Vol. 12/ Núm. 1 2025 pág. 154
https://doi.org/10.69639/arandu.v12i1.591
La delincuencia y su incidencia en el crecimiento económico,
un análisis del caso ecuatoriano
Crime and its impact on economic growth, an analysis of the Ecuadorian case
Victor Hugo Calle Armijos
vcallea2@unemi.edu.ec
https://orcid.org/0009-0006-7982-6463
Universidad Estatal de Milagro
Milagro – Ecuador
Artículo recibido: 20 diciembre 2024 - Aceptado para publicación: 26 enero 2025
Conflictos de intereses: Ninguno que declarar
RESUMEN
El documento analiza la relación entre delincuencia y crecimiento económico en Ecuador,
utilizando el PIB per cápita como variable dependiente y tasas de desempleo, pobreza, homicidios
e inflación como explicativas, abarcando el periodo 2003-2023. A partir de análisis
econométricos, como pruebas de estacionariedad (ADF y KPSS), se identificó que las series de
PIB per cápita y tasa de pobreza son estacionarias en segundas diferencias, mientras que las tasas
de desempleo, homicidios e inflación son estacionarias en niveles. La regresión lineal múltiple
aplicada revela que el modelo explica el 72.25% de la variabilidad del PIB per cápita en segundas
diferencias, con resultados significativos para la tasa de inflación (relación positiva) y
marginalmente significativos para las tasas de desempleo y pobreza (ambas negativas). La tasa
de homicidios no mostró un impacto estadísticamente significativo. El análisis concluye que el
desempleo y la pobreza tienen un efecto negativo sobre el crecimiento económico, mientras que
la inflación, en ciertos contextos, puede estimular la economía. Por otro lado, la falta de
significancia de la tasa de homicidios sugiere una relación más compleja o indirecta con el
crecimiento económico. El modelo cumple los supuestos de normalidad, homocedasticidad y
ausencia de autocorrelación, lo que refuerza su validez. Este estudio destaca la necesidad de
políticas multidimensionales que combinen mejoras en educación, empleo y control de la
delincuencia para promover un desarrollo económico sostenido.
Palabras clave: crecimiento económico, delincuencia, pib per cápita, regresión múltiple
ABSTRACT
The document analyzes the relationship between crime and economic growth in Ecuador, using
GDP per capita as a dependent variable and unemployment, poverty, homicide and inflation rates
as explanatory, covering the period 2003-2023. Based on econometric analyses, such as
Vol. 12/ Núm. 1 2025 pág. 155
stationarity tests (ADF and KPSS), it was identified that the GDP per capita and poverty rate
series are stationary in second differences, while the unemployment, homicide and inflation rates
are stationary in levels. The multiple linear regression applied reveals that the model explains
72.25% of the variability of GDP per capita in second differences, with significant results for the
inflation rate (positive relationship) and marginally significant for the unemployment and poverty
rates (both negative). The homicide rate did not show a statistically significant impact. The
analysis concludes that unemployment and poverty have a negative effect on economic growth,
while inflation, in certain contexts, can stimulate the economy. On the other hand, the lack of
significance of the homicide rate suggests a more complex or indirect relationship with economic
growth. The model meets the assumptions of normality, homoscedasticity and absence of
autocorrelation, which reinforces its validity. This study highlights the need for multidimensional
policies that combine improvements in education, employment and crime control to promote
sustained economic development.
Keywords: economic growth, crime, GDP per capita, multiple regression
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
stationarity tests (ADF and KPSS), it was identified that the GDP per capita and poverty rate
series are stationary in second differences, while the unemployment, homicide and inflation rates
are stationary in levels. The multiple linear regression applied reveals that the model explains
72.25% of the variability of GDP per capita in second differences, with significant results for the
inflation rate (positive relationship) and marginally significant for the unemployment and poverty
rates (both negative). The homicide rate did not show a statistically significant impact. The
analysis concludes that unemployment and poverty have a negative effect on economic growth,
while inflation, in certain contexts, can stimulate the economy. On the other hand, the lack of
significance of the homicide rate suggests a more complex or indirect relationship with economic
growth. The model meets the assumptions of normality, homoscedasticity and absence of
autocorrelation, which reinforces its validity. This study highlights the need for multidimensional
policies that combine improvements in education, employment and crime control to promote
sustained economic development.
Keywords: economic growth, crime, GDP per capita, multiple regression
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 12/ Núm. 1 2025 pág. 156
INTRODUCCIÓN
La relación entre el crecimiento económico y la violencia constituye un tema controvertido
y complejo; existen estudios en los que se encuentra una relación positiva entre la violencia y el
crecimiento económico; sin embargo, existen otros estudios, en los cuales se determina una
relación negativa o ninguna relación entre ambas variables. (Pérez Molina, Echeverria Bravo, &
Vega Granda, 2024). Este debate resalta la necesidad de examinar de manera más precisa los
factores específicos que conectan estas dos dimensiones, especialmente en contextos particulares
como el caso ecuatoriano.
Por ejemplo, Ríos (2016) analiza el impacto de la criminalidad y la violencia sobre el
crecimiento económico, encuentra que un aumento en el número de organizaciones criminales,
en la tasa de homicidios o en la violencia relacionada con las pandillas disminuye la
diversificación económica, aumenta la concentración industrial y disminuye la complejidad
económica, lo cual afecta el crecimiento económico.
Respecto a la conexión entre desigualdad, criminalidad y violencia, también hay doble
causalidad ya que, en este caso, tanto la desigualdad como la pobreza -no así por sí solas- hacen
aumentar la violencia y la criminalidad. El resultado es incompatible también con un descenso
sostenido de la desigualdad y la pobreza, ya que los beneficios reales de la criminalidad y la
acumulación de actividades ilícitas se distribuyen de un modo que no conlleva la consiguiente
distribución de la riqueza en la sociedad (Madrueño, 2016).
La criminalidad y la violencia provocan perjuicios a la actividad de una economía porque
aumenta la inseguridad de tal modo que entorpece la inversión, el consumo y la producción, a su
vez con efectos adversos en el crecimiento económico y el bienestar de la población en su
conjunto. De esta forma, cuando hay un desprestigio también en el ámbito internacional de
cualquier país donde la ley no termina de imponerse, ese país pierde el atractivo en la llegada de
capitales. (Hernandez & Narro, 2010)
Por otro lado, la Oficina de las Naciones Unidas contra la Droga y el Delito (2020) advierte
que la relación entre el desempleo, la economía informal y las organizaciones delictivas no es
ajena en la creación y la aplicación de estrategias y planes de reapertura y de reactivación
económica que, simultáneamente y en la medida de lo posible, minimicen, contrarrestando en el
sentido inverso, sus efectos dañinos; con todo. En el mismo sentido, la delincuencia puede derivar
en una disminución de la inversión, dado que los emisores, a veces, pueden tener menor voluntad
de invertir en aquellos países donde el riesgo de sufrir pérdidas financieras o daños a su
patrimonio pueda verse aumentado para dar como resultado la disminución del consumo y la
agregación de la demanda.
En términos metodológicos, la falta de datos históricos sobre delincuencia es lo que ha
contribuido a la relativa escasez de estudios en los que se estudie la relación entre desempeño
INTRODUCCIÓN
La relación entre el crecimiento económico y la violencia constituye un tema controvertido
y complejo; existen estudios en los que se encuentra una relación positiva entre la violencia y el
crecimiento económico; sin embargo, existen otros estudios, en los cuales se determina una
relación negativa o ninguna relación entre ambas variables. (Pérez Molina, Echeverria Bravo, &
Vega Granda, 2024). Este debate resalta la necesidad de examinar de manera más precisa los
factores específicos que conectan estas dos dimensiones, especialmente en contextos particulares
como el caso ecuatoriano.
Por ejemplo, Ríos (2016) analiza el impacto de la criminalidad y la violencia sobre el
crecimiento económico, encuentra que un aumento en el número de organizaciones criminales,
en la tasa de homicidios o en la violencia relacionada con las pandillas disminuye la
diversificación económica, aumenta la concentración industrial y disminuye la complejidad
económica, lo cual afecta el crecimiento económico.
Respecto a la conexión entre desigualdad, criminalidad y violencia, también hay doble
causalidad ya que, en este caso, tanto la desigualdad como la pobreza -no así por sí solas- hacen
aumentar la violencia y la criminalidad. El resultado es incompatible también con un descenso
sostenido de la desigualdad y la pobreza, ya que los beneficios reales de la criminalidad y la
acumulación de actividades ilícitas se distribuyen de un modo que no conlleva la consiguiente
distribución de la riqueza en la sociedad (Madrueño, 2016).
La criminalidad y la violencia provocan perjuicios a la actividad de una economía porque
aumenta la inseguridad de tal modo que entorpece la inversión, el consumo y la producción, a su
vez con efectos adversos en el crecimiento económico y el bienestar de la población en su
conjunto. De esta forma, cuando hay un desprestigio también en el ámbito internacional de
cualquier país donde la ley no termina de imponerse, ese país pierde el atractivo en la llegada de
capitales. (Hernandez & Narro, 2010)
Por otro lado, la Oficina de las Naciones Unidas contra la Droga y el Delito (2020) advierte
que la relación entre el desempleo, la economía informal y las organizaciones delictivas no es
ajena en la creación y la aplicación de estrategias y planes de reapertura y de reactivación
económica que, simultáneamente y en la medida de lo posible, minimicen, contrarrestando en el
sentido inverso, sus efectos dañinos; con todo. En el mismo sentido, la delincuencia puede derivar
en una disminución de la inversión, dado que los emisores, a veces, pueden tener menor voluntad
de invertir en aquellos países donde el riesgo de sufrir pérdidas financieras o daños a su
patrimonio pueda verse aumentado para dar como resultado la disminución del consumo y la
agregación de la demanda.
En términos metodológicos, la falta de datos históricos sobre delincuencia es lo que ha
contribuido a la relativa escasez de estudios en los que se estudie la relación entre desempeño
Vol. 12/ Núm. 1 2025 pág. 157
económico y delincuencia bajo la perspectiva de series de tiempo. En particular, Quiroz et al
(2015) utilizando las herramientas de análisis de series de tiempo, deducen que, en el largo plazo,
la actividad económica (evaluada bajo el Índice General de Actividad Económica, IGAE)
cointegra con tres indicadores de criminalidad: homicidios, secuestros y robos. A largo plazo, los
autores encuentran, efectivamente, que existe una relación negativa, mientras que, a corto plazo,
encuentran evidencia sobre la existencia de un ciclo común entre actividad económica y robos
solamente; es decir, aumentos en la actividad económica coinciden con aumentos en los robos.
Además, la relación existente entre la visión pesimista del futuro y la delincuencia también
sugiere que el crecimiento neto de la economía -por sí mismo- no es suficiente para reducir la
propensión de los jóvenes a participar en actividades delictivas. La ausencia de perspectiva de un
futuro mejor para los adolescentes escalonados a esa situación de creciente riesgo contribuye al
incremento de la delincuencia; en tal sentido, la situación de precariedad laboral sobrepasa el 70%
de los jóvenes de 18 a 25 años, mostrando, a su vez, que el primer ingreso laboral de los jóvenes
permite reducciones en horas trabajadas y condiciones salariales (Olmedo, 2018).
En cuanto a posibles soluciones, Schmidt (2006) plantea que los avances conjuntos en
reformas educativas, mercados laborales y reducción de la pobreza, junto con un cumplimiento
efectivo de las leyes, permiten mejorar las oportunidades laborales y reducir la delincuencia al
elevar los costos alternativos de estas actividades ilícitas.
La adopción de políticas basadas en la teoría de la disuasión no sólo puede asociarse, como
resultante empírica, con una reducción de la delincuencia, sino que puede ser capaz de incitar
también a la existencia de crecimiento económico. La reducción del crimen permite que la
inversión, primero nacional y después internacionalizante, sea más seductora. Combatir el crimen,
que incluye los delitos contra el patrimonio y el de la naturaleza, es importante para los estados
democráticos en el sentido de que se requiere que los enfoques sean multidimensionales y que se
cuente con recursos recursos con capacidad multidisciplinar para tratar una amenaza como esta
(Cevallos, Vélez, & Leime, 2020).
También se presentan las crisis económicas que por lo general suelen dar lugar a un
aumento en el desempleo y un aumento en la pobreza que instan a los ciudadanos a participar en
actos delictivos en el deseo de subsistir. Las organizaciones de crimen organizado observan en la
economía informal un contexto favorable para su expansión, especialmente cuando las políticas
públicas no erradican dicha intromisión. (Fagoaga, 2014)
La pobreza en América Latina puede ser considerada una realidad persistente que se
expresa de diversas formas de convivencia social, resultado de la marginación perpetuada por
funcionarios gubernamentales, políticos y legisladores. En este sentido, es una situación que no
podría ser considerada como una forma temporal, sino más bien podría ser concebida como una
de las características normalmente introducidas en la estructura socioeconómica de esta parte del
mundo.
económico y delincuencia bajo la perspectiva de series de tiempo. En particular, Quiroz et al
(2015) utilizando las herramientas de análisis de series de tiempo, deducen que, en el largo plazo,
la actividad económica (evaluada bajo el Índice General de Actividad Económica, IGAE)
cointegra con tres indicadores de criminalidad: homicidios, secuestros y robos. A largo plazo, los
autores encuentran, efectivamente, que existe una relación negativa, mientras que, a corto plazo,
encuentran evidencia sobre la existencia de un ciclo común entre actividad económica y robos
solamente; es decir, aumentos en la actividad económica coinciden con aumentos en los robos.
Además, la relación existente entre la visión pesimista del futuro y la delincuencia también
sugiere que el crecimiento neto de la economía -por sí mismo- no es suficiente para reducir la
propensión de los jóvenes a participar en actividades delictivas. La ausencia de perspectiva de un
futuro mejor para los adolescentes escalonados a esa situación de creciente riesgo contribuye al
incremento de la delincuencia; en tal sentido, la situación de precariedad laboral sobrepasa el 70%
de los jóvenes de 18 a 25 años, mostrando, a su vez, que el primer ingreso laboral de los jóvenes
permite reducciones en horas trabajadas y condiciones salariales (Olmedo, 2018).
En cuanto a posibles soluciones, Schmidt (2006) plantea que los avances conjuntos en
reformas educativas, mercados laborales y reducción de la pobreza, junto con un cumplimiento
efectivo de las leyes, permiten mejorar las oportunidades laborales y reducir la delincuencia al
elevar los costos alternativos de estas actividades ilícitas.
La adopción de políticas basadas en la teoría de la disuasión no sólo puede asociarse, como
resultante empírica, con una reducción de la delincuencia, sino que puede ser capaz de incitar
también a la existencia de crecimiento económico. La reducción del crimen permite que la
inversión, primero nacional y después internacionalizante, sea más seductora. Combatir el crimen,
que incluye los delitos contra el patrimonio y el de la naturaleza, es importante para los estados
democráticos en el sentido de que se requiere que los enfoques sean multidimensionales y que se
cuente con recursos recursos con capacidad multidisciplinar para tratar una amenaza como esta
(Cevallos, Vélez, & Leime, 2020).
También se presentan las crisis económicas que por lo general suelen dar lugar a un
aumento en el desempleo y un aumento en la pobreza que instan a los ciudadanos a participar en
actos delictivos en el deseo de subsistir. Las organizaciones de crimen organizado observan en la
economía informal un contexto favorable para su expansión, especialmente cuando las políticas
públicas no erradican dicha intromisión. (Fagoaga, 2014)
La pobreza en América Latina puede ser considerada una realidad persistente que se
expresa de diversas formas de convivencia social, resultado de la marginación perpetuada por
funcionarios gubernamentales, políticos y legisladores. En este sentido, es una situación que no
podría ser considerada como una forma temporal, sino más bien podría ser concebida como una
de las características normalmente introducidas en la estructura socioeconómica de esta parte del
mundo.
Vol. 12/ Núm. 1 2025 pág. 158
Hoy en día la pobreza es una condición crónica en América Latina, toda vez que la
disminución de la pobreza tiende a desacelerarse, y de esa forma se reducen los efectos del ingreso
y cobra más relevancia el factor distributivo. Si bien el factor distributivo afecta menos que el
ingreso a la disminución de la pobreza absoluta, resulta relevante, ya sea en adición al efecto
ingreso en la disminución de las condiciones de pobreza en las épocas de bonanza, o bien,
contribuyendo a limitar la disminución de las condiciones de pobreza en épocas de recesión
(CEPAL, 2019).
La inflación es igualmente un fenómeno que puede influir significativamente en el
crecimiento económico. Los bancos centrales son reacios a tener una inflación elevada, y pueden
resultar equivocados, porque se intenta buscar evitar que haya una elevada inflación de modo que
haya más acreedores en el corto plazo, pero no hay evidencia de que la inflación tenga un impacto
significativo en el crecimiento económico a largo plazo, lo que puede llevar a los bancos centrales
a tomar decisiones que pueden impactar el crecimiento económico (Andrade & Moreno, 2006).
MATERIALES Y MÉTODOS
En este estudio, se empleó una variable dependiente y cuatro variables independientes con
el propósito de examinar la relación entre la delincuencia y el crecimiento económico en Ecuador,
en un periodo de tiempo comprendido entre el año 2003 y el año 2023. La variable dependiente
que constituye el núcleo de esta investigación es el PIB per cápita (US$ a precios actuales), la
cual representa el indicador principal de nuestro interés que es el crecimiento económico. Por otro
lado, se consideraron cuatro variables independientes que desempeñaron un papel fundamental
en el análisis:
• Tasa de desempleo (% de la población activa total):
Esta variable se usó para evaluar el impacto del desempleo en el crecimiento económico de
Ecuador.
• Tasa de incidencia de la pobreza (calculada con un umbral de $1,90):
Esta variable se empleó para analizar el efecto de la pobreza en el crecimiento económico.
• Tasa de Homicidios intencionales (por cada 100.000 habitantes):
Esta variable sirvió para medir la tasa de homicidios como un indicador de la delincuencia en el
estudio.
• Inflación (% anual en precios al consumidor):
Esta variable se empleó para analizar el efecto de la subida de precios en el crecimiento
económico.
Se investigó la relación temporal existente entre las variaciones de las tasas de la
criminalidad y las variables económicas. Este análisis nos permite tener una idea más nítida de
las correlaciones existentes entre la criminalidad y el crecimiento económico en el contexto de la
economía ecuatoriana en el periodo correspondiente a los veinte años que cubre el estudio.
Hoy en día la pobreza es una condición crónica en América Latina, toda vez que la
disminución de la pobreza tiende a desacelerarse, y de esa forma se reducen los efectos del ingreso
y cobra más relevancia el factor distributivo. Si bien el factor distributivo afecta menos que el
ingreso a la disminución de la pobreza absoluta, resulta relevante, ya sea en adición al efecto
ingreso en la disminución de las condiciones de pobreza en las épocas de bonanza, o bien,
contribuyendo a limitar la disminución de las condiciones de pobreza en épocas de recesión
(CEPAL, 2019).
La inflación es igualmente un fenómeno que puede influir significativamente en el
crecimiento económico. Los bancos centrales son reacios a tener una inflación elevada, y pueden
resultar equivocados, porque se intenta buscar evitar que haya una elevada inflación de modo que
haya más acreedores en el corto plazo, pero no hay evidencia de que la inflación tenga un impacto
significativo en el crecimiento económico a largo plazo, lo que puede llevar a los bancos centrales
a tomar decisiones que pueden impactar el crecimiento económico (Andrade & Moreno, 2006).
MATERIALES Y MÉTODOS
En este estudio, se empleó una variable dependiente y cuatro variables independientes con
el propósito de examinar la relación entre la delincuencia y el crecimiento económico en Ecuador,
en un periodo de tiempo comprendido entre el año 2003 y el año 2023. La variable dependiente
que constituye el núcleo de esta investigación es el PIB per cápita (US$ a precios actuales), la
cual representa el indicador principal de nuestro interés que es el crecimiento económico. Por otro
lado, se consideraron cuatro variables independientes que desempeñaron un papel fundamental
en el análisis:
• Tasa de desempleo (% de la población activa total):
Esta variable se usó para evaluar el impacto del desempleo en el crecimiento económico de
Ecuador.
• Tasa de incidencia de la pobreza (calculada con un umbral de $1,90):
Esta variable se empleó para analizar el efecto de la pobreza en el crecimiento económico.
• Tasa de Homicidios intencionales (por cada 100.000 habitantes):
Esta variable sirvió para medir la tasa de homicidios como un indicador de la delincuencia en el
estudio.
• Inflación (% anual en precios al consumidor):
Esta variable se empleó para analizar el efecto de la subida de precios en el crecimiento
económico.
Se investigó la relación temporal existente entre las variaciones de las tasas de la
criminalidad y las variables económicas. Este análisis nos permite tener una idea más nítida de
las correlaciones existentes entre la criminalidad y el crecimiento económico en el contexto de la
economía ecuatoriana en el periodo correspondiente a los veinte años que cubre el estudio.
Vol. 12/ Núm. 1 2025 pág. 159
El modelo escogido concierne a un modelo de regresión múltiple, el cual sirve para
estudiar la relación entre las variables independientes (el desempleo; la tasa de incidencia de
pobreza; la tasa de homicidios y la inflación) y la variable dependiente (el PIB per cápita). Es
decir, el modelo adoptará la forma siguiente:
PIB per cápita = β0 + β1 ∗ Desempleo + β2 ∗ Tasa de Pobreza + β3
∗ Tasa de Homicidios + β4 ∗ Inflación + ε
Donde:
PIB per cápita representa el valor de la variable dependiente.
β1 es el coeficiente de regresión que indica la relación entre el desempleo y el PIB per cápita
β2 es el coeficiente de regresión que indica la relación entre la tasa de pobreza y el PIB per cápita
β3 es el coeficiente de regresión que indica la relación entre la tasa de homicidios y el PIB per
cápita
β4 es el coeficiente de regresión que indica la relación entre la inflación y el PIB per cápita
ε representa el término de error, que es la diferencia entre el valor real del PIB per cápita y el
valor predicho por el modelo.
Para asegurarnos de la validez y confiabilidad del modelo, realizamos las siguientes
pruebas: prueba de estacionariedad, prueba de normalidad, prueba de homocedasticidad, y prueba
de multicolinealidad. **Hamilton, J. D. (1994). *Time Series Analysis*. Princeton University
Press.**
De acuerdo con Hamilton (1994), La estacionariedad se refiere a la propiedad de una serie
de tiempo en la que sus propiedades estadísticas, como la media, la varianza y la autocorrelación,
permanecen constantes a lo largo del tiempo. La estacionariedad es un concepto fundamental en
el análisis de series de tiempo en estadística y econometría. Una serie de tiempo es estacionaria
si sus propiedades estadísticas no cambian con el tiempo. Esto significa que sus características
principales, como la media, la varianza y la autocorrelación, son constantes a lo largo del tiempo.
Se realiza pruebas de raíz unitaria (como el test de Dickey-Fuller aumentado) para comprobar si
las series son estacionarias.
Según Freedman (1993), la prueba de normalidad de residuos se utiliza para evaluar si los
residuos (las diferencias entre los valores reales y los valores predichos por el modelo) siguen una
distribución normal. Para llevar a cabo esta prueba, se toma en consideración el histograma de los
residuos y la prueba de normalidad de Shapiro-Wilk, donde si el p-valor es alto (por encima de
0.05), no hay evidencia suficiente para rechazar la hipótesis nula, lo que significa que los residuos
siguen una distribución normal.
La prueba de homocedasticidad por su parte se refiere a la situación en la que la variabilidad
de los errores no es constante a lo largo de los valores de las variables independientes. Para
detectar la homocedasticidad, se realizan gráficos de residuos y se emplean pruebas estadísticas
El modelo escogido concierne a un modelo de regresión múltiple, el cual sirve para
estudiar la relación entre las variables independientes (el desempleo; la tasa de incidencia de
pobreza; la tasa de homicidios y la inflación) y la variable dependiente (el PIB per cápita). Es
decir, el modelo adoptará la forma siguiente:
PIB per cápita = β0 + β1 ∗ Desempleo + β2 ∗ Tasa de Pobreza + β3
∗ Tasa de Homicidios + β4 ∗ Inflación + ε
Donde:
PIB per cápita representa el valor de la variable dependiente.
β1 es el coeficiente de regresión que indica la relación entre el desempleo y el PIB per cápita
β2 es el coeficiente de regresión que indica la relación entre la tasa de pobreza y el PIB per cápita
β3 es el coeficiente de regresión que indica la relación entre la tasa de homicidios y el PIB per
cápita
β4 es el coeficiente de regresión que indica la relación entre la inflación y el PIB per cápita
ε representa el término de error, que es la diferencia entre el valor real del PIB per cápita y el
valor predicho por el modelo.
Para asegurarnos de la validez y confiabilidad del modelo, realizamos las siguientes
pruebas: prueba de estacionariedad, prueba de normalidad, prueba de homocedasticidad, y prueba
de multicolinealidad. **Hamilton, J. D. (1994). *Time Series Analysis*. Princeton University
Press.**
De acuerdo con Hamilton (1994), La estacionariedad se refiere a la propiedad de una serie
de tiempo en la que sus propiedades estadísticas, como la media, la varianza y la autocorrelación,
permanecen constantes a lo largo del tiempo. La estacionariedad es un concepto fundamental en
el análisis de series de tiempo en estadística y econometría. Una serie de tiempo es estacionaria
si sus propiedades estadísticas no cambian con el tiempo. Esto significa que sus características
principales, como la media, la varianza y la autocorrelación, son constantes a lo largo del tiempo.
Se realiza pruebas de raíz unitaria (como el test de Dickey-Fuller aumentado) para comprobar si
las series son estacionarias.
Según Freedman (1993), la prueba de normalidad de residuos se utiliza para evaluar si los
residuos (las diferencias entre los valores reales y los valores predichos por el modelo) siguen una
distribución normal. Para llevar a cabo esta prueba, se toma en consideración el histograma de los
residuos y la prueba de normalidad de Shapiro-Wilk, donde si el p-valor es alto (por encima de
0.05), no hay evidencia suficiente para rechazar la hipótesis nula, lo que significa que los residuos
siguen una distribución normal.
La prueba de homocedasticidad por su parte se refiere a la situación en la que la variabilidad
de los errores no es constante a lo largo de los valores de las variables independientes. Para
detectar la homocedasticidad, se realizan gráficos de residuos y se emplean pruebas estadísticas
Vol. 12/ Núm. 1 2025 pág. 160
como la prueba Breusch-Pagan, donde no se encuentra evidencia de homocedasticidad dentro del
modelo (Freedman, 1993).
Por último, la prueba de multicolinealidad nos permite evaluar la alta correlación entre las
variables independientes en el modelo de regresión. Para este propósito, se obtiene como el factor
de inflación de la varianza (VIF) para cada variable independiente, donde si los VIF son
significativamente elevados, por ejemplo, mayores que 10, esto puede indicar la presencia de
multicolinealidad en el modelo, si ese llega a ser el caso, es necesario considerar opciones como
la eliminación o combinación de variables para abordar este problema (Freedman, 1993).
RESULTADOS Y DISCUSIÓN
En primera instancia se realiza un análisis de correlación entre las variables
pertenecientes al modelo propuesto:
Tabla 1
Matriz de correlación
PIB_per_capi
ta
Tasa_Desempl
eo
Tasa_Pobre
za
Tasa_Homicidi
os
Tasa_Inflaci
on
PIB_per_capita 1,0000 -0,336467 -0,9446437 -0,0830738 -0,4497173
Tasa_Desempl
eo -0,336467 1,0000 0,4821774 -0,1226067 -0,0007355
Tasa_Pobreza -0,9446437 0,48217744 1,0000 0,12328128 0,37855815
Tasa_Homicidi
os -0,0830738 -0,1226067 0,1232813 1,0000 0,23045895
Tasa_Inflacion -0,4497173 -0,0007355 0,3785582 0,23045895 1,0000
El análisis de los resultados de la tabla de correlaciones entre la variable dependiente y las
explicativas es el siguiente:
Tasa de Desempleo: Correlación negativa moderada de -0.336, lo que sugiere que un
aumento en el desempleo está asociado con una disminución en el PIB per cápita. Aunque la
relación no es fuerte, tiene sentido económico, ya que el desempleo generalmente afecta
negativamente al crecimiento económico.
Tasa de Pobreza: Correlación negativa fuerte de -0.945, indicando una relación muy
significativa entre la pobreza y el PIB per cápita. Este resultado sugiere que a medida que aumenta
la incidencia de la pobreza, el PIB per cápita disminuye considerablemente. Es esperable, dado
que un mayor nivel de pobreza reduce la capacidad de producción y consumo de una economía.
Tasa de Homicidios: Correlación negativa débil de -0.083, lo que indica que no hay una
relación fuerte o lineal evidente entre la tasa de homicidios y el PIB per cápita. Esto podría sugerir
como la prueba Breusch-Pagan, donde no se encuentra evidencia de homocedasticidad dentro del
modelo (Freedman, 1993).
Por último, la prueba de multicolinealidad nos permite evaluar la alta correlación entre las
variables independientes en el modelo de regresión. Para este propósito, se obtiene como el factor
de inflación de la varianza (VIF) para cada variable independiente, donde si los VIF son
significativamente elevados, por ejemplo, mayores que 10, esto puede indicar la presencia de
multicolinealidad en el modelo, si ese llega a ser el caso, es necesario considerar opciones como
la eliminación o combinación de variables para abordar este problema (Freedman, 1993).
RESULTADOS Y DISCUSIÓN
En primera instancia se realiza un análisis de correlación entre las variables
pertenecientes al modelo propuesto:
Tabla 1
Matriz de correlación
PIB_per_capi
ta
Tasa_Desempl
eo
Tasa_Pobre
za
Tasa_Homicidi
os
Tasa_Inflaci
on
PIB_per_capita 1,0000 -0,336467 -0,9446437 -0,0830738 -0,4497173
Tasa_Desempl
eo -0,336467 1,0000 0,4821774 -0,1226067 -0,0007355
Tasa_Pobreza -0,9446437 0,48217744 1,0000 0,12328128 0,37855815
Tasa_Homicidi
os -0,0830738 -0,1226067 0,1232813 1,0000 0,23045895
Tasa_Inflacion -0,4497173 -0,0007355 0,3785582 0,23045895 1,0000
El análisis de los resultados de la tabla de correlaciones entre la variable dependiente y las
explicativas es el siguiente:
Tasa de Desempleo: Correlación negativa moderada de -0.336, lo que sugiere que un
aumento en el desempleo está asociado con una disminución en el PIB per cápita. Aunque la
relación no es fuerte, tiene sentido económico, ya que el desempleo generalmente afecta
negativamente al crecimiento económico.
Tasa de Pobreza: Correlación negativa fuerte de -0.945, indicando una relación muy
significativa entre la pobreza y el PIB per cápita. Este resultado sugiere que a medida que aumenta
la incidencia de la pobreza, el PIB per cápita disminuye considerablemente. Es esperable, dado
que un mayor nivel de pobreza reduce la capacidad de producción y consumo de una economía.
Tasa de Homicidios: Correlación negativa débil de -0.083, lo que indica que no hay una
relación fuerte o lineal evidente entre la tasa de homicidios y el PIB per cápita. Esto podría sugerir
Vol. 12/ Núm. 1 2025 pág. 161
que el impacto de la delincuencia no se refleja de manera directa en la variable económica
analizada o que su efecto es indirecto.
Tasa de Inflación: Correlación negativa moderada de -0.450, lo que sugiere que a mayor
inflación, el PIB per cápita tiende a disminuir. Este resultado es coherente con la teoría
económica, ya que altos niveles de inflación pueden reducir el poder adquisitivo y desincentivar
la inversión.
Se identifica que la Tasa de Pobreza tiene una correlación muy fuerte con el PIB per cápita
(-0.945), lo que podría generar un impacto considerable en el modelo. Aunque es una variable
explicativa importante, su alta correlación podría provocar problemas de redundancia con otras
variables explicativas relacionadas con la pobreza o el desempleo.
Las correlaciones entre las variables explicativas (por ejemplo, Tasa de Desempleo y Tasa
de Pobreza) están en niveles moderados (menores a 0.7), lo que sugiere que la multicolinealidad
no debería ser crítica, pero el análisis del VIF será clave para confirmarlo.
La prueba de estacionariedad realizada a las variables en primera instancia indica que
ninguna de las variables es estacionaria según los resultados del test ADF (Dickey-Fuller
Adjusted). Esto es común en series económicas, ya que suelen estar influenciadas por tendencias
y ciclos a largo plazo. Por lo tanto, se procedió con transformaciones necesarias, esto se puede
lograr mediante la primera diferencia de las variables.
Resultados resumidos
1. PIB per cápita
Estadístico de prueba: -2.9324
Valores críticos (tau2): 1% = -3.75, 5% = -3.00, 10% = -2.63
Decisión: El valor absoluto del estadístico no supera el valor crítico al 5%, pero sí al 10%. Esto
sugiere estacionariedad marginal en el nivel del 10%.
2. Tasa de Desempleo
Estadístico de prueba: -3.969
Decisión: El estadístico supera el valor crítico incluso al nivel del 5%, indicando que la serie es
estacionaria.
3. Tasa de Pobreza
Estadístico de prueba: -3.2258
Decisión: Solo supera el valor crítico al nivel del 10%. Esto indica estacionariedad débil.
4. Tasa de Homicidios
Estadístico de prueba: 2.8583
Decisión: El valor positivo no se encuentra dentro del rango de rechazo, lo que sugiere no
estacionariedad.
que el impacto de la delincuencia no se refleja de manera directa en la variable económica
analizada o que su efecto es indirecto.
Tasa de Inflación: Correlación negativa moderada de -0.450, lo que sugiere que a mayor
inflación, el PIB per cápita tiende a disminuir. Este resultado es coherente con la teoría
económica, ya que altos niveles de inflación pueden reducir el poder adquisitivo y desincentivar
la inversión.
Se identifica que la Tasa de Pobreza tiene una correlación muy fuerte con el PIB per cápita
(-0.945), lo que podría generar un impacto considerable en el modelo. Aunque es una variable
explicativa importante, su alta correlación podría provocar problemas de redundancia con otras
variables explicativas relacionadas con la pobreza o el desempleo.
Las correlaciones entre las variables explicativas (por ejemplo, Tasa de Desempleo y Tasa
de Pobreza) están en niveles moderados (menores a 0.7), lo que sugiere que la multicolinealidad
no debería ser crítica, pero el análisis del VIF será clave para confirmarlo.
La prueba de estacionariedad realizada a las variables en primera instancia indica que
ninguna de las variables es estacionaria según los resultados del test ADF (Dickey-Fuller
Adjusted). Esto es común en series económicas, ya que suelen estar influenciadas por tendencias
y ciclos a largo plazo. Por lo tanto, se procedió con transformaciones necesarias, esto se puede
lograr mediante la primera diferencia de las variables.
Resultados resumidos
1. PIB per cápita
Estadístico de prueba: -2.9324
Valores críticos (tau2): 1% = -3.75, 5% = -3.00, 10% = -2.63
Decisión: El valor absoluto del estadístico no supera el valor crítico al 5%, pero sí al 10%. Esto
sugiere estacionariedad marginal en el nivel del 10%.
2. Tasa de Desempleo
Estadístico de prueba: -3.969
Decisión: El estadístico supera el valor crítico incluso al nivel del 5%, indicando que la serie es
estacionaria.
3. Tasa de Pobreza
Estadístico de prueba: -3.2258
Decisión: Solo supera el valor crítico al nivel del 10%. Esto indica estacionariedad débil.
4. Tasa de Homicidios
Estadístico de prueba: 2.8583
Decisión: El valor positivo no se encuentra dentro del rango de rechazo, lo que sugiere no
estacionariedad.
Vol. 12/ Núm. 1 2025 pág. 162
5. Tasa de inflación:
Estadístico de prueba: -4.5108
Decisión: Supera los valores críticos al 1%, 5% y 10%. La serie es claramente estacionaria.
De los cinco modelos, tres muestran estacionariedad clara o marginal en las primeras
diferencias (Tasa de desempleo, Tasa de Pobreza y Tasa de inflación), mientras que otros dos
presentan evidencia débil (PIB per cápita) o contradictoria (Tasa de Homicidios).
Cómo se hallaron contradicciones, se procede a aplicar transformaciones adicionales (por
ejemplo, segundas diferencias). Así, también se complementa el análisis con otras prueba de
estacionariedad, como KPSS.
Resultados de KPSS:
1. PIB per capita:
KPSS Level = 0.66056
p-value = 0.01713
2. Tasa de Desempleo:
KPSS Level = 0.1225
p-value = 0.1
3. Tasa de Pobreza:
KPSS Level = 0.58394
p-value = 0.0241
4. Tasa de Homicidios:
KPSS Level = 0.14986
p-value = 0.1
5. Tasa de Inflación:
KPSS Level = 0.38225
p-value = 0.08481
De los resultados obtenidos se puede indicar que las series Tasa de Desempleo, Tasa de
Homicidios, y Tasa de Inflación son estacionarias en niveles según la prueba KPSS. Mientras
que, las series PIB per cápita y Tasa de Pobreza no son estacionarias en niveles, lo que coincide
con los resultados de la prueba de Dickey-Fuller para estas variables.
Dado que aún se tiene variables no estacionarias, se procede realizar una según diferencia
para las variables PIB per capita y Tasa de Pobreza, debido a que no son estacionarias en niveles.
Finalmente, una vez que se hicieron las pruebas de estacionariedad de las cuales se obtuvo
que las series Tasa de Desempleo, Tasa de Homicidios, y Tasa de Inflación son estacionarias en
niveles, según la prueba KPSS. Y que las series PIB per capita y Tasa de Pobreza son estacionarias
en segundas diferencias.
Con relación al análisis de Multicolinealidad se realizó la prueba VIF de la cual se
obtuvieron los siguientes resultados:
5. Tasa de inflación:
Estadístico de prueba: -4.5108
Decisión: Supera los valores críticos al 1%, 5% y 10%. La serie es claramente estacionaria.
De los cinco modelos, tres muestran estacionariedad clara o marginal en las primeras
diferencias (Tasa de desempleo, Tasa de Pobreza y Tasa de inflación), mientras que otros dos
presentan evidencia débil (PIB per cápita) o contradictoria (Tasa de Homicidios).
Cómo se hallaron contradicciones, se procede a aplicar transformaciones adicionales (por
ejemplo, segundas diferencias). Así, también se complementa el análisis con otras prueba de
estacionariedad, como KPSS.
Resultados de KPSS:
1. PIB per capita:
KPSS Level = 0.66056
p-value = 0.01713
2. Tasa de Desempleo:
KPSS Level = 0.1225
p-value = 0.1
3. Tasa de Pobreza:
KPSS Level = 0.58394
p-value = 0.0241
4. Tasa de Homicidios:
KPSS Level = 0.14986
p-value = 0.1
5. Tasa de Inflación:
KPSS Level = 0.38225
p-value = 0.08481
De los resultados obtenidos se puede indicar que las series Tasa de Desempleo, Tasa de
Homicidios, y Tasa de Inflación son estacionarias en niveles según la prueba KPSS. Mientras
que, las series PIB per cápita y Tasa de Pobreza no son estacionarias en niveles, lo que coincide
con los resultados de la prueba de Dickey-Fuller para estas variables.
Dado que aún se tiene variables no estacionarias, se procede realizar una según diferencia
para las variables PIB per capita y Tasa de Pobreza, debido a que no son estacionarias en niveles.
Finalmente, una vez que se hicieron las pruebas de estacionariedad de las cuales se obtuvo
que las series Tasa de Desempleo, Tasa de Homicidios, y Tasa de Inflación son estacionarias en
niveles, según la prueba KPSS. Y que las series PIB per capita y Tasa de Pobreza son estacionarias
en segundas diferencias.
Con relación al análisis de Multicolinealidad se realizó la prueba VIF de la cual se
obtuvieron los siguientes resultados:
Vol. 12/ Núm. 1 2025 pág. 163
Tabla 2
Cálculo del VIF
D2Tasa_Desempleo D2Tasa_Pobreza D2Tasa_Homicidios D2Tasa_Inflacion
1.843937 2.037333 1.010009 1.177279
El Variance Inflation Factor (VIF) mide la colinealidad entre las variables explicativas
en un modelo de regresión. Los valores obtenidos son los VIF para las variables diferenciadas:
D2Tasa_Desempleo, D2Tasa_Pobreza, D2Tasa_Homicidios y D2Tasa_Inflacion.
Un valor VIF > 1 indica que hay colinealidad entre las variables explicativas, pero no es
un problema grave; sin embargo, valores de VIF > 5 o 10 sugieren multicolinealidad significativa
que podría causar inestabilidad y reducir la claridad en la interpretación de los coeficientes.
En este escenario, los VIF son menores a 5, indicando que hay una multicolinealidad
limitada entre las variables explicativas en el modelo de regresión. Las estadísticas indican que
los valores se encuentran dentro del rango aceptable.
En lo que respecta al test de Breusch-Pagan utilizado para detectar heterocedasticidad en
un modelo de regresión, los resultados del análisis son los siguientes:
Tabla 3
Studentized Breusch-Pagan test
BP = 1.4322, df = 4, p-value = 0.8386
La hipótesis nula de este test es que no hay heterocedasticidad, lo que quiere decir que
los residuos tienen varianza constante.
Un p-valor alto (mayor a 0.05), indica que no hay evidencia suficiente para rechazar la
hipótesis nula, lo que significa que no se detecta heterocedasticidad en el modelo; mientras que
un p-valor bajo (menor a 0.05), indica que existe evidencia de heterocedasticidad.
En el modelo el p-valor es de 0.8386, lo que sugiere que no hay evidencia de
heterocedasticidad en el modelo, indica que la suposición de homocedasticidad (varianza
constante de los residuos) se mantiene.
En lo que respecta a la normalidad de los residuos medido por el test de Shapiro-Wilk,
los resultados fueron los siguientes:
Tabla 4
Shapiro-Wilk normality test
data: residuals(modelo)
W = 0.96849, p-value = 0.746
Tabla 2
Cálculo del VIF
D2Tasa_Desempleo D2Tasa_Pobreza D2Tasa_Homicidios D2Tasa_Inflacion
1.843937 2.037333 1.010009 1.177279
El Variance Inflation Factor (VIF) mide la colinealidad entre las variables explicativas
en un modelo de regresión. Los valores obtenidos son los VIF para las variables diferenciadas:
D2Tasa_Desempleo, D2Tasa_Pobreza, D2Tasa_Homicidios y D2Tasa_Inflacion.
Un valor VIF > 1 indica que hay colinealidad entre las variables explicativas, pero no es
un problema grave; sin embargo, valores de VIF > 5 o 10 sugieren multicolinealidad significativa
que podría causar inestabilidad y reducir la claridad en la interpretación de los coeficientes.
En este escenario, los VIF son menores a 5, indicando que hay una multicolinealidad
limitada entre las variables explicativas en el modelo de regresión. Las estadísticas indican que
los valores se encuentran dentro del rango aceptable.
En lo que respecta al test de Breusch-Pagan utilizado para detectar heterocedasticidad en
un modelo de regresión, los resultados del análisis son los siguientes:
Tabla 3
Studentized Breusch-Pagan test
BP = 1.4322, df = 4, p-value = 0.8386
La hipótesis nula de este test es que no hay heterocedasticidad, lo que quiere decir que
los residuos tienen varianza constante.
Un p-valor alto (mayor a 0.05), indica que no hay evidencia suficiente para rechazar la
hipótesis nula, lo que significa que no se detecta heterocedasticidad en el modelo; mientras que
un p-valor bajo (menor a 0.05), indica que existe evidencia de heterocedasticidad.
En el modelo el p-valor es de 0.8386, lo que sugiere que no hay evidencia de
heterocedasticidad en el modelo, indica que la suposición de homocedasticidad (varianza
constante de los residuos) se mantiene.
En lo que respecta a la normalidad de los residuos medido por el test de Shapiro-Wilk,
los resultados fueron los siguientes:
Tabla 4
Shapiro-Wilk normality test
data: residuals(modelo)
W = 0.96849, p-value = 0.746
Vol. 12/ Núm. 1 2025 pág. 164
La prueba de Shapiro-Wilk se utiliza para verificar si los residuos del modelo siguen una
distribución normal. La hipótesis nula de esta prueba es que los residuos están normalmente
distribuidos.
Un p-valor alto (superior a 0.05), indica que no hay evidencia suficiente para rechazar la
hipótesis nula, lo que significa que los residuos siguen una distribución normal; mientras que un
p-valor bajo (inferior a 0.05), indica que los residuos no siguen una distribución normal.
En este modelo el p-valor es 0.746, lo que indica que los residuos del modelo parecen
seguir una distribución normal.
La prueba de Durbin-Watson se utiliza para detectar la autocorrelación en los residuos de
un modelo de regresión. La hipótesis nula de esta prueba es que no hay autocorrelación, esto es
que los residuos no están correlacionados.
Tabla 5
Durbin-Watson test
data: modelo
DW = 2.2754, p-value = 0.8059
alternative hypothesis: true autocorrelation is greater than 0
Si el estadístico DW está cercano a 2, indica que no hay autocorrelación, un valor es
menor a 2, indica autocorrelación positiva, mientras que, un valor mayor a 2, indica
autocorrelación negativa.
En el análisis realizado el estadístico DW es 2.2754, que está ligeramente por encima de
2, lo que indica que no hay autocorrelación positiva en los residuos, y es más bien una señal de
autocorrelación negativa débil o ningún problema de autocorrelación.
En el mismo sentido el p-valor es 0.8059, lo que significa que no hay evidencia suficiente
para rechazar la hipótesis nula de que no hay autocorrelación.
Una vez que se pudo cumplir con todos los supuestos del modelo, se procede a realizar
la regresión lineal múltiple con las condiciones indicadas anteriormente, por lo tanto, todas deben
estar en la misma forma para realizar un análisis coherente. Esto significa que necesitas trabajar
con las segundas diferencias de todas las variables.
2DPIB per cápita
= β0 + β1 ∗ 2DDesempleo + β2 ∗ 2DTasa de Pobreza + β3
∗ 2DTasa de Homicidios + β4 ∗ 2DInflación + ε
lm(formula = D2PIB_per_capita ~ D2Tasa_Desempleo + D2Tasa_Pobreza +
D2Tasa_Homicidios + D2Tasa_Inflacion, data = datos_dif)
Residuals:
Min 1Q Median 3Q Max
-621.58 -123.51 -5.03 110.78 590.89
La prueba de Shapiro-Wilk se utiliza para verificar si los residuos del modelo siguen una
distribución normal. La hipótesis nula de esta prueba es que los residuos están normalmente
distribuidos.
Un p-valor alto (superior a 0.05), indica que no hay evidencia suficiente para rechazar la
hipótesis nula, lo que significa que los residuos siguen una distribución normal; mientras que un
p-valor bajo (inferior a 0.05), indica que los residuos no siguen una distribución normal.
En este modelo el p-valor es 0.746, lo que indica que los residuos del modelo parecen
seguir una distribución normal.
La prueba de Durbin-Watson se utiliza para detectar la autocorrelación en los residuos de
un modelo de regresión. La hipótesis nula de esta prueba es que no hay autocorrelación, esto es
que los residuos no están correlacionados.
Tabla 5
Durbin-Watson test
data: modelo
DW = 2.2754, p-value = 0.8059
alternative hypothesis: true autocorrelation is greater than 0
Si el estadístico DW está cercano a 2, indica que no hay autocorrelación, un valor es
menor a 2, indica autocorrelación positiva, mientras que, un valor mayor a 2, indica
autocorrelación negativa.
En el análisis realizado el estadístico DW es 2.2754, que está ligeramente por encima de
2, lo que indica que no hay autocorrelación positiva en los residuos, y es más bien una señal de
autocorrelación negativa débil o ningún problema de autocorrelación.
En el mismo sentido el p-valor es 0.8059, lo que significa que no hay evidencia suficiente
para rechazar la hipótesis nula de que no hay autocorrelación.
Una vez que se pudo cumplir con todos los supuestos del modelo, se procede a realizar
la regresión lineal múltiple con las condiciones indicadas anteriormente, por lo tanto, todas deben
estar en la misma forma para realizar un análisis coherente. Esto significa que necesitas trabajar
con las segundas diferencias de todas las variables.
2DPIB per cápita
= β0 + β1 ∗ 2DDesempleo + β2 ∗ 2DTasa de Pobreza + β3
∗ 2DTasa de Homicidios + β4 ∗ 2DInflación + ε
lm(formula = D2PIB_per_capita ~ D2Tasa_Desempleo + D2Tasa_Pobreza +
D2Tasa_Homicidios + D2Tasa_Inflacion, data = datos_dif)
Residuals:
Min 1Q Median 3Q Max
-621.58 -123.51 -5.03 110.78 590.89
Vol. 12/ Núm. 1 2025 pág. 165
Tabla 6
Regresión Múltiple
Estimate Std. Error t value Pr(>|t|)
(Intercept) -43.17 72.83 -0.593 0.5628
D2Tasa_Desempleo -15808.13 7687.06 -2.056 0.0589.
D2Tasa_Pobreza -8334.21 4714.08 -1.768 0.0988.
D2Tasa_Homicidios 33.15 23.79 1.394 0.1851
D2Tasa_Inflacion 4818.68 2158.33 2.233 0.0424*
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 306 on 14 degrees of freedom
Multiple R-squared: 0.7225, Adjusted R-squared: 0.6432
F-statistic: 9.112 on 4 and 14 DF, p-value: 0.0007679
Con base en los resultados del modelo de regresión múltiple, se puede concluir que el
72.25% de la variabilidad de la variable dependiente (D2PIB_per_capita) es explicada por las
variables independientes (D2Tasa_Desempleo, D2Tasa_Pobreza, D2Tasa_Homicidios,
D2Tasa_Inflacion). Es un valor relativamente alto, lo que sugiere que el modelo ajusta bien los
datos. En el mismo sentido, se entiende el resultado del R-cuadrado ajustado de 0.6432, valor
que penaliza la inclusión de variables innecesarias; sin embargo, indica un buen ajuste del modelo.
El F-statistic de 9.112 con un p-valor de 0.0007679, significa que, en conjunto, las
variables independientes tienen un impacto significativo sobre la variable dependiente.
Respecto a las variables explicativas la Tasa de Desempleo con pvalue = 0.0589, indica
que aunque no es estadísticamente significativa al nivel del 5% (p = 0.0589), sí es marginalmente
significativa al nivel del 10% (p < 0.1). El signo negativo sugiere que un aumento en la segunda
diferencia de la tasa de desempleo se asocia con una disminución en la segunda diferencia del
PIB per cápita.
En el mismo sentido, se puede identificar los resultados de la variable Tasa de Pobreza
con un pvalue = 0.0988, es marginalmente significativo al nivel del 10%. El signo negativo indica
que un aumento en la segunda diferencia de la tasa de pobreza podría estar asociado con una
disminución en la segunda diferencia del PIB per cápita.
Así mismo, la Tasa de Inflación con un pvalue = 0.0424, (significativo). Indica que la
relación es positiva, esto es que un aumento en la segunda diferencia de la tasa de inflación se
asocia con un aumento en la segunda diferencia del PIB per cápita.
Por otro lado, la Tasa de Homicidios con un pvalue = 0.1851 no es significativo (p >
0.05). Esto implica que las variaciones en la segunda diferencia de la tasa de homicidios no tienen
un impacto estadísticamente detectable sobre el PIB per cápita en este modelo. Lo cual concuerda
con parte de la literatura que en ciertos casos menciona una relación indirecta.
Tabla 6
Regresión Múltiple
Estimate Std. Error t value Pr(>|t|)
(Intercept) -43.17 72.83 -0.593 0.5628
D2Tasa_Desempleo -15808.13 7687.06 -2.056 0.0589.
D2Tasa_Pobreza -8334.21 4714.08 -1.768 0.0988.
D2Tasa_Homicidios 33.15 23.79 1.394 0.1851
D2Tasa_Inflacion 4818.68 2158.33 2.233 0.0424*
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 306 on 14 degrees of freedom
Multiple R-squared: 0.7225, Adjusted R-squared: 0.6432
F-statistic: 9.112 on 4 and 14 DF, p-value: 0.0007679
Con base en los resultados del modelo de regresión múltiple, se puede concluir que el
72.25% de la variabilidad de la variable dependiente (D2PIB_per_capita) es explicada por las
variables independientes (D2Tasa_Desempleo, D2Tasa_Pobreza, D2Tasa_Homicidios,
D2Tasa_Inflacion). Es un valor relativamente alto, lo que sugiere que el modelo ajusta bien los
datos. En el mismo sentido, se entiende el resultado del R-cuadrado ajustado de 0.6432, valor
que penaliza la inclusión de variables innecesarias; sin embargo, indica un buen ajuste del modelo.
El F-statistic de 9.112 con un p-valor de 0.0007679, significa que, en conjunto, las
variables independientes tienen un impacto significativo sobre la variable dependiente.
Respecto a las variables explicativas la Tasa de Desempleo con pvalue = 0.0589, indica
que aunque no es estadísticamente significativa al nivel del 5% (p = 0.0589), sí es marginalmente
significativa al nivel del 10% (p < 0.1). El signo negativo sugiere que un aumento en la segunda
diferencia de la tasa de desempleo se asocia con una disminución en la segunda diferencia del
PIB per cápita.
En el mismo sentido, se puede identificar los resultados de la variable Tasa de Pobreza
con un pvalue = 0.0988, es marginalmente significativo al nivel del 10%. El signo negativo indica
que un aumento en la segunda diferencia de la tasa de pobreza podría estar asociado con una
disminución en la segunda diferencia del PIB per cápita.
Así mismo, la Tasa de Inflación con un pvalue = 0.0424, (significativo). Indica que la
relación es positiva, esto es que un aumento en la segunda diferencia de la tasa de inflación se
asocia con un aumento en la segunda diferencia del PIB per cápita.
Por otro lado, la Tasa de Homicidios con un pvalue = 0.1851 no es significativo (p >
0.05). Esto implica que las variaciones en la segunda diferencia de la tasa de homicidios no tienen
un impacto estadísticamente detectable sobre el PIB per cápita en este modelo. Lo cual concuerda
con parte de la literatura que en ciertos casos menciona una relación indirecta.
Vol. 12/ Núm. 1 2025 pág. 166
Las variables que tienen la importancia más significativa (si bien de forma marginal) son
la tasa de desempleo y la tasa de pobreza, las cuales tienen efecto sobre el PIB per cápita negativo
en segundas diferencias, algo que tiene sentido económico, ya que un aumento en el desempleo y
en la pobreza tiende a tener implicaciones negativas sobre el crecimiento económico.
La tasa de inflación es la única variable que tiene un impacto positivo y significativo, lo
que podría reflejar una situación en la que el nivel de inflación esté asociado a una estimulación
de la actividad económica (si bien esto depende del contexto económico).
Por último, la tasa de homicidios no parece tener un impacto estadísticamente
significativo, posiblemente explicado por el hecho que su dinámica no guarda relación directa
con las fluctuaciones del PIB en segundas diferencias o por falta de fuerza explicativa de la
variable en cuestión en el contexto del modelo.
Las variables que tienen la importancia más significativa (si bien de forma marginal) son
la tasa de desempleo y la tasa de pobreza, las cuales tienen efecto sobre el PIB per cápita negativo
en segundas diferencias, algo que tiene sentido económico, ya que un aumento en el desempleo y
en la pobreza tiende a tener implicaciones negativas sobre el crecimiento económico.
La tasa de inflación es la única variable que tiene un impacto positivo y significativo, lo
que podría reflejar una situación en la que el nivel de inflación esté asociado a una estimulación
de la actividad económica (si bien esto depende del contexto económico).
Por último, la tasa de homicidios no parece tener un impacto estadísticamente
significativo, posiblemente explicado por el hecho que su dinámica no guarda relación directa
con las fluctuaciones del PIB en segundas diferencias o por falta de fuerza explicativa de la
variable en cuestión en el contexto del modelo.
Vol. 12/ Núm. 1 2025 pág. 167
REFERENCIAS
Andrade, O. G., & Moreno, A. Z. (2006). Sobre la inflación. Obtenido de
https://www.redalyc.org/pdf/4259/425942413004.pdf
CEPAL. (2019). Panorama Social de América Latina. Obtenido de
https://repositorio.cepal.org/server/api/core/bitstreams/d72d0e2f-76bb-4857-9a02-
101784439750/content
Cevallos, D. P., Vélez, F. R., & Leime, C. A. (2020). EL GIRO PUNITIVO Y LA REDUCCIÓN
DEL HOMICIDIO EN ECUADOR, 2009-2018. Obtenido de
https://biblio.flacsoandes.edu.ec/libros/151281-opac
Fagoaga, W. A. (2014). Revista policía y seguridad pública. Obtenido de
https://biblat.unam.mx/es/revista/revista-policia-y-seguridad-publica/articulo/la-
economia-informal-y-su-conexion-con-el-avance-de-formas-delictivas-organizadas-
prospectiva-para-el-decenio-2015-2025
Freedman. (1993). Estadística. Obtenido de https://books.google.com.ec/books?id=7mcuTy-
luyIC&printsec=frontcover&hl=es#v=onepage&q&f=false
Hamilton, J. (1994). Time Series Analysis. Princeton University Press. Princeton University
Press.
Hernandez, H., & Narro, J. (2010). El homicidio en México, 2000-2008. Obtenido de
https://www.redalyc.org/pdf/112/11213201009.pdf
Madrueño, R. (2016). Instituciones, violencia criminal e interdependencia: el camino acotado del
desarrollo en América Latina y el Caribe. Íconos - Revista De Ciencias Sociales, (55),
45–67. doi: https://doi.org/10.17141/iconos.55.2016.1877
Oficina de las Naciones Unidas contra la Droga y el Delito. (Junio de 2020). Desempleo,
economía informal y crimen organizado. Obtenido de
https://www.unodc.org/documents/ropan/2020/Desempleo_economia_informal_y_crim
en_organizado_una_aproximacion_desde_el_analisis_sistemico_El_Salvador_VFNL.p
df
Olmedo, P. (mayo de 2018). https://ecuador.fes.de/. Obtenido de https://library.fes.de/pdf-
files/bueros/quito/14525.pdf
Pérez Molina, J. E., Echeverria Bravo, J. S., & Vega Granda, A. d. (2024). Relación entre
violencia y crecimiento económico mediante un modelo econométrico de regresión
múltiple. Caso Ecuador. Revista Ñeque, 7(19)., 515–532. doi:
https://doi.org/10.33996/revistaneque.v7i19.157
Quiroz, F., Ramón Castillo, J. O., & Varela, R. (2015). Delincuencia y actividad económica en
México. Norteamérica, Vol. 10, # 2.
REFERENCIAS
Andrade, O. G., & Moreno, A. Z. (2006). Sobre la inflación. Obtenido de
https://www.redalyc.org/pdf/4259/425942413004.pdf
CEPAL. (2019). Panorama Social de América Latina. Obtenido de
https://repositorio.cepal.org/server/api/core/bitstreams/d72d0e2f-76bb-4857-9a02-
101784439750/content
Cevallos, D. P., Vélez, F. R., & Leime, C. A. (2020). EL GIRO PUNITIVO Y LA REDUCCIÓN
DEL HOMICIDIO EN ECUADOR, 2009-2018. Obtenido de
https://biblio.flacsoandes.edu.ec/libros/151281-opac
Fagoaga, W. A. (2014). Revista policía y seguridad pública. Obtenido de
https://biblat.unam.mx/es/revista/revista-policia-y-seguridad-publica/articulo/la-
economia-informal-y-su-conexion-con-el-avance-de-formas-delictivas-organizadas-
prospectiva-para-el-decenio-2015-2025
Freedman. (1993). Estadística. Obtenido de https://books.google.com.ec/books?id=7mcuTy-
luyIC&printsec=frontcover&hl=es#v=onepage&q&f=false
Hamilton, J. (1994). Time Series Analysis. Princeton University Press. Princeton University
Press.
Hernandez, H., & Narro, J. (2010). El homicidio en México, 2000-2008. Obtenido de
https://www.redalyc.org/pdf/112/11213201009.pdf
Madrueño, R. (2016). Instituciones, violencia criminal e interdependencia: el camino acotado del
desarrollo en América Latina y el Caribe. Íconos - Revista De Ciencias Sociales, (55),
45–67. doi: https://doi.org/10.17141/iconos.55.2016.1877
Oficina de las Naciones Unidas contra la Droga y el Delito. (Junio de 2020). Desempleo,
economía informal y crimen organizado. Obtenido de
https://www.unodc.org/documents/ropan/2020/Desempleo_economia_informal_y_crim
en_organizado_una_aproximacion_desde_el_analisis_sistemico_El_Salvador_VFNL.p
df
Olmedo, P. (mayo de 2018). https://ecuador.fes.de/. Obtenido de https://library.fes.de/pdf-
files/bueros/quito/14525.pdf
Pérez Molina, J. E., Echeverria Bravo, J. S., & Vega Granda, A. d. (2024). Relación entre
violencia y crecimiento económico mediante un modelo econométrico de regresión
múltiple. Caso Ecuador. Revista Ñeque, 7(19)., 515–532. doi:
https://doi.org/10.33996/revistaneque.v7i19.157
Quiroz, F., Ramón Castillo, J. O., & Varela, R. (2015). Delincuencia y actividad económica en
México. Norteamérica, Vol. 10, # 2.
Vol. 12/ Núm. 1 2025 pág. 168
Ríos, V. (2016). The impact of crime and violence on economic sector diversity. Research Fellow,
The Wilson Center.
Schmidt, K. (Junio de 2006). EL CRECIMIENTO ECONÓMICO DE CHILE. Obtenido de
https://dialnet.unirioja.es/descarga/articulo/2112278.pdf
Ríos, V. (2016). The impact of crime and violence on economic sector diversity. Research Fellow,
The Wilson Center.
Schmidt, K. (Junio de 2006). EL CRECIMIENTO ECONÓMICO DE CHILE. Obtenido de
https://dialnet.unirioja.es/descarga/articulo/2112278.pdf