Econo Me Triai I

DEMANDA DE DINERO DEL PER: UN
ANLISIS ECONOMTRICO
- Enrquez Puma, Gustavo 10120081
- Ferreyra Espinoza, Germn 10120025
- Huanchi Gutirrez, Olivia 10120033
- Tafur Arvalo, Ciro 10120208
- Trujillo Levano Lizbeth 10120089

1 Econometra II
NDICE
1. Resumen
2. Planteamiento del problema
3. Objetivos
4. Marco terico y conceptual
4.1. La demanda de dinero
4.2. Teoras que explican la demanda de dinero
4.2.1. Teora Cuantitativa del dinero
4.2.2. La Demanda de Dinero de Keynes
4.2.3. Modelos de Asignacin de Carteras
4.2.4. Modelo de Inventarios
4.2.5. Friedman, el Dinero y la Teora General de la Demanda

4.3. Conceptos economtricos.
4.3.1. Serie de Tiempo
4.3.2. Estacionariedad
4.3.3. Correlograma
4.3.5. Proceso de decestacionalizacin
4.3.5.1. Descestacionalizar variables census x12 multiplicativo
4.3.6. Raz unitaria
4.3.7. Dickey Fuller
4.3.8. Zivot andrew
4.3.9. Cointegracin
4.3.10. Test de John Hansel
4.3.11. Modelo Vec( var restringido)
4.3.12. Funcin impulso respuestas
4.3.13. Descomposicin de la varianza
4.3.14. Causalidad segn Granger
5. Metodologa:
5.1. Especificacin Terica del Modelo
5.2. Variables:
1. Oferta Monetaria
2. Ingreso Permanente (Yp):
3. Tasa de Inters (R):
4. Nivel de precios (IPC)
6. Resultados
6.1. Analisis de Cointegracin
6.2. Predicciones

7. Conclusiones
8. Bibliografa

2 Econometra II
1. RESUMEN

Dado que el individuo es un ser social y debido a que aquel individuo no produce todo sino solo lo
que necesita, en estas circunstancias se realiza el intercambio con los otros para lograr de esta
manera satisfacer sus necesidades, en tal instancia se necesita un medio de cambio, por lo que
surge el dinero como dicho medio de cambio y es la unidad de cuenta por excelencia, en base a
l podemos realizar el anlisis de los precios de los bienes, servicios y activos de las economas
modernas a pesar de no tener ningn valor intrnseco.
Al ser la demanda de dinero tan importante para la poltica econmica, el presente trabajo busca
esclarecer cules son las determinantes principales sobre la demanda de dinero en el Per. Por lo
que partiremos suponiendo que en el Per, la demanda de dinero es explicada por la teora de la
demanda de dinero de Friedman y en base a ello poder analizar mediante funciones impulso
respuesta cmo impactaran los shocks de los errores en nuestra variable endgena, es decir la
demanda de dinero.
Debemos aclarar que no se busca realizar una simple comprobacin emprica de la teora de la
demanda de dinero de Friedman, ya que dado que una teora no puede explicar todas las
realidades es posible que no sea aplicable a la realidad peruana. Por lo tanto, lo que perseguimos
es elaborar un modelo economtrico que explique la demanda de dinero en la economa peruana
y para nos basaremos en la teora de Friedman.
Un punto importante a mencionar es que se analizaran los shocks de los errores, estos pueden
deberse a cambios tecnolgicos que afectan al PBI o cambios en la poltica del Banco Central a
travs de la tasa de inters.

2. PLANTEAMIENTO DEL PROBLEMA

Como ya se menciono en el resumen, una teora no puede explicar el fenmeno analizado en
todos los contextos o realidades ya que para realizar una teora se hace uso de la simplificacin
como el principio de Occam, un modelo se debe conservar tan simple como sea posible; adems
hay que basarnos en que un modelo debe tener capacidad predictiva y es segn Friedman, por
este ltimo, por el cual se debe considerar la eficiencia del modelo sin importar si los supuestos no
son empricos.
Estimar una funcin de demanda de dinero para el Per, implica incorporar elementos ajenos a la
realidad en la que se elaboro la teora de Friedman acerca de la demanda de dinero y propios de
la realidad peruana; y por otro lado omitir otros elementos. Por lo que utilizaremos variables que
concuerden tanto con la realidad peruana como el contexto de la teora de la demanda de dinero
de Friedman.
Dado que el dinero en la actualidad es un concepto abstracto ya que el dinero es un bien que se
usa como medio de cambio y acumulacin, en la actualidad existen varios tipos de bienes que se
usan para ello, por lo que nos basaremos en los activos que ms fcil se vuelven lquidos es decir

3 Econometra II
que se puedan usar ms rpidamente para el intercambio de bienes, el cual segn la clasificacin
del BCR sera el dinero M1 es decir los billetes y monedas en circulacin ms los depsitos a la
vista en moneda.
Segn la teora la demanda de dinero se determina por el Ingreso Permanente, la tasa de inters y
el costo de oportunidad de mantener dinero mediante las rentabilidades de los otros activos por
lo que se usara para la medicin
Como variables explicativas para el ingreso utilizaremos el PBI ya que en condiciones de equilibrio
tendra que ser contablemente igual al ingreso nacional bruto. Con respecto a la tasa de inters
usaremos la tasa de inters pasiva debido a que la gente usa esta tasa para decidir si deposita su
dinero o si sigue manteniendo su riqueza en dinero y en la rentabilidad de los otros activos. Nos
basaremos en el IPC ya que la gente considera que si sigue manteniendo dinero pierde riqueza
debido a la inflacin, pero como ellos no saben cul ser, realizan una expectativa; hay que aclarar
que dado que este es un dato no cuantificable porque es algo subjetivo, utilizaremos las
expectativas adaptativas y transformaremos el modelo de manera que utilizaremos solo el PBI, la
tasa de inters pasiva y el IPC como variables exgenas.
3. OBJETIVOS

Los objetivos es ver si la demanda de dinero del Per se comporta como la demanda de dinero
que planteo Friedman, adems tenemos objetivos especficos que son:
Estudiar la demanda de dinero en la ltima dcada (2002-2012) y su evolucin a
travs del tiempo.
Analizar la relacin de largo plazo de la demanda de dinero y el PBI, permitiendo
ver si es que variables nominales afectan variables reales
Estudiar los impactos (shock) tanto del PBI como el IPC y la tasa de inters en la
demanda de dinero a travs de la funcin impulso respuesta, as como que
porcentaje de la variabilidad representa para cada variable la varianza de la
demanda de dinero
Poder predecir y permitir realizar un conjunto de simulaciones como polticas
contra cclicas.

4. MARCO TERICO Y CONCEPTUAL

4.1. La demanda de dinero

La creacin del dinero como una indudable invencin realizada por el hombre.
Especificando En particular, el dinero fiduciario. Que los individuos estn dispuestos
a aceptar trozos intiles de papel bajo la promesa que personas que ellos no conocen
van a estar dispuestas en un futuro a entregarles bienes o servicios a cambio, es una
situacin, por decir lo menos, sorprendente. Y aun si se acepta la nocin que el

4 Econometra II
dinero posiblemente surge como resultado de la necesidad de reducir los costos de
transaccin en economas de intercambio (trueque), se debe reconocer que su
naturaleza y funciones plantean preguntas complejas. Entre ellas est el tipo de
acuerdo social que permite que los agentes acepten con facilidad y confianza una
transaccin asimtrica por la cual se recibe un billete (cuyo costo marginal es cercano
a cero) y entreguen a cambio bienes cuyo costo de produccin es muy superior. La
misma existencia del dinero como medio de reserva intertemporal de valor es difcil
de justificar, considerando que existen otros activos que pueden realizar una funcin
similar, pero que adems podran beneficiar a los individuos con un retorno nominal
mayor a cero. Ms an, los agentes aceptan dinero aun cuando su poder adquisitivo
en el futuro sea incierto, lo que plantea la duda sobre el por qu los consumidores
podran desear un activo riesgoso, cuyo retorno nominal es cero y el real usualmente
negativo.

4.2. Teoras que explican la demanda de dinero

4.2.1. Teora Cuantitativa del dinero
Postula la existencia de una relacin proporcional entre dinero y nivel de
precio, donde se demanda dinero por motivo de transacciones, esta
teora genero dos enfoques; la primera por Fisher (1896) desde una
perspectiva macroeconmico poniendo nfasis en los factores
institucionales que determinan los medios de pago; la segunda lnea de
pensamiento, asociada a la escuela de Cambridge, analiza el problema
desde una perspectiva microeconmica, concentrndose en estudiar los
factores que inducen a los individuos a mantener voluntariamente dinero
en su poder.

Md = kT PT (Fisher)

Md = kT PY (Cambridge)

Donde Md es la demanda de dinero, P es el nivel general de Precios, T es
el nmero de transacciones realizadas en alguna unidad de tiempo (por
ejemplo, un ao), Y es el Ingreso o Producto y kT es una constante que
equivale al inverso de la velocidad de circulacin del dinero.

Segn Fisher si V y T son constantes, el nivel de precios es proporcional a la
cantidad de dinero y se obtiene una de las principales implicancias de la
teora cuantitativa: que el dinero no afecta las variables reales
(neutralidad). Adems la velocidad de circulacin del dinero por
transacciones ((V=1/kT) se ve influenciado por factores tales como las
comunicaciones, las prcticas crediticias y los procesos tecnolgicos
En cambio el otro enfoque plantea para la demanda de dinero factores
como la restriccin presupuestaria, el costo de oportunidad y las

5 Econometra II
preferencias de los individuos ya no slo sirve como medio de cambio, sino
que tambin juega un papel como reserva de valor y, tercero, en el anlisis
aparecen explcitamente variables como la tasa de inters, la riqueza, y las
expectativas sobre la evolucin futura de las variables relevantes.

4.2.2. La Demanda de Dinero de Keynes
Keynes identifica 3 motivos por los cuales se demanda saldos monetarios:
El motivo transaccin que se debe cubrir la brecha entre los ingresos
generados y los gastos planeados.
El motivo de precaucin, en cambio, enfatiza el deseo de las personas
de mantener dinero para hacer frente a gastos no planeados e
inesperados.
El motivo especulacin que si bien Keynes no niega que esta demanda
tambin puede verse afectada por el costo de oportunidad de
mantener dinero, argumenta que la tasa de inters es la ms
pertinente.

Resulta evidente que la demanda por dinero originada por estos dos
motivos debiera depender esencialmente del nivel de renta. Y, adems el
ltimo motivo recoge el efecto de la incertidumbre acerca de la evolucin
de las variables macroeconmicas sobre las tenencias de dinero.

Segn Keynes a nivel individual la demanda de dinero es una funcin
discontinua de la tasa de inters nominal. Dada una expectativa de la tasa
de inters natural (es decir, aqulla de pleno empleo), la discontinuidad
aparece cuando la tasa de inters efectiva es distinta de dicha expectativa.
Si se encuentra por sobre el nivel esperado, los individuos desearn
mantener toda su riqueza en bonos y la demanda por dinero ser por lo
tanto cero. Lo contrario ocurre cuando la tasa de inters nominal cae bajo
el nivel de equilibrio. Por ello, a nivel individual existir un rango en el que
no se alteran las decisiones de portafolio cuando cambia la tasa de inters.
A nivel agregado, sin embargo, la demanda de dinero es una funcin
continua y negativa de la tasa de inters corriente, porque las tenencias
individuales de bonos y dinero son insignificantes y existe heterogeneidad
en la respuesta de los individuos frente a cambios en la tasa de inters.

La funcin de demanda de dinero keynesiana es:

Donde W es el nivel de riqueza, Y es el ingreso real e i es la tasa de inters
nominal.

El primer trmino de la derecha en el parntesis representa la demanda
por dinero originada por el motivo transaccin y precaucin. El segundo
corresponde al motivo especulacin. Se incluye la riqueza debido a que la
demanda especulativa se plantea respecto de los activos totales de la

6 Econometra II
economa. Si se supone que en el corto plazo la riqueza se mantendr
relativamente constante, se puede omitir esta variable y se obtiene la
clsica demanda keynesiana.

4.2.3. Modelos de Asignacin de Carteras
Tobin desarrolla un modelo en que los saldos monetarios se determinan
como resultado de un problema de optimizacin de una cartera de activos
bajo condiciones de incertidumbre.
En este modelo el individuo asigna su riqueza entre un activo libre de
riesgo (el dinero) y un activo riesgoso (bonos), cuyo retorno esperado
supera el del dinero W=M+B. El retorno del dinero es cero, en tanto que el
retorno de los bonos (rB) corresponde a la suma de la tasa de inters (r) y
las ganancias de capital (g). stas, que son aleatorias, se distribuyen con
media cero y varianza finita
)

El rendimiento (media) del dinero es cero , y el riesgo (varianza) del
dinero es
[)]

El rendimiento del Bono es ) ( )) , adems e l
riesgo de los bonos es
[ )]
[ ) ]

Por lo que el rendimiento (media) del portafolio ser:
) )
y su varianza es

El problema del individuo consiste en maximizar la funcin de utilidad

), la cual depende positivamente del retorno esperado y, si el

individuo es adverso al riesgo, negativamente de la varianza del portafolio.

[ (
)]
Se muestra que el resultado ptimo, la demanda de dinero depende de la
rentabilidad del portafolio y de la varianza del portafolio

Este modelo, sin embargo, presenta algunas debilidades. Primero, el dinero
no posee un retorno libre de riesgo en trminos reales, concepto que es el
pertinente para el agente racional, y segundo, en muchas economas
existen activos que poseen similares caractersticas de riesgo que el dinero,
pero que entregan un mayor retorno, lo cual implicara que bajo los
mismos supuestos de este modelo, el dinero no sera demandado.

7 Econometra II
4.2.4. Modelo de Inventarios

Baumol (1952) y Tobin (1956) desarrollan formalmente los primeros
modelos de optimizacin para la demanda de dinero por transacciones,
utilizando como base modelos de inventarios.

Se considera que existen slo dos activos en la economa dinero y otro
activo que devenga intereses y que existe un costo fijo de convertir el
activo que devenga inters en dinero. El problema del consumidor consiste
en determinar la frecuencia ptima de conversin de los activos de manera
de minimizar la prdida de intereses (iM) y los costos de transaccin
). En trminos algebraicos:
)
P*ct: Costo de realizar una transaccin monetaria

Adems la cantidad de dinero que demandan los agentes viene dada por:

)

En equilibrio
, por lo que ))

)
Por lo que () en ) es:

Existen, por lo tanto, economas de escala en la realizacin de
transacciones ya que la elasticidad ingreso de la demanda por dinero es
0.5. Por otro lado, la elasticidad con respecto a la tasa de inters es -0.5.

8 Econometra II
4.2.5. Friedman, el Dinero y la Teora General de la Demanda

Los desarrollos post-keynesianos descritos anteriormente tienen su punto
de partida en las funciones que cumple el dinero. El rol de medio de
cambio origina los modelos de transaccin, mientras que la funcin de
reserva de valor genera modelos de activos o de asignacin de portafolios.
Es importante notar que los modelos anteriores justifican la existencia del
dinero y su demanda sobre la base de motivos explcitos que inducen a los
individuos a mantener saldos monetarios. Otros estudios ignoran estas
razones, partiendo simplemente del hecho que los agentes demandan
dinero, tratando el caso como un bien ms en la teora general de la
demanda. Este es el enfoque de Friedman (1956), quien en su
reformulacin de la teora cuantitativa argumenta que la demanda por
dinero, como la de cualquier bien o activo, no tiene que ser justificada por
razones particulares. Si ella existe, sta puede derivarse de los axiomas
bsicos que rigen las decisiones del consumidor. A diferencia de Keynes,
quien afirma que el dinero tiene pocos, pero buenos sustitutos, Friedman
seala que stos son muchos, pero imperfectos. Consecuentemente,
existir un amplio espectro de activos y costos de oportunidad pertinentes
para determinar la demanda por dinero.9 Por ello, Friedman usa un
enfoque de asignacin de portafolio, pero extiende la restriccin
presupuestaria para considerar una medida amplia de riqueza, que incluye
componentes humanos, fsicos y financieros. El modelo requiere usar una
medida amplia de dinero (incluyendo circulante, bonos y otros
instrumentos financieros) para mantener la consistencia del anlisis, en
contraposicin con los estudios anteriores que se refieren a definiciones
ms estrechas de ste (tpicamente, circulante).

La demanda de dinero que se obtiene en este tipo de modelo tiene la
siguiente estructura:

Donde Yp es el ingreso permanente (derivado del stock de riqueza), re es
la tasa de inters esperada de los bonos, rx e es el retorno esperado de las
acciones, rme es el retorno esperado del dinero en servicios (liquidez o
intereses pagados en cuentas corrientes) y e es la inflacin esperada. El
tratamiento del mercado monetario de Friedman tiene, adems, otras
implicancias sobre el papel del dinero en la economa. A diferencia del
modelo de Keynes, en donde existe una relacin indirecta entre el ajuste
del portafolio y el mercado de bienes, el modelo de Friedman relaciona
directamente ambos mercados. Ello resulta de la restriccin
presupuestaria consolidada de la economa, que incluye bienes y activos, y
que exige (Md - Ms) + (Bd - Bs) + (PYd - PYs) = 0.10 As, un incremento

9 Econometra II
monetario genera un exceso de demanda en el mercado de bonos y/o en
el de bienes. Por ello, la oferta monetaria puede afectar el producto
indirectamente a travs de la tasa de inters y directamente sobre la
compra de bienes durables. Entre ambos canales de transmisin, Friedman
considera que las fluctuaciones del dinero generan bsicamente
variaciones en el producto nominal, mientras que los keynesianos
argumentan que el efecto es principalmente sobre la velocidad de
circulacin.

4.3. Conceptos economtricos.

En este apartado se mostraran algunas definiciones economtricas de series de
tiempo y cointegracin.

4.3.1. Series de tiempo

Una serie de tiempo es una secuencia de datos numricos, cada uno de los
cuales se asocia con un instante especfico del tiempo; podemos citar
como ejemplos de series de tiempo al ndice mensual de inflacin, al tipo
de cambio diario, al producto bruto interno trimestral, al ndice de
desempleo anual, etc.
Estas series poseen como caracterstica que los lapsos de tiempo, para la
observacin cada una de ellas son homogneos, es decir, la frecuencia de
observacin es semanal, mensual, trimestral, etc.


Una serie de tiempo (variable) es estacionaria si su media, varianza y
covarianza es la misma independientemente del tiempo por lo que no
presenta tendencia y su desarrollo corriente se encuentra alrededor de su
media. Cualquier shock que sufra en cualquier momento en el tiempo no
tendr efectos permanentes y slo la alejar temporalmente de su
equilibrio.

4.3.3. Correlograma
El correlograma es un instrumento grafico que permite tener una idea de
la estructura de la serie de tiempo, mediante las funciones de
autocorrelacin y correlacin parcial, adems mediante su estructura
podemos tener una idea si existe raz unitaria mediante una regla sencilla:

10 Econometra II
los valores de la funcin de autocorrelacin total de una serie con races
unitarias descienden muy suavemente hacia el cero y luego de ser cero
empiezan a crecer suavemente; mientras que cuando no hay presencia de
races unitarias el descenso es exponencial. En la serie, por ultimo en la
primera diferencie de la serie podemos apreciar si existe estacionalidad.

Se trata que algunas variables econmicas presenten ciertas regularidades
que son claramente en perodos que comprenden el ao, como meses,
trimestres o semestres Algunas de las causas que pueden generar las
uctuaciones estacionales son: el calendario mismo, dado por el hecho
que existen algunas festividades tanto jas como mviles o las diferencias
en la cantidad de das en los meses del ao; una segunda causa puede
estar dada por fechas importantes que las instituciones tienden a jar
dentro del ao para realizar ciertas actividades ( Periodos de vacaciones,
de pagos de impuestos, etc.); como tercera causa se podra considerar el
efecto de las estaciones del ao o clima que, segn la temporada pueden
generar algn impacto en la produccin o las ventas; nalmente, se
consideran las expectativas de las uctuaciones estacionales (i.e.
incremento en la produccin de juguetes en meses precedentes a Navidad
por expectativas de elevadas ventas futuras en diciembre).

4.3.5. Proceso de decestacionalizacin
Sea Yt una serie observada, esta se puede descomponer en varias
componentes no observadas, segn el siguiente modelo:
Yt = Tt + Ct + St + It
Donde:
Tt: Es la componente de tendencia
Ct: Es la componente ciclo
St: Es la componente de estacionalidad
It: Es la componente irregular
La idea bsica que sustenta la desestacionalizacin de las series
econmicas, es el hecho que a estas las constituyen varias componentes
no observables que pueden, en un momento dado, ser separadas de la
serie original. Dichas componentes se utilizan para caracterizar los

11 Econometra II
distintos movimientos que pueden presentar una serie, tales como la
tendencia, el ciclo, la estacionalidad y el comportamiento irregular.
4.3.5.1. Descestacionalizar variables census x12 multiplicativo

El census X12 es un mtodo basado en promedios mviles, los
cuales se sustentan en el dominio del tiempo o en el de
frecuencias y logra el ajuste estacional con el desarrollo de un
sistema de los factores que explican la variacin estacional en una
serie. Este es un programa de cdigo abierto, desarrollado por la
ocina del censo de los Estados Unidos
Esta herramienta permite mediante software eliminar la
estacionalidad de nuestra variable, para el cual permite mltiples
opciones como multiplicativo, aditivo, pseudo-aditivo y log-aditivo.

4.3.6. Raz unitaria

Una serie de tiempo presenta una raz unitaria, si al igualar su polinomio
caracterstico a cero, A(L)=0, el valor de alguna de las races que cumple
con esta ecuacin es uno, esto hace que tanto la media como la varianza
de la serie dependan del tiempo, es decir la serie no es estacionaria, esto
hace que shock que pueden ocurrir en la variable se aleje cada vez ms de
su valor medio y nunca regrese al equilibrio.
Para eliminar la raz unitaria se realiza la diferencia de la variable, adems
la variable se consideran iteradas de orden d el numero de diferencias
para eliminar la raz unitaria.

4.3.7. Dickey Fuller

Sin duda alguna, el test ms habitual a la hora de determinar la
estacionariedad de una serie temporal, consiste en la aplicacin del
conocido como test de DickeyFuller (Test DF) o Dickey-Fuller Ampliado
(Test ADF). ste es un contraste de No estacionariedad ya que la
hiptesis nula es precisamente la presencia de una raz unitaria en el
proceso generador de datosde la serie analizada.
El planteamiento ms sencillo de Dickey y Fuller es el siguiente. Plantean
un modelo autorregresivo AR(1) como:
donde y
son parmetros a estimar y
es un trmino de error para el que se asume

que cumple las propiedades de ruido blanco. Dado que es un coeficiente
de autocorrelacin que, por tanto, toma valores entre -1< <1, si , la

12 Econometra II
-4.5
-4.0
-3.5
-3.0
-2.5
-2.0
100 150 200 250 300 350 400
ZIVOTT VCRITT
serie y es no estacionaria. Si el valor de es mayor que la unidad, entonces
se dice que la serie es explosiva. De esta forma, la hiptesis de
estacionariedad de una serie puede ser evaluada analizando si el valor
absoluto de es estrictamente menor que 1. Pues bien, el test DF plantea,
sencillamente, contrastar estadsticamente si . Puesto que en
economa las series explosivas no tienen mucho sentido, esta hiptesis
nula se analiza frente a la alternativa que establece que

Por lo que el test dickey fuller ampliado se deben analizar tres casos:
)

Tendencia e intercepto:

Intercepto:

Sin Intercepto y sin Tendencia:

4.3.8. Zivot andrew
Dado que los test tradicionales de raz unitaria estn sesgados hacia el no
rechazo de la hiptesis nula de raz unitaria cuando la serie tenan cambio
estructural, a menudo se rechazaba incorrectamente la hiptesis
alternativa de estacionariedad. Siguiendo esta lnea, Zivot y Andrews
(1992)1 elaboraron un test en la que la fecha del punto de quiebre era
determinada endgenamente; el test evala la posible presencia de
quiebre estructural en cada observacin de la serie analizada (generando
variables Dummy a partir de la 75ava observacin y termina en la
observacin N-75).
Con el software Eviwes, Zivot y Andrews plantea 3 modelos, el primero
quiebre estructural en media (media), el segundo en tendencia y el tercero
en ambos (tendencia y media), adems de votar las posibles fechas de
quiebre para los tres modelos, y mostrarte las graficas de los modelos,
donde si pasan la lnea roja (valor critico) existe quiebre, adems te
sugiere cual es el mejor modelo.

Quiebre No existe Quiebre

t p t p t t t t
Y Y Y Y t Y c o o + A + A + A + + + = A
) 1 ( 1 2 2 1 1 1 1 0
....
t p t p t t t t
Y Y Y Y Y c o + A + A + A + + = A
) 1 ( 1 2 2 1 1 1 0
....
t p t p t t t t
Y Y Y Y Y c + A + A + A + = A
) 1 ( 1 2 2 1 1 1
....
-6
-5
-4
-3
-2
100 150 200 250 300 350 400
ZIVOT VCRIT

13 Econometra II

4.3.9. Cointegracin

La cointegracin plantea la sincrona en la evolucin de las series no
estacionarias (integradas) a travs del tiempo. La cointegracin implica
que las tendencias estocsticas determinadas por las perturbaciones o
shocks aleatorios se cancelan, permitiendo que las series regresen a su
relacin de equilibrio, es decir que las series tienen una relacin de largo
plazo.

4.3.10. Test de John Hansen
El planteamiento terico de la propuesta de Johansen considera un
modelo VAR de orden p:

Formalmente, el enfoque propuesto por Johansen (d=1) consiste en
contrastar el rango de la matriz n x n de coeficientes de largo plazo H en el
siguiente VAR formulado como modelo de correccin de error (VMCE):

t t i t
k
i
i t
Y Y Y c + H + V I = V

=
1
1
1
ct iid N(0,O). (t=1,...,T)
Donde:

El rango de H coincidir con el nmero de vectores de cointegracin
linealmente independientes que pueden existir entre los componentes de
Yt . Siendo r<n el rango de H, es posible descomponer dicha matriz como
el producto de dos matrices de orden n x r tal que H = o| y |Xt-1~I(0) en
donde o y | recogen los denominados coeficientes de ajuste y los
coeficientes de los vectores de cointegracin respectivamente. Johansen
propone dos tests distintos de ratio de verosimilitudes para conocer r, el
estadstico trace (TR) y el estadstico maximun eigenvalue (ME):

t p t p t t t
Y A Y A Y A Y P VAR c + + + + =

.... : ) (
2 2 1 1

14 Econometra II

Tabla1: Estadstico TR y ME, Johansen (1988, 1991)

Estadstico Hiptesis nula Hiptesis alternativa
TR =
) 1 ln(
1
+ =
.

n
r i
i
T

rango (H) s r rango (H) s n
ME =
) 1 ln( 1 +
.
r T

rango (H) = r rango (H) = r+1

En donde
n r
.
+
.
,..., 1
son los valores propios ordenados de mayor a
menor que se obtienen de la ecuacin:

0
01
1
00 10 11
=

S S S S
,
jt
T
t
it ij
R R T S ' =

=
1
1
i,j = 0,1
y donde R0t y R1t son respectivamente los residuos que se obtienen al
estimar por MCO una regresin auxiliar de VYt y Yt-1 sobre VYt-1 ,...,VYt-
k+1. Siendo
) ,..., ( 1 n v v V
. . .
=
los vectores propios obtenidos de la ecuacin
anterior y normalizados tal que
I V S V =
. .
11
'
, podemos estimar los
vectores de cointegracin o relaciones de equilibrio a largo plazo
mediante:
) ,..., ( 1 r v v
. . .
= |

El mtodo de Johansen estima la matriz en forma restringida, de forma
que analiza si se pueden rechazar las restricciones implcitas por el orden
reducido de .
En la prctica, el test de Johansen presenta varias dificultades asociadas a
la especificacin inicial del VMCE que pueden dar lugar a resultados
diversos. Bsicamente, una adecuada especificacin del VMCE que

15 Econometra II
proporcione resultados fiables sobre la existencia de un equilibrio a largo
plazo entre las variables de inters, requiere en primer lugar de la eleccin
del valor de k o especificacin de la dinmica a corto plazo. Con este fin, el
investigador cuenta con gran nmero de criterios2 posibles entre los que
elegir. Estos criterios contienen generalmente como argumento principal
el valor de la funcin de mxima verosimilitud estimada. En segundo lugar
la presencia o no de componentes deterministas en el VMCE tales como
constantes y tendencias juegan un papel importante dado que la
distribucin asinttica de los tests TR y ME depende de la misma
(Johansen, 1994).

4.3.11. Modelo Vec( var restringido)

En los modelos VAR, as como en la modelizacin univariante de series
temporales, asumimos que las series temporales utilizadas son
estacionarias. Cuando efectuamos regresiones entre variables no
estacionarias podemos caer en el problema de las llamadas correlaciones
espurias. Ahora bien, ciertas modelizaciones entre variables no
estacionarias, pero que cumplen ciertas condiciones denominadas
de cointegracin, no slo no son espurias, sino que aportan gran
informacin sobre las relaciones de equilibrio a largo plazo de las variables
econmicas.
Pues bien, un modelo de vector de correccin del error (VEC) es un
modelo VAR restringido (habitualmente con slo dos variables) que tiene
restricciones de cointegracin incluidas en su especificacin, por lo que se
disea para ser utilizado con series que no son estacionarias pero de las
que se sabe que son cointegradas.
El principio detrs de estos modelos es que existe una relacin de
equilibrio a largo plazo entre variables econmicas y que, sin embargo, en
el corto plazo puede haber desequilibrios. Con los modelos de correccin
del error, una proporcin del desequilibrio de un perodo (el error,
interpretado como un alejamiento de la senda de equilibrio a largo plazo)
es corregido gradualmente a travs de ajustes parciales en el corto plazo.
Un ejemplo puede ser til para comprender esta idea.
Por lo que el modelo VEC es un VAR restringido diseado para series no
estacionarias que se pueden cointegrar. Contemplando el resultado de la

16 Econometra II
prueba de Johansen se especific el VEC con 1 rezago de las variables en
diferencias.

4.3.12. Funcin impulso respuestas

Nos permite evaluar la respuesta de las variables a un choque o
perturbacin sobre un trmino de error. En otros trminos, muestra la
reaccin (respuesta) de las variables explicadas en el sistema ante cambios
en los errores. Un cambio (shock) en una variable en el perodo i afectar
directamente a la propia variable y se transmitir al resto de variables
explicadas a travs de la estructura dinmica que representa el modelo
VAR.
S
t
S t
y
c
=
c
c
+
'

4.3.13. Descomposicin de la varianza

La descomposicin de la varianza consiste en obtener distintos
componentes que permitan aislar el porcentaje de variabilidad de cada
variable que es explicado por la perturbacin de cada ecuacin,
pudindose interpretar como la dependencia relativa que tiene cada
variable sobre el resto. Esta descomposicin se obtiene con relativa
facilidad en el caso en que los componentes del vector de perturbaciones
sean ortogonales. Mientras que la funcin de respuesta de impulsos
muestra el efecto de un cambio (shock) en una de las variables endgenas
sobre las dems variables del modelo VAR, la descomposicin de la
varianza proporciona informacin acerca de la importancia relativa de
cada innovacin aleatoria de las variables en el modelo VAR.
Adems, si una proporcin importante de la varianza de una variable viene
explicada por las aportaciones de sus propias perturbaciones, dicha

17 Econometra II
variable ser relativamente ms exgena que otras, de forma que este
anlisis de la varianza puede ayudarnos a confirmar que el orden de
exogeneidad que hemos introducido para la ortogonalizacin de las
perturbaciones aleatorias es correcto.

4.3.14. Causalidad segn Granger

En primera instancia podra parecer que la prueba se refiere a identificar si
existe causalidad entre dos o ms series de tiempo. Sin embargo, el
propsito de este ejercicio es, en efecto, probar si valores rezagados de
una variable influyen significativamente sobre el comportamiento de otra
variable; de tal forma que no se determina causalidad en el sentido en el
que comnmente se entiende la palabra. Cabe sealar que este ejercicio
generalmente se lleva a cabo cuando se conoce que no existe
cointegracin entre series no-estacionarias, y de hecho sera preferible
estimar el VAR en primeras diferencias, llevando a cabo la prueba de
causalidad de Granger tambin con series estacionarias.

5. METODOLOGA:

Para iniciar el proceso de modelacin de la demanda de dinero empezamos por analizar cada
una de las variables a tratar, nuestro anlisis se centra en examinar las respectivas grficas de
las variables, analizar sus respectivos correlogramas para observar la presencia de raz unitaria
y analizar el correlograma de la primera diferencia de sus logaritmos para observar la
presencia de estacionalidad en las variables; seguidamente desestacionalizamos las variables
necesarias utilizando el ajuste estacional CENSUS X12. Realizado esto procedemos con el
anlisis de raz unitaria para identificar si nuestras variables son integradas del mismo orden.
El objetivo de nuestro trabajo es aplicar un modelo de correccin de errores, cuyo requisito es
que todas nuestras variables tengan el mismo orden de integracin para poder aplicar el
modelo que la experiencia de modelos pasados nos sugiere. Despus de formular el modelo
final concluiremos con una prediccin de las variables implicadas para el ao 2013.

5.1. Variables:

1. Oferta Monetaria
Expresada en millones de Nuevos Soles (S/.) de 1994 en trminos mensuales.
Dado que no podemos ver la verdadera cantidad demandada de dinero
utilizaremos la oferta de dinero como variable proxy suponiendo que existe

18 Econometra II
0
10,000
20,000
30,000
40,000
50,000
60,000
02 03 04 05 06 07 08 09 10 11 12
M
equilibrio en el mercado monetario, por lo que la demanda de dinero se
igualara con su oferta.
La oferta de dinero est definida ac como el dinero M1 el cual comprende a
los billetes y monedas en circulacin ms los depsitos a la vista en moneda
nacional del sector privado en las sociedades de depsito. ste tambin es
llamado simplemente dinero el cual son Activos financieros que cumplen las
funciones de medio de pago, reserva de valor y unidad de cuenta. En sentido
estricto, se refiere al circulante y los depsitos a la vista. La base de datos se
obtuvo del INEI.

El grfico nos muestra la evolucin de
la oferta de dinero a lo largo del 2002
hasta Agosto del 2012. Podemos
observar que muestra un patrn no
estacionario en media ni en varianza,
pero con un posible comportamiento
estacionario con tendencia significativa.

HISTOGRAMA DE M

0
4
8
12
16
20
24
10000 20000 30000 40000 50000
Series: M
Sample 2002M01 2012M08
Observations 128
Mean 23692.92
Median 19833.00
Maximum 55765.00
Minimum 7120.000
Std. Dev. 14230.16
Skewness 0.632333
Kurtosis 2.178211
Jarque-Bera 12.13183
Probability 0.002321
0
4
8
12
16
20
24
10000 20000 30000 40000 50000
Series: M
Sample 2002M01 2012M08
Observations 128
Mean 23692.92
Median 19833.00
Maximum 55765.00
Minimum 7120.000
Std. Dev. 14230.16
Skewness 0.632333
Kurtosis 2.178211

19 Econometra II
Con el fin de buscar indicios de estacionalidad, analizaremos el correlograma de la primera
diferencia del logaritmo de la masa monetaria.

Como podemos observar presenta autocorrelaciones muy significativas en los periodos
12, 24, 36 y si ampliaremos los rezagos verificaramos que presenta autocorrelaciones muy
significativas cada 12 periodos. Esto nos muestra que la serie muy posiblemente tenga un
comportamiento estacional, con el fin de confirmar esta sospecha analizaremos la Grafica
Estacional (seasonalgraph).

20 Econometra II

Como nos muestra el grafico la media de la diferencia del logaritmo de M tiene una media
ms alta en diciembre, esto nos muestra que en este mes la masa monetaria tiene una
estacionalidad muy marcada, tendiendo a aumentar en los meses de diciembre.
Dada la presencia de estacionalidad en esta variable aplicamos el ajuste estacional CENSUS
X12 multiplicativo, dado el carcter explosivo de la varianza de la variable M. Con esto
obtenemos la variable M_SA (la cual est libre de estacionalidad)
GRAFICA DE M Y M_SA
Una vez obtenida la variable M desestacionalizada (M_SA), podemos aplicar las
respectivas pruebas de raz unitaria para observar la presencia de estacionariedad de la
variable analizada.
-.10
-.05
.00
.05
.10
.15
.20
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Means by Season
DLNM by Season
0
10,000
20,000
30,000
40,000
50,000
60,000
02 03 04 05 06 07 08 09 10 11 12
M M_SA

21 Econometra II

Como podemos observar en el grfico del correlograma de M_SA la primera correlacin
parcial es muy significativa, adems sus autocorrelaciones son muy significativas y decaen
muy lentamente. Esto nos da un claro indicio de que la variable puede tener raz unitaria y
no ser estacionaria. Para confirmar esta sospecha aplicaremos el test de Dickey y Fuller.

PRUEBA DE DICKEY Y FULLER AUMENTADA

22 Econometra II
Con intercepto y tendencia para M_SA:

Null Hypothesis: M_SA has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 1 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -0.073705 0.9948
Test criticalvalues: 1% level -4.032498
5% level -3.445877
10% level -3.147878

Augmented Dickey-Fuller Test Equation
Dependent Variable: D(M_SA)
Method: LeastSquares
Date: 11/28/12 Time: 21:47
Sample (adjusted): 2002M03 2012M08
Includedobservations: 126 afteradjustments

Variable Coefficient Std. Error t-Statistic Prob.

M_SA(-1) -0.000988 0.013408 -0.073705 0.9414
D(M_SA(-1)) -0.253235 0.088145 -2.872939 0.0048
C 14.90452 92.39200 0.161318 0.8721
@TREND(2002M01) 7.550290 5.095316 1.481810 0.1410

R-squared 0.195281 Mean dependentvar 383.1749
Adjusted R-squared 0.175493 S.D. dependentvar 560.2430
S.E. of regression 508.7140 Akaikeinfocriterion 15.33288
Sum squaredresid 31572376 Schwarzcriterion 15.42292
Log likelihood -961.9715 Hannan-Quinncriter. 15.36946
F-statistic 9.868559 Durbin-Watson stat 2.033534
Prob(F-statistic) 0.000007

RR RA

-4.03 -3.45 -3.15 -0.07
Por lo tanto aceptamos la hiptesis nula implicando la existencia de raz unitaria y por
ende M_SA es no estacionaria.
Para verificar si la serie presenta tendencia determinstica o no, compararemos el valor de
T-Statistic de la tendencia con su valor crtico.
,

23 Econometra II
||
Como observamos la serie no presenta tendencia determinstica debido a que su
presencia no es significativa.
Dada la no significancia de la tendencia, aplicaremos el test solo con intercepto.
Solo con intercepto para M_SA:

Exogenous: Constant

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic 5.119154 1.0000
5% level -2.884477
10% level -2.579080

Date: 11/28/12 Time: 21:48


M_SA(-1) 0.018178 0.003551 5.119154 0.0000
D(M_SA(-1)) -0.254850 0.088566 -2.877531 0.0047
C 50.76952 89.59779 0.566638 0.5720


RR RA

-3.48 -2.88 -2.58 5.12

24 Econometra II
Para verificar si la serie presenta intercepto o no, compararemos el valor de T-Statistic de
la constante con su valor crtico.

,
||
Como observamos la serie no presenta intercepto debido a que su presencia no es
significativa.
Dada la no significancia del intercepto, aplicaremos el test para la variable M_SA sin
tendencia ni intercepto.
Sin intercepto ni tendencia para M_SA:

Exogenous: None

t-Statistic Prob.*

5% level -1.943385
10% level -1.615037

Date: 11/28/12 Time: 21:49


M_SA(-1) 0.019767 0.002172 9.100035 0.0000
D(M_SA(-1)) -0.254321 0.088318 -2.879609 0.0047

Durbin-Watson stat 2.031242

RR RA

25 Econometra II

-2.58 -1.94 -1.62 9.10
Debido a que el Test de Dickey y Fuller no toma en cuenta la existencia de algn quiebre
en la variable ste, tiende a aceptar la hiptesis nula de existencia de raz unitaria aunque
la serie sea estacionara pero con quiebre. Para descartar esta posibilidad aplicaremos el
Test de Zivot y Andrews.

PRUEBA DE ZIVOT Y ANDREW PARA M_SA

Resultados de la
prueba F
Serie analizada m_sa

Modelo A El quiebre est en el perodo 101
Modelo B El quiebre est en el perodo 100
Modelo C El quiebre est en el perodo 60
Mejor Modelo 3

Dado que ninguno de los modelos sobrepasa la banda critica podemos decir que
aceptamos la hiptesis nula de existencia de raz unitaria, rechazando la hiptesis
alternativa de estacionariedad pero con quiebre en la serie.
Dado que la serie M_SA no es estacionaria en niveles, aplicaremos la primera diferencia a la
serie quedndonos con D(M_SA) y aplicaremos el test de Dickey y Fuller a esta nueva serie.
Con tendencia e intercepto para D (M_SA):
Null Hypothesis: D(M_SA) has a unit root
-5
-4
-3
-2
-1
0
1
20 30 40 50 60 70 80 90 100 110 120
_ZIVOTA _VCRITA
-5
-4
-3
-2
-1
0
1
20 30 40 50 60 70 80 90 100 110 120
_ZIVOTB _VCRITB
-6
-5
-4
-3
-2
-1
0
20 30 40 50 60 70 80 90 100 110 120
_ZIVOTC _VCRITC

26 Econometra II

t-Statistic Prob.*

5% level -3.445877
10% level -3.147878

Dependent Variable: D(M_SA,2)
Date: 11/28/12 Time: 21:56


D(M_SA(-1)) -1.253976 0.087215 -14.37798 0.0000
C 15.25743 91.89405 0.166033 0.8684
@TREND(2002M01) 7.188019 1.337450 5.374420 0.0000


RR RA

-14.38 -4.03 -3.44 -3.14
Por lo tanto rechazamos la hiptesis nula implicando la inexistencia de raz unitaria y por
ende D(M_SA) es estacionaria.
,
||
Como observamos la serie no presenta tendencia determinstica debido a que su presencia no
es significativa.

27 Econometra II
Dada la no significancia de la tendencia, aplicaremos el test para la variable D (M_SA) solo
con intercepto.
Solo con intercepto para D (M_SA):
Null Hypothesis: D(M_SA) has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.885051
10% level -2.579386

Dependent Variable: D(M_SA,2)
Date: 11/28/12 Time: 21:57


D(M_SA(-1)) -0.476011 0.164288 -2.897423 0.0045
D(M_SA(-1),2) -0.701576 0.152476 -4.601232 0.0000
D(M_SA(-2),2) -0.615364 0.130529 -4.714378 0.0000
D(M_SA(-3),2) -0.393113 0.100053 -3.929045 0.0001
C 199.2328 77.33640 2.576184 0.0112


28 Econometra II
RR RA

-3.48 -2.90 -2.89 -2.58

Si bien el t-statistic no est a la izquierda del valor critico al 1% s lo est ante los valores
crticos al 5% y 10%. Adems la probabilidad es menor a 0.05 (0.04850.05) lo cual nos
lleva a la no aceptacin de la hiptesis nula de que la serie posee raz unitaria y concluimos
que la serie es estacionaria.
,

||
Como observamos la serie presenta intercepto debido a que su presencia es significativa.

Por todo esto concluimos que la serie M_SA es integrada de orden uno y
presenta intercepto significativo.

2. Producto Bruto Interno (PBI):
Dado que la demanda de dinero por motivos transaccin depende
principalmente del nivel de ingreso, utilizaremos al PBI (expresado en
Millones de nuevos soles) como una variable proxy, dada la imposibilidad de
la medicin del ingreso permanente, ya que esta variable es el ms usado en
los anlisis empricos.
Para ello hemos recogido del INEI para a base de datos.

29 Econometra II
GRAFICA DEL PBI

El grafico nos muestra la evolucin del PBI desde los aos del 2002 a agosto del 2012 nos
indica un patrn no estacionario en media ni varianza, con un posible comportamiento
estacionario en tendencia.

HISTOGRAMA DEL PBI

0
2
4
6
8
10
12
14
10000 12000 14000 16000 18000 20000
Series: PBI
Sample 2002M01 2012M08
Observations 128
Mean 14522.26
Median 14301.95
Maximum 21460.61
Minimum 9606.353
Std. Dev. 3006.961
Skewness 0.266043
Kurtosis 1.937342
8,000
10,000
12,000
14,000
16,000
18,000
20,000
22,000
02 03 04 05 06 07 08 09 10 11 12
PBI

30 Econometra II
diferencia del logaritmo del PBI.

Como podemos observar presenta autocorrelaciones muy significativas en los periodos
12, 24, 36 y si ampliaremos los rezagos verificaramos que presenta autocorrelaciones muy
significativas cada 12 periodos. Esto nos muestra que la serie muy posiblemente tenga un
comportamiento estacional, con el fin de confirmar esta sospecha analizaremos la Grafica
Estacional (seasonalgraph).

31 Econometra II
DLNPBI By Season

Como nos muestra el grafico la media de la diferencia del logaritmo de PBI tiene una
media ms alta por los meses de marzo, abril y mayo, esto nos muestra que en estos
meses el PBI presenta una estacionalidad muy marcada, tendiendo a aumentar en dichos
meses.
Dada la presencia de estacionalidad en esta variable aplicamos el ajuste estacional CENSUS
X12 multiplicativo, dado el carcter explosivo de la varianza de la variable PBI. Con esto
obtenemos la variable PBI_SA (la cual est libre de estacionalidad)
GRAFICA DE PBI Y PBI_SA
-.12
-.08
-.04
.00
.04
.08
.12
Means by Season
D1LNPBI by Season
8,000
10,000
12,000
14,000
16,000
18,000
20,000
22,000
02 03 04 05 06 07 08 09 10 11 12
PBI_SA PBI

32 Econometra II
Una vez obtenida la variable PBI desestacionalizada (PBI_SA), podemos aplicar las
respectivas pruebas de raz unitaria para observar la presencia de estacionariedad de la
variable analizada.

Como podemos observar en el grfico del correlograma de M_SA la primera correlacin
parcial es muy significativa, adems sus autocorrelaciones son muy significativas y decaen
muy lentamente. Esto nos da un claro indicio de que la variable puede tener raz unitaria y
no ser estacionaria. Para confirmar esta sospecha aplicaremos el test de Dickey y Fuller.

33 Econometra II
Con intercepto y tendencia para PBI_SA:
Null Hypothesis: PBI_SA has a unit root

t-Statistic Prob.*

5% level -3.445877
10% level -3.147878

Dependent Variable: D(PBI_SA)
Date: 11/28/12 Time: 17:05


PBI_SA(-1) -0.068520 0.039505 -1.734458 0.0854
D(PBI_SA(-1)) -0.409951 0.082323 -4.979778 0.0000
C 711.8514 373.2947 1.906942 0.0589
@TREND(2002M01) 6.086960 3.120573 1.950591 0.0534

Sum squaredresid 3528291. Schwarzcriterion 13.23145

RR RA

-4.03 -3.44 -3.14 -1.73
ende PBI_SA es no estacionaria.

34 Econometra II
,
||
Solo con intercepto para PBI_SA:
Exogenous: Constant

t-Statistic Prob.*

5% level -2.884477
10% level -2.579080

Date: 11/28/12 Time: 17:32


PBI_SA(-1) 0.007841 0.005363 1.462112 0.1463
D(PBI_SA(-1)) -0.445124 0.081235 -5.479478 0.0000
C -0.305596 78.67842 -0.003884 0.9969


RR RA

-3.48 -2.88 -2.57 1.46

35 Econometra II
,
||
significativa.
Dada la no significancia del intercepto, aplicaremos el test para la variable PBI_SA sin
Sin intercepto ni tendencia PBI_SA:
Exogenous: None

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic 6.960734

1.0000
5% level -1.943385
10% level -1.615037

Date: 11/28/12 Time: 17:35


PBI_SA(-1) 0.007821 0.001124 6.960734 0.0000
D(PBI_SA(-1)) -0.445107 0.080786 -5.509692 0.0000


36 Econometra II

RR RA

-2.58 -1.94 -1.61 6.96
Debido a que el Test de Dickey y Fuller no toma en cuenta la existencia de algn quiebre
en la variable ste, tiende a aceptar la hiptesis nula de existencia de raz unitaria aunque
la serie sea estacionara pero con quiebre. Para descartar esta posibilidad aplicaremos el
Test de Zivot y Andrews.
PRUEBA DE ZIVOT Y ANDREW PARA PBI_SA

Resultados de la
prueba F
Serie analizada pbi_sa

Mejor Modelo 1

Dado que ninguno de los modelos sobrepasa la banda critica podemos decir que
aceptamos la hiptesis nula de existencia de raz unitaria, rechazando la hiptesis
alternativa de estacionariedad pero con quiebre en la serie.
-5
-4
-3
-2
-1
0
20 30 40 50 60 70 80 90 100 110 120
_ZIVOTA _VCRITA
-4.5
-4.0
-3.5
-3.0
-2.5
-2.0
-1.5
-1.0
-0.5
0.0
20 30 40 50 60 70 80 90 100 110 120
_ZIVOTB _VCRITB
-6
-5
-4
-3
-2
-1
0
20 30 40 50 60 70 80 90 100 110 120
_ZIVOTC _VCRITC

37 Econometra II
Dado que la serie PBI_SA no es estacionaria en niveles, aplicaremos la primera diferencia a
la serie quedndonos con D (PBI_SA) y aplicaremos el test de Dickey y Fuller a esta nueva
serie.
Con intercepto y tendencia para D( PBI_SA):

Null Hypothesis: D(PBI_SA) has a unit root

t-Statistic Prob.*

5% level -3.445877
10% level -3.147878

Dependent Variable: D(PBI_SA,2)
Date: 11/28/12 Time: 17:44


D(PBI_SA(-1)) -1.443494 0.080670 -17.89380 0.0000
C 66.62801 31.28002 2.130050 0.0352
@TREND(2002M01) 0.723439 0.422273 1.713201 0.0892


RR RA

-17.89 -4.03 -3.44 -3.14
ende PBI_SA es estacionaria.

38 Econometra II
,
||
es significativa.
Dada la no significancia de la tendencia, aplicaremos el test para la variable PBI_SA solo con
intercepto.
Solo con intercepto para D (PBI_SA):

Null Hypothesis: D(PBI_SA) has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.884477
10% level -2.579080

Dependent Variable: D(PBI_SA,2)
Date: 11/28/12 Time: 17:51


D(PBI_SA(-1)) -1.428927 0.080844 -17.67507 0.0000
C 112.1571 16.62622 6.745798 0.0000


39 Econometra II

RR RA

-17.67 -3.48 -2.88 -2.57
ende PBI_SA es estacionaria.
,
||
Por todo esto concluimos que la serie PBI_SA es integrada de orden uno y
presenta intercepto significativo.

40 Econometra II
3. Tasa de Inters (I):
Dado que no se puede medir la verdadera tasa de inters que
representa el costo de mantener saldos monetarios, utilizaremos
como proxy a sta La tasa de inters Pasiva en Moneda nacional
(TIPMN) la cual se define como la tasa de inters promedio de
mercado del saldo de depsitos recibidos por las empresas bancarias
en moneda nacional. La TIPMN se calcula diariamente considerando el
promedio ponderado aritmtico de las tasas de las operaciones
pasivas de todas las empresas bancarias y financieras en moneda
nacional. Se consideran los depsitos en cuenta corriente, depsitos
de ahorro, certificados de depsitos, certificados bancarios, cuentas a
plazo, depsitos CTS y depsitos en garanta. Para la muestra
analizada sta se obtuvo de las bases de datos de la SBS haciendo un
promedio Aritmtico de las TIPMN diarias para cada mes.
I
Se puede apreciar que a lo largo del periodo la TIP muestra un patrn no
estacionario en media ni en varianza, adems podemos ver que casi no
presenta tendencia en este periodo.

1.2
1.6
2.0
2.4
2.8
3.2
3.6
4.0
4.4
4.8
02 03 04 05 06 07 08 09 10 11 12
I

41 Econometra II

HISTOGRAMA DE LA TASA DE INTERES

Con el fin de buscar indicios de estacionalidad, analizaremos el correlograma de la
primera diferencia del logaritmo de la tasa de inters.

0
4
8
12
16
20
1.5 2.0 2.5 3.0 3.5 4.0 4.5
Series: I
Sample 2002M01 2012M08
Observations 128
Mean 2.808237
Median 2.728118
Maximum 4.545854
Minimum 1.297667
Std. Dev. 0.679336
Skewness -0.254567
Kurtosis 2.626134

42 Econometra II
Como podemos observar, si bien presenta autocorrelaciones significativas al comienzo, no siguen
un patrn de repeticin determinado (no se repiten cada cierto nmero de rezagos) por lo que
podemos decir que muy probablemente la serie no presente un comportamiento estacional. Con
el fin de confirmar esta sospecha analizaremos la Grafica Estacional (seasonal graph).
DLNI By Season

Como nos muestra el grafico la media de la diferencia del logaritmo de I no vara mucho en casi
todos los meses. Con todo esto podemos afirmar que la tasa de inters no presenta un
comportamiento estacional por lo que podemos aplicar las respectivas pruebas de raz unitaria
para observar la presencia de estacionariedad sin transformar la variable.
-.16
-.12
-.08
-.04
.00
.04
.08
.12
Means by Season
D1LNI by Season

43 Econometra II
Como podemos observar en el grfico del correlograma de I la primera correlacin parcial es muy
significativa, adems sus autocorrelaciones son muy significativas, si bien decaen rpidamente
hasta cero en los siguientes rezagos no se mantienen en cero sino que aumentan rpidamente y se
tornan significativos. Esto nos da un claro indicio de que la variable puede tener raz unitaria y no
ser estacionaria. Para confirmar esta sospecha aplicaremos el test de Dickey y Fuller.
Con intercepto y tendencia para I:

Null Hypothesis: I has a unit root

t-Statistic Prob.*

5% level -3.446464
10% level -3.148223

Dependent Variable: D(I)
Date: 11/28/12 Time: 19:08


I(-1) -0.040226 0.013369 -3.009015 0.0032
D(I(-1)) 0.653399 0.087898 7.433585 0.0000
D(I(-2)) -0.100431 0.105846 -0.948844 0.3446
D(I(-3)) 0.201361 0.084095 2.394451 0.0182
C 0.137948 0.047338 2.914100 0.0043
@TREND(2002M01) -0.000393 0.000242 -1.627392 0.1063

R-squared 0.513519 Mean dependentvar -0.008062
S.E. of regression 0.085549 Akaikeinfocriterion -2.032288
Sum squaredresid 0.863590 Schwarzcriterion -1.895822
Log likelihood 132.0018 Hannan-Quinncriter. -1.976852

44 Econometra II

RR RA

-4.03 -3.45 -3.15 -3.01
Por lo tanto aceptamos la hiptesis nula implicando la existencia de raz unitaria y por ende I es no
estacionaria.
Para verificar si la serie presenta tendencia determinstica o no, compararemos el valor de T-
Statistic de la tendencia con su valor crtico.
,
||
Solo con intercepto para I:
Exogenous: Constant

t-Statistic Prob.*

5% level -2.884856
10% level -2.579282

Date: 11/28/12 Time: 19:10


I(-1) -0.030624 0.012079 -2.535349 0.0125
D(I(-1)) 0.658970 0.088438 7.451228 0.0000
D(I(-2)) -0.105198 0.106536 -0.987443 0.3254
D(I(-3)) 0.177528 0.083382 2.129105 0.0353
C 0.085072 0.034665 2.454141 0.0156


45 Econometra II

RR RA

-3.48 -2.88 -2.58 -2.54
estacionaria.
Para verificar si la serie presenta intercepto
,
||
significativa.
Dada la no significancia del intercepto, aplicaremos el test para la variable I sin tendencia ni
intercepto.
Sin intercepto ni tendencia I:

Exogenous: None

t-Statistic Prob.*

5% level -1.943385
10% level -1.615037

Date: 11/28/12 Time: 19:13


I(-1) -0.001930 0.002737 -0.704991 0.4821

46 Econometra II
D(I(-1)) 0.664519 0.059021 11.25910 0.0000


RR RA

-2.58 -1.94 -1.62 -0.70
estacionaria.
Debido a que el Test de Dickey y Fuller no toma en cuenta la existencia de algn quiebre en la
variable ste tiende a aceptar la hiptesis nula de existencia de raz unitaria aunque la serie sea
estacionara pero con quiebre. Para descartar esta posibilidad aplicaremos el Test de Zivot y
Andrews.
PRUEBA DE ZIVOT Y ANDREW PARA I
Resultados de la
prueba F
Serie analizada i

Mejor Modelo 1

-5
-4
-3
-2
-1
0
20 30 40 50 60 70 80 90 100 110 120
_ZIVOTA _VCRITA
-5
-4
-3
-2
-1
0
20 30 40 50 60 70 80 90 100 110 120
_ZIVOTB _VCRITB
-6
-5
-4
-3
-2
-1
0
20 30 40 50 60 70 80 90 100 110 120
_ZIVOTC _VCRITC

47 Econometra II
Dado que ninguno de los modelos sobrepasa la banda critica podemos decir que aceptamos la
hiptesis nula de existencia de raz unitaria, rechazando la hiptesis alternativa de
estacionariedad pero con quiebre en la serie.
Dado que la serie I no es estacionaria en niveles, aplicaremos la primera diferencia a la serie
quedndonos con D(I) y aplicaremos el test de Dickey y Fuller a esta nueva serie.
Con intercepto y tendencia para D(I):

Null Hypothesis: D(I) has a unit root

t-Statistic Prob.*

5% level -3.445877
10% level -3.147878

Dependent Variable: D(I,2)
Date: 11/28/12 Time: 19:20
Sample (adjusted): 3 128


D(I(-1)) -0.372620 0.063812 -5.839298 0.0000
C -0.001636 0.017595 -0.092955 0.9261
@TREND(1) -1.02E-05 0.000236 -0.043173 0.9656


RR RA

-5.84 -4.03 -3.44 -3.14

48 Econometra II
Por lo tanto rechazamos la hiptesis nula implicando la inexistencia de raz unitaria y por ende D(I)
es estacionaria.
,
||
Solo con intercepto para D (I):
Exogenous: Constant

t-Statistic Prob.*

5% level -2.884477
10% level -2.579080

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

Date: 11/28/12 Time: 19:22


D(I(-1)) -0.373017 0.062893 -5.930973 0.0000
C -0.002299 0.008523 -0.269763 0.7878


49 Econometra II

RR RA

-5.93 -3.48 -2.89 -2.58
es estacionaria.
Para verificar si la serie presenta intercepto o no, compararemos el valor de T-Statistic de la
constante con su valor crtico.
,
||
significativa. Por lo que aplicaremos el test para la variable D(I) sin tendencia ni intercepto.
Sin intercepto ni tendencia para la D (I):
Exogenous: None

t-Statistic Prob.*

5% level -1.943385
10% level -1.615037

Date: 11/28/12 Time: 19:22


D(I(-1)) -0.370964 0.062199 -5.964146 0.0000


50 Econometra II

RR RA

-5.96 -2.58 -1.94 -1.62

es estacionaria.
Por todo esto concluimos que la serie I es integrada de orden uno y no presenta

4. Nivel de precios (IPC)
Dado que el costo de mantener dinero est dado por las expectativas de la
variacin de presin, utilizaremos las expectativas (adaptativas) de los precios
como una variable proxy del costo de mantener dinero, el cual fue medido a
partir del IPC para Lima. El IPC Mide la evolucin del costo de la canasta de
consumo. En el Per, al igual que en la mayor parte de pases, el ndice de
precios al consumidor (IPC) se calcula oficialmente utilizando la frmula de
Laspeyres, en la que se compara el valor de una canasta de bienes de
consumo tpica de las familias, a precios corrientes, con el IPC El seguimiento
de la inflacin se realiza a travs de la evolucin del ndice de precios al
consumidor de Lima Metropolitana. Suelen utilizarse indistintamente el IPC ya
que es un dato de fcil elaboracin y, si la inflacin es pequea, no suele
diferir mucho con el IPC utilizaremos la base de datos del INEI.
IPC
150
160
170
180
190
200
210
220
02 03 04 05 06 07 08 09 10 11 12
IPC

51 Econometra II
El grfico nos muestra la evolucin del IPC a lo largo del 2002 hasta Agosto
del 2012. Podemos observar que muestra un patrn no estacionario en
media ni en varianza, pero con un posible comportamiento estacionario
con tendencia significativa.
HISTOGRAMA DE IPC

diferencia del logaritmo del IPC.
0
2
4
6
8
10
12
14
16
160 170 180 190 200 210
Series: IPC
Sample 2002M01 2012M08
Observations 128
Mean 180.6371
Median 175.5729
Maximum 210.7346
Minimum 156.2854
Std. Dev. 15.74905
Skewness 0.241220
Kurtosis 1.807029

52 Econometra II

Como podemos observar, si bien presenta las autocorrelaciones significativas al comienzo, no
siguen un patrn de repeticin determinada (no se repiten cada cierto nmero de rezagos) por lo
que podemos decir que la serie no presente un comportamiento estacional.
Comenzamos aplicando las respectivas pruebas de raz unitaria para observar la presencia de
estacionariedad de la variable analizada.

53 Econometra II

Como podemos observar en el grfico del correlograma del IPC la primera correlacin parcial es
muy significativa, adems sus autocorrelaciones son muy significativas y decaen muy lentamente.
Esto nos da un claro indicio de que la variable puede tener raz unitaria y no ser estacionaria. Para
confirmar esta sospecha aplicaremos el test de Dickey y Fuller.

54 Econometra II
Con intercepto y tendencia para I:

Null Hypothesis: IPC has a unit root

t-Statistic Prob.*

5% level -3.445877
10% level -3.147878

Dependent Variable: D(IPC)
Date: 11/28/12 Time: 21:20


IPC(-1) -0.034172 0.020432 -1.672475 0.0970
D(IPC(-1)) 0.357846 0.085081 4.205917 0.0000
C 5.441264 3.135246 1.735514 0.0852
@TREND(2002M01) 0.015667 0.008647 1.811930 0.0725

Sum squaredresid 33.51478 Schwarzcriterion 1.667114

RR RA

-4.03 -3.45 -3.15 -1.67
Por lo tanto aceptamos la hiptesis nula implicando la existencia de raz unitaria y por ende el IPC
es no estacionario.

55 Econometra II

,
||
es significativa.
Solo con intercepto para IPC:
Exogenous: Constant

t-Statistic Prob.*

5% level -2.884477
10% level -2.579080

Date: 11/28/12 Time: 21:21


IPC(-1) 0.002432 0.003087 0.787702 0.4324
D(IPC(-1)) 0.341039 0.085356 3.995501 0.0001
C -0.151384 0.555406 -0.272564 0.7856


56 Econometra II

RR RA

-3.48 -2.88 -2.58 0.79
Por lo tanto aceptamos la hiptesis nula implicando la existencia de raz unitaria y por ende IPC es
no estacionaria.
,
||
significativa.
Sin intercepto ni tendencia para la IPC:
Exogenous: None

t-Statistic Prob.*

5% level -1.943385
10% level -1.615037

Date: 11/28/12 Time: 21:22


IPC(-1) 0.001595 0.000328 4.870859 0.0000
D(IPC(-1)) 0.342964 0.084745 4.047022 0.0001


57 Econometra II

RR RA

-2.58 -1.94 -1.62 4.87
Por lo tanto aceptamos la hiptesis nula implicando la existencia de raz unitaria y por ende M_SA
es no estacionaria.
Debido a que el Test de Dickey y Fuller no toma en cuenta la existencia de algn quiebre en la
variable ste, tiende a aceptar la hiptesis nula de existencia de raz unitaria aunque la serie sea
estacionara pero con quiebre. Para descartar esta posibilidad aplicaremos el Test de Zivot y
Andrews.
PRUEBA DE ZIVOT Y ANDREW PARA IPC

Resultados de la
prueba F
Serie analizada Ipc

Mejor Modelo 2

Dado que ninguno de los modelos sobrepasa la banda critica podemos decir que aceptamos la
hiptesis nula de existencia de raz unitaria, rechazando la hiptesis alternativa de
estacionariedad pero con quiebre en la serie.
Dado que la serie IPC no es estacionaria en niveles, aplicaremos la primera diferencia a la serie
quedndonos con D (IPC) y aplicaremos el test de Dickey y Fuller a esta nueva serie.
-5
-4
-3
-2
-1
0
20 30 40 50 60 70 80 90 100 110 120
_ZIVOTA _VCRITA
-4.5
-4.0
-3.5
-3.0
-2.5
-2.0
-1.5
-1.0
-0.5
0.0
20 30 40 50 60 70 80 90 100 110 120
_ZIVOTB _VCRITB
-6
-5
-4
-3
-2
-1
0
20 30 40 50 60 70 80 90 100 110 120
_ZIVOTC _VCRITC

58 Econometra II
Con intercepto y tendencia para D (I):
Null Hypothesis: D(IPC) has a unit root

t-Statistic Prob.*

5% level -3.445877
10% level -3.147878

Dependent Variable: D(IPC,2)
Date: 11/28/12 Time: 21:27


D(IPC(-1)) -0.660611 0.084977 -7.774012 0.0000
C 0.200219 0.098981 2.022805 0.0453
@TREND(1) 0.001369 0.001304 1.049671 0.2959


RR RA

-7.77 -4.03 -3.44 -3.14
Por lo tanto rechazamos la hiptesis nula implicando la inexistencia de raz unitaria y por ende D
(IPC) es estacionaria.
,
||

59 Econometra II
es significativa.
Dada la no significancia de la tendencia, aplicaremos el test para la variable D (IPC) solo con
intercepto.
Null Hypothesis: D(IPC) has a unit root
Exogenous: Constant

t-Statistic Prob.*

5% level -2.884477
10% level -2.579080

Dependent Variable: D(IPC,2)
Date: 11/28/12 Time: 21:28


D(IPC(-1)) -0.649063 0.084296 -7.699785 0.0000
C 0.283624 0.059047 4.803392 0.0000


RR RA

-7.70 -3.48 -2.89 -2.58
Por lo tanto rechazamos la hiptesis nula implicando la inexistencia de raz unitaria y por ende
D (IPC) es estacionaria.

60 Econometra II
,

||

Por todo esto concluimos que la serie IPC es integrada de orden uno y presenta
intercepto significativo.

6. RESULTADOS
6.1. Anlisis de Cointegracin
Como el anlisis anterior nos demostr que todas nuestras variables son integradas de
orden uno, el camino a seguir sera formular un modelo VAR restricto el cual es
tambin denominado VEC.
La prueba de Johansen nos permitir afirmar si todas nuestras ecuaciones cointegran
ya sea en una o ms ecuaciones.
PRUEBA DE JOHANSEN
Date: 11/29/12 Time: 15:11
Trend assumption: Linear deterministic trend
Series: M_SA PBI_SA IPC I
Lags interval (in first differences): 1 to 2

Unrestricted Cointegration Rank Test (Trace)

Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic CriticalValue Prob.**

None * 0.331857 72.49787 47.85613 0.0001
At most 1 0.107456 22.09127 29.79707 0.2935
At most 2 0.059698 7.881372 15.49471 0.4782
At most 3 0.001496 0.187150 3.841466 0.6653

Trace test indicates 1 cointegratingeqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level

Unrestricted Cointegration Rank Test (Maximum Eigenvalue)

Hypothesized Max-Eigen 0.05

61 Econometra II
No. of CE(s) Eigenvalue Statistic CriticalValue Prob.**

None * 0.331857 50.40661 27.58434 0.0000
At most 1 0.107456 14.20990 21.13162 0.3481
At most 2 0.059698 7.694222 14.26460 0.4106
At most 3 0.001496 0.187150 3.841466 0.6653

Max-eigenvalue test indicates 1 cointegratingeqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I):

M_SA PBI_SA IPC I
7.32E-05 -0.002143 0.281097 1.115848
3.12E-05 0.001146 -0.300231 -1.010100
0.000135 0.000988 -0.281387 1.291196
-0.000483 0.002338 -0.018552 -0.280296

UnrestrictedAdjustmentCoefficients (alpha):

D(M_SA) -268.2059 -49.43767 -43.74372 -2.915204
D(PBI_SA) -18.44797 17.21727 -4.261973 -5.601735
D(IPC) -0.113845 0.033883 0.111435 0.002115
D(I) -0.007847 0.023641 -0.004316 0.001274

1 CointegratingEquation(s): Log likelihood -1699.224

Normalized cointegrating coefficients (standard error in parentheses)
M_SA PBI_SA IPC I
1.000000 -29.28047 3841.318 15248.57
(4.95518) (899.444) (3387.39)

Adjustment coefficients (standard error in parentheses)
D(M_SA) -0.019627
(0.00309)
D(PBI_SA) -0.001350
(0.00107)
D(IPC) -8.33E-06
(3.4E-06)
D(I) -5.74E-07
(5.6E-07)

Tanto por la Prueba Trace y Maximune igenvaue existe slo un vector de cointegracin al
rechazar la hiptesis nula de la no existencia de vectores de cointegracin con un probabilidad
de 0.0001 y 0.000 respectivamente, y no poder rechaza la hiptesis nula de la existencia de un
slo vector de cointegracin con un probabilidad de 0.29 y 0.34 respectivamente.

La ecuacin de cointegracin:

62 Econometra II
MODELOS VEC

Realizamos el anlisis para dos modelos VEC con 2 y 3 rezagos.

VEC 02

Vector Error CorrectionEstimates
Date: 11/28/12 Time: 13:42
Standard errors in ( ) & t-statistics in [ ]

CointegratingEq: CointEq1

M_SA(-1) 1.000000

PBI_SA(-1) -29.28047
(4.95518)
[-5.90906]

IPC(-1) 3841.318
(899.444)
[ 4.27077]

I(-1) 15248.57
(3387.39)
[ 4.50157]

C -334988.9

Error Correction: D(M_SA) D(PBI_SA) D(IPC) D(I)

CointEq1 -0.019627 -0.001350 -8.33E-06 -5.74E-07
(0.00309) (0.00107) (3.4E-06) (5.6E-07)
[-6.34767] [-1.25820] [-2.45263] [-1.02631]

D(M_SA(-1)) -0.405191 0.062338 -0.000119 -5.85E-06
(0.09226) (0.03202) (0.00010) (1.7E-05)
[-4.39162] [ 1.94704] [-1.17539] [-0.35043]

D(M_SA(-2)) -0.221008 0.056673 -7.49E-05 1.80E-06
(0.09550) (0.03314) (0.00010) (1.7E-05)
[-2.31411] [ 1.71004] [-0.71412] [ 0.10438]

D(PBI_SA(-1)) -0.177419 -0.647848 -1.96E-05 4.56E-05
(0.27926) (0.09691) (0.00031) (5.1E-05)
[-0.63531] [-6.68522] [-0.06385] [ 0.90241]

D(PBI_SA(-2)) 0.115218 -0.284350 0.000126 0.000101
(0.26766) (0.09288) (0.00029) (4.8E-05)
[ 0.43046] [-3.06141] [ 0.42819] [ 2.09508]

D(IPC(-1)) 86.58585 19.48694 0.327534 0.011114
(82.7950) (28.7308) (0.09096) (0.01498)
[ 1.04579] [ 0.67826] [ 3.60100] [ 0.74184]

D(IPC(-2)) -31.51020 -25.45865 -0.044214 0.028779
(83.9175) (29.1203) (0.09219) (0.01518)
[-0.37549] [-0.87426] [-0.47960] [ 1.89528]

63 Econometra II
D(I(-1)) -1601.087 -80.43617 0.752785 0.615126
(498.742) (173.069) (0.54791) (0.09024)
[-3.21025] [-0.46476] [ 1.37393] [ 6.81623]

D(I(-2)) 702.4948 -117.8813 -0.725672 0.001194
(461.021) (159.980) (0.50647) (0.08342)
[ 1.52378] [-0.73685] [-1.43281] [ 0.01431]

C 592.7635 107.5841 0.369403 -0.029153
(89.8177) (31.1678) (0.09867) (0.01625)
[ 6.59963] [ 3.45177] [ 3.74376] [-1.79382]

R-squared 0.345141 0.319251 0.211019 0.539929
Adj. R-squared 0.293891 0.265974 0.149272 0.503924
Sum sq. resids 25663480 3090319. 30.97237 0.840239
S.E. equation 472.3989 163.9278 0.518965 0.085478
F-statistic 6.734486 5.992384 3.417508 14.99573
Log likelihood -941.8839 -809.5843 -90.16618 135.2816
Akaike AIC 15.23014 13.11335 1.602659 -2.004506
Schwarz SC 15.45641 13.33961 1.828924 -1.778241
Mean dependent 384.8595 79.18514 0.428862 -0.009878
S.D. dependent 562.1770 191.3362 0.562656 0.121361

Determinant resid covariance (dof adj.) 10528637
Determinantresidcovariance 7542641.
Log likelihood -1699.224
Akaikeinformationcriterion 27.89159
Schwarzcriterion 28.88716

VEC 03:

Vector Error CorrectionEstimates
Date: 11/28/12 Time: 16:44
Standard errors in ( ) & t-statistics in [ ]

CointegratingEq: CointEq1

M_SA(-1) 1.000000

PBI_SA(-1) -29.97656
(5.36480)
[-5.58763]

IPC(-1) 3966.171
(956.614)
[ 4.14605]

I(-1) 17412.28
(3569.15)
[ 4.87855]

C -353199.5

Error Correction: D(M_SA) D(PBI_SA) D(IPC) D(I)

64 Econometra II
CointEq1 -0.020506 -0.001429 -7.84E-06 -8.92E-07
(0.00363) (0.00127) (4.0E-06) (6.5E-07)
[-5.64834] [-1.12619] [-1.96863] [-1.38061]

D(M_SA(-1)) -0.442589 0.062556 -9.69E-05 -1.60E-05
(0.09744) (0.03406) (0.00011) (1.7E-05)
[-4.54208] [ 1.83643] [-0.90699] [-0.92174]

D(M_SA(-2)) -0.285864 0.056127 -4.00E-05 -3.72E-06
(0.10646) (0.03722) (0.00012) (1.9E-05)
[-2.68524] [ 1.50817] [-0.34262] [-0.19625]

D(M_SA(-3)) -0.138717 -0.001553 4.72E-05 -1.49E-05
(0.10722) (0.03748) (0.00012) (1.9E-05)
[-1.29378] [-0.04144] [ 0.40109] [-0.77988]

D(PBI_SA(-1)) -0.102565 -0.650722 -8.22E-05 5.36E-05
(0.29978) (0.10480) (0.00033) (5.3E-05)
[-0.34213] [-6.20932] [-0.25004] [ 1.00523]

D(PBI_SA(-2)) 0.288364 -0.286666 -5.06E-05 0.000114
(0.33423) (0.11684) (0.00037) (5.9E-05)
[ 0.86278] [-2.45352] [-0.13812] [ 1.92136]

D(PBI_SA(-3)) 0.254799 -0.011975 -0.000336 1.04E-05
(0.28835) (0.10080) (0.00032) (5.1E-05)
[ 0.88365] [-0.11880] [-1.06144] [ 0.20225]

D(IPC(-1)) 96.70642 16.17609 0.322206 0.014224
(85.3971) (29.8531) (0.09367) (0.01519)
[ 1.13243] [ 0.54186] [ 3.43995] [ 0.93635]

D(IPC(-2)) -44.42802 -24.41704 -0.039285 0.031924
(89.9065) (31.4295) (0.09861) (0.01599)
[-0.49416] [-0.77688] [-0.39838] [ 1.99620]

D(IPC(-3)) 41.60751 0.270051 -0.011985 -0.009318
(86.8574) (30.3636) (0.09527) (0.01545)
[ 0.47903] [ 0.00889] [-0.12581] [-0.60312]

D(I(-1)) -1708.691 -77.44728 0.876186 0.617927
(523.532) (183.016) (0.57422) (0.09313)
[-3.26378] [-0.42317] [ 1.52586] [ 6.63539]

D(I(-2)) 707.9909 -69.92712 -0.757589 -0.134261
(606.669) (212.079) (0.66541) (0.10791)
[ 1.16701] [-0.32972] [-1.13853] [-1.24415]

D(I(-3)) 25.52787 -17.41060 0.195714 0.187721
(476.120) (166.442) (0.52222) (0.08469)
[ 0.05362] [-0.10460] [ 0.37477] [ 2.21651]

C 633.2470 110.0868 0.380924 -0.017300
(117.072) (40.9261) (0.12841) (0.02082)
[ 5.40903] [ 2.68989] [ 2.96651] [-0.83073]

R-squared 0.357820 0.316109 0.221064 0.552932

65 Econometra II
Adj. R-squared 0.281926 0.235286 0.129008 0.500096
Sum sq. resids 25081907 3065157. 30.17426 0.793626
S.E. equation 477.5116 166.9283 0.523748 0.084940
F-statistic 4.714736 3.911105 2.401404 10.46519
Log likelihood -933.4257 -803.0987 -88.32426 137.2399
Akaike AIC 15.28106 13.17901 1.650391 -1.987741
Schwarz SC 15.59948 13.49743 1.968810 -1.669322
Mean dependent 387.7764 77.25668 0.423079 -0.008062
S.D. dependent 563.5071 190.8888 0.561196 0.120135

Determinant resid covariance (dof adj.) 11171771
Determinantresidcovariance 6918406.
Log likelihood -1680.275
Akaikeinformationcriterion 28.06895
Schwarzcriterion 29.43360

Todos los criterios nos indican que el mejor modelo estimado es el VEC (2) en contra del modelo
VEC (3), esto debido a la presencia del estadstico de Akaike y Schwarz menores y a un coeficiente
de determinacin ajustado mayor en el caso del modelo VEC (2).
Con respecto a los coeficientes de ajuste, el ajuste para las respectivas variables se dara a un
ritmo muy lento, exclusivamente para el M_SA la correccin se dara en un 1.96% del valor
desviado.
Con la opcin view/cointegrationgraphpodemos observar la relacin de cointegracin de la
demanda de dinero y sus componentes en el largo plazo, en este caso del periodo de anlisis.
GRAFICA DE LA COINTEGRACIN

-50,000
-40,000
-30,000
-20,000
-10,000
0
10,000
20,000
30,000
40,000
02 03 04 05 06 07 08 09 10 11 12
Cointegrating relation 1
Grfico de cointegracin

66 Econometra II
FUNCION IMPULSO RESPUESTA
Para nuestro respectivo anlisis, slo analizamos los impactos de la tasa de inters, el
ingreso y el IPC en la demanda de dinero, debido a que nuestros fundamentos econmicos
nos indican una presencia de causalidad de la demanda de dinero a estas variables.

Ante impulsos de PBI_SA la M_SA presenta un comportamiento explosivo debido a que
sus respuestas presentan notables incrementos que se mantiene incluso hasta el dcimo
periodo.
Para las respuestas ante el IPC, el comportamiento es inverso y este se mantiene en el
tiempo, incrementndose el efecto inclusive hasta el dcimo periodo.
Para la i sus efectos son similares a las otras tres variables analizadas.
Es as que podemos reafirmar lo que la teora econmica nos indica, debido a que ante
impulsos positivos del PBI_SA, IPC y i la M_SA muestra patrones de comportamiento
positivos y para las tres restantes un comportamiento negativo.
RESPONSE OF M_SA TO PBI_SA

Ante impulsos del PBI_SA la variable M_SA responde positivamente, corroborando la
teora econmica que fundamenta que ante aumentos del ingreso de las familias, al tener
-600
-400
-200
0
200
400
600
1 2 3 4 5 6 7 8 9 10
Response of M_SA to PBI_SA
-600
-400
-200
0
200
400
600
1 2 3 4 5 6 7 8 9 10
Response of M_SA to IPC
-600
-400
-200
0
200
400
600
1 2 3 4 5 6 7 8 9 10
Response of M_SA to I
Response to Cholesky One S.D. Innovations

Period PBI_SA IPC I

1 0.000000 0.000000 0.000000
2 62.11127 -1.775940 -160.1564
3 90.73487 -62.71329 -158.0432
4 65.78400 -129.4718 -204.3185
5 117.1523 -171.9004 -267.6428
6 124.2298 -212.6513 -303.4355
7 130.7280 -258.7853 -343.0263
8 153.6222 -297.4683 -383.4926
9 162.8980 -333.2450 -416.6426
10 173.7497 -368.3126 -449.5716

67 Econometra II
exceso de liquidez estos pueden efectuar mayores transacciones, diseminando el ingreso
entre la poblacin en el mercado.
RESPONSE OF M_SA TO IPC

Ante efectos positivos del IPC la M_SA disminuye debido a que los aumentos en los precios
desincentivan a las personas a demandar un moneda de bajo poder adquisitivo.
RESPONSE OF M_SA TO I

Aumentos del costo de oportunidad del dinero o tasa de inters infligen en la demanda de
este debido a que se vuelve ms atractivo ahorrar dinero en entidades financieras que
ofrecen un retorno en el tiempo que tener dinero por la necesidad de transaccin o
precaucin, las cuales no generan retornos en el tiempo.

DESCOMPOSICIN DE LA VARIANZA

-600
-400
-200
0
200
400
600
1 2 3 4 5 6 7 8 9 10
-600
-400
-200
0
200
400
600
1 2 3 4 5 6 7 8 9 10
-600
-400
-200
0
200
400
600
1 2 3 4 5 6 7 8 9 10
-600
-400
-200
0
200
400
600
1 2 3 4 5 6 7 8 9 10
-600
-400
-200
0
200
400
600
1 2 3 4 5 6 7 8 9 10
-600
-400
-200
0
200
400
600
1 2 3 4 5 6 7 8 9 10

68 Econometra II

Period S.E. M_SA PBI_SA IPC I

1 472.3989 100.0000 0.000000 0.000000 0.000000
2 591.3270 91.56026 1.103279 0.000902 7.335564
3 697.7221 86.30808 2.483613 0.808542 10.39977
4 839.4805 81.62537 2.329718 2.937174 13.10774
5 992.3737 75.18311 3.060788 5.102411 16.65369
6 1147.606 69.84624 3.460583 7.249008 19.44416
7 1313.522 65.29080 3.632078 9.414915 21.66221
8 1485.798 61.13397 3.907663 11.36651 23.59186
9 1661.526 57.64850 4.086011 13.11200 25.15348
10 1841.363 54.66483 4.217231 14.67677 26.44117

Al analizar los efectos de las respectivas variables en las desviaciones estndar de la
variable M_SA (demanda de dinero), podemos apreciar que la cambios de la misma
variable explican la completitud de los cambios en M_SA hasta el periodo 10, que es
cuando esta slo explica el 54% de las desviaciones y el resto se reparte en las dems
variables explicativas PBI_SA, IPC y I en 4.21%, 14.67% y 26.44% respectivamente.

PERCENT M_SA VARIANCE DUE TO PBI_SA

El anlisis grfico de los cambios en la desviacin estndar de la variable M_SA ante el
PBI_SA no presenta una magnitud significativa, debido que su impacto en el cambio de la
desviacin en el dcimo periodo alcanza el 4.21%.
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
Percent M_SA variance due to M_SA
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
Percent M_SA variance due to PBI_SA
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
Percent M_SA variance due to IPC
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
Percent M_SA variance due to I
Variance Decomposition

69 Econometra II
PERCENT M_SA VARIANCE DUE TO IPC

En el caso del IPC, este explica el 14.67% de los cambios en la desviacin estndar
de M_SA en el dcimo periodo.
PERCENT M_SA VARIANCE DUE TO I
Para la I, este determina el 26.44% de los cambios en el M_SA en el tiempo hasta el
dcimo periodo.
6.2. Pronostico del modelo
Para realizar el siguiente pronstico en el comportamiento futuro de las variables
estudiadas se ampli el periodo hasta agosto del 2013.

PRONSTICO DE LA DEMANDA DE DINERO
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10

70 Econometra II

Podemos observar que los respectivos pronsticos para la demanda de dinero
presentan resultados coherentes con respecto a sus resultados observados en
periodos anteriores.
PRONSTICO DEL PBI

Como se aprecia que los respectivos pronsticos para PBI_SA presentan resultados
coherentes con respecto a sus resultados observados en periodos anteriores.

PRONSTICO DEL IPC
0
10,000
20,000
30,000
40,000
50,000
60,000
02 03 04 05 06 07 08 09 10 11 12 13
M_SA M_SA (Baseline)
Pronstico Demanda de Dinero
10,000
12,000
14,000
16,000
18,000
20,000
22,000
02 03 04 05 06 07 08 09 10 11 12 13
PBI_SA PBI_SA (Baseline)
Pronostico PBI_SA

71 Econometra II

Podemos observar que los respectivos pronsticos para IPC se desvan un poco de
los valores reales, ya que se tiende a sobreestimarlos.
PRONSTICO DE LA TASA DE INTERS

Vemos que la tasa de inters ha sido bastante fluctuante a lo largo del periodo, lo
cual hace que los pronsticos no sean tan acertados, aunque podemos decir que
son aceptables.

7. CONCLUSIONES
150
160
170
180
190
200
210
220
02 03 04 05 06 07 08 09 10 11 12 13
IPC IPC (Baseline)
Pronstico IPC
1.2
1.6
2.0
2.4
2.8
3.2
3.6
4.0
4.4
4.8
02 03 04 05 06 07 08 09 10 11 12 13
I (Baseline) I
Pronstico Tasa de Inters

72 Econometra II
La demanda de dinero cumple con la teora econmica, apreciamos que el caso del Per los
shocks de la demanda agregada hacen que se demande ms dinero( motivo de transaccin),
adems vemos que la variabilidad de la demanda de dinero est influenciada principalmente por
la tasa de inters (motivo de especulacin), nuestro modelo predice adems que el PBI va a tener
un crecimiento en los prximos periodos, destacamos tambin que la tasa de inters ha tenido un
menor crecimiento de lo que nuestro modelo predice, esto puede ser debido a la poltica del BCR
en la consiste disminuir la tasa de inters para aumentar la inversin y as poder afrontar la crisis
internacional. Vemos que en el largo plazo la relacin entre el IPC (nivel de precios) es negativa
con respecto a la demanda de dinero, ya que segn la teora econmica los individuos, ante una
inflacin, demandaran una menor cantidad de dinero debido a la rentabilidad real del dinero.
Nuestro modelo nos muestra que una poltica contra cclica de la tasa de inters retraera la
demanda de dinero con lo cual el individuo optimizador cambiaria su comportamiento, esto se
muestra debido a que nuestro modelo es un VEC 2, es decir, que los shocks ocurridos en nuestras
variables exgenas se corregirn al termino de dos periodos despus del shock ocurrido, para as
llevar a al nivel correspondiente en el largo plazo.

8. BIBLIOGRAFA

73 Econometra II

- DEMANDA DE DINERO DE COLOMBIA -pdf

- APLICACIN EMPRICA DE LOS DETERMINANTES DEL CONSUMO PRIVADO EN EL PER
1950-2009-pagina web:
file:///C:/Documents%20and%20Settings/Chacal/Escritorio/TRABAJOFINALX-
CONSUMO.htm

- TEMA III: LA DEMANDA DE DINERO-Universidad de Jan Giennensis-Pdf

- MODELO DE DEMANDA DE DINERO DE CHILE -pdf

- UN ANLISIS EMPRICO DE LA DEMANDA DE DINERO; EN EL CASO DE MEXICO 1980-1993-
pdf

Econo Me Triai I

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Econo Me Triai I

Uploaded by

Copyright:

Available Formats

DEMANDA DE DINERO DEL PER: UN

), la cual depende positivamente del retorno esperado y, si el

es un trmino de error para el que se asume

You might also like