efectos de las acciones de la política monetaria sobre …30:55z... · estructura productiva y...

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


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


la actividad de manufactura privada en Venezuela y para la región zuliana, durante el

período (1998-2011) ..................................................................................................... 221

9



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


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


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



choque de política monetaria contractivo. Período (1998-2011) .................................. 196


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






choque de política monetaria contractivo. Período (2004-2011) .................................. 207



Gráfico 32. Respuesta de la brecha del producto no petrolero a un choque de política


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






choque de política monetaria expansivo. Período (2004-2011) ................................... 219



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


región zuliana a un choque de política monetaria contractivo. Período (1998-2011) ... 225


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].

mailto:[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.


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.


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.


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


- 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,


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


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).


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).







total y según rama de actividad económica.



PIB total, VAB de la actividad no petrolera, y VAB de las

actividades de manufactura, construcción comercio y

servicios de reparaciones.


cesta venezolana, gasto nominal del gobierno central y

reservas internacionales netas.

107

Continuación


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,


Efectos sobre el

producto regional.

Tasa de interés nominal promedio ponderada de las

operaciones de absorción del BCV.







para la actividad industrial.



Índice de volumen de la producción de la actividad de

manufactura privada a escala nacional y para la región

zuliana.


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).







para la actividad industrial.



Índice de volumen de la producción de la actividad de

manufactura privada a escala nacional y para la región

zuliana.


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,


Política monetaria

http://www.bcv.org.ve/c1/abceconomico.asp

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)


Período (2004:01-2011:12)


Período (2004:01-2011:12)

Segundo bloque: enfoque regional

Modelos VAR (período completo)


Período (1998:01-2011:12)


Período (1998:01-2011:12)

Modelos VAR (sub-período)


Período (2004:01-2011:12)


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


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


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)


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)



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


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)


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)


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)


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)


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)


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.

http://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)



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).


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)


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)


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


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


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).



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)



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)



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


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.

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


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)


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



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


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)


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)


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)


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)


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)


190

Gráfico 21

Respuesta de la actividad de comercio y servicios de reparación a un choque de política

monetaria expansivo. Período (1998-2011)


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)


191

Gráfico 22

Respuesta de la actividad de construcción a un choque de política monetaria expansivo.

Período (1998-2011)


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)


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)


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


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)


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



196

Gráfico 25


monetaria contractivo. Período (1998-2011)


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


-.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



197

Gráfico 26

Respuesta de la actividad de construcción a un choque de política monetaria

contractivo. Período (1998-2011)


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


-.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



198



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)


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)


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


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)


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


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


monetaria contractivo. Período (2004-2011)


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


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



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


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



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


-.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


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



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)


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)


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)


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



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)


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)



evidencia de autocorrelación en el rezago 12, según la prueba LM. No se



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)



evidencia de autocorrelación en el rezago 07, según la prueba LM. No se



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)


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)


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)


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)


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


monetaria expansivo. Período (2004-2011)


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


-.02

-.01

.00

.01

.02

.03

2 4 6 8 10 12 14

Response of D(LVAB_COM_SA) to D(LBM)


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)


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


-.04

-.02

.00

.02

.04

2 4 6 8 10 12 14

Response of D(LVAB_CON_SA) to D(LBM_SA)


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.



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


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)


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)


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


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


zuliana a un choque de política monetaria contractivo. Período (1998-2011)


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.



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


-.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



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


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


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


zuliana a un choque de política monetaria contractivo. Período (2004-2011)


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


-.4

-.2

.0

.2

.4

.6

.8

2 4 6 8 10 12 14


-2

0

2

4

6

2 4 6 8 10 12 14


-.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


-.4

-.2

.0

.2

.4

.6

.8

2 4 6 8 10 12 14


-2

-1

0

1

2

3

4

2 4 6 8 10 12 14



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).

http://www.bcv.org.ve/c1/Publicaciones.asp?Codigo=3229&Operacion=2&Sec=False



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


http://www.bcentral.cl/



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.

http://intrawww.ing.puc.cl/



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).


http://www.bccr.fi.cr/ndie/produccion.htm

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

http://www.bcentral.cl/


http://mpra.ub.uni-muenchen.de/41242/


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).




http://www.revistaestudiosregionales.com/

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.

http://www.bccr.fi.cr/ndie/produccion.htm




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)*


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


LCR_MLogaritmo natural del saldo del crédito bancario real para la actividad de manufactura de los bancos comerciales y


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).


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)*



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



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


LRINLogaritmo natural de las Reservas Internacionales Netas (en miles de Bs. reexpresado a la escala monetaria vigente a


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


Período (1998-2011).


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


Período (2004-2011).


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


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


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





-.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


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




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


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(CR_M) 4.096250 2 0.1290 D(LBM_SA) 2.914670 2 0.2329

All 19.64036 10 0.0328



DLOG(CR_M) 2.436165 2 0.2958 DLOG(Q_M) 6.734984 2 0.0345

All 13.64407 10 0.1899



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


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


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


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


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



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.


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





-.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


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





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



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



DLOG(C_COM) 4.903609 2 0.0861 D(LBM_SA) 2.482337 2 0.2890

All 24.57560 10 0.0062



DLOG(C_COM) 4.004535 2 0.1350 DLOG(Q_M) 6.922113 2 0.0314

All 15.03586 10 0.1308



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




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


270



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


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



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.


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




-.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



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





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




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


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


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



D(TA) 2.609654 2 0.2712 D(LBM_SA) 1.983325 2 0.3710

All 15.11220 12 0.2354



D(TA) 0.230951 2 0.8909 DLOG(Q_M) 5.631412 2 0.0599

All 10.61361 12 0.5623

275



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


276



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




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


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.


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




-.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



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





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(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(CRE_T) 1.093739 2 0.5788 D(TA) 0.071000 2 0.9651

All 9.524916 10 0.4831



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



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


283






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



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.


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





-.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



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




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


D(TA) 0.290105 2 0.8650 TO 8.175244 2 0.0168



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(CR_M) 0.838411 2 0.6576 D(TA) 0.065656 2 0.9677

All 13.01379 10 0.2229



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


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




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


289



Component Skewness Chi-sq df Prob.

1 -0.312972 2.793113 1 0.0947



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



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.


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





-.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


-.2

-.1

.0

.1

.2

1998 2000 2002 2004 2006 2008 2010


-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


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






D(TA) 0.902963 2 0.6367 TO 4.106399 2 0.1283

All 7.518038 10 0.6758



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


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


D(TA) 25.88165 2 0.0000 TO 1.584999 2 0.4527

All 50.76984 10 0.0000



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(C_COM) 1.183883 2 0.5533 D(TA) 0.096217 2 0.9530

All 6.961912 10 0.7290



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


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


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




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


295




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


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 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.


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



Determinant resid covariance 1.23E-09 Log likelihood 287.5788 Akaike information criterion -2.031259 Schwarz criterion 0.227611


-.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


-.3

-.2

-.1

.0

.1

.2

.3

1998 2000 2002 2004 2006 2008 2010


-.2

-.1

.0

.1

.2

1998 2000 2002 2004 2006 2008 2010


-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



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




Dependent variable: D(LPIB) Excluded Chi-sq df Prob. DLOG(IPC_N) 0.374582 2 0.8292


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(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


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



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


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


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





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


301




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


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



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.


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




-.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


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




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


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


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


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



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


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


307



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





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


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



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


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.


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




-.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



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




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



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


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





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


315




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


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



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


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




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


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.


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


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


-.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


-.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



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




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)


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


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


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


LC_COM 7.178898 2 0.0276 TA_C 0.962242 2 0.6181

All 24.65479 10 0.0060



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


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


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





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


322



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


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


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



Joint test:

Chi-sq df Prob. 731.7394 693 0.1493

323


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


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



No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None 0.324179 36.43992 40.07757 0.1215


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.


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





-.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



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




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


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



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


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


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





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


329




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


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


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



Joint test:

Chi-sq df Prob. 729.7221 693 0.1617

330


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








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.


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




-.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


-.08

-.04

.00

.04

.08

.12

04 05 06 07 08 09 10 11


-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



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




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


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


D(TA) 1.007691 2 0.6042 BLY_ANP 18.61762 2 0.0001

All 22.04820 10 0.0149



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


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


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





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


336




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


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


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 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.


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




-.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


-.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



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





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


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


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



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


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





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


342



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


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


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 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


Salida del modelo.


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





-.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


-.15

-.10

-.05

.00

.05

.10

.15

04 05 06 07 08 09 10 11


-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



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





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


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


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



D(TA_C) 0.055131 2 0.9728 BLY_COM_SA 1.725649 2 0.4220

All 7.943759 10 0.6343



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


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


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





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


348



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


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


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



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.


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





-.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


-.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



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





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


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


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


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



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


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





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


354



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


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


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 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


Salida del modelo.


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




-.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


-.08

-.04

.00

.04

.08

04 05 06 07 08 09 10 11


-.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



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




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


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



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


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





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


360



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


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


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



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.


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




-.08

-.04

.00

.04

.08

04 05 06 07 08 09 10 11


-.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



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




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


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



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


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


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





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


366




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


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


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



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


Salida del modelo.


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





-.08

-.04

.00

.04

.08

04 05 06 07 08 09 10 11


-.02

-.01

.00

.01

.02

.03

04 05 06 07 08 09 10 11


-.15

-.10

-.05

.00

.05

.10

.15

.20

04 05 06 07 08 09 10 11


-.12

-.08

-.04

.00

.04

.08

.12

04 05 06 07 08 09 10 11


-.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


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





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


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


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


D(LVAB_COM_SA) 0.284037 2 0.8676 All 12.18910 8 0.1430



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


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


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





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


372




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


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


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



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.


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





-.08

-.04

.00

.04

.08

04 05 06 07 08 09 10 11


-.03

-.02

-.01

.00

.01

.02

.03

04 05 06 07 08 09 10 11


-.2

-.1

.0

.1

.2

04 05 06 07 08 09 10 11


-.2

-.1

.0

.1

.2

.3

04 05 06 07 08 09 10 11


-.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


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





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


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


D(LBM_SA) 3.637553 2 0.1622 All 8.676334 8 0.3703



D(LVAB_CON_SA) 0.625001 2 0.7316 All 3.833564 8 0.8718



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


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


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





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


378




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


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


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



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.


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




-.4

-.3

-.2

-.1

.0

.1

1998 2000 2002 2004 2006 2008 2010


-.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



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





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


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


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



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


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


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





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


384




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


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


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



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.


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





-.4

-.3

-.2

-.1

.0

.1

1998 2000 2002 2004 2006 2008 2010


-.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



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





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


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


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


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



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


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


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




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


390




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


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


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



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.


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




-.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



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





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


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


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



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


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


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





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


396




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


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


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


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






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.


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




-.4

-.3

-.2

-.1

.0

.1

.2

1998 2000 2002 2004 2006 2008 2010


-.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



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





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


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



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


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


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





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


403




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


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


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



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.


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




-.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


-.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



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




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


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


TA 1.774977 2 0.4117 TPM_A 2.018365 2 0.3645

All 17.12837 12 0.1448

408



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


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


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


409



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




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


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


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


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




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


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




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



-.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


-.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


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


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


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


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





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


418



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


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


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



Joint test:

Chi-sq df Prob. 1168.574 1036 0.0025

419


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








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.


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




-.08

-.06

-.04

-.02

.00

.02

.04

.06

04 05 06 07 08 09 10 11


-.02

-.01

.00

.01

.02

.03

04 05 06 07 08 09 10 11


-.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



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





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


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


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(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(Q_M) 2.908334 2 0.2336 D(TA_I) 1.788918 2 0.4088

All 10.28847 10 0.4156



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


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





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


425




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


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


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



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.


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




-.08

-.04

.00

.04

.08

04 05 06 07 08 09 10 11


-.02

-.01

.00

.01

.02

.03

04 05 06 07 08 09 10 11


-.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



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





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


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


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(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(Q_M) 3.917827 2 0.1410 D(TA) 0.096491 2 0.9529

All 11.87301 10 0.2936



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


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


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





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


431


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


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


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


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



Joint test:

Chi-sq df Prob. 641.0969 693 0.9211

efectos de las acciones de la política monetaria sobre …30:55z... · estructura productiva y...

Documents