1.

DEFINICIONES

1.1 Consumo
Consumo es la acción de utilizar y/o gastar un producto, un bien o servicio
para atender necesidades humanas de cualquier tipo.(Consumo, 2015).

1.2 Consumo Público

Muchas veces nos confundimos en diferenciar Consumo público con Gasto
público, por eso haremos una diferencia clara y más precisa. El primero es
un gasto en el que incurre el Estado, a través de sus distintas estancias, con el
objetivo de brindar determinados bienes o servicios a la comunidad.
En el segundo es un ámbito más general por ejemplo el pago de la deuda del
Estado o subsidios que se brinda(Consumo público, 2020).
Los componentes del consumo público son:
Remuneración de los asalariados (R): Pago a los empleados de las
entidades públicas.
Consumos Intermedios (CI): Son gastos en bienes o servicios que
sirven como insumo para un proceso productivo. Nos referimos, por
ejemplo, al pago de alquileres.
Consumo de Capital fijo o depreciación(CF): Este es reconocido
en la contabilidad, pero no representa una salida de dinero en
efectivo.
Impuestos (I): Son tributos que pagan las propias instancias públicas
al realizar determinadas operaciones.
Ventas (V): Son los ingresos que reciben las entidades públicas por
los bienes y servicios que ofrecen. A diferencia de las categorías
previamente mencionadas, van en negativo, es decir, se restan. De ese
modo, se busca estimar el valor de la producción de las instituciones
estatales sin considerar los cobros efectuados.
Transferencias sociales en especie adquiridas en el mercado (T):
Se refiere a los gastos que realiza el Estado para garantizar la oferta
de un bien o servicio, pero que no es suministrado directamente por
la administración pública. Este puede ser el caso, por ejemplo, de
aquellos descuentos en tarifas de transporte público (gestionado por
un concesionario) que son cubiertos por el Gobierno.
Fórmula sería: Consumo público = R+CI+CF+I-V+T
2. ANÁLISIS ECONOMÉTRICO
Hemos querido probar la significancia del consumo con respecto al producto bruto
interno (PBI), evitamos hacer el análisis separando el consumo para evitar problemas de
correlatividad.

Nuestra cantidad de observaciones es de veinte, nuestro periodo de tiempo inicia en el

año 2000 y termina en 2019. Aplicando logaritmos a la data de valores absolutos del
consumo total y PBI.

Date LogPBI LogCtotal

2000 5.35 5.23
2001 5.35 5.23
2002 5.37 5.25
2003 5.39 5.26
2004 5.41 5.27
2005 5.44 5.29
2006 5.47 5.32
2007 5.50 5.35
2008 5.54 5.39
2009 5.55 5.41
2010 5.58 5.44
2011 5.61 5.47
2012 5.63 5.50
2013 5.66 5.53
2014 5.67 5.55
2015 5.68 5.57
2016 5.70 5.58
2017 5.71 5.59
2018 5.73 5.60
2019 5.74 5.62

Elaboración: Propia
Mediante el uso del programa Stata.16v estimamos la regresión entre nuestras variables
obteniendo lo siguiente.

Source SS df MS
Number of obs = 20
F(1, 18) = 2752.75
Model .348287361 1 .348287361 Prob > F = 0.0000
Residual .002277424 18 .000126524 R-squared = 0.9935
Adj R-squared = 0.9931
Total .350564785 19 .018450778 Root MSE = .01125

LogPBI Coef. Std. Err. t P>|t| [95% Conf. Interval]

LogCtotal .9727797 .0185409 52.47 0.000 .9338267 1.011733

_cons .2794298 .1005729 2.78 0.012 .0681339 .4907256

Haciendo el análisis correspondiente vemos los coeficientes y nuestra fórmula seria así:
Log(PBI) = 0.2794298 + 0.9727797(LogCtotal)
Cuando aumenta en 1% de consumo aumenta alrededor del 97% del PBI, el grado de
significancia es muy alta (R-squared). No cabe dudas del gran impacto del consumo en
cualquier economía del mundo.
Siguiendo con otras pruebas.
Correlación:
LogPBI LogCto~l

LogPBI 1.0000
LogCtotal 0.9967 1.0000
Obtenemos los coeficientes de correlación.

LogPBI LogCto~l

LogPBI .018451
LogCtotal .018844 .019371

Además, podemos obtener los valores de varianza, 0.018451 para el PBI y 0.019371 para el
consumo, y el valor de la covarianza entre PBI y Consumo, 0.018844.
 Prueba de Pearson:
LogPBI LogCto~l

LogPBI 1.0000

LogCtotal 0.9967 1.0000

0.0000

La prueba de Pearson nos sirve para observar el grado de significancia, como se mostró
previamente el grado de significancia es 99%. Llegando casi a la totalidad no cabe duda de
la importancia del consumo.
Normalidad:
Density

Density
2.5

1.5

2.5

1.5
.5

.5
2

1
Algo curioso ocurre al graficar la normalidad mediante la densidad de Kernel.

Kernel density estimate Kernel density estimate

5.3 5.4 5.5 5.6 5.7 5.8 5.2 5.3 5.4 5.5 5.6 5.7
LogPBI LogCtotal
kernel = epanechnikov, bandwidth = 0.0688
kernel = epanechnikov, bandwidth = 0.0671

El test de normalidad se representa por la distintiva forma de campana, determinada por el

matemático Gauss, pero como se aprecia en ambas gráficas se ve un efecto bimodal, no es
una campana, ni se acerca.
Para tratar de arreglar este curioso efecto, estimamos los errores de las variables y
volvemos a aplicar el test de Kurtosis, pero ahora le añadiremos el grafico de histograma.
 Density
40

30

20

10

0
-.02 -.01 0 .01 .02
Residuals

Si bien no es una “campana” perfecta, ahora se asemeja bastante a una. Al tener pocas
observaciones (20) ahora toca analizar los valores del test de normalidad.
Skewness/Kurtosis tests for Normality
joint
Variable Obs Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2

errores 20 0.6322 0.6278 0.48 0.7859

El supuesto de la normalidad de los errores es favorable (0.7859) mediante el uso del test
de kurtosis.
Heterocedasticidad:
La heterocedasticidad se presenta cuando las varianzas de los errores de un modelo no
permanecen constantes incumpliendo una de las hipótesis básicas.
Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
Ho: Constant variance
Variables: errores

chi2(1) = 0.46
Prob > chi2 = 0.4987

La probabilidad es mayor que 0.05 así que la hipótesis nula se aprueba, se cumple el que el
error estimado tiene una varianza constante.
Auto correlación:
La no relación de los errores en el tiempo.

La forma de analizar este correlograma es que los puntos azules no salgan de la zona gris,
como se observa en el punto 1, 6 y 7 salen de la zona así que existe correlación de las
variables a través del tiempo, pero no es muy alta.
Prueba B-gofrey:
Breusch-Godfrey LM test for autocorrelation

lags(p) chi2 df Prob > chi2

1 12.872 1 0.0003

H0: no serial correlation

La prueba b-godfrey nos muestra si existe auto correlación, donde la Probabilidad (0.0003)
debe ser mayor a beta2 (12.872), en este caso no sucede esto así que existe este problema.
Conclusión:
Normalidad  Aceptado
Heterocedasticidad  Aceptado
Auto correlación  Rechazado
El análisis de nuestras 2 variables no se acepta por poco, esto se debe a que el Consumo si
bien afecta significativamente al PBI, por sí solo no es suficiente. Al añadir más variables
como Inversión, Gasto, Importaciones y Exportaciones el modelo va tomando más
estabilidad.
Sin embargo, es innegable el rol tan importante del consumo para con el PBI, casi
obteniendo por sí mismo la capacidad suficiente de explicar a la actividad económica de un
país (PBI).