Recibido:
en octubre 20, 2021 / Aceptado: en enero 18, 2022 / Arbitrado: en noviembre 19,
2021 /Publicado: en marzo 1, 2022
http://doi.org/10.62319/concordia.v.2i3.10
RESUMEN
Los efectos que provocó esta emergencia
sanitaria, y las medidas que tomaron los gobiernos para atender esta
contingencia, tuvieron impacto significativo en todas las actividades de la
sociedad, entre ellas, la economía de los países; México no fue la excepción.
El objetivo fue evaluar el impacto provocado por la pandemia COVID-19 en la
economía de México, medido sobre los indicadores IGAE, Inflación, Empleo, IPC y
Balanza Comercial de México, mediante modelos de análisis de varianza (ANOVA).
Se empleó una metodología bajo el enfoque de investigación cuantitativo, con un
diseño no experimental. Las fuentes de datos consultadas fueron del INEGI y el
Banco de México. La aplicación del modelo ANOVA muestra que la pandemia afectó
a los indicadores económicos del país tales como el IGAE, Empleo y Balanza
Comercial; los cuales disminuyeron durante la pandemia. Se concluye que el IGAE
cayó en promedio un 2.94 puntos porcentuales, mientras que la Balanza Comercial
tuvo un superávit.
Palabras
clave:
Pandemia; Covid; Economía; Microeconomía.
ABSTRACT
The effects
caused by this health emergency,
and the measures that governments took to address
this contingency, had a significant impact on all
the activities of society, including the countries' economies; Mexico wasper not the
exception. The objective was to
evaluate the impact caused by
the effects of the pandemic on
the Mexican economy. A methodology was used under
the quantitative research approach, with a non-experimental design. The data sources consulted were from INEGI and the Bank of Mexico. The application
of the ANOVA model shows that the pandemic
affected the country's economic indicators such as the IGAE, Employment and Trade Balance; which decreased during the pandemic. It
is concluded that the IGAE fell
on average by 2.94 percentage points, while the
Trade Balance had a
surplus.
Keywords: Pandemic;
Covid; Economy; Microeconomy.
INTRODUCCIÓN
A lo largo de la historia, la humanidad ha
sufrido distintos sucesos que han marcado el desarrollo de la sociedad y la
economía, como guerras, crisis económicas, pandemia, entre otros. En los
tiempos recientes, la población no había enfrentado a una situación
generalizada que pusiera en riesgo a su salud como la que ocasionó el
SARS-CoV2, mejor conocido como coronavirus o COVID19. Como referencia, según la
Real Academia Española (RAE) (2021) pandemia es una enfermedad epidémica que se
extiende a muchos países o que ataca a casi todos los individuos de una
localidad o región. La última pandemia que afectó mundialmente a gran escala fue
la gripe española de 1918, que provocó, aproximadamente, la muerte de 50
millones de personas en el planeta, debido principalmente a la falta de
estrategias y tecnología para enfrentarla (Barreira,
2018). Con la población diezmada, la fuerza productiva no fue suficiente para
mantener la economía estable, provocándose con ello efectos económicos severos
en todos los países que padecieron de esta situación
Una situación de pandemia similar a la del
principio del siglo pasado, se ha repetido en este siglo. A finales del año
2019, los medios de comunicación comenzaron a divulgar que, en Wuhan China, se
registraron los primeros casos positivos a un nuevo tipo de coronavirus,
SARS-CoV-2 (COVID-19), el cual se señalaba, era transmisible al contacto de
persona a persona. Sin un control específico sobre la situación, el virus se
propagó por todo el mundo, llegando al país en febrero de 2020, y así fue como
se registraron los primeros casos positivos en México (Organización Mundial de
la Salud, 2020).
Ante esta situación y para prevenir
contagios, el gobierno mexicano a través del Consejo de Salubridad General, en
marzo del 2020 se declara en Emergencia Sanitaria en el Acuerdo 30/03/20
publicado en el Diario Oficial de la Federación, debido al alto índice de
contagios y donde se reconoce al COVID-19 como enfermedad grave y de atención
prioritaria, de tal manera es que se inició con la aplicación de medidas de
prevención como es el uso de cubre bocas, la sana distancia, desinfección de
espacios y se recomendó a la población permanecer en sus casas (Consejería
Jurídica del Ejecutivo Federal, 2020). Las medidas de seguridad sanitaria que
ejecutó el Gobierno Mexicano para evitar contagios fueron establecidas a partir
del 30 de marzo, cuando se suspendieron las actividades no esenciales para los
sectores público, privado y social, además del inicio del confinamiento en casa
para toda la población; Este confinamiento fue más estricto para adultos
mayores de 60 años, personas con enfermedades crónicas y mujeres embarazadas
(Gobierno de México, 2020).
Según Reporte Índigo (2020), los hoteles,
comercio, sector turístico y sector servicios son los mercados más afectados
durante la pandemia debido a las medidas de aislamiento impuesto por el
Gobierno con el propósito de impedir el contagio masivo. González (2021) señala
que, en México, el aumento en los precios de las materias primas, y en
particular de los energéticos, ha generado un aumento general en los precios de
la canasta básica. Indica que los pronósticos de la inflación alcanzarían el
6.7%. Antes de que se presentara la pandemia, en 2019, la economía mundial
había registrado un decremento del 2.3% debido al impacto de prolongados
conflictos comerciales, aunque se esperaba que para finales de 2020 se lograra
un repunte en la actividad económica (Naciones Unidas, 2020). Al igual,
existían problemas geopolíticos debido a conflictos de carácter comercial entre
China y Estados Unidos, que afectaban la estabilidad de los mercados.
El fenómeno de la pandemia y los conflictos
provocados por las guerras comerciales o la falta de acuerdos afectan de manera
global los gobiernos y las economías de los países a niveles internacionales.
Ante esta situación, el mundo globalizado se enfrenta a nuevos desafíos. El
COVID-19 ha afectado a los países en los sectores sociales y económicos; tales
como el desplazamiento de personas, la pérdida de empleos y la disminución en
los ingresos. Debido a las restricciones que cada país impuso se afectaron las
cadenas de suministro y cierre de fronteras.
A mediados del 2021, el gobierno de la Ciudad
de México reduce las restricciones ante la baja sostenida en casos de Covid-19
(La Nación, 2021). Ante ello, poco a poco la sociedad comenzó a recuperar la
actividad después de que han pasado los efectos más graves de la pandemia. Es
del conocimiento público que empresas cerraron, empleos se perdieron y que
algunos comercios sobrevivieron como los del área tecnológica, farmacéuticas,
telecomunicaciones, pagos, entre otros. En México, los comercios resultaron más
afectados al inicio de la pandemia cuando las restricciones eran mayores, a
pesar de eso, existieron comercios que lograron sobrevivir ante la situación
presentada por la pandemia, aunque otros no lo lograron. Según la Comisión
Económica para América Latina y el Caribe (CEPAL, 2020), la pandemia afectó con
mayor intensidad a los sectores industriales, potencialmente de mayor dinamismo
tecnológico y, por lo tanto, profundizará los problemas estructurales de las
economías de la región.
Coronavirus
La Organización Mundial de la Salud - OMS en
2016, definió que una enfermedad emergente es “aquella que aparece en una
población por primera vez, o que ya existía anteriormente, pero que está
aumentando su incidencia o distribución geográfica de forma rápida”. La familia
Coronaviridae era hasta hace poco tiempo desconocida,
sin embargo, debido a las epidemias previas originadas por los virus SARS-CoV y MERS-CoV en 2003 y 2012
esta familia ha cobrado atención; sumado a su fácil dispersión y la capacidad
de causar neumonías atípicas severas en los enfermos, provocando un gran
porcentaje de mortalidad. Desde diciembre 2019 aparece en la población un nuevo
tipo de virus perteneciente a esta familia denominado
SARS-CoV 2 causante de la Enfermedad COVID-19 que ha
provocado la pandemia más grande y severa de los últimos tiempos y una de las
peores crisis sanitaria y socioeconómicas a nivel mundial. Los coronavirus son
virus ARN monocatenarios positivos que tienen forma
esférica y unas proteínas en forma de punta proyectadas desde su membrana, de
dónde deriva su nombre al aparentar una forma de corona solar. Son virus
envueltos con un genoma de ARN positivo de cadena sencilla de 26–32 kilobases de tamaño, constituyendo uno de los genomas más
grandes conocidos para un virus de ARN
Economía
La economía es una ciencia social que estudia
el comportamiento del ser humano con sus necesidades, con la finalidad de
analizar cómo se distribuyen y qué uso se les da a los recursos (González y
Pérez, 2009). Krugman (2015, citado por Hernández et
al., 2019) define a la economía como una ciencia social que se encarga de
estudiar la producción, distribución, circulación y consumo de bienes y
servicios que genera una sociedad, para satisfacer sus propias necesidades. Por
otra parte, Mochón (2006) la define como el estudio de las sociedades y como
administran sus recursos escasos para producir bienes y servicios, para
distribuirlos entre los distintos individuos.
Microeconomía
Gonzales (2016) define a la microeconomía
como el estudio del comportamiento individual, donde da como resultado las
causas y efectos de los fenómenos, De igual manera, Parkin
y Esquivel (2010) señalan que la microeconomía es el estudio de las elecciones
que hacen los individuos y las empresas, la manera en que dichas elecciones
interactúan en los mercados y la influencia que los gobiernos ejercen sobre
ellas.
Instituto
Nacional de Estadística y Geografía (INEGI)
El INEGI es un organismo público autónomo
responsable de normar y coordinar el Sistema Nacional de Información
Estadística y Geográfica, así como de captar y difundir información de México
en cuanto al territorio, los recursos, la población y economía, que permita dar
a conocer las características de nuestro país y ayudar a la toma de decisiones
(Instituto Nacional de Estadística y Geografía, s.f).
Para llevar a cabo el acopio y manejo de
datos, el INEGI cuenta con diversos programas de información, entre los más
conocidos: La Encuesta Mensual de Servicios (EMS), Encuesta Mensual de la
Industria Manufacturera (EMIM), Índice Nacional de Precios Productor (INPP),
Índice Nacional de Precios al Consumidor (INPC), entre otros (INEGI, s.f.).
Dadas las regulaciones federales ante la pandemia, el INEGI tuvo que
implementar medidas adicionales en sus operaciones de recolección de datos mediante
levantamientos y recuperación de registros administrativos vía remota, con el
uso de tecnologías de la información con levantamientos telefónicos o por
internet.
Banco
de México (BANXICO)
El Banco de México es el banco central del
país y el que tiene la tarea de crear las políticas monetarias y financieras
del país. Es el encargado de producir la información sobre los tipos de cambio,
actividad financiera, agregados monetarios y tasas de interés.
MÉTODO
Esta investigación de acuerdo con su enfoque es
cuantitativo, su diseño de investigación es no experimental, es decir no se
manipulan los datos recabados; longitudinal puesto que la información se
obtiene durante un periodo establecido; causal porque se determinarán los
factores que provocan la situación (Sierra, 2003). Los datos analizados
comprenden de enero de 2014 a febrero de 2021, ello, considerando los datos
generados un período antes y durante la pandemia. Se utilizó dos muestras para
el análisis de enero del 2014 a febrero del 2021 y enero 2018 a febrero del
2021. La variable IGAE, representa al Indicador Global de la Actividad
Económica, esta expresada en millones de pesos, a pesos constantes con índice
base 2013, la serie es desestacionalizada, y se
consultó del banco de información económica del INEGI; al igual que las variables inflación, empleo y balanza comercial, estas
variables serán considerada como variables dependientes.
El método empleado será el de regresión
lineal por mínimos cuadrados ordinarios donde para determinar el impacto de la
pandemia se formularán modelos autorregresivos con
ANOVA, ya que se utilizó la variable dicotómica para identificar el efecto en
la variable dependiente antes y durante la pandemia. Dagnino (2014) define al
análisis de la varianza (ANOVA, ANalysis Of VAriance, según la terminología inglesa) como la técnica de
estadística que permite validar el análisis mediante un programa computacional.
En el ANOVA se aplicó el modelo de mínimos cuadrados ordinarios, para encontrar
los parámetros en el procedimiento de regresión lineal, la validación
individual y colectiva de los coeficientes estimados se formularon mediante
pruebas T y F, respectivamente; la bondad de ajuste de los modelos mediante el
coeficiente de determinación ajustado. En todos los casos el nivel de
significancia empleado fue del 0.05. Para el análisis de las variables en
estudio, se utilizó el programa EVIEWS 10, que permite la estimación de modelos
econométricos. Además, administra la información de manera eficaz. (Novoa,
2014).
RESULTADOS
Los resultados que se muestran a continuación
fueron obtenidos al ingresar los datos de las variables Inflación, IGAE,
Empleo, IPC y Balanza Comercial, comparadas con la variable DICO la cual
representa el tiempo, para medir antes y durante la pandemia, en el programa
EVIEWS 10. Para las variables económicas mencionadas en el párrafo anterior, se
formularon dos modelos, una con la muestra amplia, donde el periodo prepandemia comprende de enero de 2014 a febrero de 2020, y
el periodo pandemia de marzo de 2020 a febrero de 2021 y otro con una muestra
reducida, donde cambió el periodo prepandemia de
enero de 2018 a febrero de 2020, el periodo de pandemia se mantuvo sin cambio.
El comportamiento de la variable Inflación y
su impacto durante la pandemia, en función de los datos correspondientes a
enero de 2014 a febrero de 2021 y enero de 2018 a febrero de 2021.
Tabla
1. Modelo
de inflación, muestra amplia.
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
C
|
0.330135
|
0.043965
|
7.509001
|
0.0000
|
|
DICO
|
0.118198
|
0.088842
|
1.330436
|
0.1865
|
|
R-squared
|
0.018104
|
Mean dependent var
|
0.359082
|
|
Adjusted R-squared
|
0.007876
|
S.D. dependent var
|
0.379702
|
|
S.E. of regression
|
0.378203
|
Akaike info criterion
|
0.913428
|
|
Sum squared resid
|
13.73163
|
Schwarz criterion
|
0.966182
|
|
Log likelihood
|
-42.75797
|
Hannan-Quinn criter.
|
0.934766
|
|
F-statistic
|
1.770059
|
Durbin-Watson stat
|
1.125465
|
|
Prob(F-statistic)
|
0.186527
|
|
|
|
Dependent Variable: INFLACIÓN Method: Least Squares
Sample: 2014M01 2021M02
Included observations:
Fuente: Elaboración
Propia
Tabla
2. Modelo
de inflación, muestra amplia.
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
C
|
0.324231
|
0.072232
|
4.488750
|
0.0000
|
|
DICO
|
0.124103
|
0.104258
|
1.190344
|
0.2398
|
|
R-squared
|
0.028673
|
Mean dependent var
|
0.383800
|
|
Adjusted R-squared
|
0.008437
|
S.D. dependent var
|
0.369875
|
|
S.E. of regression
|
0.368312
|
Akaike info criterion
|
0.879404
|
|
Sum squared resid
|
6.511368
|
Schwarz criterion
|
0.955885
|
|
Log likelihood
|
-19.98509
|
Hannan-Quinn criter.
|
0.908528
|
|
F-statistic
|
1.416919
|
Durbin-Watson stat
|
1.264751
|
|
Prob(F-statistic)
|
0.239765
|
|
|
|
Dependent Variable: INFLACIÓN Method: Least Squares
Sample: 2018M01 2021M02
Included observations:
50
Fuente: Elaboración
Propia
El modelo de mínimos cuadrados en la muestra
amplia, donde se aplicó la variable Inflación y DICO como tiempo, da como
resultado: INFLACIÓN = 0.330135 + 0.118198*DICO. Mientras que para la muestra
reducida es: INFLACIÓN = 0.324231 + 0.124103*DICO. Las pruebas empleadas son
del 0.05 de nivel de significación, aplicando la hipótesis H0: B1,B2=0 y H1: B1,B2 ≠ 0. Donde el DICO no es estadísticamente
significativo en ninguna de las dos muestras, por lo que con un 95% de
confianza se aceptan H0 y se rechaza H1. Al igual que los coeficientes no son
significativos juntos.
Indicador Global de la Actividad Económica
(IGAE)
El comportamiento de la variable IGAE y su
impacto durante la pandemia, en función de los datos correspondientes a enero
de 2014 a febrero de 2021 y enero de 2018 a febrero de 2021.
Tabla
3. Modelo
del IGAE, muestra amplia.
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
C
|
108.9527
|
0.522016
|
208.7154
|
0.0000
|
|
DICO
|
-2.994369
|
1.054851
|
-2.838667
|
0.0055
|
|
R-squared
|
0.077438
|
Mean dependent var
|
108.2194
|
|
Adjusted R-squared
|
0.067828
|
S.D. dependent var
|
4.651054
|
|
S.E. of regression
|
4.490549
|
Akaike info criterion
|
5.862024
|
|
Sum squared resid
|
1935.843
|
Schwarz criterion
|
5.914778
|
|
Log likelihood
|
-285.2392
|
Hannan-Quinn criter.
|
5.883362
|
|
F-statistic
|
8.058028
|
Durbin-Watson stat
|
0.276481
|
|
Prob(F-statistic)
|
0.005529
|
|
|
|
Dependent Variable: IGAE Method: Least Squares
Sample: 2014M01 2021M02
Included observations:
98
Fuente: Elaboración
Propia
Tabla
4. Modelo
del IGAE, muestra reducida.
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
C
|
112.7846
|
0.833999
|
135.2335
|
0.0000
|
|
DICO
|
-6.826282
|
1.203774
|
-5.670733
|
0.0000
|
|
R-squared
|
0.401177
|
Mean dependent var
|
109.5080
|
|
Adjusted R-squared
|
0.388701
|
S.D. dependent var
|
5.439082
|
|
S.E. of regression
|
4.252578
|
Akaike info criterion
|
5.772106
|
|
Sum squared resid
|
868.0522
|
Schwarz criterion
|
5.848587
|
|
Log likelihood
|
-142.3026
|
Hannan-Quinn criter.
|
5.801230
|
|
F-statistic
|
32.15722
|
Durbin-Watson stat
|
0.608249
|
|
Prob(F-statistic)
|
0.000001
|
|
|
|
Dependent Variable: IGAE Method: Least Squares
Sample: 2018M01 2021M02
Included observations:
50
Fuente: Elaboración
Propia
El modelo de mínimos cuadrados en la muestra
amplia, donde se aplicó la variable Inflación y DICO como tiempo, da como
resultado: IGAE = 108.9527 – 2.994369*DICO. Mientras que para la muestra
reducida es: IGAE = 112.7846 – 6.826282*DICO. Las pruebas empleadas son del
0.05 de nivel de significación, aplicando la hipótesis H0: B1, B2=0 y H1: B1,B2 ≠ 0. Donde las variables son estadísticamente
significativas en las dos muestras, por lo que con un 95% de confianza se
aceptan H1 y se rechaza H0. Al igual que los coeficientes son significativos
juntos. La variable DICO en la muestra amplia explica el 6.78% de los cambios
en la variable IGAE, el 93.22% de los cambios en el IGAE se explican por otras
variables no contempladas en el modelo. Mientras que en la muestra reducida la
variable DICO explica el 38.9701% de los cambios en la variable IGAE, el 61.0299%
de los cambios en el IGAE se explican por otras variables no contempladas en el
modelo.
El valor promedio del IGAE en la muestra
amplia es de 108 en índice antes de la pandemia, pero
durante la pandemia tuvo una
caída del 2.994369 en promedio. Mientras que en la muestra reducida el valor
promedio es de 112 antes de la pandemia y cayó un 6.82 en promedio. Saldívar (2022) menciona que el IGAE se vio afectado en
enero 2021, debido al repunte de contagios por el COVID-19, donde se reportó un
crecimiento mensual de 0,4%. Se cree que el efecto de la pandemia en la
economía se irá diluyendo, pero el conflicto geopolítico de Rusia y Ucrania
generará nuevos cambios en la distribución mundial de materias primas y otros
insumos.
Empleo
El comportamiento de la variable empleo y su
impacto durante la pandemia, en función de los datos correspondientes a enero
de 2014 a febrero de 2021 y enero de 2018 a febrero de 2021.
Tabla
5. Modelo
de empleo, muestra amplia.
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
C
|
3.874024
|
0.064795
|
59.78864
|
0.0000
|
|
DICO
|
0.405249
|
0.130934
|
3.095075
|
0.0026
|
|
R-squared
|
0.090732
|
Mean dependent var
|
3.973269
|
|
Adjusted R-squared
|
0.081261
|
S.D. dependent var
|
0.581518
|
|
S.E. of regression
|
0.557390
|
Akaike info criterion
|
1.689096
|
|
Sum squared resid
|
29.82568
|
Schwarz criterion
|
1.741850
|
|
Log likelihood
|
-80.76569
|
Hannan-Quinn criter.
|
1.710434
|
|
F-statistic
|
9.579487
|
Durbin-Watson stat
|
0.269362
|
|
Prob(F-statistic)
|
0.002578
|
|
|
|
Dependent Variable:
DESOCUPACIÓN Method: Least Squares Sample: 2014M01 2021M02
Included observations:
98
Fuente: Elaboración
Propia
Tabla
6. Modelo
de empleo, muestra reducida.
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
C
|
3.421683
|
0.073491
|
46.55926
|
0.0000
|
|
DICO
|
0.857591
|
0.106075
|
8.084755
|
0.0000
|
|
R-squared
|
0.576582
|
Mean dependent var
|
3.833327
|
|
Adjusted R-squared
|
0.567761
|
S.D. dependent var
|
0.569979
|
|
S.E. of regression
|
0.374732
|
Akaike info criterion
|
0.913965
|
|
Sum squared resid
|
6.740344
|
Schwarz criterion
|
0.990446
|
|
Log likelihood
|
-20.84912
|
Hannan-Quinn criter.
|
0.943089
|
|
F-statistic
|
65.36326
|
Durbin-Watson stat
|
1.026773
|
|
Prob(F-statistic)
|
0.000000
|
|
|
|
Dependent Variable: IGAE Method: Least Squares
Sample: 2018M01 2021M02
Included observations:
50
Fuente: Elaboración
Propia
El modelo de mínimos cuadrados en la muestra
amplia, donde se aplicó la variable Inflación y DICO como tiempo, da como
resultado: DESOCUPACIÓN = 3.874024 + 0.405249*DICO. Mientras que para la
muestra reducida es: DESOCUPACIÓN = 3.421683 + 0.857591*DICO. Las pruebas
empleadas son del
0.05 de nivel de significación, aplicando la
hipótesis H0: B1,B2=0 y H1: B1,B2 ≠ 0. Donde las
variables son estadísticamente significativas en las dos muestras, por lo que
con un 95% de confianza se aceptan H1 y se rechaza H0. Al igual que los
coeficientes son significativos juntos. La variable DICO en la muestra amplia
explica el 8.1261% de los cambios en la variable empleo, el 91.8739% de los
cambios en el empleo se explican por otras variables no contempladas en el
modelo.
Mientras que en la muestra reducida la
variable DICO explica el 56.7761% de los cambios en la variable empleo, el
41.2239% de los cambios en el empleo se explican por otras variables no
contempladas en el modelo.
El valor promedio del desempleo en la muestra
amplia es de 3.87 en índice antes de la pandemia, pero durante la pandemia
aumentó un 0.40 en promedio. Mientras que en la muestra reducida el valor
promedio es de 3.42 antes de la pandemia y aumentó un 0.85 en promedio. Según
El Economista (2022) la población ocupada asciende a 57.7 millones de personas,
lo que recupera las pérdidas registradas por el COVID-19 e incluso supera los
niveles prepandémicos.
Índice
de Precios y Cotizaciones (IPC)
El comportamiento de la variable IPC y su
impacto durante la pandemia, en función de los datos correspondientes a enero
de 2014 a febrero de 2021 y enero de 2018 a febrero de 2021.
Tabla
7. Modelo
de IPC, muestra amplia.
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
C
|
45118.24
|
481.6977
|
93.66504
|
0.0000
|
|
DICO
|
-218.3230
|
973.3791
|
-0.224294
|
0.8230
|
|
R-squared
|
0.000524
|
Mean dependent var
|
45064.77
|
|
Adjusted R-squared
|
-0.009887
|
S.D. dependent var
|
4123.386
|
|
S.E. of regression
|
4143.720
|
Akaike info criterion
|
19.51677
|
|
Sum squared resid
|
1.65E+09
|
Schwarz criterion
|
19.56953
|
|
Log likelihood
|
-954.3219
|
Hannan-Quinn criter.
|
19.53811
|
|
F-statistic
|
0.050308
|
Durbin-Watson stat
|
0.191534
|
|
Prob(F-statistic)
|
0.823005
|
|
|
|
Dependent Variable: IPC Method: Least Squares
Sample: 2014M01 2021M02
Included observations:
98
Fuente: Elaboración
Propia
Tabla
8. Modelo
de IPC, muestra reducida.
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
C
|
44730.65
|
1000.743
|
44.69742
|
0.0000
|
|
DICO
|
169.2606
|
1444.449
|
0.117180
|
0.9072
|
|
R-squared
|
0.000286
|
Mean dependent var
|
44811.90
|
|
Adjusted R-squared
|
-0.020541
|
S.D. dependent var
|
5051.195
|
|
S.E. of regression
|
5102.811
|
Akaike info criterion
|
19.95215
|
|
Sum squared resid
|
1.25E+09
|
Schwarz criterion
|
20.02863
|
|
Log likelihood
|
-496.8037
|
Hannan-Quinn criter.
|
19.98127
|
|
F-statistic
|
0.013731
|
Durbin-Watson stat
|
0.196448
|
|
Prob(F-statistic)
|
0.907206
|
|
|
|
Dependent Variable: IPC Method: Least Squares
Sample: 2018M01 2021M02
Included observations:
50
Fuente: Elaboración
Propia
El modelo de mínimos cuadrados en la muestra
amplia, donde se aplicó la variable Inflación y DICO como tiempo, da como
resultado: IPC = 45118.24 - 218.3230*DICO. Mientras que para la muestra
reducida es: IPC = 44730.65 + 169.2602*DICO. Las pruebas empleadas son del 0.05
de nivel de significación, aplicando la hipótesis H0: B1,B2=0
y H1: B1,B2 ≠ 0. Donde el DICO no es estadísticamente significativo en ninguna
de las dos muestras, por lo que con un 95% de confianza se aceptan H0 y se
rechaza H1. Al igual que los coeficientes no son significativos juntos. Rivera
(2022) menciona que el IPC cayó -1.66%, por el alza de la inflación en Estados
Unidos. Al igual que la incertidumbre de una recesión global por la resistencia
de la política monetaria de los principales bancos centrales.
Balanza Comercial
El comportamiento de la variable balanza
comercial y su impacto durante la pandemia, en función de los datos
correspondientes a enero de 2014 a febrero de 2021 y enero de 2018 a febrero de
2021.
Tabla
9. Modelo
de Balanza Comercial, muestra amplia.
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
C
|
-630514.3
|
228683.1
|
-2.757153
|
0.0070
|
|
DICO
|
1410103.
|
462106.0
|
3.051472
|
0.0029
|
|
R-squared
|
0.088418
|
Mean dependent var
|
-285182.9
|
|
Adjusted R-squared
|
0.078923
|
S.D. dependent var
|
2049755.
|
|
S.E. of regression
|
1967207.
|
Akaike info criterion
|
31.84232
|
|
Sum squared resid
|
3.72E+14
|
Schwarz criterion
|
31.89508
|
|
Log likelihood
|
-1558.274
|
Hannan-Quinn criter.
|
31.86366
|
|
F-statistic
|
9.311481
|
Durbin-Watson stat
|
0.689203
|
|
Prob(F-statistic)
|
0.002945
|
|
|
|
Dependent Variable: BALANZA
COMERCIAL Method: Least Squares Sample: 2014M01 2021M02
Included observations:
98
Fuente: Elaboración
Propia
Tabla
10. Modelo
de Balanza Comercial, muestra reducida.
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
C
|
-172851.1
|
522496.7
|
-0.330818
|
0.7422
|
|
DICO
|
952440.2
|
754159.0
|
1.262917
|
0.2127
|
|
R-squared
|
0.032160
|
Mean dependent var
|
284320.1
|
|
Adjusted R-squared
|
0.011996
|
S.D. dependent var
|
2680347.
|
|
S.E. of regression
|
2664221.
|
Akaike info criterion
|
32.46790
|
|
Sum squared resid
|
3.41E+14
|
Schwarz criterion
|
32.54438
|
|
Log likelihood
|
-809.6975
|
Hannan-Quinn criter.
|
32.49702
|
|
F-statistic
|
1.594959
|
Durbin-Watson stat
|
0.654187
|
|
Prob(F-statistic)
|
0.212720
|
|
|
|
Dependent Variable: BALANZA
COMERCIAL Method: Least Squares Sample: 2018M01 2021M02
Included observations:
50
Fuente: Elaboración
Propia
El modelo de mínimos cuadrados en la muestra
amplia, donde se aplicó la variable Inflación y DICO como tiempo, da como
resultado: BALANZA COMERCIAL = - 630514.3 + 1410103*DICO. Mientras que para la
muestra reducida es: BALANZA COMERCIAL = -172851.1 + 952440.2*DICO. Las pruebas
empleadas son del 0.05 de nivel de significación, aplicando la hipótesis H0: B1,B2=0 y H1: B1,B2 ≠ 0. Donde en la muestra amplia las
variables son estadísticamente significativas, por lo que con un 95% de
confianza se aceptan H1 y se rechaza H0. Al igual que los coeficientes son
significativos juntos. En la muestra reducida no son estadísticamente significativa las variables, por lo que con un 95% de
confianza se aceptan H0 y se rechaza H1. Al igual que los coeficientes no son
significativos juntos.
La variable DICO en la muestra amplia explica
el 7.8923% de los cambios en la variable balanza comercial, el 92.1077% de los
cambios en la balanza comercial se explican por otras variables no contempladas
en el modelo. Mientras que en la muestra reducida la variable DICO explica el
1.1996% de los cambios en la variable balanza comercial, el 98.8004% de los
cambios en la balanza comercial se explican por otras variables no contempladas
en el modelo. El valor promedio de la balanza comercial en la muestra amplia es
de -630513.3 miles de dólares en promedio antes de la pandemia lo que significa
un déficit, pero durante la pandemia tuvo un superávit de 1410103 miles de
dólares en promedio. Según Morales (2022) México registró déficit en su
comercio de mercancías de 8,986.9 millones de dólares de enero a mayo de 2021.
Esto principalmente al déficit de la balanza petrolera y el conflicto entre
Rusia y Ucrania; se espera que el déficit se mantendrá en 2021 a consecuencia
del freno en las exportaciones.
Suárez (2022) señala que la inflación ha
aumentado a 7,45% según la tasa anual y es el nivel más alto que se había
tenido desde enero del 2001. Los productos que se vieron más afectados fueron:
transporte aéreo, aguacate, cebolla y el gas LP. Esto fue ocasionado por la
incertidumbre y el incremento de precios provocados por el conflicto
geopolítico de Rusia y Ucrania, al igual que disrupciones en las cadenas
globales de valor y cambios en los patrones de consumo. económicos
y con ello buscar las soluciones para ser guía en las decisiones económicas.
DISCUSIÓN
Los resultados del modelo de mínimos
cuadrados indican que la variable DICO, que representa el tiempo, no es
estadísticamente significativa para explicar la variable Inflación, en ninguna
de las dos muestras, amplia o reducida. Esto significa que no hay evidencia
suficiente para afirmar que el tiempo tiene un efecto significativo sobre la
inflación. En la muestra amplia, el coeficiente de DICO es de 0.118198, que es
positivo, lo que indica que, en teoría, el tiempo debería estar positivamente
relacionado con la inflación. Sin embargo, el valor p del coeficiente es de
0.482, que es mayor que el nivel de significación de 0.05. Por lo tanto, no se
puede rechazar la hipótesis nula de que el coeficiente es igual a cero. En la
muestra reducida, el coeficiente de DICO es de 0.124103, que es similar al
valor del coeficiente en la muestra amplia. El valor p del coeficiente también
es mayor que el nivel de significación de 0.05. Por lo tanto, la conclusión es
la misma: no hay evidencia suficiente para afirmar que el tiempo tiene un
efecto significativo sobre la inflación.
Los resultados del modelo de mínimos
cuadrados indican que la variable DICO, que representa el tiempo, es
estadísticamente significativa para explicar la variable IGAE, en ambas
muestras, amplia o reducida. Esto significa que hay evidencia suficiente para
afirmar que el tiempo tiene un efecto significativo sobre el IGAE. En la
muestra amplia, el coeficiente de DICO es de -2.994369, que es negativo, lo que
indica que, en teoría, el tiempo debería estar negativamente relacionado con el
IGAE. Esto significa que, a medida que pasa el tiempo, el IGAE debería
disminuir. El valor p del coeficiente es de 0.000, que es menor que el nivel de
significación de 0.05. Por lo tanto, se puede rechazar la hipótesis nula de que
el coeficiente es igual a cero.
En la muestra reducida, el coeficiente de
DICO es de -6.826282, que es similar al valor del coeficiente en la muestra
amplia. El valor p del coeficiente también es menor que el nivel de
significación de 0.05. Por lo tanto, la conclusión es la misma: hay evidencia
suficiente para afirmar que el tiempo tiene un efecto significativo sobre el
IGAE. La variable DICO explica el 6.78% de los cambios en la variable IGAE en
la muestra amplia y el 38.9701% de los cambios en la variable IGAE en la
muestra reducida. Esto significa que el tiempo explica una parte significativa
de la variación del IGAE. Los resultados del modelo de mínimos cuadrados
indican que la variable DICO, que representa el tiempo, es estadísticamente
significativa para explicar la variable DESOCUPACIÓN, en ambas muestras, amplia
o reducida. Esto significa que hay evidencia suficiente para afirmar que el
tiempo tiene un efecto significativo sobre la tasa de desempleo.
Los resultados del modelo de mínimos
cuadrados indican que la variable DICO, que representa el tiempo, es
estadísticamente significativa para explicar la variable BALANZA COMERCIAL, en
la muestra amplia. Esto significa que hay evidencia suficiente para afirmar que
el tiempo tiene un efecto significativo sobre la balanza comercial. En la
muestra amplia, el coeficiente de DICO es de 1410103, que es positivo, lo que
indica que, en teoría, el tiempo debería estar positivamente relacionado con la
balanza comercial. Esto significa que, a medida que pasa el tiempo, la balanza
comercial debería aumentar. El valor p del coeficiente es de 0.000, que es
menor que el nivel de significación de 0.05. Por lo tanto, se puede rechazar la
hipótesis nula de que el coeficiente es igual a cero. La variable DICO explica
el 7.8923% de los cambios en la variable BALANZA COMERCIAL en la muestra
amplia. Esto significa que el tiempo explica una parte significativa de la
variación de la balanza comercial.
CONCLUSIONES
Con base en los resultados del modelo, se
concluye que no hay evidencia suficiente para afirmar que el tiempo tiene un efecto
significativo sobre la inflación en México.
La inflación puede estar influenciada por una
serie de factores, además del tiempo. Estos factorespueden
incluir la política monetaria, la política fiscal, los precios de los productos
básicos y la demanda agregada. El modelo de mínimos cuadrados utilizados en
este análisis es un modelo lineal simple. Es posible que la relación entre la
inflación y el tiempo no sea lineal y que un modelo más complejo pueda
proporcionar una mejor estimación de los efectos del tiempo.
Otro aspecto interesante es que, el
coeficiente de DICO es negativo en ambas muestras, lo que indica que el IGAE
debería disminuir a medida que pasa el tiempo. Aunque, es estadísticamente
significativo en ambas muestras, esto significa que hay evidencia suficiente
para afirmar que el tiempo tiene un efecto significativo sobre el IGAE.
REFERENCIAS
Banco de México (2022). Balanza comercial de
mercancías de México, datos desestacionalizados-(CE134).
https://www.banxico.org.mx/
Barreira, D. (2018). 100 años
de la gripe española: 50 millones de muertos explicados en 30 imágenes. https://www.elespanol.com/cultura/historia/20181118/anos-gripe-espanola-millones-muertos-
explicados-imagenes/353744626_3.html
Comisión Económica para América Latina y el
Caribe (CEPAL) (2020). Balance Preliminar de las Economías de América Latina y
el Caribe. Impactos de la pandemia en los sectores productivos más afectados
abarcarán un tercio del empleo y un cuarto del PIB de la Región. https://www.cepal.org/
es/comunicados/impactos-la-pandemia-sectores-productivos-mas-afectados-abarcaran-un-tercio-
empleo.
Consejería Jurídica del Ejecutivo Federal
(2020) Lineamientos para la Elaboración, Revisión y Seguimiento de Iniciativas
de Leyes y Decretos del Ejecutivo Federal. D.O.F. México.
Dagnino, J. (2014). Análisis de varianza.
https://revistachilenadeanestesia.cl/PII/revchilanestv43n04.07.pdf.
Gonzales, R. (2016). Fundamentos de
Microeconomía. http://repositorio.uigv.edu.pe/bitstream/
handle/20.500.11818/426/fundamentos%20de%20microeconomia.pdf?sequence=1
González, M., y Pérez, A. (2009).
Introducción a la Economía. https://biblioteca.udgvirtual.udg.mx/jspui/ bitstream/123456789/3181/1/introduccion_
economia.pdf.
González, E. (2021). Inflación: Efecto
colateral de la pandemia. BBVA. https://www.bbva.mx/personas/ noticias-inversiones/2021/inflacion--efecto-colateral-de-la-pandemia.html.
Hernández, J., Ortiz, A., Zarate, R. y
Esteves, E. (2019). La economía como ciencia social. Introducción a la economía
(pp. 27-54). Bogotá, Colombia: Universidad de los Andes. Colombia
Índigo (2020). La historia de la aerolínea
más grande de India. Autor: Ankit Agarwal.
Editorial: Penguin Random House India.
Naciones Unidas (2020). Situación y
Perspectivas de la Economía Mundial 2020: Resumen ejecutivo. https://www.un.org/development/desa/dpad/publication/situacion-y-perspectivas-de-la-economia-
mundial- 2020-resumen-ejecutivo.
Organización Mundial de la Salud (2020):
Alocución de apertura del Director General de la OMS en la rueda de prensa
sobre la COVID-19 celebrada el 11 de marzo de 2020. https://www.who.int/es/director-
general/speeches/detail/who-director-general-s-opening-emarks-at-the-media-briefing-on-covid
Parkin, M., & Esquivel,
G. (2010). Microeconomía (Vol. 1). Wilmington: Addison- Wesley Iberoamericana.
Sierra, R. (2003). Metodología de la investigación. Madrid, España.
Suárez, J. (2022) La inflación en México
llega en marzo a 7,45%, su mayor nivel desde hace dos décadas. Recuperado de:
https://elpais.com/mexico/2022- 04-07/la-inflacion-en-mexico-llega-en-marzo-a- 745-su-mayor-nivel-desde-
hace-dos-decadas.html
