You are on page 1of 12

Universidad Nacional Autónoma de México

Facultad de Economía






Taller de Economía Cuantitativa VI




Trabajo Final
Torres Casado Martha Jessica
Marcial Alejo Constantino
Ángeles Márquez Alan Eduardo
Rocha Benigno Gerardo


Profesor Sánchez Vargas Armando


Viernes 30 de mayo de 2014
Cd. Universitaria, D.F.


Introducción
De acuerdo al índice de competitividad laboral (2010), México se ubica en el lugar 120 de
133 países, esto se debe entre otros factores a que el nivel de salarios reales es muy bajo y
el poder adquisitivo de los trabajadores se ha reducido en un 68% aproximadamente entre
1982 y 2012. Se menciona que los salarios están sujetos a los cambios en la productividad,
en México la productividad del trabajo ha crecido a niveles muy altos principalmente en el
sector de servicios, pero no ha crecido así el nivel de los salarios, es así que podemos
asumir que los salarios reales no están sujetos únicamente a los niveles de productividad.
Motivación
La idea principal radica en (Esquivel y Razo; 2003). En dicho artículo, los autores, con
datos para el periodo 1989-2000, realizan una estimación de los determinantes de la
inflación en México usando un modelo de corrección de errores analizando los mercados
monetario, laboral y cambiario. Aquí, por simpleza, se ocupara solamente del mercado
laboral.
En el presente trabajo se tratara de analizar mediante un análisis econométrico la relación
que existe entre los salarios reales y factores que inciden su determinación. Se toman así
variables de lado de las empresas y de los propios trabajadores. Así la especificación que se
utilizara para determinar el equilibrio en el mercado laboral, será representada por la
siguiente ecuación.
( )

Donde w representa las remuneraciones medias por persona ocupada, pc los precios al
consumidor, pp los precios al productor, pt la productividad media laboral y ε el termino de
error.
Datos
Para la realización de la estimación, las variables a utilizar tienen una periodicidad mensual
y fueron obtenidas de las bases de datos del Banco de México y del Banco de Información
Económica del Instituto Nacional de Estadística y Geografía (INEGI). Las observaciones
fueron obtenidas para el periodo 2008-2013. Estas variables son: remuneraciones medias
reales por persona ocupada (lw), Indice Nacional de Precios al Consumidor (linpc), Indice
Nacional de Precios al Productor (linpp) y productividad media marginal (lpm). Todas las
variables están expresadas en logaritmos naturales.



Pruebas de raíces unitarias
























4.50
4.55
4.60
4.65
4.70
4.75
2008 2009 2010 2011 2012 2013
LW
4.45
4.50
4.55
4.60
4.65
4.70
4.75
2008 2009 2010 2011 2012 2013
LINPC
4.35
4.40
4.45
4.50
4.55
4.60
4.65
2008 2009 2010 2011 2012 2013
LINPP
4.50
4.55
4.60
4.65
4.70
4.75
4.80
4.85
2008 2009 2010 2011 2012 2013
LPM
Comportamiento gráfico de las variables originales
-.10
-.05
.00
.05
.10
.15
2008 2009 2010 2011 2012 2013
D(LW)
-.008
-.004
.000
.004
.008
.012
2008 2009 2010 2011 2012 2013
D(LINPC)
-.010
-.005
.000
.005
.010
.015
2008 2009 2010 2011 2012 2013
D(LINPP)
-.3
-.2
-.1
.0
.1
.2
.3
2008 2009 2010 2011 2012 2013
D(LPM)
Comportamiento gráfico variables en primera diferencia
Argumented Dickey-Fuller: LW
I(0) I(1)
Constante 0.1347 0.0059
Constante y
pendiente
0.9553 0.0075
Nada 0.9892 0.0029

Argumented Dickey-Fuller: LINPC
I(0) I(1)
Constante 0.329 0.000
Constante y
pendiente
0.007 0.000
Nada 1.000 .0025

Argumented Dickey-Fuller: LINPP
I(0) I(1)
Constante 0.0649 0.0000
Constante y
pendiente
0.8202 0.0000
Nada 1.0000 0.0218

Argumented Dickey-Fuller: LIPM
I(0) I(1)
Constante 0.1806 0.0001
Constante y
pendiente
0.7803 0.0001
Nada 0.3281 0.0000

Para las interpretaciones:

Encontramos que la mayoría de las variables se vuelven estacionarias en la primera
diferencia.
Hipótesis Regla de decisión P value vs α
Ho Tiene raíz unitaria= No estacionaria P value>α
Ha No tiene raíz unitara = Estacionaria P value< α
Regresión inicial


Dependent Variable: LOG(W)
Method: Least Squares
Sample: 2008M01 2013M12
Included observations: 72


Variable Coefficient Std. Error t-Statistic Prob.


C 3.321323 0.391542 8.482684 0.0000
LOG(INPC) -0.552051 0.354910 -1.555467 0.1245
LOG(INPP) 0.991858 0.340977 2.908868 0.0049
LOG(PM) -0.135345 0.064252 -2.106474 0.0389


R-squared 0.529362 Mean dependent var 4.652330
Adjusted R-squared 0.508599 S.D. dependent var 0.048486
S.E. of regression 0.033988 Akaike info criterion -3.871642
Sum squared resid 0.078554 Schwarz criterion -3.745161
Log likelihood 143.3791 Hannan-Quinn criter. -3.821290
F-statistic 25.49495 Durbin-Watson stat 1.728558
Prob(F-statistic) 0.000000



A partir de la regresión, obtuvimos los errores de la serie necesarios para formar el vector
de cointegración. La opción se encuentra disponible directamente, pero existe la alternativa
de obtenerlo a partir de los datos que nos proporciona la siguiente pantalla:
Estimation Command:
=========================
LS LW C LINPC LINPP LPM

Estimation Equation:
=========================
LW = C(1) + C(2)*LINPC + C(3)*LINPP + C(4)*LPM

Substituted Coefficients:
=========================
LW = 3.32132273784 - 0.552051410562*LINPC + 0.991858492983*LINPP - 0.135344657312*LPM

Sería necesario despejar error en la ecuación sombreada, por lo que este se obtendría de
la siguiente forma:
Error = LW - 3.32132273784 + 0.552051410562*LINPC - 0.991858492983*LINPP +
0.135344657312*LPM



Prueba de raíces unitarias para los residuos

Null Hypothesis: VC has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=11)


t-Statistic Prob.*


Augmented Dickey-Fuller test statistic -7.254683 0.0000
Test critical values: 1% level -3.525618
5% level -2.902953
10% level -2.588902


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

Encontramos que, en el análisis de niveles (para las opciones de constante, constante y
tendencia, así como aquella que no incluye ninguna de las anteriores), el valor del
estadístico t-ADF es mayor que el valor crítico a un grado de significancia de 5%.
Por ende, se rechaza la hipótesis nula que señala que la variable posee una raíz unitaria, lo
que significa que la serie es estacionaria y que tiene una relación de largo plazo en la
economía, es decir, que cointegran.
Modelo de Corrección de Errores (MCE)















Dependent Variable: D(LW)
Method: Least Squares
Sample (adjusted): 2008M03 2013M12
Included observations: 70 after adjustments


Variable Coefficient Std. Error t-Statistic Prob.


C 0.006821 0.007848 0.869131 0.3881
D(LINPC) -0.010904 1.659415 -0.006571 0.9948
D(LINPP) -0.036121 1.522554 -0.023724 0.9811
D(LPM) -0.082030 0.057171 -1.434830 0.1564
D(LW(-1)) -0.516899 0.110304 -4.686143 0.0000
D(LINPC(-1)) -3.021572 1.643799 -1.838164 0.0708
D(LINPP(-1)) 1.468918 1.457733 1.007673 0.3175
D(LPM(-1)) -0.077747 0.058206 -1.335725 0.1865


R-squared 0.306121 Mean dependent var 0.000379
Adjusted R-squared 0.227780 S.D. dependent var 0.044209
S.E. of regression 0.038849 Akaike info criterion -3.551052
Sum squared resid 0.093574 Schwarz criterion -3.294082
Log likelihood 132.2868 Hannan-Quinn criter. -3.448981
F-statistic 3.907537 Durbin-Watson stat 2.320248
Prob(F-statistic) 0.001376


















4.45
4.50
4.55
4.60
4.65
4.70
4.75
2008 2009 2010 2011 2012 2013
LINPC
-.008
-.004
.000
.004
.008
.012
2008 2009 2010 2011 2012 2013
D(LINPC)

Finalmente procedimos a incorporar el vector de cointegración al modelo que logró asociar
a las variables para que estas pudieran relacionarse en el largo plazo, es decir, que
cointegraran.

Dependent Variable: D(LW)
Method: Least Squares
Date: 05/29/14 Time: 23:55
Sample (adjusted): 2008M03 2013M12
Included observations: 70 after adjustments


Variable Coefficient Std. Error t-Statistic Prob.


C 0.005366 0.006528 0.822027 0.4143
D(LINPC) -0.314236 1.380185 -0.227677 0.8207
D(LINPP) 0.779541 1.274394 0.611695 0.5430
D(LPM) -0.020092 0.048893 -0.410943 0.6826
D(LW(-1)) -0.079390 0.122698 -0.647040 0.5200
D(LINPC(-1)) -3.374587 1.367633 -2.467464 0.0164
D(LINPP(-1)) 1.649225 1.211888 1.360872 0.1786
D(LPM(-1)) 0.051195 0.054014 0.947802 0.3470
VC(-1) -0.895586 0.166954 -5.364255 0.0000


R-squared 0.528527 Mean dependent var 0.000379
Adjusted R-squared 0.466694 S.D. dependent var 0.044209
S.E. of regression 0.032285 Akaike info criterion -3.908916
Sum squared resid 0.063581 Schwarz criterion -3.619824
Log likelihood 145.8121 Hannan-Quinn criter. -3.794085
F-statistic 8.547710 Durbin-Watson stat 1.857291
Prob(F-statistic) 0.000000


Al realizar la estimación que incluyera al vector de cointegración, se observó que el
coeficiente del VC (rezagado) resultó ser menor a la unidad o negativo, lo que confirma que
este sea estadísticamente significativo.








Análisis de los supuestos
Normalidad
Considerando las reglas de decisión para interpretar la prueba Jarque-Bera:


Se observó que el valor de la Jarque-Bera fue menor a la Chi2 (5.99). Asimismo, el pvalue
fue mayor 0.05 (grado de significancia), lo que prueba que los errores se comportan como
una normal. Sin embargo, habría que observar las pruebas que aparecen a continuación:

Empirical Distribution Test for RESID
Hypothesis: Normal
Sample (adjusted): 2008M03 2013M12
Included observations: 70 after adjustments


Method Value Adj. Value Probability


Kolmogorov (D+) 0.065990 0.560899 0.5330
Kolmogorov (D-) 0.065967 0.560701 0.5332
Kolmogorov (D) 0.065990 0.560899 0.9115
Kuiper (V) 0.131957 1.128269 0.6431
Cramer-von Mises (W2) 0.036891 0.031746 0.9496
Watson (U2) 0.036557 0.035550 0.8654
Anderson-Darling (A2) 0.238878 0.238878 0.9760





Parameter Value Std. Error z-Statistic Prob.


MU 0.000000 * NA NA
SIGMA 0.030000 * NA NA
Ho: Normalidad Chi
2
>JB P value>0.05
Ha: No normalidad Chi
2
<JB P value<0.05
0
2
4
6
8
10
-0.06 -0.04 -0.02 0.00 0.02 0.04 0.06
Series: Residuals
Sample 2008M03 2013M12
Observations 70
Mean 2.48e-18
Median -0.000387
Maximum 0.074051
Minimum -0.068415
Std. Dev. 0.030356
Skewness 0.040889
Kurtosis 2.829510
Jarque-Bera 0.104283
Probability 0.949194
Histograma de normalidad


Log likelihood 145.8106 Mean dependent var. 2.48E-18
No. of Coefficients 0 S.D. dependent var. 0.030356


* Fixed parameter value

Considerando las siguientes reglas de decisión para probar la presencia de normalidad:



Obtuvimos las pruebas de Kolmogorov, Cramer Von-Mises, y Anderson Darling, que
generaron un P value mayor al nivel de significancia, con 0.9115, 0.9496 y 0.9760
respectivamente. Con ello, se prueba la normalidad, hecho que dificultaría la existencia de
algún sesgo en nuestros estimadores.
Homoscedasticidad
Prueba Breusch-Pagan-Godfrey

Heteroskedasticity Test: Breusch-Pagan-Godfrey


F-statistic 2.128608 Prob. F(8,61) 0.0464
Obs*R-squared 15.27666 Prob. Chi-Square(8) 0.0540
Scaled explained SS 10.61199 Prob. Chi-Square(8) 0.2247


Prueba ARCH:

Heteroskedasticity Test: ARCH


F-statistic 0.056423 Prob. F(1,67) 0.8130
Obs*R-squared 0.058058 Prob. Chi-Square(1) 0.8096


Pruebas de White:

Sin datos cruzados:


Heteroskedasticity Test: White


F-statistic 0.974158 Prob. F(8,61) 0.4647
Obs*R-squared 7.929969 Prob. Chi-Square(8) 0.4403
Scaled explained SS 5.508584 Prob. Chi-Square(8) 0.7021




Hipótesis Regla de decisión Pv vs α
Ho Normalidad P value>α
Ha No normalidad P value< α
Para datos cruzados:


Heteroskedasticity Test: White


F-statistic 1.666532 Prob. F(44,25) 0.0870
Obs*R-squared 52.20231 Prob. Chi-Square(44) 0.1853
Scaled explained SS 36.26254 Prob. Chi-Square(44) 0.7900



Considerando las siguientes reglas de decisión para la determinar o negar la presencia de
heteroscedasticidad:






De acuerdo a los valores que obtuvimos en la prueba de White (datos cruzados y no
cruzados), ARCH y Breusch-Pagan-Godfrey, podemos afirmar que nuestro modelo es
homoscedástico, es decir, que las distorsiones o errores µi de la ecuación de regresión
tienen la misma varianza, por lo que los estimadores no perderían la propiedad de
eficiencia.

No autocorrelación
Breusch-Godfrey Serial Correlation LM Test:


F-statistic 0.756238 Prob. F(1,60) 0.3880
Obs*R-squared 0.871296 Prob. Chi-Square(1) 0.3506



Hipótesis Regla de decisión P value vs α
Ho No autocorrelación P value>α
Ha Autocorrelación P value< α

Observamos que los valores de P en la prueba más formal que es la Breusch-Godfrey Serial
Correlation, son mayores a 0.05, por lo que establecemos no existe autocorrelación entre las
variables, o que, mejor dicho, esta característica fue corregida por la consideración de las
variables rezagadas.



Hipótesis Regla de decisión P value vs α
Ho Homoscedasticidad P value>α
Ha Heteroscedasticidad P value< α

Comentarios finales
Tal como hemos hecho en este ejercicio, existe una relación de estacionariedad entre los
salarios reales y el índice de precios al consumidor, el índice de precios al productor y la
productividad media. Tal como nuestra hipótesis señalaba, existen factores, además de la
productividad, que determinan los salarios en México. El coeficiente negativo que presenta
el crecimiento del índice de precios al productor, como era de esperarse, tiene un impacto
negativo sobre el crecimiento de los salarios reales, debido a que la inflación reduce el nivel
de ingreso real que los trabajadores reciben en concepto de salarios. Por su parte, el
incremento de la productividad, y de los costos de producción de las firmas, tienen un
impacto positivo sobre el crecimiento de los salarios, tal como la teoría lo confirma.
El trabajo nos permitió estimar una relación de largo plazo entre la variable a explicar, los
salarios reales, y las variables explicativas, el índice de precios al consumidor, el índice de
precios al productor y la productividad media. Además, el modelo corrector de errores nos
permitió analizar la relación entre las variables en el corto plazo.
Referencias
Esquivel, Gerardo y Razo, Raúl (2003)/”Fuentes de la inflación en México, 1989-2000: un
análisis multicausal de corrección de errores”, Estudios Económicos, El Colegio de
México, volumen 18, número 2, julio-diciembre.