UNIVERSIDAD NACIONAL DEL ALTIPLANO

FACULTAD DE INGENIERÍA ECONÓMICA

ESCUELA PROFESIONAL DE INGENIERIA ECÓNOMICA

TRABAJO DE INVESTIGACION FORMATIVA

ECONOMETRIA III

PRESENTADO POR

LESLIE HIOMARA RIVERA MENENDEZ

MERY NOELIA TORRES VALERIANO
JESUS ANTONY VACA QUISPE

PUNO - PERU

2018
RESUMEN EJECUTIVO

El presente trabajo de investigación presenta un análisis y revisión de las pruebas de hipótesis

mas importantes para la validación de un modelo, específicamente del modelo de la curva J de
Balanza Comercial y el cumplimiento de la condición de Marshall-Lerner, tomando como
variables explicativas, el tipo de cambio real bilateral, el nivel de producto bruto interno del
Perú, y del extranjero a través de una variable proxy de importaciones a nivel mundial. Se
realizo la regresión mediante el método de mínimos cuadrados ordinarios sobre los logaritmos
de las variables mencionadas y se validaron los parámetros hallados, para luego realizar el
diagnostico de los mismo para variables omitidas y redundantes; el diagnostico de los residuos
para comprobar el cumplimiento de los supuestos necesarios para una regresión de mínimos
cuadrados ordinarios, en autocorrelación, heterocedasticidad y normalidad de los errores, para
luego comprobar la estabilidad temporal de las series en el modelo así como la causalidad de
las variables y por último la comprobación de la existencia de exogeneidad.

I. INTRODUCCIÓN
El aumento progresivo del comercio internacional del Perú, trae como consecuencia que el
Tipo de Cambio tome una gran importancia, debido a su rol de vínculo entre la economía de
nuestro país con el resto del mundo. Comúnmente se concibe que las depreciaciones reales
mejoran nuestra capacidad en los mercados internacionales, a la vez que incrementan nuestras
exportaciones. Esta competitividad se refleja en la balanza Comercial, en el presente trabajo se
hará un análisis de las variables que afectan el curso de las cuentas en la Balanza Comercial
del Perú. Se tiene como objetivo principal determinar el cumplimiento de la Condición de
Marshall-Lerner y si se detecta la presencia de una curva “J”, dándole una interpretación al
estudio empírico.
En tal sentido el propósito del documento que se presenta, es el mostrar la evidencia empírica
de la condición Marshall-Lerner y el efecto Curva-J para la economía peruana. Para ello se
analiza las relaciones existentes entre la Balanza Comercial, el tipo de cambio real, el ingreso
doméstico y el ingreso del resto del mundo. Por tanto, para la estimación econométrica de las
relaciones existentes entre las variables mencionadas se utilizan esquemas multivariados de
series de tiempo, en el cual, todas las variables tienen la particularidad de ser endógenas. La
muestra empleada en el presente análisis será tomada con una frecuencia trimestral para el
período 1991:1 a 2018:1.
Así mismo, el esquema del contenido del documento está organizado de la siguiente manera:
En la sección segunda se muestra la literatura relacionada sobre el tema, así como, un breve
marco teórico. En la sección tercera se expondrá la metodología econométrica, en la sección
cuatro se detallarán los principales resultados de la estimación. Para finalizar, se mencionarán
las principales conclusiones a las cuales se llegaron.
 II. MARCO TEÓRICO Y ANTECEDENTES

ANTECEDENTES
Bustamante, Rafael y Morales, Fedor (2007). En su trabajo “Probando la condición
Marshall-Lerner y el Efecto Curva J: Evidencia Empírica para el Caso Peruano”, los
mencionados autores analizan la evidencia empírica de la Condición de Marshall-Lerner y la
Curva-J en la economía peruana durante el periodo 1991-2008 usando datos trimestrales. Las
variables que fueron empleadas por parte de Bustamante, Rafael y Morales, Fedor en su trabajo
fueron: Balanza comercial, tipo de cambio real bilateral, el producto bruto interno y las
importaciones mundiales, como variable aproximada del ingreso del resto del mundo. Asi
mismo, la metodología que utilizaron en su trabajo fue la de VAR Cointegrados, para ellos
poder conocer si existía la relación de largo plazo entre las series en estudio y además realizaron
estudios del mecanismo de transmisión entre las dichas series. En los resultados obtenidos, los
autores concluyen que si existe el cumplimiento de la Condición de Marshall- Lerner, como
tambien afirman que los agentes económicos que participan en el comercio internacional son
altamente sensibles a las variaciones del tipo de cambio real y rechazan la existencia de la
Curva-J para la economía peruana. Finalmente, los ejecutantes del documento encuentran que
los determinantes a largo plazo de la balanza comercial peruana son: El tipo de cambio real
(1.83) es mayor que uno por lo que satisface la Condición de Marshall-Lerner y las
importaciones mundiales, excluyendo de dicha relación el producto bruto interno, y los
términos de intercambio han mostrado el signo positivo que es adecuado con la teoría
económica.
Valle Moura & Silva (2005), realizan el análisis empírico del comportamiento de la balanza
comercial brasilera en respuesta a las depreciaciones cambiarias en el período comprendido
entre enero de 1990 y diciembre de 2003, a fin de verificar la validez de la hipótesis de la curva
J y la Condición de Marshall-Lerner. Utilizan la metodología vector de corrección de errores
(VEC), para capturar las distintas perturbaciones y los cambios que ocurren en la economía
brasileña. En los resultados hallados, dichos autores encuentran que durante los periodos de
mayor volatilidad, la respuesta de la balanza comercial brasileña es menor, sin embargo, las
condiciones de Marshall-Lerner son válidas para la economía brasileña en el periodo analizado.

MARCO TEORICO
Los estudios sobre la condición Marshall-Lerner han estado presente en la literatura económica
desde principios del siglo pasado con los trabajos de Marshall (1923), Lerner (1944), Machlup
(1950), Orcutt (1950) y Chang (1951), entre otros. Pero los estudios sobre la curva J se inician
en los años setenta del siglo pasado con el trabajo pionero de Magee(1973), quien analiza la
balanza comercial de los Estados Unidos después de la devaluación del dólar. En ese sentido,
Junz y Rhomberg (1973) explican el efecto curva J con la existencia de un retraso significativo
en el ajuste de los contratos comerciales a las innovaciones de tipo de cambio. Asimismo,
Deepler (1974) investiga el impacto del tipo de cambio en la balanza comercial para los Países
Bajos, el Reino Unido, Francia y Alemania utilizando datos trimestrales para el período 1958-
1973. Dicho autor evita metodológicamente los cambios estacionales y de tendencia en los
datos y observa que los cambios de volumen, en respuesta a la variación del tipo de cambio,
eran más grandes que la estimación de la elasticidad precio obtenida por el procedimiento
estándar utilizado.
Por su parte, Haynes y Stone (1982) examinan la curva J y la condición Marshall Lerner para
los Estados Unidos durante el período 1955-1974. Sus resultados señalan la existencia de una
curva J rezagada. No obstante lo anterior, Bahmani-Oskooee (1985) fue el primer investigador
que desarrolló un modelo considerado “correcto”, por algunos autores, para la estimación de
la curva J en cuatro economías en desarrollo6. Dicho autor, usando datos trimestrales para el
período 1973-1980, encuentra evidencias que apoyan el movimiento descrito por la curva J.
Similarmente, Noland (1989) examina el fenómeno de la curva J para la economía japonesa
durante el período 1970-1985. Sus resultados muestran un efecto de curva J y se cumple la
condición Marshall-Lerner, lo que implica que la depreciación cambiaria mejora la balanza
comercial en el largo plazo.
Por otro lado, Rose y Yellen (1989) introdujeron un modelo simple que emplea datos de
comercio bilateral entre los Estados Unidos y sus seis principales socios comerciales, pero sus
resultados empíricos no apoyan el patrón de curva J, ni tampoco dan soporte a una relación de
largo plazo entre la balanza comercial y el tipo de cambio real a nivel bilateral. De igual forma,
Rose (1990) examina el impacto de una depreciación real sobre la balanza comercial para
treinta países en desarrollo, pero no encuentra evidencia de que dicha depreciación mejora la
balanza comercial en Argentina, Brasil, Chile, Colombia, Perú y Uruguay. En cambio, Gupta-
Kapoor y Ramakrishnan (1999) examinan la curva J para Japón utilizando datos trimestrales
para el período 1975-1996 y un modelo de corrección de errores (ECM). Sus resultados fueron
similares a los hallazgos de Noland (1989) y confirman la existencia de la curva J. Por el
contrario, Bahmani-Oskooee y Brooks (1999) utilizan un modelo autorregresivo de rezagos
distribuidos (ARDL, por sus siglas en inglés)7 para estudiar el comercio bilateral entre los
Estados Unidos y sus seis principales socios comerciales (Canadá, Francia, Alemania, Italia,
Japón y el Reino Unido). Estos autores centran su trabajo en el período comprendido desde el
primer trimestre de 1973 hasta el segundo trimestre de 1996, pero sus resultados no
proporcionan apoyo al fenómeno de la curva J. Asimismo, los autores sostienen que una
depreciación real del dólar de los Estados Unidos tiene un efecto favorable en la balanza
comercial de dicho país, pero sólo a largo plazo.

Actualmente en la literatura macroeconómica moderna, los determinantes de la balanza

comercial de una economía, tal como la peruana, se derivan de los modelos en los cuales se
asumen dos países con agente representativo. En dichos modelos se obtienen las funciones de
demanda de importación, demanda de exportaciones, y por ende, la balanza comercial, por
medio de un proceso de optimización dinámica, en el cual, el agente representativo deriva su
utilidad intertemporal del consumo de dos clases de bienes, uno producido domésticamente
que es el no transable (𝑐𝑛𝑡𝑡 ) y otro bien importado que es el transable 𝑐𝑡𝑡 ), sujeto a una
restricción presupuestaria también de carácter temporal. El problema que enfrenta el agente
representativo del país domestico es el siguiente (Bustamante & Fedor, 2007):
+∞
𝑀𝑎𝑥 𝑈 ∫ 𝑒 −𝛽𝑡 𝑢(𝑐𝑡𝑡 , 𝑐𝑛𝑡𝑡 )𝑑𝑡
0
 s.a.:
𝜑 𝑝𝑥 𝑝 𝑝𝑚
𝑔𝑡 = 𝑑𝑡 + 𝑥𝑡 ( 𝑓 ) + 𝑔𝑡 ( 𝑓 ) − 𝑐𝑡𝑡 ( 𝑓 ) − 𝑐𝑛𝑡𝑡
𝑝 𝑡 𝑝 𝑡 𝑝 𝑡

Donde 0<𝛽<1, es la tasa subjetiva de descuento, dado que todos los argumentos de la función
de utilidad están medidos en términos reales.
la restricción presupuestaria intertemporal está determinada por la variación del presupuesto
(g), cuyos movimientos se deben a la diferencia entre un presupuesto inicial (𝑔𝑡), una dotación
de bienes producidos internamente 𝑑𝑡 y las exportaciones domesticas 𝑥𝑡 menos los gastos de
consumo interno en bienes no transables 𝑐𝑛𝑡𝑡, y transables 𝑐𝑡𝑡. Además, observamos que tanto
las exportaciones como las importaciones son deflactadas por el nivel de precios foráneos; el
𝑝𝑥
ratio entre el precio de las exportaciones y nivel de precios foráneos ( 𝑝𝑡 ) , y el ratio entre el
𝑡
𝑝𝑚
precio de las importaciones y nivel de precio foráneo ( 𝑝𝑡 ) miden respectivamente, el poder
𝑡
adquisitivo de las exportaciones e importaciones domesticas en términos de moneda foránea
Dada la función de balanza comercial o exportaciones netas, los principales factores
determinantes juegan un papel importante en el comportamiento de la balanza comercial. Ya
que las variaciones del tipo de cambio real afecta a la balanza comercial, reflejados en las
variaciones de los precios relativos de los
bienes y servicios nacionales con respecto a los bienes y servicios extranjeros. Si el tipo de
cambio real (TCR) aumenta, los productos extranjeros encarecen respecto a los productos
nacionales; cada unidad de producto nacional puede adquirir ahora una menor cantidad de
producto extranjero. Los agentes económicos extranjeros responderán a esta variación del
precio demandando una mayor cantidad de nuestras exportaciones, como consecuencia, las
exportaciones (X) aumentaran y por consiguiente la balanza comercial (BC) mejorara,
(Blanchar & Perez Enrri, 2000).

MARCO CONCEPTUAL

Balanza Comercial:
Registra los flujos de comercio de mercancías que realiza el Perú con el resto del mundo a
través de operaciones de exportación e importación. La evolución de las exportaciones depende
en gran medida de la competitividad de un país y de la evolución de la economía mundial. La
evolución de las importaciones, en cambio, está asociada principalmente a las condiciones de
demanda interna de una economía. (BCRP (2010).
Exportación
Los bienes y servicios que se venden a los habitantes de otros países (P. & Gerardo, E. (2006).
Importación
Los bienes y servicios que se compran a los habitantes de otros países (Michael, P. & Gerardo,
E. (2006).

Condición de Marshall Lerner

La condición de Marshall – Lerner establece que una depreciación del tipo de cambio real
tendrá efecto positivo en la Balanza Comercial si la suma de las elasticidades- precio de la
demanda de exportaciones e importaciones es mayor que la unidad (en valor absoluto),
(Bustamante, R. & Fedor, M. (2007).

Efecto Curva “J”

Ante una depreciación del tipo de cambio real, si la suma de la elasticidad precio de la demanda
de exportaciones más la elasticidad precio de la demanda de importaciones es suficientemente
grande (sumen más que uno), el efecto volumen domina sobre el efecto precio y la balanza
comercial mejora ante una depreciación. Cuando se grafica el efecto total, tomando en el eje
de las abscisas el tiempo y en el eje de las ordenadas la balanza comercial, la senda temporal
de la balanza comercial describirá una curva en forma de “J” (Bustamante, R. & Fedor, M.
(2007).
Tipo de cambio real
El tipo de cambio bilateral (TCRB) se obtiene multiplicando el tipo de cambio nominal del
nuevo sol respecto al dólar americano (Nuevo sol / US$) por el cociente entre el IPC de Estados
Unidos y el IPC del Perú. (BCRP (2010).
Déficit comercial
Exceso de las importaciones sobre las exportaciones (Krugman, P. & Obstfeld, M. (2001).

Superávit comercial
Exceso de las exportaciones sobre las importaciones (Krugman, P. & Obstfeld, M. (2001)

III. ASPECTOS METODOLÓGICOS

Materiales
Para el estudio de investigación se ha recopilado información de las diferentes fuentes para
conseguir los datos necesarios, entre los cuales podemos citar:
• Página Web de Banco central de Reserva del Perú (BCRP)
• Información vía Internet; Temas de Econometría
• Paquete Econométrico Eviews 10: Software
• Pagina Wed de la Reserva Federal
Método
En el presente trabajo de investigación “Análisis de la Condición Marshall – Lerner y el efecto
curva “J” en la Balanza Comercial - Perú 1991 -2018”. Se utilizó el método descriptivo,
Analítico y econométrico, el cual nos permite obtener resultados aproximados a la realidad
económica del Perú.
Descriptivo: Este método busca representar las características de la Balanza comercial de la
economía peruana.
Analítico: Este método nos accede analizar los componentes que influyen en la
determinación de las variables.
Econométrico: Mediante este método se constituirá las relaciones del comportamiento entre
las variables económicas y poder explicar.
Variables del modelo.
La metodología usada consiste en la aplicación de los VAR Cointegrados con la finalidad de
conocer si existe alguna relación de largo plazo entre las series en estudio y a la vez estudiar
los mecanismos de transmisión de dichas series Para verificar las hipótesis del estudio
recurrimos a los datos de series de tiempo trimestrales correspondientes al periodo 1991:01 a
2018:01 y el sistema de variables a manejar son los siguientes:
Variable dependiente: En el presente trabajo de investigación se tendrá como variable
dependiente a la Balanza Comercial del Perú (BC), expresado como la ratio de exportaciones
sobre importaciones que tendrá una frecuencia trimestral.
Variables independientes:
Tipo de Cambio Real Bilateral (TCRB) (1991-2018), como variable proxy del tipo de cambio
real multilateral; Producto Bruto Interno (PIB) (1991-2018) medidos en miles de millones US$
; el producto bruto interno (PBI) y; las importaciones mundiales (WTR), como variable proxy
del ingreso del resto del mundo. El tamaño de muestra para el análisis del ejercicio
econométrico comprende datos trimestrales correspondientes al período 1991:01 a 2018:01.
El modelo:
El modelo a estimar en su forma lineal es:

𝐿𝐵𝐶𝑡 = β0 + β1𝐿𝑇𝐶𝑅𝐵𝑡 + β2𝐿𝑃𝐵𝐼𝑡 + β3𝐿WTR𝑡 + 𝜀t

Dónde:
• 𝐿𝐵𝐶𝑡 = Balanza comercial.
• 𝐿𝑇𝐶𝑅𝐵𝑡 = Tipo de cambio real Bilateral.
• 𝐿𝑃𝐵𝐼𝑡 = Producto Bruto Interno del Perú.
• 𝐿WTR𝑡 = Importaciones mundiales
• 𝜀t = Perturbación estocástica.

Para el presente trabajo de investigación se especifica el modelo mediante una relación

logarítmica, es decir las series serán transformadas en logaritmos, ya que los coeficientes de
estas variables transformadas miden la elasticidad de la variable dependiente con respecto a la
independiente.
Modelo VAR (Vector AutoRegresivo)
Los vectores autorregresivos (VAR),es un modelo lineal de 𝑛 variable donde cada variable es
explicada por sus propios valores rezagados, más el valor pasado del resto de variables. Los
modelos VAR se utilizan a menudo para predecir sistemas interrelacionados de series
temporales y para analizar el impacto dinámico de las perturbaciones aleatorias sobre el sistema
de las variables.
Método de Estimación Econométrica
Para la evaluación econométrica se utiliza diferentes pruebas estadísticas tales como, el
contraste de normalidad de Jarque-Bera, el test de autocorrelación Breusch-Godfrey
(Multiplicador de Lagrange); el test de errores de especificación, RESET; el contraste de
heteroscedasticidad condicional autorregresiva (ARCH).

IV. ANÁLISIS DE RESULTADOS

DIAGNÓSTICO DE LOS COEFICIENTES

Regresión por Mínimos Cuadrados Ordinarios.

Luego de convertir las variables en logaritmos, se ha estimado una ecuación de mínimos

cuadrados ordinarios, el modelo por MCO muestra que el Tipo de Cambio Real Bilateral tiene
un coeficiente de 0.397 lo que indica que una variación del 1% en el TCRB repercutirá a la
Balanza Comercial en 0.397 %. También este valor se considera como la elasticidad parcial de
la Balanza Comercial respecto al Tipo de Cambio Real Bilateral; al ser menor a uno se
considera que es inelástica.

𝐿𝐵𝐶𝑡 = β0 + β1𝐿𝑇𝐶𝑅𝐵𝑡 + β2𝐿𝑃𝐵𝐼𝑡 + β3𝐿WTR𝑡 + 𝜀t

De manera similar, ante un aumento de 1% del Producto Bruto Interno en el Perú, se tiene una
caída en 0.54% en la Balanza Comercial, esto mostrando una relación inversa que se manifiesta
en el signo negativo de su coeficiente. La elasticidad parcial de la Balanza Comercial respecto
al PBI; al ser menor a uno se considera que es inelástica.

Por último, en el caso de las Importaciones Mundiales como variable proxy del ingreso (PBI)
en el exterior; un aumento en 1% de las Importaciones Mundiales (WTR) se tiene una variación
positiva para la Balanza Comercial de 0.83%. La elasticidad parcial de la Balanza Comercial
respecto a las Importaciones Mundiales; al ser menor a uno se considera que es inelástica.

A su vez el coeficiente de determinación, cuyo valor en este caso R2 = 0.6684 indica, que un
66.84% de la variación en la relación de exportaciones e importaciones que expresa de forma
real la Balanza Comercial es explicada por las variables independientes.

Dependent Variable: LBC

Method: Least Squares
Date: 10/04/18 Time: 22:27
Sample: 1991Q1 2018Q1
Included observations: 109

Variable Coefficient Std. Error t-Statistic Prob.

 C -8.590032 0.777502 -11.04825 0.0000
LTCRB 0.396958 0.188051 2.110899 0.0372
LPBI -0.540471 0.105589 -5.118649 0.0000
LWTR 0.830476 0.107946 7.693454 0.0000

R-squared 0.668377 Mean dependent var 0.023884

Adjusted R-squared 0.658902 S.D. dependent var 0.228054
S.E. of regression 0.133192 Akaike info criterion -1.158048
Sum squared resid 1.862702 Schwarz criterion -1.059283
Log likelihood 67.11362 Hannan-Quinn criter. -1.117995
F-statistic 70.54152 Durbin-Watson stat 0.562539
Prob(F-statistic) 0.000000

Prueba de Significancia Individual

Teniendo planteada la hipótesis nula de los parámetros iguales a 0, es decir que no son
significativos estadística tenemos:

➢ H0: β0=0

Ha: β0≠0

tc=-11.048> tt (Prob=0.0000) Por lo que rechazamos la Hipótesis nula, es decir el

parámetro es estadísticamente significativo.

>H0: β1=0

Ha: β1≠0

tc=2.11> tt (Prob=0.0372) Por lo que rechazamos la Hipótesis nula, es decir el parámetro

es estadísticamente significativo a un nivel de 5%.

➢ H0: β2=0

Ha: β2≠0

tc=-5.12> tt (Prob=0.0000) Por lo que rechazamos la Hipótesis nula, es decir el

parámetro es estadísticamente significativo.

➢ H0: β3=0

Ha: β3≠0

tc=7.69> tt (Prob=0.0000) Por lo que rechazamos la Hipótesis nula, es decir el parámetro

es estadísticamente significativo.
Prueba de Significancia Conjunta

➢ H0: β0=β1=β2=β3=0

Ha: β0≠β1≠β2≠β3≠0

Fc=70.542> Ft (Prob=0.0000) Por lo que rechazamos la Hipótesis nula, es decir los

parámetros son estadísticamente significativos en conjunto.

Test de las Variables Omitidas

Para el caso del diagnóstico de si hemos excluido una variable importante para el caso de la
forma funcional que hemos planteado en nuestro modelo consideramos los términos de
intercambio de acuerdo con la base teórica que Vilca H. (2017) plantea en su modelo.

𝐿𝐵𝐶𝑡 = β0 + β1𝐿𝑇𝐶𝑅𝐵𝑡 + β2𝐿𝑃𝐵𝐼𝑡 + β3𝐿WTR𝑡 + β4𝐿𝑇𝐼𝑡 + 𝜀t

LBC = -9.51610342599 + 1.09484950896*LTCRB - 0.384635253617*LPBI + 0.269458192562*LWTR +

1.01360266521*LTI

Teniendo planteada la hipótesis nula de que la variable LTI es conjuntamente significativa

estadística tenemos:

>H0: β4≠0

Con un estadístico t para β4 igual 7.415>>tt con una probabilidad Prob = 0.0000, por lo que se
rechaza la hipótesis nula, es decir la variable esta correctamente excluida.

Para corroborar esta conclusión, podemos realizar la prueba a través del estadístico F:

Modelo restringido: 𝐿𝐵𝐶𝑡 = β0 + β1𝐿𝑇𝐶𝑅𝐵𝑡 + β2𝐿𝑃𝐵𝐼𝑡 + β3𝐿WTR𝑡 + 𝜀t (SRCR=1.8627)

Modelo no restringido: 𝐿𝐵𝐶𝑡 = β0 + β1𝐿𝑇𝐶𝑅𝐵𝑡 + β2𝐿𝑃𝐵𝐼𝑡 + β3𝐿WTR𝑡 + β4𝐿𝑇𝐼𝑡 + 𝜀t

(SRCNR=1.2185)

Siendo el valor de F el siguiente:

(SRC𝑅 − SRC𝑅 )/𝑟

𝐹= ~𝐹𝑟,𝑇−𝑘 𝑔𝑙
SRC𝑁𝑅 /(𝑇 − 𝑘)

(1.8627 − 1.2185)/1
𝐹= ~𝐹1,104 𝑔𝑙
1.2185/(109 − 5)

𝐹 = 54.983~3.9314
Fc>>Ft entonces es posible rechazar la hipótesis nula, por lo que la variable LTI (Logaritmo de
los Terminos de Intercambio) esta correctamente excluida en el modelo.

Por último, podemos corroborar mediante el programa Eviews que aplica el estadístico de ratio
de verosimilitud.

Omitted Variables Test

Null hypothesis: LTI are jointly significant
Equation: UNTITLED
Specification: LBC C LTCRB LPBI LWTR
Omitted Variables: LTI

Value df Probability
t-statistic 7.415093 104 0.0000
F-statistic 54.98360 (1, 104) 0.0000
Likelihood ratio 46.26071 1 0.0000

F-test summary:
Mean
Sum of Sq. df Squares
Test SSR 0.644205 1 0.644205
Restricted SSR 1.862702 105 0.017740
Unrestricted SSR 1.218497 104 0.011716

LR test summary:
Value
Restricted LogL 67.11362
Unrestricted LogL 90.24398

Unrestricted Test Equation:

Dependent Variable: LBC
Method: Least Squares
Date: 10/05/18 Time: 00:03
Sample: 1991Q1 2018Q1
Included observations: 109

Variable Coefficient Std. Error t-Statistic Prob.

C -9.516103 0.644083 -14.77465 0.0000

LTCRB 1.094850 0.179482 6.100060 0.0000
LPBI -0.384635 0.088346 -4.353758 0.0000
LWTR 0.269458 0.115845 2.326032 0.0220
LTI 1.013603 0.136695 7.415093 0.0000

R-squared 0.783067 Mean dependent var 0.023884

Adjusted R-squared 0.774723 S.D. dependent var 0.228054
S.E. of regression 0.108242 Akaike info criterion -1.564110
Sum squared resid 1.218497 Schwarz criterion -1.440653
Log likelihood 90.24398 Hannan-Quinn criter. -1.514044
F-statistic 93.85265 Durbin-Watson stat 0.904972
Prob(F-statistic) 0.000000

Que indica un valor de LR= 46.0627, con un nivel de significancia de 0.000; de manera análoga
a los procesos anteriores, se rechaza la hipótesis nula es decir la variable LTI esta correctamente
omitida.
Restricciones lineales sobre los coeficientes: El test de Wald

Si bien con la prueba de Wald puede usarse como una forma mas general para evaluar los
coeficientes de variables para determinar si deben ser omitidas o si son redundantes. Para el
modelo planteado en nuestra investigación se puede aplicar para corroborar la condición de
Marshall-Lerner acerca de las elasticidades precio de las exportaciones e importaciones,
expresada en nuestro modelo a través del ratio entre estos en la variable Balanza Comercial;
respecto en este caso por un cambio en el Tipo de Cambio Real Bilateral.

𝜉𝑌𝐸𝑆𝐴 = 𝜕ln(𝐵𝐶) /𝜕ln(𝐿𝑇𝐶𝑅𝐵) = 0.397

Wald Test:
Equation: Untitled

Test Statistic Value df Probability

t-statistic -11.04825 105 0.0000

F-statistic 122.0637 (1, 105) 0.0000
Chi-square 122.0637 1 0.0000

Null Hypothesis: C(1)=0

Null Hypothesis Summary:

Normalized Restriction (= 0) Value Std. Err.

C(1) -8.590032 0.777502

Restrictions are linear in coefficients.

Estableciendo que la Hipótesis nula es que la elasticidad precio de las exportaciones e

importaciones es igual a 0, por la significancia de los distintos estadísticos se rechaza el mismo,
por lo que se cumple empíricamente la condición de Marshall-Lerner.

Test de Variables Redundantes

En el caso de variables redundantes, tomamos en consideración el modelo original y asumimos

que la variable independiente de nivel de ingreso en el exterior expresada en términos de una
variable proxy de importaciones mundiales (WTR), puede resultar redundante por su relación
con el tipo de cambio real bilateral.

Modelo restringido: 𝐿𝐵𝐶𝑡 = β0 + β1𝐿𝑇𝐶𝑅𝐵𝑡 + β2𝐿𝑃𝐵𝐼𝑡 + 𝜀t

Modelo no restringido: 𝐿𝐵𝐶𝑡 = β0 + β1𝐿𝑇𝐶𝑅𝐵𝑡 + β2𝐿𝑃𝐵𝐼𝑡 + β3𝐿WTR𝑡 + 𝜀t

Para comprobar esto se hace la evaluación mediante el programa Eviews que brinda todos los
estadísticos para la evaluación.
 Redundant Variables Test
Null hypothesis: LWTR are jointly insignificant
Equation: UNTITLED
Specification: LBC C LTCRB LPBI LWTR
Redundant Variables: LWTR

Value df Probability
t-statistic 7.693454 105 0.0000
F-statistic 59.18924 (1, 105) 0.0000
Likelihood ratio 48.72946 1 0.0000

F-test summary:
Mean
Sum of Sq. df Squares
Test SSR 1.050018 1 1.050018
Restricted SSR 2.912720 106 0.027478
Unrestricted SSR 1.862702 105 0.017740

LR test summary:
Value
Restricted LogL 42.74889
Unrestricted LogL 67.11362

Restricted Test Equation:

Dependent Variable: LBC
Method: Least Squares
Date: 10/05/18 Time: 00:41
Sample: 1991Q1 2018Q1
Included observations: 109

Variable Coefficient Std. Error t-Statistic Prob.

C -8.746041 0.967327 -9.041457 0.0000

LTCRB 1.353525 0.175586 7.708604 0.0000
LPBI 0.253029 0.028139 8.992183 0.0000

R-squared 0.481439 Mean dependent var 0.023884

Adjusted R-squared 0.471655 S.D. dependent var 0.228054
S.E. of regression 0.165766 Akaike info criterion -0.729337
Sum squared resid 2.912720 Schwarz criterion -0.655264
Log likelihood 42.74889 Hannan-Quinn criter. -0.699298
F-statistic 49.20586 Durbin-Watson stat 0.328532
Prob(F-statistic) 0.000000

Con hipótesis nula de que la variable LWTR es conjuntamente insignificante (β3=0), tenemos:

El nivel de significancia de los distintos estadísticos de prueba es cercano a 0 (0.0000%) se

rechaza la hipótesis nula, por lo que la variable de importaciones mundiales (LWTR) no es
redundante, es decir que debe incluirse en el modelo.

DIAGNÓSTICO DE LOS RESIDUALES

Funciones de Autocorrelación Simple y Parcial (Correlograma)
Las funciones de autocorrelación simple y parcial (FAS y FAP), son unas herramientas
importantes para observar el comportamiento de las variables en relación a si mismas y los
retardos, estableciendo si existe relación o causalidad entre un periodo determinado y
periodos anteriores.

Para nuestro modelo se evaluó estos gráficos (correlograma) con 36 retardos para llegar a la
conclusión de que os residuales de la regresión son ruido blanco.

Date: 10/05/18 Time: 01:04

Sample: 1991Q1 2018Q1
Included observations: 109

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 0.688 0.688 53.010 0.000

2 0.430 -0.081 73.960 0.000
3 0.278 0.026 82.775 0.000
4 0.265 0.159 90.876 0.000
5 0.146 -0.189 93.364 0.000
6 0.068 0.027 93.903 0.000
7 0.083 0.127 94.724 0.000
8 0.042 -0.168 94.938 0.000
9 -0.016 0.008 94.967 0.000
10 -0.024 0.075 95.037 0.000
11 0.058 0.061 95.455 0.000
12 0.102 0.051 96.751 0.000
13 -0.004 -0.207 96.753 0.000
14 -0.126 -0.130 98.774 0.000
15 -0.199 -0.065 103.86 0.000
16 -0.114 0.170 105.55 0.000
17 -0.098 -0.047 106.83 0.000
18 -0.034 0.117 106.98 0.000
19 -0.018 -0.039 107.02 0.000
20 0.028 0.021 107.13 0.000
21 -0.038 -0.104 107.32 0.000
22 -0.091 -0.077 108.49 0.000
23 -0.092 -0.045 109.69 0.000
24 -0.042 0.070 109.94 0.000
25 -0.040 0.024 110.17 0.000
26 -0.149 -0.150 113.40 0.000
27 -0.184 0.015 118.39 0.000
28 -0.134 0.006 121.08 0.000
29 -0.049 0.042 121.45 0.000
30 -0.026 -0.017 121.55 0.000
31 -0.079 -0.168 122.52 0.000
32 -0.125 -0.113 124.97 0.000
33 -0.243 -0.115 134.40 0.000
34 -0.320 -0.089 150.90 0.000
35 -0.370 -0.077 173.32 0.000
36 -0.302 -0.039 188.44 0.000

Test de Normalidad de los Residuales: Jarque-Bera

El contraste de hipótesis Jarque-Bera es uno de los denominados contrastes de normalidad, ya

que se utiliza para contrastar la hipótesis de que los datos considerandos provengan de una
distribución normal.
El estadístico de contraste se construye considerando las medidas de asimetría y curtosis de la
muestra de datos haciendo uso de la siguiente expresión:

𝑆 2 (𝐾 − 3)2
𝐽𝐵 = 𝑛 ∗ ( + )
6 24

siendo:

n: nº observaciones de la serie.

S: coeficiente de asimetría.

K: coeficiente de curtosis.

En nuestro modelo, tenemos un total de 109 observaciones que abarcan el periodo trimestral
1991:1 a 2018:1.

Al realizar la regresión y estimación de nuestro modelo, hallamos el termino de r¿error que

esta distribuido de la siguiente manera:

14
Series: E
12 Sample 1991Q1 2018Q1
Observations 109
10
Mean -8.43e-16
8 Median -0.007520
Maximum 0.334691
6 Minimum -0.348358
Std. Dev. 0.131329
4 Skewness -0.023163
Kurtosis 2.869133
2
Jarque-Bera 0.087529
0 Probability 0.957180
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3

Obteniéndose un estadístico de Jarque-Bera de 0.0875.

A partir de esto, para demostrar la normalidad de los errores tomamos como base la hipótesis
nula como sigue.

>H0: ∃ 𝜀 ∼ 𝑁(0, 𝜎) o “Existe normalidad en los errores”

Ha: ∄ 𝜀 ∼ 𝑁(0, 𝜎) o “No existe normalidad en los errores”

JB=0.0875 < 7.3778 (χ2) (Prob=0.9572) Por lo que no podemos rechazar la Hipótesis
nula, es decir los errores si se distribuyen de forma normal.
Todo esto se puede corroborar con el grafico.

Test de Correlación Serial: Test de Durbin-Watson y test de Breusch-Godfrey

(Multiplicador de Lagrange)

Analizando la forma de la regresión en nuestro modelo comprobamos que si se puede aplicar

el estadístico de Durbin-Watson al cumplir los supuestos.

El estadístico de Durbin-Watson tiene la siguiente formula:

d=2(1-ρ)

Donde ρ: coeficiente de correlación.

Al hacer la estimación a través del programa Eviews, este nos proporciona directamente con el
valor de estadístico Durbin-Watson.

d=0.562539

Este valor del estadístico está muy por debajo de los posibles valores críticos del estadístico
Durbin-Watson, por lo que rechazamos la hipótesis nula, lo que indica que existe correlación
serial positiva.

Por otro lado, se puede evaluar la autocorrelación a través del test de Breusch-Godfrey que es
mas general en su aplicación.

Para ello realizamos una regresión con errores rezagados, específicamente 2 rezagos como
supuesto, y hallamos su coeficiente de determinación R2.

𝐿𝐵𝐶𝑡 = β0 + β1𝐿𝑇𝐶𝑅𝐵𝑡 + β2𝐿𝑃𝐵𝐼𝑡 + β3𝐿WTR𝑡 + µt

ût = β0 + β1𝐿𝑇𝐶𝑅𝐵𝑡 + β2𝐿𝑃𝐵𝐼𝑡 + β3𝐿WTR𝑡 + β4µt-1+ β5µt-2 + 𝜀t

Dependent Variable: E
Method: Least Squares
Date: 10/05/18 Time: 02:05
Sample (adjusted): 1991Q3 2018Q1
Included observations: 107 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C -0.409373 0.543263 -0.753546 0.4529

LTCRB 0.188804 0.134840 1.400202 0.1645
LPBI 0.120578 0.075575 1.595467 0.1137
LWTR -0.113775 0.077050 -1.476629 0.1429
E(-1) 0.725630 0.098380 7.375789 0.0000
E(-2) -0.036164 0.098518 -0.367079 0.7143
 R-squared 0.501679 Mean dependent var -0.005523
Adjusted R-squared 0.477010 S.D. dependent var 0.125958
S.E. of regression 0.091091 Akaike info criterion -1.899483
Sum squared resid 0.838047 Schwarz criterion -1.749605
Log likelihood 107.6223 Hannan-Quinn criter. -1.838724
F-statistic 20.33614 Durbin-Watson stat 1.964417
Prob(F-statistic) 0.000000

Como se observa, el R cuadrado de esta regresión es R2= 0.501679.

T*R2 =109*0.501679=54.683011

Tenemos entonces la hipótesis nula:

> H0: β4 = β5 = 0; “Las varianzas de los errores no están autocorrelacionadas”

> Ha: β4 ≠ β5 ≠ 0

T*R2=54.683011 > 7.3778 (χ2) Por lo que podemos rechazar la Hipótesis nula, es decir las
varianzas de los errores si existe correlación serial. Que coincide con la conclusión de la prueba
de Durbin-Watson. A su vez de corroborar a través del resultado en Eviews.

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 48.25494 Prob. F(2,103) 0.0000

Obs*R-squared 52.72710 Prob. Chi-Square(2) 0.0000

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 10/05/18 Time: 02:22
Sample: 1991Q1 2018Q1
Included observations: 109
Presample missing value lagged residuals set to zero.

Variable Coefficient Std. Error t-Statistic Prob.

C -0.092843 0.568969 -0.163178 0.8707

LTCRB 0.122504 0.141781 0.864038 0.3896
LPBI 0.088952 0.079656 1.116709 0.2667
LWTR -0.092750 0.081367 -1.139898 0.2570
RESID(-1) 0.734089 0.098165 7.478090 0.0000
RESID(-2) -0.049335 0.101861 -0.484332 0.6292

R-squared 0.483735 Mean dependent var -6.97E-16

Adjusted R-squared 0.458673 S.D. dependent var 0.131329
S.E. of regression 0.096625 Akaike info criterion -1.782486
Sum squared resid 0.961648 Schwarz criterion -1.634338
Log likelihood 103.1455 Hannan-Quinn criter. -1.722406
F-statistic 19.30198 Durbin-Watson stat 1.858726
Prob(F-statistic) 0.000000
Test de Heteroscedasticidad: Test de White y test ARCH

La heterocedasticidad se refiere a el caso en que la varianza de las perturbaciones no es

constante a través las observaciones, en este caso a través del tiempo que abarcan las
observaciones.

Para poder comprobar o descartar la presencia de heterocedasticidad se puede aplicar el test de

White que involucra relación en productos de las variables independientes consideradas en
primer lugar; y de manera similar a Breusch-Godfrey se halla el estadístico T*R2.

Considerando la hipótesis nula como:

➢ H0: α1= α2= … = α10=0: o “La varianza de los errores es homocedástica”

➢ Ha: “Existe heterocedasticidad”

Como el estadístico T*R2= 12.433 > 7.3778 (χ2) entonces se rechaza la hipótesis nula
y existe heterocedasticidad para nuestro modelo.

Heteroskedasticity Test: White

F-statistic 1.416247 Prob. F(9,99) 0.1914

Obs*R-squared 12.43298 Prob. Chi-Square(9) 0.1900
Scaled explained SS 10.78229 Prob. Chi-Square(9) 0.2909

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 10/05/18 Time: 02:25
Sample: 1991Q1 2018Q1
Included observations: 109

Variable Coefficient Std. Error t-Statistic Prob.

C -2.328880 11.97371 -0.194499 0.8462

LTCRB^2 -0.589808 0.543853 -1.084499 0.2808
LTCRB*LPBI -0.191492 0.471154 -0.406433 0.6853
LTCRB*LWTR 0.322823 0.481225 0.670835 0.5039
LTCRB 2.603692 4.231213 0.615354 0.5397
LPBI^2 -0.158704 0.165238 -0.960457 0.3392
LPBI*LWTR 0.366364 0.343440 1.066748 0.2887
LPBI -1.367474 2.086411 -0.655419 0.5137
LWTR^2 -0.187831 0.176389 -1.064866 0.2895
LWTR 0.415687 2.111507 0.196868 0.8443

R-squared 0.114064 Mean dependent var 0.017089

Adjusted R-squared 0.033524 S.D. dependent var 0.023471
S.E. of regression 0.023075 Akaike info criterion -4.612912
Sum squared resid 0.052711 Schwarz criterion -4.366000
Log likelihood 261.4037 Hannan-Quinn criter. -4.512780
F-statistic 1.416247 Durbin-Watson stat 1.034013
Prob(F-statistic) 0.191388
Tambien se puede aplicar el test ARCH que involucra relación con el cuadrado de los residuos
rezagados un periodo; y de manera similar a Breusch-Godfrey se halla el estadístico T*R2.

Considerando la hipótesis nula como:

➢ H0: α1= α2= … = α10=0: o “La varianza de los errores es homocedástica”

➢ Ha: “Existe heterocedasticidad”

Como el estadístico T*R2= 27 .3999 > 7.3778 (χ2) entonces se rechaza la hipótesis nula
y existe heterocedasticidad para nuestro modelo.

Heteroskedasticity Test: ARCH

F-statistic 36.03461 Prob. F(1,106) 0.0000

Obs*R-squared 27.39993 Prob. Chi-Square(1) 0.0000

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 10/05/18 Time: 02:26
Sample (adjusted): 1991Q2 2018Q1
Included observations: 108 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C 0.008213 0.002250 3.650927 0.0004

RESID^2(-1) 0.464391 0.077361 6.002884 0.0000

R-squared 0.253703 Mean dependent var 0.016210

Adjusted R-squared 0.246663 S.D. dependent var 0.021704
S.E. of regression 0.018838 Akaike info criterion -5.087558
Sum squared resid 0.037615 Schwarz criterion -5.037889
Log likelihood 276.7281 Hannan-Quinn criter. -5.067419
F-statistic 36.03461 Durbin-Watson stat 1.841735
Prob(F-statistic) 0.000000

DIAGNÓSTICO DE ESTABILIDAD
Test de Quiebre Estructural: Prueba de Chow

Para evaluar si existe quiebre estructural en la serie de tiempo que conforma la variable
dependiente, primero debemos observar ´precisamente su comportamiento a través del tiempo
y ubicar puntos que evidencian cambios bruscos en la tendencia. Para nuestro caso de logaritmo
de la Balanza Comercial (LBC), estos posibles cambios bruscos se dan en 1998:1 y en 2006:3,
con una subida súbita, y luego un cambio de pendiente hacia el descenso.
 LBC
.6

.4

.2

.0

-.2

-.4

-.6
92 94 96 98 00 02 04 06 08 10 12 14 16

➢ H0: (β11, β12, …) = (β21, β22, … ): o “No existe quiebre estructural”

➢ Ha: “Existe quiebre estructural”

Como el estadístico F = 8.9217 > 2,4617 (F4,101) con Prob=0.0000; entonces se rechaza
la hipótesis nula y existe quiebre estructural en el ´punto supuesto, es decir en 1998:1.

Chow Breakpoint Test: 1998Q1

Null Hypothesis: No breaks at specified breakpoints
Varying regressors: All equation variables
Equation Sample: 1991Q1 2018Q1

F-statistic 8.921741 Prob. F(4,101) 0.0000

Log likelihood ratio 32.98044 Prob. Chi-Square(4) 0.0000
Wald Statistic 35.68696 Prob. Chi-Square(4) 0.0000

➢ H0: (β11, β12, …) = (β21, β22, … )= (β31, β32, … ): o “No existe quiebre estructural”
➢ Ha: “Existe quiebre estructural”

Como el estadístico F = 8.1950 > 2,0353 (F8,97) con Prob=0.0000; entonces se rechaza
la hipótesis nula y existe quiebre estructural en los puntos supuesto, es decir en 1998:1
y en 2006:3.

Chow Breakpoint Test: 1998Q1 2006Q3

Null Hypothesis: No breaks at specified breakpoints
Varying regressors: All equation variables
Equation Sample: 1991Q1 2018Q1

F-statistic 8.195012 Prob. F(8,97) 0.0000

Log likelihood ratio 56.28071 Prob. Chi-Square(8) 0.0000
Wald Statistic 65.56010 Prob. Chi-Square(8) 0.0000

Test de Errores de Especificación: RESET de Ramsey

Respecto a la especificación del modelo, el test RESET de Ramsey involucra el

planteamiento de una hipótesis nula como sigue:

➢ H0: “El modelo esta correctamente especificado”

➢ Ha: “El modelo no está correctamente especificado”

Como el estadístico F = 4.3847 < 6.885 (F1,104) con Prob=0.0387; entonces no se puede
rechazar la hipótesis nula y concluimos en que el modelo está correctamente
especificado a un nivel de significancia de 1%.

Ramsey RESET Test

Equation: UNTITLED
Specification: LBC C LTCRB LPBI LWTR
Omitted Variables: Squares of fitted values

Value df Probability
t-statistic 2.093959 104 0.0387
F-statistic 4.384664 (1, 104) 0.0387
Likelihood ratio 4.501231 1 0.0339

F-test summary:
Mean
Sum of Sq. df Squares
Test SSR 0.075355 1 0.075355
Restricted SSR 1.862702 105 0.017740
Unrestricted SSR 1.787347 104 0.017186

LR test summary:
Value
Restricted LogL 67.11362
Unrestricted LogL 69.36424

Unrestricted Test Equation:

Dependent Variable: LBC
Method: Least Squares
Date: 10/05/18 Time: 02:38
Sample: 1991Q1 2018Q1
Included observations: 109

Variable Coefficient Std. Error t-Statistic Prob.

C -9.097142 0.802671 -11.33358 0.0000

LTCRB 0.633120 0.216746 2.921020 0.0043
LPBI -0.364451 0.133668 -2.726548 0.0075
LWTR 0.668634 0.131386 5.089093 0.0000
 FITTED^2 0.975972 0.466089 2.093959 0.0387

R-squared 0.681793 Mean dependent var 0.023884

Adjusted R-squared 0.669554 S.D. dependent var 0.228054
S.E. of regression 0.131096 Akaike info criterion -1.180995
Sum squared resid 1.787347 Schwarz criterion -1.057539
Log likelihood 69.36424 Hannan-Quinn criter. -1.130929
F-statistic 55.70773 Durbin-Watson stat 0.529857
Prob(F-statistic) 0.000000

Test de CUSUM y CUSUM Cuadrado

Estableciendo la hipótesis nula como la homogeneidad a lo largo del modelo:

H0: “Existe homogeneidad en el modelo”

Al observar los gráficos de CUSUM y CUSUM cuadrada obtenidos a través del software
correspondiente, basados en la suma recursiva de residuos normalizados; se observa un
sobrepaso de las bandas de confianza, por lo que se rechaza la hipótesis nula, es decir que no
existe homogeneidad en el modelo a 5% de significancia.

50

40

30

20

10

-10

-20

-30
92 94 96 98 00 02 04 06 08 10 12 14 16

CUSUM 5% Significance
 1.2

1.0

0.8

0.6

0.4

0.2

0.0

-0.2
92 94 96 98 00 02 04 06 08 10 12 14 16

CUSUM of Squares 5% Significance

TEST DE CAUSALIDAD DE GRANGER

Para comprobar la causalidad, que en el sentido de Granger se refiere a la causalidad estadística,

se aplica mediante el software la prueba de Granger que relaciona dos variables para comprobar
cual afecta a cuál, o cual ayuda a predecir la otra.
En primer lugar, respecto a la Balanza Comercial y el Tipo de Cambio Real Bilateral, tenemos:
Pairwise Granger Causality Tests
Date: 10/05/18 Time: 02:47
Sample: 1991Q1 2018Q1
Lags: 2

Null Hypothesis: Obs F-Statistic Prob.

LTCRB does not Granger Cause LBC 107 1.39447 0.2527

LBC does not Granger Cause LTCRB 3.14066 0.0475

Evaluando la probabilidad del estadístico F para ambos casos, observamos que se puede
rechazar la hipótesis nula por lo que la Balanza comercial causa en el sentido de Granger al
Tipo de Cambio Real Bilateral.

Pairwise Granger Causality Tests

Date: 10/05/18 Time: 02:47
Sample: 1991Q1 2018Q1
Lags: 2

Null Hypothesis: Obs F-Statistic Prob.

LPBI does not Granger Cause LBC 107 0.40565 0.6676

LBC does not Granger Cause LPBI 5.03885 0.0082
Evaluando la probabilidad del estadístico F para ambos casos, observamos que se puede
rechazar la hipótesis nula por lo que la Balanza Comercial causa en el sentido de Granger al
Producto Bruto Interno.

Pairwise Granger Causality Tests

Date: 10/05/18 Time: 02:48
Sample: 1991Q1 2018Q1
Lags: 2

Null Hypothesis: Obs F-Statistic Prob.

LWTR does not Granger Cause LBC 107 1.04384 0.3558

LBC does not Granger Cause LWTR 4.81200 0.0101

Evaluando la probabilidad del estadístico F para ambos casos, observamos que se puede
rechazar la hipótesis nula por lo que la Balanza Comercial causa en el sentido de Granger a las
importaciones mundiales (WTR).

TEST DE EXOGENEIDAD:
Test de Coeficientes Recursivos

160 4

120 2

80 0

40 -2

0 -4

-40 -6
92 94 96 98 00 02 04 06 08 10 12 14 16 92 94 96 98 00 02 04 06 08 10 12 14 16

Recursive C(1) Estimates Recursive C(2) Estimates

± 2 S.E. ± 2 S.E.

2 4

1 2

0
0
-1
-2
-2
-4
-3

-4 -6

-5 -8
92 94 96 98 00 02 04 06 08 10 12 14 16 92 94 96 98 00 02 04 06 08 10 12 14 16

Recursive C(3) Estimates Recursive C(4) Estimates

± 2 S.E. ± 2 S.E.

En estos casos se observa que los estimadores finales de los parámetros se sitúan dentro de
las bandas de desviación estándar.
Exogeneidad Débil

A través de la aplicación de los vectores de corrección de errores estimados establecemos.

Vector Error Correction Estimates

Date: 10/05/18 Time: 05:25
Sample (adjusted): 1991Q4 2018Q1
Included observations: 106 after adjustments
Standard errors in ( ) & t-statistics in [ ]

Cointegration Restrictions:
A(2,1)=0
Convergence achieved after 16 iterations.
Not all cointegrating vectors are identified
LR test for binding restrictions (rank = 1):
Chi-square(1) 3.265151
Probability 0.070767

Cointegrating Eq: CointEq1

LBC(-1) -10.41089

LTCRB(-1) 1.179398

LPBI(-1) -7.134307

LWTR(-1) 10.57344

C -89.07327

Error Correction: D(LBC) D(LTCRB) D(LPBI) D(LWTR)

CointEq1 0.015061 0.000000 -0.009764 -0.016735

(0.00832) (0.00000) (0.00461) (0.00484)
[ 1.80922] [NA] [-2.11918] [-3.45534]

D(LBC(-1)) 0.075987 0.047277 -0.082613 -0.028519

(0.10853) (0.03438) (0.07298) (0.06350)
[ 0.70015] [ 1.37501] [-1.13198] [-0.44910]

D(LBC(-2)) -0.061791 0.033881 -0.162938 -0.054739

(0.10598) (0.03357) (0.07126) (0.06201)
[-0.58306] [ 1.00914] [-2.28642] [-0.88278]

D(LTCRB(-1)) 0.082968 -0.028820 -0.562081 -0.626074

(0.38739) (0.12273) (0.26050) (0.22667)
[ 0.21417] [-0.23482] [-2.15769] [-2.76206]

D(LTCRB(-2)) -0.144515 0.250787 -0.237128 0.201955

(0.34559) (0.10949) (0.23239) (0.20221)
[-0.41817] [ 2.29057] [-1.02039] [ 0.99875]

D(LPBI(-1)) -0.012410 -0.027509 -0.587282 -0.294979

(0.22841) (0.07236) (0.15360) (0.13365)
[-0.05433] [-0.38014] [-3.82353] [-2.20713]

D(LPBI(-2)) -0.098534 0.043748 -0.126187 0.198236

(0.21010) (0.06656) (0.14128) (0.12293)
[-0.46899] [ 0.65726] [-0.89317] [ 1.61258]

D(LWTR(-1)) -0.137902 0.011850 -0.042449 0.119217

 (0.20188) (0.06396) (0.13575) (0.11812)
[-0.68310] [ 0.18529] [-0.31269] [ 1.00928]

D(LWTR(-2)) -0.192599 -0.039006 0.234875 -0.057419

(0.18049) (0.05718) (0.12137) (0.10561)
[-1.06710] [-0.68215] [ 1.93520] [-0.54370]

C 0.009469 0.000382 0.026423 0.016003

(0.01036) (0.00328) (0.00697) (0.00606)
[ 0.91395] [ 0.11623] [ 3.79248] [ 2.63974]

R-squared 0.116880 0.116722 0.352066 0.351984

Adj. R-squared 0.034088 0.033915 0.291322 0.291233
Sum sq. resids 0.730260 0.073296 0.330214 0.250011
S.E. equation 0.087217 0.027632 0.058649 0.051032
F-statistic 1.411728 1.409568 5.795910 5.793836
Log likelihood 113.4156 235.2569 155.4795 170.2261
Akaike AIC -1.951237 -4.250130 -2.744896 -3.023134
Schwarz SC -1.699969 -3.998862 -2.493628 -2.771866
Mean dependent 0.002426 0.000343 0.016482 0.015811
S.D. dependent 0.088743 0.028112 0.069669 0.060617

Determinant resid covariance (dof adj.) 1.92E-11

Determinant resid covariance 1.29E-11
Log likelihood 726.2679
Akaike information criterion -12.87298
Schwarz criterion -11.76740
Number of coefficients 44

Considerando la Hipótesis nula H0: La variable LBC es débilmente exógena.

Obtenemos un estadístico χ2 = 3.265 con Prob=0.07, rechazamos la hipótesis nula, por lo que
no existe exogeneidad débil para el logaritmo de la Balanza Comercial.

Como consecuencia tampoco existe exogeneidad fuerte o superexogeneidad.

V. CONCLUSIONES Y RECOMENDACIONES

• Los parámetros estimados para el modelo de balanza comercial tienen los signos y
magnitudes esperadas de acuerdo a la teoría económica y la experiencia empírica de
investigaciones anteriores. Al establecer un ajuste por modelo doble logarítmico, los
coeficientes representas las elasticidades parciales de la variable dependiente respecto
a las explicativas, facilitando la interpretación y la comprobación de la condición de
Marshall-Lerner.
• Desde el punto de vista econométrico, los coeficientes estimados son estadísticamente
significativos, tanto a nivel individual como en conjunto, pero pasando a pruebas más
exhaustivas el modelo quiebra su aparente robustez al fallar en niveles como causalidad
de Granger, estabilidad en el modelo, o presentar quiebre estructural hasta para tres
periodos.
• Si bien se supuso estacionariedad en el modelo planteado, otras pruebas de hipótesis
rompen la aparente viabilidad inicial de realizar predicciones en base al modelo,
 principalmente por la ausencia de exogeneidad débil. Por lo que se recomienda
replantear el modelo para posteriores estudios y comprobación del modelo planteado.

VI. REFERENCIAS BIBLIOGRÁFICAS

Bustamante, R. & Fedor, M. (2007). Probando la Condición de Marshall-Lerner y el Efecto
Curva-J: Evidencia Empírica para el Caso Peruano.
Valle, M. G. & Silva, D. (2005). Condición Marshall-Lerner y Quiebre Estructural de la
Economía Brasileña.
Blanchar, O. & Perez E. D. (2000). Macroeconomía: Teoría y Política Económica con
Aplicaciones a América Latina (2da ed.).
Bustamante, R. & Fedor, M. (2007). Probando la Condición de Marshall-Lerner y el Efecto
Curva-J: Evidencia Empírica para el Caso Peruano.
Michael, P. & Gerardo, E. (2006). Microeconomía, Verisión para América Latina (7a ed.).
BCRP. (2013). Banco Central de Reserva del Perú. Obtenido de http://www.bcrp.gob.pe/
Galindo Luis Miguel, Guerrero Carlos, “Factores Determinantes de la Balanza Comercial de
México, 1980-1995”, Comercio Exterior, volumen 47, número 10. Octubre 1997.

ANEXOS

ANEXO 01
16

12

-4
92 94 96 98 00 02 04 06 08 10 12 14 16

LBC LTCRB
LPBI LWTR

Evolución de los logaritmos de las variables del modelo.