Professional Documents
Culture Documents
.
LECTURA DE LAS ESTADSTICAS DESCRIPTIVAS
Por otra parte, como fue planteado en la introduccin la idea principal de
estimar los diferentes modelos es de igualmente probar su capacidad
predictiva, la cual se primar como elemento fundamental para la escogencia
del mejor modelo.
En trminos de las estimaciones realizadas en primera instancia se estim un
modelo a travs de los Mnimos Cuadrados Ordinarios MCO. Todas las
variables tanto explicativas como la explicada se trabajaron en trminos per
cpita. El resultado de la estimacin obtenida se caracteriz por la no
significancia estadstica de varias de las variables utilizadas (anexo 2).
Posiblemente se presentan problemas de multicolinealidad de las variables
independientes.
Se procedi luego a utilizar el Anlisis de Componente Principal ACP (anexo
3). Los resultados encontrados muestran que las componentes principales
nmero de lneas telefnicas, impuestos y consumo de energa per cpita,
explican en conjunto el 94,70% y 90.33% para los aos 1996 y 2003
respectivamente, de la variabilidad total del PIB per cpita. Las variables lneas
telefnicas y consumo de energa el 87,01% y 80,9% para los aos 1996 y
2003 respectivamente, de la variabilidad total del PIB para el ao 2003.
Dado los resultados del ACP se procedi a realizar estimaciones para cada uno
de los aos a travs de los MCO y mxima verosimilitud. Adems de los dos
mtodos de estimacin mencionados se estim un panel balanceado para dos
periodos, 1996 y 2006.
Se realizaron estimaciones para los aos 1996 y 2003 por MCO y por mxima
verosimilitud en el presente estudio, pero en las estimaciones por MCO no se
chequeo si se presentaban problemas de autocorrelacin espacial dado el tipo
y la poca informacin que se estaba modelando. Aunque se hicieron mltiples
estimaciones, slo dos de los componentes resultaron estadsticamente
significativos, con los signos adecuados de acuerdo a la teora econmica y
que superan todas las consabidas pruebas del modelo de regresin clsico
11
.
Estas variables son consumo de energa per cpita y el nmero de lneas
telefnicas per cpita.
El modelo finalmente seleccionado para evitar los problemas de ineficiencia de
los estimadores, incorpora la variable explicativa PIB per cpita retardado
12
con
intercepto, el cual se estim por mxima verosimilitud.
El modelo es el siguiente
13
:
Forma Funcional del modelo seleccionado:
11
Los estadsticos que se valoraron fueron: el coeficiente de determinacin -R
2
-,
heteroscedasticidad y multicolinealidad para los modelos por MCO. Adems, se utiliz el
criterio de informacin Akaike para la seleccin de modelos.
12
Esta se calcul tomando uno sobre las distancias al cuadrado y multiplicado por el PIB per
cpita para cada ao. Para el clculo de las distancias se tomaron los cuatro departamentos
principales de Colombia, en su orden, Bogot como Distrito Capital, Antioquia, Valle del Cauca
y Atlntico, esto se estableci por ser estos los centros de comercio. El sentido de tomar estos
puntos de referencia consiste en que el grado de vecindad puede ser determinante para el
crecimiento del PIBp. En el presente estudio esta variable puede denominarse como la variable
endgena retardada y se identifica como aquella que representa la importancia del comercio.
13
Se realizaron tambin las estimaciones por MCO con intercepto, mxima verosimilitud sin
intercepto y utilizando la matriz de pesos espaciales W. Todos los modelos y los resultados de
las estimaciones se encuentran en el anexo 4.
Modelo:
it it it it i i it
L E Y w Y | | | + + + + =
2 1 0
Siendo = Y Producto Interno Bruto per cpita.
=
it
L Nmero de lneas telefnicas por habitante de los aos 1985 y 2003.
=
it
E Consumo de energa en Kw, por habitante de los aos 1996 y 2003.
it
wY = Producto Interno Bruto per cpita de cada departamento y de los aos
1996 y 2003 con retardo.
=
2 1 0
, , , | | |
i
Parmetros a estimar
= Perturbaciones aleatorias con las consabidas buenas propiedades.
El modelo expuesto en lneas anteriores fue producto de las estimaciones
hechas por MCO- al cual de se les aadi la variable endgena retardada y se
estim por Mxima Verosimilitud, que en este estudio es el PIB per cpita
departamental. En algunos casos se trabaj con el modelo sin intercepto y en
otros con intercepto, aunque el modelo seleccionado se utiliz el intercepto
14
.
La idea es obtener estimadores insesgados y eficientes, pero a la vez, dada la
naturaleza del trabajo, que produzca las mejores predicciones del PIB per
cpita.
3.1 MODELO ESTIMADO POR MXIMA VEROSIMILITUD -MV-
En este aparte se presentar la estimacin hecha por mxima verosimilitud.
Cuando se realiz la estimacin por mxima verosimilitud para estimar el PIB
per cpita de los departamentos de Colombia se tom como forma funcional el
modelo con la variable dependiente retardada con intercepto, las cuales son:
14
Henri Theil seala que si la interseccin efectivamente est ausente, el coeficiente de la
pendiente puede ser estimado con mucha ms precisin que cuando el trmino de la
interseccin est incluido. Citado por GUJARATI, Damodar. Econometra. p. 162.
Forma Funcional con intercepto
Aos 1993 y 2003
Modelo A: | |
1996 1996 2 1996 1 1996 1996 i i i o i i i i
L E Y w Y | | | + + + + =
Modelo B: | |
i i i o i i i i
L E Y w Y | | | + + + + =
2003 2 2003 1 2003 2003
Las estimaciones que incluyen el intercepto estimadas por MV- Cuadro 1,
Modelo A y B, se puede inferir que en el modelo con PIB per cpita retardado
de 1996, las variables Lneas Telefnicas per cpita no es significativa y el
Consumo de Energa per cpita es significativo al 15%. La variable retardada
es significativa al 5%. Los signos de cada variable coinciden con la teora
econmica.
CUADRO 1. RESULTADOS DE LAS ESTIMACIONES REALIZADAS PARA LOS MODELOS
DEL PIB PER CAPITA DEPARTAMENTAL. Aos 1996 y 2003
MODELO A. 1996 MODELO B. 2003
Variables
Modelo PIBp retardado Modelo PIBp retardado
Estimacin MV Estimacin MV
Coef. p-value Coef. p-value
PIB per cpita retardada 20483.11 0.054 6085.246 0.757
Intercepto 934762.30 0.000 817518.1 0.002
Telfonos per cpita 1221423 0.447 838998.8 0.179
Energa per cpita 276.624 0.112 402.9133 0.151
Log likelihood (Log Verosimilitud) -309.5478897 -310.5394
Criterios de Informacin
Criterio de informacin Akaike (AIC) 28.50435 28.59449
Nmero de Observaciones
MV= Mxima Verosimilitud
Fuente: Estimaciones realizadas por el autor con el programa STATA 10
.
Para el 2003, Modelo B, la variable Lneas Telefnicas per cpita es
significativa estadsticamente al 20% y el Consumo de Energa per cpita es
significativo estadsticamente al 15%. Estos resultados a su vez pueden ser
producto de los pocos datos que se tienen para realizar la estimacin. Los
resultados son ms robustos para el 2003 que para 1996, en el cual una de las
variables no fue significativa. Se infiere a su vez que se busca a travs de la
aplicacin metodolgica encontrar un modelo que genere los mejores
resultados predictivos.
A los modelos estimados por Mxima Verosimilitud se les aplicaron contrastes
sobre los efectos espaciales de autocorrelacin espacial.
Cliff y Ord (1981), consideran la estimacin por mxima verosimilitud como la
ms aconsejable, la cual se ha perfilado a lo largo de los aos de desarrollo de
la econometra espacial
15
como una de las alternativas dominante.
Aplicados los contrastes de autocorrelacin se determin estimar por Mxima
Verosimilitud agregndole la variable dependiente rezagada (utilizando la
matriz de pesos espaciales), que en este estudio es el PIB per cpita
departamental. En este caso se trabaj con el modelo con intercepto
16
.
La idea es obtener estimadores insesgados y eficientes, pero a la vez, dada la
naturaleza del trabajo, que produzca las mejores predicciones del PIB per
cpita.
3.2 Anlisis espacial de los datos
3.2.1 La autocorrelacin espacial
3.2.1.1 El grfico de Morn
15
Aunque estas estimaciones no son de econometra espacial, al incluir la variable endgena
retardada, en el presente estudio arroj los mejores resultados el estimar por mxima
verosimilitud. Cabe destacar que dentro del modelo como variable exgena se incluye la
variable endgena transformada retardada-. En econometra espacial si existe dependencia
espacial en los errores del modelo impide la estimacin MCO, ya que este tipo de estimacin
da lugar a estimadores ineficientes, por lo que se estima a travs de mxima verosimilitud,
Moreno (2000).
16
Aunque existen autores como Henri Theil que sealan que si la interseccin efectivamente
est ausente, el coeficiente de la pendiente puede ser estimado con mucha ms precisin que
cuando el trmino de la interseccin est incluido. Citado por GUJARATI, Damodar.
Econometra. p. 162.
Despus de la estimacin de los modelos bsicos se aplicaron contrastes
sobre los efectos espaciales de autocorrelacin espacial
17
. En el Grfico 1 y 2
puede observarse los contrastes para los aos 1996 y 2003, el cual es llamado
Scatterplot de Moran
18
, en el se representa en el eje horizontal la variable PIB
per cpita estandarizado y en el eje vertical el rezago espacial
19
de la variable
estandarizada. El grfico indica la no existencia de dependencia espacial de la
variable PIB per cpita, sin embargo se procedi a estimar los modelos
utilizando la variable dependiente espacialmente retardada. Esto se hizo para
conocer si los modelos utilizando la variable dependiente espacialmente
retardada sirven para predecir el PIB per cpita.
Por otro lado, al realizarse un anlisis del Grfico 1 y 2 de Moran 1996 y 2003,
es posible inferir que entre los departamentos de Colombia tomados en este
estudio incluyendo Bogot, existen un departamento atpico en el patrn global
de asociacin espacial. Este elemento atpico es propiamente Bogot. Al
respecto, de acuerdo a los significados de cada cuadrante es un distrito rico
rodeado de departamentos ricos.
17
La dependencia o autocorrelacin espacial aparece como consecuencia de la existencia de
una relacin funcional entre lo que ocurre en un punto determinado del espacio y lo que ocurre
en otro lugar, Anselin (1988)
18
En este tipo de grficos se representa en el eje de las abscisas las observaciones de la
variable dependiente normalizada y en el de ordenadas el retardo espacial de dicha
variables, tambin normalizado. De este modo, los cuatro cuadrantes reproducen diferentes
tipos de dependencia espacial. Si la nube de puntos est dispersa en los cuatro cuadrantes es
indicio de ausencia de correlacin espacial. Si, por el contrario, los valores se encuentran
concentrados sobre la diagonal que cruza los cuadrantes I y III existe una elevada correlacin
espacial positiva de la variable, de forma que su pendiente es igual al valor obtenido para el
contraste de la I de Moran. Tomado de: MORENO (2000; p. 38). Otra de las interpretaciones
dadas al grfico, es en lo referente a las cuatro reas del plano cartesiano. A cada rea
corresponde un tipo de asociacin espacial local entre un departamento y sus vecinos. El
cuadrante superior derecho representara un departamento con alto PIB per cpita rodeado de
departamentos con alto PIB per cpita. El cuadrante II superior izquierdo corresponde un
departamento con bajo PIB per cpita rodeado de departamentos con alto PIB per cpita. El
cuadrante III representa un departamento con bajo PIB per cpita rodeado de departamentos
con bajo PIB per cpita y el cuadrante IV inferior derecho corresponde un departamento con
alto PIB per cpita rodeado de departamentos con bajo PIB per cpita.
19
Esta es la matriz de pesos espaciales W.
Grfico 1. Autocorrelacin espacial local del PIB per cpita de los
Departamentos de Colombia. Diagrama de dispersin del I Moran, 1996
Fuente: Clculo del autor. Se utiliz el programa Geoda.
Grfico 2. Autocorrelacin espacial local del PIB per cpita de los
Departamentos de Colombia. Diagrama de dispersin del I Moran, 2003
Fuente: Clculo del autor. Se utiliz el programa Geoda.
3.2.1.2 El coeficiente I de Moran
Otra forma de realizar el contraste univariado de dependencia o autocorrelacin
espacial es a travs del coeficiente I de Morgan
20
. El cuadro 2 muestra los
20
Para el clculo del coeficiente I de Moran, se utiliz en este caso el programa Geoda. Se
desea considerar en la medicin el contacto de todos y cada uno de los departamentos. En el
anlisis espacial, la hiptesis nula significa ausencia de un patrn espacial. Esta hiptesis se
prueba ubicando el coeficiente de Morn (1950) dentro de una curva de probabilidades normal.
resultados de la prueba de autocorrelacin espacial a travs del coeficiente I de
Moran. Los resultados indican la no presencia de una autocorrelacin espacial,
el ndice no es significativo. De hecho el ndice es cercano a cero para los dos
aos.
j i
x x
x x x x wij
S
N
I
N
ij
i
N
ij
j i
o
=
;
) (
) )( (
2
Donde, N es el tamao de la muestra,
i j
ij o
w S , x es la variable sometida al
anlisis de dependencia espacial y
ij
w son las ponderaciones de la matriz
binaria W que se construye asignndole 1 a las observaciones vecinas al
punto i y 0 a las dems observaciones.
Aplicados los contrastes anteriores se procedi a realizar las estimaciones,
utilizando el programa Geoda. Esta estimacin corresponde al campo de la
econometra espacial. Dada la aplicacin de los distintos test para probar si
existan problemas de autocorrelacin espacial como lo expresan el ndice I de
Morn y Scatter Plot de Morn, no se encontr dicho problema.
Cuadro 2
Resultados del anlisis de autocorrelacin espacial
Coeficiente I de Moran, 1996 y 2006
DIAGNOSTICS FOR SPATIAL DEPENDENCE 1996
FOR WEIGHT MATRIX : pesos_contig.GAL (row-standardized weights)
TEST MI/DF VALUE PROB
Moran's I (error) -0.001643 0.4961108 0.6198162
DIAGNOSTICS FOR SPATIAL DEPENDENCE 2003
FOR WEIGHT MATRIX : pesos_contig.GAL (row-standardized weights)
TEST MI/DF VALUE PROB
Moran's I (error) -0.040942 0.0640648 0.9489185
Fuente: Clculo del autor. Se utiliz el programa Geoda.
Mapa 1.
Departamentos de Colombia utilizados en el anlisis
Fuente: Clculo del autor. Se utiliz el programa Geoda.
3.3 PREDICCIN DEL PIB per cpita DEL DEPARTAMENTO DEL
ATLNTICO
Una vez se realizaron todas las estimaciones, se procedi inicialmente a
obtener las predicciones del PIB per cpita del Departamento del Atlntico,
para as poder estar seguro de que los parmetros estimados no solamente
cumplen con los supuestos clsicos, sino tambin, son buenos para predecir el
PIB per cpita [ver cuadro 3].
El cuadro 3 muestra las distintas estimaciones realizadas, estas logran predecir
el PIB per cpita Departamental y casi todas generan valores muy cercanos al
verdadero valor observado. Con respecto a la razn presentada entre el PIB
per cpita calculado por el DANE y el PIB per cpita estimado a travs de la
metodologa. La mejor prediccin se logra con el Modelo III, el cual fue
estimado por Mxima Verosimilitud, dado que coinciden los clculos para los
dos aos y este es del 98%.
CUADRO 3.
RESULTADO DE LAS ESTIMACIONES Y PREDICCIONES DEL PRODUCTO INTERNO BRUTO
DEPARTAMENTO DEL ATLANTICO Y DEL DISTRITO INDUSTRIAL Y PORTUARIO DE
BARRANQUILLA, 1996 Y 2006
VARIABLES, ESTIMACIONES Y PREDICCIONES
MODELO A y B
1996 2003
ESTIMACIONES POR MAXIMA VEROSIMILITUD
PIB per cpita Retardado 20,483.11 6,085.25
Bo 934,762.30 817,518.10
B1 276.62 402.91
B2 1,221,423.00 838,998.80
VARIABLES OBSERVADAS
Departamento del Atlntico
Consumo de Energa per cpita 1,674.33 868.63
Nm. De lneas Telfono per cpita 0.15 0.43
Matriz Distancia 0.00000144 0.00000144
Matriz Distancia por PIB per cpita 2.39 2.26
Distrito Industrial y Portuario de Barranquilla
Consumo de Energa per cpita 655.82 1,245.22
Nm. De lneas Telfono per cpita 0.22 0.19
PRODUCTO INTERNO BRUTO PERCAPITA (DANE)
Departamento del Atlntico 1,661,759.00 1,573,421.00
PREDICCION DEL PIB PERCAPITA
Departamento del Atlntico 1,627,197.88 1,540,912.18
PREDICCION DEL PIB PERCAPITA
Distrito Industrial y Portuario de Barranquilla 1,626,148.67 1,540,625.11
PIB per cpita Estimado del D. Atlntico/PIB per cpita DANE 0.98 1.02
PIB per cpita Estimado de Barranquilla/PIB per cpita DANE 0.98 0.98
PIB per cpita Estimado de Barranquilla/PIB per cpita
Estimado del Departamento del Atlntico 1.00 1.00
Fuente: Cuadro 1. Clculo del autor.
3.5 ESTIMACION CON DATOS DE PANEL
Otro de los mtodos utilizados para calcular el PIB per cpita de Barranquilla es
utilizando datos de panel. La caracterstica clave de los datos de panel que los
diferencia de los datos fusionados de seccin cruzada es el hecho de que se
mantiene un registro de las mismas unidades de seccin cruzada. durante un
periodo de tiempo determinado. [Estos pueden ser dos, tres, cuatro, t periodos
diferentes]
21
.
En la estimacin del PIB per cpita de Barranquilla se tomaron dos periodos de
tiempo diferentes, el ao 1996 y 2003 y todas las observaciones de corte
transversal es decir los departamentos son los mismos, para los dos periodos.
La justificacin de estimar con datos en panel se puede resumir en los
siguientes dos elementos, los cuales fueron expuestos por Baltagi
22
. El primero,
es la heterogeneidad de los departamentos de Colombia y los datos en panel
permite tener en cuenta dicha heterogeneidad. El segundo es la mayor
informacin, menos colinealidad entre variables, ms grados de libertad, mayor
variabilidad y mayor eficiencia que se puede obtener con los datos en panel.
Aunque existen diferentes procedimientos de estimacin, en el presente
estudio se estim por efectos fijos y aleatorios para determinar cul de estos
dos procesos es el ms adecuado en esta investigacin.
3.5.1 Estimacin por efectos aleatorios El modelo de efectos aleatorios
permite suponer que cada unidad transversal tiene un intercepto diferente.
Adems, se supone que los efectos inobservables no se correlacionan con
cada variable explicativa en todos los periodos. Para el presente trabajo la
estimacin se realiz testeando si se trabaja con efectos aleatorios o con datos
agrupados
23
, utilizando la prueba de Breusch-Pagan.
El modelo es el siguiente:
Modelo I. Estimacin por efectos aleatorios
21
WOOLDRIDGE, Jeffrey M. Introduccin a la econometra. Un enfoque moderno. Segunda
edicin. Espaa: Thomson Editores, 2006, p. 12
22
GUJARATI, Damodar. Econometra. Cuarta edicin. Mexico: Mc. Graw-Hill, 2004, p. 614-
615.
23
Cuando se expresa que se va a estimar con datos agrupados indica que se puede agrupar la
informacin para los aos de estudio y se estima por mnimos cuadrados ordinarios.
it it it it i it
e L E Y w Y + + + + =
2 1
1
| | o (1)
Donde:
Siendo =
it
Y Producto Interno Bruto per cpita de cada departamento y de los
aos 1996 y 2003.
=
it
L Lneas telefnicas por habitante de cada departamento y de los aos 1996
y 2003.
=
it
E Consumo de energa en Kw por habitante de cada departamento y de los
aos 1996 y 2003.
it
Y w
1
= Producto Interno Bruto per cpita de cada departamento y de los aos
1996 y 2003 con retardo.
i i
u + = o o . = Es una variable aleatoria con un valor medioo y una desviacin
aleatoria
i
u de este valor medio
=
2 1
, , | | Parmetros a estimar
=
it
e Perturbaciones aleatorias con las consabidas buenas propiedades.
Sustituyendo
i i
u + = o o en (1) se obtiene:
it i it it it it
e u L E L Y w Y + + + + + =
2 1
1
| | o (2)
El cuadro 4 muestra que las dos variables exgenas del modelo no son
significativas al 5%, aunque es mejor estimar por efectos aleatorios que con
datos agrupados. Lo anterior se puede corroborar con los resultados de la
prueba de Multiplicador de Lagrange de Breusch-Pagan, ver cuadro 4.
El p-value indica que se rechaza la Hiptesis nula; por lo tanto, los efectos
aleatorios
i
u son relevantes y es preferible usar la estimacin de efectos
aleatorios en vez de datos agrupados.
2.5.2 Estimacin por efectos fijos Una vez estimado por efectos aleatorios se
procede a estimar por efectos fijos. Este modelo no supone que las diferencias
entre los departamentos de Colombia sean aleatorias, sino constantes o fijas y
por ello se estimar cada intercepto. Existen factores inobservables que
influyen en la variable dependiente, en este caso el PIB per cpita.
Modelo II. Estimacin por efectos fijos
it it it it i i it
e L E Y w v Y + + + + + =
2 1
1
0
| | | (1)
Donde:
Siendo =
it
Y Producto Interno Bruto per cpita de cada departamento y de los
aos 1996 y 2003.
=
it
L Lneas telefnicas por habitante de cada departamento y de los aos 1996
y 2003.
=
it
E Consumo de energa en Kw por habitante de cada departamento y de los
aos 1996 y 2003.
it
Y w
1
= Producto Interno Bruto per cpita de cada departamento y de los aos
1996 y 2003 con retardo.
i
v = es un vector de variables dicotmicas para cada estado.
=
2 1 , 0
, , | | |
i
Parmetros a estimar
=
it
e Perturbaciones aleatorias con las consabidas buenas propiedades.
Cuadro 4
Estimaciones de Datos de Panel
Clculo del Producto Interno Bruto de Barranquilla
Estimacin por Efectos Fijos y Aleatorios, 1996 y 2003
Modelo I Modelo II
Variables
Modelo retardo espacial Modelo retardo espacial
Efectos Fijos Efectos Aleatorios
Coeficientes p-value Coeficientes p-value
PIB per cpita retardada 103485.900 0.000 43129.2 0.000
Intercepto 453116.600 0.018 1062630 0.018
Telfonos per cpita 149805.600 0.029 35292.36 0.584
Energa per cpita 71.332 0.130 61.36198 0.244
Prueba
F(3,19) 14.68
p-value 0.000
Breusch-Pagan
Chi-2 15.49
p-value 0.0001
Hausman
Chi-2 15.95
p-value 0.0012
Fuente: Clculo del autor.
Al igual que en la estimacin por efectos aleatorios, el cuadro 4 muestra
tambin la estimacin por efectos fijos. Este cuadro indica que las dos variables
independientes del modelo son significativas. El consumo de energa per cpita
es significativa al 15% y el nmero de lneas telefnicas al 5%, 10% y 15% e
incluyendo el PIB per cpita retardado y el intercepto. Desde el punto de vista
de la teora econmica las variables presentan los signos correspondientes.
Cuando se testea si se estima por efectos fijos o agrupados a travs de la
prueba F se puede inferir que es preferible estimar por efectos fijos que con
datos agrupados dado que el p-value indica que se rechaza la hiptesis nula.
Ahora se procede a determinar si es mejor estimar por efectos fijos o por
efectos aleatorios. Para ello se utiliz el test de Hausman.
3.5.3 Prueba de Hausman
24
. La prueba de Hausman (1978) sirve para
determinar si se estima por efectos fijos o aleatorios. La hiptesis nula de la
prueba de Hausman establece que los estimadores de efectos aleatorios y de
efectos fijos no difieren sustancialmente. Por lo anterior, en el presente estudio
se encontr que los estimadores s difieren, por lo tanto se rechaza la hiptesis
nula. La conclusin es que la estimacin por efectos fijos es ms conveniente
que por efectos aleatorios.
3.6 CLCULO DEL PIB per cpita DEL DISTRITO INDUSTRIAL Y
PORTUARIO DE BARRANQUILLA
3.6.1 Proceso de prediccin del PIB per cpita estimado por MV.
Despus de estimar los modelos departamentales del PIB per cpita para los
aos 1996 y 2003, suponiendo que las elasticidades departamentales son
similares a las de los municipios, se aplican los coeficientes obtenidos en cada
regresin a los valores de las variables exgenas del Distrito, para obtener el
PIB per cpita del Distrito de Barranquilla. Se utilizaron los siguientes modelos:
24
Para la toma de decisin de estimacin por efectos fijos o aleatorios se tiene en cuenta la
posible correlacin entre el componente de error individual y las variables independientes. El
modelo de efectos aleatorios supone que esta correlacin es igual a cero. Hausman (1978)
demostr que la diferencia entre los coeficientes de efectos fijos y aleatorios pude ser usada
para probar la hiptesis nula de que los errores y las variables independientes no estn
correlacionadas
Ecuacin para el clculo del PIB per cpita del Distrito de Barranquilla
Ao 1996:
Utilizando la matriz de distancia
| | ( )
1996 2 1996 1 0
1
1996
1 L E w Y | | | + + =
Prediccin sin matriz de pesos espaciales
25
1996 2 1996 1 0 1996
L E Y | | | + + =
Ao 2003:
Utilizando la matriz de distancia
| | ( )
2003 2 2003 1 0
1
2003
1 L E w Y | | | + + =
Prediccin sin matriz de pesos espaciales
2003 2 2003 1 0 2003
L E Y | | | + + =
Siendo = Y Producto Interno Bruto per cpita de Barranquilla.
=
i
L Nmero de lneas telefnicas por habitante de los aos 1985 y 2003.
=
i
E Consumo de energa en Kw, por habitante de los aos 1996 y 2003.
it
Y w
1
= Producto Interno Bruto per cpita de cada departamento y de los aos
1996 y 2003 con retardo.
=
2 1 0
, , , | | | Parmetros estimados para los departamentos de Colombia.
Extrapolados para el Distrito Industrial y Portuario de Barranquilla.
Los modelos expresados son una re-especificacin de los modelos
departamentales, puesto que estos no incluyen la variable endgena retardada
entre las regresoras del modelo, porque lo que se desea es calcular el PIBp
del distrito. Con respecto a las ecuaciones, inicialmente se haba presentado el
componente | |
1
1
W de acuerdo a Anselin (2002)
26
es un multiplicador
espacial global que une la variable endgena con todas las regresoras, pero en
este modelo no se presenta autocorrelacin espacial por lo cual no se utilizo
para la prediccin.
En el cuadro 5 se presentan los resultados obtenidos de la estimacin del PIB
per cpita del distrito para los aos 1996 y 2003. En este se incluyen todas las
estimaciones tanto del modelo bsico MCO, modelo MV. A modo de validacin
del modelo estimado por MV el cual fue escogido a nivel departamental para
calcular el PIB per cpita del distrito se incluye la proporcin que representa el
25
Como no se present problemas de autocorrelacin espacial se procedi a realizar el clculo
del PIB per cpita del Distrito Industrial y Portuario de Barranquilla con los coeficientes
arrojados en la estimacin por mxima verosimilitud. Esto dar una idea si es posible estimar
sin la utilizacin de la matriz de pesos espaciales.
26
Tomado de Chasco y Lpez (2005)
PIB per cpita departamental estimado por la metodologa propuesta sobre el
PIB calculado por el DANE.
3.6.2 Proceso de prediccin del PIB per cpita del Departamento del
Atlntico y del Distrito de Barranquilla de la estimacin de datos en panel
balanceado.
Modelo estimado Departamento del Atlntico.
it it it it
L E Y Y 149805.600 71.332 w 103485.900 453116.600
-1
i
+ + + =
Modelo Utilizado para la prediccin:
it it it
L E Y 149805.600 71.332 453116.600 + + =
Prediccin del PIB per cpita del Departamento del Atlntico
Cuadro 5. Clculo del Producto Interno Bruto del Departamento del Atlntico 1996 y 2003
Efectos Fijos Efectos Aleatorios
Departamento del Atlntico 1996 2003 1996 2003
Consumo de Energa Per cpita 1674.00 868.63 1674 868.63
Nm. De lneas Telfono Per cpita 0.15 0.43 0.15 0.43
Matriz Distancia Retardada por PIBp 2.39 2.26 2.39 2.26
Coeficientes Coeficientes. Coeficientes Coeficientes
Consumo de Energa Per cpita 71 71 61.4 61.4
Nm. De lneas Telfono Per cpita 149.806 149.806 35292.4 35292.4
PIB per cpita retardada 103.486 103.486 43129.2 43129.2
Intercepto 453.117 453.117 1062630 1062630
Estimacin del PIB del Atlntico 842274.94 813344.46 1273786.25 1228611.61
Clculo del PIB del Atlntico DANE 1661759 1573421 1661759 1573421
PIB Atlntico Metodologa/PIB
DANE 0.506857 0.516927 0.7665289 0.78
Fuente: Cuadro 4. Clculo del autor.
Dado los resultados de la prediccin con datos en panel, en donde se logr
seleccionar la estimacin por efectos fijos como la ms adecuada, el cuadro
No. 5 presenta el clculo del PIB per cpita del Atlntico utilizando los
parmetros estimados por la estimacin en mencin. La prediccin estuvo en el
orden del 50% del verdadero valor del PIB per cpita del Departamento del
Atlntico, es decir, del PIB per cpita calculado por el DANE para ambos aos.
El resultado se obtuvo multiplicando cada coeficiente obtenido estimado por los
valores per cpita de cada variable.
El Cuadro 5 presenta a su vez los clculos de la estimacin por efectos
aleatorios y result que aunque el test de Hausman seala como ms
adecuada la estimacin por efectos fijos, en trminos de prediccin es ms
cercana los clculos realizados utilizando los parmetros estimados por efectos
aleatorios, esta estuvo en el 77% y 78% del PIB per cpita calculado por el
DANE.
Ecuacin para el clculo del PIB per cpita del Distrito de Barranquilla
| | ( )
it it i it
L E w Y
2 1 0
1
1 | | | + + =
El cuadro 6 presenta los clculos del PIB per cpita del Distrito de Barranquilla,
tanto con los parmetros estimados por efectos fijos como por efectos
aleatorios. En este cuadro a su vez se logra establecer que es ms cercano el
clculo del PIB per cpita del Distrito de Barranquilla cuando se utilizan los
parmetros estimados con efectos aleatorios. De hecho, la prediccin se
encuentra en el 93% y 99% para los dos aos cuando se tomo como referencia
el PIB per cpita estimado. Y, en el 74% y 82% aproximadamente para los dos
aos cuando se tom como referencia el PIB per cpita calculado por el DANE.
Cuadro 6
Clculo del Producto Interno Bruto del Departamento del Atlntico 1996 y 2003
Efectos Fijos Efectos Aleatorios
Distrito Industrial y Portuario de
Barranquilla 1996 2003 1996 2003
Consumo de Energa per cpita 656 1245 656 1245
Nm. De lneas Telfono per cpita 0.22 0.19 0.22 0.19
Matriz Distancia 0.00000144 0.00000144 0.00000144 0.00000144
Coeficiente Coeficiente Coeficiente Coeficiente
Consumo de Energa per cpita 71 71 61.4 61.4
Nm. De lneas Telfono per cpita 149.806 149.806 35292.4 35292.4
PIB per cpita retardada 103.486 103.486 43129.2 43129.2
Intercepto 453.117 453.117 1062630 1062630
Estimacin de Barranquilla 626141.16 670243.30 1184208.17 1221664.84
Estimacin del PIB del Atlntico 842274.94 813344.46 1273786.25 1228611.61
Clculo del PIB del Atlntico DANE 1661759 1573421 1661759 1573421
PIB Atlntico Metodologa/PIB DANE 0.50685746 0.516927422 0.76652887 0.780853698
PIB per cpita Barranquilla/ PIB per
cpita Estimado Atlntico 0.74339284 0.824058361 0.929675734 0.99434584
PIB per cpita Barranquilla/ PIB per
cpita Atlntico DANE 0.37679421 0.425978364 0.71262329 0.776438626
Fuente: Clculo del autor.
4. CONCLUSIONES
El clculo del PIB per cpita de los municipios es de suma importancia para las
polticas econmicas que se realicen a nivel local y para la nacin en su
conjunto. Este esfuerzo por estimar el PIB per cpita del Distrito de Barranquilla
posibilit encontrar mltiples diferencias con las investigaciones realizadas no
slo a nivel de Colombia sino con los estudios del resto del mundo.
Una de esas diferencias con los estudios realizados en Colombia como los de
Bonet y Meisel (1999) y Nez y Snchez (2000) se enmarca en que las
variables fiscales y financieras no resultaron significativas. Y, de hecho al
intentar realizar las predicciones ignorando los niveles de significancia
estadstica, no generaron los mejores resultados.
Con referencia al estudio de Chasco y otros (2004, 2005), -dado que se intent
extrapolar las metodologas que ellos realizaron y aplicarlos para el caso del
Distrito de Barranquilla- se encontr una variable de actividad econmica
diferente a los estudios referenciados, la cual es el consumo de energa per
cpita. Esta variable para el caso de los Departamentos de Colombia explica el
comportamiento del PIB per cpita. Otra de las diferencias es que se
implement una frmula para estimar el PIB per cpita del Atlntico sin utilizar
la matriz de pesos espaciales. Los resultados fueron positivos porque se logra
estimar el PIB per cpita del Atlntico y se extrapol de igual forma para
calcular el PIB per cpita del Distrito de Barranquilla.
Desde el punto de vista de las estimaciones realizadas por MCO, MV y data
panel se encontr que la mejor prediccin del PIB per cpita departamental las
arroj la estimacin por MV. Esta afirmacin se haba referenciado como un
consejo de los expertos en econometra espacial para el tratamiento de datos
microterritoriales
27
.
Con la estimacin por Mxima verosimilitud se obtuvo los mejores resultados y
a travs de esta [ver cuadro 3] se puede establecer que la estimacin del PIB
per cpita del Departamento del Atlntico es aproximadamente el 98% del PIB
per cpita calculado por el DANE. De igual forma cuando se clculo el PIB del
Distrito de Barranquilla a travs de la ecuacin presentada en el estudio este es
ms del 98% del PIB per cpita del departamento del Atlntico.
A pesar de haberse escogido como la mejor metodologa, la estimacin por MV
se encontr a su vez que cuando se estim con datos en panel, a pesar de que
los estadsticos implementados como el test de Hausman sealan como
recomendable la estimacin por efectos fijos los resultados de las predicciones
fueron alejados del PIB per cpita calculado por el DANE
28
. Por el contrario fue
ms cercana la prediccin cuando se tomaron los parmetros estimados por
efectos aleatorios.
27
Esta investigacin no pretende ser un trabajo de econometra espacial slo me he limitado a
utilizar algunos instrumentos recomendados por los expertos en trminos de estimacin para
informacin microterritorial.
28
Una de las justificaciones que se tuvieron para estimar con datos en panel es que se logra
agrupar mayor informacin.
Todos los resultados encontrados hasta ahora pueden ayudar al desarrollo de
trabajos microterritoriales y slo constituye esta investigacin como una
pequea parte de lo que se puede lograr si se exploran muchas ms variables
y otras metodologas. Hoy da sabemos que entre ms consumo de energa
elctrica consuma una nacin puede significar un mayor subdesarrollo y que
decir sobre la telefona fija, la cual ha sido en parte desplazada por la telefona
celular. Estas nuevas proxys podrn servir de base para otras investigaciones.
BIBLIOGRAFA
APARICIO, Mara Teresa, AZNAR, Antonio y AZNAR, Pilar. Estimacin de la
renta de las comarcas y municipios aragoneses. Serie 1999-2002. Instituto
Aragons de Estadstica. Espaa. 2005.
BONET MORN, Jaime y MEISEL ROCA, Adolfo. La convergencia regional en
Colombia: una visin de largo plazo, 1926 1995. No. 8 Febrero, 1999.
CHASCO YRIGOYEN, Mara del Coro. Estimacin de la Renta Familiar
Disponible Municipal y Regional de 1997. INSTITUTO LAWRENCE R. KLEIN.
Universidad Autnoma de Madrid. Documento Metodolgico.
CHASCO YRIGOYEN, Mara del Coro y LOPEZ, Fernando. Modelos de
regresin espacio-temporales en la estimacin de la renta municipal: el caso de
la Regin de Murcia. En: Estudios de Economa Aplicada. Vol. 22-3, 2004.
CHASCO YRIGOYEN, Mara del Coro, MELLA MARQUEZ, Jos Mara y
LPEZ LPEZ, Asuncin. Crecimiento econmico y convergencia urbana en
Espaa. Edita: Instituto de Estudios Fiscales. Facultad de Ciencias
Econmicas y Empresariales. Departamento de Economa Aplicada.
Universidad Autnoma de Madrid , 2005
CLIFF, A. and ORD J.K. (1981). Spatial Process, Models and Applications.
London.
CRUZ SNCHEZ, Judith Jafeth y MUOZ SUREZ, Mnica Rub.
METODOLOGA PARA MEDIR EL PRODUCTO INTERNO BRUTO (PIB) DEL
MUNICIPIO DE PUEBLA. UNIVERSIDAD DE LAS AMRICAS-PUEBLA.
Escuela de Ciencias. Departamento de Actuara y Estadstica. TESIS. Santa
Catarina Mrtir, Puebla, Mxico 2003.
FUNKE, M y STRULIK, H. On endogenous growth with physical capital, human
capital and product variety, European Eonomic Review, 44, 2000, pp. 491-515.
GALVIS APONTE, Luis Armando y MEISEL ROCA, Adolfo. El crecimiento
econmico de las ciudades colombianas y sus determinantes, 1973-1998.
Documentos de Trabajo sobre Economa Regional. Centro de Investigaciones
Econmicas del Caribe Colombiano. Banco de la Repblica. CARTAGENA DE
INDIAS. 18 Noviembre, 2000
GALVIS APONTE, Luis Armando. LA TOPOGRAFA ECONMICA DE
COLOMBIA. Documentos de Trabajo Sobre Economa Regional Banco de la
Repblica, Febrero 2002.
GARAY S, Luis Jorge, et al. COLOMBIA: ESTRUCTURA INDUSTRIAL e
INTERNACIONALIZACIN 1967-1996. Programa de estudio LA INDUSTRIA
DE AMRICA LATINA ANTE LA GLOBALIZACIN ECONMICA COLOMBIA:
ESTRUCTURA INDUSTRIAL e INTERNACIONALIZACIN 1967-1996 (Tomo
1). Departamento Nacional de Planeacin, Colciencias, Consejera Econmica
y de Competitividad, Ministerio de Comercio Exterior, Ministerio de Hacienda y
Crdito Pblico, Proexport.
GLASER, Edward L., KALLAL, Hedi D., SCHEINKMAN, Jose A., SHLEIFER,
Andrei. Growth in Cities. The Journal of Political Economy, Vol. 100, No. 6,
Centennial Issue (Dec., 1992), pp. 1126-1152. Published by: The University of
Chicago Press.
GOOD, David F.. The Economic Lag of Central and Eastern Europe: Income
Estimates for the Habsburg Successor States, 1870-1910 Author(s): Source:
The Journal of Economic History, Vol. 54, No. 4 (Dec., 1994), Published by:
Cambridge University Press on behalf of the Economic History Association. pp.
869-891.
GROSMAN, G.M. y E. Helpman, Innovation and Growth in the Global Economy,
(Cambridge, MA: MIT Press) 1991.
GUJARATI, Damodar. Econometra. Cuarta edicin. Editorial Mc. Graw-Hill.
HAUSMAN, J.A. (1978): Specification test in econometrics. Economtrica. 46:
1251-1271.
JACOBS, Janes. Cities and the Wealth of Nations: Principles of Economic
Life. Annals of the Association of American Geographers, Vol. 75, No. 2 (Jun.,
1985), pp. 277-279.
Ministerio de Minas y Energa. Repblica de Colombia. Plan Energtico
Nacional, 1997 2010. Unidad de Planeacin Energtica.
Ministrio do Planejamento, Oramento e Gesto. Instituto Brasileiro de
Geografia e Estatstica IBGE. Diretoria de Pesquisas. Coordenao de
Contas Nacionais. Produto Interno Bruto dos Municipios. Srie Relatrios
Metodolgicos volume 29. Rio de Janeiro. 2004.
MORENO SERANO, Rosina y VAY VALCARCE, Esther. Tcnicas
economtricas para el tratamiento de datos espaciales. La econometra
espacial. Edicin de Universitat de Barcelona, 2000.
NEZ, Jairo y SNCHEZ, Fabio. Geography and Economic Development: A
Municipal Approach for Colombia, CEDE, Uniandes , February, 2000.
PAMMER, Michael. Proxy Data and Income Estimates: The Economic Lag of
Central and Eastern Europe. The Journal of Economic History, Vol. 57, No. 2.
(Jun., 1997), pp. 448-455.
POLESE, Mario. Como las ciudades producen riqueza en la nueva economa
de la informacin: Desafos para la administracin urbana en los pases en
desarrollo. En: Revista Latinoamericana de Estudios Urbanos Regionales.
Pontificia Universidad Catlica de Chile, Santiago. 2004.
STOFT, Steven. (2002). Power System Economics. Designing Markets for
Electricity. John Wiley &Sons Pub.
WOOLDRIDGE, Jeffrey M. Introduccin a la econometra. Un enfoque
moderno. Segunda edicin. International Thomson Editores Spain, 2006.