Estimación de elasticidades
Andrea Domínguez Pérez y Edna Aloth Fuentes Santiago
2022-06-13
#Estimación de la elasticidad por regresión
La elasticidad es la sensibilidad que tienen los consumidores ante las variaciones en los precios. Primero se
calculara la demanda de gasolina per cápita, posteriormente se graficara contra el precio de la gasolina.
1
library(ggplot2)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
datos <- [Link]("[Link]")
datos$demanda_capita <- (datos$GASEXP/datos$GASP)/datos$POP
ggplot(data = datos, aes(x = GASP,y = demanda_capita)) + geom_point()
1
6e−06
demanda_capita
5e−06
4e−06
3e−06
25 50 75 100 125
GASP
Sabemos que la gasolina es un bien normal, es decir, son aquellos bienes cuyo consumo aumenta cuando se
incrementa el ingreso del consumidor, y su demanda tiene una relación negativa con su precio. Si el precio
disminuye la demanda sube en cierta proporción y si el precio aumenta la demana baja en cierta proporción.
Podemos observar en el gráfico cierta incongruencia, ya que a mayor precio mayor es el consumo y esto
contradice nuestras expectativas de acuerdo a lo mencionado anteriormente. Ya que la gasolina es un bien
inelastico, es decir, un gran cambio porcentual en el precio provoca sólo un pequeño cambio porcentual en la
cantidad demandada.
correlacion <- cor(datos)
correlacion
## YEAR GASEXP POP GASP INCOME PNC
## YEAR 1.0000000 0.9520140 0.9980221 0.9332310 0.9952098 0.9578944
## GASEXP 0.9520140 1.0000000 0.9550332 0.9780891 0.9611137 0.9419218
## POP 0.9980221 0.9550332 1.0000000 0.9268207 0.9932943 0.9497295
## GASP 0.9332310 0.9780891 0.9268207 1.0000000 0.9341197 0.9360533
## INCOME 0.9952098 0.9611137 0.9932943 0.9341197 1.0000000 0.9555527
## PNC 0.9578944 0.9419218 0.9497295 0.9360533 0.9555527 1.0000000
## PUC 0.9527131 0.9355563 0.9463266 0.9227669 0.9526382 0.9938738
## PPT 0.9579815 0.9655343 0.9599742 0.9270144 0.9640408 0.9807359
## PD 0.9535336 0.9251373 0.9397730 0.9389358 0.9490977 0.9932655
## PN 0.9743677 0.9789647 0.9709213 0.9626717 0.9780684 0.9885288
## PS 0.9632784 0.9767021 0.9651965 0.9393527 0.9709372 0.9784900
## demanda_capita 0.9469083 0.8311465 0.9410569 0.8159946 0.9381849 0.8399404
## PUC PPT PD PN PS demanda_capita
## YEAR 0.9527131 0.9579815 0.9535336 0.9743677 0.9632784 0.9469083
## GASEXP 0.9355563 0.9655343 0.9251373 0.9789647 0.9767021 0.8311465
## POP 0.9463266 0.9599742 0.9397730 0.9709213 0.9651965 0.9410569
2
## GASP 0.9227669 0.9270144 0.9389358 0.9626717 0.9393527 0.8159946
## INCOME 0.9526382 0.9640408 0.9490977 0.9780684 0.9709372 0.9381849
## PNC 0.9938738 0.9807359 0.9932655 0.9885288 0.9784900 0.8399404
## PUC 1.0000000 0.9824207 0.9878316 0.9821950 0.9768517 0.8334320
## PPT 0.9824207 1.0000000 0.9584680 0.9898634 0.9975146 0.8297003
## PD 0.9878316 0.9584680 1.0000000 0.9773433 0.9563262 0.8517237
## PN 0.9821950 0.9898634 0.9773433 1.0000000 0.9935838 0.8603858
## PS 0.9768517 0.9975146 0.9563262 0.9935838 1.0000000 0.8371025
## demanda_capita 0.8334320 0.8297003 0.8517237 0.8603858 0.8371025 1.0000000
De acuerdo a las correlaciones obtenidas se considera que las variables del precio de la gasolina que pueden
ayudar a mejorar los calculos serían GASP y IN COM E, ya que contemplan el precio de la gasolina y el
ingreso disponible per cápita
2
Se considera el siguiente modelo para calcular la elasticidad del consumo de gasolina a su precio.
modelo = β0 + β1 log(GASP )
modelo <- lm(log(datos$demanda_capita) ~ log(GASP),data = datos)
summary(modelo)
##
## Call:
## lm(formula = log(datos$demanda_capita) ~ log(GASP), data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.273318 -0.090012 -0.002353 0.068348 0.278190
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -13.36024 0.09922 -134.65 < 2e-16 ***
## log(GASP) 0.29904 0.02618 11.42 1.53e-15 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.127 on 50 degrees of freedom
## Multiple R-squared: 0.7229, Adjusted R-squared: 0.7173
## F-statistic: 130.4 on 1 and 50 DF, p-value: 1.527e-15
Por lo que obtenemos el siguiente modelo:
modelo = −13.3602 + 0.299log(GASP )
Podemos interpretar que si no hay ingreso disponible per capita se mantendrá un valor negativo, ya que la
relación esperada entre la gasolina y su precio es negativa.
modeloe <- (-13.3602 + (0.299)*log(datos$GASP))
#modeloe
mean(modeloe)
## [1] -12.24514
3
min(modeloe)
## [1] -12.51897
max(modeloe)
## [1] -11.91917
Se obtine una elasticidad precio del consumo de gasolina en este modelo entre -11.91917 y -12.51897, con una
media de -12.24514, esta estimación es congruente con las expectativas que se tenian contempladas.
ggplot(data = datos, aes(x = GASP,y = demanda_capita)) + geom_point()+ geom_smooth(method = "lm", colour
## `geom_smooth()` using formula 'y ~ x'
7e−06
6e−06
demanda_capita
5e−06
4e−06
3e−06
25 50 75 100 125
GASP
Podemos observar que el modelo de regresión responde a lo que pensaríamos en cuanto a la relación precio -
demanda de la gasolina.
3
Según el Teorema de Frisch-Waugh-Lovell, se realizará el modelo con la variable del ingreso per cápita en la
ecuación.
modelo = β0 + β1 log(GASP ) + β2 log(IN COM E)
residuales1 <- lm(log(GASP) ~ log(INCOME),data = datos)$residuals
residuales2 <- lm(log(demanda_capita) ~ log(INCOME),data = datos)$residuals
modelo_agregando_income <- lm(residuales2 ~ residuales1)
summary(modelo_agregando_income)
4
##
## Call:
## lm(formula = residuales2 ~ residuales1)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.14190 -0.03147 -0.01267 0.05846 0.11026
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -4.566e-18 8.433e-03 0.000 1
## residuales1 -1.695e-01 3.827e-02 -4.429 5.16e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.06081 on 50 degrees of freedom
## Multiple R-squared: 0.2818, Adjusted R-squared: 0.2674
## F-statistic: 19.62 on 1 and 50 DF, p-value: 5.157e-05
Podemos observar que el valor de β1 de log(GASP ) sería de -0.1695, ahora para comprobar que el teorema
FWL se cumple se realizara la regresión del modelo completo, es decir, añadiendo la variable log(IN COM E)
modeloconin <- lm(log(demanda_capita) ~ log(GASP)+log(INCOME),data = datos)
summary(modeloconin)
##
## Call:
## lm(formula = log(demanda_capita) ~ log(GASP) + log(INCOME), data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.14190 -0.03147 -0.01267 0.05846 0.11026
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -20.95577 0.59398 -35.280 < 2e-16 ***
## log(GASP) -0.16949 0.03865 -4.385 6.14e-05 ***
## log(INCOME) 0.96595 0.07529 12.829 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.06143 on 49 degrees of freedom
## Multiple R-squared: 0.9364, Adjusted R-squared: 0.9338
## F-statistic: 360.9 on 2 and 49 DF, p-value: < 2.2e-16
El resultado del valor β1 de log(GASP ) igualmete es de -0.1695, por lo que podemos concluir que el agregar
la variable de log(IN COM E) no afecta el valor de β1 .
4
Se reflexiona la necesidad de incluir el precio de autos nuevos y usados. Ya estos están muy relacionados a
la gasolina, en las correlaciones mostradas al principio, son bastante altas, ante una inflación elevada esto
implicara que el precio de la gasolina aumente por lo que las personas no querran comprar un automovil sino
pueden pagar la gasolina.
Como se puede observar en la imagen anterior, ante el aumento del precio de la gasolina en México disminuyó
5
Figure 1: ICC México
la compra de autos nuevos y usados.
De acuerdo con su funcionalidad bienes de consumo: son aquellos bienes que utilizamos habitualmente, como
nuestro coche o nuestra casa.
Si bien esto es cierto se puede apreciar en nuestro modelo que la relación de la adquisición de estos bienes
se ve afectada de forma negativa respecto al aumento del precio de la gasolina debido a que conforme esta
se encarece los consumidores enfrentan la imposibilidad de compra o en dado caso las alternativas a esta
generando una disminución de adquisición de vehículos y en algún punto podría ser bilateral afectando el
consumo de gasolina, generando una disminución por aumento de su precio respecto a la falta de compradores.
El aumento en los precios de la gasolina que durante el año pasado costó 20.06 pesos por litro y que en marzo
ha rondado los 22.97 pesos por litro, ha comenzado a orillar a los consumidores a analizar la conveniencia
de adquirir un vehículo híbrido o eléctrico. Introduciendo así la variable de los bines de lujo a la ecuación,
si bien son automóviles su precio de compra al ser por el momento un tanto encarecido para la población
general y no una necesidad rotunda su adquisición los engloba en esta categoría. Manteniendo de forma
negativa el consumo respecto al precio.
Entonces considerando estas variables el modelo sería de la sigueinte manera:
modelo = β0 + β1 log(GASP ) + β2 log(IN COM E) + β3 log(P N C) + β4 log(P U C)
modelo3 <- lm(log(demanda_capita) ~ log(GASP) + log(INCOME)+log(PNC)+log(PUC),data = datos)
summary(modelo3)
##
## Call:
## lm(formula = log(demanda_capita) ~ log(GASP) + log(INCOME) +
## log(PNC) + log(PUC), data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.13831 -0.02835 0.01303 0.03372 0.07431
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -21.21109 0.75322 -28.160 <2e-16 ***
6
## log(GASP) -0.02121 0.04377 -0.485 0.6303
## log(INCOME) 1.09587 0.07771 14.102 <2e-16 ***
## log(PNC) -0.37361 0.15707 -2.379 0.0215 *
## log(PUC) 0.02003 0.10330 0.194 0.8471
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.05071 on 47 degrees of freedom
## Multiple R-squared: 0.9584, Adjusted R-squared: 0.9549
## F-statistic: 271 on 4 and 47 DF, p-value: < 2.2e-16
Podemos observar que el agregar la variables del precio de autos nuevos y usados no tienen la significancia que
se esperaría, ya que la variable P N C tiene solo un * y la variable P U C ninguno, en cambio estas variables le
restan significancia que antes tenía la variable GASP en los anteriores modelos.
Además la desviación estándar de los errores de estas nuevas variables en el modelo es relativamente alta
para no aportar los resultados que se esperaban.
Por lo que se observado hasta el momento, la variable que tiene una mayor influencia en el consumo de
gasolina es IN COM E, ya que por el teorema de FWL se mostró que al agregarlo al modelo no afecta a la
variable GASP y ha conservado su significancia a traves de los cambios en los modelos.
5
Una cuestión a contemplar es si la gasolina tiene memoria, para esto se mostraran las gráficas de ACF de la
Demanda per cápita y el precio de la gasolina.
library(stats)
acf(datos$demanda_capita,main="Función de auto-correlación Demanda per cápita")
Función de auto−correlación Demanda per cápita
0.2 0.4 0.6 0.8 1.0
ACF
−0.2
0 5 10 15
Lag
7
acf(datos$GASP,main="Función de auto-correlación Precio Gasolina")
0.2 0.4 0.6 0.8 1.0 Función de auto−correlación Precio Gasolina
ACF
−0.2
0 5 10 15
Lag
Podemos observar que ambas ACF decaen lentamente por lo que se podría pensar que tiene memoria larga,
por lo que se ajustará a un modelo ARDL para comprobar que el consumo de la gasolina tiene memoria.
library(stargazer)
##
## Please cite as:
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Summary Statistics Tables.
## R package version 5.2.3. [Link]
consumot1 <- datos$demanda_capita[-1]
consumotm1 <- append(consumot1, 0)
datos$consumtme1 <- consumotm1
nuevosdat <- datos[-52,]
modelo4 <- lm(log(demanda_capita) ~ log(GASP) + log(INCOME)+ log(consumtme1),data = nuevosdat)
stargazer(modelo4, type="text")
##
## ===============================================
## Dependent variable:
## ---------------------------
## log(demanda_capita)
## -----------------------------------------------
## log(GASP) -0.001
8
## (0.018)
##
## log(INCOME) 0.073
## (0.063)
##
## log(consumtme1) 0.937***
## (0.058)
##
## Constant -1.495
## (1.226)
##
## -----------------------------------------------
## Observations 51
## R2 0.991
## Adjusted R2 0.990
## Residual Std. Error 0.024 (df = 47)
## F Statistic 1,638.365*** (df = 3; 47)
## ===============================================
## Note: *p<0.1; **p<0.05; ***p<0.01
Ahora se estimaran las elasticidades de largo plazo al precio y al ingreso, esto se realizará de la siguiente
forma:
β1
[Link] =
1−δ
elasLPgasp <- -0.001/(1-0.937)
elasLPincom <- 0.073/(1-0.937)
print(paste("Elasticidad a largo plazo del precio:", elasLPgasp))
## [1] "Elasticidad a largo plazo del precio: -0.0158730158730159"
print(paste("Elasticidad a largo plazo del ingreso:", elasLPincom))
## [1] "Elasticidad a largo plazo del ingreso: 1.15873015873016"
Podemos observar que respecto al precio es negativa y es menor a 0, por lo que comprueba que la gasolina es
un bien inelástico y esta totalmente relacionado a su precio.