Introducción

Para tomar decisiones sobre el futuro del Ecuador después de la pandemia de la COVID-19 es necesario conocer cómo se encuentra el sector fiscal del país. Ecuador para el 2020 tuvo una deuda pública del 58,89% del PIB, además de un nivel de pobreza del 32% para el mismo. Evidenciar los efectos para buscar nuevas oportunidades está en el centro de los esfuerzos de la política fiscal en el Ecuador, que se desenvuelve en encontrar más y mejor financiamiento para la recuperación y el desarrollo.

Analizar las relaciones que se presentan entre el crecimiento económico y el gasto que realiza un países pueden ser determinantes para demarcar el escenario fisca que se está viviendo y el que vendrá.

Pregunta y objetivos de investigacion

Pregunta 1

Existe alguna relación entra la de Crecimiento del Gasto Corriente que realiza el Gobierno Centra y la Tasa de Crecimiento del PIB del Ecuador.

Objetivos

Mediante e análisis econométrico se descompondrá a las series utilizadas para esta investigación, llegando a determinar la existencia de alguna relación entre las dos variables.

Descripción estadística

Acerca de la base de datos

Para la base de datos se obtuvo la información a partir de bases de Datos del Banco Central del Ecuador. Los datos para utilizar constan desde el segundo trimestre del 2008 hasta el primer trimestre del 2021.

Serie_tasas <- read_excel("C:/Users/rogus/OneDrive/Documentos/P_Macro/Tasas.xlsx")
gd <- Serie_tasas
gd <- ts(gd, frequency=4, start = c(2008,2))

Estadísticos

Se presenta un componente de estadística descriptiva que nos permitirá conocer y entender un poco más las variables de la serie de tiempo a utilizar.

summary(gd)
##  Gasto Corriente del GC      PIB            
##  Min.   :-0.1457        Min.   :-0.0893042  
##  1st Qu.: 0.0466        1st Qu.: 0.0008614  
##  Median : 0.1036        Median : 0.0122213  
##  Mean   : 0.1151        Mean   : 0.0109676  
##  3rd Qu.: 0.1904        3rd Qu.: 0.0229373  
##  Max.   : 0.4142        Max.   : 0.0884505

Gráficos de las Variables

par (bg = "gainsboro")
plot(gd,main = "Tasa de Crecimiento del Gasto Corriente del Gobierno Centra - Tasa de Crecimiento del PIB ", col =
       "darkblue")

Descomposición

Aditiva

#Descomposición aditiva (media movil centrada)
#Tendencia
tendenciac <- ma(gd, order = 4, centre = T) #ma=media movil centrada
st_rt_gd = gd - tendenciac

#Componente estacional
matriz <- matrix(st_rt_gd, nrow = 4)
matrizgd_rt_t <- t(matriz)
#t=transpuesta de la matriz
promedio_matrizgd_rt_t <- colMeans(matrizgd_rt_t, na.rm = T)
estacionalidadgd <- rep(promedio_matrizgd_rt_t, 20)
estacionalidadgd <- ts(estacionalidadgd, frequency = 4, start = c(2008,2))
#Residuo
rt_gd <- st_rt_gd - estacionalidadgd
par(mfrow = c(3,1))
plot(tendenciac, main = "Componente Tendencial", col = "blue")

plot(st_rt_gd, main = "Componente Estacional", col = "red")

plot(rt_gd, main = "Componente Residual", col = "green")

Multiplicativa

#Descomposición multiplicativa
#Tendencia
st_rt = gd/tendenciac #componente estacional / sin componenete tendencial /
matriz_rt <- matrix(st_rt,nrow = 4)
matriz_rt
##          [,1]      [,2]      [,3]      [,4]      [,5]     [,6]      [,7]
## [1,]       NA 0.9831069 0.6369846 1.1678033 0.8427224 1.056276 0.9128108
## [2,]       NA 0.9998367 0.6346763 1.2422150 0.8817720 1.084732 0.8654189
## [3,] 1.207781 0.5154071 1.4154730 0.6590947 1.1070819 1.128402 0.7858518
## [4,] 1.091851 0.9566083 0.7709772 1.1778344 0.9643637 1.027154 1.0696787
##          [,8]       [,9]     [,10]     [,11]    [,12]     [,13]      [,14]
## [1,] 1.429550  1.1566737 0.9879373 0.9321106 1.140239 -3.954485         NA
## [2,] 2.806274  2.2625327 1.0744304 0.9918653 1.006269  1.003316         NA
## [3,] 2.001641 -0.2870259 1.3192494 0.8038892 1.018915        NA -15.172850
## [4,] 1.491851  1.0043569 1.0325960 1.0246588 1.120772        NA   3.568034
##          [,15]     [,16]     [,17]     [,18]     [,19]     [,20]     [,21]
## [1,] 9.2952411 0.6422324 1.2972327 0.5856573 0.7854953  2.107825 -0.123029
## [2,] 0.5828452 0.6679015 0.3753734 0.5151942 1.6023126  2.510269  1.345456
## [3,] 0.8693364 1.4625033 1.1371489 0.4916539 0.3859858 20.823812  2.686013
## [4,] 1.6301928 0.9630447 1.7798243 1.6291021 0.8447465  1.775811  1.652993
##          [,22]       [,23]        [,24]       [,25]     [,26]
## [1,] 5.2259418  1.06111041    0.8433225 -2.68874154  3.959963
## [2,] 0.4840370 -0.07079812    2.0295778  0.09515293 -1.976657
## [3,] 0.7905045  2.00030101    2.4004210  0.19283634        NA
## [4,] 1.8110011  0.93541173 -111.6900174  1.20977381        NA
#transponer la matriz
matriz_rt_t <- t(matriz_rt)
promediosmt <- colMeans(matriz_rt_t,na.rm = T)
estacionalidadmult <- rep(promediosmt,4) #repetir taantas veces como a;os existan
estacionalidadmult <- ts(estacionalidadmult,frequency = 4, start = c(2008,2))
residuomul <- st_rt/estacionalidadmult

par(mfrow = c(3,1))
plot(st_rt, main = "Componente Tendencial", col = "blue")

plot(estacionalidadmult, main = "Componente Estacional", col = "red")
plot(residuomul, main = "Componente Residual", col = "green")

Descripción de los componentes

El componente estacional recoge las oscilaciones que se producen en periodos determinados de la serie.

El componente residual de la serie recoge las fluctuaciones erráticas que se dan por fenómenos imprevisibles,