Servicios de consultora para la evaluar el

cambio de ndice que se ha venido

utilizando en la determinacin del factor de
precios de los contratos de concesin
(WPSSOP3500), esto debido a que el
indicador usado ya no est vigente
Informe elaborado para:
Ministerio de Energa y Minas (MINEM)

Julio de 2016

NDICE

Pg.
1.
2.

ANTECEDENTES
ANLISIS DEL CAMBIO

CONTRATOS DE CONCESIN

2
DE NDICE EN LA DETERMINACIN DEL FACTOR DE

(WPSSOP3500)

PRECIOS

DE LOS

SOBRE LA BASE DE CRITERIOS ESTADSTICOS Y LA

INFORMACIN HISTRICA.

2.1. METODOLOGA DE EVALUACIN

2.2.1 ANLISIS DE REGRESIN
2.2.2 ANLISIS DE CORRELACIN
2.3
ESTRUCTURA DE UNA SERIE DE TIEMPO
2.4
COINTEGRACIN Y ESTACIONARIEDAD
2.5
EVALUACIN EMPRICA
3. ANLISIS LEGAL QUE EVALE LA POSIBLE MODIFICACIN

2
2
2
3
6
7
10
DE LOS CONTRATOS DE CONCESIN, A FIN

DE INCORPORAR EL NDICE DE ACTUALIZACIN QUE CORRESPONDA Y LOS PASOS RECOMENDADOS PARA

SU IMPLEMENTACIN.

22

1. Antecedentes
La Bureau of Labor Statistics (BLS) hizo un cambio en su ndice de precio del
productor (PPI) en Enero del 2014 pasando del sistema de etapas de

procedimiento (SOP) al sistema de una demanda intermedia y demanda final

(FD-ID). Como todos los ndices que componen el SOP tambin forman parte del
FD-ID se decidi, a partir de Enero del 2016 cesar la publicacin de la versin
del SOP, dando lugar a que los usuarios de datos usen como referencia solo los
ndices de demanda intermedia y demanda Final (FD-ID).
Por su parte, los contratos de concesin que han venido usando dicho ndice en
el Per, tambin deberan reemplazarse las series en referencia para la
actualizacin de precios.
Por tanto, el objetivo de la consultora es evaluar si los ndices en mencin
presentan un importante nivel de correlacin entre ellas de modo que no se vea
afectado el factor de precios por el cambio de ndices dado que las tarifas.
Asimismo, realizar un anlisis legal que evale la posible modificacin de los
contratos de concesin, a fin de incorporar el ndice de actualizacin que
corresponda, propuesta de texto modificatorio y los pasos recomendados para su
implementacin.

2. Anlisis del Cambio de ndice en la determinacin del factor de

Precios de los contratos de concesin (WPSSOP3500) sobre la
base de criterios estadsticos y la informacin histrica.
2.1.

Metodologa de Evaluacin

La evaluacin entre 2 variables est asociado a un anlisis a travs de

procedimientos estadsticos, en este caso hacemos referencia a 2 tipos:
Regresin y Correlacin. En el primero, lo que se busca es establecer una
relacin entre las variables, centrada en la explicacin de la relacin de una
variable dependiente (endgena) y una independiente (exgena). Mientras que
el segundo, busca la existencia de una relacin estadsticamente significativa
entre variables, es decir la intensidad y fortaleza entre las mismas, as como la
consistencia (relacin positiva o negativa) y la variacin de una explicada por la
otra.

2.2.1Anlisis de Regresin
La regresin lo que busca es a travs de una expresin matemtica representar
la relacin entre dos o ms variables, tal como lo seala Greene (2002) 1:
The multiple linear regression model is used to study
the relationship between a dependent variable and one
or more independent variables. The generic formo d
the linear regression model is:

1 Greene W. (2002).Econometric Analysis. New York University. Fifth Edition.

y=f ( x 1 , x 2 , x 3 , .. , x k )+
1 x 1+ 2 x 2+ 3 x 3++ k x k +
Where y is the dependent or explained variable and
x1 ,.., xk
are the independent or explanatory
variables. () This function is common called the
population regression equation of y on x1 ,.., xk 2.

2.2.2Anlisis de Correlacin
La correlacin permite establecer el grado de asociacin entre 2 variables, a
diferencia de la regresin, esta no establece el comportamiento de una variable
a partir de otra. Nieves (2009) seala:Las relaciones estadsticas se obtienen
mediante una primera fase de exploracin conocida como anlisis de
correlacin, Consisten en analizar los datos muestrales para saber el grado de
asociacin o correlacin entre dos o ms variables de una poblacin. El grado de
correlacin se expresa como un nmero comprendido entre -1 y +1 y se le
conoce como coeficiente de correlacin3.
-

Coeficiente de Correlacin de Pearson r

Se define como la expresin matemtica de la relacin de 2 variables. La misma,

permite comprobar la existencia de una relacin lineal entre 2 variables
aleatorias, antes de proceder a una evaluacin por regresin. De ese modo, el
coeficiente establecer la intensidad de la relacin lineal entre las variables.
De ese modo, la hiptesis nula seala que r =0 y la hiptesis alternativa que r
0, siendo as un ndice que indica la magnitud de la relacin encontrada entre
las variables.
n

1 r=

Cov ( X , Y )
=
SX SY

( Xt X )(Yt Y )
t=1

t =1

+1

( Xt X )

( Yt Y )

t=1

Propiedades del Coeficiente de Correlacin

Las propiedades asociadas al coeficiente de correlacin se pueden expresar de la

siguiente manera:
o

El coeficiente no est expresado en algn tipo de unidad

2 Greene W. (2002). Pg.32

3 Nieves A. (2009). Probabilidad y Estadstica para Ingeniera: Un Enfoque
Moderno. Cap. 13.

o
o
o
o
-

El intervalo de sus valores flucta entre -1 y +1

El valor del coeficiente no depende de que variable se establezca como
x o como y.
No tiene como objetivo establecer relaciones
variables

de causalidad entre 2

Interpretacin del Coeficiente de Correlacin

Si bien el coeficiente de correlacin no presenta unidad, es importante conocer

las magnitudes en que se han medido las variables ya que un coeficiente
pequeo no necesariamente indica una menor relacin entre las variables.
Otro aspecto a considerar es si la relacin sigue un modelo no lineal ya que esto
podra implicar que el coeficiente pueda incluso llegar a ser cero.
-

Limitaciones del coeficiente de correlacin

La principal limitacin que se presenta en el coeficiente de Pearson es la

probable mala interpretacin de sus resultados cuando su coeficiente de
correlacin es altamente significativo. As, una alta correlacin no garantiza una
relacin lgica entre las varias analizadas, siendo denominadas a este tipo de
relacin correlacin esprea4, tal como lo seala Lahura (2003), El coeficiente
de correlacin es una herramienta fundamental (). Sin embargo, este
instrumento puede fallar en algunas ocasiones al sugerir la presencia de una
relacin estadsticamente significativa entre dos variables que en verdad no
tiene sentido o no poseen relacin lineal alguna, es decir que presenta una
correlacin esprea5.
Guisn (2002) siguiendo lo sealado por Granger y Newbold (1974) indica:
Son regresiones espreas las existentes entre dos
variables que muestran las siguientes caractersticas:
1) No mantienen entre s una relacin causal. 2) La
estimacin de un modelo economtrico temporal, que
relaciona a una de ellas con la otra, proporciona
elevada bondad del ajuste y un valor estadstico
Durbin-Watson (dw) llamativamente bajo, muy inferior
al valor de 2 que correspondera a la ausencia de
4 La relacin espurea hace referencia a la relacin matemtica que existe entre
variables que en realidad no tienen ninguna conexin lgica. En trminos de
Lahura (2003), la relacin esprea obedece a un elevado coeficiente de
correlacin entre dos variables que no tienen relacin alguna. As, la relacin
esprea ser explicada por la presencia de un tercer factor y no precisamente
por la existencia de una relacin con sentido.
5 Lahura, E. (2003). El coeficiente de Correlacin y Correlaciones Espreas.
Documento de Trabajo N 218. PUCP.

autocorrelacin e inferior al lmite inferior del test de

Durbin-Watson (dw)6.

Otra forma de detectar este tipo de inconsistencia es a travs del alto grado de
significancia en la relacin reflejado en el R 2, el cual a pesar del alto significado
estadstico del coeficiente de correlacin, el R 2 presenta un resultado
insignificante.
De lo sealado anteriormente, si bien no se puede establecer una relacin con
sentido el coeficiente de correlacin si nos permite determinar el sentido y fuerza
que puedan tener las variables a pesar de no tener un sustento con sentido para
dicha relacin. As, una aproximacin al grado de asociacin entre las variables
es a travs de un diagrama de dispersin y segn su intensidad se determinar
el coeficiente de correlacin.

Grfico N1: Dispersin de las Series

Fuente: Lahura (2003)

6 Guisn, C. (2002).Causalidad y Cointegracin en modelos economtricos.

Working Paper Series Economics N 61. University of Santiago de Compostela.
Faculty of Economics Econometrics.

En la Medida que el coeficiente de correlacin es mayor habr una mayor fuerza

en la relacin de las variables, no garantizando una relacin con sentido.

2.3 Estructura de una Serie de Tiempo

Las series de tiempo hacen referencia a datos estadsticos u observaciones
recogidas peridicamente durante intervalos de tiempo (diario, semanal,
mensual, anual, entre otros). Dicho registro refleja el comportamiento de
diferentes componentes a travs del tiempo:
-

Componente Tendencial

Este componente refleja la tendencia de largo plazo de una serie, es decir las
variaciones de la propia serie producida por factores persistentes a travs de
tiempo, tales como: cambios en la poblacin, caractersticas demogrficas,
cambio en los ingresos o tecnologa, entre otros. Este comportamiento se puede
generar hacia arriba o hacia abajo.
-

Componente Estacional

Este componente hace referencia a comportamientos recurrentes en

determinados periodos de tiempo, esto debido a la influencia de las estaciones
asociadas. En otras palabras, este componente corresponde a los movimientos
recurrentes que ocurren ao tras ao en los mismos meses (o trimestres) y que
mantienen una misma intensidad.
-

Componente Irregular

Este componente obedece a factores de corto plazo imprevisible y no recurrente

que influye sobre el comportamiento de la serie de tiempo. Dado que el mismo
refleja la variabilidad aleatoria de la serie no se puede esperar predecir su
impacto sobre la serie de tiempo. La teora seala un cuarto componente, El
Cclico. Sin embargo, siguiendo a Lahura (2003), lo consideraremos parte del
componente Irregular7.
Adicionalmente, respecto al componente irregular Lahura (2003) seala lo
siguiente:
En general, el componente ms importante de una
serie econmica es el componente irregular o
modelable, ya que contiene la mayor parte de la
informacin econmicamente relevante. Sin embargo,
existen situaciones en las que los componentes
tendenciales determinsticos y/o estocsticos poseen
interpretacin econmica8.

7 Lahura (2003). Pg. 22

2.4 Cointegracin y Estacionariedad

En el proceso de anlisis economtrico de series de tiempo al medir las
relaciones entre variables que presentan tendencia temporal aparece cierto
problema que puede traducirse en relaciones espreas y que puede
interpretarse como una relacin cierta cuando no lo es. Por otro lado, tambin es
probable que al evaluar la relacin entre las variables si se puedan encontrar que
presentan un sentido econmico, cuando ocurre ello se puede decir que las
variables cointegran. Dicho de otra manera, se puede decir que dicha relacin
presenta un sustento terico o tambin que las variables presentan una relacin
de largo plazo econmicamente significativa.
-

Estacionariedad

En las series de tiempo se dice una serie es estable a lo largo del tiempo si sus
valores tienden a oscilar alrededor de una media constante y la variabilidad con
respecto a esa media tambin permanece constante a travs del tiempo.
Por su parte, Lahura (2003) seala que:En este caso, la tendencia estocstica
que comparten las variables se interpreta como un camino comn del cual
puede desviarse temporalmente (Corto plazo) pero no permanentemente (Largo
plazo)9.
As, se dice que una serie es estacionaria si, formalmente se cumple lo siguiente:
-

La esperanza matemtica de la variable X t es una constante, para todos los

valores de t.
La varianza de la variable Xt es una constante, para todos los valores de t.
La Covarianza del producto ( X t Xt+k ) es una constante para todos los
valores de t y todas las k, respectivamente.

Expresado matemticamente:
Media

E (X t) =

E (Xt+k) =

Varianza

V( Xt) =

V (Xt+k) =2

Covarianza :

E[(Xt - ) (Xt+k - )]

Donde:
k : La covarianza (o auto covarianza) al rezago k. Es la covarianza entre los
valores de Xt y Xt+k separados por k periodos.
-

La Prueba de Dickey Fuller

8 Idem. Pg 23.
9 Idem.

Establecer que una serie es o no estacionaria no es tan evidente muchas veces a

simple vista por ello es necesario hacer uso del test de Dickey Fuller que nos
ayudar en la evaluacin. Entre 1979 y 1981, los autores establecieron el
procedimiento para probar formalmente la presencia de Races Unitarias. La
prueba consiste en suponer que la serie Xt sigue un proceso autorregresivo de
primer orden AR(1) , de la forma:
Xt =r Xt-1 +et
Aqu, se realiza la evaluacin considerando que r es igual a 1. En el proceso se
considera 3 tipos de ecuaciones de regresin que pueden usarse para la
evaluacin de raz unitaria.
Xt =r Xt-1 + et
Xt =a0 + r Xt-1 + et
Xt =a0 + r Xt-1 + a1t+ et
Las regresiones tienen como diferencia los elementos determinsticos que ha
sido incluidos a0 como a1t. As podemos decir que el primero representa un
modelo de camino aleatorio, el segundo incluye un intercepto y el tercero incluye
tanto el intercepto como una lnea de tendencia. De ese modo el objetivo es, a
travs del mtodo de mnimos cuadrados (MCO), evaluar si cumple la hiptesis
nula de r =1.

La Prueba Aumentada de Dickey Fuller

En la prueba aumentada de Dickey Fuller se incluyen trminos autoregresivos,

AR(p), de los trminos DX, en lso 3 modelos alternativos.
P

DXt = gXt-1 +

bjD X t1

+ et

t =1

DXt = a0 + gXt-1 +

bjD X t1
t =1

+ et

DXt = a0 + gXt-1 + a2t+

bjD X t1
t =1

+ et

De ese modo, la diferencia entre las regresiones es por la presencia de los

elementos determinsticos: a0 y a2t.
Aqu el parmetro de inters es g, si g=0, entonces la serie contiene una raz
unitaria, todo ello usando MCO para el valor estimado de g.
-

Cointegracin

Es importante evaluar la estacionariedad o dicho de otra manera la estabilidad

de una serie en el tiempo, ya que de no serlo podra llevarnos a obtener
conclusiones equivocadas al relacionar variables. Por ello, para el caso donde
una serie presente una tendencia temporal se dice que es no estacionaria, y que
su valor medio no es estable, de modo que cualquier estimacin de regresiones
entre este tipo de variables ser espreas salvo el caso que estn cointegradas;
en este caso, si los residuos son estacionarios la estimacin de estas variables
no estacionarias sern superconsistentes 10.
Cuando se realiza un anlisis de cointegracin entre variables se est realizando
un anlisis de la estacionariedad de las perturbaciones aleatorias del modelo que
las relaciona. El mismo es realizado bajo el test de Dickey Fuller aumentado el
cual se basa en el test propuesto por dichos autores, pero incluyendo en el test
algunos rezagos11.
De ese modo, si consideramos las siguientes series de tiempo: x t e yt se puede
establecer que hay cointegracin si:
-

Las dos series son integradas de orden I (1), en otras palabras se hacen
estacionarias en primera diferencia
Hay alguna combinacin lineal de xt e yt de orden I (0) que sea aleatoria.

Cuando ocurre ello, se puede decir que cualquier correlacin a lo largo del
tiempo entre las variables xt e yt no ser esprea, en otras palabras las series
estn cointegradas.
Lopz, Ortuo y otros (1996), definen la cointegracin como la existencia de una
relacin de equilibrio entre variables no estacionarias, donde los desequilibrios
que puedan presentarse son transitorios o de corto plazo. De ese modo, permite
discriminar las relaciones de largo plazo de las espreas.
Asimismo, Asteriou (2002), seala que la cointegracin es el equivalente
estadstico de una relacin econmica de largo plazo existente entre variables
integradas de orden I (1), lo que significa que existe una relacin de equilibrio de
largo plazo12.

2.5 Evaluacin Emprica

La evaluacin tiene como objetivo ver la consistencia entre los ndices que La
Bureau of Labor Statistics (BLS) ha realizado en Enero del 2016, es decir, el paso
10 Montero, R. (2013). Variables no estacionarias y Cointegracin. Documento
de trabajo en Economa Aplicada. Universidad de Granada. Espaa
11 Guisn, C. (2002)
12 Asteriou, D. (2002). Notas sobre anlisis de Series de Tiempo:
Estacionariedad, Integracin y Cointegracin.Universidad de los Andes.
Venezuela.

del indicador del sistema de etapas de procedimiento (SOP) al uso del sistema
de demanda intermedia y demanda final (FD-ID). La importancia de esta
validacin se debe a que muchos de los contratos de concesin otorgados por el
MINEM utilizan dicha serie (SOP) y es fundamental contrastar la consistencia al
usar el otro indicador (FD-ID).
Por su parte, de acuerdo a lo sealado por la BLS, los componente del ndice SOP
forman parte del FD-ID as los usuario del SOP podrn migrar a su uso sin ningn
problema.
In January 2014, the Producer Price Index (PPI)
transitioned from the Stage of Processing (SOP)
aggregation system to the Final Demand-Intermediate
Demand (FD-ID) aggregation system. Because all the
indexes that constitute the SOP system are component
indexes of the FD-ID system, and because PPI
continued calculating and publishing the SOP structure
to ease the transition for data users, two versions of
the SOP indexes existed within the PPI database
through January 2016.13
De lo indicado, se recoger las series generadas a travs del tiempo de ambos
indicadores y se evaluar su correlacin y equilibrio de largo plazo para
establecer si puede calificar como reemplazo para ser usado en el factor de
ajuste de precios sealados en los contratos de concesin, las series en
evaluacin son las siguientes14:
1.- Indicador SOP:
WPSSOP3500 (Ajustado Estacionalmente)
2.- Indicador FD-ID: WPSFD4131 (Ajustado Estacionalmente)
Las series corresponden al periodo 2004 -2015 y son de frecuencia mensual. A
fin de facilitar el uso de los trminos en la metodologa, al indicador N 1 se
denominar en adelante I_SOP, mientras que al indicador N2 se denominar
I_FD_ID. Asimismo para el procedimiento estadstico se ha hecho uso del
software E-Views 8.015.
-

Verificacin y Anlisis de la existencia de una correlacin:

13 Declaracin de Bureau of Labor Statistics (BLS) en su pgina web oficial.

http://www.bls.gov/ppi/sopseriesids.htm
14 La informacin histrica de las series ha sido proporcionada por el Cliente,
asimismo estn disponible en la pgina web del BLS.
15 Eviews forma parte de IHC inc. Lder mundial en informacin y desarrollador
de software estadsticos por ms de 25 aos, orientado a brindar a
investigadores, gobiernos, corporaciones una slida interface estadstica que le
ofrezca herramientas de modelacin y prediccin.

En el siguiente Grfico podemos observar en el grfico de dispersin (Izquierda)

que muestra una fuerte correlacin entre las series, asimismo que
histricamente ambas series han tenido un comportamiento muy similar
(Derecha) y con una relacin positiva entre ambas series.

Grfico N2: Dispersin de I_SOP e I_FD_ID

A continuacin validaremos cual es la intensidad asociada a dicha correlacin a

travs de la matriz de correlaciones de las series I_SOP e I_FD_ID.

Tabla N1: Matriz de Correlacin

I_SOP
I_FD_ID

I_SOP

I_FD_ID

1.000000
0.999247

0.999247
1.000000

As, podemos encontrar que la correlacin entre I_SOP e I_FD_ID da como

resultado 0.999, lo que demostrara una relacin fuerte y positiva entre ambas

series dentro del intervalo [-1,+1]. Sin embargo, al ser series temporales estas
incluyen un componente tendencial que podra estar explicando en gran medida
esa correlacin, as podramos estar cometiendo el error de considerar como
fuertemente relacin pero sin ningn sentido producto de la tendencia, es decir
podramos estar frente a una relacin esprea.
Por otro lado, la presencia en ambas series de un componente tendencial
tambin genera a travs del tiempo cambios en su media (media no estable)
hacindola no estacionaria, lo cual podra llevarnos, de acuerdo a la teora
establecida previamente, a considerar una relacin como cierta cuando no es
(Relacin esprea).
Por ello, se tendr que realizar una evaluacin ms all de la correlacin que
respalde la fuerte relacin encontrada a travs del anlisis de correlacin, as
evaluaremos a continuacin la estacionariedad de cada serie para validar si
existe una relacin con sentido entre ellas.
-

Anlisis de Estacionariedad
o Serie I_SOP

La evaluacin de la serie I_SOP la iniciaremos a travs de un anlisis de

autocorrelacin para establecer la presenta de una tendencia. Para ello veremos
la correlacin estadstica presente en la serie a travs de un correlograma.
En el Grfico N3 podemos observar en el correlograma de la izquierda que la
serie presenta autocorrelacin con sus rezagos, cuando se genera sobre la serie
la primera diferencia obtenemos el grfico N3 (derecha) donde muestra
claramente como se elimina dicha tendencia, ello muestra la presencia de una
tendencia deterministica a lo largo de toda la serie y lo que podra estar
contribuyendo a generar una relacin esprea.
Grfico N3: Correlograma a nivel y Correlograma 1era Diferencia

Filtro de Hodrick Prescott

El filtro de Hodrick Prescott es un mtodo que permite extraer el componente

tendencial de una serie. As, aplicando el filtro a nuestra serie obtendremos los
siguientes resultados.
Grfico N4: Descomposicin del Componente Tendencial

En el Grfico N 4 podemos observar que despejando el componente tendencial

la serie muestra cierto comportamiento estacionario, para poder determinar ello
se testeo la estacionariedad a travs de la prueba de Dickey Fuller.

Prueba de Dickey Fuller

Evaluando el comportamiento de la serie, considerando que tiene tendencia

determinstica, y realizaremos el test de raz unitaria que nos permitir saber si
la series es estacionaria. Para ello, realizamos la prueba Dickey Fuller
Aumentada (DF) a la serie SOP obteniendo los siguientes resultados:

Tabla N2: Regresin de Contraste - Variable Dependiente en primera

diferencia de I_SOP

Aqu, la primera evaluacin es la de autocorrelacin, como el estadstico DurbinWatson se encuentra alrededor de 2 (2.101111), podemos decir entonces que no
hay presencia de autocorrelacin por tanto el contraste no podr ser invalidado.
Por otro lado, dentro de las variables explicativas se encuentra el rezago de la
variable dependiente, el rezago de la primera diferencia de la variable
dependiente y la tendencia, ya que esta ltima se ha considerado incluirla dentro
del anlisis.
Al evaluar la significacin del retardo encontramos un P-value de 0.0009 lo que
nos dice que es un retardo significativo, asimismo la primera diferencia del
retardo presenta un pvalue de 0.0005 haciendo tambin significativa. Entonces
dado que los retardos son significativos y no hay presencia de autocorrelacin,
podemos decir que el modelo puede ser usado para evaluar los resultados
obtenidos en el contraste.
Tabla N3: Contraste de Hiptesis Nula - Presencia de Raz Unitaria
Null Hypothesis: I_SOP has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 1 (Automatic - based on SIC, maxlag=13)

Augmented Dickey-Fuller test statistic

Test critical values:
1% level
5% level
10% level

t-Statistic

Prob.*

-3.385615
-4.023975
-3.441777
-3.145474

0.0574

*MacKinnon (1996) one-sided p-values.

El resultado del contraste nos muestra que el estadstico de Dickey Fuller

aumentado nos da un valor de -3.3385615, que al 95% de confianza (valor crtico
de -3.441777) no podemos rechazar la Hiptesis nula de presencia de Raz
unitaria. Adicionalmente, el p value del estadstico nos da un valor de 0.0574,
ligeramente por encima del 0.05 requerido para rechazar la hiptesis nula siendo
esta cierta. De ese modo, se puede concluir que con la presencia de Raz unitaria
la serie es No estacionaria.
o

Serie I_FD_ID

Al igual que el anlisis de la serie anterior es fundamental determinar la

estacionariedad de la serie I_FD_ID. Por ello se evalu la presencia de
autocorrelacin inicialmente a travs de un correlograma (grfico N4). En la
imagen (Izquierda) podemos encontrar que la serie presenta autocorrelacin con
sus rezagos a nivel, sin embargo aplicando la primera diferencia desaparece la
autocorrelacin como se observa en la imagen (Derecha), esto al igual que la
serie anterior producto de la presencia de una tendencia deterministica, dando
lugar a considerar que la correlacin obtenida podra ser presentar una relacin
esprea.

Grfico N5: Correlograma a nivel y Correlograma 1era Diferencia

Flitro de Hodrick Prescott

Al aplicar el filtro de Hodrick Prescott para separar la tendencia de la serie, se

podr tener un acercamiento grfico respecto a la estacionariedad de la serie.
Sin embargo, a partir de ello no se puede establecer que la seria efectivamente
es estacionaria.
Grfico N6: Descomposicin del Componente Tendencial

Dado el aparente comportamiento estacionario, es necesario testear la presencia

de un comportamiento estacionario.

Prueba de Dickey Fuller

En la prueba de Dickey Fuller validaremos la presencia de raz unitaria que de ser

el caso, nos validar la no estacionariedad de la serie.. A continuacin realizamos
la prueba DF aumentada a la serie I_FD_ID obteniendo lo siguiente:

Tabla N4: Regresin de Contraste - Variable Dependiente en primera

diferencia de I_FD_ID

Realizando la primera evaluacin, autocorrelacin, podemos ver a travs del

estadstico Durbin-Watson que el resultado se encuentra alrededor de 2
(2.069628), lo que demuestra la no presencia de autocorrelacin y posible
invalidacin del contraste. Por tanto, podremos proseguir sin problema en
nuestra evaluacin.
Respecto a las variables del modelo obtenido se encuentra el rezago de la
variable dependiente y la tendencia, esta ltima al igual que en la evaluacin de
la serie anterior se ha incorporado dado la presencia de una tendencia
determinstica en el anlisis.
Evaluando la significacin del retardo de la variable dependiente, esta presenta
un p-value de 0.0193, lo que nos muestra que las variables consideradas son
significativas. Esto junto con la no presencia de autocorrelacin podemos decir
que el modelo puede ser usado sin problema para evaluar los resultados del
contraste.
Tabla N5: Contraste de Hiptesis Nula - Presencia de Raz Unitaria
Null Hypothesis: I_FD_ID has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=13)

Augmented Dickey-Fuller test statistic

Test critical values:
1% level
5% level
10% level
*MacKinnon (1996) one-sided p-values.

t-Statistic

Prob.*

-2.367671
-4.023506
-3.441552
-3.145341

0.3948

El anlisis obtenido del contraste de DF muestra un estadstico de - 3.441552 que al 95% de confianza (Valor

la Hiptesis nula de presencia de Raz unitaria.

Adicionalmente, el p-value obtenido da un valor de 0.3948, resultado que supera
el 0.05 requerido para rechazar la hiptesis nula siendo esta cierta. Por tanto, se
concluye que la serie presenta raz unitaria, lo que la hace No estacionaria.
crtico -2.367671) no se rechazar

Anlisis de Cointegracin de las Series

Al evaluar las series se encontr una fuerte correlacin entre ellas, sin embargo
era necesario realizar el contraste correspondiente, para poder determinar que la
relacin obtenida no pueda ser considerada como esprea (Sin sentido).
Los resultados sealan que las series I_SOP e I_FD_ID son no estacionarias lo que
nos llevara a pensar que la alta correlacin se explica por la presencia de una
tendencia determinstica y que la relacin entre ambas series podra tener un
sentido espreo. El caso donde ambas series a pesar de presentar dichas
caractersticas puede ser consistentes es cuando ambas est cointegradas. En
ese caso, la evaluacin recae sobre los residuos los cuales debern ser
estacionarios para que la relacin sea superconsistente. Cabe recordar que la
cointegracin establece una relacin de equilibrio de largo plazo.
En este caso ambas series se hacen estacionarias en primera diferencia como
observamos anteriormente en el correlograma siendo por tanto integradas de
orden 1.

Regresin entre las variables

De acuerdo a lo sealado por la BLS ambas series tiene en comn varios

componentes. Siendo el punto de partida de dicho argumento que los ndices de
la serie SOP son componentes de la serie FD-ID 16. Por ello, para la regresin entre
las variables se considera como variable exgena a I_SOP y como variable
endgena a I_FD_ID dado que contienen sus argumentos. Considerando lo
indicado, la estimacin resultante es como se indica en la siguiente tabla:

Tabla N6: Regresin I_FD_ID - I_SOP

16 Declaracin del BLS en el pie de pgina 13.

En la regresin encontramos que el coeficiente de la variable explicativa, I_SOP,

es significativa. Asimismo, muestra una buena bondad de ajuste (0.998495). Por
otro lado, el valor del estadstico Durbin Watson muestra un resultado alrededor
de 2 lo que nos permite deducir que no hay presencia de autocorrelacin.
Ahora, para poder determinar que la relacin entre ambas variables no es
esprea y por el contrario mantiene un equilibrio de largo plazo se realizar el
test de cointegracin, enfocado en evaluar la estacionariedad de los residuos de
la regresin. Para ello, se genera primero la serie de residuos asociada a cada
periodo el cul es graficado a continuacin:
Grfico N7: Serie de los Residuos de la regresin

Prueba Dickey-Fuller:

A continuacin los residuos pasarn el contraste de Dickey Fuller bajo la

consideracin de la presencia de raz unitaria. Es decir, la hiptesis nula (H0) de

nuestra evaluacin establece que nuestra serie tiene raz unitaria, mientras que
la hiptesis alternativa (H1) nos indica que no la tiene.
A diferencia de la evaluacin anterior, la presencia en los residuos de una
tendencia determinstica no se hace evidente por ello, se har la evaluacin con
los 3 tipos de ecuacin para la evaluacin de raz unitaria a fin de descartar
cualquier tipo d significancia de intercepto o tendencia.
Tabla N7: Tipos de Modelo de Ecuacin para evaluar Raz Unitaria
7.a) Ecuacin de Regresin del tipo (Intercepto y Tendencia):
a1t+ et

7.b) Ecuacin de Regresin del tipo (Intercepto):

X t =a0 + r Xt-1 +

X t =a0 + r Xt-1 + et

7.C) Ecuacin de Regresin del tipo (ninguno):

X t =r Xt-1 + et

Comparando los 3 tipos de ecuaciones para modelar podemos establecer que, en

el caso de la 7.a que presenta intercepto y tendencia, ambas variables tienen un
p-value por encima del 95% de confianza que se est dispuesto a aceptar,
0.6761 y 0.6270 respectivamente; por tanto se puede decir que son no
significativas en la determinacin del modelo. En el caso del modelo 7.b, ocurre
exactamente lo mismo con el intercepto, presenta un p-value de 0.9938 para
un nivel de confianza del 95%.
Sin embargo, en el caso del modelo 7.c podemos establecer que el primer rezago
de la variable dependiente que participa, es significativa (p-value =0.0000), lo
que afirma el argumento que en los residuos no debemos considerar dentro del
modelo ni intercepto ni tendencia. De ese modo, este modelo es el que mejor
representa a la relacin. Ahora, dado que el modelo esta determinado, se
establecer si existe autocorrelacin. En la tabla se puede observar que el

estadstico Durbin Watson presenta un valor alrededor de 2, (valor del estadstico

de 1.998135), lo que es un indicador que no hay presencia de autocorrelacin.
Asimismo, presenta una bondad de ajuste aceptable de 0.491759. Dado que no
encontramos indicadores que puedan desestimar los resultados del contraste de
Durbin-Watson, podemos analizar los resultados sin inconvenientes.
Tabla N8: Anlisis Dickey -Fuller Aumentado a los Residuos de la
Estimacin
Null Hypothesis: RESID_SOP_FD_ID has a unit root
Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=13)

Augmented Dickey-Fuller test statistic

Test critical values:
1% level
5% level
10% level

t-Statistic

Prob.*

-11.72161
-2.581233
-1.943074
-1.615231

0.0000

*MacKinnon (1996) one-sided p-values.

La evaluacin considera una hiptesis nula (H0) de presencia de raz unitaria,

siendo la hiptesis alternativa (H1), la no presencia de raz unitaria, tal como lo
seala la tabla N 8. Sin embargo, los resultados obtenidos del contraste hecho
nos da como resultado un t estadstico de -11.72161, que al ser evaluado en los
3 punto crticos: 90% (-1.615231); 95% (-1.943074) y 99% (-2.581233),
avanzando del menos al ms cido; encontramos que se encuentra en la zona de
rechazo de la hiptesis nula, es decir no hay presencia de raz unitaria.
Complementa este resultado el p-value del estadstico cuyo valor es 0.0000, ello
indica que la probabilidad de cometer un error al rechazar la hiptesis nula de:
presencia de raz unitaria es cero. Ambos resultados nos llevan a rechazar la
presencia de raz unitaria o que es lo mismo el argumento que los residuos de la
estimacin sea no estacionario; entonces se puede afirmar que los residuos son
estacionarios.
De acuerdo a las caractersticas de un anlisis de cointegracin la evaluacin
busca establecer la estacionariedad de las perturbaciones o residuos, en este
caso dado que se cumple la definicin se puede decir, siguiendo el argumento de
Lpez, Ortuo y otros (1996), as como Asteriou (2002), que existe una relacin
de equilibrio de largo plazo entre las variables, y de presentarse alguna
desviacin esta es transitoria.
De la evaluacin se desprende que la relacin entre los ndices WPSFD4131 y
WPSSOP3500 es sper consistente es decir presenta una relacin de equilibrio
de Largo Plazo

3. Propuesta de ndice a usar en los contratos de Concesin

A continuacin se presenta las formulas actuales con las que se calculan las
tarifas de las concesiones elctricas, as como tambin las frmulas que
proponemos para la utilizacin del nuevo ndice.

Contratos RER
En la actualidad, tenemos que el clculo de la tarifa es igual a la tarifa de
adjudicacin por el factor e, donde el factor est compuesto por el ndice
WPSSOP3500 entre el ndice correspondiente a la fecha de inicio del plazo de
vigencia del mismo ndice, representado de la siguiente manera:

Tarifa

Dnde:

Tarifa Adjudicacin * Factor

Factor

IPP
IPPo

Tomando en cuenta lo anterior, en lo referente a la frmula, se propone incluir un

factor de actualizacin en el clculo de las tarifas de las concesiones elctricas.
As, tenemos que la tarifa es igual a la ltima actualizacin de la tarifa de
adjudicacin (con el ndice WPSSOP3500) por un nuevo factor e, que est
compuesto por el ltimo ndice WPSFD4131 publicado por el Departamento de
Trabajo del Gobierno de los Estados Unidos de Norteamrica, dividido por el
mismo ndice pero correspondiente a la fecha de la ltima actualizacin
disponible.

Factor e de WPSFD4131:
Tarifa = Tarifa_Base x

Factor e

Dnde:
Tarifa_Base

Factor e

IPP:

Corresponde a la ltima actualizacin de la Tarifa

Adjudicacin con el ndice WPSSOP3500.

IPP
IPP a

ndice WPSFD4131 (Finished Goods Less

publicado por el Departamento de Trabajo
Estados Unidos de Norteamrica. Si
anteriormente se dejara de publicar, resultar
que lo sustituya.

Food and Energy),

del Gobierno de los
el ndice sealado
de aplicacin el ndice

IPPa: IPP correspondiente a la fecha de la ltima actualizacin de la Tarifa

Adjudicacin realizada con el ndice WPSSOP3500.
Contratos Generacin
En los contratos de generacin la formula es igual al producto del precio
por potencia por el factor, donde el factor est compuesto por el ndice de
precios, Serie WPSFD4131 entre el ndice WPSSOP3500, a esto se le
multiplica el tipo de cambio.
Precio ajustado = Precio por Potencia * Factor * TC

IPP
Factor = IPPo
Donde:
IPP:

ndice de Precios Finished Goods Less Food and Energy, Serie

WPSFD4131, publicado por el Bureau of Labor Statistics del US
Department of Labor de los Estados Unidos de Norteamrica. Se
tomar en cuenta y como valor definitivo, el valor publicado al
ltimo da del mes anterior an cuando ste sea preliminar. Si el
ndice sealado anteriormente se dejara de publicar, resultar de
aplicacin el ndice que lo sustituya.

IPPo: ndice de Precios Finished Goods Less Food and Energy, Serie
WPSSOP3500 a la fecha de la POC.

TC:

Tipo de Cambio. Valor por referencia para el Dlar de los Estados

Unidos de Norteamrica, determinado
por
la
Superintendencia de Banca y Seguros y AFPs del Per,
correspondiente al tipo de cambio promedio ponderado venta, o el
que lo reemplace. Se tomar en cuenta el valor venta al ltimo da
hbil del mes anterior, publicado en el Diario Oficial El Peruano.

La frmula anterior, se aplicar considerando una periodicidad trimestral y

cuando el Factor de actualizacin se incremente o disminuye en ms de
5% respecto al valor del Factor empleado en la ltima actualizacin.

Tomando en cuenta lo anterior, en lo referente a la frmula, con el nuevo

ndice, se propone que el precio ajustado sea igual al Precio_Base por el
factor, que est compuesto por el ndice WPSFD4131 entre ndice
correspondiente al mes en el que se determina el Precio_Base, todo
multiplicado por el tipo de cambio tal como se expresa en el
procedimiento a continuacin:

Precio ajustado = Precio_Base * Factor e * TC

Donde:
Precio_Base =

Factor e
TC

IPP
IPP a

=
=

IPP:

IPPa:

Es el precio que resulta de la actualizacin del Precio de

adjudicacin con el ndice WPSSOP3500, en la ltima
fecha en la que se haya realizado un ajuste de precios
con el mencionado ndice.

Tipo de cambio.

ndice WPSFD4131 (Finished Goods Less Food and Energy),

publicado por el Departamento de Trabajo del Gobierno de los
Estados Unidos de Norteamrica.
IPP correspondiente al mes en el que se determina el
Precio_Base.

TC:

Tipo de Cambio. Valor por referencia para el Dlar de los

Estados Unidos de Norteamrica, determinado por la
Superintendencia de Banca y Seguros y AFPs del Per.

Contratos Transmisin
En el caso de los contratos de transmisin se propone incluir el ndice
PSFD4131 a travs del factor e:
Factor e
Donde:

IPP
IPP a

IPP:

ndice WPSFD4131 (Finished Goods Less

publicado por el Departamento de Trabajo
Estados Unidos de Norteamrica. Si
anteriormente se dejara de publicar, resultar
que lo sustituya.

Food and Energy),

del Gobierno de los
el ndice sealado
de aplicacin el ndice

IPPa: IPP correspondiente a la fecha de la ltima actualizacin de la Tarifa

Adjudicacin realizada con el ndice WPSSOP3500.

4. Anlisis legal que evale la posible modificacin de los

contratos de concesin, a fin de incorporar el ndice de
actualizacin que corresponda y los pasos recomendados para
su implementacin.