Impacto de la inversión pública en el crecimiento económico del perú periodo (1990 – 2015) modelo var

ECONOMETRÍA II

IMPACTO DE LA INVERSIÓN

PÚBLICA EN EL CRECIMIENTO

ECONÓMICO DELPERÚ

PERIODO (1990 – 2015)

TRIMESTRAL

COLLAZOS COLLAZOS SAMANTHA

FLORES PANDURO MILAGROS

HUARCAYA LINARES JEYSON

LOPEZ DÍAZ CAROL YESENIA

IMPACTO DE LA INVERSIÓN PÚBLICA EN EL CRECIMIENTO ECONÓMICO

ECONOMETRÍA II

IMPACTO DE LA INVERSIÓN PÚBLICA EN EL CRECIMIENTO

ECONÓMICO DEL

PERÚ PERIODO (1990 – 2015) TRIMESTRAL

En el presente trabajo se verá los cambios que ha tenido la economía peruana en

los años recientes especialmente desde 2000 donde asume un gobierno

democrático y las reformas que, ha hecho del país y su impacto en el crecimiento

económico como resultado de la inversión pública, durante los periodos 1990-

2015.

ANALISIS DE DATOS

INVERSIÓN PÚBLICA: La inversión pública es la utilización del dinero

recaudado en impuestos, por parte de las entidades del gobierno, para reinvertirlo

en beneficios dirigidos a la población que atiende, representada en obras,

infraestructura, servicios, desarrollo de proyectos productivos, incentivo en la

creación y desarrollo de empresas, promoción de las actividades comerciales,

generación de empleo, protección de derechos fundamentales, y mejoramiento de

la calidad de vida en general. La inversión pública se encuentra regulada por

leyes, normas y procedimientos, que le definen lo que es viable y lo que está

prohibido, los responsables y montos autorizados, actividades permitidas y

requisitos que deben cumplir.

PRODUCTO BRUTO INTERNO (PBI): El aumento de la inversión pública

tiene un impacto mayor en el Producto Bruto Interno (PBI) del país que la

reducción de impuestos y que un incremento del gasto corriente, afirmó el ministro

de Economía y Finanzas, Luis Carranza


ECONOMETRÍA II

MUESTRA:

En el presente trabajo se ha considerado los datos de la inversión pública del Perú

desde el primer trimestre de 1990 al primer trimestre de 2015, ambos expresados en

millones de nuevos soles, los datos fueron obtenidos del BCRP.


ECONOMETRÍA II

Recolección de Datos:


ECONOMETRÍA II

Una vez ingresados los datos Eviews, obtenemos el Grafico para comprobar si

existe Estacionariedad.


ECONOMETRÍA II

En la grafico N° 1 observamos el comportamiento de la inversión pública, el mismo

que ha ido aumentando permanentemente durante el paso de los años o durante los

101 trimestres que comprende el presente trabajo.

Se observa que ambas series presentan no estacionariedad, además de

presentar volatilidades crecientes y componente tendencial. El test ADF de raíz

unitaria confirma la no estacionariedad de las series.

GRÁFICO N° 1: Inversión Bruta Fija Pública y PBI (ambos en millones de nuevos soles del 2007)


ECONOMETRÍA II

Si tenemos:

o Si ρ = 1, tenemos lo que se conoce como problema de raíz unitaria; es decir

vamos a tener una situación de no estacionariedad.

o El nombre de raíz unitaria se debe a que ρ = 1.

o Sin embargo, si |ρ| < 1, es decir, si el valor absoluto de ρ es menor que 1,

podemos demostrar que la serie de tiempo Yt es estacionaria.

o Es importante averiguar si una serie de tiempo tiene una raíz unitaria, pues si

la serie es no estacionaria, no podremos generalizar ni hacer pronósticos.

APLICAMOS TEST PARA EL PBI DE DICKEY-FULLER DE PARA EL PBI:

El test ADF de raíz unitaria confirma la no estacionariedad de las series.

Al llevar a cabo la prueba DF el término de error 𝑢𝑡 no estaba correlacionado.

Pero Dickey y Fuller desarrollaron una prueba cuando dicho término sí está

correlacionado, conocida como prueba Dickey-Fuller aumentada (DFA).

Yt = ρYt−1 + ut -1≤ ρ ≤ 1


ECONOMETRÍA II

Para realizar la prueba seleccionamos la serie original de la variable, en este caso es

PBI (Producto Bruto Interno), abriendo la ventana seleccionamos:

Open View Unit Root Test

En la ventana UNIT ROOT TEST realizamos lo siguiente:

• En Test Type seleccionamos Aumented Dickey – Fuller, se marcará Level

(sin diferenciar la serie) donde seleccionaremos Trend and intercept.

• En Lag Lenght marcaremos automatic selection, máximo 11 rezagos

• OK.

TEST ADF PARA EL PBI


ECONOMETRÍA II

PLANTEAMIENTO DE HIPOTESIS:

H.P.: La serie del PBI presenta raíz unitaria (la serie no es estacionaria)

H.A.: La serie del PBI no presenta raíz unitaria (la serie es estacionaria)

Cae en la Zona de aceptación, se acepta la hipótesis planteada y se rechaza

La hipótesis alternativa (La serie del PBI presenta raíz unitaria (la serie no es

Estacionaria).

0.9968

Observamos que la serie PBI es no estacionaria ya que es mayor a 0.05, por esa

razón pasamos a corregir:

*Trend and intercept: Tendencia e intercepción

*Lag lenght: Longitud del rezago


ECONOMETRÍA II

GENERAMOS LA SERIE:

Le aplicamos primeras diferencias para eliminar la tendencia.

Series d_PBI = d(PBI)


ECONOMETRÍA II


H.P.: La serie del D_PBI presenta raíz unitaria (la serie no es estacionaria)

H.A.: La serie del D_PBI no presenta raíz unitaria (la serie es estacionaria)

Cae en la Zona de aceptación, se acepta la hipótesis planteada y se rechaza

La hipótesis alternativa (La serie del PBI presenta raíz unitaria (la serie no es

Estacionaria).

0.1637

Observamos que la nueva serie D_PBI es no estacionaria porque es mayor a 0.05,

por lo que pasamos a corregir con la segunda diferencia.

GENERAMOS LA SERIE:

Le aplicamos segunda diferencia para eliminar la tendencia.

Series dd_pbi = d(d(pbi))


ECONOMETRÍA II


H.P.: La serie del DD_PBI presenta raíz unitaria (la serie no es estacionaria)

H.A.: La serie del DD_PBI no presenta raíz unitaria (la serie es estacionaria)

Por lo tanto: Cae en la Zona de Rechazo, se rechaza la hipótesis Planteada y se acepta la Hipótesis Alternativa (La serie del DD_PBI

no presenta raíz unitaria).Por lo que se concluye que la serie DD_PBI es estacionaria.


ECONOMETRÍA II

TEST ADF PARA EL INV_PU

Para realizar la prueba seleccionamos la serie original de la variable, en este caso es

INV_PU (Inversion Publica), abriendo la ventana seleccionamos:

Open View Unit Root Test

En la ventana UNIT ROOT TEST realizamos lo siguiente:

• En Test Type seleccionamos Aumented Dickey – Fuller, se marcará Level

(sin diferenciar la serie) donde seleccionaremos Trend and intercept.

• En Lag Lenght marcaremos automatic selection, máximo 11 rezagos

• OK.


ECONOMETRÍA II


H.P.: La serie del INV_PU presenta raíz unitaria (la serie no es estacionaria)

H.A.: La serie del INV_PU no presenta raíz unitaria (la serie es estacionaria)

Cae en la Zona de aceptación, se acepta la hipótesis planteada y se rechaza la

hipótesis alternativa (La serie del INV_PU no presenta raíz unitaria (la serie es

estacionaria).

0.7382

*Trend and intercept: Tendencia e intercepción

*Lag lenght: Longitud del rezago


ECONOMETRÍA II

Observamos que la serie inv_pu es una variable no estacionaria porque es

mayor a 0.05, por esa razón pasamos a corregir.

GENERAMOS LA SERIE:

Le aplicamos la primera diferencia para eliminar la tendencia.

Series d_INV_PU = d(INV_PU)


ECONOMETRÍA II


H.P.: La serie del D_inv_pu presenta raíz unitaria (la serie no es estacionaria)

H.A.: La serie del D_inv_pu no presenta raíz unitaria (la serie es estacionaria)

Por lo tanto: Cae en la Zona de Rechazo, se rechaza la hipótesis Planteada y se acepta la Hipótesis Alternativa (La serie del D_inv_pu

no presenta raíz unitaria).Por lo que se concluye que la serie D_inv_pu

es estacionaria.


ECONOMETRÍA II

Luego de realiza este paso, continuamos viendo la gráfica de los residuos a través del

gráfico.

Buscamos:

Opción View Residuals Graphs

• La serie del PBI (DD_pbi) e inversión pública (D_inv_pu) oscilan dentro del

rango, lo que quiere decir que están bien comportados.


ECONOMETRÍA II

MODELO VECTORES AUTOREGRESIVOS (VAR)

La macroeconometría cumple cuatro funciones importantes: describe y resume

datos macroeconómicos, permite hacer pronósticos, cuantifica lo conocido y lo

desconocido acerca de la verdadera estructura de la macroeconomía y sugiere

caminos a los tomadores de decisiones en materia de política económica. Antes

de la aparición de los vectores autorregresivos, esas cuatro funciones fueron

realizadas utilizando una gran variedad de técnicas y empleando para ello: desde

grandes modelos —con cientos de ecuaciones— hasta modelos uniecuacionales y

otros de series de tiempo univariados. Después del caos macroeconómico de los

años 70, ninguno de esos modelos resultó en especial muy útil; los vectores

autorregresivos (VARs)2 constituyen una herramienta econométrica de series de

tiempo de aplicación relativamente joven en el análisis macroeconómico. Los

modelos econométricos estructurales, o de la econometría tradicional, postulan

una ecuación en la que la variable endógena depende de una o varias variables

consideradas exógenas al modelo. En los modelos VARs, todas las variables son

consideradas endógenas, lo que permite capturar de mejor manera los

comovimientos de las variables y la dinámica de sus interrelaciones; el esquema

proporciona una forma sistemática de aprehender la rica dinámica del análisis de

series de tiempo multivariado.

http://www.banguat.gob.gt/inveco/notas/articulos/envolver.asp?karchivo=4401&kdisc=si#dos


ECONOMETRÍA II

ESTIMACION DEL MODELO VAR:

Para estimar el modelo VAR, damos click en “Quick”, luego en “Estimate VAR”.

EVIEWS, de forma predeterminada, nos coloca 2 rezagos, luego de escribir

nuestras variables le damos “OK”.


ECONOMETRÍA II

Los resultados del modelo VAR serán los siguientes:

Con dos rezagos los cual nos indica los coeficientes de cada variable aplicada

ya se la primera diferencia del DD_PBI(-1) con respecto a su rezago de un

periodo como también al rezago del segundo periodo DD_PBI(-2) y lo mismo

para la Inversión pública.

Un problema que a menudo ocurre cuando se desean interpretar los resultados obtenidos mediante un modelo VAR está relacionado con el número de coeficientes estimados. Cuanto mayor sea este número, mayor será la dificultad en tratar de interpretar los resultados basados en la interpretación de cada uno de los coeficientes del sistema. Es por eso que existen otras formas de analizar los


ECONOMETRÍA II

resultados, como por ejemplo la función de impulso-respuesta (FIR) que se presentará más adelante. CRITERIOS DE INFORMACIÓN PARA DETERMINAR EL NÚMERO ÓPTIMO DE REZAGOS Como la técnica VAR es relativamente flexible y está dominada por la endogeneidad de las variables, no se acostumbra analizar los coeficientes de regresión estimados ni sus significancias estadísticas; tampoco la bondad del ajuste (R2 ajustado) de las ecuaciones individuales. Pero si es usual que se verifique que se cumple la ausencia de correlación serial de los residuos de las ecuaciones individuales del modelo y la distribución normal multivariada de éstos. A veces se exige que las variables reflejen comportamientos consistentes con lo esperado teóricamente, cuando se les somete a shocks simulados. Algunos investigadores efectúan pruebas adicionales, como la estabilidad del modelo, la significancia conjunta de las variables consideradas, su dirección de causalidad, la cointegración de los residuos de las regresiones individuales y la Descomposición de la Varianza del error de pronóstico (DV). A continuación se examinan todas esas pruebas. Para elegir el número de rezagos óptimos se usó lo indicado según Los criterios de información de Akaike, Schwarz y Hannan-Quinn se puede decir que se tiene un número grande de observaciones por tanto justifica el uso de este criterio. Estimamos el mejor modelo: El comando en Eviews es “View” -> “Lag structure” -> “Lag lenght criteria.”


ECONOMETRÍA II

De lo cual resulta:

Por lo que según los criterios de información se debe usar un modelo con 7 rezagos. Se ingresa los rezagos con los menores criterios de confianza:


ECONOMETRÍA II

Se corrige el problema de autocorrelación Correlograma:

Los residuos del VAR no deben presentar autocorrelación, por lo tanto se debe evaluar la hipótesis de que los residuos no presentan autocorrelación y se decidirá de acuerdo al correlograma.


ECONOMETRÍA II

Autocorrelación Los correlogramas de los residuos de cada uno de las tres

ecuaciones del VAR y las correlaciones entre combinaciones de variables

contemporáneas y rezagadas del modelo no evidenciaron problemas de

autocorrelación para el VAR.

Autocorrelación Los correlogramas de los residuos de cada uno de las tres

ecuaciones del VAR y las correlaciones entre combinaciones de variables

contemporáneas y rezagadas del modelo no evidenciaron problemas de

autocorrelación para el VAR.

Los residuales no deben presentar Heteroscedasticidad, para ello el test de White

presenta las siguientes hipótesis:

SI MÁS DEL 5% DE LAS BARRAS ESTA AFUERA DE LA BANDAS DE CONFIANZA, ENTONCES EL MODELO PRESENTA AUTOCORRELACIÓN. PODEMOS DECIR QUE NUESTRO MODELO VAR, ESTA LIBRE DE AUTOCORRELACIÓN.

PLANTEO DE HIPÓTESIS:

𝐻0: Los residuos son homocedásticos

𝐻𝐴: Los residuos son heterocedásticos


ECONOMETRÍA II

PROB: % 20.94 > 5


ECONOMETRÍA II

Normalidad de los Residuos: Los residuos deben presentar un comportamiento a

la normal.

PLANTEO DE HIPÓTESIS:

𝐻0: Los residuos presentan normalidad

𝐻𝐴: Los residuos no presentan normalidad

DADO QUE LA PROBABILIDAD DEL JARQUE VERA CALCULADO ES MAYOR AL 5%. SE ACEPTA LA HIPÓTESIS NULA. PODEMOS DECIR QUE LOS RESIDUOS TIENEN UN COMPORTAMIENTO NORMAL.


ECONOMETRÍA II

Normalidad En los dos modelos VAR, los residuos de las ecuaciones tienen una

distribución normal. No obstante, Fernandez-Corugedo (2003) argumenta que es

más importante que el VAR cumpla con la prueba de errores no auto

correlacionados que con la de normalidad multivariada.

Representación de nuestro modelo:

𝐿𝑁𝑃𝐵𝐼 = 58.26 − 0.86 ∗ 𝐿𝑁𝑃𝐵𝐼(−1) − 0.86 ∗ 𝐿𝑁𝑃𝐵𝐼(−2) − 0.87

∗ 𝐿𝑁𝑃𝐵𝐼(−3) − 0.39 ∗ 𝐿𝑁𝑃𝐵𝐼(−4) − 0.44 ∗ 𝐿𝑁𝑃𝐵𝐼(−5)

− 0.34 ∗ 𝐿𝑁𝑃𝐵𝐼(−6) − 0.37 ∗ 𝐿𝑁𝑃𝐵𝐼(−7) + 0.09

∗ 𝐿𝑁𝑃𝐵𝐼(−8) + 0.4 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−1) + 0.41 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−2)

+ 0.70 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−3) + 0.75 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−4) + 0.71

∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−5) + 0.17 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−6) + 0.02

∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−7) + 0.18 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−8)

El papel del “tiempo” o “rezago” en la economía:

En economía, la dependencia de una variable Y (la variable dependiente) respecto

de otra u otras variables X (las variables explicativas) pocas veces es instantánea.

Con frecuencia Y responde a X en un lapso, el cual se denomina rezago.


ECONOMETRÍA II

𝐿𝑁𝑃𝐵𝐼 = �̂�0 + �̂�1 ∗ 𝐿𝑁𝑃𝐵𝐼(−1) + �̂�2 ∗ 𝐿𝑁𝑃𝐵𝐼(−2) + �̂�3 ∗ 𝐿𝑁𝑃𝐵𝐼(−3)

+ �̂�4 ∗ 𝐿𝑁𝑃𝐵𝐼(−4) + �̂�5 ∗ 𝐿𝑁𝑃𝐵𝐼(−5) + �̂�6 ∗ 𝐿𝑁𝑃𝐵𝐼(−6)

+ �̂�7 ∗ 𝐿𝑁𝑃𝐵𝐼(−7) + �̂�8 ∗ 𝐿𝑁𝑃𝐵𝐼(−8) + �̂�9 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−1)

+ �̂�10 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−2) + �̂�11 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−3) + �̂�12∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−4) + �̂�13 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−5) + �̂�14 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−6)

+ �̂�15 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−7) + �̂�16 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−8)

El coeficiente β0 se conoce como multiplicador de corto plazo o de impacto porque

da el cambio en el valor medio de Y que sigue a un cambio unitario en X en el

mismo periodo 1 Si el cambio en X se mantiene igual desde el principio, entonces

(β0 + β1) da el cambio en (el valor medio de) Y en el periodo siguiente (β0 + β1 +

β2) en el que le sigue, y así sucesivamente. Estas sumas parciales se denominan

multiplicadores ínterin, o intermedios. Por último, después de k periodos

obtenemos:

∑𝛽𝑖

𝑘

𝑖=0

= �̂�0 + �̂�1 + �̂�2 + �̂�3 +⋯+ �̂�𝑘 = 𝛽

Que se conoce como multiplicador de rezagos distribuidos de largo plazo o total,

siempre que exista la suma β (explicaremos esto más adelante).

Si definimos:

𝛽𝑖∗ =

𝛽𝑖∑𝛽𝑖

=𝛽𝑖𝛽

Obtenemos βi “estandarizado”. Las sumas parciales del βi estandarizado dan la

proporción del impacto de largo plazo, o total, sentido durante cierto periodo.

De vuelta a la regresión de consumo del PBI en función de la inversión pública,

vemos que el multiplicador de corto plazo, que no es otra cosa que la propensión

marginal a invertir de corto plazo (PMI), es 0.04, mientras que el multiplicador de

largo plazo, que es la propensión marginal a consumir de largo plazo, es

∑ 𝛽𝑖𝑘𝑖=0 =1.92. Es decir, después de un incremento de $1 en la inversión, el País

aumentará su nivel de PBI alrededor de 4 millones de soles en el año del

aumento, otros 26 millones en el año siguiente y otros 45 millones más en el

siguiente. El impacto de largo plazo de un incremento de $1 en la inversión pública

es, entonces, de 1,921 millones de soles. Si dividimos cada βi entre 1.92,

obtenemos 2%, 14%,23%,… respectivamente, lo cual indica que 2% del impacto


ECONOMETRÍA II

total de un cambio unitario en inversión pública sobre PBI se siente de inmediato,

16% se siente después de un año, y 100%, al finalizar el séptimo año.

Análisis de las variables:

NUMERO

DE

REZAGO

REZAGOS

DEL

PBI

REZAGOS DE

LA

INV_PU

PORCENTAJE IMPACTO

(-1) 0.91 0.04 2% 2%

(-2) 0.88 0.26 14% 16%

(-3) 0.91 0.45 23% 39%

(-4) 0.45 0.44 23% 62%

(-5) 0.52 0.32 17% 79%

(-6) 0.46 0.16 9% 88%

(-7) 0.46 0.24 12% 100%

TOTAL 4.60 1.921080 100%

Función impulso-respuesta:

La función impulso-respuesta muestra la reacción (respuesta) de las variables

explicadas en el sistema ante cambios en los errores. Un cambio (shock) en una

variable en el período i afectará directamente a la propia variable y se transmitirá

al resto de variables explicadas a través de la estructura dinámica que representa

el modelo VAR.

En el ejemplo el producto bruto real (PBI) y la inversión pública real (INV_PU)

están determinados conjuntamente por un modelo VAR de dos ecuaciones sin

término independiente y con un retardo de las variables endógenas. El modelo

VAR resultante sería:

Multiplicador de largo

plazo


ECONOMETRÍA II

𝐿𝑁𝑃𝐵𝐼 = �̂�0 + �̂�1 ∗ 𝐿𝑁𝑃𝐵𝐼(−1) + �̂�2 ∗ 𝐿𝑁𝑃𝐵𝐼(−2) + �̂�3 ∗ 𝐿𝑁𝑃𝐵𝐼(−3)



+ �̂�10 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−2) + �̂�11 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−3) + �̂�12

∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−4) + �̂�13 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−5) + �̂�14 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−6)

+ �̂�15 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−7) + �̂�16 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−8) + 𝜺𝟏,𝒕

𝐿𝑁𝐼𝑁𝑉𝑃𝑈 = �̂�0 + �̂�1 ∗ 𝐿𝑁𝑃𝐵𝐼(−1) + �̂�2 ∗ 𝐿𝑁𝑃𝐵𝐼(−2) + �̂�3 ∗ 𝐿𝑁𝑃𝐵𝐼(−3)



+ �̂�10 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−2) + �̂�11 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−3) + �̂�12

∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−4) + �̂�13 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−5) + �̂�14 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−6)

+ �̂�15 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−7) + �̂�16 ∗ 𝐿𝑁𝐼𝑁𝑉𝑃𝑈(−8) + 𝜺𝟐,𝒕

Un cambio en 𝜺𝟏,𝒕 modificará inmediatamente el valor presente del PBI, pero

también puede modificar los valores futuros de PBI e INV_PU al incluirse el valor

retardado de PBI en ambas ecuaciones.

Si, en este ejemplo, las innovaciones 𝜺𝟏,𝒕 y 𝜺𝟐,𝒕 no están correlacionadas, la

interpretación es sencilla, pues 𝜺𝟏,𝒕sería la innovación para PBI y 𝜺𝟐,𝒕 la

innovación para INV_PU. La función de respuesta de impulso para 𝜺𝟐,𝒕 mide el

efecto de una variación en los errores sobre los valores actuales y futuros de las

importaciones y el valor futuro del PBI.

Pasos:

Clic en el botón impulse.

En la casilla impulse ingresamos las variables endógenas(

dd_pbi; dd_inv_pu)

Damos aceptar.


ECONOMETRÍA II

Clic en este botón

IMPULSE


ECONOMETRÍA II

Análisis e interpretación del impulso respuesta econométrica:

Finalmente vemos que la dependencia espacial de la variable dependiente -

crecimiento del PIB,- no presenta una tendencia clara ya que cambia de signo

según el modelo y la especificación econométrica que usemos. No obstante, llama

la atención que sea negativa y significativa solamente en los casos en los que

controlamos el efecto tiempo, algo que puede ser explicado por las variaciones

cíclicas que presenta la economía. Es decir, que aislando el efecto de

los shocks en la economía peruana en su conjunto, ciertos sectores podrían estar

en auge, mientras que al mismo tiempo, otros sectores de la economía podrían

estar pasando por una recesión y si además tenemos en cuenta que en cierto

modo existe una dependencia en la economía peruana entonces no debería

causar extrañeza que mientras algunos años estén económicamente bien, otros

no necesariamente estén experimentando el mismo auge lo que puede explicar la

dependencia espacial negativa en la producción.


ECONOMETRÍA II

Predicción con el modelo estático:

Pasos:

primero ingresamos un espacio para que eview 8.1 haga la

predicción: damos doble clic en range.

ingresamos el 2015Q2, en donde antes había 2015Q1.

En el cuadro siguiente damos aceptar.

Clic en Range

Se hace un espacia

agregando el

segundo trimestre

para que eview

estime la prediccion


ECONOMETRÍA II

Como se puede apreciar eview agrego

espacio en donde se introducirá la

predicción.


ECONOMETRÍA II

Estimamos el modelo para la predicción:

Pasos:

En el cuadro de dialogo de la regresión VAR damos clic en

PROC.

Elegimos la opción Make Model.

Elegimos la opción SOLVE.

En el siguiente cuadro > en la opción DYMAMICS: elegimos la

opción STATIC SOLUTION.

Damos aceptar.

Clic en SOLVE


ECONOMETRÍA II

Se escoge static solution, para que

eview haga la predicción tomando

como referencia todos los datos en

su conjunto


ECONOMETRÍA II

Análisis de la predicción:

12´018,350 significa que ante un aumento a 5009.022 de la inversión pública en millón

de soles, el PBI se proyectara con un aumento en 120´018,350 millones de soles en el

segundo trimestre del año 2015.

Se puede apreciar que

eview hizo la predicción

del crecimiento para el

segundo trimestre del

2015

Data & Analytics

Impacto de la inversión pública en el crecimiento económico del perú periodo (1990 – 2015) modelo var