Regla de Taylor

1
La regla de Taylor en Perú
MEDINA TITO, DESSIRE
ROJAS MORAN, BEREMIZ SAMIR
VIVANCO CORNELIO, JEANETTE LUCERO
2019
ÍNDICE
1. RESUMEN 3
2. PLANTEAMIENTO DEL PROBLEMA 3
3. OBJETIVOS 3
4. MARCO TEÓRICO Y CONCEPTUAL 4
5. METODOLOGÍA 7
6. RESULTADOS 9
7. CONCLUSIONES Y RECOMENDACIONES 34
8. BIBLIOGRAFÏA 34
9. ANEXOS 35
2
1. RESUMEN
Mediante un estudio estadístico y un modelo econométrico el objetivo de este trabajo es llevar a

cabo un estudio de la regla de Taylor para Perú en el periodo 2002-2016. Respecto a la
estadística, la inflación del país se ha mantenido en niveles constantes en dichos años. En
relación al estudio econométrico, los resultados del modelo nos señalan que los instrumentos de
política monetaria usados se inserta en la lógica de la regla de Taylor. Por lo tanto, después del
análisis empírico anterior, los resultados del trabajo sugieren que la política monetaria en Perú
durante el periodo referido es congruente con el marco teórico que la sustenta pero también con
el mandato constitucional que la rige.
2. PLANTEAMIENTO DEL PROBLEMA
La política monetaria es uno de los agentes más influyente cuando se trata de explicar la
evolución en el corto y largo plazo de la economía y el país. La banca central usa una amplia
variedad de instrumentos de política monetaria para influir en los precios, el PBI, etc. Así,
intermediarios de la política monetaria y las maneras de responder a permutaciones en el
contexto macroeconómico se han tornado últimamente en tema de observación y crítica analítica.
A lo largo de la experiencia, es posible reconocer algunos procederes regulares de la banca

centra al aplicar los instrumentos política monetaria que pueden ser llamados reglas y, con ello,
determinar la importancia que le da cada institución a variables como la inflación o el crecimiento
económico cuando va a realizar la toma de decisiones. Pero vale recalcar que esto no da por
sentado que la banca central use tajantemente una regla específica; más bien, pueden usarlas
como asesor para la toma de decisiones.
El estudio y utilización de ciertas reglas de política monetaria aparte de permitirnos simular la

conducta histórica de los instrumentos de política monetaria usados por el Banco Central,
también permiten comprobar la trayectoria de lo que se son llamadas políticas óptimas.
Lastimosamente, la mayoría de estudios empíricos sobre el tema se han centrado en países con
una economía próspera. Disparatadamente, es en el caso de los países en camino al desarrollo,
con una rutinaria falta de estabilidad en el comportamiento del PBI y la inflación, donde la
aplicación de reglas de política monetaria parece más tentadora. Sin embargo, el uso de reglas
de política monetaria en países en vías al desarrollo no es notorio y, por el contrario, es necesario
evaluar su validez empírica y su capacidad de simulación y predicción. Es así que este trabajo
tiene como principal meta examinar la evidencia econométrica hallada sobre la regla de Taylor
para el caso peruano.
3. OBJETIVOS
3.1. GENERALES
 Analizar la evidencia econométrica disponible sobre la Regla de Taylor para Perú.
 Reforzar los conocimientos adquiridos en el curso, mediante una aplicación práctica.
3.2. ESPECÍFICOS
 Evaluar la importancia de las brechas del producto y de la inflación en determinar la tasa
de interés de la economía peruana.
 Investigar un modelo para explicar el comportamiento de la tasa de interés.
3
4. MARCO TEÓRICO Y CONCEPTUAL
4.1. ANTECEDENTES
Como estudios previos a nuestra investigación, podemos encontrar trabajos hechos en Chile,
Colombia y México:
(Haindl, 2015), en un columna del Diario Financiero, después de una pequeña introducción de lo
que sería la regla de Taylor, nos expone los exponentes hallados de la Regla de Taylor usada
en Chile y los compara con el trabajo de 1993 de Taylor, llegando a la conclusión que las
autoridades monetarias de Chile han tendido a reaccionar con mucha fuerza a desviaciones con
respecto al nivel de actividad económica, y han sido extraordinariamente débiles ante rebotes
inflacionarios.
En (Bernal Nisperuza & Táutiva Pradere, 2008), las autoras comparan las predicciones de una
regla de Taylor desarrolladas en el ámbito de la economía colombiana utilizando datos en tiempo
real y datos revisados del PBI del periodo comprendido entre el segundo trimestre del año 2003
y el primero del 2008. Los resultados concluyen que si la ecuación de Taylor es estimada con la
información actualizada, se puede ver que la banca colombiana responde en un grado leve a la
tasa de inflación, mientras que con la información en tiempo real responde en mayor grado. Por
último, sugiere que el cálculo y recomendación de una política monetaria, podría cambiar y
mejorar si son usados datos en tiempo real.
(Pérez Laurrabaquio, 2012), en su trabajo, a partir de un análisis estadístico y un modelo

econométrico de vectores autorregresivos (VAR), lleva a cabo un estudio empírico de la regla de
Taylor en México del período 2002-2012. Respecto al análisis econométrico, los resultados del
modelo VAR sugieren que la política monetaria del país durante el período anterior se inserta en
la lógica de la regla de Taylor, al controlar el Banco de México la inflación y estabilizar el producto
a partir de la tasa de interés.
Juntos, (Galindo & Guerrero, 2003), señalan que la política monetaria utilizada por la banca
mexicana puede explicarse utilizando el modelo que nace de la regla de Taylor. Esto denota que
esta puede utilizarse como referencia para debatir la influencia que tiene cada variable en la
práctica de la política monetaria.
4.2. CRISIS FINANCIERA MUNDIAL DEL 2008
(Alegría, 2013), en su publicación del diario Gestión, nos explica el origen de la crisis financiera
del año 2008:
“En el 2002, el ex presidente de Estados Unidos, George W. Bush, dijo que tener una casa propia
era parte del sueño americano. Así, pidiendo la ayuda del sector privado, para que a las personas
de ingresos más bajos se les facilite el financiamiento hipotecario.
Tras el anuncio de Bush, la Reserva Federal redujo rápidamente las tasas de interés: de 6% a
solo 1% en unos cuantos meses. El dinero estaba tan barato que los 8,000 bancos y agentes
hipotecarios iniciaron una agresiva expansión del crédito hipotecario.
Este crecimiento de créditos alcanzó a personas a quienes realmente no debió alcanzar: la clase
desfavorecida, sin ingresos, activos ni empleo. Este tipo de hipotecas fue bautizada como
“hipotecas subprime”, que en realidad eran solo activos tóxicos, con alta probabilidad de no pago.
4
La facilidad para obtener un crédito hipotecario tuvo dos efectos. El primero fue que las familias
se dedicaron a especular ampliamente con los precios de los inmuebles, y sobre todo con los
costos de las hipotecas. La especulación llevó al desarrollo de una burbuja inmobiliaria, que infló
considerablemente los precios.
Esto también tuvo un efecto posterior. El valor de las viviendas era el respaldo de las hipotecas,
incluyendo las subprime. Conforme aumentaban los precios, aumentaba el número de hipotecas.
En paralelo, se estaba armando un proceso que convertiría a las hipotecas subprime en armas
de destrucción financiera masiva. Esos activos tóxicos estaban siendo “empaquetados” con
otros, creando una gran variedad de nuevos productos financieros. Estos nuevos activos (que
en realidad eran tóxicos) se transaban libremente y sin ningún tipo de regulación.
Fue así que los bancos de inversión empezaron a repartir sus paquetes de activos -cuyo
contenido no conocía nadie- por todo el mundo.
Esta dinámica de especulación y alza de precios llevó a un recalentamiento de la economía. En

el 2003, la FED inició una subida de tasas de interés: de 1% en ese año, a 3% en el 2005 y hasta
5.5% en el 2006. Sin embargo, esta iniciativa sería en vano.
La burbuja hipotecaria estalló y, con ella, los precios de los activos se desplomaron. Al ver esto,
las familias que estaban endeudadas optaron por devolver la casa al banco, pues les era mucho
más barato hacer eso que seguir pagando un préstamo de US$ 300,000, por una casa que ahora
valía US$ 50,000.
Cuando una deuda no es pagada se conoce como default. Las familias incurrieron en default y
ocasionaron grandes pérdidas a los bancos. A su vez, esta situación generó -naturalmente- un
colapso en los portafolios de los bancos de inversión a nivel mundial, debido a que estaban
plagados de las hipotecas tóxicas subprime.
A raíz de todo este proceso, el lunes 15 de septiembre del 2008 fue que Lehman Brothers se
declaró en quiebra, fuertemente golpeado por las pérdidas de los activos tóxicos. El pánico fue
generado por el colapso de una entidad considerada demasiado grande para caer.”
4.3. POLÍTICA MONETARIA
La Política Monetaria consiste en el control que hace el Banco Central sobre la oferta monetaria,
como instrumento para alcanzar los objetivos de política económica general.
Los principales instrumentos de la política monetaria son:
a) Por el lado de la oferta:

 La tasa de encaje
 La tasa de descuento y redescuento
 El tipo de cambio
 Operaciones de mercado abierto
 Crédito interno
 Reservas internacionales
b) Por el lado de la Demanda:
 Las tasas de interés
 La política de precios
5
 La política de ingresos
4.4. REGLA DE TAYLOR
En una publicación del año 1993, el economista John B. Taylor sugirió una regla dirigida a los
encargados de la política monetaria del país. Dicha regla apoyaría en equilibrar el PBI real en
torno a un objetivo y en el control de la inflación, a través de cambios en la tasa de interés
nominal:
Cuando la producción y la inflación sobrepasan el nivel deseado, la tasa de interés aumenta

provocando un crecimiento de la tasa de interés real y con esto una caída de la demanda
agregada.
Cuando la producción y la inflación se ubiquen por debajo del nivel deseado, la tasa de interés
nominal baja y reduce la tasa de interés real consiguiendo así un incremento de la demanda
agregada.
Se plantea a la demanda agregada como una función IS, la cual se presenta así:
𝑌𝑡 = 𝑎1 𝑌𝑡−1 + 𝑎2 𝑟𝑡 + 𝑣𝑡
Para la ecuación de la inflación se asume el establecimiento de contratos salariales en diferentes

instantes del tiempo, por lo que se superponen. Esto conlleva a que nuestra función de la inflación
actual este en función de: la tasa de inflación del periodo anterior, la inflación esperada y de la
brecha de la producción.
𝜋𝑡 = 𝑏1 𝜋𝑡−1 + 𝑏2 𝐸𝑡 𝜋𝑡+1 + 𝑏3 (𝑌𝑡 − 𝑌̅𝑡 ) + 𝑢𝑡
La especificación de la regla de Taylor es:
𝑖𝑡 = 𝑟̅𝑡 + 𝜋̅𝑡 + 𝑐1 (𝜋𝑡 − 𝜋̅𝑡 ) + 𝑐2 (𝑌𝑡 − 𝑌̅𝑡 ) + 𝑧𝑡
Donde:
𝑌𝑡 : Logaritmo natural del PBI real en el periodo 𝑡
𝑟𝑡 : Tasa de interés real
𝜋𝑡 : Inflación observada en el periodo 𝑡
𝐸𝑡 𝜋𝑡+1 : Tasa de inflación esperada da la información disponible en el periodo 𝑡
𝑌̅𝑡 : Logaritmo natural del PBI potencial en el periodo 𝑡
𝑟̅𝑡 : es la meta de la tasa de interés real
𝑖𝑡 : Tasa de interés nominal
𝜋̅𝑡 : Meta de inflación
𝑣𝑡 , 𝑢𝑡 , 𝑧𝑡 : Shocks estocásticos que no pueden ser observados por un econometrista, o un ente

monetario en el momento 𝑡
6
5. METODOLOGÍA
El modelo planteado
Partiendo de la fórmula de la Regla de Taylor:
𝑖𝑡 = 𝑟̅𝑡 + 𝜋̅𝑡 + 𝑐1 (𝜋𝑡 − 𝜋̅𝑡 ) + 𝑐2 (𝑌𝑡 − 𝑌̅𝑡 ) + 𝑧𝑡
Despejamos la ecuación:
𝑖𝑡 = 𝑟̅𝑡 + 𝜋̅𝑡 + 𝑐1 𝜋𝑡 − 𝑐1 𝜋̅𝑡 + 𝑐2 𝑌𝑡 − 𝑐2 𝑌̅𝑡 + 𝑧𝑡
𝑖𝑡 = 𝑟̅𝑡 + (1 − 𝑐1 )𝜋̅𝑡 + 𝑐1 𝜋𝑡 + 𝑐2 𝑌𝑡 − 𝑐2 𝑌̅𝑡 + 𝑧𝑡
Acoplando el modelo para su futura estimación en EViews:
𝑖𝑡 = 𝛽1 𝑟̅𝑡 + 𝛽2 𝜋̅𝑡 + 𝛽3 𝜋𝑡 + 𝛽4 𝑌𝑡 + 𝛽5 𝑌̅𝑡
Teniendo como tarea el comprobar las siguientes hipótesis para verificar el cumplimiento de esta
regla en el Perú:
𝛽1 = 0 𝛽2 + 𝛽3 = 1 𝛽4 = −𝛽5
Considerando que en el Perú, la Ley Orgánica del BCRP, que es la autoridad monetaria nacional,
le asigna como variable de objetivo únicamente el control de la inflación, mas no del producto,
los parámetros 𝛽4 𝑦 𝛽5 podrían no ser significativos.
Al aplicar el modelo en la economía peruana, este sería:
𝑇𝐼𝐼 = 𝛽1 𝑇𝐼𝑅𝑇 + 𝛽2 𝑀𝐼𝑇 + 𝛽3 𝑇𝐼𝐸 + 𝛽4 𝑃𝐵𝐼 + 𝛽5 𝑃𝐵𝐼𝑃
Donde:
Variable Nombre en Eviews Interpretación Unidad

Porcentaje
𝑇𝐼𝐼 Tasadeinteresinter Tasa de interés interbancaria
(%)
Porcentaje
𝑇𝐼𝑅𝑇 Tasadeinteresreal Tasa de interés real trimestral
(%)
Porcentaje
𝑀𝐼𝑇 Metainflacionariatrim Meta inflacionaria trimestral
(%)
Tasas de Inflación Efectiva (Variación
Porcentaje
𝑇𝐼𝐸 Inflacionefectiva porcentual del índice de precios al
(%)
consumidor)
Miles de
𝑃𝐵𝐼 Pbiefectivo Producto Bruto Interno Trimestral soles
(2007=100)
Miles de
𝑃𝐵𝐼𝑃 Pbip Producto Bruto Interno Potencial trimestral
soles
Todos estos datos han sido extraídos de la página web del Banco Central de Reserva del Perú
(BCRP).
7
En el caso del PBI potencial, este se obtuvo mediante una estimación de Eviews:
El método que utiliza el eviews es llamado Hodrick Prescott el cual estima el pbi potencial a
través del pbi
El lambda vendría a ser el efecto de suavización del PBI, mientras mayor el lambda, mayor será
la suvizacion del PBI.
8
Hodrick-Prescott Filter (lambda=1600)
140,000
120,000
100,000
80,000
8,000
60,000
4,000
40,000
-4,000
-8,000
02 03 04 05 06 07 08 09 10 11 12 13 14 15 16
PBIEFECTIVO Trend Cycle
El método de estimación del PBI potencial de Hodrick Prescott nos da una tendencia la cual será
considerada PBI potencial.
Se debe resaltar que la elección de la tasa de interés interbancaria como variable de medición
de la tasa de interés nominal la hicimos debido a que es la tasa de interés que recibe
directamente el impacto de las políticas de tasa de interés del Banco Central de Reserva; y que
la tasa de interés real se realiza en función de la tasa de interés activa promedio, debido a que
es la tasa más relevante en decisiones de mercado ya que captura el costo inmediato de
financiamiento.
6. RESULTADOS
Una vez considerado los datos, procederemos a la estimación correspondiente de nuestro

modelo especificado anteriormente mediante Eviews.
Hemos hecho dos estimaciones pertinentes una con constante, el cual no tiene mucho valor
teórico debido a que en la regla Taylor donde estamos trabajando no existe una constante. Otro,
sin la constante, donde veremos una mejora notable; esta estimación ya tiene un sustento teórico
de acuerdo al modelo elegido. Además, veremos que en modelo con constante la constante nos
sale sin significancia.
9
Dependent Variable: TASADEINTERESINTER
Method: Least Squares
Date: 07/02/16 Time: 17:09
Sample: 2002Q4 2016Q1
Included observations: 54
Variable Coefficient Std. Error t-Statistic Prob.
C 0.943482 4.723287 0.199751 0.8425

TASADEINTERESREAL 0.188629 0.089083 2.117451 0.0394
INFLACIONEFECTIVA 0.498305 0.255340 1.951535 0.0568
METAINFLACIONARIATR
IMEST -5.434308 4.415483 -1.230739 0.2244
PBIEFECTIVO 9.13E-05 4.58E-05 1.994189 0.0518
PBIP -7.34E-05 4.64E-05 -1.584050 0.1197
R-squared 0.222456 Mean dependent var 3.788208

Adjusted R-squared 0.141462 S.D. dependent var 1.144824
S.E. of regression 1.060763 Akaike info criterion 3.060293
Sum squared resid 54.01047 Schwarz criterion 3.281291
Log likelihood -76.62791 Hannan-Quinn criter. 3.145523
F-statistic 2.746575 Durbin-Watson stat 0.515898
Prob(F-statistic) 0.029201

Date: 07/02/16 Time: 17:07
Sample: 2002Q4 2016Q1

METAINFLACIONARIATR
IMEST -4.745214 2.728883 -1.738885 0.0883
PBIEFECTIVO 9.31E-05 4.45E-05 2.092019 0.0416
PBIP -7.18E-05 4.52E-05 -1.589320 0.1184

Durbin-Watson stat 0.521930
De acuerdo a los resultados, el mejor modelo obtenido es el que no cuenta con la constante.
Debido a que esto nos da un modelo más eficiente, es decir, con menor varianza y variables más
significativas.
¿Cumple la regla de Taylor para este modelo?
De las ecuacion anteriormente planteada:
10
𝑖𝑡 = 𝑟̅𝑡 + (1 − 𝑐1 )𝜋̅𝑡 + 𝑐1 𝜋𝑡 + 𝑐2 𝑌𝑡 − 𝑐2 𝑌̅𝑡 + 𝑧𝑡
Se establece una relación entre los coeficientes de la ecuación estimada

(𝑖𝑡 = 𝛽1 𝑟̅𝑡 + 𝛽2 𝜋̅𝑡 + 𝛽3 𝜋𝑡 + 𝛽4 𝑌𝑡 + 𝛽5 𝑌̅𝑡 ) la cual tiene que cumplir con las siguientes restricciones:
𝑖𝑡 = ⏟ ⏟ − 𝑐1 ) 𝜋̅𝑡 + 𝑐⏟1 𝜋𝑡 + 𝑐⏟2 𝑌𝑡 − 𝑐⏟2 𝑌̅𝑡 + 𝑧𝑡

1 𝑟̅𝑡 + (1
𝛽1 𝛽2 𝛽3 𝛽4 𝛽5
1 − 𝛽2 = 𝛽3 𝛽4 = −𝛽5 𝛽1 = 1
Para poder comprobar si la ecuación cumple con las restricciones usaremos la prueba Wald en
Eviews:
TEST DE WALD
𝐻0 : 1 + 𝐶(3) = 𝐶(2) ,𝐶(4) = −𝐶(5), 𝐶(1) = 1
𝐻1 : 1 + 𝐶(3) ≠ 𝐶(2), 𝐶(4) ≠ −𝐶(5) , C(1) ≠ 1
View/Coefficient Diagnostics/Wald Test
Wald Test:
Equation: MODELOSINCONSSINLN
Test Statistic Value df Probability
t-statistic 1.555814 49 0.1262

F-statistic 2.420557 (1, 49) 0.1262
Chi-square 2.420557 1 0.1198
Null Hypothesis: C(2)=C(3)+1

Null Hypothesis Summary:
Normalized Restriction (= 0) Value Std. Err.
-1 + C(2) - C(3) 4.260423 2.738388
11
Se acepta Ho lo cual quiere decir que el modelo cumple la restricción lineal. El caso peruano
cumple con esta restricción de la regla de Taylor
Wald Test:
t-statistic 3.845713 49 0.0003

F-statistic 14.78951 (1, 49) 0.0003
Chi-square 14.78951 1 0.0001
Null Hypothesis: C(4)=-C(5)

C(4) + C(5) 2.13E-05 5.54E-06
Se acepta H1 lo cual quiere decir que el modelo no cumple la restricción lineal. El caso peruano
no cumple con esta restricción de la regla de Taylor
Wald Test:
t-statistic -12.85622 49 0.0000

F-statistic 165.2823 (1, 49) 0.0000
Chi-square 165.2823 1 0.0000
Null Hypothesis: C(1)=1

-1 + C(1) -0.798740 0.062129
Se acepta H1 lo cual quiere decir que el modelo no cumple la restricción lineal. El caso peruano
no cumple con esta restricción de la regla de Taylor
Interpretación:
A partir de los parámetros estimados en el modelo sin constante, tenemos que:
El coeficiente estimado de 0.201260 para el parámetro de TASADEINTERESREAL, indica que

un aumento de 1% de la tasa de interés real inducirá una subida de 0.201260% en la Tasa de
Interés Interbancaria.
El valor estimado de 0.515209 para el parámetro de INFLACIONEFECTIVA, indica que un

aumento de 1% de la tasa de interés real inducirá una subida de 0.515209% en la Tasa de Interés
Interbancaria.
12
El coeficiente estimado de -4.745214 para el parámetro de METAINFLACIONARIATRIMEST,
indica que una variación de la meta explícita de la inflación tendrá un efecto inverso en la tasa
de interés interbancaria a una razón de 4.745214 veces esa variación en la meta explícita.
El valor estimado de 9.31E-0.5 para el parámetro de PBIEFECTIVO, indica que un aumento de

mil nuevos soles de PBI efectivo ocasionará una subida de 8.30E-0.5% en la Tasa de Interés
Interbancaria.
El valor estimado de -7.18E-0.5 para el parámetro de PBIP, indica que un aumento de mil nuevos
soles de PBI potencial ocasionará una reducción de -7.18E-0.5% en la Tasa de Interés
Interbancaria.
ANÁLISIS ESTRUCTURAL DEL MODELO
Normalidad
 Jarque Bera
Para analizar la normalidad de los residuos del modelo planteado utilizaremos la prueba Jarque
Bera para lo cual utilizaremos Eviews.
De la ecuación estimada:
𝐻0 : ℰ 𝑒𝑠 𝑛𝑜𝑟𝑚𝑎𝑙
𝐻1 : ℰ 𝑒𝑠 𝑛𝑜 𝑛𝑜𝑟𝑚𝑎𝑙
En equation: View/Residual Diagnostics/Histogram-Normality Test
13
12
Series: Residuals
Sample 2002Q4 2016Q1
10 Observations 54
8 Mean 0.000881
Median 0.121780
Maximum 2.646939
6 Minimum -2.629040
Std. Dev. 1.009907
Skewness -0.413066
4
Kurtosis 3.702235
2 Jarque-Bera 2.645166
Probability 0.266446
0
-2 -1 0 1 2
En el grafico se puede observar que la probabilidad del Jarque-Bera es 2.65 (> 0.05) por lo que
se acepta Ho y concluimos que los errores siguen una distribución normal
 Test de Kolmogorov
Se utiliza los residuos de la ecuación estimada
En RESID: Descriptive Statistics & Tests/ Empirical Distribution Test
Pondremos como desviación estándar (𝜎) el valor obtenido en la prueba del Jarque Bera
14
Podemos observar por la prueba de Kolmogorov que la probabilidad es mayor que 0.05 por lo
que se acepta Ho (los residuos son normales).
Multicolinealidad
 Test Farrar Glauber:
𝐻0 : 𝐿𝑎𝑠 𝑋 𝑠𝑜𝑛 𝑜𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙𝑒𝑠 𝑒𝑛𝑡𝑟𝑒 𝑠𝑖
𝐻1 : 𝐿𝑜𝑠 𝑋 𝑛𝑜 𝑠𝑜𝑛 𝑜𝑟𝑡𝑜𝑔𝑜𝑛𝑎𝑙𝑒𝑠 𝑒𝑛𝑡𝑟𝑒 𝑠𝑖
2
(2𝑘 + 5) 2 2
𝑋𝑐𝑎𝑙𝑐 = − (𝑛 − 1 − ) 𝑙𝑛|𝑅| 𝑋𝑐𝑎𝑙𝑐 ≈ 𝑋𝑘(𝑘−1)/2
6
Para poder evaluar el test de Farrar Glauber se usara una programación de eviews:
File/New/Program:
En el programa crearemos una matriz con todas las variables explicativas llamada “matriz w”.
2
“Rw” representara a la matriz de correlación simple. El Scalar FG1 representa al 𝑋𝑐𝑎𝑙𝑐 donde “n”
es el tamaño de muestra y “k” es la cantidad de variables explicativas. El “scalar pFG1”
2
representa la probabilidad del 𝑋𝑐𝑎𝑙𝑐
15
Fórmula del programa:
GROUP G1 inflacionefectiva metainflacionariatrimest pbiefectivo pbip tasadeinteresreal

matrix w=G1
matrix Rw=@cor(w)
Scalar FG1=-(@rows(w)-1-(2*@columns(w)+5)/6)*log(@det(Rw))
scalar pFG1=1-@cchisq(fg,(@columns(w)*(@columns(w)-1))/2)
Se puede demostrar mediante esta prueba que no hay ortogonalidad entre las variables
explicativas, es decir, existe multicolinealidad
 Modelos Auxiliares
El planteamiento de modelos auxiliares nos permitirá identificar que variable se encuentra más
correlacionada con las demás variables explicativas.
2 2
𝐻0 : 𝑅𝑚𝑎𝑥 =0 𝐻1 : 𝑅𝑚𝑎𝑥 ≠0
Modelo auxiliar 1
Dependent Variable: INFLACIONEFECTIVA

Date: 07/02/16 Time: 18:50
Sample: 2002Q4 2016Q1
16
METAINFLACIONARIATRIMES
T -0.043326 1.617864 -0.026780 0.9787
PBIEFECTIVO -3.64E-05 2.59E-05 -1.405513 0.1661
PBIP 4.32E-05 2.61E-05 1.656998 0.1038

Adjusted R-squared -0.005773 S.D. dependent var 0.620915
Se puede observar que el modelo auxiliar solo explica aproximadamente un 5% la variabilidad

de INFLACIONEFECTIVA (R-squared=0.051158), también se puede observar que los
coeficientes del modelo no son significativas. Por lo cual se puede deducir que no hay correlación
entre INFLACIONEFECTIVA y las demás variables explicativas
Modelo auxiliar 2
Dependent Variable: PBIP

Date: 07/02/16 Time: 18:51
Sample: 2002Q4 2016Q1

T 1911.409 8540.847 0.223796 0.8238
PBIEFECTIVO 0.977867 0.017070 57.28666 0.0000

Sum squared resid 5.41E+08 Schwarz criterion 19.25303
de PBIP (R-squared=0.975482), sin embargo, se puede observar que los coeficientes del modelo
no son significativos a excepción de la variable PBIEFECTIVO. Esto se debe a que el PBIP fue
calculado a partir del PBIEFECTIVO mediante el método de Hodrick-Prescott en eviews.
17
Modelo auxiliar 3
Dependent Variable: METAINFLACIONARIATRIMEST

Date: 07/02/16 Time: 18:50
Sample: 2002Q4 2016Q1
PBIEFECTIVO 6.17E-07 2.30E-06 0.267885 0.7899

PBIP 5.24E-07 2.34E-06 0.223796 0.8238
INFLACIONEFECTIVA -0.000331 0.012362 -0.026780 0.9787

S.E. of regression 0.054432 Akaike info criterion -2.912555
Sum squared resid 0.148140 Schwarz criterion -2.765223
Log likelihood 82.63898 Hannan-Quinn criter. -2.855735
de METAINFLACIONARIATRIMEST (R-squared=0.158431), también se puede observar que los
coeficientes del modelo no son significativas a excepción del coeficiente de
TASADEINTERESREAL. Por lo cual se puede deducir que no hay correlación significativa entre
METAINFLACIONARIATRIMEST y las demás variables explicativas.
Modelo auxiliar 4
Dependent Variable: PBIEFECTIVO

Date: 07/02/16 Time: 18:51
Sample: 2002Q4 2016Q1
PBIP 1.007288 0.017583 57.28666 0.0000

TASADEINTERESREAL -57.37096 197.2857 -0.290801 0.7724
T 2321.624 8666.503 0.267885 0.7899

Sum squared resid 5.57E+08 Schwarz criterion 19.28268
18
de PBIEFECTIVO (R-squared=0.975437), también se puede observar que los coeficientes del
modelo no son significativas a excepción del coeficiente de PBIP. Esto se debe a que el PBIP
se produjo a través del PBIEFECTIVO por lo que están altamente correlacionados y existe
multicolinealidad entre ellos.
Modelo auxiliar 5
Dependent Variable: TASADEINTERESREAL

Date: 07/02/16 Time: 18:50
Sample: 2002Q4 2016Q1

T 41.62902 1.981218 21.01183 0.0000
PBIEFECTIVO -2.94E-05 0.000101 -0.290801 0.7724
PBIP 1.81E-06 0.000103 0.017649 0.9860

de TASADEINTERESREAL (R-squared=0.158431), también se puede observar que los
coeficientes del modelo no son significativas a excepción del coeficiente de
METAINFLACIONARIATRIMEST. Por lo cual se puede deducir que no hay correlación
significativa entre TASADEINTERESREAL y las demás variables explicativas.
Como se puede concluir de esta prueba es que los coeficientes de las variables explicativas más
correlacionadas son el PBIEFECTIVO y el PBIPOTENCIAL, la solución a la multicolinealidad
sería la omisión de una de estas dos variables; sin embargo esto no se realizara ya que ambas
variables son muy importantes para el análisis del modelo.
19
Quiebre estructural
Para poder ver si existe quiebre estructural primero hacemos el test de coeficientes recursivos.
.8 1.5
.6
1.0
.4
.2 0.5
.0 0.0
-.2
-0.5
-.4
-.6 -1.0
04 05 06 07 08 09 10 11 12 13 14 15 04 05 06 07 08 09 10 11 12 13 14 15
Recursive C(1) Estimates Recursive C(2) Estimates

± 2 S.E. ± 2 S.E.
50 .0004
40 .0003
30 .0002
20 .0001
10 .0000
0 -.0001
-10 -.0002
-20 -.0003
04 05 06 07 08 09 10 11 12 13 14 15 04 05 06 07 08 09 10 11 12 13 14 15
Recursive C(3) Estimates Recursive C(4) Estimates

± 2 S.E. ± 2 S.E.
.0004
.0002
.0000
-.0002
-.0004
-.0006
-.0008
04 05 06 07 08 09 10 11 12 13 14 15
Recursive C(5) Estimates

± 2 S.E.
En esta prueba podemos ver que el modelo es relativamente estable. La variables más
preocupantes son el C(2) que es la variable de inflación efectiva, siguiéndole la variable C(3) de
meta inflacionaria. Pero vemos que al final estas están convergiendo y la varianza tiende a
reducirse, pero de forma lenta.
Para poder cerciorarnos si existe o no punto de quiebre seguiremos con la prueba Cusum.
20
30
20
10
-10
-20
-30
04 05 06 07 08 09 10 11 12 13 14 15 16
CUSUM 5% Significance
En este grafico no existe evidencia de un punto de quiebre. Los valores no salen de las bandas.
Pero debido a que esta prueba tiene sus deficiencias , nos aseguraremos con el Cusum
cuadrado.
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
04 05 06 07 08 09 10 11 12 13 14 15 16
CUSUM of Squares 5% Significance
Este grafico evidencia la existencia de punto de quiebre. Al parecer existen dos puntos de quiebre
muy cercanos. Dado que los puntos más alejados de las bandas o aquel donde cambia la
dinámica del estadísticos es la fecha aproximada del punto de quiebre, podríamos decir que el
punto de quiebre se da por el año 2008 trimestre q1 y el otro quiebre estaría por la fecha 2009
q3.
21
Los puntos de quiebre son evidentes si vemos en la historia financiera en esos años desde el
2008 hasta el 2009. La crisis financiera del 2008 genero cambios en el comportamiento de la
inflación.
“[ …]Además, la crisis generó que la inflación se ajuste rápidamente, pasando de 6,65% a finales
del 2008 a 0,25% a finales del 2009. Esto fue consecuencia directa de la disminución de los
precios de los combustibles y commodities agrícolas importados, producto de la contracción de
la demanda mundial. Por su parte, la inflación subyacente (aquella que excluye los precios más
volátiles como alimentos y combustibles) también se redujo (ver gráfico), aunque más lentamente
y en menor magnitud (pasó de 5,8% en febrero 2009 a 2,4% en diciembre 2009), reflejando la
debilidad de la demanda interna”
- APOYO Consultoría
Como podemos ver del año 2008 hasta el 2009 hay un cambio abrupto. El grafico nos muestra
que la inflación no sigue una tendencia previsible en estos dos años. Pero al parecer, la subida
de la inflación producida por la crisis, empieza a reducirse a partir del año 2009, para entender
el porqué, evaluemos la cita de APOYO Consultoría que indica que esto fue a causa de cambio
de importantes precios externos, contracción de la demanda mundial, además podemos
considerar que se han realizado ajustes de política monetaria; todo esto indica una
reconfiguración entre la relación entre las variables, la tasa de interés no responderá a la inflación
de la misma manera en la que lo hacía antes, lo cual se capturaría mediante un quiebre
estructural.
Heterocedastidad
Se realizara la prueba de heterocedastidad mediante eviews
TEST DE WHITE
𝐻0 : 𝐻𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑 𝐻1 : 𝐻𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
22
Residual Diagnostics/Heteroskedasticity test
Heteroskedasticity Test: White
F-statistic 2.591350 Prob. F(5,48) 0.0374

Obs*R-squared 11.47805 Prob. Chi-Square(5) 0.0427
Scaled explained SS 12.76238 Prob. Chi-Square(5) 0.0257
Test Equation:
Dependent Variable: RESID^2
Date: 07/03/16 Time: 21:41
Sample: 2002Q4 2016Q1
C 9.117845 3.100133 2.941115 0.0050

TASADEINTERESREAL^2 -0.002613 0.003281 -0.796608 0.4296
INFLACIONEFECTIVA^2 -0.474033 0.209916 -2.258200 0.0285
METAINFLACIONARIATRIMEST^
2 -13.12619 5.208422 -2.520186 0.0151
PBIEFECTIVO^2 -5.89E-10 3.31E-10 -1.782056 0.0811
PBIP^2 2.64E-10 3.39E-10 0.779921 0.4393

F-statistic 2.591350 Durbin-Watson stat 1.259813
Prob(F-statistic) 0.037378
Se rechaza Ho por lo que se acepta que existe heterocedasticidad en el modelo
23
Correlación
Se puede observar en el autocorrelograma que los errores están correlacionados con los errores
rezagados. En este caso se puede observar que los errores se encuentran correlacionados con
su rezago de un periodo anterior
CORRECCION DE LOS PROBLEMAS IDENTIFICADOS
Para resolver el problema de quiebre estructural, generamos las variables dicotómicas. Primero,
vemos que el cambio en la inflación se tarda algunos periodos en volver a una senda estable o
previsible, además según vemos en la historia el cambio de tendencia fue gradual, por ello
usaremos una variable dicotómica que tenga crecimiento escalonado, es decir, un análisis de
intervención.
24
Estimando obtenemos:

Date: 07/03/16 Time: 14:05
Sample: 2002Q4 2016Q1

METAINFLACIONARIATRIMEST -5.716967 2.268494 -2.520160 0.0152
PBIEFECTIVO 7.06E-05 3.88E-05 1.817984 0.0754
PBIP 3.93E-06 4.28E-05 0.091975 0.9271
DI2*INFLACIONEFECTIVA 0.613975 0.472899 1.298321 0.2005
DI2*METAINFLACIONARIATRIME
ST -7.366811 1.375718 -5.354886 0.0000

Con los resultados obtenidos vemos que no hay una mejora, sino todo lo contrario. Además, los
signos cambian y esto hace variar la interpretación.
Para resolver este problema cambiaremos la variable dicotómica por una que no sea
escalonada, pero esta se encontrará en el medio de los dos supuestos quiebres (2009 q3).
¿Por qué escogemos la mitad del periodo turbulento?
Porque si estimamos un modelo para cada intervalo de tiempo, uno previo a dicha fecha y otro
en el intervalo posterior, encontramos que en ninguno de ellos se muestra evidencias de quiebre
estructural. Por lo tanto, considerar esta fecha como quiebre, resolvería el problema de quiebre
estructural.
25
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
I II III IV I II III IV I II III IV I II III IV I II III IV I
2004 2005 2006 2007 2008 2009
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
III IV I II III IV I II III IV I II III IV I II III IV I II III IV I
2010 2011 2012 2013 2014 2015 2016
Creamos la variable dicotómica.
26
Una vez creada la variable dicotómica estimamos el modelo con todas las variables multiplicados
con la variable dicotómica

Date: 07/03/16 Time: 10:22
Sample: 2002Q4 2016Q1
TASADEINTERESREAL -0.218256 0.103607 -2.106566 0.0409

METAINFLACIONARIATRIMEST 1.901970 2.695094 0.705716 0.4841
PBIEFECTIVO 4.43E-05 5.12E-05 0.865857 0.3913
PBIP 6.39E-05 5.76E-05 1.108403 0.2737
IIIQ*INFLACIONEFECTIVA 0.875955 0.419898 2.086114 0.0428
IIIQ*METAINFLACIONARIATRIME
ST -25.76321 10.95260 -2.352247 0.0232
IIIQ*TASADEINTERESREAL 0.495617 0.185318 2.674417 0.0105
IIIQ*PBIEFECTIVO 4.65E-05 6.66E-05 0.698715 0.4884
IIIQ*PBIP -6.36E-05 7.79E-05 -0.816541 0.4186
27
Al estimar este modelo pierde significancia nuestras demás variables, pero esto no es lo más
grave, sino que cambia de signo a las variables explicativas y con esto su forma de interpretarlo.
Además, nos damos cuenta que el efecto interactivo de la variable dicotómica sobre los impactos
del PBI y del PBI potencial no son significativas.
Como vimos en el análisis recursivos las variables más preocupantes son las de inflación efectiva
y meta inflacionaria, por esta razón y por la significancia del modelo estimado con anterioridad
donde vemos el efecto interactivo de todas las variables con las variables dicotómicas, haremos
otro modelo donde solo incluyamos el efecto interactivos de la variable dicotómica sobre la
inflación efectiva y la meta inflacionaria, además de incluir todas las variables explicativas del
modelo. Estimando tenemos:

Date: 07/03/16 Time: 08:18
Sample: 2002Q4 2016Q1

METAINFLACIONARIATRIMEST -3.935604 2.019125 -1.949164 0.0573
PBIEFECTIVO 8.30E-05 3.48E-05 2.387270 0.0210
PBIP -1.20E-05 3.74E-05 -0.321519 0.7492
IIIQ*INFLACIONEFECTIVA 0.556460 0.420129 1.324499 0.1917
IIIQ*METAINFLACIONARIATRIME
ST -7.152878 1.037618 -6.893554 0.0000

En esta nueva estimación a diferencia del anterior no cambia la interpretación de las variables
explicativas;
Jshjatanto la meta inflacionaria como el PBI potencial siguen siendo negativos mientras
las demás variables explicativas son positivas.
desssd
Nos quedaremos con esta estimación.
28
Interpretación:
El coeficiente estimado de 0.046657 para el parámetro de TASADEINTERESREAL, indica que

un aumento de 1% de la tasa de interés real inducirá una subida de 0.046657% en la Tasa de
Interés Interbancaria.
El valor estimado de 0.107643 para el parámetro de INFLACIONEFECTIVA, indica que un

aumento de 1% de la tasa de interés real inducirá una subida de 0.107643% en la Tasa de Interés
Interbancaria.
El coeficiente estimado de -3.935604 para el parámetro de METAINFLACIONARIATRIMEST,

indica que una variación de la meta explícita de la inflación tendrá un efecto inverso en la tasa
de interés interbancaria a una razón de 3.93 veces esa variación en la meta explícita.
El valor estimado de 8.30E-0.5 para el parámetro de PBIEFECTIVO, indica que un aumento de

mil nuevos soles de PBI efectivo ocasionará una subida de 8.30E-0.5% en la Tasa de Interés
Interbancaria.
El valor estimado de -1.20E-0.5 para el parámetro de PBIP, indica que un aumento de mil nuevos
soles de PBI potencial ocasionará una reducción de 8.30E-0.5% en la Tasa de Interés
Interbancaria.
El parámetro estimado de 0.556460 para IIIQ*INFLACIONEFECTIVA, indica que después de la

fecha de quiebre la inflación tiene un mayor efecto en la tasa de interés interbancaria, este
cambio en el efecto sería de 0.556460% más por cada unidad de inflación, la cual está medida
en términos porcentuales.
El valor de -7.152878 estimado para el coeficiente de IIIQ*METAINFLACIONARIATRIMEST,

indica que después de la fecha establecida como quiebre, el efecto de la meta inflacionaria en la
tasa de interés interbancaria sería menor, esta reducción sería de -7.152878 por cada punto de
meta inflacionaria.
¿Cumple la regla de Taylor para este modelo?
29
Teniendo un p-value de 0.000 rechazamos la hipótesis nula, esto nos quiere decir que la regla
de Taylor para la brecha del PBI no cumple, esto coincide con la ley organica del BCR , señalada
en la sección de metodología.
Teniendo un p-value de 0.1368 optamos por la hipótesis nula , esto quiere decir que la brecha
de inflación de Taylor si cumple para el caso peruano.
Con un P-value de 0.000 rechazamos la hipótesis nula, con lo cual nos esta diciendo que el
efecto de la tasa de interés real no es total en la tasa de interés interbancaria. Esta parte también
contradice la regla de Taylor.
Ahora, procederemos a analizar el cumplimiento de los demás supuestos.
HETEROSCEDASTICIDAD DEL SEGUNDO MODELO ESTIMADO
Para ver si el nuevo modelo tiene heteroscedasticidad aplicaremos el test de White
30
Al tener un Prob (p-value) de 0.9589 , entonces se acepta la hipótesis nula y decimos que no
existe Heteroscedasticidad. Con esta estimación podemos llegar a concluir que la
heteroscedasticidad vista en el primer modelo planteado (el cual aún no había sido solucionado
el problema de quiebre estructural) puede que se haya originado por datos atípicos o aberrantes
y al incluir el punto de quiebre a través de la variable dicotómica se ha solucionado.
AUTOCORRELACIÓN DEL SEGUNDO MODELO ESTIMADO
Para ver si existe autocorrelación verificaremos el correlograma:
31
En el autocorrelograma se aprecia que existe autocrrelación con el primer y tercer rezago.
Para asegurarnos la detección de la existencia de autocorrelación en el modelo, analizamos
como primera instancia la Prueba de Durbin Watson obteniendo como estadístico DW =
0.705101 con un n=54 y k=7. Después de analizarlo obtendremos que este valor se encuentra
en la región aceptación, con lo cual nos dice que existe autocorrelación.
Tratamiento de la Correlación de las Perturbaciones
32
Debido a que una de las causas de la autocorrelación es ignorar el término rezagado de la
variable dependiente, incluiremos el primer y tercer rezago a nuestro modelo. La inclusión de
estos dos rezagos lo tomamos de analizar el correlograma que nos dice que estos rezagos son
los que están influyendo en la tasa de interés interbancaria.
Al estimar con AR(1) y AR(3)
Al estimar este nuevo modelo resolvemos el problema de correlación, pero vemos que nuestras
variables exógenas se vuelven muy poco significativas, esto es, nuestro modelo ya no está
siendo explicado por las variables exógenas, sino por sus rezagos. Si bien los rezagos explican
más a la variable dependiente, no la podemos tener en cuenta porque va en contra de nuestros
objetivos que tienen que ver con como se relacionan las respectivas brechas de inflación y
producto, no solamente con estimar la tasa de interés.
Otro de los motivos por el cual existe autocorrelacion en un modelo es que existan variables
omitidas, y si bien nosotros estamos viendo solo el modelo de Taylor , existen otros enfoques de
determinación de la tasa de interés.
33
7. CONCLUSIONES Y RECOMENDACIONES
La crisis internacional financiera de los años 2008-2009 tiene importantes efectos en las
relaciones entre la tasa de interés interbancaria y las variables escogidas como explicativas de
acuerdo al modelo de Taylor, especialmente con relación a las variables que miden la brecha de
inflación.
El proceso de ajuste del valor de los parámetros desde períodos previos al quiebre hacia sus
valores en la última parte de evaluación no es inmediato.
La incorporación de la variable dummy a partir de la mitad de dicho proceso, logra mejorar

bastante los resultados de la regresión
En el primer modelo estimado (donde no están las variables dicotómicas) la regla de Taylor se
cumple tanto como para la brecha de inflación y la brecha del PBI. En cambio, en el segundo
modelo estimado solo se cumple la brecha de inflación, como se esperaba desde un principio
debido a ley orgánica del BCR. Además, en ninguno de los modelos se cumple el efecto total
ante una variación de la tasa de interés real.
Existe una relación entre el PBI efectivo y el PBI potencial, la cual puede tener efectos sobre el
problema de multicolinealidad.
Un elemento importante a considerar también es la presencia de autocorrelación. Lo cual es

típico en series de tiempo macroeconómicas y financieras. Es importante evaluar si su corrección
resulta benéfica la para la estimación.
8. BIBLIOGRAFÍA
Alegría, L. (15 de septiembre de 2013). ¿Cómo se originó la peor crisis de la historia?

Recuperado el 2 de Junio de 2016, de Gestión: http://gestion.pe/economia/como-se-origino-
peor-crisis-financiera-historia-2076165
Bernal Nisperuza, G. L., & Táutiva Pradere, J. (Agosto de 2008). Realismo en los datos... otra
estimación de la Regla de Taylor para Colombia. Recuperado el 11 de Junio de 2016, de
Banco Central de Colombia:
http://www.banrep.gov.co/sites/default/files/eventos/archivos/bernal_docum_0.pdf
Galindo, L., & Guerrero, C. (2003). La Regla de Taylor para México: Un análisis econométrico.
Recuperado el 14 de Junio de 2016, de Economía Monetaria:
https://economiamonetariauca.files.wordpress.com/2012/02/la-regla-de-taylor-en-
mc3a9xico.pdf
Haindl, E. (9 de Octubre de 2015). La Regla de Taylor en Chile. Recuperado el 15 de Junio de

2016, de Diario Financiero: https://www.df.cl/noticias/opinion/columnistas/erik-haindl/la-regla-
de-taylor-en-chile/2015-10-08/201838.html
Pérez Laurrabaquio, Ó. (julio de 2012). Un estudio empírico de la Regla de Taylor para México.
Recuperado el 16 de junio de 2016, de Facultad de Economía - UNAM:
http://www.economia.unam.mx/publicaciones/econinforma/375
/03taylor.pdf
34
Taylor, J (1993), “Discretion versus Policy Rules in Practice”, Carnegie-Rochester Conference
Series in Public Policies, Vol 39, pp. 195-214.
De Gregorio, José (2007) “Macroeconomía: Teoría y Políticas”, Pearson –education
APOYO Consultoría (2010) “La Economía Peruana en el 2009”, APOYO Consultoría S.A.C, Lima,
Perú.
9. ANEXOS
lnPBIpotencial pbip pbiefectivo inflacionefectiva metainflacionaria

2002Q4 10.97986477 57992.30 59923.6608 0.283070246 2.5
2003Q1 10.99524762 59040.60 58249.2479 1.826952326 2.5
2003Q2 11.01064357 60090.11 65202.449 -0.555602496 2.5
2003Q3 11.02605149 61141.54 60551.7203 0.422058579 2.5
2003Q4 11.0415169 62198.80 61589.2131 0.781972166 2.5
2004Q1 11.05707604 63265.42 60913.8156 2.097280602 2.5
2004Q2 11.07275689 64344.57 67639.7129 0.896706998 2.5
2004Q3 11.08856248 65437.93 63145.7529 0.200269334 2.5
2004Q4 11.10452662 66549.25 66070.5049 0.253812621 2.5
2005Q1 11.12066098 67680.85 64340.8894 0.514615299 2.5
2005Q2 11.13697349 68834.73 71310.3676 0.50969341 2.5
2005Q3 11.15344162 70010.84 67229.8262 -0.169389906 2.5
2005Q4 11.17006646 71210.65 71090.0707 0.633067457 2.5
2006Q1 11.18682564 72433.88 69670.7641 1.512525213 2.5
2006Q2 11.20369783 73680.22 75823.9355 -0.153108133 2.5
2006Q3 11.2206396 74947.58 72806.2691 -0.003971992 2.5
2006Q4 11.23762785 76235.26 76296.8622 -0.21273892 2.5
2007Q1 11.25462378 77541.17 73353.8223 0.618693398 2
2007Q2 11.27159159 78863.30 80625.6307 1.14 2
2007Q3 11.28846323 80197.01 80689.0813 1.229359635 2
2007Q4 11.30518689 81538.76 85024.4647 0.880402229 2
2008Q1 11.32171693 82885.31 80813.1006 2.18 2
2008Q2 11.33803619 84235.61 89146.4429 1.3 2
2008Q3 11.35411383 85587.31 88439.8384 1.72 2
2008Q4 11.36995654 86941.13 90523.6218 1.29 2
2009Q1 11.38559346 88299.57 82894.9333 0.391868724 2
2009Q2 11.40108089 89667.38 88427.1789 -0.365942913 2
35
2009Q3 11.41643745 91045.92 88282.9843 -0.107421645 2
2009Q4 11.43167478 92435.77 92978.9204 0.32756049 2
2010Q1 11.44678697 93835.80 87418.2071 0.901930362 2
2010Q2 11.46177336 95245.22 96887.2615 0.514786707 2
2010Q3 11.4765906 96659.20 96918.8232 0.601237131 2
2010Q4 11.49120755 98073.98 101155.708 0.044399625 2
2011Q1 11.50559621 99485.92 94996.2821 1.482157607 2
2011Q2 11.51974934 100893.30 102176.042 0.756840129 2
2011Q3 11.53363219 102291.70 102605.532 1.398608085 2
2011Q4 11.54721922 103677.40 107274.127 1.020565928 2
2012Q1 11.560488 105046.80 100668.84 0.990984493 2
2012Q2 11.57343857 106398.70 107960.879 0.53410478 2
2012Q3 11.5860454 107729.20 109624.763 1.145177804 2
2012Q4 11.59829301 109035.20 113018.504 -0.042570236 2
2013Q1 11.61017767 110314.80 105463.221 0.934369888 2
2013Q2 11.62171878 111568.80 114730.737 0.709427141 2
2013Q3 11.63290817 112794.70 115463.827 1.204332286 2
2013Q4 11.64375561 113992.20 120862.167 -0.014535597 2
2014Q1 11.65428571 115162.60 110689.161 1.442916438 2
2014Q2 11.66455976 116311.30 116889.149 0.779300432 2
2014Q3 11.67461415 117441.20 117566.703 0.50838191 2
2014Q4 11.68448806 118555.50 122259.165 0.458246798 2
2015Q1 11.69422074 119657.20 112733.232 1.242572202 2
2015Q2 11.70386983 120752.00 120542.902 1.29259791 2
2015Q3 11.71345457 121841.00 121371.063 0.857479661 2
2015Q4 11.72299163 122925.30 127979.867 0.935256231 2
2016Q1 11.7324934 124005.60 117716.068 1.148651339 2
tasadeinteresinter tasadeinteresreal metainflacionariatrimestral

2002Q4 4.1133295 20.288142 0.61922463
2003Q1 3.79 19.4254015 0.61922463
2003Q2 3.78666667 19.5091313 0.61922463
2003Q3 3.08333333 21.8220858 0.61922463
2003Q4 2.60666667 21.4300517 0.61922463
36
2004Q1 2.47 22.2473743 0.61922463
2004Q2 2.47666667 23.4853017 0.61922463
2004Q3 2.61333333 24.3867474 0.61922463
2004Q4 2.98333333 24.7906588 0.61922463
2005Q1 2.93666667 25.9944849 0.61922463
2005Q2 3.01 25.245177 0.61922463
2005Q3 2.98666667 25.5855785 0.61922463
2005Q4 3.13333333 24.036284 0.61922463
2006Q1 3.84 22.8408473 0.61922463
2006Q2 4.47666667 23.7289229 0.61922463
2006Q3 4.48333333 24.3599905 0.61922463
2006Q4 4.49666667 23.2845804 0.61922463
2007Q1 4.48666667 23.3515808 0.49629316
2007Q2 4.50666667 21.4552804 0.49629316
2007Q3 4.81 21.6378603 0.49629316
2007Q4 4.98666667 21.5327253 0.49629316
2008Q1 4.89 21.9608215 0.49629316
2008Q2 5.52628667 22.0413093 0.49629316
2008Q3 6.18304733 22.1827172 0.49629316
2008Q4 6.56066667 22.0223667 0.49629316
2009Q1 6.36066816 22.2996015 0.49629316
2009Q2 4.24148 21.0304368 0.49629316
2009Q3 1.59103333 20.5510853 0.49629316
2009Q4 1.20468745 19.8713311 0.49629316
2010Q1 1.14929333 18.9607477 0.49629316
2010Q2 1.4286 18.6693393 0.49629316
2010Q3 2.339 17.4298208 0.49629316
2010Q4 2.96763333 18.7311076 0.49629316
2011Q1 3.4254 17.6328364 0.49629316
2011Q2 4.1598 17.2314852 0.49629316
2011Q3 4.25386667 17.4957221 0.49629316
2011Q4 4.25533333 17.899168 0.49629316
2012Q1 4.23573333 18.2374575 0.49629316
2012Q2 4.2383 18.2241592 0.49629316
37
2012Q3 4.23296667 18.7919023 0.49629316
2012Q4 4.24366667 18.8705667 0.49629316
2013Q1 4.19766667 18.7679494 0.49629316
2013Q2 4.2384 17.9014684 0.49629316
2013Q3 4.37223333 16.869061 0.49629316
2013Q4 4.17326667 16.0963295 0.49629316
2014Q1 4.1027 14.871757 0.49629316
2014Q2 4.0026 14.5833267 0.49629316
2014Q3 3.76846667 15.2088395 0.49629316
2014Q4 3.65543333 15.1765697 0.49629316
2015Q1 3.3757 15.3485349 0.49629316
2015Q2 3.47306667 14.5411649 0.49629316
2015Q3 3.5796 15.0416537 0.49629316
2015Q4 3.59533333 15.4737151 0.49629316
2016Q1 4.46463333 15.035283 0.49629316
38

Regla de Taylor

Caricato da

Informazioni sul documento

Descrizione originale:

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Regla de Taylor

Caricato da

Copyright:

Formati disponibili

1

La regla de Taylor en Perú

MEDINA TITO, DESSIRE

ROJAS MORAN, BEREMIZ SAMIR

VIVANCO CORNELIO, JEANETTE LUCERO

2. PLANTEAMIENTO DEL PROBLEMA 3

4. MARCO TEÓRICO Y CONCEPTUAL 4

Mediante un estudio estadístico y un modelo econométrico el objetivo de este trabajo es llevar a

2. PLANTEAMIENTO DEL PROBLEMA

A lo largo de la experiencia, es posible reconocer algunos procederes regulares de la banca

El estudio y utilización de ciertas reglas de política monetaria aparte de permitirnos simular la

(Pérez Laurrabaquio, 2012), en su trabajo, a partir de un análisis estadístico y un modelo

4.2. CRISIS FINANCIERA MUNDIAL DEL 2008

Esta dinámica de especulación y alza de precios llevó a un recalentamiento de la economía. En

4.3. POLÍTICA MONETARIA

Los principales instrumentos de la política monetaria son:

a) Por el lado de la oferta:

Cuando la producción y la inflación sobrepasan el nivel deseado, la tasa de interés aumenta

Para la ecuación de la inflación se asume el establecimiento de contratos salariales en diferentes

𝜋𝑡 = 𝑏1 𝜋𝑡−1 + 𝑏2 𝐸𝑡 𝜋𝑡+1 + 𝑏3 (𝑌𝑡 − 𝑌̅𝑡 ) + 𝑢𝑡

La especificación de la regla de Taylor es:

𝑖𝑡 = 𝑟̅𝑡 + 𝜋̅𝑡 + 𝑐1 (𝜋𝑡 − 𝜋̅𝑡 ) + 𝑐2 (𝑌𝑡 − 𝑌̅𝑡 ) + 𝑧𝑡

𝑌𝑡 : Logaritmo natural del PBI real en el periodo 𝑡

𝑟𝑡 : Tasa de interés real

𝜋𝑡 : Inflación observada en el periodo 𝑡

𝐸𝑡 𝜋𝑡+1 : Tasa de inflación esperada da la información disponible en el periodo 𝑡

𝑌̅𝑡 : Logaritmo natural del PBI potencial en el periodo 𝑡

𝑟̅𝑡 : es la meta de la tasa de interés real

𝑖𝑡 : Tasa de interés nominal

𝜋̅𝑡 : Meta de inflación

𝑣𝑡 , 𝑢𝑡 , 𝑧𝑡 : Shocks estocásticos que no pueden ser observados por un econometrista, o un ente

Partiendo de la fórmula de la Regla de Taylor:

𝑖𝑡 = 𝑟̅𝑡 + 𝜋̅𝑡 + 𝑐1 (𝜋𝑡 − 𝜋̅𝑡 ) + 𝑐2 (𝑌𝑡 − 𝑌̅𝑡 ) + 𝑧𝑡

𝑖𝑡 = 𝑟̅𝑡 + 𝜋̅𝑡 + 𝑐1 𝜋𝑡 − 𝑐1 𝜋̅𝑡 + 𝑐2 𝑌𝑡 − 𝑐2 𝑌̅𝑡 + 𝑧𝑡

𝑖𝑡 = 𝑟̅𝑡 + (1 − 𝑐1 )𝜋̅𝑡 + 𝑐1 𝜋𝑡 + 𝑐2 𝑌𝑡 − 𝑐2 𝑌̅𝑡 + 𝑧𝑡

Acoplando el modelo para su futura estimación en EViews:

𝑖𝑡 = 𝛽1 𝑟̅𝑡 + 𝛽2 𝜋̅𝑡 + 𝛽3 𝜋𝑡 + 𝛽4 𝑌𝑡 + 𝛽5 𝑌̅𝑡

Al aplicar el modelo en la economía peruana, este sería:

𝑇𝐼𝐼 = 𝛽1 𝑇𝐼𝑅𝑇 + 𝛽2 𝑀𝐼𝑇 + 𝛽3 𝑇𝐼𝐸 + 𝛽4 𝑃𝐵𝐼 + 𝛽5 𝑃𝐵𝐼𝑃

Variable Nombre en Eviews Interpretación Unidad

PBIEFECTIVO Trend Cycle

Una vez considerado los datos, procederemos a la estimación correspondiente de nuestro

Variable Coefficient Std. Error t-Statistic Prob.

C 0.943482 4.723287 0.199751 0.8425

R-squared 0.222456 Mean dependent var 3.788208

Dependent Variable: TASADEINTERESINTER

Variable Coefficient Std. Error t-Statistic Prob.

TASADEINTERESREAL 0.201260 0.062129 3.239407 0.0022

R-squared 0.221810 Mean dependent var 3.788208

¿Cumple la regla de Taylor para este modelo?

De las ecuacion anteriormente planteada:

Se establece una relación entre los coeficientes de la ecuación estimada

𝑖𝑡 = ⏟ ⏟ − 𝑐1 ) 𝜋̅𝑡 + 𝑐⏟1 𝜋𝑡 + 𝑐⏟2 𝑌𝑡 − 𝑐⏟2 𝑌̅𝑡 + 𝑧𝑡

𝐻0 : 1 + 𝐶(3) = 𝐶(2) ,𝐶(4) = −𝐶(5), 𝐶(1) = 1

𝐻1 : 1 + 𝐶(3) ≠ 𝐶(2), 𝐶(4) ≠ −𝐶(5) , C(1) ≠ 1

View/Coefficient Diagnostics/Wald Test

Test Statistic Value df Probability

t-statistic 1.555814 49 0.1262

Null Hypothesis: C(2)=C(3)+1

Normalized Restriction (= 0) Value Std. Err.

-1 + C(2) - C(3) 4.260423 2.738388

Test Statistic Value df Probability

t-statistic 3.845713 49 0.0003