Miguel A. Caminada Bonett1 / Macías P.

Mamani Vargas

ARTÍCULO ORIGINAL
Revista de investigación “K uskiykuy” 2016; Vol 1 N° 1: 61 80
Julio Diciembre

MODELACIÓN ECONOMÉTRICA DEL PRODUCTO BRUTO INTERNO

UTILIZANDO LA METODOLOGÍA BOX JENKINS:
UNA APLICACIÓN PARA EL CASO PERUANO 1992 - 2015
Miguel A. Caminada Bonett1, Macías P. Mamani Vargas2
1
Docente de la Escuela Profesional de Ingeniería Económica, Universidad Nacional del Altiplano, Puno, Perú.
2
Docente del Instituto de Educación Superior Pedagógico Público Juliaca, Puno, Perú.

Resumen

En este trabajo tiene como objetivo realizar el modelamiento econométrico para el Producto
Bruto Interno del Perú utilizando la metodología Box Jenkins, cuya metodología de
investigación utilizada corresponde al enfoque cuantitativo, no experimental, de tipo
longitudinal con alcance explicativo. Este tipo de trabajos cobra mayor relevancia para realizar
inferencias y formular políticas económicas. En los resultados obtenidos se identifica un modelo
SARIMA(4,1,4)(2,0,0). Para lograr la estacionariedad de la serie se tuvo que realizar la
transformación en logaritmos y en primeras diferencias.

Palabras clave: Producto Bruto Interno, Box Jenkins, ARIMA.

ECONOMETRIC MODELING OF THE GROSS DOMESTIC PRODUCT USING BOX

JENKINS METHODOLOGY: AN APPLICATION FOR THE PERUVIAN CASE 1992 - 2015

Abstract

In this paper, the objective is to perform the economic modeling for the Gross Domestic Product
of Peru using the Box Jenkins methodology, whose research methodology used corresponds to
the quantitative approach, non-experimental, longitudinal type with explanatory scope, This type
of work takes on greater relevance for making inferences and formulating economic policies. In
the obtained results a model identified is SARIMA(4,1,4) (2,0,0). To achieve the stationarity of
the series had to perform the transformation in logarithms and first differences.

Keywords: Gross Domestic Product, Box Jenkins, ARIMA.

61 - 80 61
 Miguel A. Caminada Bonett1 / Macías P. Mamani Vargas

Introducción

En el presente trabajo se realiza un exhaustivo examen a la serie de tiempo PBI para una
muestra desde el año 1992 hasta el cuarto trimestre del 2015 utilizando el Modelo Autorregresivo
Integrado de Media Móvil (ARIMA). El objetivo es identificar un modelo adecuado que explique
el comportamiento de la serie a través de sus rezagos. En la actualidad existe la preocupación de
muchos economistas por los temas de crecimiento, tal es así que existieron periodos en las cuales
el país experimentó un crecimiento sostenido, pero también existieron periodos de recesión
ocurridos por ejemplo en el año 1997 (como consecuencia de la crisis asiática y el fenómeno del
niño), así como el años 2009 (como consecuencia de la crisis financiera de EE.UU de 2007), esta
preocupación data de décadas pasadas, desde el surgimiento de la teoría económica, cuando los
autores clásicos como Adam Smith, Thomas Malthus y David Ricardo centraban su análisis en
los cambios económicos y sociales por los que atravesaba Inglaterra entre los siglos XVIII y XIX,
así como la gran depresión de EE.UU ocurrido en 1930.

Una de las teorías que estudia el comportamiento de las series temporales son los ciclos
económicos; un ciclo económico es una secuencia repetida de expansión económica que deja
paso a una disminución temporal seguida de una recuperación (Abel & Bernanke, 2004). Así
mismo los ciclos económicos son conocidos como ciclos comerciales o fluctuaciones cíclicas de
la actividad económica debido a las fluctuaciones irregulares e impredecibles de la actividad
económica; se mide por las fluctuaciones del PBI real alrededor del PBI potencial. Es por ello que
cuando el PIB real es menor que el PBI potencial, algunos recursos no están plenamente
utilizados y cuando el PBI real es mayor que el PBI potencial, los recursos están sobreutilizados.

Según la National Bureau of Economic Research (NBER), organismo privado sin fines de
lucro fundado en 1920 y formado por economistas, en un estudio que hizo historia es el libro
Measuring Business Cycles, publicado en 1946 por Arthur Burns y Wesley Mitchell define el
ciclo económico como un tipo de fluctuación que se encuentra en la actividad económica
agregada de los países que organizan su trabajo principalmente en empresas; entonces un ciclo
está formado por expansiones que se producen más o menos al mismo tiempo en muchas
actividades económicas, seguidas de recesiones, contracciones y recuperaciones también
generales que acaban en la fase de expansión del ciclo siguiente.

Dentro de los ciclos económicos existen determinadas fases. Para Parkin (2007) un ciclo
económico tiene dos fases: una de recesión y la otra de expansión, así mismo dos puntos de
inflexión: una cima y un valle. En cambio diversos autores señalan que estos ciclos pueden estar

62 61 - 80
 Modelación econométrica del producto bruto interno utilizando la metodología Box Jenkins...

compuestos por otras fases que complementan a la anterior. En la figura 1 se puede apreciar las
fases de los ciclos económicos. Ahora la cima es el punto más alto del ciclo, se caracteriza por un
alto nivel de empleo y una alta demanda de los consumidores en relación con la capacidad
productiva de bienes de consumo, indica que ha terminado una expansión y ha empezado una
recesión. En esta etapa la producción y el ingreso aumentan, disminuyendo el nivel de
desempleo, aumentando los salarios y beneficios. Aumenta la inversión, también aumenta la
confianza del consumidor y el optimismo en general.

El punto de recesión es la fase descendente del ciclo; es el periodo durante el cual la

producción real disminuye en, al menos dos trimestres consecutivos (Mankiw, 2012). La
recesión puede producirse de forma suave o abrupta, este proceso se complica cuando un elevado
número de empresas ingresa en quiebra y arrastra a los proveedores pudiendo llegar en algunos
casos a lo que normalmente se conoce como crisis. Así mismo el valle es el punto más bajo del
ciclo; se caracteriza por un alto nivel de desempleo y una baja demanda de los consumidores en
relación con la capacidad productiva de bienes de consumo, ocurre cuando termina una recesión
y empieza la recuperación. En esta etapa los precios bajan o permanecen estables, los beneficios
empresariales descienden e incluso muchas empresas incurren en pérdidas. Finalmente la
expansión es la fase ascendente del ciclo; es el periodo durante el cual la producción real aumenta
de forma consecutiva en el tiempo; se produce una renovación del capital que tiene efectos
multiplicadores sobre la actividad económica generando una fase de crecimiento económico y
por tanto de superación de la crisis.

Clima
Producción

Auge

Expansión Tendencia
Clima
Auge
Clima Declinación
Auge Cima Recuperación

Recesión
Fondo
Fondo Valle
Fondo Valle
Valle

Tiempo

Figura 1. Fases de los ciclos económicos.

61 - 80 63
 Miguel A. Caminada Bonett1 / Macías P. Mamani Vargas

Existen diversas teorías que explican las fluctuaciones del producto mostrados en los
ciclos económicos, estas teorías fueron recopilados por Alonso et al (2011), donde desarrollan
principalmente la teoría del ciclo exógeno, la teoría del ciclo endógeno y la teoría de los ciclos
reales. Se tiene la teoría del ciclo exógeno que está relacionada con las contribuciones de los
teóricos del ciclo real o walrasiano. Estos autores atribuyen las fluctuaciones cíclicas a los efectos
acumulativos de perturbaciones aleatorias exógenas de carácter recurrente como pueden ser las
innovaciones tecnológicas, los cambios demográficos y las alteraciones en el precio de las
materias primas, que distorsionan el funcionamiento de un sistema económico intrínsecamente
estable. Muestra que las fluctuaciones económicas derivan de la presencia de shocks aleatorios de
carácter exógeno, también relacionados con los modelos estocásticos de ciclo económico
inicialmente desarrollados por Frisch (1933) y Slutzky (1937). Ambos autores demostraron que,
bajos ciertas restricciones monetarias, sistemas dinámicos lineales con ecuaciones en diferencias
para el gasto en consumo e inversión, generan fluctuaciones cíclicas variables cuando se someten
a perturbaciones exógenas.

Otra de las teorías que explica este fenómeno es la teoría del ciclo endógeno que asumen
que los ciclos económicos son el resultado de la propia dinámica interna del sistema capitalista.
Defendido por los autores del ciclo exógeno, afirman que, incluso en ausencia de shocks
exógenos, las economías de libre mercado muestran cierta inestabilidad inherente que se traduce
en crisis de sobreproducción (sobreinversión) o subconsumo ligadas a su propio funcionamiento.
En este sentido, los modelos de ciclo endógeno destacan la existencia de desajustes entre el stock
de capital y la demanda de consumo, de modo que debe modificarse la relación entre inversión y
demanda total para retornar a una situación de equilibrio.

Finalmente se tiene la teoría de los ciclos reales que parte de la teoría de los modelos de
expectativas racionales y el ciclo económico desarrollados hasta principios de la década de los
setenta, tienen como base de que los agentes económicos tomaban sus decisiones guiados por
mecanismos de formación de expectativas demasiado simples. Bajo el supuesto de expectativas
adaptativas los individuos cometían errores de previsión sistemáticos persistiendo
continuamente en ellos. Es decir, no se contemplaba un escenario en el que los agentes
aprendiesen de sus errores para corregir sus expectativas. Por otro lado, en un contexto en el que
los individuos establecían sus predicciones tomando como referencia lo ocurrido en el pasado,
era imposible prever cambios de tendencia en la evolución del ciclo. Estas consideraciones
llevarían al desarrollo del enfoque de expectativas racionales (Muth, 1961), según el cual los

64 61 - 80
 Modelación econométrica del producto bruto interno utilizando la metodología Box Jenkins...

agentes económicos utilizan toda la información relevante disponible, incluyendo la teoría

económica pertinente, para formar sus previsiones.

Es entonces cuando el desarrollo de las expectativas racionales cobra mayor énfasis

principalmente en el desarrollo de la economía clásica y los modelos del ciclo económico real,
estas teorías se construyen bajo dos supuestos esenciales. Por un lado, se trata de modelos
dinámicos de equilibrio general (walrasiano) con mercados competitivos, que se vacían
continuamente a los correspondientes precios de equilibrio. Por otro lado, se apoyan en una
estructura de agente representativo dotado de expectativas racionales, que maximiza
continuamente una función objetivo en un mundo de información perfecta (Kydland y Prescott,
1982 y Long y Plosser, 1983).

En una situación extrema, el supuesto de expectativas racionales implica que los agentes
económicos conocen la estructura y el funcionamiento del sistema económico en el que deben
tomar sus decisiones, de modo que son capaces de anticipar las consecuencias de cualquier
medida sistemática de política monetaria anulando sus efectos reales tanto a corto como a largo
plazo. Esta es la denominada «proposición de ineficacia de la política económica» de Sargent y
Wallace (1975).

Materiales y Métodos

En cuanto a la metodología utilizada en el presente trabajo de investigación se utilizó el

enfoque cuantitativo, cuyo diseño es el no experimental, de tipo longitudinal, puesto que es
común en trabajos de series temporales. El alcance de investigación es de carácter descriptivo y
explicativo.

La metodología econométrica utilizada se conoce como Box Jenkins que utiliza modelos
ARIMA para determinar el comportamiento de una serie. Diversos investigadores comenzaron a
desarrollar y aplicar nuevas propuestas para la modelación de series de tiempo, las cuales
lograron probar su eficacia, ya que son capaces de tratar con cualquier patrón de datos y producir
pronósticos precisos en base a la descripción de patrones históricos en los datos (Aguirre, 1994).
Específicamente los modelos desarrollados en las últimas décadas son los llamados
autorregresivos (AR), de medias móviles (MA), integrados (I), así como las posibles
combinaciones entre estos (ARMA y ARIMA), sin embargo, es posible realizar un modelamiento
considerando el componente estacional, los cuales son conocidos como modelos SAR y SMA
(SARIMA).

61 - 80 65
 Miguel A. Caminada Bonett1 / Macías P. Mamani Vargas

Esta metodología contiene procesos autorregresivos que según Gujarati (2010) un

modelo autorregresivo es un modelo econométrico que incluye uno o más valores rezagados de la
variable dependiente entre sus variables explicativas. Si en un modelo la variable dependiente
depende de un valor rezagado se conoce como esquema autorregresivo de primer orden de
Markov, o simplemente esquema autorregresivo de primer orden, y suele denotarse como AR(1).
Si la dependencia fuera en dos valores rezagados, se conoce como AR(2) y así sucesivamente. En
todo caso un modelo general autorregresivo se expresa de la siguiente manera:

Y,= +β0X+β1Xt-1+β2Xt-2+...+βkXt-k +µt

Las razones por las que los modelos econométricos incorporan rezagos son los
psicológicos, tecnológicos e institucionales (Gujarati, 2010).

Indica que las razones psicológicas son aquellos aspectos donde las personas y otros
agentes económicos no cambian sus conductas de forma inmediata y dependerá mucho si las
variaciones de las variables sean transitorias o permanentes. Por ejemplo, las personas no
cambian sus hábitos de consumo de inmediato tras una reducción de precios o de un incremento
en el ingreso. Así quienes de pronto se convierten en millonarios al ganar la lotería quizá no
cambien el estilo de vida al cual estaban acostumbrados durante largo tiempo por no saber cómo
reaccionar a una ganancia repentina como ésa. Por supuesto, después de un tiempo razonable,
aprenden a vivir con su recién adquirida fortuna. Asimismo, la gente puede no saber si un cambio
es “permanente” o “transitorio”. Así, su reacción a un incremento en su ingreso depende de que el
incremento sea permanente o no.

En cambio, por razones tecnológicas indica que, en algunas ocasiones puede disminuir el
precio del capital y las empresas sustituir capital por mano de obra, en cambio dicha variación
tomará un tiempo oportuno y dependerá si los cambios serán permanentes o transitorios, puesto
que puede darse el caso que posterior a un par de meses el precio del capital se incremente en
mayor proporción a comparación del nivel inicial. Desde luego, la adición de capital toma tiempo
(periodo de gestación). Además, si se espera que la caída de precios sea temporal, las empresas
pueden no apurarse a sustituir mano de obra por capital, en especial si esperan que luego de la
caída temporal el precio del capital tal vez aumente más allá de su nivel anterior. Algunas veces, el
conocimiento imperfecto también explica los rezagos (Gujarati, 2010).

Finalmente, las razones institucionales se presenta por condiciones internas de

financiamiento y predisposición de capital en las empresas así como las características de

66 61 - 80
 Modelación econométrica del producto bruto interno utilizando la metodología Box Jenkins...

empleabilidad de los empleados.

Ahora, un modelo de los denominados de medias móviles es aquel que explica el valor de
una determinada variable en un período t en función de un término independiente y una sucesión
de términos de error, de innovaciones correspondientes a períodos precedentes,
convenientemente ponderados. Estos modelos se denotan normalmente con las siglas MA,
seguidos, como en el caso de los modelos autorregresivos, del orden entre paréntesis.

Un modelo de medias móviles (MA) también describe una serie temporal estacionaria.
En este modelo el valor actual puede predecirse a partir de la componente aleatoria de este
momento y, en menor medida, de los impulsos aleatorios anteriores (Pérez, 2006).

Un modelo MA(1) puede ser expresado como ARIMA(0,0,1) que es representado como
el siguiente modelo:

Así, un modelo con q términos generales MA(q) respondería a la siguiente expresión.

Así mismo, la función de autocorrelación parcial para un proceso de medias móviles está
expresada de la siguiente manera:

h1 para k = 1
h2 h12
para k = 2
1 h12
hkk =
h13 h1h2 ( 2 h2 ) + h3(1 h12 )
para k = 3
1 h22 2 h12( h2 )

Al igual que un modelo ARMA, los ARIMA son la combinación de los modelos
autorregresivo y el de medias móviles, con la particularidad de incluir un proceso de
restablecimiento (el cual se denomina integración) de inestabilidad original presente en una serie
de tiempo. La forma general de un modelo ARIMA es semejante al de un modelo ARMA, y está
representado de la siguiente manera:

Y´t = ᵠ Y´ + ᵠ Y´ +...+ ᵠ Y´ +a -θ a -θ a
1 t-2 3 t-3 p t-p t 1 t-1 2 t-2 -...-

61 - 80 67
 Miguel A. Caminada Bonett1 / Macías P. Mamani Vargas

El modelo ARIMA consiste en la determinación de los órdenes p y q, de la estructura

ARMA de la transformada Zt de una serie temporal yt eventualmente integrada o filtrada de
tendencia.

La observación de la estructuras ARMA(p,q) supone la presencia de componentes

regulares en las series, una vez filtrada la presencia de tendencias deterministas y aleatorias. No
todas las series presentan este tipo de componentes regulares o, dicho de otro modo, no todas las
series son susceptibles de ser analizadas mediante un esquema ARMA: para muchas series
corregidas de estacionariedad será habitual no encontrar posteriormente ninguna estructura
ARMA. A este respecto, conviene recordar que los modelos ARMA implican estructuras de
comportamiento muy sencillas que no siempre se ajustan a la compleja evolución de las series
reales; por supuesto, esto no significa que el Análisis de Series temporales no ofrezca otras
alternativas para su modelización.

Aunque las técnicas de identificación pueden aplicarse a cualquier transformada Zt de la

serie original Yt debe tenerse en cuenta que el resultado del proceso de identificación no es
independiente de las decisiones adoptadas en el proceso de análisis de estacionariedad previo.
Todas las decisiones adoptadas en este proceso previo (aplicación de filtros de tendencia,
elección de un filtro frente a otro, orden de la integración – diferenciación) implican obtener
diferentes versiones, transformadas distintas Zt de la serie original y, por tanto, alteran las
características del proceso a observar mediante la identificación. Aplicar una diferencia cuando
no existía una raíz unitaria (sobrediferenciar), no aplicar una diferencia necesaria
(infradiferenciar), elegir un filtro de tendencia incorrecto, etc. implicarán posteriores errores en el
proceso de identificación.

En este proceso de identificación de estacionariedad es necesario utilizar diversos

estadísticos que muestran los requerimientos de la metodología de series de tiempo, una de ellas
es el uso del correlograma, es una prueba sencilla de estacionariedad que se basa en la
denominada función de autocorrelación (FAC). La FAC en el rezago k, denotada por ρk, se define
como:
Ɣk Covarianza en el rezago k
k = =
Ɣ0 Varianza

Como la covarianza y la varianza se miden en las mismas unidades, k es un número sin

unidad de medida, o puro. Se encuentra entre −1 y +1, igual que cualquier coeficiente de

68 61 - 80
 Modelación econométrica del producto bruto interno utilizando la metodología Box Jenkins...

correlación. Si graficamos kr respecto de k, la gráfica obtenida se conoce como correlograma

poblacional. Algunos casos de Funciones de Autocrrelación y Autocorrelación Parcial se
presentan en la figura 2.

k kk k kk

0 0
0 0

a) b)

k kk

0 0

c)

Figura 2. Casos de FAC y FACP a) AR(2) b) MA(2) y c) ARMA(1,1).

La metodología Box Jenkins tiene como objetivo realizar un modelamiento ARIMA

(p,d,q) para una serie de tiempo, cuyo procedimiento conjunto considera cuatro etapas. La
primera consiste en la identificación que consiste en encontrar los valores apropiados de p, d y q
para un modelo ARIMA.

La siguiente etapa se denomina estimación, que consiste en estimar los parámetros de los
términos autorregresivos y de media móvil incluidos en el modelo, para luego en una tercera
etapa realizar la verificación de diagnóstico que consiste en analizar si el modelo seleccionado se
ajusta a los datos en forma razonablemente buena, ya que es posible que exista otro modelo
ARIMA que también lo haga.

Finalmente se tiene la etapa de predicción de la serie, que consiste en obtener valores de la

serie en función al modelo ARIMA identificado para tiempos dentro y fuera de la muestra.

61 - 80 69
 Miguel A. Caminada Bonett1 / Macías P. Mamani Vargas

Resultados y discusión

Identificación

Esta etapa consiste en determinar si la serie de tiempo presenta estacionariedad o no, ya

sea en media o en varianza; al observar la evolución de la serie en el tiempo (ver figura 3) aunque
no es un método formal, se observa que la serie en niveles no presenta estacionariedad en media,
tampoco en varianza, puesto que se aprecia una tendencia marcada en toda la muestra, al mismo
tiempo no posee una varianza constante.

Figura 3. Evolución de la serie PBI real (1992 - 2015).

Tabla 1
Estimación MCO del PBI en función al tiempo

Nota: R-cuadrado: 0.9290

Al observar la relación de la serie PBI con el tiempo, se observa claramente que existe una
relación entre ambas series, esto es indicativo de una serie que no posee estacionariedad en
media, además para corroborar esta afirmación se observa que la probabilidad estimada de la

70 61 - 80
 Modelación econométrica del producto bruto interno utilizando la metodología Box Jenkins...

variable tiempo es muy bajo (0.0000) y un r-cuadrado elevado, estos resultados se pueden
observar en la figura 4 y tabla 1.

Figura 4. Relación del PBI con respecto al tiempo.

En cambio al someter a la serie original a diversas transformaciones, primero en

logaritmos y luego en diferencias, y al realizar los test formales sobre estacionariedad, cuyo test
de Dickey Fuller Aumentado (DFA) donde hipótesis nula es que la serie posee raíz unitaria, luego
el test de Phillips Perron (PP) donde la hipótesis nula es que la serie posee raíz unitaria,
finalmente, el test de KPSS donde la hipótesis nula indica que la serie en evaluación es
estacionaria, los resultados obtenidos se muestran en la tabla 2.

Figura 5. Evolución del logaritmo de PBI en niveles y en primeras diferencias (1992 - 2015).

61 - 80 71
 Miguel A. Caminada Bonett1 / Macías P. Mamani Vargas

Tabla 2
Resultados de las pruebas de estacionariedad

Nota: los valores críticos para cada uno de los test son los que se muestran a continuación:
Dickey Fuller Aumentado (valor crítico Mackinnon c: 1%=-3.50 5%=-2.89 cyt: 1%=-4.06 5%=-
3.46).
Phillips Perron (valor crítico Mackinnon c: 1%=-3.50 5%=-2.89 cyt: 1%=-4.05 5%=-3.45).
Kwiatkowski-Phillips-Schmidt-Shin (valor crítico KPSS c: 1%=0.739 5%=0.463 cyt:
1%=0.216 5%=0.146).
Para todos los test, la serie en niveles resultó ser no estacionaria, en cambio para la serie
transformada en logaritmo y primera diferencia resulta ser estacionaria para un nivel de
significancia del 5% e inclusive para un 1%. Entonces la serie a modelar será la diferenciada
(DLPBIR).

Estimación

Una vez definido la estacionariedad de la serie, según la metodología de series de tiempo,

se debe identificar el modelo que explica el comportamiento de la serie, en este caso la serie puede
ser explicada por los valores de periodos rezagados, para esto se realiza un análisis del
correlograma, en este caso para 36 rezagos, que se muestra en la figura 6.

En este punto, se identifica un modelo en función a los rezagos observados, ya sea para la
parte autorregresiva o de media móvil, en cambio en esta ocasión se observa claramente que el
modelo posee un proceso autorregresivo de orden 4 AR(4), así como una media móvil 4 MA(4),
esto es acompañado por las características de frecuencia de las series (trimestrales), en cambio se
analiza la significancia de procesos AR(1) y AR(3), los cuales resultaron ser no significativas.

Al comparar diversos modelos en función al correlograma o periodograma, el modelo

seleccionado como idóneo para explicar el comportamiento del PBI es aquel que posee un
proceso autorregresivo de orden dos y cuatro, AR(2) y AR(4) y de medias móviles de orden
cuatro MA(4), así como un SAR(4) y SAR(8), los resultados de la estimación de los modelos a
probar a través de mínimos cuadrados ordinarios se muestra en la tabla 3.

72 61 - 80
 Modelación econométrica del producto bruto interno utilizando la metodología Box Jenkins...

Autocorrelation Partial correlation AC PAC Q-Stat Prob

1 -0.686 -0.686 46.150 0.000
2 0.479 0.016 68.916 0.000
3 -0.691 -0.673 116.68 0.000
4 0.870 0.552 193.37 0.000
5 -0.647 -0.012 236.27 0.000
6 0.464 -0.157 258.55 0.000
7 -0.696 -0.246 309.22 0.000
8 0.843 0.189 384.57 0.000
9 -0.617 -0.007 425.30 0.000
10 0.488 0.049 451.11 0.000
11 -0.665 0.129 499.56 0.000
12 0.786 0.022 568.13 0.000
13 -0.586 0.010 606.73 0.000
14 0.488 0.051 633.77 0.000
15 -0.675 -0.079 686.29 0.000
16 0.726 -0.123 747.76 0.000
17 -0.554 0.033 784.06 0.000
18 0.492 0.001 812.98 0.000
19 -0.670 -0.142 867.46 0.000
20 0.697 0.009 927.20 0.000
21 -0.506 0.113 959.05 0.000
22 0.470 -0.192 986.93 0.000
23 -0.621 0.131 1036.3 0.000
24 0.636 0.030 1088.7 0.000
25 -0.465 -0.010 1117.1 0.000
26 0.442 -0.051 1143.2 0.000
27 -0.629 -0.105 1196.8 0.000
28 0.587 -0.167 1244.2 0.000
29 -0.433 -0.094 1270.4 0.000
30 0.425 -0.034 1295.9 0.000
31 -0.583 -0.084 1344.9 0.000
32 0.555 -0.032 1389.9 0.000
33 -0.379 0.095 1444.3 0.000
34 0.422 0.019 1438.1 0.000
35 -0.555 0.009 1485.4 0.000
36 0.498 0.019 1524.1 0.000

Figura 6. Correlograma de la serie en primeras diferencias (DLPBIR).

Tabla 3
Estimación MCO del primer modelo ARIMA (Variable dependiente DLPBIR)

Nota: R-cuadrado: 0.9082, R-cuadrado ajustado: 0.9035, D.W: 1.79

El modelo estimado corresponde a un SARIMA(4,1,4)(2,0,0) cuya ecuación
econométrica es la siguiente:
D(LPBIR) = - 0.23 AR(2) + 0.67 AR(4) + 0.58 SAR(4) + 0.41 SAR(8) -0.97(4)

Los coeficientes estimados en el modelo resultaron ser estadísticamente significativas a

nivel individual, cuyo coeficiente de determinación es considerablemente aceptable, esto es del
91%.

61 - 80 73
 Miguel A. Caminada Bonett1 / Macías P. Mamani Vargas

Validación

Test a los residuos. Para que el modelo estimado sea válido, es necesario realizar
diversos test, ya sean a los residuos como a los parámetros.

Uno de los contrastes a los residuos es el de autocorrelación o de ruido blanco, en el cual

debe observarse la trayectoria que posee los rezagos (en este caso 36). Al observar los resultados
del correlograma de los residuos del modelo estimado (ver figura 7), es posible afirmar que no
existe indicios suficientes que rechacen la hipótesis nula de no correlación de ningún orden.

Autocorrelation Partial correlation AC PAC Q-Stat Prob

1 0.098 -0.098 0.8347
2 -0.090 -0.100 1.5325
3 -0.042 -0.023 1.6884
4 0.007 0.005 1.6932
5 -0.107 -0.117 2.7380
6 -0.086 -0.065 3.4213 0.064
7 0.029 0.025 3.4993 0.174
8 0.062 0.035 3.8597 .0277
9 -0.056 -0.067 4.1543 0.386
10 0.181 0.203 7.3186 0.198
11 0.238 0.189 12.848 0.046
12 0.102 0.101 13.879 0.053
13 -0.134 -0.088 15.699 0.047
14 0.047 0.106 15.921 0.069
15 -0.043 -0.053 16.111 0.097
16 -0.189 0.140 19.874 0.047
17 0.025 0.106 19.940 0.068
18 0.047 -0.043 20.183 0.091
19 0.035 0.016 20.314 0.121
20 -0.073 0.081 20.946 0.140
21 0.075 -0.009 21.555 0.158
22 0.078 0.030 22.252 0.175
23 0.040 0.095 22.440 0.213
24 -0.011 -0.015 22.454 0.262
25 0.065 -0.075 22.963 0.291
26 -0.201 -0.175 27.982 0.141
27 -0.073 -0.052 28.653 0.155
28 -0.193 0.287 33.452 0.074
29 -0.026 -0.071 33.542 0.093
30 -0.020 -0.050 33.597 0.117
31 -0.007 -0.162 33.603 0.145
32 -0.042 -0.150 33.843 0.171
33 0.036 0.023 34.029 0.200
34 0.113 0.075 35.865 0.178
35 0.041 -0.043 36.102 0.205
36 -0.005 0.005 38.396 0.169

Figura 7. Correlograma de los residuos del modelo.

Uno de las pruebas que apoya la afirmación anterior es la prueba de Ljung Box, cuyo
proceso sigue una distribución ji-cuadrada, el estadístico de tablas para un nivel de significancia
del 5% y 36 grados de libertad resulta 50.99, al realizar el contraste con los valores calculados (ver
figura 7), ningún rezago posee un valor superior al crítico, entonces no existen evidencias
suficientes para rechazar la hipótesis nula de no autocorrelación.

Además se realiza la prueba de raíz unitaria a los residuos, cuyos resultados se muestran
en la tabla 4.

74 61 - 80
 Modelación econométrica del producto bruto interno utilizando la metodología Box Jenkins...

Tabla 4
Prueba de raíz unitaria (estacionariedad) de los residuos

Nota: Valores críticos utilizados para el test.

Dickey Fuller Aumentado (valor crítico Mackinnon c: 1%=-3.51 5%=-2.89 cyt: 1%=-4.07 5%=-
3.46).
Phillips Perron (valor crítico Mackinnon c: 1%=-3.51 5%=-2.89 cyt: 1%=-4.07 5%=-3.46).
Kwiatkowski-Phillips-Schmidt-Shin (crítico KPSS c: 1%=0.73 5%=0.46 cyt: 1%=0.21
5%=0.14).

Para todos los test en prueba, no existen suficientes evidencias para negar la hipótesis de
estacionariedad, por lo tanto los residuos son estacionarios y siguen un proceso de ruido blanco.

Otro de los test necesarios aplicados a los residuos, es el test de normalidad, para este fin
se utiliza el contraste de Jarque Bera donde la hipótesis nula indica que los residuos siguen o se
aproximan a una distribución normal, los resultados se muestran en la figura 8.

Figura 8. Test de normalidad para los residuos.

Para realizar el contraste se utiliza la distribución ji cuadrado, en este caso para un nivel de
significancia del 5% y cinco grados de libertad, cuyo resultado en tablas es 11.07, comparando
con el estimado (0.30) indica que no existen evidencias suficientes para rechazar la hipótesis
nula, entonces los residuos tienen o se aproximan a una distribución normal.

61 - 80 75
 Miguel A. Caminada Bonett1 / Macías P. Mamani Vargas

Prueba de Estabilidad Estructural. Para probar la estabilidad de los parámetros se

utilizará el test de Chow, que es un test estadístico y econométrico que prueba si los coeficientes
en dos regresiones lineales (dos muestras) son iguales, este test es normalmente usado en el
análisis de series de tiempo para probar la presencia de un cambio estructural. La hipótesis nula
que plantea es la no existencia de cambio estructural en el punto especificado, en este caso se
probará para el primer trimestre del año 2010.

El estadístico de contraste es la F de Fischer, para un nivel de significancia del 5% con 7 y

73 grados de libertad, se tiene un valor de tablas de 2.34, al comparar con los resultados estimados
resulta que no existen evidencias suficientes para rechazar la hipótesis nula, por lo tanto se afirma
que existe estabilidad estructural en el modelo (ver Tabla 5).

Tabla 5
Test de quiebre estructural – CHOW

Pronóstico

Dentro de la metodología ARIMA, finalmente se tiene la etapa de pronóstico, para

evaluar si el modelo estimado es posible de utilizarse con fines de proyección ya sea dentro del
periodo muestral y fuera de ella. En la figura 9 se muestra el comportamiento de la serie observada
y estimada, el mismo que tiene ajuste considerable.

Figura 9. Comportamiento de la serie observada y estimada.

76 61 - 80
 Modelación econométrica del producto bruto interno utilizando la metodología Box Jenkins...

Con las evidencias de haber logrado un adecuado modelo econométrico que representa el
comportamiento del PBI, en esta ocasión se realiza la proyección de la serie para dos últimos
trimestres del año 2015 y cuatro trimestres del año 2016 (fuera del espacio muestral), cuyos
resultados de proyección se muestran en la figura 10.

Figura 10. Resultados de pronóstico 2015.3 – 2016.4.

La media del error absoluto resultó ser 0.2% aproximadamente, el cual es un resultado
muy favorable para el modelo estimado, este error se encuentra dentro del rango estipulado para
este tipo de modelos de series de tiempo, entonces se puede afirmar que el modelo puede ser
utilizado para fines de pronóstico.

Figura 11. Evolución de la serie observada y proyectada fuera del espacio muestral.

Al realizar el pronóstico para el periodo que inicia en el primer trimestre del 2016 hasta el
cuarto trimestre del 2016, los resultados se muestran en la tabla 6, figura 11 y 12.

61 - 80 77
 Miguel A. Caminada Bonett1 / Macías P. Mamani Vargas

Tabla 6
Resultados de proyección 2016.1 - 2016.4

Nota. El valor observado corresponde a los reportes del BCRP (en mill. S/. de 2007)

Al realizar la comparación entre los valores observados y los valores proyectados por el
modelo SARIMA(4,1,4)(2,0,0) tan sólo se observa pequeñas diferencias entre ambos (ver tabla
7), mostrando una disminución considerable en el último trimestre del 2016, esto debido a
problemas de demanda interna y las variaciones del mercado internacional.

Tabla 7
Desviación del valor observado con referente al valor proyectado 2015.1 - 2015.2

Figura 12. Evolución de la serie PBI observada y proyectada.

78 61 - 80
 Modelación econométrica del producto bruto interno utilizando la metodología Box Jenkins...

Conclusiones

Al someter la serie PBI a los test de estacionariedad o raíces unitarias, la serie en niveles
resultó ser no estacionaria, para lo cual fue necesario realizar transformaciones para solucionar el
problema; al transformar la serie en logaritmos se solucionó en parte el problema de falta de
estacionariedad en varianza, posterior a ello se aplicó las primeras diferencias logrando
finalmente estacionariedad en media, cuya serie a modelar finalmente fue DLPBI, por lo tanto, la
serie es integrada de orden uno I(I).

En la etapa de identificación se tenía identificado los procesos autoregresivos AR(1),

AR(3) y AR(4) y de medias móviles MA(4), así como los SAR(4) y SAR(8), al realizar
estimaciones MCO para dos modelos, el modelo que resultó ser estadísticamente significativo a
nivel individual es aquel que tiene un proceso AR(2), AR(4), SAR(4), SAR(8) y MA(4), por lo
tanto, el mejor modelo que explica el comportamiento del PBI para el Perú en el presente trabajo
es el modelo SARIMA(4,1,4)(2,0,0) para datos con frecuencia trimestral.

Al realizar la evaluación del modelo SARIMA(4,1,4)(2,0,0) no se encontraron problemas

de autocorrelación en los residuos, por el contrario, los residuos resultaron ser estacionarios, es
decir I(0), a su vez el modelo presenta normalidad en los residuos, por lo que el modelo puede ser
utilizado para fines de pronóstico y toma de decisiones de política económica.

Realizando el pronóstico para la muestra 2015.3 – 2016.4, el error medio absoluto resultó
ser 0.2% el cual es muy aceptable para este tipo de trabajos. Al mismo tiempo se realizó la
proyección del PBI para el espacio muestral 2016.1 – 2016.4, al contrastar con los reportes
emitidos por el BRCP, se observó que el margen de error entre los datos proyectados y los
observados son inferiores al 1% para los cuatro trimestres.

Referencias

Abel, A., & Bernanke, B. S. (2004). Macroeconomía (Cuarta ed.). Madrid: Pearson Educación

Alonso, M., Bagus, P., & Rallo, J. (2011). Teorías del ciclo económico: Principales
contribuciones y análisis a la luz de las aportaciones de la escuela austriaca de economía.
Tendencias y Nuevos desarrollos de la teoría económica, 71-86.

Burns, A., & Mitchell, W. (1946). Measuring Business Cycles. National Bureau of Economic
Research.

61 - 80 79
 Miguel A. Caminada Bonett1 / Macías P. Mamani Vargas

Frish, R. (1933). Propagation Problems and Impulse Problems in Dynamic Economics. Allen and
Unwin, 171-205

Gujarati, D. (2010). Econometría (Quinta ed.). México: Mc Graw Hill.

Kydland, F., & Prescott, E. (1982). Time to Build and Aggregate Fluctuations. Econometrica,
1345-1370.

Long, J., & Plosser, C. (1983). Real Business Cycles. Journal of Political Economy, 39-69.

Mankiw, G. (2014). Macroeconomía (Octavo ed.). Madrid: Worth Publishers.

Muth, J. (1961). Rational Expectations and the Theory of Price Movements. Econometrica, 315-
335

Parkin, M. (2007). Macreconomía: versión para latinoamérica (Séptima ed.). México: Pearson
educación.

Pérez, C. (2006). Econometría de las series temporales. Madrid: Pearson educación.

Sargent, T., & Wallace, N. (1975). Rational Expectations, the Optimal Monetary Instrument and
the Optimal Money Supply Rule. Journal of Political Economy, 241-254.

Slutzky, E. (1937). The Summation of Random Causes as the Source of Cyclical Processes.
Econometrica, 105-146.

Información de contacto:
Miguel A. Caminada Bonett
macbonett@gmail.com

Fecha de recepción: 24 de noviembre 2016

Fecha de aceptación: 10 de enero 2017

80 61 - 80