FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS

PROYECTO DE INVESTIGACION CIENTIFICA

INFORME FINAL

CODIGO DEL PROYECTO:

PALABRAS CLAVES: Series de tiempo, Vector de Corrección de Error,
Cointegración
I. DATOS PRELIMINARES

1.0 TITULO
Análisis de Cointegración entre el Índice General de la Bolsa de Valores de Lima
(IGBVL) y el Producto Bruto Interno del Perú en el periodo 2000 - 2014.

2.0 AUTORES
Mg. Víctor Manuel Chung Alva
Asociado – Tiempo Completo
Docente adscrito al Departamento de Estadística
3.0 RESOLUCION APROBACION
Resolución No. 438 – 2015 – D/FACFyM
4.0 TIPO DE INVESTIGACIÓN
Correlacional
5.0 AREA DE INVESTIGACION
Estadística
6.0 LINEA DE INVESTIGACION
4.1. AREA: Estadística
4.2. SUBAREA: Teórica
4.3. LINEA: Modelos Estadísticos
7.0 LOCALIDAD E INSTITUCION DE EJECUCIÓN
Universidad Nacional Pedro Ruiz Gallo de Lambayeque
8.0 DURACION DEL PROYECTO
12 meses
9.0 FECHA INICIO
Marzo del 2015
10.0 FECHA DE TERMINO
Marzo del 2016
II. CUERPO DEL INFORME

1. RESUMEN

El presente estudio tuvo como objetivo determinar la existencia de una relación

de cointegración entre el PBI y el Índice General de Bolsa de Valores de Lima
(IGBVL). A través de un estudio longitudinal se recolectaron datos de las series
en el periodo 2000 – 2014.

Se determinó que existe una relación a corto y largo plazo entre las variables las
cuales fueron modeladas matemáticamente mediante un modelo vectorial de
corrección del error. El modelo fue validado determinado que existe estabilidad
en su comportamiento.

Si bien es cierto la relación de cointegración es significativa, parecería que no

logra captar con totalidad la relación entre el PBI y el IGBVL. Esto es debido en
cierta manera al comportamiento determinísticos del PBI.

ABSTRACT
The current study aimed to determine the existence of a cointegration relationship
between GDP and the General Index Lima Stock Exchange (IGBVL). Through a
longitudinal study series data were collected in the period 2000-2014.

It was determined that there is a relationship short and long term between the
variables which were modeled mathematically by a vector error correction model.
The model was validated determined that there is stability in their behavior.

While the cointegration relationship is significant, it would seem that fails to grasp
fully the relationship between GDP and IGBVL. This is due in some way to the
deterministic behavior of GDP.
2. INTRODUCCION

Los precios de las acciones son completamente aleatorios y difíciles de predecir,

por lo que las personas que eligen al azar acciones para sus carteras de inversión
podrían obtener una rentabilidad igual a la del índice general de la bolsa de
valores, IGBVL, la cual es aleatoria y por lo tanto impredecible. Es por ello que
tomamos la posibilidad de predecir con cierto margen de error los precios
bursátiles, analizando los fundamentos del IGBVL.

Además, los rendimientos futuros de las acciones determinan su precio presente,

que se ve reflejado en el IGBVL. Los rendimientos miden el tamaño de las
utilidades en relación al capital invertido. En tiempos de auge la producción
agregada, el capital y las utilidades crecen. La producción se acumula a nivel
nacional en el Producto Bruto Interno, PBI. Podríamos expresar entonces que el
mayor PBI esperado hace aumentar el IGBVL actual o el auge productivo aumenta
los precios de las acciones. Lo contrario sucede en sentido contrario en épocas de
recesión.

Por tanto, es importante establecer la relación entre el IGBVL y el PBI, así como
su dirección de la causalidad para obtener una mejor comprensión de los temas
involucrados y determinar las estrategias de política. Es por ello que en este
estudio se hace con el propósito principal examinar las relaciones causales entre
el IGBVL y el PBI a partir de datos de series de tiempo desde el 2000 hasta el
2014.
3. MATERIALES Y MÉTODOS

La investigación fue correlacional – longitudinal, y analiza el comportamiento de

dos series temporales que son generadas por dos procesos estocásticos diferentes:

Población 1: es el proceso estocástico que genera el comportamiento aleatorio de

la serie temporal del Índice General de la Bolsa de Valores de Lima (IGBVL) en
el periodo 2000 - 2014

Población 2: es el proceso estocástico que genera el comportamiento aleatorio de

la serie temporal del Producto Bruto Interno del Perú (PBI) en el periodo 2000 –
2014.

La recolección de datos mensuales se obtuvo de los registros del Banco Central

de Reserva del Perú (Producto Bruto Interno del Perú) y de la Bolsa de Valores
de Lima (Índice General de la Bolsa de Valores de Lima) del periodo 2000 - 2014.

Para el análisis de datos se hizo uso de las técnicas de series de tiempo así como
de cointegración y para el análisis respectivo se usó el software STATA 12.

4. RESULTADOS

A continuación se presentan lo desarrollado en el trimestre:

4.1. Análisis del Comportamiento del PBI e IGBVL

En la figura 01 se muestra el comportamiento de las dos variable en estudio. En

cuanto al PBI se aprecia un comportamiento creciente, que a no ser por las
pequeñas oscilaciones que muestra, se trataría de una tendencia determinística.
Esto lo evaluaremos cuando apliquemos la prueba de raíz unitaria. Por otro lado
el comportamiento del IGBVL es creciente a largo plazo; su punto más alto se
encontró en julio del 2007 con un valor de 1544.97, para luego presentar una
tendencia a la baja en el periodo 2007:08 – 2013:03.
60000

1500
Indice General de Bolsa de Valores de Lima
50000

1000
40000

500
30000

0
2000m1 2005m1 2010m1 2015m1
t

PBI - Millones de Soles (1994)

Indice General de Bolsa de Valores de Lima

Figura 01: Comportamiento del PBI e IGBVL, 2000 – 2014

Se creyó conveniente tratar de equilibrar las escalas entre las dos series y
decidimos tomar logaritmos naturales. Esto nos ayudará en la interpretación,
porque la primera diferencia de series en logaritmos representas tasas de
crecimiento.
 11

8
10.8

7
Log del IGBVL
Log del PBI

10.6

6
10.4

5
10.2

4
2000m1 2005m1 2010m1 2015m1
t

Log del PBI Log del IGBVL

Figura 02: Comportamiento del log(PBI) y log(IGBVL), 2000 – 2014

Para cuestiones de modelamiento usaremos el periodo 2000 – 2010, y dejaremos

los demás para efectos de pronóstico.

4.2. Evaluación de la Estacionariedad de las Series

Aplicaremos la primera diferencia a las series y verificaremos si ellas tienen el

mismo orden de integración.

La figura 03 muestra el comportamiento de las dos series en primera diferencias.

Apreciamos un comportamiento estacionario en las series, que si bien es cierto
se mueven en torno al valor cero, el log(PBI) en primera diferencia, o mejor
dicho la tasa de crecimiento del PBI, muestra un comportamiento más volátil en
comparación con el log(IGBVL) en primera diferencia (tasa de crecimiento del
IGBVL), aunque en esta última la volatilidad es más alta al inicio y final del
periodo en estudio.
 Primera diferencia del log(PBI), 2000 - 2010 Primera diferencia del log(IGBVL), 2000 - 2010

.06

.4
.04

.2
Log del IGBVL, D
.02
Log del PBI, D

0
0

-.2
-.02
-.04

2000m1 2005m1 2010m1 2015m1 -.4 2000m1 2005m1 2010m1 2015m1

t t

Figura 03: Comportamiento del log(PBI) y log(IGBVL) en primera diferencia,

2000 – 2014

En la tabla 01 se muestra los resultados después de aplicar la prueba de Dickey

– Fuller a la serie log(PBI). La hipótesis planteada es la siguiente:

𝐻𝑜 : 𝐸𝑙 log(𝑃𝐵𝐼) 𝑡𝑖𝑒𝑛𝑒 𝑟𝑎𝑖𝑧 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑎

Se encontró que el valor absoluto del estadístico de prueba (|−21.608|) es mayor

al valor crítico a un nivel del 5% (|−2.885|), por lo que podemos concluir que
la serie log(PBI) en primera diferencia es estacionaria.
Tabla 01: Prueba de raíz unitaria de Dickey – Fuller para el log(PBI) en
primera diferencia

Dickey-Fuller test for unit root Number of obs = 178

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

Z(t) -21.608 -3.484 -2.885 -2.575

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

De igual manera, en la tabla 02 se muestra los resultados después de aplicar la

prueba de Dickey – Fuller a la serie log(IGVBL). La hipótesis planteada es la
siguiente:

𝐻𝑜 : 𝐸𝑙 log(𝐼𝐺𝑉𝐵𝐿) 𝑡𝑖𝑒𝑛𝑒 𝑟𝑎𝑖𝑧 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑎

Se encontró que el valor absoluto del estadístico de prueba (|−10.56|) es mayor

al valor crítico a un nivel del 5% (|−2.885|), por lo que podemos concluir que
la serie log(IGVBL) en primera diferencia es estacionaria.
Tabla 02: Prueba de raíz unitaria de Dickey – Fuller para el log(IGVBL) en
primera diferencia

Dickey-Fuller test for unit root Number of obs = 178

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

Z(t) -10.560 -3.484 -2.885 -2.575

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

Según los resultados anteriores podemos concluir que la series tienen el mismo
de integración, I(1), y por lo tanto es posible que estén cointegradas.

4.3. Análisis de Cointegración

4.3.1. Método de Engle - Granger

Estimamos un modelo de regresión para poder calcular los residuales y a partir

de ellos evaluar la cointegración entre las variables.

Tabla 03: Modelo de Regresión entre log(IGBVL) y log(PBI)

Source SS df MS Number of obs = 180

F( 1, 178) = 907.23
Model 126.367741 1 126.367741 Prob > F = 0.0000
Residual 24.7936105 178 .139289947 R-squared = 0.8360
Adj R-squared = 0.8351
Total 151.161352 179 .844476826 Root MSE = .37322

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

lpbi 4.049664 .13445 30.12 0.000 3.784343 4.314985

_cons -37.02734 1.413414 -26.20 0.000 -39.81654 -34.23813

El modelo estimado es:

log(𝐼𝐺𝐵𝑉𝐿)𝑡 = −37.027 + 4.0497log(𝑃𝐵𝐼)𝑡

 Existe una relación significativa entre las dos variables. Para evaluar la
cointegración estimamos los residuales del modelo anterior.

El comportamiento de los residuales mostrado en la figura 04 es no estacionario

dando un indicio de que las variables no están cointegradas.

Para confirmar lo dicho anteriormente estimaremos la siguiente ecuación de

regresión:

∆𝑒𝑡 = 𝛾1 𝑒𝑡−1 + 𝛾2 ∆𝑒𝑡−1 + 𝑢𝑡

1
.5
Residuals

0
-.5
-1

2000m1 2005m1 2010m1 2015m1

t

Figura 04: Comportamiento de los residuales del modelo de regresión entre

log(IGBVL) y log(PBI)
Tabla 03: Modelo de Regresión entre los residuales y su valor retardado

Source SS df MS Number of obs = 178

F( 2, 176) = 2.87
Model .066188568 2 .033094284 Prob > F = 0.0595
Residual 2.03122819 176 .011541069 R-squared = 0.0316
Adj R-squared = 0.0206
Total 2.09741676 178 .01178324 Root MSE = .10743

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

residual
L1. -.0426761 .0218735 -1.95 0.053 -.0858443 .0004921
LD. -.0837167 .0747563 -1.12 0.264 -.2312509 .0638175

El modelo estimado es:

∆𝑒𝑡 = −0.0426761𝑒𝑡−1 − 0.0837167∆𝑒𝑡−1 + 𝑢𝑡

Figura 05: Valores críticos para la prueba de cointegración

PRUEBA DE COINTEGRACIÓN DE ENGLE - GRANGER

1. Planteamiento de Hipótesis
Ho: Las variables no están cointegradas
Ho: Las variables no están cointegradas
2. Nivel de significancia: 0.05
3. Valor del estadístico prueba:
t= -1.95
4. Decisión:
El valor del estadístico de prueba es menor en valor absoluto al valor
crítoco al 5% (-3.37). Por lo tanto Ho no se rechaza
5. Decisión:
No existe cointegración entre el log(IGBVL) y log(PBI)
 PRUEBA DE COINTEGRACIÓN DE DURBIN - WATSON

1. Planteamiento de Hipótesis
Ho: DW=0 (Las variables no están cointegradas)
Ho: DW>0 (Las variables no están cointegradas)
2. Nivel de significancia: 0.05
3. Valor del estadístico prueba:
DW= 0.08477
4. Decisión:
El valor del estadístico de Durbin – Watson es menor al valor crítico al
5% (0.386). Por lo tanto la Ho no se rechaza
5. Decisión:
No existe cointegración entre el log (IGBVL) y log (PBI)
4.3.2. Método de Johansen

La prueba de cointegración de Engle-Granger tiene algunos problemas.

Estos problemas se magnifican en un contexto multivariante (tres o más
variables). En un principio, cuando se estima la ecuación de cointegración
(incluso en un problema de dos variables), cualquier variable se puede
utilizar como variable dependiente. A medida que el tamaño de la muestra
se aproxima al infinito, Engle y Granger demostraron que las pruebas de
cointegración producen los mismos resultados independientemente de la
variable que se utiliza como variable dependiente. La pregunta es
entonces: ¿Cuándo una muestra es lo suficientemente grande?

Un segundo problema es que los errores que utilizamos para la prueba de

cointegración son sólo estimaciones y no los verdaderos errores. Por lo
tanto los errores cometidos en la estimación del término de error, et, en la
ecuación estimada anterior se llevan en la regresión dada por la ecuación:

∆𝑒𝑡 = 𝛾1 𝑒𝑡−1 + 𝛾2 ∆𝑒𝑡−1 + 𝑢𝑡

Por último, la prueba de cointegración de Engle-Granger no es capaz de

detectar múltiples relaciones de cointegración.

La prueba de cointegración de Johansen-Juselius evita estos problemas.

Para aplicar la prueba primero necesitamos determinar el número de
retardos a considerar en nuestro modelo multivariado. Para ello
utilizaremos los criterios de penalización.
 Tabla 04: Determinación del número de retardos según los criterios de
penalización
Selection-order criteria
Sample: 2000m11 - 2014m12 Number of obs = 170

lag LL LR df p FPE AIC HQIC SBIC

0 -40.8321 .005674 .503908 .518878 .540799

1 647.736 1377.1 4 0.000 1.8e-06 -7.54984 -7.50493 -7.43916
2 676.482 57.492 4 0.000 1.3e-06 -7.84097 -7.76612 -7.65651
3 694.035 35.106 4 0.000 1.1e-06 -8.00041 -7.89562 -7.74217*
4 702.746 17.423 4 0.002 1.1e-06 -8.05584 -7.92111* -7.72382
5 707.569 9.6443* 4 0.047 1.1e-06* -8.06551* -7.90084 -7.6597
6 709.16 3.1818 4 0.528 1.1e-06 -8.03717 -7.84256 -7.55758
7 710.685 3.0512 4 0.549 1.1e-06 -8.00806 -7.78351 -7.45468
8 715.044 8.7183 4 0.069 1.1e-06 -8.01229 -7.75779 -7.38513
9 719.06 8.0308 4 0.090 1.1e-06 -8.01247 -7.72803 -7.31152
10 719.978 1.8366 4 0.766 1.2e-06 -7.97621 -7.66184 -7.20149

Endogenous: ligv lpbi

Exogenous: _cons

Según el criterio de Akaike (AIC) se deben tomar 5 retardos, el criterio de

Hannan (HQIC) cuatro retardos, y el criterio Schwarz tres retardos. Para
nuestros datos tomaremos tres retardos.
 PRUEBA DE COINTEGRACIÓN DE JOHANSEN

1. Planteamiento de Hipótesis
Ho: Las variables no están cointegradas
Ho: Las variables no están cointegradas
2. Nivel de Significancia: 0.05
3. Valor del estadístico prueba:

Johansen tests for cointegration

Trend: constant Number of obs = 177
Sample: 2000m4 - 2014m12 Lags = 3

5%
maximum trace critical
rank parms LL eigenvalue statistic value
0 10 711.96199 . 16.8111 15.41
1 13 718.81926 0.07456 3.0965* 3.76
2 14 720.36753 0.01734

4. Decisión:
El valor del estadístico es mayor al valor al 5%. Por lo tanto Ho se rechaza
5. Decisión:
Existe cointegración entre el log(IGBVL) y log(PBI)

4.3.3. Modelo VEC de Cointegración

Habiendo determinado que existe una ecuación de cointegración entre las
dos series, ahora estimaremos los parámetros de una cointegración
bivariada VEC.
El modelo a estimar tiene la siguiente estructura:
2

∆𝑌𝑡 = 𝛾 + 𝛼(𝛽 ′ 𝑌𝑡−1 + 𝜈) + ∑ 𝛤𝑖 𝛥𝑌𝑡−𝑖 + 𝜖𝑡

𝑖=1
Vector error-correction model

Sample: 2000m4 - 2014m12 No. of obs = 177

AIC = -7.975359
Log likelihood = 718.8193 HQIC = -7.880751
Det(Sigma_ml) = 1.02e-06 SBIC = -7.742082

Equation Parms RMSE R-sq chi2 P>chi2

D_ligv 6 .080086 0.1449 28.98576 0.0001

D_lpbi 6 .013039 0.3687 99.85483 0.0000

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

D_ligv
_ce1
L1. -.0196729 .013046 -1.51 0.132 -.0452425 .0058968

ligv
LD. .1875987 .0744732 2.52 0.012 .0416339 .3335634
L2D. .2317891 .0749951 3.09 0.002 .0848015 .3787768

lpbi
LD. .82349 .4378959 1.88 0.060 -.0347702 1.68175
L2D. .6379023 .4404852 1.45 0.148 -.2254328 1.501237

_cons .0027552 .0068221 0.40 0.686 -.0106159 .0161263

D_lpbi
_ce1
L1. .0072271 .002124 3.40 0.001 .0030642 .0113901

ligv
LD. .0058423 .0121249 0.48 0.630 -.017922 .0296066
L2D. .0079313 .0122098 0.65 0.516 -.0159996 .0318621

lpbi
LD. -.6183421 .0712931 -8.67 0.000 -.758074 -.4786101
L2D. -.3211017 .0717147 -4.48 0.000 -.4616598 -.1805435

_cons .0075 .0011107 6.75 0.000 .005323 .0096769

Cointegrating equations

Equation Parms chi2 P>chi2

_ce1 1 17.20673 0.0000

Identification: beta is exactly identified

Johansen normalization restriction imposed

beta Coef. Std. Err. z P>|z| [95% Conf. Interval]

_ce1
ligv 1 . . . . .
lpbi -2.596146 .6258639 -4.15 0.000 -3.822816 -1.369475
_cons 21.75535 . . . . .

El encabezado contiene información acerca de la muestra, el ajuste de

cada ecuación, y las estadísticas generales de ajuste del modelo. La
primera tabla de estimación contiene las estimaciones de los parámetros
de corto plazo, junto con sus errores estándar, estadísticas z, y los
intervalos de confianza. Los dos coeficientes de L.ce1 son los parámetros
en la matriz de ajuste α para este modelo. La segunda tabla contiene la
estimación de los parámetros estimados del vector de cointegración para
este modelo, junto con sus errores estándar, estadísticas z, y los intervalos
de confianza.
Utilizando nuestra notación anterior, hemos estimado
2

∆𝑌𝑡 = 𝛾 + 𝛼(𝛽 ′ 𝑌𝑡−1 + 𝜈) + ∑ 𝛤𝑖 𝛥𝑌𝑡−𝑖 + 𝜖𝑡

𝑖=1

∆𝑙𝑖𝑔𝑣𝑡 0.0027552 −0.0196729 [ 𝑙𝑖𝑔𝑣𝑡−1

[ ]=[ ]+[ ] 1 −2.596146] [ ]
∆𝑙𝑝𝑏𝑖𝑡 0.0075 0.0072271 𝑙𝑝𝑏𝑖𝑡−1
0.1875987 0.82349 ∆𝑙𝑖𝑔𝑣𝑡−1
+[ ][ ]
0.0058423 −0.6183421 ∆𝑙𝑝𝑏𝑖𝑡−1
0.2317891 0.6379023 ∆𝑙𝑖𝑔𝑣𝑡−2
+[ ][ ]
0.0079313 −0.3211017 ∆𝑙𝑝𝑏𝑖𝑡−2
4.3.4. Pruebas de especificación post-estimación
a. Estabilidad del Modelo
Compararemos si el número de ecuaciones de cointegración es correcto.
Si un VEC tiene K variables endógenas y r vectores de cointegración,
habrá 𝐾 − 𝑟 módulos unitarios en la matriz adjunta. Si cualquiera de los
módulos restantes calculadas están demasiado cerca de uno, será porque
las ecuaciones de cointegración no son estacionarias o hay otra tendencia
común. Desafortunadamente, no existe una teoría de distribución general
que permite determinar si una raíz estimada está demasiado cerca a uno
para todos los casos que comúnmente surgen en la práctica.
En la tabla 05 apreciamos los módulos de los valores propios no están
cercanos a la unidad, a excepción de aquel cuyo modulo es 0.9652.

Tabla 05: Valores propios determinados

Eigenvalue stability condition

Eigenvalue Modulus

1 1
.9652429 .965243
.6075725 .607572
-.3184271 + .4828575i .578401
-.3184271 - .4828575i .578401
-.4051402 .40514

The VECM specification imposes a unit modulus.

 Roots of the companion matrix

1
.5
Imaginary

0
-.5
-1

-1 -.5 0 .5 1
Real
The VECM specification imposes 1 unit modulus

Figura 05: Valores propios determinados

5. DISCUSIÓN

Los resultados encontrados se encuentran fundamentados en los encontrados por

Zegarra (2012) en cuyo estudio concluye que al reflejar la bolsa la tendencia de
la economía a largo plazo y al reflejar el índice de los precios de acciones el
stock de capital que influye en la producción se puede considerar el PBI y el
IGBVL variables de causalidad bilateral.

Si bien es cierto se encontró, a través de la prueba de Johansen, cointegración,

parecería que esta no es tan fuerte por la existencia de un módulo cercano a la
unidad, lo que provocaría inestabilidad en el modelo.

6. CONCLUSIONES
 El PBI no presentó un comportamiento estacionario, por el contrario se apreció
un comportamiento creciente, que a no ser por las pequeñas oscilaciones que
muestra, se trataría de una tendencia determinística. Por otro lado el
comportamiento del IGBVL es creciente a largo plazo; su punto más alto se
encontró en julio del 2007 con un valor de 1544.97, para luego presentar una
tendencia a la baja en el periodo 2007:08 – 2013:03.

 Existe una relación de cointegración entre el Índice General de la Bolsa de

Valores de Lima (IGBVL) y el Producto Bruto Interno del Perú (PBI).

 La relación a largo plazo entre el Índice General de la Bolsa de Valores de

Lima (IGBVL) y el Producto Bruto Interno del Perú (PBI) se puede expresar
mediante este modelo.
2
′
∆𝑌𝑡 = 𝛾 + 𝛼(𝛽 𝑌𝑡−1 + 𝜈) + ∑ 𝛤𝑖 𝛥𝑌𝑡−𝑖 + 𝜖𝑡
𝑖=1

∆𝑙𝑖𝑔𝑣𝑡 0.0027552 −0.0196729 [ 𝑙𝑖𝑔𝑣𝑡−1

[ ]=[ ]+[ ] 1 −2.596146] [ ]
∆𝑙𝑝𝑏𝑖𝑡 0.0075 0.0072271 𝑙𝑝𝑏𝑖𝑡−1
0.1875987 0.82349 ∆𝑙𝑖𝑔𝑣𝑡−1
+[ ][ ]
0.0058423 −0.6183421 ∆𝑙𝑝𝑏𝑖𝑡−1
0.2317891 0.6379023 ∆𝑙𝑖𝑔𝑣𝑡−2
+[ ][ ]
0.0079313 −0.3211017 ∆𝑙𝑝𝑏𝑖𝑡−2
 7. RECOMENDACIONES

En futuras investigación se debe comprobar la existencia de una relación

de cointegración entre las variables estudiadas teniendo en cuenta una
posible tendencia determinística en IGBVL.

REFERENCIAS BIBLIOGRÁFICAS

 BVL. (2015). Bolsa de Valores de Lima. Obtenido de

http://www.bvl.com.pe/estadist/mercindicesmercado.html

 Enders, W. (2015). Applied econometric time series (Cuarta ed.). Universidad de

Alabama: John Wiley & Sons, Inc.

 Gujarati, D. (2010). Econometría (Quinta ed.). México: McGraw-Hill/Irwin, Inc.

 Kirchgässner, G., & Wolters, J. (2007). Introduction to Modern Time Series Analysis.
Berlin: Springer.

 MEF. (2015). Conoce los conceptos Básicos para comprender la economía del país.
Obtenido de
http://www.mef.gob.pe/index.php?option=com_content&view=article&id=52%3Aconoc
e-los-conceptos-basicos-para-comprender-la-economia-del

 Tsay, R. S. (2010). Analysis of Financial Time Series (Tercera ed.). Chicago: Wiley.

 Zegarra, J. (2012). Causalidad Bilateral entre el Índice General de la Bolsa de Valores de

Lima y el Producto Bruto Interno del Perú. Lima.