ESCUELA POLITÉCNICA NACIONAL

Análisis de la variable Inversión del Gobierno ecuatoriano (1960-2015)

La variable “igov_rppp” está definida como la inversión del gobierno general

(formación bruta de capital fijo), en miles de millones de dólares internacionales
constantes de 2011. Esta es una variable que cuantifica el grado de inversión
que realiza un gobierno bajo determinado presupuesto.
 IDENTIFICACIÓN:
20.00

IGOV_rppp
15.00
10.00
5.00
0.00

1960 1980 2000 2020

year

Si observamos detalladamente el gráfico observamos una tendencia

creciente hasta el año 1980, posterior comportamiento decreciente al año 2000
y una tendencia creciente al año 2013 para finalmente caer en el año 2015.
Como se determinó, esta variable no tiene un comportamiento definido debido a
que la inversión que realiza un gobierno depende de varios factores y no sólo del
crecimiento económico; es por ello que si graficamos la tendencia del PIB del
Ecuador tendremos un comportamiento creciente, si la inversión del gobierno
estuviera dada directamente por el crecimiento económico no existirían tantos
desfaces en la tendencia. A continuación, se presenta la gráfica del
comportamiento del PIB (GDP_rppp) para tener más clara la diferencia:
 200.00
GDP_rppp

150.00
100.00
50.00
0.00

1960 1980 2000 2020

year

El comportamiento del PIB es constantemente creciente, pero a pesar de

aquello la inversión del gobierno no mantiene similar comportamiento; esto
demuestra claramente que la variable inversión del gobierno no depende
únicamente del crecimiento económico sino también de otros factores ligados a
las políticas de gobierno y la priorización de gato corriente o inversión. Otra
característica que se puede notar es que la media no se ha mantenido constante
en el tiempo, es decir que los valores no oscilan entre la media y esto puede
significar que la serie no es estacionaria. Para determinar de mejor manera el
comportamiento de nuestra serie, analizaremos el gráfico de la función de
autocorrelación parcial (FAP) y de autocorrelación simple (FAS) de la serie.

Partial autocorrelations of igov_rppp

1.00

Autocorrelations of igov_rppp
1.00
0.50

0.50
0.00
0.00

-0.50
-0.50

-1.00

0 5 10 15 20 25 0 5 10 15 20 25
Lag Lag
Bartlett's formula for MA(q) 95% confidence bands
95% Confidence bands [se = 1/sqrt(n)]

Dado el comportamiento de las FAS y FAP se podría proponer un modelo

AR (1) por el corte abrupto existente en la FAP y la tendencia decreciente que
mantiene la FAS hasta el tiempo 7 sin embargo al realizar el test de Dickey-Fuller
y Phillips-Perron se obtiene lo siguiente:
Dickey Fuller
Y t= α + β t + ρ Y t-1 + ξ t
Ho: α = 0; β = 0; ρ = 1
Ha: α ≠ 0; β ≠ 0; ρ < 1

Como el valor Z (t) supera el valor crítico, no se rechaza la hipótesis nula y

esto quiere decir que la serie no es estacionaria un 95% de confianza.
Phillips-Perron
Y t= α + β t + ρ Y t-1 + ξ t
Ho: α = 0; β = 0; ρ = 1
Ha: α ≠ 0; β ≠ 0; ρ < 1

Como el valor Z (t) supera el valor crítico, no se rechaza la hipótesis nula y

esto quiere decir que la serie no es estacionaria un 95% de confianza.
Después de comprobar no estacionariedad se debe proponer un modelo
distinto para tener la posibilidad de realizar un pronóstico del comportamiento de
la variable. Se suele utilizar el logaritmo con frecuencia para suavizar la serie;
por ello, se plantea el nuevo modelo y lo analizamos obteniendo los siguientes
valores en su FAS y FAP:
 1.00
1.00
Autocorrelations of ligov Partial autocorrelations of ligov
0.50

0.50
0.00

0.00
-0.50
-1.00

-0.50
0 5 10 15 20 25 0 5 10 15 20 25
Lag Lag
Bartlett's formula for MA(q) 95% confidence bands 95% Confidence bands [se = 1/sqrt(n)]

Si analizamos estas dos funciones nos propone un modelo AR (1) al igual

que con la serie anterior, pero necesitamos realizar el respectivo test para
determinar estacionariedad y estos arrojan lo siguiente:
Dickey Fuller
Y t= α + β t + ρ Y t-1 + ξ t
Ho: α = 0; β = 0; ρ = 1
Ha: α ≠ 0; β ≠ 0; ρ < 1

Como el valor Z (t) supera el valor crítico, no se rechaza la hipótesis nula y

esto quiere decir que la serie no es estacionaria un 95% de confianza.
Phillips-Perron
Y t= α + β t + ρ Y t-1 + ξ t
Ho: α = 0; β = 0; ρ = 1
Ha: α ≠ 0; β ≠ 0; ρ < 1
 Como el valor Z (t) supera el valor crítico, no se rechaza la hipótesis nula y
esto quiere decir que la serie no es estacionaria un 95% de confianza.
Debido a que la serie sigue siendo no estacionario sigue siendo
completamente necesario proponer una serie estacionaria con el objetivo de
poder pronosticar su comportamiento. A continuación, se propone realizar una
primera diferenciación para poder eliminar cualquier no estacionariedad;
analizamos los FAS y FAP resultantes de esta nueva variable:

Partial autocorrelations of difigov_rppp

0.40

1.00

Autocorrelations of difigov_rppp
0.20

0.00
0.00

-1.00
-0.20
-0.40

-2.00

0 5 10 15 20 25 0 5 10 15 20 25
Lag Lag
Bartlett's formula for MA(q) 95% confidence bands 95% Confidence bands [se = 1/sqrt(n)]

Dados los gráficos, sugiere un modelo ARIMA (p=1, d=1, q=0); una vez
identificado debemos probar primero la existencia de estacionariedad en la serie:
Dickey Fuller
Y t= α + β t + ρ Y t-1 + ξ t
Ho: α = 0; β = 0; ρ = 1
Ha: α ≠ 0; β ≠ 0; ρ < 1
Phillips-Perron
Y t= α + β t + ρ Y t-1 + ξ t
Ho: α = 0; β = 0; ρ = 1
Ha: α ≠ 0; β ≠ 0; ρ < 1

Observamos que para ambos test no se supera el valor crítico; por lo tanto,
se rechaza la hipótesis nula y se tiene suficiente evidencia como para afirmar
que la serie es estacionaria. Una vez determinada la estacionariedad de nuestra
serie podemos terminar con la identificación del modelo para pasar al siguiente
paso; primero se presentará gráficamente la serie de tiempo diferenciada para
tener una noción del comportamiento de esta:
10

difigov_rppp
5
0
-5

1960 1980 2000 2020

year
  ESTIMACIÓN:
Para realizar la estimación utilizamos el paquete estadístico STATA para
determinar la significancia de cada parte del modelo: ARIMA (p=1, d=1, q=0)

Se observa que los valores p son menores a 0,05 con excepción de la

constante, lo que nos indicaría que únicamente la parte regresiva es significativa.
El nuevo modelo propuesto sería el siguiente entonces:
Y t= ρ Y t-1 + ξ t

 VERIFICACIÓN:

Para realizar la verificación de nuestro modelo debemos correr el test de

Portmanteau a través de paquete estadístico STATA, esto con la finalidad de
probar que los residuos sigan ruido blanco.
Portmanteau:
Ho: ξ t ~ RB
Ha: ξ t no sigue RB
 Debido a que la probabilidad es mayor a 0,05 se rechaza la hipótesis nula
y hay evidencia para determinar que los residuos de la serie siguen ruido blanco.
Otra manera de determinar un posible comportamiento de ruido blanco es
realizando un correlograma de los residuos y analizar sus FAS y FAP.

Tenemos entonces que todos los valores de las FAS y FAP tienen valores
mayores a 0,05 y, por ende, existe la suficiente evidencia como para determinar
comportamiento de ruido blanco por parte de los residuos.
Se debe analizar también que los residuos no estén seriamente
correlacionados entre sí para concluir con la verificación de nuestro modelo y
para ello se realiza el test Breusch-Godfrey en el paquete STATA:
Breusch-Godfrey
Ho: Los residuos no están fuertemente correlacionados
Ha: Los residuos están fuertemente correlacionados
 Observamos entonces que el valor p es mayor a 0,05 y por ende no
rechazamos Ho, existiendo evidencia suficiente para decir que los residuos no
están fuertemente correlacionados.

Adicionalmente se ha realizado la prueba de heterocedasticidad y se

observa que el valor p en mayor a 0,05 y no se rechaza Ho; es decir, que no
existe un problema de heterocedasticidad.

 PREDICCIÓN:
10
5
0
-5

1960 1980 2000 2020

year

difigov_rppp xb prediction, one-step

En el paquete STATA se obtiene la predicción (marcada en línea roja) y el

comportamiento real de la variable (marcada en línea azul), podemos predecir
entonces que la inversión del gobierno ecuatoriano debe incrementar para el año
2016 y posterior.