El consumo de la energía eléctrica depende del PIB per cápita y el precio de la energía eléctrica

La energía eléctrica es cada vez más importante a nivel mundial, debido a que forma parte del crecimiento y desarrollo económico del país tomando en cuenta que conforme avanza la tecnología y con la modernización de las ciudades entonces la necesidad de tener acceso a esta es mayor. Sin embargo, en ciertos países la demanda de esta es bastante alta principalmente por los ingresos disponibles de las personas, el precio de la energía eléctrica, la densidad poblacional, entre otros aspectos.

Es por ello, que en el presente estudió se realizará un modelo econométrico que contribuya a determinar la demanda de energía eléctrica per cápita en Estados Unidos principalmente, tomando en cuenta que la demanda de un determinado bien o servicio depende del precio de estos y del ingreso per cápita, por lo que basándonos en dicha información se tomaran como variables independientes las mencionadas con anterioridad. Además de ello, para lograr el objetivo del estudió, se plantea un modelo econométrico de tipo log-log, el cual permitirá comprender de una mejor forma el aumento o disminución de la demanda de la energía eléctrica a partir de la relación existente entre el PIB per cápita, el precio de la energía respecto al consumo de esta.

library(readxl)
Final2 <- read_excel("Final23.xls")
View(Final2)

Modelo LOG-LOG:

Final2$logPIB=log(Final2$PIB)
Final2$logC=log(Final2$Consumo)
Final2$logP=log(Final2$Pre)
Final2.lm <- lm(logC ~ logPIB+logP, data=Final2)
summary(Final2.lm)
## 
## Call:
## lm(formula = logC ~ logPIB + logP, data = Final2)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.03231 -0.01536 -0.00150  0.01180  0.04192 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  6.28748    0.46292  13.582 1.39e-13 ***
## logPIB       0.38584    0.03398  11.355 8.70e-12 ***
## logP        -0.45538    0.05564  -8.185 8.64e-09 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.01993 on 27 degrees of freedom
## Multiple R-squared:  0.9688, Adjusted R-squared:  0.9665 
## F-statistic:   419 on 2 and 27 DF,  p-value: < 2.2e-16

A continuación se logra observar la verificación de cada supuesto:

ln C= Alfa + 0.38584lnPIB - 0.45538lnP + U

Multicolinealidad:

Se logra determinar que el modelo posee una multicolinealidad negativa con un grado de 0.7714261, es decir que las variables independientes se relacionan de forma inversa o negativa.

cor(Final2$logPIB,Final2$logP)
## [1] -0.7714261
corPlot(Final2[,c("logPIB","logP")])

Heteroscedasticidad:

En el caso de heteroscedasticidad, se determina que el modelo no posee ya que el p valor es de 0.5854, por lo tanto, es mayor que 0.05. Es decir, es homocedastico.

 bptest(Final2.lm)
## 
##  studentized Breusch-Pagan test
## 
## data:  Final2.lm
## BP = 1.0709, df = 2, p-value = 0.5854

Autocorrelación:

En el presente caso se observa que los datos presentan autocorrelación, por lo tanto, se procedió a realizar el tratamiento al modelo para poder eliminarla.

 bgtest(Final2.lm,order=2)
## 
##  Breusch-Godfrey test for serial correlation of order up to 2
## 
## data:  Final2.lm
## LM test = 11.89, df = 2, p-value = 0.002619
coeftest(Final2.lm, vcov. = NeweyWest(Final2.lm,lag = 2,adjust=TRUE, verbose=TRUE))
## 
## Lag truncation parameter chosen: 2
## 
## t test of coefficients:
## 
##              Estimate Std. Error t value  Pr(>|t|)    
## (Intercept)  6.287485   0.654215  9.6107 3.305e-10 ***
## logPIB       0.385836   0.044980  8.5779 3.422e-09 ***
## logP        -0.455384   0.089125 -5.1095 2.270e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Finalmente, el modelo queda de la siguiente forma: ln C= Alfa + 0.385836lnPIB - 0.455384lnP + U

Conclusión:

El modelo econométrico planteado en el presente estudió, tuvo un resultado positivo y contribuyo a aceptar la hipótesis planteada al inicio, debido a que no se cometió ninguna violación a los supuestos de mínimos cuadrados ordinarios y por ende las variables independientes son significativas al 95% de confianza, ahora bien se determina que el crecimiento del 1% del PIB per cápita impacta de forma positiva en el consumo de la energía eléctrica y el aumento del precio de la energía eléctrica en un 1% impacta de forma negativa en el consumo de esta. Además de ello es importante mencionar que existió cierta dificultad para la obtención de otras variables lo cual repercutió en la inclusión de algunas otros, sin embargo, es un tema que día con día tiene más auge por lo que es importante mantener las estadísticas actualizadas y seguir analizando los resultados.