Objetivo general

Identificar y analizar de forma clara y concisa los principales determinantes de la deuda externa en los países con desarrollo humano alto y medio y su relación a través de la modelación econométrica del fenómeno.

Objetivos especificos

1. Estudiar y comprender las variables necesarias para el análisis de los principales determinantes de la deuda externa en los países con desarrollo humano alto y medio y establecer de manera apropiada su relación funcional.

2. Establecer la teoría económica fundamental para la comprensión del modelado del fenómeno en estudio.

3. Realizar de forma precisa y correcta cada una de las fases de la etapa de especificación.

¿Qué es la Deuda Externa?

La deuda externa es un tema relevante y de gran importancia para los países en desarrollo, especialmente aquellos con un nivel de desarrollo medio y alto. La deuda externa se refiere a los préstamos que un país recibe de otras naciones o instituciones internacionales, y se utiliza para financiar diversos proyectos y programas económicos, como la inversión en infraestructura y la implementación de políticas económicas.

Aunque la deuda externa puede ser una herramienta útil para impulsar el crecimiento económico, también puede tener consecuencias negativas significativas si no se gestiona adecuadamente. El crecimiento constante de la deuda externa puede llevar a una carga de la deuda insostenible, lo que dificulta el desarrollo económico y puede limitar el acceso a los mercados financieros internacionales.

En este sentido, es importante entender cómo se acumula la deuda externa y cómo afecta a los países de desarrollo alto y medio, para poder adoptar políticas y estrategias adecuadas para su gestión. Esto incluye identificar los principales determinantes de la deuda externa y analizar cómo las variables económicas clave, como el PIB per cápita, la tasa de interés, el crecimiento económico, el tipo de cambio y el grado de apertura comercial, afectan la acumulación y el impacto de la deuda externa.

Por lo tanto, el análisis de la deuda externa y su relación con las variables económicas clave es una tarea importante para comprender cómo funciona la economía global, y cómo los países de desarrollo alto y medio pueden manejar y controlar su deuda externa de manera efectiva. En este sentido, el objetivo principal de este análisis es responder preguntas centrales sobre cómo se acumula la deuda externa, cómo afecta al desarrollo económico de los países de desarrollo alto y medio, y cómo se pueden implementar políticas para gestionarla de manera efectiva.

Deuda Pública y Privada

La deuda pública es la deuda que contraen los gobiernos y otros organismos públicos en el mercado financiero, con el fin de financiar gastos públicos y proyectos de inversión. Por otro lado, la deuda privada se refiere a la deuda que contraen las empresas y particulares en el mercado financiero, con el fin de financiar proyectos empresariales y personales.

Por un lado, en la deuda pública los prestamistas pueden ser bancos nacionales o internacionales, organizaciones internacionales como el Fondo Monetario Internacional (FMI) o el Banco Mundial, u otros gobiernos. El gobierno puede pedir prestado para financiar proyectos de inversión o para cubrir gastos corrientes, y la deuda se acumula con el tiempo a medida que se pagan intereses y se renuevan o emiten nuevos préstamos. Si el gobierno no puede pagar sus deudas, puede recurrir a préstamos externos para financiar sus obligaciones, lo que aumenta la deuda externa del país.

Y por otro lado, la deuda privada pueden ser bancos nacionales o internacionales. Las empresas pueden pedir prestado para financiar proyectos de inversión o para cubrir gastos corrientes, y la deuda se acumula con el tiempo a medida que se pagan intereses; Lo que también aumenta la deuda externa del país.

Deuda externa a Largo Plazo y Corto plazo.

La deuda externa a corto plazo, vence en menos de un año, esto significa que los países deben pagar estas deudas en un plazo más breve, lo que puede generar una presión financiera significativa.

La deuda externa a largo plazo, se extiende por varios años, lo que permite a los países tener un mayor margen. Suelen estar relacionadas con proyectos como infraestructuras o programas sociales. Pueden pagar sus deudas de manera más sostenible y planificada, a medida que se generan ingresos adicionales; No siempre es beneficiosa para los países. En algunos casos, los préstamos a largo plazo pueden llevar a una carga financiera excesiva y obstaculizar el crecimiento económico.

La diferencia entre ambas radica en la manera en que se deben pagar. La deuda externa a corto plazo debe pagarse en un plazo más breve, lo que puede generar presión financiera sobre el país, y a largo plazo se paga a lo largo de varios años lo que da más tiempo al país para pagar, lo que le permite tener más flexibilidad financiera. La clasificación de la deuda externa según su plazo es importante para entender cómo se deben manejar las finanzas públicas del país deudor y qué tipo de presión financiera puede enfrentar en el corto y largo plazo.

Factores económicos que influyen en la deuda externa.

La acumulación de deuda externa es una preocupación particular, ya que puede tener consecuencias negativas significativas si no se gestiona adecuadamente. En este sentido, es importante comprender los principales determinantes de la deuda externa para poder adoptar políticas y estrategias adecuadas para su gestión.

Uno de los principales determinantes de la deuda externa es el nivel de ingresos y la riqueza de un país, medido por el PIB per cápita. Los países con ingresos más altos y un PIB per cápita más alto suelen tener una menor necesidad de endeudamiento y una mayor capacidad para pagar su deuda. Por el contrario, los países con bajos niveles de ingresos y un PIB per cápita más bajo pueden tener dificultades para pagar su deuda externa y pueden tener una mayor carga de la deuda.

El crecimiento económico es otro factor importante que influye en la acumulación de deuda externa. Los países que experimentan un crecimiento económico más rápido suelen tener una mayor capacidad para generar ingresos y pagar su deuda externa. Por otro lado, los países con un crecimiento económico más lento pueden tener dificultades para pagar su deuda, ya que su capacidad para generar ingresos puede ser limitada.

El tipo de cambio también es un factor importante en la acumulación de deuda externa. Los países cuya moneda se devalúa en relación con las monedas de los países a los que les deben pueden tener una mayor carga de la deuda, ya que el costo de pago de la deuda aumenta en términos de la moneda nacional. Por otro lado, los países cuya moneda se aprecia en relación con las monedas de los países a los que les deben pueden tener una menor carga de la deuda.

Por último, el grado de apertura comercial de un país también puede ser un determinante de la deuda externa. Los países que tienen una mayor apertura comercial suelen tener una mayor capacidad para generar ingresos a través del comercio internacional, lo que puede ayudarles a pagar su deuda externa. Los países con una menor apertura comercial pueden tener dificultades para generar ingresos y pueden tener una mayor carga de la deuda.

Países de desarrollo humano Alto.

La clasificación de países según su nivel de desarrollo se basa en diversos indicadores socioeconómicos, como el ingreso per cápita, el nivel de educación, la calidad de vida y otros factores. En el caso de los países de desarrollo alto, se considera que tienen una economía más desarrollada y un mayor nivel de bienestar para su población en comparación con los países de desarrollo medio y bajo. Los países con desarrollo alto son aquellos que han logrado un alto nivel de ingresos, educación, salud y otros indicadores de bienestar humano.v

En general, estos países tienen ciertas características en común, como una economía diversificada y una amplia base de exportación, lo que les permite financiar sus necesidades y mantener una deuda manejable, buena estructura y servicios públicos. Suelen tener acceso a recursos naturales y tecnológicos avanzados

Sin embargo, incluso los países de desarrollo alto pueden experimentar problemas de deuda externa si no manejan adecuadamente sus finanzas públicas y privadas. Si un país depende en gran medida de la deuda externa para financiar su desarrollo económico o para cubrir su déficit fiscal, puede terminar acumulando una deuda externa significativa que puede ser difícil de pagar en el futuro.Por lo tanto, es importante que los países de desarrollo alto manejen su deuda externa de manera responsable y aseguren que sus economías sean sostenibles a largo plazo.

Es importante mencionar que la clasificación de los países por nivel de desarrollo puede variar según la fuente y los criterios utilizados, por lo que es posible que haya algunas diferencias en las listas de países de desarrollo alto que se presentan en distintas fuentes.

Países de desarrollo Medio

Aunque estos países no han alcanzado el nivel de desarrollo alto, muchos de ellos han logrado avances significativos en áreas como la educación, la salud y la economía en las últimas décadas. En términos de deuda externa, estos países enfrentan un mayor riesgo de endeudamiento excesivo y de incumplimiento en el pago de sus obligaciones de deuda.

Se caracterizan por tener un nivel de desarrollo económico intermedio, es decir, no son considerados países de ingresos altos, pero tampoco son considerados países de bajos ingresos. Estos países suelen tener una economía diversificada, con sectores tanto agrícolas como industriales, y suelen contar con una población numerosa y en crecimiento.

Muchos de estos países tienen economías emergentes que requieren una mayor inversión en infraestructura, educación y salud, entre otros sectores. Para financiar estos gastos, muchos países de desarrollo medio recurren a préstamos externos, lo que aumenta su deuda externa.

Los países de desarrollo medio a menudo tienen menos acceso a préstamos a largo plazo y a mejores tasas de interés debido a su menor estabilidad financiera y a la percepción de mayor riesgo por parte de los inversores. Esto los lleva a recurrir a préstamos a corto plazo con tasas de interés más altas, lo que aumenta aún más su deuda externa y los expone a un mayor riesgo de impago; La mayor debilidad de estos países suele ser su fragilidad económica y política. Estos países a menudo sufren de inestabilidad política, corrupción, desigualdad social, y limitaciones en infraestructura y recursos humanos, lo que limita su capacidad para alcanzar un mayor desarrollo económico y social.

Aunque estos países están clasificados como de desarrollo medio en 2021, todavía tienen importantes obstáculos que superar en temas como la pobreza, la desigualdad y el cuidado del medio ambiente. Es esencial tener en cuenta que esta clasificación no es permanente, ya que puede cambiar en el futuro dependiendo de los avances o retrocesos que experimenten en su desarrollo social y económico.

A continuación se presentan en un cuadro la clasificación de los países según su desarrollo humano en el año 2021.

Hipótesis General:

La deuda externa de los países Índice de desarrollo humano medio y alto está determinada por el Producto Interno Bruto per cápita, con la tasa de interés, con el crecimiento económico y el grado de apertura comercial para el año 2021.

Hipótesis específicas:

Hipótesis 1:

H₀= La deuda externa de los países con IDH medio y alto no tiene relación directamente proporcional con el Nivel de Desarrollo para el año 2021

H₁= La deuda externa de los países con IDH medio y alto sí tiene relación directamente proporcional con el Nivel de Desarrollo para el año 2021

Hipótesis 2:

H₀= La deuda externa de los países con IDH medio y alto no tiene relación directamente proporcional con el Producto Interno Bruto per cápita para el año 2021

H₁= La deuda externa de los países con IDH medio y alto sí tiene relación directamente proporcional con el Producto Interno Bruto per cápita para el año 2021

Hipótesis 3:

H₀= La deuda externa de los países con IDH medio y alto no tiene relación directamente proporcional con la Crecimiento Económico para el año 2021

H₁= La deuda externa de los países con IDH medio y alto sí tiene relación directamente proporcional con la Crecimiento Económico para el año 2021

Hipótesis 4:

H₀= La deuda externa de los países con IDH medio y alto no tiene relación directamente proporcional con el Tipo de Cambio para el año 2021

H₁= La deuda externa de los países con IDH medio y alto sí tiene relación directamente proporcional con el Tipo de Cambio para el año 2021

Hipótesis 5:

H₀= La deuda externa de los países con IDH medio y alto no tiene relación directamente proporcional con el Grado de Apertura Comercial para el año 2021

H₁= La deuda externa de los países con IDH medio y alto sí tiene relación directamente proporcional con el Grado de Apertura Comercial para el año 2021

Pruebas de Normalidad.

library(stargazer)
library(tseries)
library(dplyr)
salida_JB<-jarque.bera.test(Modelo_DeudaExt$residuals)
Tabla_JB<-cbind(salida_JB$statistic, salida_JB$p.value) %>% as.data.frame(row.names = "Resultados: ")
names(Tabla_JB)<-c("Jarque-Bera",  "P-Value")
stargazer(Tabla_JB, title = "Prueba Jarque-Bera", type = "html", summary = FALSE, digits = 5)

library(fastGraph)
alpha_sig<-0.05
JB<-salida_JB$statistic
gl<-salida_JB$parameter
VC<-qchisq(1-alpha_sig,gl,lower.tail = TRUE)
shadeDist(JB,ddist = "dchisq",
          parm1 = gl,
          lower.tail = FALSE,xmin=0,
          sub=paste("VC:",round(VC,2)," ","JB:",round(JB,2)))

library(nortest)
library(stargazer)
library(dplyr)
prueba_KS<-lillie.test(Modelo_DeudaExt$residuals)
Tabla_KS<-cbind(prueba_KS$statistic, prueba_KS$p.value) %>% as.data.frame(row.names = "Resultados: ")
names(Tabla_KS)<-c("Kolmogorov-Smirnov",  "P-Value")
stargazer(Tabla_KS, title = "Prueba Kolmogorov-Smirnov", type = "html", summary = FALSE, digits = 5)

library(dplyr)
library(stargazer)
salida_SW<-shapiro.test(Modelo_DeudaExt$residuals)
Tabla_KS<-cbind(prueba_KS$statistic, prueba_KS$p.value) %>% as.data.frame(row.names = "Resultados: ")
names(Tabla_KS)<-c("Kolmogorov-Smirnov",  "P-Value")
stargazer(Tabla_KS, title = "Prueba Kolmogorov-Smirnov", type = "html", summary = FALSE, digits = 5)

Wn_salida<-qnorm(salida_SW$p.value, lower.tail = FALSE)
print(Wn_salida)

## [1] 7.301575

library(fastGraph)
shadeDist(Wn_salida, ddist = "dnorm", lower.tail = FALSE)

Pruebas Multicolinealidad.

library(mctest)
X_mat<-model.matrix(Modelo_DeudaExt)
mctest(mod = Modelo_DeudaExt)

## 
## Call:
## omcdiag(mod = mod, Inter = TRUE, detr = detr, red = red, conf = conf, 
##     theil = theil, cn = cn)
## 
## 
## Overall Multicollinearity Diagnostics
## 
##                        MC Results detection
## Determinant |X'X|:         0.8739         0
## Farrar Chi-Square:        11.1195         0
## Red Indicator:             0.1155         0
## Sum of Lambda Inverse:     5.2762         0
## Theil's Method:           -3.2476         0
## Condition Number:          6.6954         0
## 
## 1 --> COLLINEARITY is detected by the test 
## 0 --> COLLINEARITY is not detected by the test

library(mctest)
mctest::omcdiag(mod = Modelo_DeudaExt)

## 
## Call:
## mctest::omcdiag(mod = Modelo_DeudaExt)
## 
## 
## Overall Multicollinearity Diagnostics
## 
##                        MC Results detection
## Determinant |X'X|:         0.8739         0
## Farrar Chi-Square:        11.1195         0
## Red Indicator:             0.1155         0
## Sum of Lambda Inverse:     5.2762         0
## Theil's Method:           -3.2476         0
## Condition Number:          6.6954         0
## 
## 1 --> COLLINEARITY is detected by the test 
## 0 --> COLLINEARITY is not detected by the test

library(performance)
VIFs<-multicollinearity(x = Modelo_DeudaExt,verbose = FALSE)
VIFs

## # Check for Multicollinearity
## 
## Low Correlation
## 
##       Term  VIF    VIF 95% CI Increased SE Tolerance Tolerance 95% CI
##      dummy 1.05 [1.00,  4.75]         1.02      0.95     [0.21, 1.00]
##          g 1.03 [1.00, 14.60]         1.02      0.97     [0.07, 1.00]
##  PIBperCap 1.05 [1.00,  4.61]         1.02      0.95     [0.22, 1.00]
##          e 1.07 [1.00,  2.71]         1.03      0.94     [0.37, 1.00]
##  Apercomer 1.08 [1.00,  2.30]         1.04      0.93     [0.44, 1.00]

plot(VIFs)

Pruebas de Heterocedasticidad

library(lmtest)
options(scipen = 9999)
prueba_White<-bptest(Modelo_DeudaExt,~I(g^2)+I(PIBperCap^2)
                  +I(e^2)+(Apercomer^2)+g*PIBperCap+g*e+g*Apercomer+PIBperCap*e+PIBperCap*Apercomer+e*Apercomer,
                  data = Base_TrabajoFinal)
print(prueba_White)

## 
##  studentized Breusch-Pagan test
## 
## data:  Modelo_DeudaExt
## BP = 34.046, df = 13, p-value = 0.001184

Pruebas de Autocorrelación

library(lmtest)
dwtest(Modelo_DeudaExt,alternative = "two.sided",iterations = 1000)

## 
##  Durbin-Watson test
## 
## data:  Modelo_DeudaExt
## DW = 2.027, p-value = 0.9862
## alternative hypothesis: true autocorrelation is not 0

library(lmtest)
bgtest(Modelo_DeudaExt,order = 2)

## 
##  Breusch-Godfrey test for serial correlation of order up to 2
## 
## data:  Modelo_DeudaExt
## LM test = 12.027, df = 2, p-value = 0.002445

Estimación del modelo original sin corregir

options(scipen = 99999999)
library(lmtest)
coeftest(Modelo_DeudaExt)

## 
## t test of coefficients:
## 
##                 Estimate   Std. Error t value             Pr(>|t|)    
## (Intercept)  64196773269  35456440444  1.8106              0.07396 .  
## dummy       -19030286874  24776185644 -0.7681              0.44470    
## g            -1291279822   2315687620 -0.5576              0.57866    
## PIBperCap         148529         6417 23.1463 < 0.0000000000000002 ***
## e                 -59099        72168 -0.8189              0.41527    
## Apercomer   -26742147265  42228323864 -0.6333              0.52836    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

library(equatiomatic)
equatiomatic::extract_eq(Modelo_DeudaExt)

\[ \operatorname{DeudaExt} = \alpha + \beta_{1}(\operatorname{dummy}) + \beta_{2}(\operatorname{g}) + \beta_{3}(\operatorname{PIBperCap}) + \beta_{4}(\operatorname{e}) + \beta_{5}(\operatorname{Apercomer}) + \epsilon \]

Modelo corregido usando un estimador HAC

options(scipen = 99999)
library(lmtest)
library(sandwich)
#Corregido
#HC2 Corrige Heterocedasticidad y autocorrelación de orden 2.
vcov_HAC<-vcovHC(Modelo_DeudaExt,type = "HC2") 

coeftest(Modelo_DeudaExt,vcov. = vcov_HAC)

## 
## t test of coefficients:
## 
##                   Estimate     Std. Error t value             Pr(>|t|)    
## (Intercept)  64196773269.2  35352881661.7  1.8159              0.07313 .  
## dummy       -19030286874.4  25630431328.1 -0.7425              0.45997    
## g            -1291279822.1   1828812389.5 -0.7061              0.48219    
## PIBperCap         148528.9         8218.2 18.0731 < 0.0000000000000002 ***
## e                 -59098.6        26659.8 -2.2168              0.02948 *  
## Apercomer   -26742147264.9  36554415961.4 -0.7316              0.46657    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Presentación del modelo sin corregir y corregido

library(stargazer)
library(sandwich)
vcov_HAC<- vcovHC(Modelo_DeudaExt, type = "HC2")
robust.se <- sqrt(diag(vcov_HAC))

stargazer(Modelo_DeudaExt, Modelo_DeudaExt, se=list(NULL, robust.se),
column.labels=c("Original","Corregido"), align=TRUE, type = "html",title = "Modelo lineal de principales determinantes de la deuda externa")

Modelo original

options(scipen = 99999)
data<-Base_TrabajoFinal
equation<-as.formula("DeudaExt~dummy+g+PIBperCap+e+Apercomer")
endogena<-data$DeudaExt
Modelo_DeudaExt<-lm(formula =equation,data = data)
stargazer::stargazer(Modelo_DeudaExt,
                     title = "Modelo Estimado",
                     type = "html",
                     digits = 8)

Funciones para la desigualdad de Theil

Um<-function(pronosticado,observado){
  library(DescTools)
  ((mean(pronosticado)-mean(observado))^2)/MSE(pronosticado,observado) 
}
Us<-function(pronosticado,observado){
  library(DescTools)
  ((sd(pronosticado)-sd(observado))^2)/MSE(pronosticado,observado)
}
Uc<-function(pronosticado,observado){
  library(DescTools)
  (2*(1-cor(pronosticado,observado))*sd(pronosticado)*sd(observado))/MSE(pronosticado,observado)}
THEIL_U<-function(pronosticado,observado){
   library(DescTools)
  RMSE(pronosticado,observado)/(sqrt(mean(pronosticado^2))+sqrt(mean(observado^2)))
}

Simulación

options(scipen = 999999) 
library(dplyr) 
library(caret)
library(DescTools) 
library(stargazer) 
set.seed(50) 
numero_de_muestras<-5000
proporcion_entrenamiento<-0.75
# Creación de las muestras, aquí usamos la variable endógena que definimos con anterioridad 
muestras<- endogena %>%
  createDataPartition(p = proporcion_entrenamiento,
                      times = numero_de_muestras,
                      list = TRUE)
#Listas vacias para la simulación
Modelos_Entrenamiento<-vector(mode = "list",
                              length = numero_de_muestras)
Pronostico_Prueba<-vector(mode = "list",
                              length = numero_de_muestras)
Resultados_Performance_data_entrenamiento<-vector(mode = "list",
                              length = numero_de_muestras)
Resultados_Performance<-vector(mode = "list",
                              length = numero_de_muestras)
# Estimar los modelos de cada muestra y sus medidas de desempeño predictivo
for(j in 1:numero_de_muestras){
Datos_Entrenamiento<- data[muestras[[j]], ]
Datos_Prueba<- data[-muestras[[j]], ]
Modelos_Entrenamiento[[j]]<-lm(formula = equation,data=Datos_Entrenamiento)
Pronostico_Prueba[[j]]<-Modelos_Entrenamiento[[j]] %>% predict(Datos_Prueba)
Fe<-Modelos_Entrenamiento[[j]]$fitted.values
Ye<-Datos_Entrenamiento$DeudaExt
Resultados_Performance_data_entrenamiento[[j]]<-data.frame( 
            R2 = R2(Fe,Ye),
            RMSE = RMSE(Fe,Ye),
            MAE = MAE(Fe,Ye),
            MAPE= MAPE(Fe,Ye)*100,
            THEIL=TheilU(Fe,Ye,type = 1),
            Um=Um(Fe,Ye),
            Us=Us(Fe,Ye),
            Uc=Uc(Fe,Ye)
            )
Fp<-Pronostico_Prueba[[j]]
Yp<-Datos_Prueba$DeudaExt
Resultados_Performance[[j]]<-data.frame( 
            R2 = R2(Fp,Yp ),
            RMSE = RMSE(Fp, Yp),
            MAE = MAE(Fp,Yp),
            MAPE= MAPE(Fp,Yp)*100,
            THEIL=TheilU(Fp,Yp,type = 1), 
            Um=Um(Fp,Yp),
            Us=Us(Fp,Yp),
            Uc=Uc(Fp,Yp)
            )
}

Desempeño con los datos de entrenamiento

library(dplyr)
bind_rows(Resultados_Performance_data_entrenamiento) %>% 
  stargazer(title= "Medidas de Performance Datos del Modelo",
            type = "html",
            digits = 3,
            summary.stat = c("n","mean","sd","min","p25","p75","max"))

De acuerdo a los datos obtenidos podemos analizar lo siguiente: Con referente a R2 en promedio se explica el 76% de la varianza de la variable endogena ante un cambio en las variables exogenas, como minimo la varianza de la variable endogena se explica en 0.8% y como maximo en 98%. Con el valor de RMSE en promedio hay una distancia de 105,347,476,107 entre la deuda externa real y la pronosticado. Debido al dato de MAE se dice que existe una diferencia de 53,811,799,831 entre el verdadero dato y el pronosticado por el modelo. El dato de MAPE nos indica que el error promedio del modelo es 368,523,395 , el error minimo es de 24,763.880 y el maximo de 820,358,141. Para la evaluacion del pronostico, Um+Us es menor que 0.20 por lo que podemos considerar que existe evidencia de que el modelo podria ser consistente para predecir. Debido a que Uc es superior a 0.80 podemos decir que existe alta correlación entre los datos del modelo.

Desempeño con los datos de prueba

bind_rows(Resultados_Performance) %>% 
  stargazer(title = "Medidas de Performance Simulacion",
            type = "html",
            digits = 3,
            summary.stat = c("n","mean","sd","min","p25","p75","max"))

De acuerdo a los datos obtenidos podemos analizar lo siguiente: Con referente a R2 en promedio se explica el 39% de la varianza de la variable endogena ante un cambio en las variables exogenas, como minimo la varianza de la variable endogena se explica en 0% y como maximo en 99%. Con el valor de RMSE en promedio hay una distancia de 274,121,640,955. entre la deuda externa real y la pronosticada. Debido al dato de MAE se dice que existe una diferencia de 106,821,591,356 entre el verdadero dato y el pronosticado por el modelo. El dato de MAPE nos indica que el error porcentual promedio del modelo es 375,613,293 , el error minimo es de 1,166.296 y el maximo de 2,685,827,285 Para la evaluacion del pronostico,Um+Us es mayor que 0.20 por lo que podemos considerar que existe evidencia de que el modelo es inconsistente para predecir y con alta volatibilidad. Debido a que Uc es inferior 0.80 podemos decir que existe baja correlación entre los datos del modelo.

*Uso de skimr**

library(skimr)
skim(Base_TrabajoFinal)

Variable type: numeric

Uso de visdat

library(visdat)
vis_dat(Base_TrabajoFinal)

vis_miss(Base_TrabajoFinal, sort_miss = TRUE)