1
INVERSIÓN EN MAQUINARIA Y EQUIPO: UN MODELO ECONOMÉTRICO DE LA EXPERIENCIA
ARGENTINA 1991-1998
Resumen
La década del 90 asistió a una serie de reformas estructurales que
posibilitaron, junto al lanzamiento del plan de Convertibilidad, una importante
mejora en el desempeño macroeconómico de la Argentina. La inversión bruta
interna fija fue protagonista de la mejoría experimentada, y en particular, la
inversión en maquinaria y equipo, ocupó un lugar destacado en la dinámica
mostrada por aquella variable. En un ambiente económico caracterizado por la
estabilidad de precios, la apertura comercial y financiera, la desregulación de
mercados y la privatización, algunas variables incluyendo la dinámica del PBI
(por las oportunidades que brinda un mercado en expansión), el riesgo país (por
las expectativas que genera en los inversores) y la variabilidad de los precios
relativos –expresados por el tipo de cambio real- pueden ser factores clave
para entender los cambios registrados en la evolución de la inversión bruta
fija en maquinaria y equipo. En este trabajo, estimamos modelos econométricos
para el período 1991-1998 que capturan el efecto de las variables mencionadas.
Investment in Equipment and Machinery: an econometric model for Argentina
1991-1998
Abstract
During the 90s, Argentina implemented several far reaching structural reforms
that, together with the Convertibility Plan, implied a significant improvement
in macroeconomic performance.Gross domestic fixed investment (GDFI) and in
particular, investment in machinery and equipment, represented a remarkable
part of this performance. Within an economic environment whose central features
are price stability, trade and financial liberalization, market deregulation
and privatization, some variables including the growth of GDP (an expanding
market opens up more opportunities), the evolution of sovereign spreads
(accounting for country risks and investor´s expectations) and relative price
variability -expressed through the real exchange rate- are hypothesized to be
important variables for explaining the evolution of investment. The paper
estimates econometric models for explaining investment in machinery and
equipment during 1991-1998, that account for the effects of these variables.
Clasificación JEL: E2, C5, C2.
2
Inversión en Maquinaria y Equipo: un modelo econométrico de la experiencia
Argentina 1991-1998
Martín Grandes* Introducción El proceso de crecimiento económico argentino de
largo plazo, evidenciado a partir de la puesta en marcha de las reformas
estructurales y el Plan de Convertibilidad en 1991, ha tenido entre sus
principales factores explicativos al aumento de la inversión. Luego de una
década de estancamiento o incluso caída del
stock de capital total de la economía (desinversión neta), la inversión comenzó
a recuperarse alcanzando niveles históricos inéditos. Entre los principales
componentes de la inversiónbruta interna, la inversión en maquinaria y equipo1
(equipo o equipamiento de ahora en mas) se destacó como
uno de los motores del
auge inversor, promoviendo en ese sentido la modernización tecnológica de los
sectores favorecidos y contribuyendo a las mejoras de productividad total de
los factores en dicho período2. De representar un 36% en 1991, la inversión en
equipo pasó a un 53% del
total invertido en 1998, con una participación creciente de los equipos
importados en el total (Cuadro 1). Cuadro 1: Valor (miles de pesos de 1986) y
composición de la IBIF 1991-1998 Año 1991 1992 1993 1994 1995 1996 1997 1998
IBIF 6279.0 8328.2 9601.0 11585.9 9736.0 10593.5 13400.4 14378.4 Construcción
Equipo nacional Equipo importado 63.10% 55.40% 52.92% 49.43% 53.43% 49.87%
48.26% 47.02% 22.08% 20.96% 19.33% 17.00% 15.39% 14.78% 12.54% 12.18% 14.82%
23.64% 27.75% 33.57% 31.18% 35.35% 39.19% 40.80%
Fuente: MEyOSP
El dinamismo que mostró la inversión en equipo también fue notorio. Con la
excepción del efecto tequila en el año 1995 y
la desaceleración económica que comenzó a manifestarse a partir del tercer trimestre de
1998, las tasas de crecimiento de las compras de equipos tuvieron un signo
positivo y pronunciado, especialmente en el caso de los importados (Cuadro 2).
De estos datos, se desprende que el crecimiento promedio anual acumulativo de
la IBIF estuvo en el orden de 12.6%.
*Subsecretaría de Programación Macroeconómica. MEyOSP. Email:magran@mecon.ar.
Agradezco al Dr. Julio Nogués, al Lic. Pablo Nicholson, la Lic. Nadina Mezza,
el Lic. Ariel Coremberg y el Lic. Lior Zima por los valiosos comentarios
realizados a este trabajo. 1 Este rubro incluye equipos durables de producción,
tractores, material de transporte y otros equipos, ya sean de origen nacional o
importado. 2 Para un análisis de la productividad de la economía, ver Osvaldo
Meloni (1998), Crecimiento potencial y productividad en la Argentina,
1980-1997. S.S.Prog. Macroeconómica, MEyOSP.
3
Cuadro 2: Tasas de crecimiento anuales de la IBIF y sus componentes 1992-1998
Año 1992 1993 1994 1995 1996 1997 1998 IBIF 32.64% 15.28% 20.67% -15.97% 8.81%
26.50% 7.30% Construcción 16.45% 10.13% 12.72% -9.17% 1.56% 22.42% 4.53% Equipo
nacional 25.88% 6.31% 6.13% -23.92% 4.50% 7.28% 4.26% Equipo importado 111.64%
35.32% 45.97% -21.95% 23.36% 40.26% 11.70%
Fuente: elaborado en base al Cuadro 1 Dado el considerable incremento
registrado en los niveles y tasas de variación de la inversión en equipos así
como el cambio en su composición, este trabajo se propone investigar cuáles han
sido los factores explicativos de ese comportamiento durante el período de
referencia. Para ello, se estimarán modelos
econométricos que permitan describir cuál fue la historia reciente de la
variable explicada. El trabajo se organiza como sigue: la primera parte se ocupa del
marco conceptual. En la sección 2 se detallan las fuentes de los datos
empleados y sebrinda una explicación de la metodología utilizada. Esta sección
también describe los modelos econométricos ajustados, el análisis económico de
los resultados y el testeo estadístico de los mismos. Por último, en la sección
3 se resumen las implicancias del
estudio y se extraen algunas conclusiones. Para
el lector interesado, se agrega un anexo con el detalle de la modelización
econométrica llevada a cabo.
1-
Marco conceptual
Distintos enfoques teóricos han servido para explicar el comportamiento de la
inversión bruta interna fija (esencialmente la privada). A grandes rasgos, se
podría decir que existen modelos convencionales, otros más novedosos, y
aquéllos que presentan algún grado de hibridez puesto que no son aplicables
sino a casos especiales, en contextos determinados. Asimismo, suelen
encontrarse adaptaciones donde aparecen factores explicativos de todos esos
modelos. Convencionales: estos serían básicamente, a) neoclásico, que propone
como factores explicativos de la inversión deseada, al nivel de producción
óptimo de la firma y los costos del capital planeado (incluyendo el precio de
los bienes de capital, la depreciación, los impuestos, o la tasa real de interés);
b) acelerador, que sostiene que la inversión depende de la tasa de crecimiento
del producto, bajo el supuesto de una relación capital/producto constante; c)
una combinación de los dos anteriores, que además incluye la posibilidad de
costos de ajuste o rezagos en el nivel deequilibrio del capital deseado por la
firma (acelerador flexible), y d) Q-Tobin, el cual plantea que la inversión
está explicada mayormente por una medida de rentabilidad equivalente al
cociente entre el precio de venta del capital accionario de una firma y el
costo de reposición del capital físico de la misma. Es válido mencionar que
tanto el modelo neoclásico como
el Q-Tobin se derivan de fundamentos microeconómicos. Novedosos:: entre los más
destacados se encuentran, a) el enfoque de opciones (Dixit y Pyndick, 1994),
que argumenta que en un contexto de incertidumbre, la decisión de invertir
–dada su irreversibilidad por los altos costos hundidos implicadosencierra el
ejercicio de una especie de opción de compra, la opción de esperar por nueva
información relacionada con la rentabilidad neta a valor presente de la
inversión
4
comprometida. En ese contexto, el agente procura equilibrar el valor de esperar
por nueva información con el costo de oportunidad de postergar la decisión de
invertir (en términos de los retornos perdidos); esto puede resultar importante
cuando el entorno macroecónomico -inflación, tasas de interés, tipo de cambio3-
es altamente volátil; b) la relación entre convergencia y crecimiento (Barro y
Sala-i- Martin, 1995): tanto en su versión absoluta como condicional (donde los
parámetros relativos a las preferencias, la tecnología o la tasa de ahorro
pueden diferir entre los países), este enfoque sostiene que los países
máspobres acumularán más capital por trabajador (más inversiones) y convergerán
a los niveles de producto per cápita de los países avanzados (versión
absoluta), o bien crecerán al mismo ritmo que aquéllos en el estado
estacionario, aunque no necesariamente nivelando el ingreso per cápita (versión
condicional). Híbridos: son aquellos que además de contemplar variables de
modelos convencionales o novedosos, vinculan el comportamiento de la inversión
con fenómenos como la deuda externa o las transferencias de recursos al
exterior, el tipo de cambio real, el riesgo país o la participación del sector
público en la inversión (como una forma de estudiar si existe efecto
desplazamiento). Bebczuk (1994) para Argentina, Melo y Rodrigues (1998) para
Brasil, o Lehmann (1991) en el caso chileno, son ejemplos de esa tipología.
2- Modelos estimados 2.1. Relación con el marco conceptual Sin duda la década del ´90 ha asistido a
cambios fundamentales respecto al desempeño macroeconómico argentino.
Sobresalen la apertura comercial y de la cuenta capital en un contexto de
cambio fijo con convertibilidad, las privatizaciones de empresas del estado, la
desregulación de los mercados, las reformas tributarias y especialmente la
estabilización de precios que trajo aparejado menor volatilidad para la toma de
decisiones. En un entorno con dichas características, las restricciones
crediticias se relajaron, la inflación esperada pasó a ser irrelevante, la
volatilidad del tipode cambio nominal pasó a ser historia, y la participación
del sector público en la demanda de inversión disminuyó considerablemente,
quedando relegada fundamentalmente al sector vial. Como se dijo, todo esto incentivó un proceso
de crecimiento acelerado de la inversión en equipo. Proponemos a manera de
hipótesis que este proceso está explicado por el aumento del producto registrado en los últimos años,
por las repercusiones de los cambios en el riesgo país sobre las expectativas
de los inversores y por el tipo de cambio real. En ese sentido el modelo
especificado es del tipo convencional con una cuota de hibridez:
4 4 4
Logequisa= ∼Μ+
a
j Ζ0
ϒj logpbitsat-j +
4
a
j Ζ0
≤j logspread t-j +
a
j Ζ0
↓ j logtcr t-j +
+
a
j Ζ1
∞j logequisa t-j + Ut
Todas las variables están expresadas en logaritmos, por lo que los coeficientes
estimados pueden ser entendidos como elasticidades parciales de corto plazo.
Logequisa es la inversión en equipos desestacionalizada4, Logpbitsa es el PBI
total
3 4
Para un análisis de la experiencia latinoamericana, consultar Servén (1998). El
método empleado para desestacionalizar las series es el X-11, que se encuentra
disponible en el paquete econométrico EViews.
5
desestacionalizado5, logspread es el diferencial de rendimientos entre los
bonos argentinos y norteamericanos, logtcr es el tipo de cambio real y Ut es el
error aleatorio del modelo, que se supone tiene la propiedad deruido blanco
(independientes e idénticamente distribuidos). Los datos abarcan el período que
transcurre entre el segundo trimestre de 1991 y el cuarto trimestre de 1998 y
provienen de las siguientes fuentes estadísticas: las series de inversión bruta
interna fija en equipo (logequisa) y el PBI total (logpbitsa), ambas a precios
de 1986, fueron extraídas de las cuentas nacionales (oferta y demanda global
con base en 1986). La serie del tipo de cambio real6 (logtcr) se obtuvo del
Informe Económico elaborado por la Subsecretaría de Programación
Macroeconómica. Finalmente, para construir los datos del spread entre bonos
argentinos y de EE.UU para un mismo maturity (logspread), se utilizó el bono
GRA (Guaranteed Rolling Agreements) hasta el último trimestre del 96 y el Par
desde allí hasta el cuarto trimestre de 1998. Este empalme fue posible dado que
el movimiento seguido por ambos en el período en común que han cotizado es muy
similar7. De acuerdo al modelo propuesto más arriba, los signos esperados a
priori para los coeficientes (elasticidades) que acompañan las variables
explicativas, y su interpretación económica, corresponderían a las siguientes
proposiciones:  Los ϒj tendrían que mostrar un signo positivo dado que
un incremento del producto induciría un mayor deseo de inversión en equipos por
medio de dos efectos posibles: 1) vía efecto mercado ampliado, esto es, si
crece el PBI (economía en expansión por mayor demanda agregada) el ambiente es
másfavorable para las inversiones actuales y futuras; 2) vía hipótesis del
acelerador. En este caso, el incremento en la tasa de variación del PBI es la
que promovería un aumento en la inversión deseada en maquinarias. Los ≤j,
por su parte, deberían registrar signos negativos puesto que el spread o riesgo
país también mide las expectativas de los agentes sobre la marcha de la
actividad; al incrementarse el diferencial de rendimientos entre los bonos
argentinos y los norteamericanos del mismo plazo, las expectativas actuarían
disminuyendo la inversión deseada para los próximos períodos (postergando por
ejemplo proyectos de inversión que estaban siendo evaluados). Asimismo, a
medida que aumenta la tasa interna de retorno del bono argentino puede pensarse
en una sustitución, aunque imperfecta, de inversión de corto plazo por la de
largo plazo (maquinarias). En tanto, los coeficientes ∞j se incluyen para
captar si la inversión en equipo está sujeta a un proceso de ajuste parcial, ya
sea por costos de ajuste que producen un defasaje entre la decisión de invertir
y la puesta en marcha del equipamiento o por otras razones tecnológicas.
Finalmente, el signo de los ↓j puede resultar ambiguo. Esta ambigüedad
surge de dos efectos contrapuestos: 1) con un tipo de cambio real más bajo, aumenta
la rentabilidad de los sectores no transables y con ello los planes de
inversión respectivos; 2) pero con una apreciación real, los sectores
transables pierdencompetitividad –manteniendo constante la productividad y los
costos- y por lo tanto rentabilidad, disminuyendo posiblemente la inversión en
equipos proyectada. En todo caso, el efecto final dependerá de la composición y
magnitud



5 6
Idem nota 4. El tipo de cambio real se definió como el cociente del IPC de
EE.UU y el IPC de Argentina, multiplicado por el tipo de cambio nominal. Se
utilizó este, y no otros tipos de cambio reales como el de canasta de monedas,
ya que la mayor parte del equipo importado proviene de los EE.UU. 7 Si bien
este supuesto puede presentar alguna fragilidad, dado que los bonos no tienen
exactamente la misma característica, el empalme permite trabajar con una
muestra más larga.
6
de los cambios en los flujos de inversión que se orientan hacia ambos sectores.
Por su lado, la inclusión del tipo de cambio real como variable explicativa
podría también dar cuenta de la variación de la parte de los equipos que se
importa. Es esperable que las importaciones de bienes de capital dependan
negativamente de aquél. La idea es que con un tipo de cambio más bajo se abarata
el costo de la maquinaria y esto favorece horizontalmente al sistema productivo
incrementando la inversión global8. 2.2. Metodología Las estimaciones
econométricas llevadas a cabo se efectuaron siguiendo la metodología de general
a particular. Este método plantea una forma funcional genérica, y a partir de
ella, mediante sucesivos tests y criteriosestadísticos de información, se llega
a un modelo restringido donde la especificación definitiva es la mejor que se
pudo haber obtenido entre las distintas alternativas ofrecidas. Es pertinente
aclarar que los mismos resultados pueden encontrarse partiendo de un modelo
restringido agregando variables y/o rezagos, de modo tal de no perder tantos
grados de libertad como en la metodología mencionada previamente. La ecuación a
estimar resulta lineal tanto en las variables como en los parámetros por lo que
el método de los mínimos cuadrados ordinarios (MCO) –ya sea en una o dos
etapas- es asequible9. Se plantearon dos caminos alternativos. Por un lado,
comprobando que las variables de raíz unitaria (integradas de orden 1) estaban
cointegradas, es decir que había una relación de largo plazo entre ellas –como
veremos a la brevedad-, se estimó un modelo uniecuacional que incluía dichas
variables y otras estacionarias. En esa misma dirección, se intentó precisar un
modelo de corrección de errores que fue reducido a una sola ecuación. Por otro
lado, se buscó un modelo expresado exclusivamente en tasas siguiendo la
metodología general a particular delineada más arriba.
2.3.. El Modelo de Cointegración Una forma preliminar para determinar si dos o
más series están cointegradas es a través de los movimientos conjuntos que
éstas siguen en un gráfico.
8
Cabe señalar que la ambigüedad antes aludida desaparecería si se supone que la
rentabilidad neta de losexportadores no se vio afectada significativamente, es
decir que el abaratamiento relativo de los equipos importados compensa la
perdida de competitividad ocasionada por la apreciación del tipo de cambio. Por
otro lado, es menester mencionar que el cambio de la política comercial (baja
de aranceles, compra de plantas llave en mano, etc.) también ha sido
seguramente un factor para explicar el comportamiento de la parte importada de
los equipos. Asimismo, un futuro trabajo podría apuntar a una descomposición de
las inversiones entre transables y no transables, repitiendo los procedimientos
econométricos a fines de certificar si los signos de las elasticidades son los
que prevé el marco conceptual. 9 Considerando que se trata de un modelo de
series temporales, con la inclusión de rezagos en las variables explicativas,
hubo que chequear en un primer paso la estacionariedad de las mismas para
evitar que, de no ser así, la estimación por MCO resulte expúrea en términos de
la interpretación de los estadísticos y tests tradicionales. Para verificar si
las variables presentaban tendencias estocásticas o determinísticas de algún
orden se efectuaron los test de Dickey-Fuller aumentado o los de Perrón,
incluyendo apropiadamente los rezagos temporales según el mínimo valor del
criterio de información de Akaike, que penaliza la inclusión indebida de
variables en la ecuación que estima el test para obtener la conclusión final
(Ver anexo estadístico). El resultado de esostests detectó raíces unitarias en
las series logequisa, logpbitsa, y logspread. En cambio, la serie de tipo de
cambio real resultó estacionaria.
7
Equisa logaritmos de las variables
Gráfico 1
PBITSA
9.7 9.6
8.0 9.5 7.5 7.0 6.5 6.0 9.4 9.3 9.2
período
92 93 94 95 96 97 98 LOGEQUISA LOGPBITSA
Gráfico 2 logaritmos de las variables Equisa Spread
8.5 8.0 7.5 7.0 8.0 7.5 7.0 6.5 6.0 6.5 6.0 5.5
92
93
94
95
96
97
98
período
LOGEQUISA
LOGSPREAD
En los gráficos 1 y 2 puede apreciarse que existiría una relación bastante estable
entre la inversión en equipos y la tendencia de crecimiento del PBI total. Lo
mismo se observa respecto a la serie de spreads, aunque en sentido inverso10.
El primer modelo especificado arrojó la siguiente forma funcional11:
10
Para testear si efectivamente las variables estaban cointegradas, se estimó la
relación de cointegración (en sus distintas combinaciones) obteniendo los
residuos correspondientes y chequeando que éstos fuesen estacionarios mediante
los tests apropiados (ADF) (Ver anexo estadístico).
8
LOGEQUISA
=
C(1)
+
C(2)*LOGSPREAD
T-1
+
C(3)*D(LOGPBITSA)+
C(4)*LOGPBITSA T-1 + C(5)*D(LOGTCR) + C(6)*LOGTCR T-1 + Ut donde las variables
que tienen una D antepuesta representan tasas de variación12; La estimación de
los parámetros resultó:
LOGEQUISA
=
-15.3 - 0.169*LOGSPREAD
T-1
+
2.701*D(LOGPBITSA)
+
2.475*LOGPBITSAT-1 - 2.508*D(LOGTCR) - 0.905*LOGTCR T-1 Variable Constante
LOGSPREAD T-1 D(LOGPBITSA) LOGPBITSA T-1 D(LOGTCR) LOGTCR T-1 R-squared
F-statistic 0.992836 665.1962 Coeficiente -15.299 -0.169 2.701 2.475 -2.508
-0.905 Adjusted R-squared Durbin-Watson stat. t-Statistic -13.827 -8.586 9.08
23.568 -3.526 -4.836 0.991343 1.873277
Todas las variables son significativas al 1% individual y globalmente13 y
presentan el signo esperado (para el tipo de cambio real prevalece el efecto
negativo). En el caso de algunas variables como el PBI o el tipo de cambio real
también resultaron significativas las tasas de crecimiento o primeras
diferencias logarítmicas. Entre las mayores elasticidades se manifiestan la del
tipo de cambio real, donde un aumento de 1% en el nivel del mismo o su tasa de
variación genera una disminución de 0,9% y 2,5% respectivamente en la inversión
en equipos del siguiente período. También las otras variables operan con un
rezago: el PBI registra una considerable elasticidad, 2,5 para el nivel y 2,7
para la tasa14, en tanto que el spread describe efectos menores pero en el
sentido correcto15. Por otra parte, se rechazó la hipótesis de autocorrelación
y heterocedasticidad (Ver anexo estadístico).
11
A éste y a los siguientes modelos definitivos, se arribó luego de una sucesión
de tests de variables omitidas y redundantes, el análisis del criterio de
información de Akaike y la verificación en cada etapa de la no existencia de
correlaciónserial y heterocedasticidad. 12 Las tasas de crecimiento surgen por
construcción a partir de Tests de Wald para restricciones lineales. Esto sucede
cuando el coeficiente que acompaña a una variable tiene el signo opuesto al
coeficiente de la misma variable con un período de rezago. 13 Es pertinente un
comentario acerca del elevado valor del coeficiente de determinación
(R-squared): dado que las tendencias estocásticas dominan el comportamiento de
las series, estando éstas cointegradas, toda la variación de logequisa será
captada en consecuencia por las variables que la acompañan, incluyendo sus
rezagos. Por esto, el valor resultante de dicho coeficiente debe ser leído con
mesura. 14 Esto corrobora un efecto aproximado al del acelerador, puesto que
para tener el efecto acelerador 'a la Harrod' puro, la variable
dependiente debería ser la participación de la inversión en el producto, o bien
la independiente la variación absoluta del PBI. 15 Aumentos del spread tienen
efectos negativos en muchas variables macroeconómicas y por consiguiente sobre
el PBI. El coeficiente negativo representa, por lo tanto, el impacto neto sobre
la inversión en equipo. Para más detalles sobre estos efectos, consultar Avila
(1998).
9
Apartado: el modelo de corrección de errores Una opción basada en el enfoque de
cointegración es estimar un modelo conteniendo un término de corrección de
errores. Es decir, es un modelo en tasas (porque estas son estacionarias) con
untérmino adicional que indica la velocidad de ajuste del cambio en la
inversión en equipo cuando se evidencia un desvío de la relación de largo plazo
en el trimestre anterior. La idea de esta especificación es precisamente
establecer relaciones de corto y largo plazo que den cuenta de la tasa de
incremento (o decremento) de la inversión. En rigor, la ecuación a estimar
sería la forma reducida de un sistema vectorial de corrección de errores donde
las otras variables endógenas aparecerían en las ecuaciones restantes
explicadas por el término aludido y las tasas que antes eran dependientes:
Modelo 2
4 4
Dlogequisa= ∼Μ=
+ ∼Ν
(ECM t-1) +
4
a
j Ζ0
ϒj dlogpbitsa t-j +
4
a
j Ζ0
≤j dlogspread
t-j +
+
a
j Ζ1
∞j dlogequisa t-j +
a
j Ζ0
↓ j logtcr t-j + Ut
Mientras que ∼Ν=
sería la velocidad de ajuste para el cierre de la brecha entre la inversión en
equipo y las otras variables en el período anterior, el término ECM t-1
(Logequisa t-1 – C0 -C1 logspread t-1 -C2 logpbitsa t-1) constituiría el
residuo de la ecuación de cointegración o término de corrección de errores.
Cuanto más pequeño sea el coeficiente ∼Ν=el ajuste hacia la relación de largo plazo
será más lenta. Por su parte, los ϒj , ≤j, ∞ j y ↓ j
serían elasticidades de corto plazo. Este modelo puede ser estimado por MCO en
dos etapas (de manera similar al Método de Engle y Granger, 1987. Los
resultados hallados fueron los siguientes:
DLOGEQUISA=3.28*D(LOGPBITSA) - 1.19*D(LOGTCR)T-2 - 0.657*ECM T-1 Variable
D(LOGPBITSA) D(LOGTCR) T-2 ECM T-1 R-squared F-statistic 0.881127 88.94800
Coeficiente 3.280 -1.189 -0.657 Adjusted R-squared Durbin-Watson stat.
t-Statistic 11.931 - 3.549 -5.882 0.871221 2.044617
Todas las variables son significativas al 1% y los tests pertinentes dan
resultados correctos (en el anexo se describen los tests de autocorrelación y
heterocedasticidad). El efecto de un cambio uniporcentual en la tasa de
incremento del tipo de cambio real opera con dos rezagos (1,2% de caída), y el
que corresponde a la tasa de crecimiento del PBI es significativo con una
elasticidad de corto plazo corriente
10
igual a 3,3. El spread no resulta significativo para explicar la tasa de
variación de logequisa, aunque como se verá en el tercer modelo, sí resulta muy
sensible para dar cuenta de la tasa de incremento de la parte importada. El
signo del coeficiente de ajuste de largo plazo es el indicado porque un aumento
de logequisa respecto a las otras variables en el trimestre previo debería
provocar una disminución en el crecimiento de la misma. El valor de ese
coeficiente establece que el 66% de la brecha se va a cerrar dentro del
trimestre actual. A su vez, la desviación de la relación de largo plazo podría
haberse originado en una caída (aumento) de logspread o logpbitsa, con un
rezago. El ajuste hacia el equilibrio requeriría que las variables estuviesen creciendo
más rápidamente (disminuyendo), yeso es lo que surge de los signos de las tasas
de tales variables en el período corriente.
2.4. El modelo en tasas Una segunda alternativa sería trabajar con un modelo
que directamente estime los parámetros que acompañan a las tasas de crecimiento
de las variables (incluyendo la dependiente con sus rezagos), explicando a la
tasa de variación de la inversión en equipos Dlogequisa. Este modelo podría ser
estimado por MCO dado que todas las variables son estacionarias, valen los
estadísticos tradicionales y por consiguiente los estimadores tienen las
propiedades deseables. Dado que casi la totalidad de la variación registrada
por la inversión en equipos es explicada por la parte importada, así como
también la proporción de ésta en el total es creciente16 (en 1998 comprendía
G r á f ic o 3 : C o m p o s ic ió n in v e r s ió n e n e q u ip o s
1 0 0 .0 0 % 9 0 .0 0 % 8 0 .0 0 % 7 0 .0 0 % 6 0 .0 0 % 5 0 .0 0 % 4 0 .0 0 %
3 0 .0 0 % 2 0 .0 0 % 1 0 .0 0 % 0 .0 0 % 5 9 .8 5 % 4 0 .1 5 %
7 7 .0 1 %
Im p o r ta d o
N a c io n a l
2 2 .9 9 %
1991
1998
Años
16
A partir del recálculo de la IBIF con base 1993 se encontró que la ponderación
de 1986 sobrestimaba la participación de la parte importada en el total. Esto
ocurría fundamentalmente porque la antigua base
11
un 77%, gráfico 3), se utilizó como variable dependiente proxy a la importación
de bienes de capital a precios de 1993. La serie de importaciones de bienesde
capital (logimcapcte) -deflactada por el correspondiente índice de precios-
pertenece a la base de comercio exterior del INDEC. La especificación general
del modelo fue: Modelo 3
4 4 4
Dlogimpocapcte= ∼Μ===+
a
j Ζ0
ƒj==dlogtcr
4
t-j+
a
j Ζ0
ϒj dlogpbitsa
t-j
+
a
j Ζ0
≤j dlogspread
t-j
+
a
j Ζ0
↔ j dlogimpocapcte t-j + Ut
Las estimaciones mínimo cuadráticas arrojaron los resultados que se muestran a
continuación: DLOGIMCAPCTE = 2.356*DLOGPBITSA 0.208*DLOGIMCAPCTE t-4 Variable
DLOGPBITSA DLOGSPREAD t-1 DLOGIMCAPCTE R-squared F-statistic Coeficiente 2.356
-0.342 0.208 0.342*DLOGSPREAD
t-1
+
t-Statistic 2.734 -4.227 2.118 0.683382 2.213013
t-4
0.710914 25.82132
Adjusted R-squared Durbin-Watson stat.
Nuevamente, el modelo es muy significativo (al 5% individual y al 1% global) y
no se detectan problemas de correlación serial o heterocedasticidad (ver anexo
estadístico para la lectura de los tests). La interpretación de los
coeficientes estimados sugiere que un aumento en la tasa a la que crece el PBI
del 1% aumenta 2.36 puntos porcentuales la tasa de incremento de las
importaciones de bienes de capital (representativa de la inversión en equipos),
y lo propio sucede con las importaciones de bienes de capital del mismo período
del año anterior (4 rezagos), aunque en una magnitud más modesta, 0.21%. Por
último, un cambio de 1% en la variabilidad de los spreads del trimestre
anteriorprovoca una disminución del ritmo de crecimiento de la variable
regresada en el orden del 0.34%.
Limitaciones y extensiones  Endogeneidad de variables: un aumento en la
inversión ex ante podría inducir un incremento en el producto bruto interno
mediante el efecto multiplicador. Asimismo, el tipo de cambio real presente
puede estar determinado por la oferta relativa futura de no transables respecto
a los bienes transables, que a su vez depende de las decisiones de inversión
actuales (Heymann, 1993).
consideraba los efectos de precios de importación más elevados como
consecuencia fundamentalmente que en 1986 las políticas comerciales y
tributarias eran proteccionistas.
12
  
Actualización de datos: si bien aquí se trabajó con la base 1986 de las cuentas
nacionales, la reciente aparición de los nuevos datos con base 1993 promueve
una futura investigación para confirmar las relaciones encontradas en este trabajo17.
Proyecciones: en una próxima publicación, podría evaluarse la bondad de los
modelos en materia de pronósticos a corto y largo plazo. Descomposición
sectorial: asimismo, podría apuntarse a una descomposición de las inversiones
entre transables y no transables, repitiendo los procedimientos econométricos a
fin de certificar si los signos de las elasticidades son los que prevé el marco
conceptual.
Bibliografía:             Avila, J.
'Riesgo Argentino y Ciclo Económico'. Universidad del Cema. (1998).
Barro, R. ySala-i-Martin, X. Economic Growth. Mac Graw Hill (1995). Bebczuk, R.
'La Inversión Privada en la Argentina''. Anales de la XXIX
Reunión Anual de la AAEP. La Plata.(1994). Dixit, A. y Pindyck, R.
'Investment Under Uncertainty'. Princeton University Press (1994).
Enders, W. 'Applied Econometric Time Series'. John Wiley and Sons ed.
New York (1995). Engle, R. y Granger, C.W.J. 'Cointegration and
Error-Correction: Representation, Estimation, and Testing'. Econométrica.
Nro 55. March (1987). Engle, R. y Yoo, B. 'Forecasting and Testing in
Cointegrated Systems'. Journal of Econometrics. Nro 35 (1987). Heymann, D.
'Sobre la Interpretación de la Cuenta Corriente'. Reunión Anual de la
Asociación Argentina de Economía Política, Tucumán. (1993) Lehmann, S.
'Determinantes de la Inversión Productiva en Chile (1981-1989). Colección
Estudios Cieplan. Nro 33 (1990). López Murphy, R., Navajas, F., Urbiztondo, S.
y Moskovits, C. 'Determinantes del Ahorro Interno: El Caso Argentino'.
FIEL, Documento de Trabajo Nro 51 (1996). Melo, G. y Rodrigues, W.
'Determinantes do Investimento Privado no Brasil (19701995)'. IPEA,
Texto para discussao. Nro 605 (1998). Servén, L. 'Macroeconomic
Uncertainty and Private Investment in Developing Countries: an Empirical
Investigation'. World Bank PR Working Papers. Nro 2035 (1998).
Una estimación preliminar del primer modelo planteado encontró elasticidades
significativas (lo que debe ser leído con premura dada la dimensión de
lamuestra). He aquí el detalle de la ecuación estimada: LOGEQ93SA = -16.72 -
0.147*LOGSPREAD T-1 + 2.44*D(LOGPBI93SA) + 2.17*LOGPBI93SA T-1 1.88*LOGTCR(-1)
- 3.99*D(LOGTCR). Las variables resultan significativas individual y
globalmente. El R2 ajustado fue de 0.973 y del Durbin Watson 2.04.
17
13
Anexo Estadístico a) Tests de raíces unitarias para las series utilizadas Para
todas las variables, se realizaron tests ADF (Augmented Dickey-Fuller) y de
significatividad conjunta para chequear si los datos presentaban tendencias
estocásticas o determinísticas (lineales, exponenciales, etc.). En los casos
del tipo de cambio real (logtcr) y el spread de los bonos (logspread) solo se
constató la hipótesis nula de raíz unitaria dado que, por el comportamiento
económico de las series y su vinculación conceptual a valores de equilibrio de
largo plazo (especialmente el tipo de cambio), suponemos no podrían seguir una
tendencia determinística e.g.lineal o exponencial. La especificación general
del test fue la siguiente:
α Yt = ∼=Η=ƒ=
t-1 + ϒ=t + ∼=Η=ƒ=Y
a
j Ζ1
n
α Yt-1 + ⁄t
Los resultados obtenidos, incluyendo los estadísticos relevantes y los rezagos
óptimos18 para
a
j Ζ1
n
α Yt-1, se muestran a continuación19:
Cuadro A-1
Variable Logequisa Logpbitsa Logimcapcte Logspread Logtcr
Lags óptimos 6 5 6 8 5
H 0: ƒ=Ζ=ΜΞ=≥= ƒ=Ζ=ΜΞ=≥=value -2.43
-2.0432 -1.9104 -0.1896 -1.9114
Valor límite al 5% -3.60 -3.60 -3.60 -1.95 -1.95Cuadro A-2
18
La cantidad óptima de rezagos se elige a través del mínimo valor de criterios
de información como Schwartz o Akaike, comparando muestras de igual tamaño. 19
Todos los tests (incluyendo los de cointegración) se basan en supuestos que son
válidos para muestras grandes, por medio de teoría asintótica. Por ello, los
resultados aquí obtenidos sobre una muestra de 32 observaciones deben ser
leídos con cautela.
14
Variable Logequisa Logpbitsa Logimcapcte
Lags óptimos 6 5 6
H0: ƒΖ∼ΖΜΞ=°
i =values 1.4161 1.3646 1.2374
Valor límite al 5% 5.18 5.18 5.18
Cuadro A-3 Variable Logequisa Logpbitsa Logimcapcte Lags óptimos 6 5 6 H0:
ƒΖϒΖΜΞ=° i =values 3.0329 2.1298 1.8886 Valor límite
al 5% 7.24 7.24 7.24
b) Relaciones de cointegración. Para verificar que las variables logequisa,
logspread y logpbitsa estaban cointegradas, se siguió la metodología de Engle y
Granger (1987). Para ello, se estimaron tres ecuaciones incluyendo en cada una
de ellas a cada variable endógena como explicada (además de una constante), y
se obtuvieron los residuos a fines de testear si los mismos eran estacionarios
o no mediante el test ADF. Aquí también se eligió el número óptimo de rezagos
para
a
j Ζ1
n
α Yt-1 y se utilizaron las tablas de Engle
y Yoo (1987)20 al contratar la hipótesis nula.
Cuadro B-1
Variable explicada Logequisa Logpbitsa Logspread
Lags óptimos 1 0 1
H0: residuos no estacionarios -2.4734 -2.2733 -2.6174Valor límite al 5% -1.95
-1.95 -1.95
c) Testeo de los modelos econométricos.  Modelo 1
Breusch-Godfrey Serial Correlation LM Test (4 lags): F-statistic Obs*R-squared
0.383387 2.136501 Probability Probability 0.817881 0.710670
White Heteroskedasticity Test (cross terms): F-statistic Obs*R-squared 3.125567
25.18342 Probability Probability 0.041902 0.154593
CUSUM TEST (MCRecursivos)
15
20
Se aproximó al valor más cercano, que era el de 50 observaciones.
10
15

Modelo 2
Breusch-Godfrey Serial Correlation LM Test (4 lags): F-statistic Obs*R-squared
1.074189 4.071318 Probability Probability 0.395415 0.396440
White Heteroskedasticity Test (cross terms): F-statistic Obs*R-squared 0.833542
8.266739 Probability Probability 0.595873 0.507505
CUSUM TEST (MCRecursivos)
15 10 5 0 -5 -10 -15
1993
1994
1995
1996
1997
1998
CUSUM
5% Significance

Modelo 3
Breusch-Godfrey Serial Correlation LM Test (2 lags): F-statistic Obs*R-squared
1.301672 2.853253 Probability Probability 0.295264 0.240118
16
White Heteroskedasticity Test: F-statistic Obs*R-squared 0.992873 6.227826
Probability Probability 0.460939 0.398159
CUSUM TEST (MCRecursivos)
15 10 5 0 -5 -10 -15
93:3 94:1 94:3 95:1 95:3 96:1 96:3 97:1 97:3 98:1 CUSUM 5% Sig nificance
17
d) Series utilizadas en las estimaciones Período impocap Deflactor impocap
1991:2 1991:3 1991:4 1992:1 1992:2 1992:3 1992:4 1993:1 1993:2 1993:31993:4
1994:1 1994:2 1994:3 1994:4 1995:1 1995:2 1995:3 1995:4 1996:1 1996:2 1996:3
1996:4 1997:1 1997:2 1997:3 1997:4 1998:1 1998:2 1998:3 1998:4 335.86 343.59
497.29 501.50 722.30 915.90 957.40 736.60 892.90 1124.00 1347.40 1448.10
1386.30 1560.50 1616.00 1373.50 1017.30 1094.00 1260.80 1161.00 1336.10 1480.70
1629.20 1665.00 1833.40 2026.80 2192.60 2140.30 2177.30 2102.80 1390.30 97.70
99.70 100.30 100.80 100.50 103.30 101.60 100.70 100.80 100.10 98.80 99.30 99.70
101.40 101.30 101.40 102.50 100.70 100.20 98.90 95.80 97.30 96.00 96.70 94.00
92.60 94.70 93.40 90.80 92.00 na PBI TOTAL 10288.48 10524.60 10922.64 10201.90
11543.39 11441.57 11344.44 10671.20 11950.05 12143.57 12314.82 11895.64
12970.18 12941.59 13041.29 12275.84 12383.10 12015.05 12131.65 11967.09
13067.66 12882.58 13220.92 12922.01 14146.39 14158.02 14310.30 13852.70 15194.20
14569.90 14302.00 Equipo 572.53 602.35 739.65 683.16 906.55 1057.94 1066.80
831.68 1035.20 1240.16 1412.86 1353.26 1417.73 1532.52 1554.97 1268.23 1001.68
1072.70 1191.31 1096.75 1309.33 1399.90 1504.38 1449.60 1678.80 1860.40 1943.30
1855.70 2003.60 1913.40 1845.20 Spread (BP) 3661 2176 1566 1240 906 1038 1233
1056 806 515 391 489 654 774 908 1381 1159 1152 1206 930 891 823 716 519.45
483.25 387.85 561.23 539.85 549.85 955.85 922.14 TCR 0.98 0.93 0.9 0.86 0.83
0.81 0.79 0.79 0.77 0.76 0.76 0.76 0.76 0.76 0.75 0.75 0.75 0.76 0.76 0.77 0.78
0.78 0.78 0.78 0.79 0.79 0.8 0.79 0.79 0.79 0.79
18
