i
Costa Rica:
“Efectos de la Política Fiscal en la Actividad Económica.
VAR Estructural”
Gisella Valverde Obando 1
Dirección General de Hacienda (DGH)
Subdirección de Estudios Económicos (SEE)
División de Política Fiscal (DPF)
Diciembre 2018
1 Elaborado por Gisella Valverde Obando [email protected], con la coordinación de Willy H.
Chaves Sánchez [email protected], Subdirección de Estudios Económicos.
ii
Contenido Resumen Ejecutivo .............................................................................................................................. iv
Abstract ............................................................................................................................................... v
Introducción ........................................................................................................................................ vi
Marco Teórico ..................................................................................................................................... 7
Planteamiento del Problema .............................................................................................................. 9
Objetivos ........................................................................................................................................... 10
Objetivo general ............................................................................................................................ 10
Objetivos específicos ..................................................................................................................... 10
Justificación ....................................................................................................................................... 11
Método o Diseño de Investigación.................................................................................................... 12
Fuente de Datos ................................................................................................................................ 15
Resultados ......................................................................................................................................... 16
Evolución de los Ingresos y Gastos 2006-2017 ............................................................................. 16
El Modelo VAR ................................................................................................................................... 20
1. Prueba de Estacionariedad de las Variables. ..................................................................... 21
2. Prueba de Cointegración de Johansen. .............................................................................. 24
3. Número de Rezagos Óptimo ............................................................................................. 26
Estimación del Modelo VARS ............................................................................................................ 29
1. Ecuación de los ingresos ....................................................................................................... 31
2. Ecuación de los gastos ........................................................................................................... 32
3. Ecuación del Producto Interno Bruto. ................................................................................... 33
Desarrollo del VARS ........................................................................................................................... 38
1. Inclusión de Restricciones por Shock Impositivo: ................................................................. 38
2. Inclusión de Restricciones por Shock del Gasto: ................................................................... 40
3. Función Impulso Respuesta (FIR) del Shock Impositivo ........................................................ 42
4. Función Impulso Respuesta (FIR) del Shock del Gasto. ......................................................... 44
Conclusiones ..................................................................................................................................... 47
Referencias Bibliográficas ................................................................................................................. 49
iii
iv
Resumen Ejecutivo
En este trabajo se analiza los efectos de la dinámica de la política fiscal en Costa Rica,
durante el periodo comprendido entre 2006 -2017.
Utilizando para esto, la técnica de un modelo de vectores autorregresivos de tipo
estructural (VARS), como lo hizo Blanchard & Perotti (2002) para la estimación de los
multiplicadores fiscales (MF) y evaluar la respuesta de la actividad económica (PIB) ante
cambios en la PF (impuestos y gastos) a través de la función impulso respuesta (FIR) y
descomposición de la varianza.
Los valores estimados del multiplicador fiscal impositivo (MFI) es -0,094849, y el
multiplicador del gasto (MFG) es de 0,093913.
Los resultados indican que un shock positivo de gasto fiscal tiene un efecto positivo y
significativo sobre el PIB desde el tercer trimestre al presentar niveles positivos hasta el
período nueve y se estabiliza en el décimo, mientras que un shock positivo de impuestos
tiene un efecto negativo sobre la productividad económica desde el tercer trimestre que
conserva hasta el séptimo.
Efectos que resultan acordes con las expectativas según la evolución de la literatura,
donde se presentan efectos favorables sobre el producto ante shock´s positivos de gasto
fiscal y negativos ante shock´s de impuestos; lo anterior a pesar de que nuestra economía es
pequeña en comparación con los países sujeto de estudio por parte de Blanchard y Perotti.
Finalmente, el multiplicador esperado es reflejo de la política fiscal procíclica adoptada
por Costa Rica en el periodo de estudio, causado por los recurrentes déficits y el alto
crecimiento de la deuda soberana, que no permiten incrementar el gasto en recesiones, para
inducir un crecimiento significativo sobre el nivel de actividad económica.
v
Abstract
This paper analyzes the effects of fiscal policy dynamics in Costa Rica during the
period between 2006-2017.
Using for this, the technique of a model of structural autoregressive vectors
(VARS), as Blanchard & Perotti (2002) did for estimating fiscal multipliers (MF) and
evaluating the response of economic activity (GDP) to changes in the PF (taxes and
expenses) through the impulse response function (FIR) and decomposition of the variance.
The estimated values of the fiscal tax multiplier (MFI) is -0.094849, and the
expenditure multiplier (MFG) is 0.093913.
The results indicate that a positive shock of fiscal spending has a positive and
significant effect on GDP since the third quarter, presenting positive levels until period nine
and stabilizing in the tenth, while a positive tax shock has a negative effect on the economic
productivity from the third quarter that remains until the seventh.
Effects that are consistent with expectations according to the evolution of the
literature, where there are favorable effects on the product before positive shock's of fiscal
expenditure and negative before shock's of taxes; This is despite the fact that our economy
is small compared to the countries under study by Blanchard and Perotti.
Finally, the expected multiplier is a reflection of the pro-cyclical fiscal policy
adopted by Costa Rica during the study period, caused by recurring deficits and high
sovereign debt growth, which do not allow for increased recession spending to induce
significant growth on the level of economic activity.
vi
Introducción
La situación fiscal actual de nuestro país, ha sido el resultado de decisiones
tomadas durante años, que ha llevado a un crecimiento de los ingresos menor que el de los
gastos, y que se ha acrecentado aún más del 2009 en adelante, provocando a un creciente
déficit fiscal y una deuda pública que tiende a ser insostenible.
Se considera que la Política Fiscal (PF) constituye una herramienta de política
económica, con la que se estimula o no la producción de bienes y servicios, por lo que la
implementación de medidas que afecten los ingresos y gastos, influyen sobre las principales
variables macroeconómicas, como el nivel de producción, empleo, precios, tasas de interés
y tipo de cambio.
Se considera que el objetivo principal de la PF debe ser el de estimular el
crecimiento económico y el pleno empleo, sobre todo mediante medidas anticíclicas a
través del control de los ingresos y gastos que tienen un impacto importante sobre la
demanda agregada. Nótese, que las medidas anticíclicas tienen limitantes cuando se está en
presencia de altos niveles de déficit fiscal o de la razón deuda/pib.
En este sentido, resulta pertinente y de gran interés realizar este estudio sobre el
efecto de los ingresos y gastos del Gobierno Central en la actividad económica (PIB), a
través de la estimación de los multiplicadores fiscales. Se desarrolla para ello un Modelo
VAR Estructural bajo el enfoque Blanchard y Perotti2, que identifica los shocks
estructurales aprovechando la existencia de rezagos de implementación y de decisión en la
formulación de la PF.
2 Determinan los efectos dinámicos de los cambios en los gastos gubernamentales e impuestos en la actividad
económica de los Estados Unidos.
7
Marco Teórico
La actividad económica del país, es determinada por la demanda agregada (DA),
que se encuentra conformada por la demanda: de bienes de consumo (C), de Inversión (I),
del Gobierno (G) y de Exportaciones Netas (X-M), lo que se resume a la ecuación: DA = C
+ I + G + (X – M); donde C depende de la renta disponible, I determinado por la
producción actual y esperada, tasas de interés e impuestos, G obedece a compras de bienes
y servicios del Estado y los ingresos por impuestos, (X-M) lo determina los precios
internos - externos y el tipo de cambio.
Los desplazamientos en la demanda agregada, son originados por decisiones de
política fiscal o de política monetaria, así como por variaciones del tipo de cambio e
ingresos del exterior, y cambios en las expectativas futuras en el ingreso o inflación.
Teóricamente, el efecto de las modificaciones de Política Fiscal en la DA, depende
de los determinantes de la función Consumo; para lo que se dispone dos posiciones bien
definidas. En la primera, el consumo es función de la renta permanente3, por lo que
cambios en los gastos o ingresos del Gobierno (PF) no implican cambios en el consumo
solo en la propensión al ahorro, donde la DA y la producción no cambian bajo el supuesto
de pleno empleo; por lo que la PF no puede ser utilizada como instrumento para un cambio
en el nivel de producción (PIB).
La segunda posición, asume que la función consumo es determinada por la renta
disponible, donde una variación en los gastos del Gobierno o en los impuestos (PF), se
traduce en un mayor o menor consumo4, ya que tienen un efecto directo sobre la renta de
los consumidores y la DA de los mismos, induciendo a una cadena de aumentos o bajas del
gasto en cascada pero cada vez menores, conocido como efecto multiplicador del Gasto, en
condiciones de desempleo5 de los factores productivos.
Adicional al efecto expansivo provocado por un incremento en gastos o reducción
impositiva, se presenta un efecto expulsión, que actúa en dirección contraria al anterior,
contrayendo el resultado inicial, haciendo que el impacto económico final sea difícil de
determinar.
El efecto expulsión, es la consecuencia monetaria de un impulso fiscal en los gastos
o rebaja impositiva, al inducir a una mayor demanda agregada y estimular una mayor
3 Teoría de la evidencia Ricardiana.
4 Conforme a la teoría Keynesiana.
5 Según teoría económica de Keynes, donde destaca el carácter ascendente de la oferta agregada, en contraposición con la visión clásica
de pleno empleo.
8
producción, que incita la búsqueda de recursos financieros para continuar expandiendo los
niveles de producción, lo que lleva a aumentar las tasas de interés, contraer la inversión y
producción, así como a aumentar los precios de bienes y servicios, con lo que se reduce la
demanda agregada.
El resultado final sobre el PIB, de ambos efectos ante cambios en los gastos o
ingresos del Gobierno, se le conoce como multiplicador fiscal del Gasto (MFG) o
multiplicador fiscal del Ingreso (MFI). Con él se mide el impacto económico de las
intervenciones fiscales o efectividad de la PF sobre el PIB.
La evaluación de los MFG y MFI del Gobierno Central, constituye un insumo
fundamental para la toma de decisiones de PF, por lo que el tema de los multiplicadores
fiscales resulta de gran interés para el Ministerio de Hacienda, dado que no se cuenta con
un estudio al respecto, o al menos no se ha ubicado alguno.
Para el cálculo de multiplicadores fiscales, se han utilizado diferentes técnicas como
son:
Simulación de modelos macroeconómicos diseñados para integrar en su
formulación, la función global de la economía y simular los efectos de
políticas.
Estimación econométrica mediante el uso de vectores autorregresivos VAR
en donde se utiliza datos reales y se estudia la evolución en el tiempo del
movimiento conjunto de un grupo de variables interrelacionadas, donde cada
variable se explica por los retardos de las demás variables incluidas en el
vector.
Regresión econométrica de una función lineal en casos donde las variables
fiscales son menos dependientes del ciclo económico.
Se han hecho varios estudios sobre los MF a nivel de países desarrollados,
utilizando la metodología de vectores autoregresivos estructural (VARS), cuya diferencia
radica en la forma de identificar los shocks de PF. En donde, se han identifican cuatro
enfoques: el narrativo, el de restricción de signos, el de descomposición de Choleski de la
matriz de covarianzas, y el de Blanchard y Perotti (2002).
Para los efectos del presente estudio, nos interesa dar seguimiento a un modelo
VAR estructural (VARS), similar al propuesto por Blanchard y Perotti, fundamentado en la
identificación de los shocks estructurales, y aprovechando la existencia de rezagos de
implementación y rezagos de decisión en la formulación de la PF.
9
Planteamiento del Problema
Uno de los objetivos de la PF es el saneamiento de las finanzas públicas, mediante
decisiones de reducción de gastos o aumento de impuestos, bajo el contexto económico
actual de déficit fiscal persistente, una deuda en continuo crecimiento con relación al PIB.
En circunstancias diferentes se deben impulsar medidas de política fiscal anticíclica, de tal
forma que la posición fiscal sea la correcta ante el crecimiento o estancamiento de la
economía.
Así, al Ministerio de Hacienda le corresponde la implementación de la política fiscal
(PF), tanto a nivel de gastos como de ingresos; como por ejemplo impulsar la migración a
un impuesto sobre el valor agregado (IVA) de tipo financiero, aplicar un impuesto sobre la
renta más progresivo y con componentes de renta global, de combate al fraude fiscal y
evaluar el sistema de exoneraciones, entre otros. También, en la parte de gastos, modificar
la estructura salarial, en cuanto a fórmulas de incrementos e incentivos salariales,
implementación de salarios únicos; reforma de impuestos con destinos específicos para un
mayor control del gasto, reducción de la deuda e intereses.
El problema de esta investigación, radica en estimar la magnitud de los
multiplicadores fiscales –de ingreso y gasto-, y su impacto en el producto (PIB); para ello,
se recurre a elaborar un modelo VAR de tipo estructural (VARS), siguiendo la metodología
de Blanchar y Perotti, donde se asumen dos escenarios: en el primero se produce un shock
sobre los ingresos y se analiza sus efectos sobre el gasto, el producto y los mismos
ingresos, y en el segundo se produce un shock sobre los gastos y se analiza su efecto sobre
los ingresos, el producto y los mismos gastos. El análisis se realiza a través de la función de
impulso-respuesta (FIR).
10
Objetivos
Objetivo general
Estimar la magnitud de los multiplicadores fiscales del ingreso y del gasto sobre el
producto, a través de la metodología de Blanchar y Perotti, y el efecto entre las
mismas variables fiscales.
Objetivos específicos
Evaluar los efectos dinámicos provocados por las distintas medidas de Política
Fiscal en el Producto y entre las mismas variables fiscales –de ingresos y gastos-,
mediante el desarrollo de un Modelo VAR de tipo estructural, durante el periodo
2003-2017.
Disponer de una herramienta analítica, que permita valorar las variaciones
en las magnitudes de los multiplicadores fiscales en el tiempo.
Dar cumplimiento al PAO 2018 de la Subdirección de Estudios
Económicos, de la División de Política Fiscal.
11
Justificación
Al Ministerio de Hacienda como institución pública, le corresponde el diseño e
implementación de la política fiscal, lo que requiere prudencia, a fin de no tener efectos
indeseables que lleven a pérdida de bienestar económico y social del país.
Es fundamental para el Ministerio, contar con un instrumento de medición que le
permita estimar los multiplicadores fiscales y su potencial efecto sobre el producto y entre
las mismas variables fiscales de ingreso y gasto.
La estimación de los multiplicadores fiscales constituye un instrumento fundamental
para la toma de decisiones, así como para el diseño de tácticas fiscales específicas, que
permitan a quienes formulan la política fiscal representar los beneficios esperados en el
producto, por el impulso o aplicación de medidas de política fiscal.
12
Método o Diseño de Investigación
A pesar, de que el tema de multiplicadores fiscales, ha sido un tema muy analizado en
otros países, a lo interno del Ministerio de Hacienda no se ha ubicado ninguna
investigación al respecto. Por lo que, resulta de gran interés realizar un estudio sobre los
multiplicadores fiscales, desarrollando para ello un modelo multiecuacional de tipo VAR
estructural.
Sobre este tema, se han planteado diferentes enfoques teóricos y técnicas de estimación,
con resultados diversos según el país y sin poder concretizar un resultado único sobre los
efectos de la PF sobre el PIB.
Existen dos enfoques teóricos contrapuestos, respecto a la respuesta de la función
consumo ante un cambio en los ingresos y gastos del Gobierno: uno obedece la posición
monetarista y se relaciona con la evidencia Ricardiana, donde el consumo lo determina la
renta permanente, por lo que la PF no tiene efecto sobre la producción, el otro relacionado
con la posición Keynesiana, donde la renta disponible determina el consumo, y sugiere
utilizar la PF para provocar cambios en la producción.
Para los fines del presente estudio, interesa utilizar el segundo enfoque teórico, y la
técnica de un modelo de vectores autorregresivos de tipo estructural (VARS), como lo hizo
Blanchard & Perotti (2002) para la estimación de los multiplicadores fiscales (MF) y
evaluar la respuesta del PIB ante cambios en la PF.
El desarrollo de este modelo VARS, requiere datos en términos reales, hacer un análisis
previo de la evolución en el tiempo del movimiento conjunto de un grupo de variables
interrelacionadas; a la vez cada variable es explicada por los retardos de sí misma y por los
retardos de las demás variables incluidas en el vector.
La formulación básica de un modelo VAR, se describe como:
Xt = AYt-1 + Ut
Donde:
Xt = vector con las variables endógenas, entre las que se incluirán las fiscales.
A = matriz de coeficientes.
Ut = vector de residuos, con tantos componentes como variables estén incluidas en
el vector Xt.
13
El uso de vectores autorregresivos permite describir en términos estadísticos, las
relaciones dinámicas entre las variables contenidas en el vector Xt. Un modelo VAR’S,
parte de un sistema de ecuaciones, en el que se tomará como variables endógenas los
impuestos netos (T) y gastos totales del Gobierno Central (G), así como el nivel de
producción (Xt =PIB) y bajo el supuesto de que tanto T como G afectan el PIB (no son
independientes).
Cada una de las ecuaciones se expresa de la siguiente forma:
𝑻𝒕 = 𝒂𝟏𝒙𝒕 + 𝒂𝟐𝜺𝒕𝒈 + 𝜺𝒕
𝒕
𝑮𝒕 = 𝒃𝟏𝒙𝒕 + 𝒃𝟐𝜺𝒕𝒕 + 𝜺𝒕
𝒈
𝑿𝒕 = 𝒄𝟏𝒕𝒕 + 𝒄𝟐𝒈𝒕 + 𝜺𝒕𝒙
Dónde:
Tt = Ingresos Tributarios
Gt = Gastos Totales
Xt = PIB
𝜺𝒕 = shocks estructurales en el ingreso (t) y el gasto (g) no observables.
Para una estimación econométrica fiable, se requiere establecer la estacionariedad o no
de las series de tiempo, y probar que las mismas están cointegradas,6 lo que indica que no
solo se tiene una relación dinámica de ajuste en el corto plazo, sino de largo plazo entre las
variables.
Se parte de un Modelo de Vectores Autorregresivos (VAR), al que se le aplica las
pruebas correspondientes de no estacionariedad y cointegración antes citadas; de cumplir
con las condiciones establecidas, se procede a determinar los factores estructurales que se
integrarán al VAR.
Mediante la estimación de las líneas de regresión, de cada una de las variables
incluidas en el sistema de ecuaciones del VAR, se obtienen los valores de los coeficientes,
que corresponden a elasticidades y multiplicadores fiscales de las variables respecto al PIB.
Para el desarrollo del modelo VAR estructural (VARS), se deben construir las
matrices que conforman el sistema de ecuaciones a utilizar; donde de acuerdo a la
metodología de Blanchard & Perotti el orden de las ecuaciones es importante.
6 Según Johansen y Juselius, para probar la existencia de una relación de largo plazo entre las variables.
14
En la construcción de las matrices de los coeficientes, se debe tener en cuenta el
orden de los shocks - impositivo o de gasto- por lo que el orden del sistema de ecuaciones
es determinado por la variable en la que se quiera aplicar el shock. Si el shock es impositivo
(la variable ingreso es la que da el cambio inicial) por lo tanto la primer ecuación será la de
ingreso y luego las de gasto y PIB, bajo el supuesto de que el coeficiente a2=0 y resolver
el sistema de ecuaciones.
Si el shock es de gasto la ecuación de G pasa a tomar el primer lugar, seguido de las
de ingreso y PIB; el supuesto es que un cambio en el PIB en un trimestre no implica un
cambio inmediato en el gasto (mismo trimestre), en este caso se supone b1 =0.
Obtenidas las matrices de cada sistema de ecuaciones -de acuerdo al shock
utilizado- se estima el modelo VARS, y la función de impulso-respuesta, que permitirá
evaluar el potencial impacto de las variables fiscales sobre el producto y el efecto
simultaneo entre las variables de estudio.
La función impulso-respuesta (FIR) mide la respuesta de las variables del sistema
ante cambios en los errores; donde un cambio (shock) en una variable, en el período i
afectará directamente a la propia variable y se transmitirá a las otras variables a través de la
estructura dinámica que representa el modelo VARS.
15
Fuente de Datos
Se utilizará como variables endógenas, las series de tiempo con valores trimestrales
de: impuestos netos (ingresos tributarios), de gastos totales del Gobierno Central y de los
niveles de producción (PIB) para el periodo de estudio.
Los montos de las variables fiscales, de ingresos y gastos mensuales se tomaron de
la página web del Ministerio de Hacienda, y con dichas series se construyeron las series
trimestrales en términos reales.
Para el caso de los datos del PIB, se utilizaron los valores trimestrales nominales y
reales, del Banco Central de Costa Rica con base 91, desde el 2006 a 2017, así como el
deflactor implícito del PIB (Def=(PIBn/PIBr)*100)7, que se aplicó a las cifras de ingresos y
gastos nominales y obtener las series reales conforme la metodología utilizada por
Blanchard & Perotti.
Además, se recurrió a otras fuentes de información, como Internet que tiene a
disposición publicaciones cortas, libros e investigaciones sobre el tema que nos interesa.
7 Es un promedio ponderado de precios de todos los bienes y servicios finales producidos, que demandan los consumidores en una
economía determinada.
16
Resultados
Evolución de los Ingresos y Gastos 2006-2017
De previo al desarrollo del modelo VARS, se analiza la evolución de las variables
fiscales de -ingresos, gastos, déficit o superávit-, con relación al PIB, para ubicar al lector
sobre las condiciones financieras del Gobierno durante el periodo de estudio.
Cuadro N°1
Ingresos, Gastos, Déficit Fiscal
Como Porcentaje del PIB2012
Año CT IT GT DF
2003 13,6% 14,2% 17,1% -2,9%
2004 13,4% 13,7% 16,4% -2,7%
2005 13,6% 13,9% 16,0% -2,1%
2006 13,7% 14,2% 15,2% -1,0%
2007 14,7% 15,2% 14,7% 0,6%
2008 15,0% 15,5% 15,3% 0,2%
2009 12,9% 13,5% 16,8% -3,3%
2010 12,7% 14,0% 19,0% -5,0%
2011 13,0% 14,2% 18,1% -4,0%
2012 12,9% 14,0% 18,3% -4,3%
2013 13,2% 14,2% 19,6% -5,4%
2014 12,9% 14,0% 19,6% -5,6%
2015 13,2% 14,3% 20,0% -5,7%
2016 13,4% 14,7% 20,0% -5,3%
2017 13,4% 14,5% 20,7% -6,2%
Fuente: Ministerio de Hacienda y BCCR.
17
Gráfico N°1
Ingresos - Gastos Totales - Déficit Fiscal
Como % del PIB (base 2012).
Período 2003-2017
Fuente: Ministerio de Hacienda y BCCR.
Del cuadro y gráfico N°1 se observa que en los primeros cuatro años del período, a
pesar del déficit fiscal, los gastos representaban en promedio un 16,2% del PIB y los
ingresos el 14%, para un déficit que iba cayendo de un -2,9% (2003) del PIB a un 1% en el
2006 (no cae sube, revisar). Resaltan los años 2007- 2008 en crecimiento económico,
logrando con ello un superávit del 0,6% y 0,2% del PIB.
Con la crisis financiera mundial de finales de 2008, la conducta de las variables
fiscales cambió en forma radical, dado que los gastos se incrementan mucho más rápido
que los ingresos, pasando de un 14,7% (2007) a un 20,7% (2017), mientras que la
participación de los ingresos totales disminuían, iniciando con 15,2% del PIB en el 2007 y
llegando al 14,5% en el 2017. El peso promedio de los gastos totales para 2008-2017 fue de
19,5% del PIB, y el de los ingresos fue del 14,3%; con una carga tributaria promedio del
13,3%.
Considerando la política fiscal adoptada por las diferentes Administraciones
públicas del país para el período en estudio, tenemos que en la Administración Pacheco
(2002-2006), se restringieron los gastos corrientes y de inversión. El crecimiento
productivo real promedio, en los cuatro años de su administración fue 6.6%, con una
recaudación que pasó de un 13,6% del PIB a un 13,7% del PIB. Se logró contener el gasto,
pasando a ser el 15,2% del PIB en el 2006 (17,1% en el 2003). Lo que permitió una baja en
-10%
-5%
0%
5%
10%
15%
20%
25%
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
IT
GT
DF
18
el déficit fiscal a un 1% del PIB (-2,9% en el 2003), pero con una disminución del salario
real de los empleados públicos y una inversión pública paralizada.
En la Administración Oscar Arias (2006-2010), la economía presenta un
crecimiento muy grande en el 2007 del 7.9%, pero en el 2008 el nivel fue del 2,7% efecto
de la gran crisis financiera mundial - que se impacta el crecimiento económico de EEUU y
otros países europeos-, para el 2009 se presenta un decrecimiento económico del 1% en
términos reales, sin embargo, en el 2010 de nuevo crece en un 5%, para un crecimiento real
promedio en este período del 3,7%.
En el 2007 y 2008, la bonanza económica mundial permitió que tanto los ingresos
como gastos lograran equilibrarse las finanzas públicas y reducir deuda. No obstante, dado
los efectos negativos esperados sobre la demanda agregada, el Gobierno opta por la
aplicación de una política expansiva del gasto, para lo que incremento programas sociales y
de educación, ajusto los salarios de profesionales e inversión pública, contemplados dentro
del “Plan Escudo” con el objetivo de sostener la demanda.
El incremento en los gastos incrementaran su peso respecto al PIB, razón que
alcanzó en promedio para los dos últimos años un 17,9% (en 2007-2008 el promedio fue
del 15 %). Pero la carga tributaria promedio paso del 14,8% a un 12,8%; lo que
consecuentemente desmejoró las finanzas públicas.
En la Administración Chinchilla (2010-2014), el país presentaba serios problemas,
con una producción desacelerada, un crecimiento automático del gasto producto de
decisiones de PF anteriores, así como leyes y convenciones sociales, que limitan la
capacidad del Gobierno de reasignar gasto; además de una deuda y pago de intereses en
crecimiento.
Lo que llevo, a presentar el ‘Proyecto de Ley de Solidaridad Tributaria’, para el
fortalecer las finanzas públicas, sentando las bases para un crecimiento sostenido a mediano
plazo, mediante la mejora en la progresividad del sistema tributario, y obtener con ellos
recursos para financiar los gastos públicos, a la vez, de reducir las necesidades de
financiamiento y liberar recursos al sector productivo e incrementar el crecimiento
económico, pero fracasó su aprobación por intervención de la Sala Constitucional.
La carga tributaria promedio se sitúo en 13%del PIB, los gastos en promedio
alcanzaron el 18,9% del PIB, superior al 16,4% del periodo administrativo anterior, con una
evidente desmejora de las finanzas públicas. En cuanto al crecimiento productivo, se tiene
que en promedio fue del 4.2%, mayor al período anterior (3,7%), con un rango entre 4,5% y
el 3,5% para los cuatro años.
19
La Administración Solis (2014-2018), tardó dos años para enviar varios proyectos al
Congreso, para su aprobación y no tuvo éxito. Por lo que, entrega un país sin reforma fiscal,
con una recaudación insuficiente, con poco espacio fiscal que compromete los objetivos de
crecimiento, estabilidad, empleo, acorde al bienestar social.
En general, la situación fiscal ha sido y es complicada, de ahí la urgencia de una
reforma fiscal, que contemple reformas impositivas que generen recursos limpios y por el
lado de gastos que eviten el crecimiento exponencial de algunos rubros conocidos como
“disparadores del gasto”, a la vez, darle sostenibilidad a la deuda soberana.
Parte fundamental de la política fiscal, es la determinación de ingresos y gastos a
través del Presupuesto Nacional, lo que permite al Estado controlar la estabilidad
económica, atenuar variaciones del ciclo, así como contribuir al crecimiento económico, al
pleno empleo, así como a una inflación baja y estable en el tiempo.
20
El Modelo VAR
Con los modelos VAR, se trata de capturar la dinámica de las series de tiempo,
utilizando el instrumental estadístico a disposición, mediante un sistema de ecuaciones con
tantas ecuaciones como variables a considerar.
Cada variable, se explica por los retardos de sí misma y por los de las demás
variables, configurándose el sistema de ecuaciones autorregresivas (VAR), que permite
obtener más apropiadamente los movimientos de las variables en relación con los motivos o
causas que provocan los cambios de sus interrelaciones de corto plazo, permitiendo generar
pronósticos confiables.
Sin embargo, es de suma importancia que las series a utilizar no tengan tendencia y
que el grado de dispersión sea similar, dado que la medición de las relaciones entre
variables a través de las regresiones, podrían parecer (según los indicadores estadísticos)
que son significativas, cuando en realidad son espurias8.
En este sentido, la estacionariedad de las variables es de gran relevancia para la
especificación de los modelos VAR, a fin de obtener un modelo que responda a la realidad
de la conducta de las variables, utilizando para ello las pruebas de raíz unitaria en su
determinación.
Al mismo tiempo, la cointegración se ha convertido en una propiedad importante en
el análisis de series temporales, para asegurar estimaciones acordes a la realidad y la no
perdida de información valiosa a largo plazo. Si dos o más series se mueven conjuntamente
a lo largo del tiempo y sus diferencias son estacionarias, se considera que están
cointegradas, lo que significa equilibrio a largo plazo.
Con las pruebas de estacionariedad y cointegración de las variables utilizadas en el
Modelo VAR, se pretende evitar que el modelo esté mal especificado y así obtener
resultados confiables, con coeficientes útiles tanto para pronósticos como para análisis
económico.
8 Las relaciones son falsas, por lo que las estimaciones no corresponden a la realidad.
21
1. Prueba de Estacionariedad de las Variables.
Para la determinación de la estacionariedad, se aplica la prueba de raíz unitaria ADF
(Augmented Dickey-Fuller Unit Root), partiendo de la hipótesis nula:
H0 = las variables tienen raíz unitaria no es estacionaria
Donde la regla de decisión es:
- Se confirma H0 si la probabilidad > 5% = δ (nivel de significancia).
- Se rechaza H0 si la probabilidad < 5% = δ (nivel de significancia).
La prueba de raíz unitaria se aplica a cada variable, tanto en nivel como en primera
diferencia.
1.1 Variable ITR
1.1.1 Prueba a Nivel
Null Hypothesis: ITR has a unit root
Exogenous: Constant
Lag Length: 3 (Automatic - based on SIC, maxlag=3) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -1.113423 0.7023
Test critical values: 1% level -3.588509
5% level -2.929734
10% level -2.603064
*MacKinnon (1996) one-sided p-values.
La probabilidad de que ITR tenga raíz unitaria es del 70,23%, mucho mayor que el
nivel de significancia del 5%, por lo que se Confirma la Hipótesis H0 = ITR tiene raíz
unitaria, lo que significa que no es estacionaria en su nivel. Por lo que, se requiere hacer
la prueba de raíz unitaria en primera diferencia.
22
1.1.2 Prueba en Primer Diferencia:
Null Hypothesis: D(ITR) has a unit root
Exogenous: Constant
Lag Length: 3 (Automatic - based on SIC, maxlag=3)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -3.042782 0.0388
Test critical values: 1% level -3.592462
5% level -2.931404
10% level -2.603944
*MacKinnon (1996) one-sided p-values.
Lo que significa que la variable ITR, es estacionaria en primera diferencia (no tiene
raíz unitaria), ya que la probabilidad es del 3,88 % < 5% de significancia propuesto, por
tanto se rechaza H0.
1.2 Variable GTR
1.2.1Prueba a Nivel
H0 = las variables tienen raíz unitaria
Donde la regla de decisión es:
- Se confirma H0 si la probabilidad > 5% = δ (nivel de significancia).
- Se rechaza H0 si la probabilidad < 5% = δ (nivel de significancia).
Null Hypothesis: GTR has a unit root
Exogenous: Constant
Lag Length: 3 (Automatic - based on SIC, maxlag=3) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -0.865002 0.7900
Test critical values: 1% level -3.588509
5% level -2.929734
10% level -2.603064
*MacKinnon (1996) one-sided p-values.
Tenemos que GTR a nivel no es estacionaria ya que tiene raíz unitaria, al presentar
una probabilidad de 79,04% > 5%.
23
1.2.2 Prueba en primera diferencia de GTR:
Null Hypothesis: D(GTR) has a unit root
Exogenous: Constant
Lag Length: 3 (Automatic - based on SIC, maxlag=3) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -7.944010 0.0000
Test critical values: 1% level -3.592462
5% level -2.931404
10% level -2.603944
*MacKinnon (1996) one-sided p-values.
La prueba nos indica que se rechaza la hipótesis nula H0, por tanto GTR en primera
diferencia es estacionaria.
1.3 Variable PIB
1.3.1 Prueba a Nivel
Null Hypothesis: PIB_R91 has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=3) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -0.871144 0.7887
Test critical values: 1% level -3.577723
5% level -2.925169
10% level -2.600658
*MacKinnon (1996) one-sided p-values.
El PIB al igual que las variables anteriores, a nivel tiene raíz unitaria o sea que no es
estacionaria, al mostrar Prob*=78,87% >5%.
24
1.3.2 Prueba en Primer Diferencia
Null Hypothesis: D(PIB_R91) has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=3) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -6.423702 0.0000
Test critical values: 1% level -3.581152
5% level -2.926622
10% level -2.601424 *MacKinnon (1996) one-sided p-values.
Esta variable, al igual que las dos anteriores en primera diferencia muestra ser
estacionaria, aun cuando a nivel no lo es por tener raíz unitaria.
2. Prueba de Cointegración de Johansen.
El método de S. Johansen (1988 y 1991), ha sido una herramienta muy utilizada
para probar la existencia de cointegración entre las variables, siempre y cuando se cumplan
con la condición de no sean estacionarias a nivel, pero si en primera diferencia.
Con la aplicación de la prueba ADF, se logró verificar que las variables utilizadas
en el modelo VAR cumplen con la condición propuesta por S.Johansen, por lo que se
procede a realizar la prueba de cointegración.
Se parte de un sistema de tres ecuaciones con el que se establece la conducta de las
tres variables a considerar (ITR, GTR, PIB_r91); teniendo tres posibilidades para la
Hipótesis nula:
1. H0 = Ninguna de las ecuaciones están cointegradas (None*).
2. H0 = Al menos una ecuación está cointegrada (at most 1).
3. H0 = Al menos dos ecuaciones están cointegradas (at most 2).
Donde la regla de decisión será:
- Se confirma H0 Si el estadístico de traza < Critical Value.
O bien:
- Se confirma H0 Si la probabilidad (Prob**) > 5%.
25
El resultado de aplicar la prueba de S. Johansen se observa a continuación:
Date: 11/05/18 Time: 11:40
Sample (adjusted): 2006Q3 2017Q4
Included observations: 46 after adjustments
Trend assumption: Linear deterministic trend
Series: ITR GTR PIB_R91
Lags interval (in first differences): 1 to 1
Unrestricted Cointegration Rank Test (Trace) Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None * 0.714896 68.93029 29.79707 0.0000
At most 1 0.203601 11.20480 15.49471 0.1992
At most 2 0.015801 0.732652 3.841466 0.3920 Trace test indicates 1 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Conforme a la regla de decisión anterior se confirma la hipótesis nula de que al
menos hay una ecuación de cointegración.
Lo que significa, que las variables del VAR se mueven juntas en el tiempo y por
tanto se puede utilizar un VAR con restricción, ya que el modelo incluiría tanto la dinámica
del ajuste en el corto plazo al ocurrir un shock no esperado que desequilibra el sistema, así
como el restablecimiento del equilibrio en el largo plazo.
Al respecto, el software Eviews disponible no cuenta con la opción de modelar un
VAR con restricción (VECM) de tipo estructural, por lo que se construye un VAR sin
restricción de tipo estructural.
26
3. Número de Rezagos Óptimo
A partir de las pruebas anteriores, se determina el número de rezagos óptimo,
aplicando la prueba de “Criterios de Selección del Orden de Retardo del VAR”, del que se
obtuvo:
VAR Lag Order Selection Criteria
Endogenous variables: LOG(ITR) LOG(GTR) LOG(PIB_R91)
Exogenous variables: C
Date: 11/05/18 Time: 12:04
Sample: 2006Q1 2017Q4
Included observations: 43 Lag LogL LR FPE AIC SC HQ 0 82.13426 NA 5.06e-06 -3.680663 -3.557789 -3.635351
1 177.2159 172.4737 9.25e-08 -7.684462 -7.192964 -7.503213
2 192.5106 25.60968 6.95e-08 -7.977237 -7.117116 -7.660051
3 214.0597 33.07534 3.94e-08 -8.560916 -7.332171 -8.107793
4 245.9076 44.43888* 1.41e-08 -9.623607 -8.026240* -9.034547*
5 257.5066 14.56628 1.32e-08* -9.744494* -7.778503 -9.019497 * 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
De acuerdo a los criterios anteriores, se determina que el número de rezagos óptimo
a aplicar es de cuatro, donde el mayor número de estadísticos coinciden (LR, SC, HQ).
La tabla siguiente muestra los resultados del VAR sin restricción, utilizando las
variables: itr, gtr, pib_r91, en términos reales y logarítmicos para el período 2006 -20017.
27
VAR sin Restricción:
Vector Autoregression Estimates
Date: 11/06/18 Time: 10:38
Sample (adjusted): 2007Q1 2017Q4
Included observations: 44 after adjustments
Standard errors in ( ) & t-statistics in [ ] LOG(ITR) LOG(GTR) LOG(PIB_R91) LOG(ITR(-1)) -0.030103 -1.905724 0.028657
(0.12106) (0.46510) (0.03219)
[-0.24866] [-4.09744] [ 0.89033]
LOG(ITR(-2)) -0.237437 -1.017053 -0.053967
(0.10504) (0.40358) (0.02793)
[-2.26034] [-2.52008] [-1.93226]
LOG(ITR(-3)) -0.113068 -1.405054 -0.017431
(0.10947) (0.42059) (0.02911)
[-1.03284] [-3.34065] [-0.59885]
LOG(ITR(-4)) 0.619360 -0.321424 -0.057112
(0.10689) (0.41066) (0.02842)
[ 5.79455] [-0.78271] [-2.00960]
LOG(GTR(-1)) -0.103848 -0.416516 -0.004504
(0.04342) (0.16684) (0.01155)
[-2.39148] [-2.49656] [-0.39011]
LOG(GTR(-2)) -0.171934 -0.403479 -0.006676
(0.04935) (0.18959) (0.01312)
[-3.48416] [-2.12815] [-0.50879]
LOG(GTR(-3)) -0.075585 -0.416667 0.019815
(0.05449) (0.20934) (0.01449)
[-1.38721] [-1.99040] [ 1.36777]
LOG(GTR(-4)) -0.061041 -0.282430 0.023093
(0.04789) (0.18398) (0.01273)
[-1.27471] [-1.53514] [ 1.81376]
LOG(PIB_R91(-1)) 2.654304 -2.491386 0.873653
(0.64004) (2.45902) (0.17018)
[ 4.14710] [-1.01316] [ 5.13382]
LOG(PIB_R91(-2)) -0.682539 6.691108 -0.311275
(0.91916) (3.53141) (0.24439)
[-0.74257] [ 1.89474] [-1.27368]
LOG(PIB_R91(-3)) 1.509277 -1.413699 0.300965
(0.90677) (3.48381) (0.24110)
[ 1.66445] [-0.40579] [ 1.24832]
LOG(PIB_R91(-4)) -1.988577 5.743492 0.119165
(0.64963) (2.49585) (0.17272)
[-3.06112] [ 2.30122] [ 0.68991]
28
C -6.474548 -31.52365 1.004929
(1.99597) (7.66849) (0.53070)
[-3.24381] [-4.11080] [ 1.89360] R-squared 0.918425 0.758463 0.990638
Adj. R-squared 0.886847 0.664964 0.987014
Sum sq. resids 0.062210 0.918271 0.004398
S.E. equation 0.044797 0.172109 0.011911
F-statistic 29.08470 8.112048 273.3549
Log likelihood 81.91814 22.69466 140.2047
Akaike AIC -3.132643 -0.440666 -5.782033
Schwarz SC -2.605496 0.086481 -5.254886
Mean dependent 11.29361 11.59261 13.28918
S.D. dependent 0.133173 0.297344 0.104521 Determinant resid covariance (dof adj.) 7.15E-09
Determinant resid covariance 2.50E-09
Log likelihood 248.4395
Akaike information criterion -9.519979
Schwarz criterion -7.938538
29
Estimación del Modelo VARS
Las medidas de política fiscal, forman parte de las herramientas macroeconómicas a
disposición del gobierno para coadyuvar en el cumplimiento de objetivos macroeconómicos
como: el crecimiento económico, estabilidad interna y externa de los precios, así como de
resultados sociales sostenibles. El uso de estas medidas, resultan fundamentales para
reactivación económica y mejoramiento de oportunidades de los agentes económicos.
Una herramienta útil para el análisis y diseño de la política fiscal, son los
multiplicadores fiscales del gasto o de los ingresos. El disponer de una metodología
consistente en el tiempo, para el cálculo de multiplicadores fiscales adecuados y precisos,
es fundamental para la toma de decisiones y el diseño de estrategias fiscales específicas,
dado que permite establecer los efectos esperados de un cambio en el gasto y/o ingresos
público en el producto y en las mismas variables fiscales.
A efectos de estimar los multiplicadores fiscales antes citados, se recurre a un
modelo VARS estructural (SVAR por sus siglas en inglés), de la forma utilizada por
Blanchard y Perotti (2002). Los VARS se definen como un sistema de dos o más series de
tiempo, que admite la consideración de rezagos de las variables objeto de estudio, a la vez
de la interacción dinámica que pueda existir entre ellas, agregando al modelo un esquema
de identificación que permite introducir restricciones entre variables endógenas y exógenas.
Utilizando la estimación del VAR anterior con los datos trimestrales de: ingresos
ITR, gastos GTR y el producto interno bruto PIB_r91, para el período 2006-2017, se
procede a estimar el modelo VARS, según el sistema de ecuaciones siguiente:
𝑻𝒕 = 𝒂𝟏𝒙𝒕 + 𝒂𝟐𝜺𝒕𝒈 + 𝜺𝒕
𝒕
𝑮𝒕 = 𝒃𝟏𝒙𝒕 + 𝒃𝟐𝜺𝒕𝒕 + 𝜺𝒕
𝒈
𝑿𝒕 = 𝒄𝟏𝒕𝒕 + 𝒄𝟐𝒈𝒕 + 𝜺𝒕𝒙
Dónde:
Tt = Ingresos Tributarios
Gt = Gastos Totales
Xt = PIB
30
𝜺𝒕𝒈 = shock en gasto
𝜺𝒕𝒕 = shock en impuesto (ingreso)
𝜺𝒕𝒙 = shock en el PIB
𝒂𝟏 = elasticidad del (PIB) respecto a los impuestos (T).
𝒃𝟏 = elasticidad del (PIB) respecto a los gastos (G).
𝒂𝟐 = coeficiente del shock de gasto con relación a los impuestos
𝒃𝟐 = coeficiente del shock impositivo con relación a los gastos
𝒄𝟏 = multiplicador fiscal del ingreso.
𝒄𝟐 = multiplicador fiscal del gasto.
Se genera el impuesto y el gasto en su forma reducida de la forma:
𝒕´𝒕 = 𝒕𝒕 − 𝒂𝟏𝒙𝒕
𝒈´𝒕 = 𝒈𝒕 − 𝒃𝟏𝒙𝒕 = 𝒈𝒕
Bajo el supuesto de que 𝒃𝟏 = 0 Luego:
El supuesto de que 𝒃𝟏 = 0, es porque el PIB no afecta el gasto en el mismo
trimestre.
𝒕´𝒕 y 𝒈´𝒕 son variables instrumentales que pueden estar correlacionados entre sí, pero no con 𝜺𝒕
𝒙 y se utilizan para estimar 𝒄𝟏 𝒚 𝒄𝟐
Se deben identificar los shocks fiscales de dos maneras:
1. Shock Impositivo: supone que los impuestos se impulsan primero, con lo que
𝒂𝟐 = 0 y se estima 𝒃𝟐.
2. Shock de Gasto: suponer que el gasto se decide primero, con lo que 𝒃𝟐 = 0 y se
estima 𝒂𝟐.
Para modelar los dos shocks fiscales se requiere primero ajustar las ecuaciones de
regresión de los ingresos, el gasto y del producto, del sistema de ecuaciones anterior.
31
1. Ecuación de los ingresos.
Tt = 𝒂𝟏𝒙𝒕 + 𝒂𝟐𝜺𝒕𝒈 + 𝜺𝒕
𝒕
La ecuación anterior estima el coeficiente 𝒂𝟏 que es la elasticidad del PIB con
respecto a los tributos –los datos están en términos reales y en logaritmos.9
Se ajustaron varias ecuaciones con diferentes periodos de muestra y con variables
dinámicas, donde la ecuación final es la siguiente:
Tabla N° 1
Regresión de ITR Mejorada
Dependent Variable: LOG(ITR)
Method: Least Squares
Date: 08/09/18 Time: 10:54
Sample: 2010Q1 2017Q4
Included observations: 32
Convergence achieved after 22 iterations
MA Backcast: 2009Q4 Variable Coefficient Std. Error t-Statistic Prob. C -5.355198 0.466259 -11.48545 0.0000
LOG(PIB_R91) 1.250181 0.034882 35.84034 0.0000
MA(1) -0.999941 0.058587 -17.06757 0.0000 R-squared 0.751263 Mean dependent var 11.31985
Adjusted R-squared 0.734109 S.D. dependent var 0.129929
S.E. of regression 0.066997 Akaike info criterion -2.479263
Sum squared resid 0.130171 Schwarz criterion -2.341850
Log likelihood 42.66821 Hannan-Quinn criter. -2.433715
F-statistic 43.79462 Durbin-Watson stat 1.829405
Prob(F-statistic) 0.000000 Inverted MA Roots 1.00
La ecuación queda definida como:
LOG(ITR) = -5.35519783835 + 1.25018095525*LOG(PIB_R91) +[MA(1)=
-0.999941168082, BACKCAST=2010Q1,ESTSMPL="2010Q1 2017Q4"]
Nótese, que el coeficiente estimado 𝒂𝟏 = 1.25 corresponde a la elasticidad del PIB
respecto a los impuestos, es significativo y tiene el signo correcto.
9 Utilizando Eviews.
32
2. Ecuación de los gastos
𝑮𝒕 = 𝒃𝟏𝒙𝒕 + 𝒃𝟐𝜺𝒕
𝒕 + 𝜺𝒕𝒈
Tabla N°3
Regresión de los Gastos (GTR)
Dependent Variable: LOG(GTR)
Method: Least Squares
Date: 11/05/18 Time: 14:01
Sample: 2010Q1 2017Q4
Included observations: 32 Variable Coefficient Std. Error t-Statistic Prob. C -8.598045 3.176612 -2.706671 0.0111
LOG(PIB_R91) 1.522561 0.238149 6.393316 0.0000 R-squared 0.576717 Mean dependent var 11.71072
Adjusted R-squared 0.562607 S.D. dependent var 0.152484
S.E. of regression 0.100846 Akaike info criterion -1.689973
Sum squared resid 0.305100 Schwarz criterion -1.598364
Log likelihood 29.03957 Hannan-Quinn criter. -1.659607
F-statistic 40.87449 Durbin-Watson stat 2.013708
Prob(F-statistic) 0.000000
La ecuación es definida como:
LOG(GTR) = -8.59804537269 + 1.52256057319*LOG(PIB_R91)
Regresión, que puede ser utilizada para estimar los gastos totales.
El coeficiente estimado 𝒃𝟏 = 𝟏. 𝟓𝟐 corresponde a la elasticidad del PIB respecto a los
gastos, es significativo y tiene el signo correcto.
33
3. Ecuación del Producto Interno Bruto.
𝐗𝐭 = 𝐜𝟏𝐭𝐭 + 𝐜𝟐𝐠𝐭 + 𝛆𝐭𝐱
Para estimar la ecuación del PIB (𝑿𝒕 = 𝒄𝟏𝒕𝒕 + 𝒄𝟐𝒈𝒕 + 𝜺𝒕𝒙), se requiere el uso de
variables instrumentales, de los ingresos y gastos, dada la simultaneidad de las ecuaciones.
3.1 Variables Instrumentales
Las variables instrumentales se definen como el error entre los valores observados y
los estimados por las ecuaciones del ingreso y del gasto, tal y como se indicó en apartados
anteriores.
𝒕´𝒕 = 𝒕𝒕 − 𝒂𝟏𝒙𝒕
𝒈´𝒕
= 𝒈𝒕
− 𝒃𝟏𝒙𝒕 = 𝒈𝒕
Tomando en cuenta, el supuesto hecho anteriormente de que 𝒃𝟏= 0, dado que el
producto no afecta el gasto en el mismo trimestre.
Al estimar la ecuación de regresión del PIB del sistema de ecuaciones propuesto
inicialmente, se obtendría los valores de los coeficientes 𝒄𝟏 𝒚 𝒄𝟐, que son los
multiplicadores del ingreso y gasto del Gobierno.
Para ello se utilizan las variables en términos logarítmicos (gtr, itr, pibr), así como
las variables instrumentales, mediante el método de regresión en dos etapas; el cual es el
adecuado cuando se tienen simultaneidad de las variables en un sistema de ecuaciones.
De igual manera que en el ajuste de las ecuaciones anteriores, se estimaron varias
regresiones y cuyo resultado final se indica en la tabla siguiente, donde se obtiene un R-
cuadrado =0,976 y un DW =2,04.
34
Tabla N°4
Regresión del PIB
Dependent Variable: LOG(PIB_R91)
Method: Two-Stage Least Squares
Date: 11/08/18 Time: 14:06
Sample: 2010Q1 2017Q4
Included observations: 32
Convergence achieved after 20 iterations
Instrument specification: ITRINST GTRINST
Constant added to instrument list
Lagged dependent variable & regressors added to instrument list Variable Coefficient Std. Error t-Statistic Prob. C 13.48015 0.239190 56.35751 0.0000
LOG(ITR) -0.094849 0.034864 -2.720558 0.0111
LOG(GTR) 0.093913 0.033753 2.782402 0.0096
AR(1) 0.956279 0.028603 33.43241 0.0000 R-squared 0.976809 Mean dependent var 13.33856
Adjusted R-squared 0.974324 S.D. dependent var 0.076056
S.E. of regression 0.012187 Sum squared resid 0.004159
Durbin-Watson stat 2.037979 J-statistic 4.107221
Instrument rank 6 Prob(J-statistic) 0.128271
Inverted AR Roots .96
Con una ecuación de la forma:
LOG(PIB_R91) = 13.4801472381 - 0.094849*LOG(ITR) +
0.0939133878725*LOG(GTR) + [AR(1)=0.956278741767]
Donde se obtiene el valor del multiplicador fiscal del Ingreso (MFI):
MFI = 𝒄𝟏 = −𝟎. 𝟎𝟗𝟒𝟖𝟒𝟗
Y el multiplicador fiscal del Gasto (MFG) es:
MFG = 𝒄𝟐 = 𝟎. 𝟎𝟗𝟑𝟗𝟏𝟑
Se considera que los multiplicadores fiscales (MF) no deben ser muy altos, porque
la carga tributaria (CT) en nuestro país es baja, hay un alto porcentaje de exoneraciones que
erosionan la base imponible y los gastos de capital como porcentaje del PIB son
relativamente bajos10
.
10
Todo lo anterior para estimar los multiplicadores fiscales, luego se estima el shock.
35
4. Shocks Impositivo y del Gasto sobre el PIB.
Un shock fiscal se refiere a un aumento (disminución) exógeno de los impuestos o
del gasto del gobierno, que no es anticipado por el sector privado. El no ser un cambio
predecible o anticipado, es de gran relevancia cuando se desea emplear la política fiscal
como herramienta para suavizar fluctuaciones de corto plazo y aliviar las consecuencias de
otro tipo de shocks que pueda presentar la economía, ya que los planes de gasto e
impuestos del gobierno, son internalizados en las decisiones de inversión y ahorro de las
familias.
Para determinar la respuesta del producto ante un shock fiscal, se elaboran
funciones de impulso respuesta (FIR), a partir del VAR estructural en su forma matricial.
4.1 Shock Impositivo.
Conforme a la propuesta de Blanchard y Perotti (2002), el orden del sistema de
ecuaciones es importante, de acuerdo al shock que se va a aplicar primero. Por tanto, la
primera ecuación del sistema es determinada por el shock a aplicar; como se trata de un
shock impositivo, la primera ecuación será la de los ingresos 𝑻𝒕, luego la de 𝑮𝒕 y 𝑿𝒕, con
un sistema de ecuaciones como el siguiente:
𝑻𝒕 = 𝒂𝟏𝒙𝒕 + 𝒂𝟐𝜺𝒕𝒈 + 𝜺𝒕
𝒕
𝑮𝒕 = 𝒃𝟏𝒙𝒕 + 𝒃𝟐𝜺𝒕𝒕 + 𝜺𝒕
𝒈
𝑿𝒕 = 𝒄𝟏𝒕𝒕 + 𝒄𝟐𝒈𝒕 + 𝜺𝒕𝒙
Al ser un shock impositivo se supone que: 𝒂𝟐 = 𝟎, 𝒃𝟏 = 𝟎 y 𝒃𝟐 se estima.
La formulación en términos matriciales queda así:
Matriz A Vect. error Matriz B Vect. Shock
𝟏 𝟎 −𝒂𝟏
𝟎 𝟏 𝟎−𝒄𝟏 −𝒄𝟐 𝟏
𝒖𝒕𝒕
𝒖𝒕𝒈
𝒖𝒕𝒙
=
𝟏 𝟎 𝟎𝒃𝟐 𝟏 𝟎𝟎 𝟎 𝟏
𝜺𝒕𝒕
𝜺𝒕𝒈
𝜺𝒕𝒙
Los valores de los coeficientes son:
𝒂𝟏 = 𝟏. 𝟐𝟓, 𝒄𝟏 = − 𝟎. 𝟎𝟗𝟒𝟖𝟒𝟗 𝒄𝟐 = 𝟎. 𝟎𝟗𝟑𝟗𝟏𝟑
36
En Eviews se crean las matrices del sistema de ecuaciones con los coeficientes
estimados de 𝒂𝟏, 𝒄𝟏 y 𝒄𝟐 ; obteniendo la matriz A y B descrita en las tablas N° 5 y N°6, que
a continuación se presenta:
Tabla N°5
Matriz A
Last updated: 08/10/18 -
14:44 Last updated: 08/10/18 - 14:44
1 0 -1.25
0 1 0
0.093913 -0.094849 1
Tabla N°6
Matriz B
4.2 Shock del Gasto
De acuerdo a Blanchard y Perotti, cuando el shock es en el gasto la posición de la
ecuación 𝑮𝒕 pasa a ocupar el primer lugar, luego 𝑻𝒕 y 𝑿𝒕, para un sistema de ecuaciones
como el que a continuación se tiene.
𝑮𝒕 = 𝒃𝟏𝒙𝒕 + 𝒃𝟐𝜺𝒕
𝒕 + 𝜺𝒕𝒈
𝑻𝒕 = 𝒂𝟏𝒙𝒕 + 𝒂𝟐𝜺𝒕𝒈 + 𝜺𝒕
𝒕
𝑿𝒕 = 𝒄𝟏𝒕𝒕 + 𝒄𝟐𝒈𝒕 + 𝜺𝒕𝒙
Al ser un shock de gasto se supone: 𝒂𝟐 se estima, 𝒃𝟏 = 𝟎 y 𝒃𝟐 = 𝟎.
Last
updated:
08/10/18 -
15:15
Last updated: 08/10/18 -
15:15
1 0 0
na 1 0
0 0 1
37
Lo que en términos matriciales es dado por:
Matriz C Vect. error Matriz D Vect. Shock
1 0 0 𝐮𝐭
𝐠 1 𝟎 0 𝛆𝐭
𝐠 0 1 -a1 𝐮𝐭
𝐭 = 𝐚𝟐 1 0 𝛆𝐭𝐭
-𝐜𝟐 -𝐜𝟏 1 𝐮𝐭𝐱 0 0 1 𝛆𝐭
𝐱
Los valores de los coeficientes son:
𝒂𝟏 = 𝟏. 𝟐𝟓, 𝒄𝟏 = − 𝟎. 𝟎𝟗𝟒𝟖𝟒𝟗 𝒄𝟐 = 𝟎. 𝟎𝟗𝟑𝟗𝟏𝟑
Se crea las matrices C y D, con ayuda de Eviews, que se tienen en las tablas 7 y 8:
Tabla N°7
Matriz C
Last updated: 08/13/18 - 10:33
R1 1 0 0
R2 0 1 -1.25
R3 -0.093703 0.094843 1
Tabla N°8
Matriz D
Last updated: 08/13/18 - 10:36
1 0 0
na 1 0
0 0 1
38
Desarrollo del VARS
1. Inclusión de Restricciones por Shock Impositivo:
Se requiere incluir en el VAR los factores estructurales desarrollados mediante la
construcción de las matrices A-B; los resultados se presentan en la tabla N° 9.
Tabla N°9
Inclusión de Restricciones por Shock Impositivo
Modelo VARS Estimado
Structural VAR Estimates
Date: 11/06/18 Time: 10:38
Sample (adjusted): 2007Q1 2017Q4
Included observations: 44 after adjustments
Estimation method: method of scoring (analytic derivatives)
Convergence achieved after 18 iterations
Structural VAR is over-identified (5 degrees of freedom) Model: Ae = Bu where E[uu']=I
Restriction Type: short-run pattern matrix
A =
1 0 -1.25
0 1 0
0.093913 -0.094849 1
B =
1 0 0
C(1) 1 0
0 0 1 Coefficient Std. Error z-Statistic Prob. C(1) 0.106211 0.150756 0.704521 0.4811 Log likelihood -117.1193
LR test for over-identification:
Chi-square(5) 684.8909 Probability 0.0000 Estimated A matrix:
1.000000 0.000000 -1.250000
0.000000 1.000000 0.000000
0.093913 -0.094849 1.000000
Estimated B matrix:
1.000000 0.000000 0.000000
0.106211 1.000000 0.000000
0.000000 0.000000 1.000000
39
Sistema de Ecuaciones con Restricciones Estructurales por Shock Impositivo:
LOG(ITR) = - 0.030102684394*LOG(ITR(-1)) - 0.23743700087*LOG(ITR(-2)) - 0.113067807211*LOG(ITR(-
3)) + 0.619359821444*LOG(ITR(-4)) - 0.103848466328*LOG(GTR(-1)) - 0.171933579404*LOG(GTR(-2)) - 0.0755853514516*LOG(GTR(-3)) - 0.0610406260515*LOG(GTR(-4)) + 2.65430394953*LOG(PIB_R91(-1)) - 0.682538572317*LOG(PIB_R91(-2)) + 1.50927694431*LOG(PIB_R91(-3)) - 1.98857736995*LOG(PIB_R91(-4)) - 6.47454829784 LOG(GTR) = - 1.90572417683*LOG(ITR(-1)) - 1.01705298173*LOG(ITR(-2)) - 1.40505419425*LOG(ITR(-3))
- 0.321423562802*LOG(ITR(-4)) - 0.416515565167*LOG(GTR(-1)) - 0.403478589482*LOG(GTR(-2)) - 0.416666762329*LOG(GTR(-3)) - 0.282429520647*LOG(GTR(-4)) - 2.49138596114*LOG(PIB_R91(-1)) + 6.69110808182*LOG(PIB_R91(-2)) - 1.41369949978*LOG(PIB_R91(-3)) + 5.74349235744*LOG(PIB_R91(-4)) - 31.5236479339 LOG(PIB_R91) = 0.0286573870719*LOG(ITR(-1)) - 0.0539674069581*LOG(ITR(-2)) -
0.0174307402759*LOG(ITR(-3)) - 0.0571117115803*LOG(ITR(-4)) - 0.00450419150671*LOG(GTR(-1)) - 0.00667567576591*LOG(GTR(-2)) + 0.0198152478289*LOG(GTR(-3)) + 0.0230928850936*LOG(GTR(-4)) + 0.873652699648*LOG(PIB_R91(-1)) - 0.311275190889*LOG(PIB_R91(-2)) + 0.30096523512*LOG(PIB_R91(-3)) + 0.119165004691*LOG(PIB_R91(-4)) + 1.00492872806
40
2. Inclusión de Restricciones por Shock del Gasto:
Al incluir en el modelo los factores estructurales, desarrollados mediante la
construcción de las matrices C-D, para un Shock del Gasto, se obtiene la tabla N°10.
Tabla N°10
Inclusión de Restricciones por Shock del Gasto
Modelo VARS Estimado
Structural VAR Estimates
Date: 11/12/18 Time: 14:01
Sample (adjusted): 2007Q1 2017Q4
Included observations: 44 after adjustments
Estimation method: method of scoring (analytic derivatives)
Convergence achieved after 4 iterations
Structural VAR is over-identified (5 degrees of freedom) Model: Ae = Bu where E[uu']=I
Restriction Type: short-run pattern matrix
A =
1 0 0
0 1 -1.25
-0.093913 0.094849 1
B =
1 0 0
C(1) 1 0
0 0 1 Coefficient Std. Error z-Statistic Prob. C(1) 0.006691 0.150756 0.044380 0.9646 Log likelihood -117.0736
LR test for over-identification:
Chi-square(5) 684.7994 Probability 0.0000 Estimated A matrix:
1.000000 0.000000 0.000000
0.000000 1.000000 -1.250000
-0.093913 0.094849 1.000000
Estimated B matrix:
1.000000 0.000000 0.000000
0.006691 1.000000 0.000000
0.000000 0.000000 1.000000
41
Sistema de Ecuaciones con Restricciones Estructurales por Shock del Gasto
LOG(GTR) = - 0.416515565156*LOG(GTR(-1)) - 0.403478589468*LOG(GTR(-2)) -
0.416666762352*LOG(GTR(-3)) - 0.282429520597*LOG(GTR(-4)) - 1.90572417691*LOG(ITR(-1)) - 1.01705298158*LOG(ITR(-2)) - 1.40505419432*LOG(ITR(-3)) - 0.321423562705*LOG(ITR(-4)) - 2.49138596212*LOG(PIB_R91(-1)) + 6.69110808475*LOG(PIB_R91(-2)) - 1.41369950375*LOG(PIB_R91(-3)) + 5.74349235927*LOG(PIB_R91(-4)) - 31.5236479328 LOG(ITR) = - 0.103848466322*LOG(GTR(-1)) - 0.171933579405*LOG(GTR(-2)) -
0.0755853514418*LOG(GTR(-3)) - 0.0610406260763*LOG(GTR(-4)) - 0.0301026843526*LOG(ITR(-1)) - 0.237437000913*LOG(ITR(-2)) - 0.113067807146*LOG(ITR(-3)) + 0.619359821429*LOG(ITR(-4)) + 2.65430395034*LOG(PIB_R91(-1)) - 0.682538573752*LOG(PIB_R91(-2)) + 1.50927694564*LOG(PIB_R91(-3)) - 1.98857737065*LOG(PIB_R91(-4)) - 6.47454829837 LOG(PIB_R91) = - 0.00450419151055*LOG(GTR(-1)) - 0.00667567576452*LOG(GTR(-2)) +
0.0198152478189*LOG(GTR(-3)) + 0.0230928851097*LOG(GTR(-4)) + 0.0286573870298*LOG(ITR(-1)) - 0.0539674069228*LOG(ITR(-2)) - 0.0174307403275*LOG(ITR(-3)) - 0.0571117115655*LOG(ITR(-4)) + 0.873652698965*LOG(PIB_R91(-1)) - 0.311275189617*LOG(PIB_R91(-2)) + 0.300965234141*LOG(PIB_R91(-3)) + 0.119165005096*LOG(PIB_R91(-4)) + 1.00492872832
42
3. Función Impulso Respuesta (FIR) del Shock Impositivo
El impacto en las variables endógenas ante un shock impositivo, puede ser estimado
mediante la FIR, logrando identificar la sensibilidad de la variable dependiente del modelo
VARS.
Grafico N°2
Respuesta del PIB ante un Shock Impositivo Simple
-.016
-.012
-.008
-.004
.000
.004
.008
.012
1 2 3 4 5 6 7 8 9 10
Response of LOG(PIB_R91) to CholeskyOne S.D. LOG(ITR) Innovation
Ante un impulso (shock impositivo), el producto no responde de inmediato (dos
primeros trimestres); sin embargo, responde a partir del tercer trimestre donde el ritmo de
crecimiento decae hasta el cuarto trimestre (un año), momento a partir del cual se presenta
una baja en los niveles de la actividad productiva hasta el séptimo período en que se
estabiliza.
43
Gráfico N°3
Respuesta del PIB ante un Shock Impositivo Acumulada
-.06
-.05
-.04
-.03
-.02
-.01
.00
.01
.02
.03
1 2 3 4 5 6 7 8 9 10
Accumulated Response of LOG(PIB_R91) to CholeskyOne S.D. LOG(ITR) Innovation
En este caso, se observa como la producción en términos generales sufre una
contracción a partir del tercer trimestre y su efecto acumulado se presenta hasta el final del
periodo de estudio.
Tomando en cuenta el impacto en la variable impositiva de un shock impositivo,
muestra su mayor efecto positivo en el quinto trimestre de 0.0114%, para luego iniciar su
descenso hasta colocarse en un efecto acumulado de 0.101%. Y para la variable gasto, el
efecto acumulado es negativo, partiendo de - 0.01% en primer trimestre hasta acumular
-0.022%.
44
4. Función Impulso Respuesta (FIR) del Shock del Gasto.
El FIR ayuda al análisis del impacto en el producto (PIB), ante un shock positivo en
el gasto, así como la sensibilidad de la variable dependiente del modelo VARS.
Gráfico N°4
Respuesta del PIB ante un Shock del Gasto Simple
-.012
-.008
-.004
.000
.004
.008
.012
1 2 3 4 5 6 7 8 9 10
Response of LOG(PIB_R91) to CholeskyOne S.D. LOG(GTR) Innovation
Ante un shock del gasto, el producto presenta una respuesta no significativa hasta el
tercer trimestre, siendo en los trimestres 4 y 5 que se aprecia un repunte significativo y
positivo en dicho producto; los efectos se diluyen a partir del trimestre seis.
Gráfico N°5
Respuesta del PIB ante un Shock del Gasto Acumulado
-.03
-.02
-.01
.00
.01
.02
.03
.04
.05
1 2 3 4 5 6 7 8 9 10
Accumulated Response of LOG(PIB_R91) to CholeskyOne S.D. LOG(GTR) Innovation
45
Según la FIR acumulada el efecto del shock del gasto en el producto presenta una
leve baja hasta el tercer trimestre, a partir del cual se muestra una incidencia positiva y
signiticativa en el producto, con tendencia a continuar su crecimiento en el tiempo. El
multiplicador acumula un valor de 0.0193378 al final de los diez trimestres.
46
47
Conclusiones
Se estimaron los multiplicadores fiscales (recaudación y gasto) mediante el
método de (Blanchard & Perotti, 2002), donde los signos para los
multiplicadores de impacto son los esperados según la literatura, con la
salvedad que hay poco consenso sobre el tamaño de los mismos.
La magnitud del multiplicador fiscal impositivo (MFI) fue de es -0,094849,
y el del gasto (MFG) es de 0,093913, lo que muestra efectos sobre el
producto de dimensiones similares pero en forma inversa.
La magnitud del efecto de los multiplicadores fiscales varían entre países y a
través del tiempo, pues dependen del estado de la economía, la situación de
las finanzas públicas, de la solvencia de la deuda, de la apertura comercial,
de los instrumentos fiscales y la posición fiscal que se asume ante el ciclo
económico.
Se modelaron los efectos de una innovación (shock) en los impuestos y el
gasto sobre el PIB, a través un modelo de vectores autoregresivos de tipo
estructural (SVAR), de tal manera que se dispone de una nueva herramienta
analítica de política fiscal.
En nuestro caso la magnitud de los multiplicadores es relativamente
pequeña, debido en primera instancia a que Costa Rica tiene una carga
tributaria relativamente baja y a que el porcentaje que se destina a inversión
pública también es reducido en comparación al gasto total del presupuesto y
alto nivel de deuda pública.
Los gráficos 2 a 5 revelan los cambios dinámicos de las principales variables
de interés, ante shocks positivos (exógenos), de impuestos y de gastos
fiscales. Los resultados más relevantes se presentan en un horizonte de siete
trimestres y con un intervalo de confianza del 5%.
Cuando se presenta un shock en los impuestos de un 1%, se tiene como
respuesta inicial una caída en PIB a partir del tercer trimestre pasando de un
nivel de crecimiento del 0,4611% a 0,1186%, hasta llegar al 0,017% en el
cuarto trimestre. Posteriormente, se presenta tasas negativas de crecimiento
en la producción alcanzando en el noveno trimestre con -0,69%.
48
Los resultados y gráficos denotan que un shock positivo del gasto fiscal de
un 1%, tiene un efecto negativo sobre el producto PIB durante los primeros
tres trimestres, con una magnitud -0,35%. A partir del cuarto trimestre el
efecto del gasto sobre la producción es positivo en el sentido de que los
niveles de decrecimiento disminuyen hasta obtener tasas positivas de
crecimiento a partir del cuarto trimestre (0,15%), alcanzando su máximo
nivel en el quinto período al obtener 0,57%, para descender hasta a una tasa
de crecimiento del 0,34% en el séptimo trimestre y presentar estabilidad a
un nivel de crecimiento del 0,52% en el noveno período.
Al contrastar los resultados de este estudio con los de Blanchard y Perotti
(1999), se encuentran similitudes en cuanto a los efectos positivos de un
shock de gasto fiscal sobre el PIB y de efectos negativos en el PIB ante
shock de impuestos. Lo que difieren son las magnitudes, toda vez que
nuestra economía es de un país no desarrollado y no como los estudiados por
Perotti (2002) que pertenecen a la OECD, Canadá o Estados Unidos.
El multiplicador esperado es consistente con la política fiscal procíclica que
ha experimentado Costa Rica durante el periodo de estudio, motivado por
los déficits recurrentes y el crecimiento de la deuda soberana, que
imposibilitan expandir el gasto en recesiones –política fiscal anticíclica-,
para impulsar impacto positivo y significativo sobre el nivel de actividad.
49
Referencias Bibliográficas
-Blanchard O. y Perotti R., “An Empirical Characterization of the Dinamic
Effects of Changes in Government Spending and Taxes o output”, July 1999.
el original ByP w 7269.pdf-Adobe Reader o http://www.nber.org/papers/w 7269
-Cerón J.A., “Los multiplicadores Fiscales: Una Revisión de la Literatura
Empírica”, enero 2012, Revista de Economía Mundial N°34, 2013 pag.175-209.
REM34_7.pdf_Adobe Reader
-Chan Antonio., “Efectos de la política fiscal y monetaria sobre la demanda
agregada”, 10/08/2014.
https://es.scribd.com/document/236442775/Efectos-de-La-Politica-Fiscal-y-Monetaria-
Sobre-La-Demanda-Agregada
-Claus I., Gill A., Lee B. y Molellan N., “An Empirical Investigation of Fiscal
Policy in New Zealand”, julio 2006, New Zealand Treasury.
Twp 06-08.pdf – Adobe Reader
-Garry S. y Rivas JC, “An Analysis of the Contribution of Public Expenditure to
Economic Growth and fiscal multipliers in Mexico, Central America and the
Dominica Republic”, 1990-2015, ECLAC Subregional Head Quarters in Mexico,2017.
-Garza M., FMI, “Restableciendo la Salud Fiscal de Costa Rica”, febrero 2015,
Fondo Monetario Internacional.
Restableciendo la salud fiscal de cr.pdf-Adobe Reader
-Gonzalez Jorge, “Política Fiscal, Demanda Agregada e Inflación”,13/02/2010,
Resumen.
http://yrma26.blogspot.com/2010/02/politica-fiscal-demanda-agregada-e.html
-Guzmán M.y Pascual A., “El Modelo VAR y sus Principales Problemas”,
Panorama Económico, Volumen III, No. 6, enero-junio, 2008, pp. 95-117.
-Johson C., FMI, “Taller: Multiplicadores Fiscales”, octubre 2016, Institute for
Capacity Development, cursos sobre gestión macroeconómica y política fiscal.
TP-1-BT16.09Multiplicadores Fiscales_CJohson.pdf (protegido) - Adobe Reader
50
- Mata HL, “Nociones Elementales de Cointegración, Enfoque Engle Granger”,
FASES.
http://webdelprofesor.ula.ve/economia/hmata/Notas/Engle%20Granger.pdf
-Meneses G. “Distribución y Desempleo, Un VAR Estructural Koleekiano para
Colombia”, 2011 Bogota Colombia, Universidad Nacional de Colombia.
-Misas M. y López E., “Producto Potencial en Colombia: una Estimación bajo
VAR Estructural”,1999.
Co_Eco_Septiembre_1999_Misas y Lopez. Pdf-Adove Reader
-RivasJC y Garry S., “Informe de la Reunión de Expertos sobre Multiplicadores
Fiscales y Crecimiento Económico en Centroamérica, la República Dominicana y
Mexico”, 22/06/2017, CEPAL-Naciones Unidas.
LCMEXSEM2382_es.pdf-Adobe Reader
-YIREPA, Finanzas Básicas, “LaPolícaiscalFiscal”.
http://yirepa.es/la%20pol%C3%ADtica%20fiscal.html