Metodología de estimación del Indicador Sintético de la Actividad Económica de la provincia de La Pampa Versión preliminar 1 Resumen El ISAE se basa en la metodología propuesta por Stock y Watson que plantea un modelo probabilístico de espacio de estados para estimar los movimientos de una variable no observable, denominada “el estado del economía”, a partir de los movimientos de un conjunto de variables coincidentes observables. La estimación de los parámetros del modelo se realiza mediante el filtro de Kalman. Para la elaboración del indicador se estimaron varios modelos, entre los cuales se eligió el que mejor describe la coyuntura económica pampeana. Es un indicador trimestral y el período de análisis comprendió desde el año 2001 hasta mediados de 2013, aunque los resultados se presenten desde el año 2006. Las series que forman parte del modelo son: consumo de combustibles, consumo de energía productiva, faena de ganado bovino, producción de petróleo, cantidad de empleos registrados, recursos reales de origen nacional y ventas reales de alimentos y bebidas en supermercados. 2 Indice I. Introducción II. Información básica III. Metodología de estimación (Breve resumen) IV. Presentación de resultados Bibliografía 3 I. Introducción El objetivo principal de este trabajo es el de ofrecer un indicador económico de coyuntura elaborado sobre la base de datos de un conjunto mínimo de variables que determinen el estado y el rumbo de la economía local. La incorporación de series económicas utilizadas a tal efecto comprendieron 2 ejes importantes, por un lado, que reflejaran los sectores económicos relevantes del entramado productivo pampeano y, por otro lado, la rapidez de compilación de los datos, es decir, que la recolección y elaboración de la información para la estimación no debería revestir mayor complejidad. En el capítulo II, se presenta una amplia base de datos con todas las series económicas analizadas con el objetivo de seleccionar aquellas de interés estadístico. El Indicador Sintético de la Actividad Económica de (ISAE) podría evaluarse como orientador de tendencia; muy positiva, positiva, nula, negativa o muy negativa para evaluar el ritmo de crecimiento/decrecimiento de la economía local. La mayor fortaleza es la capacidad predictiva de los vaivenes de la actividad económica presente y futura, además de aportar información específica para y para el resto del país mediante definiciones homogéneas. El método de trabajo se concreta en el marco del diseño de un sistema de información ordenado y coherente orientado a satisfacer requerimientos múltiples. También se puso énfasis en presentar la información de modo fácil y accesible y dotar a los usuarios de materiales y procedimientos de consulta amigables. En el capítulo III se desarrolla la metodología de estimación del modelo que se basa en la hipótesis de que los comovimientos observados en las variables indicadoras son capturados por una única variable no observable, común a todas, denominada “estado de la economía”. Siguiendo al modelo probabilístico diseñado por Stock y Watson, cada serie incorporada al modelo, habiéndose comprobado su comportamiento “coincidente”, tiene un componente atribuible a la variable no observada o uno particular o idiosincrático, en consecuencia, el problema consiste en estimar el elemento común de su desempeño en el tiempo. En el capítulo IV se muestran los resultados obtenidos a partir del año 2006 y la última actualización correspondió al segundo trimestre del año 2013. Cabe señalar que las investigaciones se realizaron de manera conjunta entre los técnicos de la Oficina de la CEPAL en Buenos Aires con los de la Dirección General de Estadística y Censos y la 4 Universidad Nacional de La Pampa. Asimismo, las tareas estuvieron enfocadas, a través de todo el desarrollo, en la validez de los métodos para una mayor confiabilidad. Por esta razón, la totalidad de las series están disponibles en fuentes locales, como es el caso del Índice Autoponderado de Precios al Consumidor de (IPC). 5 II. Información básica La elaboración de datos útiles para el análisis y, eventualmente, para el pronóstico de la evolución económica, implica un doble problema. En primer lugar, hace falta disponer de datos básicos adecuados en cuanto a su cobertura y confiabilidad. A menudo, las insuficiencias en las estadísticas básicas limitan las posibilidades de descripción, especialmente cuando se trata de reflejar con rapidez los cambios que van ocurriendo en la economía. Si bien esto parece claro, hay también un problema simétrico. En el límite, se puede imaginar un caso hipotético en el que existiera un registro completo y sistemático de cada intercambio: esa información, en su estado bruto, sería probablemente inmanejable y, por lo tanto, de poco valor. Sin llegar a ese extremo, la información generada regularmente por estadísticas de diversas fuentes y (desde el punto de vista de los agentes económicos) aquella que se deriva de las transacciones realizadas u observadas, forma sin duda un conjunto de gran complejidad, cuya interpretación no es de ningún modo trivial. La acumulación de datos no agrega significado de por sí: es necesario organizarlos de alguna forma y reducir la dimensión del conjunto de variables para que su observación sea instructiva. En ese sentido, la recopilación de series estadísticas relacionadas con la economía de la provincia de La Pampa significó un enorme esfuerzo de trabajo debido a dos motivos excluyentes: por un lado, que tuvieran una cobertura en el tiempo por un lapso mínimo no menor a los 10 años, y por otro lado, tuvieran una periodicidad mínimamente trimestral. La cantidad de series incorporadas al análisis comprendieron poco menos de 50, como se puede apreciar en el cuadro 1, a continuación. Para la selección de la muestra se mantuvo un criterio único de recolección, es decir, se confeccionó una base de datos lo más amplia posible con una doble intención, que sirvieran de “input” para la confección del modelo que muestra el desempeño de la actividad de coyuntura económica de la provincia y con la intención de mejorar las estadísticas que dispone la Dirección General de Estadística y la Secretaría de Producción de La Pampa. Cabe destacar que no se elaboraron series nuevas sino que sólo se dispusieron las vigentes al momento de la estimación del indicador sintético de actividad económica de la provincia. 6 Cuadro 1. Compilación de series económicas relacionadas con la provincia . Base de datos para la selección de series coincidentes Nº de Serie Nombre de la serie Descripción Unidades de Medida Proceden cia (local o nacional) Fuente 1 Energía Industrial Consumo de Energía en Industrias (Inc. G.U.) KWh Local A.P.E. 2 Energía Comercial Consumo de Energía en Comercios (Inc. G.U.) KWh Local A.P.E. 3 Energía Comercial Consumo de Energía en Comercios (Sin G.U.) KWh Local A.P.E. 4 Energía Productiva Consumo de Energía Total menos Consumo de Energía para Alumbrado Público, para el Sector Público, Asociaciones sin Fines de Lucro y Residencias. KWh Local A.P.E. 5 Energía Consumo de Energía en Residencias KWh Local A.P.E. Residencial 6 Energía Rural Consumo de Energía en Zonas Rurales KWh Local A.P.E. 7 Energía Grandes Usuarios Consumo de Energía de Grandes Usuarios KWh Local A.P.E. 8 Energía Total Consumo de Energía Total KWh Local A.P.E. 9 Gas Industrial Consumo de Gas entregado a Industrias Mm3/9300cal Nacional ENARGAS 10 G.N.C. Consumo de Gas Natural Comprimido Mm3/9300cal Nacional ENARGAS 11 Gas Total Consumo Total de Gas Natural Mm3/9300cal Nacional ENARGAS 12 Producción de Gas Producción de Gas Natural Mm3 Nacional Sec. Energía 13 Producción de Gas Producción de Gas Natural Mm3 Local Dir. Minería 14 Producción de Petróleo Producción de Petróleo Mm3 Nacional Sec. Energía 16 Gas Oil Consumo de Gas Oil Mm3 Nacional Sec. Energía 17 Naftas Consumo de Naftas Mm3 Nacional Sec. Energía 18 Combustibles Consumo de Naftas + Gas Oil Mm3 Nacional Sec. Energía 19 Patentamiento Unidades Patentadas Unidades Nacional D.N.R.P.A. 20 Patentamiento Unidades Patentadas Unidades Local D.G.R. 21 Cemento Despachos de Cemento Portland Toneladas Nacional I.E.R.I.C. 22 Permisos de construcción Solicitudes de Permisos de construcción Cantidad Local D.G.E. y C. / I.N.D.E.C. 23 Permisos de construcción Solicitudes de Permisos de construcción m2 Local D.G.E. y C. / I.N.D.E.C. 24 R.O.N. Recursos de Origen Nacional recibidos por el Gobierno Provincial Pesos Reales Nacional D.N.C.F.P. 7 25 Coparticipación Recursos Coparticipables recibidos por el Gobierno Provincial Pesos Reales Nacional D.N.C.F.P. 26 IVA-IGA Recursos recibidos por el Gobierno Provincial provenientes de la coparticipación del IVA e Impuesto a las Ganancias. Pesos Reales Nacional D.N.C.F.P. 27 Otros Recursos recibidos por el Gobierno Provincial provenientes del resto de los tributos coparticipables Pesos Reales Nacional D.N.C.F.P. 28 Ventas Alimentos y Bebidas Ventas en supermercados de alimentos y bebidas Pesos Reales Local D.G.E. y C. / I.N.D.E.C. 29 Ventas de Otros Productos Ventas en supermercados de otros productos Pesos Reales Local D.G.E. y C. / I.N.D.E.C. 30 Ventas Totales Ventas Totales en supermercados Pesos Reales Local D.G.E. y C. / I.N.D.E.C. 31 Cantidad de Ventas Cantidad de operaciones en supermercados Unidades Local D.G.E. y C. / I.N.D.E.C. 32 Faena de Machos Faena Bovina de Novillos y Novillitos Cabezas Local D.G.E. y C. 33 Faena de Hembras Faena Bovina de Novillos y Novillitos Cabezas Local D.G.E. y C. 34 Faena de Terneros/as Faena Bovina de Terneros y Terneros Cabezas Local D.G.E. y C. 35 Faena Bovina Total Faena Bovina de todas las categorías Cabezas Local D.G.E. y C. 36 Faena Porcina Faena Porcina de todas las categorías Cabezas Local D.G.E. y C. 37 Faena Ovina Faena Ovina de todas las categorías Cabezas Local D.G.E. y C. 38 Faena Ovina y Porcina Faena Ovina y Porcina de todas las categorías Cabezas Local D.G.E. y C. 39 Sales Extracción de sales Miles de Toneladas Local Dir. Minería 40 Materiales Extracción de materiales de construcción Miles de Toneladas Local Dir. Minería 41 Otros Extracción de otros minerales Miles de Toneladas Local Dir. Minería 42 Tasa de Desempleo Tasa de Desempleo % Nacional I.N.D.E.C. 43 Tasa de Actividad Tasa de Actividad % Nacional I.N.D.E.C. 44 Empleo Privado Empleo Privado Registrado Personas Nacional I.N.D.E.C. 45 Remuneración Bruta Remuneración Bruta del Sector Privado Registrado Pesos Reales Nacional I.N.D.E.C. 46 Remuneración Neta Remuneración Neta del Sector Privado Registrado Pesos Reales Nacional I.N.D.E.C. Fuente: Dirección Provincial de Estadística y Censos. Una serie es un indicador por su conexión con una variable determinada, que puede no responder a un concepto definido rigurosamente, pero a la que se le asigna una interpretación por sí misma. En muchas oportunidades, sin embargo, los indicadores 8 están construidos en función de las relaciones que pueden tener entre sí: una serie se incluye a fin de asociarla con otras. Por las mismas características de los indicadores, estas relaciones no se establecen explícitamente, ni surgen de un argumento formal. Este doble carácter, puramente descriptivo, por un lado y analítico (o, al menos, orientado hacia un uso analítico), por otro, plantea de nuevo el tema de la selección y a interpretación de los indicadores. La importancia del indicador sintético radica en la prontitud de los resultados para el análisis y el pronóstico. Dado lo laborioso y complejo que resulta el cálculo del producto bruto, por la minuciosidad de la información que se compila, el indicador de coyuntura es una herramienta importante para describir el momento actual y efectuar proyecciones para escenarios futuros de la actividad. Como no mide de ninguna manera el nivel, las variaciones hacia arriba o hacia abajo predeterminan los cambios en el ciclo económico, también el valor absoluto indica el ritmo de crecimiento/decrecimiento de la economía, pudiéndose establecer aceleraciones o desaceleraciones sin ambiguedad. 9 III. Metodología de estimación (Breve resumen) El ISAE se fundamenta en la metodología propuesta por Stock y Watson la cual se basa principalmente en la hipótesis de que los comovimientos observados en las series indicadoras son capturados por una única variable no obserbable, común a todas, denominada “el estado de la economía”. Es decir, se supone que cada serie coincidente tiene un componente atribuible a la variable única no observada y un componente particular o idiosincrático. El modelo encuentra el elemento común en las fluctuaciones de las series de tiempo. Es un modelo probabilístico que se puede utilizar para estimar un proceso latente y utilizar esta estimación como indicador agregado coincidente de la actividad económica. Para la construcción del modelo se parte de la existencia de un conjunto de variables económicas observadas a lo largo del tiempo, que se supone están relacionadas contemporáneamente con las condiciones generales de la economía. A partir de ellas se define el vector x t = (x1t ,K , xGt )´ , de dimensión G x 1. En el modelo de Stock y Watson se supone que las variables del vector: x t = (x1t ,K , xGt )´ tienen dos componentes estocásticos: un componente latente que es común a las G series económicas observadas: c t , denominado el “estado de la economía”, y otro componente ν it que conforman el vector ν t , de dimensión G x 1, que representa la porción idiosincrática de cada serie coincidente observada. Ambos componentes son modelados con estructuras estocásticas lineales. Las ecuaciones que describen el modelo propuesto son las siguientes: x t = β + γ (L )c t + ν t , (1.1) ~ (L )ν = ε , D t t (1.2) φ~(L)c t = δ + ηt , (1.3) para todo t = 1, 2, …, T, siendo T la cantidad de observaciones disponibles. El símbolo L es el operador de rezago, esto es: Lk x t = x t −k . El vector ν t consiste de G procesos autorregresivos mutuamente no correlacionados, estacionarios y con media cero. El vector εt , de dimensión G x 1, y el escalar ηt se suponen no correlacionados con media ~ (L ) cero y matriz de variancias y covariancias Σ de rango (G + 1) x (G + 1). La matriz D es diagonal, de rango G x G, de manera que los elementos de ν t en las diferentes ecuaciones de (1.2) son contemporáneos y no están correlacionados. Los parámetros del modelo pueden ser expresados de la siguiente forma: γ (L ) = [γ1 (L ),γ 2 (L ),K , γ G (L )]´ , (1.4a) donde γ g (L ) = γ g 0 + γ g1L + γ g 2 L2 + K , g = 1, …, G (1.4b) 10 ~(L) = diag [d~ (L), d~ (L),K , d~ (L)] ´ , D 1 2 G (1.5a) donde d~g (L) = 1 - d~g1L - d~g2 L2 - K , g = 1, …, G (1.5b) φ~(L) = 1 - φ~1L - φ~2 L2 - K , ([ Σ = cov ε´t ,ηt ]) = diag [σ ´ (1.6) 2 2 2 2 1 , σ 2 , K , σ G , ση ]. (1.7) La ecuación (1.1) describe el hecho de que una variable coincidente observable x it es una transformación lineal de una tendencia estocástica común a todas las series, c t , perturbada aleatoriamente por un ruido intrínseco a ella ν it . Esto implica que las variables x1t ,K , x Gt son cointegradas de orden (G-1) (Engle, Granger 1987). Sin embargo, en la aplicación práctica podría ocurrir que si bien las series contienen individualmente una tendencia estocástica, es decir son integradas de orden uno (Dickey, Fuller 1979), no se verifica la cointegración entre las mismas. Entonces el sistema de ecuaciones (1.1)-(1.3) se reformula en términos de cambios (más precisamente, tasas de ~ (L ) y φ~(L) se pueden descomponer en crecimiento) de las variables. Se supone que D ~ (L ) = D( L ) Δ y φ~(L ) = φ (L)∆ , donde Δ = 1 − L . Entonces factores de manera que D ∆x t = x t - x t -1 y μ t = Δ ν t y el modelo (1.1)-(1.3) queda reexpresado como: Δxt = β + γ (L )Δct + μt , D (L )μt = εt , φ (L )Δct = δ + ηt . (1.8) (1.9) (1.10) Estas ecuaciones (1.8)-(1.10) conforman un modelo dinámico, donde el crecimiento del estado de la economía no observado, Δc t , representa el comovimiento común en el crecimiento de las variables coincidentes, Δx t ; y los residuos autorregresivos μt constituyen la porción idiosincrática de cada serie coincidente observada. También el modelo (1.8)-(1.10) puede interpretarse como una versión del modelo de análisis factorial dinámico para series de tiempo, donde la diferencia de orden uno del estado no observado Δc t , representa el factor común único no observable entre las variables Δx t . Los componentes μt de las series observadas comprenden los componentes propios de cada serie, es decir captan todos los movimientos de Δx t que no están asociados con Δc t . Si las variables económicas Xit se mueven conjuntamente con 11 la economía, entonces su componente común se puede interpretar como el estado actual de la economía, y puede plantearse como un indicador agregado coincidente de la actividad económica. La dinámica del modelo se expresa por la ecuación (1.10), denominada “ecuación de estado” o “ecuación de transición”, ella modela el crecimiento del estado de la economía como un proceso autorregresivo estacionario. La estacionariedad está asegurada porque las series que componen Δx t son estacionarias por construcción. Se supone que el estado de la economía evoluciona por la acumulación de shocks, η t . Cada uno de los shocks afecta el crecimiento de la economía en el período actual y el crecimiento futuro a través del proceso autorregresivo. La estructura autorregresiva permite que las tasas de crecimiento o decrecimiento persistan durante un tiempo, generando así los ciclos económicos. El crecimiento en el estado de la economía se describe en este modelo por la evolución de las variables observables, a través de la ecuación (1.8), también conocida como la “ecuación de medida". Las series de las variables coincidentes pueden evolucionar contemporáneamente con el estado de la economía, o adelantarse o retrasarse, dependiendo de los parámetros γ (L ) , conocidos como factor loadings, en la ecuación (1.8). Los factores propios de cada variable o componentes idiosincráticos, μt , en la ecuación de medida son estacionarios, con media igual a cero, y siguen un proceso autorregresivo, que se expresa en la ecuación (1.9). Como Δx t y Δc t son estacionarias, la estacionariedad queda asegurada. Se supone que estos factores están mutuamente no correlacionados, siendo ésta otra forma de estipular que hay un único factor común entre los indicadores. Mediante un contraste de especificación se verifica este supuesto del modelo. En el modelo de Stock y Watson las variables observadas se expresan como desviaciones respecto de sus valores medios, al igual que en el modelo de análisis factorial, es decir que primero se calcula la diferencia de orden uno de cada una de las variables coincidentes (se debe tener en cuenta que se trabaja con el logaritmo de las series) y luego las variables son estandarizadas restando su diferencia promedio y dividiendo por la desviación estándar de sus diferencias1. Esta restricción elimina la necesidad de incluir constantes en las ecuaciones (1.8) y (1.10), y así el procedimiento 1 12 proporciona una estimación de la diferencia estandarizada del logaritmo del factor dinámico latente. El indicador agregado coincidente se obtiene fijando la variable estado estimada igual a 100, para un cierto período de tiempo que se toma como de referencia para el indicador compuesto. Los cambios mensuales del indicador agregado quedan determinados al estimar Δc t y su tendencia es una media ponderada de las tendencias de las variables observadas, con ponderaciones proporcionales a las contribuciones de los indicadores coincidentes en el filtro o suavizado de Kalman. Esto significa que la importancia relativa de los indicadores en el indicador agregado está basada en la contribución de cada uno de ellos al cambio mensual en el estado de la economía. La estimación de los parámetros del modelo propuesto se realiza mediante el filtro de Kalman. El filtro es un procedimiento recursivo para calcular el estimador óptimo del vector de estado en t, utilizando la información disponible hasta ese momento. La principal característica del filtro de Kalman es que permite que la estimación del vector de espacio de estados sea actualizada a medida que se dispone de nuevas observaciones. El modelo comprende un indicador agregado coincidente que se obtiene fijando la variable estado estimada en el año base considerada, en este caso 2004. Por su parte la tendencia del indicador agregado es una media ponderada de las tendencias de las variables observadas. La importancia relativa de las series económicas coincidentes seleccionadas en el indicador agregado, está basada en la contribución de cada una al cambio trimestral del estado de la economía. 13 IV. Presentación de resultados El ISAE mostró un crecimiento moderado a lo largo del año 2013, con una variación relativa de alrededor del 2,8% en el primer semestre (respecto de igual período del año anterior). Esta evolución se explica a partir del arrastre de lo acontecido en 2012, cuando la actividad económica provincial se desaceleró a poco más del 2% anual, luego de un bienio (2010-2011) con variaciones porcentuales que oscilaron el 7% anual. Ambos modelos, con y sin petróleo, evidenciaron un desempeño similar (cuadro 2). El impacto de las series económicas coincidentes a junio de 2013 involucraron al consumo de energía productiva como el de mayor incidencia relativa con alrededor del 37% del total (en ambos modelos), mientras que los RON contribuyeron con casi el 24% (modelo sin petróleo) y poco más del 21% el modelo con petróleo. Le siguió en importancia el consumo de combustibles con más del 19% del total en relación al modelo sin petróleo y de cerca del 15% cuando se incorpora la producción petrolera. Es que esta última, contribuye con el 6% al modelo que la incluye, es decir, la pérdida de ponderación de combustibles en este modelo es de esta manera compensada. Las ventas reales de alimentos y bebidas en supermercados contribuyeron con cerca del 14%, mientras que el empleo registrado privado y la faena de bovinos contribuyeron alrededor del 5% y 1% respectivamente. Cuadro 2. Tasa de variaciones anual y trimestral del ISAE porcentajes. Años 2006 2007 2008 2009 2010 2011 2012 ISAE LP 8,2 7,7 5,4 (3,2) 7,2 7,4 2,2 2013* I-13 II-13 2,8 1,6 3,5 sin y con petróleo en ISAE LP+pet 8,6 7,6 5,6 (1,4) 6,1 7,2 2,2 * Acumulado a junio, datos sujetos a revisión ISAE LP, modelo sin petróleo. Fuente: Dirección General de Estadística y Censos de La Pampa. 14 Las series económicas coincidentes se comportaron de manera similar en la primera mitad de 2013, excepto los RON que crecieron por encima de la media en dicho lapso. En efecto, esta variable creció más de 12% y 18% en los primeros tres meses de 2013 y los siguientes tres meses con respecto a idéntico período del año previo, continuando de esta manera el mismo ritmo de la última parte del año 2012. Por su parte, el empleo privado registrado mostró sendos crecimientos (superiores al 2%) durante los dos primeros trimestres, en consonancia con el consumo de energía productiva, cuyo incremento fue del 1,5% y 0,7% en el mismo lapso de análisis. El consumo de combustibles, la faena bovina y las ventas reales de supermercado tuvieron un desempeño similar, durante el primer trimestre decrecieron y luego se condujeron positivamente. Por último, la producción petrolera verificó una fuerte aceleración hacia la mitad del año con tasas cercanas al 6% anual (Anexo). 15 I-01 II III IV I-02 II III IV I-03 II III IV I-04 II III IV I-05 II III IV I-06 II III IV I-07 II III IV I-08 II III IV I-09 II III IV I-10 II III IV I-11 II III IV I-12 II III IV I-13 II - índice base 2004=100 120 100 80 - índice base 2004=100 130 120 110 100 90 - índice base 2004=100 110 100 90 - índice base 2004=100 120 60 40 I-01 II III IV I-02 II III IV I-03 II III IV I-04 II III IV I-05 II III IV I-06 II III IV I-07 II III IV I-08 II III IV I-09 II III IV I-10 II III IV I-11 II III IV I-12 II III IV I-13 II I-01 II III IV I-02 II III IV I-03 II III IV I-04 II III IV I-05 II III IV I-06 II III IV I-07 II III IV I-08 II III IV I-09 II III IV I-10 II III IV I-11 II III IV I-12 II III IV I-13 II - índice base 2004=100 130 I-01 II III IV I-02 II III IV I-03 II III IV I-04 II III IV I-05 II III IV I-06 II III IV I-07 II III IV I-08 II III IV I-09 II III IV I-10 II III IV I-11 II III IV I-12 II III IV I-13 II I-01 II III IV I-02 II III IV I-03 II III IV I-04 II III IV I-05 II III IV I-06 II III IV I-07 II III IV I-08 II III IV I-09 II III IV I-10 II III IV I-11 II III IV I-12 II III IV I-13 II - índice base 2004=100 Empleo privado registrado 160 160 150 150 140 140 80 80 70 70 60 60 160 Consumo de combustibles 140 80 60 Faena bovina 160 140 I-01 II III IV I-02 II III IV I-03 II III IV I-04 II III IV I-05 II III IV I-06 II III IV I-07 II III IV I-08 II III IV I-09 II III IV I-10 II III IV I-11 II III IV I-12 II III IV I-13 II I-01 II III IV I-02 II III IV I-03 II III IV I-04 II III IV I-05 II III IV I-06 II III IV I-07 II III IV I-08 II III IV I-09 II III IV I-10 II III IV I-11 II III IV I-12 II III IV I-13 II - índice base 2004=100 ANEXO Consumo de energía productiva 130 120 110 100 90 300 Recursos de origen nacional reales tranferidos a la provincia 150 250 200 150 100 70 50 0 Ventas reales en supermercados de alimentos y bebidas 250 200 150 100 50 0 300 Producción de petróleo 250 200 150 100 50 0 16 Bibliografía utilizada y de consulta Burns, A. F.; Mitchell, W. C. (1946), Measuring Business Cycles, NBER, New York. Dickey, D.A.; Fuller, W.A. (1979), “Distribution of the estimators for Autoregressive Time Series with a unit root”, Journal of the American Statistical Society, 74, nº. 366, 437-431. Dirección Nacional de Cuentas Nacionales (2002), “Sistema de Cuentas Nacionales Argentinas. Estimador Mensual de Actividad Económica: Fuentes de Información y Métodos de Estimación. Octubre 2002”. Disponible en: http://www.mecon.gov.ar/peconomica/estimador_mensual/intro.htm Engle, R. F.; Granger, C.W.J. (1987), “Co-integration and Error Correction: Representation, Estimation and Testing”, Econometrica, 55, 251-276. Jorrat, J. M.; Sal Paz, L.; Catalán, M. J. (2002), “Ajuste Estacional de las Series Económicas de Argentina”. Anales XXXVII Reunión Anual Asociación Argentina de Economía Política. En página web www.aaep.org.ar. Jorrat, J. (2003), “Indicador Económico Regional: El Índice Mensual de Actividad Económica de Tucumán (IMAT)”. Anales XXXVIII Reunión Anual Asociación Argentina de Economía Política. En página web www.aaep.org.ar. Stock, J. H.; Watson, M. W. (1988), “A probability model of the coincident economic indicators”, NBER, Working Paper n°. 2772. Stock, J. H.; Watson, M. W. (1989), “New indexes of coincident and leading economic indicators”, NBER Macroeconomics Annual, 351–394. Stock, J. H.; Watson, M. W. (1999), “Business cycle fluctuations in US macroeconomic time series”, NBER, Working Paper n°. 6528. Universidad Torcuato di Tella, Centro de Investigación en Finanzas y Mercado de Capitales. (1999), “Indicador Líder del Nivel de Actividad Económica. Descripción de la Metodología”. U.S. Census Bureau. (2002), X-12-ARIMA Reference Manual, version 0.2.10. Time Series Staff, Statistical Research Division. 17