We use annual panel data for the 32 Mexican states, during the 1993-2010 period, to study the long-term relationships and dynamics of production, fertility, and mortality in Mexico. The study uses cointegration and Granger-causality tests for panel data, Dynamic Ordinary Least Squares (DOLS) estimations, and dynamic panel data models. The main findings are: 1) the indicators cointegrate; 2) the estimated long-run relationship shows negative correlations between production and fertility and between production and mortality; 3) there is causality from mortality to production; 4) there is bidirectional causality between fertility and production; and 5) mortality effects on production are bigger than fertility effects on production.
INTRODUCCIÓN
En la literatura del desarrollo económico comúnmente se indica que los países que se industrializan exitosamente suelen manifestar dos tipos de transformaciones: 1) Una revolución industrial que incrementa sus niveles de producción e ingreso; y 2) una transición demográfica que reduce sus tasas de natalidad y mortalidad (Herzer, Strulik & Vollmer, 2012; Todaro & Smith, 2015). Por esta razón, los textos sobre el desarrollo económico suelen referirse a las relaciones y dinámicas entre la producción, la natalidad y la mortalidad1. Más aun, puede decirse que los estudios sobre dichas relaciones y dinámicas dan origen a la teoría económica. Las teorías clásicas de la población, de los salarios de subsistencia y de la pobreza, entre otras, tienen su origen en dichos estudios2.
Paradójicamente, los estudios sobre la producción, la natalidad y la mortalidad hallan evidencia mixta sobre las relaciones y dinámicas de dichas variables (Ahlburg & Cassen, 2008). Blanchet (1991) y Bloom & Freeman (1988), por ejemplo, muestran que las reducciones en la natalidad y la mortalidad tienen impactos diferenciados en el crecimiento económico usando evidencia internacional. Asimismo, hallan que usar la población como única variable demográfica induce problemas de especificación estadística3. Bloom & Canning (2001) y Kelley & Schmidt (1996; 2001) por su parte, sugieren que las relaciones mencionadas cambian en el tiempo. Más aun, Kelley & Schmidt (2001) sugieren que solamente entre 1980 y 1995 ha habido relaciones significativas entre las mencionadas variables.
Los estudios contemporáneos usan paneles de indicadores para aprovechar al máximo los datos disponibles. Paradójicamente, los estudios no sugieren que haya consensos sobre las correlaciones entre las variables. Así, Schultz (1997) muestra que el ingreso por adulto está negativamente asociado con la mortalidad y positivamente con la natalidad. Kelley & Schmidt (2001), por su parte, hallan que la natalidad y la mortalidad se correlacionan negativamente con el crecimiento económico. Lorentzen, McMillan & Wacziarg (2008) encuentran una correlación positiva entre la mortalidad y la natalidad e, indirectamente, una correlación negativa entre la natalidad y el crecimiento. Murtin (2013) no encuentra ninguna correlación significativa.
En la literatura contemporánea hay una controversia referida a las causalidades entre la producción, la natalidad y la mortalidad. Esta controversia existe porque hay teorías diversas4 y porque los estudios que evalúan dichas causalidades son muy escasos. Así, Ángeles (2010) halla una relación directa entre la mortalidad y la natalidad y muestra que la natalidad no tiene relación alguna con el Producto interno Bruto (PIB) per cápita. Herzer et al. (2012), por su parte, hallan causalidades bidireccionales entre la producción y la natalidad y entre la mortalidad y la natalidad. Estos estudios no se sustentan en pruebas de causalidad en el sentido de Granger para paneles. Esta situación, se explica porque dichas pruebas todavía están en una etapa de desarrollo incipiente5.
Todos los estudios mencionados utilizan indicadores de distintos países para analizar las relaciones y dinámicas de la producción, la natalidad y la mortalidad. Ninguno utiliza indicadores regionales de países específicos. Esta característica debe señalarse porque las estimaciones que usan indicadores regionales reducen algunos sesgos implícitos en las estimaciones que usan indicadores internacionales. Los mencionados sesgos se vinculan a las diferencias tecnológicas, institucionales, culturales y empresariales que existen entre los países (Barro & Sala-i-Martin, 2004). Por esta razón, puede argumentarse que las estimaciones con indicadores regionales podrían coadyuvar a resolver las controversias empíricas existentes.
En este artículo se analizan las relaciones de largo plazo y las dinámicas de la producción, la natalidad y la mortalidad en las entidades federativas de México. El estudio usa varios análisis complementarios entre sí (de tipo estadístico, de cointegración y elasticidades y de modelación econométrica). Particularmente, sus objetivos son: 1) describir y comparar los indicadores de las entidades; 2) evaluar la existencia de relaciones de largo plazo y modelarlas; 3) estimar las elasticidades de largo plazo de la producción de las entidades; 4) determinar las causalidades entre los indicadores; y 5) modelar la dinámica de la producción. El estudio utiliza un panel de indicadores anuales de las 32 entidades para el periodo comprendido entre 1993 y 2010.
Este estudio complementa aquellos desarrollados por Ángeles (2010), Herzer et al. (2012) y Murtin (2013). Por esta razón, en la investigación se utilizan pruebas de raíces unitarias y de cointegración para paneles y regresiones estimadas mediante las técnicas mínimos cuadrados dinámicos (DOLS, por sus siglas en inglés) y el Método Generalizado de Momentos (GMM, por sus siglas en inglés) en diferencias6. Sin embargo, a diferencia de los mencionados estudios, donde se analizan grupos de países, aquí se usan las mencionadas pruebas y técnicas para describir las relaciones de largo plazo y las dinámicas regionales de un país en desarrollo. Particularmente, se hacen estimaciones para las entidades federativas mexicanas con fines comparativos. Estas características, cabe mencionar, constituyen las mayores contribuciones de la investigación.
El estudio tiene similitudes y diferencias adicionales con respecto a los trabajos mencionados anteriormente. Particularmente, aquí se estiman la relación de largo plazo y las elasticidades con base en la técnica DOLS, tal como lo proponen Herzer et al. (2012). Sin embargo, las variables independientes y dependiente en dicha relación y la forma funcional de la regresión son distintas debido a que aquí las mencionadas variables no se postulan, sino que se determinan con base en las pruebas de causalidad7. Además, al igual que Ángeles (2010) y Murtin (2013), aquí se utiliza la técnica GMM para estimar la dinámica de corto plazo de las relaciones analizadas; sin embargo, tal como ha sido mencionado, las variables son distintas.
Las contribuciones de este estudio también son metodológicas. Esto ocurre porque aquí se incluyen análisis adicionales a los incluidos en los mencionados estudios. Los principales son las siguientes: 1) se usa la metodología Dumitrescu-Hurlin para hacer pruebas de causalidad en el sentido de Granger para paneles y así determinar las variables independientes y dependientes en las estimaciones de corto y largo plazos; 2) se usa la metodología Fisher/Johansen para evaluar la existencia de relaciones de largo plazo y no espurias entre los indicadores8; 3) se estiman elasticidades de largo plazo de la producción que pueden variar en el tiempo y por entidad federativa; y 4) se modelan las dinámicas de largo y corto plazo usando a la producción como variable dependiente9.
El artículo está organizado en cuatro secciones (incluida la introducción). La segunda sección describe los métodos y procedimientos del estudio. Se incluye una descripción de la base de datos, la metodología y las técnicas estadísticas y econométricas. La tercera sección muestra los resultados de las estimaciones. Esta sección se divide en tres apartados. El primero muestra la estadística descriptiva y los rankings de los indicadores. El segundo muestra las pruebas de cointegración, la relación de largo plazo entre los indicadores y las elasticidades de largo plazo de la producción de las entidades. El tercero muestra las causalidades entre los indicadores y la modelación de la dinámica de la producción. La última sección sintetiza los principales hallazgos y discute sus implicaciones.
MATERIALES Y MÉTODOS
Los materiales, métodos y técnicas usados en este estudio son acordes con el enfoque de paneles de datos. En este estudio se utiliza este enfoque de análisis econométrico porque el mismo permite: 1) combinar las propiedades de los datos en series de tiempo y de corte transversal; 2) tomar en cuenta la heterogeneidad de las unidades de medición, es decir, las entidades federativas; 3) revelar dinámicas de cambio y efectos difíciles de detectar cuando solo se usan datos de corte transversal o en series de tiempo; 4) minimizar sesgos derivados de la agregación de datos; y 5) reducir la variabilidad y la potencial multicolinealidad de las variables e incrementar los grados de libertad y la eficiencia de las estimaciones.
El panel de indicadores usado aquí se construye usando los bancos de datos del Instituto Nacional de Estadística y Geografía (INEGI). Particularmente, el indicador de producción, logaritmo natural del PIB por entidad federativa, se construye usando datos del Banco de Información Económica (BIE)10. Los indicadores demográficos, la tasa bruta de natalidad y la tasa bruta de mortalidad se obtienen directamente del Banco de Información INEGI (BIINEGI)11. Estadísticamente el panel se puede describir como de tipo balanceado con 576 observaciones. El mismo contiene datos e indicadores de las 32 entidades federativas mexicanas para los años de 1993 a 201012.
Los métodos y técnicas usados en el estudio permiten realizar análisis de tipo estadístico, de cointegración y de causalidad y de modelación econométrica. Estos análisis son complementarios y relativamente independientes entre sí. Particularmente, el análisis estadístico permite describir los indicadores de las entidades federativas desde una perspectiva comparada. El análisis emplea estadísticas descriptivas y rankings. Las estadísticas descriptivas se usan para caracterizar en los niveles nacional y estatal a los indicadores de producción, natalidad y mortalidad. Los rankings se usan para ordenar, de manera descendente, los promedios anuales de los indicadores de las entidades.
El análisis de cointegración se sustenta en la metodología de Fisher/Johansen para paneles de datos. La misma es una extensión de la metodología de Johansen usada para evaluar relaciones de largo plazo en series de tiempo (Johansen, 1991). La metodología de Fischer/Johansen evalúa la existencia de relaciones de cointegración mediante la realización de pruebas de raíces unitarias y de pruebas de cointegración para paneles de datos. Específicamente, las pruebas de raíces unitarias empleadas aquí incluyen las desarrolladas por Im, Pesaran y Shin (IPS), Levin, Lin y Chu (LLC) y Maddala y Wu (Fischer-ADF)13. Las pruebas de cointegración, por su parte, son las desarrolladas por Maddala & Wu (1999).
La metodología de Fisher/Johansen requiere la estimación repetida de los estadísticos de la traza y de máximo eigenvalor obtenidos mediante la metodología de Johansen. Asumiendo un número fijo de relaciones de cointegración, los mencionados estadísticos se estiman para las series de cada entidad i(i = 1, 2, 3, ..., 32). Así, aquí se estiman 32 estadísticos de la traza y de máximo eigenvalor. Los p-value, i, de cada estadístico estimado se usan para construir dos estadísticos combinados. El primer estadístico combina los p-value de los 32 estadísticos de la traza; el segundo incluye los p-value de los 32 estadísticos de máximo eigenvalor. Los estadísticos combinados se denominan como estadísticos CT14.
Las pruebas de cointegración de Maddala & Wu (1999) se evalúan con los estadísticos combinados de la traza y máximo eigenvalor asumiendo un número fijo de relaciones de cointegración. Al igual que en la metodología de Johansen, el número de pares de pruebas de cointegración se iguala al número de indicadores evaluados (3). En este contexto, las hipótesis nulas de cada prueba de cointegración también refieren al número de relaciones de cointegración hipotéticas que pudieran existir en el panel (máximo dos). Asimismo, los p-values de los estadísticos combinados, al igual que sus contrapartes para series de tiempo, también se estiman mediante los métodos de MacKinnon, Haug & Michelis (1999).
El análisis de cointegración se complementa con la estimación de la relación de largo plazo de los indicadores. Esta relación se estima mediante una regresión que usa la técnica de DOLS (Stock & Watson, 1993). Herzer et al. (2012) proponen utilizar esta técnica porque la misma permite: 1) estimar regresiones lineales, por ejemplo, relaciones de largo plazo, cuando hay más de dos variables I(1) o variables que pueden tener ordenes I(0) e I(1); 2) resolver problemas de endogeneidad y de correlación serial usando rezagos (lags) y adelantos (leads) de las variables independientes; y 3) obtener estimaciones consistentes para muestras pequeñas15.
Metodológicamente, la regresión estimada mediante la técnica DOLS (regresión DOLS) es una relación de cointegración con parámetros lineales y rezagos y adelantos de las diferencias de las variables independientes. No incluye variables de control por la falta de variables pertinentes16. Esta regresión, de forma funcional semilogarítmica, es la siguiente17:
(1)
Las variables de la regresión son las siguientes: In(PIBit) es el indicador de producción estatal, medido en términos del logaritmo natural del PIB real de la entidad federativa en el periodo t (t = 1, 2, 3, ..., 18); F it es el indicador de natalidad de la entidad i en el periodo t; y Mit es el indicador de mortalidad de la entidad en el periodo t; y µit es el término de error de la entidad i en el periodo t.
La relación de largo plazo estimada se considera como estadísticamente válida cuando se satisfacen las siguientes condiciones: 1) cuando los indicadores del panel son I(1) y los mismos cointegran; 2) cuando los coeficientes β1 y β2 son estadísticamente significativos; y 3) cuando los residuales se distribuyen normalmente. Particularmente, la primera condición es necesaria para evitar la estimación de regresiones espurias18. La segunda condición se evalúa mediante pruebas de significancia individual basadas en los estadísticos t de Student. La tercera se evalúa mediante la prueba de normalidad de Jarque-Bera. Por estas razones, aquí se reportan los p-values asociados a dichas pruebas estadísticas.
La forma funcional semilogaritmica de la regresión (1) permite estimar las elasticidades de largo plazo de la producción con respecto a la natalidad y a la mortalidad. Estas elasticidades cuantifican la sensibilidad de la producción cuando se incrementan los indicadores de natalidad o de mortalidad en 100%. Particularmente, la elasticidad promedio de largo plazo de la producción con respecto a la natalidad para la entidad federativa i, εPIB/F, se define como19:
(2)
Asimismo, la elasticidad promedio de la producción con respecto a la mortalidad para la entidad federativa i, εPIB/F, se define como:
(3)
El análisis de modelación econométrica incluye pruebas de causalidad en el sentido de Granger para paneles y la estimación de una regresión para paneles dinámicos usando la técnica del GMM. Específicamente, las pruebas de causalidad en el sentido de Granger bivariada se usan para: 1) justificar el uso del indicador de la producción como variable dependiente en las regresiones estimadas; y 2) resolver las controversias sobre la causalidad entre los indicadores de producción, natalidad y mortalidad. La prueba de causalidad en el sentido de Granger empleada aquí es la desarrollada por Dumitrescu & Hurlin (2012). Se utiliza esta prueba porque su uso se considera adecuado para muestras pequeñas.
La dinámica de la producción con respecto a la natalidad y a la mortalidad se modela usando una regresión GMM en diferencias para paneles dinámicos (Arellano & Bond, 1991). Aquí usa dicha técnica para estimar el siguiente modelo dinámico con parámetros lineales para paneles de datos:
(4)
Las variables del modelo incluyen a las mencionadas anteriormente y algunas adicionales. Las variables adicionales son el indicador de producción de la entidad federativa i en el periodo t – 1, In(PIBit – 1), y el indicador de efectos fijos de la entidad federativa i, νi.
La técnica GMM en diferencias tiene varias características que hacen conveniente su uso para describir la dinámica de la producción. La principal es que permite obtener coeficientes eficientes y robustos que evitan el problema de “sesgo de panel dinámico” que caracteriza a las estimaciones con efectos fijos20. Para eliminar dicho problema, el modelo planteado en (4) se transforma “en diferencias” de la siguiente manera:
(5)
Los coeficientes de impacto estimados de (4) y (5) se obtienen usando la técnica GMM y variables instrumentales21. Las variables usadas como instrumentos son In(PIBit)y In(PIBit– 2).
La estimación de la regresión GMM en diferencias se valida mediante pruebas estadísticas complementarias. Las principales pruebas utilizadas aquí se basan en los estadísticos de Arellano-Bond (m2) y de Sargan22. La prueba de Arellano-Bond evalúa la existencia de correlación de segundo orden en los errores. Su hipótesis nula supone la normalidad de los errores y la no autocorrelación de segundo orden. La prueba de sobre-identificación de Sargan evalúa las restricciones del modelo. Su hipótesis nula supone la validez conjunta de los instrumentos. Particularmente, si ninguna hipótesis nula es rechazada, se validan las estimaciones obtenidas. Por simplicidad analítica, para todos los estadísticos se reportan los p-values.
Finalmente, debe enfatizarse que este estudio tiene cinco objetivos que guían la investigación desarrollada. Estos objetivos son los siguientes: 1) describir y comparar los indicadores de producción, natalidad y mortalidad en las entidades federativas mexicanas; 2) evaluar la existencia de relaciones de largo plazo y modelarlas; 3) estimar las elasticidades de largo plazo de la producción de las entidades; 4) determinar las causalidades entre los indicadores; y 5) modelar la dinámica de la producción de las entidades con respecto a la natalidad y a la mortalidad. Se enfatizan los objetivos porque los mismos definen los métodos, técnicas, alcances y límites de la investigación.
RESULTADOS
En esta sección se muestran los resultados de las estimaciones usadas para estudiar las relaciones de la producción, la natalidad y la mortalidad, que se organizan en tres apartados. Particularmente, el primer apartado muestra las estimaciones vinculadas al análisis estadístico (estadísticas descriptivas y rankings). El segundo apartado muestra las estimaciones vinculadas al análisis de cointegración y de elasticidades (basadas en las metodologías de Fisher/Johansen y en la regresión DOLS). Finalmente, el tercer apartado muestra las estimaciones vinculadas al análisis de modelación econométrica (pruebas de causalidad en el sentido de Granger y regresión dinámica para paneles estimada mediante la técnica GMM en diferencias).
Análisis estadístico
Metodológicamente, el análisis estadístico usa estadísticas descriptivas y rankings. Las estadísticas descriptivas se usan para caracterizar los indicadores de producción, natalidad y mortalidad. Las tablas 1, 2, 3 y 4 muestran las estimaciones de estadística descriptiva de los indicadores a nivel agregado y desagregado. La tabla 1 muestra las estimaciones a nivel agregado a manera de referencia estadística. Particularmente, la tabla muestra que, durante el periodo analizado, hubo anualmente un promedio de 22.36 nacimientos y de 4.84 muertes por cada 1000 habitantes y por cada entidad federativa. La tabla también muestra que las distribuciones de densidad de los indicadores analizados son asimétricas y que ninguna es mesocúrtica23.
Tabla 1.
Estadísticas descriptivas del logaritmo natural del PIB (PIB), la tasa bruta de natalidad (F) y la tasa bruta de mortalidad (M).
|
|
PIB
|
F
|
M
|
Media
|
12.0532
|
22.3639
|
4.8434
|
Mediana
|
11.9177
|
22.2500
|
4.9000
|
Máximo
|
14.5257
|
32.0000
|
6.3000
|
Mínimo
|
10.3209
|
14.6000
|
2.9000
|
Desv. est.
|
0.8801
|
3.5677
|
0.6079
|
Coef. de asimetría
|
0.4813
|
0.1369
|
–0.5205
|
Curtosis
|
3.1291
|
2.04567
|
3.4057
|
Observaciones
|
576
|
576
|
576
|
Fuente: Elaboración propia.
Abrir
 |
Fuente: Elaboración propia. Close |
La tabla 2 muestra las estimaciones de estadística descriptiva de los indicadores de producción real de bienes y servicios. Las estimaciones muestran que las entidades que han experimentado los niveles de producción más volátiles han sido Campeche (0.8942) y Tabasco (0.6141). Asimismo, las estimaciones muestran que las entidades que han experimentado los niveles más estables han sido la Ciudad de México (0.1355) y Chihuahua (0.1706). Además, las estimaciones confirman que las distribuciones de densidad de las entidades son asimétricas y que ninguna es mesocúrtica24. Por tanto, la evidencia muestra que la producción de bienes y servicios ha sido heterogénea entre las entidades federativas.
Tabla 2.
Estadísticas descriptivas del logaritmo natural del PIB (PIB) por entidad federativa.
|
Estado
|
Media
|
Mediana
|
Máximo
|
Mínimo
|
Desv. est.
|
C. de asim
|
Curtosis
|
Obs
|
Aguascalientes
|
11.4646
|
11.5252
|
11.7788
|
10.9840
|
0.2502
|
-0.5210
|
2.0517
|
18
|
Baja California
|
12.5103
|
12.5518
|
12.8253
|
12.0304
|
0.2443
|
-0.5334
|
2.1890
|
18
|
Baja California Sur
|
10.8179
|
10.7581
|
11.4187
|
10.3729
|
0.3636
|
0.5478
|
2.0431
|
18
|
Campeche
|
11.8825
|
11.5125
|
13.5917
|
11.1699
|
0.8941
|
1.2581
|
2.7249
|
18
|
Coahuila
|
12.4947
|
12.4618
|
12.8517
|
12.0720
|
0.2348
|
-0.0845
|
2.2787
|
18
|
Colima
|
10.7217
|
0.6936
|
11.1456
|
10.3700
|
0.2554
|
0.4187
|
2.0769
|
18
|
Chiapas
|
11.8632
|
11.8105
|
12.3043
|
11.5802
|
0.2370
|
0.6642
|
2.1668
|
18
|
Chihuahua
|
12.6886
|
12.7161
|
12.9475
|
12.3644
|
0.1705
|
-0.5455
|
2.3755
|
18
|
Distrito Federal
|
14.3789
|
14.4276
|
14.5257
|
14.1469
|
0.1355
|
-0.5230
|
1.7083
|
18
|
Durango
|
11.5662
|
11.5322
|
11.8744
|
11.2605
|
0.2089
|
0.1756
|
1.7786
|
18
|
Guanajuato
|
12.5866
|
12.5438
|
13.0270
|
12.2112
|
0.2659
|
0.3751
|
2.0821
|
18
|
Guerrero
|
11.8388
|
11.8676
|
12.1179
|
11.5956
|
0.1736
|
0.0535
|
1.8053
|
18
|
Hidalgo
|
11.6581
|
11.5602
|
12.1543
|
11.3047
|
0.2794
|
0.8838
|
2.3902
|
18
|
Jalisco
|
13.1750
|
13.1702
|
13.5244
|
12.8531
|
0.2189
|
0.2533
|
2.0141
|
18
|
México
|
13.6021
|
13.5913
|
13.9064
|
13.3251
|
0.1821
|
0.1588
|
2.0566
|
18
|
Michoacán
|
12.1487
|
12.088
|
12.5497
|
11.8491
|
0.2308
|
0.6604
|
2.2692
|
18
|
Morelos
|
11.6065
|
11.6300
|
11.8405
|
11.3179
|
0.1708
|
–0.2775
|
1.7150
|
18
|
Nayarit
|
10.7884
|
10.7430
|
11.2694
|
10.4424
|
0.2697
|
0.8228
|
2.3530
|
18
|
Nuevo León
|
13.2684
|
13.2595
|
13.6588
|
12.8578
|
0.2655
|
0.0070
|
1.7811
|
18
|
Oaxaca
|
11.7663
|
11.7358
|
12.1316
|
11.4996
|
0.2242
|
0.5431
|
1.9632
|
18
|
Puebla
|
12.5698
|
12.6108
|
12.8444
|
12.1815
|
0.2164
|
-0.5613
|
2.0531
|
18
|
Querétaro
|
11.8693
|
11.8451
|
12.3553
|
11.3392
|
0.3069
|
0.0612
|
2.1328
|
18
|
Quintana Roo
|
11.6799
|
11.7304
|
12.0981
|
11.2239
|
0.3101
|
-0.1688
|
1.5933
|
18
|
San Luis Potosí
|
11.9018
|
11.8211
|
12.3219
|
11.5699
|
0.2538
|
0.4719
|
1.8704
|
18
|
Sinaloa
|
12.0312
|
11.9523
|
12.4582
|
11.7454
|
0.2421
|
0.8386
|
2.2593
|
18
|
Sonora
|
12.3221
|
12.2688
|
12.7099
|
11.9654
|
0.2349
|
0.3784
|
1.9909
|
18
|
Tabasco
|
11.7332
|
11.4561
|
12.9077
|
11.2513
|
0.6140
|
1.2719
|
2.7353
|
18
|
Tamaulipas
|
12.4464
|
12.4135
|
12.8746
|
12.0258
|
0.2827
|
0.1461
|
1.8037
|
18
|
Tlaxcala
|
10.7073
|
10.6977
|
11.0998
|
10.3209
|
0.2500
|
0.1542
|
2.0183
|
18
|
Veracruz
|
12.8323
|
12.7099
|
13.3617
|
12.5173
|
0.2895
|
1.0175
|
2.4627
|
18
|
Yucatán
|
11.6431
|
11.6160
|
12.0770
|
11.2628
|
0.2739
|
0.2971
|
1.8749
|
18
|
Zacatecas
|
11.1378
|
11.0907
|
11.6535
|
10.8238
|
0.2578
|
0.6132
|
2.2112
|
18
|
Fuente: Elaboración propia.
Abrir
 |
Fuente: Elaboración propia. Close |
La tabla 3 muestra las estimaciones de estadística descriptiva de los indicadores de natalidad. Particularmente, las estimaciones muestran que las entidades que han experimentado las tasas de natalidad más volátiles han sido Guerrero (4.0777) y Baja California (3.9424). Asimismo, muestran que las entidades que han experimentado las tasas más estables han sido la Ciudad de México (2.3883) y Yucatán (2.9310). Además, las estimaciones confirman que las distribuciones de densidad de las entidades son asimétricas y que ninguna es mesocúrtica25. Por tanto, la evidencia muestra que las tasas brutas de natalidad también han sido heterogéneas entre las entidades federativas.
Tabla 3.
Estadísticas descriptivas de la tasa bruta de natalidad por entidad federativa.
|
Estado
|
Media
|
Mediana
|
Máximo
|
Mínimo
|
Desv. est.
|
C. de asim
|
Curtosis
|
Obs
|
Aguascalientes
|
24.3111
|
24.7
|
29.4
|
19.4
|
3.3525
|
-0.0686
|
1.5558
|
18
|
Baja California
|
22.7055
|
23.15
|
27.8
|
17.3
|
3.9424
|
-0.1152
|
1.3064
|
18
|
Baja California Sur
|
21.3611
|
21.75
|
26
|
16.8
|
3.2309
|
–0.0129
|
1.5080
|
18
|
Campeche
|
22.0888
|
21.9
|
28.9
|
18
|
3.7807
|
0.4941
|
1.9257
|
18
|
Coahuila
|
22.2277
|
22.6
|
26.9
|
17.5
|
3.1831
|
-0.1168
|
1.4800
|
18
|
Colima
|
20.6722
|
20.85
|
25.5
|
16.7
|
3.0534
|
0.0667
|
1.4704
|
18
|
Chiapas
|
25.2722
|
25.45
|
31.3
|
20.7
|
3.4349
|
0.2419
|
1.8013
|
18
|
Chihuahua
|
22.5388
|
22.95
|
27.9
|
17.2
|
3.6793
|
-0.1042
|
1.4668
|
18
|
Distrito Federal
|
17.2944
|
17.2
|
21.4
|
14.6
|
2.3883
|
0.2002
|
1.5277
|
18
|
Durango
|
23.3111
|
23.55
|
29.3
|
18.3
|
3.6689
|
0.1046
|
1.6344
|
18
|
Guanajuato
|
24.1833
|
24.8
|
28.7
|
19.2
|
3.5574
|
-0.1566
|
1.3076
|
18
|
Guerrero
|
25.0944
|
25.25
|
32
|
19.8
|
4.0776
|
0.2282
|
1.7319
|
18
|
Hidalgo
|
21.95
|
21.95
|
27.5
|
18.2
|
2.9823
|
0.4355
|
2.0122
|
18
|
Jalisco
|
22.3833
|
22.65
|
27.4
|
17.9
|
3.2680
|
0.0097
|
1.4875
|
18
|
México
|
21.8666
|
22.05
|
26.9
|
17.4
|
3.1834
|
0.0685
|
1.6078
|
18
|
Michoacán
|
23.1111
|
23.4
|
29
|
18.3
|
3.8075
|
0.0647
|
1.4448
|
18
|
Morelos
|
21.0166
|
21.15
|
26.1
|
16.8
|
3.2872
|
0.0782
|
1.4719
|
18
|
Nayarit
|
21.6444
|
21.95
|
26.9
|
17.1
|
3.4411
|
0.0194
|
1.4282
|
18
|
Nuevo León
|
21.0055
|
21.45
|
24.6
|
16.7
|
2.9394
|
-0.1845
|
1.3494
|
18
|
Oaxaca
|
22.6
|
22.85
|
27.6
|
18.7
|
3.0584
|
0.0940
|
1.5092
|
18
|
Puebla
|
23.6444
|
23.75
|
29.5
|
19.4
|
3.2393
|
0.3834
|
1.9827
|
18
|
Querétaro
|
22.7888
|
23.1
|
27.8
|
18.5
|
3.2580
|
0.0300
|
1.4303
|
18
|
Quintana Roo
|
23.5944
|
23.95
|
27.7
|
19.6
|
3.0620
|
-0.0704
|
1.2792
|
18
|
San Luis Potosí
|
23.2111
|
23.5
|
28.5
|
18.7
|
3.2807
|
0.0684
|
1.5882
|
18
|
Sinaloa
|
21.8388
|
22.55
|
26.2
|
16.7
|
3.7784
|
-0.1314
|
1.2794
|
18
|
Sonora
|
21.9555
|
22.6
|
25.7
|
17.1
|
3.2583
|
-0.2237
|
1.3819
|
18
|
Tabasco
|
22.3055
|
22.1
|
28.6
|
18.4
|
3.2823
|
0.6000
|
2.1834
|
18
|
Tamaulipas
|
21.4611
|
21.8
|
25.7
|
17.2
|
2.9625
|
-0.1060
|
1.4242
|
18
|
Tlaxcala
|
23.1388
|
23.35
|
28.2
|
19.1
|
2.9436
|
0.2165
|
1.7993
|
18
|
Veracruz
|
21.0166
|
20.8
|
27
|
17.4
|
3.0805
|
0.6134
|
2.2144
|
18
|
Yucatán
|
20.6611
|
20.6
|
25.7
|
17.3
|
2.9309
|
0.2915
|
1.6682
|
18
|
Zacatecas
|
23.3888
|
23.8
|
29.1
|
18.4
|
3.7048
|
0.0111
|
1.4607
|
18
|
Fuente: Elaboración propia.
Abrir
 |
Fuente: Elaboración propia. Close |
La tabla 4 muestra las estimaciones de estadística descriptiva de los indicadores de mortalidad. Específicamente, las estimaciones muestran que las entidades que han experimentado las tasas de mortalidad más volátiles han sido Chiapas (0.3869) y Puebla (0.3308). Asimismo, muestran que las entidades que han experimentado las tasas más estables han sido Colima (0.0514) y el Estado de México (0.0752). Además, las estimaciones confirman que las distribuciones de densidad de las entidades son asimétricas y que ninguna es mesocúrtica26. Por tanto, la evidencia muestra que las tasas brutas de mortalidad también han sido heterogéneas entre las entidades federativas.
Tabla 4.
Estadísticas descriptivas de la tasa bruta de mortalidad por entidad federativa.
|
Estado
|
Media
|
Mediana
|
Máximo
|
Mínimo
|
Desv. est.
|
C. de asim
|
Curtosis
|
Obs
|
Aguascalientes
|
4.2944
|
4.3
|
4.6
|
4.2
|
0.1161
|
1.2672
|
3.8933
|
18
|
Baja California
|
3.8388
|
3.8
|
4.1
|
3.7
|
0.0978
|
1.0950
|
4.1745
|
18
|
Baja California Sur
|
4.05
|
4
|
4.3
|
3.9
|
0.1248
|
0.8397
|
2.6689
|
18
|
Campeche
|
4.65
|
4.6
|
5.1
|
4.4
|
0.1917
|
1.0046
|
3.1063/p>
|
18
|
Coahuila
|
4.6055
|
4.6
|
4.8
|
4.4
|
0.1055
|
-0.4198
|
2.8318
|
18
|
Colima
|
4.95
|
4.95
|
5
|
4.9
|
0.0514
|
-2.2829
|
1
|
18
|
Chiapas
|
4.65
|
4.55
|
5.5
|
4.3
|
0.3869
|
0.8621
|
2.5284
|
18
|
Chihuahua
|
4.4611
|
4.4
|
4.7
|
4.3
|
0.1144
|
0.5668
|
2.2569
|
18
|
Distrito Federal
|
5.1333
|
5.1
|
5.8
|
4.8
|
0.3067
|
0.5562
|
2.3718
|
18
|
Durango
|
5.0944
|
5.1
|
5.4
|
4.9
|
0.1304
|
0.5946
|
3.0361
|
18
|
Guanajuato
|
4.8388
|
4.8
|
5.3
|
4.6
|
0.1974
|
0.9955
|
3.1121
|
18
|
Guerrero
|
5.6111
|
5.6
|
6.1
|
5.4
|
0.1711
|
1.5630
|
4.9747
|
18
|
Hidalgo
|
5.2777
|
5.2
|
5.7
|
5.7
|
0.1699
|
1.2442
|
3.6205
|
18
|
Jalisco
|
5.0166
|
5
|
5.2
|
4.9
|
0.0857
|
0.8320
|
3.3552
|
18
|
México
|
4.0722
|
4.1
|
4.2
|
4
|
0.0751
|
0.4834
|
1.9906
|
18
|
Michoacán
|
5.4722
|
5.5
|
5.7
|
5.2
|
0.1363
|
-0.0542
|
2.4450
|
18
|
Morelos
|
5.0055
|
5
|
5.2
|
4.8
|
0.1211
|
0.3010
|
2.0415
|
18
|
Nayarit
|
5.4277
|
5.4
|
5.6
|
5.2
|
0.1017
|
-0.2331
|
2.9745
|
18
|
Nuevo León
|
4.5444
|
4.5
|
4.8
|
4.4
|
0.1149
|
0.4985
|
2.5900
|
18
|
Oaxaca
|
5.7777
|
5.7
|
6.3
|
5.6
|
0.2237
|
1.1937
|
3.1436
|
18
|
Puebla
|
5.1666
|
5.1
|
5.8
|
4.8
|
0.3307
|
0.4727
|
1.9836
|
18
|
Querétaro
|
4.3777
|
4.35
|
4.8
|
4.1
|
0.1957
|
0.6589
|
2.4931
|
18
|
Quintana Roo
|
3.1444
|
3.1
|
3.6
|
2.9
|
0.1947
|
1.0209
|
3.0581
|
18
|
San Luis Potosí
|
5.3388
|
5.3
|
5.8
|
5.1
|
0.1944
|
1.1110
|
3.1992
|
18
|
Sinaloa
|
4.9944
|
4.9
|
5.4
|
4.7
|
0.2261
|
0.2904
|
1.8042
|
18
|
Sonora
|
4.6222
|
4.6
|
4.9
|
4.4
|
0.1308
|
0.2267
|
2.8433
|
18
|
Tabasco
|
4.3888
|
4.35
|
4.7
|
4.2
|
0.1278
|
0.9065
|
3.1689
|
18
|
Tamaulipas
|
4.8277
|
4.8
|
5
|
4.7
|
0.0826
|
0.7440
|
3.1787
|
18
|
Tlaxcala
|
4.7333
|
4.7
|
5.3
|
4.4
|
0.2722
|
0.6819
|
2.3998
|
18
|
Veracruz
|
5.5833
|
5.6
|
5.9
|
5.3
|
0.1723
|
-0.0197
|
2.1559
|
18
|
Yucatán
|
5.5166
|
5.5
|
6.1
|
5.2
|
0.2874
|
0.6080
|
2.2490
|
18
|
Zacatecas
|
5.5222
|
5.45
|
6.1
|
5.2
|
0.2798
|
0.6770
|
2.3494
|
18
|
Fuente: Elaboración propia.
Abrir
 |
Fuente: Elaboración propia. Close |
Las figuras 1, 2 y 3 muestran los rankings de la producción, los nacimientos y las muertes registradas por entidad federativa. Específicamente, la figura 1 muestra los promedios anuales de producción medidos en millones de pesos constantes de 2008 (mdp). Estos promedios se grafican para mostrar la heterogeneidad en la producción de las entidades durante el periodo analizado. La figura muestra que las entidades que anualmente producen las mayores cantidades de bienes y servicios son la Ciudad de México (1 756 780 mdp) y el Estado de México (807 877 mdp). Asimismo, la figura muestra que las entidades que menos producen son Tlaxcala (44 682 mdp) y Colima (45 329 mdp).
|
|
 |
|
Figura 1. PIB por entidad federativa, 1993-2010.
Fuente: Elaboración propia con datos del INEGI. |
 |
Figure 1. PIB por entidad federativa, 1993-2010.
Fuente: Elaboración propia con datos del INEGI. | Close
Las figuras 2 y 3 muestran los promedios anuales de nacimientos y muertes por cada 1000 habitantes (pcmh) por entidad federativa durante el periodo analizado. Particularmente, la figura 2 muestra que Chiapas y Guerrero registran los mayores números de nacimientos (respectivamente, 25.27 pcmh y 25.09 pcmh). Asimismo, la figura muestra que la Ciudad de México y Yucatán registran los menores números (respectivamente, 17.29 pcmh y 20.66 pcmh). La figura 3 muestra que Oaxaca y Guerrero registran los mayores números de muertes (respectivamente, 5.77 pcmh y 5.61 pcmh). Asimismo, la figura muestra que Quintana Roo y Baja California registran los menores números (respectivamente, 3.14 pcmh y 3.83 pcmh).
|
|
 |
|
Figura 2. Tasa bruta de natalidad por entidad federativa, 1993-2010.
Fuente: Elaboración propia con datos del INEGI. |
 |
Figure 1. Tasa bruta de natalidad por entidad federativa, 1993-2010.
Fuente: Elaboración propia con datos del INEGI. | Close
|
|
 |
|
Figura 3. Tasa bruta de mortalidad por entidad federativa, 1993-2010.
Fuente: Elaboración propia con datos del INEGI. |
 |
Figure 3. Tasa bruta de mortalidad por entidad federativa, 1993-2010.
Fuente: Elaboración propia con datos del INEGI. | Close
Análisis de cointegración y de elasticidades
Los análisis de cointegración y de elasticidades se sustentan en estimaciones vinculadas a la metodología Fisher/Johansen y a la regresión DOLS. La metodología de Fisher/Johansen usa pruebas de raíces unitarias y de cointegración para paneles de datos. La relación de largo plazo de los indicadores y las elasticidades se estiman usando la regresión DOLS. Las estimaciones vinculadas a las pruebas de raíces unitarias se incluyen en la tabla 5. Las estimaciones vinculadas a las pruebas de cointegración se incluyen en la tabla 6. Las estimaciones vinculadas la regresión DOLS y las elasticidades de largo plazo se incluyen en las tablas 7 y 8.
Tabla 5.
Estadísticos y p-values de las pruebas de raíz unitaria para paneles del logaritmo natural del PIB (PIB), la tasa bruta de natalidad (F), la tasa bruta de mortalidad (M) y sus diferencias.
|
|
Estadístico
|
Prob.
|
|
Estadístico
|
Prob.
|
PIB
|
|
|
ΔPIB
|
|
|
IPS
|
7.8788
|
1
|
IPS
|
–15.7652
|
0.0000
|
Fisher
|
19.6260
|
1
|
Fisher
|
328.9130
|
0.0000
|
LLC
|
0.6140
|
0.7303
|
LLC
|
–19.3217
|
0.0000
|
F
|
|
|
∆F
|
|
|
IPS
|
2.4983
|
0.9937
|
IPS
|
–6.6167
|
0.0000
|
Fisher
|
27.8397
|
1
|
Fisher
|
146.543
|
0.0000
|
LLC
|
–3.6395
|
0.0001
|
LLC
|
6.8733
|
0.0000
|
M
|
|
|
ΔM
|
|
|
IPS
|
2.6120
|
0.9955
|
IPS
|
–15.7291
|
0.0000
|
Fisher
|
37.1058
|
0.9972
|
Fisher
|
302.2498
|
0.0000
|
LLC
|
–3.0121
|
0.0012
|
LLC
|
302.2498
|
0.0000
|
Fuente: Elaboración propia.
Abrir
 |
Fuente: Elaboración propia. Close |
La tabla 5 muestra que la mayoría de las pruebas validan que el panel de indicadores es estacionario en primeras diferencias I(1)27. Por tanto, la evidencia sugiere que los indicadores de producción, natalidad y mortalidad son elegibles para las pruebas de cointegración para datos en panel. Las pruebas de cointegración son importantes porque permiten evaluar las siguientes hipótesis nulas: 1) no hay relaciones de cointegración; 2) hay cuando mucho una hipótesis de cointegración; y 3) hay cuando mucho dos relaciones de cointegración. Estas hipótesis se evalúan con base en los estadísticos combinados de la traza y máximo eigenvalor. Los resultados de las pruebas de cointegración se muestran en la tabla 6.
Tabla 6.
Pruebas de cointegración para paneles (Metodología de Fisher/Johansen).
|
|
Estadístico
|
Prob.
|
Pruebas de la traza
|
Ninguna
|
273.6463
|
0.0000
|
A lo más 1
|
109.9184
|
0.0003
|
A lo más 2
|
50.3464
|
0.8934
|
Pruebas del máximo eigenvalor |
Ninguna
|
220.8971
|
0.0000
|
A lo más 1
|
106.6787
|
0.0007
|
A lo más 2
|
50.3464
|
0.8934
|
Fuente: Elaboración propia.
Abrir
 |
Fuente: Elaboración propia. Close |
La tabla 6 sugiere que existen cuando mucho 2 y al menos una relación de cointegración entre los indicadores. Este hallazgo se confirma, de manera independiente, por las pruebas de la traza y de máximo eigenvalor; e implica que los indicadores de producción, natalidad y mortalidad tienen movimientos comunes y equilibrios de largo plazo. Asimismo, muestra que los indicadores de producción, natalidad y mortalidad, pese a ser I(1), pueden ser utilizados para estimar regresiones no espurias. Estas implicaciones son importantes porque justifican la estimación de la relación de largo plazo mediante la regresión (1). La tabla 7 muestra los resultados de la estimación de dicha relación.
Tabla 7.
Estimación de la relación de cointegración de largo plazo mediante la técnica DOLS. Se presenta únicamente el ajuste de los adelantos y rezagos estimados y el estadístico Jarque-Bera de normalidad de los residuales. Los rezagos y adelantos fueron seleccionados con base en los Criterio de Información de Akaike (AIC), de Schwartz (BIC) y de Hannan-Quinn.
|
Estimación por DOLS
|
|
Coeficiente
|
Error estandar
|
Estadístico t
|
Prob.
|
β1
|
–0.0437
|
0.0007
|
–65.9057
|
0.000
|
β2
|
–1.1035
|
0.0238
|
–46.2827
|
0.000
|
Ajuste
|
|
|
Estadístico t
|
Prob.
|
Adelantos
|
1
|
Jarque Bera
|
7.4687
|
0.0238
|
Rezagos
|
1
|
|
|
|
Fuente: Elaboración propia.
Abrir
 |
Fuente: Elaboración propia. Close |
La tabla 7 muestra la estimación de la regresión de largo plazo obtenida mediante la técnica DOLS mostrada en la ecuación (1). La tabla muestra la existencia de correlaciones negativas y significativas entre la producción y la natalidad y entre la producción y la mortalidad. Las pruebas de significancia muestran que las correlaciones son significativas de manera individual y conjunta. La prueba Jarque-Bera, sustenta la validez de regresión DOLS (con un nivel de confianza del 99%). Por tanto, la evidencia sugiere que existen relaciones de largo plazo y correlaciones inversas entre la producción y la natalidad y entre la producción y la mortalidad entre las entidades federativas de México.
La tabla 8 muestra las elasticidades de largo plazo de la producción. Particularmente, la tabla muestra que, si se consideran todas las entidades federativas durante el periodo analizado, las elasticidades promedio de la producción con respecto a la natalidad y con respecto a la mortalidad son 0.9786 y 5.3447. Estos resultados implican que: 1) un incremento del 100% en la tasa bruta de natalidad nacional reducirá el PIB real de las entidades federativas en 0.98% en promedio; 2) un incremento del 100% en la tasa bruta de mortalidad reducirá el PIB real en 5.34%; y 3) la elasticidad de la producción con respecto a la mortalidad es 5.46 veces más grande que su contraparte con respecto a la natalidad.
Tabla 8.
Elasticidades promedio de la producción con respecto a la natalidad y mortalidad por entidad federativa. Los rankings clasifican los valores de las elasticidades de mayor a menor. Las elasticidades de la producción con respecto a la natalidad y la mortalidad se estiman con base en las formúlas (2) y (3), respectivamente. Por tanto, expresan en términos de su valor absoluto.
|
Estado
|
PIB/F
|
Ranking
|
PIB/M
|
Ranking
|
Aguascalientes
|
1.0638
|
3
|
4.7389
|
28
|
Baja California
|
0.9935
|
13
|
4.2362
|
31
|
Baja California Sur
|
0.9347
|
26
|
4.4692
|
30
|
Campeche
|
0.9666
|
19
|
5.1313
|
21
|
Chiapas
|
1.1059
|
1
|
5.1313
|
20
|
Chihuahua
|
0.9862
|
15
|
4.9228
|
25
|
Coahuila
|
0.9726
|
18
|
5.0822
|
23
|
Colima
|
0.9046
|
30
|
5.4623
|
16
|
Distrito Federal
|
0.7568
|
32
|
5.6646
|
11
|
Durango
|
1.0200
|
8
|
5.6217
|
12
|
Guanajuato
|
1.0582
|
4
|
5.3397
|
17
|
Guerrero
|
1.0981
|
2
|
6.1919
|
2
|
Hidalgo
|
0.9605
|
21
|
5.8240
|
9
|
Jalisco
|
0.9794
|
16
|
5.5359
|
13
|
México
|
0.9568
|
22
|
4.4937
|
29
|
Michoacán
|
1.0113
|
11
|
6.0386
|
6
|
Morelos
|
0.9196
|
28
|
5.5236
|
14
|
Nayarit
|
0.9471
|
24
|
5.9896
|
7
|
Nuevo León
|
0.9191
|
29
|
5.0148
|
24
|
Oaxaca
|
0.9889
|
14
|
6.3758
|
1
|
Puebla
|
1.0346
|
5
|
5.7014
|
10
|
Querétaro
|
0.9972
|
12
|
4.8309
|
27
|
Quintana Roo
|
1.0324
|
6
|
3.4699
|
32
|
San Luis Potosí
|
1.0157
|
9
|
5.8915
|
8
|
Sinaloa
|
0.9556
|
23
|
5.5114
|
15
|
Sonora
|
0.9607
|
20
|
5.1006
|
22
|
Tabasco
|
0.9760
|
17
|
4.8431
|
26
|
Tamaulipas
|
0.9391
|
25
|
5.3275
|
18
|
Tlaxcala
|
1.0125
|
10
|
5.2232
|
19
|
Veracruz
|
0.9196
|
27
|
6.1612
|
3
|
Yucatán
|
0.9041
|
31
|
6.0877
|
5
|
Zacatecas
|
1.0234
|
7
|
6.0938
|
4
|
Promedio
|
0.9786
|
|
5.3447
|
|
Fuente: Elaboración propia.
Abrir
 |
Fuente: Elaboración propia. Close |
La tabla 8 también muestra que las elasticidades de la producción son heterogéneas entre las entidades federativas. Así, la evidencia muestra que Chiapas y Guerrero tienen las mayores elasticidades estimadas de la producción con respecto a la natalidad (respectivamente, 1.1059 y 1.0981). Asimismo, la tabla muestra que la Ciudad de México y Yucatán tienen las menores elasticidades (respectivamente, 0.7568 y 0.9041). La evidencia también muestra que Oaxaca y Guerrero tienen las mayores elasticidades estimadas de la producción con respecto a la mortalidad (respectivamente, 6.3758 y 6.1919). Asimismo, la tabla muestra que Quintana Roo y Baja California tienen las menores elasticidades (respectivamente, 3.4699 y 4.2363).
Matemáticamente, las diferencias observadas en las elasticidades de la producción son atribuibles a las variaciones estatales en las tasas de natalidad y mortalidad. En este contexto, cabe señalar que, Hernández, López & Velarde (2013), explican dichas variaciones en términos de diversos procesos de la realidad social experimentados en el país. Particularmente, los autores explican las variaciones en la natalidad estatal en términos de la heterogeneidad en: 1) la adopción de las medidas de planificación familiar; 2) el acceso a anticonceptivos; 3) el grado de marginación; y 4) la población. Asimismo, aclaran las variaciones en la mortalidad estatal en términos de los cambios experimentados en el país relativos a la composición demográfica y a la violencia.
Análisis de modelación econométrica
El análisis de modelación se sustenta en las pruebas de causalidad en el sentido de Granger y en la regresión GMM en diferencias en un paso. La tabla 9 muestra las estimaciones de las pruebas de causalidad en el sentido de Granger de Dumitrescu-Hurlin. Las pruebas sugieren que hay causalidad unidireccional de la mortalidad a la producción. Asimismo, sugieren que hay causalidad bidireccional entre la producción y la natalidad. Además, la evidencia muestra que no hay relaciones de causalidad entre la natalidad y la mortalidad. Estos resultados permiten justificar que el indicador de producción sea usado como la variable dependiente en las regresiones DOLS y GMM en diferencias.
Tabla 9.
Pruebas de Granger-causalidad estimadas mediante la técnica Dumitrescu-Hurlin. Los indicadores analizados en el panel A son la tasa bruta de natalidad (F) y la tasa bruta de mortalidad (M). Los indicadores analizados en el panel B son la tasa bruta de natalidad (F) y logaritmo natural del PIB (PIB). Los indicadores analizados en el panel C son el logaritmo natural del PIB (PIB) y la tasa bruta de mortalidad (M).
|
Hipótesis nula
|
Estadístico
|
Estadístico
|
Prob.
|
A
|
W
|
Promedio
|
Prob.
|
M no causa F
|
1.9366
|
–0.9374
|
0.3485
|
F no causa M
|
2.1737
|
–0.4997
|
0.6172
|
B
|
PIB no causa F
|
4.2599
|
3.3515
|
0.0008
|
F no causa PIB
|
0.8847
|
–2.8793
|
0.0039
|
C
|
PIB no causa M
|
0.7583
|
–3.1127
|
0.0018
|
M no causa PIB
|
1.4909
|
–1.7602
|
0.078
|
Fuente: Elaboración propia.
Abrir
 |
Fuente: Elaboración propia. Close |
La tabla 10 muestra las estimaciones de la ecuación (4) por el método regresión GMM en diferencias y de los estadísticos de validación. La tabla muestra que la dinámica de producción depende significativamente de la producción rezagada y de los comportamientos presentes y rezagados de la natalidad y, en particular, de la mortalidad. Los estadísticos z y de Wald justifican la significancia, individual y conjunta, de las variables explicativas. Asimismo, los coeficientes de impacto estimados (α1, α2, α3 y α4), confirman que la mortalidad tiene impactos dinámicos de mayor magnitud que los correspondientes a la natalidad28. Los estadísticos de Arellano-Bond y de Sargan, por su parte, validan la regresión de la dinámica de la producción.
Tabla 10.
Estimación del modelo de panel dinámico mediante la técnica GMM en diferencias (Arellano-Bond, 1991). m1 y m2 son los estadísticos autorregresivos de Arellano y Bond. Los grados de libertad de los estadísticos de Sargan y Wald se reportan entre paréntesis.
|
Parámetro
|
Estimador
|
Error estándar
|
Prob.
|
ρ
|
0.2686
|
0.00783
|
0.00000
|
α1
|
–0.0147
|
0.00192
|
0.00000
|
α2
|
0.8365
|
0.01571
|
0.00000
|
α3
|
–0.0358
|
0.00180
|
0.00000
|
α4
|
–0.6832
|
0.02194
|
|
|
Estadístico
|
Prob
|
|
m1
|
–3.1374
|
0.00170
|
|
m2
|
–0.5674
|
0.57039
|
|
Sargan
|
31.7859 (27)
|
0.24010
|
|
Wald
|
11911.69 (5)
|
0.00000
|
|
Fuente: Elaboración propia.
Abrir
 |
Fuente: Elaboración propia. Close |
Las estimaciones vinculadas a la regresión GMM sugieren que la dinámica de la producción de corto plazo es compleja y no unívoca. Particularmente, sobre dicha dinámica, resulta interesante señalar que: 1) las correlaciones de corto plazo vinculadas a la natalidad (α1 y α3) tienen signos negativos similares a su contraparte de largo plazo; y 2) las correlaciones de corto plazo vinculadas a la mortalidad (α2 y α4) tienen signos diferenciados. La existencia de signos positivos y negativos sugiere que los cambios demográficos tienen impactos de corto y largo plazo sobre la producción de bienes y servicios. Asimismo, sugieren que el desarrollo económico puede estar restringido por factores demográficos.
CONCLUSIONES
En este estudio se han analizado las relaciones de largo plazo y las dinámicas de la producción, la natalidad y la mortalidad en las entidades federativas de México. El estudio ha usado varios análisis complementarios entre sí. Particularmente, los objetivos del estudio han sido: 1) describir y comparar los indicadores de las entidades; 2) evaluar la existencia de relaciones de largo plazo y modelarlas; 3) estimar las elasticidades de largo plazo de la producción de las entidades; 4) determinar las causalidades entre los indicadores; y 5) modelar la dinámica de la producción. El estudio se ha sustentado en un panel de indicadores anuales de las 32 entidades federativas para el periodo comprendido entre 1993 y 2010.
Los principales hallazgos del análisis estadístico pueden sintetizarse de la siguiente manera: 1) la producción, la natalidad y la mortalidad han sido heterogéneas en las entidades federativas durante el periodo analizado; 2) sus distribuciones de densidad han sido asimétricas y ninguna ha sido mesocúrtica; 3) la Ciudad de México y el Estado de México registran los mayores niveles de producción; 4) Campeche y Tabasco han tenido los niveles de producción más volátiles; 5) Chiapas y Guerrero registran las tasas de natalidad más altas; 6) Guerrero y Baja California han tenido las tasas de natalidad más volátiles; 7) Oaxaca y Guerrero registran las tasas de mortalidad más altas; y 8) Chiapas y Puebla han tenido las tasas de mortalidad más volátiles.
Los hallazgos del análisis de cointegración y de elasticidades pueden sintetizarse así: 1) el panel de indicadores de producción, natalidad y mortalidad es estacionario en primeras diferencias; 2) los indicadores cointegran y existe al menos una relación de cointegración entre los mismos; 3) la relación de largo plazo muestra que existen correlaciones negativas y significativas entre la producción y la natalidad y entre la producción y la mortalidad; 4) la elasticidad promedio de la producción con respecto a la natalidad es unitaria; y 5) la elasticidad de la producción con respecto a la mortalidad es, en promedio, 5.46 veces más grande que la elasticidad de la producción con respecto a la natalidad.
Los hallazgos del análisis de modelación econométrica pueden sintetizarse así: 1) existe causalidad, en el sentido de Granger, de los indicadores de mortalidad hacia los indicadores de producción; 2) existe causalidad bidireccional, en el sentido de Granger, entre la natalidad y la producción; 3) no hay relaciones de causalidad entre los indicadores de natalidad y mortalidad; 4) las estimaciones validan el uso del modelo dinámico para describir la producción; 5) la dinámica de producción depende de la producción rezagada y de los valores contemporáneos y rezagados de la natalidad y la mortalidad; y 6) la mortalidad tiene impactos dinámicos de mayor magnitud que los correspondientes a la natalidad sobre la producción.
Los hallazgos mencionados arriba confirman los obtenidos en otros estudios. Particularmente, la relación de largo plazo estimada confirma que reducciones en la natalidad y en la mortalidad se asocian a incrementos en la producción (Herzer et al. 2012; Kelley & Schmidt, 2001). Las magnitudes de las elasticidades de largo plazo de la natalidad y mortalidad son consistentes con las estimadas por Kelley y Schmidt (2001). Además, las pruebas de causalidad en el sentido de Granger confirman que la natalidad puede ser causa y consecuencia del desarrollo económico (Galor 2005; Herzer et al. 2012). Más aun, la regresión GMM en diferencias confirma que la dimensión temporal ha sido importante para explicar la dinámica de corto plazo de las variables analizadas (Ángeles, 2010).
Los hallazgos de este estudio también tienen implicaciones sobre las políticas de desarrollo económico. Una primera implicación de los hallazgos es que la natalidad y la producción inducen un círculo virtuoso de desarrollo (ya que existe causalidad bidireccional, en el sentido de Granger, entre las variables). La naturaleza de este círculo se sustenta en la existencia de correlaciones negativas entre la natalidad y la producción en la relación de largo plazo y en la regresión de la dinámica de la producción. Así, la evidencia sugiere que: 1) las políticas orientadas a planificar el tamaño de las familias pueden promover el desarrollo de corto y largo plazos; y 2) las mejoras económicas tienden a reducir las tasas de natalidad.
Una implicación adicional de los hallazgos se vincula a la existencia de una correlación negativa de largo plazo entre la mortalidad y la producción. La existencia de causalidad en el sentido de Granger de la mortalidad hacia la producción sugiere que hay políticas adicionales para promover el desarrollo. Entre estas, destacan las políticas orientadas a promover la salud pública y la seguridad social. La racionalización de promover dichas políticas puede plantearse en términos de que una población que tiene una expectativa de vida larga, una baja mortalidad, tiene incentivos para ahorrar e invertir. Así, los hallazgos sugieren que las políticas de salud y de seguridad social contribuyen a promover el crecimiento económico de largo plazo.
Finalmente, cabe enfatizar que los estudios referidos a la producción, la natalidad y la mortalidad todavía se encuentran en una fase incipiente de desarrollo. Especialmente, todavía es necesario desarrollar estudios que permitan: 1) hallar generalizaciones sobre las relaciones de largo plazo y las dinámicas a nivel regional; y 2) flexibilizar los supuestos estadísticos de las estimaciones. En este contexto, las generalizaciones podrían encontrarse haciendo más estudios con indicadores regionales para países desarrollados y en desarrollo. La flexibilización de los supuestos podría lograrse mediante técnicas que permitieran hacer estimaciones considerando paneles no balanceados, parámetros no lineales y cambios estructurales en los indicadores.
REFERENCIAS
Ahlburg, D., & Cassen, R. (2008). Population and development. En A. K., Dutt & J., Ros, International Handbook of Development Economics, Vol. 1 (316-327). Cheltenham: Edward Elgar.
Al-Azzam, A., & Hawdon, D. (1999). Estimating the Demand for Energy in Jordan: A Stock-Watson Dynamic OLS (DOLS) Approach. (Surrey Energy Economics Discussion Paper 97). Guildford: The University of Surrey-Surrey Energy Economics Centre.
Ángeles, L. (2010). Demographic transitions: Analyzing the effects of mortality on fertility. Journal of Population Economics, 23(1), 99-120. doi: 10.1007/s00148-009-0255-6
Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. Review of Economic Studies, 58(2), 277-297. doi: 10.2307/2297968
Barro, R. J., & Sala-i-Martin, X. (2004). Economic Growth (2nd ed.). Nueva York: Cambridge MIT Press.
Blanchet, D. E. (1991). On interpreting observed relationships between population growth and economic growth: A graphical exposition. Population and Development Review, 17(1), 105-114. doi: 10.2307/1972354
Blaug, M. (1997). Economic Theory in Retrospect (5th ed.). Cambridge: Cambridge University Press.
Bloom, D. E., & Canning, D. (2001). Cumulative causality, economic growth, and the demographic transition. En N., Birdsall, A. C., Kelley & S. W., Sinding (Eds.) Population Matters: Demographic Change, Economic Growth and Poverty in the Developing World (165-197). Oxford: Oxford University Press.
Bloom, D. E., & Freeman, R. B. (1988). Economic development and the timing and components of population change. Journal of Policy Modeling, 10(1), 57-81. doi: 10.1016/0161-8938(88)90035-X
Breitung, J., & Pesaran, M. H. (2005). Unit Roots and Cointegration in Panels. (Discussion Paper Series 1: Economic Studies 42/2005). Frankfurt am Main: Deutsche Bundesbank.
Coale, A. J., & Hoover, E. M. (1958). Population Growth and Economic Development in Low-Income Countries (1st ed.). Princeton: Princeton University Press.
Dumitrescu, E. I., & Hurlin, C. (2012). Testing for Granger non-causality in heterogeneous panels. Economic Modelling, 29(4), 1450-1460. doi: 10.1016/j.econmod.2012.02.014
Finkel, S. E. (1995). Causal Analysis with Panel Data (1st ed.) Thousand Oaks: Sage Publications.
Galor, O. (2005). From stagnation to growth: Unified growth theory. En P. Aghion & S.N. Durlauf (Eds.) Handbook of Economic Growth, Vol. 1A (171-293). Amsterdam: North Holland.
Hernández, M. F., López, R., & Velarde, S. I. (2013). La situación demográfica en México. Panorama desde las proyecciones de población. En CONAPO (Ed.) La Situación Demográfica de México, 2013 (11-19). México: Consejo Nacional de Población.
Herzer, D., Strulik, H., & Vollmer, S. (2012). The long-run determinants of fertility: One century of demographic change 1900-1999. Journal of Economic Growth, 17(4), 357-385. doi: 10.1007/s10887-012-9085-6
Im, K. S., Pesaran, M. H., & Shin, Y. (2003). Testing for unit roots in heterogeneous panels. Journal of Econometrics, 115(1), 53-74. doi: 10.1016/S0304-4076(03)00092-7
Johansen, S. (1991). Estimation and hypothesis testing of cointegration vectors in Gaussian Vector Autoregressive models. Econometrica, 59(6), 1551-1580. doi: 10.2307/2938278
Kelley, A. C., & Schmidt, R. M. (1996). Towards a cure for myopia and tunnel vision on the population debate: A dose of historical perspective. En D. A., Ahlburg, A. C., Kelley & K. O., Mason (Eds.). The Impact of Population Growth on Well-being in Developing Countries (11-35). Berlin: Springer-Verlag.
Kelley, A. C., & Schmidt, R. M. (2001). Economic and demographic change: A synthesis of models, findings, and perspectives. En N., Birdsall, A. C., Kelley & S. W., Sinding (Eds.) Population Matters: Demographic Change, Economic Growth and Poverty in the Developing World (67-105). Oxford: Oxford University Press.
Levin, A., Lin, C. F., & Chu, C. (2002). Unit root tests in panel data: Asymptotic and finite-sample properties. Journal of Econometrics, 108(1), 1-24. doi: 10.1016/S0304-4076(01)00098-7
Lorentzen, P., McMillan, J., & Wacziarg, R. (2008). Death and development. Journal of Economic Growth, 13(2), 81-124. doi: 10.1007/s10887-008-9029-3
MacKinnon, J. G., Haug, A. A., & Michelis, L. (1999). Numerical distribution functions of likelihood ratio tests for cointegration. Journal of Applied Econometrics, 14(5), 563-577. doi: 10.1002/(SICI)1099-1255(199909/10)14
Maddala, G. S., & Kim, I. M. (1998). Unit Roots, Cointegration, and Structural Change (1st ed.) Cambridge: Cambridge University Press.
Maddala, G. S., & Wu, S. (1999). A comparative study of unit root tests with panel data and a new simple test. Oxford Bulletin of Economics and Statistics, 61(NE), 631-652. doi: 10.1111/1468-0084.0610s1631
Malthus, T. R. (1798). Ensayo sobre el principio de la población (Segunda reimpresión en español de 1986). México: Fondo de Cultura Económica.
Masih, R., & Masih, A. M. M. (1996). Stock-Watson dynamic OLS (DOLS) and error-correction modelling approaches to estimating long-run elasticities in a demand function: New evidence and methodological implications from an application to the demand for coal in mainland China. Energy Economics, 18(4), 315-334. doi: 10.1016/S0140-9883(96)00016-3
Masih, R., & Masih, A. M. M. (2000). A reassessment of long-run elasticities of Japanese import demand. Journal of Policy Modelling, 22(5), 625-639. doi: 10.1016/S0161-8938(98)00014-3
Murtin, F. (2013). Long-term determinants of the demographic transition: 1870-2000. Review of Economics and Statistics, 95(2), 617-631. doi: 10.1162/rest_a_00302
Nickell, S. (1981). Biases in dynamic models with fixed effects. Econometrica, 49(6), 1417-1426. doi: 10.1016/0165-1765(88)90046-8
Schultz, T. P. (1997). Demand for children in low income countries. En M. R., Rosenzweig & O., Stark (Eds.) Handbook of Population and Family Economics, 1(349-430). Amsterdam: North Holland.
Stock, J. H., & Watson, M. W. (1993). A simple estimator of cointegrating vectors in higher order integrated systems. Econometrica, 61(4), 783-820. doi: 10.2307/2951763.
Todaro, M. P. & Smith, S. C. (2015). Economic Development (12th ed.). Upper Saddle River: Pearson.