Junio 

de 2015 

Estimación de las paridades de poder adquisitivo

para las comunidades autónomas españolas
Àlex Costa
(alexcostasaenz@[Link])
Gabinet de Programació
Ajuntament de Barcelona

Jaume García
Departament d’Economia i Empresa
Universitat Pompeu Fabra

Xavier López
Gabinet Tècnic, Departament d'Empresa i Ocupació,
Generalitat de Catalunya

Josep Lluís Raymond

Departament d’Anàlisi Econòmica i Història Econòmica,
Universitat Autònoma de Barcelona

Área Temática: Políticas regionales y de cohesión

Resumen: Cálculo de la Paridad de Poder adquisitivo de las CCAA a los efectos de poder
comparar de forma más adecuada magnitudes econòmicas, como el PIB regional, seguiendo las
recomendaciones de la estadística oficial europea y los estándares imternacionales de análisios
econó[Link] cáculo se realiza con método indirectos, modelización econométrica, ya que no se
dispone de la información de base para aplicar la metodología directa propia de las oficinas
estadísticas.

Palabras Clave: Paridad de Poder Adquisitivo por CCAA, PIB en PPA de CCAA, modelos
microeconométrico y macroeconométrico.

Clasificación JEL: R11 Actividad económica regional, R32 Análisis de la producción y precios
regionales.

Los  contenidos  y  conclusiones  de  este  trabajo  son  de  la  exclusiva  responsabilidad  de 
los autores y no representan la opinión de las instituciones a las que pertenecen. 

 
 

1. Introducción 2

2. Las PPA regionales en la estadística europea y española 5

3. Estimación de las PPA para las CCAA por métodos indirectos 10

3.1. Método 1: Estimación por extrapolación de las PPA (1989) basada

en los IPC relativos 10
3.2. Método 2: Estimación macroeconométrica de las PPA basada en
modelos de PIB (datos UE) 12
3.3. Método 3: Estimación microeconométrica de las PPA basada en
un modelo degasto total de los hogares 19
3.3.1. Modelos de valor unitario 25
3.3.2. Modelos de gasto total 28
3.4. Método de síntesis: Estimación compuesta basada en modelos de
PIB y de gasto total 32

4. Bibliografía 37

Anexos    40 
 

   

1 
 
 
 
1. Introducción 
 
 
El vigente Reglamento de Contabilidad Nacional y Regional de la Unión Europea pone 
de  manifiesto  que  el  hecho  de  que  los  países  tengan  diferentes  precios  (y  monedas) 
complica las comparaciones geográficas de precios y volúmenes. Este problema no se 
soluciona  mediante  el  uso  de  los  tipos  de  cambio,  sino  a  través  de  utilización  de  las 
paridades de poder adquisitivo (PPA).  

A nivel europeo, Eurostat es el organismo responsable de la elaboración de las PPA a 
través  de  un  programa  conjunto  con  la  OCDE  que  desgraciadamente  no  tiene 
concreción a nivel regional (NUTS‐2), a pesar de que en el Reglamento del Parlamento 
y el Consejo Europeo donde se establecen las obligaciones de los estados miembros en 
esta  temática  se  alienta  a  los  países  miembros  a  elaborar  este  tipo  de  indicadores 
(PPA)  a  nivel  regional,  claves  para  un  adecuado  diseño  de  las  políticas  de  cohesión, 
entre otras aplicaciones. 

En  algunos  países  de  la  UE  como  Reino  Unido,  Italia  y  Alemania  se  han  realizado 
estimaciones más o menos oficiales de sus PPA regionales. En España esta experiencia 
la  inició  hace  unos  años  FUNCAS,  a  partir  de  las  actualizaciones  de  unas  PPA  para  el 
año  1989  mediante  la  evolución  del  Índice  de  Precios  al  Consumo,  pero  quedó  sin 
continuidad hace pocos años. También ha habido una experiencia similar en el caso de 
Catalunya con las estimaciones realizadas por Idescat, con una metodología parecida a 
la de FUNCAS. Estas estimaciones también se dejaron de publicar hace unos años. 

Sólo  el  Instituto  Nacional  de  Estadística  dispone  de  la  información  de  base  necesaria 
para  proceder  al  cálculo  de  las  PPA  regionales  para  España  con  una  metodología 
similar  a  la  de  Eurostat  y  la  OCDE.  El  material  básico  lo  constituye  la  información 
recogida  para  elaborar  el  Índice  de  Precios  al  Consumo  y  para  cumplir  con  las 
demandas de información de Eurostat sobre elaboración de PPA de los países de la UE 
(Encuesta de Paridades de Poder Adquisitivo).  

En  este  sentido,  y  mientras  el  INE  no  produzca  esta  información  o  facilite  la 
información  de  base  necesaria  para  elaborarlas,  para  estimar  las  PPA  de  las 
2 
 
comunidades  autónomas  españolas  será  necesario  recurrir  a  métodos  indirectos, 
siendo este el objetivo del presente trabajo.1 

Se ha procedido a la estimación de las PPA de las comunidades autónomas españolas 
mediante  tres  métodos:  el  primero  consiste  en  replicar  la  metodología  utilizada  por 
FUNCAS e Idescat, y recomendado por organismos internacionales en caso de falta de 
información  de  base  (método  1);  el  segundo  se  basa  en  utilizar  un  modelo  que 
relaciona  PPA  y  PIB  per  cápita,  estimado  con  datos  de  los  países  de  la  UE  y  que  se 
utiliza para hacer predicciones con datos de las comunidades autónomas (método 2); y 
el tercero calcula las PPA como los efectos regionales de una ecuación explicativa del 
gasto  total  de  los  hogares  españoles  estimada  con  datos  de  la  Encuesta  de 
Presupuestos Familiares (método 3). La propuesta de PPA de síntesis se ha realizado a 
partir  de  una  media  ponderada  de  los  resultados  de  los  métodos  2  y  3,  donde  las 
ponderaciones  tienen  en  cuenta  la  variabilidad  de  los  resultados  de  las  diferentes 
versiones  de  cada  método.  Hay  que  destacar  que  esta  propuesta  de  PPA,  como  la 
estimación de cualquier otra magnitud de características similares como podría ser el 
IPC, tiene un cierto grado de incertidumbre que se puede expresar con unos intervalos 
de confianza. En este caso no se han calculado, atendida la diferente naturaleza de los 
dos  métodos  combinados  ―uno  estimado  con  datos  de  países  y  otro  con  datos 
individuales. 

Los  resultados  obtenidos  por  los  dos  métodos,  así  como  la  clasificación  bastante 
diferenciada  de  las  comunidades  autónomas  según  el  valor  de  su  PPA,  son 
consistentes.  Además,  se  han  obtenido  diferencias  sustanciales  entre  los  precios 

                                                            
1
  En el documento «Propuestas y recomendaciones previas a la formulación del Anteproyecto de Plan 
Estadístico  Nacional  2013‐2016,  sobre  las  necesidades  nacionales  en  materia  estadística,  y  la 
adaptación  y  mejora  de  los  medios  existentes»  elaborado  por  una  ponencia  nombrada  por  el 
Consejo Superior de Estadística, y aprobado por el pleno del mismo órgano en fecha 14 de diciembre 
de  2010,  aparecía  como  recomendación  prioritaria  R.2.1.  «proporcionar  información  por 
comunidades  autónomas  sobre  niveles  de  precios  ,  similares  a  las  Paridades  de  Poder  Adquisitivo 
(PPA) que estima Eurostat por países». Finalmente, en el redactado de Real Decreto 1658/2012, de 7 
de  diciembre,  por  el  cual  se  aprueba  el  Plan  Estadístico  Nacional  2013‐2016,  dictaminado 
favorablemente  por  el  propio  Consejo  Superior  de  Estadística,  no  aparece  ninguna  operación 
relacionada con esta recomendación prioritaria. 
Los enlaces al documento de la ponencia y al real decreto son: 
[Link]
[Link]
 

3 
 
relativos de las comunidades autónomas con PPA más elevadas y más bajas. Este es un 
hecho importante cuando se procede a comparar el PIB per cápita de las comunidades 
autónomas en 2012 empleando o no las PPA. En particular, el PIB del País Vasco pasa 
de  casi  doblar  el  de  Extremadura  (sin  corrección  por  PPA)  a  ser  algo  más  del  50% 
superior  (cuando  se  consideran  los  precios  relativos).  Por  otro  lado,  en  el  caso  de 
Catalunya  el  valor  de  la  PPA  (108,5)  hace  que  su  posición  en  el  ranking  de  PIB  per 
cápita en PPA pase de la cuarta a la séptima. 

La  relevancia  de  disponer  de  las  PPA  regionales  para  poder  llevar  a  cabo 
adecuadamente  el  diseño  de  políticas  de  cohesión  a  nivel  europeo  o  estatal  hace 
necesario que mientras no se disponga de información oficial sobre estos indicadores 
se  continúe  procediendo  a  su  estimación  y  actualización  por  métodos  indirectos, 
garantizado su robustez y fundamentación metodológica, especialmente si el INE ―el 
organismo  encargado de producir la estadística oficial estatal desagregada a nivel de 
comunidades autónomas― no elabora unas PPA con la información de los precios de 
los productos básicos. 

   

4 
 
 

2. Las PPA regionales en la estadística europea y española 
 
 
A  la  vista  de  la  importancia  de  las  políticas  de  desarrollo  regional  en  la  UE  y  del 
contenido  del  preámbulo  del  Reglamento  1445/2007  podría  pensarse  que  hay  un 
número significativo de trabajos relacionados con el nivel de precios regionales. No es 
así, aunque por supuesto existen algunos. En particular, se han podido seleccionar tres 
trabajos realizados en tres países de la UE con un territorio extenso y una estructura 
territorial  político‐administrativa  relativamente  descentralizada.  Nos  referimos  al 
Reino Unido, a Italia y a Alemania. 

El  Office  for  National  Statistics  (ONS)  del  Reino  Unido  presenta  la  aproximación 
probablemente  más  oficial  de  las  que  consideramos  como  precedentes  europeos.  La 
ONS  considera  los  resultados  como  un  subproducto  de  los  spatial  adjusted  factors 
(coeficientes  de  ajuste  espacial,  SAF)  previstos  en  el  Manual  Eurostat‐OCDE  y  el 
Reglamento  1445/2007  para  generar  precios  del  conjunto  del  estado  a  partir  de  la 
recolección anual de precios sólo en la capital.  

Estos SAF se deben calcular al menos cada seis años, y permiten trasladar el nivel de 
precios de la capital al conjunto del país. El ajuste es importante en la medida que, por 
ejemplo,  los  precios  en  Londres  son  prácticamente  un  8%  superiores  al  conjunto  de 
UK. 

Tal como explica el ONS, la recogida de precios se hace de forma continuada en seis 
encuestas  programadas  cada  tres  años,  de  las  cuales  dos  son  anuales.  Ahora  bien, 
teniendo  en  cuenta  los  costes  de  la  recogida  a  cada  país  miembro,  sólo  se  pide 
recogida de precios en la «ciudad capital». Por lo tanto la recogida se hace en Londres. 
Esto hace necesario y reglamentario que cada seis años se elaboren los SAF.  

Para calcularlos, Eurostat financia una recogida de precios complementaria por parte 
del ONS. Un subproducto de este trabajo del ONS para Eurostat es el Índice de Nivel de 
Precios  al  Consumo  Regionales  Relativos  (RRCPL,  Relative  Regional  Consumer  Price 
Levels). Este subproducto se calcula para Londres, Inglaterra (excluido Londres), Galas, 
Escocia  e  Irlanda  del  Norte  con  una  desagregación  de  10  ítems  de  la  COICOP/HBS 

5 
 
(Classification of Individual Consumption by Purpose/Household Budget Surveys), y de 
forma agregada a un sólo índice para 12 territorios del Reino Unido. 

En el trabajo correspondiente a Italia, elaborado por Istat  et al. (2009), se presentan 
los  precios  relativos  para  veinte  ciudades  italianas  en  2009,  la  mayor  parte  capitales 
regionales.  Los  resultados  están  desagregados  para  ocho  apartados  de  gasto  de  la 
COICOP.  El  Istat  difundió  resultados  anteriores,  para  2006,  pero  en  aquel  caso  sólo 
consideró la alimentación, el vestido y calzado, y los muebles y otros artículos para el 
hogar.  

Las fuentes de información son diversas, como en el caso anterior, y la más importante 
es  nuevamente  el  IPC.  Aproximadamente  el  60%  de  los  productos  de  la  cesta, 
mayoritariamente de alimentación, tienen unos precios que provienen de esta fuente. 
Un  25%  de  los  precios  provienen  de  encuestas  específicas,  en  la  realización  de  las 
cuales se ha contado con la colaboración de las oficinas municipales de estadística de 
las capitales regionales o de provincias autónomas.  

Finalmente,  el  documento  de  referencia  de  los  precios  de  los  estados  alemanes  es 
diferente  de  los  dos  anteriores,  puesto  que  se  trata  de  un  trabajo  de  carácter  más 
académico.  Su  objetivo  principal  es  analizar  la  convergencia  regional  teniendo  en 
cuenta los diferentes precios de cada territorio. 

El trabajo de Ross (2006) constata que hay muy poca información disponible de precios 
regionales,  mientras  que  hay  indicios  claros  que  existen  diferencias  importantes  de 
precios  entre  distintos  puntos  del  territorio  dentro  de  un  mismo  país.  En  su 
investigación  utiliza  precios  para  50  ciudades  de  Alemania  que  recogieron  en 
colaboración la Federal Statistical Office y las oficinas estadísticas de los estados para 
1993.  

En base a esta información estadística, Ross se plantea cuatro objetivos: 1) obtener un 
modelo  explicativo  de  los  precios  de  1993,  2)  extender  con  el  modelo  identificado  y 
estimado  los  resultados  de  las  50  ciudades  a  440  distritos  territoriales  de  Alemania 
para 1993, 3) predecir los precios para 2002 a nivel de estados y, finalmente, 4) realizar 

6 
 
una análisis de convergencia regional teniendo en cuenta las diferencias en precios de 
los diferentes territorios.  

Los ejemplos comentados muestran que la necesidad de disponer de PPA regionales es 
evidente. Cadil y Mazouch (2011) destacan esta necesidad si se quiere aplicar de forma 
apropiada  una  política  regional.  Las  PPA  que  actualmente  se  utilizan  no  recogen  la 
variabilidad  de  precios  regionales,  puesto  que  se  refieren  al  conjunto  de  un  país 
concreto,  hecho  que  genera  limitaciones  e  imperfecciones  en  el  diseño  de  la  política 
regional.  

Estos  autores  identifican  tres  áreas  de  trabajo  muy  importantes,  con  una  literatura 
muy abundante: 

― análisis regional en general,  
― análisis de convergencia y crecimiento regional, y  
― análisis del impacto de las políticas regionales en la economía de las regiones.  

Para  los  autores,  los  resultados  de  todos  estos  estudios  pueden  estar  sesgados  por 
culpa  de  no  considerar  las  diferencias  de  precios  regionales.  Como  ilustración 
examinan el caso de Praga. Según Eurostat tiene un PIB per cápita del 215% respecto al 
conjunto de la República Checa y un 172% respecto a la UE 27. Estos resultados según 
los autores están completamente sesgados, puesto que no tienen en cuenta el nivel de 
precios en Praga, muy alto en relación al nivel de todo el país. 

Para mostrar con más generalidad este problema consideran los resultados del análisis 
de convergencia a la UE según tres niveles de desagregación: países, NUTS‐2 y NUTS‐3. 
El ajuste lineal de la convergencia en términos de crecimiento del PIB respecto al PIB 
per cápita se va degradando cuando se consideran ámbitos geográficos más pequeños, 
de  forma  que  la  convergencia  parece  cada  vez  menor.  En  concreto,  la  capacidad 
explicativa de los modelos pasa del 69% entre países al 38% a nivel de NUTS‐2 y al 25% 
cuando  se  computa  para  NUTS‐3.  A  su  entender,  estos  resultados  son  incorrectos 
como consecuencia de la no consideración de las PPA regionales. 

En España, la primera referencia conocida de unas PPAs regionales se encuentra en un 
artículo de José Ramón Lorente publicado en la revista Síntesis Mensual de Indicadores 

7 
 
Económicos  el  mes  de  septiembre  de  1992.  Según  explica  el  autor,  las  PPA  de  cada 
comunidad  autónoma  no  constituyen  su  objeto  de  trabajo;  su  problema  es  la 
dispersión regional de los salarios. Ahora bien, queda claro que  

«para valorar la incidencia de la dispersión geográfica de los salarios en el 
bienestar relativo de los asalariados de las diferentes [Link]., es necesario 
conocer  los  distintos  niveles  de  precios  existentes  en  las  mismas. 
Afortunadamente,  la  Encuesta  Regional  de  Precios  (ERP)  realizada  en  el 
último  trimestre  de  1989,  en  virtud  de  un  contrato  suscrito  entre  la 
Comunidad  Europea  y  el  Instituto  Nacional  de  Estadística,  permite  una 
aproximación  razonable  a  la  carestía  diferencial  de  las  distintas  regiones 
españolas.» 

A partir del trabajo de Lorente, Julio Alcaide Inchausti publicó el mes de abril de 2002 
un artículo en Crónica Virtual de Economía‐Cuenta y Razón2 donde decía que: 

«Una  de  las  lagunas  de  la  estadística  oficial  española,  es  el  cálculo  de  los 
precios relativos de consumo de las autonomías españolas, frente al índice 
de la media nacional. Es evidente que los precios de multitud de productos 
son  diferentes  en  algunas  provincias  y  regiones  españolas.  No  sólo  la 
estructura de consumo es desigual [...] sino que varían considerablemente 
los  precios  de  unas  poblaciones  a  otras.  Como  consecuencia  de  ello,  los 
precios  de  consumo,  en  su  conjunto,  acaban  siendo  desiguales  en  las 
distintas regiones españolas. [...]» 

A continuación la página web muestra en un cuadro los Índices relativos de precios de 
consumo (IPC). Poder de compra media española = 100 para los años 1995 a 2001. Lo 
esencial  es  que,  siendo  los  datos  originales  de  1989,  Alcaide  los  dinamiza  usando  el 
IPC, como indica en su artículo de 2002. La idea subyacente es, naturalmente, que si 
un  año  concreto  los  precios  relativos  son  unos  determinados  y  los  artículos  de  la 
Encuesta  Regional  de  Precios  son  cercanos  a  los  de  la  cesta  del  IPC  entonces  la 

                                                            
2
El artículo citado se localizó en Internet el 6 de noviembre de 2012, en la dirección: 
[Link]

8 
 
evolución  del  IPC  debería  replicar  razonablemente  los  precios  relativos  de  las 
siguientes ediciones de la encuesta que, como se sabe, el INE no difundió nunca. 

Posteriormente,  FUNCAS  fue  publicando  con  regularidad  este  material  en  Cuadernos 
de  Información  Económica,  hasta  el  número  220  de  enero/febrero  de  2011.  En  la 
página 57 de este número, y dentro del artículo Avance de las magnitudes económicas 
españolas en 2010 y serie provisional del balance económico regional. Años 2000‐2010, 
el lector encontrará la tabla 28 con la serie 2000‐2010 del Índice de precios relativos 
del consumo (IPC), por comunidades autónomas. En cuanto a los años más recientes, 
no nos consta que esta información se haya vuelto a publicar. 

Para  acabar,  conviene  referenciar  el  trabajo  del  Instituto  de  Estadística  de  Catalunya 
(Idescat)  que  calculó  y  difundió  a  través  de  su  publicación  Evolució  de  les  principals 
macromagnituds  de  l’economía  catalana 3  un  índice  regional  de  precios  relativos 
exclusivamente  para  Catalunya,  no  para  ninguna  otra  comunidad,  expresado  en 
términos  España=100.  La  serie  tiene  una  longitud  de  diez  años,  de  1987  a  1997. 
Durante  un  tiempo  (hasta  los  años  2009  o  2010)  el  Idescat  también  difundió  estos 
datos  a  través  de  su  página  web.  En  la  actualidad,  sin  embargo,  ya  no  están 
disponibles.  

   

                                                            
3
 Instituto  de  Estadística  de  Catalunya  (Idescat).  Evolució  de  les  principals  macromagnituds  de 
l’economia  catalana.  Consúltese  la  tabla  1.1  de  los  ejemplares  correspondientes  a  1987‐92  hasta 
1992‐97.  

9 
 
3. Estimación de las PPA para las CCAA por métodos indirectos 
 
 
En este punto se presentan tres métodos indirectos de estimación de las PPA para las 
comunidades autónomas españolas, así como los resultados correspondientes a cada 
uno de ellos. 
 
3.1 Método  1:  Estimación  por  extrapolación  de  las  PPA  (1989)  basada  en  los  IPC 
relativos 
 
La  metodología  internacionalmente  aceptada  de  construcción  de  PPAs  para  países 
contempla de forma explícita la posibilidad de la actualización de los precios relativos 
mediante el recurso del IPC, si no se dispone de una encuesta. Así queda indicado en 
los  manuales  del  Programa  de  Comparación  Internacional,  en  los  artículos  (World 
Bank, 2008) y otros materiales disponibles en la página web del Programa4, y también 
en el manual Eurostat‐OCDE. 

Sin embargo, cuando se extrapolan las PPA de un año base y se comparan con las PPA 
de  la  siguiente  ronda  aparecen  importantes  diferencias.  Estas  diferencias  han 
generado un importante debate sobre la consistencia de los datos PPA y los datos IPC.  

A  pesar  de  estos  problemas,  resulta  claro  que  se  puede  obtener  una  primera 
aproximación a los precios relativos de las comunidades autónomas españolas por la 
vía de recuperar los datos de José Ramón Lorente del año 1989 ―las únicas que se han 
difundido nunca de la Encuesta Regional de Precios que elabora regularmente la INE― 
y actualizarlas con el IPC. 

El procedimiento del método 1 ha sido el siguiente: 

a) Hemos  aproximado  el  Índice  municipal  publicado  por  Lorente  (1989)  a  un 
índice del conjunto de la comunidad autónoma correspondiente. La operación 
ha  consistido  en  afectar  el  índice  publicado  por  el  cociente  entre  el  IPC  de  la 
comunidad  y  el  IPC  de  la  capital  de  provincia  ―una  información  que  está 
disponible en la base 1983 publicada por la INE. 

                                                            
4
El material referido está disponible en el Programa de Comparación Internacional, dentro del apartado 
«Data&Research» del web del Banco Mundial, [Link]

10 
 
 b) Estos  índices  de  precios  relativos  de  las  diversas  comunidades  han  sido 
ponderados  por  la  población  de  la  comunidad  en  1989,  y  sumados.  Esto  ha 
generado un índice estatal. 

c) Se  han  reescalado  los  índices  de  las  comunidades  de  acuerdo  con  el  índice 
estatal del punto anterior. 

d) El Índice regional de precios relativos de cada comunidad en el año t (o sea, su 
PPA  el  año  t)  se  obtiene  multiplicando  la  PPA  en  t‐1  por  el  incremento  de 
precios en el territorio relativo al incremento de precios observado al conjunto 
del estado, empezando en 1990 y operando de forma iterativa. 

La  tabla  1  resume  las  PPA  de  las  comunidades  autónomas,  referidas  a  España=100  y 
expresadas  en  media  2009‐2012,  para  que  sean  comparables  con  los  cálculos  de  los 
dos procedimientos usados más adelante. 

La  tabla  indica  que  Catalunya,  Navarra,  el  País  Vasco  y  Baleares  tienen  niveles  de 
precios claramente superiores a la media estatal, mientras que Extremadura, Canarias, 
Castilla‐La Mancha, Andalucía y Castilla y León están claramente por debajo. El resto 
de  comunidades  autónomas  se  sitúan  en  una  posición  intermedia,  más  cercana  a  la 
media estatal. 

En la tabla destaca enseguida el caso de Madrid, que se sitúa sólo a tres décimas por 
encima de la media. Por método de construcción, esto refleja el hecho que la inflación 
diferencial de Madrid respecto a la del conjunto del Estado es casi nula año tras año. 
En cambio, la inflación diferencial de Catalunya suele ser positiva de forma sistemática, 
de forma que a medida que pasa el tiempo sus precios relativos se separan más y más 
de la media estatal. De ahí los resultados. 

11 
 
Tabla  1.  Paridades  de  poder  adquisitivo  para  las  Comunidades  Autónomas.  2009‐
2012. Método 1 
Comunidad Autónoma   
Andalucía  95,6 
Aragón  97,4 
Asturias  101,3 
Baleares  105,1 
Canarias  92,3 
Cantabria  98,5 
Castilla – La Mancha  92,6 
Castilla y León  95,6 
Catalunya  110,2 
Comunidad Valenciana  98,9 
Extremadura  85,0 
Galicia  99,0 
Madrid  100,3 
Murcia  99,8 
Navarra  107,5 
País Vasco  106,9 
La Rioja  103,9 
   
Máximo  110,2 
Mínimo  85,0 
Ratio Máximo/Mínimo  1,29 
 
 
 
3.2 Método 2: Estimación macroeconométrica de las PPA basada en modelos de PIB 
(datos UE) 
 
 
Es  un  hecho  observado  que  los  países  que  tienen  un  nivel  de  PIB  per  cápita  más 
elevado  suelen  tener  niveles  de  precios  también  más  elevados.  Una  justificación  de 
esta  relación  puede  provenir  de  la  denominada  hipótesis  de  Balassa‐Samuelson 
(Balassa, 1964 y Samuelson, 1964). En esencia, los países (o los espacios geográficos, 
en  general)  más  ricos  muestran  niveles  de  productividad  más  elevados  en  la 
producción  de  bienes  comercializables.  No  obstante,  los  salarios  tienen  tendencia  a 
igualarse  entre  los  sectores  productores  de  bienes  comercializables  y  no 
comercializables. Esto se traduce en que los precios de los bienes no comercializables 
(los servicios, en general) serán más elevados en los países o espacios geográficos ricos 
que en los países o espacios geográficos pobres y, por lo tanto, que el nivel general de 
precios  sea  también  más  elevado  en  los  espacios  geográficos  ricos.  Concretamente, 

12 
 
denominando   el PIB per cápita en paridades de poder de compra y P el nivel 
de precios, podemos establecer una relación en las dos variables del tipo: 

1  

que se puede reescribir cómo 

2  

dónde   se puede recuperar a partir de la estimación del coeficiente   en la ecuación 

(2), dado que se verifica: 

 
1

De  aquí  se  desprende  que  siempre  que   sea  inferior  a  la  unidad,  la  ordenación  de 
países  atendiendo  al  PIB  per  cápita  será  la  misma  que  la  ordenación  de  países 
atendiendo al PIB per cápita en paridades de poder de compra.  

Por otro lado, las desviaciones estándar relativas se relacionan de la forma siguiente: 

1  

Es decir, la dispersión del PIB per cápita en paridad de poder de compra será menor o 
igual que la dispersión del PIB per cápita. 

El método indirecto que se propone para estimar las paridades de poder adquisitivo de 
las comunidades autónomas se estructura en dos fases: 

a) Estimar la ecuación (2) que define la relación entre P y  con datos de un 
conjunto  de  países  de  la  OCDE 5  para  el  periodo  2004‐2012  y  obtener 
estimaciones de α y β. 
b) Utilizar  las  estimaciones  de  α  y  β  y  obtener  los  índices   de  las  paridades  de 
poder  de  compra  a  partir  de  una  adaptación  de  la  ecuación  (2)  para  las 
comunidades autónomas. 

                                                            
5
 El listado de países es el siguiente: Austria, Bélgica, Bulgaria, República Checa, Dinamarca, Alemania, 
Estonia,  Irlanda,  Grecia,  España,  Francia,  Croacia,  Italia,  Chipre,  Letonia,  Lituania,  Hungría,  Malta, 
Holanda,  Polonia,  Portugal,  Rumanía,  Eslovenia,  Eslovaquia,  Finlandia,  Suecia,  Reino  Unido,  Islandia, 
Noruega, Suiza, Montenegro, Serbia, Turquía, Estados Unidos y Japón. 

13 
 
En la segunda fase se parte de la siguiente relación a nivel de comunidad autónoma: 

dónde   representan  los  precios  y  el  PIB  per  cápita  de  la  comunidad 
autónoma  ,  y   son  las  medias  de  los  precios  y  del  PIB  per  cápita  de  las 
comunidades autónomas. 

Por lo tanto, la estimación de se puede obtener a partir de: 

donde  adicionalmente  se  debe  verificar  que  ∑ 1,  donde  es  el  peso 
del  PIB  de  la  comunidad  autónoma   en  el  PIB  de  España  y  donde  el  valor  de  μ  se 
obtiene de forma que verifique la identidad contable de  . 

El gráfico 1 presenta la nube de puntos correspondiente al conjunto de observaciones 
utilizadas para estimar el modelo. Destaca la elevada correlación (el buen ajuste lineal) 
entre las dos variables   y ln . 

 Gráfico 1. Correlación entre   y ln  para la muestra de países de la OCDE 

Europa 36, Estados Unidos y Japón, 2004-2012
0.6

0.4

0.2

0.0
logaritmo precios

-0.2

-0.4

-0.6

-0.8
Coef. correlación: 0.983
-1.0

-1.2
-3 -2 -1 0 1 2

logaritmo PIBpc  
 

14 
 
Esta fuerte relación lineal se traduce en los resultados de las diferentes estimaciones 
del modelo que se presentan en la tabla 2. Dada la estructura de panel de datos (datos 
para países en diferentes periodos de tiempos) se ha estimado el modelo haciendo uso 
de diferentes estimadores: 
― Dos que no  utilizan la estructura de panel de los datos —Mínimos Cuadrados 
Ordinarios sin ponderar (MCO) y ponderados (MCO‐p) para cada país según la 
varianza de los errores 
― El estimador de efectos fijos (EF) individuales de país 
― El estimador de efectos fijos individuales y temporales (EFi ,t) 
― Finalmente, el estimador de efectos aleatorios (EA) 

Cómo se puede comprobar, el coeficiente estimado   (la elasticidad de los precios de 
cada país respecto del PIB per cápita) no difiere mucho entre los diferentes métodos 
de  estimación,  y  es  significativamente  diferente  de  0  y  también  de  1.  El  ajuste  del 
modelo es elevado y el error estándar es inferior, casi la mitad, para aquellos modelos 
que tienen en cuenta la presencia de efectos individuales, aproximadamente un 3,5%. 

Tabla 2. Resultados de las estimaciones de los modelos de PPA. Ecuación (2)  
Error 
Método de  Elasticidad   Estadístico «t»  2 
R estándar del 
estimación  Precios‐PIB  elasticidad 
modelo 
MQO   0,453  93,42  0,966  0,0672 
MQO‐p  0,453  137,70  0,966  0,0672 
EF  0,536  30,83  0,992  0,0344 
EFi ,t  0,531  26,96  0,992  0,0348 
EA  0,480  46,57  0,962  0,0352 
 

Haciendo uso de los coeficientes estimados y de la relación (3) ajustada con datos de 
las  comunidades  autónomas  españolas  para  2012,  los  índices  de  las  paridades  de 
poder de compra para las mismas son los que se presentan en la tabla 3 para dos de 
las estimaciones realizadas: MQO (elasticidad   = 0,453) y modelo de efectos fijos (EF) 
de  país  (elasticidad   =  0,536).  Cómo  se  puede  apreciar  los  resultados  son  muy 
similares  en  los  dos  casos,  puesto  que  se  respeta  la  ordenación  y  la  división  entre 
comunidades autónomas con paridades de poder de compra por encima y por debajo 

15 
 
de la media española, aunque el rango entre el valor máximo y mínimo, como medida 
de dispersión, es más elevado en el caso del segundo modelo. 

Tabla  3.  Paridades  de  poder  adquisitivo  para  las  Comunidades  Autónomas.  2012. 
Método 2 
Comunidad Autónoma  = 0,453  = 0,536 
Andalucía  86,8  84,5 
Aragón  103,7  104,2 
Asturias  95,9  95,0 
Baleares  100,7  100,8 
Canarias  91,7  90,2 
Cantabria  97,4  96,8 
Castilla – La Mancha  97,8  97,3 
Castilla y León  89,1  87,2 
Catalunya  106,0  107,0 
Comunidad Valenciana  92,9  91,5 
Extremadura  83,4  80,6 
Galicia  94,2  93,0 
Madrid  111,2  113,3 
Murcia  89,9  88,0 
Navarra  110,5  112,4 
País Vasco  112,7  115,1 
La Rioja  104,1  104,7 
     
Máximo  112,7  115,1 
Mínimo  83,4  80,6 
Ratio Máximo/Mínimo  1,35  1,43 
 

Los anteriores resultados están fundamentados en un modelo sencillo donde el efecto 
de  los  diferentes  componentes  del  PIB  sobre  la  paridad  del  poder  adquisitivo  es  el 
mismo.  No  obstante,  si  descomponemos  el  PIB  en  tres  elementos  (agricultura, 
industria y servicios), el PIB de los servicios es el menos comercializable, mientras que 
los  bienes  agrícolas  y  los  industriales  se  pueden  equiparar  en  su  grado  de 
comercialización. 

La idea es que, ceteris paribus, cuánto más elevado sea el peso de los servicios en el 
PIB más pueden diferir los precios del espacio económico considerado frente al resto. 
Esto  nos  lleva  a  definir  un  PIB  como  suma  ponderada  de,  por  un  lado,  agricultura  e 
industria, y por otro, de servicios. La ecuación a estimar viene dada por: 

1 4  

16 
 
dónde   es  la  parte  del  PIB  per  cápita  que  procede  de  la  agricultura, es  la 
parte  del  PIB  per  cápita  que  procede  de  la  industria,  es  la  parte  del  PIB  per 
cápita  que  procede  de  los  servicios  y  w  es  el  factor  de  ponderación  que  se  puede 
interpretar como un indicador de no comercialización. A priori hay que esperar que   
sea inferior a 0,5, cosa que permite una mayor diferenciación de precios cuanto más 
elevado sea el peso de los servicios en el PIB total. 

Esto  último  es  así  en  la  medida  que  la  varianza  de  los  precios,  en  términos  de  la 
varianza  del  logaritmo  de  los  precios,  se  puede  escribir  a  partir  de  la  expresión  (4) 
cómo: 
1 5  

Y si denotamos por   el peso del sector comercializable (agricultura y industria) en el 
PIB  total,  1  denotará  el  peso  del  sector  no  comercializable.  Entonces  podemos 
escribir: 
1
1 1 6  

Esto  permite  comprobar  que  cuando  0,5,  para  un  mismo  grado  de  dispersión 
de , el grado de dispersión de la paridad de poder de compra aumentará cuando 
aumente  el  peso  de  los  bienes  no  comercializables  en  el  PIB, 1 ,  dado  que 
aumenta  la  varianza  del  PIB  ponderado  1  y,  por  lo 
tanto, también la de su logaritmo. 

La  ecuación  (4)  se  ha  estimado  por  Mínimos  Cuadrados  no  Lineales,  puesto  que  los 
parámetros a estimar no son sólo   y β, sino también  . Los resultados se presentan 
en la tabla 4. 
Tabla 4. Resultados de la estimación del modelo de componentes del PIB. Ecuación 4 
  Coeficiente Estadístico t 
  0,176 10,0
  0,461 112,9 
  0,209 4,3

R2  0,979 
Error estándar  0,051 
 

17 
 
Los  resultados  nos  indican,  tal  y  cómo  se  ha  comentado  anteriormente,  que  la 
diferenciación  de  precios  entre  espacios  económicos  puede  ser  más  elevada  cuanto 
más elevado sea el peso de los servicios en el PIB total y menos elevada cuanto más 
elevado sea el peso de la industria o de la agricultura en el PIB total, debido al papel 
derivado de la competencia entre los diferentes espacios económicos.  

Por otro lado, en el modelo (4) la elasticidad de P respecto al   variará según cuál 
sea  el  componente  del  PIB  que  impulsa  el  crecimiento.  En  concreto,  las  expresiones 
para  las  elasticidades  respecto  al  PIB  comercializable  (agricultura  e  industria,  )  y 
respecto al no comercializable (servicios,  ) serian las siguientes: 

 
1

1 1  
1

Fijados  y  w,  el  valor  concreto  de cada  elasticidad  dependerá  de  la  composición  ( ) 
del PIB. 

Finalmente,  haciendo  uso  de  los  coeficientes  estimados  de  la  tabla  5  y  a  partir  de  la 
relación (4) ajustada con datos de las comunidades autónomas españolas para 2012, 
los índices de las paridades de poder de compra para las mismas, suponiendo efectos 
diferenciados  de  los  componentes  del  PIB,  son  los  que  se  presentan  en  la  tercera 
columna de la tabla 5, donde se comparan con los índices obtenidos en base al modelo 
de la expresión (3), sin efectos diferenciados de los componentes del PIB.  

Tabla  5.  Paridades  de  poder  adquisitivo  para  les  Comunidades  Autónomas.  2012. 
Método 2 
Comunidad Autónoma  PIB (3)  PIB (3)  PIB (4) 
= 0,453  = 0,536  componentes 
Andalucía  86,8  84,5  87,4 
Aragón  103,7  104,2  101,3 
Asturias  95,9  95,0  94,8 
Baleares  100,7  100,8  104,5 
Canarias  91,7  90,2  94,8 
Cantabria  97,4  96,8  95,9 
Castilla – La Mancha  89,1  87,2  85,8 
Castilla y León  97,8  97,3  94,9 

18 
 
 Catalunya  106,0  107,0  105,4 
Comunidad Valenciana  92,9  91,5  92,6 
Extremadura  83,4  80,6  83,2 
Galicia  94,2  93,0  92,4 
Madrid  111,2  113,3  115,0 
Murcia  89,9  88,0  88,9 
Navarra  110,5  112,4  105,1 
País Vasco  112,7  115,1  109,7 
La Rioja  104,1  104,7  98,5 
       
Máximo  112,7  115,1  115,0 
Mínimo  83,4  80,6  83,2 
Ratio Máximo/Mínimo  1,35  1,43  1,38 
 

Cómo se puede apreciar en la tabla 5, ni el patrón de los índice de paridad de poder de 
compra ni la magnitud de los mismos difiere de manera sustancial según se contemple 
un efecto diferenciado de los componentes del PIB o no, con la excepción riojana: en el 
caso  de  utilizar  el  modelo  de  los  componentes  del  PIB  su  índice  pasaría  a  estar  por 
debajo de la media española.  

Finalmente, se ha escogido el modelo con efectos diferenciados de los componentes 
del PIB como modelo representativo de este segundo método indirecto de medir los 
índices de paridad del poder de compra. 

 
3.3 Método 3: Estimación microeconométrica de las PPA basada en un modelo de 
gasto total de los hogares 
 
 
El uso de las comparaciones multilaterales de niveles de precios para un conjunto de 
regiones (países, grupos de población) para obtener las paridades de poder adquisitivo 
requiere  disponer  de  información  de  precios  y  cantidades  a  nivel  de  región  para  un 
conjunto de ítems relevantes de calidad similar. La dificultad de obtener este tipo de 
datos de calidad similar, así como problemas de carencia de información para algunos 
bienes,  popularizó  en  su  momento  el  método  CPD  (Country  Product  Dummy) 
propuesto  por  Summers  (1973),  que  puede  ser  interpretado  como  un  modelo  de 
precios hedónicos donde la variabilidad en los precios se explica por diferencias en la 

19 
 
calidad  de  los  bienes  y  por  las  diferencias  derivadas  del  componente  regional,  que 
finalmente son las que se interpretan como paridades de poder adquisitivo. 

En  su  versión  más  sencilla  el  método  consiste  en  la  estimación  de  un  modelo  de 
regresión  lineal  donde  la  variable  dependiente,  ,  es  el  logaritmo  del  precio 
observado  para  el  producto   en  la  región  ,  y  las  variables  explicativas  son  dos 
conjuntos  de  variables  ficticias.  Uno  de  estos  conjuntos  contiene  las  variables 
correspondientes  a  cada  una  de  las   regiones  ( ,  ,...,  )  y  el  otro  las 
correspondientes a cada uno de los   bienes considerados ( ,  ,...,  ). En concreto, 
el modelo a estimar es: 

7  

dónde  ’s yγ ’s son los parámetros a estimar y ε  es el término de error. Para evitar 

problemas  de  multicolinealidad  perfecta  es  necesario  restringir  uno  de  los 
coeficientes,  por  ejemplo  haciendo   igual  cero.  Con  esto  la  correspondiente  región 
seria  la  región  de  referencia.  Alternativamente,  se  podría  imponer  una  restricción 
lineal  entre  los  coeficientes,  como  por  ejemplo,  que  la  suma  ponderada  de  los 
coeficientes  fuera  igual  a  cero,  utilizando  como  ponderaciones  la  participación  en  el 
PIB total (o en la población total) de la correspondiente región. En este último caso, los 
’s  serían  los  logaritmos  de  las  paridades  de  poder  adquisitivo  de  las  regiones  con 
base 1 para la media (ponderada) del conjunto. 

Rao  (2005)  demuestra  que  los  resultados  de  la  estimación  de  (7)  por  mínimos 
cuadrados  ponderados  ( , ),  donde  las  ponderaciones  ( )  son  las  proporciones 
sobre el gasto total de cada región r del gasto en el producto b, son equivalentes a los 
del sistema de Rao (1972) para comparaciones multilaterales de niveles de precios. 

1, … ,  

∑
1, … ,  

20 
 
dónde   es  la  paridad  de  poder  adquisitivo  de  la  región   y   es  la  media  del 
precio del producto   entre las diferentes regiones. De hecho, demuestra que: 

exp  

Las extensiones del modelo básico del método CPD propuestas entre otros por Kokoski 
et  al.  (1999)  y  Aten(2005)  suponen  añadir  al  modelo  (1)  nuevas  variables  ( )  que 
permitan ajustar por diferenciales de calidad entre regiones. 

8  

De  hecho,  estos  estudios  plantean  el  uso  de  la  información  de  base  recogida  para  la 
elaboración  de  Índice  de  Precios  al  Consumo  (IPC),  es  decir,  los  precios  individuales 
recogidos  para  los  diferentes  bienes.  Esta  información  no  está  disponible  para  los 
usuarios en el caso de España. 

Como  alternativa  más  fácil  de  implementar  a  nivel  práctico,  Coondoo  et  al.  (2004) 
proponen  una  adaptación  del  modelo  (2)  para  los  datos  individuales  que  se  pueden 
obtener de las encuestas de gasto de los hogares. Estas encuestas proporcionan datos 
de  gasto  y  cantidad  para  ciertas  categorías  de  bienes,  y  por  lo  tanto,  de  sus  valores 
unitarios. 

Dado  que  la  muestra  consiste  en  hogares  que  pertenecen  a  diversas  regiones,  en  la 
ecuación  a  estimar  tanto  la  variable  dependiente  —el  valor  unitario  (precio)—  como 
los ingresos o el gasto total per cápita deben estar expresados en términos reales para 
captar adecuadamente el posible efecto de los diferenciales de precios entre regiones. 
La inclusión de esta última variable como variable explicativa se justifica por el hecho 
que  al  tratarse  de  un  modelo  que  pretende  controlar  por  el  efecto  de  la  calidad,  los 
ingresos per cápita actúan como aproximación de la calidad. Para concretar, tal y cómo 
indican Coondoo et al.  (2004), pensemos en un bien como el arroz. Dado que en los 
mercados  existe  una  amplia  gama  de  arroz,  los  hogares  con  unos  ingresos  más  altos 
preferirán comprar un arroz de calidad superior y, por lo  tanto, estarán dispuestos a 

21 
 
pagar  un  precio  unitario  superior.  De  hecho,  la  aproximación  que  proponen  se 
fundamenta en el concepto de ecuación de calidad introducido por Prais y Houthakker 
(1955), de manera que el valor unitario (precio) es una función creciente del nivel de 
vida  del  hogar,  aproximado  a  través  de  los  ingresos  reales  per  cápita  y  también  de 
ciertas variables socio‐demográficas. 

La especificación que proponen es: 

, 1, … , 9  

dónde   es  el  logaritmo  del  valor  unitario  del  bien  pagado  por  el  hogar   de  la 
región  ,  es  el  logaritmo  de  los  ingresos  nominales  per  cápita  del  hogar   de  la 
región   y   es  el  número  de  miembros  del  hogar  de  la  categoría  sexo‐edad  .  Por 
otro lado,   es el parámetro que mide la elasticidad‐calidad del bien   para los 
hogares de la región  , siendo   la parte común y φ  el diferencial regional de esta 
elasticidad.  Los  parámetros  son  las  paridades  de  poder  adquisitivo,  los  logaritmos 
de  los  índices  de  precios  de  las  diferentes  regiones,  expresados  con  relación  a  una 
región (o media),  ∗ , de referencia. 

Para estimar los coeficientes   se propone un método en dos etapas. En la primera se 
estima  el  siguiente  sistema  de  B  ecuaciones  (una  para  cada  bien),  resultado  de 
reescribir el modelo (9) cómo: 

∗
10  

Este  modelo  se  estima  con  datos  individuales  de  los  hogares,  no  siendo  necesario 
disponer  de  información  de  valores  unitarios  de  todos  los  bienes  para  todos  los 
hogares. En una segunda etapa, a partir de los valores estimados para  , se pueden 
obtener  estimaciones  de  las  paridades  de  poder  adquisitivo  , dada  la 
sobreidentificación de estos coeficientes en la primera etapa.6 

                                                            
6
  Véase Coondoo et al. (2004) para los detalles de las relaciones del coeficientes de la ecuación (9) y la 
ecuación (10), así como la ecuación específica estimar en esta segunda etapa. 

22 
 
Es  importante  destacar  que  en  el  caso  particular   (igualdad  para  todos  los 
bienes), y μ  y φ  nulas, el modelo corresponde a una versión del modelo CPD básico. 

Por  otro  lado,  hay  que  destacar  también  que  en  la  especificación  de  la  ecuación  (9) 
todo el efecto diferencial regional queda recogido por los coeficientes que aproximan 
la  paridad  del  poder  adquisitivo   y φ  la  parte  con  variabilidad  regional  de  la 
elasticidad  renta  (calidad).  Es  decir,  en  la  ecuación  (9)  no  hay  un  efecto  regional 
propio,  puesto  que  no  se  podrían  identificar  los  coeficientes  de  la  paridad  de  poder 
adquisitivo. 

El método propuesto por Coondoo et al. (2004) se puede extender a los casos en los 
cuales no se dispone de información de valores unitarios (es decir, sólo se conoce el 
gasto, pero no la cantidad), o cuando las unidades de medida no son homogéneas para 
todos los bienes. Basta una ligera adaptación del modo como se obtienen las paridades 
de poder adquisitivo en la segunda etapa.7 

De  hecho,  este  método  no  requeriría  estimar  un  sistema  completo  de  B  ecuaciones, 
puesto que sólo con una de ellas se podrían identificar los coeficientes   asociados a 
las paridades de poder adquisitivo.  

En este sentido, el método finalmente utilizado en este estudio es una adaptación del 
expuesto en Coondoo et al. (2004), en la medida que a partir de la estimación de una 
ecuación de gasto total de los hogares en términos reales se pretenden identificar los 
coeficientes  asociados  a  las  paridades  de  poder  adquisitivo,  al  mismo  tiempo  que  se 
mantienen controles (a) del efecto de la calidad mediante la inclusión de los ingresos 
reales  y  (b)  de  un  conjunto  amplio  de  características  socio‐demográficas  como 
variables explicativas. La menor fiabilidad a nivel de comunidad autónoma de las cifras 
de  gasto  a  nivel  de  cuatro  dígitos  de  la  COICOP/HBS  (Classification  of  Individual 
Consumption  by  Purpose/Household  Budget  Surveys),  tal  y  cómo  se  indica  en  el 
documento  metodológico  de  INE  (2011),  Encuesta  de  Presupuestos  Familiares  (EPF), 
así como la menor incidencia de los errores de medida en la variable gasto al trabajar 
con el gasto total agregado, nos han decidido por esta alternativa. 

                                                            
7
  Véase el apéndice de Coondoo et al. (2004). 

23 
 
En concreto, el modelo a estimar es: 

11  
∑ ∑

que una vez reescrito queda cómo: 

12  

dónde 

1 13  

Es evidente que con la estimación de μ como coeficiente de ln  se puede identificar 
.  A  su  vez,  queda  claro  que  si  en  la  ecuación  (11)  hubiéramos  incluido  efectos 
regionales propios añadiendo un término ∑  , entonces 

1 13′  

y no sería posible la identificación de β , salvo que impusiéramos restricciones sobre 
―como, por ejemplo, 0 ∀ , tal y como se ha hecho en la ecuación (13). 

El modelo se ha estimado con los datos individuales (de los hogares) de la Encuesta de 
Presupuestos Familiares (EPF) para los años 2009 a 2012. La elección de estos cuatro 
años se explica por el hecho que son los más recientes para los cuales está disponible 
la  EPF,  y  que  con  este  tamaño  muestral  se  garantiza  la  representatividad  de  los 
resultados para las comunidades autónomas más pequeñas8, con menor presencia de 
hogares  en  la  muestra  de  la  EPF.  Esta  estrategia  mantiene  el  objetivo  de  estimar  las 
paridades  de  poder  adquisitivo  entre  las  comunidades  autónomas  en  España 
representativa de la situación actual y más reciente. En cualquier caso, en el vector de 
variables   se  han  incluido  tres  variables  ficticias  correspondientes  a  2010,  2011  y 
2012  para  garantizar  la  variación  en  el  tiempo  del  gasto  total  no  captada  por  la 
evolución temporal de la renta y, en menor medida, de las otras variables explicativas. 

                                                            
8
  Se han excluido las observaciones correspondientes en las ciudades autónomas de Ceuta y Melilla, 
debido a su reducido número. 

24 
 
Para garantizar que el efecto de la no identificación de los efectos regionales propios 
(  no  afecta  de  manera  significativa  la  estimación  de  las  paridades  de  poder 
adquisitivo ( , hay que destacar que se ha realizado una especificación exhaustiva de 
características  socio‐demográficas  del  hogar  y  del  sustentador  principal.  Estas 
variables,  junto  con  la  variable  relativa  a  los  ingresos  del  hogar,  deben  eliminar 
prácticamente  el  efecto  propio  del  componiendo  regional.  En  concreto,  las  variables 
que se han incluido en relación al hogar, además de los ingresos totales y las variables 
ficticias temporales, son: 

― Número de personas al hogar por grupos de edad  
― Número de habitantes del municipio de residencia 
― Municipio de residencia capital de provincia 

y en relación al sustentador principal: 

― Edad (forma cuadrática) 
― Sexo 
― Estado civil 
― Nacionalidad 
― Nivel educativo  
― Situación en relación a la actividad económica 
Por otro lado, se ha tenido en consideración el diseño del muestreo de la EPF y se han 
ponderado  las  observaciones  utilizadas  en  la  estimación  haciendo  uso  del  factor  de 
elevación asociado a cada hogar (cuántos hogares representa cada observación). 
 

3.3.1 Modelos de valor unitario 
 
 
Del total de bienes de la clasificación COICOP/HBS a cuatro dígitos, hay un total de 80 
para los cuales se pueden calcular valores unitarios. De estos, 61 pertenecen al grupo 1 
(Alimentos  y  bebidas  no  alcohólicas),  6  al  grupo  2  (Bebidas  alcohólicas,  tabaco  y 
narcóticos), 12 al grupo 4 (Vivienda, agua, gas, electricidad y otros combustibles) y 1 al 
grupo  7  (Transportes).  El  cálculo  de  los  valores  unitarios  de  cada  código  para  cada 
comunidad  autónoma  se  ha  realizado  siguiendo  el  mismo  procedimiento  empleado 

25 
 
por el Instituto Nacional de Estadística, es decir, el valor unitario para un bien concreto 
es  el  cociente  entre  la  suma  de  los  gastos  de  aquellos  hogares  que  reportan  gasto 
diferente de cero para ese bien y la suma de las cantidades del bien para los hogares 
que reportan cantidad diferente de cero9.  

Se puede llevar a cabo una primera aproximación a las paridades de poder adquisitivo 
basada  en  el  análisis  comparativo  de  los  valores  unitarios  calculando  la  diferencia 
relativa entre el valor unitario de cada bien ( ) en una comunidad autónoma ( ) ( ) 
en  relación  al  correspondiente  para  toda  España  ( )  y  calculando  la  media 
geométrica  de  estas  diferencias  relativas.  Este  cálculo  permite  obtener  un  primer 
índice  de  paridad  de  poder  adquisitivo  basado  en  los  bienes  con  valor  unitario 
( ),  es  decir,  mayoritariamente  los  bienes  de  los  grupo  1  de  la  COICOP/HBS 
(Alimentos y bebidas no alcohólicas). 

100 ∗  

Los índices correspondientes aparecen en la primera columna de la tabla 7. 

Por otro lado, con los datos por bienes y comunidades autónomas se puede estimar un 
ecuación  basada  en  el  método  CPD  como  la  planteada  en  (7),  ponderando  o  no  las 
observaciones por la raíz cuadrada de la proporción del gasto del bien sobre el total de 
gasto en la correspondiente comunidad autónoma. El caso que utiliza ponderaciones 
se  puede  considerar  una  aplicación  del  sistema  de  Rao  para  comparaciones 
multilaterales.  Los  coeficientes  estimados,  expresados  en  desviaciones  respecto  de 
una media ponderada de los mismos con ponderaciones dadas por el peso del PIB de 
cada  comunidad  autónoma  en  el  total  de  España,  se  transforman  en  paridades  de 
,
poder  adquisitivo  (  y  ,  según  se  utilicen  ponderaciones  o  no, 
respectivamente)  a  partir  de  exp ,  que  se  presentan  en  las  columnas 
segunda y tercera de la tabla 6. 
 

                                                            
9
  El número de hogares en el numerador y el denominador no es coincidente, aunque los resultados 
son  prácticamente  idénticos  cuando  se  hace  el  cálculo  del  valor  unitario  sólo  con  los  hogares  que 
reportan cantidades positivas. 

26 
 
 
 
Tabla 6. Paridades de poder adquisitivo para las Comunidades Autónomas. Método 
de valores unitarios 
Comunidad Autónoma  ,
   
Andalucía  97,1  95,2  95,9 
Aragón  103,2  101,2  100,2 
Asturias  100,3  98,3  100,8 
Baleares  109,3  107,1  101,7 
Canarias  106,9  105,3  91,6 
Cantabria  105,8  103,8  103,9 
Castilla – La Mancha  89,5  87,9  92,4 
Castilla y  León  97,2  95,4  97,4 
Catalunya  106,3  104,3  105,1 
Comunidad Valenciana  101,7  99,8  100,3 
Extremadura  89,1  87,5  91,2 
Galicia  94,7  92,9  95,0 
Madrid  103,0  101,2  99,6 
Murcia  103,2  101,4  101,1 
Navarra  110,2  108,6  108,3 
País Vasco  108,9  106,9  109,4 
La Rioja  101,1  99,1  101,5 
       
Máximo  110,2  108,6  109,4 
Mínimo  89,1  87,5  91,2 
Ratio Máximo/Mínimo  1,24  1,24  1,20 
 

Hay  que  destacar  que los  resultados,  tanto  a  nivel  cualitativo  como  cuantitativo,  son 
bastante  similares  en  las  tres  aproximaciones,  con  sólo  dos  excepciones:  Canarias  y 
Madrid. En el caso de Canarias, las ponderaciones de los valores unitarios teniendo en 
cuenta el peso sobre el gasto total de cada bien resultan determinantes para situar su 
paridad de poder adquisitivo claramente por debajo de la media de España. En el caso 
de Madrid, el índice en cualquiera de los tres casos no se sitúa entre los más elevados 
e, incluso en el tercer escenario, está justo por debajo de la media. 

Por otro lado, en los tres escenarios la diferencia entre los valores máximo y mínimo 
de la paridad del poder adquisitivo está alrededor de los 20 puntos porcentuales: los 
precios de los productos con valor unitario son entre un 20% y un 24% más altos en la 
comunidad autónoma con los valores más altos del índice respecto a la comunidad con 

27 
 
valores más bajos. Catalunya presenta unos índices que se sitúan siempre por encima 
de la media española, entre un 4% y 6% más altos. 
3.3.2 Modelos de gasto total 
 
 
En  el  Anexo  1  se  presentan  los  resultados  de  la  estimación  de  la  ecuación  de  gasto 
total (12) por mínimos cuadrados ponderados, utilizando como factor de ponderación 
la  raíz  cuadrada  del  número  de  observaciones  que  representa  el  hogar.  De  los 
resultados hay que destacar: 

― La  elevada  capacidad  explicativa  del  modelo  (R2=0,55),  dado  que  trabajamos 
con datos individuales.10 
― La elasticidad renta del gasto total es 0,46 y está estimada con mucha precisión 
(error  estándar  0,004),  en  cualquier  caso  estadísticamente  diferente  de  los 
valores  0  y  de  1.  Este  último  valor  no  permitiría  identificar  las  paridades  de 
poder adquisitivo, puesto que si miramos la ecuación (13), estas no aparecerían 
formando parte del coeficiente estimado para cada variable ficticia regional. 
― Las otras variables explicativas tienen los signos de los coeficientes esperados y 
contribuyen significativamente a explicar la variabilidad del gasto total, pues sin 
las  mismas  el  coeficiente  de  determinación  baja  hasta  0,47.  En  todo  caso,  la 
variable  ingresos  es  la  que  más  contribuye  a  la  explicación  del  gasto  total:  el 
coeficiente de correlación entre estas dos variables es de 0,69. 
― La  elevada  significación  de  los  coeficientes  de  las  variables  ficticias 
correspondientes  a  las  comunidades  autónomas,  con  un  estadístico  F  para  la 
hipótesis nula de no significación conjunta de 114,78 (p=0,0000). 

Dado  que  el  gasto  recogido  en  la  EPF  se  refiere  a  todo  el  gasto  de  los  residentes, 
incluida la realizada fuera de la comunidad autónoma, ha parecido oportuno corregir 
el  gasto  total  eliminando  dentro  de  lo  posible  este  componente.  Para  hacerlo,  se  ha 
utilizado  la  información  sobre  gasto  de  residentes  fuera  de  la  comunidad  autónoma 

                                                            
10
  El valor del coeficiente de determinación corresponde al modelo estimado por Mínimos Cuadrados 
Ordinarios, puesto que el valor que corresponde a la estimación por Mínimos Cuadrados Ponderados 
no es interpretable en la forma habitual, dado que al ponderar no hay término constante y el valor 
del R2 no está en el intervalo 0‐1. De hecho, para el modelo del Anexo 1 el valor del R2 seria 0,99. 

28 
 
obtenida de la encuesta Familitur11, y se ha calculado qué proporción representa sobre 
el gasto final de los residentes obtenida de la Contabilidad Regional de España (INE). 
Con esta información se han podido corregir los coeficientes estimados de las variables 
ficticias de las comunidades autónomas ( ̂ ) antes de obtener los coeficientes ( ) que 
∗
permiten calcular las paridades de poder adquisitivo,  , con  base=100 Andalucía, 
(comunidad autónoma de referencia en la estimación).12 

Para el cálculo se ha empleado la expresión 

∗
100 ∗  

dónde  ̂  es el coeficiente estimado corregido para la comunidad autónoma  . 

Finalmente, se han expresado las paridades de poder adquisitivo en base 100 para una 
media  (ponderada)  para  todo  el  Estado,  a  partir  de  las  estimaciones  en  base  100 
Andalucía ponderadas por la participación del PIB de la comunidad autónoma en el PIB 
de España, según la información de la Contabilidad Regional de España para 2012. En 
la  tabla  8  se  presentan  las  estimaciones  obtenidas  a  partir  de  este  método  con  la 
∗ ∗,
corrección  antes  mencionada  ( )  y  sin  ella  ( ).  Los  resultados  están 
referidos a 2012, año al que corresponden las ponderaciones utilizadas en el cálculo de 
la media ponderada para definir la base 100. 

Tabla  7.  Paridades  de  poder  adquisitivo  para  las  Comunidades  Autónomas.  2012. 
Método 3 
∗ ∗,
Comunidad Autónoma     
Andalucía  99,2  96,0 
Aragón  96,1  95,3 
Asturias  85,5  86,1 
Baleares  98,7  98,1 
Canarias  80,8  78,8 
Cantabria  99,2  98,9 
Castilla – La Mancha  80,7  87,4 
Castilla y  León  84,7  82,6 

                                                            
11
  Familitur es la encuesta de movimientos turísticos de los españoles, operación estadística realizada 
por el Ministerio de Industria, Energía y Turismo. 
12
  En el Anexo 2 se encuentran las proporciones del gasto del residentes fuera de la comunidad sobre 
el total del gasto de los residentes para el año 2010, así como el peso del PIB de cada comunidad 
autónoma  en  el  total  de  España,  utilizados  como  ponderación  para  expresar  la  paridad  del  poder 
adquisitivo en relación a la media española. 

29 
 
 Catalunya  108,5  108,4 
Comunidad Valenciana  93,4  92,0 
Extremadura  78,7  80,8 
Galicia  92,3  89,5 
Madrid  113,3  119,3 
Murcia  96,2  95,3 
Navarra  110,9  113,6 
País Vasco  107,4  109,6 
La Rioja  89,9  91,4 
     
Máximo  113,3  119,3 
Mínimo  78,7  78,8 
Ratio Máximo/Mínimo  1,43  1,51 
 

Los resultados obtenidos son robustos a diferentes variaciones en la especificación del 
modelo, como por ejemplo pueden ser el error de medida en la variable de ingresos, la 
presencia de valores atípicos, la forma funcional del modelo o la consideración dentro 
del  gasto  total  de  algunos  componentes  asociados  a  gastos  realizados  fuera  de  la 
comunidad autónoma de residencia.  

En  cuanto  a  los  errores  de  medida,  es  conocida  la  habitual  infravaloración  de  los 
ingresos por parte de los entrevistados13. En concreto, en la muestra utilizada para la 
estimación del modelo explicativo del gasto total los ingresos son un 20,6% inferiores 
al  gasto  total.  Para  valorar  la  importancia  del  potencial  error  de  medida,  se  ha 
estimado  una  ecuación  de  ingresos  en  función  de  las  características  del  hogar  y  del 
sustentador principal. Se han obtenido unos ingresos ajustados y, posteriormente, se 
ha estimado la ecuación de gasto total en función de esta nueva variable ajustada y las 
variables  ficticias  correspondientes  a  las  comunidades  autónomas.  Los  resultados 
obtenidos para las paridades de poder de compra son muy similares a los presentados 
anteriormente, no siendo relevando la posible infravaloración de los ingresos en este 
caso. 

La posible presencia de valores atípicos se ha controlado estimando el modelo una vez 
eliminadas las observaciones del gasto total por debajo del primer decil y por encima 

                                                            
13
  Un  reciente  estudio  del  INE  (Vega  y  Méndez,  2014)  cuantifica  en  algo  menos  del  10%  la 
infravaloración de los datos de ingresos de la Encuesta de Condicionas de Vida en comparación con 
las obtenidas a partir de fuentes tributarias. 

30 
 
del  noveno.  La  estimación  de  los  coeficientes  ,  y  por  lo  tanto  de  las  paridades  de 
poder adquisitivo, no cambia de manera significativa. Sí que hay cambios, sin embargo, 
en  la  estimación  de  la  elasticidad  ingresos,  que  se  compensan  por  cambios  en  los 
coeficientes de las variables ficticias, dado que los coeficientes   se obtienen a partir 
de la expresión (13). 

En relación a la forma funcional, se ha estimado un modelo semi‐logarítimico, es decir, 
sin  transformar  la  variable  ingresos  reales.  En  teoría,  esta  forma  funcional  debería 
permitir  la  identificación  de  los  efectos  propios  de  carácter  regional  ( )  de  aquellos 
asociados  a  los  índices  de  paridad  de  poder  adquisitivo  ( ).  En  concreto,  el  modelo 
especificado seria: 

14  
∑ ∑

y la versión objeto de estimación 

15  
∑

dónde   sería: 

16  

El  modelo  se  puede  estimar  por  mínimos  cuadrados  no  lineales,  pero  problemas  de 
optimización  impiden  obtener  resultados  para  la  estimación  sin  restricciones  de  la 
ecuación  (15).  En  cambio,  si  los  efectos  propios  de  carácter  regional  se  eliminan 
( 0 ∀ )  entonces  los  resultados  obtenidos  para  los  coeficientes   son  muy 
similares a los presentados anteriormente. 

Finalmente,  el  efecto  de  los  posibles  gastos  de  los  residentes  realizados  fuera  de  la 
comunidad  autónoma  se  había  tratado  de  aproximar  eliminando  del  gasto  total 
aquellos conceptos potencialmente asociados a esta situación. En concreto, se habían 
eliminado algunos gastos turísticos y algunos asociados a una segunda residencia. Los 
resultados obtenidos siguen siendo muy similares a los presentados en la tabla 7. 
 

31 
 
 
 
 
3.4 Método de síntesis: Estimación compuesta basada en modelos de PIB y de gasto 
total 

 
Para obtener una propuesta de síntesis sobre los valores de las PPA hemos tenido en 
consideración  los  resultados  obtenidos  en  la  aplicación  del  método  2  (estimación  de 
PPA a partir de un modelo estimado con datos de la UE de la relación entre PPA y el 
PIB per cápita) y el método 3 (obtención de las PPA como estimación de los factores 
regionales en una ecuación de gasto total). Se ha descartado la utilización del método 
1 (actualización de las PPA iniciales con el IPC). Es un procedimiento recomendado por 
instituciones  oficiales  para  estimar  las  PPA  en  los  periodos  intermedios  entre 
estimaciones  de  base,  pero  la  distancia  temporal  entre  el  periodo  base  (1989)  y  el 
actual parece poner en cuestión la consistencia del método. 

En  concreto,  la  estimación  de  síntesis  ( )  se  corresponde  a  una  media 
ponderada de la versión del método 2 basada en la estimación que desagrega el PIB 
per cápita en dos componentes ( ), y la versión del método 3 correspondiente a 
las  estimaciones  corregidas  del  gasto  total  de  cada  hogar  por  la  parte  que  los 
residentes de una comunidad autónoma realizan fuera de la misma ( ). Las PPA 
de la primera aproximación están recogidas en la tercera columna de la tabla 6, y las 
PPA de la segunda están en la tabla 814. Es decir: 

1  

dónde   y  1 son los factores de ponderación ―que, en principio, se suponen 

diferentes para cada comunidad autónoma  . 

La  cuestión  es  cómo  determinar  estos  factores  de  ponderación.  La  opción  escogida 
inicialmente es calcularlos de acuerdo con la variabilidad entre las diferentes opciones 
consideradas  por  cada  método  en  cada  comunidad  autónoma:  tres  en  el  caso  del 
método 2 y dos en el caso del método 3. En concreto, la medida de variabilidad para 
cada  método  (  y  ,  respectivamente)  es  el  cuadrado  de  la  diferencia  entre  el 
                                                            
14
  Resultados  muy  similares  se  obtienen  si  para  cada  método  se  utiliza  la  media  de  las  versiones 
consideradas. El coeficiente de correlación entre las dos opciones es casi igual a 1 (0,996). 

32 
 
valor  máximo  y  el  valor  mínimo  de  la  PPA  de  una  comunidad  concreta  según  las 
versiones de cada método. La ponderación   se determina a partir de: 

que se puede demostrar corresponde al valor ( ) que minimiza la varianza de   
si los dos métodos son no sesgados y la covarianza entre los dos estimadores es nula. 

Vistas las diferentes características de los métodos 2 y 3 en cuanto al posible sesgo y 
precisión,  es  conveniente  contemplar  la  posibilidad  de  adaptar  el  cálculo  de  las 
ponderaciones a esta situación, teniendo en cuenta planteamientos de características 
similares que se dan en otros contextos, como puede ser el ámbito de la estimación en 
áreas pequeñas. 

En la tabla 8 se presentan los resultados de las PPA definitivas que se proponen. Hay 
que  destacar  que  sólo  cuatro  comunidades  autónomas  tienen  PPA  por  encima  de  la 
media española (Catalunya, Madrid, Navarra y País Vasco). Además, la diferencia entre 
la  PPA  más  alta  (Madrid)  y  la  más  baja  (Extremadura)  es  de  34,3  puntos,  cosa  que 
supondría  correcciones  importantes  cuando  se  comparan  magnitudes  que  convenga 
deflactar a partir de los precios relativos regionales. 

De hecho, podríamos establecer tres grupos diferenciados de comunidades autónomas 
en  función  de  los  valores  de  las  PPA:  un  primer  grupo  formado  por  las  cuatro 
comunidades mencionadas anteriormente, con PPA por encima de la media española; 
un segundo grupo constituido por las ocho comunidades autónomas con PPA entre 90 
y 100 (Andalucía, Aragón, Baleares, Comunidad Valenciana, Galicia, Murcia y La Rioja); 
y  un  tercer  grupo  con  las  cinco  comunidades  con  PPA  más  bajas  (Asturias,  Canarias, 
Castilla‐La Mancha, Castilla y León y Extremadura). 

Tabla  8.  Paridades  de  poder  adquisitivo  para  las  Comunidades  Autónomas.  2012. 
Método de síntesis 
Comunidad Autónoma   
Andalucía  92,7 
Aragón  96,4 
Asturias  87,9 
Baleares  98,9 

33 
 
 Canarias  83,1 
Cantabria  99,1 
Castilla – La Mancha  84,8 
Castilla y León  88,0 
Catalunya  108,5 
Comunidad Valenciana  93,0 
Extremadura  80,3 
Galicia  92,4 
Madrid  114,5 
Murcia  94,8 
Navarra  110,6 
País Vasco  107,7 
La Rioja  90,4 
   
Máximo  114,5 
Mínimo  80,3 
Ratio Máximo/Mínimo  1,43 
 

Estos resultados son comparables a los que se pueden obtener del estudio de Rubiera 
et al. (2013), donde se presentan estimaciones del coste de la vida (espacial) para las 
comunidades autónomas españolas en 2006 y 2011. Es cierto que algunos resultados 
son bastante coincidentes en algunos aspectos, como por ejemplo el ranking del País 
Vasco (coste de la vida más alto) y Extremadura (coste de la vida más bajo), incluso en 
términos relativos (1,31 veces). Ahora bien, hay otros aspectos en los que difieren de 
forma marcada y se alejan de lo que cabría esperar. Por ejemplo, Catalunya tiene un 
coste  de  la  vida  inferior  al  de  Galicia,  y  sólo  ligeramente  superior  al  de  Andalucía, 
mientras que Madrid sólo tiene siete comunidades autónomas con un coste de la vida 
inferior15.  Evidentemente,  estas  estimaciones  afectan  los  resultados  del  estudio,  que 
pretende  estimar  los  efectos  del  incremento  del  coste  de  la  vida  en  el  mapa  de  la 
pobreza en España. El hecho que el análisis se concentre únicamente en los productos 
de  alimentación,  que  estime  un  sistema  de  ecuaciones  de  demanda  con  mucha 
estructura y el tratamiento que se da a las observaciones correspondientes a un gasto 
nulo pueden explicar hasta cierto punto los resultados que presentan. 

Finalmente, tal y cómo se ha mencionado repetidamente en los capítulos iniciales, el 
objetivo del cálculo de las PPA se justifica para una mejor aplicación de las políticas de 
                                                            
15
  Estos resultados son todavía más chocantes si se miran los datos correspondientes a 2006, año para 
el cual Catalunya sólo tiene cuatro comunidades autónomas con un coste de la vida más bajo. 

34 
 
cohesión  regional  que,  en  muchas  ocasiones,  se  fundamentan  en  la  evidencia 
proporcionada  por  la  comparativa  de  los  PIB  per  cápita  de  diferentes  ámbitos 
regionales. Evidentemente, esto no se aplica sólo en el ámbito de la política regional a 
nivel europeo, sino también en el de las actuaciones a nivel del Estado en relación con 
políticas que tienen incidencia sobre las comunidades autónomas. 

En este sentido, parece oportuno un ejercicio que ilustra el uso de las PPA a nivel de 
comunidad  autónoma,  como  es  la  comparación  de  los  PIB  per  cápita  entre 
comunidades  según  que  corrijan  o  no  por  las  diferencias  de  precios  en  términos  de 
PPA. 

En la tabla 9 se presentan el resultados de este ejercicio para el PIB per cápita de las 
comunidades  autónomas  correspondiente  a  2012,  según  las  cifras  disponibles  en  el 
web  del  Instituto  Nacional  de  Estadística  en  relación  con  los  datos  de  contabilidad 
regional  en  el  momento  de  elaborar  este  informe.  Naturalmente,  dada  la 
macromagnitud  a  deflactar  (el  PIB),  las  PPA  a  utilizar  deberían  tener  en  cuenta  los 
diferentes componentes del PIB y no sólo el consumo, como en el supuesto de que nos 
ocupa. En cualquier caso, vista la elevada asociación de estos dos indicadores cuando 
se  comparan  los  valores  a  nivel  de  la  UE,  hay  que  esperar  que  a  nivel  cualitativo  los 
resultados del ejercicio presentado en la tabla 10 sean bastante representativos. 

Tabla  9.  PIB  per  cápita  nominal  y  deflactado  por  las  PPA  de  las  Comunidades 
Autónomas. 2012 
Comunidad Autónoma  PIB pc Orden  PIB pc defl.  Orden 
Andalucía  16.744 16  18.058  17 
Aragón  24.812 6  25.737  4 
Asturias  20.867 10  23.750  9 
Baleares  23.596 7  23.856  8 
Canarias  18.940 13  22.796  10 
Cantabria  21.698 9  21.904  12 
Castilla – La Mancha  17.693 15  20.866  14 
Castilla y León  22.000 8  24.992  6 
Catalunya  26.419 4  24.353  7 
Comunidad Valenciana  19.485 12  20.950  13 
Extremadura  15.133 17  18.855  16 
Galicia  20.336 11  22.013  11 
Madrid  28.914 2  25.249  5 
Murcia  18.032 14  19.016  15 
Navarra  28.499 3  25.763  3 

35 
 
 País Vasco  30.051 1  27.895  1 
La Rioja  25.191 5  27.871  2 
       
España   22.297   22.297   
PIB pc máx./PIB pc mín.  1,99   1,54   
 

Lo  primero  que  destaca  es  la  sustancial  reducción  del  rango  del  PIB  per  cápita:  sin 
corrección  por  PPA  el  PIB  per  cápita  del  País  Vasco  es  casi  el  doble  que  el  de 
Extremadura; con corrección el PIB per cápita más alto (también el del País Vasco) sólo 
supera un 54% el más bajo (el de Andalucía). 

Hay que destacar también que la ordenación de las comunidades autónomas según el 
nivel de PIB per cápita no varía sustancialmente cuando corrige por las PPA. Así, el País 
Vasco  continúa  teniendo  el  PIB  per  cápita  más  alto,  mientras  que  al  otro  extremo 
cambia  la  última  posición  ―de  Extremadura  a  Andalucía―  al  considerar  las  PPA.  En 
términos de posiciones, los cambios más importantes comportan un ascenso (Canarias 
y La Rioja) o descenso (Cantabria, Catalunya y Madrid) de tres posiciones en el ranking. 

 
 
 
 
 

 
 
   

36 
 
4. Bibliografía 
 
 
ALCAIDE,  J.  y  ALCAIDE,  P.(2000).  «El  crecimiento  económico  de  las  autonomías 
españolas en 1999», Cuadernos de Información Comercial Española, núm. 155, p. 1‐13 

ATEN,  B.  H.  (2005).  «Report  on  interarea  price  levels»,  Bureau  of  Economic  Analysis, 
U.S. Department of Commerce, WP2005‐11 

ATEN,  B.  H.  (2006).  «Interarea  price  levels:  an  experimental  methodology»,  Monthly 
Labor Review, September, p. 47‐61 

BALASSA, B. (1964). «ThePurchasing power parity doctrine: A reappraisal», Journal of 
Political Economy, núm. 72, p. 584‐596 

BIGGERI,  L..  [et  al.]  (2010).  SubNational  PPPs  based  on  integration  with  CPIs,  2nd 
Technical Advisory Group Meeting, International Comparison Program, World Bank. 
[en línea][Consulta: 13 mayo 2015]. 

BIGGERI,  L.  y  LAURETI,  T.  (2011).  Understanding  changes  in  PPPs  over  time,  6th 
Technical  Advisory  Group  Meeting,  International  Comparison  Program,  World  Bank. 
[en línea][Consulta: 13 mayo 2015]. 

CADIL, J. y MAZOUCH, P. (2011). «PPS and EU Regional Price Level Problem», The Open 
Political Science Journal, núm. 4, p. 1‐5  

COONDOO,  D.,  MAJUMDER,  A.  y  CHATTOPADHYAY,  S.  (2011).  «Estimating  spatial 

consumer price indices through Engel curves analysis», Review of Income and Wealth, 
núm. 57, p. 138‐155 

COONDOO,  D.,  MAJUMDER,  A.  y  RAY,  R.  (2004).  «A  methodof  calculating  regional 
consumer  price  differentials  with  illustrative  evidence  from India»,  Review  of  Income 
and Wealth, núm. 50, p. 51‐68 

FUNCAS  (1999–2011).  El  crecimiento  económico  de  las  autonomías  españolas, 

Cuadernos de Información Económica. Madrid: FUNCAS 

INSTITUT  D’ESTADÍSTICA  DE  CATALUNYA  (1987–1997).  Evolució  de  les  principals 

macromagnituds de l’economía catalana. Barcelona: Idescat 

INSTITUTO  NACIONAL  DE  ESTADÍSTICA  (2011).  Encuesta  de  Presupuestos  Familiares. 

Base 2006. Fichero de usuario, Madrid: Instituto Nacional de Estadística 

ISTAT, UNIONCAMERE y ISTITUTO G. TAGLIACARNE (2009). La differenze nel livello dei 
prezzi al consumo tra i capoluoghi delle regioni italiane 

37 
 
KOKOSKI,  M.  F.,  MOULTON,  B.  R.  y  ZEISCHANGK,  D.  (1999).  «Intearea  price 
comparisons for heterogeneous goods and several levels of commodity aggregation». 

LIPSEY,  R.  E.  y  HESTON,  A.  (ed.).  International  and  interarea  comparisons  of  prices, 
income and output, National Bureau of Economic Research, Chicago University Press, 
p. 327‐364 

LORENTE, J. R. (1992). «La dispersión geográfica de los salarios», Síntesis Mensual de 
Indicadoras  Económicos,  Ministerio  de  Economíay  Hacienda.  DG  de  Previsión  y 
Coyuntura 

OFFICE FOR NATIONALSTATISTICS (2011). UK relative regional consumer price levels for 
goods and services for 2010 

PRAIS,  S.  J.  y  HOUTHAKKER,  H.  S.  (1955).  Theanalysis  of  family  budgets,  Cambridge 
University Press, Cambridge (2nd edition 1971) 

RAO, D. S. P. (2005). «On the equivalence of weighted country‐product‐dummy (CPD) 
method and the Rao‐system for multilateral price comparisons», Review of Income and 
Wealth, núm. 51, p. 571‐580 

RHOADES  D.  (2003).  «Towards  a  Methodologyfor  Analyzing  the  Coherence  between 

PPP  and  SNA  Based  Estimates  of  Real  GDP»,  Unpublished  manuscript,  Statistical 
Division, Geneva: United Nations Economic Commission for Europe 

ROOS, M. W. M. (2006). «Regional price levels in Germany», Applied Economics, núm. 
38, p. 1553‐1566 

RUBIERA,  F.,  LASARTE,  E.  y  FERNÁNDEZ,  E.  (2013).  «Efectos  de  los  incrementos  en  el 
coste  de  la  vida  sobre  el  mapa  de  la  pobreza  en  España»,  Papeles  de  Economía 
Española, núm. 138, p. 114‐128 

SAMUELSON,  P.  A.  (1964).  «Theoretical  notes  on  trade  problems»,  Review  of 
Economics and Statistics, núm. 46, p. 145‐154 

SUMMERS, R. (1973). «International price comparisons based upon incomplete data», 
Review of Income and Wealth, núm. 19, p. 1‐16 

TAYLOR,  A.  y  TAYLOR,  M.  (2004).  «The  Purchasing  Power  Parity  debate»,  Journal  of 
Economic Perspectives, núm. 18, p. 135‐158 

TESSEMA, G. A. y ROSSITER, P. D. (2007). Searching for Coherence between Spatial and 
Temporal Measures of Price Change, Canberra: Commonwealth of Australia, Australian 
Bureau of Statistics (ABS), Research Paper 1352.0.55.081 [en línea] [Consulta: 13 mayo 
2015] 

38 
 
VEGA,  P.  y  MÉNDEZ,  J.M.  (2014).  Comparación  de  los  ingresos  del  trabajo  entre  la 
Encuesta de Condiciones de Vida y las fuentes administrativas, Documento de Trabajo 
2/2014, Madrid: Instituto Nacional de Estadística [en línea] [Consulta: 13 mayo 2015] 

WORLD  BANK  (2008).  Global  Purchasing  Power  Parities  and  Real  Expenditures,  2005 
International  Comparison  Program,  Washington  DC:  World  Bank,  2008  [en  línea] 
[Consulta: 13 mayo 2015] 

39 
 
Anexo 1 

Tabla A.1. Estimación del modelo de gasto total (2009‐2012) 
  Coef. E.S. t  p‐valor 
     
Variables relativas al hogar     
     
Comunidad autónoma (Ref.: Andalucía)     
Aragón  ‐0,0037 0,0082 ‐0,45  0,650 
Asturias  ‐0,0587 0,0088 ‐6,70  0,000 
Baleares  0,0117 0,0092 1,28  0,200 
Canarias  ‐0,1072 0,0092 ‐11,62  0,000 
Cantabria  0,0162 0,0089 1,83  0,067 
Castilla – La Mancha  ‐0,0812 0,0071 ‐11,35  0,000 
Castilla y León  ‐0,0509 0,0080 ‐6,36  0,000 
Catalunya  0,0661 0,0065 10,19  0,000 
Comunidad Valenciana  ‐0,0228 0,0070 ‐3,24  0,001 
Extremadura  ‐0,0936 0,0088 ‐10,63  0,000 
Galicia  ‐0,0376 0,0075 ‐5,03  0,000 
Madrid  0,1179 0,0069 16,99  0,000 
Murcia  ‐0,0037 0,0092 ‐0,40  0,688 
Navarra  0,0866 0,0079 10,96  0,000 
País Vasco  0,0718 0,0062 11,51  0,000 
La Rioja  ‐0,0263 0,0091 ‐2,89  0,004 
     
Ingresos mensuales (log)  0,4580 0,0043 107,09  0,000 
     
Composición del hogar     
Número de miembros  0,0561 0,0070 8,03  0,000 
Número de miembros>13  0,0446 0,0065 6,83  0,000 
Número de miembros<16  0,0037 0,0089 0,42  0,678 
Número de miembros<18  ‐0,0092 0,0068 ‐1,36  0,174 
     
Población del municipio (Ref.: > 100.000)     
50.000 – 100.000  0,0297 0,0061 4,85  0,000 
20.000 – 50.000  0,0333 0,0065 5,12  0,000 
10.000 – 20.000  0,0276 0,0072 3,83  0,000 
< 10.000  0,0270 0,0065 4,15  0,000 
     
Capital de provincia (Ref.: Sí)     
No  ‐0,0274 0,0055 ‐4,96  0,000 
     
Variables relativas al sustentador principal     
     
Sexo (Ref.: Hombre)  ‐0,0013 0,0045 ‐0,29  0,770 
     
Edad     
Término lineal  0,0175 0,0009 19,43  0,000 
Término cuadrático  ‐0,0002 8,37E‐06 ‐19,91  0,000 
     

40 
 
   Coef. E.S. t  p‐valor 
Nivel de estudios (Ref.: Primarios o menos)     
Secundarios 1er ciclo  0,1042 0,0051 20,61  0,000 
Secundarios 2donde ciclo  0,1623 0,0062 26,12  0,000 
Superiores  0,2225 0,0062 35,99  0,000 
     
País de nacimiento (Ref.: España)     
Resta Unión Europea  ‐0,0972 0,0120 ‐8,07  0,000 
Resto de Europa  ‐0,1574 0,0229 ‐6,87  0,000 
Resto del mundo  ‐0,2121 0,0088 ‐24,16  0,000 
     
Situación en relación con la actividad (Ref.:     
Ocupado) 
Con trabajo pero ausente  0,0191 0,0105 1,82  0,069 
Parado  ‐0,0377 0,0074 ‐5,06  0,000 
Jubilado  0,0108 0,0064 1,68  0,092 
Estudiante  ‐0,0139 0,0635 ‐0,22  0,827 
Tareas domésticas  0,0037 0,0114 0,32  0,748 
Incapacidad permanente  ‐0,0179 0,0195 ‐0,92  0,359 
Otra situación de inactivo  0,0537 0,0302 1,78  0,075 
     
Estado civil (Ref.: Soltero)     
Casado  0,1258 0,0057 22,06  0,000 
Viudo  0,0793 0,0087 9,17  0,000 
Separado  0,0514 0,0110 4,68  0,000 
Divorciado  0,0686 0,0096 7,13  0,000 
     
Año de la encuesta (Ref.: 2009)     
2010  ‐0,0062 0,0046 ‐1,35  0,176 
2011  ‐0,0123 0,0046 ‐2,67  0,007 
2012  ‐0,0288 0,0046 ‐6,22  0,000 
     
Constante  5,8929 0,0365 161,24  0,000 
     
Número de observaciones  85.447 
R2  0,5517 
Nota:  El  modelo  se  ha  estimado  por  Mínimos  Cuadrados  Ordinarios  con  errores  estándar  robustos  a 
heteroscedasticidad.  El  coeficiente  de  determinación  (R2)  corresponde  al  modelo  sin  errores  estándar 
robustos. 
   

41 
 
Anexo 2 

Tabla  A.2.  Porcentaje  del  gasto  de  residentes  realizado  fuera  de  la  comunidad 
autónoma (DF) (2010) y porcentaje del PIB de cada comunidad autónoma respecto al 
PIB de España (2012) 

Comunidad autónoma  % DF %PIB

Andalucía  2,20 13,62

Aragón  3,47 3,18
Asturias  4,25 2,15
Baleares  3,20 2,51
Canarias  2,55 3,90
Cantabria  3,55 1,22
Castilla – La Mancha  4,92 5,26
Castilla y León  4,02 3,56
Catalunya  4,02 18,66
Comunidad Valenciana  3,07 9,64
Extremadura  5,07 1,62
Galicia  2,26 5,38
Madrid  6,95 18,03
Murcia  3,45 2,63
Navarra  4,61 1,72
País Vasco  5,03 6,16
La Rioja  4,68 0,76
Fuente: Contabilidad Regional de España, INE 

42