La teora econmica nos dice que la relacin entre desempleo y PEA es directa, es
decir a mayor PEA, mayor desempleo habr; la relacin entre desempleo y salarios es
inversa (segn Friedman y modelo de Fisher)
12
; la relacin entre desempleo y PBI es
tambin negativa; lo mismo ocurre con la inversin (en este modelo tomamos la
inversin bruta fija del gobierno como variable proxy a la inversin total), pues a mayor
inversin menor desempleo habr, es decir existe una relacin inversa entre ambas.
En la estimacin del modelo tenemos:
12
Sancho, Amparo y Serrano, Guadalupe: Modelo de desempleo y salarios
vase en: www.uv.es/sancho/casotema7.pdf
17
La relacin entre desempleados y el PBI es inversa, por tanto un incremento en el PBI
de S/. 100 (expresado en trminos reales) reducira el nmero de desempleados en
257 y de igual forma con la inversin bruta fija del gobierno pues ante un incremento
en S/. 1 de esta variable, el nmero de desempleados disminuira en uno.
Estas caractersticas debemos verlas por separado, es decir cada una se da si las
dems permanecen constantes, ya que se ha medido el efecto de cada una de las
variables explicativas sobre la variable dependiente, bajo el supuesto que todo lo
dems no vara.
En este contexto se demuestra que los variables exgenos: salarios, PBI e inversin
son estadsticamente significativos, es decir explican en forma adecuada el modelo;
sin embargo la PEA no es estadsticamente significativa, lo cual significa que no es un
buen estimador.
Para el modelo planteado, el coeficiente de determinacin result ser de 55.56%, esto
quiere decir que la variacin del nmero de desempleados en Per viene explicado en
un 55.56% por el ncleo del modelo; la variacin de las variables exgenas, dejando
un 44% a las variables no incluidas. En este caso, el ncleo del modelo est
compuesto cuatro variables antes mencionadas: PEA, salarios, PBI e inversin.
A continuacin presentamos la variacin del nmero de desempleados mediante un
grfico lineal que data desde el ao 2008 hasta el 2012, el cual nos muestra un
descenso minucioso de desocupados, es decir, en los ltimos aos se muestra una
cada radical y ligera del desempleo, lo cual significa en nuestro modelo que tanto
18
salarios como inversin se han venido incrementando y por tanto el nmero de
empleados tambin.
INFERENCIA EN EL MODELO LINEAL GENERAL
INTERVALO DE CONFIANZA
INTERVALO DE CONFIANZA PARA ESTIMAR EL PARAMETRO POBLACIONAL
[
]
Donde:
: estimador muestral
]
[
]
Existe un 95% de confianza de que el valor del verdadero parmetro
oscile entre
y .
PARA 90%:
19
Tenemos que:
]
[
]
Existe un 90% de confianza de que el valor del verdadero parmetro
oscile entre
y .
PARA 99%:
Tenemos que:
]
[
]
Existe un 99% de confianza de que el valor del verdadero parmetro
oscile entre
y .
PRUEBAS DE HIPOTESIS
METODOS PARA PROBAS LAS HIPOTESIS
A. POR INTERVALOS DE CONFIANZA
20
Como 0.5 cae en la regin de rechazo de
, aceptamos
a un 95% de confianza.
B. POR PRUEBAS DE HIPOTESIS
Se trabaja con los dos valores de la t:
Regin de
aceptacin de
Regin de
rechazo de
Regin de
rechazo de
PARA EL 95% DE CONFIANZA
0.358245 0.166995
0.5
21
Como
, aceptamos
a un 95% de
confianza.
C. REGLA DE USO DE LA PROBABILIDAD (PROBABILITY O SIGNIFICANCE)
Observamos en nuestra estimacin de Eviews que la probabilidad de
:
Por tanto se rechaza de
y se acepta
a un 95% de confianza.
HIPOTESIS IMPLICITAS
Regin de
aceptacin de
Regin de
rechazo de
Regin de
rechazo de
PARA EL 95% DE CONFIANZA
2.0086 -2.0086 -4.99
22
Como
, aceptamos
a un 95% de
confianza y podemos concluir que la variable PEA si es estadsticamente significativa y
explica en parte el nmero de desempleados.
SIGNIFICANCIA GLOBAL DEL MODELO ESTIMADO
Regin de
aceptacin de
Regin de
rechazo de
Regin de
rechazo de
PARA EL 95% DE CONFIANZA
2.0086 -2.0086
5.52
23
Como
, aceptamos
a un 95% de
confianza.
SIGNIFICANCIA GLOBAL DELM MODELO ESTIMADO:
TEST DE NORMALIDAD DEL MODELO
TEST DE JARQUE BERA (JB)
Los
Los
Donde S es: skewness (en el lenguaje del eviews)
Regin de
aceptacin
de
2.39 5.168
Regin de
rechazo de
PARA EL 95% DE CONFIANZA
24
Por lo tanto se rechaza
y se acepta
PRIMER MTODO:
Para ello utilizamos los siguientes mtodos de estimacin:
) (
0
1
2
3
4
5
6
7
8
-80 -60 -40 -20 0 20 40 60 80
Series: Residuals
Sample 2008M01 2012M12
Observations 60
Mean -2.16e-14
Median -1.868509
Maximum 78.12122
Minimum -72.05073
Std. Dev. 38.34438
Skewness 0.209261
Kurtosis 2.169654
Jarque-Bera 2.161589
Probability 0.339326
JARQUE- BERA
25
Como
, aceptamos
a un 95% de
confianza, por tanto
.
SEGUNDO MTODO:
Reemplazamos (1) en (2)
Nuestra ecuacin con restriccin sera:
Regin de
aceptacin de
Regin de
rechazo de
Regin de
rechazo de
PARA EL 95% DE CONFIANZA
2.0086 -2.0086 -4.146
26
Como
, aceptamos
a un 95% de
confianza, por tanto
.
ESTABILIDAD PARAMTRICA: TEST DE CHOW
2008-1 2012-12
Regin de
aceptacin
de
4.02 17.31
Regin de
rechazo de
PARA EL 95% DE CONFIANZA
27
MULTICOLINEALIDAD
PRUEBAS PARA IDENTIFICAR LA PRESENCIA DE MULTICOLINEALIDAD
1. MTODO DE FARRAR- GLAUBER
Si
Si
28
REGLA DE KLEIN
Se presenta en dos versiones:
1.1.
-
Si |
| |
| |
DES = f (PEA, SAL, PBI, INV, IPC)
Para
|
|
|
< Existe multicolinealidad en alto grado
Sin embargo:
- Si
|
|
|
|
<1 Podra decirse que existe multicolinealidad en bajo grado, sin embargo,
este tipo de resultado no es confiable.
Donde:
|
|
|
>1 Existe multicolinealidad en alto grado
- Si:
|
|
|
|
<11 Existe multicolinealidad en bajo grado
Donde:
, etc.
Coeficiente de Correlacin
FRMULAS COEFICIENTES DE CORRELACIN PARCIAL PARA EL CASO DE TRES VARIABLES
EXPLICATORIAS
|
|
|
||
||
= 1.41e 6 No es concluyente si existe o no existe
multicolinealidad en alto grado.
34
Sea el modelo:
Y= f (X1
,
X
2,
X
3
)
(1), (2), (3)
Frmulas Coeficientes De Correlacin Parcial:
Correlacin parcial de primer orden: una variable se mantiene constante
Correlacin parcial de segundo orden: dos variables se mantiene constante
TEST DE FARRAR-GLAUBER:
H
0
: No existe multicolinealidad (existe multicolinealidad pero en bajo grado o tambin que la
multicolinealidad no es est. significativa)
H
1
: Existe multicolinealidad (existe multicolinealidad en alto grado o tambin que la
multicolinealidad es est. significativa)
Se presenta en tres versiones:
a) Calculando el estadstico X
2
] ||
||
||
] ||=
=18.3070380533
35
=18.31
-18.31 18.31
168.81
b) Calculando el estadstico F
2.54
Para PEA= g (SAL, PBI, INV, IPC)
R
2
XK_PEA
= 0.623613
23.196
2.54
2.54
Cae en la regin de rechazo,
por lo tanto se rechaza H
0
,
en conclusin si existe
multicolinealidad.
Cae en la regin de rechazo,
por lo tanto se rechaza H
0
, en
conclusin si existe
multicolinealidad.
36
Para SAL= t (PEA, PBI, INV, IPC)
R
2
XK_SAL
= 0.198481
2.54
2.54
Para PBI= g (PEA, SAL, INV, IPC)
R
2
XK_PBI
= 0.81753
2.54
2.54
Cae en la regin de rechazo,
por lo tanto se rechaza H
0
, en
conclusin si existe
multicolinealidad.
Cae en la regin de rechazo,
por lo tanto se rechaza H
0
, en
conclusin si existe
multicolinealidad.
37
Para INV= g (PEA, SAL, PBI, IPC)
R
2
XK_INV
= 0.426882
2.54
2.54
Para IPC= g (PEA, SAL, PBI, INV)
R
2
XK_IPC
= 0.815850
2.54
2.54
Cae en la regin de rechazo,
por lo tanto se rechaza H
0
, en
conclusin si existe
multicolinealidad.
Cae en la regin de rechazo,
por lo tanto se rechaza H
0
, en
conclusin si existe
multicolinealidad.
38
c) Calculando el estadstico t Student
HETEROCEDASTICIDAD
Supuesto del MMCO:
Var(u
i
) = E(u
i
2
)=
2
(Homocedasticidad)
Lo que sucede mayormente es que:
Var(u
i
) = E(u
i
2
)=
(Heterocedasticidad)
I= 1, 2, 3, 4.
Causas de la Heterocedasticidad:
- Se presenta ms en datos de corte transversal.
Corte transversal: la dispersin es ms grande.
- Cuando se trabaja en variables agregadas.
Lo ms probable es que se presente mayor dispersin en la variable agregada (p. e. el
promedio de todos los alumnos en lugar del de un solo alumno)
- Errores de especificacin del modelo.
Supongamos el sgte. Modelo:
Y
i
=
0
+
1
X
1
+
2
X
2
+
3
X
3
+e
t
------------------------------------------- (1)
Y
i
=
0
+
1
X
1
+
2
X
2
+v
t
------------------------------------------- (2)
v
t
=
3
X
3
+e
t
---------------------------------------------------------(3)
Consecuencias de la Heterocedasticidad:
Los estimadores mnimo Cuadrticos seguirn siendo lineales, insesgados, e incluso
consistentes, sin embargo, perdern la propiedad de la eficiencia, es decir, las varianzas ya no
sern mnimas. En consecuencia los intervalos de confianza y las pruebas de hiptesis
perdern confiabilidad
39
Propiedades:
- Insesgado:
E()=
- Constante:
n
- Lineal:
-
- Eficiencia:
Varianza mnima
T
C
=
/s
PRUEBAS GRFICAS
DES = f (PEA, SAL, PBI, INV, IPC)
a) Para PEA DESC=F(PEA)
b) Para SAL DES=F(SAL)
200
250
300
350
400
450
500
550
600
4,200 4,400 4,600 4,800 5,000 5,200
PEA
D
E
S
200
250
300
350
400
450
500
550
600
1,000 1,100 1,200 1,300 1,400 1,500
SAL
D
E
S
40
c) Para PBI DES=F(PBI)
d) Para INV DES=F(INV)
e) Para IPCM DES=F(IPC)
200
250
300
350
400
450
500
550
600
160 180 200 220 240 260 280
PBI
D
E
S
200
250
300
350
400
450
500
550
600
0 1,000,000 2,000,000 3,000,000
INV
D
E
S
200
250
300
350
400
450
500
550
600
92 96 100 104 108 112
IPC
D
E
S
41
TEST DE BREUSH-PAGAN-GODFREY
H
0
: No existe Heterocedasticidad (La Heterocedasticidad no es estadsticamente significativa)
H
1
: Existe Heterocedasticidad (La Heterocedasticidad es estadsticamente significativa)
El test Consiste en regresionar los residuos al cuadro en funcin de las variables explicatorias
del modelo:
E
2
=f(variable explicatoria del modelo) Se determina el producto de: n*R
2
p: N de variables explicatorias del modelo sin el intercepto
n*R
2
Cae en la regin de
aceptacin, por lo tanto se
aceptaH
0
, en conclusin no
existe heterocedasticidad.
42
TEST DE HARVEY
H
0
: No existe Heterocedasticidad (La Heterocedasticidad no es estadsticamente significativa)
H
1
: Existe Heterocedasticidad (La Heterocedasticidad es estadsticamente significativa)
n*R
2
Cae en la regin de
aceptacin, por lo tanto se
aceptaH
0
, en conclusin no
existe heterocedasticidad.
43
TEST DE GLEISER
Primera versin
a) Primera versin:
|
|
LS ABS (RESID01) C IBFP TI PBI
H
0
: No existe Heterocedasticidad (La Heterocedasticidad no es estadsticamente
significativa)
H
1
: Existe Heterocedasticidad (La Heterocedasticidad es estadsticamente significativa)
n*R
2
44
SEGUNDA VERSIN
Se evala la presencia de heterocedasticidad en cada variable explicatoria.
Se regresiona:
E
i
2
=f (cada variable explicatoria)
Una vez efectuadas las 4 regresiones, existir heterocedasticidad causada por la variable
explicatoria en anlisis, si al menos en una de las 4 estimaciones el coeficiente de la variable
explicatoria es estadsticamente significativo.
DES = f (PEA, SAL, PBI, INV, IPC)
Evaluaciones:
Para PEA
LS RESID01^2 C PEA
LS RESID01^2 C 1/PEA
Cae en la regin de
aceptacin, por lo tanto se
aceptaH
0
, en conclusin no
existe heterocedasticidad.
Prob=0.2547> 0.05
Entonces PEA no es
estadsticamente significativa
45
LS RESID01^2 C SQR(PEA)
LS RESID01^2 C 1/SQR (PEA)
Prob=0.2830 > 0.05
Entonces 1/SQR (PEA) no es
estadsticamente significativa
Prob=0.2640 > 0.05
Entonces SQR (PEA) no es
estadsticamente significativa
Prob=0.2926 > 0.05
Entonces 1/PEA no es
estadsticamente
significativa
Entonces concluimos que no existe heterocedasticidad
46
Para SAL
LS RESID01^2 C SAL
LS RESID01^2 C 1/SAL
LS RESID01^2 C SQR (SAL)
Prob=0.7548 > 0.05
Entonces SAL no es
estadsticamente
significativa
Prob=0.7914 > 0.05
Entonces 1/SAL no es
estadsticamente
significativa
Prob=0.7637 > 0.05
Entonces SQR (SAL)
no es estadsticamente
significativa
47
LS RESID01^2 C 1/SQR(SAL)
Para PBI
LS RESID01^2 CPBI
Prob=0.7820 > 0.05
Entonces 1/ SQR(SAL) no
es estadsticamente
significativa
Entonces concluimos que no existe heterocedasticidad
Prob=0.2931 > 0.05
EntoncesPBIno es
estadsticamente
significativa
48
LS RESID01^2 C 1/PBI
LS RESID01^2 C SQR(PBI)
LS RESID01^2 C 1/SQR(PBI)
Entonces concluimos que no existe heterocedasticidad
Prob=0.2953 > 0.05
EntoncesSQR(PBI) no es
estadsticamente
significativa
Prob=0.3022 > 0.05
Entonces 1/PBI no es
estadsticamente
significativa
Prob=0.2998 > 0.05
Entonces 1/SQR(PBI) no
es estadsticamente
significativa
49
Para INV
LS RESID01^2 C INV
LS RESID01^2 C 1/ INV
LS RESID01^2 C SQR(INV)
Prob=0.3199 > 0.05
Entonces INV no es
estadsticamente
significativa
Prob=0.1788 > 0.05
Entonces1/INV no es
estadsticamente
significativa
50
LS RESID01^2 C 1/SQR(INV)
Para IPC
LS RESID01^2 C IPC
Entonces concluimos que no existe heterocedasticidad
Prob=0.2386 > 0.05
Entonces SQR(INV) no es
estadsticamente
significativa
Prob=0.1574 > 0.05
Entonces 1/SQR(INV) no
es estadsticamente
significativa
51
LS RESID01^2 C 1/IPC
LS RESID01^2 C SQR(IPC)
Prob=0.7571 > 0.05
Entonces IPC no es
estadsticamente
significativa
Prob=0.7562> 0.05
Entonces 1/IPC no es
estadsticamente
significativa
52
LS RESID01^2 C 1/SQR(IPC)
TEST DE ARCH
H
0
: No existe Heterocedasticidad (La Heterocedasticidad no es estadsticamente
significativa)
H
1
: Existe Heterocedasticidad (La Heterocedasticidad es estadsticamente significativa)
Conocido tambin como Test de Heterocedasticidad Condicional Autoregresiva.
AUTOREGRESIVA: VARIABLE DEPENDIENTE APARECE COMO VARIABLE ENDGENA REZAGADA
Consiste en Regresionar:
E
t
2
= f(E
t-1
2
, E
t-2
2
, , V
t
)
RESID01^2
Entonces concluimos que no existe heterocedasticidad
Prob=0.7569 > 0.05
Entonces SQR(IPC) no es
estadsticamente
significativa
Prob=0.7565 > 0.05
Entonces 1/ SQR(IPC) no es
estadsticamente
significativa
53
E
t-2
2
n*R
2
SOLO ES VLISO PARA SERIES DE TIEMPO.
n*R
2
TES DE WHITE
H
0
: No existe Heterocedasticidad (La Heterocedasticidad no es estadsticamente
significativa)
H
1
: Existe Heterocedasticidad (La Heterocedasticidad es estadsticamente significativa)
EXISTEN DOS VERSIONES:
GENERAL (CON TRMINOS CRUZADOS)
n*R
2
Cae en la regin de
aceptacin, por lo tanto se
aceptaH
0
, en conclusin no
existe heterocedasticidad.
Prob= 0.5985 > 0.05,
entonces Se acepta H0,
concluyendo que no existe
heterocedastidad.
54
n*R
2
SIMPLIFICADA (SIN TRMINOS CRUZADOS)
Cae en la regin de
aceptacin, por lo tanto se
aceptaH
0
, en conclusin no
existe heterocedasticidad.
55
n*R
2
TEST DE PARK
Se regresiona:
Log (E
i
2
)=
Este test s evala la heterocedasticidad variable por variable:
Existir heterocedasticidad si el
es est. Significativo
DES = f (PEA, SAL, PBI, INV, IPC)
LS LOG(RESID01^2) C LOG(PEA)
Cae en la regin de
aceptacin, por lo tanto se
aceptaH
0
, en conclusin no
existe heterocedasticidad.
56
LS LOG (RESID01^2) C LOG(SAL)
LS LOG(RESID01^2) C LOG(PBI)
LS LOG(RESID01^2) C LOG(INV)
| |= 0.202977< 2
Entonces no existe
heterocedasticidad
| |= 0.499869 < 2
Entonces no existe
heterocedasticidad
| |= 1.541927 < 2
Entonces no existe
heterocedasticidad
57
LS LOG(RESID01^2) C LOG(IPC)
AUTOCORRELACION
Qu es la auto correlacin?
Supuesto bsico del MMCO:
E(u
i
,u
j
)=0 No Existe la autocorrelacin de la variable aleatoria.
Autocorrelacin: relacin de dependencia de la V.A. consigo misma
Causa de la auto correlacin:
- De mayor incidencia en series de tiempo.
- Siempre hay oscilaciones, pero si lo vemos normalmente podemos sacar
tendencias. Las variables es como si fueran una cadena, los periodos ms
recientes es lo que ms influye. Si tiene una tendencia al alza, se dice que
seguir creciendo.
Fenmeno de la Telaraa.
- Inadecuada especificacin del modelo.
----(1)
----(2)
---(3)
TEST DURBIN WATSON
| |= 0.824320< 2
Entonces no existe
heterocedasticidad
| |= 0.927637< 2
Entonces no existe
heterocedasticidad
58
24-
4-
4
CASOS:
- Zona I Existe autocorrelacin positiva
- Zona II No existe autocorrelacin
- Zona III Existe autocorrelacin negativa
- Zonas A y B Zonas no concluyentes
n=60 k=5
De acuerdo al Cuadro el valor de Durbin-Watson stat es 1.928149=1.93
dl =1.48 dv =1.69 4-dv =4-1.69= 2.31 4-dl = 4-1.69= 2.52
ZONA 1
A
ZONA 2
ZONA 3
B
59
01.4822.312.52 4
DW = 1.93
TEST DE BREUSH Y GODFREY
Consiste en regresionar los residuos
Ho: No existe autocorrelacin
H1: Existe autocorrelacin
El Test ser:
n*R
2
p= nmero de rezagos
ZONA 1
A
ZONA 2
ZONA 3
B
Por lo cual DW cae en la ZONA 2, en donde no existe autocorrelacin.
60
TEST DE BOX_PIERCE
Ho: No existe autocorrelacin
H1: Existe autocorrelacin
AC: Coeficiente de autocorrelacin
A
Autocorrelacin de 2do orden
En donde :
60*0.068
2
=0.27744
3.84
0.27744 3.84
Cae en la regin de
aceptacin, por lo tanto se
aceptaH
0
, en conclusin no
existe autocorrelacin.
63
Autocorrelacin de 2do orden
60*(0.068
2
+ (-0.222)
2
)=3.23448
3.23448 3.84
7. BIBLIOGRAFA
Almonte Leobardo de Jess y Carbajal Surez Yolanda (2011).Crecimiento
econmico y desempleo: una relacin estructural. (vol3) .Brasil. Disponible en:
http://www.redalyc.org/articulo.oa?id=193118893006
Bannock Graham, Baxter r.e, Rees, Ray (1990.). Diccionario econmico.(2da
edicin)
Figueroa Valenzuela Rodrigo (2002), Desempleo y precariedad en la sociedad
de mercado, Santiago
Gutirrez Rodrguez, Roberto (2009). Tiempos difciles para el mercado laboral
INEI (2011).Que sabemos sobre el desempleo en el Per? Lima. Disponible
en
http://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib04
89/Libro.pdf
Maynard Keynes John(1936). Teora general de la ocupacin, el inters y el
dinero.Traduccin de Eduardo Hornedo y Revisin de ngel Martn Prez
disponible en http://es.scribd.com/doc/127079500/Teoria-General-de-La-
Ocupacion-El-Interes-y-El-Dinero-John-Maynard-Keynes
Ministerio de trabajo y promocin del empleo (2012). Polticas Nacionales de
Empleo. (2da. Ed.) Per. Disponible
en:http://www.mintra.gob.pe/archivos/comunicados/Politica_Nacional_de_Empl
eo.pdf
Cae en la regin de
aceptacin, por lo tanto se
aceptaH
0
, en conclusin no
existe autocorrelacin.
64
Parkin, Michael. Macroeconoma versin para Latinoamrica. ( 9
edicin).Disponible en : www.perasoneducacion.net/parkin
Tapia Granados Jos A. (1998). Son los salarios altos causa del desempleo?
Una nota sobre mercados de trabajo. Barcelona
Torres Lpez Juan y Montero SolerAntonio (2005). Trabajo, empleo y
desempleo en la teora econmica: la nueva ortodoxia. Mlaga
8. LINKOGRAFA
http://es.tradingeconomics.com/peru/wages
http://es.tradingeconomics.com/peru/unemployed-persons
http://www.elblogsalmon.com/mundo-laboral/aumentar-el-salario-minimo-
puede-reducir-el-desempleo
http://www.gestiopolis.com/economia-2/teoria-empleo-desempleo-caso-
colombiano.htm
http://www.inei.gob.pe