¿Es posible cuantificar el aporte económico de los inmigrantes?

FACULTAD DE CIENCIAS POLÍTICAS Y SOCIALES GRADO DE CIENCIAS POLÍTICAS Y DE LA ADMINISTRACIÓN DEPARTAMENTO DE CIENCIA POLÍTICA Y SOCIOLOGÍA TRABAJO DE FIN DE GRADO ¿ES POSIBLE CUANTIFICAR EL APORTE ECONÓMICO DE LOS INMIGRANTES? É posible cuantificar a achega económica dos inmigrantes? Is it possible to quantify the contribution of inmigration to the Economy as a whole? Alumna: Liliana P. Iglesias Pereira Director del trabajo: Dr. Celestino García Arias Julio de 2020 A Celestino, por su generosa dedicación. Y al que ya no está, por hacer de la constancia, la mejor de las terapias. 3 4 5 Resumen Entender la aportación que realizan los inmigrantes tanto en países de origen como de destino resulta imprescindible para elaborar políticas públicas acertadas. Por parte de las instituciones, la numerosa jurisprudencia dictada en la materia en los últimos 50 años ha servido para consensuar una teoría que afirma la efectiva contribución que estos flujos ocasionan. Sin embargo, los estudios econométricos que tratan de cuantificar dichos efectos no son concluyentes, arrojando en ocasiones resultados opuestos a pesar de que utilizan similar metodología. En este trabajo se realiza, a través de los modelos estadísticos VAR (en su modalidad VECM) y ARDL, un breve análisis que relaciona la variable migración con la riqueza económica de España, medida a través de su producto interior bruto. Para ello, se realiza un revisión bibliográfica de los principales estudios existentes y un análisis estadístico caracterizado por la preparación de series temporales en estacionarias. Palabras clave Inmigración, Producto Interior Bruto, economía, riqueza, econometría, contribución, VAR, ARDL, series estacionarias. 6 Resumo Entender a aportación que realizan os inmigrantes tanto nos países de orixe como nos de destino resulta imprescindible para elaborar políticas públicas acertadas. Por parte das institucións, a numerosa xurisprudencia ditada na materia nos últimos 50 anos serviron para consensuar unha teoría que afirma a efectiva contribución que estos fluxos ocasionan. Con todo, os estudios econométricos que tratan de cuantificar os devanditos efectos non son concluíntes, arroxando en ocasións resultados opostos a pesar de que utilizan similar metodoloxía. Neste traballo realízase, a través dos modelos estadísticos VAR (na súa modalidade VECM) e ARDL, unha breve análise que relaciona a variable inmigración coa riqueza económica de España, medida a través do seu produto interior bruto. Para iso, realízase unha revisión bibliográfica dos principais estudos existentes e unha análise estadística caracterizada pola preparación de series temporais en estacionarias. Palabras chave Inmigración, Produto Interior Bruto, economía, riqueza, econometría, contribución, VAR, ARDL, series estacionarias. 7 Abstract Understanding the economic contribution of migrants to both, the economies of their countries of origin as well as those of residence, has proven critical to develop effective public policies. The copious amounts of jurisprudence dictated on this subject by several institutions over the last fifty years has contributed to the consolidation of the theory that vindicates the real contribution of these economic fluxes. Yet, those econometric studies that had aimed to effectively quantify those contributions have yet to probe conclusive on the matter. Indeed, they had sometimes showed contradictory results in spite of relying on similar methodologies. This work aims to put forward a concise analysis of the relationship between the variable of migration and the economic wealth of Spain. By relying on the statidstical models VAR (VECM modality) and ARDL, this work will seek to measure it in terms of Spain’s gross domestic product. The piece will also include a general review of the existing bibliography on the subject, as well a statistical analysis of time series in stationary. Keywords Inmigration, gross domestic product, economy, wealth, econometrics, contribution, VAR, ARDL, stationary time series. 8 Índice general Índice de gráficos 13 Índice de tablas 17 I Introducción 19 1. Motivación del trabajo 21 2. Objeto de estudio 29 2.1. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.1.1. Objetivos principales . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.1.2. Objetivos secundarios . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.2. Preguntas de investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 II Revisión bibliográfica 31 3. Revisión teórica 33 4. Informes de instituciones 37 4.1. Fundamentos teóricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.2. Metodología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.3. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 5. Estudios académicos 45 5.1. Fundamentos teóricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 5.2. Metodología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 5.3. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 9 16 Índice de figuras 83. VECM (5) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179 84. VECM (6) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179 85. Análisis impulso-respuesta PIB . . . . . . . . . . . . . . . . . . . . . . . . . 180 86. Análisis impulso-respuesta migración . . . . . . . . . . . . . . . . . . . . . 181 87. Análisis impulso-respuesta empleo . . . . . . . . . . . . . . . . . . . . . . . 182 88. Análisis impulso-respuesta productividad . . . . . . . . . . . . . . . . . . . 183 89. Modelo ARDL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184 90. Análisis autocorrelación ARDL . . . . . . . . . . . . . . . . . . . . . . . . . 184 91. Análisis ARCH ARDL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185 92. Análisis normalidad ARDL . . . . . . . . . . . . . . . . . . . . . . . . . . . 185 93. Análisis normalidad (2) ARDL . . . . . . . . . . . . . . . . . . . . . . . . . 186 Índice de cuadros 6.1. Condiciones de la teoría . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 6.2. Resumen variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 6.3. Ficha técnica extranjeros residentes en España . . . . . . . . . . . . . . . . 57 6.4. Ficha técnica producto interior bruto . . . . . . . . . . . . . . . . . . . . . . 59 6.5. Ficha técnica factor demográfico . . . . . . . . . . . . . . . . . . . . . . . . 60 6.6. Ficha técnica tasa de empleo . . . . . . . . . . . . . . . . . . . . . . . . . . 61 6.7. Ficha técnica tasa de productividad . . . . . . . . . . . . . . . . . . . . . . 62 8.1. Resumen autocorrelación (Q) . . . . . . . . . . . . . . . . . . . . . . . . . 76 8.2. Resultados ADF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 8.3. Resultados KPSS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 8.4. Resultados EG1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 8.5. Residuos EG1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 8.6. ADF residuos (uhat3) EG1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 8.7. Resumen Johansen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 8.8. Resumen autocorrelación primera diferencia . . . . . . . . . . . . . . . . . 87 8.9. Resultados ADF primera diferencia . . . . . . . . . . . . . . . . . . . . . . 87 8.10.Resultados KPSS primera diferencia . . . . . . . . . . . . . . . . . . . . . . 87 8.11.Resultados EG primera diferencia . . . . . . . . . . . . . . . . . . . . . . . 88 8.12.Residuos EG primera diferencia . . . . . . . . . . . . . . . . . . . . . . . . 88 8.13.Resumen autocorrelación segunda diferencia . . . . . . . . . . . . . . . . . 90 8.14.Resultados ADF segunda diferencia . . . . . . . . . . . . . . . . . . . . . . 90 8.15.Resultados KPSS segunda diferencia . . . . . . . . . . . . . . . . . . . . . 90 8.16.Resultados EG segunda diferencia . . . . . . . . . . . . . . . . . . . . . . . 91 8.17.Residuos EG segunda diferencia . . . . . . . . . . . . . . . . . . . . . . . . 91 8.18.Resultados EG2 segunda diferencia . . . . . . . . . . . . . . . . . . . . . . 91 8.19.Residuos EG2 segunda diferencia . . . . . . . . . . . . . . . . . . . . . . . 91 17 18 Índice de cuadros 8.20.Resumen Johansen segunda diferencia . . . . . . . . . . . . . . . . . . . . 92 8.21.Residuos ADF segunda diferencia . . . . . . . . . . . . . . . . . . . . . . . 93 8.22.Resumen VECM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 8.23.Resumen 2 VECM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 9.1. Análisis del modelo de retardos distribuidos autorregresivos (ARDL) . . . . 104 Parte I Introducción 19 Capítulo 1 Motivación del trabajo «Un estudiante que tenga dificultades para pensar en al menos tres explicaciones sensatas para cualquier correlación que realmente le interese probablemente debería elegir otra profesión.» Arthur L. Stinchcombe Los movimientos migratorios ocupan un papel protagonista en la historia de la humanidad, constituyéndose como uno de los fenómenos sociológicos que más informes y estudios produce, tanto en el ámbito institucional como por parte del mundo académico. Y esto ocurre porque, a lo largo de nuestra historia, resultan incontables el número de inmigrantes que, por uno u otro motivo, se ven abocados en la necesidad de cambiar sus fronteras, abriéndose camino entre nuevas culturas para adaptar sus diferencias, produciendo como resultado nuevas comunidades en las que la diversidad de sus integrantes resulta de gran interés. Finalizada la Segunda Guerra Mundial estos flujos se intensificaron considerablemente, especialmente a partir de la última década del siglo XX -según datos de Naciones Unidas, en el año 2010 se registraron un total de 221 millones de inmigrantes en todo el mundo, frente a los 154 millones registrados en 1990 (United Nations, 2013)-. En Europa, a partir de los años 50 del siglo XX se experimentó un crecimiento desigual: los países del centro y norte presumieron de un crecimiento económico relevante, creándose una demanda de empleo superior a su oferta, teniendo que recurrir, por consiguiente, a la contratación de empleados extranjeros, principalmente procedentes de países del sur de Europa (España, Portugal, Grecia e Italia). Contrariamente, en el sur de Europa se experimentaba un crecimiento demográfico de grandes dimensiones, potenciado por su posición geográfica, 21 22 Capítulo 1. Motivación del trabajo mientras que el crecimiento económico continuó estancado (Seers, Schaffer, y Kiljunen, 1981). Esta situación se reflejó de varias formas: por una parte, los países demandantes de mano de obra pudieron satisfacer sus necesidades, lo cual posibilitó aumentar su crecimiento económico; por otra, los países exportadores pudieron aliviar sus tasas de desempleo y aprovechar la llegada de remesas internacionales a su favor. Superando paulatinamente en la década de los 80 la crisis mundial de 1973, Europa revivió con un crecimiento económico más tímido, mientras que los flujos migratorios dentro del continente se redujeron considerablemente. La entrada de los países del sur en la Comunidad Económica Europea (CEE) repercutió positivamente en su recuperación y crecimiento económico -situación potenciada por la caída de los regímenes autoritarios de España, Portugal y Grecia en la década de los 70-. Nuevamente, los años 90 se iniciaron con un estancamiento económico global, seguido de una fase de crecimiento a partir de 1995, bonanza económica que incidió especialmente en los países del sur de Europa, los cuales, al ver reducido su crecimiento demográfico, demandaron trabajadores extranjeros, convirtiéndose en los principales países receptores de inmigrantes en Europa, todo ello favorecido por una legislación más permisiva en comparación con los países del norte, especialmente con la comunidad latinoamericana (Verdugo Matés, 2017). Todo lo anterior arrojó como resultado que, según datos de Eurostat, España fuera el país de la Unión Europea que más aumentó su población extranjera durante el periodo 1995-2008, hasta alcanzar una cifra de inmigrantes residentes en España superior a los 5 millones, convirtiéndose en el segundo país de la Unión con más inmigrantes, detrás de Alemania. En España, el crecimiento económico se aunó con la incorporación a la CEE, lo cual ocasionó un aumento drástico de exportaciones, principalmente de cultivos agrícolas, aumentando grandes extensiones de explotación, especialmente en la costa mediterránea. Por las características adheridas a este tipo de trabajo, como lo son la temporalidad, bajo salario y jornadas intensivas, creció considerablemente el número de extranjeros empleados, cifra que se incrementó año tras año -según los datos del Ministerio de Trabajo, Migraciones y Seguridad Social, existían 86 mil inmigrantes dados de alta en el sistema especial agrario en 1999, frente a los 532 mil registrados en 2010 (más del 25% del total)-. Situación similar, aunque en menor volumen, ocurrió en el sector de la construcción y empleados del hogar. Pero, a pesar de toda la información que existe, la inmigración a día de hoy continúa ocupando intensos debates y numerosas críticas en la agenda pública. Líderes políticos y partidos con alta representación recurren a este tema cada vez con más frecuencia, criticando una escasa regulación, laxos requisitos de entrada y permanencia en España, y/o 23 las dificultades adheridas a convivir con diferentes formas de vida -como religión, vestimenta y/o costumbres diferenciadas-, todo ello bajo las pretensiones de falta de recursos para todos (especialmente, el capital trabajo) o mayor peligrosidad ligada a un aumento de criminalidad. Y estos reclamos tienen cabida en la ciudadanía, como un reflejo de las demandas que proceden de estos, o que la población acoge para sí como una crítica más del sistema, situación que se retroalimenta y que acaba por influir en la percepción que se tiene sobre la comunidad inmigrante. El punto angular de parte de las cuestiones que se debaten inciden sobre el aspecto económico, siendo en tiempos de recesión económica cuando más triunfa este reclamo, basado en la necesidad de guardar el máximo número de activos posibles para los nativos, no pudiendo compartirlo con nadie más por su escaseza. Para conocer, a grandes rasgos, cuál era la percepción o actitud que los españoles tenían hacia los inmigrantes en diferentes momentos temporales, resultan útiles los informes procedentes del Centro de Investigaciones Sociológicas (en adelante, CIS). El barómetro número 2.565 de mayo de 2004, año entendido de prosperidad económica, arrojaba resultados como los siguientes: el 59 % pensaba que uno de los principales problemas de España era el paro, frente a un 14,9 % que marcó la opción de inmigrantes; un 53,7 % entendía que el país necesitaba trabajadores extranjeros, mientras que un 53,3 % afirmaba que los procedentes de otros países que viven en España eran «demasiados». Un 42,8% entendía la inmigración como algo «más bien positivo», frente a un 28 % que lo entendía como algo «más bien negativo» (un 20,5 % afirmó que «ni una cosa ni la otra»). Más de la mitad de encuestados mantenían que la legislación era «demasiado tolerante» (23,5 %) y «más bien tolerante» (31,8%). A la afirmación de si los inmigrantes quitaban puestos de trabajo a los españoles, un 48,2 % se mostró de acuerdo y un 45,4 % en desacuerdo. En 2011, año crucial caracterizado por un cambio de ciclo político y por ser latentes las consecuencias más devastadoras de la crisis económica, la publicación número 2.918 del CIS mantenía como primer problema de España el paro (69 %) frente a un 0,9 % que acusaba a la inmigración. Un 40,3 % mantenía que los inmigrantes recibían «demasiada» protección por parte del Estado, junto a un 20,5% que seleccionó la opción de «mucha». El 43 % indicaba que había en España un número «excesivo» de inmigrantes, mientras que un 32 % marcó la opción de «elevado». En términos legislativos, un 42,7 % defendía que las condiciones legales eran «demasiado tolerantes», y un 31,5 % indicó que eran «más bien tolerantes». Por otro lado, un 28,5% afirmaba que los inmigrantes recibían del Estado «mucho más de lo que aportan», y un 34,2 % «más de lo que aportan». El aspecto positivo que más han marcado los encuestados fue el enriquecimiento cultural (36,7 %), mientras que el aspecto negativo más común fue más problemas de delincuencia e inseguridad 24 Capítulo 1. Motivación del trabajo (25,9 %). La valoración de la contribución al desarrollo económico de los inmigrantes está claramente dividida (a favor 47,7 % y en contra 44,6%), mientras que un 61,7 % afirmó que los inmigrantes «quitan puestos de trabajo a los españoles». En términos generales, la valoración positiva de la inmigración fue de un 40 %, mientras que la negativa fue de un 38,3 %. Como último ejemplo, el CIS número 3.190 publicado en el año 2017 señaló que los encuestados entendían en un 53,4 % que los inmigrantes recibían «mucha» y «bastante» protección por parte del Estado, afirmando que existía un excesivo (29,3%) y elevado (31,8 %) número de inmigrantes en España. La legislación vigente en la materia fue valorada como «demasiado tolerante» (25,4 %) y «más bien tolerante» (30,4%). Un 20,1% indicó que los inmigrantes reciben «mucho más de lo que aportan» y un 35,4 % seleccionó la opción de «más de lo que aportan». El enriquecimiento cultural se mantiene como el aspecto positivo más destacable y «más problemas de delincuencia e inseguridad» continúa como el principal aspecto negativo (aunque en menor porcentaje, con 15,2 %). Un 51,9 % de los encuestados afirmaron que la inmigración contribuye positivamente a la economía del país, y un 50,3 % mantenían que los inmigrantes «quitan puestos de trabajo a los españoles». En términos generales, un 51,6 % entiende la inmigración como positiva, frente a un 25,9 % que la valoraron negativamente. En conclusión, y a pesar de que los datos mencionados no sean completos -sería conveniente, en todo caso, analizar más detenidamente esta evolución para una mayor rigurosidad-, se pueden extraer las siguientes conclusiones: en 2004 las actitudes hacia la inmigración de la población española ya estaban divididas, aunque la entendían en mayor medida como algo positivo. En el año 2011 los resultados muestran una mayor reticencia, aumentando la valoración negativa de la inmigración -situación esperable en años de recesión económica-. En cambio, en 2017 los datos vuelven a relajarse, mostrando un ligero aumento en la valoración de la contribución positiva que realiza la inmigración y en la valoración positiva general. De este modo, crece el número de partidos políticos en todo el mundo que rescatan este debate para buscar una diferenciación cada vez mayor con sus competidores. En España, el ejemplo más ilustrativo lo ocupa VOX: si bien es cierto que últimamente basan su reclamo en una «mayor peligrosidad de la comunidad inmigrante», tal y como señalan en un tweet escrito en su cuenta oficial de Twitter el día 29/07/20 en la que indican que «Menas, bandas latinas y ajustes de cuentas: la espiral de violencia callejera que soportan nuestros barrios. Sólo VOX exige la expulsión de todos los inmigrantes ilegales, pero también de los que, 25 siendo legales, hayan cometido delitos graves.»1, no olvidan el reclamo económico, tema que ocupa este trabajo. Así, aunque en su programa electoral sólo hagan referencia a «suprimir medidas que favorezcan la inmigración ilegal» y a revisar los criterios sobre adquisición de la nacionalidad, son varias las intervenciones en las que aluden al hecho de que España no tiene recursos suficientes (tweet del 05/06/20 de la cuenta oficial de VOX: «Mientras los progres millonarios les engañan para que se jueguen la vida en el Mediterráneo, @ivanedlm -en referencia a Iván Espinosa de los Monterosadvierte en España, Alemania y Francia a millones de africanos la realidad: No vengan a España. España no tiene capacidad para pagarles», o, en otro tweet del 03/06/20, le respondían al cantante Luis Cepeda que «Solo los pijoprogres como tú piensan que los españoles podemos pagar una renta mínima a todos los africanos que vienen a España. La gente que viene en patera son víctimas de vuestras mentiras y de vuestro falaz discurso multicultural»; también Rocío Monasterios añadió el 19/06/20 que «Nos gastamos en mantener a estos MENAS lo que no tenemos para pagar ERTES, para ayudar familias, para mejorar residencias... y encima nuestros vecinos en los barrios de Madrid tienen que vivir con miedo, desprotegidos. ¡Ya está bien! #StopMenas»). Estos mensajes, que rompen con las prácticas «políticamente correctas» predominantes en los últimos años, no reconocen la contribución positiva que los inmigrantes han hecho a lo largo de la historia al enriquecimiento global, especialmente en países con un agudizado estancamiento demográfico como es España, tal y como reiteradamente señalan los informes institucionales, además de publicitar una imagen del inmigrante deshonesta2. Y esta situación se complica cuando, desde diferentes partes del mundo, científicos sociales publican trabajos en los que tratan de analizar la contribución positiva o la no contribución de la comunidad inmigrante, tanto en términos económicos, como sociales o culturales, arrojando resultados diferentes a través de diversa metodología, lo que conduce a que sea más complejo obtener una postura consensuada sobre la materia: ¿influyen positivamente o no? A diferencia del consenso institucional sobre la materia, los académicos indican que la respuesta no es sencilla. 1Sin alusiones sobre la primera parte, se recomienda acudir al artículo 89 del Código Penal para comprobar que sus reclamos ya están vigentes desde la reforma de 2015: «las penas de prisión de más de un año impuestas a un ciudadano extranjero serán sustituidas por su expulsión del territorio español». 2Hay estudios que afirman que los inmigrantes reciben en España menos ayudas asistenciales que los nativos (ver revisión bibliográfica). Según el Real Decreto-ley 20/2020, de 29 de mayo, por el que se establece el ingreso mínimo vital, los requisitos para acceder a dicha protección son tener residencia legal y efectiva en España durante al menos un periodo ininterrumpido y continuado de un año, figurar inscritos como demandantes de empleo y encontrarse en situación de vulnerabilidad económica, situaciones que dificultan el acceso a inmigrantes no regularizados. Capítulo 3 Revisión teórica El estudio sobre los movimientos migratorios ha venido ocupando en las últimas décadas innumerables páginas, analizándose dicha contingencia desde diferentes metodologías y aplicando para ello distintas teorías, lo que hace que sea considerablemente dificil realizar una revisión completa teniendo en cuenta la extensión del presente trabajo. Por ello, a continuación se realiza una breve descripción de las teorías migratorias predominantes en las últimas décadas, acompañada en los siguientes capítulos de una revisión de los informes institucionales más relevantes sobre la materia, y por último, un análisis de los estudios académicos más significativos en el ámbito español que han utilizado la econometría para explicar la implicación de los migrantes en el desarrollo económico. En la actualidad no existe una única teoría consensuada que explique la migración internacional como un rasgo estructural de los Estados industrializados. A continuación, se presentan las teorías más significativas. De entre las propuestas, destaca la procedente del enfoque económico neoclásico de mediados del año 1950, como una evolución del pionero análisis de Ravenstein, el cual entendía que la causa principal de la emigración era la diferenciación salarial entre los países de origen y destino. La propuesta neoclásica, desde un enfoque microeconómico, entiende la migración como una decisión individual que trata de maximizar los ingresos personales (para cuya decisión influyen necesariamente las diferencias de salario y condiciones laborales entre los Estados de origen y destino)1. Mundell fue el autor referente de este enfoque, aplicando el modelo canónico de equilibrio económico general sobre el comercio internacional2: los factores de producción se desplazan hacia los países donde su retribución (capital y trabajo) es mayor, hasta igualarse el precio de los factores con la 1Destacan autores como Lewis, 1954 (analizando los desplazamientos del sector agrario a la ciudad); Ranis y Fei, 1961; Harris y Todaro, 1970; Todaro, 1976. 2Denominada Teoría Heckscher-Ohlin-Samuelson (H-O-S). 33 34 Capítulo 3. Revisión teórica retribución, por tanto, cuando el salario se iguala en los países emisores y receptores, la emigración cesa. Otro enfoque es el que explica la nueva teoría económica de la migración, desarrollada a partir de la obra de Stark y Bloom en 1985, la cual entiende que la decisión de migrar es de tipo familiar (ya no individual), con el fin de minimizar los riesgos sobre los ingresos familiares o para reducir las restricciones de capital en la actividad productiva de capital. Por otro lado, ignorando los procesos microeconómicos, aparecen dos teorías: en primer lugar, la teoría de mercado laboral dual, definida por el economista Piore (1979), el cual entiende la migración como respuesta a las necesidades estructurales de las economías industrializadas modernas, en las que "la inmigración no es causa de los factores de estímulo en los países de origen (bajos salarios o un desempleo alto), si no de los factores de atracción de los países receptores (una crónica e inevitable necesidad de mano de obra extranjera)". En segundo lugar, la teoría de los sistemas mundiales propuesta por Wallerstein (1974) entiende la migración como consecuencia de la globalización económica, esto es, entiende que ha sido el capitalismo el que ha generado inevitables flujos económicos. También destaca la teoría en red, que explica que “una vez que el número de inmigrantes alcanza el umbral, la expansión de las redes reduce el coste y los riesgos del desplazamiento, lo que causa el aumento de la probabilidad de emigrar"3. La teoría institucional, añade al respecto que la instauración de instituciones estables constituyen otra forma de capital social para el acceso al empleo del trabajo extranjero. Otras causas latentes de la emigración son los conflictos armados o persecución, búsqueda de regímenes que no limiten libertades fundamentales (dictaduras), atracción por el modelo de vida y riqueza de los países desarrollados, y, particularmente creciente en los últimos años, la emigración medioambiental. A todo lo anterior se deben añadir las dificultades aparejadas a esta decisión, tales como las posibles prohibiciones y restricciones legales de entrada y salida de diversos países, los costes económicos (en la mayoría de ocasiones considerablemente altos, lo cual conduce a que sólo puedan emigrar los que posean una cantidad excedente de recursos) y el desenraizamiento que tienen que asumir estas personas rompiendo con sus lazos más sólidos. Por último, los economistas Jeffrey G. Williamson y David Bloom, entre otros autores, estudiaron los efectos y las consecuencias económicas del crecimiento de la población en el denominado Tercer Mundo. En un estudio (Bloom, Sachs, Collier, y Udry, 1998) se incluyeron variables explicativas diversas como tasa de crecimiento de la población en edad de trabajar, tasa de crecimiento total, educación y tasa de ahorro, entre otras. Lo interesante 3Hugo, 1981; Taylor, 1986; Massey y García España, 1987; Massey, 1990a, 1990b; Gurak y Caces, 1992. 35 de sus conclusiones es que es posible (y necesario) distinguir por un lado el crecimiento de la población, y por otro, la fuerza de trabajo, obteniendo resultados radicalmente opuestos sobre la evolución económica. Esta situación se explica recurriendo en la actualidad a las transiciones demográficas que experimentan los Estados más desarrollados: la mejora sanitaria ha disminuido la mortalidad infantil y ha propiciado un aumento en la esperanza de vida cada vez mayor, lo que tiene como consecuencia que los picos de la pirámide demográfica, donde se sitúan las personas dependientes, aumente, lo que implica que en la primera fase de transición haya un efecto negativo en el crecimiento económico (en otras palabras, aunque hay demanda provocada por el crecimiento de población, no hay ahorro suficiente para que la oferta se incremente); en la fase posterior, por un lado, cae drásticamente la natalidad, y por otro, los nacidos durante la primera etapa ingresan en el mercado laboral, lo que influye directamente en una estimulación positiva tanto de la demanda como del ahorro. Por último, en la tercera fase esta población trabajadora envejece, y al persistir las bajas tasas de natalidad, el ahorro disminuye y el crecimiento se ve limitado. De este modo, la inmigración como fuerza laboral se convierte en un factor clave (Avendaño, 2017): cuando una economía experimenta un crecimiento necesita de un periodo mínimo de 16 años para que los individuos nacionales ingresen en el mercado laboral, mientras que la llegada de inmigrantes proporciona dicha fuerza laboral sin apenas costes de formación (conviene tener en cuenta que los inmigrantes habitúan ser personas con deseo de realización en búsqueda de una mejora de sus condiciones, esto es, personas con formación o con trabajos poco remunerados). Para la puesta en práctica y demostración empírica de las teorías existentes se han utilizado diferentes metodologías, diferenciándose principalmente en este trabajo dos apartados: por un lado, los informes procedentes de instituciones públicas, tanto internacionales como nacionales (que gozan de un carácter mayoritariamente descriptivo); y por otro, las investigaciones académicas (que recurren a la econometría para realizar sus análisis). A ello se dedica la siguiente sección. 36 Capítulo 3. Revisión teórica Capítulo 4 Informes de instituciones Desde las instituciones públicas y organismos internacionales de relevancia se dedican considerables recursos al estudio de los movimientos migratorios, situación que se explica, entre otras cosas, por la demanda que realiza la población civil de un desarrollo sostenible e inclusivo en todos los sectores, teniendo la inmigración un papel protagonista en la historia de la humanidad. La nota característica de estos informes es que coinciden en su formulación, tanto en el uso de similares teorías, como en la metodología e, incluso, en las propias fuentes de datos, arrojando por tanto conclusiones similares. 4.1. Fundamentos teóricos Los enfoques teóricos que los estudios más recientes coinciden en utilizar se apoyan principalmente de los Tratados internacionales sobre protección a la comunidad migrante, doctrina especialmente creciente en las últimas décadas que parte, a grandes rasgos, de la siguiente premisa: la inmigración contribuye positivamente al desarrollo sociocultural, cívico-político y económico, tanto en los países de origen como de destino (Organización Internacional para las Migraciones, 2020). Al respecto destaca la Organización de las Naciones Unidas (en adelante, ONU) como una de las piezas clave en el ámbito internacional: la Agenda 2030 de Desarrollo Sostenible reconoció por primera vez en el año 2015 la contribución positiva de la migración al desarrollo, implicando a los inmigrantes en 11 de los 17 Objetivos de Desarrollo Sostenible (ODS) de forma directa, sin olvidar su implicación de modo indirecto en los demás objetivos. En la misma línea se adoptó en 2016 la Declaración de Nueva York para los Re- 37 38 Capítulo 4. Informes de instituciones fugiados y los Migrantes1como paso previo al Pacto mundial para una migración segura, ordenada y regular (Serrano, 2019), aprobado finalmente en diciembre de 2018. 4.2. Metodología La formulación y metodología de los informes más relevantes en la materia de los últimos años es muy similar, a salvo de ciertas controversias en cuanto a la definición de los conceptos o el momento temporal de recogida de los datos. A continuación se detallan los rasgos principales. Definición operativa El término migrante y todos sus símiles relacionados han sido, y continúan siendo en la actualidad, objeto de controversia. Por ello, el Departamento de Asuntos Económicos y Sociales de la ONU (en adelante, DAES) perfiló el concepto más utilizado de migrante2definiéndolo como "toda persona que cambia de país de residencia habitual", tanto a corto plazo -por periodos superiores a tres meses pero inferiores a un año-, como a largo plazo -por periodos superiores a un año- (United Nations Statistics Division, 1998). En consonancia, basan sus informes en personas que residen en un país pero nacieron en otro extranjero, o, en su defecto, y cuando lo anterior no sea posible, en la posesión de nacionalidad extranjera de los habitantes de un país (Landau y Achiume, 2017). De esta definción se recalca la inclusión de la denominada “inmigración ilegal o irregular", y excluye los viajes al exterior “con fines de ocio, vacaciones, visitas a parientes y amigos, negocios, tratamiento médico o peregrinación religiosa”. Es importante esta apreciación porque, a pesar de las recomendaciones de Naciones Unidas, no todos los actores lo aplican. Fuentes de datos La mayor parte de los organismos internacionales y nacionales comparten sus bases de datos y utilizan las mismas fuentes de acceso público, recurriendo por tanto a datos secundarios cuyos instrumentos de observación son, principalmente, los censos y registros administrativos de todos los países que participen (habitualmente, los países miembros de 1Naciones Unidas, 2020. Enlace web: https://undocs.org/es/A/71/L.1 2Estas definiciones parten de las recomendaciones dadas por Naciones Unidas en 1998 para mejorar y estandarizar los análisis estadísticos de los diferentes órganos implicados. Véase Recommendations on statistics of international migration, UN 1998. 4.2. Metodología 39 la ONU). Se tiene intención de establecer una única metodología de recogida y tratamien- to, pero por el momento, Naciones Unidas sólo ha propuesto recomendaciones que, por supuesto, no son obligatorias para ningún país. De referencia internacional destaca el Portal de Datos Mundiales sobre la Migración3, institución que forma parte de la ONU y que se nutre fundamentalmente de los datos procedentes de los Institutos Nacionales de Estadística de todos los países miembros, los cuales, a su vez, recopilan los datos a través de los censos, registros civiles o fuentes administrativas. Naciones Unidas advierte reiteradamente de problemas relacionados con el uso de diferentes datos, entre los cuales resaltan las distintas definiciones que se aplican según el país (en este sentido, destaca frecuentemente el conflicto entre la clasificación del migrante según nacimiento o nacionalidad), distintos momentos temporales en la actualización de censos que provocan que su uso se quede desactualizado, o las dificultades adheridas a la contabilización de residentes con "situación legal incierta". En España es el Instituto Nacional de Estadística el que recopila estos datos a partir del Padrón Continuo, analizando sus altas y bajas para conformar la Estadística de Variaciones Residenciales (EVR) y contabilizándose a aquellos inmigrantes que constaten una permanencia en España superior al año (descartan, por tanto, aquellos movimientos de tránsito, como los denominados trabajadores "temporeros", muy característicos en España por su posición geográfica). El hecho de que la base de partida sea el padrón, un registro voluntario aunque imprescindible para acceder a ciertos servicios, puede indicar subestimación de los datos. De hecho, según el Observatorio Permanente de la Inmigración a 30 de junio de 2018, 5,3 millones de extranjeros se encontraban registrados (con certificado de registro en caso de ciudadanos comunitarios o tarjeta de residencia en vigor en caso de los extracomunitarios) frente a los 4,7 millones de extranjeros efectivamente empadronados. Para esta afirmación, el Observatorio recurre a los datos que proporciona el Registro Central de Extranjeros, órgano gestionado por la Dirección General de la Policía, cuyos datos, como se puede comprobar, difieren de los señalados por el INE. Este desfase se debe a cuestiones como diferente objeto, metodología y periodo temporal: por ejemplo, se debe tener en cuenta que en los padrones, desde enero de 2006, no se contabilizan por el procedimiento de caducidad las inscripciones no renovadas cada dos años de extranjeros no comunitarios sin autorización de residencia permanente4, situación diferente al Registro Central de Extranjeros, en los que la autorización de residencia de larga duración se debe 3Enlace web: https://migrationdataportal.org/es/themes/population-de-migrants-internationaux 4Establecido por la modificación de la Ley 7/1985 Reguladora de las bases del régimen local, por la Ley Orgánica 14/2003, de 20 de noviembre. También existe desde el año 2009 procedimientos de comprobación periódica al efecto por parte de los Ayuntamientos. 40 Capítulo 4. Informes de instituciones renovar cada 5 años en caso de los extracomunitarios, no caducando para los ciudadanos comunitarios en la mayor parte de los casos5. Técnica de análisis de datos El análisis de datos que estos informes utilizan principalmente procede de técnicas descriptivas: en ellos, recopilan y actualizan periódicamente la información relacionada con la inmigración mundial y su evolución en el tiempo, analizando sus cambios y relacionándolos con situaciones exógenas que puedan ser explicativas. De forma puntual, algunos estudios suman breves análisis procedentes de técnicas matemáticas y estadísticas para relacionar conceptos, como el que realizó la Oficina Económica del Presidente (España) en el año 2006 (Sebastián, 2006). 4.3. Resultados Las conclusiones a las que llegan la mayor parte de los informes de referencia incluyen diferentes ámbitos en los que describen la efectiva aportación de la inmigración, destacando su contribución social, cultural o económica, entre otras. Por la imposibilidad de dar cuenta de todos los resultados, a continuación se mencionan los datos más significativos que se entienden necesarios para el estudio propuesto. La División de Estadística de la ONU (conocida por las siglas UNSTAT) recopila todos los datos en el Portal de Datos Mundiales y publica un anuario demográfico con los resultados6: en 2019 se cifran en 272 millones el número de personas que viven en un país distinto de aquel en donde nacieron (51 millones más que en 2010), lo equivalente al 3,5 % de la población mundial, siendo la India el país que registró el número más alto de migrantes residentes en el extranjero y Estados Unidos de América el primer país receptor. La Organización Internacional de Migrantes (en adelante, OIM) publica desde el año 2000 informes completos sobre migraciones7, en los que constatan su premisa de partida: los flujos migratorios realizan contribuciones positivas socioculturales, cívico-políticas y económicas, tanto en los países de origen como en destino, constituyéndose como importantes agentes de cambio: por ejemplo, varios estudios demuestran que los migrantes que 5En este sentido, destaca el caso de Rumanía por su gran volumen de presencia en España según datos del Registro Central de Extranjeros, presencia que no se constata a través de los censos. Los nacidos en Marruecos, en cambio, sí arrojan resultados similares tanto en el Registro como en los padrones. 6El último informe disponible es: Yearbook, D. (2018). United Nations Statistics Division. Statistical Dissemination Section, New York. 7Su último informe publicado: (Organización Internacional para las Migraciones, 2020). 4.3. Resultados 41 retornan tienen mayores probabilidades de crear empresas (Goldin y otros, 2018); que han sido siempre fuerza impulsora empresarial8(Benstein y otros, 2018); y que los inmigrantes de baja cualificación tienden a ocupar trabajos demandados de salario menor -el ejemplo más ilustrativo lo ocupan los empleados del hogar-. Por otro lado, el informe añade que Europa y Asia acogieron al mayor número de migrantes internacionales, pero, pese a ello, los efectos demográficos fueron considerablemente bajos en Europa (lo que se explica por su baja natalidad), en comparación con África, que experimentó el cambio más relevante. Otro organismo de referencia es la Organización Internacional del Trabajo (en adelante, OIT): sus informes cifran en el año 2018 un total de 164 millones de trabajadores migrantes en el mundo -lo equivalente al 64 % de los migrantes internacionales a nivel mundial-, de los cuales el 87 % pertenecen al grupo de edad más productivo, de entre 25 y 64 años (Popova y Özel, 2018). También el Banco Mundial participa utilizando los Indicadores del Desarrollo Mundial, y proporciona los informes más relevantes sobre remesas internacionales registradas por cauces formales: las remesas siguen aumentando en el año 2018 después de la caída producida entre 2014 y 2016, siendo Estados Unidos el primer país emisor y la India y China los dos primeros países receptores. La Organización para la Cooperación y el Desarrollo Económico (OCDE) también actúa emitiendo informes sobre la materia, en los que afirman y cuantifican la mayor temporalidad laboral en inmigrantes, su mayor nivel de sobre-cualificación y su mayor tasa de desempleo en los 37 países de la OCDE. La Unión Europea, a través de la Oficina Estadística de la Unión Europea (Eurostat), también ha mostrado un creciente interés en el estudio de migraciones en las últimas décadas, situación agudizada en los últimos acontecimientos por el desacuerdo entre los Estados miembros sobre las políticas a aplicar, decidiendo los países de Visegrado (Hungría, Polonia, República Checa y Eslovaquia) cerrar por completo sus fronteras. Señalan que el 2017 entraron en la UE 2,4 millones de inmigrantes: España se sitúa en el puesto número 9 en cantidad de población migrante, registrando datos de 11.4 por 1.000 habitantes, lo que equivale a más del doble de la media de los Estados miembros de la Unión (4.7 por 1.000 habitantes). A nivel estatal destaca el Instituto Nacional de Estadística (en adelante, INE), organismo autónomo dependiente de la Secretaría de Estado de Economía y Apoyo a la Empresa, el cual publica periódicamente las denominadas Estadísticas de Migraciones (EM): durante el primer semestre de 2019 la población española aumentó en 163.226 habitantes, lo que equivale a un saldo migratorio positivo de 209.097 personas -compensando un saldo 8En Estados Unidos, aunque los migrantes constituyen el 13 % de la población, representan casi el 30 % de los emprendedores desde 1976. 48 Capítulo 5. Estudios académicos del trabajo de los nativos, mientras que esta fue negativa para los extranjeros. Según este estudio, los inmigrantes disminuyen la productividad total de los factores debido a su menor experiencia, las barreras lingüísticas, los procesos de adaptación a las instituciones laborales, la concentración en sectores en los que los trabajadores inmigrantes están "sobre-educados", y la concentración del empleo en sectores económicos de baja productividad, bajo valor añadido, escasa innovación y alta temporalidad. Casi con el mismo aporte que la productividad del trabajo de los nativos aparece la tasa de empleo de los extranjeros, situándose la tasa de empleo de los nativos en valores positivos pero próximos a cero. De acuerdo con este informe, la contribución positiva de los inmigrantes al crecimiento de la tasa de empleo se debe a que estos tienen una participación laboral superior que los nativos y, además, a que su peso aumentó durante el período considerado. Por último, el factor demográfico tuvo una reducida contribución, aunque se señala que esta fue positiva gracias al aporte de la población extranjera que compensó el valor negativo de los nativos» (Fundación Ideas, 2011:59-61). En otro informe, Godenau indica que «la tasa de empleo de los nativos fue el principal factor de crecimiento en los dos primeros períodos, aunque más en 1996-2000, por la incorporación de la mujer al mercado laboral. Los otros factores tuvieron una reducida influencia. De hecho, la productividad del trabajo estuvo en valores próximos a cero, aunque se destaca que fue positiva para los nativos y negativa para los extranjeros, debido a la participación de la inmigración en determinados segmentos de empleo de baja productividad. Además, el factor demográfico provocó un impacto muy reducido, pero, al igual que en las investigaciones anteriores, se indica que la inmigración compensó la incidencia negativa de la demografía de los nativos. En el período 2007-2010, afectado por la crisis financiera que se inicia en el año 2008, cambian radicalmente los resultados, siendo la productividad del trabajo de los nativos el único factor que influyó positivamente en el crecimiento económico, aunque sin compensar el valor negativo de la tasa de empleo nativa» (Godenau, 2012:5-7). Con similar metodología, aunque sin desagregar los datos según nativos o extranjeros, Kangasniemi, Mas, Robinson y Serrano (2009) concluyen que durante los años señalados el crecimiento del PIB español «se debió casi que exclusivamente a la contribución positiva de los factores empleo y actividad, siendo el aporte del factor productividad negativo». Las investigaciones que han utilizado los modelos económicos de oferta y demanda de Ghosh y Leontief coinciden en sus resultados: Arce y Mahía concluyen que el aporte de la fuerza de trabajo extranjera fue del 7,1 % del PIB en el año 2005 y del 10,5% en 2008 (Arce y Mahía 2014:155). Por otro lado, el análisis realizado por Mahía, Thielemann y Arce 5.3. Resultados 49 estimó que en el año 2009 la contribución de los trabajadores extranjeros en el incremento del PIB fue del 13,2 % (Mahía et al., 2010:92), añadiendo que a esta contribución debería de agregarse los beneficios adicionales derivados del «efecto de reacción en cadena» en el sistema de producción en general: afirman que «si la tasa de crecimiento se hubiera mantenido igual y los inmigrantes no se hubieran incorporado al mercado laboral español, la economía española habría creado 1,5 millones puestos de trabajo menos para los nativos; es decir, por cada dos puestos de trabajo ocupados por inmigrantes se creó un puesto de trabajo para un nativo». En cuanto a Ferri, Gómez y Martín (Ferri et al., 2007), utilizando el modelo de equilibrio MEGA, concluyen que tanto la inmigración regular como la irregular han tenido un efecto positivo sobre el PIB y el empleo. En definitiva, el trabajo de Matés concluye que los inmigrantes apenas contribuyeron al aumento del PIBpc, siendo la productividad del trabajo de los nativos el factor que más ha influido a su crecimiento durante el periodo 1995-2008; Dolado indica que durante el periodo 1996-2005 la tasa de empleo de los extranjeros fue el factor que más contribuyó al crecimiento del PIBpc; la Fundación Ideas concluye que durante el periodo 2000-2007 el factor más significativo para el PIBpc fue la productividad del trabajo de los nativos, seguido de la tasa de empleo de los extranjeros; y por último, Godenau indica que la tasa de empleo de los nativos fue el principal factor de crecimiento durante el periodo 2000-2007. Es decir, a pesar de que todos parten de un valor del crecimiento del PIBpc similar, Matés y la Fundación Ideas señalan que la productividad del trabajo de los nativos fue el primer factor determinante, Dolado indica que ha sido la tasa de empleo extranjera y Godenau defiende que ha sido la tasa de empleo de los nativos. Por otro lado, para la Fundación Ideas la tasa de ocupación extranjera y el factor demográfico extranjero han tenido un impacto relevante, mientras que Godenau indica que apenas ha tenido influencia. Por las discrepancias señaladas, Matés recalca la importancia de expresar el PIB en unidades de medida adecuadas, para evitar «funciones exponenciales de base productividad del trabajo con rigidez exagerada en algún tramo de la curva, que provocarían infravaloraciones o sobrevaloraciones». Resultados diferentes arrojan los informes que utilizan metodología distinta de la anterior, coincidiendo en afirmar la relación positiva que existe entre la inmigración y el crecimiento del PIB. Por tanto, se concluye de este apartado que existen discrepacias sustanciales entre los resultados de los referidos trabajos, a pesar de utilizar los cuatro primeros una metología similar, dificultando un consenso académico sobre la aportación o no aportación de la inmigración al crecimiento económico de España. 50 Capítulo 5. Estudios académicos Parte III Metodología y diseño de investigación 51 Capítulo 6 Establecimiento del modelo En esta parte del trabajo se analiza pormenorizadamente todos los pasos que se han seguido para realizar el análisis econométrico necesario para alcanzar las conclusiones finales. Para ello, se especifica en primer lugar la relación teórica de partida, detallando las variables que participan y su posición dentro de la teoría, continuando con su conceptualización y operacionalización de las mismas, el establecimiento de las hipótesis e implicaciones de los indicadores escogidos para las variables y, para finalizar, estableciendo las decisiones que corresponden sobre el diseño de investigación. 6.1. Teoría La teoría que mantiene este trabajo señala que la inmigración tiene efectos positivos en la economía española, síntoma que se manifiesta de diferentes maneras pero que, para demostrarlo de forma accesible, se establece principalmente en la siguiente relación focal: Variable independiente  Variable dependiente  Inmigración +//Riqueza + ]] Figura 6.1: Teoría 53 54 Capítulo 6. Establecimiento del modelo Lo que se propone es que la variable exógena inmigración tiene efecto directo y positivo sobre la variable endógena nivel de riqueza; pero a su vez, la variable riqueza también tiene efecto directo y positivo sobre la variable inmigración. A la relación anterior se añaden tres nuevas variables intervinientes, escogidas para enriquecer el modelo y dar continuidad a parte de las investigaciones precedentes en la materia y analizadas anteriormente en la revisión bibliográfica. De este modo, se incluyen: demografía, empleo y productividad laboral. Así, esta teoría parte de la premisa de que los inmigrantes influyen positivamente en diferentes factores como demografía -por aumentar el volumen de la población-, empleo -aumentando la población laboral- y productividad -formando parte de los recursos que producen bienes y servicios-, lo cual, en su conjunto, repercute de forma directa en el nivel de riqueza del conjunto del país. Pero a su vez, este crecimiento también provoca aumento positivo en la variable inmigrantes, además de en el resto de factores mencionados (demografía, empleo y productividad). De este modo, se establece una relación multidireccional entre las variables, esto es, todas las variables tienen incidencia directa y positiva entre ellas a lo largo del tiempo, constituyéndose el tiempo como una variable determinista en el establecimiento de relaciones. Inmigrantes +// + 00 +// +  Demografía +// +  + ooNivel de riqueza + yy + kk + oo Empleo +  + HH Productividad + RR + OO Figura 6.2: Teoría ampliada 6.2. Conceptualización y operacionalización 55 Nótese que en esta relación ya no se pueden determinar con claridad cuáles son las variables exógenas y endógenas, pues el objetivo del análisis es precisamente ese: no vincular previamente el comportamiento y la condición de ninguna de las variables. Lo que se pretende es verificar si efectivamente entre ellas existe grado de relación. Conviene, no obstante, verificar si la teoría cumple con los requisitos esenciales: Caraceterística Cumple Contrastabilidad (falsabilidad) SI Satisfactoriedad SI Parsimoniedad SI Poder explicativo SI Estructura clara SI Riqueza prescriptiva SI Cuadro 6.1: Condiciones de la teoría A continuación, se analizarán las variables individualmente, así como la operacionalización a la que se les somete para proceder al análisis. 6.2. Conceptualización y operacionalización Esta sección está dedicada a la preparación de las variables para su posterior análisis. Eso incluye determinar correctamente los conceptos de partida que se incluyen en la teoría, las dimensiones que se toman en consideración para el análisis, y la determinación de los indicadores que forman la base de datos final. El proceso de operacionalización, por tanto, consiste en transformar los conceptos previos en variables que puedan ser manejadas por cualquier investigador. En la siguiente tabla se presentan las cinco implicaciones principales del modelo, sus dimensiones y los indicadores. 56 Capítulo 6. Establecimiento del modelo Concepto Dimensiones Indicadores Inmigración Nacionalidad Extranjeros residentes País de nacimiento Nivel de riqueza Dimensión económica Producto Interior Bruto Demografía Población total Factor demográfico Población en edad laboral Empleo Población ocupada Tasa de empleo Población en edad laboral Productividad Producto Interior Bruto Tasa de productividad Población ocupada Cuadro 6.2: Resumen variables A continuación, se detalla el análisis individual de cada una de las variables del modelo. 6.2.1. Concepto 1: Inmigración Definición Al margen de la problemática existente en torno al concepto de inmigración -y términos afines-, plasmado en la revisión bibliográfica de este trabajo, conviene reflexionar sobre dos cuestiones esenciales: por un lado, la nacionalidad (ius sanguinis), y por otro, el país de nacimiento (ius soli), dos términos muy discutidos en la actualidad por la doctrina, ya que, en función del país, se aplican diferentes criterios para la adquisición de la nacionalidad. Dimensión 1: Nacionalidad La definición aplicada que ofrece el Ministerio de Justicia indica que «nacionalidad es el vínculo jurídico que une a la persona con el Estado y tiene la doble vertiente de ser un derecho fundamental y constituir el estatuto jurídico de las personas. Por esta relación, el individuo disfruta de unos derechos que puede exigir a la organización estatal a la que pertenece y ésta, como contrapartida, puede imponerle el cumplimiento de una serie de obligaciones y deberes». También, en referencia a la nacionalidad, señala el artículo 11 de la Constitución que la nacionalidad española se adquiere, se conserva y se pierde de acuerdo con lo establecido por la ley. Según la normativa actual, la nacionalidad española se adquiere en la mayor parte de los casos por origen: nacidos de madre o padre español, nacidos de apátridas y menores de padres desconocidos cuyo primer lugar de residencia conocido sea España. Por otra parte, los extranjeros pueden optar a obtener la nacionali- 6.2. Conceptualización y operacionalización 57 dad acreditando residencia de forma legal y continuada durante 10 años, con excepciones para ciertos regímenes en las que se exige menos tiempo. Dimensión 2: País de nacimiento Como se ha podido comprobar, en España rige el criterio de nacionalidad ius sanguinis, por tanto, los nacidos en España de padres extranjeros no adquieren necesariamente la nacionalidad española, sino que adquirirán la que ostenten sus progenitores (a no ser que la legislación de dicho país no la otorgue, en cuyo caso sí la adquirirán análogamente con los apátridas). En estos casos, los menores (entiéndase, como es lógico, sus tutores legales) deberán esperar un año para poder solicitarla mediante la adquisión por residencia. Indicador 1: Extranjeros residentes en España Siguiendo el criterio de adquisición preferente por nacionalidad, y no por país de nacimiento, para el presente trabajo se ha optado por mantener el mismo criterio al seleccionar los casos para el análisis. Para ello, se han extraído dos series de datos: la primera hace referencia a todas las personas residentes1en España; la segunda corresponde a los residentes en España que poseen nacionalidad española. Con ellas, se ha calculado su diferencia y se ha creado una nueva serie de datos en la que estarían agregadas todas aquellas personas residentes en España cuya nacionalidad no es la española. De este modo, se estima que la pérdida de información es menor, asegurando que en ella se incluya a todos aquellos apátridas, refugidados o personas que ostenten doble nacionalidad. En este caso, no se contabilizan personas cuya situación jurídica pueda ser irregular. Ficha técnica extranjeros residentes en España Nivel de medición Razón Tipo de datos Secundarios Fuente Instituto Nacional de Estadística (INE) Instrumento de observación Censos públicos y padrones municipales Unidad de medida Millones (personas) Cuadro 6.3: Ficha técnica extranjeros residentes en España 1La definición del concepto residente se establece en la sección dedicada al concepto de demografía. 64 Capítulo 6. Establecimiento del modelo La entrada de los inmigrantes provoca mayor número de extranjeros residentes en España, lo cual implica mayor factor demográfico. El aumento del factor demográfico, a su vez, influye positiviamente sobre el PIBpc. El aumento del factor demográfico también influye positivamente sobre el aumento de inmigrantes. Esto es así porque, siguiendo la teoría en red, el primer extranjero que se instala en un nuevo país tiene un coste muchísimo más alto que los siguientes, y estos, a su vez, de los siguientes que se instalen en ese mismo país. En otras palabaras, el primero se encarga de «conocer y abrir camino» -cuyo coste es más elevado-, mientras que los siguientes que llegan, en la mayor parte amigos, amigos de amigos o familiares, ya tienen parte del camino allanado -cuyo coste es menor-. Por otra parte, el aumento del factor demográfico también deriva en un aumento del factor empleo -aumentan las demandas de productos y servicios-. El aumento de la tasa de empleo implica aumento del PIBpc. También la tasa de empleo implica un aumento del número de ocupados, y esto influye directamente en el aumento de la tasa de productividad. A su vez, el total de inmigrantes también influye positivamente sobre la tasa de productividad aumentando la tasa de ocupación. La tasa de productividad depende directamente del PIBpc, y el PIBpc depende directamente de la tasa de productividad. A medida que aumenta una, aumenta necesariamente la otra. Por último, la tasa de productividad también depende directamente de la tasa de empleo, y esta a su vez, depende directamente de la tasa de productividad, ambas conectadas a través de la tasa de población ocupada. En definitiva, y como se viene indicando, las variables interaccionan todas ellas entre sí de forma bidireccional simétrica, directa y positiva, esto significa que un aumento en una de las variables produce aumento en las otras, así como una reducción de una se traduce en reducción en otras. Por tanto, resulta imprescindible atender a su comportamiento en el tiempo para poder determinar efectivamente su relación. Esto implica introducir en el modelo la dinámica temporal, calculando los efectos autorregresivos y de regazo de cada variable. Antes de poder llegar a este punto, precisa ser determinado correctamente el diseño de la investigación. Capítulo 7 Diseño de la investigación Este apartado tiene por objetivo establecer todas las decisiones finales relativas al diseño de la investigación, como paso previo y último al análisis econométrico. Analizado el marco teórico del trabajo y la operacionalización de las variables, conviene determinar el periodo temporal que se analiza, la técnica de recogida de datos, el método de investigación propuesto, y, por último, la estrategia que se sigue durante el análisis. 7.1. Periodo a analizar El periodo temporal escogido para el presente trabajo ocupa todos los trimestres desde el año 2008 al 2019 (48 muestras en total por serie temporal). La razón de que sean datos trimestrales reside en la intención de ampliar lo máximo posible la muestra y el número de observaciones, con la intención de que los estadísticos que se utilicen en el análisis tengan los grados de libertad suficientes para conducir a resultados concretos. Por otra parte, el rango temporal ha sido decidido de este modo por la disponibilidad de los datos. Así, teniendo en cuenta la crisis económica de 2008, se podrá verificar el comportamiento de las variables en la propia crisis, y cómo estas han ido, previsiblemente, remontando sus valores poco a poco repercutiendo en el conjunto de variables planteadas en el modelo. 7.2. Técnicas de recogida de datos Todos los datos que se han utilizado en este trabajo son cuantitativos, de nivel de medición razón, y secundarios, procedentes del Instituto Nacional de Estadística (INE) el cual 65 66 Capítulo 7. Diseño de la investigación los recopila de los censos públicos, padrones municipales, y de la Encuesta de Población Activa (EPA). A partir de ellos, tal y como se ha indicado en la operacionalización, se ha elaborado la base de datos final. 7.3. Método de investigación Como se ha podido concluir a lo largo del trabajo, el método que se utiliza es el cuantitativo descriptivo-analítico, procedimiento basado en números para analizar y comprobar datos e información concreta, que a su vez está basado en una investigación empíricoanalista, buscando las causas y efectos que puedan tener las variables en el modelo propuesto. La denominación de descriptivo hace referencia a que, antes de proceder al análisis, es necesario acudir a la bibliografía existente (instrumento de investigación principal en este trabajo del cual se ha deducido el modelo principal) a través de técnicas documentales para descubrir factores, características u otros rasgos determinantes en el tema que aquí se trata. Por otra parte, también se constituye como una investigación analítica porque se pretende dar respuesta a las preguntas de investigación a través de las hipótesis que se han establecido a partir de las variables. Para ello, se recurre al método estadístico, el cual utiliza técnicas matemáticas para descubrir relaciones entre las variables, controlando el efecto de la variable constante y los posibles errores asociados. La técnica escogida es la regresión, a través de los modelos vectoriales autoregresivos (VAR, por sus siglas en inglés). Este modelo está formado por un sistema de ecuaciones de forma reducida sin restringir, lo que implica que los valores de las variables no aparecen en ningún caso como explicativos, y que el conjunto de variables está constituido por un número de retardos de cada una de las variables. En otras palabras, el modelo no posee variables exógenas y endógenas predeterminadas, sino que analiza los efectos de cada una de las variables sobre las restantes, de forma que una variable exógena puede influir sobre una de las ecuaciones pero no sobre las otras. La decisión de utilizar esta técnica radica en que en nuestro modelo no existe evidencia de simultaneidad entre las variables, transmitiéndose sus relaciones a través de números de periodos, y el regresivo VAR puede dar respuesta a esta situación. A diferencia de otros modelos uniecuacionales, que utilizan una sola ecuación para explicar el comportamiento de una variable o serie temporal en un momento temporal determinado, el modelo VAR utiliza sistema de ecuaciones, en los que cada variable está representada con una ecuación del conjunto del sistema, por tanto, existirán tantas ecuaciones como variables en el modelo (en este caso, cinco). De este 7.4. Estrategia del trabajo 67 modo, el comportamiento de cada variable es explicado por su propio pasado y por las restantes variables que se incluyan en el modelo, y el objetivo que pretende es analizar a corto plazo sus interacciones, verificando, incluso, cómo un shock inesperado en una variable (o conducta que no siga originalmente el patrón predeterminado por la propia serie temporal) afecta a las restantes variables del modelo (análisis impulso-respuesta). Estas condiciones hacen del VAR un modelo con alto atractivo para realizar predicciones futuras. No obstante, para poder realizar el análisis VAR propuesto, es necesario seguir una serie de pasos a través de los cuales se preparen las variables correctamente, pues es imprescindible para que el análisis sea válido que las variables sean estacionarias, lo que implica, en términos simplificados, que todas las series temporales de cada una de las variables posean media y varianza constante, algo que en la praxis, al utilizar series de datos temporales y econométricas, resulta dificil de conseguir. En este escenario, resulta necesario modificar, con el respectivo cuidado debido, el comportamiento de las variables, ya que, en caso de no hacerlo, se obtendrían resultados espúreos. Ante la imposibilidad de conocer de antemano cuál será el resultado del análisis principal propuesto, resulta de interés aumentar este trabajo con otro modelo regresivo más sencillo, como lo es el ARDL (autorregressive distributed lag model), en el que, como es más habitual, el modelo califica a las variables como endógenas y exógenas y lleva a cabo un análisis de relación entre ellas a través del método de mínimos cuadrados ordinarios, recurriendo a ciertas correcciones si las variables lo requieren. Para ello, es necesario reformular el modelo propuesto especificando las variables independientes y dependiente. Para mayor facilidad, se establece en el apartado siguiente la secuencia de pasos lógicos que se seguirán durante todo el procedimiento estadístico, análisis que se realiza en el siguiente capítulo. 7.4. Estrategia del trabajo La planificación estratégica que se ha diseñado, teniendo en cuenta la condición de los datos, de las hipótesis y de los objetivos planteados, es la que sigue: 1. En primer lugar, introducida la base de datos en el programa estadístico, resulta conveniente realizar un análisis de las variables, tanto de distribución (media, mediana y moda), dispersión (varianza, desviación típica), curtosis y asimetría. Con ello se consiguen dos objetivos: por un lado, verificar que los datos han sido introducidos 68 Capítulo 7. Diseño de la investigación correctamente en el programa, verificando, entre otros, el número de observaciones por variable, y por otro, proporciona la información básica de cada variable. 2. A continuación, tal y como se ha anticipado en la sección anterior, es imprescindible comprobar si las series de cada variable son estacionarias [l(0)], trend stationary o no estacionarias [l(1)]. Las características básicas que deben cumplir para que sean estacionarias son media y varianza constante. El escenario ideal sería que todas las series fueran estacionarias; en caso de que esto no se cumpla, las variables requieren de correcciones para poder ser utilizadas. Para conocer si las series son o no estacionarias existen dos modalidades: Método informal: para ello, se extraerán las gráficas de las series temporales de todas las variables y su correlograma. De este modo se consigue anticipar a través de las gráficas el comportamiento de las variables, y por otro, analizar el estadístico de correlación Q (la situación ideal es que no exista correlación). Pruebas formales de raíz unitaria: a través de las pruebas de Dickey-Fuller (solo en caso de que las variables no tengan autocorrelación, dato obtenido en el análisis informal), Dickey-Fuller aumentado y KPSS. Estos test miden si las series de las variables poseen raíz unitaria, esto es, si son no estacionarias. 3. Si del análisis anterior resulta que las variables son no estacionarias, procede realizar análisis de cointegración de las variables, para lo cual se acude a la prueba de cointegración de Engle y Granger. De este modo, se busca hallar una combinación integrada de variables que, aunque individualmente no sean estacionarias [l(0)], puedan conseguir una efectiva asimilación a estacionariedad en su conjunto. 4. A su vez, resulta útil realizar el análisis de cointegración de Johansen para que aproxime el modelo final óptimo (VAR o VECM). 5. A continuación, se realizan los análisis propios del modelo final, verificando el número de retardos adecuado y analizando sus resultados. Si todo lo anterior ha sido posible, procede el análisis impulso-respuesta. 6. Por último, se realiza la comparación de resultados con el modelo autoregresivo ARDL. Establecidos todos los pasos que se han de seguir, el siguiente capítulo está dedicado a la elaboración del análisis econométrico y a la interpretación de sus resultados. Parte IV Análisis e interpretación 69 Capítulo 8 Modelo de vectores autorregresivos (VAR) 8.1. Introducción Este capítulo está dedicado a llevar a cabo todo el análisis estadístico del trabajo, interpretando sus resultados, y comentando las dificultades adheridas a las decisiones que se han tomado, con el fin último de poder verificar las hipótesis establecidas. El primer paso necesario, como se ha indicado anteriormente, es determinar si las variables son o no son estacionarias, requisito imprescindible para poder utilizar el modelo VAR propuesto. Para conocer este dato, se llevan a cabo las siguientes fases: 1. Primera fase: análisis de los estadísticos principales. 2. Segunda fase: análisis de las gráficas temporales de todas las variables. 3. Tercera fase: análisis de la autocorrelación. 4. Cuarta fase: análisis de los test de raíz unitaria: Test de Dickey-Fuller Aumentado (ADF) y test KPSS. Antes de empezar, conviene determinar qué implica que una variable sea estacionaria o no estacionaria (estacionariedad de la perturbación aleatoria). Como se ha venido adelantando, este suceso ocurre si una variable mantiene su media y varianza constante a lo largo de toda la serie temporal -ambos requisitos son imprescindibles- (Gujarati, 2012). Por tanto, una variable es no estacionaria cuando no cumple alguna de las dos características mencionadas, y por ende, puede presentar una tendencia -por falta de media constante-; 71 72 Capítulo 8. Modelo de vectores autorregresivos (VAR) irregularidad -por ausencia de varianza constante-; o aparición de efectos cíclicos -debido a la autocorrelación-. Si se detecta que las variables son no estacionarias, y por tanto, sus datos no son independientes entre sí, no se puede realizar el modelo VAR sin que las variables sean sometidas a correcciones. De hacerlo, se obtendrían resultados denominados espúreos. Para aclarar mejor el término «espúreo», conviene dejar clara su definición, recuperada de (Guisán y cols., 2002): Según Granger y Newbold (1974) son regresiones espurias las existentes entre dos variables que muestran las siguientes características: 1) No mantienen entre sí una relación causal. 2) La estimación de un modelo econométrico temporal, que relaciona a una de ellas con la otra, proporciona elevada bondad del ajuste y un valor del estadístico Durbin-Watson (dw) llamativamente bajo, muy inferior al valor 2 que correspondería a la ausencia de autocorrelación e inferior al límite inferior del test de Durbin-Watson. Por tanto, obtener resultados espúreos es una situación no deseada que se tratará de esquivar, por no gozar dichos resultados de capacidad suficiente de respuesta. Otra cuestión también recurrente en el trabajo es la necesidad de establecer el número de retardos óptimo de la variable dependiente (e independiente) para realizar los diferentes análisis. Estos retardos se incluyen para garantizar que, al realizar el contraste, se hayan eliminado las correlaciones existentes superiores al orden 1. Habitualmente interesa realizar el análisis con el máximo número de retardos posible, máxima que se ha aplicado en este trabajo (aunque, posteriormente, se verá que para realizar el modelo VAR, es necesario establecer el número exacto de retardos óptimo final). Por último, se ha decidido trabajar en este análisis con un nivel de confianza del 95%, lo que equivale a trabajar con un valor de significación de 0.05. En resumen, para evitar resultados no concluyentes y espúreos, cabe tener conveniente cuidado a la hora de detectar la estacionariedad en las variables, aplicando el correcto número de retardos, proceso que se detalla a continuación. 8.2. Análisis básico de las variables Lo primero que conviene realizar al empezar cualquier análisis estadístico es deducir sus estadísticos principales para conocer el comportamiento de las variables y, a la vez, para confirmar que los datos hayan sido integrados correctamente en el software estadístico. Posteriormente, la representación gráfica de las variables aporta información sobre 8.2. Análisis básico de las variables 73 el comportamiento del completo de la serie de datos de cada variable, lo cual resulta de sumo interés para anticipar si tiene media o varianza constante. 8.2.1. Estadísticos principales Figura 8.1: Estadísticos variables A través de estos resultados, se comprueba que todos los datos introducidos en la base de datos son correctos (las observaciones ausentes son 0 en todos los casos), además de obtener información básica sobre las variables. Al analizar, por ejemplo, la media de las variables, se comprueba que los resultados concuerdan con la serie de datos inicial. 8.2.2. Análisis gráfico A continuación, se comprueba la distribución gráfica de las variables, atendiendo especialmente a si existe una media constante, esto es, que todos los valores se sitúen en torno al mismo valor, que no tiene que ser necesariamente 0 (en caso de que así fuera, estaríamos ante el denominado efecto white noise), determinar si existe varianza constante, lo cual implica que no tengan una tendencia determinista ni positiva ni negativa, sino que los valores se mantengan en el mismo rango a lo largo de toda la serie (o presenten tendencia estocástica), y por último, comprobar que la variable no presente irregularidades pronunciadas. 80 Capítulo 8. Modelo de vectores autorregresivos (VAR) Estimar VAR en diferencias: el modelo asumiría en su conjunto un comportamiento cointegrado [l(0)], asimilable a la estacionariedad. Este dato es el que aporta el análisis de cointegración: si los residuos del modelo están cointegrados [l(0)], se podría realizar el análisis VAR sin perder demasiada calidad en los resultados (situación ideal en este caso). En todo caso, las pruebas de cointegración son esenciales para evitar malas estimaciones posteriores de impulso-respuesta. A ello se dedican los contrastes de Engle y Granger y el de Johansen. 8.4.1. Contraste de Engle y Granger (EG) El modelo de Engle y Granger (1987) está basado en el modelo ADF pero con ciertas modificaciones: principalmente, utilizan los valores críticos de MacKinnon (por considerar que la perturbación no es observable y que, además, se deben utilizar los residuos de la regresión). Por otra parte, para su análisis confrontan la estacionariedad de la perturbación del modelo econométrico contrastando su nulidad a partir de las primeras diferencias, y aplicando en algunos casos términos de aumento pero sin añadir ni constante ni tendencia en las relaciones. Por tanto, el análisis de Engle y Granger se centra en el comportamiento de los residuos que proporciona una regresión determinada, analizando si los mismos muestran un comportamiento estacionario o no estacionario. La importancia de este test radica en que, para poder utilizar las series diferenciadas cuando estas no son inicialmente estacionarias, se ha de cumplir un requisito esencial: que los residuos sean estacionarios, esto es, que cointegren a largo plazo y no sean de orden 1. Si esto ocurriese, los resultados serían espúreos y no podría utilizarse el modelo tal y como está planteado. Como en ADF, la hipótesis nula es que las variables contienen raíz unitaria, es decir, no son estacionarias, y por tanto, no están cointegradas. La hipótesis alternativa es que los residuos no tienen raíz unitaria, lo que se traduce en que las series en su primera diferencia sí están cointegradas y que podría continuar el análisis del modelo (situación ideal). Para su cálculo, se utiliza la variable de PIBpc como dependiente y las restantes como variables independientes. Se presentan a continuación los resultados principales, hallándose el estadístico completo en el cuarto anexo: EG [.4]: 8.4. Análisis de cointegración 81 Variable Valor p Decisión Conclusión Inmigrantes 0,63e-88 Rechazo Ho Posible cointegración Empleo 1,22e-76 Rechazo Ho Posible cointegración Demografía 1,08e-13 Rechazo Ho Posible cointegración Productividad 2,36e-41 Rechazo Ho Posible cointegración Cuadro 8.4: Resultados EG1 Residuos Estadístico de contraste Valor p Hipótesis Conclusión uhat -3,15907 0,5017 No rechazo Ho No cointegración Cuadro 8.5: Residuos EG1 El análisis EG se divide en dos etapas: la primera realiza la regresión cointegrante entre todas las variables incluidas; la segunda contrasta la existencia de raíz unitaria en los residuos que origina el modelo (uhat), que es la pieza clave que interesa de este modelo. En la regresión cointegrante, los valores p permiten rechazar la hipótesis nula (son todos inferiores a 0.05), por tanto, las variables podrían cointegrarse entre ellas a lo largo del tiempo. Por otro lado, los resultados de los residuos señalan un valor p elevado (0.5017), a través del cual no se puede rechazar la hipótesis nula, lo que se traduce en que los residuos mantienen raíz unitaria en el conjunto de variables porque no están cointegrados, son integrados [l(1)] y por tanto, no válidos para continuar con el análisis por conducir a resultados espúreos. Además de estos resultados, el programa estadístico proporciona dos supuestos que hay que contemplar para poder rechazar o no la hipótesis nula de relación cointegrante: el primer supuesto (a) es el que se ha verificado anteriormente a través de las pruebas de raíz unitaria variable por variable (en la que todas las variables mostraron presencia de raíz unitaria); el supuesto (b) hace referencia a la etapa 2 de la regresión, en la que, como se ha visto, la hipótesis nula no se rechaza para los residuos, por lo que no habría evidencia de relación cointegrante. Otra forma de obtener similares resultados se produce analizando directamente el comportamiento de estos residuos, a lo que se dedica el siguiente apartado. Análisis de los residuos Para poder estimar los residuos que produce el modelo, se debe empezar por extraer, a través del modelo de mínimos cuadrados ordinarios (MCO), una regresión en la que se incluyan las cinco variables del modelo, procediendo a guardar los residuos que genera 82 Capítulo 8. Modelo de vectores autorregresivos (VAR) (uhat3). Nótese que el análisis MCO no interesa, sólo sus residuos, los cuales serán el objeto principal de estudio (el estadístico MCO se encuentra en el quinto anexo: Análisis de residuos [.5]). Guardados los residuos, se procede a analizar su comportamiento para determinar si su serie es estacionaria o no estacionaria. Como se ha realizado anteriormente, el primer paso es analizar la gráfica: Figura 8.4: Gráfica variables primera diferencia De ello se observa que, aparentemente, no existe ni constante ni tendencia determinista clara. Pero, pese a la apariencia visual que puede llevar a malas interpretaciones, lo que la teoría indica es que esta serie tiene la característica especial y común que repiten los residuos de mínimos cuadrados ordinarios, en la que los datos están centrados con respecto a 0: por tanto, podemos afirmar que tiene media 0 (media muestral y media poblacional nula), y que, además, nunca podría haber tendencia determinista como ocurre con las series X o Y. El siguiente paso consiste en verificar esta información a través de los test formales de raíz unitaria. Para ello, se recurre nuevamente al test de Dickey-Fuller aumentado y se solicita su contraste (en este caso, escogiendo la modalidad contraste con constante pero sin tendencia -aunque, asintóticamente, la teoría señala que el resultado del contraste será igual de válido escogiendo cualquiera de las opciones, pese a que los resultados finales numéricos puedan ser diferentes-) con 9 retardos, según propone el programa. La siguiente tabla muestra el resumen de los resultados (la gráfica original se encuentra en el quinto anexo: Análisis de residuos [.5]): 8.4. Análisis de cointegración 83 Residuos Estadístico de contraste Valor p Hipótesis Conclusión uhat3 -3,04067 0,03129 Rechazo Ho Cointegración Cuadro 8.6: ADF residuos (uhat3) EG1 Comprobado el significativo valor de p asintótico (0.03129), procede rechazar la hipótesis nula de raíz unitaria al 5 % (al nivel de confianza del 95 %), por tanto, los residuos de la variable estarían cointegrados (estacionarios), lo que implicaría que habría relación de equilibrio a largo plazo entre ellas, y no tienen, por tanto, raíz unitaria. Esto significa que en estas variables existiría al menos una relación de cointegración. Obtenida tal conclusión, ¿por qué del test EG se ha obtenido un resultado opuesto, si el modelo es el mismo? Para dar respuesta, hay que recordar una de las diferencias principales entre el test EG y ADF: su cálculo utilizando los valores de Davidson y MacKinnon, que son los valores que se deben utilizar en el análisis de cualquier serie de residuos creada a partir de otras series originarias -que es lo que realiza directamente el test EG a diferencia de ADF-. Así, acudiendo a los valores correctos de Davidson y MacKinnon2, y atendiendo al estadístico de contraste de los residuos (-3,0406), se afirma que cae en la zona de aceptación, o dicho de otro modo, de no rechazo, por lo tanto, ahora sí, los resultados coinciden con el test EG: los residuos tienen raíz unitaria, no están cointegrados a largo plazo, y no son estacionarios. Al estar analizado el comportamiento de las variables a largo plazo a través de los residuos, obtenido este resultado, la conclusión última implica que las variables no cointegran, no existe cointegración entre ellas, no existe relación de equilibrio a largo plazo entre ellas. En última instancia, es una ecuación espúrea, no correcta. A continuación se analiza el estadístico de cointegración de Johansen, el cual arrojará la decisión final sobre la posible diferenciación o no de las variables. 8.4.2. Contraste de Johansen El contraste de Johansen (1988) forma parte de las pruebas de cointegración más conocidas, especialmente orientada a la utilización posterior del modelo VAR. Para su análisis, incorpora el término de corrección del error (VECM) en el propio modelo, y es precisamente este error el que determina si existe o no cointegración, proporcionando un modelo óptimo para su tratamiento posterior. Para ello, la hipótesis nula contrasta si el rango de la matriz del término de corrección de error es 0 (lo que implica, necesariamente, que 2Con 5 variables (con contraste y tendencia) resulta un valor -4.7154 para un nivel de significación de 0.05. 84 Capítulo 8. Modelo de vectores autorregresivos (VAR) las variables del modelo no están cointegradas); si por el contrario se rechaza la hipótesis nula, se afirma que el rango de corrección del error es distinto de 0, y por tanto, que en las variables puede existir relación de cointegración. En función del resultado que se obtenga, procede realizar el modelo VAR o calcular los errores del modelo VECM. Así: Si del análisis de los rangos las variables no están cointegradas, el modelo VAR óptimo estaría formado por las variables estacionarias añadiendo el término del error que proporciona Johansen. Si por el contrario, existe al menos una relación de cointegración entre las variables, el modelo VAR del que parte Johansen quedaría convertido en un modelo corregido, requiriendo estimar el modelo VECM (y ya no VAR) para el modelo final. Antes de llevarlo a cabo, conviene hallar cuál es el número de retardos óptimo para el modelo VAR3. En este caso, de acuerdo a los criterios de Akaike, Schwarz y Hannan- Quinn, el número de retardos óptimo es 7 (ver resultados en el sexto anexo: Análisis de Johansen [.6]). Para el modelo de Johansen, atendiendo a los criterios que requiere el modelo VECM incluido, el número de retardos a utilizar es de (p-1), por tanto, de 64. Otra decisión que requiere ser tomada es cómo tratar a los términos deterministas del VAR teniendo en cuenta su constante y tendencia: en este caso, se aboga por utilizar el término de constante restringida, considerando que los tipos de interés sean l(1) pero sin deriva ni tendencia. Los resultados (anexo Análisis de Johansen [.6]) indican lo siguiente: Hipótesis Nula (rango) Valor p Aceptación/Rechazo Conclusión No hay (0) cointegración 0,0000 Rechazo Ho Cointegración Al menos hay (1) cointegración 0,0000 Rechazo Ho No (1) cointegración Al menos hay (2) cointegración 0,0013 Rechazo Ho No (2) cointegración Al menos hay (3) cointegración 0,0030 Rechazo Ho No (3) cointegración Al menos hay (4) cointegración 0,2211 Acepto Ho Cointegración Cuadro 8.7: Resumen Johansen Se observa que, en sentido de cointegración en términos de Johansen, existen, al menos, cuatro ecuaciones de cointegración entre las variables, o, dicho de otro modo, que las cinco variables están cointegradas a largo plazo, tienen relación de asociación entre ellas. 3Esta función el programa estadístico Gretl la proporciona directamente a través de la función de «selección del orden del VAR», incluyendo una constante y el máximo número de retardos permitidos. 4Esto se debe a que el modelo de corrección de error (VECM) utiliza siempre el número de retardos óptimos menos 1 (7-1=6). 8.5. Análisis de variables en su primera diferenciación 85 Si las variables de este análisis fueran inicialmente estacionarias (comprobado a través de los test de raíz unitaria), o, al menos, poseyeran raíz unitaria en sus residuos (comprobado a través del test de Engle y Granger), podría continuarse el análisis calculando directamente el modelo VECM. 8.4.3. Resultados del análisis de cointegración El análisis de cointegración resulta imprescindible para conocer el comportamiento de las variables, con el fin de definir el modelo final que mejor se adapte a las características que posean las series temporales. Como se ha comprobado, el test de Johansen señala que existe cointegración entre las variables, lo que supondría poder continuar el análisis hallando el término de error que mantenga constante dicho valor en el conjunto del modelo. Sin embargo, al no cumplir los requisitos necesarios (esto es, o bien ser inicialmente variables estacionarias, o bien, que los residuos que produzca el modelo estén cointegrados), no es posible continuar con el análisis, pues de hacerlo se vulnerarían los supuestos de independencia, media o varianza constante, y los resultados serían, en todo caso, espúreos. Llegados a este punto, no es posible realizar más actuaciones con las variables en su estado original, es preciso corregirlas. A la próxima sección se dedica la primera diferenciación de las variables originarias, repitiendo exactamente el mismo análisis llevado a cabo hasta el momento para verificar su validez. 8.5. Análisis de variables en su primera diferenciación Para realizar la primera diferenciación de las variables es necesario crear nuevas series de cada una de las variables a partir de sus diferencias. Esto se realiza a través de la función de «añadir diferencias». Hecho lo anterior, conviene conocer cuál es el comportamiento (si estacionario o no estacionario) de las nuevas series creadas a partir de la primera diferenciación. De este modo, el objetivo es conocer si las variables iniciales y no estacionarias de partida son integradas [l(1)] o en cambio, son [l(2)]. Para ello, se empieza analizando las series gráficas. 86 Capítulo 8. Modelo de vectores autorregresivos (VAR) Figura 8.5: Gráfica variables total primera diferencia Figura 8.6: Gráfica variables primera diferencia Se comprueba que, de nuevo, no existe una tendencia determinista clara en ninguna serie. En cambio, parece detectarse una tendencia estocástica en las variables productivi- 8.5. Análisis de variables en su primera diferenciación 87 dad y migración. A continuación, se realiza el análisis de autocorrelación, cuyo resumen es el que sigue (los gráficos completos de toda esta sección se encuentran en el séptimo anexo: Primera diferenciación [.7]). Variable Autocorrelación (Q) Migrantes SI PIBpc SI Demografía SI Tasa de empleo SI Productividad SI Cuadro 8.8: Resumen autocorrelación primera diferencia Se continúa analizando el estadístico ADF (Dickey-Fuller aumentado) para verificar si estas variables poseen o no raíz unitaria. En este caso, y vistas las gráficas, se calcula sin incluir ninguna tendencia en el modelo, y con 9 retardos, tal y como propone Gretl. Variable Estadístico de contraste Valor p Decisión Conclusión PIBpc -1.9604 0.0478 Rechazo Ho Integrada l(1) Inmigrantes -0.8019 0.3688 Acepto Ho No integrada l(1) Empleo -0.8002 0.3696 Acepto Ho No integrada l(1) Demografía -0.6719 0.4263 Acepto Ho No integrada l(1) Productividad -8.06399 3.208e-14 Rechazo Ho Integrada l(1) Cuadro 8.9: Resultados ADF primera diferencia También se calcula el estadístico KPSS, cuyos resultados son los que siguen. Variable Valor p Decisión Conclusión PIBpc < 0.01 Rechazo Ho No integrada l(1) Inmigración > 0.10 Acepto Ho Integrada l(1) Empleo < 0.01 Rechazo Ho No integrada l(1) Demografía 0.012 Rechazo Ho No integrada l(1) Productividad > 0.10 Acepto Ho Integrada l(1) Cuadro 8.10: Resultados KPSS primera diferencia Nótese que los resultados entre ADF y KPSS difieren. Sin embargo, según se indicó anteriormente, prevalece el estadístico KPSS, el cual, además, concuerda con las primeras 88 Capítulo 8. Modelo de vectores autorregresivos (VAR) impresiones visuales obtenidas a través de las gráficas. Por tanto, a través de la primera diferenciación se ha conseguido que dos de las cinco variables del modelo sean estacionarias (algo que, aunque positivo, puede resultar insuficiente). Por ello, se continúa hallando el contraste de cointegración de Engle y Granger, para verificar si, aunque no todas las variables estén integradas, puede existir en sus residuos un comportamiento cointegrado que permita continuar con el análisis. Los resultados completos se encuentran en séptimo anexo: Primera diferenciación [.7]. Variable Valor p Decisión Conclusión Inmigrantes 0,6228 No rechazo Ho No cointegración Empleo 3,21e-45 Rechazo Ho Posible cointegración Demografía 4,97e-88 Rechazo Ho Posible cointegración Productividad 5,48e-43 Rechazo Ho Posible cointegración Cuadro 8.11: Resultados EG primera diferencia Residuos Estadístico de contraste Valor p Hipótesis Conclusión uhat -2,16715 0,9115 No rechazo Ho No cointegración Cuadro 8.12: Residuos EG primera diferencia En la primera regresión cointegrante, los valores p permiten rechazar la hipótesis nula (son todos inferiores a 0.05 excepto migración). Los residuos señalan un valor p muy elevado (0.9115), a través del cual, nuevamente, no se puede rechazar la hipótesis nula, lo que significa que los residuos mantienen raíz unitaria en el conjunto de variables, y por tanto, no presentan entre ellos relación cointegrante que permita continuar con el análisis. Con estos resultados, al no obtener ni variables estacionarias ni cointegración de residuos en términos de EG, se prescinde de realizar el test de Johansen (como se ha visto, aunque se consiguieran resultados positivos, no podría continuarse con el análisis). Resultados de la primera diferenciación A la vista de los resultados obtenidos, se comprueba que, aunque la primera diferenciación ha conseguido que 2 variables sean estacionarias, esto no ha sido suficiente. Como el test de Engle y Granger tampoco ampara la continuación del análisis, la siguiente sección está dedicada al análisis de las series en su segunda diferenciación, manteniendo la esperanza de obtener mejor fortuna. 8.6. Análisis de variables en su segunda diferenciación 89 8.6. Análisis de variables en su segunda diferenciación En este apartado, se repiten los análisis realizados en la anterior sección pero a partir de las series de datos obtenidas en la segunda diferenciación de las variables. Para ello, se empieza analizando las gráficas temporales. Figura 8.7: Gráfica variables segunda diferencia Aparentemente, las gráficas arrojan luz positiva: ninguna serie posee tendencia determinista y todos los valores de las series se sitúan cercanos al cero, condiciones características de las series estacionarias. A continuación, se presenta el resumen del análisis del test de correlación (los resultados completos de esta sección se encuentran en el octavo anexo: segunda diferenciación [.8]). 96 Capítulo 8. Modelo de vectores autorregresivos (VAR) Por otro lado, la variable tasa de empleo arroja resultados significativos en PIBpc y migración, lo cual conduce a afirmar la efectiva relación entre ellas y su sensibilidad a los cambios que sucedan. Mantiene un R-cuadrado elevado, de 0,96, y el estadístico Durbin- Watson es positivo (2,12) -y el más elevado de todas las ecuaciones-, permitiendo no rechazar la hipótesis nula de autocorrelación igual a 0. Por último, la variable productividad mantiene relación con las variables migración y empleo. Su R-cuadrado es el más alto de todas las regresiones (0,98), y el estadístico de Durbin-Watson (1,69) lo sitúa en el umbral de incertidumbre según los valores de DW, el cual no permite ni rechazar ni no rechazar la hipótesis nula, aunque cabe tener en cuenta, como se aprecia, que su valor está mucho más próximo a la zona de no rechazo que a la de rechazo. Por tanto, se puede resumir que sobre la variable PIBpc sí afectan los cambios que se produzcan en la variable migración; sobre la variable migración, no afecta ninguna de las restantes variables del modelo; sobre la variable tasa de empleo pesan los cambios que se produzcan en PIBpc y migración, y sobre la variable productividad influyen las variables migración y tasa de empleo. A través de los estadísticos de Durbin-Watson, las cuatro regresiones pueden ser válidas por situarse sus valores en la zona de no rechazo de la hipótesis nula (esto es, autocorrelación igual a 0), o por situarse en la zona de incertidumbre, de no rechazo ni rechazo. Sin embargo, recordando la definición del término espúreo, se comprueba que efectivamente estos resultados poseen en la mayor parte de los casos estadísticos Durbin-Watson inferiores a 2, lo que conduce a mantener serias dudas sobre la validez del modelo. Por ello, además del análisis realizado, el modelo VECM permite comprobar su validez recurriendo a otros test incorporados, como lo son el contraste de heteroscedasticidad (ARCH) y el test de normalidad de residuos. Prueba de heteroscedasticidad ARCH El test ARCH ostenta la hipótesis nula de que existe en el modelo residuos homoscedásticos (por tanto, no heteroscedásticos). Nótese que, para que el modelo sea válido, las variables tienen que presentar un comportamiento homoscedástico, esto es, varianza constante, uno de los requisitos imprescindibles para la estacionariedad. 8.7. Modelo de corrección del error (VECM) 97 Figura 8.9: Resultados ARCH Se observa que, de acuerdo con los resultados obtenidos, no se puede rechazar la hipótesis nula, por tanto, se puede afirmar que las regresiones presentan carácter homoscedástico (presentan varianza constante). Análisis de normalidad de distribución de los residuos Esta prueba se realiza a través del estadístico de Doornik-Hansen, cuya hipótesis nula afirma la efectiva normalidad, que es la situación deseada para poder defender la validez del modelo. Figura 8.10: Resultados normalidad Se observa que el valor p es considerablemente alto (0,6013), por lo que no se puede rechazar (y por tanto, se acepta) la hipótesis nula de distribución normal de los residuos. Resultados prueba VECM En esta sección, y contra todo pronóstico, se ha podido dar respuesta al objeto de análisis de este trabajo, confirmando que el modelo final no presenta problemas de heteroscedasticidad o ausencia de normalidad. Obtener errores de este tipo, daría lugar directamente a afirmar que los resultados son espúreos y no deberían de tener mayor repercusión, más allá de su mejora y cuidado. 98 Capítulo 8. Modelo de vectores autorregresivos (VAR) Con todo, y pese a los resultados positivos obtenidos, cabe tener en cuenta que el análisis efectuado en la segunda diferenciación de las variables no puede gozar, y de hecho, no goza, de la misma calidad que se obtendría de realizar el mismo análisis en las variables originarias (si estas fueran, en todo caso, estacionarias). Esta situación, junto con valores de Durbin y Watson no concluyentes, conduce a la necesidad de tener sumo cuidado en la interpretación de los resultados, teniendo presente que, a la vista de las pruebas realizadas, no gozan plenamente de los supuestos requeridos para su buen funcionamiento. Por otra parte, los resultados obtenidos en las regresiones, especialmente en las variables de migración y PIBpc, que, recuérdese, forman las dos variables iniciales del modelo, no permiten dar respuesta a parte de las respuestas planteadas, a salvo de que permiten tímidamente afirmar que sí existe relación de la variable migración en el PIBpc. Esto significa que, para poder buscar las respuestas correctas, es necesario reformular la teoría de investigación al completo, y, en todo caso, aumentar la muestra y el número de observaciones para evitar topar con los límites de los estadísticos por falta de grados de libertad. Pese a lo anterior, y a la vista de haber podido llegar al modelo final, superando las dificultades adheridas y tan características de las series temporales, se continúa con la siguiente y última sección de este capítulo, en la que se realiza un pequeño análisis predictivo de impulso-respuesta (sin intención de tener pretendida rigurosidad). 8.8. Análisis de impulso respuesta Este análisis tiene por objeto representar el impacto que causa un shock (que es del tamaño de una desviación típica) en la innovación estructural de las restantes variables del modelo. En otras palabras, su sentido radica en ejemplarizar cuál es el comportamiento de cada una de las variables después de un cambio producido en cada una de las restantes (o, dicho de otro modo, predecir cómo responden a los impulsos, esto es, los cambios que se produce en otra variable). Este tipo de análisis resultan especialmente interesantes para estimar el comportamiento futuro de las variables introducidas, utilizándose habitualmente para la predicción de fenómenos complejos (aunque en este trabajo, como ya se ha mencionado, no tienen dicha intención, solamente la de ejemplificar al lector su posible uso). Su estimación se realiza a partir de los datos que proporciona por el modelo VECM, presentándose los resultados de diferentes formas, siendo especialmente llamativa la combinación de gráficas. 8.8. Análisis de impulso respuesta 99 Figura 8.11: Análisis impulso respuesta De las gráficas se observa que sus resultados no gozan de gran contundencia, pero, pese a ello, hay series que llaman especialmente la atención: por ejemplo, el cambio que se produce en la variable migración debido a las variaciones producidas en las variables productividad y tasa de empleo. Por otra parte, las gráficas que hacen referencia a los cambios que se producen entre el PIBpc o en migración no son visualmente concluyentes. Otra forma de reflejar esta información, no tan intuitiva, es en la que se detallan numéricamente cada una de las respuestas esperadas debido a los cambios producidos en cada una de las variables (ver gráfica en el décimo anexo análisis impulso-respuesta [.10]). 100 Capítulo 8. Modelo de vectores autorregresivos (VAR) 8.9. Resultados Del análisis estadístico realizado en todo el capítulo, se desglosan a continuación las decisiones y conclusiones más relevantes que se han tomado a la vista de los datos. 1. En primer lugar, se ha analizado la estacionariedad de las variables originarias (gráficas temporales, correlogramas y test Ljung-Box, ADF y KPSS). Al no ser estacionarias, se ha calculado el estadístico de Engle y Granger procurando obtener posible cointegración que permitiese continuar con el análisis, asimilado a una situación de estacionariedad entre todas las variables. Como no se han obtenido ni variables estacionarias ni cointegración residual, no se ha podido proceder a través del test de Johansen, pese a que estos resultados sí fueron positivos. 2. Se ha repetido el análisis en la primera diferenciación de las variables, sin éxito. 3. Se ha repetido el análisis en la segunda diferenciación, y es en este punto en el que se han obtenido variables estacionarias [l(2)] que han permitido la continuación del análisis pese a que el estadístico de EG continuó sin ser determinante. Únicamente la variable demografía no cumplió los requisitos de estacionariedad, por lo que se ha decidido eliminar del modelo. 4. Posteriormente, se ha analizado la posible existencia de cointegración entre las variables a lo largo del tiempo a través del test de Johansen, calculando a su vez la estacionariedad de los residuos a través del estadístico ADF (y no EG), por ser requisito imprescindible para poder continuar con el cálculo del modelo. 5. Al hallarse, en términos de Johansen, cointegración, se ha procedido a estimar el modelo VECM, comprobando su validez a través de los test ARCH y de normalidad de los residuos, arrojando nuevamente resultados positivos. 6. Por último, se ha estimado el análisis de impulso respuesta. De todos los pasos realizados se llega a una conclusión clara: por la condición no estacionaria de las variables y su consecuente sometimiento a transformación hasta la segunda diferenciación, además de al eliminar una variable clave en el modelo, los resultados que se han podido obtener han perdido una considerable capacidad de análisis rigurosa, por lo que los datos aquí mostrados no deben de considerarse finales. De este modo, el análisis concluye que no existe entre la variable migración y PIBpc una relación clara, y de hecho, según estos resultados, ninguna de las variables propuestas en el modelo tiene una incidencia especial sobre el PIBpc, algo que no corresponde con la realidad -obviamente, la 8.9. Resultados 101 tasa de empleo o la productividad son determinantes en el comportamiento del PIBpc-, lo cual permite afirmar, en definitiva, la necesidad de volver a configurar el modelo. En este punto, también cabe reflexionar sobre las razones que han podido influir para no conseguir el resultado deseado, siendo las causas más habituales tanto la posible escasa muestra de datos que imposibilita parte de los análisis estadísticos ofreciendo seguridad en sus resultados, como el mal planteamiento del modelo por falta de variables fundamentales que expliquen efectivamente el comportamiento del PIBpc. Esta segunda cuestión es, desde luego, un hecho que no se conoce solamente cuando ya se ha realizado el precedente análisis, sino que es una condición que ha estado latente desde que se ha construido la teoría del trabajo: existen numerosas variables determinantes en el comportamiento del PIBpc, que no se han incluido en esta aproximación por razones de extensión y dificultad, y por procurar centrar el análisis de forma preferente en las variables migración y PIBpc. En definitiva, con lo realizado se ha podido llegar al modelo final, cuyos resultados, aunque no sean concluyentes por no poseer las variables de todas las características deseadas, pueden permitir sentar una base de condiciones y características útiles para la continuación y perfeccionamiento de estudios académicos ligados a los movimientos migratorios, que es, en definitiva, el objeto de análisis de este trabajo. En el capítulo siguiente, como parte final del análisis estadístico, se presenta un breve análisis regresivo siguiendo una metodología diferente (ARDL). 102 Capítulo 8. Modelo de vectores autorregresivos (VAR) Capítulo 9 Modelo autorregresivo de retardos distribuidos (ARDL) 9.1. Introducción El modelo ARDL, conocido así por sus siglas en inglés Autoregressive Distributed Lag Model, hace referencia a un modelo autorregresivo con retardos distribuidos, utilizado habitualmente para trabajar con series temporales. La clave de su técnica radica en que, al igual que el modelo VAR, funciona de modo autorregresivo, de forma que los valores de una variable se explican por los residuos de su propia serie temporal. Pero, a diferencia del modelo VAR, la prueba ARDL especifica previamente la posición de las variables en el modelo, de modo que representa un tipo de regresión -más comúndonde la variable dependiente y los regresores están previamente determinados. En este caso, la variable dependiente es PIBpc, siendo las 3 variables restantes del modelo independientes. Del mismo modo, su semejanza con el modelo VAR implica que, para que pueda ser utilizado correctamente, es necesario conocer el comportamiento de las variables y establecer, de ser necesario, el término de error correcto para eliminar posibles estimaciones sesgadas en los coeficientes: así, si las variables son originalmente estacionarias l(0) y sus residuos no están autocorrelacionados, su cálculo se puede realizar directamente a partir del cálculo de mínimos cuadrados ordinarios (MCO); en cambio, si existe autocorrelación, se debe hallar el término de error y asegurarse de que el mismo no tenga a su vez autocorrelación. Para poder estimar el modelo ARDL, por tanto, es necesario realizar parte de los pasos ya efectuados en el capítulo anterior: En primer lugar, hallar a través de los test de raíz unitaria (ADF y KPSS) el término de 103 104 Capítulo 9. Modelo autorregresivo de retardos distribuidos (ARDL) cointegración entre las variables -o, dicho de otro modo, estimar el número de veces que las variables tienen que ser diferenciadas para hacerlas estacionarias-. En este trabajo, como se ha demostrado, existen 4 variables [l(2)]. Posteriormente, se debe comprobar el comportamiento de los residuos de la regresión de cointegración a través del test EG: si los residuos no mantienen raíz unitaria (están cointegrados) se puede calcular el modelo final incluyendo el término de error; en caso contrario, como sucede en este trabajo, no es necesario hallar el término de error -pues nos encontramos en un escenario de 4 variables estacionarias que no tienen entre sí residuos correlacionados-. Al poseer el modelo 4 variables estacionarias, sin cointegración según el test de Engle y Granger, se procede a calcular el modelo a través de mínimos cuadrados ordinarios (MCO) sin más complicaciones, tomando las siguientes decisiones: 1. Se añade la variable PIBpc, en su segunda diferenciación, con un retardo. 2. Se añaden las restantes variables regresoras (independientes), en su segunda diferenciación, también con un retardo (migración, empleo y productividad). 3. Se elimina el término constante del modelo. Como último paso, se procede a comprobar los resultados y la validez del modelo a través de los test de autocorrelación, heteroscedasticidad y normalidad. Al análisis del modelo final a través del método de mínimos cuadrados ordinarios se dedica la siguiente sección. 9.2. Análisis del modelo Conocidos los resultados que se han obtenido en el capítulo anterior (esto es, 4 variables [l(2)] y residuos no correlacionados según el test EG), y siguiendo los pasos especificados, se obtiene de calcular el MCO las siguientes conclusiones (los estadísticos completos de este capítulo se encuentran en el onceavo anexo: Análisis ARDL [.11]). Variable Coeficiente valor p Conclusión Migración 1,47810e-07 0,0143 Relación Empleo 24,3819 0,0089 Relación Productividad 0,986757 0,0081 Relación Cuadro 9.1: Análisis del modelo de retardos distribuidos autorregresivos (ARDL) 9.3. Resultados 105 De los resultados obtenidos se observa que todas las variables independientes influyen en la variable PIBpc. El resultado de R-cuadrado es sorprendentemente bajo, si se compara con los resultados del modelo VECM: arroja un resultado de 0,469019, lo que puede implicar, a modo de ejemplo, que un cambio en las variables independientes produce casi un 47 % de cambio en la variable de PIBpc, dato que coincide con los antecedentes conocidos sobre la realidad económica. El estadístico de Durbin-Watson (2,180451) se sitúa en la zona de no rechazo, lo que conduce a afirmar que el modelo es considerablemente sólido por no poseer problema de autocorrelación. Para verificar la validez del modelo, también se realizan las pruebas que propone directamente Gretl. En primer lugar, se analiza la posible autocorrelación a través de la prueba LM Breusch-Pagan: según el test Ljung-Box Q, el valor p es significativamente alto (0,823) por lo que se acepta la hipótesis nula de no autocorrelación; el test ARCH confirma la homoscedasticidad de la regresión al no poder rechazar su hipótesis nula (p igual a 0,971669), y el test de normalidad arroja un resultado que permite confirmar la validez del modelo con un nivel de significación del 0.05 (0,07175). 9.3. Resultados El modelo ARDL realizado arroja principalmente la siguiente conclusión: con los datos presentes y con la metodología aplicada, se puede afirmar que existe entre las variables PIBpc y migración cierta relación de asociación, y a su vez, entre el conjunto del modelo añadiendo las variables de control empleo y productividad. A pesar de ello, y teniendo en cuenta la transformación que han tenido que sufrir las variables para que puedisen ser utilizadas hasta su segunda diferenciación, estos resultados no deben de entenderse como definitivos, sino que deben interpretarse con el afán de sentar una pequeña base de partida que permita su continuación en estudios posteriores, ampliando el número de variables determinantes y el número de observaciones. 112 tampoco implica en ningún caso obviar o no tener en cuenta las bases teóricas de partida acuñadas por las instituciones y academias, pues estas proporcionan una previa formulación teórica que validan y retroalimentan las investigaciones empíricas que se realizan. Y justamente en mantener el equilibrio entre ambas técnicas puede residir el éxito. En esta misma línea, conviene también tener presente las condiciones que ostenta España en comparación con otros países, sobre todo en cuanto a la comparación de trabajos científicos que se realizan sobre otros casos cuyas características son diferentes y cuya inferencia, por tanto, no es recomendable. España presenta desde hace décadas -desde los años 80 del siglo XX-, un acusado déficit demográfico, con tasas de natalidad muy bajas en términos comparativos y con una elevada esperanza de vida, lo que hace que las personas mayores aumenten considerablemente en número y en proporción (Defensor del Pueblo, 2018). Si se pretende que el Estado de Bienestar, tal y como se conoce, continúe funcionando para las siguientes generaciones, es necesario reformular con urgencia la estrategia a seguir, teniendo en este caso muy presentes los efectos de la inmigración, flujos que contribuyen de forma directa a que la tasa de crecimineto total de la población española no sea, cada vez, más reducida. En definitiva, conocer y entender los efectos de los movimientos migratorios contribuye a realizar políticas públicas más acertadas. Y acercar dicho conocimiento a la población potencia críticas más informadas, situación que acabaría por reflejarse, en última instancia, en la percepción que se tiene de los inmigrantes. 113 Referencias 115 Referencias Anaya, S. M., Béjar, J. L. R., y Bautista, F. J. (2017). Diagnóstico de factores de riesgo del rechazo social a inmigrantes en un municipio del poniente almeriense según un modelo logit. Revista de Paz y Conflictos,10(2), 235–263. Assembly United Nations, U. (2016). Agreement concerning the relationship between the united nations and the international organization for migration. 70th session, UN document A/70/976,8. Bloom, D. E., Sachs, J. D., Collier, P., y Udry, C. (1998). Geography, demography, and economic growth in africa. Brookings papers on economic activity,1998(2), 207– 295. Casado Francisco, M., Rabanal, G., de la Concepción, M., Molina Sánchez, L., y Oyarzun de Laiglesia, J. (2005). Análisis económico de la inmigración en españa: una propuesta de regulación. Consejo Económico y Social, C. (2019). Informe 02/2019. la inmigración en españa: efectos y oportunidades. Autor. D’Ancona, M. Á. C. (2002). La medición de las actitudes ante la inmigración: evaluación de los indicadores tradicionales deracismo". Reis, 87–111. Defensor del Pueblo, D. (2018). La situación demográfica en españa. Defensor del Pueblo, 113. Guisán, M. C., y cols. (2002). Causalidad y cointegración en modelos econométricos: aplicaciones a los países de la ocde y limitaciones de los tests de cointegración. University of Santiago de Compostela Working Paper Series Economic Development, 61. Gujarati, D. (2012). Econometrics by example. Macmillan. International Organization of Migration, I. (2018). Global migration indicators 2018. Global Migration Data Analysis Centre-IOM Berlin. Labour Migration Branch, I. (2015). Ilo global estimates on migrant workers: Results and methodology. Geneva: International Labour Organisation (ILO). Landau, L. B., y Achiume, E. T. (2017). International migration report 2015: Highlights. Development and Change,48(5), 1182–1195. Matés, R. M. V., López, X. P., y Vila, M. C. (2019). Medición del aporte de los inmigrantes al crecimiento económico: Algunos comentarios sobre la descomposición aditiva del producto interior bruto per cápita//immigration economic growth contribution measurement to economic growth: Some comments on the ad. Revista de Métodos Cuantitativos para la Economía y la Empresa,27, 166–187. 116 OECD, y Organization, I. L. (2018). Cómo los inmigrantes contribuyen a la economía de los países en desarrollo. Descargado de https://www.oecd-ilibrary .org/content/publication/9789264291904-es doi: https://doi.org/https://doi.org/ 10.1787/9789264291904-es Organización Internacional para las Migraciones, O. (2006). Glosario sobre migración. Derecho Internacional sobre Migración(7), 1–92. Organización Internacional para las Migraciones, O. (2019). Glossary on migration. IML Series(34). Organización Internacional para las Migraciones, O. (2020). Informe sobre las migraciones en el mundo 2020. Organizacion Internacional para las Migraciones. Oyarzun, J. (2008). Causas y efectos económicos de la inmigración. un análisis teóricoempírico. Papeles del este,17, 4–20. Popova, N., y Özel, M. H. (2018). Ilo global estimates on international migrant workers: Results and methodology. International Labour Office. Sebastián, M. (2006). Inmigración y economía española: 1996-2006. Oficina Económica del Presidente del Gobierno. Madrid. Seers, D., Schaffer, B., y Kiljunen, M.-L. (1981). La europa subdesarrollada: estudios soble las relaciones centro-periferia. H. Blume. Serrano, M. d. P. P. (2019). El pacto mundial sobre los refugiados:: límites y contribución a la evolución del derecho internacional de los refugiados. Revista electrónica de estudios internacionales (REEI)(38), 2. Silva, C., Ramsenia, A., y Martínez, A. (2018). Migración: retos y oportunidades desde la perspectiva de los objetivos de desarrollo sostenible (ods). RETOS. Revista de Ciencias de la Administración y Economía,8(16), 109–120. United Nations, U. (2013). Trends in international migrant stock: migrants by destination and origin. United Nations. United Nations Statistics Division, U. (1998). Recommendations on statistics of international migration revision 1. United Nations New York. United Nations Statistics Division, U. (2017). Handbook on measuring international migration through population censuses. United Nations,48. United Nations Statistics Division, U. (2018). Demographic yearbook. Statistical Dissemination Section, New York. Verdugo Matés, R. M. (2017). La política española de inmigración y los intereses económicos de españa en el extranjero. Papeles de población,23(93), 127–150. 117 Anexos 119 .1. Autocorrelación 121 .1. Autocorrelación A continuación se muestran las gráficas correspondientes al análisis de autocorrelación Q efectuado sobre las series originarias. Figura 1: Correlograma PIBpc originario Figura 2: Correlograma (2) PIBpc originario 128 Figura 13: ADF migración (constante) .2. Dickey-Fuller aumentado (ADF) 129 Figura 14: ADF migración (constante y tendencia) 130 Figura 15: ADF empleo (constante) .2. Dickey-Fuller aumentado (ADF) 131 Figura 16: ADF empleo (constante y tendencia) 132 Figura 17: ADF demografía (constante) .2. Dickey-Fuller aumentado (ADF) 133 Figura 18: ADF demografía (constante y tendencia) 134 Figura 19: ADF productividad (constante) .2. Dickey-Fuller aumentado (ADF) 135 Figura 20: ADF productividad (constante y tendencia) 136 .3. KPSS Este capítulo recopila los resultados correspondientes al análisis KPSS de las variables originarias. Figura 21: KPSS PIB .3. KPSS 137 Figura 22: KPSS migración Figura 23: KPSS empleo 144 .7. Primera diferenciación Correlogramas En primer término se presentan los resultados de los correlogramas de las variables en su primera diferencia. Figura 33: Correlograma PIB primera diferencia Figura 34: Correlograma PIB primera diferencia (2) .7. Primera diferenciación 145 Figura 35: Correlograma migración primera diferencia Figura 36: Correlograma migración primera diferencia (2) 146 Figura 37: Correlograma empleo primera diferencia Figura 38: Correlograma empleo primera diferencia (2) .7. Primera diferenciación 147 Figura 39: Correlograma demografía primera diferencia Figura 40: Correlograma demografía primera diferencia (2) 148 Figura 41: Correlograma productividad primera diferencia Figura 42: Correlograma productividad primera diferencia (2) .7. Primera diferenciación 149 Análisis ADF A continuación se presentan los resultados del test ADF de las variables en su primera diferenciación. Figura 43: ADF PIB (primera diferencia) 150 Figura 44: ADF migración (primera diferencia) .7. Primera diferenciación 151 Figura 45: ADF empleo (primera diferencia) 152 Figura 46: ADF demografía (primera diferencia) .7. Primera diferenciación 153 Figura 47: ADF productividad (primera diferencia)