rodrigo69rioja.files.wordpress.com · Web view2016. 9. 18. · Esta estimación se la realiza para conocer los resultados de un Var cualquiera es decir no se toman en cuenta el

NIGERIAINTRODUCCIONNigeria, oficialmente la República Federal de Nigeria es un país soberano situado en África occidental, en la zona del golfo de Guinea, cuya forma de gobierno es la república federal presidencialista. Su territorio está compuesto por 36 estados federales y un distrito federal. Su capital es Abuya, con 1.178.568 habitantes, y su ciudad más poblada y anterior capital es Lagos, con 7.937.932 habitantes (datos de 2006).

La población humana en la zona de Nigeria se remonta a las primeras poblaciones humanas alrededor del 9.000 a. C., aunque probablemente fuera habitada con anterioridad. El área alrededor del río Benue y del río Cross es el lugar de origen del bantú que se extendió en oleadas por todo el África Central y Meridional a partir del siglo V a. C.

Nigeria es el país más poblado de África y el séptimo del mundo (superando a Japón y a Rusia). También se agrupa dentro de los Próximos once (también conocido como N-11) que es un grupo de países con grandes perspectivas de inversión y crecimiento en el futuro. La economía de Nigeria es una de las más crecientes del mundo, con unas estimaciones de crecimiento del 9% en 2008 y del 8,3% en 2009. El FMI espera que Nigeria crezca un 8% en 2011.

Este trabajo como pudimos ver esta dirigido al país de Nigeria para realizar el modelo de la producción mejor conocido como el modelo de Cobb Douglas en el que se ve como se relaciona el producto interno bruto de un país con el capital total y el trabajo total del mismo.

En este trabajo se emplearan todas las herramientas aprendidas en econometría o la estadística aplicada a la economía, para ver el modelo en su totalidad de significación se empleara la herramienta o paquete Eview’s en el que se realizaran los cálculos.

RODRIGO RIOJA TORRICO

NIGERIA

https://es.wikipedia.org/wiki/FMI

https://es.wikipedia.org/wiki/Econom%C3%ADa_de_Nigeria

https://es.wikipedia.org/wiki/Pr%C3%B3ximos_once

https://es.wikipedia.org/wiki/Anexo:Pa%C3%ADses_por_poblaci%C3%B3n

https://es.wikipedia.org/wiki/%C3%81frica

https://es.wikipedia.org/wiki/Siglo_V_a._C.

https://es.wikipedia.org/wiki/Africa_Meridional

https://es.wikipedia.org/wiki/%C3%81frica_Central

https://es.wikipedia.org/wiki/R%C3%ADo_Cross

https://es.wikipedia.org/wiki/R%C3%ADo_Benue

https://es.wikipedia.org/wiki/IX_milenio_a._C.

https://es.wikipedia.org/wiki/2006

https://es.wikipedia.org/wiki/Lagos

https://es.wikipedia.org/wiki/Demograf%C3%ADa_de_Nigeria

https://es.wikipedia.org/wiki/Abuya

https://es.wikipedia.org/wiki/Territorio_Capital_Federal_de_Abuja

https://es.wikipedia.org/wiki/Organizaci%C3%B3n_territorial_de_Nigeria

https://es.wikipedia.org/wiki/Organizaci%C3%B3n_territorial_de_Nigeria

https://es.wikipedia.org/wiki/Rep%C3%BAblica_presidencial

https://es.wikipedia.org/wiki/Rep%C3%BAblica_federal

https://es.wikipedia.org/wiki/Golfo_de_Guinea

https://es.wikipedia.org/wiki/Estado

Var (p) de 2 variables:

Los modelos keynesianos son utilizados para identificar el nivel de equilibrio y analizar las interrupciones de los mercados de bienes y servicios, es decir, estudiar los niveles relativos tanto de producción como los ingresos agregados

En el presente, los modelos keynesianos y el modelo clásico son ampliamente empleados como base de los modelos completos, dado que se ha notado que, aún cuando esos modelos presentan aspectos generalmente keynesianos (tales como la competencia imperfecta), responden mejor a estímulos clásicos, lo que ha llevado a la producción de una serie de “modelos estándar”. Adicionalmente, ha habido una recurrencia en el uso del modelo keynesiano, en una nueva interpretación, introducida por Gregory Mankiw

DATOS PARA EL MODELOLos datos que se tomara en cuenta en este modelo son tomados de la pagina de internet del banco mundial, de los cuales se usaron solo dos variables, que serán explicadas, por otro lado se puede decir que se usaron datos de 1992 hasta el 2015 por el hecho que de la población no existen datos del 2016.

Se usara o empleara este modelo por que al hacer caculos es el que mejor se ajusta al país de Nigeria y con este modelo el país podrá explicarse muy bien y las variables empleadas lograran ser muy significativas.

ECUACION DEL MODELO DE KEYNES

Y=C+ I

DONDE:

Y = producción total (PIB)

C= consumo

I = ingreso


https://es.wikipedia.org/wiki/Gregory_Mankiw

https://es.wikipedia.org/wiki/Modelos_completos

https://es.wikipedia.org/wiki/Modelo_cl%C3%A1sico

https://es.wikipedia.org/wiki/Ingreso

https://es.wikipedia.org/wiki/Producci%C3%B3n_(econom%C3%ADa)

https://es.wikipedia.org/wiki/Sector_servicios

https://es.wikipedia.org/wiki/Bienes

https://es.wikipedia.org/wiki/Equilibrio_econ%C3%B3mico

ESPECIFICACIÓN DEL MODELO ECONOMÉTRICO.

Y=C+ I∗ei

DATOS NUMERICOS

Diferenciando el modelo Keynesiano


Ingreso nacional consumo

23,64412447 11,25125286

0,126395179 -1,946056549

3,348055339 -4,619885812

3,92427266 6,196135506

-42,30262659 20,12898805

19,51062707 -3,464987184

44,47792658 0,703056475

7,075409227 -6,013638372

-3,092030317 1,836999625

-0,071030339 41,43551821

-0,222135306 0,614692732

16,36342975 15,36280035

0,508933255 2,839079905

39,01951521 4,814934839

-0,71199984 9,206565594

31,33812946 -26,83587876

-1,487593753 61,40035556

10,4740098 -27,1186248

6,452439415 38,02083944

20,23723051 -8,959531912

-3,548627108 -3,056185292

13,68755486 0,005660087

2,612734359 21,06498842

8,02518367 2,040055044

Exogenous: ConstantLag Length: 0 (Automatic - based on SIC, maxlag=5)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -9.616916 0.0000Test critical values: 1% level -3.752946

5% level -2.99806410% level -2.638752

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

Augmented Dickey-Fuller Test EquationDependent Variable: D(CONSUMO)Method: Least SquaresDate: 09/17/16 Time: 20:28Sample (adjusted): 2 24Included observations: 23 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

CONSUMO(-1) -1.629701 0.169462 -9.616916 0.0000C 10.43115 3.519566 2.963760 0.0074

R-squared 0.814954 Mean dependent var -0.400487Adjusted R-squared 0.806142 S.D. dependent var 36.32037S.E. of regression 15.99161 Akaike info criterion 8.464947Sum squared resid 5370.366 Schwarz criterion 8.563686Log likelihood -95.34689 Hannan-Quinn criter. 8.489780F-statistic 92.48508 Durbin-Watson stat 2.087930Prob(F-statistic) 0.000000

INTERPRETACION.- como podemos ver tenemos una probabilidad del 100% dándonos a conocer q no hace falta diferenciar la variable Consumo. Demostrando al inexistencia de raíz unitaria siendo este estacionario.

Null Hypothesis: INGRESO has a unit rootExogenous: ConstantLag Length: 2 (Automatic - based on SIC, maxlag=5)


t-Statistic Prob.*


5% level -3.01236310% level -2.646119


Augmented Dickey-Fuller Test EquationDependent Variable: D(INGRESO)Method: Least SquaresDate: 09/17/16 Time: 20:33Sample (adjusted): 4 24Included observations: 21 after adjustments


INGRESO(-1) -1.659006 0.470073 -3.529248 0.0026D(INGRESO(-1)) 0.426692 0.361641 1.179876 0.2543D(INGRESO(-2)) 0.254191 0.230074 1.104820 0.2846

C 13.53271 5.508400 2.456740 0.0251

R-squared 0.622814 Mean dependent var 0.222720Adjusted R-squared 0.556252 S.D. dependent var 27.52167S.E. of regression 18.33340 Akaike info criterion 8.824969Sum squared resid 5713.931 Schwarz criterion 9.023926Log likelihood -88.66218 Hannan-Quinn criter. 8.868148F-statistic 9.356878 Durbin-Watson stat 2.083452Prob(F-statistic) 0.000703

INTERPRETACION.- como se puede apreciar en la parte remarcada con rojo tenemos una probabilidad de un 99% dándonos a conocer q no hace falta diferenciar la variable ingreso. Demostrando al inexistencia de raíz unitaria

ESTIMACION DEL MODELO

Vector Autoregression Estimates

Date: 17/09/16 Time: 19:50

Sample (adjusted): 2 45


Included observations: 44 after adjustments

Standard errors in ( ) & t-statistics in [ ]

CONSUMO INGRESOS

CONSUMO(-1) 1.038554 0.191450

(0.04005) (0.07961)

[ 25.9335] [ 2.40472]

INGRESOS(-1) -0.001809 0.917604

(0.02895) (0.05756)

[-0.06250] [ 15.9430]

C 5271439. -5.48E+08

(1.4E+08) (2.8E+08)

[ 0.03766] [-1.96921]

R-squared 0.996694 0.993406

Adj. R-squared 0.996533 0.993085

Sum sq. resids 1.56E+18 6.17E+18

S.E. equation 1.95E+08 3.88E+08

F-statistic 6180.093 3088.534

Log likelihood -900.7890 -931.0233

Akaike AIC 41.08132 42.45561

Schwarz SC 41.20297 42.57725

Mean dependent 7.15E+09 5.44E+09

S.D. dependent 3.31E+09 4.66E+09

Determinant resid covariance (dof adj.) 5.19E+33

Determinant resid covariance 4.51E+33

Log likelihood -1829.662

Akaike information criterion 83.43918

Schwarz criterion 83.68248

Esta estimación se la realiza para conocer los resultados de un Var cualquiera es decir no se toman en cuenta el número de rezagos aun (El var que se utiliza es el var(2) por defecto). No es el modelo que nos interesa es la primera aproximación

Ojo tomando la mejor estimación CONSUMO que está marcado con rojo ya que

este modelo observamos sus residuos y nube nos da:


Nuestro residuos fluctúan alrededor de nuestro modelo con un 99% , y R2 nos

dice que la nube de puntos fluctúa de igual forma en el modelo con un 99%,

Prob(F-statistic) de que ocurra en 100%

VAR Granger Causality/Block Exogeneity Wald TestsDate: 17/09/16 Time: 19:49Sample: 1 45Included observations: 43

Dependent variable: CONSUMO

Excluded Chi-sq df Prob.

INGRESOS 0.093129 2 0.9545

All 0.093129 2 0.9545

Dependent variable: INGRESOS


CONSUMO 5.521566 2 0.0632

All 5.521566 2 0.0632

Se buscan los valores con menor probabilidad, se toma un valor considerable del

90% de confianza para el cual se procede a verificar la relación. MODELOS:


Interpretación

CONSUMO F(INGRESO): la relación de la variable CONSUMO – INGRESO

existente es nula ya q el modelo no explica nada por el bajo nivel de significancia q

este posee.

INGRESO F(CONSUMO): la relación de la variable INGRESO – CONSUMO

existente es nula ya q el modelo no explica nada por el bajo nivel de significancia q

este posee.

VAR Lag Exclusion Wald TestsDate: 17/09/16 Time: 19:50Sample: 1 45Included observations: 44


Chi-squared test statistics for lag exclusion:Numbers in [ ] are p-values

CONSUMO INGRESOS Joint

Lag 1 12360.19 6177.068 14683.28[ 0.000000] [ 0.000000] [ 0.000000]

df 2 2 4

VAR Lag Order Selection CriteriaEndogenous variables: CONSUMO INGRESOS Exogenous variables: C Date: 17/09/16 Time: 19:48Sample: 1 45Included observations: 41

Lag LogL LR FPE AIC SC HQ

0 -1862.239 NA 1.07e+37 90.93850 91.02209 90.968941 -1706.506 288.6768* 6.53e+33* 83.53686* 83.78763* 83.62818*2 -1703.882 4.608068 7.00e+33 83.60398 84.02192 83.756173 -1702.852 1.707741 8.12e+33 83.74887 84.33400 83.961944 -1700.504 3.664596 8.87e+33 83.82948 84.58178 84.10342

* indicates lag order selected by the criterion LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion

En este punto se verifica cual es el var que se requiere, esta herramienta nos

muestra los rezagos que son necesarios para identificar el modelo verdadero.


Se puede observar que el rezago adecuado es 1 (lag 1) se puede aplicar el

indicador Hannan-Quinn information criterion, error con la cantidad de rezagos

mencionados. Conociendo esto se puede definir que este modelo se adecua con

un var(2) en este caso la prueba asintótica nos dice que es un var 2

Función Impulso Respuesta (FIR)

-20

-10

0

10

20

30

1 2 3 4 5 6 7 8 9 10

Response of INGRESO_NACIONAL to INGRESO_NACIONAL

-20

-10

0

10

20

30

1 2 3 4 5 6 7 8 9 10

Response of INGRESO_NACIONAL to GASTO_FINAL_DEL_CONSUMO

-20

-10

0

10

20

1 2 3 4 5 6 7 8 9 10

Response of GASTO_FINAL_DEL_CONSUMO to INGRESO_NACIONAL

-20

-10

0

10

20

1 2 3 4 5 6 7 8 9 10

Response of GASTO_FINAL_DEL_CONSUMO to GASTO_FINAL_DEL_CONSUMO

Response to Cholesky One S.D. Innovations ± 2 S.E.

INGRESO-INGRESO: Se puede observar q existe una relación positiva mínima del PIB-PIB al principio luego decae

INGRESO-CONSUMO: Como podemos ver en la gráfica no existe ninguna relación muestra que esta fluctúa en cero haciendo nula la relación.

CONSUMO-INGRESO: De la misma manera la relación no existe muestra que esta fluctúa en cero haciendo nula la relación.

CONSUMO-CONSUMO: Se puede observar q existe una relación positiva mínima del CONSUMO-CONSUMO se observa que el intervalo evoluciona en cero hasta el periodo 2 y luego no muestra relación


Var (p) de 3 variables:

En economía, la función Cobb-Douglas es una forma de función de producción,

ampliamente usada para representar las relaciones entre un producto y las

variaciones de los insumos tecnología, trabajo y capital. Fue propuesta por Knut


https://es.wikipedia.org/wiki/Knut_Wicksell

https://es.wikipedia.org/wiki/Capital_(econom%C3%ADa)

https://es.wikipedia.org/wiki/Trabajo_(econom%C3%ADa)

https://es.wikipedia.org/wiki/Tecnolog%C3%ADa

https://es.wikipedia.org/wiki/Insumo

https://es.wikipedia.org/wiki/Funci%C3%B3n_de_producci%C3%B3n

https://es.wikipedia.org/wiki/Econom%C3%ADa

Wicksell (1851-1926) e investigada con respecto a la evidencia estadística

concreta, por Charles Cobb y Paul Douglas en 1928

DATOS PARA EL MODELOLos datos que se tomara en cuenta en este modelo son tomados de la pagina de internet del banco mundial, de los cuales se usaron solo tres variables, que serán explicadas en la ecuación de producción, por otro lado se puede decir que se usaron datos de 1991 hasta el 2013 por el hecho que de la población no existen datos del 2014.

Se usara o empleara este modelo por que al hacer caculos es el que mejor se ajusta al país de Nigeria y con este modelo el país podrá explicarse muy bien y las variables empleadas lograran ser muy significativas, explicando al producto interno bruto.

ECUACION DEL MODELO DE COBB DOUGLAS

Y=A Lβ Kα

DONDE:

Y = producción total (PIB)

L = trabajo (PEA)

K = formación bruta de capital fijo

A = progreso técnico exógeno

α y β son las elasticidades producto del trabajo y el capital, respectivamente. Estos valores

son constantes determinadas por la tecnología disponible.


Y=A Lβ Kα ei


https://es.wikipedia.org/wiki/1928

https://es.wikipedia.org/wiki/Paul_Douglas

https://es.wikipedia.org/wiki/Charles_Cobb

https://es.wikipedia.org/wiki/Knut_Wicksell

DATOS NUMERICOS POBLACION PIB CAPITAL LNL LNPIB LNK

30043881 3,0757E+10 4437547520 17,2181696 24,1493859 22,2133677

30788219 2,7393E+10 3778425872 17,2426427 24,0335492 22,0525733

31635543 2,9301E+10 3751158107 17,2697918 24,1008848 22,0453305

32532154 1,5789E+10 2149349007 17,2977395 23,4825796 21,4884308

33417326 1,8086E+10 2025018936 17,3245851 23,6184261 21,4288449

34343507 2,8547E+10 2022047186 17,3519235 24,0748162 21,4273763

35194224 3,4988E+10 2555421375 17,3763925 24,2782696 21,661483

36095012 3,5822E+10 2999098102 17,4016652 24,3018376 21,8215774

36972865 3,2005E+10 2758753864 17,4256948 24,1891459 21,7380449

37946736 3,5871E+10 2515105141 17,4516941 24,3031892 21,6455804

38875613 4,6386E+10 3261427209 17,4758777 24,5602634 21,9054307

39626299 4,4138E+10 3351751778 17,4950036 24,5105872 21,932749

40482284 5,9117E+10 4150200641 17,516375 24,8027821 22,1464225

41221986 6,7656E+10 6707073583 17,5344823 24,9376995 22,6264286

42063952 8,7845E+10 6501716389 17,5547017 25,1988443 22,595332

43250245 1,1225E+11 6136633107 17,5825135 25,4439794 22,5375421

44459832 1,4543E+11 1,2032E+10 17,6100967 25,7029591 23,2108732

45659878 1,6645E+11 1,5407E+10 17,6367305 25,8379681 23,4581156

47008096 2,0806E+11 1,7331E+10 17,6658304 26,0611152 23,5757864

48330258 1,6948E+11 2,0498E+10 17,6935684 25,8560085 23,743598

49706559 3,6906E+11 6,3814E+10 17,7216475 26,6342317 24,8792328

51167238 4,1174E+11 6,6752E+10 17,75061 26,7436672 24,9242475

52600554 4,6095E+11 6,8718E+10 17,7782372 26,8565637 24,9532707

54199112 5,1496E+11 7,5802E+10 17,8081751 26,9673641 25,0513902

Diferenciando el modelo cobb DouglasNull Hypothesis: D(DCAPITAL) has a unit rootExogenous: ConstantLag Length: 2 (Automatic - based on SIC, maxlag=4)

t-Statistic Prob.*



5% level -3.04039110% level -2.660551

*MacKinnon (1996) one-sided p-values.Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 18

Augmented Dickey-Fuller Test EquationDependent Variable: D(DCAPITAL,2)Method: Least SquaresDate: 09/17/16 Time: 20:46Sample (adjusted): 7 24Included observations: 18 after adjustments


D(DCAPITAL(-1)) -9.105512 0.688565 -13.22391 0.0000D(DCAPITAL(-1),2) 6.223479 0.593213 10.49114 0.0000D(DCAPITAL(-2),2) 3.540805 0.379915 9.319986 0.0000

C 2.01E+09 1.48E+09 1.357022 0.1963

R-squared 0.983939 Mean dependent var 4.14E+08Adjusted R-squared 0.980497 S.D. dependent var 4.31E+10S.E. of regression 6.01E+09 Akaike info criterion 48.06536Sum squared resid 5.06E+20 Schwarz criterion 48.26322Log likelihood -428.5883 Hannan-Quinn criter. 48.09264F-statistic 285.8904 Durbin-Watson stat 2.125970Prob(F-statistic) 0.000000

Observamos sus residuos y nube nos da:



Prob(F-statistic) de que ocurra en 100%. Aplicando un diferencial solucionamos el

problema de no estacionarieda eliminando la raíz unitaria

Null Hypothesis: D(DPEA) has a unit rootExogenous: ConstantLag Length: 0 (Automatic - based on SIC, maxlag=4)

t-Statistic Prob.*


5% level -3.012363


10% level -2.646119


Augmented Dickey-Fuller Test EquationDependent Variable: D(DPEA,2)Method: Least SquaresDate: 09/17/16 Time: 20:48Sample (adjusted): 4 24Included observations: 21 after adjustments


D(DPEA(-1)) -1.155253 0.232781 -4.962842 0.0001C 40866.66 25614.29 1.595463 0.1271

R-squared 0.564518 Mean dependent var 2964.571Adjusted R-squared 0.541598 S.D. dependent var 165482.3S.E. of regression 112040.5 Akaike info criterion 26.18150Sum squared resid 2.39E+11 Schwarz criterion 26.28098Log likelihood -272.9058 Hannan-Quinn criter. 26.20309F-statistic 24.62980 Durbin-Watson stat 1.986577Prob(F-statistic) 0.000086




Prob(F-statistic) es baja. Aplicando un diferencial solucionamos el problema de no

estacionarieda eliminando la raíz unitaria

Null Hypothesis: D(DPIB) has a unit rootExogenous: ConstantLag Length: 2 (Automatic - based on SIC, maxlag=4)

t-Statistic Prob.*



5% level -3.02997010% level -2.655194

*MacKinnon (1996) one-sided p-values.Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 19

Augmented Dickey-Fuller Test EquationDependent Variable: D(DPIB,2)Method: Least SquaresDate: 09/17/16 Time: 20:50Sample (adjusted): 6 24Included observations: 19 after adjustments


D(DPIB(-1)) -4.434862 0.904449 -4.903386 0.0002D(DPIB(-1),2) 2.119681 0.712152 2.976444 0.0094D(DPIB(-2),2) 0.874419 0.353021 2.476959 0.0256

C 1.91E+10 1.12E+10 1.700523 0.1097

R-squared 0.904258 Mean dependent var -5.79E+08Adjusted R-squared 0.885110 S.D. dependent var 1.29E+11S.E. of regression 4.36E+10 Akaike info criterion 52.02110Sum squared resid 2.86E+22 Schwarz criterion 52.21993Log likelihood -490.2004 Hannan-Quinn criter. 52.05475F-statistic 47.22377 Durbin-Watson stat 2.057657Prob(F-statistic) 0.000000




Prob(F-statistic) de que ocurra en 100%siendo este significativo. Aplicando un

diferencial solucionamos el problema de no estacionariedad eliminando la raíz

unitaria.

ESTIMACION DEL MODELO Vector Autoregression Estimates Date: 09/17/16 Time: 20:51 Sample (adjusted): 5 24


Included observations: 20 after adjustments Standard errors in ( ) & t-statistics in [ ]

DPIB DPEA DCAPITAL

DPIB(-1) -1.251090 4.49E-07 -0.390292 (0.27595) (1.2E-06) (0.04010)[-4.53383] [ 0.37700] [-9.73412]

DPIB(-2) 2.235384 2.03E-06 0.226923 (0.71731) (3.1E-06) (0.10423)[ 3.11634] [ 0.65729] [ 2.17722]

DPEA(-1) 60962.37 0.763608 33636.35 (68474.3) (0.29542) (9949.41)[ 0.89030] [ 2.58479] [ 3.38074]

DPEA(-2) -52959.84 0.019167 -18090.68 (85786.4) (0.37012) (12464.9)[-0.61735] [ 0.05179] [-1.45133]

DCAPITAL(-1) 8.748985 3.86E-06 0.877214 (2.26357) (9.8E-06) (0.32890)[ 3.86512] [ 0.39545] [ 2.66711]

DCAPITAL(-2) -0.267724 -3.91E-06 -0.159084 (0.77782) (3.4E-06) (0.11302)[-0.34420] [-1.16418] [-1.40760]

C -1.76E+09 214905.0 -1.24E+10 (6.2E+10) (266093.) (9.0E+09)[-0.02857] [ 0.80763] [-1.38231]

R-squared 0.723911 0.844501 0.928420 Adj. R-squared 0.596485 0.772732 0.895383 Sum sq. resids 1.13E+22 2.10E+11 2.38E+20 S.E. equation 2.95E+10 127153.2 4.28E+09 F-statistic 5.681035 11.76698 28.10253 Log likelihood -506.2051 -259.1339 -467.6262 Akaike AIC 51.32051 26.61339 47.46262 Schwarz SC 51.66901 26.96190 47.81112 Mean dependent 2.50E+10 1083348. 4.34E+08 S.D. dependent 4.64E+10 266721.9 1.32E+10

Determinant resid covariance (dof adj.) 1.07E+50 Determinant resid covariance 2.94E+49 Log likelihood -1224.176 Akaike information criterion 124.5176 Schwarz criterion 125.5631

Tomando la mejor estimación CAPITAL que está marcado con verde ya que este

modelo observamos sus residuos y nube nos da:




Prob(F-statistic) de que ocurra en 100%.


VAR Granger Causality/Block Exogeneity Wald TestsDate: 09/17/16 Time: 21:34Sample: 1 24Included observations: 20


Dependent variable: DPIB


DPEA 0.802550 2 0.6695DCAPITAL 15.80600 2 0.0004

All 30.23405 4 0.0000

Dependent variable: DPEA


DPIB 1.026621 2 0.5985DCAPITAL 1.356050 2 0.5076

All 1.636379 4 0.8022

Dependent variable: DCAPITAL


DPIB 101.7952 2 0.0000DPEA 11.98055 2 0.0025

All 102.0914 4 0.0000


Interpretación

PIB = F (PEA, CAPITAL) = para este modelo se verifica que la variable Capital

no explica nada al PIB ni PEA ya q tiene un valor de significancia muy bajo, y que

el modelo en conjunto no nos explica nada ya q tiene un bajo nivel de

significancia.

PEA = F (PIB, CAPITAL)= para este modelo se verifica que el PIB no tiene

relación con la PEA por lo tanto no nos explica nada gracias a su bajo nivel de

significancia de la misma manera sucede con el CAPITAL no existe relación

alguna no nos explica nada, ni el modelo en conjunto no nos explica nada ya q

tiene un bajo nivel de significancia.

CAPITAL = F (PIB, PEA)= para este modelo se verifica que el Capital de Nigeria

tiene una relación con las variable PIB pero no así con la PEA debido al bajo nivel

de significancia q este posee, y que el modelo en conjunto si tiene relación y nos

explica.

VAR Lag Order Selection CriteriaEndogenous variables: DPIB DPEA DCAPITAL Exogenous variables: C Date: 09/17/16 Time: 21:40


Sample: 1 24Included observations: 20


0 -1282.977 NA 1.42e+52 128.5977 128.7471 128.62691 -1237.524 72.72573 3.77e+50 124.9524 125.5498* 125.06902 -1224.176 17.35149* 2.63e+50* 124.5176* 125.5631 124.7217*


En este punto se verifica cual es el var que se requiere, esta herramienta nos

Muestra los rezagos que son necesarios para identificar el modelo verdadero.

Se puede observar que el rezago adecuado es (lag 2) se puede aplicar el

indicador Hannan-Quinn information criterion, error con la cantidad de rezagos

mencionados. Conociendo esto se puede definir que este modelo se adecua con

un var(3) en este caso la prueba asintótica nos dice que es un var 3

VAR Lag Exclusion Wald TestsDate: 09/17/16 Time: 21:44Sample: 1 24


Included observations: 20

Chi-squared test statistics for lag exclusion:Numbers in [ ] are p-values

DPIB DPEA DCAPITAL Joint

Lag 1 21.87904 10.83197 123.5769 189.7169[ 6.91e-05] [ 0.012670] [ 0.000000] [ 0.000000]

Lag 2 14.95300 1.815037 4.811873 26.80404[ 0.001857] [ 0.611668] [ 0.186103] [ 0.001507]

df 3 3 3 9



-4E+10

-2E+10

0E+00

2E+10

4E+10

6E+10

1 2 3 4 5 6 7 8 9 10

Response of DPIB to DPIB

-4E+10

-2E+10

0E+00

2E+10

4E+10

6E+10

1 2 3 4 5 6 7 8 9 10

Response of DPIB to DPEA

-4E+10

-2E+10

0E+00

2E+10

4E+10

6E+10

1 2 3 4 5 6 7 8 9 10

Response of DPIB to DCAPITAL

-200,000

-100,000

0

100,000

200,000

300,000

1 2 3 4 5 6 7 8 9 10

Response of DPEA to DPIB

-200,000

-100,000

0

100,000

200,000

300,000

1 2 3 4 5 6 7 8 9 10

Response of DPEA to DPEA

-200,000

-100,000

0

100,000

200,000

300,000

1 2 3 4 5 6 7 8 9 10

Response of DPEA to DCAPITAL

-1.5E+10

-1.0E+10

-5.0E+09

0.0E+00

5.0E+09

1.0E+10

1 2 3 4 5 6 7 8 9 10

Response of DCAPITAL to DPIB

-1.5E+10

-1.0E+10

-5.0E+09

0.0E+00

5.0E+09

1.0E+10

1 2 3 4 5 6 7 8 9 10

Response of DCAPITAL to DPEA

-1.5E+10

-1.0E+10

-5.0E+09

0.0E+00

5.0E+09

1.0E+10

1 2 3 4 5 6 7 8 9 10

Response of DCAPITAL to DCAPITAL



Interpretación

1. se observa que el PIB esta no está relacionado con el PIB significa que no

existe una relación directa entre sí.

2. PIB-PEA no tiene relación alguna no explica nada

3. PIB-CAPITAL se observa que el intervalo evoluciona en cero hasta el

periodo 2 y luego no muestra relación EL CAPITAL con el PIB el efecto es

nulo(todo fluctúa en cero)

4. PEA-PIB no existe relación es decir el PIB no explica la PEA

5. PEA-CAPITAL muestra que esta fluctúa en cero haciendo nula la relación

6. PEA-PEA muestra un cambio de régimen llegando a fluctuar en cero pero a

inicio se observa que la relación es positiva.

7. CAPITAL-PIB muestra que el margen de confianza se encuentra en cero

por tanto, la pea sube y baja pero su relación es baja.

8. CAPITAL-CAPITAL Inicia con periodos no cero pero fluctúa en cero

después

9. CAPITAL-PEA la relación se hace nula


VAR (P) 4 VARAIBLES

MODELO PASS TROUGTH

DATOS PARA EL MODELOLos datos que se tomara en cuenta en este modelo son tomados de la pagina de internet del banco mundial, de los cuales se usaron solo 4 variables, que serán explicadas, por otro lado se puede decir que se usaron datos de 1991 hasta el 2014 por el hecho que de la población no existen datos del 2015.

Se usara o empleara este modelo por que al hacer caculos es el que mejor se ajusta al país de Nigeria y con este modelo el país podrá explicarse muy bien y las variables empleadas lograran ser muy significativas, explicando al producto interno bruto.

ECUACION DEL MODELO PASS TROUGHT

Donde la inflación (π t ) está en función de la variación de tipo de cambio nominal ( e& ), el desalineamiento del tipo de cambio real ( q b ), la brecha del producto interno bruto real ( y b ), el grado de apertura de la economía (aper) y la inflación rezagada (π t n− ).


Et

DATOS NUMERIC

OS


DATOS NUMERICOS

Inflación, Índice de precios

apertura comercial Tasa de cambio oficial

44,5888427 3,97999428 8,05E-03 17,298425

57,1652528 6,25516807 4,96E-02 22,0654

57,0317089 9,82259731 -5,63E-02 21,996

72,8355023 16,9769354 -1,69E-01 21,8952583

29,2682927 21,9457945 -1,92E-01 21,884425

8,52987421 23,8177432 8,57E-02 21,88605

9,99637812 26,1986549 -4,64E-02 21,886

6,61837339 27,9325797 -1,72E-01 92,3381

6,93329216 29,8692271 -3,20E-02 101,697333

18,8736462 35,5066393 1,56E-01 111,23125

12,8765792 40,0786798 1,97E-02 120,578158

14,0317836 45,7024334 -1,16E-02 129,22235

14,9980338 52,5568999 3,82E-02 132,888025

17,8634934 61,9453982 2,13E-01 131,274333

8,23952652 67,0494057 2,42E-01 128,651667

5,38222365 70,6581547 1,50E-01 125,808108

11,5779835 78,8389442 4,49E-02 118,546017

11,5376727 87,9351236 3,85E-02 148,901742

13,7202018 100 -3,09E-02 150,298025

10,8407926 110,840793 -5,07E-02 153,861608

12,2170072 124,38222 -3,26E-02 157,499426

8,47582729 134,924642 -1,31E-02 157,311225

8,05738263 145,796037 -7,89E-03 158,552642

9,01768379 158,943463 -4,29E-02 192,440524


Diferenciando el modelo Pass TroughtNull Hypothesis: DAPERTURA_COMERCIAL has a unit rootExogenous: ConstantLag Length: 1 (Automatic - based on SIC, maxlag=4)

t-Statistic Prob.*


5% level -3.01236310% level -2.646119


Augmented Dickey-Fuller Test EquationDependent Variable: D(DAPERTURA_COMERCIAL)Method: Least SquaresDate: 09/17/16 Time: 22:08Sample (adjusted): 4 24Included observations: 21 after adjustments


DAPERTURA_COMERCIAL(-1) -1.606498 0.266625 -6.025300 0.0000

D(DAPERTURA_COMERCIAL(-1)) 0.580019 0.185736 3.122816 0.0059

C -1.86E-05 0.021073 -0.000880 0.9993

R-squared 0.685274 Mean dependent var 0.003376Adjusted R-squared 0.650304 S.D. dependent var 0.163248

S.E. of regression 0.096537 Akaike info criterion-

1.706221

Sum squared resid 0.167748 Schwarz criterion-

1.557003

Log likelihood 20.91532 Hannan-Quinn criter.-

1.673837F-statistic 19.59629 Durbin-Watson stat 2.243673Prob(F-statistic) 0.000030




Prob(F-statistic) siendo este no tan significativo. Aplicando un diferencial

solucionamos el problema de no estacionariedad eliminando la raíz unitaria.


Null Hypothesis: D(DINDICE_DE_PRECIOS) has a unit rootExogenous: ConstantLag Length: 0 (Automatic - based on SIC, maxlag=4)

t-Statistic Prob.*


5% level -3.01236310% level -2.646119


Augmented Dickey-Fuller Test EquationDependent Variable: D(DINDICE_DE_PRECIOS,2)Method: Least SquaresDate: 09/17/16 Time: 22:10Sample (adjusted): 4 24Included observations: 21 after adjustments


D(DINDICE_DE_PRECIOS(-1)) -1.184468 0.228071 -5.193415 0.0001

C 0.531701 0.550925 0.965107 0.3466





Prob(F-statistic) siendo este significativo. Aplicando dos diferenciales



Null Hypothesis: DINFLACION has a unit rootExogenous: ConstantLag Length: 0 (Automatic - based on SIC, maxlag=4)

t-Statistic Prob.*


5% level -3.00486110% level -2.642242


Augmented Dickey-Fuller Test EquationDependent Variable: D(DINFLACION)Method: Least SquaresDate: 09/17/16 Time: 22:13Sample (adjusted): 3 24Included observations: 22 after adjustments


DINFLACION(-1) -1.002765 0.216067 -4.640989 0.0002C -2.193118 2.567763 -0.854097 0.4032

R-squared 0.518522 Mean dependent var-

0.528005Adjusted R-squared 0.494448 S.D. dependent var 16.77266S.E. of regression 11.92573 Akaike info criterion 7.881781Sum squared resid 2844.459 Schwarz criterion 7.980967Log likelihood -84.69959 Hannan-Quinn criter. 7.905146F-statistic 21.53878 Durbin-Watson stat 2.017259Prob(F-statistic) 0.000158







Null Hypothesis: DTASA_DE_CAMBIO has a unit rootExogenous: ConstantLag Length: 0 (Automatic - based on SIC, maxlag=4)

t-Statistic Prob.*


5% level -3.00486110% level -2.642242


Augmented Dickey-Fuller Test EquationDependent Variable: D(DTASA_DE_CAMBIO)Method: Least SquaresDate: 09/17/16 Time: 22:14Sample (adjusted): 3 24Included observations: 22 after adjustments


DTASA_DE_CAMBIO(-1) -1.043374 0.237578 -4.391713 0.0003

C 8.022815 4.039934 1.985878 0.0609








ESTIMACION DEL MODELO Vector Autoregression Estimates Date: 09/17/16 Time: 22:15 Sample (adjusted): 4 24 Included observations: 21 after adjustments Standard errors in ( ) & t-statistics in [ ]

DAPERTURA_COMERCI

ALDINDICE_DE_PRECIOS

DINFLACION

DTASA_DE_CAMBIO

DAPERTURA_COMERCIAL(-1) -0.020818 -4.577996 -0.631108 -76.02449

(0.19274) (5.83697) (31.9536) (36.2390)[-0.10801] [-0.78431] [-0.01975] [-2.09786]

DAPERTURA_COMERCIAL(-2) -0.379978 -8.743384 16.08955 79.89203

(0.19365) (5.86435) (32.1035) (36.4090)[-1.96220] [-1.49094] [ 0.50118] [ 2.19429]

DINDICE_DE_PRECIOS(-1) 0.007966 0.154181 -1.482813 3.675993

(0.01293) (0.39143) (2.14281) (2.43018)[ 0.61633] [ 0.39390] [-0.69200] [ 1.51264]

DINDICE_DE_PRECIOS(-2) -0.006899 0.640007 1.609982 -3.309692

(0.01152) (0.34888) (1.90989) (2.16603)[-0.59887] [ 1.83446] [ 0.84297] [-1.52800]

DINFLACION(-1) -0.004810 0.132834 0.137538 -0.452372 (0.00243) (0.07369) (0.40342) (0.45752)[-1.97645] [ 1.80256] [ 0.34093] [-0.98875]

DINFLACION(-2) 0.002569 0.002690 -0.078806 -0.789306 (0.00186) (0.05643) (0.30890) (0.35032)[ 1.37866] [ 0.04767] [-0.25512] [-2.25309]

DTASA_DE_CAMBIO(-1) 0.000884 -0.028464 0.126417 0.189047

(0.00136) (0.04110) (0.22498) (0.25516)[ 0.65117] [-0.69261] [ 0.56190] [ 0.74091]

DTASA_DE_CAMBIO(-2) 0.002403 0.018229 0.240551 0.197244

(0.00129) (0.03917) (0.21443) (0.24319)[ 1.85764] [ 0.46540] [ 1.12182] [ 0.81108]

C -0.038309 2.443126 -4.697230 -0.759035


(0.05832) (1.76606) (9.66803) (10.9646)[-0.65690] [ 1.38338] [-0.48585] [-0.06923]

R-squared 0.681770 0.739436 0.203433 0.523278 Adj. R-squared 0.469617 0.565727 -0.327611 0.205464 Sum sq. resids 0.082314 75.48916 2262.296 2909.791 S.E. equation 0.082822 2.508139 13.73043 15.57185 F-statistic 3.213579 4.256749 0.383081 1.646489 Log likelihood 28.39053 -43.23211 -78.93364 -81.57651 Akaike AIC -1.846717 4.974487 8.374633 8.626334 Schwarz SC -1.399064 5.422139 8.822285 9.073986 Mean dependent 0.000638 7.100994 -2.286382 8.116406 S.D. dependent 0.113724 3.806013 11.91650 17.46962

Determinant resid covariance (dof adj.) 553.2079 Determinant resid covariance 58.98426 Log likelihood -162.0022 Akaike information criterion 18.85735 Schwarz criterion 20.64796

Ojo tomando la mejor estimación PIB que está marcado con verde ya que este

modelo observamos sus residuos y nube nos da:



Prob(F-statistic) de que ocurra en 100%


VAR Granger Causality/Block Exogeneity Wald Tests


Date: 09/17/16 Time: 22:17Sample: 1 24Included observations: 21

Dependent variable: DAPERTURA_COMERCIAL


DINDICE_DE_PRECIOS 0.397454 2 0.8198DINFLACION 7.921628 2 0.0190

DTASA_DE_CAMBIO 3.547890 2 0.1697

All 12.45491 6 0.0526

Dependent variable: DINDICE_DE_PRECIOS


DAPERTURA_COMERCIAL 2.910806 2 0.2333

DINFLACION 3.469594 2 0.1764DTASA_DE_CAMBIO 0.845202 2 0.6553

All 5.832101 6 0.4423

Dependent variable: DINFLACION



DINDICE_DE_PRECIOS 0.715521 2 0.6992DTASA_DE_CAMBIO 1.387935 2 0.4996

All 2.921325 6 0.8187

Dependent variable: DTASA_DE_CAMBIO



DINDICE_DE_PRECIOS 2.482273 2 0.2891DINFLACION 5.220900 2 0.0735

All 13.07672 6 0.0418


Se buscan los valores con menor probabilidad, se toma un valor considerable del

90% de confianza para el cual se procede a verificar la relación. MODELOS:

.

Se puede observar que la relación TIPO DE CAMBIO – INFLACION– INDICE DE

PRECIOS Y APERTURA COMERCIAL no existe no cumple la significancia estadística,

en conclusión INDICE DE PRECIOS Y APERTURA COMERCIAL no explican el

modelo en conjunto.

Se puede observar que la formación de la relación INFLACION TIPO DE CAMBIO –

INDICE DE PRECIOS Y APERTURA COMERCIAL no existe ya q tienen un nivel de

significancia muy bajo y ni aun asi estando en conjunto logran explicar el modelo.

Se puede observar que la que la relación INDICE DE PRECIOS con el TIPO DE

CAMBIO, APERTURA COMERCIAL E INFLACION no existe ya q tienen un nivel de

significancia muy bajo y ni aun asi estando en conjunto logran explicar el modelo.

Se puede observar que la relación APERTURA COMERCIAL – TIPO DE CAMBIO

INFLACION – INDICE DE PRECIOS no existe no cumple la significancia estadística, en

conclusión INDICE DE PRECIOS e INFLACION no explican el modelo, en conjunto

tampoco no logra explicar el modelo.

VAR Lag Exclusion Wald Tests


Interpretación

Date: 09/17/16 Time: 22:18

Sample: 1 24

Included observations: 21

Chi-squared test statistics for lag exclusion:

Numbers in [ ] are p-values

DAPERTURA_COMERCIAL

DINDICE_DE_PRECIOS DINFLACION

DTASA_DE_CAMBIO Joint

Lag 1 5.784760 12.12231 1.362515 6.395646 50.56072

[ 0.215810] [ 0.016465] [ 0.850683] [ 0.171485] [ 1.87e-05]

Lag 2 16.30946 4.892632 2.293765 9.255987 59.23434

[ 0.002631] [ 0.298493] [ 0.681904] [ 0.055010] [ 7.04e-07]

df 4 4 4 4 16

VAR Lag Order Selection CriteriaEndogenous variables: DAPERTURA_COMERCIAL DINDICE_DE_PRECIOS DINFLACION DTASA_DE_CAMBIO Exogenous variables: C Date: 09/17/16 Time: 22:19Sample: 1 24Included observations: 20


0 -199.6630 NA 8226.564 20.36630 20.56544 20.405171 -177.1408 33.78330 4473.257 19.71408 20.70981 19.908462 -150.2958 29.52944* 1911.564 18.62958 20.42190 18.979463 -123.7578 18.57664 1375.619* 17.57578* 20.16468* 18.08116*


En este punto se verifica cual es el var que se requiere, esta herramienta nos muestra los rezagos que son necesarios para identificar el modelo verdadero.

Se puede observar que el rezago adecuado es (lag 3) se puede aplicar el indicador AIC: Akaike information criterion error con la cantidad de rezagos mencionados. Conociendo esto se puede definir

que este modelo se adecua con un var(4) en este caso la prueba asintótica nos dice que es un var 4



-.10

-.05

.00

.05

.10

.15

1 2 3 4 5 6 7 8 9 10

Response of DAPERTURA_COMERCIAL to DAPERTURA_COMERCIAL

-.10

-.05

.00

.05

.10

.15

1 2 3 4 5 6 7 8 9 10

Response of DAPERTURA_COMERCIAL to DINDICE_DE_PRECIOS

-.10

-.05

.00

.05

.10

.15

1 2 3 4 5 6 7 8 9 10

Response of DAPERTURA_COMERCIAL to DINFLACION

-.10

-.05

.00

.05

.10

.15

1 2 3 4 5 6 7 8 9 10

Response of DAPERTURA_COMERCIAL to DTASA_DE_CAMBIO

-4

-2

0

2

4

1 2 3 4 5 6 7 8 9 10

Response of DINDICE_DE_PRECIOS to DAPERTURA_COMERCIAL

-4

-2

0

2

4

1 2 3 4 5 6 7 8 9 10

Response of DINDICE_DE_PRECIOS to DINDICE_DE_PRECIOS

-4

-2

0

2

4

1 2 3 4 5 6 7 8 9 10

Response of DINDICE_DE_PRECIOS to DINFLACION

-4

-2

0

2

4

1 2 3 4 5 6 7 8 9 10

Response of DINDICE_DE_PRECIOS to DTASA_DE_CAMBIO

-10

0

10

20

1 2 3 4 5 6 7 8 9 10

Response of DINFLACION to DAPERTURA_COMERCIAL

-10

0

10

20

1 2 3 4 5 6 7 8 9 10

Response of DINFLACION to DINDICE_DE_PRECIOS

-10

0

10

20

1 2 3 4 5 6 7 8 9 10

Response of DINFLACION to DINFLACION

-10

0

10

20

1 2 3 4 5 6 7 8 9 10

Response of DINFLACION to DTASA_DE_CAMBIO

-20

-10

0

10

20

1 2 3 4 5 6 7 8 9 10

Response of DTASA_DE_CAMBIO to DAPERTURA_COMERCIAL

-20

-10

0

10

20

1 2 3 4 5 6 7 8 9 10

Response of DTASA_DE_CAMBIO to DINDICE_DE_PRECIOS

-20

-10

0

10

20

1 2 3 4 5 6 7 8 9 10

Response of DTASA_DE_CAMBIO to DINFLACION

-20

-10

0

10

20

1 2 3 4 5 6 7 8 9 10

Response of DTASA_DE_CAMBIO to DTASA_DE_CAMBIO



No tienen relación alguna no explica nada en ninguno de los casos ya q ni en conjunto pudo explicar el modelo relacionando todas las variables del modelo Pass Trougth.


Interpretación

Documents

rodrigo69rioja.files.wordpress.com · Web view2016. 9. 18. · Esta estimación se la realiza para conocer los resultados de un Var cualquiera es decir no se toman en cuenta el