(INTEC)
Área de Negocios
Econometria II
Sección 01
Realizada por:
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.
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.
4
MARCO TEÓRICO
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.
1
SERULLE RAMIA, José, “Economía y Construcción”, Sto. Dgo., Pág. 53
2
SERULLE RAMIA, José, “Economía y Construcción”, Sto. Dgo., Pág. 42
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.
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.
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.
8
Variables y Justificación
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.
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.
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.
10
Obtención de datos
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:
Despejando:
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
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:
14
A continuación procederemos a verificar si las primeras diferencias del PIBREAL y
PIBRSC son estacionarias, siguiendo el mismo proceso de la DFA:
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.
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:
16
Prueba de Cointegración
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
∆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
Así mismo,
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:
19
Interpretación del modelo de crecimiento del sector
construcción
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:
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%.
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:
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
Test Equation:
Dependent Variable: LOG(PIBRSC)
Method: Least Squares
Date: 10/14/05 Time: 16:38
Sample: 1991:2 2004:4
Included observations: 55
Variable Coefficient Std. Error t-Statistic Prob.
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
R-squared 0.737299 Mean dependent var 0.412779
Adjusted R-squared 0.716282 S.D. dependent var 0.257365
S.E. of regression 0.137086 Akaike info criterion -1.049909
Sum squared resid 0.939628 Schwarz criterion -0.867424
Log likelihood 33.87250 F-statistic 35.08253
Durbin-Watson stat 2.245280 Prob(F-statistic) 0.000000
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.
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
Observando la gráfica de CUSUM cuadrado vemos que existe una ruptura alrededor
del segundo trimestre del año 1996, por tanto:
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:
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
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
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.
32
Regresión auxiliar de PIB real del sector construcción rezagado en un período
Dependent Variable: LOG(2*PIBRSC(-1))
Method: Least Squares
Date: 10/12/05 Time: 21:47
Sample(adjusted): 1991:2 2004:4
Included observations: 55 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
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
R-squared 0.415150 Mean dependent var 1.110250
Adjusted R-squared 0.392656 S.D. dependent var 0.248975
S.E. of regression 0.194032 Akaike info criterion -0.388585
Sum squared resid 1.957720 Schwarz criterion -0.279094
Log likelihood 13.68608 F-statistic 18.45583
Durbin-Watson stat 0.502134 Prob(F-statistic) 0.000001
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
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:
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,
ρ = 1-(d/2)
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
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:
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 10/14/05 Time: 16:00
Sample: 1991:2 2004:4
Included observations: 55
Variable Coefficient Std. Error t-Statistic Prob.
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
R-squared 0.054410 Mean dependent var 0.017086
Adjusted R-squared -0.063789 S.D. dependent var 0.023887
S.E. of regression 0.024637 Akaike info criterion -4.450709
Sum squared resid 0.029135 Schwarz criterion -4.195231
Log likelihood 129.3945 F-statistic 0.460324
Durbin-Watson stat 1.968007 Prob(F-statistic) 0.834068
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:
38
Gráfica del PIB real del sector construcción de la República Dominicana, 1991 – 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:
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)))
R-squared 0.869708 Mean dependent var 0.412779
Adjusted R-squared 0.853421 S.D. dependent var 0.257365
S.E. of regression 0.098534 Akaike info criterion -1.678418
Sum squared resid 0.466029 Schwarz criterion -1.422940
Log likelihood 53.15651 F-statistic 53.40033
Durbin-Watson stat 2.764235 Prob(F-statistic) 0.000000
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:
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.
42
Modelo # 3
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:
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.
Ahora bien, analicemos los resultados arrojados por la prueba formal Dickey- Fuller
aumentada sobre estacionariedad.
46
Consideramos:
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:
48
Si | Τau calc. | > Τau crit. Se rechaza H0
49
H0: Existe una raíz unitaria: la serie de tiempo es no estacionaria. I (3)
H1: Existe una raíz unitaria: la serie de tiempo es no estacionaria. I (2)
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.
Nuestro modelo ARIMA (20, 2, 0), estimado con el software eviews, arroja los siguientes
resultados:
ARIMA (8, 2,
52
0) con los siguientes valores:
2 2 2
∆2 PIBRSCt = β0 ∆ IPBRSCt – 1 + β1 ∆ IPBRSCt – 4 + β2 ∆ IPBRSCt – 8
Donde:
3- VERIFICACIÓN DE DIAGNÓSTICO:
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.
Si | τ calc. | > τ crit. Se rechaza H0
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
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:
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:
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.
58
! PIB Real de construcción para el tercer trimestre:
El valor pronosticado para el tercer trimestre del año 2005 es de 0.87 miles de
millones, es decir RD$ 870 millones.
59
PIBRSC2005-IV = -0.319647 (-0.13) + 0.403776 (0.01) + 0.282315 (0.4176) + 1.74 – 0.84.
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
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.
62
CONCLUSIÓN
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
64
RECOMENDACIONES
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.
65
BIBLIOGRAFIA
CEPAL, “Balance preliminar de las economías de América Latina y el Caribe”, 2004, Pág.
140
WWW.BANCENTRAL.GOV.DO/ESTADISTICAS.ASP
66