
1+ α 1+ α i=1
1−
1+α ( ) mt−1
Nuevamente como el nivel de precios depende del precio esperado obtenemos:
∞
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
Observamos que la convergencia del nivel de precios esperado y efectivo

depende de los parámetros asumidos en el modelo. Prácticamente la
existencia de una hiperinflación, una hiperdeflación o de estabilidad depende
del proceso de ajuste de expectativas, de la elasticidad de la semielasticidad de
la demanda de dinero respecto a la tasa de interés. A velocidades de ajuste de
expectativas mayores λ mayor probabilidad de una hiperinflación, acorde a

| 14
las situaciones iniciales. El manejo de la política monetaria futura no tiene

mucha trascendencia en los casos de inestabilidad, porque la economía está
"diseñada" para generar hiperinflaciones o hiperdlefaciones. En el caso de la
estabilidad, notemos que el nivel de precios está determinado por la política
monetaria pasada.
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
Agrupamos y definimos el nivel de precios
∞
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

| 15
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− ( ) (
Retrocedemos un periodo el nivel precios
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
Desarrollamos y reducimos la ecuación
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)
El cual el modelo simplificado queda expresado como sigue:
∞
→ 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:

| 16
Para nuestro modelo simbolizaremos a IPC como“P”
MODELO DE KOYCK
PT =∝ ( 1−γ ) + β 0 m+ γP T−1
Como ya hemos supuesto en el modelo de Cagan el IPC (P) depende de la

variable emisión primaria pero con rezagos infinitos por tanto para simplificar
nuestro análisis de la realidad peruana debemos simplificar ese modelo de tal
forma que sea más sencillo su análisis para ello usamos el método deKoyck el
cual analiza el modelo cuando este presenta rezagos infinitos por tanto nuestro
modelo queda presentado como la regresión presentada líneas arriba.

| 17
ANALISIS DEL MODELO DE CAGAN EN LA FORMA DE KOYCK:
 INTERCEPTO (C): Representa la parte autónoma del modelo, en este

caso su valor es de -68.35210, lo que nos informa que ante la emisión
primaria sea cero y el efecto de P rezagado sea cero nuestro nivel de
inflación P del periodo actual será deflacionario con un valor de 6.83521.
Este intercepto es no significativo con probabilidad de 47.85% mayor al
5% es decir se debería eliminar este intercepto del modelo.
 β 0 = 0.009977: Representa que ante un aumento en la emisión

primaria en una unidad (millones), los precios aumentan en 1 %
aproximadamente.
Esta variable es muy significativa es decir se debería incluir de todas
maneras en el modelo ya que su probabilidad es de 0% menor a 5%.
 γ = 0.226674: Representa que ante un aumento en 1% los precios

del periodo anterior, el precio de este periodo aumenta en 0.226674.
Esta variable es significativa es decir se debería incluir en el modelo con
probabilidad de 1%.
 EL COEFICIENTE DE DETERMINACIÓN R2 : Nos muestra que el

modelo P es poco explicable por el modelo teniendo un valor de 0.64 es
decir el modelo explica a P actual en un 64%.
Como se puede apreciar el intercepto es no significativo es decir podría darse

el caso de que estemos ante la presencia de quiebre en el modelo, si este
fuera el caso tendríamos que aplicar variables Dummy que solucionarían el
problema.

| 18
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.
Para ello utilizaremos el test de Chow y verificar la existencia de quiebre en el

modelo.
Análisis:
 Nuestra data para el análisis contiene información para el IPC desde el

año 1960 – 2015; y para“m” (emisión primaria del dinero) también la data
va desde 1960 – 2015.
 Para el test se divide el modelo en dos modelos separados 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.
 Para cada modelo tanto 1 y 2 estimamos la suma de sus errores al

cuadrado y pasamos a estimar el test de Chow de existencia de quiebre.
MODELO 1:

| 19
Obtenemosdel eviews :
Se 1=175.7988
n=31
k =3
De estos datos podemos obtener:
SCE 1 =6.2785
MODELO 2

| 20
Se 2 =12.13094
n=25
k =3
De estos datos podemos obtener:
SCE 2=¿ 0.5514
MODELO GENERAL

| 21
Se=672.7653
n=56
k =3
De estos datos podemos obetener:
SCE =12.6957
Acontinuacion analizaremos la posible existencia de quiebre estructural

mediante el test de chow - punto de quiebre

| 22
H0 : β=β 1=β 2 H1 : β1≠ β2
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
F(k ,T −2k )=¿ 2.76

30.98
2.76
Por tanto rechazamos la hipotesis nula y aceptamos (H 1 ) que existe un quiebre

estructural en los años 90, dado a la coyuntura politica, la paupérrima situacion
en la que nos encontrabamos-inflación y reseción- por ende afirmamos que en
los años 90 hay un gran cambio estructural, principalmente en la economia.
Test de Chow Por Eviews

| 23
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

| 24
PT =∝ ( 1−γ ) + β 1 m+ β 2 P T−1
PUNTO DE QUIEBRE
USAREMOS EL MODELO P EN FUNCION DE LA MASA MONETARIA
PT =∝ ( 1−γ ) + β 1 m+ β 2 P T−1
 PRUEBA RESIDUOS RECURSIVOS

| 25
Como se puede apreciar en la gráfica los residuos ya normalizados presentan

un quiebre y muy pronunciado apartir del año 89 tiempo en el que los residuos
salen de las bandas escandalosamente dando a entender que el Perú durante
esos años sufrió un gran quiebre, esto es explicable ya que en esos años
producto del cambio de gobierno de los años 90 y la gran transformación
económica que sufrió el Perú debido de nuevas políticas, además que las
bandas se ensanchan, es decir que las varianza se agranda.
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
Recursive Residuals ± 2 S.E.
 PRUEBA CUSUM (PRUEBA DÉBIL):
Nos muestra la suma acumulada de los residuos normalizados, analizando la

gráfica se podría concluir que hay estabilidad ya que a pesar de un gran
cambio para los años 89 y 90 estos residuos no salen de las bandas, pero lo
que sucede es que los residuos se han compensado al momento de sumarse
por eso no nos brinda gran información, por ende esta prueba no es de gran
ayuda al analizar quiebre.

| 26
30
20
10
-10
-20
-30
65 70 75 80 85 90 95 00 05 10 15
CUSUM 5% Significance
 CUSUM CUADRADO:
La prueba de cusum al cuadrado nos informa que ha habido un gran quiebre a

fines del año 1990 confirmando así el quiebre que sucedió por esos años en
el Perú esto debido a las políticas aplicadas por el nuevo gobierno (este test no
cuenta con el problema anterior de compensación ya que esta elevado al
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
CUSUM of Squares 5% Significance

| 27
 TEST PREDICTIVO DE UN PERIODO:
En el test de un periodo se puede apreciar desde el aspecto de la significancia

de la prueba T se puede ver que para fines de los años 80 y 90 el Perú sufre un
quiebre debido a que por esos años se rechaza la hipótesis nula y se acepta la
hipótesis alternativa de inestabilidad. En la gráfica se puede apreciar que los
puntos menores al 5% están cercanos en los años 90 mostrando así la
inestabilidad por la prueba T de la significancia
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
 TEST PREDICTIVO DE N PERIODOS:
Para este test se analiza la significancia de la prueba F tal y como se puede

apreciar la presencia de quiebre se da para los fines de los años 80 e inicios
de los años 90, es muy notorio la aparición de quiebre y esto analizado en la
realidad peruana tiene una gran justificación debido a los grandes cambios que
sucedieron por esos años tanto en el gobierno de Alan García y el de Alberto
Fujimori.

| 28
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
 TEST COEFICIENTES RECURSIVOS
PT =∝ ( 1−γ ) + β 1 m+ β 2 P T−1
Este test es de suma importancia ya que a partir de este podremos analizar y

observar la forma en que se presenta el quiebre es decir en que variable del
modelo es que sucede el quiebre, podría ser el intercepto o algún coeficiente
de las variables.
 Intercepto: Como se puede apreciar en el gráfico el intercepto no sufre

ningún quiebre ya que este presenta convergencia hacia un punto muy
próximo pero a pesar que sus bandas de varianza se agrandan, esto
puede ser explicado debido a las grandes transformaciones que sufrido
la data ante un cambio del sistema económico que preponderaba hasta
el año 1990.
 Coeficiente de m: Como se puede apreciar en esta variable tampoco se

genera el quiebre debido a que la varianza de este cada vez es menor,
además de la convergencia de la variable a un punto, también como se
puede apreciar la variable no presenta grandes fluctuaciones en su
banda de varianza.

| 29
 El coeficiente de la variable P (-1): como se puede ver este coeficiente

es el generador de quiebre debido a que su banda la cual presenta
fluctuaciones y no presenta convergencia dando a notar que esta es la
variable que genera el quiebre en el modelo, como se puede apreciar a
partir de los años 90 las bandas crecen.

| 30
400
200
-200
-400
65 70 75 80 85 90 95 00 05 10 15
Recursive C(1) Es tim ates

± 2 S.E.
-1
-2
65 70 75 80 85 90 95 00 05 10 15
Recurs ive C(2) Es tim ates

± 2 S.E.
-1
-2
65 70 75 80 85 90 95 00 05 10 15
Recurs ive C(3) Es tim ates

± 2 S.E.
Una vez que se ha obtenido la existencia de quiebre se pasa a solucionar

aplicando las variables dummy (DU) en el modelo, asi obtendremos lo siguiente

| 31
 DU =O : cocideramos 0 a la dummy cuando nos encontramos en la

parte de la data de 1960-1990, en esta parte de la historia del Perú nos
encontramos con gobiernos populistas que financiaban sus gastos con
emición de dinero generando hacia el alsa suceciva de precios y lo que
llevaría en el futuro a la crisis del Perú en esta etapa el Perú enfrenta
escaces e hiperhinflación.
 DU =1 : concideramos 1 a la atapa del modelo que conprende desde

1991-2015 en esta etapa el Perú se enfrenta a una transformacion del
modelo económico producto de la entrada al gobierno del exprecidente
alberto fujimori y de las políticas aplicadas en su gobierno poco
populistas pero resolvian la grave crisis a la que nos enfrentabamos en
ese entonces. Por tanto este gran cambio que sufrio la economia
genera un gran quiebre en el modelo.
Previamente se ha visto que el generador de quiebre en el modelo es la

variable resagada por lo que la dummy será aplicada a esta variable.
PT =∝ ( 1−γ ) + β 1 m+ β 2 P T−1 + β 3 ( DU )P T−1
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

| 32
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.
C -70.76922 20.04783 -3.530019 0.0009

M 0.004246 0.000296 14.32866 0.0000
P(-1) 1.984549 0.054614 36.33797 0.0000
P(-1)*DU -1.957115 0.057535 -34.01584 0.0000
R-squared 0.984364 Mean dependent var 243.6750

Adjusted R-
squared 0.983462 S.D. dependent var 1095.303
S.E. of regression 140.8557 Akaike info criterion 12.80210
Sum squared resid 1031697. Schwarz criterion 12.94677
Hannan-Quinn
Log likelihood -354.4588 criter. 12.85819
F-statistic 1091.232 Durbin-Watson stat 1.434849
Prob(F-statistic) 0.000000
El modelo solucionado queda definido como sigue:
PT =−70.76922+0.004246 m+1.984549 P T−1−1.957115 ( DU ) PT −1
 Como se puede apreciar al aplicar la variable Dummy el modelo se

vuelve muy significativo para cada variable del modelo así el intercepto
se vuelve significativo además de las demás variables del modelo.

| 33
 Así también el coeficiente de determinación aumenta de valor a 98% es

decir el modelo explica la variación de la variable dependiente en un
98% el cual es muy grande.
 El modelo en su conjunto se vuelve muy significativo
Al aplicar la variable Dummy en nuestro modelo de análisis hemos resuelto el

problema de quiebre, ahora podemos realizar confiablemente las demás
pruebas.
ANÁLISIS DE MULTICOLINEALIDAD
A partir del modelo de rezagos distribuidos infinitos presentados anteriormente

donde nos muestra la relación entre P y m se puede resolver de dos maneras
para la estimación de sus parámetros.
Se pueden adoptar dos modalidades de estimación:
1. Estimación ad hoc

| 34
2. Restricciones a priori sobre los B
En nuestro caso utilizaremos el análisis a priori siendo este el análisis de

Koyck
 Restricciones a priori sobre los B
En estos modelos se supone que los coeficientes siguen un patrón sistemático

de comportamiento, se estudiarán el enfoque de Koyck.
El enfoque de Koyck (1954) postula que:
 Cada coeficiente B sucesivo es inferior, lo que significa que con el paso

del tiempo la influencia de la variable disminuye.
 No tiene multicolinealidad porque se reemplazó a las X T por Y T−1
 Es un modelo autorregresivo derivado de un modelo de rezagos.
Como se ha mencionado anterior mente al utilizar el análisis de koyck se

elimina el problema de multicolinealidad pero para evitar dudas pasemos
a estudiar la multicolinealidad y demostrar la inexistencia de
multicolinealidad.
MÉTODO DE FACTOR DE INFLACIÓN DE LA VARIABLE (FIV)
PT =∝ ( 1−γ ) + β 1 m+ β 2 P T−1 + D∗PT −1
Obtenemos la matriz de correlacion de las variables regresoras:

| 35
M PMINUS1 PMINUS1D
M 1.000000 0.190355 -0.044204

PMINUS1 0.190355 1.000000 0.919625
PMINUS1D -0.044204 0.919625 1.000000
Con la matriz de covarianzas anterior obtenemos la correlacion para cada

variable del modelo:
r 12 =0.190355
r 13 =−0.044204
r 23 =0.919625
A partir de estos obtenemos la matriz de FIV y así analizamos la existencia de

multicolinealidad.
Matriz de correlación:
1 0.190355 -0.044204
R= 0.190355 1 0.919625
-0.044204 0.919625 1
Matriz inversa de correlación:
1.533322106 -2.29572291 2.17898315
R
−1
= -2.29572291 9.91851318 -9.22279282
2.178983153 -9.22279282 9.57783062

| 36
Notamos que ningún factor de inflación es mayor a 10 por lo que podemos

decir que no tienen una multicolinealidad alta entre las variables regresoras
ahora aplicaremos el test de FARRAR GLAUBER para cerciorarnos.
 TEST DE FARRA GLAUBER
H0 : Las variables regresoras son ortogonales entre si
H1 : Las variables regresoras no son ortogonales entre si
( 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
Notamos que el estadístico de prueba cae en la zona de rechazo por lo tanto

podemos decir que las variables no son ortogonales entre sí; es decir que no
hay multicolinealidad por tanto comprobamos así lo propuesto por Koyck donde
nos dice que al aplicar su teorema probamos que se elimina la
multicolinealidad.
ANALISIS DE LA NORMALIDAD

| 37
El análisis de normalidad es de vital importancia para nuestro estudio ya que

nos permitirá comprobar si es válido obtener estimaciones interválicas y
realizar pruebas de hipótesis aplicando T,F, WALD etc.
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.
Eviews 8 tiene incorporado varias pruebas para analizar la normalidad,

decidimosusar algunas de estas que consideramos las más importantes para
estar seguro o tener una alta probabilidad que la variables tenga una
distribución normal.
 TEST DE JARQUE BERA
Para este análisis estudiaremos a los residuos y veremos si estos son

normales o no, para ello primero plantearemos nuestras pruebas de
hipótesis y seguidamente pasaremos a estimar el estadístico de esta
prueba.
H0 : εesnormal H1 : εnoesnormal
Estadístico de prueba:

| 38
( 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
Notamos que cae en la zona de rechazo se rechaza la hipótesis nula ;

podemos decir que las perturbaciones siguen una distribución no normal, así
tenemos un problema al cual aplicaremos un tratamiento debido a que el
modelo no presenta distribución normal y por tanto no se podrá obtener
estimaciones interválicas y pruebas de hipótesis.
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

| 39
Se puede notar por el histograma que nuestro modelo no es normal debido a

la distribución que presenta nuestras variables, además de una varianza muy
grande y valores máximos y mínimos muy alejados para los errores, además
de presentar una probabilidad muy baja de 0% y de aceptar la hipótesis nula de
normalidad.
 TEST DE KOLMOGOROV
Otra prueba más eficiente del análisis de normalidad es el de Kolmogorov el

cual nos brinda una prueba más completa al momento para definir si es normal
o no, en principio plantearemos nuestras hipótesis y seguidamente pasamos a
estimar el estadístico.
H0 : εtienedistribucionnormal H1 : εno tiene distribucion normal
Estadístico de Prueba:
D=maxima(|P i− pi|)
Empirical Distribution Test for RESID

Hypothesis: Normal
Date: 06/29/16 Time: 14:43
Sample: 1960 2015
Method Value Adj. Value Probability
Kolmogorov (D+) 0.369281 2.813188 0.0000

Kolmogorov (D-) 0.226130 1.722660 0.0026
Kolmogorov (D) 0.369281 2.813188 0.0000
Kuiper (V) 0.595411 4.567030 0.0000
Cramer-von Mises
(W2) 1.886906 1.913525 0.0000

| 40
Watson (U2) 1.880629 1.905716 0.0000

Anderson-Darling
(A2) 9.453237 9.453237 0.0000
Parameter Value Std. Error z-Statistic Prob.
MU 0.000000 * NA NA
SIGMA 660.4200 * NA NA
Log likelihood -442.5616 Mean dependent var. 8.12E-15

S.D. dependent
No. of Coefficients 0 var. 660.4200
Por EVIEWS notamos que el test de Kolmogorov el p valué es 0.00 es menor al

5% ya que, este análisis está al 5% de significancia y podemos decir que la
hipótesis nula se rechaza, por lo que la perturbación no tiene distribución
normal coincidiendo con el mismo diagnóstico del test de Jarque-Bera.
En conclusión se acepta la hipótesis alternativa y se concluye que nuestro

modelo en P no es normal.
ANÁLISIS DE HETEROCEDASTICIDAD
La heterocedasticidad significa que la varianza de las perturbaciones no es

constante a lo largo de las observaciones, violando un supuesto básico del
modelo clásico de MCO.
Consecuencias:
 Una pérdida de eficiencia de los estimadores mínimos cuadrados.

 La varianza del estimador por MCO no es mínima.
Solución:

| 41
 Re parametrizar el modelo para encontrar la ley de formación de

la varianza para cada periodo.
 Como veremos a continuación Eviews tiene incorporado varias
pruebas para detectar la heterocedasticidad de los errores
Descrito ya los efectos de la presencia de heterocedasticidad sobre el

estimador MCO, pasaremos a realizar la prueba de existencia de
heterocedasticidad en nuestro modelo y de esta forma verificar la eficiencia del
modelo.
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

| 42
Esta prueba es un contraste que no precisa la estructura de la

heterocedasticidad. En este sentido el test plantea una regresión entre el
cuadrado de los residuos estimados y una constante.
A continuación planteamos el test:
H0 : existe HomocedasticidadH1 : no existe Homocedasticidad
Estadistico de Prueba
2 2
n R ≈ X p−1

| 43
Heteroskedasticity Test: White
F-statistic 140.9426 Prob. F(8,47) 0.0000

Prob. Chi- Notamos
Obs*R-squared 53.75912 Square(8) 0.0000 que la

Scaled explained Prob. Chi-
SS 206.7629 Square(8) 0.0000
Test Equation:
Dependent Variable: RESID^2
Date: 06/29/16 Time: 17:45
Sample: 1960 2015
Collinear test regressors dropped from specification
Coefficien
C -3270.054 2413.182 -1.355080 0.1819

M^2 -1.93E-06 3.51E-07 -5.503979 0.0000
M*P(-1) -0.000418 9.45E-05 -4.423588 0.0001
M*P(-1)*DU -0.117346 0.049878 -2.352667 0.0229
M 0.948841 0.152667 6.215103 0.0000
P(-1)^2 0.005909 0.032715 0.180613 0.8574
P(-1)*P(-1)*DU -0.034386 0.034758 -0.989276 0.3276
P(-1) 203.7773 56.11380 3.631501 0.0007
P(-1)*DU^2 112.3652 130.7139 0.859627 0.3944

Adjusted R-
Sum squared resid 6.79E+09 Schwarz criterion 22.09747
Hannan-Quinn
probabilidad p tiene valor menor a 5% por lo que podemos decir que se

rechaza la hipótesis nula, a favor de la existencia de heterocedasticidad.

| 44
Solución del problema de heterocedasticidad
Para solucionar este problema de HETEROCEDASTICIDAD y bajo los

supuestos de que no conozco la estructura de la varianza, usaremos el
estimador robusto de White. Lo comparamos con la estimación de MCO.
ESTIMACIÓN POR WHITE
Date: 06/29/16 Time: 18:32
Sample: 1960 2015
White heteroskedasticity-consistent standard errors &
covariance
Coefficien
C -70.76922 16.90607 -4.186025 0.0001

M 0.004246 0.000723 5.872537 0.0000
P(-1) 1.984549 0.188513 10.52736 0.0000
P(-1)*DU -1.957115 0.189072 -10.35114 0.0000

Adjusted R-

| 45

Log likelihood -354.4588 Hannan-Quinn criter. 12.85819
Prob(F-statistic) 0.000000 Wald F-statistic 150.0758
Prob(Wald F-
statistic) 0.000000
ESTIMACION POR MCO
Date: 06/29/16 Time: 18:28
Sample: 1960 2015
Coefficien
C -70.76922 20.04783 -3.530019 0.0009

M 0.004246 0.000296 14.32866 0.0000
P(-1) 1.984549 0.054614 36.33797 0.0000
P(-1)*DU -1.957115 0.057535 -34.01584 0.0000

Adjusted R-
Donde notamos que los parámetros de ambas estimaciones se mantienen

iguales, a diferencia de las desviaciones estándar de los coeficientes; esto

| 46
quiere decir que la matriz de covarianza de parámetrosdel test de WHITE es la

correcta con la cual se pueden realizar pruebas.
Con la matriz de covarianza de los coefecientes obtenidas por el estimador

robusto de white, se puede hacer los respectivos estudios para de esta manera
ir corrigiendo el problema de heterocedasticidad.
C M P(-1) P(-1)*DU
C 285.8151 -0.006780 0.842999 -0.879835

M -0.006780 5.23E-07 -8.78E-05 8.86E-05
P(-1) 0.842999 -8.78E-05 0.035537 -0.035640
P(-1)*DU -0.879835 8.86E-05 -0.035640 0.035748

| 47
ANÁLISIS PARA LA AUTOCORRELACIÓN
Detección del autocorrelación
 Análisis del autocorrelograma

| 48
Notamos que posiblemente exista un AR 2 pero también un AR 4 debido que

está al borde de la banda para una mayor conclusión analizamos la prueba de
BREUSH Y GODFREY
 Prueba de Breush y Godfrey
Breusch-Godfrey Serial Correlation LM Test:

Obs*R-squared 40.89483 Prob. Chi-Square(4) 0.0000
Test Equation:

| 49
Dependent Variable: RESID

Date: 06/29/16 Time: 18:37
Sample: 1960 2015
Presample missing value lagged residuals set to zero.
Coefficien
C -74.85195 13.09691 -5.715235 0.0000

M 0.001199 0.000221 5.417607 0.0000
P(-1) 0.138736 0.035069 3.956091 0.0003
P(-1)*DU -0.011650 0.046320 -0.251511 0.8025
RESID(-1) 0.132220 0.224081 0.590053 0.5579
RESID(-2) 1.378254 0.165328 8.336493 0.0000
RESID(-3) 0.540650 0.121095 4.464672 0.0000
RESID(-4) -0.012404 0.092657 -0.133867 0.8941
R-squared 0.730265 Mean dependent var 1.09E-13

Adjusted R-
Sum squared resid 278285.0 Schwarz criterion 11.92398
 Aquí notamos que AR4 es no significativo lo que hace posible descartar

ese nivel de auto correlación
 Podríamos decir que podría ser un AR3 , pero este nivel de AR 3 no

coincide con el cuadro del autocorrelograma
 Lo cual nos lleva a que podríamos analizar hasta un AR 2 analizando

nuevamente la prueba de Breush y Godfrey para dos rezagos
obtenemos.
Breusch-Godfrey Serial Correlation LM Test:

Prob. Chi-
Obs*R-squared 34.44598 Square(2) 0.0000

| 50
Test Equation:
Dependent Variable: RESID
Date: 06/29/16 Time: 20:30
Sample: 1960 2015
Presample missing value lagged residuals set to zero.
Coefficien
C -62.09838 14.47116 -4.291182 0.0001

M 0.001380 0.000254 5.429215 0.0000
P(-1) 0.127595 0.040318 3.164712 0.0026
P(-1)*DU -0.082380 0.050991 -1.615588 0.1125
RESID(-1) 0.752810 0.202714 3.713653 0.0005
RESID(-2) 0.994495 0.164751 6.036339 0.0000
Mean dependent
R-squared 0.615107 var 1.09E-13
Adjusted R-
Hannan-Quinn
 Aquí notamos AR 2 son significativos lo que coincide con el cuadro

de autocorrelograma podríamos decir que es un AR 2.

| 51
TRATAMIENTO DEL MODELO
PT =∝ ( 1−γ ) + β 1 m+ β 2 P T−1 + DU∗PT −1 + AR(2)
Date: 06/29/16 Time: 18:44
Sample (adjusted): 1962 2015
Included observations: 54 after adjustments
Convergence achieved after 61 iterations
Coefficien
C -101.6192 45.21242 -2.247595 0.0291

M 0.004478 0.000294 15.25164 0.0000
P(-1) 2.032642 0.038658 52.58003 0.0000
P(-1)*DU -1.970729 0.036508 -53.98082 0.0000
AR(2) 0.605451 0.153928 3.933346 0.0003
Mean dependent
R-squared 0.988764 var 252.4926
Adjusted R-
Hannan-Quinn

| 52
Inverted AR Roots .78 -.78
 Lo que al parecer no mejora el modelo al incluir AR2 debido a que

vuelve menos significativo al intercepto.
 Supuestamente al introducir el modelo auxiliar al modelo, ya no debe

existir autocorrelación pero volvemos hacer la prueba del cuadro del
autocorrelograma encontramos que aún persiste la auto correlación.

| 53
 Observamos que el problema aún persiste aun aplicando todos

los test aprendidos, por ende concluimos que para este tipo de
problemas se requiere otro tipo de tratamiento y se podría
insinuar un problema de desestacionalizacion.
Haremos un siguiente análisis donde incorporamos a AR1 y AR2:
PT =∝ ( 1−γ ) + β 1 m+ β 2 P T−1 + DU∗PT −1 + AR ( 1 )+ AR(2)
Date: 07/01/16 Time: 12:40
Sample (adjusted): 1962 2015
Included observations: 54 after adjustments
Convergence achieved after 24 iterations
Coefficien
C -123.6027 61.68565 -2.003751 0.0508

M 0.005418 0.000117 46.49793 0.0000
P(-1) 2.065267 0.062650 32.96527 0.0000
P(-1)*DU -2.034815 0.052066 -39.08113 0.0000
AR(1) 1.144167 0.196807 5.813647 0.0000
AR(2) -0.362246 0.180210 -2.010131 0.0501
Mean dependent
R-squared 0.993140 var 252.4926
Adjusted R-
Hannan-Quinn
Inverted AR Roots .57-.19i .57+.19i

| 54
Notamos que el AR(2) se vuelve no significativo a diferencia del

Modelo Anterior, pero ahora se ve en el autocorrelograma que ya
no hay Autocorrelación

| 55
CONCLUSIONES
 En este estudio del modelo de Cagan donde aplicamos lo aprendido

en el curso, se pudo notar sus debilidades del modelo tanto como
sus fortalezas al momento de ser aplicado a la economía peruana ya
que la data recopilada fue peruana.
 Se pudo observar que la economía peruana sufrió grandes cambios

alrededor de los años 90 debido a los cambios políticos aplicados.
 Notamos la necesidad de adherirle al modelo inicial una variable

cualitativa para poder tener un mejor modelo que brinde
estimaciones más concisas que puedan explicar lo que sucedía en el
Perú por esos años.
 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.

| 56

| 57
BIBLIOGRAFÍA
 Cagan, Phillip."The Monetary Dynamics of Hyperinflation”. In Friedman,

Milton (ed.). Studies in the Quantity Theory of Money. Chicago: University of
Chicago Press . Consulta en:
http://people.bu.edu/rking/SZGcourse/Cagan.pdf
 Edmond, Chris. Cagan’s Model Hyperinflation. NYU Stern School of

Business. 2007.Consulta en:
http://pages.stern.nyu.edu/~cedmond/ge07pt/notes_cagan.pdf
 Lopez, Augusto. La demanda por dinero durante la hiperinflacion en un

modelo de expectativas racionales el caso de argentlna.Consulta en:
http://www.econ.uchile.cl/uploads/publicacion/b0d18c7c-c620-486f-
bbe8-a6a099b68772.pdf
 Pontificia Universidad Catolica del Perú Dirección Academica de

Investigación. “Macroeconomia. Enfoques y Modelos”. Tomo I. Fondo
Editorial PUCP, 2006
Capítulo 5: La demanda de dinero; pags: 315-316. Consulta virtual:
https://books.google.com.pe/books?
id=bxuAyHjozEIC&pg=PA315&lpg=PA315&dq=dinamica+monetaria+infl
acion+cagan&source=bl&ots=LH1wxdBboA&sig=WD-
Uh2my3NJeT6he0H6JTy19OcA&hl=es-
419&sa=X&ved=0ahUKEwjwpsS79NPNAhWBcyYKHaOoACUQ6AEIPzA
G#v=onepage&q=dinamica%20monetaria%20inflacion
%20cagan&f=false
 University of South Florida.”Money and Inflation- The Cagan Model”.

Macroeconomía, Lecture 11. Consulta
Virtual:http://faculty.cas.usf.edu/jkwilde/macro208/Lecture%2011.pdf
 https://estadisticas.bcrp.gob.pe/estadisticas/series/anuales/resultados/P012
77PRA/html
 https://estadisticas.bcrp.gob.pe/estadisticas/series/anuales/resultados/P012
37MOA/html

| 58
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

| 59
1989 7982 2775,0

1990 424180 7649,6
1991 832 139,2
1992 1349 56,7
1993 1803 39,5
1994 2672 15,4
1995 3658 10,2
1996 3996 11,8
1997 4761 6,5
1998 5023 6,0
1999 5876 3,7
2000 5642 3,7
2001 6087 -0,1
2002 6759 1,5
2003 7441 2,5
2004 9327 3,5
2005 11724 1,5
2006 13864 1,1
2007 17779 3,9
2008 22311 6,7
2009 23548 0,2
2010 34208 2,1
2011 39967 4,7
2012 52735 2,6
2013 51937 2,9
2014 53865 3,2
2015 51291 4,4

| 60
GRÁFICAS

| 61


G1.Demanda de Dinero - Cagan

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

G1.Demanda de Dinero - Cagan

Загружено:

Авторское право:

Доступные форматы

|1

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

MODELO DE LA DEMANDA DE DINERO -PHILLIPS CAGAN- APLICACIÓN A LA

INTEGRANTES : ARIAS CARHUAS, Yelitza

DOCENTE : MG. BEATRIZ CASTAÑEDA S.

Ciudad Universitaria, Julio de 2016.

MODELO DE LA DEMANDA DE DINERO -PHILLIPS CAGAN –APLICACIÓNEN EN LA ECONOMÍA PERUANA |

7. Punto de quiebre ............................................................................23

7.1 Prueba residuos recursivos

7.2 Prueba Cusum (prueba débil)

7.3 Cusum cuadrado

7.4 Test predictivo de un periodo

7.5 Test predictivo de n periodos

7.6 Test coeficientes recursivos

9.1 Método de factor de inflación de la variable (FIV)

9.2 Test de farra Glauber

10. Análisis de la normalidad...............................................................35

10.1 Test de Jarque Bera

10.2 Test de Kolmogorov

11. Análisis de heterocedasticidad......................................................39

11.1 Test de White

MODELO DE LA DEMANDA DE DINERO -PHILLIPS CAGAN –APLICACIÓNEN EN LA ECONOMÍA PERUANA |

11.2 Solución del problema de heterocedasticidad

12. Análisis para la autocorrelación.....................................................46

12.1 Prueba de Breush y Godfrey

MODELO DE LA DEMANDA DE DINERO -PHILLIPS CAGAN –APLICACIÓNEN EN LA ECONOMÍA PERUANA |

En el presente trabajo aplicativo se basara en el modelo simplificado de Cagan

Sabemos que en el modelo de Cagan el P (IPC) depende de la variable

Al analizar el modelo de Cagan en la forma de Koyck apreciaremos que el

La aplicación de una variable Dummy hace significativo al modelo y las

Seguidamente usamos el método de factor de inflación de la variable (FIV) para

MODELO DE LA DEMANDA DE DINERO -PHILLIPS CAGAN –APLICACIÓNEN EN LA ECONOMÍA PERUANA |

El análisis de normalidad lo haremos mediante el test de Jarque Bera en el cual

Analizaremos la heterocedasticidad usando el test de White donde notamos

La autocorrelación del modelo la evaluamos mediante el autocorrelograma

Luego de observar los resultados analizamosun AR2 aplicando la prueba de

MODELO DE LA DEMANDA DE DINERO -PHILLIPS CAGAN –APLICACIÓNEN EN LA ECONOMÍA PERUANA |

1. Planteamiento del problema

Con este modelo buscamos analizar el crecimiento del Perú como

 Encontrar un proceso generador de datos para la inflación a lo

 Con ayuda de los test’s estimar los efectos de las variables

 Aplicar este modelo en la situación real del Perú en el periodo

 Analizar la relevancia de las variables y el sustento para

 Comparar los análisis entre el antes y el después del cambio

MODELO DE LA DEMANDA DE DINERO -PHILLIPS CAGAN –APLICACIÓNEN EN LA ECONOMÍA PERUANA |

 Brindar un informe que sirva de explicación y que sea

3. Marco teórico y conceptual:

3.1 Modelo Phillip Cagan

En 1956 Phillip Cagan realizó varios estudios sobre la demanda de

Cagan en su The Monetary Dynamics of Hiperinflation, hace ver que,

El modelo de Cagan utiliza una ecuación de demanda de dinero:

MODELO DE LA DEMANDA DE DINERO -PHILLIPS CAGAN –APLICACIÓNEN EN LA ECONOMÍA PERUANA |

 Rt = rt + π = tasa de interés nominal.

 rt = tasa de interés real

Operando los logaritmos obtenemos:

Donde πt es el valor esperado del cambio en el nivel de precios, o sea

MODELO DE LA DEMANDA DE DINERO -PHILLIPS CAGAN –APLICACIÓNEN EN LA ECONOMÍA PERUANA |

Uno de los principales objetivos de Cagan era presentar evidencia basado en la

El modelo que Cagan desarrolló se conoce actualmente como el de

π t−π t −1=λ ( ∆ p t−π t −1 ) ,0 ≤ λ ≤1

El principio en esta ecuación es que la tasa de inflación esperada se ajusta de

Con el uso de expectativas adaptativas Cagan logró extraer πt (tasa de

MODELO DE LA DEMANDA DE DINERO -PHILLIPS CAGAN –APLICACIÓNEN EN LA ECONOMÍA PERUANA |