Working Paper Series Economic Development. Econometrics. Faculty of Economics and Business. University of Santiago de Compostela No.

(1)

Working Paper Series Economic Development. Econometrics.

Faculty of Economics and Business. University of Santiago de Compostela

No. 77

MODELOS ECONOMETRÍCOS DEL EMPLEO EN ESPAÑA: ANÁLISIS COMPARATIVO DE ESPECIFICACIONES DINÁMICAS E IMPACTO DE LA INDUSTRIA MANUFACTURERA

SOBRE EL EMPLEO NO AGRARIO, 1964-2003.

GUISAN, Maria-Carmen, [email protected] Faculty of Economics University of Santiago de Compostela First published: May 2004

http://www.usc.es/economet/welcomei.htm 1.- Introducción

El principal objetivo de este artículo es comparar varias especificaciones dinámicas para la estimación de la función de empleo no agrario, incluyendo 4 modelos básicos que relacionan el empleo no agrario de España en el período 1965-2002, con el Valor Añadido No Agrario en términos reales, y que difieren entre sí por la forma funcional: modelo en niveles, modelo en incrementos, modelo CE en dos versiones, y modelo dinámico mixto. Dichos modelos causales básicos se comparan con un modelo ARIMA, un modelo VAR y con 3 modelos basados en teorías económicas relacionadas con la función de producción.

Los 3 modelos causales basados en la función de producción siguen los 3 enfoques siguientes: a) Ecuación de empleo basada en la productividad marginal del trabajo. Este enfoque asume que el Valor Añadido es explicado por la función de producción y que la maximización del beneficio conduce a una ecuación en la que el empleo deseado por las empresas coincide con el valor que permite que la productividad marginal del trabajo sea proporcional al salario. En este enfoque el empleo depende positivamente del VAB , negativamente del salario (para un nivel dado de Valor Añadido) pero no depende del stock de capital.

b) Ecuación de empleo basada en la función de producción. Este enfoque asume que el Valor Añadido es explicado fuera de la función de producción (bien por parte de la demanda bien por parte de otros factores de oferta no incluidos en la función de producción como los inputs intermedios) y que el empleo deseado por las empresas es explicado por la función de producción. En este enfoque el empleo depende positivamente del VAB, negativamente del Stock de Capital Físico (para un nivel dado de Valor Añadido), pero no depende del salario.

c) Ecuación de mantenimiento del tipo de beneficio. Este enfoque asume que el Valor Añadido es explicado fuera de la función de producción y que el empleo deseado por las empresas también es explicado fuera de la función de producción, siendo el Stock de Capital Utilizado la variable explicada por la función de producción en el caso en que el stock disponible no se utilice de forma próxima a su utilización plena. En este enfoque el empleo depende positivamente del VAB y negativamente del salario y del stock de capital (para un valor dado del Valor Añadido).

(2)

En diversas aplicaciones previas a países de la OCDE como en Guisán(1987) se comprobó que la tercera opción es la más adecuada cuando existen restricciones de oferta y/o demanda que impiden alcanzar un alto grado de utilización de la capacidad disponible del Stock de Capital Físico. En las estimaciones que presentamos en la próxima secciones deducimos que éste último modelo es que el que manifiesta una mayor bondad del ajuste en el caso de la economía española durante el período 1965-2000.

La sección 3 presenta una síntesis de la bondad del ajuste de los modelos estimados y otros análisis complementarios.

La sección 4 analiza los principales factores que explican la evolución del empleo no agrario en España y relaciona el incremento del empleo y el Valor Añadido no agrario con el incremento de la producción manufacturera y el comercio exterior. Completaremos este análisis en una versión posterior, comparando la capacidad predictiva de los modelos y comparando sus resultados con los de otros modelos de empleo estimados con datos de la economía española.

Por último la sección 5 presenta las principales conclusiones. 2.- Estimación de nueve modelos dinámicos del empleo en España

Las fuentes de datos son las estadísticas del INE para todas las variables excepto para el Stock de Capital Físico cuya fuente es el BBVA. Las variables utilizadas son:

LNAE = empleo no agrario de España (miles de personas)

ZQNA95E = Valor Añadido no Agrario de España en millones de Euros a precios de 1995. ZSK95E = Stock de Capital Físico de España, en millones de Euros a precios de 1995. Las siguientes tablas presentan la estimación MCO de los modelos estimados. En la próxima sección comparamos también la bondad del ajuste con las estimaciones MCG para los modelos que presentaron problema de autocorrelación.

Modelo 1. Modelo dinámico en niveles Dependent Variable: LNAE

Method: Least Squares Sample(adjusted): 1965 2002

Included observations: 38 after adjusting endpoints

Variable Coefficient Std. Error t-Statistic Prob. C -208.5589 512.5009 -0.406943 0.6865 ZQNA95E 1.402424 1.597206 0.878049 0.3859

LNAE(-1) 1.000560 0.093266 10.72802 0.0000 R-squared 0.968121 Mean dependent var 10120.99

Adjusted R-squared 0.966299 S.D. dependent var 1804.858 S.E. of regression 331.3309 Akaike info criterion 14.51977 Sum squared resid 3842307. Schwarz criterion 14.64905

(3)

Modelo 2. Modelo dinámico en incrementos. Dependent Variable: D(LNAE)

Variable Coefficient Std. Error t-Statistic Prob. D(ZQNA95E) 28.55807 3.877101 7.365831 0.0000 R-squared 0.440342 Mean dependent var 212.8085 Adjusted R-squared 0.440342 S.D. dependent var 349.7075 S.E. of regression 261.6172 Akaike info criterion 13.99761 Sum squared resid 2532412. Schwarz criterion 14.04070 Log likelihood -264.9545 Durbin-Watson stat 1.265215

Modelo 3 en incrementos tipo CE. Relación a largo plazo:

Dependent Variable: LNAE Method: Least Squares Sample: 1964 2002 Included observations: 39

Variable Coefficient Std. Error t-Statistic Prob. C 4962.912 337.4963 14.70508 0.0000 ZQNA95E 17.40076 1.095818 15.87924 0.0000 R-squared 0.872039 Mean dependent var 10046.34

Adjusted R-squared 0.868580 S.D. dependent var 1840.957 S.E. of regression 667.3805 Akaike info criterion 15.89452 Sum squared resid 16479678 Schwarz criterion 15.97983 Log likelihood -307.9431 F-statistic 252.1503 Durbin-Watson stat 0.188063 Prob(F-statistic) 0.000000

Modelo 3.1. Relación a corto plazo del modelo CE no contemporáneo Dependent Variable: D(LNAE)

Variable Coefficient Std. Error t-Statistic Prob. D(LNAE(-1)) 0.449769 0.180577 2.490727 0.0178 D(ZQNA95E(-1)) 15.53975 6.262438 2.481422 0.0182

UF(-1) -0.133520 0.080040 -1.668162 0.1045 R-squared 0.529002 Mean dependent var 204.3739

Adjusted R-squared 0.501296 S.D. dependent var 350.5908 S.E. of regression 247.5836 Akaike info criterion 13.93898 Sum squared resid 2084119. Schwarz criterion 14.06959 Log likelihood -254.8711 Durbin-Watson stat 1.775962

(4)

Modelo 3.2. Relación a corto plazo del modelo CE contemporáneo Dependent Variable: D(LNAE)

Variable Coefficient Std. Error t-Statistic Prob. D(LNAE(-1)) 0.460285 0.156038 2.949835 0.0057 D(ZQNA95E) 16.24813 5.416358 2.999826 0.0050

UF(-1) -0.096728 0.080763 -1.197679 0.2393 R-squared 0.560127 Mean dependent var 204.3739

Modelo 4. Dinámico Mixto Dependent Variable: LNAE Method: Least Squares Sample(adjusted): 1965 2002

Variable Coefficient Std. Error t-Statistic Prob. LNAE(-1) 0.983452 0.008174 120.3167 0.0000 D(ZQNA95E) 41.73182 7.497667 5.565974 0.0000 R-squared 0.981137 Mean dependent var 10120.99 Adjusted R-squared 0.980613 S.D. dependent var 1804.858 S.E. of regression 251.3063 Akaike info criterion 13.94242 Sum squared resid 2273574. Schwarz criterion 14.02861 Log likelihood -262.9059 Durbin-Watson stat 1.535879

Modelo 5. ARIMA(1,1,0) Dependent Variable: D(LNAE) Method: Least Squares

Date: 05/13/04 Time: 12:07 Sample(adjusted): 1966 2002

Variable Coefficient Std. Error t-Statistic Prob. D(LNAE(-1)) 0.701956 0.116016 6.050510 0.0000 R-squared 0.331025 Mean dependent var 204.3739 Adjusted R-squared 0.331025 S.D. dependent var 350.5908 S.E. of regression 286.7512 Akaike info criterion 14.18176 Sum squared resid 2960146. Schwarz criterion 14.22530

(5)

Fase de chequeo. Modelo ARIMA(1,1,0) para LNAE Sample: 1964 2002

Included observations: 37

Autocorrelation Partial Correlation AC PAC Q-Stat Prob . *| . | . *| . | 1 -0.083 -0.083 0.2761 0.599 . | . | . | . | 2 0.046 0.039 0.3627 0.834 . | . | . | . | 3 -0.029 -0.023 0.3990 0.940 . | . | . *| . | 4 -0.054 -0.061 0.5286 0.971 . | . | . | . | 5 -0.041 -0.049 0.6058 0.988 . | . | . | . | 6 -0.046 -0.050 0.7040 0.994 . *| . | . *| . | 7 -0.102 -0.111 1.2012 0.991 .**| . | .**| . | 8 -0.234 -0.262 3.9144 0.865 . |* . | . |* . | 9 0.126 0.081 4.7283 0.857 . | . | . | . | 10 0.021 0.045 4.7518 0.907 . | . | . | . | 11 0.001 -0.041 4.7519 0.943 . |* . | . |* . | 12 0.186 0.160 6.7551 0.873 . | . | . | . | 13 0.021 0.045 6.7827 0.913 . | . | . | . | 14 0.052 0.024 6.9521 0.937 . |* . | . |* . | 15 0.135 0.128 8.1479 0.918 . *| . | . *| . | 16 -0.089 -0.088 8.6936 0.925 . *| . | . *| . | 17 -0.105 -0.063 9.4936 0.923 . | . | . |* . | 18 0.061 0.103 9.7801 0.939 . | . | . | . | 19 -0.040 0.009 9.9091 0.955 . *| . | . *| . | 20 -0.132 -0.069 11.378 0.936 . *| . | . *| . | 21 -0.095 -0.136 12.189 0.934 . | . | . | . | 22 -0.007 -0.003 12.194 0.953 . *| . | . *| . | 23 -0.109 -0.099 13.408 0.943 . | . | .**| . | 24 0.000 -0.189 13.408 0.959

Modelo 6. Modelo VAR(2). Dependent Variable: LNAE Method: Least Squares Sample: 1966 2002 Included observations: 37

Variable Coefficient Std. Error t-Statistic Prob. LNAE(-1) 1.069611 0.159930 6.687999 0.0000 LNAE(-2) -0.144934 0.151916 -0.954042 0.3470 ZQNA95E(-1) 40.15983 9.625191 4.172367 0.0002 ZQNA95E(-2) -38.21945 9.492769 -4.026164 0.0003 R-squared 0.985084 Mean dependent var 10185.49 Adjusted R-squared 0.983728 S.D. dependent var 1784.803 S.E. of regression 227.6706 Akaike info criterion 13.79548 Sum squared resid 1710520. Schwarz criterion 13.96964 Log likelihood -251.2164 Durbin-Watson stat 1.946504

(6)

Modelo 7. Modelo de Función de Productividad. Estimación MCO. Dependent Variable: LNAE

Method: Least Squares Sample: 1965 2000 Included observations: 36

Variable Coefficient Std. Error t-Statistic Prob. D(ZQNA95E/W95E) 281.7584 60.92430 4.624729 0.0001

LNAE(-1) 1.011231 0.004187 241.5331 0.0000 R-squared 0.973998 Mean dependent var 9843.740

Modelo 8.- Modelo de función de producción Estimación MCO Dependent Variable: LOG(LNAEPRIV)

Variable Coefficient Std. Error t-Statistic Prob. D(LOG(QNA95EPRI V)) 0.977475 0.213482 4.578717 0.0001 D(LOG(SK95E)) -0.475484 0.318868 -1.491164 0.1454 LOG(LNAEPRIV(-1)) 0.999976 0.001086 920.6966 0.0000 R-squared 0.963525 Mean dependent var 8.997714 Adjusted R-squared 0.961314 S.D. dependent var 0.126753 S.E. of regression 0.024931 Akaike info criterion -4.465780 Sum squared resid 0.020511 Schwarz criterion -4.333820 Log likelihood 83.38404 Durbin-Watson stat 1.438938 SCE(lnaepriv) 330688

Modelo 9. Modelo de mantenimiento del tipo de beneficio deseado. Dependent Variable: LNAEPRIV

Method: Least Squares Sample: 1965 2000 Included observations: 36

Variable Coefficient Std. Error t-Statistic Prob. D(ZQNA95EPRIV/W

95E)

514.8372 132.5630 3.883716 0.0005 D(ZSK95E/W95E) -111.3636 60.69839 -1.834704 0.0756

LNAEPRIV(-1) 1.014542 0.005069 200.1580 0.0000 R-squared 0.965963 Mean dependent var 8148.973 Adjusted R-squared 0.963900 S.D. dependent var 1060.590

(7)

3.- Comparación de los resultados de los nueve modelos de empleo no agrario de España La tabla 1 presenta la comparación del % que el error Standard (SE) supone respecto a la media de la variable LNAE en cada una de las estimaciones sin corrección de autocorrelación, mientras que la tabla 2 presenta los resultados correspondientes a las estimaciones con corrección de la autocorrelación de la perturbación cuando ha estado presente. SE es la raíz cuadrada del cociente entre la Suma de Cuadrados de Errores y los grados de libertad, siendo T el tamaño muestras y k* el número de parámetros estimados: SE=Sqr(SCE/(T-k*))

Tabla 1. Comparación de modelos sin corrección de autocorrelación

Modelo SCE T-k* SE Media %SE

1. Básico Nivel 3842307 35 331.33 10121 3.27 2. Básico Incrementos 2532412 37 261.62 10121 2.58 3. 1. Básico CE sin DX 2084119 34 247.58 10185 2.43 3.2. Básico CE con DX 1946394 34 239.26 10185 2.35 4. Básico Mixto 2273574 36 251.31 10121 2.48 5. ARIMA(1,1,0) 2960146 36 286.75 10185 2.82 6. VAR(2) 1710520 33 227.67 10185 2.24 7.Productividad MCO 1765086 34 227.85 9844 2.31 8. Producción MCO 1330688 33 200.81 9844 2.04 9..Beneficio esperado MCO 1340042 33 201.51 9844 2.05 Tabla 2. Comparación de modelos con corrección de autocorrelación

Modelo SCE T-k* SE Media %SE

1. Básico Nivel 1497964 33 213.06 10185 2.09 2. Básico Incrementos 2140721 35 247.31 10185 2.43 3. 1. Básico CE sin DX 2084119 34 247.58 10185 2.43 3.2. Básico CE con DX 1946394 34 239.26 10185 2.35 4. Básico Mixto 2077466 34 247.19 10185 2.43 5. ARIMA(1,1,0) 2960146 36 286.75 10185 2.82 6. VAR(2) 1710520 33 227.67 10185 2.24 7. Productividad 1141112 33 188.84 9904 1.91 8. Producción 1052744 31 184.28 9904 1.86 9.Beneficio esperado 991465 31 178.84 9904 1.81

4.- Principales factores que influyen en el nivel de empleo (se completará próximamente) 5.- Conclusiones

Todos los modelos proporcionan una bondad del ajuste muy elevada, siendo los mejores los de las 3 últimas filas de la tabla 2. Entre ellos preferimos el modelo 9 pues tiene en cuenta tanto la influencia del VAB como la del stock de capital físico y del salario. Es un modelo más completo que los otros. Dada la importancia que tiene la evolución del VAB no agrario para incrementar el empleo es de gran importancia el análisis de la sección 4 que se completará próximamente, y en el que tendremos en cuenta de forma especial la influencia positiva que QM tiene sobre QNM, siendo QM el valor añadido manufacturero, como se pone de manifiesto en Guisán y Aguayo(2001) (ver http://www.usc.es/economet/eers.htm