ANÁLISIS ECONOMÉTRICO SOBRE LA
DEMANDA POR DINERO EN PARAGUAY
ECONOMETRIC ANALYSIS ABOUT MONEY
DEMAND IN PARAGUAY
Econ. Tania Giselle Stollmaier Huber
Universidad Católica Nuestra Señora de la Asunción, Paraguay
pág. 1173
DOI: https://doi.org/10.37811/cl_rcm.v8i3.11329
Análisis Econométrico sobre la Demanda por Dinero en Paraguay
Econ. Tania Giselle Stollmaier Huber
1
tania.stollmaier@uc.edu.py
https://orcid.org/0009-0000-4698-4082
Facultad de Ciencias Contables, Administrativas y Económicas
Universidad Católica Nuestra Señora de la Asunción
Campus Guairá, Villarrica del Espíritu Santo
Paraguay
RESUMEN
El objetivo principal de la investigación es identificar los factores que inciden en la demanda de dinero
de Paraguay y sus posibles implicaciones cuantitativas, a partir de un estudio longitudinal y
correlacional, que ha encontrado las relaciones para la demanda de dinero (M1) y sus determinantes
como la Tasa de interés, la Inflación y el Tipo de cambio E, mediante el desarrollo del modelo
econométrico ARDL tomando como muestra la serie mensual desde enero del 2014 a octubre del 2023,
para lo cual M1 se encuentra relacionado negativamente con todas las variables de estudio, mientras
que el modelo ha logrado demostrar la existencia de relación de largo plazo entre las variables.
Palabras Claves: política monetaria, demanda de dinero, series de tiempo, ARDL
1
Autor principal
Correspondencia: tania.stollmaier@uc.edu.py
pág. 1174
Econometric Analysis about Money Demand in Paraguay
ABSTRACT
The main objective of the research is to identify the factors that affect the demand for money in Paraguay
and its possible quantitative implications, based on a longitudinal and correlational study, which has
found the relationships for the demand for money (M1) and its determinants. such as the Interest Rate,
Inflation and the Exchange Rate E, through the development of the ARDL econometric model taking
as a sample the monthly series from January 2014 to October 2023, for which M1 is negatively related
to all the variables of study, while the model has managed to demonstrate the existence of a long-term
relationship between the variables.
Keywords: monetary policy, demand for money, time series, ARDL
Artículo recibido 10 abril 2024
Aceptado para publicación: 08 mayo 2024
pág. 1175
INTRODUCCIÓN
En el contexto de la economía paraguaya, el análisis económico desempeña un papel crucial para
comprender las dinámicas subyacentes que influyen en diferentes aspectos del sistema económico-
financiero. Uno de los elementos centrales de esta exploración es el estudio de la demanda por dinero,
una variable esencial que refleja las preferencias y comportamientos de los agentes económicos en
relación con la liquidez.
El presente trabajo se centra en un análisis econométrico detallado de la demanda por dinero en
Paraguay, con el objetivo de identificar los factores que inciden en este fenómeno y sus posibles
implicaciones cuantitativas. La demanda por dinero, entendida como la cantidad de dinero que los
individuos y las empresas desean mantener en efectivo y en depósitos bancarios, es esencial para
entender las aplicaciones de política monetaria y sus efectos en la actividad económica.
Si bien, el Banco Central del Paraguay, a partir del año 2013, ha abandonado el anclaje a los Agregados
Monetarios como esquema de control de la Inflación, pasando a asumir el esquema de Metas de
Inflación, a partir del cual, la autoridad monetaria anuncia su inflación objetivo y conduce sus esfuerzos
de política monetaria al logro de ese objetivo mediante cambios en las tasa de interés de corto plazo
más conocida como la TPM (Tasa de Política Monetaria), el estudio de la demanda por dinero mediante
los agregados monetarios no deja de ser importante para la política monetaria, pues finalmente es la que
junto con las decisiones de oferta, conducen a un equilibrio en el mercado de dinero local y afectan a
los niveles de precios.
Paraguay, como economía en desarrollo, ha experimentado cambios significativos en su entorno
financiero en las últimas décadas. La globalización, las políticas monetarias y fiscales, así como otros
factores macroeconómicos, han influido en las preferencias de los agentes económicos respecto al
dinero, específicamente en relación al Guaraní. En este contexto, el análisis econométrico se presenta
como una herramienta valiosa para modelar y cuantificar las relaciones causales entre variables clave
que afectan la demanda por dinero, así como para realizar pronósticos.
A través de la aplicación de técnicas econométricas adecuadas, en función al estado del arte, este estudio
busca identificar los determinantes más relevantes de la demanda por dinero en Paraguay. Además, se
pág. 1176
pretende evaluar la robustez de los modelos propuestos, considerando la estabilidad de las relaciones a
lo largo del tiempo.
En última instancia, este análisis econométrico no solo contribuirá al entendimiento profundo de la
demanda por dinero en Paraguay, sino que también proporcionará resultados valiosos para los
responsables de la formulación de políticas económicas y financieras, permitiéndoles tomar decisiones
informadas que impulsen el crecimiento sostenible y la estabilidad monetaria en el país. Revisión de la
literatura
Muchos economistas se han preocupado por explicar la demanda de dinero, cuyo mayor reto
teórico/práctico ha sido el de especificar correctamente sus determinantes y respectivas elasticidades,
ya que, por otra parte, la oferta de dinero es mucho más simple de establecer por el papel que cumplen
los bancos centrales (Villca y otros, 2018).
El recorrido por las teóricas sobre la demanda por dinero inicia con la Teoría cuantitativa del dinero de
Fisher (1911), la cual relaciona las variaciones de los precios con la cantidad de dinero en la economía,
la cual puede aproximarse con la oferta de dinero por el banco central; sus fundamentos se orientaban
más a explicar la oferta. Mientras que, en la escuela de Cambridge, Pigou (1917) explica las razones
por las que un individuo demanda dinero en efectivo, a partir de un enfoque más microeconómico,
“concluye que a mayor volumen de transacciones mayor demanda de dinero” (Valencia Romero y otros,
2020). Pero la demanda de dinero no solo es explicada por su función como medio de cambio, ya que
a partir de la Gran Depresión, Keynes (1936) incorpora dos factores más, la precaución y la
especulación, el primero generado por el ingreso, mientras que el último por la incertidumbre de las
tasas de interés; finalmente esto es ampliado por Hicks (1937) en su modelo IS-LM asumiendo que la
demanda depende tanto del ingreso como de los tipos de interés (Villca y otros, 2018).
Siguiendo con el recorrido se puede mencionar la teoría de Friedman en 1956 que se enfoca en explicar
la demanda de dinero a partir del costo de oportunidad de mantener dinero, lo cual, a su vez, tiende a
estar condicionado por el tipo de interés de otros activos e introduce como variable la tasa de inflación.
En esta misma línea se encuentra el modelo de inventarios de Baumol (1952) y Tobin (1956), así como
el modelo de asignación de carteras de Tobin (1958), siendo tal que:
pág. 1177
El primero, además del ingreso, considera a la tasa de interés, las prácticas de pago y
los costos de transacción como determinantes del dinero demandado. La segunda
muestra la decisión de un individuo al distribuir su riqueza entre dinero y bonos ante la
presencia de riesgo (por incertidumbre de la tasa de los bonos). (Valencia Romero y
otros, 2020, pág. 78)
Se puede entender que la demanda de dinero es entonces un resultado de sus determinantes como
aquellas variables que se relacionan con la actividad económica y al costo de oportunidad de mantener
dinero.
Cuando se habla de dinero no se limita al conjunto de billetes y monedas en circulación, tal y como lo
definen Larraín & Sachs (2013) “El dinero es un conjunto de activos financieros (que incluye el
circulante, las cuentas corrientes, los cheques de viajero y otros instrumentos ) con características muy
particulares que lo diferencian de otros tipos de títulos financieros” (pág. 139). La principal diferencia
entre el dinero y otros tipo de activos financieros, es en esencia que sirve para realizar transacciones;
además, de servir como medio de cambio y como depósito de valor, excepto en periodos de alta
inflación.
Los agregados monetarios son los parámetros que se tienen para definir de una manera más exacta al
dinero, así como establecer los límites entre los distintos tipos de dinero que coexisten en la economía.
El crierio principal para definir al dinero es la facilidad con la que este puede utilizarse para realizar
transacciones, particularmente a juzgarse por su liquidez, siendo así el dinero en efectivo, el más líquido,
contra el cual se juzgan los demás activos. De forma general los agregados monetarios se simbolizan
con la letra M. Cada banco central juzga sus agregados monetarios, siendo la Reserva Federal que
Clasifica a Mh como el dinero de alto poder expansivo; a M1 que incluye los billetes y monedas,
depósitos a la vista , cheques de viajero y otras cuentas contra las cuales se pueden girar cheques; a M2
que incluye a M1 más el cuasidinero; por último a M3 que incluye al M2 y a otras cuentas menos
líquidas.
El Banco Central del Paraguay clasifica a sus agregados monetarios de manera tal que:
Base Monetaria (BM): Billetes y monedas en circulación (M0) y las reservas bancarias en el
BCP( Dptos. Cta. Cte. en el BCP + Dptos. por encajes) + Billetes en mano del BCP
pág. 1178
Billetes y Monedas en Circulación (M0): Billetes y monedas emitidos por el BCP y en circulación en
la economía.
Medio Circulante (M1): Billetes y monedas en poder del público y los depósitos en cuenta corriente
del sector privado. M0 + Depósito en Cuenta Corriente (contra los cuales se puede girar cheques).
M2: M1 + Cuasidinero (Depósitos de ahorro a la vista, depósitos de ahorro a plazo y CDA).
M3: M2 + Depósitos en Moneda extranjera.
M4: M3 + Otros Activos en manos de Público menos líquidos.
Díaz Guzmán & Castellano Montiel (2022) consideran que el agregado M1 es el que mejor representa
a la demanda de dinero en función del cual esta puede ser explicada. En ese sentido se pueden mencionar
otros antecedentes que utilizan este agregado monetario en sus modelos para la demanda de dinero,
tales como Villca y otros (2018) que lo analizan desde una perspectiva de varios países de
Latinoamérica
2
y estiman las elasticidades de la demanda de dinero al ingreso y a la tasa de interés
utilizando la metodología de Kao y Pedroni cuyos resultados indican que “Las estimaciones en el panel
de países muestran una elasticidad de demanda de dinero al ingreso de 1.73, y a la tasa de interés de -
0.16, siendo esto consistente con lo esperado teóricamente” (pág. 18). Asimismo, Valencia Romero y
otros (2020) consideran el agregado M1 pero esta vez como un determinante de la captación bancaria
en México para el periodo 2006-2018 considerando las variables de la actividad económica y del costo
de oportunidad de mantener dinero a través de un modelo de vectores autoregresivos.
Misas A. & Suescúm M. (1993) han abordado las funciones de la demanda de dinero y el
comportamiento estacional del mercado monetario en cuyo análisis han estudiado la relación entre las
distintas definciones de los agregados monetarios y un conjunto de variables macroeconómicas a partir
de técnicas de integración y cointegración estacional, que para el periodo 1980-1992 encuentran que
los agregado monetarios M1 y M2 están cointegrados en la frecuencia cero con la tasa de interés, los
precios y el ingreso, además, concluye que el agregado M1 es el más importante en la ejecución de
política monetaria
2
En cuya muestra se incluyen: Argentina, Bolivia, Brasil, Chile, Colombia, Costa Rica, Guatemala, Honduras, México, Nicaragua, Panamá,
Paraguay, Perú, República Dominicana y Uruguay.
pág. 1179
Considerando otros estudios como el de Sánchez Fung (1999), quien ha estimado la demanda de dinero
de largo plazo para República Dominicana a partir de una ecuación que “asume una relación lineal-
logarítmica entre el dinero real y el ingreso y una relación lineal entre el dinero real y la tasa de interés,
una forma funcional común en la la literatura” (pág. 145). Los datos que utiliza refiere a M1 como la
cantidad nominal de dinero, Y como el PIB real y P es el Deflactor del PIB; así como las medidas de
costo de oportunidad de dinero que tiene que ver con R, la tasa de interés de los bonos del tesoro de
Estados Unidos a 30 años, E como el tipo de cambio nominal (a la venta) y la Variación de P como la
medida de inflación.
Rodríguez Pérez (2008) se ha ocupado de estimar la demanda por dinero para México, utilizando datos
mensuales que abarcan el periodo enero de 1996 a mayo de 2007 y comprobar su relación con el nivel
de precios. Mientras que Noriega y otros (2011), en cuyo artículo colabora Rodríguez Pérez, se realiza
un análisis econométrico por medio de métodos de cointegración y modelos de corrección de error
(MCE) del agregado monetario M1 en México para lo cual, se utilizan datos trimestrales sin ajuste
estacional para el periodo 1986-2010, cuyas variables de interés se concentran en el agregado monetario
M1 en términos reales deflacionado con el Índice nacional de precios al consumidor, el PIB real (Y)
como medida de escala de transacciones en la economía, la tasa de interés de los Certificados de la
Tesorería de la Federación a 91 días (i) como medida del costo de oportunidad; estos datos se presentan
en Logarítmos naturales a excepción de la tasa de interés (pág. 706); los mismos concluyen que “Las
estimaciones en el panel de países muestran una elasticidad de demanda de dinero al ingreso de 1.73, y
a la tasa de interés de -0.16, siendo esto consistente con lo esperado teóricamente” (pág. 743).
En un artículo titulado “Una exploración reciente de la demanda por dinero en Colombia bajo un
enfoque no lineal” se estima la función de demanda por dinero para el periodo 1984-2016 bajo un
modelo de cointegración basado en Saikkonen y Choi (2004) cuyos resultados indican que existe una
relación de largo plazo entre los precios, el ingreso, la tasa de interés y la demanda de dinero, cuyos
signos de la función coinciden con la teoría económica y las semielasticidades respecto a la tasa de
interés se situaron entre -0,005 y -0,983, mientras que las elasticidades ingreso encontradas oscilaron
entre 1,967 y 3,006 (Ordoñez-Callamand y otros, 2018).
pág. 1180
Por otra parte, Alvarado Ferrera & Raudales Cárdenas (2022) se han propuesto determinar la existencia
de una relación a largo plazo entre la demanda de dinero y variables macroeconómicas tales como, tipo
de cambio, PIB e Inflación en el periodo 2002-2021, para lo cual utilizan el enfoque ARDL en cuyas
conclusiones se destacan que tanto el modelo M1 como el modelo M2 lograron demostrar la existencia
de una relación de largo plazo entre las variables del modelo, resalta que “el modelo M2 debería tomarse
como punto focal ya que al incluir más valores este brinda una representación más robusta del mercado”
(pág. 88); en el mismo artículo se mencionan varios antecedentes, entre los cuales se destaca el estudio
de Ester Campello, en colaboración de otros autores, que analizan la evolución del agregado M3 y de
sus componentes en Colombia en cuya conclusión afirma que:
(…) a pesar de las fuertes turbulencias experimentadas por la economía colombiana en
el periodo 2003-2020, los cuatro componentes del agregado amplio M3 mantienen una
relación, a largo plazo, con las variables macroeconómicas determinantes (el pib y el
costo de oportunidad en el caso de las demandas individuales y la relación PIB/M3,
proxy de la velocidad de circulación del dinero, y el tipo de interés del agregado M3
en el caso de las participaciones de cada componente en M3). (Barros Campello y otros,
2022, pág. 162)
A nivel regional, en Bolivia, se estima una función de demanda para responder a la interrogante de que
si Bolvia podría mantener niveles altos de señoreaje, que en comparación con algunos países de
América Latina, es uno de los más altos, cercanos al 2% del Producto Interno Bruto. La función de
demanda planteada añade la característica de la bolivianización, por lo que esta función aumentada tipo
Cagan está dada por el Logaritmo natural de los saldos reales ln(M/P), el Índice Global de la Actividad
Económica (y=IGAE), la tasa de interés pasiva en moneda local del sistema financiero (i) y el Logaritmo
natural de la bolivianización al cuadrado. “Los resultados muestran que el ingreso, las tasas de interés
pasivas y la bolivianización financiera habrían contribuido en gran manera al incremento de la demanda
de dinero, en especial desde 2006” (Cerezo & Ticona, 2017, pág. 32).
Por último, pero no menos importante, en Paraguay se ha realizado una estimación de la demanda de
dinero, para la cual se han utilizado datos trimestrales del anexo estadístico del informe económico del
pág. 1181
Banco Central de Paraguay, utilizando el Agregado M1 ampliado mediante técnicas de cointegración,
cuyo modelo se resume en la siguiente especificación:
Donde:
Mt= Saldo del M1 ampliado desestacionalizado en términos nominales en el momento t.
Pt= Nivel general de precios en el momento t.
Yt=Variable de escala, aproximada por el Producto Interno Bruto desestacionalizado.
r= Variable que representa el costo de oportunidad.
T= Proxy de cambio tecnológico.
N= Elasticidad de la demanda de dinero respecto de la variable de escala.
a= Elasticidad de la demanda de dinero con respecto al costo de oportunidad.
d= Semielasticidad de la demanda con respecto al parámetro tecnológico.
En cuya conclusión mencionan que:
Los coeficientes estimados para el largo plazo están acorde con los resultados
encontrados en trabajos similares realizados para la región. Estos coeficientes están en
el orden de 0,77 para el ingreso, -0,23 para la tasa de interés y -0,005 para el factor
tecnológico. (Rojas & García, 2006, pág. 1)
Modelo y Datos
Modelo Teórico
El modelo se formula en base a la Teoría Cuantitativa, tom-ando como base la ecuación de intercambio
de Fisher (1911) y las contribuciones de Friedmann (1956), de tal manera que:
M V= P Q
Donde:
pág. 1182
M= es la cantidad de dinero en un periodo determinado,
V= es la velocidad de circulación del dinero,
P= es el nivel de precios de la economía,
Q= representa el volumen del producto real de la economía.
También se puede considerar el enfoque de la Demanda por Saldos Monetarios reales:
M / P = (1 / V) x Q
Esta última, describe la demanda monetaria real como una función de la velocidad del dinero y del PIB
real. A su vez, como la tasa de interés nominal es una buena medida del costo de oportunidad de
mantener dinero, entonces a medida que la tasa de interés suba, la velocidad de circulación también
tenderá a aumentar, y de acuerdo a su relación con la demanda por saldos reales, esta tenderá a disminuir.
Es decir, a mayor tasa de interés nominal, menor demanda por saldos monetarios reales.
Por otra parte, se añade las consideraciones teóricas de Baumol & Tobin, en cuyo modelo se agrega la
tasa de interés y el tipo de cambio como un determinante adicional de la demanda de dinero.
Datos
Los datos han sido recolectados de acuerdo a las variables de interés del modelo teórico. La fuente de
consulta secundaria, por la naturaleza del tema elegido, es el Anexo Estadístico del Informe Económico
del Banco Central del Paraguay
https://www.bcp.gov.py/anexo-estadistico-del-informe-economico-i365
Se disponen de los siguientes datos para la economía paraguaya, cuyas series son mensuales y abarcan
el periodo 2014m1 a 2023m10 (enero del 2014 a octubre del 2023):
∆% M1: Tasa de variación del agregado M1 como proxy de la demanda por dinero
∆% IPC: Tasa de variación del Índice de precios al consumidor
i: Tasa de interés de corto y largo plazo del sistema financiero (i1; i2)
E: Tipo de cambio guaraníes/dólar americano
IMAEP: indicador mensual de la actividad económica del Paraguay como proxy del PIB real1.
1
Esta última teniendo en cuenta lo nota metodológica del Banco Central, la cual detalla que “La
compilación de las cuentas nacionales anuales y trimestrales observan los mismos conceptos en su
formulación, difiriendo solo en la periodicidad de la información elaborada”
pág. 1183
No se utilizan logaritmos ya que los datos están expresados en porcentajes como tasas, mientras que
uno de ellos, es un indicador, excepto para la variable E tipo de cambio, al cual se aplica LOG.
Modelo econométrico a estimar:
𝒀𝒕 = 𝜷𝟎 + 𝜷𝟏 X1 + 𝜷𝟐 X2 + 𝜷𝟑 X3 + 𝜷4 X4 + μ
𝒀𝒕 = M1 Variable dependiente
X1= IPC Variable independiente
X2= i Variable independiente
X3= E Variable independiente
X4= IMAEP Variable independiente
A priori se espera que:
𝜷𝟏>0, es decir una relación positiva entre la demanda por dinero y la inflación.
𝜷2<0, es decir una relación negativa entre la demanda por dinero y las tasas de interés.
𝜷3<0, es decir una relación negativa entre la demanda por dinero y el tipo de cambio.
𝜷4>0, es decir una relación positiva entre la demanda por dinero y el volumen de actividad económica.
Se aplica el modelo econométrico ARDL (Autoregressive Distributed Lag) el cual es utilizado para
analizar las relaciones de largo plazo entre las variables, cuyas fórmulas princi-pales incluyen:
Modelo de ARDL en Niveles: generalmente se usa cuando las series temporales son no estacionarias:
Yt=β0+β1Xt+β2Yt−1+β3Xt−1+…+βkYt−p+βk+1Xt−p+ut
Donde:
▪ Yt y Xt son las variables de interés en el tiempo t.
▪ β0 es la constante.
▪ β1,β2,…,βk+1 son los coeficientes.
▪ Yt−1,Yt−2,…,Yt−p y Xt−1,Xt−2,…,Xt−p son los rezagos (lags) de las variables Y y X,
respectivamente.
▪ ut es el término de error.
Modelo de ARDL en Primeras Diferencias: El modelo ARDL en primeras diferencias es utilizado
cuando las series temporales son estacionarias en primeras diferencias:
ΔYt=β0+β1ΔXt+β2ΔYt−1+β3ΔXt−1+…+βkΔYt−p+βk+1ΔXt−p+vt
Donde:
pág. 1184
▪ ΔYt y ΔXt son las primeras diferencias de las variables Y y X en el tiempo t, respectivamente.
▪ β0 es la constante.
▪ β1,β2,…,βk+1 son los coeficientes.
▪ ΔYt−1,ΔYt−2,…,ΔYt−p y ΔXt−1,ΔXt−2,…,ΔXt−p son las primeras diferencias rezagadas de las
variables Y y X, respectivamente.
▪ vt es el término de error.
En el gráfico siguiente se puede observar en detalle la aplicación del modelo:
Gráfico 1
Fuente: Eviews Blog (2017) https://blog.eviews.com/2017/05/autoregressive-distributed-lag-ardl.html
pág. 1185
RESULTADOS
Parte 1. Estadística descriptiva de las variables
Tabla 1- Sumario estadístico de las variables
M1
Inflación
IPC
Tplazo
IMAEP_
desestac
E
Gs/dólares
Promedio
.955477
0.347998
6.750981
112.6805
6052.362
Mediana
0.124157
0.373140
6.677817
113.9632
5945.281
Máximo
32.22759
2.591036
10.38000
128.1056
7384.842
Mínimo
-19.64370
-0.951734
4.890000
96.55556
4267.307
Deviación
Estándar
7.476120
0.522950
0.799160
8.264051
856.3155
Sesgo
(Skewness)
1.231019
0.763793
0.726525
-0.224577
-0.320117
Curtosis
7.472068
5.309308
5.862324
1.984666
2.165198
Jarque-Bera
28.1333
37.69325
50.66256
6.060492
5.441727
Probabilidad
.000000
0.000000
0.000000
0.048304
0.065818
Observaciones
118
118
118
118
118
Fuente: Elaboración propia en Eviews 12.
En los resultados de la tabla se puede observar que las variables no muestran una distribución normal;
Skewness muestra un sesgo hacia la derecha y una kurtosis alta para M1, INFLACION y TPLAZO,
mientras que muestra un sesgo hacia la izquierda y una curtosis baja para IMAEP_DESEST, TVISTA
y E. El estadístico Jarque-Bera también indica que las variables no se distribuyen de manera normal.
Esto no constituye un problema para la modelación, pues por lo general, las variables económicas no
se distribuyen de acuerdo a la normal.
Gráfico 1 Trayectoria de M1 en el periodo de muestra (enero2014 a octubre2023)
-30
-20
-10
0
10
20
30
40
14 15 16 17 18 19 20 21 22 23
M1
-1
0
1
2
3
14 15 16 17 18 19 20 21 22 23
Inflanción_IPC
0.2
0.4
0.6
0.8
1.0
1.2
1.4
14 15 16 17 18 19 20 21 22 23
Tvista
4
5
6
7
8
9
10
11
14 15 16 17 18 19 20 21 22 23
Tplazo
90
100
110
120
130
14 15 16 17 18 19 20 21 22 23
IMAEP_desestac
4,000
5,000
6,000
7,000
8,000
14 15 16 17 18 19 20 21 22 23
E
Fuente: Elaboración propia en Eviews 12.
pág. 1186
Gráfico 2 Trayectoria de las variables de estudio en el periodo de muestra (enero2014 a octubre2023)
-30
-20
-10
0
10
20
30
40
14 15 16 17 18 19 20 21 22 23
M1
-1
0
1
2
3
14 15 16 17 18 19 20 21 22 23
Inflanción_IPC
0.2
0.4
0.6
0.8
1.0
1.2
1.4
14 15 16 17 18 19 20 21 22 23
Tvista
4
5
6
7
8
9
10
11
14 15 16 17 18 19 20 21 22 23
Tplazo
90
100
110
120
130
14 15 16 17 18 19 20 21 22 23
IMAEP_desestac
4,000
5,000
6,000
7,000
8,000
14 15 16 17 18 19 20 21 22 23
E
Fuente: Elaboración propia en Eviews 12.
En los gráficos descriptivos se puede observar la evolución de todas las variables tomadas en cuenta
para el estudio a lo largo del tiempo. Al respecto del primer gráfico, sobre la Demanda por dinero (M1),
los picos se concentran en los meses de noviembre (altos) y diciembre (bajos) para la demanda por
dinero en el periodo 2016-2019. Para la inflación, los valores atípicos se concentran en los años 2015 y
2016, siendo la mayor variación positiva registrada para el mes de enero del 2016 explicada
fundamentalmente por el aumento de los precios de la carne. En relación al promedio de la tasa pasiva,
esta comienza a experimentar un descenso durante el periodo de la pandemia, lo cual es congruente con
las políticas adoptadas por el banco central del Paraguay, al aplicarse una política monetaria expansiva
pág. 1187
con una disminución considerable de la TMP.
3
El indicador de la actividad económica mensual del
Paraguay, tienen una tendencia de crecimiento a la larga, pero fluctuante conforme al ciclo económico,
aunque se puede observar un punto de quiebre en abril de 2020, el mes siguiente de haberse aplicado
las políticas de confinamiento por la pandemia de Covid-19 en el país. Por último, en relación al tipo
de cambio se puede observar un aumento desde mediados del 2014 hasta el 2015, para luego permanecer
durante casi 4 años en una cotización más o menos estable alrededor de los 6.000 Gs/Dólar, en los años
siguientes se puede observar la depreciación de la moneda local para subir hasta los 7.385 Gs/Dólar
(último mes de muestra), esto en consistente con la política de Flotación sucia del BCP
4
cuya
intervención se hace visible una vez que el tipo de cambio supere las bandas de 4.000-8.000 Gs/Dólar,
mientras tanto el valor de la moneda local respecto al dólar es el resultado de los movimientos de oferta
y demanda de la divisa.
Parte 2. Modelo econométrico
Pruebas de órdenes de integración Dickey-Fuller
Tabla 2 Test de raíz unitaria por grupo de variables
Variable
Niveles
Primeras Diferencias
DFA Augmented Dickey-
Fuller test statistic
DFA Augmented Dickey-
Fuller test statistic
M1
0.3094
0.0000
INFLACION_IPC
0.0000
0.0000
TVISTA
0.6023
0.0000
TPLAZO
0.0000
0.0000
IMAEP_DESESTAC
0.6032
0.0000
E
0.7037
0.0000
Fuente: Elaboración propia en Eviews 12.
Mediante la prueba de órdenes de integración de Dickey-Fuller, se puede evaluar cuanto sigue:
H0: La variable posee raíz unitaria.
H1: La variable no posee raíz unitaria.
3
Tasa de política monetaria.
4
Banco Central del Paraguay.
pág. 1188
Regla de decisión P-valor mayor a 0.05 (5% a 95% de confianza).
Las variables inflación y tasa de interés a plazo, no poseen raíces unitarias en niveles. Mientras que la
demanda por dinero (M1) es estacionaria en la primera diferencia, así como tasa de interés a la vista,
IMAEP como proxy del PIB y tipo de cambio E.
Estructuración del modelo ARDL
Tabla 3 Ecuación estimada por ARDL (4,0,0,0,0)
Variable
Coeficiente
Std. Error
t-Estadístico
Prob.
D(M1(-1))
-1.162256
0.062873
-18.48586
0.0000
D(M1(-2))
-1.123276
0.084950
-13.22279
0.0000
D(M1(-3))
-0.784005
0.084875
-9.237138
0.0000
D(M1(-4))
-0.347778
0.062343
-5.578410
0.0000
TVISTA
-4.198007
2.528966
-1.659970
0.1001
INFLANCION_IPC
-1.040871
1.057774
-0.984021
0.3275
LOG(E)
-2.978595
4.158288
-0.716303
0.4755
D2016M11
-28.39890
5.587224
-5.082828
0.0000
D2017M11
-35.39637
5.500712
-6.434870
0.0000
D2018M11
-29.61005
5.501641
-5.382039
0.0000
D2019M11
-28.16756
5.523663
-5.099435
0.0000
D2020M11
-18.36711
5.547342
-3.310975
0.0013
C
168.5612
39.84171
4.230772
0.0001
Fuente: Elaboración propia en Eviews 12.
En el modelo econométrico con enfoque ARDL se ha eliminado la variable IMAEP como proxy del
PIB por la falta de significancia individual para el modelo y sus altas perturbaciones a las pruebas de
normalidad de los residuales. Así como la variable TPLAZO.
D(M1) es significativa individualmente hasta su cuarto rezago, ya que p-valor es de 0,0000.
INFLACIÓN se considera en el modelo, aunque p-valor es mayor cae en la zona de rechazo para H0,
su exclusión del modelo no genera cambios significativos en las pruebas de normalidad de los residuos,
por lo que se considera su inclusión como explicativo de la Demanda por dinero. Tal como el LOG de
E, permanece en el modelo pues su inclusión mejora la distribución normal de los residuos.
TVISTA tiene una significancia individual para el modelo con un nivel de confianza del 90%, por lo
que su p-valor hace que no se rechace H0.
pág. 1189
Por otro lado, las variables dummys como regresores fijos son significativos individualmente. Las
variables dummys se corresponden con los meses de noviembre de los años 2016 a 2020.
Globalmente el modelo es significativo ya que la prueba F arroja una probabilidad del 0,000000 con lo
que se rechaza H0.
R cuadrado arroja un resultado del 0,822666 con lo cual se puede asumir que el modelo está explicado
el 82,27% por sus determinantes, es decir por la misma demanda por dinero hasta su cuarto rezago, por
la inflación (determinante con mucha fuerza teórica), por la tasa de interés para los depósitos a plazo en
el sistema financiero y por el log del tipo de cambio.
Por lo que la función para la demanda de dinero estaría explicada de la siguiente manera:
∆(M1) = 168,56 -1,16*∆(M1)t-1 -1,12*∆(M1)t-2 -0,78*∆(M1)t-3 -0,35*∆(M1)t-4 -4,2*TVISTA -
1,04*INFLANCION_IPC -2.98*LOG(E)
A continuación, se exponen los resultados de la evaluación a los residuales.
Gráfico 3 Residuales del modelo
-20
-10
0
10
20
-60
-40
-20
0
20
40
2014 2015 2016 2017 2018 2019 2020 2021 2022 2023
Residual Actual Fitted
Fuente: Elaboración propia en Eviews 12.
Gráfico 4 Normalidad de los residuos
0
2
4
6
8
10
12
14
-10 -5 0 5 10 15
Series: Residuals
Sample 2014M06 2023M10
Observations 113
Mean -2.36e-14
Median -2.84e-14
Maximum 16.93022
Minimum -12.68851
Std. Dev. 5.138066
Skewness 0.277879
Kurtosis 3.730322
Jarque-Bera 3.965534
Probability 0.137688
Fuente: Elaboración propia en Eviews 12.
pág. 1190
Se puede asumir que existe normalidad en los residuos, la Kurtosis es cercana a 3, mientras que la
probabilidad para Jarque-Bera es mayor al 10%.
Tabla 4 LM test para el modelo
Fuente: Elaboración propia en Eviews 12.
Siendo la probabilidad menor al 5%, se rechaza H0, por lo que los residuos están correlacionados en
serie hasta el segundo rezago. Por lo que se procede a realizar las pruebas de heterocedasticidad con el
objeto de validar los supuestos del modelo econométrico.
Breusch-Godfrey Serial Correlation LM Test:
Null hypothesis: No serial correlation at up to 2 lags
F-statistic 4.733031 Prob. F(2,98) 0.0109
Obs*R-squared 9.953515 Prob. Chi-Square(2) 0.0069
Test Equation:
Dependent Variable: RESID
Method: ARDL
Date: 02/16/24 Time: 17:42
Sample: 2014M06 2023M10
Included observations: 113
Presample missing value lagged residuals set to zero.
Variable Coefficient Std. Error t-Statistic Prob.
D(M1(-1)) -0.112000 0.077428 -1.446503 0.1512
D(M1(-2)) -0.036256 0.103701 -0.349624 0.7274
D(M1(-3)) -0.031129 0.096358 -0.323055 0.7473
D(M1(-4)) -0.009273 0.066416 -0.139623 0.8892
TVISTA 0.042340 2.447228 0.017301 0.9862
INFLANCION_IPC 0.354619 1.026904 0.345328 0.7306
LOG(E) -0.115267 4.014071 -0.028716 0.9771
D2016M11 0.488805 5.391990 0.090654 0.9280
D2017M11 0.270926 5.354059 0.050602 0.9597
D2018M11 -0.062080 5.379370 -0.011540 0.9908
D2019M11 0.610431 5.348306 0.114135 0.9094
D2020M11 2.827409 5.460457 0.517797 0.6058
C -3.249793 38.65390 -0.084074 0.9332
RESID(-1) 0.345942 0.129254 2.676453 0.0087
RESID(-2) -0.230560 0.123175 -1.871809 0.0642
R-squared 0.088084 Mean dependent var -2.36E-14
Adjusted R-squared -0.042189 S.D. dependent var 5.138066
S.E. of regression 5.245333 Akaike info criterion 6.275621
Sum squared resid 2696.325 Schwarz criterion 6.637664
Log likelihood -339.5726 Hannan-Quinn criter. 6.422534
F-statistic 0.676147 Durbin-Watson stat 2.151417
Prob(F-statistic) 0.792323
pág. 1191
Tabla 5 Test de Homocedasticidad
Fuente: Elaboración propia en Eviews 12.
Siendo, H0: los errores tienen varianza constante, son homocedásticos; H1: los errores no tienen
varianza constante, son heterocedásticos.
Como la probabilidad es alta no se rechaza H0, por la tanto los residuos son homocedásticos.
Tabla 6 Prueba de límites y forma de largo plazo de ARDL
Fuente: Elaboración propia en Eviews 12.
Heteroskedasticity Test: Breusch-Pagan-Godfrey
Null hypothesis: Homoskedasticity
F-statistic 0.955954 Prob. F(12,100) 0.4957
Obs*R-squared 11.62875 Prob. Chi-Square(12) 0.4759
Scaled explained SS 12.43255 Prob. Chi-Square(12) 0.4116
Heteroskedasticity Test: ARCH
F-statistic 0.011238 Prob. F(1,110) 0.9158
Obs*R-squared 0.011441 Prob. Chi-Square(1) 0.9148
ARDL Long Run Form and Bounds Test
Dependent Variable: D(M1,2)
Selected Model: ARDL(4, 0, 0, 0)
Case 2: Restricted Constant and No Trend
Date: 02/16/24 Time: 17:44
Sample: 2014M01 2023M10
Included observations: 113
Conditional Error Correction Regression
Variable Coefficient Std. Error t-Statistic Prob.
C 168.5612 39.84171 4.230772 0.0001
D(M1(-1))* -4.417315 0.255307 -17.30198 0.0000
TVISTA** -4.198007 2.528966 -1.659970 0.1001
INFLANCION_IPC** -1.040871 1.057774 -0.984021 0.3275
LOG(E)** -2.978595 4.158288 -0.716303 0.4755
D(M1(-1),2) 2.255060 0.209529 10.76252 0.0000
D(M1(-2),2) 1.131783 0.137149 8.252245 0.0000
D(M1(-3),2) 0.347778 0.062343 5.578410 0.0000
D2016M11 -28.39890 5.587224 -5.082828 0.0000
D2017M11 -35.39637 5.500712 -6.434870 0.0000
D2018M11 -29.61005 5.501641 -5.382039 0.0000
D2019M11 -28.16756 5.523663 -5.099435 0.0000
D2020M11 -18.36711 5.547342 -3.310975 0.0013
* p-value incompatible with t-Bounds distribution.
** Variable interpreted as Z = Z(-1) + D(Z).
Levels Equation
Case 2: Restricted Constant and No Trend
Variable Coefficient Std. Error t-Statistic Prob.
TVISTA -0.950353 0.577042 -1.646939 0.1027
INFLANCION_IPC -0.235634 0.239720 -0.982955 0.3280
LOG(E) -0.674300 0.941837 -0.715941 0.4757
C 38.15919 9.235724 4.131695 0.0001
EC = D(M1) - (-0.9504*TVISTA -0.2356*INFLANCION_IPC -0.6743*LOG(E) +
38.1592)
F-Bounds Test Null Hypothesis: No levels relationship
Test Statistic Value Signif. I(0) I(1)
Asymptotic: n=1000
F-statistic 80.45302 10% 2.37 3.2
k 3 5% 2.79 3.67
2.5% 3.15 4.08
1% 3.65 4.66
Actual Sample Size 113 Finite Sample: n=80
10% 2.474 3.312
5% 2.92 3.838
1% 3.908 5.044
pág. 1192
Siendo H0: No existe relación de largo plazo; y como la probabilidad es del 80,45 entonces se rechaza
H0, por la tanto existe relación de largo plazo entre las variables (H1).
Tabla 7 Prueba VIF
Fuente: Elaboración propia en Eviews 12.
Tanto para las pruebas no centradas, como para las centradas, los valores no superan a 10 en los 4
rezagos para M1, y en F_inflación, mientras que para la prueba no centradas de TVISTA alcanza un
valor de 18,5 por lo que puede existir problemas de multicolinealidad sobre esta variable. Para Log E
alcanza un valor bastante alto para la prueba no centrada, por lo que también puede existir
multicolinealidad para esta variable.
Variance Inflation Factors
Date: 02/16/24 Time: 17:46
Sample: 2014M01 2023M10
Included observations: 113
Coefficient Uncentered Centered
Variable Variance VIF VIF
D(M1(-1)) 0.003953 2.229115 2.229114
D(M1(-2)) 0.007217 4.069739 4.069739
D(M1(-3)) 0.007204 4.065449 4.065439
D(M1(-4)) 0.003887 2.195837 2.195773
TVISTA 6.395672 18.49057 1.309754
INFLANCION_IPC 1.118886 1.644607 1.166304
LOG(E) 17.29136 5015.183 1.230448
D2016M11 31.21707 118.2477 1.046440
D2017M11 30.25783 114.6142 1.014285
D2018M11 30.26806 114.6529 1.014628
D2019M11 30.51085 115.5726 1.022766
D2020M11 30.77300 116.5656 1.031554
C 1587.362 6066.482 NA
pág. 1193
Tabla 8 Test de variables omitidas para IMAEP
En el test, para la variable omitida IMAEP_DESEST se puede observar como el modelo restricto tiene
un menor logaritmo de máxima verosimilitud que el modelo irrestricto, con esto se maximiza que los
parámetros sean significativos. Por lo que se puede afirmar que el mejor modelo es aquel que no
contiene a la IMAEP que se había tomado como un proxy del PIB.
Tabla 9 Test de variables omitidas para TPLAZO
Fuente: Elaboración propia en Eviews 12.
Omitted Variable Test
Equation: EQ01ARDL
Omitted Variables: TPLAZO
Specification: D(M1) D(M1(-1)) D(M1(-2)) D(M1(-3)) D(M1(-4)) TVISTA
INFLANCION_IPC LOG(E) D2016M11 D2017M11 D2018M11
D2019M11 D2020M11 C
Null hypothesis: TPLAZO is not significant
Value df Probability
t-statistic 0.753000 99 0.4532
F-statistic 0.567009 (1, 99) 0.4532
Likelihood ratio 0.645346 1 0.4218
F-test summary:
Sum of Sq. df Mean Squares
Test SSR 16.83806 1 16.83806
Restricted SSR 2956.769 100 29.56769
Unrestricted SSR 2939.931 99 29.69628
LR test summary:
Value
Restricted LogL -344.7823
Unrestricted LogL -344.4596
Omitted Variable Test
Equation: EQ01ARDL
Omitted Variables: IMAEP_DESESTAC
Specification: D(M1) D(M1(-1)) D(M1(-2)) D(M1(-3)) D(M1(-4)) TVISTA
INFLANCION_IPC LOG(E) D2016M11 D2017M11 D2018M11
D2019M11 D2020M11 C
Null hypothesis: IMAEP_DESESTAC is not significant
Value df Probability
t-statistic 0.852802 99 0.3958
F-statistic 0.727272 (1, 99) 0.3958
Likelihood ratio 0.827084 1 0.3631
F-test summary:
Sum of Sq. df Mean Squares
Test SSR 21.56256 1 21.56256
Restricted SSR 2956.769 100 29.56769
Unrestricted SSR 2935.207 99 29.64855
LR test summary:
Value
Restricted LogL -344.7823
Unrestricted LogL -344.3688
pág. 1194
En relación a la variable TPLAZO como la tasa de interés para depósitos a plazo en el sistema financiero,
el modelo restricto tiene un menor logaritmo de máxima verosimilitud que el modelo irrestricto, con
esto se maximiza que los parámetros sean significativos.
Por medio del test de máxima verosimilitud, se puede encontrar que la exclusión de ambas variables es
significativa, pues sus respectos logaritmos son menores en los modelos restrictos que los que
irrestrictos.
Tabla 10 Test Ramsey
Fuente: Elaboración propia en Eviews 12.
Por el test de Ramsey se puede determinar que el modelo restricto es mejor, pues tiene menor logaritmo
en relación al modelo irrestricto.
Ramsey RESET Test
Equation: EQ01ARDL
Omitted Variables: Squares of fitted values
Specification: D(M1) D(M1(-1)) D(M1(-2)) D(M1(-3)) D(M1(-4)) TVISTA
INFLANCION_IPC LOG(E) D2016M11 D2017M11 D2018M11
D2019M11 D2020M11 C
Value df Probability
t-statistic 6.702705 99 0.0000
F-statistic 44.92626 (1, 99) 0.0000
Likelihood ratio 42.28248 1 0.0000
F-test summary:
Sum of Sq. df Mean Squares
Test SSR 922.9489 1 922.9489
Restricted SSR 2956.769 100 29.56769
Unrestricted SSR 2033.820 99 20.54364
LR test summary:
Value
Restricted LogL -344.7823
Unrestricted LogL -323.6411
pág. 1195
Gráfico 5 Test Cusum
-20
-15
-10
-5
0
5
10
15
20
IV III III IV III III IV III III IV
2021 2022 2023
CUSUM 5% Significance
Fuente: Elaboración propia en Eviews 12.
Se considera que el modelo es estable globalmente, por la que la línea azul no sale de las bandas de
confianza.
Parte 3. Pronóstico para M1 como proxy de la demanda de dinero.
Siendo la ecuación resultante:
∆(M1) = 168,56 -1,16*∆(M1)t-1 -1,12*∆(M1)t-2 -0,78*∆(M1)t-3 -0,35*∆(M1)t-4 -4,2*TVISTA -
1,04*INFLANCION_IPC -2.98*LOG(E)
Siendo el intercepto en y= 168,56 y existiendo una relación negativa entre TVISTA y M1, de tal manera
que por cada 1% que aumenta la tasa de interés a la vista, la demanda tenderá a disminuir en 4,2%
aproximadamente, resultante del aumento del costo de oportunidad del dinero, también el modelo ha
arrojado una relación negativa entre INFLACIÓN y M1, de tal manera que por cada 1% que aumente
el nivel general de precios, medida por el IPC, la demanda de dinero tenderá a disminuir en 1,04%
aproximadamente, esto difiere de lo esperado a priori; entre tanto que existe una relación negativa entre
M1 y E, de tal manera que por cada 1% que aumente el tipo de cambio, la demanda de dinero tenderá
a disminuir en 2,98%, resultante de la depreciación de la moneda local.
pág. 1196
Gráfico 6 Pronóstico para la Demanda de Dinero
-80
-60
-40
-20
0
20
40
60
80
14 15 16 17 18 19 20 21 22 23 24 25
M1F ± 2 S.E.
Forecast: M1F
Actual: M1
Forecast sample: 2014M01 2025M12
Adjusted sample: 2014M06 2025M12
Included observations: 139
Root Mean Squared Error 4.884645
Mean Absolute Error 3.788256
Mean Abs. Percent Error 232.4589
Theil Inequality Coef. 0.336330
Bias Proportion 0.002303
Variance Proportion 0.022215
Covariance Proportion 0.975482
Theil U2 Coefficient 1.016720
Symmetric MAPE 119.4097
Fuente: Elaboración propia en Eviews 12.
Gráfico 7 Serie temporal y pronosticada para M1
-30
-20
-10
0
10
20
30
40
14 15 16 17 18 19 20 21 22 23 24 25
M1F M1
Fuente: Elaboración propia en Eviews 12.
En el gráfico se puede observar como el pronóstico (forecast) tiene un buen ajuste para la demanda de
dinero en relación a la serie observada. La línea F(azul) indica que la demanda de dinero tenderá a
decrecer, que, considerando el resultado del pronóstico para las variables independientes, es coherente,
ya que sus respectivos pronósticos indican que tienen a crecer.
pág. 1197
CONCLUSIONES
La demanda de dinero, la cual es objeto de estudio de la investigación, tomando como dato el cambio
mensual en el agregado monetario M1, aplicando un modelo ARDL (4,0,0,0) ha permitido arribar a las
siguientes conclusiones:
Efecto de rezagos de la variable dependiente, ya que los coeficientes negativos de los rezagos de
ΔM1 sugieren que los cambios en la variable M1 en períodos pasados tienen un efecto negativo en el
cambio actual de M1.
Efecto de la variable TVISTA, pues el coeficiente negativo (-4.2) sugiere que un aumento en la tasa
de interés a la vista reduce el cambio en la variable M1, esto se debe a que, al aumentar el costo de
oportunidad del dinero, las personas tienden a reducir su demanda de dinero, lo cual es consistente con
la teoría económica.
Efecto de la variable inflación, de tal manera que el coeficiente negativo (-1.04) sugiere que un
aumento en la inflación reduce el cambio en la variable M1. Esto podría ser consistente con la teoría
económica, ya que una mayor inflación puede hacer que la gente retenga menos efectivo debido a la
disminución del poder adquisitivo de la moneda local.
Efecto de la variable LOG(E), como el coeficiente negativo (-2.98) indica que un aumento del 1% en
el tipo de cambio está asociado con una disminución en el cambio de la variable M1 en casi 3%. Esto
sugiere que una depreciación de la moneda local (un aumento en E) puede estar relacionada con una
menor expansión de la cantidad de dinero en la economía.
Por lo tanto, la tasa de interés a la vista, la inflación y el tipo de cambio son buenos explicativos de la
demanda de dinero, así como los cuatro primeros rezagos de la misma variable (M1), para lo cual, el
modelo seleccionado ha arrojado un R cuadrado alto de más del 82%, mientras que el modelo es
significativo en conjunto y el test cusum demuestra estabilidad en el modelo; por otra parte, el test LM
ha permitido determinar la existencia de relación de largo plazo entre las variables. El pronóstico para
M1 decrece a la larga.
pág. 1198
REFERENCIAS BIBLIOGRAFICAS
Alvarado Ferrera, D., & Raudales Cárdenas, G. (2022). DEMANDA DE DINERO EN HONDURAS:
ENFOQUE ARDL. Revista Economía y Administración, 13(2), 64-91.
Banco Central del Paraguay . (2013). Política Monetaria en Paraguay: metas de inflación un nuevo
esquema. Asunción.
Banco Central del Paraguay. (s.f.). Anexo Estadístico del Informe Económico . Paraguay.
Barros Campello, E., Pateiro Rodríguez, C., & Salcines Cristal, V. (2022). La inestabilidad de la
demanda de dinero en Colombia, 2023-2020. IE, 81(319), 141-167.
Cerezo, S. M., & Ticona, U. A. (2017). Bolivianización, demanda de dinero y señoreaje en Bolivia:
evidencia empírica y una propuesta teórica. LAJED, 7-37.
Díaz Guzmán, G., & Castellano Montiel, A. G. (2022). Demanda de dinero transaccional en Colombia
1994(I)-2019(IV). Revista de Ciencias Sociales (Ve), XXVIII(1), 141-153.
Damián Sandoval , M., Rochin Berumen, F. L., & Martínez Flores, R. B. (2024). Desarrollo
de competencias profesionales en Patología Veterinaria. Estudios Y Perspectivas
Revista Científica Y Académica , 4(1), 1–14. https://doi.org/10.61384/r.c.a.v4i1.64
Damián Sandoval , M., Rochin Berumen, F. L., & Martínez Flores, R. B. (2024). Desarrollo
de competencias profesionales en Patología Veterinaria. Estudios Y Perspectivas
Revista Científica Y Académica , 4(1), 1–14. https://doi.org/10.61384/r.c.a.v4i1.65
Da Silva Santos , F., & López Vargas , R. (2020). Efecto del Estrés en la Función Inmune en
Pacientes con Enfermedades Autoinmunes: una Revisión de Estudios
Latinoamericanos. Revista Científica De Salud Y Desarrollo Humano, 1(1), 46–59.
https://doi.org/10.61368/r.s.d.h.v1i1.9
Eviews Blog. (18 de Mayo de 2017). Econometric Analysis Insight Blog.
Flores Fiallos , S. L. (2024). Simulación clínica en la formación de profesionales de la salud:
explorando beneficios y desafíos. Revista Científica De Salud Y Desarrollo
Humano, 5(2), 116–129. https://doi.org/10.61368/r.s.d.h.v5i2.124
pág. 1199
Larraín , F., & Sachs, J. (2013). Macroeconomía en la Economía Global. Santiago de Chile: Pearson
Education.
Misas A., M., & Suescúm M., R. (1993). Funciones de demanda de dinero y el comportamiento
estacional del mercado monetario. Revista ESPE(23), 55-79.
Noriega, A. E., Ramos-Francia, M., & Rodríguez Pérez, C. A. (2011). Demanda por dinero en México
(1986-2010). El Trimestre Económico, LXXVIII(312), 699-749.
Novales Cinca, A. (1993). Econometría. Madrid: McGraw-Hill.
Ordoñez-Callamand, D., Melo-Velandia, L. F., & Parra-Amado, D. (2018). Una exploración reciente a
la demanda por dinero en Colombia bajo un enfoque no lineal. Revista de Economía de Rosario,
21(1), 5-37.
Rodríguez Pérez, C. A. (2008). Demanda por dinero: la persistencia de la base monetaria y la
expectativa de inflación que la sustenta. El Colegio de México.
Rojas, B. D., & García, H. (2006). Estimación de la demanda de dinero en Paraguay. Asunción: Banco
Central del Paraguay.
Sánchez Fung , J. (1999). DEMANDA DE DINERO DE LARGO PLAZO EN LA REPÚPLICA
DOMINICANA: EVIDENCIA PRELIMINAR. Ciencia y Sociedad, XXIV(2), 143-163.
Valencia Romero, R., González Moya, J., & Ríos Bolívar, H. (2020). Demanda de dinero y captación
bancaria en México. Universidad Nacional Autónoma de México.
Villca, A., Torres , A., Posada, C. E., & Hermilson, V. (2018). Demanda de dinero en América Latina,
1996-2016: una aplicación de cointegración en datos de panel. CIEF Centro de investigaciones
económicas y financieras.
pág. 1200
APÉNDICE
Tabla 11. Resultados del modelo AR para las variables independientes
Dependent Variable: INFLANCION_IPC
Method: ARMA Maximum Likelihood (BFGS)
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
0.350748
0.064478
5.439779
0.0000
AR(1)
0.224586
0.080381
2.794003
0.0061
SIGMASQ
0.257694
0.023866
10.79750
0.0000
R-squared
0.049659
Mean dependent var
0.347998
Adjusted R-squared
0.033131
S.D. dependent var
0.522950
S.E. of regression
0.514214
Akaike info criterion
1.533180
Sum squared resid
30.40788
Schwarz criterion
1.603621
Log likelihood
-87.45764
Hannan-Quinn criter.
1.561781
F-statistic
3.004571
Durbin-Watson stat
2.000672
Prob(F-statistic)
0.053466
Dependent Variable: D(TVISTA)
Method: ARMA Maximum Likelihood (BFGS)
Coefficient covariance computed using outer product of gradients
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
0.000789
0.005517
0.142983
0.8866
AR(1)
-0.392667
0.069764
-5.628510
0.0000
SIGMASQ
0.006257
0.000668
9.371274
0.0000
R-squared
0.153027
Mean dependent var
0.001183
Adjusted R-squared
0.138168
S.D. dependent var
0.086321
S.E. of regression
0.080136
Akaike info criterion
-
2.183444
Sum squared resid
0.732084
Schwarz criterion
-
2.112619
Log likelihood
130.7315
Hannan-Quinn criter.
-
2.154690
F-statistic
10.29848
Durbin-Watson stat
1.909774
Prob(F-statistic)
0.000077
Fuente: Elaboración propia en Eviews 12.
Dependent Variable: LOG(E)
Method: ARMA Maximum Likelihood (BFGS)
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
8.677642
0.198043
43.81705
0.0000
AR(1)
0.997199
0.009549
104.4299
0.0000
SIGMASQ
0.000258
2.92E-05
8.862078
0.0000
R-squared
0.988008
Mean dependent var
8.697737
Adjusted R-squared
0.987800
S.D. dependent var
0.147422
S.E. of regression
0.016284
Akaike info criterion
-
5.328282
Sum squared resid
0.030493
Schwarz criterion
-
5.257840
Log likelihood
317.3686
Hannan-Quinn criter.
-
5.299680
F-statistic
4737.459
Durbin-Watson stat
1.232308
Prob(F-statistic)
0.000000
pág. 1201
Tabla 12 Pronóstico para las variables independientes
Forecast Tvista Inflación E
Fuente: Elaboración propia en Eviews 12.
2023M11 0.37700360... 0.87251198... 7394.58372...
2023M12 0.35664479... 0.89555560... 7402.58828...
2024M01 0.35207249... 0.88760563... 7461.52926...
2024M02 0.35104561... 0.89182582... 7507.62133...
2024M03 0.35081499... 0.89126719... 7497.82706...
2024M04 0.35076320... 0.89258504... 7498.57489...
2024M05 0.35075156... 0.89316606... 7554.77214...
2024M06 0.35074895... 0.89403642... 7601.02231...
2024M07 0.35074837... 0.89479316... 7591.72535...
2024M08 0.35074823... 0.89559451... 7591.60756...
2024M09 0.35074820... 0.89637834... 7647.06939...
2024M10 0.35074820... 0.89716906... 7694.10174...
2024M11 0.35074820... 0.89795707... 7685.52642...
2024M12 0.35074820... 0.89874614... 7684.62989...
2025M01 0.35074820... 0.89953480... 7739.35850...
2025M02 0.35074820... 0.90032362... 7787.15795...
2025M03 0.35074820... 0.90111238... 7779.32467...
2025M04 0.35074820... 0.90190116... 7777.67198...
2025M05 0.35074820... 0.90268993... 7831.64962...
2025M06 0.35074820... 0.90347870... 7880.19411...
2025M07 0.35074820... 0.90426748... 7873.12055...
2025M08 0.35074820... 0.90505625... 7870.73402...
2025M09 0.35074820... 0.90584503... 7923.94336...
2025M10 0.35074820... 0.90663380... 7973.21037...
2025M11 0.35074820... 0.90742257... 7966.91354...
2025M12 0.35074820... 0.90821135... 7963.81588...
pág. 1202
Gráfico 8 Serie actual y pronosticada para las variables independientes.
-1.0
-0.5
0.0
0.5
1.0
1.5
2.0
2.5
3.0
14 15 16 17 18 19 20 21 22 23 24 25
F_INFLANCION Inflanción_IPC
.
Gráfico 9 Serie actual y pronosticada para tasa de interés a la vista
0.2
0.4
0.6
0.8
1.0
1.2
1.4
14 15 16 17 18 19 20 21 22 23 24 25
F_TVISTA Tvista
4,000
4,500
5,000
5,500
6,000
6,500
7,000
7,500
8,000
8,500
14 15 16 17 18 19 20 21 22 23 24 25
F_E E
Fuente: Elaboración propia en Eviews 12.