En el presente proyecto se pretende analizar el crecimiento económico y el efecto de la inflación al crecimiento económico, dicho análisis se estudiará bajo el modelo matemático de regresión lineal simple.
En economía, el PIB es la suma del valor (en dinero) de todos los bienes y servicios de uso final que genera un país o entidad federativa durante un período (comúnmente un año o trimestre). Se dice que la economía de un país crece cuando su PIB aumenta de un período a otro. Por el contrario, cuando el PIB disminuye se dice que baja la actividad económica. Es muy importante saber si la economía del país está creciendo o no, es decir, si se produjo más o menos que el año anterior. El cambio en el PIB a lo largo del tiempo es uno de los indicadores más importantes del crecimiento económico.
Un crecimiento en el PIB significa que hay más dinero para construir edificios, casas o comprar maquinaria y que se producirán más bienes y servicios. Esto es beneficioso para todos porque habrá más empleo y más oportunidades para hacer negocios. Por el contrario, si el PIB disminuye la producción y actividad económica del país disminuirá; en estas condiciones, es probable que haya desempleo y que esto afecte a muchas familias.
Otro indicador que nos es relevante para este estudio es la inflación. La inflación es un fenómeno que se observa en la economía de un país y está relacionado con el aumento desordenado de los precios de la mayor parte de los bienes y servicios que se comercian en sus mercados, por un periodo de tiempo prolongado.
Cuando hay inflación en una economía, es muy difícil distribuir nuestros ingresos, planear un viaje, pagar nuestras deudas o invertir en algo rentable, ya que los precios, que eran una referencia para asignar nuestro dinero de la mejor manera posible, están distorsionados.
Metodología: La regresión lineal es una metodología desarrollada a partir de estadísticas y econometría. Este método se usa para evaluar los efectos que otras variables tienen en una variable analizada. La regresión lineal es simple cuando sólo se analizan dos variables, generalmente X e Y, una de las cuales es dependiente (Y) y será la función de otra que se comporta independientemente (X). Para este estudio la variable Y será igual a los datos anuales del PIB en México del periodo 2010 al 2021, será la variable dependiente mientras que, X será igual a los datos anuales de la inflación en México del año 2010 al 2021. La regresión lineal simple se analiza utilizando la fórmula:
Y = α + β X Donde: “α” es el coeficiente lineal y “β” es la pendiente o el coeficiente de regresión.
Tabla de datos
PIB <- read.xlsx("PIB.xlsx") %>% as_tibble()
PIB## # A tibble: 11 × 3
## Año PIB_Anual Inflacion
## <dbl> <dbl> <dbl>
## 1 2010 1.05 0.0446
## 2 2011 1.18 0.0257
## 3 2012 1.2 0.0405
## 4 2013 1.27 0.0325
## 5 2014 1.31 0.0448
## 6 2015 1.17 0.0307
## 7 2016 1 0.0261
## 8 2017 1.15 0.0472
## 9 2018 1.22 0.0555
## 10 2019 1.26 0.0437
## 11 2020 1 0.0334attach(PIB)
names(PIB)## [1] "Año" "PIB_Anual" "Inflacion"class(PIB_Anual)## [1] "numeric"Regresion_lineal=lm(PIB_Anual~Inflacion,data = PIB,na.action = na.exclude)
summary(Regresion_lineal)##
## Call:
## lm(formula = PIB_Anual ~ Inflacion, data = PIB, na.action = na.exclude)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.14396 -0.08180 0.02798 0.07090 0.12959
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.0120 0.1378 7.341 4.37e-05 ***
## Inflacion 3.9515 3.4750 1.137 0.285
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.105 on 9 degrees of freedom
## Multiple R-squared: 0.1256, Adjusted R-squared: 0.02848
## F-statistic: 1.293 on 1 and 9 DF, p-value: 0.2848grafpib=ggplot(PIB,aes(Inflacion,PIB_Anual))
grafpib+geom_point()
grafpib+geom_point()+geom_smooth(method="lm",colour="blue")## `geom_smooth()` using formula 'y ~ x'
En el intercepto son los valores β de nuestro modelo.
Para calcular la correlación de pearason que en este caso nos servira para saber si existe relación entre las variables o no,utilizaremos el valor de “R-squared”, calculando su raiz. Un valor de 0 indica que no hay asociación entre las dos variables. Un valor mayor que 0 indica una asociación positiva. Es decir, a medida que aumenta el valor de una variable, también lo hace el valor de la otra.
sqrt(0.1256)## [1] 0.3544009Al tener un valor mayor a 0, podemos decir que la relación entre la inflación y el PIB es positiva.
Si el valor fuera cercano a 1,el modelo de regresón lineal sería más confiable, sin embargo al ser de 0.3544009, no existe una relación tan directa.
La conclusión a la que se llego es que, aunque la inflación como fenomeno tiene una relación con el PIB, el punto donde se relaciona más es cuando la inflación es cercana al 4%, si es menor o incluso mayor al 4% la relación es muy poca.