You are on page 1of 66

Instituto Tecnológico de Santo Domingo

(INTEC)

Área de Negocios

Econometria II

Prof. Jesús G. Martínez

Sección 01

Hacia Una Estimación y Predicción del


Sector Construcción Dominicano

Realizada por:

Carlos Romero (02-3046)


Dalma Casilla (03-0473)
Francisca Ortega (03-0744)
Yaraida Volquez (03-0944)
Raymer Díaz (03-1055)

03 de septiembre de 2005

1
Hacia Una Estimación y
Predicción del Sector
Construcción Dominicano

2
INDICE

Pág.
Introducción………………………………………………………………………… 1
Marco Teórico……………………………………………………………………… 2
Variables y Justificación.…………………………………………………………… 6
Obtención de datos…………………………………………………………………. 8
Estacionariedad de las series de tiempo……………………………………………. 9
Prueba de Cointegración…………………………………………………………… 13

Modelo # 1
Forma funcional………………………………………………………………….… 15
Interpretación del modelo……………………………………………………….…. 17
Modelo en desviación estándar…………………………………………………….. 20
Prueba Ramsey Reset………………………………………………………………. 22
Prueba de normalidad de los residuos……………………………………………… 23
Prueba de estabilidad………………………………………………………………. 24
Prueba Chow para cambio estructural……………………………………………... 26
Prueba de multicolinealidad……………………………………………………….. 28
Detección de autocorrelacion……………………………………………………… 32
Prueba de heterocedasticidad……………………………………………………… 34

Modelo # 2
Estimación del modelo con variables dicotomas………………………………….. 35

Modelo # 3
Modelo ARIMA (Modelo Autorregresivo Integrado de Media Móvil)…………... 40
Identificación del modelo…………………………………………………………. 40
Estimación del modelo……………………………………………………………. 48
Verificación del diagnostico……………………………………………………… 50

Modelo # 4
Modelo Log – Lin………………………………………………………………… 57

Conclusiones……………………………………………………………………… 59
Recomendaciones………………………………………………………………… 61
Bibliografía……………………………………………………………………….. 62

3
INTRODUCCIÓN

A lo largo del tiempo, siempre ha existido una estrecha relación entre el crecimiento
del producto interno bruto y el crecimiento de la infraestructura de una nación, ha de ser
por esto que los países con más altos niveles de ingresos tienen una tendencia continua a
desarrollar su crecimiento, dándole gran importancia además de la salud, educación y
servicios, a la inversión de construcciones que aseguren un amplio, adecuado y cómodo
desarrollo de su vida social

Grandes países como Estados Unidos, Francia, España, Australia, que son de los
países de más altos ingresos per capitas, desarrollan su crecimiento social en estructuras
físicas de amplia tecnología, y sus respectivos gobiernos se encargan de que ese
crecimiento de ingresos se refleje de algún modo en el sector construcción.

La Republica Dominicana no es la excepción a la regla, viéndose como a lo largo


del tiempo, un aumento del PIB de la nación se ha reflejado en la mejora de instalaciones
de uso rutinario.

Casi todos los presidentes dominicanos han dejado algún legado en el ámbito de la
construcción, casos como el presidente Joaquín Balaguer, creando autopistas que
comunican todo el país, como el presidente Leonel Fernández, creando elevados y vías
alternas que dinamizaron el transito en la capital.

Esta es la importancia por el que desarrollamos nuestro trabajo, estimar modelos


que nos permitan saber una tendencia o predicciones del crecimiento del sector
construcción y averiguar como este sector a contribuido al crecimiento de nuestra nación.

4
MARCO TEÓRICO

El compuesto de la economía dominicana, cuando hablamos de esto nos referimos


al PIB general de nuestra economía, está conformado por muchos sectores como son: el
sector industrial, comercial, de servicios, agrícolas, entre otros, pero existe uno que ha
mantenido un auge constante y sostenido en la economía, éste es el sector construcción.

Por la idiosincrasia de nuestro país, es normal que las personas no sientan el


bienestar por completo de un periodo presidencial, si en el mismo no se ha elaborado
alguna obra de significancia estructural. Muchos de nuestros gobernantes han resuelto sus
problemas en el gobierno o desarrollado su mandato presidencial basándose en grandes
obras de construcción como elevados, vías alternas, aeropuertos, hospitales, escuelas, etc.

Como lo señala Serulle Ramia: “La industria de la construcción ha sido y es, sin
lugar a dudas, uno de los mayores dinamizadores del crecimiento de la economía
dominicana, y en especial del modo de producción capitalista, por cuanto los resultados de
la industria de la construcción (viviendas, edificios, carreteras, canales, puentes, represas,
etc.) constituyen parte importante e imprescindibles del desarrollo de la producción social
en su conjunto”1. Por esto el sector construcción no es solamente importante para si mismo
y para el crecimiento de la economía, si no además, que este sector ayuda a empujar el
crecimiento de otros sectores en la República Dominicana.

La razón de la importancia del sector construcción se da en que la mayor parte de


las actividades económicas de cualquier país, necesitan una infraestructura física para
desarrollar la vida social y económica. Según Serulle Ramia: “La escasez de caminos, el
mal estado de puertos y carreteras, la deficiencia de viviendas, son elementos de
preocupación permanentes en aquellas personas que observan el desarrollo de la
economía”2. De lo que se entiende que el plan de obras públicas es un elemento clave en el
desarrollo de las fuerzas productivas dentro de la formación económica dominicana.

1
SERULLE RAMIA, José, “Economía y Construcción”, Sto. Dgo., Pág. 53
2
SERULLE RAMIA, José, “Economía y Construcción”, Sto. Dgo., Pág. 42

5
Por su naturaleza, la industria de la construcción pone en marcha una variedad
considerable de sectores industriales fabricantes de productos intermedios que se
consumen en grandes magnitudes por parte de los agentes económicos, tales como: el
cemento, la arena, la gravilla, el asfalto, el vidrio, la madera, las varillas, el acero y la
pintura. Por esto que, este sector incide en el comportamiento de la economia dominicana,
sirviendo así como un indicador para la interpretación y valoración de la situación de la
actividad económica nacional en un período especifico.

A pesar de que el sector construcción comenzó a desarrollarse de manera más


impactante, mediante la construcción de puentes y carreteras, debemos recordar que el
proceso de construcción es conjunto de procedimientos llevados a cabo para levantar
diversos tipos de estructuras, y que éste no solamente se compone de vías de comunicación
terrestres, sino de una amplia gama de elementos importantes, como las infraestructuras, las
cuales fueron desarrolladas con mayor intensidad en los períodos de gobierno del Dr.
Joaquín Balaguer, en los cuales se enfatizo en desarrollar una infraestructura que
satisfaciera la necesidad de la población del momento, sin olvidar la necesidad de que estas
construcciones sirvieran para el crecimiento de la población en el futuro.

Sin embargo, el énfasis por parte del estado dominicano en desarrollar nuevas
infraestructuras que se ajustaran a las necesidades de la población no solo fue efectuado
por los periodos continuos del gobierno del Dr. Joaquín Balaguer, sino también por los
gobiernos que les continuaron a estos, entre los cuales cabe citar los gobiernos de Leonel
Fernández e Hipólito Mejia, en este último el sector tuvo un crecimiento bastante alto
debido a realización de los Juegos Panamericanos del 2003.

La construcción en la Republica Dominicana a mediados de los años noventa, se


expandió representativamente gracias al gobierno del Dr. Leonel Fernández, cuando este se
encargó de la creación de sistemas viales y de infraestructura física, como son: túneles,
elevados y carreteras que dinamizaron el sector construcción y, en efecto crearon un
aumento del PIB en el mismo como no se había visto en mucho tiempo.

6
A continuación se presentan los aportes que el sector construcción ha efectuado al
Producto Interno Bruto de la economía dominicana, en donde se puede apreciar la
participación de este sector para los períodos 1980-2004 (Estadística del Banco Central de
la República Dominicana), aportando:

Sector de la construcción
tasa de
Período PIB
crecimiento
1980 197.6 7.6
1981 196.5 -0.6
1982 183.1 -6.8
1983 226.7 23.8
1984 226.8 0.0
1985 192.0 -15.3
1986 221.8 15.5
1987 297.4 34.1
1988 306.9 3.2
1989 347.5 13.2
1990 323.6 -6.9
1991 283.3 -12.5
1992 352.3 24.4
1993 387.9 10.1
1994 418.0 7.8
1995 442.3 5.8
1996 501.6 13.4
1997 587.2 17.1
1998 702.1 19.6
1999 826.2 17.7
2000 872.8 5.6
2001 876.9 0.5
2002* 905.0 3.2
2003* 827.5 -8.6
2004* 775.4 -6.3

Las cifras negativas que se pueden apreciar para los años 1981, 1982, 1985, 1990,
1991, 2003 y 2004 indican tasas de crecimiento negativas del sector construcción, por lo
cual, a seguir, se analizan las distintas problemáticas que pudieron causar el deficiente
desempeño de este importante sector de la economía dominicana.

7
En los años 1981-1982 esta depreciación se debe a la situación política de la época,
al quebranto de la economía que vino dándose desde el 1978.

Para 1985, por la ineficiencia en la toma de decisiones económicas por parte del
gobierno de Salvador Jorge Blanco, se produjeron crisis estructurales, en las que el alza de
los precios en los materiales de construcción, ocasionaron que el sector no tuviera una
participación reveladora en la economía.

Después de los disturbios económicos de los 80, los años 1990 y 1991 representaron
una etapa de crisis a nivel nacional, donde el Producto Interno Bruto de la economía
dominicana experimentó una reducción de un 5%, obviamente estas cifras indican que la
crisis tuvo un impacto negativo lo suficientemente fuerte como para provocar una tasa de
crecimiento negativa en el PIB del sector construcción.

El período 2003-2004, la tasa de crecimiento negativa del sector construcción se


explica por la crisis que experimentó el sector financiero, debido a la quiebra de 3 bancos
comerciales, hecho que dio lugar a la desconfianza nacional, respecto a las decisiones
políticas y económicas, lo que trajo consigo una reducción de la actividad económica en el
sector construcción, y en efecto, disminuyó la participación de este en el PIB de la
economía en general.

8
Variables y Justificación

La variable en la que se desarrollará este trabajo es el PIB3, esta se conceptualiza


como un indicador que mide el valor total de los bienes y servicios finales producidos
dentro de los límites geográficos de una economía, en un periodo de tiempo dado.
Basándonos en esto sabemos que el PIB se clasifica en PIB nominal y en PIB real.

El PIB nominal4 es aquel que encierra el valor de bienes y servicios de acuerdo con
su precio en el mercado corriente, para un determinado periodo; por otro lado el PIB real
es aquel que mide el volumen físico de producción total para un periodo dado, a precios
de un año base.

Nuestro trabajo estará enfocado directamente en la variable “PIB real”5, puesto


que este indicador al mantener todos los precios constantes al nivel del año base, nos
proporciona una idea de cuanto crece la economía como un todo, como resultado
únicamente de los aumentos de la cantidad de bienes y servicios producidos y no de
aumentos en los precios.

El PIB real de la economía dominicana será nuestra variable explicativa o


independiente, puesto que ésta abarca la mayor parte de los indicadores macroeconómicos
como son: la tasa de interés, el gasto del gobierno, el tipo de cambio, precios de los
materiales utilizados en el sector construcción, la inversión, entre otros. Como variable
dependiente, por supuesto, tendremos el “PIB real del sector construcción”, el cual no es
más que la producción total de bienes y servicios por parte del sector construcción dentro
de la economía dominicana, a precios del año base 1999.

Otras variables importantes para la estimación de modelos del sector construcción son:

3
LARRAIN B., Felipe; “Macroeconomía en la economía Global”, 2da edición; Buenos Aires, Pág. 5
4
LARRAIN B., Felipe; “Macroeconomía en la economía Global”, 2da edición; Buenos Aires, Pág. 5
5
LARRAIN B., Felipe; “Macroeconomía en la economía Global”, 2da edición; Buenos Aires, Pág. 5.

9
Precio del Cemento: Esta variable tiene una estrecha relación con la demanda de cemento
pues tiene una fuerte influencia en las compras planeadas de los consumidores. Es de
esperarse que sea negativa, para lograr una afinidad con la teoría económica.

Tasa de Cambio: Sabiendo que el cemento es un bien comerciable, es decir, un bien con el
cual se puede comercializar en el mercado internacional por medio de las exportaciones y
las importaciones, la tasa de cambio es una variable que influye de manera notable en la
demanda de cemento, porque el precio del cemento estará en función tanto del cemento
producido localmente como del cemento importado, y es en este ultimo donde la tasa de
cambio se identifica de forma mas clara.

Precio de la Varilla y Precio de la Pintura: La varilla es un bien que se utiliza


conjuntamente con el cemento. Así que podemos expresar de una manera más técnica y
explicita, que la varilla y el cemento son bienes complementarios, específicamente
complementarios fuertes.

Gasto del gobierno; Es importante porque gran parte del crecimiento en infraestructura de
una nación es financiado o elaborado por el gobierno central, para eso se valen de los
presupuestos nacionales y determinan la proporción del ingreso nacional que va dirigido a
en el caso de la Republica Dominicana a la secretaria de Obras Publicas.

Tasa de interés: Juega un papel muy importante ya que es un indicador influyente en la


toma de prestamos destinados a el sector construcción, una alta tasa de interés normalmente
se relaciona con una caída para los prestamos que van dirigidos a la creación de
infraestructura y viceversa.

10
Obtención de datos

Los datos estadísticos correspondientes a las variables utilizadas dentro de nuestra


investigación fueron encontrados a través del Banco Central de la República Dominicana6,
el cual proporciona los datos en su mayor parte en valores nominales; por lo que tuvimos
que realizar las transformaciones necesarias para llevar nuestras variables a valores reales.

Para ello utilizamos el IPC (Índice de Precios al Consumidor) que nos proporciona
de igual manera el banco de datos del Banco Central.

Valiéndonos de esta variable, derivamos el PIB real tanto del sector construcción
como el de la economía en general, basándonos en la siguiente fórmula7:

PIB nominal = Nivel de precios (P) x PIB real (Q)

Despejando:

PIB real = PIB nominal / Nivel de precios (P)

De esta nos valimos para calcular los valores reales de nuestras variables, en los
diferentes modelos de regresión presentados en esta investigación.

6
www.bancentral.gov.do/estadisticas.asp
7
LARRAIN B., Felipe; “Macroeconmia en la economia Global”, 2da edición; Buenos Aires, Pág 44.

11
Estacionariedad de las series de tiempo

Antes de realizar regresiones utilizando series de tiempo se necesita saber si cada


una de las mismas es estacionaria. Utilizando el software Eviews 4.0 observamos los
correlogramas de cada una de las series de tiempo en el período observado (a saber, desde
el primer trimestre de 1991 hasta el último trimestre de 2005) para observar sus tendencias.

Correlograma del PIB real de la economía dominicana

12
Correlograma del PIB real del sector construcción dominicano

Los correlogramas sugieren que ambas series de tiempo siguen un proceso “random
walk”, es decir que son no estacionarias, por tanto su media, varianza y covarianza son
cambiantes con respecto al tiempo.

13
Usando la prueba Dickey-Fuller aumentada (DFA) y siguiendo la regla de decisión
de que el τ-calculado sea mayor que el τ-critico a un nivel de significancia seleccionado, se
rechazara la hipótesis nula de que la serie en cuestión tenga una raíz unitaria, o sea, que la
serie es estacionaria, y viceversa si el τ-calcudo es menor que el τ-critico. Aplicando este
criterio a nuestras series PIBREAL y PIBRSC, obtenemos los siguientes resultados:

Prueba DFA para el PIBREAL y PIBRSC de la economía dominicana


en niveles:

Null Hypothesis: PIBREAL has a unit root


Exogenous: Constant, Linear Trend
Lag Length: 4 (Automatic based on SIC, MAXLAG=10)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -1.264623 0.8854
Test critical values: 1% level -4.148465
5% level -3.500495
10% level -3.179617
*MacKinnon (1996) one-sided p-values.

A un nivel de 5% se ve claramente que el τ-calculado es menor que el τ-critico, por


tanto no se rechaza que el PIBREAL tenga una raíz unitaria, o sea es no estacionaria.

Null Hypothesis: PIBRSC has a unit root


Exogenous: Constant, Linear Trend
Lag Length: 4 (Automatic based on SIC, MAXLAG=10)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 0.485352 0.9990
Test critical values: 1% level -4.148465
5% level -3.500495
10% level -3.179617
*MacKinnon (1996) one-sided p-values.

A un nivel de 5% es visible que el τ-calculado es menor que el τ-critico, por tanto


no se rechaza que el PIBRSC tenga una raíz unitaria, o sea es no estacionaria.

14
A continuación procederemos a verificar si las primeras diferencias del PIBREAL y
PIBRSC son estacionarias, siguiendo el mismo proceso de la DFA:

Prueba DFA para el PIBREAL y PIBRSC de la economía dominicana en primera


diferencia:

Null Hypothesis: D(PIBREAL) has a unit root


Exogenous: Constant, Linear Trend
Lag Length: 3 (Automatic based on SIC, MAXLAG=10)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -1.941314 0.6185
Test critical values: 1% level -4.148465
5% level -3.500495
10% level -3.179617
*MacKinnon (1996) one-sided p-values.

Siguiendo un nivel de significancia del 5%, el τ-calculado sigue siendo menor que
el τ-critico, lo que revela la no estacionariedad de la serie PIBREAL en primera diferencia.

Null Hypothesis: D(PIBRSC) has a unit root


Exogenous: Constant
Lag Length: 3 (Automatic based on SIC, MAXLAG=10)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.876493 0.0552
Test critical values: 1% level -3.565430
5% level -2.919952
10% level -2.597905
*MacKinnon (1996) one-sided p-values.

A un nivel de significancia de un 5%, el τ-calculado es todavía menor que el τ-


critico, esto nos dice que todavía la serie PIBRSC sigue siendo no estacionaria en primera
diferencia.

Ya viendo que en primera diferencia las series del PIBREAL y PIBRSC son no
estacionarias, procederemos a comprobar si las segundas diferencias de estas series son
estacionarias, para ello al igual que en el caso de la primera diferencia aplicaremos la
prueba DFA pero en segunda diferencia.

15
Prueba DFA para el PIBREAL y PIBRSC de la economía dominicana en segunda
diferencia:

Null Hypothesis: D(PIBREAL,2) has a unit root


Exogenous: Constant, Linear Trend
Lag Length: 6 (Automatic based on SIC, MAXLAG=10)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -4.795813 0.0017
Test critical values: 1% level -4.165756
5% level -3.508508
10% level -3.184230
*MacKinnon (1996) one-sided p-values.

Considerando un nivel de significancia de 5% vemos que el τ-calculado es mayor


que el τ-critico, por tanto se rechaza la hipótesis nula de que la segunda diferencia de
PIBREAL tenga una raíz unitaria concluyendo así que en su segunda diferencia PIBREAL
es una serie de tiempo estacionaria.

Null Hypothesis: D(PIBRSC,2) has a unit root


Exogenous: Constant
Lag Length: 3 (Automatic based on SIC, MAXLAG=10)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -9.386225 0.0000
Test critical values: 1% level -3.568308
5% level -2.921175
10% level -2.598551
*MacKinnon (1996) one-sided p-values.

De igual forma podemos apreciar que a un nivel de significancia de 5%, se rechaza


la hipótesis nula de que la segunda diferencia de PIBRSC tenga una raíz unitaria pues el τ-
calculado es mayor que el τ-critico, por tanto llegamos a la conclusión que la variable
PIBRSC es también estacionaria en su segunda diferencia.

16
Prueba de Cointegración

Luego de haber verificado la estacionariedad individual de nuestras series de tiempo


(PIBREAL y PIBRSC) pasaremos a realizar la prueba de Cointegración con el fin de
comprobar si aunque las series son no estacionarias (en niveles) individualmente, la
combinación lineal de éstas puede ser estacionaria. Si resulta que la combinación del
PIBREAL y del PIBRSC cointegran entonces significa que estas series de tiempo sostienen
una relación de largo plazo o de equilibrio. A continuación mostramos los resultados de
dicha prueba:

Date: 10/12/05 Time: 12:23


Sample(adjusted): 1991:3 2004:4
Included observations: 54 after adjusting endpoints
Trend assumption: Quadratic deterministic trend
Series: PIBREAL PIBRSC
Lags interval (in first differences): 1 to 1

Unrestricted Cointegration Rank Test

Hypothesized Trace 5 Percent 1 Percent


No. of CE(s) Eigenvalue Statistic Critical Value Critical Value

None ** 0.559439 45.39613 18.17 23.46


At most 1 0.020745 1.132018 3.74 6.40

*(**) denotes rejection of the hypothesis at the 5%(1%) level


Trace test indicates 1 cointegrating equation(s) at both 5% and 1% levels

Hypothesized Max-Eigen 5 Percent 1 Percent


No. of CE(s) Eigenvalue Statistic Critical Value Critical Value

None ** 0.559439 44.26411 16.87 21.47


At most 1 0.020745 1.132018 3.74 6.40

*(**) denotes rejection of the hypothesis at the 5%(1%) level


Max-eigenvalue test indicates 1 cointegrating equation(s) at both 5% and 1% levels

Podemos ver mediante esta prueba que se llega a la conclusión de que el PIBREAL
y PIBRSC cointegran a un nivel tanto de 5% como de 1%, lo que revela una relación de
largo plazo entre estas dos variables.

17
Modelo #1

Forma Funcional

La forma funcional del modelo es la siguiente:

∆2PIBRSC= ∆2PIBREAL+ ut

Donde el término de la izquierda representa la serie de tiempo “PIB real del sector
construcción”, mientras que el término de la derecha representa la serie de tiempo “PIB
real”. Pero tomemos en cuenta que

∆2PIBRSC= PIBRSCt – 2(PIBRSCt-1) + PIBRSCt-2

Así mismo,

∆2PIBREAL = PIBREALt -2(PIBREALt-1) + PIBREALt-2

Sustituyendo en ambos lados, obtenemos el siguiente resultado:

PIBRSCt – 2(PIBRSCt-1) + PIBRSCt-2 = PIBREALt -2(PIBREALt-1) +


PIBREALt-2

Despejando para estimar la variable en el tiempo actual se obtiene la siguiente


ecuación final:

PIBRSCt = α + PIBREALt -2(PIBREALt-1) + PIBREALt-2 + 2(PIBRSCt-1) –


PIBRSCt-2 + ut

Donde ut es el término de error. Éste es un modelo de rezagos distribuidos, en el que se


puede observar que el valor del PIB real del sector construcción depende de su mismo valor

18
rezagado en uno y dos períodos; además, depende del PIB real, tanto en el tiempo t como
en su rezago de dos períodos. La ecuación final nos servirá para estimar el PIB real del
sector construcción en el corto plazo. A fin de estimar el crecimiento del sector
construcción en el corto plazo, tendremos un modelo log-log, de modo que:

log(PIBRSCt) = α + log(PIBREALt-1) – log[2(PIBREALt-1)] +


log(PIBREALt-2) + log[2(PIBRSCt-1)] – log(PIBRSCt-2) + ut

19
Interpretación del modelo de crecimiento del sector

construcción

Dependent Variable: LOG(PIBRSC)


Method: Least Squares
Date: 10/12/05 Time: 15:50
Sample(adjusted): 1991:3 2004:4
Included observations: 54 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -0.912123 0.346406 -2.633102 0.0113
LOG(PIBREAL) 0.493970 0.135131 3.655491 0.0006
LOG(2*(PIBREAL(-1))) -0.459949 0.138913 -3.311068 0.0018
LOG(PIBREAL(-2)) 0.296782 0.187296 1.584562 0.1196
LOG(2*(PIBRSC(-1))) 0.650238 0.156179 4.163421 0.0001
LOG(PIBRSC(-2)) 0.108750 0.141374 0.769237 0.4455
R-squared 0.769575 Mean dependent var 0.416998
Adjusted R-squared 0.745572 S.D. dependent var 0.257855
S.E. of regression 0.130064 Akaike info criterion -1.137135
Sum squared resid 0.812004 Schwarz criterion -0.916137
Log likelihood 36.70265 F-statistic 32.06214
Durbin-Watson stat 2.318091 Prob(F-statistic) 0.000000

Recordando que con esta investigación queremos estimar cual va a ser el


crecimiento del sector construcción, procederemos a interpretar los parámetros obtenidos
en la regresión anterior:

1) Las variables que son consideradas estadísticamente significativas a un nivel de 5% son


el crecimiento del PIB real (LOG (PIBREAL)), el crecimiento del PIB real en el periodo t-1
(LOG (2*(PIBREAL (-1))), el crecimiento del PIB real del sector construcción en el
periodo t-1 (LOG (2*(PIBRSC (-1))), agregando que el intercepto es significativo en el
modelo.

También podemos comprobar mediante la prueba t, basándonos en la que | t | > 2, es


decir que el valor absoluto del estadístico t sea mayor que 2, si esto se cumple entonces las
variables son estadísticamente significativas, de lo contrario no lo son; con esta prueba
también comprobamos que las variables anteriormente mencionadas son estadísticamente
significativas.

20
Observando que algunas de estas variables no son significativas a un nivel de un
5%, procedemos realizar el test de variable redundante para averiguar si las variables
pertenecen a este modelo de regresión:

Redundant Variables: LOG(PIBREAL(-2)) LOG(PIBRSC(-2))


F-statistic 3.698002 Probability 0.032085
Log likelihood ratio 7.738548 Probability 0.020874

Basándonos en la hipótesis nula de que las variables son redundantes en el modelo,


a un nivel de significancia de 5%, se rechaza esta hipótesis, por lo cual comprobamos, que
las variables LOG (PIBREAL (-2)) y LOG (PIBRSC (-2)) no son redundantes en el
modelo, es decir que las mismas pertenecen al modelo de regresión antes estimado.

Viendo que la regresión anterior presenta dos variables no relevantes o no


significativas, procedemos a excluir las variables no significativas y presentamos los
siguientes resultados:

Dependent Variable: LOG(PIBRSC)


Method: Least Squares
Date: 10/12/05 Time: 16:33
Sample(adjusted): 1991:2 2004:4
Included observations: 55 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -0.752829 0.321707 -2.340103 0.0232
LOG(PIBREAL) 0.620503 0.111094 5.585396 0.0000
LOG(2*(PIBREAL(-1))) -0.370058 0.125470 -2.949370 0.0048
LOG(2*(PIBRSC(-1))) 0.689726 0.097015 7.109492 0.0000
R-squared 0.737274 Mean dependent var 0.412779
Adjusted R-squared 0.721819 S.D. dependent var 0.257365
S.E. of regression 0.135742 Akaike info criterion -1.086179
Sum squared resid 0.939717 Schwarz criterion -0.940191
Log likelihood 33.86991 F-statistic 47.70614
Durbin-Watson stat 2.244251 Prob(F-statistic) 0.000000

21
2) Manteniendo todas las variables constantes, la tasa de decrecimiento promedio para el
PIB real del sector construcción dominicano será aproximadamente de 0.75%.

3) Un aumento de un 1% en el PIB real de la economía dominicana, manteniendo un efecto


ceteris paribus sobre todas las demás variables, provocara un aumento aproximadamente de
un 0.62% en el PIB real del sector construcción dominicano.

4) Un aumento de un 1% en el PIB real de la economía dominicana en el periodo t-1,


manteniendo las demás variables independientes constantes, provocara una caída del PIB
real del sector construcción dominicano para el periodo t de un 0.37% aproximadamente.

5) Un incremento del PIB real del sector construcción dominicano en el periodo t-1 de un
1%, manteniendo las demás variables invariables, representara un incremento
aproximadamente de un 0.69% en el PIB real del sector construcción para el periodo t.

Las variables regresoras explican el PIB real del sector construcción dominicano en
conjunto aproximadamente en un 77% basándonos en el estadístico de bondad de ajuste o
R2. Partiendo de la probabilidad del F-estadístico, podemos sugerir que todas las variables
en conjunto son estadísticamente significativas, pues a un nivel de significancia de un 5%
se rechaza la hipótesis nula de que todos los coeficientes de las variables explicativas en
conjunto son iguales a cero.

22
Modelo en desviación estándar

El modelo en desviación estándar nos sirve para determinar cuáles de las variables
de las que tenemos dentro de nuestro modelo de regresión aporta más información. Este
modelo sigue el siguiente procedimiento: primero se le busca a cada serie de tiempo su
respectiva media y desviación estándar. Luego se construye un nuevo modelo de la
siguiente forma:

Log (PIBRSCi - µ)/σ = log (PIBREALi - µ)/σ + log [2(PIBREALi - µ)]/σ +


log [2(PIBRSCt-1 - µ)]/σ + ut

En el modelo anterior, µ es igual a la media de la respectiva serie de tiempo y σ =


desviación estándar de la serie de tiempo. Este es el modelo estandarizado. En esta
regresión, la variable con el coeficiente más alto es la regresora que aporta menos
información al modelo y viceversa.

Los resultados de la regresión estandarizada son las siguientes:

Dependent Variable: PIBRSCDE


Method: Least Squares
Date: 10/12/05 Time: 15:32
Sample(adjusted): 1991:2 2004:3
Included observations: 54 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
PIBREALDE -0.002095 0.000700 -2.994469 0.0042
PIBREALME1DE 0.000690 1.67E-05 41.29178 0.0000
PIBRSCME1DE 0.992438 0.000696 1426.316 0.0000
R-squared 0.999982 Mean dependent var 0.058789
Adjusted R-squared 0.999982 S.D. dependent var 0.967446
S.E. of regression 0.004131 Akaike info criterion -8.086609
Sum squared resid 0.000870 Schwarz criterion -7.976110
Log likelihood 221.3385 Durbin-Watson stat 2.264249
pibrealde = PIB real estandarizado
pibrealme1de = PIB real rezagado en un período estandarizado
pibrsc1de = PIB real del sector construcción rezagado en un período estandarizado

23
Los resultados del modelo estandarizado muestran que la variable que aporta menos
información acerca del PIB real del sector construcción es el PIB real del sector
construcción rezagado en un período, con un coeficiente igual a 0.992438. En tanto, que la
variable explicativa que aporta más información al modelo es el PIB real de la economía
con un coeficiente igual a -0.002095.

24
Prueba de Ramsey Reset

Esta prueba se utiliza para determinar si el modelo está correctamente especificado


y si tiene una forma funcional incorrecta.

Ho : El modelo está correctamente especificado.


H1 : El modelo no está correctamente especificado.

Ramsey RESET Test:


F-statistic 0.004712 Probability 0.945547
Log likelihood ratio 0.005183 Probability 0.942608

Test Equation:
Dependent Variable: LOG(PIBRSC)
Method: Least Squares
Date: 10/14/05 Time: 16:38
Sample: 1991:2 2004:4
Included observations: 55
Variable Coefficient Std. Error t-Statistic Prob.
C -0.746703 0.336925 -2.216226 0.0313
LOG(PIBREAL) 0.625925 0.137211 4.561763 0.0000
LOG(2*(PIBREAL(- -0.378602 0.177628 -2.131438 0.0380
1)))
LOG(2*(PIBRSC(-1))) 0.700776 0.188444 3.718752 0.0005
FITTED^2 -0.018941 0.275938 -0.068644 0.9455
R-squared 0.737299 Mean dependent var 0.412779
Adjusted R-squared 0.716282 S.D. dependent var 0.257365
S.E. of regression 0.137086 Akaike info criterion -1.049909
Sum squared resid 0.939628 Schwarz criterion -0.867424
Log likelihood 33.87250 F-statistic 35.08253
Durbin-Watson stat 2.245280 Prob(F-statistic) 0.000000

Asumiendo un nivel de significancia de 5%, no se rechaza la hipótesis nula, en


efecto, el modelo estimado está correctamente especificado.

25
Prueba de normalidad de los residuos

Para probar la normalidad del modelo, o más bien de los residuos del modelo, nos
enfocaremos en la prueba gráfica Jarque-Bera (JB). Esta es una prueba asintótica o de
grandes muestras, basada en los residuos y calcula tanto la asimetría como la cutorsis o
apuntalamiento de los residuos8.

Para esto partiremos de la hipótesis nula que afirma que los residuos estan
normalmente distribuidos en contraposición con una hipótesis alternativa que no lo estan.

H0: Los residuos están normalmente distribuidos


H1: Los residuos no están normalmente distribuidos

Luego de observar esta prueba grafica y su respectiva probabilidad, podemos


concluir que a un nivel de significancia de 5% no se rechaza la hipótesis nula de que los
residuos del modelo están normalmente distribuidos.

8
GUJARATI, Damodar, “Econometria”. 4ta edición. México. Pág. 141-142

26
Pruebas de estabilidad

Las pruebas de estabilidad nos dan un indicativo de que tan estables han sido las
variables explicativas del modelo y el modelo en si de manera general, a lo largo del
tiempo. Para determinar esto nos enfocaremos de manera especial en las pruebas: Cusum
Cuadrado y los Coeficientes Recursivos.

CUSUM Cuadrado

Esta prueba gráfica nos sugiere que a un nivel de significancia de 5% hay una
ruptura estructural alrededor de los periodos comprendidos entre el primer trimestre del
1996 hasta el tercer trimestre del 1998 y de igual manera a partir del primer trimestre del
2003 hasta el cuarto trimestre del 2003.

27
Coeficientes Recursivos

28
Observando las gráficas de coeficientes recursivos individuales vemos que la
constante (c) se mantiene estable a lo largo del tiempo; por otro lado el coeficiente de LOG
(PIBREAL) no se mantiene constante en el tiempo, al igual que el coeficiente LOG
(2*(PIBREAL (-1))) que se sale de la banda establecida; finalmente tenemos el coeficiente

LOG (2*(PIBRSC (-1))) que muestra estabilidad a lo largo del tiempo.

Prueba de Chow para cambio estructural

Esta prueba la utilizamos para comprobar, por medio de la grafica de Cusum


cuadrado, si en los periodos donde se muestra la ruptura que se sale de la banda establecida
hubo o no un cambio estructural, ya sea por razones ajenas o internas de nuestra economía.
Bajo la hipótesis nula de:

H0: no hubo cambio estructural


H1: cambio estructural

Chow Breakpoint Test: 1996:2


F-statistic 6.213176 0.000425
Probability
Log likelihood ratio 23.34589 0.000108
Probability

Observando la gráfica de CUSUM cuadrado vemos que existe una ruptura alrededor
del segundo trimestre del año 1996, por tanto:

Podemos concluir que a un nivel de significancia de 5% se rechaza la hipótesis nula


de que en el segundo periodo de 1996 no hubo cambio estructural, lo que quiere decir que
efectivamente una hubo una alteración en el sector construcción de la economía dominicana
en ese periodo. Se debe esto a que, con la llegada del Dr. Leonel Fernández al poder

29
ejecutivo, se empiezan a realizar grandes obras de infraestructura tales como elevados y
túneles entre otras, alcanzando el PIB real del sector construcción sus mayores valores en
su período de gobierno.

Una segunda prueba de cambio estructural fue realizada para el segundo trimestre
de 2002, obteniendo los resultados que se presentan en lo adelante:

Chow Breakpoint Test: 2002:2


F-statistic 5.567573 0.000941
Probability
Log likelihood ratio 21.33277 0.000272
Probability

Así mismo, una nueva prueba de cambio estructural muestra que, para α = 5%,
se rechaza la hipótesis nula de que no hubo un cambio estructural en el segundo trimestre
del año 2002, a pesar de que el cambio estructural no es tan grave. Sin embargo, este
período de inestabilidad se aletarga debido a una crisis económica provocada por la crisis
bancaria en el año 2003.

30
Prueba de multicolinealidad

A continuación se procederá a realizar las pruebas para verificar qué tan


correlacionadas se encuentran las variables, tanto las explicadas como las explicativas. En
primer lugar, observemos con detenimiento la matriz de correlaciones, para saber el grado
de asociación que tienen las variables.

Matriz de correlación
PIBREAL PIBRSC PIBREALME PIBRSCME1
1
PIBREAL 1.000000 0.578892 1.000000 0.578892
PIBRSC 0.578892 1.000000 0.578892 1.000000
PIBREALME 1.000000 0.578892 1.000000 0.578892
1
PIBRSCME1 0.578892 1.000000 0.578892 1.000000

La matriz de correlación muestra, en conclusión, que las series de tiempo se


relacionan en un 58%. Dicha asociación, a pesar de ser un poco alta, no sugiere que el
modelo esté seriamente afectado por la multicolinealidad. A saber, se sospecha que el
problema de multicolinealidad es grave cuando supera el 80% en valor absoluto. La matriz
de correlación revela al igual que la relación lineal exacta que existe entre el PIB real del
sector construcción respecto a su rezago en un período; lo mismo se puede decir del PIB
real de la economía dominicana y su respectivo rezago en un período.

La severidad de la multicolinealidad será medida a través de dos métodos:

• El método de las regresiones auxiliares.

El primer método mencionado consiste en hacer tres regresiones auxiliares


utilizando como variables explicadas cada una de las regresoras respecto al resto de las
variables exógenas. De estas tres regresiones se observará cual de todas posee el R2 más

31
elevado; si dicha bondad de ajuste es mayor que la bondad de ajuste obtenida de la
regresión original se dirá que el problema de la multicolinealidad es grave.

A continuación se presentan los resultados de las regresiones:

Regresión auxiliar de PIB real


Dependent Variable: LOG(PIBREAL)
Method: Least Squares
Date: 10/12/05 Time: 21:34
Sample(adjusted): 1991:2 2004:4
Included observations: 55 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 0.627312 0.392042 1.600112 0.1156
LOG(2*PIBREAL(-1)) 0.540814 0.137497 3.933280 0.0002
LOG(2*PIBRSC(-1)) 0.182665 0.118422 1.542496 0.1290
R-squared 0.444144 Mean dependent var 2.637716
Adjusted R-squared 0.422765 S.D. dependent var 0.223021
S.E. of regression 0.169442 Akaike info criterion -0.659606
Sum squared resid 1.492958 Schwarz criterion -0.550115
Log likelihood 21.13917 F-statistic 20.77474
Durbin-Watson stat 2.473829 Prob(F-statistic) 0.000000

Regresión auxiliar de PIB real rezagado en un período


Dependent Variable: LOG(2*PIBREAL(-1))
Method: Least Squares
Date: 10/12/05 Time: 21:43
Sample(adjusted): 1991:2 2004:4
Included observations: 55 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
LOG(PIBREAL) 0.423981 0.107793 3.933280 0.0002
C 1.850730 0.246084 7.520719 0.0000
LOG(2*PIBRSC(-1)) 0.336230 0.096557 3.482206 0.0010
R-squared 0.528629 Mean dependent var 3.342372
Adjusted R-squared 0.510499 S.D. dependent var 0.214435
S.E. of regression 0.150028 Akaike info criterion -0.902991
Sum squared resid 1.170433 Schwarz criterion -0.793500
Log likelihood 27.83226 F-statistic 29.15823
Durbin-Watson stat 2.023755 Prob(F-statistic) 0.000000

32
Regresión auxiliar de PIB real del sector construcción rezagado en un período
Dependent Variable: LOG(2*PIBRSC(-1))
Method: Least Squares
Date: 10/12/05 Time: 21:47
Sample(adjusted): 1991:2 2004:4
Included observations: 55 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -1.401289 0.416780 -3.362180 0.0015
LOG(2*PIBREAL(-1)) 0.562393 0.161505 3.482206 0.0010
LOG(PIBREAL) 0.239529 0.155287 1.542496 0.1290
R-squared 0.415150 Mean dependent var 1.110250
Adjusted R-squared 0.392656 S.D. dependent var 0.248975
S.E. of regression 0.194032 Akaike info criterion -0.388585
Sum squared resid 1.957720 Schwarz criterion -0.279094
Log likelihood 13.68608 F-statistic 18.45583
Durbin-Watson stat 0.502134 Prob(F-statistic) 0.000001

Sacando los R2 de cada una de las regresiones se tienen los valores de la siguiente
tabla:

En conclusión, la regresión auxiliar que contiene una bondad de ajuste más elevada
es la del PIB real rezagado en un período. Si comparamos el R2 de esta regresión
(0.528629) con el de la regresión original (0.737274), sin embargo, se tiene como resultado
que la bondad de ajuste del modelo de regresión original es más alta, lo que nos lleva a
concluir, en base a esta prueba, que el problema de la multicolinealidad en este modelo no
es grave.
• Inflación de varianza y factor de tolerancia

33
Las fórmulas para el inflador de varianza y el factor de tolerancia son,
respectivamente,

FIV = 1/(1-R2)
TOL = 1-R2

La regla de decisión para el inflador de varianza es que si éste es mayor a 10, se


dice que la variable expuesta es altamente colineal, lo que causará problemas al modelo de
regresión estimado originalmente. En cambio, la regla de decisión para el factor de
tolerancia es que entre más cerca este TOL de 1, mayor colinealidad contiene la serie de
tiempo.

Tomando el valor del R2 más alto de las regresiones auxiliares, dicha bondad de
ajuste estará sujeta a las dos fórmulas antes mencionadas en el párrafo anterior. Las
deducciones a las que se llegaron se muestran en las próximas líneas:

FIV = 1/(1-0.528629) = 2.121471


TOL = 1-0.528629 = 0.471371

Se observa que ni el FIV se acerca a 10 ni el TOL se acerca a 1, por lo tanto


concluimos que la multicolinealidad en el modelo de regresión que estima el crecimiento
del PIB real del sector construcción en la República Dominicana no es un problema de
gravedad.

34
Detección de autocorrelación

Esta prueba que veremos en breve trata de determinar si los errores de la regresión
se encuentran serialmente correlacionados. Volvamos al modelo original, a saber,

Log (PIBRSCt) = α + β1log (PIBREALt-1) – β2log [2(PIBREALt-1)] + β3log


[2(PIBRSCt-1)] + ut

En dicha regresión, al obtenerse los resultados, se tiene que el Durbin-Watson es


igual a 2.244251. Este estadístico DW, infortunadamente, no sirve para determinar si los
errores del modelo original se encuentran serialmente correlacionados, debido a que la
regresión que tratamos de estimar es un modelo de rezagos distribuidos que incluye la
variable dependiente rezagada en un período como regresora. En casos como éstos se
estima el estadístico h. La fórmula para dicho estadístico es como sigue:

h = ρ*(n/ (1-n*var (β3)))1/2

En este modelo la hipótesis nula es que β3 = 0, lo que significa que no existe


correlación serial en los errores. La variable que acompaña al coeficiente β3 es la variable
endógena rezagada un período. Así mismo, n representa el número de observaciones. La
hipótesis nula antes mencionada se rechaza cuando el valor del estadístico |h| es mayor a
1.96. El estadístico DW ayuda en este caso para poder estimar el valor de ρ, el cual es

ρ = 1-(d/2)

Estimando a rho (ρ) para este modelo se obtiene el resultado siguiente:

ρ = 1-(2.244251/2) = -0.122126

35
Una vez obtenido el valor de rho se puede estimar el estadístico h. Éstos son los
cálculos:

h = -0.122126*(55 / (1-55*(0.009412))1/2
h = -1.30406

Comparando, para rechazar o no rechazar la hipótesis nula, se observa que

|-1.30| < 1.96

En base a estos cálculos, para α = 5%, no se rechaza la hipótesis nula de que


β3 =0, por lo que se que concluye que los términos de error del modelo original no están
correlacionados entre sí.

36
Prueba de Heteroscedasticidad

Para verificar si los errores del modelo estimado son homoscedásticos, es decir, si
la regresión tiene varianza constante en el tiempo (E (ui2) = σ2), se utiliza la prueba de
heteroscedasticidad de White, donde:

Ho : Los errores son homoscedásticos.


H1 : Los errores no son homoscedásticos.

White Heteroskedasticity Test:


F -statistic 0.460324 Probability 0.834068
Obs*R-squared 2.992535 Probability 0.809783

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 10/14/05 Time: 16:00
Sample: 1991:2 2004:4
Included observations: 55
Variable Coefficient Std. Error t-Statistic Prob.
C 1.199614 0.860307 1.394403 0.1696
LOG(PIBREAL) -0.281335 0.300112 -0.937433 0.3532
(LOG(PIBREAL))^2 0.055238 0.059031 0.935758 0.3541
LOG(2*(PIBREAL(- -0.571592 0.449751 -1.270906 0.2099
1)))
(LOG(2*(PIBREAL(- 0.085830 0.069253 1.239368 0.2212
1))))^2
LOG(2*(PIBRSC(-1))) 0.192209 0.166743 1.152724 0.2547
(LOG(2*(PIBRSC(- -0.071990 0.069389 -1.037483 0.3047
1))))^2
R-squared 0.054410 Mean dependent var 0.017086
Adjusted R-squared -0.063789 S.D. dependent var 0.023887
S.E. of regression 0.024637 Akaike info criterion -4.450709
Sum squared resid 0.029135 Schwarz criterion -4.195231
Log likelihood 129.3945 F-statistic 0.460324
Durbin-Watson stat 1.968007 Prob(F-statistic) 0.834068

37
Con un nivel de significancia de 5%, no se rechaza la hipótesis nula de que los
errores del modelo estimado son homoscedásticos, es decir, el modelo carece del problema
de heteroscedasticidad.

Modelo 2:

Estimación del modelo con variables dicótomas


Agregar a nuestro modelo variables dicótomas nos ayudará a sacar a la luz el
componente de estacionalidad que pueda tener el PIB real del sector construcción en la
República Dominicana. Pero antes de agregar dichas variables a nuestro modelo de
regresión veamos con detenimiento la gráfica del PIB real del sector construcción en el
período en el que se le evalúa.

La gráfica a examinar se encuentra en la parte baja de la página y muestra el


comportamiento del PIB real del sector construcción en la economía en el período dentro de
la muestra. Este diagrama revela que dentro de cada año existen trimestres en los que la
variable regresada experimenta momentos de crecimiento, mientras que en otros trimestres
experimenta períodos de recesión. Apoyados por la prueba de Chow de cambio estructural,
podemos decir que el sector construcción experimenta un crecimiento sostenido a partir del
segundo trimestre del año 1996, alcanzando el pico en el primer trimestre de 1999; este
crecimiento se debe a las diversas obras de infraestructura hechas en la primera
administración gubernamental del Dr. Leonel Fernández.

38
Gráfica del PIB real del sector construcción de la República Dominicana, 1991 – 2004

Luego de este crecimiento en el sector construcción dicho sector de la


economía comienza a decaer en el primer trimestre del año 2000; dicha recesión se ve
prolongada por la crisis bancaria de 2003 que se traduce en un aumento del nivel de precios
en la economía, lo que a su vez reduce la capacidad de inversión y consumo de los agentes
económicos. Cabe agregar que el sector construcción experimentó un aumento en términos
nominales en el tercer trimestre de 2003 a causa de las diversas construcciones de varias
infraestructuras deportivas realizadas por las autoridades por motivo de los Juegos
Panamericanos de ese año; sin embargo este crecimiento no se pudo apreciar en términos
reales a causa de la profunda caída de la economía dominicana.

En el segundo trimestre de 2004 el sector construcción empieza a crecer


nuevamente como consecuencia de expectativas más optimistas sobre la economía
dominicana por parte de los agentes económicos, producto a su vez de los resultados de las
elecciones presidenciales de 2004.

39
Volviendo a lo que nos concierne, para estimar un modelo con variables
dicótomas se tomará como período base el primer trimestre de cada año sujeto a estudio. La
siguiente transformación es la que sigue:

Log (PIBRSCt) = α + β1log (PIBREALt-1) – β2log [2(PIBREALt-1)] + β3log


[2(PIBRSCt-1)] + β4D2 + β5D3 + β6D4 + ut

Para el modelo anterior:

D2: 1 si la observación pertenece al segundo trimestre; 0 si es lo contrario.


D3: 1 si la observación pertenece al tercer trimestre; 0 si es lo contrario.
D4: 1 si la observación pertenece al cuarto trimestre; 0 si es lo contrario.

Antes de presentar los resultados de la estimación del modelo de regresión que


incluye variables dicótomas como variables exógenas se debe tener presente la
interpretación de los resultados. El intercepto representa el promedio porcentual de
crecimiento del sector construcción para los primeros trimestres de cada año observado
(ceteris paribus). Los coeficientes que acompañarán a las variables dicótomas informarán
acerca de la diferencia del promedio del crecimiento porcentual del sector construcción
entre el primer trimestre y el trimestre que el β represente, manteniendo las demás variables
exógenas constantes. De modo que si se quiere saber el verdadero valor promedio del
crecimiento porcentual en los trimestres 2, 3, y 4, se le restará a la constante los valores de
los parámetros.

Los resultados de esta regresión se presentan como siguen:

Dependent Variable: LOG(PIBRSC)


Method: Least Squares
Date: 10/13/05 Time: 08:50
Sample(adjusted): 1991:2 2004:4
Included observations: 55 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -1.398212 0.316340 -4.419973 0.0001
LOG(PIBREAL) 0.438751 0.183345 2.393029 0.0207
LOG(2*(PIBRSC(-1))) 0.802714 0.075660 10.60956 0.0000

40
D2 0.186181 0.048775 3.817140 0.0004
D3 0.278252 0.040538 6.863979 0.0000
D4 0.256858 0.086594 2.966222 0.0047
LOG(2*(PIBREAL(- -0.125995 0.205145 -0.614177 0.5420
1)))
R-squared 0.869708 Mean dependent var 0.412779
Adjusted R-squared 0.853421 S.D. dependent var 0.257365
S.E. of regression 0.098534 Akaike info criterion -1.678418
Sum squared resid 0.466029 Schwarz criterion -1.422940
Log likelihood 53.15651 F-statistic 53.40033
Durbin-Watson stat 2.764235 Prob(F-statistic) 0.000000

Debido a que la variable “PIB real de la economía” resultó ser no significativa, será
sacada de este modelo, lo que resultará en el modelo siguiente:

log(PIBRSCt) = α + β1log(PIBREALt) + β2 log[2(PIBRSCt-1)] + β3D2 + β4D3 +


β5D4 + ut

Los resultados de esta regresión se presentan en lo adelante:

Dependent Variable: LOG(PIBRSC)


Method: Least Squares
Date: 10/13/05 Time: 09:07
Sample(adjusted): 1991:2 2004:4
Included observations: 55 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C -1.557519 0.179930 -8.656274 0.0000
LOG(PIBREAL) 0.338189 0.081977 4.125401 0.0001
LOG(2*(PIBRSC(-1))) 0.791837 0.073089 10.83393 0.0000
D2 0.200886 0.042224 4.757657 0.0000
D3 0.278420 0.040279 6.912339 0.0000
D4 0.302927 0.042993 7.046040 0.0000
R-squared 0.868684 Mean dependent var 0.412779
Adjusted R-squared 0.855284 S.D. dependent var 0.257365
S.E. of regression 0.097906 Akaike info criterion -1.706954
Sum squared resid 0.469691 Schwarz criterion -1.487972
Log likelihood 52.94124 F-statistic 64.82892
Durbin-Watson stat 2.661609 Prob(F-statistic) 0.000000

Vemos que en este modelo tanto las variables de orden cuantitativo como las de
orden cualitativo resultan ser estadísticamente significativas, tanto en lo individual (para α
= 5%) como en lo global (también para α = 5%). Las variables en su conjunto explican al
PIB real del sector construcción en un 87%. Su interpretación es la siguiente:

41
• La tasa de decremento del sector construcción para los primeros
trimestres del período 1991-2004 es de 1.56%, manteniendo los demás
factores constantes.

• Un incremento de un 1% en el PIB real de la economía incrementa al


PIB del sector construcción en un 0.34%, manteniendo los demás
factores constantes.

• Un incremento del PIB real del sector construcción en el período


anterior incrementa el producto interno bruto del sector construcción en
un 0.79%, manteniendo los demás factores constantes.

• El decremento promedio del PIB del sector construcción en los segundo


trimestres por cada año es de un 1.76%, manteniendo los factores de la
regresión constantes.

• El decremento promedio del PIB del sector construcción en los tercer


trimestres por año es de 1.84%, manteniendo los demás factores
constantes.

• El PIB del sector construcción decrece en los cuarto trimestres del


período examinado en un 1.86%, manteniendo los demás factores
constantes.

42
Modelo # 3

Modelo ARIMA (Autorregresivo integrado con media móvil)

En la presente investigación procederemos a construir un modelo ARIMA a partir


de la serie de tiempo PIBRSC (PIB real del Sector Construcción), con el fin de realizar un
pronóstico del valor de esta variable para el año 2005.

Para ajustar un modelo ARIMA (p, d, q) se deben realizar diferentes pasos:


Identificar el modelo, estimar el modelo, verificar si el modelo se ajusta a los datos y si es
así realizar el pronostico correspondiente, que en el presente trabajo será para los cuatro
trimestres del 2005 .

1- IDENTIFICACIÓN DEL MODELO:

43
Consiste en encontrar los valores p, d y q apropiados. Para estos fines, las
principales herramientas son las FAC Y FACP y sus gráficos, que son los correlogramas de
la función de autocorrelación y de autocorrelación parcial. El último rezago
estadísticamente significativo del correlograma AC nos dará el valor de p y el último
rezago estadísticamente significativo del correlograma ACP nos dará el valor de q. El valor
de d viene dado por el orden de integración o más bien por el número de veces que hay que
diferenciar la serie de tiempo para convertirla en estacionaria. El proceso es el siguiente:

Correlograma del PIB Real del Sector Construcción:

44
Gráfica del PIB Real del Sector Construcción:

45
El patrón general que se observa en este correlogramas hasta 24 rezagos de la serie
de tiempo PIBRSC (PIB real del sector construcción), es un patrón con una tendencia
decreciente. Si observamos los coeficientes de la función de autocorrelación (AC) nos
daremos cuenta que empiezan con valores altos y luego van declinando conforme
aumentan los rezagos.

Este patrón y características señaladas del correlograma de la serie de tiempo


PIBRSC, nos sugieren intuitivamente que dicha serie es no estacionaria; ésta puede ser no
estacionaria respecto a la media o a la varianza o ambas.

Ahora bien, analicemos los resultados arrojados por la prueba formal Dickey- Fuller
aumentada sobre estacionariedad.

Prueba Dickey-Fuller Aumentada:

46
Consideramos:

H0: Existe una raíz unitaria: la serie de tiempo es no estacionaria. I (1)


H1: La serie de tiempo es estacionaria. I (0)

Si | τ calc. | > τ crit. Se rechaza H0

47
A un nivel de significancia de 5% no se rechaza la hipótesis nula de que existe una
raíz unitaria. Es decir, que la serie de tiempo es no estacionaria.

Pero para saber el nivel de integración de esta serie se realiza una prueba Dickey -
Fuller aumentada con la serie en 1 era diferencia, lo que nos arroja:
Prueba Dickey-Fuller Aumentada en Primera Diferencia:

H0: Existe una


raíz unitaria: la
serie de tiempo es
no estacionaria.
I (2)
H1: Existe una raíz unitaria: la serie de tiempo es no estacionaria. I (1)

48
Si | Τau calc. | > Τau crit. Se rechaza H0

A un nivel de significancia de 5% no se rechaza la hipótesis nula de que la serie de


tiempo es no estacionaria. I (2). Es decir, que la serie de tiempo en primera diferencia es no
estacionaria.

Correlograma en primera diferencia:

Prueba Dickey-Fuller Aumentada en Segunda Diferencia:

49
H0: Existe una raíz unitaria: la serie de tiempo es no estacionaria. I (3)
H1: Existe una raíz unitaria: la serie de tiempo es no estacionaria. I (2)

Si | τ calc. | > τ crit. Se rechaza H0

A un nivel de significancia de 5% se rechaza la hipótesis nula de que la serie de


tiempo es no estacionaria. I (3). Es decir, que la serie de tiempo es I (2). Por lo que es
necesario diferenciarla dos veces para convertirla en estacionaria.

50
Correlograma en Segunda Diferencia:

Este correlograma al igual que la prueba Dickey-Fuller aumentada nos sugiere que
la serie de tiempo en 2da diferencia es estacionaria. Por lo que resulta prudente utilizar
estos resultados para determinar los valores de p y q, del modelo ARIMA.

51
Observando las funciones de autocorrelación y autocorrelación parcial, podemos
apreciar que la FAC presenta una tendencia sinusoidal decreciente mientras que la FACP
presenta picos a lo largo de los rezagos. Lo que sugiere la estimación de un modelo
autorregresivo.

En la FAC el último rezago estadísticamente diferente de cero es el rezago número


20, por tanto p = 20, lo que implica un proceso autorregresivo AR (20). La serie PIB Real
del Sector Construcción es integrada de orden 2, I (2), por lo que d = 2.
Así, que tenemos un modelo ARIMA (20, 2, 0).

2- ESTIMACIÓN DEL MODELO:

Nuestro modelo ARIMA (20, 2, 0), estimado con el software eviews, arroja los siguientes
resultados:

Debido a la no significancia estadística de un gran numero de rezagos, consideramos prudente excluir

ARIMA (8, 2,

52
0) con los siguientes valores:

La 2 da diferencia de la serie PIBRSC es:

∆2 PIBRSCt = (PIBRSCt - IPBRSCt- 1) – (PIBRSCt- 1 - PIBRSCt- 2)

Entonces, nuestro modelo ARIMA:

2 2 2
∆2 PIBRSCt = β0 ∆ IPBRSCt – 1 + β1 ∆ IPBRSCt – 4 + β2 ∆ IPBRSCt – 8

Donde:

PIBRSC = PIB Real del Sector Construcción

3- VERIFICACIÓN DE DIAGNÓSTICO:

Un diagnóstico simple para saber si existe un ajuste razonable de los datos, es


obtener los residuos del modelo AR (P) y obtener los correlogramas de la función

53
autocorrelación y la de autocorrelación parcial. Si estos sugieren que los residuos son
aleatorios, entonces tenemos un buen modelo ARIMA.

Estos resultados gráficos nos sugieren que los residuos de esta serie de tiempo son estacionarios. La pr

54
H0: Existe una raíz unitaria: los residuos son no estacionarios. I (1)
H1: Los residuos son estacionarios.
Si | τ calc. | > τ crit. Se rechaza H0

A un nivel de significancia de 5% se rechaza la hipótesis nula de que los residuos


son no estacionarios. I (1). Es decir, que los residuos de la serie de tiempo son
estacionarios.
Gráfica de los Residuos del Modelo ARIMA (8, 2, 0):

55
4- PRONÓSTICO:

Una vez que se ha verificado que el modelo ARIMA estimado es correcto, pasamos
a predecir los posibles valores, a corto plazo, del PIB real del sector construcción de la
siguiente manera:

2 2 2
∆2 PIBRSCt = β1 ∆ IPBRSCt – 1 + β2 ∆ IPBRSCt – 4 + β3 ∆ IPBRSCt – 8 + ut

esto es igual a:

56
PIBRSCt - 2 PIBRSCt-1 + PIBRSCt-2 = β1 (PIBRSCt-1 – 2 PIBRSCt-2 + PIBRSCt-3 ) + β2

(PIBRSCt-4 – 2 PIBRSCt-5 + PIBRSCt-6 ) + β3 (PIBRSCt-8 – 2 PIBRSCt-9 + PIBRSCt-10 )

Despejando PIBRSCt, tenemos:

PIBRSCt = β1 (PIBRSCt-1 – 2 (PIBRSCt-2) + PIBRSCt-3 ) + β2 (PIBRSCt-4 – 2 (PIBRSCt-5) +

PIBRSCt-6 ) + β3 (PIBRSCt-8 – 2 (PIBRSCt-9) + PIBRSCt-10 ) + 2 (PIBRSCt-1) - PIBRSCt-2

A partir de esta transformación estimaremos los valores del PIB real del sector
construcción para el año 2005, así para el primer trimestre de dicho año tenemos la
siguiente ecuación:

PIBRSC2005-I = β1 (PIBRSC2004-IV – 2 (PIBRSC2004-III) + PIBRSC2004-II) + β2 (PIBRSC2004-I

– 2 (PIBRSC2003-IV) + PIBRSC2003-III) + β3 (PIBRSC2003-I – 2 (PIBRSC2002-IV) + PIBRSC2002-

III ) + 2 (PIBRSC2004-IV) - PIBRSC2004-III.

PIBRSC2005-I = -0.319647 (0.83 – 2 (0.78) + 0.74) + 0.403776 (0.87 – 2 (1.2468) + 1.1351)


+ 0.282315 (1.41 – 2 (1.9093) + 1.7957) + 2 (0.83) – 0.78.

PIBRSC2005-I = -0.319647 (0.83 – 1.56 + 0.74) + 0.403776 (0.87 – 2.4936+ 1.1351) +


0.282315 (1.41 – 3.8186 + 1.7957) + 1.66 – 0.78.

PIBRSC2005-I = -0.319647 (0.01) + 0.403776 (-0.4885) + 0.282315 (-0.6129) + 1.66 – 0.78.

PIBRSC2005-I = 0.003196 – 0.1972 – 0.1730 + 1.66 – 0.78 = 0.68

El valor pronosticado del PIB real del sector construcción para el primer trimestre
del año 2005 es 0.68, es decir de RD$ 680 millones de pesos, podemos decir que el error
de pronóstico fue una subestimación de 0.02, pues el valor que realmente dio en este

57
trimestre PIB real del sector construcción fue de 0.70; o sea que este modelo es adecuado
para predecir el valor de esta variable ya que el error de pronostico no fue muy elevado.

! Ahora estimamos el PIB real del sector construcción para el segundo trimestre:

PIBRSC2005-II = β1 (PIBRSC2005-I – 2 (PIBRSC2004-IV) + PIBRSC2004-III) + β2 (PIBRSC2004-II

– 2 (PIBRSC2004-I) + PIBRSC2003-IV) + β3 (PIBRSC2003-II – 2 (PIBRSC2003-I) + PIBRSC2002-IV


) + 2 (PIBRSC2005-I) - PIBRSC2004-IV.

PIBRSC2005-II = -0.319647 (0.68 – 2 (0.83) + 0.78) + 0.403776 (0.74 – 2 (0.87) + 1.2468)


+ 0.282315 (1.1441 – 2 (1.41) + 1.9093) + 2 (0.68) – 0.83.

PIBRSC2005-II = -0.319647 (0.68 – 1.66 + 0.78) + 0.403776 (0.74 – 1.74 + 1.2468) +


0.282315 (1.441 – 2.82 + 1.9093) + 1.36 – 0.83.

PIBRSC2005-II = -0.319647 (-0.2) + 0.403776 (0.2468) + 0.282315 (0.5303) + 1.36 – 0.83.

PIBRSC2005-II = 0.0639 + 0.09965 + 0.1497 + 1.36 – 0.83 = 0.84

El valor pronosticado del PIB real del sector construcción para el segundo trimestre
del año 2005 es 0.84 miles de millones, es decir de RD$ 840 millones de pesos, podemos
decir que el error de pronóstico fue una sobreestimación de 0.07, pues el valor que
realmente dio en este trimestre PIB real del sector construcción fue de 0.77; lo que revela
un error de pronostico bastante bajo.

A continuación daremos a conocer los posibles valores que podríamos considerar


para el PIB real del sector construcción para los próximos trimestres (tercero y cuarto) del
año 2005 dadas las condiciones económicas consideradas a la hora de calcular este modelo.

58
! PIB Real de construcción para el tercer trimestre:

PIBRSC2005-III = β1 (PIBRSC2005-II – 2 (PIBRSC2005-I) + PIBRSC2004-IV) + β2 (PIBRSC2004-III


– 2 (PIBRSC2004-II) + PIBRSC2004-I) + β3 (PIBRSC2003-III – 2 (PIBRSC2003-II) + PIBRSC2003-I )
+ 2 (PIBRSC2005-II) - PIBRSC2005-I.

PIBRSC2005-III = -0.319647 (0.84 – 2 (0.68) + 0.83) + 0.403776 (0.78 – 2 (0.74) + 0.87) +


0.282315 (1.1351 – 2 (1.441) + 1.41) + 2 (0.84) – 0.68.

PIBRSC2005-III = -0.319647 (0.84 – 1.36 + 0.83) + 0.403776 (0.78 – 1.48 + 0.87) +


0.282315 (1.1351 – 2.882 + 1.41) + 1.68 – 0.68.

PIBRSC2005-III = -0.319647 (0.31) + 0.403776 (0.17) + 0.282315 (-0.3369) + 1.68 – 0.68.

PIBRSC2005-III = -0.0990 + 0.0686 - 0.0951 + 1.68 – 0.68 = 0.87

El valor pronosticado para el tercer trimestre del año 2005 es de 0.87 miles de
millones, es decir RD$ 870 millones.

! PIB Real de construcción para el cuarto trimestre:

PIBRSC2005-IV = β1 (PIBRSC2005-III – 2 (PIBRSC2005-II) + PIBRSC2005-I) + β2 (PIBRSC2004-IV

– 2 (PIBRSC2004-III) + PIBRSC2004-II) + β3 (PIBRSC2003-IV – 2 (PIBRSC2003-III) + PIBRSC2003-


II ) + 2 (PIBRSC2005-III) - PIBRSC2005-II.

PIBRSC2005-IV = -0.319647 (0.87 – 2 (0.84) + 0.68) + 0.403776 (0.83 – 2 (0.78) + 0.74) +


0.282315 (1.2468 – 2 (1.1351) + 1.441) + 2 (0.87) – 0.84.

PIBRSC2005-IV = -0.319647 (0.87 – 1.68 + 0.68) + 0.403776 (0.83 – 1.56 + 0.74) +


0.282315 (1.2468 – 2.2702 + 1.441) + 1.74 – 0.84.

59
PIBRSC2005-IV = -0.319647 (-0.13) + 0.403776 (0.01) + 0.282315 (0.4176) + 1.74 – 0.84.

PIBRSC2005-IV = -0.0415+ 0.00403 + 0.1178 + 1.74 – 0.84 = 1.06

El valor pronosticado para el cuarto trimestre del año 2005 es de 1.06 miles de millones, es
decir RD$ 1,060 millones.

60
Modelo 4
Modelo Log-Lin

Otro modelo alternativo a los varios que ya hemos expuesto, es el modelo de


regresión de semi elasticidad, en el cual hemos utilizado los valores rezagados de las
variables explicativas para ilustrar el crecimiento del PIB real del sector construcción de la
economía dominicana.

En primer lugar, procederemos a realiza la prueba de cointegración, para verificar


si las series de tiempo están equilibradas en el largo plazo

Date: 10/14/05 Time: 20:27


Sample(adjusted): 1992:1 2003:4
Included observations: 48 after adjusting endpoints
Trend assumption: Linear deterministic trend (restricted)
Series: TIR1 TCR2 PREVAR1 PREPIN1 PRECEM1 PIBRSC
Lags interval (in first differences): 1 to 1

Unrestricted Cointegration Rank Test


Hypothesized Trace 5 Percent 1 Percent
No. of CE(s) Eigenvalue Statistic Critical Value Critical Value
None ** 0.868180 239.8378 114.90 124.75
At most 1 ** 0.656974 142.5747 87.31 96.58
At most 2 ** 0.604650 91.21717 62.99 70.05
At most 3 * 0.447165 46.67394 42.44 48.45
At most 4 0.274798 18.22450 25.32 30.45
At most 5 0.056700 2.801827 12.25 16.26
*(**) denotes rejection of the hypothesis at the 5%(1%) level
Trace test indicates 4 cointegrating equation(s) at the 5% level
Trace test indicates 3 cointegrating equation(s) at the 1% level

Esta prueba confirma el hecho de que las variables cointegran en el largo plazo.

Consideramos un modelo para estimar el PIB real del sector construcción con las
variables siguientes:

• Tipo de interés.

61
• Tipo de cambio.
• Precios del cemento, de la varilla y de la pintura.
• Gastos del gobierno.

Usando el software de Eviews se obtuvieron los siguientes resultados a través de los


MCO. Téngase en cuenta que cada una de las series de tiempo (exceptuando la variable
“gastos del gobierno en construcción y plantas agrícolas”) ha sido diferenciada de manera
necesaria para volverse estacionaria:

Dependent Variable: LOG(PIBRSC)


Method: Least Squares
Date: 10/14/05 Time: 23:23
Sample(adjusted): 1991:3 2003:4
Included observations: 50 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 0.396998 0.061319 6.474333 0.0000
PRECEM1 0.002927 0.004831 0.605853 0.5478
PREPIN1 -0.009541 0.003505 -2.721682 0.0093
PREVAR1 -4.31E-05 4.77E-05 -0.904149 0.3710
TIR1 -0.005135 0.005993 -0.856751 0.3963
TCR2 -0.037091 0.030327 -1.223044 0.2280
G 5.71E-05 3.80E-05 1.502808 0.1402
R-squared 0.270583 Mean dependent var 0.467861
Adjusted R-squared 0.168804 S.D. dependent var 0.189664
S.E. of regression 0.172917 Akaike info criterion -0.542836
Sum squared resid 1.285708 Schwarz criterion -0.275153
Log likelihood 20.57091 F-statistic 2.658532
Durbin-Watson stat 0.897952 Prob(F-statistic) 0.027773

Desafortunadamente, no podemos hacer uso de este modelo debido a dos cosas:

• Posiblemente existen errores de recolección en la información.


• Su poder de predicción es nulo, debido a los problemas antes mencionados.

Se mantiene el planteamiento del modelo, pero no podemos realizar inferencias ni


determinar el comportamiento del sector construcción debido a las razones ya expuestas.

62
CONCLUSIÓN

Basándonos en las estimaciones hechas sobre los modelos elaborados, obtuvimos


los siguientes resultados:

1) Se realizaron tres modelos, cada uno destinado de forma diferente a la búsqueda


de un objetivo especifico
2) El primer modelo diseñado, el de rezagos distribuido, tiene un R2 = 0.74, un R2
ajustado = 0.72 y criterios de Akaike y Schwarz de -1.09 y -0.94
respectivamente. Este modelo sirve para estimar variaciones en el crecimiento
del PIB de sector construcción dominicano en el Corto Plazo.
3) El segundo modelo elaborado, de rezagos distribuidos con variables dicotomías,
presenta criterios de selección equivalentes a un R2 = 0.87, R2 ajustado = 0.86,
Akaike = -1.71 y Schwarz = -1.49. Este último modelo es aplicado para estimar
las variaciones del crecimiento del PIB del sector construcción dominicano en el
corto plazo pero separando los componentes de estacionalidad, esto se hace a
través de las variables dummy.
4) El tercer modelo estimado, es un modelo Autorregresivo, el diseño de este
modelo nos arrojo un R2 = 0.68, R2 ajustado = 0.67, Akaike = 0.62 y Schwarz =
0.73. Este modelo de rezagos distribuido, nos sirve para predecir los posibles
crecimientos que tengan el PIB del sector construcción para los 4 trimestres del
2005, específicamente nos basamos en predecir los dos últimos trimestres del
2005.

5) Tomando como criterios de comparación los datos que fueron obtenidos por el
Banco Central y luego llevados a reales, para los dos primeros trimestres de
2005, obtuvimos los siguientes resultados de predicción para estos dos mismos
periodos de tiempo:

63
Predicción del modelo AR PIB real del sector
Trimestre sobre el PIB real de sector construcción
construcción
Enero – Marzo 2005 0.68 0.70
Abril – Junio 2005 0.84 0.77

6) Basándonos en el bajo margen de error obtenido por el modelo estimado


predecimos que posiblemente el PIB real del sector construcción en la Republica
Dominicana para los trimestres Julio – Septiembre y Octubre – Diciembre de
2005, van a ser aproximadamente de un 0.87 y 1.06 millones de pesos
respectivamente, hay que aclarar que estas predicciones se hacen manteniendo
los factores de la economía dominicana constantes, donde no exista ningún
desequilibrio que influya drásticamente en una variación brusca de la actividad
económica.
7) Los tres modelos elaborados no presentan violaciones a los supuestos MCO, o
sea, multicolinealidad, heterocedasticidad, autocorrelacion, sesgo de
especificación o forma funcional incorrecta.
8) Se determinó la no estabilidad o presencia de cambios estructural, en dos
momentos de la economía evaluada, para el segundo trimestre de 1996,
explicando que esto pudo haber sido por el incremento en las construcciones en
este periodo a causa de la creación de elevados y vías alternas en la capital, y
otro cambio estructural para el segundo trimestre de 2002, esto se puede explicar
por el caos económico que se aletargo posteriormente en el año 2003 y que trajo
consigo la quiebra de los bancos produciendo inestabilidad económica en la
nación.

64
RECOMENDACIONES

Las recomendaciones que podríamos hacer a futuros / as investigadores / as son las


siguientes:

Realizar una búsqueda más profunda de los datos, búsqueda que por falta de tiempo
no se pudo realizar.

Incluir dentro de los modelos estimados de esta investigación más variables que
afecten a la economía en general, tales como las expectativas de inflación que pudiesen
tener los agentes económicos y el desempleo.

Examinar variables externas a la economía dominicana que pudiesen afectarla de


manera significativa. Como ejemplo, supondremos el huracán Katrina, el cual devastó la
ciudad de Nueva Orleáns en EEUU y detuvo la producción de petróleo, lo que produjo a su
vez una inflación de los precios del mismo al reducirse su oferta. Dicho incremento de los
bienes derivados del oro negro afectaron las decisiones de consumo de los agentes
económicos y obligó a las autoridades gubernamentales a tomar duras políticas para
suavizar los efectos de la crisis petrolera. Si bien el alza del barril del petróleo afectó de
gran manera al sector construcción, este modelo no recoge esa información.

65
BIBLIOGRAFIA

SERULLE RAMIA, José, “Economía y Construcción”, Sto. Dgo., Pág. 53

SERULLE RAMIA, José, “Economía y Construcción”, Sto. Dgo., Pág. 42

LARRAIN B., Felipe; “Macroeconomía en la economía Global”, 2da edición; Buenos


Aires, Pág. 5

LARRAIN B., Felipe; “Macroeconomía en la economía Global”, 2da edición; Buenos


Aires, Pág. 44.

GUJARATI, Damodar, “Econometria”. 4ta edición. México. Pág. 141-142

CEPAL, “Balance preliminar de las economías de América Latina y el Caribe”, 2004, Pág.
140

WWW.BANCENTRAL.GOV.DO/ESTADISTICAS.ASP

66