Trabajo final: Modelo econométrico de

crecimiento para la economía de Venezuela.

1
 Índice
Introducción……………………………………………………………….. 3
Capítulo I: Marco teórico……………………………………………………………….4
Capítulo II: Análisis descriptivo…………………………………………………………....5
Análisis Gráfico
Estadística descriptiva
Variables atípicas
Matriz de covarianza
Matriz de correlación
Diagrama de dispersión
Capítulo III: Modelo econométrico ….………………………………………………….7
Estimación
Verificación de supuestos
Prueba de Estacionalidad……………………………………………………..7
Coeficiente de correlación……………………………………………….…....8
Estimación del modelo……………………………………………………......8
Prueba de correcta estimación………………………………………………...10
Matriz varianza-Covarianza…………………………………………………...11
Pruebas de Normalidad………………………………………………………...11
Pruebas de Heterocedasticidad…………………………………………………13
Prueba de Multicolinealidad……………………………………………………14
Pruebas de Autocorrelación Serial……………………………………………....14
Pruebas de Estabilidad Estructural……………………………………………….16
Interpretación de resultados
Estadísticos
Econométricos
Bibliografía……………………………………………………………………...18

2
3
 Introducción
En este trabajo se analizarán si los componentes principales del Producto Interno Bruto en el sector industrial
pueden decirnos si hay o no crecimiento en La República Bolivariana de Venezuela, en un periodo que comprende
del año 1982 al año 2012 con una observación en periodos anuales.
Utilizando las variables Formación Bruta de Capital Fijo, la Industria y la Inversión Extranjera Directa, todo en
dólares constantes de 2005, veremos cuanto es el impacto en el Producto Interno Bruto, dando como una ecuación
inicial la siguiente:
𝑃𝐼𝐵 = 𝐼𝑁𝐷 + 𝐹𝐵𝐾 + 𝐼𝑁𝑉
 PIB = Producto Interno Bruto
 IND = PIB Industrial
 FBK = Formación Bruta de Capital Fijo
 INV = Inversión Extranjera Directa

Por medio de las Pruebas de Diagnóstico, analizaremos si nuestro modelo explica o no a la variable Producto
Interno Bruto. Se analizará que variables deben y cuales no deberían de estar dentro de nuestro modelo a analizar.
Otra cosa que quiero señalar antes de seguir, en el modelo que estoy planteando las variables están en diferencias
ya que al usarlas en niveles las series tienen tendencia, y con la diferencia lo que hago es quitar esa tendencia,
con lo anterior las variables a analizar darían un modelo así:
(𝑃𝐼𝐵𝑡 − 𝑃𝐼𝐵𝑡−1 ) = (𝐼𝑁𝐷𝑡 − 𝐼𝑁𝐷𝑡−1 ) + (𝐹𝐵𝐾𝑡 − 𝐹𝐵𝐾𝑡−1 ) + (𝐼𝑁𝑉𝑡 − 𝐼𝑁𝑉𝑡−1 )
Para simplificar usaré el modelo siguiente:
∆𝑃𝐼𝐵𝑡 = ∆𝐼𝑁𝐷𝑡 + ∆𝐹𝐵𝐾𝑡 + ∆𝐼𝑁𝑉𝑡

4
 Marco teórico
La primera Ley de Kaldor establece que la tasa de crecimiento de una economía se relaciona de manera positiva
con la correspondiente a su sector manufacturero, lo cual implica que éste se considera el motor de crecimiento.
La explicación de este vínculo se asocia con el alto efecto multiplicador del sector industrial, debido a las altas
elasticidades ingreso de la demanda de las manufacturas; a los fuertes encadenamientos productivos hacia atrás
y hacia adelante de las actividades industriales, y a las economías de aprendizaje que pueden obtenerse a
medida que avanza la división del trabajo y se fortalece la especialización como resultado de la expansión de las
actividades manufactureras.

Esta primera Ley se ha expresado de manera alternativa como:

(1)

(2)

Donde es la tasa de crecimiento del producto de toda la economía, la de la industria manufacturera

y la de las actividades no manufactureras. El hecho de que esté contenido en y que además sea
parte considerable de éste implica que la correlación entre ambas variables puede resultar espuria, por lo que es
preferible que el contraste empírico de la Ley se realice utilizando la ecuación 2, con la tasa de crecimiento del
producto no manufacturero como variable de pendiente en lugar de la correspondiente al producto total.

Con esto se previene que la correlación estimada sea espuria y se puede demostrar si la expansión
manufacturera tiene un efecto de arrastre del resto de las actividades económicas. La primera Ley se valida si en
1 y 2, a1 es positiva y estadísticamente significativa, y se rechaza si cualquiera de estas dos condiciones no se
cumple. No obstante, la simple relación estadística entre y o entre y no es suficiente para
afirmar que el crecimiento es dirigido por la demanda; además, es necesario establecer la dirección de
causalidad y descartar otras posibles explicaciones.

5
 Análisis de las series
Lo primero que hice para el modelo fue eliminar la tendencia de las variables, como sabemos la eliminación de
la tendencia se consigue con diferenciación sucesiva, en un sentido laxo del término diríamos que precisamos que
la serie no tenga tendencia, y que presente un grado de dispersión similar. Ahora ya eliminada la tendencia,
observemos el comportamiento de las variables a través del tiempo:
2.00e+10
1.00e+10

0
-1.00e+10

1980 1990 2000 2010

año

dPIB dIND
dFBK dINV

Fuente: elaboración propia.

Observamos que se mueven demasiado y también se pueden observar puntos importantes para la economía de
Venezuela; el primero es en 1989 durante el segundo gobierno de Carlos Andrés Pérez la situación del país se
vuelve inestable, sobre todo después de la implementación de un "paquete económico" auspiciado por el Fondo
Monetario Internacional, que trajo como consecuencias inmediatas un aumento en la cesta alimentaria básica, del
pasaje estudiantil, y de la gasolina, por lo cual se produce una revuelta popular conocida como el “Caracazo”, la
cual fue violentamente reprimida por la policía y el ejército, dejando miles de muertos y desaparecidos. El
segundo; durante un convulsionado gobierno también se dieron dos intentos de golpe de Estado, durante el año
1992, uno en febrero comandado por el teniente coronel Hugo Chávez, y otro en noviembre, al mando de un buen
número de militares de la aviación venezolana. Ambos golpes fracasaron por la poca o nula respuesta del resto
de la Fuerza Armada, más no contribuyó a mejorar la ya desacreditada imagen del Presidente. El tercero; en 1992
Hugo Chávez lidera un fallido Golpe de Estado el 4 de febrero contra el presidente Carlos Andrés Pérez. El intento
falla, Chávez asume la responsabilidad de los hechos y es apresado. Sin embargo a partir de este momento Chávez
comenzará a gozar de una gran popularidad y en 1998 es elegido presidente por mayoría de votos, contando con
el apoyo del partido fundado por él, Movimiento V República, y una alianza de izquierda llamada "Polo
Patriótico", conformado por los partidos izquierdistas como Patria Para Todos, Partido Comunista de Venezuela
y, en un primer momento Movimiento al Socialismo (MAS), si bien este último actualmente pertenece a la
oposición. El 16 de diciembre del año siguiente sucede una de los desastres naturales más destructivos de
Venezuela, unas severas lluvias, causan inundaciones que destruyen a pueblos enteros y la pérdida de muchas

6
vidas humanas así como ingentes daños materiales en muchas zonas del país, pero especialmente el recién
constituido estado Vargas, en el litoral central en la costa caribeña venezolana. El cuarto; las políticas de Chávez
dentro de lo que denomina Revolución Bolivariana generaron un amplio apoyo entre sus partidarios,
mayoritariamente pertenecientes a las clases populares, y un gran rechazo entre los sectores de la oposición,
pertenecientes en su gran mayoría a las clases medias y altas venezolana, el 11 de abril del 2002 se consumó un
golpe de estado contra Chávez que lo derrocó por dos días, En ese mismo año se realizó un paro general, siendo
el tercero hecho por la oposición, llamado "paro nacional de carácter indefinido" según el lenguaje de los
opositores, el gobierno lo tilda de "Sabotaje petrolero" ya que en él se vio afectado PDVSA, la compañía estatal
de petróleo y pilar fundamental de la economía venezolana, con pérdidas estimadas entre los quince y veinte mil
millones de dólares para el país, así como también pérdidas humanas causadas por accidentes debido al manejo
personal de la gasolina y por el entorpecimiento del área del transporte público y privado. Y el último punto es
en el 2009 en el cual Venezuela también es afectada por la crisis mundial que afecto a la economía mundial.

7
 Pruebas de Diagnóstico
Prueba de estacionalidad en las variables
Los modelos econométricos exigen que las series a utilizar sean estacionarias en media y varianza. Por lo que se
realiza la siguiente prueba para verificar que las series tengan raices unitarias, las hipótesis que lo contrastan son
las siguientes:
H0: La serie presenta una Raiz Unitaria (La serie no es Estacionaria).
H1: La serie no presenta raíz Unitaria (La serie es Estacionaria).
∝= 5%
Para aceptar la hipotesis nula (H0) y poder rechazar la alternativa (H1) el valor de P debe der se menor de 0.05.
. dfuller dPIB

Dickey-Fuller test for unit root Number of obs = 30

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -4.073 -3.716 -2.986 -2.624

MacKinnon approximate p-value for Z(t) = 0.0011

No se rechaza la hipótesis nula por lo tanto La serie no es Estacionaria.

. dfuller dINV

Dickey-Fuller test for unit root Number of obs = 30

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -6.630 -3.716 -2.986 -2.624

MacKinnon approximate p-value for Z(t) = 0.0000

No se rechaza la hipótesis nula por lo tanto La serie no es Estacionaria.

. dfuller dFBK

Dickey-Fuller test for unit root Number of obs = 30

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -3.714 -3.716 -2.986 -2.624

MacKinnon approximate p-value for Z(t) = 0.0039

No se rechaza la hipótesis nula por lo tanto La serie no es Estacionaria.

8
. dfuller dIND

Dickey-Fuller test for unit root Number of obs = 30

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -4.872 -3.716 -2.986 -2.624

MacKinnon approximate p-value for Z(t) = 0.0000

No se rechaza la hipótesis nula por lo tanto La serie no es Estacionaria.

Coeficiente de correlación
Ya que las serie no son estacionarias procederé a calcular los coeficientes de correlación entre las variables, que
nos dirá de cuanto es el grado de asociación entre variables, pero lo más importantes, de las variables explicadoras
hacía la explicada.
dPIB dIND dFBK dINV

dPIB 1.0000
dIND 0.8819 1.0000
dFBK 0.8538 0.6311 1.0000
dINV 0.1949 0.1028 0.2280 1.0000

Observamos que el PIB industrial, explica al Producto Interno Bruto en un 88.19% en una relación positiva.
La Formacion Bruta de Capital, explica al Producto Interno Bruto en un 85.38% igual en una relación positiva.
Y por útimo la Inversión Extranjera Directa, explica el Producto Interno Bruto con tan sólo un 19.49% en una
relación iguamente positiva.

Estimación del modelo

Ahora calcularé la regresión lineal con las variables antes mencionadas planteando un modelo como el siguiente:
∆𝑃𝐼𝐵𝑡 = 𝛽1 + 𝛽2 ∆𝐼𝑁𝐷𝑡 + 𝛽3 ∆𝐹𝐵𝐾𝑡 + 𝛽4 ∆𝐼𝑁𝑉𝑡 + 𝜇𝑡
Realizando la regresión lineal en el programa Stata se obtuvo la siguiente regresión:

9
 Source SS df MS Number of obs = 31
F( 3, 27) = 111.39
Model 1.6262e+21 3 5.4208e+20 Prob > F = 0.0000
Residual 1.3139e+20 27 4.8662e+18 R-squared = 0.9252
Adj R-squared = 0.9169
Total 1.7576e+21 30 5.8587e+19 Root MSE = 2.2e+09

dPIB Coef. Std. Err. t P>|t| [95% Conf. Interval]

dIND .9180934 .1090534 8.42 0.000 .6943342 1.141853

dFBK .7374784 .1050555 7.02 0.000 .5219224 .9530345
dINV .100968 .2180872 0.46 0.647 -.34651 .5484459
_cons 1.08e+09 4.12e+08 2.62 0.014 2.35e+08 1.92e+09

Regla de decisión:
H0: la variable es estadisticamente significativa.
H1: la variable no estadisticamente significativa.
∝= 5%
Para poder rechazar la hipótesis nula, el valor a debe ser mayor a 0.05.
Las variables ∆INDt y ∆FBKt entran en el area de aceptación, por lo tanto son estadísticamente significativas, en
cambio la variable ∆INVt no entra en el area de aceptación y por lo tanto no es estadíticamente significativa por
lo que se tendrá que eliminar del modelo.
Ahora calcularé de nuevo la regresión con las variables que si son significativas, quedando el siguiente modelo:

Source SS df MS Number of obs = 31

F( 2, 28) = 171.81
Model 1.6252e+21 2 8.1259e+20 Prob > F = 0.0000
Residual 1.3243e+20 28 4.7297e+18 R-squared = 0.9247
Adj R-squared = 0.9193
Total 1.7576e+21 30 5.8587e+19 Root MSE = 2.2e+09

dPIB Coef. Std. Err. t P>|t| [95% Conf. Interval]

dIND .9153458 .1073533 8.53 0.000 .6954426 1.135249

dFBK .7477607 .1012303 7.39 0.000 .5403999 .9551215
_cons 1.08e+09 4.06e+08 2.65 0.013 2.44e+08 1.91e+09

∆𝑃𝐼𝐵𝑡 = 1075270693.93 + 0.916049853295 ∆𝐼𝑁𝐷𝑡 + 0.746482884472∆𝐹𝐵𝐾𝑡 …

(4.06e+08) (.10773533) (.1012303)
Ya que se tiene que todas las variables son significativas estadísticamente, también explicaré otros puntos
importantes de las variables y de la regresión:

10
 El valor de la constante nos dice que cuando ∆INDt y ∆FBKt son nulos, o sea 0, el valor del ∆PIBt será de
1075270693.93.
También nos dice que por cada dólar que aumente ∆INDt, aumentara 91 centavos el ∆PIBt.
Y que por cada dólar que aumente ∆FBKt, aumentara en 74 centavos el ∆PIBt.
También observemos la R2 que nos indica que el modelo explica en 92.47% a la variable.
Ahora observemos los diagramas de dispersión de las variables explicativas.
1.000e+10

1.000e+10
5.000e+09

5.000e+09
e( dPIB | X )
0

0
-5.000e+09

-5.000e+09
-1.000e+10

-1.000e+10

-1.000e+10-5.000e+09 0 5.000e+091.000e+10 -5.000e+09 0 5.000e+091.000e+101.500e+10

e( dIND | X ) e( dFBK | X )
coef = .91534579, se = .10735326, t = 8.53 coef = .74776069, se = .10123025, t = 7.39

Se observa que existen dos relaciones positivas entre las variables y el ∆PIBt estimado.

Prueba de correcta especificación del modelo

Después se calcula el test reset de Ramsey que no dice que tan correctamente está especifado el modelo.
Las hipotesis para la toma de decisión son las siguentes:
H0: el modelo esta correctamente especificado.
H1: el modelo no esta correctamente especificado.
∝= 5%
Para determinar si se rechaza la hipótesis nula, el valor de la probabilidad deberá ser menor a 0.5.
Ramsey RESET test using powers of the fitted values of dPIB
Ho: model has no omitted variables
F(3, 25) = 0.41
Prob > F = 0.7466

El test de Ramsey indica que la probabilidad es de 0.7466, mayor al 5%, por lo tanto se acepta la hipótesis nula,
el modelo está correctamente especificado.

11
 Matriz varianza-covarianza

Despues calcule la matriz de varianza-covarianza de los parametros y quedo la siguiente matriz:

Covariance matrix of coefficients of regress model Hay dependencia inversa o negativa, es decir, a
grandes valores de INDt corresponden pequeños
e(V) dIND dFBK _cons
valores de FBKt y de la constante, y viceversa.
dIND .01152472
dFBK -.0068583 .01024756
_cons -6109858.8 -3719633.4 1.646e+17

Pruebas de Normalidad
Ahora procedí a calcula los valores estimados del ∆PIBt y la variable misma y las grafique y podemos observar
que los valores son similares pero no exactamente iguales.
0

1980 1990 2000 2010

año

dPIB Fitted values

los valores que quedan entre ambas lineas son los residuales.

12
10
Series: Residuals
Sample 1981 2011
8 Observations 31

Mean -6.15e-08
6
Median 43409983
Maximum 4.15e+09
Minimum -5.48e+09
Std. Dev. 2.11e+09
4
Skewness -0.401745
Kurtosis 3.640770
2 Jarque-Bera 1.364234
Probability 0.505546

0
-6.0e+09 -4.0e+09 -2.0e+09 10000.0 2.0e+09 4.0e+09

Se puede observar que tiene un sesgo de -.4017 lo que nos indica que tiene asimetría negativa o a la izquierda, es
decir, sesgo negativo. El coeficiente de curtosis nos dice que tiene una distribución leptocúrtica, o sea, presenta
un elevado grado de concentración alrededor de los valores centrales de la variable.
El test de Jarque-Bera se realiza para contrastar:
H0: γ1= γ2=0, lo que significa simetría y curtósis exactas.
H1: γ1≠0 ο γ2≠0 lo que significa que existe curtósis o asimetría.
∝= 5%
Para rechazar la hipótesis nula el valor de la probabilidad debe ser menor a 0.05.
La Jarque-Bera es de 1.364234 que nos da un valor de probabilidad de 0.505546, por lo que no se puede rechazar
la hipótesis nula.
Ahora se pasará a las pruebas formales de sesgo y curtosis para normalidad en el error, las hipótesis para contrastar
son las siguientes:
H0: los errores se distribuyen como una normal.
H1: los errores no se distribuyen como una normal.
∝= 5%
Para rechazar la hipótesis nula, el valor de probabilidad debe de ser menor de 0.05.
Skewness/Kurtosis tests for Normality
joint
Variable Obs Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2

error 31 0.2963 0.2140 2.87 0.2376

13
El valor de la probabilidad es de 0.2376 por lo que no se puede rechazar la hipótesis nula, por lo tanto el error se
distribuye cerca de una distribución normal.

Shapiro-Wilk W test for normal data

Variable Obs W V z Prob>z

error 31 0.95434 1.487 0.823 0.20539

El valor de la probabilidad es de 0.20539 por lo que no se puede rechazar la hipótesis nula, por lo tanto el error
se distribuye cerca de una distribución normal.

Pruebas de Heterocedasticidad
Ahora las pruebas de heterocedasticidad, donde las hipótesis contrastar son las siguentes:
H0: varianzas constantes (Homocedasticidad).
H1: varianzas no constantes Heterocedasticidad).
∝= 5%
Para rechazar la hipótesis nula el valor de probabilidad debe de ser menor de 0.05.
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
Ho: Constant variance
Variables: error

chi2(1) = 2.51
Prob > chi2 = 0.1134

El valor de la probabilidad es de 0.1134 por lo que no se puede rechazar la hipótesis nula, varianzas constantes
(Homocedasticidad).
Szroeter's test for homoskedasticity

Ho: variance constant

Ha: variance monotonic in error

chi2(1) = 0.12
Prob > chi2 = 0.7341

El valor de la probabilidad es de 0.7341 por lo que no se puede rechazar la hipótesis nula, varianzas constantes
(Homocedasticidad).
White's general test statistic : 8.76968 Chi-sq( 5) P-value = .1186

El valor de la probabilidad es de 0.1186 por lo que no se puede rechazar la hipótesis nula, varianzas constantes
(Homocedasticidad).

14
Ahora la prueba de dinámica de heterocedasticidad, con las siguientes hipótesis:
H0: no hay efectos de heterocedasticidad.
H1: hay efectos de heterocedasticidad.
∝=5%
Para rechazar la hipótesis nula el valor de probabilidad debe de ser menor de 0.05.
LM test for autoregressive conditional heteroskedasticity (ARCH)

lags(p) chi2 df Prob > chi2

1 0.090 1 0.7646

H0: no ARCH effects vs. H1: ARCH(p) disturbance

El valor de la probabilidad es de 0.7646 por lo que no se puede rechazar la hipótesis nula, no hay efectos de
heterocedasticidad.

Pruebas de Multicolinealidad
Ahora la prueba para Multicolinealidad donde las hipótesis para contrastar son las siguientes:
H0: no existe Multicolinealidad entre las variables.
H1: existe Multicolinealidad entre las variables.
Para rechazar la hipótesis nula el Factor de Inflación de Varianza (VIF) debe ser mayor de 5.0.
Variable VIF 1/VIF Tanto el valor por separado de las variables como la media
están por debajo de 5.0 por lo que no se puede rechazar la
dFBK 1.66 0.601726 hipótesis nula, por lo tanto no existe Multicolinealidad
dIND 1.66 0.601726 entre las variables.
El otro valor que es el de 1/VIF, entre más cercano esté de
Mean VIF 1.66
1 el factor de inflación de varianza será menor.

Pruebas de autocorrelación serial

Ahora se realizarán las pruebas de correlación serial, las cuales se contrastarán con las siguientes hipótesis:
H0: no hay autocorrelación serial.
H1: hay autocorrelación serial.
En la prueba Durbin-Watson para que se pueda aceptar la hipótesis nula: du<d<4-du.

15
Según los valores de la tabla del estadístico Durbin-Watson y el valor d, el valor entra en la zona de indecisión.

Durbin-Watson d-statistic( 3, 31) = 1.474455

Ya que en la prueba anterior no se pudo determinar si hay o no autocorrelación, se procede una prueba alternativa
Durbin para autocorrelación y a la prueba Breusch - Godfrey, con las siguentes hipótesis:
H0: no hay autocorrelación serial.
H1: hay autocorrelación serial.
∝= 5%
Para rechzar la hipótesis nula el valor de la probabilidad debe de ser menor a 0.05.
Durbin's alternative test for autocorrelation

lags(p) F df Prob > F

1 2.086 ( 1, 26 ) 0.1606

H0: no serial correlation

El valor de la probabilidad es de 0.1606 por lo que no se puede rechazar la hipótesis nula, no hay autocorrelación
serial.

16
Breusch-Godfrey LM test for autocorrelation

lags(p) F df Prob > F

1 1.368 ( 1, 26 ) 0.2528

H0: no serial correlation

El valor de la probabilidad es de 0.2528 por lo que no se puede rechazar la hipótesis nula, no hay autocorrelación
serial.

Pruebas de Estabilidad Estructural

Ahora se pasara a las pruebas de cambio estructural, para saber si haya algún quiebre que produzca algún cambio
en una economía, se refiere a un cambio en la estructura fundamental notable que afecta el largo plazo, a diferencia
de cambios en a microescala o cambios en el corto plazo de la producción y del empleo.
Primero veremos las pruebas gráficas con el gráfico de sumas acumuladas (CUSUM) y El gráfico de sumas
acumuladas cuadras (CUSUM squared), en donde se puede observar que los datos no salen de los limites en
ninguna de las dos pruebas gráficas, con lo que se pasará a la prueba formal.
CUSUM CUSUM squared

1
CUSUM squared
CUSUM

0 0

1987 2012 1987 2012

año año

Ahora en el programa EViews se calculo la prueba de puntos de quiebre de Chow para saber si hay o no cambio
estructural, las hipótesis para contrastar son las siguientes:
H0: ausencia de cambio estructural.
H1: existencia de cambio estructural.
∝= 5%
Para poder rechazar la hipótesis nula, el valor de probabilidad de F debe de ser menor a 0.05.

17
El valor de la probabilidad es de 0.1215 por lo que no se puede rechazar la hipótesis nula, o sea, ausencia de
cambio estructural.

18
 Conclusiones
Como primera conclusión podemos hablar de que en este país la inversión extranjera se ve mucho más en el
petroleo, no tanto en la industria manufacturera, por lo que en el modelo no fue significativa, ésta sería más
significativa en alguna variable que contenga a las producciones petroleras, ya que esta actividad es el pilar de la
economía Venezolana ya que el 56% de esa inversión fue destinada al sector petrolero, la otra parte se destino
para pagar deudas que tenía el Estado y los empresarios, y lo que restaba era para el sectro finaciero.
Por otra parte podemos decir que en Venezuela no hay crecimiento ya que su sector manufacturero no es tan
extenso como para poder generar una efecto multiplicador de la economia, más bien este sector es parte del
encadenamiento producido por el petroleo, ya que en Venezuela todo gira entorno al petroleo, y cada vez más
empresas dejan el país por el clima político y social que se vive.
Otra cosa que se puede señalar es que Venezuela es un país en el cual se tienen bajas tasas de crecimiento y cada
ves más baja, una importante razón es que el país está en duda con otros países en el mundo y con la tensión social
que se vivió hace algunos meses idicaría que el país caerá aún más el próximo año, ya que este último año la
inversión cayo en 54% con respecto al año anterior, además de que se anuncia una inflación de hasta el 120%
para el próximo año.
Además tomando en cuenta lo que dice Kaldor y observando la tasa de creciemiento del PIB y de la Formación
Bruta de Capital se puede observar que además de que no hay crecimiento, también es un país en vías de
desarrollo.

Bibliografía
“A Model of Economic Growth"; The Economic Journal, 1957. Traducción en Ensayos sobre estabilidad y
desarrollo económico; Madrid: Tecnos, 1969.
"A Model of the Trade Cycle"; Economic Journal. 1954 "The Relation of Economic Growth and Cyclical
Fluctuations"; Economic Journal.
“Econometría”; Damobar N. GUJARATI; Dawn C. PORTER. Mcgraw Hill; 5ta edición, 2010.
http://bayes.escet.urjc.es/jmmarin/libroelec,tema8/inferencia
http://www.udc.es/mate/estadisticas2/sec8.htm
http://uhu.es/45132/ficheros-datos

19