Est Imac Ion y Prediccion Del Sector Construccion en La Republica A

Instituto Tecnológico de Santo Domingo
(INTEC)
Área de Negocios
Econometria II
Prof. Jesús G. Martínez
Sección 01
Hacia Una Estimación y Predicción del

Sector Construcción Dominicano
Realizada por:
Carlos Romero (02-3046)

Dalma Casilla (03-0473)
Francisca Ortega (03-0744)
Yaraida Volquez (03-0944)
Raymer Díaz (03-1055)
03 de septiembre de 2005
1
Hacia Una Estimación y
Predicción del Sector
Construcción Dominicano
2
INDICE
Pág.
Introducción………………………………………………………………………… 1
Marco Teórico……………………………………………………………………… 2
Variables y Justificación.…………………………………………………………… 6
Obtención de datos…………………………………………………………………. 8
Estacionariedad de las series de tiempo……………………………………………. 9
Prueba de Cointegración…………………………………………………………… 13
Modelo # 1
Forma funcional………………………………………………………………….… 15
Interpretación del modelo……………………………………………………….…. 17
Modelo en desviación estándar…………………………………………………….. 20
Prueba Ramsey Reset………………………………………………………………. 22
Prueba de normalidad de los residuos……………………………………………… 23
Prueba de estabilidad………………………………………………………………. 24
Prueba Chow para cambio estructural……………………………………………... 26
Prueba de multicolinealidad……………………………………………………….. 28
Detección de autocorrelacion……………………………………………………… 32
Prueba de heterocedasticidad……………………………………………………… 34
Modelo # 2
Estimación del modelo con variables dicotomas………………………………….. 35
Modelo # 3
Modelo ARIMA (Modelo Autorregresivo Integrado de Media Móvil)…………... 40
Identificación del modelo…………………………………………………………. 40
Estimación del modelo……………………………………………………………. 48
Verificación del diagnostico……………………………………………………… 50
Modelo # 4
Modelo Log – Lin………………………………………………………………… 57
Conclusiones……………………………………………………………………… 59
Recomendaciones………………………………………………………………… 61
Bibliografía……………………………………………………………………….. 62
3
INTRODUCCIÓN
A lo largo del tiempo, siempre ha existido una estrecha relación entre el crecimiento
del producto interno bruto y el crecimiento de la infraestructura de una nación, ha de ser
por esto que los países con más altos niveles de ingresos tienen una tendencia continua a
desarrollar su crecimiento, dándole gran importancia además de la salud, educación y
servicios, a la inversión de construcciones que aseguren un amplio, adecuado y cómodo
desarrollo de su vida social
Grandes países como Estados Unidos, Francia, España, Australia, que son de los
países de más altos ingresos per capitas, desarrollan su crecimiento social en estructuras
físicas de amplia tecnología, y sus respectivos gobiernos se encargan de que ese
crecimiento de ingresos se refleje de algún modo en el sector construcción.
La Republica Dominicana no es la excepción a la regla, viéndose como a lo largo

del tiempo, un aumento del PIB de la nación se ha reflejado en la mejora de instalaciones
de uso rutinario.
Casi todos los presidentes dominicanos han dejado algún legado en el ámbito de la
construcción, casos como el presidente Joaquín Balaguer, creando autopistas que
comunican todo el país, como el presidente Leonel Fernández, creando elevados y vías
alternas que dinamizaron el transito en la capital.
Esta es la importancia por el que desarrollamos nuestro trabajo, estimar modelos

que nos permitan saber una tendencia o predicciones del crecimiento del sector
construcción y averiguar como este sector a contribuido al crecimiento de nuestra nación.
4
MARCO TEÓRICO
El compuesto de la economía dominicana, cuando hablamos de esto nos referimos

al PIB general de nuestra economía, está conformado por muchos sectores como son: el
sector industrial, comercial, de servicios, agrícolas, entre otros, pero existe uno que ha
mantenido un auge constante y sostenido en la economía, éste es el sector construcción.
Por la idiosincrasia de nuestro país, es normal que las personas no sientan el

bienestar por completo de un periodo presidencial, si en el mismo no se ha elaborado
alguna obra de significancia estructural. Muchos de nuestros gobernantes han resuelto sus
problemas en el gobierno o desarrollado su mandato presidencial basándose en grandes
obras de construcción como elevados, vías alternas, aeropuertos, hospitales, escuelas, etc.
Como lo señala Serulle Ramia: “La industria de la construcción ha sido y es, sin
lugar a dudas, uno de los mayores dinamizadores del crecimiento de la economía
dominicana, y en especial del modo de producción capitalista, por cuanto los resultados de
la industria de la construcción (viviendas, edificios, carreteras, canales, puentes, represas,
etc.) constituyen parte importante e imprescindibles del desarrollo de la producción social
en su conjunto”1. Por esto el sector construcción no es solamente importante para si mismo
y para el crecimiento de la economía, si no además, que este sector ayuda a empujar el
crecimiento de otros sectores en la República Dominicana.
La razón de la importancia del sector construcción se da en que la mayor parte de

las actividades económicas de cualquier país, necesitan una infraestructura física para
desarrollar la vida social y económica. Según Serulle Ramia: “La escasez de caminos, el
mal estado de puertos y carreteras, la deficiencia de viviendas, son elementos de
preocupación permanentes en aquellas personas que observan el desarrollo de la
economía”2. De lo que se entiende que el plan de obras públicas es un elemento clave en el
desarrollo de las fuerzas productivas dentro de la formación económica dominicana.
1
SERULLE RAMIA, José, “Economía y Construcción”, Sto. Dgo., Pág. 53
2
5
Por su naturaleza, la industria de la construcción pone en marcha una variedad
considerable de sectores industriales fabricantes de productos intermedios que se
consumen en grandes magnitudes por parte de los agentes económicos, tales como: el
cemento, la arena, la gravilla, el asfalto, el vidrio, la madera, las varillas, el acero y la
pintura. Por esto que, este sector incide en el comportamiento de la economia dominicana,
sirviendo así como un indicador para la interpretación y valoración de la situación de la
actividad económica nacional en un período especifico.
A pesar de que el sector construcción comenzó a desarrollarse de manera más

impactante, mediante la construcción de puentes y carreteras, debemos recordar que el
proceso de construcción es conjunto de procedimientos llevados a cabo para levantar
diversos tipos de estructuras, y que éste no solamente se compone de vías de comunicación
terrestres, sino de una amplia gama de elementos importantes, como las infraestructuras, las
cuales fueron desarrolladas con mayor intensidad en los períodos de gobierno del Dr.
Joaquín Balaguer, en los cuales se enfatizo en desarrollar una infraestructura que
satisfaciera la necesidad de la población del momento, sin olvidar la necesidad de que estas
construcciones sirvieran para el crecimiento de la población en el futuro.
Sin embargo, el énfasis por parte del estado dominicano en desarrollar nuevas
infraestructuras que se ajustaran a las necesidades de la población no solo fue efectuado
por los periodos continuos del gobierno del Dr. Joaquín Balaguer, sino también por los
gobiernos que les continuaron a estos, entre los cuales cabe citar los gobiernos de Leonel
Fernández e Hipólito Mejia, en este último el sector tuvo un crecimiento bastante alto
debido a realización de los Juegos Panamericanos del 2003.
La construcción en la Republica Dominicana a mediados de los años noventa, se

expandió representativamente gracias al gobierno del Dr. Leonel Fernández, cuando este se
encargó de la creación de sistemas viales y de infraestructura física, como son: túneles,
elevados y carreteras que dinamizaron el sector construcción y, en efecto crearon un
aumento del PIB en el mismo como no se había visto en mucho tiempo.
6
A continuación se presentan los aportes que el sector construcción ha efectuado al
Producto Interno Bruto de la economía dominicana, en donde se puede apreciar la
participación de este sector para los períodos 1980-2004 (Estadística del Banco Central de
la República Dominicana), aportando:
Sector de la construcción
tasa de
Período PIB
crecimiento
1980 197.6 7.6
1981 196.5 -0.6
1982 183.1 -6.8
1983 226.7 23.8
1984 226.8 0.0
1985 192.0 -15.3
1986 221.8 15.5
1987 297.4 34.1
1988 306.9 3.2
1989 347.5 13.2
1990 323.6 -6.9
1991 283.3 -12.5
1992 352.3 24.4
1993 387.9 10.1
1994 418.0 7.8
1995 442.3 5.8
1996 501.6 13.4
1997 587.2 17.1
1998 702.1 19.6
1999 826.2 17.7
2000 872.8 5.6
2001 876.9 0.5
2002* 905.0 3.2
2003* 827.5 -8.6
2004* 775.4 -6.3
Las cifras negativas que se pueden apreciar para los años 1981, 1982, 1985, 1990,
1991, 2003 y 2004 indican tasas de crecimiento negativas del sector construcción, por lo
cual, a seguir, se analizan las distintas problemáticas que pudieron causar el deficiente
desempeño de este importante sector de la economía dominicana.
7
En los años 1981-1982 esta depreciación se debe a la situación política de la época,
al quebranto de la economía que vino dándose desde el 1978.
Para 1985, por la ineficiencia en la toma de decisiones económicas por parte del
gobierno de Salvador Jorge Blanco, se produjeron crisis estructurales, en las que el alza de
los precios en los materiales de construcción, ocasionaron que el sector no tuviera una
participación reveladora en la economía.
Después de los disturbios económicos de los 80, los años 1990 y 1991 representaron
una etapa de crisis a nivel nacional, donde el Producto Interno Bruto de la economía
dominicana experimentó una reducción de un 5%, obviamente estas cifras indican que la
crisis tuvo un impacto negativo lo suficientemente fuerte como para provocar una tasa de
crecimiento negativa en el PIB del sector construcción.
El período 2003-2004, la tasa de crecimiento negativa del sector construcción se

explica por la crisis que experimentó el sector financiero, debido a la quiebra de 3 bancos
comerciales, hecho que dio lugar a la desconfianza nacional, respecto a las decisiones
políticas y económicas, lo que trajo consigo una reducción de la actividad económica en el
sector construcción, y en efecto, disminuyó la participación de este en el PIB de la
economía en general.
8
Variables y Justificación
La variable en la que se desarrollará este trabajo es el PIB3, esta se conceptualiza

como un indicador que mide el valor total de los bienes y servicios finales producidos
dentro de los límites geográficos de una economía, en un periodo de tiempo dado.
Basándonos en esto sabemos que el PIB se clasifica en PIB nominal y en PIB real.
El PIB nominal4 es aquel que encierra el valor de bienes y servicios de acuerdo con
su precio en el mercado corriente, para un determinado periodo; por otro lado el PIB real
es aquel que mide el volumen físico de producción total para un periodo dado, a precios
de un año base.
Nuestro trabajo estará enfocado directamente en la variable “PIB real”5, puesto

que este indicador al mantener todos los precios constantes al nivel del año base, nos
proporciona una idea de cuanto crece la economía como un todo, como resultado
únicamente de los aumentos de la cantidad de bienes y servicios producidos y no de
aumentos en los precios.
El PIB real de la economía dominicana será nuestra variable explicativa o

independiente, puesto que ésta abarca la mayor parte de los indicadores macroeconómicos
como son: la tasa de interés, el gasto del gobierno, el tipo de cambio, precios de los
materiales utilizados en el sector construcción, la inversión, entre otros. Como variable
dependiente, por supuesto, tendremos el “PIB real del sector construcción”, el cual no es
más que la producción total de bienes y servicios por parte del sector construcción dentro
de la economía dominicana, a precios del año base 1999.
Otras variables importantes para la estimación de modelos del sector construcción son:
3
LARRAIN B., Felipe; “Macroeconomía en la economía Global”, 2da edición; Buenos Aires, Pág. 5
4
LARRAIN B., Felipe; “Macroeconomía en la economía Global”, 2da edición; Buenos Aires, Pág. 5
5
LARRAIN B., Felipe; “Macroeconomía en la economía Global”, 2da edición; Buenos Aires, Pág. 5.
9
Precio del Cemento: Esta variable tiene una estrecha relación con la demanda de cemento
pues tiene una fuerte influencia en las compras planeadas de los consumidores. Es de
esperarse que sea negativa, para lograr una afinidad con la teoría económica.
Tasa de Cambio: Sabiendo que el cemento es un bien comerciable, es decir, un bien con el
cual se puede comercializar en el mercado internacional por medio de las exportaciones y
las importaciones, la tasa de cambio es una variable que influye de manera notable en la
demanda de cemento, porque el precio del cemento estará en función tanto del cemento
producido localmente como del cemento importado, y es en este ultimo donde la tasa de
cambio se identifica de forma mas clara.
Precio de la Varilla y Precio de la Pintura: La varilla es un bien que se utiliza

conjuntamente con el cemento. Así que podemos expresar de una manera más técnica y
explicita, que la varilla y el cemento son bienes complementarios, específicamente
complementarios fuertes.
Gasto del gobierno; Es importante porque gran parte del crecimiento en infraestructura de
una nación es financiado o elaborado por el gobierno central, para eso se valen de los
presupuestos nacionales y determinan la proporción del ingreso nacional que va dirigido a
en el caso de la Republica Dominicana a la secretaria de Obras Publicas.
Tasa de interés: Juega un papel muy importante ya que es un indicador influyente en la

toma de prestamos destinados a el sector construcción, una alta tasa de interés normalmente
se relaciona con una caída para los prestamos que van dirigidos a la creación de
infraestructura y viceversa.
10
Obtención de datos
Los datos estadísticos correspondientes a las variables utilizadas dentro de nuestra

investigación fueron encontrados a través del Banco Central de la República Dominicana6,
el cual proporciona los datos en su mayor parte en valores nominales; por lo que tuvimos
que realizar las transformaciones necesarias para llevar nuestras variables a valores reales.
Para ello utilizamos el IPC (Índice de Precios al Consumidor) que nos proporciona
de igual manera el banco de datos del Banco Central.
Valiéndonos de esta variable, derivamos el PIB real tanto del sector construcción
como el de la economía en general, basándonos en la siguiente fórmula7:
PIB nominal = Nivel de precios (P) x PIB real (Q)
Despejando:
PIB real = PIB nominal / Nivel de precios (P)
De esta nos valimos para calcular los valores reales de nuestras variables, en los
diferentes modelos de regresión presentados en esta investigación.
6
www.bancentral.gov.do/estadisticas.asp
7
LARRAIN B., Felipe; “Macroeconmia en la economia Global”, 2da edición; Buenos Aires, Pág 44.
11
Estacionariedad de las series de tiempo
Antes de realizar regresiones utilizando series de tiempo se necesita saber si cada

una de las mismas es estacionaria. Utilizando el software Eviews 4.0 observamos los
correlogramas de cada una de las series de tiempo en el período observado (a saber, desde
el primer trimestre de 1991 hasta el último trimestre de 2005) para observar sus tendencias.
Correlograma del PIB real de la economía dominicana
12
Correlograma del PIB real del sector construcción dominicano
Los correlogramas sugieren que ambas series de tiempo siguen un proceso “random
walk”, es decir que son no estacionarias, por tanto su media, varianza y covarianza son
cambiantes con respecto al tiempo.
13
Usando la prueba Dickey-Fuller aumentada (DFA) y siguiendo la regla de decisión
de que el τ-calculado sea mayor que el τ-critico a un nivel de significancia seleccionado, se
rechazara la hipótesis nula de que la serie en cuestión tenga una raíz unitaria, o sea, que la
serie es estacionaria, y viceversa si el τ-calcudo es menor que el τ-critico. Aplicando este
criterio a nuestras series PIBREAL y PIBRSC, obtenemos los siguientes resultados:
Prueba DFA para el PIBREAL y PIBRSC de la economía dominicana

en niveles:
Null Hypothesis: PIBREAL has a unit root

Exogenous: Constant, Linear Trend
Lag Length: 4 (Automatic based on SIC, MAXLAG=10)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -1.264623 0.8854
Test critical values: 1% level -4.148465
5% level -3.500495
10% level -3.179617
*MacKinnon (1996) one-sided p-values.
A un nivel de 5% se ve claramente que el τ-calculado es menor que el τ-critico, por

tanto no se rechaza que el PIBREAL tenga una raíz unitaria, o sea es no estacionaria.
Null Hypothesis: PIBRSC has a unit root

t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 0.485352 0.9990
5% level -3.500495
10% level -3.179617
A un nivel de 5% es visible que el τ-calculado es menor que el τ-critico, por tanto

no se rechaza que el PIBRSC tenga una raíz unitaria, o sea es no estacionaria.
14
A continuación procederemos a verificar si las primeras diferencias del PIBREAL y
PIBRSC son estacionarias, siguiendo el mismo proceso de la DFA:
Prueba DFA para el PIBREAL y PIBRSC de la economía dominicana en primera

diferencia:
Null Hypothesis: D(PIBREAL) has a unit root

t-Statistic Prob.*
5% level -3.500495
10% level -3.179617
Siguiendo un nivel de significancia del 5%, el τ-calculado sigue siendo menor que
el τ-critico, lo que revela la no estacionariedad de la serie PIBREAL en primera diferencia.
Null Hypothesis: D(PIBRSC) has a unit root

Exogenous: Constant
t-Statistic Prob.*
5% level -2.919952
10% level -2.597905
A un nivel de significancia de un 5%, el τ-calculado es todavía menor que el τ-

critico, esto nos dice que todavía la serie PIBRSC sigue siendo no estacionaria en primera
diferencia.
Ya viendo que en primera diferencia las series del PIBREAL y PIBRSC son no
estacionarias, procederemos a comprobar si las segundas diferencias de estas series son
estacionarias, para ello al igual que en el caso de la primera diferencia aplicaremos la
prueba DFA pero en segunda diferencia.
15
Prueba DFA para el PIBREAL y PIBRSC de la economía dominicana en segunda
diferencia:
Null Hypothesis: D(PIBREAL,2) has a unit root

t-Statistic Prob.*
5% level -3.508508
10% level -3.184230
Considerando un nivel de significancia de 5% vemos que el τ-calculado es mayor

que el τ-critico, por tanto se rechaza la hipótesis nula de que la segunda diferencia de
PIBREAL tenga una raíz unitaria concluyendo así que en su segunda diferencia PIBREAL
es una serie de tiempo estacionaria.
Null Hypothesis: D(PIBRSC,2) has a unit root

Exogenous: Constant
t-Statistic Prob.*
5% level -2.921175
10% level -2.598551
De igual forma podemos apreciar que a un nivel de significancia de 5%, se rechaza

la hipótesis nula de que la segunda diferencia de PIBRSC tenga una raíz unitaria pues el τ-
calculado es mayor que el τ-critico, por tanto llegamos a la conclusión que la variable
PIBRSC es también estacionaria en su segunda diferencia.
16
Prueba de Cointegración
Luego de haber verificado la estacionariedad individual de nuestras series de tiempo

(PIBREAL y PIBRSC) pasaremos a realizar la prueba de Cointegración con el fin de
comprobar si aunque las series son no estacionarias (en niveles) individualmente, la
combinación lineal de éstas puede ser estacionaria. Si resulta que la combinación del
PIBREAL y del PIBRSC cointegran entonces significa que estas series de tiempo sostienen
una relación de largo plazo o de equilibrio. A continuación mostramos los resultados de
dicha prueba:
Date: 10/12/05 Time: 12:23

Sample(adjusted): 1991:3 2004:4
Included observations: 54 after adjusting endpoints
Trend assumption: Quadratic deterministic trend
Series: PIBREAL PIBRSC
Lags interval (in first differences): 1 to 1
Unrestricted Cointegration Rank Test
Hypothesized Trace 5 Percent 1 Percent

No. of CE(s) Eigenvalue Statistic Critical Value Critical Value
None ** 0.559439 45.39613 18.17 23.46

At most 1 0.020745 1.132018 3.74 6.40
*(**) denotes rejection of the hypothesis at the 5%(1%) level

Trace test indicates 1 cointegrating equation(s) at both 5% and 1% levels
Hypothesized Max-Eigen 5 Percent 1 Percent

None ** 0.559439 44.26411 16.87 21.47

At most 1 0.020745 1.132018 3.74 6.40

Max-eigenvalue test indicates 1 cointegrating equation(s) at both 5% and 1% levels
Podemos ver mediante esta prueba que se llega a la conclusión de que el PIBREAL
y PIBRSC cointegran a un nivel tanto de 5% como de 1%, lo que revela una relación de
largo plazo entre estas dos variables.
17
Modelo #1
Forma Funcional
La forma funcional del modelo es la siguiente:
∆2PIBRSC= ∆2PIBREAL+ ut
Donde el término de la izquierda representa la serie de tiempo “PIB real del sector
construcción”, mientras que el término de la derecha representa la serie de tiempo “PIB
real”. Pero tomemos en cuenta que
∆2PIBRSC= PIBRSCt – 2(PIBRSCt-1) + PIBRSCt-2
Así mismo,
∆2PIBREAL = PIBREALt -2(PIBREALt-1) + PIBREALt-2
Sustituyendo en ambos lados, obtenemos el siguiente resultado:
PIBRSCt – 2(PIBRSCt-1) + PIBRSCt-2 = PIBREALt -2(PIBREALt-1) +

PIBREALt-2
Despejando para estimar la variable en el tiempo actual se obtiene la siguiente

ecuación final:
PIBRSCt = α + PIBREALt -2(PIBREALt-1) + PIBREALt-2 + 2(PIBRSCt-1) –

PIBRSCt-2 + ut
Donde ut es el término de error. Éste es un modelo de rezagos distribuidos, en el que se

puede observar que el valor del PIB real del sector construcción depende de su mismo valor
18
rezagado en uno y dos períodos; además, depende del PIB real, tanto en el tiempo t como
en su rezago de dos períodos. La ecuación final nos servirá para estimar el PIB real del
sector construcción en el corto plazo. A fin de estimar el crecimiento del sector
construcción en el corto plazo, tendremos un modelo log-log, de modo que:
log(PIBRSCt) = α + log(PIBREALt-1) – log[2(PIBREALt-1)] +

log(PIBREALt-2) + log[2(PIBRSCt-1)] – log(PIBRSCt-2) + ut
19
Interpretación del modelo de crecimiento del sector
construcción
Dependent Variable: LOG(PIBRSC)

Method: Least Squares
Date: 10/12/05 Time: 15:50
Variable Coefficient Std. Error t-Statistic Prob.
C -0.912123 0.346406 -2.633102 0.0113
LOG(PIBREAL) 0.493970 0.135131 3.655491 0.0006
LOG(2*(PIBREAL(-1))) -0.459949 0.138913 -3.311068 0.0018
LOG(PIBREAL(-2)) 0.296782 0.187296 1.584562 0.1196
LOG(2*(PIBRSC(-1))) 0.650238 0.156179 4.163421 0.0001
LOG(PIBRSC(-2)) 0.108750 0.141374 0.769237 0.4455
R-squared 0.769575 Mean dependent var 0.416998
Adjusted R-squared 0.745572 S.D. dependent var 0.257855
S.E. of regression 0.130064 Akaike info criterion -1.137135
Sum squared resid 0.812004 Schwarz criterion -0.916137
Log likelihood 36.70265 F-statistic 32.06214
Durbin-Watson stat 2.318091 Prob(F-statistic) 0.000000
Recordando que con esta investigación queremos estimar cual va a ser el

crecimiento del sector construcción, procederemos a interpretar los parámetros obtenidos
en la regresión anterior:
1) Las variables que son consideradas estadísticamente significativas a un nivel de 5% son

el crecimiento del PIB real (LOG (PIBREAL)), el crecimiento del PIB real en el periodo t-1
(LOG (2*(PIBREAL (-1))), el crecimiento del PIB real del sector construcción en el
periodo t-1 (LOG (2*(PIBRSC (-1))), agregando que el intercepto es significativo en el
modelo.
También podemos comprobar mediante la prueba t, basándonos en la que | t | > 2, es

decir que el valor absoluto del estadístico t sea mayor que 2, si esto se cumple entonces las
variables son estadísticamente significativas, de lo contrario no lo son; con esta prueba
también comprobamos que las variables anteriormente mencionadas son estadísticamente
significativas.
20
Observando que algunas de estas variables no son significativas a un nivel de un
5%, procedemos realizar el test de variable redundante para averiguar si las variables
pertenecen a este modelo de regresión:
Redundant Variables: LOG(PIBREAL(-2)) LOG(PIBRSC(-2))

F-statistic 3.698002 Probability 0.032085
Log likelihood ratio 7.738548 Probability 0.020874
Basándonos en la hipótesis nula de que las variables son redundantes en el modelo,

a un nivel de significancia de 5%, se rechaza esta hipótesis, por lo cual comprobamos, que
las variables LOG (PIBREAL (-2)) y LOG (PIBRSC (-2)) no son redundantes en el
modelo, es decir que las mismas pertenecen al modelo de regresión antes estimado.
Viendo que la regresión anterior presenta dos variables no relevantes o no

significativas, procedemos a excluir las variables no significativas y presentamos los
siguientes resultados:

Date: 10/12/05 Time: 16:33
C -0.752829 0.321707 -2.340103 0.0232
LOG(PIBREAL) 0.620503 0.111094 5.585396 0.0000
LOG(2*(PIBREAL(-1))) -0.370058 0.125470 -2.949370 0.0048
LOG(2*(PIBRSC(-1))) 0.689726 0.097015 7.109492 0.0000
21
2) Manteniendo todas las variables constantes, la tasa de decrecimiento promedio para el
PIB real del sector construcción dominicano será aproximadamente de 0.75%.
3) Un aumento de un 1% en el PIB real de la economía dominicana, manteniendo un efecto

ceteris paribus sobre todas las demás variables, provocara un aumento aproximadamente de
un 0.62% en el PIB real del sector construcción dominicano.
4) Un aumento de un 1% en el PIB real de la economía dominicana en el periodo t-1,

manteniendo las demás variables independientes constantes, provocara una caída del PIB
real del sector construcción dominicano para el periodo t de un 0.37% aproximadamente.
5) Un incremento del PIB real del sector construcción dominicano en el periodo t-1 de un
1%, manteniendo las demás variables invariables, representara un incremento
aproximadamente de un 0.69% en el PIB real del sector construcción para el periodo t.
Las variables regresoras explican el PIB real del sector construcción dominicano en
conjunto aproximadamente en un 77% basándonos en el estadístico de bondad de ajuste o
R2. Partiendo de la probabilidad del F-estadístico, podemos sugerir que todas las variables
en conjunto son estadísticamente significativas, pues a un nivel de significancia de un 5%
se rechaza la hipótesis nula de que todos los coeficientes de las variables explicativas en
conjunto son iguales a cero.
22
Modelo en desviación estándar
El modelo en desviación estándar nos sirve para determinar cuáles de las variables
de las que tenemos dentro de nuestro modelo de regresión aporta más información. Este
modelo sigue el siguiente procedimiento: primero se le busca a cada serie de tiempo su
respectiva media y desviación estándar. Luego se construye un nuevo modelo de la
siguiente forma:
Log (PIBRSCi - µ)/σ = log (PIBREALi - µ)/σ + log [2(PIBREALi - µ)]/σ +

log [2(PIBRSCt-1 - µ)]/σ + ut
En el modelo anterior, µ es igual a la media de la respectiva serie de tiempo y σ =

desviación estándar de la serie de tiempo. Este es el modelo estandarizado. En esta
regresión, la variable con el coeficiente más alto es la regresora que aporta menos
información al modelo y viceversa.
Los resultados de la regresión estandarizada son las siguientes:
Dependent Variable: PIBRSCDE

Date: 10/12/05 Time: 15:32
PIBREALDE -0.002095 0.000700 -2.994469 0.0042
PIBREALME1DE 0.000690 1.67E-05 41.29178 0.0000
PIBRSCME1DE 0.992438 0.000696 1426.316 0.0000
Log likelihood 221.3385 Durbin-Watson stat 2.264249
pibrealde = PIB real estandarizado
pibrealme1de = PIB real rezagado en un período estandarizado
pibrsc1de = PIB real del sector construcción rezagado en un período estandarizado
23
Los resultados del modelo estandarizado muestran que la variable que aporta menos
información acerca del PIB real del sector construcción es el PIB real del sector
construcción rezagado en un período, con un coeficiente igual a 0.992438. En tanto, que la
variable explicativa que aporta más información al modelo es el PIB real de la economía
con un coeficiente igual a -0.002095.
24
Prueba de Ramsey Reset
Esta prueba se utiliza para determinar si el modelo está correctamente especificado

y si tiene una forma funcional incorrecta.
Ho : El modelo está correctamente especificado.

H1 : El modelo no está correctamente especificado.
Ramsey RESET Test:

F-statistic 0.004712 Probability 0.945547
Log likelihood ratio 0.005183 Probability 0.942608
Test Equation:
Date: 10/14/05 Time: 16:38
Sample: 1991:2 2004:4
Included observations: 55
C -0.746703 0.336925 -2.216226 0.0313
LOG(PIBREAL) 0.625925 0.137211 4.561763 0.0000
LOG(2*(PIBREAL(- -0.378602 0.177628 -2.131438 0.0380
1)))
LOG(2*(PIBRSC(-1))) 0.700776 0.188444 3.718752 0.0005
FITTED^2 -0.018941 0.275938 -0.068644 0.9455
Asumiendo un nivel de significancia de 5%, no se rechaza la hipótesis nula, en

efecto, el modelo estimado está correctamente especificado.
25
Prueba de normalidad de los residuos
Para probar la normalidad del modelo, o más bien de los residuos del modelo, nos
enfocaremos en la prueba gráfica Jarque-Bera (JB). Esta es una prueba asintótica o de
grandes muestras, basada en los residuos y calcula tanto la asimetría como la cutorsis o
apuntalamiento de los residuos8.
Para esto partiremos de la hipótesis nula que afirma que los residuos estan
normalmente distribuidos en contraposición con una hipótesis alternativa que no lo estan.
H0: Los residuos están normalmente distribuidos

H1: Los residuos no están normalmente distribuidos
Luego de observar esta prueba grafica y su respectiva probabilidad, podemos

concluir que a un nivel de significancia de 5% no se rechaza la hipótesis nula de que los
residuos del modelo están normalmente distribuidos.
8
GUJARATI, Damodar, “Econometria”. 4ta edición. México. Pág. 141-142
26
Pruebas de estabilidad
Las pruebas de estabilidad nos dan un indicativo de que tan estables han sido las
variables explicativas del modelo y el modelo en si de manera general, a lo largo del
tiempo. Para determinar esto nos enfocaremos de manera especial en las pruebas: Cusum
Cuadrado y los Coeficientes Recursivos.
CUSUM Cuadrado
Esta prueba gráfica nos sugiere que a un nivel de significancia de 5% hay una
ruptura estructural alrededor de los periodos comprendidos entre el primer trimestre del
1996 hasta el tercer trimestre del 1998 y de igual manera a partir del primer trimestre del
2003 hasta el cuarto trimestre del 2003.
27
Coeficientes Recursivos
28
Observando las gráficas de coeficientes recursivos individuales vemos que la
constante (c) se mantiene estable a lo largo del tiempo; por otro lado el coeficiente de LOG
(PIBREAL) no se mantiene constante en el tiempo, al igual que el coeficiente LOG
(2*(PIBREAL (-1))) que se sale de la banda establecida; finalmente tenemos el coeficiente
LOG (2*(PIBRSC (-1))) que muestra estabilidad a lo largo del tiempo.
Prueba de Chow para cambio estructural
Esta prueba la utilizamos para comprobar, por medio de la grafica de Cusum

cuadrado, si en los periodos donde se muestra la ruptura que se sale de la banda establecida
hubo o no un cambio estructural, ya sea por razones ajenas o internas de nuestra economía.
Bajo la hipótesis nula de:
H0: no hubo cambio estructural

H1: cambio estructural
Chow Breakpoint Test: 1996:2

F-statistic 6.213176 0.000425
Probability
Log likelihood ratio 23.34589 0.000108
Probability
Observando la gráfica de CUSUM cuadrado vemos que existe una ruptura alrededor
del segundo trimestre del año 1996, por tanto:
Podemos concluir que a un nivel de significancia de 5% se rechaza la hipótesis nula

de que en el segundo periodo de 1996 no hubo cambio estructural, lo que quiere decir que
efectivamente una hubo una alteración en el sector construcción de la economía dominicana
en ese periodo. Se debe esto a que, con la llegada del Dr. Leonel Fernández al poder
29
ejecutivo, se empiezan a realizar grandes obras de infraestructura tales como elevados y
túneles entre otras, alcanzando el PIB real del sector construcción sus mayores valores en
su período de gobierno.
Una segunda prueba de cambio estructural fue realizada para el segundo trimestre
de 2002, obteniendo los resultados que se presentan en lo adelante:
Chow Breakpoint Test: 2002:2

F-statistic 5.567573 0.000941
Probability
Log likelihood ratio 21.33277 0.000272
Probability
Así mismo, una nueva prueba de cambio estructural muestra que, para α = 5%,
se rechaza la hipótesis nula de que no hubo un cambio estructural en el segundo trimestre
del año 2002, a pesar de que el cambio estructural no es tan grave. Sin embargo, este
período de inestabilidad se aletarga debido a una crisis económica provocada por la crisis
bancaria en el año 2003.
30
Prueba de multicolinealidad
A continuación se procederá a realizar las pruebas para verificar qué tan

correlacionadas se encuentran las variables, tanto las explicadas como las explicativas. En
primer lugar, observemos con detenimiento la matriz de correlaciones, para saber el grado
de asociación que tienen las variables.
Matriz de correlación
PIBREAL PIBRSC PIBREALME PIBRSCME1
1
PIBREAL 1.000000 0.578892 1.000000 0.578892
PIBRSC 0.578892 1.000000 0.578892 1.000000
PIBREALME 1.000000 0.578892 1.000000 0.578892
1
PIBRSCME1 0.578892 1.000000 0.578892 1.000000
La matriz de correlación muestra, en conclusión, que las series de tiempo se

relacionan en un 58%. Dicha asociación, a pesar de ser un poco alta, no sugiere que el
modelo esté seriamente afectado por la multicolinealidad. A saber, se sospecha que el
problema de multicolinealidad es grave cuando supera el 80% en valor absoluto. La matriz
de correlación revela al igual que la relación lineal exacta que existe entre el PIB real del
sector construcción respecto a su rezago en un período; lo mismo se puede decir del PIB
real de la economía dominicana y su respectivo rezago en un período.
La severidad de la multicolinealidad será medida a través de dos métodos:
• El método de las regresiones auxiliares.
El primer método mencionado consiste en hacer tres regresiones auxiliares

utilizando como variables explicadas cada una de las regresoras respecto al resto de las
variables exógenas. De estas tres regresiones se observará cual de todas posee el R2 más
31
elevado; si dicha bondad de ajuste es mayor que la bondad de ajuste obtenida de la
regresión original se dirá que el problema de la multicolinealidad es grave.
A continuación se presentan los resultados de las regresiones:
Regresión auxiliar de PIB real

Dependent Variable: LOG(PIBREAL)
Date: 10/12/05 Time: 21:34
C 0.627312 0.392042 1.600112 0.1156
LOG(2*PIBREAL(-1)) 0.540814 0.137497 3.933280 0.0002
LOG(2*PIBRSC(-1)) 0.182665 0.118422 1.542496 0.1290
Regresión auxiliar de PIB real rezagado en un período

Dependent Variable: LOG(2*PIBREAL(-1))
Date: 10/12/05 Time: 21:43
LOG(PIBREAL) 0.423981 0.107793 3.933280 0.0002
C 1.850730 0.246084 7.520719 0.0000
LOG(2*PIBRSC(-1)) 0.336230 0.096557 3.482206 0.0010
32
Regresión auxiliar de PIB real del sector construcción rezagado en un período
Dependent Variable: LOG(2*PIBRSC(-1))
Date: 10/12/05 Time: 21:47
C -1.401289 0.416780 -3.362180 0.0015
LOG(2*PIBREAL(-1)) 0.562393 0.161505 3.482206 0.0010
LOG(PIBREAL) 0.239529 0.155287 1.542496 0.1290
Sacando los R2 de cada una de las regresiones se tienen los valores de la siguiente
tabla:
En conclusión, la regresión auxiliar que contiene una bondad de ajuste más elevada
es la del PIB real rezagado en un período. Si comparamos el R2 de esta regresión
(0.528629) con el de la regresión original (0.737274), sin embargo, se tiene como resultado
que la bondad de ajuste del modelo de regresión original es más alta, lo que nos lleva a
concluir, en base a esta prueba, que el problema de la multicolinealidad en este modelo no
es grave.
• Inflación de varianza y factor de tolerancia
33
Las fórmulas para el inflador de varianza y el factor de tolerancia son,
respectivamente,
FIV = 1/(1-R2)
TOL = 1-R2
La regla de decisión para el inflador de varianza es que si éste es mayor a 10, se

dice que la variable expuesta es altamente colineal, lo que causará problemas al modelo de
regresión estimado originalmente. En cambio, la regla de decisión para el factor de
tolerancia es que entre más cerca este TOL de 1, mayor colinealidad contiene la serie de
tiempo.
Tomando el valor del R2 más alto de las regresiones auxiliares, dicha bondad de
ajuste estará sujeta a las dos fórmulas antes mencionadas en el párrafo anterior. Las
deducciones a las que se llegaron se muestran en las próximas líneas:
FIV = 1/(1-0.528629) = 2.121471

TOL = 1-0.528629 = 0.471371
Se observa que ni el FIV se acerca a 10 ni el TOL se acerca a 1, por lo tanto

concluimos que la multicolinealidad en el modelo de regresión que estima el crecimiento
del PIB real del sector construcción en la República Dominicana no es un problema de
gravedad.
34
Detección de autocorrelación
Esta prueba que veremos en breve trata de determinar si los errores de la regresión
se encuentran serialmente correlacionados. Volvamos al modelo original, a saber,
Log (PIBRSCt) = α + β1log (PIBREALt-1) – β2log [2(PIBREALt-1)] + β3log

[2(PIBRSCt-1)] + ut
En dicha regresión, al obtenerse los resultados, se tiene que el Durbin-Watson es

igual a 2.244251. Este estadístico DW, infortunadamente, no sirve para determinar si los
errores del modelo original se encuentran serialmente correlacionados, debido a que la
regresión que tratamos de estimar es un modelo de rezagos distribuidos que incluye la
variable dependiente rezagada en un período como regresora. En casos como éstos se
estima el estadístico h. La fórmula para dicho estadístico es como sigue:
h = ρ*(n/ (1-n*var (β3)))1/2
En este modelo la hipótesis nula es que β3 = 0, lo que significa que no existe

correlación serial en los errores. La variable que acompaña al coeficiente β3 es la variable
endógena rezagada un período. Así mismo, n representa el número de observaciones. La
hipótesis nula antes mencionada se rechaza cuando el valor del estadístico |h| es mayor a
1.96. El estadístico DW ayuda en este caso para poder estimar el valor de ρ, el cual es
ρ = 1-(d/2)
Estimando a rho (ρ) para este modelo se obtiene el resultado siguiente:
ρ = 1-(2.244251/2) = -0.122126
35
Una vez obtenido el valor de rho se puede estimar el estadístico h. Éstos son los
cálculos:
h = -0.122126*(55 / (1-55*(0.009412))1/2
h = -1.30406
Comparando, para rechazar o no rechazar la hipótesis nula, se observa que
|-1.30| < 1.96
En base a estos cálculos, para α = 5%, no se rechaza la hipótesis nula de que

β3 =0, por lo que se que concluye que los términos de error del modelo original no están
correlacionados entre sí.
36
Prueba de Heteroscedasticidad
Para verificar si los errores del modelo estimado son homoscedásticos, es decir, si
la regresión tiene varianza constante en el tiempo (E (ui2) = σ2), se utiliza la prueba de
heteroscedasticidad de White, donde:
Ho : Los errores son homoscedásticos.

H1 : Los errores no son homoscedásticos.
White Heteroskedasticity Test:

F -statistic 0.460324 Probability 0.834068
Obs*R-squared 2.992535 Probability 0.809783
Test Equation:
Dependent Variable: RESID^2
Date: 10/14/05 Time: 16:00
Sample: 1991:2 2004:4
Included observations: 55
C 1.199614 0.860307 1.394403 0.1696
LOG(PIBREAL) -0.281335 0.300112 -0.937433 0.3532
(LOG(PIBREAL))^2 0.055238 0.059031 0.935758 0.3541
LOG(2*(PIBREAL(- -0.571592 0.449751 -1.270906 0.2099
1)))
(LOG(2*(PIBREAL(- 0.085830 0.069253 1.239368 0.2212
1))))^2
LOG(2*(PIBRSC(-1))) 0.192209 0.166743 1.152724 0.2547
(LOG(2*(PIBRSC(- -0.071990 0.069389 -1.037483 0.3047
1))))^2
Adjusted R-squared -0.063789 S.D. dependent var 0.023887
37
Con un nivel de significancia de 5%, no se rechaza la hipótesis nula de que los
errores del modelo estimado son homoscedásticos, es decir, el modelo carece del problema
de heteroscedasticidad.
Modelo 2:
Estimación del modelo con variables dicótomas

Agregar a nuestro modelo variables dicótomas nos ayudará a sacar a la luz el
componente de estacionalidad que pueda tener el PIB real del sector construcción en la
República Dominicana. Pero antes de agregar dichas variables a nuestro modelo de
regresión veamos con detenimiento la gráfica del PIB real del sector construcción en el
período en el que se le evalúa.
La gráfica a examinar se encuentra en la parte baja de la página y muestra el

comportamiento del PIB real del sector construcción en la economía en el período dentro de
la muestra. Este diagrama revela que dentro de cada año existen trimestres en los que la
variable regresada experimenta momentos de crecimiento, mientras que en otros trimestres
experimenta períodos de recesión. Apoyados por la prueba de Chow de cambio estructural,
podemos decir que el sector construcción experimenta un crecimiento sostenido a partir del
segundo trimestre del año 1996, alcanzando el pico en el primer trimestre de 1999; este
crecimiento se debe a las diversas obras de infraestructura hechas en la primera
administración gubernamental del Dr. Leonel Fernández.
38
Gráfica del PIB real del sector construcción de la República Dominicana, 1991 – 2004
Luego de este crecimiento en el sector construcción dicho sector de la

economía comienza a decaer en el primer trimestre del año 2000; dicha recesión se ve
prolongada por la crisis bancaria de 2003 que se traduce en un aumento del nivel de precios
en la economía, lo que a su vez reduce la capacidad de inversión y consumo de los agentes
económicos. Cabe agregar que el sector construcción experimentó un aumento en términos
nominales en el tercer trimestre de 2003 a causa de las diversas construcciones de varias
infraestructuras deportivas realizadas por las autoridades por motivo de los Juegos
Panamericanos de ese año; sin embargo este crecimiento no se pudo apreciar en términos
reales a causa de la profunda caída de la economía dominicana.
En el segundo trimestre de 2004 el sector construcción empieza a crecer

nuevamente como consecuencia de expectativas más optimistas sobre la economía
dominicana por parte de los agentes económicos, producto a su vez de los resultados de las
elecciones presidenciales de 2004.
39
Volviendo a lo que nos concierne, para estimar un modelo con variables
dicótomas se tomará como período base el primer trimestre de cada año sujeto a estudio. La
siguiente transformación es la que sigue:
Log (PIBRSCt) = α + β1log (PIBREALt-1) – β2log [2(PIBREALt-1)] + β3log

[2(PIBRSCt-1)] + β4D2 + β5D3 + β6D4 + ut
Para el modelo anterior:
D2: 1 si la observación pertenece al segundo trimestre; 0 si es lo contrario.

D3: 1 si la observación pertenece al tercer trimestre; 0 si es lo contrario.
D4: 1 si la observación pertenece al cuarto trimestre; 0 si es lo contrario.
Antes de presentar los resultados de la estimación del modelo de regresión que

incluye variables dicótomas como variables exógenas se debe tener presente la
interpretación de los resultados. El intercepto representa el promedio porcentual de
crecimiento del sector construcción para los primeros trimestres de cada año observado
(ceteris paribus). Los coeficientes que acompañarán a las variables dicótomas informarán
acerca de la diferencia del promedio del crecimiento porcentual del sector construcción
entre el primer trimestre y el trimestre que el β represente, manteniendo las demás variables
exógenas constantes. De modo que si se quiere saber el verdadero valor promedio del
crecimiento porcentual en los trimestres 2, 3, y 4, se le restará a la constante los valores de
los parámetros.
Los resultados de esta regresión se presentan como siguen:

Date: 10/13/05 Time: 08:50
C -1.398212 0.316340 -4.419973 0.0001
LOG(PIBREAL) 0.438751 0.183345 2.393029 0.0207
LOG(2*(PIBRSC(-1))) 0.802714 0.075660 10.60956 0.0000
40
D2 0.186181 0.048775 3.817140 0.0004
D3 0.278252 0.040538 6.863979 0.0000
D4 0.256858 0.086594 2.966222 0.0047
LOG(2*(PIBREAL(- -0.125995 0.205145 -0.614177 0.5420
1)))
Debido a que la variable “PIB real de la economía” resultó ser no significativa, será
sacada de este modelo, lo que resultará en el modelo siguiente:
log(PIBRSCt) = α + β1log(PIBREALt) + β2 log[2(PIBRSCt-1)] + β3D2 + β4D3 +

β5D4 + ut
Los resultados de esta regresión se presentan en lo adelante:

Date: 10/13/05 Time: 09:07
C -1.557519 0.179930 -8.656274 0.0000
LOG(PIBREAL) 0.338189 0.081977 4.125401 0.0001
LOG(2*(PIBRSC(-1))) 0.791837 0.073089 10.83393 0.0000
D2 0.200886 0.042224 4.757657 0.0000
D3 0.278420 0.040279 6.912339 0.0000
D4 0.302927 0.042993 7.046040 0.0000
Vemos que en este modelo tanto las variables de orden cuantitativo como las de
orden cualitativo resultan ser estadísticamente significativas, tanto en lo individual (para α
= 5%) como en lo global (también para α = 5%). Las variables en su conjunto explican al
PIB real del sector construcción en un 87%. Su interpretación es la siguiente:
41
• La tasa de decremento del sector construcción para los primeros
trimestres del período 1991-2004 es de 1.56%, manteniendo los demás
factores constantes.
• Un incremento de un 1% en el PIB real de la economía incrementa al

PIB del sector construcción en un 0.34%, manteniendo los demás
factores constantes.
• Un incremento del PIB real del sector construcción en el período

anterior incrementa el producto interno bruto del sector construcción en
un 0.79%, manteniendo los demás factores constantes.
• El decremento promedio del PIB del sector construcción en los segundo

trimestres por cada año es de un 1.76%, manteniendo los factores de la
regresión constantes.
• El decremento promedio del PIB del sector construcción en los tercer

trimestres por año es de 1.84%, manteniendo los demás factores
constantes.
• El PIB del sector construcción decrece en los cuarto trimestres del

período examinado en un 1.86%, manteniendo los demás factores
constantes.
42
Modelo # 3
Modelo ARIMA (Autorregresivo integrado con media móvil)
En la presente investigación procederemos a construir un modelo ARIMA a partir

de la serie de tiempo PIBRSC (PIB real del Sector Construcción), con el fin de realizar un
pronóstico del valor de esta variable para el año 2005.
Para ajustar un modelo ARIMA (p, d, q) se deben realizar diferentes pasos:

Identificar el modelo, estimar el modelo, verificar si el modelo se ajusta a los datos y si es
así realizar el pronostico correspondiente, que en el presente trabajo será para los cuatro
trimestres del 2005 .
1- IDENTIFICACIÓN DEL MODELO:
43
Consiste en encontrar los valores p, d y q apropiados. Para estos fines, las
principales herramientas son las FAC Y FACP y sus gráficos, que son los correlogramas de
la función de autocorrelación y de autocorrelación parcial. El último rezago
estadísticamente significativo del correlograma AC nos dará el valor de p y el último
rezago estadísticamente significativo del correlograma ACP nos dará el valor de q. El valor
de d viene dado por el orden de integración o más bien por el número de veces que hay que
diferenciar la serie de tiempo para convertirla en estacionaria. El proceso es el siguiente:
Correlograma del PIB Real del Sector Construcción:
44
Gráfica del PIB Real del Sector Construcción:
45
El patrón general que se observa en este correlogramas hasta 24 rezagos de la serie
de tiempo PIBRSC (PIB real del sector construcción), es un patrón con una tendencia
decreciente. Si observamos los coeficientes de la función de autocorrelación (AC) nos
daremos cuenta que empiezan con valores altos y luego van declinando conforme
aumentan los rezagos.
Este patrón y características señaladas del correlograma de la serie de tiempo

PIBRSC, nos sugieren intuitivamente que dicha serie es no estacionaria; ésta puede ser no
estacionaria respecto a la media o a la varianza o ambas.
Ahora bien, analicemos los resultados arrojados por la prueba formal Dickey- Fuller
aumentada sobre estacionariedad.
Prueba Dickey-Fuller Aumentada:
46
Consideramos:
H0: Existe una raíz unitaria: la serie de tiempo es no estacionaria. I (1)

H1: La serie de tiempo es estacionaria. I (0)
Si | τ calc. | > τ crit. Se rechaza H0
47
A un nivel de significancia de 5% no se rechaza la hipótesis nula de que existe una
raíz unitaria. Es decir, que la serie de tiempo es no estacionaria.
Pero para saber el nivel de integración de esta serie se realiza una prueba Dickey -
Fuller aumentada con la serie en 1 era diferencia, lo que nos arroja:
Prueba Dickey-Fuller Aumentada en Primera Diferencia:
H0: Existe una

raíz unitaria: la
serie de tiempo es
no estacionaria.
I (2)
48
Si | Τau calc. | > Τau crit. Se rechaza H0
A un nivel de significancia de 5% no se rechaza la hipótesis nula de que la serie de

tiempo es no estacionaria. I (2). Es decir, que la serie de tiempo en primera diferencia es no
estacionaria.
Correlograma en primera diferencia:
Prueba Dickey-Fuller Aumentada en Segunda Diferencia:
49
A un nivel de significancia de 5% se rechaza la hipótesis nula de que la serie de

tiempo es no estacionaria. I (3). Es decir, que la serie de tiempo es I (2). Por lo que es
necesario diferenciarla dos veces para convertirla en estacionaria.
50
Correlograma en Segunda Diferencia:
Este correlograma al igual que la prueba Dickey-Fuller aumentada nos sugiere que
la serie de tiempo en 2da diferencia es estacionaria. Por lo que resulta prudente utilizar
estos resultados para determinar los valores de p y q, del modelo ARIMA.
51
Observando las funciones de autocorrelación y autocorrelación parcial, podemos
apreciar que la FAC presenta una tendencia sinusoidal decreciente mientras que la FACP
presenta picos a lo largo de los rezagos. Lo que sugiere la estimación de un modelo
autorregresivo.
En la FAC el último rezago estadísticamente diferente de cero es el rezago número

20, por tanto p = 20, lo que implica un proceso autorregresivo AR (20). La serie PIB Real
del Sector Construcción es integrada de orden 2, I (2), por lo que d = 2.
Así, que tenemos un modelo ARIMA (20, 2, 0).
2- ESTIMACIÓN DEL MODELO:
Nuestro modelo ARIMA (20, 2, 0), estimado con el software eviews, arroja los siguientes
resultados:
Debido a la no significancia estadística de un gran numero de rezagos, consideramos prudente excluir
ARIMA (8, 2,
52
0) con los siguientes valores:
La 2 da diferencia de la serie PIBRSC es:
∆2 PIBRSCt = (PIBRSCt - IPBRSCt- 1) – (PIBRSCt- 1 - PIBRSCt- 2)
Entonces, nuestro modelo ARIMA:
2 2 2
∆2 PIBRSCt = β0 ∆ IPBRSCt – 1 + β1 ∆ IPBRSCt – 4 + β2 ∆ IPBRSCt – 8
Donde:
PIBRSC = PIB Real del Sector Construcción
3- VERIFICACIÓN DE DIAGNÓSTICO:
Un diagnóstico simple para saber si existe un ajuste razonable de los datos, es

obtener los residuos del modelo AR (P) y obtener los correlogramas de la función
53
autocorrelación y la de autocorrelación parcial. Si estos sugieren que los residuos son
aleatorios, entonces tenemos un buen modelo ARIMA.
Estos resultados gráficos nos sugieren que los residuos de esta serie de tiempo son estacionarios. La pr
54
H0: Existe una raíz unitaria: los residuos son no estacionarios. I (1)
H1: Los residuos son estacionarios.
A un nivel de significancia de 5% se rechaza la hipótesis nula de que los residuos

son no estacionarios. I (1). Es decir, que los residuos de la serie de tiempo son
estacionarios.
Gráfica de los Residuos del Modelo ARIMA (8, 2, 0):
55
4- PRONÓSTICO:
Una vez que se ha verificado que el modelo ARIMA estimado es correcto, pasamos
a predecir los posibles valores, a corto plazo, del PIB real del sector construcción de la
siguiente manera:
2 2 2
∆2 PIBRSCt = β1 ∆ IPBRSCt – 1 + β2 ∆ IPBRSCt – 4 + β3 ∆ IPBRSCt – 8 + ut
esto es igual a:
56
PIBRSCt - 2 PIBRSCt-1 + PIBRSCt-2 = β1 (PIBRSCt-1 – 2 PIBRSCt-2 + PIBRSCt-3 ) + β2
(PIBRSCt-4 – 2 PIBRSCt-5 + PIBRSCt-6 ) + β3 (PIBRSCt-8 – 2 PIBRSCt-9 + PIBRSCt-10 )
Despejando PIBRSCt, tenemos:
PIBRSCt = β1 (PIBRSCt-1 – 2 (PIBRSCt-2) + PIBRSCt-3 ) + β2 (PIBRSCt-4 – 2 (PIBRSCt-5) +
PIBRSCt-6 ) + β3 (PIBRSCt-8 – 2 (PIBRSCt-9) + PIBRSCt-10 ) + 2 (PIBRSCt-1) - PIBRSCt-2
A partir de esta transformación estimaremos los valores del PIB real del sector
construcción para el año 2005, así para el primer trimestre de dicho año tenemos la
siguiente ecuación:
PIBRSC2005-I = β1 (PIBRSC2004-IV – 2 (PIBRSC2004-III) + PIBRSC2004-II) + β2 (PIBRSC2004-I
– 2 (PIBRSC2003-IV) + PIBRSC2003-III) + β3 (PIBRSC2003-I – 2 (PIBRSC2002-IV) + PIBRSC2002-
III ) + 2 (PIBRSC2004-IV) - PIBRSC2004-III.
PIBRSC2005-I = -0.319647 (0.83 – 2 (0.78) + 0.74) + 0.403776 (0.87 – 2 (1.2468) + 1.1351)

+ 0.282315 (1.41 – 2 (1.9093) + 1.7957) + 2 (0.83) – 0.78.
PIBRSC2005-I = -0.319647 (0.83 – 1.56 + 0.74) + 0.403776 (0.87 – 2.4936+ 1.1351) +

0.282315 (1.41 – 3.8186 + 1.7957) + 1.66 – 0.78.
PIBRSC2005-I = -0.319647 (0.01) + 0.403776 (-0.4885) + 0.282315 (-0.6129) + 1.66 – 0.78.
PIBRSC2005-I = 0.003196 – 0.1972 – 0.1730 + 1.66 – 0.78 = 0.68
El valor pronosticado del PIB real del sector construcción para el primer trimestre
del año 2005 es 0.68, es decir de RD$ 680 millones de pesos, podemos decir que el error
de pronóstico fue una subestimación de 0.02, pues el valor que realmente dio en este
57
trimestre PIB real del sector construcción fue de 0.70; o sea que este modelo es adecuado
para predecir el valor de esta variable ya que el error de pronostico no fue muy elevado.
! Ahora estimamos el PIB real del sector construcción para el segundo trimestre:
PIBRSC2005-II = β1 (PIBRSC2005-I – 2 (PIBRSC2004-IV) + PIBRSC2004-III) + β2 (PIBRSC2004-II
– 2 (PIBRSC2004-I) + PIBRSC2003-IV) + β3 (PIBRSC2003-II – 2 (PIBRSC2003-I) + PIBRSC2002-IV

) + 2 (PIBRSC2005-I) - PIBRSC2004-IV.
PIBRSC2005-II = -0.319647 (0.68 – 2 (0.83) + 0.78) + 0.403776 (0.74 – 2 (0.87) + 1.2468)

+ 0.282315 (1.1441 – 2 (1.41) + 1.9093) + 2 (0.68) – 0.83.
PIBRSC2005-II = -0.319647 (0.68 – 1.66 + 0.78) + 0.403776 (0.74 – 1.74 + 1.2468) +

0.282315 (1.441 – 2.82 + 1.9093) + 1.36 – 0.83.
PIBRSC2005-II = -0.319647 (-0.2) + 0.403776 (0.2468) + 0.282315 (0.5303) + 1.36 – 0.83.
PIBRSC2005-II = 0.0639 + 0.09965 + 0.1497 + 1.36 – 0.83 = 0.84
El valor pronosticado del PIB real del sector construcción para el segundo trimestre
del año 2005 es 0.84 miles de millones, es decir de RD$ 840 millones de pesos, podemos
decir que el error de pronóstico fue una sobreestimación de 0.07, pues el valor que
realmente dio en este trimestre PIB real del sector construcción fue de 0.77; lo que revela
un error de pronostico bastante bajo.
A continuación daremos a conocer los posibles valores que podríamos considerar

para el PIB real del sector construcción para los próximos trimestres (tercero y cuarto) del
año 2005 dadas las condiciones económicas consideradas a la hora de calcular este modelo.
58
! PIB Real de construcción para el tercer trimestre:
PIBRSC2005-III = β1 (PIBRSC2005-II – 2 (PIBRSC2005-I) + PIBRSC2004-IV) + β2 (PIBRSC2004-III

– 2 (PIBRSC2004-II) + PIBRSC2004-I) + β3 (PIBRSC2003-III – 2 (PIBRSC2003-II) + PIBRSC2003-I )
+ 2 (PIBRSC2005-II) - PIBRSC2005-I.
PIBRSC2005-III = -0.319647 (0.84 – 2 (0.68) + 0.83) + 0.403776 (0.78 – 2 (0.74) + 0.87) +

0.282315 (1.1351 – 2 (1.441) + 1.41) + 2 (0.84) – 0.68.
PIBRSC2005-III = -0.319647 (0.84 – 1.36 + 0.83) + 0.403776 (0.78 – 1.48 + 0.87) +

0.282315 (1.1351 – 2.882 + 1.41) + 1.68 – 0.68.
PIBRSC2005-III = -0.319647 (0.31) + 0.403776 (0.17) + 0.282315 (-0.3369) + 1.68 – 0.68.
PIBRSC2005-III = -0.0990 + 0.0686 - 0.0951 + 1.68 – 0.68 = 0.87
El valor pronosticado para el tercer trimestre del año 2005 es de 0.87 miles de
millones, es decir RD$ 870 millones.
! PIB Real de construcción para el cuarto trimestre:
PIBRSC2005-IV = β1 (PIBRSC2005-III – 2 (PIBRSC2005-II) + PIBRSC2005-I) + β2 (PIBRSC2004-IV
– 2 (PIBRSC2004-III) + PIBRSC2004-II) + β3 (PIBRSC2003-IV – 2 (PIBRSC2003-III) + PIBRSC2003-

II ) + 2 (PIBRSC2005-III) - PIBRSC2005-II.
PIBRSC2005-IV = -0.319647 (0.87 – 2 (0.84) + 0.68) + 0.403776 (0.83 – 2 (0.78) + 0.74) +

0.282315 (1.2468 – 2 (1.1351) + 1.441) + 2 (0.87) – 0.84.
PIBRSC2005-IV = -0.319647 (0.87 – 1.68 + 0.68) + 0.403776 (0.83 – 1.56 + 0.74) +

0.282315 (1.2468 – 2.2702 + 1.441) + 1.74 – 0.84.
59
PIBRSC2005-IV = -0.319647 (-0.13) + 0.403776 (0.01) + 0.282315 (0.4176) + 1.74 – 0.84.
PIBRSC2005-IV = -0.0415+ 0.00403 + 0.1178 + 1.74 – 0.84 = 1.06
El valor pronosticado para el cuarto trimestre del año 2005 es de 1.06 miles de millones, es
decir RD$ 1,060 millones.
60
Modelo 4
Modelo Log-Lin
Otro modelo alternativo a los varios que ya hemos expuesto, es el modelo de

regresión de semi elasticidad, en el cual hemos utilizado los valores rezagados de las
variables explicativas para ilustrar el crecimiento del PIB real del sector construcción de la
economía dominicana.
En primer lugar, procederemos a realiza la prueba de cointegración, para verificar

si las series de tiempo están equilibradas en el largo plazo
Date: 10/14/05 Time: 20:27

Trend assumption: Linear deterministic trend (restricted)
Series: TIR1 TCR2 PREVAR1 PREPIN1 PRECEM1 PIBRSC
Lags interval (in first differences): 1 to 1
Unrestricted Cointegration Rank Test

Hypothesized Trace 5 Percent 1 Percent
None ** 0.868180 239.8378 114.90 124.75
At most 1 ** 0.656974 142.5747 87.31 96.58
At most 2 ** 0.604650 91.21717 62.99 70.05
At most 3 * 0.447165 46.67394 42.44 48.45
At most 4 0.274798 18.22450 25.32 30.45
At most 5 0.056700 2.801827 12.25 16.26
Trace test indicates 4 cointegrating equation(s) at the 5% level
Trace test indicates 3 cointegrating equation(s) at the 1% level
Esta prueba confirma el hecho de que las variables cointegran en el largo plazo.
Consideramos un modelo para estimar el PIB real del sector construcción con las
variables siguientes:
• Tipo de interés.
61
• Tipo de cambio.
• Precios del cemento, de la varilla y de la pintura.
• Gastos del gobierno.
Usando el software de Eviews se obtuvieron los siguientes resultados a través de los

MCO. Téngase en cuenta que cada una de las series de tiempo (exceptuando la variable
“gastos del gobierno en construcción y plantas agrícolas”) ha sido diferenciada de manera
necesaria para volverse estacionaria:

Date: 10/14/05 Time: 23:23
C 0.396998 0.061319 6.474333 0.0000
PRECEM1 0.002927 0.004831 0.605853 0.5478
PREPIN1 -0.009541 0.003505 -2.721682 0.0093
PREVAR1 -4.31E-05 4.77E-05 -0.904149 0.3710
TIR1 -0.005135 0.005993 -0.856751 0.3963
TCR2 -0.037091 0.030327 -1.223044 0.2280
G 5.71E-05 3.80E-05 1.502808 0.1402
Desafortunadamente, no podemos hacer uso de este modelo debido a dos cosas:
• Posiblemente existen errores de recolección en la información.

• Su poder de predicción es nulo, debido a los problemas antes mencionados.
Se mantiene el planteamiento del modelo, pero no podemos realizar inferencias ni

determinar el comportamiento del sector construcción debido a las razones ya expuestas.
62
CONCLUSIÓN
Basándonos en las estimaciones hechas sobre los modelos elaborados, obtuvimos

los siguientes resultados:
1) Se realizaron tres modelos, cada uno destinado de forma diferente a la búsqueda

de un objetivo especifico
2) El primer modelo diseñado, el de rezagos distribuido, tiene un R2 = 0.74, un R2
ajustado = 0.72 y criterios de Akaike y Schwarz de -1.09 y -0.94
respectivamente. Este modelo sirve para estimar variaciones en el crecimiento
del PIB de sector construcción dominicano en el Corto Plazo.
3) El segundo modelo elaborado, de rezagos distribuidos con variables dicotomías,
presenta criterios de selección equivalentes a un R2 = 0.87, R2 ajustado = 0.86,
Akaike = -1.71 y Schwarz = -1.49. Este último modelo es aplicado para estimar
las variaciones del crecimiento del PIB del sector construcción dominicano en el
corto plazo pero separando los componentes de estacionalidad, esto se hace a
través de las variables dummy.
4) El tercer modelo estimado, es un modelo Autorregresivo, el diseño de este
modelo nos arrojo un R2 = 0.68, R2 ajustado = 0.67, Akaike = 0.62 y Schwarz =
0.73. Este modelo de rezagos distribuido, nos sirve para predecir los posibles
crecimientos que tengan el PIB del sector construcción para los 4 trimestres del
2005, específicamente nos basamos en predecir los dos últimos trimestres del
2005.
5) Tomando como criterios de comparación los datos que fueron obtenidos por el
Banco Central y luego llevados a reales, para los dos primeros trimestres de
2005, obtuvimos los siguientes resultados de predicción para estos dos mismos
periodos de tiempo:
63
Predicción del modelo AR PIB real del sector
Trimestre sobre el PIB real de sector construcción
construcción
Enero – Marzo 2005 0.68 0.70
Abril – Junio 2005 0.84 0.77
6) Basándonos en el bajo margen de error obtenido por el modelo estimado

predecimos que posiblemente el PIB real del sector construcción en la Republica
Dominicana para los trimestres Julio – Septiembre y Octubre – Diciembre de
2005, van a ser aproximadamente de un 0.87 y 1.06 millones de pesos
respectivamente, hay que aclarar que estas predicciones se hacen manteniendo
los factores de la economía dominicana constantes, donde no exista ningún
desequilibrio que influya drásticamente en una variación brusca de la actividad
económica.
7) Los tres modelos elaborados no presentan violaciones a los supuestos MCO, o
sea, multicolinealidad, heterocedasticidad, autocorrelacion, sesgo de
especificación o forma funcional incorrecta.
8) Se determinó la no estabilidad o presencia de cambios estructural, en dos
momentos de la economía evaluada, para el segundo trimestre de 1996,
explicando que esto pudo haber sido por el incremento en las construcciones en
este periodo a causa de la creación de elevados y vías alternas en la capital, y
otro cambio estructural para el segundo trimestre de 2002, esto se puede explicar
por el caos económico que se aletargo posteriormente en el año 2003 y que trajo
consigo la quiebra de los bancos produciendo inestabilidad económica en la
nación.
64
RECOMENDACIONES
Las recomendaciones que podríamos hacer a futuros / as investigadores / as son las

siguientes:
Realizar una búsqueda más profunda de los datos, búsqueda que por falta de tiempo
no se pudo realizar.
Incluir dentro de los modelos estimados de esta investigación más variables que
afecten a la economía en general, tales como las expectativas de inflación que pudiesen
tener los agentes económicos y el desempleo.
Examinar variables externas a la economía dominicana que pudiesen afectarla de

manera significativa. Como ejemplo, supondremos el huracán Katrina, el cual devastó la
ciudad de Nueva Orleáns en EEUU y detuvo la producción de petróleo, lo que produjo a su
vez una inflación de los precios del mismo al reducirse su oferta. Dicho incremento de los
bienes derivados del oro negro afectaron las decisiones de consumo de los agentes
económicos y obligó a las autoridades gubernamentales a tomar duras políticas para
suavizar los efectos de la crisis petrolera. Si bien el alza del barril del petróleo afectó de
gran manera al sector construcción, este modelo no recoge esa información.
65
BIBLIOGRAFIA
LARRAIN B., Felipe; “Macroeconomía en la economía Global”, 2da edición; Buenos

Aires, Pág. 5
LARRAIN B., Felipe; “Macroeconomía en la economía Global”, 2da edición; Buenos

Aires, Pág. 44.
GUJARATI, Damodar, “Econometria”. 4ta edición. México. Pág. 141-142
CEPAL, “Balance preliminar de las economías de América Latina y el Caribe”, 2004, Pág.
140
WWW.BANCENTRAL.GOV.DO/ESTADISTICAS.ASP
66

Est Imac Ion y Prediccion Del Sector Construccion en La Republica A

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Est Imac Ion y Prediccion Del Sector Construccion en La Republica A

Diunggah oleh

Hak Cipta:

Format Tersedia

Instituto Tecnológico de Santo Domingo

Prof. Jesús G. Martínez

Hacia Una Estimación y Predicción del

Carlos Romero (02-3046)

La Republica Dominicana no es la excepción a la regla, viéndose como a lo largo

Esta es la importancia por el que desarrollamos nuestro trabajo, estimar modelos

El compuesto de la economía dominicana, cuando hablamos de esto nos referimos

Por la idiosincrasia de nuestro país, es normal que las personas no sientan el

La razón de la importancia del sector construcción se da en que la mayor parte de

A pesar de que el sector construcción comenzó a desarrollarse de manera más

La construcción en la Republica Dominicana a mediados de los años noventa, se

El período 2003-2004, la tasa de crecimiento negativa del sector construcción se

La variable en la que se desarrollará este trabajo es el PIB3, esta se conceptualiza

Nuestro trabajo estará enfocado directamente en la variable “PIB real”5, puesto

El PIB real de la economía dominicana será nuestra variable explicativa o

Precio de la Varilla y Precio de la Pintura: La varilla es un bien que se utiliza

Tasa de interés: Juega un papel muy importante ya que es un indicador influyente en la

Los datos estadísticos correspondientes a las variables utilizadas dentro de nuestra

PIB nominal = Nivel de precios (P) x PIB real (Q)

PIB real = PIB nominal / Nivel de precios (P)

Antes de realizar regresiones utilizando series de tiempo se necesita saber si cada

Correlograma del PIB real de la economía dominicana

Prueba DFA para el PIBREAL y PIBRSC de la economía dominicana

Null Hypothesis: PIBREAL has a unit root

A un nivel de 5% se ve claramente que el τ-calculado es menor que el τ-critico, por

Null Hypothesis: PIBRSC has a unit root

A un nivel de 5% es visible que el τ-calculado es menor que el τ-critico, por tanto

Prueba DFA para el PIBREAL y PIBRSC de la economía dominicana en primera

Null Hypothesis: D(PIBREAL) has a unit root

Null Hypothesis: D(PIBRSC) has a unit root

A un nivel de significancia de un 5%, el τ-calculado es todavía menor que el τ-

Null Hypothesis: D(PIBREAL,2) has a unit root

Considerando un nivel de significancia de 5% vemos que el τ-calculado es mayor

Null Hypothesis: D(PIBRSC,2) has a unit root

De igual forma podemos apreciar que a un nivel de significancia de 5%, se rechaza

Luego de haber verificado la estacionariedad individual de nuestras series de tiempo

Date: 10/12/05 Time: 12:23

Unrestricted Cointegration Rank Test

Hypothesized Trace 5 Percent 1 Percent

None ** 0.559439 45.39613 18.17 23.46

*(**) denotes rejection of the hypothesis at the 5%(1%) level

Hypothesized Max-Eigen 5 Percent 1 Percent

None ** 0.559439 44.26411 16.87 21.47

*(**) denotes rejection of the hypothesis at the 5%(1%) level

La forma funcional del modelo es la siguiente:

∆2PIBRSC= PIBRSCt – 2(PIBRSCt-1) + PIBRSCt-2

∆2PIBREAL = PIBREALt -2(PIBREALt-1) + PIBREALt-2

Sustituyendo en ambos lados, obtenemos el siguiente resultado:

PIBRSCt – 2(PIBRSCt-1) + PIBRSCt-2 = PIBREALt -2(PIBREALt-1) +

Despejando para estimar la variable en el tiempo actual se obtiene la siguiente

PIBRSCt = α + PIBREALt -2(PIBREALt-1) + PIBREALt-2 + 2(PIBRSCt-1) –

Donde ut es el término de error. Éste es un modelo de rezagos distribuidos, en el que se

log(PIBRSCt) = α + log(PIBREALt-1) – log[2(PIBREALt-1)] +

Dependent Variable: LOG(PIBRSC)

Recordando que con esta investigación queremos estimar cual va a ser el

1) Las variables que son consideradas estadísticamente significativas a un nivel de 5% son

También podemos comprobar mediante la prueba t, basándonos en la que | t | > 2, es

Redundant Variables: LOG(PIBREAL(-2)) LOG(PIBRSC(-2))

Basándonos en la hipótesis nula de que las variables son redundantes en el modelo,

Viendo que la regresión anterior presenta dos variables no relevantes o no

Dependent Variable: LOG(PIBRSC)

3) Un aumento de un 1% en el PIB real de la economía dominicana, manteniendo un efecto

4) Un aumento de un 1% en el PIB real de la economía dominicana en el periodo t-1,

h = ρ(n/ (1-nvar (β3)))1/2