UNIVERSIDAD NACIONAL DEL ALTIPLANO

FACULTAD DE INGENIERIA ECONOMICA

ESCUELA PROFESIONAL DE INGENIERIA ECONOMICA

ECONOMETRIA III

DEMANDA DE DINERO EN EL PERÚ DE 1996.Q1-2016.Q4

DOCENTE: M.Sc. Adalberto Calsín Sánchez

INTEGRANTES:

 Gómez Cari Edna Karina

 Laura Laura Yesica Beatriz
 Olarte Condori Yulisa Paola
 Sarmiento Quispe Edson Efraín

SEMESTRE: VII

GRUPO: B

PUNO-PERÚ

2017
 INTRODUCCIÓN

La demanda de dinero por parte de los agentes económicos es la cantidad de dinero

que quieren detener, teniendo en cuenta el costo de oportunidad que tienen que
soportar por su posesión, que se corresponde con el interés que tendrá que pagar
o el interés que tenga que sacrificar por no tener otro tipo de activos.

Se define al dinero por las funciones que cumple, por tanto desde esta perspectiva
el dinero es medio de transacción, depósito de valor y unidad de cuenta, además
juega un papel fundamental en todas las economías modernas, parece ser un
elemento natural de la vida económica, sin dinero, la vida económica sería
incómoda, incluso las simples operaciones de compra y venta se volverían
complejas y difíciles.

La demanda de dinero explica los motivos por los que los individuos deciden
guardar una parte de su riqueza en forma de dinero, renunciando a la rentabilidad
que podrían obtener si colocaran tales recursos como activos. Las personas
demandan dinero por diversos motivos, entre los que destacan: para poder realizar
transacciones, es decir para poder pagar las compras que realizan, depende
principalmente del nivel de renta, a mayor renta, mayor consumo, y por tanto mayor
demanda de dinero; por precaución, surge porque los individuos y las empresas
ven necesario tener reserva de dinero para enfrentar contingencias imprevistas y;
por especulación, es una representación formal de la incertidumbre de un individuo
respecto al futuro.
En el presente informe, realiza un análisis de la demanda de dinero en el Perú
durante el periodo 1996Q1-2016Q4, con el objetivo de corroborar que las
principales variables macroeconómicas consideradas en el modelo cumplan con la
teoría económica. Además identificar la estacionariedad, el modelo ARIMA, estimar
y proyectar la variable dependiente, y finalmente hacer una comparación con algún
modelo alternativo.
CONTENIDO
1. IDENTIFICACION DE VARIABLES ..................................................................................... 4
1.1 Demanda real de dinero (M/P) .................................................................................... 4
1.2 Producto bruto interno a precios constantes (PBIR) .......................................... 4
1.3 Tasa de cambio (TC) ..................................................................................................... 4
1.4 Tasa de interés pasiva (TIP) ....................................................................................... 4
1.5 Tasa de interés de EEUU (TII) .................................................................................... 4
2. MODELO .................................................................................................................................. 4
3. IDENTIFICACION DE LOS MODELOS DE LAS VARIABLES ...................................... 5
3.1 ANÁLISIS GRÁFICO ...................................................................................................... 5
3.2 CORRELOGRAMAS ...................................................................................................... 6
4. ANÁLISIS FORMAL PARA LA IDENTIFICACION DE SERIES ESTACIONARIAS 13
5. ESTIMACIÓN Y COINTEGRACIÓN DE ENGLE Y GRANGER ................................... 15
6. PROYECCIÓN DE A DEMANDA DE DINERO REAL .................................................... 17
7. COMPARACIÓN DE LAS PREDICCIONES CON UN MODELO ALTERNATIVO ... 20
8. CONCLUSIONES.................................................................................................................. 22
9. BIBLIOGRAFÍA ..................................................................................................................... 23
ANEXOS ......................................................................................................................................... 24

INDICE DE FIGURAS

figura 1 serie de tiempo del modelo econométrico ..................................................................................... 6

figura 2 Prueba de Estacionariedad de la cantidad demandada de dinero ................................................. 7
figura 3 primera diferencia de la Estacionariedad de la cantidad demandada de dinero ............................ 7
figura 4 prueba de Estacionariedad del producto bruto interno ................................................................. 8
figura 5 primera diferencia de la Estacionariedad de Producto bruto interno real ...................................... 8
figura 6 Prueba de Estacionariedad de la tasa de cambio de la moneda nacional ...................................... 9
figura 7 Primera diferencia de Estacionariedad de la tasa de cambio de la moneda nacional ................. 10
figura 8 Prueba de Estacionariedad de la tasa de interes internacional.................................................... 11
figura 9 Primera diferencia de Estacionariedad de la tasa de interes internacional .................................. 11
figura 10 Prueba de Estacionariedad de la tasa de interes pasiva de las empresas bancarias................... 12
figura 11 Primera diferencia de Estacionariedad de la tasa de pasiva de las empresas bancarias ............ 13
figura 12 Resultados del test de raíz unitaria ............................................................................................ 14
figura 13 estimación MCO del modelo general ................................................................................. 16
figura 14 test de raíz unitaria de los residuos de la estimacion ................................................................. 17
figura 15 comportamiento de la cantidad demandada de dinero ............................................................. 18
figura 16 resultados de un proceso ARIMA ............................................................................................... 18
figura 17 Estimac ion del modelo ARIMA –programa GRETL ..................................................................... 18
1. IDENTIFICACION DE VARIABLES

1.1 Demanda real de dinero (M/P)1

Es una variable que podría definirse como la capacidad de compra que los
individuos y las empresas desean mantener en su poder, en función de los
distintos niveles alcanzados por la actividad real (Y) o por otras variables.

1.2 Producto bruto interno a precios constantes (PBIR)

Mide la producción de bienes y servicios destinados a la demanda final a
precios constantes; es decir elimina la distorsión de las variaciones en los
precios (tanto de la inflación como de la deflación), tomando los precios del
año que se toma como base.

1.3 Tasa de cambio (TC)

Se puede definir de forma sencilla, como el precio de una unidad monetaria
extranjera expresado en términos de la moneda nacional; análogamente se
puede expresar el precio de nuestra monedad en términos de otra extranjera.

1.4 Tasa de interés pasiva (TIP)

Es la tasa de interés que pagan las entidades financieras por el dinero
captado a través de créditos y cuenta de ahorros. Desde el punto de vista de
una institución financiera, representa los compromisos de inversión que
asume por parte de sus clientes, es decir cada vez que una persona abre un
certificado de depósito, o bien una cuenta de ahorros, o cualquier otro
producto que implique un retorno, se toma en una deuda u obligación
financiera para la institución, a razón de que debe pagar intereses por el
dinero que está adquiriendo, durante un periodo determinado.

1.5 Tasa de interés de EEUU (TII)

Cuanta más alta es la tasa de interés más caro resulta tomar una deuda para
el comercio, así como también para el gobierno o el público general; y es
más rentable prestar créditos y comprar bonos, la disminución, por el
contrario, supone que el dinero en la economía se vuelve mas barato.

2. MODELO

El modelo utilizado es:

𝑀/𝑃 = 𝑓(𝑃𝐵𝐼𝑅, 𝑇𝐶, 𝑇𝐼𝐼, 𝑇𝐼𝑃)

𝑀/𝑃 = 𝛽0 𝑃𝐵𝐼𝑅𝛽1 𝑒 𝛽2𝑇𝐶 𝑒 𝛽3𝑇𝐼𝑃 𝑒 𝛽4𝑇𝐼𝐼 En donde:

 1
Cuba E. y Herrada R. (1995) “Demanda de dinero, inflación y politica monetaria en el Perú: 1991-1994” Cuadernos de
Economía, Año 32, N° 97, pp. 347-377
  M/P= demanda real de dinero (demanda de saldos reales)
 PBIR: Producto bruto interno a precios constantes
 TC: tipo de cambio
 TIP: Tasa de interés pasiva
 TII: Tasa de interés de Estados Unidos
 𝛽0: constante
Linealizando el modelo tenemos:
𝐿𝑛(𝑀/𝑃)𝑡 = 𝛽0 + 𝛽1 𝐿𝑛(𝑃𝐵𝐼𝑅)𝑡 + 𝛽2 (𝑇𝐶)𝑡 + 𝛽3 (𝑇𝐼𝑃)𝑡 + 𝛽4 (𝑇𝐼𝐼) 𝑡
3. IDENTIFICACION DE LOS MODELOS DE LAS VARIABLES

3.1 ANÁLISIS GRÁFICO

Las principales características de las series temporales es que sus valores medios
varían a lo largo del tiempo, son variables o series no estacionarias. Algunas series
suben y bajan sin una tendencia a revertir hacia algún punto lo que significa un
comportamiento de caminata aleatoria, siendo esta propiedad de muchas variables
no estacionarias.

LQDD LPBIR
6.5 7.0

6.9
6.0

6.8
5.5
6.7
5.0
6.6

4.5
6.5

4.0 6.4
96 98 00 02 04 06 08 10 12 14 16 18 96 98 00 02 04 06 08 10 12 14 16 18

TC TII
4.0 .07

.06
3.6
.05
3.2 .04

2.8 .03

.02
2.4
.01

2.0 .00
96 98 00 02 04 06 08 10 12 14 16 18 96 98 00 02 04 06 08 10 12 14 16 18
 TIP
.14

.12

.10

.08

.06

.04

.02

.00
96 98 00 02 04 06 08 10 12 14 16 18

figura 1 serie de tiempo del modelo econométrico

Observando las gráficas, LQDD y LBIR tienen una tendencia creciente muy
acentuada, es decir crecen continuamente a medida que transcurre el tiempo y la
característica de no volver hacia ningún punto, por lo que se puede concluir que no
son estacionarias. También se observa que en las variables TC, TII y TIP los shocks
tienen un alto grado de persistencia, es decir que los cambios repentinos en las
series toman tiempo para decaer, siendo esto una característica de series
temporales. Se concluye que en las variables no se presentan comportamientos en
media ni en varianza, por lo tanto son no estacionarios en niveles.
3.2 CORRELOGRAMAS2

Mediante los correlogramas veremos la estacionariedad de las variables ademas

de identificar cual es el proceso que tienen (AR,MA, ARMA, ARIMA).
 Cantidad demandada de dinero (LQDD)

2
Johansen, S., 1988. Statistical analysis of cointegration vectors. Journal of
Economic Dynamics and Control 12, 231–254.
 figura 2 Prueba de Estacionariedad de la cantidad demandada de dinero

Analizando este correlograma en niveles de la variable LQDD podemos observar

en el FAS que hay una caida lenta, esto indica que no existe estacionariedad,
ademas podria tratarse de un MA(1). Por otra parte en el FAP el primer coeficiente
es el unico que es significativo, por lo que se trata de un AR(1).
Ya que LQDD no es estacionario en niveles procedemos la primera diferencia de
LQDD obteniendose el siguiente correlograma:

figura 3 primera diferencia de la Estacionariedad de la cantidad demandada de dinero

En este correlograma
de primera diferencia se pue ver que el FAS no sigue un comportamiento definido,
es decir, cuasialeatoria que es tipico de variables estacionarias. Por lo tanto existe
un comportamiento estacionario. Ademas corroboramos que se da un proceso
AR(1) y MA(1). En conclusion la variable LQDD es un modelo ARIMA(1,1,1)
 Producto bruto interno real (LPBIR)

Analizando primero el
correlograma figura 4 prueba de Estacionariedad del producto bruto interno en niveles de la
variable LPBIR se observa que en el FAS hay una caida lenta de los coeficientes,
esto indica que no existe estacionariedad, además podria tratarse de un MA(1). Por
otra parte del FAP sobresalen los dos primeras autocorrelaciones y en la tercera se
produce una caida abrupta, por tanto se identifica un AR(2).
Ya que LPBIR no es estacionario en niveles procedemos la primera diferencia de
LQDD obteniendose el siguiente correlograma:

figura 5 primera diferencia de la Estacionariedad de Producto bruto

interno real
En este correlograma de primera diferencia de LPBIR se puede observar que el
FAS cae lentamente, por lo tanto no se sabe si es estacionario. Por lo que se
recurrira al test de raiz unitaria para ver si LPBIR es etacionario en primera
diferencias. Por el momento solo se puede decir que sique un proceso
ARIMA(1,1,2).
 Tasa de cambio de la moneda nacional (TC)
Analizando primero el correlograma en niveles de la variable TC se observa que en
el FAS hay una caida lenta de los coeficientes, esto indica que no existe
estacionariedad, además podria tratarse de un MA(1). Por otra parte del FAP se
observa que solo la primera autocrrelacion es significativa por lo que se trataria de
una AR(1).

figura 6 Prueba de Estacionariedad de la tasa de cambio de la moneda nacional

Ya que TC no es estacionario en niveles procedemos la primera diferencia de

LQDD obteniendose el siguiente correlograma:
 figura 7 Primera diferencia de Estacionariedad de la tasa de cambio de la
moneda nacional

En este correlograma de primera diferencia se pue ver que el FAS sigue un

comportamiento cuasialeatoria que es tipico de variables estacionarias. Por lo tanto
existe un comportamiento estacionario. Ademas corroboramos que se da un
proceso AR(1) y MA(1). En conclusion la variable TC es un modelo ARIMA(1,1,1)
 Tasa de interés internacional (TII)
Analizando primero el correlograma en niveles de la variable TII se observa que en
el FAS hay una caida lenta de los coeficientes, esto indica que no existe
estacionariedad. Por otra parte del FAP se observa que podria tratarse de un AR(1)
o un AR(2).
 figura 8 Prueba de Estacionariedad de la tasa de interes internacional

Al no ser TII estacionario en niveles, se procede a realizar la primera diferencia para

ver si es estacionaria en esta, se tendrá el siguiente correlograma:

Del correlograma de
primera figura 9 Primera diferencia de Estacionariedad de la tasa de interes diferencia de TII
internacional
tiene un comportamiento
aleatorio en el FAS, lo que nos indicaria que es estacionario en primera diferencia.
Además se puede identificar que se se un proceso AR(1) y un MA(3). Por lo tanto
se concluye que es un modelo ARIMA(1,1,3).
 Tasa de interés pasiva de las empresas bancarias (TIP)
Analizando primero el correlograma en niveles de la variable TIP se observa que
en el FAS hay una caida lenta de los coeficientes, esto indica que no existe
estacionariedad,. Por otra parte del FAP se observa que podria tratarse de un
AR(1).

figura 10 Prueba de Estacionariedad de la tasa de interes pasiva de las empresas bancarias

Al no ser TIP estacionario en niveles, se procede a realizar la primera diferencia

para ver si es estacionaria en esta, se tendrá el siguiente correlograma:
 figura 11 Primera diferencia de Estacionariedad de la tasa de pasiva de las
empresas bancarias

Del correlograma de primera diferencia de TII tiene un comportamiento aleatorio

en el FAS, lo que nos indicaria que es estacionario en primera diferencia. Además
se puede identificar que se se un proceso AR(1) y un MA(1). Por lo tanto se
concluye que es un modelo ARIMA(1,1,1).
Finalmente concluimos que los modelos de las variables son:
 𝐿𝑄𝐷𝐷 → 𝐴𝑅𝐼𝑀𝐴(1,1,1)
 𝐿𝑃𝐵𝐼𝑅 → 𝐴𝑅𝐼𝑀𝐴(1,1,2)
 𝑇𝐶 → 𝐴𝑅𝐼𝑀𝐴(1,1,1)
 𝑇𝐼𝐼 → 𝐴𝑅𝐼𝑀𝐴(1,1,3)
 𝑇𝐼𝑃 → 𝐴𝑅𝐼𝑀𝐴(1,1,1)

4. ANÁLISIS FORMAL PARA LA IDENTIFICACION DE SERIES

ESTACIONARIAS3

La prueba formal que utilizaremos para determinar si las variables son

estacionairas, será a través del estadístico de Dickey-Fuller Aumentado (DFA). La
prueba DFA es un test exigente. Tiene la ventaja de que la hipótesis nula no es si
la serie es o no ruido blanco, sino si tiene una raíz unitaria.
Por lo que el test puede realizarse en tres versiones: con intercepto y tendencia,
con alguna de las dos o sin ninguna de ellas.
El planteamiento de hipótesis será:
𝐻0 : 𝛾 = 0 → 𝐿𝑎 𝑠𝑒𝑟𝑖𝑒 𝑒𝑠 𝑛𝑜 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑟𝑖𝑎, 𝑡𝑖𝑒𝑛𝑒 𝑟𝑎𝑖𝑧 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑎

3
Bill Hung. (October, 2000). Dickey-Fuller Unit Root Test (Stationary Test).
http://www.hkbu.edu.hk/~billhung/econ3600/application/app01/app01.html
 𝐻𝑎 : 𝛾 ≠ 0 → 𝐿𝑎 𝑠𝑒𝑟𝑖𝑒 𝑒𝑠 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑟𝑖𝑎, 𝑛𝑜 𝑡𝑖𝑒𝑛𝑒 𝑟𝑎𝑖𝑧 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑎
Se realizó el test de raíz unitaria para cada variable, además de que por ensayo-
error se determino cual era la mejor versión del test para cada variable (con
intercepto y tendencia, con alguna de las dos o sin ninguna de ellas) y se obtuvo
los siguientes resultados
TEST DICKEY-
FULLER EN PRIMERA DIFERENCIA
VARIABLE AUMENTADO
Valores críticos t-Estadistico Prob Durbin-Watson
-3.352212 0.0157 2.041079
1% level -3.514426
LQDD
5% level -2.898145
10% level -2.586351
-3.143432 0.002 1.931207
1% level -2.594946
LPBIR
5% level -1.945024
10% level -1.61405
-6.206146 0 2.023424
1% level -2.593468
TC
5% level -1.944811
10% level -1.614175
-4.542455 0 2.137437
1% level -2.593468
TII
5% level -1.944811
10% level -1.614175
-5.082383 0 1.888586
1% level -2.593468
TIP
5% level -1.944811
10% level -1.614175
figura 12 Resultados del test de raíz unitaria

Del cuadro se puede dar a conocer que:

 Se realiza el test en primera diferencia considerando solo el intercepto. El
estadístico DFA (-3.35) es mayor en valor absoluto que los valores de los niveles
5 y 10% pero menor que el del nivel 1%. Se concluye que LQDD es estacionaria
en orden 1, 𝐼(1). Además tiene un DW de 2.04 por lo que no habria problemas
de autocorrelación.

 Se observa que realiza el test en primera diferencia sin considerar el intercepto

y la tendencia. El estadístico DFA (-3.14) es mayor en valor absoluto que los
valores de los niveles 1, 5 y 10%. Se concluye que LPBIR es estacionaria en
orden 1, 𝐼(1). Además tiene un DW de 1.93 por lo que no habria problemas de
autocorrelación.
 Se observa que se realiza el test en primera diferencia sin considerar el
intercepto y la tendencia. El estadistico DFA (-6.206) es mayor en valor absoluto
que los valores de los niveles 1,5 y 10%. Por lo tanto se concluye que TC es
estacionaria en orden 1, 𝐼(1). Además tiene un DW de 2.02 por lo que no habria
problemas de autocorrelación.

 Se realiza el test en primera diferencia sin considerar el intercepto y la

tendencia. El estadistico DFA (-4.54) es mayor en valor absoluto que los valores
de los niveles 1,5 y 10%. Por lo tanto se concluye que TII es estacionaria en
orden 1, 𝐼(1). Además tiene un DW de 2.13 por lo que no habria problemas de
autocorrelación.

 Se realiza el test en primera diferencia sin considerar el intercepto y la

tendencia. El estadistico DFA (-5.08) es mayor en valor absoluto que los valores
de los niveles 1,5 y 10%. Por lo tanto se concluye que TII es estacionaria en
orden 1, 𝐼(1). Además tiene un DW de 1.89 por lo que no habria problemas de
autocorrelación.

5. ESTIMACIÓN Y COINTEGRACIÓN DE ENGLE Y GRANGER4

Se debe probar que existe una relacion a largo plazo entre la variable dependiente
que en este caso es la cantidad demandada de dinero en logaritmos (LQDD) y las
variables independientes LPBIR, TC, TII, TIP.
Para lo cual las variables temporales (LQDD, LPBIR, TC, TII, TIP) deben ser
estacionarias en el mismo orden, preferiblemente 𝐼(1), ya que si son estacionarias
en otros órdenes o en órdenes distintos , el problema se complica.
En primer lugar hacemos el analisis de estacionariedad utilizando el test de raiz
unitaria Dickey Fuller Aumentada. Como ya se obtuvo dichos resultados
anteriormente se llegó a la conclusión de que todas las variables
(LQDD,LPBIR,TC,TII,TIP) son estacionarias en orden 1, es decir, 𝐼(1).
Ahora se procede a realizar la prueba de cointegración. Definido el caso se procede
a realizar la estmacion MCO del modelo, del cual se espera que exista una relación
económica a largo plazo entre las variables.
𝐿𝑛(𝑀/𝑃)𝑡 = 𝛽0 + 𝛽1 𝐿𝑛(𝑃𝐵𝐼𝑅)𝑡 + 𝛽2 (𝑇𝐶)𝑡 + 𝛽3 (𝑇𝐼𝑃)𝑡 + 𝛽4 (𝑇𝐼𝐼) 𝑡
Por MCO tenemos los siguientes resultados:
Dependent Variable: LQDD
Method: Least Squares
Sample: 1 84
Included observations: 84

4Asteriuo, Dimitrios. (june, 2001). Notas sobre Análisis de Series de

Tiempo: Estacionariedad, Integración y Cointegración (H.L. Mata, Trans.).
http://www.personal.rdg.ac.uk/~/less00da/lecture3.htm.
 Variable Coefficient Std. Error t-Statistic Prob.

C -25.42422 2.023564 -12.56408 0.0000

LPBIR 4.480505 0.268487 16.68795 0.0000
TC 0.244057 0.087267 2.796682 0.0065
TII1 -3.252040 1.546696 -2.102572 0.0387
TIP -2.874961 1.025725 -2.802856 0.0064

R-squared 0.933734 Mean dependent var 5.239691

Adjusted R-squared 0.930378 S.D. dependent var 0.775747
S.E. of regression 0.204688 Akaike info criterion -0.276981
Sum squared resid 3.309876 Schwarz criterion -0.132290
Log likelihood 16.63321 Hannan-Quinn criter. -0.218817
F-statistic 278.2897 Durbin-Watson stat 1.705607
Prob(F-statistic) 0.000000

figura 13 estimación MCO del modelo general

El modelo estimado sería:

𝐿𝑄𝐷𝐷 = −25.42 + 4.48𝐿𝑃𝐵𝐼𝑅 + 0.24𝑇𝐶 − 3.25𝑇𝐼𝐼 − 2.87𝑇𝐼𝑃
 C=-25.42, es la constante del modelo y nos informa de la demanda real de
dinero cuando LPBIR, TC, TII, TIP son nulas.

 LPBIR= 4.48, si LPBIR aumenta en 1% la demanda real de dinero aumenta en

4.48%, si las demás variables permanecen constantes.

 TC=0.24, si TC aumenta en una unidad la demanda real de dinero aumenta en

0.24%,si las demás variables permanecen constantes.

 TII=-3.25, si TII aumenta en una unidad la demanda real de dinero disminuye

en 3.25%, si las demás variables permanecen constantes.

 TIP=-2.87, si TIP aumenta en una anidad la demanda real de dinero disminuye

en 2.87%, si las demás variables permanecen constantes.
El estadístico Durbin-Watson es igual a 1.70, este valor podria mostrar que n existe
autocorrelación pero no es seguro.
La prueba de significancia indivdual con un nivel de confianza de 95% :
𝐻0 : β0 = 0, por lo que no es significativo.
𝐻𝑎 : β0 ≠ 0, por lo que es significativo.
 β1 0.05 > 0.0000, es significativa, no es posible aceptar las hipótesis
nula.
 β2 0.05 > 0.0065, es significativa, no es posible aceptar las hipótesis nula.
 β3 0.05 > 0.0387, es significativa, no es posible aceptar las hipótesis nula.
 β4 0.05 > 0.0064, es significativa, no es posible aceptar las hipótesis nula.
La prueba de significancia global con un nivel de confianza de 95% es
significativa ya que Prob(F-static) es 0.000
̂2 = 0.93, se aproxima a 1, lo que nos indica que es un modelo confiable.
Además el 𝑅
Seguidamente realizamos el test de raiz unitaria a los residuos de la estimación,
considerándose solo el intercepto, obteniendose los siguientes resultados:

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -4.171292 0.0013

Test critical values: 1% level -3.512290
5% level -2.897223
10% level -2.585861

figura 14 test de raíz unitaria de los residuos de la estimacion

Como se puede observar en este test, el estadístico DFA (-4.17) es mayor en valor
absoluto que los valores de criticos de McKinnon al 1, 5 y 10%. Por lo tanto no es
posible aceptar la hipotesis nula y concluimos que los residuos estan integrados en
orden I(0). Por lo que no se trata de una ecuación espuria.
Finalmente, con estos datos obtenidos, podemos concluir que existe una relacion
a largo plazo por lo que decimos que LQDD, LPBIR, TC, TII y TIP estan
cointegradas. Se ha pobrado la existencia de esta función de demanda de dinero.
6. PROYECCIÓN DE A DEMANDA DE DINERO REAL
Ahora lo que se busca es lograr predecir el comportamiento de la cantidad
demandada de dinero (LQDD) en seis periodos adelante, es decir, predecir los
peridos comprendidos entre 2017Q1 – 2018Q2.Para lo cual utilizaremos la
estimación del modelo hallado para LQDD que era un proceso ARIMA(1,1,1).
Utilizando el programa GRETL estimamos el proceso obteniendo los sguientes
datos:

Dependent Variable: D(LQDD)

Method: Least Squares
Sample (adjusted): 1996Q3 2016Q4
Included observations: 82 after adjustments
Convergence achieved after 10 iterations
MA Backcast: 1996Q2

Variable Coefficient Std. Error t-Statistic Prob.

C 0.025390 0.004692 5.410858 0.0000

AR(1) -0.294621 0.177332 -1.661408 0.1006
MA(1) 0.774771 0.120605 6.424021 0.0000

R-squared 0.197862 Mean dependent var 0.025577

Adjusted R-squared 0.177555 S.D. dependent var 0.034234
S.E. of regression 0.031046 Akaike info criterion -4.070774
Sum squared resid 0.076146 Schwarz criterion -3.982723
Log likelihood 169.9017 Hannan-Quinn criter. -4.035423
F-statistic 9.743407 Durbin-Watson stat 1.940273

Prob(F-statistic) 0.000165
figura 15 comportamiento de la cantidad demandada de dinero

En este modelo estimado podemos observar que el AR(1), no es significativo. Por

lo que procederemos a quitar el MA(1), con el fin de ver si de esa forma el modelo
se corrige.
Entonces el nuevo proceso sera un ARIMA(1,1,0) y se tendrán los siguientes
resultados:

Dependent Variable: D(LQDD)

Method: Least Squares
Date: 05/14/17 Time: 19:34
Sample (adjusted): 1996Q3 2016Q4
Included observations: 82 after adjustments
Convergence achieved after 3 iterations

Variable Coefficient Std. Error t-Statistic Prob.

C 0.025593 0.005643 4.535414 0.0000

AR(1) 0.375138 0.103600 3.621016 0.0005

R-squared 0.140817 Mean dependent var 0.025577

Adjusted R-squared 0.130078 S.D. dependent var 0.034234
S.E. of regression 0.031930 Akaike info criterion -4.026463
Sum squared resid 0.081561 Schwarz criterion -3.967763
Log likelihood 167.0850 Hannan-Quinn criter. -4.002896
F-statistic 13.11176 Durbin-Watson stat 1.900011
Prob(F-statistic) 0.000513

Inverted AR Roots .38

figura 16 resultados de un proceso ARIMA

En esta nueva estimación podemos notar que el componente AR(1) es significativo,

además de que el DW es 1.9, por lo que es una buena estimación. Además la raíz
de la ecuación estadistica del componente AR es 0.38 y cae dentro del círculo
unitario indicando que este modelo corresponde a un proceso estacionario.
Teniendo ya el modelo que es un ARIMA(1,1,0) procedemos a predecir los valores
para los periodos comprendidos entre 2017Q1 – 2018Q2. Para lo cual utilizaremos
el programa GRETL, ya que en este es más facil hacer las predicciones, en el cual
también estimamos el modelo ARIMA(1,1,0).

figura 17 Estimac ion del modelo ARIMA –programa GRETL

El cual obtiene valores distintos pero muy cercanos a los que se obtienen con
EVIEWS, esto debido a que este último utiliza el MCO para hacer las estimaciones
y GRETL utiliza Máxima Verosimilitud.
Ahora procedemos a realizar las predicciones correspondientes obteniendo los
siguientes resultados:

PERIODO PREDICCIONES
2017Q1 6.362627
2017Q2 6.386093
2017Q3 6.410649
2017Q4 6.435611
2018Q1 6.460723
2018Q2 6.485891
Del cual la gráfica es la siguiente:

figura 18 Predicción de la demanda de dinero

Se observa en la gráfica que las predicciones de la demanda de dinero real seran

crecientes.
Ademas los estadísticos de evaluación de la predicción son:

ESTADISTICOS
Error medio 6.59E-05
Raíz del Error cuadrático medio 0.03139
Error absoluto medio 0.024126
 Porcentaje de error medio -0.0046666
Porcentaje de error absoluto medio 0.47242
U de Theil 0.75956
Proporción de sesgo, UM 4.40E-06
Proporción de regresión, UR 7.55E-06
Proporción de perturbación, UD 0.99999
figura 19 Predicción de la demanda de dinero

7. COMPARACIÓN DE LAS PREDICCIONES CON UN MODELO

ALTERNATIVO

Se realizará la comparación entre el modelo que ha sido proyectado y un modelo

alternativo, que en este caso será un modelo de crecimiento temporal. Para el cual
se probó varias estimaciones de la cual la mejor resulto ser:
Dependent Variable: LQDD
Method: Least Squares
Sample (adjusted): 1996Q3 2016Q4
Included observations: 82 after adjustments
Convergence achieved after 4 iterations

Variable Coefficient Std. Error t-Statistic Prob.

C 3.758005 0.314879 11.93475 0.0000

@TREND() 0.032566 0.004501 7.235067 0.0000
AR(1) 1.347013 0.104825 12.85017 0.0000
AR(2) -0.380499 0.103593 -3.673013 0.0004

R-squared 0.998351 Mean dependent var 5.264085

Adjusted R-squared 0.998288 S.D. dependent var 0.768986
S.E. of regression 0.031819 Akaike info criterion -4.009939
Sum squared resid 0.078972 Schwarz criterion -3.892538
Log likelihood 168.4075 Hannan-Quinn criter. -3.962804
F-statistic 15743.58 Durbin-Watson stat 1.904276
Prob(F-statistic) 0.000000

Inverted AR Roots .94 .40

figura 20 comparacion con un modelo de crecimiento temporal

Se puede observar en la presente salida corresponde al modelo de crecimiento de

LQDD, con una corrección de los errores agregando los componentes AR(1) y
AR(2) con lo cual mejoró el estadístico Durbin Watson.
Ahora se procede a realizar las predicciones (forecast) del modelo de crecimiento
de LQDD en el programa GRETL. Se explico anteriormente el motivo por el cual
utilizamos este programa para hallar las predicciones. Se obtuvieron las siguientes
predicciones para los periodos comprendidos entre 2017Q1 – 2018Q2:

PERIODO PREDICCIONES
2017Q1 6.364166
2017Q2 6.389913
2017Q3 6.417074
2017Q4 6.444757
2018Q1 6.472616
 2018Q2 6.500513
La gráfica que se presenta a continuación nos permite observar que también en
este modelo de crecimiento las predicciones son crecientes.

figura 21 las predicciones (forecast) del modelo de crecimiento de LQDD

Además se tiene que los estadísticos de evaluación de la predicción de este modelo

son los siguientes:

ESTADISTICOS
Error medio -0.00030856
Raíz del Error cuadrático medio 0.032393
Error absoluto medio 0.024947
Porcentaje de error medio -0.016893
Porcentaje de error absoluto medio 0.49401
U de Theil 0.75721
Proporción de sesgo, UM 9.07E-05
Proporción de regresión, UR 0.0032511
Proporción de perturbación, UD 0.99666
figura 22 estadisticos de evaluacion

Ahora se procede a hacer una comparación de la raíz del error cuadrático medio, error absoluto
medio y porcentaje de error absoluto medio de los dos modelos que se realizaron:

ESTADISTICOS MODELO ARIMA(1,1,0) MODELO DE CRECIMIENTO

Raíz del Error cuadrático medio 0.03139 0.032393
Error absoluto medio 0.024126 0.024947
Porcentaje de error absoluto medio 0.47242 0.49401
figura 23 cpmparacion de la raíz del error cuadrático medio
De este cuadro de comparaciones observamos que en los tres estadisticos (RECM, EAM y PEAM) el
modelo ARIMA(1,1,0) de LQDD tiene valores mas equeños que el modelo de crecimiento de LQDD.
Por lo tanto concluimos que el modelo ARIMA(1,1,0) es el mejor modelo para este caso.

8. CONCLUSIONES

 Se determino que la demanda de dinero real en logaritmos (LQDD) tiene un

modelo ARIMA(1,1,1), pero que para cuestiones de estimacion de las
predicciones (forecast) se corrigió a un ARIMA(1,1,0).

 En el caso del modelo planteado M/P = f(PBIR, TC, TII, TIP) por medio del
análisis de cointegración se corroboró que la relacion entre las variables
independientes y la variable dependiente no es mera casualidad, es decir no es
un modelo espurio, sino que estas tienen una relación a largo plazo y por lo
tanto la funcion de demanda de dinero real existe.

 Para las predicciones de los periodos comprendidos entre 2017Q1 – 2018Q2

de la demanda del dinero real en logaritmos (LQDD), se hicieron para el modelo
ARIMA(1,1,0) y para un modelo alternativo que fue el modelo de crecimiento de
LQDD. Obteniéndose como resultado de la comparación de los estadísticos de
ambos modelos, que el modelo ARIMA(1,1,0) es el mejor modelo para las
predicciones.
9. BIBLIOGRAFÍA

 Cuba E. y Herrada R. (1995) “Demanda de dinero, inflación y politica monetaria

en el Perú: 1991-1994” Cuadernos de Economía, Año 32, N° 97, pp. 347-377
 Johansen, S., 1988. Statistical analysis of cointegration vectors.
Journal of Economic Dynamics and Control 12, 231–254.

 Bill Hung. (October, 2000). Dickey-Fuller Unit Root Test (Stationary

Test).
http://www.hkbu.edu.hk/~billhung/econ3600/application/app01/app
01.html
 Asteriuo, Dimitrios. (june, 2001). Notas sobre Análisis de Series
de Tiempo: Estacionariedad, Integración y Cointegración (H.L.
Mata, Trans.).
http://www.personal.rdg.ac.uk/~/less00da/lecture3.htm.

 Dornbusch R. & Fischer S. (1994) Macroeconomía. Sexta Edición. Editorial Mc

Graw Hill Interamericana de España S.A., Madrid, 1994

 Peña R. (2011), “La demanda de dinero en una economía abierta: el caso del -
Perú 2003-2011” UNMS, Lima-Perú

 Viera L. (2011), “Estimación de la demanda por dinero. Serie Trimestral 2000: I

2010: IV” Universidad Nacional de Piura
ANEXOS

TEST DE RAIZ UNITARIA:

 Demanda de dinero real en logaritmos (LQDD)
Test en primera diferencia con intercepto:

Null Hypothesis: D(LQDD) has a unit root

Exogenous: Constant
Lag Length: 2 (Automatic - based on SIC, maxlag=11)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3.352212 0.0157

Test critical values: 1% level -3.514426
5% level -2.898145
10% level -2.586351

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(LQDD,2)
Method: Least Squares
Date: 05/14/17 Time: 09:31
Sample (adjusted): 1997Q1 2016Q4
Included observations: 80 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

D(LQDD(-1)) -0.484219 0.144448 -3.352212 0.0013

D(LQDD(-1),2) -0.049285 0.125587 -0.392433 0.6958
D(LQDD(-2),2) -0.310083 0.112021 -2.768078 0.0071
C 0.012028 0.005092 2.362012 0.0207

-
R-squared 0.384658 Mean dependent var 0.000305
Adjusted R-squared 0.360368 S.D. dependent var 0.038695
-
S.E. of regression 0.030947 Akaike info criterion 4.064349
 -
Sum squared resid 0.072788 Schwarz criterion 3.945248
-
Log likelihood 166.5740 Hannan-Quinn criter. 4.016598
F-statistic 15.83618 Durbin-Watson stat 2.041079
Prob(F-statistic) 0.000000

 Producto bruto interno real en logaritmos (LPBIR)

Test en primera diferencia sin intercepto ni tendencia:

Null Hypothesis: D(LPBIR) has a unit root

Exogenous: None
Lag Length: 4 (Automatic - based on SIC, maxlag=11)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3.143432 0.0020

Test critical values: 1% level -2.594946
5% level -1.945024
10% level -1.614050

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(LPBIR,2)
Method: Least Squares
Date: 05/14/17 Time: 09:32
Sample (adjusted): 1997Q3 2016Q4
Included observations: 78 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

D(LPBIR(-1)) -0.765446 0.243506 -3.143432 0.0024

D(LPBIR(-1),2) -0.162968 0.235789 -0.691158 0.4917
D(LPBIR(-2),2) -0.289929 0.185857 -1.559963 0.1231
D(LPBIR(-3),2) -0.485508 0.145358 -3.340094 0.0013
D(LPBIR(-4),2) 0.247853 0.113665 2.180564 0.0324

-
R-squared 0.962846 Mean dependent var 0.000775
Adjusted R-squared 0.960810 S.D. dependent var 0.108432
-
S.E. of regression 0.021466 Akaike info criterion 4.782753
-
Sum squared resid 0.033637 Schwarz criterion 4.631682
-
Log likelihood 191.5274 Hannan-Quinn criter. 4.722276
 Durbin-Watson stat 1.931207

 Tasa de cambio en moneda nacional (TC)

Test en primera diferencia sin intercepto ni tendencia:

Null Hypothesis: D(TC) has a unit root

Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=11)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -6.206146 0.0000

Test critical values: 1% level -2.593468
5% level -1.944811
10% level -1.614175

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(TC,2)
Method: Least Squares
Date: 05/14/17 Time: 09:33
Sample (adjusted): 1996Q3 2016Q4
Included observations: 82 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

D(TC(-1)) -0.637142 0.102663 -6.206146 0.0000

-
R-squared 0.322198 Mean dependent var 0.000882
Adjusted R-squared 0.322198 S.D. dependent var 0.087443
-
S.E. of regression 0.071991 Akaike info criterion 2.412430
-
Sum squared resid 0.419799 Schwarz criterion 2.383080
-
Log likelihood 99.90965 Hannan-Quinn criter. 2.400647
Durbin-Watson stat 2.023424
 Tasa de interés de EEUU (TII)
Test en primera diferencia sin intercepto ni tendencia:

Null Hypothesis: D(TII) has a unit root

Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=11)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -4.542455 0.0000

Test critical values: 1% level -2.593468
5% level -1.944811
10% level -1.614175

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(TII,2)
Method: Least Squares
Date: 05/14/17 Time: 09:34
Sample (adjusted): 1996Q3 2016Q4
Included observations: 82 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

D(TII(-1)) -0.406060 0.089392 -4.542455 0.0000

R-squared 0.203002 Mean dependent var 1.99E-05

Adjusted R-squared 0.203002 S.D. dependent var 0.004062
-
S.E. of regression 0.003627 Akaike info criterion 8.388972
-
Sum squared resid 0.001065 Schwarz criterion 8.359622
-
Log likelihood 344.9479 Hannan-Quinn criter. 8.377188
Durbin-Watson stat 2.137437
 Tasa de interés activa (TIP)
Test en primera diferencia sin intercepto ni tendencia:

Null Hypothesis: D(TIP) has a unit root

Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=11)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -5.082383 0.0000

Test critical values: 1% level -2.593468
5% level -1.944811
10% level -1.614175

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(TIP,2)
Method: Least Squares
Date: 05/14/17 Time: 09:35
Sample (adjusted): 1996Q3 2016Q4
Included observations: 82 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

D(TIP(-1)) -0.481794 0.094797 -5.082383 0.0000

R-squared 0.241746 Mean dependent var -3.87E-05

Adjusted R-squared 0.241746 S.D. dependent var 0.005063
-
S.E. of regression 0.004409 Akaike info criterion 7.998206
-
Sum squared resid 0.001575 Schwarz criterion 7.968856
-
Log likelihood 328.9265 Hannan-Quinn criter. 7.986423
Durbin-Watson stat 1.888586
GRÁFICAS EN PRIMERA DIFERENCIA DE LAS VARIABLES

Differenced LQDD Differenced LPBIR

.12 .15

.08 .10

.04 .05

.00 .00

-.04 -.05

-.08 -.10
96 98 00 02 04 06 08 10 12 14 16 18 96 98 00 02 04 06 08 10 12 14 16 18

Differenced TC Differenced TII

.3 .02

.2
.01

.1
.00
.0

-.01
-.1

-.2 -.02
96 98 00 02 04 06 08 10 12 14 16 18 96 98 00 02 04 06 08 10 12 14 16 18

Differenced TIP
.02

.01

.00

-.01

-.02

-.03
96 98 00 02 04 06 08 10 12 14 16 18
ESTIMACIÓN DE MODELO ARIMA(1,1,1) EN GRETL

ARIMA, usando las observaciones 1996:2-2016:4 (T = 83)

Variable dependiente: (1-L) l_QDD
Desviaciones típicas basadas en el Hessiano

Coeficiente Desv. Típica z valor p

const 0.0251938 0.00455822 5.527 <0.0001 ***
phi_1 −0.276795 0.212322 −1.304 0.1924
theta_1 0.753084 0.162509 4.634 <0.0001 ***

Media de la vble. dep. 0.025396 D.T. de la vble. dep. 0.034065

media innovaciones 7.89e-06 D.T. innovaciones 0.030319
Log-verosimilitud 172.1685 Criterio de Akaike −336.3371
Criterio de Schwarz −326.6617 Crit. de Hannan-Quinn −332.4500

Real Imaginaria Módulo Frecuencia

AR
Raíz 1 -3.6128 0.0000 3.6128 0.5000
MA
Raíz 1 -1.3279 0.0000 1.3279 0.5000

ESTIMACIÓN DE MODELO ARIMA(1,1,0) EN GRETL

ARIMA, usando las observaciones 1996:2-2016:4 (T = 83)

Variable dependiente: (1-L) l_QDD
Desviaciones típicas basadas en el Hessiano

Coeficiente Desv. Típica z valor p

const 0.0252013 0.00544381 4.629 <0.0001 ***
phi_1 0.371588 0.101153 3.674 0.0002 ***

Media de la vble. dep. 0.025396 D.T. de la vble. dep. 0.034065

media innovaciones 0.000066 D.T. innovaciones 0.031384
Log-verosimilitud 169.4534 Criterio de Akaike −332.9069
 Criterio de Schwarz −325.6503 Crit. de Hannan-Quinn −329.9916

Real Imaginaria Módulo Frecuencia

AR
Raíz 1 2.6911 0.0000 2.6911 0.0000

ESTIMACIÓN DE MODELO DE CRECIMIENTO EN GRETL

ARMAX, usando las observaciones 1996:1-2016:4 (T = 84)

Variable dependiente: l_QDD
Desviaciones típicas basadas en el Hessiano

Coeficiente Desv. Típica z valor p

const 4.12044 0.174493 23.61 <0.0001 ***
phi_1 1.35268 0.0996630 13.57 <0.0001 ***
phi_2 −0.377416 0.100114 −3.770 0.0002 ***
time 0.0267577 0.00313171 8.544 <0.0001 ***

Media de la vble. dep. 5.239691 D.T. de la vble. dep. 0.775747

media innovaciones −0.000309 D.T. innovaciones 0.031008
Log-verosimilitud 170.7633 Criterio de Akaike −331.5266
Criterio de Schwarz −319.3725 Crit. de Hannan-Quinn −326.6407

Real Imaginaria Módulo Frecuencia

AR
Raíz 1 1.0425 0.0000 1.0425 0.0000
Raíz 2 2.5415 0.0000 2.5415 0.0000