En este post intentaré mostrar si la recaudación por concepto de IVA subió cuando se incrementó de 12% a 14%, debido al terremoto del 16%, para lo cual, utilizaré un par de herramientas econométricas: Desestacionalización mediante X12 de la variable en estudio (IVA 12% +2% contribución solidaria), y un Modelo de Series de Tiempo Interrumpidas (Interrupted Time Serie).

El 1 de junio del 2016 entró en vigencia el incremento de 2% sobre el IVA en Ecuador por motivos del terremoto, y fue retirado el 1 de junio del 2017. Si bien el periodo fue de un año, considero que es un tiempo adecuado para analizarlo desde el punto de vista de la técnica ITS anteriormente mencionada.

He visto a varios analistas económicos realizar cálculos sobre las cifras que el SRI proporciona, lo que considero bastante acertado, sin embargo, para mostrar si una política tuvo efecto en un intervalo de tiempo, existen técnicas econométricas como las ITS, regresiones discontinuas, entre otras. En este post utilizaré la versión más sencilla de un modelo con intervención para los 12 meses que duró la medida.

Para los datos resumidos en tablas de Excel, puede consultar varios tweets. Aquí o aquí (si hay otros, por favor dejar en los comentario o en la publicación donde aparezca este post). Aquí mostraré mis resultados a través del modelo que he planteado.

La lógica detrás de los modelos de series de tiempo interrumpidas, es que para recoger efectos en el tiempo, es importante identificar al menos los siguientes datos: 1)una variable de tiempo (variable contadora para los programadores); 2)una variable “level” que indica en qué momento ingresa la medida (incremento del iva) y toma valores de 0 antes de la intervención y 1 en la intervención; 3) una variable de tiempo para atada a lo que dura la intervención. El modelo básico queda expresado de la siguiente manera:

Estos modelos tienen ciertos supuestos que no abordaré en este post (para no aburrirlos), sin embargo, se debe evaluar si la serie estacionaria, si el modelo presenta problemas de autocorrelación, si los residuos siguen una distribución normal, entre otros. El modelo pasa dichas validaciones. Adicionalmente, es importante mencionar que he tomado un horizonte temporal desde el 2004 pues considero que las cifras a partir de esa fecha son más o menos estables, hasta junio 2017.

Resultados:

Los resultados del modelo (atenuado por autocorrelación [problema sufren esto modelos, generalmente]) muestra que sólo la variable TIEMPO es significativa, mientras que level y tendencia (Z) no son significativas ni al 10%.

La teoría detrás de estos modelos indica que pueden haber cambios en tendencias, en niveles, en ambos o no haber cambios; en este caso, no hay cambios en tendencia ni en niveles. Parece ser que, en promedio, no hubo un incremento significativo en la recaudación pues no se movió la tendencia y la serie tampoco se desplazó (para arriba o para abajo).

He realizado este post con el fin de mostrar que, para evaluar resultados de una política económica, es importante utilizar herramientas econométricas. Naturalmente, existe un abanico interesante de modelos que podrían ser reemplazados al que estoy planteando, sin embargo, lo dejo abierto al debate.

En los próximos días subiré el script y la base de datos usada, para que pueda ser replicada.