CRECIMIENTO DE LA ECONOMÍA PIURA CON EL MODELO SOLOW

SWAN

YT = AK ∝ L1−∝ es el llamado modelo económico y aplicando logarítmico:

ln(𝑌𝑡) = αK + (1 − α)L es el llamado modelo matemático
lnYT = 𝛽0 + 𝛽1 ln⁡(K) + 𝛽2 𝑙𝑛⁡(𝐿) +  es el modelo econométrico

Los datos con que se trabajo son descargados de la fuente de del INEI
PBI PEA FBK
1990 2607004 205753 34280
1991 2230566 227919 268698
1992 4448783 211038 307452
1993 4574952 227198 32722
1994 4732866 253875 33234
1995 5118678 275141 40335
1996 5409216 223464 39189
1997 5938875 284763 45167
1998 6523105 329816 44635
1999 6972970 331593 39700
2000 7134276 343842 37654
2001 7533918 362612 34602
2002 8099733 331203 34772
2003 10832088 454879 36725
2004 11352718 454978 39430
2005 12336720 454198 43816
2006 12348596 458369 52084
2007 12557245 469854 63892
2008 13580502 478282 81666
2009 13998851 421986 78886
2010 15106528 508518 96141
2011 16366999 601941 105687
2012 17066135 650236 121423
2013 17746782 676864 127954
2014 18766118 753563 125381
2015 18818529 823523 116408
2016 18884847 872411 111231

Creamos una área de trabajo en eviews y este el proceso:

El siguiente paso es importar los datos del Excel al software.

Proceso de importación y darle clic en siguiente:

Proceso de iportacion 02 y darke clic en suiguiente:

Proceso de importación N° 03 y darle clic en siguiente::
Proceso de importación N° 03 y darle clic en Finish:

Luego se hace el Proceso de conversión de datos a logarítmicos Proceso N° 01para la

variable capital:

Proceso de conversión de los datos a logarítmicos Proceso N° 02 01para la variable

capital se hace un clic el el ítem “proc” y pestaña “generate by equation”:

Proceso de conversión de datos reales a logarítmicos Proceso N° 03 :

Luego se hace el Proceso de conversión de datos a logarítmicos Proceso N° 01para la
variable PBI:

Proceso de conversión de los datos a logarítmicos Proceso N° 02 para la variable PBI se

hace un clic el el ítem “proc” y pestaña “generate by equation”:
Proceso de conversión de datos reales a logarítmicos Proceso N° 03 para la variable PBI:

Luego se hace el Proceso de conversión de datos a logarítmicos Proceso N° 01para la

variable población económica activa :

Proceso de conversión de los datos a logarítmicos Proceso N° 02 para la variable

población económica activa se hace un clic el el ítem “proc” y pestaña “generate by
equation”:
Proceso de conversión de datos reales a logarítmicos Proceso N° 03 para la variable
población económica activa:

Se tiene la función de producción y para poder lineal izarlo se aplica logaritmo natural a
los datos.

El modelo ya introducido en el programa eview

lnPIB = 𝛽0 + 𝛽1 FBK + 𝛽2 𝑃𝐸𝐴 + 

El modelo ya introducido en el programa eview, el comando para el método minimos
cuadrados ordinarios es:
ls lpbi c lfbk lpea
Dependent Variable: LPBI
Method: Least Squares
Date: 12/15/17 Time: 11:40
Sample: 1990 2016
Included observations: 27

Variable Coefficient Std. Error t-Statistic Prob. Estos valores

C 0.823248 1.239977 -0.663922 0.0012 son menores
LFBK 0.095290 0.065261 -1.460122 0.0000
LPEA 0.887101 0.098613 14.06605 0.0000

R-squared 0.946966 Mean dependent var 15.99956

Adjusted R-squared 0.918380 S.D. dependent var 0.612449
S.E. of regression 0.204617 Akaike info criterion 0.230919
Sum squared resid 1.004831 Schwarz criterion 0.086937
Log likelihood 6.117400 Hannan-Quinn criter. 0.188105
F-statistic 104.4665 Durbin-Watson stat 1.144164
Prob(F-statistic) 0.000000

Luego de planteado el modelo se obtuvo el siguiente resultado al aplicarle la corrida,

usando el software Eviews. Los resultados para el modelo demuestran que la elasticidad
producción-capital para este período analizado es de 0.09; que viene dada por el
coeficiente que acompaña al logaritmo del stock de Capital; y la elasticidad producción-
empleo es de 0.88 .

Para demostrar que el primero es el mejor modelo nos fijamos por cada modelo o
variable por separado los modelos corridos son:

El comando para el método mínimos cuadrados ordinarios es:

ls lpbi c lfbk

Dependent Variable: LPBI

Method: Least Squares
Date: 12/15/17 Time: 12:41
Sample: 1990 2016 Estos valores
Included observations: 27 son mayores
Variable Coefficient Std. Error t-Statistic Prob.
que el primer
modelo
C 13.72770 2.036627 6.740412 0.0000
LFBK 0.205253 0.183696 1.117354 0.2745

R-squared 0.047564 Mean dependent var 15.99956

Adjusted R-squared 0.009466 S.D. dependent var 0.612449
S.E. of regression 0.609543 Akaike info criterion 1.918972
Sum squared resid 9.288564 Schwarz criterion 2.014960
Log likelihood -23.90613 Hannan-Quinn criter. 1.947515
F-statistic 1.248479 Durbin-Watson stat 0.123598
Prob(F-statistic) 0.274467
Ddddddd
Este modelo tiene una al varianza por lo tanto no se le toma también si nos fijamos la
probabilidad 0.27es mayor que 0.05 pr lo tanto la variable no es significativa.
Este modelo introducido es soloo tomando como variable dependiente al trabajo y el
comando para el método mínimos cuadrados ordinarios es:
ls lpbi c lpea
7
4
Dependent
Dependent Variable:
Variable: LPBI
LPBI
Method:
Method: Least
Least Squares
Squares
Date:
Date: 12/15/17
12/15/17 Time:
Time: 12:43
12:43 Estos valores
Sample:
Sample: 1990
1990 2016
2016
Included
son mayores
Included observations:
observations: 27
27
que el primer
Variable
Variable Coefficient
Coefficient Std.
Std. Error
Error t-Statistic
t-Statistic Prob.
Prob. modelo
C
C -1.270388
-1.270388 1.228468
1.228468 -1.034123
-1.034123 0.3110
0.3110
LPEA
LPEA 1.339960
1.339960 0.095265
0.095265 14.06567
14.06567 0.4502
0.0000

R-squared
R-squared 0.887813
0.887813 Mean
Mean dependent
dependent var var 15.99956
15.99956
Adjusted
Adjusted R-squared
R-squared 0.883326
0.883326 S.D.
S.D. dependent
dependent var var 0.612449
0.612449
S.E.
S.E. of
of regression
regression 0.209198
0.209198 Akaike
Akaike info
info criterion
criterion 1.219887
-0.219887
Sum
Sum squared
squared resid
resid 1.094091
1.094091 Schwarz
Schwarz criterion
criterion 4.123900
-0.123900
Log
Log likelihood
likelihood 4.968481
4.968481 Hannan-Quinn
Hannan-Quinn criter.
criter. 1.191345
-0.191345
F-statistic
F-statistic 197.8431
197.8431 Durbin-Watson
Durbin-Watson statstat 1.009655
1.009655
Prob(F-statistic)
Prob(F-statistic) 0.741230
0.000000

Este modelo tiene una al varianza por lo tanto no se le toma también si nos fijamos la
probabilidad 0.27es mayor que 0.05 pr lo tanto la variable no es significativa.

Luego del análisis de los tres modelos se demostró que el primer modelo corrido es
modelo que tiene una varianza menor por lo tanto se toma como el modelo de predicción
también si nos fijamos la probabilidad de la pendiente es 0.00012 de parámetro capital su
probabilidad es de 0.0000 y por ultimo de parámetro trabajo su probabilidad es de 0.0000
estos valores son menores que 0.05 por lo tanto la variable las variables son significativas
en el modelo.
Ahora para ver las variables independientes son significativos globalmente nos fijamos
Prob(F-statistic) en el primer modelo este valor 0.0000 este es menor que 0.05 entonces
en este modelo las variables son significativas globalmente, mientras que el segundo y
tercer modelo estos valores de Prob(F-statistic) 0.274467y 0.74123 y estos valores son
mayores que 0.05 por lo tanto la variables no son significativas globalmente . Una vez
más se demostró que el primer modelo es el modelo de predicción.
Para continuar analizando el modelo no fijamos en el 𝑅2 de los modelos corridos que es
un indicador de la bondad del ajuste del modelo el primer modelo este valor es 0.946966
2
y este 𝑅 Elevado, nos explica la variabilidad de la variable endógena lo que significa que
tiene un grado de relación entre la producción y las variables explicativas que capital y
trabajo en un 94.6 9 % . R2 ajustado: Se obtiene a partir 𝑅2 , y se pondera por los grados
de libertad. 0.918380 𝑅2 Ajustado elevado. Permite comparar la capacidad explicativa de
modelos para una misma variable dependiente con diferente número de variables
explicativas, por lo tanto el 𝑅2 Ajustado nos muestra también un grado de relación
entre las variables explicada y exógenas una relación de 91.83%. Y en conclusión según
los datos de la bondad de ajuste el capital y el trabajo explican a la producción en un
91.83 % por lo tanto el primer modelo es eun modelo de regresión linealmente
insesgados.
Prueba de significancia

Con el test de Jarque-Bera, se buscó demostrar la normalidad de  es uno ques

supuestos básicos del modelo clásico de regresión. A partir de él, hemos visto que tanto
Y como el vector de coeficientes de regresión estimados o el de residuos , siguen
también distribuciones de probabilidad normales. Sobre esta premisa se basa todo el
análisis inferencial del modelo.
Así pues, resulta esencial comprobar que  se comporta efectivamente siguiendo una
distribución normal de probabilidad, pues de ello dependerá la validez de todas las
conclusiones que podamos extraer sobre los aspectos inferenciales del modelo.

Para llevar a cabo el estudio de la normalidad de u, se utiliza un contraste estadístico: el

contraste de Jarque-Bera Podemos utilizar este test para ver comprobar el supuesto de
normalidad en los errores del modelo determinando o fijándonos en el Pvalor es menor
que 0.05 por lotanto tiene una distribución normal y del jaque bera el valor de 10.88142
y se demostró que el modelo sigue una distribución normal porque la regla nos menciona
que este dos valor debe ser mayor que 0.5. Aparte de las pruebas estadísticas solo basta
observar el grafico del histograma para comprobar visualmente el comportamiento ver
que realmente se parece mucho a una distribución normal.

AUTOCORRELACION DE PRIMER ORDEN

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 4.001259 Prob. F(1,23) 0.0574

Obs*R-squared 4.001072 Prob. Chi-Square(1) 0.0455

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 12/12/17 Time: 18:10
Sample: 1990 2016
Included observations: 27
Presample missing value lagged residuals set to zero.

Variable Coefficient Std. Error t-Statistic Prob.

C 0.239389 1.175144 0.203711 0.8404

LFBK 0.067795 0.070245 0.965126 0.3445
LPEA -0.077188 0.100661 -0.766811 0.4510
RESID(-1) 0.470641 0.235283 2.000315 0.0574

R-squared 0.148188 Mean dependent var 3.83E-15

Adjusted R-squared 0.037082 S.D. dependent var 0.196589
S.E. of regression 0.192910 Akaike info criterion -0.317234
Sum squared resid 0.855927 Schwarz criterion -0.125258
Log likelihood 8.282655 Hannan-Quinn criter. -0.260149
F-statistic 1.333753 Durbin-Watson stat 1.713369
Prob(F-statistic) 0.287789

DW (Durbin Watson): esta prueba permite detectar autocorrelación de primer orden

cuando la variable dependiente rezagada no se encuentra dentro de los regresoras del
modelo, es una estadística de prueba que se utiliza para detectar la presencia de auto
correlacionen los residuos (errores de predicción) de un análisis de la regresión y el
modelo pronosticado no muestra que el valor de Durbin-Watson es de 1.44, este valor
se acerca al valor de 2 por lo tanto no existe autocorrelacion entre las variables.
Al incluir la variable dependiente rezagada un periodo entre las variables explicativas
tiene el signo esperado y ya son significativas al 5% porque la probabilidad de las variables
rezagadas es mayor que 0.005 por lo tanto no existe autocorrelacion de primer orden y
una vez más el mejor modelo es estimador.
 AUTOCORRELACION DE PRIMER ORDEN

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 2.184608 Prob. F(2,22) 0.1363

Obs*R-squared 4.473733 Prob. Chi-Square(2) 0.1068

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 12/12/17 Time: 18:11
Sample: 1990 2016
Included observations: 27
Presample missing value lagged residuals set to zero.

Variable Coefficient Std. Error t-Statistic Prob.

C -0.037700 1.257135 -0.029989 0.9763

LFBK 0.068166 0.071084 0.958952 0.3480
LPEA -0.055810 0.106610 -0.523496 0.6059
RESID(-1) 0.503587 0.242974 2.072594 0.0501
RESID(-2) -0.157140 0.231284 -0.679425 0.5040

R-squared 0.165694 Mean dependent var 3.83E-15

Adjusted R-squared 0.014002 S.D. dependent var 0.196589
S.E. of regression 0.195208 Akaike info criterion -0.263925
Sum squared resid 0.838336 Schwarz criterion -0.023955
Log likelihood 8.562990 Hannan-Quinn criter. -0.192570
F-statistic 1.092304 Durbin-Watson stat 1.747629
Prob(F-statistic) 0.384799

Al incluir la variable dependiente rezagada a dos periodos entre las variables explicativas
tiene el signo esperado y ya son significativas al 5% porque la probabilidad de las variables
rezagadas es mayor que 0.005. En este caso cuando nos percatamos de algo importante
que es tomar en cuenta el R2 y la relación entre las variables es 16.56con este valor se
pierden grados de libertad. En conclusión el test nos indica todas las variables rezagadas
no son significativas con un 5% de confianza por lo tanto no existe autocorrelacion de
segundo orden.

PRUEBA HETEROCESDACIDAD
Se plantea la hipótesis a evaluar:
𝐻0 : 𝛽𝑖 =0 es homocedastico)
𝐻1 : 𝛽𝑖 ≠0 (no es homocedastico)
Test de White

Una vez corrida la regresión es posible realizar este test. Para ello debe presionarse
view / Residual tests / white heteroskedasticity (ya sea no cross terms o cross
terms según se considere conveniente o no que el test se realice con términos cruzados
o no).

Los resultados obtenidos en el ejemplo son los siguientes:

Heteroskedasticity Test: White

F-statistic 6.128524 Prob. F(5,21) 0.0012

Obs*R-squared 16.02070 Prob. Chi-Square(5) 0.0068
Scaled explained SS 14.79629 Prob. Chi-Square(5) 0.0113

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 12/12/17 Time: 18:13
Sample: 1990 2016
Included observations: 27

Variable Coefficient Std. Error t-Statistic Prob.

C 5.466198 8.809482 0.620490 0.0416

LFBK^2 -0.097724 0.048517 -2.014229 0.0270
LFBK*LPEA -0.132788 0.071675 -1.852637 0.0480
LFBK 3.933900 1.854592 2.121168 0.0260
LPEA^2 0.215759 0.097038 2.223454 0.0373
LPEA -4.180738 1.875678 -2.228921 0.0369

R-squared 0.593359 Mean dependent var 0.037216

Adjusted R-squared 0.496540 S.D. dependent var 0.057987
S.E. of regression 0.041144 Akaike info criterion -3.350331
Sum squared resid 0.035550 Schwarz criterion -3.062367
Log likelihood 51.22947 Hannan-Quinn criter. -3.264704
F-statistic 6.128524 Durbin-Watson stat 1.345881
Prob(F-statistic) 0.001191

Si el valor de la probabilidad asociado al estadístico reportado en la prueba (λ=NR2 ) es

menor al 5%, rechazamos Ho (Homocedasticidad) y concluimos que el modelo tiene
problemas de heteroscedasticidad. En caso contrario (si la probabilidad es superior a ese
5 %), no rechazamos Ho y concluimos que no hay heteroscedasticidad
Los estimadores MCO siguen siendo lineales, insesgados, consistentes y con distribución
normal pero ya no tienen varianza mínima. Esto es así incluso en grandes muestras.
A la luz de esta regresión, es fácil comprobar la significatividad de la variable LFBK y
LFBK^2 para explicar la varianza del error. También los es LPEA^2 y LFBK*LPEA
tales de datos son.
LFBK^2 =0.0270
LFBK*LPE = 0.0480
LFBK= 0.0260
LPEA^2 = .0373
LPEA = 0.0369
Como se ve las variables rezagadas a un año nos muestra que las probabilidades son
menores que 0.005 por lo tanto rechazamos Ho (Homocedasticidad) y acepta con un
nivel de significancia del 95% la hipótesis alteña que H1 (no es Homocedasticidad) por
lo tanto en el modelo predicho no existe heterocesdacidad. Y ssu interpretación es : que
la estimación de la matriz varianzas y covarianzas de los errores es minimo o se acerca a
cero lo que significa que los estimadores son los de la población mínimo cuadráticos.
Los coeficientes de regresión estimados siguen siendo lineales e insesgados y eficientes.
Éste sigue siendo el de la mínima varianza entre todos los estimadores lineales e
insesgados. No necesario corregir la heteroscedasticidad,

Planteamos el modelo econométrico

lnPIB = 𝛽0 + 𝛽1 FBK + 𝛽2 𝑃𝐸𝐴 + 
PIB: producto bruto interno.
FBK: Formacion bruta de capital.
PEA: población económica activa.
FORMULANDO EL MODELO
lnPIB = 𝛽0 + 𝛽1 FBK + 𝛽2 𝑃𝐸𝐴 + 
PIB= 0.823248+ 0.095290 (FBK ) + 0.887101 (PEA)
DETERMINACIÓN DE ESTADO ESTCIONARIO EREQUIPA EN :

𝑌𝑇 = 𝐴𝐾 ∝ 𝐿1−∝

𝑌𝑇 𝐾 ∝ 𝐿1−∝
= 𝐴⁡ ⁡
𝐿 𝐿 𝐿

𝐾∝
𝑦𝑇 = 𝐴 ⁡
𝐿𝛼
𝐾 𝛼
𝑦𝑇 = 𝐴 ( ) ⁡
𝐿
𝑦𝑇 = 𝐴𝑘 ∝

La ecuación fundamental de Solow swan es :

y k  sAk  1  (  n)
 k
Variación del stock del capital es constante y nula. y k  0
k
Por lo que:
𝑦𝑇 = 𝑠𝐴𝑘 ∝ − (𝛿 + 𝑛)𝑘
0 = 𝑠𝐴𝑘 ∝ − (𝛿 + 𝑛)𝑘
(𝛿 + 𝑛)𝑘 = 𝑠𝐴𝑘 ∝
𝑘 𝑠𝐴
∝
=
𝑘 𝛿+𝑛
𝑠𝐴
𝑘1−⁡∝ = ⁡
𝛿+𝑛
1
𝑠𝐴 1−∝
𝑘 =⁡( )
𝛿+𝑛
Datos:
=0.095290
𝝳=0.08
s=0.09
n= 0.28
Reemplazando los datos y hallando el capital estacionario:
1
𝑠𝐴 1−∝
𝑘 =⁡( )
𝛿+𝑛

1
0.09 1−0.095290
𝑘 =⁡( )
0.08 + 0.28
𝑘 = 96.24
 CONCLUSIONES:

El crecimiento económico de la región de Piura se dio en base al crecimiento poblacional

esto a través del constante crecimiento de la demanda agregada y la oferta laboral y estos
ajustados por un lado del mercado o generación de empleo por parte del estado.
Se recomienda una política monetaria expansiva por que los individuos prefieren ahorrar
dinero en vez de gastarlo o invertirlo la demanda agregada es muy débil, lo que puede
llegar a provocar recesiones. A través de la actuación en los mercados financieros con
medidas monetarias expansivas, se busca caminar hacia el crecimiento económico y la
creación de empleo por parte de las empresas en un país. Esto hace que el uso de políticas
monetarias expansivas sea frecuente en situaciones de crisis económicas o recesiones. A
través de diversos estímulos, por un lado, se trata de estimular la producción de bienes y
servicios y, por lo tanto, el nivel de renta de sus ciudadanos. Por otro lado, se trata de
influir en los mercados para que los bancos concedan mayor crédito a las familias y a las
empresas.
Por otra parte se recomienda aplicar políticas de ahorro e inversiones en tecnología a para
que la economía piurana tenga rendimientos constantes de escala.