Aplicacin de la Teora Keynesiana de la Demanda de Dinero Caso: Argentina

Oscar Hernn Cerquera Losada1

Enviado a revista Gestin Internacional de la Corhuila y Revista isocuanta Resumen:

Este informe estima los medios de pago a disposicin del pblico en millones de pesos a valores de diciembre de 1993 (M2K) para la Argentina para el periodo enero de 1993 hasta julio 2001, utilizando como variables explicativas las tradicionales de la demanda de saldos reales Keynesiana adoptando un modelo de la econometra tradicional. Las especificaciones empricas aqu consideradas para la estimacin de M2K arrojan resultados consistentes con la teora econmica, adems de que fue posible obtener relaciones estables entre la variable explicada y los diferentes componentes de la demanda de dinero siendo un nmero limitado de variables explicativas las que determinan dicha relacin. Destaca el resultado de la elasticidad unitaria frente a la estimacin de la actividad econmica rezaga un periodo y la tasa de inters real.

Palabras Clave: Demanda, dinero, saldos reales, tasa de inters, PIB.

Abstract:
This report estimates the means of payment available to the public in values million pesos December 1993 (M2K) for Argentina for the period January 1993 to July 2001, using as explanatory variables the traditional Keynesian demand for real balances adopting a traditional econometric model. The empirical specifications considered here M2K for estimating yield results consistent with economic theory, and it was possible to obtain stable relationships between the dependent variable and the different components of the demand for money being a limited number of explanatory variables that determine such relationship. Stresses the result of unitary elasticity compared to the estimate of economic activity lags one period and the real interest rate.

Key Words: demand, money, real balances, interest rate, GDP.

Economista de la Universidad Surcolombiana, magiter en economa por la Universidad de Buenos Aires, Joven Investigador de Colciencias, docente e investigador Universidad Surcolombiana. Miembro del Grupo de Investigacin Iguaque. E-mail: os-celo@hotmail.com

Acercamiento a la Teora Keynesiana de la Demanda de Dinero La teora keynesiana de la demanda de dinero, considera tres motivos por los cuales se pueden generar una mayor o menor demanda de dinero: el motivo transacciones, el motivo precautelativo y el motivo especulativo. De acuerdo a este ltimo, la demanda de dinero, no solo depende del ingreso, sino tambin de la tasa de inters, ya que los agentes conocen el costo de oportunidad de la posesin de dinero. Keynes (1930, 1936) desarroll lo que se conoce como la teora de la preferencia por la liquidez. De acuerdo con esta teora, en adicin a la demanda motivada por la necesidad de realizar transacciones, tambin existe una demanda "especulativa" de dinero, lo cual llev a Keynes a concluir que las variaciones en la tasa de inters constituyen un determinante de los cambios en la cantidad de dinero demandada. Lo anterior puede expresarse de la forma:
M d f ( y, r )

M d M d 0 ; 0 y r
La mayora de las formulaciones empricas de la demanda de dinero en trminos reales, son de la forma:

M t 0 1Yt 2 Rt t

[1]

M t : Saldos reales;Yt : Ingreso;Rt : Tasa de inters.

En este informe se tendrn en cuenta las siguientes variables explicativas: M2k: Medios de pago a disposicin del pblico en millones de pesos a valores de Diciembre de 1993. EMAE: Estimador Mensual de la actividad econmica, indicador de volumen fsico, que se utilizar como proxy del PBI a precios constantes para poder trabajar con datos mensuales TASAPF: Tasa de inters pasivas de plazo fijo a 30 das en %, que se considerar indicativa de la tasa de inters en la economa. IPC: ndice de precios al consumidor

CASO ARGENTINO El comportamiento de las variables planteadas anteriormente en la Argentina para el periodo comprendido entre enero del 1993 y julio de 2001, se muestra en el grafico numero 1. Grafico N. 1: Comportamiento de las Variables

Fuente: Elaboracin propia.

Los medio de pago a disposicin de pblico (M2K), presentaron una tendencia creciente en el periodo de tiempo estudiado, con algn cierto quiebre estructural entre finales del 1994 y comienzos de 1995 debido al "shock" externo de diciembre de 1994, producido por la devaluacin en Mxico, donde se desatado un ataque especulativo que involucro al sistema financiero argentino; esto se constituyo en el fenmeno ms disruptivo que los episodios financieros internacionales de principios de ese ao, vindose reflejado en las dems variables macroeconmicas; la tasa de inters pasiva a largo plazo (TASAPF) en el periodo de la devaluacin en Mxico, paso de 1.21% en diciembre de 2004 a 2.35% en abril de 2005, casi se duplico en solo 4 meses, posteriormente baja estabiliza entre 1.8 y 2.2%, a partir del 1998 se presenta un comportamiento muy voltil en la tasa de inters aumentando considerablemente hacia finales del periodo producto de las crisis financieras de 1998 y 2001; el IPC por su parte, presenta un rpido crecimiento desde el inicio del periodo de hasta el estallido de la crisis mexicana; a partir de all se 3

comporta relativamente estable con ndices por encima de la barrera de los 100, y a partir de 1998 presenta una leve tendencia a baja. El estimador mensual de la actividad econmica (AMAE) tambin se ve afectado en 1995, y desde all presenta una tendencia creciente hasta 1998 donde presenta un comportamiento relativamente estable.

EL MODELO El modelo se realizo teniendo en cuenta las siguientes especificaciones bsicas: Variable Dependiente o Explicada: (M2K) Medios de pago a disposicin del pblico en millones de pesos a valores de Diciembre de 1993. Variables Independientes o Explicativas: EMAE: Estimador Mensual de la actividad econmica, indicador de volumen fsico, que se utilizar como proxy del PBI a precios constantes para poder trabajar con datos mensuales TASAPF: Tasa de inters pasivas de plazo fijo a 30 das en %, que se considerar indicativa de la tasa de inters en la economa. IPC: ndice de precios al consumidor Para el desarrollo del modelo se plantean las siguientes variables adicionales: INFLA: Tasa de Inflacin hallada a partir de la serie IPC. DUMMY01: Variable que afecta el mes de enero de todos los aos estudiados, utilizada para corregir problemas de normalidad de los residuos. DUMMY12: Variable que afecta el mes de diciembre de todos los aos estudiados, utilizada para corregir problemas de normalidad de los residuos. Periodo de la muestra: enero 1993 a julio 2001 Muestra de 102 observaciones debido a la utilizacin de variables rezagadas un periodo. Una vez formuladas las variables del modelo, y siguiendo con la Teora de la Demanda de Saldos Reales Keynesiana, el primer modelo que se plantea (ver anexo 1), las variables resultan ser significativas, pero este modelo presenta problemas de auto correlacin por que el estadstico Durbin-Watson (0.56) es muy pequeo, y de heteroscedasticidad porque las perturbaciones de i no presentan la misma varianza. Para solucionar esto problemas, rezagado el modelo un periodo introduciendo la variable dependiente un periodo rezagada, para corregir el problema de auto correlacin; la aplicacin de este rezago 4

vuelve no significativas a variables independientes como el IPC, por lo tanto aplico logaritmo a las variables del modelo para analizarlas como elasticidades, cambiamos el IPC por la Inflacin calculada con base en el IPC, y pasamos la tasa de inters nominal a real restndole la inflacin, el modelo resultante se muestra en el anexo 2; el modelo resultante presenta nuevamente problemas de normalidad de los errores, dado que la Kurtosis (4.9) y Skewness (1.27) son demasiados altas; esto se debe las series de datos presentaba cierta estacionalidad en los meses de diciembre y enero durante todo el periodo estudiado para resolver este problema se incluyeron dos variables dummys que corrigieran dichos problemas. Como la tasa real de inters considera la inflacin (sustrada de la tasa de inters pasiva de plazo fijo a 30 das), se nota necesario saber si la tasa de inflacin es una variable redundante. El test de coeficientes redundantes presenta un p-value mucho menor que 0,05, o sea, la hiptesis de que las ecuaciones con y sin la tasa de inflacin sean iguales es rechazada y por eso ella se mantiene como variable explicativa. Finalmente se tienen dos posibles modelos que expliquen los medios de pagos a disposicin del pblico, el primero con el EMAE en t (anexo 3), y el otro con el EMAE retrasado un periodo (t-1). Se decido trabajar con el ltimo modelo, dado que el Akaike info criterion y Schwarz criterion son menores. El cuadro numero 1, muestra la salida de la regresin. Cuadro N. 1: Salida de Regresin Modelo Final
Dependent Variable: LOG(M2K) Method: Least Squares Date: 09/08/11 Time: 04:31 Sample (adjusted): 1993M02 2001M07 Included observations: 102 after adjustments Variable C LOG(EMAE(-1)) LOG(M2K(-1)) TASAPF-INFLA INFLA DUMMY01 DUMMY12 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.586660 0.149800 0.873458 -0.034114 -0.045947 -0.037751 0.094692 0.988379 0.987645 0.019460 0.035976 260.7125 1.864851 Std. Error 0.132207 0.037426 0.020398 0.006597 0.009179 0.007965 0.007328 t-Statistic 4.437440 4.002600 42.82131 -5.171271 -5.005638 -4.739552 12.92259 Prob. 0.0000 0.0001 0.0000 0.0000 0.0000 0.0000 0.0000 9.919977 0.175073 -4.974755 -4.794609 1346.619 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

[2]

Analizando los resultados obtenidos con la estimacin se nota que todos los coeficientes son estadsticamente significativos, por el p-value mucho menor que 0,05, para todos los casos, se rechaza la hiptesis nula de que los coeficientes que acompaan a las variables son iguales a cero. Por otra parte el Adjusted R-squared, es muy significativo, por lo tanto podemos concluir que la variabilidad de la variable dependiente es explicada en un 98.76% por la regresin, es decir, por las variables independientes tenidas en cuenta. El estadstico F prueba la significancia global del modelo, para este caso, con la hiptesis nula de que todos los parmetros de las variables son cero; rechazamos dicha hiptesis nula porque su probabilidad dio menor a 0.05, y al contrastarlo con el valor de F en la tabal, concluimos que el conjunto de los variables explicativas son significativas para el modelo global. Variaciones del 1% en el nivel de actividad econmica y en el M2k rezagado un periodo aumentan el M2k en 0,15% y 0,87%, respectivamente. Variaciones de 1 punto porcentual en la tasa de inters real y en la tasa de inflacin disminuyen en 0,03% y 0,05% el M2k, respectivamente. Todos los meses de enero se observa una cada de 0,04% del M2k, mientras tanto se observa una subida del 0,09% de esta variable todos los meses de Diciembre. A continuacin se analizan las condiciones del teorema de Gauss-Markov. Auto correlacin de los residuos: Este supuesto indica que las perturbaciones no estn correlacionadas. Esto significa que los errores no siguen patrones sistemticos. La implicancia del no cumplimiento de este supuesto (existencia de auto-correlacin) implicara que Yi no depende tan slo de Xi sino tambin de i, puesto que i, determina en cierta forma a i2. Se plantea la hiptesis nula de que no hay auto correlacin. La estadstica de Durbin-Watson obtenida fue igual a 1,864851. Para un nivel de significancia del 5%, con una muestra de 100 observaciones y 6 grados de libertad, los valores crticos de la tabla indica dL = 1,550 y dU = 1,803. Como la estadstica obtenida es mayor que dU y menor que 4 dU se rechaza la hiptesis de auto correlacin de los residuos. Esto tambin se puede corroborar con el grafico del correlograma (ver grafico en el Workfile correspondiente de Eviews), en el se muestra que las funciones de auto correlacin simple y parcial de los residuos, no se sale de las bandas punteadas que denotan la significancia del 5% para ambos casos; esto nos lleva a pensar que existe No auto correlacin en los residuos. Multicolinealidad: Existe Multicolinealidad cuando una de las variables explicativas se relaciona con las dems variables; a la vez, existe colinealidad perfecta cuando una de las variables independientes se relaciona de forma perfectamente lineal con
2

Gujarati, Domador, 2004. Econometria, 4 Edicin. Pagina 58.

otra de las variables independientes en la ecuacin de regresin. Dicha colinealidad se convierte en un problema, ya que no permite estimar los parmetros de forma acertada, lo cual perjudica la significancia del modelo. Teniendo en cuenta que el R squared es alto, que las variables son global e individualmente significativas, y adems que la matriz de correlaciones no muestra relaciones significativas entre las variables independientes (mayores a 0.5) (ver anexo 4), las variables independientes presentan p-value bajos, indicando que no son linealmente dependientes, esto quiere decir que no hay un alto grado de multicolinealidad entre las variables explicativas. Normalidad: Este supuesto permite evaluar si los residuos se comportan o distribuyen normalmente. El histograma de los residuos y el test de Jarque-Bera nos permiten analizar si los residuos presentan distribucin normal (ver anexo 5). Bajo la hiptesis nula de que los errores se distribuyen normalmente, es decir que la media de los errores es cero. Para esto se utilizo el test Jarque-Bera con un nivel de significancia de de 5% y con n-k grados de libertad, el resultado permite no rechazar la hiptesis de normalidad pues presenta probabilidad de 0,07 (mayor que 5%). Adems, Se desean asimetra y curtosis prximas a 0 y a 3, respectivamente. Los valores obtenidos con el modelo elegido fueron -0,53 y 3,28, cerca de los esperados para atestar normalidad; Tambin la media de los residuos es prcticamente igual a cero, garantizando aleatoriedad de los mismos. Heteroscedasticidad: Homocedasticidad, lo opuesto de heteroscedasticidad significa igual dispersin, en otras palabras significa que las poblaciones y correspondientes a diversos valores de X tienen la misma varianza. El supuesto de Homocedasticidad est indicando que todos los valores de y que correspondientes a diversos valores de X son igualmente importantes. Para verificar la ocurrencia de heterocedasticidad se utiliza el test de White (ver anexo 6). Se plantea la hiptesis nula de homocedasticidad; dado que el R cuadrado es pequeo (0.125), las variables incluidas en la regresin auxiliar no tiene ningn poder explicativo sobre los residuos al cuadrado, y adems como el valor muestral del estaditico F es lo suficinentemente bajo como para que la probabilidad de acepar la hiptesis nula con un nivel de significancia del 5% sea mayor, es decir como la probabilidad de rechazar la hiptesis nula es menor al 5% e igual a 0.239775, no la rechazamos y concluimos que hay homocedasticidad o no existencia heterocedasticidad. Habiendo cumplido con las condiciones de Gauss Markov, podemos concluir que los coeficientes resultantes del mtodo de los mnimos cuadrados ordinarios cumplen las proposiciones de insesgamiento, eficiencia, consistencia y suficiencia. Por lo tanto, el modelo elegido parece bastante adecuado para

explicar las variaciones en el M2K a precios constantes en el periodo entre Enero de 1993 y Julio de 2001. Para determinar si el modelo es adecuado para hacer estimacin, se realizo el pronstico del modelo para el periodo de tiempo estudiado, bajo el mtodo del pronstico estadstico (Ver anexo 7 y 8); grficamente se muestra que el modelo estimado se ajusta dentro de los rango mnimos de estimacin, adems al comparar la serie pronosticada con la serie real, se observa que ambas variables presentan un comportamiento muy similar, lo que garantiza que los valores pronosticados de M2K, se asemejan mucho a los valores de las variables reales. Esto de complementa observando la evaluacin de la estimacin. Cuadro N. 2. Evaluacin de la Estimacin
Forecast: M2KF Actual: M2K Forecast sample: 1993M01 2001M07 Adjusted sample: 1993M02 2001M07 Included observations: 102 Root Mean Squared Error Mean Absolute Error Mean Absolute Percentage Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion 380.1428 300.0850 1.485323 0.009089 0.000119 0.006218 0.993662

El test de Theil analiza si el modelo es adecuado para hacer pronsticos, el cual debe estar lo ms cerca de cero posible, lo que ocurre (0,009). Las proporciones de sesgo y de varianza son del 0,0001 y del 0,0062, respectivamente, mientras tanto la proporcin de covarianza es del 0,9936, lo que es deseable. En la investigacin econmica interesa sobremanera la estabilidad de las funciones economtricas calculadas. El no cumplimiento del supuesto de estabilidad de los coeficientes, implica consecuencias serias por cuanto, en primer lugar la estimacin de los coeficientes produce resultados incorrectos, y en segundo lugar, porque las proyecciones resultan errnea. Se aplicaron dos pruebas a los coeficientes, el Confidence Ellipse (ver anexo 9) y el test de Wald. Al aplicar el primero se puede observar que los coeficientes son independientes, presentndose dos casos que muestran (con poca significancia o importancia) un comportamiento diferente al de los dems. Esos casos son: los representados por la tasa de inters real y el nivel de actividad ambas rezagadas un perodo, y el otro caso es la tasa de inters real y el nivel de inflacin.

El test de Wald (Coefficient Restrictions), (ver anexo 10) se plantearon las siguiente hiptesis nula: C(1)=0 C(2)=0 C(3)=2*C(4) C(5)=8+C(6) Aplicando el Test de Wald, obtenemos: En la prueba se muestral el F-Statistic y el estadstico Chi-Square con su correspondientes probabilidad; los bajos valores de la probabilidad de los estadsticos ya mencionados indican el fuerte rechazo de la hiptesis nula por lo tanto concluyo que los restricciones son lineales en los coeficientes y son mayores a cero. Tambin se aplico la prueba de Chow, para intentar analizar si la crisis econmica que se produjo en Brasil en el mes de Septiembre de 1.998 causo algn cambio estructural en el modelo que se ha planteado. En este caso se propuso como fecha Octubre de 1998, ya que se cree que el efecto pudo verse retrasado un perodo. Cuadro N. 3 Prueba de Chow Chow Breakpoint Test: 1998M10 F-statistic 1.182683 Probability Log likelihood ratio 9.170943 Probability

0.320977 0.240615

Con los resultados arrojados por el estadstico F y su probabilidad podemos concluir que no se rechaza la hiptesis nula, ya que la probabilidad de rechazar supera el 0.05, por lo tanto tal evento no produjo un cambio estructural. Y finalmente, se realizo el RESET de Ramsey, es una prueba de las especificaciones generales para la regresin lineal del modelo. Ms especficamente, se comprueba si las combinaciones no lineales de los valores estimados ayudar a explicar la endgena variable. La intuicin detrs de la prueba es que, si no lineal combinaciones de las variables explicativas tienen ningn poder en la explicacin de la variable endgena, entonces el modelo est mal especificad. Por lo tanto se plantea la hiptesis nula de que el modelo es lineal coeficientes de las potencias de la variable dependiente estimada incluidas = 0. Los resultados permiten no rechazar la hiptesis nula de linealidad a un nivel de significancia del 0,05 como puede verse en el anexo 11. Por tanto la forma lineal del modelo es correcta.

Bibliografa
Acevedo, J. y J. Vial (1979). Demanda de Dinero y Expectativas de Inflacin. Estudios de Economa, 14: 135-169o hay ninguna fuente en el documento actual. Adam, C. (2000). The Transactions Demand for Money in Chile. Economa Chilena, 3(3): 33-56. Bardn, A. (1965). Proyeccin de la Demanda de Dinero. Mimeo, Departamento de Estudios, Banco Central de Chile. Cagan, P. (1956). The Monetary Dynamics of Hyperinflation. En Studies in the Quantity Theory of Money, editado por M. Friedman. Chicago, EE.UU.: Chicago University Press. Friedman, M. (1959). The Demand for Money: Some Theoretical and Empirical Results. Journal of Political Economy, 67: 327-351. Herrera, L. O. y R. Vergara (1992). Estabilidad de la Demanda de Dinero, Cointegracin y Poltica Monetaria. Cuadernos de Economa N 29: 35-54. Keynes, J. M. (1930). A Treatise on Money. Londres, Reino Unido: McMillan. Keynes, J. M. (1936). The General Theory of Employment, Interest, and Money. Londres, Reino Unido: McMillan. Reichmann, T. (1965). La Demanda de Dinero: Un Intento de Cuantificacion. Publicacion N 73. Instituto de Economa, Universidad de Chile. Rosende, F. y L. O. Herrera (1991). Teora y Poltica Monetaria: Elementos para el Anlisis. Cuadernos de Economa N 28: 55-94. Tobin, J. (1956). The Interest-Elasticity of Transaction Demand for Cash.Review of Economics and Statistics, 38: 241-7.

10

ANEXOS
Anexo 1:
Dependent Variable: M2K Method: Least Squares Date: 09/08/11 Time: 02:51 Sample: 1993M01 2001M07 Included observations: 103 Variable EMAE TASAPF IPC C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 200.4838 -1686.553 462.5278 -45945.66 0.741050 0.733203 1811.601 3.25E+08 -916.8133 0.560096 Std. Error 23.64957 593.2142 80.72051 7061.433 t-Statistic 8.477270 -2.843076 5.729992 -6.506563 Prob. 0.0000 0.0054 0.0000 0.0000 20561.46 3507.292 17.87987 17.98219 94.43767 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Anexo 2.

Dependent Variable: LOG(M2K) Method: Least Squares Date: 09/08/11 Time: 03:54 Sample: 1993M01 2001M07 Included observations: 103 Variable LOG(EMAE) TASAPF-INFLA INFLA C LOG(M2K(-1)) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.252262 -0.030624 -0.045564 0.467714 0.836782 0.966215 0.964836 0.033626 0.110813 205.8335 2.310979 Std. Error 0.060117 0.011263 0.015012 0.237773 0.028040 t-Statistic 4.196178 -2.719039 -3.035090 1.967064 29.84211 Prob. 0.0001 0.0077 0.0031 0.0520 0.0000 9.915789 0.179321 -3.899679 -3.771780 700.6672 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

11

 Anexo 3:
Dependent Variable: LOG(M2K) Method: Least Squares Date: 09/08/11 Time: 04:10 Sample: 1993M01 2001M07 Included observations: 103 Variable LOG(EMAE) TASAPF-INFLA INFLA C LOG(M2K(-1)) DUMMY01 DUMMY12 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.103225 -0.032589 -0.039304 0.538078 0.900129 -0.028077 0.097774 0.987731 0.986965 0.020474 0.040240 258.0017 2.111295 Std. Error 0.048092 0.006888 0.009460 0.144987 0.022132 0.010275 0.007653 t-Statistic 2.146423 -4.731263 -4.154930 3.711212 40.67168 -2.732597 12.77654 Prob. 0.0344 0.0000 0.0001 0.0003 0.0000 0.0075 0.0000 9.915789 0.179321 -4.873819 -4.694760 1288.132 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Anexo 4:

LOG(EMAE(-1)) LOG(M2K(-1)) TASAPF-INFLA LOG(EMAE(-1)) LOG(M2K(-1)) TASAPF-INFLA INFLA DUMMY01 DUMMY12

INFLA

DUMMY01

DUMMY12

1.000000 0.374867 0.044536 -0.327134 0.076116 0.083099

0.374867 1.000000 -0.130772 0.232464 0.054520 -0.018158

0.044536 -0.130772 1.000000 -0.463371 -0.173258 0.021982

-0.327134 0.232464 -0.463371 1.000000 0.098666 -0.084146

0.076116 0.054520 -0.173258 0.098666 1.000000 -0.087039

0.083099 -0.018158 0.021982 -0.084146 -0.087039 1.000000

12

 Anexo 5. Histograma de Residuos

Anexo 6.
White Heteroskedasticity Test: F-statistic Obs*R-squared 1.305009 12.79297 Probability Probability 0.239775 0.235479

Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 09/08/11 Time: 12:52 Sample: 1993M02 2001M07 Included observations: 102 Variable C LOG(EMAE(-1)) (LOG(EMAE(-1)))^2 LOG(M2K(-1)) (LOG(M2K(-1)))^2 TASAPF-INFLA (TASAPF-INFLA)^2 INFLA INFLA^2 DUMMY01 DUMMY12 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -0.196038 -0.046973 0.005067 0.061558 -0.003110 0.000784 -0.000159 0.000753 0.000329 -9.75E-05 -0.000265 0.125421 0.029314 0.000527 2.53E-05 630.9749 1.940536 Std. Error 0.196905 0.061895 0.006612 0.046726 0.002364 0.000585 0.000177 0.000324 0.000271 0.000218 0.000202 t-Statistic -0.995595 -0.758915 0.766357 1.317427 -1.315667 1.340871 -0.899701 2.320806 1.212303 -0.446838 -1.311073 Prob. 0.3221 0.4499 0.4454 0.1910 0.1916 0.1833 0.3707 0.0225 0.2285 0.6561 0.1931 0.000353 0.000535 -12.15637 -11.87329 1.305009 0.239775

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

13

 Anexo 7. Pronostico Esttico de M2K

Anexo 8. Comparacin serie real vs serie pronosticada.

14

 Anexo 9. Confidence Ellipse

Anexo 10.
Wald Test: Equation: MODELOFINAL Test Statistic F-statistic Chi-square Value 135761.9 543047.8 df (4, 95) 4 Probability 0.0000 0.0000

Null Hypothesis Summary: Normalized Restriction (= 0) C(1) C(2) C(3) - 2*C(4) -8 + C(5) - C(6) Restrictions are linear in coefficients. Value 0.586660 0.149800 0.941685 -8.008196 Std. Err. 0.132207 0.037426 0.021124 0.013834

15

RESET Ramsey

Ramsey RESET Test: F-statistic Log likelihood ratio 2.177417 2.335779 Probability Probability 0.143391 0.126432

Test Equation: Dependent Variable: LOG(M2K) Method: Least Squares Date: 09/08/11 Time: 15:15 Sample: 1993M02 2001M07 Included observations: 102 Variable C LOG(EMAE(-1)) LOG(M2K(-1)) TASAPF-INFLA INFLA DUMMY01 DUMMY12 FITTED^2 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 9.887708 -0.168344 -0.992150 0.037803 0.048318 0.044992 -0.108177 0.107954 0.988642 0.987796 0.019340 0.035161 261.8804 1.952888 Std. Error 6.304570 0.218787 1.264461 0.049176 0.064530 0.056630 0.137675 0.073159 t-Statistic 1.568340 -0.769442 -0.784643 0.768728 0.748760 0.794484 -0.785743 1.475607 Prob. 0.1202 0.4436 0.4346 0.4440 0.4559 0.4289 0.4340 0.1434 9.919977 0.175073 -4.978046 -4.772166 1168.862 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

16