Autocorrelacin

inflacin se redujo por onceava vez situndose en 3,99%. Se observ que la inflacin de En
consecuencia, es posible inferir que los choques de oferta a causa del fenmeno de El Nio
y la devaluacin nominal del peso se han ido eliminando, permitiendo que la inflacin vuelva
nuevamente a estar alrededor de la meta. No obstante, se desconoce el curso que tomar la
inflacin y, por tanto, la poltica monetaria no sabe si debe controlar las presiones
inflacionarias u ocuparse del crecimiento econmico. Por esta razn, el objetivo del trabajo
es pronosticar la inflacin eligiendo las variables que usted considere relevantes. Para esto
cuenta con la base de datos inflacin.xlsx y la idea es estimar el modelo con sus respectivas
correcciones (si son necesarias) y predecir teniendo en cuenta los valores de la Tabla 2.
Se debe explicar la eleccin de variables para el modelo, correcciones, inferencias y
estimaciones.
1. Teora Econmica

Con el objetivo de hacer una estimacin con respecto a la tasa de inflacin para determinar
si la poltica monetaria debe enfocarse en controlar las presiones inflacionarias u ocuparse
del crecimiento econmico, se proceder a estimar la tasa de inflacin con base a lo que
establece la teora econmica.

De acuerdo con la literatura econmica en el corto plazo, periodo en el cual los precios no se
ajustan en su totalidad, los cambios en las variables nominales (variables expresadas en
dinero) tienen incidencia en las variables reales tales como el producto, el desempleo u otras,
en otros trminos, en el corto plazo la dicotoma clsica desaparece.

En 1958 se public un artculo titulado "La relacin entre el desempleo y la tasa de variacin
de los salarios monetarios en el Reino Unido, escrito por el economista William Phillips,
en el cual evidenci la existencia de una correlacin negativa entre la tasa de desempleo
(variable real) y la variacin de los salarios (variable nominal) en la economa britnica. Aos
despus Paul Samuelson y Robert Solow confirmaron la existencia de una conexin entre la
inflacin (variable nominal) y el desempleo, otros estudios posteriores denotaron que la
relacin tena un mayor grado de explicacin si las expectativas de inflacin eran
introducidas.

2. Modelo matemtico de la teora

La correlacin negativa entre inflacin y la tasa de desempleo se conoce actualmente como

la curva de Phillips, en su versin moderna establece que la tasa de inflacin depende de tres
fuerzas:

1. Inflacin esperada ( +1).

2. Desviacin de la tasa de desempleo con respecto a su tasa natural, tasa desempleo
cclico ( ).
3. Perturbaciones de la Oferta ( = 0 en ausencia de choques).

El segundo componente ( ) es en realidad una medida de brecha que puede definirse

como de producto, desempleo, salarios o utilizacin de capacidad instalada (Phillips 1958).
En cuanto al tercero, perturbaciones de oferta ( ), explica las variaciones en la inflacin
provenientes de factores climticos o variaciones en el precio internacional de cierto tipo de
bienes como el petrleo (Mario Nigrinis Ospina 2003).

Estas fuerzas se expresan en:

= +1 ( ) +

donde , representa el grado de sensibilidad de la inflacin frente a variaciones de la tasa de

desempleo con respecto a su nivel natural (tasa de desempleo cclico) y el signo negativo que
lo precede evidencia la relacin inversa del modelo.
La formulacin matemtica del modelo plantea principalmente una dependencia lineal de la
inflacin, variable dependiente, de las expectativas de inflacin y la tasa de desempleo
cclica, estas ltimas desempean el rol de variables explicativas.

3. Modelo economtrico de la teora

Antes de llevar a cabo la regresin del modelo se va a mirar grficamente el grado de

correlacin entre cada una de las variables explicativas y la variable dependiente, esto se hace
como un indicio de que las variables explicativas escogidas estn correlacionadas con la
variable dependiente. Lo anterior se hace teniendo en cuanta las diferencias existentes entre
la teora de la correlacin y la teora de regresin.

La grfica 1, la cual relaciona la tasa de inflacin (Yt) con las expectativas de inflacin (X1t),
evidencia la existencia de una correlacin positiva entre las dos variables, lo cual es
consistente con la teora econmica la cual establece que ante un nivel de expectativas altas
se espera que incida en la tasa de inflacin (este anlisis se hace desde la perspectiva
econmica dado que la correlacin no implica causalidad), lo cual se lleva a cabo por un
proceso de indexacin.

Grafica 1

Por otro lado, la grfica 2, la cual relaciona la tasa de inflacin (Yt) con la tasa de desempleo
cclico (X2t), hace explcito la existencia de una correlacin negativa entre las dos variables.
Lo anterior tambin es consistente con la relacin encontrada por Phillips.

Las dos graficas anteriores parecen afirmar que las variables escogidas para estimar la
inflacin son las adecuadas, para percatarnos se desarrolla la estimacin economtrica en
adelante.
 Grafica 2

Ahora se procede a hacer una estimacin economtrica de la curva de Phillips con la base de
datos proporcionados, el modelo economtrico en consideracin es el siguiente:

= 0 + 1 1 + 2 2 +

donde:

Es la variable dependiente y representa la inflacin en el periodo

t
1 Variable explicativa que describe la inflacin esperada en el
periodo t
2 Variable explicativa que describe la tasa de desempleo cclico en
el periodo t
Representa el trmino de perturbacin, en este contexto choques
exgenos a la oferta

La anterior funcin economtrica de la inflacin plantea como hiptesis que la variable

dependiente (tasa de inflacin) est relacionada linealmente con las variables explicativas
1 (inflacin esperada) y 2 (tasa de desempleo cclico).

3.1 Paso 1

En primer lugar, se procede hacer la estimacin del modelo por el mtodo de mnimos
cuadrados ordinarios (MCO) de donde se obtiene los siguientes estimadores:
 Estimadores Media Desviacin
estndar

0 2.56367 0.2067549

1 0.4685354 0.02379259

2 -0.7767044 0.04473964

R2

0.8425888

Varcov
0.042747575 -0.0023126820 -0.007612824

-0.002312682 0.0005660873 -0.000107965

-0.007612824 -0.0001079650 0.002001635

Dado que la inflacin y las variables que se considera que explican su comportamiento estn
en trminos porcentuales, se puede inferir que los parmetros miden la elasticidad de Yt con
respecto a cada variable explicativa (X1t y X2t).

La ecuacin de inflacin estimada es:

t = 2.42+ 0.48X1t- 0.75X2t

y el error estimado es:

t=Y - t

Teniendo en cuenta la naturaleza de los datos de los cuales se hace la regresin, se cree que
son series de tiempo, se llega a esta deduccin dado que la muestra de la inflacin es una
serie de observaciones de valores que toma a lo largo del tiempo. Este tipo de variables suele
presentar problemas especiales, como estacionariedad, lo cual, de acuerdo con la definicin
formal una serie es estacionaria si sus dos primeros momentos son iguales a travs del tiempo.
(Gujarati).

3.2 Paso 2
Cuando se presentan problemas en los datos de esta naturaleza, en donde el termino de error
esta correlacionado con los trminos de error precedentes, se sabe que tienen la siguiente
relacin

= 1 + .

Haciendo un anlisis grfico del trmino de error a travs del tiempo se hace explicito lo
anterior.

Grafica 3

Por tanto, con el objeto detectar autocorrelacin formalmente, se proceder a llevar a cabo la
prueba de Durbin-Watson. Se debe tener en cuenta que para llevar a cabo esta prueba es
importante que se cumplan los supuestos sobre los cuales se basa esta prueba, entre los cuales
se mencionan los ms importantes a continuacin.

1. El modelo de regresin incluye el trmino de interseccin. Si dicho termino no est

presente, como es el caso de la regresin a travs del origen, es esencial efectuar
nuevamente la regresin incluyendo dicho termino para obtener la SRC.
2. Las variables explicativas X, son no estocsticas.
3. Las perturbaciones ut se generan mediante el esquema autorregresivo de primer
orden de Markov, = 1 + .
4. Se supone que el termino de error ut esta normalmente distribuido.

Para asegurarse que los datos cumplen con todas las condiciones, en especial el de la
distribucin de normalidad se procede a llevar a cabo el test de normalidad de Jarque-Bera,
sobre t .

Antes estimar se proceder a estimar el cul representa el coeficiente de correlacin

entre los trminos de perturbacin en primer grado, de acuerdo con los datos mustrales se
obtiene,

= -0.5605639
Con este dato es posible estimar t y aplicar la prueba de Jarque-Bera.
 : ~
:

Jarque-Bera test for normality

data: vhat
JB = 0.94555, p-value = 0.598

A un nivel de significancia del 5% no existe evidencia estadstica suficiente para rechazar

la hiptesis nula, por tanto, hay evidencia para creer que ut se distribuye normal. Lo
anterior permite llevar a cabo la prueba de Durbin-Watson.

: = 0
: 0

d=2*(1- ) Estadstico de prueba

d=3.121128

En la tabla del estadstico Durbin-Watson se obtiene los siguientes valores crticos con 120
observaciones y dos variables regresadas (omitiendo el intercepto) y a un nivel de
significancia del 5%:

N K dL dU 4-dU 4-dL
120 2 1.68531 1.7188 2.2811 2.31469

d=3.121128 > 2.31469 = 4-dL

Donde N es el nmero de observaciones, K es el nmero de variables estimadas menos el

intercepto, dL es el lmite inferior y dU es el lmite superior de la primera zona de
indiferencia, por otro lado 4-dU y 4-dL son los lmites de la segunda zona de indiferencia.

Grafica 4

Dado que el estadstico de prueba cae en la regin de rechazo superior, existe evidencia
estadstica para creer que hay una correlacin negativa entre los trminos de perturbacin.

3.3 Paso 3
De acuerdo a lo anterior se deben tomar medidas correctivas para corregir la estimacin, por
ello se proceder a estimar el modelo por el mtodo de mnimos cuadrados generalizados
(MCG).

Y*=X*B + e*

donde Y*=PY, X*=PX y e*=Pe, donde P es una matriz que tiene la propiedad de P**P=I,
por medio de la estimacin de la matriz P, se puede corregir el modelo.

La estimacin de las variables una vez corregido el modelo es:

Estimadores Media Desviacin

estndar

0 2.4179628 0.14927

1 0.4770292 0.01837

2 -0.7509217 0.03055

R2 0.9139711

Varcov
0.022282152 -1.510609e-03 -3.636988e-03

-0.001510609 3.374900e-04 -3.203914e-05

-0.003636988 -3.203914e-05 9.331730e-04

Se vuelve a estimar la prueba de Durbin-Watson para de que la autocorreccin de las

variables ha sido eliminada

: = 0
: 0

p=0.0273764
 d= 1.945247
Dado que el nmero de variables de la muestra no han cambiado y se siguen estimando dos
variables regresadas (omitiendo el intercepto) y el nivel de significancia es del 5%, los
valores crticos no han cambiado.

N K dL dU 4-dU 4-dL
120 2 1.68531 1.7188 2.2811 2.31469

d=1.945247 < 2.2811 = 4-dU

Por tan en este caso el estadstico de prueba cae en la regin de aceptacin, lo cual implica
que no hay evidencia estadstica suficiente para creer que existe autocorrelacin del modelo
corregido. Los estimadores obtenidos por MCG son los mejores estimadores lineales
insesgados MELI.

4. Interpretacin de los estimadores

Como se mencion anteriormente, dado que la inflacin y las variables que se considera que
explican su comportamiento estn en trminos porcentuales, se puede inferir que los
parmetros miden la elasticidad de Yt con respecto a cada variable explicativa (X1t y X2t).

0 Es el intercepto, punto en el cual las expectativas de inflacin son

cero y la tasa de desempleo est en su nivel natural.

1 Ante una variacin de la expectativas de inflacin en 1%,
manteniendo todo lo dems constante, la inflacin varia en
promedio en aproximadamente 0.42%.
2 Ante una variacin de la tasa de desempleo con respecto a su
media en 1%, manteniendo todo lo dems constante, la
inflacin varia en promedio en aproximadamente menos 0.75%.

La ecuacin de inflacin estimada es:

t = 2.42+ 0.42X1t - 0.75X2

El R2 indica cuanto de las variaciones de la variable independiente son explicadas por las
variaciones de las variables explicativas, un R2 tan alto como este (0.91) es un buen
indicador de que las variables elegidas son las correctas.

5. Pruebas de hiptesis

Suponiendo que el modelo es una aproximacin razonable buena de la realidad se procede a

desarrollar pruebas de hiptesis para averiguar si las variables utilizadas son estadsticamente
significativas para explicar la relacin entre las variables explicativas y la dependiente, se
rechazara a un nivel de significancia del 5%.

5.1 Significancia individual

: = 0 = 2,3
1 : 0 = 2,3

Estimate Std.Error t.value Pr(>|t|)

B1 0.47703 0.01837 25.97 <2e-16 ***
B2 -0.75092 0.03055 -24.58 <2e-16 ***

A un nivel de significancia de 5%, existe evidencia estadstica para rechazar la hipotesis de

que Bi es cero manteniendo el efecto de la otra variable constante, es decir de Bj, donde i j.

6. Proyeccin

Si el modelo que fue escogido confirma las hipotesis en consideracin, se puede utilizar
para pronosticar el valor promedio de la inflacin dado ciertos cambios en las variables
explicativas.

Ypron=function(exp,cd){
Xpron=c(1,exp,cd)
Ypron=Xpron%*%Betahat1
print(Ypron)
}

Ypron(3.97,4.22)= 1.142879

Ypron(4.54,3.87)= 1.677608

Ypron(3.45,4.52)= 0.6695474

Donde exp representa el valor esperado de la inflacin y cd representa la tasa de

empleo cclico