universidad nacional mayor de san...

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD DE CIENCIAS ECONÓMICAS E.A.P. DE ECONOMÍA

El problema del racionamiento del crédito en el sistema bancario peruano : Como factor explicativo fundamental en el costo de crédito Anexos

TRABAJO DE INVESTIGACIÓN

Para optar el Título de Economista

AUTOR

Rafael Bustamante Romaní

LIMA – PERÚ

2005

17. ANEXOS

Anexo I: El periodo muestral y la data empleada para el Modelo de Desequilibrio Recurriendo a la información estadística proporcionada por la SBS y el BCRP para los años 1995 y inicios del 2005 se trabaja con variables tanto en moneda nacional como en moneda extranjera. Es importante nombrar que se considerarán más relevantes al momento de analizar la existencia de racionamiento del crédito en el modelo en ME debido a que el monto de préstamo en esta moneda aproximadamente triplica la cantidad dada en MN, es decir que, a pesar que la oferta de crédito en MN ha estado restringida durante períodos anteriores a la crisis de 1998, este hecho no ha causado un impacto lo suficientemente fuerte como para haber causado un Credit Crunch216 durante ese período. Ambos modelos refuerzan los planteamientos sugeridos en el presente trabajo y confirman la existencia del fenómeno de Racionamiento del Crédito, así como de la existencia de Credit Crunch durante la época relevante. Además de ello, como ya se explicó en el transcurso del trabajo, el objetivo principal es demostrar la existencia del racionamiento del crédito sigue vigente y que el Credit Crunch no es sino una agudización del problema producto de choques financieros externos. Esto para recalcar que las variables que se usan para demostrar la existencia de Credit Crunch son válidas para demostrar la existencia de Racionamiento para un periodo muestral más amplio. Toda la data es mensual y comprende el período de Enero 1995 hasta Marzo del 2005. Asimismo, las variables empleadas fueron limpiadas de estacionalidad, mediante programas y comandos del Eviews. Los programas utilizados para analizar la presencia de raíces unitarias fueron Dickey-Fuller Aumentado, el test de Dickey Fuller secuencial y el test de KPSS. Además de ello los test fueron sometidos a los test de quiebre estructural como el de Phillips Perron. Sin embargo, se debe nombrar que, a pesar de detectarse quiebre en alguna de las variables utilizadas (incluso en la variable dependiente), este no fue corregido ya

216 Como se mencionó Credit Crunch es solo una agudización del problema del racionamiento del crédito causado por shocks financieros externos.

312

que, como afirma S. Ghosh y A. Ghosh (1999)217, la estimación en primeras diferencias pierde intuición (es decir, el hecho de que el crecimiento de la oferta de Crédito exceda el crecimiento de la demanda de crédito no significa que la oferta de crédito no sea la causante del racionamiento del crédito en la economía). Cabe resaltar que la estimación en niveles es legítima siempre y cuando las variables no estacionarias que aparecen a ambos lados de un modelo de regresión estén cointegradas218. Además, para el presente caso, S. Ghosh y A. Ghosh (1999)219, una vez que se han estimado los parámetros vía maximización del loglikelihood- función de verosimilitud- se debe verificar que tanto la demanda como la oferta estimada en para estos valores forme un vector de cointegración con el crédito observado. De este modo, se observa los resultados del Test de Johansen220 obtenidos para el caso del modelo en moneda extranjera y moneda nacional.

217 Ghosh, Swati y Atish Ghosh, East Asia in the Aftermath - Was There a Crunch?, IMF Working Paper WP/99/38, 1999. En muchas secciones de la literatura de modelos de desequilibrio se ignora o no se menciona el problema de raíz unitaria en las series y el modelo es estimado en niveles. Por ejemplo, Pazarbaçioglu, Ceyla, A Credit Crunch? Finland in the Aftermath of the Banking Crisis, IMF Staff Papers, Vol. 44, No.3, pp. 315-327, 1997 y Maddala, G.S. y Nelson Forrest, Maximum Likelihood Methods for Models of Markets in Disequilibrium, Econometrica, Vol. 42 No. 6, 1974, pp. 1013-1030. 218 Ver Novales, Alonso, Econometría, Mc Graw-Hill, 2da Edición, 1993, pp. 492 y Carlos Casas, Econometría moderna, CIUP, 2001, En elaboración. Cap. 18 “Cointegracion”. 219 Ghosh, Swati y Atish Ghosh, East Asia in the Aftermath - Was There a Crunch?. IMF Working Paper WP/99/38, 1999. 220 Este test se encuentra entre las opciones del programa, la hipótesis planteada es que no existe cointegración entre las series.

313

Tabla No. 4 Descripción de las Variables Usadas221

(Credme y Credmn)

Crédito real al sector privado en moneda extranjera y nacional. Crédito observado deflactado por el Índice de Precios al Consumidor (IPC) base 1994.

Banco Central de Reserva del Perú.

(Tamex y Tamn)

Tasa de interés activa real en moneda nacional y extranjera. Tasa de interés nominal deflactada por la inflación del período respectivo.


(Spread= Tactiva -Tpasiva)

Tasa de interés pasiva real en moneda nacional y extranjera. Tasa de interés nominal deflactada por la inflación del período respectivo.


(Prme, Prmn= Tactiva – T-bill

T-bill a 3 años. Bloomberg.

Capcred Capacidad real de préstamo. Pasivo total de los bancos-caja-reservas requeridas, deflactado por el IPC base 2001.

Superintendencia de Banca y Seguros.

(Log_pbisa)

Producto Bruto Interno (PBI) real. PBI nominal deflactado por el IPC base 2001, desestacionalizado y tomado en logaritmos.


(Pbigap)

Brecha del PBI. La construcción de esta variable ha sido explicada anteriormente.

(inflación)

Inflación mensual tomada en logaritmos.


dt (dummy)

Variable dummy que se activa a partir de Agosto de 1998 (período en el que se considera que inicia el período de crisis).

(Log_igvbl)

Índice General de la Bolsa de Valores de Lima (IGBVL). Logaritmo del IGBVL.


221 La información entre paréntesis corresponde al nombre de las variables utilizadas en los programas econométrico utilizado.

314

Anexo II: Pruebas de Cointegración para justificar la no diferenciación de las variables explicativas en el modelo de desequilibrio tanto en Moneda Nacional como en Moneda Extranjera

Tabla No. 2

Test de Cointegración de Johansen para el Modelo en ME: 1995-2005

Ecuación de Demanda

Included observations: 118 after adjustments Trend assumption: Linear deterministic trend (restricted) Series: DEMANDAME CREDME1R Lags interval (in first differences): 1 to 4

Hypothesized Trace 5 Percent 1 Percent No. of CE(s) Eigenvalue Statistic Critical Value Critical Value

None * 0.150430 29.61345 25.32 30.45 At most 1 0.084181 10.37649 12.25 16.26

Trace test indicates 1 cointegrating equation(s) at the 5% level Trace test indicates no cointegration at the 1% level *(**) denotes rejection of the hypothesis at the 5%(1%) level

Hypothesized Max-Eigen 5 Percent 1 Percent No. of CE(s) Eigenvalue Statistic Critical Value Critical Value

None * 0.150430 19.23697 18.96 23.65 At most 1 0.084181 10.37649 12.25 16.26

Max-eigenvalue test indicates 1 cointegrating equation(s) at the 5% level Max-eigenvalue test indicates no cointegration at the 1% level *(**) denotes rejection of the hypothesis at the 5%(1%) level Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I):

DEMANDAME CREDME1R @TREND(95M02) -0.026662 0.015424 0.049335 0.028238 -0.006392 -0.007706

Unrestricted Adjustment Coefficients (alpha): D(DEMANDAME) 5.079675 -11.60089 D(CREDME1R) -1.926900 -0.740609

1 Cointegrating Equation(s): Log likelihood -968.0045 Normalized cointegrating coefficients (standard error in parentheses)

315

DEMANDAME CREDME1R @TREND(95M02) 1.000000 -0.578482 -1.850370

(0.14422) (0.38380) Adjustment coefficients (standard error in parentheses) D(DEMANDAME) -0.135436

(0.10716) D(CREDME1R) 0.051376

(0.01345)

Ecuación de Oferta

Sample (adjusted): 1995M06 2005M03 Included observations: 118 after adjustments Trend assumption: Linear deterministic trend Series: OFERTAME CREDME1R Lags interval (in first differences): 1 to 4


None * 0.087648 16.82192 15.41 20.04

At most 1 * 0.049559 5.997884 3.76 6.65 Trace test indicates 2 cointegrating equation(s) at the 5% level Trace test indicates no cointegration at the 1% level *(**) denotes rejection of the hypothesis at the 5%(1%) level


None 0.087648 10.82403 14.07 18.63 At most 1 * 0.049559 5.997884 3.76 6.65

Max-eigenvalue test indicates no cointegration at both 5% and 1% levels *(**) denotes rejection of the hypothesis at the 5%(1%) level Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I):

OFERTAME CREDME1R -0.070119 0.058565 0.049838 -0.060891

Unrestricted Adjustment Coefficients (alpha): D(OFERTAME) 4.330848 0.286723 D(CREDME1R) 0.250781 1.243410


OFERTAME CREDME1R 1.000000 -0.835225

(0.06953)

316

Adjustment coefficients (standard error in parentheses) D(OFERTAME) -0.303673

(0.09468) D(CREDME1R) -0.017584

(0.03808)

Gráfico No 1

Prueba Gráfica de la Existencia de una relación de largo plazo entre el crédito en ME

y la ecuación de Oferta estimada

317

Gráfico No 2

Prueba Gráfica de la Existencia de una relación de largo plazo entre el crédito en ME

y la ecuación de demanda estimada

Tabla N 4

Test de Cointegración de Johansen para el Modelo en MN: 1995-2005

Oferta

Sample (adjusted): 1995M03 2005M03 Included observations: 121 after adjustments Trend assumption: Linear deterministic trend (restricted) Series: OFERTAMN CREDMNR Lags interval (in first differences): 1 to 1


None ** 0.185679 31.27855 25.32 30.45

At most 1 0.051715 6.425098 12.25 16.26 Trace test indicates 1 cointegrating equation(s) at both 5% and 1% levels *(**) denotes rejection of the hypothesis at the 5%(1%) level

Hypothesized Max-Eigen 5 Percent 1 Percent

318

No. of CE(s) Eigenvalue Statistic Critical Value Critical Value

None ** 0.185679 24.85346 18.96 23.65 At most 1 0.051715 6.425098 12.25 16.26

Max-eigenvalue test indicates 1 cointegrating equation(s) at both 5% and 1% levels *(**) denotes rejection of the hypothesis at the 5%(1%) level Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I):

OFERTAMN CREDMNR @TREND(95M02) 0.097826 -0.036020 0.036850 -0.018477 0.140062 -0.033230

Unrestricted Adjustment Coefficients (alpha): D(OFERTAMN) -0.791923 0.156045 D(CREDMNR) -0.372310 -0.339518


OFERTAMN CREDMNR @TREND(95M02) 1.000000 -0.368200 0.376685

(0.26415) (0.07158) Adjustment coefficients (standard error in parentheses)

D(OFERTAMN) -0.077471 (0.01623)

D(CREDMNR) -0.036422 (0.01523)

Demanda

Sample (adjusted): 1995M10 2005M03 Included observations: 114 after adjustments Trend assumption: Linear deterministic trend (restricted) Series: DEMANDAMN CREDMNR Lags interval (in first differences): 1 to 8


None * 0.167731 28.56748 25.32 30.45 At most 1 0.064798 7.637113 12.25 16.26

Trace test indicates 1 cointegrating equation(s) at the 5% level Trace test indicates no cointegration at the 1% level *(**) denotes rejection of the hypothesis at the 5%(1%) level


319

None * 0.167731 20.93036 18.96 23.65 At most 1 0.064798 7.637113 12.25 16.26

Max-eigenvalue test indicates 1 cointegrating equation(s) at the 5% level Max-eigenvalue test indicates no cointegration at the 1% level *(**) denotes rejection of the hypothesis at the 5%(1%) level Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I):

DEMANDAMN CREDMNR @TREND(95M02) -0.045975 -0.196313 0.021474 0.243136 -0.019230 -0.051292

Unrestricted Adjustment Coefficients (alpha): D(DEMANDAMN) 0.267879 -0.285472

D(CREDMNR) 0.580067 0.192869 1 Cointegrating Equation(s): Log likelihood -396.7599 Normalized cointegrating coefficients (standard error in parentheses)

DEMANDAMN CREDMNR @TREND(95M02) 1.000000 4.269961 -0.467074

(0.98213) (0.18092) Adjustment coefficients (standard error in parentheses) D(DEMANDAMN) -0.012316

(0.00596) D(CREDMNR) -0.026669

(0.00703)

320

Gráfico No 3

Prueba Gráfica de la Existencia de una relación de largo plazo entre el crédito en MN

y la ecuación de demanda estimada

Como se puede observar gráficamente se podría decir que existe una relación de largo plazo entre las

variables por el lado de la demanda.

321

Gráfico No 4

Prueba Gráfica de la Existencia de una relación de largo plazo entre el crédito en MN

y la ecuación de oferta estimada

Como se puede observar gráficamente se podría decir que existe una relación de largo plazo entre las

variables por el lado de la oferta aunque esta relación no es muy notoria para periodos finales.

322

ANEXO III: Pruebas de significancia del modelo de Desequilibrio Para ver la significancia global del modelo de Desequilibrio aplicamos el test de significancia global Para el caso del Modelo de Desequilibrio en MN

Wald Test: LogL: LOGL_MN

Test Statistic Value df Probability

Chi-square 33797.87 10 0.0000

Null Hypothesis Summary:

Normalized Restriction (= 0) Value Std. Err.

FIRST_S(1) 81.50881 213.1310 FIRST_S(2) -2.988274 0.621921 FIRST_S(3) 0.080245 0.009924 FIRST_S(4) -2.777730 22.26312 FIRST_S(5) -7.226508 1.678873 FIRST_S(6) 2.498546 0.463964 FIRST_D(1) -210.8052 119.4676 FIRST_D(2) -1.526449 0.137482 FIRST_D(3) 21.28246 12.74620 FIRST_D(4) -0.000965 0.000578

Restrictions are linear in coefficients. Estimado por el paquete econometrico Eviews 5.0

323

Para el caso del Modelo en Moneda Extranjera, tenemos:

Wald Test: LogL: LOGL_ME

Test Statistic Value df Probability

Chi-square 53391.62 10 0.0000

Null Hypothesis Summary:

Normalized Restriction (= 0) Value Std. Err.

FIRST_S(1) 1716.032 614.2898 FIRST_S(2) -4.698403 4.460915 FIRST_S(3) 0.673023 0.045272 FIRST_S(4) -183.5136 64.38972 FIRST_S(5) 81.66456 7.732734 FIRST_S(6) 6.614181 2.491032 FIRST_D(1) -14149.43 180.5905 FIRST_D(2) 18.44902 3.111151 FIRST_D(3) 1620.728 21.81121 FIRST_D(4) -0.003038 0.009882

Restrictions are linear in coefficients.

Estimado por el paquete econométrico Eviews 5.0

324

ANEXO IV

Análisis de quiebre estructural para el Modelo de Desequilibrio Para realizar esto partiremos del uso del programa del Test de Chow recursivo con el objeto de detectar la fecha de quiebre que va de acuerdo con nuestros resultados. Partimos del modelo:

Dependent Variable: CREDME1R Method: Least Squares

Variable Coefficient Std. Error t-Statistic Prob. C 555.3374 514.0873 1.080240 0.2824

SPREADME -3.924972 3.511034 -1.117896 0.2661 CAPCRED1R 0.620263 0.028036 22.12360 0.0000 LOG_PBIRSA -59.92560 53.91538 -1.111475 0.2688

DUMMY 75.96709 4.681176 16.22821 0.0000 PRME 5.959672 2.188786 2.722820 0.0075

R-squared 0.960070 Mean dependent var 328.4462 Adjusted R-squared 0.958222 S.D. dependent var 76.39009 S.E. of regression 15.61394 Akaike info criterion 8.385401 Sum squared resid 26329.87 Schwarz criterion 8.529411 Log likelihood -471.9679 F-statistic 519.3506 Durbin-Watson stat 0.870271 Prob(F-statistic) 0.000000

Según el test de Chow recursivo tenemos el siguiente resultado:

Período Fecha F_Stat F_Prob 43 1998:07 65.860220 0.0000000

Que es una fecha muy cercana a la fecha de quiebre que habíamos obtenido de la literatura (agosto de 1998). Adicionalmente recurrimos a las pruebas recursivas de quiebre estructural:

325

Anexo V: Relacionado al modelo de datos de panel Para el caso de la totalidad de los Bancos

327

La gráfica nos muestra que para el caso de la estimación de datos de panel mediante efectos Fijos los residuos del modelo estimado, asociado a cada uno de los bancos tiene comportamiento ruido blanco estacionario entonces siguiendo la metodología Engle y Granjer podríamos justificar la no diferenciación de las series por que existe un vector de cointegración en le panel.

330

Para el caso de los bancos grades nos hemos tomado la molestia de pasar los residuos estimados por el modelo de datos de panel, por el test de Normalidad con un objeto de mostrar el comportamiento normal de los residuos que me garantizan la buena especificación del modelo de datos de panel.

332

Con respecto a los Bancos Grandes

La gráfica nos muestra que para el caso de la estimación de datos de panel mediante efectos Fijos los residuos del modelo estimado, asociado a cada uno de los bancos tiene comportamiento ruido blanco

333

estacionario entonces siguiendo la metodología Engle y Granjer podríamos justificar la no diferenciación de las series por que existe un vector de cointegración en le panel.

Con Respecto a los Bancos Medianos

La gráfica nos muestra que para el caso de la estimación de datos de panel mediante efectos Fijos los residuos del modelo estimado, asociado a cada uno de los bancos tiene comportamiento ruido blanco estacionario entonces siguiendo la metodología Engle y Granjer podríamos justificar la no diferenciación de las series por que existe un vector de cointegración en le panel.

334

Para el caso de Bancos Pequeños

La idea detrás de esto es que cada uno de los residuos se comporte normalmente. De tal forma que garanticen que el modelo esta bien especificado y además que garanticen una muy probable relación de cointegración entre las variables en estudio validando así el hecho de no haber diferenciado variables no

335

estacionarias con la perdida de información que conlleva esto y además con la perdida de sentido económico en muchas de ellas.

Test de Hausman para ver la relevancia del uso de efectos Fijos en lasestimaciones de Datos de Panel

Hausman test (fixed versus random

effects)

Chi-square (7 d.f.) 10.082794

p-value 0.1839300

Como se observa se justifica el uso de efectos Fijos ya que al 5% de nivel de significancia estamos aceptando la hipótesis nula.

336

ANEXO VI: Programas Econométricos usados 'TEST DE HAUSMAN PARA VER SI USO EFECTOS FIJOS VERSUS EFECTOS ALEATORIOS ' Estimacion de efectos fijos '================================================ PANEL1.ls(f) d(creditnr?) crco? palanca? d( log(capcredr?)) lnpbisa log_igbvl log( bonos) d(creditnr?(-1)) vector beta = PANEL1.@coefs matrix covar = PANEL1.@cov ' Guardar los coeficientes(no constante) vector b_fixed = @subextract(beta,1,1,7,1) matrix cov_fixed = @subextract(covar,1,1,7,7) '========================================================= ' estimacion de efectos aleatorios PANEL1.ls(r) d(creditnr?) crco? palanca? d( log(capcredr?)) lnpbisa log_igbvl log( bonos) d(creditnr?(-1)) beta = PANEL1.@coefs covar = PANEL1.@cov ' guarda coeficientes(no constante) vector b_gls = @subextract(beta,2,1,8,1) matrix cov_gls = @subextract(covar,2,2,8,8) ' calcular estadistico de Hausman matrix b_diff = b_fixed - b_gls matrix var_diff = cov_fixed - cov_gls matrix qform = @transpose(b_diff)*@inverse(var_diff)*b_diff if qform(1,1)>=0 then ' set table to store results table(4,2) result setcell(result,1,1,"Hausman test") setcell(result,2,1,"(fixed versus random effects)") setline(result,3) !df = @rows(b_diff) setcell(result,4,1,"Chi-square ("+@str(!df)+" d.f.)","r")

337

setcell(result,4,2,qform(1,1)) setcell(result,5,1,"p-value","r") setcell(result,5,2,1-@cchisq(qform(1,1),!df)) show result else statusline "Quadratic form is negative" endif 'PROGRAMA PARA EL MODELO DE DESEQUILIBRIO EN 'MONEDA EXTRANJERA (DESEQUILIBRIO-ME.PRG) 'Declarar los vectores de coeficientes a utilizar en la especificación del likelihood '====================================================== coef(6) first_s coef(6) first_d coef(1) std_s coef(1) std_d 'Definir las variables y series de cálculo cuyos valores son útiles o usados en procesos intermedios '========================================================= coef(1) std coef(1) vari coef(14) param series pi series limit series excess 'Realizar la estimación vía Mico para la oferta y demanda para obtener los valores iniciales a ingresar '=========================================================== equation med.ls credme1r c tamexr log_pbirsa pbirgap log_igbvl inflacion first_d=med.@coefs std_d(1)=@sqrt(med.@se) equation mes.ls credme1r c spreadme capcred1r log_pbirsa dummy prme first_s=mes.@coefs std_s(1)=@sqrt(mes.@se)

338

'Establecer el cálculo del likelihood utilizando las especificaciones del objeto loglikelihood del programa '============================================================== logl logl_me logl_me.append @logl l_me logl_me.append resid_s=credme1r-first_s(1)-first_s(2)*spreadme-first_s(3)*capcred1r-first_s(4)*log_pbirsa-first_s(5)*dummy-first_s(6)*prme logl_me.append resid_d=credme1r-first_d(1)-first_d(2)*tamexr-first_d(3)*log_pbirsa-first_d(4)*pbirgap-first_d(5)*log_igbvl-first_d(6)*inflacion logl_me.append l_me=log((((1/(std_d(1)^2))*(@dnorm(resid_d/(std_d(1)^2))))*((@cnorm(resid_s/(std_s(1)^2)))))+(((1/(std_s(1)^2))*(@dnorm(resid_s/(std_s(1)^2))))*((@cnorm(resid_d/(std_d(1)^2)))))) 'Maximizar el likelihood y mostrar pantalla de resultados '===================================================== logl_me.ml(showopts,m=2000,c=1e-10) show logl_me.output 'Calcular la probabilidad de exceso de demanda '=============================================='====== param=logl_me.@coefs vari(1)=(param(13)^4)+(param(14)^4) std(1)=@sqrt(vari(1)) limit=((param(1)+param(2)*spreadme+param(3)*capcred1r+param(4)*log_pbirsa+param(5)*dummy+param(6)*prme)-(param(7)+param(8)*tamexr+param(9)*log_pbirsa+param(10)*pbirgap+param(11)*log_igbvl+param(12)*inflacion))/std(1) pi=@cnorm(limit) 'Graficar el exceso de demanda y oferta para los periodos relevantes '======================================================= excess=((param(7)+param(8)*tamexr+param(9)*log_pbirsa+param(10)*pbirgap+param(11)*log_igbvl+param(12)*inflacion)-(param(1)+param(2)*spreadme+param(3)*capcred1r+param(4)*log_pbirsa+param(5)*dummy+param(6)*prme))

339

universidad nacional mayor de san...

Documents