rodrigo69rioja.files.wordpress.com · Web view2016. 9. 18. · Esta estimación se la realiza...
Transcript of rodrigo69rioja.files.wordpress.com · Web view2016. 9. 18. · Esta estimación se la realiza...
NIGERIAINTRODUCCIONNigeria, oficialmente la República Federal de Nigeria es un país soberano situado en África occidental, en la zona del golfo de Guinea, cuya forma de gobierno es la república federal presidencialista. Su territorio está compuesto por 36 estados federales y un distrito federal. Su capital es Abuya, con 1.178.568 habitantes, y su ciudad más poblada y anterior capital es Lagos, con 7.937.932 habitantes (datos de 2006).
La población humana en la zona de Nigeria se remonta a las primeras poblaciones humanas alrededor del 9.000 a. C., aunque probablemente fuera habitada con anterioridad. El área alrededor del río Benue y del río Cross es el lugar de origen del bantú que se extendió en oleadas por todo el África Central y Meridional a partir del siglo V a. C.
Nigeria es el país más poblado de África y el séptimo del mundo (superando a Japón y a Rusia). También se agrupa dentro de los Próximos once (también conocido como N-11) que es un grupo de países con grandes perspectivas de inversión y crecimiento en el futuro. La economía de Nigeria es una de las más crecientes del mundo, con unas estimaciones de crecimiento del 9% en 2008 y del 8,3% en 2009. El FMI espera que Nigeria crezca un 8% en 2011.
Este trabajo como pudimos ver esta dirigido al país de Nigeria para realizar el modelo de la producción mejor conocido como el modelo de Cobb Douglas en el que se ve como se relaciona el producto interno bruto de un país con el capital total y el trabajo total del mismo.
En este trabajo se emplearan todas las herramientas aprendidas en econometría o la estadística aplicada a la economía, para ver el modelo en su totalidad de significación se empleara la herramienta o paquete Eview’s en el que se realizaran los cálculos.
RODRIGO RIOJA TORRICO
NIGERIA
Var (p) de 2 variables:
Los modelos keynesianos son utilizados para identificar el nivel de equilibrio y analizar las interrupciones de los mercados de bienes y servicios, es decir, estudiar los niveles relativos tanto de producción como los ingresos agregados
En el presente, los modelos keynesianos y el modelo clásico son ampliamente empleados como base de los modelos completos, dado que se ha notado que, aún cuando esos modelos presentan aspectos generalmente keynesianos (tales como la competencia imperfecta), responden mejor a estímulos clásicos, lo que ha llevado a la producción de una serie de “modelos estándar”. Adicionalmente, ha habido una recurrencia en el uso del modelo keynesiano, en una nueva interpretación, introducida por Gregory Mankiw
DATOS PARA EL MODELOLos datos que se tomara en cuenta en este modelo son tomados de la pagina de internet del banco mundial, de los cuales se usaron solo dos variables, que serán explicadas, por otro lado se puede decir que se usaron datos de 1992 hasta el 2015 por el hecho que de la población no existen datos del 2016.
Se usara o empleara este modelo por que al hacer caculos es el que mejor se ajusta al país de Nigeria y con este modelo el país podrá explicarse muy bien y las variables empleadas lograran ser muy significativas.
ECUACION DEL MODELO DE KEYNES
Y=C+ I
DONDE:
Y = producción total (PIB)
C= consumo
I = ingreso
RODRIGO RIOJA TORRICO
ESPECIFICACIÓN DEL MODELO ECONOMÉTRICO.
Y=C+ I∗ei
DATOS NUMERICOS
Diferenciando el modelo Keynesiano
RODRIGO RIOJA TORRICO
Ingreso nacional consumo
23,64412447 11,25125286
0,126395179 -1,946056549
3,348055339 -4,619885812
3,92427266 6,196135506
-42,30262659 20,12898805
19,51062707 -3,464987184
44,47792658 0,703056475
7,075409227 -6,013638372
-3,092030317 1,836999625
-0,071030339 41,43551821
-0,222135306 0,614692732
16,36342975 15,36280035
0,508933255 2,839079905
39,01951521 4,814934839
-0,71199984 9,206565594
31,33812946 -26,83587876
-1,487593753 61,40035556
10,4740098 -27,1186248
6,452439415 38,02083944
20,23723051 -8,959531912
-3,548627108 -3,056185292
13,68755486 0,005660087
2,612734359 21,06498842
8,02518367 2,040055044
Exogenous: ConstantLag Length: 0 (Automatic - based on SIC, maxlag=5)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -9.616916 0.0000Test critical values: 1% level -3.752946
5% level -2.99806410% level -2.638752
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test EquationDependent Variable: D(CONSUMO)Method: Least SquaresDate: 09/17/16 Time: 20:28Sample (adjusted): 2 24Included observations: 23 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
CONSUMO(-1) -1.629701 0.169462 -9.616916 0.0000C 10.43115 3.519566 2.963760 0.0074
R-squared 0.814954 Mean dependent var -0.400487Adjusted R-squared 0.806142 S.D. dependent var 36.32037S.E. of regression 15.99161 Akaike info criterion 8.464947Sum squared resid 5370.366 Schwarz criterion 8.563686Log likelihood -95.34689 Hannan-Quinn criter. 8.489780F-statistic 92.48508 Durbin-Watson stat 2.087930Prob(F-statistic) 0.000000
INTERPRETACION.- como podemos ver tenemos una probabilidad del 100% dándonos a conocer q no hace falta diferenciar la variable Consumo. Demostrando al inexistencia de raíz unitaria siendo este estacionario.
Null Hypothesis: INGRESO has a unit rootExogenous: ConstantLag Length: 2 (Automatic - based on SIC, maxlag=5)
RODRIGO RIOJA TORRICO
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -3.529248 0.0174Test critical values: 1% level -3.788030
5% level -3.01236310% level -2.646119
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test EquationDependent Variable: D(INGRESO)Method: Least SquaresDate: 09/17/16 Time: 20:33Sample (adjusted): 4 24Included observations: 21 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
INGRESO(-1) -1.659006 0.470073 -3.529248 0.0026D(INGRESO(-1)) 0.426692 0.361641 1.179876 0.2543D(INGRESO(-2)) 0.254191 0.230074 1.104820 0.2846
C 13.53271 5.508400 2.456740 0.0251
R-squared 0.622814 Mean dependent var 0.222720Adjusted R-squared 0.556252 S.D. dependent var 27.52167S.E. of regression 18.33340 Akaike info criterion 8.824969Sum squared resid 5713.931 Schwarz criterion 9.023926Log likelihood -88.66218 Hannan-Quinn criter. 8.868148F-statistic 9.356878 Durbin-Watson stat 2.083452Prob(F-statistic) 0.000703
INTERPRETACION.- como se puede apreciar en la parte remarcada con rojo tenemos una probabilidad de un 99% dándonos a conocer q no hace falta diferenciar la variable ingreso. Demostrando al inexistencia de raíz unitaria
ESTIMACION DEL MODELO
Vector Autoregression Estimates
Date: 17/09/16 Time: 19:50
Sample (adjusted): 2 45
RODRIGO RIOJA TORRICO
Included observations: 44 after adjustments
Standard errors in ( ) & t-statistics in [ ]
CONSUMO INGRESOS
CONSUMO(-1) 1.038554 0.191450
(0.04005) (0.07961)
[ 25.9335] [ 2.40472]
INGRESOS(-1) -0.001809 0.917604
(0.02895) (0.05756)
[-0.06250] [ 15.9430]
C 5271439. -5.48E+08
(1.4E+08) (2.8E+08)
[ 0.03766] [-1.96921]
R-squared 0.996694 0.993406
Adj. R-squared 0.996533 0.993085
Sum sq. resids 1.56E+18 6.17E+18
S.E. equation 1.95E+08 3.88E+08
F-statistic 6180.093 3088.534
Log likelihood -900.7890 -931.0233
Akaike AIC 41.08132 42.45561
Schwarz SC 41.20297 42.57725
Mean dependent 7.15E+09 5.44E+09
S.D. dependent 3.31E+09 4.66E+09
Determinant resid covariance (dof adj.) 5.19E+33
Determinant resid covariance 4.51E+33
Log likelihood -1829.662
Akaike information criterion 83.43918
Schwarz criterion 83.68248
Esta estimación se la realiza para conocer los resultados de un Var cualquiera es decir no se toman en cuenta el número de rezagos aun (El var que se utiliza es el var(2) por defecto). No es el modelo que nos interesa es la primera aproximación
Ojo tomando la mejor estimación CONSUMO que está marcado con rojo ya que
este modelo observamos sus residuos y nube nos da:
RODRIGO RIOJA TORRICO
Nuestro residuos fluctúan alrededor de nuestro modelo con un 99% , y R2 nos
dice que la nube de puntos fluctúa de igual forma en el modelo con un 99%,
Prob(F-statistic) de que ocurra en 100%
VAR Granger Causality/Block Exogeneity Wald TestsDate: 17/09/16 Time: 19:49Sample: 1 45Included observations: 43
Dependent variable: CONSUMO
Excluded Chi-sq df Prob.
INGRESOS 0.093129 2 0.9545
All 0.093129 2 0.9545
Dependent variable: INGRESOS
Excluded Chi-sq df Prob.
CONSUMO 5.521566 2 0.0632
All 5.521566 2 0.0632
Se buscan los valores con menor probabilidad, se toma un valor considerable del
90% de confianza para el cual se procede a verificar la relación. MODELOS:
RODRIGO RIOJA TORRICO
Interpretación
CONSUMO F(INGRESO): la relación de la variable CONSUMO – INGRESO
existente es nula ya q el modelo no explica nada por el bajo nivel de significancia q
este posee.
INGRESO F(CONSUMO): la relación de la variable INGRESO – CONSUMO
existente es nula ya q el modelo no explica nada por el bajo nivel de significancia q
este posee.
VAR Lag Exclusion Wald TestsDate: 17/09/16 Time: 19:50Sample: 1 45Included observations: 44
RODRIGO RIOJA TORRICO
Chi-squared test statistics for lag exclusion:Numbers in [ ] are p-values
CONSUMO INGRESOS Joint
Lag 1 12360.19 6177.068 14683.28[ 0.000000] [ 0.000000] [ 0.000000]
df 2 2 4
VAR Lag Order Selection CriteriaEndogenous variables: CONSUMO INGRESOS Exogenous variables: C Date: 17/09/16 Time: 19:48Sample: 1 45Included observations: 41
Lag LogL LR FPE AIC SC HQ
0 -1862.239 NA 1.07e+37 90.93850 91.02209 90.968941 -1706.506 288.6768* 6.53e+33* 83.53686* 83.78763* 83.62818*2 -1703.882 4.608068 7.00e+33 83.60398 84.02192 83.756173 -1702.852 1.707741 8.12e+33 83.74887 84.33400 83.961944 -1700.504 3.664596 8.87e+33 83.82948 84.58178 84.10342
* indicates lag order selected by the criterion LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion
En este punto se verifica cual es el var que se requiere, esta herramienta nos
muestra los rezagos que son necesarios para identificar el modelo verdadero.
RODRIGO RIOJA TORRICO
Se puede observar que el rezago adecuado es 1 (lag 1) se puede aplicar el
indicador Hannan-Quinn information criterion, error con la cantidad de rezagos
mencionados. Conociendo esto se puede definir que este modelo se adecua con
un var(2) en este caso la prueba asintótica nos dice que es un var 2
Función Impulso Respuesta (FIR)
-20
-10
0
10
20
30
1 2 3 4 5 6 7 8 9 10
Response of INGRESO_NACIONAL to INGRESO_NACIONAL
-20
-10
0
10
20
30
1 2 3 4 5 6 7 8 9 10
Response of INGRESO_NACIONAL to GASTO_FINAL_DEL_CONSUMO
-20
-10
0
10
20
1 2 3 4 5 6 7 8 9 10
Response of GASTO_FINAL_DEL_CONSUMO to INGRESO_NACIONAL
-20
-10
0
10
20
1 2 3 4 5 6 7 8 9 10
Response of GASTO_FINAL_DEL_CONSUMO to GASTO_FINAL_DEL_CONSUMO
Response to Cholesky One S.D. Innovations ± 2 S.E.
INGRESO-INGRESO: Se puede observar q existe una relación positiva mínima del PIB-PIB al principio luego decae
INGRESO-CONSUMO: Como podemos ver en la gráfica no existe ninguna relación muestra que esta fluctúa en cero haciendo nula la relación.
CONSUMO-INGRESO: De la misma manera la relación no existe muestra que esta fluctúa en cero haciendo nula la relación.
CONSUMO-CONSUMO: Se puede observar q existe una relación positiva mínima del CONSUMO-CONSUMO se observa que el intervalo evoluciona en cero hasta el periodo 2 y luego no muestra relación
RODRIGO RIOJA TORRICO
Var (p) de 3 variables:
En economía, la función Cobb-Douglas es una forma de función de producción,
ampliamente usada para representar las relaciones entre un producto y las
variaciones de los insumos tecnología, trabajo y capital. Fue propuesta por Knut
RODRIGO RIOJA TORRICO
Wicksell (1851-1926) e investigada con respecto a la evidencia estadística
concreta, por Charles Cobb y Paul Douglas en 1928
DATOS PARA EL MODELOLos datos que se tomara en cuenta en este modelo son tomados de la pagina de internet del banco mundial, de los cuales se usaron solo tres variables, que serán explicadas en la ecuación de producción, por otro lado se puede decir que se usaron datos de 1991 hasta el 2013 por el hecho que de la población no existen datos del 2014.
Se usara o empleara este modelo por que al hacer caculos es el que mejor se ajusta al país de Nigeria y con este modelo el país podrá explicarse muy bien y las variables empleadas lograran ser muy significativas, explicando al producto interno bruto.
ECUACION DEL MODELO DE COBB DOUGLAS
Y=A Lβ Kα
DONDE:
Y = producción total (PIB)
L = trabajo (PEA)
K = formación bruta de capital fijo
A = progreso técnico exógeno
α y β son las elasticidades producto del trabajo y el capital, respectivamente. Estos valores
son constantes determinadas por la tecnología disponible.
ESPECIFICACIÓN DEL MODELO ECONOMÉTRICO.
Y=A Lβ Kα ei
RODRIGO RIOJA TORRICO
DATOS NUMERICOS POBLACION PIB CAPITAL LNL LNPIB LNK
30043881 3,0757E+10 4437547520 17,2181696 24,1493859 22,2133677
30788219 2,7393E+10 3778425872 17,2426427 24,0335492 22,0525733
31635543 2,9301E+10 3751158107 17,2697918 24,1008848 22,0453305
32532154 1,5789E+10 2149349007 17,2977395 23,4825796 21,4884308
33417326 1,8086E+10 2025018936 17,3245851 23,6184261 21,4288449
34343507 2,8547E+10 2022047186 17,3519235 24,0748162 21,4273763
35194224 3,4988E+10 2555421375 17,3763925 24,2782696 21,661483
36095012 3,5822E+10 2999098102 17,4016652 24,3018376 21,8215774
36972865 3,2005E+10 2758753864 17,4256948 24,1891459 21,7380449
37946736 3,5871E+10 2515105141 17,4516941 24,3031892 21,6455804
38875613 4,6386E+10 3261427209 17,4758777 24,5602634 21,9054307
39626299 4,4138E+10 3351751778 17,4950036 24,5105872 21,932749
40482284 5,9117E+10 4150200641 17,516375 24,8027821 22,1464225
41221986 6,7656E+10 6707073583 17,5344823 24,9376995 22,6264286
42063952 8,7845E+10 6501716389 17,5547017 25,1988443 22,595332
43250245 1,1225E+11 6136633107 17,5825135 25,4439794 22,5375421
44459832 1,4543E+11 1,2032E+10 17,6100967 25,7029591 23,2108732
45659878 1,6645E+11 1,5407E+10 17,6367305 25,8379681 23,4581156
47008096 2,0806E+11 1,7331E+10 17,6658304 26,0611152 23,5757864
48330258 1,6948E+11 2,0498E+10 17,6935684 25,8560085 23,743598
49706559 3,6906E+11 6,3814E+10 17,7216475 26,6342317 24,8792328
51167238 4,1174E+11 6,6752E+10 17,75061 26,7436672 24,9242475
52600554 4,6095E+11 6,8718E+10 17,7782372 26,8565637 24,9532707
54199112 5,1496E+11 7,5802E+10 17,8081751 26,9673641 25,0513902
Diferenciando el modelo cobb DouglasNull Hypothesis: D(DCAPITAL) has a unit rootExogenous: ConstantLag Length: 2 (Automatic - based on SIC, maxlag=4)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -13.22391 0.0000Test critical values: 1% level -3.857386
RODRIGO RIOJA TORRICO
5% level -3.04039110% level -2.660551
*MacKinnon (1996) one-sided p-values.Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 18
Augmented Dickey-Fuller Test EquationDependent Variable: D(DCAPITAL,2)Method: Least SquaresDate: 09/17/16 Time: 20:46Sample (adjusted): 7 24Included observations: 18 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(DCAPITAL(-1)) -9.105512 0.688565 -13.22391 0.0000D(DCAPITAL(-1),2) 6.223479 0.593213 10.49114 0.0000D(DCAPITAL(-2),2) 3.540805 0.379915 9.319986 0.0000
C 2.01E+09 1.48E+09 1.357022 0.1963
R-squared 0.983939 Mean dependent var 4.14E+08Adjusted R-squared 0.980497 S.D. dependent var 4.31E+10S.E. of regression 6.01E+09 Akaike info criterion 48.06536Sum squared resid 5.06E+20 Schwarz criterion 48.26322Log likelihood -428.5883 Hannan-Quinn criter. 48.09264F-statistic 285.8904 Durbin-Watson stat 2.125970Prob(F-statistic) 0.000000
Observamos sus residuos y nube nos da:
Nuestro residuos fluctúan alrededor de nuestro modelo con un 98% , y R2 nos
dice que la nube de puntos fluctúa de igual forma en el modelo con un 98%,
Prob(F-statistic) de que ocurra en 100%. Aplicando un diferencial solucionamos el
problema de no estacionarieda eliminando la raíz unitaria
Null Hypothesis: D(DPEA) has a unit rootExogenous: ConstantLag Length: 0 (Automatic - based on SIC, maxlag=4)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -4.962842 0.0008Test critical values: 1% level -3.788030
5% level -3.012363
RODRIGO RIOJA TORRICO
10% level -2.646119
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test EquationDependent Variable: D(DPEA,2)Method: Least SquaresDate: 09/17/16 Time: 20:48Sample (adjusted): 4 24Included observations: 21 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(DPEA(-1)) -1.155253 0.232781 -4.962842 0.0001C 40866.66 25614.29 1.595463 0.1271
R-squared 0.564518 Mean dependent var 2964.571Adjusted R-squared 0.541598 S.D. dependent var 165482.3S.E. of regression 112040.5 Akaike info criterion 26.18150Sum squared resid 2.39E+11 Schwarz criterion 26.28098Log likelihood -272.9058 Hannan-Quinn criter. 26.20309F-statistic 24.62980 Durbin-Watson stat 1.986577Prob(F-statistic) 0.000086
Observamos sus residuos y nube nos da:
Nuestro residuos fluctúan alrededor de nuestro modelo con un 56% , y R2 nos
dice que la nube de puntos fluctúa de igual forma en el modelo con un 54%,
Prob(F-statistic) es baja. Aplicando un diferencial solucionamos el problema de no
estacionarieda eliminando la raíz unitaria
Null Hypothesis: D(DPIB) has a unit rootExogenous: ConstantLag Length: 2 (Automatic - based on SIC, maxlag=4)
t-Statistic Prob.*
RODRIGO RIOJA TORRICO
Augmented Dickey-Fuller test statistic -4.903386 0.0011Test critical values: 1% level -3.831511
5% level -3.02997010% level -2.655194
*MacKinnon (1996) one-sided p-values.Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 19
Augmented Dickey-Fuller Test EquationDependent Variable: D(DPIB,2)Method: Least SquaresDate: 09/17/16 Time: 20:50Sample (adjusted): 6 24Included observations: 19 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(DPIB(-1)) -4.434862 0.904449 -4.903386 0.0002D(DPIB(-1),2) 2.119681 0.712152 2.976444 0.0094D(DPIB(-2),2) 0.874419 0.353021 2.476959 0.0256
C 1.91E+10 1.12E+10 1.700523 0.1097
R-squared 0.904258 Mean dependent var -5.79E+08Adjusted R-squared 0.885110 S.D. dependent var 1.29E+11S.E. of regression 4.36E+10 Akaike info criterion 52.02110Sum squared resid 2.86E+22 Schwarz criterion 52.21993Log likelihood -490.2004 Hannan-Quinn criter. 52.05475F-statistic 47.22377 Durbin-Watson stat 2.057657Prob(F-statistic) 0.000000
Observamos sus residuos y nube nos da:
Nuestro residuos fluctúan alrededor de nuestro modelo con un 90% , y R2 nos
dice que la nube de puntos fluctúa de igual forma en el modelo con un 88%,
Prob(F-statistic) de que ocurra en 100%siendo este significativo. Aplicando un
diferencial solucionamos el problema de no estacionariedad eliminando la raíz
unitaria.
ESTIMACION DEL MODELO Vector Autoregression Estimates Date: 09/17/16 Time: 20:51 Sample (adjusted): 5 24
RODRIGO RIOJA TORRICO
Included observations: 20 after adjustments Standard errors in ( ) & t-statistics in [ ]
DPIB DPEA DCAPITAL
DPIB(-1) -1.251090 4.49E-07 -0.390292 (0.27595) (1.2E-06) (0.04010)[-4.53383] [ 0.37700] [-9.73412]
DPIB(-2) 2.235384 2.03E-06 0.226923 (0.71731) (3.1E-06) (0.10423)[ 3.11634] [ 0.65729] [ 2.17722]
DPEA(-1) 60962.37 0.763608 33636.35 (68474.3) (0.29542) (9949.41)[ 0.89030] [ 2.58479] [ 3.38074]
DPEA(-2) -52959.84 0.019167 -18090.68 (85786.4) (0.37012) (12464.9)[-0.61735] [ 0.05179] [-1.45133]
DCAPITAL(-1) 8.748985 3.86E-06 0.877214 (2.26357) (9.8E-06) (0.32890)[ 3.86512] [ 0.39545] [ 2.66711]
DCAPITAL(-2) -0.267724 -3.91E-06 -0.159084 (0.77782) (3.4E-06) (0.11302)[-0.34420] [-1.16418] [-1.40760]
C -1.76E+09 214905.0 -1.24E+10 (6.2E+10) (266093.) (9.0E+09)[-0.02857] [ 0.80763] [-1.38231]
R-squared 0.723911 0.844501 0.928420 Adj. R-squared 0.596485 0.772732 0.895383 Sum sq. resids 1.13E+22 2.10E+11 2.38E+20 S.E. equation 2.95E+10 127153.2 4.28E+09 F-statistic 5.681035 11.76698 28.10253 Log likelihood -506.2051 -259.1339 -467.6262 Akaike AIC 51.32051 26.61339 47.46262 Schwarz SC 51.66901 26.96190 47.81112 Mean dependent 2.50E+10 1083348. 4.34E+08 S.D. dependent 4.64E+10 266721.9 1.32E+10
Determinant resid covariance (dof adj.) 1.07E+50 Determinant resid covariance 2.94E+49 Log likelihood -1224.176 Akaike information criterion 124.5176 Schwarz criterion 125.5631
Tomando la mejor estimación CAPITAL que está marcado con verde ya que este
modelo observamos sus residuos y nube nos da:
RODRIGO RIOJA TORRICO
Nuestro residuos fluctúan alrededor de nuestro modelo con un 98% , y R2 nos
dice que la nube de puntos fluctúa de igual forma en el modelo con un 89%,
Prob(F-statistic) de que ocurra en 100%.
Esta estimación se la realiza para conocer los resultados de un Var cualquiera es decir no se toman en cuenta el número de rezagos aun (El var que se utiliza es el var(2) por defecto). No es el modelo que nos interesa es la primera aproximación
VAR Granger Causality/Block Exogeneity Wald TestsDate: 09/17/16 Time: 21:34Sample: 1 24Included observations: 20
RODRIGO RIOJA TORRICO
Dependent variable: DPIB
Excluded Chi-sq df Prob.
DPEA 0.802550 2 0.6695DCAPITAL 15.80600 2 0.0004
All 30.23405 4 0.0000
Dependent variable: DPEA
Excluded Chi-sq df Prob.
DPIB 1.026621 2 0.5985DCAPITAL 1.356050 2 0.5076
All 1.636379 4 0.8022
Dependent variable: DCAPITAL
Excluded Chi-sq df Prob.
DPIB 101.7952 2 0.0000DPEA 11.98055 2 0.0025
All 102.0914 4 0.0000
RODRIGO RIOJA TORRICO
Interpretación
PIB = F (PEA, CAPITAL) = para este modelo se verifica que la variable Capital
no explica nada al PIB ni PEA ya q tiene un valor de significancia muy bajo, y que
el modelo en conjunto no nos explica nada ya q tiene un bajo nivel de
significancia.
PEA = F (PIB, CAPITAL)= para este modelo se verifica que el PIB no tiene
relación con la PEA por lo tanto no nos explica nada gracias a su bajo nivel de
significancia de la misma manera sucede con el CAPITAL no existe relación
alguna no nos explica nada, ni el modelo en conjunto no nos explica nada ya q
tiene un bajo nivel de significancia.
CAPITAL = F (PIB, PEA)= para este modelo se verifica que el Capital de Nigeria
tiene una relación con las variable PIB pero no así con la PEA debido al bajo nivel
de significancia q este posee, y que el modelo en conjunto si tiene relación y nos
explica.
VAR Lag Order Selection CriteriaEndogenous variables: DPIB DPEA DCAPITAL Exogenous variables: C Date: 09/17/16 Time: 21:40
RODRIGO RIOJA TORRICO
Sample: 1 24Included observations: 20
Lag LogL LR FPE AIC SC HQ
0 -1282.977 NA 1.42e+52 128.5977 128.7471 128.62691 -1237.524 72.72573 3.77e+50 124.9524 125.5498* 125.06902 -1224.176 17.35149* 2.63e+50* 124.5176* 125.5631 124.7217*
* indicates lag order selected by the criterion LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion
En este punto se verifica cual es el var que se requiere, esta herramienta nos
Muestra los rezagos que son necesarios para identificar el modelo verdadero.
Se puede observar que el rezago adecuado es (lag 2) se puede aplicar el
indicador Hannan-Quinn information criterion, error con la cantidad de rezagos
mencionados. Conociendo esto se puede definir que este modelo se adecua con
un var(3) en este caso la prueba asintótica nos dice que es un var 3
VAR Lag Exclusion Wald TestsDate: 09/17/16 Time: 21:44Sample: 1 24
RODRIGO RIOJA TORRICO
Included observations: 20
Chi-squared test statistics for lag exclusion:Numbers in [ ] are p-values
DPIB DPEA DCAPITAL Joint
Lag 1 21.87904 10.83197 123.5769 189.7169[ 6.91e-05] [ 0.012670] [ 0.000000] [ 0.000000]
Lag 2 14.95300 1.815037 4.811873 26.80404[ 0.001857] [ 0.611668] [ 0.186103] [ 0.001507]
df 3 3 3 9
Función Impulso Respuesta (FIR)
RODRIGO RIOJA TORRICO
-4E+10
-2E+10
0E+00
2E+10
4E+10
6E+10
1 2 3 4 5 6 7 8 9 10
Response of DPIB to DPIB
-4E+10
-2E+10
0E+00
2E+10
4E+10
6E+10
1 2 3 4 5 6 7 8 9 10
Response of DPIB to DPEA
-4E+10
-2E+10
0E+00
2E+10
4E+10
6E+10
1 2 3 4 5 6 7 8 9 10
Response of DPIB to DCAPITAL
-200,000
-100,000
0
100,000
200,000
300,000
1 2 3 4 5 6 7 8 9 10
Response of DPEA to DPIB
-200,000
-100,000
0
100,000
200,000
300,000
1 2 3 4 5 6 7 8 9 10
Response of DPEA to DPEA
-200,000
-100,000
0
100,000
200,000
300,000
1 2 3 4 5 6 7 8 9 10
Response of DPEA to DCAPITAL
-1.5E+10
-1.0E+10
-5.0E+09
0.0E+00
5.0E+09
1.0E+10
1 2 3 4 5 6 7 8 9 10
Response of DCAPITAL to DPIB
-1.5E+10
-1.0E+10
-5.0E+09
0.0E+00
5.0E+09
1.0E+10
1 2 3 4 5 6 7 8 9 10
Response of DCAPITAL to DPEA
-1.5E+10
-1.0E+10
-5.0E+09
0.0E+00
5.0E+09
1.0E+10
1 2 3 4 5 6 7 8 9 10
Response of DCAPITAL to DCAPITAL
Response to Cholesky One S.D. Innovations ± 2 S.E.
RODRIGO RIOJA TORRICO
Interpretación
1. se observa que el PIB esta no está relacionado con el PIB significa que no
existe una relación directa entre sí.
2. PIB-PEA no tiene relación alguna no explica nada
3. PIB-CAPITAL se observa que el intervalo evoluciona en cero hasta el
periodo 2 y luego no muestra relación EL CAPITAL con el PIB el efecto es
nulo(todo fluctúa en cero)
4. PEA-PIB no existe relación es decir el PIB no explica la PEA
5. PEA-CAPITAL muestra que esta fluctúa en cero haciendo nula la relación
6. PEA-PEA muestra un cambio de régimen llegando a fluctuar en cero pero a
inicio se observa que la relación es positiva.
7. CAPITAL-PIB muestra que el margen de confianza se encuentra en cero
por tanto, la pea sube y baja pero su relación es baja.
8. CAPITAL-CAPITAL Inicia con periodos no cero pero fluctúa en cero
después
9. CAPITAL-PEA la relación se hace nula
RODRIGO RIOJA TORRICO
VAR (P) 4 VARAIBLES
MODELO PASS TROUGTH
DATOS PARA EL MODELOLos datos que se tomara en cuenta en este modelo son tomados de la pagina de internet del banco mundial, de los cuales se usaron solo 4 variables, que serán explicadas, por otro lado se puede decir que se usaron datos de 1991 hasta el 2014 por el hecho que de la población no existen datos del 2015.
Se usara o empleara este modelo por que al hacer caculos es el que mejor se ajusta al país de Nigeria y con este modelo el país podrá explicarse muy bien y las variables empleadas lograran ser muy significativas, explicando al producto interno bruto.
ECUACION DEL MODELO PASS TROUGHT
Donde la inflación (π t ) está en función de la variación de tipo de cambio nominal ( e& ), el desalineamiento del tipo de cambio real ( q b ), la brecha del producto interno bruto real ( y b ), el grado de apertura de la economía (aper) y la inflación rezagada (π t n− ).
ESPECIFICACIÓN DEL MODELO ECONOMÉTRICO.
Et
DATOS NUMERIC
OS
RODRIGO RIOJA TORRICO
DATOS NUMERICOS
Inflación, Índice de precios
apertura comercial Tasa de cambio oficial
44,5888427 3,97999428 8,05E-03 17,298425
57,1652528 6,25516807 4,96E-02 22,0654
57,0317089 9,82259731 -5,63E-02 21,996
72,8355023 16,9769354 -1,69E-01 21,8952583
29,2682927 21,9457945 -1,92E-01 21,884425
8,52987421 23,8177432 8,57E-02 21,88605
9,99637812 26,1986549 -4,64E-02 21,886
6,61837339 27,9325797 -1,72E-01 92,3381
6,93329216 29,8692271 -3,20E-02 101,697333
18,8736462 35,5066393 1,56E-01 111,23125
12,8765792 40,0786798 1,97E-02 120,578158
14,0317836 45,7024334 -1,16E-02 129,22235
14,9980338 52,5568999 3,82E-02 132,888025
17,8634934 61,9453982 2,13E-01 131,274333
8,23952652 67,0494057 2,42E-01 128,651667
5,38222365 70,6581547 1,50E-01 125,808108
11,5779835 78,8389442 4,49E-02 118,546017
11,5376727 87,9351236 3,85E-02 148,901742
13,7202018 100 -3,09E-02 150,298025
10,8407926 110,840793 -5,07E-02 153,861608
12,2170072 124,38222 -3,26E-02 157,499426
8,47582729 134,924642 -1,31E-02 157,311225
8,05738263 145,796037 -7,89E-03 158,552642
9,01768379 158,943463 -4,29E-02 192,440524
RODRIGO RIOJA TORRICO
Diferenciando el modelo Pass TroughtNull Hypothesis: DAPERTURA_COMERCIAL has a unit rootExogenous: ConstantLag Length: 1 (Automatic - based on SIC, maxlag=4)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -6.025300 0.0001Test critical values: 1% level -3.788030
5% level -3.01236310% level -2.646119
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test EquationDependent Variable: D(DAPERTURA_COMERCIAL)Method: Least SquaresDate: 09/17/16 Time: 22:08Sample (adjusted): 4 24Included observations: 21 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
DAPERTURA_COMERCIAL(-1) -1.606498 0.266625 -6.025300 0.0000
D(DAPERTURA_COMERCIAL(-1)) 0.580019 0.185736 3.122816 0.0059
C -1.86E-05 0.021073 -0.000880 0.9993
R-squared 0.685274 Mean dependent var 0.003376Adjusted R-squared 0.650304 S.D. dependent var 0.163248
S.E. of regression 0.096537 Akaike info criterion-
1.706221
Sum squared resid 0.167748 Schwarz criterion-
1.557003
Log likelihood 20.91532 Hannan-Quinn criter.-
1.673837F-statistic 19.59629 Durbin-Watson stat 2.243673Prob(F-statistic) 0.000030
Observamos sus residuos y nube nos da:
Nuestro residuos fluctúan alrededor de nuestro modelo con un 68% , y R2 nos
dice que la nube de puntos fluctúa de igual forma en el modelo con un 65%,
Prob(F-statistic) siendo este no tan significativo. Aplicando un diferencial
solucionamos el problema de no estacionariedad eliminando la raíz unitaria.
RODRIGO RIOJA TORRICO
Null Hypothesis: D(DINDICE_DE_PRECIOS) has a unit rootExogenous: ConstantLag Length: 0 (Automatic - based on SIC, maxlag=4)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -5.193415 0.0005Test critical values: 1% level -3.788030
5% level -3.01236310% level -2.646119
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test EquationDependent Variable: D(DINDICE_DE_PRECIOS,2)Method: Least SquaresDate: 09/17/16 Time: 22:10Sample (adjusted): 4 24Included observations: 21 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(DINDICE_DE_PRECIOS(-1)) -1.184468 0.228071 -5.193415 0.0001
C 0.531701 0.550925 0.965107 0.3466
R-squared 0.586701 Mean dependent var 0.046846Adjusted R-squared 0.564948 S.D. dependent var 3.772285S.E. of regression 2.488140 Akaike info criterion 4.751341Sum squared resid 117.6260 Schwarz criterion 4.850819Log likelihood -47.88908 Hannan-Quinn criter. 4.772930F-statistic 26.97156 Durbin-Watson stat 2.016700Prob(F-statistic) 0.000052
Observamos sus residuos y nube nos da:
Nuestro residuos fluctúan alrededor de nuestro modelo con un 58% , y R2 nos
dice que la nube de puntos fluctúa de igual forma en el modelo con un 56%,
Prob(F-statistic) siendo este significativo. Aplicando dos diferenciales
solucionamos el problema de no estacionariedad eliminando la raíz unitaria.
RODRIGO RIOJA TORRICO
Null Hypothesis: DINFLACION has a unit rootExogenous: ConstantLag Length: 0 (Automatic - based on SIC, maxlag=4)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -4.640989 0.0014Test critical values: 1% level -3.769597
5% level -3.00486110% level -2.642242
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test EquationDependent Variable: D(DINFLACION)Method: Least SquaresDate: 09/17/16 Time: 22:13Sample (adjusted): 3 24Included observations: 22 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
DINFLACION(-1) -1.002765 0.216067 -4.640989 0.0002C -2.193118 2.567763 -0.854097 0.4032
R-squared 0.518522 Mean dependent var-
0.528005Adjusted R-squared 0.494448 S.D. dependent var 16.77266S.E. of regression 11.92573 Akaike info criterion 7.881781Sum squared resid 2844.459 Schwarz criterion 7.980967Log likelihood -84.69959 Hannan-Quinn criter. 7.905146F-statistic 21.53878 Durbin-Watson stat 2.017259Prob(F-statistic) 0.000158
Observamos sus residuos y nube nos da:
Nuestro residuos fluctúan alrededor de nuestro modelo con un 51% , y R2 nos
dice que la nube de puntos fluctúa de igual forma en el modelo con un 49%,
Prob(F-statistic) siendo este no tan significativo. Aplicando un diferencial
solucionamos el problema de no estacionariedad eliminando la raíz unitaria.
RODRIGO RIOJA TORRICO
Null Hypothesis: DTASA_DE_CAMBIO has a unit rootExogenous: ConstantLag Length: 0 (Automatic - based on SIC, maxlag=4)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -4.391713 0.0025Test critical values: 1% level -3.769597
5% level -3.00486110% level -2.642242
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test EquationDependent Variable: D(DTASA_DE_CAMBIO)Method: Least SquaresDate: 09/17/16 Time: 22:14Sample (adjusted): 3 24Included observations: 22 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
DTASA_DE_CAMBIO(-1) -1.043374 0.237578 -4.391713 0.0003
C 8.022815 4.039934 1.985878 0.0609
R-squared 0.490928 Mean dependent var 1.323678Adjusted R-squared 0.465474 S.D. dependent var 23.99943S.E. of regression 17.54630 Akaike info criterion 8.654071Sum squared resid 6157.450 Schwarz criterion 8.753256Log likelihood -93.19478 Hannan-Quinn criter. 8.677436F-statistic 19.28714 Durbin-Watson stat 1.891930Prob(F-statistic) 0.000282
Observamos sus residuos y nube nos da:
Nuestro residuos fluctúan alrededor de nuestro modelo con un 49% , y R2 nos
dice que la nube de puntos fluctúa de igual forma en el modelo con un 46%,
Prob(F-statistic) siendo este no tan significativo. Aplicando un diferencial
solucionamos el problema de no estacionariedad eliminando la raíz unitaria.
RODRIGO RIOJA TORRICO
ESTIMACION DEL MODELO Vector Autoregression Estimates Date: 09/17/16 Time: 22:15 Sample (adjusted): 4 24 Included observations: 21 after adjustments Standard errors in ( ) & t-statistics in [ ]
DAPERTURA_COMERCI
ALDINDICE_DE_PRECIOS
DINFLACION
DTASA_DE_CAMBIO
DAPERTURA_COMERCIAL(-1) -0.020818 -4.577996 -0.631108 -76.02449
(0.19274) (5.83697) (31.9536) (36.2390)[-0.10801] [-0.78431] [-0.01975] [-2.09786]
DAPERTURA_COMERCIAL(-2) -0.379978 -8.743384 16.08955 79.89203
(0.19365) (5.86435) (32.1035) (36.4090)[-1.96220] [-1.49094] [ 0.50118] [ 2.19429]
DINDICE_DE_PRECIOS(-1) 0.007966 0.154181 -1.482813 3.675993
(0.01293) (0.39143) (2.14281) (2.43018)[ 0.61633] [ 0.39390] [-0.69200] [ 1.51264]
DINDICE_DE_PRECIOS(-2) -0.006899 0.640007 1.609982 -3.309692
(0.01152) (0.34888) (1.90989) (2.16603)[-0.59887] [ 1.83446] [ 0.84297] [-1.52800]
DINFLACION(-1) -0.004810 0.132834 0.137538 -0.452372 (0.00243) (0.07369) (0.40342) (0.45752)[-1.97645] [ 1.80256] [ 0.34093] [-0.98875]
DINFLACION(-2) 0.002569 0.002690 -0.078806 -0.789306 (0.00186) (0.05643) (0.30890) (0.35032)[ 1.37866] [ 0.04767] [-0.25512] [-2.25309]
DTASA_DE_CAMBIO(-1) 0.000884 -0.028464 0.126417 0.189047
(0.00136) (0.04110) (0.22498) (0.25516)[ 0.65117] [-0.69261] [ 0.56190] [ 0.74091]
DTASA_DE_CAMBIO(-2) 0.002403 0.018229 0.240551 0.197244
(0.00129) (0.03917) (0.21443) (0.24319)[ 1.85764] [ 0.46540] [ 1.12182] [ 0.81108]
C -0.038309 2.443126 -4.697230 -0.759035
RODRIGO RIOJA TORRICO
(0.05832) (1.76606) (9.66803) (10.9646)[-0.65690] [ 1.38338] [-0.48585] [-0.06923]
R-squared 0.681770 0.739436 0.203433 0.523278 Adj. R-squared 0.469617 0.565727 -0.327611 0.205464 Sum sq. resids 0.082314 75.48916 2262.296 2909.791 S.E. equation 0.082822 2.508139 13.73043 15.57185 F-statistic 3.213579 4.256749 0.383081 1.646489 Log likelihood 28.39053 -43.23211 -78.93364 -81.57651 Akaike AIC -1.846717 4.974487 8.374633 8.626334 Schwarz SC -1.399064 5.422139 8.822285 9.073986 Mean dependent 0.000638 7.100994 -2.286382 8.116406 S.D. dependent 0.113724 3.806013 11.91650 17.46962
Determinant resid covariance (dof adj.) 553.2079 Determinant resid covariance 58.98426 Log likelihood -162.0022 Akaike information criterion 18.85735 Schwarz criterion 20.64796
Ojo tomando la mejor estimación PIB que está marcado con verde ya que este
modelo observamos sus residuos y nube nos da:
Nuestro residuos fluctúan alrededor de nuestro modelo con un 73% , y R2 nos
dice que la nube de puntos fluctúa de igual forma en el modelo con un 56%,
Prob(F-statistic) de que ocurra en 100%
Esta estimación se la realiza para conocer los resultados de un Var cualquiera es decir no se toman en cuenta el número de rezagos aun (El var que se utiliza es el var(2) por defecto). No es el modelo que nos interesa es la primera aproximación
VAR Granger Causality/Block Exogeneity Wald Tests
RODRIGO RIOJA TORRICO
Date: 09/17/16 Time: 22:17Sample: 1 24Included observations: 21
Dependent variable: DAPERTURA_COMERCIAL
Excluded Chi-sq df Prob.
DINDICE_DE_PRECIOS 0.397454 2 0.8198DINFLACION 7.921628 2 0.0190
DTASA_DE_CAMBIO 3.547890 2 0.1697
All 12.45491 6 0.0526
Dependent variable: DINDICE_DE_PRECIOS
Excluded Chi-sq df Prob.
DAPERTURA_COMERCIAL 2.910806 2 0.2333
DINFLACION 3.469594 2 0.1764DTASA_DE_CAMBIO 0.845202 2 0.6553
All 5.832101 6 0.4423
Dependent variable: DINFLACION
Excluded Chi-sq df Prob.
DAPERTURA_COMERCIAL 0.251201 2 0.8820
DINDICE_DE_PRECIOS 0.715521 2 0.6992DTASA_DE_CAMBIO 1.387935 2 0.4996
All 2.921325 6 0.8187
Dependent variable: DTASA_DE_CAMBIO
Excluded Chi-sq df Prob.
DAPERTURA_COMERCIAL 8.947865 2 0.0114
DINDICE_DE_PRECIOS 2.482273 2 0.2891DINFLACION 5.220900 2 0.0735
All 13.07672 6 0.0418
RODRIGO RIOJA TORRICO
Se buscan los valores con menor probabilidad, se toma un valor considerable del
90% de confianza para el cual se procede a verificar la relación. MODELOS:
.
Se puede observar que la relación TIPO DE CAMBIO – INFLACION– INDICE DE
PRECIOS Y APERTURA COMERCIAL no existe no cumple la significancia estadística,
en conclusión INDICE DE PRECIOS Y APERTURA COMERCIAL no explican el
modelo en conjunto.
Se puede observar que la formación de la relación INFLACION TIPO DE CAMBIO –
INDICE DE PRECIOS Y APERTURA COMERCIAL no existe ya q tienen un nivel de
significancia muy bajo y ni aun asi estando en conjunto logran explicar el modelo.
Se puede observar que la que la relación INDICE DE PRECIOS con el TIPO DE
CAMBIO, APERTURA COMERCIAL E INFLACION no existe ya q tienen un nivel de
significancia muy bajo y ni aun asi estando en conjunto logran explicar el modelo.
Se puede observar que la relación APERTURA COMERCIAL – TIPO DE CAMBIO
INFLACION – INDICE DE PRECIOS no existe no cumple la significancia estadística, en
conclusión INDICE DE PRECIOS e INFLACION no explican el modelo, en conjunto
tampoco no logra explicar el modelo.
VAR Lag Exclusion Wald Tests
RODRIGO RIOJA TORRICO
Interpretación
Date: 09/17/16 Time: 22:18
Sample: 1 24
Included observations: 21
Chi-squared test statistics for lag exclusion:
Numbers in [ ] are p-values
DAPERTURA_COMERCIAL
DINDICE_DE_PRECIOS DINFLACION
DTASA_DE_CAMBIO Joint
Lag 1 5.784760 12.12231 1.362515 6.395646 50.56072
[ 0.215810] [ 0.016465] [ 0.850683] [ 0.171485] [ 1.87e-05]
Lag 2 16.30946 4.892632 2.293765 9.255987 59.23434
[ 0.002631] [ 0.298493] [ 0.681904] [ 0.055010] [ 7.04e-07]
df 4 4 4 4 16
VAR Lag Order Selection CriteriaEndogenous variables: DAPERTURA_COMERCIAL DINDICE_DE_PRECIOS DINFLACION DTASA_DE_CAMBIO Exogenous variables: C Date: 09/17/16 Time: 22:19Sample: 1 24Included observations: 20
Lag LogL LR FPE AIC SC HQ
0 -199.6630 NA 8226.564 20.36630 20.56544 20.405171 -177.1408 33.78330 4473.257 19.71408 20.70981 19.908462 -150.2958 29.52944* 1911.564 18.62958 20.42190 18.979463 -123.7578 18.57664 1375.619* 17.57578* 20.16468* 18.08116*
* indicates lag order selected by the criterion LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion
En este punto se verifica cual es el var que se requiere, esta herramienta nos muestra los rezagos que son necesarios para identificar el modelo verdadero.
Se puede observar que el rezago adecuado es (lag 3) se puede aplicar el indicador AIC: Akaike information criterion error con la cantidad de rezagos mencionados. Conociendo esto se puede definir
que este modelo se adecua con un var(4) en este caso la prueba asintótica nos dice que es un var 4
RODRIGO RIOJA TORRICO
Función Impulso Respuesta (FIR)
-.10
-.05
.00
.05
.10
.15
1 2 3 4 5 6 7 8 9 10
Response of DAPERTURA_COMERCIAL to DAPERTURA_COMERCIAL
-.10
-.05
.00
.05
.10
.15
1 2 3 4 5 6 7 8 9 10
Response of DAPERTURA_COMERCIAL to DINDICE_DE_PRECIOS
-.10
-.05
.00
.05
.10
.15
1 2 3 4 5 6 7 8 9 10
Response of DAPERTURA_COMERCIAL to DINFLACION
-.10
-.05
.00
.05
.10
.15
1 2 3 4 5 6 7 8 9 10
Response of DAPERTURA_COMERCIAL to DTASA_DE_CAMBIO
-4
-2
0
2
4
1 2 3 4 5 6 7 8 9 10
Response of DINDICE_DE_PRECIOS to DAPERTURA_COMERCIAL
-4
-2
0
2
4
1 2 3 4 5 6 7 8 9 10
Response of DINDICE_DE_PRECIOS to DINDICE_DE_PRECIOS
-4
-2
0
2
4
1 2 3 4 5 6 7 8 9 10
Response of DINDICE_DE_PRECIOS to DINFLACION
-4
-2
0
2
4
1 2 3 4 5 6 7 8 9 10
Response of DINDICE_DE_PRECIOS to DTASA_DE_CAMBIO
-10
0
10
20
1 2 3 4 5 6 7 8 9 10
Response of DINFLACION to DAPERTURA_COMERCIAL
-10
0
10
20
1 2 3 4 5 6 7 8 9 10
Response of DINFLACION to DINDICE_DE_PRECIOS
-10
0
10
20
1 2 3 4 5 6 7 8 9 10
Response of DINFLACION to DINFLACION
-10
0
10
20
1 2 3 4 5 6 7 8 9 10
Response of DINFLACION to DTASA_DE_CAMBIO
-20
-10
0
10
20
1 2 3 4 5 6 7 8 9 10
Response of DTASA_DE_CAMBIO to DAPERTURA_COMERCIAL
-20
-10
0
10
20
1 2 3 4 5 6 7 8 9 10
Response of DTASA_DE_CAMBIO to DINDICE_DE_PRECIOS
-20
-10
0
10
20
1 2 3 4 5 6 7 8 9 10
Response of DTASA_DE_CAMBIO to DINFLACION
-20
-10
0
10
20
1 2 3 4 5 6 7 8 9 10
Response of DTASA_DE_CAMBIO to DTASA_DE_CAMBIO
Response to Cholesky One S.D. Innovations ± 2 S.E.
RODRIGO RIOJA TORRICO
No tienen relación alguna no explica nada en ninguno de los casos ya q ni en conjunto pudo explicar el modelo relacionando todas las variables del modelo Pass Trougth.
RODRIGO RIOJA TORRICO
Interpretación