Un análisis de variables fiscales del Gobierno Central del Uruguay para el período 1989-2006

Elena Ganón

Ina Tiscordio

005 - 2007

1688-7565

1

Un análisis de variables fiscales del Gobierno Central del Uruguay para el período 1989-2006

Elena Ganón1 Ina Tiscordio

Banco Central del Uruguay

Primera Versión

Junio de 2007

Resumen

Este trabajo estudia el comportamiento trimestral de las variables fiscales del Gobierno Central del Uruguay en el período 1989.I–2006.IV. Se realiza un análisis descriptivo de las variables fiscales y se elaboran modelos univariados de series de tiempo con el objetivo de predecir el comportamiento de las mismas. Se incluye además un seguimiento y evaluación de las predicciones realizadas para el año 2006 y se analiza la vinculación del ciclo de cada variable con el del PIB. Estas predicciones son un insumo para la Política Monetaria a través de la proyección del resultado del Gobierno en moneda nacional, permitiendo además un análisis de coyuntura y predicción a nivel trimestral para el horizonte actual del COPOM. Además, este trabajo exploratorio constituye el primer paso para la estimación de un resultado estructural del Gobierno Central. Se encuentra que la política fiscal del Gobierno se ha mostrado procíclica en el período de análisis y que los modelos elegidos para predecir presentan errores de predicción razonables en el corto plazo.

1Las autoras agradecen a Leonardo Vicente por el incentivo y apoyo para la realización de este trabajo, así como a las Gerencias de Estadísticas Económicas y Política Monetaria y Programación Macroeconómica del BCU por habilitar la realización del mismo. Las opiniones vertidas son de responsabilidad de las autoras y no comprometen a la Institución para la que trabajan. Correo electrónico: inat@bcu.gub.uy, eganon@bcu.gub.uy

2

1. INTRODUCCIÓN En el presente documento se estudia el comportamiento de las variables fiscales del Gobierno Central por medio de un análisis descriptivo y de visualización de las variables, se elaboran modelos univariados de series de tiempo, ya sea de componentes no observados o SARIMA, con el fin de realizar predicciones de corto plazo, y se efectúa un seguimiento y evaluación de las mismas para el año 2006. Se trabaja con una frecuencia trimestral de los datos reales en el período comprendido entre el primer trimestre de 1989 y el cuarto de 2006. Este documento se enmarca en un Proyecto Global de Análisis de las Variables Fiscales que tiene como objetivo la estimación del resultado estructural del Gobierno Central. Este proyecto en particular consiste en el Análisis de Series de Tiempo e involucra al Departamento de Análisis Fiscal del Área de Política Monetaria y Programación Macroeconómica y al Sector de Modelización y Análisis del Área de Estadísticas Económicas del BCU.

Las variables fiscales de Gobierno Central con las cuales se trabajó fueron: Ingresos totales de Rentas Generales, Ingresos de Fondos de Libre Disponibilidad (FLD), IVA interno, IVA Importación, IVA Global, IMESI global, IRIC, IRP y Recaudación de DGI. Por el lado de los egresos se analizaron: Egresos Totales de Rentas Generales, Egresos de FLD, Remuneraciones, Contribuciones al BPS, Gastos en bienes y servicios (con y sin Plan de Emergencia) y Gasto Primario Corriente. La elección de las partidas de ingresos y egresos a modelizar obedece básicamente a su participación en el total. El análisis descriptivo de las variables consistió en elaborar distintos indicadores de ajuste de la estacionalidad: coeficientes fijos, método X-12-ARIMA y análisis gráfico. También se realizó un análisis de clúster y se estudió la vinculación del componente cíclico de cada variable con el componente cíclico del PIB a partir del análisis de las correlaciones entre los mismos (Talvi – Vegh). Este análisis además se complementó con una revisión de la normativa. Los ingresos de Gobierno Central representaron 19 puntos del PIB en promedio en el período de análisis y dado que el 83% de los mismos son ingresos tributarios las regularidades encontradas para esta serie fueron idénticas a las presentadas por la recaudación de la DGI. El análisis de las correlaciones y de sus principales componentes muestra que los ingresos han sido procíclicos. Este comportamiento se confirma al estudiar las medidas discrecionales que han afectado las bases y tasas impositivas en el período. Los egresos de Gobierno Central representaron 21 puntos del PIB en promedio en el período de análisis, lo cual determina un déficit promedio de 2% del PIB. Para el caso de los egresos fue más difícil encontrar una regularidad ya que, por ejemplo, su estacionalidad se desdibuja a partir del año 2001, debido a las medidas discrecionales de reducción del gasto durante la crisis, licuación real del gasto indexado vía inflación, y efectos sobre el pago de intereses de los canjes de deuda de mayo 2003 y noviembre 2006. Por otro lado, también se encontró prociclicidad del lado del gasto siguiendo la metodología mencionada2. La modelización univariada de ingresos y egresos consistió en modelos ARIMA y se siguió la metodología especificada por Box & Jenkins (1970) para la construcción de los mismos. Para las series de ingresos y egresos de FLD se usaron modelos de Holt-Winters, dado las pocas observaciones con las cuales se contaba para estas series, las cuales empiezan en 2001. Las predicciones que brindaron estos modelos para el año 2006 se evaluaron básicamente en función del error medio absoluto (MAD) y el error absoluto relativo (MAPE) de uno a cuatro pasos en adelante. Estos últimos mostraron valores estables y razonables de 2 a 6%. La organización del documento es la siguiente: primero se realiza una descripción de la metodología utilizada y luego se presenta el análisis descriptivo de cada serie, las modelizaciones univariadas y las

2 Esto está en línea con lo encontrado por Gavin et al (1996) y Talvi y Vegh (2000) para países de América Latina y por Maihlos y Sosa (1999), Kamil y Lorenzo (1998) y Badagián y Cresta (2004) para Uruguay usando la misma metodología y por Licandro y Vicente (2007) empleando otro análisis.

3

evaluaciones de las predicciones correspondientes. Finalmente se detallan algunas conclusiones y comentarios. 2. METODOLOGÍA El objetivo del análisis de series de tiempo es la descripción de las características de la serie y la explicación del mecanismo que le dio origen, para el control o seguimiento de este proceso y/o la predicción de valores futuros. En general en las aplicaciones al área económica el motivo suele ser la predicción para poder definir cambio de políticas y/o programar gastos e inversiones. Un proceso estocástico es una familia de variables aleatorias, en particular nuestro índice será el tiempo, cuyo parámetro puede ser continuo o discreto, circunscribiéndonos al caso discreto y equi-espaciado. La intención es conocer las propiedades del proceso estocástico que dio origen a la serie, pero para ello solo se dispone de una realización particular, la evolución a lo largo del tiempo del fenómeno en estudio. En particular, en el caso de fenómenos económicos, no existe posibilidad de controlar su repetición en iguales condiciones. Entre las características que interesa conocer del proceso estocástico, determinar su función de distribución de probabilidad es nuestro objetivo de estudio. Bajo ciertas condiciones, conocer el conjunto de distribuciones finito dimensionales permite determinar la distribución del proceso estocástico. Por ejemplo si el conjunto de las distribuciones finito dimensionales son normales multivariadas, se dice que el proceso es gaussiano. De esta distribución, interesa conocer sus momentos. Estos van a ser función del tiempo, en particular nos vamos a detender en los momentos de primer y segundo orden (esperanza y varianza) y en la función de covariancia. Sea E el operador esperanza:

( )( )( )

( )( ) ( )( )

2

,

t t

t t t

s t s s t t

E x

E x E x

E x E x x E x

μ

γ

γ

=

= −

⎡ ⎤= − −⎣ ⎦

(1)

Si la función de distribución del proceso es invariante ante traslaciones en el tiempo, el proceso es estrictamente estacionario. Si el proceso estocástico es estacionario débil (o covariancia estacionario), su función de media μ y función de variancia γ0 son constantes y la función de covariancia γτ depende de la diferencia entre los instantes de tiempo, definiéndose la función de autocorrelación ρτ .

tu u= constante ∀ t

0γγ =t constante ∀ t (2)

( )( ) ( )( ),s t t s t t t tE x E x x E xτ τ τγ γ γ− + +⎡ ⎤= = = − −⎣ ⎦

0

ττ

γργ

=

Esta es una propiedad muy importante, que define una clase de procesos que admiten una representación espectral, o sea que el proceso se puede descomponer en sus frecuencias fundamentales. Si se trabaja en el dominio del tiempo la herramienta para identificar el proceso que da origen a la serie va a ser la función de autocovariancia γτ, si se trabaja en el dominio de la frecuencia la herramienta es el espectro f(λ). Ambas forman un par de transformadas de Fourier (Granger & Newbold (1977)).

( ) 0

1

1 cos( )2

f ττ

γλ γ τλπ π ≥

⎛ ⎞ ⎛ ⎞= + ⎜ ⎟⎜ ⎟⎝ ⎠⎝ ⎠

∑

(3)

( )i f deτ

π τ λ

πγ λ λ

−=∫

4

Como se detalla más adelante, se parte de una clase general de procesos y se la restringe hasta obtener procesos estacionarios, los cuales se estiman. En particular, nos interesa un proceso estocástico denominado ruido blanco, proceso de media cero (μ = 0), varianza constante (γ0), incorrelacionado (γτ = 0, para τ ≠ 0) y con densidad espectral constante ( ) ( )( )0 2 ,f λ γ π π λ π= − p p . Nuestro ámbito de estudio son series económicas que presentan ciertas características, una evolución suave a lo largo del tiempo, llamada tendencia que puede ser determinística o estocástica, que se manifiesta con picos en el espectro en la frecuencia λ cercana a cero (en frecuencias λ≤2π/n donde n es el número de observaciones); un componente estacional que se manifiesta por valores altos del espectro en o múltiplos de la frecuencia λ = 2π/p, donde p es el período (p = 12 para datos mensuales, p = 4 para datos trimestrales) y que corresponde a fenómenos climáticos y/o institucionales que ocurren dentro del año; ciclos que se manifiestan en intervalos mayores a un año debido al ciclo de negocios de la economía y finalmente un componente aleatorio. Desde la función de autocorrelación, se pueden observar estas características de la siguiente forma: si presenta valores cercanos a uno persistentes a lo largo de los órdenes τ se considera que puede tener una tendencia y si en el entorno de la autocorrelación de orden 4 (datos trimestrales) presenta valores altos cercanos a uno será una indicación de estacionalidad. Nuestro objetivo va a ser primero observar si la serie de tiempo en estudio tiene una función de media que evoluciona con el tiempo o es constante, si presenta variabilidades que se repiten cada tanto tiempo o si presenta valores que sobresalen por su magnitud. Para ello se dispone de estadísticas descriptivas y de formas de visualización que dan una caracterización exploratoria. Luego, a partir de la serie de tiempo observada, se infiere un modelo que representará el proceso estocástico que le dio origen, pero como toda modelización será una aproximación de la realidad y tendrá errores. Se busca minimizar este error con alguna medida de calidad y usar un método de estimación para ajustar los parámetros del modelo. Luego se valida este resultado y si pasa los tests que aseguran el cumplimiento de las hipótesis del modelo, se usa el mismo para predecir los valores futuros de la serie en estudio. Lo que puede suceder es que el modelo que ajusta mejor la historia pasada no sea el que de mejores predicciones. Entonces se monitorea la calidad de las predicciones con medidas del error de predicción. Puede pasar que se disponga de más de un modelo y de más de un método de predicción, en dicho caso se puede combinar las predicciones. Nuestro interés de estudio en este trabajo, las variables fiscales, son series de tiempo observadas (evoluciones a lo largo del tiempo en intervalos equi-espaciados). En particular nos vamos a dedicar a su evolución trimestral, salvo en algún caso que se analizará la serie con frecuencia mensual. Las herramientas de descripción y análisis que se utilizan serán presentaciones visuales, indicadores descriptivos, filtros, modelos basados en componentes determinísticos y estocásticos.

2.1. ANALISIS EXPLORATORIO

Una serie de tiempo está determinada por su valor en un instante de tiempo y su evolución a lo largo de un período determinado. El primer paso en la descripción de la variable es su visualización, el cálculo de medidas descriptivas y una primera detección de puntos extremos, junto con un análisis de cómo estos afectan las medidas. Componentes de una serie de tiempo Como fue mencionado las características típicas que se pueden observar en una serie económica son las siguientes. Un movimiento suave a lo largo del tiempo llamado tendencia, evoluciones más o menos repetidas en períodos de varios años denominadas ciclos económicos, evoluciones que se repiten todos los años asociado a las estaciones componente estacional y un componente variable y aleatorio: residuo. Se debe tener presente también que las series pueden verse “contaminadas” por observaciones atípicas o anómalas (outliers) que agregan una regularidad más compleja que la regularidad observada. Estos componentes no son observables y perfectamente separables, por lo cual recurrimos a modelos

5

para determinar su valor e incidencia, con el consiguiente error en su evaluación. Las formas de identificarlas varían desde procedimientos gráficos a medidas descriptivas más o menos simples, pasando por filtros más o menos complicados llegando finalmente a modelos más sofisticados. Estimación o eliminación de la tendencia La tendencia como se mencionó se puede describir como un movimiento suave a lo largo del tiempo. Si se dispone de una serie de tiempo de N observaciones (xt, t = 1,…, N), se puede asumir una tendencia determinística polinómica ajustándola a todo el período por un modelo de regresión o ajustándola localmente por medias móviles. Si por ejemplo, siguiendo a Kendall (1976), se ajusta una tendencia lineal (constante localmente), se obtiene: 1t of b b t= + con b є R (4)

t t tx f u= + con tu ( )20,N σ: (5)

El estimador de la tendencia es una media centrada de k = 2(p +1) valores de la serie alrededor del punto xt (xt -p, …, xt, …, xt+p )

* 12( 1)

p

t j t jj p

x a xp +

=−

⎛ ⎞= ⎜ ⎟+⎝ ⎠

∑ con 1jj

a =∑ , 0ja ≥ (6)

Por ejemplo, al ajustar una media móvil de 3 puntos (p=1), xt

* = (1/3)(xt-1 + xt + xt+1) y se expresa (1/3) [1, 1, 1] En particular, si el número de puntos es par k=2p, como en el caso de los datos trimestrales o mensuales, la media móvil centrada de 4 trimestres es en la notación anterior (1/8)[1, 2, 2, 2, 1], que es el promedio de 2 medias móviles de (1/4)[1, 1, 1, 1]. En este caso esta transformación de los datos nos da una estimación de la tendencia, porque filtra (elimina) la estacionalidad presente. En lugar de estimar la tendencia, nos puede interesar eliminarla. Para ello podemos usar diferencias de orden p que eliminan tendencias de ese orden. Si se denomina operador de retardo B a 1t tBx x −= (7) se define la diferencia de orden d ( )1 dd B∇ = − (8)

Donde la diferencia de orden 1 elimina una tendencia lineal ( ) 11t t t tx B x x x −∇ = − = − . Ajuste estacional por coeficientes fijos Hacer un ajuste por coeficientes fijos de la estacionalidad permite obtener un mejor indicador de la presencia de estacionalidad que el que resulta de la media para cada período (mes, trimestre) a lo largo de los años. Para ello, primero se elimina el componente estacional, obteniendo un estimador de la tendencia de la serie, usando la media móvil centrada ya comentada, luego se elimina de la serie la tendencia y con la serie ajustada por tendencia se calculan las medias para cada período (trimestre o mes) y se ajustan. Así se obtienen nuevas medias, pero esta vez sin la interferencia de la tendencia. En el Anexo Metodológico se encuentra ejemplificada toda esta metodología para el caso del IVA Interno. Visualización de la presencia de estacionalidad Otra forma de detectar la presencia de un efecto estacional es por medios visuales, como herramientas se puede usar los boxplot conjuntos para cada mes (trimestre) calculado con los años disponibles. Si los boxplot están en un mismo nivel indicarían ausencia de estacionalidad, si en cambio hay desplazamiento indicaría presencia de estacionalidad. Este tipo de presentación fue diseñado inicialmente por Cleveland, quien usaba la media y los valores de cada mes (trimestre) para cada año. Su característica inicial era

6

mostrar como para cada mes o trimestre se dispersan los años y si esa dispersión era similar. Actualmente esta exhibición de los distintos valores se puede hacer usando el boxplot, con la diferencia que no se exhiben los valores para cada año como en la presentación original de Cleveland sino que se resumen. El Box-plot (diagrama de caja) es una herramienta desarrollada por Tuckey (Hoaglin, Mosteller & Tuckey 1983), en la cual se muestra para un conjunto de datos 5 medidas descriptivas: el mínimo, la junta inferior, la mediana, la junta superior y el máximo, por ello se lo conoce también por diagrama de 5 puntos. La raya superior de la caja es la junta superior (Js), la raya inferior la junta inferior (Ji) y la raya intermedia la mediana. Si el máximo está a menos de ((Js –Ji)1.35 + Js) se lo une con una raya continua, si esta a más se lo marca. Otra forma de visualizar el comportamiento estacional es graficando la evolución de los meses (trimestres) de cada año. Esta visualización que data del siglo XIX permite además agrupar los años en clústeres. La tercer forma de visualización consiste en graficar cada uno de los trimestres (meses) en función de los años. Esta presentación es similar a la que se hace cuando se grafican los coeficientes estacionales estimados para cada período por un método que tiene en cuenta la evolución de los coeficientes a lo largo del tiempo (por ejemplo el X-12-ARIMA). Componente Estacional y Tendencia-ciclo Hasta ahora se analizó como detectar el componente estacional, que como fue mencionado al ser un elemento no observable es de difícil definición. Se debe a Nerlove (1964)3 el primer intento de precisar el término, si se denomina a λ la frecuencia y a p el período y se considera la relación λ=2π/p (por ejemplo para datos mensuales p=12) y f(λ) el espectro, se define la estacionalidad como “la característica de una serie de tiempo que ocasiona picos en el espectro en las frecuencias estacionales”. La definición propuesta por Bell y Hillmer (1984) esta basada en la definición de los supuestos de su modelo de componentes basado en extracción de señales. La definición de Hylleberg (1992)4 es discursiva y la define como “los movimientos sistemáticos no necesariamente regulares que se producen dentro del año causados por cambios de clima, el calendario, el momento de las decisiones, que directa o indirectamente afectan las decisiones de producción y consumo que toman los agentes de la economía”. Existen diferentes enfoques para el tratamiento de la estacionalidad, se puede o bien tratar de ajustarla con el objetivo de eliminarla y obtener datos ajustados estacionalmente que facilitan la comparación entre períodos consecutivos (por ejemplo en los análisis de la coyuntura) o bien modelizarla y estimarla trabajando con los datos sin ajustar. Bibliotecas hay para los dos enfoques, todo depende del objetivo del analista. Lo que sí, se entiende ineludible, es que los servicios productores de estadística si producen datos ajustados deben también proporcionar los datos sin ajustar. Practica que parece obvia pero que no lo es tanto en algunas agencias productoras de estadísticas. Bell y Hilmmer en un artículo publicado en 1984, hacen un relevamiento histórico por un lado y de las metodologías por otro, del desarrollo del ajuste y estimación de la estacionalidad y efectúan una clasificación de los métodos de ajuste estacional según tres clases: i) métodos que eligen los filtros directamente (X11, X12-ARIMA, SABL), ii) métodos que eligen directamente el modelo para los componentes (por ejemplo el propuesto por Akaike), iii) métodos que modelan la serie observada y deducen a partir de este, modelos para los componentes (Burman, Hillmer and Tiao, Maravall). Este último enfoque se denomina extracción de señales. Box, Tiao y Hillmer en su trabajo de 1978 descomponen el modelo ARIMA (0, 1, 1)(0, 1, 1)12 (de líneas aéreas) en modelos para los componentes de tendencia, estacional e irregular. Burman (1980) lo extiende después para la clase general de modelos ARIMA (p, d, q) (P, D, Q)s (más adelante se describen los modelos ARIMA).

3 “The characteristic of a time series that give rise to spectral peaks at seasonal frequencies”. 4 “Seasonality is the systematic, although not necessary regular, intra-year movement caused by the changes of the weather, the calendar, the timing of decision, directly or indirectly through the production and consumption decisions made by agents of the economy”.

7

En este trabajo además de usar los coeficientes fijos usaremos el método de X-12-ARIMA para ajustar los datos por estacionalidad y estimar el componente de tendencia-ciclo. A continuación se realiza una breve descripción de la metodología. El lector puede recurrir a la monografía de Ladirey y Quenneville (2000) para obtener una excelente exposición sobre el X-11, y a la extensa bibliografía disponible en el sitio Web de la Oficina de Estadísticas de EEUU. En la Tabla 1 se presenta una lista no exhaustiva de diferentes métodos o procedimientos para ajuste o estimación del componente estacional, sus propulsores y los paquetes estadísticos econométricos o programas aplicados. Tabla 1 – Métodos de ajuste y modelización del componente estacional Método de Ajuste estacional Referencia Paquete - Programa Coeficientes fijos Filtros de medias móviles U.S. Bureau of Census

Shiskin (1967) X-11

Filtros y modelo ARIMA Statistics Canada Dagum 1980, 1988

X-11-ARIMA

Ajuste bayesiano Instituto Estadística Japón Akaike 1980

BAYSEA TYMSAC

Extracción de señales Box, Hilmer and Tiao (1978) Burman (1980)

Extracción de señales Bell Lab Cleveland (1978, 1981)

SABL

Extracción de señales BCE Gomez, Maravall (1994)

SEATS – TRAMO

Filtros y modelo ARIMA REG-ARIMA

U.S. Bureau of Census Findley y otros (1998)

X-12-ARIMA

Sistema Integrado Statistics Canada GTSP Métodos de modelización Referencia Paquete – Programa Regresión harmónica Bloomfield Programas Regresión con variables dummy MIRON Paquetes Suavizamiento Exponencial Holt-Winters (1958, 1961) Paquetes (FORECAST PRO,

EVIEWS) SARIMA Box-Jenkins (1970) WMTS1, SCA Modelos extracción de señales Maravall SEATS-TRAMO DLM Dynamic Linear Models Harrison y Stevens (1961)

West (1994) BATS

Modelos estructurales Harvey, Koopman STAMP, OXMetrics Modelos cointegración estacional Raíces unitarias estacionales

Hylleberg y otros (1990) (HEGY)

EVIEWS

Modelos periódicos de series de tiempo

Frances y Paap (1996, 2005) EVIEWS, GAUSS

Desestacionalización por X-12-ARIMA Este procedimiento tiene sus orígenes en los trabajos de Shiskin, Young y Musgrave (1967) cuando en 1965 liberaron la versión X-11 del Método II del programa de ajuste estacional de la oficina de Censos de EEUU (Bureau of the Census). Posteriormente Dagum (1975, 1978) de Estadísticas Canadá, introdujo modificaciones que se conocieron como X-11-ARIMA, y en 1998 Findley y otros lanzan al público el X-12-ARIMA. En abril de 2007, se liberó la versión 03 del X-12-ARIMA y se prepara el X-13-ARIMA (Monsell, 2003).

8

Básicamente, el X-11 es un método no-paramétrico para estimar los componentes no observados de una serie de tiempo (estacional, tendencia-ciclo, residuo) permitiendo además corregir por días laborables y efectos especiales (fiestas variables como semana de turismo). Está basado en la aplicación de filtros de medias móviles simétricos y asimétricos. Para corregir al final de la serie el efecto del filtro asimétrico que causaba grandes revisiones en los factores estacionales al conocerse las nuevas observaciones de la serie, Dagum propuso extender los datos originales con proyecciones resultantes de la aplicación de un modelo ARIMA a la serie original (uno o dos años en adelante) y luego aplicar el procedimiento X-11 a la serie ampliada. Dagum no solo introdujo esta modificación sino que además incorporó en la nueva versión del programa X-11-ARIMA diferentes medidas para medir la calidad de la estimación desarrolladas por otros técnicos de Estadísticas Canadá (ver Lothian y Morry (1978), Dagum (1983)). Findley y colaboradores (1998) de la Oficina de Censos de EEUU en su versión X-12-ARIMA incluyeron estas modificaciones de Dagum, y además introdujeron: la detección exploratoria no paramétrica de la calidad del ajuste (basada en el análisis espectral de la serie original, de la serie ajustada estacional y de los residuos); diagnósticos de intervalos corridos (denominados “sliding span diagnostics” (1990)) resultantes de aplicar el procedimiento X-11 a intervalos de la serie de tiempo que se sobreponen (4 en particular); la posibilidad de ajustar modelos reg-arima, o sea ajuste de regresión con errores arma a los datos previo al ajuste estacional (para estimación de efecto días trabajados, pascua, puntos extremos y transformaciones). El X-12-ARIMA es un procedimiento iterativo. A continuación se describe los pasos en un caso standard donde se estiman en un modelo multiplicativo, los componentes: tendencia-ciclo tt, estacional st y residuo ut de una serie de tiempo observada xt

t t t tx t s u= (9) * El primer paso del ciclo iterativo de estimación es básicamente un ajuste estacional eliminando la tendencia tt

1 estimada por una media móvil centrada (como en el caso de los coeficientes fijos),

obteniéndose el cociente inicial st1 = xt / tt

1 y suavizándolo por la aplicación del filtro de medias móviles 3*3 (promedio de 3 medias móviles centradas de 3 observaciones cada una) calculándose el componente estacional para cada período (mes, trimestre) st

1, procediendo luego a obtener el primer ajuste estacional: at

1 = xt / st1 .

* En el segundo paso, se estima una función de tendencia tt2 aplicando un filtro de Henderson de (2*h+1)

términos a los datos ajustados en el paso anterior at1, y se la elimina de los datos originales definiendo

st2= xt / tt

2 y se vuelve a estimar los coeficientes estacionales para cada período suavizando ahora st2 con

un filtro de medias móviles de 3*5, llegando así a la serie de los coeficientes st2 y calculando luego una

nueva serie ajustada at2 = xt / st

2 . * En el paso 3, se calcula de nuevo una tendencia-ciclo tt

3 aplicando el filtro de Henderson a la serie

ajustada at2 y se obtienen los residuos ut

3= at2 / tt

3, llegando finalmente a la descomposición estimada

* 3 2 3t t t tx t s u= (10)

Además del resultado de los cálculos, el paquete produce diagnósticos exploratorios y confirmatorios de la calidad de la estimación y tiene la posibilidad de corrida predefinida (por default) o por selección de las diversas opciones. La selección del filtro de suavizamiento de medias móviles puede ser diferente para cada trimestre (mes), a su vez la selección del número de términos del filtro de Henderson (h) también puede ser elegida por el usuario. El usuario también puede optar por ingresar la especificación del modelo ARIMA o usar el recomendado por el paquete, calcular las correcciones de puntos extremos, días laborables, efecto de pascua usando las facilidades del paquete (ya sea a partir de la estimación tradicional en función de los residuos, o usando un modelo Reg-ARIMA) o corregirlas ex ante por fuera del software. Las opciones son muchas y el manual de referencia abultado (2007).

9

Análisis exploratorio del componente cíclico Una metodología muy simple es aproximar el componente cíclico de la serie temporal por su tasa de crecimiento anual. Si se supone a la tasa de crecimiento como una variable que se obtiene de filtrar la serie original y a partir de la cual se obtiene una señal, la misma puede ser una estimación razonable del componente cíclico de la serie. Debe tenerse en cuenta que esta aproximación posee limitaciones y puede provocar como todo filtro: a) desfasar la serie de crecimientos respecto a las oscilaciones cíclicas de la serie original, b) atenuar la importancia de la tendencia o anularla si es determinista o c) amplificar o atenuar determinadas oscilaciones cíclicas (Espasa y Cancelo (1993)). Un método más sofisticado y utilizado en la literatura para estimar el componente cíclico de la serie, es aplicar el filtro de Hodrick y Prescott (1980). Este filtro también tiene críticas, se destaca la arbitrariedad de elección del λ. El filtro de Hodrick y Prescott (HP) parte de la idea de que la serie observada { }T

tty 1= está conformada por un componente de tendencia y un componente cíclico, el problema es filtrar la tendencia de los datos e interpretar las desviaciones respecto a dicha tendencia como el componente cíclico. Por este motivo, dado que se trabaja con series trimestrales, antes de aplicar el filtro se extrae el componente estacional e irregular por el método X-12-ARIMA. El filtro HP calcula una tendencia como la que resultaría del “trazo libre” de un investigador que busca delinear la trayectoria suave de la serie analizada, se asume que esta tendencia es estocástica y tiene por tanto un perfil suave a lo largo de tiempo. Además el componente cíclico se encuentra incorrelacionado con la tendencia. La misma se estima a través del siguiente problema de minimización:

( )∑=

−T

ttty

1

2min τ

sujeto a

( ) ( )[ ] μττττ ≤−−−∑−

=−+

1

2

211

T

ttttt

Para un cierto valor de μ, la resolución de este problema equivale al hallazgo del componente de tendencia en cada período ( )tτ que minimiza la siguiente función:

( ) [ ] ⎥⎦

⎤−−−+⎢

⎣

⎡− ∑∑

−

=−+

=

1

2

211

1

2 )()(minT

ttttt

T

ttty ττττλτ (11)

El primer término representa una medida de bondad de ajuste. El segundo término es un indicador del grado de suavidad. El parámetro λ es el que regula la suavidad del componente de tendencia. Cuanto mayor es el valor de λ, mayor es la penalización impuesta a las variaciones en la tasa de crecimiento del componente tendencial, obteniéndose una señal más suave. Sin embargo, si la tendencia es más suave, peor resulta el ajuste de tτ a ty , con lo que el problema de minimización planteado establece un trade-off entre la bondad de ajuste y el grado de suavizado. Una vez estimado el componente de tendencia tτ , se aproxima el componente cíclico.

2.2. MODELOS DE SERIES DE TIEMPO Anteriormente nos hemos referido a métodos visuales, descriptivos y de filtros para describir las características principales de una serie de tiempo. Sin embargo, cuando nuestro objetivo sea proyectar valores futuros de la serie se usan además otras herramientas.

2.2.1 Criterios para la selección de modelos y métodos de predicción

La selección del tipo de modelo a emplear está basada en las características de las series de estudio, en el objetivo del análisis, en las características y propiedades del modelo y en la disponibilidad de las herramientas computacionales para su implementación.

10

* Entre las características de las series a tener en cuenta figuran:

i. dominio de análisis (en este caso series económicas) ii. la frecuencia con que se releva la información (datos anuales, trimestrales, mensuales, diarios)

iii. la cantidad de observaciones disponibles de la serie de datos iv. las características que presenta (tendencia, ciclo, estacional, irregular) v. la presencia de cambios transitorios y/o permanentes

vi. la cantidad de series a analizar conjuntamente vii. si es un fenómeno histórico o nuevo

* El objetivo del análisis puede ser:

i. explicación ii. ajuste

iii. predicción * Características del modelo

i. adaptativo a) que incluya detección y modelización de cambios transitorios b) que incluya detección y modelización de cambios permanentes

ii. paramétrico o no-paramétrico iii. univariado o multivariado iv. lineal o no lineal v. estacionario o no estacionario

vi. frecuentista o bayesiano * Herramientas computacionales

i. orientadas al problema ii. de uso general

* Predicción

i. con un horizonte de corto, mediano o largo plazo ii. productos nuevos

iii. cualitativa o cuantitativa En general se dispone de una historia del fenómeno a estudio, pero si se trata de un producto nuevo (por ejemplo cuando surge una nueva tecnología, o un nuevo impuesto) se hacen supuestos y se recurre a la historia de productos similares o a partir de la consulta con expertos se elabora una predicción cualitativa. También puede pasar que después de calcular la predicción cuantitativa se disponga de información externa cualitativa valiosa y se decida incorporarla afectando el valor numérico previamente obtenido al alza o a la baja. Metodologías que funcionan bien a largo plazo, como puede ser una regresión, no lo hacen en general a corto y mediano plazo. Ciertos métodos son menos sensibles a cambios estructurales, pero en general es difícil predecir los cambios de tendencia, lo que si hay son modelos que se adaptan más rápidamente. Ciertos modelos (por ejemplo de suavizamiento exponencial) se prestan por su facilidad de implementación para predecir grandes cantidades de variables como las que se presentan al analizar stocks o ventas de productos. Otros modelos requieren un grado de formación por parte del usuario que no facilita su utilización masiva. La clase de modelos que vamos a trabajar son modelos de series de tiempo univariados y paramétricos, que permiten un grado de no estacionariedad, aplicados a series de frecuencia trimestral. Usaremos dos clases: * La de modelos ARIMA – autorregresivos integrados de medias móviles - estacionales (llamados SARIMA) de orden (p d, q)(P, D, Q)s, cuya presentación original corresponde a la obra de Box & Jenkins (1970), y que engloban como caso particular los modelos ARMA estacionarios. En la presentación se sigue fundamentalmente a estos autores y a Frances (1998);

11

* La de modelos de Suavizamiento Exponencial, que en algunos de sus especificaciones son casos particulares de la clase ARIMA y en otros no tienen equivalentes. Para ello se sigue la presentación de Holt (1957, 2004) y Winters (1960). Clase de Modelos SARIMA (p, d, q)(P, D, Q)s Sea xt = (xt , t=1, …,N) serie de tiempo observada, at = (at, t=1, …, N) ruido blanco ( ) 0tE a = , ( )2 2

a t aE aγ σ= = , ( ) 0t t tE a a τγ += = ,τ 0f (12)

B es el operador retardo 1t t tB x x −= Se denomina proceso ARIMA estacional multiplicativo a:

( ) ( )( ) ( ) ( ) ( )1 1Dds s s

t tB B B B x B B aΦ Θ− − =Φ Θ (13)

Donde d es el número de diferencias simples, D es el número de diferencias estacionales y s es el orden de estacionalidad

( )BΦ es el operador autoregresivo de orden p

( )sBΦ es el operador autoregresivo estacional de orden P

( )BΘ es el operador de medias móviles de orden q

( )sBΘ es el operador de medias móviles estacional de orden Q

Proceso AR (p) Si el proceso xt se puede explicar en función de los valores pasados y de un choque aleatorio, y las raíces del polinomio Φ(B)=0 están fuera del circulo unitario, se dice que la serie xt sigue un proceso autoregresivo de orden p, AR (p) estacionario.

( ) t tB x aμΦ = + (14) En particular, un proceso autoregresivo de orden 1 (p =1), xt =μ +φ1 xt-1+at, es estacionario si | φ1 | < 1, con media E(xt) = μ / (1- φ1 ), variancia V( xt ) = γ0 = σa

2 / (1- φ12 ), autocorrelación ρτ = φ1

τ , τ ≥1, función de autocorrelación parcial φ11 =φ1, …,φkk = 0, para todo k>1. Si φ1 es positivo la función de autocorrelación ρτ decae exponencialmente a cero con τ → ∞, si φ1 es

negativo decae oscilando entre valores negativos y positivos. Si φ1 =1 la serie no es estacionaria, la variancia no es finita y el proceso posee una tendencia, en cambio si es estacionaria el proceso oscilará alrededor de un nivel medio constante. La selección de un modelo con media constante o de un modelo en primera diferencia afectará la función de predicción, en el primer caso la predicción oscilará alrededor de ese nivel histórico, en el otro caso se adaptará a los cambios de nivel. Proceso MA (q) Si el proceso xt se puede especificar en función de una sucesión de choques aleatorios y las raíces del operador Θ(B) están fuera del círculo unitario, el mismo sigue un proceso de medias móviles de orden q, MA(q) invertible.

( )t tx B aΘ= (15)

En particular, un proceso de medias móviles de orden 1 (q =1), xt = at-θ1at-1, es invertible si |θ1| < 1 con media cero, variancia γ0 = (1+ θ1

2 )σa2 , función de autocorrelación ρ1 = (-θ1

) /( 1+ θ12 ), ρτ = 0 para todo τ

>1, función de autocorrelación parcial dominada por exponenciales amortiguadas |φkk | < θ1k.

12

Proceso ARMA (p, q) Si el proceso xt se puede especificar según (15), y los operadores Φ(B) y Θ(B) tienen sus raíces fuera del circulo unitario se dice que es un proceso autoregresivo de medias móviles de orden p, q, ARMA(p, q), estacionario e invertible ( ) ( )t tB x B aμΦ Θ= + (16)

Proceso ARIMA (p, d, q) El proceso xt es un proceso autoregresivo integrado de medias móviles ARIMA (p, d, q), si tiene d raíces en el círculo unitario y los operadores Φ(B) y Θ(B) tienen sus raíces fuera del círculo unitario. ( ) ( ) ( )01 d

t tB B x B aθΦ Θ− = + (17) Si denominamos φ(B) al operador ( ) ( ) ( )( )1 ddB B B Bϕ = Φ ∇ = Φ − (18)

( ) 11 ... p dp dB B Bϕ ϕ ϕ +

+= − − −

Se puede expresar el proceso ARIMA en tres formas: a) en diferencias, b) como un autoregresivo infinito y c) como una media móvil infinita

( ) ( )0t tB x B aϕ θ= + Θ

1 1 0 1 1... ...t t p d t p d t t q t qx x x a a aϕ ϕ θ θ θ− + − − − −= + + + + − − − (19a)

( ) t tB x aΠ = (19b)

( )t tx B aΨ= (19c)

Siendo la relación entre los operadores (20), la que nos permitirá calcular los pesos ψj para los intervalos de confianza de las predicciones ( ) ( ) ( )B B Bϕ Ψ = Θ (20)

Por ejemplo, en el caso del proceso ARIMA (1, 1, 0), escrito en ecuación en diferencias queda 1 1 1 2(1 )t t t tx x x aφ φ− −= + − + , donde 1 1(1 )ϕ φ= + , 2 1ϕ φ= − (21) Estas propiedades de los procesos son las que se usan en la etapa de identificación del modelo. Box & Jenkins (1970, pag. 176) presentan un cuadro resumen con estas propiedades. Raíces del operador estacional

En el caso del modelo estacional multiplicativo, el operador estacional ( )1DD s

s B∇ = − ,

( ) ( )( )11 1 1 ...s ss B B B B −∇ = − = − + + + se puede descomponer para el caso trimestral, s = 4, en:

( ) ( )( ) ( )( ) ( ) ( ) ( )( )( )4 2 3 24 1 1 1 1 1 1 1 1 1 1B B B B B B B B B B iB iB∇ = − = − + + + = − + + = − + − +

(22) Esto nos muestra que este operador posee una raíz unitaria, una raíz -1, y un par de raíces complejas conjugadas: i, -i, correspondientes a las frecuencias 0, ½, ¼ y ¾, de largo plazo, semianual y anual. Para el caso mensual la descomposición es: ( ) ( )( ) ( )( )( )( )12 11 2 4 8

12 1 1 1 ... 1 1 1 1B B B B B B B B B∇ = − = − + + + = − + + + + (23)

1316

CONSTRUCCION DE MODELOS UNIVARIADOSCONSTRUCCION DE MODELOS UNIVARIADOS

SUAVIZAMIENTO EXPONENCIAL•Divide los datos en tres conjuntos C1, C2, C3•Valores iniciales de las constantes con C1•Determinación de las constantes con C2 y C3•( minimiza el error de prediccion un paso en adelante)

PrediccionMonitoreo

DLM• Definición de la distribución a priori,

probabilidades de los estados, matriz covariancia errores

• Estimacion de la distribución a posteriori

• usando Filtro de KALMAN

SARIMA•IDENTIFICACION (s, d, D, p y q)•ESTIMACION - Usando Marquandto max verosimilitud)•VALIDACION

Acepta

16

CONSTRUCCION DE MODELOS UNIVARIADOSCONSTRUCCION DE MODELOS UNIVARIADOS

SUAVIZAMIENTO EXPONENCIAL•Divide los datos en tres conjuntos C1, C2, C3•Valores iniciales de las constantes con C1•Determinación de las constantes con C2 y C3•( minimiza el error de prediccion un paso en adelante)

PrediccionMonitoreo

DLM• Definición de la distribución a priori,

probabilidades de los estados, matriz covariancia errores

• Estimacion de la distribución a posteriori

• usando Filtro de KALMAN

SARIMA•IDENTIFICACION (s, d, D, p y q)•ESTIMACION - Usando Marquandto max verosimilitud)•VALIDACION

Acepta

Clase de modelos de Suavizamiento Exponencial Dentro de esta clase vamos a trabajar con modelos de Holt – Winters, estos permiten la descomposición de la serie en nivel xt, tendencia Tt y estacional Ft, pudiendo explicitar modelos aditivos o multiplicativos. Modelo de Holt aditivo ( )( )1 11t tt tx Ax A x T− −= + − + , 0 1Ap p (24)

( ) ( )1 11t tt tT C x x C T− −= − + − , 0 1Cp p (25)

Modelo de Holt-Winters multiplicativo

( )1t

t t st

xF D D Fx −

⎛ ⎞= + −⎜ ⎟

⎝ ⎠, 0 1Dp p (26)

( ) ( )1 11t

t t tt s

xx A A x TF − −

−

⎛ ⎞= + − +⎜ ⎟

⎝ ⎠, 0 1Ap p (27)

tT igual fórmula a Ec. (25) Estos modelos son útiles cuando se disponen de pocas observaciones (con tres años de datos ya se pueden usar, a diferencia que con los modelos ARIMA que se recomienda N≥50 observaciones) o cuando el número de variables a predecir es muy grande (como por ejemplo en control de stocks o ventas).

2.2.2 Metodología de construcción de modelos

La metodología de construcción de los modelos está basada en un proceso iterativo que tiene varias etapas: i) definición de la clase de modelos, ii) identificación del modelo, iii) estimación de sus parámetros, iv) validación, v) predicción y vi) evaluación de la predicción. Si el modelo no es aceptado en el paso iv) se vuelve al item ii) y si el modelo es aceptado se lo usa para predicción en el paso v); si durante la evaluación de las predicciones se observa un desvío se vuelve al item ii) repitiendo el ciclo hasta contar con un nuevo modelo. Puede suceder que el ciclo de los pasos ii) a iv) lo cumplan varios modelos, entonces se selecciona el que mejor se comporta en vi). Este proceso iterativo fue planteado por Box & Jenkins (1970) y se lo denomina metodología de Box- Jenkins para la construcción de modelos, y es extensible a otros tipos de modelos. En la figura 1 se resume este enfoque iterativo para tres casos de construcción de modelos: para los modelos ARIMA, para los modelos de Suavizamiento Exponencial y para los Modelos Lineales Dinámicos (DLM) con estimación bayesiana usando filtro de Kalman (Harrison & Stevens (1971)).

Figura 1

14

Procedimiento iterativo de construcción de modelos para procesos ARIMA Identificación El valor en un instante de tiempo puede depender de valores pasados inmediatos (por ejemplo autocorrelaciones de primer y segundo orden significativas), de valores pasados del año anterior (por ejemplo autocorrelaciones cercanas a 1 de orden k y en su entorno y en sus múltiplos, (k =4 en el caso trimestral), de valores históricos a largo plazo (autocorrelaciones significativas cercanas a 1 persistentes). Además de la función de autocorrelación se usa la función de autocorrelación parcial para identificar el modelo. En el caso de un proceso autoregresivo de orden p, la autocorrelación parcial es diferente de cero hasta el retardo p, y cero para k ≥ p. La función de autocorrelación ρk se estima por rk, la función de autocorrelación parcial φkk por φkk

*

resolviendo las ecuaciones de Yule-Walker. Durbin propuso un método iterativo para el cálculo de φkk*

que es el que se usa en los paquetes estadísticos. Esta metodología de identificación está basada en la forma teórica de las funciones ρk y φkk y en sus propiedades asintóticas. Stralskowski, Wu y Devor (1970, 1974) estudiaron la forma teórica de ρk y presentaron un análisis de las raíces y estimaciones iniciales para los parámetros de procesos AR(2), MA(2) y ARMA(1,1) muy útiles para ayudar a la identificación de los modelos. Analizando las funciones estimadas rk y φkk

* se determina el orden de diferenciación simple o estacional, y luego en la serie original o diferenciada (si fuera necesario) el orden p de parámetros autoregresivos y/o q de medias móviles. Actualmente, algunos paquetes permiten la determinación del orden de diferenciación d de diferencias regulares usando el test de raíces unitarias de Dickey-Fuller que testea la hipótesis de tendencia estocástica vs tendencia determinística (Heij y otros (2004), pag. 592). Para el caso del operador diferencia estacional se puede testear la hipótesis de estacionalidad estocástica usando el test de HEGY (1990) en el caso de datos trimestrales o Frances (1991) en el caso de datos mensuales, pero en general es necesario programarlo ya que no está disponible como un comando. En este trabajo la metodología de selección de modelos sigue los lineamientos de BJ, y se calcula además el test de Dickey-Fuller Aumentado de raíces unitarias regulares para cada serie, para corroborar la selección realizada. Estimación La minimización de la suma de cuadrados de los residuos es lineal en los parámetros autoregresivos y no lineal en los parámetros de medias móviles. Originalmente se utilizaba un método no lineal de Marquardt, posteriormente se establecieron estimadores máximo-verosímiles para modelos ARMA, por lo cual se puede usar esta metodología actualmente. La selección entre varios modelos se puede hacer usando el estimador R2, los criterios de AIC de Akaike (1974) y de SIC de Schwartz (1978), (ver Frances (1998)). Estimados los parámetros se procede a la validación de los mismos. Validación Para medir la calidad del ajuste de un modelo ARMA (p, q) se analiza la autocorrelación de los residuos estimados (ut, t = 1, …, N). Esto se hace inspeccionando las gráficas de la función de autocorrelación y de autocorrelación parcial. Si el modelo está correctamente especificado y se conocen los parámetros del modelo, las autocorrelaciones de los residuos rk (a) son asintóticamente incorrelacionadas y tienen media cero y variancia 1/N, y se puede establecer intervalos de confianza (al 95%), ( )2 ,2N N− para sus

valores. Pero en la práctica no se conocen los parámetros del modelo y las correlaciones disponibles son las de los residuos estimados rk (u) por lo cual este intervalo de confianza es aproximado.

15

Para testear la hipótesis de que el modelo está correctamente especificado, se dispone de test conjuntos (portmanteau) de Box-Pierce (1970) y de Ljung-Box (1978). El test de Box-Pierce está basado en la estadística Q con distribución ( )

2m p qχ − − , donde n es el número

efectivo de observaciones (n = N-d).

( )2

1

m

kk

Q n r u=

= ∑ (28)

En particular el test de Ljung-Box está basado en la estadística LB, que bajo la hipótesis nula de adecuación del modelo estimado, tiene una distribución ( )

2m p qχ − −

( )( )

( )2

1

2m

kk

nLB n r u

n k=

+=

−∑ (29)

También se puede estimar el espectro de la serie de los residuos fu (λ) y verificar que sea constante. Además se verifica que la serie de los residuos sean normales, inspeccionando un histograma o un Q-Q plot de los residuos, o calculando un test para docimar la normalidad por ejemplo el test de Jarque-Bera en base a la kurtosis y skewness. Detección de puntos extremos Como resultado de la validación o por conocimiento previo se puede disponer de información sobre la existencia de puntos extremos en la serie, que afectan la identificación y estimación del modelo y su capacidad predictiva. Es el caso en que hechos externos (huelga de funcionarios de una repartición) o medidas discrecionales gubernamentales (adelanto o postergación de pagos, por ejemplo de remuneraciones y/o aguinaldos) afectan la recaudación o los egresos. A tales efectos, cuando se intervino, se especifica la metodología usada en el análisis empírico. Procedimiento iterativo de construcción de modelos de Holt-Winters Se puede estimar de varias formas. En una de ellas se divide la cantidad de observaciones de la serie observada en tres partes, partiendo de valores iniciales de xt, Tt y Ft, x1=x1, T2 =x2- x1, F1=1, se corre en el primer tercio la estimación para eliminar el efecto de los valores iniciales, luego con el segundo tercio se estiman las constantes en una grade de valores, tal que minimice el error de predicción un paso en adelante en el tercer tercio de las observaciones. Otra forma es expresar el modelo en forma de espacios de estados y estimarlo usando filtro de Kalman.

2.2.3 Predicción

A continuación se describe la forma de cálculo de la predicción para cada una de las clases de modelos considerados. Predicción con Modelos ARIMA Se dispone de una serie de tiempo hasta el instante T (xt, con t=1, …,T), para la cual se ha estimado un modelo ARIMA. Sea x t +h el valor futuro de la serie h pasos en adelante. Siguiendo a Box & Jenkins (1970), la esperanza condicional de x t+h dado los valores hasta el instante t:

[ ]1, , ...t h t tE x x x+ − , es el estimador que minimiza el error cuadrático medio de predicción

( ) 2t h tE x x h+ −⎡ ⎤⎣ ⎦

Predicción h pasos en adelante con origen en t ( ) [ ]1, ,...t t h t tx h E x x x+ −=

Error de predicción h pasos en adelante con origen en t ( ) ( )t t h te h x x h+= −

Con Media cero ( ) 0tE e h =⎡ ⎤⎣ ⎦ (30)

16

Varianza ( )1

2 2

0

h

t a JJ

V e h σ ψ−

=

=⎡ ⎤⎣ ⎦ ∑

La serie de los residuos del modelo ARIMA at es el error de predicción un paso en adelante ( ) ( )1 11 1t t t te x x a+ += − = (31) por lo cual usando la estimación del error cuadrático de los residuos ajustados s2 (u) se puede estimar un intervalo de confianza de 95% para las predicciones dado por:

( ) ( )0.5 0.5

1 12 2

1 1

1.96 1 , 1.96 1h h

t u j t u jj j

x h s x h s− −

= =

− + Ψ + + Ψ⎡ ⎤⎛ ⎞ ⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜ ⎟ ⎜ ⎟⎢ ⎥⎜ ⎟ ⎜ ⎟⎜ ⎟ ⎜ ⎟⎝ ⎠ ⎝ ⎠⎢ ⎥⎝ ⎠ ⎝ ⎠⎣ ⎦∑ ∑ (32)

Predicción con Modelos Holt-Winters Predicción del modelo de Holt h pasos en adelante Con los valores del nivel x t y tendencia T t estimados hasta el instante t, la predicción es: ( ) tt tx h x hT= + (33) Predicción modelo de Winters h pasos en adelante Con los valores del nivel xt, tendencia Tt y término estacional Ft estimados hasta el instante t, la predicción es: ( ) ( )tt t tx h x hT F= + (34) La especificación inicial de estos modelos no comprendían intervalos de confianza para las predicciones, los mismos fueron establecidos a posteriori por Yard & Chatfield (1990) para el modelo de tres componentes aditivos y por Kolher, Zinder & Ord (2001) para el modelo multiplicativo. Medidas de Evaluación de la Calidad de la Predicción Una vez calculada la predicción y a medida que se dispone de los valores observados se procede a evaluar la calidad de la misma con diversas medidas. En este documento se presentan dos formas de evaluación. En la primera, se predice en base a los datos en origen t y a las estimaciones del modelo para h períodos en adelante, realizando una evaluación multipasos. Parados a fin de un año, se predicen primero los 4 trimestres del año siguiente, luego disponiendo del dato del primer trimestre del año corriente, se corre el modelo y se predice del 2do. al 4to. trimestre de ese año y así hasta el 3er. trimestre en que solo se predice uno (el 4to.). Sumando los valores observados disponibles y las predicciones se obtiene la predicción para el total del año corriente. Para esta evaluación se emplea el Error absoluto medio y el Error absoluto medio porcentual, cuyas fórmulas se explicitan a continuación.

Error absoluto medio ( ) ( )1

1 h

t j tj

MAD h x x jh +

=

= −∑ (35)

Error absoluto medio porcentual ( )( )

1

1 ht j t

j t j

x x jMAPE h

h x+

= +

−= ∑ (36)

En la segunda forma, se evalúa los errores de predicción un paso en adelante, con origen en t. O sea se fija el paso (es solo un paso en adelante, h=1) y se calcula el error acumulado en distintos momentos de tiempo (en las distintas bases de predicción). Se emplea también el Error absoluto medio y el Error absoluto medio porcentual.

17

Error absoluto medio un paso en adelante para k orígenes de tiempo

( ) ( )1

10

11 1

k

t j t jj

MAD x xk

−

+ + +=

= −∑ (37)

Error absoluto medio porcentual un paso en adelante para k orígenes de tiempo

( )( )1

1

0 1

111

kt j t j

j t j

x xMAPE

k x

−+ + +

= + +

−= ∑ (38)

También se calculan los siguientes errores un paso en adelante, para el año 2006. Error cuadrático medio

( ) ( )( )2

1

1 h

t j tj

MSE h x x jh +

=

= −∑ (39)

Raíz error medio cuadrático ( )( )( )RMSE h MSE h= (40) Combinación de predicciones: método directo vs indirecto En el caso que se disponga de más de un modelo para la generación de las predicciones, estas se pueden combinar por suma ponderada, donde los coeficientes pueden ser iguales (suma directa) o por ejemplo inversamente proporcionales a la variancia del error de predicción. Si se disponen de datos agregados por sectores (por ejemplo el PIB trimestral que es una suma ponderada de los VAB sectoriales; las importaciones totales agregadas por destino económico: consumo, capital e intermedios, los ingresos fiscales por sus fuentes de recaudación, los egresos fiscales por su destino de gasto), es útil obtener la predicción a partir de un modelo ajustado a la serie global (método directo) comparándola con la predicción obtenida agregando las predicciones que surgen de ajustar un modelo a cada componente (método indirecto). En general no hay una recomendación genérica dependiendo de la homogeneidad y variabilidad de los componentes de los agregados.

2.2.4 Comparación de metodologías y su aplicación. Existen muchos trabajos que comparan la performance de diferentes tipos de modelos univariados, ya sean lineales o no lineales, con estacionalidad estocástica o determinística, univariados o multivariados. En general para predicciones de corto plazo la recomendación es usar modelos univariados como los presentados aquí (ARIMA y Suavizamiento Exponencial, AR). Frances & Van Dijk (2005) hacen un estudio para series europeas trimestrales del indicador de producción industrial, y llegan a la conclusión que los modelos más complicados (no lineales y periódicos) son más efectivos para predicciones a largo plazo (de 2 a 4 años). En cuanto a usar la especificación estocástica de la estacionalidad (operador ∇4) versus la especificación determinística existen varios trabajos comparativos que se inclinan por una especificación determinística (Mirón (1996)), una estocástica parcial (Osborn & otros (1999)) o una estocástica (Hylleberg (1993)). Clement y Hendry (1997) en un estudio aplicado a varias series, llegan a la conclusión que si el objetivo es predecir con modelos univariados no se justifica el uso del test de HEGY para elaborar el modelo. Hay que tener en cuenta que estas comparaciones se hacen sobre cierto tipo de variables.

2.2.5 Implementación Trimestralmente se corren los modelos usando el paquete SCA, se calculan las predicciones y los errores de predicción con sus medidas de calidad. Se realiza una evaluación de los resultados, se elaboran los

18

cuadros resúmenes y se difunden para uso del Departamento de Análisis Fiscal y del Departamento de Análisis Monetario del BCU. En el siguiente capítulo se presenta el análisis exploratorio de las series elegidas para el análisis.

19

3. ANALISIS EMPÍRICO En este capítulo se presenta el análisis empírico efectuado para las variables fiscales consideradas. Como fue mencionado en la metodología, primero se realiza un análisis exploratorio de las series que incluye: el cálculo de medidas descriptivas y la revisión de la normativa, luego se especifica el modelo univariado seleccionado y los test de raíces unitarias realizados, finalmente se detallan las predicciones obtenidas para el 2006 y la evaluación de las mismas5.

Se trabaja con variables fiscales del Gobierno Central. La elección de este organismo obedece a que tanto sus ingresos como sus egresos constituyen alrededor del 70% de los ingresos y egresos totales del Sector Público no Financiero respectivamente (porcentaje explicado básicamente por la recaudación impositiva en el caso de los ingresos y por las renumeraciones y asistencia financiera al BPS en el caso de los egresos)6. Las variables analizadas en el caso de los ingresos son: Ingresos totales, Recaudación de la Dirección General Impositiva (DGI), Impuesto al Valor Agregado (IVA) Interno, IVA Importación, IVA Global, Impuesto Específico Interno (IMESI), Impuesto a la Renta de Industria y Comercio (IRIC), Impuesto a las Retribuciones Personales (IRP) e Ingresos de fondos de libre disponibilidad (FLD). Del lado de los egresos se analizan: Egresos totales, Contribuciones al BPS, Remuneraciones, Gastos en bienes y servicios con y sin Plan de Emergencia y Egresos de FLD7. Se analizan por separado las partidas financiadas por rentas generales y por FLD dado que para estos últimos se cuenta con datos a partir de 2001. Las fuentes de información primaria son: la Tesorería General de la Nación (TGN), la Dirección Nacional de Aduanas y la DGI. Se trabaja con variables trimestrales en pesos constantes de 1985 (deflactadas por el Índice de Precios al Consumo (IPC)), en el período 1989.I-2006.IV. En casos particulares además se analiza la influencia que tiene usar un deflactor específico.

Se presenta a continuación el análisis descriptivo realizado para cada serie y los cambios de normativa más importantes ocurridos en el período de análisis.

3.1. Análisis Descriptivo

3.1.1 Ingresos de Gobierno Central Los ingresos de Gobierno Central representan 19 puntos del PIB en promedio en el período de análisis y están integrados por ingresos tributarios y no tributarios. Dentro de los ingresos tributarios se incluye la recaudación de DGI, los impuestos al comercio exterior y el IRP, los mismos representan el 90% de los ingresos totales en promedio en el período de estudio. Dentro de los ingresos no tributarios se encuentran los aportes que las Empresas Públicas transfieren al Gobierno, los ingresos por loterías, casinos y otros ingresos extraordinarios que el Gobierno puede percibir (como por ejemplo el canon del aeropuerto, ingreso por venta de bandas celulares, etc). Todos se computan según metodología caja. A continuación se realiza el análisis descriptivo de los ingresos que fueron seleccionados para modelizar.

Impuesto al Valor Agregado

El Impuesto al Valor Agregado (IVA) es el principal impuesto del sistema tributario uruguayo, tanto por la amplitud de su base como por el monto recaudado. En el año 2006 fue responsable del 59% de los ingresos de la DGI y del 49% de los ingresos totales de Gobierno Central, lo que representa 10 puntos del PIB. Este impuesto fue creado por la Ley 14.100 de 1972, en sustitución de una serie de impuestos, grava la circulación interna de bienes, la prestación de servicios dentro del territorio nacional y la introducción de bienes al país. Recae sobre las ventas finales destinadas al consumo, dado que el IVA incluido en la compra de insumos y bienes de capital se deduce del impuesto a pagar. Tiene dos tipos de 5 Se presenta además la predicción realizada para el 2007, sin corregir por la Reforma Tributaria. 6 El Gobierno Central incluye los Ministerios, el Poder Legislativo, Ejecutivo y Judicial, la Corte Electoral, el Tribunal de Cuentas y de lo Contencioso Administrativo, el INAU, el Co.Di.Cen y la Universidad. 7 Los rubros que no se analizan por separado en el caso de los ingresos son: los impuestos de DGI que tienen baja recaudación, los impuestos al comercio exterior, aportes de entes y el rubro otros ingresos. En el caso de los egresos: los intereses, las inversiones y las contribuciones a la Caja Policial y Militar.

20

Recaudación IVA Interno deflactado por IPC y por deflactor del IVA Interno

6

7

8

9

10

11

12

1997.II 1998.II 1999.II 2000.II 2001.II 2002.II 2003.II 2004.II 2005.II 2006.II

IVA / IPC - P ctes 97 IVA / DEFLACTOR IVA - P Ctes 97

efecto T de I -

efecto T de I -

tasas: básica y mínima, además existen bienes exentos; a la fecha de finalizado el análisis la tasa básica era de 23% y la tasa mínima de 14%8. Para analizar este impuesto se estudió por un lado el IVA en forma global, y por otro sus componentes: IVA Interno e IVA Importación. El IVA Interno es recaudado por la DGI y en 2006 representaba en promedio un 58% del total del IVA, el IVA Importación es recaudado por la Dirección Nacional de Aduanas y en 2006 representaba en promedio un 42%.

IVA Interno

El IVA Interno grava la circulación de bienes y prestación de servicios en territorio nacional, en el año 2006 su recaudación ascendía a 6 puntos del PIB. El análisis se centra en el IVA Interno deflactado por el IPC base diciembre 1985. Sin embargo se compara también la evolución de esta variable con la del IVA corriente deflactado por el índice de precio de aquellos bienes gravados por este impuesto9. Se muestra en una primera instancia la evolución de estas dos recaudaciones. Se observan claramente dos períodos donde la evolución de ambas difiere, el período que abarca desde 1997.II a 2002.III y desde el 2005.II al 2006.IV. En ambos la recaudación del IVA Interno deflactado por su deflactor es mayor que la recaudación del IVA Interno deflactado por IPC, generando de esta forma un efecto “términos de intercambio” negativo entre el sector público y el sector privado, reflejado en una evolución del Índice de Precios General (IPC) mayor al Índice de Precios de los bienes del IPC gravados con IVA (ver gráfica 1). La idea central es que el Gobierno recauda impuestos de bienes que han aumentado menos que el IPC para luego tener egresos a precios que aumentan más.

Gráfica 1 Fuente: Elaboración propia en base a datos de DGI, INE y de INVECO del BCU. Del análisis de los coeficientes fijos para estimar la estacionalidad, de la gráfica que muestra lo recaudado en cada trimestre por año y de la aplicación del procedimiento X-12-ARIMA de ajuste estacional se observa que la recaudación del IVA Interno muestra estacionalidad en el primer trimestre10. Esto obedece a que la recaudación del IVA grava el consumo y esta variable, al igual que el producto presenta una fuerte estacionalidad en el cuarto trimestre. Como el IVA tiene rezago en su recaudación de aproximadamente un mes esto explicaría su estacionalidad en el primer trimestre del año. Con relación al análisis de la recaudación del IVA Interno por años, se distinguen claramente los años "buenos" de recaudación: 1998, 1999, 2004, 2005 y 2006. Los años de "menor" recaudación: 1989 y 1990 y los años "medios" de recaudación integrado por el resto de los años. Es destacable el comportamiento observado en la recaudación del IVA Interno en el año 2006 (básicamente en el cuarto trimestre), cuya tasa anual de crecimiento estaría situándose por encima de la tasa de crecimiento del

8 Con la Ley de Reforma Tributaria (Ley 18083 de Dic/2006) que entrara en vigencia en Julio 2007, la tasa básica pasa a 22% y la mínima a 10% y se realizan modificaciones de la base imponible. 9 Este deflactor al igual que el del IVA Importación fue construido por el Área de Investigaciones Económicas (INVECO) del BCU. Se presenta la evolución a partir de 1997, dado que a partir de esta fecha fue construido. 10 Ver Anexo Metodológico: Estudio de caso - Recaudación del IVA Interno para tener un análisis más detallado del análisis exploratorio realizado.

21

Variación Anual Porcentual del Iva Interno Real y PIB Real

-15

-10

-5

0

5

10

15

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

PIB Iva Interno Desfasado un Mes

PIB, situación registrada en muy pocos años, (ver gráfica 2). Considerando que no hubo cambios de tasas en este año, este crecimiento real en la recaudación se atribuye no solo al crecimiento del PIB sino también a una mejora de la eficiencia en la gestión recaudadora11. A su vez, si se siguiera en el 2007 con estos niveles de recaudación se estaría configurando un nuevo clúster (2006-2007) formando los “mejores” años. Al ser el 2006 el último año observado no se puede conocer si a partir de esta observación se va a provocar un cambio de nivel en la serie o si es otro tipo de outlier. Si se tiene en cuenta que la recaudación total depende de la base imponible y de las tasas impositivas, y que además la base imponible de este impuesto podría asimilarse al PIB, los años de crecimiento explican la buena performance en la recaudación observada en el clúster más alto, dado el carácter endógeno de la recaudación. Esta prociclicidad de la recaudación está ayudada por la contraciclicidad que presenta la evasión. A continuación se compara la tasa de crecimiento anual del IVA Interno con la del PIB utilizando las mismas como aproximación al componente cíclico de las series. Como se menciona en la metodología, si se supone a la tasa anual de crecimiento como una variable que se obtiene de filtrar la serie original y a partir de la cual se obtiene una señal, la misma puede ser una estimación razonable del componente cíclico de la serie12. Si además se utiliza la metodología que caracteriza el comportamiento cíclico de la política fiscal a partir de las correlaciones de los componentes cíclicos de las variables fiscales y el producto. Se observa, la prociclicidad de la recaudación del IVA: la correlación entre ambas asciende a 0.42. Se observa en la gráfica 2 que en el período seleccionado en general las tasas de variación de la recaudación del IVA evolucionaron en el mismo sentido que las del PIB. A su vez, la correlación entre el componente cíclico del IVA Interno trimestral y el componente cíclico del PIB trimestral estimados por Hodrick-Prescott, del componente tendencia-ciclo de cada serie extraído por el procedimiento X-12-ARIMA, alcanza a 0.44, (el λ usado en el filtro HP fue de 1600).

Gráfica 2

Fuente: Elaboración propia en base a datos de DGI, INE y de BCU. Por otra parte, la política discrecional adoptada por cada Gobierno en cuanto al manejo de tasas y base imponible en los años de recesión (1990, 1995 y 2002) tendió a ser procíclica. En el año 1990, con el lanzamiento del Plan de Estabilización se realiza un ajuste fiscal importante; entre las medidas se encontraba el aumento de la tasa básica de IVA en 1% (pasó de 21% a 22%). La buena recaudación del año 1995 en un contexto de caída del PIB se debió al aumento de tasas de 1% en la básica y 2% en la mínima (pasan a 23% y 14% respectivamente) y que a partir de mayo UTE pasó a ser contribuyente de IVA, en sustitución del IMESI13. A su vez en el año 2002 se amplió la base de este impuesto gravando nuevos bienes y servicios14. Ver cuadro 1: Tasas impositivas de Anexo Descriptivo.

11 Ver Asesoría Económica de la DGI (2006). 12 Las limitaciones de esta aproximación se explicitaron en la metodología. 13 El aumento de tasas en 1990 se origina también con el fin de financiar el desbalance financiero que atravesaba el BPS fruto de la Reforma de 1989. 14 Leyes que respaldaron estos aumentos: 1990 - Ley 16.107, 1995 - Ley 16.697 y Decreto 158/95, 2002 - Ley 17.453 que implicaba medidas de ajuste fiscal y la Ley 17.502 de Estabilidad Financiera. En estas dos últimas leyes se gravaron con IVA: los juegos de azar, las frutas y verduras, los honorarios profesionales obtenidos fuera de la relación de dependencia, derivados de la prestación de servicios vinculados a la salud de los seres humanos.

22

Recaudación de IVA Importación deflactado por IPC y por deflactor del IVA importación - P ctes 97

2

3

4

5

6

7

8

9

1997.II 1998.II 1999.II 2000.II 2001.II 2002.II 2003.II 2004.II 2005.II 2006.II

IVA IMP/ IPC - P ctes 97 IVA IMP / DEFLACTOR IVA IMP- P Ctes 97

efecto T de I - efecto T de I +

IVA Importación El IVA como fue mencionado también grava las importaciones, en el año 2006 este impuesto recaudaba 4 puntos del PIB. Las especificidades en cuanto al gravamen son las siguientes. Afectación al uso: las importaciones realizadas directamente por contribuyentes, de bienes destinados al uso propio, salvo que se trate de máquinas industriales, sus accesorios y complementos. No se considerará afectación al uso, la transformación de materias primas y demás productos. Importaciones por terceros: las importaciones realizadas por intermedio de terceros a nombre de éstos pero por cuenta ajena, sea el comitente, contribuyente o no. Importaciones por no contribuyentes: las importaciones realizadas directamente por personas que no sean contribuyentes cualquiera sea su destino, salvo que se trate de bienes que aquéllos hayan afectado a su uso personal con anterioridad a la importación. Las tasas que rigen para el IVA Importación son las mismas que para el IVA Interno. El análisis se centra en el IVA Importación deflactado por IPC, además se hace el mismo ejercicio que con el IVA Interno presentando los “términos de intercambio” que se registraron a partir de 1997. En la gráfica siguiente se observa la evolución de la recaudación del IVA importación deflactado por IPC y deflactado por el deflactor del IVA Importación15. Se observan dos períodos donde la evolución de ambos difiere: 1998.I a 2002.II y 2002.III al 2006.IV. En el primer período la recaudación del IVA Importación deflactada por su deflactor es mayor que la deflactada por IPC, generando un efecto términos de intercambio negativo, originado en un contexto de caída del TCR. A partir del 2002.III sucede lo contrario, lo que implica un efecto términos de intercambio positivo entre el sector público y el sector privado, en un contexto de aumento de TCR (ver gráfica 3).

Gráfica 3

Fuente: Elaboración propia en base a datos de DGI, INE y de INVECO del BCU. Del análisis de los coeficientes fijos para estimar la estacionalidad, de la gráfica que muestra lo recaudado en cada trimestre por año y de la estimación por X-12-ARIMA, se observa que la recaudación del IVA Importación muestra estacionalidad en el cuarto trimestre. Esto obedece a que la recaudación del IVA Importación recae en las importaciones, y las mismas al igual que el producto tienen una fuerte estacionalidad en el cuarto trimestre. Esta concordancia se da además porque el IVA Importación a diferencia del IVA Interno no tiene rezago en su recaudación (el análisis exploratorio se encuentra en el Anexo Empírico: IVA Importación).

Con relación a los clústeres de años, se distinguen claramente los años “buenos" de recaudación (2005 y 2006) donde se recauda 4 puntos de PIB de los años "medios" de recaudación (de 1997 a 2001 y el año 2004). Tanto la recaudación del año 1996 como la de 2003, comienzan ubicadas en el clúster de menor recaudación y a partir del tercer trimestre pasan a estar en el clúster de recaudación media. El resto de los años no mencionados está en el clúster de “menor” recaudación, se destaca que los años de crisis (1995 y

15 Para la construcción de este deflactor el Área de INVECO del BCU trabaja con índices que reflejan la evolución de los precios expresados en dólares en los nueve principales socios comerciales de Uruguay (Alemania, Francia, Italia, Países Bajos, Reino Unido, Estados Unidos, Japón, Argentina y Brasil). A partir de estos índices se construye un indicador de la evolución de los precios en dólares en el exterior utilizando ponderaciones variables. Cada año se mantiene como ponderación la participación de cada país en las importaciones uruguayas del año anterior. Además de la evolución de los precios en dólares en el exterior se toma en cuenta la de la cotización del dólar.

23

Variación Anual Porcentual del Iva Importación Real y PIB Real

-40

-30

-20

-10

0

10

20

30

40

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

Iva Importación PIB

Recaudación IVA Importación deflactado por su deflactor e Importaciones sin Petróleo, Destilados y EE

20

40

60

80

100

120

140

160

1997.II 1998.II 1999.II 2000.II 2001.II 2002.II 2003.II 2004.II 2005.II 2006.II2

3

4

5

6

7

8

9

IM P sin Pet. Dest. y EE / DEFLATOR IM P - Eje izquierdo IVA IM P / DEFLACTOR IVA IM P - Eje derecho

2002) integran dicho clúster aunque son los más cercanos al clúster “medio”; este clúster está asociado a una recaudación de 2 puntos del PIB. Ver gráfica en Anexo Empírico: IVA Importación. Si se compara la tasa de crecimiento anual del IVA Importación con la del PIB utilizando las mismas como aproximación al componente cíclico de las series, se observa que en el período seleccionado en general las tasas de variación de la recaudación del IVA Importación evolucionaron en el mismo sentido que las del PIB, pero con mayor volatilidad. Esto está en línea con los resultados encontrados para Uruguay en cuanto a la mayor volatilidad y prociclicidad sistémica que reflejan las importaciones16. La correlación entre ambas tasas asciende a 0.83. A su vez la correlación entre el componente cíclico del IVA Importación y el componente cíclico del PIB estimados por HP (del componente tendencia-ciclo) alcanza a 0.87.

Gráfica 4

Fuente: Elaboración propia en base a datos de DGI, INE y de BCU. Lo comentado en el análisis de la normativa para el caso del IVA Interno se aplica también para este caso, con excepción de los cambios en la normativa de 2002 que afectaron la base imponible del IVA Interno, por lo cual el IVA Importación a diferencia del IVA Interno presentó una importante caída acompañando al PIB y a las importaciones.

A continuación se presenta la relación entre la recaudación real de IVA Importación y las importaciones sin petróleo, destilados y energía eléctrica, su base imponible17. Se destaca la importante caída de ambos en la crisis del 2002 y la recuperación luego de este año, llegando al 2006 a valores de las importaciones similares a las obtenidas en 1998.

Gráfica 5

Fuente: Elaboración propia en base a datos del INE, DGI y de INVECO del BCU.

16 Ver: Kamil H. y Lorenzo F. (1998). 17 La Ley 14.100 estable a estos bienes como exentos de tributar IVA.

24

Recaudación de IVA Global deflactado por IPC y por deflactor del IVA Interno e IVA Importación - P ctes 97

9

11

13

15

17

19

21

1997.II 1998.II 1999.II 2000.II 2001.II 2002.II 2003.II 2004.II 2005.II 2006.II

IVA Total/IPC IVA INT/Def IVA INT + IVA IMP/Def IVA IMP

efecto T de I - efecto T de I +

IVA Global

Además de analizar el IVA por componentes se realiza también una modelización del IVA Global para obtener una predicción directa de este impuesto. Por esta razón se detalla el análisis exploratorio de esta serie.

Se muestra a continuación la evolución de la recaudación del IVA Global deflactado por IPC y la suma del IVA Interno e IVA Importación ambos deflactados por los deflactores correspondientes antes mencionados. Se observan dos períodos donde la evolución de ambos difiere: 1997.II a 2002.II y 2002.III a 2006.III. En el primer período se observa un efecto negativo en los términos de intercambio provocado tanto por el comportamiento real del IVA Interno como del IVA Importación. A partir del 2002.III se observa lo contrario provocado básicamente por la evolución del IVA Importación, este efecto es neutro a partir del tercer trimestre de 2006 (ver gráfica 6). Gráfica 6 Fuente: Elaboración propia en base a datos del INE, DGI y de INVECO del BCU.

El instrumental usado para analizar la estacionalidad muestra una mayor recaudación en el primer y cuarto trimestre, determinada por la estacionalidad de sus componentes, aunque domina la estacionalidad del IVA Interno dada la proporción mayor de este impuesto en el global. Si se observa la gráfica que muestra la evolución de los coeficientes estacionales, se detecta un cambio en la estacionalidad a partir de 2005, disminuye la importancia del primer trimestre y aumenta la del cuarto (ver Anexo Descriptivo: IVA Global). Con relación a los clústeres de años, se observan dos años “buenos" de recaudación claramente diferenciados (2005 y 2006), donde la recaudación de IVA se ubica en 10 puntos del PIB. Los años "medios" de recaudación integrado por los años que van desde 1997 a 2001 y el año 2004. El resto de los años están en el clúster de “menor” recaudación. Ver Anexo Descriptivo: IVA Global. Se muestra en forma gráfica la relación entre las tasas de crecimiento anual del IVA Global Real y del IVF de la Oferta Total18. Se observa que en el período la recaudación del IVA Global evolucionó en igual dirección que la Oferta Global, como era de esperar dado lo analizado para sus componentes, con excepción de los años: 1993 y 1995, lo cual también fue analizado. En el año 2002 el aumento del IVA Interno ocasionado por el aumento discrecional en la base imponible no logra compensar la caída del IVA Importaciones por lo cual el IVA Global cae acompañando también la caída de la Oferta Global. Por otro lado se calculó la correlación entre el componente cíclico del IVA Global y del PIB estimados por HP, previa desestacionalización de las series, la misma se ubicó en 0.85. 18 Cabe realizar dos apreciaciones, por un lado lo "correcto" sería considerar el IVA Global Real que surge de sumar: el IVA interno deflactado por el deflactor del IVA Interno más el IVA importación deflactado por el deflactor correspondiente, sin embargo los datos de los deflactores del IVA están disponibles a partir del año 1997. Por otro: en la oferta total se consideran las importaciones de petróleo y destilados y estas como fue mencionado están exentas de IVA.

25

Variación Anual Porcentual del Iva Total Real y del IVF de la Oferta Total

-20

-15

-10

-5

0

5

10

15

20

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

IVF Oferta Total Iva Total Real

Gráfica 7 Fuente: Elaboración propia en base a datos de DGI, INE y de BCU

Impuesto Específico Interno

El Impuesto Específico Interno (IMESI) fue creado en la Reforma Tributaria de 1979 (Ley 14.948), es el segundo impuesto en importancia en la historia del sistema tributario uruguayo y el primero en la lista de impuestos selectivos. En el año 2006 fue responsable del 14% de los ingresos de la DGI y 12% de los ingresos totales de Gobierno Central, lo que representa 2,4 puntos en términos del PIB en el 200619. Este impuesto grava la primera enajenación de: combustibles, tabacos, cigarros y cigarrillos, bebidas, automóviles y motos, artículos de cosmética y perfumería, grasa y lubricantes y la afectación al uso propio que realicen los contribuyentes. Son contribuyentes del impuesto los fabricantes e importadores de los bienes gravados. Se entenderá por enajenación toda operación que tenga por objeto la entrega de bienes con transferencia del derecho de propiedad o que dé a quien los recibe la facultad de disponer económicamente de ellos como si fuera su propietario. Las exportaciones están exoneradas de este impuesto (Art. 5 del T.O. de 1987). La base es el precio de venta al público de los bienes gravados y esta característica es común a todos los bienes que alcanza, salvo en el caso de los Combustibles que desde el año 2000 es un impuesto de suma fija.

Los distintos tipos de bienes se gravan con diferentes tasas, muchos de ellos según precios fictos, caso por ejemplo de las bebidas. El régimen de precios fictos le agrega complejidad al tratamiento de este impuesto debido a que las tasas se aplican a estos precios, los cuales cambian con frecuencia. La DGI tiene la facultad de ajustar los precios fictos, teniendo en cuenta los precios de mercado, para determinados contribuyentes o bienes20.

En el caso del IMESI se modelizó la serie global y la de sus principales componentes, en el documento nos centraremos únicamente en las predicciones del IMESI Global. En el análisis descriptivo se analizan las principales categorías que componen el IMESI: Combustible, Tabaco, Automotores y Otros. En el IMESI Otros se incluye: bebidas alcohólicas y sin alcohol, perfumería y cosmética y el anticipo de IMESI Importación. El principal rubro es el IMESI Combustibles el cual representa en promedio un 51% del total recaudado de IMESI, le sigue el IMESI Tabaco con un 26%, el IMESI Otros y el IMESI Automóviles (14% y 9% respectivamente). Se realiza para el IMESI Global, como para el caso del IVA, la comparación entre la recaudación real de este impuesto obtenida al deflactar por IPC y la obtenida al deflactar por el deflactor correspondiente21. Se observa en el período que a partir del año 2000 la relación de intercambio ha sido favorable para el

19 En el 2006 el IRIC tuvo una mayor recaudación que el IMESI (13% de los ingresos totales de Gobierno Central), sin embargo en el período de análisis constituyó en promedio el 9% de los ingresos totales de GC frente a 17% que constituyó el IMESI. 20 Un análisis más exhaustivo debería considerara la evolución de las tasas legales y precios fictos para analizar la tasa implícita. 21 Este deflactor se calcula como un promedio ponderado de los IPC de aquellos bienes afectados por el IMESI. Las ponderaciones surgen de la recaudación del IMESI según productos para el año 1997, realizada para el proyecto de cambio de año base (PCAB) del AEE. El Índice es elaborado por el sector de Análisis y Modelización del Área de Estadísticas Económicas del BCU.

26

Variación Anual Porcentual del IMESI Real y PIB Real

-25

-20

-15

-10

-5

0

5

10

15

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

PIB Imesi

Recaudación de IMESI deflactado por IPC y por deflactor de IMESI - P ctes 97

6

8

10

12

14

16

18

20

22

1997.II 1998.II 1999.II 2000.II 2001.II 2002.II 2003.II 2004.II 2005.II 2006.II

IMESI/ IPC - P ctes 97 IMESI / DEFLACTOR IMESI - P Ctes 97

efecto T de I - efecto T de I +

Gobierno Central en función de la evolución presentada por el precio relativo IPC/precios de los bienes que grava el IMESI. Gráfica 8 Fuente: Elaboración propia en base a datos del INE, DGI y del AEE (BCU). La recaudación del IMESI Global a diferencia de las otras series no muestra una tendencia creciente, sino que oscila en torno a una media hasta la crisis del 2002 y luego de la misma oscila en torno a una media más baja. Se observa del análisis de la estacionalidad, una mayor recaudación en el primer y cuarto trimestre (ver Anexo 2, Análisis Descriptivo: IMESI), la mayor recaudación en el primer trimestre del año se observa en todos los componentes del IMESI. Originado en que este impuesto grava el consumo y se recauda con rezago mensual. Si analizamos la recaudación por años este impuesto presenta las siguientes particularidades: los años de recaudación más alta son los primeros años de los 90 (salvo el 95) y los años 1998 y 1997, con una recaudación de 3.5 puntos del PIB. La alta recaudación de estos dos últimos años está determinada por la alta recaudación del IMESI automóviles originada en la venta record de automóviles y camiones 0km registrada en esos años (74.510 en los dos años). Los de recaudación más baja son los años más recientes: de 2002 a 2006, con una recaudación entorno a 2.4 puntos del PIB.

La correlación entre las tasas de variación anual del IMESI y del PIB asciende en el período a 0.75. En tanto, la correlación de los ciclos obtenidos por HP fue 0.74. Los años donde la variación del IMESI es distinta a la del PIB son: el año 1993 originado por la caída en la recaudación del IMESI combustible, asociada a una caída en el consumo de este bien. El año 2000, donde el aumento de la recaudación global también está determinada por el aumento en la recaudación de combustibles pero en este caso, originado por un aumento real en las tarifas de ANCAP en torno al 20% (con indicadores físicos en declive). El año 2003, donde todos los rubros tuvieron el mismo comportamiento, excepto el IMESI Otros.

Gráfica 9 Fuente: Elaboración propia en base a datos de DGI, INE y de BCU

En cuanto al manejo de tasas de este impuesto se observa al igual que en el caso del IVA, que las mismas aumentaron en las recesiones. En 1990 aumentó la tasa del IMESI automóviles un 4% y la del IMESI

27

sobre los cigarrillos un 3%. La tasa de IMESI automóviles volvió a aumentar en la recesión de 1995 y en la de 2002. Por otro lado las tasas asociadas al IMESI bebidas bajaron en el año 2003 y aumentó la del IMESI Cigarros. Ver Anexo Descriptivo: Cuadro 1 – Normativa.

Impuesto a la Renta de Industria y Comercio

El Impuesto a la Renta de Industria y Comercio (IRIC) se crea por Ley 14.100 de 1975, recaudó en promedio en el período analizado 1,9% del PIB, aportando el 12% de los ingresos de la DGI; esto implica que sea el tercer impuesto en importancia en la historia del sistema tributario uruguayo. Es un impuesto anual que grava las rentas de fuente uruguaya derivadas de actividades industriales, comerciales y similares de cualquier naturaleza. Constituyen rentas comprendidas: A) Las derivadas de la utilización conjunta de capital y trabajo aplicados a actividades lucrativas regulares; B) Las derivadas del arrendamiento, cesión del uso o de la enajenación de marcas, patentes, modelos industriales o privilegios, siempre que sean realizadas por titulares domiciliados en el exterior a sujetos pasivos de este impuesto. C) La asistencia técnica prestada a los sujetos pasivos de este impuesto, por personas físicas o jurídicas domiciliadas en el exterior; D) Las derivadas de la actividad de comisionista, corredor, rematador, despachante de aduana y corredor de cambio, siempre que el factor productivo predominante no lo constituya su actividad personal. E) Dividendos o utilidades acreditadas o pagas por sujetos pasivos de este impuesto, a personas físicas o jurídicas domiciliadas en el exterior. Los Entes Autónomos y Servicios Descentralizados que integran el dominio industrial y comercial del Estado fueron gravados a partir de 1992. A partir de la Ley 15.294 de 1982 se fija la tasa máxima del impuesto en 30%22. El cambio de tasas de este impuesto ha tenido la misma regularidad que el IVA e IMESI: incrementarse en recesiones, de esta forma en 1990 aumenta pero solo por el término de un año a 40% y luego en la crisis del 2002 aumenta a 35% hasta el año 2004 que vuelve a 30%23.

La mayor recaudación de IRIC se da en el segundo trimestre (en el mes de abril) esto obedece a la reglamentación existente sobre la forma de liquidar este impuesto, la cual se acentuó en el año 2004. Respecto a los años de mejor recaudación se destaca como en el caso del IVA, los años 2006 y 2005 dada la vinculación que tiene el mismo con el nivel de actividad, los años que le siguen son 1998 y 2004. En los primeros años mencionados la recaudación anual asciende a 2,6 puntos del PIB y a 2,2 en los siguientes. El año 2004 es destacable porque en el mismo se observa la mayor recaudación de IRIC de EP (1.1% del PIB), debido a que en ese año las mismas presentaron la mejor performance en cuanto a resultado se refiere. Los peores años de recaudación son los anteriores a 1992, básicamente porque no se encontraban como sujetos pasivos las EP. El año 2002 no está en este grupo por el aumento de tasas de 5% que se originó en ese año. El análisis con respecto al PIB refleja que su recaudación evoluciona con el ciclo económico: en períodos de expansión del nivel de actividad su recaudación aumenta y en períodos de recesión su recaudación disminuye. El coeficiente de correlación entre las tasas de crecimiento anuales asciende a 0.77, confirmando una vez más el carácter endógeno de la recaudación respecto al ciclo económico.

22 Con la Ley de Reforma Tributaria (Ley 18083 de Dic/2006) que entrara en vigencia en Julio 2007, el IRIC se sustituye por el IRAE, la tasa pasa a 25%. 23 Existen en el período además cambios referidos a la base imponible, vinculados a las exoneraciones y exenciones, la forma de cálculo de la renta imponible, los mecanismos de ajuste de esta renta imponible, y los plazos para el pago como para deducir pérdidas de ejercicios anteriores, que no se detallan en el documento.

28

Variación Anual Porcentual del IRIC Real y PIB Real

-20

-10

0

10

20

30

40

50

60

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

PIB IRIC

Gráfica 10

Fuente Elaboración propia en base a datos de DGI, INE y de BCU

Impuesto a las Retribuciones Personales (IRP)

El Impuesto a las Retribuciones Personales se crea por Ley 15.294 de 1982 y recauda en promedio en el período de análisis 1,2% del PIB, aportando el 6% de los ingresos del Gobierno Central. Este impuesto grava las retribuciones y prestaciones nominales en efectivo o en especie, derivadas de servicios personales prestados en la actividad pública o privada, exista o no relación de dependencia. Se aplica también a todas las jubilaciones y pensiones servidas por instituciones estatales y no estatales de la Seguridad Social. Las tasas originales de este impuesto fueron: de 1% para retribuciones hasta tres salarios mínimos nacionales mensuales y de 2% cuando superara esa cantidad. A la fecha de finalizado el análisis regían dos tasas para los activos: 2% para retribuciones entre 3 y 6 SMN y 6% para mayores a 6 SMN, la tasa de los pasivos estaba unificada en 2%, normativa vigente desde agosto de 200424.

Los trimestres de mayor recaudación en el IRP son el primer y tercer trimestre (ver análisis de estacionalidad). Esto está explicado por la conjunción del pago del aguinaldo y el rezago en la recaudación de IRP.

Si analizamos en forma conjunta la ciclicidad de este impuesto respecto al PIB vía tasas de crecimiento, los clústeres de la recaudación real y la normativa, las regularidades que se observan son las siguientes. El IRP resulta el único impuesto (junto con el IVA Interno) que durante las crisis de 1995 y 2002 aumentó su recaudación. El aumento en el 2002, también estuvo provocado por un cambio en la normativa que llevó a aumentar las franjas de 3 a un máximo de 14, con tasas que iban de 0% a 20% y diferentes si se era activo público, privado o pasivo. Estos aumentos se dieron en dos instancias en la Ley de Responsabilidad Fiscal de febrero/2002 y en la Ley de Estabilidad Financiera de mayo/2002 (ver Anexo Descriptivo cuadro 2) y causaron que los años de mejor recaudación de IRP fueran 2002 y 2003, a pesar de haber estado en un contexto de fuerte caída de la masa salarial y del PIB, en el año 2002, y de caída de la masa salarial en el 2003. Debe tenerse en cuenta que el carácter contracíclico que pueda tener la evasión de este impuesto en los públicos se elimina, sector que a su vez soportó las mayores tasas.

El aumento tanto del año 1995 como de 1996 no puede ser explicado por lo discrecional dado que las tasas presentaron una baja muy pequeña, a su vez la masa salarial cae en estos años por lo cual este aumento puede atribuirse a una mayor formalización, el número de cotizantes a BPS aumentó en 31.682 si se compara punta a punta Dic 96/Dic 94. Estos años se encuentran ubicados dentro del clúster “medio”. El año 2004, en el cual comienza la gradual disminución de tasas hasta llegar a las tasas de 2% y 6% antes mencionadas, se encuentra también junto con el año 2005 ubicado dentro de este clúster, recaudando 1 punto del PIB.

24 Con la Ley de Reforma Tributaria, este impuesto es sustituido a partir de Julio 2007 por el Impuesto a la Renta de las Personas Físicas (IRPF), que se caracteriza por tener tasas “progresionales” aplicables a cada tramo de ingresos, medidos en BPCs. Las alícuotas anuales son: Hasta 60 BPC: 0%. Entre 60 y 120 BPC: 10%. Entre 120 y 180 BPC: 15%. Entre 180 y 600 BPC: 20%. Entre 600 y 1200 BPC: 22%. Más de 1200 BPC: 25%.

29

Variación Anual Porcentual del IRP y PIB Real

-40

-30

-20

-10

010

20

30

40

50

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

PIB IRP

Gráfica 11 Fuente: Elaboración propia en base a datos de DGI, INE y de BCU.

Recaudación de DGI

Lo recaudado por DGI asciende a 15 puntos del PIB en promedio en el período de análisis, registrando el máximo recaudado en términos del producto en el año 2006 (17.1% del PIB). La recaudación impositiva de esta forma constituye la principal fuente de ingresos tanto para el Gobierno Central (76%) como para el Sector Público no Financiero (50%)25.

Los trimestres de mayor recaudación de la DGI son el primero y cuarto (estacionalidad que imprimen el IVA e IMESI principalmente). A su vez a partir del 2004 el cambio en la cadencia de recaudación del IRIC hace que el segundo trimestre sea también un trimestre de alta recaudación. Así como el análisis de estacionalidad coincide con el de sus principales impuestos, sucede lo mismo con el análisis de la recaudación por años. Los años de mejor recaudación son el 2006 y 2005, seguidos por 1998 y 2004, los cuales, se han obtenido en un contexto interno y externo favorable, atribuyendo por tanto al ciclo parte de esta buena performance y también a una mejor eficiencia en la DGI.

Ingresos Totales de Gobierno Central

Como fue mencionado los ingresos de Gobierno Central representan 19 puntos del PIB en promedio en el período de análisis, están integrados por ingresos tributarios y no tributarios. Dentro de los ingresos tributarios se analizó la recaudación de DGI vía sus principales impuestos y el IRP, los cuales representan el 83% de los ingresos totales en promedio en el período de estudio.

De esta forma dado el aporte de la recaudación de DGI a los ingresos totales, las regularidades que presenta esa serie determinan las regularidades de los ingresos globales. Por esta razón, el análisis de estacionalidad y clústeres de años es idéntico al de la recaudación previamente comentado (ver Anexo: Análisis Descriptivo: Ingresos). Los ingresos de Gobierno Central resultaron procíclicos en el período analizado, la correlación entre el ciclo de los Ingresos y el del PIB obtenidos por el filtro de HP asciende a 0.7026.

25 El SPNF está integrado por el Gobierno Central, las Empresas Públicas, la Intendencia Municipal de Montevideo y el Banco de Previsión Social. 26 Esta correlación es similar a la encontrada por Mahilos y Sosa (1999) para el período 1975.I -1999.I (0.75).

30

Variación Anual Porcentual de los Ingresos de Gobierno Central y PIB Real

-15

-10

-5

0

5

10

15

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

PIB Ingresos Totales

Gráfica 12

Fuente: Elaboración propia en base a datos de la TGN, INE y de BCU.

3.1.2 Egresos de Gobierno Central Los egresos de Gobierno Central representan 21 puntos del PIB en promedio en el período de análisis, lo cual determina un déficit convencional del Gobierno Central promedio de 2% del PIB. Los principales egresos lo constituyen las contribuciones a la Seguridad Social, estas se integran por contribuciones al BPS, a la Caja Militar y a la Policial que realiza el Gobierno para paliar los déficit estructurales de estos organismos. Los otros rubros que componen el gasto total del Gobierno, en orden de contribución, son los siguientes: remuneraciones, gastos en bienes y servicios, intereses, inversiones y transferencias y subsidios al sector privado.

A continuación se detallan las series de egresos que fueron consideradas en la modelización univariada con un breve análisis descriptivo de su evolución en el período de análisis.

Contribuciones al BPS

Las Contribuciones al BPS representan en promedio en el período de análisis 7% del PIB y 31% de los egresos del Gobierno Central, constituyendo de esta forma el principal egreso del Gobierno Uruguayo a partir de los años ’80. Están compuestas por distintas transferencias que realiza el gobierno al BPS, se destacan: asistencia directa a este organismo para paliar su déficit, afectación del IVA, COFIS, otras rentas afectadas, aportes patronales (del propio Gobierno e Intendencias) y el Ingreso Ciudadano (a partir del 2005). De esta forma la evolución de estas contribuciones está determinada por la evolución del déficit del BPS, el cual depende del número de beneficiarios, de las reglas de indexación, de las tasas de aporte, de la evolución del salario real y de la formalización del mercado laboral27. El déficit del BPS se ha ubicado en promedio en el mismo entorno que las contribuciones: 7% del PIB.

En relación a la normativa que afecta las prestaciones del BPS se destaca que desde 1989, año que comienza este estudio, las pasividades son ajustadas por la variación del Índice Medio de Salarios (el cual se ajusta por inflación) y en la oportunidad que se ajustan los salarios de la administración central (Reformas de 1979 y 1989). Este sistema imprime una correlación negativa entre la inflación y el gasto en pasividades en términos reales y por ende entre la inflación y las contribuciones al BPS28 29. Se destaca en el período, el aumento real de las contribuciones durante los 90, dado el plan de estabilización implementado para bajar la inflación y la disminución real de las mismas durante el repunte inflacionario que se registró en 2002 y 2003 (ver gráfica 10). Con la reforma de 1995 (Ley 16713) se pasa de un régimen de solidaridad intergeneracional o de reparto a uno mixto (de reparto junto con uno de capitalización o ahorro individual), se extiende la edad mínima para jubilarse, se disminuye la prestación inicial y se vuelven mas estrictas las condiciones para recibir pensiones, este cambio de régimen explica el crecimiento de las contribuciones en los años siguientes. Finalmente a inicios de 2005 se crea la Base

27 Se tratará de hacer una síntesis de los principales cambios registrados en el período, básicamente relacionados a reglas de indexación y aportes, dado que un análisis detallado del tema resulta inabordable en este documento. 28 Con la reforma de 1979 el número de jubilados se incrementó por una serie de medidas implementadas. En la reforma de 1982 existe una reversión de este aumento (sobre todo de las jubilaciones de privilegio). 29 Para un mayor detalle de la influencia de la inflación en los gastos reales ver: Licandro y Vicente (2007).

31

Variación Anual Porcentual Contribuciones al BPS Real y PIB Real

-15-10-505

10152025

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

PIB Cont BPS

de Prestaciones y Contribuciones (BPC) la cual sustituye todas las referencias al SMN (Ley 17.856), ya sea como base de aportación, monto mínimo o máximo de prestaciones sociales. Se fija el valor de $ 1363. Este valor se actualiza en función de la situación financiera del Estado y a opción del Poder Ejecutivo. Se sigue manteniendo el mismo momento que los ajustes a las remuneraciones de la Administración Central. El ajuste se hará en función del IPC o del IMS elevándose hasta 20% sobre dicha tasa. Con relación a la variación de las tasas de aportes, en el ajuste fiscal de 1990 aumentaron todas las tasas patronales, luego en 1993 presentan una pequeña disminución y en 1996 vuelven a disminuir las patronales y aumentan los aportes obreros, en 2001 se producen bajas en las tasas patronales jubilatorias de varios sectores y se crea el COFIS para financiar al BPS. Finalmente en 2005 hay una fuerte caída del aporte de la construcción (Ver Cuadro 3: Normativa - Tasas de Aportes al BPS. Anexo Descriptivo). Se destaca además que desde Mayo 2005 las contribuciones al BPS incluyen el Ingreso Ciudadano creado en el Plan de Emergencia Social establecido en ese año30.

Gráfica 13

Fuente: Elaboración propia en base a datos de la TGN, INE y de BCU. Por último del análisis de estacionalidad trimestral se destaca mayores egresos en el cuarto trimestre. Del análisis de clústeres se observa que los años con menores erogaciones reales por concepto de contribuciones al BPS fueron: los comprendidos entre 1990 y 1995 (5% del PIB) y los años con mayores erogaciones reales: de 1999 a 2002 (9 % del PIB) producto de la fuerte caída real de los ingresos del BPS. Provocados por la caída en los cotizantes, fruto de un mayor desempleo y/o informalidad y de la abrupta caída del salario real, en el 2000 y 2001 también contribuyó la baja realizada en los aportes. Por último, la correlación encontrada entre las tasas de variación anual del PIB y de las contribuciones es 0.25.

Remuneraciones

Las remuneraciones constituyen el segundo gasto en importancia para el Gobierno Central, representando en promedio en el período 23% de los mismos y 4,5% en términos del PIB.

Las remuneraciones de la administración central se determinan como el resto de las remuneraciones públicas a nivel del Poder Ejecutivo y con aprobación del Parlamento Nacional, dichos montos se establecen en dos instancias: en el presupuesto quinquenal que establece la Constitución de la República y en la revisión anual cuando el Poder Ejecutivo presenta la Rendición de Cuentas al Parlamento. Además por la Ley 16.903 de 1997 se establece que los funcionarios públicos recibirán aumentos dependiendo de la inflación. Si la misma no supera el 10% anual en cada uno de los meses posteriores al último ajuste, el Poder Ejecutivo podrá adecuar las remuneraciones, por períodos no menores de seis meses ni mayores de doce. Si la inflación alcanza los dos dígitos pero es menor a 23% anual, el Poder Ejecutivo adecuará las citadas remuneraciones por períodos no menores de cuatro meses ni mayores de seis. Finalmente si la tasa de inflación fuere igual o superior al 23% anual, como mínimo en una de las mediciones mensuales posteriores al último ajuste, el Poder Ejecutivo adecuará dichas remuneraciones 30 Este consiste en una transferencia monetaria dirigido a jefes y jefas de hogar. El monto del ingreso ciudadano es de $ 1.360 por mes y por hogar. En la Ley Nº 17.866 se crea el Ministerio de Desarrollo Social y se habilita a comenzar con la implementación del Plan de Atención Nacional de la Emergencia Social (PANES).

32

Variación Anual Porcentual Remuneraciones Reales y PIB Real

-15

-10

-5

0

5

10

15

1990

1991

1992

1993

1994

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

PIB Remuneraciones

por períodos no menores de tres meses ni mayores de cuatro. El porcentaje de incremento lo determina el Poder Ejecutivo por decreto de acuerdo a la disponibilidad en el Tesoro Nacional. Aunque esto a partir del año 2003 se ha empezado a modificar, en ese año el Gobierno también decide que los aumentos salariales fueran comunes para todos los funcionarios públicos. (Ver Berreta N. (2004) y Cassoni A. (2005)). En relación al empleo público en 1996 se inició un proceso de disminución del número de funcionarios a través de retiros incentivados y fue estableciéndose paulatinamente la imposibilidad de contratar nuevos funcionarios hasta 2005. En el año 1990 existían 272.000 funcionarios públicos, en 1998: 223.619 y para Junio/2006 esta cifra asciende 233.619 funcionarios31.

Las regularidades encontradas para este egreso en el período son las siguientes: con relación al análisis de estacionalidad trimestral se encuentra que las remuneraciones son mayores en el segundo y cuarto trimestre por el pago del medio aguinaldo que se da en los meses de Junio y Diciembre. La fijación presupuestal de los salarios públicos mencionada, la indexación de los mismos y la inflación dada en cada período determinan que los años con menores remuneraciones reales fueran: 2003, 2004 y 1993 y las mayores se dieran de 1998 a 2001 y 1989 (Ver Anexo Descriptivo: Remuneraciones). El gráfico 10 presenta como han variado las remuneraciones reales, las cuales comparadas con las del PIB presentan una correlación de 0.64 en el período.

Gráfica 14

Fuente: Elaboración propia en base a datos de la TGN, INE y de BCU. Gastos de Funcionamiento

Los gastos de funcionamiento se establecen en forma discrecional en dos instancias: en el presupuesto quinquenal y en la revisión anual cuando se presenta la Rendición de Cuentas al Parlamento y representan en el período el 14% de los egresos totales.

Del análisis de la estacionalidad se destaca que los gastos de funcionamiento no presentan una estacionalidad trimestral marcada. Respecto al análisis de clústeres de años se destaca que los años con mayores erogaciones reales fueron: 2006, 1999, 2001 y 2005 y con menores: de 1989 a 1991 y 2002. Desde el año 2005 el Gobierno se encuentra implementado el Plan Nacional de Emergencia Social el cual como fue mencionado se estableció en la Ley 17.866 con el objetivo de paliar el aumento en la pobreza e indigencia que había provocado la crisis. La implementación del mismo provoca que el año 2006 sea el año con mayor gasto en términos reales; si no se considera el PANES, el año 2006 se ubica luego de 1999 y 2001. Respecto a los años de menor gasto de funcionamiento, se destaca que en el año 2002 se dictaron varios decretos fijando los topes máximos de ejecución por toda fuente de financiamiento y difiriendo la ejecución de otros32. Esto determinó la importante caída que se observó en los mismos en el año 2002 (23% en términos reales) en tanto las inversiones lo hicieron en 28%, reflejando esto una vez más la prociclicidad del gasto en Uruguay. Es interesante destacar que en el año 2000 también se habían dictado decretos con el objetivo de reducir y ordenar el gasto público, lo cual se reflejó en la variación real de ese año pero no en la del año 200133.

31 Estos datos pertenecen al SPG. Fuente: ONSC. 32 Ver Decretos: 07/02/2002, 20/02/2002. 33 Decreto 03/03/2000.

33

Variación Anual Porcentual Gastos de Funcionamiento Real y PIB Real

-25

-20

-15

-10

-5

0

5

10

15

20

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

PIB Gtos Func Gtos Func sin PANES

La correlación encontrada en el período entre el ciclo de los gastos de funcionamiento del GC y el del PIB asciende a 0.53 y 0.66 para el caso de la inversión, lo cual refleja que el rubro que tiende a ajustarse más es el de las inversiones.

Gráfica 15

Fuente: Elaboración propia en base a datos de la TGN, INE y de BCU. Egresos Totales de Gobierno Central

Como fue mencionado los egresos de Gobierno Central representan 21 puntos del PIB en promedio en el período de análisis, lo cual junto con la evolución de ingresos determinan un déficit convencional del Gobierno de 2% del PIB en el período. Los egresos que fueron modelizados por separado constituyen el 74% del total, a su vez se modelizó la serie global de egresos y la serie de gasto primario. Los principales rubros que no se modelizan en forma univariada son intereses e inversiones (en conjunto representan 20% de los egresos), en el caso de los intereses porque su dinámica está determinada básicamente por la de la deuda y en el caso de las inversiones por la alta discrecionalidad que afecta la misma. En Uruguay el Presupuesto de gastos corrientes tradicionalmente se ha formulado mediante la reiteración de créditos previstos en presupuestos pasados, a los cuales se agregan los nuevos proyectos. Esta metodología contribuye a generar una base fija al presupuesto y además le da un carácter incremental (Berreta, N. 2004). Dada esta especificidad, la formulación de modelos univariados para predecir no parece un mal método. Las regularidades que presenta esta serie están determinadas por lo analizado para sus principales componentes. Del análisis de los coeficientes fijos para estimar la estacionalidad, de la gráfica que muestra lo recaudado en cada trimestre por año y de la aplicación del procedimiento X-12-ARIMA de ajuste estacional se observa que la estacionalidad de los egresos era marcada en el cuarto trimestre hasta el año 2001, a partir del mismo la estacionalidad se desdibuja debido a los cambios discrecionales que comenzaron a existir producto de la crisis, los cuales afectaron la ejecución del gasto antes comentada. A su vez la licuación real del gasto indexado vía inflación producto del repunte inflacionario34, el canje de deuda que el Gobierno realiza en mayo 2003 y en noviembre de 2006 contribuyen también a desdibujar la estacionalidad referida. Del análisis de clúster se observa que los años de mayores egresos reales son: 2006, 1999, 2001 y 2000 y los de más bajos: de 1989 a 1992. Los resultados de este análisis para el gasto primario corriente muestran que el año 2006 no se encuentra dentro del clúster de mayores egresos (lo cual concuerda con lo antes analizado para los principales componentes del gasto), la diferencia está dada por el rubro intereses (donde el año 2006 es, luego de 2003 y 2004, el año que se pagaron mayores egresos reales por concepto de intereses, en este año se lleva a cabo también otro canje de deuda en el mes de noviembre)35. Ver Anexo Descriptivo: Egresos. El coeficiente de correlación encontrado para los egresos extrayendo el ciclo por HP de la serie desestacionalizada y comparándolo con el del PIB fue de 0.50. Resultado similar al encontrado 34 Por más detalle de la licuación real ver Licandro – Vicente (2007). 35 Por más detalle del canje, ver Informe al Poder Ejecutivo, año 2006 en: www.bcu.gub.uy.

34

Variación Anual Porcentual Egresos Real y PIB Real

-15

-10

-5

0

5

10

15

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

PIB Egresos

analizando la correlación entre las tasas de crecimiento de ambos: 0.47. Este resultado está en línea con la prociclicidad encontrada para el gasto en el caso de Uruguay en otros trabajos, y en el caso de América Latina36.Se debe tener presente que un análisis más acabado sobre este tema debería incluir al Sector Público no Financiero y no solo al Gobierno Central, a su vez entre los impuestos considerados se debería incluir el impuesto inflacionario. Gráfica 16 Fuente: Elaboración propia en base a datos de la TGN, INE y de BCU. A continuación se muestran los modelos con los cuales se realizan predicciones para las variables antes reseñadas.

3.2. MODELIZACIÓN Y PREDICCION

Para la especificación de los modelos se siguió la metodología propuesta por Box-Jenkins, se usó también para determinar el orden de integración de las series el test de Dickey Fuller Aumentado de contraste de raíces unitarias.

Contraste de raíces unitarias

De la representación gráfica de las series en niveles y en primeras diferencias surge la presunción que se trata de series no estacionarias. De esta forma en una primera instancia se realiza la inspección visual de los datos37 y luego se determina el orden de integración usando el test de Dickey – Fuller Aumentado (ADF). No desconociendo la baja potencia que tiene este test nos valemos también del análisis del correlograma de las series transformadas por los operadores Δ1 y Δ4 siguiendo la metodología Box-Jenkins38.

En principio se testea la existencia de más de un orden de integración, I(2) con una especificación de la forma ADF. Esta especificación trata de capturar la autocorrelación de mayor orden mediante la incorporación de rezagos de la variable dependiente. Hamilton (1994) sostiene que el modelo especificado debe incluir a la hipótesis nula y alternativa que constituya una descripción plausible de los datos, lo cual debe ser establecido de una inspección visual de las series. Por este motivo se comenzó probando la hipótesis nula de series I(2) en una especificación del contraste con constante para no sesgar el resultado a favor de la nula; rechazada esta hipótesis se testeó la hipótesis nula de series I(1) en una especificación con constante y tendencia; no rechazada esta hipótesis se testeó que la tendencia fuera no significativa, salvo el caso del IMESI, donde se testeó la hipótesis nula de I(1) en una especificación del contraste solo con constante.

36 Esta correlación es similar a la encontrada por Mahilos y Sosa (1999) para el período 1975.I -1999.I (0.38). 37 Como sugiere Hamilton (1994). 38 También en algunos casos luego de aplicar el operador Δ4 a la serie original se testeó la existencia de raíz unitaria sobre esta transformación. No se aplica el test de Hilleberg et al. (1990).

35

Tabla 2:

Contraste de Raíces Unitarias Estadístico de Dickey-Fuller Aumentado (1) Nivel Primer Diferencia Orden de Integración

(2) Ingresos -2,36 -9,70*** 1

Recaudación DGI -1,99 -2,44* 1

Iva Interno -0,93 -2,60* 1

Iva Importación -2,55 -4,08*** 1

Iva Global -2,76 -2,81* 1

IMESI Global -2,29 -4,40*** 1 (3)

IRIC -2,65 -3,00** 1

IRP -1,55 -2,76* 1

Egresos -1,38 -8,84*** 1

Gasto Primario -1,64 -3,41** 1

Remuneraciones -2,91 -2,67* 1 (3)

Contribuciones BPS -1,31 -4,30*** 1 Gastos Funcionamiento -1,61 -7,90*** 1 Gastos Func s/PANES -2,35 -7,87*** 1 Notas: (1) Se presenta el resultado de la prueba con constante y tendencia para las variables en niveles y con constante para las variables en diferencia, excepto para el IMESI, donde la prueba en niveles se hizo solo con constante. En el caso que no se rechaza la existencia de una raíz en niveles se probó que la tendencia no fuera significativa. Todas las variables se expresan en logaritmos neperianos. El número de rezagos se determinó a partir del criterio del mínimo Akaike (AIC). (2) El test de dos raíces unitarias en la mayor parte de las series no resultó concluyente, se atribuyó el problema a la estacionalidad que presentan las mismas. Por esto para lograr la especificación de cada serie nos centramos además en el análisis del correlograma de Δ1 y Δ4. (3) En estos casos se supuso diferencia estacional únicamente. *, **, ***, Se rechaza la hipótesis nula de existencia de raíz unitaria al 90%, 95% y 99% de confianza respectivamente.

Los test de raíz unitaria fueron concluyentes para la mayoría de las series, sin embargo el test sobre la tasa de crecimiento no fue concluyente para varias series, no se pudo rechazar la hipótesis a todos los niveles de confianza, como se observa en la Tabla 2. Por este motivo, para estas series se hizo un análisis más detallado que consistió en analizar el correlograma de la serie en primera diferencia y observar si contenía dependencia estacional, para ver si se necesitaba el operador de diferencia estacional39. Como forma de comprobar esto, se aplicó el operador Δ4 a la serie original y se testeó la existencia de raíz unitaria sobre esta transformación. Esto se realiza con la presunción que quien ensucia el resultado del test ADF es la estacionalidad estocástica.

Se concluye que todas las series analizadas son no estacionarias dado que presentan una raíz unitaria en el polinomio autorregresivo (una diferencia regular). En varias series además de la diferencia regular se supuso que la estacionalidad que poseían era estocástica (ver especificación del modelo). 3.2.1 Modelización series de Ingresos A continuación se presentan los modelos ARIMA univariados seleccionados para las series de Ingresos del Gobierno Central. Con respecto a la existencia de observaciones atípicas, se destacan para las series de IVA Global, IVA Interno, Recaudación de DGI e Ingresos Totales dos outliers aditivos ocasionados por la huelga que

39 No se detallan los correlogramas de las series pero estos resultados se pueden solicitar a las autoras.

36

llevaron a cabo los funcionarios de la DGI en el mes de setiembre 2004 que afectó el tercer y cuarto trimestre de 2004. Por este motivo se intervino realizando un modelo mensual para cada serie hasta el mes de la huelga y usando las predicciones que este modelo arrojaba para los meses de setiembre, octubre y noviembre. En el Anexo Descriptivo se encuentran las series mencionadas con los outliers y con la corrección de los mismos. Esta huelga no influye en el IVA Importación, dado que este impuesto es recaudado por la Dirección Nacional de Aduanas, ni en el IRP, a su vez el efecto en la recaudación de IRIC tampoco fue de magnitud por la forma de recaudar el mismo.

Para todas las series se realizó más de un modelo ARIMA univariado, los cuales fueron evaluados en función de la calidad de las predicciones obtenidas hasta el momento de finalizado el documento, dado que como se explicitó, el objetivo final es encontrar buenas predicciones en el corto y mediano plazo. A continuación se presentan los modelos. IVA Interno: ( )( ) ( )4 4

1 41- 1- 1- tB B B aivaint θΦ = 40

IVA Importación: ( )( ) ( )4 441- 1- 1- tB B B aivaimp θ=

IVA Total: ( )( )441- 1- tB B aivatotΦ =

IMESI Global: ( )( ) ( )4 41 41- 1- 1- tB B B aimesi θΦ =

IRIC: ( )( )( ) ( )2 4 41 2 41- - 1- 1- 1- tB B B B B airic θΦ Φ =

IRP: ( )( ) ( )3 4 93 4 91- - 1- 1- tB B B B airp θΦ Φ =

Recaudación Neta DGI: ( )( ) ( )( )( )41 4

41- 1- 1- 1- tB B B B arecDGI θ θ=

Ingresos Totales: ( )( )41 41- - 1- tB B B ingtot aΦ Φ =

Los residuos de los modelos no muestran autocorrelaciones significativas y los parámetros de cada modelo no muestran variabilidad en los períodos que se realizaron las predicciones. En el Anexo: Modelos Univariados, se presenta un resumen de la salida de cada modelo, los estadísticos para testear los residuos, los modelos alternativos a los cuales se le realizó también la evaluación de la predicción y las gráficas por serie donde se muestra el ajuste del modelo y las predicciones para el año 2007.

Los Ingresos de FLD, serie que comienza en 2001, presentan especificaciones diferentes según el período. Tiene una baja estacionalidad hasta 2002, un crecimiento lineal hasta 2005 y una estacionalidad incipiente a partir de dicha fecha. El Modelo de Holt-Winters ajustado actualmente es un modelo aditivo estacional. Esta serie no se analiza por separado dada su poca influencia (representan 1% del PIB en el período, tanto ingresos como egresos). Evaluación de predicciones A continuación se presenta la evaluación de las predicciones de los Ingresos para el año 2006. La misma se realiza en primera instancia en función del error medio absoluto (MAD) y el error absoluto relativo (MAPE) definidos en la metodología por las relaciones (35) y (36), los cuales se calculan de 1 a k pasos en adelante, con base en un trimestre dado. El mayor número de términos (k=4) corresponde a la predicción con base en el cuarto trimestre de 2005, el menor (k=1) corresponde a la predicción con base en el tercer trimestre de 2006. En el caso del IVA Global se presentan dos predicciones, una indirecta o agregada, que es la suma de las predicciones de IVA interno e IVA Importación y otra directa basada en un modelo específico para este impuesto. Los resultados no muestran diferencias salvo en el cálculo con base en el cuarto trimestre de 2005. En la Tabla 3 se presentan los errores mencionados para las series de ingresos analizadas. Del análisis de los resultados se observa que las predicciones presentan errores absolutos medios porcentuales (errores

40 En el caso del IVA Interno a partir del 2006.IV el modelo que se comienza a usar es: ( )( ) ( )4

4 t

41-B 1-B 1- B aivaint= θ

37

Fecha Base Período

Pasos adelante MAD MAPE MAD MAPE MAD MAPE MAD MAPE

2005.12 2006.I - 2006.IV 4 1.24 0.09 0.34 0.03 0.80 0.03 1.44 0.062005.12 2006.I - 2006.I 1 0.09 0.01 0.24 0.02 0.23 0.01 0.33 0.01

2006.03 2006.II - 2006.IV 3 1.32 0.09 0.29 0.03 1.21 0.05 1.27 0.052006.03 2006.II - 2006.II 1 0.57 0.04 0.10 0.01 0.62 0.03 0.67 0.03

2006.06 2006.III - 2006.IV 2 1.78 0.12 0.39 0.04 1.54 0.06 1.41 0.052006.06 2006.III - 2006.III 1 1.05 0.08 0.61 0.06 0.27 0.01 0.27 0.01

2006.09 2006.IV - 2006.IV 1 1.90 0.13 0.79 0.07 2.84 0.11 2.69 0.10

Evaluación predicción real por MAD y MAPEIVA Interno IVA Importación IVA Total: Método Directo IVA Total: Método Indirecto

Fecha Base Período

Pasos adelante MAD MAPE MAD MAPE MAD MAPE

2005.12 2006.I - 2006.IV 4 0.20 0.03 0.34 0.05 0.43 0.192005.12 2006.I - 2006.I 1 0.33 0.05 0.23 0.05 0.41 0.18

2006.03 2006.II - 2006.IV 3 0.17 0.03 0.38 0.06 0.17 0.082006.03 2006.II - 2006.II 1 0.31 0.05 0.46 0.05 0.10 0.05

2006.06 2006.III - 2006.IV 2 0.22 0.04 0.34 0.06 0.20 0.092006.06 2006.III - 2006.III 1 0.35 0.07 0.08 0.01 0.15 0.06

2006.09 2006.IV - 2006.IV 1 0.03 0.00 0.62 0.11 0.30 0.14

IMESI IRIC IRPEvaluación predicción real por MAD y MAPE

Fecha Base Período

Pasos adelante MAD MAPE MAD MAPE

2005,12 2006.I - 2006.IV 4 2,06 0,04 2,82 0,072005,12 2006.I - 2006.I 1 1,50 0,03 1,73 0,04

2006,03 2006.II - 2006.IV 3 1,66 0,03 2,03 0,052006,03 2006.II - 2006.II 1 1,03 0,02 2,88 0,07

2006,06 2006.III - 2006.IV 2 1,91 0,04 0,57 0,012006,06 2006.III - 2006.III 1 1,99 0,04 0,54 0,01

2006,09 2006.IV - 2006.IV 1 3,14 0,06 1,01 0,02

Evaluación predicción real por MAD y MAPEIngresos GC Recaudación Neta DGI

relativos) razonables en el entorno del 5%. Este error presenta un deterioro a fin del año 2006 para todas las variables salvo el IMESI y la recaudación de DGI. Tabla 3.1

Tabla 3.2

Tabla 3.3

Como se mencionó en la metodología se analizan los errores a multipasos y fijando el paso. De esta forma se presenta a continuación el error de predicción un paso en adelante acumulado para cuatro fechas bases (2005.IV, 2006.I, 2006.II y 2006.III) usando las relaciones (37) a (40) definidas en la metodología (ver Tabla 4). Estos errores de predicción un paso en adelante también presentan valores razonables. La mayoría de los ingresos presentan errores relativos aceptables y similares en un promedio de 4%. La recaudación por IRP es la que presenta mayor error relativo un paso en adelante así como mayores valores en los anteriores cálculos acumulados (ver Tabla 3).

38

ObservadaSituados en: 2005.12 2006.03 2006.06 2006.09 2006.12Iva Interno (1) 1.1 3.2 4.0 7.3 11.1Iva Importación 8.0 10.5 11.3 8.0 10.1Iva Global - Directo 6.9 6.5 6.7 9.8 10.7Iva Global - Indirecto 4.0 6.3 7.4 7.7 10.7IRIC 15.8 15.3 17.4 17.1 14.3IRP 2.0 31.7 27.3 30.0 25.9IMESI Global 2.9 1.3 4.3 2.5 2.4Recaudación Neta DGI 2.6 6.2 10.2 9.6 10.3Ingresos Totales 4.4 4.6 8.8 7.0 8.7

Predicciones de la Variación Anual para año 2006

MSE RMSE MAD MAPEIva Interno (1) 1,26 1,12 0,90 0,06Iva Importación 0,27 0,52 0,43 0,04Iva Global - Directo 2,15 1,46 0,99 0,04Iva Global - Indirecto 1,97 1,40 0,99 0,04IRIC 0,17 0,41 0,35 0,06IRP 0,07 0,27 0,24 0,11IMESI Global 0,08 0,29 0,25 0,04Recaudación Neta DGI 3,15 1,78 1,54 0,04Ingresos Totales 4,29 2,07 1,92 0,03

Evaluación predicción real - para el año 2006 un paso adelante Tabla 4 En la Tabla 5 se presenta el valor observado de la variación anual de los ingresos totales y la de cada componente, y se compara con la variación anual estimada trimestre a trimestre en base a los valores observados disponibles y a las predicciones. Es interesante señalar que los mejores resultados se obtienen en las predicciones con base en el segundo trimestre de 2006. Por ejemplo, para los ingresos totales la tasa de variación observada fue de 8.7% y la predicción fue de 8.8%. Tabla 5

3.2.2 Modelización series de Egresos

Para las series de egresos fue más difícil que para las de ingresos encontrar una regularidad clara, como se puede desprender del análisis descriptivo de estas series. Respecto a la presencia de outliers se destaca el encontrado en 2002 en las remuneraciones reales dada la caída que sufrieron las mismas. Los modelos usados para predecir en el caso de los egresos son:

Cont. al BPS: ( )( ) ( )( )4

1 4

41 - 1 - 1 - 1 -t

B B B B acontbps θ θ=

Remuneraciones: ( )( )( )4 4

1 41 - 1 - 1 -t

B B B aremuΦ Φ =

Gastos en bienes y servicios de rentas generales: ( )( ) ( )( )8 178 1 171 - 1- 1 - 1 -

tB B B B agastos θ θΦ =

Gastos en bienes y servicios de rentas generales sin PANES: ( )( ) ( )( )8 17

8 1 171 - 1 - 1 - 1 -t

B B B B agastosPE θ θΦ =

Egresos Totales: ( )( )( )4

1 41 - 1 - 1 -t

B B B aegresostΦ Φ =

Para los Egresos de fondos de libre disponiblidad el modelo Holt-Winters usado es estacional multiplicativo, y se observa en todo el período una estacionalidad marcada en el cuarto trimestre. Los residuos de los modelos no muestran autocorrelaciones significativas y los parámetros de cada modelo no muestran variabilidad en los períodos que se realizaron las predicciones. En el Anexo: Modelos Univariados se presenta un resumen de la salida de cada modelo, los estadísticos para testear los residuos, los modelos alternativos a los cuales se le realizó también la evaluación de la predicción y las gráficas por serie donde se muestra el ajuste del modelo y las predicciones para el año 2007.

39

MSE RMSE MAD MAPEEgresos Totales 6.77 2.60 2.00 0.05Gasto Primario Corriente 5.10 2.26 1.65 0.06Remuneraciones 0.20 0.45 0.37 0.04Contribuciones BPS 0.68 0.83 0.68 0.05Gastos de Funcionamiento 0.02 0.15 0.13 0.04Gastos de Funcionamiento sin PANE 0.09 0.31 0.21 0.04

Evaluación predicción real - para el año 2006 un paso adelante

Fecha Base Período

Pasos adelante MAD MAPE MAD MAPE MAD MAPE MAD MAPE

2005.12 2006.I - 2006.IV 4 0.67 0.07 0.99 0.06 0.51 0.74 0.28 0.182005.12 2006.I - 2006.I 1 0.26 0.03 0.59 0.04 0.07 0.10 0.04 0.03

2006.03 2006.II - 2006.IV 3 0.50 0.05 0.87 0.05 0.11 0.01 0.35 0.052006.03 2006.II - 2006.II 1 0.72 0.07 0.81 0.05 0.20 0.03 0.07 0.01

2006.06 2006.III - 2006.IV 2 0.20 0.02 0.80 0.05 0.16 0.02 0.52 0.082006.06 2006.III - 2006.III 1 0.00 0.00 0.02 0.02 0.22 0.03 0.60 0.09

2006.09 2006.IV - 2006.IV 1 0.48 0.05 1.32 0.08 0.02 0.00 0.12 0.02

Evaluación predicción real por MAD y MAPERemuneraciones Contribuciones BPS Gastos Funcionamiento Gasto Func sin PANES

Fecha Base Período

Pasos adelante MAD MAPE MAD MAPE

2005,12 2006.I - 2006.IV 4 2,64 0,05 1,86 0,052005,12 2006.I - 2006.I 1 0,66 0,01 0,16 0,00

2006,03 2006.II - 2006.IV 3 3,15 0,06 2,40 0,062006,03 2006.II - 2006.II 1 3,92 0,08 3,42 0,09

2006,06 2006.III - 2006.IV 2 2,27 0,04 1,89 0,052006,06 2006.III - 2006.III 1 0,05 0,05 0,06 0,06

2006,09 2006.IV - 2006.IV 1 3,35 0,06 2,95 0,07

Egresos Gasto Primario CorrienteEvaluación predicción real por MAD y MAPE

Evaluación predicciones A continuación se presenta la evaluación de las predicciones de los Egresos para el año 2006, la misma se realiza en primera instancia en función del error medio absoluto (MAD) y el error absoluto relativo (MAPE) definidos por las relaciones (35) y (36), en las cuales se calculan de 1 a k pasos en adelante, con base en un trimestre dado. Los errores relativos muestran valores estables a lo largo el año 2006 para los Egresos Globales y el Gasto primario corriente de 2 a 5%. Tabla 6.1

Tabla 6.2 En la Tabla 7 se presenta el error de predicción un paso en adelante acumulado para cuatro fechas bases (2005.IV, 2006.I, 2006.II, 2006.III) usando las relaciones (37) a (40). Se observa que para el caso de los egresos, los errores relativos de los diferentes componentes son del mismo orden, entre 4 y 6%, a diferencia de los Ingresos en que el IRP mostraba errores altos, superiores a los otros componentes. Tabla 7

40

ObservadaSituados en: 2005.12 2006.03 2006.06 2006.09 2006.12Egresos Totales -0.2 0.8 5.3 3.5 5.2Gasto Primario Corriente 0.0 0.3 5.7 3.1 5.1Remuneraciones 0.2 3.3 6.3 6.1 7.3Contribuciones BPS -5.5 -3.3 -0.8 -1.2 1.0Gastos de Funcionamiento 7.9 15.1 16.6 15.4 15.4Gastos de Funcionamiento sin PANES 4.3 6.1 6.7 2.1 2.5

Predicciones de la Variación Anual para año 2006

En la Tabla 8 se muestra el valor observado de la variación anual de los Egresos totales y sus componentes y la variación anual estimada trimestre a trimestre en base a los valores observados disponibles y a las predicciones. En general se observa el mismo comportamiento que en los Ingresos, es a mediados del año 2006 que se logra obtener una buena predicción de la variación anual observada. En el caso de los Gastos de funcionamiento a partir del primer trimestre de 2006 la variación estimada se acerca al valor observado. Siendo en este caso la variable más difícil de predecir las Contribuciones al BPS. Tabla 8

41

4. CONCLUSIONES Y COMENTARIOS El análisis descriptivo de las series de ingresos en el período mostró que los mejores años de recaudación e ingresos del Gobierno Central han sido los años recientes (2004 a 2006 y 1998), tendencia que se mantiene en 2007, en un contexto interno y externo favorable. Los ingresos del Gobierno Central están determinados básicamente por el comportamiento de los ingresos tributarios, dado que la recaudación de la DGI representa aproximadamente el 76% de los ingresos totales. Teniendo en cuenta que la recaudación total depende de la base imponible y de las tasas impositivas y que la base imponible de los principales impuestos reseñados podría asimilarse al PIB, los años de crecimiento explican la buena performance de la recaudación y de los ingresos totales, dado su carácter endógeno. Se encuentra que la correlación del ciclo de los ingresos y del PIB ha sido de 0.70 en el período, confirmando el carácter procíclico de los ingresos, especialmente los tributarios (correlación de 0.84). Esta descripción se complementa con un análisis de las medidas discrecionales que han afectado los principales impuestos del sistema tributario uruguayo, donde se concluye que los ajustes fiscales de 1990 1995 y 2002, que implicaron aumentos de tasas, de base imponible de impuestos existentes y creación de nuevos impuestos, han tendido a acentuar el ciclo. Por el lado de los egresos, el análisis descriptivo muestra que los años con mayores erogaciones reales han sido 1999 a 2001 y 2006. En este análisis fue más difícil encontrar una regularidad: su estacionalidad se desdibuja a partir de 2001, debido a los cambios discrecionales que tendieron a reducir el gasto, la licuación real del mismo durante el repunte inflacionario y los canjes de deuda de mayo 2003 y noviembre 2006. Por otro lado, también se encontró prociclicidad del lado del gasto público: la correlación con el ciclo del PIB ha sido de 0.50, coincidiendo con lo encontrado en otros estudios realizados para Uruguay y en línea con la evidencia encontrada en América Latina. Conviene recalcar la alta volatilidad que han tenido las inversiones, medida como la desviación estándar de las tasas anuales de crecimiento. La misma ascendió a 20%, en tanto la de los gastos de funcionamiento fue 10%. Finalmente, las menores remuneraciones reales ocurren en 2003 y 2004, producto de la conjunción de la forma de fijación presupuestal de las mismas, la forma de indexación y el comportamiento inflacionario luego de 2002. La modelización univariada de las series se realizó siguiendo la metodología Box-Jenkins, salvo para los FLD, donde se utilizó la de Holt-Winters, con el objetivo de realizar predicciones durante 2006. Las predicciones de los modelos seleccionados para las series de ingresos presentan resultados razonables, especialmente a partir de la mitad del año. La mayoría de los ingresos presentan errores relativos (MAPE) aceptables y similares en un promedio de 4% excepto para el IRP. En el caso del IVA, la recaudación real sigue siendo alta y se ubica por encima de la predicción realizada, esto se acentúa en la predicción un paso en adelante con base en 2006.III (o sea en la predicción para el 2006.IV). Como consecuencia, se decidió cambiar el modelo de predicción a partir de esa fecha. Por otro lado si se observan los datos corregidos por estacionalidad, las tasas de crecimiento de esta variable respecto al trimestre anterior son todas positivas en el 2006 y en torno al 4%. Es interesante señalar además, para el caso de los ingresos totales, que los mejores resultados en la predicción de las tasas de variación anual, se obtienen con base en el segundo trimestre de 2006. Por ejemplo, la tasa de variación observada fue de 8.7% y la predicción fue de 8.8%. Para la modelización de los egresos, sin dejar de reconocer su naturaleza de fijación presupuestal, se considera que contar con modelos univariados para predecir puede brindar un buen marco para detectar posibles desvíos de los mismos. La evolución de las predicciones para el año 2006 y de sus principales componentes muestra también errores relativos estables y razonables a lo largo del período de predicción de 2 a 5%.

42

5. BIBLIOGRAFIA Asesoría Económica de la DGI (2006). “Eficiencia de la administración tributaria en la recaudación”. Presentado en las XX Jornadas Anuales de Economía del BCU. Agosto 2006. Montevideo. Uruguay. Badagián, A. y Cresta, J. (2004). “Fluctuaciones Cíclicas en las Variables Fiscales de los Países del MERCOSUR”. Trabajo presentado en las XIX Jornadas Anuales de Economía. Agosto 2004. Montevideo. Uruguay. Bell W.R, Hillmer S. C. (1983). “Issues Involved with the Seasonal Adjustment of Economic Time Series”. Journal of Business & Economic Statistics, Vol. 2, Nº 4, October 1984. Berreta N. (2004). “La asignación del gasto en la ejecución del presupuesto en Uruguay ¿resultado de las prioridades políticas definidas o de la casualidad” Centro de Investigaciones Económicas (CINVE). Mdeo. Uruguay. Box G.E.P., Jenkins G.M. (1970). Time Series Analysis Forecasting and Control. San Francisco. Holden Day. Borchardt, M.; J. Pereira y L. Vicente (2001). Análisis de las principales medidas de política que han afectado el resultado del Sector Público No Financiero en los últimos 25 años. Documento de Trabajo, Área Política Monetaria y Programación Macroeconómica. Mimeo. Burman J.P. (1980). “Seasonal adjustment by Signal Extraction”. Journal of the Royal Statistical Society, Ser A, 143, 321-337. Cassoni, A. (2005). “Mecanismos de fijación de salarios en Uruguay”. DECON-FCS-UDELAR. Documento No. 20/05. Montevideo. Uruguay. Clements M.P., Hendry D.F. (1997). “An empirical study of seasonal unit roots in forecasting”. International Journal of Forecasting, 13, (1997). 341-355. Dagum E.B. (1975). “Seasonal Factor Forecasts from ARIMA Models”. Proceedings of the International Institute of Statistics, 4othSession, Contributed Papers, Vol 3, Warsaw, 206-219. Dagum E.B. (1978). “Modelling, Forecasting and Seasonally Adjusting Economic Time Series with the X-11-ARIMA Method”. The Statistician, Vol 27, Nos 3 and 4, 203-216. Dagum E.B. (1983). “The X-11-ARIMA Seasonal Adjustment Method”. Statistics Canada, January 1983. Elliot G., Granger C. & Timmermann A. (eds) (2006). Handbook of Economic Forecasting. Volume 1. Handbook in Economics 24 - North-Holland - 2006 1º ed. Espasa, A y Cancelo J.R (1993). Métodos Cuantitativos para el Análisis de la Coyuntura Económica. Alianza Editorial S.A. Madrid. Findley D. F. Monsell B. C., Bell W. R., Otto M. C., Chen B. C. (1998). “New Capabilities and Methods of the X-12 –ARIMA Sasonal Adjustment Program”, Journal of Business and Economics,16, 127-177. Findley D. F., Monsell B. C., Shulman H., Pugh M. (1990). “Sliding-Spans Diagnostics for Seasonal and Related Adjustments”. JASA June 1990, Vol 85, 345-355. Frances P.H (1991). “Seasonality, non-stationarity and the forecasting of monthly time series”. International Journal of Forecasting (1991), 199-208. Frances P.H. (1998). Time Series Model for Business and Economic Forecasting. Cambridge University Press. Cambridge. Frances P.H., Van Dijk D (2005). “The Forecasting Performance of Various Models for Seasonality and Nonlinearity for Quarterly Industrial Production” International Journal of Forecasting, 21, (2005) 87-102. Gavin M., Hausmann R., Perotti R y Talvi E. (1996). "Managing Fiscal Policy in Latin America and the Caribbean: Volatility, Procyclicality, and Limited Creditworthiness". Inter-American Development Bank, Office of the Chief Economist, Working Paper 326. Granger C.W.J. (1966). “The Typical Spectral Shape of an Economic Variable”. Econometrica, 34, 150-161. Granger C.W.J, Newbold P. (1977). Forecasting Economic Time Series. Academic Press Hamilton, J.D. (1994). Time Series Analysis. Princeton University Press. Princeton.

43

Harrison P.J., Stevens C.F. (1971). “A Bayesian Approach to Short Term Forecasting”. Operational Research Q.-22, 341-362. Heij C., Boer P., Franses P.H., KLoek T., Van Dijk H.K. (2004). “Econometric Methods with Applications in Business and Econometrics”. Oxford Econometric Press. Hoaglin D, Mosteller F, Tukey W.J. (1983). Understanding Robust and Exploratory Data Analysis. Wiley. Holt G.C. (1957, 2004). “Forecasting Seasonal and Trends by Exponentially Weighted Moving Averages”. International Journal of Forecasting, 20 (2004) 5-10. Hylleberg S., Engle R.F., Granger C.W.J. & Yoo B.S. (1990). “Seasonal Integration and Cointegration”. Journal of Econometrics 44, 1781-1816. Hylleberg S., Jorgensen C., Sorensen N.K. (1993). “Seasonality in Macroeconomic Time Series”. Empirical Economics,18, 321-334. Hylleberg S. (1994). “Modeling Seasonal Variation”. In Hargraves C.P. (ed) “Non stationary Time series Analysis and Cointegration”, Cap 6-153-178. Oxford University Press. Hylleberg S. (1995). “Tests for Seasonal Unit Roots. General to specific or specific to general”. Journal of Econometrics, 69, (1995) 5-25. Hodrick R. J, Prescott E.C (1997). “Postwar U.S. Bussiness Cycles: An Empirical Investigation”. Journal of Money Credit and Banking, Vol 29, Nº 11, February 1997, 1-15. Kamil H., Lorenzo F. (1998). “Caracterización de las fluctuaciones cíclicas en la economía uruguaya”. DECON-FCS-UDELAR. Kendal M. (1976). Time Series. Griffin. 2º edition. Ladirey D., Quenneville B. (2000). “Desestacionalizar con el Método X-11”.Methodologica, Número especial, 2000-2001 Nº 8-9. Université Libre de Bruxelles. Licandro G., Vicente L. (2007). “Incentivos fiscales e inconsistencia temporal. Uruguay 1970-2005”. Vol 14 No 1. Segunda Época, Mayo de 2007. Montevideo. Uruguay. Lothian J., Morrry M. (1978). “A Set of Quality Control Statistics for the X-11-ARIMA Seasonal Adjustment Method”. Seasonal Adjustment and Time Series Staff. Statistics Canada, October 1978. 7–10–005E Marco Legal. Fuente: Parlamento. Mailhos A., Sosa S. (1999). El comportamiento cíclico de la política fiscal en Uruguay. Trabajo Monográfico. Licenciatura en Economía. Facultad de Ciencias Económicas y Administración. UDELAR Mirón T. A. (1996). The Economics of Seasonal Cycles. Cambridge. MIT Press Monsell B. C. (1967). “The Uses and Features of X11.2 and X11Q.2”. Supplement To Census Technical Paper Nº 15. Statistical Research Division. Bureau of the Census. Monsell B., Asto, J., Koopman S.J. (2003). Toward X13?. ASA Proceedings, Nov 2003. Nerlove M. (1964). “Spectral Analysis of Seasonal Adjustment Procedures”. Econometrica, 32, 241 – 286. Osborn D.R., Herevi S. Birchenhall C. (1999). “Seasonal Unit Roots and Forecast of Two digital Industrial Production”. International Journal of Forecasting, 15, (1999) 27-47. Shiskin J, Young A, Musgrave J. (1967).“The X11 Variant of the Census Method II Seasonal Adjustment Program”. U.S. Department of Commerce, Bureau of the Census – Technical Paper Nº 15. SCA – The SCA Statistical System. Scientific Computing Associates. Stralkowski C.M, Wu S. M., Devor R. E. (1974). “Charts for the Interpretation and Estimation of the Second Moving Averages and Mixed First Order ARMA Models”. Technometrics. Vol 16, Nº 2. May 1974, 175-285. Talvi, E. y C. Vegh. 2000. “Tax Base Variability and Procyclical Fiscal Policy”. NBER Working Paper No. 7499.

44

Winters P.R. (1960). “Forecasting Sales by Exponentially Weighted Moving Averages”. Management Science, 6, 324 – 342. “X-12-ARIMA-Reference Manual” (2007). Version 0.3. Time Series Staff – Statistical Research Division - U.S. Census Bureau - Mayo 1 2007.

45

Recaudación de IVA Interno

0

1000

2000

3000

4000

5000

6000

7000

8000

1989,03 1991,03 1993,03 1995,03 1997,03 1999,03 2001,03 2003,03 2005,03

millo

nes

de p

esos

Anexo 1: Anexo Metodológico: Estudio de caso Recaudación del IVA Interno A continuación presentamos un ejemplo exhaustivo del análisis de una serie fiscal siguiendo los lineamientos metodológicos expuestos anteriormente Análisis Exploratorio Una serie de tiempo está determinada por su valor en un instante de tiempo y su evolución a lo largo de un período determinado. Por ejemplo, a continuación tenemos una tabla con los valores trimestrales de la recaudación del IVA interno en millones de pesos, en el período comprendido entre el primer trimestre de 1989 y el cuarto trimestre de 2006 y la visualización gráfica en forma de una línea uniendo los puntos, con el tiempo (trimestres) en el eje de las abcisas y el valor observado en el eje de las ordenadas. Tabla 1 – IVA Interno – Datos Trimestrales.

Gráfica 1: IVA Interno. Datos Trimestrales: 1989.I – 2006.IV.

Fuente: Elaboración propia en base a datos de la DGI. Si para el caso de la Recaudación del IVA interno con frecuencia mensual, calculamos las medias para cada mes a lo largo de los años 1992 a 2006, vemos en la tabla 2, que el mes de junio es el que presenta el valor más bajo en promedio a lo largo de los años, mientras que noviembre es el que presenta el máximo en promedio entre los meses. Si el cálculo lo hacemos para el período 1992 - 2003, el mes de mayor recaudación promedio es enero, y si vemos la gráfica de la serie eso esta de acuerdo con lo observado, ¿que es lo que hace cambiar este patrón? Tabla 2

El causante de esta distorsión en las medias son dos puntos extremos, uno en setiembre de 2004, baja de recaudación, y otro en noviembre de 2004, suba en la recaudación, causados por la huelga de funcionarios de la institución, por lo cual hubo una merma de los ingresos en el tercer trimestre y una suba de los ingresos en el cuarto trimestre. O sea que el outlier (punto extremo) se detecta tanto en la serie mensual como en la trimestral.

46

I 1,08II 0,97III 0,99IV 0,97

Coef. Est. Fijos

Observado y MMC4T

8

9

10

11

12

13

14

1989,03 1990,09 1992,03 1993,09 1995,03 1996,09 1998,03 1999,09 2001,03 2002,09 2004,03 2005,09

iva interno constantes dic 85 mmc4t

Aquí vemos como un punto extremo afecta un instrumento como la media para cada mes, que nos permite, si son diferentes, detectar la presencia de estacionalidad en la serie. Este estimador no solo es sensible a puntos extremos sino que está influenciado por la tendencia en los datos. Primera aproximación a la estimación de la tendencia y la estacionalidad Ajuste estacional por coeficientes fijos Para efectos de obtener un mejor indicador de la presencia de estacionalidad en la serie del IVA, una forma es hacer un ajuste por coeficientes fijos de la estacionalidad. Para ello, primero se elimina el componente estacional, obteniéndose un estimador de la tendencia de la serie, esto se hace con una media móvil centrada (de doce meses para datos mensuales, de cuatro trimestres para datos trimestrales), luego se elimina de la serie la tendencia y con la serie ajustada por tendencia se calculan las medias para cada período (trimestre o mes) y se ajustan. Así obtenemos nuevas medias, pero ésta vez sin la interferencia de la tendencia. Para la serie trimestral de la Recaudación de IVA Interno real, en la Tabla 3 presentamos los valores de la media móvil centrada de 4 trimestres y en la Tabla 4 la estimación de los coeficientes estacionales fijos. Tabla 3 – Recaudación IVA interno real trimestral. Cálculo MMC4T.

trimestre 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006I 9,17 9,92 10,58 10,78 10,27 10,73 11,33 10,73 11,58 11,81 11,32 10,67 10,59 10,49 11,33 12,17 13,10II 9,31 10,12 10,63 10,55 10,38 11,01 11,20 10,85 11,80 11,76 11,04 10,54 10,66 10,65 11,56 12,39 13,55III 8,90 9,49 10,36 10,74 10,35 10,48 11,13 10,99 11,10 11,90 11,69 10,83 10,42 10,66 10,83 11,90 12,52IV 9,07 9,67 10,55 10,84 10,24 10,55 11,23 10,84 11,33 11,87 11,53 10,77 10,45 10,52 11,11 12,05 12,76

Tabla 4 – Coeficientes estacionales fijos. Período 1989.I – 2006.IV. Observamos que el primer trimestre presenta una fuerte estacionalidad. En la Gráfica 3 se muestra la serie del IVA Interno real con su media móvil centrada de 4 trimestres (MMC4T), la cual nos da una primera aproximación a la tendencia de la serie. Gráfica 3 –Recaudación IVA interno trimestral y una estimación de la tendencia-ciclo. Fuente: Elaboración propia en base a datos de la DGI y del INE. Visualización de la presencia de estacionalidad Como se menciona en la metodología otra forma de detectar la presencia de un efecto estacional es por medios visuales, como herramientas podemos usar los boxplot conjuntos para cada mes (trimestre)

47

calculado con los años disponibles. Si los boxplot están en un mismo nivel indicarían ausencia de estacionalidad, si en cambio hay desplazamiento indicaría presencia de estacionalidad. En la gráfica 4, vemos el boxplot de los datos del IVA interno real (indicando que el II, III y IV trimestre de 2006 son puntos extremos, junto con el IV de 2004) y en la gráfica 5 se observa el boxplot con los datos corregidos por los valores atípicos de 2004 debidos a la huelga de la DGI. Gráfica 4 – Boxplot - IVA interno real. Período 1989.I – 2006.IV.

QUARTER, period 44321

Rec IV

A int

cons

tante

20,000

15,000

10,000

5,000

0,000

2.006,06

1.989,06

1.990,03

1.989,03

2.006,12

2.004,122.006,09

Fuente: Elaboración propia en base a datos de la DGI y el INE. En la Gráfica 5 se observa que despareció el círculo correspondiente al IV trimestre de 2004, y que se observa con claridad que el año 2006 presenta una recaudación superior a la observada en años anteriores a partir del II trimestre. Esto sería una posible indicación exploratoria de la mejora en la recaudación de la DGI atribuída en trabajos confirmatorios no solo al crecimiento del PIB sino también a una mejora de la eficiencia de la DGI (Asesoría Económica de la DGI (2006)). Gráfica 5 – Box-plot - IVA interno real con datos del 2004 (III y IV) ajustados. Período 1989.I – 2006.IV. Fuente: Elaboración propia en base a datos de la DGI y el INE. Otra forma de visualizar el comportamiento estacional es graficando la evolución de los meses (trimestres) de cada año. Si observamos la serie del IVA interno a precios constantes, vemos en la Gráfica 6, también como el año 2006 se separa de los otros años y que en el año 2004 el IV trimestre presenta un valor cercano al IV trimestre de 2006 y que el III trimestre de 2004 tiene un valor similar al III trimestre de los años 1989 y 1990.

48

Recaudación Real Iva Interno. Años en función de los trimestres.

8

9

10

11

12

13

14

15

16

I II III IV

1989 1990 1991 1992 1993 1994 1995 1996 19971998 1999 2000 2001 2002 2003 2004 2005 2006

Recaudación Real Iva Interno. Años en función de los trimestres.

8

9

10

11

12

13

14

15

16

I II III IV

1989 1990 1991 1992 1993 1994 1995 1996 19971998 1999 2000 2001 2002 2003 2004 2005 2006

Gráfica 6 – Evolución Recaudación IVA Interno real. Período 1989.I – 2006.IV. Fuente: Elaboración propia en base a datos de la DGI y del INE. Si corregimos, el efecto de la huelga de la DGI que afectó esos dos últimos trimestres de 2004, la Gráfica 7 muestra que 2006 sigue siendo un año diferenciado, y que el año 2004 está cercano a 1998 y 1999, que los años 1989 y 1990 están alejados de los otros años y que el III trimestre de 1993 presenta un valor bajo en la recaudación, acercándose a este grupo inferior. Gráfica 7 - Evolución Recaudación IVA interno real con datos 2004 (III y IV) ajustados. Período 1989.I – 2006.IV. Fuente: Elaboración propia en base a datos de la DGI y del INE. Otra forma de presentar el efecto estacional es graficar cada uno de los trimestres (meses) en función de los años. Esta presentación es similar a la que se hace cuando se grafican los coeficientes estacionales estimados para cada período por un método que tiene en cuenta la evolución de los coeficientes a lo largo del tiempo (por ejemplo el X-12-ARIMA). En la Gráfica 8, se observa que históricamente, el primer trimestre hasta el año 2002 muestra una recaudación superior a los otros trimestres, y que a partir de la crisis de junio de 2002 se produce un cambio en el comportamiento del I trimestre que muestra valores inferiores al III de 2003 explicado quizás porque se comienza a salir de la crisis, y al IV trimestre en 2004, volviendo nuevamente en 2005 a ser el I trimestre el de mayor recaudación en el año. En 2006 se produce un cambio en la forma de la recaudación trimestral, similar al 2004 en el sentido de que el IV trimestre es el más importante, pero

49

Evolución de los trimestres a lo largo de los años

8

9

10

11

12

13

14

15

16

1989

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

I II III IV

Recaudación IVA Interno Real - Evolución de los factores estacionales - Método X-12 ARIMA

90

95

100

105

110

115

1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006

Trim I Trim II Trim III Trim IV

donde el rol del III y el I es similar a 2003, y diferente del histórico. Esto nos estaría indicando un cambio en la estacionalidad de la serie que vamos a confirmar cuando estimemos por el método X-12-ARIMA los coeficientes estacionales. El valor al cierre del I trimestre de 2007 indica que este crecimiento continúa. Gráfica 8 – Evolución de cada trimestre. Recaudación de IVA interno real. Período 1989.I – 2006.IV. Fuente: Elaboración propia en base a datos de la DGI y del INE. Análisis Componentes Estacional y Tendencia–ciclo por X- 12 -ARIMA A continuación se presentan los resultados de aplicación del Procedimiento X-12-ARIMA a la recaudación del IVA Interno real. En la gráfica 9 se muestra la evolución de los coeficientes estacionales, corroborando los comentarios realizados cuando visualizamos la Gráfica 8, de la evolución de cada trimestre a lo largo de los años. Hay un cambio en la estacionalidad, disminuye la importancia del trimestre I y aumenta la del IV. Gráfica 9 – Evolución de los factores estacionales de la recaudación del IVA Interno. Fuente: Elaboración propia en base a datos de la DGI y del INE. En el período analizado, la recaudación del IVA Interno presenta tasas positivas de Tendencia-ciclo de larga duración en 2 oportunidades, en el período entre el segundo trimestre del 89 al cuarto trimestre de 1991 (7 trimestres) y en el período del segundo trimestre de 2003 al cuarto trimestre de 2006 (15 trimestres). Luego hay dos agrupaciones interrumpidas de 5 trimestres, uno de los cuales corresponde al

50

Fecha Serie ajustada

Tendencia - ciclo

2002.03 4.2 3.82002.06 8.0 2.52002.09 -7.1 -1.82002.12 -2.5 -2.72003.03 0.3 -0.42003.06 1.4 3.42003.09 6.9 3.22003.12 -2.6 0.42004.03 1.9 1.82004.06 8.0 3.12004.09 -3.6 2.12004.12 6.0 2.92005.03 1.4 1.52005.06 -4.9 0.22005.09 8.0 1.92005.12 -0.2 1.52006.03 1.1 1.22006.06 4.4 3.42006.09 3.9 5.82006.12 7.8 4.7

período de incremento del PIB, del segundo de 1997 al tercero del año 1998, esto se muestra en la Tabla 5. Tabla 5– Recaudación IVA interno real - Tendencia-ciclo- Trimestres consecutivos de variación positiva.

Período Signo variación tendencia Período Signo variación

tendencia Cantidad de trimestres

1989.I-1991.IV positivo 7 1992.I - 1992-II negativo 1993.I positivo 1 1993.II – 1993.IV negativo 1994.I– 1994.II positivo 2 1994.III negativo 1994.IV – 1995.IV positivo 5 1996.I negativo 1996.II Positivo 1 1996.III-1997.I negativo 1997.II-1998.III Positivo 5 1998.IV – 1999.II negativo 1999.III Positivo 1 1999.IV – 2000.III negativo 2000.IV-2001.I Positivo 2 2001.II – 2001.IV negativo 2002.I-2002.II Positivo 2 2002.III-2003.I negativo 2003.II – 2006.IV Positivo 15

En la Tabla 6 se muestran las tasas de variación de los datos ajustados por estacionalidad y la estimación de la tendencia-ciclo de los 4 últimos años de la recaudación de IVA Interno real trimestral. Tabla 6 - Recaudación IVA interno real. Datos ajustados por estacionalidad y Tendencia-ciclo. Variaciones. A efectos de comparar con el PIB se muestra la gráfica de la tendencia - ciclo de la recaudación del IVA interno y del PIB (estimados usando X-12-ARIMA).

51

Variación Anual Porcentual del Iva Interno Real y PIB Real

-15

-10

-5

0

5

10

15

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

PIB Iva Interno Desfasado un Mes

6

7

8

9

10

11

12

13

14

15

16

1989

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

IVA

Inte

rno

100

110

120

130

140

150

160

170

180

190

200

PIB

Gráfica 10 – Tendencia –ciclo del PIB y de la Recaudación de IVA Interno. Fuente: Elaboración propia en base a datos de la DGI y del INE. En la tabla 7, para efectos de comparación presentamos para el PIB Global trimestral, los períodos consecutivos de variación positiva de la tendencia-ciclo Tabla 7 – PIB trim. Tendencia-ciclo. Trimestres consecutivos de variación positiva.

Período Signo

variación tendencia

Período Signo

variación tendencia

Cantidad de trimestres

1989.I – 1989.II positivo 2 1989.III - 1990.I negativo 1990.II – 1994.III positivo 18 1994.IV - 1995.III negativo 1995.IV – 1998.III positivo 12 1998.IV - 2000.III negativo 2000.IV positivo 1 2001.I -2002.IV negativo 2003.I – 2006.IV positivo 16 Si a estas series desestacionalizadas (Iva Interno y PIB trimestral) le aplicamos el filtro de HP para obtener el componente cíclico de las mismas y calculamos la correlación, obtenemos que en el período a sido de 0.43. Si comparamos este resultado con el que arroja el método simple de hacer la correlación de las tasas de crecimiento anuales, vemos que es similar, este nos da 0.41. A continuación en la gráfica 11 se muestra el gráfico de las variaciones anuales. Gráfica 11 Fuente: Elaboración propia en base a datos de DGI, INE y del BCU.

52

Recaudación Real Iva Interno. Años en función de los trimestres.

8

9

10

11

12

13

14

15

16

I II III IV

1989 1990 1991 1992 1993 1994 1995 1996 1997

1998 1999 2000 2001 2002 2003 2004 2005 2006

Estacionalidad del Iva Interno por coeficientes estacionales

fijos

0,88

0,96

1,04

1,12

I II III IVTrimestres

I 1,08

II 0,97

III 0,99

IV 0,97

Coef. Est. Fijos

Anexo 2: Análisis Descriptivo

1. Análisis Exploratorio

IVA Interno

8

9

10

11

12

13

14

15

16

17

90 92 94 96 98 00 02 04 06

IVA_INTERNO

8

9

10

11

12

13

14

15

16

90 92 94 96 98 00 02 04 06

IVA_I_MOD

53

FechaSerie

ajustada

Tendencia -

ciclo

2002.03 4.2 3.8

2002.06 8.0 2.5

2002.09 -7.1 -1.8

2002.12 -2.5 -2.7

2003.03 0.3 -0.4

2003.06 1.4 3.4

2003.09 6.9 3.2

2003.12 -2.6 0.4

2004.03 1.9 1.8

2004.06 8.0 3.1

2004.09 -3.6 2.1

2004.12 6.0 2.9

2005.03 1.4 1.5

2005.06 -4.9 0.2

2005.09 8.0 1.9

2005.12 -0.2 1.5

2006.03 1.1 1.2

2006.06 4.4 3.4

2006.09 3.9 5.8

2006.12 7.8 4.7

Recaudación IVA Interno Real - Evolución de los factores estacionales -

Método X-12 ARIMA

90

95

100

105

110

115

1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006

Trim I Trim II Trim III Trim IV

54

Estacionalidad del Iva Importación por coeficientes

estacionales fijos

0,80

0,88

0,96

1,04

1,12

I II III IVTrimestres

I 0,94

II 0,97

III 0,99

IV 1,10

Coef. Est. Fijos

Recaudación Real Iva Importación. Años en función de los trimestres.

3

4

5

6

7

8

9

10

11

12

I II III IV

1989 1990 1991 1992 1993 1994 1995 1996 1997

1998 1999 2000 2001 2002 2003 2004 2005 2006

3

4

5

6

7

8

9

10

11

12

90 92 94 96 98 00 02 04 06

IVA_IMPORTACION

IVA Importación

55

FechaSerie

ajustada

Tendencia -

ciclo

2002.03 -27.8 -11.5

2002.06 -0.3 -11.3

2002.09 -7.3 -5.7

2002.12 2.3 0.7

2003.03 6.0 8.5

2003.06 13.9 9.7

2003.09 5.6 10.5

2003.12 15.0 11.4

2004.03 8.4 8.8

2004.06 3.3 5.1

2004.09 5.8 2.4

2004.12 -1.8 2.6

2005.03 8.0 3.4

2005.06 1.3 4.9

2005.09 5.9 2.6

2005.12 -0.8 1.8

2006.03 3.2 2.5

2006.06 4.2 2.1

2006.09 -2.2 1.9

2006.12 7.5 3.3

Recaudación IVA Importación Real - Evolución de los factores estacionales -

Método X-12 ARIMA

80

85

90

95

100

105

110

115

1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006

Trim I Trim II Trim III Trim IV

56

Estacionalidad del Iva Global por coeficientes estacionales fijos

0,88

0,96

1,04

I II III IVTrimestres

I 1,03

II 0,97

III 0,99

IV 1,02

Coef. Est. Fijos

Recaudación Real Iva Global. Años en función de los trimestres

12

14

16

18

20

22

24

26

28

I II III IV

1989 1990 1991 1992 1993 1994 1995 1996 1997

1998 1999 2000 2001 2002 2003 2004 2005 2006

IVA Global

12

14

16

18

20

22

24

26

28

90 92 94 96 98 00 02 04 06

IVA_TOTAL

12

14

16

18

20

22

24

26

28

90 92 94 96 98 00 02 04 06

IVA_TOTAL_MOD

57

FechaSerie

ajustada

Tendencia -

ciclo

2002.03 -9.0 -2.5

2002.06 4.6 -3.3

2002.09 -6.6 -3.3

2002.12 -2.0 -1.4

2003.03 3.2 2.3

2003.06 4.8 5.6

2003.09 7.1 5.8

2003.12 3.5 4.5

2004.03 4.2 4.4

2004.06 5.4 4.0

2004.09 -12.1 2.4

2004.12 32.4 2.3

2005.03 -7.3 2.6

2005.06 -3.2 1.9

2005.09 8.2 1.9

2005.12 -0.2 1.9

2006.03 1.8 1.9

2006.06 2.9 2.3

2006.09 2.9 4.3

2006.12 7.6 4.8

Recaudación IVA Global Real - Evolución de los factores estacionales -

Método X-12 ARIMA

94

96

98

100

102

104

106

1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006

Trim I Trim II Trim III Trim IV

58

Recaudación Real Imesi Global. Años en función de los trimestres

4

5

6

7

8

9

I II III IV

1989 1990 1991 1992 1993 1994 1995 1996 1997

1998 1999 2000 2001 2002 2003 2004 2005 2006

Estacionalidad del IMESI Global por coeficientes estacionales

fijos

0,85

0,90

0,95

1,00

1,05

1,10

1,15

I II III IVTrimestres

I 1,13

II 0,95

III 0,92

IV 1,00

Coef. Est. Fijos

Recaudación IMESI Global Real ajustado huelga - Evolución de los factores estacionales -

Metodo X-12-ARIMA

80

85

90

95

100

105

110

115

120

1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006

Trim I Trim II Trim III Trim IV

FechaSerie

ajustada

Tendencia

- ciclo2002,03 -0,7 -1,5

2002,06 -5,3 -7,8

2002,09 -19,1 -14,3

2002,12 -8,4 -10,1

2003,03 10,8 0,8

2003,06 -7,2 4,8

2003,09 9,5 5,8

2003,12 5,1 3,9

2004,03 -1,6 -0,7

2004,06 -0,6 1,4

2004,09 9,2 5,5

2004,12 1,4 3,0

2005,03 -0,7 -0,1

2005,06 1,7 0,8

2005,09 0,4 0,9

2005,12 -0,1 -0,9

2006,03 -1,8 0,1

2006,06 8,0 1,1

2006,09 -4,9 1,1

2006,12 2,1 1,2

IMESI Global

59

Estacionalidad del IMESI Combustible por coeficientes

estacionales fijos

0,85

0,93

1,01

1,09

1,17

I II III IVTrimestres

I 1,03

II 1,01

III 0,97

IV 0,99

Coef. Est. Fijos

Recaudación Real Imesi Combustible. Años en función de los trimestres.

2,00

2,50

3,00

3,50

4,00

4,50

5,00

I II III IV

1989 1990 1991 1992 1993 1994 1995 1996 1997

1998 1999 2000 2001 2002 2003 2004 2005 2006

MESI Combustible

60

Estacionalidad del IMESI Automóviles por coeficientes

estacionales fijos

0,85

0,90

0,95

1,00

1,05

I II III IVTrimestres

Recaudación Real Imesi Aut omóviles. Años en f unción de los t r imest res.

0,00

0,30

0,60

0,90

1,20

1,50

I II III IV1989 1990 1991 1992 1993 1994 1995 1996 1997

1998 1999 2000 2001 2002 2003 2004 2005 2006

I 1,03

II 1,01

III 0,97

IV 0,99

Coef. Est. Fijos

IMESI Automóviles

61

Estacionalidad del IMESI Tabaco por coeficientes estacionales

fijos

0,85

0,90

0,95

1,00

1,05

1,10

I II III IVTrimestres

I 1,10

II 0,99

III 0,93

IV 0,97

Coef. Est. Fijos

Recaudación Real Imesi Tabaco. Años en función de los trimestres.

1,0

1,3

1,6

1,9

2,2

I II III IV

1989 1990 1991 1992 1993 1994 1995 1996 1997

1998 1999 2000 2001 2002 2003 2004 2005 2006

IMESI Tabaco

62

Estacionalidad del IRIC por coeficientes estacionales fijos

0,85

0,90

0,95

1,00

1,05

1,10

1,15

1,20

1,25

I II III IVTrimestres

I 0,92

II 1,22

III 0,89

IV 0,97

Coef. Est. Fijos

Recaudación Real IRIC. Años en función de los trimestres.

0,0

2,5

5,0

7,5

10,0

I II III IV

1989 1990 1991 1992 1993 1994 1995 1996 1997

1998 1999 2000 2001 2002 2003 2004 2005 2006

IRIC

63

Estacionalidad del IRP por coeficientes estacionales fijos

0,9

0,9

1,0

1,0

1,1

1,1

I II III IVTrimestres

I 1,04

II 0,97

III 1,05

IV 0,94

Coef. Est. Fijos

Recaudación Real IRP. Años en función de los trimestres.

0

1

2

3

4

5

I II III IV

1989 1990 1991 1992 1993 1994 1995 1996 1997

1998 1999 2000 2001 2002 2003 2004 2005 2006

IRP

64

Estacionalidad de la Recaudación de DGI Neta por coeficientes

estacionales fijos

0,85

0,90

0,95

1,00

1,05

I II III IVTrimestres

Recaudación Real Recaudación Neta DGI. Años en función de los trimestres

20

25

30

35

40

45

I II III IV

1989 1990 1991 1992 1993 1994 1995 1996 1997

1998 1999 2000 2001 2002 2003 2004 2005 2006

I 1,02

II 1,01

III 0,95

IV 1,01

Coef. Est. Fijos

Recaudación DGI

65

Ingresos Totales Reales de Gobierno Central, Años en función de los trimestres.

25

30

35

40

45

50

55

I II III IV

1989 1990 1991 1992 1993 1994 1995 1996 1997

1998 1999 2000 2001 2002 2003 2004 2005 2006

Estacionalidad de los Ingresos Totales por coeficientes

estacionales fijos

0,85

0,90

0,95

1,00

1,05

I II III IVTrimestres

I 1,03

II 1,00

III 0,97

IV 1,00

Coef. Est. Fijos

Ingresos Totales Ajustados por Y extraordinarios y Huelga DGI

Evolución de los Factores Estacionales - Método X-12-ARIMA

94

96

98

100

102

104

106

1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006

Trim I Trim II Trim III Trim IV

FechaSerie

ajustada

Tendencia -

ciclo

2002,03 -27,8 -11,5

2002,06 -0,3 -11,3

2002,09 -7,3 -5,7

2002,12 2,3 0,7

2003,03 6,0 8,5

2003,06 13,9 9,7

2003,09 5,6 10,5

2003,12 15,0 11,4

2004,03 8,4 8,8

2004,06 3,3 5,1

2004,09 5,8 2,4

2004,12 -1,8 2,6

2005,03 8,0 3,4

2005,06 1,3 4,9

2005,09 5,9 2,6

2005,12 -0,8 1,8

2006,03 3,2 2,5

2006,06 4,2 2,1

2006,09 -2,2 1,9

2006,12 7,5 3,3

Ingresos Totales

66

Estacionalidad de las Contribuciones al BPS por coeficientes

estacionales fijos

0.85

0.90

0.95

1.00

1.05

1.10

I II III IVTrimestres

I 0.99

II 0.99

III 0.94

IV 1.08

Coef. Est. Fijos

Contribuciones al BPS de Gobierno Central. Años en función de los

trimestres.

5

10

15

20

25

I II III IV

1990 1991 1992 1993 1994 1995 1996 1997 1998

1999 2000 2001 2002 2003 2004 2005 2006

Contribuciones al BPS

67

Estacionalidad de las Remuneraciones por coeficientes

estacionales fijos

0.85

0.90

0.95

1.00

1.05

I II III IVTrimestres

I 0.97

II 1.04

III 0.94

IV 1.05

Coef. Est. Fijos

Renuneraciones de Gobierno Central. Años en función de los trimestres

7

8

9

10

11

12

I II III IV

1989 1990 1991 1992 1993 19941995 1996 1997 1998 1999 20002001 2002 2003 2004 2005 2006

7.5

8.0

8.5

9.0

9.5

10.0

10.5

11.0

11.5

90 92 94 96 98 00 02 04 06

REMU

Remuneraciones

68

Estacionalidad de los Gastos de Funcionamiento por

coeficientes estacionales fijos

0.85

0.90

0.95

1.00

1.05

I II III IVTrimestres

I 1.04

II 0.94

III 1.00

IV 1.02

Coef. Est. Fijos

Gastos de Funcionamiento de Gobierno Central. Años en función de los trimestres.

3

4

5

6

7

8

I II III IV

1989 1990 1991 1992 1993 1994 1995 1996 1997

1998 1999 2000 2001 2002 2003 2004 2005 2006

Gastos de Funcionamiento

69

Estacionalidad de los Gastos de Funcionamiento sin Plan de

Emergencia por coeficientes estacionales fijos

0.85

0.90

0.95

1.00

1.05

I II III IVTrimestres

I 1.04

II 0.94

III 1.00

IV 1.02

Coef. Est. Fijos

Gastos de Funcionamiento de Gobierno Central sin Plan de Emergencia. Años en función de los trimestres.

3

4

5

6

7

8

I II III IV

1989 1990 1991 1992 1993 1994 1995 1996 1997

1998 1999 2000 2001 2002 2003 2004 2005 2006

Gastos de Funcionamiento sin Plan de Emergencia

70

Estacionalidad del Gasto Primario por coeficientes

estacionales fijos

0,88

0,96

1,04

1,12

I II III IVTrimestres

Recaudación Real Gasto Primario. Años en función de los trimestres.

22

27

32

37

42

47

I II III IV

1989 1990 1991 1992 1993 1994 1995 1996 1997

1998 1999 2000 2001 2002 2003 2004 2005 2006

Gasto Primario Corriente

I 0,98

II 0,99

III 0,97

IV 1,06

Coef. Est. Fijos

71

Estacionalidad de los Egresos Totales de Gobierno Central

por coeficientes estacionales fijos

0.85

0.90

0.95

1.00

1.05

I II III IVTrimestres

I 0.99

II 0.98

III 0.99

IV 1.04

Coef. Est. Fijos

Egresos Reales Gobierno Central. Años en función de los trimestres

30

35

40

45

50

55

60

I II III IV

1989 1990 1991 1992 1993 1994 1995 1996 1997

1998 1999 2000 2001 2002 2003 2004 2005 2006

Egresos Reales Totales - Evolución de los factores estacionales - Método X-12 ARIMA

90

92

94

96

98

100

102

104

106

108

110

1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006

Trim I Trim II Trim III Trim IV

Egresos Totales

FechaSerie

ajustada

Tendencia -

ciclo2002,03 -4,2 -3,8

2002,06 -3,3 -1,6

2002,09 5,8 0,6

2002,12 -4,6 0,0

2003,03 1,9 0,8

2003,06 13,5 1,3

2003,09 -20,3 -1,0

2003,12 11,3 1,1

2004,03 4,2 1,1

2004,06 -5,2 -1,2

2004,09 2,1 -1,1

2004,12 -0,8 1,4

2005,03 1,6 -1,1

2005,06 -4,4 -0,4

2005,09 4,8 0,2

2005,12 -2,6 0,5

2006,03 2,5 2,2

2006,06 5,4 2,0

2006,09 -4,9 1,3

2006,12 8,0 1,1

Cuadro 1: Normativa - Tasas de Principales Impuestos. Período 1989 - 2006.1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006

I.V.A.Tasa Básica 21 22 22 22 22 22 23 23 23 23 23 23 23 23 23 23 23 23Tasa Mínima 12 12 12 12 12 12 14 14 14 14 14 14 14 14 14 14 14 14

I.R.I.C. 30 40 30 30 30 30 30 30 30 30 30 30 30 35 35 30 30 30

IM.ES.IVinos & Otros Tasa Máxima 23 23 23 23 23 23 23 23 23 23 23 23 23 23 20.2 20.2 20.2 20.2Tasa Aplicable 20 20 20 20 23 23 23 23 23 23 23 23 23 23 20.2 20.2 20.2 20.2Bebidas Alcohólicas tasa vige 80 85 85 85 85 85 85 85 85 85 85 85 85 85 80 80 80 80 Adicional al Impuesto Liquidado 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5Cerveza 0 0 0 0Tasa Máxima 27 27 27 27 27 27 27 27 27 27 27 27 27 27 27 27 27 27Tasa Aplicable 24 24 24 24 27 27 27 27 27 27 27 27 27 27 23.5 23.5 23.5 23.5Bebidas sin alcohol 1:Tasa Máxima 22 22 22 22 22 22 22 22 22 22 22 22 22 22 13 13 22 22Tasa Aplicable 11 11 11 11 16 16 16 16 16 16 16 16 16 16 10.5 10.5 10.5 10.5Bebidas sin alcohol 2:Tasa Máxima 30 30 30 30 30 30 30 30 30 30 30 30 30 30 21.5 21.5 21.5 21.5Tasa Aplicable Maltas 11 11 11 11 16 16 16 16 16 16 16 16 16 16 13 13 13 13Tasa Aplicable Resto 27 27 27 27 30 30 30 30 30 30 30 30 30 30 13 13 13 13CosméticosTasa Máxima 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20Tasa Aplicable 20 20 20 20 20 20 20 15 15 15 15 15 15 15 15 15 11.5 11.5TabacosTasa Máxima 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70Tasa Aplicable: Cigarrillos 60 63 63 65 66.5 66.5 66.5 66.5 66.5 66.5 66.5 66.5 66.5 66.5 68.5 68.5 70 70 Cigarros de Hoja 35 35 35 35 40 40 40 40 40 40 40 40 40 40 40 40 41 41 Tabacos 25 25 25 25 30 30 30 30 30 30 30 30 30 30 30 30 28 28Energía EléctricaTasa Máxima 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10Tasa Aplicable 10 10 10 10 10 10 10 0 0 0 0 0 0 0 0 0 0 0Vehículos no Tareas AgrícolasMotor Diesel 22 22 22 22 22 22 30 30 30 30 30 30 30 60 60 60 60 60Motor otros Combustibles 22 22 22 22 22 22 25 25 25 25 25 25 25 40 40 40 27 27Lubricantes 35 35 35 35 35 35 35 35 35 35 35 35 35 35 32 32 32 32CombustiblesNafta Super 102 102 102 102 133 133 133 133 133 133 133 133 133 133 133 133 133 133Nafta Común 94 94 94 94 123 123 123 123 123 123 123 123 123 123 123 123 123 123Nafta Sin Plomo 77 77 77 77 0 101 101 101 101 101 101 101 101 101 101 101 101 101Queroseno 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28 28Gas Oil 35 35 35 35 20 15 15 30 30 30 30 30 30 30 0 0 0 1.55Diesel Oil 34 34 34 34 45 45 45 45 45 45 45 45 45 45 45 45 45 45Fuel Oil (tasa max 5%) 10 10 10 10 5 0 5 5 5 5 5 5 5 5 5 5 0 0Supergas y Gas 12 12 12 12 16 16 16 16 16 16 0 0 0 0 0 0 0 0

IMPUESTO

Cuadro 2: Normativa - Tasas del IRP. Período 1982 - 2006.

activos activos activos activos pasivosprivados públicos de CP, CN de CB BPS

01/07/1982 1/7/82 - 31/3/90 1% --- W < 3 SMN 1% 1% 1% 1% 1% Decreto-ley 15294, 23 de junio 1982,W > 3 SMN 2% 2% 2% 2% 2% art. 25 a 28.

16/01/1987 1/10/86 - 31/3/90 --- diferenciales --- --- --- --- --- --- Ley 15852, 24 de diciembre de 1986,entre 1% y 2% art. 3.

26/10/1987 1/11/87 - 31/12/93 --- --- --- --- --- --- --- --- Ley 15900, 21 de octubre 1987,art. 7.

03/04/1990 2/ 1/4/90 - 11/1/91 aportes personales 4.5% diferenciales W < 3 SMN 3.5% 3.5% 1% 2% 3.5% Ley 16107, 31 de marzo 1990,1/4/90 - 31/12/95 aportes patr. rurales entre 1,5% y 2,9% 3 < W < 6 SMN 5.5% 5.5% 2% 4% 5.5% Ajuste fiscal tributario

W > 6 SMN 7.5% 7.5% 2% 6% 7.5% art. 13 a 19.

10/01/1991 12/1/91 - 10/7/91 --- --- W < 3 SMN 2.5% --- --- --- --- Ley 16170, 10 de enero 1991,11/7/91 - 18/1/92 para pasivos. 3 < W < 6 SMN 5.0% --- --- --- --- Presupuesto Nacional

W > 6 SMN 7.5% --- --- --- --- art. 618.

11/7/91 - 18/1/92 --- --- W < 3 SMN 2.0% 2.0% --- --- 2.0%3 < W < 6 SMN 4.5% 4.5% --- --- 4.5%

W > 6 SMN 7.0% 4.5% --- --- 4.5%

19/1/92 - 31/12/92 para act. privados, --- --- W < 3 SMN 1.5% 1.5% --- --- 1.5%19/1/92 - 31/5/95 para el resto. 3 < W < 6 SMN 4.0% 4.0% --- --- 4.0%

W > 6 SMN 7.0% 4.0% --- --- 4.0%

17/11/1992 1/1/93 - 31/5/95 --- --- W < 3 SMN 1.75% --- --- --- --- Ley 16320, 17 de noviembre 1992,3 < W < 6 SMN 4.25% --- --- --- --- Rendición de Cuentas 1991

W > 6 SMN 7.25% --- --- --- --- art. 325 y 326.

04/01/1994 Desde 1/1/94 --- --- --- --- --- --- --- --- Ley 16464 (texto pendiente de revisión)art. 1 (único).

02/05/1995 1/6/95 - 31/12/97 aportes activos, --- --- W < 3 SMN 1% 1% --- W < 3 SMN 1% Ley 16697, 25 de abril 1995,desde 1/6/95 aportes pasivos. 3 < W < 6 SMN 3% 3% 3 < W < 7 S 2% Reordenamiento tributario

W > 6 SMN 6% 6% W > 7 SMN 6% y mejora de la competitividadadicional FRL 0.25% --- art. 22 a 24

12/01/1996 Desde 1/1/96 --- 1.5% --- --- --- --- --- --- Ley 16736, 12 de enero 1996,unificada. Presupuesto Nacional

art. 686.

20/01/1998 1/1/98 - 31/12/00 para activos --- --- W < 3 SMN 1% 1% --- --- --- Ley 16904, 20 de enero 1998,3 < W < 6 SMN 2% 2% art. 1 a 3.

W > 6 SMN 6% 6%adicional FRL 0.25% ---

23/02/2001 1/1/01 - 31/12/01 para activos --- --- W < 3 SMN 0% 0% --- --- --- Ley 17296, 21 de febrero 20013 < W < 6 SMN 2% 2% Presupuesto Nacional6 < W < 29 SMN 6% 6% art. 583 y 587.

W > 29 SMN 6% 9%adicional FRL 0.25% ---

01/03/2002 3Desde 1/3/02 para activos --- --- W < 3 SMN 0% 0% --- --- --- Ley 17453, 28 de febrero de 20023 < W < 6 SMN 2% 2% Ley de Responsabilidad Fiscal

F3 6% 6% art. 1 a 8.F4 9% 10%F5 10% 14%F6 11% 15%F7 12% 16%

adicional FRL 0.125% ---

31/05/2002 Desde 1/6/02 --- --- W < 3 SMN 0% 0% --- --- 1% Ley 17502, 31 de mayo de 2002 3 < W < 6 SMN 3% 3% 2% Ley de Estabilidad Financiera6 < W < 10 SMN 7.5% 7.5% 4% art. 5 a 8.

10 < W < 15 SMN 9% 10% 7.5%15 < W < 20 SMN 10% 12% 10%20 < W < 25 SMN 10% 14% 11%25 < W < 30 SMN 13% 16% 12%30 < W < 35 SMN 14% 18% 13%35 < W < 40 SMN 15% 20% 14%40 < W < 45 SMN 17% 20% 15%45 < W < 50 SMN 17% 20% 16%50 < W < 55 SMN 18% 20% 17%55 < W < 60 SMN 18% 20% 18%

W > 60 SMN 18% 20% 20%

adicional FRL 0.25% ---04/11/2003 Desde 01-01-2004 W < 3 SMN 0.00% 0% 0% Ley 17706. Disminución del IRP y mejora

3 < W < 6 SMN 2.00% 2% 0% de la gestión de la DGI. 4-11-03.6 < W < 10 SMN 7.5% 7.5% 4%

10 < W < 15 SMN 9% 10% 7.5% 15 < W < 20 SMN 10% 12% 10%

20 < W < 25 SMN 10% 14% 11%25 < W < 30 SMN 13% 16% 12%30 < W < 35 SMN 14% 18% 13%35 < W < 40 SMN 15% 20% 14%40 < W < 45 SMN 17% 20% 15%45 < W < 50 SMN 17% 20% 16%50 < W < 55 SMN 18% 20% 17%55 < W < 60 SMN 18% 20% 18%

W > 60 SMN 18% 20% 20%

adicional FRL 0.25% ---03/05/2004 Desde 01-05-2004 W < 3 SMN 0.00% 0% 0% Decreto del Poder Ejecutivo de fecha

3 < W < 6 SMN 2.00% 2% 0% 30-04-04.6 < W < 10 SMN 6.0% 6.0% 2%

10 < W < 15 SMN 6% 6% 2.0% 15 < W < 20 SMN 7% 9% 2%

20 < W < 25 SMN 7% 11% 2%25 < W < 30 SMN 10% 13% 2%30 < W < 35 SMN 11% 15% 2%35 < W < 40 SMN 12% 17% 2%40 < W < 50 SMN 14% 17% 2%

W > 50 SMN 15% 17% 2%

adicional FRL 0.25% ---30/07/2004 Desde 01-08-2004 W < 3 SMN 0% 0% 0% Decreto del Poder Ejecutivo de fecha

a 31-06-2007 3 < W < 6 SMN 2% 2% 0% 30-07-04.6 < W < 10 SMN 6% 6% 2%

10 < W < 15 SMN 6% 6% 2%15 < W < 20 SMN 6% 6% 2%20 < W < 25 SMN 6% 6% 2%25 < W < 30 SMN 6% 6% 2%30 < W < 35 SMN 6% 6% 2%35 < W < 40 SMN 6% 6% 2%40 < W < 50 SMN 6% 6% 2%

W > 50 SMN 6% 6% 2%

adicional FRL

Notas: 1/ El aporte personal no discrimina entre distintos activos, ni entre activos y pasivos hasta abril de 1990. CB - Caja Bancaria; CN - Caja Notarial; CP - Caja de Profesionales.2/ Comentarios adicioi) el tope de 5,5% para funcionarios públicos con W > 6 SMN no se aplica para cargos electivos, políticos y de confianza, los que pagan el 7,5%.

ii) Para las cajas paraestatales esta disminución del IRP se acompaña con un aumento de aportes personales de 0.5% (CN), 3,5% (CP) y 1,5% (CB).3/ Nuevas franjas: franja Sector Privado Sector Público

F3 6 < W < 25 SMN 6 < W < 20 SMNF4 25 < W < 30 SMN 20 < W < 30 SMNF5 30 < W < 35 SMN 30 < W < 40 SMNF6 35 < W < 40 SMN 40 < W < 50 SMNF7 W > 40 SMN W > 50 SMN

Fuente: Departamente de Análisis Fiscal (BCU).

FECHA de PUBLICACIÓN FUENTE

TASAS PATRONALES TASAS PERSONALES 1/VIGENCIA

GENERAL RURAL tramos

Cuadro 3: Normativa - Tasas de Aportes al BPS. Período 1989 - 2006.1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006

PATRONAL1. IVSCIVILGob. Dep. (1) 19.5% 16.5% 16.5% 16.5% 16.5% 16.5% 16.5% 16.5% 16.5% 16.5% 16.5% 16.5% 16.5% 16.5% 16.5% 16.5% 16.5% 16.5%EA & SD (3) 21.0% 24.5% 24.5% 24.5% 24.5% 24.5% 24.5% 24.5% 24.5% 24.5% 24.5% 24.5% 24.5% 24.5% 24.5% 24.5% 24.5% 24.5%Adm. Central 16.0% 19.5% 19.5% 19.5% 19.5% 19.5% 19.5% 19.5% 19.5% 19.5% 19.5% 19.5% 19.5% 19.5% 19.5% 19.5% 19.5% 19.5%IND. & COMERCIO (2) (4) (5) 13.0% 16.5% 16.5% 16.5% 14.5% 14.5% 14.5% 12.5% 12.5% 12.5% 12.5% 12.5% 12.5% 12.5% 12.5% 12.5% 12.5% 12.5%CONSTRUCCIÓN - aporte unificado (7) 80.0% 94.0% 94.0% 95.0% 92.0% 92.0% 92.0% 92.0% 92.0% 92.0% 92.0% 92.0% 92.0% 92.0% 92.0% 92.0% 82.0% 82.0%DOMÉSTICO 13.0% 16.5% 16.5% 16.5% 14.5% 14.5% 14.5% 12.5% 12.5% 12.5% 12.5% 12.5% 12.5% 12.5% 12.5% 12.5% 12.5% 12.5%TRABAJO DOMICILIARIOS 33.0% 33.0% 33.0% 33.0% 33.0% 33.0% 33.0% 32.5% 32.5% 32.5% 32.5% 32.5% 32.5% 32.5% 32.5% 32.5% 32.5% 32.5%

2. SEG. ENFERMEDAD (8) (9) (10 (11) 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0% 5.0%

OBRERO

1. IVSCIVILGob. Dep. 13% 13% 13% 13% 13% 13% 13% 15% 15% 15% 15% 15% 15% 15% 15% 15% 15% 15%EA & SD 13% 13% 13% 13% 13% 13% 13% 15% 15% 15% 15% 15% 15% 15% 15% 15% 15% 15%Adm. Central 13% 13% 13% 13% 13% 13% 13% 15% 15% 15% 15% 15% 15% 15% 15% 15% 15% 15%IND. & COMERCIO 13% 13% 13% 13% 13% 13% 13% 15% 15% 15% 15% 15% 15% 15% 15% 15% 15% 15%

RURAL (6) (11) 11.5% 11.5% 12.5% 12.5% 15% 15% 15% 15% 15% 15% 15% 15% 15%DOMÉSTICO 13% 13% 13% 13% 13% 13% 13% 15% 15% 15% 15% 15% 15% 15% 15% 15% 15% 15%

2. SEG. ENFERMEDAD (8) (9) (10 (11) 3% 3% 3% 3% 3% 3% 3% 3% 3% 3% 3% 3% 3%

Notas: 1/ Excepto Intendencia de Montevideo que aporta 19,5% (Ley 16.170, art.713).2/ A partir del 1/7/00 la tasa patronal para la Industria Manufacturera se fija en 6,5 puntos porcentuales (Ley 17.243, art.1 y Decreto 245/000).3/ A partir del 1/11/01 la Adm. Nal. De Correos reduce la tasa patronal a 12,5% (Ley 17.412 y Decreto 420/001).4/ A partir del 1/10/00 la tasa patronal del sector de Transporte Terrestre de Carga se reduce en 6 puntos (Ley 17.243, Decretos 275/00 y 401/00)

8/ A partir del 1/01/93 el patrono debe cubrir la diferencia que pudiera existir entre las contribuciones y el valor de la Cuota mutua9/ El patrono unipersonal sin personal o que ocupe hasta un dependiente, por el titular y su conyuge abonará el 30% o el 100% de la cuota .10/ A partir del 1/06/01 se disminuye en un 50% el aporte patronal a los Seguros por Enfermedad del sector Rural y a 2,5% la tasa de las empresas con actividades de Industria Manufacturera (Ley 17.345 y Decreto 200/001).11/ No se dispone de información para los años comprendidos entre 1989 y 1993.Fuente BPS

5/ A partir del 1/06/01 se reduce a 0% el aporte patronal jubilatorio de la Ind. Manufacturera del Sector Privado y a 0% el de las empresas de Transporte Terrestre de Carga y Transporte Colectivo de Pasajeros de líneas urbanas y suburbanas (Ley 17.345 y Decreto 200/01). A partir del 1/05/02 se reduce a 0% el aporte patronal jubilatorio de Taxis y Remises (Decreto 147/002).6/ Aporte Unificado tasas aplicables a las has.CONEAT (Ley 16.107). A partir del 1/01/00 la tasa se reduce a 0,756 (Ley 17.243, art.3).A patir del 1/06/01 la tasa de aporte patronal jubilatorio se reduce a 0%, quedando la tasa global en 0,66. (Ley 17.345, art.17 y Decreto 200/001, art.4).7/ A partir del 1/01/01 se establece una reducción del 75% a la tasa patronal jubilatoria a propietarios de obras privadas que cumplan determinados requisitos (Ley 17.292 y Decreto 85/001). A partir del 1/10/02 se reduce el unificado Construcción a 50% ó 62% de obras privadas nuevas y reactivadas que cumplan determinados requisitos (Ley 17.555 y Decreto 377/002).

75

Recaudación Real de IVA Interno

8

9

10

11

12

13

14

15

16

17

18

1989.03 1992.03 1995.03 1998.03 2001.03 2004.03 2007.03

constante base dic 85

Observado Modelo Predicción

Recaudación Real de IVA Importaciones

3

4

5

6

7

8

9

10

11

12

13

1989.03 1992.03 1995.03 1998.03 2001.03 2004.03 2007.03

constante base dic 85

Observado Modelo Predicción

Anexo 3: Modelos Univariados

Gráficas: Serie Observada, Modelo y Predicción para el año 2007

76

Recaudación Real de IVA Global

10

12

14

16

18

20

22

24

26

28

30

1989.03 1992.03 1995.03 1998.03 2001.03 2004.03 2007.03

constante base dic 85

Observado Modelo Predicción Directa Predicción Indirecta

Recaudación de IRIC

0

2

4

6

8

10

12

1989.03 1992.03 1995.03 1998.03 2001.03 2004.03 2007.03

constante base dic 85

Observado Modelo Predicción

Recaudación de IMESI Total

4

5

5

6

6

7

7

8

8

9

9

1989.03 1992.03 1995.03 1998.03 2001.03 2004.03 2007.03

constante base dic 85

Observado Modelo Predicción

77

Recaudación de IRP

0

1

1

2

2

3

3

4

4

5

5

1989.03 1992.03 1995.03 1998.03 2001.03 2004.03 2007.03

constante base dic 85

Observado Modelo Predicción

Recaudación de DGI Neta

17

22

27

32

37

42

47

1989.03 1992.03 1995.03 1998.03 2001.03 2004.03 2007.03

constante base dic 85

Observado Modelo Predicción

Ingresos totales de Gobierno Central

23

28

33

38

43

48

53

58

1989.03 1992.03 1995.03 1998.03 2001.03 2004.03 2007.03

constante base dic 85

Observado Modelo Predicción

78

Egresos Totales de GC

23

28

33

38

43

48

53

58

1989.03 1992.03 1995.03 1998.03 2001.03 2004.03 2007.03

constante base dic 85

Observado Modelo Predicción

Gasto Primario Corriente

18

23

28

33

38

43

48

1989.03 1992.03 1995.03 1998.03 2001.03 2004.03 2007.03

constante base dic 85

Observado Modelo Predicción

Remuneraciones GC

8

8

9

9

10

10

11

11

12

1989.03 1992.03 1995.03 1998.03 2001.03 2004.03 2007.03

constante base dic 85

Observado Modelo Predicción

79

Gastos de Funcionamiento

3

4

5

6

7

8

9

1989.03 1992.03 1995.03 1998.03 2001.03 2004.03 2007.03

constante base dic 85

Observado Modelo Predicción

Gastos de Funcionamiento sin Plan de Emergencia

3

4

5

6

7

8

9

1989.03 1992.03 1995.03 1998.03 2001.03 2004.03 2007.03

constante base dic 85

Observado Modelo Predicción

Contribuciones al BPS

5

7

9

11

13

15

17

19

21

23

1990.03 1991.12 1993.09 1995.06 1997.03 1998.12 2000.09 2002.06 2004.03 2005.12 2007.09

constante base dic 85

Observado Modelo Predicción

Cuadro 1: Especificación Modelos

Variables Especificación DiferenciaDiferencia Estacional

Modelo Ajuste Modelo ResumidoEn uso

Iva Interno (1-Φ1*B)(1-B4) ivaint = (1-θ4* B

4) noise Si Si 1 Huelga DGI 2004 (1,0,0)(0,1,1)4 NO

(1-L)(1-B4) ivaint = (1-θ4* B

4) noise Si Si 2 Huelga DGI 2004 (0,1,0)(0,1,1)4 Si

Iva Importación (1-B)(1-B4)ivaimp = (1- θ4*B

4) noise Si Si 1 (0,1,0)(0,1,1)4 Si

(1-Φ12*B12

)(1-Φ4*B4)(1-B)ivaimp =noise Si NO 2 ([12 ],1,0)(0,1,0)4 NO

Iva Global (1- Φ4*B4)(1-B)ivatot = noise Si NO 1 Huelga DGI 2004 (0,1,0)(1,0,0)4 Si

IRIC (1-Φ1*B- Φ2*B2) (1-B)(1-B

4)iric = (1-θ4*B

4) noise Si Si 1 (2,1,0)(0,1,1)4 Si

(1-B )(1 -B4)iric = (1-θ1*B)(1-θ4*B

4)noise Si Si 2 (0,1,1)(0,1,1)4 NO

IRP (1-Φ3*B3-Φ4*B

4)(1-B )irp = (1-θ9*B

9)noise Si NO 1 (4,1, [9]) Si

(1-Φ3*B3-Φ4*B

4)(1-B )irp =noise Si NO 2 (4,1,0) NO

IMESI Global (1-Φ1*B)(1-B4)imesi = (1-θ4*B

4) noise Si Si 1 Huelga DGI 2004 (1,0,0)(0,1,1)4 Si

Recaudación Neta DGI (1-B) (1 -B4 )recdgineta = (1-θ1*B)(1– θ4* B

4)noise Si Si 1 Huelga DGI 2004 (0,1,1)(0,1,1)4 Si

(1 -Φ4*B4)(1-B )recdgineta = (1-θ1*B)noise Si NO 2 Huelga DGI 2004 (0,1,1)(1,0,0)4 NO

Ingresos Totales (1-Φ1*B- Φ4*B4)(1-B )ingtot =noise Si NO 1 (4,1,0) Si

(1-Φ1*B-Φ2*B2)(1-B )ingtot =noise Si NO 2 (2,1,0) NO

(1-Φ1*B-Φ2*B2)(1-B)ingtot =(1-θ1*B)noise Si NO 3 (2,1,1) NO

Egresos Totales (1– Φ1*B)(1– Φ4*B4)(1-B)egresost =noise Si NO 1 (1,1,0)(1,0,0)4 Si

(1-Φ1*B-Φ2*B2-Φ3*B

3)(1-B )egresost =(1-θ1*B)noise Si NO 2 (3,1,1) NO

(1-B)(1-B4)egresost = (1-θ1*B)(1– θ4*B

4)noise Si SI 3 (0,1,1)(0,1,1)4 NO

(1 -Φ4*B4)(1-B)egresost = (1-θ1*B)noise Si NO 4 (0,1,1)(1,0,0)4 NO

Gasto Primario Corriente (1 -Φ4*B4)(1-B )gtopricte = (1-θ1*B)(1-θ5*B

5)noise Si NO 1 (0,1,1)(1,0,0)4 (0,0,[5]) Si

Remuneraciones (1– Φ1*B)(1– Φ4*B4) (1– B

4)remu =noise NO Si 1 (1,0,0)(0,1,1)4 Si

(1-Φ1*B1-Φ2*B

2)(1-B

4 )remu = (1-θ4*B

4)noise NO Si 2 (2,0,0)(0,1,1)4 NO

Contribuciones BPS (1-B)(1-B4)contbps =(1-θ1*B)(1-θ4* B

4)noise Si Si 1 (0,1,1)(0,1,1)4 Si

(1 -Φ4*B4)(1-B )contbps= (1-θ1*B)(1-θ4* B

4)noise Si NO 2 (0,1,1) (1,01)4 NO

Gastos de Funcionamiento (1-Φ8B8)(1-B) gastos = (1-θ1*B)(1- θ17*B

17)noise Si NO 1 ([8],1,1)(0.0[17]) Si

(1-Φ8B8)(1-B) gastos = (1-θ1*B)noise Si NO 2 ([8],1,1) NO

(1-Φ8*B8)(1-B) gassinPE = (1-θ1*B)(1- θ17*B

17)noise Si NO 2 ([8],1,1)(0.0[17]) Si

(1-Φ1*B-Φ2*B2-Φ3*B

3)(1-B )gassinPE=noise Si NO 2 (3,1,0) NO

Fuente: Elaboración propia

Huelga DGI 2004

Gastos de Funcionamiento sin

PANES

Cuadro 2: Resumen de Estimación y Validación

Variable Modelo Estimación Parámetros Estadístico t R2Residuos: Gráfica rk y φkk

* (significativamente distinto de 0)

Estadístico Ljung Box (Modelo bien especificado)

Test de Normalidad

Iva Interno (1) (1-Φ1*B)(1-B4) ivaint = (1-θ4* B4) noise Φ1=0.83, θ4=0.43 9.6; 3.5 78.9 si si aceptaIva Importación (1-B)(1-B4)ivaimp = (1- θ4*B4) noise θ4=0.67 7.2 92.4 si si aceptaIva Global (1- Φ4*B4)(1-B)ivatot = noise Φ4= 0.58 5.3 92.4 si si acepta

IRIC (1-Φ1*B- Φ2*B2) (1-B)(1-B4)iric= (1-θ4*B4) noise Φ1=-0.69, Φ2=0.29, θ4=0.34 -5.8; -2.4; 2.9 64.8 si si no acepta (2)

IRP (1-Φ3*B3-Φ4*B4)(1-B )irp = (1-θ9*B9)noise Φ3=-0.27, Φ4=0.28, θ9=0.19 -2.3; 2.4; 1.7 88.7 si si no acepta (3)

IMESI Global (1-Φ1*B)(1-B4)imesi = (1-θ4*B4) noise Φ1=0.7, θ4=0.8 10.3; 10.9 79.2 si si acepta

Recaudación Neta DGI (1-B )(1 -B4 )recdgineta = (1-θ1*B)(1– θ4* B4)noise θ1=0.32, θ4=-0.29 2.7; -2.5 82.4 si si no acepta (2)

Ingresos Totales (1-Φ1*B- Φ4*B4)(1-B )ingtot =noise Φ1=-0.29, Φ4=0.31 -2.4; 2.6 82.4 si si aceptaEgresos Totales (1– Φ1*B)(1– Φ4*B4)(1-B)egresost =noise Φ1=-0.52, Φ4=0.33 -4.8; 2.8 86.0 si si acepta Gasto Primario Corriente (1 -Φ4*B4)(1-B )gtopricte = (1-θ1*B)(1-θ5*B5)noise Φ4=0.61, θ1=0.37, θ5=0.31 5.9; 3.3; 2.6 90.1 si si acepta

Remuneraciones (1– Φ1*B)(1– Φ4*B4) (1–B4)remu =noise Φ1=0.72, Φ4=-0.35 8.0; -3.33 67.7 si si no acepta (4)

Contribuciones BPS (1-B)(1-B4)contbps =(1-θ1*B)(1-θ4*B4)noise θ1=0.53, θ4=0.58 4.9; 5.8 93.6 si si aceptaGastos de Funcionamiento (1-Φ8B

8)(1-B) gastos = (1-θ 1*B)(1-θ17*B17)noise Φ8=0.31, θ1=0.48, θ17=0.31 2.6; 4.4; 2.9 59.4 si si aceptaGastos de Funcionamiento sin PANES (1-Φ8*B8)(1-B) gassinPE = (1-θ1*B)(1-θ17*B17)noise Φ8=0.26, θ1=0.51, θ17=0.33 2.2; 3.2; 4.8 48.1 si si acepta

Notas: Los modelos se corrieron con el Programa SCA. Se presentan los datos del modelo del Cuadro 1 que se está usando actualmente, los datos de los demás modelos pueden solicitarse a las autoras.(1) Se presenta el Modelo del Iva Interno usado hasta la finalización del documento, a partir de 2006.12 se comienza a usar líneas aéreas que es el que aparce en las gráficas de las predicciones del IVA Interno para el 2007.(2) Esta distorsión está causada por la observación atípica que constituye la recaudación de abril de 2004 del IRIC (explicada en el texto). (3) Esta distorción está causada por el cambio de tasas del IRP en 2002. (4) Esta distorsión está causada por la observación atípica que constituye las remuneraciones de 2002. Se opta por no corregir porque el modelo luego se adapta bien.

INDICE

1. INTRODUCCION 2

2. METODOLOGIA 3

2.1 ANALISIS EXPLORATORIO 4

Componentes de una serie de tiempo 4

Estimación o eliminación de la tendencia 5

Ajuste estacional por coeficientes fijos 5

Visualización de la presencia de estacionalidad 5

Componente estacional y tendencia-ciclo 6

Desestacionalización por X -12 – ARIMA 7

Análisis exploratorio del componente cíclico 9

2.2 MODELOS de SERIES DE TIEMPO 9

2.2.1 Criterios para la selección de modelos y métodos de predicción 9

2.2.2 Metodología de Construcción de modelos 13

2.2.3 Predicción 15

2.2.4 Comparación de metodologías y su aplicación 17

2.2.5 Implementación 17

3. ANALISIS EMPIRICO 19

3.1 ANALISIS DESCRIPTIVO 19

3.1.1 Ingresos Gobierno Central 19

Impuesto al valor agregado IVA 19

IVA Interno 20

IVA Importación 22

IVA Global 24

Impuesto Específico Interno IMESI 25

Impuesto a la Renta de Industria y Comercio IRIC 27

Impuesto a las Retribuciones Personales IRP 28

Recaudación DGI 29

Ingresos Totales del Gobierno Central 29

3.1.2 Egresos Gobierno Central 30

Contribuciones al BPS 31

Remuneraciones 31

Gastos de Funcionamiento 32

Egresos Totales del Gobierno Central 33

3.2 MODELIZACION Y PREDICCION 34

Contraste de raíces unitarias 34

3.2.1 Modelización series de Ingresos 36

Evaluación de predicciones 36

3.2.2 Modelización Series de Egresos 38

Evaluación de predicciones 39

4. CONCLUSIONES Y COMENTARIOS 41

5. Bibliografía 42

Anexos

Anexo 1: Anexo Metodológico 45

Anexo 2: Análisis Descriptivo 52

Anexo 3: Modelos Univariados 75