Determinacion del precio del maiz (modelo base)
-
Upload
alex-serpasky -
Category
Documents
-
view
19 -
download
1
description
Transcript of Determinacion del precio del maiz (modelo base)
“Determinantes del precio del maíz
en el Perú entre los años 2006 y 2013”
Integrantes:
Cerpa Casas, Alex
Chachico Delgado, Yeri
Chuquillanqui Herrera, Carlos
Profesor: Jorge Cortez
2016-0
INDICE:
I. MODELO
1.1 Objetivo
1.2 Marco Teórico
II. APLICACIÓN
2.1 Aplicación de MCO
III. RELAJAMIENTO DE SUPUESTOS
3.1 Heterocedasticidad
3.2 Auto correlación
3.3 Inestabilidad en la conducta
3.4 Multicolinealidad
IV. CONCLUSIONES
V. BIBLIOGRAFIA
Econometría - ESAN Página 2
I. EL MODELO
1.1 Objetivo
El objetivo del presente trabajo es estimar econométricamente el precio importado del
maíz desde los Estados Unidos comprendido entre los periodos 2006 y 2013, con el fin de
obtener los parámetros de las variables explicativas del modelo y verificar si estas tienen
un impacto en la variable explicada.
1.2 Marco Teórico
Introducción
El Maíz Amarillo Duro, es el tercer cultivo en importancia a nivel nacional; si bien en los
últimos diez años la producción nacional del maíz ha mostrado una tasa de crecimiento de
1.8% promedio anual, es necesario mejorar e incrementar la productividad y
competitividad del cultivo, considerando el favorable comportamiento del mercado
nacional e internacional. El objetivo de este estudio es identificar y analizar cuáles son los
factores económicos que afectan el precio de este recurso en el Perú a través de un
modelo econométrico, pues en los últimos años el precio de este ha tenido muchas
variaciones llegando costar un promedio de S. /0.94 el kilo a S/. 1.17, siendo distintas las
razones de las variaciones.
Modelo Planteado
Se plantea un modelo lineal general, uniecuacional y multicausal definido de la siguiente
manera:
P=B0+B1 I +B2 PS+B3 PP+B4 TC+B5Q+U
Econometría - ESAN Página 3
La variable explicada:
P: Precio importado del maíz en US$
Las variables explicativas:
IP: Ingreso promedio de las personas en Perú en US$
PS: Precio de los Productos sustitutos en este caso el trigo en US$
PP: Precio del Petróleo US$/bl
TC: Tipo de cambio nominal bancario
QC: Cantidad importada de maíz en el Perú medida en TM
β0: Es el intercepto representa el precio mínimo del maíz requeridas en caso de
que todas las variables tengan un impacto nulo.
U: Es la perturbación y/o variable aleatoria del modelo, donde engloba otras
variables que no tienen un impacto significativo en el modelo.
Econometría - ESAN Página 4
II. APLICACION
2.1 Aplicación de Mínimos Cuadrados Ordinarios
Aplicaremos MCO en el modelo para verificar la relevancia de las variables, qué tan cerca
nos encontramos del parámetro, analizar si nuestro modelo presenta autocorrelación y saber
cómo explican las variables explicativas a mi endógena a través del R2 (R-squared).
Como podemos observar en el gráfico, las variables explicativas representan muy bien a la
endógena, pues se presenta un R2 cercano a 1.
Así mismo, podemos observar un Durbin-Watson estadístico de 0.258533. Esto nos lleva a
detectar que nuestro modelo tiene autocorrelación positiva, lo que más adelante corregiremos.
Econometría - ESAN Página 5
III. RELAJAMIENTO DE SUPUESTOS
3.1 Heterocedasticidad
Para la evaluación de heterocedasticidad, utilizamos el test de Glejser. Como resultado de la
prueba obtuvimos como resultado que el modelo no es homocedástico y para corregir
utilizaremos Mínimos Cuadrados Generalizados obligándonos a detectar nuestra variable
escala.
Análisis de la variable escala
R2 ^(1/2) ^2 LOG LOG^2I 0.003171 0.004696 0.017320 0.006500 0.026465PP 0.041122 0.062939 0.037790 0.041035 0.041466PS 0.099712 0.095186 0.107211 0.090376 0.092112TC 0.006709 0.011772 0.009140 0.004580 0.006575Q 0.001652 0.003917 0.000131 0.006473 0.006070
Como podemos observar en la tabla, nuestra variable escala es el precio productos sustitutos
al cuadrado (PS2). Con nuestra variable escala procederemos a aplicar el test de Glejser para
analizar si nuestro modelo presenta homocedasticidad o no.
Econometría - ESAN Página 6
En el test de Glejser podemos ver que el F probabilístico es menor a 0.05, lo cual significa
que se rechaza Ho que es Homocedasticidad, llegando a la conclusión que hay
Heterocedasticidad.
Para poder corregir heterocedasticidad necesitamos identificar el valor de nuestros alfas para
poder aplicar MCG y corregir el modelo.
Econometría - ESAN Página 7
Al aplicar MCG, podemos observar que nuestro R2 sigue manteniéndose alto, por lo que al
modificar las variables aún continúan explicando a la endógena. Para verificar si persiste la
heterocedasticidad, procederemos a realizar el test de White.
Al ver el F-prob del test de White, llegamos a la conclusión que continuábamos con
Heterocedasticidad. Como es otra la causa del problema de heterocedasticidad, hemos
decidido eliminar una variable con el fin de poder corregir el modelo. La variable
seleccionada fue el Precio de los productos Sustitutos (PS), al final tendríamos el siguiente
modelo.
P=Bo+B1 I +B2 PP+B3TC +B4 Q+U
Aplicación de MCO al nuevo Modelo
A continuación, repetiremos el procedimiento que el nuevo modelo, para evaluar si este
modelo explica bien a la variable exógena, si las variables tienen procesos autoregresivos y si
aún presentan el problema de heterocedasticidad.
Econometría - ESAN Página 8
Podemos observar que el R2 aún sigue manteniendo estable y que persiste el problema de
Autocorrelación. Procederemos a realizar el test de Glejser, identificando la variable escala
para analizar si aún existe el problema de Heterocedasticidad.
Test de Glejser al Nuevo Modelo
R2 ^(1/2) ^2 LOG LOG^2 LOG^(1/2)I 0.012394 0.015410 0.007361 0.018704 0.017445 0.019346PP 0.002637 0.002587 0.002204 0.002336 0.002495 0.002242TC 0.013841 0.012593 0.016386 0.011369 0.013714 0.010234Q 0.018682 0.018241 0.019481 0.017760 0.017835 0.017722
Al identificar nuestra variable escala podemos aplicar el Test de Glejser para poder detectar
Homocedasticidad.
Econometría - ESAN Página 9
Al aplicar el test de Glejser podemos observar que el modelo presenta Homocedasticidad, por
lo que no es necesario identificar el valor de los alfas para la aplicación de MCG. En
conclusión, este nuevo modelo no presenta Heterocedasticidad.
Econometría - ESAN Página 10
3.2 Auto correlación
Al observar el cuadro del MCO del modelo podemos observar que se tiene un Durbin-Watson
de 0.267218. Lo que podemos concluir que hay auto correlación positiva
AR (+) dL no definido dU 4-DU no definido 4-DL AR (-)
0 DW=0.267218 1,4282 1,6422 2 2,3578 2,5718 4
NO AR
Para corregir Auto correlación necesitamos encontrar un valor de Rho, que en este caso
utilizaremos el Rho de Durbin.
Para poder obtener el Rho de Durbin, estimamos una ecuación las variables del modelo y sus
respectivos rezagos. Obtenemos un Rho de Durbin igual a 0.894533. Con este valor,
procedemos a identificar las variables P2, I2, PP2, TC2 y Q2 utilizando los comandos
enseñados en clase. Con estas nuevas variables se procede a aplicar MCO, lo cual tenemos el
siguiente resultado.
Al ver el cuadro, podemos observar que presentamos un D-W de 1.73 y al observar la tabla
de D-W podemos concluir que el modelo ya no presenta AR.
Econometría - ESAN Página 11
3.3 Inestabilidad en la conducta
El problema de inestabilidad se presenta cuando los coeficientes de las variables explicativas
dejan de ser constantes.
¿Porque pensamos en inestabilidad?, nuestro estudio abarca desde el mes de enero del año
2006 hasta el mes de diciembre del año 2013. Dentro de este periodo ocurrieron importantes
hechos que no solo influyeron en el ámbito nacional sino también en el ámbito internacional;
como la crisis de Estados Unidos en el año 2007 y la caída de precio del petróleo en el año
2009. Es por eso desde un inicio nuestro trabajo quería probar que existía un cambio en la
conducta en la fecha 2009M1 ,debido a la caída del precio del petróleo en esta fecha ;sin
embargo ; utilizando el test de Cusum, el resultado es que nuestro modelo presenta
estabilidad.
Para ello nos apoyaremos en la siguiente gráfica.
.
En un primer momento, se pensaría que nuestro modelo presenta estabilidad, sin embargo
para ser más rigurosos en cuanto a la detección de inestabilidad en la conducta de nuestro
modelo, aplicamos el test de Cusum-Cuadrado con el cual nos dio como resultado que no se
acepta estabilidad en nuestro modelo
Econometría - ESAN Página 12
A continuación, se aplicara el Test de Chow correspondiente para estar seguros de la
existencia de quiebre en nuestro modelo, dándonos como resultado fecha de quiebre en el
mes de enero del año 2013. En el cual se obtiene una probabilidad menor al grado de
confianza, lo que se interpreta como la no aceptación a la hipótesis nula, la cual significa que
hay Inestabilidad.
Econometría - ESAN Página 13
A continuación corregiremos la inestabilidad por medio del método de aplicación de
Variables Ficticias (Dummy). Se genera el vector Dummy, y luego se genera una matriz que
tiene a las variables explicativas y a las variables explicativas pero multiplicadas por la
Dummy, es decir como si tuviéramos 10 variables explicativas. Es así como se obtiene el
modelo corregido.
Después de corregir el modelo, se vuelve a aplicar el test de Cusum Cuadrado y según la
gráfica ya no presento inestabilidad de acuerdo con este Test.
Econometría - ESAN Página 14
3.4 Multicolinealidad
Es imposible encontrar dos variables económicas que estén libre de colinealidad es decir que
cuenten con un coeficiente de correlación igual a cero, en este caso sería ilógico pensar que
nuestro modelo esté libre de multicolinealidad. La manera de detectar si nuestro modelo
presenta multicolinealidad es a través de la matriz de coeficientes de correlaciones por pares
de las variables explicativas.
Si |Rxx|≈ 0 entonces se concluye que “hay colinealidad”
Si |Rxx|≈1 entonces se concluye “ausencia de colinealidad”
En este caso la determinante de la matriz del modelo tomo el valor de |Rxx|=¿0.055719 lo
cual se aproxima a cero indicando que habría colinealidad, además se puede observar en la
matriz de correlaciones que existe un alto grado de colinealidad entre X1 y X4 las variables
tipo de cambio e ingresos.
Econometría - ESAN Página 15
C1 C2 C3 C4
Matriz de Correlaciones
R1 1.000000 0.698630 -0.892252 0.543675
R2 0.698630 1.000000 -0.777334 0.417472
R3 -0.892252 -0.777334 1.000000 -0.537839
R4 0.543675 0.417472 -0.537839 1.000000
De este modo la variable involucrada con alto grado de colinealidad según la regla de Klein
es la variable X3 “Tipo de cambio”. Una de la manera de corregir este problema es
eliminando una variable en este caso la que mayor grado de colinealidad. Donde la nueva
matriz de coeficientes de correlación por pares de las variables explicativas y la nueva
determinante viene dada por:
C1 C2 C3
Last updated: 02/21/16 - 15:56
Matriz de correlaciones
R1 1.000000 0.698630 0.543675
R2 0.698630 1.000000 0.417472
R3 0.543675 0.417472 1.000000
Cuyo determinante toma el valor de |Rxx|=0.359185 por lo que la determinante se aleja de
cero en comparación al anterior, disminuyendo de esta manera el grado de colinealidad.
Econometría - ESAN Página 16
Donde la nueva estimación sin problemas de multicolinealidad queda de esta forma. Por otro
lado eliminar una de las variables sin ninguna justificación teórica es riesgoso por que
aumentaría el sesgo del estimador por la razón de que se estaría eliminando una variable
considerada importante.
Con lo cual el modelo corregido de multicolinealidad, el modelo seria el siguiente:
Econometría - ESAN Página 17
IV. CONCLUSIONES
Para poder desarrollar el trabajo de investigación, se avanzó progresivamente según lo
aprendido en clases, analizando si se cumplen o no los supuesto del Modelo Lineal General,
para poder realizar la regresión y obtener los Betas de las variables explicativas y ver qué
impacto tienen estas en la endógena.
Respecto al Problema en la Estructura de Covarianzas (PEC) nuestro modelo presentó
Heterocedasticidad esto se verificó a través del test de Glejser y se confirmó por medio del
test de White; luego se corrigió el modelo pero las pruebas individuales determinaban que
teníamos que eliminar variables, que podrían ser buenas. Es por eso que se optó por sacar la
variable precio de los sustitutos con el cual corregimos Heterocedasticidad y a partir de este
modelo hicimos todo el análisis siguiente.
El modelo a su vez, también presentó problemas de auto correlación positiva, para corregir
hemos utilizado los Mínimos Cuadrados Generalizados, para lo cual se necesitaba estimar el
ρ, el cual se puede realizar a través del método computacional, o a través del método de
Durbin. Al corregir este problema, nuestro resultado fue que nuestro modelo ya no presentaba
el problema de auto correlación.
El otro problema que vimos en nuestro trabajo fue el de inestabilidad en la conducta,
aplicando el test de Cusum nuestro modelo presentaba estabilidad; sin embargo al aplicar el
Test de Cusum cuadrado, nuestro modelo presentaba inestabilidad. Para corregir hemos
utilizado el Test de Chow global, el cual nos decía que había inestabilidad en el mes de enero
del 2013.Sin embargo al corregir el modelo con variables ficticias (Dummys) ; el modelo se
corregía y nos salía que había estabilidad en la conducta.
Por ultimo, nuestro modelo también presentaba el problema de multicolinealidad entre las
variables ingreso y tipo de cambio y como este es un problema principalmente de los datos de
la muestra no se puede corregir este problema pero si se puede disminuir el grado de
colinealidad de las variables, es por eso que se optó por sacar el tipo de cambio del modelo
para disminuir el grado de colinealidad.
Econometría - ESAN Página 18
V. BIBLIOGRAFIA
Banco Central de Reserva del Perú (marzo, 2011). Glosario de términos económicos.
Recuperado de https://estadisticas.bcrp.gob.pe/estadisticas/series/mensuales/tipo-de-cambio-
nominal
Indexmundi. Índice de precios del crudo-Precio mensual Recuperado de
http://www.indexmundi.com/es/precios-de-mercado/?mercancia=petroleo-crudo&meses=300
Novales, A. (1993). Econometría (segunda edición). Aravaca: McGraw Hill
Econometría - ESAN Página 19