efectos de las acciones de la política monetaria sobre …30:55z... · estructura productiva y...
TRANSCRIPT
REPÚBLICA BOLIVARIANA DE VENEZUELA
UNIVERSIDAD DEL ZULIA
FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES
DIVISIÓN DE ESTUDIOS PARA GRADUADOS
MAESTRÍA EN ECONOMÍA. MENCIÓN: MACROECONOMÍA Y POLÍTICA
ECONÓMICA
Efectos de las acciones de la política monetaria sobre el producto
sectorial y regional en Venezuela. Período (1998-2011)
Trabajo de Grado para Optar al Título de Magíster Scientiarum en Economía. Mención: Macroeconomía y Política Económica
Autor
Econ. Bladimir Pozo
C.I.: 17.232.540
Tutor
Dr. Alberto Castellano
C.I.: 11.609.803
Maracaibo, julio de 2013.
4
A Dios todopoderoso, a mi abuela que Dios la tenga en su gloria, a mi familia, a esa
persona especial que siempre está allí apoyándome en todo y dándome fuerzas y
entusiasmo, a todos ellos por el tiempo que les robé invirtiéndolo en esta investigación y
en el programa de la maestría, les dedico este trabajo.
Porque Jehová da la sabiduría,
y de su boca viene
el conocimiento y la
inteligencia.. (Proverbio:2:6)
5
AGRADECIMIENTOS
Gracias a nuestro señor Jesucristo, por darme la sabiduría, salud y la oportunidad de
poder realizar este trabajo.
Agradezco los valiosos comentarios y sugerencias de la Dra. (PhD.) Carolina Pagliacci
y del Dr. (PhD.) Víctor Olivo, no obstante, cualquier error y omisión son de mi entera y
exclusiva responsabilidad.
Agradezco, la colaboración y el apoyo de mi compañera de estudio y de trabajo la Lic.
Caren Ocando, por facilitarme gran parte de la información estadística a escala regional
en cuadros ya elaborados y resumidos.
Al Banco Central de Venezuela, mi escuela permanente, generadora de conocimiento
económico y estadístico, cuyo ambiente de trabajo estimula la necesidad de profundizar
cada vez más mi formación académica y profesional en la ciencia económica y muy
especialmente en el estudio de la economía monetaria.
A un grupo muy selecto de profesores de la escuela de Economía de LUZ, los cuales
han sido determinantes en mi formación académica, al profesor Emmanuel Borgucci,
quien ha sido mi maestro, desde pregrado hasta postgrado en la cátedra de
Macroeconomía, al profesor Gustavo Machado, quien incentivó mi interés por el estudio
de la teoría y política monetaria en pregrado, y muy especialmente, al profesor Alberto
Castellano el cual como profesor (de varias cátedras de pregrado y postgrado), tutor (en
dos ocasiones) y amigo ha transmitido y compartido de forma entusiasta y rigurosa gran
parte de sus conocimientos económicos y su tiempo, no sólo a mi persona sino también
a los integrantes del programa de la maestría en general, los cuales me han permitido
afrontar grandes retos en el ámbito académico y profesional y, que me han servido de
herramientas para el análisis económico y para el desarrollo de investigaciones
económicas.
6
ÍNDICE GENERAL
Resumen ........................................................................................................................ 18
Abstract .......................................................................................................................... 19
Introducción .................................................................................................................... 20
CAPÍTULO I. EL PROBLEMA DE LA INVESTIGACIÓN ..................................................... 25
1.1. Planteamiento del problema .................................................................................... 26
1.1.1. Formulación del problema ................................................................................. 35
1.1.2. Sistematización del problema ........................................................................... 35
1.2. Objetivos de la investigación ................................................................................... 35
1.2.1. Objetivo general ................................................................................................ 35
1.2.2. Objetivos específicos ......................................................................................... 36
1.3. Justificación de la investigación .............................................................................. 36
1.4. Delimitación de la investigación .............................................................................. 38
CAPÍTULO II. MARCO TEÓRICO ........................................................................................... 43
2.1. Antecedentes de la investigación ............................................................................ 44
2.2. Bases teóricas ......................................................................................................... 59
2.2.1. Canales de transmisión monetaria .................................................................... 59
2.2.1.1. El canal tradicional de la tasa de interés ........................................................ 60
2.2.1.2. El canal del precios de los otros activos ...................................................... 63
2.2.1.2.1. El canal de precio de los bienes inmobiliarios (bienes raíces) .............. 68
2.2.1.3. El canal del crédito ...................................................................................... 69
2.2.1.3.1. El canal del préstamo o crédito bancario (enfoque restringido) ............. 70
2.2.1.3.2. El canal del balance general o “hoja de balance” (enfoque ampliado) .. 72
7
2.2.1.4. El canal del tipo de cambio .......................................................................... 75
2.2.1.5. El canal de expectativas de los agentes económicos ................................. 80
2.2.2. Un modelo para analizar las estrategias de política monetaria ......................... 83
2.2.2.1. Modelos nuevo keynesianos (neokeynesianos) dinámicos y la derivación
de la ecuación de demanda agregada ........................................................ 84
2.2.2.2. El modelo de contratos escalonados de Calvo y la curva de Phillips nueva
keynesiana ................................................................................................. 90
2.2.2.3. Estrategias de política monetaria: un análisis sobre la base de los
modelos nuevo keynesianos ...................................................................... 95
2.2.2.3.1. Modelo nuevo keynesiano que mira hacia el futuro (forward looking) y
política monetaria optima bajo discreción ............................................... 96
2.2.2.3.2. Modelo nuevo keynesiano que mira hacia atrás (backward looking).... 100
2.3. Sistema de variables ............................................................................................. 103
2.3.1. Definición conceptual de las variables............................................................. 103
2.3.1.1. Política monetaria ...................................................................................... 103
2.3.1.2. Producto (o nivel real de actividad económica) ......................................... 104
2.3.2. Definición operacional de las variables ........................................................... 104
2.3.1.1. Política monetaria ...................................................................................... 104
2.3.1.2. Producto (o nivel real de actividad económica) ......................................... 105
2.3.3. Operacionalización de las variables ................................................................ 105
2.4. Definición de términos básicos .............................................................................. 107
CAPÍTULO III. MARCO METODOLÓGICO ......................................................................... 111
3.1. Tipo de investigación ............................................................................................. 112
3.2. Diseño de la investigación ..................................................................................... 112
8
3.3. Población y muestra .............................................................................................. 114
3.4. Fuente y técnicas de recolección de datos ............................................................ 115
3.5. Técnicas de procesamiento de datos .................................................................... 116
CAPÍTULO IV. ESTRUCTURA ECONÓMICA Y HECHOS ESTILIZADOS EN
VENEZUELA: UN ENFOQUE SECTORIAL Y REGIONAL. PERÍODO (1998-2011) .... 129
4.1. Estructura productiva y hechos estilizados de la economía venezolana: un enfoque
sectorial. Período (1998-2011) ..................................................................................... 130
4.1.1. Estructura sectorial de la fuerza de trabajo ..................................................... 142
4.1.2. Comportamiento sectorial de los precios en la economía .............................. 144
4.1.3. Estructura del sector bancario en Venezuela: un análisis sectorial ................. 148
4.2. Estructura productiva y hechos estilizados de la economía venezolana: un enfoque
regional. Período (1998-2011)...................................................................................... 154
CAPÍTULO V. ANÁLISIS DE LOS RESULTADOS ....................................................... 173
5.1. Análisis de los efectos de las acciones de la política monetaria sobre el nivel real de
actividad económica sectorial en Venezuela, durante el período (1998-2011) ............ 174
5.1.1. Modelos VAR sectoriales en diferencias, utilizando la base monetaria como
variable de política (señales vía cantidad) ................................................................... 185
5.1.2. Modelos VAR sectoriales en diferencias, utilizando la tasa de interés de las
operaciones interbancarias como variable de política (señales vía precio) .................. 191
5.2. Estudio de los efectos de las acciones de la política monetaria sobre el nivel real de
actividad económica sectorial en Venezuela, durante el período (2004-2011) ............ 198
5.3. Análisis de los efectos de las acciones de la política monetaria sobre el nivel real de
la actividad de manufactura privada en Venezuela y para la región zuliana, durante el
período (1998-2011) ..................................................................................................... 221
9
5.4. Estudio de los efectos de las acciones de la política monetaria sobre el nivel real de
la actividad de manufactura privada en Venezuela y para la región zuliana, durante el
período (2004-2011) ..................................................................................................... 225
CONCLUSIONES ..................................................................................................................... 229
BIBLIOGRAFÍA ......................................................................................................................... 236
ANEXOS .................................................................................................................................... 246
Anexo 1. Definición y descripción de las variables del estudio. Período (1998-2011) .. 247
Anexo 2. Definición y descripción de las variables del estudio. Período (2004-2011) .. 249
Anexo 3. Pruebas de raíces unitarias para las variables empleadas en el estudio.
Período (1998-2011) .................................................................................................... 251
Anexo 4. Pruebas de raíces unitarias para las variables empleadas en el estudio.
Período (2004-2011) .................................................................................................... 252
Anexo 5. Modelos y pruebas econométricas de los VAR utilizados en el estudio ........ 253 Anexo 5.1. Modelo 1 ................................................................................................. 253
Anexo 5.2. Modelo 2 ................................................................................................. 259
Anexo 5.3. Modelo 3 ................................................................................................. 265
Anexo 5.4. Modelo 4 ................................................................................................. 271
Anexo 5.5. Modelo 5 ................................................................................................. 278
Anexo 5.6. Modelo 6 ................................................................................................. 284
Anexo 5.7. Modelo 7 ................................................................................................. 290
Anexo 5.8. Modelo 8 ................................................................................................. 296
Anexo 5.9. Modelo 9 ................................................................................................. 302
Anexo 5.10. Modelo 10 ............................................................................................. 310
Anexo 5.11. Modelo 11 ............................................................................................. 317
10
Anexo 5.12. Modelo 12 ............................................................................................. 324
Anexo 5.13. Modelo 13 ............................................................................................. 331
Anexo 5.14. Modelo 14 ............................................................................................. 337
Anexo 5.15. Modelo 15 ............................................................................................. 343
Anexo 5.16. Modelo 16 ............................................................................................. 349
Anexo 5.17. Modelo 17 ............................................................................................. 355
Anexo 5.18. Modelo 18 ............................................................................................. 361
Anexo 5.19. Modelo 19 ............................................................................................. 367
Anexo 5.20. Modelo 20 ............................................................................................. 373
Anexo 5.21. Modelo 21 ............................................................................................. 379
Anexo 5.22. Modelo 22 ............................................................................................. 385
Anexo 5.23. Modelo 23 ............................................................................................. 391
Anexo 5.24. Modelo 24 ............................................................................................. 398
Anexo 5.25. Modelo 25 ............................................................................................. 404
Anexo 5.26. Modelo 26 ............................................................................................. 412
Anexo 5.27. Modelo 27 ............................................................................................. 420
Anexo 5.28. Modelo 28 ............................................................................................. 426
11
ÍNDICE DE GRÁFICOS
Gráfico 1. Producto interno bruto total y valor agregado bruto de la actividad no
petrolera. A precios constantes de 1997. Período (1998-2011) (Variaciones
anualizadas) ................................................................................................................. 132
Gráfico 2. Producto interno bruto, según clase de actividad económica. Período (1998-
2011). A precios constantes de 1997 (Participación promedio porcentual) .................. 133
Gráfico 3. Producto interno bruto, según clase de actividad económica. Período (1998-
2011). A precios constantes de 1997 (Variación trimestral anualizada promedio
porcentual) ................................................................................................................... 134
Gráfico 4. Oferta total, según componentes y actividades económicas de origen
(Participación promedio porcentual a precios constantes de 1997).
Período (1997-2007) ................................................................................................................ 136
Gráfico 5. Utilización total, según componentes y actividades económicas de origen
(Participación promedio porcentual a precios constantes de 1997).
Período (1997-2007) .................................................................................................... 138
Gráfico 6. Población ocupada según rama de actividad económica. Período (1998-
2011) (Participación promedio porcentual) ................................................................... 143
Gráfico 7. Tasa de desempleo, según rama de actividad económica. Período (1998-
2011) ............................................................................................................................ 144
Gráfico 8. Tasas de inflación anual promedio. Período (1998-2011)
(En porcentajes) .......................................................................................................... 146
Gráfico 9. Tasa de inflación anualizada a nivel de consumidor, según agrupaciones.
Período (2001-2011) (En porcentajes) ......................................................................... 147
12
Gráfico 10. Población ocupada y cartera de crédito real, según sector económico.
Período (1998-2011) (Participación promedio porcentual) ........................................... 150
Gráfico 11. Canales de financiamiento. Período (1997-2007) (Participación promedio
porcentual) ................................................................................................................... 152
Gráfico 12. Cartera de crédito real y PIB no petrolero real. Período (1998-2011)
(Variación interanual real) ............................................................................................ 153
Gráfico 13. Número de empresas de la industria manufacturera clasificadas según
tamaño. Año 2006 ........................................................................................................ 159
Gráfico 14. Banca comercial y universal, puntos de atención al cliente, según entidad
federal. Período (2000-2011) (Participación promedio porcentual) .............................. 163
Gráfico 15. Exportaciones e importaciones FOB no petroleras, según entidad federal.
Período (1998-2009) (Participación promedio porcentual) ........................................... 168
Gráfico 16. Comportamiento temporal de la base monetaria y la tasa de interés
interbancaria. Período (1998-2011) .............................................................................. 178
Gráfico 17. Principales fuentes de variación sobre el dinero base, en términos reales.
Período (1998-2011) .................................................................................................... 181
Gráfico 18. Cociente del saldo de los instrumentos de absorción del BCV sobre la Base
Monetaria. Período (1998-2011) .................................................................................. 182
Gráfico 19. Respuesta de la actividad no petrolera a un choque de política monetaria
expansivo. Período (1998-2011) .................................................................................. 186
Gráfico 20. Respuesta de la actividad de manufactura a un choque de política
monetaria expansivo. Período (1998-2011) ................................................................. 189
Gráfico 21. Respuesta de la actividad de comercio y servicios de reparación a un
choque de política monetaria expansivo. Período (1998-2011) ................................... 190
13
Gráfico 22. Respuesta de la actividad de construcción a un choque de política
monetaria expansivo. Período (1998-2011) ................................................................. 191
Gráfico 23. Respuesta del producto no petrolero a un choque de política monetaria
contractivo. Período (1998-2011) ................................................................................. 193
Gráfico 24. Respuesta del producto de manufactura a un choque de política monetaria
contractivo. Período (1998-2011) ................................................................................. 195
Gráfico 25. Respuesta de la actividad de comercio y servicios de reparación a un
choque de política monetaria contractivo. Período (1998-2011) .................................. 196
Gráfico 26. Respuesta de la actividad de construcción a un choque de política
monetaria contractivo. Período (1998-2011) ................................................................ 197
Gráfico 27. Evolución temporal de las tasas de interés de política monetaria y del
mercado y el cociente entre los saldos de las operaciones de absorción y el dinero base
rezagado un período. Período (2004-2011) ................................................................. 202
Gráfico 28. Respuesta del producto no petrolero a un choque de política monetaria
contractivo. Período (2004-2011) ................................................................................. 203
Gráfico 29. Respuesta del producto de manufactura a un choque de política monetaria
contractivo. Período (2004-2011) ................................................................................. 206
Gráfico 30. Respuesta de la actividad de comercio y servicios de reparación a un
choque de política monetaria contractivo. Período (2004-2011) .................................. 207
Gráfico 31. Respuesta de la actividad de construcción a un choque de política
monetaria contractivo. Período (2004-2011) ................................................................ 208
Gráfico 32. Respuesta de la brecha del producto no petrolero a un choque de política
monetaria contractivo. Período (2004-2011) ................................................................ 210
14
Gráfico 33. Respuesta de la brecha del producto de manufactura a un choque de
política monetaria contractivo. Período (2004-2011) .................................................... 212
Gráfico 34. Respuesta de la brecha del producto de comercio y servicios de reparación
a un choque de política monetaria contractivo. Período (2004-2011) .......................... 213
Gráfico 35. Respuesta de la brecha del producto de construcción a un choque de
política monetaria contractivo. Período (2004-2011) .................................................... 214
Gráfico 36. Respuesta del producto no petrolero a un choque de política monetaria
expansivo. Período (2004-2011) .................................................................................. 217
Gráfico 37. Respuesta del producto de manufactura a un choque de política monetaria
expansivo. Período (2004-2011) .................................................................................. 218
Gráfico 38. Respuesta de la actividad de comercio y servicios de reparación a un
choque de política monetaria expansivo. Período (2004-2011) ................................... 219
Gráfico 39. Respuesta de la actividad de construcción a un choque de política
monetaria expansivo. Período (2004-2011) ................................................................. 220
Gráfico 40. Respuesta del producto de manufactura privada a escala nacional y para la
región zuliana a un choque de política monetaria expansivo. Período (1998-2011) .... 223
Gráfico 41. Respuesta del producto de manufactura privada a escala nacional y para la
región zuliana a un choque de política monetaria contractivo. Período (1998-2011) ... 225
Gráfico 42. Respuesta del producto de manufactura privada a escala nacional y para la
región zuliana a un choque de política monetaria contractivo. Período (2004-2011) ... 227
15
ÍNDICE DE TABLAS
Tabla 1. Estrategias completas de política monetaria ................................................. 175
16
ÍNDICE DE FIGURAS
Figura 1. Mecanismos de transmisión de la política monetaria ...................................... 83
17
ÍNDICE DE CUADROS
Cuadro 1. Resumen de estudios seleccionados sobre transmisión monetaria en
Venezuela ...................................................................................................................... 31
Cuadro 2. Modelos estimados en el trabajo ................................................................. 126
Cuadro 3. Oferta y demanda global. Período (1998-2011) (Participación promedio
porcentual) ................................................................................................................... 141
Cuadro 4. Cartera de crédito real del sistema bancario, según destino por actividad
económica. Período (1998-2011) (Participación promedio porcentual) ........................ 149
Cuadro 5. Tasas de crecimiento anual de la cartera de crédito real y el nivel de
producto, según actividad económica. Período (1998-2011) (Coeficiente de correlación
simple) .......................................................................................................................... 154
Cuadro 6. Nivel de empleo según estado y rama de actividad económica (estructura
vertical). Período (2001-2010) (Participación promedio porcentual) ............................ 155
Cuadro 7. Nivel de empleo según estado y rama de actividad económica (estructura
horizontal). Período (2001-2010) (Participación promedio porcentual) ........................ 157
Cuadro 8. Empresas de la industria de manufactura, según tamaño y entidad federal.
Año 2006 ...................................................................................................................... 160
Cuadro 9. Colocaciones y captaciones de la banca comercial y universal, según entidad
federal. Período (2000-2011) (Participación promedio porcentual) .............................. 165
Cuadro 10. Cociente entre exportaciones (X) e importaciones (M) no petroleras, según
entidad federal. Período (1999-2009) (Ratio promedio) ............................................... 171
18
Pozo Sulbaran, Bladimir David. “Efectos de las acciones de la política monetaria sobre el producto sectorial y regional en Venezuela. Período (1998-2011)”. Trabajo de Grado para Optar al Título de Magíster Scientiarum en Economía. Mención: Macroeconomía y Política Económica. Universidad del Zulia. Facultad de Ciencias Económicas y Sociales. División de Estudios para Graduados. Maestría en Economía. Mención: Macroeconomía y Política Económica. 2013. Maracaibo, Venezuela, p.431.
RESUMEN
El propósito de esta investigación es determinar los efectos de las acciones de la política monetaria del Banco Central de Venezuela (BCV), sobre el producto sectorial (para las actividades de manufactura, comercio y servicios de reparación y, construcción) y regional (para la nación como un todo ya región zuliana) en Venezuela durante el período (1998-2011) con la información estadística disponible de frecuencia mensual, utilizando el enfoque empírico (Bernanke y Mihov, 1998), a través del uso, de forma separada y de manera alternativa, de diferentes variables instrumentales (señales vía cantidad y vía precios) para representar los choques de política monetaria y analizar las funciones impulso-respuesta que se derivan de las estimaciones de un conjunto de modelos de Vectores Autoregresivos (VAR) sin restricciones empleando el esquema de identificación a través la descomposición de Cholesky. Se concluye sobre la base de la evidencia disponible, que durante el período (1998:M01-2011:M12) y el sub-período (2004:M01-2011:M12) existen indicios que sugieren que las acciones de política monetaria, en términos generales, no tienen ninguna influencia sobre el producto agregado (actividad no petrolera), sectorial y regional. Palabras Clave: Política monetaria, Mecanismos de transmisión monetaria, VAR, Descomposición de Cholesky, Funciones impulso-respuesta. Clasificación JEL: E52, C32. Correo electrónico: [email protected]; [email protected].
19
Pozo Sulbaran, Bladimir David. “Effects of monetary policy actions on the sectoral and regional output in Venezuela. Period (1998-2011)”. Work of degree to choose to the Title of Magister Scientiarum in Economics. Mention: Macroeconomics and Economic Policy. Universidad del Zulia. Facultad de Ciencias Económicas y Sociales. División de Estudios para Graduados. Master in Economics. Mention: Macroeconomics and Economic Policy. 2013. Maracaibo, Venezuela, p.431.
ABSTRACT
The purpose of this research is to determine the effects of the monetary policy actions of the Central Bank of Venezuela (BCV), on sectoral (for activities of manufacturing, trade, repair services, and construction) and regional (for the nation as a whole and the Zulia region) output in Venezuela during the period (1998-2011), with the available statistical information of monthly frequency, using the empirical approach (Bernanke and Mihov, 1998), through the use, in a separate and alternative manner, of various instrumental variables (signals via quantity and via price) to represent monetary shocks of monetary policy and to analyze impulse-response functions derived from the estimations of a set of models of Autoregressive Vectors (VAR) without restrictions using the identification scheme through the Cholesky decomposition. Over the basis of available evidence it is concluded that, during the period (1998:M01-2011:M12) and sub-period (2004:M01-2011:M12), there is evidence suggesting that monetary policy actions, in general, have no influence over the sectoral and regional value added (non-petroleum activity). Keywords: Monetary policy, monetary transmission mechanisms, VAR, Cholesky decomposition, impulse-response functions. JEL Classification: E52, C32. E-mail: [email protected]; [email protected].
20
INTRODUCCIÓN
La economía monetaria, según el profesor Víctor Olivo en su libro “Tópicos
avanzados de teoría y política monetaria”, se define como el estudio de los mecanismos
a través de los cuales los impulsos monetarios se transmiten hacia la economía, desde
su primera aparición hasta su efecto final sobre los principales determinantes del
bienestar económico” (Olivo, 2011: 9). Unos de los tópicos más estudiados sobre la
política monetaria se refiere a cuál es el impacto que los choques monetarios generan
en la economía, fundamentalmente, en la inflación y el crecimiento del producto a nivel
agregado, las cuales generalmente son consideradas como las variables objetivo de
política de la autoridad monetaria. En este sentido para que la política monetaria tenga
algún efecto sobre la inflación y el sector real de la economía es necesario que sus
decisiones, traducidas en acciones, tengan algún efecto sobre algunas variables del
mercado monetario dando lugar al denominado mecanismo de transmisión de la política
monetaria (Pagliacci y Ruda, 2004).
Tradicionalmente las investigaciones sobre los efectos de la política monetaria
hacia la actividad económica real y los precios se habían orientado al estudio de los
canales de transmisión de la política monetaria a nivel agregado (la economía como un
todo) y sobre la base del análisis de equilibrio parcial, todo esto justificado por la gran
complejidad que conlleva el analizar y modelar las interrelaciones sectoriales y
regionales de una economía y la falta de consenso entre los economistas dedicados a
los asuntos monetarios sobre un modelo único que describa adecuadamente los
diversos mecanismos de transmisión asociados a un impulso monetario (Olivo, 2011).
Aunque el estudio o análisis agregado de la transmisión monetaria sobre el sector real
de la economía es una herramienta valiosa para la formulación y conducción de la
política monetaria, puede ocultar algunos elementos y situaciones de interés asociados
fundamentalmente a la posible existencia de asimetrías significativas en que las
acciones de política de la autoridad monetaria podría afectar a la estructura de la
economía.
21
En este sentido, dos de las dimensiones en que puede incidir la política
monetaria en la economía son la sectorial y regional, ya que, por una parte, en la
realidad las economías están conformadas por diferentes sectores productivos, con
diferentes características de tecnologías, preferencias e institucionalidad, fuentes de
financiamiento, entre otros factores. Mientras que, por otra parte, el territorio económico
está compuesto por un conjunto de regiones que no necesariamente deben ser
homogéneas o que presenten un comportamiento uniforme ante choques
macroeconómicos comunes, debido que pueden existir diferencias interregionales en
sus estructuras productivas, en el tamaño de las empresas que las conforman, en sus
patrones de consumo, en la dotación de recursos naturales, apertura al exterior, entre
otros factores (Zuccardi, 2002). No obstante, el efecto que pudiera tener la política
monetaria sobre un sector específico o una región es accidental ya que generalmente la
autoridad monetaria no busca actuar a favor o en contra de sectores o regiones
especificas y sólo responde a los cambios agregados de la economía (Romero, 2008).
Por su parte, para poder tener una respuesta (aproximadamente adecuada)
sobre cuál es el efecto o impacto de la política monetaria sobre la actividad económica
y los precios, los estudios realizados en la literatura se concentran en cómo medir
adecuadamente el choque de política monetaria, de manera que este pueda ser
caracterizado como un cambio exógeno y no anticipado en la variable instrumental de la
política monetaria (Pagliacci y Ruda, 2004).
Dentro de este orden de ideas, Christiano, Eichembaum y Evans (1998)
interpretan dichos choques monetarios en tres posibles maneras: 1) estos choques
pueden representar posibles cambios en las preferencias de los hacedores de política
(policymaker); 2) los choques son el resultado de consideraciones estratégicas por
parte de los hacedores de política para acompañar las expectativas de los agentes
privados; y 3) estos choques se refieren a posibles errores en las decisiones de los
formuladores de política al basar sus decisiones en información preliminar e imperfecta.
22
Para lograr una medición adecuada del choque monetario se han seguido
diversas estrategias. La más común consiste en considerar la función de reacción de la
autoridad monetaria, la cual debe contener toda la información posible que se considere
disponible y relevante para la toma de decisiones. En muchos casos la función de
reacción no es estimada directamente, sino que está contenida en un sistema de
Vectores Autoregresivos (VAR). La correcta identificación de la función de reacción se
reduce a determinar cuál es la variable instrumental de la política monetaria (variable
endógena de la función de reacción) y cuáles son las restricciones que se establecen
entre las variables del sistema, es decir, a que variables responde
contemporáneamente la variable instrumental y qué variables reaccionan
contemporáneamente a cambios en la variable instrumental. Por definición los choques
monetarios son los residuos estructurales de la función de reacción, es decir, los errores
o perturbaciones de la ecuación del sistema VAR en donde la variable endógena es la
variable instrumental de política (tasa de política o un agregado monetario cercano al
control de la autoridad monetaria). Según este procedimiento se supone que los
choques monetarios terminan siendo, no sólo movimientos no anticipados de la variable
instrumental, sino también movimientos exógenos. Estos significa que con el
procedimiento de estimación, se presume controlar la endogeneidad de la variable
instrumental proveniente de las fluctuaciones del mercado (Pagliacci y Ruda, 2004).
Para estudiar los efectos de la política monetaria sobre la economía Bernanke y
Mihov (1998) señalan que hay dos formas de hacerlo. La primera es el enfoque
narrativo (Romer y Romer, 2004 y Pagliacci y Ruda, 2004), que consiste en la revisión
de las actas y minutas de la autoridad monetaria para construir indicadores narrativos
representados como variables discretas, que capturan la ocurrencia de movimientos en
la variable instrumental tanto de intencionalidad contractiva como expansiva. Y la
segunda es el enfoque empírico, que consiste en usar la información cuantitativa de las
operaciones de la autoridad monetaria.
El objetivo del presente trabajo es determinar los efectos de las acciones de
política monetaria del Banco Central de Venezuela (BCV) sobre el producto sectorial y
23
regional en Venezuela durante el período (1998-2011) y el sub-período (2004-2011)2
con datos de periodicidad mensual, para ello se empleará el enfoque empírico
(Bernanke y Mihov, 1998), utilizando como variables instrumentales de política de la
autoridad monetaria, para representar los choques de política monetaria de forma
separada (alternativamente), tanto las señales vía cantidad, a través de un agregado
monetario cercano al control del Banco Central, como el enfoque o señales vía precio,
mediante el uso de una tasa de interés nominal de corto plazo en la cual puede influir
directamente la autoridad monetaria.
En este sentido, para la dimensión sectorial del análisis, se utiliza el VAB de
algunas actividades económicas que conforman el PIB que se suponen a priori
pudieran ser sensibles a las acciones de política monetaria (enfoque sectorial), sobre la
base de modelos orientados en el análisis de equilibrio parcial, con el propósito de
conocer los efectos particulares de la política monetaria sobre el producto (o nivel de
actividad económica) de diferentes sectores productivos. Mientras que para la
dimensión regional del estudio se utiliza el índice de volumen de la producción de la
actividad de manufactura privada, como proxy del nivel real de la actividad de
manufactura, para la economía en su conjunto y para la región zuliana (enfoque
regional), se persigue analizar las respuestas, en términos relativos, del producto a
escala nacional y regional (estado Zulia) y conocer, en cierta forma, el grado de
homogeneidad o heterogeneidad antes las acciones de política monetaria, en caso de
que esta última tenga efectos reales en el corto plazo.
Para conocer los efectos (aproximados) de las acciones de política monetaria del
BCV sobre el producto sectorial y regional se utilizará el análisis gráfico de las funciones
impulso-respuesta (FIR) que se derivan de la estimación de un conjunto de modelos de
Vectores Autoregresivos (VAR), sin restricciones, especificados con algunas de las
variables que comúnmente cita la literatura sobre los canales de transmisión monetaria
2 La selección adicional de este sub-período, tal como se explicará más adelante en el trabajo, es para
comparar algunos resultados con la muestra completa ya que durante el período (1998-2011) han ocurrido cambios significativos en la política económica del país, cambios institucionales, eventos atípicos, entre otros factores, por lo que al utilizar dicho sub-período se podría minimizar el efecto distorsionador de dichos cambios y eventos sobre las variables económicas.
24
y otras representativas del arreglo monetario de la economía venezolana, utilizando un
esquema de identificación recursiva a través de la descomposición de Cholesky en la
cual el indicador o variable de política (choque monetario) no responde
contemporáneamente al producto y los precios y, a otras variables de mercado y que
ésta solo afecta al resto de variables con desfase temporal (rezago).
El trabajo está organizado de la siguiente manera: en el capítulo I se presenta el
problema de la investigación, en el capítulo II se explica el marco teórico de la
investigación, referido a los antecedentes del estudio y las bases teóricas del mismo,
entre otros elementos, en el tercer capítulo se describe el marco metodológico de la
investigación, en donde se presenta, entre otros aspectos, la técnica utilizada para el
análisis empírico y las estructura (especificación) genérica de los modelos VAR
empleados en la investigación, en el capítulo IV se presentan las principales
características estructurales y hechos estilizados de la economía venezolana durante el
período (1998-2011), en el capítulo V, se desarrollan las estimaciones de los modelos
VAR y se presentan las FIR que se derivan de éstos con sus respectivas
interpretaciones y análisis de los resultados. Finalmente se presentan las conclusiones
de la investigación.
25
CAPÍTULO I
EL PROBLEMA DE INVESTIGACIÓN
26
CAPÍTULO I. EL PROBLEMA DE INVESTIGACIÓN
1.1. Planteamiento del problema.
Unos de los dilemas en la ciencia económica en general y en la teoría monetaria
en particular tiene que ver con las posturas y premisas de las diferentes corrientes del
pensamiento económico sobre los efectos reales de las perturbaciones o impulsos
nominales, y más específicamente, en la incidencia y efectividad de la política
monetaria sobre la actividad económica y el nivel de precios.
Particularmente, el enfoque clásico y neoclásico del funcionamiento del sistema
económico se basan en la perfecta flexibilidad de precios y salarios nominales e
información perfecta, compatibles con una curva de oferta agregada vertical, la cual
coincide con el nivel de pleno empleo de los factores, en este caso, las perturbaciones
nominales, como cambios en la cantidad de dinero, no tienen efectos sobre la
producción agregada y todo el efecto que pudieran tener los impulsos de carácter
monetario son recogidos exclusivamente por el nivel de precios de la economía, por lo
tanto, se dice que el dinero es neutral en la economía, y que sólo las variables reales
pueden tener efectos sobre la actividad económica (Miller y Pulsinelli, 2000). En
contraste a los postulados clásicos y neoclásicos (Pigou, 1947, Marshall, 1938 y Fisher,
1896) se encuentra las posturas keynesianas, en donde el dinero juega un papel
fundamental en la actividad económica, debido a la premisa de rigidez de precios y
salarios compatible con una curva de oferta agregada, en un caso extremo, horizontal, y
en otro caso de pendiente positiva en donde las perturbaciones nominales tienen un
efecto significativo sobre la producción y los precios (Keynes, 1970 [1936]).
Dentro de este orden de ideas, las dos corrientes de pensamientos anteriormente
mencionadas también difieren con respecto a los horizontes temporales y en las ideas
sobre equilibrio económico, para la corriente clásica y neoclásica (Pigou, 1947,
Marshall, 1938 y Fisher, 1986) el equilibrio económico se obtiene a través de un ajuste
de mercado en el largo plazo, mientras que los efectos de impulsos reales y monetarios,
27
sobre la base, del enfoque keynesiano se transmiten en el corto plazo y son
compatibles con situaciones de desequilibrio económico.
La discusión sobre cómo el dinero incide sobre la actividad económica, es decir,
el mecanismo de transmisión desde el mercado monetario hasta el mercado de bienes
(sector real de la economía) está implícito en el modelo tradicional IS-LM de una
economía cerrada (Hicks, 1937), y es conocido como el efecto liquidez. Según este
enfoque los cambios en el mercado monetario mediante el control de la oferta
monetaria por parte de la autoridad monetaria, se transmiten a la tasa de interés,
variable que a su vez incide inversamente sobre el nivel de inversión, y de consumo de
bienes durables, (mercado de bienes) afectando así a la demanda agregada y a la
producción.
El impacto que tendrán los cambios de los agregados monetarios sobre la
producción agregada dependerá de la reacción y la elasticidad del sector real ante las
oscilaciones de la demanda agregada. Partiendo del supuesto de una función de oferta
agregada de corto plazo con pendiente positiva y una de largo plazo con pendiente
infinita, lo cual implica que el sector real reacciona a corto plazo ante cambios de la
demanda pero que a largo plazo el nivel del producto es determinado exclusivamente
por variables reales, por lo tanto, las variaciones en la demanda agregada originadas
por cambios en las variables del mercado monetario tendrán en el corto plazo efectos
tanto sobre los precios como sobre la actividad económica, mientras que en el largo
plazo sólo afectarán a las variables nominales, coincidiendo con el enfoque neoclásico
de neutralidad del dinero (Guerra et al., 2000).
Para el caso de una economía abierta con un régimen cambiario de tipo flexible
el análisis corresponde al modelo de Mundell-Fleming (1962) en el cual los cambios en
la oferta monetaria inciden inversamente sobre la tasa de interés (salvo en el caso de
perfecta movilidad de capitales) lo que afecta a su vez a las decisiones de consumo y
de inversión de los agentes económicos y al tipo de cambio, en efecto, el mecanismo
de transmisión hacia la demanda agregada funciona de forma similar al esquema
28
convencional del modelo IS-LM de una economía cerrada, mientras que por su parte, el
impacto del tipo cambio se relaciona, por una parte, con la composición de la demanda
agregada en bienes transables y no transables, y por la otra, con los cambios absolutos
de dicha demanda a través de las exportaciones netas (exportaciones menos
importaciones). Cabe destacar, que en el caso de un régimen cambiario de tipo fijo,
teóricamente, el cambio en la oferta monetaria es endógena y no puede ser utilizada
como variable de política monetaria.
En el enfoque tradicional de la tasa de interés del modelo IS-LM (Hicks, 1937) las
variaciones de la oferta monetaria inciden en el comportamiento de la tasa de interés y
esta a su vez, a través de sus efectos sobre la inversión y el consumo de bienes
duraderos, afecta a la demanda agregada y al producto, en este sentido, unos de los
supuestos fundamentales de este esquema es que en el mercado monetario existen
sólo dos activos: dinero y bonos, siendo éstos sustitutos perfectos, además de que
existe una única tasa de interés, la de los bonos, como postulado simplificador. No
obstante, otro enfoque en la literatura económica, es el canal de transmisión del crédito
bancario que fue estudiado formalmente por Bernanke y Blinder, (1988) el cual es
considerado como una amplificación del modelo IS-LM, en cuanto a sus implicaciones.
El modelo planteado por Bernanke y Blinder (1988), parte de la premisa de que
existen tres activos: dinero, bonos y crédito bancario. La principal implicación en el
análisis económico es que los tres activos financieros son sustitutos imperfectos por lo
que existen dos tasas de interés, a saber, la de los bonos y la de los préstamos
bancarios, además se supone que la política monetaria afecta primeramente a la oferta
de depósitos, y por este medio, la oferta de préstamos bancarios. Las implicaciones de
este modelo denominado CC-LM3 (Bernanke y Blinder, 1988), es que una política
monetaria restrictiva, por ejemplo, no sólo reduce la curva LM desplazándola hacia la
izquierda, como ocurría en el enfoque tradicional de la tasa de interés del esquema IS-
LM, sino que también disminuye la curva CC, mediante una disminución de la oferta de
préstamos bancarios, lo cual contrae aún más el producto.
3 Por sus siglas en ingles Commodities and Credit.
29
En este sentido, la línea de investigación que se encarga del estudio de cómo la
política monetaria a través de sus acciones e instrumentos incide en la demanda
agregada (DA) y en los precios se denomina “Mecanismos de transmisión de la política
monetaria”, el término mecanismo se refiere a que las acciones de política ejecutadas
por la autoridad monetaria con el propósito de alcanzar un determinado objetivo pasan
previamente por una serie de etapas y unas relaciones de comportamiento de un
conjunto de variables nominales hasta llegar a los objetivos macroeconómicos finales
que se suponen que son los principales determinantes del bienestar económico de una
sociedad.
Por lo tanto, es importante señalar que estas acciones que resultan de medidas
económicas dirigidas por el Banco Central se transmiten a unas determinadas variables
que están más directamente relacionadas con los objetivos finales de política
macroeconómica (baja y estable inflación, crecimiento y estabilización del producto,
equilibrio externo y, bajo nivel de desempleo), por lo que al ser un proceso de
transmisión se encuentra explícitamente representado por ser un proceso dinámico, en
el cual es fundamental estudiar la estructura temporal en que estas acciones inciden en
el comportamiento de otras variables y evaluar la intensidad y la permanencia en el
tiempo de estos choques monetarios sobre las variables finales u objetivos de política.
Un punto a destacar en la literatura sobre los mecanismos de transmisión
monetaria, específicamente, y de la teoría monetaria, de forma general, es que para
que las perturbaciones o impulsos nominales (o choques de demanda agregada), a
través de las acciones del Banco Central (choques monetarios), tengan efectos reales
en el corto plazo, es condición necesaria, aunque no suficiente, que existan algunas de
las siguientes imperfecciones o fricciones en la economía: información imperfecta como
en los modelos de Lucas (1972) y Phelps (1970) (citado en Romer, 2006), rigideces o
ajuste nominal incompleto de precios en mercados claves (Romer, 2006 y Blanchard y
Fisher, 1992), costos de ajustes (Mankiw, 1985), asimetrías de información e
imperfección en los mercados financieros (Stiglitz y Weiss, 1981; Romer, 2006 y
Mishkin, 2008), entre otros factores. Considerando además, que el hecho de que la
30
política monetaria tenga el potencial de afectar las variables reales, es decir, que sea
“efectiva” no implica que esto sea bueno (u óptimo) desde el punto de vista del análisis
del bienestar, en el contexto de que existan algunas de las imperfecciones
anteriormente mencionadas, sino que representa una solución de segundo mejor
(second best) toda vez que el primer mejor o la solución óptima seria que no existirán, o
se aminoraran tales imperfecciones y que la economía se ajuste por si misma (Mies, et
al., 2002).
El presente estudio pretende realizar un aporte a este tema de teoría y política
monetaria para el caso venezolano durante el período (1998-2011), considerando
implícitamente las características específicas de la economía nacional, entre las que
destacan: la condición capitalista y rentística de la economía (Baptista, 2010), el grado
de vulnerabilidad de la economía a los shock de carácter externos y/o exógenos, como
los choques petroleros (Sáez y Puch, 2004; Bárcenas et al., 2011 y Cartaya, et al.,
2011), la estructura económica-financiera de la Nación (Rojas y Rodríguez, 1997) y
algunas características del arreglo monetario venezolano (Pagliacci et al., 2011) con el
objeto de incorporar, atendiendo a las limitaciones del análisis, algunos aspectos claves
del sistema económico venezolano en el análisis teórico-empírico.
La literatura sobre el tema ha reconocido cinco grandes canales de transmisión,
de los cuales es importante mencionar que algunos de ellos no son mecanismos
independientes, sino más bien procesos simultáneos y, en ocasiones complementarios,
entre los cuales se encuentran: el canal o enfoque tradicional de la tasa de interés, el
canal de los precios de otros activos, el canal del crédito bancario, el canal del tipo de
cambio y el canal de las expectativas de los agentes económicos (Mishkin, 2008).
Por lo que “en la práctica no existe un mecanismo de transmisión sino una
multiplicidad de mecanismos o canales de transmisión que pueden operar
simultáneamente” (Olivo, 2011: 32) de los cuales no necesariamente todos los canales
de transmisión monetaria son relevantes y significativos para una determinada
economía (Castrillo, et al., 2007), y durante un período de tiempo especifico.
31
Los estudios sobre transmisión monetaria son bastante extensos, incluso para el
caso venezolano son numerosas las investigaciones que se han realizado en este
campo, en el cuadro 1 se presentan, de forma resumida, algunos de los principales
trabajos sobre este tema para el país de los cuales la mayoría (a excepción del trabajo
de Bárcenas et al., (2011)) fueron realizados sobre la base de un enfoque agregado.
Cuadro 1
Resumen de estudios seleccionados sobre transmisión monetaria en Venezuela.
Continúa en la página siguiente
Autor ObjetivoTécnica usada
y período de estudioPrincipales conclusiones
Guerra, et al .,
(1996).
Identificar los canales de transmisión
de la política monetaria, a través de
la evidencia empírica, y como estos
inciden en la actividad económica y
los precios.
Vectores autorregresivos
(VAR) y de corrección de
errores y, funciones
impulso-respuesta.
Período: trimestral
(1985-1995).
La instrumentación de la política monetaria debe basarse en el
control sobre M1 tanto por la relación de largo plazo entre M1 y
los precios como por su efecto directo e indirecto sobre la
inflación. El efecto directo se refiere a la incidencia
contemporánea de M1 sobre la inflación, mientras que por su
parte, el efecto indirecto se trata del impacto sobre la brecha del
producto como resultado de cambios en la tasa de interés real.
Rojas y
Rodríguez
(1997).
Desarrollar teóricamente el tema, e
identificar los mecanismos de
transmisión de la política monetaria
desde el enfoque que resalta la
interrelación banco central-sistema
financiero-sector privado no
financiero, haciendo énfasis en la
estructura del sector financiero.
Indicadores sobre la
estructura del sistema
financiero.
Período: anual (1984-
1996).
Los principales mecanismos de transmisión en el futuro, como
consecuencia de la tendencia de la estructura financiera
venezolana, probablemente serán el canal crediticio y el canal
vía tipo de cambio, este último siempre y cuando se mantenga
un régimen cambiario distinto al de tipo de cambio fijo.
Arreaza, et al .,
(2001).
Estudiar los mecanismos de
transmisión en Venezuela y estimar
la función de reacción para el Banco
Central.
VAR estructurales (SVAR)
y funciones impulso-
respuesta.
Período: mensual
(1989-2000).
Con relación a la función de reacción del Banco Central, tanto el
crédito del Banco Central como M1 exhiben incrementos
permanentes frente a shocks positivos en el nivel de precios, y
respuestas transitorias ante shocks de origen fiscal. Por su parte,
las fluctuaciones del producto en el muy corto plazo parecen no
producir cambios en la dirección de la política monetaria,
mientras que en respuesta a shocks positivos en las reservas
internacionales, la autoridad monetaria parece responder en
forma rezagada con recortes de liquidez. El modelo del
mecanismo de crédito es el que mejor se ajusta a los datos.
Los choques monetarios tienen efectos esperados sobre la
inflación, los cuales comienzan a materializarse a partir de 5
meses aproximadamente.
Guerra y Dorta
(2003).
Estudiar la relación entre las tasas de
interés del mercado y las tasas de
interés de política monetaria del
Banco Central de Venezuela
VAR con corrección de
errores y funciones impulso-
respuesta generalizadas.
Período: mensual (1990-
2002).
El mercado financiero de Venezuela es menos sensible, en
comparación a los Estados Unidos, en asimilar la señal de la
política monetaria, lo que sugiere una asimetría en la eficiencia
de los respectivos mercados financieros y que la sustitución
entre el crédito bancario y otras fuentes de financiamiento es
más imperfecta en Venezuela.
Arreaza, et al .,
(2004).
Simular y estudiar el impacto de
diversos choques sobre la inflación,
el producto, el tipo de cambio y las
tasas de interés considerando
explícitamente el grado de
credibilidad de la autoridad monetaria
y las expectativas.
Modelo macroeconómico
de pequeña escala
(Estructural).
Período: trimestral (1989-
2001).
Un incremento de 100 puntos base (pb) de la tasa de interés de
política durante un trimestre: genera una disminución en la
inflación que alcanza su máximo efecto después de 5 trimestres,
mientras la mayor caída de la brecha del producto se registra
después de 3 trimestres, siendo el efecto sobre la inflación más
persistente sin embargo, ambos son de magnitud pequeña.
Relación inversa entre el grado de credibilidad de la autoridad
monetaria y el costo, en términos del producto, de la desinflación,
y una menor volatilidad en la inflación y en el producto cuando se
formula la regla de política de la tasa de interés sobre la base de
pronósticos o indicadores adelantados.
32
Continuación
Fuente: Elaboración propia sobre la base de los estudios reseñados (2013).
En efecto, y considerando la complejidad del análisis dichos estudios se
enmarcan en un análisis de equilibrio parcial dinámico, estudiando los efectos aislados
Autor ObjetivoTécnica usada
y período de estudioPrincipales conclusiones
Pagliacci y Ruda
(2004).
Evaluar el impacto en el corto plazo
de las acciones de política monetaria
sobre variables del mercado
monetario y cambiario a partir de la
introducción de la estrategia
monetaria flexible por parte del Banco
Central de Venezuela en Abril 2002.
Indicadores narrativos,
VAR bi-variados, modelo
aparentemente no
correlacionados (SUR) y
funciones impulso-
respuesta.
Período: semanal (2002:4-
2004:1).
La política monetaria inicia su mecanismo de transmisión con el
movimiento de las tasas de interés de mercado, principalmente,
con la tasa overnight . Cuando se toma una acción individual
(aislada) de política monetaria expansiva, la tasa overnight
puede reducirse hasta 5 puntos porcentuales (pp), en tanto que
las tasas activa y pasiva disminuyen alrededor de 1 pp, el efecto
de esta medida puede durar entre 2 y 20 semanas. Por su parte,
cuando se producen varias decisiones de política monetaria en
una misma dirección (estado de política), su efecto se hace
mucho más persistente y significativo.
El efecto sobre los agregados monetarios es indirecto: una
acción expansiva incrementa las reservas excedentes de la
banca a raíz de la disminución en la tasa overnight , sin embargo,
este movimiento en las reservas excedentes podría tener
potenciales efectos de propagación en la transmisión monetaria
en horizontes temporales más largos.
Arreaza, et al .,
(2006)
Estudiar el mecanismo de transmisión
del crédito bancario.
Modelos de datos de panel
dinámicos.
Período: mensual (1997-
2001).
No existe evidencia solida sobre la presencia del canal de crédito
bancario en Venezuela. Las características de los bancos no
parecen ser relevantes para explicar la diferencia en la respuesta
de la oferta de créditos entre los bancos ante cambios en la
política monetaria.
Olivo (2010) Estudiar el efecto macroeconómico
de las operaciones de absorción que
el Banco Central de Venezuela ha
venido utilizando como instrumento
de política monetaria desde finales
de 1989.
Modelos VAR irrestricto,
VAR estructural (SVAR),
funciones impulso-
respuestas, análisis de
descomposición de
varianzas y un experimento
contra-factual.
Período: trimestral (1990-
2004).
Los resultados de las estimaciones econométricas indican que
los impactos de las operaciones monetarias del BCV sobre las
variables macroeconómicas fundamentales como la tasa de la
inflación la brecha del producto no petrolero y la tasa de
depreciación del tipo de cambio nominal son casi nulos. Se
argumenta que es posible que la débil respuesta de las
autoridades ante perturbaciones de las variables
macroeconómicas claves explique a su vez, el reducido efecto de
las operaciones monetarias sobre estas. Aun cuando los modelos
VAR tendieron a respaldar la visión generalizada de que la
intervención del BCV en el mercado monetario con sus propios
pasivos ha sido costosa e inefectiva, el segundo enfoque
analítico basado en el experimento contra-factual, sugirió que
dicha política pudo haber contribuido a reducir significativamente
la volatilidad de la brecha del producto y de la tasa de inflación
durante el período de estudio.
La evidencia empírica sugiere que una perturbación (shock ) de
política monetaria no tiene una influencia significativa sobre la
actividad real durante el período de estudio. Sin embargo, los
choques a la oferta de crédito dan lugar a reducciones
temporales en la producción. El crédito bancario mayormente
tiene un rol pasivo con respecto a la producción.
Los principales resultados indican que un choque de política
monetaria no es efectivo para modificar la actividad económica,
mientras que un choque expansivo de política fiscal financiado
con endeudamiento interno, logra incrementar el consumo
privado y la actividad de construcción, pero sin afectar la
producción agregada de la economía. Por último, un choque
petrolero expansivo se comporta de forma idéntica a un choque
de oferta, y tiene efectos importantes sobre los agregados
monetarios, las tasas de interés y el crédito real.
Bárcenas et al .,
(2011)
Identificar y analizar los choques
estructurales fundamentales que
explican las fluctuaciones de corto
plazo de la economía venezolana en
su historia reciente, sobre la base de
un enfoque sectorial.
Modelo aproximado por
factores dinámicos (GDFM)
identificados a través de la
técnica de restricciones de
signo.
Período: mensual (2004-
2010).
Pagliacci et al .,
(2011)
Estudiar el impacto de la política
monetaria en la actividad real y en los
precios, y determinar la relevancia
del canal del préstamo bancario en la
economía venezolana.
Modelo VAR estructural
(SVAR) con imposición de
restricciones de signo
sobre las funciones
impulso-respuestas.
Período: mensual (2004-
2009).
33
de un impulso monetario sobre los diferentes canales de transmisión (Romer, 2006) y
estos sobre las variables agregadas de producción y nivel general de precios
considerando a la economía como un todo, sin embargo, aunque dicho análisis
agregado es una herramienta valiosa y eficiente para la conducción de la política
monetaria, puede ocultar algunas situaciones de interés asociados a la existencia de
asimetrías importantes en la manera en que la política monetaria impacta a las
diferentes actividades económicas y regiones que conforman la estructura productiva
de la economía.
Por una parte, es probable, que el comportamiento del producto de las diferentes
actividades económicas que conforman el producto agregado de un país presenten
disparidades y que muestren un ciclo económico no homogéneo entre ellos y con
respecto al producto total, así mismo, pueden existir diferencias en las elasticidades
implícitas entre la tasa de interés y el crédito bancario entre las diversas actividades
económicas, igualmente, los sectores con un grado significativo de apertura con el
exterior deberían experimentar, frente a un cambio en la tasa de interés un efecto
asimétrico, vía el canal del tipo de cambio, con respecto al sector o actividad de bienes
no transables (Bravo, et al., 2003), por lo tanto, es posible que ante una política
monetaria común se generen diferentes impactos en términos de magnitud, intensidad y
desfases temporales entre las diversas actividades económicas considerando las
relaciones interindustriales de insumo-producto y sus efectos multiplicadores sobre el
proceso productivo (BCV, 2009).
Por otra parte, las regiones no son unidades económicas homogéneas que
comparten un ciclo económico común, debido a que existen diferencias en sus
estructuras económicas-productivas, entre otros factores, que pueden generar
reacciones diferentes antes perturbaciones nominales (monetarias) y macroeconómicas
comunes a las regiones (Zuccardi, 2002). En este sentido, pueden existir efectos
regionales diferenciados de la política monetaria porque no todos los sectores o
actividades económicas reaccionan a los cambios en la tasa de interés y no todas las
regiones tienen la misma combinación de sectores. Por ejemplo, la industria
34
manufacturera o la actividad de construcción pueden ser, en términos relativos, más
sensibles que otros sectores como la minería y la actividad agrícola. En la mayoría, de
los países, incluyendo a Venezuela, la industria, la minería, o el sector agropecuario se
localizan en regiones especificas (Romero, 2009). En el caso de Venezuela, para tener
una idea, la actividad petrolera se concentra básicamente en la región zuliana
(occidente) y en la región Nor-Oriental del país, la actividad agrícola se concentra en la
región Zuliana y en la regiones de los Andes y de los Llanos mientras que la mayor
parte de la actividad industrial se concentra en la regiones Central y Capital del país.
En este contexto, dos de las dimensiones sobre la que incide la política
monetaria son la sectorial y la regional (espacial). El efecto que tiene la política
monetaria sobre un sector específico pudiera ser accidental ya que generalmente la
autoridad monetaria no busca actuar a favor o en contra de determinados sectores o
regiones y usualmente responde a los cambios agregados de la economía.
Este documento se dedicará a estudiar los efectos de los choques de política
monetaria, a través de sus acciones e instrumentos, sobre el valor agregado bruto
(VAB) de algunas actividades económicas que conforman el producto interno bruto
(PIB) en Venezuela para, en cierta forma, conocer el grado de homogeneidad o
heterogeneidad de los efectos de las acciones monetarias sobre el producto no
petrolero agregado y de algunas actividades económicas del país, que se suponen
pudieran ser más sensibles a las perturbaciones nominales. Igualmente se persigue
conocer, de forma aproximada, los efectos regionales de las acciones de política
monetaria en Venezuela al comparar las respuestas relativas antes los choques
monetarios sobre la actividad real de manufactura privada del país y la región zuliana
en términos de direccionalidad y en los desfases temporales con que se pudiera
transmitir, en caso de existir efectos reales, sobre la base de los indicadores disponibles
orientado en un análisis de equilibrio parcial.
35
1.1.1. Formulación del problema.
De lo anteriormente expuesto surge la siguiente interrogante: ¿Cuáles son los
efectos de las acciones de política monetaria del Banco Central de Venezuela (BCV), a
través de sus instrumentos, sobre el producto sectorial y regional, durante el período
(1998-2011)?
1.1.2. Sistematización del problema.
Tal como se reflejó en el planteamiento anterior sobre las dimensiones sectorial y
regional en las que probablemente podría incidir la política monetaria, y considerando
que durante el período de estudio han ocurridos significativos cambios estructurales,
institucionales y de política macroeconómica en Venezuela (Bárcenas, et al., (2011),
Pagliacci, et al., (2011) y Olivo (2010), de los cuales algunos pudieran ser en algún
grado recogido por variables como el tipo de cambio, las reservas internacionales, el
gasto público (o la incidencia del sector público sobre el dinero base) y algunas
variables dummies. Se optó adicionalmente en utilizar el sub-período (2004-2011) con
el propósito, entre otros, de minimizar, en cierta forma, la influencia de dichos factores o
cambios estructurales, en el análisis propuesto, los cuales se describirán más adelante.
Dentro de este orden de ideas, y por lo establecido en la formulación del problema, en
general, surgieron las siguientes interrogantes: ¿Cuáles son los efectos de las acciones
de política monetaria del BCV (choques monetarios) sobre el nivel real de actividad
económica o producto agregado y sectorial en Venezuela, durante el período (1998-
2011)? Considerando explícitamente y de forma complementaria el sub-período
anteriormente mencionado. Y ¿cuáles son los efectos de los choques monetarios sobre
el producto nacional y regional en Venezuela, durante el período (1998-2011)?
Tomando en cuenta, igualmente, de forma explícita el sub-período (2004-2011).
1.2. Objetivos de la investigación.
1.2.1. Objetivo General.
36
- Determinar los efectos de las acciones de la política monetaria sobre el producto
sectorial y regional en Venezuela, durante el período (1998-2011).
1.2.2. Objetivos específicos
- Analizar los efectos de las acciones de la política monetaria sobre el nivel real de
actividad económica sectorial en Venezuela, durante el período (1998-2011).
- Estudiar los efectos de las acciones de la política monetaria sobre el nivel real de
actividad económica sectorial en Venezuela, durante el período (2004-2011).
- Analizar los efectos de las acciones de la política monetaria sobre el nivel real de
la actividad de manufactura privada en Venezuela y para la región zuliana,
durante el período (1998-2011).
- Estudiar los efectos de las acciones de la política monetaria sobre el nivel real de
la actividad de manufactura privada en Venezuela y para la región zuliana,
durante el período (2004-2011).
1.3. Justificación de la investigación.
La investigación propuesta se considera relevante debido al consenso
internacional que existe por parte de los responsables de las políticas económicas en
otorgarle un papel más importante a la política monetaria para poder alcanzar una tasa
de inflación baja y estable en el tiempo y contribuir a la estabilización del producto
minimizando sus fluctuaciones a corto plazo; tomando en cuenta, que se reconoce que
ésta es neutral en largo plazo y que sus mayores efectos reales se concentran en el
corto y mediano plazo (Mayorga y Torres, 2004), y que además en los últimos años la
mayoría de los países recurren, en términos relativos, más a la política monetaria que a
la fiscal para lograr la estabilización de la economía en el corto plazo (Romer, 2006).
En el contexto de la economía venezolana, la historia es diferente. Se ha
documentando ampliamente la restricción que la dominancia fiscal ejerce sobre la
37
política monetaria en el logro de sus objetivos (Arreaza, et al., (2000), Álvarez, Dorta y
Guerra (2002), Castellanos (2003), Olivo (2010), Rivero (2010), entre otros), la
aplicación en las últimas décadas de diferentes regímenes monetarios y cambiarios con
diferentes objetivos (Rivero, (2010), Bárcenas et al., (2011), entre otros). De igual
forma, existe evidencia que apoya que la hipótesis de Lucas (1972) explica bastante
bien por qué el compromiso entre inflación y producto ha tendido a desaparecer en la
economía venezolana, en la medida en que las perturbaciones nominales se han
incrementado en nivel y variabilidad (Olivo, 2005a), y el alto grado de flexibilidad
registrado en los precios a nivel de consumidor (a pesar de registrar rigideces a la baja
y heterogeneidad en la duración de precios) en una economía inflacionaria como la
venezolana (Fernández, 2009).
Esto último, lo cual sobre la base del análisis desarrollado por Ball, Mankiw y
Romer (1988) que señala, según el enfoque nuevo keynesiano, que si los efectos
reales de los cambios en la demanda agregada (choque nominal) hacia el producto
surgen de fricciones en el ajuste de precios, la tasa promedio de inflación influye en la
magnitud de tales efectos. En este sentido, estos autores sostienen que a mayores
tasas de inflación en una economía, menores pudieran ser los efectos reales ante una
perturbación de la demanda agregada (choque nominal). Reflejando así, la dificultad y
limitación, sobre la base de este enfoque, de que los choques de política monetaria
generen efectos reales sobre la actividad económica para el caso venezolano y que por
ende (entre otras razones) dicha política no pueda ser utilizada de manera eficaz en la
estabilización del producto en el corto plazo. Por lo tanto, sería interesante conocer si
los choques de política monetaria tienen alguna influencia sobre las fluctuaciones en el
corto plazo de la actividad económica real a nivel agregado, sectorial y regional.
El presente estudio pretende realizar un aporte sobre el tema de transmisión
monetaria como una posible fuente de las fluctuaciones de la actividad en el corto
plazo, específicamente, de los efectos sectoriales y regionales de las acciones
monetarias del BCV durante el período (1998-2011), como una referencia para el caso
38
venezolano4. En este sentido, por una parte, se utiliza el VAB de algunas actividades
económicas que conforman el PIB que se suponen a priori pudieran ser sensibles a las
acciones de política monetaria (enfoque sectorial), sobre la base de modelos orientados
en el análisis de equilibrio parcial, con el propósito de conocer los efectos particulares
de la política monetaria sobre el producto (o nivel de actividad económica) de diferentes
sectores productivos. Por otra parte, utilizando indicadores de volumen de producción
de la actividad de manufactura privada, como proxy del nivel real de la actividad de
manufactura, para la economía en su conjunto y para la región zuliana (enfoque
regional), se persigue analizar las respuestas, en términos relativos, del producto a
escala nacional y regional (estado Zulia) y conocer, en cierta forma, el grado de
homogeneidad o heterogeneidad antes las acciones de política monetaria, en caso de
que esta última tenga efectos reales en el corto plazo.
En este contexto, resulta esencial conocer la intensidad y los retardos temporales
con que las acciones monetarias se transmiten al sector real de la economía, para los
efectos del diseño y formulación de la política monetaria y más generalmente para la
coordinación macroeconómica entre la política monetaria y fiscal del país, atendiendo a
la práctica y contribuyendo así, en cierta forma, al desarrollo integral de la formulación
de políticas macroeconómicas dinámicamente coherente que contribuyan en alcanzar el
fin último de la política económica el cual es mejorar el bienestar material y social de los
ciudadanos.
1.4. Delimitación de la investigación.
El presente estudio se realizó a nivel macroeconómico, sectorial y regional para
la economía venezolana, utilizando series estadísticas en el ámbito nacional y local
(para la región zuliana), del Banco Central de Venezuela (BCV), de la Superintendencia
de Instituciones del Sector Bancario (Sudeban) y del Instituto Nacional de Estadísticas
4 Es importante señalar que se han realizado diferentes estudios sobre este tema para el caso
venezolano tal como se pudo apreciar en el cuadro 1, no obstante, hasta donde tiene conocimiento el autor, este trabajo es el primero que incorpora la dimensión regional de la transmisión monetaria para la economía venezolana, sujeto por supuesto a la información estadística disponible y, unos de los pocos realizados con la dimensión sectorial.
39
(INE) para el período comprendido entre 1998-2011 y 2004-2011, de frecuencia
mensual.
Dentro de este orden de ideas, para el análisis de los efectos de las acciones de
política monetaria sobre el nivel de producto sectorial, por un lado, se utilizó el VAB de
las actividades económicas que conforman el PIB total que, a priori se espera, que
probablemente pudieran ser afectadas (sensibles) por las acciones de política
monetaria, siguiendo a Mies et al., (2002) y Bravo et al., (2003) y que pudieran ser
mensualizadas según los indicadores disponibles, tales como: Manufactura,
Construcción, Comercio y servicios de reparación5, así como también para PIB total y el
VAB de la actividad no petrolera, la cual representa, en promedio durante el período de
estudio un 74,5% del PIB, de manera de que sirvan de marco de referencia para
comparar las respuestas relativas de los otros sectores productivos con información de
periodicidad mensual durante el período (1998-2011).
Por otro lado, y de forma complementaria, atendiendo a los estudios elaborados
por Olivo (2010), Bárcenas et al., (2011) y Pagliacci et al., (2011), en los cuales se hace
referencia a los cambios estructurales, institucionales y de política macroeconómica
ocurridos durante el lapso temporal comprendido entre 1990-2010, se estimaron
diferentes modelos con datos mensuales para el período muestral (1998-2011) y para el
sub-período (2004-2011) utilizando para el primero, por una parte, como indicador de
política monetaria la base monetaria (enfoque o señales vía cantidad)6, mientras que
5 Las actividades económicas o sectores productivos seleccionados equivalen, a precios constantes, en
promedio al 31,8% del PIB total y el 42,8% del VAB de la actividad no petrolera durante el período (1997-2011). Asimismo, cabe resaltar que estos sectores presentan diferencias significativas en los tipos de bienes y servicios producidos, en su tamaño o participación relativa en la producción agregada, en sus estructura de costos, en sus procesos de producción y en el grado de sensibilidad a los cambios en el tipo de cambio nominal y real, por lo que puede ser probable encontrar respuestas diferentes antes perturbaciones comunes. 6 La razón de utilizar el enfoque de agregados monetarios como indicador para medir la orientación y
postura de la política monetaria durante dicho horizonte temporal, se debe a que tal como lo señala Arreaza, et al., (2001), Pagliacci y Ruda (2004) y Bárcenas et al., (2011) no existió un único instrumento de política monetaria que reflejará la intencionalidad de las autoridades. No obstante la disyuntiva generalmente se encontraba sobre la escogencia de un agregado monetario en particular, ya que es a partir del año 2002, cuando se inicia la Estrategia Monetaria Flexible (EMF) que se utilizó una tasa de interés (enfoque vía precios) como indicador de la postura de la política monetaria (Olivo, 2003), por lo tanto, se decidió utilizar como un indicador de política la base monetaria, atendiendo a la importancia del
40
por otra parte, se utilizó como indicador la tasa de interés nominal de las operaciones
interbancarias (enfoque o señales vía precios) de manera de evaluar alternativamente y
de forma separada los efectos de la política monetaria con los dos instrumentos o
enfoques que dispone la autoridad monetaria (agregado monetario (cantidad) y tasas
de interés (precio))7. En lo que se refiere al sub-período (2004-2011) se utilizó como
variable de política (para representar el choque de política monetaria) la tasa de interés
nominal de las operaciones de absorción del BCV (enfoque o señales vía precios)8, con
el objeto de analizar, en cierta forma, sus efectos sobre la actividad económica sectorial
y conocer, en cierta forma, los efectos sectoriales de las acciones de política monetaria
durante dicho lapso de tiempo9.
Por su parte, para el análisis en el ámbito regional de los mecanismos de
transmisión monetaria en Venezuela lo ideal hubiese sido incorporar todos los estados
o entidades federales del país o en su defecto algún tipo de subdivisión que represente
una agregación de los estados según una división geográfica, por ejemplo, la zona
central, occidental y oriental del país. Lamentablemente en Venezuela aún no se
dispone de información estadística sobre el nivel de producción regional o una variable
dinero como componente de la riqueza de los agentes económicos y del argumento a favor de que una política monetaria basada en el control de un agregado monetario es más fuerte en países menos desarrollados con mercados financieros pocos profundos y organizaciones fiscales débiles (Olivo, 2005b). 7 La decisión de evaluar alternativamente y de forma separada los efectos de la política monetaria con
dos indicadores de política se debe a los cambios que ocurrieron durante el período (1998-2011) con relación al régimen monetario, tal como se señala en la nota de pie de página anterior, y de la estrecha relación documentada entre la tasa de interés de las operaciones de absorción del BCV (variable operativa de la EMF) y la tasa de interés nominal de las operaciones interbancarias (overnight) (Pagliacci y Ruda, 2004). 8 Este enfoque de utilizar una tasa de interés para identificar la postura y orientación de la política
monetaria ha sido utilizado en diversos estudios en Venezuela tales como: Guerra y Dorta (2003), Arreaza et al., (2004), Pagliacci y Ruda (2004), Chuecos (2005), Arreaza et al., (2006), Barráez y Perdomo (2010), Pagliacci et al., (2011) y Bárcenas et al., (2011). 9 El principal argumento para la selección de este sub-período de estudio, es minimizar la ocurrencia de
cambios estructurales en las series. Considerando los siguientes eventos: la disponibilidad de un instrumento de política monetaria visible y explícito; el inicio de las operaciones de mercado abierto por parte del BCV, utilizando la venta de Certificados de Depósitos (CD) con tasas preestablecidas, a partir del mes de marzo del 2002; la ocurrencia del paro petrolero durante los años 2002 y 2003, que ocasionó un quiebre estructural en el desempeño de varias variables económicas y, la puesta en práctica de un control cambiario a partir del año 2003 con restricciones a los precios y cantidades de las transacciones comerciales y financieras (Pagliacci et al., (2011) y Bárcenas et al., (2011)).
41
proxy de actividad económica con una serie temporal lo suficientemente larga y de
periodicidad mensual o trimestral que permita realizar este análisis10.
Por lo tanto, en este trabajo se optó por utilizar una estrategia alternativa, para
incorporar la dimensión regional en el análisis de los efectos de la política monetaria. La
selección de las regiones se realizó, en función de la disponibilidad de información
estadística sobre una variable proxy del nivel de producción o actividad económica y del
nivel de precios en el ámbito regional, y atendiendo, claro está, de que se dispongan de
series temporales lo suficientemente largas para el análisis. En este sentido, sólo se
identificó una región que cumple estos requisitos, a saber el estado Zulia, el cual es el
estado con mayor población ocupada, representando en promedio, el 13,4% del total
del nivel de empleo del país, durante el período (2001-2010), y es el principal estado
productor de petróleo del país, según los datos disponibles.
Desde el punto de vista espacial o territorial, se puede decir, que existen
regiones que pueden ser clasificadas como de alto y de bajo dinamismo, siendo unos
de los criterios utilizados para esta clasificación, por ejemplo, que dichas regiones, con
relación a la evolución temporal del nivel de actividad económica u otra variable de
escala, se comporten por encima o por debajo del promedio nacional, respectivamente.
Es sobre la base de este enfoque que se procederá al estudio de los mecanismos de
transmisión a escala regional, comparando la respuesta de la actividad de manufactura
privada de la región zuliana con respecto al comportamiento nacional con información
de frecuencia mensual durante el período (1998-2011) y el sub-período (2004-2011)11,
atendiendo por supuesto, a las limitaciones del análisis con relación a los indicadores
económicos disponibles y utilizando las mismas variables de política empleadas en el
enfoque sectorial.
10
Tal como lo podría ser el nivel de ocupación o la tasa de empleo según entidad federal, la cual está disponible durante el período 2001-2011, sin embargo, sólo se dispone de esta información con periodicidad semestral, por lo que no se incorporó en este estudio dada la metodología empleada. 11
La incorporación de este sub-período corresponden a los mismos argumentos mencionados en el análisis del enfoque sectorial del estudio.
42
Finalmente, la selección de las variables ha sido en función de la disponibilidad y
pertinencia de los datos. En este sentido, es importante resaltar, que para los efectos
de este trabajo se utilizará un análisis de equilibrio parcial tanto para el enfoque
sectorial como para el regional, así como también para las bases teóricas y el análisis
empírico del mismo.
43
CAPÍTULO II MARCO TEÓRICO
44
CAPÍTULO II. MARCO TEÓRICO
2.1. Antecedentes de la investigación.
Son numerosos los estudios teóricos y aplicados sobre los efectos de la política
monetaria y sus mecanismos de transmisión hacia el sector real de la economía, esto
se debe a que dichos estudios suelen ser una tarea permanente por parte de los
bancos centrales y académicos que se dedican a los asuntos monetarios con el objeto
de considerar los cambios estructurales (tanto del sector monetario, financiero y real) de
la economía, así como también, del comportamiento evolutivo de los agentes
económicos en cuanto a la formación de sus expectativas. Igualmente, es importante
señalar, que existen diversas investigaciones enfocadas en estudiar los efectos de los
impulsos nominales o monetarios sobre el nivel de producción agregado, sectorial o por
componentes del gasto y desde el punto de vista regional, realizados tanto a escala
nacional como internacional.
Es por ello que esta sección se divide en presentar primeramente aquellos
estudios realizados en el ámbito nacional los cuales en su mayoría fueron realizados
sobre la base del enfoque agregado y de equilibrio parcial (a excepción del trabajo de
Bárcenas et al., (2011)), seguidamente por los estudios realizados a escala
internacional desde el punto de vista sectorial y por componentes del gasto y,
finalmente los estudios internacionales enfocados en analizar las respuestas de los
impulsos monetarios en el ámbito regional. A continuación se presentan las principales
investigaciones y trabajos aplicados relacionados con el tema en el ámbito nacional.
Unas de las investigaciones más recientes sobre el estudio de las fluctuaciones
económicas en el corto plazo para la economía venezolana y sus principales
determinantes es el trabajo realizado por Bárcenas et al., (2011) el cual lleva por título:
“Transmisión de choques macroeconómicos en Venezuela: Un enfoque estructural del
modelo factorial” el cual es uno de los pocos estudios disponibles (el único de
referencia en este trabajo) que utiliza, en contraposición a la literatura empírica
45
desarrollada previamente para Venezuela, la cual se refiere en su mayoría a análisis
parciales de la economía, con la estimación de un solo modelo, un enfoque de carácter
más global al analizar los efectos de diferentes choques para los diversos ámbitos
macroeconómicos (incluyendo el enfoque sectorial) y sus mecanismos de transmisión12.
En efecto en este trabajo se identificaron y analizaron los choques estructurales
fundamentales que explican las fluctuaciones de corto plazo de la economía
venezolana durante el período (2004-2010) con datos de periodicidad mensual,
mediante la estimación de un modelo aproximado de factores dinámicos (GDFM), el
cual sirve de base para capturar el efecto de los choques de política monetaria, política
fiscal y choque petrolero sobre el componente común de un panel de 116 variables
macroeconómicas referentes a diversos ámbitos de la economía (sector real y sectorial,
precios, monetario, fiscal y externo).
Entre sus principales resultados destacan que un choque de política monetaria
no es efectivo para modificar la actividad económica, mientras que un choque de
política fiscal financiado con endeudamiento interno, logra incrementar el consumo
privado y la construcción, pero sin afectar el producto agregado de la economía,
finalmente, un choque petrolero expansivo se comporta de forma idéntica a un choque
de oferta en el sentido que disminuye la tasa de inflación e incrementa el producto
sectorial y agregado.
El análisis de los efectos sectoriales de la política monetaria, el uso de la tasa de
interés promedio efectiva de las operaciones de absorción y de la tasa de interés
promedio de las operaciones interbancarias para representar los choques monetarios
contractivo (indicador de política monetaria sobre la base del enfoque o señales vía
12
Es importante señalar que este trabajo (citado) y otros publicados por el BCV en la actualidad hacen referencia a un estudio titulado: “Monetary and Fiscal policy in an estimated DSGE model for a Small Open Oil Producer Economy”, (como manuscrito del BCV) realizado por Morales, J. Saez F. y Barráez, D. (2011) en el cual a diferencia de otros estudios empíricos, sobre la base del análisis de equilibrio parcial, llevados a cabo para la economía venezolana, se calibra un modelo de equilibrio general dinámico y estocástico para la economía con el propósito de estudiar diversos choques en la economía y sus efectos macroeconómicos, entre los cuales contempla el estudio y análisis de choques monetarios, fiscales y petroleros. Sin embargo, para el momento de elaboración de la presente investigación no estuvo disponible el acceso a dicho trabajo.
46
precios), las variables monetarias, y sectoriales utilizadas y, los argumentos para la
selección del período de estudio (los cuales hacen referencias a los cambios
estructurales, institucionales y en el diseño y manejo de la política macroeconómica)
son los principales aportes de esta investigación, la cual en cierto sentido y para la
economía venezolana tiene una relación relativamente más directa con este trabajo,
específicamente por su análisis sectorial de las fluctuaciones, con respecto a otras
investigaciones.
Por otro lado, en el documento de trabajo que se titula como: “Algo más sobre el
canal del crédito en Venezuela. Un enfoque estructural con restricciones de signo”.
Pagliacci et al., (2011) estudian cuáles son los efectos de los choques monetarios sobre
la actividad económica real durante el período (2004-2009), con datos de frecuencia
mensual, y evalúan la relevancia del canal del préstamo bancario, utilizando como
marco analítico el modelo teórico propuesto por Bernanke y Blinder (1988) del canal de
crédito bancario.
En este trabajo, la identificación del choque de política monetaria, y otros
referentes al mercado de crédito, lo realizan a partir de la imposición de restricciones de
signo sobre las funciones impulso-respuestas de un modelo de vectores autoregresivos
estructural (SVAR), en este sentido, los choques de política monetaria están
representado por la tasa promedio efectiva de los certificados de depósitos
(operaciones de absorción) del BCV y de la tasa de interés promedio de las
operaciones interbancarias. Si bien para el período de estudio, existe un instrumento de
política monetaria visible y explicito, la aplicación del control de cambiario a las
transacciones comerciales y financieras, y el poco dinamismo de la propia política,
parecen combinarse para mermar o reducir la capacidad de la política monetaria para
influenciar la actividad real o producción y por ende, la tasa de inflación. De igual forma,
la evidencia disponible en este estudio, no encuentra evidencia a favor de la presencia
y/o aplicabilidad del canal del préstamo bancario en Venezuela, entendiéndose que
éste tiene un rol pasivo con respecto a la producción.
47
El principal aporte de esta investigación sobre el presente trabajo, es sobre el
uso y aplicación de la tasa de interés nominal de las operaciones de absorción del BCV
como indicador de la postura y orientación de la política monetaria, el cual será aplicado
en este estudio. Así como también, de la consideración explicita y justificación del
período de estudio escogido debido a la ocurrencia de cambios estructurales e
institucionales que ha presenciado la economía venezolana en los últimos años, en la
forma de modelización y uso de variables y, la evidencia reciente encontrada sobre el
canal del préstamo bancario y su papel en la economía venezolana.
En la investigación titulada “Un análisis del efecto macroeconómico de las
operaciones monetarias de absorción del Banco Central de Venezuela: 1990-2004”,
Olivo (2010) estudia el efecto macroeconómico de las operaciones de absorción que el
BCV ha venido utilizando como instrumento de política monetaria desde finales de
1989. Si bien, según el autor, las operaciones monetarias del instituto emisor han
representado a lo largo del período considerado (1990-2004) un monto significativo
comparado con el dinero base, los resultados econométricos de los modelos VAR y de
las funciones impulso-respuesta que se derivan de éstos, indican que sus impactos
sobre las variables macroeconómicas fundamentales como la tasa de inflación, la
brecha del producto y la tasa de depreciación del tipo de cambio nominal no son
significativos (son casi nulos). Según el estudio, es probable que la débil respuesta del
BCV (a través de su función de reacción) ante perturbaciones de las variables
macroeconómicas clave explique a su vez, el reducido efecto de las operaciones
monetarias sobre estas.
No obstante, aún cuando los modelos VAR estimados en este trabajo tienden a
respaldar la visión generalizada de que la intervención del BCV en el mercado
monetario con sus propios pasivos ha sido costosa e inefectiva, la evidencia derivada
de un experimento contra-factual, sugiere que esta política pudo haber contribuido a
reducir significativamente la volatilidad de la brecha del producto y de la tasa de
inflación durante el período de estudio.
48
El aporte de este trabajo a la presente investigación es de fundamental
importancia, debido a que primeramente: provee de una estrategia de modelación para
estudiar los efectos de las acciones de política monetaria sobre la actividad económica
y la consideración explicita de la brecha del producto como indicador del sector real,
segundo, considera como indicador de las acciones de política monetaria un enfoque
de agregados monetarios (vía cantidad) al utilizar la razón de la primera diferencia del
stock de instrumentos de absorción colocados por el BCV con respecto al dinero base
desfasado un período, lo cual provee de un marco o enfoque complementario al
presente estudio, tercero, el autor sólo estudia el período (1990-2004) argumentando
que a partir de ese período se han generado muchos cambios estructurales e
institucionales, entre otros factores, lo cual puede distorsionar el análisis si se considera
un lapso temporal más amplio, sin dividir las series temporales en sub-períodos, y
finalmente, considerar, además, los efectos de las acciones de política del BCV en
términos de mejorar el bienestar, específicamente, en su contribución en la reducción
de la volatilidad del producto y la inflación.
Arreaza, et al., (2006) en el artículo de investigación titulado como: “El canal del
crédito bancario en Venezuela” contrasta empíricamente la presencia del canal del
crédito en el país utilizando la especificación y estimación de un modelo de datos de
panel dinámico con información estadística de periodicidad mensual de balances de 20
bancos comerciales y universales durante el período (1997-2001) y empleando como
instrumento de las acciones del BCV (indicador de postura de la política monetaria) una
tasa de interés de política monetaria construida sobre la base de una combinación de
las tasas de interés de los instrumentos emitidos por la autoridad monetaria. Los
autores sostienen que características de los bancos como tamaño y grado de liquidez
se pueden utilizar como indicadores de posibles fuentes de asimetría de información
dentro del sector financiero. De ser relevantes, tales asimetrías implicarían que la
política monetaria tiene efectos distributivos.
En tanto una política monetaria restrictiva conlleve una reducción en depósitos
que algunos bancos no puedan compensar con otros fondos, la oferta de crédito caerá.
49
Los resultados de este estudio no arrojan evidencia sólida sobre la presencia del canal
del crédito bancario en Venezuela. En este sentido, las características de los bancos no
parecen ser relevantes para explicar diferencias en la respuesta de la oferta de crédito
entre los bancos a cambios en la política monetaria.
El principal aporte de este estudio a la presente investigación es el de
fundamentar empíricamente la utilización de la tasa de interés (enfoque de precios)
como instrumento de las acciones de política del BCV y como indicador de postura de
la política monetaria, así como también de proveer de evidencia empírica previa sobre
la importancia del canal del crédito bancario en Venezuela.
Por su parte, en el trabajo que lleva por título “¿Tienen efectos las acciones de
política monetaria? Un análisis de intencionalidad”, Pagliacci y Ruda, (2004), evalúan el
impacto que en el corto plazo pudieran haber tenido las acciones de política monetaria
durante el período de abril 2002 - enero 2004, (período de inicio e implementación de la
estrategia monetaria flexible en Venezuela) caracterizando las acciones del Banco
Central de Venezuela (BCV) a través de indicadores narrativos los cuales reflejan la
intencionalidad de las decisiones a partir de la información revelada por la autoridad
monetaria, según sus resultados, la política monetaria inicia su mecanismo de
transmisión con el movimiento de las tasas de interés de mercado, especialmente con
la tasa overnight (del mercado interbancario) incidiendo inversamente sobre el nivel de
reservas excedentes del sistema financiero afectando a su vez a la cartera de créditos
de dicho sistema y por ende a la demanda agregada.
Este documento de trabajo le proporciona al presente estudio fundamentos
prácticos sobre la utilización de la tasa de interés nominal de las operaciones de
absorción del BCV como instrumento de política monetaria y el uso de indicadores
narrativos como complemento cualitativo para medir e identificar cuantitativamente la
orientación de las acciones de política monetaria.
50
En este orden de ideas, Arreaza, et al, (2001), en el documento de trabajo
“Mecanismo de transmisión de la política monetaria en Venezuela” emplean la técnica
de los vectores autoregresivos estructurales (SVAR) para investigar los mecanismos de
transmisión de la política monetaria en Venezuela. Igualmente se estimó una función de
reacción para el Banco Central con datos mensuales entre 1989 y 2000, y como
variable de política se utiliza un agregado monetario (enfoque vía cantidad). Los
resultados de la estimación de la función de reacción del Banco Central sugieren que
tanto el crédito del Banco Central como M1 exhiben incrementos permanentes frente a
shocks positivos en el nivel de precios, y respuestas transitorias ante shocks de origen
fiscal. Las fluctuaciones del producto en el muy corto plazo parecen no producir
cambios en la dirección de la política monetaria. En respuesta a shocks positivos en las
reservas internacionales, la autoridad monetaria parece responder en forma rezagada
con recortes de liquidez.
Sus conclusiones son, que al controlar por variables fiscales y cambiarias que
intervienen en la función de reacción del Banco Central, se logra eliminar el problema
de la paradoja de los precios en los modelos SVAR de mecanismos de transmisión. El
modelo del mecanismo de crédito es el que ajustó mejor los datos, lo cual sugiere que
este mecanismo puediera haber operado en la economía entre 1989 y 2000.
Entre los principales aportes de este trabajo a la presente investigación se
encuentra: nuevamente los aspectos econométricos de la metodología de vectores
autoregresivos estructurales (SVAR) utilizando series en niveles con diferentes orden
de integración, los cuales son estadísticamente validos debido a la técnica utilizada y la
consideración explicita de los efectos de la función de reacción del BCV en los
resultados.
En otros términos, Rojas y Rodríguez (1997) en el documento de trabajo “El
papel de la estructura financiera en la transmisión de la política monetaria” aborda los
principales mecanismos de transmisión de la política monetaria haciendo énfasis en la
importancia que tiene la estructura financiera en la intensidad e incluso existencia, de
51
los mismos. Los mecanismos referidos son: el canal vía tasas de interés, vía tipo de
cambio, vía efectos ingreso y riqueza, canal del crédito y el canal vía expectativas de
inflación. Adicionalmente, se analiza la tendencia de la estructura financiera venezolana
durante el período (1988-1995) y se concluye que probablemente, en aquel entonces,
que en períodos futuros los principales mecanismos de transmisión serán el canal
crediticio y el canal vía tipo de cambio, este último siempre y cuando se mantenga un
régimen cambiario distinto al tipo de cambio fijo.
En este sentido, la fundamentación de los aspectos teóricos y operativos de los
mecanismos de transmisión monetaria y de los instrumentos de política,
respectivamente, así como también de la consideración explicita de la estructura
financiera como un elemento condicionante para la existencia e intensidad de ciertos
canales de transmisión son los principales aportes de este estudio a la presente
investigación.
Finalmente, para el caso venezolano, en el estudio que lleva por título “El
mecanismo de transmisión de la política monetaria en Venezuela”, Guerra, Rodríguez y
Sánchez (1996) analizan distintos mecanismos de transmisión monetaria para el caso
venezolano durante el período (1985-1995) con datos de frecuencia trimestral, tomando
como referencia a la inflación como variable final (objetivo) de la política monetaria y
utilizando la metodología de vectores autoregresivos (VAR) y modelos de corrección de
errores (MCE) encuentran, que la instrumentación de la política monetaria debe basarse
en el control de M1 tanto por la relación de largo plazo entre M1 y los precios como por
su efecto directo e indirecto sobre la inflación. El efecto directo hace referencia a la
incidencia contemporánea de M1 sobre la inflación en tanto que el efecto indirecto trata
del impacto sobre la brecha del producto como resultado de cambios en la tasa de
interés real.
Este estudio aporta a la presente investigación una aproximación empírica sobre
la relación entre la oferta monetaria, nivel de precios y la brecha del producto, así como
también sobre algunos aspectos técnicos relacionados con la metodología de vectores
52
autoregresivos (VAR) irrestrictos para el estudio de los mecanismos de transmisión
monetaria, el cual se utilizará en este trabajo.
Desde el punto de vista de los estudios realizados en el ámbito internacional de
los mecanismos de transmisión monetaria sobre la base del enfoque sectorial y por
componentes del gasto destacan las siguientes investigaciones:
El estudio aplicado realizado por Castrillo, Mora y Torres (2008) que lleva por
nombre “Mecanismos de transmisión de la política monetaria en Costa Rica: Período
1991-2007” utilizando Vectores autoregresivos (VAR) estructurales y no restringidos
(irrestrictos) a través de las funciones impulso-respuesta, analizan los efectos de la
política monetaria sobre el producto agregado y los componentes del gasto para Costa
Rica y obtienen como resultado, que al controlar por el comportamiento de la inflación y
la tasa de interés externa, así como por el grado de dolarización financiera interna, la
evidencia empírica muestra que los principales canales de transmisión monetaria en
Costa Rica son la tasa de interés y las expectativas de inflación de los agentes
económicos.
En efecto, la tasa de política monetaria influye sobre las tasas del Sistema
Financiero con un rezago de al menos tres meses. Es a través de estas tasas de
mediano plazo, más correlacionadas con el gasto interno, que se afecta la actividad
económica y los precios. No obstante, se observa un efecto débil de la tasa de política
monetaria y de la tasa activa sobre los componentes de la demanda agregada, lo que
puede estar reflejando que durante casi toda la muestra utilizada el régimen cambiario
predeterminado limitó la capacidad del Banco Central de Costa Rica (BCCR) para
implementar una política monetaria independiente. Las expectativas de inflación son un
importante canal de transmisión hacia los precios durante los primeros tres meses
después de un choque de política monetaria. Por su parte, aunque el canal del crédito
no es importante antes del periodo de mayor flexibilidad cambiaria, posterior a éste
empieza a adquirir cierta relevancia, pero con un rezago mayor a los quince meses, por
lo que no es un canal oportuno para influir sobre el producto y los precios.
53
El aporte fundamental de esta investigación al presente estudio son los aspectos
teóricos y prácticos de la técnica de estimación econométrica y de la interpretación de
las funciones impulso-respuesta.
Por su parte, en un documento de trabajo realizado para la economía de Chile
titulado como: “Heterogeneidad de la transmisión monetaria: efectos sectoriales y
regionales”, Bravo, et al., (2003) analizan el impacto desagregado de la política
monetaria, distinguiendo tres clasificaciones: a nivel del gasto privado (consumo e
inversión), por sector productivo y a través del desempleo regional, para ello utilizan la
metodología de vectores autoregresivos (VAR) y funciones impulso-respuesta. El
estudio encuentra diferencias importantes en el impacto (en magnitud y horizonte
temporal) que tiene la política monetaria a escala desagregada. En la mayoría de los
casos, tales diferencias son coherentes con lo que sugieren los mecanismos de
transmisión tradicionales.
En efecto, respecto de la transmisión monetaria a los diversos sectores
productivos, en la mayoría de los sectores se observan respuestas más prolongadas
que en el caso del Índice Mensual de Actividad Económica (Imacec) agregado (4-5
trimestres). Esta extensión temporal es similar a la observada en las manufacturas, el
comercio y la construcción. Salvo en este último caso, cuya respuesta es más lenta, los
efectos se producen durante el mismo semestre en que se sube la tasa. Por otra parte,
la respuesta de la agricultura es breve y rezagada. En términos de magnitud, la caída
más fuerte la experimenta el sector comercio, seguido del sector construcción. Estas
caídas son significativamente mayores que la del Imacec agregado o del sector
industrial. El sector construcción es el más afectado por el alza de la tasa de política
monetaria, resultado que es esperable dadas las características particulares de este
sector. A su vez, el sector comercio también presenta una respuesta acumulada
importante y muy superior a la del Imacec agregado. El sector manufacturas tiene una
caída acumulada similar a la de la producción agregada, mientras que el efecto sobre la
agricultura es muy pequeño.
54
El principal aporte de este trabajo al presente estudio, es la forma en que se han
utilizado las variables desde el punto de vista sectorial, así como también la
especificación de los modelos VAR y las respuestas relativas de los sectores
productivos ante las acciones de política del Banco Central a través de sus
instrumentos como marco de referencia empírica.
De la misma forma, Mies, Morandé y Tapia (2002) en el documento de trabajo
titulado “Política monetaria y mecanismos de transmisión: nuevos elementos para una
vieja discusión”, aborda dos temas de suma importancia para la formulación de la
política monetaria para la economía Chilena, a saber: i) la evolución del impacto de la
política monetaria sobre el producto y la inflación a lo largo de la última década, y ii) la
descomposición de este impacto a escala sectorial. Para ello, primeramente, se usa un
modelo uniecuacional para verificar la evolución temporal de la efectividad de la política
monetaria, y la posible existencia de un cambio de régimen a fines de la década los
noventa. Y posteriormente, se estiman varios modelos VAR irrestrictos mensuales para
analizar el efecto de shocks monetarios sobre seis de los sectores en que se
descompone la producción agregada en Chile, a saber, minería; manufactura;
electricidad, gas y agua; construcción; comercio; restaurantes y hoteles;
comunicaciones y transporte. Estimando un VAR individual por cada sector los autores
encuentran, sobre la base de la evidencia disponible, que la mayor respuesta relativa
(en magnitud y duración) frente a un shock monetario lo exhibe la actividad de
construcción, siendo nulo el efecto sobre la actividad minera, de comunicaciones y
transporte.
La principal contribución de este estudio al presente trabajo es complementar las
fundamentación teórica de la investigación, así como también tomar como referencia
para el caso venezolano los sectores productivos que se esperan que puedan ser
afectados por la política monetaria en el corto plazo y la forma de construcción de los
modelos econométricos VAR.
55
Para el caso de la economía de Argentina, Gabrielli y Grubisic (2002) analizan
los mecanismos de transmisión ante cambios en la política monetaria sobre diversas
variables macroeconómicas en varios sectores de la economía en el trabajo titulado “La
Respuesta a Nivel Sectorial de Shocks Monetarios y Reales: Evidencia para Argentina.
Para ello utilizan modelos VAR y construyen funciones impulso-respuesta tanto a nivel
agregado como por sector, para lo cual analizan los componentes del lado de la
demanda agregada y los sectores productivos que conforman el PIB. Según sus
resultados los shocks muestran una mayor variabilidad y una permanencia más
prolongada relativa a la década del ochenta, con respecto a la década del noventa.
En cuanto a los ejercicios practicados para analizar el efecto de los productos
sectoriales, se evidencia en los casos del PIB y del IPC que su respuesta es más
sensible a shocks de la oferta en los años ochenta, mientras que en la década del 90 es
mucho más sensible a shocks de demanda, destacando, por el lado de la producción,
que ante shocks en tipo de cambio y en la tasa de interés, los sectores con mayores
respuestas, en términos de intensidad y velocidad, son la producción primaria,
construcción y manufactura, mientras que por el lado de la demanda, los componentes
más sensibles en ambas décadas fueron las exportaciones netas y el consumo final
público.
El principal aporte de este trabajo para este estudio es sobre la forma, el uso y
empleo la técnica de VAR, y en cierta, forma los resultados, según la evidencia
empírica, sobre las respuestas relativas de los diferentes sectores productivos que se
utilizan como marco referencial para el análisis empírico.
Además, en Costa Rica y desde un enfoque netamente teórico Villalobos, et al.,
(1999) en el documento de trabajo: “Mecanismo de transmisión de la política monetaria:
marco conceptual (primer documento)”, desarrollan y analizan minuciosamente los
aspectos teóricos más importantes de los principales mecanismos de transmisión de la
política monetaria que generalmente se citan en la literatura económica; estos son: la
56
tasa de interés, el crédito bancario, el tipo de cambio nominal, el precio de otros activos
y las expectativas de los agentes económicos.
En este sentido, Inicialmente mencionan la polémica que todavía prevalece en
cuanto a la forma como las acciones de la política monetaria se transmiten a ciertas
variables que afectan a su vez las variables objetivo. También se señalan las razones
por las cuales es crucial para la autoridad monetaria conocer con algún grado de detalle
la forma como discurren los impulsos monetarios que generan sus acciones, con el fin
de evaluar la efectividad de la política monetaria para alcanzar las metas que se
propone. Posteriormente, desarrollan teóricamente cada uno de los cinco canales de
transmisión mencionados y se especifica esquemáticamente la cadena de relaciones
funcionales más relevantes que se establecen entre las variables involucradas.
El principal aporte de este trabajo a esta investigación es fundamentar, de forma
significativa, las bases teóricas sobre los mecanismos de transmisión de la política
monetaria.
Por último, se presentan los principales estudios, que se han considerado como
antecedentes de la presente investigación, en el ámbito internacional de transmisión
monetaria realizado sobre la base del enfoque regional, es decir, aquellos que tratan
sobre el análisis de los efectos regionales de los impulsos nominales y/o monetarios
sobre el sector real de la economía.
En este sentido, Romero (2008) estudia la transmisión monetaria a las diferentes
regiones de Colombia a través de la tasa de interés, utilizando datos para 32
departamentos y Bogotá con un modelo que incorpora restricciones estructurales y
regionales, según la metodología de Di Giacinto (2003), además del análisis de las
funciones impulso-respuesta, entre sus resultados no descarta la presencia de efectos
regionales de la política monetaria en Colombia, argumentando que una de las causas
para este resultado es porque existen diferentes condiciones económicas que
determinan distintas capacidades de respuesta a un mismo impulso de política,
57
asimismo, dicho efecto además, según el autor, se presenta en el corto plazo y luego
desaparece en el largo plazo.
El principal aporte de este trabajo a la presente investigación, es sobre la
metodología empleada en el análisis empírico y, en cierta forma, sobre los resultados
obtenidos a través de las funciones impulso-respuesta en el ámbito regional.
Así mismo, tal como se mencionó anteriormente Bravo et al., (2003) en el
documento de trabajo: “Heterogeneidad de la transmisión monetaria: efectos sectoriales
y regionales” además de analizar el impacto desagregado de la política monetaria, a
nivel del gasto privado (consumo e inversión), por sector productivo también analiza las
respuestas relativas sobre las regiones a través del desempleo regional, como variable
proxy del sector real, para ello utilizan la metodología de vectores autoregresivos (VAR)
y funciones impulso-respuesta.
El análisis regional de la política monetaria muestra que las regiones con
orientación comercial e industrial responden más que aquellas cuya producción está
enfocada a la minería o la agricultura. La respuesta más fuerte se observa en la tasa de
desempleo de la Región Metropolitana, cuyo comportamiento es muy similar al
observado para el agregado del país. Las regiones de la zona norte no exhiben
respuesta en su tasa de desempleo cuando la política monetaria se contrae. En la zona
central la respuesta es menor que la observada en la Región Metropolitana en términos
de la permanencia de los efectos en el tiempo. Mientras la zona sur muestra un impacto
que está en medio del observado en la Región Metropolitana y de la zona central, la
zona austral muestra una respuesta mucho menor. Aunque en esta distribución
geográfica los resultados son algo más difíciles de interpretar que en el caso de la
distribución por áreas productivas, resultan coherentes con los allí encontrados y con
los resultados generales encontrados en el trabajo.
58
La forma en que se han utilizado las variables desde el punto de vista regional,
así como también la especificación de los modelos VAR es el principal aporte de este
trabajo para el presente estudio.
De forma similar, para Colombia Zuccardi (2002) en el estudio sobre economía
regional denominado: “Efectos regionales de la política monetaria” analiza si las
regiones colombianas responden de manera diferente a un choque de política
monetaria común representada por una variación en la oferta de dinero. Para ello se
estimaron ocho modelos VAR, uno con información nacional y uno por cada una de las
áreas metropolitanas de Bogotá, Medellín, Cali, Barranquilla, Bucaramanga, Manizales
y Pasto, entre 1984 y 2000. Además, se estimó un modelo de ecuaciones
aparentemente no relacionadas (SUR) (por sus siglas en Ingles de Seemingly Unrelated
Regressions) con información regional para ajustar las respuestas de las ciudades a las
posibles relaciones interregionales existentes.
Se encontró que Bucaramanga es la ciudad que más responde a un incentivo
monetario, mientras que Bogotá y Barranquilla reaccionan de forma similar al promedio
nacional. Medellín, Manizales y Pasto muestran comportamientos distintos, en tanto que
Cali es la región menos sensible. Sin embargo, a pesar de estos resultados, no se
encontró evidencia estadística para afirmar que dichas regiones responden de maneras
diversas a un choque monetario común.
La contribución de este trabajo a la presente investigación tiene que ver
nuevamente con la metodología de vectores autoregresivos (VAR) y sus aspectos
técnicos así como también de proporcionar relaciones teóricas debidamente
fundamentadas del por qué las regiones podrían responder de manera diferente frente
a una misma política monetaria para la construcción de las bases teóricas y el análisis
de las implicaciones de política en el análisis empírico.
Dentro de este orden de ideas, Carlino y Defina (1998), en el artículo “The
Differential Regional Effects of Monetary Policy” analizan algunas de las razones que
59
explican por qué la política monetaria puede tener efectos diferentes en las distintas
regiones de Estados Unidos, entre dichas razones, destaca, que a pesar de que las
regiones están vinculadas económicamente, estas pueden responder de forma desigual
a las perturbaciones agregadas. Los autores en este estudio contrastan como evidencia
de lo anterior, que el efecto de un cambio en los precios del petróleo afecta de manera
diferente a las regiones productoras y a las consumidoras.
Entre sus resultados que aportan evidencia a favor de que las regiones
responden de forma distinta a la política monetaria, utilizando la metodología VAR y el
análisis de las funciones impulso-respuesta para las ocho regiones norteamericanas
entre 1954:1 a 1992:4, destacan que factores como la sensibilidad a los cambios en la
tasa de interés; composición y concentración de las empresas grandes o pequeñas;
habilidad de los bancos para ajustar sus balance son determinantes para las diferencias
regionales en el efecto de la política monetaria.
El análisis teórico y empírico de los factores que pueden originar diferentes
respuestas en las regiones antes las acciones de política monetaria de este trabajo son
los principales aportes para la construcción de las bases teóricas (del enfoque regional)
del presente estudio.
2.2. Bases teóricas.
En esta sección se presentan primeramente, los aspectos teóricos sobre los
diferentes canales de transmisión de la política monetaria citados comúnmente en la
literatura económica, luego se expone de manera formal un marco analítico sencillo
para analizar las estrategias de política monetaria, sobre la base de fundamentos
microeconómicos, a partir de los aportes relativamente recientes, del enfoque de la
nueva economía keynesiana (nuevo keynesiano).
2.2.1. Canales de transmisión monetaria.
60
Tal como se mencionó en la sección anterior, en la literatura sobre el tema se ha
reconocido cinco grandes canales de transmisión, de los cuales cabe destacar que
algunos de ellos no son mecanismos independientes, sino más bien procesos
simultáneos y, en ocasiones complementarios. A continuación se describen cada uno
de ellos:
2.2.1.1. El canal tradicional de la tasa de interés.
Este es uno de los mecanismos convencionales utilizado en la literatura
económica como marco general para representar los efectos de la política monetaria
sobre la actividad económica en los modelos keynesianos. Este enfoque parte
básicamente de una serie de supuestos los cuales son determinantes para su completo
funcionamiento. En primera instancia, que en la economía existen únicamente dos
activos financieros el dinero, el cual es utilizado para las transacciones, y los bonos, los
cuales representan a todos los activos financieros que sirven como reserva de valor. En
segundo lugar, se asume que el Banco Central puede controlar efectivamente la oferta
de monetaria y que el dinero no tiene sustitutos perfectos, estas premisas permiten que
las acciones de política monetaria se transmitan a la demanda agregada a través de
una única tasa de interés (Villalobos, et al., 1999).
En este sentido, este canal plantea que el Banco Central, a través de sus
instrumentos, provoca, mediante variaciones en la cantidad de dinero cambios en la
tasa de interés nominal de corto plazo, y sobre la base de la existencia de algunas
rigideces de precios, cambios en la tasa de interés real, afectando así el nivel de gastos
de consumo final en bienes duraderos y de inversión (incluidos el nivel de inventarios)
y, por ende, el nivel de producción y precios.
En este mecanismo la autoridad monetaria inicialmente modifica la liquidez en el
sistema financiero, a través de sus instrumentos de política monetaria, con el fin de
controlar la tasa de interés nominal y de esa forma afectar la demanda agregada. De
61
forma esquemática, se puede representar una política monetaria expansiva a través de
este canal, como:
↑M → ↓i → ↑I , ↑C → ↑DA→ ↑Y (1)
El incremento de la oferta monetaria (M) genera una reducción temporal en la
tasa de interés nominal de corto plazo, y asumiendo cierto grado de rigidez de precios
en la economía, disminuye igualmente la tasa de interés real (i) de corto plazo y largo
plazo estimulando el nivel de inversión (I) de las empresas y los gastos de consumo
final (C) en bienes duraderos de los hogares, aumentando así la demanda agregada
(DA) y el nivel de producción real (Y).
Sin embargo, en este modelo básico la magnitud e intensidad de los efectos
sobre los cambios en los componentes de la demanda agregada (consumo e inversión)
están condicionados por los efectos: sustitución, ingreso y riqueza (Villalobos, et al.,
1999).
En el efecto sustitución, una disminución (incremento) de la tasa de interés real,
altera el patrón intertemporal de consumo de los hogares al hacer el consumo futuro
relativamente más costoso (más barato) con respecto al consumo presente, provocando
que los consumidores tiendan a aumentar (disminuir) el consumo presente. Por su
parte, las empresas, aumentan (disminuyen) la demanda de bienes de inversión o
formación bruta de capital fijo debido a la disminución (incremento) del costo de capital,
aumentando (disminuyendo) así el valor presente de sus beneficios futuros. En
concreto, con el efecto sustitución tanto los hogares como las empresas en sus
decisiones de consumo e inversión, respectivamente, tienen ambas una relación directa
con respecto a los cambios en la demanda agregada y esta a su vez a los cambios en
la orientación de las acciones de política monetaria.
62
En cuanto al efecto ingreso, el comportamiento sobre los componentes de la
demanda agregada estará en función fundamentalmente, de la posición financiera neta
de los agentes económicos, a saber, acreedor o deudor, ya que este efecto tiene que
ver con las variaciones inducidas en los pagos y rentas por intereses. Por ejemplo,
cuando se produce un incremento en la tasa de interés, los hogares y las empresas
perciben un aumento en su ingreso si tienen una posición financiera neta acreedora
probablemente incrementarán su nivel de consumo e inversión. Sin embargo, si los
agentes económicos son deudores netos, se genera una disminución en sus ingresos y
en consecuencia se reducen tanto el gasto de consumo como de inversión, por parte de
los hogares y empresas, respectivamente. En resumen, el efecto ingreso está
directamente relacionado con el efecto sustitución cuando los agentes económicos son
netamente deudores y tiene una relación inversa cuando son acreedores netos
(Villalobos, et al., 1999).
Por último, con respecto al efecto riqueza, un cambio en la tasa de interés real
genera un efecto riqueza sobre las demandas de los consumidores y de las empresas.
En efecto, un aumento (disminución) en la tasa de interés provoca que el valor presente
neto de los activos disminuya (aumenta) y en consecuencia se genere una disminución
(incremento) del gasto agregado.
En este sentido, el canal por el que los impulsos monetarios de las acciones de
política influye en la estructura temporal de las tasas de interés es complejo, ya que
está afectado por la estructura y el grado de competencia del sistema financiero13, por
la estructura y composición de los créditos a corto y largo plazo en el pasivo de las
empresas y por la percepción que los mercados financieros tengan sobre el carácter
permanente y/o transitorio del cambio en la tasa de interés (Villalobos, et al., 1999).
13
Para un excelente análisis teórico y empírico detallado sobre el papel de la estructura del sistema
financiero en los mecanismos de transmisión de la política monetaria en Venezuela véase a: Rojas y
Rodríguez (1997).
63
2.2.1.2. El canal del precio de otros activos.
Este canal está basado en la existencia de un conjunto más amplio de activos
que el enfoque simple sobre el dinero y los bonos, descrito en el canal de la tasa de
interés. El canal de los precios relativos de otros activos usualmente hace referencia al
precio de los bonos, de las acciones y de los inmuebles (viviendas, edificaciones,
terrenos) por medio del cual las acciones de política monetaria inciden sobre la
demanda agregada y el nivel de precios14.
Dentro de este canal, siguiendo a Mishkin (2008) y a Villalobos, et al., (1999)
suelen mencionar dos importantes vías a través de la cual la política monetaria afectaría
al sector real de la economía, a saber, la teoría q de Tobin (1969), en lo que se refiere
al comportamiento de la demanda de inversión de las empresas y los efectos de la
riqueza sobre el consumo final, sobre la base, de la hipótesis del ciclo de vida de
Modigliani (1966).
La teoría de q de Tobin sobre el nivel de inversión, cuya hipótesis principal, es
que los ajustes del acervo de capital (K) generan costos para las empresas (Romer,
2006), intenta explicar el comportamiento de la demanda de inversión de las firmas, y
por lo tanto, es considerada como un mecanismo relevante por medio del cual las
acciones de política monetaria pueden afectar a la economía a través de sus efectos o
su influencia en el valor de las acciones de las empresas y por este medio en sus
gastos de inversión real (Mishkin, 2008).
Esta teoría, parte de la idea de que el valor de una empresa en el mercado
bursátil ayuda a medir la brecha entre el nivel efectivo de acervo de capital en un
14 Es importante señalar que la literatura reciente en el tema coincide que este canal es generalmente
importante en los países industrializados con mercados de capitales desarrollados y profundos, y en
donde es común que las empresas emitan acciones como una fuente importante de financiamiento y
donde los consumidores suelen participar activamente como demandantes de estos activos financieros,
como una forma de diversificar parte sustancial de su riqueza (Villalobos, et al., 1999) y (Castrillo, et al.,
2008).
64
período dado (Kt) y el nivel deseado de capital en el próximo período (K*t+1) (Sachs y
Larrain, 1994).
En efecto, la q de Tobin, se define como el cociente entre el valor de la empresa
en el mercado bursátil o valor de mercado (costo de adquirir la empresa en el mercado
financiero) y el costo de reposición del capital de la empresa o valor en libros (es decir,
el costo de adquirir la planta y el equipamiento de la empresas en el mercado de
bienes). El coeficiente q es un indicador que refleja, en cierta forma, la rentabilidad de
los nuevos gastos en inversión de la empresa, debido a que representaría el valor
descontado en el presente de los dividendos futuros por unidad de capital que se
espera que pague la empresa en adelante (Sachs y Larrain, 1994).
Una de las formas más sencilla de expresar este coeficiente es de la siguiente
manera:
(2)
Donde:
: Coeficiente de Tobin
: Producto marginal del capital
: Tasa de depreciación real
: Costo de capital o financiero de un préstamo
Suponiendo que existen N empresas idénticas, y que la empresas son
maximizadoras de valor, cada una de estas invertiría en capital real adicional si para
ella se cumple que el coeficiente q es mayor que uno (q > 1), es decir, que su acervo de
capital actual (Kt) es inferior al nivel deseado (K*), es decir, Kt < K*, por lo que al invertir
en nuevo capital estaría incrementando su valor de mercado. Debido a que la empresa
invertiría en primera instancia en los proyectos más rentables, el coeficiente q tendería
reducirse en el tiempo, hasta que las mayores oportunidades de beneficios se agoten,
65
por su parte, cuando el coeficiente q llegue a ser igual a uno (q = 1), la empresa
maximizadora detendría su proceso continuo de inversión o de compra de nuevos
bienes de capital real, ya que su nivel actual coincidiría con el deseado (Kt = K*)
(Villalobos, et al., 1999).
Sin embargo, si el coeficiente q es menor que uno (q < 1), el nivel de acervo de
capital de la empresa sería superior a su nivel deseado (Kt > K*), por lo que la firma
vendería capital en el mercado (inversión real negativa), haciendo que en el margen su
q se incremente, vendiendo continuamente hasta que ese coeficiente se iguale a uno (q
= 1) y por ende (Kt = K*).
En términos generales, por una parte, cuando el valor del coeficiente q es alto, el
precio de mercado de la empresa (en el mercado de capitales) es alto en relación con el
costo de reposición del capital (en el mercado de bienes), y el nuevo capital de plantas
y equipos es relativamente menos costoso con respecto al valor de mercado de las
empresas. Por ende, las firmas pueden entonces emitir acciones y obtener un alto
precio por ellas en relación al costo de las instalaciones y de los equipos que estén
adquiriendo, lo cual contribuye a un aumento de los gastos de inversión, ya que las
empresas pueden comprar una gran cantidad de nuevos bienes de capital con solo una
pequeña emisión de acciones. Por el contrario, cuando el valor q es bajo, las empresas
desistirán de comprar nuevos bienes de capital porque el valor de las empresas (en el
mercado de capitales) es bajo en relación al costo de reposición del capital (en el
mercado de bienes), y por ende, la demanda de inversión por concepto de la compra de
nuevos bienes de capital, serán entonces significativamente baja (Mishkin, 2008).
Ahora bien, luego de analizar, de forma general, el vinculo que existe entre la q
de Tobin y la demanda de inversión, siguiendo a Mishkin (2008) se puede describir la
manera o la forma cómo afecta o incide las acciones de política monetaria, vía el precio
de las acciones y la inversión de las empresas, considerando por separado y con cierta
rigurosidad la explicación desde un enfoque monetarista y keynesiano.
66
Desde un enfoque monetarista cuando la política monetaria es expansiva, los
agentes económicos, manteniendo otros factores constantes, deciden deshacerse de
su dinero gastando, y asumiendo que una de las formas del público de gastar su dinero
es en el mercado de capitales a través de la adquisición de acciones, de esta manera,
se incrementa la demanda de estos instrumentos y en consecuencias sus precios
aumentan.
Por su parte, desde una perspectiva keynesiana, se obtiene la misma conclusión,
dado que el precio de las acciones puede interpretarse como el reflejo del valor
presente descontado de las ganancias futuras esperadas de la empresa, una política
monetaria expansiva, al hacer disminuir la tasa de interés real, reduciría el factor de
descuento de tales ganancias y, por lo tanto, aumentaría su valor presente esperado, lo
que ocasionaría un incremento en el precio de las acciones (Villalobos, et al., 1999).
Al combinar estos resultados, en los cuales independientemente de ambos
enfoques, una política monetaria expansiva genera un incremento en el precio de las
acciones de las empresa (Pacc.), lo cual aumentaría su valor en el mercado de capitales
y consecuentemente se incrementaría el numerador de la ecuación 2 para un
determinado costo de reposición del capital (denominador del coeficiente q) en el
mercado de bienes, incrementándose así el coeficiente q, por lo que los costos de
financiamiento de los gastos de inversión (I), de la empresa a través de la emisión de
acciones se reduciría incrementándose así su demanda de bienes nuevos de capital, y
si el efecto anterior es lo suficientemente generalizado en la economía conduciría a un
incremento de la inversión agregada, y por ende, de la demanda agregada y del
producto real, de forma esquemática el mecanismo anteriormente descrito seria de la
siguiente manera:
Política monetaria expansiva → ↑Pacc. →↑q →↑I → ↑DA → ↑Y (3)
Por otro lado, unos de los primeros estudios en probar la manera en que los
balances generales de los hogares afectan sus decisiones de gastos fue la hipótesis del
67
ciclo de vida de Franco Modigliani (1963), esta teoría se basa en que los gastos de
consumo (y por lo tanto las decisiones de ahorro) de los agentes económicos, en un
período arbitrario de sus vidas, reflejan su intento más o menos consciente por lograr la
distribución preferida de estos gastos, y que dichas erogaciones no dependen del
ingreso que se perciba en ese período sino de las expectativas sobre los ingresos que
espera generar durante toda su vida, los cuales se componen de capital humano,
capital real y riqueza financiera. Además, esta hipótesis supone que el ingreso tiende a
variar de modo sistemático a lo largo de la vida de los agentes económicos y, por tanto,
el comportamiento de dichos agentes en cuanto al ahorro queda determinado por la
etapa por la que estén atravesando en su ciclo de vida.
Al mismo tiempo, esta hipótesis implica que el consumo (definido como la
sumatoria de los gastos en: bienes de consumo no durables y en servicios y, el valor de
los bienes de consumo poseídos por los hogares) puede expresarse como una función
lineal del ingreso laboral esperado, neto de impuestos, y de la riqueza neta y que
además se asume que los consumidores suelen participar de manera activa y con
mucha frecuencia como demandantes de acciones en el mercado de capitales, como
una forma de diversificar una parte significativa de su riqueza (Villalobos, et al., 1999).
En este canal las acciones de política monetaria que influyen en el consumo
operan a través de su efecto en el valor de mercado de las acciones de las empresas,
las cuales se suponen que son un componente importante de la riqueza, afectando así
sus recursos patrimoniales en el horizonte temporal de todo el ciclo de vida de los
agentes económicos e incidiendo en sus niveles de consumo. En efecto, una política
monetaria expansiva, por ejemplo, incrementaría el precio de las acciones de las
empresas15, incrementando la riqueza de los consumidores que poseen estos activos
financieros, lo que motiva un mayor gasto de consumo y por ende la demanda
agregada y el producto, esquemáticamente este canal se puede representar de la
siguiente forma:
15
Por los argumentos descritos en la teoría de la q de Tobin.
68
Política monetaria expansiva → ↑Pacc. →↑Riqueza →↑C → ↑DA → ↑Y (4)
2.2.1.2.1. El canal del precio de los bienes inmobiliarios (bienes raíces).
Los canales de riqueza y de la q de Tobin permiten una definición general de
patrimonio, de tal modo que puede aplicarse al mercado de vivienda y de inmuebles en
general, donde éstos representan el capital. En efecto, un incremento en los precios de
las viviendas, que aumentan sus precios en relación con el costo de reemplazo,
conduce a un incremento en el coeficiente q de Tobin para las empresas dedicadas a
este tipo de actividad, estimulando de este modo su producción. De forma similar, los
precios de las viviendas y de los terrenos son componentes extremadamente
importantes de la riqueza de los agentes económicos y, por consiguiente, los aumentos
en estos precios incrementaran la riqueza neta y el nivel de consumo. En este sentido,
una política monetaria expansiva incrementaría, por una parte, el precio de las
viviendas en relación con su costo de reemplazo (por las razones estipuladas en la
teoría de la q de Tobin), y por otra parte, la riqueza, a través del mecanismo de riqueza
descrito anteriormente, lo cual conduce a un incremento en la demanda agregada
(Mishkin, 2008).
De forma general, el gasto de los agentes económicos esta determinado no sólo
por el ingreso que perciben y las expectativas sobre éste, sino también de la riqueza
que posee, en este sentido un cambio en la tasa de interés como consecuencia de
acciones de política monetaria, pueden llevar a variaciones en el valor de mercado del
saldo neto de activos tanto reales como financieros de los agentes, lo que afecta
directamente su riqueza, y por consiguiente, sus patrones de gastos, así como también
la posibilidad de endeudarse y el deseo de prestar fondos, cabe resaltar, que el efecto
riqueza, puede ser relativamente fuerte cuando los activos sirven como colaterales (o
garantías) a los préstamos bancarios. Igualmente, cambios en la tasa de interés pueden
originar cambios en las rentas de los activos financieros y en los costos de los pasivos
financieros, lo cual probablemente producirá un efecto ingreso en los agentes
69
económicos, que estará en función de su posición financiera neta (según sea acreedor
o deudor) e influirá en sus decisiones de gastos (Rojas y Rodríguez, 1997).
2.2.1.3. El canal del crédito.
El canal tradicional de la tasa de interés como mecanismo de transmisión de la
política monetaria no considera explícitamente la existencia del sector financiero, en
dicho canal, todos aquellos proyectos de inversión que resultan rentables a la tasa de
interés (costo del capital) vigente se realizan, en este sentido, la fuente de
financiamiento no es un factor relevante para los planes de gasto de inversión de las
empresas, por lo que se supone implícitamente un mercado financiero perfecto
(información perfecta y simétrica y, ausencia de costos de transacción).
El canal del crédito se fundamenta en el papel específico que desempeñan los
intermediaros financieros (en especial los bancos) como una respuesta eficiente en la
economía para resolver (o minimizar) los problemas de información asimétrica entre
acreedores y deudores16, los costos de transacción y el monitoreo asociado, entre otros
factores; por su parte, la existencia de intermediarios financieros reconoce
explícitamente al menos dos fuentes de financiamiento para las empresas: el
financiamiento externo o indirecto (vía créditos bancarios) y el financiamiento interno o
directo (vía fondos propios de utilidades no distribuidas o por la interacción directa con
los acreedores emitiendo bonos o acciones) (Mies, et al., 2002).
En este sentido, tal como señala Bernanke y Gertler (1995), siempre que existan
imperfecciones en el mercado financiero, se va a presentar un diferencial entre el costo
de los recursos obtenidos a través de las fuentes de crédito y el costo oportunidad de
los recursos generados internamente por las empresas (patrimonio), el cual reflejará los
16
Sin embargo, la existencia de intermediarios entre los inversores finales y las empresas supone que
nos enfrentamos con un doble problema de información asimétrica: el que existe entre los intermediarios
y las empresas y, el que se origina entre los individuos y los intermediarios (Romer, 2006).
70
costos relacionados con el problema de principal-agente que existe comúnmente entre
prestamistas y prestatarios.
El elemento fundamental en este canal, es que la forma de financiamiento
externo o indirecto, la cual se asume de manera implícita en el canal de la tasa de
interés, puede verse restringida parcial o totalmente para las empresas, lo que
generaría una disminución en el nivel de inversión, pero no como consecuencia de la
rentabilidad del proyecto, sino por el acceso de las mismas al crédito bancario, en un
contexto de imperfecciones o fricciones en los mercados financieros, relacionados con
problemas de información asimétrica, selección adversa y riesgo moral. Por lo que el
costo relativo entre el financiamiento externo/interno será relevante para las decisiones
de inversión de las empresas que no cuenten con recursos internos suficientes para la
financiación de sus proyectos, originando efectos distributivos en la economía.
En concreto, se podría afirmar que el canal de transmisión del crédito se
encuentra estrechamente relacionado con el canal tradicional de la tasa de interés, ya
que está constituido por un conjunto de factores que amplifican y propagan los efectos
convencionales de la tasa de interés (Villalobos, et al., 1999), en un contexto de
imperfecciones en el mercado financiero.
En la literatura del enfoque del canal del crédito como mecanismo de transmisión
monetaria, existen dos tipos de canales o corrientes: aquellos que operan a través de
los préstamos bancarios (enfoque restringido) y aquellos que funcionan a través de los
efectos sobre los balances generales de las empresas y de los hogares (enfoque
ampliado) (Mishkin, 2008).
2.2.1.3.1. El canal del préstamo o crédito bancario (enfoque restringido).
En el canal de préstamos bancarios se destaca el papel específico que
desempeñan los bancos en el sistema financiero, como instituciones especializadas y
71
bien capacitadas para resolver los problemas de información asimétrica en los
mercados de créditos. Este canal estudia los efectos de los problemas de información
entre los bancos y los proveedores de sus fondos (Arreaza, et al., 2006); el mecanismo
del crédito bancario afirma que la política monetaria no solo tiene efectos sobre la
demanda agregada, por medio de su influencia en las tasas de interés de corto plazo,
sino que también modifica la disponibilidad o los términos sobre los cuales se contratan
y negocian nuevos créditos bancarios lo cual tiene un efecto adicional sobre la actividad
económica (Mayorga y Torres, 2004), entre los principales supuestos en que opera
este canal17 se destacan:
Existen tres activos: dinero, bonos y préstamos bancarios.
Los préstamos bancarios y los bonos son sustitutos imperfectos.
Existen empresas que sólo pueden financiarse mediante préstamos bancarios
(son dependientes de crédito).
La autoridad monetaria debe ser capaz de afectar la oferta de crédito, para lo
cual no debe existir en el balance de los bancos otro activo sustituto perfecto del
crédito a las empresas (Villalobos, et al., 1999).
El canal de préstamos bancarios establece que la autoridad monetaria tiene la
capacidad de inyectar o restringir (retirar) liquidez a la economía y que esto afecta la
disponibilidad de fondos del sistema bancario total, y si esta menor disponibilidad de
fondos no puede ser compensada mediante otras formas de financiamiento, sin incurrir
en costos adicionales, generará una contracción en la oferta de fondos prestables del
sector bancario (Mayorga y Torres, 2004).
En efecto, una disminución en la cantidad de dinero genera un efecto contractivo
en las reservas de los bancos y por ende en los depósitos bancarios del público, lo cual
17
Para un análisis completo de este canal véase a Bernanke y Blinder (1988) los cuales desarrollan un
modelo formal sobre las implicaciones del mecanismo del crédito bancario, Mayorga y Torres (2004) que,
basado en estos autores, realizan una excelente explicación tanto a nivel teórico como empírico para la
economía costarricense y, a Pagliacci et al., (2011) los cuales desarrollan un marco analítico adaptado
para el caso venezolano sobre la base del modelo original de Bernanke y Blinder (1988).
72
crea la necesidad por parte de los bancos de acceder a fuentes de fondos alternativos
con el objeto de mantener el nivel préstamos, en este caso, si las otras alternativas de
fondos son escasos o no se encuentran disponibles y/o en caso de estar disponible su
costo es relativamente alto (es decir, no son sustitutos perfectos de los depósitos), es
probable que los bancos reduzcan su oferta de crédito, afectando negativamente las
decisiones de gastos de inversión y de consumo (de bienes durables) de aquellos
agentes económicos que dependen fundamentalmente de los préstamos bancarios
ocasionando una caída en la demanda agregada. Esquemáticamente el efecto de una
política monetaria restrictiva a través de este canal se puede representar de la siguiente
forma:
↓M → ↓Depósitos bancarios→ ↓Préstamos bancarios→ ↓I , ↓C → ↓DA→ ↓Y (5)
Sin embargo, en cuanto al efecto anteriormente señalado, cabe resaltar que las
acciones de política monetaria a través de este canal tiene efectos distributivos
desiguales sobre la economía, en el sentido, de que, por una parte, la compensación de
una reducción de los depósitos bancarios mediante fuentes de fondos alternativas
podría ser más difícil para bancos relativamente más pequeños e ilíquidos que para
bancos más grandes, líquidos y más capitalizados (Arreaza, et al., 2006) y, por otra
parte, que una disminución en la oferta de créditos bancarios afectan particularmente
aquellas empresas que dependen exclusivamente del crédito, independientemente de
la rentabilidad del proyecto de inversión, los cuales generalmente son empresas
pequeñas que dependen más de los préstamos bancarios que las empresas grandes,
las cuales pueden obtener fondos directamente del mercado de capitales, a través de la
emisión de acciones y bonos (Mishkin, 2008).
2.2.1.3.2. El canal del balance general o “hoja de balance” (enfoque ampliado).
El canal de las hojas de balance se deriva de la presencia de información
asimétrica en los mercados de crédito, y de los problemas de riesgo moral entre los
prestamistas (instituciones financieras) y los prestatarios (empresas u hogares), en este
73
sentido, tal como se mencionó en el canal de los precios de otros activos, el valor de
mercado de una empresa depende de sus flujos futuros esperados y del valor de los
activos que posee en su portafolio, los cuales pueden verse afectados por movimientos
en la tasa de interés.
El valor de mercado o el patrimonio, el cual se puede definir como la hoja de
balance, constituye o representa el colateral (garantía) con el cual la empresa puede
enfrentarse al sistema bancario, ya que la situación del balance tiene implicaciones
sobre la capacidad de adquirir préstamos, debido a los problemas de asimetrías de
información y riesgo moral, anteriormente señalados. Este enfoque supone que las
asimetrías de información generan un diferencial entre el costo de los fondos internos
(directo) y el costo de financiación externo (indirecto) y que el diferencial (spread) entre
el costo de los fondos internos y externos dependen inversamente del nivel de riqueza o
patrimonio que el prestatario posee y puede ofrecer como colateral, asimismo, entre
mayores sean las utilidades en las hojas de balance de la empresa menor será la prima
por financiarse externamente y viceversa (Villalobos, et al., 1999).
Dentro de este orden de ideas, un bajo nivel de patrimonio o capital contable de
la empresa significa que los prestamistas tienen un menor colateral para sus préstamos
y por lo tanto, sus pérdidas potenciales resultantes de una selección adversa son más
altas (Mishkin, 2008), en efecto, una disminución en el patrimonio o valor de mercado
(hoja de balance) genera que los incentivos por parte de las empresas de emprender y
participar en proyectos de inversión riesgosos aumenten, ya que los propietarios tienen
una menor participación (recursos propios) involucrado en el proyecto.
Este problema de riesgo moral genera un problema de selección adversa en lo
que respecta a la solicitud de crédito, ya que las empresas cuyo patrimonio o capital se
ha reducido probablemente acudirán con mayor intensidad a las instituciones de
créditos con los proyectos más riesgosos, y debido a que estos hacen más probable
que los prestamos no sean reembolsados a los bancos, una disminución en el
patrimonio o capital de la empresa, en conjunto con la información asimétrica existente
74
entre el prestamista y el prestatario, conduce a una reducción en el nivel de oferta de
crédito y un probable aumento en la tasa de interés (prima exigida de los fondos) y, en
consecuencia en los gastos de inversión.
En este sentido, una política monetaria restrictiva puede inducir un deterioro en la
situación financiera de los prestatarios potenciales afectando sus hojas de balance,
incrementando bien sea, su valor real de endeudamiento o reduciendo el valor de sus
activos y/o flujos de caja futuros, lo cual reducirá el acceso de estos agentes al
financiamiento externo (indirecto) al disminuir su solvencia e incrementar la prima por
riesgo, disminuyendo así los gastos de inversión y por ende la demanda agregada a
causa del incremento en los problemas de selección adversa y de riesgo moral.
Esquemáticamente este canal se representaría de la siguiente forma:
Política monetaria restrictiva → ↓Valor de activos (Pacc.) y/o flujos de caja → ↓Patrimonio
o capital (hoja de balance) → ↑Selección adversa, ↑Riesgo moral →
↓Oferta de créditos→ ↓I→ ↓DA→ ↓Y (6)
Unos de los factores claves de este canal, está relacionado con el efecto
distributivo que genera, ya que no todas las empresas dependen en igual grado al
financiamiento mediante el sistema bancario, en efecto, el impacto sería más
significativo para aquellas empresas en las cuales el problema de información
asimétrica es más fuerte, generalmente empresas pequeñas o recientes y en un
entorno caracterizado con mercados financieros escasamente desarrollados.
Por otra parte, uno de los aspectos relevantes de este enfoque ampliado del
canal del crédito, es que permite la posibilidad de que una política monetaria restrictiva
genere efectos inflacionarios, a través del efecto en aquellas empresas que posean un
alto nivel de apalancamiento bancario que al verse afectadas por un deterioro en su
flujo de caja como consecuencia de un incremento en la tasa de interés de los créditos,
podrían tratar de fortalecer sus niveles de liquidez incrementando el precio de sus
productos a sus consumidores y en función de la importancia o peso relativo de los
75
productos de estas empresas en la canasta de consumo de los hogares o como insumo
(bienes intermedios) en la producción para otras empresas, el incremento en el precio
de venta probablemente podría causar aumentos en el nivel general de precios de la
economía (Villalobos, et al., 1999).
2.2.1.4. El canal del tipo de cambio.
En economías abiertas los movimientos del tipo de cambio, como consecuencia
del entorno externo, de las acciones de política monetaria, o de sus modificaciones
cuando se utiliza como instrumento de política económica son determinantes en unas
series de variables macroeconómicas y aspectos estructurales que inciden en el
comportamiento de la actividad económica y de los precios. Este canal, en término
estricto, es un caso especifico del canal general del precio de otros activos (Mishkin,
2008) ya que el tipo de cambio representa el precio de un activo financiero en particular,
a saber, la moneda de otro país, por lo que, tal como lo señala Mies, et al., (2002),
debido a la importancia del tipo de cambio como precio relativo, es necesario evaluarlo
como un canal de transmisión adicional.
Partiendo del supuesto de un régimen de cambio flexible18, el comportamiento
del tipo de cambio dependerá en gran forma del nivel y los cambios de la tasa de
interés, en este sentido, la influencia de la política monetaria sobre el tipo de cambio
nominal se encuentra condicionada por el grado de apertura de la economía y de la
movilidad de capital (Mundell, 1962). En efecto, el impacto de un cambio en la tasa de
política monetaria sobre el tipo de cambio es incierto ya que dependerá de la evolución
de las expectativas sobre las tasas de interés, y de la inflación interna y, externa, sin
embargo, asumiendo todos los demás factores constantes, un aumento imprevisto de la
tasa de interés domestica ocasionará probablemente una apreciación de la moneda
domestica en el mercado de divisas.
18
Debido a que bajo la premisa de un régimen de tipo de cambio fijo, se afirma teóricamente que la política monetaria es inefectiva, ya que la misma pierde el control sobre la oferta monetaria debido a que ésta junto a la posición de la curva LM serán endógenas (Sachs y Larraín, 1994).
76
Dentro de este orden de ideas, tasas de interés internas (i) relativamente más
altas a las tasas de interés externas (i*) equivalentes19, aumentan el atractivo de los
activos financieros en moneda domestica para los inversionistas extranjeros (debido a
su mayor rendimiento relativo), por lo que el tipo de cambio (E) debería moverse a un
nivel donde los inversionistas esperen una depreciación futura lo suficientemente
significativa de manera tal que iguale el rendimiento esperado entre los activos
financieros internos y los externos. El resultado de las relaciones previamente descritas,
ante un incremento en la tasa de interés interna, ceteris paribus, se genera una
apreciación instantánea de la moneda local, (disminución del nivel del tipo de cambio
nominal) que incrementa consecuentemente los precios de los bienes internos con
respecto a los precios de los bienes externos, generando una caída en las
exportaciones netas (XN), en la demanda agregada (DA) y en el producto (Y) (Mies, et
al., 2002), por su parte, una depreciación de la moneda generaría un efecto expansivo
sobre las exportaciones netas y en la demanda agregada, asimismo, cabe destacar,
que las variaciones en el tipo de cambio afecta directamente a la inflación a través del
componente de los bienes importados en la estructura de gastos de consumo final e
intermedio de los hogares y empresas, respectivamente.
Sin embargo, es importante señalar que los efectos en los movimientos del tipo
de cambio, y por ende en los precios relativos, sobre la demanda agregada y el nivel de
precios en la economía dependerán del grado de elasticidad precio de la demanda de
las exportaciones e importaciones y del grado de apertura de la economía (Villalobos, et
al., 1999).
En este sentido, una política monetaria expansiva, a través de un incremento en
la oferta monetaria (M), que genere una reducción en la tasa de interés interna (i) en el
corto plazo (Romer, 2006), con respecto a la tasa de interés externa (i*), provocará que
los activos externos, denominados en moneda extranjera, sean más atractivos, debido
a su mayor rendimiento relativo, lo cual generará una depreciación en la moneda
domestica (incremento del tipo de cambio (E)) afectando positivamente las
19
Sobre la base de la teoría de la paridad descubierta de la tasa de interés o arbitraje descubierto de la tasa de interés (Salvatore, 1999).
77
exportaciones netas20 (aumentando el nivel de competitividad internacional), la
demanda agregada y el producto. Esquemáticamente este canal y su efecto a través
del enfoque de la demanda agregada (Villalobos et al., 1999) se representarían de la
siguiente manera:
Política monetaria expansiva → ↑M → ↓i → (i < i*) → ↑E →↑XN →↑DA →↑Y (7)
Por el lado de la oferta agregada (OA), los efectos de los movimientos del tipo de
cambio nominal sobre el nivel de producción y los precios dependen de cómo estos
movimientos incidan en los costos de producción y los márgenes de beneficios de las
empresas.
Con respecto a los efectos del tipo de cambio sobre la estructura de costos de
las empresas, se tiene que variaciones cambiarias alteran el precio en moneda local de
las materias primas importadas afectando la estructura de costos de producción
(consumo intermedio) de las empresas, por lo que una depreciación de la moneda
incrementa el precio de los insumos y por ende los costos de producción (Villalobos et
al., 1999). Sin embargo, es importante resaltar, que dicho aumento de los costos de
producción estará en función del componente importado de los insumos dentro de la
estructura de consumo intermedio de la cuenta de producción de las empresas y del
grado de sustitución relativa existente entre los insumos internos y externos.
Así mismo, los cambios en el tipo de cambio nominal alteran los precios de los
bienes de consumo final importados y, por ende al nivel general de precios al
consumidor y a los salarios reales, en efecto, una depreciación de la moneda local
(aumento del tipo de cambio) incrementa los precios de los bienes importados
incidiendo en el nivel general de precios al consumidor en función de su importancia
relativa dentro de la estructura de gastos de consumo final promedio de bienes y
servicios (canasta) de los hogares, por su parte, un incremento en el nivel general de
precios, manteniendo los demás factores constantes, afecta inversamente al salario real
20
Además de generar un cambio en la asignación de la demanda entre bienes importados y domésticos.
78
(W/P), y en el caso de que los salarios nominales (W) posean cierta grado de indización
con los precios, se generarían presiones para incrementar los salarios nominales con el
propósito de recuperar la pérdida de poder adquisitivo, dicha presión al alza de los
salarios afectaría los costos de producción aumentándolos, dependiendo, claro está, de
las características institucionales del mercado de trabajo y de la estructura contractual
de determinación de los salarios en la economía (Villalobos et al., 1999).
En lo que se refiere, a los efectos de las variaciones del tipo de cambio con
relación a los márgenes de ganancias o beneficios de las empresas y el nivel de precios
en la economía, siguiendo a Villalobos et al., (1999), un cambio en el nivel del tipo de
cambio nominal afectará los precios internos en función del grado de sensibilidad de los
márgenes de beneficios de la actividad empresarial y del grado de competencia en la
industria nacional, en efecto, ante una depreciación de la moneda, el incremento en el
nivel general de precios de la economía dependerá de si los empresarios nacionales
deciden o no trasladar los mayores costos de los insumos intermedio a los precios de
ventas (manteniendo sus márgenes de beneficios) o si deciden sacrificar sus márgenes
con el propósito de no incrementar el precio de los bienes que producen, estas
decisiones empresariales estarán condicionadas por la etapa del ciclo de la demanda
interna y externa que se esté atravesando y de las expectativas de las modificaciones
en el tipo de cambio por parte de los productores, entre otros factores.
En concreto, una depreciación de la moneda disminuiría, en el corto plazo, la
oferta agregada mediante mayores costos de producción como consecuencia del
aumento de los bienes intermedios y de consumo final importados y, de los mayores
costos salariales, incrementando el nivel general de precios y contrayendo el nivel de
producción. En forma sintética el canal del tipo de cambio, bajo el enfoque de la oferta
agregada se representaría así:
Política monetaria expansiva→ ↑M→ ↓i → (i < i*) → ↑E →↑Precio de bienes intermedios
importados, ↑Precio de bienes de consumo importados→↑P→↓W/P→ Presión al alza
de los W→↑Costos de producción→↑P, ↓DA, ↓OA (8)
79
Adicionalmente, las variaciones en el tipo de cambio pueden producir efectos
renta y riqueza en la economía, a través de la posición financiera neta de los agentes
económicos, en efecto, si los agentes poseen relativamente más activos financieros
denominados en moneda extranjera que pasivos, el efecto riqueza será positivo,
afectando así la hoja de balance de las empresas, lo que estimulará positivamente el
nivel de consumo y facilitará el acceso al crédito bancario, de manera opuesta, si los
agentes poseen más pasivos financieros denominados en moneda extranjera que
activos, el efecto riqueza será negativo, lo que afectará negativamente el consumo y
dificultará el acceso al crédito bancario. Por su parte, los agentes económicos
dispondrán de un flujo financiero neto positivo (negativo) a través de ingresos (egresos)
en moneda extranjera si su posición financiera neta con el exterior es favorable
(desfavorable) (Rojas y Rodríguez, 1999).
Es importante señalar que este canal de transmisión monetaria puede provocar
efectos heterogéneos en distintos sectores, actividades económicas y regiones en la
economía. En efecto, sectores o actividades dedicados a la producción de bienes
transables serán más sensibles a los efectos de precios relativos de las variaciones en
el tipo de cambio, asimismo, aquellas regiones dentro de una economía en donde
existe una alta participación de la producción de bienes transables con respecto al total
de la producción de la localidad, serán aquellas más sensibles a los movimientos del
tipo de cambio, igualmente ocurrirá con aquellas actividades o sectores en lo que en
sus estructura de consumo intermedio poseen un alto componentes de bienes
intermedios importados.
Finalmente, otro aspecto a considerar sobre este canal, es que el análisis
convencional se refiere al tipo de cambio nominal, en este sentido, la distribución de
ese movimiento entre variaciones en los precios relativos y el tipo de cambio real jugará
un papel fundamental en los efectos reales de este mecanismo, adicional a su
transmisión a un nivel de inflación más alto. En efecto, si un incremento del tipo de
cambio nominal se transmite de forma integra a la inflación interna, el efecto de la hoja
de balance será suavizado ya que el aumento del valor de la deuda en moneda
80
extranjera se verá compensado por un incremento proporcional de la misma al
convertirse en moneda domestica. Situación similar ocurrirá con el sector exportador,
toda vez que el tipo de cambio real (el precio relativo relevante) permanecerá constante
(Mies, et al., 2002).
En concreto, el canal del tipo de cambio tiene dos efectos diferenciados, el
primero, tiene que ver con el impacto en el sector real debido al cambio en los precios
relativos lo cual conduce a una reasignación de recursos entre bienes importados y
domésticos y, con relación a las exportaciones, y, eventuales efectos de portafolio, el
segundo, se refiere a su traspaso directo a la inflación, a través del precio de los bienes
domésticos y los componentes de costos, cabe destacar que ambos efectos no son
independientes ya que mientras mayor sea el impacto sobre la inflación de un
determinado cambio del tipo de cambio nominal, menor será la variación del tipo de
cambio real, que es el precio relevante para la reasignación de recursos (Mies, et al.,
2002).
2.2.1.5. El canal de expectativas de los agentes económicos.
Las expectativas de los agentes económicos han estado implícitas en todos los
canales anteriormente descritos, de allí que resulta complejo clasificar las expectativas
como un canal en sí mismo, sin embargo, teóricamente resulta útil considerarla como
un canal de transmisión por separado, desde una perspectiva de equilibrio parcial21, de
manera de conocer sus efectos sobre el nivel de precios y la actividad económica.
Este canal se refiere, por una parte, en la forma en que las acciones de política
de la autoridad monetaria, a través de sus instrumentos, inciden en las expectativas que
sobre la inflación se forman los agentes económicos, lo que a su vez influye en el
proceso de formación de precios y salarios, en las tasas de interés de largo plazo, y en
21
Sin embargo, se debe considerar la estrecha relación y los efectos interdependientes que ejerce sobre
los distintos canales de transmisión y sus efectos sobre la conducción de la política monetaria en
particular, de la política económica en general y sobre la economía.
81
el nivel del tipo de cambio, afectando el nivel de precios y la actividad económica. Por
otra parte, este canal se concentra principalmente en la influencia que ejercen los
anuncios y/o señales que emite el Banco Central con relación a la orientación de la
política monetaria sobre las expectativas inflacionarias de los agentes económicos,
generalmente supone que estos poseen un conocimiento relativamente completo de las
relaciones prevalecientes y futuras de la economía, por lo que sus expectativas se
forman racionalmente, aprovechando o haciendo uso eficiente de toda la información
disponible, por lo tanto en promedio no cometen errores al predecir el futuro, desde este
enfoque y a diferencia de los otros canales de transmisión monetaria, el Banco Central
prescinde del uso de instrumentos monetarios (Villalobos et, al., 1999).
En efecto, a partir de los anuncios realizados por el Banco Central se emiten
señales hacia todos los agentes económicos, la propia credibilidad de la autoridad
monetaria será un factor imprescindible en este canal en cuanto a la determinación de
las expectativas de los agentes económicos sobre la evolución del nivel de precios y de
la actividad económica, una vez formadas las expectativas los agentes comenzaran a
actuar en el mercado laboral y financiero de manera de reforzar o atenuar según sea el
caso, la dirección y los efectos nominales y reales de los anuncios y/o acciones
monetarias del Banco Central favoreciendo o perjudicando el objetivo de estabilidad de
precios. El esquema de este canal siguiendo a Villalobos, et al., (1999) se representaría
de la siguiente forma:
Anuncios de Política monetaria → Señales → Expectativas → Condiciones de los
contratos laborales y financieros → ↑Estabilidad de precios (9)
En este sentido, existen tres maneras por medio de las cuales las expectativas
pueden influir en el objetivo de estabilidad de precios, la primera, tiene que ver cuando
las expectativas inflacionarias se incluyen en las negociaciones laborales, en este caso
y partiendo del supuesto de que los agentes perciben una tasa de inflación esperada
relativamente baja, estos las incorporaran en las negociaciones salariales y dado la
82
participación relativa de los costos laborales en los costos de producción de las
empresas se genera una menor presión en los precios de la economía.
En segundo lugar, la inflación esperada tendrá un efecto significativo sobre la
tasas de interés de largo plazo, ya que los agentes económicos imputarán a dichas
tasas las pérdidas potenciales de capital que como consecuencia experimentará el
principal de la deuda por la pérdida de poder adquisitivo (Rojas y Rodríguez, 1997), así
una menor inflación esperada induce a una disminución en las tasas de interés,
reduciendo, entre otros efectos, el costo de financiamiento de la administración pública
y del déficit fiscal, reduciendo así la presión sobre la inflación, finalmente, las menores
expectativas sobre la inflación logran estabilizar el tipo de cambio y sus efectos sobre
los precios (Villalobos, et al., 1999).
Así mismo, es importante señalar que la dirección y los efectos de las
expectativas sobre el curso futuro de la economía son difíciles de predecir y pueden
variar en el tiempo, de allí que para influir positivamente en las expectativas se suelen
considerar tres requisitos fundamentales: primero, que exista credibilidad en los
anuncios sobre la política monetaria realizado por las autoridades, segundo, que la
política monetaria sea dinámicamente consistente, y tercero, que esta sea transparente
en el sentido de dotar a los agentes económicos de información precisa y clara sobre
las medidas de política.22
Finalmente, en la figura 1 se presenta de forma esquemática y resumida los
mecanismos de transmisión de la política monetaria, mecanismos que genera la
autoridad monetaria a partir de sus acciones de política, a través de sus herramientas
de política y sus instrumentos directos, según su estrategia operativa, pasando por los
canales de transmisión más relevantes, hasta afectar a las variables finales de política,
a saber, la actividad económica agregada (PIB) y su tasa de crecimiento, la tasa de
22
Para un análisis detallado sobre cómo tratar el problema de incoherencia o inconsistencia dinámica de
la política monetaria, basado en modelos de reputación, así como también los efectos de la
independencia del Banco Central sobre la inflación y aspectos relacionados con la credibilidad y
transparencia de la autoridad monetaria véase a Romer (2006) “La inflación y la política monetaria”.
83
Región n
Región 2
Acciones de política
monetaria
Operaciones de
Mercado Abierto
(OMA)
Redescuento
Encaje Legal
Anuncios de
Política
Tasa de interés de
Política Monetaria
(TPM)
Tasa interbancaria
(TO)
Reservas
bancarias
excedentes (RBE)
Base Monetaria
(BM)
Circulante
Monetario (M1)
Liquidez
Monetaria (M2)
Canal de la
tasa de
interés
Canal del
precio de los
activos
Canal del
crédito
bancario
Canal del
tipo de
cambio
Canal de las
expectativas
Actividad
Económica (PIB)
Tasa de Inflación
Nivel de Empleo
Equilibrio Externo
Actividad Económica 2
Actividad Económica n
Región 1
Actividad Económica 1
Bienestar
Económico
Canales de transmisión Variables finales de política
Efectos sectoriales
Efectos regionales
inflación, el nivel de empleo y el equilibrio externo, los cuales son los principales
determinantes del bienestar económico. Generando en dicho proceso de transmisión,
probablemente, efectos diferenciados y asimétricos, ocasionados accidentalmente o de
forma involuntarias, sobre los diferentes sectores productivos y regiones, toda vez que
la autoridad monetaria no busca actuar, generalmente, a favor o en contra de sectores
o regiones específicas y sólo responde a los cambios agregados de la economía.
Figura 1
Mecanismos de transmisión de la política monetaria
Fuente: Elaboración propia (2013).
2.2.2. Un modelo teórico para analizar las estrategias de política monetaria23.
Para el análisis teórico de las estrategias eficientes de política monetaria se
utilizará el enfoque nuevo keynesiano (Olivo, 2011) a través de los modelos derivados a
partir de fundamentos microeconómicos de agentes representativos, con el objeto de
23
Esta sección se basa principalmente en el excelente análisis teórico desarrollado en Olivo (2011).
84
derivar la ecuación IS, mediante un enfoque de optimización de las decisiones de
consumo (Romer, 2006), que comúnmente se utiliza en el modelo de los nuevos
keynesianos con agentes que miran hacia adelante o al futuro (Forward looking model),
esta ecuación IS es utilizada como una representación de la ecuación de demanda
agregada en este enfoque (Romer, 2006). Luego, a través del modelo de Calvo (1983)
se deriva la curva de Phillips24, a partir de fundamentos microeconómicos, con el
propósito de obtener la curva de oferta agregada de la economía con rigideces de
precios en el corto plazo.
Una vez obtenida estas dos ecuaciones de demanda y oferta agregada, en
conjunto con una función de perdida inter-temporal del formulador de política, que
describen, en cierta forma, la estructura subyacente de la economía, se procede a
analizar tanto el modelo nuevo keynesiano que mira hacia el futuro (forward looking
model) como el modelo que mira hacia atrás25 (backward looking model) evaluando la
política optima bajo discreción que constituye el caso general de otras estrategias de
política monetaria.
2.2.2.1. Modelos nuevo keynesianos (neokeynesianos) dinámicos y la derivación de la
ecuación de demanda agregada.
Los fundamentos microeconómicos de la nueva demanda agregada, o IS, están
basados en decisiones óptimas de consumo. Esta demanda agregada, más la curva de
Phillips, que describe una curva de oferta agregada de corto plazo con rigideces de
precios, y una regla de política monetaria constituyen la base de lo que en la actualidad
24
Tal como señala Olivo (2011:131): “La curva de Phillips es una pieza vital del enfoque nuevo keynesiano, que en la actualidad es el más influyente para analizar el diseño de la política monetaria, tanto en el ámbito académico como de los bancos centrales. Como lo señalan Froyen y Guender (2007), la etiqueta de “nuevo keynesiano” sugiere que este enfoque se caracteriza por la inclusión de algún tipo de rigidez nominal que es instrumental en la propagación de los shocks a través de la economía.” 25
Ya que este modelo trata de incorporar la evidencia empírica que indica que la tasa de inflación y la brecha de la producto corrientes se vinculan con sus valores pasados, y que además generalmente se argumenta con frecuencia que la política monetaria tiene efectos retardados (con desfases), en el sentido que un cambio en la política monetaria no afecta al producto real y la tasa de inflación contemporáneamente (Olivo, 2011).
85
se conoce como nuevos modelos keynesianos de política monetaria (De Gregorio,
2007).
El presente modelo está basado en Romer (2006), en el cual el tiempo es
discreto. En cada uno de los períodos, unas empresas imperfectamente competitivas
producen bienes utilizando el trabajo como único factor productivo, por lo tanto, la
función de producción implica que la producción agregada y el trabajo agregado son
iguales. Se supone que no existe sector público en esta versión del modelo26, lo que
combinado además con el supuesto de que no hay capital, y por ende inversión, implica
que el consumo agregado y la producción agregada son iguales (Romer, 2006 y Walsh,
2003). Para objeto de simplificación, se prescinde de la posibilidad de que exista
incertidumbre. Los hogares maximizan su utilidad tomando como dada la evolución de
los salarios reales y de las tasas de interés reales. Las empresas maximizan el valor
presente descontado de sus beneficios, sujetas a ciertas restricciones sobre el proceso
de fijación de precios y la evolución de la tasa de interés real depende de la política
monetaria aplicada por el Banco Central (Romer, 2006).
En este modelo hay un número fijo de hogares que viven eternamente y que
obtienen utilidad del consumo y desutilidad del trabajo. La función objetivo del hogar
representativo es:
(10)
Donde es el factor de descuento, y es la tasa de descuento;
satisface y y refleja el supuesto de que la aversión relativa al
riesgo es constante27:
26
Sin embargo, la exclusión del sector público para los efectos de este estudio no afectan en gran medida los resultados que se quieren resaltar del modelo. Para un análisis y derivación de la ecuación de demanda agregada con la inclusión del sector público (o Gobierno) véase a De Gregorio (2007). 27
Para un breve análisis sobre la función de utilidad con aversión relativa al riesgo constante véase a: Nicholson (1997).
86
(11)
En este caso es un índice de consumo que depende de cuál sea la
composición del consumo de la economía domestica (interna). Por su parte, un
aumento de la oferta de trabajo en el período incrementa el nivel de ingreso real
del hogar en una cuantía , donde es el salario nominal y es el nivel de
precios (que corresponde a un índice de los precios de todos los bienes). La condición
de primer orden (CPO) de la oferta de trabajo en el período es:
(12)
En equilibrio, , donde es la producción agregada. Si se combina
este hecho con la ecuación (12), se puede conocer cuál es el salario real para un nivel
de producción dado:
(13)
Para hallar la condición de primer orden que relaciona y se puede utilizar
la ecuación de Euler, la cual para resolver el problema inter temporalmente, se parte de
la siguiente expresión:
(14)
En la expresión anterior la utilidad que tiene el individuo o el hogar representativo
en el período t que llamaremos , depende de y . Y con el supuesto de que la
utilidad es con aversión relativa al riesgo constante podemos expresar la función de
utilidad intertemporal del hogar representativo como:
87
(15)
Considerando que el consumo del hogar (representativo) en el período de
su vida es:
(16)
Donde es la tasa de interés real desde hasta , y la expresión
representa el ahorro en el período , al dividir ambos lados de la ecuación entre
y pasar al lado derecho obtenemos la restricción presupuestaria intertemporal
individual o del hogar representativo:
(17)
Esta condición afirma que el valor presente del consumo a lo largo de la vida es
igual a la riqueza inicial (que es cero en este modelo) más el valor presente del ingreso
laboral de toda la vida ).
El hogar representativo maximiza la utilidad, (15), respetando la restricción
presupuestaria, (17). Para resolver este problema de maximización, tal como se
mencionó anteriormente se utilizará la derivación intuitiva de la ecuación de Euler
(Romer, 2006). En concreto, se puede imaginar que el individuo (o el hogar
representativo) disminuye (en el período presente) en una cantidad pequeña
(formalmente, infinitesimal) igual a y luego emplea el ahorro adicional y el
correspondiente rendimiento de su ahorro para elevar el consumo en el período ,
en una cantidad igual a . Este cambio no altera el valor presente del
consumo del individuo (o del hogar representativo) a lo largo de toda su vida. De modo
que si el comportamiento del individuo es optimizador, el coste de utilidad del cambio
debe coincidir con el beneficio obtenido. Si el coste fuera menor al beneficio, el
88
individuo podría aumentar su utilidad haciendo el cambio; si por otra parte, el coste
fuera mayor al beneficio, el individuo podría realizar el cambio opuesto (Romer, 2006).
Las contribuciones marginales de y a la utilidad (ecuación 15) a lo largo
de la vida son y , respectivamente. De manera que a medida que
se aproxima a cero , el coste de utilidad del cambio se aproxima a y el
beneficio en términos de utilidad se aproxima a . Según lo
anteriormente descrito, si el comportamiento es óptimo, el coste de utilidad ha de
coincidir con el beneficio. Así pues, la optimización requiere que se cumpla la ecuación:
(18)
Dividiendo ambos lados de la ecuación entre y multiplicando por , se
obtiene:
(19)
La cual se podría expresar como:
Otra forma de resolver el problema de maximización del hogar representativo
consiste en formular el langragiano:
(20)
89
Las condiciones de primer orden (CPO) para y son:
(21)
(22)
Al reemplazar la ecuación (21) en la (22), el resultado es:
(23)
Reorganizando esta ecuación se puede obtener la ecuación (19), la cual
caracteriza el comportamiento optimizador por parte del individuo (o del hogar
representativo), asimismo, reordenado la ecuación (19) o (23) se obtiene:
(24)
Si se supone que , es decir, que , se tiene finalmente la siguiente
expresión:
(25)
Si se toma logaritmos en ambos lados de la expresión y se despeja , se
obtiene:
(26)
90
Considerando que para valores pequeños de , . Si se trata esta
expresión como si fuera exacta y se recurre de nuevo al hecho de que, en equilibrio, el
consumo y la producción deben ser iguales, se tiene:
(27)
La ecuación (27) es conocida como la curva IS neokeynesiana. A diferencia de lo
que ocurre con las curvas IS convencionales, esta curva se deriva, tal como se pudo
apreciar, a partir de fundamentos microeconómicos (Romer, 2006). Su principal
diferencia con la curva IS convencional es la presencia de en el lado derecho de la
ecuación28. Esta es precisamente la ecuación IS que aparece en el modelo de los
nuevo keynesianos con agentes económicos que miran hacia el futuro (forward looking)
(Olivo, 2011) y que es también conocida como la ecuación de demanda agregada
“forward looking” porque que mira hacia el futuro29 (De Gregorio, 2007).
2.2.2.2. El modelo de contratos escalonados de Calvo y la curva de Phillips nueva
keynesiana30.
Esta forma de ajuste de precios fue propuesta por Calvo (1983)31 y “con el
tiempo ha pasado a ser el estándar en modelos teóricos con rigideces de precios, ya
28
Esta curva también se puede derivar, mediante el enfoque de la nueva economía clásica (Olivo, 2011) a través de los modelos optimizadores derivados a partir de fundamentos microeconómicos de agentes representativos basado en los modelos neoclásicos de crecimiento económico de Ramsey (1928) y Solow (1956), específicamente el modelo del dinero en la función de utilidad, originalmente desarrollado por Sidrauski (1967), –Money in the utility function– (MIU model). De igual forma McCallum y Nelson (1999) han derivado la curva IS neokeynesiana. Por su parte, esta ecuación en condiciones de incertidumbre e introduciendo los supuestos adecuados, se puede reemplazar por más una constante. 29
Esta ecuación también suele ser expresada en términos de la brecha (gap) del producto, es decir, la diferencia entre su valor observado y su valor tendencial de largo plazo o potencial (Walsh, 2003:244), el cual es precisamente el enfoque que utilizaremos más adelante para analizar las estrategias de política. 30
Existen otros modelos de ajustes de precios tales como: el de precios predeterminados de Fisher (1977) y el de precios fijos de Taylor (1980), que dependen del paso del tiempo, así como también el de Caplin-Spulber (1987) en donde la fijación de precios depende de la situación, es decir, los precios cambian no cuando transcurren ciertos intervalos de tiempo, sino cuando se producen ciertos acontecimientos en la economía (Romer, 2006) y el de ajustes cuadráticos de precios de Rotemberg (1982), entre otros, los cuales pueden ser consultados en Romer (2006), Olivo (2011), Walsh (2003) y De Gregorio (2007).
91
que resuelve el problema de la agregación y permite ser incorporado en los modelos de
equilibrio general” (De Gregorio, 2007:605-606).
En este modelo, cada empresa mantiene su precio fijo hasta que recibe una
señal de naturaleza aleatoria32 que le indica que puede alterar el precio. Los cambios
de precio son, por tanto, escalonados, y al fijar su precio cada empresa toma en cuenta
los precios que otras empresas van a cargar hasta que tengan la oportunidad de alterar
sus precios otra vez. Y dado como los precios de las otras empresas fueron fijados en
el pasado, la empresa que aleatoriamente está fijando los precios en un período dado,
toma en cuenta los precios rezagados (Olivo, 2011).
La probabilidad de que una determinada empresa reciba una señal en cualquier
período en particular de tiempo es . Si se parte del supuesto de que existe un
suficiente número de empresas, también representa la fracción de firmas que pueden
cambiar precios en un período dado. Las empresas se supone que enfrentan curvas de
oferta de pendiente positiva, es decir, con costos marginales crecientes (Olivo, 2011).
Por tanto, la empresa escoge su precio de acuerdo a la siguiente expresión:
(28)
Donde:
: es el logaritmo natural del nivel de precios.
: es el logaritmo natural de la desviación del producto agregado con respecto a
su tendencia.
: es una perturbación (shock) aleatorio con media cero y varianza constante .
El nivel agregado de precios es:
31
La derivación de este modelo se puede encontrar en Roberts (1995). 32
El proceso de llegada de esta señal generalmente se describe a través de un proceso de Poisson tal como se puede apreciar en: (Walsh, 2003), (De Gregorio, 2007) y en el capítulo 7 de Romer (2011) titulado: “Dynamic stochastic general-equilibrium models of fluctuations”.
92
(29)
Suponiendo que es observable en el período , las ecuaciones (28) y (29)
implican dos ecuaciones de movimiento (motion equations) (Olivo, 2011). La primera
para se deriva de la siguiente forma a partir de (39):
(30)
Adelantando (30) un período, tomando su valor esperado en , y multiplicando la
expresión resultante por (Olivo, 2011), se obtiene:
(31)
Restando (31) a (30), se obtiene:
(32)
La ecuación (32) es la primera ecuación de movimiento (Olivo, 2011). Por su
parte, la ecuación (29) puede re-escribirse de la siguiente manera:
(33)
Desfasando (33) un período y multiplicando el resultado por , se obtiene la
expresión:
(34)
Restando (34) a (33):
93
(35)
La ecuación (35) es la segunda ecuación de movimiento. A partir de las dos
ecuaciones de movimientos, a saber, (32) y (35) se tiene:
(36)
(37)
Combinando las ecuaciones (36) y (37), esta última, adelantada un período:
(38)
(39)
(40)
Diferenciando (35):
(41)
Adelantando (41) un período:
(42)
Sustituyendo (40) en (42):
(43)
Al resolver la ecuación (43) para , se obtiene:
94
(44)
Que puede ser expresada, considerando a , como:
(45)
, ; (46)
La ecuación (46) es una curva de Phillips nueva keynesiana aumentada por las
expectativas que mira hacia el futuro (forward looking) derivada a partir de fundamentos
microeconómicos, es importante señalar, que la misma se ha derivado partiendo del
supuesto de que el factor de descuento , no obstante, en el supuesto de que dicho
factor sea menor que uno ( ), la curva de Phillips aumentada por las
expectativas33 se expresaría de la siguiente forma:
(47)
En ambas ecuaciones (46) y (47) se puede analizar la pendiente de la curva de
Phillips dependiendo de los parámetros. En efecto, mientras más cercano a uno (1) es
más vertical es la curva de Phillips al nivel , donde es el nivel tendencial a largo
plazo del producto. Este resultado es natural, ya que mientras mayor es el valor de ,
más flexibles son los precios en la economía (De Gregorio, 1997). En este sentido, cabe
resaltar, que en la actualidad la versión en tiempo discreto del modelo de Calvo (1983)
con ajuste de precios escalonados es la especificación ampliamente dominante de la
curva de Phillips (Olivo, 2011).
33
El coeficiente que acompaña la brecha del producto , utilizando la misma notación que hemos
llevado hasta ahora, seria en este caso , véase a: Walsh (2003), Romer, (2011) y De
Gregorio (2007).
95
2.2.2.3. Estrategias de política monetaria: un análisis sobre la base de los modelos
nuevo keynesianos.
Una vez obtenida las ecuaciones de demanda agregada (curva IS) y de oferta
agregada (curva de Phillips) a partir de fundamentos microeconómicos, sobre la base
del enfoque nuevo keynesiano que describen, en cierta forma la estructura subyacente
de la economía34, se procede a integrar al análisis una función de perdida intertemporal
que refleja las preferencias de la sociedad y del formulador de política, en los modelos
nuevo keynesianos que miran hacia el futuro (forward looking) y que miran hacia atrás
(backward looking), respectivamente, para posteriormente analizar algunas estrategias
de política monetaria.
Una característica básica del modelo que mira hacia el futuro, es que las
ecuaciones que lo integran, tal como se pudo apreciar anteriormente, se derivan a partir
de la conducta optimizadora de los hogares y de las empresas que fijan precios, en un
contexto de expectativas racionales, no obstante, existen varias críticas sobre este
enfoque, una de ellas es que la curva de Phillips que mira hacia adelante implica que el
Banco Central o la autoridad monetaria puede producir sin retardo una desinflación si
puede afectar las expectativas sobre la inflación futura. La experiencia y los hechos
estilizados en la realidad indican que, de forma general, una desinflación ocurre
gradualmente e involucra costos sustanciales en términos de producto (Olivo, 2011).
El modelo que mira hacia atrás (backward looking model) si bien es cierto que
tiene una base teórica menos robusta con respecto al modelo que mira hacia el futuro,
trata de incorporar la evidencia empírica que indica que la tasa de inflación y la brecha
del producto corrientes (valores actuales) se vinculan con sus valores pasados
(rezagos) y que adicionalmente se argumenta con frecuencia que la política monetaria
34
Si bien es cierto que los modelos propuestos en el presente trabajo se refiere a una economía cerrada, los fundamentos teóricos y muchos de los principios de política básicos siguen siendo validos para economías abiertas (Olivo, 2011). Así mismo, tal como lo señala Walsh (2003:539) “open economy macroeconomic model build on the foundations of optimizing agents and sticky prices. Some versions of these open economy model could be reduced to a form that was isomorphic to the closed economy new Keynesian model we have been using”.
96
ejerce su efecto con retardos temporales, en el sentido de que un cambio en las
acciones de política monetaria no afectan al producto real y a la tasa de inflación
inmediatamente (contemporáneamente) (Olivo, 2011).
2.2.2.3.1. Modelo nuevo keynesiano que mira hacia el futuro (forward looking) y política
monetaria optima bajo discreción.
Uno de los elementos cruciales en el modelo nuevo keynesiano es la función de
pérdida. Su especificación influye de manera determinante en el tipo de reglas de metas
y las funciones de reacción que los formuladores de política (policymaker) siguen para
conducir la política monetaria (Olivo, 2011).
En estos modelos, se supone que la preocupación del Banco Central por el
bienestar social se representa a través de su intento de minimizar una función de
pérdida cuyos argumentos son la desviación de la inflación y el producto respecto a
ciertos valores objetivos. La medida de variabilidad que se emplea en la función de
pérdida es el error cuadrático medio (ECM) y no la varianza, aunque para efectos de
simplificación se puede emplear ambos términos como si fueran iguales (Olivo, 2011).
En este sentido, para calcular el error cuadrático medio del producto se emplea,
generalmente, la brecha del producto, definida como la diferencia entre el producto real
observado y el producto real potencial (que empíricamente se suele aproximar por valor
tendencial de largo plazo), mientras que para la tasa de inflación el error cuadrático
medio usualmente se calcula con respecto a una meta de inflación cero (Olivo, 2011) o
tal como señala Romer (2006) se supone normalizada a cero (0).
En efecto, tal como lo señala Olivo (2011) en un entorno en que los agentes
económicos miran hacia futuro, el formulador de política estaría interesado en minimizar
una función de pérdida inter-temporal, la cual se especificaría como el valor esperado
en de la suma de la función de pérdida del período corriente y sus valores
descontados futuros:
97
(48)
No obstante, Froyen y Guender (2007) (Olivo, 2011) demuestran que el valor
esperado de la función de pérdida inter-temporal se reduce a la función de pérdida del
período corriente. Para la obtención de este resultado, primero se re-escala la
expresión anterior multiplicándola por . Luego, se evalúa la expresión que resulta
cuando . “Esto permite plantear la función de pérdida reescalada como la
suma ponderada de las varianzas incondicionales de la brecha del producto y la tasa de
inflación: ” (Olivo, 2011:148). La cual será la función de pérdida
empleada en el presente análisis.
Ahora bien, siguiendo a Froyen y Gounder (2007), citado en Olivo (2011), el
modelo básico estará compuesto de las ecuaciones IS, derivada a partir del enfoque
nuevo keynesiano35, que se describió anteriormente (ecuación 27 expresada en forma
estocástica y sin término constante)36, y por la curva de Phillips que mira hacia adelante
que se derivo a partir del modelo de Calvo (1983) (Olivo, 2011) la cual representa la
curva de oferta agregada (ecuación 47):
(49)
(47)
Donde:
: es la brecha del producto (es decir, la diferencia entre el logaritmo natural del
producto observado y el producto potencial o natural).
: es la tasa de interés real.
: es la tasa de inflación.
35
El mismo resultado se obtiene si dicha ecuación (IS) se deriva del modelo que incluye al dinero en la función de utilidad, véase a: Olivo (2011). 36
Walsh (2003:517), Romer (2006:317) y De Gregorio (2007:625) utilizan una especificación similar.
98
y : son perturbaciones (shocks) aleatorias con distribuciones normales con
y , respectivamente.
El modelo supone que el formulador de política posee un control preciso sobre la
variable instrumental, a saber, la tasa de interés real 37.
Una vez establecida las ecuaciones que describen la estructura subyacente de la
economía, se procede a analizar lo que Olivo (2011) denomina la “política óptima bajo
discreción”. Bajo discreción el formulador de política busca lograr los valores objetivos
para la brecha del producto y la tasa de inflación, fijando una nueva estrategia de
política en cada período. Por lo tanto, “bajo discreción, el proceso de formulación de
política es visto como una serie de decisiones no relacionadas. En contraste, la
formulación de política bajo reglas implica un compromiso que se mantiene en el tiempo
mientras la regla este vigente” (Olivo, 2011:150). En efecto, bajo discreción, el
formulador de política minimiza en cada período el valor esperado de la siguiente
función de pérdida cuadrática en términos de las varianzas de la brecha del producto y
la tasa de inflación:
(50)
Donde representa el peso relativo que la sociedad y el formulador de política le
otorgan a la tasa de inflación con respecto a la brecha del producto en la función
objetivo. Por lo tanto, se presenta un problema de optimización restringida, el cual se
refiere a un ejercicio de minimización de la función objetivo (ecuación 50) sujeta a la
restricción impuesta por el modelo básico, que describe la estructura subyacente de la
economía, dado por las ecuaciones (49) y (47).
37
En la práctica la autoridad monetaria controla la tasa de interés nominal de corto plazo . (Mishkin, 2008). Sin embargo, el análisis fundamental de este modelo no se ve afectado por este supuesto (Olivo, 2011).
99
Sustituyendo la ecuación IS (49) y la curva de Phillips (47) en la función objetivo
(50) se tiene:
(51)
Minimizando (51) con respecto a la variable instrumento de política monetaria
( ), se obtiene:
(52)
Al resolver la expresión (52) para , se tiene:
(53)
Si , entonces se tiene:
(53.a)
Las ecuaciones (53) y (53.a) representan la fijación óptima de la variable
instrumental bajo discreción. Por lo que en cada período el formulador de política
resuelve el problema de minimización sujeto a la estructura de la economía, y obtiene
un valor para la variable instrumental en función de:
Las variables adelantadas .
Los parámetros del modelo de la economía y de la función objetivo .
Las perturbaciones aleatorias .
100
Por lo que se tiene una función de reacción para el formulador de política (o
autoridad monetaria) a través de la variable instrumental de política, en este caso la
tasa de interés real (enfoque o señales vía precios)38.
2.2.2.3.2. Modelo nuevo keynesiano que mira hacia atrás (backward looking) y
estrategias de política monetaria.
Tal como se señaló anteriormente, estos modelos a pesar de que teóricamente
son considerados menos robustos con respecto a los modelo nuevos keynesianos que
miran hacia el futuro que se derivan de la conducta optimizadora de los agentes
económicos, desde el punto de vista empírico la incorporación de variables rezagadas,
tal como la tasa de inflación y la brecha del producto desfasadas intentan introducir un
elemento dinámico que capture la persistencia observada de las series históricas
observadas, además del hecho que generalmente se argumenta de que las acciones de
política monetaria afectan a la tasa de inflación y la brecha del producto con desfases
temporales (Olivo, 2011).
38
Existen tres estrategias de política monetaria, a saber, 1) Metas de inflación flexible (Flexible inflation targeting), 2) Meta del ingreso nominal hibrida (Nominal income targeting) y 3) Meta de inflación estricta (Strict inflation targeting) denominadas por (Olivo, 2011) como estrategias eficientes de política monetaria, que constituyen casos especiales de la solución optima bajo discreción previamente descrita. Estas tres estrategias son del tipo que se denominan como reglas de objetivos o metas (target rules), en contraste con las reglas de instrumentos (instruments rules). Es importante señalar, que en las reglas de metas anteriormente mencionadas del modelo nuevo keynesiano que mira hacia el futuro, que son consistente con la minimización de una función de pérdida esperada sujeta a un modelo especifico de la economía, es posible derivar, para cada una de ellas reglas de instrumentos óptimas (Olivo, 2011). Adicionalmente, también sobre la base de este modelo nuevo keynesiano, existen otras estrategias de política basadas en el criterio de delegación de Rogoff, tales como: meta de nivel de precios (Price level targeting), meta de inflación promedio (Average inflation targeting) y la política monetaria con límite de velocidad (Speed limit policy) para una excelente explicación sobre estas reglas metas así como también de una comparación entre las diversas reglas de metas u objetivos y las reglas de instrumentos (instrument rules) véase a: Olivo (2011). Las estrategias anteriormente señaladas son del tipo que Svensson (Olivo, 2011) denomina como reglas de metas (target rules). Una regla de metas general se define básicamente como la especificación de la función objetivo del Banco Central. Por su parte, una regla de metas específica, las cuales son precisamente las que se han analizado, es una condición de optimalidad derivada a partir de una función objetivo junto con un modelo explicito que describe la estructura subyacente de la economía (Olivo, 2011). Mientras que una regla de instrumento se refiere a alguna fórmula que prescribe el ajuste de una variable instrumento en función de valores de las variables objetivo de la política monetaria. La regla instrumental más conocida es la regla de Taylor (1993), en la cual el instrumento es una tasa de interés nominal de corto plazo, no obstante, el instrumento también puede ser un agregado monetario como la regla de McCallum (1988).
101
La estructura básica del modelo nuevo keynesiano que mira hacia atrás está
compuesta por dos ecuaciones39 (Ball, 1997), (Olivo, 2011):
(54)
(55)
Donde:
: es la desviación del producto real con respecto al producto potencial (brecha
del producto).
: es la tasa de interés real.
: es la tasa de inflación.
y : son perturbaciones (shocks) ruido blanco, y . Adicionalmente, al
igual que en el modelo que mira hacia adelante, se supone que el formulador de
política posee un control preciso sobre la variable instrumental, a saber, la tasa
de interés real .
Cabe resaltar que en este modelo, a causa de este juego de los retardos
temporales, un cambio en el instrumento de política, la tasa de interés real , afecta a
la brecha del producto con un desfase temporal de un período, y por ende, toma dos
períodos para que afecte luego a la tasa de inflación. Por consiguiente, la función de
pérdida, para una “política monetaria bajo discreción”, que el formulador de política
desea minimizar, debe tomar en consideración ahora los desfases temporales presente
en el mecanismo de transmisión de la política monetaria (Olivo, 2011), dicha función de
pérdida tiene la siguiente especificación:
(56)
39
Romer (2006) utiliza un modelo similar basado en Svensson (1997) y Ball (1999) para analizar las reglas sobre la tasa de interés. Para una representación y estimación de estas ecuaciones incorporándole ciertas características particulares de la economía venezolana, a saber, una economía pequeña y abierta productora (extracción) de petróleo (recurso de suma importancia para la economía) y el papel que desempeña el gasto público sobre la demanda agregada, entre otros factores, véase a: Pagliacci y Barráez (2009).
102
Esta función de pérdida se diferencia a la función de pérdida relevante para la
sociedad como un todo, sólo en el aspecto temporal (Olivo, 2011), ya que esta última se
especifica en función de variables contemporáneas:
(57)
Si se adelanta la función IS un período y la curva de Phillips del modelo nuevo
keynesiano que mira hacia atrás (Olivo, 2011) se tiene:
(58)
(59)
Sustituyendo los valores esperados en el período de las ecuaciones (58) y (59)
en la función de pérdida del formulador de política (Olivo, 2011), se obtiene la siguiente
expresión:
(60)
(60.a)
En la ecuación anterior se utiliza el hecho de que: .
Minimizando la función de pérdida (60.a) con respecto a se obtiene:
(61)
Al resolver la ecuación (61) para , y usando algunas manipulaciones
algebraicas se obtiene la siguiente expresión para la tasa de interés real:
(62)
103
Si se define a , la ecuación (62) se puede expresar de la siguiente
manera:
(63)
Con este resultado se puede apreciar que la política monetaria óptima bajo
discreción genera una regla para la tasa de interés con la misma estructura de la regla
de Taylor40.
Al igual que en el modelo nuevo keynesiano que mira hacia adelante, en este
modelo (backward looking) existen tres reglas de metas que bajo ciertas circunstancias
generan un resultado equivalente a la política óptima bajo discreción, estas reglas son
las que denomina Olivo (2011), como “estrategias eficientes de política monetaria”41.
2.3. Sistema de Variables.
2.3.1. Definición conceptual de las variables.
2.3.1.1. Política monetaria.
La política monetaria es el conjunto de acciones y/o decisiones que realizan los
bancos centrales para influir sobre la oferta monetaria, las tasas de interés y las
condiciones financieras y reales de una economía (Zuccardi, 2002). Es la
administración de la oferta de dinero y de las tasas de interés (Mishkin, 2008) con el
propósito de alcanzar y/o contribuir al logro de determinados objetivos, tales como: la
40
Al mismo resultado llega Romer (2006) incluyendo algunas ligeras modificaciones en el modelo. 41
Éstas estrategias son: 1) Meta de inflación estricta (Strict inflation targeting), 2) Meta de inflación gradual (Gradual inflation targeting) y 3) Meta de producto nominal híbrida (Hybrid nominal income targeting). Adicionalmente y tal como en el caso del modelo que mira hacia el futuro en los modelos que miran hacia atrás existen estrategias de política basadas en el criterio de delegación de Rogoff las cuales son: 1) Meta de inflación promedio (Average inflation targeting), 2) Política monetaria con límite de velocidad (Speed limit policy) y 3) Meta del nivel de precios (Price level targeting), para una explicación de estas estrategias véase a: Olivo (2011).
104
estabilidad de precios, preservar el valor de la moneda, generar condiciones propicias
para el crecimiento sostenido del producto real, del empleo y para el equilibrio en el
sector externo.
2.3.1.2. Producto (o nivel real de actividad económica).
Es el valor de mercado de todos los bienes y servicios finales generados
(creados) en un determinado lugar y período de tiempo (De Gregorio, 2007).
2.3.2. Definición operacional de las variables.
2.3.2.1. Política monetaria.
Para los efectos de este trabajo la política monetaria será medida básicamente a
través de dos enfoques (enfoque o señales vía cantidad y precios) según el período de
estudio analizado, en efecto, para el período (1998-2011) las acciones de política
monetaria (en adelante choque de política monetaria) se utilizará, por una parte, la base
monetaria (señales vía cantidad) que se interpretaría de la siguiente forma: incremento
en los niveles o cambios positivos (tasa de crecimiento) se asocian con acciones
expansivas (choques expansivos) de la política monetaria. Por otra parte, y de forma
alternativa se utilizará la tasa de interés nominal promedio ponderada de las
operaciones interbancarias (overnight), un incremento de esta tasa se interpreta como
choques monetarios contractivos toda vez que un incremento de la tasa de interés
nominal de las operaciones de absorción del BCV estimula a los bancos a dejar a un
lado más fondos (depósitos) en el BCV, lo que representa entre otras cosas, una
reducción de la oferta de fondos en el mercado de corto plazo. Esta reasignación de
fondos genera una caída en las reservas excedentarias y un incremento en la tasa de
interés nominal interbancaria a 1 día (Pagliacci et al, 2011 y Pagliacci y Ruda, 2004).
Para el sub-período (2004-2011) se utilizará la tasa de interés nominal promedio
ponderada de las operaciones de absorción del BCV, la cual ha sido utilizada como el
105
indicador de la postura y orientación de la política monetaria en Venezuela a partir del
año 2002, en efecto, mayores tasas de interés se interpretarán como acciones de corte
restrictivo, mientras que menores tasas de interés se considerarán como expansivas,
dicha tasa de política ha sido utilizada por Pagliacci y Ruda (2004), Pagliacci et al,
(2011) y Bárcenas et al, (2011).
2.3.2.2. Producto (o nivel real de actividad económica).
El producto o nivel real de actividad económica será medido a través de
diferentes indicadores atendiendo al enfoque, a saber, desde el punto de vista
agregado (para la economía en su conjunto), sectorial, según rama de actividad
económica y regional, para la nación en su conjunto y la región zuliana. Para el enfoque
agregado42 la medida utilizada es el PIB total, a precios constantes de 1997, el cual se
define como la suma del valor final de los bienes y servicios que se produce y se
comercializan en el país en un período determinado (FMI, OCDE, Naciones Unidas,
1993), y el valor agregado bruto (VAB) de la actividad no petrolera, a precios constantes
de 1997 ambos mensualizados a través de indicadores relacionados con el método
proporcional de Denton (1971). Por su parte, en lo que se refiere al enfoque sectorial
del estudio, las medidas de los niveles de producción de los diferentes sectores
productivos son los valores agregados brutos mensualizados a través de indicadores
relacionados con el método proporcional de Denton (1971) de las actividades de:
Manufactura, Construcción y Comercio y servicios de reparación, todas las series son
expresadas en miles de Bolívares (Bs.) a precios constantes de 1997.
Finalmente, las medidas de los niveles producción para el enfoque regional y de
frecuencia mensual, son los índices de volumen de producción de la actividad de
manufactura privada a nivel nacional y para el estado Zulia (Base 1997 = 100).
2.3.3. Operacionalización de las variables.
42
El cual se considera para efectos comparativos con el enfoque de la producción sectorial.
106
Objetivo general: Determinar los efectos de las acciones de política monetaria sobre el
producto sectorial y regional en Venezuela, durante el período (1998-2011).
Continúa en la página siguiente
Variables Objetivos específicos Dimensiones Indicadores
Política monetaria
Estudiar los efectos de las acciones de
política monetaria sobre el nivel real de
actividad económica sectorial en
Venezuela, durante el período (2004-
2011).
Efectos sobre el
producto sectorial.
Tasa de interés nominal promedio ponderada de las
operaciones de absorción del BCV.
Tasa de interés mensual nominal promedio ponderada de
las operaciones interbancarias (overnight).
Tasa mensual de interés nominal de las operaciones activas
de los seis principales bancos del país.
Tipo de cambio nominal y real.
Cartera de crédito real y/o nominal del sistema bancario
total y según rama de actividad económica.
Índice de precios al consumidor del área metropolitana de
Caracas (IPC-AMC) y el núcleo inflacionario.
PIB total, VAB de la actividad no petrolera, y VAB de las
actividades de manufactura, construcción comercio y
servicios de reparaciones.
Reservas bancarias excedentes, precios del petróleo de la
cesta venezolana, gasto nominal del gobierno central,
incidencia neta del sector público sobre el dinero base,
reservas internacionales netas, incidencia de las ventas
netas de divisas sobre el dinero base.
Política monetaria
Analizar los efectos de las acciones de
política monetaria sobre el nivel real de
actividad económica sectorial en
Venezuela, durante el período (1998-
2011).
Efectos sobre el
producto sectorial.
Base monetaria (BM).
Tasa de interés mensual nominal promedio ponderada de
las operaciones interbancarias (overnight).
Tasa mensual de interés nominal de las operaciones activas
de los seis principales bancos del país.
Tipo de cambio nominal y real.
Cartera de crédito real y/o nominal del sistema bancario
total y según rama de actividad económica.
Índice de precios al consumidor del área metropolitana de
Caracas (IPC-AMC) y el núcleo inflacionario.
PIB total, VAB de la actividad no petrolera, y VAB de las
actividades de manufactura, construcción comercio y
servicios de reparaciones.
Reservas bancarias excedentes, precios del petróleo de la
cesta venezolana, gasto nominal del gobierno central y
reservas internacionales netas.
107
Continuación
Fuente: Elaboración propia (2013).
2.4. Definición de términos básicos43.
43
La mayoría de las definiciones provienen del glosario económico de la página Web del BCV http://www.bcv.org.ve/c1/abceconomico.asp. Consultado el 29/01/2012.
Variables Objetivos específicos Dimensiones Indicadores
Política monetaria
Estudiar los efectos de las acciones de
la política monetaria sobre el nivel real
de la actividad de manufactura privada
en Venezuela y para la región zuliana,
durante el período (2004-2011).
Efectos sobre el
producto regional.
Tasa de interés nominal promedio ponderada de las
operaciones de absorción del BCV.
Tasa de interés mensual nominal promedio ponderada de
las operaciones interbancarias (overnight).
Tasa mensual de interés nominal de las operaciones activas
de los seis principales bancos del país.
Tipo de cambio nominal y real.
Cartera de crédito real y/o nominal del sistema bancario
para la actividad industrial.
Índice de precios al consumidor del área metropolitana de
Caracas (IPC-AMC) y el núcleo inflacionario.
Índice de volumen de la producción de la actividad de
manufactura privada a escala nacional y para la región
zuliana.
Reservas bancarias excedentes, precios del petróleo de la
cesta venezolana, gasto nominal del gobierno central,
incidencia neta del sector público sobre el dinero base,
reservas internacionales netas, incidencia de las ventas
netas de divisas sobre el dinero base.
Base monetaria (BM).
Tasa de interés mensual nominal promedio ponderada de
las operaciones interbancarias (overnight).
Tasa mensual de interés nominal de las operaciones activas
de los seis principales bancos del país.
Tipo de cambio nominal y real.
Cartera de crédito real y/o nominal del sistema bancario
para la actividad industrial.
Índice de precios al consumidor del área metropolitana de
Caracas (IPC-AMC) y el núcleo inflacionario.
Índice de volumen de la producción de la actividad de
manufactura privada a escala nacional y para la región
zuliana.
Reservas bancarias excedentes, precios del petróleo de la
cesta venezolana, gasto nominal del gobierno central y
reservas internacionales netas.
Efectos sobre el
producto regional.
Analizar los efectos de las acciones de
la política monetaria sobre el nivel real
de la actividad de manufactura privada
en Venezuela y para la región zuliana,
durante el período (1998-2011).
Política monetaria
108
En esta sección se presentan brevemente las definiciones de los términos
básicos necesarios para complementar el entendimiento de los principales aspectos
teóricos del presente estudio.
- Análisis de equilibrio general.
Método de análisis que determina simultáneamente los precios y las cantidades
en varios mercados.
- Análisis de equilibrio parcial.
Determinación de los precios y las cantidades de equilibrio en un mercado
específico que no tiene en cuenta los efectos de otros mercados.
- Efecto renta o riqueza.
Cambio en la cantidad demandada de un bien como resultado de una variación
de la renta real, sin ningún cambio en los precios relativos.
- Efecto sustitución.
La variación en la cantidad demandada de un bien como consecuencia de un
cambio en su precio cuando el efecto renta real causado por la variación de los precios
se ha eliminado, es decir un cambio en la cantidad demandada como resultado de un
movimiento a lo largo de la curva de indiferencia.
- Información asimétrica.
Situación en la que un comprador y un vendedor tienen información diferente
sobre una misma transacción.
- Información imperfecta.
Situación caracterizada por falta de información en relación con variables y datos
relevantes, tales como precios, oferta, demanda y otros.
109
- Paradoja o Puzzle de precios.
Evidencia empírica derivada en ocasiones en los modelos VAR en donde
innovaciones monetarias positivas (identificadas como innovaciones en la tasa de
interés) se relaciona con un incremento (en vez de reducciones) en el nivel de precios
(Parrado, 2001 y Walsh, 2003).
- Precios rígidos.
Precios que se ajustan lentamente y que por lo tanto no siempre equilibran la
oferta y la demanda.
- Reservas bancarias.
Fondos captados por los bancos y que no se han utilizado en la concesión de
préstamos. Generalmente las reservas bancarias se encuentran depositadas en
cuentas que los bancos tienen en el Banco Central, manteniendo una fracción en caja
para atender a sus clientes.
- Reservas bancarias excedentes.
Diferencia entre las reservas mantenidas por los bancos y las reservas
requeridas por la Ley (encaje legal).
- Repos.
Son operaciones de compra - venta de títulos valores con el acuerdo de
recomprarlos o revenderlos en el futuro, en una fecha y en condiciones financieras
preestablecidas. En estas operaciones se da una transferencia temporal de la
propiedad de los títulos objeto de venta. El que vende recibe efectivo y el que compra
recibe unos títulos. Al vencimiento, el que vendió recibe sus títulos y el que compró
recibe el efectivo entregado más los intereses correspondientes. Los REPOS son
usados por los bancos centrales en sus operaciones de mercado abierto a los fines de
restablecer niveles adecuados de liquidez bancaria, a la vez que permiten la afectación
de ésta de forma temporal. Cuando los bancos centrales compran con pacto de reventa
generan reserva y cuando venden con pacto de recompra absorben liquidez. Deben su
110
nombre a la contracción de la denominación en inglés de este instrumento "repurchase
and reverse repurchase agreement", o sea, operaciones de compra- venta con pacto de
recompra - reventa, y también son conocidos como REPOS.
- Valor agregado.
Valor que añade una unidad económica productiva, pública o privada, en su
producción de bienes y servicios. Equivale al valor de los bienes y servicios producidos
menos los respectivos costos intermedios (de materias primas, materiales, suministros y
servicios utilizados).
111
CAPÍTULO III
MARCO METODOLÓGICO
112
III. MARCO METODOLÓGICO
3.1. Tipo de investigación.
El presente estudio es de tipo explicativo “los estudios explicativos van más allá
de la descripción de concepto o fenómeno o del establecimiento de relaciones entre
conceptos; están dirigidos a responder las causas de los eventos físicos o sociales.
Como su nombre lo indica, su interés se centra en explicar porqué ocurre un fenómeno
y en qué condiciones se da éste, o por qué dos o más variables están relacionadas”
(Hernández, Fernández y Baptista, 1998: 66).
En este sentido, esta investigación va más allá de la descripción de las acciones
monetarias del BCV, a través de sus instrumentos de política, sobre el producto
agregado, sectorial y regional, ya que se intenta, a través de la literatura referente a los
diferentes canales de transmisión monetaria sobre la base de diversos enfoques y
atendiendo a ciertas especificidades de la economía venezolana desde el punto de
vista estructural e institucional y mediante una estrategia de modelización econométrica
de series temporales construida sobre la base de postulados teóricos y prácticos,
analizar los efectos reales, en caso de existir, de los impulsos o choques monetarios
(nominales) del BCV sobre el producto o actividad económica, en sus dimensiones
sectorial y regional, en la economía.
3.2. Diseño de la investigación.
El diseño de la investigación es no experimental de tipo longitudinal. Según
Hernández, Fernández y Baptista (1998), la investigación no experimental es la que se
realiza sin manipular deliberadamente las variables. Es decir, se trata de una
investigación en donde no se hace variar intencionalmente las variables
independientes. Lo que se realiza en la investigación no experimental es observar
fenómenos tal y como se dan en su contexto natural, para después analizarlos. “La
investigación no experimental o ex post-facto es cualquier investigación en la que
113
resulta imposible manipular variables o asignar aleatoriamente a los sujetos o las
condiciones” (Kerlinger, 1979: 116).
Por su parte, los diseños o estudio tipo longitudinales persiguen analizar cambios
a través del tiempo en determinadas variables o en las relaciones entre éstas. Los
diseños longitudinales recolectan datos a través del tiempo en puntos o períodos
especificados, para hacer inferencias respecto al cambio, sus determinantes y
consecuencias (Hernández, Fernández y Baptista, 1998). En este sentido, la
investigación se realiza sin manipular las fuentes de información (variables), sin
embargo, es importante mencionar, que en el presente estudio, en la mayoría de los
casos sobre las diferentes variables e indicadores económicos-financieros se contó con
el número completo de observaciones durante el período de estudio, no obstante,
existieron algunos casos en ciertas variables y en algunas observaciones en las cuales
no se obtuvieron datos, por diversas razones, por lo que se procedió a la construcción
de los mismos, pero sobre la base de otro indicador estadístico o variable relacionada
(correlacionada) o sobre la que ejerce algún tipo de influencia, debidamente
documentada.
Así mismo, en cuanto a la estimación de los diferentes modelos econométricos,
éstos se construyeron sobre la base del análisis de equilibrio parcial, con información
de series temporales (longitudinales), de periodicidad mensual, para el producto
agregado, sectorial y regional durante el período (1998-2011) y el sub-período (2004-
2011). En este caso, cabe resaltar que el criterio que se utilizó para argumentar la
clasificación del diseño o investigación longitudinal, fue la estructuración y el contenido
de las bases teóricas del estudio además de la técnica y forma de la modelización para
el análisis empírico del mismo. Por un lado, en lo que se refiere al contenido de las
bases teóricas de la investigación este se realizó, tal como se mencionó anteriormente,
sobre la base del análisis del equilibrio parcial, debido a la complejidad del tema, de las
relaciones económicas entre las diferentes variables de los mecanismos de transmisión
monetaria y de la falta de consenso que existe en la actualidad, entre los economistas
dedicados a los asuntos monetarios, sobre un modelo único que describa
114
adecuadamente los diversos mecanismos de transmisión asociado a un impulso
monetario (Olivo, 2011).
Por otro lado, en lo concerniente a la estrategia de modelación econométrica se
construyeron varios modelos estimados en forma aislada, a pesar de tener una
estructura relativamente estándar u homogénea, sin tomar en cuenta explícitamente las
relaciones de interdependencia y simultaneidad, por una parte, entre el producto de los
diferentes sectores o industrias, y por otra parte, entre el comportamiento nacional y de
la región zuliana. Los cuales metodológicamente podrían ser aplicados a través de
modelos econométricos de ecuaciones simultaneas, modelos de datos de panel, VAR
estructurales (SVAR) y sus variantes, modelos de vectores autoregresivos aumentados
por factores (FAVAR), modelos estructurales de multiplicadores de impacto, modelos de
equilibrio general, modelos de equilibrio general dinámicos y estocásticos (DSGE) por
sus siglas en ingles (Dynamic Stochastic General Equilibrium) y modelos aproximados
de factores dinámicos (GDFM), entre otros, con su correspondientes ventajas y
desventajas.
3.3. Población y muestra.
La población es definida por Chou (1972:6-7) como: “la totalidad de todas las
observaciones (el resultado de la observación de una unidad elemental) pertinentes que
pueden ser hechas, en un problema de decisión dado”. Por su parte, la muestra, es en
esencia, un subgrupo de la población. Se dice que es un subconjunto de elementos que
pertenecen a ese conjunto definido en sus características al que llamamos población
(Hernández, Fernández y Baptista, 1998). En este sentido, y considerando la analogía
existente entre los conceptos de población y muestra, en el lenguaje de la econometría
de series de tiempo, a saber, que la distinción entre el proceso estocástico de una serie
y su realización es semejante a la diferencia entre población y muestra en datos
transversales, y que de la misma forma en que se utiliza los datos muestrales para
hacer inferencias respecto a la población, en series temporales se emplea la
115
realización44 para llevar a cabo inferencias respecto al proceso estocástico subyacente
(Gujarati, 2003).
En la presente investigación, se utilizarán series de tiempo durante el período
(1998-2011) y el sub-período (2004-2011) (realización) de periodicidad mensual para
los modelos de los enfoques sectorial y regional sobre los niveles de producto y de
actividad económica, inflación de precios, tasas de interés, agregados monetarios, tipo
de cambio, niveles de créditos, a nivel agregado, sectorial (según actividad
económica),45 en el ámbito nacional y regional (Zulia), según sea el caso.
3.4. Fuentes y técnicas de recolección de datos.
Para el desarrollo de la investigación, se utilizaron fuentes secundarias de
información bibliográficas, es decir, el estudio es de tipo bibliográfico o documental, por
lo tanto el mismo se basa en el análisis de documentación referida a informes
periódicos y boletines trimestrales de la Sudeban, sobre los indicadores financieros y
estadísticas del sistema bancario nacional, de la información estadística del BCV, sobre
agregados macroeconómicos y monetarios, tasas de interés, instrumentos de política
monetaria, índices de precios, de volumen y valor de producción, tipo de cambio y, de
anuncios de política monetaria, así como también de población ocupada y tasa de
desempleo según rama de actividad económica del INE. La información estadística
utilizada en las estimaciones es de frecuencia relativamente alta, a saber, mensual
44
Entendiéndose por realización el valor medio de todos los valores posibles de una variable en un período de tiempo determinado, como un valor particular de todas las posibilidades dentro de un proceso estocástico de una variable (Gujarati, 2003). 45
Para el análisis empírico sectorial se utilizó, tal como se mencionó en la delimitación del problema del capítulo I, el valor agregado bruto (VAB), a precios constantes de 1997, de las actividades económicas que conforman el PIB total que, por un lado, a priori se espera que probablemente pudieran ser afectadas (sensibles) a las acciones de política monetaria, siguiendo a Mies et al., (2002) y Bravo et al., (2003), y que por otro lado, estén disponible a la frecuencia requerida para las estimaciones de los VAR, tales como: Manufactura, Construcción y, Comercio y servicios de reparación, que equivalen, a precios constantes, en promedio al 31,8% del PIB total y el 42,8% del VAB de la actividad no petrolera durante el período (1997-2011). De igual forma y para efectos comparativos se utilizó el PIB total y el VAB de la actividad no petrolera mensualizados a través de una serie de indicadores relacionados de actividad económica sectorial de periodicidad mensual a través del método proporcional de Denton (1971).
116
durante el período comprendido entre 1998 y 2011. La selección de los datos ha sido
en función de la disponibilidad, pertinencia y recurrencia de los datos.
3.5. Técnicas de procesamiento de datos.
En esta investigación se utilizó para el enfoque sectorial del estudio, por una
parte, una serie de tiempo de 168 meses durante el período (1998-2011), para la
estimación de diferentes modelos o sistemas VAR sin restricciones o no restringidos
(Unrestricted Vector Autorregressive) correspondientes a tres (3) sectores productivos o
actividades económicas (Manufactura, Comercio y servicios de reparación y,
Construcción) y una medida agregada de producto, el VAB de la actividad no
petrolera46, según el indicador de política monetaria utilizado (agregado monetario
(señal vía cantidad) y tasa de interés de política (señal vía precio)) por otra parte, se
utilizó una serie temporal de 96 observaciones (meses) para la estimación de diferentes
modelos VAR (sin restricciones) durante el período (2004:01-2011:12) para las tres
actividades económicas mencionadas anteriormente pero utilizando como indicador de
la postura o intencionalidad de la política monetaria por una parte, la tasa de interés
nominal de corto plazo de las operaciones de absorción del BCV, y por otra parte, la
base monetaria.
Por su parte, para el enfoque regional se empleó, por un lado, una serie temporal
de 168 meses para la estimación de dos modelos VAR sin restricciones, uno a escala
nacional y otro para la región zuliana, utilizando los indicadores de política basados en
46
Es importante señalar que dichas variables están disponibles con periodicidad o frecuencia trimestral por lo tanto las mismas fueron mensualizadas a través de método proporcional de Denton (algoritmo o métodos de desagregación temporal) utilizando indicadores o índices mensuales estrechamente relacionados con dichas variables. Este método se utiliza comúnmente a escala internacional para las estimaciones de las cuentas trimestrales y mensuales y, en la actualidad el BCV adelanta esfuerzos para la aplicación de dicho algoritmo para las estimaciones de coyuntura (trimestrales) del PIB. Por su parte, estudios empíricos desarrollados por Castrillo et al., (2008) y Torres (2009) para la economía costarricense utilizan éste método de desagregación temporal, mientras que para la economía chilena Bravo, et al., (2003) utilizan el procedimiento de Chow-Lin (1971) como método de desagregación temporal para trimestralizar el consumo no durable. Para mayores detalles sobre el método proporcional de Denton para la desagregación temporal de series y para la técnica de benchmarking véase a: Denton (1971) y, Bloem, Dippelsman y Maehle (2001). Asimismo, en los anexo 1 y 2 se describen los índices mensuales utilizados para la desagregación temporal (mensualización) de cada variable.
117
un agregado monetario y en la tasa de interés, respectivamente, durante el período
(1998:01-2011:12) y para el sub-período (2004:01-2011:12) tal como en el enfoque
sectorial del estudio. Con el propósito de analizar empíricamente los efectos de las
acciones de política monetaria a nivel sectorial y regional en la economía venezolana,
sobre la base de los datos disponibles, utilizando el software econométrico Eviews
versión 6.0.
Tal como se mencionó anteriormente en la revisión de la literatura empírica de
las investigaciones sobre transmisión monetaria, los estudios basados en técnicas de
series temporales han utilizado con mayor frecuencia los VAR como herramientas de
estimación, los cuales son convenientes para resumir las propiedades de primer y
segundo momento de los datos y para propósitos de pronósticos.
El uso frecuente de esta técnica proviene de poder identificar los efectos de la
política monetaria sin tener que contar con un modelo estructural completo para la
economía, es decir, sin conocer el modelo estructural subyacente que vincula las
variables de un modelo determinado (Mies et al., 2002). En este sentido, este tipo de
modelos provee una visión general sobre la forma en que se interrelacionan las
variables relevantes en un determinado proceso económico (Guerra et al., 1996).
Para los efectos de este estudio, se recurre a la interpretación de las funciones
impulso-respuesta (FIR) utilizando el esquema de identificación de la Descomposición
de Cholesky (identificación recursiva), generadas a partir de la simulación de
innovaciones y choques transitorios del instrumento de política, a saber, un agregado
monetario y/o la tasa de interés de política monetaria, según sea el caso, y de otras
variables de interés. A continuación se presenta una breve descripción sobre la
metodología VAR así como también sus principales ventajas y limitaciones, reconocidas
internacionalmente, para el análisis empírico. Posteriormente se describe, de forma
genérica, la especificación de los modelos VAR a nivel sectorial y regional y las
variables utilizadas en el estudio.
118
Los vectores autoregresivos (VAR)47 fueron introducidos en la economía
empírica por Sims (1980), quien demostró que dichos vectores proveen un marco
flexible y tratable en el análisis de las series temporales. Un VAR es un modelo lineal de
variables donde cada variable es explicada por sus propios valores rezagados, más el
valor pasado del resto de variables. En este orden de ideas Sims (1980) formuló una
especificación “ateórica”, en la cual se considera endógenas todas las variables de un
modelo econométrico. Esta formulación constituye una generalización y el paso de los
modelos autorregresivos unicuacionales a modelos autorregresivos multiecuacionales,
en los cuales se especifica para cada variable de un vector una ecuación en función de
los rezagos de los propios componentes de ese vector (Guerra et al., 2002).
Un VAR es un modelo de ecuaciones simultáneas formado por un sistema de
ecuaciones de forma reducida sin restringir. Se dice que son ecuaciones de forma
reducida ya que los valores contemporáneos de las variables del modelo no aparecen
como variables explicativas en ninguna de las ecuaciones. El conjunto de variables
explicativas de cada ecuación está constituido por un bloque de retardos de cada una
de las variables del modelo. Por su parte, son ecuaciones no restringidas debido a que
en cada una de ellas aparece el mismo grupo de variables explicativas (Novales, 2003).
Es por ello que un sistema VAR es un tipo de modelación en el cual el
comportamiento de cada variable incluida es explicado por su historia, por la conducta
histórica de las demás variables y por un término de error estocástico. Así, y tal como
se mencionó anteriormente, al ser todas las variables del VAR endógenas, todas
dependen entre sí de la historia o comportamiento histórico de todo el sistema, y
además pueden recibir choques aleatorios exógenos a través del termino de error
(Zuccardi, 2002).
Formalmente un modelo VAR de orden p se escribe de la siguiente manera48:
47
Para un excelente análisis formal y riguroso sobre estos modelos véase a: Hamilton (1994), Sims (1980), Enders (1995) y Novales (2003). 48
Generalmente en los modelos VAR se suelen incorporar variables exógenas, además del intercepto, que añaden información desde el exterior del sistema y que permiten captar tendencias, factores
119
(64)
donde son vectores de variables aleatorias, es el vector media ,
φ1,…, son matrices de parámetros , es el número de rezagos de las
variables y es un vector cuyos componentes son ruidos blancos (Greene, 1999). Las
ecuaciones individuales son:
(65)
donde indica el elemento lm-ésimo de .
Para el caso formal de un modelo VAR bi-variable y con dos rezagos se
tiene, por ejemplo:
(66)
(67)
El sistema anterior escrito a través del operador de retardo sería:
(68)
(69)
En forma matricial el sistema estaría representado:
(70)
estacionales, cambios estructurales (dummies), observaciones atípicas e información adicional a través de variables de control. (Loría, 2007). En este sentido, la representación general de un modelo VAR sería la siguiente: ; donde es un vector de variables exógenas
y es la matriz de coeficientes de dicha variables.
120
Donde
(71)
y
(72)
El cual reordenando quedaría de la siguiente forma:
(73)
(74)
Donde es la matriz de polinomios de rezagos.
(75)
Por su parte, al igual que para el caso de un modelo univariado, se requiere que
el sistema VAR sea estable (Enders, 1995), el modelo VAR( ) es estable tomando en
consideración la siguiente proposición:
Proposición 1: la estabilidad de un modelo VAR(p) se alcanza, denotando el polinomio
por , es decir, ,
si todas las raíces de están fuera del circulo unidad, entonces se dice que el
modelo VAR( ) es estable (Enders, 1995).
Para un modelo VAR(1) con 2 ecuaciones se tiene:
(77)
121
(78)
De forma análoga, la idea es encontrar una dinámica convergente del sistema a
través de análisis de las raíces del siguiente polinomio:
(79)
La condición de estabilidad consiste en que las raíces de este polinomio deben
estar fuera del circulo unitario, es decir, deben ser mayores a uno, que para el caso de
un vector autorregresivo de un rezago VAR(1) el polinomio de segundo grado se
representa por la resolución del siguiente determinante (Granger, 2005):
(80)
Resolviendo, se obtiene:
(81)
en donde se requiere que y para alcanzar la condición de estabilidad. Una
definición alternativa consiste en analizar la estabilidad o estacionariedad del VAR
calculando las raíces que definan el siguiente polinomio característico:
(82)
donde sí se resuelve la ecuación característica , entonces define al vector
propio de la matriz .
122
El determinante de (82) es un polinomio de grado , equivalente al número de
filas (o columnas) de la matriz . Este polinomio permite obtener las raíces de
denominados valores propios. Para que un sistema sea estable estas raíces deben ser
menores en modulo que 1, en valor absoluto, y por ende estar dentro del circulo de la
unidad (Enders, 1995 y Granger, 2005).
Una vez que se satisface la condición de estabilidad, es posible expresar las
variables endógenas y como funciones de los valores actuales y rezagados de
y , denominadas funciones impulso-respuesta (FIR). Estas muestran los efectos
actual y rezagado con respecto al tiempo de los cambios en y , llamadas
innovaciones en el lenguaje VAR, sobre las variables endógenas y (Gujarati,
2003). Las FIR permiten estudiar la reacción en el tiempo de shocks ocurridos en una
variable sobre el resto de las variables del modelo.
Considerando el modelo en forma reducida dado por:
(83)
De manera recursiva, se tiene:
(84)
La expresión (84) corresponde a la función impulso-respuesta (FIR), que puede
interpretarse como la representación móvil de un VAR. Los coeficientes en las
potencias de son los multiplicadores en el sistema, el cual, en términos prácticos, se
puede decir que partiendo de un sistema en equilibrio en donde se supone que es
igual a cero durante un período suficiente como que para alcance el equilibrio,
Al considerar una inyección de un shock (choque) en el sistema cambiando una de
las , para un período, y haciéndola cero después. La variable se aparta del
equilibrio ante la perturbación para que posteriormente retorne a dicho estado de
123
equilibrio. La senda por cual las variables vuelven al equilibrio se denomina respuesta al
impulso del VAR (Greene, 1999).
Por construcción, las perturbaciones o innovaciones del sistema VAR están
correlacionados contemporáneamente (Loría, 2007), por lo que en primera instancia, no
es posible aislar el impacto que cada innovación, medida por el término de error,
produce sobre cada una de las variables endógenas. En este sentido, con el objeto de
obtener un sistema donde puedan aislarse los efectos de choques individuales y tener
un buen análisis de sensibilidad de política económica, a través del análisis de las
funciones impulso-respuesta, debe eliminarse la correlación contemporánea existente
entre las innovaciones (perturbaciones ortogonales) de las distintas ecuaciones, por
lo cual se puede transformar el vector en un vector mediante la transformación
definida por la descomposición (o factorización) de Cholesky (Identificación recursiva)
de la matriz de varianza y covarianzas del termino de perturbación , . Esta
transformación proporciona una matriz triangular inferior (y su transpuesta que es una
matriz superior) tal que . Como consecuencia, , donde es una
matriz identidad y el VAR puede escribirse como:
(85)
Con , , . Por lo que el
vector de perturbaciones no estará contemporáneamente correlacionado.
De esta forma se aíslan los efectos individuales de los choques o innovaciones
sobre cada una de las variables del sistema, los cuales se transmiten con una
intensidad representada por los elementos de la matriz . Un problema relacionado
con esta derivación lo constituye la no unicidad de la matriz de transformación . En
este caso se plantea la descomposición de Cholesky, la cual consiste en utilizar una
matriz triangular inferior como matriz de transformación (Guerra, et al., 2002).
124
Sin embargo, a pesar que a través de la descomposición de Cholesky se
garantiza la unicidad de (en el conjunto de las matrices triangulares inferiores) los
resultados generados mediante esta transformación están condicionados de la
secuencia en la cual las variables sean ordenadas.
Entre las principales ventajas y/o preferencia por el uso y aplicación de este
método o enfoque, destacan:
Los modelos VAR, los cuales representan la forma reducida de un modelo
estructural, permiten incorporar elementos dinámicos sin necesidad de
especificar el modelo econométrico estructural subyacente. Esta característica
especifica resulta útil en economías que han estado expuestas a shocks o
perturbaciones que debilitan la capacidad explicativa y predictiva de los modelos
estructurales tradicionales (Guerra, et al., 2002).
La estimación es simple, es decir, el método usual de Mínimos Cuadrados
Ordinarios (MCO) puede aplicarse a cada ecuación por separado (Gujarati,
2003).
Las predicciones o pronósticos obtenidos mediante este método son en muchos
casos mejores que aquellas obtenidas por modelos de ecuaciones simultaneas
más complejos (Gujarati, 2003).
No obstante, a pesar de las ventajas que posee esta metodología, es importante
señalar, que la misma presenta una serie de limitaciones entre las que destacan:
Se ha señalado que su especificación ateórica constituye una debilidad en la
medida en que no permite visualizar los mecanismos a través de los cuales se
transmiten los efectos de una variable sobre las otras (Guerra et al., 2002).
Incorpora en ocasiones variables no sustentadas por la teoría económica,
especificadas con largos rezagos y con parámetros no significativos (Castrillo et
al., 2007).
125
Dependencia de algunos resultados según el período de análisis y el
ordenamiento de las variables en los modelos al utilizar un esquema de
identificación recursiva (descomposición de Cholesky) (Mies et al., 2007).
Para el caso de análisis de los efectos de política monetaria, supone la
constancia de las preferencias y prioridades del Banco Central y de la estructura
de la economía, entre otros aspectos (Castrillo et al., 2007)49.
En cuanto a la especificación de los modelos VAR para el estudio de los
mecanismos de transmisión de las acciones de política monetaria en Venezuela sobre
el producto sectorial y regional durante el período (1998-2011), tal como se mencionó
anteriormente, se estimaron una serie de modelos VAR (sin restricciones) identificados
a través de la descomposición de Cholesky, los cuales para los efectos de este trabajo
se dividieron en dos grandes bloques, el primero, se refiere al enfoque sectorial (por
actividad económica) del estudio, el cual se divide a su vez en dos grupos o categorías,
en función del período temporal de análisis y del indicador de política monetaria y, un
segundo bloque que corresponde al enfoque regional de la investigación, estimados
con datos mensuales, en este sentido, en el cuadro 2 se presentan los diferentes
modelos estimados según el enfoque de análisis, el indicador de política y el lapso
temporal de estudio.
Asimismo, para estos dos bloques se utilizan como variables de política del
Banco Central de Venezuela (BCV), un enfoque basado en un agregado monetario
(señales vía cantidad) y otro basado en una tasa de interés de política (señales vía
precio) utilizando según sea el caso, la tasa de interés de las operaciones
interbancarias (overnight) y la tasa de interés de las operaciones monetarias de
absorción, como proxy de la tasa de política del Banco Central, según el período de
estudio analizado. Es importante señalar, que en la práctica la autoridad monetaria
puede operar a través de los cambios en la tasa de interés o cambios en el stock de
dinero, pero no mediante ambos independientemente (Olivo, 2011). Por lo tanto, se
analiza explícitamente y de forma separada el uso de la tasa de interés o el stock de
49
Para una breve descripción sobre las principales limitaciones de los VAR véase a: Mies, et al., (2002).
126
dinero como instrumento de política50 atendiendo a las diferentes formas en el diseño,
ejecución y manejo de la política monetaria en Venezuela durante el período (1998-
2011) como un intento de aproximación.
Cuadro 2
Modelos estimados en el trabajo
Primer bloque: enfoque sectorial
Modelos VAR (período completo)
- Indicador de política monetaria: un agregado monetario (enfoque o señales vía cantidad)
Período (1998:01-2011:12)
- Indicador de política monetaria: una tasa de interés (enfoque o señales vía precio)
Período (1998:01-2011:12)
Modelos VAR (sub-período)
- Indicador de política monetaria: una tasa de interés (enfoque o señales vía precio)
Período (2004:01-2011:12)
- Indicador de política monetaria: un agregado monetario (enfoque o señales vía cantidad)
Período (2004:01-2011:12)
Segundo bloque: enfoque regional
Modelos VAR (período completo)
- Indicador de política monetaria: un agregado monetario (enfoque o señales vía cantidad)
Período (1998:01-2011:12)
- Indicador de política monetaria: una tasa de interés (enfoque o señales vía precio)
Período (1998:01-2011:12)
Modelos VAR (sub-período)
- Indicador de política monetaria: una tasa de interés (enfoque o señales vía precio)
Período (2004:01-2011:12)
Fuente: Elaboración propia (2013).
Por una parte, para el análisis empírico de la transmisión monetaria, según el
enfoque sectorial, se utilizaron una serie de variables como medidas del producto de
algunas actividades o sectores productivos que conforman la economía venezolana,
para ello se utilizó, el valor agregado bruto (VAB) de las actividades económicas que
conforman el PIB total que, a priori se espera, que probablemente pudieran ser
50
Teóricamente, sobre la base de la especificación del modelo IS-LM en forma estocástica, y con un objetivo final de mantener el producto cercano a su nivel de pleno empleo, el problema la selección de un instrumento de política depende de la importancia relativa de las perturbaciones aleatorias del mercado de bienes y monetario y, de los parámetros de las funciones IS-LM. Para una excelente explicación sobre este tópico véase a: (Olivo, 2011).
127
afectadas (sensibles) a las acciones de política monetaria, siguiendo a Mies et al.,
(2002) y Bravo et al., (2003) tales como: Manufactura, Construcción, Comercio y
servicio de reparación, así como también el VAB de la actividad no petrolera, la cual
representa, en promedio durante el período de estudio un 74,5% del PIB total, de
manera de que sirva de marco de referencia como un enfoque agregado. Es importante
señalar, que sólo se incorpora la inflación general de la economía medida por el IPC-
AMC y el núcleo inflacionario (Base Dic. 2007 = 100)51.
En este sentido, se estiman un VAR individual por cada actividad económica o
valores agregados sectoriales (mensuales), acorde con los estudios realizados en el
ámbito internacional, y debido a que lo que se pretende es identificar, en cierta forma, si
los choques monetarios de política del BCV tienen efectos reales, y las posibles
diferencias en la respuesta, en términos de magnitud relativa, retardos temporales y
direccionalidad, entre los diferentes sectores productivos.
Cada modelo VAR, de forma genérica52, está compuesto por un conjunto de
variables, además del instrumento a utilizar como variable de política (agregado
monetario (m) o tasa de interés de política (to o tpm)) entre dichas variables se
encuentra: como canales de transmisión, la tasa de interés nominal activa (ta), el crédito
en términos reales o nominales del sistema bancario, dependiendo del caso, para cada
sector productivo (cre_rt sector i), y como variable finales de política macroeconómica
(objetivos) el PIB total53, la inflación general a nivel del consumidor (p) o el núcleo
inflacionario (ni), ya que la tasa de inflación es un objetivo de política de la autoridad
monetaria, y el VAB de cada sector (vab sector i), adicional a esto todos los modelos
incorporan una constante, variables dummies cuando se requieran con el propósito de
capturar, en cierta forma, los efectos adversos del paro empresarial y de la industria
51
Esto se debe, primeramente, a que no se dispone de deflactores implícitos del VAB por actividad económica trimestral y mensual y segundo que el objetivo del presente estudio, para este caso, es analizar los efectos sobre el producto sectorial. 52
La descripción completa de cada modelo o sistema VAR se presenta en la sección correspondiente a su estimación y análisis, de igual, forma en el anexo 5 se presentan los resultados (salidas) de las distintas especificaciones de los modelos VAR y sus pruebas econométricas. 53
El incorporar el PIB total antes del producto de cada sector (en el ordenamiento del VAR) es, entre otras razones, para intentar recoger el cambio en la demanda agregada, como resultado de los choques monetarios, sobre la demanda sectorial.
128
petrolera acontecidos a finales del año 2002 y principios del 2003, sobre el producto
además de los efectos de la crisis financiera internacional durante los años 2008 y 2009
sobre el desempeño económica del país y, un vector de variables exógenas de control
(x) que intenta capturar algunos factores que influyen en el comportamiento de la
política monetaria, sobre todo en lo que se refiere a la acción expansiva que ejerce el
sector público sobre el dinero base (creación primaria de dinero) y el tipo de cambio
nominal de mercado (tcn), el cual varía ligeramente en función de cada modelo. Por lo
tanto, el conjunto de variables, en forma genérica, para cada modelo VAR estaría
representado de la siguiente forma para cada instrumento de política:
(86)
Por otra parte, los modelos VAR para el análisis del enfoque regional se
elaboraron con datos mensuales durante el período (1998-2011) y para el sub-período
(2004-2011) con una estructura, en cuanto a las variables que lo conforman y su
ordenamiento, relativamente similar a los del enfoque sectorial. Por consiguiente, se
utilizan las siguientes variables, el instrumento de política a utilizar (agregado monetario
(m) y/o tasa de interés de política monetaria (to o tpm)), como variables de canales de
transmisión se utilizaron: el tipo de cambio nominal o real de mercado (tcn), la tasa de
interés real activa (ta) y como variables finales de política (objetivos) se emplearon el
PIB total, la inflación general a nivel del consumidor (p) o el núcleo inflacionario (ni), el
índice de volumen de la producción de la actividad de manufactura privada a nivel
nacional (ynac) y regional (yzul), para cada especificación independientemente, y un
vector de variables exógenas (x) similar a las utilizadas en el enfoque sectorial. El
conjunto de variables, en forma genérica, para cada modelo VAR (sin restricciones)
estaría representado de la siguiente forma para cada instrumento de política:
(87)
129
CAPÍTULO IV
ESTRUCTURA ECONÓMICA Y HECHOS ESTILIZADOS
EN VENEZUELA: UN ENFOQUE SECTORIAL Y
REGIONAL. PERÍODO (1998-2011)
130
4.1. Estructura productiva y hechos estilizados de la economía venezolana: un enfoque
sectorial. Período (1998-2011).
El propósito de esta sección es caracterizar la estructura productiva de la
economía venezolana así como también resaltar algunos hechos estilizados sobre el
comportamiento de diferentes variables macroeconómicas durante el período (1998-
2011) y que son determinantes a los efectos del diseño, formulación y evaluación de las
políticas económicas, y que condicionan en gran forma los efectos de las acciones de
política monetaria sobre el sector real y los precios en la economía.
Dentro de este orden de ideas, y tal como se mencionó anteriormente, debido a
las diferencias tecnológicas, estructurales e institucionales entre los diferentes sectores
y/o actividades económicas, es de esperar que la respuesta de los sectores productivos
ante un shock de política monetaria no sea uniforme, tanto en magnitud como en
horizonte temporal entre las distintas industrias, afectando así el comportamiento, a
través de las diferentes relaciones interindustriales dentro de la estructura económica,
de la producción agregada.
Unas de las primeras causas probables de este comportamiento asimétrico, es
que pueden existir diferencias en las elasticidades implícitas en el canal de la tasa de
interés y su transmisión hacia la demanda agregada, al existir características
divergentes en las funciones de inversión y de consumo, en efecto, un sector dedicado
a la producción de bienes de capital y bienes de consumo durables debería ser más
sensible a las acciones de política monetaria que uno de bienes de consumo no
durables, ya que las fluctuaciones en la demanda incidirán con mayor intensidad para
los primeros bienes (Mies, et al., 2002). Asimismo, aquellos proyectos de inversión con
horizontes de tiempo más extensos serán más sensibles a los cambios y a la estructura
temporal de las tasas de interés con las cuales se descuentan los flujos de caja.
Por su parte, y con relación al canal de precio de otros activos, sectores o
actividades que producen bienes que a su vez son activos de inversión, tal como lo es
131
la construcción, pudieran ser más sensibles en su respuesta a las variaciones en la tasa
de interés, asimismo, un razonamiento similar pudiera aplicarse con aquellas
actividades económicas cuya valoración dependa de forma importante de las
expectativas futuras con un grado significativo de incertidumbre, tales como aquellas
actividades tecnológicas o emergentes, o para aquellos sectores que tienen gran parte
de su riqueza invertidas en activos de alta sensibilidad a la tasa de interés (Bravo, et al.,
2003).
Otros de los elementos que contribuye a las diferentes reacciones entre las
industrias antes cambios en las acciones de política monetaria, es el grado de
dependencia de las de las mismas al crédito como fuente de financiamiento, a través de
este canal, aquellos sectores productivos que dependen en mayor medida del
financiamiento del crédito bancario serán más sensibles a los efectos de hojas de
balance y de crédito antes choques de política monetaria. En efecto, es probable que
aquellas industrias menos concentradas y con empresas relativamente pequeñas sean
más sensibles a los choques de política, en comparación a otros sectores, al
enfrentarse a un entorno de restricciones de crédito más severo por su menor acceso al
financiamiento por vías distintas del sector bancario.
Con relación al canal del tipo de cambio, igualmente el impacto de un movimiento
en la paridad causado por la política monetaria será asimétrico entre los sectores
productores de bienes transables y no transables, en este sentido, los sectores con un
grado significativo de apertura al exterior debiesen experimentar, ante un cambio en la
tasa de interés, sobre la base de un régimen cambiario flexible, un efecto adicional, vía
tipo de cambio, al de aquellos sectores de bienes no transables, como los servicios
(Mies, et al., 2002), asimismo, aquellos sectores que en sus estructuras de costos
posean un alto componente importado de bienes intermedios deberían ser
relativamente más afectados que los sectores intensivos en bienes intermedios
nacionales, pudiéndose así transmitir estos efectos asimétricos a los niveles internos de
precios de la economía. Por todo lo anteriormente expuesto, a continuación se
132
presentan los hechos estilizados más resaltantes y la estructura económica del país a
nivel sectorial durante el período de estudio.
En efecto, con relación al comportamiento del producto agregado durante el
período de 1998-2011 la tasa de crecimiento promedio anualizada del PIB total (a
precios constantes de 1997) en la economía ha sido en promedio de 2,7%, con una
desviación típica, con respecto a su media, de 9,0%, influenciado en gran forma por los
efectos adversos de los eventos políticos ocurridos en los años 2002 y 2003, tal como
se muestra en el gráfico 1, allí se presenta el desenvolvimiento temporal del PIB total y
el valor agregado bruto (VAB) de la actividad no petrolera, registrando este último
durante el período de análisis una tasa promedio de variación trimestral anualizada de
3,1% con una volatilidad de 7,9% respecto a su tasa de crecimiento media.
Gráfico 1
Producto interno bruto total y valor agregado bruto de la actividad no petrolera
A precios constantes de 1997. Período (1998-2011)
(Variaciones anualizadas)
Fuente: BCV y elaboración propia (2013).
-30
-20
-10
0
10
20
30
40
I II IIIIV I II IIIIV I II IIIIV I II IIIIV I II IIIIV I II IIIIV I II IIIIV I II IIIIV I II IIIIV I II IIIIV I II IIIIV I II IIIIV I II IIIIV I II IIIIV
1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
(%)
PIB VAB actividad no petrolera
Paro
petrolero
133
0,6
2,3
3,2
3,5
3,5
3,9
5,1
6,2
6,6
9,0
9,9
10,0
11,5
15,7
16,2
0 5 10 15 20
Minería
Electricidad y agua
Instituciones financieras y seguros
Transporte y almacenamiento
Sifmi 2/
Comunicaciones
Serv. comunitarios, soc. y personales y produc. de serv. priv. no lucrativos
Resto 1/
Construcción
Comercio y servicios de reparación
Impuestos netos sobre los productos
Servicios inmobiliarios, empresariales y de alquiler
Produc. servicios del Gobierno General
Actividad petrolera
Manufactura
(%)
Al analizar los efectos sectoriales de la política económica, en general, y de la
política monetaria, en particular, es importante conocer el peso que posee el valor
agregado de cada actividad con respecto al PIB total, así como también las relaciones
interindustriales entre sectores54, en el gráfico 2 se presenta la participación promedio
de las diferentes actividades económicas con respecto a la producto agregado, medida
por el PIB, durante el período (1998-2011).
Gráfico 2
Producto interno bruto, según clase de actividad económica. Período (1998-2011)
A precios constantes de 1997
(Participación promedio porcentual)
1/ Incluye: Agricultura privada, Restaurantes y hoteles privado y Actividades diversas públicas. 2/ Servicios de intermediación financiera medidos indirectamente.
Fuente: BCV y cálculos propios (2012).
54
Para los efectos del presente estudio, sólo se considerará los efectos directos e indirectos de las acciones de política monetaria, a través de sus canales de transmisión, sobre los distintos sectores productivos de la economía, sin embargo, en la realidad existen una serie de relaciones interindustriales entre las diferentes actividades económicas con relación al flujo de bienes y servicios entre las mismas en sus estructuras de costos de producción (consumo intermedio) que pueden modificar y amplificar dichos efectos, dichas relaciones se pueden visualizar y analizar, así como también estimar y simular con el propósito, entre otros, de formulación y evaluación de políticas públicas mediante las matrices de insumo producto (MIP) y matrices de contabilidad social (MCS), para un análisis de estos instrumentos así como también sus aplicaciones véase: FMI., OCDE., Naciones Unidas (1993), Hernández (2005) y BCV (2009).
134
-0,5
3,1
0,5
1,6
3,3
4,5 4,3
2,8
10,8
8,6
2,4
4,7
3,52,9
8,9
8,2
0
5
10
15
20
25
30
35
40
-2
0
2
4
6
8
10
12
Activ
idad p
etr
ole
ra
Activid
ad n
o p
etr
ole
ra
Min
ería
Manufa
ctu
ra
Ele
ctr
icid
ad y
agua
Const
rucció
n
Com
erc
io y
serv
icio
s de r
epara
ció
n
Tra
nsp
ort
e y
alm
acenam
iento
Com
unic
acio
nes
Inst
itucio
nes
financie
ras
y s
eguro
s
Serv
icio
s in
mobili
arios,
em
pre
sariale
s y d
e
alq
uile
r
Serv
. com
unita
rios,
soc. y p
ers
onale
s y p
roduc.
de s
erv
. priv. no lu
cra
tivos
Pro
duc. se
rvic
ios
del G
obie
rno G
enera
l
Rest
o 1
/
Menos:
Sifm
i 2/
Impuest
os
neto
s so
bre
los
pro
ducto
s
Desvia
ció
n e
stá
nd
ar
Pro
med
io e
n (
%)
Promedio
Desviación estándar
PIB Total
Var. (%) Promedio: 2,7%
Desv. Estándar: 9,0
Tal como se puede apreciar la actividad de manufactura es la que posee la
mayor participación relativa en el PIB total de la economía, el VAB de la misma
representa, en promedio, el 16,2% del PIB, seguido por el VAB actividad petrolera
(15,7%); el VAB de los servicios de gobierno general (11,5%); el VAB de los servicios
inmobiliarios, empresariales y de alquiler (10,0%); el monto de los impuestos netos
sobre los productos (9,9%); el VAB de la actividad de comercio y servicios de
reparación (9,0%); construcción (6,6%) entre otros.
Dentro de este orden de ideas, en el gráfico 3 se presenta la variación promedio
trimestral, así como también su volatilidad, durante el período (1998-2011) de las
diferentes actividades y componentes del PIB.
Gráfico 3
Producto interno bruto, según clase de actividad económica. Período (1998-2011)
A precios constantes de 1997
(Variación trimestral anualizada promedio porcentual)
1/ Incluye: Agricultura privada, restaurantes y hoteles privado y actividades diversas públicas. 2/ Servicios de intermediación financiera medidos indirectamente.
Fuente: BCV y elaboración propia (2012).
135
Del gráfico anterior, destaca que las dos actividades más representativas de la
producción agregada, a saber, la actividad de manufactura y petrolera, han registrado
una tasa de crecimiento anual promedio menor a la del PIB total (2,7%) con 1,6% y
-0,5%, respectivamente, con una volatilidad, medida por la desviación estándar con
respecto a sus valores medios en cada caso respectivo, de 12,1 y 12,8; por encima de
la volatilidad del PIB total (9,0).
Por su parte, entre las actividades cuya tasa de variación trimestral anualizada
promedio está por encima de la PIB total destacan: comunicaciones (10,8%); el SIFMI
(8,9%); Instituciones financieras y seguros (8,6%); servicios comunitarios, sociales,
personales e instituciones sin fines de lucro privadas que prestan servicios a los
hogares (4,7%); construcción (4,5%); comercio y servicios de reparación (4,3%); entre
otras. Es importante destacar, que las actividades y componentes del PIB total que han
registrado mayor volatilidad, medida por la desviación típica en torno a su valor medio,
son: los Impuestos netos sobre los productos (36,1); el SIFMI (20,7); Instituciones
financieras y seguros (20,4); Construcción (19,7); Minería (13,6) y Transporte y
almacenamiento (13,0); entre otros.
Por otro lado, y en lo que se refiere a la estructura productiva de la economía,
atendiendo y asumiendo, en cierta forma, que las relaciones estructurales en la
economía se mantienen relativamente constantes en el corto y mediano plazo, en el
gráfico 4 se presenta la estructura promedio de la oferta total según sus componentes y
por actividad económica, a precios constantes de 1997, durante el período (1997-
2007)55.
55
La información proviene del anuario de cuentas nacionales publicados por el BCV, disponible en su portal electrónico, específicamente del cuadro de oferta y utilización total de la economía durante el período 1997-2007, la selección del período de análisis ha sido en función de la disponibilidad y pertinencias de la información estadística, ya que para el momento de elaboración del presente estudio se dispone de la serie anual de los datos hasta el año 2007.
136
-40
-20
0
20
40
60
80
100
120
Agricultura, ganadería, caza y silvicultura
Pesca
Explotación de minas y canteras
Industrias manufactureras
Suministro de electricidad, gas y agua
Construcción
Comercio al por mayor y al detal, reparación de vehículos
automotores, motocicletas, efectos personales y enseres domésticos
Hoteles y restaurantes
Transporte, almacenamiento y comunicaciones
Intermediación financiera
Actividades inmobiliarias, empresariales y de alquiler
Administración pública y defensa, planes de seguridad social de afiliación
obligatoria
Enseñanza
Servicios sociales y de salud
Otras actividades de servicios comunitarios, sociales y personales
Servicio doméstico
Importaciones CIF
Producción (Precios básicos)
Impuestos tipo IVA
Impuestos netos a los Productos exc. IVA e Impuestos a la Importación
Derechos de Importación
Gráfico 4
Oferta total, según componentes y actividades económicas de origen
(Participación promedio porcentual a precios constantes de 1997)
Período (1997-2007)
Fuente: BCV, Anuarios de cuentas nacionales y cálculos propios (2012).
Allí se muestra la participación promedio relativa de los componentes de la oferta
total de bienes y servicios de la economía por actividad económica56, destacando la
significativa participación de la actividad de manufactura en los diferentes componentes
de la oferta total de bienes y servicios.
En efecto, en lo que se refiere a la producción (a precios básicos) total de la
economía las industrias manufactureras representa, en promedio, el 31,4% de la
producción de la economía, seguido de la actividad de explotación de minas y canteras
56
Según la Clasificación Industrial Internacional Uniforme (CIIU) revisión 3 (en adelante CIIU Rev. 3).
137
(11,3%); comercio al por mayor y al detal, reparación de vehículos automotores,
motocicletas, efectos personales y enseres domésticos (9,0%); actividades
inmobiliarias, empresariales y de alquiler (8,1%); construcción (7,9%); transporte,
almacenamiento y comunicaciones (7,0%); agricultura, ganadería, caza y silvicultura
(4,8%); entre otras, asimismo, con respecto al componente de las importaciones (CIF)
el 84,6% de las mismas corresponden a las industrias manufactureras, seguida por
transporte, almacenamiento y comunicaciones (8,0%) y la actividad de agricultura,
ganadería, caza y silvicultura (3,6%); entre otras.
Por su parte, en lo que corresponde al monto de los impuestos tipo valor
agregado (IVA), en promedio, el 70,8% de lo recaudado durante el período (1997-2007)
corresponde a los productos de las industrias manufactureras, un 11,2% a la actividad
de hoteles y restaurantes, seguido de transporte, almacenamiento y comunicaciones
(8,1%); Actividades inmobiliarias, empresariales y de alquiler (5,8%); entre otros.
Asimismo, con relación a los impuestos netos a los productos excluyendo el IVA e
impuestos a la producción y los derechos de importación la mayor participación con
relación a los respectivos montos de cada componente corresponde a la actividad de
manufactura.
Según él enfoque de la utilización (demanda a precios de comprador) total de los
bienes y servicios en la economía, a precios constantes de 1997, durante el período
1997-2007, tal como se puede apreciar en el gráfico 5, del componente de demanda
intermedia total, en promedio, el 52,5%, corresponde a productos de las industrias
manufactureras, un 10,4% a actividades inmobiliarias, empresariales y de alquiler,
mientras que las actividades de agricultura, ganadería, caza y silvicultura y, explotación
de minas y canteras representan un 7,5% y 6,0%, respectivamente.
En lo que respecta, al componente de consumo privado total de la economía, en
promedio, durante el período de análisis un 53,7% del mismo se origina de las
industrias manufactureras, un 9,2% de las actividades inmobiliarias, empresariales y de
alquiler, mientras que la actividad de hoteles y restaurantes representa un 8,5% con
138
-10
0
10
20
30
40
50
60
70
80
90
100
Agricultura, ganadería, caza y silvicultura
Pesca
Explotación de minas y canteras
Industrias manufactureras
Suministro de electricidad, gas y agua
Construcción
Comercio al por mayor y al detal, reparación de vehículos
automotores, motocicletas, efectos
personales y enseres domésticos
Hoteles y restaurantes
Transporte, almacenamiento y comunicaciones
Intermediación f inanciera
Actividades inmobiliarias, empresariales y de
alquiler
Administración pública y defensa, planes de seguridad social de
af iliación obligatoria
Enseñanza
Servicios sociales y de salud
Otras actividades de servicios comunitarios, sociales y personales
Servicio doméstico
Demanda Intermedia Consumo Privado Consumo Público
Formación Bruta de Capital Fijo Variación de Existencias Exportaciones FOB
respecto al total, seguido de la actividad de transporte, almacenamiento y
comunicaciones (8,2%); agricultura, ganadería, caza y silvicultura (5,2%); entre otros.
Gráfico 5
Utilización total, según componentes y actividades económicas de origen
(Participación promedio porcentual a precios constantes de 1997)
Período (1997-2007)
Fuente: BCV, Anuarios de cuentas nacionales y cálculos propios (2012).
Asimismo, en lo que se refiere al componente de la formación bruta de capital
fijo57 (FBCF) y variación de existencias, según actividad de origen, las industrias
manufactureras representan durante el período (1997-2007), en promedio, el 47,1% y el
96,9%, respectivamente, con relación al total de inversión, por su parte, los bienes de la
actividad de construcción, en promedio, representa el 45,9% de la FBCF y el 2,9% de la
variación de existencias, de la inversión total de la economía, mientras que las
57
Incluye adquisiciones menos disposiciones de objetos valiosos.
139
actividades inmobiliarias, empresariales y de alquiler sólo representan el 4,8% del total
de la FBCF de la economía.
Por otro lado, en cuanto al componente de las exportaciones totales (FOB) de la
economía, durante el período de análisis, cabe destacar, que el 52,2% corresponde a
productos originados de la actividad de explotación de minas y canteras, de los cuales a
su vez, en promedio, un 95,2% corresponde a la actividad específica de extracción de
petróleo crudo y gas natural, por su parte, las industrias manufactures representan, en
promedio, el 42,9% de las exportaciones totales. Finalmente y con relación al consumo
público de la economía entre las actividades que, en promedio, poseen una mayor
participación relativa con respecto a su valor total destacan: administración pública y
defensa, planes de seguridad social de afiliación obligatoria (51,6%); enseñanza
(32,5%); servicios sociales y de salud (11,6%); entre otras.
En concreto, del análisis anterior se puede decir que desde el enfoque de la
oferta entre las actividades que poseen durante el período (1997-2007), en promedio,
un mayor porcentaje respecto a los componentes de la oferta total de bienes y servicios
de la economía corresponde a las industrias manufactureras, a la actividad de
explotación de minas y canteras y, comercio al por mayor y al detal, reparación de
vehículos automotores, motocicletas, efectos personales y enseres domésticos (con
relación a la producción), asimismo, y desde el enfoque de la utilización total de los
bienes y servicios la actividad de manufactura representa la mayor participación relativa
en la mayoría de los componentes de la demanda, excepto en el nivel de
exportaciones, destacando su importancia relativa como actividad de origen de los
bienes destinados a la demanda intermedia de las otras actividades de la economía, en
el consumo privado de los hogares y en el nivel de inversión, junto a la actividad de
construcción, por lo que al ser probable que dichas actividades pudieran ser
relativamente más sensibles a los cambios en la tasa de interés real sus efectos
pudieran generar diversos cambios en otras actividades económicas relacionadas y en
algunos componentes del gasto agregado.
140
Por su parte, y con relación a las exportaciones cabe destacar la característica
particular de la economía venezolana cuya principal actividad de exportación es la
categoría de extracción de petróleo crudo y gas natural, resaltando su condición de una
economía rentista (Baptista, 2006), no obstante, las industrias manufactureras tiene una
significativa participación en los niveles de exportación, así como de importación, tal
como se mencionó anteriormente, por lo que adicionalmente, pudiera ser un sector
productivo relativamente más sensible a las fluctuaciones del tipo de cambio real con
relación a otras actividades económicas.
No obstante, durante el período (1997-2007), en promedio, más del 80,9% de las
exportaciones (FOB) de origen manufacturero corresponden a la actividades de:
Fabricación de productos de la refinación del petróleo y combustible nuclear (51,3%);
Industrias básicas de hierro y acero (10,5%); Fabricación de productos primarios de
metales preciosos y metales no ferrosos (10,3%); Fabricación de sustancias químicas
(5,8%) y Fabricación de vehículos automotores, remolques y semi-remolques (3,0%)
dichas actividades son muy especificas en cuanto a sus métodos y tecnologías de
producción y además gran parte de su producción proviene del sector público, lo cual
implica que el análisis de este sector o actividad debe realizarse con cautela
considerando los aspectos anteriormente señalados.
Adicionalmente, en el cuadro 3 se presenta la participación promedio trimestral
porcentual de los componentes de la oferta y demanda global para la economía,
durante el período 1998-2011, en donde se destaca, desde el enfoque de la oferta
global, la alta participación del producto interno bruto no petrolero y las importaciones
de bienes y servicios con 56,5% y 24,2%, respectivamente, con relación al total de
oferta, por su parte, en lo que respecta a la demanda global, el gasto de consumo final
privado representa el 46,8%, mientras que la formación bruta de capital fijo (FBCF) y las
exportaciones de bienes y servicios representan el 20,1% y el 18,0%, respectivamente.
141
Oferta Global (%) Demanda Global (%)
Producto Interno bruto 75,8 Demanda agregada interna 82,0
Petrolero 11,9 Gasto de consumo final del gobierno 11,6
No petrolero 56,5 Gasto de consumo final privado 46,8
Derechos de importación 1,6 Formación bruta de capital fijo 20,1
Impuestos netos sobre los productos 5,9 Variación de existencias 3,5
Importaciones de bienes y servicios 24,2 Exportaciones de bienes y servicios 18,0
Cuadro 3
Oferta y demanda global
Período (1998-2011)
(Participación promedio porcentual)
Fuente: BCV y cálculos propios (2012).
Así como es importante conocer la estructura productiva de la economía para
efectos de formulación y evaluación de las políticas públicas igualmente resulta
fundamental conocer el comportamiento cíclico a nivel agregado y sectorial de la
economía con el propósito de diseñar políticas anticíclicas acordes a las
interdependencias dinámicas de la estructura productiva de la economía, en este
sentido, con relación al comportamiento cíclico sectorial Cartaya, Sáez y Zavarce (2010)
utilizando series de frecuencias mensuales y trimestrales durante el período 1984-2009,
estudian los ciclos de actividad económica y comovimientos sectoriales en la economía
venezolana, entre sus principales resultados destacan: que entre las actividades que
muestran una mayor coincidencia con el comportamiento del PIB total son la actividad
de manufactura, comercio y construcción, y que según la evidencia disponible la
actividad de manufactura pareciera adelantarse un trimestre al PIB en el último período
recesivo, asimismo, con relación a la profundidad de las recesiones, el sector
construcción destaca por su volatilidad registrando caídas, en promedio, en torno al
50,0% respecto a la cima superior.
Además, en dicho estudio, el sector petrolero mostró recesiones que poseen
igual duración promedio (6 trimestres) que la actividad de manufactura, comunicaciones
y transporte, mientras que el sector no petrolero, el PIB total y el sector eléctrico tienen
recesiones, relativamente, de menor duración. Finalmente según los hallazgos de los
142
autores las actividades de comercio y manufactura tienden a adelantarse al PIB total en
algunos períodos recesivos y expansivos.
4.1.1. Estructura sectorial de la fuerza de trabajo.
Unos de los mercados de mayor relevancia dentro de la economía es el mercado
de trabajo, debido a que para las empresas el trabajo, generalmente, es su principal
factor de producción, mientras que para los hogares la principal fuente de ingreso es la
remuneración salarial, la cual a su vez incide directamente, desde el punto de vista del
factor de producción, en los costos marginales de producción y estos en la tasa de
inflación, mientras que desde el punto de vista del ingreso, el salario afecta el nivel de
consumo y por ende a la demanda agregada, asimismo, la fuerza de trabajo está
directamente relacionada con el nivel de producción y además en el corto plazo,
manteniendo el acervo de capital constante, dicho factor trabajo está estrechamente
relacionado con las fluctuaciones en el producto y/o demanda agregada, es decir, que
los cambios en el nivel de producción están directamente relacionado con la tasa de
empleo, o de forma equivalente, que posee una relación inversa con respecto a la tasa
de desocupación.
Dentro de este orden de ideas, y desde un enfoque sectorial, si las fluctuaciones
de la producción de las diferentes actividades económicas no son homogéneas éstas
afectarán de forma desigual el nivel de empleo de cada industria, con su respectivos
efectos en el bienestar social de la población y sobre el nivel de consumo privado en la
economía, el impacto final sobre el producto agregado y el gasto de consumo total
dependerá en gran forma de la importación relativa de la fuerza de trabajo ocupada de
cada actividad económica con respecto al nivel de empleo total, precisamente, en el
gráfico 6 se presenta la importancia relativa que posee, en promedio, el nivel de empleo
cada actividad con respecto al nivel de empleo total para la economía, durante el
período (1998-2011).
143
0,3
0,5
0,8
5,1
8,0
8,4
9,5
12,2
24,7
30,5
0 5 10 15 20 25 30 35
Activ. No bien especificadas y/o no declaradas
Electricidad, gas y agua
Explotación de hidrocarburos, minas y canteras
Establ. Financieros, seguros, bienes inmuebles
Transporte, almacenamiento y comunicaciones
Construcción
Actividades agrícolas, pecuarias y caza
Industria manufacturera
Comercio, restaurantes y hoteles
Servicios comunales, sociales y personales
(%)
Sector primario: 10,3%
Sector secundario: 21,1%
Sector terciario: 68,3%
Gráfico 6
Población ocupada según rama de actividad económica
Período (1998-2011)
(Participación promedio porcentual)
Fuente: INE y cálculos propios (2012).
Allí se muestra que la actividad de servicios comunales, sociales y personales
(ver CIIU Rev. 3) representa, en promedio, un 30,5% del empleo total, asimismo, la
actividad de comercio, restaurantes y hoteles posee un 24,7% del total de población
ocupada de la nación, seguido por la industria manufacturera (12,2%); actividades
agrícolas, pecuarias y caza (9,5%); construcción (8,4%); entre otras, en efecto, el 68,6%
del empleo total se ubica en el sector terciario de la economía (al incluir en este sector a
las actividades no bien especificadas), mientras que un 21,1% y un 10,3% del empleo
corresponde al sector secundario y primario de la economía, respectivamente.
Por su parte, en el gráfico 7 se presenta el comportamiento de la tasa de
desempleo semestral según rama de actividad económica durante el período (1998-
2011), según la información estadística, la tasa promedio de desempleo total durante
ese lapso de tiempo es de 11,8%, con una desviación típica de 3,5%; asimismo, las
144
actividades que han registrado en promedio una tasa de desempleo superior a la tasa
de desempleo total son: construcción (21,7%) con una desviación típica con respecto a
su valor medio de 6,5%; actividades no bien especificadas y/o no declaradas (17,4%)
con una desviación típica de 8,0% y la actividad de explotación de hidrocarburos, minas
y canteras (12,7%) asociada con una desviación típica de 5,5%; mientras, que entre las
actividades que reportaron en promedio una tasa de desempleo por debajo del total
nacional, destacan: establecimientos financieros, seguros y bienes inmuebles (11,5%)
con una desviación típica de 3,9%; industria manufacturera (10,8%) con una desviación
típica de 3,7%; comercio, restaurantes y hoteles (10,0%) con una desviación típica de
3,2%; entre otras actividades.
Gráfico 7
Tasa de desempleo, según rama de actividad económica
Período (1998-2011)
Fuente: INE y elaboración propia (2012).
4.1.2. Comportamiento sectorial de los precios en la economía.
Entender el comportamiento de los precios es un factor clave para establecer la
forma en que la política monetaria se transmite en la economía. Una visión
generalizada de la literatura económica sostiene que, entre unas de las condiciones
para que la política monetaria tenga efectos reales significativos, es necesario que
0
5
10
15
20
25
30
35
40
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
(%)
Total nacionalActividades agrícolas, pecuarias y cazaIndustria manufactureraConstrucciónComercio, restaurantes y hoteles
0
5
10
15
20
25
30
35
40
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1Sem
2Sem
1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
(%)
Establecimientos financieros, seguros y bienes inmuebles
Servicios comunales, sociales y personales
Explotación de hidrocarburos, minas y canteras
Electricidad, gas y agua
Actividades no bien especificadas y/o no declaradas
145
exista un ajuste nominal imperfecto, es decir, que los precios no sean completamente
flexibles, al menos en el corto plazo (Romer, 2006).
En este sentido, Ball, Mankiw y Romer (1988) señalan que si los efectos reales
de los cambios en la demanda agregada (choque nominal) hacia el producto surgen de
fricciones en el ajuste de precios, la tasa promedio de inflación influye en la magnitud
de tales efectos. En este sentido, éstos autores sostienen que a mayores tasas de
inflación en una economía, las empresas podrían ajustar con más frecuencia sus
precios para mantenerse al ritmo de los cambios en el nivel general de precios, lo que
implica que cuando se produzca una perturbación de la demanda agregada, las
empresas podrán pasar dicho choque más rápidamente a los precios, con lo cual los
efectos reales serán menores (Romer, 2006).
Así mismo, teóricamente se afirma, que en una economía de baja inflación, se
espera que exista muchos sectores que fijan sus precios y los cambian con poca
frecuencia, mientras que en economías con altas tasas de inflación se esperaría que
haya muy pocos precios fijos y por lo tanto, que exista muchas empresas que cambian
con mayor frecuencia sus precios, siendo más generalizada la flexibilidad de precios, de
acuerdo a estos planteamientos se puede decir que en economías con altas tasas de
inflación la curva de oferta agregada de Phillips sea relativamente más vertical que en
economías de baja inflación, donde hay más precios inflexibles (De Gregorio, 2007).
Dentro de este orden de ideas, Fernández (2009) evalúa que tan flexibles son los
precios a nivel de consumidor en una economía inflacionaria como la venezolana,
utilizando información de las bases de datos de precios que se utilizan para calcular el
índice de precios al consumidor del área metropolitana de Caracas (IPC-AMC), durante
un período muestral que va desde enero de 2000 hasta diciembre de 2007, para un
potencial de casi tres millones de precios específicos de bienes y servicios. Entre sus
principales hallazgos destacan: primeramente, que los precios en Venezuela duran en
promedio 2,4 meses, con una mediana de 2 meses, por lo que estos cambian de
manera más rápida (mayor flexibilidad) a lo observado en otros países, segundo, que la
146
0
10
20
30
40
50
60
1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
(%)
IPPM IPM IPC-AMC
Desv. Estándar:
IPPM = 9,4
IPM = 11,6
IPC-AMC = 7,3
duraciones de precios son heterogéneas, los precios de los servicios tienden a durar
más sin cambiar, mientras que los bienes relacionados al tipo de cambio varían más
frecuentemente y finalmente, que los precios en Venezuela muestran rigideces a la
baja.
Con el propósito de tener una idea sobre la realidad económica, con relación al
comportamiento de los precios durante el período de estudio, en el gráfico 8 se
presenta la tasa de inflación en tres niveles de la cadena de comercialización de los
bienes y servicios que se transan en la economía, a través del índice de precios de la
producción de la industria manufacturera privada (IPPM), del índice de precios al por
mayor (IPM) y el IPC-AMC.
Gráfico 8
Tasas de inflación anual promedio
Período (1998-2011)
(En porcentajes)
Fuente: BCV y cálculos propios (2012).
Tal como se puede apreciar en el gráfico anterior existe una relación estrecha
entre el comportamiento de las tasas de inflación de los precios a los tres niveles de la
147
cadena de comercialización de los bienes y servicios en la economía, la tasa promedio
de inflación durante el período de estudio a nivel de productor, medida por el IPPM fue
de 20,6%, con una desviación típica de 9,4%, por su parte a nivel de mayorista (IPM)
dicha tasa fue de 23,7%, con una desviación típica de 11,6%, mientras que a nivel de
consumidor (IPC-AMC) la inflación promedio fue de 23,4%, con una dispersión respecto
a su valor medio de 7,3%. Por otra parte, y desde un punto de vista más desagregado
en el gráfico 9 se muestra la tasa anualizada de variación anualizada del IPC-AMC
clasificadas por agrupaciones, de manera de tener una idea sobre la evolución de los
precios según el gasto de consumo individual por finalidades, que para los efectos del
presente estudio se podría considerar como medida proxy de los precios a nivel
sectorial.
Gráfico 9
Tasa de inflación anualizada a nivel de consumidor, según agrupaciones
Período (2001-2011)
(En porcentajes)
Fuente: BCV y cálculos propios (2012).
Unos de las principales características que se pueden apreciar en el grafico
anterior es el alto grado de asimetría, en términos de magnitud en el desenvolvimiento
temporal de la tasa de inflación de las diferentes agrupaciones que conforman el IPC-
AMC, durante el período (2001-2011), en efecto, en promedio, el grado de dispersión
con respecto a la media de inflación entre las agrupaciones es de alrededor de 10,2%.
Sin embargo, es importante señalar que en términos de tendencia y asociación lineal
0
10
20
30
40
50
60
70
80
90
Ene
Abr
Jul
Oct
Ene
Abr
Jul
Oct
Ene
Abr
Jul
Oct
Ene
Abr
Jul
Oct
Ene
Abr
Jul
Oct
Ene
Abr
Jul
Oct
Ene
Abr
Jul
Oct
Ene
Abr
Jul
Oct
Ene
Abr
Jul
Oct
Ene
Abr
Jul
Oct
Ene
Abr
Jul
Oct
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
(%)
Indice general Alimentos y bebidas no alcohólicas
Bebidas alcohólicas y tabacos Vestido y calzado
Alquiler de vivienda Servicios de la vivienda excepto teléfono
Equipamiento del hogar
-10
0
10
20
30
40
50
60
70
Ene
Abr
Jul
Oct
Ene
Abr
Jul
Oct
Ene
Abr
Jul
Oct
Ene
Abr
Jul
Oct
Ene
Abr
Jul
Oct
Ene
Abr
Jul
Oct
Ene
Abr
Jul
Oct
Ene
Abr
Jul
Oct
Ene
Abr
Jul
Oct
Ene
Abr
Jul
Oct
Ene
Abr
Jul
Oct
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
(%)
Salud Transporte Comunicaciones
Esparcimiento y cultura Servicio de educación Restaurantes y hoteles
Bienes y servicios diversos
148
entre el comportamiento de la tasa de inflación de las diferentes agrupaciones y el
índice general (inflación total) durante el período de análisis, en promedio, las series se
comportan muy similares, por ejemplo, con excepción de las agrupaciones alquiler de
viviendas, servicios de la vivienda, excepto teléfono, comunicaciones y servicio de
educación, todas las agrupaciones tienen un grado de asociación lineal con respecto a
la tasa de inflación general (IPC-AMC) mayores a 0,74 por lo que la mayoría de las
variaciones de los precios se ajustan, en promedio, a la inflación general.
4.1.3. Estructura del sector bancario en Venezuela: un análisis sectorial.
Tal como se mencionó anteriormente los intermediarios financieros
(especialmente los bancos) desempeñan un papel fundamental en la economía al
canalizar recursos desde las unidades o agentes económicos superavitarios hacia los
agentes deficitarios para llevar a cabo sus planes de consumo y/o de inversión, así
mismo, cabe destacar que existen empresas asociadas a ciertas actividades
económicas que son relativamente más dependientes al crédito bancario.
En este sentido, en el cuadro 4 se puede apreciar la participación promedio
porcentual de la demanda de la cartera de crédito real, deflactada por el IPC-AMC,
según actividad económica durante el período (1998-2011), allí se puede visualizar que
la actividad de establecimientos financieros, seguros, bienes inmuebles y servicios
prestados a empresas registró la mayor participación del crédito bancario con respecto
al total de la cartera de créditos del sistema bancario de la economía al ubicarse cerca
o más del 30,0% en los tres subperíodos, además, su participación con respecto a la
cartera de crédito total se mantuvo relativamente constante durante el período de
estudio, asimismo, la actividad de comercio al mayor y al detal y, restaurantes y hoteles
son demandantes de un poco más del 20,0% de la cartera de crédito total, mientras que
la actividad agrícola, pesquera y forestal paso de demandar, en promedio, el 8,0% de
los créditos totales de la economía durante los años 1998-2002 a un promedio de
15,5% durante los últimos cuatro años del período de estudio, finalmente cabe destacar
la disminución en la participación promedio de los créditos demandados por la actividad
149
de manufactura la cual se redujo en 5,1 puntos porcentuales, en promedio, durante el
período de estudio58.
Cuadro 4
Cartera de crédito real del sistema bancario, según destino por actividad económica
Período (1998-2011)
(Participación promedio porcentual)
Fuente: Sudeban y cálculos propios (2012).
En este sentido, y según la información estadística disponible, durante el período
de estudio, el sector terciario de la economía es el que posee la mayor participación del
crédito del sistema bancario nacional (66,8% durante el período 1998-2011), por lo que
probablemente sería unos de los sectores más sensibles antes cambios en las
condiciones demanda y oferta de la cartera de crédito bancario y en los efectos
específicos de hojas de balance sobre las industrias antes shocks de política monetaria
que puedan afectar a la cartera crediticia del sistema bancario. Su impacto sobre la
actividad económica dependerá de su participación relativa en el total en la producción
agregada y en el nivel de empleo total de la economía.
58
Cabe destacar que en Venezuela durante el período de estudio ha existido una normativa que establece un porcentaje mínimo obligatorio para los bancos de la cartera de crédito, así como también tasas activas de interés preferenciales, hacia ciertas actividades específicas, por ejemplo, las actividades agrícolas, de manufactura, de turismo, entre otras, los cuales han variado dependiendo de las decisiones de política económica influenciada por el estado de la coyuntura económica del país, entre otros factores.
1998-2002 2003-2007 2008-2011
I Agrícola, pesquera y forestal 8,0 12,2 15,5
I Explotación de minas y canteras 1,4 1,5 0,8
II Manufactura 13,3 13,5 8,2
II Electricidad, gas y agua 2,0 1,0 0,2
II Construcción 6,2 6,9 8,4
III Comercio al mayor y detal y, restaurantes y hoteles 22,8 24,5 20,9
III Transporte, almacenaje y comunicaciones 2,6 2,7 2,2
III Establecimientos financieros, seguros, bienes
inmuebles y servicios prestados a empresas 35,6 29,8 37,2
III Servicios comunales, sociales y personales 7,4 8,8 6,8
Actividades no bien especificadas 8,4 4,3 3,9
Menos: Provisión 7,7 5,2 4,1
Total 100,0 100,0 100,0
Promedio del períodoActividad económica
Sector
Económico
150
En efecto, el sector terciario de la economía posee el 68,2% de la población
ocupada del empleo total, seguidamente por el sector secundario (21,2%) y primario
(10,2%), en el gráfico 10 se puede apreciar la participación promedio porcentual
durante el período (1998-2010) de la población ocupada y de la cartera de crédito
según sector económico, en donde destaca el alto grado de correspondencia relativa
entre la estructura de participación de cada sector en el empleo y en la cartera de
créditos total.
Gráfico 10
Población ocupada y cartera de crédito real, según sector económico
Período (1998-2011)
(Participación promedio porcentual)
Fuente: INE, Sudeban y cálculos propios (2012).
Asimismo, unos de los factores que intensifican los efectos de la política
monetaria a través del canal del crédito, es el peso que posea los préstamos bancarios
como mecanismo de financiamiento en la economía, de manera de no existir sustitutos
perfectos, al menos con costos similares, que permitan financiar los proyectos de
inversión y los requerimientos de liquidez de las empresas, en este sentido, unas de las
variables que permiten medir este grado de dependencia es el índice de profundización
10,22
21,18
68,28
Población ocupada
Sector primario Sector secundario Sector terciario
Actividadesno bien especificadas: 0,31%
13,07
20,23
66,82
Cartera de crédito
Sector primario Sector secundario Sector terciario
Actividades no bien especificadas: 5,63%
Menos provisión: 5,75%
151
financiera59 calculado por el BCV, este indicador muestra, con relación a la cartera de
crédito, que el mismo ha pasado de 14,7% en el año 2000 a 28,6% en el año 2009 para
la economía total, mientras, que con relación a las transacciones en el mercado de
capitales, este indicador se ha mantenido en promedio en 1,8% durante el mismo lapso
de tiempo ubicándose muy por debajo del promedio de Suramérica (BCV, 2010).
Adicionalmente cabe destacar tal como se puede apreciar en el gráfico 11, por
un lado, que en promedio durante el período 1997-2007 un 61,1% de las colocaciones
del sector otras sociedades de depósito (banca comercial y universal, banca
hipotecaria, de inversión y otras) fueron destinados al sector no financiero60 de la
economía, a través de préstamos (79,5%) y valores distintos de acciones (13,6%) del
total de instrumentos financieros,61 mientras que un 32,4% se dirigieron al sector
financiero y el 6,5% restante al resto del mundo, por su parte, en lo que respecta a los
sectores otros intermediarios financieros (excluyendo las sociedades de seguros y
fondos de pensiones) y auxiliares financieros la mayor parte de sus colocaciones fueron
destinadas al mismo sector financiero.
Por otro lado, en promedio durante el período (1997-2007) el 45,4% de las
colocaciones del sector privado no financiero fueron destinadas al sector financiero, a
través principalmente de dinero legal (moneda legal y extranjera) y depósitos (75,7%),
valores distintos de acciones (11,2%) y sólo un 4,1% en acciones y participaciones de
capital, por su parte, un 27,4% y 27,2% de las colocaciones de este sector fueron
destinadas al sector externo y al mismo sector privado no financiero, respectivamente.
59
Medido como la relación entre cartera de crédito bruta/PIB no petrolero y/o transacciones totales del
mercado de capitales/PIB no petrolero. 60
Incluye sociedades no financieras, hogares e instituciones privadas sin fines de lucro que sirven a los
hogares (IPSFLSH). 61
Para un mayor detalle sobre las clasificaciones de los sectores e instrumentos financieros véase a:
FMI., OCDE., Naciones Unidas (1993) y la clasificación de los instrumentos financieros del Sistema de
Cuentas Nacionales de Venezuela disponible en el portal electrónico del BCV: www.bcv.org.ve.
152
-0,3
61,1
46,5
34,5
53,758,1
27,2
75,2
-0,5
32,4
51,5
44,8
22,5 22,6
45,4
24,8
100,8
6,51,9
20,723,8
19,3
27,4
0,0
-20
0
20
40
60
80
100
120
Banca central
Otras sociedades
de depósito total
Otros intermediarios
financieros exc. Soc. de
seg. y fondos de pensiones
Auxiliares financieros
Sociedades de seguro yfondos de pensiones
Sector públicono financiero
Sector privado no financiero
Resto del mundo
(%)
Sector no financiero Sector financiero Sector externo
Colocaciones
de Activos
Colocaciones
de Activos
Gráfico 11
Canales de financiamiento
Período (1997-2007)
(Participación promedio porcentual)
Fuente: BCV, Anuarios de cuentas nacionales y cálculos propios (2012).
Por otra parte, y con relación al desenvolvimiento temporal de la cartera de
crédito real en el gráfico 12 se puede apreciar durante el período (1998-2011) la
estrecha relación entre el crédito real y el comportamiento del PIB no petrolero, con un
grado de asociación lineal de 0,84, en sus tasas de crecimiento anual62. Sin que dicha
relación en escrutinio implique una dirección de causalidad determinada de una variable
hacia la otra.
62
De igual forma se estimaron las desviaciones de la cartera de crédito real y el valor agregado bruto no petrolero desestacionalizado (mediante el módulo Census X12 de Eviews 6.0) con respecto a su tendencias aproximadas por el filtro Hodrick-Prescott (HP) y se cálculo el coeficiente de correlación simple entre ambas series el cual fue de 0,80 durante el período de estudio. Cabe resaltar que el coeficiente de correlación simple entre las tasas de crecimiento anual de la cartera de crédito real y el PIB total fue de 0,72.
153
Gráfico 12
Cartera de crédito real y PIB no petrolero real
Período (1998-2011)
(Variación interanual real)
Fuente: BCV, Sudeban y cálculos propios (2012).
Al analizar la relación entre la cartera de crédito real y el producto, medido por el
VAB, de cada actividad económica durante el período (1998-2011) tal como se puede
apreciar en el cuadro 5, se tiene, que entre las actividades con mayores correlaciones
entre ambas variables, en sus tasas de crecimiento trimestral anualizadas son:
Comercio al mayor y detal, restaurantes y hoteles (0,78)63; Construcción (0,73);
Establecimientos financieros, seguros, bienes inmuebles y servicios prestados a
empresas (0,65); Transporte, almacenaje y comunicaciones (0,64); Manufactura (0,57)
y Servicios comunales, sociales y personales (0,51), por lo que se puede decir, que en
éstas actividades existe una alta relación positiva entre la variación anual de la cartera
de crédito real y sus respectivos VAB, mientras que, con relación a la actividad de
electricidad, gas y agua no se evidenció una asociación lineal significativa.
63
Para este caso se utilizó como variable para la producción de dicha actividad el VAB de la actividad de comercio y servicios de reparación.
-20
-15
-10
-5
0
5
10
15
20
25
-40
-20
0
20
40
60
80
100
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
Y2 (%)Y1 (%)
Crédito real (Y1) PIB no petrolero (Y2)
Coeficiente de correlación: 0,84
154
Cuadro 5
Tasas de crecimiento anual de la cartera de crédito real y el nivel de producto, según
actividad económica. Período (1998-2011)
(Coeficiente de correlación simple)
Fuente: BCV, Sudeban y cálculos propios (2012).
4.2. Estructura productiva y hechos estilizados de la economía venezolana: un enfoque
regional. Período (1998-2011).
Los canales de transmisión son los mecanismos a través de los cuales el Banco
Central mediante sus instrumentos incide en la actividad económica (producción y
empleo) y en los precios, la relevancia o importancia relativa de cada canal en la
estructura económica determina el tamaño o la magnitud del efecto de las acciones y/o
anuncios de la autoridad monetaria sobre las variables reales de una economía. No
obstante, existen otros factores estructurales que pueden modificar las condiciones en
las cuales dichos canales actúan sobre las regiones provocando respuestas diferentes
y asimétricas entre ellas antes las acciones de política monetaria, en este sentido,
Carlino y Defina (1998) definen tres fuentes de dichas diferencias regionales, y se
adiciona una cuarta fuente, según Zuccardi (2002), a saber, las diferencias en el grado
de apertura externa de las regiones, las cuales se presentan a continuación:
a. Diferencias regionales en la mezcla de las industrias sensibles a la tasa de interés.
Tal como se mencionó anteriormente en el ámbito nacional, cada uno de los
sectores productivos presentan diferentes elasticidades con respecto a la tasa de
Actividad Económica
Comercio al mayor y detal, restaurantes y hoteles 0,78
Construcción 0,73
Establecimientos financieros, seguros, bienes
inmuebles y servicios prestados a empresas0,65
Transporte, almacenaje y comunicaciones 0,64
Manufactura 0,57
Servicios comunales, sociales y personales 0,51
Electricidad, gas y agua -0,01
Coeficiente de
correlación
155
Estados Total I II III IV V VI VII VIII IX X
Distrito Capital 8,5 0,1 8,3 6,2 8,6 9,1 16,7 9,9 3,7 8,9 40,9
Amazonas 0,4 0,6 0,2 0,3 0,3 0,3 0,1 0,5 0,2 0,5 0,1
Anzoátegui 4,9 2,8 3,9 7,8 5,5 5,1 4,1 4,4 12,0 6,0 3,0
Apure 1,9 3,8 1,2 1,3 1,8 1,3 0,7 2,2 0,7 1,2 0,9
Aragua 6,2 2,8 10,9 5,3 6,3 6,2 5,8 6,0 1,9 4,0 2,6
Barinas 2,3 5,6 1,3 1,9 1,9 1,8 1,3 2,3 1,5 1,4 0,7
Bolívar 4,9 4,1 4,7 5,5 4,8 5,1 4,0 4,8 16,9 10,3 4,2
Carabobo 8,7 2,9 12,6 8,9 8,9 11,0 11,0 7,8 7,8 13,6 8,1
Cojedes 1,1 1,9 0,8 1,1 0,9 0,8 0,5 1,3 0,6 1,2 0,4
Delta Amacuro 0,4 0,5 0,1 0,4 0,2 0,3 0,1 0,8 0,2 0,3 0,2
Falcón 3,1 3,9 2,2 3,6 3,3 2,7 1,8 3,3 7,6 3,3 0,7
Guárico 2,6 5,2 1,6 2,0 2,7 2,5 1,4 2,6 0,2 2,0 1,0
Lara 6,2 9,2 6,6 5,0 6,1 6,0 4,8 6,1 0,8 5,1 2,9
Mérida 3,0 5,9 2,1 2,6 2,9 2,5 2,3 3,1 0,4 2,6 0,9
Miranda 11,9 4,4 15,3 13,0 10,3 12,7 20,4 12,1 5,8 11,7 21,5
Monagas 2,6 3,7 1,7 4,1 2,6 2,3 1,7 2,3 8,3 2,2 0,8
Nueva Esparta 1,6 1,1 1,0 2,0 2,0 1,7 1,4 1,6 0,5 1,3 0,3
Portuguesa 3,1 8,0 2,2 2,4 2,6 2,5 1,9 3,0 0,3 2,9 0,7
Sucre 2,9 7,3 2,7 2,6 2,5 2,1 1,1 2,7 2,2 2,5 1,4
Táchira 4,6 5,7 5,6 3,8 4,7 4,9 3,8 4,3 1,6 5,0 1,1
Trujillo 2,3 7,1 1,3 1,6 2,0 1,2 0,9 2,3 1,0 2,2 0,7
Yaracuy 2,0 3,1 1,7 1,7 1,6 1,9 1,3 2,2 1,7 2,2 0,5
Zulia 13,4 9,8 11,3 15,7 15,8 14,0 11,4 12,9 23,4 8,3 3,1
Vargas 1,3 0,5 0,7 1,1 1,4 2,1 1,5 1,4 0,4 1,5 3,5
Total 100,0 100,0 100,0 100,0 100,0 100,0 100,0 100,0 100,0 100,0 100,0
(VI) Establecimientos financieros, seguros, bienes inmuebles
(VII) Servicios comunales, sociales y personales
(III) Construcción (VIII) Explotación de hidrocarburos, minas y canteras
(IX) Electricidad, gas y agua
(V) Transporte, almacenamiento y comunicaciones (X) Actividades. no bien especificadas y/o no declaradas
(I) Actividades agrícolas, pecuarias y caza
(II) Industria manufacturera
(IV) Comercio, restaurantes y hoteles
interés. Este diferencial en la sensibilidad de los sectores interactúa con las diversas
composiciones industriales en las regiones, provocando que las acciones de política
monetaria generen efectos distintos entre las regiones.
En el cuadro 6 se muestra la participación promedio porcentual del empleo de las
24 entidades federales o estados de Venezuela según rama de actividad económica
con respecto al total del empleo nacional por industrias durante el período (2001-2010),
en la primera columna del mismo, se presenta la participación promedio semestral del
empleo total en cada estado, con relación al total de población ocupada nacional.
Cuadro 6
Nivel de empleo según estado y rama de actividad económica (estructura vertical)
Período (2001-2010). (Participación promedio porcentual)
Fuente: INE y cálculos propios (2012).
Entre los estados que poseen una mayor participación promedio con respecto al
total nacional, destacan: Zulia (13,4%); Miranda (11,9%); Carabobo (8,7%); Distrito
156
Capital (8,5%); Lara y Aragua ambas con 6,2%, respectivamente, entre otras. Por su
parte, al analizar la importancia relativa de las diferentes actividades según las regiones
(estados) se puede apreciar, que en la industria manufacturera (II), la cual es probable
que sea unos de los sectores más sensibles a la tasa de interés, la mayor participación
promedio de la población ocupada en el territorio nacional está ubicada en los estados:
Miranda (15,3%); Carabobo (12,6%); Zulia (11,3%); Aragua (10,9%); Distrito Capital
(8,3%); entre otros. Por otro lado, con relación a la actividad de construcción (III), otro
sector sensible a los cambios en la tasa de interés, la mayor participación promedio de
la población ocupada en esta actividad se localiza en los estados Zulia (15,7%);
Miranda (13,0%); Carabobo (8,9%); Anzoátegui (7,8%); entre otros.
Con relación a la actividad de comercio, restaurantes y hoteles (IV) y, servicios
comunales, sociales, y personales (VII), los cuales pudieran ser sectores relativamente
menos sensibles a los cambios en la tasa de interés, en comparación a los dos
anteriores, estos representan durante el período de estudio, en promedio, el 30,5% y
24,7%, de la población ocupada de la economía nacional, respectivamente. Con
relación a la primera actividad (IV), los mayores niveles, en porcentajes, de empleo de
ésta se ubican en los estados: Zulia (15,8%); Miranda (10,3%); Carabobo (8,9%);
Distrito Capital (8,6%); entre otros. Mientras que con relación a la segunda actividad
(VII) los mayores porcentajes, en promedio, de la población ocupada se localizan en los
estados: Zulia (12,9%); Miranda (12,1%); Distrito capital (9,9%), Carabobo (7,8%), entre
otros.
Por otra parte, las actividades que se suponen o se esperan a priori que no sean
sensibles a la tasa de interés o a los efectos de las acciones de política monetaria, tales
como las actividades agrícolas, pecuarias y caza (I); explotación de hidrocarburos,
minas y canteras (VIII) y, Electricidad, gas y agua (IX), durante el período de estudio,
cabe resaltar primeramente, respecto a la actividad I, que las mayores participaciones
promedio, en porcentajes, con respecto al empleo nacional se ubican principalmente en
los estados: Zulia (9,8%); Lara (9,2%); Portuguesa (8,0%); Sucre (7,3%); Trujillo (7,1%);
entre otros. Por su parte, con relación a la actividad de explotación de hidrocarburos,
157
Estado I II III IV V VI VII VIII IX X Total Total Nacional 9,4 11,9 8,4 24,4 8,3 5,0 31,0 0,7 0,5 0,4 100,0
Amazonas 16,9 8,0 7,1 18,1 7,4 1,4 39,9 0,4 0,7 0,1 100,0
Anzoategui 5,5 9,5 13,6 27,6 8,6 4,3 28,3 1,8 0,6 0,2 100,0
Apure 18,7 7,5 6,0 23,6 5,5 1,9 35,9 0,3 0,3 0,2 100,0
Aragua 4,2 20,7 7,0 24,7 8,1 4,7 29,7 0,2 0,3 0,2 100,0
Barinas 23,1 6,9 7,1 20,9 6,4 2,8 31,8 0,5 0,3 0,1 100,0
Bolivar 7,9 11,5 9,6 24,3 8,6 4,1 30,2 2,5 1,0 0,3 100,0
Carabobo 3,2 17,2 8,6 24,9 10,4 6,3 27,6 0,7 0,8 0,4 100,0
Cojedes 16,2 8,2 8,4 19,5 6,5 2,2 38,0 0,3 0,6 0,1 100,0
Delta Amacuro 10,6 3,4 7,3 12,6 5,8 1,7 57,8 0,4 0,3 0,2 100,0
Falcon 11,5 8,2 9,8 25,6 7,1 2,8 32,6 1,7 0,5 0,1 100,0
Guarico 18,7 7,4 6,5 25,3 7,8 2,6 31,0 0,1 0,4 0,2 100,0
Lara 13,9 12,5 6,8 23,8 7,9 3,9 30,4 0,1 0,4 0,2 100,0
Merida 18,4 8,2 7,3 23,3 6,9 3,9 31,4 0,1 0,4 0,1 100,0
Miranda 3,5 15,3 9,3 21,3 8,9 8,7 31,7 0,3 0,5 0,7 100,0
Monagas 13,8 7,7 13,2 24,4 7,2 3,2 27,6 2,4 0,4 0,1 100,0
Nueva Esparta 6,3 7,5 10,4 30,7 8,5 4,4 31,3 0,3 0,4 0,1 100,0
Portuguesa 24,4 8,4 6,5 20,5 6,6 3,1 29,7 0,1 0,5 0,1 100,0
Sucre 23,4 10,8 7,6 20,9 5,9 1,9 28,3 0,6 0,4 0,2 100,0
Tachira 11,6 14,2 6,9 24,9 8,8 4,1 28,5 0,2 0,5 0,1 100,0
Trujillo 28,5 6,7 5,8 21,0 4,4 2,0 30,6 0,3 0,5 0,2 100,0
Yaracuy 15,1 10,5 7,1 20,3 8,2 3,3 34,1 0,6 0,6 0,1 100,0
Zulia 6,9 10,0 9,9 28,8 8,6 4,3 29,8 1,3 0,3 0,1 100,0
Vargas 3,9 6,6 7,4 26,3 13,3 6,1 34,6 0,2 0,6 1,0 100,0
(VI) Establecimientos financieros, seguros, bienes inmuebles
(VII) Servicios comunales, sociales y personales
(III) Construcción (VIII) Explotación de hidrocarburos, minas y canteras
(IX) Electricidad, gas y agua
(V) Transporte, almacenamiento y comunicaciones (X) Actividades. no bien especificadas y/o no declaradas
(II) Industria manufacturera
(IV) Comercio, restaurantes y hoteles
(I) Actividades agrícolas, pecuarias y caza
minas y canteras (VIII), el 23,4% del total de la población ocupada del país se
encuentra localizada en el estado Zulia, seguido por los estados: Bolívar (16,9%);
Anzoátegui (12,0%); Monagas (8,3%); Carabobo (7,8%); entre otros. Mientras que en lo
que se refiere a la actividad de Electricidad, gas y agua (IX) entre los estados con
mayor población ocupada destacan: Carabobo (13,6%); Miranda (11,7%); Bolívar
(10,3%); Distrito Capital (8,9%); Zulia (8,3%), entre otros.
De forma análoga en el cuadro 7 se presenta la participación promedio
porcentual semestral de la población ocupada de cada rama de actividad económica
con respecto al nivel de empleo total en el ámbito nacional y regional durante el período
(2001-2010).
Cuadro 7
Nivel de empleo según estado y rama de actividad económica (estructura horizontal)
Período (2001-2010). (Participación promedio porcentual)
Fuente: INE y cálculos propios (2012).
158
Allí se puede apreciar la importancia relativa, tal como se mencionó
anteriormente en el análisis sectorial, de la actividad de servicios comunales, sociales y
personales con un promedio de 31,0% del empleo total nacional, seguido de las
actividades de: comercio, restaurantes y hoteles (24,4%), de manufactura (11,9%) y,
agrícolas, pecuaria y caza (9,4%), entre otras, así como también la participación
promedio porcentual de cada actividad en el total de empleo por cada una de las
regiones y su grado de correspondencia con respecto a la distribución del empleo
según rama de actividad económica en el ámbito nacional.
b. Diferencias regionales en el tamaño de las empresas.
Según el canal del crédito bancario, la política monetaria puede tener efectos
relativamente mayores sobre la disponibilidad de crédito para las empresas pequeñas
en comparación con las empresas grandes, debido tal como se mencionó
anteriormente, a los costos de información y transacción, ya que generalmente la fuente
más importante de financiamiento para las empresas pequeñas es el crédito bancario
domestico, mientras que las grandes empresas pueden captar recursos financieros a
través de la emisión de bonos y/o acciones en el mercado de capitales, o a través de
préstamos internacionales, entre otras fuentes.
Por lo tanto, aquellas regiones que posean una mayor concentración de
empresas pequeñas (dependientes del préstamo bancario domestico), serán
relativamente, y probablemente, más sensibles a las acciones de política monetaria.
En este sentido, en el gráfico 13 se presenta para el año 2006, el número de
empresas de la industria manufacturera clasificadas según su tamaño, aproximado por
el volumen de personal ocupado64para la economía venezolana.
64
La información se obtuvo del directorio de empresas de la industria de manufactura del Instituto Nacional de Estadística (INE) clasificadas según número de trabajadores referente al año 2006, como una aproximación, para el presente estudio, del número de empresas clasificadas según su tamaño por entidad federal (estados), es importante señalar, que el análisis referente a este tópico debe ser utilizado como una primera aproximación o alguna referencia al caso, debido a que el tamaño de las empresas es explicado por el volumen de personal ocupado, sin considerar, debido a la no disponibilidad de
159
Clasificación Personal ocupado (PO)
Gran Industria PO > 100
Mediana Industria Superior 51 ≤ PO ≤ 100
Mediana Industria Inferior 21 ≤ PO ≤ 50
Pequeña Industria 5 ≤ PO ≤ 20
Gran Industria650
Mediana Industria Superior
518
Mediana Industria Inferior
1.359
Pequeña Industria
4.729
Gráfico 13
Número de empresas de la industria manufacturera clasificadas según tamaño
Año 2006
Fuente: INE y cálculos propios (2012).
Tal como se puede apreciar del total de 7.256 empresas registradas en el sector
manufacturero del país, 4.729 corresponde a la pequeña industria, las cuales poseen
entre 5 y 20 trabajadores, representando un 65,2% del total de empresas
manufacturera del país en el año 2006, asimismo, 1.359 empresas corresponden a la
Mediana industria inferior, las cuales representan un 18,7% de la industria, mientras
que 650 y 518 empresas corresponden a la gran industria y mediana industria superior,
representando un 9,0% y 7,1%, respectivamente del total de empresas registradas.
información para el estudio, otros aspectos relevantes relacionados con el tamaño de la empresa tales como: el valor de la producción y ventas, el valor de activos que posee y su proporción, entre otros factores, además de referirse a un solo sector económico (manufactura).
160
EstadoGran
Industria
Mediana
Industria
Superior
Mediana
Industria
Inferior
Pequeña
IndustriaTotal
Distrito capital 6,15 9,65 11,11 11,99 11,14
Amazonas - - - 0,17 0,11
Anzoátegui 3,38 2,12 2,50 4,25 3,69
Apure - 0,19 0,15 0,19 0,17
Aragua 17,85 13,90 12,88 8,42 10,49
Barinas 0,31 - 0,88 1,16 0,95
Bolívar 4,92 3,28 4,05 4,72 4,51
Carabobo 20,62 13,13 12,14 11,93 12,83
Cojedes 0,77 1,35 0,88 0,61 0,73
Delta Amacuro - - - 0,11 0,07
Falcón 0,62 0,58 1,69 1,27 1,24
Guárico 0,62 0,97 1,03 1,08 1,02
Lara 6,15 10,04 6,33 7,46 7,32
Mérida 0,77 0,97 1,62 2,07 1,79
Miranda 20,46 26,45 24,28 19,26 20,82
Monagas 0,15 0,97 0,88 0,97 0,88
Nueva Esparta 0,15 0,39 0,81 0,68 0,63
Portuguesa 2,00 1,93 3,24 7,38 5,73
Sucre 2,15 1,16 2,06 0,91 1,25
Táchira 2,15 3,47 5,15 6,36 5,55
Trujillo 1,23 0,97 1,10 1,35 1,27
Yaracuy 2,00 1,54 1,25 1,44 1,46
Zulia 7,38 6,95 5,67 5,48 5,79
Vargas 0,15 - 0,29 0,74 0,55
Total Nación 100,00 100,00 100,00 100,00 100,00
Por otro lado, desde un enfoque regional, en el cuadro 8 se presenta la
participación porcentual de las empresas de la industria de manufactura según tamaño
y entidad federal para el año 2006, entre los estados con mayor participación de
empresas en la industria manufactura (última columna del cuadro 7) se encuentran:
Miranda (20,82%); Carabobo (12,83%); Distrito Capital (11,14%) y Aragua (10,49%),
asimismo, se puede apreciar, que entre las entidades federales con mayor participación
porcentual de empresas clasificadas como “Gran industria” (empresas grandes con más
de 100 trabajadores) se encuentran: Carabobo (20,62%); Miranda (20,46%); Aragua
(17,85%); Zulia (7,38%); entre otros.
Cuadro 8
Empresas de la industria de manufactura, según tamaño y entidad federal
Año 2006
Fuente: INE y cálculos propios (2012).
161
Por su parte, entre los estados con mayor concentración de empresas
clasificadas como “Mediana industria superior” (entre 51 y 100 trabajadores) destacan:
Miranda (26,45%); Aragua (13,90%); Carabobo (13,13%); Lara (10,04%); entre otros.
Asimismo, con relación a las empresas clasificadas como “Mediana industria inferior”
(entre 21 y 50 trabajadores) estas se encuentran mayormente ubicadas en los estados:
Miranda (24,28%); Aragua (12,88%); Carabobo (12,14%); Distrito capital (11,11%);
entre otros. Mientras, que entre los estados con mayor número de empresas
clasificadas como “Pequeñas industrias” destacan, en términos porcentuales: Miranda
(19,26%); Distrito Capital (11,99%); Carabobo (11,93%); Aragua (8,42%); entre otros.
c. Diferencias regionales en las habilidades de los bancos para alterar sus balances.
Tal como se mencionó anteriormente las acciones de política monetaria pueden
tener efectos diferentes sobre la habilidad de los bancos para realizar su actividad
crediticia, debido a la diferencias entre el tamaño de los bancos, dicha asimetría está
relacionada con la capacidad de algunos bancos de encontrar fuentes alternativas de
fondos para los depósitos y préstamos relativamente menos costosas y con mayor
facilidad que otros bancos en situaciones de restricciones de liquidez durante períodos
de una política monetaria restrictiva. En efecto, dichos bancos serian menos sensibles
antes las acciones monetarias del Banco Central, de acuerdo a este planteamiento el
tamaño de los bancos pudiera explicar las diferencias en las habilidades de
financiamiento, ya que los bancos grandes (que pudieran ser nacionales) tienen más
opciones de financiamiento que los bancos pequeños (como algunos bancos
regionales) (Zuccardi, 2002).
En este sentido, aquellas regiones que tienen una mayor proporción de
préstamos bancarios realizados por bancos pequeños podrían responder más a la
política monetaria que aquellas cuyos préstamos son realizados principalmente por
bancos grandes (Rodríguez, 1997a). No obstante, de acuerdo con este autor las
respuestas asimétricas y diversas antes los impulsos monetarios como consecuencia
del tamaño de los bancos, en el ámbito regional, sólo se presentarían en economías
162
cuyo sistema financiero este segmentado a nivel regional, con intermediarios que
actúan únicamente dentro de una región (existencia de bancos nacionales y bancos
regionales a la vez) como el caso de España y en Estados Unidos, y no integrado
nacionalmente (bancos nacionales con sucursales) como en el caso de Colombia y
Venezuela. En este último caso, las diferencias regionales estarían explicadas por
decisiones discrecionales de las mismas instituciones financieras a racionalizar los
préstamos hacia ciertas regiones especificas (Zuccardi, 2002).
Por otro lado, Rojas y Rodríguez (1997) señalan que mientras mayor sea el
grado de intermediación financiera y/o crediticia, es decir, la proporción de activos y
pasivos financieros contratados con el sistema bancario formal más potente será el
mecanismo de transmisión de la política monetaria, ya que las instituciones financieras
generan cambios en las tasas de interés de sus activos y pasivos, y en ocasiones
también sobre la disponibilidad de su oferta crediticia (ajustes tanto en precios como en
cantidades) en respuestas a las medidas de política monetaria, transmisión que será
más rápida mientras mayor sea la competencia bancaria.
El impacto de las acciones de política monetaria sobre las condiciones a las que
se negocia el sector privado con los bancos es mayor que el que se produce sobre las
negociadas entre dicho sector y otros prestamistas no bancarios, por lo que si se
supone la existencia del canal del crédito bancario, en el que los cambios en la oferta
de crédito bancario amplifican los efectos de la política monetaria, mayor es la potencia
de esta política conforme mayor es la dependencia de los agentes económicos de la
fuente de financiación bancaria (Rojas y Rodríguez, 1997).
Unos de los elementos para conocer la participación del sistema bancario y su
influencia en la economía es a través del grado de bancarización, la definición de
bancarización comprende numerosos y diversos aspectos vinculados con los servicios
que presta el sistema bancario a sus usuarios. Una de las aproximaciones sobre este
concepto es el acceso que tiene la población a los servicios financieros para hacer más
eficientes sus transacciones e invertir sus ahorros (BCV, 2007). Unos de los indicadores
163
que permiten medir el grado de bancarización es el acceso de la población a los
servicios financieros, tales como: el número de oficinas, cajeros automáticos,
autoservicios y sucursales por habitantes, entre otros elementos.
En este sentido, en el gráfico 14 se presenta la participación promedio porcentual
durante el período (2000-2011) del número de oficinas, cajeros automáticos y taquillas
externas, según estados o entidades federales, como una aproximación al nivel de
bancarización en el ámbito regional.
Gráfico 14
Banca comercial y universal, puntos de atención al cliente, según entidad federal
Período (2000-2011).
(Participación promedio porcentual)
Fuente: Sudeban y cálculos propios (2012).
0
5
10
15
20
25
30
35
40
Áre
a M
etr
op
olit
an
a
Zu
lia
Ca
rab
ob
o
Ara
gu
a
An
zo
áte
gui
La
ra
Bo
líva
r
Mira
nd
a
Tá
ch
ira
Mé
rid
a
Fa
lcó
n
Nu
eva
Esp
art
a
Mo
na
gas
Po
rtu
gu
esa
Gu
árico
Ba
rin
as
Su
cre
Tru
jillo
Va
rga
s
Ya
racu
y
Ap
ure
Co
jed
es
Am
azo
na
s
De
lta
Am
acu
ro
(%)
Oficinas
Cajeros Automaticos
Taquillas Externas
164
Es importante señalar que entre los factores determinantes de la ubicación de las
agencias y sucursales bancarias entre otros servicios financieros en la región son: el
grado de desarrollo local, el nivel de actividad económica regional, la composición
industrial, el volumen de la población, el nivel de urbanismo, la dotación de factores
productivos, los procesos históricos y económicos en las regiones, entre otros factores,
los cuales permiten que exista una asimetría en la actividad de canalización de fondos
entre agentes económicos deficitarios y superavitarios en el ámbito local.
Tal como se puede apreciar en el gráfico anterior durante el período (2000-2011),
entre el Área Metropolitana de Caracas, y los estados: Zulia, Carabobo, Aragua,
Anzoátegui, Lara, Bolívar y Miranda que corresponde, en promedio durante el período
(2000-2010), el 33,3% de los estados del país, representan el 72,4% del número de
oficinas, el 74,1% de cajeros automáticos y el 66,5% de las taquillas externas del país,
destacando la significativa participación del Área Metropolitana de Caracas al
representar, en promedio el 28,8% de las oficinas ubicadas en el país, y el 36,1% de los
cajeros automáticos disponibles, seguido por el estado Zulia con el 9,2%, de las oficinas
del territorio nacional y el 7,5% del total de cajeros automáticos, evidenciando así la
significativa concentración del sector bancario y de un alto grado de bancarización en la
región capital del país y en menor medida en unas pocas regiones del territorio
nacional.
Por su parte, en el cuadro 9 se muestran la participación promedio de las
colocaciones y captaciones de la banca comercial y universal, así como también el
margen de intermediación crediticia y financiera65, según entidad federal, durante el
período (2000-2011), ordenado de forma descendente según la cartera de crédito por
entidad federal66.
65
El índice o margen de intermediación crediticia se cálculo como la razón entre el total de la cartera de crédito y el total de las captaciones del público. Por su parte, el margen de intermediación financiera es medido como la relación entre la cartera de créditos + inversiones en valores entre el total de captaciones del público (BCV, 2007). 66
Para efectos de este cuadro, y atendiendo a la clasificación y coherencia entre los diferentes indicadores en el ámbito regional, se excluye la Dependencia Federales Gran Roque de la región Insular, cabe resaltar que su contribución en las diferentes variables es marginal y no distorsiona en mayor forma
165
Cuadro 9
Colocaciones y captaciones de la banca comercial y universal, según entidad federal
Período (2000-2011)
(Participación promedio porcentual)
Fuente: Sudeban y cálculos propios (2012).
En el cuadro anterior se puede apreciar que durante el período (2000-2011) la
mayor participación, en promedio, de la cartera de crédito de la banca comercial y
universal con respecto al total nacional, está ubicada en el Área Metropolitana de
Caracas (59,39%), al igual que la cartera de inversión (68,08%) y del total de
captaciones del público (54,39%), evidenciándose así el alto grado de concentración de
las colocaciones y captaciones en esta localidad con relación al resto de los estados del
país. En efecto, la desviación típica de las participaciones porcentuales, promedio, con
respecto a la media del total de colocaciones y captaciones del público entre todas las
entidades federales es de 12,97 y 10,82; respectivamente. Mientras que, al excluir el
Área Metropolitana del total de entidades federales del país la desviación típica entre la
participación promedio de las colocaciones y captaciones totales del público del resto
de los estados es de 1,87 y 1,71; respectivamente.
los resultados, igualmente para los efectos de este caso el Área Metropolitana representará al Distrito Capital, para tratar de mantener la uniformidad con la clasificación del INE.
Cartera Captaciones de personas naturales y jurídicas
Área Metropolitana 59,39 68,08 64,44 50,01 34,79 70,47 77,33 54,39 63,65 105,83
Zulia 5,82 8,80 7,05 6,50 7,08 2,91 4,23 5,28 64,46 118,89
Carabobo 5,59 0,32 3,86 9,04 7,96 4,67 2,91 6,62 49,20 51,16
Aragua 3,83 - 2,54 5,09 5,82 3,07 1,47 4,12 54,25 54,13
Lara 3,58 0,67 2,60 3,92 5,05 2,84 1,42 3,65 62,24 67,77
Bolívar 2,74 4,81 3,58 3,38 4,64 2,09 2,48 3,32 49,35 99,97
Táchira 2,18 11,81 5,64 2,39 3,95 2,36 3,85 3,30 40,49 149,93
Anzoátegui 2,16 - 1,42 3,56 4,43 1,45 1,00 3,04 41,69 41,43
Portuguesa 1,87 - 1,21 1,36 1,97 0,85 0,42 1,22 93,97 92,73
Miranda 1,85 0,00 1,40 3,03 4,38 1,48 0,82 2,62 41,44 44,63
Mérida 1,39 - 0,91 1,49 2,96 1,34 0,59 1,70 49,02 48,25
Guárico 1,18 - 0,76 1,15 1,88 0,45 0,36 1,41 54,57 53,67
Barinas 0,95 - 0,63 1,04 1,58 0,41 0,32 1,06 52,60 52,20
Nueva Esparta 0,91 0,95 0,95 1,35 1,87 1,35 0,47 1,40 38,02 60,23
Monagas 0,83 0,00 0,55 1,44 1,79 0,59 0,37 1,21 40,01 40,03
Falcón 0,76 1,53 1,12 1,36 1,96 1,00 0,56 1,43 31,77 72,85
Trujillo 0,44 - 0,29 0,77 1,75 0,59 0,40 0,98 26,31 26,14
Sucre 0,37 - 0,25 0,78 1,83 0,78 0,24 0,91 25,19 25,05
Apure 0,30 - 0,23 0,39 0,71 0,10 0,16 0,43 43,64 43,64
Yaracuy 0,28 - 0,18 0,42 1,03 0,31 0,18 0,65 32,70 32,31
Vargas 0,27 - 0,22 0,90 1,44 0,59 0,23 0,95 16,59 18,99
Cojedes 0,21 - 0,16 0,40 0,68 0,21 0,15 0,45 28,31 30,21
Amazonas 0,03 - 0,10 0,16 0,20 0,03 0,03 0,15 12,91 12,91
Delta Amacuro 0,03 - 0,02 0,09 0,23 0,08 0,03 0,12 15,08 15,08
Depósitos
a
Plazo
Otros
Instrumentos
de Captación
Total
Captaciones
del Público
Entidad Federal
Margen
de
Intermediación
Crediticia
Margen
de
Intermediación
Financiera
De
Crédito
De
Inversión Total
Depósitos
en Cuentas
Corrientes
Depósitos
de
Ahorro
166
Así mismo, entre los estados en donde se localizan las mayores participaciones
promedio, durante el período de análisis, de la cartera de crédito con respecto al
promedio del total de la cartera de crédito de la banca comercial y universal nacional,
destacan: Zulia (5,82%); Carabobo (5,59%); Aragua (3,83%); Lara (3,58); Bolívar (2,74);
Táchira (2,18); entre otros, los cuales en conjunto con el Área Metropolitana
representan, en promedio, el 83,14% del total nacional de la cartera crédito, con una
relación similar en lo que se refiere al total de captaciones del público entre los estados.
Además, entre las siete entidades federales que representan, en promedio, el
83,14% de la cartera de crédito nacional de la banca comercial y universal, el margen
de intermediación crediticia, en promedio durante el período de estudio, se ubico de la
siguiente manera: Área Metropolitana de Caracas (63,65%); Zulia (64,46%); Lara
(62,24%); Aragua (54,25%); Carabobo (49,20%); Bolívar (49,35%) y Táchira (40,49%)
con un promedio a escala nacional de 54,28%. Mientras que, en estas mismas
entidades o estados, el margen de intermediación financiera se situó, en promedio, de
la siguiente forma: Táchira (149,43%); Zulia (118,89%); Área Metropolitana de Caracas
(105,83%); Bolívar (99,97%); Lara (67,77%); Aragua (54,13%) y Carabobo (51,16%);
siendo el promedio en el ámbito nacional de 86,69%. Lo cual evidencia un alto grado de
concentración regional del sistema bancario.
Dentro de este orden de ideas, en el ámbito local la distribución de un sistema
bancario integrado nacionalmente con sucursales regionales, pudiera caracterizarse,
por el lado de la oferta (crédito), en regiones predominantemente colocadoras de
fondos o recursos y otras predominantemente captadoras de fondos, dejando abierta la
posibilidad, y como de hecho suele suceder en la realidad, de regiones con altos niveles
de colocaciones y captaciones de forma conjunta. De manera que regiones con altos
niveles de captación de fondos (ahorros) pudieran ser exportadoras de recursos
(colocaciones) a regiones que son predominantemente colocadoras de fondos
(créditos), atendiendo claro está, a las características particulares de cada región y las
oportunidades y niveles de rentabilidad de las mismas (Ocando, 2013).
167
En este sentido, es importante mencionar, tal como lo señala Rodríguez (1997b)
que una insuficiencia de crédito a nivel regional puede ser tanto el resultado de una
débil demanda como de una débil oferta del mismo, ya que el crédito bancario sólo se
concede cuando alguien manifiesta su disposición a endeudarse. Es decir, el bajo
crecimiento o el bajo nivel de participación, con respecto al total nacional, del crédito en
una determinada región puede ser resultado tanto de una elevada preferencia por la
liquidez de los oferentes del mismo (bancos), el cual puede ser un factor para
racionalizar los préstamos a un determinado mercado regional (o conjunto de regiones),
como de los demandantes (inversores), lo que les conduce a congelar sus inversiones
en la región. Por lo tanto, en ocasiones suele obviarse este último factor, es decir, que
los menores niveles de crédito de una región pueden ser interpretados como un
indicador inequívoco del trato discriminatorio proporcionado por el sistema bancario
nacional a determinadas regiones, y no como un resultado también de la reducida
demanda de crédito a nivel regional que, entre otras cosas, pudiera ser fruto de las
escasez opciones u oportunidades rentables de inversión en ciertas regiones67.
d. Diferencias regionales en el grado de apertura con el exterior.
Sobre la base del canal del tipo de cambio, existen estudios en los cuales se
consideran que las diferencias regionales en el grado de apertura pueden determinar
respuestas asimétricas ante las acciones de política monetaria. En efecto, cambios en
el tipo de cambio generan variaciones en la oferta y la demanda de los agentes
económicos por los bienes exportados e importados, por lo tanto, aquellas regiones que
presenten mayor grado de apertura (exportan más y/o importan más), en términos
relativos, serán más sensibles, y por ende, más afectadas por dichos cambios,
generando variaciones en la producción y en el nivel de empleo regional (Zuccardi,
2002).
67
Considerando además que ciertos préstamos otorgados por bancos ubicados en determinadas regiones no necesariamente deben ser invertidos en la misma área territorial, por lo cual pudiera ser invertido o colocado en otras regiones, tal es el caso del otorgamiento de préstamos bancarios dirigidos a empresas establecidas jurídicamente en una región determinada, con plantas dedicadas a un proceso de producción específico o sucursales en otras regiones.
168
0,0
0,0
0,0
0,1
0,1
0,6
2,0
2,1
3,2
3,3
6,4
6,5
7,4
34,1
34,3
0,0 5,0 10,0 15,0 20,0 25,0 30,0 35,0 40,0
Amazonas
Delta Amacuro
Trujillo
Mérida
Monagas
Lara
Falcón
Sucre
Nueva Esparta
Bolívar
Anzoátegui
Táchira
Zulia
Carabobo
Vargas
(%)
Importaciones
0,0
0,0
0,0
0,0
0,0
0,1
0,2
1,9
1,9
5,8
5,9
9,8
11,1
21,0
42,2
0,0 5,0 10,0 15,0 20,0 25,0 30,0 35,0 40,0 45,0
Delta Amacuro
Monagas
Lara
Mérida
Amazonas
Nueva Esparta
Trujillo
Sucre
Falcón
Táchira
Vargas
Zulia
Anzoátegui
Carabobo
Bolívar
(%)
Exportaciones
84,1% 82,2%
En el gráfico 15 se presenta la participación promedio porcentual, durante el
período (1998-2009) de las exportaciones e importaciones no petroleras FOB (Free on
Boorrad,) al sector externo (resto del mundo), según entidad federal68.
Gráfico 15
Exportaciones e importaciones FOB no petroleras, según entidad federal
Período (1998-2009)
(Participación promedio porcentual)
Fuente: INE y cálculos propios (2011).
En efecto, en lo que se refiere a las exportaciones, se puede apreciar que el
estado Bolívar representa, en promedio, el 42,2%, del total de las exportaciones no
petroleras, siendo entre sus principales exportaciones aquellos productos relacionados
con la fundición de hierro y acero69; aluminio y manufactura de aluminio, minerales
metalíferos, escorias y cenizas; entre otros. Seguidamente, el estado Carabobo
representa, en promedio, un 21,0% de las exportaciones no petroleras de la nación,
entre sus principales bienes destacan aquellos relacionados con: aluminio y
manufacturas de aluminio, fundición de hierro y acero, vehículos automóviles, tractores,
velocípedos y demás vehículos terrestres, sus partes y accesorios, entre otros.
Asimismo, el estado Anzoátegui y Zulia, representan respectivamente, el 11,1% y 9,8%
68
La clasificación y agrupamiento de las aduanas del país por entidad federal se presenta en el anexo 1, la misma se realizó sobre la base de la información disponible del INE, así mismo las exportaciones e importaciones no petroleras son referidas a las realizadas por cada región con el resto del mundo. 69
Las categorías sobre los productos de exportación, así como también de los importados, corresponden a la clasificación del INE a nivel de capítulos, el cual está disponible en su portal electrónico.
169
de las ventas externas del país, siendo entre los principales productos de exportación
para estos estados aquellos relacionados con: productos químicos y orgánicos;
combustibles minerales, aceites minerales y productos de su destilación, materias
bituminosas, ceras minerales; abonos; plásticos y sus manufacturas; pescados y
crustáceos, moluscos y demás invertebrados acuáticos; productos diversos de las
industrias químicas; entre otros. Las exportaciones no petroleras de estos cuatro
estados o entidades federales corresponden, en promedio, durante el período (1998-
2009), a un 84,1% del total de las ventas externas no petroleras del país.
Por otra parte, y con relación a las importaciones no petroleras, el 82,2% del total
nacional corresponden, en conjunto, a los estados Vargas (34,3%); Carabobo (34,1%);
Zulia (7,4%) y Táchira (6,5%). Entre las principales categorías de productos importados,
según la clasificación por capítulos del INE,70 por estados, destacan aquellos
relacionados con las siguientes clasificaciones:
Estado Vargas: máquinas, aparatos y material eléctrico y sus partes; aparatos de
grabación o reproducción de sonido, aparatos de grabación o reproducción de
imágenes y sonido en televisión, y las partes y accesorios de estos aparatos;
reactores nucleares, calderas, máquinas, aparatos y artefactos mecánicos,
partes de estas máquinas o aparatos; máquinas, aparatos y material eléctrico y
sus partes; aparatos de grabación o reproducción de sonido, aparatos de
grabación o reproducción de imágenes y sonido en televisión, y las partes y
accesorios de estos aparatos; entre otros.
Estado Carabobo: vehículos automóviles, tractores, velocípedos y demás
vehículos terrestres, sus partes y accesorios; reactores nucleares, calderas,
máquinas, aparatos y artefactos mecánicos; partes de estas máquinas o
aparatos; máquinas, aparatos y material eléctrico y sus partes; aparatos de
grabación o reproducción de sonido, aparatos de grabación o reproducción de
imágenes y sonido en televisión, y las partes y accesorios de estos aparatos;
entre otros.
70
Para mayores detalles sobre los rubros específicos que integran esta clasificación (capítulos) véase el portal electrónico del INE: www.ine.gob.ve.
170
Estado Zulia: reactores nucleares, calderas, máquinas, aparatos y artefactos
mecánicos, partes de estas máquinas o aparatos; manufacturas de fundición,
hierro o acero; máquinas, aparatos y material eléctrico y sus partes; aparatos de
grabación o reproducción de sonido, aparatos de grabación o reproducción de
imágenes y sonido en televisión, y las partes y accesorios de estos aparatos,
entre otros.
Estado Táchira: vehículos automóviles, tractores, velocípedos y demás vehículos
terrestres, sus partes y accesorios; carne y despojos comestibles; máquinas,
aparatos y material eléctrico y sus partes; aparatos de grabación o reproducción
de sonido, aparatos de grabación o reproducción de imágenes y sonido en
televisión, y las partes y accesorios de estos aparatos; animales vivos; entre
otros.
Es importante señalar que estos indicadores deben ser tomados como
aproximaciones sobre el grado de comercio exterior de las diferentes regiones, ya que
el hecho de que una exportación y/o importación se registre por una aduana ubicada en
una región especifica no implica que necesariamente es una transacción externa
netamente de dicha región.
Sin embargo, en función de las estadísticas disponibles, en el cuadro 10 se
presenta el valor promedio, en dólares US $, durante el período (1998-2009) de las
exportaciones (X) e importaciones (M) FOB, no petroleras, así como el cociente (X/M)
de manera de proporcionar una idea del grado de cobertura de cada región con
respecto al resto mundo71, en el cual un cociente mayor a uno (1) se interpretaría como
una región que exporta más de lo que importa, y en caso contrario, con un cociente
(X/M) menor a uno indicaría, en cierta forma, que dicha región importa más de lo que
exporta, mientras que en el caso de que X/M = 1 indicaría que en la región coincidirían
el nivel de exportaciones con sus importaciones.
71
Cabe destacar que lo ideal en este caso sería disponer de un índice que muestre el grado de apertura de cada región, el cual se suele calcular como: (X + M) de cada región / PIB de cada región. Sin embargo, lamentablemente en Venezuela aún no se cuenta con información sobre el nivel del producto interno bruto o valor agregado bruto a escala regional, por lo que se utiliza como una aproximación dicho ratio o cociente.
171
Estados (X/M)
Bolivar 2,80
Anzoategui 0,70
Zulia 0,50
Tachira 0,38
Carabobo 0,23
Vargas 0,06
Falcon 0,32
Sucre 0,26
Nueva Esparta 0,01
Amazonas 38,22
Merida 0,18
Monagas 0,05
Lara 0,00
Trujillo -
Delta Amacuro -
Total 0,32
Cuadro 10
Cociente entre exportaciones (X) e importaciones (M) no petroleras, según entidad
federal en las cuales existen aduanas. Período (1999-2009).
(Ratio promedio)
Fuente: INE y cálculos propios (2011).
Tal como se puede apreciar en el cuadro anterior, ordenado de forma
descendente según la participación promedio de las exportaciones en el total nacional,
y posteriormente, por el cociente (X/M) de manera de que se puedan resaltar aquellos
estados o regiones que, en conjunto, representa más del 80,0% (área sombreada del
cuadro) del total de exportaciones e importaciones no petroleras del país (como se
mostró en el gráfico 18), el estado Bolívar presenta el mayor cociente (X/M) (2,80)
indicando que sus ventas externas son, en promedio, más de dos veces superiores a
sus importaciones, mientras que en el resto de los estados (del área sombreada) dicho
cociente es menor a uno (1), por lo que sus importaciones superan al nivel de sus
ventas externas, tal es el caso de Anzoátegui (0,70); Zulia (0,50); Táchira (0,38);
Carabobo (0,24) y Vargas (0,06); en estos dos últimos estados posee, en promedio, el
mayor nivel de importaciones del país. Con relación al estado Amazonas dicho
coeficiente es alto debido a que las exportaciones, en promedio, son en términos
relativos muy superiores a las importaciones del estado, no obstante, tal como se pudo
apreciar anteriormente, tanto las exportaciones como las importaciones no petroleras,
172
en promedio, son significativas bajas con respecto al total nacional. Por su parte, el
promedio nacional en dicho cociente fue de: 0,32 consistente con las estadísticas
disponible durante en el período (1998-2009) en la cuenta corriente de la balanza de
pagos específicamente en las exportaciones e importaciones no petroleras72.
72
Es importante señalar que hasta el momento no se ha tomado en consideración las exportaciones de petróleo crudo, el cual es el principal bien de exportación del país, y que desde el ámbito regional dicho recurso natural se encuentra geográficamente localizado en determinados estados, tales como: Zulia, Falcón, Apure, Barinas y otros ubicados en la zona oriental del país. El nivel y las variaciones del producto de dichos estados según, el canal del tipo de cambio y la teoría económica, estarían más expuestos a los efectos de las variaciones del tipo de cambio y de los shocks externos derivados de las variaciones de los precios del petróleo. Atendiendo claro esta, a las relaciones estructurales e institucionales establecidas en la economía venezolana con relación a la distribución geográfica de la renta petrolera.
173
CAPÍTULO V
ANÁLISIS DE LOS RESULTADOS
174
IV. ANÁLISIS DE LOS RESULTADOS
5.1. Análisis de los efectos de las acciones de la política monetaria sobre el nivel real de
actividad económica sectorial en Venezuela, durante el período (1998-2011).
Durante el período (1998-2011) en Venezuela la política macroeconómica, en
general, y la política monetaria, en particular, ha estado expuesta a significativos
cambios estructurales e institucionales, así como también influenciada por diversos
choques macroeconómicos de origen externo (fundamentalmente asociado a las
variaciones en los precios internacionales del petróleo) e interno (incluyendo factores
políticos y sociales) que afectan a la economía y que atentan a su estabilización en el
corto y mediano plazo. En lo que se refiere a la política monetaria, ésta ha estado
condicionada a diferentes regímenes cambiarios y a fuertes fluctuaciones del gasto
público (originados principalmente por las fluctuaciones de los ingresos petroleros) así
como también a cambios significativos en cuanto a su operatividad y conducción a lo
largo del período de análisis73.
Tal como se mencionó anteriormente las acciones de política monetaria del
Banco Central pueden ser medidas a través de las variables instrumentales según la
estrategia operativa adoptada por la autoridad monetaria, las cuales teóricamente se
pueden resumir en dos opciones (mutuamente excluyentes en un momento dado): 1) el
uso de un agregado monetario cercano al control del Banco Central (enfoque o señales
vía cantidad) y 2) el uso de una tasa de interés nominal de corto plazo en la cual pueda
incidir la autoridad monetaria, casi que directamente (enfoque o señales vía precios),
mientras que para la primera opción es fundamental la estabilidad de la demanda
dinero en el proceso de transmisión de las acciones de política hacia el sector real de la
economía, para la segunda, se reduce significativamente la importancia de la demanda
de dinero en dicho proceso de transmisión, pero se incrementa el rol que juega la
73
Para una descripción de las herramientas, instrumentos, orientación y lineamientos de la política monetaria así como también de sus objetivos específicos (en la coyuntura) y de los objetivos finales, entre otros aspectos véase a: Mirabal (2000), Arreaza, et al., (2000), Guerra y Dorta (2002), Informe Económico del BCV (varios años).
175
estructura de plazos de las tasas de interés (Olivo, 2011 y Walsh, 2010). En la tabla 1
se presenta un ejemplo de lo que Olivo (2011) denomina estrategias completas de
política monetaria.
Tabla 1
Estrategias completas de política monetaria
Fuente: Olivo (2011).
En una estrategia completa de política monetaria, una variable se elige como el
objetivo operativo de corto plazo o variable instrumental, esta variable es aquella que
puede ser controlada directamente por la autoridad monetaria a través de sus
mecanismos de operación en el día a día, en la tabla 1 este papel lo cumple en la
primera opción (a) la base monetaria, y la tasa de interés de corto plazo en la opción b.
Una segunda variable se selecciona para un período más largo, y se denomina un
objetivo intermedio el cual debe estar estrechamente relacionado con las metas u
objetivos finales (Olivo, 2011). Es importante señalar, que esta no es la única estrategia
operativa que puede adoptar un Banco Central, ya que existen estrategias que ignoran
por completo el uso de variables intermedias, otras que utilizan variables informativas y
otras que se basan en reglas de metas (target rules) o reglas de instrumentos
(instrument rules) al estilo de la regla de Taylor, así como la estrategia monetaria de
metas u objetivo de inflación o “inflación objetivo” (inflation targeting)74.
74
Para un análisis relativamente simplificado sobre los criterios de elección de las variables instrumentales o instrumentos de política monetaria véase a: Olivo (2011), Mishkin (2008) y Poole (1970).
Día a día Mensual 6 – 12 mesesObjetivos de
política
a)
OMA
Base Monetaria M1 / M2
Tasa de
inflación
Operaciones y
tasa de
redescuento
Tasa de
crecimiento del
PIB
b)
OMA
Tasa de interés de
muy corto plazo
Tasa de
interés de
largo plazo
Tasa de
inflación
Tasa de
redescuento
Tasa de
crecimiento del
PIB
176
Ahora bien desde el punto de vista teórico el enfoque de las señales vía
cantidad, con la utilización de un agregado monetario como variable instrumental u
operativa por parte de la autoridad monetaria para incidir sobre la economía, se puede
asociar con la doctrina o corriente monetarista75, mientras que el uso de las señales vía
precio, con el empleo de una tasa de interés nominal de corto plazo como variable
instrumental se puede asociar con el enfoque del modelo nuevo keynesiano76, tal como
se explico anteriormente, no obstante, el objetivo explicito de este trabajo no es el de la
comprobación empírica de un enfoque o doctrina asociada a una escuela de
pensamiento económico en específico, aunque el marco analítico de este estudio se
enmarca básicamente dentro de la nueva economía keynesiana, sino de determinar los
efectos reales, en caso de existir, de las acciones de política monetaria del BCV sobre
el producto sectorial y regional, utilizando de forma independiente y de manera
alternativa el enfoque o señales vía cantidad y vía precios con el uso de la base
monetaria y de la tasa de interés nominal de las operaciones interbancarias (overnight),
respectivamente, para representar los choques de política monetaria (en adelante
choque de política monetaria) y su efecto sobre el producto real sectorial.
Por una parte, la razón de utilizar de forma alternativa el enfoque de agregados
monetarios como indicador para medir los choques monetarios y la orientación y
postura de la política monetaria durante el período (1998-2011) se debe a que tal como
lo señala Arreaza, et al., (2001), Pagliacci y Ruda (2004) y Bárcenas et al., (2011) no
existió durante los años anteriores al 2002 un único instrumento de política monetaria
que reflejará la intencionalidad de las autoridades, no obstante la disyuntiva
generalmente se encontraba sobre la escogencia de un agregado monetario en
particular, ya que es a partir del año 2002, cuando el BCV inicia la Estrategia Monetaria
Flexible (EMF) que utiliza una tasa de interés nominal de corto plazo (enfoque vía
precios) como indicador de la postura de la política monetaria (Olivo, 2003), por lo tanto,
75
Tal como podría ser la regla propuesta por McCallum (1988) que utiliza la base monetaria como variable instrumental de política. 76
Existe una fuerte discusión a nivel teórico y práctico sobre el papel del dinero y las tasas de interés en la especificación de los modelos teóricos que sustentan el mecanismo de transmisión de la política monetaria, y en la conducción de la política monetaria por parte de los bancos centrales. No obstante, teóricamente existen casos en la cual una regla para un agregado monetario genera un comportamiento de la tasa de interés nominal igual al de una regla de Taylor (equivalencia observacional) para mayores detalles sobre este tema véase a: Olivo (2011) y Rosende (2004).
177
se decidió utilizar como un indicador de política a la base monetaria, atendiendo a la
importancia del dinero como componente de la riqueza de los agentes económicos y del
argumento a favor de que una política monetaria basada en el control de un agregado
monetario es más fuerte en países menos desarrollados con mercados financieros
pocos profundos y organizaciones fiscales débiles (Olivo, 2005b).
Por otra parte, el argumento de evaluar alternativamente y de forma separada los
efectos de las acciones de política monetaria a través de una tasa de interés nominal de
corto plazo, se debe a los cambios que ocurrieron durante el período (1998-2011) con
relación al régimen monetario, tal como se mencionó en líneas anteriores, y de la
estrecha relación documentada entre la tasa de interés de las operaciones de absorción
del BCV (variable operativa de la EMF) y la tasa de interés nominal de las operaciones
interbancarias (overnight)77 (Pagliacci y Ruda, 2004).
En el gráfico 16 se presenta a modo de ilustración el comportamiento del
logaritmo (logs) de la base monetaria (BM), en términos nominales y reales (BM_R) y,
de la tasa de interés nominal promedio mensual de las operaciones interbancarias (TO)
(overnight) durante el período (1998-2011) en niveles y en sus tasas de variaciones
intermensuales y anualizadas78, así como también dos diagramas de dispersión entre la
tasa de interés nominal de las operaciones interbancarias y el logaritmo de la base
monetaria nominal y real, respectivamente.
77
Este enfoque para identificar la postura y orientación de la política monetaria ha sido utilizado en diversos estudios en Venezuela tales como: Guerra y Dorta (2003), Arreaza et al., (2004), Pagliacci y Ruda (2004), Chuecos (2005), Arreaza et al., (2006), Barráez y Perdomo (2010), Pagliacci et al., (2011) y Bárcenas et al., (2011). 78
Las variables antecedidas por el prefijo LOG indican el logaritmo natural de dicha variable, mientras que cuando están antecedidas por una D significan la primera diferencia de dicha variable, por lo tanto, cuando una variable este antecedida por el término o prefijo DLOG o DLN significa la primera diferencia del logaritmo de la variable correspondiente, como una medida aproximada de su tasa de crecimiento. Asimismo, cuando una variable este antecedida por D12 esta se refiere a su tasa de crecimiento anualizada, es decir la variación de un mes con respecto al mismo mes del año inmediato anterior (D12_V = (Vt/Vt-12)-1). Finalmente, cuando una variable termine en _SA denota que la variable esta desestacionalizada mensualmente según el método Census X12-ARIMA de Eviews 6.0.
178
Gráfico 16
Comportamiento temporal de la base monetaria y la tasa de interés interbancaria
Período (1998-2011)
Fuente: BCV y cálculos propios (2013).
En el gráfico anterior se puede apreciar la gran volatilidad que presentan las
variables, sujetas por supuesto a los diferentes choques, de origen interno (como por
ejemplo el paro de la industria petrolera, área sombreada de gris) y externo, al que ha
estado expuesta la economía durante el período de estudio, de igual forma los dos
últimos gráficos de la fila final presentan dos diagramas de dispersión en los cuales se
muestra la relación inversa (negativa) entre los niveles en Logs de la base monetaria
nominal (BM) y real (BM_R), respectivamente, con relación a la tasa de interés nominal
de las operaciones interbancarias (overnight) (TO).
14
15
16
17
18
19
20
1998 2000 2002 2004 2006 2008 2010
LOG(BM)
0
10
20
30
40
50
1998 2000 2002 2004 2006 2008 2010
TO
-.3
-.2
-.1
.0
.1
.2
.3
.4
1998 2000 2002 2004 2006 2008 2010
DLOG(BM)
-30
-20
-10
0
10
20
1998 2000 2002 2004 2006 2008 2010
D(TO)
16.4
16.8
17.2
17.6
18.0
18.4
1998 2000 2002 2004 2006 2008 2010
LOG(BM_R)
-20
0
20
40
60
80
100
120
1998 2000 2002 2004 2006 2008 2010
D12_BM
-400
0
400
800
1,200
1,600
1998 2000 2002 2004 2006 2008 2010
D12_TO
0
10
20
30
40
50
14 15 16 17 18 19 20
LOG(BM)
TO
0
10
20
30
40
50
16.4 16.8 17.2 17.6 18.0 18.4
LOG(BM_R)
TO
179
En la economía venezolana existen algunas particularidades en el arreglo
monetario que son importante destacar:
El Banco Central no posee un control total sobre la base monetaria, ya que en el
comportamiento de la base monetaria influyen otros agentes que junto a la
autoridad monetaria son denominadas fuentes creadoras de dinero. Las
principales fuentes creadoras de dinero en Venezuela son el BCV, el Gobierno
Central, Petróleos de Venezuela (Pdvsa) (compañía nacional) y filiales, Banco de
desarrollo público (Bandes) y el Fondo de garantía de depósitos (Fogade)79. No
obstante, el BCV puede diseñar su estrategia monetaria para reducir los efectos
que sobre la base monetaria ejercen dichos entes (Uzcátegui, 2004). Al efecto de
estos agentes o instituciones sobre la base monetaria se le denomina
incidencia80.
El fisco, al realizar gastos internos que son financiados con recursos
provenientes de la actividad petrolera, introduce dinero nuevo a la economía, en
forma de transferencia o a cambio de bienes y servicios. Esto es así porque la
mayor parte de las divisas petroleras (del fisco y Pdvsa) son vendidas al Banco
Central y no directamente a los privados. Asimismo, el Banco Central, al tener el
monopolio de la creación de dinero, introduce dinero a cambio de reservas
internacionales (divisas)81 (Chirinos y Pagliacci, 2012).
El Banco Central al ser el principal oferente de divisas, reduce la cantidad de
dinero en circulación en la economía cada vez que pacta con el sector privado (u
otros entes del sector público).
79
A todos éstos agentes (excepto el BCV) se pueden agrupar bajo la clasificación de creación del dinero fiscal, que se define como el flujo neto que el sector público deposita en el sistema financiero (Pagliacci et al., (2011). 80
“En términos estrictamente contables, se entiende que una operación tiene incidencia sobre el dinero primario, cuando los movimientos de las cuentas por el lado de las fuentes dentro del balance tienen como contrapartida movimientos en alguna cuenta ubicada en los usos” (Uzcátegui, 2004:2). Por ejemplo, el Gobierno Central, Pdvsa y filiales, Bandes y Fogade, pueden contraer la base monetaria en la medida que reciban recursos del sistema financiero y los depositen en las cuentas que mantienen en el BCV. Esos mismos entes pueden expandir la base monetaria cuando retiren dichos recursos de las cuentas que mantienen en el BCV. 81 En el caso norteamericano, la Reserva Federal intercambia dinero por bonos del tesoro, por lo que la
creación de dinero no está limitada por la generación de divisas petroleras, como en el caso venezolano (Chirinos y Pagliacci, 2012).
180
A principios del año 2003 el Ejecutivo Nacional y el BCV acordaron abandonar el
régimen de flotación cambiaria adoptado en el año 2002 e iniciar un Régimen de
Administración de Divisas (RAD) el cual establece limitaciones, en cuantía y
precio, a las transacciones comerciales con el resto del mundo (importaciones), y
elimina la mayor parte de las transacciones financieras en moneda extranjera. El
organismo encargado de gestionar las transacciones comerciales es una rama
del poder Ejecutivo denominada Comisión de Administración de Divisas (Cadivi),
en tanto que el BCV gestiona las liquidaciones de divisas asociadas a las
operaciones de Cadivi y el resto del sector público.
En el gráfico 17 se presenta las principales fuentes de variación de la base
monetaria y/o del dinero base82 en términos reales (deflactado por el IPC-AMC (Base
Dic. 2007=100)), allí se muestra la incidencia expansiva del sector público (Gobierno
Central, Pdvsa, Bandes, entre otros) sobre la base monetaria o el dinero base y la
incidencia contractiva sobre este agregado monetario mediante las ventas netas de
divisas por parte del BCV y las acciones monetarias del BCV (en algunos años), de
manera de proveer una visión sobre los movimientos de la base monetaria que son
ajenos a las acciones del BCV y que condicionan en gran medida las actuaciones de la
autoridad monetaria en el mercado monetario y que además influyen en el diseño de su
estrategia monetaria. Es importante señalar que la incidencia monetaria del BCV es un
saldo neto entre las acciones expansivas y contractivas sobre el dinero base, de forma
que una incidencia positiva sobre la base monetaria o el dinero base refleja una acción
neta expansiva sobre este agregado monetario.
82
Durante el período (1998-2002) el concepto se refiere a las principales fuentes de variación de la base monetaria, mientras que para el período (2003-2011) se refiere a las principales fuentes de variación del dinero base. Tal como lo expresa el informe económico del BCV (varios años) la similitud entre el dinero base (DB) y la base monetaria (BM) permite homologar estos conceptos monetarios sin afectar su relevancia analítica. La diferencia entre ambas medidas de dinero (agregado monetario restringido) radica, fundamentalmente, en que los usos de la base monetaria se incluyen los depósitos especiales del público, mientras que en el DB, el concepto utilizado es el de depósitos por conversión. Para una visión más intuitiva sobre estos conceptos véase a Uzcátegui (2004).
181
Gráfico 17
Principales fuentes de variación sobre el dinero base, en términos reales.
Período (1998-2011)
Fuente: BCV y cálculos propios (2013).
En este sentido una de las herramientas más utilizadas por el BCV para el
control de la oferta monetaria son las operaciones de mercado abierto (OMA)
específicamente las operaciones de absorción de liquidez a través, de títulos propios a
principios del período de estudio, certificados de depósitos (CD) y operaciones repos
(venta con pacto de recompra) de bonos de Deuda Pública Nacional (DPN) y Letras del
Tesoro, en el gráfico 18, se presenta el cociente del saldo de las operaciones absorción
del BCV sobre el saldo de la base monetaria rezagada un período (IA_BM_1) allí se
muestra el grado de la acción restrictiva del Banco Central o su intencionalidad, cabe
destacar que durante el año 2000 y parte de los años 2001 y 2002 no se realizaron
OMA de absorción, ya que se utilizó la ventas de divisas como mecanismo de absorción
de liquidez.
-80.000
-60.000
-40.000
-20.000
0
20.000
40.000
60.000
1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
(En
mil
lon
es d
e B
s.
en
térm
ino
s r
eale
s)
Incidencia fiscal Incidencia neta Pdvsa Incidencia Fogade
Incidencia Bandes Incidencia monetaria BCV Otros
Ventas netas de divisas
Incidencia contractiva sobre la base monetaria o dinero base
Incidencia expansiva sobre la base monetaria o dinero base
182
Gráfico 18
Cociente del saldo de los instrumentos de absorción del BCV sobre la base monetaria
Período (1998-2011)
Fuente: BCV y cálculos propios (2013).
Se puede observar que dichas operaciones de absorción han superado el nivel
de la base monetaria en varias ocasiones primeramente en el mes de septiembre del
año 2002, el mes de diciembre del 2005, gran parte del año 2006 y en el primer mes del
año 2007, durante los años 2005-2006 el promedio de estas operaciones se situaron
alrededor de (0,99), alcanzando su máximo (1,87) en el mes de agosto del 2006 y con
una tendencia descendente a partir de mediados del año 2007.
Una vez descrito los aspectos anteriores que son claves a la hora de estudiar la
política monetaria en Venezuela y para los efectos de esta investigación, en el análisis
que procede, se estima un conjunto de modelos VAR sin restricciones, en primeras
diferencias, utilizando primeramente la base monetaria (primera diferencia del logaritmo
la base monetaria desestacionalizada, D(LBM_SA)) y luego de forma alternativa la
primera diferencia de la tasa de interés nominal promedio mensual de las operaciones
interbancarias (TO), empleando el esquema de identificación mediante la
descomposición de Cholesky con un ordenamiento genérico para las variables
0.0
0.4
0.8
1.2
1.6
2.0
98 99 00 01 02 03 04 05 06 07 08 09 10 11
183
endógenas del modelo de la siguiente forma: D(LPIB), DLOG(IPC_N),
D(LVAB_ANP_SA), DLOG(CRE_RT) DLOG(TCN_MER) y la variable instrumental,
(D(LBM_SA) o D(TO)), según sea el caso83. Con esta especificación para las variables
endógenas, una posible caracterización de la identificación del modelo que utiliza la
base monetaria como variable de política, es representado en el desarrollo de la
ecuación (85), es:
(86)
Y dado que es invertible se pueden obtener los errores estructurales a partir de
los errores reducidos:
Donde , , , , , y
son los choques estructurales, a saber, choque de la demanda agregada total
(producto total), de precios, del producto sectorial (actividad no petrolera en este caso),
del crédito bancario real (total en este caso), del tipo de cambio y del choque de política
monetaria, medido por la base monetaria, todas las variables en primeras diferencias
logarítmicas, mientras que , , , , ,
83
La notación y la descripción de las variables empleadas en el estudio, así como también las transformaciones realizadas a las mismas y el detalle sobre el método de construcción de cada variable (en los casos que apliquen) se presentan en los anexo 1 y 2. Tal como se mencionó anteriormente, el incorporar el PIB total antes del producto de cada sector (en el ordenamiento del VAR) es, entre otras razones, para intentar recoger el cambio en la demanda agregada, como resultado de los choques monetarios, sobre la demanda sectorial.
Choque de política monetaria
184
y son los correspondientes errores reducidos (innovaciones
residuales).
El orden de las variables endógenas en el sistema refleja una identificación
recursiva, en la cual se destaca que los choques de política monetaria afecta con
rezago al producto total y luego a los precios, para dar cuenta de la visión generalizada,
derivada de la evidencia empírica, de que la política monetaria actúa con cierto retraso
y de que afecta a la producción más rápidamente que a la inflación (Romer, 2006). En
este sentido, el producto total (D(LPIB) responde exclusivamente a los choques que lo
afectan directamente y los efectos contemporáneos del conjunto de variables exógenas
que conforman el VAR, a saber: las reservas internacionales netas (DLOG(RIN)), el
gasto real del Gobierno Central (D(LGRGC)), las cuales se incluyen para capturar el
efecto expansivo que generan sobre la base monetaria y en la demanda agregada y,
tres variables dummies las cuales se incorporan para intentar capturar ciertos hechos
atípicos y cambios institucionales y de política económica que afectaron a la economía:
DUM03 DU0402 DU0884. Asimismo, los precios en el VAR responden
contemporáneamente a los choques de la primera variable (D(LPIB)) a sus propios
choques y a las variables exógenas, y un razonamiento similar aplica para el resto de
las variables.
Adicionalmente, el esquema de identificación y el ordenamiento de la variables
endógenas del VAR permiten que los choques importantes que se generan en la
economía producto total (o demanda agregada), precios, crédito, tipo de cambio, así
como también los movimientos de las variables exógenas: reservas internacionales,
precios del petróleo, gasto real del Gobierno Central, puedan afectar
contemporáneamente a las acciones de la política monetaria, medida por la base
monetaria (en este caso). Por su parte, variables como el crédito y el tipo de cambio,
84
Estos hechos tienen que ver con los efectos del paro de la industria petrolera, la implementación de la Estrategia Monetaria Flexible (EMF) a partir del mes de abril del año 2002, la adopción del control de cambio a principios del año 2003, y los efectos derivados de la crisis financiera internacional durante los años 2008-2009.
185
según el ordenamiento de las variables afectan al producto total (demanda agregada) y
al producto sectorial con rezago.
A continuación se presentan los resultados de los modelos VAR, sin restricciones
y en primeras diferencias, identificados mediante la descomposición de Cholesky, a
través de las funciones impulso-respuesta (FIR) ante una desviación estándar del
choque de política monetaria, representado por la base monetaria (BM) y la tasa de
interés nominal de las operaciones interbancaria (TO).
5.1.1. Modelos VAR sectoriales en diferencias, utilizando la base monetaria como
variable de política (señales vía cantidad).
Primeramente, se estima un VAR bajo el enfoque agregado utilizando al valor
agregado bruto (VAB) de la actividad no petrolera como medida de referencia o patrón
de comparación con las otras actividades económicas (o sectores económicos), en este
sentido la especificación del modelo fue la siguiente: LS 1 2 D(LPIB) DLOG(IPC_N)
D(LVAB_ANP_SA) DLOG(CRE_RT) DLOG(TCN_MER) D(LBM_SA) @ C DLOG(RIN)
D(LGRGC) DUM03 DU0402 DU0885 (modelo 1), para esta especificación todas las
variables resultaron estacionarias en sus primeras diferencias según las pruebas
convencionales de raíz unitaria86, el modelo fue dinámicamente estable87, sin embargo
en este modelo existen problemas de correlación para algunos rezagos (a partir del
85
Donde LS indica el método de estimación el cual es Mínimos Cuadrados Ordinarios (MCO), las siglas LS indican Least Squares, los números que aparecen posteriormente (1 2) se refieren a la longitud de los rezagos, que es de 2 rezagos en este caso, las variables que siguen luego del símbolo @ son las variables exógenas las cuales afectan contemporáneamente a todas las variables endógenas del sistema, en este sentido, las variables que aparecen antes del símbolo @ son las variables endógenas y las que aparecen luego de este símbolo corresponden a las variables exógenas del VAR. La longitud del rezago, de este y de los otros modelos del estudio, fue seleccionada utilizando los criterios de información de Schwarz y Hannan-Quinn, y se añadió un rezago adicional en aquellos casos que los ameritaron por presentar problemas de correlación serial. La presentación de los resultados de cada VAR (salida de los modelos) y sus pruebas econométricas se presentan en el anexo 5. 86
Para este estudio se emplearon las pruebas de Dickey-Fuller Aumentado (ADF), Phillips-Perron (PP) y como complemento la prueba de Kwiatkowski-Phillips-Schmidt-Shin (KPSS). Los resultados de estas pruebas para las variables empleadas en el estudio, durante este período, se presentan en el anexo 3. 87
Las raíces inversas del polinomio autorregresivo estuvieron dentro del circulo unitario, es decir, son menores en modulo a uno (1).
186
tercer rezago) y los errores no se distribuyeron como una normal multivariada88 según
el test de Jarque-Bera (JB). En el gráfico 19 se presentan las principales FIR derivadas
de la especificación de este VAR en el cual el choque de política es definido como un
incremento en la tasa de crecimiento de la base monetaria (choque de política
monetaria expansiva).
Gráfico 19
Respuesta de la actividad no petrolera a un choque de política monetaria expansivo.
Período (1998-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
88
A pesar de que ambos supuestos son deseables para el análisis econométrico, Arias y Torres (2004) citan a Fernandez y Corugedo (2003) los cuales argumentan que es más importante que el VAR cumpla con la prueba de errores no autocorrelacionados que con la normalidad multivariada.
-.04
.00
.04
.08
.12
2 4 6 8 10 12 14
Response of D(LPIB) to DLOG(CRE_RT)
-.04
.00
.04
.08
.12
2 4 6 8 10 12 14
Response of D(LPIB) to DLOG(TCN_MER)
-.04
.00
.04
.08
.12
2 4 6 8 10 12 14
Response of D(LPIB) to D(LBM_SA)
-.004
-.002
.000
.002
.004
2 4 6 8 10 12 14
Response of DLOG(IPC_N) to D(LPIB)
-.004
-.002
.000
.002
.004
2 4 6 8 10 12 14
Response of DLOG(IPC_N) to DLOG(CRE_RT)
-.004
-.002
.000
.002
.004
2 4 6 8 10 12 14
Response of DLOG(IPC_N) to DLOG(TCN_MER)
-.004
-.002
.000
.002
.004
2 4 6 8 10 12 14
Response of DLOG(IPC_N) to D(LBM_SA)
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of D(LVAB_ANP_SA) to D(LPIB)
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of D(LVAB_ANP_SA) to DLOG(CRE_RT)
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of D(LVAB_ANP_SA) to DLOG(TCN_MER)
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of D(LVAB_ANP_SA) to D(LBM_SA)
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of DLOG(CRE_RT) to D(LPIB)
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of DLOG(CRE_RT) to DLOG(TCN_MER)
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of DLOG(CRE_RT) to D(LBM_SA)
-.04
-.02
.00
.02
.04
.06
.08
2 4 6 8 10 12 14
Response of DLOG(TCN_MER) to D(LPIB)
-.04
-.02
.00
.02
.04
.06
.08
2 4 6 8 10 12 14
Response of DLOG(TCN_MER) to DLOG(CRE_RT)
-.04
-.02
.00
.02
.04
.06
.08
2 4 6 8 10 12 14
Response of DLOG(TCN_MER) to D(LBM_SA)
-.04
-.02
.00
.02
.04
.06
2 4 6 8 10 12 14
Response of D(LBM_SA) to D(LPIB)
-.04
-.02
.00
.02
.04
.06
2 4 6 8 10 12 14
Response of D(LBM_SA) to DLOG(CRE_RT)
-.04
-.02
.00
.02
.04
.06
2 4 6 8 10 12 14
Response of D(LBM_SA) to DLOG(TCN_MER)
Response to Cholesky One S.D. Innovations ± 2 S.E.
187
Tal como se puede apreciar en el gráfico anterior, sobre la base de la evidencia
disponible, correspondiente a las FIR del modelo VAR, se observa que durante el
período (1998-2011) una innovación (choque de política monetaria expansiva), definido
como un incremento en la tasa de crecimiento de la base monetaria
(desestacionalizada) (D(LBAM_SA), no produce movimientos significativos sobre la
actividad real no petrolera (D(LVAB_ANP_SA)), medida por su VAB, de igual forma, ni
los cambios en el crédito real (DLOG(CRE_RT) ni en el tipo de cambio nominal de
mercado89 (DLOG(TCN_MER), generan movimientos estadísticamente significativos
sobre el producto real no petrolero. Por su parte, cambios en el PIB total (como
movimientos de la demanda agregada o producto total) generan cambios significativos
y transitorios sobre la actividad no petrolera, lo cual puede ser resultado de la demanda
intersectorial entre las diferentes actividades económicas (relaciones de insumo-
producto) éstos efectos ocurren durante el mes en que se simula la innovación.
Cabe destacar, que según los resultados, se puede apreciar que un choque de
política monetaria expansivo genera movimientos significativos y positivos sobre el
crédito real total que se prolongan durante tres meses, aunque estos no sean lo
suficientemente fuertes para afectar a la actividad real agregada y, el efecto directo
(positivo) y significativo que genera un choque del tipo de cambio nominal de mercado
sobre la tasa de inflación mensual a nivel de consumidor (DLOG(IPC_N) en el mismo
mes en que ocurre. Otro de los aspectos que se pudo observar es que el crédito real
aumenta ante cambios positivos en la actividad económica agregada (PIB total) (rol
pasivo del crédito bancario) y que no se evidenciaron cambios significativos en la tasa
de inflación ante un choque de política monetaria expansivo, lo cual podría ser
resultado de que generalmente la relación de causalidad desde el dinero hacia los
precios es establecida como una relación de largo plazo, y las FIR que se derivan de
los VAR con datos mensuales son herramientas diseñadas para el análisis de las
fluctuaciones a corto y mediano plazo.
89
Debido a que para parte de la muestra existe un control de cambio, se utiliza el tipo de cambio nominal del mercado no-oficial (o paralelo) en lugar del tipo de cambio oficial. Ya que se comparte el criterio utilizado en Pagliacci et al., (2011) de que esta variable refleja el precio de mercado de las divisas y de que se puede relacionar de una manera relativamente más adecuada con el comportamiento de los precios a nivel de consumidor sobre todo en los últimos años de la muestra.
188
En lo que se refiere a las diferentes actividades económicas (enfoque sectorial)
se estimaron tres modelos VAR en primeras diferencias, uno por cada actividad, los
cuales son relativamente homogéneos en cuanto a las variables utilizadas y en el
ordenamiento de las mismas, en efecto, la especificación que se utilizo para la actividad
de manufactura fue: LS 1 2 D(LPIB) DLOG(NI) D(LVAB_MAN_SA) DLOG(CR_M)
DLOG(Q_M) D(LBM_SA) @ C DLOG(RIN) D(LGRGC_SA) DUM03 DU0402 DU08
(modelo 2), mientras que para la actividad de comercio y servicios de reparación fue: LS
1 2 D(LPIB) DLOG(NI) D(LVAB_COM_SA) DLOG(C_COM) DLOG(Q_M) D(LBM_SA)
@ C DLOG(RIN) D(LGRGC_SA) DUM03 DU0402 DU08 (modelo 3) y finalmente para la
actividad de construcción se empleó la especificación: LS 1 2 D(LPIB) DLOG(NI)
D(LVAB_CON_SA) DLOG(CR_CON) D(TA) DLOG(Q_M) D(LBM_SA) @ C DLOG(RIN)
D(LGRGC_SA) DUM03 DU0402 DU08 DLOG(PP) (modelo 4)90.
Desde el punto de vista econométrico todas las variables fueron estacionarias en
sus primeras diferencias, según las pruebas de raíces unitarias convencionales, el
modelo fue dinámicamente estable, sin embargo, al igual que en el caso anterior, en
este modelo existen problemas de correlación para algunos rezagos (a partir del quinto
rezago) y los errores no se distribuyeron como una normal multivariada. A continuación
se presentan las FIR derivadas de los respectivos VAR según actividad económica91
(Gráfico 20).
90
Tal como se puede apreciar las especificaciones de los modelos VAR para las tres actividades (enfoque sectorial) y para la actividad no petrolera (enfoque agregado) son muy similares, no obstante, en algunos casos se introdujeron y se omitieron algunas variables para dar cuenta, primeramente, de ciertas especificidades de la actividad como tal, y para obtener los mejores resultados posibles desde el punto de vista econométrico, estos cambios generalmente fueron realizados con una variable alternativa que mide en cierta forma lo mismo, por ejemplo, la incorporación en algunos modelos del núcleo inflacionario (NI) en vez del IPC-AMM, ambos se utilizan para medir la inflación a nivel del consumidor y la utilización en algunos modelos del tipo de cambio real (Q_M), en vez del tipo de cambio nominal tienen el propósito de medir el efecto cambiario sobre el producto y otras variables. 91
Para efectos de presentación (y de ahorro de espacio en el trabajo) sólo se reportaran las FIR de las variables más relevantes por cada actividad.
189
Gráfico 20
Respuesta de la actividad de manufactura a un choque de política monetaria expansivo.
Período (1998-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
Tal como se muestra en el gráfico anterior para este modelo no se observaron,
según la evidencia disponible, efectos reales sobre el producto de manufactura, medido
por su VAB, ante un choque expansivo de política monetaria, de igual forma los
cambios en el crédito para la actividad de manufactura, en términos reales, no
presentaron un efecto significativo sobre el producto de manufactura durante el período
de estudio. Por su parte, se encuentran indicios de que una innovación en los cambios
del producto total incrementa el VAB de la actividad de manufactura en el mismo
período en que se simula la innovación, asimismo, se puede observar que, ceteris
paribus, una innovación en la tasa de crecimiento del tipo de cambio real (Q_M)
(depreciación) genera un leve incremento del producto de manufactura al tercer mes de
la ocurrencia del choque, aunque muy esporádico.
En lo que se refiere a la actividad de comercio y servicios de reparación en el
gráfico 21 se muestran las FIR derivadas de la estimación del VAR correspondiente.
-.04
-.02
.00
.02
.04
.06
2 4 6 8 10 12 14
Response of D(LVAB_MAN_SA) to D(LPIB)
-.04
-.02
.00
.02
.04
.06
2 4 6 8 10 12 14
Response of D(LVAB_MAN_SA) to DLOG(CR_M)
-.04
-.02
.00
.02
.04
.06
2 4 6 8 10 12 14
Response of D(LVAB_MAN_SA) to DLOG(Q_M)
-.04
-.02
.00
.02
.04
.06
2 4 6 8 10 12 14
Response of D(LVAB_MAN_SA) to D(LBM_SA)
Response to Cholesky One S.D. Innovations ± 2 S.E.
190
Gráfico 21
Respuesta de la actividad de comercio y servicios de reparación a un choque de política
monetaria expansivo. Período (1998-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
En este VAR se encuentran indicios de que un choque expansivo de política
monetaria no genera un efecto estadísticamente significativo sobre el producto real de
la actividad de comercio y servicios de reparación, sólo se observó que los cambios en
las condiciones de la actividad económica global (PIB total) tienen un efecto significativo
sobre el VAB de la actividad de comercio y servicios de reparación. Cabe destacar, que
al igual que en los modelos estimados anteriormente se encuentran indicios de que la
tasa de inflación mensual disminuye ante innovaciones en el producto total, en el mismo
período en que ocurre tal innovación y que este persiste hasta por lo menos cuatro
meses y que incrementos (innovaciones) en la tasa de crecimiento del tipo de cambio
real o nominal (depreciación) produce un incremento, en el mismo mes del choque, en
la tasa de inflación a nivel de consumidor que dura por lo menos cuatro meses.
A continuación en el gráfico 22, se presentan la respuesta del producto de la
actividad de construcción al choque de política.
-.02
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of D(LVAB_COM_SA) to D(LPIB)
-.02
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of D(LVAB_COM_SA) to DLOG(C_COM)
-.02
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of D(LVAB_COM_SA) to DLOG(Q_M)
-.02
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of D(LVAB_COM_SA) to D(LBM_SA)
Response to Cholesky One S.D. Innovations ± 2 S.E.
191
Gráfico 22
Respuesta de la actividad de construcción a un choque de política monetaria expansivo.
Período (1998-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
En este modelo al igual que en los anteriores, la evidencia disponible sugiere que
los choques expansivos de política monetaria no influyen en la actividad real, en este
caso, no se observaron efectos estadísticamente significativos sobre la actividad de
construcción y sólo las innovaciones del producto total generan un efecto significativo
sobre la construcción en el mismo mes de la simulación del choque. Es importante
señalar que la construcción no residencial relacionada con las obras para la explotación
petrolera tiene un peso significativamente importante en el VAB de la actividad de
construcción, y que este tipo de construcción no depende mucho del crédito bancario
interno del país dirigido a esta actividad, por lo que pudiera ser previsible este tipo de
comportamiento, por lo menos al considerar la actividad de construcción agregada.
5.1.2. Modelos VAR sectoriales en diferencias, utilizando la tasa de interés de las
operaciones interbancarias como variable de política (señales vía precio).
En este apartado, se presentan un conjunto de modelos VAR (sin restricciones)
especificados de forma similar a los presentados en la sección anterior, pero utilizando
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of D(LVAB_CON_SA) to D(LPIB)
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of D(LVAB_CON_SA) to DLOG(CR_CON)
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of D(LVAB_CON_SA) to D(TA)
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of D(LVAB_CON_SA) to DLOG(Q_M)
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of D(LVAB_CON_SA) to D(LBM_SA)
Response to Cholesky One S.D. Innovations ± 2 S.E.
192
como variable instrumental de política monetaria la tasa de interés nominal promedio
mensual de las operaciones interbancarias (overnight) (señales vía precio), toda vez
que existe evidencia, a partir del año 2002, de que la política monetaria inicia su
mecanismo de transmisión con el movimiento que causa sobre las tasas de interés de
mercado, en especial la tasa overnight del mercado interbancario (mercado monetario
de corto plazo) (Pagliacci y Ruda, 2004), esto es así ya que tal como lo señala
Bárcenas, et al., (2011) los cambios en la intencionalidad de la política monetaria
conducen a cambios en el instrumento de política (operaciones de absorción) y a
contracciones en la oferta de fondos dentro del mercado monetario a corto plazo, lo que
presiona al alza de la tasa de interés interbancaria promedio. En este sentido, el choque
de política monetaria estaría definido como el alza de la tasa de interés nominal de las
operaciones interbancarias (choque de política monetaria contractivo).
De igual forma que en la sección anterior se presenta primeramente la
estimación de un VAR agregado de manera que sirva de patrón de referencia para el
resto de los sectores económicos (actividades económicas), este modelo se estima
considerando como enfoque agregado el producto no petrolero y esta especificado de
la siguiente manera: LS 1 2 D(LPIB) DLOG(NI) D(LVAB_ANP_SA) DLOG(CRE_T)
D(TA) TO @ C DLOG(RI) DLOG(GGC) DLOG(Q_M) D(EN_OMA) DU0402 DUM03
DU08 (modelo 5)92, donde (EN_OMA) se refiere al efecto neto (inyección menos
absorción) de las operaciones de mercado abierto sobre la base monetaria. En el
gráfico 23 se muestra las principales FIR derivadas del modelo VAR empleando
igualmente el esquema de identificación de Cholesky (identificación recursiva) en el
cual ahora el choque de política monetaria es contractivo (incremento de la tasa de
política).
92
Todas las variables en primeras diferencias fueron estacionarias, según las pruebas convencionales, el modelo resultó dinámicamente estable, existe correlación en los rezagos 4, 6, y 8, y los errores no se distribuyeron como una normal multivariada.
193
Gráfico 23
Respuesta del producto no petrolero a un choque de política monetaria contractivo.
Período (1998-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
De las FIR derivadas de este VAR (gráfico 23), se encontraron indicios, sobre la
base de la evidencia disponible, de que un choque de política monetaria contractivo,
definidos como un incremento en la tasa de interés de las operaciones interbancarias,
no producen efectos significativos sobre el producto no petrolero, y que a pesar de que
dicho choque monetario genera una disminución estadísticamente significativa y
relativamente prolongada (casi ocho meses luego de la innovación) sobre los
movimientos en el crédito nominal total, al parecer este último no es lo suficientemente
fuerte para incidir sobre el producto no petrolero (rol pasivo del crédito, el cual responde
a los movimientos de la actividad económica global), de igual forma el choque
monetario contractivo genera una alza instantánea sobre la tasa de interés activa (de
mercado), no obstante, innovaciones de ésta no influyen sobre los movimientos de la
actividad real no petrolera. Sólo los cambios en el producto (o actividad) global, medida
por el PIB total tienen un efecto contemporáneo sobre el producto no petrolero, lo cual
-.004
-.002
.000
.002
.004
2 4 6 8 10 12 14
Response of DLOG(NI) to D(LPIB)
-.004
-.002
.000
.002
.004
2 4 6 8 10 12 14
Response of DLOG(NI) to DLOG(CRE_T)
-.004
-.002
.000
.002
.004
2 4 6 8 10 12 14
Response of DLOG(NI) to D(TA)
-.004
-.002
.000
.002
.004
2 4 6 8 10 12 14
Response of DLOG(NI) to TO
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of D(LVAB_ANP_SA) to D(LPIB)
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of D(LVAB_ANP_SA) to DLOG(CRE_T)
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of D(LVAB_ANP_SA) to D(TA)
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of D(LVAB_ANP_SA) to TO
-.02
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of DLOG(CRE_T) to D(LPIB)
-.02
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of DLOG(CRE_T) to D(TA)
-.02
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of DLOG(CRE_T) to TO
-2
-1
0
1
2
3
4
2 4 6 8 10 12 14
Response of D(TA) to TO
Response to Cholesky One S.D. Innovations ± 2 S.E.
194
puede asociarse con el efecto o la incidencia de la demanda agregada e intersectorial
sobre el producto no petrolero agregado, pero este desaparece en el mes siguiente
(incluso de vuelve negativo en el siguiente mes “caso atípico”). La tasa de inflación
mensual se reduce transitoriamente ante innovaciones en el producto total luego de
ocurrido un mes de la innovación. Cabe destacar que en este VAR se presento el
problema de la paradoja de precios (prices puzzle) (Walsh, 2003), esto es un
incremento (en vez de una reducción) de la tasa de inflación ante un choque monetario
contractivo.
En lo que se refiere a las respuestas del producto sectorial ante un choque de
política, por una parte, para la actividad de manufactura se utilizó la siguiente
especificación para el VAR (sin restricciones): LS 1 2 D(LPIB) DLOG(NI)
D(LVAB_MAN_SA) DLOG(CR_M) D(TA) TO @ C DLOG(RI) DLOG(GRGC)
DLOG(Q_M) D(EN_OMA) DU0402 DUM03 DU08 (modelo 6). En este modelo todas las
variables fueron estacionarias en sus primeras diferencias, el modelo resultó estable
dinámicamente, no obstante se evidenciaron problemas de correlación en los rezagos 6
y 10 y los errores no se distribuyeron como una normal multivariada.
Por otra parte, para la actividad de comercio y servicios de reparación se empleó
un VAR especificado (muy similar al anterior) de la siguiente forma: LS 1 2 D(LPIB)
DLOG(NI) D(LVAB_COM_SA) DLOG(C_COM) D(TA) TO @ C DLOG(RI)
DLOG(GRGC) DLOG(TCN_MER) D(EN_OMA) DU0402 DUM03 DU08 (modelo 7).
Mientras que para la actividad o producto de la construcción la especificación del
modelo fue: LS 1 2 D(LPIB) DLOG(IPC_N) D(LVAB_CON_SA) DLOG(CR_CON) D(TA)
TO @ C DLOG(RI) DLOG(GGC) DLOG(Q_M) D(EN_OMA) DU0402 DUM03 DU08
(modelo 8)93. A continuación en el gráfico 24 se presentan las principales FIR de un
choque de política monetaria contractivo derivadas del modelo VAR para la actividad de
manufactura.
93
Para ambos VAR todas las variables fueron estacionarias en sus primeras diferencias, y los modelos resultaron estables dinámicamente, sin embargo, para el VAR de la actividad de comercio y servicios de reparación se observó correlación en los residuos para los rezagos 6 y 12, mientras que para la actividad de construcción ésta se registró en los rezagos 5 y 12. Además en ambos VAR los errores no se distribuyeron como una normal multivariada.
195
Gráfico 24
Respuesta del producto de manufactura a un choque de política monetaria contractivo.
Período (1998-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
De las FIR derivadas de este VAR se observaron, según la evidencia disponible,
indicios de que un choque de política monetaria (incremento de la TO) no influye sobre
el producto de manufactura, y de contractivo que éste es sólo afectado,
esporádicamente, ante una innovación de la actividad global (PIB total), se puede
apreciar también que a pasar de que la tasa de interés nominal activa de mercado (TA)
responde en la misma dirección ante un choque de política monetaria, el cambio que
ésta registra no es lo suficientemente fuerte para incidir significativamente sobre los
movimientos en crédito real de la actividad de manufactura y en el producto de
manufactura, de igual forma según el modelo durante el período de estudio los cambios
en el crédito real dirigidos a la actividad de manufactura no tienen una incidencia
significativa sobre el producto de dicha actividad. En este modelo se evidenció el
problema de paradoja de precios (prices puzzle).
Con relación a la actividad de comercio y servicios de reparación en el gráfico 25
se presentan las principales FIR de un choque de política monetaria sobre las variables
que se derivan del VAR relacionado con dicha actividad.
-.04
-.02
.00
.02
.04
.06
2 4 6 8 10 12 14
Response of D(LVAB_MAN_SA) to D(LPIB)
-.04
-.02
.00
.02
.04
.06
2 4 6 8 10 12 14
Response of D(LVAB_MAN_SA) to DLOG(CR_M)
-.04
-.02
.00
.02
.04
.06
2 4 6 8 10 12 14
Response of D(LVAB_MAN_SA) to D(TA)
-.04
-.02
.00
.02
.04
.06
2 4 6 8 10 12 14
Response of D(LVAB_MAN_SA) to TO
-.04
-.02
.00
.02
.04
.06
.08
2 4 6 8 10 12 14
Response of DLOG(CR_M) to D(TA)
-.04
-.02
.00
.02
.04
.06
.08
2 4 6 8 10 12 14
Response of DLOG(CR_M) to TO
-2
-1
0
1
2
3
4
2 4 6 8 10 12 14
Response of D(TA) to TO
Response to Cholesky One S.D. Innovations ± 2 S.E.
196
Gráfico 25
Respuesta de la actividad de comercio y servicios de reparación a un choque de política
monetaria contractivo. Período (1998-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
Se puede observar (en el gráfico anterior) que según la evidencia disponible,
existe indicios de que un choque de política monetaria contractivo, definido como un
crecimiento en la tasa de interés nominal promedio mensual de las operaciones
interbancarias (TO) no genera efectos significativos sobre la actividad real (producto) de
comercio y servicios de reparación, y que, al igual que en el caso anterior, sólo
movimientos (una innovación) en la actividad global (demanda o producto total) genera
un efecto sobre el producto de la actividad de comercio y servicios de reparación,
aunque éste es esporádico. Cabe resaltar que el choque de política monetaria genera
un cambio en la misma dirección y en el primer mes de la innovación sobre la tasa de
interés nominal activa, el cual dura por lo menos tres meses luego del choque, y que
ésta afecta o incide negativamente sobre el cambio en el crédito nominal para dicha
actividad económica, no obstante, ni las innovaciones en la tasa de interés activa ni en
el crédito nominal para el sector son lo suficientemente fuertes para afectar
significativamente al producto de comercio y servicios de reparación durante el período
de estudio. Para este VAR también se observó el problema de la paradoja de precios.
Por último, el gráfico 26 muestra la respuesta del producto de construcción ante
un choque de política monetaria contractivo de las FIR derivada del respectivo VAR.
-.02
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of D(LVAB_COM_SA) to D(LPIB)
-.02
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of D(LVAB_COM_SA) to DLOG(C_COM)
-.02
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of D(LVAB_COM_SA) to D(TA)
-.02
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of D(LVAB_COM_SA) to TO
-.04
-.02
.00
.02
.04
.06
.08
2 4 6 8 10 12 14
Response of DLOG(C_COM) to D(TA)
-.04
-.02
.00
.02
.04
.06
.08
2 4 6 8 10 12 14
Response of DLOG(C_COM) to TO
-2
-1
0
1
2
3
4
2 4 6 8 10 12 14
Response of D(TA) to TO
Response to Cholesky One S.D. Innovations ± 2 S.E.
197
Gráfico 26
Respuesta de la actividad de construcción a un choque de política monetaria
contractivo. Período (1998-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
En este modelo la evidencia disponible derivada de las FIR sugiere que existen
indicios de que un choque de política monetaria contractivo (incremento de la TO)
genera una disminución, estadísticamente significativa, sobre la actividad real de la
construcción que se produce en el mismo mes del choque y que se prolonga hasta por
lo menos seis meses luego de la innovación, de igual forma un cambio (innovación) en
la actividad económica global (PIB_T) incide positivamente (aunque de forma
esporádica) sobre la actividad real de construcción en el mismo mes del choque, no
obstante, si bien se observa un incremento de la tasa de interés activa ante el choque
de política monetaria contractivo, en el mismo mes de la innovación y que dura por lo
menos tres meses, se puede apreciar que un incremento de dicha tasa de mercado
genera un leve aumento en la actividad real de construcción, lo cual es contrario a lo
esperado teóricamente, por lo que éste resultado debe ser considerado con mucha
cautela, considerando que dicha construcción incluye la demandada por el sector
público, en donde la construcción del sector petrolero posee un peso significativo en la
construcción ejecutada del país y que ésta es menos sensible a los cambios en la tasa
de interés y del crédito bancario dirigido a este sector. Adicionalmente, se evidenció en
este VAR el problema de la paradoja de precios.
-.06
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of D(LVAB_CON_SA) to D(LPIB)
-.06
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of D(LVAB_CON_SA) to DLOG(CR_CON)
-.06
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of D(LVAB_CON_SA) to D(TA)
-.06
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of D(LVAB_CON_SA) to TO
-.04
-.02
.00
.02
.04
.06
.08
2 4 6 8 10 12 14
Response of DLOG(CR_CON) to D(TA)
-.04
-.02
.00
.02
.04
.06
.08
2 4 6 8 10 12 14
Response of DLOG(CR_CON) to TO
-2
-1
0
1
2
3
4
2 4 6 8 10 12 14
Response of D(TA) to TO
Response to Cholesky One S.D. Innovations ± 2 S.E.
198
5.2. Estudio de los efectos de las acciones de la política monetaria sobre el nivel real de
actividad económica sectorial en Venezuela, durante el período (2004-2011).
Tal como se explicó en el capítulo I de la presente investigación, específicamente
en la delimitación de la investigación, durante el período de estudio (1998-2011) en la
economía venezolana ocurrieron importantes cambios tanto institucionales como
estructurales y, en la forma de formular la política macroeconómica, en general, y la
política monetaria, en particular por lo que se hace necesario estudiar el sub-período
(2004-2011) de forma alternativa y de manera separada. El principal argumento para la
selección de este sub-período, es minimizar la ocurrencia de cambios estructurales en
las series. Considerando los siguientes eventos: la disponibilidad de un instrumento de
política monetaria visible y explícito; el inicio de las operaciones de mercado abierto por
parte del BCV, utilizando la venta de Certificados de Depósitos (CD) con tasas
preestablecidas, a partir del mes de marzo del 2002; la ocurrencia del paro petrolero
durante los años 2002 y 2003, que ocasionó un quiebre estructural en el desempeño de
varias variables económicas y, la puesta en práctica de un control cambiario a partir del
año 2003 con restricciones a los precios y cantidades de las transacciones comerciales
y financieras (Pagliacci et al., (2011) y Bárcenas et al., (2011)).
De esta forma, lo que se busca con el estudio de este sub-período es tratar de
dar mayor robustez a las estimaciones sobre la determinación de los efectos de las
acciones de la política monetaria sobre el producto sectorial, en el sentido de que las
estimaciones de los VAR durante el período o la muestra completa (1998-2011)
presentaron, tal como se pudo apreciar anteriormente, algunos problemas desde el
punto de vista econométrico y en los resultados de las FIR, como por ejemplo, el
problema de paradoja de precios (prices puzzle), los cuales pudieran ser originados, en
parte, por el quiebre estructural de algunas variables y sobre todo por los cambios en la
conducción de la política monetaria, a partir del año 2002 con la introducción de la
Estrategia Monetaria Flexible (EMF) eventos que quizás no pudieron ser captados por
los modelos VAR.
199
En este sentido, con el estudio de este sub-período se pudieran obtener
estimaciones, desde el punto de vista econométrico, más adecuadas al aislar los
eventos atípicos y cambios significativos en la forma de la conducción de la política
monetaria, además desde la perspectiva práctica se tiene identificada de forma explícita
una variable instrumental de la política monetaria que es consistente (teóricamente) con
el enfoque o señales vía precios. En efecto, a partir de la introducción de la estrategia
monetaria flexible por parte del BCV en Abril 2002, se podría decir que la autoridad
monetaria ha utilizado el enfoque o señales vía precios, a través de una tasa de política,
como variable instrumental, aunque no de una forma clara y precisa en relación a otros
bancos centrales, esto se puede evidenciar mediante la revisión de los informes
económicos publicado por el Instituto durante el período de estudio, específicamente en
el capítulo II de política económica nacional: marco institucional, en la sección de
política monetaria, en donde se puede apreciar que las acciones de política se
describen generalmente por los movimientos de las tasas de interés de las operaciones
de mercado abierto, así como también por los estudios económicos empíricos (serie de
documentos de trabajo) realizados por el personal de investigación del BCV tales como
los realizados por: Guerra y Dorta (2003), Arreaza, et al., (2004), Pagliacci y Ruda
(2004), Arreaza et al., (2006); Barráez y Perdomo (2010), Pagliacci et al., (2011) y
Bárcenas et al., (2011) en los cuales utilizan el enfoque de señales vía precios (tasa de
política).
De igual forma es importante señalar que en los últimos tres años se han
publicado varios trabajos empíricos para Venezuela, por el BCV, referente a la
estructura temporal de la tasas de interés, lo cual provee más evidencia a favor sobre el
planteamiento expuesto del enfoque de política monetaria de señales vía precios
aplicado por el BCV, ya que tal como lo señala Walsh (2010): mientras que el uso de
una política monetaria basada en la manipulación de la tasa de interés de corto plazo
reduce la importancia de la demanda de dinero en el proceso de transmisión de las
acciones de política hacia la economía real, esta estrategia (señales vía precios)
incrementa el rol que juega la estructura de plazos de las tasas de interés.
200
Para intentar dar respuesta a este objetivo específico se estimaron un conjunto
de modelos VAR sin restricciones identificados a través de la descomposición de
Cholesky, muy similares a los estimados en la sección anterior, para el sub-período
(2004:M01-2011:M12), con una especificación, en cuanto a las variables utilizadas,
relativamente similar a los empleados en Pagliacci, et al., (2011), en este sentido, se
estimaron un conjunto de modelos VAR en niveles94, verificando previamente que entre
las variables con raíz unitaria existiera una relación de cointegración a través del test de
Johansen, y considerando que una representación de un modelo vectorial de corrección
de errores (VECM) siempre puede ser re-expresado como una representación VAR
(Canova, 2005 y Loría, 2007).
Es importante señalar, que adicionalmente y en función de que los resultados
sean relativamente más robustos, se estimaron un conjunto de modelos VAR en
primeras diferencias utilizando, por una parte, la brecha (gap)95 del producto agregado y
sectorial como las variables representativas de la actividad real agregada y sectorial,
respectivamente, empleado de nuevo el enfoque o señales vía precios y, por otra parte,
un grupo de modelos VAR en primeras diferencias, utilizando el enfoque o señales vía
cantidad, de manera de contar con una estimación en la cual los choques de política
monetaria sean representados de forma similar a los del objetivo anterior.
Para el primer conjunto de modelos VAR (en niveles) el choque de política
monetaria contractivo está definido como un incremento en la tasa de interés nominal
promedio ponderada de las operaciones de absorción del BCV (tasa de política
94
Existe una discusión en la literatura sobre si deben incluirse variables en niveles o en diferencias en el VAR. Las variables en diferencia son generalmente estacionarias, lo cual no necesariamente es el caso de las variables en niveles. Quienes advocan por incluir las variables diferenciadas consideran que al trabajar con variables estacionarias nos acercamos al proceso generador de datos y es posible interpretar los distintos tests de hipótesis. En tanto, los autores que prefieren incluir las variables en niveles señalan que al diferenciar se puede perder información valiosa para las funciones impulso-respuesta, que constituyen el centro de este tipo de análisis para mayores detalles véase a Enders (1995). 95
Medida como la diferencia entre el logaritmo del producto agregado o sectorial, según sea el caso, y los valores suavizados (comportamiento tendencial de la serie) calculado a través del filtro Hodrick-Prescott (HP) de dichas variables, respectivamente.
201
monetaria) (TPM_A), ya que mayores tasas de interés se interpretan, en este caso,96
como acciones de corte contractivo, en tanto que menores tasas de interés se
consideran acciones expansivas. Los niveles de esta tasa reflejan la intencionalidad del
BCV de drenar dinero de la economía. En el gráfico 27 se presenta, a modo, de
ilustración la evolución temporal de la tasa de interés nominal promedio ponderada de
las operaciones de absorción del BCV, la cual incluye tanto los CD como los repos de
venta con pacto de recompra de bonos DPN y letras del tesoro, junto con las tasas de
interés de las operaciones de inyección, las tasas de interés de los CD (TI_CD), y las
tasas nominales de interés de mercado: interés interbancaria (TO), activa (TA) y pasiva
(TPLZ) y el cociente entre el saldo de las operaciones de absorción y el dinero base
rezagado un período (IA_DB_1) durante el lapso (2004-2011).
Allí se muestra la estrecha relación entre las tasas de interés promedio
ponderada de las operaciones de absorción totales (TPM_A) y las tasas de los
certificados de depósitos (CD) con un coeficiente de correlación simple de 0,99, debido
a que los montos adjudicados de éstos instrumentos representan, en promedio, durante
el período de estudio, un 87,0% del total de las operaciones de absorción. De igual
forma, se puede apreciar que en casi todo el período de tiempo de la muestra las tasas
de interés de mercado de las operaciones activas y pasivas se encuentran dentro del
límite inferior (operaciones de absorción) y el límite superior (operaciones de inyección).
Por su parte, se puede visualizar que a partir de finales del año 2007 el saldo de las
operaciones de absorción sobre el dinero base rezagado un período ha disminuido
significativamente luego de haber superado en varios meses durante los años 2005-
96
Se dice en este caso, ya que la tasa de interés de política monetaria es pre-establecida por el BCV y según un enfoque nuevo keynesiano un incremento de la tasa de interés se relaciona con una política monetaria contractiva. No obstante, bajo una concepción monetarista, y desde una perspectiva empírica, se dice que bajas tasas de interés son un signo de una política monetaria restrictiva, en el sentido de que la cantidad de dinero ha crecido lentamente, y que altas tasas de interés son un signo de una política monetaria expansiva en el sentido de que la cantidad de dinero ha crecido rápidamente. Esto debido a que si bien el impacto inicial de incrementar la cantidad de dinero en una tasa más rápida que en el pasado inmediato es la reducción de la tasa de interés, el incremento en el crecimiento de la oferta monetaria, genera que se estimule el gasto en consumo e inversión, que aumente el ingreso y se expanda la demanda de crédito, que se eleve los precios, lo cual reduce la cantidad saldos reales, y que se alimentan las expectativas de inflación de los agentes económicos, lo cual todo esto revertirá en un período relativamente corto la presión a la baja sobre la tasas de interés, por lo que las tasas de interés pueden ser un indicador engañoso sobre la orientación de la política monetaria (Olivo, 2011). Para mayores detalles sobre este tópico véase a Olivo (2011) y Mishkin (2008).
202
2006 el nivel de dinero base hasta llegar a representar alrededor del 7,0% del dinero
base a finales de la muestra, también se puede apreciar el comportamiento volátil de la
tasa interés de las operaciones interbancarias.
Gráfico 27
Evolución temporal de las tasas de interés de política monetaria y del mercado y el
cociente entre los saldos de las operaciones de absorción y el dinero base rezagado un
período. Período (2004-2011)
Fuente: BCV y cálculos propios (2013).
A continuación en el gráfico 28 se presentan las principales FIR derivadas de la
estimación de un VAR, en niveles, bajo el enfoque agregado utilizando VAB de la
actividad no petrolera como medida de referencia o patrón de comparación con las
otras actividades económicas (o sectores económicos), y con la siguiente
especificación: LS 1 2 LPIB LOG(D12_IPC) LVAB_ANP_SA LCRE_T TA TPM_A TO @
C ISP_DB LRBE LOG(TCN_NO) INVD_DB_RIN DU09 (modelo 9). Con este
ordenamiento se permite que la tasa de interés del mercado monetario de corto plazo
responda contemporáneamente a la TPM_A. Todas las variables endógenas en niveles
son integradas de orden 1 (contienen raíces unitarias) según las pruebas
4
6
8
10
12
14
16
18
20
22
24
26
28
2004 2005 2006 2007 2008 2009 2010 2011
TPM_A TPM_I TI_CD TA TPLZ
%
0
5
10
15
20
25
30
2004 2005 2006 2007 2008 2009 2010 2011
TO
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1.8
2.0
2.2
2004 2005 2006 2007 2008 2009 2010 2011
IA_DB_1
%
203
convencionales de raíz unitaria97, se verificó que los residuos sean estacionarios y que
las variables endógenas fueran cointegradas, en este sentido, no se puede rechazar,
según la prueba de Johansen, la hipótesis nula de cómo máximo hay un vector de
cointegración entre las variables endógenas en niveles98, el modelo fue dinámicamente
estable, no se evidenciaron problemas de autocorrelación hasta el rezago 11, no se
rechaza al 5% de significancia la hipótesis nula de que los errores se distribuyen de
acuerdo a la función de densidad de probabilidad normal multivariada99.
Gráfico 28
Respuesta del producto no petrolero a un choque de política monetaria contractivo.
Período (2004-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
97
Para este estudio se emplearon las pruebas de Dickey-Fuller Aumentado (ADF), Phillips-Perron (PP) y como complemento la prueba de Kwiatkowski-Phillips-Schmidt-Shin (KPSS). Los resultados de estas pruebas para las variables empleadas en el estudio, durante este período, se presentan en el anexo 4. 98
En el anexo 5 (en los modelos que aplican) se presentan las pruebas de Johansen para las variables endógenas por cada VAR en niveles. 99
Tal como se puede apreciar los resultados, desde el punto de vista econométrico, mejoraron significativamente con respecto a las estimaciones de la sección anterior (muestra completa) en cuanto al cumplimiento de los supuestos básicos.
-.04
.00
.04
.08
.12
2 4 6 8 10 12 14
Response of LOG(D12_IPC) to TPM_A
-.04
.00
.04
.08
.12
2 4 6 8 10 12 14
Response of LOG(D12_IPC) to TO
-.010
-.005
.000
.005
.010
.015
2 4 6 8 10 12 14
Response of LVAB_ANP_SA to LPIB
-.010
-.005
.000
.005
.010
.015
2 4 6 8 10 12 14
Response of LVAB_ANP_SA to LCRE_T
-.010
-.005
.000
.005
.010
.015
2 4 6 8 10 12 14
Response of LVAB_ANP_SA to TA
-.010
-.005
.000
.005
.010
.015
2 4 6 8 10 12 14
Response of LVAB_ANP_SA to TPM_A
-.010
-.005
.000
.005
.010
.015
2 4 6 8 10 12 14
Response of LVAB_ANP_SA to TO
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of LCRE_T to LPIB
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of LCRE_T to TA
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of LCRE_T to TPM_A
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of LCRE_T to TO
-0.4
0.0
0.4
0.8
1.2
2 4 6 8 10 12 14
Response of TA to TPM_A
-0.4
0.0
0.4
0.8
1.2
2 4 6 8 10 12 14
Response of TA to TO
-.2
.0
.2
.4
.6
2 4 6 8 10 12 14
Response of TPM_A to LPIB
-.2
.0
.2
.4
.6
2 4 6 8 10 12 14
Response of TPM_A to LOG(D12_IPC)
-2
0
2
4
6
2 4 6 8 10 12 14
Response of TO to TPM_A
Response to Cholesky One S.D. Innovations ± 2 S.E.
204
Tal como se puede observar en el gráfico anterior, existen indicios que sugieren
que durante el período (2004-2011) un choque de política monetaria contractivo
(incremento de la TPM_A) no tiene influencia sobre el producto real no petrolero, y que
sólo innovaciones en la actividad global (producto o demanda agregada total) incide
positivamente sobre el producto no petrolero (en el mismo mes de la innovación y dura
por lo menos dos meses luego del choque). De la estimación de este VAR se
desprenden algunos elementos que vale la pena destacar, primeramente, al parecer
existen indicios de que el choque de política monetaria no genera efectos significativos
sobre la tasa de interés interbancaria (TO) y movimientos de ésta a su vez, no genera
un efecto estadísticamente significativo sobre la tasa de interés activa de mercado (TA),
también se puede apreciar que los movimientos (innovaciones) en las diferentes tasas
(TPM_A, TO y TA) no son lo suficientemente fuertes para afectar los niveles de crédito
bancario total, en términos nominales, y que éste sólo se incrementa ante una
innovación en la actividad global (rol pasivo del crédito) en el mismo mes de ocurrida la
innovación y persiste por lo menos tres meses luego del choque, es por ello que el
producto no petrolero se incrementa ante una innovación del crédito bancario nominal
luego del tercer mes con un efecto significativamente persistente en el tiempo100.
Adicionalmente, se puede observar, según la evidencia disponible, que en este
modelo no se registró el problema de la paradoja de precios (prices puzzle), aunque el
choque de política monetaria no es lo suficientemente fuerte para afectar
significativamente a la inflación anualizada (D12_IPC), también se puede apreciar que
la tasa de política del Banco Central no reacciona (al estilo de una función de reacción)
significativamente ante una innovación en la tasa de inflación (posición pasiva de la
política monetaria) y en el producto agregado, aunque en este último se observa un
muy pequeño incremento (estadísticamente significativo) de la tasa de política ante una
innovación del producto total.
100
Este efecto tan persistente en el tiempo, de más de un año, parece bastante exagerado, por lo que se recomienda considerar estos resultados con mucha cautela, preferiblemente más en términos de direccionalidad que en magnitud.
205
En lo que respecta a las respuestas sectoriales del producto ante un choque de
política monetaria contractivo se estimaron, al igual que en la sección anterior, un VAR
en nivel por cada actividad económica las cuales poseen las siguientes
especificaciones (considerando explícitamente el ordenamiento de las variables): para
el modelo VAR relacionado con el producto de manufactura se utilizan las siguientes
variables: LS 1 2 LPIB_SA LOG(NI) LVAB_MAN_SA LC_M TA_I TPM_A @ C ISP_DB
TO LOG(TCN_NO) INVD_DB_RIN DUM09 (modelo 10)101. Por su parte, para el modelo
VAR referente a la actividad de comercio y servicios de reparación se utilizó la siguiente
especificación: LS 1 2 LPIB_SA LOG(D12_IPC) LVAB_COM_SA LC_COM TA_C
TPM_A @ C ISP_DB TO LOG(TCN_NO) INVD_DB_RIN DU09 (modelo 11), mientras
que para el VAR de la actividad de construcción se empleó la especificación: LS 1 2
LPIB LOG(NI) LVAB_CON_SA LC_CON TA_CON TPM_A @ C ISP_DB TO
LOG(TCN_NO) INVD_DB_RIN DU09 (modelo 12).
Para todos los modelos no se evidenciaron problemas graves de autocorrelación
(sólo en el modelo de la actividad de comercio se registró autocorrelación en el rezago
8), mientras que para el resto de los modelos no se evidenciaron problemas de
autocorrelación hasta el rezago 11, según la prueba LM de autocorrelación, por su
parte, para cada uno de los modelos las variables endógenas en niveles, integradas de
orden uno, resultaron cointegradas, según la prueba de cointegración multivariada de
Johansen, y no se rechaza al 5% de significancia que los errores de cada VAR se
distribuyan de acuerdo a la función de densidad de probabilidad normal multivariada,
adicionalmente se verificó que los residuos de cada VAR fueran estacionarios. En este
sentido, en el gráfico 29 se presentan las principales FIR derivadas del VAR para el
producto de manufactura ante un choque de política monetaria contractivo.
101
Se incluye la variable dummy (tipo escalón) (DUM09), la cual toma el valor de 1 a partir del mes de abril del año 2009 en adelante y cero (0) para el resto del período, para intentar recoger los efectos de la disminución significativa de los precios del petróleo y de las medidas adoptadas como consecuencia de los efectos de la crisis financiera internacional y de la recesión económica del país, tales como la disminución significativa del requerimientos de encajes, disminución de las tasas de interés activas (sujetas a control por parte del BCV), incremento del IVA (antes la disminución de los ingresos petroleros), entre otras.
206
Gráfico 29
Respuesta del producto de manufactura a un choque de política monetaria contractivo.
Período (2004-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
Se puede observar, del gráfico anterior, que existen indicios que sugieren
durante el período (2004-2011), que un choque de política monetaria contractivo
(incremento de la TPM_A) no genera un efecto estadísticamente significativo sobre el
nivel del producto real de manufactura, sólo innovaciones en la actividad global
producen incrementos significativos, desde el mes en que ocurre el choque y que dura
por lo menos siete meses, sobre la actividad real de manufactura, asimismo, se puede
apreciar que el choque de política no afecta a la tasa de interés activa de la actividad
industrial102 y que innovaciones en ésta, a su vez, no son lo suficientemente fuertes
para afectar significativamente al crédito bancario nominal dirigido a dicha actividad ni al
producto real de manufactura, no obstante, se puede apreciar que la actividad real de
manufactura se incrementa al quinto mes luego de ocurrida una innovación en el crédito
bancario, en términos nominales, dirigido hacia dicha actividad y, que este efecto
perdura por al menos ocho meses luego de ocurrido el choque.
102
Es importante destacar que dentro del período de estudio ha existido diferentes normativas sobre el control y establecimiento de crédito dirigidos a ciertos sectores con tasas de interés preferenciales y controladas que pueden afectar los resultados de las estimaciones, para mayores detalles sobre ésta y otras normativas en el sistema financiero véase: Informe Económico del BCV (varios años).
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of LVAB_MAN_SA to LPIB_SA
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of LVAB_MAN_SA to LC_M
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of LVAB_MAN_SA to TA_I
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of LVAB_MAN_SA to TPM_A
-.02
.00
.02
.04
.06
.08
2 4 6 8 10 12 14
Response of LC_M to LPIB_SA
-.02
.00
.02
.04
.06
.08
2 4 6 8 10 12 14
Response of LC_M to TA_I
-.02
.00
.02
.04
.06
.08
2 4 6 8 10 12 14
Response of LC_M to TPM_A
-0.4
0.0
0.4
0.8
1.2
2 4 6 8 10 12 14
Response of TA_I to TPM_A
Response to Cholesky One S.D. Innovations ± 2 S.E.
207
Para la actividad de comercio y servicio de reparación en el gráfico 30 se
muestran las principales FIR obtenidas de la estimación del respectivo VAR en niveles.
Gráfico 30
Respuesta de la actividad de comercio y servicios de reparación a un choque de política
monetaria contractivo. Período (2004-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
De la evidencia derivada de las FIR del gráfico anterior se puede decir que
existen indicios de que un choque de política monetaria contractivo no influye sobre la
actividad real de comercio y servicios de reparación y que dicha actividad sólo se
incrementa, en el modelo, ante una innovación de la actividad global (PIB total), en el
primer mes de la ocurrencia del choque cuyo efecto se prolonga en más de un año
luego de la innovación, también se resalta que el choque de política monetaria no es lo
suficientemente fuerte para afectar a la tasa de interés de la actividad de comercio y de
que a pesar de que una innovación en la tasa de interés de dicha actividad genera un
efecto inverso y significativo, aunque transitorio, en la cartera de crédito nominal hacia
este sector, ni los movimientos en la tasa de interés y en la cartera de crédito de esta
actividad económica son lo suficientemente fuerte para influir sobre la actividad real de
comercio y servicios de reparación.
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of LVAB_COM_SA to LPIB_SA
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of LVAB_COM_SA to LC_COM
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of LVAB_COM_SA to TA_C
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of LVAB_COM_SA to TPM_A
-.04
-.02
.00
.02
.04
.06
2 4 6 8 10 12 14
Response of LC_COM to LPIB_SA
-.04
-.02
.00
.02
.04
.06
2 4 6 8 10 12 14
Response of LC_COM to TA_C
-.04
-.02
.00
.02
.04
.06
2 4 6 8 10 12 14
Response of LC_COM to TPM_A
-0.4
0.0
0.4
0.8
1.2
2 4 6 8 10 12 14
Response of TA_C to TPM_A
Response to Cholesky One S.D. Innovations ± 2 S.E.
208
Por su parte, las FIR más relevantes del modelo VAR para el producto real de
actividad de construcción se muestran en el gráfico 31.
Gráfico 31
Respuesta de la actividad de construcción a un choque de política monetaria
contractivo. Período (2004-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
Del gráfico anterior se puede apreciar que existen indicios que sugieren que un
choque de política monetaria contractivo definido como el incremento de la tasa de
política monetaria, no influye sobre producto real de la actividad de construcción, y que
sólo cambios agregados en la actividad real inciden, levemente, sobre el producto de
esta actividad económica, asimismo, se observa que el choque de política monetaria no
es lo suficientemente fuerte para afectar a la tasa de interés activa de la actividad de
construcción, y que movimientos (innovaciones) de ésta no generan una incidencia de
forma estadísticamente significativa sobre el crédito bancario nominal de esta actividad
ni al producto del sector. No obstante, se puede ver que innovaciones en el crédito
bancario, en términos nominales, dirigido a esta actividad, generan un aumento,
estadísticamente significativo, y relativamente permanente en el tiempo (de más de un
año) sobre el producto real del sector, este movimiento en el crédito del sector es
levemente afectado de forma directa (o positiva) por innovaciones en la actividad
económica global (rol pasivo del crédito). Es importante señalar, que se realizó
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of LVAB_CON_SA to LPIB
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of LVAB_CON_SA to LC_CON
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of LVAB_CON_SA to TA_CON
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of LVAB_CON_SA to TPM_A
-.08
-.04
.00
.04
.08
2 4 6 8 10 12 14
Response of LC_CON to LPIB
-.08
-.04
.00
.04
.08
2 4 6 8 10 12 14
Response of LC_CON to TA_CON
-.08
-.04
.00
.04
.08
2 4 6 8 10 12 14
Response of LC_CON to TPM_A
-0.8
-0.4
0.0
0.4
0.8
1.2
1.6
2 4 6 8 10 12 14
Response of TA_CON to TPM_A
Response to Cholesky One S.D. Innovations ± 2 S.E.
209
adicionalmente una estimación para este modelo introduciendo como variable exógena
al nivel de los precios del petróleo, sin embargo, los resultados fueron cualitativamente
similares, con relación al direccionamiento, desfases temporales y magnitud de las FIR,
por lo que se decidió no presentar este resultado con el fin de ahorrar espacio en el
texto.
Tal como se mencionó en líneas anteriores, se estimaron, de forma adicional,
una serie de VAR en primeras diferencias para el período (2004-2011), los cuales se
pueden dividir en dos grupos: 1) VAR en primeras diferencias utilizando el enfoque o
señales vía precio, pero utilizando la tasa de interés nominal de las operaciones
interbancarias (TO) y a las brechas del producto, medida como la diferencia entre el
logaritmo de la serie y su valor tendencial obtenido a través del filtro Hodrick-Prescott
(HP), como medidas de la actividad real agregada y sectorial según sea el caso, y 2)
VAR en primeras diferencias utilizando el enfoque o señales vía cantidad, utilizando la
base monetaria, como variable instrumental de política monetaria, para analizar los
efectos de ésta sobre el producto agregado y sectorial (medido por sus respectivos
valores agregados brutos).
Para el primer grupo de modelos VAR en primeras diferencias (enfoque o
señales vía precios con el empleo de las brechas del producto) se especificó, tal como
en los casos anteriores, un VAR para el producto agregado (actividad no petrolera) en
este sentido la especificación del modelo fue la siguiente: LS 1 2 BLPIB_SA
DLOG(IPC_N) DLOG(CRE_T) D(TA) BLY_ANP TO @ C DLOG(RI) DLOG(RBE)
DLOG(GRGC) DLOG(Q_M) (modelo 13), en donde todas las variables fueron
estacionarias en sus primeras diferencias, resaltando que se toma el nivel de TO sin
diferenciar ya que según las pruebas de raíces unitarias convencionales resultó
estacionaria en nivel, el modelo resultó dinámicamente estable, y no se rechazó la
hipótesis de que los errores se distribuyen como una normal multivariada con los
niveles de confianza convencionales, y según la prueba LM de autocorrelación de los
residuos sólo ésta existe en los rezagos 10 y 12. A continuación se presentan en el
gráfico 32 las FIR más importantes derivada de este VAR.
210
Gráfico 32
Respuesta de la brecha del producto no petrolero a un choque de política monetaria
contractivo. Período (2004-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
De las FIR reflejadas en el gráfico anterior según la especificación de este VAR,
existen indicios que sugieren que un choque de política monetaria contractivo, medido
como un incremento de una desviación estándar de la tasa de interés nominal de las
operaciones interbancarias (TO), no tiene una influencia estadísticamente significativa
sobre la brecha (gap) del producto no petrolero, sólo innovaciones en la brecha del PIB
total (que puede ser interpretada como cambios en la demanda agregada) generan un
incremento en el mismo mes del choque en la brecha del producto no petrolero,
resultado que ha sido común en casi todas las estimaciones realizadas. Por una parte,
el choque de política monetaria contractivo no genera cambios significativos en la tasa
de interés activa e innovaciones de ésta, a su vez, no incide sobre crédito bancario
nominal total y en la brecha del producto no petrolero.
-.004
-.002
.000
.002
.004
2 4 6 8 10 12 14
Response of DLOG(IPC_N) to D(TA)
-.004
-.002
.000
.002
.004
2 4 6 8 10 12 14
Response of DLOG(IPC_N) to TO
-.02
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of DLOG(CRE_T) to BLPIB_SA
-.02
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of DLOG(CRE_T) to D(TA)
-.02
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of DLOG(CRE_T) to TO
-0.4
0.0
0.4
0.8
1.2
2 4 6 8 10 12 14
Response of D(TA) to TO
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of BLY_ANP to BLPIB_SA
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of BLY_ANP to DLOG(CRE_T)
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of BLY_ANP to D(TA)
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of BLY_ANP to TO
Response to Cholesky One S.D. Innovations ± 2 S.E.
211
Por otra parte, se puede apreciar que una innovación en el crédito bancario
produce un incremento, en el mismo mes de la innovación (y que se prolonga hasta por
lo menos 2 meses luego de ocurrido el choque), en la brecha del producto no petrolero,
sin embargo, y según el modelo, el crédito sólo reaccionó ligeramente y de forma muy
esporádica a una innovación en la brecha del producto total (rol pasivo del crédito
bancario). Adicional a esto, se puede observar que con respecto a la tasa de inflación
mensual a nivel de consumidor se evidencia, en cierta forma, el problema de la
paradoja de precios, pero este efecto no fue estadísticamente significativo.
Para analizar las respuestas sectoriales de los choques de política monetaria se
estimaron tres modelos VAR para cada una de las actividades económicas, tal como en
las secciones anteriores, con las siguientes especificaciones: para la actividad de
manufactura se utilizaron las siguientes variables según el ordenamiento: LS 1 2
BLPIB_SA DLOG(IPC_N) DLOG(C_M) D(TA_I) BLY_MAN_SA D(TO) @ C DLOG(RI)
DLOG(GGC) DLOG(RBE) DLOG(TCN_NO) (modelo 14), para la actividad de comercio:
LS 1 2 BLPIB_SA DLOG(IPC_N) DLOG(C_COM) D(TA_C) BLY_COM_SA D(TO) @ C
DLOG(RI) DLOG(GGC) DLOG(RBE) DLOG(TCN_NO) (modelo 15). Mientras que para
la actividad de construcción se estimó la siguiente especificación: LS 1 2 BLPIB_SA
DLOG(IPC_N) DLOG(C_CON) D(TA_CON) BLY_CON_SA D(TO) @ C DLOG(RI)
DLOG(GGC) DLOG(RBE) DLOG(TCN_NO) (modelo 16).
Cabe destacar, que desde el punto de vista econométrico se obtuvieron
estimaciones relativamente adecuadas, en el sentido de que se respetaron los
supuestos básicos, para todos los modelos las variables empleadas fueron
estacionarias según sus respectivas transformaciones (en primeras diferencias, o en
brechas, por ejemplo), el modelo resultó dinámicamente estable, y no se pudo rechazar
la hipótesis de que los errores de cada modelo se distribuyen como una normal
multivariada, según los niveles estándar de confianza, así mismo, en promedio, para
todos los modelos y según la prueba de autocorrelación LM no se evidenciaron
problemas graves de autocorrelación, ya que en promedio, ésta sólo existe a partir del
212
rezago 10. A continuación en el gráfico 33 se presentan las FIR más relevantes
derivadas del modelo relacionado con la brecha del producto de manufactura.
Gráfico 33
Respuesta de la brecha del producto de manufactura a un choque de política monetaria
contractivo. Período (2004-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
La evidencia disponible derivada de las FIR, del gráfico anterior, sugiere que,
durante el período de estudio, un choque de política monetaria contractivo (incremento
de la TO) no tiene una influencia sobre la brecha del producto de manufactura, sólo
innovaciones en la brecha del producto total (BLPIB_SA) incide transitoriamente, y en el
mismo mes de ocurrida la innovación, en los movimientos de la brecha del producto de
manufactura, de igual forma, se puede apreciar que el choque de política no incide ni en
los movimientos de la tasa de interés activa ni en el crédito de este sector. Para este
caso, también se pudo, observar que existen indicios de que innovaciones en los
cambios del crédito bancario nominal dirigido hacia la actividad de manufactura no
tienen una influencia significativa sobre la brecha del producto del sector.
Por su parte, en lo que se refiere a la actividad de comercio y servicios de
reparación en el gráfico 34 se muestran las FIR más relevantes obtenidas del respectivo
modelo VAR ante un choque de política monetaria contractivo.
-.04
-.02
.00
.02
.04
.06
.08
2 4 6 8 10 12 14
Response of DLOG(C_M) to BLPIB_SA
-.04
-.02
.00
.02
.04
.06
.08
2 4 6 8 10 12 14
Response of DLOG(C_M) to D(TA_I)
-.04
-.02
.00
.02
.04
.06
.08
2 4 6 8 10 12 14
Response of DLOG(C_M) to D(TO)
-0.4
0.0
0.4
0.8
1.2
2 4 6 8 10 12 14
Response of D(TA_I) to D(TO)
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of BLY_MAN_SA to BLPIB_SA
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of BLY_MAN_SA to DLOG(C_M)
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of BLY_MAN_SA to D(TA_I)
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of BLY_MAN_SA to D(TO)
Response to Cholesky One S.D. Innovations ± 2 S.E.
213
Gráfico 34
Respuesta de la brecha del producto de comercio y servicios de reparación a un
choque de política monetaria contractivo. Período (2004-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
De la estimación de este VAR se puede apreciar, a través de las FIR, que existen
indicios de que un choque de política monetaria contractivo no influye sobre los
movimientos de la brecha del producto de comercio y servicios de reparación, sólo una
innovación en la brecha del producto total genera un incremento, en el mismo mes de
ocurrida la innovación, sobre la brecha del producto del sector, por su parte, se puede
observar que el choque de política no es lo suficientemente fuerte para afectar a los
movimientos de la tasa de interés activa del sector ni a los cambios en el crédito
bancario dirigido hacia dicha actividad. Así mismo, cambios o innovaciones en la tasa
de interés activa del sector y en el crédito bancario no tienen influencia sobre la brecha
del producto de comercio y servicios de reparación. No obstante, existe evidencia que
sugiere que una innovación (incremento) en la tasa de interés activa aplicada a dicha
actividad genera una disminución estadísticamente significativa, aunque leve en
magnitud, sobre los cambios en el crédito bancario dirigido al sector, en el mismo mes
de ocurrido el choque y que dura por lo menos 2 meses. También se pudo apreciar que
una innovación en la brecha del producto total (lo cual podría interpretarse como
presiones de demanda) incide positivamente, aunque de manera esporádica sobre los
cambios en este crédito (rol pasivo del crédito en el corto plazo).
-.04
-.02
.00
.02
.04
.06
2 4 6 8 10 12 14
Response of DLOG(C_COM) to BLPIB_SA
-.04
-.02
.00
.02
.04
.06
2 4 6 8 10 12 14
Response of DLOG(C_COM) to D(TA_C)
-.04
-.02
.00
.02
.04
.06
2 4 6 8 10 12 14
Response of DLOG(C_COM) to D(TO)
-0.4
0.0
0.4
0.8
1.2
2 4 6 8 10 12 14
Response of D(TA_C) to D(TO)
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of BLY_COM_SA to BLPIB_SA
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of BLY_COM_SA to DLOG(C_COM)
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of BLY_COM_SA to D(TA_C)
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of BLY_COM_SA to D(TO)
Response to Cholesky One S.D. Innovations ± 2 S.E.
214
Del VAR especificado para la actividad de construcción (brecha del producto de
construcción), en el gráfico 35 se muestra a continuación, las principales FIR que se
derivan de este modelo ante un choque de política monetaria.
Gráfico 35
Respuesta de la brecha del producto de construcción a un choque de política monetaria
contractivo. Período (2004-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
En el gráfico anterior se puede apreciar que, según la evidencia disponible
durante el período de estudio, existen indicios de que un choque de política monetaria
contractivo no es lo suficientemente fuerte para influir significativamente sobre los
movimientos en la brecha del producto de construcción, sólo una innovación en la
brecha del producto total inciden ligeramente y de forma muy esporádica sobre la
brecha del producto de dicho sector. De igual forma, se puede apreciar que el choque
de política no logra afectar a los cambios en la tasa de interés del sector ni a los
movimientos en el crédito bancario dirigido a dicha actividad económica. También se
pudo observar que ni las innovaciones en los cambios en la tasa de interés nominal
aplicadas a las operaciones activas de la actividad de construcción ni en los cambios en
el crédito bancario, en términos nominales, de dicho sector son lo suficientemente
fuertes para incidir en los movimientos de la brecha del producto de construcción.
-.08
-.04
.00
.04
.08
2 4 6 8 10 12 14
Response of DLOG(C_CON) to BLPIB_SA
-.08
-.04
.00
.04
.08
2 4 6 8 10 12 14
Response of DLOG(C_CON) to D(TA_CON)
-.08
-.04
.00
.04
.08
2 4 6 8 10 12 14
Response of DLOG(C_CON) to D(TO)
-1.0
-0.5
0.0
0.5
1.0
1.5
2.0
2 4 6 8 10 12 14
Response of D(TA_CON) to D(TO)
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of BLY_CON_SA to BLPIB_SA
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of BLY_CON_SA to DLOG(C_CON)
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of BLY_CON_SA to D(TA_CON)
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of BLY_CON_SA to D(TO)
Response to Cholesky One S.D. Innovations ± 2 S.E.
215
Ahora bien una vez expuestos los modelos VAR en primeras diferencias sobre la
base del enfoque o señales vía precios, en los cuales se pudo apreciar que según la
evidencia disponible durante el período de estudio, existen indicios que sugieren que un
choque de política monetaria contractiva no tiene ninguna influencia sobre la actividad
económica agregada (actividad no petrolera) y sectorial, se procede a estimar otro
conjunto de modelos VAR en primeras diferencias bajo el enfoque o señales vía
cantidad utilizando los cambios mensuales del logaritmo de la base monetaria (D(LBM))
como variable instrumental para representar el choque de política monetaria, en este
caso un choque expansivo (incremento de la BM) de manera de contrastar en cierta
forma los resultados anteriores.
Al igual que en las secciones anteriores, se procedió a estimar cuatro VAR, uno
para la actividad no petrolera (enfoque agregado) y tres para cada una de las
actividades estudiadas anteriormente (enfoque sectorial), a continuación se presentan
las especificaciones de estos VAR considerando el ordenamiento de las variables para
las FIR y algunas consideraciones econométricas:
Actividad no petrolera: LS 1 2 D(LPIB_SA) DLOG(IPC_N) DLOG(CRE_T)
D(LVAB_ANP) D(LBM_SA) @ C DLOG(RI) DLOG(GGC) DLOG(RBE)
DLOG(TCN_NO) (modelo 17). Las variables fueron estacionarias en sus
primeras diferencias, el modelo resultó dinámicamente estable, y sólo existe
evidencia de autocorrelación en los rezagos 08 y 12, según la prueba LM. No se
rechaza al 5% de significancia la hipótesis de que los errores se distribuyen
como una normal multivariada.
Actividad de manufactura: LS 1 2 D(LPIB_SA) DLOG(NI) DLOG(C_M)
D(LVAB_MAN) D(LBM_SA) @ C DLOG(RI) DLOG(GGC) DLOG(RBE)
DLOG(TCN_NO) (modelo 18). Las variables fueron estacionarias en sus
primeras diferencias, el modelo resultó dinámicamente estable, y sólo existe
evidencia de autocorrelación en el rezago 12, según la prueba LM. No se
rechaza al 5% de significancia la hipótesis de que los errores se distribuyen
como una normal multivariada.
216
Actividad de comercio y servicios de reparación: LS 1 2 D(LPIB_SA)
DLOG(IPC_N) DLOG(C_COM) D(LVAB_COM_SA) D(LBM) @ C DLOG(RI)
DLOG(GGC) DLOG(RBE) DLOG(TCN_NO) (modelo 19). Las variables fueron
estacionarias en sus primeras diferencias, el modelo resultó dinámicamente
estable, y no existe evidencia de autocorrelación hasta el rezago 12, según la
prueba LM. No se rechaza al 5% de significancia la hipótesis de que los errores
se distribuyen como una normal multivariada.
Actividad de construcción: LS 1 2 D(LPIB_SA) DLOG(IPC_N) DLOG(CR_CON)
D(LVAB_CON_SA) D(LBM_SA) @ C DLOG(RI) DLOG(GGC) DLOG(RBE)
DLOG(TCN_NO) (modelo 20). Las variables fueron estacionarias en sus
primeras diferencias, el modelo resultó dinámicamente estable, y sólo existe
evidencia de autocorrelación en el rezago 07, según la prueba LM. No se
rechaza al 5% de significancia la hipótesis de que los errores se distribuyen
como una normal multivariada.
A continuación se presentan en el gráfico 36 las principales FIR derivadas del
VAR para la actividad no petrolera (enfoque agregado) ante un choque de política
monetaria expansivo, definido como un incremento de la base monetaria
desestacionalizada, es importante señalar, que tal como se describió en líneas
anteriores, los movimientos en la base monetaria está influenciada por las acciones de
otros entes del sector público (incidencias o fuentes de variación de la base monetaria),
por lo que sus movimientos no responden exclusivamente a las decisiones traducidas
en acciones del Banco Central, por lo tanto, al igual que en los casos anteriores de los
modelos durante el período muestral completo (1998-2011), se incorporaron como
variables exógenas los cambios en las reservas internacionales, los cambios en el
gasto nominal del Gobierno Central, para intentar recoger o controlar, en cierto grado,
estos efectos. Adicional a esto se incorpora los cambios mensuales en las reservas
bancarias excedentes (RBE) el cual es un agregado monetario restringido, variable que
es representativa del mercado monetario de corto plazo, y en donde se inicia el
mecanismo de transmisión de la política monetaria (Pagliacci y Ruda, 2004).
217
Gráfico 36
Respuesta del producto no petrolero a un choque de política monetaria expansivo.
Período (2004-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
Del gráfico anterior se puede apreciar que existen indicios que sugieren que el
choque de política monetaria expansivo (incremento en la tasa de crecimiento de la
base monetaria) no influye sobre el producto no petrolero, no obstante se observó que
el choque de política expansivo genera un incremento en la tasa de crecimiento del
crédito bancario nominal total, y que dicho aumento se da en el primer mes del choque
de política y dura por lo menos tres meses luego del choque y, que adicionalmente, una
innovación en la tasa de crecimiento de dicho crédito genera un incremento en la tasa
de variación del producto no petrolero, que se da en el mismo mes en que ocurre la
innovación pero que desaparece a partir del tercer mes de la ocurrencia del choque
(efecto muy esporádico), dando en cierta forma y en cierto grado alguna evidencia a
favor del canal crédito bancario, la cual debe ser considerado cautelosamente. También
se puede apreciar, por una parte, que una innovación en el cambio mensual del
producto global genera un leve incremento (aunque muy esporádico) en el crecimiento
-.003
-.002
-.001
.000
.001
.002
2 4 6 8 10 12 14
Response of DLOG(IPC_N) to D(LBM_SA)
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of DLOG(CRE_T) to D(LPIB_SA)
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of DLOG(CRE_T) to D(LBM_SA)
-.04
-.02
.00
.02
.04
.06
2 4 6 8 10 12 14
Response of D(LVAB_ANP) to D(LPIB_SA)
-.04
-.02
.00
.02
.04
.06
2 4 6 8 10 12 14
Response of D(LVAB_ANP) to DLOG(CRE_T)
-.04
-.02
.00
.02
.04
.06
2 4 6 8 10 12 14
Response of D(LVAB_ANP) to D(LBM_SA)
Response to Cholesky One S.D. Innovations ± 2 S.E.
218
del producto no petrolero, mientras, que por otra parte, se evidenció el problema de la
paradoja de precios, aunque este efecto no fue estadísticamente significativo.
En lo que se refiere a la actividad de manufactura en el siguiente gráfico (gráfico
37) se muestra las FIR más relevantes derivadas del VAR correspondiente a dicha
actividad ante un choque de política monetaria expansivo.
Gráfico 37
Respuesta del producto de manufactura a un choque de política monetaria expansivo.
Período (2004-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
Tal como se puede apreciar según las FIR derivadas del modelo VAR, existen
indicios de que un choque de política monetaria expansivo, definido como una
aceleración en la tasa de crecimiento de la base monetaria, no tiene influencia alguna
sobre el producto de manufactura, de igual forma se puede observar que movimientos
en el crédito dirigido hacia este sector no responde al choque de política monetaria, y
-.04
-.02
.00
.02
.04
.06
.08
2 4 6 8 10 12 14
Response of DLOG(C_M) to D(LPIB_SA)
-.04
-.02
.00
.02
.04
.06
.08
2 4 6 8 10 12 14
Response of DLOG(C_M) to D(LBM_SA)
-.06
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of D(LVAB_MAN) to D(LPIB_SA)
-.06
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of D(LVAB_MAN) to DLOG(C_M)
-.06
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of D(LVAB_MAN) to D(LBM_SA)
Response to Cholesky One S.D. Innovations ± 2 S.E.
219
que una innovación en este último no ejerce efecto alguno, estadísticamente
significativo, sobre la actividad real de manufactura.
Por su parte, en lo que se refiere a los efectos o respuesta de actividad de
comercio y servicios de reparación a las acciones de política monetaria, en el gráfico 38
se muestran las principales FIR derivada del VAR correspondiente.
Gráfico 38
Respuesta de la actividad de comercio y servicios de reparación a un choque de política
monetaria expansivo. Período (2004-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
De este gráfico se desprende que existen indicios, según la evidencia disponible
durante el período de estudio, que un choque de política monetaria expansivo
(incremento de una desviación estándar en D(LBM)) genera un leve incremento,
estadísticamente significativo, sobre la actividad real de comercio y servicios de
reparación luego de un mes del choque de política y que éste aumento se desvanece
relativamente rápido, al tercer mes de ocurrido el choque. De igual forma, una
innovación (incremento) en el cambio del producto total (actividad global) genera un
-.02
.00
.02
.04
.06
.08
2 4 6 8 10 12 14
Response of DLOG(C_COM) to D(LPIB_SA)
-.02
.00
.02
.04
.06
.08
2 4 6 8 10 12 14
Response of DLOG(C_COM) to D(LBM)
-.02
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of D(LVAB_COM_SA) to D(LPIB_SA)
-.02
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of D(LVAB_COM_SA) to DLOG(C_COM)
-.02
-.01
.00
.01
.02
.03
2 4 6 8 10 12 14
Response of D(LVAB_COM_SA) to D(LBM)
Response to Cholesky One S.D. Innovations ± 2 S.E.
220
aumento esporádico, en el mismo mes de la innovación, en el producto de dicho sector.
También se aprecia que el crédito bancario dirigido a esta actividad no reacciona ante
el choque de política monetaria, y que a su vez el producto del sector no se ve
influenciado ante un movimiento (innovación) en dicho crédito.
Finalmente y en lo que respecta a la actividad de construcción en el gráfico 39 se
presentan las FIR más importantes que se derivan del VAR respectivo ante un choque
de política monetaria expansivo.
Gráfico 39
Respuesta de la actividad de construcción a un choque de política monetaria expansivo.
Período (2004-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
En el gráfico anterior se puede observar que existen indicios que sugieren, sobre
la base de la evidencia disponible, que un choque de política monetaria expansivo
(incremento en D(LBM_SA)) no una tiene influencia, estadísticamente significativa,
sobre el cambio en el producto real de construcción (desestacionalizado), asimismo, se
puede visualizar que un choque de política monetaria expansivo no influye en los
-.08
-.04
.00
.04
.08
2 4 6 8 10 12 14
Response of DLOG(CR_CON) to D(LPIB_SA)
-.08
-.04
.00
.04
.08
2 4 6 8 10 12 14
Response of DLOG(CR_CON) to D(LBM_SA)
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of D(LVAB_CON_SA) to D(LPIB_SA)
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of D(LVAB_CON_SA) to DLOG(CR_CON)
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of D(LVAB_CON_SA) to D(LBM_SA)
Response to Cholesky One S.D. Innovations ± 2 S.E.
221
movimientos del crédito bancario real dirigido hacia este sector, y que una innovación
en este último no es lo suficientemente fuerte para afectar al producto real del sector.
Este último aspecto en conjunto con los resultados de las otras dos actividades
económicas analizadas anteriormente, en las cuales innovaciones en las tasas de
crecimiento del crédito sectorial no inciden en los movimientos de los respectivos
productos sectoriales llevan a cuestionar, o en el mejor de los casos, a considerar
cautelosamente la evidencia hallada a favor de la presencia del canal del crédito
bancario en el análisis del producto agregado (actividad no petrolera), tomando en
cuenta que en estas tres actividades económicas, tal como se menciona a principios de
esta investigación, son las que precisamente se suponen a priori, tanto para la
economía venezolana como en estudios internacionales, por ejemplo Mies, et al.,
(2002), que puedan ser relativamente más afectadas o probablemente más
dependientes, con relación a otras actividades económicas, por el crédito bancario,
atendiendo, claro está, a las características estructurales de cada economía.
5.3. Análisis de los efectos de las acciones de la política monetaria sobre el nivel real de
la actividad de manufactura privada en Venezuela y para la región zuliana, durante el
período (1998-2011).
En esta sección se presentan las estimaciones realizadas para analizar los
efectos de las acciones de política monetaria desde el ámbito regional, comparando tal
como se explicó en el capítulo 3 de la presente investigación, la respuesta de un
choque de política monetaria sobre el producto de la región zuliana con el total
nacional, en este sentido como medida del producto no petrolero (de manufactura
privada) se opto, dada la limitación de la información estadística, por utilizar el logaritmo
natural del índice de volumen de producción de la actividad de manufactura privada de
la región zuliana (LYMZUL) y del total nacional (LYMNAC).
En este sentido, y de forma similar a la sección 5.1 del presente estudio, se
procedió a utilizar tanto el enfoque o señales vía cantidad como las señales vía precios,
por los mismos argumentos expresados en líneas anteriores, utilizando, como variable
222
para representar el choque de política monetaria, por una parte, a la base monetaria
(BM) y por otra parte, a la tasa de interés nominal de las operaciones interbancarias
(TO). Es importante resaltar que estos modelos (del enfoque regional) son
relativamente más reducidos en cuanto a la estructura del VAR con relación a las
variables utilizadas, en comparación a los modelos que se emplearon para el enfoque
sectorial de la investigación, dada la limitación de la información para la región
zuliana103, por lo que es recomendable analizar los resultados de forma cautelosa y
como aproximaciones del caso de estudio.
En efecto, los modelos utilizados empleando el enfoque o señales vía cantidad
de la variable instrumental de la política monetaria, en donde el choque de política
monetaria está definido como un incremento en la tasa de crecimiento de la base
monetaria (choque monetario expansivo) fueron especificados de la siguiente forma:
Para la nación (como un todo): LS 1 2 D(LPIB_SA) DLOG(NI) D(LYMNAC)
DLOG(Q_M) D(LBM_SA) @ C DLOG(RI) D(LGRGC_SA) DLOG(PP) DUM03
DU0402 DU08 (modelo 21). En donde todas las variables en sus primeras
diferencias fueron estacionarias, según las pruebas de raíces unitarias
convencionales, el modelo resultó dinámicamente estable. Cabe destacar, que
en este VAR se registró autocorrelación sólo para los rezagos 6, 9 y 12 según la
prueba LM, y se rechazó la hipótesis nula, al 5% de significancia, que los
residuos del VAR se distribuyen como una normal multivariada.
Para la región zuliana: LS 1 2 D(LPIB_SA) DLOG(NI) D(LYMZUL) DLOG(Q_M)
D(LBM_SA) @ C DLOG(RI) D(LGRGC_SA) DLOG(PP) DUM03 DU0402 DU08
(modelo 22). En donde todas las variables en sus primeras diferencias fueron
estacionarias, según las pruebas de raíces unitarias convencionales, el modelo
resultó dinámicamente estable. Cabe destacar, que en este VAR se registró
autocorrelación sólo para el rezago 9 según la prueba LM, y se rechazó la
103
Por ejemplo, la serie mensual del crédito bancario para la región zuliana no estuvo disponible con la periodicidad requerida para el período (1998-2004).
223
hipótesis nula, al 5% de significancia, que los residuos del VAR se distribuyen
como una normal multivariada.
A continuación en el gráfico 40 se presentan las principales FIR derivadas de los
VAR para actividad real a escala nacional (primera fila) y regional (segunda fila) ante un
choque de política monetaria expansivo.
Gráfico 40
Respuesta del producto de manufactura privada a escala nacional y para la región
zuliana a un choque de política monetaria expansivo. Período (1998-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
Del gráfico anterior se puede observar que existen indicios, según la evidencia
disponible, que sugieren que un choque de política monetaria expansiva (incremento de
la tasa de crecimiento de la base monetaria) no tiene influencia alguna sobre el
producto de manufactura privada nacional y de la región zuliana, y sólo una innovación
en el producto total genera un incremento, en el mismo mes de la innovación y
estadísticamente significativo, sobre el producto de manufactura privada a escala
-.050
-.025
.000
.025
.050
.075
.100
2 4 6 8 10 12 14
Response of D(LYMNAC) to D(LPIB_SA)
-.050
-.025
.000
.025
.050
.075
.100
2 4 6 8 10 12 14
Response of D(LYMNAC) to DLOG(Q_M)
-.050
-.025
.000
.025
.050
.075
.100
2 4 6 8 10 12 14
Response of D(LYMNAC) to D(LBM_SA)
-.08
-.04
.00
.04
.08
.12
2 4 6 8 10 12 14
Response of D(LYMZUL) to D(LPIB_SA)
-.08
-.04
.00
.04
.08
.12
2 4 6 8 10 12 14
Response of D(LYMZUL) to DLOG(Q_M)
-.08
-.04
.00
.04
.08
.12
2 4 6 8 10 12 14
Response of D(LYMZUL) to D(LBM_SA)
Response to Cholesky One S.D. Innovations ± 2 S.E.
224
nacional y para la región zuliana, siendo el de esta última en términos relativos
ligeramente mayor en términos de magnitud.
Por su parte, los modelos VAR utilizados empleando el enfoque o señales vía
precio de la variable instrumental de la política monetaria, en donde el choque de
política monetaria está definido como un incremento en la tasa de interés nominal de
las operaciones interbancarias (choque monetario contractivo) fueron especificados de
la siguiente forma:
Para la nación (como un todo): LS 1 2 D(LPIB) DLOG(NI) D(LYMNAC_SA) D(TA)
TO @ C DLOG(RIN) DLOG(GGC) D(EN_OMA) DLOG(Q_M) DU0402 DUM03
DU08 (modelo 23). En donde todas las variables en sus primeras diferencias
fueron estacionarias, según las pruebas de raíces unitarias convencionales, el
modelo resultó dinámicamente estable. Cabe destacar, que en este VAR se
registró autocorrelación para los rezagos 6, 8, 10 y 12 según la prueba LM, y se
rechazó la hipótesis nula, al 5% de significancia, que los residuos del VAR se
distribuyen como una normal multivariada.
Para la región zuliana: LS 1 2 D(LPIB_SA) DLOG(NI) D(LYMZUL) D(TA) TO @ C
DLOG(RI) DLOG(GRGC) D(EN_OMA) DLOG(Q_M) DLOG(PP) DU0402 DUM03
DU08 DU10 (modelo 24). En donde todas las variables en sus primeras
diferencias fueron estacionarias, según las pruebas de raíces unitarias
convencionales, el modelo resultó dinámicamente estable. Cabe destacar, que
en este VAR se registró autocorrelación sólo para los rezagos 3,5 y 10 según la
prueba LM, y se rechazó la hipótesis nula, al 5% de significancia, que los
residuos del VAR se distribuyen como una normal multivariada.
A continuación en el gráfico 41 se presentan las principales FIR derivadas de los
VAR para actividad real a escala nacional y regional ante un choque de política
monetaria expansivo.
225
Gráfico 41
Respuesta del producto de manufactura privada a escala nacional y para la región
zuliana a un choque de política monetaria contractivo. Período (1998-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
De la FIR correspondientes a los dos VAR (uno para la nación (parte superior del
gráfico) y otro para la región zuliana (parte inferior del gráfico)) se puede apreciar, que
la evidencia disponible durante el período de estudio, sugiere que un choque de política
monetaria contractivo (incremento de la TO) no genera efectos reales sobre el producto
de manufactura privada a escala nacional y para la región zuliana, y que sólo una
innovación en la actividad global (PIB total) genera un incremento muy transitorio, en el
mismo mes de la ocurrencia de la innovación, en el producto de manufactura nacional y
regional, respectivamente, con una disminución posterior muy esporádica (efecto atípico
sobre el producto). También se puede observar que existen indicios que sugieren que la
tasa activa de mercado se incrementa significativamente ante un choque de política
monetaria contractivo, a partir del primer mes de la ocurrencia del choque y que persiste
hasta por lo menos tres meses luego de ocurrido el choque de política.
5.4. Estudio de los efectos de las acciones de la política monetaria sobre el nivel real de
la actividad de manufactura privada en Venezuela y para la región zuliana, durante el
período (2004-2011).
-.050
-.025
.000
.025
.050
.075
.100
2 4 6 8 10 12 14
Response of D(LYMNAC_SA) to D(LPIB)
-.050
-.025
.000
.025
.050
.075
.100
2 4 6 8 10 12 14
Response of D(LYMNAC_SA) to D(TA)
-.050
-.025
.000
.025
.050
.075
.100
2 4 6 8 10 12 14
Response of D(LYMNAC_SA) to TO
-2
-1
0
1
2
3
4
2 4 6 8 10 12 14
Response of D(TA) to TO
-.10
-.05
.00
.05
.10
.15
2 4 6 8 10 12 14
Response of D(LYMZUL) to D(LPIB_SA)
-.10
-.05
.00
.05
.10
.15
2 4 6 8 10 12 14
Response of D(LYMZUL) to D(TA)
-.10
-.05
.00
.05
.10
.15
2 4 6 8 10 12 14
Response of D(LYMZUL) to TO
-2
-1
0
1
2
3
4
2 4 6 8 10 12 14
Response of D(TA) to TO
Response to Cholesky One S.D. Innovations ± 2 S.E.
226
En este apartado se estudia si un choque de política monetaria contractivo,
definido como un incremento en la tasa de interés nominal de las operaciones de
absorción del BCV (TPM_A), tiene un efecto real sobre el producto de manufactura
privada a escala nacional y regional (estado Zulia) respectivamente, durante el período
(2004-2011)104 para ello se estimaron, tal como en el caso anterior, dos VAR en niveles,
sin restricciones, identificados mediante el esquema de descomposición de Cholesky,
en este sentido, a continuación se presenta la especificación de cada VAR (para la
nación y la región zuliana) y algunos aspectos econométricos de interés sobre las
estimaciones:
Para la nación (como un todo): LS 1 2 LPIB LOG(D12_IPC) LYMNAC_SA
LOG(Q_M) TA TPM_A TO @ C ISP_DB INVD_DB_RIN LRBE LPP DUM09
(modelo 25). En donde todas las variables, excepto TO, son integradas de orden
uno (no estacionarias) en sus niveles, según las pruebas de raíces unitarias
convencionales, el modelo resultó dinámicamente estable. Cabe destacar, que
en este VAR no se registró autocorrelación hasta el rezago 11 según la prueba
LM, y se no se pudo rechazar la hipótesis nula, al 5% de significancia, de que los
residuos del VAR se distribuyen como una normal multivariada. Adicional a esto,
no se rechaza que las variables en niveles (no estacionarias), según el test de
Johansen, poseen al menos un vector de cointegración.
Para la región zuliana: LS 1 2 LPIB LOG(D12_IPC) LYMZUL_SA LOG(Q_M) TA
TPM_A TO @ C ISP_DB INVD_DB_RIN LRBE LPP DUM09 (modelo 26). En
este VAR todas las variables, excepto TO, son integradas de orden uno (no
estacionarias) en sus niveles, según las pruebas de raíces unitarias
convencionales, el modelo resultó dinámicamente estable. Cabe destacar, que
en este VAR no se registró autocorrelación hasta el rezago 11 según la prueba
LM, y se no se pudo rechazar la hipótesis nula, al 5% de significancia, de que los
residuos del VAR se distribuyen como una normal multivariada. También se
destaca que no se rechaza que las variables en niveles (no estacionarias), según
el test de Johansen, poseen al menos un vector de cointegración.
104
Considerando como en el caso del análisis del producto sectorial durante el mismo lapso temporal que para este período se cuenta con una variable instrumental de política monetaria explícita (TPM_A).
227
A continuación en el gráfico 42 se muestran las principales FIR derivadas de
estos VAR en donde se presentan las respuestas del producto de manufactura privada
a escala nacional y para la región zuliana a un choque de política monetaria contractivo.
Gráfico 42
Respuesta del producto de manufactura privada a escala nacional y para la región
zuliana a un choque de política monetaria contractivo. Período (2004-2011)
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
En el gráfico anterior las dos primeras filas corresponden a las FIR más
relevantes del VAR a escala nacional, mientras que las últimas dos filas se refieren a
las principales FIR derivadas del VAR para la región zuliana. En efecto, se puede
apreciar que existen indicios, durante el período de estudio, que sugieren que un
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of LYMNAC_SA to LPIB_SA
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of LYMNAC_SA to LOG(Q_RE)
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of LYMNAC_SA to TA
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of LYMNAC_SA to TPM_A
-.02
-.01
.00
.01
.02
.03
.04
2 4 6 8 10 12 14
Response of LYMNAC_SA to TO
-.4
-.2
.0
.2
.4
.6
.8
2 4 6 8 10 12 14
Response of TA to TPM_A
-.4
-.2
.0
.2
.4
.6
.8
2 4 6 8 10 12 14
Response of TA to TO
-2
0
2
4
6
2 4 6 8 10 12 14
Response of TO to TPM_A
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of LYMZUL_SA to LPIB
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of LYMZUL_SA to LOG(Q_M)
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of LYMZUL_SA to TA
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of LYMZUL_SA to TPM_A
-.04
-.02
.00
.02
.04
2 4 6 8 10 12 14
Response of LYMZUL_SA to TO
-.4
-.2
.0
.2
.4
.6
.8
2 4 6 8 10 12 14
Response of TA to TPM_A
-.4
-.2
.0
.2
.4
.6
.8
2 4 6 8 10 12 14
Response of TA to TO
-2
-1
0
1
2
3
4
2 4 6 8 10 12 14
Response of TO to TPM_A
Response to Cholesky One S.D. Innovations ± 2 S.E.
228
choque de política monetaria contractivo (incremento de la TPM_A) no tiene ninguna
influencia sobre el producto de manufactura a escala nacional y para la región zuliana,
sólo para el caso del producto real nacional se genera un incremento, estadísticamente
significativo, y prolongado (por lo menos hasta ocho meses luego del choque) ante una
innovación en el producto total (actividad real global). Asimismo, se puede observar que
al parecer una innovación en la tasa de interés nominal activa no tiene efectos sobre los
movimientos en el producto nacional y regional, respectivamente, y que las tasas de
interés de mercado (TA y TO) no reaccionan de forma significativa ante un choque de
política monetaria contractivo, sólo en el VAR nacional, se aprecia un leve incremento
en la tasa de interés nominal activa, estadísticamente significativo, en el tercer mes de
ocurrido el choque de política pero éste se desvanece en el mes siguiente105.
105
De forma adicional también se estimaron dos VAR en diferencias utilizando la tasa de interés de las operaciones interbancarias (TO) como tasa de política (para representar el choque de política monetaria) para la nación y la región zuliana, muy similares a los presentados anteriormente, con la siguiente especificación: 1) para el VAR nacional: LS 1 2 D(LPIB_SA) DLOG(IPC_N) D(LYMNAC_SA) DLOG(Q_M) D(TA_I) D(TO) @ C DLOG(RIN) DLOG(GGC) DLOG(RBE) DU08 DLOG(PP) (modelo 27), y 2) para la región zuliana: LS 1 2 D(LPIB_SA) DLOG(IPC_N) D(LYMZUL_SA) DLOG(Q_M) D(TA) D(TO) @ C DLOG(RIN) DLOG(GGC) DLOG(RBE) DLOG(PP) DU08 (modelo 28). Los cuales presentaron resultados econométricamente aceptables, en el sentido de que se respetaron los supuestos básicos del modelo, no obstante, los resultados, expresados a través de las FIR, fueron cualitativamente muy similares a los presentados anteriormente, en el sentido de que no se halló evidencia de efectos reales sobre el producto de manufactura privada nacional y regional ante un choque de política monetaria contractivo (incremento en la tasa de crecimiento de TO) por lo que se decidió no presentar los modelos con el propósito de ahorrar espacio en el cuerpo de trabajo.
229
CONCLUSIONES
Unos de los principales aspectos de toda política macroeconómica tiene que ver
con la gestión de corto plazo. Ésta trata de conocer como los hacedores de políticas
económicas actúan ante las diversas perturbaciones o choques que puede
experimentar la economía. En este sentido, tal como lo señala Romer (2004) y De
Gregorio (2007), en la actualidad la mayoría de los países recurren, en términos
relativos, más a la política monetaria que a la fiscal para lograr la estabilización de la
economía en el corto plazo, debido a que la política monetaria se puede cambiar en
casi cualquier momento, es decir no tiene retardo de implementación, mientras que la
política fiscal se fija por lo general año a año y en este sentido es más rígida, no
obstante, cabe señalar que aunque los efectos sobre la economía de la política fiscal
tiene menos retardos (desfases largos y variables en el efecto de la política monetaria),
su posibilidad de cambiar en un horizonte de corto plazo, es generalmente menor. Otras
de las razones que se argumentan para que la política monetaria sea la principal
política de estabilización en el corto plazo, es que gran parte de las economías
modernas poseen algún régimen cambiario con un alto grado de flexibilidad del tipo de
cambio, lo cual en conjunto con un alto grado de movilidad de capitales permiten que la
política fiscal sea más inefectiva para afectar el producto (Mundell y Fleming, 1962).
En este sentido, la política monetaria puede proveer mecanismos eficientes para
afectar las fluctuaciones del producto en el corto plazo y ser utilizada como una política
de estabilización macroeconómica, tanto de la inflación como del producto, sin
embargo, para que ésta sea efectiva en el corto plazo y consistente en el largo plazo,
debe cumplir con ciertos pre-requisitos entre los que destacan: la independencia
instrumental y de objetivos del Banco Central (Mishkin, 2008), la ausencia de dominio
fiscal (Sargent y Wallace, 1981 y Olivo, 2011) lo cual, en conjunto con otros elementos,
promueven la credibilidad de la autoridad monetaria incidiendo ésta de manera
favorable en la formación de las expectativas de los agentes económicos.
230
Por lo tanto, para analizar la efectividad de la política monetaria como
instrumento de estabilización en el corto plazo, es necesario evaluar tanto el marco
institucional en la cual se desenvuelve como la estructura económica en la cual su
conducción se lleva a cabo. La economía venezolana durante el período (1998-2011)
ha estado expuesta a diferentes cambios institucionales. En este sentido, y por una
parte, en lo que se refiere al régimen cambiario, ésta ha experimentado desde un
régimen de bandas cambiarias, pasando luego a uno de libre flotación del tipo de
cambio hasta llegar (a partir del año 2003) a un régimen de administración de divisas
(control de cambio), por otra parte, en lo que tiene que ver con la conducción de la
política monetaria en relación a su estrategia monetaria, esta ha estado fundamentada
en un principio, del período de estudio, por el uso de agregado monetarios (señales vía
cantidad) como variable instrumental y operativa de la política monetaria y, luego por el
uso de una tasa de interés de corto plazo como variable operativa (señales vía precio) a
partir del año 2002 (con la introducción de la EMF) aunque ésta fue modificada
significativamente en el tiempo, en cuanto a su objetivo o propósito, que era la
transición gradual de la estrategia monetaria vigente, en ese momento, hacia un
régimen de inflación objetivo en el futuro (Olivo, 2003 y Guerra et al., 2003).
Dentro de este orden de ideas, gran parte de éstos cambios institucionales en
materia de política macroeconómica han ocurrido como consecuencia de los
acontecimientos (coyunturales) políticos y sociales ocurridos a finales del año 2002 en
el país, tales como: el paro de la industria petrolera, el paro empresarial generalizado e
intento de golpe de Estado, que han generado una mayor incertidumbre e inestabilidad
en la economía, lo cual dificultad aún más la conducción de la política económica, en
general, y de la política monetaria, en particular. Otros de lo cambios significativos que
han ocurrido en la economía es la implementación de un control generalizado de
precios de un conjunto significativo de bienes y servicios (de consumo principalmente)
que se comercializan en la economía, y el control de tasas de interés e implementación
de carteras crediticias obligatorias, normativamente, hacia ciertos sectores de la
economía. Adicional a esto, cabe resaltar que Venezuela se caracteriza por ser una
economía pequeña y abierta, rica en recursos naturales (petróleo), en la cual su
desempeño económico está sujeto en gran forma a choques externos, originados
231
principalmente por las variaciones en los precios internacionales del petróleo (principal
producto de exportación), el cual es interpretado como un choque petrolero que se
comporta de forma idéntica a un choque de oferta (incremento de la producción
agregado y disminución de precios (debido al incremento de la oferta total vía
importaciones por la mayor disponibilidad de divisas) (Bárcenas, et al., 2011).
Los mecanismos de transmisión de la política monetaria se definen como los
canales a través de los cuales los instrumentos de la política monetaria afectan a la
actividad económica real, por lo que de forma general, se puede decir que se refieren al
proceso mediante el cual las acciones del Banco Central afectan la demanda agregada,
la inflación, el crecimiento económico y las cuentas externas. La efectividad de la
política monetaria, en general, y de los canales de transmisión monetaria, en particular,
están ligados y condicionados por el marco institucional de la economía, la estructura
del sistema financiero, el grado de competitividad, profundidad y diversificación de los
mercados, el grado de apertura de la economía, el sistema o régimen cambiario
vigente, la estrategia monetaria aplicada, entre otros factores (Ocando y Pozo, 2011).
Por lo tanto, varias de las características institucionales y estructurales de la economía
venezolana, tal como se mencionó anteriormente, condicionan las acciones de la
política monetaria del BCV y sus efectos sobre la inflación y el producto agregado no
petrolero.
En esta investigación, se planteó como propósito determinar los efectos de las
acciones de la política monetaria sobre el producto sectorial y regional en Venezuela,
durante el período (1998-2011). Para ello se procedió a estimar un conjunto de modelos
VAR sin restricciones, identificados mediante la descomposición de Cholesky, de
manera de interpretar las FIR que se derivan de éstos, utilizando, por una parte, y de
forma separada el enfoque o señales vía cantidad (con la utilización de un agregado
monetario (la base monetaria) como variable instrumental u operativa de la política
monetaria) y el enfoque o señales vía precio (con la utilización de la tasa de interés
nominal de las operaciones interbancarias (de corto plazo)) para analizar el efecto
sectorial y regional de las acciones de la política monetaria durante el período (1998-
232
2011). Asimismo, se analizó, de forma similar, el sub-período (2004-2011), período de
tiempo en el cual se minimizan los quiebres estructurales en las series empleadas en el
estudio, los efectos de los eventos atípicos acontecidos durante los años 2002 y 2003,
cambio bruscos en el marco institucional de la política económica, entre otros
elementos anteriormente descritos, que contribuyeron a que los modelos estimados
durante este lapso temporal presentaran mejores resultados desde el punto de vista
econométrico en comparación a los modelos estimados durante el período completo
(1998-2011).
Los resultados disponibles según la FIR derivadas de los VAR en primeras
diferencias, para el período completo (1998-2011) utilizando tanto el enfoque o señales
vía cantidad y vía precios, con la utilización de la base monetaria y la tasa de interés de
las operaciones interbancarias, respectivamente, sugieren en términos generales, por
una parte, que existen indicios de que las acciones de la política monetaria (choque de
política monetaria) no tienen ninguna influencia ni sobre el producto agregado no
petrolero ni sobre el producto sectorial de las actividades de manufactura, comercio y
servicios de reparación y, construcción y que sólo innovaciones en la actividad
económica general (o demanda agregada) generan efectos significativos sobre los
movimientos en el producto agregado no petrolero y sectorial. Sólo para la actividad de
construcción se evidenció una leve disminución ante un choque de política contractivo
(incremento de la tasa de interés interbancaria), no obstante, en varios de estos VAR se
evidenció el problema de la paradoja de precio (prices puzle) por lo que los resultados
deben ser considerados con cautela.
Por su parte, en los que se refiere al análisis del sub-período (2004-2011) se
utilizaron, tal como se pudo apreciar, tres alternativas de estimación, la primera consiste
en la estimación de un conjunto de VAR en niveles utilizando la tasa de interés nominal
promedio ponderada de las operaciones de absorción del BCV para representar el
choque de política monetaria contractivo y el VAB de la actividad no petrolera y para las
actividades de manufactura, comercio y servicios de reparación y construcción para
representar al producto en cado uno de los casos, producto agregado y sectorial,
233
respectivamente. La segunda alternativa consiste en la estimación de un conjunto de
VAR en primeras diferencias utilizando la tasa de interés de las operaciones
interbancarias para representar el choque de política monetaria contractivo y las brecha
(gap) del producto agregado no petrolero y sectorial, definida como la diferencia entre el
nivel en (logs) y su valor tendencial a largo plazo, aproximado por el filtro HP. Y la
tercera, y de forma complementaria, la estimación de un conjunto de modelos VAR en
primeras diferencias utilizando el incremento en la tasa de variación mensual de la base
monetaria para representar el choque de política monetaria expansivo (señales vía
cantidad).
Los resultados disponibles sugieren durante el período de estudio, por una parte,
que para la primera alternativa, existen indicios de que un choque de política monetaria
no genera efectos reales sobre la actividad económica agregada y sectorial y, que sólo
innovaciones del producto global (o de la demanda agregada total) tiene efectos
estadísticamente significativos sobre el producto agregado no petrolero y sectorial,
también se evidenció de que a pesar de que el crédito agregado y sectorial (dirigido a
las respectivas actividades económicas) no reacciona, en términos generales, de forma
significativa ante un choque de política monetaria, una innovación en este (total y
sectorial según sea el caso) genera un incremento sobre la actividad no petrolera y
sobre la actividad de manufactura y construcción, evidenciándose también que los
movimientos (aumentos) del crédito bancario total y para éstos sectores son
influenciados ante un cambios (innovación) en la actividad económica global (PIB total)
(rol pasivo de crédito).
Por otra parte, y con relación a la segunda y tercera alternativa, los resultados,
según la evidencia disponible durante el período de estudio, sugiere que los choques de
política monetaria para los dos conjunto de modelos no generan, en términos
generales, efectos reales sobre el producto agregado no petrolero y sectorial, sólo se
evidenció para la actividad de comercio y servicios de reparación un ligero incremento
(aunque muy transitorio) en su tasa de crecimiento, ante un choque de política
monetaria expansivo (incremento en la tasa de crecimiento de la base monetaria). En
234
estos modelos, también se observaron que un incremento (o innovación) en el crédito
bancario total genera un aumento en el producto agregado no petrolero (en ambas
alternativas de estimación), sin embargo para el producto sectorial no se observaron
respuestas significativas ante movimientos en el crédito sectorial.
En lo que se refiere a los efectos regionales de las acciones de la política
monetaria durante el período (1998-2011) la evidencia disponible sugiere que un
choque de política monetaria, expansivo para las señales vía cantidad utilizando la base
monetaria, y contractivo al utilizar las señales vía precio (tasa de interés interbancaria),
no generan efectos reales sobre el producto de manufactura privada a escala nacional y
para la región zuliana ya que al parecer dichos choques no son lo suficientemente
fuertes para afectar significativamente al mercado monetario en el corto plazo y de allí
en adelante afectar al sector real de la economía.
Por último y en lo que se refiere a los efectos regionales de las acciones de la
política monetaria para el sub-período (2004-2011) analizados a través de la
interpretación de las FIR derivadas de los dos VAR en niveles utilizando el enfoque o
señales vía precios (tasa de interés de las operaciones de absorción del BCV), los
resultados, según la evidencia disponible durante el período de estudio sugieren que
existen indicios de que un choque de política monetaria contractivo no influye sobre los
respectivos productos de manufactura privada a escala nacional y para la región
zuliana, resultado que es corroborado con un conjunto de VAR regional en primeras
diferencias.
En resumen, se puede decir que sobre la base de la evidencia disponible durante
el período de estudio, la cual está condicionada por la metodología empleada y por la
información disponible, existen indicios que sugieren (con la estimación de más de 26
modelos VAR sin restricciones) que las acciones de política monetaria (choque de
política monetaria) no tienen, en términos generales, ninguna influencia sobre el
producto agregado, sectorial y regional, este tipo de evidencia concuerda, en cierta
forma, con la encontrada en Olivo (2010), Pagliacci et al., (2011) y Bárcenas et al.,
235
(2011) en los cuales se concluye que los choques de política monetaria, identificados
de diferente maneras, no tienen ninguna influencia sobre la actividad económica real
agregada y sectorial.
236
BIBLIOGRAFÍA
ÁLVAREZ, F., DORTA M. Y GUERRA, J. (2002). “Persistencia inflacionaria en Venezuela: evolución, causas e implicaciones”, Estudios sobre la inflación en Venezuela, Colección económico financiera, Banco Central de Venezuela (BCV), Caracas-Venezuela, pp. 71-96. ARIAS, E. Y TORRES, C. (2004). “Modelos VAR y VECM para los pronósticos de corto plazo de las importaciones de Costa Rica”, Banco Central de Costa Rica (BCCR), División económica, DIE-01-2004-DI, disponible en la página web: http://www.bccr.fi.cr/. (Consulta: 19 de junio de 2011). ARREAZA, A., AYALA, N. Y FERNÁNDEZ, M. (2000). “Mecanismos de transmisión de la política monetaria”, Serie Documentos de Trabajo, Gerencia de Investigaciones Económicas, Nº. 34, Banco Central de Venezuela (BCV), disponible en la página web: http://www.bcv.org.ve/. (Consulta: el 15 de agosto de 2007). ARREAZA, A., BLANCO, E. Y DORTA, M. (2004). “Un modelo macroeconómico de pequeña escala para Venezuela: estimación y experimentos de simulación”, Revista BCV. Vol. XVIII, N° 2, Caracas - Venezuela. pp. 17-34. ARREAZA, A., TORRES, E. Y SANTANDER, E. (2006). “El canal del crédito bancario en Venezuela”, Revista BCV. Vol. XX, N° 2, Caracas - Venezuela. pp. 85-104. BANCO CENTRAL DE VENEZUELA (BCV). (2007). Informe económico 2007. BANCO CENTRAL DE VENEZUELA (BCV). (2009). Informe económico 2008. BALL, L., MANKIW, N., G. Y ROMER, D. (1988). “The New Keynesian Economics and the Output-Inflation Tradeoff, Brookings Paper on Economics Activity, Nº 1, pp. 1-65. BALL, L. (1997). “Efficient Rules for Monetary Policy”, NBER Working Paper Series. w5952. BALL, L. (1999). “Efficient Rules for Monetary Policy”, International Finance 2 (Abril), pp. 63-83. BAPTISTA, A. (2010). Teoría económica del capitalismo rentístico, (2da. Edic.), Caracas-Venezuela, Edit. Banco Central de Venezuela. BÁRCENAS, L., CHIRINOS, A. Y PAGLIACCI, C. (2011). “Transmisión de choques macroeconómicos en Venezuela: un enfoque estructural del modelo factorial”, Serie Documentos de Trabajo, Gerencia de Investigaciones Económicas, Nº. 120, Banco Central de Venezuela (BCV), disponible en la página web: http://www.bcv.org.ve/. (Consulta: el 04 de mayo de 2012).
237
BARRÁEZ, D. Y PERDOMO, M. (2010). “Comportamiento estructural y predictivo de variables macroeconómicas combinando Meegd y Var”, Serie Documentos de Trabajo, Gerencia de Investigaciones Económicas, Nº. 112, Banco Central de Venezuela (BCV), disponible en la página web: http://www.bcv.org.ve/. (Consulta: el 16 de mayo de 2011). BERNANKE B. Y BLINDER A. (1988). “Credit, Money, and Aggregate Demand”, American Economic Review, Vol. 78, Nº. 2, (mayo), pp. 435-439. BERNANKE B. Y GERTLER, M. (1995). “Inside the Black Box: the Credit Channel of Monetary Policy Transmission”, Journal of Economic perspectives, Vol. 99, Nº 4, pp. 27-42. BERNANKE B. Y MIHOV, I. (1998). “Measuring Monetary Policy”, Quarterly Journal of Economics, vol. 113, Nº 3, (agosto) pp. 869-902. BLANCHARD, O. Y FISHER S. (1992). Lectures on Macroeconomics. Cambridge, MA: The MIT Press. BLOEM, A., DIPPELSMAN, R. Y MAEHLE, N. (2001). “Manual de cuentas nacionales trimestrales Conceptos, fuentes de datos y compilación”, Fondo Monetario Internacional (FMI), Edición en español, Washington-United States. BARSKY, R., HOUSE C. Y. KIMBALL M, (2003). “Do Flexible Durable Goods Prices Undermine Sticky Price Models?” NBER Working Paper N° 9832. BRAVO, H., GARCÍA, J., MIES, V. Y TAPIA M. (2003). “Heterogeneidad de la transmisión monetaria: efectos sectoriales y regionales, Banco Central de Chile, Documento de trabajo Nº 235, disponible en la página web www.bcentral.cl/ (Consulta: 18 de junio de 2010). CALVO, G. (1983). “Staggered Prices in a Utility-Maximizing Framework”, Journal of Monetary Economics 12 (Septiembre), pp. 383-398. CANOVA, F. (2005). Methods for applied Macroeconomic Research, United States of America, Princeton University Press. CAPLIN, A. Y SPULBER, D. (1987). “Menu Costs and Neutrality of Money”, Quarterly Journal of Economics 102 (Noviembre), pp. 703-726. CARTAYA, V., SÁEZ, F. Y ZAVARCE, H. (2010). Ciclos de actividad económica y comovimientos sectoriales en Venezuela, Serie Documentos de Trabajo, Gerencia de Investigaciones Económicas, Nº. 110, Banco Central de Venezuela (BCV), disponible en la página web: http://www.bcv.org.ve/. (Consulta: el 04 de mayo de 2011). CARTAYA, V., SÁEZ, F. Y BOLÍVAR, W. (2011). Impacto de la política fiscal y monetaria en el ciclo económico de Venezuela. Un enfoque Bayesiano, Serie Documentos de Trabajo, Gerencia de Investigaciones Económicas, Nº. 118, Banco Central de Venezuela (BCV), disponible en la página web: http://www.bcv.org.ve/. (Consulta: el 04
238
de mayo de 2012). CASTELLANOS, D. (2003). “Palabras de apertura”, Revista FOROS del BCV, Nº 8, Caracas-Venezuela. Pág. 13-18. CASTRILLO, D., MORA, C. Y TORRES, C. (2008). “Mecanismos de transmisión de la política monetaria en Costa Rica: Período 1991-2007, Banco Central de Costa Rica (BCCR), División económica, DIE-07-2008, disponible en la página web: http://www.bccr.fi.cr/. (Consulta: 24 de junio de 2009). CHIRINOS, A. Y PAGLIACCI, C. (2012). “El sistema financiero venezolano. ¿Qué compromete su desempeño?, Serie Documentos de Trabajo, Gerencia de Investigaciones Económicas, Nº. 139, Banco Central de Venezuela (BCV), disponible en la página web: http://www.bcv.org.ve/. (Consulta: el 25 de junio de 2013).
CHOU, Y. (1972). Análisis estadístico, (1ra en español), México, D.F., Editorial Interamericana, S.A. de C.V., pp. 860. CHUECOS, A. (2005). “La meta de inflación en Venezuela: una evaluación de sus condiciones iníciales”, Revista BCV. XIX. N° 1, Caracas-Venezuela. pp. 61-108. CHRISTIANO, L., EICHENBAUM, M., Y EVANS, C. (1998). “Monetary Policy Shocks: What Have We Learned and To What End?” NBER Working Paper No. 6400. DE GREGORIO, J. (2007). Macroeconomía: teoría y política, (1ra Edic.), México-México, Edit. Pearson Educación. DENTON, F. (1971). “Adjustment of Monthly or Quarterly Series to Annual Totals: An Approach Based on Quadratic Minimization”, Journal of the American Statistical Association, Vol. 66 (marzo), pp. 92–102. ENDERS, W. (1995). “Applied Econometric Time Series,” Wiley Series in Probability and Mathematical Statistics, New York. FERNÁNDEZ, L. (2009). “Flexibilidad de precios en una economía con inflación: caso Venezuela”, Serie Documentos de Trabajo. Gerencia de Investigaciones Económicas, Nº 107, Banco Central de Venezuela (BCV), disponible en la página web: http://www.bcv.org.ve/ (Consulta: el 21 de enero de 2010). FISHER, I. (1876). Appreciation and Interest. Nueva York, EE.UU.: American Economic Association. FISHER, S. (1977). “Long-Term Contracts, Rational Expectations, and the Optimal Money Supply Rule”, Journal of Political Economy 85 (Febrero), pp. 191-205.
FLEMING, J.M. (1962) “Domestical financial policies under fixed and under flexible exchange rates” En IMF Staff Papers, IX, Noviembre.
239
FMI., OCDE, NACIONES UNIDAS (1993). Sistema de Cuentas Nacionales, Publicaciones Naciones Unidas. Nueva York. FROYEN, R. Y GUENDER, A. (2007). “Optimal Monetary Policy Under Uncertainty”. Edward Elgar. GANLEY, J. Y SALMON C. (1997). “The Industrial Impact of Monetary Policy Shocks: Some Stylized Facts”, Working Paper Nº 68, Banco de Inglaterra. GRANGER, L. (2005). “Apuntes de clases: Tópicos de econometría”, Pontificia Universidad Católica de Chile, Escuela de ingeniería, Departamento de ingeniería de transporte, disponible en la página web: http://intrawww.ing.puc.cl/. (Consulta: el 10 de julio de 2010). GABRIELLI, F. Y GRUBISIC, E. (2002), “La respuesta a nivel sectorial de shocks monetarios y reales: evidencia para Argentina”, Gerencia de Investigaciones Económicas– financieras, Área Economía y Finanzas, Banco Central de la República de Argentina. GREENE, W. (1999). Análisis econométrico. (3ra Edic. en español). Madrid-España. Edit. Prentice Hall. GUERRA, J., RODRÍGUEZ, P. Y SÁNCHEZ, G. (1996). “El mecanismo de transmisión de la política monetaria en Venezuela”, Serie Documentos de Trabajo, Gerencia de Investigaciones Económicas, Nº. 3, Banco Central de Venezuela (BCV), disponible en la página web: http://www.bcv.org.ve/. (Consulta: el 21 de mayo de 2005). GUERRA, J., OLIVO V. Y SÁNCHEZ G. (2002). “El proceso inflacionario en Venezuela: un estudio con vectores autoregresivos”, Estudios sobre la inflación en Venezuela, Colección económico financiera, Banco Central de Venezuela (BCV), Caracas-Venezuela, pp. 15-51. GUERRA, J., Y DORTA, M. (2003). “La relación entre las tasas de interés de los instrumentos de política monetaria y las tasas del mercado financiero en Venezuela”, Serie Documentos de Trabajo, Gerencia de Investigaciones Económicas, Nº. 51, Banco Central de Venezuela (BCV), disponible en la página web: http://www.bcv.org.ve/. (Consulta: el 14 de octubre de 2006). GUERRA, J., PAGLIACCI, C. Y ZAVARCE H. (2003). “Estrategia monetaria transición en Venezuela”, Revista FOROS del BCV, Nº 8, Caracas-Venezuela, pp. 143-151. GUJARATI, D. (2003). Econometría. (4ta. Edic. traducida en español). México-México. Edit. Mc Graw – Hill. HAMILTON, J. (1994). Time Series Analysis, Princeton: Princeton University Press. HAYO, B. Y ULLENBROCK B. (1999). “Industry Effects of Monetary Policy in Germany”, Mimeo.
240
HERNÁNDEZ, R., FERNÁNDEZ, C. Y BAPTISTA P. (1998). Metodología de la investigación, (2da. Edic.). México-México. Edit. Mc Graw – Hill. HICKS J.R. (1937) “Mr. Keynes and the classics: A suggested interpretation”, Econometrica 5, págs. 147-159. HERNÁNDEZ, E. (2005). “Un modelo insumo producto (MIP) como instrumento de análisis económico”, Serie Documentos de Trabajo, Gerencia de Investigaciones Económicas, Nº. 69, Banco Central de Venezuela (BCV), disponible en la página web: http://www.bcv.org.ve/. (Consulta: el 14 de diciembre de 2009). KERLINGER, F. (1979). Enfoque conceptual de la investigación del comportamiento. México - México, Edit. Nueva Editorial Interamericana. KEYNES, J. M. (1970 [1936]). La teoría general de la ocupación, el interés y el dinero. (1ra. reimp. de la 2da. Edic.). México-México. Edit. Fondo de Cultura Económica. LARRAÍN, G. Y LARRAÍN F. (2002). “El impacto sectorial de la política macroeconómica y los shocks externos”. Manuscrito. LORÍA, E. (2007). Econometría con aplicaciones. México-México. Edit. Prentice Hall. LUCAS, R. (1972). “Expetations and the Neutrality of Money”, Journal of Economic Theory 4 (Abril), pp.103-124. LUCAS, R. (1976). “Econometric Policy Evaluation: A Critique”, Econometrica 46 (Diciembre), pp.1429-1445. MARSHALL, A. (1938). Principles of Economics, Londres, Reino Unido, Macmillan. MCCALLUM, B. (1988). “Robustness Properties of a Rules for Monetary Policy”, Carnegie-Rochester Conference Series on Public Policy 29, pp. 173-203. MCCALLUM, B. Y NELSON, E. (1999). “An Optimizing IS-LM Specification for Monetary Policy and Business Cycle Analysis”, Journal of Monetary, Credit and Banking 31 (Agosto, Parte 1), pp. 296-316. MCCALLUM, B. Y NELSON, E. (2000). “Theorical Analysis Regarding a Zero Lower Bound on Nominal Interest Rates”, Journal of Monetary, Credit and Banking 32 (Abril), pp. 870-904. MANKIW, G. (1985). “Small Menu Cost and Large Business Cycles: A Macroeconomic Model of Monopoly”, Quarterly Journal of Economic 100 (Mayo), pp. 529-539. MAYORGA, M., TORRES C. (2004). “El mecanismo de transmisión del crédito bancario y su relevancia para el caso de Costa Rica”, Banco Central de Costa Rica (BCCR), Departamento de Investigaciones Económicas die-02-2004-di/r, disponible en la página web: http://www.bccr.fi.cr/.htm (Consulta: 14 de diciembre de 2005).
241
MIES, V., MORANDÉ, F. Y TAPIA M. (2002). “Política monetaria y mecanismos de transmisión: nuevos elementos para una vieja discusión”, Banco Central de Chile, Documento de trabajo Nº 181, disponible en la página web www.bcentral.cl/ (Consulta: 15 de junio de 2010). MILLER, R. Y PULSINELLI, R. (2000). Moneda y banca, (1ra Edic. en español), Santafé de Bogotá-Colombia, Mc Graw-Hill. MIRABAL, M. (2000). Programación y política monetaria en Venezuela 1989-1998. Cuadernos BCV, Serie Técnica., Caracas-Venezuela, Banco Central de Venezuela. MISHKIN, F. (2008). Moneda, banca y mercados financieros, (8va Edic. en español), México-México, Edit. Pearson Educación. MODIGLIANI, F. (1966). “The Life Cycle Hypothesis of Saving. The Demand for Wealth and the Supply of Capital”, En Social Research, Vol. 33. No. 2. MUNDELL, R. (1962). “Capital Mobility and Stabilization Policy Under Fixed and Flexible Exchange Rates”, Canadian Journal of Economics and Political Science, Nº. 29. NOVALES, A. (2003). Modelos Vectoriales Autorregresivos (VAR). Universidad Complutense, Manuscrito. OCANDO, C. (2013). Valor agregado regional de la actividad de intermediación financiera de las otras sociedades monetarias de depósito en Venezuela. Período 2005-2007, Proyecto de tesis de grado para optar al título de Magister en Economía, mención: Macroeconomía y Política Económica de la Universidad del Zulia, Manuscrito no publicado. OCANDO, C. Y POZO B. (2011). El mecanismo de transmisión de la política monetaria un puente entre los sectores monetario y real de la economía, BCVOZ Económico. Edición Especial, Departamento de información BCV, Año 15, pp. 36-39, disponible en la página web: http://www.bcv.org.ve/. (Consulta: el 20 de junio de 2011). OLIVO, V. (2003). “Una estrategia monetaria flexible para la transición hacia un régimen de metas de inflación”, Revista BCV. Vol. XVII, N° 1, Caracas-Venezuela, pp. 55-61. OLIVO, V. (2005a). “El intercambio entre inflación y producto: evidencia empírica para Venezuela”, Manuscrito publicado, MPRA Paper Nº. 41242, disponible en la página web: http://mpra.ub.uni-muenchen.de/41242/. OLIVO, V. (2005b). “Interest rates rules vs. Money growth rules: Some theoretical issues and empirical application for Venezuela, Serie de documentos de trabajo, Gerencia de Investigaciones Económicas, Nº. 68, Banco Central de Venezuela (BCV), disponible en la página web: http://www.bcv.org.ve/. (Consulta: el 20 de agosto de 2012). OLIVO, V. (2010). “Un análisis del efecto macroeconómico de las operaciones monetarias de absorción del Banco Central de Venezuela: 1990 -2004”, Segundo lugar
242
en el concurso de Ensayo Libre R.R. Ball “Política monetaria venezolana” organizado por el Centro de Divulgación del Conocimiento Económico para la Libertad (CEDICE). OLIVO, V. (2011). Tópicos avanzados de teoría y política monetaria, (1ra Edic.), Caracas-Venezuela, Edit. Arte Profesional, C.A. PAGLIACCI, C. Y RUDA M. (2004). “¿Tienen efectos las acciones de la política monetaria? Un análisis de intencionalidad”, Serie Documentos de Trabajo, Gerencia de Investigaciones Económicas, Nº. 64, Banco Central de Venezuela (BCV), disponible en la página web: http://www.bcv.org.ve/. (Consulta: el 21 de junio de 2009). PAGLIACCI, C. Y BARRÁEZ, D. (2009). “Oferta y demanda agregada: una representación de espacio de estados y cambios de régimen”, Serie Documentos de Trabajo, Gerencia de Investigaciones Económicas, Nº. 105, Banco Central de Venezuela (BCV), disponible en la página web: http://www.bcv.org.ve/. (Consulta: el 10 de marzo de 2011). PAGLIACCI, C. CHIRINOS, A. Y BARRÁEZ, D. (2011). “Algo más sobre el canal del crédito en Venezuela. Un enfoque estructural con restricciones de signo”, Serie Documentos de Trabajo, Gerencia de Investigaciones Económicas, Nº. 122, Banco Central de Venezuela (BCV), disponible en la página web: http://www.bcv.org.ve/. (Consulta: el 09 de julio de 2012). PARRADO, E. (2001). “Shocks externos y transmisión de la política monetaria en Chile”, Revista de Economía Chilena, Vol. 4, Nº 3, Santiago de Chile. pp. 29-57. PIGOU A. C. (1949). The veil of money, Londres, Reino Unido, Macmillan. POOLE, W. (1970). “Optimal Choice of Monetary Instruments in a Simple Stochastic Macro Model”, Quarterly Journal of Economics 84 (Mayo), pp. 197-216. RAMSEY, F. (1928). “A mathematical Theory of Saving”, Economics Journal 38 (Diciembre), pp. 543-559. RIVERO, L. (2010). “Las mediciones de los mecanismos de transmisión monetaria en Venezuela”, Revista BCV. Vol. XXIV, N° 2, Caracas-Venezuela. pp. 107-137. ROBERTS, J. (1995). “New Keynesian Economics and the Phillips Curve”, Journal of Money, Credit and Banking 27 (Abril), pp. 975-984. RODRÍGUEZ, C. (1997a). “Política monetaria y economía regional”, Consejo Económico Social, Madrid-España. RODRÍGUEZ, C. (1997b). “El papel del sistema bancario en el desarrollo regional”. ¿Reparto o creación de crédito? Estudios regionales, Nº 47, pp. 117-139, disponible en la página web www.revistaestudiosregionales.com (Consulta: el 29 de septiembre de 2011).
243
ROJAS E. Y RODRÍGUEZ P. (1997). “El papel de la estructura financiera en el mecanismo de transmisión de la política monetaria”, Serie Documentos de Trabajo, Gerencia de Investigaciones Económicas. Nº. 8, Banco Central de Venezuela (BCV), disponible en la página web: http://www.bcv.org.ve/. (Consulta: el 17 de agosto de 2006). ROMER, C. y ROMER, D. (2004). “A New Measure of Monetary Shocks: Derivartion and Implications”, American Economic Review 94 (septiembre), pp. 1055-1084. ROMER, D. (2006). Macroeconomía avanzada, (3ra Edic. en español), Madrid-España, Edit. Mc Graw-Hill. ROMER, D. (2011). Advanced Macroeconomics, (4ta Edic. en ingles), United States of America, Edit. Mc Graw-Hill. ROMERO, J. (2008). “Transmisión regional de la política monetaria en Colombia”, Documentos de trabajo sobre economía regional, Banco de la república Cartagena de Indias, Nº 107, disponible en la página web www.banrep.gov.co/ (Consulta: 17 de agosto de 2010). ROSENDE, F. (2004). “El marco teórico de la política monetaria”, Revista de Análisis Económico, Vol. 19, Nº 2, pp. 85-117. ROTEMBERG, J. (1982). “Sticky Prices in the United States”, Journal of Political Economy 90 (Diciembre), pp. 1187-1211. SACHS, J. Y LARRAIN, F. (1994). Macroeconomía en la economía global, (1ra. Edic. En español). México-México. Edit. Prentice Hall Hispanoamericana. SÁEZ, F. Y PUCH, L. (2004). “Shocks externos y fluctuaciones en una economía petrolera”, Serie Documentos de Trabajo Nº. 59, Banco Central de Venezuela (BCV), Gerencia de Investigaciones Económicas, disponible en la página web: http://www.bcv.org.ve/. (Consulta: el 21 de marzo de 2009). SALVATORE, D. (1999). Economía internacional, (6ta Edic. en español), México-México, Edit. Prentice Hall. SARGENT, T. Y WALLACE, N. (1981). Some Unmpleant Monetarist Arithmetic. En P.J. Miller, The Rational Expectations Revolution. Readings from the Front Line. The MIT Press. SIDRAUSKI, M. (1967). “Rational Choice Patterns of Growth in a Monetary Economy”, American Economic Review 59 (Mayo), pp. 534-544. SIMS, C. (1980) “Macroeconomics and reality”, Econometrica, Vol. 48. SIPPER D. Y BULFIN R. JR. (1998). “Planeación y Control de la Producción”, Editorial Mc. Graw Hill Interamericana. México, pp. 657.
244
SOLOW, R. (1956). “A contribution to the Theory of Economic Growth”, Quarterly Journal of Economics 70 (febrero), pp. 65-94. STIGLITZ, J. Y WEISS A. (1981). “Credit Rationing in Market with Imperfect Information.” American Economic Review 71, 3 (Junio), pp. 393-410. SVENSSON, L. E. (1997). “Inflation Forecast Targeting: Implementing and Monitoring Inflation Targets”, European Economic Review 41 (Junio), pp. 1111-1146. TAYLOR, J. (1980). “Aggregate Dynamics and Staggered Contracts”, Journal of Political Economy 88 (Febrero), pp. 1-23. TAYLOR, J. (1993). “Discretion versus Policy Rules in Practice”, Carnegie-Rochester Conference Series Public Policy 39 (Diciembre), pp. 195-214. TOBIN, J. (1969). “A General Equilibrium Approach to Monetary Theory”, Journal of Monetary, Credit and Banking, (Febrero), pp. 15-29. TORRES, C. (2009). “Tipo de cambio real de equilibrio para Costa Rica: Enfoque “Behavioral Equilibrium Exchange Rate” (BEER). Período 1991q1-2009q2”, Banco Central de Costa Rica (BCCR), Departamento de Investigaciones Económicas DIE-08-09-DI, disponible en la página web: http://www.bccr.fi.cr/.htm (Consulta: 20 de noviembre de 2012). UZCÁTEGUI, I. (2004). “La base monetaria”, BCVOZ Económico, Departamento de información BCV, Año 9, pp. 2-3, disponible en la página web: http://www.bcv.org.ve/. (Consulta: el 20 de Agosto de 2011). VARGAS, L. (2006). “Cuentas de gobierno general: enfoque regional”, Revista FOROS del BCV, Nº 12, Caracas-Venezuela, pp. 43-58. VILLALOBOS, L., TORRES, C. Y MADRIGAL, J. (2009). “Mecanismo de transmisión de la política monetaria: marco conceptual (primer documento)”, Banco Central de Costa Rica (BCCR), División económica, grupo de política monetaria Gpm-03-1999 Estudio, disponible en la página web: http://www.bccr.fi.cr/. (Consulta: 24 de junio de 2006). WALSH, C. (2003). Monetary Theory and Policy. (2da Edic.). The MIT Press. United States of America. WALSH, C. (2010). Monetary Theory and Policy. (3ra Edic.). The MIT Press. United States of America. ZAMBRANO, E. Y MENDOZA, O. (2003). “Cuatro preguntas sobre la tasas de interés con sus lecciones”, BCVOZ Económico, Departamento de información BCV, Año 8, pp. 2-3, disponible en la página web: http://www.bcv.org.ve/. (Consulta: el 13 de mayo de 2006). ZUCCARDI, I. (2000). “Los ciclos económicos regionales en Colombia, 1986-2000”, Revista del Banco de la República, Vol. LXXV, Nº. 891.
245
ZUCCARDI, I. (2002). “Efectos regionales de la política monetaria en Colombia”, Documentos de trabajo sobre economía regional, Banco de la república Cartagena de Indias, Nº 32, disponible en la página web www.banrep.gov.co/ (Consulta: 21 de junio de 2007).
246
ANEXOS
247
ANEXOS
Anexo 1. Definición y descripción de las variables del estudio. Período (1998-2011)*
Continúa en la página siguiente
Variable Descripción
EN_OMAEfecto neto de las operaciones de mercado abierto (en miles de Bs. reexpresados a la escala monetaria vigente a
partir del año 2008).
LBM_SA Logaritmo natural de la base monetaria, en términos nominales, desestacionalizada (Census X12-ARIMA).
LC_COMLogaritmo natural del saldo del crédito bancario nominal para la actividad de comercio de los bancos comerciales y
universales del país.
LC_CONLogaritmo natural del saldo del crédito bancario nominal para la actividad de construcción de los bancos comerciales
y universales del país.
LC_MLogaritmo natural del saldo del crédito bancario nominal para la actividad de manufactura de los bancos comerciales
y universales del país.
LCR_COMLogaritmo natural del saldo del crédito bancario real para la actividad de comercio de los bancos comerciales y
universales del país (deflactado por el IPC-AMC Base Dic. 2007=100).
LCR_CONLogaritmo natural del saldo del crédito bancario real para la actividad de construcción de los bancos comerciales y
universales del país (deflactado por el IPC-AMC Base Dic. 2007=100).
LCR_MLogaritmo natural del saldo del crédito bancario real para la actividad de manufactura de los bancos comerciales y
universales del país (deflactado por el IPC-AMC Base Dic. 2007=100).
LCRE_RT Logaritmo natural del crédito real total de los bancos comerciales y universales del país.
LGRGC Logaritmo natural del gasto real del Gobierno Central (deflactado por el IPC-AMC Base Dic. 2007=100).
LGRGC_SALogaritmo natural del gasto real del Gobierno Central (deflactado por el IPC-AMC Base Dic. 2007=100). Serie
desetacionalizada (Census X12-ARIMA).
LIPC_N Logaritmo natural del IPC-AMC (Base Dic. 2007 = 100).
LOG(Q_M)
Logaritmo natural del tipo de cambio real el cual se obtiene al multiplicar el tipo de cambio de mercado por el cociente
entre el índice de precios al consumidor de Estados Unidos de América (USA) y el índice de precios al consumidor de
Venezuela (IPC-AMC), llevados a la misma base (Dic. 2007=100), TCN_MER*(IPC_USA/IPC_N).
LOG(RI) Logaritmo natural de las Reservas Internacionales (En millones de US$).
LOG(TCN_MER)
Logaritmo natural del tipo de cambio nominal de mercado, para el cual se utiliza la combinación de la información del
tipo de cambio nominal oficial hasta de febrero del año 2003 (BCV), a la información del implícito en los ADR
(American Depositary Receipt) de la Compañía Anónima Nacional Teléfonos de Venezuela (Cantv), mientras que a
partir del año 2005 en adelante se refiere al tipo de cambio nominal no oficial (o del mercado paralelo). Fuente:
Reuters, Morgan Stanley e información recogida de otras fuentes.
LPIB
Logaritmo natural del producto interno bruto (PIB total) a precios constante de 1997 mensualizado por el método de
proporcional de Denton, utilizando como indicador de alta frecuencia (mensual) un promedio entre los índices de
volumen de la producción de la actividad de manufactura privada, de volumen de comercio y el índice de producción
física general total (disponible en la página web del BCV).
LPIB_SA
Logaritmo natural del producto interno bruto (PIB total), desestacionalizado (Census X12-ARIMA), a precios
constante de 1997 mensualizado por el método proporcional de Denton, utilizando como indicador de alta frecuencia
(mensual) un promedio entre los índices de volumen de la producción de la actividad de manufactura privada, de
volumen de comercio y el índice de producción física general total (disponible en la página web del BCV).
LPP Logaritmo natural de los precios del petróleo de Venezuela ($/Barril) en términos nominales.
248
continuación
* Todos los índices (excepto IPC-AMC) y los agregados macroeconómicos del BCV son Base 1997. Para aquellos índices con base distinta por ejemplo (Base 1984=100), se encadenaron hacia adelante por variación simple para llevarlo a base 1997=100. Las variables que terminan en _SA están desestacionalizada a través del método X12-ARIMA de Eviews 6.0. Fuente: Elaboración propia (2013).
Variable Descripción
LRINLogaritmo natural de las Reservas Internacionales Netas (en miles de Bs. reexpresado a la escala monetaria vigente
a partir del año 2008).
LVAB_ANP_SA
Logaritmo natural del VAB de la actividad no petrolera desestacionalizada (Census X12-ARIMA), a precios
constantes de 1997, mensualizado por el método proporcional de Denton, utilizando como indicador de alta
frecuencia, un promedio entre los índices de volumen de la producción de la actividad de manufactura privada, de
volumen de comercio y diferentes índices de producción física de varios productos representativos de varias
actividades económicas no petrolera (disponible en la página web del BCV).
LVAB_COM_SA
Logaritmo natural del VAB de la actividad de comercio y servicios de reparación desestacionalizado (Census X12-
ARIMA) a precios constantes de 1997, mensualizado por el método proporcional de Denton, utilizando como
indicador de alta frecuencia, al índice de valor real de la actividad de comercio, construido, hasta el año 2003 con la
información de los índices de precios de la actividad de comercio (al por mayor y al por menor) y luego extrapolado
por la variación del índice de volumen de la actividad de comercio producido por el BCV.
LVAB_CON_SA
Logaritmo natural del VAB de la actividad de construcción desestacionalizada (Census X12-ARIMA) a precios
constantes de 1997, mensualizado por el método proporcional de Denton utilizando el índice de producción física de
cemento y cabillas (Fuente: BCV) como indicador de alta frecuencia.
LVAB_MAN_SA
Logaritmo natural del VAB de la actividad de manufactura desestacionalizada (Census X12-ARIMA) a precios
constantes de 1997, mensualizado por el método proporcional de Denton utilizando el índice de volumen de la
producción de la actividad de manufactura privada (Fuente: BCV) como indicador de alta frecuencia.
LYMNACLogaritmo natural del índice de volumen de la producción de manufactura privada a escala nacional (Base
1997=100).
LYMNAC_SALogaritmo natural del índice de volumen de la producción de manufactura privada a escala nacional
desestacionalizada (Census X-12 ARIMA) (Base 1997=100).
LYMZULLogaritmo natural del índice de volumen de la producción de manufactura privada a para la región zuliana (Base
1997=100).
TATasa de interés nominal activa promedio ponderada de los seis principales bancos comerciales y universales del país
en %.
TO Tasa de interés nominal promedio mensual de las operaciones interbancarias (plazo un día) overnight.
DU0402
Variable dummy que toma el valor de 1 a partir del mes de abril del año 2002 en adelante y cero en el resto del
período (dummy escalón) con el propósito de intentar captar, en cierto grado, algún aspecto relacionado con cambio
en la estrategia monetaria del BCV con la adopción de la Estrategia Monetaria Flexible (EMF) por parte del BCV.
DUM03
Variable dummy que toma el valor de 1 a partir del mes de enero del año 2003 en adelante y cero en el resto del
período (dummy escalón) con el propósito de intentar captar, en cierto grado, los efectos del paro petrolero
acontecidos en el país, y la adopción del régimen de control cambiario iniciado a principios del año 2003 en adelante.
DU08Variable Dummy que toma el valor de uno (1) en el mes de enero del año 2008 y cero (0) en el resto del período,
incorporada para intentar captar, en cierto grado, algunos de los efectos de la crisis financiera global.
DU10Variable Dummy que toma el valor de uno (1) en el mes de enero del año 2010 y cero (0) en el resto del período,
incorporada para intentar captar, en cierto grado, algunos de los efectos rezagados de la crisis financiera global.
249
Anexo 2. Definición y descripción de las variables del estudio. Período (2004-2011)*
Continúa en la página siguiente
Variable Descripción
BLPIB_SA
Brecha (gap) del logaritmo del producto agregado (PIB total) a precios constante de 1997 mensualizado por el método
proporcional de Denton, utilizando como indicador de alta frecuencia (mensual) un promedio entre los índices de
volumen de la producción de la actividad de manufactura privada, de volumen de comercio y el índice de producción
física general total (disponible en la página web del BCV), la brecha se calculó como el nivel logarítmico de la variable
desestacionalizada (Census X12-ARIMA) y su diferencia con respecto a su valor tendencial aproximado por el filtro
Hodrick-Prescott (HP).
BLY_ANP
Brecha (gap) del logaritmo del producto no petrolero (VAB de la actividad no petrolera) a precios constante de 1997
mensualizado por el método proporcional de Denton, utilizando como indicador de alta frecuencia un promedio entre
los índices de volumen de la producción de la actividad de manufactura privada, de volumen de comercio y de
diferentes índices de producción física de varios productos representativos de diferentes actividades económicas no
petrolera (disponible en la página web del BCV), la brecha se calculó como el nivel logarítmico de la variable y su
diferencia con respecto a su valor tendencial aproximado por el filtro Hodrick-Prescott (HP).
BLY_COM_SA
Brecha (gap) del logaritmo del producto de la actividad de comercio y servicios de reparación (VAB de la actividad de
comercio y servicios de reparación) a precios constante de 1997 mensualizado por el método proporcional de Denton,
utilizando como indicador de alta frecuencia el índice de volumen de la actividad de comercio general (disponible en la
página web del BCV), la brecha se calculó como el nivel logarítmico de la variable y su diferencia con respecto a su
valor tendencial aproximado por el filtro Hodrick-Prescott (HP). Serie desestacionalizada (Census X12-ARIMA).
BLY_CON_SA
Brecha (gap) del logaritmo del producto de la actividad de construcción (VAB de la actividad de construcción) a precios
constante de 1997 mensualizado por el método proporcional de Denton, utilizando como indicador de alta frecuencia el
promedio entre el índice de producción física de cemento y cabillas (disponible en la página web del BCV), la brecha se
calculó como el nivel logarítmico de la variable y su diferencia con respecto a su valor tendencial aproximado por el
filtro Hodrick-Prescott (HP). Serie desestacionalizada (Census X12-ARIMA).
BLY_MAN_SA
Brecha (gap) del logaritmo del producto de la actividad de manufactura (VAB de la actividad de manufactura) a precios
constante de 1997 mensualizado por el método proporcional de Denton, utilizando como indicador de alta frecuencia el
índice de volumen de la producción de la actividad de manufactura privada (disponible en la página web del BCV), la
brecha se calculó como el nivel logarítmico de la variable y su diferencia con respecto a su valor tendencial aproximado
por el filtro Hodrick-Prescott (HP). Serie desestacionalizada (Census X12-ARIMA).
INVD_DB_RIN Cociente entre las ventas netas de divisas y las reservas internacionales netas.
ISP_DB Incidencia Neta del Sector Público sobre el DB (en miles de Bs.).
LBM Logaritmo natural de la Base monetaria (saldo en miles de Bs.).
LBM_SA Logaritmo natural de la Base monetaria (saldo en miles de Bs.). Serie desestacionalizada (Census X12-ARIMA).
LC_COMLogaritmo natural del crédito nominal para la actividad de manufactura de los bancos comerciales y universales del
país.
LC_CONLogaritmo natural del crédito nominal para la actividad de construcción de los bancos comerciales y universales del
país.
LC_M Logaritmo natural del crédito nominal para la actividad de comercio de los bancos comerciales y universales del país.
LCR_CONLogaritmo natural del crédito real para la actividad de construcción de los bancos comerciales y universales del país
(deflactado por el IPC-AMC Base Dic. 2007=100).
LCRE_T Logaritmo natural del crédito nominal total de los bancos comerciales y universales del país.
LGGC Logaritmo natural del gasto nominal del Gobierno Central.
LGRGC Logaritmo natural del gasto real del Gobierno Central (deflactado por el IPC-AMC Base Dic. 2007=100).
LIPC_N Logaritmo natural del IPC-AMC (Base Dic. 2007 = 100).
LNI Logaritmo natural del núcleo inflacionario (Base Dic. 2007 = 100).
LOG(D12_IPC) Logaritmo natural de la inflación a nivel del consumidor (Variación anualizada del IPC-AMC) Base Dic. 2007=100).
LOG(Q_M)
Logaritmo natural del tipo de cambio real el cual se obtiene al multiplicar el tipo de cambio de mercado por el cociente
entre el índice de precios al consumidor de Estados Unidos de América (USA) y el índice de precios al consumidor de
Venezuela (IPC-AMC), llevados a la misma base (Dic. 2007=100), TCN_NO*(IPC_USA/IPC_N).
LOG(RI) Logaritmo natural de las Reservas Internacionales (En millones de US$).
250
continuación
Fuente: Elaboración propia (2013).
Variable Descripción
LOG(TCN_NO)
Logaritmo natural del tipo de cambio no oficial que corresponde para el año 2004 a la información del implícito en los
ADR (American Depositary Receipt) de la Compañía Anónima Nacional Teléfonos de Venezuela (Cantv), mientras que
a partir del año 2005 en adelante se refiere al tipo de cambio nominal no oficial (o del mercado paralelo). Fuente:
Reuters, Morgan Stanley e información recogida de otras fuentes.
LPIB
Logaritmo natural del PIB a precios constantes de 1997 mensualizado por el método proporcional de Denton, utilizando
como indicador de alta frecuencia (mensual) un promedio entre los índices de volumen de la producción de la actividad
de manufactura privada, de volumen de comercio y el índice de producción física general total (disponible en la página
web del BCV).
LPIB_SA
Logaritmo natural del producto interno bruto (PIB total), desestacionalizado (Census X12-ARIMA), a precios constante
de 1997 mensualizado por el método proporcional de Denton, utilizando como indicador de alta frecuencia (mensual)
un promedio entre los índices de volumen de la producción de la actividad de manufactura privada, de volumen de
comercio y el índice de producción física general total (disponible en la página web del BCV).
LPP Logaritmo natural de los precios del petróleo de Venezuela ($/Barril) en términos nominales.
LRBELogaritmo natural de las reservas bancarias excedentes (en miles de Bs. reexpresado a la escala monetaria vigente a
partir del año 2008).
LRINLogaritmo natural de las Reservas Internacionales Netas (en miles de Bs. reexpresado a la escala monetaria vigente a
partir del año 2008).
LVAB_ANP
Logaritmo natural del VAB de la actividad no petrolera, a precios constantes de 1997, mensualizado por el método
proporcional de Denton, utilizando como variable de alta frecuencia, un promedio entre los índices de volumen de la
producción de la actividad de manufactura privada, de volumen de comercio y diferentes índices de producción física de
varios productos representativos de diferentes actividades económicas no petrolera (disponible en la página web del
BCV).
LVAB_ANP_SA
Logaritmo natural del VAB de la actividad no petrolera, a precios constantes de 1997, mensualizado por el método
proporcional de Denton utilizando, como variable de alta frecuencia, un promedio entre los índices de volumen de la
producción de la actividad de manufactura privada, de volumen de comercio y diferentes índices de producción física de
varios productos representativos de diferentes actividades económicas no petrolera (disponible en la página web del
BCV).
LVAB_COM_SA
Logaritmo natural del VAB de la actividad de comercio y servicios de reparación, desestacionalizada (Census X-12
ARIMA), a precios constantes de 1997, mensualizado por el método proporcional de Denton utilizando, como variable
de alta frecuencia, al índice de volumen de comercio general (disponible en la página web del BCV).
LVAB_CON_SA
Logaritmo natural del VAB de la actividad de construcción, desestacionalizada (Census X-12 ARIMA), a precios
constantes de 1997, mensualizado por el método proporcional de Denton utilizando, como variable de alta frecuencia,
al índice producción física de cemento y cabillas (disponible en la página web de BCV).
LVAB_MAN
Logaritmo natural del VAB de la actividad de manufactura, a precios constantes de 1997, mensualizado por el método
proporcional de Denton utilizando, como variable de alta frecuencia, al índice de volumen producción de manufactura
privada (disponible en la página web de BCV).
LVAB_MAN_SA
Logaritmo natural del VAB de la actividad de manufactura, desestacionalizada (Census X-12 ARIMA), a precios
constantes de 1997, mensualizado por el método proporcional de Denton utilizando, como variable de alta frecuencia,
al índice de volumen producción de manufactura privada (disponible en la página web de BCV).
LYMNAC_SALogaritmo natural del índice de volumen de la producción de manufactura privada a escala nacional desestacionalizada
(Census X-12 ARIMA) (Base 1997=100).
LYMZUL_SALogaritmo natural del índice de volumen de la producción de manufactura privada a para la región zuliana (Base
1997=100). Serie desestacionalizada (Census X12-ARIMA).
TATasa de interés nominal activa promedio ponderada de los seis principales bancos comerciales y universales del país
en %.
TA_C Tasa de interés nominal activa de la actividad de comercio en %.
TA_CON Tasa de interés nominal activa de la actividad de construcción en %.
TA_I Tasa de interés nominal activa de la actividad Industrial en %.
TO Tasa de interés nominal promedio mensual de las operaciones interbancarias (plazo un día) overnight .
TPM_ATasa de interés nominal promedio ponderada de las operaciones de absorción del BCV (Tasa de política monetaria) en
%.
DU08Variable Dummy que toma el valor de uno (1) a partir del mes de diciembre del año 2008 en adelante y cero en el resto
del período, con el objeto de intentar recoger, en cierto grado, algunos de los efectos de la crisis financiera global.
DU09
Variable Dummy que toma el valor de uno (1) a partir del mes de abril del año 2009 y cero en el resto del período, con
el objeto de intentar recoger, en cierto grado, algunos de los efectos de la crisis financiera global y de la recesión
económica del país durante el año 2009.
DUM09
Variable Dummy que toma el valor de uno (1) a partir del mes de abril del año 2009 en adelante y cero en el resto del
período, con el objeto de intentar recoger, en cierto grado, algunos de los efectos de la disminución significativa de los
precios del petróleo y de las medidas económicas adoptadas como consecuencia de los efectos de la crisis financiera
internacional y de la recesión económica del país.
251
Anexo 3. Pruebas de raíces unitarias para las variables empleadas en el estudio.
Período (1998-2011).
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
CCST CCCT SCST CCST CCCT SCST CCST CCCT CCST CCCT SCST CCST CCCT SCST CCST CCCT
EN_OMA 0.4888 0.7814 0.2508 0.2969 0.4933 0.1481 0.5761 0.1618 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0761 0.0643
LBM_SA 0.9949 0.7262 1.0000 0.9920 0.7315 1.0000 1.6194 0.2427 0.0000 0.0000 0.1898 0.0000 0.0000 0.0000 0.2785 0.1716
LC_COM 0.1136 0.5495 1.0000 0.0021 0.5606 1.0000 1.5782 0.2381 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.3379 0.1891
LC_CON 0.0015 0.8089 1.0000 0.0428 0.7223 1.0000 1.5862 0.2507 0.0000 0.0000 0.0009 0.0001 0.0000 0.0000 0.2096 0.1621
LC_M 0.7782 0.0585 0.9997 0.3899 0.0071 1.0000 1.6117 0.1570 0.0001 0.0004 0.0005 0.0001 0.0000 0.0000 0.1374 0.0635
LCR_COM 0.0238 0.6364 0.9905 0.0059 0.6080 0.9905 1.2272 0.2068 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.3105 0.2082
LCR_CON 0.0004 0.7790 0.9992 0.0031 0.7582 0.9986 1.3733 0.2049 0.0001 0.0000 0.0000 0.0001 0.0000 0.0000 0.2473 0.1997
LCR_M 0.0321 0.0712 0.9895 0.0020 0.0201 0.9842 1.3309 0.1203 0.0001 0.0003 0.0000 0.0001 0.0000 0.0000 0.1069 0.0657
LCRE_RT 0.0000 0.3873 0.9982 0.0001 0.4323 0.9989 1.2856 0.2186 0.5536 0.0000 0.0823 0.0000 0.0000 0.0000 0.2796 0.1877
LGRGC 0.6130 0.8582 0.9781 0.0001 0.0000 0.9926 1.3506 0.2670 0.0000 0.0000 0.0000 0.0001 0.0001 0.0000 0.4501 0.4586
LGRGC_SA 0.3362 0.0766 0.8839 0.0217 0.0000 0.9617 1.3276 0.2645 0.0000 0.0000 0.0000 0.0001 0.0001 0.0000 0.1816 0.1174
LIPC_N 1.0000 0.8043 1.0000 1.0000 0.8605 1.0000 1.6223 0.2383 0.0000 0.0000 0.3526 0.0000 0.0000 0.0110 0.2847 0.1061
LOG(Q_M) 0.4475 0.6155 0.6688 0.4475 0.6155 0.6688 1.0264 0.2262 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0768 0.0545
LOG(RI) 0.6926 0.5700 0.8740 0.6372 0.3896 0.8598 1.3380 0.1687 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0691 0.0662
LOG(TCN_MER) 0.8645 0.5201 0.9644 0.8556 0.3577 0.9348 1.5632 0.1395 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0522 0.0497
LPIB 0.8634 0.6597 0.9470 0.0767 0.0001 0.9944 1.3095 0.2231 0.0012 0.0076 0.0001 0.0001 0.0001 0.0000 0.5000 0.5000
LPIB_SA 0.8240 0.0240 0.8832 0.6520 0.0603 0.8813 1.2835 0.2110 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.2079 0.1312
LPP 0.1995 0.1159 0.8804 0.3017 0.2020 0.8872 1.5072 0.0807 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0265 0.0268
LRIN 0.4944 0.2916 0.9707 0.4823 0.2287 0.9696 1.5192 0.2322 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0914 0.0932
LVAB_ANP_SA 0.9321 0.4582 0.9504 0.7867 0.0551 0.9198 1.3841 0.2221 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.2241 0.1642
LVAB_COM_SA 0.8431 0.5625 0.8810 0.7403 0.4499 0.8669 1.2533 0.1820 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.1646 0.1343
LVAB_CON_SA 0.6420 0.0795 0.8011 0.5098 0.1704 0.8236 0.8517 0.2490 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.1891 0.0622
LVAB_MAN_SA 0.1793 0.0679 0.6970 0.0014 0.0004 0.7053 0.8734 0.1625 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.2108 0.1849
LYMNAC 0.5804 0.6223 0.7828 0.0001 0.0000 0.6853 0.8301 0.1593 0.0002 0.0013 0.0000 0.0000 0.0000 0.0000 0.1004 0.0922
LYMNAC_SA 0.2457 0.1719 0.6737 0.0102 0.0067 0.6801 0.7496 0.1525 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.1648 0.1335
LYMZUL 0.0020 0.0001 0.6602 0.0048 0.0001 0.7459 1.0761 0.1696 0.0000 0.0000 0.0000 0.0001 0.0001 0.0000 0.2220 0.2181
TA 0.1434 0.1187 0.2007 0.1244 0.0401 0.2827 0.8616 0.1555 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0496 0.0486
TO 0.0005 0.0010 0.0035 0.4065 0.4941 0.6613 0.3879 0.0766 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0952 0.0821
CCST: Con constante, sin tendencia.CCCT: Con constante, con tendencia.SCST: Sin constante, sin tendencia.a: Dickey-Fuller Aumentado, la selección de longitud de los rezagos se realizó atendiendo al criterio de información Schwarz.b: Phillips Perron, con el método de estimación espectral Bartlett kernel y con ancho de bandas Newey-West.c: P-valores de una cola según MacKinnon (1996).d: Kwiatkowski-Phillips-Schmidt-Shin, con el método de estimación espectral Bartlett kernel y con ancho de bandas Newey-West.
e: Estadístico de prueba. A diferencia de las pruebas anteriores, esta prueba propone como hipótesis nula que la variable es estacionaria. Se rechaza la hipótesis nula cuando el
estadístico de prueba (LM-Stat) este por encima de los valores críticos KPSS (1992). Los cuales són para la especificación CCST: de 0.7390 (al nivel de 1%), de 0.4630 (al nivel de
5%) y de 0.3470 (al nivel de 10%), mientras que para la especificación CCCT son: de 0.2160 (al nivel de 1%), de 0.1460 (al nivel de 5%) y de 0.1190 (al nivel de 10%).
El término L o LOG que antecede a una variable se refiere al logaritmo natural. Cuando una variable termina en _SA significa que ha sido ajustada estacionalmente
(desestacionalizada), mientras que cuando una variable se encuentra denotada entre L_SA se refiere al logaritmo natural de dicha variable ajustada estacionalmente.
Niveles Primeras diferencias
ADFa
PPb
KPSSd
P-valorc
P-valorc
LM-State
P-valorc
P-valorcVariable
ADFa
PPb
KPSSd
LM-State
252
Anexo 4. Pruebas de raíces unitarias para las variables empleadas en el estudio.
Período (2004-2011).
Fuente: Cálculos propios utilizando Eviews 6.0 (2013).
CCST CCCT SCST CCST CCCT SCST CCST CCCT CCST CCCT SCST CCST CCCT SCST CCST CCCT
BLPIB_SA 0.0281 0.1317 0.0025 0.0000 0.0000 0.0000 0.3686 0.0877 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0232 0.0160
BLY_ANP 0.8397 0.8990 0.3782 0.0000 0.0000 0.0000 0.0744 0.0470 0.0001 0.0000 0.0000 0.0001 0.0000 0.0000 0.1131 0.0976
BLY_COM_SA 0.0071 0.0234 0.0006 0.0000 0.0000 0.0000 0.2492 0.0977 0.0001 0.0000 0.0000 0.0001 0.0000 0.0000 0.0761 0.0762
BLY_CON_SA 0.0004 0.0031 0.0000 0.0000 0.0000 0.0000 0.1631 0.1551 0.0001 0.0000 0.0000 0.0001 0.0001 0.0000 0.2185 0.1252
BLY_MAN_SA 0.0018 0.0123 0.0001 0.0000 0.0000 0.0000 0.5259 0.0875 0.0001 0.0000 0.0000 0.0001 0.0001 0.0000 0.0825 0.0408
INVD_DB_RIN 0.4760 0.3073 0.7788 0.0003 0.0000 0.4271 0.8872 0.0845 0.0001 0.0000 0.0000 0.0001 0.0000 0.0000 0.0083 0.0082
ISP_DB 1.0000 1.0000 0.9998 0.0000 0.0000 0.0005 1.0714 0.1821 0.0009 0.0005 0.0000 0.0001 0.0001 0.0000 0.1386 0.1017
LBM 0.7743 0.5262 1.0000 0.7211 0.6559 1.0000 1.2726 0.3035 0.0000 0.0000 0.0000 0.0001 0.0000 0.0000 0.1772 0.0974
LBM_SA 0.5162 0.7084 1.0000 0.2751 0.8184 1.0000 1.2733 0.3099 0.0001 0.0000 0.1898 0.0001 0.0000 0.0000 0.3823 0.0947
LC_COM 0.1136 0.5495 1.0000 0.0021 0.5606 1.0000 1.2396 0.3165 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.6325 0.1328
LC_CON 0.0015 0.8089 1.0000 0.0428 0.7223 1.0000 1.2449 0.3243 0.0000 0.0000 0.0009 0.0001 0.0000 0.0000 0.7929 0.0439
LC_M 0.7782 0.0585 0.9997 0.3899 0.0071 1.0000 1.2887 0.1557 0.0001 0.0004 0.0005 0.0001 0.0000 0.0000 0.2221 0.1284
LCR_CON 0.0004 0.7790 0.9992 0.0031 0.7582 0.9986 1.0150 0.3231 0.0001 0.0000 0.0000 0.0001 0.0000 0.0000 0.9146 0.0877
LCRE_T 0.0004 0.3911 1.0000 0.0004 0.3933 1.0000 1.5837 0.2612 0.4656 0.0000 0.1336 0.0000 0.0000 0.0000 0.4169 0.2024
LGGC 0.9436 0.0000 1.0000 0.1821 0.0000 0.9995 1.2704 0.1630 0.0000 0.0000 0.0000 0.0001 0.0000 0.0000 0.1770 0.1559
LGRGC 0.0000 0.0000 0.8644 0.0000 0.0000 0.9088 0.2594 0.2217 0.0000 0.0000 0.0000 0.0001 0.0000 0.0000 0.2064 0.1545
LIPC_N 1.0000 0.8043 1.0000 1.0000 0.8605 1.0000 1.2955 0.3081 0.0000 0.0000 0.3526 0.0000 0.0000 0.0110 0.7651 0.1295
LNI 0.9998 0.6944 1.0000 1.0000 0.8905 1.0000 1.2922 0.3035 0.0010 0.0008 0.0825 0.0014 0.0008 0.1741 0.6103 0.1365
LOG(D12_IPC) 0.6637 0.6190 0.7755 0.6604 0.3592 0.6758 0.7413 0.1432 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.2119 0.1505
LOG(Q_M) 0.0240 0.0914 0.4007 0.0495 0.1573 0.4099 0.1441 0.0691 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0399 0.0378
LOG(RI) 0.0876 0.3309 0.8092 0.0656 0.2524 0.8064 0.4098 0.2509 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.1053 0.0295
LOG(TCN_NO) 0.8576 0.0998 0.9025 0.8691 0.1931 0.9231 1.1823 0.1382 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0750 0.0401
LPIB 0.0000 0.7498 1.0000 0.0063 0.0000 0.9496 1.1829 0.2962 0.0071 0.0010 0.0060 0.0001 0.0001 0.0000 0.1236 0.0550
LPIB_SA 0.1704 0.8846 0.9991 0.2022 0.4250 0.9926 1.0507 0.3091 0.0001 0.0000 0.0000 0.0001 0.0000 0.0000 0.2896 0.0575
LPP 0.1995 0.1159 0.8804 0.3017 0.2020 0.8872 0.9114 0.1142 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0457 0.0369
LRBE 0.9026 0.3272 0.9419 0.9787 0.4613 0.9886 1.0835 0.2761 0.0000 0.0000 0.0000 0.0001 0.0000 0.0000 0.2594 0.0624
LRIN 0.4944 0.2916 0.9707 0.4823 0.2287 0.9696 0.9497 0.1313 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0725 0.0723
LVAB_ANP 0.0000 0.7044 1.0000 0.0072 0.0001 0.9629 1.2207 0.3160 0.0051 0.0002 0.0082 0.0001 0.0000 0.0000 0.1576 0.1032
LVAB_ANP_SA 0.0524 0.8836 0.9999 0.1593 0.3791 0.9994 1.0931 0.3173 0.0001 0.0000 0.2031 0.0001 0.0001 0.0000 0.4913 0.0982
LVAB_COM_SA 0.0459 0.6668 0.9820 0.0564 0.6406 0.9806 0.8233 0.3126 0.0001 0.0000 0.0000 0.0001 0.0000 0.0000 0.5462 0.1014
LVAB_CON_SA 0.0459 0.6668 0.9820 0.0564 0.6406 0.9806 0.8233 0.3126 0.0001 0.0000 0.0000 0.0001 0.0000 0.0000 0.5462 0.1014
LVAB_MAN 0.0075 0.4012 0.9922 0.0000 0.0000 0.7896 0.5947 0.2877 0.0001 0.0002 0.0000 0.0001 0.0000 0.0000 0.3308 0.0797
LVAB_MAN_SA 0.3047 0.8402 0.9222 0.0062 0.0034 0.8513 0.5332 0.2895 0.0001 0.0000 0.0000 0.0001 0.0001 0.0000 0.1563 0.0564
LYMNAC_SA 0.2262 0.7834 0.9324 0.0138 0.0418 0.8711 0.4068 0.2843 0.0001 0.0000 0.0000 0.0001 0.0001 0.0000 0.2526 0.0752
LYMZUL_SA 0.2262 0.7834 0.9324 0.0138 0.0418 0.8711 0.4068 0.2843 0.0001 0.0000 0.0000 0.0001 0.0001 0.0000 0.2526 0.0752
TA 0.5971 0.8817 0.4765 0.5870 0.8745 0.4753 0.8616 0.1555 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000 0.0496 0.0486
TA_C 0.5358 0.8002 0.4886 0.5421 0.8003 0.4854 0.3754 0.1530 0.0001 0.0000 0.0000 0.0001 0.0000 0.0000 0.1630 0.1603
TA_CON 0.0475 0.1364 0.2749 0.0800 0.2199 0.2353 0.2276 0.1614 0.0001 0.0000 0.0000 0.0001 0.0000 0.0000 0.1543 0.1473
TA_I 0.5490 0.8540 0.3627 0.4343 0.7620 0.3708 0.3031 0.1497 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.1381 0.1235
TO 0.0018 0.0113 0.0155 0.0015 0.0092 0.0312 0.3177 0.1904 0.0000 0.0001 0.0000 0.0001 0.0000 0.0000 0.2797 0.1421
TPM_A 0.5825 0.3574 0.2260 0.4298 0.4494 0.0796 0.8965 0.0985 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0709 0.0647
CCST: Con constante, sin tendencia.
CCCT: Con constante, con tendencia.
SCST: Sin constante, sin tendencia.
a: Dickey-Fuller Aumentado, la selección de longitud de los rezagos se realizó atendiendo al criterio de información Schwarz.
b: Phillips Perron, con el método de estimación espectral Bartlett kernel y con ancho de bandas Newey-West.
c: P-valores de una cola según MacKinnon (1996).
d: Kwiatkowski-Phillips-Schmidt-Shin, con el método de estimación espectral Bartlett kernel y con ancho de bandas Newey-West.
P-valorc
P-valorc
LM-State
e: Estadístico de prueba. A diferencia de las pruebas anteriores, esta prueba propone como hipótesis nula que la variable es estacionaria. Se rechaza la hipótesis nula cuando el
estadístico de prueba (LM-Stat) este por encima de los valores críticos KPSS (1992). Los cuales són para la especificación CCST: de 0.7390 (al nivel de 1%), de 0.4630 (al nivel de
5%) y de 0.3470 (al nivel de 10%), mientras que para la especificación CCCT son: de 0.2160 (al nivel de 1%), de 0.1460 (al nivel de 5%) y de 0.1190 (al nivel de 10%).
El término L o LOG que antecede a una variable se refiere al logaritmo natural. Cuando una variable termina en _SA significa que ha sido ajustada estacionalmente
(desestacionalizada), mientras que cuando una variable se encuentra denotada entre L_SA se refiere al logaritmo natural de dicha variable ajustada estacionalmente.
Niveles Primeras diferencias
Variable
ADFa
PPb
KPSSd
ADFa
PPb
KPSSd
P-valorc
P-valorc
LM-State
253
Anexo 5. Modelos y pruebas econométricas de los VAR utilizados en el estudio.
Anexo 5.1. Modelo 1. LS 1 2 D(LPIB) DLOG(IPC_N) D(LVAB_ANP_SA) DLOG(CRE_RT) DLOG(TCN_MER) D(LBM_SA) @ C DLOG(RIN) D(LGRGC) DUM03 DU0402 DU08
Salida del modelo. Vector Autoregression Estimates Date: 12/05/13 Time: 20:18 Sample (adjusted): 1998M04 2011M12 Included observations: 165 after adjustments Standard errors in ( ) & t-statistics in [ ]
D(LPIB) DLOG(IPC_N) D(LVAB_ANP_SA) DLOG(CRE_RT) DLOG(TCN_MER) D(LBM_SA) D(LPIB(-1)) -0.420999 0.012396 0.082709 0.042376 -0.047932 0.015388 (0.08248) (0.00798) (0.04875) (0.03290) (0.08100) (0.05252) [-5.10431] [ 1.55372] [ 1.69646] [ 1.28813] [-0.59177] [ 0.29297]
D(LPIB(-2)) -0.270897 0.020228 0.051529 -0.040376 0.045886 0.053220 (0.07775) (0.00752) (0.04596) (0.03101) (0.07635) (0.04951) [-3.48435] [ 2.68974] [ 1.12125] [-1.30206] [ 0.60099] [ 1.07493]
DLOG(IPC_N(-1)) 0.414034 0.374972 0.183172 -0.181242 -1.181058 -1.378022 (0.83960) (0.08122) (0.49629) (0.33488) (0.82452) (0.53467) [ 0.49313] [ 4.61701] [ 0.36908] [-0.54122] [-1.43242] [-2.57733]
DLOG(IPC_N(-2)) -0.773244 0.005617 0.200724 -0.606937 -0.758595 0.522570 (0.84439) (0.08168) (0.49912) (0.33679) (0.82922) (0.53772) [-0.91574] [ 0.06877] [ 0.40215] [-1.80213] [-0.91483] [ 0.97183]
D(LVAB_ANP_SA(-1)) 0.229620 -0.037215 -0.603260 0.030391 -0.037311 -0.033625 (0.14458) (0.01399) (0.08546) (0.05767) (0.14199) (0.09207) [ 1.58814] [-2.66091] [-7.05858] [ 0.52700] [-0.26277] [-0.36519]
D(LVAB_ANP_SA(-2)) 0.100201 -0.068307 -0.457746 0.141805 -0.066080 -0.032316 (0.14345) (0.01388) (0.08479) (0.05722) (0.14087) (0.09135) [ 0.69851] [-4.92265] [-5.39829] [ 2.47842] [-0.46907] [-0.35375]
DLOG(CRE_RT(-1)) 0.031569 -0.007804 -0.052717 0.382257 -0.384677 -0.291963 (0.23216) (0.02246) (0.13723) (0.09260) (0.22799) (0.14784) [ 0.13598] [-0.34752] [-0.38415] [ 4.12815] [-1.68726] [-1.97482]
DLOG(CRE_RT(-2)) -0.479937 -0.021983 0.105171 0.017709 0.028213 0.178638 (0.21771) (0.02106) (0.12869) (0.08683) (0.21380) (0.13864) [-2.20451] [-1.04387] [ 0.81726] [ 0.20395] [ 0.13196] [ 1.28851]
DLOG(TCN_MER(-1)) -0.066410 0.038475 -0.024863 -0.053197 0.142319 0.136789 (0.08075) (0.00781) (0.04773) (0.03221) (0.07930) (0.05143) [-0.82238] [ 4.92555] [-0.52086] [-1.65163] [ 1.79461] [ 2.65995]
DLOG(TCN_MER(-2)) 0.004786 -0.012299 0.038796 -0.036297 -0.096316 -0.042833 (0.08551) (0.00827) (0.05054) (0.03411) (0.08397) (0.05445) [ 0.05598] [-1.48694] [ 0.76756] [-1.06426] [-1.14700] [-0.78661]
D(LBM_SA(-1)) -0.003289 -0.005479 0.044022 0.201692 -0.117955 -0.308127 (0.13206) (0.01277) (0.07806) (0.05267) (0.12969) (0.08410) [-0.02491] [-0.42893] [ 0.56393] [ 3.82915] [-0.90953] [-3.66391]
D(LBM_SA(-2)) -0.028350 0.008772 0.055968 -0.023221 0.133776 0.029833 (0.13820) (0.01337) (0.08169) (0.05512) (0.13572) (0.08801) [-0.20513] [ 0.65622] [ 0.68512] [-0.42127] [ 0.98569] [ 0.33899]
C 0.002419 0.008307 -0.009389 0.006529 0.035289 0.027372 (0.01758) (0.00170) (0.01039) (0.00701) (0.01726) (0.01119)
254
[ 0.13762] [ 4.88617] [-0.90377] [ 0.93138] [ 2.04452] [ 2.44561]
DLOG(RIN) 0.024096 0.006349 0.034368 -0.030880 0.230127 0.064696 (0.07227) (0.00699) (0.04272) (0.02883) (0.07097) (0.04602) [ 0.33341] [ 0.90816] [ 0.80447] [-1.07124] [ 3.24239] [ 1.40568]
D(LGRGC) 2.571138 -0.058600 0.599970 0.636956 -0.074479 0.263089 (0.33894) (0.03279) (0.20035) (0.13519) (0.33285) (0.21584) [ 7.58576] [-1.78734] [ 2.99460] [ 4.71161] [-0.22376] [ 1.21889]
DUM03 0.068334 0.000169 0.045523 -0.002520 -0.027665 0.011228 (0.02778) (0.00269) (0.01642) (0.01108) (0.02728) (0.01769) [ 2.45958] [ 0.06304] [ 2.77199] [-0.22740] [-1.01398] [ 0.63461]
DU0402 -0.047089 0.002447 -0.036963 0.014122 0.043636 0.012100 (0.02947) (0.00285) (0.01742) (0.01175) (0.02894) (0.01877) [-1.59800] [ 0.85855] [-2.12205] [ 1.20153] [ 1.50789] [ 0.64481]
DU08 -0.185860 0.013184 -0.004860 -0.024102 0.012878 0.096590 (0.07723) (0.00747) (0.04565) (0.03080) (0.07584) (0.04918) [-2.40653] [ 1.76482] [-0.10645] [-0.78243] [ 0.16979] [ 1.96392] R-squared 0.498446 0.429872 0.370187 0.472918 0.177475 0.257470
Adj. R-squared 0.440443 0.363939 0.297352 0.411962 0.082353 0.171599 Sum sq. resids 0.775051 0.007252 0.270808 0.123299 0.747461 0.314309 S.E. equation 0.072612 0.007024 0.042921 0.028962 0.071308 0.046240 F-statistic 8.593478 6.519806 5.082515 7.758455 1.865758 2.998339 Log likelihood 208.1388 593.5494 294.8891 359.7999 211.1292 282.5993 Akaike AIC -2.304713 -6.976356 -3.356231 -4.143030 -2.340960 -3.207265 Schwarz SC -1.965882 -6.637526 -3.017401 -3.804199 -2.002129 -2.868434 Mean dependent 0.002076 0.017027 0.002538 0.006793 0.017415 0.024547 S.D. dependent 0.097070 0.008807 0.051204 0.037768 0.074439 0.050804
Determinant resid covariance (dof adj.) 2.10E-18
Determinant resid covariance 1.05E-18 Log likelihood 2010.702 Akaike information criterion -23.06305 Schwarz criterion -21.03007
Gráfico de los residuos del modelo.
-.5
-.4
-.3
-.2
-.1
.0
.1
.2
1998 2000 2002 2004 2006 2008 2010
D(LPIB) Residuals
-.02
-.01
.00
.01
.02
.03
1998 2000 2002 2004 2006 2008 2010
DLOG(IPC_N) Residuals
-.3
-.2
-.1
.0
.1
1998 2000 2002 2004 2006 2008 2010
D(LVAB_ANP_SA) Residuals
-.10
-.05
.00
.05
.10
.15
1998 2000 2002 2004 2006 2008 2010
DLOG(CRE_RT) Residuals
-.3
-.2
-.1
.0
.1
.2
.3
1998 2000 2002 2004 2006 2008 2010
DLOG(TCN_MER) Residuals
-.2
-.1
.0
.1
.2
1998 2000 2002 2004 2006 2008 2010
D(LBM_SA) Residuals
255
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo. Roots of Characteristic Polynomial Endogenous variables: D(LPIB) DLOG(IPC_N) D(LVAB_ANP_SA) DLOG(CRE_RT) DLOG(TCN_MER) D(LBM_SA) Exogenous variables: C DLOG(RIN) D(LGRGC) DLOG(PP) DUM03 DU0402 DU08 Lag specification: 1 2 Date: 20/07/13 Time: 19:46
Root Modulus -0.327608 - 0.605437i 0.688390
-0.327608 + 0.605437i 0.688390 0.637548 0.637548 0.155307 - 0.516645i 0.539483 0.155307 + 0.516645i 0.539483 -0.167967 - 0.466990i 0.496279 -0.167967 + 0.466990i 0.496279 -0.238065 - 0.278225i 0.366175 -0.238065 + 0.278225i 0.366175 -0.356128 0.356128 0.216028 - 0.049954i 0.221729 0.216028 + 0.049954i 0.221729
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 20/07/13 Time: 19:49 Sample: 1998M01 2011M12 Included observations: 165
Dependent variable: D(LPIB) Excluded Chi-sq df Prob. DLOG(IPC_N) 0.940403 2 0.6249
D(LVAB_ANP_SA) 2.535777 2 0.2814 DLOG(CRE_RT) 6.467316 2 0.0394
DLOG(TCN_MER) 0.894636 2 0.6393 D(LBM_SA) 0.044022 2 0.9782
All 9.123651 10 0.5204
Dependent variable: DLOG(IPC_N) Excluded Chi-sq df Prob. D(LPIB) 7.835720 2 0.0199
D(LVAB_ANP_SA) 24.06972 2 0.0000 DLOG(CRE_RT) 1.920733 2 0.3828
DLOG(TCN_MER) 24.80470 2 0.0000 D(LBM_SA) 1.043327 2 0.5935
All 56.75599 10 0.0000
Dependent variable: D(LVAB_ANP_SA)
256
Excluded Chi-sq df Prob. D(LPIB) 2.813614 2 0.2449
DLOG(IPC_N) 0.272777 2 0.8725 DLOG(CRE_RT) 0.507192 2 0.7760
DLOG(TCN_MER) 0.733009 2 0.6932 D(LBM_SA) 0.627223 2 0.7308
All 5.223355 10 0.8758
Dependent variable: DLOG(CRE_RT) Excluded Chi-sq df Prob. D(LPIB) 5.421359 2 0.0665
DLOG(IPC_N) 5.269849 2 0.0717 D(LVAB_ANP_SA) 6.084922 2 0.0477 DLOG(TCN_MER) 5.531390 2 0.0629
D(LBM_SA) 20.23847 2 0.0000 All 44.02604 10 0.0000
Dependent variable: DLOG(TCN_MER) Excluded Chi-sq df Prob. D(LPIB) 1.026531 2 0.5985
DLOG(IPC_N) 4.479024 2 0.1065 D(LVAB_ANP_SA) 0.266525 2 0.8752 DLOG(CRE_RT) 3.604767 2 0.1649
D(LBM_SA) 3.046731 2 0.2180 All 10.92726 10 0.3632
Dependent variable: D(LBM_SA) Excluded Chi-sq df Prob. D(LPIB) 1.432876 2 0.4885
DLOG(IPC_N) 6.172439 2 0.0457 D(LVAB_ANP_SA) 0.155650 2 0.9251 DLOG(CRE_RT) 4.156595 2 0.1251
DLOG(TCN_MER) 7.790330 2 0.0203 All 16.42038 10 0.0882
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 20/07/13 Time: 19:52 Sample: 1998M01 2011M12 Included observations: 165
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values D(LPIB) DLOG(IPC_N) D(LVAB_ANP_SA) DLOG(CRE_RT) DLOG(TCN_MER) D(LBM_SA) Joint Lag 1 37.82022 54.07946 58.65769 69.28835 11.34908 33.92305 374.2075 [ 1.22e-06] [ 7.11e-10] [ 8.43e-11] [ 5.72e-13] [ 0.078168] [ 6.96e-06] [ 0.000000]
Lag 2 18.62620 29.72753 35.49817 11.18429 3.362912 3.861432 130.5372 [ 0.004844] [ 4.43e-05] [ 3.45e-06] [ 0.082845] [ 0.762110] [ 0.695422] [ 1.21e-12] df 6 6 6 6 6 6 36
257
Orden de los rezagos. VAR Lag Order Selection Criteria Endogenous variables: D(LPIB) DLOG(IPC_N) D(LVAB_ANP_SA) DLOG(CRE_RT) DLOG(TCN_MER) D(LBM_SA) Exogenous variables: C DLOG(RIN) D(LGRGC) DLOG(PP) DUM03 DU0402 DU08 Date: 20/07/13 Time: 19:55 Sample: 1998M01 2011M12 Included observations: 159
Lag LogL LR FPE AIC SC HQ 0 1772.842 NA 1.41e-17 -21.77159 -20.96094 -21.44240 1 1892.959 220.5929 4.91e-18 -22.82967 -21.32417* -22.21831* 2 1943.742 89.42826 4.10e-18* -23.01562 -20.81527 -22.12208 3 1969.824 43.96223 4.68e-18 -22.89086 -19.99567 -21.71516 4 2016.989 75.93913 4.13e-18 -23.03131 -19.44127 -21.57343 5 2044.658 42.46128 4.69e-18 -22.92652 -18.64163 -21.18647 6 2082.341 54.98329 4.73e-18 -22.94768 -17.96795 -20.92547 7 2124.140 57.83507 4.59e-18 -23.02063 -17.34605 -20.71624 8 2166.928 55.97434* 4.45e-18 -23.10601* -16.73659 -20.51946 * 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
Prueba de correlación serial de los errores. VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 20/07/13 Time: 20:25 Sample: 1998M01 2011M12 Included observations: 165
Lags LM-Stat Prob 1 36.94708 0.4250
2 44.82836 0.1485 3 47.39242 0.0969 4 66.37549 0.0015 5 28.48843 0.8093 6 56.86325 0.0148 7 45.96078 0.1236 8 74.59291 0.0002 9 50.80921 0.0519
10 47.91806 0.0884 11 39.40415 0.3202 12 160.8223 0.0000
Probs from chi-square with 36 df.
258
Prueba de normalidad multivariada de los residuos. VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 30/06/13 Time: 17:43 Sample: 1998M01 2011M12 Included observations: 165
Component Skewness Chi-sq df Prob. 1 -0.561157 8.979414 1 0.0027
2 0.546498 8.516387 1 0.0035 3 -1.053444 31.64472 1 0.0000 4 0.259982 1.927374 1 0.1650 5 0.256956 1.882764 1 0.1700 6 0.515587 7.580224 1 0.0059 Joint 60.53088 6 0.0000
Component Kurtosis Chi-sq df Prob. 1 3.809223 5.378582 1 0.0204
2 3.745092 4.593483 1 0.0321 3 7.725172 170.6203 1 0.0000 4 3.462715 1.872981 1 0.1711 5 5.152122 36.03934 1 0.0000 6 4.122194 10.09828 1 0.0015 Joint 228.6030 6 0.0000
Component Jarque-Bera df Prob. 1 14.35800 2 0.0008
2 13.10987 2 0.0014 3 202.2650 2 0.0000 4 3.800356 2 0.1495 5 37.92210 2 0.0000 6 17.67851 2 0.0001
Joint 2034.371 182 0.0000
Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: Includes Cross Terms Date: 30/06/13 Time: 17:44 Sample: 1998M01 2011M12 Included observations: 165
Joint test:
Chi-sq df Prob. 3443.309 3381 0.2233
259
Anexo 5.2. Modelo 2. LS 1 2 D(LPIB) DLOG(NI) D(LVAB_MAN_SA) DLOG(CR_M) DLOG(Q_M) D(LBM_SA)
@ C DLOG(RIN) D(LGRGC_SA) DUM03 DU0402 DU08
Salida del modelo.
Vector Autoregression Estimates Date: 13/05/13 Time: 14:37 Sample (adjusted): 1998M04 2011M12 Included observations: 165 after adjustments Standard errors in ( ) & t-statistics in [ ]
D(LPIB) DLOG(NI) D(LVAB_MAN_SA) DLOG(CR_M) DLOG(Q_M) D(LBM_SA) D(LPIB(-1)) -0.423172 -0.015350 -0.018842 0.112123 -0.057909 -0.014457 (0.08084) (0.00620) (0.08814) (0.06414) (0.06994) (0.04662) [-5.23472] [-2.47504] [-0.21378] [ 1.74812] [-0.82799] [-0.31007]
D(LPIB(-2)) -0.387886 0.002031 -0.017301 -0.069311 -0.055885 0.000929 (0.08056) (0.00618) (0.08783) (0.06392) (0.06970) (0.04646) [-4.81491] [ 0.32861] [-0.19698] [-1.08439] [-0.80183] [ 0.01999]
DLOG(NI(-1)) -0.784520 0.663592 0.490222 -1.351569 -1.654403 -0.520090 (0.90923) (0.06976) (0.99132) (0.72140) (0.78664) (0.52440) [-0.86284] [ 9.51312] [ 0.49452] [-1.87353] [-2.10313] [-0.99178]
DLOG(NI(-2)) 0.215783 -0.002183 0.859853 -1.037312 -0.391585 -0.205749 (0.92065) (0.07063) (1.00377) (0.73046) (0.79652) (0.53099) [ 0.23438] [-0.03091] [ 0.85663] [-1.42008] [-0.49162] [-0.38749]
D(LVAB_MAN_SA(-1)) 0.220350 -0.004341 -0.353452 -0.173706 -0.061961 -0.017637 (0.07596) (0.00583) (0.08282) (0.06027) (0.06572) (0.04381) [ 2.90072] [-0.74486] [-4.26763] [-2.88208] [-0.94278] [-0.40255]
D(LVAB_MAN_SA(-2)) 0.096582 -0.044170 -0.357508 0.038816 0.062742 0.024229 (0.08104) (0.00622) (0.08835) (0.06429) (0.07011) (0.04674) [ 1.19185] [-7.10471] [-4.04645] [ 0.60372] [ 0.89492] [ 0.51842]
DLOG(CR_M(-1)) -0.187025 0.002395 -0.007312 -0.231690 -0.177420 -0.087476 (0.10390) (0.00797) (0.11328) (0.08243) (0.08989) (0.05992) [-1.80010] [ 0.30045] [-0.06455] [-2.81063] [-1.97378] [-1.45982]
DLOG(CR_M(-2)) -0.238385 -0.018693 -0.001206 -0.114688 0.018000 -0.043462 (0.10350) (0.00794) (0.11285) (0.08212) (0.08955) (0.05969) [-2.30319] [-2.35414] [-0.01069] [-1.39658] [ 0.20102] [-0.72806]
DLOG(Q_M(-1)) -0.047446 0.044689 -0.013320 -0.070985 0.104527 0.139793 (0.09387) (0.00720) (0.10235) (0.07448) (0.08122) (0.05414) [-0.50542] [ 6.20509] [-0.13014] [-0.95306] [ 1.28700] [ 2.58196]
DLOG(Q_M(-2)) 0.106598 0.000766 0.219338 -0.155231 -0.055954 -0.043303 (0.10530) (0.00808) (0.11480) (0.08354) (0.09110) (0.06073) [ 1.01235] [ 0.09476] [ 1.91055] [-1.85805] [-0.61421] [-0.71304]
D(LBM_SA(-1)) -0.012702 -0.015420 -0.003465 0.159905 -0.102383 -0.348417 (0.14623) (0.01122) (0.15943) (0.11602) (0.12651) (0.08434) [-0.08686] [-1.37450] [-0.02173] [ 1.37822] [-0.80926] [-4.13116]
D(LBM_SA(-2)) 0.057986 -0.008377 -0.040135 0.058083 0.132224 -0.007945 (0.14444) (0.01108) (0.15748) (0.11460) (0.12497) (0.08331) [ 0.40145] [-0.75595] [-0.25486] [ 0.50681] [ 1.05808] [-0.09537]
C 0.003969 0.005213 -0.024985 0.027003 0.025506 0.027863 (0.01684) (0.00129) (0.01836) (0.01336) (0.01457) (0.00971) [ 0.23568] [ 4.03400] [-1.36059] [ 2.02064] [ 1.75032] [ 2.86829]
DLOG(RIN) 0.007970 0.010083 0.097558 -0.018983 0.205320 0.062621
260
(0.08173) (0.00627) (0.08910) (0.06484) (0.07071) (0.04714) [ 0.09752] [ 1.60809] [ 1.09487] [-0.29276] [ 2.90382] [ 1.32854]
D(LGRGC_SA) 0.112479 -0.003636 0.116649 0.023925 -0.010195 0.013363 (0.03487) (0.00268) (0.03802) (0.02767) (0.03017) (0.02011) [ 3.22524] [-1.35908] [ 3.06787] [ 0.86464] [-0.33789] [ 0.66439]
DUM03 0.054507 0.004510 0.138066 -0.012347 -0.028321 0.013202 (0.03002) (0.00230) (0.03273) (0.02381) (0.02597) (0.01731) [ 1.81598] [ 1.95874] [ 4.21899] [-0.51848] [-1.09059] [ 0.76261]
DU0402 -0.033146 -0.002195 -0.128572 0.039105 0.042467 0.012400 (0.03219) (0.00247) (0.03510) (0.02554) (0.02785) (0.01857) [-1.02967] [-0.88882] [-3.66337] [ 1.53109] [ 1.52486] [ 0.66788]
DU08 -0.237600 0.007355 -0.015995 -0.036532 0.007492 0.102142 (0.08557) (0.00656) (0.09330) (0.06789) (0.07403) (0.04935) [-2.77665] [ 1.12031] [-0.17145] [-0.53807] [ 0.10120] [ 2.06963] R-squared 0.376030 0.680426 0.328635 0.241042 0.207754 0.242283
Adj. R-squared 0.303871 0.643469 0.250994 0.153271 0.116134 0.154656 Sum sq. resids 0.964220 0.005675 1.146172 0.606987 0.721732 0.320738 S.E. equation 0.080990 0.006213 0.088301 0.064259 0.070070 0.046711 F-statistic 5.211082 18.41103 4.232754 2.746266 2.267553 2.764929 Log likelihood 190.1216 613.7766 175.8604 228.3036 214.0190 280.9290 Akaike AIC -2.086322 -7.221535 -1.913459 -2.549135 -2.375988 -3.187018 Schwarz SC -1.747492 -6.882705 -1.574629 -2.210305 -2.037158 -2.848187 Mean dependent 0.002076 0.018410 0.000276 0.005227 0.002390 0.024547 S.D. dependent 0.097070 0.010406 0.102029 0.069833 0.074531 0.050804
Determinant resid covariance (dof adj.) 6.40E-17
Determinant resid covariance 3.20E-17 Log likelihood 1728.637 Akaike information criterion -19.64408 Schwarz criterion -17.61110
Gráfico de los residuos del modelo.
-.4
-.3
-.2
-.1
.0
.1
.2
1998 2000 2002 2004 2006 2008 2010
D(LPIB) Residuals
-.02
-.01
.00
.01
.02
1998 2000 2002 2004 2006 2008 2010
DLOG(NI) Residuals
-.8
-.6
-.4
-.2
.0
.2
1998 2000 2002 2004 2006 2008 2010
D(LVAB_MAN_SA) Residuals
-.2
-.1
.0
.1
.2
1998 2000 2002 2004 2006 2008 2010
DLOG(CR_M) Residuals
-.4
-.3
-.2
-.1
.0
.1
.2
.3
1998 2000 2002 2004 2006 2008 2010
DLOG(Q_M) Residuals
-.15
-.10
-.05
.00
.05
.10
.15
.20
1998 2000 2002 2004 2006 2008 2010
D(LBM_SA) Residuals
261
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: D(LPIB) DLOG(NI) D(LVAB_MAN_SA) DLOG(CR_M) DLOG(Q_M) D(LBM_SA) Exogenous variables: C DLOG(RIN) D(LGRGC_SA) DUM03 DU0402 DU08 Lag specification: 1 2 Date: 20/07/13 Time: 20:37
Root Modulus -0.195945 - 0.651422i 0.680253
-0.195945 + 0.651422i 0.680253 -0.191859 - 0.509851i 0.544755 -0.191859 + 0.509851i 0.544755 0.530887 0.530887 -0.186053 - 0.328492i 0.377522 -0.186053 + 0.328492i 0.377522 0.157846 - 0.299366i 0.338431 0.157846 + 0.299366i 0.338431 -0.299435 0.299435 0.079062 0.079062 -0.067106 0.067106
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 20/07/13 Time: 20:40 Sample: 1998M01 2011M12 Included observations: 165
Dependent variable: D(LPIB) Excluded Chi-sq df Prob. DLOG(NI) 0.843335 2 0.6560
D(LVAB_MAN_SA) 8.437162 2 0.0147 DLOG(CR_M) 7.639142 2 0.0219 DLOG(Q_M) 1.135101 2 0.5669 D(LBM_SA) 0.233214 2 0.8899
All 18.65018 10 0.0449
Dependent variable: DLOG(NI) Excluded Chi-sq df Prob. D(LPIB) 7.329022 2 0.0256
D(LVAB_MAN_SA) 54.32445 2 0.0000 DLOG(CR_M) 5.896123 2 0.0524 DLOG(Q_M) 39.96351 2 0.0000 D(LBM_SA) 1.941581 2 0.3788
All 163.1854 10 0.0000
Dependent variable: D(LVAB_MAN_SA)
262
Excluded Chi-sq df Prob. D(LPIB) 0.065535 2 0.9678
DLOG(NI) 2.168577 2 0.3381 DLOG(CR_M) 0.004175 2 0.9979 DLOG(Q_M) 3.694395 2 0.1577 D(LBM_SA) 0.072458 2 0.9644
All 7.718128 10 0.6563
Dependent variable: DLOG(CR_M) Excluded Chi-sq df Prob. D(LPIB) 5.830302 2 0.0542
DLOG(NI) 12.70342 2 0.0017 D(LVAB_MAN_SA) 11.43067 2 0.0033
DLOG(Q_M) 5.145662 2 0.0763 D(LBM_SA) 1.901469 2 0.3865
All 36.95203 10 0.0001
Dependent variable: DLOG(Q_M) Excluded Chi-sq df Prob. D(LPIB) 1.029101 2 0.5978
DLOG(NI) 8.670389 2 0.0131 D(LVAB_MAN_SA) 2.648244 2 0.2660
DLOG(CR_M) 4.096250 2 0.1290 D(LBM_SA) 2.914670 2 0.2329
All 19.64036 10 0.0328
Dependent variable: D(LBM_SA) Excluded Chi-sq df Prob. D(LPIB) 0.109432 2 0.9468
DLOG(NI) 2.332539 2 0.3115 D(LVAB_MAN_SA) 0.669842 2 0.7154
DLOG(CR_M) 2.436165 2 0.2958 DLOG(Q_M) 6.734984 2 0.0345
All 13.64407 10 0.1899
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 20/07/13 Time: 20:41 Sample: 1998M01 2011M12 Included observations: 165
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values D(LPIB) DLOG(NI) D(LVAB_MAN_SA) DLOG(CR_M) DLOG(Q_M) D(LBM_SA) Joint Lag 1 36.62218 134.1940 25.11317 23.38728 15.35095 30.44709 285.0477 [ 2.09e-06] [ 0.000000] [ 0.000325] [ 0.000677] [ 0.017696] [ 3.23e-05] [ 0.000000]
Lag 2 32.41901 69.01197 24.71547 8.772148 2.507670 1.587406 142.5162 [ 1.36e-05] [ 6.52e-13] [ 0.000385] [ 0.186804] [ 0.867608] [ 0.953479] [ 1.31e-14] df 6 6 6 6 6 6 36
263
Orden de los rezagos. VAR Lag Order Selection Criteria Endogenous variables: D(LPIB) DLOG(NI) D(LVAB_MAN_SA) DLOG(CR_M) DLOG(Q_M) D(LBM_SA) Exogenous variables: C DLOG(RIN) D(LGRGC_SA) DUM03 DU0402 DU08 Date: 20/07/13 Time: 20:43 Sample: 1998M01 2011M12 Included observations: 159
Lag LogL LR FPE AIC SC HQ 0 1478.128 NA 5.34e-16 -18.13998 -17.44513 -17.85781 1 1594.907 215.9302 1.93e-16 -19.15606 -17.76637* -18.59172 2 1657.823 111.5875 1.38e-16* -19.49463* -17.41009 -18.64812* 3 1683.831 44.16509 1.58e-16 -19.36895 -16.58956 -18.24027 4 1715.028 50.62096 1.70e-16 -19.30853 -15.83430 -17.89768 5 1733.567 28.68282 2.17e-16 -19.08889 -14.91981 -17.39587 6 1772.691 57.57903 2.14e-16 -19.12819 -14.26427 -17.15300 7 1819.526 65.39169* 1.95e-16 -19.26447 -13.70570 -17.00712 8 1853.028 44.24779 2.12e-16 -19.23305 -12.97944 -16.69352 * 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
Prueba de correlación serial de los errores.
VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 20/07/13 Time: 20:45 Sample: 1998M01 2011M12 Included observations: 165
Lags LM-Stat Prob 1 38.39666 0.3614
2 42.15051 0.2222 3 50.17862 0.0585 4 44.28769 0.1616 5 18.29119 0.9938 6 62.18958 0.0043 7 54.54933 0.0244 8 49.44112 0.0671 9 58.11677 0.0112
10 64.44344 0.0025 11 35.38679 0.4976 12 171.7988 0.0000
Probs from chi-square with 36 df.
264
Prueba de normalidad multivariada de los residuos.
VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 20/07/13 Time: 20:47 Sample: 1998M01 2011M12 Included observations: 165
Component Skewness Chi-sq df Prob. 1 -0.799928 18.24655 1 0.0000
2 0.123982 0.438324 1 0.5079 3 -3.458671 341.1120 1 0.0000 4 0.058552 0.097760 1 0.7545 5 0.198002 1.117943 1 0.2904 6 0.480613 6.586712 1 0.0103 Joint 367.5993 6 0.0000 Component Kurtosis Chi-sq df Prob. 1 3.661581 3.663922 1 0.0556
2 2.849805 0.097897 1 0.7544 3 30.95161 5895.392 1 0.0000 4 2.565635 1.193506 1 0.2746 5 5.817091 61.27058 1 0.0000 6 4.401436 15.55396 1 0.0001 Joint 5977.172 6 0.0000 Component Jarque-Bera df Prob.
1 21.91047 2 0.0000
2 0.536221 2 0.7648 3 6236.504 2 0.0000 4 1.291266 2 0.5243 5 62.38852 2 0.0000 6 22.14067 2 0.0000
Joint 10041.97 182 0.0000
Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: Includes Cross Terms Date: 20/07/13 Time: 20:48 Sample: 1998M01 2011M12 Included observations: 165
Joint test:
Chi-sq df Prob. 3176.796 3024 0.0261
265
Anexo 5.3. Modelo 3. LS 1 2 D(LPIB) DLOG(NI) D(LVAB_COM_SA) DLOG(C_COM) DLOG(Q_M) D(LBM_SA) @ C DLOG(RIN) D(LGRGC_SA) DUM03 DU0402 DU08 Salida del modelo.
Vector Autoregression Estimates Date: 13/05/13 Time: 14:42 Sample (adjusted): 1998M04 2011M12 Included observations: 165 after adjustments Standard errors in ( ) & t-statistics in [ ]
D(LPIB) DLOG(NI) D(LVAB_COM_SA) DLOG(C_COM) DLOG(Q_M) D(LBM_SA) D(LPIB(-1)) -0.325256 -0.014654 0.034172 0.115523 -0.053308 0.002514 (0.08423) (0.00678) (0.04516) (0.06572) (0.06847) (0.04612) [-3.86138] [-2.16273] [ 0.75675] [ 1.75789] [-0.77855] [ 0.05450]
D(LPIB(-2)) -0.388417 -0.002302 -0.022015 0.093174 -0.085751 0.002470 (0.08498) (0.00684) (0.04556) (0.06630) (0.06908) (0.04653) [-4.57055] [-0.33673] [-0.48323] [ 1.40532] [-1.24132] [ 0.05309]
DLOG(NI(-1)) -0.249817 0.550313 0.299774 -0.399981 -1.362527 -0.458146 (0.91762) (0.07381) (0.49192) (0.71590) (0.74591) (0.50238) [-0.27225] [ 7.45562] [ 0.60939] [-0.55871] [-1.82667] [-0.91194]
DLOG(NI(-2)) 0.675671 0.041301 -0.605930 -1.598696 -0.462406 -0.051677 (0.92165) (0.07414) (0.49409) (0.71905) (0.74919) (0.50459) [ 0.73311] [ 0.55709] [-1.22637] [-2.22334] [-0.61721] [-0.10241]
D(LVAB_COM_SA(-1)) 0.080203 -0.028852 -0.359632 -0.026356 -0.136141 -0.049273 (0.16806) (0.01352) (0.09010) (0.13112) (0.13662) (0.09201) [ 0.47722] [-2.13419] [-3.99160] [-0.20101] [-0.99653] [-0.53549]
D(LVAB_COM_SA(-2)) 0.032382 -0.070585 -0.151247 -0.103960 0.287500 0.046681 (0.16926) (0.01361) (0.09074) (0.13205) (0.13758) (0.09267) [ 0.19132] [-5.18451] [-1.66689] [-0.78728] [ 2.08964] [ 0.50376]
DLOG(C_COM(-1)) -0.091283 0.007678 0.001906 -0.185431 -0.176655 -0.101763 (0.10250) (0.00824) (0.05495) (0.07997) (0.08332) (0.05612) [-0.89057] [ 0.93120] [ 0.03469] [-2.31880] [-2.12021] [-1.81339]
DLOG(C_COM(-2)) -0.097699 0.004710 0.064230 0.030332 -0.080230 0.032656 (0.10457) (0.00841) (0.05606) (0.08158) (0.08500) (0.05725) [-0.93429] [ 0.55997] [ 1.14576] [ 0.37180] [-0.94385] [ 0.57039]
DLOG(Q_M(-1)) -0.069135 0.052273 0.059598 -0.024451 0.077078 0.139082 (0.09719) (0.00782) (0.05210) (0.07583) (0.07900) (0.05321) [-0.71132] [ 6.68631] [ 1.14384] [-0.32246] [ 0.97561] [ 2.61377]
DLOG(Q_M(-2)) 0.078686 0.006426 -0.051878 -0.004485 -0.060089 -0.043789 (0.11142) (0.00896) (0.05973) (0.08692) (0.09057) (0.06100) [ 0.70624] [ 0.71705] [-0.86856] [-0.05160] [-0.66347] [-0.71786]
D(LBM_SA(-1)) -0.076781 -0.005925 0.152798 0.155730 -0.118076 -0.336842 (0.15197) (0.01222) (0.08147) (0.11856) (0.12353) (0.08320) [-0.50525] [-0.48468] [ 1.87558] [ 1.31351] [-0.95586] [-4.04861]
D(LBM_SA(-2)) -0.002228 0.008942 0.090276 0.214255 0.095743 -0.011933 (0.15031) (0.01209) (0.08058) (0.11727) (0.12218) (0.08229) [-0.01482] [ 0.73957] [ 1.12035] [ 1.82706] [ 0.78361] [-0.14501]
C -0.006301 0.005711 -0.003677 0.028321 0.025345 0.025472 (0.01758) (0.00141) (0.00943) (0.01372) (0.01429) (0.00963) [-0.35836] [ 4.03795] [-0.39010] [ 2.06459] [ 1.77334] [ 2.64609]
DLOG(RIN) 0.004415 0.007126 0.092629 -0.059216 0.220382 0.072008
266
(0.08499) (0.00684) (0.04556) (0.06631) (0.06909) (0.04653) [ 0.05195] [ 1.04234] [ 2.03304] [-0.89306] [ 3.18999] [ 1.54753]
D(LGRGC_SA) 0.114097 -0.001954 0.068962 0.027496 -0.024628 0.008944 (0.03685) (0.00296) (0.01976) (0.02875) (0.02996) (0.02018) [ 3.09610] [-0.65929] [ 3.49074] [ 0.95634] [-0.82216] [ 0.44332]
DUM03 0.059828 0.004938 0.058681 0.009473 -0.025420 0.014441 (0.03243) (0.00261) (0.01739) (0.02530) (0.02636) (0.01776) [ 1.84483] [ 1.89299] [ 3.37532] [ 0.37442] [-0.96427] [ 0.81333]
DU0402 -0.042383 -0.002604 -0.048872 0.028709 0.042754 0.009900 (0.03415) (0.00275) (0.01830) (0.02664) (0.02776) (0.01869) [-1.24125] [-0.94811] [-2.66985] [ 1.07768] [ 1.54037] [ 0.52957]
DU08 -0.252416 0.015036 -0.024055 -0.049551 -0.029380 0.095435 (0.09096) (0.00732) (0.04876) (0.07096) (0.07394) (0.04980) [-2.77513] [ 2.05511] [-0.49334] [-0.69827] [-0.39737] [ 1.91645] R-squared 0.313497 0.613479 0.283943 0.176410 0.230542 0.248791
Adj. R-squared 0.234106 0.568779 0.201134 0.081165 0.141557 0.161917 Sum sq. resids 1.060853 0.006864 0.304877 0.645717 0.700972 0.317983 S.E. equation 0.084951 0.006833 0.045541 0.066277 0.069054 0.046510 F-statistic 3.948749 13.72444 3.428880 1.852165 2.590801 2.863800 Log likelihood 182.2421 598.0853 285.1130 223.2006 216.4269 281.6407 Akaike AIC -1.990813 -7.031337 -3.237733 -2.487280 -2.405174 -3.195644 Schwarz SC -1.651983 -6.692507 -2.898902 -2.148450 -2.066344 -2.856814 Mean dependent 0.002076 0.018410 0.002327 0.022386 0.002390 0.024547 S.D. dependent 0.097070 0.010406 0.050953 0.069142 0.074531 0.050804
Determinant resid covariance (dof adj.) 2.25E-17
Determinant resid covariance 1.13E-17 Log likelihood 1814.738 Akaike information criterion -20.68774 Schwarz criterion -18.65476
Gráfico de los residuos del modelo.
-.4
-.3
-.2
-.1
.0
.1
.2
1998 2000 2002 2004 2006 2008 2010
D(LPIB) Residuals
-.02
-.01
.00
.01
.02
.03
1998 2000 2002 2004 2006 2008 2010
DLOG(NI) Residuals
-.3
-.2
-.1
.0
.1
.2
1998 2000 2002 2004 2006 2008 2010
D(LVAB_COM_SA) Residuals
-.3
-.2
-.1
.0
.1
.2
1998 2000 2002 2004 2006 2008 2010
DLOG(C_COM) Residuals
-.3
-.2
-.1
.0
.1
.2
.3
1998 2000 2002 2004 2006 2008 2010
DLOG(Q_M) Residuals
-.2
-.1
.0
.1
.2
1998 2000 2002 2004 2006 2008 2010
D(LBM_SA) Residuals
267
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo. Roots of Characteristic Polynomial Endogenous variables: D(LPIB) DLOG(NI) D(LVAB_COM_SA) DLOG(C_COM) DLOG(Q_M) D(LBM_SA) Exogenous variables: C DLOG(RIN) D(LGRGC_SA) DUM03 DU0402 DU08 Lag specification: 1 2 Date: 20/07/13 Time: 21:05
Root Modulus -0.151230 - 0.566523i 0.586361
-0.151230 + 0.566523i 0.586361 0.547603 0.547603 -0.228932 - 0.440159i 0.496135 -0.228932 + 0.440159i 0.496135 -0.474029 0.474029 0.144814 - 0.333122i 0.363238 0.144814 + 0.333122i 0.363238 0.063628 - 0.332837i 0.338864 0.063628 + 0.332837i 0.338864 -0.331434 0.331434 0.021532 0.021532
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 20/07/13 Time: 21:07 Sample: 1998M01 2011M12 Included observations: 165
Dependent variable: D(LPIB) Excluded Chi-sq df Prob. DLOG(NI) 0.574998 2 0.7501
D(LVAB_COM_SA) 0.229603 2 0.8915 DLOG(C_COM) 1.452719 2 0.4837
DLOG(Q_M) 0.865307 2 0.6488 D(LBM_SA) 0.293911 2 0.8633
All 3.561171 10 0.9650
Dependent variable: DLOG(NI) Excluded Chi-sq df Prob. D(LPIB) 4.734933 2 0.0937
D(LVAB_COM_SA) 27.15793 2 0.0000 DLOG(C_COM) 1.050055 2 0.5915
DLOG(Q_M) 48.01337 2 0.0000 D(LBM_SA) 1.247717 2 0.5359
All 109.4598 10 0.0000
Dependent variable: D(LVAB_COM_SA) Excluded Chi-sq df Prob.
268
D(LPIB) 1.072311 2 0.5850
DLOG(NI) 1.521988 2 0.4672 DLOG(C_COM) 1.331071 2 0.5140
DLOG(Q_M) 1.788996 2 0.4088 D(LBM_SA) 3.699428 2 0.1573
All 9.058393 10 0.5266
Dependent variable: DLOG(C_COM) Excluded Chi-sq df Prob. D(LPIB) 4.046405 2 0.1322
DLOG(NI) 10.21261 2 0.0061 D(LVAB_COM_SA) 0.622262 2 0.7326
DLOG(Q_M) 0.114989 2 0.9441 D(LBM_SA) 3.768695 2 0.1519
All 18.46983 10 0.0475
Dependent variable: DLOG(Q_M) Excluded Chi-sq df Prob. D(LPIB) 1.760777 2 0.4146
DLOG(NI) 7.667787 2 0.0216 D(LVAB_COM_SA) 7.406329 2 0.0246
DLOG(C_COM) 4.903609 2 0.0861 D(LBM_SA) 2.482337 2 0.2890
All 24.57560 10 0.0062
Dependent variable: D(LBM_SA) Excluded Chi-sq df Prob. D(LPIB) 0.004585 2 0.9977
DLOG(NI) 1.448150 2 0.4848 D(LVAB_COM_SA) 0.788715 2 0.6741
DLOG(C_COM) 4.004535 2 0.1350 DLOG(Q_M) 6.922113 2 0.0314
All 15.03586 10 0.1308
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 20/07/13 Time: 21:09 Sample: 1998M01 2011M12 Included observations: 165
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values D(LPIB) DLOG(NI) D(LVAB_COM_SA) DLOG(C_COM) DLOG(Q_M) D(LBM_SA) Joint Lag 1 20.51691 106.2735 22.92197 10.54175 15.40348 30.91449 224.1694 [ 0.002239] [ 0.000000] [ 0.000823] [ 0.103614] [ 0.017340] [ 2.63e-05] [ 0.000000]
Lag 2 27.75156 38.61177 10.33654 10.85604 6.145583 1.211628 101.0788 [ 0.000105] [ 8.53e-07] [ 0.111176] [ 0.092929] [ 0.407081] [ 0.976306] [ 4.30e-08] df 6 6 6 6 6 6 36
269
Orden de los rezagos. VAR Lag Order Selection Criteria Endogenous variables: D(LPIB) DLOG(NI) D(LVAB_COM_SA) DLOG(C_COM) DLOG(Q_M) D(LBM_SA) Exogenous variables: C DLOG(RIN) D(LGRGC_SA) DUM03 DU0402 DU08 Date: 20/07/13 Time: 21:10 Sample: 1998M01 2011M12 Included observations: 159
Lag LogL LR FPE AIC SC HQ 0 1603.396 NA 1.10e-16 -19.71568 -19.02083 -19.43351 1 1702.946 184.0734 4.97e-17 -20.51505 -19.12536* -19.95071* 2 1753.528 89.71161 4.15e-17* -20.69847* -18.61393 -19.85196 3 1769.899 27.79940 5.36e-17 -20.45156 -17.67218 -19.32288 4 1799.081 47.35091 5.92e-17 -20.36579 -16.89156 -18.95495 5 1823.530 37.82742 6.99e-17 -20.22050 -16.05143 -18.52749 6 1865.254 61.40553* 6.69e-17 -20.29251 -15.42858 -18.31732 7 1899.906 48.38134 7.08e-17 -20.27554 -14.71677 -18.01819 8 1924.321 32.24636 8.63e-17 -20.12982 -13.87621 -17.59030 * 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
Prueba de correlación serial de los errores. VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 20/07/13 Time: 21:12 Sample: 1998M01 2011M12 Included observations: 165
Lags LM-Stat Prob 1 49.88147 0.0618
2 35.73846 0.4809 3 28.81025 0.7971 4 41.29593 0.2503 5 37.41967 0.4038 6 55.71687 0.0190 7 42.21484 0.2202 8 30.19317 0.7406 9 57.31049 0.0134
10 55.63470 0.0194 11 28.05784 0.8251 12 140.9181 0.0000
Probs from chi-square with 36 df.
270
Prueba de normalidad multivariada de los residuos. VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 20/07/13 Time: 21:14 Sample: 1998M01 2011M12 Included observations: 165
Component Skewness Chi-sq df Prob. 1 -0.928481 24.58241 1 0.0000
2 0.571459 9.312126 1 0.0023 3 -0.230544 1.515609 1 0.2183 4 -0.093910 0.251479 1 0.6160 5 0.020389 0.011854 1 0.9133 6 0.543339 8.418216 1 0.0037 Joint 44.09169 6 0.0000 Component Kurtosis Chi-sq df Prob. 1 4.214450 11.77089 1 0.0006
2 3.449010 1.771483 1 0.1832 3 3.241985 0.582196 1 0.4455 4 3.789996 5.136704 1 0.0234 5 5.375665 43.77868 1 0.0000 6 4.094164 9.615471 1 0.0019 Joint 72.65542 6 0.0000 Component Jarque-Bera df Prob.
1 36.35330 2 0.0000
2 11.08361 2 0.0039 3 2.097805 2 0.3503 4 5.388183 2 0.0676 5 43.79053 2 0.0000 6 18.03369 2 0.0001
Joint 673.9910 182 0.0000
Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: Includes Cross Terms Date: 20/07/13 Time: 21:15 Sample: 1998M01 2011M12 Included observations: 165
Joint test:
Chi-sq df Prob. 3189.054 3024 0.0182
271
Anexo 5.4. Modelo 4. LS 1 2 D(LPIB) DLOG(NI) D(LVAB_CON_SA) DLOG(CR_CON) D(TA) DLOG(Q_M)
D(LBM_SA) @ C DLOG(RIN) D(LGRGC_SA) DUM03 DU0402 DU08 DLOG(PP)
Salida del modelo.
Vector Autoregression Estimates Date: 13/05/13 Time: 14:57 Sample (adjusted): 1998M04 2011M12 Included observations: 165 after adjustments Standard errors in ( ) & t-statistics in [ ]
D(LPIB) DLOG(NI) D(LVAB_CON_SA) DLOG(CR_CON) D(TA) DLOG(Q_M) D(LBM_SA) D(LPIB(-1)) -0.296437 -0.019917 0.071472 0.036005 -4.875689 -0.097240 -0.015059 (0.07249) (0.00636) (0.09122) (0.05881) (3.13002) (0.06232) (0.04126) [-4.08958] [-3.13000] [ 0.78353] [ 0.61223] [-1.55772] [-1.56041] [-0.36494]
D(LPIB(-2)) -0.387196 -0.014446 0.105145 0.064996 0.207408 -0.035314 0.019840 (0.07565) (0.00664) (0.09519) (0.06137) (3.26648) (0.06503) (0.04306) [-5.11852] [-2.17539] [ 1.10452] [ 1.05901] [ 0.06350] [-0.54301] [ 0.46071]
DLOG(NI(-1)) -0.544512 0.524866 -2.334394 -1.255085 -2.848374 -1.529303 -0.505145 (0.93800) (0.08234) (1.18040) (0.76103) (40.5037) (0.80641) (0.53397) [-0.58050] [ 6.37405] [-1.97764] [-1.64920] [-0.07032] [-1.89644] [-0.94602]
DLOG(NI(-2)) 0.364674 0.012343 1.826005 -1.749129 10.46043 -0.337766 -0.049032 (0.91871) (0.08065) (1.15613) (0.74538) (39.6709) (0.78983) (0.52299) [ 0.39694] [ 0.15304] [ 1.57942] [-2.34663] [ 0.26368] [-0.42765] [-0.09375]
D(LVAB_CON_SA(-1)) -0.004838 -0.007157 -0.265378 0.007568 3.008926 -0.011046 0.005258 (0.06391) (0.00561) (0.08042) (0.05185) (2.75950) (0.05494) (0.03638) [-0.07571] [-1.27580] [-3.29990] [ 0.14596] [ 1.09039] [-0.20106] [ 0.14453]
D(LVAB_CON_SA(-2)) 0.004234 -0.007794 -0.259304 -0.029467 -2.313937 -0.035693 -0.008991 (0.06420) (0.00564) (0.08079) (0.05209) (2.77228) (0.05519) (0.03655) [ 0.06595] [-1.38294] [-3.20951] [-0.56571] [-0.83467] [-0.64668] [-0.24601]
DLOG(CR_CON(-1)) -0.163585 -0.008163 0.220379 -0.413692 8.256658 -0.036334 -0.014881 (0.10273) (0.00902) (0.12927) (0.08334) (4.43578) (0.08831) (0.05848) [-1.59246] [-0.90520] [ 1.70478] [-4.96367] [ 1.86138] [-0.41142] [-0.25447]
DLOG(CR_CON(-2)) -0.248339 -0.007049 0.012149 -0.238258 7.557608 -0.039984 -0.048132 (0.10333) (0.00907) (0.13003) (0.08383) (4.46168) (0.08883) (0.05882) [-2.40348] [-0.77711] [ 0.09343] [-2.84214] [ 1.69389] [-0.45012] [-0.81831]
D(TA(-1)) -0.001759 0.000298 0.004226 -0.002597 -0.084759 -0.002626 0.000428 (0.00189) (0.00017) (0.00238) (0.00153) (0.08167) (0.00163) (0.00108) [-0.93027] [ 1.79183] [ 1.77547] [-1.69265] [-1.03781] [-1.61486] [ 0.39777]
D(TA(-2)) -0.000720 4.32E-05 0.001828 -0.000930 0.163258 -0.000269 0.000317 (0.00186) (0.00016) (0.00234) (0.00151) (0.08035) (0.00160) (0.00106) [-0.38696] [ 0.26467] [ 0.78042] [-0.61602] [ 2.03175] [-0.16815] [ 0.29965]
DLOG(Q_M(-1)) -0.109703 0.053808 -0.054638 -0.294614 5.738722 0.060104 0.130415 (0.09857) (0.00865) (0.12405) (0.07998) (4.25650) (0.08474) (0.05611) [-1.11290] [ 6.21805] [-0.44047] [-3.68380] [ 1.34823] [ 0.70923] [ 2.32411]
DLOG(Q_M(-2)) 0.013308 -0.003161 -0.075424 0.028233 3.416537 -0.042585 -0.043795 (0.11033) (0.00969) (0.13884) (0.08952) (4.76423) (0.09485) (0.06281) [ 0.12062] [-0.32640] [-0.54323] [ 0.31540] [ 0.71712] [-0.44896] [-0.69729]
D(LBM_SA(-1)) -0.027925 -0.001247 0.164511 0.163417 -4.248826 -0.134268 -0.361002 (0.14769) (0.01297) (0.18585) (0.11982) (6.37733) (0.12697) (0.08407) [-0.18908] [-0.09615] [ 0.88516] [ 1.36381] [-0.66624] [-1.05749] [-4.29388]
272
D(LBM_SA(-2)) 0.046829 0.007113 0.277301 0.115831 -0.784199 0.055750 -0.037875 (0.14664) (0.01287) (0.18453) (0.11897) (6.33197) (0.12607) (0.08348) [ 0.31935] [ 0.55252] [ 1.50272] [ 0.97360] [-0.12385] [ 0.44223] [-0.45373]
C 0.004080 0.006424 -0.002788 0.049233 0.212856 0.026435 0.026076 (0.01791) (0.00157) (0.02254) (0.01453) (0.77339) (0.01540) (0.01020) [ 0.22779] [ 4.08552] [-0.12369] [ 3.38811] [ 0.27522] [ 1.71682] [ 2.55758]
DLOG(RIN) -0.007083 0.003525 -0.264557 -0.078295 -4.045570 0.223871 0.079783 (0.08377) (0.00735) (0.10542) (0.06797) (3.61732) (0.07202) (0.04769) [-0.08455] [ 0.47935] [-2.50957] [-1.15197] [-1.11839] [ 3.10851] [ 1.67303]
D(LGRGC_SA) 0.108444 -0.001314 0.051143 -0.026570 -0.894329 -0.015926 0.016386 (0.03635) (0.00319) (0.04574) (0.02949) (1.56963) (0.03125) (0.02069) [ 2.98333] [-0.41185] [ 1.11804] [-0.90094] [-0.56977] [-0.50964] [ 0.79188]
DUM03 0.074604 0.002109 -0.017078 0.057608 1.529855 -0.016121 0.017543 (0.03155) (0.00277) (0.03970) (0.02560) (1.36240) (0.02712) (0.01796) [ 2.36457] [ 0.76160] [-0.43013] [ 2.25047] [ 1.12291] [-0.59434] [ 0.97674]
DU0402 -0.056543 0.000689 0.028220 -0.027285 -2.112451 0.028415 0.006734 (0.03358) (0.00295) (0.04226) (0.02725) (1.45010) (0.02887) (0.01912) [-1.68374] [ 0.23363] [ 0.66777] [-1.00145] [-1.45676] [ 0.98420] [ 0.35225]
DU08 -0.246260 0.011865 -0.049606 0.002258 2.280881 0.003353 0.095609 (0.08792) (0.00772) (0.11064) (0.07133) (3.79650) (0.07559) (0.05005) [-2.80093] [ 1.53720] [-0.44835] [ 0.03166] [ 0.60079] [ 0.04437] [ 1.91027]
DLOG(PP) -0.089661 0.009390 -0.059781 -0.097666 3.123663 -0.013894 0.036980 (0.06468) (0.00568) (0.08139) (0.05247) (2.79276) (0.05560) (0.03682) [-1.38632] [ 1.65382] [-0.73451] [-1.86125] [ 1.11849] [-0.24988] [ 1.00441] R-squared 0.351865 0.565360 0.233428 0.278319 0.143102 0.187422 0.233236
Adj. R-squared 0.261847 0.504994 0.126960 0.178086 0.024088 0.074563 0.126741 Sum sq. resids 1.001562 0.007719 1.586094 0.659283 1867.513 0.740254 0.324567 S.E. equation 0.083398 0.007321 0.104950 0.067664 3.601227 0.071698 0.047476 F-statistic 3.908805 9.365448 2.192465 2.776708 1.202396 1.660682 2.190117 Log likelihood 186.9869 588.4055 149.0605 221.4853 -434.3043 211.9285 279.9498 Akaike AIC -2.011962 -6.877643 -1.552248 -2.430125 5.518840 -2.314284 -3.138786 Schwarz SC -1.616660 -6.482341 -1.156946 -2.034823 5.914142 -1.918982 -2.743484 Mean dependent 0.002076 0.018410 0.003041 0.009923 -0.122667 0.002390 0.024547 S.D. dependent 0.097070 0.010406 0.112322 0.074635 3.645400 0.074531 0.050804
Determinant resid covariance (dof adj.) 2.14E-15
Determinant resid covariance 8.26E-16 Log likelihood 1226.386 Akaike information criterion -13.08347 Schwarz criterion -10.31635
Gráfico de los residuos del modelo.
-.4
-.3
-.2
-.1
.0
.1
.2
.3
1998 2000 2002 2004 2006 2008 2010
D(LPIB) Residuals
-.02
-.01
.00
.01
.02
.03
.04
1998 2000 2002 2004 2006 2008 2010
DLOG(NI) Residuals
-.4
-.2
.0
.2
.4
1998 2000 2002 2004 2006 2008 2010
D(LVAB_CON_SA) Residuals
-.2
-.1
.0
.1
.2
.3
1998 2000 2002 2004 2006 2008 2010
DLOG(CR_CON) Residuals
-30
-20
-10
0
10
20
1998 2000 2002 2004 2006 2008 2010
D(TA) Residuals
-.4
-.3
-.2
-.1
.0
.1
.2
.3
1998 2000 2002 2004 2006 2008 2010
DLOG(Q_M) Residuals
-.2
-.1
.0
.1
.2
1998 2000 2002 2004 2006 2008 2010
D(LBM_SA) Residuals
273
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: D(LPIB) DLOG(NI) D(LVAB_CON_SA) DLOG(CR_CON) D(TA) DLOG(Q_M) D(LBM_SA) Exogenous variables: C DLOG(RIN) D(LGRGC_SA) DUM03 DU0402 DU08 DLOG(PP) Lag specification: 1 2 Date: 20/07/13 Time: 21:25
Root Modulus -0.066894 - 0.591379i 0.595150
-0.066894 + 0.591379i 0.595150 -0.241827 - 0.515307i 0.569228 -0.241827 + 0.515307i 0.569228 0.388879 - 0.286987i 0.483310 0.388879 + 0.286987i 0.483310 -0.481043 0.481043 -0.212649 - 0.408603i 0.460626 -0.212649 + 0.408603i 0.460626 -0.222275 - 0.289896i 0.365302 -0.222275 + 0.289896i 0.365302 0.315910 0.315910 0.019182 - 0.075776i 0.078166 0.019182 + 0.075776i 0.078166
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 20/07/13 Time: 21:26 Sample: 1998M01 2011M12 Included observations: 165
Dependent variable: D(LPIB) Excluded Chi-sq df Prob. DLOG(NI) 0.347896 2 0.8403
D(LVAB_CON_SA) 0.013069 2 0.9935 DLOG(CR_CON) 6.496217 2 0.0388
D(TA) 0.965217 2 0.6172 DLOG(Q_M) 1.238787 2 0.5383 D(LBM_SA) 0.218414 2 0.8965
All 9.947066 12 0.6206
Dependent variable: DLOG(NI) Excluded Chi-sq df Prob. D(LPIB) 12.12829 2 0.0023
D(LVAB_CON_SA) 2.881120 2 0.2368 DLOG(CR_CON) 1.076741 2 0.5837
D(TA) 3.226630 2 0.1992 DLOG(Q_M) 38.73346 2 0.0000 D(LBM_SA) 0.420440 2 0.8104
All 77.54214 12 0.0000
274
Dependent variable: D(LVAB_CON_SA) Excluded Chi-sq df Prob. D(LPIB) 1.528090 2 0.4658
DLOG(NI) 4.300375 2 0.1165 DLOG(CR_CON) 3.151939 2 0.2068
D(TA) 3.568290 2 0.1679 DLOG(Q_M) 0.539220 2 0.7637 D(LBM_SA) 2.362507 2 0.3069
All 20.06325 12 0.0659
Dependent variable: DLOG(CR_CON) Excluded Chi-sq df Prob. D(LPIB) 1.273407 2 0.5290
DLOG(NI) 17.19381 2 0.0002 D(LVAB_CON_SA) 0.400478 2 0.8185
D(TA) 3.101756 2 0.2121 DLOG(Q_M) 13.57150 2 0.0011 D(LBM_SA) 2.088615 2 0.3519
All 34.60046 12 0.0005
Dependent variable: D(TA) Excluded Chi-sq df Prob. D(LPIB) 2.598505 2 0.2727
DLOG(NI) 0.076313 2 0.9626 D(LVAB_CON_SA) 2.432802 2 0.2963 DLOG(CR_CON) 4.775172 2 0.0919
DLOG(Q_M) 2.537677 2 0.2812 D(LBM_SA) 0.465971 2 0.7922
All 11.42616 12 0.4928
Dependent variable: DLOG(Q_M) Excluded Chi-sq df Prob. D(LPIB) 2.477423 2 0.2898
DLOG(NI) 6.467189 2 0.0394 D(LVAB_CON_SA) 0.421089 2 0.8101 DLOG(CR_CON) 0.280301 2 0.8692
D(TA) 2.609654 2 0.2712 D(LBM_SA) 1.983325 2 0.3710
All 15.11220 12 0.2354
Dependent variable: D(LBM_SA) Excluded Chi-sq df Prob. D(LPIB) 0.440208 2 0.8024
DLOG(NI) 1.390627 2 0.4989 D(LVAB_CON_SA) 0.103219 2 0.9497 DLOG(CR_CON) 0.669880 2 0.7154
D(TA) 0.230951 2 0.8909 DLOG(Q_M) 5.631412 2 0.0599
All 10.61361 12 0.5623
275
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 20/07/13 Time: 21:28 Sample: 1998M01 2011M12 Included observations: 165
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values D(LPIB) DLOG(NI) D(LVAB_CON_SA) DLOG(CR_CON) D(TA) DLOG(Q_M) D(LBM_SA) Joint Lag 1 24.28573 105.1774 21.27932 35.53233 7.956350 11.51294 28.09011 240.5926 [ 0.001015] [ 0.000000] [ 0.003378] [ 8.88e-06] [ 0.336459] [ 0.117757] [ 0.000212] [ 0.000000]
Lag 2 37.74829 9.865610 19.22290 15.67291 7.480697 1.593237 1.646621 103.0150 [ 3.38e-06] [ 0.196318] [ 0.007517] [ 0.028279] [ 0.380600] [ 0.978905] [ 0.976796] [ 1.03e-05] df 7 7 7 7 7 7 7 49
Orden de los rezagos. VAR Lag Order Selection Criteria Endogenous variables: D(LPIB) DLOG(NI) D(LVAB_CON_SA) DLOG(CR_CON) D(TA) DLOG(Q_M) D(LBM_SA) Exogenous variables: C DLOG(RIN) D(LGRGC_SA) DUM03 DU0402 DU08 DLOG(PP) Date: 20/07/13 Time: 21:29 Sample: 1998M01 2011M12 Included observations: 159
Lag LogL LR FPE AIC SC HQ 0 1048.037 NA 8.23e-15 -12.56650 -11.62073* -12.18243
1 1153.493 192.3418 4.06e-15* -13.27664 -11.38512 -12.50851* 2 1202.563 85.17819 4.08e-15 -13.27752* -10.44023 -12.12533 3 1244.392 68.92608 4.54e-15 -13.18732 -9.404271 -11.65107 4 1291.666 73.73568* 4.76e-15 -13.16561 -8.436799 -11.24529 5 1334.849 63.55194 5.32e-15 -13.09244 -7.417863 -10.78805 6 1377.578 59.12257 6.08e-15 -13.01357 -6.393225 -10.32512 7 1422.704 58.46421 6.89e-15 -12.96483 -5.398724 -9.892313 8 1457.438 41.94293 9.11e-15 -12.78538 -4.273514 -9.328803 * 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
276
Prueba de correlación serial de los errores. VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 20/07/13 Time: 21:31 Sample: 1998M01 2011M12 Included observations: 165
Lags LM-Stat Prob 1 56.66850 0.2107
2 65.06073 0.0620 3 61.64338 0.1061 4 57.83789 0.1813 5 81.48737 0.0024 6 57.22780 0.1962 7 41.97233 0.7514 8 40.98458 0.7853 9 46.26064 0.5849
10 68.65043 0.0333 11 36.10408 0.9146 12 137.8324 0.0000
Probs from chi-square with 49 df.
Prueba de normalidad multivariada de los residuos. VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 20/07/13 Time: 21:32 Sample: 1998M01 2011M12 Included observations: 165
Component Skewness Chi-sq df Prob. 1 -0.796812 18.10465 1 0.0000
2 0.480748 6.590428 1 0.0103 3 -0.129130 0.475478 1 0.4905 4 0.038677 0.042655 1 0.8364 5 0.322158 2.959485 1 0.0854 6 0.153590 0.672677 1 0.4121 7 0.513047 7.505720 1 0.0062 Joint 36.35110 7 0.0000 Component Kurtosis Chi-sq df Prob. 1 4.348897 14.43784 1 0.0001
2 4.031300 8.575652 1 0.0034 3 3.254068 0.633884 1 0.4259 4 2.832565 0.129731 1 0.7187 5 12.93715 748.6072 1 0.0000 6 5.370757 43.60068 1 0.0000 7 4.224989 11.97013 1 0.0005 Joint 827.9551 7 0.0000
Component Jarque-Bera df Prob. 1 32.54250 2 0.0000
277
2 15.16608 2 0.0005 3 1.109362 2 0.5743 4 0.172386 2 0.9174 5 751.5667 2 0.0000 6 44.27335 2 0.0000 7 19.47585 2 0.0001
Joint 1758.347 294 0.0000 Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 20/07/13 Time: 21:33 Sample: 1998M01 2011M12 Included observations: 165
Joint test:
Chi-sq df Prob. 1320.524 1036 0.0000
278
Anexo 5.5. Modelo 5. LS 1 2 D(LPIB) DLOG(NI) D(LVAB_ANP_SA) DLOG(CRE_T) D(TA) TO @ C DLOG(RI)
DLOG(GGC) DLOG(Q_M) D(EN_OMA) DU0402 DUM03 DU08
Salida del modelo.
Vector Autoregression Estimates Date: 13/05/13 Time: 12:20 Sample (adjusted): 1998M04 2011M12 Included observations: 165 after adjustments Standard errors in ( ) & t-statistics in [ ]
D(LPIB) DLOG(NI) D(LVAB_ANP_SA) DLOG(CRE_T) D(TA) TO D(LPIB(-1)) -0.479161 -0.016667 0.064855 0.061533 -3.331546 6.792051 (0.07789) (0.00823) (0.04756) (0.03039) (3.56539) (5.90278) [-6.15214] [-2.02600] [ 1.36353] [ 2.02467] [-0.93441] [ 1.15065]
D(LPIB(-2)) -0.296063 -0.003367 0.051099 -0.012482 -6.324221 -2.965043 (0.07597) (0.00802) (0.04639) (0.02964) (3.47752) (5.75730) [-3.89731] [-0.41966] [ 1.10147] [-0.42109] [-1.81860] [-0.51501]
DLOG(NI(-1)) 0.389266 0.449960 0.506048 -0.154271 -25.96716 32.17633 (0.75874) (0.08014) (0.46336) (0.29607) (34.7331) (57.5033) [ 0.51304] [ 5.61458] [ 1.09214] [-0.52106] [-0.74762] [ 0.55956]
DLOG(NI(-2)) 0.653405 -0.167164 0.225387 -0.724498 58.05426 -81.79331 (0.73216) (0.07733) (0.44712) (0.28570) (33.5162) (55.4888) [ 0.89244] [-2.16159] [ 0.50408] [-2.53590] [ 1.73212] [-1.47405]
D(LVAB_ANP_SA(-1)) 0.198375 -0.001929 -0.634629 -0.063656 5.169373 -18.64516 (0.13988) (0.01478) (0.08543) (0.05458) (6.40346) (10.6014) [ 1.41815] [-0.13057] [-7.42905] [-1.16621] [ 0.80728] [-1.75874]
D(LVAB_ANP_SA(-2)) 0.031006 -0.055911 -0.511191 0.017152 13.62406 1.714667 (0.14178) (0.01498) (0.08658) (0.05532) (6.49032) (10.7452) [ 0.21869] [-3.73352] [-5.90398] [ 0.31003] [ 2.09914] [ 0.15957]
DLOG(CRE_T(-1)) -0.045621 -0.012062 -0.055841 0.275235 11.24479 14.65549 (0.21902) (0.02313) (0.13375) (0.08546) (10.0262) (16.5992) [-0.20830] [-0.52140] [-0.41748] [ 3.22045] [ 1.12154] [ 0.88290]
DLOG(CRE_T(-2)) -0.449307 -0.041149 0.131866 -0.106206 8.569762 3.180420 (0.20170) (0.02130) (0.12318) (0.07871) (9.23327) (15.2864) [-2.22761] [-1.93148] [ 1.07055] [-1.34940] [ 0.92814] [ 0.20806]
D(TA(-1)) 0.000868 6.63E-06 -0.001373 0.001005 -0.176553 0.030552 (0.00179) (0.00019) (0.00110) (0.00070) (0.08214) (0.13598) [ 0.48357] [ 0.03496] [-1.25258] [ 1.43604] [-2.14949] [ 0.22468]
D(TA(-2)) 0.001782 -0.000388 -0.000679 0.000495 0.250602 0.021300 (0.00165) (0.00017) (0.00101) (0.00064) (0.07538) (0.12481) [ 1.08203] [-2.23003] [-0.67495] [ 0.77080] [ 3.32430] [ 0.17067]
TO(-1) -0.001321 0.000242 -0.000833 -0.001551 0.281122 0.727565 (0.00120) (0.00013) (0.00073) (0.00047) (0.05503) (0.09110) [-1.09876] [ 1.90832] [-1.13541] [-3.30711] [ 5.10884] [ 7.98637]
TO(-2) -0.001167 0.000151 9.24E-05 1.49E-05 -0.290955 0.040704 (0.00127) (0.00013) (0.00077) (0.00049) (0.05799) (0.09600) [-0.92112] [ 1.12565] [ 0.11941] [ 0.03016] [-5.01752] [ 0.42399]
C 0.017148 0.006058 -0.003940 0.038731 -0.253146 4.238833 (0.01777) (0.00188) (0.01085) (0.00694) (0.81361) (1.34700) [ 0.96481] [ 3.22717] [-0.36299] [ 5.58453] [-0.31114] [ 3.14688]
279
DLOG(RI) 0.355916 0.001229 0.049237 -0.003725 -15.60972 -16.39481 (0.10267) (0.01084) (0.06270) (0.04006) (4.70003) (7.78128) [ 3.46655] [ 0.11329] [ 0.78526] [-0.09297] [-3.32119] [-2.10695]
DLOG(GGC) 0.143674 -0.000568 0.029884 0.021446 0.568940 0.693040 (0.02041) (0.00216) (0.01247) (0.00797) (0.93445) (1.54706) [ 7.03837] [-0.26333] [ 2.39724] [ 2.69245] [ 0.60885] [ 0.44797]
DLOG(Q_M) 0.056065 -0.013100 -0.001720 -0.008832 7.080566 10.04008 (0.08184) (0.00864) (0.04998) (0.03194) (3.74665) (6.20287) [ 0.68501] [-1.51540] [-0.03442] [-0.27656] [ 1.88984] [ 1.61862]
D(EN_OMA) -2.98E-10 4.44E-10 -1.21E-09 1.52E-10 6.65E-08 3.41E-07 (1.4E-09) (1.5E-10) (8.8E-10) (5.6E-10) (6.6E-08) (1.1E-07) [-0.20609] [ 2.90883] [-1.37105] [ 0.26893] [ 1.00518] [ 3.11707]
DU0402 -0.017385 -0.002753 -0.031027 0.035372 -2.505760 0.593845 (0.03037) (0.00321) (0.01854) (0.01185) (1.39007) (2.30138) [-0.57250] [-0.85839] [-1.67316] [ 2.98522] [-1.80261] [ 0.25804]
DUM03 0.019885 0.009958 0.033260 -0.019335 1.527002 -2.812390 (0.03218) (0.00340) (0.01965) (0.01256) (1.47310) (2.43883) [ 0.61794] [ 2.92987] [ 1.69248] [-1.53979] [ 1.03659] [-1.15317]
DU08 -0.191301 0.007785 -0.005612 0.001212 0.839250 5.029670 (0.07258) (0.00767) (0.04432) (0.02832) (3.32234) (5.50039) [-2.63587] [ 1.01555] [-0.12662] [ 0.04280] [ 0.25261] [ 0.91442] R-squared 0.552373 0.565441 0.400036 0.481993 0.334884 0.702450
Adj. R-squared 0.493718 0.508499 0.321420 0.414116 0.247731 0.663461 Sum sq. resids 0.691718 0.007717 0.257974 0.105325 1449.544 3973.119 S.E. equation 0.069069 0.007295 0.042180 0.026951 3.161780 5.234580 F-statistic 9.417385 9.930086 5.088490 7.100993 3.842486 18.01652 Log likelihood 217.5232 588.4208 298.8947 372.7989 -413.4022 -496.5872 Akaike AIC -2.394221 -6.889950 -3.380542 -4.276350 5.253360 6.261663 Schwarz SC -2.017743 -6.513471 -3.004064 -3.899872 5.629838 6.638141 Mean dependent 0.002076 0.018410 0.002538 0.023820 -0.122667 10.04915 S.D. dependent 0.097070 0.010406 0.051204 0.035211 3.645400 9.023276
Determinant resid covariance (dof adj.) 3.63E-11
Determinant resid covariance 1.67E-11 Log likelihood 642.4279 Akaike information criterion -6.332459 Schwarz criterion -4.073590
Gráfico de los residuos del modelo.
-.4
-.3
-.2
-.1
.0
.1
.2
1998 2000 2002 2004 2006 2008 2010
D(LPIB) Residuals
-.02
-.01
.00
.01
.02
.03
1998 2000 2002 2004 2006 2008 2010
DLOG(NI) Residuals
-.3
-.2
-.1
.0
.1
.2
1998 2000 2002 2004 2006 2008 2010
D(LVAB_ANP_SA) Residuals
-.10
-.05
.00
.05
.10
1998 2000 2002 2004 2006 2008 2010
DLOG(CRE_T) Residuals
-15
-10
-5
0
5
10
15
1998 2000 2002 2004 2006 2008 2010
D(TA) Residuals
-30
-20
-10
0
10
20
1998 2000 2002 2004 2006 2008 2010
TO Residuals
280
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: D(LPIB) DLOG(NI) D(LVAB_ANP_SA) DLOG(CRE_T) D(TA) TO Exogenous variables: C DLOG(RI) DLOG(GGC) DLOG(Q_M) D(EN_OMA) DU0402 DUM03 DU08 Lag specification: 1 2 Date: 20/07/13 Time: 21:46
Root Modulus 0.706378 - 0.204520i 0.735390
0.706378 + 0.204520i 0.735390 -0.317267 - 0.605417i 0.683512 -0.317267 + 0.605417i 0.683512 0.140104 - 0.497644i 0.516990 0.140104 + 0.497644i 0.516990 -0.476677 0.476677 -0.147720 - 0.420607i 0.445793 -0.147720 + 0.420607i 0.445793 -0.395801 0.395801 0.135953 - 0.250951i 0.285411 0.135953 + 0.250951i 0.285411
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 20/07/13 Time: 21:47 Sample: 1998M01 2011M12 Included observations: 165
Dependent variable: D(LPIB) Excluded Chi-sq df Prob. DLOG(NI) 1.537348 2 0.4636
D(LVAB_ANP_SA) 2.276280 2 0.3204 DLOG(CRE_T) 6.118475 2 0.0469
D(TA) 1.292432 2 0.5240 TO 4.771877 2 0.0920
All 13.84647 10 0.1801 Dependent variable: DLOG(NI) Excluded Chi-sq df Prob. D(LPIB) 4.207425 2 0.1220
D(LVAB_ANP_SA) 17.40287 2 0.0002 DLOG(CRE_T) 5.413426 2 0.0668
D(TA) 5.076235 2 0.0790 TO 10.93838 2 0.0042
All 73.47358 10 0.0000 Dependent variable: D(LVAB_ANP_SA) Excluded Chi-sq df Prob.
281
D(LPIB) 2.295314 2 0.3174 DLOG(NI) 2.042935 2 0.3601
DLOG(CRE_T) 1.147477 2 0.5634 D(TA) 1.839189 2 0.3987
TO 1.705715 2 0.4262 All 11.28759 10 0.3356 Dependent variable: DLOG(CRE_T) Excluded Chi-sq df Prob. D(LPIB) 5.586191 2 0.0612
DLOG(NI) 8.538997 2 0.0140 D(LVAB_ANP_SA) 2.319927 2 0.3135
D(TA) 2.413802 2 0.2991 TO 16.07654 2 0.0003
All 48.24992 10 0.0000 Dependent variable: D(TA) Excluded Chi-sq df Prob. D(LPIB) 3.402700 2 0.1824
DLOG(NI) 3.032327 2 0.2196 D(LVAB_ANP_SA) 4.451735 2 0.1080
DLOG(CRE_T) 3.282325 2 0.1938 TO 32.63355 2 0.0000
All 43.21311 10 0.0000 Dependent variable: TO Excluded Chi-sq df Prob. D(LPIB) 2.299966 2 0.3166
DLOG(NI) 2.177876 2 0.3366 D(LVAB_ANP_SA) 4.365034 2 0.1128
DLOG(CRE_T) 1.093739 2 0.5788 D(TA) 0.071000 2 0.9651
All 9.524916 10 0.4831
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 20/07/13 Time: 21:49 Sample: 1998M01 2011M12 Included observations: 165
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values D(LPIB) DLOG(NI) D(LVAB_ANP_SA) DLOG(CRE_T) D(TA) TO Joint Lag 1 50.74306 54.32934 65.70805 35.53484 29.41890 99.68115 403.9967 [ 3.34e-09] [ 6.33e-10] [ 3.09e-12] [ 3.39e-06] [ 5.07e-05] [ 0.000000] [ 0.000000]
Lag 2 25.55636 36.00164 40.05893 10.57043 34.19312 3.482947 189.2964 [ 0.000269] [ 2.75e-06] [ 4.44e-07] [ 0.102595] [ 6.17e-06] [ 0.746237] [ 0.000000] df 6 6 6 6 6 6 36
282
Orden de los rezagos. VAR Lag Order Selection Criteria Endogenous variables: D(LPIB) DLOG(NI) D(LVAB_ANP_SA) DLOG(CRE_T) D(TA) TO Exogenous variables: C DLOG(RI) DLOG(GGC) DLOG(Q_M) D(EN_OMA) DU0402 DUM03 DU08 Date: 20/07/13 Time: 21:51 Sample: 1998M01 2011M12 Included observations: 159
Lag LogL LR FPE AIC SC HQ 0 409.7924 NA 4.26e-10 -4.550848 -3.624386 -4.174622
1 583.0188 315.9475 7.59e-11 -6.276966 -4.655658* -5.618570 2 663.3255 140.4104 4.37e-11* -6.834283* -4.518128 -5.893717* 3 692.9092 49.49232 4.78e-11 -6.753575 -3.742575 -5.530840 4 731.2009 61.17037 4.72e-11 -6.782401 -3.076555 -5.277496 5 748.9976 27.08678 6.08e-11 -6.553429 -2.152736 -4.766354 6 781.0999 46.43735 6.59e-11 -6.504402 -1.408863 -4.435157 7 813.3030 44.15259 7.22e-11 -6.456641 -0.666256 -4.105227 8 870.0500 73.52127* 5.89e-11 -6.717610 -0.232378 -4.084026
* 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
Prueba de correlación serial de los errores. VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 20/07/13 Time: 21:52 Sample: 1998M01 2011M12 Included observations: 165
Lags LM-Stat Prob 1 40.63887 0.2734
2 39.71493 0.3080 3 35.01825 0.5151 4 55.42769 0.0203 5 39.37599 0.3213 6 87.99468 0.0000 7 43.49940 0.1824 8 62.58374 0.0039 9 36.66976 0.4376
10 41.85650 0.2316 11 34.37570 0.5459 12 131.7411 0.0000
Probs from chi-square with 36 df.
283
Prueba de normalidad multivariada de los residuos.
VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 20/07/13 Time: 21:53 Sample: 1998M01 2011M12 Included observations: 165
Component Skewness Chi-sq df Prob. 1 -0.344575 3.385681 1 0.0658
2 0.455644 5.920105 1 0.0150 3 -0.913770 23.80959 1 0.0000 4 0.341121 3.318142 1 0.0685 5 0.547884 8.559644 1 0.0034 6 0.084497 0.203593 1 0.6518 Joint 45.19675 6 0.0000 Component Kurtosis Chi-sq df Prob. 1 3.755184 4.712919 1 0.0299
2 3.582013 2.875912 1 0.0899 3 7.806154 176.4736 1 0.0000 4 4.004198 8.145713 1 0.0043 5 6.859384 114.2114 1 0.0000 6 3.448311 1.766380 1 0.1838 Joint 308.1859 6 0.0000 Component Jarque-Bera df Prob.
1 8.098599 2 0.0174
2 8.796016 2 0.0123 3 200.2832 2 0.0000 4 11.46386 2 0.0032 5 122.7710 2 0.0000 6 1.969973 2 0.3734
Joint 1679.140 182 0.0000
Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 20/07/13 Time: 21:54 Sample: 1998M01 2011M12 Included observations: 165
Joint test:
Chi-sq df Prob. 1136.406 735 0.0000
284
Anexo 5.6. Modelo 6. LS 1 2 D(LPIB) DLOG(NI) D(LVAB_MAN_SA) DLOG(CR_M) D(TA) TO @ C DLOG(RI)
DLOG(GRGC) DLOG(Q_M) D(EN_OMA) DU0402 DUM03 DU08
Salida del modelo.
Vector Autoregression Estimates Date: 13/05/13 Time: 12:02 Sample (adjusted): 1998M04 2011M12 Included observations: 165 after adjustments Standard errors in ( ) & t-statistics in [ ]
D(LPIB) DLOG(NI) D(LVAB_MAN_SA) DLOG(CR_M) D(TA) TO D(LPIB(-1)) -0.475794 -0.010556 -0.015643 0.100669 -2.942634 8.382749 (0.07031) (0.00691) (0.09198) (0.06446) (3.28830) (5.32935) [-6.76693] [-1.52662] [-0.17007] [ 1.56175] [-0.89488] [ 1.57294]
D(LPIB(-2)) -0.296088 0.000118 0.055135 -0.071889 -4.291966 1.377067 (0.07084) (0.00697) (0.09267) (0.06495) (3.31315) (5.36964) [-4.17949] [ 0.01693] [ 0.59495] [-1.10690] [-1.29543] [ 0.25645]
DLOG(NI(-1)) 0.443984 0.579572 1.135860 -0.782861 -41.14928 72.16965 (0.77948) (0.07665) (1.01968) (0.71460) (36.4545) (59.0820) [ 0.56959] [ 7.56092] [ 1.11394] [-1.09552] [-1.12878] [ 1.22152]
DLOG(NI(-2)) 0.571121 -0.146529 -0.100982 -0.149510 55.29202 -107.0288 (0.74786) (0.07354) (0.97831) (0.68561) (34.9755) (56.6849) [ 0.76367] [-1.99242] [-0.10322] [-0.21807] [ 1.58088] [-1.88814]
D(LVAB_MAN_SA(-1)) 0.160319 -0.003652 -0.413907 -0.201319 2.229405 -13.08194 (0.06547) (0.00644) (0.08564) (0.06002) (3.06183) (4.96231) [ 2.44878] [-0.56719] [-4.83293] [-3.35421] [ 0.72813] [-2.63626]
D(LVAB_MAN_SA(-2)) 0.013601 -0.041207 -0.406493 -0.017316 5.355861 -5.829681 (0.07048) (0.00693) (0.09220) (0.06462) (3.29634) (5.34239) [ 0.19296] [-5.94516] [-4.40869] [-0.26798] [ 1.62479] [-1.09121]
DLOG(CR_M(-1)) -0.132786 0.004071 -0.032433 -0.235227 2.739321 3.619169 (0.08986) (0.00884) (0.11756) (0.08238) (4.20272) (6.81136) [-1.47763] [ 0.46064] [-0.27589] [-2.85524] [ 0.65180] [ 0.53134]
DLOG(CR_M(-2)) -0.169272 -0.024691 0.058646 -0.127993 5.178353 -4.160702 (0.08592) (0.00845) (0.11240) (0.07877) (4.01839) (6.51262) [-1.97004] [-2.92213] [ 0.52176] [-1.62487] [ 1.28866] [-0.63887]
D(TA(-1)) 0.000610 7.41E-05 -0.003528 -0.000653 -0.175070 0.021202 (0.00176) (0.00017) (0.00230) (0.00161) (0.08215) (0.13313) [ 0.34734] [ 0.42928] [-1.53542] [-0.40578] [-2.13123] [ 0.15926]
D(TA(-2)) 0.001538 -0.000442 -0.003562 0.000438 0.264581 0.027546 (0.00164) (0.00016) (0.00214) (0.00150) (0.07667) (0.12425) [ 0.93817] [-2.74126] [-1.66114] [ 0.29164] [ 3.45109] [ 0.22169]
TO(-1) -0.000827 0.000137 -0.000117 -0.001230 0.281927 0.692134 (0.00121) (0.00012) (0.00158) (0.00111) (0.05646) (0.09150) [-0.68485] [ 1.15385] [-0.07401] [-1.11148] [ 4.99341] [ 7.56392]
TO(-2) -0.001394 0.000225 0.001768 -0.001681 -0.309368 0.042749 (0.00124) (0.00012) (0.00162) (0.00114) (0.05800) (0.09400) [-1.12400] [ 1.84466] [ 1.09003] [-1.47862] [-5.33418] [ 0.45479]
C 0.010178 0.003708 -0.040135 0.046758 0.457359 4.634609 (0.01560) (0.00153) (0.02040) (0.01430) (0.72939) (1.18212) [ 0.65258] [ 2.41794] [-1.96721] [ 3.27027] [ 0.62705] [ 3.92060]
285
DLOG(RI) 0.362703 0.002285 0.240022 -0.156191 -15.75244 -16.29218 (0.10160) (0.00999) (0.13290) (0.09314) (4.75136) (7.70054) [ 3.57007] [ 0.22875] [ 1.80602] [-1.67697] [-3.31536] [-2.11572]
DLOG(GRGC) 0.138082 -0.000584 0.052137 0.024509 0.407168 1.007270 (0.02015) (0.00198) (0.02636) (0.01848) (0.94255) (1.52759) [ 6.85136] [-0.29461] [ 1.97755] [ 1.32651] [ 0.43199] [ 0.65938]
DLOG(Q_M) 0.079672 -0.002955 -0.047654 0.093795 6.135427 9.056446 (0.08223) (0.00809) (0.10757) (0.07539) (3.84570) (6.23274) [ 0.96889] [-0.36547] [-0.44301] [ 1.24420] [ 1.59540] [ 1.45304]
D(EN_OMA) -2.63E-10 3.80E-10 -1.52E-09 -3.20E-10 7.34E-08 3.23E-07 (1.4E-09) (1.4E-10) (1.9E-09) (1.3E-09) (6.7E-08) (1.1E-07) [-0.18402] [ 2.69602] [-0.80911] [-0.24369] [ 1.09658] [ 2.97419]
DU0402 -0.016265 -0.004322 -0.143596 0.051472 -2.077358 0.622283 (0.02980) (0.00293) (0.03898) (0.02732) (1.39374) (2.25883) [-0.54577] [-1.47492] [-3.68341] [ 1.88397] [-1.49049] [ 0.27549]
DUM03 0.014890 0.009486 0.159472 -0.044166 1.478064 -2.758131 (0.03182) (0.00313) (0.04163) (0.02917) (1.48822) (2.41197) [ 0.46791] [ 3.03133] [ 3.83092] [-1.51394] [ 0.99317] [-1.14352]
DU08 -0.201544 0.004684 0.031359 -0.037866 1.334586 4.787567 (0.07157) (0.00704) (0.09363) (0.06562) (3.34735) (5.42506) [-2.81587] [ 0.66552] [ 0.33493] [-0.57708] [ 0.39870] [ 0.88249] R-squared 0.562200 0.631594 0.321876 0.289046 0.321045 0.708921
Adj. R-squared 0.504834 0.583320 0.233019 0.195887 0.232078 0.670780 Sum sq. resids 0.676532 0.006542 1.157710 0.568595 1479.706 3886.716 S.E. equation 0.068306 0.006717 0.089354 0.062621 3.194506 5.177348 F-statistic 9.800096 13.08354 3.622384 3.102700 3.608600 18.58669 Log likelihood 219.3547 602.0454 175.0340 233.6941 -415.1012 -494.7732 Akaike AIC -2.416420 -7.055095 -1.879200 -2.590232 5.273954 6.239676 Schwarz SC -2.039942 -6.678617 -1.502722 -2.213754 5.650433 6.616154 Mean dependent 0.002076 0.018410 0.000276 0.005227 -0.122667 10.04915 S.D. dependent 0.097070 0.010406 0.102029 0.069833 3.645400 9.023276
Determinant resid covariance (dof adj.) 9.27E-10
Determinant resid covariance 4.27E-10 Log likelihood 375.1511 Akaike information criterion -3.092741 Schwarz criterion -0.833872
Gráfico de los residuos del modelo.
-.4
-.3
-.2
-.1
.0
.1
.2
1998 2000 2002 2004 2006 2008 2010
D(LPIB) Residuals
-.02
-.01
.00
.01
.02
.03
1998 2000 2002 2004 2006 2008 2010
DLOG(NI) Residuals
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
0.2
1998 2000 2002 2004 2006 2008 2010
D(LVAB_MAN_SA) Residuals
-.2
-.1
.0
.1
.2
1998 2000 2002 2004 2006 2008 2010
DLOG(CR_M) Residuals
-15
-10
-5
0
5
10
15
1998 2000 2002 2004 2006 2008 2010
D(TA) Residuals
-20
-10
0
10
20
1998 2000 2002 2004 2006 2008 2010
TO Residuals
286
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: D(LPIB) DLOG(NI) D(LVAB_MAN_SA) DLOG(CR_M) D(TA) TO Exogenous variables: C DLOG(RI) DLOG(GRGC) DLOG(Q_M) D(EN_OMA) DU0402 DUM03 DU08 Lag specification: 1 2 Date: 20/07/13 Time: 22:00
Root Modulus 0.651152 - 0.182209i 0.676165
0.651152 + 0.182209i 0.676165 -0.206311 - 0.535866i 0.574209 -0.206311 + 0.535866i 0.574209 -0.113181 - 0.562511i 0.573784 -0.113181 + 0.562511i 0.573784 -0.458591 0.458591 -0.244671 - 0.145516i 0.284674 -0.244671 + 0.145516i 0.284674 0.030193 - 0.238469i 0.240372 0.030193 + 0.238469i 0.240372 0.195935 0.195935
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 20/07/13 Time: 22:01 Sample: 1998M01 2011M12 Included observations: 165
Dependent variable: D(LPIB)
Excluded Chi-sq df Prob. DLOG(NI) 1.396343 2 0.4975
D(LVAB_MAN_SA) 6.656034 2 0.0359 DLOG(CR_M) 5.190483 2 0.0746
D(TA) 0.925801 2 0.6295 TO 4.027240 2 0.1335
All 17.26088 10 0.0688 Dependent variable: DLOG(NI) Excluded Chi-sq df Prob. D(LPIB) 2.632071 2 0.2682
D(LVAB_MAN_SA) 38.82207 2 0.0000 DLOG(CR_M) 9.535588 2 0.0085
D(TA) 8.212293 2 0.0165 TO 11.05001 2 0.0040
All 112.7359 10 0.0000 Dependent variable: D(LVAB_MAN_SA) Excluded Chi-sq df Prob. D(LPIB) 0.503785 2 0.7773
DLOG(NI) 1.340306 2 0.5116
287
DLOG(CR_M) 0.412914 2 0.8135 D(TA) 4.471592 2 0.1069
TO 1.678189 2 0.4321 All 9.961505 10 0.4439 Dependent variable: DLOG(CR_M) Excluded Chi-sq df Prob. D(LPIB) 5.381557 2 0.0678
DLOG(NI) 1.625630 2 0.4436 D(LVAB_MAN_SA) 12.47935 2 0.0020
D(TA) 0.290105 2 0.8650 TO 8.175244 2 0.0168
All 39.40845 10 0.0000 Dependent variable: D(TA) Excluded Chi-sq df Prob. D(LPIB) 1.924933 2 0.3819
DLOG(NI) 2.864100 2 0.2388 D(LVAB_MAN_SA) 2.652343 2 0.2655
DLOG(CR_M) 1.844364 2 0.3977 TO 33.73301 2 0.0000
All 39.36395 10 0.0000 Dependent variable: TO Excluded Chi-sq df Prob. D(LPIB) 2.550173 2 0.2794
DLOG(NI) 3.908336 2 0.1417 D(LVAB_MAN_SA) 6.956728 2 0.0309
DLOG(CR_M) 0.838411 2 0.6576 D(TA) 0.065656 2 0.9677
All 13.01379 10 0.2229
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 20/07/13 Time: 22:04 Sample: 1998M01 2011M12 Included observations: 165
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values D(LPIB) DLOG(NI) D(LVAB_MAN_SA) DLOG(CR_M) D(TA) TO Joint Lag 1 53.68435 74.31061 32.02329 22.57346 27.19583 102.6363 330.3440 [ 8.54e-10] [ 5.32e-14] [ 1.62e-05] [ 0.000953] [ 0.000133] [ 0.000000] [ 0.000000]
Lag 2 27.84367 64.84263 24.49265 6.500125 36.68887 5.993642 195.3674 [ 0.000101] [ 4.65e-12] [ 0.000424] [ 0.369554] [ 2.02e-06] [ 0.423903] [ 0.000000] df 6 6 6 6 6 6 36
288
Orden de los rezagos.
VAR Lag Order Selection Criteria Endogenous variables: D(LPIB) DLOG(NI) D(LVAB_MAN_SA) DLOG(CR_M) D(TA) TO Exogenous variables: C DLOG(RI) DLOG(GRGC) DLOG(Q_M) D(EN_OMA) DU0402 DUM03 DU08 Date: 20/07/13 Time: 22:05 Sample: 1998M01 2011M12 Included observations: 159
Lag LogL LR FPE AIC SC HQ 0 157.4593 NA 1.02e-08 -1.376846 -0.450385 -1.000620
1 310.7609 279.6067 2.33e-09 -2.852338 -1.231030* -2.193942 2 392.3407 142.6363 1.32e-09 -3.425669 -1.109514 -2.485103* 3 428.4417 60.39540 1.33e-09 -3.426939 -0.415939 -2.204204 4 468.3441 63.74349 1.29e-09* -3.476026* 0.229820 -1.971121 5 488.4976 30.67394 1.61e-09 -3.276700 1.123993 -1.489625 6 514.5053 37.62113 1.88e-09 -3.151010 1.944529 -1.081766 7 554.2742 54.52594 1.88e-09 -3.198418 2.591968 -0.847004 8 597.1002 55.48520* 1.82e-09 -3.284279 3.200953 -0.650695 * 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
Prueba de correlación serial de los errores. VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 20/07/13 Time: 22:06 Sample: 1998M01 2011M12 Included observations: 165
Lags LM-Stat Prob 1 43.17955 0.1913
2 50.16760 0.0586 3 50.00529 0.0604 4 44.20645 0.1637 5 41.68495 0.2372 6 65.49718 0.0019 7 50.50641 0.0549 8 50.44481 0.0556 9 26.83041 0.8662
10 61.23386 0.0054 11 35.69063 0.4832 12 128.2181 0.0000
Probs from chi-square with 36 df.
289
Prueba de normalidad multivariada de los residuos.
VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 20/07/13 Time: 22:08 Sample: 1998M01 2011M12 Included observations: 165
Component Skewness Chi-sq df Prob.
1 -0.312972 2.793113 1 0.0947
2 0.248305 1.758129 1 0.1849 3 -3.492236 347.7649 1 0.0000 4 0.306132 2.672370 1 0.1021 5 0.374192 3.992698 1 0.0457 6 0.255052 1.854971 1 0.1732 Joint 360.8361 6 0.0000 Component Kurtosis Chi-sq df Prob. 1 3.273004 0.719301 1 0.3964
2 2.771029 0.279840 1 0.5968 3 31.23835 6016.810 1 0.0000 4 2.975021 0.000938 1 0.9756 5 6.713046 105.7917 1 0.0000 6 3.500651 2.168674 1 0.1408 Joint 6125.770 6 0.0000 Component Jarque-Bera df Prob.
1 3.512414 2 0.1727
2 2.037969 2 0.3610 3 6364.575 2 0.0000 4 2.673308 2 0.2627 5 109.7844 2 0.0000 6 4.023645 2 0.1337
Joint 10152.14 182 0.0000
Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 20/07/13 Time: 22:08 Sample: 1998M01 2011M12 Included observations: 165
Joint test:
Chi-sq df Prob. 1001.286 735 0.0000
290
Anexo 5.7. Modelo 7. LS 1 2 D(LPIB) DLOG(NI) D(LVAB_COM_SA) DLOG(C_COM) D(TA) TO @ C
DLOG(RI) DLOG(GRGC) DLOG(TCN_MER) D(EN_OMA) DU0402 DUM03 DU08
Salida del modelo.
Vector Autoregression Estimates Date: 13/05/13 Time: 12:06 Sample (adjusted): 1998M04 2011M12 Included observations: 165 after adjustments Standard errors in ( ) & t-statistics in [ ]
D(LPIB) DLOG(NI) D(LVAB_COM_SA) DLOG(C_COM) D(TA) TO D(LPIB(-1)) -0.430761 -0.010406 0.007500 0.055506 -4.307659 7.168547 (0.07258) (0.00764) (0.04538) (0.06229) (3.29236) (5.42535) [-5.93465] [-1.36263] [ 0.16526] [ 0.89114] [-1.30838] [ 1.32131]
D(LPIB(-2)) -0.299663 -0.004213 -0.002078 0.038016 -2.904597 1.895317 (0.07430) (0.00782) (0.04646) (0.06376) (3.37017) (5.55355) [-4.03318] [-0.53893] [-0.04474] [ 0.59624] [-0.86186] [ 0.34128]
DLOG(NI(-1)) 0.680131 0.485438 0.178437 0.014712 -27.27366 32.96014 (0.75442) (0.07938) (0.47170) (0.64740) (34.2202) (56.3900) [ 0.90152] [ 6.11556] [ 0.37828] [ 0.02272] [-0.79700] [ 0.58450]
DLOG(NI(-2)) 0.937250 -0.124274 -0.558063 -1.706897 46.58546 -91.79165 (0.74577) (0.07847) (0.46629) (0.63997) (33.8275) (55.7429) [ 1.25676] [-1.58379] [-1.19682] [-2.66715] [ 1.37715] [-1.64670]
D(LVAB_COM_SA(-1)) 0.101483 -0.018758 -0.364697 -0.060099 11.60760 -13.11061 (0.14245) (0.01499) (0.08907) (0.12224) (6.46158) (10.6478) [ 0.71240] [-1.25151] [-4.09459] [-0.49163] [ 1.79640] [-1.23130]
D(LVAB_COM_SA(-2)) -0.050209 -0.066079 -0.208926 -0.078147 6.370871 -10.59835 (0.14148) (0.01489) (0.08846) (0.12141) (6.41723) (10.5747) [-0.35489] [-4.43918] [-2.36190] [-0.64368] [ 0.99278] [-1.00224]
DLOG(C_COM(-1)) -0.044471 0.000579 -0.027015 -0.099559 -3.940261 3.752312 (0.09435) (0.00993) (0.05899) (0.08096) (4.27943) (7.05189) [-0.47137] [ 0.05834] [-0.45797] [-1.22972] [-0.92074] [ 0.53210]
DLOG(C_COM(-2)) -0.062991 0.000154 0.054340 -0.062895 0.344635 6.442560 (0.08709) (0.00916) (0.05445) (0.07474) (3.95049) (6.50985) [-0.72325] [ 0.01675] [ 0.99790] [-0.84155] [ 0.08724] [ 0.98966]
D(TA(-1)) 0.000558 3.62E-05 -0.002339 -0.007682 -0.154269 0.032448 (0.00183) (0.00019) (0.00114) (0.00157) (0.08287) (0.13656) [ 0.30567] [ 0.18815] [-2.04741] [-4.89995] [-1.86156] [ 0.23761]
D(TA(-2)) 0.001695 -0.000405 -0.002330 0.001661 0.246043 0.029602 (0.00185) (0.00019) (0.00116) (0.00159) (0.08379) (0.13808) [ 0.91767] [-2.08569] [-2.01691] [ 1.04763] [ 2.93636] [ 0.21438]
TO(-1) -0.001355 0.000236 0.000219 0.000587 0.281076 0.714630 (0.00122) (0.00013) (0.00076) (0.00105) (0.05546) (0.09139) [-1.10803] [ 1.83095] [ 0.28604] [ 0.55906] [ 5.06833] [ 7.81992]
TO(-2) -0.000960 0.000148 4.54E-06 -0.001369 -0.324136 0.029434 (0.00128) (0.00013) (0.00080) (0.00110) (0.05817) (0.09586) [-0.74864] [ 1.09397] [ 0.00567] [-1.24412] [-5.57226] [ 0.30707]
C 0.003390 0.004397 -0.000444 0.041704 0.514662 4.643522 (0.01609) (0.00169) (0.01006) (0.01381) (0.72978) (1.20258) [ 0.21070] [ 2.59762] [-0.04417] [ 3.02060] [ 0.70523] [ 3.86131]
291
DLOG(RI) 0.367319 0.004412 0.156023 -0.006121 -15.62132 -16.66491 (0.10483) (0.01103) (0.06554) (0.08996) (4.75498) (7.83554) [ 3.50397] [ 0.39997] [ 2.38044] [-0.06804] [-3.28525] [-2.12684]
DLOG(GRGC) 0.148018 -0.000589 0.033021 0.015731 0.443293 0.710518 (0.02092) (0.00220) (0.01308) (0.01796) (0.94910) (1.56398) [ 7.07407] [-0.26771] [ 2.52406] [ 0.87613] [ 0.46707] [ 0.45430]
DLOG(TCN_MER) 0.078938 0.002080 0.043792 -0.061252 6.772665 11.11114 (0.08516) (0.00896) (0.05324) (0.07308) (3.86261) (6.36503) [ 0.92699] [ 0.23220] [ 0.82250] [-0.83821] [ 1.75339] [ 1.74566]
D(EN_OMA) -4.23E-10 4.41E-10 -1.92E-09 2.49E-09 5.34E-08 3.31E-07 (1.5E-09) (1.6E-10) (9.3E-10) (1.3E-09) (6.7E-08) (1.1E-07) [-0.28542] [ 2.82843] [-2.06530] [ 1.95828] [ 0.79435] [ 2.98413]
DU0402 -0.023662 -0.004881 -0.057354 0.018184 -1.780826 0.462342 (0.03081) (0.00324) (0.01926) (0.02644) (1.39732) (2.30258) [-0.76810] [-1.50579] [-2.97775] [ 0.68786] [-1.27446] [ 0.20079]
DUM03 0.016812 0.010743 0.071785 0.017518 1.129122 -2.590173 (0.03302) (0.00347) (0.02065) (0.02834) (1.49780) (2.46817) [ 0.50912] [ 3.09203] [ 3.47694] [ 0.61820] [ 0.75385] [-1.04943]
DU08 -0.192419 0.011953 -0.010448 -0.047871 1.517640 5.188477 (0.07539) (0.00793) (0.04714) (0.06470) (3.41976) (5.63528) [-2.55222] [ 1.50686] [-0.22165] [-0.73992] [ 0.44379] [ 0.92071] R-squared 0.534199 0.551290 0.339100 0.323924 0.320464 0.698828
Adj. R-squared 0.473163 0.492493 0.252499 0.235335 0.231421 0.659365 Sum sq. resids 0.719803 0.007968 0.281393 0.530062 1480.971 4021.483 S.E. equation 0.070457 0.007413 0.044053 0.060462 3.195872 5.266343 F-statistic 8.752183 9.376230 3.915668 3.656472 3.598995 17.70806 Log likelihood 214.2398 585.7771 291.7259 239.4835 -415.1718 -497.5854 Akaike AIC -2.354422 -6.857904 -3.293647 -2.660406 5.274809 6.273762 Schwarz SC -1.977944 -6.481426 -2.917169 -2.283927 5.651288 6.650240 Mean dependent 0.002076 0.018410 0.002327 0.022386 -0.122667 10.04915 S.D. dependent 0.097070 0.010406 0.050953 0.069142 3.645400 9.023276
Determinant resid covariance (dof adj.) 2.99E-10
Determinant resid covariance 1.38E-10 Log likelihood 468.4150 Akaike information criterion -4.223212 Schwarz criterion -1.964343
Gráfico de los residuos del modelo.
-.4
-.3
-.2
-.1
.0
.1
.2
1998 2000 2002 2004 2006 2008 2010
D(LPIB) Residuals
-.02
-.01
.00
.01
.02
.03
.04
1998 2000 2002 2004 2006 2008 2010
DLOG(NI) Residuals
-.3
-.2
-.1
.0
.1
.2
1998 2000 2002 2004 2006 2008 2010
D(LVAB_COM_SA) Residuals
-.2
-.1
.0
.1
.2
1998 2000 2002 2004 2006 2008 2010
DLOG(C_COM) Residuals
-15
-10
-5
0
5
10
15
1998 2000 2002 2004 2006 2008 2010
D(TA) Residuals
-20
-10
0
10
20
1998 2000 2002 2004 2006 2008 2010
TO Residuals
292
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo. Roots of Characteristic Polynomial Endogenous variables: D(LPIB) DLOG(NI) D(LVAB_COM_SA) DLOG(C_COM) D(TA) TO Exogenous variables: C DLOG(RI) DLOG(GRGC) DLOG(TCN_MER) D(EN_OMA) DU0402 DUM03 DU08 Lag specification: 1 2 Date: 20/07/13 Time: 22:14
Root Modulus 0.643613 - 0.189139i 0.670829
0.643613 + 0.189139i 0.670829 -0.178014 - 0.495987i 0.526965 -0.178014 + 0.495987i 0.526965 -0.500486 - 0.161089i 0.525772 -0.500486 + 0.161089i 0.525772 0.178535 - 0.467729i 0.500645 0.178535 + 0.467729i 0.500645 -0.175889 - 0.450153i 0.483295 -0.175889 + 0.450153i 0.483295 0.395881 0.395881 -0.180616 0.180616
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 20/07/13 Time: 22:15 Sample: 1998M01 2011M12 Included observations: 165
Dependent variable: D(LPIB) Excluded Chi-sq df Prob. DLOG(NI) 3.792153 2 0.1502
D(LVAB_COM_SA) 0.862867 2 0.6496 DLOG(C_COM) 0.693855 2 0.7069
D(TA) 0.902963 2 0.6367 TO 4.106399 2 0.1283
All 7.518038 10 0.6758
Dependent variable: DLOG(NI) Excluded Chi-sq df Prob. D(LPIB) 1.881386 2 0.3904
D(LVAB_COM_SA) 19.71348 2 0.0001 DLOG(C_COM) 0.003548 2 0.9982
D(TA) 4.455135 2 0.1078 TO 10.26161 2 0.0059
All 66.33126 10 0.0000
Dependent variable: D(LVAB_COM_SA)
293
Excluded Chi-sq df Prob. D(LPIB) 0.036495 2 0.9819
DLOG(NI) 1.438858 2 0.4870 DLOG(C_COM) 1.289521 2 0.5248
D(TA) 7.756880 2 0.0207 TO 0.125289 2 0.9393
All 11.43721 10 0.3245
Dependent variable: DLOG(C_COM) Excluded Chi-sq df Prob. D(LPIB) 0.921554 2 0.6308
DLOG(NI) 8.248905 2 0.0162 D(LVAB_COM_SA) 0.512242 2 0.7740
D(TA) 25.88165 2 0.0000 TO 1.584999 2 0.4527
All 50.76984 10 0.0000
Dependent variable: D(TA) Excluded Chi-sq df Prob. D(LPIB) 1.971920 2 0.3731
DLOG(NI) 1.985446 2 0.3706 D(LVAB_COM_SA) 3.453329 2 0.1779
DLOG(C_COM) 0.874532 2 0.6458 TO 36.21953 2 0.0000
All 39.01091 10 0.0000
Dependent variable: TO Excluded Chi-sq df Prob. D(LPIB) 1.747221 2 0.4174
DLOG(NI) 2.713334 2 0.2575 D(LVAB_COM_SA) 1.956132 2 0.3760
DLOG(C_COM) 1.183883 2 0.5533 D(TA) 0.096217 2 0.9530
All 6.961912 10 0.7290
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 20/07/13 Time: 22:16 Sample: 1998M01 2011M12 Included observations: 165
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values D(LPIB) DLOG(NI) D(LVAB_COM_SA) DLOG(C_COM) D(TA) TO Joint Lag 1 43.30330 57.87150 26.22064 31.43122 28.40657 94.90807 274.5700 [ 1.02e-07] [ 1.22e-10] [ 0.000203] [ 2.10e-05] [ 7.88e-05] [ 0.000000] [ 0.000000]
Lag 2 24.74967 37.97150 13.32522 14.65840 35.42011 5.617766 142.3516 [ 0.000380] [ 1.14e-06] [ 0.038152] [ 0.023087] [ 3.57e-06] [ 0.467339] [ 1.39e-14] df 6 6 6 6 6 6 36
294
Orden de los rezagos.
VAR Lag Order Selection Criteria Endogenous variables: D(LPIB) DLOG(NI) D(LVAB_COM_SA) DLOG(C_COM) D(TA) TO Exogenous variables: C DLOG(RI) DLOG(GRGC) DLOG(TCN_MER) D(EN_OMA) DU0402 DUM03 DU08 Date: 20/07/13 Time: 22:17 Sample: 1998M01 2011M12 Included observations: 159
Lag LogL LR FPE AIC SC HQ 0 287.1569 NA 1.99e-09 -3.008262 -2.081801 -2.632036
1 422.5094 246.8694 5.72e-10 -4.257980 -2.636672* -3.599584 2 488.7942 115.8942 3.93e-10* -4.638921* -2.322767 -3.698356* 3 513.2752 40.95557 4.58e-10 -4.494028 -1.483027 -3.271292 4 546.5123 53.09571* 4.82e-10 -4.459274 -0.753427 -2.954369 5 566.7850 30.85536 6.01e-10 -4.261447 0.139246 -2.474372 6 600.2373 48.39011 6.41e-10 -4.229400 0.866139 -2.160156 7 632.4553 44.17314 7.02e-10 -4.181828 1.608557 -1.830414 8 665.9280 43.36718 7.67e-10 -4.150038 2.335193 -1.516455 * 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
Prueba de correlación serial de los errores. VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 20/07/13 Time: 22:18 Sample: 1998M01 2011M12 Included observations: 165
Lags LM-Stat Prob 1 41.86940 0.2312
2 50.66955 0.0533 3 34.14824 0.5569 4 49.27847 0.0692 5 39.52622 0.3153 6 57.37893 0.0132 7 38.32733 0.3644 8 37.38307 0.4054 9 42.71911 0.2047
10 49.20503 0.0701 11 22.56013 0.9606 12 90.98604 0.0000
Probs from chi-square with 36 df.
295
Prueba de normalidad multivariada de los residuos.
VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 20/07/13 Time: 22:19 Sample: 1998M01 2011M12 Included observations: 165
Component Skewness Chi-sq df Prob.
1 -0.515298 7.571736 1 0.0059
2 0.696995 13.85281 1 0.0002 3 0.081576 0.189757 1 0.6631 4 0.091581 0.239162 1 0.6248 5 0.418190 4.986851 1 0.0255 6 0.196326 1.099091 1 0.2945 Joint 27.93941 6 0.0001 Component Kurtosis Chi-sq df Prob. 1 4.561371 19.20732 1 0.0000
2 4.031479 8.578524 1 0.0034 3 3.063013 0.074000 1 0.7856 4 2.501031 1.612167 1 0.2042 5 6.326345 85.09391 1 0.0000 6 3.218039 0.486265 1 0.4856 Joint 115.0522 6 0.0000 Component Jarque-Bera df Prob.
1 26.77906 2 0.0000
2 22.43133 2 0.0000 3 0.263757 2 0.8764 4 1.851329 2 0.3963 5 90.08076 2 0.0000 6 1.585355 2 0.4526
Joint 663.4392 182 0.0000 Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 20/07/13 Time: 22:20 Sample: 1998M01 2011M12 Included observations: 165
Joint test:
Chi-sq df Prob. 1065.665 735 0.0000
296
Anexo 5.8. Modelo 8. LS 1 2 D(LPIB) DLOG(IPC_N) D(LVAB_CON_SA) DLOG(CR_CON) D(TA) TO @ C
DLOG(RI) DLOG(GGC) DLOG(Q_M) D(EN_OMA) DU0402 DUM03 DU08
Salida del modelo.
Vector Autoregression Estimates Date: 13/05/13 Time: 12:10 Sample (adjusted): 1998M04 2011M12 Included observations: 165 after adjustments Standard errors in ( ) & t-statistics in [ ]
D(LPIB) DLOG(IPC_N) D(LVAB_CON_SA) DLOG(CR_CON) D(TA) TO D(LPIB(-1)) -0.373838 0.004438 0.027107 -0.059382 -2.546392 2.911229 (0.06187) (0.00700) (0.09052) (0.06010) (2.82879) (4.74966) [-6.04277] [ 0.63415] [ 0.29945] [-0.98803] [-0.90017] [ 0.61293]
D(LPIB(-2)) -0.276107 0.002153 0.163577 0.052753 -0.486166 -2.247484 (0.06301) (0.00713) (0.09219) (0.06121) (2.88102) (4.83735) [-4.38212] [ 0.30211] [ 1.77431] [ 0.86182] [-0.16875] [-0.46461]
DLOG(IPC_N(-1)) 0.459224 0.291247 0.642534 -1.054381 -19.49851 19.35994 (0.75182) (0.08505) (1.10006) (0.73039) (34.3769) (57.7203) [ 0.61082] [ 3.42443] [ 0.58409] [-1.44358] [-0.56720] [ 0.33541]
DLOG(IPC_N(-2)) -0.153735 -0.051965 1.137872 -0.452894 57.00847 -44.24540 (0.75981) (0.08595) (1.11174) (0.73815) (34.7421) (58.3335) [-0.20233] [-0.60458] [ 1.02350] [-0.61355] [ 1.64090] [-0.75849]
D(LVAB_CON_SA(-1)) -0.037173 0.003850 -0.315910 -0.039473 2.305050 -0.250244 (0.05429) (0.00614) (0.07944) (0.05274) (2.48245) (4.16815) [-0.68470] [ 0.62687] [-3.97681] [-0.74840] [ 0.92854] [-0.06004]
D(LVAB_CON_SA(-2)) -0.051067 0.000656 -0.327920 -0.053802 -1.873521 2.808416 (0.05325) (0.00602) (0.07792) (0.05174) (2.43502) (4.08851) [-0.95894] [ 0.10894] [-4.20840] [-1.03994] [-0.76941] [ 0.68690]
DLOG(CR_CON(-1)) -0.063850 -0.007121 0.326486 -0.355516 3.072209 3.008195 (0.08262) (0.00935) (0.12088) (0.08026) (3.77759) (6.34273) [-0.77286] [-0.76195] [ 2.70086] [-4.42951] [ 0.81327] [ 0.47427]
DLOG(CR_CON(-2)) -0.209120 -0.018374 0.049901 -0.173685 4.667660 -2.420347 (0.08369) (0.00947) (0.12245) (0.08130) (3.82657) (6.42498) [-2.49884] [-1.94085] [ 0.40752] [-2.13630] [ 1.21980] [-0.37671]
D(TA(-1)) 0.000595 0.000103 0.010402 -0.001500 -0.157627 0.018845 (0.00181) (0.00021) (0.00265) (0.00176) (0.08293) (0.13924) [ 0.32813] [ 0.50112] [ 3.91985] [-0.85106] [-1.90074] [ 0.13534]
D(TA(-2)) 0.001137 -0.000264 0.004664 0.002697 0.247079 0.072413 (0.00168) (0.00019) (0.00246) (0.00163) (0.07688) (0.12908) [ 0.67613] [-1.38545] [ 1.89587] [ 1.65095] [ 3.21396] [ 0.56100]
TO(-1) -0.001381 0.000299 -0.005980 -0.000738 0.249179 0.764230 (0.00115) (0.00013) (0.00169) (0.00112) (0.05266) (0.08842) [-1.19949] [ 2.29213] [-3.54899] [-0.65936] [ 4.73187] [ 8.64339]
TO(-2) -0.000298 -1.19E-05 0.000343 -0.002665 -0.282244 -0.036334 (0.00119) (0.00013) (0.00174) (0.00115) (0.05426) (0.09111) [-0.25085] [-0.08840] [ 0.19779] [-2.31167] [-5.20130] [-0.39879]
C 0.013489 0.007519 0.037636 0.070535 0.107890 4.598717 (0.01861) (0.00211) (0.02724) (0.01808) (0.85110) (1.42904) [ 0.72467] [ 3.57067] [ 1.38187] [ 3.90060] [ 0.12677] [ 3.21805]
297
DLOG(RI) 0.343908 -0.001571 -0.244470 0.116508 -15.39685 -16.80688 (0.10402) (0.01177) (0.15220) (0.10105) (4.75625) (7.98595) [ 3.30621] [-0.13347] [-1.60625] [ 1.15293] [-3.23718] [-2.10456]
DLOG(GGC) 0.147908 -0.002655 0.029522 0.011852 0.438372 0.783886 (0.02043) (0.00231) (0.02990) (0.01985) (0.93426) (1.56867) [ 7.23897] [-1.14868] [ 0.98748] [ 0.59709] [ 0.46922] [ 0.49972]
DLOG(Q_M) 0.047287 -0.010962 0.149136 -0.188603 6.493659 10.17758 (0.07865) (0.00890) (0.11508) (0.07641) (3.59625) (6.03826) [ 0.60123] [-1.23206] [ 1.29594] [-2.46837] [ 1.80567] [ 1.68551]
D(EN_OMA) -3.91E-11 1.38E-10 -1.28E-09 -3.99E-10 6.06E-08 3.22E-07 (1.5E-09) (1.6E-10) (2.1E-09) (1.4E-09) (6.6E-08) (1.1E-07) [-0.02694] [ 0.84062] [-0.60125] [-0.28270] [ 0.91275] [ 2.89220]
DU0402 -0.033472 0.000733 0.072151 0.018351 -2.087247 0.905243 (0.03160) (0.00357) (0.04623) (0.03070) (1.44476) (2.42581) [-1.05936] [ 0.20495] [ 1.56062] [ 0.59782] [-1.44471] [ 0.37317]
DUM03 0.038026 0.003458 -0.093260 -0.012558 1.451365 -3.225239 (0.03251) (0.00368) (0.04757) (0.03158) (1.48657) (2.49601) [ 1.16962] [ 0.94015] [-1.96047] [-0.39759] [ 0.97632] [-1.29216]
DU08 -0.187395 0.008824 -0.035263 -0.002311 0.546303 4.408138 (0.07316) (0.00828) (0.10705) (0.07107) (3.34523) (5.61678) [-2.56145] [ 1.06617] [-0.32942] [-0.03251] [ 0.16331] [ 0.78482] R-squared 0.544406 0.291693 0.271522 0.272643 0.324598 0.689224
Adj. R-squared 0.484708 0.198881 0.176066 0.177334 0.236097 0.648501 Sum sq. resids 0.704029 0.009010 1.507275 0.664468 1471.961 4149.732 S.E. equation 0.069680 0.007883 0.101956 0.067694 3.186135 5.349658 F-statistic 9.119266 3.142818 2.844479 2.860628 3.667741 16.92493 Log likelihood 216.0679 575.6456 153.2656 220.8390 -414.6683 -500.1753 Akaike AIC -2.376580 -6.735098 -1.615341 -2.434412 5.268707 6.305155 Schwarz SC -2.000102 -6.358620 -1.238862 -2.057934 5.645185 6.681633 Mean dependent 0.002076 0.017027 0.003041 0.009923 -0.122667 10.04915 S.D. dependent 0.097070 0.008807 0.112322 0.074635 3.645400 9.023276
Determinant resid covariance (dof adj.) 2.68E-09
Determinant resid covariance 1.23E-09 Log likelihood 287.5788 Akaike information criterion -2.031259 Schwarz criterion 0.227611
Gráfico de los residuos del modelo.
-.4
-.3
-.2
-.1
.0
.1
.2
1998 2000 2002 2004 2006 2008 2010
D(LPIB) Residuals
-.03
-.02
-.01
.00
.01
.02
.03
.04
1998 2000 2002 2004 2006 2008 2010
DLOG(IPC_N) Residuals
-.3
-.2
-.1
.0
.1
.2
.3
1998 2000 2002 2004 2006 2008 2010
D(LVAB_CON_SA) Residuals
-.2
-.1
.0
.1
.2
1998 2000 2002 2004 2006 2008 2010
DLOG(CR_CON) Residuals
-15
-10
-5
0
5
10
15
1998 2000 2002 2004 2006 2008 2010
D(TA) Residuals
-20
-10
0
10
20
1998 2000 2002 2004 2006 2008 2010
TO Residuals
298
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: D(LPIB) DLOG(IPC_N) D(LVAB_CON_SA) DLOG(CR_CON) D(TA) TO Exogenous variables: C DLOG(RI) DLOG(GGC) DLOG(Q_M) D(EN_OMA) DU0402 DUM03 DU08 Lag specification: 1 2 Date: 20/07/13 Time: 22:32
Root Modulus 0.612754 - 0.129220i 0.626231
0.612754 + 0.129220i 0.626231 -0.303755 - 0.507928i 0.591826 -0.303755 + 0.507928i 0.591826 -0.056675 - 0.571387i 0.574191 -0.056675 + 0.571387i 0.574191 -0.542768 0.542768 -0.083782 - 0.450719i 0.458440 -0.083782 + 0.450719i 0.458440 0.339186 0.339186 -0.330730 0.330730 0.049812 0.049812
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 20/07/13 Time: 22:33 Sample: 1998M01 2011M12 Included observations: 165
Dependent variable: D(LPIB) Excluded Chi-sq df Prob. DLOG(IPC_N) 0.374582 2 0.8292
D(LVAB_CON_SA) 1.137050 2 0.5664 DLOG(CR_CON) 6.254542 2 0.0438
D(TA) 0.501547 2 0.7782 TO 3.003881 2 0.2227
All 11.06888 10 0.3522 Dependent variable: DLOG(IPC_N) Excluded Chi-sq df Prob. D(LPIB) 0.426620 2 0.8079
D(LVAB_CON_SA) 0.394922 2 0.8208 DLOG(CR_CON) 3.827877 2 0.1475
D(TA) 2.498437 2 0.2867 TO 8.047110 2 0.0179
All 16.89964 10 0.0766 Dependent variable: D(LVAB_CON_SA) Excluded Chi-sq df Prob. D(LPIB) 3.163564 2 0.2056
299
DLOG(IPC_N) 1.847335 2 0.3971 DLOG(CR_CON) 7.406479 2 0.0246
D(TA) 16.84161 2 0.0002 TO 18.89825 2 0.0001
All 35.36464 10 0.0001 Dependent variable: DLOG(CR_CON) Excluded Chi-sq df Prob. D(LPIB) 2.248054 2 0.3250
DLOG(IPC_N) 3.171654 2 0.2048 D(LVAB_CON_SA) 1.343397 2 0.5108
D(TA) 4.082326 2 0.1299 TO 12.28139 2 0.0022
All 28.08921 10 0.0017 Dependent variable: D(TA) Excluded Chi-sq df Prob. D(LPIB) 0.812390 2 0.6662
DLOG(IPC_N) 2.708976 2 0.2581 D(LVAB_CON_SA) 1.912350 2 0.3844 DLOG(CR_CON) 1.740409 2 0.4189
TO 30.85065 2 0.0000 All 40.34671 10 0.0000 Dependent variable: TO Excluded Chi-sq df Prob. D(LPIB) 0.769503 2 0.6806
DLOG(IPC_N) 0.593607 2 0.7432 D(LVAB_CON_SA) 0.526282 2 0.7686 DLOG(CR_CON) 0.499820 2 0.7789
D(TA) 0.315989 2 0.8539 All 2.948328 10 0.9826
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 20/07/13 Time: 22:36 Sample: 1998M01 2011M12 Included observations: 165
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values D(LPIB) DLOG(IPC_N) D(LVAB_CON_SA) DLOG(CR_CON) D(TA) TO Joint Lag 1 42.73695 23.98607 38.77183 24.27363 25.36200 94.29829 235.2454 [ 1.31e-07] [ 0.000525] [ 7.93e-07] [ 0.000465] [ 0.000293] [ 0.000000] [ 0.000000]
Lag 2 31.65337 5.579600 22.80697 11.92218 31.86282 2.106049 122.1173 [ 1.90e-05] [ 0.471889] [ 0.000864] [ 0.063728] [ 1.73e-05] [ 0.909691] [ 2.68e-11] df 6 6 6 6 6 6 36
300
Orden de los rezagos.
VAR Lag Order Selection Criteria Endogenous variables: D(LPIB) DLOG(IPC_N) D(LVAB_CON_SA) DLOG(CR_CON) D(TA) TO Exogenous variables: C DLOG(RI) DLOG(GGC) DLOG(Q_M) D(EN_OMA) DU0402 DUM03 DU08 Date: 20/07/13 Time: 22:37 Sample: 1998M01 2011M12 Included observations: 159
Lag LogL LR FPE AIC SC HQ 0 132.8902 NA 1.39e-08 -1.067801 -0.141340 -0.691575
1 256.2513 224.9982 4.63e-09 -2.166683 -0.545375* -1.508287* 2 313.2178 99.60182 3.57e-09 -2.430412 -0.114258 -1.489847 3 349.5155 60.72445 3.60e-09 -2.434157 0.576843 -1.211422 4 388.5605 62.37383* 3.51e-09* -2.472459* 1.233387 -0.967555 5 419.3820 46.91067 3.84e-09 -2.407321 1.993372 -0.620246 6 438.0253 26.96824 4.93e-09 -2.188997 2.906542 -0.119753 7 471.9055 46.45214 5.29e-09 -2.162333 3.628052 0.189081 8 500.8752 37.53313 6.12e-09 -2.073902 4.411329 0.559681 * 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
Prueba de correlación serial de los errores.
VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 20/07/13 Time: 22:38 Sample: 1998M01 2011M12 Included observations: 165
Lags LM-Stat Prob 1 49.36290 0.0681
2 40.78944 0.2679 3 37.20061 0.4136 4 45.61359 0.1308 5 63.65624 0.0030 6 39.65291 0.3104 7 27.80934 0.8339 8 36.61146 0.4403 9 31.18388 0.6969
10 48.51062 0.0795 11 35.34032 0.4998 12 88.66809 0.0000
Probs from chi-square with 36 df.
301
Prueba de normalidad multivariada de los residuos.
VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 20/07/13 Time: 22:39 Sample: 1998M01 2011M12 Included observations: 165
Component Skewness Chi-sq df Prob. 1 -0.532525 8.086455 1 0.0045
2 0.354940 3.592422 1 0.0580 3 -0.214108 1.307212 1 0.2529 4 -0.081535 0.189568 1 0.6633 5 0.245501 1.718641 1 0.1899 6 0.175787 0.881154 1 0.3479 Joint 15.77545 6 0.0150 Component Kurtosis Chi-sq df Prob. 1 4.974806 30.43541 1 0.0000
2 4.397885 15.47722 1 0.0001 3 2.655412 0.716023 1 0.3975 4 2.798297 0.206290 1 0.6497 5 7.241200 137.6972 1 0.0000 6 3.294980 0.825199 1 0.3637 Joint 185.3573 6 0.0000 Component Jarque-Bera df Prob.
1 38.52187 2 0.0000
2 19.06964 2 0.0001 3 2.023234 2 0.3636 4 0.395858 2 0.8204 5 139.4158 2 0.0000 6 1.706353 2 0.4261
Joint 581.8888 182 0.0000
Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 20/07/13 Time: 22:39 Sample: 1998M01 2011M12 Included observations: 165
Joint test:
Chi-sq df Prob. 967.1805 735 0.0000
302
Anexo 5.9. Modelo 9. LS 1 2 LPIB LOG(D12_IPC) LVAB_ANP_SA LCRE_T TA TPM_A TO @ C ISP_DB
LRBE LOG(TCN_NO) INVD_DB_RIN DU09
Salida del modelo.
Vector Autoregression Estimates Date: 03/06/13 Time: 20:45 Sample (adjusted): 2004M03 2011M12 Included observations: 94 after adjustments Standard errors in ( ) & t-statistics in [ ]
LPIB LOG(D12_IPC) LVAB_ANP_SA LCRE_T TA TPM_A TO LPIB(-1) 0.131171 0.041360 0.043492 0.097537 -0.395109 0.952690 11.28631 (0.12269) (0.10921) (0.04726) (0.05399) (1.45582) (0.65558) (7.09045) [ 1.06916] [ 0.37871] [ 0.92036] [ 1.80654] [-0.27140] [ 1.45320] [ 1.59176]
LPIB(-2) -0.285326 0.062859 -0.079010 -0.159476 2.668321 0.181156 -1.208094 (0.10829) (0.09640) (0.04171) (0.04766) (1.28499) (0.57865) (6.25841) [-2.63484] [ 0.65209] [-1.89427] [-3.34646] [ 2.07653] [ 0.31307] [-0.19304]
LOG(D12_IPC(-1)) -0.071085 1.044425 -0.013096 -0.040727 1.022089 0.439872 -9.813347 (0.12179) (0.10841) (0.04691) (0.05359) (1.44513) (0.65077) (7.03838) [-0.58369] [ 9.63413] [-0.27918] [-0.75990] [ 0.70726] [ 0.67593] [-1.39426]
LOG(D12_IPC(-2)) 0.024262 -0.293554 -0.037791 0.031569 -1.276504 -0.048007 13.13401 (0.11171) (0.09944) (0.04303) (0.04916) (1.32559) (0.59693) (6.45615) [ 0.21718] [-2.95204] [-0.87829] [ 0.64215] [-0.96297] [-0.08042] [ 2.03434]
LVAB_ANP_SA(-1) 0.014742 0.441065 0.034869 0.105533 6.928362 3.042137 7.098555 (0.30440) (0.27096) (0.11724) (0.13396) (3.61202) (1.62656) (17.5920) [ 0.04843] [ 1.62778] [ 0.29740] [ 0.78782] [ 1.91814] [ 1.87029] [ 0.40351]
LVAB_ANP_SA(-2) 0.267932 -0.114068 0.236681 0.235254 -0.374197 0.423164 6.660275 (0.31372) (0.27926) (0.12083) (0.13806) (3.72262) (1.67636) (18.1307) [ 0.85406] [-0.40847] [ 1.95872] [ 1.70404] [-0.10052] [ 0.25243] [ 0.36735]
LCRE_T(-1) 0.333245 -0.031982 0.096617 1.000535 2.021389 -0.031283 -3.900303 (0.28849) (0.25680) (0.11112) (0.12695) (3.42323) (1.54154) (16.6725) [ 1.15515] [-0.12454] [ 0.86951] [ 7.88108] [ 0.59049] [-0.02029] [-0.23394]
LCRE_T(-2) -0.190858 -0.074571 0.037367 -0.075056 -3.402540 -0.886822 1.880047 (0.27229) (0.24238) (0.10488) (0.11983) (3.23108) (1.45501) (15.7367) [-0.70093] [-0.30766] [ 0.35629] [-0.62636] [-1.05307] [-0.60949] [ 0.11947]
TA(-1) 0.007766 0.014664 -0.000167 0.002783 0.688333 0.045695 0.607311 (0.00974) (0.00867) (0.00375) (0.00429) (0.11562) (0.05207) (0.56312) [ 0.79698] [ 1.69064] [-0.04449] [ 0.64906] [ 5.95340] [ 0.87764] [ 1.07848]
TA(-2) -0.003878 0.011676 0.002711 -0.003206 0.226522 -0.028430 -0.889724 (0.00992) (0.00883) (0.00382) (0.00437) (0.11773) (0.05302) (0.57340) [-0.39088] [ 1.32200] [ 0.70936] [-0.73425] [ 1.92404] [-0.53625] [-1.55165]
TPM_A(-1) -0.020474 0.006647 -0.002929 -0.003567 0.044998 0.986574 0.825884 (0.01238) (0.01102) (0.00477) (0.00545) (0.14696) (0.06618) (0.71575) [-1.65314] [ 0.60293] [-0.61408] [-0.65444] [ 0.30619] [ 14.9078] [ 1.15387]
TPM_A(-2) 0.026722 -0.014421 0.006712 0.003833 0.025838 -0.075088 -0.540848 (0.01263) (0.01125) (0.00487) (0.00556) (0.14991) (0.06751) (0.73014) [ 2.11509] [-1.28232] [ 1.37939] [ 0.68948] [ 0.17235] [-1.11227] [-0.74074]
TO(-1) -0.000288 -0.002125 6.88E-05 -0.000570 0.019955 -0.002661 0.569790 (0.00202) (0.00180) (0.00078) (0.00089) (0.02398) (0.01080) (0.11681) [-0.14261] [-1.18091] [ 0.08840] [-0.64033] [ 0.83201] [-0.24640] [ 4.87773]
303
TO(-2) -0.003733 -8.68E-05 -0.000446 -0.000461 0.010006 0.017474 -0.086443 (0.00206) (0.00183) (0.00079) (0.00091) (0.02444) (0.01100) (0.11902) [-1.81285] [-0.04734] [-0.56168] [-0.50849] [ 0.40946] [ 1.58789] [-0.72628]
C 11.27189 -4.537609 9.284717 -2.890228 -110.0314 -54.21444 -313.0771 (5.16229) (4.59526) (1.98836) (2.27177) (61.2566) (27.5849) (298.345) [ 2.18351] [-0.98745] [ 4.66955] [-1.27224] [-1.79624] [-1.96537] [-1.04938]
ISP_DB 3.79E-09 3.47E-10 -4.67E-10 3.10E-10 -2.26E-08 1.88E-10 1.41E-08 (1.3E-09) (1.2E-09) (5.0E-10) (5.8E-10) (1.6E-08) (7.0E-09) (7.6E-08) [ 2.90013] [ 0.29847] [-0.92714] [ 0.53912] [-1.45713] [ 0.02694] [ 0.18604]
LRBE -0.030456 0.014139 -0.008328 0.005935 0.124396 0.058605 -1.379937 (0.01525) (0.01357) (0.00587) (0.00671) (0.18091) (0.08147) (0.88110) [-1.99768] [ 1.04185] [-1.41820] [ 0.88465] [ 0.68762] [ 0.71937] [-1.56615]
LOG(TCN_NO) -0.009521 0.088017 -0.033499 0.022614 0.667766 -0.231771 3.715784 (0.05513) (0.04908) (0.02124) (0.02426) (0.65423) (0.29461) (3.18636) [-0.17268] [ 1.79341] [-1.57746] [ 0.93204] [ 1.02069] [-0.78670] [ 1.16615]
INVD_DB_RIN -0.588141 -0.109616 -0.507547 -0.267754 -6.767484 -1.991970 10.70044 (0.43693) (0.38894) (0.16829) (0.19228) (5.18474) (2.33478) (25.2518) [-1.34606] [-0.28183] [-3.01584] [-1.39251] [-1.30527] [-0.85317] [ 0.42375]
DU09 -0.124529 0.002631 -0.007872 -0.040502 -0.981250 -4.979010 1.457834 (0.07777) (0.06923) (0.02996) (0.03423) (0.92288) (0.41559) (4.49481) [-1.60116] [ 0.03801] [-0.26279] [-1.18336] [-1.06325] [-11.9806] [ 0.32434] R-squared 0.810383 0.973374 0.969758 0.999149 0.938848 0.986587 0.610120
Adj. R-squared 0.761697 0.966538 0.961993 0.998931 0.923147 0.983143 0.510015 Sum sq. resids 0.301857 0.239187 0.044782 0.058458 42.50336 8.619064 1008.216 S.E. equation 0.063868 0.056853 0.024600 0.028106 0.757872 0.341283 3.691143 F-statistic 16.64523 142.3813 124.8905 4574.605 59.79503 286.4803 6.094831 Log likelihood 136.4513 147.3886 226.1341 213.6085 -96.07578 -21.08226 -244.8944 Akaike AIC -2.477687 -2.710396 -4.385832 -4.119330 2.469697 0.874091 5.636052 Schwarz SC -1.936561 -2.169269 -3.844705 -3.578204 3.010824 1.415217 6.177178 Mean dependent 15.30040 3.102260 15.02194 18.14716 17.88798 9.547928 6.659681 S.D. dependent 0.130834 0.310796 0.126184 0.859614 2.733795 2.628628 5.273144
Determinant resid covariance (dof adj.) 3.02E-12
Determinant resid covariance 5.65E-13 Log likelihood 391.7893 Akaike information criterion -5.357219 Schwarz criterion -1.569333
Gráfico de los residuos del modelo.
-.2
-.1
.0
.1
.2
04 05 06 07 08 09 10 11
LPIB Residuals
-.15
-.10
-.05
.00
.05
.10
.15
04 05 06 07 08 09 10 11
LOG(D12_IPC) Residuals
-.06
-.04
-.02
.00
.02
.04
.06
04 05 06 07 08 09 10 11
LVAB_ANP_SA Residuals
-.08
-.04
.00
.04
.08
.12
04 05 06 07 08 09 10 11
LCRE_T Residuals
-2
-1
0
1
2
3
04 05 06 07 08 09 10 11
TA Residuals
-1.5
-1.0
-0.5
0.0
0.5
1.0
04 05 06 07 08 09 10 11
TPM_A Residuals
-8
-4
0
4
8
12
04 05 06 07 08 09 10 11
TO Residuals
304
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo. Roots of Characteristic Polynomial Endogenous variables: LPIB LOG(D12_IPC) LVAB_ANP_SA LCRE_T TA TPM_A TO Exogenous variables: C ISP_DB LRBE LOG(TCN_NO) INVD_DB_RIN DU09 Lag specification: 1 2 Date: 20/07/13 Time: 22:52
Root Modulus 0.990359 0.990359
0.972569 0.972569 0.730829 - 0.146421i 0.745352 0.730829 + 0.146421i 0.745352 0.552589 0.552589 0.212710 - 0.357119i 0.415668 0.212710 + 0.357119i 0.415668 0.385084 - 0.147603i 0.412403 0.385084 + 0.147603i 0.412403 -0.398433 0.398433 0.027889 - 0.379519i 0.380542 0.027889 + 0.379519i 0.380542 -0.249899 0.249899 -0.124511 0.124511
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 20/07/13 Time: 22:53 Sample: 2004M01 2011M12 Included observations: 94
Dependent variable: LPIB Excluded Chi-sq df Prob. LOG(D12_IPC) 0.627996 2 0.7305
LVAB_ANP_SA 0.732196 2 0.6934 LCRE_T 3.094249 2 0.2129
TA 0.696685 2 0.7059 TPM_A 4.486488 2 0.1061
TO 4.932789 2 0.0849 All 54.45377 12 0.0000
Dependent variable: LOG(D12_IPC) Excluded Chi-sq df Prob. LPIB 0.633141 2 0.7286
LVAB_ANP_SA 2.809880 2 0.2454 LCRE_T 2.011645 2 0.3657
TA 15.67102 2 0.0004 TPM_A 2.213296 2 0.3307
TO 2.006606 2 0.3667 All 22.89227 12 0.0287
305
Dependent variable: LVAB_ANP_SA Excluded Chi-sq df Prob. LPIB 4.091159 2 0.1293
LOG(D12_IPC) 4.633525 2 0.0986 LCRE_T 16.18008 2 0.0003
TA 0.927506 2 0.6289 TPM_A 2.660671 2 0.2644
TO 0.373980 2 0.8295 All 23.78487 12 0.0218
Dependent variable: LCRE_T Excluded Chi-sq df Prob. LPIB 13.25690 2 0.0013
LOG(D12_IPC) 0.577568 2 0.7492 LVAB_ANP_SA 3.538005 2 0.1705
TA 0.572118 2 0.7512 TPM_A 0.501432 2 0.7782
TO 1.392362 2 0.4985 All 25.44959 12 0.0128
Dependent variable: TA Excluded Chi-sq df Prob. LPIB 4.313223 2 0.1157
LOG(D12_IPC) 0.974431 2 0.6143 LVAB_ANP_SA 3.687514 2 0.1582
LCRE_T 2.985959 2 0.2247 TPM_A 0.616694 2 0.7347
TO 1.677934 2 0.4322 All 22.57960 12 0.0315
Dependent variable: TPM_A Excluded Chi-sq df Prob. LPIB 2.343888 2 0.3098
LOG(D12_IPC) 1.355262 2 0.5078 LVAB_ANP_SA 3.566566 2 0.1681
LCRE_T 4.342098 2 0.1141 TA 0.785353 2 0.6752 TO 2.994572 2 0.2237
All 15.58966 12 0.2108
Dependent variable: TO Excluded Chi-sq df Prob. LPIB 2.533843 2 0.2817
LOG(D12_IPC) 4.560436 2 0.1023 LVAB_ANP_SA 0.299266 2 0.8610
LCRE_T 0.172474 2 0.9174 TA 2.408656 2 0.2999
TPM_A 1.445963 2 0.4853 All 14.34746 12 0.2791
306
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 20/07/13 Time: 22:54 Sample: 2004M01 2011M12 Included observations: 94
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values LPIB LOG(D12_IPC) LVAB_ANP_SA LCRE_T TA TPM_A TO Joint Lag 1 6.737869 120.0940 4.497876 122.5374 49.71307 271.3813 42.27280 625.1339 [ 0.456674] [ 0.000000] [ 0.720973] [ 0.000000] [ 1.64e-08] [ 0.000000] [ 4.61e-07] [ 0.000000]
Lag 2 17.88045 12.85738 12.39907 15.06206 11.22888 5.439446 7.975754 73.48821 [ 0.012521] [ 0.075661] [ 0.088176] [ 0.035212] [ 0.128942] [ 0.606498] [ 0.334737] [ 0.013335] df 7 7 7 7 7 7 7 49
Orden de los rezagos.
VAR Lag Order Selection Criteria Endogenous variables: LPIB LOG(D12_IPC) LVAB_ANP_SA LCRE_T TA TPM_A TO Exogenous variables: C ISP_DB LRBE LOG(TCN_NO) INVD_DB_RIN DU09 Date: 20/07/13 Time: 22:58 Sample: 2004M01 2011M12 Included observations: 88
Lag LogL LR FPE AIC SC HQ 0 -210.9953 NA 7.42e-07 5.749893 6.932259 6.226239
1 332.1537 925.8221 9.98e-12* -5.480766 -2.918974* -4.448684* 2 373.3350 63.64391 1.24e-11 -5.303069 -1.361851 -3.715251 3 414.3600 56.87555 1.62e-11 -5.121819 0.198825 -2.978265 4 461.5787 57.95020 1.97e-11 -5.081334 1.618736 -2.382044 5 527.8089 70.74590* 1.71e-11 -5.472930 2.606567 -2.217903 6 570.5743 38.87762 2.89e-11 -5.331234 4.127689 -1.520471 7 630.8415 45.20043 4.02e-11 -5.587307 5.251041 -1.220809 8 706.7497 44.85481 5.30e-11 -6.198856* 6.018919 -1.276621 * 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
307
Prueba de correlación serial de los errores. VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 20/07/13 Time: 22:59 Sample: 2004M01 2011M12 Included observations: 94
Lags LM-Stat Prob 1 52.38558 0.3440
2 63.41045 0.0809 3 51.42132 0.3791 4 52.78214 0.3301 5 45.36126 0.6214 6 29.19031 0.9890 7 48.10131 0.5095 8 42.90589 0.7174 9 58.09141 0.1753
10 43.42796 0.6977 11 41.14679 0.7799 12 168.9568 0.0000
Probs from chi-square with 49 df.
Prueba de normalidad multivariada de los residuos.
VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 20/07/13 Time: 23:00 Sample: 2004M01 2011M12 Included observations: 94
Component Skewness Chi-sq df Prob. 1 -0.292758 1.430785 1 0.2316
2 -0.064878 0.070266 1 0.7909 3 0.129670 0.280697 1 0.5962 4 0.367596 2.255784 1 0.1331 5 0.384917 2.473384 1 0.1158 6 -1.025028 17.53993 1 0.0000 7 0.235077 0.922525 1 0.3368 Joint 24.97337 7 0.0008
Component Kurtosis Chi-sq df Prob. 1 2.038535 3.702846 1 0.0543
2 1.802482 5.904558 1 0.0151 3 1.597668 8.229245 1 0.0041 4 2.276771 1.999251 1 0.1574 5 2.457957 1.052321 1 0.3050 6 4.937382 18.36454 1 0.0000 7 1.938274 4.575528 1 0.0324 Joint 43.82829 7 0.0000
308
Component Jarque-Bera df Prob.
1 5.133631 2 0.0768
2 5.974825 2 0.0504 3 8.509942 2 0.0142 4 4.255035 2 0.1191 5 3.525705 2 0.1716 6 35.90447 2 0.0000 7 5.498054 2 0.0640
Joint 285.1547 294 0.6334
Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 20/07/13 Time: 23:02 Sample: 2004M01 2011M12 Included observations: 94
Joint test:
Chi-sq df Prob. 1121.960 1036 0.0319 Prueba de cointegración de Johansen. Date: 03/06/13 Time: 21:05 Sample (adjusted): 2004M04 2011M12 Included observations: 93 after adjustments Trend assumption: Linear deterministic trend Series: LPIB LOG(D12_IPC) LVAB_ANP_SA LCRE_T TA TPM_A TO Lags interval (in first differences): 1 to 2 Unrestricted Cointegration Rank Test (Trace) Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None * 0.419945 158.8520 125.6154 0.0001
At most 1 * 0.335496 108.2012 95.75366 0.0053 At most 2 * 0.285139 70.19073 69.81889 0.0467 At most 3 0.191634 38.97371 47.85613 0.2613 At most 4 0.116416 19.18889 29.79707 0.4794 At most 5 0.069096 7.678347 15.49471 0.5004 At most 6 0.010904 1.019666 3.841466 0.3126
Trace test indicates 3 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue) Hypothesized Max-Eigen 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None * 0.419945 50.65082 46.23142 0.0158
At most 1 0.335496 38.01044 40.07757 0.0839 At most 2 0.285139 31.21703 33.87687 0.1006
309
At most 3 0.191634 19.78481 27.58434 0.3562 At most 4 0.116416 11.51055 21.13162 0.5963 At most 5 0.069096 6.658681 14.26460 0.5303 At most 6 0.010904 1.019666 3.841466 0.3126
Max-eigenvalue 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
310
Anexo 5.10. Modelo 10. LS 1 2 LPIB_SA LOG(NI) LVAB_MAN_SA LC_M TA_I TPM_A @ C ISP_DB TO
LOG(TCN_NO) INVD_DB_RIN DUM09
Salida del modelo.
Vector Autoregression Estimates Date: 03/06/13 Time: 19:38 Sample (adjusted): 2004M03 2011M12 Included observations: 94 after adjustments Standard errors in ( ) & t-statistics in [ ]
LPIB_SA LOG(NI) LVAB_MAN_SA LC_M TA_I TPM_A LPIB_SA(-1) 0.577822 0.025216 0.448748 0.249791 9.713385 0.005635 (0.15121) (0.03333) (0.23922) (0.35326) (5.13471) (2.57808) [ 3.82137] [ 0.75662] [ 1.87592] [ 0.70710] [ 1.89171] [ 0.00219]
LPIB_SA(-2) 0.138259 0.030264 0.264216 -0.425933 2.903959 0.671148 (0.15560) (0.03429) (0.24616) (0.36352) (5.28382) (2.65294) [ 0.88856] [ 0.88248] [ 1.07334] [-1.17169] [ 0.54959] [ 0.25298]
LOG(NI(-1)) 0.072016 1.340587 0.395467 -1.145172 31.64323 -5.221525 (0.47808) (0.10537) (0.75634) (1.11693) (16.2347) (8.15126) [ 0.15064] [ 12.7226] [ 0.52287] [-1.02528] [ 1.94911] [-0.64058]
LOG(NI(-2)) -0.146569 -0.363439 -0.613350 1.547327 -34.56540 8.350635 (0.48487) (0.10687) (0.76708) (1.13279) (16.4652) (8.26697) [-0.30228] [-3.40088] [-0.79959] [ 1.36595] [-2.09930] [ 1.01012]
LVAB_MAN_SA(-1) -0.184885 -0.000261 -0.272334 0.025623 -5.801474 -2.499222 (0.10709) (0.02360) (0.16942) (0.25018) (3.63646) (1.82582) [-1.72648] [-0.01105] [-1.60749] [ 0.10241] [-1.59536] [-1.36882]
LVAB_MAN_SA(-2) 0.164477 -0.038207 0.076121 0.288424 -7.142628 -3.337893 (0.10257) (0.02261) (0.16227) (0.23964) (3.48319) (1.74887) [ 1.60350] [-1.69002] [ 0.46909] [ 1.20357] [-2.05060] [-1.90860]
LC_M(-1) -0.009325 0.015701 0.077877 0.392814 -1.104083 -0.051590 (0.04807) (0.01059) (0.07605) (0.11231) (1.63238) (0.81960) [-0.19399] [ 1.48195] [ 1.02403] [ 3.49772] [-0.67636] [-0.06295]
LC_M(-2) 0.099594 -0.009596 0.098522 0.265488 2.037409 -1.331050 (0.04481) (0.00988) (0.07088) (0.10468) (1.52152) (0.76394) [ 2.22278] [-0.97171] [ 1.38989] [ 2.53621] [ 1.33906] [-1.74236]
TA_I(-1) -0.005969 0.000279 -0.009211 0.001040 0.803521 0.120130 (0.00347) (0.00077) (0.00549) (0.00811) (0.11790) (0.05919) [-1.71926] [ 0.36517] [-1.67694] [ 0.12819] [ 6.81546] [ 2.02940]
TA_I(-2) 0.009123 0.000123 0.009819 -0.002134 0.023282 -0.016769 (0.00342) (0.00075) (0.00542) (0.00800) (0.11628) (0.05838) [ 2.66428] [ 0.16240] [ 1.81247] [-0.26678] [ 0.20022] [-0.28722]
TPM_A(-1) -0.007469 -0.001431 -0.005326 -0.011370 -0.141475 0.441306 (0.00608) (0.00134) (0.00962) (0.01420) (0.20642) (0.10364) [-1.22872] [-1.06790] [-0.55380] [-0.80065] [-0.68538] [ 4.25803]
TPM_A(-2) 0.004191 0.001900 0.005488 -0.004746 0.175192 0.014102 (0.00472) (0.00104) (0.00746) (0.01102) (0.16016) (0.08041) [ 0.88857] [ 1.82778] [ 0.73554] [-0.43075] [ 1.09387] [ 0.17537]
C 3.515155 -0.345298 3.463240 2.243140 -19.33296 80.67316 (1.03846) (0.22888) (1.64287) (2.42612) (35.2639) (17.7056) [ 3.38498] [-1.50866] [ 2.10804] [ 0.92458] [-0.54824] [ 4.55637]
311
ISP_DB 4.76E-10 8.81E-11 2.20E-10 1.45E-09 5.76E-09 -2.70E-09 (4.9E-10) (1.1E-10) (7.7E-10) (1.1E-09) (1.7E-08) (8.3E-09) [ 0.97912] [ 0.82130] [ 0.28557] [ 1.27261] [ 0.34886] [-0.32580]
TO 0.001181 0.000167 0.000842 0.002431 0.069215 -0.005199 (0.00061) (0.00013) (0.00096) (0.00142) (0.02064) (0.01036) [ 1.94343] [ 1.24773] [ 0.87564] [ 1.71223] [ 3.35332] [-0.50169]
LOG(TCN_NO) -0.014925 0.015765 -0.080738 -0.018274 0.257537 -0.168612 (0.02352) (0.00518) (0.03721) (0.05495) (0.79873) (0.40103) [-0.63454] [ 3.04113] [-2.16974] [-0.33254] [ 0.32243] [-0.42045]
INVD_DB_RIN -0.388799 0.026050 -0.661390 -0.055332 -4.865292 2.525538 (0.16748) (0.03691) (0.26495) (0.39127) (5.68711) (2.85543) [-2.32153] [ 0.70573] [-2.49627] [-0.14142] [-0.85549] [ 0.88447]
DUM09 -0.018179 0.003254 -0.012505 -0.074879 0.104298 -4.274146 (0.02748) (0.00606) (0.04347) (0.06420) (0.93309) (0.46849) [-0.66159] [ 0.53730] [-0.28767] [-1.16641] [ 0.11178] [-9.12317] R-squared 0.959944 0.999921 0.807986 0.993413 0.931677 0.979514
Adj. R-squared 0.950984 0.999904 0.765036 0.991940 0.916394 0.974932 Sum sq. resids 0.045285 0.002200 0.113340 0.247172 52.21975 13.16421 S.E. equation 0.024410 0.005380 0.038618 0.057029 0.828916 0.416189 F-statistic 107.1379 56721.29 18.81205 674.2648 60.96214 213.7578 Log likelihood 225.6094 367.7660 182.4908 145.8452 -105.7520 -40.98794 Akaike AIC -4.417222 -7.441829 -3.499805 -2.720111 2.633022 1.255063 Schwarz SC -3.930208 -6.954816 -3.012791 -2.233097 3.120036 1.742076 Mean dependent 15.29761 4.728814 13.43635 15.83074 17.06596 9.547928 S.D. dependent 0.110256 0.547845 0.079668 0.635223 2.866758 2.628628
Determinant resid covariance (dof adj.) 3.33E-15
Determinant resid covariance 9.30E-16 Log likelihood 826.4309 Akaike information criterion -15.28576 Schwarz criterion -12.36368
Gráfico de los residuos del modelo.
-.06
-.04
-.02
.00
.02
.04
.06
04 05 06 07 08 09 10 11
LPIB_SA Residuals
-.015
-.010
-.005
.000
.005
.010
.015
04 05 06 07 08 09 10 11
LOG(NI) Residuals
-.10
-.05
.00
.05
.10
.15
04 05 06 07 08 09 10 11
LVAB_MAN_SA Residuals
-.2
-.1
.0
.1
.2
04 05 06 07 08 09 10 11
LC_M Residuals
-3
-2
-1
0
1
2
3
4
04 05 06 07 08 09 10 11
TA_I Residuals
-1.5
-1.0
-0.5
0.0
0.5
1.0
04 05 06 07 08 09 10 11
TPM_A Residuals
312
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: LPIB_SA LOG(NI) LVAB_MAN_SA LC_M TA_I TPM_A Exogenous variables: C ISP_DB TO LOG(TCN_NO) INVD_DB_RIN DUM09 Lag specification: 1 2 Date: 20/07/13 Time: 23:09
Root Modulus 0.970378 0.970378
0.919376 - 0.050460i 0.920760 0.919376 + 0.050460i 0.920760 0.681585 0.681585 0.372107 - 0.225101i 0.434896 0.372107 + 0.225101i 0.434896 -0.359383 - 0.198003i 0.410319 -0.359383 + 0.198003i 0.410319 0.029025 - 0.302117i 0.303508 0.029025 + 0.302117i 0.303508 -0.231684 0.231684 -0.058813 0.058813
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 20/07/13 Time: 23:10 Sample: 2004M01 2011M12 Included observations: 94
Dependent variable: LPIB_SA Excluded Chi-sq df Prob. LOG(NI) 2.649983 2 0.2658
LVAB_MAN_SA 6.114171 2 0.0470 LC_M 9.100849 2 0.0106 TA_I 7.807569 2 0.0202
TPM_A 1.558937 2 0.4586 All 18.50223 10 0.0471
Dependent variable: LOG(NI) Excluded Chi-sq df Prob. LPIB_SA 2.272968 2 0.3209
LVAB_MAN_SA 2.877277 2 0.2373 LC_M 2.216404 2 0.3302 TA_I 0.803154 2 0.6693
TPM_A 3.948218 2 0.1389 All 18.56677 10 0.0461
Dependent variable: LVAB_MAN_SA
313
Excluded Chi-sq df Prob. LPIB_SA 7.569383 2 0.0227
LOG(NI) 9.090782 2 0.0106 LC_M 10.52210 2 0.0052 TA_I 3.389505 2 0.1836
TPM_A 0.549868 2 0.7596 All 26.29770 10 0.0034
Dependent variable: LC_M Excluded Chi-sq df Prob. LPIB_SA 1.436064 2 0.4877
LOG(NI) 14.54571 2 0.0007 LVAB_MAN_SA 1.448663 2 0.4846
TA_I 0.097408 2 0.9525 TPM_A 4.373556 2 0.1123
All 18.36839 10 0.0491
Dependent variable: TA_I Excluded Chi-sq df Prob. LPIB_SA 5.669649 2 0.0587
LOG(NI) 6.655376 2 0.0359 LVAB_MAN_SA 6.199804 2 0.0451
LC_M 1.969468 2 0.3735 TPM_A 1.344418 2 0.5106
All 19.31978 10 0.0364
Dependent variable: TPM_A Excluded Chi-sq df Prob. LPIB_SA 0.077292 2 0.9621
LOG(NI) 16.11320 2 0.0003 LVAB_MAN_SA 5.078012 2 0.0789
LC_M 6.682280 2 0.0354 TA_I 10.10676 2 0.0064
All 75.69526 10 0.0000
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 20/07/13 Time: 23:11 Sample: 2004M01 2011M12 Included observations: 94
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values LPIB_SA LOG(NI) LVAB_MAN_SA LC_M TA_I TPM_A Joint Lag 1 28.78881 208.7603 8.529800 20.45788 75.87926 44.24458 373.5897 [ 6.67e-05] [ 0.000000] [ 0.201799] [ 0.002295] [ 2.53e-14] [ 6.61e-08] [ 0.000000]
Lag 2 35.43023 17.45389 15.80207 9.230820 11.58312 15.96714 85.97168 [ 3.56e-06] [ 0.007752] [ 0.014857] [ 0.161007] [ 0.071942] [ 0.013931] [ 5.70e-06] df 6 6 6 6 6 6 36
314
Orden de los rezagos. VAR Lag Order Selection Criteria Endogenous variables: LPIB_SA LOG(NI) LVAB_MAN_SA LC_M TA_I TPM_A Exogenous variables: C ISP_DB TO LOG(TCN_NO) INVD_DB_RIN DUM09 Date: 20/07/13 Time: 23:13 Sample: 2004M01 2011M12 Included observations: 88
Lag LogL LR FPE AIC SC HQ 0 214.2390 NA 7.02e-10 -4.050887 -3.037431 -3.642591
1 735.3419 900.0868 1.15e-14 -15.07595 -13.04904* -14.25936* 2 780.3120 71.54329 9.65e-15 -15.27982 -12.23945 -14.05493 3 819.4735 56.96228* 9.44e-15* -15.35167 -11.29785 -13.71849 4 852.3827 43.38022 1.10e-14 -15.28142 -10.21414 -13.23994 5 889.2249 43.54087 1.24e-14 -15.30057 -9.219831 -12.85079 6 921.9727 34.23634 1.63e-14 -15.22665 -8.132461 -12.36858 7 966.2648 40.26554 1.81e-14 -15.41511 -7.307462 -12.14874 8 1005.546 30.35349 2.54e-14 -15.48968* -6.368574 -11.81501 * 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
Prueba de correlación serial de los errores.
VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 20/07/13 Time: 23:14 Sample: 2004M01 2011M12 Included observations: 94
Lags LM-Stat Prob 1 65.20057 0.0020
2 38.13046 0.3727 3 36.40618 0.4498 4 38.08804 0.3746 5 22.13884 0.9661 6 42.73795 0.2042 7 37.71144 0.3909 8 25.14984 0.9123 9 24.00398 0.9370
10 45.97697 0.1232 11 42.72439 0.2046 12 42.64491 0.2069
Probs from chi-square with 36 df.
315
Prueba de normalidad multivariada de los residuos.
VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 20/07/13 Time: 23:15 Sample: 2004M01 2011M12 Included observations: 94
Component Skewness Chi-sq df Prob.
1 -0.011053 0.002039 1 0.9640
2 0.205016 0.701671 1 0.4022 3 0.051099 0.043590 1 0.8346 4 0.326282 1.777225 1 0.1825 5 0.407335 2.769873 1 0.0961 6 -0.474079 3.751954 1 0.0527 Joint 9.046352 6 0.1710 Component Kurtosis Chi-sq df Prob. 1 2.000526 4.022820 1 0.0449
2 2.445222 1.109037 1 0.2923 3 2.883806 0.012907 1 0.9095 4 2.879499 0.015089 1 0.9022 5 4.105459 6.266576 1 0.0123 6 3.196473 0.309313 1 0.5781 Joint 11.73574 6 0.0681 Component Jarque-Bera df Prob.
1 4.024859 2 0.1337
2 1.810708 2 0.4044 3 0.056497 2 0.9721 4 1.792314 2 0.4081 5 9.036448 2 0.0109 6 4.061267 2 0.1313
Joint 167.9193 182 0.7651
Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 20/07/13 Time: 23:16 Sample: 2004M01 2011M12 Included observations: 94
Joint test:
Chi-sq df Prob. 825.1304 693 0.0004
316
Prueba de cointegración de Johansen.
Date: 03/06/13 Time: 19:44 Sample (adjusted): 2004M04 2011M12 Included observations: 93 after adjustments Trend assumption: Linear deterministic trend Series: LPIB_SA LOG(NI) LVAB_MAN_SA LC_M TA_I TPM_A Lags interval (in first differences): 1 to 2 Unrestricted Cointegration Rank Test (Trace) Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None * 0.360932 115.3734 95.75366 0.0012
At most 1 * 0.272487 73.73307 69.81889 0.0235 At most 2 0.206838 44.14761 47.85613 0.1069 At most 3 0.143803 22.59695 29.79707 0.2664 At most 4 0.083815 8.158222 15.49471 0.4486 At most 5 0.000186 0.017284 3.841466 0.8953
Trace test indicates 2 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue) Hypothesized Max-Eigen 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None * 0.360932 41.64030 40.07757 0.0331
At most 1 0.272487 29.58546 33.87687 0.1495 At most 2 0.206838 21.55065 27.58434 0.2443 At most 3 0.143803 14.43873 21.13162 0.3301 At most 4 0.083815 8.140938 14.26460 0.3646 At most 5 0.000186 0.017284 3.841466 0.8953
Max-eigenvalue 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
317
Anexo 5.11. Modelo 11. LS 1 2 LPIB_SA LOG(D12_IPC) LVAB_COM_SA LC_COM TA_C TPM_A @ C ISP_DB
TO LOG(TCN_NO) INVD_DB_RIN DU09
Salida del modelo.
Vector Autoregression Estimates Date: 03/06/13 Time: 20:07 Sample (adjusted): 2004M03 2011M12 Included observations: 94 after adjustments Standard errors in ( ) & t-statistics in [ ]
LPIB_SA LOG(D12_IPC) LVAB_COM_SA LC_COM TA_C TPM_A LPIB_SA(-1) -0.062496 0.566555 0.129898 -0.072333 1.398756 2.166598 (0.14647) (0.34770) (0.25097) (0.33649) (4.74583) (2.02302) [-0.42667] [ 1.62946] [ 0.51758] [-0.21496] [ 0.29473] [ 1.07097]
LPIB_SA(-2) 0.062439 0.079425 -0.157423 0.249464 -0.760902 2.770302 (0.15123) (0.35898) (0.25912) (0.34741) (4.89991) (2.08870) [ 0.41287] [ 0.22125] [-0.60753] [ 0.71806] [-0.15529] [ 1.32633]
LOG(D12_IPC(-1)) 0.023313 1.111545 0.080416 0.039376 2.270382 0.748422 (0.04617) (0.10960) (0.07911) (0.10607) (1.49596) (0.63769) [ 0.50492] [ 10.1419] [ 1.01650] [ 0.37124] [ 1.51767] [ 1.17365]
LOG(D12_IPC(-2)) -0.058103 -0.368012 -0.107578 0.003659 -2.085085 -0.425036 (0.04325) (0.10267) (0.07411) (0.09937) (1.40144) (0.59740) [-1.34329] [-3.58427] [-1.45156] [ 0.03682] [-1.48781] [-0.71148]
LVAB_COM_SA(-1) 0.213798 0.124734 0.436462 0.368461 2.306995 2.539836 (0.08288) (0.19673) (0.14201) (0.19039) (2.68530) (1.14467) [ 2.57965] [ 0.63403] [ 3.07355] [ 1.93526] [ 0.85912] [ 2.21884]
LVAB_COM_SA(-2) 0.028181 -0.261279 0.346856 -0.208024 -1.235298 -3.000323 (0.08737) (0.20740) (0.14971) (0.20072) (2.83092) (1.20675) [ 0.32254] [-1.25977] [ 2.31689] [-1.03640] [-0.43636] [-2.48629]
LC_COM(-1) -0.002571 -0.112620 -0.100887 0.721904 3.988510 -1.039900 (0.04890) (0.11608) (0.08379) (0.11234) (1.58438) (0.67538) [-0.05257] [-0.97022] [-1.20410] [ 6.42630] [ 2.51740] [-1.53973]
LC_COM(-2) 0.086403 0.004914 0.142275 0.154240 -3.907976 0.241084 (0.04744) (0.11260) (0.08128) (0.10897) (1.53697) (0.65517) [ 1.82144] [ 0.04364] [ 1.75044] [ 1.41538] [-2.54265] [ 0.36797]
TA_C(-1) -0.000937 0.009765 -0.001620 -0.021694 0.565686 0.042507 (0.00324) (0.00769) (0.00555) (0.00744) (0.10492) (0.04472) [-0.28926] [ 1.27032] [-0.29197] [-2.91626] [ 5.39160] [ 0.95041]
TA_C(-2) 0.005704 0.014432 0.002270 0.018933 0.320726 -0.034497 (0.00324) (0.00769) (0.00555) (0.00744) (0.10496) (0.04474) [ 1.76065] [ 1.87678] [ 0.40890] [ 2.54402] [ 3.05559] [-0.77099]
TPM_A(-1) -0.006398 0.005824 -0.007026 -0.003815 0.203406 0.985478 (0.00460) (0.01092) (0.00788) (0.01056) (0.14900) (0.06351) [-1.39121] [ 0.53350] [-0.89176] [-0.36115] [ 1.36518] [ 15.5162]
TPM_A(-2) 0.006239 -0.021447 0.008578 -0.005162 -0.096803 -0.077142 (0.00460) (0.01091) (0.00787) (0.01056) (0.14889) (0.06347) [ 1.35778] [-1.96614] [ 1.08946] [-0.48896] [-0.65016] [-1.21544]
C 10.78823 -5.975190 2.631774 -2.726252 -25.06906 -56.41487 (2.11409) (5.01834) (3.62233) (4.85662) (68.4973) (29.1986) [ 5.10302] [-1.19067] [ 0.72654] [-0.56135] [-0.36599] [-1.93211]
318
ISP_DB 5.36E-10 1.16E-09 4.28E-10 2.13E-09 -1.56E-08 1.90E-09 (4.5E-10) (1.1E-09) (7.7E-10) (1.0E-09) (1.5E-08) (6.2E-09) [ 1.18937] [ 1.08739] [ 0.55404] [ 2.06063] [-1.06769] [ 0.30575]
TO 0.000639 -0.000270 0.001062 0.000771 0.047736 0.007253 (0.00058) (0.00138) (0.00100) (0.00134) (0.01890) (0.00806) [ 1.09487] [-0.19470] [ 1.06259] [ 0.57567] [ 2.52564] [ 0.90022]
LOG(TCN_NO) -0.031834 0.047783 -0.050732 0.008817 0.234313 -0.236431 (0.01808) (0.04292) (0.03098) (0.04154) (0.58581) (0.24972) [-1.76072] [ 1.11335] [-1.63762] [ 0.21227] [ 0.39998] [-0.94680]
INVD_DB_RIN -0.528019 -0.385038 -0.655224 -0.190989 -1.807467 -2.473145 (0.16115) (0.38253) (0.27612) (0.37020) (5.22133) (2.22571) [-3.27657] [-1.00655] [-2.37298] [-0.51590] [-0.34617] [-1.11117]
DU09 -0.001422 0.027217 -0.067987 0.038988 -2.085156 -4.767154 (0.02715) (0.06445) (0.04652) (0.06238) (0.87975) (0.37501) [-0.05235] [ 0.42227] [-1.46134] [ 0.62505] [-2.37017] [-12.7120] R-squared 0.963547 0.974150 0.950005 0.996152 0.947960 0.987767
Adj. R-squared 0.955394 0.968368 0.938822 0.995292 0.936320 0.985030 Sum sq. resids 0.041211 0.232214 0.120988 0.217488 43.26281 7.861248 S.E. equation 0.023286 0.055276 0.039899 0.053495 0.754485 0.321617 F-statistic 118.1709 168.4748 84.95041 1157.464 81.43638 360.9680 Log likelihood 230.0400 148.7792 179.4215 151.8584 -96.90816 -16.75680 Akaike AIC -4.511490 -2.782536 -3.434500 -2.848051 2.444854 0.739506 Schwarz SC -4.024476 -2.295522 -2.947486 -2.361038 2.931868 1.226520 Mean dependent 15.29761 3.102260 12.96298 16.66224 20.63862 9.547928 S.D. dependent 0.110256 0.310796 0.161312 0.779623 2.989839 2.628628
Determinant resid covariance (dof
adj.) 1.77E-13 Determinant resid covariance 4.96E-14 Log likelihood 639.5995 Akaike information criterion -11.31063 Schwarz criterion -8.388545
Gráfico de los residuos del modelo.
-.06
-.04
-.02
.00
.02
.04
.06
04 05 06 07 08 09 10 11
LPIB_SA Residuals
-.15
-.10
-.05
.00
.05
.10
.15
04 05 06 07 08 09 10 11
LOG(D12_IPC) Residuals
-.10
-.05
.00
.05
.10
.15
04 05 06 07 08 09 10 11
LVAB_COM_SA Residuals
-.20
-.15
-.10
-.05
.00
.05
.10
.15
04 05 06 07 08 09 10 11
LC_COM Residuals
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
04 05 06 07 08 09 10 11
TA_C Residuals
-1.5
-1.0
-0.5
0.0
0.5
1.0
04 05 06 07 08 09 10 11
TPM_A Residuals
319
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: LPIB_SA LOG(D12_IPC) LVAB_COM_SA LC_COM TA_C TPM_A Exogenous variables: C ISP_DB TO LOG(TCN_NO) INVD_DB_RIN DU09 Lag specification: 1 2 Date: 20/07/13 Time: 23:22
Root Modulus 0.976877 0.976877
0.957501 0.957501 0.839019 - 0.014743i 0.839148 0.839019 + 0.014743i 0.839148 0.585725 - 0.283831i 0.650872 0.585725 + 0.283831i 0.650872 -0.441041 0.441041 -0.273897 - 0.299008i 0.405494 -0.273897 + 0.299008i 0.405494 -0.196794 0.196794 0.080171 - 0.157424i 0.176662 0.080171 + 0.157424i 0.176662
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 20/07/13 Time: 23:23 Sample: 2004M01 2011M12 Included observations: 94
Dependent variable: LPIB_SA
Excluded Chi-sq df Prob. LOG(D12_IPC) 2.999883 2 0.2231
LVAB_COM_SA 8.053369 2 0.0178 LC_COM 15.09435 2 0.0005
TA_C 4.071024 2 0.1306 TPM_A 2.150909 2 0.3411
All 29.05921 10 0.0012 Dependent variable: LOG(D12_IPC)
Excluded Chi-sq df Prob. LPIB_SA 2.660269 2 0.2644
LVAB_COM_SA 1.652136 2 0.4378 LC_COM 4.158857 2 0.1250
TA_C 12.76244 2 0.0017 TPM_A 6.027157 2 0.0491
All 26.38307 10 0.0033 Dependent variable: LVAB_COM_SA Excluded Chi-sq df Prob. LPIB_SA 0.700735 2 0.7044
320
LOG(D12_IPC) 2.220844 2 0.3294 LC_COM 3.661199 2 0.1603
TA_C 0.170156 2 0.9184 TPM_A 1.196970 2 0.5496
All 8.348051 10 0.5949 Dependent variable: LC_COM
Excluded Chi-sq df Prob. LPIB_SA 0.595243 2 0.7426
LOG(D12_IPC) 0.520143 2 0.7710 LVAB_COM_SA 3.954714 2 0.1384
TA_C 9.444965 2 0.0089 TPM_A 1.501328 2 0.4721
All 20.60355 10 0.0240
Dependent variable: TA_C Excluded Chi-sq df Prob. LPIB_SA 0.120419 2 0.9416
LOG(D12_IPC) 2.470720 2 0.2907 LVAB_COM_SA 0.769851 2 0.6805
LC_COM 6.778062 2 0.0337 TPM_A 2.213607 2 0.3306
All 26.97070 10 0.0026 Dependent variable: TPM_A Excluded Chi-sq df Prob. LPIB_SA 2.667430 2 0.2635
LOG(D12_IPC) 1.599008 2 0.4496 LVAB_COM_SA 8.496811 2 0.0143
LC_COM 7.178898 2 0.0276 TA_C 0.962242 2 0.6181
All 24.65479 10 0.0060
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 20/07/13 Time: 23:34 Sample: 2004M01 2011M12 Included observations: 94
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values LPIB_SA LOG(D12_IPC) LVAB_COM_SA LC_COM TA_C TPM_A Joint Lag 1 12.43425 138.7814 25.48081 85.64136 55.21900 309.8799 630.0502 [ 0.052953] [ 0.000000] [ 0.000278] [ 2.22e-16] [ 4.19e-10] [ 0.000000] [ 0.000000]
Lag 2 13.39321 20.47625 15.42585 12.28257 19.35740 10.30769 85.95832 [ 0.037200] [ 0.002277] [ 0.017191] [ 0.055954] [ 0.003601] [ 0.112278] [ 5.72e-06] df 6 6 6 6 6 6 36
321
Orden de los rezagos.
VAR Lag Order Selection Criteria Endogenous variables: LPIB_SA LOG(D12_IPC) LVAB_COM_SA LC_COM TA_C TPM_A Exogenous variables: C ISP_DB TO LOG(TCN_NO) INVD_DB_RIN DU09 Date: 20/07/13 Time: 23:36 Sample: 2004M01 2011M12 Included observations: 88
Lag LogL LR FPE AIC SC HQ 0 101.8581 NA 9.03e-09 -1.496776 -0.483320 -1.088480
1 559.2183 789.9858 6.32e-13 -11.07314 -9.046232* -10.25655* 2 604.5150 72.06294* 5.24e-13* -11.28443* -8.244065 -10.05954 3 632.0810 40.09596 6.68e-13 -11.09275 -7.038927 -9.459567 4 654.5295 29.59125 9.90e-13 -10.78476 -5.717483 -8.743283 5 686.0210 37.21717 1.25e-12 -10.68230 -4.601560 -8.232520 6 722.8896 38.54442 1.50e-12 -10.70204 -3.607844 -7.843964 7 745.8046 20.83181 2.71e-12 -10.40465 -2.297002 -7.138282 8 800.2321 42.05764 2.70e-12 -10.82346 -1.702353 -7.148793 * 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
Prueba de correlación serial de los errores.
VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 20/07/13 Time: 23:37 Sample: 2004M01 2011M12 Included observations: 94
Lags LM-Stat Prob 1 36.60631 0.4405
2 38.73881 0.3471 3 47.38203 0.0971 4 31.91071 0.6635 5 25.54633 0.9025 6 29.93339 0.7517 7 28.02505 0.8263 8 53.44500 0.0307 9 33.83929 0.5718
10 40.72512 0.2703 11 32.04912 0.6570 12 68.93174 0.0008
Probs from chi-square with 36 df.
322
Prueba de normalidad multivariada de los residuos.
VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 20/07/13 Time: 23:38 Sample: 2004M01 2011M12 Included observations: 94
Component Skewness Chi-sq df Prob. 1 0.340637 1.937043 1 0.1640
2 0.025338 0.010717 1 0.9175 3 0.418691 2.926470 1 0.0871 4 -0.035676 0.021247 1 0.8841 5 0.012053 0.002425 1 0.9607 6 -1.273424 27.07087 1 0.0000 Joint 31.96877 6 0.0000
Component Kurtosis Chi-sq df Prob. 1 2.308030 1.814377 1 0.1780
2 1.969934 4.289990 1 0.0383 3 2.618822 0.464083 1 0.4957 4 2.432126 1.168906 1 0.2796 5 1.594462 8.268695 1 0.0040 6 5.485376 29.80347 1 0.0000 Joint 45.80952 6 0.0000
Component Jarque-Bera df Prob. 1 3.751420 2 0.1532
2 4.300707 2 0.1164 3 3.390553 2 0.1835 4 1.190153 2 0.5515 5 8.271120 2 0.0160 6 56.87434 2 0.0000
Joint 202.8970 182 0.1377
Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 20/07/13 Time: 23:38 Sample: 2004M01 2011M12 Included observations: 94
Joint test:
Chi-sq df Prob. 731.7394 693 0.1493
323
Prueba de cointegración de Johansen.
Date: 03/06/13 Time: 20:10 Sample (adjusted): 2004M04 2011M12 Included observations: 93 after adjustments Trend assumption: Linear deterministic trend Series: LPIB_SA LOG(D12_IPC) LVAB_COM_SA LC_COM TA_C TPM_A Lags interval (in first differences): 1 to 2 Unrestricted Cointegration Rank Test (Trace) Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None * 0.324179 107.6066 95.75366 0.0060
At most 1 * 0.281868 71.16670 69.81889 0.0389 At most 2 0.169674 40.37424 47.85613 0.2094 At most 3 0.126508 23.08217 29.79707 0.2420 At most 4 0.087864 10.50335 15.49471 0.2440 At most 5 0.020755 1.950537 3.841466 0.1625
Trace test indicates 2 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue) Hypothesized Max-Eigen 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None 0.324179 36.43992 40.07757 0.1215
At most 1 0.281868 30.79246 33.87687 0.1118 At most 2 0.169674 17.29208 27.58434 0.5549 At most 3 0.126508 12.57882 21.13162 0.4917 At most 4 0.087864 8.552814 14.26460 0.3253 At most 5 0.020755 1.950537 3.841466 0.1625
Max-eigenvalue test indicates no cointegration at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values
324
Anexo 5.12. Modelo 12. LS 1 2 LPIB LOG(NI) LVAB_CON_SA LC_CON TA_CON TPM_A @ C ISP_DB TO
LOG(TCN_NO) INVD_DB_RIN DU09
Salida del modelo.
Vector Autoregression Estimates Date: 03/06/13 Time: 20:33 Sample (adjusted): 2004M03 2011M12 Included observations: 94 after adjustments Standard errors in ( ) & t-statistics in [ ]
LPIB LOG(NI) LVAB_CON_SA LC_CON TA_CON TPM_A LPIB(-1) 0.126360 -0.010317 -0.153182 -0.015819 -1.463949 1.117116 (0.10578) (0.00892) (0.11505) (0.11561) (2.24321) (0.56408) [ 1.19458] [-1.15653] [-1.33144] [-0.13683] [-0.65261] [ 1.98041]
LPIB(-2) -0.257674 0.004799 0.028267 0.060446 3.043572 -0.070371 (0.10560) (0.00891) (0.11486) (0.11542) (2.23945) (0.56314) [-2.44010] [ 0.53893] [ 0.24611] [ 0.52372] [ 1.35907] [-0.12496]
LOG(NI(-1)) -1.999137 1.315076 1.391498 2.172008 25.19021 1.171877 (1.07918) (0.09101) (1.17378) (1.17950) (22.8861) (5.75500) [-1.85246] [ 14.4498] [ 1.18548] [ 1.84147] [ 1.10068] [ 0.20363]
LOG(NI(-2)) 1.923674 -0.338850 -1.536452 -2.027303 -25.37574 -1.660366 (1.05306) (0.08881) (1.14537) (1.15095) (22.3322) (5.61571) [ 1.82675] [-3.81556] [-1.34144] [-1.76142] [-1.13628] [-0.29566]
LVAB_CON_SA(-1) 0.135777 -0.011601 0.225611 0.100006 0.355295 -0.920804 (0.10457) (0.00882) (0.11373) (0.11429) (2.21751) (0.55762) [ 1.29849] [-1.31557] [ 1.98371] [ 0.87506] [ 0.16022] [-1.65131]
LVAB_CON_SA(-2) 0.091428 0.002219 0.263135 0.022789 0.696290 0.927782 (0.09600) (0.00810) (0.10441) (0.10492) (2.03585) (0.51194) [ 0.95239] [ 0.27412] [ 2.52011] [ 0.21720] [ 0.34202] [ 1.81229]
LC_CON(-1) 0.206177 0.000683 0.284809 0.548373 3.721164 0.335812 (0.10251) (0.00865) (0.11150) (0.11204) (2.17400) (0.54668) [ 2.01121] [ 0.07905] [ 2.55434] [ 4.89431] [ 1.71166] [ 0.61428]
LC_CON(-2) -0.112322 0.010388 -0.062631 0.321082 -4.487542 -0.293507 (0.10217) (0.00862) (0.11112) (0.11167) (2.16668) (0.54484) [-1.09938] [ 1.20564] [-0.56361] [ 2.87539] [-2.07116] [-0.53870]
TA_CON(-1) -0.000663 0.000115 -0.003155 -0.008402 0.628672 0.033603 (0.00512) (0.00043) (0.00557) (0.00560) (0.10863) (0.02732) [-0.12950] [ 0.26695] [-0.56630] [-1.50065] [ 5.78719] [ 1.23012]
TA_CON(-2) 0.002837 0.000467 6.72E-05 0.001953 0.235122 -0.000360 (0.00535) (0.00045) (0.00582) (0.00585) (0.11345) (0.02853) [ 0.53039] [ 1.03468] [ 0.01154] [ 0.33406] [ 2.07250] [-0.01263]
TPM_A(-1) -0.024509 -0.001166 0.004848 0.008898 0.425976 1.021394 (0.01222) (0.00103) (0.01329) (0.01335) (0.25911) (0.06516) [-2.00592] [-1.13152] [ 0.36480] [ 0.66632] [ 1.64399] [ 15.6759]
TPM_A(-2) 0.029485 0.001539 0.004024 -0.016957 -0.520090 -0.059803 (0.01190) (0.00100) (0.01295) (0.01301) (0.25247) (0.06349) [ 2.47669] [ 1.53320] [ 0.31077] [-1.30323] [-2.06004] [-0.94199]
C 13.22007 0.112720 5.526925 -0.573883 -23.37194 -14.88270 (1.88204) (0.15872) (2.04702) (2.05698) (39.9123) (10.0364) [ 7.02434] [ 0.71020] [ 2.69999] [-0.27899] [-0.58558] [-1.48287]
325
ISP_DB 4.61E-09 1.31E-10 -1.27E-10 9.69E-10 -5.81E-09 3.25E-10
(1.3E-09) (1.1E-10) (1.4E-09) (1.4E-09) (2.7E-08) (6.9E-09) [ 3.55814] [ 1.20103] [-0.09044] [ 0.68409] [-0.21138] [ 0.04710]
TO 0.002173 0.000207 -0.002986 0.001642 0.044349 -0.000539 (0.00163) (0.00014) (0.00177) (0.00178) (0.03460) (0.00870) [ 1.33168] [ 1.50245] [-1.68243] [ 0.92100] [ 1.28169] [-0.06193]
LOG(TCN_NO) -0.016923 0.019459 -0.035705 -0.085418 0.670701 0.074356 (0.05722) (0.00483) (0.06224) (0.06254) (1.21351) (0.30515) [-0.29575] [ 4.03235] [-0.57367] [-1.36578] [ 0.55269] [ 0.24367]
INVD_DB_RIN -0.869983 0.058021 -0.858600 -0.241452 -3.239944 -0.509576 (0.41104) (0.03466) (0.44707) (0.44925) (8.71690) (2.19197) [-2.11654] [ 1.67381] [-1.92050] [-0.53746] [-0.37169] [-0.23247]
DU09 -0.143303 0.006405 0.073876 0.033680 -0.350315 -5.058709 (0.07431) (0.00627) (0.08083) (0.08122) (1.57597) (0.39630) [-1.92835] [ 1.02203] [ 0.91399] [ 0.41467] [-0.22229] [-12.7650] R-squared 0.806303 0.999921 0.942987 0.995896 0.794009 0.986354
Adj. R-squared 0.762976 0.999904 0.930234 0.994978 0.747932 0.983302 Sum sq. resids 0.308351 0.002193 0.364781 0.368342 138.6767 8.768970 S.E. equation 0.063697 0.005372 0.069280 0.069618 1.350812 0.339678 F-statistic 18.60972 56897.26 73.94261 1084.942 17.23224 323.1395 Log likelihood 135.4508 367.9116 127.5521 127.0956 -151.6562 -21.89268 Akaike AIC -2.498954 -7.444927 -2.330896 -2.321183 3.609706 0.848780 Schwarz SC -2.011940 -6.957913 -1.843882 -1.834170 4.096720 1.335794 Mean dependent 15.30040 4.728814 12.56346 15.57706 18.04606 9.547928 S.D. dependent 0.130834 0.547845 0.262293 0.982421 2.690519 2.628628
Determinant resid covariance (dof adj.) 4.45E-13
Determinant resid covariance 1.24E-13 Log likelihood 596.4144 Akaike information criterion -10.39180 Schwarz criterion -7.469713
Gráfico de los residuos del modelo.
-.20
-.15
-.10
-.05
.00
.05
.10
.15
04 05 06 07 08 09 10 11
LPIB Residuals
-.015
-.010
-.005
.000
.005
.010
.015
.020
04 05 06 07 08 09 10 11
LOG(NI) Residuals
-.2
-.1
.0
.1
.2
04 05 06 07 08 09 10 11
LVAB_CON_SA Residuals
-.3
-.2
-.1
.0
.1
.2
04 05 06 07 08 09 10 11
LC_CON Residuals
-4
-2
0
2
4
04 05 06 07 08 09 10 11
TA_CON Residuals
-1.5
-1.0
-0.5
0.0
0.5
1.0
04 05 06 07 08 09 10 11
TPM_A Residuals
326
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: LPIB LOG(NI) LVAB_CON_SA LC_CON TA_CON TPM_A Exogenous variables: C ISP_DB TO LOG(TCN_NO) INVD_DB_RIN DU09 Lag specification: 1 2 Date: 21/07/13 Time: 07:41
Root Modulus 0.989637 0.989637
0.956781 0.956781 0.940634 - 0.064047i 0.942812 0.940634 + 0.064047i 0.942812 0.067559 - 0.540489i 0.544695 0.067559 + 0.540489i 0.544695 -0.469056 0.469056 0.431842 - 0.021248i 0.432365 0.431842 + 0.021248i 0.432365 -0.271740 - 0.122561i 0.298101 -0.271740 + 0.122561i 0.298101 0.051533 0.051533
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 21/07/13 Time: 07:42 Sample: 2004M01 2011M12 Included observations: 94
Dependent variable: LPIB Excluded Chi-sq df Prob. LOG(NI) 3.511056 2 0.1728
LVAB_CON_SA 3.671101 2 0.1595 LC_CON 5.097511 2 0.0782 TA_CON 0.414276 2 0.8129 TPM_A 6.280832 2 0.0433
All 53.07662 10 0.0000
Dependent variable: LOG(NI) Excluded Chi-sq df Prob. LPIB 1.437658 2 0.4873
LVAB_CON_SA 1.747118 2 0.4175 LC_CON 5.219520 2 0.0736 TA_CON 3.204662 2 0.2014 TPM_A 2.573271 2 0.2762
All 16.93746 10 0.0758
Dependent variable: LVAB_CON_SA Excluded Chi-sq df Prob.
327
LPIB 1.773039 2 0.4121
LOG(NI) 6.099305 2 0.0474 LC_CON 14.35593 2 0.0008 TA_CON 0.648034 2 0.7232 TPM_A 1.945361 2 0.3781
All 25.52660 10 0.0044
Dependent variable: LC_CON Excluded Chi-sq df Prob. LPIB 0.275430 2 0.8713
LOG(NI) 4.435356 2 0.1089 LVAB_CON_SA 1.019915 2 0.6005
TA_CON 3.414730 2 0.1813 TPM_A 2.758602 2 0.2518
All 8.918196 10 0.5399
Dependent variable: TA_CON Excluded Chi-sq df Prob. LPIB 2.000306 2 0.3678
LOG(NI) 1.487313 2 0.4754 LVAB_CON_SA 0.193180 2 0.9079
LC_CON 4.289946 2 0.1171 TPM_A 4.381270 2 0.1118
All 11.26975 10 0.3369
Dependent variable: TPM_A Excluded Chi-sq df Prob. LPIB 3.996142 2 0.1356
LOG(NI) 1.629838 2 0.4427 LVAB_CON_SA 4.628374 2 0.0988
LC_CON 0.379947 2 0.8270 TA_CON 3.102636 2 0.2120
All 14.23548 10 0.1625
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 21/07/13 Time: 07:44 Sample: 2004M01 2011M12 Included observations: 94
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values LPIB LOG(NI) LVAB_CON_SA LC_CON TA_CON TPM_A Joint Lag 1 16.55853 235.9529 14.04847 37.14218 47.27173 282.5074 632.9928 [ 0.011050] [ 0.000000] [ 0.029099] [ 1.65e-06] [ 1.65e-08] [ 0.000000] [ 0.000000]
Lag 2 17.35601 23.54663 10.03627 13.45585 13.43042 3.966459 92.60266 [ 0.008060] [ 0.000633] [ 0.123133] [ 0.036342] [ 0.036688] [ 0.681216] [ 7.02e-07] df 6 6 6 6 6 6 36
328
Orden de los rezagos.
VAR Lag Order Selection Criteria Endogenous variables: LPIB LOG(NI) LVAB_CON_SA LC_CON TA_CON TPM_A Exogenous variables: C ISP_DB TO LOG(TCN_NO) INVD_DB_RIN DU09 Date: 21/07/13 Time: 07:45 Sample: 2004M01 2011M12 Included observations: 88
Lag LogL LR FPE AIC SC HQ 0 -102.8320 NA 9.46e-07 3.155272 4.168728 3.563568
1 512.2978 1062.497 1.84e-12 -10.00677 -7.979856* -9.190176* 2 555.5896 68.87332 1.59e-12* -10.17249 -7.132122 -8.947602 3 583.5464 40.66453 2.01e-12 -9.989692 -5.935868 -8.356508 4 616.9560 44.03992 2.32e-12 -9.930819 -4.863539 -7.889339 5 661.4779 52.61672 2.19e-12 -10.12450 -4.043761 -7.674721 6 711.6476 52.45018* 1.94e-12 -10.44654 -3.352345 -7.588465 7 751.8510 36.54850 2.36e-12 -10.54207 -2.434420 -7.275700 8 800.2537 37.40209 2.70e-12 -10.82395* -1.702843 -7.149283 * 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
Prueba de correlación serial de los errores.
VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 21/07/13 Time: 07:46 Sample: 2004M01 2011M12 Included observations: 94
Lags LM-Stat Prob 1 45.47912 0.1337
2 50.60731 0.0539 3 32.58222 0.6319 4 32.02215 0.6583 5 48.49597 0.0797 6 36.23586 0.4576 7 32.19758 0.6501 8 33.80468 0.5734 9 30.67733 0.7195
10 39.06287 0.3338 11 25.91082 0.8929 12 92.35304 0.0000
Probs from chi-square with 36 df.
329
Prueba de normalidad multivariada de los residuos.
VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 21/07/13 Time: 07:47 Sample: 2004M01 2011M12 Included observations: 94
Component Skewness Chi-sq df Prob. 1 -0.453444 3.432444 1 0.0639
2 0.243188 0.987277 1 0.3204 3 0.081452 0.110753 1 0.7393 4 -0.297657 1.479073 1 0.2239 5 -0.016033 0.004291 1 0.9478 6 -0.792668 10.48912 1 0.0012 Joint 16.50296 6 0.0113
Component Kurtosis Chi-sq df Prob. 1 2.199848 2.492375 1 0.1144
2 2.645505 0.389473 1 0.5326 3 2.574413 0.602743 1 0.4375 4 3.399989 0.984290 1 0.3211 5 2.563164 0.640738 1 0.4234 6 4.827112 16.39584 1 0.0001 Joint 21.50545 6 0.0015
Component Jarque-Bera df Prob. 1 5.924820 2 0.0517
2 1.376750 2 0.5024 3 0.713496 2 0.6999 4 2.463363 2 0.2918 5 0.645029 2 0.7243 6 26.88496 2 0.0000
Joint 200.5265 182 0.1649
Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 21/07/13 Time: 07:48 Sample: 2004M01 2011M12 Included observations: 94
Joint test:
Chi-sq df Prob. 729.7221 693 0.1617
330
Prueba de cointegración de Johansen.
Date: 03/06/13 Time: 21:00 Sample (adjusted): 2004M04 2011M12 Included observations: 93 after adjustments Trend assumption: Linear deterministic trend Series: LPIB LOG(NI) LVAB_CON_SA LC_CON TA_CON TPM_A Lags interval (in first differences): 1 to 2 Unrestricted Cointegration Rank Test (Trace) Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None * 0.426572 116.7526 95.75366 0.0009
At most 1 0.278299 65.03312 69.81889 0.1135 At most 2 0.155673 34.70166 47.85613 0.4638 At most 3 0.118190 18.96466 29.79707 0.4954 At most 4 0.069556 7.267246 15.49471 0.5468 At most 5 0.006031 0.562608 3.841466 0.4532
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
Unrestricted Cointegration Rank Test (Maximum Eigenvalue) Hypothesized Max-Eigen 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None * 0.426572 51.71948 40.07757 0.0016
At most 1 0.278299 30.33146 33.87687 0.1251 At most 2 0.155673 15.73699 27.58434 0.6880 At most 3 0.118190 11.69742 21.13162 0.5777 At most 4 0.069556 6.704638 14.26460 0.5246 At most 5 0.006031 0.562608 3.841466 0.4532
Max-eigenvalue 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
331
Anexo 5.13. Modelo 13. LS 1 2 BLPIB_SA DLOG(IPC_N) DLOG(CRE_T) D(TA) BLY_ANP TO @ C DLOG(RI)
DLOG(RBE) DLOG(GRGC) DLOG(Q_M)
Salida del modelo.
Vector Autoregression Estimates Date: 12/05/13 Time: 19:38 Sample (adjusted): 2004M04 2011M12 Included observations: 93 after adjustments Standard errors in ( ) & t-statistics in [ ]
BLPIB_SA DLOG(IPC_N) DLOG(CRE_T) D(TA) BLY_ANP TO BLPIB_SA(-1) 0.136948 -0.020383 -0.013237 6.996393 0.148476 1.214110 (0.12483) (0.03874) (0.13378) (3.99352) (0.30421) (17.8416) [ 1.09710] [-0.52615] [-0.09894] [ 1.75194] [ 0.48807] [ 0.06805]
BLPIB_SA(-2) 0.207978 -0.048464 0.224937 -5.103311 -0.259293 -15.77366 (0.12446) (0.03863) (0.13339) (3.98176) (0.30331) (17.7891) [ 1.67104] [-1.25468] [ 1.68636] [-1.28167] [-0.85487] [-0.88671]
DLOG(IPC_N(-1)) 0.250344 0.335075 0.199011 -6.003042 0.321191 -83.96758 (0.37896) (0.11761) (0.40614) (12.1239) (0.92355) (54.1653) [ 0.66060] [ 2.84899] [ 0.49000] [-0.49514] [ 0.34778] [-1.55021]
DLOG(IPC_N(-2)) -0.568707 0.014941 -0.991401 19.09166 0.453819 22.20327 (0.36823) (0.11428) (0.39464) (11.7806) (0.89739) (52.6312) [-1.54443] [ 0.13074] [-2.51217] [ 1.62061] [ 0.50571] [ 0.42186]
DLOG(CRE_T(-1)) -0.010123 0.005615 0.264416 5.117572 0.240704 -32.64206 (0.11186) (0.03472) (0.11988) (3.57869) (0.27261) (15.9883) [-0.09050] [ 0.16174] [ 2.20561] [ 1.43001] [ 0.88296] [-2.04162]
DLOG(CRE_T(-2)) 0.044525 -0.060770 -0.020341 0.997619 0.035710 -5.880028 (0.10080) (0.03128) (0.10803) (3.22476) (0.24565) (14.4070) [ 0.44173] [-1.94261] [-0.18830] [ 0.30936] [ 0.14537] [-0.40814]
D(TA(-1)) 0.000186 0.001577 0.005221 -0.180913 0.001146 0.527734 (0.00372) (0.00115) (0.00398) (0.11890) (0.00906) (0.53121) [ 0.04998] [ 1.36717] [ 1.31089] [-1.52152] [ 0.12651] [ 0.99345]
D(TA(-2)) 0.003693 9.48E-05 5.81E-05 -0.049028 -0.007586 0.179003 (0.00353) (0.00110) (0.00379) (0.11299) (0.00861) (0.50482) [ 1.04558] [ 0.08647] [ 0.01535] [-0.43390] [-0.88130] [ 0.35459]
BLY_ANP(-1) 0.059201 0.016709 0.089038 -1.636595 0.355510 26.95291 (0.04590) (0.01424) (0.04919) (1.46841) (0.11186) (6.56034) [ 1.28982] [ 1.17299] [ 1.81005] [-1.11453] [ 3.17824] [ 4.10846]
BLY_ANP(-2) -0.013964 0.012903 -0.137834 3.039778 -0.131971 3.800097 (0.04387) (0.01361) (0.04702) (1.40348) (0.10691) (6.27022) [-0.31831] [ 0.94769] [-2.93169] [ 2.16589] [-1.23440] [ 0.60605]
TO(-1) 0.000370 5.05E-05 -0.000923 0.024776 0.000961 0.708289 (0.00079) (0.00024) (0.00084) (0.02520) (0.00192) (0.11257) [ 0.46956] [ 0.20662] [-1.09385] [ 0.98325] [ 0.50084] [ 6.29173]
TO(-2) -0.000184 0.000168 -0.000583 0.001138 -0.002469 0.034107 (0.00076) (0.00024) (0.00082) (0.02437) (0.00186) (0.10887) [-0.24151] [ 0.71106] [-0.71454] [ 0.04670] [-1.32986] [ 0.31328]
C 0.005314 0.011989 0.047464 -0.651716 -0.010361 4.114426 (0.01118) (0.00347) (0.01199) (0.35783) (0.02726) (1.59867) [ 0.47511] [ 3.45388] [ 3.95955] [-1.82128] [-0.38009] [ 2.57365]
332
DLOG(RI) 0.056614 -0.002319 -0.015018 -0.562200 0.291115 0.030830
(0.04624) (0.01435) (0.04955) (1.47928) (0.11268) (6.60887) [ 1.22439] [-0.16163] [-0.30307] [-0.38005] [ 2.58344] [ 0.00466]
DLOG(RBE) 0.002313 -0.000520 0.018057 0.064816 0.009849 -3.795721 (0.00965) (0.00300) (0.01035) (0.30883) (0.02353) (1.37974) [ 0.23964] [-0.17359] [ 1.74543] [ 0.20988] [ 0.41866] [-2.75104]
DLOG(GRGC) 0.007830 -0.004982 0.016936 0.425087 0.157924 3.563055 (0.01176) (0.00365) (0.01260) (0.37618) (0.02866) (1.68064) [ 0.66592] [-1.36522] [ 1.34394] [ 1.13000] [ 5.51103] [ 2.12005]
DLOG(Q_M) -0.012057 -0.004577 0.009580 -0.610138 0.213689 -6.613099 (0.04043) (0.01255) (0.04333) (1.29340) (0.09853) (5.77844) [-0.29824] [-0.36477] [ 0.22111] [-0.47173] [ 2.16887] [-1.14444] R-squared 0.214216 0.340201 0.436984 0.243797 0.543644 0.625954
Adj. R-squared 0.048788 0.201296 0.318455 0.084596 0.447569 0.547207 Sum sq. resids 0.047238 0.004550 0.054256 48.34818 0.280552 965.0185 S.E. equation 0.024931 0.007737 0.026719 0.797597 0.060757 3.563371 F-statistic 1.294920 2.449162 3.686709 1.531383 5.658545 7.948958 Log likelihood 220.7489 329.5632 214.3073 -101.5423 137.9060 -240.7503 Akaike AIC -4.381696 -6.721790 -4.243167 2.549298 -2.600128 5.543016 Schwarz SC -3.918748 -6.258842 -3.780219 3.012246 -2.137180 6.005964 Mean dependent 0.004292 0.017409 0.033643 -0.021613 0.003967 6.633441 S.D. dependent 0.025562 0.008658 0.032365 0.833637 0.081745 5.295551
Determinant resid covariance (dof adj.) 4.60E-13
Determinant resid covariance 1.37E-13 Log likelihood 585.5358 Akaike information criterion -10.39862 Schwarz criterion -7.620930
Gráfico de los residuos del modelo.
-.08
-.04
.00
.04
.08
.12
04 05 06 07 08 09 10 11
BLPIB_SA Residuals
-.03
-.02
-.01
.00
.01
.02
.03
04 05 06 07 08 09 10 11
DLOG(IPC_N) Residuals
-.08
-.04
.00
.04
.08
.12
04 05 06 07 08 09 10 11
DLOG(CRE_T) Residuals
-2
-1
0
1
2
3
04 05 06 07 08 09 10 11
D(TA) Residuals
-.2
-.1
.0
.1
.2
04 05 06 07 08 09 10 11
BLY_ANP Residuals
-10
-5
0
5
10
04 05 06 07 08 09 10 11
TO Residuals
333
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: BLPIB_SA DLOG(IPC_N) DLOG(CRE_T) D(TA) BLY_ANP TO Exogenous variables: C DLOG(RI) DLOG(RBE) DLOG(GRGC) DLOG(Q_M) Lag specification: 1 2 Date: 21/07/13 Time: 08:01
Root Modulus 0.826190 0.826190
0.516583 - 0.249600i 0.573723 0.516583 + 0.249600i 0.573723 -0.322614 - 0.282922i 0.429097 -0.322614 + 0.282922i 0.429097 0.422863 0.422863 -0.418919 0.418919 0.149373 - 0.375959i 0.404546 0.149373 + 0.375959i 0.404546 0.094249 - 0.200710i 0.221738 0.094249 + 0.200710i 0.221738 -0.085990 0.085990
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 21/07/13 Time: 08:02 Sample: 2004M01 2011M12 Included observations: 93
Dependent variable: BLPIB_SA Excluded Chi-sq df Prob. DLOG(IPC_N) 2.404655 2 0.3005
DLOG(CRE_T) 0.195985 2 0.9067 D(TA) 1.125417 2 0.5697
BLY_ANP 1.674044 2 0.4330 TO 0.223872 2 0.8941
All 7.273518 10 0.6994
Dependent variable: DLOG(IPC_N) Excluded Chi-sq df Prob. BLPIB_SA 2.524285 2 0.2830
DLOG(CRE_T) 3.785696 2 0.1506 D(TA) 1.914506 2 0.3839
BLY_ANP 2.726957 2 0.2558 TO 1.164864 2 0.5585
All 11.33669 10 0.3319
Dependent variable: DLOG(CRE_T)
334
Excluded Chi-sq df Prob. BLPIB_SA 3.055411 2 0.2170
DLOG(IPC_N) 6.467702 2 0.0394 D(TA) 1.793172 2 0.4080
BLY_ANP 10.37536 2 0.0056 TO 4.261671 2 0.1187
All 30.02364 10 0.0008
Dependent variable: D(TA) Excluded Chi-sq df Prob. BLPIB_SA 3.654898 2 0.1608
DLOG(IPC_N) 2.630567 2 0.2684 DLOG(CRE_T) 2.308263 2 0.3153
BLY_ANP 5.268488 2 0.0718 TO 1.639940 2 0.4404
All 20.44702 10 0.0253
Dependent variable: BLY_ANP Excluded Chi-sq df Prob. BLPIB_SA 0.783058 2 0.6760
DLOG(IPC_N) 0.563712 2 0.7544 DLOG(CRE_T) 0.852931 2 0.6528
D(TA) 0.881595 2 0.6435 TO 1.925625 2 0.3818
All 5.369416 10 0.8652
Dependent variable: TO Excluded Chi-sq df Prob. BLPIB_SA 0.836862 2 0.6581
DLOG(IPC_N) 2.416859 2 0.2987 DLOG(CRE_T) 4.656492 2 0.0975
D(TA) 1.007691 2 0.6042 BLY_ANP 18.61762 2 0.0001
All 22.04820 10 0.0149
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 21/07/13 Time: 08:03 Sample: 2004M01 2011M12 Included observations: 93
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values BLPIB_SA DLOG(IPC_N) DLOG(CRE_T) D(TA) BLY_ANP TO Joint Lag 1 5.823109 15.02453 17.71597 11.33204 22.89752 71.37413 136.1299 [ 0.443295] [ 0.020067] [ 0.006983] [ 0.078641] [ 0.000832] [ 2.14e-13] [ 1.48e-13]
Lag 2 6.845584 7.108764 18.04909 9.376116 6.029988 1.554645 55.24467 [ 0.335364] [ 0.310906] [ 0.006111] [ 0.153504] [ 0.419839] [ 0.955782] [ 0.021073] df 6 6 6 6 6 6 36
335
Orden de los rezagos.
VAR Lag Order Selection Criteria Endogenous variables: BLPIB_SA DLOG(IPC_N) DLOG(CRE_T) D(TA) BLY_ANP TO Exogenous variables: C DLOG(RI) DLOG(RBE) DLOG(GRGC) DLOG(Q_M) Date: 21/07/13 Time: 08:07 Sample: 2004M01 2011M12 Included observations: 87
Lag LogL LR FPE AIC SC HQ 0 436.8407 NA 3.50e-12 -9.352659 -8.502346* -9.010264
1 517.0983 140.2202 1.27e-12* -10.37007 -8.499386 -9.616806* 2 550.5180 53.77887 1.38e-12 -10.31076 -7.419694 -9.146616 3 583.9813 49.23346 1.53e-12 -10.25244 -6.341004 -8.677428 4 625.8173 55.78130 1.46e-12 -10.38661 -5.454789 -8.400715 5 659.2819 40.00359 1.76e-12 -10.32832 -4.376127 -7.931555 6 704.4739 47.78931 1.73e-12 -10.53963 -3.567063 -7.731993 7 733.5601 26.74586 2.70e-12 -10.38069 -2.387747 -7.162179 8 810.8945 60.44534* 1.57e-12 -11.33091* -2.317590 -7.701523 * 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
Prueba de correlación serial de los errores.
VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 21/07/13 Time: 08:08 Sample: 2004M01 2011M12 Included observations: 93
Lags LM-Stat Prob 1 46.16819 0.1194
2 36.26118 0.4565 3 46.04145 0.1219 4 47.43383 0.0962 5 40.69480 0.2713 6 43.35042 0.1865 7 50.31000 0.0570 8 40.18306 0.2901 9 28.73109 0.8001
10 58.94785 0.0093 11 34.57435 0.5364 12 97.99888 0.0000
Probs from chi-square with 36 df.
336
Prueba de normalidad multivariada de los residuos.
VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 21/07/13 Time: 08:09 Sample: 2004M01 2011M12 Included observations: 93
Component Skewness Chi-sq df Prob. 1 0.332552 1.827792 1 0.1764
2 0.541714 4.850057 1 0.0276 3 0.263310 1.145883 1 0.2844 4 0.291701 1.406314 1 0.2357 5 -0.296465 1.452621 1 0.2281 6 0.092659 0.141899 1 0.7064 Joint 10.82457 6 0.0940
Component Kurtosis Chi-sq df Prob. 1 2.818044 0.063455 1 0.8011
2 3.395833 0.960845 1 0.3270 3 3.439854 1.153693 1 0.2828 4 3.621850 2.138049 1 0.1437 5 2.054370 3.536023 1 0.0600 6 2.133686 2.928521 1 0.0870 Joint 10.78059 6 0.0954
Component Jarque-Bera df Prob. 1 1.891247 2 0.3884
2 5.810902 2 0.0547 3 2.299576 2 0.3167 4 3.544363 2 0.1700 5 4.988644 2 0.0826 6 3.070420 2 0.2154
Joint 192.5634 182 0.2816 Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 21/07/13 Time: 08:10 Sample: 2004M01 2011M12 Included observations: 93
Joint test:
Chi-sq df Prob. 766.0205 672 0.0067
337
Anexo 5.14. Modelo 14. LS 1 2 BLPIB_SA DLOG(IPC_N) DLOG(C_M) D(TA_I) BLY_MAN_SA D(TO) @ C
DLOG(RI) DLOG(GGC) DLOG(RBE) DLOG(TCN_NO)
Salida del modelo.
Vector Autoregression Estimates Date: 12/05/13 Time: 17:54 Sample (adjusted): 2004M04 2011M12 Included observations: 93 after adjustments Standard errors in ( ) & t-statistics in [ ]
BLPIB_SA DLOG(IPC_N) DLOG(C_M) D(TA_I) BLY_MAN_SA D(TO) BLPIB_SA(-1) 0.512877 0.063388 0.111708 20.23923 0.461960 40.45347 (0.17725) (0.05864) (0.46480) (7.25177) (0.29221) (29.8031) [ 2.89346] [ 1.08089] [ 0.24034] [ 2.79094] [ 1.58092] [ 1.35736]
BLPIB_SA(-2) -0.048127 0.009110 -0.296501 -1.358090 0.137683 4.749021 (0.17429) (0.05766) (0.45702) (7.13042) (0.28732) (29.3044) [-0.27613] [ 0.15798] [-0.64877] [-0.19046] [ 0.47920] [ 0.16206]
DLOG(IPC_N(-1)) 0.263144 0.351653 -0.125678 5.513105 -0.056946 -83.01949 (0.34272) (0.11339) (0.89867) (14.0211) (0.56498) (57.6238) [ 0.76782] [ 3.10133] [-0.13985] [ 0.39320] [-0.10079] [-1.44072]
DLOG(IPC_N(-2)) -0.531526 0.054336 -0.309231 -4.165417 -0.914773 13.14615 (0.33882) (0.11210) (0.88845) (13.8617) (0.55856) (56.9685) [-1.56876] [ 0.48472] [-0.34806] [-0.30050] [-1.63774] [ 0.23076]
DLOG(C_M(-1)) -0.058142 0.003103 -0.397088 -1.349673 -0.015371 3.875892 (0.04135) (0.01368) (0.10842) (1.69157) (0.06816) (6.95196) [-1.40620] [ 0.22686] [-3.66252] [-0.79788] [-0.22551] [ 0.55753]
DLOG(C_M(-2)) 0.002268 0.005945 -0.239625 2.687783 0.009231 -4.698047 (0.04281) (0.01416) (0.11224) (1.75125) (0.07057) (7.19723) [ 0.05298] [ 0.41975] [-2.13485] [ 1.53478] [ 0.13081] [-0.65276]
D(TA_I(-1)) -0.004266 0.000982 -0.008230 0.079148 -0.005886 -0.529706 (0.00306) (0.00101) (0.00802) (0.12514) (0.00504) (0.51430) [-1.39459] [ 0.97078] [-1.02602] [ 0.63246] [-1.16727] [-1.02995]
D(TA_I(-2)) 0.005399 -0.000642 -0.008130 0.016582 0.011049 -0.618126 (0.00292) (0.00097) (0.00767) (0.11961) (0.00482) (0.49159) [ 1.84667] [-0.66323] [-1.06041] [ 0.13863] [ 2.29246] [-1.25741]
BLY_MAN_SA(-1) -0.192344 -0.056959 -0.086348 -7.157386 -0.297399 -28.64826 (0.10304) (0.03409) (0.27019) (4.21545) (0.16986) (17.3246) [-1.86674] [-1.67083] [-0.31959] [-1.69789] [-1.75083] [-1.65362]
BLY_MAN_SA(-2) 0.187139 -0.065032 0.165199 -4.651483 0.077600 -25.44493 (0.10392) (0.03438) (0.27250) (4.25160) (0.17132) (17.4731) [ 1.80078] [-1.89144] [ 0.60623] [-1.09405] [ 0.45296] [-1.45623]
D(TO(-1)) 0.001030 -2.36E-05 0.002300 0.036557 0.000510 -0.059515 (0.00065) (0.00022) (0.00172) (0.02677) (0.00108) (0.11002) [ 1.57338] [-0.10919] [ 1.34027] [ 1.36551] [ 0.47273] [-0.54092]
D(TO(-2)) -0.000475 -0.000128 0.002503 -3.02E-05 -0.000725 0.002810 (0.00066) (0.00022) (0.00174) (0.02712) (0.00109) (0.11147) [-0.71715] [-0.58438] [ 1.43996] [-0.00111] [-0.66310] [ 0.02521]
C 0.007955 0.010460 0.049962 -0.133794 0.020888 1.290468 (0.00754) (0.00250) (0.01978) (0.30863) (0.01244) (1.26839) [ 1.05458] [ 4.19077] [ 2.52575] [-0.43351] [ 1.67965] [ 1.01741]
338
DLOG(RI) 0.064706 0.005125 -0.092112 0.539871 0.038714 13.93431 (0.04091) (0.01353) (0.10726) (1.67355) (0.06744) (6.87789) [ 1.58181] [ 0.37870] [-0.85874] [ 0.32259] [ 0.57410] [ 2.02596]
DLOG(GGC) 0.008011 -0.004262 0.038216 0.787277 0.011859 2.849864 (0.01100) (0.00364) (0.02885) (0.45008) (0.01814) (1.84973) [ 0.72821] [-1.17089] [ 1.32477] [ 1.74919] [ 0.65391] [ 1.54069]
DLOG(RBE) 0.005848 0.000109 0.028783 -0.129172 -0.003237 -3.185797 (0.00815) (0.00270) (0.02138) (0.33357) (0.01344) (1.37089) [ 0.71726] [ 0.04028] [ 1.34629] [-0.38724] [-0.24081] [-2.32390]
DLOG(TCN_NO) -0.003360 0.009555 0.029522 0.244158 -0.004209 -1.771209 (0.03598) (0.01190) (0.09434) (1.47195) (0.05931) (6.04938) [-0.09339] [ 0.80266] [ 0.31293] [ 0.16587] [-0.07097] [-0.29279] R-squared 0.300587 0.332587 0.251258 0.200588 0.177617 0.216905
Adj. R-squared 0.153342 0.192079 0.093628 0.032291 0.004484 0.052043 Sum sq. resids 0.042045 0.004602 0.289102 70.37455 0.114266 1188.644 S.E. equation 0.023521 0.007782 0.061676 0.962279 0.038775 3.954750 F-statistic 2.041408 2.367036 1.593977 1.191867 1.025898 1.315673 Log likelihood 226.1633 329.0297 136.5100 -118.9986 179.6736 -250.4418 Akaike AIC -4.498136 -6.710317 -2.570108 2.924701 -3.498356 5.751437 Schwarz SC -4.035188 -6.247369 -2.107160 3.387649 -3.035408 6.214385 Mean dependent 0.004292 0.017409 0.026339 -0.045699 0.005230 -0.095269 S.D. dependent 0.025562 0.008658 0.064784 0.978202 0.038862 4.061857
Determinant resid covariance (dof adj.) 9.96E-13
Determinant resid covariance 2.97E-13 Log likelihood 549.5657 Akaike information criterion -9.625068 Schwarz criterion -6.847379
Gráfico de los residuos del modelo.
-.08
-.06
-.04
-.02
.00
.02
.04
.06
04 05 06 07 08 09 10 11
BLPIB_SA Residuals
-.03
-.02
-.01
.00
.01
.02
.03
04 05 06 07 08 09 10 11
DLOG(IPC_N) Residuals
-.2
-.1
.0
.1
.2
04 05 06 07 08 09 10 11
DLOG(C_M) Residuals
-4
-2
0
2
4
6
04 05 06 07 08 09 10 11
D(TA_I) Residuals
-.10
-.05
.00
.05
.10
04 05 06 07 08 09 10 11
BLY_MAN_SA Residuals
-12
-8
-4
0
4
8
12
04 05 06 07 08 09 10 11
D(TO) Residuals
339
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: BLPIB_SA DLOG(IPC_N) DLOG(C_M) D(TA_I) BLY_MAN_SA D(TO) Exogenous variables: C DLOG(RI) DLOG(GGC) DLOG(RBE) DLOG(TCN_NO) Lag specification: 1 2 Date: 21/07/13 Time: 08:14
Root Modulus 0.717352 0.717352
-0.308525 - 0.480197i 0.570769 -0.308525 + 0.480197i 0.570769 -0.460962 - 0.242241i 0.520737 -0.460962 + 0.242241i 0.520737 0.269815 - 0.399359i 0.481963 0.269815 + 0.399359i 0.481963 -0.030899 - 0.414671i 0.415821 -0.030899 + 0.414671i 0.415821 0.305500 - 0.114371i 0.326206 0.305500 + 0.114371i 0.326206 -0.077531 0.077531
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 21/07/13 Time: 08:15 Sample: 2004M01 2011M12 Included observations: 93
Dependent variable: BLPIB_SA Excluded Chi-sq df Prob. DLOG(IPC_N) 2.478285 2 0.2896
DLOG(C_M) 2.158090 2 0.3399 D(TA_I) 5.168578 2 0.0754
BLY_MAN_SA 7.261827 2 0.0265 D(TO) 3.373938 2 0.1851
All 17.43555 10 0.0653
Dependent variable: DLOG(IPC_N) Excluded Chi-sq df Prob. BLPIB_SA 1.459615 2 0.4820
DLOG(C_M) 0.191580 2 0.9087 D(TA_I) 1.335707 2 0.5128
BLY_MAN_SA 5.936129 2 0.0514 D(TO) 0.342240 2 0.8427
All 10.52337 10 0.3958
Dependent variable: DLOG(C_M)
340
Excluded Chi-sq df Prob. BLPIB_SA 0.421843 2 0.8098
DLOG(IPC_N) 0.218154 2 0.8967 D(TA_I) 2.262287 2 0.3227
BLY_MAN_SA 0.500888 2 0.7785 D(TO) 3.394102 2 0.1832
All 7.514517 10 0.6761
Dependent variable: D(TA_I) Excluded Chi-sq df Prob. BLPIB_SA 8.367874 2 0.0152
DLOG(IPC_N) 0.177587 2 0.9150 DLOG(C_M) 3.866525 2 0.1447
BLY_MAN_SA 3.827046 2 0.1476 D(TO) 1.902672 2 0.3862
All 17.12513 10 0.0716
Dependent variable: BLY_MAN_SA Excluded Chi-sq df Prob. BLPIB_SA 3.605674 2 0.1648
DLOG(IPC_N) 3.410932 2 0.1817 DLOG(C_M) 0.088742 2 0.9566
D(TA_I) 6.425574 2 0.0402 D(TO) 0.766515 2 0.6816
All 12.35673 10 0.2619
Dependent variable: D(TO) Excluded Chi-sq df Prob. BLPIB_SA 2.251146 2 0.3245
DLOG(IPC_N) 2.235821 2 0.3270 DLOG(C_M) 0.986212 2 0.6107
D(TA_I) 2.743214 2 0.2537 BLY_MAN_SA 4.525066 2 0.1041
All 11.96975 10 0.2871
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 21/07/13 Time: 08:17 Sample: 2004M01 2011M12 Included observations: 93
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values BLPIB_SA DLOG(IPC_N) DLOG(C_M) D(TA_I) BLY_MAN_SA D(TO) Joint Lag 1 15.04690 18.12077 14.94932 12.73438 4.340365 6.815006 76.31883 [ 0.019895] [ 0.005937] [ 0.020655] [ 0.047453] [ 0.630719] [ 0.338295] [ 0.000101]
Lag 2 10.77779 8.619029 8.836207 6.288743 9.332497 5.947355 50.56837 [ 0.095492] [ 0.196164] [ 0.183001] [ 0.391634] [ 0.155724] [ 0.429113] [ 0.054303] df 6 6 6 6 6 6 36
341
Orden de los rezagos.
VAR Lag Order Selection Criteria Endogenous variables: BLPIB_SA DLOG(IPC_N) DLOG(C_M) D(TA_I) BLY_MAN_SA D(TO) Exogenous variables: C DLOG(RI) DLOG(GGC) DLOG(RBE) DLOG(TCN_NO) Date: 21/07/13 Time: 08:18 Sample: 2004M01 2011M12 Included observations: 87
Lag LogL LR FPE AIC SC HQ 0 449.2612 NA 2.63e-12 -9.638189 -8.787876* -9.295794*
1 491.4980 73.79302* 2.29e-12* -9.781564* -7.910875 -9.028295 2 519.6198 45.25342 2.81e-12 -9.600455 -6.709390 -8.436312 3 550.9241 46.05690 3.28e-12 -9.492508 -5.581067 -7.917491 4 578.1394 36.28706 4.36e-12 -9.290560 -4.358744 -7.304670 5 607.5427 35.14878 5.78e-12 -9.138912 -3.186720 -6.742148 6 638.7033 32.95147 7.86e-12 -9.027662 -2.055095 -6.220024 7 679.9129 37.89385 9.28e-12 -9.147423 -1.154479 -5.928911 8 721.1908 32.26320 1.24e-11 -9.268754 -0.255435 -5.639368 * 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
Prueba de correlación serial de los errores.
VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 21/07/13 Time: 08:19 Sample: 2004M01 2011M12 Included observations: 93
Lags LM-Stat Prob 1 48.37947 0.0814
2 46.13864 0.1200 3 37.73540 0.3899 4 46.59154 0.1112 5 50.89232 0.0510 6 29.46030 0.7713 7 40.22765 0.2885 8 33.92559 0.5676 9 32.26007 0.6472
10 27.33826 0.8499 11 50.26376 0.0575 12 35.66243 0.4845
Probs from chi-square with 36 df.
342
Prueba de normalidad multivariada de los residuos. VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 21/07/13 Time: 08:21 Sample: 2004M01 2011M12 Included observations: 93
Component Skewness Chi-sq df Prob. 1 -0.141713 0.331914 1 0.5645
2 0.312372 1.612689 1 0.2041 3 0.201254 0.669413 1 0.4133 4 0.394776 2.575777 1 0.1085 5 -0.100271 0.166171 1 0.6835 6 0.063171 0.065954 1 0.7973 Joint 5.421918 6 0.4909
Component Kurtosis Chi-sq df Prob. 1 1.955901 4.369842 1 0.0366
2 3.579035 1.879380 1 0.1704 3 2.266441 2.039734 1 0.1532 4 4.618120 12.86475 1 0.0003 5 2.713884 0.224699 1 0.6355 6 2.522775 0.777151 1 0.3780 Joint 22.15555 6 0.0011
Component Jarque-Bera df Prob. 1 4.701756 2 0.0953
2 3.492070 2 0.1745 3 2.709147 2 0.2581 4 15.44052 2 0.0004 5 0.390870 2 0.8225 6 0.843105 2 0.6560
Joint 207.0431 182 0.0983 Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 21/07/13 Time: 08:21 Sample: 2004M01 2011M12 Included observations: 93
Joint test:
Chi-sq df Prob. 730.9243 672 0.0570
343
Anexo 5.15. Modelo 15. LS 1 2 BLPIB_SA DLOG(IPC_N) DLOG(C_COM) D(TA_C) BLY_COM_SA D(TO) @ C
DLOG(RI) DLOG(GGC) DLOG(RBE) DLOG(TCN_NO)
Salida del modelo.
Vector Autoregression Estimates Date: 12/05/13 Time: 18:18 Sample (adjusted): 2004M04 2011M12 Included observations: 93 after adjustments Standard errors in ( ) & t-statistics in [ ]
BLPIB_SA DLOG(IPC_N) DLOG(C_COM) D(TA_C) BLY_COM_SA D(TO) BLPIB_SA(-1) -0.038951 -0.011146 -0.415376 -1.000229 0.153302 -5.313738 (0.15592) (0.05246) (0.33625) (5.50767) (0.24944) (26.5127) [-0.24981] [-0.21247] [-1.23533] [-0.18161] [ 0.61457] [-0.20042]
BLPIB_SA(-2) -0.027534 -0.002155 -0.284950 -1.379994 -0.161439 -49.96735 (0.15247) (0.05130) (0.32880) (5.38578) (0.24392) (25.9259) [-0.18059] [-0.04200] [-0.86662] [-0.25623] [-0.66184] [-1.92731]
DLOG(IPC_N(-1)) 0.341739 0.401046 0.242381 1.074074 0.690554 -64.15551 (0.34008) (0.11441) (0.73337) (12.0126) (0.54405) (57.8258) [ 1.00489] [ 3.50519] [ 0.33050] [ 0.08941] [ 1.26927] [-1.10946]
DLOG(IPC_N(-2)) -0.657571 0.049833 -1.530925 17.93952 -0.996664 7.783577 (0.34164) (0.11494) (0.73674) (12.0677) (0.54655) (58.0913) [-1.92476] [ 0.43355] [-2.07797] [ 1.48657] [-1.82355] [ 0.13399]
DLOG(C_COM(-1)) 0.004432 0.007575 -0.044596 3.746857 0.014969 0.654427 (0.05222) (0.01757) (0.11261) (1.84459) (0.08354) (8.87943) [ 0.08486] [ 0.43116] [-0.39601] [ 2.03127] [ 0.17918] [ 0.07370]
DLOG(C_COM(-2)) 0.008714 -0.014309 0.002871 -1.463751 0.006830 9.566222 (0.04561) (0.01535) (0.09836) (1.61112) (0.07297) (7.75555) [ 0.19105] [-0.93245] [ 0.02919] [-0.90853] [ 0.09360] [ 1.23347]
D(TA_C(-1)) 0.000412 0.001233 -0.023165 -0.229103 0.001425 -0.129843 (0.00325) (0.00109) (0.00701) (0.11489) (0.00520) (0.55304) [ 0.12655] [ 1.12657] [-3.30273] [-1.99414] [ 0.27387] [-0.23478]
D(TA_C(-2)) 0.004889 0.001387 -0.008495 -0.010002 0.005328 -0.046513 (0.00323) (0.00109) (0.00697) (0.11411) (0.00517) (0.54932) [ 1.51346] [ 1.27598] [-1.21930] [-0.08765] [ 1.03082] [-0.08467]
BLY_COM_SA(-1) 0.142623 0.010459 0.598371 4.203730 0.310372 14.62907 (0.08853) (0.02978) (0.19090) (3.12700) (0.14162) (15.0527) [ 1.61109] [ 0.35118] [ 3.13440] [ 1.34433] [ 2.19153] [ 0.97186]
BLY_COM_SA(-2) 0.143112 -0.036301 -0.082994 1.097767 0.299715 10.53197 (0.09027) (0.03037) (0.19467) (3.18869) (0.14442) (15.3496) [ 1.58534] [-1.19525] [-0.42633] [ 0.34427] [ 2.07534] [ 0.68614]
D(TO(-1)) 0.000456 6.60E-05 0.000756 0.041218 1.89E-05 -0.069380 (0.00064) (0.00022) (0.00139) (0.02271) (0.00103) (0.10934) [ 0.70847] [ 0.30504] [ 0.54540] [ 1.81459] [ 0.01833] [-0.63452]
D(TO(-2)) -0.000230 -9.76E-05 0.001561 0.003773 0.000683 -0.041837 (0.00066) (0.00022) (0.00143) (0.02340) (0.00106) (0.11264) [-0.34751] [-0.43781] [ 1.09244] [ 0.16124] [ 0.64480] [-0.37143]
C 0.007436 0.009969 0.052677 -0.442137 0.005925 0.676355 (0.00755) (0.00254) (0.01628) (0.26673) (0.01208) (1.28396) [ 0.98474] [ 3.92418] [ 3.23496] [-1.65764] [ 0.49045] [ 0.52677]
344
DLOG(RI) 0.071655 -0.001169 0.013232 -0.679329 0.142687 10.78640 (0.04159) (0.01399) (0.08968) (1.46903) (0.06653) (7.07157) [ 1.72296] [-0.08353] [ 0.14754] [-0.46243] [ 2.14461] [ 1.52532]
DLOG(GGC) 0.002361 -0.005645 0.063322 -0.018976 0.021109 3.014538 (0.01086) (0.00365) (0.02343) (0.38371) (0.01738) (1.84710) [ 0.21738] [-1.54463] [ 2.70309] [-0.04945] [ 1.21468] [ 1.63204]
DLOG(RBE) 0.002269 0.000982 0.016653 0.002912 0.005499 -2.925432 (0.00861) (0.00290) (0.01856) (0.30397) (0.01377) (1.46322) [ 0.26372] [ 0.33930] [ 0.89740] [ 0.00958] [ 0.39944] [-1.99931]
DLOG(TCN_NO) -0.016372 0.013211 -0.131540 -1.151143 0.083769 -3.111432 (0.03752) (0.01262) (0.08092) (1.32543) (0.06003) (6.38031) [-0.43631] [ 1.04646] [-1.62559] [-0.86851] [ 1.39547] [-0.48766] R-squared 0.283323 0.292815 0.332341 0.288677 0.419502 0.179347
Adj. R-squared 0.132443 0.143934 0.191782 0.138924 0.297292 0.006578 Sum sq. resids 0.043083 0.004877 0.200356 53.75573 0.110265 1245.652 S.E. equation 0.023809 0.008010 0.051345 0.841019 0.038090 4.048476 F-statistic 1.877810 1.966774 2.364413 1.927694 3.432625 1.038074 Log likelihood 225.0295 326.3382 153.5607 -106.4723 181.3309 -252.6202 Akaike AIC -4.473752 -6.652433 -2.936789 2.655319 -3.533999 5.798283 Schwarz SC -4.010804 -6.189485 -2.473841 3.118268 -3.071051 6.261231 Mean dependent 0.004292 0.017409 0.031122 -0.008710 0.007706 -0.095269 S.D. dependent 0.025562 0.008658 0.057112 0.906327 0.045439 4.061857
Determinant resid covariance (dof adj.) 7.47E-13
Determinant resid covariance 2.22E-13 Log likelihood 562.9692 Akaike information criterion -9.913317 Schwarz criterion -7.135627
Gráfico de los residuos del modelo.
-.08
-.04
.00
.04
.08
04 05 06 07 08 09 10 11
BLPIB_SA Residuals
-.03
-.02
-.01
.00
.01
.02
.03
04 05 06 07 08 09 10 11
DLOG(IPC_N) Residuals
-.15
-.10
-.05
.00
.05
.10
.15
04 05 06 07 08 09 10 11
DLOG(C_COM) Residuals
-2
-1
0
1
2
3
04 05 06 07 08 09 10 11
D(TA_C) Residuals
-.12
-.08
-.04
.00
.04
.08
.12
04 05 06 07 08 09 10 11
BLY_COM_SA Residuals
-15
-10
-5
0
5
10
15
04 05 06 07 08 09 10 11
D(TO) Residuals
345
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: BLPIB_SA DLOG(IPC_N) DLOG(C_COM) D(TA_C) BLY_COM_SA D(TO) Exogenous variables: C DLOG(RI) DLOG(GGC) DLOG(RBE) DLOG(TCN_NO) Lag specification: 1 2 Date: 21/07/13 Time: 08:31
Root Modulus 0.777820 0.777820
0.518666 0.518666 -0.137714 - 0.477946i 0.497391 -0.137714 + 0.477946i 0.497391 -0.476358 - 0.139534i 0.496374 -0.476358 + 0.139534i 0.496374 0.443880 0.443880 -0.420738 0.420738 0.040477 - 0.389095i 0.391195 0.040477 + 0.389095i 0.391195 0.078476 - 0.321374i 0.330817 0.078476 + 0.321374i 0.330817
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 21/07/13 Time: 08:32 Sample: 2004M01 2011M12 Included observations: 93
Dependent variable: BLPIB_SA Excluded Chi-sq df Prob. DLOG(IPC_N) 3.731134 2 0.1548
DLOG(C_COM) 0.042837 2 0.9788 D(TA_C) 2.473207 2 0.2904
BLY_COM_SA 6.286289 2 0.0431 D(TO) 0.704717 2 0.7030
All 15.18480 10 0.1255
Dependent variable: DLOG(IPC_N) Excluded Chi-sq df Prob. BLPIB_SA 0.047329 2 0.9766
DLOG(C_COM) 1.078408 2 0.5832 D(TA_C) 2.157691 2 0.3400
BLY_COM_SA 1.445415 2 0.4854 D(TO) 0.328173 2 0.8487
All 5.657293 10 0.8432
Dependent variable: DLOG(C_COM)
346
Excluded Chi-sq df Prob. BLPIB_SA 2.325846 2 0.3126
DLOG(IPC_N) 4.763534 2 0.0924 D(TA_C) 10.91342 2 0.0043
BLY_COM_SA 9.851230 2 0.0073 D(TO) 1.351397 2 0.5088
All 28.90413 10 0.0013
Dependent variable: D(TA_C) Excluded Chi-sq df Prob. BLPIB_SA 0.100754 2 0.9509
DLOG(IPC_N) 2.918350 2 0.2324 DLOG(C_COM) 5.057377 2 0.0798 BLY_COM_SA 2.175462 2 0.3370
D(TO) 3.301167 2 0.1919 All 19.76276 10 0.0316
Dependent variable: BLY_COM_SA Excluded Chi-sq df Prob. BLPIB_SA 0.798036 2 0.6710
DLOG(IPC_N) 3.583995 2 0.1666 DLOG(C_COM) 0.039971 2 0.9802
D(TA_C) 1.070839 2 0.5854 D(TO) 0.420942 2 0.8102
All 6.186483 10 0.7994
Dependent variable: D(TO) Excluded Chi-sq df Prob. BLPIB_SA 3.773747 2 0.1515
DLOG(IPC_N) 1.394008 2 0.4981 DLOG(C_COM) 1.523012 2 0.4670
D(TA_C) 0.055131 2 0.9728 BLY_COM_SA 1.725649 2 0.4220
All 7.943759 10 0.6343
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 21/07/13 Time: 08:33 Sample: 2004M01 2011M12 Included observations: 93
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values BLPIB_SA DLOG(IPC_N) DLOG(C_COM) D(TA_C) BLY_COM_SA D(TO) Joint Lag 1 5.611637 16.20180 21.47032 19.81107 14.39522 3.428340 80.27832 [ 0.468068] [ 0.012711] [ 0.001510] [ 0.002992] [ 0.025520] [ 0.753478] [ 3.20e-05]
Lag 2 9.976442 5.596377 10.22763 3.362595 10.08014 5.457792 39.72735 [ 0.125648] [ 0.469886] [ 0.115388] [ 0.762152] [ 0.121317] [ 0.486573] [ 0.307488] df 6 6 6 6 6 6 36
347
Orden de los rezagos.
VAR Lag Order Selection Criteria Endogenous variables: BLPIB_SA DLOG(IPC_N) DLOG(C_COM) D(TA_C) BLY_COM_SA D(TO) Exogenous variables: C DLOG(RI) DLOG(GGC) DLOG(RBE) DLOG(TCN_NO) Date: 21/07/13 Time: 08:34 Sample: 2004M01 2011M12 Included observations: 87
Lag LogL LR FPE AIC SC HQ 0 453.4851 NA 2.39e-12 -9.735290 -8.884977* -9.392895*
1 503.3866 87.18414* 1.75e-12* -10.05486* -8.184174 -9.301594 2 526.2877 36.85236 2.41e-12 -9.753739 -6.862675 -8.589597 3 559.1379 48.33144 2.72e-12 -9.681332 -5.769891 -8.106315 4 586.5510 36.55070 3.59e-12 -9.483930 -4.552114 -7.498040 5 622.0819 42.47380 4.14e-12 -9.473148 -3.520956 -7.076384 6 661.9486 42.15789 4.60e-12 -9.562037 -2.589470 -6.754399 7 700.2043 35.17764 5.82e-12 -9.613892 -1.620949 -6.395380 8 745.9172 35.72962 7.01e-12 -9.837177 -0.823858 -6.207791 * 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
Prueba de correlación serial de los errores.
VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 21/07/13 Time: 08:35 Sample: 2004M01 2011M12 Included observations: 93
Lags LM-Stat Prob 1 31.16438 0.6978
2 33.57394 0.5845 3 43.89470 0.1717 4 39.67367 0.3096 5 35.24870 0.5041 6 31.05724 0.7026 7 45.69771 0.1290 8 38.39224 0.3616 9 36.67493 0.4374
10 60.49136 0.0065 11 45.91234 0.1246 12 40.61805 0.2741
Probs from chi-square with 36 df.
348
Prueba de normalidad multivariada de los residuos. VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 21/07/13 Time: 08:36 Sample: 2004M01 2011M12 Included observations: 93
Component Skewness Chi-sq df Prob. 1 0.369015 2.250576 1 0.1336
2 0.341732 1.930090 1 0.1647 3 -0.082402 0.112222 1 0.7376 4 -0.040115 0.026596 1 0.8705 5 0.019704 0.006417 1 0.9362 6 0.083862 0.116234 1 0.7332 Joint 4.442135 6 0.6171
Component Kurtosis Chi-sq df Prob. 1 2.400193 1.306372 1 0.2531
2 2.746038 0.164393 1 0.6851 3 1.927103 4.630365 1 0.0314 4 1.993657 4.039707 1 0.0444 5 2.144287 2.851658 1 0.0913 6 2.771804 0.122858 1 0.7260 Joint 13.11535 6 0.0412
Component Jarque-Bera df Prob. 1 3.556948 2 0.1689
2 2.094484 2 0.3509 3 4.742587 2 0.0934 4 4.066303 2 0.1309 5 2.858075 2 0.2395 6 0.239091 2 0.8873
Joint 155.9027 182 0.9198
Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 21/07/13 Time: 08:37 Sample: 2004M01 2011M12 Included observations: 93
Joint test:
Chi-sq df Prob. 634.5656 672 0.8467
349
Anexo 5.16. Modelo 16. LS 1 2 BLPIB_SA DLOG(IPC_N) DLOG(C_CON) D(TA_CON) BLY_CON_SA D(TO) @
C DLOG(RI) DLOG(GGC) DLOG(RBE) DLOG(TCN_NO)
Salida del modelo.
Vector Autoregression Estimates Date: 12/05/13 Time: 18:25 Sample (adjusted): 2004M04 2011M12 Included observations: 93 after adjustments Standard errors in ( ) & t-statistics in [ ]
BLPIB_SA DLOG(IPC_N) DLOG(C_CON) D(TA_CON) BLY_CON_SA D(TO) BLPIB_SA(-1) 0.237388 0.018257 0.181116 4.009101 0.185310 4.635206 (0.12568) (0.04076) (0.34922) (7.21031) (0.35450) (19.8593) [ 1.88887] [ 0.44786] [ 0.51863] [ 0.55602] [ 0.52274] [ 0.23340]
BLPIB_SA(-2) 0.177440 -0.051583 -0.163698 -6.221402 0.242630 -28.29700 (0.11853) (0.03845) (0.32935) (6.80007) (0.33433) (18.7294) [ 1.49705] [-1.34172] [-0.49703] [-0.91490] [ 0.72573] [-1.51084]
DLOG(IPC_N(-1)) 0.354899 0.411957 -0.563196 -1.509986 1.580449 -49.75740 (0.36051) (0.11694) (1.00175) (20.6830) (1.01688) (56.9670) [ 0.98444] [ 3.52295] [-0.56221] [-0.07301] [ 1.55421] [-0.87344]
DLOG(IPC_N(-2)) -0.523256 0.072306 -1.287623 41.54724 -0.000163 -2.738513 (0.36671) (0.11895) (1.01899) (21.0389) (1.03438) (57.9473) [-1.42688] [ 0.60788] [-1.26363] [ 1.97478] [-0.00016] [-0.04726]
DLOG(C_CON(-1)) 0.011953 -0.007035 -0.439826 4.388913 0.189132 0.804256 (0.04067) (0.01319) (0.11301) (2.33326) (0.11472) (6.42648) [ 0.29390] [-0.53332] [-3.89200] [ 1.88102] [ 1.64871] [ 0.12515]
DLOG(C_CON(-2)) -0.031722 -0.013756 -0.266365 -0.085611 0.006115 -2.906908 (0.04128) (0.01339) (0.11472) (2.36857) (0.11645) (6.52371) [-0.76836] [-1.02726] [-2.32192] [-0.03614] [ 0.05251] [-0.44559]
D(TA_CON(-1)) -0.000659 5.26E-06 -0.004434 -0.210508 0.000429 -0.497113 (0.00200) (0.00065) (0.00557) (0.11491) (0.00565) (0.31651) [-0.32891] [ 0.00810] [-0.79667] [-1.83187] [ 0.07599] [-1.57062]
D(TA_CON(-2)) -0.001032 -6.44E-06 -0.002139 -0.146828 -0.002678 -0.556858 (0.00191) (0.00062) (0.00531) (0.10960) (0.00539) (0.30188) [-0.54004] [-0.01040] [-0.40296] [-1.33964] [-0.49699] [-1.84465]
BLY_CON_SA(-1) -0.025578 -0.012631 -0.015094 -1.853922 0.192148 8.838147 (0.04115) (0.01335) (0.11434) (2.36071) (0.11606) (6.50208) [-0.62162] [-0.94639] [-0.13202] [-0.78532] [ 1.65553] [ 1.35928]
BLY_CON_SA(-2) 0.056930 0.011035 -0.094843 1.970494 0.278526 5.427755 (0.04140) (0.01343) (0.11504) (2.37523) (0.11678) (6.54208) [ 1.37510] [ 0.82173] [-0.82443] [ 0.82960] [ 2.38508] [ 0.82967]
D(TO(-1)) 0.000434 0.000111 0.002056 0.009463 -0.001859 -0.110744 (0.00068) (0.00022) (0.00188) (0.03888) (0.00191) (0.10708) [ 0.64016] [ 0.50714] [ 1.09183] [ 0.24342] [-0.97243] [-1.03426]
D(TO(-2)) -0.000375 -5.75E-05 0.001569 0.024352 -0.003332 -0.016930 (0.00067) (0.00022) (0.00187) (0.03858) (0.00190) (0.10626) [-0.55693] [-0.26371] [ 0.83961] [ 0.63121] [-1.75693] [-0.15933]
C 0.005248 0.009831 0.097629 -0.973404 -0.033900 0.955848 (0.00809) (0.00262) (0.02249) (0.46425) (0.02282) (1.27867) [ 0.64850] [ 3.74559] [ 4.34194] [-2.09674] [-1.48525] [ 0.74753]
350
DLOG(RI) 0.077716 0.002109 0.236977 -3.046665 -0.052245 13.92022 (0.04412) (0.01431) (0.12259) (2.53102) (0.12444) (6.97116) [ 1.76161] [ 0.14741] [ 1.93315] [-1.20373] [-0.41985] [ 1.99683]
DLOG(GGC) 0.007188 -0.004174 0.035800 0.534486 0.036904 2.351028 (0.01175) (0.00381) (0.03264) (0.67395) (0.03314) (1.85626) [ 0.61190] [-1.09532] [ 1.09676] [ 0.79306] [ 1.11374] [ 1.26654]
DLOG(RBE) 0.005869 0.000883 -0.006090 0.197628 -0.024201 -2.800519 (0.00859) (0.00279) (0.02386) (0.49269) (0.02422) (1.35702) [ 0.68342] [ 0.31693] [-0.25522] [ 0.40112] [-0.99909] [-2.06373]
DLOG(TCN_NO) 0.003332 0.009003 -0.329656 2.405360 0.115607 -3.024747 (0.03812) (0.01236) (0.10591) (2.18678) (0.10751) (6.02302) [ 0.08742] [ 0.72823] [-3.11252] [ 1.09996] [ 1.07528] [-0.50220] R-squared 0.221808 0.286254 0.293704 0.221455 0.251597 0.230428
Adj. R-squared 0.057978 0.135991 0.145010 0.057551 0.094039 0.068413 Sum sq. resids 0.046781 0.004922 0.361207 153.9811 0.372204 1168.117 S.E. equation 0.024810 0.008047 0.068940 1.423400 0.069982 3.920454 F-statistic 1.353893 1.905024 1.975228 1.351126 1.596850 1.422265 Log likelihood 221.2003 325.9087 126.1557 -155.4080 124.7611 -249.6318 Akaike AIC -4.391405 -6.643198 -2.347435 3.707699 -2.317443 5.734017 Schwarz SC -3.928456 -6.180249 -1.884487 4.170647 -1.854495 6.196965 Mean dependent 0.004292 0.017409 0.037150 -0.071613 0.005201 -0.095269 S.D. dependent 0.025562 0.008658 0.074557 1.466216 0.073524 4.061857
Determinant resid covariance (dof adj.) 2.42E-11
Determinant resid covariance 7.22E-12 Log likelihood 401.1582 Akaike information criterion -6.433509 Schwarz criterion -3.655819
Gráfico de los residuos del modelo.
-.08
-.04
.00
.04
.08
04 05 06 07 08 09 10 11
BLPIB_SA Residuals
-.03
-.02
-.01
.00
.01
.02
.03
04 05 06 07 08 09 10 11
DLOG(IPC_N) Residuals
-.2
-.1
.0
.1
.2
04 05 06 07 08 09 10 11
DLOG(C_CON) Residuals
-4
-2
0
2
4
6
04 05 06 07 08 09 10 11
D(TA_CON) Residuals
-.2
-.1
.0
.1
.2
.3
04 05 06 07 08 09 10 11
BLY_CON_SA Residuals
-10
-5
0
5
10
15
04 05 06 07 08 09 10 11
D(TO) Residuals
351
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: BLPIB_SA DLOG(IPC_N) DLOG(C_CON) D(TA_CON) BLY_CON_SA D(TO) Exogenous variables: C DLOG(RI) DLOG(GGC) DLOG(RBE) DLOG(TCN_NO) Lag specification: 1 2 Date: 21/07/13 Time: 08:40
Root Modulus 0.686156 0.686156
0.668562 0.668562 -0.575794 0.575794 -0.122458 - 0.472598i 0.488205 -0.122458 + 0.472598i 0.488205 -0.277368 - 0.353030i 0.448958 -0.277368 + 0.353030i 0.448958 0.165879 - 0.368814i 0.404400 0.165879 + 0.368814i 0.404400 -0.396434 0.396434 0.082909 - 0.227541i 0.242175 0.082909 + 0.227541i 0.242175
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 21/07/13 Time: 08:41 Sample: 2004M01 2011M12 Included observations: 93
Dependent variable: BLPIB_SA Excluded Chi-sq df Prob. DLOG(IPC_N) 2.167540 2 0.3383
DLOG(C_CON) 0.902281 2 0.6369 D(TA_CON) 0.332313 2 0.8469
BLY_CON_SA 1.941428 2 0.3788 D(TO) 0.833368 2 0.6592
All 7.976793 10 0.6311
Dependent variable: DLOG(IPC_N) Excluded Chi-sq df Prob. BLPIB_SA 1.800897 2 0.4064
DLOG(C_CON) 1.106885 2 0.5750 D(TA_CON) 0.000229 2 0.9999
BLY_CON_SA 1.217243 2 0.5441 D(TO) 0.370351 2 0.8310
All 4.906586 10 0.8973
Dependent variable: DLOG(C_CON)
352
Excluded Chi-sq df Prob. BLPIB_SA 0.381818 2 0.8262
DLOG(IPC_N) 3.282802 2 0.1937 D(TA_CON) 0.679891 2 0.7118
BLY_CON_SA 0.834610 2 0.6588 D(TO) 1.677260 2 0.4323
All 7.375161 10 0.6896
Dependent variable: D(TA_CON) Excluded Chi-sq df Prob. BLPIB_SA 0.899468 2 0.6378
DLOG(IPC_N) 4.810646 2 0.0902 DLOG(C_CON) 3.959083 2 0.1381 BLY_CON_SA 1.007625 2 0.6042
D(TO) 0.423514 2 0.8092 All 11.61650 10 0.3115
Dependent variable: BLY_CON_SA Excluded Chi-sq df Prob. BLPIB_SA 1.218205 2 0.5438
DLOG(IPC_N) 3.081203 2 0.2143 DLOG(C_CON) 2.948744 2 0.2289
D(TA_CON) 0.289114 2 0.8654 D(TO) 3.632324 2 0.1626
All 9.469529 10 0.4882
Dependent variable: D(TO) Excluded Chi-sq df Prob. BLPIB_SA 2.384441 2 0.3035
DLOG(IPC_N) 1.025027 2 0.5990 DLOG(C_CON) 0.274867 2 0.8716
D(TA_CON) 4.725902 2 0.0941 BLY_CON_SA 3.510843 2 0.1728
All 13.51563 10 0.1963
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 21/07/13 Time: 08:43 Sample: 2004M01 2011M12 Included observations: 93
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values BLPIB_SA DLOG(IPC_N) DLOG(C_CON) D(TA_CON) BLY_CON_SA D(TO) Joint Lag 1 6.322729 16.90387 16.02567 10.07870 8.176169 7.507544 70.47401 [ 0.388025] [ 0.009643] [ 0.013617] [ 0.121377] [ 0.225479] [ 0.276445] [ 0.000516]
Lag 2 9.049539 4.265164 7.534568 6.477956 10.24325 6.171036 42.30652 [ 0.170811] [ 0.640841] [ 0.274222] [ 0.371829] [ 0.114775] [ 0.404306] [ 0.217291] df 6 6 6 6 6 6 36
353
Orden de los rezagos.
VAR Lag Order Selection Criteria Endogenous variables: BLPIB_SA DLOG(IPC_N) DLOG(C_CON) D(TA_CON) BLY_CON_SA D(TO) Exogenous variables: C DLOG(RI) DLOG(GGC) DLOG(RBE) DLOG(TCN_NO) Date: 21/07/13 Time: 08:44 Sample: 2004M01 2011M12 Included observations: 87
Lag LogL LR FPE AIC SC HQ 0 309.2894 NA 6.56e-11* -6.420446* -5.570133* -6.078051*
1 344.1957 60.98572 6.78e-11 -6.395303 -4.524614 -5.642035 2 369.0787 40.04160 8.95e-11 -6.139740 -3.248675 -4.975597 3 407.9563 57.19928* 8.78e-11 -6.205893 -2.294452 -4.630876 4 431.9514 31.99347 1.26e-10 -5.929918 -0.998102 -3.944028 5 456.7591 29.65512 1.85e-10 -5.672622 0.279570 -3.275858 6 485.1067 29.97682 2.68e-10 -5.496706 1.475861 -2.689068 7 519.8655 31.96207 3.67e-10 -5.468172 2.524772 -2.249660 8 552.8580 25.78728 5.94e-10 -5.399035 3.614284 -1.769649 * 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
Prueba de correlación serial de los errores.
VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 21/07/13 Time: 09:07 Sample: 2004M01 2011M12 Included observations: 93
Lags LM-Stat Prob 1 46.29523 0.1169
2 29.01698 0.7890 3 44.66830 0.1523 4 32.65709 0.6284 5 49.19555 0.0702 6 29.47729 0.7706 7 29.54402 0.7679 8 29.33500 0.7764 9 51.57241 0.0447
10 38.68992 0.3491 11 58.65761 0.0099 12 37.04380 0.4206
Probs from chi-square with 36 df.
354
Prueba de normalidad multivariada de los residuos. VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 21/07/13 Time: 09:09 Sample: 2004M01 2011M12 Included observations: 93
Component Skewness Chi-sq df Prob. 1 0.140982 0.328499 1 0.5665
2 0.392088 2.540819 1 0.1109 3 -0.327268 1.770162 1 0.1834 4 0.436527 3.149405 1 0.0760 5 0.127172 0.267296 1 0.6052 6 0.155163 0.397906 1 0.5282 Joint 8.454088 6 0.2067
Component Kurtosis Chi-sq df Prob. 1 2.566447 0.621624 1 0.4304
2 2.978289 0.008067 1 0.9284 3 2.473901 0.971772 1 0.3242 4 2.886861 0.011057 1 0.9163 5 3.659702 2.380618 1 0.1228 6 2.372991 1.442340 1 0.2298 Joint 5.435479 6 0.4893
Component Jarque-Bera df Prob. 1 0.950123 2 0.6218
2 2.548887 2 0.2796 3 2.741935 2 0.2539 4 3.160462 2 0.2059 5 2.647914 2 0.2661 6 1.840246 2 0.3985
Joint 185.0264 182 0.4236 Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 21/07/13 Time: 09:10 Sample: 2004M01 2011M12 Included observations: 93
Joint test:
Chi-sq df Prob. 685.5296 672 0.3502
355
Anexo 5.17. Modelo 17. LS 1 2 D(LPIB_SA) DLOG(IPC_N) DLOG(CRE_T) D(LVAB_ANP) D(LBM_SA) @ C
DLOG(RI) DLOG(GGC) DLOG(RBE) DLOG(TCN_NO)
Salida del modelo.
Vector Autoregression Estimates Date: 12/05/13 Time: 20:44 Sample (adjusted): 2004M04 2011M12 Included observations: 93 after adjustments Standard errors in ( ) & t-statistics in [ ]
D(LPIB_SA) DLOG(IPC_N) DLOG(CRE_T) D(LVAB_ANP) D(LBM_SA) D(LPIB_SA(-1)) -0.774219 -0.030928 -0.057477 -0.055312 -0.069063 (0.11411) (0.03601) (0.12017) (0.32831) (0.20805) [-6.78479] [-0.85898] [-0.47832] [-0.16847] [-0.33195]
D(LPIB_SA(-2)) -0.492313 -0.071225 0.069501 -0.389298 -0.195696 (0.10422) (0.03289) (0.10975) (0.29987) (0.19003) [-4.72363] [-2.16586] [ 0.63324] [-1.29824] [-1.02983]
DLOG(IPC_N(-1)) 0.327029 0.426681 0.045740 -0.910519 -0.761537 (0.34629) (0.10926) (0.36466) (0.99632) (0.63137) [ 0.94438] [ 3.90506] [ 0.12543] [-0.91388] [-1.20616]
DLOG(IPC_N(-2)) -0.786011 0.043615 -0.806568 -0.446183 -0.141444 (0.35709) (0.11267) (0.37604) (1.02740) (0.65107) [-2.20116] [ 0.38709] [-2.14490] [-0.43428] [-0.21725]
DLOG(CRE_T(-1)) 0.019182 -0.012750 0.252549 -0.105100 -0.331175 (0.10952) (0.03456) (0.11533) (0.31510) (0.19968) [ 0.17515] [-0.36897] [ 2.18982] [-0.33355] [-1.65855]
DLOG(CRE_T(-2)) 0.118654 -0.039179 0.111681 -0.284639 0.294379 (0.09242) (0.02916) (0.09733) (0.26591) (0.16851) [ 1.28383] [-1.34352] [ 1.14750] [-1.07043] [ 1.74696]
D(LVAB_ANP(-1)) 0.040175 0.007830 0.109496 -0.278510 -0.050540 (0.03477) (0.01097) (0.03661) (0.10003) (0.06339) [ 1.15558] [ 0.71383] [ 2.99081] [-2.78437] [-0.79732]
D(LVAB_ANP(-2)) 0.039424 0.027419 -0.038591 -0.209422 0.001225 (0.03388) (0.01069) (0.03568) (0.09747) (0.06177) [ 1.16369] [ 2.56504] [-1.08172] [-2.14853] [ 0.01983]
D(LBM_SA(-1)) 0.104776 -0.004266 0.206563 0.071663 -0.236221 (0.05655) (0.01784) (0.05956) (0.16271) (0.10311) [ 1.85267] [-0.23904] [ 3.46843] [ 0.44042] [-2.29089]
D(LBM_SA(-2)) -0.004423 0.001405 0.044592 0.056334 0.095211 (0.06233) (0.01967) (0.06564) (0.17933) (0.11364) [-0.07096] [ 0.07146] [ 0.67938] [ 0.31414] [ 0.83781]
C 0.007952 0.011247 0.025503 0.038938 0.047829 (0.00992) (0.00313) (0.01045) (0.02855) (0.01809) [ 0.80143] [ 3.59254] [ 2.44090] [ 1.36400] [ 2.64394]
DLOG(RI) 0.058010 -0.001880 0.006937 0.258546 0.127937 (0.04276) (0.01349) (0.04503) (0.12302) (0.07796) [ 1.35670] [-0.13935] [ 0.15407] [ 2.10165] [ 1.64108]
DLOG(GGC) 0.009604 -0.006117 0.033816 0.192060 0.015289 (0.01131) (0.00357) (0.01191) (0.03254) (0.02062) [ 0.84909] [-1.71384] [ 2.83892] [ 5.90149] [ 0.74135]
356
DLOG(RBE) 0.003624 0.000620 0.008717 -0.033219 0.036458 (0.00861) (0.00272) (0.00906) (0.02476) (0.01569) [ 0.42111] [ 0.22824] [ 0.96188] [-1.34165] [ 2.32359]
DLOG(TCN_NO) 0.004356 0.009341 0.002863 0.063205 -0.017716 (0.03726) (0.01176) (0.03923) (0.10720) (0.06793) [ 0.11692] [ 0.79457] [ 0.07296] [ 0.58962] [-0.26079] R-squared 0.520304 0.347057 0.479567 0.543409 0.297521
Adj. R-squared 0.434205 0.229862 0.386156 0.461457 0.171435 Sum sq. resids 0.045226 0.004503 0.050153 0.374374 0.150343 S.E. equation 0.024079 0.007598 0.025357 0.069280 0.043903 F-statistic 6.043074 2.961365 5.133952 6.630805 2.359664 Log likelihood 222.7730 330.0489 217.9644 124.4908 166.9146 Akaike AIC -4.468236 -6.775246 -4.364825 -2.354641 -3.266980 Schwarz SC -4.059752 -6.366762 -3.956342 -1.946157 -2.858497 Mean dependent 0.003724 0.017409 0.033643 0.004729 0.026964 S.D. dependent 0.032012 0.008658 0.032365 0.094405 0.048231
Determinant resid covariance (dof adj.) 1.46E-16
Determinant resid covariance 6.05E-17 Log likelihood 1076.676 Akaike information criterion -21.54142 Schwarz criterion -19.49901
Gráfico de los residuos del modelo.
-.08
-.04
.00
.04
.08
04 05 06 07 08 09 10 11
D(LPIB_SA) Residuals
-.02
-.01
.00
.01
.02
.03
04 05 06 07 08 09 10 11
DLOG(IPC_N) Residuals
-.08
-.04
.00
.04
.08
04 05 06 07 08 09 10 11
DLOG(CRE_T) Residuals
-.3
-.2
-.1
.0
.1
.2
04 05 06 07 08 09 10 11
D(LVAB_ANP) Residuals
-.12
-.08
-.04
.00
.04
.08
.12
04 05 06 07 08 09 10 11
D(LBM_SA) Residuals
357
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: D(LPIB_SA) DLOG(IPC_N) DLOG(CRE_T) D(LVAB_ANP) D(LBM_SA) Exogenous variables: C DLOG(RI) DLOG(GGC) DLOG(RBE) DLOG(TCN_NO) Lag specification: 1 2 Date: 21/07/13 Time: 09:15
Root Modulus 0.778230 0.778230
-0.331726 - 0.629289i 0.711370 -0.331726 + 0.629289i 0.711370 -0.516741 - 0.119222i 0.530316 -0.516741 + 0.119222i 0.530316 0.093685 - 0.478911i 0.487988 0.093685 + 0.478911i 0.487988 -0.068344 - 0.397131i 0.402968 -0.068344 + 0.397131i 0.402968 0.258299 0.258299
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 21/07/13 Time: 09:16 Sample: 2004M01 2011M12 Included observations: 93
Dependent variable: D(LPIB_SA) Excluded Chi-sq df Prob. DLOG(IPC_N) 4.845556 2 0.0887
DLOG(CRE_T) 2.124512 2 0.3457 D(LVAB_ANP) 2.068527 2 0.3555
D(LBM_SA) 3.851985 2 0.1457 All 18.23540 8 0.0195
Dependent variable: DLOG(IPC_N) Excluded Chi-sq df Prob. D(LPIB_SA) 4.774611 2 0.0919
DLOG(CRE_T) 2.654342 2 0.2652 D(LVAB_ANP) 6.582933 2 0.0372
D(LBM_SA) 0.079283 2 0.9611 All 12.76816 8 0.1201
Dependent variable: DLOG(CRE_T) Excluded Chi-sq df Prob. D(LPIB_SA) 1.272243 2 0.5293
DLOG(IPC_N) 5.331412 2 0.0696
358
D(LVAB_ANP) 13.25222 2 0.0013 D(LBM_SA) 12.16136 2 0.0023
All 40.25016 8 0.0000
Dependent variable: D(LVAB_ANP) Excluded Chi-sq df Prob. D(LPIB_SA) 2.017762 2 0.3646
DLOG(IPC_N) 1.648253 2 0.4386 DLOG(CRE_T) 1.749175 2 0.4170
D(LBM_SA) 0.231032 2 0.8909 All 6.221743 8 0.6224
Dependent variable: D(LBM_SA) Excluded Chi-sq df Prob. D(LPIB_SA) 1.111878 2 0.5735
DLOG(IPC_N) 2.091395 2 0.3514 DLOG(CRE_T) 4.256793 2 0.1190 D(LVAB_ANP) 0.709569 2 0.7013
All 10.94408 8 0.2049
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 21/07/13 Time: 09:18 Sample: 2004M01 2011M12 Included observations: 93
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values D(LPIB_SA) DLOG(IPC_N) DLOG(CRE_T) D(LVAB_ANP) D(LBM_SA) Joint Lag 1 49.21279 16.89597 41.35150 12.47353 14.06343 159.4250 [ 2.01e-09] [ 0.004701] [ 7.97e-08] [ 0.028845] [ 0.015211] [ 0.000000]
Lag 2 28.19345 12.25053 8.693632 10.36598 3.922418 67.07602 [ 3.34e-05] [ 0.031512] [ 0.121926] [ 0.065505] [ 0.560639] [ 1.04e-05] df 5 5 5 5 5 25
359
Orden de los rezagos. VAR Lag Order Selection Criteria Endogenous variables: D(LPIB_SA) DLOG(IPC_N) DLOG(CRE_T) D(LVAB_ANP) D(LBM_SA) Exogenous variables: C DLOG(RI) DLOG(GGC) DLOG(RBE) DLOG(TCN_NO) Date: 21/07/13 Time: 09:19 Sample: 2004M01 2011M12 Included observations: 87
Lag LogL LR FPE AIC SC HQ 0 916.6703 NA 8.62e-16 -20.49817 -19.78957* -20.21284
1 971.0511 96.26025 4.41e-16 -21.17359 -19.75640 -20.60293 2 1008.843 62.55194 3.33e-16 -21.46765 -19.34187 -20.61167* 3 1026.447 27.11471 4.04e-16 -21.29764 -18.46326 -20.15632 4 1061.961 50.61764 3.31e-16 -21.53934 -17.99637 -20.11269 5 1097.727 46.86495* 2.75e-16* -21.78682 -17.53525 -20.07484 6 1120.598 27.34087 3.17e-16 -21.73789 -16.77773 -19.74059 7 1143.368 24.60224 3.81e-16 -21.68663 -16.01788 -19.40400 8 1178.334 33.76017 3.63e-16 -21.91573* -15.53838 -19.34777 * 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
Prueba de correlación serial de los errores.
VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 21/07/13 Time: 09:20 Sample: 2004M01 2011M12 Included observations: 93
Lags LM-Stat Prob 1 24.51040 0.4901
2 27.77384 0.3184 3 31.78699 0.1643 4 37.39983 0.0529 5 21.40404 0.6699 6 33.44762 0.1203 7 23.26240 0.5622 8 50.07792 0.0021 9 26.01784 0.4066
10 32.79085 0.1364 11 23.68746 0.5375 12 70.97729 0.0000
Probs from chi-square with 25 df.
360
Prueba de normalidad multivariada de los residuos. VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 21/07/13 Time: 09:21 Sample: 2004M01 2011M12 Included observations: 93
Component Skewness Chi-sq df Prob. 1 0.159077 0.418235 1 0.5178
2 0.417475 2.880492 1 0.0897 3 0.084640 0.118402 1 0.7308 4 -0.283034 1.323985 1 0.2499 5 0.137546 0.312683 1 0.5760 Joint 5.053797 5 0.4094
Component Kurtosis Chi-sq df Prob. 1 2.717198 0.218049 1 0.6405
2 3.095323 0.115188 1 0.7343 3 3.911184 4.323109 1 0.0376 4 2.646306 0.382089 1 0.5365 5 2.372343 1.445663 1 0.2292 Joint 6.484097 5 0.2619
Component Jarque-Bera df Prob. 1 0.636284 2 0.7275
2 2.995679 2 0.2236 3 4.441511 2 0.1085 4 1.706074 2 0.4261 5 1.758346 2 0.4151
Joint 105.8452 105 0.4585
Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 21/07/13 Time: 09:22 Sample: 2004M01 2011M12 Included observations: 93
Joint test:
Chi-sq df Prob. 561.4260 420 0.0000
361
Anexo 5.18. Modelo 18. LS 1 2 D(LPIB_SA) DLOG(NI) DLOG(C_M) D(LVAB_MAN) D(LBM_SA) @ C DLOG(RI)
DLOG(GGC) DLOG(RBE) DLOG(TCN_NO)
Salida del modelo.
Vector Autoregression Estimates Date: 12/05/13 Time: 21:08 Sample (adjusted): 2004M04 2011M12 Included observations: 93 after adjustments Standard errors in ( ) & t-statistics in [ ]
D(LPIB_SA) DLOG(NI) DLOG(C_M) D(LVAB_MAN) D(LBM_SA) D(LPIB_SA(-1)) -0.769956 0.014951 -0.016001 -0.567053 -0.118817 (0.11231) (0.02913) (0.29618) (0.43173) (0.21291) [-6.85565] [ 0.51331] [-0.05402] [-1.31344] [-0.55806]
D(LPIB_SA(-2)) -0.557556 -0.038267 0.066923 -0.532749 -0.195896 (0.10284) (0.02667) (0.27121) (0.39534) (0.19496) [-5.42146] [-1.43475] [ 0.24675] [-1.34758] [-1.00478]
DLOG(NI(-1)) 0.218717 0.733333 -1.052388 -2.456105 -0.903667 (0.41276) (0.10705) (1.08851) (1.58668) (0.78248) [ 0.52990] [ 6.85069] [-0.96682] [-1.54796] [-1.15487]
DLOG(NI(-2)) -1.393007 -0.004663 0.770482 1.214193 0.088364 (0.45127) (0.11703) (1.19009) (1.73474) (0.85551) [-3.08684] [-0.03984] [ 0.64742] [ 0.69993] [ 0.10329]
DLOG(C_M(-1)) -0.068169 0.016417 -0.340768 -0.289390 -0.139762 (0.04206) (0.01091) (0.11092) (0.16168) (0.07974) [-1.62076] [ 1.50505] [-3.07219] [-1.78985] [-1.75282]
DLOG(C_M(-2)) -0.018365 -0.013478 -0.131362 -0.221351 -0.074258 (0.04188) (0.01086) (0.11044) (0.16098) (0.07939) [-0.43854] [-1.24104] [-1.18948] [-1.37504] [-0.93538]
D(LVAB_MAN(-1)) -0.022677 -0.014492 0.169715 -0.375137 -0.107114 (0.02505) (0.00650) (0.06607) (0.09630) (0.04749) [-0.90516] [-2.23054] [ 2.56879] [-3.89531] [-2.25534]
D(LVAB_MAN(-2)) 0.056960 -0.009677 0.029271 -0.263562 -0.003394 (0.02373) (0.00615) (0.06257) (0.09121) (0.04498) [ 2.40057] [-1.57257] [ 0.46778] [-2.88953] [-0.07545]
D(LBM_SA(-1)) 0.092137 -0.016311 -0.033648 0.204489 -0.245230 (0.05286) (0.01371) (0.13939) (0.20319) (0.10020) [ 1.74315] [-1.18988] [-0.24139] [ 1.00640] [-2.44731]
D(LBM_SA(-2)) 0.013053 0.006645 -0.085519 0.086140 0.035698 (0.05574) (0.01446) (0.14699) (0.21427) (0.10567) [ 0.23418] [ 0.45967] [-0.58179] [ 0.40202] [ 0.33783]
C 0.030767 0.005171 0.045420 0.034535 0.054255 (0.00817) (0.00212) (0.02153) (0.03139) (0.01548) [ 3.76791] [ 2.44180] [ 2.10923] [ 1.10023] [ 3.50489]
DLOG(RI) 0.060885 0.003342 -0.151481 -0.217275 0.123652 (0.04077) (0.01057) (0.10751) (0.15671) (0.07728) [ 1.49350] [ 0.31615] [-1.40901] [-1.38647] [ 1.59997]
DLOG(GGC) 0.002005 -0.000166 0.021028 0.214591 0.017863 (0.01156) (0.00300) (0.03048) (0.04443) (0.02191) [ 0.17350] [-0.05525] [ 0.68995] [ 4.83033] [ 0.81535]
362
DLOG(RBE) 0.002211 0.002224 0.021052 -0.049505 0.044578 (0.00787) (0.00204) (0.02076) (0.03026) (0.01492) [ 0.28089] [ 1.08943] [ 1.01406] [-1.63592] [ 2.98709]
DLOG(TCN_NO) -0.029276 0.013919 0.105071 -0.036972 -0.024781 (0.03624) (0.00940) (0.09557) (0.13931) (0.06870) [-0.80785] [ 1.48101] [ 1.09942] [-0.26540] [-0.36071] R-squared 0.559262 0.576856 0.251556 0.528483 0.302224
Adj. R-squared 0.480155 0.500907 0.117220 0.443852 0.176982 Sum sq. resids 0.041553 0.002795 0.288987 0.614031 0.149336 S.E. equation 0.023081 0.005986 0.060868 0.088725 0.043756 F-statistic 7.069693 7.595314 1.872588 6.244547 2.413119 Log likelihood 226.7115 352.2248 136.5285 101.4831 167.2269 Akaike AIC -4.552936 -7.252146 -2.613517 -1.859852 -3.273698 Schwarz SC -4.144452 -6.843663 -2.205033 -1.451368 -2.865214 Mean dependent 0.003724 0.018977 0.026339 -0.000668 0.026964 S.D. dependent 0.032012 0.008473 0.064784 0.118974 0.048231
Determinant resid covariance (dof adj.) 9.76E-16
Determinant resid covariance 4.05E-16 Log likelihood 988.2888 Akaike information criterion -19.64062 Schwarz criterion -17.59820
Gráfico de los residuos del modelo.
-.08
-.04
.00
.04
.08
04 05 06 07 08 09 10 11
D(LPIB_SA) Residuals
-.02
-.01
.00
.01
.02
.03
04 05 06 07 08 09 10 11
DLOG(NI) Residuals
-.2
-.1
.0
.1
.2
04 05 06 07 08 09 10 11
DLOG(C_M) Residuals
-.3
-.2
-.1
.0
.1
.2
.3
04 05 06 07 08 09 10 11
D(LVAB_MAN) Residuals
-.12
-.08
-.04
.00
.04
.08
.12
04 05 06 07 08 09 10 11
D(LBM_SA) Residuals
363
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: D(LPIB_SA) DLOG(NI) DLOG(C_M) D(LVAB_MAN) D(LBM_SA) Exogenous variables: C DLOG(RI) DLOG(GGC) DLOG(RBE) DLOG(TCN_NO) Lag specification: 1 2 Date: 21/07/13 Time: 09:25
Root Modulus 0.758715 0.758715
-0.361594 - 0.578308i 0.682049 -0.361594 + 0.578308i 0.682049 -0.122455 - 0.606645i 0.618881 -0.122455 + 0.606645i 0.618881 -0.472548 0.472548 -0.238427 - 0.363126i 0.434406 -0.238427 + 0.363126i 0.434406 0.114249 0.114249 0.046779 0.046779
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 21/07/13 Time: 09:26 Sample: 2004M01 2011M12 Included observations: 93
Dependent variable: D(LPIB_SA) Excluded Chi-sq df Prob. DLOG(NI) 14.80806 2 0.0006
DLOG(C_M) 2.630183 2 0.2684 D(LVAB_MAN) 7.339939 2 0.0255
D(LBM_SA) 3.045718 2 0.2181 All 26.74175 8 0.0008
Dependent variable: DLOG(NI) Excluded Chi-sq df Prob. D(LPIB_SA) 4.304680 2 0.1162
DLOG(C_M) 4.963195 2 0.0836 D(LVAB_MAN) 6.590784 2 0.0371
D(LBM_SA) 1.888861 2 0.3889 All 13.82032 8 0.0866
Dependent variable: DLOG(C_M) Excluded Chi-sq df Prob. D(LPIB_SA) 0.108148 2 0.9474
364
DLOG(NI) 0.936646 2 0.6261 D(LVAB_MAN) 6.610111 2 0.0367
D(LBM_SA) 0.357457 2 0.8363 All 7.746375 8 0.4586
Dependent variable: D(LVAB_MAN) Excluded Chi-sq df Prob. D(LPIB_SA) 2.317099 2 0.3139
DLOG(NI) 2.690649 2 0.2605 DLOG(C_M) 4.164693 2 0.1246 D(LBM_SA) 1.062366 2 0.5879
All 11.14483 8 0.1936
Dependent variable: D(LBM_SA) Excluded Chi-sq df Prob. D(LPIB_SA) 1.010569 2 0.6033
DLOG(NI) 2.319675 2 0.3135 DLOG(C_M) 3.360669 2 0.1863
D(LVAB_MAN) 5.146448 2 0.0763 All 11.54356 8 0.1728
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 21/07/13 Time: 09:27 Sample: 2004M01 2011M12 Included observations: 93
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values D(LPIB_SA) DLOG(NI) DLOG(C_M) D(LVAB_MAN) D(LBM_SA) Joint Lag 1 58.65157 51.16620 16.47489 27.44526 20.62862 171.4781 [ 2.31e-11] [ 8.00e-10] [ 0.005611] [ 4.67e-05] [ 0.000952] [ 0.000000]
Lag 2 33.68253 7.379966 2.920474 16.16537 2.339628 65.35160 [ 2.75e-06] [ 0.193880] [ 0.712245] [ 0.006387] [ 0.800429] [ 1.84e-05] df 5 5 5 5 5 25
365
Orden de los rezagos.
VAR Lag Order Selection Criteria Endogenous variables: D(LPIB_SA) DLOG(NI) DLOG(C_M) D(LVAB_MAN) D(LBM_SA) Exogenous variables: C DLOG(RI) DLOG(GGC) DLOG(RBE) DLOG(TCN_NO) Date: 21/07/13 Time: 09:29 Sample: 2004M01 2011M12 Included observations: 87
Lag LogL LR FPE AIC SC HQ 0 824.0149 NA 7.26e-15 -18.36816 -17.65957 -18.08283
1 894.9221 125.5138 2.54e-15 -19.42350 -18.00631* -18.85284* 2 928.5519 55.66308 2.11e-15 -19.62188 -17.49610 -18.76589 3 948.5995 30.87802 2.42e-15 -19.50804 -16.67366 -18.36672 4 982.2277 47.92973* 2.07e-15* -19.70638 -16.16341 -18.27974 5 1007.940 33.69261 2.17e-15 -19.72277 -15.47120 -18.01079 6 1030.999 27.56485 2.49e-15 -19.67815 -14.71799 -17.68085 7 1058.364 29.56584 2.69e-15 -19.73250* -14.06374 -17.44986 8 1075.575 16.61802 3.85e-15 -19.55345 -13.17610 -16.98549 * 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
Prueba de correlación serial de los errores.
VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 21/07/13 Time: 09:30 Sample: 2004M01 2011M12 Included observations: 93
Lags LM-Stat Prob 1 28.03324 0.3063
2 30.78644 0.1962 3 35.20004 0.0846 4 35.27678 0.0833 5 27.81389 0.3165 6 21.83662 0.6452 7 37.57077 0.0509 8 25.72438 0.4224 9 22.00786 0.6353
10 26.35657 0.3888 11 33.08747 0.1289 12 63.88844 0.0000
Probs from chi-square with 25 df.
366
Prueba de normalidad multivariada de los residuos.
VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 21/07/13 Time: 09:30 Sample: 2004M01 2011M12 Included observations: 93
Component Skewness Chi-sq df Prob. 1 0.199926 0.660613 1 0.4163
2 0.434121 3.114787 1 0.0776 3 0.242357 0.970773 1 0.3245 4 -0.147068 0.357473 1 0.5499 5 0.023404 0.009053 1 0.9242 Joint 5.112699 5 0.4023
Component Kurtosis Chi-sq df Prob. 1 2.865428 0.022758 1 0.8801
2 3.082109 0.096853 1 0.7556 3 2.686521 0.283422 1 0.5945 4 2.212336 2.382608 1 0.1227 5 2.358245 1.518861 1 0.2178 Joint 4.304502 5 0.5065
Component Jarque-Bera df Prob. 1 0.683371 2 0.7106
2 3.211640 2 0.2007 3 1.254196 2 0.5341 4 2.740081 2 0.2541 5 1.527914 2 0.4658
Joint 92.83343 105 0.7961
Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 21/07/13 Time: 09:31 Sample: 2004M01 2011M12 Included observations: 93
Joint test:
Chi-sq df Prob. 481.1432 420 0.0208
367
Anexo 5.19. Modelo 19. LS 1 2 D(LPIB_SA) DLOG(IPC_N) DLOG(C_COM) D(LVAB_COM_SA) D(LBM) @ C
DLOG(RI) DLOG(GGC) DLOG(RBE) DLOG(TCN_NO)
Salida del modelo.
Vector Autoregression Estimates Date: 12/05/13 Time: 21:21 Sample (adjusted): 2004M04 2011M12 Included observations: 93 after adjustments Standard errors in ( ) & t-statistics in [ ]
D(LPIB_SA) DLOG(IPC_N) DLOG(C_COM) D(LVAB_COM_SA) D(LBM) D(LPIB_SA(-1)) -0.768794 -0.016049 -0.283715 0.109713 -0.006029 (0.13203) (0.04214) (0.29542) (0.21524) (0.29855) [-5.82274] [-0.38087] [-0.96039] [ 0.50972] [-0.02020]
D(LPIB_SA(-2)) -0.553921 0.003235 -0.429084 -0.240304 -0.250725 (0.12062) (0.03850) (0.26989) (0.19664) (0.27275) [-4.59210] [ 0.08402] [-1.58984] [-1.22203] [-0.91923]
DLOG(IPC_N(-1)) 0.147635 0.472637 -0.125763 0.290613 -0.407609 (0.33529) (0.10701) (0.75018) (0.54659) (0.75814) [ 0.44033] [ 4.41680] [-0.16764] [ 0.53169] [-0.53764]
DLOG(IPC_N(-2)) -0.794574 0.016913 -1.313459 -1.131766 0.392740 (0.34557) (0.11029) (0.77319) (0.56335) (0.78139) [-2.29934] [ 0.15335] [-1.69876] [-2.00901] [ 0.50262]
DLOG(C_COM(-1)) -0.008530 0.014526 0.002978 -0.001241 0.169868 (0.04916) (0.01569) (0.11000) (0.08015) (0.11117) [-0.17349] [ 0.92579] [ 0.02707] [-0.01548] [ 1.52805]
DLOG(C_COM(-2)) 0.049661 -0.010532 -0.058138 0.071217 0.270188 (0.04193) (0.01338) (0.09382) (0.06836) (0.09482) [ 1.18430] [-0.78699] [-0.61966] [ 1.04180] [ 2.84957]
D(LVAB_COM_SA(-1)) 0.078642 -0.021393 0.506148 -0.516000 0.094740 (0.08126) (0.02593) (0.18181) (0.13247) (0.18374) [ 0.96782] [-0.82490] [ 2.78397] [-3.89534] [ 0.51563]
D(LVAB_COM_SA(-2)) 0.112747 -0.077552 0.212571 -0.061935 0.071776 (0.08208) (0.02620) (0.18365) (0.13381) (0.18560) [ 1.37363] [-2.96042] [ 1.15749] [-0.46287] [ 0.38673]
D(LBM(-1)) 0.121860 -0.001502 0.143136 0.210778 -0.060154 (0.04455) (0.01422) (0.09968) (0.07263) (0.10074) [ 2.73537] [-0.10565] [ 1.43599] [ 2.90226] [-0.59715]
D(LBM(-2)) -0.011923 0.023166 0.026642 -0.027664 0.078055 (0.04658) (0.01487) (0.10423) (0.07594) (0.10534) [-0.25594] [ 1.55815] [ 0.25561] [-0.36427] [ 0.74100]
C 0.014280 0.008588 0.051079 0.014292 0.006389 (0.00768) (0.00245) (0.01718) (0.01252) (0.01736) [ 1.85965] [ 3.50437] [ 2.97292] [ 1.14172] [ 0.36794]
DLOG(RI) 0.045094 0.009529 -0.040754 0.093885 0.163375 (0.04276) (0.01365) (0.09566) (0.06970) (0.09668) [ 1.05470] [ 0.69835] [-0.42602] [ 1.34699] [ 1.68991]
DLOG(GGC) 0.015987 -0.005887 0.067719 0.046894 0.098612 (0.01168) (0.00373) (0.02612) (0.01903) (0.02640) [ 1.36930] [-1.57993] [ 2.59236] [ 2.46381] [ 3.73534]
368
DLOG(RBE) -0.003399 0.002900 0.011659 -0.012192 0.083705
(0.00887) (0.00283) (0.01985) (0.01446) (0.02006) [-0.38318] [ 1.02449] [ 0.58742] [-0.84309] [ 4.17308]
DLOG(TCN_NO) -0.006838 0.013404 -0.106657 0.068813 0.146655 (0.03673) (0.01172) (0.08218) (0.05988) (0.08305) [-0.18617] [ 1.14338] [-1.29780] [ 1.14920] [ 1.76576] R-squared 0.539821 0.359133 0.276227 0.435831 0.448179
Adj. R-squared 0.457224 0.244105 0.146319 0.334570 0.349134 Sum sq. resids 0.043386 0.004419 0.217196 0.115301 0.221828 S.E. equation 0.023584 0.007527 0.052769 0.038448 0.053329 F-statistic 6.535651 3.122147 2.126325 4.304029 4.525005 Log likelihood 224.7044 330.9170 149.8081 179.2545 148.8268 Akaike AIC -4.509772 -6.793914 -2.899099 -3.532354 -2.877995 Schwarz SC -4.101288 -6.385430 -2.490615 -3.123870 -2.469511 Mean dependent 0.003724 0.017409 0.031122 0.005074 0.027636 S.D. dependent 0.032012 0.008658 0.057112 0.047132 0.066102
Determinant resid covariance (dof adj.) 2.28E-16
Determinant resid covariance 9.47E-17 Log likelihood 1055.852 Akaike information criterion -21.09358 Schwarz criterion -19.05116
Gráfico de los residuos del modelo.
-.08
-.04
.00
.04
.08
04 05 06 07 08 09 10 11
D(LPIB_SA) Residuals
-.02
-.01
.00
.01
.02
.03
04 05 06 07 08 09 10 11
DLOG(IPC_N) Residuals
-.15
-.10
-.05
.00
.05
.10
.15
.20
04 05 06 07 08 09 10 11
DLOG(C_COM) Residuals
-.12
-.08
-.04
.00
.04
.08
.12
04 05 06 07 08 09 10 11
D(LVAB_COM_SA) Residuals
-.15
-.10
-.05
.00
.05
.10
.15
.20
04 05 06 07 08 09 10 11
D(LBM) Residuals
369
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo. Roots of Characteristic Polynomial Endogenous variables: D(LPIB_SA) DLOG(IPC_N) DLOG(C_COM) D(LVAB_COM_SA) D(LBM) Exogenous variables: C DLOG(RI) DLOG(GGC) DLOG(RBE) DLOG(TCN_NO) Lag specification: 1 2 Date: 21/07/13 Time: 09:34
Root Modulus -0.366743 - 0.541478i 0.653987
-0.366743 + 0.541478i 0.653987 0.642752 0.642752 -0.605605 0.605605 -0.230255 - 0.499794i 0.550283 -0.230255 + 0.499794i 0.550283 0.500548 0.500548 0.040476 - 0.444182i 0.446023 0.040476 + 0.444182i 0.446023 -0.293986 0.293986
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 21/07/13 Time: 09:36 Sample: 2004M01 2011M12 Included observations: 93
Dependent variable: D(LPIB_SA) Excluded Chi-sq df Prob. DLOG(IPC_N) 5.842522 2 0.0539
DLOG(C_COM) 1.452796 2 0.4836 D(LVAB_COM_SA) 1.968381 2 0.3737
D(LBM) 8.001634 2 0.0183 All 22.31680 8 0.0044
Dependent variable: DLOG(IPC_N) Excluded Chi-sq df Prob. D(LPIB_SA) 0.273027 2 0.8724
DLOG(C_COM) 1.541278 2 0.4627 D(LVAB_COM_SA) 9.520132 2 0.0086
D(LBM) 2.564595 2 0.2774 All 14.47849 8 0.0701
Dependent variable: DLOG(C_COM) Excluded Chi-sq df Prob. D(LPIB_SA) 2.535219 2 0.2815
DLOG(IPC_N) 4.120934 2 0.1274 D(LVAB_COM_SA) 7.885994 2 0.0194
370
D(LBM) 2.062353 2 0.3566 All 21.31745 8 0.0064
Dependent variable: D(LVAB_COM_SA) Excluded Chi-sq df Prob. D(LPIB_SA) 3.559090 2 0.1687
DLOG(IPC_N) 4.270461 2 0.1182 DLOG(C_COM) 1.088942 2 0.5801
D(LBM) 9.160440 2 0.0103 All 21.07311 8 0.0070
Dependent variable: D(LBM) Excluded Chi-sq df Prob. D(LPIB_SA) 1.198494 2 0.5492
DLOG(IPC_N) 0.367627 2 0.8321 DLOG(C_COM) 10.10250 2 0.0064
D(LVAB_COM_SA) 0.284037 2 0.8676 All 12.18910 8 0.1430
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 21/07/13 Time: 09:37 Sample: 2004M01 2011M12 Included observations: 93
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values D(LPIB_SA) DLOG(IPC_N) DLOG(C_COM) D(LVAB_COM_SA) D(LBM) Joint Lag 1 54.80171 21.31256 12.23846 25.92247 4.046894 134.9111 [ 1.43e-10] [ 0.000707] [ 0.031662] [ 9.24e-05] [ 0.542684] [ 0.000000]
Lag 2 27.54867 13.87243 5.552460 8.322310 9.211850 59.35619 [ 4.46e-05] [ 0.016440] [ 0.352228] [ 0.139344] [ 0.100907] [ 0.000128] df 5 5 5 5 5 25
371
Orden de los rezagos.
VAR Lag Order Selection Criteria Endogenous variables: D(LPIB_SA) DLOG(IPC_N) DLOG(C_COM) D(LVAB_COM_SA) D(LBM) Exogenous variables: C DLOG(RI) DLOG(GGC) DLOG(RBE) DLOG(TCN_NO) Date: 21/07/13 Time: 09:38 Sample: 2004M01 2011M12 Included observations: 87
Lag LogL LR FPE AIC SC HQ 0 901.7320 NA 1.22e-15 -20.15476 -19.44616* -19.86943
1 956.6801 97.26435 6.13e-16 -20.84322 -19.42603 -20.27256* 2 988.5363 52.72765* 5.30e-16* -21.00084* -18.87505 -20.14485 3 1004.883 25.17742 6.63e-16 -20.80191 -17.96753 -19.66059 4 1027.514 32.25599 7.30e-16 -20.74745 -17.20448 -19.32080 5 1044.937 22.83047 9.26e-16 -20.57327 -16.32171 -18.86130 6 1064.293 23.13838 1.16e-15 -20.44353 -15.48337 -18.44622 7 1088.049 25.66736 1.36e-15 -20.41493 -14.74618 -18.13230 8 1096.317 7.982907 2.39e-15 -20.03029 -13.65294 -17.46232 * 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
Prueba de correlación serial de los errores.
VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 21/07/13 Time: 09:39 Sample: 2004M01 2011M12 Included observations: 93
Lags LM-Stat Prob 1 31.29519 0.1794
2 21.68411 0.6539 3 27.61551 0.3259 4 23.68763 0.5375 5 22.74678 0.5923 6 24.60689 0.4846 7 24.19538 0.5081 8 24.06254 0.5158 9 26.17981 0.3981
10 36.19533 0.0687 11 26.00316 0.4074 12 31.85449 0.1623
Probs from chi-square with 25 df.
372
Prueba de normalidad multivariada de los residuos.
VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 21/07/13 Time: 09:40 Sample: 2004M01 2011M12 Included observations: 93
Component Skewness Chi-sq df Prob. 1 0.178339 0.525653 1 0.4684
2 0.501390 4.154881 1 0.0415 3 0.067505 0.075315 1 0.7837 4 -0.117025 0.226343 1 0.6342 5 0.381523 2.405730 1 0.1209 Joint 7.387921 5 0.1934
Component Kurtosis Chi-sq df Prob. 1 3.396165 0.962236 1 0.3266
2 3.123551 0.159671 1 0.6895 3 2.618334 0.459390 1 0.4979 4 2.700415 0.252753 1 0.6151 5 3.162168 0.232264 1 0.6299 Joint 2.066314 5 0.8399
Component Jarque-Bera df Prob. 1 1.487889 2 0.4752
2 4.314552 2 0.1156 3 0.534706 2 0.7654 4 0.479095 2 0.7870 5 2.637994 2 0.2674
Joint 93.13930 105 0.7896
Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 21/07/13 Time: 09:40 Sample: 2004M01 2011M12 Included observations: 93
Joint test:
Chi-sq df Prob. 427.2129 420 0.3934
373
Anexo 5.20. Modelo 20. LS 1 2 D(LPIB_SA) DLOG(IPC_N) DLOG(CR_CON) D(LVAB_CON_SA) D(LBM_SA) @
C DLOG(RI) DLOG(GGC) DLOG(RBE) DLOG(TCN_NO)
Salida del modelo.
Vector Autoregression Estimates Date: 12/05/13 Time: 21:41 Sample (adjusted): 2004M04 2011M12 Included observations: 93 after adjustments Standard errors in ( ) & t-statistics in [ ]
D(LPIB_SA) DLOG(IPC_N) DLOG(CR_CON) D(LVAB_CON_SA) D(LBM_SA) D(LPIB_SA(-1)) -0.670987 0.001460 0.094019 -0.403565 -0.162614 (0.11709) (0.03817) (0.33890) (0.36379) (0.22377) [-5.73040] [ 0.03826] [ 0.27742] [-1.10933] [-0.72669]
D(LPIB_SA(-2)) -0.458398 -0.055155 -0.119711 -0.324110 -0.151475 (0.10309) (0.03361) (0.29836) (0.32027) (0.19701) [-4.44678] [-1.64121] [-0.40123] [-1.01198] [-0.76889]
DLOG(IPC_N(-1)) 0.450717 0.470592 -1.151256 1.496529 -0.740004 (0.35927) (0.11712) (1.03982) (1.11620) (0.68659) [ 1.25454] [ 4.01794] [-1.10716] [ 1.34073] [-1.07779]
DLOG(IPC_N(-2)) -0.949338 0.009252 -1.449328 -0.340739 0.022388 (0.36550) (0.11915) (1.05786) (1.13557) (0.69850) [-2.59737] [ 0.07765] [-1.37005] [-0.30006] [ 0.03205]
DLOG(CR_CON(-1)) 0.049873 -0.004717 -0.395641 0.232260 -0.033645 (0.03907) (0.01274) (0.11309) (0.12139) (0.07467) [ 1.27643] [-0.37033] [-3.49858] [ 1.91329] [-0.45058]
DLOG(CR_CON(-2)) 0.011157 -0.010010 -0.207275 0.075540 0.045601 (0.03892) (0.01269) (0.11265) (0.12092) (0.07438) [ 0.28667] [-0.78893] [-1.84004] [ 0.62471] [ 0.61308]
D(LVAB_CON_SA(-1)) -0.028291 -0.004656 0.023459 -0.582989 -0.051992 (0.03611) (0.01177) (0.10450) (0.11218) (0.06900) [-0.78355] [-0.39554] [ 0.22449] [-5.19709] [-0.75350]
D(LVAB_CON_SA(-2)) 0.046084 0.016616 -0.057796 -0.242705 -0.036767 (0.03486) (0.01137) (0.10091) (0.10832) (0.06663) [ 1.32184] [ 1.46192] [-0.57278] [-2.24069] [-0.55183]
D(LBM_SA(-1)) 0.084333 -0.001660 0.233720 0.068280 -0.296957 (0.05371) (0.01751) (0.15545) (0.16687) (0.10265) [ 1.57014] [-0.09482] [ 1.50348] [ 0.40918] [-2.89305]
D(LBM_SA(-2)) -0.038881 0.005214 0.132603 0.346779 0.004651 (0.05857) (0.01909) (0.16952) (0.18198) (0.11194) [-0.66382] [ 0.27307] [ 0.78221] [ 1.90564] [ 0.04155]
C 0.013397 0.009273 0.068822 -0.018141 0.047587 (0.00853) (0.00278) (0.02468) (0.02650) (0.01630) [ 1.57087] [ 3.33520] [ 2.78826] [-0.68467] [ 2.91977]
DLOG(RI) 0.083235 0.003255 0.215835 0.010379 0.116058 (0.04153) (0.01354) (0.12020) (0.12903) (0.07937) [ 2.00425] [ 0.24045] [ 1.79567] [ 0.08044] [ 1.46231]
DLOG(GGC) 0.012314 -0.005346 0.042248 0.027971 0.008944 (0.01147) (0.00374) (0.03321) (0.03565) (0.02193) [ 1.07324] [-1.42936] [ 1.27227] [ 0.78469] [ 0.40790]
374
DLOG(RBE) 0.002953 0.001451 -0.004221 -0.030607 0.035202 (0.00836) (0.00273) (0.02420) (0.02598) (0.01598) [ 0.35319] [ 0.53230] [-0.17442] [-1.17830] [ 2.20315]
DLOG(TCN_NO) 0.011801 0.010931 -0.314251 0.024591 0.016364 (0.03689) (0.01203) (0.10676) (0.11460) (0.07049) [ 0.31993] [ 0.90896] [-2.94346] [ 0.21457] [ 0.23212] R-squared 0.525443 0.310451 0.301173 0.414785 0.236482
Adj. R-squared 0.440266 0.186686 0.175742 0.309746 0.099441 Sum sq. resids 0.044741 0.004755 0.374791 0.431871 0.163406 S.E. equation 0.023950 0.007808 0.069318 0.074410 0.045771 F-statistic 6.168852 2.508385 2.401110 3.948877 1.725623 Log likelihood 223.2738 327.5125 124.4391 117.8473 163.0402 Akaike AIC -4.479007 -6.720698 -2.353528 -2.211769 -3.183660 Schwarz SC -4.070523 -6.312214 -1.945044 -1.803285 -2.775176 Mean dependent 0.003724 0.017409 0.019742 0.010185 0.026964 S.D. dependent 0.032012 0.008658 0.076351 0.089562 0.048231
Determinant resid covariance (dof adj.) 1.61E-15
Determinant resid covariance 6.66E-16 Log likelihood 965.1326 Akaike information criterion -19.14264 Schwarz criterion -17.10022
Gráfico de los residuos del modelo.
-.08
-.04
.00
.04
.08
04 05 06 07 08 09 10 11
D(LPIB_SA) Residuals
-.03
-.02
-.01
.00
.01
.02
.03
04 05 06 07 08 09 10 11
DLOG(IPC_N) Residuals
-.2
-.1
.0
.1
.2
04 05 06 07 08 09 10 11
DLOG(CR_CON) Residuals
-.2
-.1
.0
.1
.2
.3
04 05 06 07 08 09 10 11
D(LVAB_CON_SA) Residuals
-.12
-.08
-.04
.00
.04
.08
.12
04 05 06 07 08 09 10 11
D(LBM_SA) Residuals
375
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo. Roots of Characteristic Polynomial Endogenous variables: D(LPIB_SA) DLOG(IPC_N) DLOG(CR_CON) D(LVAB_CON_SA) D(LBM_SA) Exogenous variables: C DLOG(RI) DLOG(GGC) DLOG(RBE) DLOG(TCN_NO) Lag specification: 1 2 Date: 21/07/13 Time: 09:43
Root Modulus -0.228782 - 0.640694i 0.680317
-0.228782 + 0.640694i 0.680317 0.602322 0.602322 -0.423410 - 0.339950i 0.542994 -0.423410 + 0.339950i 0.542994 -0.134028 - 0.479241i 0.497629 -0.134028 + 0.479241i 0.497629 -0.422509 0.422509 -0.041678 - 0.189223i 0.193758 -0.041678 + 0.189223i 0.193758
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 21/07/13 Time: 09:45 Sample: 2004M01 2011M12 Included observations: 93
Dependent variable: D(LPIB_SA) Excluded Chi-sq df Prob. DLOG(IPC_N) 6.764079 2 0.0340
DLOG(CR_CON) 1.645773 2 0.4392 D(LVAB_CON_SA) 4.119213 2 0.1275
D(LBM_SA) 3.673808 2 0.1593 All 19.27757 8 0.0134
Dependent variable: DLOG(IPC_N) Excluded Chi-sq df Prob. D(LPIB_SA) 3.835496 2 0.1469
DLOG(CR_CON) 0.637900 2 0.7269 D(LVAB_CON_SA) 3.520857 2 0.1720
D(LBM_SA) 0.103417 2 0.9496 All 7.949555 8 0.4384
Dependent variable: DLOG(CR_CON) Excluded Chi-sq df Prob. D(LPIB_SA) 0.494120 2 0.7811
DLOG(IPC_N) 5.472348 2 0.0648 D(LVAB_CON_SA) 0.618219 2 0.7341
D(LBM_SA) 2.431367 2 0.2965
376
All 11.98702 8 0.1518
Dependent variable: D(LVAB_CON_SA) Excluded Chi-sq df Prob. D(LPIB_SA) 1.481431 2 0.4768
DLOG(IPC_N) 1.898382 2 0.3871 DLOG(CR_CON) 3.660869 2 0.1603
D(LBM_SA) 3.637553 2 0.1622 All 8.676334 8 0.3703
Dependent variable: D(LBM_SA) Excluded Chi-sq df Prob. D(LPIB_SA) 0.733249 2 0.6931
DLOG(IPC_N) 1.399550 2 0.4967 DLOG(CR_CON) 0.841847 2 0.6564
D(LVAB_CON_SA) 0.625001 2 0.7316 All 3.833564 8 0.8718
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 21/07/13 Time: 09:46 Sample: 2004M01 2011M12 Included observations: 93
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values D(LPIB_SA) DLOG(IPC_N) DLOG(CR_CON) D(LVAB_CON_SA) D(LBM_SA) Joint Lag 1 42.18435 20.00263 14.93628 39.66119 11.35208 129.3567 [ 5.41e-08] [ 0.001248] [ 0.010638] [ 1.75e-07] [ 0.044829] [ 4.44e-16]
Lag 2 27.20844 6.233723 6.003586 10.89187 1.278001 53.32873 [ 5.20e-05] [ 0.284136] [ 0.305870] [ 0.053566] [ 0.937179] [ 0.000811] df 5 5 5 5 5 25
377
Orden de los rezagos.
VAR Lag Order Selection Criteria Endogenous variables: D(LPIB_SA) DLOG(IPC_N) DLOG(CR_CON) D(LVAB_CON_SA) D(LBM_SA) Exogenous variables: C DLOG(RI) DLOG(GGC) DLOG(RBE) DLOG(TCN_NO) Date: 21/07/13 Time: 09:49 Sample: 2004M01 2011M12 Included observations: 87
Lag LogL LR FPE AIC SC HQ 0 824.3689 NA 7.20e-15 -18.37630 -17.66770* -18.09097
1 873.6184 87.17730 4.14e-15 -18.93376 -17.51657 -18.36310* 2 901.0256 45.36360 3.97e-15* -18.98909 -16.86331 -18.13311 3 925.8710 38.26765 4.08e-15 -18.98554 -16.15116 -17.84422 4 948.7073 32.54832 4.47e-15 -18.93580 -15.39283 -17.50916 5 966.8310 23.74827 5.58e-15 -18.77772 -14.52616 -17.06575 6 988.3693 25.74692 6.63e-15 -18.69815 -13.73799 -16.70084 7 1030.161 45.15453* 5.14e-15 -19.08417* -13.41541 -16.80153 8 1053.721 22.74729 6.37e-15 -19.05106 -12.67371 -16.48310 * 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
Prueba de correlación serial de los errores.
VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 21/07/13 Time: 09:50 Sample: 2004M01 2011M12 Included observations: 93
Lags LM-Stat Prob 1 22.18133 0.6253
2 37.28760 0.0542 3 37.46593 0.0521 4 27.22116 0.3449 5 29.36850 0.2488 6 33.76314 0.1131 7 41.75927 0.0191 8 27.21177 0.3454 9 31.84631 0.1625
10 25.64440 0.4268 11 35.86271 0.0737 12 13.55061 0.9690
Probs from chi-square with 25 df.
378
Prueba de normalidad multivariada de los residuos.
VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 21/07/13 Time: 09:51 Sample: 2004M01 2011M12 Included observations: 93
Component Skewness Chi-sq df Prob. 1 0.335944 1.865258 1 0.1720
2 0.283477 1.328131 1 0.2491 3 -0.307387 1.561627 1 0.2114 4 0.048942 0.039588 1 0.8423 5 -0.013169 0.002866 1 0.9573 Joint 4.797471 5 0.4411
Component Kurtosis Chi-sq df Prob. 1 2.851797 0.032373 1 0.8572
2 2.799160 0.085366 1 0.7702 3 2.397686 1.318624 1 0.2508 4 2.922289 0.000876 1 0.9764 5 2.455285 1.051619 1 0.3051 Joint 2.488859 5 0.7782
Component Jarque-Bera df Prob. 1 1.897631 2 0.3872
2 1.413497 2 0.4932 3 2.880252 2 0.2369 4 0.040465 2 0.9800 5 1.054485 2 0.5902
Joint 112.0979 105 0.2998
Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 21/07/13 Time: 09:52 Sample: 2004M01 2011M12 Included observations: 93
Joint test:
Chi-sq df Prob. 475.9605 420 0.0305
379
Anexo 5.21. Modelo 21. LS 1 2 D(LPIB_SA) DLOG(NI) D(LYMNAC) DLOG(Q_M) D(LBM_SA) @ C DLOG(RI)
D(LGRGC_SA) DLOG(PP) DUM03 DU0402 DU08
Salida del modelo.
Vector Autoregression Estimates Date: 07/07/13 Time: 20:27 Sample (adjusted): 1998M04 2011M12 Included observations: 165 after adjustments Standard errors in ( ) & t-statistics in [ ]
D(LPIB_SA) DLOG(NI) D(LYMNAC) DLOG(Q_M) D(LBM_SA) D(LPIB_SA(-1)) -0.400312 0.003613 -0.201521 0.114049 -0.002074 (0.08790) (0.01306) (0.27631) (0.14506) (0.09204) [-4.55432] [ 0.27660] [-0.72934] [ 0.78622] [-0.02253]
D(LPIB_SA(-2)) -0.281353 -0.051302 -0.228292 0.140594 0.016079 (0.08811) (0.01309) (0.27699) (0.14542) (0.09227) [-3.19310] [-3.91829] [-0.82420] [ 0.96683] [ 0.17426]
DLOG(NI(-1)) -0.438417 0.612053 0.164054 -1.302067 -0.445440 (0.48302) (0.07177) (1.51840) (0.79716) (0.50581) [-0.90765] [ 8.52754] [ 0.10804] [-1.63339] [-0.88065]
DLOG(NI(-2)) 0.716983 0.045837 1.978071 -0.082971 0.034495 (0.48166) (0.07157) (1.51411) (0.79491) (0.50438) [ 1.48857] [ 0.64044] [ 1.30642] [-0.10438] [ 0.06839]
D(LYMNAC(-1)) 0.049305 -0.012090 -0.241902 -0.098001 -0.018337 (0.03023) (0.00449) (0.09504) (0.04990) (0.03166) [ 1.63074] [-2.69112] [-2.54516] [-1.96401] [-0.57915]
D(LYMNAC(-2)) 0.016957 -0.012860 -0.368056 -0.034545 0.017307 (0.03005) (0.00447) (0.09447) (0.04960) (0.03147) [ 0.56424] [-2.87981] [-3.89595] [-0.69650] [ 0.54994]
DLOG(Q_M(-1)) -0.003031 0.051992 -0.052318 0.084144 0.143829 (0.05029) (0.00747) (0.15810) (0.08300) (0.05267) [-0.06027] [ 6.95696] [-0.33092] [ 1.01375] [ 2.73094]
DLOG(Q_M(-2)) 0.072730 -0.000226 0.273168 -0.074223 -0.043458 (0.05794) (0.00861) (0.18213) (0.09562) (0.06067) [ 1.25531] [-0.02619] [ 1.49986] [-0.77625] [-0.71628]
D(LBM_SA(-1)) 0.047970 -0.007632 -0.071922 -0.109653 -0.354242 (0.07840) (0.01165) (0.24645) (0.12938) (0.08210) [ 0.61187] [-0.65516] [-0.29183] [-0.84750] [-4.31491]
D(LBM_SA(-2)) 0.003782 -0.000688 -0.023846 0.076644 -0.045411 (0.07786) (0.01157) (0.24477) (0.12850) (0.08154) [ 0.04857] [-0.05947] [-0.09742] [ 0.59644] [-0.55693]
C -0.006067 0.005021 -0.036802 0.017856 0.024005 (0.00907) (0.00135) (0.02852) (0.01498) (0.00950) [-0.66862] [ 3.72349] [-1.29019] [ 1.19235] [ 2.52623]
DLOG(RI) 0.077421 0.002136 0.305883 -0.080362 0.150641 (0.06707) (0.00997) (0.21085) (0.11070) (0.07024) [ 1.15427] [ 0.21434] [ 1.45072] [-0.72598] [ 2.14471]
D(LGRGC_SA) 0.071774 -0.002384 0.123715 0.008420 0.013785 (0.01955) (0.00290) (0.06144) (0.03226) (0.02047) [ 3.67222] [-0.82073] [ 2.01357] [ 0.26102] [ 0.67349]
380
DLOG(PP) -0.049442 0.004710 0.064851 -0.031902 0.044796 (0.03460) (0.00514) (0.10878) (0.05711) (0.03624) [-1.42877] [ 0.91602] [ 0.59617] [-0.55862] [ 1.23619]
DUM03 0.057955 0.003164 0.159326 -0.040377 0.009376 (0.01617) (0.00240) (0.05083) (0.02668) (0.01693) [ 3.58443] [ 1.31711] [ 3.13473] [-1.51319] [ 0.55377]
DU0402 -0.049581 -0.001012 -0.150026 0.053646 0.013488 (0.01719) (0.00255) (0.05404) (0.02837) (0.01800) [-2.88389] [-0.39610] [-2.77595] [ 1.89072] [ 0.74919]
DU08 -0.016742 0.007460 -0.157136 -0.044054 0.093202 (0.04776) (0.00710) (0.15014) (0.07882) (0.05002) [-0.35053] [ 1.05108] [-1.04659] [-0.55889] [ 1.86348] R-squared 0.326633 0.637281 0.269466 0.127791 0.244243
Adj. R-squared 0.253836 0.598068 0.190490 0.033498 0.162539 Sum sq. resids 0.291732 0.006441 2.882834 0.794578 0.319908 S.E. equation 0.044398 0.006597 0.139566 0.073272 0.046492 F-statistic 4.486933 16.25182 3.411974 1.355254 2.989382 Log likelihood 288.7491 603.3288 99.76679 206.0861 281.1427 Akaike AIC -3.293928 -7.107016 -1.003234 -2.291952 -3.201729 Schwarz SC -2.973921 -6.787010 -0.683227 -1.971946 -2.881723 Mean dependent 0.002034 0.018410 -0.001236 0.002390 0.024547 S.D. dependent 0.051398 0.010406 0.155120 0.074531 0.050804
Determinant resid covariance (dof adj.) 1.34E-14
Determinant resid covariance 7.77E-15 Log likelihood 1509.670 Akaike information criterion -17.26873 Schwarz criterion -15.66870
Gráfico de los residuos del modelo.
-.4
-.3
-.2
-.1
.0
.1
1998 2000 2002 2004 2006 2008 2010
D(LPIB_SA) Residuals
-.02
-.01
.00
.01
.02
.03
1998 2000 2002 2004 2006 2008 2010
DLOG(NI) Residuals
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
0.2
0.4
1998 2000 2002 2004 2006 2008 2010
D(LYMNAC) Residuals
-.4
-.3
-.2
-.1
.0
.1
.2
.3
1998 2000 2002 2004 2006 2008 2010
DLOG(Q_M) Residuals
-.12
-.08
-.04
.00
.04
.08
.12
.16
.20
1998 2000 2002 2004 2006 2008 2010
D(LBM_SA) Residuals
381
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: D(LPIB_SA) DLOG(NI) D(LYMNAC) DLOG(Q_M) D(LBM_SA) Exogenous variables: C DLOG(RI) D(LGRGC_SA) DLOG(PP) DUM03 DU0402 DU08 Lag specification: 1 2 Date: 21/07/13 Time: 10:43
Root Modulus -0.286681 - 0.501441i 0.577606
-0.286681 + 0.501441i 0.577606 -0.119851 - 0.543401i 0.556461 -0.119851 + 0.543401i 0.556461 0.426316 0.426316 0.156647 - 0.329764i 0.365079 0.156647 + 0.329764i 0.365079 -0.208199 - 0.256151i 0.330091 -0.208199 + 0.256151i 0.330091 0.189594 0.189594
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 21/07/13 Time: 10:44 Sample: 1998M01 2011M12 Included observations: 165
Dependent variable: D(LPIB_SA) Excluded Chi-sq df Prob. DLOG(NI) 2.217895 2 0.3299
D(LYMNAC) 2.711933 2 0.2577 DLOG(Q_M) 1.593863 2 0.4507 D(LBM_SA) 0.418014 2 0.8114
All 6.397181 8 0.6028
Dependent variable: DLOG(NI) Excluded Chi-sq df Prob. D(LPIB_SA) 17.73897 2 0.0001
D(LYMNAC) 12.86349 2 0.0016 DLOG(Q_M) 49.51541 2 0.0000 D(LBM_SA) 0.475696 2 0.7883
All 124.0887 8 0.0000
Dependent variable: D(LYMNAC) Excluded Chi-sq df Prob. D(LPIB_SA) 0.931279 2 0.6277
DLOG(NI) 2.863997 2 0.2388
382
DLOG(Q_M) 2.259866 2 0.3231 D(LBM_SA) 0.085523 2 0.9581
All 6.533130 8 0.5877
Dependent variable: DLOG(Q_M) Excluded Chi-sq df Prob. D(LPIB_SA) 1.201053 2 0.5485
DLOG(NI) 4.376550 2 0.1121 D(LYMNAC) 3.943534 2 0.1392 D(LBM_SA) 1.740738 2 0.4188
All 13.93811 8 0.0834
Dependent variable: D(LBM_SA) Excluded Chi-sq df Prob. D(LPIB_SA) 0.036675 2 0.9818
DLOG(NI) 1.079159 2 0.5830 D(LYMNAC) 0.805624 2 0.6684 DLOG(Q_M) 7.547882 2 0.0230
All 12.02131 8 0.1503
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 21/07/13 Time: 10:45 Sample: 1998M01 2011M12 Included observations: 165
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values D(LPIB_SA) DLOG(NI) D(LYMNAC) DLOG(Q_M) D(LBM_SA) Joint Lag 1 23.84264 109.8334 14.08625 11.21212 29.28912 189.9101 [ 0.000233] [ 0.000000] [ 0.015071] [ 0.047333] [ 2.03e-05] [ 0.000000]
Lag 2 15.76048 55.35975 29.86732 1.945853 1.946914 103.3427 [ 0.007562] [ 1.10e-10] [ 1.57e-05] [ 0.856586] [ 0.856441] [ 1.71e-11] df 5 5 5 5 5 25
383
Orden de los rezagos.
VAR Lag Order Selection Criteria Endogenous variables: D(LPIB_SA) DLOG(NI) D(LYMNAC) DLOG(Q_M) D(LBM_SA) Exogenous variables: C DLOG(RI) D(LGRGC_SA) DLOG(PP) DUM03 DU0402 DU08 Date: 21/07/13 Time: 10:46 Sample: 1998M01 2011M12 Included observations: 159
Lag LogL LR FPE AIC SC HQ 0 1341.233 NA 5.04e-14 -16.43061 -15.75506 -16.15628
1 1417.411 140.8573 2.65e-14 -17.07436 -15.91628* -16.60407 2 1460.970 77.80218 2.10e-14* -17.30779 -15.66718 -16.64156* 3 1480.530 33.70718 2.26e-14 -17.23937 -15.11622 -16.37718 4 1494.461 23.13197 2.62e-14 -17.10014 -14.49447 -16.04201 5 1521.472 43.14983 2.58e-14 -17.12544 -14.03723 -15.87135 6 1546.742 38.77849 2.62e-14 -17.12883 -13.55809 -15.67879 7 1587.597 60.12637* 2.19e-14 -17.32827* -13.27500 -15.68228 8 1604.192 23.37882 2.50e-14 -17.22254 -12.68674 -15.38060 * 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
Prueba de correlación serial de los errores.
VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 21/07/13 Time: 10:47 Sample: 1998M01 2011M12 Included observations: 165
Lags LM-Stat Prob 1 27.34643 0.3388
2 24.67682 0.4806 3 33.85142 0.1111 4 35.50579 0.0794 5 21.09166 0.6875 6 49.60517 0.0024 7 37.24534 0.0547 8 35.68948 0.0764 9 52.90222 0.0009
10 29.28170 0.2523 11 22.75474 0.5919 12 146.7512 0.0000
Probs from chi-square with 25 df.
384
Prueba de normalidad multivariada de los residuos.
VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 21/07/13 Time: 10:48 Sample: 1998M01 2011M12 Included observations: 165
Component Skewness Chi-sq df Prob. 1 -0.818777 19.11655 1 0.0000
2 0.265213 2.005711 1 0.1567 3 -2.010198 115.2275 1 0.0000 4 0.163694 0.764092 1 0.3821 5 0.522552 7.786424 1 0.0053 Joint 144.9003 5 0.0000
Component Kurtosis Chi-sq df Prob. 1 5.852744 62.81133 1 0.0000
2 2.995147 0.007369 1 0.9316 3 11.96662 609.9979 1 0.0000 4 7.792172 175.4559 1 0.0000 5 4.491390 17.56138 1 0.0000 Joint 865.8338 5 0.0000
Component Jarque-Bera df Prob. 1 81.92788 2 0.0000
2 2.013080 2 0.3655 3 725.2254 2 0.0000 4 176.2200 2 0.0000 5 25.34780 2 0.0000
Joint 5258.756 105 0.0000
Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: Includes Cross Terms Date: 21/07/13 Time: 10:49 Sample: 1998M01 2011M12 Included observations: 165
Joint test:
Chi-sq df Prob. 2137.099 1920 0.0003
385
Anexo 5.22. Modelo 22. LS 1 2 D(LPIB_SA) DLOG(NI) D(LYMZUL) DLOG(Q_M) D(LBM_SA) @ C DLOG(RI)
D(LGRGC_SA) DLOG(PP) DUM03 DU0402 DU08
Salida del modelo.
Vector Autoregression Estimates Date: 07/07/13 Time: 20:29 Sample (adjusted): 1998M04 2011M12 Included observations: 165 after adjustments Standard errors in ( ) & t-statistics in [ ]
D(LPIB_SA) DLOG(NI) D(LYMZUL) DLOG(Q_M) D(LBM_SA) D(LPIB_SA(-1)) -0.493710 0.004577 0.028607 0.013759 0.003572 (0.09854) (0.01514) (0.34305) (0.16367) (0.10480) [-5.01036] [ 0.30235] [ 0.08339] [ 0.08407] [ 0.03408]
D(LPIB_SA(-2)) -0.328976 -0.048998 -0.542550 -0.061882 0.036934 (0.09425) (0.01448) (0.32813) (0.15656) (0.10024) [-3.49036] [-3.38360] [-1.65347] [-0.39527] [ 0.36845]
DLOG(NI(-1)) -0.491956 0.603367 0.985769 -1.214605 -0.502418 (0.46661) (0.07169) (1.62444) (0.77505) (0.49626) [-1.05432] [ 8.41630] [ 0.60684] [-1.56714] [-1.01242]
DLOG(NI(-2)) 0.741737 0.034619 1.528186 -0.513340 0.085689 (0.46971) (0.07217) (1.63522) (0.78019) (0.49955) [ 1.57915] [ 0.47971] [ 0.93454] [-0.65797] [ 0.17153]
D(LYMZUL(-1)) 0.080145 -0.008992 -0.344727 -0.057955 -0.016543 (0.03011) (0.00463) (0.10482) (0.05001) (0.03202) [ 2.66196] [-1.94385] [-3.28889] [-1.15889] [-0.51664]
D(LYMZUL(-2)) 0.034027 -0.011198 -0.115020 0.076154 0.005258 (0.03018) (0.00464) (0.10505) (0.05012) (0.03209) [ 1.12761] [-2.41533] [-1.09488] [ 1.51935] [ 0.16384]
DLOG(Q_M(-1)) 0.009810 0.050668 0.350241 0.107714 0.138077 (0.04983) (0.00766) (0.17349) (0.08277) (0.05300) [ 0.19685] [ 6.61767] [ 2.01882] [ 1.30130] [ 2.60526]
DLOG(Q_M(-2)) 0.054971 0.000687 0.110231 -0.079843 -0.032619 (0.05638) (0.00866) (0.19628) (0.09365) (0.05996) [ 0.97501] [ 0.07930] [ 0.56160] [-0.85258] [-0.54400]
D(LBM_SA(-1)) 0.021156 -0.004456 -0.075444 -0.080477 -0.350958 (0.07796) (0.01198) (0.27139) (0.12949) (0.08291) [ 0.27139] [-0.37200] [-0.27799] [-0.62151] [-4.23308]
D(LBM_SA(-2)) 6.26E-05 0.002662 -0.045939 0.054057 -0.051198 (0.07693) (0.01182) (0.26784) (0.12779) (0.08182) [ 0.00081] [ 0.22518] [-0.17152] [ 0.42302] [-0.62572]
C -0.005440 0.005238 -0.040063 0.022741 0.024199 (0.00892) (0.00137) (0.03105) (0.01481) (0.00949) [-0.60993] [ 3.82274] [-1.29027] [ 1.53501] [ 2.55116]
DLOG(RI) 0.084637 -0.003848 0.629787 -0.122897 0.150975 (0.06457) (0.00992) (0.22477) (0.10724) (0.06867) [ 1.31088] [-0.38786] [ 2.80186] [-1.14596] [ 2.19865]
D(LGRGC_SA) 0.064517 -0.001864 0.114468 0.012234 0.014893 (0.01954) (0.00300) (0.06803) (0.03246) (0.02078) [ 3.30139] [-0.62083] [ 1.68249] [ 0.37689] [ 0.71655]
386
DLOG(PP) -0.036354 0.002808 -0.021680 -0.040078 0.044251
(0.03445) (0.00529) (0.11994) (0.05723) (0.03664) [-1.05519] [ 0.53056] [-0.18075] [-0.70035] [ 1.20768]
DUM03 0.059195 0.003039 0.203702 -0.038307 0.009495 (0.01596) (0.00245) (0.05555) (0.02650) (0.01697) [ 3.70991] [ 1.23983] [ 3.66707] [-1.44538] [ 0.55950]
DU0402 -0.049704 -0.000901 -0.194699 0.053998 0.013280 (0.01695) (0.00260) (0.05899) (0.02815) (0.01802) [-2.93326] [-0.34619] [-3.30041] [ 1.91849] [ 0.73687]
DU08 -0.022670 0.010938 -0.085765 -0.009500 0.095160 (0.04614) (0.00709) (0.16063) (0.07664) (0.04907) [-0.49133] [ 1.54294] [-0.53394] [-0.12396] [ 1.93924] R-squared 0.345627 0.623155 0.265543 0.141397 0.242435
Adj. R-squared 0.274884 0.582415 0.186142 0.048576 0.160536 Sum sq. resids 0.283503 0.006692 3.436043 0.782182 0.320673 S.E. equation 0.043767 0.006724 0.152370 0.072698 0.046548 F-statistic 4.885663 15.29593 3.344341 1.523320 2.960179 Log likelihood 291.1096 600.1770 85.28420 207.3832 280.9456 Akaike AIC -3.322541 -7.068812 -0.827687 -2.307676 -3.199340 Schwarz SC -3.002534 -6.748806 -0.507681 -1.987669 -2.879334 Mean dependent 0.002034 0.018410 0.000456 0.002390 0.024547 S.D. dependent 0.051398 0.010406 0.168898 0.074531 0.050804
Determinant resid covariance (dof adj.) 1.38E-14
Determinant resid covariance 8.03E-15 Log likelihood 1506.939 Akaike information criterion -17.23563 Schwarz criterion -15.63560
Gráfico de los residuos del modelo.
-.4
-.3
-.2
-.1
.0
.1
1998 2000 2002 2004 2006 2008 2010
D(LPIB_SA) Residuals
-.02
-.01
.00
.01
.02
.03
1998 2000 2002 2004 2006 2008 2010
DLOG(NI) Residuals
-1.6
-1.2
-0.8
-0.4
0.0
0.4
1998 2000 2002 2004 2006 2008 2010
D(LYMZUL) Residuals
-.4
-.3
-.2
-.1
.0
.1
.2
.3
1998 2000 2002 2004 2006 2008 2010
DLOG(Q_M) Residuals
-.12
-.08
-.04
.00
.04
.08
.12
.16
.20
1998 2000 2002 2004 2006 2008 2010
D(LBM_SA) Residuals
387
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: D(LPIB_SA) DLOG(NI) D(LYMZUL) DLOG(Q_M) D(LBM_SA) Exogenous variables: C DLOG(RI) D(LGRGC_SA) DLOG(PP) DUM03 DU0402 DU08 Lag specification: 1 2 Date: 21/07/13 Time: 10:52
Root Modulus -0.289634 - 0.437423i 0.524621
-0.289634 + 0.437423i 0.524621 -0.240483 - 0.438633i 0.500231 -0.240483 + 0.438633i 0.500231 0.278321 - 0.261933i 0.382193 0.278321 + 0.261933i 0.382193 0.242687 0.242687 -0.144553 - 0.165956i 0.220083 -0.144553 + 0.165956i 0.220083 0.071697 0.071697
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 21/07/13 Time: 10:54 Sample: 1998M01 2011M12 Included observations: 165
Dependent variable: D(LPIB_SA) Excluded Chi-sq df Prob. DLOG(NI) 2.522707 2 0.2833
D(LYMZUL) 7.086519 2 0.0289 DLOG(Q_M) 1.068487 2 0.5861 D(LBM_SA) 0.086302 2 0.9578
All 10.87873 8 0.2087
Dependent variable: DLOG(NI) Excluded Chi-sq df Prob. D(LPIB_SA) 15.65728 2 0.0004
D(LYMZUL) 6.833781 2 0.0328 DLOG(Q_M) 44.91616 2 0.0000 D(LBM_SA) 0.297914 2 0.8616
All 113.8899 8 0.0000
Dependent variable: D(LYMZUL) Excluded Chi-sq df Prob. D(LPIB_SA) 3.599531 2 0.1653
DLOG(NI) 2.861078 2 0.2392
388
DLOG(Q_M) 4.826435 2 0.0895 D(LBM_SA) 0.082145 2 0.9598
All 10.59187 8 0.2259
Dependent variable: DLOG(Q_M) Excluded Chi-sq df Prob. D(LPIB_SA) 0.242843 2 0.8857
DLOG(NI) 6.153042 2 0.0461 D(LYMZUL) 6.351448 2 0.0418 D(LBM_SA) 0.901838 2 0.6370
All 16.50442 8 0.0357
Dependent variable: D(LBM_SA) Excluded Chi-sq df Prob. D(LPIB_SA) 0.157749 2 0.9242
DLOG(NI) 1.285027 2 0.5260 D(LYMZUL) 0.450572 2 0.7983 DLOG(Q_M) 6.814391 2 0.0331
All 11.63950 8 0.1680
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 21/07/13 Time: 10:55 Sample: 1998M01 2011M12 Included observations: 165
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values D(LPIB_SA) DLOG(NI) D(LYMZUL) DLOG(Q_M) D(LBM_SA) Joint Lag 1 27.90913 106.7597 25.25171 9.084665 29.24418 216.1097 [ 3.79e-05] [ 0.000000] [ 0.000125] [ 0.105734] [ 2.08e-05] [ 0.000000]
Lag 2 17.87625 49.66418 11.40722 3.475793 1.550866 77.52833 [ 0.003106] [ 1.62e-09] [ 0.043878] [ 0.627054] [ 0.907126] [ 2.77e-07] df 5 5 5 5 5 25
389
Orden de los rezagos.
VAR Lag Order Selection Criteria Endogenous variables: D(LPIB_SA) DLOG(NI) D(LYMZUL) DLOG(Q_M) D(LBM_SA) Exogenous variables: C DLOG(RI) D(LGRGC_SA) DLOG(PP) DUM03 DU0402 DU08 Date: 21/07/13 Time: 10:57 Sample: 1998M01 2011M12 Included observations: 159
Lag LogL LR FPE AIC SC HQ 0 1335.011 NA 5.45e-14 -16.35234 -15.67679 -16.07801
1 1424.820 166.0624 2.41e-14 -17.16755 -16.00947* -16.69726* 2 1456.666 56.88133 2.22e-14* -17.25365* -15.61305 -16.58742 3 1474.781 31.21756 2.43e-14 -17.16705 -15.04391 -16.30487 4 1486.331 19.17792 2.90e-14 -16.99788 -14.39220 -15.93974 5 1506.143 31.64947 3.13e-14 -16.93262 -13.84441 -15.67853 6 1535.274 44.70402 3.02e-14 -16.98458 -13.41384 -15.53454 7 1565.366 44.28660* 2.89e-14 -17.04863 -12.99536 -15.40264 8 1588.699 32.87152 3.03e-14 -17.02766 -12.49186 -15.18572 * 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
Prueba de correlación serial de los errores. VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 21/07/13 Time: 10:56 Sample: 1998M01 2011M12 Included observations: 165
Lags LM-Stat Prob 1 27.03554 0.3541
2 21.69254 0.6534 3 32.11972 0.1546 4 31.08224 0.1863 5 22.54566 0.6041 6 37.63875 0.0502 7 37.63796 0.0502 8 36.44013 0.0652 9 51.72892 0.0013
10 35.32837 0.0824 11 23.28269 0.5611 12 16.53207 0.8981
Probs from chi-square with 25 df.
390
Prueba de normalidad multivariada de los residuos.
VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 21/07/13 Time: 10:58 Sample: 1998M01 2011M12 Included observations: 165
Component Skewness Chi-sq df Prob. 1 -0.322285 2.961825 1 0.0853
2 0.210777 1.266844 1 0.2604 3 -2.620008 195.7419 1 0.0000 4 0.086666 0.214177 1 0.6435 5 0.505031 7.273023 1 0.0070 Joint 207.4578 5 0.0000
Component Kurtosis Chi-sq df Prob. 1 3.901023 6.610143 1 0.0101
2 3.167349 0.311657 1 0.5767 3 19.95932 2173.916 1 0.0000 4 7.611111 162.5435 1 0.0000 5 4.399814 15.51887 1 0.0001 Joint 2358.900 5 0.0000
Component Jarque-Bera df Prob. 1 9.571968 2 0.0083
2 1.578501 2 0.4542 3 2369.658 2 0.0000 4 162.7577 2 0.0000 5 22.79190 2 0.0000
Joint 8066.768 105 0.0000
Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: Includes Cross Terms Date: 21/07/13 Time: 10:58 Sample: 1998M01 2011M12 Included observations: 165
Joint test:
Chi-sq df Prob. 2105.996 1920 0.0017
391
Anexo 5.23. Modelo 23. LS 1 2 D(LPIB) DLOG(NI) D(LYMNAC_SA) D(TA) TO @ C DLOG(RIN) DLOG(GGC)
D(EN_OMA) DLOG(Q_M) DU0402 DUM03 DU08
Salida del modelo.
Vector Autoregression Estimates Date: 07/07/13 Time: 20:21 Sample (adjusted): 1998M04 2011M12 Included observations: 165 after adjustments Standard errors in ( ) & t-statistics in [ ]
D(LPIB) DLOG(NI) D(LYMNAC_SA) D(TA) TO D(LPIB(-1)) -0.431687 -0.005066 -0.023820 -4.779420 8.246406 (0.07054) (0.00670) (0.08929) (3.22647) (5.14116) [-6.11990] [-0.75568] [-0.26678] [-1.48132] [ 1.60400]
D(LPIB(-2)) -0.301478 0.000489 0.039843 -4.124128 0.385263 (0.07404) (0.00704) (0.09372) (3.38680) (5.39664) [-4.07163] [ 0.06955] [ 0.42511] [-1.21771] [ 0.07139]
DLOG(NI(-1)) 0.380723 0.548696 1.352273 -39.90431 56.11485 (0.81020) (0.07701) (1.02555) (37.0590) (59.0510) [ 0.46991] [ 7.12518] [ 1.31859] [-1.07678] [ 0.95028]
DLOG(NI(-2)) 1.089778 -0.093047 -0.235093 39.42303 -99.33730 (0.75239) (0.07151) (0.95237) (34.4148) (54.8377) [ 1.44842] [-1.30111] [-0.24685] [ 1.14552] [-1.81148]
D(LYMNAC_SA(-1)) 0.150294 -0.005558 -0.402585 2.537214 -13.81214 (0.06686) (0.00635) (0.08463) (3.05811) (4.87290) [ 2.24797] [-0.87456] [-4.75710] [ 0.82967] [-2.83448]
D(LYMNAC_SA(-2)) 0.029560 -0.042791 -0.414081 5.357137 -6.221360 (0.07047) (0.00670) (0.08920) (3.22345) (5.13635) [ 0.41945] [-6.38841] [-4.64197] [ 1.66193] [-1.21124]
D(TA(-1)) 0.001049 5.75E-05 -0.002957 -0.194045 -0.011504 (0.00184) (0.00018) (0.00233) (0.08422) (0.13420) [ 0.56966] [ 0.32872] [-1.26869] [-2.30402] [-0.08572]
D(TA(-2)) 0.001952 -0.000429 -0.002755 0.243179 0.013123 (0.00173) (0.00016) (0.00219) (0.07896) (0.12582) [ 1.13074] [-2.61227] [-1.26072] [ 3.07959] [ 0.10430]
TO(-1) -0.001295 0.000151 -0.000609 0.299150 0.704369 (0.00127) (0.00012) (0.00160) (0.05795) (0.09233) [-1.02245] [ 1.25740] [-0.37990] [ 5.16255] [ 7.62854]
TO(-2) -0.001119 0.000213 0.001402 -0.307330 0.051769 (0.00131) (0.00012) (0.00165) (0.05972) (0.09516) [-0.85667] [ 1.71440] [ 0.84851] [-5.14608] [ 0.54401]
C 0.006974 0.003332 -0.031180 0.393153 4.514717 (0.01609) (0.00153) (0.02036) (0.73579) (1.17243) [ 0.43351] [ 2.17898] [-1.53132] [ 0.53433] [ 3.85074]
DLOG(RIN) 0.037628 0.009393 0.092168 -3.322130 -3.712109 (0.07513) (0.00714) (0.09510) (3.43669) (5.47613) [ 0.50081] [ 1.31525] [ 0.96912] [-0.96667] [-0.67787]
DLOG(GRGC) 0.153479 0.000308 0.052737 -0.071840 0.478426 (0.02110) (0.00201) (0.02671) (0.96512) (1.53785) [ 7.27397] [ 0.15376] [ 1.97459] [-0.07444] [ 0.31110]
392
D(EN_OMA) -6.28E-10 3.89E-10 -1.84E-09 9.00E-08 3.37E-07 (1.5E-09) (1.4E-10) (1.9E-09) (6.9E-08) (1.1E-07) [-0.41653] [ 2.71560] [-0.96337] [ 1.30421] [ 3.06365]
DLOG(Q_M) 0.063646 -0.007233 -0.070788 7.564993 9.452743 (0.08688) (0.00826) (0.10998) (3.97413) (6.33251) [ 0.73254] [-0.87591] [-0.64366] [ 1.90356] [ 1.49273]
DLOG(PP) -0.034045 0.004691 -0.136575 3.321228 -0.270369 (0.05553) (0.00528) (0.07029) (2.54006) (4.04741) [-0.61307] [ 0.88875] [-1.94296] [ 1.30754] [-0.06680]
DU0402 -0.018475 -0.005448 -0.141469 -2.059850 0.552081 (0.03148) (0.00299) (0.03985) (1.43990) (2.29438) [-0.58689] [-1.82075] [-3.55032] [-1.43055] [ 0.24062]
DUM03 0.011762 0.010131 0.156566 1.655175 -2.585790 (0.03357) (0.00319) (0.04249) (1.53534) (2.44645) [ 0.35042] [ 3.17553] [ 3.68496] [ 1.07805] [-1.05696]
DU08 -0.201831 0.004642 0.034700 1.454929 4.692675 (0.07544) (0.00717) (0.09549) (3.45064) (5.49836) [-2.67542] [ 0.64734] [ 0.36339] [ 0.42164] [ 0.85347] R-squared 0.511014 0.615595 0.323768 0.274594 0.699386
Adj. R-squared 0.450728 0.568203 0.240397 0.185161 0.662324 Sum sq. resids 0.755630 0.006827 1.210707 1580.939 4014.044 S.E. equation 0.071941 0.006838 0.091063 3.290646 5.243420 F-statistic 8.476512 12.98932 3.883463 3.070372 18.87067 Log likelihood 210.2325 598.5382 171.3413 -420.5607 -497.4326 Akaike AIC -2.317969 -7.024706 -1.846561 5.328009 6.259789 Schwarz SC -1.960315 -6.667052 -1.488907 5.685663 6.617443 Mean dependent 0.002076 0.018410 0.000195 -0.122667 10.04915 S.D. dependent 0.097070 0.010406 0.104484 3.645400 9.023276
Determinant resid covariance (dof adj.) 3.03E-07
Determinant resid covariance 1.65E-07 Log likelihood 118.0520 Akaike information criterion -0.279419 Schwarz criterion 1.508853
Gráfico de los residuos del modelo.
-.4
-.3
-.2
-.1
.0
.1
.2
1998 2000 2002 2004 2006 2008 2010
D(LPIB) Residuals
-.02
-.01
.00
.01
.02
.03
1998 2000 2002 2004 2006 2008 2010
DLOG(NI) Residuals
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
0.2
1998 2000 2002 2004 2006 2008 2010
D(LYMNAC_SA) Residuals
-20
-10
0
10
20
1998 2000 2002 2004 2006 2008 2010
D(TA) Residuals
-20
-10
0
10
20
1998 2000 2002 2004 2006 2008 2010
TO Residuals
393
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: D(LPIB) DLOG(NI) D(LYMNAC_SA) D(TA) TO Exogenous variables: C DLOG(RIN) DLOG(GRGC) D(EN_OMA) DLOG(Q_M) DLOG(PP) DU0402 DUM03 DU08 Lag specification: 1 2 Date: 21/07/13 Time: 11:02
Root Modulus 0.639302 - 0.146672i 0.655911
0.639302 + 0.146672i 0.655911 -0.160541 - 0.569141i 0.591350 -0.160541 + 0.569141i 0.591350 -0.194903 - 0.492677i 0.529828 -0.194903 + 0.492677i 0.529828 -0.393652 - 0.049975i 0.396812 -0.393652 + 0.049975i 0.396812 0.222168 - 0.182181i 0.287313 0.222168 + 0.182181i 0.287313
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 21/07/13 Time: 11:03 Sample: 1998M01 2011M12 Included observations: 165
Dependent variable: D(LPIB) Excluded Chi-sq df Prob. DLOG(NI) 3.178982 2 0.2040
D(LYMNAC_SA) 5.246678 2 0.0726 D(TA) 1.449193 2 0.4845
TO 4.261653 2 0.1187 All 12.08558 8 0.1474
Dependent variable: DLOG(NI) Excluded Chi-sq df Prob. D(LPIB) 0.682035 2 0.7110
D(LYMNAC_SA) 43.34308 2 0.0000 D(TA) 7.324350 2 0.0257
TO 10.70298 2 0.0047 All 100.9788 8 0.0000
Dependent variable: D(LYMNAC_SA) Excluded Chi-sq df Prob. D(LPIB) 0.364011 2 0.8336
394
DLOG(NI) 1.790105 2 0.4086 D(TA) 2.800721 2 0.2465
TO 0.740557 2 0.6905 All 6.790243 8 0.5594
Dependent variable: D(TA) Excluded Chi-sq df Prob. D(LPIB) 2.800627 2 0.2465
DLOG(NI) 1.834882 2 0.3995 D(LYMNAC_SA) 2.816667 2 0.2446
TO 33.52609 2 0.0000 All 35.26978 8 0.0000
Dependent variable: TO Excluded Chi-sq df Prob. D(LPIB) 2.798952 2 0.2467
DLOG(NI) 3.397359 2 0.1829 D(LYMNAC_SA) 8.066538 2 0.0177
D(TA) 0.021198 2 0.9895 All 11.82862 8 0.1590
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 21/07/13 Time: 11:04 Sample: 1998M01 2011M12 Included observations: 165
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values D(LPIB) DLOG(NI) D(LYMNAC_SA) D(TA) TO Joint Lag 1 39.17227 65.94231 30.29645 29.32789 99.06269 280.5782 [ 2.19e-07] [ 7.14e-13] [ 1.29e-05] [ 2.00e-05] [ 0.000000] [ 0.000000]
Lag 2 20.04679 59.54561 26.50644 30.32541 6.158616 169.3519 [ 0.001225] [ 1.51e-11] [ 7.12e-05] [ 1.27e-05] [ 0.291090] [ 0.000000] df 5 5 5 5 5 25
395
Orden de los rezagos.
VAR Lag Order Selection Criteria Endogenous variables: D(LPIB) DLOG(NI) D(LYMNAC_SA) D(TA) TO Exogenous variables: C DLOG(RIN) DLOG(GRGC) D(EN_OMA) DLOG(Q_M) DLOG(PP) DU0402 DUM03 DU08 Date: 21/07/13 Time: 11:05 Sample: 1998M01 2011M12 Included observations: 159
Lag LogL LR FPE AIC SC HQ 0 -59.01607 NA 2.55e-06 1.308378 2.176936 1.661090
1 73.44057 241.5876 6.60e-07 -0.043278 1.307812 0.505386 2 144.0829 124.4016 3.73e-07 -0.617395 1.216227* 0.127219* 3 171.3240 46.25847 3.65e-07* -0.645585* 1.670569 0.294981 4 194.9929 38.70393 3.75e-07 -0.628842 2.169844 0.507675 5 210.8745 24.97107 4.25e-07 -0.514145 2.767073 0.818323 6 225.8157 22.55276 4.91e-07 -0.387619 3.376131 1.140800 7 250.2124 35.29081 5.07e-07 -0.380031 3.866252 1.344339 8 289.4250 54.25645* 4.36e-07 -0.558806 4.170009 1.361516 * 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
Prueba de correlación serial de los errores.
VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 21/07/13 Time: 11:06 Sample: 1998M01 2011M12 Included observations: 165
Lags LM-Stat Prob 1 28.24210 0.2968
2 35.36031 0.0819 3 27.50471 0.3312 4 34.79129 0.0920 5 35.02104 0.0878 6 51.26765 0.0015 7 35.57218 0.0783 8 49.22411 0.0027 9 25.07500 0.4582
10 46.31905 0.0059 11 17.97846 0.8433 12 130.6302 0.0000
Probs from chi-square with 25 df.
396
Prueba de normalidad multivariada de los residuos.
VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 21/07/13 Time: 11:07 Sample: 1998M01 2011M12 Included observations: 165
Component Skewness Chi-sq df Prob. 1 -0.411630 4.831623 1 0.0279
2 0.360189 3.699468 1 0.0544 3 -3.424119 334.3307 1 0.0000 4 0.375234 4.014983 1 0.0451 5 0.284064 2.300976 1 0.1293 Joint 349.1777 5 0.0000
Component Kurtosis Chi-sq df Prob. 1 3.653943 3.584142 1 0.0583
2 3.199039 0.416287 1 0.5188 3 30.66394 5774.822 1 0.0000 4 7.459265 152.0951 1 0.0000 5 3.693713 4.009157 1 0.0453 Joint 5934.927 5 0.0000
Component Jarque-Bera df Prob. 1 8.415765 2 0.0149
2 4.115754 2 0.1277 3 6109.153 2 0.0000 4 156.1101 2 0.0000 5 6.310133 2 0.0426
Joint 10380.40 105 0.0000
Prueba de heterocedasticidad. VAR Residual Heteroskedasticity Tests: Includes Cross Terms Date: 21/07/13 Time: 11:07 Sample: 1998M01 2011M12 Included observations: 165
Joint test:
Chi-sq df Prob. 2457.280 2415 0.2695
397
Prueba de cointegración de Johansen
Date: 03/06/13 Time: 21:30 Sample (adjusted): 2004M04 2011M12 Included observations: 93 after adjustments Trend assumption: Linear deterministic trend Series: LPIB LOG(D12_IPC) LYMZUL_SA LOG(Q_M) TA TPM_A TO Lags interval (in first differences): 1 to 2 Unrestricted Cointegration Rank Test (Trace) Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None * 0.440074 143.2052 125.6154 0.0027
At most 1 0.305754 89.26987 95.75366 0.1285 At most 2 0.215159 55.33142 69.81889 0.4053 At most 3 0.166044 32.79998 47.85613 0.5679 At most 4 0.093303 15.91349 29.79707 0.7183 At most 5 0.044564 6.804439 15.49471 0.6005 At most 6 0.027202 2.564846 3.841466 0.1093
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
Unrestricted Cointegration Rank Test (Maximum Eigenvalue) Hypothesized Max-Eigen 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None * 0.440074 53.93536 46.23142 0.0063
At most 1 0.305754 33.93845 40.07757 0.2087 At most 2 0.215159 22.53144 33.87687 0.5665 At most 3 0.166044 16.88649 27.58434 0.5897 At most 4 0.093303 9.109047 21.13162 0.8235 At most 5 0.044564 4.239593 14.26460 0.8332 At most 6 0.027202 2.564846 3.841466 0.1093
Max-eigenvalue 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
398
Anexo 5.24. Modelo 24. LS 1 2 D(LPIB_SA) DLOG(NI) D(LYMZUL) D(TA) TO @ C DLOG(RI) DLOG(GRGC)
D(EN_OMA) DLOG(Q_M) DLOG(PP) DU0402 DUM03 DU08 DU10
Salida del modelo.
Vector Autoregression Estimates Date: 07/07/13 Time: 20:21 Sample (adjusted): 1998M04 2011M12 Included observations: 165 after adjustments Standard errors in ( ) & t-statistics in [ ]
D(LPIB_SA) DLOG(NI) D(LYMZUL) D(TA) TO D(LPIB_SA(-1)) -0.579518 0.016846 0.082555 1.027820 -7.922989 (0.09866) (0.01619) (0.34112) (7.16905) (11.7933) [-5.87408] [ 1.04076] [ 0.24201] [ 0.14337] [-0.67182]
D(LPIB_SA(-2)) -0.401516 -0.033487 -0.491845 6.236119 1.370242 (0.09550) (0.01567) (0.33019) (6.93940) (11.4155) [-4.20452] [-2.13739] [-1.48956] [ 0.89865] [ 0.12003]
DLOG(NI(-1)) -0.133502 0.510415 0.682633 -22.50703 34.70653 (0.48594) (0.07972) (1.68020) (35.3113) (58.0880) [-0.27473] [ 6.40230] [ 0.40628] [-0.63739] [ 0.59748]
DLOG(NI(-2)) 0.508871 -0.109836 0.750391 32.28476 -93.94684 (0.46849) (0.07686) (1.61989) (34.0438) (56.0029) [ 1.08619] [-1.42901] [ 0.46324] [ 0.94833] [-1.67753]
D(LYMZUL(-1)) 0.092985 -0.010086 -0.368678 0.066495 -1.392363 (0.03047) (0.00500) (0.10534) (2.21389) (3.64190) [ 3.05207] [-2.01793] [-3.49981] [ 0.03004] [-0.38232]
D(LYMZUL(-2)) 0.043318 -0.014520 -0.136489 0.527003 -0.056826 (0.03007) (0.00493) (0.10396) (2.18475) (3.59397) [ 1.44080] [-2.94363] [-1.31295] [ 0.24122] [-0.01581]
D(TA(-1)) -0.001763 3.05E-06 -0.004048 -0.165284 0.015256 (0.00112) (0.00018) (0.00389) (0.08172) (0.13444) [-1.56767] [ 0.01651] [-1.04086] [-2.02245] [ 0.11348]
D(TA(-2)) -0.001493 -0.000351 -0.002505 0.242028 0.033053 (0.00107) (0.00018) (0.00370) (0.07769) (0.12780) [-1.39628] [-2.00386] [-0.67752] [ 3.11539] [ 0.25863]
TO(-1) -0.000356 0.000215 0.001882 0.281422 0.719765 (0.00077) (0.00013) (0.00267) (0.05608) (0.09225) [-0.46141] [ 1.69839] [ 0.70534] [ 5.01838] [ 7.80231]
TO(-2) 0.000205 0.000189 -0.000101 -0.300166 0.020812 (0.00079) (0.00013) (0.00274) (0.05765) (0.09483) [ 0.25824] [ 1.45067] [-0.03676] [-5.20709] [ 0.21947]
C -0.004036 0.003635 -0.046836 0.364094 4.923927 (0.00994) (0.00163) (0.03437) (0.72239) (1.18835) [-0.40597] [ 2.22868] [-1.36258] [ 0.50402] [ 4.14351]
DLOG(RI) 0.080878 0.002843 0.607239 -15.52157 -16.03283 (0.06672) (0.01095) (0.23070) (4.84851) (7.97594) [ 1.21215] [ 0.25971] [ 2.63211] [-3.20130] [-2.01015]
DLOG(GRGC) 0.022276 0.000533 0.118043 0.814453 0.520442 (0.01311) (0.00215) (0.04533) (0.95259) (1.56703) [ 1.69929] [ 0.24779] [ 2.60428] [ 0.85499] [ 0.33212]
399
D(EN_OMA) -7.83E-10 4.16E-10 -1.74E-09 7.00E-08 3.17E-07 (9.2E-10) (1.5E-10) (3.2E-09) (6.7E-08) (1.1E-07) [-0.84759] [ 2.74558] [-0.54315] [ 1.04301] [ 2.87067]
DLOG(Q_M) 0.015212 -0.005997 -0.039669 6.454740 7.567938 (0.05330) (0.00875) (0.18431) (3.87340) (6.37184) [ 0.28539] [-0.68579] [-0.21524] [ 1.66643] [ 1.18772]
DLOG(PP) -0.041860 0.002336 -0.035192 2.755264 -0.419579 (0.03481) (0.00571) (0.12035) (2.52936) (4.16086) [-1.20260] [ 0.40897] [-0.29241] [ 1.08931] [-0.10084]
DU0402 -0.052999 -0.003987 -0.212552 -2.382444 1.105239 (0.01913) (0.00314) (0.06613) (1.38980) (2.28625) [-2.77109] [-1.27056] [-3.21416] [-1.71424] [ 0.48343]
DUM03 0.060730 0.009274 0.232806 1.875877 -3.009190 (0.02071) (0.00340) (0.07159) (1.50462) (2.47514) [ 2.93300] [ 2.73004] [ 3.25177] [ 1.24674] [-1.21577]
DU08 -0.000452 0.006869 -0.070694 1.179583 4.731647 (0.04633) (0.00760) (0.16019) (3.36650) (5.53798) [-0.00976] [ 0.90368] [-0.44132] [ 0.35039] [ 0.85440]
DU10 -0.024955 0.004398 -0.025237 1.394389 -4.709374 (0.04719) (0.00774) (0.16316) (3.42903) (5.64085) [-0.52884] [ 0.56810] [-0.15468] [ 0.40664] [-0.83487] R-squared 0.344251 0.569397 0.273991 0.311656 0.695972
Adj. R-squared 0.258325 0.512973 0.178859 0.221459 0.656134 Sum sq. resids 0.284099 0.007647 3.396519 1500.167 4059.625 S.E. equation 0.044264 0.007262 0.153050 3.216517 5.291258 F-statistic 4.006373 10.09141 2.880113 3.455291 17.46999 Log likelihood 290.9363 589.1753 86.23867 -416.2342 -498.3641 Akaike AIC -3.284077 -6.899094 -0.802893 5.287688 6.283202 Schwarz SC -2.907598 -6.522616 -0.426415 5.664166 6.659680 Mean dependent 0.002034 0.018410 0.000456 -0.122667 10.04915 S.D. dependent 0.051398 0.010406 0.168898 3.645400 9.023276
Determinant resid covariance (dof adj.) 3.13E-07
Determinant resid covariance 1.64E-07 Log likelihood 118.3704 Akaike information criterion -0.222672 Schwarz criterion 1.659719
Gráfico de los residuos del modelo.
-.4
-.3
-.2
-.1
.0
.1
.2
1998 2000 2002 2004 2006 2008 2010
D(LPIB_SA) Residuals
-.02
-.01
.00
.01
.02
.03
1998 2000 2002 2004 2006 2008 2010
DLOG(NI) Residuals
-1.6
-1.2
-0.8
-0.4
0.0
0.4
1998 2000 2002 2004 2006 2008 2010
D(LYMZUL) Residuals
-15
-10
-5
0
5
10
15
1998 2000 2002 2004 2006 2008 2010
D(TA) Residuals
-30
-20
-10
0
10
20
1998 2000 2002 2004 2006 2008 2010
TO Residuals
400
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: D(LPIB_SA) DLOG(NI) D(LYMZUL) D(TA) TO Exogenous variables: C DLOG(RI) DLOG(GRGC) D(EN_OMA) DLOG(Q_M) DLOG(PP) DU0402 DUM03 DU08 DU10 Lag specification: 1 2 Date: 21/07/13 Time: 11:12
Root Modulus 0.616157 - 0.155456i 0.635465
0.616157 + 0.155456i 0.635465 -0.304659 - 0.463758i 0.554877 -0.304659 + 0.463758i 0.554877 -0.493873 0.493873 -0.195802 - 0.380369i 0.427807 -0.195802 + 0.380369i 0.427807 0.250532 - 0.238436i 0.345858 0.250532 + 0.238436i 0.345858 -0.121882 0.121882
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 21/07/13 Time: 11:13 Sample: 1998M01 2011M12 Included observations: 165
Dependent variable: D(LPIB_SA) Excluded Chi-sq df Prob. DLOG(NI) 1.189474 2 0.5517
D(LYMZUL) 9.365961 2 0.0093 D(TA) 3.866293 2 0.1447
TO 0.212899 2 0.8990 All 18.03267 8 0.0210
Dependent variable: DLOG(NI) Excluded Chi-sq df Prob. D(LPIB_SA) 9.562340 2 0.0084
D(LYMZUL) 9.483003 2 0.0087 D(TA) 4.106884 2 0.1283
TO 11.34820 2 0.0034 All 73.11753 8 0.0000
Dependent variable: D(LYMZUL) Excluded Chi-sq df Prob. D(LPIB_SA) 3.252749 2 0.1966
401
DLOG(NI) 0.572372 2 0.7511 D(TA) 1.370657 2 0.5039
TO 0.686888 2 0.7093 All 7.297278 8 0.5049
Dependent variable: D(TA) Excluded Chi-sq df Prob. D(LPIB_SA) 0.891566 2 0.6403
DLOG(NI) 1.012596 2 0.6027 D(LYMZUL) 0.063641 2 0.9687
TO 33.50380 2 0.0000 All 36.00105 8 0.0000
Dependent variable: TO Excluded Chi-sq df Prob. D(LPIB_SA) 0.672980 2 0.7143
DLOG(NI) 2.815153 2 0.2447 D(LYMZUL) 0.169216 2 0.9189
D(TA) 0.072935 2 0.9642 All 5.386641 8 0.7156
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 21/07/13 Time: 11:14 Sample: 1998M01 2011M12 Included observations: 165
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values D(LPIB_SA) DLOG(NI) D(LYMZUL) D(TA) TO Joint Lag 1 38.71680 55.35879 21.79337 26.31136 89.63275 230.1051 [ 2.71e-07] [ 1.10e-10] [ 0.000573] [ 7.76e-05] [ 0.000000] [ 0.000000]
Lag 2 23.41411 44.56559 10.88288 33.50288 3.419672 119.8587 [ 0.000281] [ 1.78e-08] [ 0.053752] [ 2.99e-06] [ 0.635576] [ 2.34e-14] df 5 5 5 5 5 25
402
Orden de los rezagos.
VAR Lag Order Selection Criteria Endogenous variables: D(LPIB_SA) DLOG(NI) D(LYMZUL) D(TA) TO Exogenous variables: C DLOG(RI) DLOG(GRGC) D(EN_OMA) DLOG(Q_M) DLOG(PP) DU0402 DUM03 DU08 DU10 Date: 21/07/13 Time: 11:15 Sample: 1998M01 2011M12 Included observations: 159
Lag LogL LR FPE AIC SC HQ 0 -13.89729 NA 1.54e-06 0.803740 1.768804 1.195642
1 106.4331 217.9569 4.65e-07 -0.395385 1.052212* 0.192469 2 157.2965 88.93093 3.37e-07 -0.720710 1.209418 0.063094* 3 186.3119 48.90653 3.22e-07* -0.771219* 1.641442 0.208537 4 203.3081 27.57872 3.60e-07 -0.670542 2.224651 0.505165 5 230.1939 41.93508 3.56e-07 -0.694263 2.683462 0.677395 6 251.3247 31.62976 3.81e-07 -0.645594 3.214663 0.922016 7 271.7961 29.35529 4.14e-07 -0.588631 3.754158 1.174930 8 304.5003 44.83959* 3.87e-07 -0.685538 4.139783 1.273974 * 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
Prueba de correlación serial de los errores.
VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 21/07/13 Time: 11:15 Sample: 1998M01 2011M12 Included observations: 165
Lags LM-Stat Prob 1 23.17070 0.5676
2 31.36970 0.1771 3 41.95677 0.0182 4 34.38750 0.0999 5 38.00637 0.0462 6 37.05790 0.0570 7 33.57394 0.1173 8 33.40916 0.1212 9 31.86996 0.1618
10 39.25338 0.0347 11 29.49117 0.2439 12 20.29046 0.7314
Probs from chi-square with 25 df.
403
Prueba de normalidad multivariada de los residuos.
VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 21/07/13 Time: 11:16 Sample: 1998M01 2011M12 Included observations: 165
Component Skewness Chi-sq df Prob. 1 -0.225017 1.443810 1 0.2295
2 0.346901 3.431541 1 0.0640 3 -2.541098 184.1287 1 0.0000 4 0.364522 3.789004 1 0.0516 5 0.135061 0.520163 1 0.4708 Joint 193.3132 5 0.0000
Component Kurtosis Chi-sq df Prob. 1 4.102411 9.756305 1 0.0018
2 2.848123 0.100807 1 0.7509 3 19.97966 2179.122 1 0.0000 4 6.853344 113.8575 1 0.0000 5 3.404728 1.462862 1 0.2265 Joint 2304.300 5 0.0000
Component Jarque-Bera df Prob. 1 11.20011 2 0.0037
2 3.532348 2 0.1710 3 2363.251 2 0.0000 4 117.6465 2 0.0000 5 1.983025 2 0.3710
Joint 7590.304 105 0.0000
Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: Includes Cross Terms Date: 21/07/13 Time: 11:17 Sample: 1998M01 2011M12 Included observations: 165
Joint test:
Chi-sq df Prob. 2450.227 2430 0.3825
404
Anexo 5.25. Modelo 25. LS 1 2 LPIB LOG(D12_IPC) LYMNAC_SA LOG(Q_M) TA TPM_A TO @ C ISP_DB
INVD_DB_RIN LRBE LPP DUM09
Salida del modelo.
Vector Autoregression Estimates Date: 03/06/13 Time: 21:44 Sample (adjusted): 2004M03 2011M12 Included observations: 94 after adjustments Standard errors in ( ) & t-statistics in [ ]
LPIB_SA LOG(D12_IPC) LYMNAC_SA LOG(Q_RE) TA TPM_A TO LPIB_SA(-1) 0.566156 0.383755 0.552783 0.264681 7.429990 0.357514 16.49650 (0.14436) (0.31611) (0.24334) (0.36557) (3.86118) (2.29680) (21.1314) [ 3.92182] [ 1.21400] [ 2.27160] [ 0.72402] [ 1.92428] [ 0.15566] [ 0.78066]
LPIB_SA(-2) 0.151495 -0.138726 0.200408 -0.440738 8.863947 2.066308 6.532587 (0.14951) (0.32737) (0.25202) (0.37860) (3.99878) (2.37865) (21.8844) [ 1.01331] [-0.42375] [ 0.79522] [-1.16413] [ 2.21666] [ 0.86869] [ 0.29850]
LOG(D12_IPC(-1)) -0.049660 1.052895 -0.063129 -0.119682 1.548152 0.260135 -8.305933 (0.04788) (0.10484) (0.08071) (0.12125) (1.28060) (0.76176) (7.00845) [-1.03720] [ 10.0428] [-0.78219] [-0.98711] [ 1.20893] [ 0.34149] [-1.18513]
LOG(D12_IPC(-2)) -0.011318 -0.263442 -0.012385 0.122125 -0.432718 1.212384 11.90204 (0.04591) (0.10052) (0.07738) (0.11625) (1.22784) (0.73037) (6.71968) [-0.24655] [-2.62076] [-0.16004] [ 1.05054] [-0.35242] [ 1.65996] [ 1.77122]
LYMNAC_SA(-1) -0.103758 -0.089592 -0.200288 -0.084307 -5.424619 -3.734119 2.890450 (0.09930) (0.21745) (0.16739) (0.25147) (2.65605) (1.57994) (14.5360) [-1.04485] [-0.41202] [-1.19651] [-0.33525] [-2.04236] [-2.36346] [ 0.19885]
LYMNAC_SA(-2) 0.201365 -0.305523 0.156462 0.222719 -8.981903 -4.087044 0.183410 (0.09728) (0.21303) (0.16399) (0.24636) (2.60205) (1.54782) (14.2405) [ 2.06985] [-1.43420] [ 0.95409] [ 0.90404] [-3.45185] [-2.64052] [ 0.01288]
LOG(Q_RE(-1)) 0.008726 0.163284 -0.063370 1.092909 0.992813 -0.286604 -1.192551 (0.04195) (0.09185) (0.07071) (0.10622) (1.12195) (0.66739) (6.14019) [ 0.20803] [ 1.77768] [-0.89621] [ 10.2887] [ 0.88490] [-0.42944] [-0.19422]
LOG(Q_RE(-2)) -0.043623 -0.124504 0.023886 -0.315466 1.025138 0.232902 5.861260 (0.04185) (0.09163) (0.07054) (0.10597) (1.11925) (0.66578) (6.12541) [-1.04246] [-1.35875] [ 0.33863] [-2.97696] [ 0.91591] [ 0.34982] [ 0.95688]
TA(-1) 0.003431 0.014992 0.003663 0.000316 0.427686 -0.004777 0.416466 (0.00421) (0.00921) (0.00709) (0.01066) (0.11255) (0.06695) (0.61597) [ 0.81546] [ 1.62701] [ 0.51646] [ 0.02970] [ 3.79991] [-0.07135] [ 0.67611]
TA(-2) 0.005130 0.009321 -0.002920 -0.004190 0.181097 0.038972 -0.769147 (0.00396) (0.00868) (0.00668) (0.01004) (0.10602) (0.06307) (0.58024) [ 1.29406] [ 1.07384] [-0.43699] [-0.41742] [ 1.70811] [ 0.61794] [-1.32558]
TPM_A(-1) -0.005022 -0.006037 -0.006982 -0.005410 -0.065155 0.441970 1.282552 (0.00619) (0.01356) (0.01044) (0.01568) (0.16563) (0.09852) (0.90644) [-0.81096] [-0.44523] [-0.66892] [-0.34502] [-0.39338] [ 4.48598] [ 1.41493]
TPM_A(-2) -5.76E-05 -0.006518 0.006548 0.005502 0.300110 0.021511 -0.745437 (0.00526) (0.01151) (0.00886) (0.01331) (0.14058) (0.08362) (0.76934) [-0.01096] [-0.56632] [ 0.73909] [ 0.41338] [ 2.13487] [ 0.25725] [-0.96893]
TO(-1) 0.000640 -0.001856 -0.000486 -0.000100 0.037982 0.007428 0.594154 (0.00077) (0.00168) (0.00129) (0.00194) (0.02052) (0.01221) (0.11232) [ 0.83433] [-1.10490] [-0.37545] [-0.05153] [ 1.85071] [ 0.60849] [ 5.28998]
405
TO(-2) -0.001161 -4.26E-05 -0.000895 0.001885 0.003002 -0.003376 -0.141584 (0.00077) (0.00169) (0.00130) (0.00196) (0.02066) (0.01229) (0.11308) [-1.50228] [-0.02516] [-0.68704] [ 0.96374] [ 0.14527] [-0.27465] [-1.25204]
C 3.923432 -1.815971 -6.348392 2.871583 -186.0224 -3.386247 -356.1574 (1.71010) (3.74463) (2.88267) (4.33056) (45.7396) (27.2079) (250.323) [ 2.29427] [-0.48495] [-2.20226] [ 0.66310] [-4.06699] [-0.12446] [-1.42279]
ISP_DB 2.93E-11 5.49E-10 -8.43E-10 2.19E-10 -9.67E-09 3.32E-09 7.12E-08 (5.0E-10) (1.1E-09) (8.5E-10) (1.3E-09) (1.3E-08) (8.0E-09) (7.3E-08) [ 0.05832] [ 0.49928] [-0.99632] [ 0.17206] [-0.71994] [ 0.41574] [ 0.96888]
INVD_DB_RIN -0.626701 -0.107940 -0.791238 -1.227187 0.405957 3.709478 11.68430 (0.15670) (0.34313) (0.26414) (0.39682) (4.19121) (2.49312) (22.9376) [-3.99938] [-0.31458] [-2.99547] [-3.09257] [ 0.09686] [ 1.48789] [ 0.50940]
LRBE 0.005862 0.011190 -0.006702 -0.024345 -0.302613 0.131502 -1.089064 (0.00623) (0.01364) (0.01050) (0.01577) (0.16656) (0.09908) (0.91154) [ 0.94140] [ 0.82063] [-0.63850] [-1.54382] [-1.81686] [ 1.32728] [-1.19476]
LPP -0.011459 0.019594 0.031844 -0.050999 1.900028 0.701514 -1.868261 (0.01860) (0.04073) (0.03135) (0.04710) (0.49751) (0.29594) (2.72277) [-0.61608] [ 0.48106] [ 1.01559] [-1.08270] [ 3.81907] [ 2.37045] [-0.68616]
DUM09 -0.013806 -0.082058 -0.111836 0.034543 -1.103977 -4.308956 2.734642 (0.02686) (0.05881) (0.04527) (0.06801) (0.71832) (0.42729) (3.93122) [-0.51407] [-1.39536] [-2.47035] [ 0.50791] [-1.53688] [-10.0844] [ 0.69562] R-squared 0.957359 0.974269 0.824893 0.898277 0.950382 0.981010 0.600562
Adj. R-squared 0.946411 0.967662 0.779933 0.872159 0.937642 0.976134 0.498004 Sum sq. resids 0.048207 0.231147 0.136981 0.309142 34.48697 12.20285 1032.931 S.E. equation 0.025524 0.055889 0.043024 0.064634 0.682671 0.406083 3.736111 F-statistic 87.44322 147.4692 18.34725 34.39282 74.59953 201.2017 5.855810 Log likelihood 222.6702 148.9956 173.5866 135.3305 -86.25270 -37.42383 -246.0327 Akaike AIC -4.312132 -2.744588 -3.267800 -2.453840 2.260696 1.221784 5.660270 Schwarz SC -3.771005 -2.203461 -2.726674 -1.912714 2.801822 1.762910 6.201396 Mean dependent 15.29761 3.102260 4.713881 1.380330 17.88798 9.547928 6.659681 S.D. dependent 0.110256 0.310796 0.091714 0.180770 2.733795 2.628628 5.273144
Determinant resid covariance (dof adj.) 5.19E-12
Determinant resid covariance 9.72E-13 Log likelihood 366.3235 Akaike information criterion -4.815393 Schwarz criterion -1.027507
Gráfico de los residuos del modelo.
-.06
-.04
-.02
.00
.02
.04
.06
04 05 06 07 08 09 10 11
LPIB_SA Residuals
-.15
-.10
-.05
.00
.05
.10
.15
04 05 06 07 08 09 10 11
LOG(D12_IPC) Residuals
-.10
-.05
.00
.05
.10
.15
04 05 06 07 08 09 10 11
LYMNAC_SA Residuals
-.3
-.2
-.1
.0
.1
.2
04 05 06 07 08 09 10 11
LOG(Q_RE) Residuals
-2
-1
0
1
2
04 05 06 07 08 09 10 11
TA Residuals
-1.5
-1.0
-0.5
0.0
0.5
1.0
04 05 06 07 08 09 10 11
TPM_A Residuals
-10
-5
0
5
10
04 05 06 07 08 09 10 11
TO Residuals
406
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: LPIB_SA LOG(D12_IPC) LYMNAC_SA LOG(Q_RE) TA TPM_A TO Exogenous variables: C ISP_DB INVD_DB_RIN LRBE LPP DUM09 Lag specification: 1 2 Date: 21/07/13 Time: 11:48
Root Modulus 0.934568 - 0.017507i 0.934732
0.934568 + 0.017507i 0.934732 0.588069 - 0.283175i 0.652697 0.588069 + 0.283175i 0.652697 0.568210 - 0.297340i 0.641306 0.568210 + 0.297340i 0.641306 -0.519682 0.519682 0.505808 0.505808 0.185831 - 0.352095i 0.398126 0.185831 + 0.352095i 0.398126 -0.396703 0.396703 -0.066541 - 0.348931i 0.355219 -0.066541 + 0.348931i 0.355219 -0.034214 0.034214
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 21/07/13 Time: 11:50 Sample: 2004M01 2011M12 Included observations: 94
Dependent variable: LPIB_SA Excluded Chi-sq df Prob. LOG(D12_IPC) 5.502030 2 0.0639
LYMNAC_SA 6.124381 2 0.0468 LOG(Q_RE) 3.157612 2 0.2062
TA 5.515879 2 0.0634 TPM_A 1.508208 2 0.4704
TO 2.266983 2 0.3219 All 15.92022 12 0.1949
Dependent variable: LOG(D12_IPC) Excluded Chi-sq df Prob. LPIB_SA 1.496422 2 0.4732
LYMNAC_SA 2.100207 2 0.3499 LOG(Q_RE) 3.316803 2 0.1904
TA 9.019844 2 0.0110 TPM_A 2.010877 2 0.3659
TO 1.659297 2 0.4362 All 24.59288 12 0.0169
407
Dependent variable: LYMNAC_SA Excluded Chi-sq df Prob. LPIB_SA 9.441835 2 0.0089
LOG(D12_IPC) 2.977593 2 0.2256 LOG(Q_RE) 1.630613 2 0.4425
TA 0.293371 2 0.8636 TPM_A 0.577692 2 0.7491
TO 1.155060 2 0.5613 All 18.22897 12 0.1089
Dependent variable: LOG(Q_RE) Excluded Chi-sq df Prob. LPIB_SA 1.400712 2 0.4964
LOG(D12_IPC) 1.137937 2 0.5661 LYMNAC_SA 1.038290 2 0.5950
TA 0.246722 2 0.8839 TPM_A 0.173967 2 0.9167
TO 1.171755 2 0.5566 All 6.239750 12 0.9035
Dependent variable: TA Excluded Chi-sq df Prob. LPIB_SA 15.88142 2 0.0004
LOG(D12_IPC) 3.034249 2 0.2193 LYMNAC_SA 14.35625 2 0.0008 LOG(Q_RE) 12.76292 2 0.0017
TPM_A 7.779058 2 0.0205 TO 4.933183 2 0.0849
All 38.66808 12 0.0001
Dependent variable: TPM_A Excluded Chi-sq df Prob. LPIB_SA 1.144242 2 0.5643
LOG(D12_IPC) 13.43285 2 0.0012 LYMNAC_SA 10.99114 2 0.0041 LOG(Q_RE) 0.187061 2 0.9107
TA 0.514778 2 0.7731 TO 0.371289 2 0.8306
All 81.34313 12 0.0000
Dependent variable: TO Excluded Chi-sq df Prob. LPIB_SA 1.156292 2 0.5609
LOG(D12_IPC) 3.479446 2 0.1756 LYMNAC_SA 0.039792 2 0.9803 LOG(Q_RE) 2.642803 2 0.2668
TA 1.774977 2 0.4117 TPM_A 2.018365 2 0.3645
All 17.12837 12 0.1448
408
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 21/07/13 Time: 11:51 Sample: 2004M01 2011M12 Included observations: 94
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values LPIB_SA LOG(D12_IPC) LYMNAC_SA LOG(Q_RE) TA TPM_A TO Joint Lag 1 30.83674 125.8930 7.653257 114.5051 33.59109 47.74089 37.18765 413.2057 [ 6.66e-05] [ 0.000000] [ 0.364160] [ 0.000000] [ 2.05e-05] [ 4.00e-08] [ 4.32e-06] [ 0.000000]
Lag 2 25.57221 17.33202 8.374622 12.72468 19.18656 14.69049 9.402496 113.9127 [ 0.000600] [ 0.015376] [ 0.300721] [ 0.079108] [ 0.007623] [ 0.040178] [ 0.225035] [ 4.38e-07] df 7 7 7 7 7 7 7 49
Orden de los rezagos.
VAR Lag Order Selection Criteria Endogenous variables: LPIB_SA LOG(D12_IPC) LYMNAC_SA LOG(Q_RE) TA TPM_A TO Exogenous variables: C ISP_DB INVD_DB_RIN LRBE LPP DUM09 Date: 21/07/13 Time: 11:52 Sample: 2004M01 2011M12 Included observations: 88
Lag LogL LR FPE AIC SC HQ 0 -86.94654 NA 4.43e-08 2.930603 4.112968 3.406948
1 287.2238 637.7904 2.77e-11 -4.459632 -1.897841* -3.427551* 2 347.0505 92.45943 2.26e-11 -4.705693 -0.764476 -3.117876 3 405.9907 81.71258 1.96e-11 -4.931607 0.389036 -2.788054 4 453.6844 58.53319 2.36e-11 -4.901919 1.798151 -2.202629 5 524.4937 75.63718* 1.84e-11* -5.397584 2.681912 -2.142558 6 579.6376 50.13077 2.35e-11 -5.537217 3.921705 -1.726455 7 629.3092 37.25376 4.16e-11 -5.552483 5.285866 -1.185984 8 717.0480 51.84566 4.20e-11 -6.432910* 5.784865 -1.510675 * 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
409
Prueba de correlación serial de los errores. VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 21/07/13 Time: 11:53 Sample: 2004M01 2011M12 Included observations: 94
Lags LM-Stat Prob 1 63.71573 0.0770
2 66.06378 0.0524 3 51.34724 0.3819 4 59.54159 0.1439 5 62.42800 0.0942 6 39.53306 0.8308 7 43.51429 0.6944 8 46.82923 0.5616 9 58.56300 0.1646
10 45.25202 0.6258 11 46.28176 0.5840 12 68.05315 0.0371
Probs from chi-square with 49 df.
Prueba de normalidad multivariada de los residuos. VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 21/07/13 Time: 11:55 Sample: 2004M01 2011M12 Included observations: 94
Component Skewness Chi-sq df Prob. 1 0.245902 1.009436 1 0.3150
2 -0.106630 0.189807 1 0.6631 3 0.288172 1.386310 1 0.2390 4 -0.551304 5.073858 1 0.0243 5 -0.046504 0.036103 1 0.8493 6 -0.457820 3.499020 1 0.0614 7 0.173113 0.500283 1 0.4794 Joint 11.69482 7 0.1111
Component Kurtosis Chi-sq df Prob. 1 1.988168 4.129715 1 0.0421
2 1.725158 6.736970 1 0.0094 3 2.705338 0.245925 1 0.6200 4 4.282028 8.303293 1 0.0040 5 1.877701 5.147468 1 0.0233 6 2.638644 0.408033 1 0.5230 7 1.987026 4.139659 1 0.0419 Joint 29.11106 7 0.0001
410
Component Jarque-Bera df Prob. 1 5.139151 2 0.0766
2 6.926777 2 0.0313 3 1.632234 2 0.4421 4 13.37715 2 0.0012 5 5.183571 2 0.0749 6 3.907054 2 0.1418 7 4.639941 2 0.0983
Joint 279.9420 294 0.7128
Prueba de heterocedasticidad. VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 21/07/13 Time: 11:55 Sample: 2004M01 2011M12 Included observations: 94
Joint test:
Chi-sq df Prob. 1157.832 1036 0.0048
Prueba de cointegración de Johansen. Date: 03/06/13 Time: 21:51 Sample (adjusted): 2004M04 2011M12 Included observations: 93 after adjustments Trend assumption: Linear deterministic trend Series: LPIB LOG(D12_IPC) LYMNAC_SA LOG(Q_M) TA TPM_A TO Lags interval (in first differences): 1 to 2 Unrestricted Cointegration Rank Test (Trace) Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None * 0.408390 155.5826 125.6154 0.0002
At most 1 * 0.318791 106.7662 95.75366 0.0070 At most 2 * 0.241799 71.06473 69.81889 0.0397 At most 3 0.199844 45.32171 47.85613 0.0849 At most 4 0.122291 24.58752 29.79707 0.1767 At most 5 0.104212 12.45657 15.49471 0.1363 At most 6 0.023607 2.221766 3.841466 0.1361
Trace test indicates 3 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue) Hypothesized Max-Eigen 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None * 0.408390 48.81642 46.23142 0.0259
At most 1 0.318791 35.70146 40.07757 0.1434 At most 2 0.241799 25.74303 33.87687 0.3366
411
At most 3 0.199844 20.73418 27.58434 0.2926 At most 4 0.122291 12.13095 21.13162 0.5348 At most 5 0.104212 10.23481 14.26460 0.1970 At most 6 0.023607 2.221766 3.841466 0.1361
Max-eigenvalue 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
412
Anexo 5.26. Modelo 26. LS 1 2 LPIB LOG(D12_IPC) LYMZUL_SA LOG(Q_M) TA TPM_A TO @ C ISP_DB
INVD_DB_RIN LRBE LPP DUM09
Salida del modelo.
Vector Autoregression Estimates
Date: 03/06/13 Time: 21:26
Sample (adjusted): 2004M03 2011M12
Included observations: 94 after adjustments
Standard errors in ( ) & t-statistics in [ ] LPIB LOG(D12_IPC) LYMZUL_SA LOG(Q_M) TA TPM_A TO LPIB(-1) 0.305846 0.013833 -0.136230 0.009940 0.047239 -1.002505 12.73670
(0.10589) (0.09062) (0.14009) (0.09355) (1.09600) (0.68279) (5.09962)
[ 2.88821] [ 0.15266] [-0.97246] [ 0.10625] [ 0.04310] [-1.46824] [ 2.49758]
LPIB(-2) -0.054779 -0.017018 0.209609 -0.013807 3.046751 0.320899 2.106472
(0.10357) (0.08863) (0.13702) (0.09150) (1.07198) (0.66783) (4.98785)
[-0.52889] [-0.19201] [ 1.52979] [-0.15089] [ 2.84217] [ 0.48051] [ 0.42232]
LOG(D12_IPC(-1)) -0.129491 1.061683 0.037805 -0.113631 1.192211 0.463041 -8.248849
(0.12880) (0.11021) (0.17039) (0.11379) (1.33305) (0.83047) (6.20261)
[-1.00538] [ 9.63291] [ 0.22188] [-0.99864] [ 0.89434] [ 0.55756] [-1.32990]
LOG(D12_IPC(-2)) 0.039213 -0.273821 0.056270 0.121819 -0.252036 1.487270 8.128234
(0.12530) (0.10722) (0.16577) (0.11070) (1.29689) (0.80795) (6.03436)
[ 0.31294] [-2.55371] [ 0.33945] [ 1.10045] [-0.19434] [ 1.84080] [ 1.34699]
LYMZUL_SA(-1) 0.140976 -0.006026 0.623398 0.210295 0.474862 -1.747208 3.449732
(0.08375) (0.07167) (0.11080) (0.07399) (0.86686) (0.54004) (4.03342)
[ 1.68319] [-0.08409] [ 5.62636] [ 2.84212] [ 0.54780] [-3.23534] [ 0.85529]
LYMZUL_SA(-2) 0.005214 0.028845 0.178687 -0.191468 -0.842679 0.457362 10.73426
(0.09316) (0.07972) (0.12324) (0.08230) (0.96418) (0.60067) (4.48625)
[ 0.05597] [ 0.36184] [ 1.44993] [-2.32648] [-0.87399] [ 0.76142] [ 2.39270]
LOG(Q_M(-1)) 0.039979 0.133147 0.069047 1.101899 1.061267 -0.499887 -7.486909
(0.11858) (0.10147) (0.15687) (0.10476) (1.22729) (0.76458) (5.71048)
[ 0.33715] [ 1.31219] [ 0.44016] [ 10.5186] [ 0.86473] [-0.65381] [-1.31108]
LOG(Q_M(-2)) -0.160774 -0.077507 -0.115447 -0.318269 1.108993 0.792348 12.42305
(0.11801) (0.10098) (0.15611) (0.10425) (1.22134) (0.76088) (5.68282)
[-1.36244] [-0.76756] [-0.73953] [-3.05293] [ 0.90801] [ 1.04136] [ 2.18607]
TA(-1) 0.021080 0.011621 0.008355 0.000257 0.509773 -0.037837 0.644027
(0.01049) (0.00898) (0.01388) (0.00927) (0.10857) (0.06764) (0.50518)
[ 2.00947] [ 1.29459] [ 0.60207] [ 0.02771] [ 4.69526] [-0.55940] [ 1.27485]
TA(-2) 0.003025 0.011528 -0.015507 -0.005441 0.223623 0.018586 -0.623315
(0.01064) (0.00911) (0.01408) (0.00940) (0.11016) (0.06863) (0.51258)
[ 0.28421] [ 1.26570] [-1.10131] [-0.57860] [ 2.02995] [ 0.27082] [-1.21604]
TPM_A(-1) -0.038291 0.003293 0.003285 -0.006060 0.014515 0.596773 1.359827
(0.01611) (0.01378) (0.02131) (0.01423) (0.16672) (0.10386) (0.77574)
[-2.37710] [ 0.23891] [ 0.15416] [-0.42581] [ 0.08706] [ 5.74571] [ 1.75295]
TPM_A(-2) 0.018611 -0.010799 -0.005657 0.008901 0.141688 -0.080957 -0.588676
413
(0.01319) (0.01129) (0.01745) (0.01165) (0.13653) (0.08505) (0.63524)
[ 1.41093] [-0.95668] [-0.32416] [ 0.76380] [ 1.03781] [-0.95184] [-0.92669]
TO(-1) -0.000664 -0.002147 -0.000953 0.000168 0.024479 0.008817 0.412483
(0.00228) (0.00195) (0.00301) (0.00201) (0.02355) (0.01467) (0.10956)
[-0.29185] [-1.10270] [-0.31654] [ 0.08338] [ 1.03961] [ 0.60104] [ 3.76487]
TO(-2) -0.003203 -0.000393 -0.000287 0.002277 0.005395 -0.008771 -0.098396
(0.00216) (0.00185) (0.00286) (0.00191) (0.02236) (0.01393) (0.10403)
[-1.48260] [-0.21252] [-0.10044] [ 1.19313] [ 0.24130] [-0.62973] [-0.94585]
C 11.01106 -0.015359 -0.201102 0.737785 -53.05145 12.34150 -278.0604
(1.76688) (1.51193) (2.33740) (1.56092) (18.2870) (11.3925) (85.0882)
[ 6.23194] [-0.01016] [-0.08604] [ 0.47266] [-2.90105] [ 1.08330] [-3.26791]
ISP_DB 3.36E-09 5.41E-10 -1.16E-09 8.02E-11 -2.18E-08 2.69E-09 7.67E-08
(1.4E-09) (1.2E-09) (1.9E-09) (1.3E-09) (1.5E-08) (9.2E-09) (6.8E-08)
[ 2.36424] [ 0.44500] [-0.61512] [ 0.06398] [-1.48236] [ 0.29419] [ 1.12139]
INVD_DB_RIN -1.304007 -0.018081 0.267591 -1.355481 0.291117 6.673425 9.894182
(0.42503) (0.36371) (0.56228) (0.37549) (4.39907) (2.74055) (20.4686)
[-3.06801] [-0.04971] [ 0.47591] [-3.60989] [ 0.06618] [ 2.43506] [ 0.48338]
LRBE -0.013831 0.016199 -0.017113 -0.023787 0.000843 0.230962 -0.978425
(0.01546) (0.01323) (0.02045) (0.01366) (0.15998) (0.09966) (0.74437)
[-0.89483] [ 1.22475] [-0.83689] [-1.74194] [ 0.00527] [ 2.31741] [-1.31444]
LPP 0.022846 -0.006117 0.060268 -0.047068 1.162775 0.230223 -3.250922
(0.04421) (0.03783) (0.05849) (0.03906) (0.45757) (0.28506) (2.12906)
[ 0.51675] [-0.16168] [ 1.03047] [-1.20510] [ 2.54117] [ 0.80763] [-1.52693]
DUM09 -0.053727 -0.025784 -0.003193 0.043624 -0.250718 -3.413301 3.361424
(0.06296) (0.05387) (0.08329) (0.05562) (0.65162) (0.40595) (3.03195)
[-0.85336] [-0.47859] [-0.03834] [ 0.78432] [-0.38476] [-8.40818] [ 1.10867] R-squared 0.781008 0.971584 0.757252 0.881939 0.946271 0.977445 0.687352
Adj. R-squared 0.724781 0.964287 0.694925 0.851626 0.932476 0.971654 0.607077
Sum sq. resids 0.348619 0.255272 0.610107 0.272084 37.34431 14.49372 808.4959
S.E. equation 0.068637 0.058733 0.090800 0.060637 0.710389 0.442562 3.305393
F-statistic 13.89012 133.1643 12.14964 29.09433 68.59366 168.7842 8.562520
Log likelihood 129.6821 144.3297 103.3783 141.3320 -89.99386 -45.51000 -234.5186
Akaike AIC -2.333662 -2.645312 -1.774006 -2.581532 2.340295 1.393830 5.415290
Schwarz SC -1.792535 -2.104186 -1.232880 -2.040405 2.881421 1.934956 5.956416
Mean dependent 15.30040 3.102260 4.812754 1.405656 17.88798 9.547928 6.659681
S.D. dependent 0.130834 0.310796 0.164393 0.157418 2.733795 2.628628 5.273144 Determinant resid covariance (dof adj.) 3.71E-10
Determinant resid covariance 6.96E-11
Log likelihood 165.6037
Akaike information criterion -0.544759
Schwarz criterion 3.243127
414
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Gráfico de los residuos del modelo.
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: LPIB LOG(D12_IPC) LYMZUL_SA LOG(Q_M) TA TPM_A TO Exogenous variables: C ISP_DB INVD_DB_RIN LRBE LPP DUM09 Lag specification: 1 2 Date: 21/07/13 Time: 11:21
Root Modulus 0.949565 0.949565
0.783887 0.783887 0.720387 - 0.273444i 0.770538 0.720387 + 0.273444i 0.770538 0.710327 0.710327 0.394667 - 0.417295i 0.574366 0.394667 + 0.417295i 0.574366 -0.415317 0.415317 0.061766 - 0.350682i 0.356080 0.061766 + 0.350682i 0.356080 0.236434 - 0.233264i 0.332134 0.236434 + 0.233264i 0.332134 -0.289410 0.289410 0.046293 0.046293
No root lies outside the unit circle.
VAR satisfies the stability condition.
-.3
-.2
-.1
.0
.1
.2
04 05 06 07 08 09 10 11
LPIB Residuals
-.20
-.15
-.10
-.05
.00
.05
.10
.15
04 05 06 07 08 09 10 11
LOG(D12_IPC) Residuals
-.3
-.2
-.1
.0
.1
.2
.3
04 05 06 07 08 09 10 11
LYMZUL_SA Residuals
-.3
-.2
-.1
.0
.1
.2
04 05 06 07 08 09 10 11
LOG(Q_M) Residuals
-2
-1
0
1
2
04 05 06 07 08 09 10 11
TA Residuals
-2.0
-1.5
-1.0
-0.5
0.0
0.5
1.0
04 05 06 07 08 09 10 11
TPM_A Residuals
-8
-4
0
4
8
12
04 05 06 07 08 09 10 11
TO Residuals
415
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 21/07/13 Time: 11:22 Sample: 2004M01 2011M12 Included observations: 94
Dependent variable: LPIB Excluded Chi-sq df Prob. LOG(D12_IPC) 1.979575 2 0.3717
LYMZUL_SA 5.225586 2 0.0733 LOG(Q_M) 5.287609 2 0.0711
TA 8.912646 2 0.0116 TPM_A 6.065427 2 0.0482
TO 3.467108 2 0.1767 All 28.50599 12 0.0047
Dependent variable: LOG(D12_IPC) Excluded Chi-sq df Prob. LPIB 0.043802 2 0.9783
LYMZUL_SA 0.172875 2 0.9172 LOG(Q_M) 2.423708 2 0.2976
TA 9.996316 2 0.0068 TPM_A 1.511434 2 0.4697
TO 1.909326 2 0.3849 All 15.27520 12 0.2267
Dependent variable: LYMZUL_SA Excluded Chi-sq df Prob. LPIB 2.498456 2 0.2867
LOG(D12_IPC) 0.994480 2 0.6082 LOG(Q_M) 0.754826 2 0.6856
TA 1.247697 2 0.5359 TPM_A 0.126830 2 0.9386
TO 0.180737 2 0.9136 All 6.386082 12 0.8954
Dependent variable: LOG(Q_M) Excluded Chi-sq df Prob. LPIB 0.025317 2 0.9874
LOG(D12_IPC) 1.229286 2 0.5408 LYMZUL_SA 8.443433 2 0.0147
TA 0.572697 2 0.7510 TPM_A 0.645842 2 0.7240
TO 1.963289 2 0.3747 All 13.17705 12 0.3563
Dependent variable: TA Excluded Chi-sq df Prob. LPIB 9.707504 2 0.0078
LOG(D12_IPC) 1.862607 2 0.3940
416
LYMZUL_SA 0.765202 2 0.6821 LOG(Q_M) 13.51566 2 0.0012
TPM_A 2.974656 2 0.2260 TO 1.772203 2 0.4123
All 30.04745 12 0.0027
Dependent variable: TPM_A Excluded Chi-sq df Prob. LPIB 2.168201 2 0.3382
LOG(D12_IPC) 18.53338 2 0.0001 LYMZUL_SA 13.77439 2 0.0010 LOG(Q_M) 1.408684 2 0.4944
TA 0.333095 2 0.8466 TO 0.515068 2 0.7730
All 56.78965 12 0.0000
Dependent variable: TO Excluded Chi-sq df Prob. LPIB 8.611522 2 0.0135
LOG(D12_IPC) 1.947095 2 0.3777 LYMZUL_SA 16.15393 2 0.0003 LOG(Q_M) 6.538798 2 0.0380
TA 1.860574 2 0.3944 TPM_A 3.498424 2 0.1739
All 42.42522 12 0.0000
Exclusión de los rezagos.
VAR Lag Exclusion Wald Tests
Date: 21/07/13 Time: 11:24
Sample: 2004M01 2011M12
Included observations: 94 Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values LPIB LOG(D12_IPC) LYMZUL_SA LOG(Q_M) TA TPM_A TO Joint Lag 1 20.69057 111.4806 33.10439 131.8979 28.88830 52.39604 38.78376 417.7322
[ 0.004256] [ 0.000000] [ 2.53e-05] [ 0.000000] [ 0.000152] [ 4.88e-09] [ 2.15e-06] [ 0.000000]
Lag 2 8.181255 8.552033 7.307004 16.15593 16.19205 7.254997 17.21665 94.25113
[ 0.316883] [ 0.286437] [ 0.397630] [ 0.023729] [ 0.023419] [ 0.402821] [ 0.016051] [ 0.000109] df 7 7 7 7 7 7 7 49
417
Orden de los rezagos.
VAR Lag Order Selection Criteria Endogenous variables: LPIB LOG(D12_IPC) LYMZUL_SA LOG(Q_M) TA TPM_A TO Exogenous variables: C ISP_DB INVD_DB_RIN LRBE LPP DUM09 Date: 21/07/13 Time: 11:25 Sample: 2004M01 2011M12 Included observations: 88
Lag LogL LR FPE AIC SC HQ 0 -262.3089 NA 2.38e-06 6.916111 8.098476 7.392456
1 104.6359 625.4741 1.76e-09 -0.309907 2.251885* 0.722175* 2 158.5250 83.28310 1.64e-09 -0.421022 3.520196 1.166796 3 197.6898 54.29666 2.23e-09 -0.197495 5.123149 1.946059 4 250.6302 64.97229 2.38e-09 -0.287049 6.413021 2.412241 5 315.6828 69.48800 2.12e-09 -0.651881 7.427615 2.603145 6 416.0210 91.21663* 9.70e-10 -1.818660 7.640262 1.992102 7 492.8403 57.61441 9.25e-10* -2.450915 8.387433 1.915583 8 568.8017 44.88630 1.22e-09 -3.063675* 9.154100 1.858560 * 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
Prueba de correlación serial de los errores.
VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 21/07/13 Time: 11:25 Sample: 2004M01 2011M12 Included observations: 94
Lags LM-Stat Prob 1 65.03369 0.0622
2 65.73686 0.0554 3 40.23666 0.8094 4 64.40520 0.0690 5 44.94586 0.6382 6 43.16107 0.7078 7 57.57424 0.1876 8 47.92473 0.5167 9 43.38619 0.6992
10 50.22290 0.4247 11 47.65913 0.5276 12 124.6457 0.0000
Probs from chi-square with 49 df.
418
Prueba de normalidad multivariada de los residuos. VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 21/07/13 Time: 11:26 Sample: 2004M01 2011M12 Included observations: 94
Component Skewness Chi-sq df Prob. 1 -0.238888 0.952678 1 0.3290
2 -0.293132 1.434438 1 0.2310 3 0.001928 6.21E-05 1 0.9937 4 -0.347387 2.014579 1 0.1558 5 0.042226 0.029766 1 0.8630 6 -1.027253 17.61616 1 0.0000 7 0.255826 1.092559 1 0.2959 Joint 23.14024 7 0.0016
Component Kurtosis Chi-sq df Prob. 1 2.581020 0.580968 1 0.4459
2 2.104628 3.178018 1 0.0746 3 2.446877 1.101581 1 0.2939 4 3.110361 0.138160 1 0.7101 5 2.009623 3.945029 1 0.0470 6 3.955971 4.765889 1 0.0290 7 2.163906 2.741400 1 0.0978 Joint 16.45105 7 0.0213
Component Jarque-Bera df Prob. 1 1.533646 2 0.4645
2 4.612457 2 0.0996 3 1.101643 2 0.5765 4 2.152739 2 0.3408 5 3.974795 2 0.1371 6 22.38205 2 0.0000 7 3.833960 2 0.1471
Joint 299.9761 294 0.3927
Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 21/07/13 Time: 11:27 Sample: 2004M01 2011M12 Included observations: 94
Joint test:
Chi-sq df Prob. 1168.574 1036 0.0025
419
Prueba de cointegración de Johansen.
Date: 03/06/13 Time: 21:30 Sample (adjusted): 2004M04 2011M12 Included observations: 93 after adjustments Trend assumption: Linear deterministic trend Series: LPIB LOG(D12_IPC) LYMZUL_SA LOG(Q_M) TA TPM_A TO Lags interval (in first differences): 1 to 2 Unrestricted Cointegration Rank Test (Trace) Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None * 0.440074 143.2052 125.6154 0.0027
At most 1 0.305754 89.26987 95.75366 0.1285 At most 2 0.215159 55.33142 69.81889 0.4053 At most 3 0.166044 32.79998 47.85613 0.5679 At most 4 0.093303 15.91349 29.79707 0.7183 At most 5 0.044564 6.804439 15.49471 0.6005 At most 6 0.027202 2.564846 3.841466 0.1093
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
Unrestricted Cointegration Rank Test (Maximum Eigenvalue) Hypothesized Max-Eigen 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None * 0.440074 53.93536 46.23142 0.0063
At most 1 0.305754 33.93845 40.07757 0.2087 At most 2 0.215159 22.53144 33.87687 0.5665 At most 3 0.166044 16.88649 27.58434 0.5897 At most 4 0.093303 9.109047 21.13162 0.8235 At most 5 0.044564 4.239593 14.26460 0.8332 At most 6 0.027202 2.564846 3.841466 0.1093
Max-eigenvalue 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
420
Anexo 5.27. Modelo 27. LS 1 2 D(LPIB_SA) DLOG(IPC_N) D(LYMNAC_SA) DLOG(Q_M) D(TA_I) D(TO) @ C
DLOG(RIN) DLOG(GGC) DLOG(RBE) DU08 DLOG(PP)
Salida del modelo.
Vector Autoregression Estimates Date: 13/05/13 Time: 17:53 Sample (adjusted): 2004M04 2011M12 Included observations: 93 after adjustments Standard errors in ( ) & t-statistics in [ ]
D(LPIB_SA) DLOG(IPC_N) D(LYMNAC_SA) DLOG(Q_M) D(TA_I) D(TO) D(LPIB_SA(-1)) -0.483812 0.000567 0.037734 0.419595 6.578217 17.11832 (0.14558) (0.04843) (0.25479) (0.43547) (5.62993) (24.6420) [-3.32324] [ 0.01171] [ 0.14810] [ 0.96353] [ 1.16844] [ 0.69468]
D(LPIB_SA(-2)) -0.463929 -0.024466 -0.024460 0.070841 11.04033 -0.931554 (0.12409) (0.04127) (0.21717) (0.37117) (4.79859) (21.0033) [-3.73875] [-0.59275] [-0.11263] [ 0.19086] [ 2.30075] [-0.04435]
DLOG(IPC_N(-1)) 0.326103 0.387531 0.370758 -0.724754 22.18947 -81.93060 (0.36447) (0.12123) (0.63788) (1.09022) (14.0946) (61.6917) [ 0.89472] [ 3.19654] [ 0.58123] [-0.66478] [ 1.57432] [-1.32807]
DLOG(IPC_N(-2)) -0.775835 -0.011835 -1.501553 -1.892647 5.193669 40.98023 (0.34125) (0.11351) (0.59724) (1.02076) (13.1967) (57.7614) [-2.27349] [-0.10426] [-2.51414] [-1.85415] [ 0.39356] [ 0.70947]
D(LYMNAC_SA(-1)) -0.184999 -0.004709 -0.935265 -0.196820 -1.854972 -4.142012 (0.07021) (0.02335) (0.12287) (0.21001) (2.71503) (11.8836) [-2.63501] [-0.20165] [-7.61157] [-0.93720] [-0.68322] [-0.34855]
D(LYMNAC_SA(-2)) -0.002194 -0.027073 -0.504965 -0.135657 -7.831286 -6.053696 (0.06818) (0.02268) (0.11933) (0.20395) (2.63671) (11.5408) [-0.03218] [-1.19372] [-4.23167] [-0.66515] [-2.97009] [-0.52455]
DLOG(Q_M(-1)) 0.003343 0.008428 -0.111211 0.240625 1.177719 -5.523059 (0.03709) (0.01234) (0.06491) (0.11093) (1.43416) (6.27727) [ 0.09014] [ 0.68319] [-1.71342] [ 2.16911] [ 0.82119] [-0.87985]
DLOG(Q_M(-2)) -0.014701 -0.006765 -0.064052 -0.122497 3.740896 10.40318 (0.03813) (0.01268) (0.06673) (0.11404) (1.47440) (6.45338) [-0.38560] [-0.53340] [-0.95991] [-1.07411] [ 2.53724] [ 1.61205]
D(TA_I(-1)) -0.004732 0.001602 -0.001080 0.003716 -0.011843 -0.289944 (0.00310) (0.00103) (0.00543) (0.00928) (0.12000) (0.52525) [-1.52489] [ 1.55158] [-0.19877] [ 0.40039] [-0.09869] [-0.55201]
D(TA_I(-2)) 0.002769 -0.000373 0.009585 -0.000955 0.006252 -0.615817 (0.00304) (0.00101) (0.00532) (0.00910) (0.11759) (0.51470) [ 0.91062] [-0.36830] [ 1.80109] [-0.10496] [ 0.05317] [-1.19646]
D(TO(-1)) 0.000868 -1.13E-06 -0.000251 -0.001628 0.060312 -0.089284 (0.00067) (0.00022) (0.00117) (0.00200) (0.02585) (0.11316) [ 1.29812] [-0.00510] [-0.21455] [-0.81389] [ 2.33290] [-0.78903]
D(TO(-2)) -0.000392 -3.88E-05 -0.000995 0.002923 0.013044 -0.002878 (0.00064) (0.00021) (0.00112) (0.00192) (0.02479) (0.10850) [-0.61124] [-0.18177] [-0.88704] [ 1.52452] [ 0.52621] [-0.02652]
C 0.019269 0.009784 0.028872 0.034513 -0.450879 0.757791 (0.00692) (0.00230) (0.01210) (0.02069) (0.26742) (1.17051) [ 2.78647] [ 4.25339] [ 2.38554] [ 1.66847] [-1.68601] [ 0.64740]
421
DLOG(RIN) 0.040924 0.014711 0.017198 -0.067356 0.546512 6.689815
(0.03081) (0.01025) (0.05393) (0.09217) (1.19159) (5.21556) [ 1.32814] [ 1.43528] [ 0.31891] [-0.73078] [ 0.45864] [ 1.28266]
DLOG(GGC) 0.009044 -0.004212 0.000823 0.033530 0.738265 2.903372 (0.01106) (0.00368) (0.01936) (0.03309) (0.42784) (1.87265) [ 0.81746] [-1.14448] [ 0.04253] [ 1.01318] [ 1.72556] [ 1.55041]
DLOG(RBE) 0.001830 -0.000560 -0.003060 -0.009051 -0.179463 -2.570713 (0.00839) (0.00279) (0.01469) (0.02511) (0.32464) (1.42095) [ 0.21797] [-0.20063] [-0.20825] [-0.36044] [-0.55280] [-1.80915]
DU08 -0.010205 0.003147 -0.008900 0.020963 -0.356220 -0.324742 (0.00597) (0.00198) (0.01044) (0.01785) (0.23075) (1.00996) [-1.71033] [ 1.58548] [-0.85230] [ 1.17454] [-1.54378] [-0.32154]
DLOG(PP) -0.026651 -0.004799 -0.087013 -0.151667 2.016084 -7.654205 (0.02614) (0.00870) (0.04575) (0.07820) (1.01095) (4.42491) [-1.01946] [-0.55190] [-1.90180] [-1.93954] [ 1.99424] [-1.72980] R-squared 0.566150 0.343714 0.630837 0.218665 0.305153 0.227953
Adj. R-squared 0.467810 0.194956 0.547160 0.041562 0.147654 0.052956 Sum sq. resids 0.040903 0.004526 0.125287 0.365978 61.16939 1171.873 S.E. equation 0.023353 0.007768 0.040872 0.069855 0.903101 3.952844 F-statistic 5.757095 2.310556 7.538955 1.234677 1.937495 1.302612 Log likelihood 227.4440 329.8115 175.3918 125.5456 -112.4800 -249.7811 Akaike AIC -4.504172 -6.705623 -3.384771 -2.312808 2.806021 5.758733 Schwarz SC -4.013991 -6.215443 -2.894590 -1.822628 3.296202 6.248914 Mean dependent 0.003724 0.017409 0.002017 -0.004354 -0.045699 -0.095269 S.D. dependent 0.032012 0.008658 0.060737 0.071353 0.978202 4.061857
Determinant resid covariance (dof adj.) 1.77E-12
Determinant resid covariance 4.88E-13 Log likelihood 526.4113 Akaike information criterion -8.998093 Schwarz criterion -6.057009
Gráfico de los residuos del modelo.
-.08
-.06
-.04
-.02
.00
.02
.04
.06
04 05 06 07 08 09 10 11
D(LPIB_SA) Residuals
-.02
-.01
.00
.01
.02
.03
04 05 06 07 08 09 10 11
DLOG(IPC_N) Residuals
-.10
-.05
.00
.05
.10
.15
04 05 06 07 08 09 10 11
D(LYMNAC_SA) Residuals
-.3
-.2
-.1
.0
.1
.2
04 05 06 07 08 09 10 11
DLOG(Q_M) Residuals
-3
-2
-1
0
1
2
3
4
04 05 06 07 08 09 10 11
D(TA_I) Residuals
-10
-5
0
5
10
15
04 05 06 07 08 09 10 11
D(TO) Residuals
422
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: D(LPIB_SA) DLOG(IPC_N) D(LYMNAC_SA) DLOG(Q_M) D(TA_I) D(TO) Exogenous variables: C DLOG(RIN) DLOG(GGC) DLOG(RBE) DU08 DLOG(PP) Lag specification: 1 2 Date: 21/07/13 Time: 12:03
Root Modulus -0.453039 - 0.567895i 0.726463
-0.453039 + 0.567895i 0.726463 -0.197147 - 0.616585i 0.647336 -0.197147 + 0.616585i 0.647336 0.049336 - 0.564053i 0.566207 0.049336 + 0.564053i 0.566207 0.432245 - 0.334564i 0.546598 0.432245 + 0.334564i 0.546598 -0.448480 - 0.126818i 0.466065 -0.448480 + 0.126818i 0.466065 0.444261 0.444261 -0.102141 0.102141
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 21/07/13 Time: 12:04 Sample: 2004M01 2011M12 Included observations: 93
Dependent variable: D(LPIB_SA) Excluded Chi-sq df Prob. DLOG(IPC_N) 5.185639 2 0.0748
D(LYMNAC_SA) 8.721725 2 0.0128 DLOG(Q_M) 0.148788 2 0.9283
D(TA_I) 3.053560 2 0.2172 D(TO) 2.318316 2 0.3138
All 20.07472 10 0.0286
Dependent variable: DLOG(IPC_N) Excluded Chi-sq df Prob. D(LPIB_SA) 0.428585 2 0.8071
D(LYMNAC_SA) 1.579642 2 0.4539 DLOG(Q_M) 0.626701 2 0.7310
D(TA_I) 2.503306 2 0.2860 D(TO) 0.033437 2 0.9834
All 8.017259 10 0.6272
Dependent variable: D(LYMNAC_SA) Excluded Chi-sq df Prob.
423
D(LPIB_SA) 0.057885 2 0.9715
DLOG(IPC_N) 6.405209 2 0.0407 DLOG(Q_M) 4.747820 2 0.0931
D(TA_I) 3.260960 2 0.1958 D(TO) 0.795754 2 0.6717
All 13.08707 10 0.2188
Dependent variable: DLOG(Q_M) Excluded Chi-sq df Prob. D(LPIB_SA) 0.977606 2 0.6134
DLOG(IPC_N) 5.333281 2 0.0695 D(LYMNAC_SA) 0.947228 2 0.6227
D(TA_I) 0.168380 2 0.9193 D(TO) 3.388090 2 0.1838
All 11.11840 10 0.3484
Dependent variable: D(TA_I) Excluded Chi-sq df Prob. D(LPIB_SA) 5.356449 2 0.0687
DLOG(IPC_N) 3.453167 2 0.1779 D(LYMNAC_SA) 9.420559 2 0.0090
DLOG(Q_M) 8.340968 2 0.0154 D(TO) 5.486528 2 0.0644
All 29.61634 10 0.0010
Dependent variable: D(TO) Excluded Chi-sq df Prob. D(LPIB_SA) 0.611644 2 0.7365
DLOG(IPC_N) 1.839127 2 0.3987 D(LYMNAC_SA) 0.289584 2 0.8652
DLOG(Q_M) 2.908334 2 0.2336 D(TA_I) 1.788918 2 0.4088
All 10.28847 10 0.4156
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 21/07/13 Time: 12:05 Sample: 2004M01 2011M12 Included observations: 93
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values D(LPIB_SA) DLOG(IPC_N) D(LYMNAC_SA) DLOG(Q_M) D(TA_I) D(TO) Joint Lag 1 52.26892 16.80100 104.6203 7.107178 11.68831 4.803132 175.8444 [ 1.65e-09] [ 0.010043] [ 0.000000] [ 0.311049] [ 0.069295] [ 0.569300] [ 0.000000]
Lag 2 31.34645 4.539777 43.80783 7.647797 17.31412 4.456107 108.7535 [ 2.18e-05] [ 0.604039] [ 8.07e-08] [ 0.265059] [ 0.008196] [ 0.615201] [ 3.11e-09] df 6 6 6 6 6 6 36
424
Orden de los rezagos. VAR Lag Order Selection Criteria Endogenous variables: D(LPIB_SA) DLOG(IPC_N) D(LYMNAC_SA) DLOG(Q_M) D(TA_I) D(TO) Exogenous variables: C DLOG(RIN) DLOG(GGC) DLOG(RBE) DU08 DLOG(PP) Date: 21/07/13 Time: 12:07 Sample: 2004M01 2011M12 Included observations: 87
Lag LogL LR FPE AIC SC HQ 0 385.8146 NA 1.30e-11 -8.041715 -7.021339* -7.630841*
1 437.8346 89.68964 9.06e-12 -8.409990 -6.369239 -7.588243 2 491.0033 84.33659* 6.27e-12* -8.804674* -5.743546 -7.572052 3 518.1542 39.32204 8.09e-12 -8.601247 -4.519744 -6.957751 4 548.6391 39.94574 1.00e-11 -8.474463 -3.372584 -6.420094 5 579.2040 35.83466 1.31e-11 -8.349517 -2.227262 -5.884274 6 608.4220 30.22552 1.88e-11 -8.193609 -1.050979 -5.317492 7 646.8005 34.40830 2.42e-11 -8.248287 -0.085281 -4.961296 8 684.9082 28.90933 3.56e-11 -8.296741 0.886641 -4.598876 * 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
Prueba de correlación serial de los errores.
VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 21/07/13 Time: 12:07 Sample: 2004M01 2011M12 Included observations: 93
Lags LM-Stat Prob 1 47.41701 0.0965
2 34.32343 0.5485 3 47.45462 0.0959 4 21.88282 0.9692 5 40.34530 0.2841 6 43.10651 0.1934 7 37.11956 0.4172 8 27.84747 0.8326 9 36.61972 0.4399
10 33.79121 0.5741 11 33.63645 0.5815 12 41.66118 0.2380
Probs from chi-square with 36 df.
425
Prueba de normalidad multivariada de los residuos.
VAR Residual Normality Tests Orthogonalization: Residual Covariance (Urzua) Null Hypothesis: residuals are multivariate normal Date: 21/07/13 Time: 12:08 Sample: 2004M01 2011M12 Included observations: 93
Component Skewness Chi-sq df Prob. 1 0.159941 0.422790 1 0.5155
2 0.675133 7.533294 1 0.0061 3 0.129502 0.277177 1 0.5986 4 -0.600780 5.965373 1 0.0146 5 0.390457 2.519727 1 0.1124 6 0.143517 0.340420 1 0.5596 Joint 17.05878 6 0.0091
Component Kurtosis Chi-sq df Prob. 1 2.252112 2.127949 1 0.1446
2 3.747387 2.992603 1 0.0836 3 3.779005 3.230427 1 0.0723 4 4.269822 8.088349 1 0.0045 5 4.386436 9.564668 1 0.0020 6 2.220610 2.328455 1 0.1270 Joint 28.33245 6 0.0001
Component Jarque-Bera df Prob. 1 2.550739 2 0.2793
2 10.52590 2 0.0052 3 3.507604 2 0.1731 4 14.05372 2 0.0009 5 12.08439 2 0.0024 6 2.668875 2 0.2633
Joint 301.8620 182 0.0000
Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 21/07/13 Time: 12:08 Sample: 2004M01 2011M12 Included observations: 93
Joint test:
Chi-sq df Prob. 721.6834 693 0.2183
426
Anexo 5.28. Modelo 28. LS 1 2 D(LPIB_SA) DLOG(IPC_N) D(LYMZUL_SA) DLOG(Q_M) D(TA) D(TO) @ C
DLOG(RIN) DLOG(GGC) DLOG(RBE) DLOG(PP) DU08
Salida del modelo.
Vector Autoregression Estimates Date: 13/05/13 Time: 17:30 Sample (adjusted): 2004M04 2011M12 Included observations: 93 after adjustments Standard errors in ( ) & t-statistics in [ ]
D(LPIB_SA) DLOG(IPC_N) D(LYMZUL_SA) DLOG(Q_M) D(TA) D(TO) D(LPIB_SA(-1)) -0.720398 0.019489 0.012482 -0.055106 3.655469 23.71238 (0.11547) (0.03620) (0.44236) (0.31087) (3.74512) (18.3608) [-6.23904] [ 0.53844] [ 0.02822] [-0.17727] [ 0.97606] [ 1.29147]
D(LPIB_SA(-2)) -0.441985 -0.047886 0.045961 -0.052739 1.628816 -7.894102 (0.10617) (0.03328) (0.40674) (0.28583) (3.44354) (16.8822) [-4.16306] [-1.43883] [ 0.11300] [-0.18451] [ 0.47301] [-0.46760]
DLOG(IPC_N(-1)) 0.249115 0.376017 0.068037 -0.791880 8.366862 -93.42532 (0.39224) (0.12296) (1.50268) (1.05600) (12.7221) (62.3709) [ 0.63512] [ 3.05810] [ 0.04528] [-0.74989] [ 0.65767] [-1.49790]
DLOG(IPC_N(-2)) -0.838451 0.009698 0.425299 -2.288339 28.07609 27.06995 (0.35969) (0.11276) (1.37801) (0.96839) (11.6666) (57.1964) [-2.33101] [ 0.08601] [ 0.30863] [-2.36304] [ 2.40654] [ 0.47328]
D(LYMZUL_SA(-1)) -0.041593 -0.011057 -0.325238 0.220450 -0.482860 -0.088871 (0.03226) (0.01011) (0.12359) (0.08686) (1.04639) (5.13000) [-1.28927] [-1.09328] [-2.63149] [ 2.53811] [-0.46146] [-0.01732]
D(LYMZUL_SA(-2)) -0.036130 0.009614 -0.135118 -0.024177 -0.813135 8.913123 (0.03208) (0.01006) (0.12291) (0.08638) (1.04061) (5.10165) [-1.12616] [ 0.95591] [-1.09931] [-0.27990] [-0.78141] [ 1.74710]
DLOG(Q_M(-1)) -0.008767 0.006524 0.028123 0.290120 0.705705 -7.936252 (0.04017) (0.01259) (0.15388) (0.10814) (1.30276) (6.38690) [-0.21828] [ 0.51817] [ 0.18276] [ 2.68291] [ 0.54170] [-1.24258]
DLOG(Q_M(-2)) -0.006563 -0.002611 -0.068782 -0.098905 2.396056 11.12213 (0.03912) (0.01226) (0.14986) (0.10531) (1.26872) (6.22002) [-0.16779] [-0.21291] [-0.45898] [-0.93917] [ 1.88856] [ 1.78812]
D(TA(-1)) -0.001951 0.001429 0.004311 0.003193 -0.234788 0.154691 (0.00356) (0.00112) (0.01365) (0.00959) (0.11555) (0.56652) [-0.54751] [ 1.27984] [ 0.31583] [ 0.33285] [-2.03184] [ 0.27306]
D(TA(-2)) 4.73E-06 0.000666 -0.007277 0.011362 -0.123668 -0.041237 (0.00367) (0.00115) (0.01405) (0.00987) (0.11891) (0.58297) [ 0.00129] [ 0.57915] [-0.51813] [ 1.15113] [-1.04001] [-0.07074]
D(TO(-1)) 0.000438 5.78E-05 -0.000796 -0.001331 0.037384 -0.088119 (0.00067) (0.00021) (0.00257) (0.00181) (0.02175) (0.10665) [ 0.65267] [ 0.27481] [-0.30984] [-0.73705] [ 1.71857] [-0.82628]
D(TO(-2)) -0.000325 -3.79E-05 -0.001969 0.003148 0.006704 -0.046820 (0.00065) (0.00020) (0.00250) (0.00176) (0.02119) (0.10387) [-0.49763] [-0.18510] [-0.78661] [ 1.79003] [ 0.31642] [-0.45074]
C 0.022316 0.009481 0.000384 0.041617 -0.456362 1.009389 (0.00727) (0.00228) (0.02787) (0.01958) (0.23592) (1.15663) [ 3.06803] [ 4.15783] [ 0.01379] [ 2.12518] [-1.93437] [ 0.87270]
427
DLOG(RIN) 0.056685 0.012370 0.146831 -0.095538 -0.131739 5.437695 (0.03342) (0.01048) (0.12803) (0.08997) (1.08395) (5.31414) [ 1.69618] [ 1.18079] [ 1.14684] [-1.06185] [-0.12154] [ 1.02325]
DLOG(GGC) 0.005973 -0.004441 0.006714 0.014479 0.253162 2.992078 (0.01150) (0.00360) (0.04406) (0.03096) (0.37299) (1.82860) [ 0.51941] [-1.23194] [ 0.15240] [ 0.46767] [ 0.67874] [ 1.63627]
DLOG(RBE) 0.006832 0.000210 -0.021859 -0.017923 0.028611 -2.797416 (0.00881) (0.00276) (0.03375) (0.02372) (0.28577) (1.40100) [ 0.77548] [ 0.07609] [-0.64760] [-0.75561] [ 0.10012] [-1.99673]
DLOG(PP) -0.036955 -0.003725 0.062436 -0.132914 1.950161 -8.367962 (0.02714) (0.00851) (0.10399) (0.07308) (0.88043) (4.31640) [-1.36140] [-0.43777] [ 0.60038] [-1.81872] [ 2.21500] [-1.93864]
DU08 -0.011000 0.003409 -0.022507 0.029204 -0.604043 0.200796 (0.00640) (0.00201) (0.02452) (0.01723) (0.20761) (1.01785) [-1.71852] [ 1.69905] [-0.91780] [ 1.69462] [-2.90945] [ 0.19728] R-squared 0.517389 0.351594 0.146802 0.295904 0.251323 0.242035
Adj. R-squared 0.407997 0.204622 -0.046590 0.136309 0.081623 0.070230 Sum sq. resids 0.045500 0.004471 0.667808 0.329799 47.86700 1150.498 S.E. equation 0.024631 0.007721 0.094362 0.066312 0.798891 3.916629 F-statistic 4.729686 2.392255 0.759089 1.854096 1.480984 1.408777 Log likelihood 222.4912 330.3732 97.57915 130.3858 -101.0772 -248.9251 Akaike AIC -4.397661 -6.717703 -1.711379 -2.416899 2.560801 5.740325 Schwarz SC -3.907480 -6.227523 -1.221199 -1.926718 3.050981 6.230505 Mean dependent 0.003724 0.017409 0.001412 -0.004354 -0.021613 -0.095269 S.D. dependent 0.032012 0.008658 0.092237 0.071353 0.833637 4.061857
Determinant resid covariance (dof adj.) 1.03E-11
Determinant resid covariance 2.83E-12 Log likelihood 444.6279 Akaike information criterion -7.239310 Schwarz criterion -4.298227
Gráfico de los residuos del modelo.
-.08
-.04
.00
.04
.08
04 05 06 07 08 09 10 11
D(LPIB_SA) Residuals
-.02
-.01
.00
.01
.02
.03
04 05 06 07 08 09 10 11
DLOG(IPC_N) Residuals
-.3
-.2
-.1
.0
.1
.2
.3
04 05 06 07 08 09 10 11
D(LYMZUL_SA) Residuals
-.3
-.2
-.1
.0
.1
.2
04 05 06 07 08 09 10 11
DLOG(Q_M) Residuals
-2
-1
0
1
2
3
04 05 06 07 08 09 10 11
D(TA) Residuals
-12
-8
-4
0
4
8
12
04 05 06 07 08 09 10 11
D(TO) Residuals
428
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Inverse Roots of AR Characteristic Polynomial
Prueba de estabilidad del modelo.
Roots of Characteristic Polynomial Endogenous variables: D(LPIB_SA) DLOG(IPC_N) D(LYMZUL_SA) DLOG(Q_M) D(TA) D(TO) Exogenous variables: C DLOG(RIN) DLOG(GGC) DLOG(RBE) DLOG(PP) DU08 Lag specification: 1 2 Date: 21/07/13 Time: 13:26
Root Modulus -0.228489 - 0.571096i 0.615108
-0.228489 + 0.571096i 0.615108 0.073888 - 0.501836i 0.507247 0.073888 + 0.501836i 0.507247 0.489542 - 0.125990i 0.505495 0.489542 + 0.125990i 0.505495 -0.101791 - 0.494135i 0.504511 -0.101791 + 0.494135i 0.504511 -0.435869 - 0.191046i 0.475899 -0.435869 + 0.191046i 0.475899 -0.226727 0.226727 -0.070239 0.070239
No root lies outside the unit circle.
VAR satisfies the stability condition.
Prueba de exogeneidad. VAR Granger Causality/Block Exogeneity Wald Tests Date: 21/07/13 Time: 13:28 Sample: 2004M01 2011M12 Included observations: 93
Dependent variable: D(LPIB_SA) Excluded Chi-sq df Prob. DLOG(IPC_N) 5.473767 2 0.0648
D(LYMZUL_SA) 2.266085 2 0.3221 DLOG(Q_M) 0.098236 2 0.9521
D(TA) 0.322641 2 0.8510 D(TO) 0.785419 2 0.6752
All 10.46887 10 0.4004
Dependent variable: DLOG(IPC_N) Excluded Chi-sq df Prob. D(LPIB_SA) 4.543973 2 0.1031
D(LYMZUL_SA) 2.998832 2 0.2233 DLOG(Q_M) 0.277450 2 0.8705
D(TA) 1.700527 2 0.4273 D(TO) 0.127387 2 0.9383
All 9.026199 10 0.5296
Dependent variable: D(LYMZUL_SA)
429
Excluded Chi-sq df Prob. D(LPIB_SA) 0.014332 2 0.9929
DLOG(IPC_N) 0.122411 2 0.9406 DLOG(Q_M) 0.216721 2 0.8973
D(TA) 0.488704 2 0.7832 D(TO) 0.657521 2 0.7198
All 1.462195 10 0.9990
Dependent variable: DLOG(Q_M) Excluded Chi-sq df Prob. D(LPIB_SA) 0.042457 2 0.9790
DLOG(IPC_N) 8.449058 2 0.0146 D(LYMZUL_SA) 7.621559 2 0.0221
D(TA) 1.326002 2 0.5153 D(TO) 4.223750 2 0.1210
All 20.56566 10 0.0243
Dependent variable: D(TA) Excluded Chi-sq df Prob. D(LPIB_SA) 0.957373 2 0.6196
DLOG(IPC_N) 8.385183 2 0.0151 D(LYMZUL_SA) 0.667887 2 0.7161
DLOG(Q_M) 4.587195 2 0.1009 D(TO) 2.957793 2 0.2279
All 15.76158 10 0.1067
Dependent variable: D(TO) Excluded Chi-sq df Prob. D(LPIB_SA) 3.608452 2 0.1646
DLOG(IPC_N) 2.247194 2 0.3251 D(LYMZUL_SA) 3.370346 2 0.1854
DLOG(Q_M) 3.917827 2 0.1410 D(TA) 0.096491 2 0.9529
All 11.87301 10 0.2936
Exclusión de los rezagos. VAR Lag Exclusion Wald Tests Date: 21/07/13 Time: 13:29 Sample: 2004M01 2011M12 Included observations: 93
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values D(LPIB_SA) DLOG(IPC_N) D(LYMZUL_SA) DLOG(Q_M) D(TA) D(TO) Joint Lag 1 50.55509 17.45886 8.193804 15.27133 9.046539 5.616194 113.8139 [ 3.64e-09] [ 0.007737] [ 0.224246] [ 0.018248] [ 0.170978] [ 0.467526] [ 5.27e-10]
Lag 2 27.66969 3.760156 2.374814 10.75006 10.19197 5.907930 65.27983 [ 0.000108] [ 0.709096] [ 0.882206] [ 0.096415] [ 0.116797] [ 0.433583] [ 0.002008] df 6 6 6 6 6 6 36
430
Orden de los rezagos.
VAR Lag Order Selection Criteria Endogenous variables: D(LPIB_SA) DLOG(IPC_N) D(LYMZUL_SA) DLOG(Q_M) D(TA) D(TO) Exogenous variables: C DLOG(RIN) DLOG(GGC) DLOG(RBE) DLOG(PP) DU08 Date: 21/07/13 Time: 13:30 Sample: 2004M01 2011M12 Included observations: 87
Lag LogL LR FPE AIC SC HQ 0 335.6896 NA 4.11e-11 -6.889415 -5.869040* -6.478542*
1 377.7230 72.47151 3.61e-11* -7.028116* -4.987364 -6.206368 2 411.7670 54.00081* 3.87e-11 -6.983150 -3.922023 -5.750529 3 440.4735 41.57485 4.82e-11 -6.815482 -2.733979 -5.171987 4 468.9505 37.31470 6.27e-11 -6.642540 -1.540661 -4.588171 5 499.7940 36.16131 8.12e-11 -6.523999 -0.401744 -4.058756 6 527.9554 29.13257 1.20e-10 -6.343803 0.798827 -3.467686 7 564.4717 32.73872 1.60e-10 -6.355671 1.807335 -3.068680 8 613.7385 37.37483 1.83e-10 -6.660656 2.522726 -2.962791 * 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
Prueba de correlación serial de los errores.
VAR Residual Serial Correlation LM Tests Null Hypothesis: no serial correlation at lag order h Date: 21/07/13 Time: 13:31 Sample: 2004M01 2011M12 Included observations: 93
Lags LM-Stat Prob 1 42.90323 0.1993
2 33.31764 0.5968 3 43.29492 0.1881 4 27.83849 0.8329 5 45.89373 0.1249 6 47.57907 0.0938 7 29.04863 0.7878 8 20.08172 0.9852 9 35.52343 0.4911
10 42.91810 0.1988 11 34.59777 0.5353 12 37.33477 0.4076
Probs from chi-square with 36 df.
431
Prueba de normalidad multivariada de los residuos.
VAR Residual Normality Tests Orthogonalization: Cholesky (Lutkepohl) Null Hypothesis: residuals are multivariate normal Date: 21/07/13 Time: 13:32 Sample: 2004M01 2011M12 Included observations: 93
Component Skewness Chi-sq df Prob. 1 0.023257 0.008384 1 0.9270
2 0.739546 8.477389 1 0.0036 3 -0.248439 0.956691 1 0.3280 4 -0.350399 1.903083 1 0.1677 5 0.101885 0.160897 1 0.6883 6 0.074614 0.086293 1 0.7689 Joint 11.59274 6 0.0717
Component Kurtosis Chi-sq df Prob. 1 2.226346 2.319346 1 0.1278
2 3.634860 1.561806 1 0.2114 3 3.216201 0.181128 1 0.6704 4 3.053936 0.011273 1 0.9154 5 1.891400 4.762353 1 0.0291 6 2.707787 0.330880 1 0.5651 Joint 9.166785 6 0.1644
Component Jarque-Bera df Prob. 1 2.327729 2 0.3123
2 10.03919 2 0.0066 3 1.137819 2 0.5661 4 1.914355 2 0.3840 5 4.923250 2 0.0853 6 0.417173 2 0.8117
Joint 20.75952 12 0.0540
Prueba de heterocedasticidad.
VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares) Date: 21/07/13 Time: 13:33 Sample: 2004M01 2011M12 Included observations: 93
Joint test:
Chi-sq df Prob. 641.0969 693 0.9211