Upload
dohanh
View
218
Download
0
Embed Size (px)
Citation preview
EL SECTOR AGROEXPORTADOR MEXICANO Y EL TIPO DE CAMBIO REAL 1980-2014. ELABORACIÓN DE UN
MODELO VAR
T E S I S
QUE PARA LA OBTENCIÓN DEL GRADO DE
M A E S T R A E N E C O N O M Í A
P R E S E N T A
RUTH LIRA FRANCO
ASESOR
DR. ISRAEL GERARDO GARCÍA PÉREZ
PUEBLA, PUE. DICIEMBRE DE 2014
B BENEMÉRITA UNIVERSIDAD AUTÓNOMA DE PUEBLA
FACULTAD DE ECONOMÍA
CENTRO DE INVESTIGACIÓN Y ESTUDIOS DE
POSGRADO EN ECONOMÍA
NOMBRE DEL PROGRAMA MAESTRÍA EN ECONOMÍA
I
AGRADECIMIENTOS
Al Dr. Alberto Castañón Herrera, por su incansable esfuerzo para que este
proyecto se concluyera.
Al Dr. Israel Gerardo García Pérez, mi admiración a su conocimiento, entusiasmo
y por su valioso tiempo.
A Noelia por su valiosa colaboración más allá del trabajo.
A Alberto Méndez Aguilar, porque vamos juntos en todos los proyectos de nuestra
vida.
II
Índice
Introducción………………………………………………………………1
Capítulo I
Diagnóstico de las exportaciones agropecuarias en México 1980-2014….2
Capítulo II
Naturaleza del análisis de regresión en series de tiempo………………….24
Componentes de las series de tiempo……………………………………..25
Tendencia………………………………………………………………….25
El componente cíclico……………………………………………………..28
El movimiento estacional………………………………………………….30
La variación residual………………………………………………………31
Sobre la estacionaridad en las series de tiempo…………………………...32
La regresión espuria……………………………………………………….34
Autocorrelación en las series de tiempo……………………………….......34
Rezagos en las series de tiempo……………………………………….......35
Características de los modelos VAR……………………………………....36
Capítulo III
Variables a considerar en el modelo……………………………………….42
Características del modelo……………………………………………........49
Identificación de estacionaridad y cointegración de las series……………..49
Serie exportaciones agropecuarias………………………………………....52
Serie Índice de tipo de cambio real………………………………………...53
III
Análisis de cointegración…………………………………………………..54
Resultados del modelo VAR………………………………………………54
Resultados del VAR básico (1) y VAR (4)………………………………..55
Conclusión………………………………………………………………....62
Referencias………………………………………………………………...69
Índice de cuadros y gráficos
Cuadro 1 productos agropecuarios de exportación 1993-2014………….......9
Gráfico 1 principales productos agropecuarios de exportación 1995………10
Gráfico 2 principales productos agropecuarios de exportación 2000………11
Gráfico 3 principales productos agropecuarios de exportación 2005……….11
Gráfico 4 principales productos agropecuarios de exportación 2010……….12
Gráfico 5 principales productos agropecuarios de exportación 2014………..12
Gráfico 6 Balanza comercial agropecuaria 1993-2014………………………14
Gráfico 7 Saldo de la Balanza comercial agropecuaria 1993-2014………….15
Cuadro 2 tasa de crecimiento promedio anua de X agropecuarias…………..16
Gráfico 8 tasa de crecimiento anual de X e M agropecuarias 1993-2014……17
Gráfico 9 tasa de crecimiento promedio anual X e M 1993-2014……………18
Gráfico 10 composición mundial de X de jitomate 2012…………………….19
Gráfico11 composición mundial de X de aguacate 2012…………………….20
Gráfico12 estructura de la producción nacional de jitomate 2012……….......21
Gráfico13 estructura de la producción nacional de aguacate 2012…………..22
Gráfico 14 PIB real de México……………………………………………….26
Gráfico 15 Logaritmo del PIB de México…………………………………….27
IV
Gráfico 16 tendencia cuadrática…………………………………………......28
Gráfico 17 tasa de crecimiento anual del PIB ………………………………30
Gráfico 18 gráfico del error………………………………………………….31
Gráfico 19 proceso estacionario…………………………………………......33
Figura 1 diagrama de decisión en series no estacionarias……………….......37
Figura 2 diagrama de decisión en series estacionarias……………………….38
Gráfico 20 exportaciones agropecuarias con línea de tendencia……………..43
Gráfico 21 X agropecuarias por año y mes seleccionados………………........44
Gráfico 22 X agropecuarias valores originales y desestacionalizados………..45
Gráfico 23 componente tendencia-ciclo de xagrop.…………………………...46
Gráfico 24 factor estacional de la serie xagrop…………………………..........47
Gráfico 25 Índice del tipo de cambio real ……………………………….........48
Cuadro 3 resultados del VAR(4)………………………………………………57
Gráfico26 función impulso respuesta (FIR)……………………………………60
Anexo
Cuadro 4 prueba Breusch Godfrey de DFA xagrop_sa………………………....64
Cuadro 5 DFA serie xagrop_sa………………………………………………….64
Cuadro 6 en DFA de ITCR …………………………………………………… 65
Cuadro 7 DFA serie ITCR………………………………………………………65
Cuadro 8 DFA serie xagrop_sa………………………………………….............65
Cuadro 9 DFA serie ΔITCR…………………………………………………….66
Cuadro 10 DFA serie �̂�t ………………………………………………………..66
Cuadro 11 VAR (1) ………………………………………………………….…67
V
Cuadro 12 test de correlación serial VAR (1)………………………………...67
Cuadro 13 resultados VAR(4)…………………………………………..……68
Cuadro 14 estimaciones impulso respuesta…………………………………..69
1
Introducción
El siguiente trabajo hace un análisis de las exportaciones agropecuarias de México durante
el periodo 1980-2014, su relación con el tipo de cambio y la apertura comercial iniciada a
finales de la década de los ochenta.
Consta de dos partes: la primera es una revisión teórica del sector, donde se ubica a la apertura
comercial como una estrategia para elevar la competitividad de la economía en general y del
sector en el supuesto de que ante una depreciación los productos agropecuarios de
exportación ganarían competitividad.
También presenta una descripción en lo que toca a la balanza comercial agropecuaria y su
saldo, la tasa de crecimiento anual y la tasa de crecimiento promedio anual.
Ubica a los cinco productos líderes de exportación y los cambios, dentro de este grupo, en
un periodo de veinte años, así como las entidades productoras, lo que conforma un panorama
de las exportaciones agropecuarias en el entorno nacional que desde los años noventa se ha
caracterizado por ser objeto de cambios y reformas en su estructura legal económica,
principalmente en orientación hacia la apertura. No obstante, su heterogeneidad ha
prevalecido y también la diversidad de respuestas a las políticas implementadas.
Se planteó la siguiente hipótesis: las exportaciones agropecuarias han sido afectadas por las
fluctuaciones en el tipo de cambio y la política de apertura comercial en la que México está
inmerso desde finales de la década de los ochenta.
En la segunda parte se analizan las características de la series de tiempo, en general, y se
trabaja con un modelo econométrico Vectores Autoregresivo (VAR) para analizar la relación
entre la serie de tiempo exportaciones agropecuarias y el tipo de cambio real.
El modelo incluye un componente de tendencia y una variable dummy que corresponde a la
apertura comercial. Posteriormente se presentan las pruebas de estacionaridad y
cointegración a las variables, y se procede a seleccionar los rezagos para especificar el
modelo y hacer la regresión. Además se analizan los resultados del modelo que llamamos
VAR(4).
2
CAPÍTULO I
Diagnóstico del sector Agropecuario y las Exportaciones Agropecuarias en
México en el periodo 1980-2014
Comenzamos incorporando un panorama de la situación de las exportaciones agropecuarias
en América Latina y El Caribe en las últimas tres décadas, así como la situación de México
en dicho entorno y los cambios de modelo económico que han transformado al sector
agropecuario y en este caso al sector exportador.
En la década de los 90, la región de América Latina y El Caribe retomó un nuevo impulso en
las exportaciones agropecuarias derivado de la recuperación, en 1994-1996, de los precios
internacionales de varios de los principales productos de exportación, así como por los
contratos de integración comercial, especialmente el MERCOSUR, que originaron superávits
en las balanzas comerciales agropecuarias de algunos países, como Brasil, Argentina y Chile,
mientras que para México, El Salvador, algunos países insulares y en menor medida en
Venezuela, se generaron déficits. (FAO, 2002). Sin embargo, la tendencia en el largo plazo
en todos los países de América Latina y El Caribe es que desciendan las exportaciones
agropecuarias y se incrementen las no agropecuarias. “En 1980 las exportaciones agrícolas
de América Latina y El Caribe significaban una tercera parte (33%) del total de los bienes
exportados, en 1990 bajaron al 27% , y en 2001 llegaron al 17% en este último periodo, sobre
todo por el acelerado crecimiento de las exportaciones no agrícolas de México”. (FAO, 2002
p. 254)
En el estudio realizado por los investigadores de la UNAM R. Escalante, L.M Galindo y H.
Catalán (2005), sobre las regularidades del sector agropecuario en México, distinguieron tres
etapas del crecimiento PIB agropecuario. La primera, de 1960 a 1978, donde se registran
tasas de crecimiento positivas, junto con un ritmo de crecimiento constante. La segunda, que
va de 1979 a 1989, se caracteriza como una etapa de estancamiento del producto agropecuario
asociada con la apertura comercial y la reducción de apoyos gubernamentales al sector. Y la
etapa, de 1990 a 2002, que se caracterizó por un menor ritmo de crecimiento en comparación
a la década de los sesenta y con mayor volatilidad. (Escalante et. al. 2005) “En este último
periodo se observa también que las exportaciones han tenido tasas de crecimiento positivas,
3
aunque para los últimos años del periodo, 2000-2002, pierden dinamismo.” (Escalante, et. al.
2005 p, 99).
La década de los ochenta se caracterizó por ser el periodo de la consolidación de la
liberalización. “Por estrategia de liberalización debe entenderse, en este contexto, una
estrategia económica integral (…) que incluye aspectos como: comercio, manufactura,
inversión, privatización, políticas de intercambio con el exterior y empleo” (Dussel, 1997 p,
118). Además de un cambio estructural que se entendía como un proceso de privatización y
la reducción de las actividades del Estado con el propósito de hacer un uso eficiente de los
recursos. Llegó a su fin una estructura basada en la industrialización sustitución de
importaciones, iniciada en la década de los 40, el modelo de “crecimiento hacia adentro”,
donde las exportaciones agropecuarias fueron una fuente de ingresos para apoyar a la
naciente industria moderna. Sin embargo “el sector primario, con un vigoroso dinamismo en
el crecimiento del PIB durante el periodo 1940-1950, comenzó a deteriorarse – en relación
con el resto de la economía – desde la década de los 50, a pesar de las tasas positivas de
crecimiento (…) gran parte de la pérdida de la participación del sector primario en el PIB fue
ganada por el sector industrial” (Dussel, 1997 pp. 124 y 125). Empezaron a decrecer las
exportaciones y a aumentar las importaciones agrícolas.
Menciona Dussel que, en la década de los 70 se agudizó el déficit de la cuenta corriente de
México, contribuyó de manera significativa el “shock” petrolero de 1973, se deterioraron los
términos de intercambio al mismo tiempo que aumentaron los precios relativos internos de
los bienes agrícolas e insumos del sector industrial. Los permisos a la importación se
empezaron a sustituir por el arancel lo que incrementó las importaciones, más tarde se vería
reflejado en el saldo de la balanza comercial deficitaria. A nivel productivo el modelo de
industrialización generó un exceso en la capacidad instalada y un alto grado de integración
vertical y horizontal que “resultó en altos costos, industrialización intensiva de capital con
un alto grado de concentración de la propiedad y la falta de competitividad internacional y
finalmente su incapacidad para generar vínculos endógenos requeridos, hacia adelante y
hacia atrás, entre los productos y los procesos” (Dussel, 1997 p.144)
4
Durante los primeros años de la década de los 80 ya se había agotado la estructura de
financiamiento que consistió en: superávit comercial primario, ingresos petroleros y créditos
externos.
El gobierno de De la Madrid creía que la crisis se debía también a factores
estructurales, es decir, a la estrategia de desarrollo basada en la sustitución de
importaciones y un gran activismo por parte del Estado. Se consideraba que esta
estrategia había promovido una asignación ineficiente de los recursos y había
introducido rigideces innecesarias en la oferta de bienes y servicios, (Lustig, 1994
p.49)
En diciembre de 1982 se anunció el Programa Inmediato de Reordenación Económica,
conocido como PIRE donde, entre otras cosas, se decidió cumplir con las obligaciones
restructuradas de la deuda, sin embargo no fue suficiente para evitar otra crisis en 1985, que
condujo a implementar medidas de estabilización como la liberalización comercial. Se
produjo un cambio notable en las exportaciones ya que el petróleo cedió ante las
manufacturas, aunado a nuevos préstamos del exterior y aumentos en el precio internacional
del petróleo que llevó a México a un superávit en la cuenta corriente en 1987 (Lustig, 1994
p. 67 y 70).
El gobierno de Carlos Salinas, llegó al poder en diciembre de 1988, y –entre otras- fueron
dos iniciativas las destinadas a recuperar la confianza de los inversionistas nacionales e
internacionales, a saber: la reprivatización de los bancos y la búsqueda de un tratado de libre
comercio con los Estados Unidos. Sin embargo el dinamismo productivo fue el de las
empresas oligopólicas, trasnacionales y monopólicas. (Rivera, 1997 p. 50 y 52). Se
evidenció, aunque no era un fenómeno nuevo, el desigual avance para la agricultura y la
minería, a nivel productivo, de empleo y salarial “entre 1988 y 1991 (…) el agro tuvo una
tasa de crecimiento promedio de 1.6% y la minería de 1.0%. Ello se compara muy
desfavorablemente con la manufactura (5.7%), electricidad (4.4%), transportes y
comunicaciones (5.5%) y servicios financieros (3.5%)”. (Rivera, 1997 p. 61)
Debido también al Pacto de Solidaridad Económica “entre 1988 y 1989 los precios agrícolas
se ajustaron más lentamente que otros precios” (Lustig, 1994 pp. 103 y 104)
5
El nuevo ordenamiento quedó codificado tanto en el Programa Nacional de
Modernización Industrial y Comercio Exterior 1990-1994 (Pronamice) como el
Programa Nacional para la modernización el Campo 1990-1994 (…) el eje de la nueva
normatividad que se impuso a partir de 1990 era garantizar estructuras de mercado
competitivas que forzarían a los productores, que no lograran adaptarse a la
competencia, a cerrar sus instalaciones; paralelamente se procuraba, especialmente
en el Pronamice, que los recursos liberados se orientaran hacia la producción de
bienes exportables, todo ello contextualizado por un Estado esencialmente “pasivo”.
(Rivera, 1997 pp. 72 y 73)
El retiro de CONASUPO como comercializadora ocasionó problemas en el almacenamiento,
distribución y venta de productos agrícolas, además de la insuficiente infraestructura,
agravado por la reducción de los precios mundiales de los productos agrícolas en la década
de los 90, tuvo efectos devastadores en el sector. (Rivera, 1997 p. 75)
El otro pilar de la modernización del régimen de producción en el campo fue la
reforma del Artículo 27 constitucional. Esta medida poseía una gran potencialidad
productiva, dado el agotamiento de la modalidad minifundista-ejidal de explotación
agrícola (…) no existió una estrategia destinada a apoyarse en esta reforma
constitucional para obtener dividendos productivos (…) no se produjo un auge de
asociaciones entre ejidos y grandes empresas capitalistas y la producción y la
inversión permanecieron estancadas. (Rivera, 1997 p. 76)
Con la devaluación de diciembre de 1994 se favorecieron, a partir de 1995, las exportaciones.
“El ajuste en el tipo de cambio duplicó la tasa de crecimiento de las exportaciones totales
debido a que impactó diversas ramas, además de las manufacturas. El mayor repunte no se
dio en este último, sino en las exportaciones mineras y agropecuarias, que habían estado
estancadas en los 15 años precedentes”. (Rivera, 1997 p.119). En general se dio un auge en
las exportaciones elevando su participación en el PIB de 15% a 25% (Rivera, 1997 p. 140).
Sin embargo el núcleo dinámico exportador, ya sea de productos agropecuarios o
manufactureros se concentra en las grandes empresas monopólicas y oligopólicas y
trasnacionales. Ya desde mediados de los noventa con el gobierno Zedillista en el “Programa
de Política Industrial y Comercio Exterior, reconoció que para consolidar una planta
6
industrial internacionalmente competitiva se requiere reestablecer las cadenas productivas, o
sea, reparar las fracturas del aparato productivo”. (Rivera, 1997 p. 162)
Estas transformaciones políticas, demográficas, tecnológicas y económicas al interior del
país afectaron al sector agropecuario mexicano. En cuanto a la política exterior, la apertura
comercial planteó exigencias medioambientales y calidad que modifican constantemente la
competitividad tradicional de los productos agropecuarios (Escalante y Catalán, 2008). La
liberalización comercial ha llevado a que la rentabilidad se concentre en los productos que
demanda el mercado internacional. “La proporción representada por el comercio exterior en
el PIB agrícola mexicano, pasó de un promedio del 19%, en el periodo 1990-1993, a 34% en
1994-2001. Un porcentaje importante del aumento se explica por la exportación de frutas y
verduras (…)”. (Cuellar, 2005 p. 14). Sin embargo las tasas de crecimiento anualizadas del
sector agropecuario reportaron con mayor frecuencia tasas negativas de crecimiento.
(Escalante, et. al 2005). “En general se observa una mayor dinámica de crecimiento en los
productos orientados hacia el mercado externo, debido a su mayor rentabilidad, en tanto que
los productos base de la dieta diaria del consumo de millones de mexicanos registra una clara
tendencia descendente en detrimento de la seguridad alimentaria nacional.” (Escalante, 2005
et. al. p. 16)
Al observar los subsectores, desde la década del 90, se puede apreciar que el subsector
agrícola contribuye con el 69% de la producción de todo el sector, además que la categoría
frutas y hortalizas representa “cerca de la mitad del valor de la producción, es decir, estos
productos son los que muestran el mayor dinamismo en el campo mexicano (…) las frutas
en 1990 representaban 23,6% del valor de la producción y en el 2005 se ubicaron en 29,1%.”
(Escalante, et. al. 2005, p. 14).
Es importante destacar a las frutas y las hortalizas porque son las más importantes en términos
de las exportaciones del sector y, por sus características, son cultivos de temporada dedicadas
al mercado de invierno (Escalante, et. al 2005)
Las principales exportaciones agrícolas y alimentarias de México incluyen: 1)
vegetales frescos y congelados; 2) frutas (frescas, helados y congelados); 3) productos
animales (cárnicos y lácteos); 4) alimentos procesados (productos procesados
orientados al consumidor, normalmente diferenciados o por marcas, incluyendo
7
bebidas de malta, frutas y vegetales procesados, jugos de frutas, productos de
pastelería y confites (Málaga y Williams, 2010 p. 299).
El grupo de productos alimentos procesados, donde se encuentra la cerveza, para 2004
representó el 38%; las frutas, el 15% y los productos animales el 10% del valor total de las
exportaciones a Estados Unidos (Málaga y Williams, 2010). Además la cerveza mexicana va
aumentando su dinamismo no solo en el mercado estadounidense sino también en el europeo
y el asiático mientras que los vegetales pierden dinamismo, “pasando de un 75% en 1990 a
un 55% en 2004. Mientras que la fruta y los productos cárnicos tienen oscilaciones”. (Málaga
et. al., 2010 p. 301)
De acuerdo al estudio de Málaga y Williams el tomate mexicano, que históricamente había
sido el producto de exportación más importante hacia los EU, perdió su dinamismo en los
años 90 después de entrar en vigor el TLCAN. Mientras que las exportaciones a la UE, en
el periodo de 2000 a 2002, de legumbres secas, aguacate y mango alcanzaron el 5% del total
de las importaciones de estos productos en la UE, pero con una tendencia a la baja, por la
participación de otras regiones como África y el medio oriente con los que la UE tiene
tratados preferenciales. “La cerveza mexicana es el producto estrella en términos de
participación en el mercado, alcanzando alrededor del 30% de las importaciones de cerveza
de la UE en el periodo 2000-2002.” (Málaga et. al., 2010 p. 304)
Los Estados proveedores de productos agroalimentarios demandados por EU son:
Sinaloa (jitomate), Sonora y Chihuahua (animales en pie y carne de bovino y cerdo),
Michoacán (aguacate), Jalisco (tequila), Distrito Federal y Estado de México
(productos agroindustriales), Veracruz (café y frutales) y Nuevo León (cerveza)
(SAGARPA, 2011). (Rodríguez y Becerril, 2012 p.33)
La apertura comercial de la década de los ochenta tuvo efectos diferenciados en el sector
agropecuario como consecuencia de su carácter heterogéneo, de acuerdo a Mahon, Cahill y
Jankowaska (2011). Por una parte se agudizó la crisis en la producción de cultivos
campesinos, maíz y frijol, destinados al autoconsumo y al mercado interno y se favoreció la
reconversión a cultivos empresariales, situación que ha generado una balanza comercial
agroalimentaria entre México y los Estados Unidos permanentemente deficitaria. (Escalante,
2005)
8
Las políticas públicas orientadas al sector favorecieron la especialización para aprovechar las
ventajas comparativas en el comercio, principalmente con los EU, “sin embargo sus
actividades no han generado encadenamientos productivos al interior de la economía toda
vez que no se observa una recuperación similar en el empleo y la producción.” (Escalante
et. al, 2005 p. 101).
Entre 2000 y 2012, el PIB de las actividades primarias registraron un crecimiento
promedio anual de 1.4% (agricultura 1.4%, ganadería 1.8% y pesca y acuacultura 0%)
mientras que la economía nacional creció a una tasa de 2.1%. Durante 2012, el PIB
de las actividades primarias creció en términos reales 6.6% y la agricultura avanzó
11% mientras que la ganadería no presentó variación anual. (Diario Oficial, 2013 p.
55)
La participación de los sectores en el PIB de 2012 fue: sector agropecuario 3.4%, sector
manufacturero de 34.6% y servicios de 58.8%. (Diario Oficial, 2013 p.56).
El mercado externo y los precios del mercado internacional han sido un factor determinante
en la transformación de la producción de las exportaciones agropecuarias mexicanas. Sin
embargo han venido enfrentando un fuerte proceso competitivo a nivel internacional que
provoca una baja en el dinamismo de las exportaciones consideradas como tradicionales en
las que se contaba con ventajas comparativas. Uno de los retos por lo tanto será revertir esa
tendencia (Málaga et. al., 2010) Un reto de política pública será buscar los encadenamientos
del sector exportador con los productores de cultivos tradicionales del mercado interno.
Además la nueva demanda de productos agrícolas utilizados como materias primas en la
generación de biocombustibles sin duda que también tendrá un impacto en algunos productos
y por lo tanto generará más transformación en la producción agropecuaria. (Escalante et. al.,
2010)
En los gráficos siguientes se muestran cortes quinquenales de la serie desagregada de las
exportaciones agropecuarias que maneja el INEGI en el Banco de Información Económica
(BIE). Dicha serie contiene datos mensuales en miles de dólares, desde al año 1993 hasta los
primeros seis meses de 2014. Con esos datos podemos apreciar un panorama general del
cambio en el grupo de los cinco bienes, que hemos denominado líderes de exportación. El
listado de productos agropecuarios que se exportan es el siguiente:
9
Cuadro 1
Productos agropecuarios exportados en el periodo 1993-2014
Ganado
vacuno Miel Flores Pimiento Jitomate
Cebollas y
Ajos Pepino Frijol Garbanzo
Frutos
comestibles
Plátanos Aguacates Mangos Cítricos Uvas y
pasas
Melón,
sandía y
papaya
Fresas
frescas
Café crudo en
grano Trigo Maíz
Tabaco Algodón
Otras legumbres
y hortalizas
frescas
Otros
productos
agropecuarios
Camarón
congelado
Otros pescados, crustáceos y moluscos
Fuente: INEGI, Banco de Información Económica, estadísticas del sector externo
Las exportaciones agropecuarias están registradas en 26 rubros y 7 de ellos agrupan a más de
un producto, como por ejemplo el de otras legumbres y frutas frescas, y 22 grupos
corresponden a productos agrícolas.
Como se observa en las gráficas 1 a la 6, podemos mencionar que el café, en 1995, ocupó
el primer lugar en la exportación agropecuaria con un 26% del total. Para el año 2000 ya se
encontraba en segundo lugar, con el 24%, y para 2005 ya no figuraba entre los primeros
cinco. Asimismo, el camarón congelado, que durante 1995 y 2000 se encontraba en cuarto
lugar, con 17%, para 2005 salió del grupo líder. Su lugar lo ocuparon el pimiento, con 19%,
y el aguacate, con 12%, en 2005, hasta llegar, en el primer semestre de 2014, el pimiento
con 18% y aguacate 20% .También se puede apreciar que las exportaciones del ganado
vacuno decrecieron drásticamente: pasaron de 21% del total en 1995 a 9% en los primeros
seis meses de 2014. El jitomate y el rubro de otras legumbres y hortalizas frescas son los que
no han dejado el grupo líder. El jitomate pasó de 22% del total en 1995 a 18% en 2000, a
29% en 2005, 36% en 2010 y 28% en lo que va de 2014. Desde 2005 ha estado en el primer
lugar de productos agropecuarios de exportación, además a nivel mundial México es el líder
en la exportación de jitomate y aguacate.
En el grupo de los cinco productos agropecuarios líderes, los productos agrícolas
representaron en 1995 62%. En 2000 el 67%. Se incrementó en 2005 a 83%. Llegó en 2010
10
a 88%. Y para los primeros seis meses de 2014, 91%. Lo anterior sin considerar a los rubros
agrícolas con porcentaje menor.
Gráfico 1
México 5 principales productos de exportación agropecuaria 1995
(Participación porcentual en el total de exportaciones)
Fuente: INEGI, Banco de Información Económica.
Ganado vacuno 21%
Jitomate 22%
Café crudo en grano 26%
Otras legumbres y hortalizas
frescas 14%
Camarón congelado
17% Ganado vacuno
Jitomate
Café crudo en grano
Otras legumbres yhortalizas frescas
Camarón congelado
11
Gráfico 2
México 5 principales productos de exportación agropecuaria 2000
(Participación porcentual en el total de exportaciones)
Fuente: INEGI, Banco de Información Económica.
Gráfico 3
México 5 principales productos de exportación agropecuaria 2005
(Participación porcentual en el total de exportaciones)
Fuente: INEGI, Banco de Información Económica.
Ganado vacuno 16%
Jitomate 18%
Café crudo en grano 24%
Otras legumbres y hortalizas
frescas 25%
Camarón congelado
17%Ganado vacuno
Jitomate
Café crudo engrano
Otras legumbresy hortalizasfrescas
Ganado vacuno 17%
Pimiento 19%
Jitomate 29%
Aguacates 12%
Otras legumbres y hortalizas
frescas 23%
Ganadovacuno
Pimiento
Jitomate
12
Gráfico 4
México 5 principales productos de exportación agropecuaria 2010
(Participación porcentual en el total de exportaciones)
Fuente: INEGI, Banco de Información Económica.
Gráfico 5
México 5 principales productos de exportación agropecuaria 2014
(Participación porcentual en el total de exportaciones)
Fuente: INEGI, Banco de Información Económica.
Ganado vacuno 12%
Pimiento 13%
Jitomate 36%
Aguacates 13%
Otras legumbres y hortalizas
frescas 26%
Ganado vacuno
Pimiento
Jitomate
Aguacates
Otras legumbres yhortalizas frescas
Ganado vacuno
9%
Pimiento 18%
Jitomate 28%
Aguacates 20%
Otras legumbres y hortalizas
frescas 25%
Ganado vacuno
Pimiento
Jitomate
Aguacates
Otras legumbres yhortalizas frescas
13
El gráfico 6 muestra el comportamiento de los saldos de las exportaciones y las importaciones
agropecuarias, desde 1993 hasta los primeros seis meses de 2004. Llama la atención el pico
de las exportaciones con saldo positivo, en los últimos meses de 1994 y la caída en el saldo
de las importaciones en 1995. La devaluación originada por la crisis de Diciembre de 1994
repercutió en un fuerte aumento de las exportaciones mexicanas, pero el impacto duró muy
poco, para el final de 1995 ambos saldos habían recuperado su ritmo oscilatorio. Es a partir
del año 2006 y hasta el 2008 que el diferencial de los saldos es muy amplio, se mantuvieron
las importaciones muy por encima de las exportaciones. A finales de 2008, nuevamente año
de crisis, cae abruptamente el saldo importador incluso en algunos meses de 2008 a 2011 por
debajo del saldo exportador, y nuevamente repunta en 2011 y 2012. Resulta importante
destacar que la crisis de 2008 no afectó de manera positiva a las exportaciones agropecuarias
tal como ocurrió en 1994 y sí afectó de forma negativa a las importaciones, por el
encarecimiento del tipo de cambio. En 2009 y 2010 el saldo de importaciones mantiene su
ritmo oscilatorio y nuevamente aumentó el saldo importador, a partir de 2011, y se mantuvo
en 2012 por arriba del saldo de las exportaciones. Con algunas caídas en 2012 y 2013 se
ubicó otra vez sobre el saldo de las exportaciones a finales de 2013.
En el 2012 el saldo del comercio exterior agroalimentario fue deficitario en 4,969
millones derivado de exportaciones agroalimentarias por 22,805 millones de dólares,
e importaciones por 27,774 millones de dólares. Durante los últimos diez años el
déficit promedio fue de 4,168 millones de dólares, históricamente el sector
agroalimentario ha sido deficitario. (Diario Oficial, 2013)
14
Gráfico 6
Balanza comercial de los productos agropecuarios 1993-2014
Fuente: INEGI, Banco de Información Económica.
El gráfico 7 nos muestra el saldo de la balanza comercial de productos agropecuarios.
Podemos reiterar el saldo positivo en la crisis de 1995, en 474.996 millones de dólares, y el
carácter oscilatorio de la serie durante el periodo. Sin embargo, después de 2007 los saldos
negativos se hacen más profundos. Destaca el de Octubre de 2008 que fue de -758.837
millones de dólares. A partir de entonces los saldos negativos se encuentran alrededor de los
500.00 millones, mientras los positivos en ocasiones alcanzan los 200.000 millones.
0
200000
400000
600000
800000
1000000
1200000
1400000
1600000
199
3/0
11
993/
08
199
4/0
31
994/
10
199
5/0
51
995/
12
199
6/0
71
997/
02
199
7/0
91
998/
04
199
8/1
11
999/
06
200
0/0
12
000/
08
200
1/0
32
001/
10
200
2/0
52
002/
12
200
3/0
72
004/
02
200
4/0
92
005/
04
200
5/1
12
006/
06
200
7/0
12
007/
08
200
8/0
32
008/
10
200
9/0
52
009/
12
201
0/0
72
011/
02
201
1/0
92
012/
04
201
2/1
12
013/
06
201
4/0
1
mile
s d
e d
óla
res
Periodo
Sector externo > Balanza de productos agropecuarios > Exportación Total a/
Sector externo > Balanza de productos agropecuarios > Importación Total a/
15
Grafico 7
Saldo de la balanza comercial 1993-2014
Fuente: INEGI, Banco de Información Económica.
El cuadro 2 muestra las tasas de crecimiento promedio anual de las exportaciones
agropecuarias. El primer periodo de tres años, 36 meses para el cálculo de la tasa de
crecimiento, tuvo una tasa es positiva de 2.71%. Aquí está reflejado el “pico” exportador de
la crisis de 1995, como se pude observar en el gráfico anterior. Los siguientes tres periodos
son cortes quinquenales, el cálculo de la tasa de crecimiento promedio es a 60 meses, y
observamos tasas negativas. En dos quinquenios, la tasa de 2005-2010 refleja la caída del
saldo comercial de 2008, mientras que la positiva, de 2000-2005, es de apenas 0.33%. En el
último periodo 2010-2014, 42 meses para el cálculo de la tasa de crecimiento promedio anual,
se ve la caída del dinamismo del sector exportador ya que es una tasa positiva que no llega
al 1% de promedio anual.
-1000
-800
-600
-400
-200
0
200
400
600
19
93/0
1
19
93/0
8
19
94/0
3
19
94/1
0
19
95/0
5
19
95/1
2
19
96/0
7
19
97/0
2
19
97/0
9
19
98/0
4
19
98/1
1
19
99/0
6
20
00/0
1
20
00/0
8
20
01/0
3
20
01/1
0
20
02/0
5
20
02/1
2
20
03/0
7
20
04/0
2
20
04/0
9
20
05/0
4
20
05/1
1
20
06/0
6
20
07/0
1
20
07/0
8
20
08/0
3
20
08/1
0
20
09/0
5
20
09/1
2
20
10/0
7
20
11/0
2
20
11/0
9
20
12/0
4
20
12/1
1
20
13/0
6
20
14/0
1
16
Cuadro 2
Tasas de crecimiento promedio anual de las exportaciones agropecuarias.
Periodo
Tasas de crecimiento promedio
Anual
1993-1995 2.71
1995-2000 -1.29
2000-2005 0.33
2005-2010 -2.31
2010-2014 0.91
Fuente: Elaboración propia con datos del INEGI, Banco de Información Económica.
El gráfico número 8 muestra las tasas de crecimiento anual de las exportaciones y de las
importaciones. Primero veamos la tasa de crecimiento de las exportaciones. Destaca en 1995,
año de crisis, la tasa de crecimiento anual que fue del 1% en los primeros meses del año, sin
embargo al terminar el mismo, la tasa ya era negativa. En los años posteriores las tasas no
alcanzan el 0.5% oscilando con tasas negativas, solo en el 2003 y en el 2008 superan el 0.5%,
mientras que 2009, otro año de crisis, la tasa fue negativa, de casi -0.5%. El efecto fue el
contrario al de 1995, como ya se comentó en cuadros anteriores. En lo que toca a la tasa de
crecimiento anual de las importaciones agropecuarias, en 1995 se tuvo una tasa de
crecimiento negativa de casi -0.5% para ascender en 1996 hasta casi el 2%. Posteriormente,
en la década de los 90, mantuvo un pequeño crecimiento que oscila entre el 0 y el 0.5%, con
un fuerte aumento en 2008 de casi el 1% y una caída en 2009 que no llegó al -0.5%, sin
embargo para 2010 y 2011 mantiene tasas positivas oscilatorias entre el 0 y 0.5%, y en 2012,
2013 y 2014 las tasas son muy pequeñas apenas por arriba del 0.1%. Es importante resaltar
el bajísimo crecimiento que tienen ambas tasas de crecimiento, lo que puede ser una
característica del sector y ser el resultado de la tecnología, capacitación y, por lo tanto, de
productividad.
17
Gráfico 8.
México: Tasa de crecimiento anual de las exportaciones e importaciones agropecuarias
1993-2014
Fuente: Elaboración propia con datos de INEGI, Banco de Información Económica.
La gráfica 9 de la tasa de crecimiento promedio anual de las exportaciones e importaciones
muestra importantes contrastes entre las series (es importante destacar que esta tasa fue
calculada a 12 meses). Mientras que las importaciones claramente mantienen una tasa de
crecimiento promedio anual positiva, aunque oscilatoria, las de la exportaciones, resultaron
negativas la mayor parte del periodo. La tasa de crecimiento promedio anual de las
importaciones llegó a casi 0.05%, en los años 1997, 1999 y 2002. Con excepción de 2008 y
2012, que fueron tasas de crecimiento promedio anual negativas de -0.02 y -0.03%
respectivamente, pero retorna rápidamente a positivas. Por otra parte la tasa de crecimiento
promedio anual de las exportaciones, en sus mejores años: 1994 y 2004, apenas alcanza a
superar el 0.2%. Entre los años 1994 a 2001, ocho años, se mantiene negativa. En 1995 casi
llegó al -0.04% en contraste con lo que habíamos observado en las gráficas anteriores de los
-1
-0.5
0
0.5
1
1.5
2
19
93
/01
19
93
/10
19
94
/07
19
95
/04
19
96
/01
19
96
/10
19
97
/07
19
98
/04
19
99
/01
19
99
/10
20
00
/07
20
01
/04
20
02
/01
20
02
/10
20
03
/07
20
04
/04
20
05
/01
20
05
/10
20
06
/07
20
07
/04
20
08
/01
20
08
/10
20
09
/07
20
10
/04
20
11
/01
20
11
/10
20
12
/07
20
13
/04
20
14
/01
Tasa
de
cre
cim
ien
to a
nu
al
TCA X
TCA M
18
saldos en la balanza de exportaciones y el saldo positivo de la balanza comercial.
Encontramos tasas de crecimiento promedio anual positivas desde mediados de 2001 hasta
mediados de 2005. Llegaron en 2004 a casi 0.03%.
De nueva cuenta observamos el comportamiento oscilatorio de la serie, pero después de la
caída de la tasa de crecimiento promedio anual de 2008, del -0.01%, las tasas de crecimiento
anual positivas apenas llegan a superar el 0.01% con lo que se reitera la pérdida de dinamismo
de las exportaciones agropecuarias. Podemos observar que la tasa de crecimiento promedio
anual de las importaciones después de la crisis de 2008 también pierde dinamismo.
Gráfico 9
México: tasa de crecimiento promedio anual de las exportaciones e importaciones.
1993-2014
Fuente: Elaboración propia con datos de INEGI, Banco de Información Económica.
Se incluyen los siguientes gráficos que ilustran a los productos agropecuarios mexicanos que
tuvieron el primer lugar como exportadores mundiales en 2012.
-0.05
-0.04
-0.03
-0.02
-0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
19
93
19
94
19
95
19
96
19
97
19
98
19
99
20
00
20
01
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
20
11
20
12
20
13
20
14
Tasa
de
cre
cim
ien
to p
rom
ed
io a
nu
al
AÑOS
TCPA X
TCPA M
19
Gráfico 10
México: Composición mundial de las exportaciones de Jitomate en el 2012
Fuente: Subsecretaría de fomento a los Agronegocios SAGARPA, con información del International Trade
Center (ITC).
23.6%
22.1%
15.0%
6.1%
5.6%
4.7%
4.6%
4.1%
2.9%0.0%
11.3%
México
Países Bajos (Holanda)
España
Turquía
Francia
Estados Unidos de América
Canadá
Bélgica
Italia
Marruecos
Resto
20
Gráfico 11
México: Composición mundial de las exportaciones de Aguacate en el 2012
Fuente: Subsecretaría de fomento a los Agronegocios SAGARPA, con información del International Trade
Center (ITC).
El gráfico siguiente muestra la estructura nacional del jitomate en 2012. Sinaloa el 21.8%,
Baja California 17.0%, Jalisco 6.7% y Guanajuato 5.1% y el resto de los estados el 22.7%
51.0%
12.8%
7.6%
7.2%
5.2%
3.9%
2.7% 2.6%
0.6% 0.1%
6.3%
México
Países Bajos (Holanda)
España
Chile
Estados Unidos de América
Sudafrica
Nueva Zelandia
Israel
Perú
Italia
Resto
21
Gráfico 12
Estructura de la producción nacional de jitomate 2012
Fuente: Subsecretaría de fomento a los Agronegocios SAGARPA, con cifras del Sistema de Información
Agroalimentaria de consulta SIACON
21.8%
17.0%
6.7%5.1%5.0%
4.9%
4.5%
4.5%
4.1%
3.8%
22.7%
SINALOA
BAJA CALIFORNIA
JALISCO
GUANAJUATO
SAN LUIS POTOSI
BAJA CALIFORNIA SUR
ZACATECAS
MICHOACAN DE OCAMPO
MORELOS
MEXICO
Resto
22
El gráfico 13 ilustra como Michoacán es el líder nacional indiscutible de la producción de
aguacate para exportaciones y es el número uno en el mundo, en las cifras de la SAGARPA
2012.
Gráfico 13
Estructura de la producción Nacional del aguacate 2012
Fuente: Subsecretaría de fomento a los Agronegocios SAGARPA, con cifras del Sistema de Información
Agroalimentaria de consulta SIACON
La actividad agropecuaria mexicana es heterogénea. Desde la década de los noventa se
enfrenta a la apertura, la competencia internacional, en lo que toca a los cambios en los
precios así como a un proceso de reformas, reorganización institucional y cambios
tecnológicos.También a los sucesos naturales y los cambios climáticos que hacen a este
sector vulnerable. Además de que enfrenta los grandes contrastes entre las regiones y el tipo
de productores, productos y productividad con una problemática social de desempleo y bajos
salarios.
85%
3% 3%2%2%
1%
1%1% 0% 0%
0%
0%
0%
0%
0%0%
MICHOACAN
JALISCO
MORELOS
NAYARIT
MEXICO
GUERRERO
PUEBLA
YUCATAN
CHIAPAS
OAXACA
DURANGO
HIDALGO
VERACRUZ
NUEVO LEON
23
Son los productos agropecuarios de exportación los que llevan el liderazgo en el conjunto del
sector, sin embargo las bajísimas tasas de crecimiento en el grupo líder revelan una crisis en
el sector, de aquí la importancia de realizar un estudio en el largo plazo.
A partir de este diagnóstico surgen las interrogantes: ¿en el largo plazo, cómo ha afectado el
tipo de cambio real y sus fluctuaciones en el comportamiento de las exportaciones
agropecuarias? ¿Cuál es la tendencia natural de la serie? ¿Hay un efecto positivo de la
apertura comercial en el comportamiento de las exportaciones agropecuarias? Para ello
realizaremos un modelo econométrico en donde evaluaremos los signos de los coeficientes
asociados a estas variables explicativas, y adicionalmente averiguaremos si los efectos son
significativos en el comportamiento de las exportaciones.
En suma, podemos resaltar nuevamente el casi nulo crecimiento del sector exportador, que
se observa en las precarias tasas de crecimiento, por ejemplo la de los años 2010-2014, de
solo 0.91 por ciento. Las reformas en el campo y la apertura comercial, de la década de los
90, por sí solas no han sido suficientes para elevar la productividad del sector exportador y
mucho menos para generar un efecto en el crecimiento del sector agrícola. Observamos una
constante recomposición de los productos líderes de exportación, donde solo el jitomate y el
aguacate se han afianzado como tales pero que tampoco han generado una dinámica de mayor
crecimiento en el sector. Además la crisis y devaluación de 2009, y por lo tanto al tipo de
cambio, tuvieron un impacto positivo de muy pocos meses en el saldo de las exportaciones
agropecuarias. En la balanza comercial agropecuaria la constante es un déficit de alrededor
de 4 mil millones de dólares en lo que va de 2010 a la fecha.
24
CAPÍTULO II
Naturaleza del análisis de regresión en series de tiempo
Como es sabido, cuando realizamos análisis de series de tiempo, es fundamental considerar
si las series son estacionarias o no, ya que de no ser así entonces podemos correr el riesgo de
efectuar una regresión espuria lo que falseará la relación efectiva entre las exportaciones
agropecuarias y el tipo de cambio, por esa razón en este capítulo presentaremos las
evidencias suficientes para averiguar esta característica y a partir de las conclusiones
obtenidas de este análisis de las series se planteará la forma funcional adecuada para modelar
la relación entre las variables índice del tipo de cambio real y exportaciones agropecuarias.
Uno de los modelos econométricos relativamente sencillos que podemos encontrar en la
econometría de series de tiempo es el de Vectores autorregresivos llamados modelos VAR,
que representan una técnica de análisis multivariado. Esencialmente, utiliza la dependencia
temporal de las series excluyendo la información teórica, que solo es utilizada para
seleccionar un conjunto de variables relevantes. La característica de este tipo de modelos es
que la econometría está menos predeterminada por la teoría y deja un margen para que los
mismos datos se expresen con mayor libertad al observar las regularidades empíricas de las
series de tiempo. El propósito del modelo, como en todo modelo econométrico, es el
pronóstico, en este caso a corto plazo (Gujarati, 2004).
En este capítulo hablaremos sobre la naturaleza de las series de tiempo en el análisis
econométrico, las definiremos, veremos sus características principales: tendencia, ciclo,
componente estacional y variación residual. Además consideraremos la importancia de la
estacionariedad y de la autocorrelación en modelos econométricos que involucran series de
tiempo, el papel de los rezagos así como las posibles violaciones a los supuestos de mínimos
cuadrados en la econometría de series de tiempo.
Wooldridge (2009), define a la serie de tiempo como una variable a lo largo del tiempo, es
decir, una base de datos en serie de tiempo consiste en una o más variables a lo largo del
tiempo. Al incluir el tiempo, los datos adquieren una naturaleza dinámica (Hill, Griffiths y
Lim, 2011). Podemos ampliar estos conceptos con lo que dice Gujarati (2004): un proceso
estocástico o aleatorio es una colección de variables aleatorias ordenadas en el tiempo
(p.771).
25
Ejemplos de series de tiempo son el Producto Interior Bruto, las exportaciones: petroleras,
manufactureras, agropecuarias; las importaciones, el precio de las acciones, la cantidad de
dinero en circulación, etc. Wooldridge señala:
Debido a que los eventos pasados pueden influir sobre los eventos futuros y los
comportamientos rezagados son frecuentes en las ciencias sociales, el tiempo es una
dimensión importante (…). A diferencia de los datos de corte trasversal, en una serie
de tiempo el orden cronológico de las observaciones proporciona información
potencialmente importante. (p. 8)
Componentes de las series de tiempo
Debemos tener presente que los indicadores económicos se presentan como series de tiempo,
de ahí la importancia de definir los componentes de las mismas (Heath, 2012 p.17).
Dichas series se constituyen por cuatro componentes, según Heath:
1) La tendencia de largo plazo.
2) El componente cíclico alrededor de la tendencia de largo plazo.
3) El movimiento estacional que ocurre dentro del año calendario.
4) Una variación residual, con cierto grado de aleatoriedad, que proviene de la
naturaleza de cada variable.
1) La tendencia.
Como las variables se observan en el transcurso del tiempo, definen un comportamiento
determinístico, lo que indica que conocido el pasado se puede prever el futuro, o estocástica,
en la que no se conoce su proceder a futuro. Como menciona Wooldridge (p. 331) las series
positivas o ascendentes son más comunes en las series económicas. Para formular una serie
de tiempo Wooldridge propone la siguiente ecuación básica:
yt = α0 + α1t + et t = 1, 2,…,
En el caso más sencillo, {et} es una secuencia independiente e idénticamente
distribuida (i.i.d.) con E (et) = 0 y Var (et) = 𝜎𝑒2. Advierta como el parámetro α1
multiplica al tiempo, t, lo que da como resultado una tendencia lineal en el tiempo.
La interpretación de α1 en la ecuación es sencilla: si se mantienen fijos todos los
26
demás factores (los de et), α1 mide el cambio en yt de un periodo al siguiente debido
al transcurso del tiempo: cuando Δet = 0,
Δyt = yt – yt-1 = α1.
Otra manera de considerar una secuencia que tiene una tendencia lineal en el tiempo
es que su valor promedio es una función lineal en el tiempo:
E (yt) = α0 + α1 t
Si α1 > 0, entonces, en promedio, yt está creciendo en el tiempo y por consiguiente
tiene una tendencia hacia arriba. Si α1 < 0, entonces yt tiene una tendencia hacia abajo.
Los valores de yt no caen de manera exacta sobre la línea en la ecuación debido a la
aleatoriedad, pero los valores esperados sí están sobre ella. A diferencia de la media,
la varianza de yt es constante en el tiempo: Var (yt) = Var (et) = 𝜎𝑒2 (pp. 360 y 361).
El ejemplo clásico de serie de tiempo es el PIB. A continuación, el PIB real de México en
miles de millones de pesos del 2008.
Gráfico 14
Fuente: PIB real de México, miles de millones de pesos 2008, INEGI.
2,000
4,000
6,000
8,000
10,000
12,000
14,000
16,000
1970 1975 1980 1985 1990 1995 2000 2005 2010 2015
PIB MÉXICO PIB Real , pesos 2008 Miles Millones de Pesos 2008
27
Podemos decir que esta serie es de tendencia ascendente. La importancia que señala
Wooldridge (2009) en las series de tiempo, para el análisis de regresión, bajo el supuesto del
modelo lineal clásico, es que E (yt) es lineal en t. Pero existen otros casos.
Muchas series de tiempo económicas se aproximan mejor por medio de una tendencia
exponencial, la cual se sigue cuando una serie tiene la misma tasa de crecimiento
promedio de un periodo a otro (…) en la práctica una tendencia exponencial en una
serie de tiempo se consigue modelando el logaritmo natural de la serie como una
tendencia lineal (suponiendo que yt >0):
log (yt) = β0 + β1t+ et, t = 1, 2…
La exponenciación muestra que yt por si misma tiene una tendencia exponencial:
yt = exp (β0 + β1 t+ et)
Como se deseará utilizar series de tiempo de tendencia exponencial en los modelos
de regresión lineal, la ecuación log (yt) = β0 + β1 t+ et , t = 1,2,… resulta ser la forma
más conveniente para representar estas series. (Wooldridge, 2009 p. 334).
Gráfico 15
Logaritmo del PIB real de México
Fuente: Eviews
8.0
8.2
8.4
8.6
8.8
9.0
9.2
9.4
9.6
1970 1975 1980 1985 1990 1995 2000 2005 2010 2015
LPIB
28
El gráfico 15 es la serie del PIB real de México transformada a logaritmos.
Aunque las tendencias lineales y exponenciales son las más comunes, las tendencias pueden
ser modeladas de distinta forma (…) Es posible asumir que una serie de tiempo en lugar de
poseer una tendencia lineal, cuente con una tendencia que se modela en términos cuadráticos,
a saber, bajo la siguiente forma funcional:
yt = α0 + α1t + α2t2 + et.
Si α1 y α2 son positivas, entonces la pendiente de la tendencia está aumentando (Wooldridge,
2009 p. 362)
Gráfico 16
Fuente: Creada a partir de la forma funcional propuesta por Wooldridge en STATA.
2) El componente cíclico.
Es esencial porque los indicadores económicos más importantes están relacionados con el
ciclo económico (Heath, 2012). Para Heath, “los ciclos económicos son los altibajos que
experimenta la actividad económica total del país a través del tiempo y se deben a diversos
factores como por ejemplo: ajustes en la política interna o externa, un conflicto bélico, o al
0
500
00
100
00
01
50
00
0
y
0 100 200 300 400 500t
29
reacomodo de los diversos mercados” (Heath, 2012 p.p 30 31). Los ciclos de crecimiento,
growth cicles, registran variaciones positivas y negativas en relación con la tendencia de
crecimiento de largo plazo que típicamente abarca varios ciclos de negocios, business cycle,
o también llamados clásicos (Heath, 2012 p. 46) por lo que “el pico en el ciclo de crecimiento
ocurre cuando encuentra el punto más alto por encima de su tendencia y el punto mínimo
cuando esta lo más apartado por debajo de la tendencia a largo plazo. El ciclo de crecimiento
también se refiere a las fluctuaciones en la brecha del producto, output gap, el cual se utiliza
mucho en las decisiones de política económica”. (Heath, 2012, p. 55). El ciclo de negocios
“registra periodos de expansión cuando la dirección de la actividad económica va en aumento
a partir del punto mínimo de la recesión anterior, y las fases de recesión son aquellas en los
que la dirección de la actividad económica va disminuyendo a partir del punto máximo de la
expansión anterior” (Heath, 2012 p.48). El ciclo clásico elimina el componente estacional
exclusivamente, por ello se puede observar una tendencia alcista a lo largo del tiempo con
variaciones irregulares. Mientras que la metodología de los ciclos de crecimiento elimina la
tendencia de largo plazo y el componente irregular por lo cual únicamente se observa el
componente cíclico”. (p. 50) A continuación la gráfica de la serie histórica de la tasa del
crecimiento anual del PIB junto con la tasa de crecimiento anual Media móvil, que revelan
un componente cíclico.
30
Gráfico 17
Tasa de crecimiento anual del PIB
Fuente: Elaboración propia con base en INEGI, serie histórica del PIB.
3) El movimiento estacional.
Es el examen del comportamiento de una serie estadística a través del tiempo para encontrar
patrones repetitivos en el calendario anual. Finalmente el proceso ajusta la serie para
aproximar los movimientos que habrían pasado si no hubiera existido el patrón estacional.
(Heath, 2012 p.18). En palabras de Wooldridge
Si se observa una serie de tiempo a intervalos mensuales o trimestrales, ésta puede
manifestar estacionalidad. (…) Aun cuando muchas series de datos mensuales y
trimestrales muestran patrones estacionales, no todas los hacen (…). Una serie
ajustada estacionalmente esa aquella a la que, en principio, se han eliminado los
factores estacionales (p.368).
Unos ejemplos de estacionalidad son: las ventas del periodo navideño, el aumento en las
reservaciones hoteleras en el periodo vacacional, la producción agrícola. Podemos decir que
-20
-15
-10
-5
0
5
10
15
1920 1930 1940 1950 1960 1970 1980 1990
Tasa
de
cre
cim
ien
to
Año
Tasa de crecimiento anual del PIB (serie histórica base 1980)
TCAnual PIB base 1980
TC Anual PIB Media movi 6a
31
son todos aquellos indicadores que están influidos por las costumbres, cultura, hábitos de
consumo de la sociedad e incluso la influencia climática. Sin embargo existen otras series
que no tienen ese patrón observable “Por ejemplo, no existe un patrón estacional observable
en los intereses mensuales o en las tasas de inflación (…). El ajuste estacional se ha vuelto
tan común que en muchos casos no es posible obtener datos no ajustados estacionalmente”
(p.368)
4) La variación residual.
Para Wooldridge, este componente de toda serie de tiempo se identifica como una variable
puramente aleatoria, con cierta media y una varianza establecida. Típicamente se considera
que, por ejemplo en el modelo con tendencia lineal presentado previamente:
yt =α0 + α1t + et t = 1, 2,…,
El término et, tiene una media nula y una varianza constante.
Un comportamiento gráfico de una serie puramente aleatoria es la que se presenta a
continuación:
Gráfico 18
Fuente: elaboración propia creada en Stata
-4-2
02
4e
0 100 200 300 400 500t
32
Notamos como esta variable en serie de tiempo denominada et, fluctúa aleatoriamente pero
siempre en torno a una media que en este caso es cero y con una varianza igual a uno, tal
como lo hace una variable aleatoria con una distribución normal estándar.
Podemos decir que toda serie de tiempo tiene una tendencia que dibuja su proceder en torno
al tiempo, y que existe más de una manera en que se puede presentar la tendencia. Las series
económicas responden a los altibajos de la actividad económica, o al ciclo económico, y
algunas con mayor profundidad que otras por lo que es necesario determinar ese componente.
Mientras que el comportamiento estacional de algunas series se refiere a patrones del año
calendario, debido a las costumbres o factores climáticos, que afectan a algunas series.
Además de una variación residual que es un componente aleatorio de toda serie de tiempo.
3. Sobre la estacionariedad en las series de tiempo
Hasta ahora, hemos realizado una breve descripción sobre las características de una serie de
tiempo (tendencia, ciclo, estacionalidad) y hemos puesto algunos ejemplos. Sin embargo es
necesario considerar que además en series de tiempo y análisis de regresión con series de
tiempo existen otras posibles características como la estacionariedad, la autocorrelación y
los efectos distribuidos a través del tiempo en las variables explicativas y la explicada.
Resulta importante profundizar sobre la estacionariedad. ¿Qué es y cuáles son sus
implicaciones? Abordaremos primeramente lo que dice Gujarati: “se dice que un proceso
estocástico es estacionario si su media y su varianza son constantes en el tiempo, o
invariantes, y si el valor de su covarianza entre dos periodos depende solamente de la
distancia o rezago entre estos dos periodos de tiempo y no del tiempo en el cual se ha
calculado la covarianza” (p.772). Hill, Griffiths y Lim mencionan que: “las series de tiempo
también suponen estacionariedad, lo que quiere decir que la variable no es explosiva, no
existe una tendencia, ni vaga sin rumbo sin tener que regresar a su media”. (p. 339) Para
Wooldridge, “un proceso de series de tiempo estacionario es aquel en el que sus
distribuciones de probabilidad se mantienen estables con el paso del tiempo en el siguiente
sentido: si se toma cualquier colección de variables aleatorias de la secuencia y se las
desplaza h periodos, la distribución de probabilidad conjunta debe permanece inalterada (…)
la naturaleza de cualquier correlación entre términos adyacentes sea la misma en todos los
periodos”. (p.378) Las propiedades de una serie estacionaria son las siguientes:
33
E (yt) = μ
Var (yt) = σ2
Cov (yt, yt+s) = cov (yt, yt-s) = γs
Covarianza depende de s no de t (Hill, et al. 2011 p. 477). En otras palabras, que una serie
sea estacionaria implica una estabilidad en el tiempo.
Gráfico 19
Proceso estacionario o de ruido blanco
Fuente: elaboración propia creada en Stata
El gráfico 19, anterior, muestra un proceso estacionario o llamado también de ruido blanco.
Se dice que un proceso es puramente aleatorio, o de ruido blanco (…) si tiene una media
igual a cero, una varianza constante, y no esta serialmente correlacionada” (Gujarati, 2009
p.773). Según Gujarati:
La distinción entre procesos estocásticos, o series de tiempo, estacionarios y no
estacionarios tiene una importancia fundamental para saber si la tendencia (la lenta
evolución a lo largo de la serie de tiempo) observada en las series de tiempo
presentadas (…) es determinística o estocástica. Hablando en términos generales, si
34
56
7x
0 100 200 300 400 500t
34
la tendencia en una serie de tiempo es del todo predecible y no variable, se llama
tendencia determinística; en tanto que si no es predecible, se le llama tendencia
estocástica (p.777).
4. La regresión espuria. El fenómeno de la regresión espuria se entiende como una regresión
falsa o sin sentido entre dos series de tiempo.
Para entenderla vamos a suponer que se tienen dos series, yt y xt, lo significativo es que ambas
no son estacionarias. Una característica de las series es que tienen tendencias comunes pero
no existe ninguna relación entre ambas.
yt = yt-1 + ut ut ~ N (0,σ2)
xt = xt-1 + vt vt ~ N (0,σ2)
yt = β0 + β1 xt + vt
Como primer punto sabemos que el R2 de la regresión debe tender a cero lo que indicaría
que no existe relación entre las dos variables. Sin embargo, al hacer una regresión de yt
sobre xt el resultado muestra un valor de R2 estadísticamente significativo, por lo que una
primera conclusión diría que existe una relación estadística significativa entre las dos
variables, aunque sabemos que no debería haber ninguna, además el R2 es mayor al valor de
Durbin Watson, que tiende a cero, por lo que el resultado es una regresión espuria. (Gujarati,
2014 p. 806) “La razón principal de saber si una serie es estacionaria o no, es que se corre el
peligro de hacer una regresión y obtener resultados aparentemente significativos a partir de
datos no relacionados, estas regresiones son llamadas espurias”. (Hill, et al. 2011 p. 482) Es
muy importante tener en cuenta que existen factores inobservables con tendencia que afectan
a yt y que podrían estar correlacionados con las variables explicativas. De no considerarlo, se
podría encontrar una relación falsa entre yt y una o más variables explicativas lo que se
denomina problema de regresión espuria. (Wooldridge, 2009 p. 363).
5. Autocorrelación en series de tiempo. Se refiere a que una variable esté afectada, o sea el
resultado de su comportamiento previo. Variables como, por ejemplo, el crecimiento del
producto tiene cambios de acuerdo a lo que sucedió en el pasado. En otras palabras, existen
rezagos y ciclos que explican su comportamiento presente. Y esto mismo ocurre
35
generalmente con las variables de tipo económico, se espera de ellas una cierta inercia en el
tiempo. Lo anterior llevaría a violar el supuesto de MCO de no autocorrelación entre términos
de error y de la variable dependiente, esto es: Cov (et, es) = 0; Cov (yt, ys)=0 para todo t≠s.
La autocorrelación en el error también puede surgir ya que al omitir una variable relevante
el efecto lo recoge o refleja el término de error. También se presenta cuando una variable
dependiente está autocorrelacionada y dicho fenómeno no es explicado de manera adecuada
por una variable independiente ni por sus rezagos. (Hill, et al. 2011 p. 347)
Una consecuencia de la autocorrelación al violar el supuesto Cov (et, es) = 0 para todo t≠s
es que los estimadores ya no son eficientes, o de varianza mínima. Otra es que la varianza
residual subestima la varianza verdadera. Una más es que las pruebas de significación
estadística “t” y “F”, presentan intervalos más amplios, aún si el tamaño de la muestra
aumenta, y esto produce resultados equivocados. Y el valor de R2 también será sobrestimado.
Por lo tanto el modelo pierde validez en términos de la inferencia estadística. (Gujarati, 2004
p. 454).
6. Rezagos de las series de tiempo. “Para analizar los datos de series de tiempo en las
ciencias sociales, es necesario reconocer que el pasado, o eventos pasados, influye en el
futuro y que, por lo tanto, las consecuencias de las decisiones económicas, en un tiempo
determinado, dan lugar a cambios en las variables que pueden durar mucho tiempo
(Wooldridge, 2009, p. 8 y 340). ¿Cómo incorporar a los modelos econométricos dicho
pasado?, ¿se pueden medir esos cambios y cuánto durarán?
Es posible mediante los modelos dinámicos. Menciona Hill: “una relación dinámica es una
en la que el cambio de una variable hoy tiene un impacto en esa misma variable u otra, en
uno o más periodos de tiempos futuros” (2011 p. 336).
El carácter dinámico de las relaciones entre variables suele expresarse a través de los modelos
como el de retardos distribuidos finitos yt = f (xt, xt-1, xt-2…) (Hill, et al. 2011, p.337) La
variable yt, dependiente, es explicada por la variable xt y sus retardos.
Una segunda forma de capturar la naturaleza dinámica de los datos de serie de tiempo es
especificar un modelo con una variable dependiente rezagada como variable explicativa.
36
Ejemplo: yt = f (yt-1, xt) la ecuación anterior es una ecuación general que después es
remplazada con una función lineal (...) un modelo de esta naturaleza es una forma de modelar
la correlación entre los valores actuales y pasados de una variable dependiente. Además se
pueden combinar las características de yt = f (xt, xt-1, xt-2…) y de yt = f (yt-1, xt) y así podemos
tener un modelo dinámico con valores rezagados tanto en la variable dependiente y
explicativa tal como:
yt = f (yt-1, xt, xt-1, xt-2)
Estos modelos se llaman autorregresivos con rezagos distribuidos (ARDL) y autorregresivo
significa una regresión de yt en su propio rezago o rezagos”. (p.337)
Continúa explicando Hill:
Una tercera forma de modelar el impacto continuo de cambio durante varios periodos
es a través del término de error (…) podemos escribir:
yt = f (xt) + et et = g (et-1)
Donde la función et = g (et-1) se utiliza para denotar la dependencia del error en su
valor en el periodo anterior. En este caso et se correlaciona con et-1 decimos que los
errores están serialmente correlacionados o autocorrelacionados. Debido a que yt = f
(yt-1, xt, xt-1, xt-2) implica et+1 = g (et) la naturaleza dinámica de esta relación es tal que
el impacto de cualquier choque impredecible que se alimenta en el término de error
se hará sentir no solo en el periodo t, sino también en periodos futuros. (p.338)
El impacto del error en el tiempo está planteando un cambio totalmente inesperado que va a
durar a través del tiempo.
Características de los modelos VAR
Los modelos de Vectores Autorregresivos, (VAR) tienen como objetivo identificar
relaciones de simultaneidad o mutua dependencia entre 2 series de tiempo (y1t, y2t) llevan ese
nombre porque estamos tratando no con una sola variable dependiente, sino más bien con un
vector de dos o más variables dependientes, y los valores contemporáneos de las series tienen
como variables explicativas a sus valores rezagados “p” periodos, en ese sentido es
autorregresivo, asimismo figuran como variables explicativas los “p”rezagos de su
37
contraparte (es decir :si la dependiente es y1t, aparecen como regresores los valores rezagados
“p” periodos de y1 t, y viceversa) . Los modelos VAR son un marco general para describir
la interrelación dinámica entre dos variables estacionarias que no poseen una relación
cointegrante o de largo plazo (Hill, et al. 2011 p. 499). En ese sentido Hill, Griffits y Lim
Consideran dos requisitos estadísticos fundamentales para poder trabajar modelos VAR, a
saber:
i) Que las series involucradas en el modelo var sean estacionarias (y1t, y2t)
ii) Que dichas series no estén cointegradas, es decir que no compartan ninguna
relación de largo plazo.
Figura 1
Diagrama de decisión para realizar modelos VAR
Para las series de tiempo no estacionarias
Series de tiempo no estacionarias
Cointegran
Modelo
VEC
No Cointegran
Modelo VAR
Primera dferencia
38
Figura 2
Para las series de tiempo estacionarias
Fuente: Hill, 2011 et. al. p. 499
Formalmente un modelo VAR de orden “p” podemos identificarlo de la siguiente manera:
Sea Y un vector de la forma Y= {y1t, y2t, …ynt} que contiene n variables en serie de tiempo
estacionarias y no cointegradas. El modelo básico VAR con p rezagos (VAR(p)) se define
como sigue:
tptp3t32t21t10 εYβ...YβYβYββYt
Donde β0 es el vector de interceptos del modelo VAR
βi Para todo i=1,2,…p; representan a las matrices de coeficientes asociados a los
rezagos de cada una de las variables contenidas en el vector Y
ε es el vector de errores del modelo VAR, mismo que asumimos se comporta con
E[εt]=0, Var[εt]=σ2 y no están asociados linealmente (no hay correlacion serial entre
Series de tiempo estacionarias
Modelo VAR
39
errores). Estos son los términos de error estocástico llamados impulsos, innovaciones
o choques, en el lenguaje de VAR (Gujarati, 2004 p. 823).
En el caso de un modelo VAR(1) con 2 variables involucradas, la notación es entonces la
siguiente:
X
t
Y
t
t
t
t
t
y
y
y
y
1,2
1,1
2221
1211
20
10
2
1
O alternativamente:
y1t = β10+ β 11 y1,t-1+ β 12 y2,t-1+ 휀𝑡𝑦
y2t = β 20+ β 21 y1,t-1+ β 22 y2,t-1+ 휀𝑡𝑥
El modelo básico VAR puede especificarse para un orden mayor a 1, esto es, de orden p con
n variables, tal como se observa en la primer forma matricial. Al trabajar con variables y1,y2
I (0) podremos hacer la estimación por mínimos cuadrados ya que cumplen con las
propiedades de una serie estacionaria, que ya se mencionaron en apartados previos.
Al seleccionar un conjunto de variables no se requiere imponer restricciones en términos de
definir variables endógenas y exógenas, el modelo VAR permite identificar cómo es la
relación entre dichas variables y de igual manera permite identificar si solo una de ellas
condiciona a la otra o más bien la relación es simultánea.
De la ecuación anterior:
y1t = β10+ β 11 y1,t-1+ β 12 y2,t-1+ 휀𝑡𝑦
y2t = β 20+ β 21 y1,t-1+ β 22 y2,t-1+ 휀𝑡𝑥
Hill et al. (2011) considera que: Hay dos posibles perturbaciones en el sistema, uno en y1t y
el otro en y2t . El interés de la estimación del modelo VAR está en cuantificar cuatro impulsos
responsables en las funciones que son los siguientes; por un lado el efecto de un choque en
40
y1 en la trayectoria en el tiempo de y1 y de y2 ; y además, el efecto de un choque en y2 en el
trayecto del tiempo de y1 y y2. (Hill, 2011 et. al. p.505).
El modelo VAR básico, con 2 variables, se considera de causalidad bilateral, debido a las dos
variables y cuatro tipos de causalidad según Ngurah:
1) Causalidad unidireccional, a partir de y2 y y1 indica que los coeficientes estimados en
los rezagos de y2 son estadísticamente diferentes de cero como un grupo. Y el
conjunto de coeficientes estimados en rezagos de y1 no son estadísticamente
diferentes de cero como grupo.
2) Por el contrario la causalidad unidireccional de y1 a y2 existe si los rezagos en el
coeficiente y2 son estadísticamente diferente de cero como grupo. Y el conjunto de
los coeficientes estimados con los rezagos de y1 son estadísticamente diferentes de
cero como grupo.
3) Reacción o causalidad bilateral se sugiere cuando los conjuntos de rezagos de los
coeficientes estimados de y1 y de y2 son estadísticamente diferentes de cero en ambas
regresiones.
4) Finalmente la independencia sugiere que el conjunto de rezagos de los coeficientes
estimados de y1 y y2 no son estadísticamente significativos en ambas regresiones.
(Ngurah, 2009 p.322)
Los modelos VAR también pueden incluir, variables puramente exógenas, tal es el caso de
la tendencia, y variables dicótomas (ejemplo: variables dummy que modelan cambios
estructurales).
Por ejemplo, un modelo VAR(1) con dos regresores adicionales agrupados en el vector
X:{x1t, x2t} se expresa del siguiente modo:
X
t
Y
t
t
t
t
t
t
t
x
x
y
y
y
y
,2
,1
2221
1211
1,2
1,1
2221
1211
20
10
2
1
Antes de estimar un modelo VAR, se tiene que decidir la longitud máxima del rezago p:
Esto es una cuestión empírica (…) agregar muy pocos rezagos provocará errores de
especificación. Una forma de decidir esta cuestión es utilizar criterios como el de
41
Akaike o el de Schwarz, para después elegir aquel modelo que proporcione los valores
más bajos de dichos criterios. En definitiva, no se puede evitar cierto grado de ensayo
y error (Gujarati, 2004 p. 823).
Los modelos VAR pueden ser útiles para el pronóstico de series de tiempo. En el caso de
una variable solo es necesario estimar y analizar la ecuación para y. (Wooldridge, 2009,
p.649)
El pronóstico de yn+1 es:
𝑓n = 𝛿0 + �̂�1 yn + 𝛾1 zn
Donde se supone que los parámetros se estimaron mediante MCO. Se usa gorro sobre
fn para enfatizar que se han estimado los parámetros en el modelo de regresión. El
error de pronóstico, que no se conocerá sino hasta el momento n+1, es:
�̂�n+1 = yn+1 - 𝑓n
El pronóstico de 𝑓n de yn+1 se conoce como pronóstico puntual. También se puede
obtener un intervalo de pronóstico. (Wooldridge, 2009, p. 647).
Gujarati señala cuatro problemas de los VAR: 1) por ser a teóricos son menos apropiados
para el análisis de política. 2) la selección de la longitud de los rezagos puede consumir
muchos grados de libertad. 3) todas las variables implicadas en el VAR deben ser
estacionarias, o transformadas a estacionarias en forma conjunta mediante una diferenciación
de otra manera se presentará un problema de raíces unitarias. 4) los coeficientes individuales
del VAR son de difícil interpretación por lo que se analiza la función impulso respuesta
cuestionada por algunos investigadores y que es pieza central en el análisis de los VAR.
(Gujarati, 2004 pp.826 y 827)
42
CAPÍTULO III
Variables a considerar en el modelo.
Una vez que hemos expuesto las características de las series de tiempo, hablaremos ahora de
las series que abordaremos para realizar nuestro modelo econométrico. Recordemos que el
objetivo es analizar las exportaciones agropecuarias de México, por lo que recurrimos al
Banco de Información Económica, BIE, del Instituto Nacional de Estadística Geografía e
Informática, INEGI, donde encontramos, en el apartado del sector externo, a las
exportaciones no petroleras por grandes grupos de actividad económica, exportaciones
agropecuarias con periodicidad mensual desde enero de 1980, hasta febrero de 2014, medidas
en millones de dólares. La fuente del INEGI es el grupo de trabajo de Estadísticas de
Comercio Exterior, integrado por el Banco de México, el mismo INEGI, el Servicio de
Administración Tributaria y la Secretaría de Economía. La nota del archivo Excel menciona
que se incluye el valor de las exportaciones de los productos agrícolas, silvícolas, los de
ganadería, apicultura, caza y pesca.
Para la variable tipo de cambio, también se recurrió al INEGI y al BIE, ahora en el apartado
de indicadores de coyuntura, indicadores financieros y se retomó el Índice del tipo de cambio
real del peso mexicano, la variación anual. La periodicidad es mensual, periodo que va desde
Enero de 1980 hasta Febrero de 2014, la unidad de medida es el peso. La fuente del INEGI
es el Banco de México. En el archivo de Excel se incluye una nota que dice: para operaciones
al mayoreo entre bancos, casas de bolsa, casas de cambio y particulares.
Análisis de las series consideradas.
43
Gráfico 20
Exportaciones agropecuarias 1980-2014
Fuente: INEGI, Banco de Información Económica.
Podemos observar una línea de tendencia ascendente, o positiva, y una constante que ajusta
la serie con la línea de tendencia, muy cercana a cero. También queda claro que en el año
calendario, en el primer trimestre se encuentran los mayores valores. En el siguiente conjunto
de gráficos, gráfico 21, se presenta a detalle. En enero, febrero y marzo de cada año se
registran los valores de exportaciones mas altos, mientras que para los meses de agosto,
septiembre tenemos los valores mas bajos de exportaciones.
-200.00
0.00
200.00
400.00
600.00
800.00
1000.00
1200.00
1400.00
19
80
/01
19
81
/06
19
82
/11
19
84
/04
19
85
/09
19
87
/02
19
88
/07
19
89
/12
19
91
/05
19
92
/10
19
94
/03
19
95
/08
19
97
/01
19
98
/06
19
99
/11
20
01
/04
20
02
/09
20
04
/02
20
05
/07
20
06
/12
20
08
/05
20
09
/10
20
11
/03
20
12
/08
20
14
/01
Mill
on
es d
e d
óla
res
Años
Exportaciones agropecuarias con línea de tendencia
44
Gráfico 21
Mexico. Exportaciones agropecuarias por mes
(Millones de USD)
Fuente: Elaboración propia con base en INEGI.
Esto ocurre en el periodo de 34 años, lo que indica estacionalidad en la serie por lo que se
procederá a desestacionalizar la serie y se presentarán los valores con el componente
estacional y los desestacionalizados en el Gráfico 22. En el procedimiento se han evaluado
tres posibilidades: el metodo utilizado por CENSUS (CENSUSx12); así como el de Medias
móviles que ofrece el software Eviews 6, y la metodología de medias móviles en excel. En
los tres casos no hay alteraciones significativas, razón por la cual nos quedamos con
CENSUSx12, este método separa la serie en sus componentes: tendencia, ciclo, índice
estacional y componente irregular.
45
Gráfico 22
Mexico. Exportaciones agropecuarias, valores originales y valores desestacionalizados
(metodologia empleada: CENSUSX12)
Fuente: Elaboración propia con base en software Eviews 6
El gráfico anterior muestra en rojo la serie desestacionalizada, (xagrop_sa) que es más
suavizada, mantiene, la constante y el salto a partir de 1995 que se mantiene hasta el final
del periodo de estudio. El cambio que se produce en 1995 nos ha llevado a plantear la
incorporación de la variable dummy que, como se planteó en el capítulo anterior, ante la
apertura y la competencia internacional se puede reflejar en las exportaciones agropecuarias
mexicanas.
Como mencionamos arriba, el software ha separado los componentes indicados y los
presentamos a continuación:
0
200
400
600
800
1,000
1,200
1,400
1980 1985 1990 1995 2000 2005 2010
XAGROP XAGROP_SA
46
El gráfico 23 refleja los componentes tendencia, ciclo de la variable exportaciones
agropecuarias. Podemos notar que la serie es aún más suavizada que la anterior, y en 1995 el
salto, ya mencionado antes, que está presente hasta el final del periodo de estudio.
Gráfico 23
Mexico. Componente tendencia-ciclo de la serie de exportaciones agropecuarias.
Fuente: Elaboración propia con base en software Eviews 6
0
200
400
600
800
1,000
1,200
1980 1985 1990 1995 2000 2005 2010
XAGROP_TC
47
El gráfico 24 presenta el componente o factor estacional de la serie exportaciones
agropecuarias, donde observamos esas fuertes oscilaciones en un año y durante todo el
periodo de estudio.
Gráfico 24
Factor estacional, seasonal factor SF, de la serie xagrop
Fuente: Elaboración propia con base en software Eviews 6
Una de las cosas que podemos destacar de esta serie, exportaciones agropecuarias, es su
carácter estacional, porque aun desestacionalizada mantiene, aunque suavizados, los altibajos
en el año que permanecen en todo el periodo de estudio.
48
En lo que respecta a la variable, índice del tipo de cambio real tenemos el siguiente gráfico.
Gráfico 25
Índice del tipo de cambio real base 1990
Fuente: INEGI, Banco de Información Económica.
Podemos observar una serie que no tiene un patrón predeterminado, sigue un patrón de
caminata aleatoria. De igual manera se percibe que a la mitad del periodo 1985-1990, en los
años 87 - 88, ocurrió un incremento abrupto en el índice del tipo de cambio, lo mismo que
en 1995, ya que fueron años de crisis y devaluación. De la misma manera en los años
subsiguientes, de los dos periodos antes mencionados, sucedió una caída importante. La
gráfica de esta serie muestra un comportamiento errático por lo que no es estacionaria, sin
embargo se harán las pruebas correspondientes.
60
80
100
120
140
índ
ice
del T
CR
base
199
0
1980m1 1985m1 1990m1 1995m1 2000m1 2005m1 2010m1 2015m1date
49
Características del modelo
El modelo VAR inicial en su forma reducida es:
Yt = Xt β + Yt Γ + εt [Ecuación 1]
Donde:
Yt : vector columna con 2 variables consideradas en el modelo, X_agropt , ITCRt
Xt: matriz de variables, constante, tendencia y APER.
Β: Vector de coeficientes a estimar: intercepto y los asociados a tendencia y apertura
Yt-k: matriz de variables consideradas en el modelo rezagadas k periodos.
Γ : vector de coeficientes a estimar asociados a las variables rezagadas
εt: vector de errores
Identificación de estacionariedad y cointegración de las series
Para evaluar la estacionariedad de una serie de tiempo, hemos recurrido a la prueba de
Dickey y Fuller que es una prueba conveniente para realizar la prueba de raíz unitaria cuyo
procedimiento teórico, consiste en restar yt-1 de ambos lados de la ecuación:
yt – yt-1 = ρ yt-1 – yt-1 + vt
Δyt = (ρ -1) yt-1 + vt
Δyt = γ yt-1 + vt
Donde γ = ρ -1 y Δyt = yt – yt-1 . Y vt son los errores aleatorios independientes
con media cero y varianza constante σ2. La prueba además se amplía al incluir la
constante sin la tendencia:
Δyt = α + γyt-1 + vt
Y en una siguiente prueba al aumentar la constante y la tendencia:
Δyt = α + γyt-1 + λt + vt
En ambos caso la hipótesis nula y alternativa se mantienen igual, aceptar la hipótesis nula
significaría que la serie no es estacionaria. Sin embargo los valores del estadístico t son
comparados con nuevos valores desarrollados por los autores de esta prueba como señala
Hill (2011 p.485)
50
Se establecieron nuevos valores críticos más refinados para τ (tau) desarrollado por
David Dickey y Wayne Fuller, que son válidos para muestras grandes para prueba de
una cola. Los valores de esta tabla son más negativos que los valores críticos estándar,
los nuevos valores refinados son conocidos como la prueba Dickey Fuller. La t
estadística debe tener un valor negativo mayor para que la hipótesis nula de no
estacionaridad sea rechazada, esto es, si tc > τ, se rechaza la hipótesis nula.
Los nuevos valores críticos que incluye Hill (p. 487) son los siguientes:
Modelos 1% 5% 10%
Δyt = γ yt-1 + vt
-2.56
-1.94
-1.62
Δyt = α + γyt-1+ vt
-3.43
-2.86
-2.57
Δyt=α+γyt-1+λt+ vt
-3.96
-3.41
-3.13
Los valores
críticos estándar
-2.33
-1.65
-1.28
De acuerdo al análisis visual de la serie se selecciona la prueba Dickey Fuller “si la serie
fluctúa alrededor de una media cero o si la serie fluctúa alrededor de una media diferente de
cero, o si se encuentra errante alrededor de una tendencia lineal, para continuar con las
pruebas de raíz unitaria” (Hill, et. al. 2011 p. 487) que responderán a la especificación de la
ecuación, puede ser un modelo A, B ó C.
Ante la posibilidad de obtener una τ negativa en los tres o dos de los modelos, el criterio de
selección será elegir aquel que tenga una τ grande y negativa, que suele ser el indicio de la
estacionaridad (Gujarati, 2004, p.791)
Una extensión importante de la prueba Dickey Fuller, es la posibilidad de
autocorrelación en los errores, y esto es probable si no se introdujeron suficientes
retardos que capturen la naturaleza dinámica del proceso, por lo que el procedimiento
51
es añadir más retardos de la variable dependiente al proceso. El número de
rezagos es determinado examinando la función de autocorrelación de los errores o
residuos vt (ACF), o de la significancia del coeficiente del rezago estimado as.
Si se usa el modelo con intercepto, la ecuación de prueba extendida es:
Δyt = α + γyt-1 + ∑ 𝑎𝑚𝑠=1 sΔyt-s + vt
Donde Δyt-1 = ( yt-1 – yt-2 ), Δyt-2 = (yt-2 – yt-3 ).” (Hill, et. al. 2011 p. 485)
Se añaden retardos para garantizar que estos mismos no estén correlacionados. Se debe de
utilizar siempre la prueba Dickey Fuller Aumentada, DFA, para asegurarse de que los errores
no estén autocorrelacionados.
Es importante realizar la prueba de cointegración a las series originales. Sabemos que no son
estacionarias, pero pudiera ocurrir que siendo “ambas I (1) que su diferencia o cualquier
combinación lineal de ellas tal que: et = yt - β1 – β2xt sea un proceso estacionario I (0) en
cuyo caso se dice que yt y xt están cointegradas. Cointegración implica que yt y xt tienen
tendencias estocásticas similares y la diferencia et es estacionaria, que nunca divergen
demasiado lejos el uno del otro” (Hill et. al. 2011 p. 488). Para determinar si las series están
cointegradas o no, se ha recurrido a la obtención de los residuales de la forma:
et= Xagrop_dt – α0 – α1 ITCRt – α2T
Como los errores et no son observables utilizamos la prueba de estacionaridad de
mínimos cuadrados: ttt xbbye 21
^
. Dickey Fuller. Si los residuales son
estacionarios entonces yt y xt están cointegradas. La estacionaridad de los residuales
está basada en la ecuación:
ttt vee 1
^^
De la cual se analiza el estadístico τ (tau) para el coeficiente estimado de la pendiente.
Se utilizan nuevos valores críticos. El conjunto de valores a utilizarse dependerán de:
si la ecuación tiene término constante, o constante con tendencia, o no presenta
constante ni tendencia.
52
La Hipótesis nula: La series no están cointegradas, por lo tanto los residuales no son
estacionarios.
La Hipótesis alternativa: Las series están cointegradas, por lo tanto los residuales son
estacionarios. (Hill et. al. 2011 pp. 489 y 490)
Los valores críticos para el Test de cointegración son (Hill, 2011 et. al. p.489)
Modelo 1% 5% 10%
1) yt = βxt + εt -3.39 -2.76 -2.45
2) yt = β1 + β2xt + εt -3.96 -3.37 -3.07
3) yt =β1+δt+β2xt+ εt -3.98 -3.42 -3.13
El resultado es importante pues a una relación entre variables con un orden de integración
I(1) se le reconoce como una relación a largo plazo, y a una relación entre variables I(0) se
le conoce como una relación a corto plazo (Hill, et. al. 2011 p.490). Además señala que
tenemos trabajar con variables estacionarias, o convertidas a estacionarias en su primera
diferencia y de esta manera, estimar una relación dinámica entre las variables, para lo cual el
modelo VAR es el marco para establecer dicha relación dinámica.
Pruebas de estacionariedad para cada una de las series.
Serie exportaciones agropecuarias (x_agrop_sa):
La gráfica de la serie exportaciones agropecuarias ajustada estacionalmente (xagrop_sa),
sugiere la presencia de una tendencia y notamos que no existe una media nula en la variable,
por esa razón de acuerdo a Hill, Griffiths Lim (2011) el test determinante para decidir si la
serie es no estacionaria será el Dickey-Fuller Aumentado (DFA) con tendencia y con
constante, no obstante se presentan todas las formas funcionales con la finalidad de ofrecer
robustez a las conclusiones para esta serie en cuanto a su estacionariedad o no
estacionariedad.
Antes de realizar las versiones de la prueba DFA debemos determinar el número de rezagos
a considerar. Para ello aplicamos el test de correlación serial de Breusch y Godfrey a los
53
errores en la versión DFA con cero rezagos, con constante y con tendencia. La prueba de
Breusch y Godfrey (BG) tiene la Hipótesis Nula es “no hay correlación serial en los errores
de la versión DFA”.
La determinación para el número de rezagos se realizó por etapas, esto es: Primero
realizamos la prueba DFA sin ninguna diferencia rezagada y se realizó el test BG; en caso
de concluir que rechazamos Ho: “No hay correlación serial”, entonces agregamos una
diferencia rezagada al modelo DFA y volvimos a realizar el test BG. En caso de rechazar
Ho nuevamente, se agrega una diferencia rezagada adicional al modelo DFA y volvimos a
realizar el test BG, así sucesivamente hasta que no existiera evidencia estadística suficiente
para rechazar Ho., es decir, hasta que no contáramos con correlación serial en los residuales
del test DFA.
Para la serie exportaciones agropecuarias xagrop_sa, hay evidencia de autocorrelación en
los residuales del modelo DFA solo hasta el sexto rezago, tal como se observa en el apéndice
(rezagos 6,7, 8 arrojaron valores p superiores a α=0.05), por ello el número de rezagos
adecuados para realizar el test DFA en todas sus variantes es de 6.
Las tablas del test DFA con 6 rezagos muestran que en las tres formas funcionales (con
constante, con constante y tendencia, y sin constante ni tendencia) la serie no es estacionaria,
ver apéndice cuadro 2.
Serie Índice de Tipo de cambio real (ITCR)
La gráfica de la serie ITCR, sugiere una constante y sin tendencia clara, por lo cual nuestro
modelo inicial en el test de estacionariedad DFA, será con constante y sin tendencia.
En esta serie también identificaremos el número de rezagos con el test DFA, con cero
diferencias rezagadas como punto de partida, aplicamos el test BG a los residuales del modelo
DFA y en caso de rechazar Ho, agregamos una diferencia rezagada al modelo DFA.
Nuevamente aplicamos el test BG y en caso de rechazar Ho, se agrega otra diferencia
rezagada. El procedimiento termina hasta que no encontramos evidencia estadística
suficiente de correlación serial en los residuales del modelo DFA.
54
Con base en este procedimiento identificamos que hasta el segundo rezago hay evidencia de
no autocorrelación serial en los residuales del DFA. Los resultados de la prueba DFA para
identificar estacionariedad contemplan dos diferencias rezagadas. (Apéndice tabla 3).
Las tablas presentadas del test DFA con 2 rezagos para la serie ITCR muestran que la serie
tampoco es estacionaria bajo 2 de las tres versiones: sin constante ni tendencia y con
constante y con tendencia. (Apéndice tabla 4)
Análisis de cointegración de las series exportaciones agropecuarias ajustadas
estacionalmente (xagrop_sa) y el Índice del tipo de cambio real (ITCR)
Identificadas las dos series como no estacionarias, se halló el orden de integración de las
mismas a través de evaluar las primeras diferencias y aplicando a éstas un test DFA con el
mismo número de rezagos considerados previamente. Se observó que las series son
integradas de orden 1 I(1), los resultados están presentes en el apéndice (cuadro 5 y 6)
Finalmente evaluamos si ambas series están cointegradas mediante la identificación del
orden de integración del término de error:
ttt ITCRsaxagrope 10_
Los resultados del test de cointegración se presentan en el apéndice (cuadro 7) concluimos
que las series no están cointegradas.
Por lo anterior, la evidencia estadística indica que ambas series son integradas de orden 1, y
no mantienen una relación cointegrante de largo plazo, ya que la combinación lineal de los
residuales generada por la ecuación anterior no es estacionaria. Es por eso, que para analizar
la relación existente entre las exportaciones agropecuarias y el índice de tipo de cambio real,
consideraremos un modelo de vectores autorregresivos (VAR) trabajado en primeras
diferencias y agregaremos un regresor exógeno que será la presencia o no de un acuerdo
comercial, (TLC).
Resultados del modelo VAR para las series exportaciones agropecuarias
desestacionalizadas y el índice del tipo de cambio real.
55
Como ya se mencionó en secciones previas, la relación entre exportaciones agropecuarias y
el índice del tipo de cambio real no puede ser modelada mediante mínimos cuadrados
ordinarios, ya que no son estacionarias. Del mismo modo no podemos afirmar que mantienen
una relación cointegrante de largo plazo, debido a que los residuales obtenidos de la ecuación
ttt ITCRsaxagrope 10_
, no son estacionarios lo cual nos impide cuantificar la
relación de largo plazo entre las dos series mediante un modelo de vector de corrección de
error.
Resultados del modelo VAR(1) Básico y del modelo VAR(4)
¿Cómo determinar si hay una relación efectiva entre las dos series? Tal como ya se ha
mencionado en secciones previas, el modelo con Vectores Autorregresivos nos permite
identificar la existencia o no de multidependencia entre las variables. El modelo VAR deberá
incluir cierto número de rezagos, con la finalidad de eliminar la posible autocorrelación en
los residuales del mismo.
El modelo inicialmente propuesto VAR(1) es:
saxagrop
tttt
ITCR
tttt
ApertsaxagropITCRsaxagrop
ApertsaxagropITCRITCR
_
222112212120
121111111110
__
_
Los resultados obtenidos por MCO son los siguientes:
56
3259.831- = likelihood Log 408 N
------------------------------------------------------------------------
0.0954squared-R
0.872 0.552 0.000 0.759 value-p
9.22) ( .038) (0 .047) (0 (0.650) err. std
1.49- 0.023 _.031-0.19-6.59- _
0.0338 squared-R
0.402 0.388 0.353 0.000 value-p
(0.690) (0.0028) (0.0035) (0.048) err. std.
0.578 0.002-_0.0032-.171078.0
11
11
ApertsaxagropITCRsaxagrop
ApertsaxagropITCRITCR
ttt
ttt
El resultado de las pruebas DFA para las dos series indicaron que se requirieron cierto
número de rezagos (6 en la serie de exportaciones y 2 en la serie tipo de cambio) por lo que
es posible que el modelo VAR básico deba considerar también cierto número de rezagos (en
las primeras diferencias del lado derecho del modelo). En la práctica (Adkins & Hill, 2008)
consideran adecuado realizar pruebas de autocorrelación a este modelo VAR básico.
Partiendo del modelo VAR(1) anterior, las pruebas de Autocorrelacion sugieren que
incorporemos 4 rezagos, tal como se observa en el apéndice (cuadro 9).
Los resultados del modelo VAR(4) se ofrecen a continuación:
57
Cuadro 3
VAR (4)
VAR 4: RESULTADOS OBTENIDOS N= 405 Obs.
[1] VARIABLE DEPENDIENTE: ΔXAGROP_SAt
COEFICIENTES Z-stat (p-value) Std err.
Δxagrop_sat-1
Δxagrop_sat-2
Δxagrop_sat-3
Δxagrop_sat-4
T Aper ΔITCRt-1
ΔITCRt-2
ΔITCRt-3
ΔITCRt-4 Const.
-.4391378 -.3682089 -.1944368 -.1974971 .0441574 -3.76325 -.1486195 -.0021582 -.4846072 .0417565 -12.82851
-9.00 (0.000) -6.98 (0.000) -3.68 (0.000) -4.01 (0.000) 1.20 (0.230) -0.43 (0.667) -0.24 (0.812) -0.00 (0.997) -0.77 (0.444) 0.07 (0.947) -1.03 (0.304)
.0487787
.052749
.0528374
.0493056 .0367679 8.733149 .6263132 .6337418 .6333084 .6244909 12.48982
R-squared = 0.2011 Chi-2 Stat = 101.9302 P>Chi2 =0.0000
[2]VARIABLE DEPENDIENTE: ΔITCRt
COEFICIENTES Z-stat (P-value) Std. Err.
Δxagrop_sat-1
Δxagrop_sat-2
Δxagrop_sat-3
Δxagrop_sat-4
T Aper ΔITCRt-1
ΔITCRt-2
ΔITCRt-3
ΔITCRt-4 Const.
-.0014173 .0041501 .0060743 .0037003 -.0031429 .6758606 .1682338 -.0076074 -.0497566 -.0276674 .9799128
-0.37 (0.714) 0.99 (0.320) 1.45 (0.147) 0.95 (0.343) -1.08 (0.280) 0.98 (0.328) 3.39 (0.001) -0.15 (0.880) -0.99 (0.321) -0.56 (0.576) 0.99 (0.322)
.0038628
.0041772
.0041842
.0039045 .0029117 .6915796 .0495979 .0501861 .0501518 .0494535 .9890708
R-Squared= 0.0437 Chi-2 Stat = 18.52789 P>chi2 = 0.0467
58
Los resultados del modelo VAR(4) anterior nos muestran que cuando la variable dependiente
es la primera diferencia de xagrop_sa, todos los coeficientes de la serie xagrop_sa en
primeras diferencias con cuatros rezagos, son negativos y significativos, mientras que los
coeficientes de la tendencia, apertura y la primera diferencia del índice de tipo de cambio real
en los cuatro rezagos son no significativos. El R2 indica que la serie índice del tipo de cambio
real, los rezagos de la misma y los rezagos de Δxagrop_sa explican solo en 20 por ciento
las exportaciones agropecuarias. En lo que respecta a los coeficientes de los rezagos de la
variable xagrop_sa, al ser significativos indican la serie posee un componente autorregresivo
(AR). Al mismo tiempo cada rezago es negativo, es decir, existe una relación inversa o
negativa en las exportaciones agropecuarias y los periodos anteriores de las propias
exportaciones agropecuarias. La propia serie explica su dinámica, su característica endógena;
probablemente se deba a la naturaleza de los diversos productos; quizá a las empresas
productoras, a la productividad o al mercado al cual están orientadas.
De cualquier manera, la identificación de los factores o variables que expliquen plenamente
a esta serie, por el momento no son objeto de estudio.
Los coeficientes de la primera diferencia del ITCR tienen signo negativo, aunque resultaron
no significativos. El signo negativo revela una relación inversa con la variable dependiente
xagrop_sa, lo que en términos económicos indica que una devaluación afecta negativamente
a las exportaciones agropecuarias, no incrementan su competitividad por esta única medida.
Esto reafirma lo que se presentó en el capítulo 1, en la gráfico 8 de la tasa de crecimiento
anual de las exportaciones, allí se muestra que la devaluación en 2009 afectó negativamente,
-0.5%, la tasa de crecimiento anual de las exportaciones.
En la serie original, exportaciones agropecuarias, se observó la tendencia y estacionalidad
por lo que se separaron sus componentes, debido a eso el coeficiente de la tendencia no es
significativo, aunque el signo es positivo lo que refleja la tendencia original. En lo que
respecta al coeficiente apertura, este no es significativo cuando la dependiente es xagrp_sa.
Este resultado es congruente con el gráfico de la tasa de crecimiento anual de las
exportaciones, ya que en la década de la apertura, se observó un crecimiento anual en 1995
del 1.0 por ciento, pero en los siguientes años 1995-2000 la tasa de crecimiento promedio
anual fue -1.29 por ciento. En el modelo VAR(4) el coeficiente de apertura es de -3.76 cuando
59
la dependiente es Δxagrop_sa lo que indica una relación negativa muy grande sobre las
exportaciones agropecuarias, todo lo contrario de lo que se pretende con la apertura
comercial. Aunque el grupo de los cinco productos líderes en exportación se ha restructurado,
en conjunto las exportaciones agropecuarias no han cambiado su dinámica de crecimiento.
En lo que toca al coeficiente de apertura, no es significativo cuando la variable dependiente
es el ITCR, lo que nos indica que no aporta en la relación de las variables del modelo, pero
el signo positivo nos indica la relación directa con el tipo de cambio.
Cuando la variable dependiente es la primera diferencia del ITCR, todos los coeficientes no
son significativos, con excepción del coeficiente del primer rezago de la diferencia del ITCR
que es positivo y significativo lo que indica que es el único componente regresivo que explica
al ITCR. Lo anterior es congruente con los resultados de la prueba Breusch Godfrey, pues el
primer rezago era el único que no presentaba autocorrelación. Al presentar los otros tres
rezagos coeficientes negativos reflejan el efecto inverso o negativo en el índice del tipo de
cambio. En lo que tiene que ver con las exportaciones agropecuarias y sus rezagos, estas no
son significativas. El R2 es del 4 por ciento, en otras palabras, las exportaciones agropecuarias
solo explican en 4 por ciento al tipo de cambio. Por la evidencia estadística anterior podemos
decir que no hay relación entre las variables del modelo.
Una de las primeras conclusiones que podemos señalar es que no existe relación entre las
dos variables de nuestro VAR, (las exportaciones agropecuarias y el índice del tipo cambio)
además que la tendencia y la apertura comercial (nuestra Dummy) no aportan para un mejor
modelo. Este resultado es congruente con lo que en párrafos anteriores ha señalado Ngurah:
“la independencia sugiere que el conjunto de rezagos de los coeficientes estimados de y1 y
y2 no son estadísticamente significativos en ambas regresiones”. (Ngurah, 2009 p.322).
Una parte central del análisis de los VAR es la función impulso respuesta (FIR). “La FIR
estudia la respuesta de la variable dependiente en el sistema VAR ante los “shocks” en los
términos de error, tales como u1 y u2 en las ecuaciones (…) La FIR estudia el impacto de
tales “shocks” durante varios periodos en el futuro. (Gujarati 2004, pp.826 y 827). En un
VAR bivariante:
Hay dos posibles perturbaciones en el sistema, uno en y y el otro en x. El interés está
en cuatro impulsos responsables en las funciones, en otras palabras, el efecto de un
60
choque en y en la trayectoria en el tiempo de y y de x y el efecto de un choque a x en
el trayecto del tiempo de y y x. (…) la ventaja de examinar las funciones de impulso-
respuesta, y no solo los coeficientes VAR, es que muestran el tamaño del impacto del
choque, más la velocidad a la que el shock se disipa, lo que permite interdependencias
(Hill, 2011 et. al. pp. 505 y 507).
En el pronóstico a corto plazo que facilita el VAR se encuentra la FIR, que también reflejará
en el caso de nuestro VAR, la no relación entre las variables y el impacto de los errores en
el futuro de las mismas.
Gráfico 26
Función Impulso Respuesta (FIR)
El cuadrante noroeste muestra el impulso en la variable diferencia del índice del tipo de
cambio real (D.ITCR) y la respuesta al shock en D.ITCR. Observamos que existe un pequeño
impacto positivo que rápidamente se disipa, incluso del tercero al sexto mes alcanza valores
negativos y se extingue. El espacio alrededor de la línea negra es el intervalo de confianza al
95%, los valores de los intervalos se encuentran en el Apéndice en el cuadro 14.
-2
-1
0
1
2
-2
-1
0
1
2
0 5 10 15 0 5 10 15
varbasic, D.ITCR, D.ITCR varbasic, D.ITCR, D.xagrop_sa
varbasic, D.xagrop_sa, D.ITCR varbasic, D.xagrop_sa, D.xagrop_sa
95% CI impulse response function (irf)
step
Graphs by irfname, impulse variable, and response variable
61
Cuadrante suroeste, impulso de la diferencia de las exportaciones desestacionalizadas
D.xagrop_sa) y respuesta en la diferencia del D.ITCR. El gráfico casi es una línea recta, no
existe respuesta en D.ITCR. El intervalo de confianza en pequeñísismo muy cercano a la
línea de la FIR .
Cuadrante noreste, impulso de D.ITC, y respuesta en D.xagrop_sa. Este cuadrante es el más
interesante de los cuatro ya que refleja como D.agrop_sa responde negativamente a la
D.ITCR hasta 6 meses en el futuro, es el de la memoria más larga, además presenta los
intervalos más grandes, porque es el de los únicos coeficientes significativos del modelo.
Cuadrante sureste, impulso en D.xagrop_sa y respuesta en D.xagrop_sa. Aunque al inicio es
importante en seguida cae y se hace incluso negativo. Y aunque se hace positivo se empieza
a disipar muy rápido en el mes 5 y se pierde en los meses 9 y 10.
De acuerdo a los resultados del análisis de la FIR podemos confirmar la independencia entre
las variables. Y es coherente con los resultados de la regresión del modelo VAR(4).
62
Conclusión
El modelo VAR (4) arrojó que no existe relación entre las dos variables de nuestro VAR, las
exportaciones agropecuarias y el índice del tipo cambio, además que la tendencia y la
apertura comercial (nuestra Dummy) no aportan para un mejor modelo. Este resultado es
congruente, como se apuntó en el desarrollo anterior, con lo que ha señalado Ngurah: “la
independencia sugiere que el conjunto de rezagos de los coeficientes estimados de y1 y y2 no
son estadísticamente significativos en ambas regresiones”. (Ngurah, 2009 p.322).
De esta manera la hipótesis “Las exportaciones agropecuarias han sido afectadas por las
fluctuaciones en el tipo de cambio y la política de apertura comercial en la que México está
inmerso desde finales de la década de los ochenta”, no se confirmó.
La propia serie explica su dinámica, su característica endógena; probablemente se deba a la
naturaleza de los diversos productos, a las empresas productoras, a la productividad o al
mercado al cual están orientadas, elementos que no fueron objeto de estudio de este trabajo.
Aunque los coeficientes no fueron significativos, arrojaron alguna información de relevancia.
Por ejemplo el que la apertura presente una relación inversa con las exportaciones
agropecuarias, a diferencia de la aceptación más generalizada en el sentido de que una
apertura comercial favorece al conjunto de las exportaciones. Pese a que se aborda, en este
caso, a un sector de empresas muy dinámico exportador, sus tasas de crecimiento han perdido
dinamismo enfrenta a la competencia internacional y no han propiciado vinculación con los
otros estamentos del sector.
Los coeficientes de la primera diferencia del ITCR tienen signo negativo, aunque resultaron
no significativos. El signo negativo revela una relación inversa con la variable dependiente
xagrop_sa, lo que en términos económicos indica que una devaluación afecta negativamente
a las exportaciones agropecuarias, no incrementan su competitividad por esta única medida.
Esto reafirma lo que se presentó en el capítulo 1, en la gráfico 8 de la tasa de crecimiento
anual de las exportaciones, allí se muestra que la devaluación en 2009 afectó negativamente,
-0.5%, la tasa de crecimiento anual de las exportaciones.
El sector agropecuario y no solo las exportaciones se enfrenta a grandes retos, sobre todo por
su heterogeneidad, por los constantes saldos deficitarios en la balanza agroalimentaria que
63
son una alerta para la seguridad alimentaria nacional; su precaria tasa de crecimiento, la
competencia internacional, sucesos naturales, y otras problemáticas sociales y políticas que
hacen de interés a este sector para análisis subsecuentes.
64
Anexo
Cuadro 4
Resultados del test Breusch Godfrey en la prueba Dickey Fuller Aumentada
Serie Exportaciones agropecuarias ajustadas estacionalmente (x_agrop_sa)
Breusch-Godfrey LM test for autocorrelation --------------------------------------------------------------------------- lags(p) | chi2 df Prob > chi2 -------------+------------------------------------------------------------- 1 | 25.837 1 0.0000 2 | 20.898 1 0.0000 3 | 3.281 1 0.0701 4 | 12.585 1 0.0004 5 | 9.630 1 0.0019 6 | 0.579 1 0.4468 7 | 2.895 1 0.0884 8 | 0.228 1 0.6329 --------------------------------------------------------------------------- H0: no serial correlation
Cuadro 5
DICKEY FULLER AUMENTADA: SERIE xagrop:_sa desestacionalizadas
Ho: la serie tiene raíz unitaria (serie no estacionaria) Numero de rezagos 1 2 3 4 5 6
SIN CONSTANTE NI TENDENCIA
ADF 0.606 1.268 1.551 2.089 2.602 2.719
1% -2.580 5% -1.950 10% -1.620
CON CONSTANTE
ADF -0.631 0.023 0.285 0.755 1.121 1.197
1% -2.336 5% -1.649 10% -1.284
CON CONSTANTE Y TENDENCIA
ADF -4.132 -3.081 -2.733 -2.166 -1.671 -1.542 1% -3.984 5% -3.424 10% -3.130
65
Cuadro 6
Resultados del test Breusch Godfrey en la prueba Dickey Fuller Aumentada
Serie Índice del Tipo de cambio real (ITCR90)
Breusch-Godfrey LM test for autocorrelation --------------------------------------------------------------------------- lags(p) | chi2 df Prob > chi2 -------------+------------------------------------------------------------- 1 | 14.143 1 0.0002 2 | 0.003 1 0.9554 3 | 0.018 1 0.8938 4 | 0.025 1 0.8733 --------------------------------------------------------------------------- H0: no serial correlation
Cuadro 7
DICKEY FULLER AUMENTADA: SERIE ITCR
Ho: la serie tiene raíz unitaria (serie no estacionaria) Numero de rezagos 1 2 SIN CONSTANTE NI TENDENCIA
DFA-Statistic -0.483 -0.446 1% -2.580 5% -1.950 10% -1.620
CON CONSTANTE DFA-Statistic -2.578 -2.566 1% -2.336 5% -1.649 10% -1.284
CON CONSTANTE Y TENDENCIA
DFA-Statistic -2.814 -2.828 1% -3.984 5% -3.424 10% -3.130
Cuadro 8
DICKEY FULLER AUMENTADA: SERIE Δxagrop:_sa desestacionalizadas
Ho: la serie tiene raíz unitaria (serie no estacionaria) Numero de rezagos 1 2 3 4 5 6
SIN CONSTANTE NI TENDENCIA
ADF -21.05 -16.105 -15.044 -13.984 -11.691 -11.18
1% -2.580 5% -1.950 10% -1.620
CON CONSTANTE
ADF -21.13 -16.227 -15.233 -14.264 -12.021 -11.61
1% -2.336 5% -1.649 10% -1.284
CON CONSTANTE Y TENDENCIA
ADF -21.17 -16.293 -15.344 -14.416 -12.194 -11.83 1% -3.984 5% -3.424 10% -3.130
66
Cuadro 9
DICKEY FULLER AUMENTADA: SERIE ΔITCR
Ho: la serie tiene raíz unitaria (serie no estacionaria) Numero de rezagos 1 2 SIN CONSTANTE NI TENDENCIA
DFA-Statistic -13.182 -11.618 1% -2.580 5% -1.950 10% -1.620
CON CONSTANTE DFA-Statistic -13.166 -11.603 1% -2.336 5% -1.649 10% -1.284
CON CONSTANTE Y TENDENCIA
DFA-Statistic -13.157 -11.598 1% -3.984 5% -3.424 10% -3.130
Cuadro 10
DICKEY FULLER AUMENTADA
SERIE ttt ITCRsaxagrope 10_
Ho: la serie tiene raíz unitaria (series ITCR, Xagrop_sa no son cointegradas) Numero de rezagos 1 2 3 4 5 6
SIN CONSTANTE NI TENDENCIA
ADF -0.929 -0.392 -0.233 0.091 0.189 0.063
1% -3.39 5% -2.76 10% -2.45
CON CONSTANTE
ADF -0.920 -0.375 -0.206 0.131 0.245 0.127
1% -3.96 5% -3.37 10% -3.07
CON CONSTANTE Y TENDENCIA
ADF -3.341 -2.523 -2.291 -1.886 -1.677 -1.775 1% -3.98 5% -3.42 10% -3.13
Nota: Los valores críticos han sido obtenidos de Hill, Griffiths, Lim (2011),
Pág. 489
67
Cuadro 11 Vector autoregression Sample: 1980m3 - 2014m2 No. of obs = 408 Log likelihood = -3259.831 AIC = 16.02858 FPE = 31345.64 HQIC = 16.06749 Det(Sigma_ml) = 29846.07 SBIC = 16.1269 Equation Parms RMSE R-sq chi2 P>chi2 ---------------------------------------------------------------- D_xagrop_sa 5 48.3295 0.0954 43.05067 0.0000 D_ITCR 5 3.6191 0.0338 14.27662 0.0065 ---------------------------------------------------------------- ------------------------------------------------------------------------------ | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- D_xagrop_sa | xagrop_sa | LD. | -.3073129 .047207 -6.51 0.000 -.3998369 -.214789 | ITCR | LD. | -.1992912 .6506429 -0.31 0.759 -1.474528 1.075945 | date | .0229126 .0384809 0.60 0.552 -.0525086 .0983337 aper | -1.485098 9.22299 -0.16 0.872 -19.56183 16.59163 _cons | -6.590396 13.0301 -0.51 0.613 -32.12892 18.94812 -------------+---------------------------------------------------------------- D_ITCR | xagrop_sa | LD. | -.0032809 .003535 -0.93 0.353 -.0102094 .0036477 | ITCR | LD. | .1714504 .0487227 3.52 0.000 .0759557 .266945 | date | -.0024872 .0028816 -0.86 0.388 -.008135 .0031607 aper | .578783 .6906533 0.84 0.402 -.7748726 1.932439 _cons | .7758128 .9757442 0.80 0.427 -1.136611 2.688236 ------------------------------------------------------------------------------
Cuadro 12
Test de Correlación Serial al modelo VAR(1) para determinar el orden de los rezagos Lagrange-multiplier test +--------------------------------------+ | lag | chi2 df Prob > chi2 | |------+-------------------------------| | 1 | 28.2323 4 0.00001 | | 2 | 33.4330 4 0.00000 | | 3 | 3.0736 4 0.54559 | | 4 | 6.9400 4 0.13909 | +--------------------------------------+ H0: no autocorrelation at lag order
68
Cuadro 13
Resultados del modelo VAR(4) Vector autoregression Sample: 1980m6 - 2014m2 No. of obs = 405 Log likelihood = -3211.051 AIC = 15.96568 FPE = 29435.49 HQIC = 16.05177 Det(Sigma_ml) = 26404.44 SBIC = 16.18318 Equation Parms RMSE R-sq chi2 P>chi2 ---------------------------------------------------------------- D_xagrop_sa 11 45.9354 0.2011 101.9302 0.0000 D_ITCR 11 3.63763 0.0437 18.52789 0.0467 ---------------------------------------------------------------- ------------------------------------------------------------------------------ | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- D_xagrop_sa | xagrop_sa | LD. | -.4391378 .0487787 -9.00 0.000 -.5347423 -.3435332 L2D. | -.3682089 .052749 -6.98 0.000 -.4715951 -.2648226 L3D. | -.1944368 .0528374 -3.68 0.000 -.2979961 -.0908774 L4D. | -.1974971 .0493056 -4.01 0.000 -.2941343 -.10086 | ITCR | LD. | -.1486195 .6263132 -0.24 0.812 -1.376171 1.078932 L2D. | -.0021582 .6337418 -0.00 0.997 -1.244269 1.239953 L3D. | -.4846072 .6333084 -0.77 0.444 -1.725869 .7566544 L4D. | .0417565 .6244909 0.07 0.947 -1.182223 1.265736 | date | .0441574 .0367679 1.20 0.230 -.0279065 .1162212 aper | -3.76325 8.733149 -0.43 0.667 -20.87991 13.35341 _cons | -12.82851 12.48982 -1.03 0.304 -37.3081 11.65108 -------------+---------------------------------------------------------------- D_ITCR | xagrop_sa | LD. | -.0014173 .0038628 -0.37 0.714 -.0089882 .0061536 L2D. | .0041501 .0041772 0.99 0.320 -.0040371 .0123373 L3D. | .0060743 .0041842 1.45 0.147 -.0021266 .0142751 L4D. | .0037003 .0039045 0.95 0.343 -.0039524 .011353 | ITCR | LD. | .1682338 .0495979 3.39 0.001 .0710238 .2654438 L2D. | -.0076074 .0501861 -0.15 0.880 -.1059704 .0907556 L3D. | -.0497566 .0501518 -0.99 0.321 -.1480523 .0485391 L4D. | -.0276674 .0494535 -0.56 0.576 -.1245945 .0692598 | date | -.0031429 .0029117 -1.08 0.280 -.0088496 .0025639 aper | .6758606 .6915796 0.98 0.328 -.6796106 2.031332 _cons | .9799128 .9890708 0.99 0.322 -.9586304 2.918456
69
Cuadro 14
Estimaciones de funciones impulso respuesta.
Series: Exportaciones Agropecuarias e Indice de Tipo de Cambio Real Results from varbasic +--------------------------------------------------------------------------------------------------------------------+ | | (1) (1) (1) | (2) (2) (2) | (3) (3) (3) | | step | irf Lower Upper | irf Lower Upper | irf Lower Upper | |--------+-----------------------------------+-----------------------------------+-----------------------------------| |0 | 1 1 1 | 0 0 0 | 0 0 0 | |1 | -.434063 -.529792 -.338333 | -.001597 -.009163 .00597 | -.18403 -1.41418 1.04611 | |2 | -.17198 -.277278 -.066682 | .004274 -.003365 .011914 | .023603 -1.31628 1.36348 | |3 | .043211 -.062769 .149192 | .005147 -.002237 .01253 | -.454205 -1.80985 .901441 | |4 | -.067312 -.172698 .038074 | .001149 -.005938 .008236 | .164166 -1.17158 1.49991 | |5 | .126493 .038444 .214542 | -.002229 -.00589 .001433 | .1236 -.285126 .532326 | |6 | -.007885 -.046002 .030232 | -.001552 -.003883 .00078 | -.005076 -.341664 .331512 | |7 | -.038015 -.07518 -.000851 | -.00018 -.001507 .001147 | .03501 -.182913 .252933 | |8 | .009768 -.018932 .038469 | .000587 -.000598 .001772 | -.061687 -.275496 .152122 | |9 | -.012657 -.04053 .015216 | .000464 -.000621 .001549 | -.008155 -.16889 .15258 | |10 | .010561 -.006926 .028048 | -.000066 -.000495 .000363 | .018413 -.037804 .07463 | |11 | .005139 -.00727 .017547 | -.000178 -.00054 .000184 | -.001978 -.047897 .043942 | |12 | -.005729 -.014201 .002744 | -.000075 -.000288 .000139 | .006852 -.022709 .036414 | +--------------------------------------------------------------------------------------------------------------------+ +--------------------------------------------+ | | (4) (4) (4) | | step | irf Lower Upper | |--------+-----------------------------------| |0 | 1 1 1 | |1 | .170871 .073637 .268105 | |2 | .023749 -.074551 .122049 | |3 | -.045874 -.14422 .052471 | |4 | -.042004 -.139183 .055176 | |5 | -.014937 -.050459 .020585 | |6 | -.002826 -.020007 .014355 | |7 | .002661 -.011893 .017215 | |8 | .003475 -.007522 .014473 | |9 | .001729 -.004259 .007717 | |10 | .00018 -.003317 .003677 | |11 | -.000512 -.002528 .001504 | |12 | -.000448 -.002052 .001156 | +--------------------------------------------+ 95% lower and upper bounds reported (1) irfname = varbasic, impulse = D.xagrop_sa, and response = D.xagrop_sa (2) irfname = varbasic, impulse = D.xagrop_sa, and response = D.ITCR (3) irfname = varbasic, impulse = D.ITCR, and response = D.xagrop_sa (4) irfname = varbasic, impulse = D.ITCR, and response = D.ITCR
70
REFERENCIAS
Cuéllar, J. (2005). El efecto del TLCAN sobre las importaciones agropecuarias
Estadounidenses procedentes de México. Serie Estudios y perspectivas No. 31. Sede
Subregional de la CEPAL en México. Unidad Agrícola México D.F.
Diario Oficial, (2013) Secretaría de Agricultura, Ganadería, Desarrollo Rural, Pesca y
Alimentación. Decreto por el que se aprueba el Programa Sectorial de Desarrollo
Agropecuario, Pesquero y Alimentario 2013-2018. El sector agroalimentario en la
economía nacional, cuarta sección. Viernes 4 de Diciembre. México, D.F.
Dussel, E. (1997). La economía de la polarización teorías y evolución del cambio
estructural de las manufacturas mexicanas (1988-1996). México. Universidad
Nacional Autónoma de México. Ed. JUS
Escalante, R. Galindo, L.M. y Catalán, H. (2005) La evolución del producto del sector
agropecuario mexicano, 1962-2002: algunas regularidades empíricas. En
Cuadernos del desarrollo rural (54) pp.87-112. UNAM México D.F.
Escalante, R. y Catalán, H. (2008) Situación actual del sector agropecuario en México:
perspectivas y retos. México. Economía Informa Núm. 350 enero-febrero 2008.
Estadísticas del comercio exterior (2012) INEGI. Información preliminar Enero-Julio 2012.
Recuperado de:
http://www.inegi.org.mx/prod_serv/contenidos/espanol/bvinegi/productos/continuas
/económicas/exterior/mensual
FAO (2002) Comercio Agrícola Internacional. Comercio Internacional de Productos
Agrícolas. Recuperado de www.fao.org/publications/es/
Gujarati, D. (2004) Econometría (4ª Ed.) México, D.F., México: McGraw-Hill
Hill, R., Griffiths, W. y Lim, G. (2011). Principles of econometrics (4 Edición). United
States of América. Ed. Chennain
71
Heath, J. (2012) Lo que indican los indicadores, como utilizar la información estadística
Interamericana. INEGI
Lustig, N. (1994). México hacia la reconstrucción de una economía. México. Ed. El
Colegio de México, Fondo de Cultura Económica.
Málaga, J.E. y Williams, G. (2010) La competitividad de México en las exportaciones de
productos agrícolas, pp. 295 – 309 en Revista Mexicana de Agronegocios, vol.
XIV, Núm. 27, Julio- Diciembre 2010. Sociedad Mexicana de Administración
Agropecuaria A .C.: Universidad Autónoma de la Laguna: UAN, México.
Mc Mahon. M., Valdés, A., Cahill, C. y Jankowaska, A. (2011). Análisis del extensionismo
en México, París OCDE.
Ngurah, I.G. (2009) Time series data analysis using EViews. Indonesia. Ed. Jhon Wiley &
sons (Asia).
Rivera, M. (1997) México: modernización capitalista y crisis. Antecedentes y
consecuencias de la devaluación de diciembre. Centro regional de Investigaciones
multidisciplinarias. UNAM.
Rodríguez, G. y Becerril, O. (2012) Intercambio agroalimentario entre México y Estados
Unidos: un análisis sobre los efectos en la balanza comercial de 2012. Revista
trimestral de análisis de coyuntura económica, pp. 31 a 33. Vol. V Núm. 2. Abril-
Junio 2012, México
SAGARPA (2013) Subsecretaria de Alimentación y Competitividad, Dirección General de
Logística y Alimentación. México. Recuperado de www.sagarpa.gob.mx
Wooldridge, J. (2009) Introducción a la econometría (4ª Ed.) México, D.F., Ed. Cengange
Learning