Diferencial del rendimiento de los bonos soberanos como ...

of 29

Diferencial del rendimiento de los

bonos soberanos como medida del

riesgo país: ¿Es significativo,

relevante y consistente con la

literatura?

Mario Alejandro Rojas1

Universidad de los Andes. Bogotá, Colombia2

Mayo 2014

Abstract: El objetivo de este trabajo es verificar la existencia de una relación empírica

precisa entre los flujos de inversión extranjera recibidos por un país y el riesgo país

financiero. Para esto se busca ahondar en la literatura existente relacionando las tasas

de rendimiento de los bonos soberanos con el riesgo país y este, a su vez, con los flujos

de inversión extranjera que llegan a un país. Posteriormente, se implementa un modelo

econométrico para el panel de datos recolectados que busca encontrar si existe una

relación significativa y relevante entre el riesgo país y los FDI. Con este análisis

econométrico se llega a la conclusión sobre la existencia de una relación significativa y

negativa entre los flujos de inversión extranjera y el riesgo país.

Keywords: Riesgo País, Inversión Extranjera, Bonos Soberanos,

JEL Classification: C01, C23, E44, F21, F23,

1 Email: [email protected]

2 Este trabajo se elaboró como memoria de grado para culminar el pregrado en Economía en la

Universidad de los Andes. Se agradece especialmente al profesor Hernando Zuleta por su apoyo durante

los últimos meses en la elaboración del mismo

of 29

Introducción

En el mundo globalizado en el que vivimos, las barreras comerciales se han ido

reduciendo poco a poco, las comunicaciones se han vuelto más eficaces y eficientes y

los flujos de dinero entre fronteras se han incrementado. Esto ha generado competencia

entre países por atraer flujos de inversión extranjera hacia sus economías. Siendo la

inversión extranjera un factor de simbiosis económica entre economías desarrolladas y

economías emergentes, es de gran interés el observar cómo puede una economía

emergente ser definida como más o menos apta para recibir flujos de inversión

extranjera. Así pues, este trabajo busca estudiar la asociación entre el riesgo país y la

inversión extranjera directa (FDI). El riesgo país puede ser definido como el diferencial

de riesgo que entra a afrontar un inversionista por el hecho de invertir en un país menos

seguro para la inversión (Samara, 2012). Esto se explica porque para cualquier

inversionista no es lo mismo invertir en un país con mayor seguridad y solidez

económica y política, como lo es Estados Unidos, en comparación a invertir en

Colombia, país que tiene menor poderío económico, un mercado financiero menos

eficiente y mayor inestabilidad política. El riesgo país ha sido medido o cuantificado de

diversas maneras, pero para este trabajo específicamente se busca utilizar el enfoque

manejado en el mundo financiero a la hora de calcular la tasa de descuento de un

inversionista.

La relación entre riesgo país y FDI ha sido estudiada por varios autores como Hauser

(2005), Stankovic (2008), Hayakawa, Kimura & Lee (2011, 2012), y Samara (2012),

entre otros. Dentro de la literatura, Hayakawa, Kimura & Lee (2011) definen

componentes para medir y cuantificar el riesgo político (conflictos internos, corrupción,

tensiones religiosas, etc.) y el riesgo financiero (tasa de cambio, cuenta corriente, deuda

extranjera, etc.). Si bien este trabajo toma bases teóricas en cuanto a la relación

existente entre FDI y riesgo país, busca innovar al utilizar una medida cuantitativa

diferente para dicho riesgo, la cual está más orientada al cálculo de costos de capital,

mercados financieros y valoraciones. Como presentan Scholtens (1999), Damoradan

(2002) y Villarreal & Córdoba (2010), es posible medir el riesgo país mediante la

diferencia existente entre los bonos soberanos de Estados Unidos (EEUU) y el país en

cuestión. Así pues, se busca trabajar de forma simultánea esta medición del riesgo país

of 29

con FDI y la medición de riesgo mediante las diferencias entre los yields de los países a

estudiar en comparación con EEUU.

Para realizar este análisis empírico se utiliza el riesgo país3 histórico de 13 países

(Brasil, Bulgaria, Colombia, Filipinas, México, Panamá, Perú, Polonia, Rusia, Turquía,

Ucrania, Uruguay y Venezuela) entre los años 2003 y 2012 junto con los datos de otras

variables de interés sugeridas por la literatura (inflación, exportaciones, desempleo,

entre otros) tomadas para el mismo periodo de la base de datos del Banco Mundial

(World Bank, 2014). Tras recuperar toda la información pertinente previamente descrita

para formar un panel, se trabaja el panel de datos como sugieren Rosales, Perdomo,

Morales & Urrego (2013) para este tipo de datos (en la cual se consideran estimaciones

por MCO, efectos fijos y efectos aleatorios) para probar la significancia, dirección y

magnitud existente entre el riesgo país flujos de inversión extranjera directa.

El presente trabajo se divide en 4 secciones aparte de esta introducción. En primera

instancia está la revisión de literatura pertinente relacionada con el tema de inversión,

riesgo y bonos. En segundo lugar está el marco teórico en el cual se presentan las bases

del modelo y de la teoría que se va a usar. Posteriormente, se encuentra el marco

empírico en el cual se realizan todas las estimaciones cualitativas con los datos

recolectados para probar las hipótesis planteadas previamente. Finalmente, se concluye

analizando los resultados y se llega a conjeturas finales sobre la relación entre el spread

de los bonos y los flujos de FDI.

Revisión de Literatura

El tema de inversión extranjera ha sido ampliamente tratado por diversos autores dada

la importancia de la misma para la firma de origen y para el país receptor. Los

beneficios para el país receptor incluyen la recepción de recursos (capital,

conocimiento, etc.), posible creación de nuevo empleo, crecimiento económico, uso

eficiente de los recursos e ingresos por impuestos generados directa o indirectamente

3 Desarrollado por J.P Morgan Chase. (2014). County Risk (Embi+). Recuperado de Ámbito

Financiero: http://www.ambito.com/economia/mercados/riesgo-pais/

of 29

por la actividad económica que fomentan estos flujos de inversión. Las firmas también

se ven beneficiadas ya que acceden a nuevos mercados, evitan barreras de comercio

internacional, disminuyen costos de producción y diversifican actividades (Samara,

2012). Para el desarrollo de este trabajo es crucial relacionar el riesgo país con la

inversión extranjera y, a su vez, el riesgo país con los bonos soberanos. Las razones por

la cual unos países pueden ser considerados más riesgosos que otros para invertir

podrían ser de carácter social, económico o político, según muestra la literatura

revisada.

Para poder estructurar teóricamente este trabajo, se parte del hecho que debe existir una

relación significativa y relevante entre el riesgo y los FDI. Hakayawa, Kimura & Lee

(2011) desarrollaron un modelo empírico para asociar diferentes dimensiones del riesgo

país (político y financiero) con los flujos de FDI. El estudio analiza el riesgo país

diferenciado entre el riesgo político y el riesgo financiero. Dicha investigación incluye

datos relevantes para países emergentes y desarrollados con el fin de poder realizar

conclusiones segregadas para ambos grupos y el total. Dentro de los componentes

políticos analizados están la las tensiones políticas, la presencia de militares en la

política, las tensiones étnicas, la calidad de la democracia y la estabilidad

gubernamental, entre otros. Para dimensionar el riesgo financiero, se incluyen variables

de deuda extranjera, las cuentas corrientes, la estabilidad de la tasa de cambio y la

inflación, entre otros. Los resultados de este estudio señalan que no todas las variables

inicialmente tenidas en cuenta afectan los flujos de FDI. Empíricamente, los autores

encuentran resultados en los que las variables significativas son el stock de FDI, la

población y el PIB de los países. Como resultado relevante a esta investigación, se

destaca el hecho de que el componente político de riesgo país es casi siempre

significativo, mientras que en solo 2 de los 4 modelos de regresión probados es

significativo el riesgo financiero.

La relación entre la inversión extranjera y el riesgo país también es trabajada por

Samara (2012). El autor define el riesgo país como “the potentially adverse effects of a

country’s political environment and its economic and financial environment” (Samara,

2012). Posteriormente, se trata el tema de las diferentes formas y variables relevantes

para la medición del riesgo país. Algunos de los factores tratados son los económicos

(PIB, exportaciones, importaciones, etc.) y sociales (desempleo, educación,

of 29

malnutrición, etc.). Por último, el autor relaciona el riesgo país y con los flujos de FDI

explicando su relación teórica y sugiriendo un modelo econométrico que explique el

FDI mediante las diferentes dimensiones consideradas de riesgo país. (Samara, 2012).

El objetivo del presente trabajo no es utilizar diferentes dimensiones de riesgo (como el

político y el financiero) o encontrar diferentes variables macro que pudieran definir el

riesgo país. Este trabajo busca utilizar un indicador global que pudiese agrupar todas

estas diferentes dimensiones del riesgo país en un solo valor. Medir el riesgo país

utilizando el yield spread da un enfoque relacionado con activos libres de riesgo como

los bonos soberanos de los países en cuestión. Scholtens (1999) presenta un trabajo en

el cual se busca validar la idea de que existe una alta correlación entre los yield spreads

y la calificación de riesgo para los países. En su paper, él demuestra de forma empírica

que la correlación existente entre el riesgo y el yield spread de los bonos es superior a la

existente entre los loan spreads y el riesgo mismo. Damoradan (2002) y Villarreal y

Córdoba (2010) presentan el riesgo país como un premium que debe ser considerado

por los inversionistas a la hora de calcular tasas de descuento para evaluar sus proyectos

de inversión. La teoría financiera considera que el inversionista cuenta en el mercado

con riesgo diversificable y riesgo no diversificable. El diversificable puede ser

eliminado mediante la elaboración de un portafolio “diversificado” en el cual las

correlaciones entre activos jueguen a favor del inversionista reduciendo el riesgo (Berk,

2011).

Para el caso a tratar en este trabajo, se debe tener en cuenta que estar en un mundo

globalizado, donde los mercados se encuentran correlacionados y hay en alguna medida

libre flujo de información y de capitales, se considera que el inversionista no puede

eliminar el riesgo país mediante la diversificación de portafolios (Damoradan, 2002).

Para el cálculo de este riesgo para determinada nación se analizan tres metodologías

diferentes como lo son la diferencia entre yields de los bonos (EEUU vs la nación a

analizar), las desviaciones de los retornos del mercado accionario de la nación en

cuestión o una combinación de ambas metodologías (Damoradan, 2002). Como método

de selección entre las tres metodologías propuestas se elige el diferencial entre las tasas

yield de ambos países. Esto conforme lo presentan Villarreal & Córdoba (2010): “The

most popular empiric measurement, for this (country risk) premium, based on market

prices information, though still debated; is the difference between a country’s issued

of 29

foreign bonds and those considered as risk-free rate bonds. For this practical exercise,

the EMBI+ series, calculated by J. P. Morgan Chase is considered”.

Marco Teórico

Con base en lo que sugiere la literatura revisada, se parte de la idea de que existe una

relación relevante y significativa entre el riesgo de un país y los flujos de inversión

extranjera que este recibe. Esto debe implicar que ante aumentos o disminuciones del

riesgo a final de un año, se debe dar algún efecto en el comportamiento de los flujos de

FDI para el periodo siguiente. Los inversionistas podrían responder de forma más o

menos fuerte ante aumentos del riesgo país, y esto depende de su grado de aversión al

riesgo (Berk, 2011). Conforme a lo expuesto por Damoradan (2002), se toma el enfoque

de diferencial entre el spread de los bonos soberanos para cuantificar el riesgo bajo el

supuesto de que este es un enfoque ampliamente utilizado por los inversionistas

considerando que el profesor Damoradan es una autoridad en lo que a valoraciones de

activos y proyectos se refiere. Se toma como medición global de este riesgo país la

relación existente entre los yields de los bonos soberanos entre el país emergente y una

economía del primer mundo. Para el cálculo de este modelo se toma el EMBI+ como

mejor estimación del riesgo país teniendo en cuenta toda la información de mercado

disponible (Villarreal & Córdoba, 2010). El modelo considera dos variables

fundamentales; por un lado está la inversión extranjera en el periodo t, que representa

los flujos externos a determinado país que ingresaron en ese año. Por el otro está el

riesgo país representado por el EMBI+, presentado por el diario argentino especializado

en economía Ámbito Financiero según lo calcula la banca de inversión J.P. Morgan

Chase (2014).

Para la consolidación del panel de datos es necesario juntar las variables de interés

(flujos de inversión extranjera y riesgo país) con otras variables de control que

acompañen al riesgo como variables explicativas de la inversión. Este es un punto de

debate ya que en la literatura se tratan diversos y diferentes puntos como determinantes

de los FDI, así que se eligen variables concordantes con los papers desarrollados por

Hakayawa, Kimura & Lee (2011, 2012). Estas variables son consumo total, inflación,

PIB per cápita, crecimiento del PIB, población total, tasa de crecimiento poblacional,

of 29

Como variable explicativa de los FDI en el periodo t se toma el EMBI+ del último día

del año t-1, al ser este el valor que pueden observar los inversionistas previos al año t

para planear y tomar sus decisiones con respecto a inversiones. También cabe recalcar

que, basado en las especificaciones empíricas realizadas por los autores consultados,

solo se considera la existencia de otro efecto intertemporal entre los flujos de FDI de un

periodo y los del periodo siguiente. Esto implica se parte del supuesto de que ninguna

de las otras variables tiene relación con los flujos de FDI de otros periodos o con sí

misma en otros instantes de tiempo. Existe la posibilidad de que la relación entre FDI y

el diferencial de tasas puede ser bi-causal, lo cual implica que se toma la variable

EMBI rezagada.

De forma homóloga a la realizada por los autores previamente mencionados, se utilizan

métodos econométricos para buscar encontrar la significancia de la relación entre las

variables riesgo y FDI así como validar la relación negativa existente entre ellas. Ya que

para el presente trabajo se busca agrupar observaciones de diferentes individuos (países)

agrupados por periodos (anualidades), se define esto como un panel de datos (Rosales,

Perdomo, Morales, & Urrego, 2013). Mediante el uso de datos con estas características

se espera aprovechar 4 posibles ventajas al realizar la estimación empírica. En primera

instancia, la omisión de variables constantes en todos los periodos de estimación

permite llegar a cierto grado de eliminación del problema de endogeneidad que puede

presentar un modelo. En segunda instancia, la existencia de observaciones repetidas en

el tiempo elimina efectos cíclicos lo cual posibilita al modelo para analizar efectos de

largo plazo entre las variables. Estos datos también permiten identificar y medir efectos

no detectables por simples muestras de corte transversal. Por último, utilizar datos de

estas características permite mejorar la precisión de las estimaciones consideradas

(Rosales, Perdomo, Morales, & Urrego, 2013).

De esta forma, se buscara encontrar una relación de la siguiente manera mediante el uso

de los datos panel con observaciones para 13 países en 10 años (2003-2012):

∑

of 29

Para la estimación y el trabajo con datos longitudinales se utilizan los pasos ilustrados

para el manejo de este tipo de bases de datos en el texto Fundamentos de Econometría

Intermedia (Rosales, Perdomo, Morales, & Urrego, 2013).

Análisis de Datos

La disponibilidad de datos permite trabajar con 13 países para 10 años en un panel

balanceado. En la tabla 2 se puede observar el valor promedio para las variables de

interés para los 13 países seleccionados. Estos promedios permiten observar que existe

una gran diferencia entre los países seleccionados en cuando a magnitud de la población

y al PIB se refiere. Referente a la población (y por ende a la magnitud del mercado) se

observa que la base de datos oscila entre países pequeños como Uruguay y Panamá

(alrededor de 3 millones) y otros de gran tamaño como Rusia y Brasil (más de 100

millones de habitantes). En cuanto a magnitudes del PIB ocurre algo similar, ya que se

tienen valores entre los 20 mil millones de dólares (Uruguay y Panamá) y valores

cercanos al millón de millones (Brasil y Rusia). A continuación se presenta la tabla 1

con las variables explicativas a utilizar en el modelo y su explicación respectiva como

reportada por el Banco Mundial (2014):

Tabla 1: Explicación de las variables tomada del Banco Mundial

Fuente: Banco Mundial

Variable de Control Descripción (Worold Bank)

Foreign direct

investment, net inflows

(BoP, current US$)

Foreign direct investment are the net inflows of investment to acquire a lasting management interest (10 percent or more

of voting stock) in an enterprise operating in an economy other than that of the investor. It is the sum of equity capital,

reinvestment of earnings, other long-term capital, and short-term capital as shown in the balance of payments. This series

shows net inflows (new investment inflows less disinvestment) in the reporting economy from foreign investors. Data are

in current U.S. dollars.

Final consumption

expenditure, etc.

(constant 2005 US$)

Final consumption expenditure (formerly total consumption) is the sum of household final consumption expenditure

(formerly private consumption) and general government final consumption expenditure (formerly general government

consumption). This estimate includes any statistical discrepancy in the use of resources relative to the supply of

resources. Data are in constant 2005 U.S. dollars.

Inflation, GDP deflator

(annual %)

Inflation as measured by the annual growth rate of the GDP implicit deflator shows the rate of price change in the

economy as a whole. The GDP implicit deflator is the ratio of GDP in current local currency to GDP in constant local

currency.

GDP growth (annual %)

Annual percentage growth rate of GDP at market prices based on constant local currency. Aggregates are based on

constant 2005 U.S. dollars. GDP is the sum of gross value added by all resident producers in the economy plus any product

taxes and minus any subsidies not included in the value of the products. It is calculated without making deductions for

depreciation of fabricated assets or for depletion and degradation of natural resources.

GDP per capita

(constant 2005 US$)

GDP per capita is gross domestic product divided by midyear population. GDP is the sum of gross value added by all

resident producers in the economy plus any product taxes and minus any subsidies not included in the value of the

products. It is calculated without making deductions for depreciation of fabricated assets or for depletion and

degradation of natural resources. Data are in constant 2005 U.S. dollars.

Population growth

(annual %)

Population growth (annual %) is the exponential rate of growth of midyear population from year t-1 to t, expressed as a

percentage.

Population (Total) Population, total refers to the total population.

of 29

Tabla 2: Promedios por país para el periodo 2003-2012

Fuente: Cálculos realizados por el autor con datos del Banco Mundial

El gráfico 1 presenta la evolución del riesgo país a lo largo del periodo considerado para

todos los países seleccionados. Se puede observar que existe una tendencia similar en

todos los países en cuanto a subidas y bajadas refiere. El 2008, por ejemplo, muestra

como una situación coyuntural como la crisis financiera generó un alza generalizada del

riesgo país para las naciones consideradas. Sin embargo, la diferencia absoluta da

muestras sobre la diferencia en la percepción del riesgo para los diferentes países.

Venezuela, por ejemplo, presentó valores de riesgo mucho más elevados durante dicha

crisis. La explicación del exceso de incremento en Venezuela del riesgo país por encima

del promedio de los otros países es explicable por otros hechos políticos y sociales

independientes de la crisis del 2008 como lo son unos niveles de inflación muy

elevados, expropiaciones, inestabilidad política y dependencia excesiva del petróleo.

Row Labels

Average of FDI

$$ (Current US)

Average of

Riesgo Pais

(PB)

Average of

Consumo Total

($$ USD Const

Average of

Inflation

(%)

Average of GDP

($$ USD Const

2005)

Average of

GDP g (%)

Average of GDP

Per Cap ($$ USD

Const 2005)

Average of

Population

g (%)

Average of

Population

(No.)

Brasil $39,091,807,322 278.2 $812,199,863,300 7.71 $983,963,374,811 3.60 $5,150 1.02 190,609,472

Bulgaria $5,088,587,475 204.9 $26,988,635,852 5.26 $31,308,461,083 3.52 $4,123 -0.74 7,609,918

Colombia $8,444,483,649 253 $85,862,291,629 5.51 $167,242,925,579 4.73 $3,718 1.46 44,810,708

Filipinas $1,919,100,000 278.9 $96,958,661,421 4.31 $117,221,919,917 5.17 $1,302 1.78 89,636,156

Mexico $21,944,467,786 174 $696,712,066,126 6.91 $896,654,482,831 2.54 $7,836 1.24 114,330,211

Panama $2,032,090,000 240.6 $13,196,237,644 2.99 $19,826,984,800 8.25 $5,577 1.79 3,521,963

Peru $5,675,605,010 220.1 $72,563,515,529 3.71 $96,821,956,245 6.52 $3,380 1.15 28,498,501

Polonia $14,599,800,000 130.7 $277,113,498,326 2.65 $346,487,480,980 4.29 $9,059 0.08 38,235,200

Rusia $34,545,742,280 241 $593,374,717,907 14.75 $817,144,751,218 4.85 $5,717 -0.21 143,070,771

Turqía $12,277,500,000 271 $436,113,476,356 9.66 $526,238,984,750 5.06 $7,501 1.29 69,944,771

Ucrania $6,370,400,000 672.1 $77,245,470,089 16.33 $90,730,074,398 3.65 $1,953 -0.56 46,514,840

Uruguay $1,600,767,908 320.2 $16,752,934,406 7.78 $20,091,751,079 5.27 $5,990 0.20 3,350,304

Venezuela $1,564,000,000 790.3 $102,618,429,120 25.80 $163,138,459,575 4.99 $5,825 1.68 27,883,330

of 29

Gráfico 1: Riesgo País

Fuente: Cálculos realizados por el autor con datos del JP Morgan

4

Por último se puede observar en el gráfico 2 la relación entre los promedios de Flujos de

Inversión Extranjera y el Riesgo País. Para tener en cuenta que existen diferencias en

cuanto a tamaño de los países (Bulgaría es similar en tamaño a Bogotá y Brasil es el

país mas grande de Latinoamerica), se utiliza el cociente entre los FDI y el PIB de cada

país y esta relación es la que se compara con el riesgo país promedio.

4 Cálculos propios del autor con los datos del riesgo país de J.P Morgan Chase. (2014).

Recuperado de Ámbito Financiero: http://www.ambito.com/economia/mercados/riesgo-

pais/

of 29

Gráfica 2: Ubicación de los países en relación a FDI/GDP5 y Riesgo

6

Con el gráfico, se puede observar que la relación no parece dar fuertes indicios sobre

como el riesgo es la explicación exclusiva de FDI por riesgo, lo cual señala que la

explicación sobe la magnitud de flujos de inversión también debe estar relacionada con

las variables de control. El análisis empírico de este trabajo permite pasar de la parte

gráfica a la matemática para observar como los flujos de FDI son afectados por el riesgo

país y las demás variables de control.

Marco Empírico

Resultados Preliminares: Propuesta de Modelos de Regresión7 8

En esta sección se busca proponer, validar y calibrar un modelo de regresión que

relacione el riesgo país (EMBI+) con los flujos de inversión extranjera directa. Para

5 Cálculos propios del autor con la información de la base de datos del Banco Mundial (2014).

Recuperada de www.worldbank.com/data 6 Cálculos propios del autor con los datos del riesgo país de J.P Morgan Chase. (2014). Recuperado de

Ámbito Financiero: http://www.ambito.com/economia/mercados/riesgo-pais/

7 Resultados obtenidos a la fecha 27 de Marzo de 2014 8 Fuente: Todas las regresiones realizadas en este capítulo son el resultado de los cálculos realizados por el autor con las bases de datos del riesgo país de J.P. Morgan y del Banco Mundial

of 29

desarrollar el modelo empírico que permita asociar el riesgo país con la inversión

extranjera, se tomó como base el modelo propuesto en el paper de discusión How Does

Country Risk Matter for Foreing Direct Investment?. El modelo propuesto por los

autores es el siguiente (Hayakawa, Kimura, & Lee, 2011):

En este modelo FDI es el logaritmo de la entrada de flujos de inversión extranjera, CV

es el conjunto de variables de control que acompañarán al riesgo en la regresión, es

una dummy para identificar el país y es una dummy que identifica el año de la toma

de datos (Hayakawa, Kimura, & Lee, 2011).

Para el modelo de este trabajo de grado se decidió utilizar un modelo similar tomando

los flujos de inversión extranjera explicada por el riesgo país del periodo

inmediatamente anterior y un grupo de variables de control. El modelo personal

propuesto, basado en el previamente expuesto, es el siguiente:

( )

Para esta, y las demás regresiones propuestas, el subíndice i hace referencia al país que

se está tratando y el subíndice t hace referencia al dato que se está tratando. Así pues,

representa el riesgo país como medición del spread de los bonos soberanos de

forma reportada por J.P Morgan para el país i a final del año t. Las variables FDI

representan los flujos de inversión extranjera del país en cuestión. Las demás variables

siguen la misma metodología con respecto a los subíndices, y fueron previamente

explicadas como se observó en la tabla1. Para este modelo se presenta la inversión

como auto explicativa a un periodo, ya que en la literatura revisada9 se utilizó este

enfoque y el flujo del periodo t-1 resultó ser significativo para la explicación de la

inversión en el periodo t. Las demás variables de control se seleccionaron basados en

los trabajos similares realizados por Hayakawa, Kimura & Lee (2011, 2012) y el de

Samara (2012).

9 Los trabajos realizados en 2011 y 2012 por Hayakawa, K., Kimura, F., & Lee, H.-H. titulados How Does

Country Risk Matter for Foreign Direct Investment? validan este enfoque del efecto autoregresivo de un periodo.

of 29

Inicialmente analiza la existencia de alguna relación estadística entre los flujos de

inversión extranjera y el riesgo país a final del año anterior de la base de datos

recolectada. El coeficiente de correlación arroja un valor de -0.18, lo cual indicaría que

la relación entre ambas variables de interés es negativa. Una regresión simple entre FDI

y CR de prueba arroja un Beta negativo y significativo, lo cual validaría esta idea

inicial.

Tabla 3: Regresión auxiliar entre la inversión y el riesgo país

(1)

VARIABLES investment

countryrisklast -7.627e+06**

(3.680e+06)

Constant 1.461e+10***

(1.856e+09)

Observations 130

R-squared 0.032

Standard errors in parentheses

*** p<0.01, ** p<0.05, * p<0.1

El coeficiente de correlación cumple con dos características esperadas para los datos.

Por un lado, el valor resultado es negativo, lo cual es esperable ya que se asume que los

individuos racionales son adversos al riesgo, lo cual implica que al aumentar los niveles

de riesgo país deberían reducirse los de inversión extranjera. Por otro lado, si bien el

coeficiente no presenta valores elevados cercanos a -1, tampoco presenta un valor muy

cercano a 0, lo cual podría indicar que existe un potencial de relación entre las variables.

En primera instancia se analiza la regresión por MCO, y se obtienen los siguientes

resultados:

Tabla 4: Regresión por MCO del modelo 1

(1)


investmentlast 0.836***

(0.0671)

countryrisklast 1.345e+06

(2.009e+06)

totalconsumption 0.0147**

(0.00735)

inflation 6.251e+07

of 29

(7.480e+07)

gdpgrowth 7.604e+08***

(1.743e+08)

gdppercap -375,697

(412,424)

popgrowth -1.289e+09**

(6.219e+08)

pop 0.0511

(31.20)

Constant -2.492e+09

(2.761e+09)

Observations 130

R-squared 0.855


*** p<0.01, ** p<0.05, * p<0.1

Para esta regresión se analizarán los signos de los coeficientes y la significancia de los

mismos. Se observa que las variables significativas son únicamente el consumo total, el

crecimiento porcentual del PIB per cápita. En adición a esto, se observa que todas las

variables tienen un efecto positivo sobre los flujos de inversión excepto el PIB per

cápita y la tasa de crecimiento de la población. Esto no concuerda con lo esperado para

el riesgo país según la noción de individuos adversos al riesgo. El PIB per cápita

negativo tampoco con cuerda con el signo esperado teniendo en cuenta la literatura

analizada. Esto implica que podría existir heterogeneidad no observada por países

(Rosales, Perdomo, Morales, & Urrego, 2013).

Sin embargo, antes de pasar a analizar los efectos fijos y efectos aleatorios que se

proponen en la literatura como siguiente paso, se plantean dos modelos alternativos al

inicial para tener propuestas alternativas teóricas como modelo econométrico. Para esto,

se usa un concepto utilizado por los autores de la versión del 2012 del paper How Does

Country Risk Matter for Foreign Direct Investment? (Hayakawa, Kimura, & Lee,

2012). En este modelo, los autores utilizan el logaritmo de datos como los flujos, el PIB

y la población. Entonces se plantean a partir de esta idea dos modelos. El primero de

ellos toma las variables no porcentuales del modelo. Esto es, excluye las tasas de

crecimiento entre años, y no tendrá en cuenta la población dado que ya incluye el PIB y

el PIB per capita, lo cual generaría problemas de munlticolinealidad.:

( )

of 29


(1)

VARIABLES lninvest

lninvestlast 0.597***

(0.0587)

countryrisklast -0.000416***

(0.000143)

lncon 1.143**

(0.465)

lngdp -0.914**

(0.457)

lngdpper 0.157

(0.0992)

Constant 2.334**

(1.030)

Observations 127

R-squared 0.831


*** p<0.01, ** p<0.05, * p<0.1

Los resultados de este modelo por MCO muestran resultados más consistentes con la

teoría. El PIB per cápita tiene un efecto positivo, aunque no es significativo a un 5%.

Todas las demás variables son significativas y se destaca que el riesgo país tiene un

efecto relevante al 5% y además es un efecto negativo, lo cual implica que va acorde

con la teoría de individuos adversos al riesgo.

El segundo modelo alternativa considerado sería uno casi idéntico al propuesto por los

autores, que consideraría las tasas de crecimiento del PIB y población a través del

tiempo y saca de la ecuación el consumo:

( )


(1)

VARIABLES lninvest

countryrisklast -0.000350**

(0.000173)


(0.0606)

lngdpper 0.323***

(0.108)

gdpgrowth 0.00884

of 29

(0.0148)

lnpop 0.240***

(0.0553)

popgrowth -0.136**

(0.0555)

Constant 1.983*

(1.108)

Observations 128

R-squared 0.832


*** p<0.01, ** p<0.05, * p<0.1

Este modelo también presenta significancia de la variable y una correcta dirección

negativa de la misma. Las demás variables también van de acuerdo a la literatura

estudiada pues los efectos de las variables son en general positivos. La población se

presenta con un efecto negativo, pero eso si se presentó en algunas ocasiones en los

papers leídos.

Efectos Fijos y Efectos Aleatorios

Aunque la realización de la prueba de Ramsey da indicios sobre la validez del modelo

vs la posible existencia de sesgos de especificación, se trabaja posteriormente la

metodología de efectos fijos y efectos aleatorios para calibrar de mejor forma la

regresión. Pese a que la prueba de Ramsey reportó que dos modelos presentan posible

sesgo de especificación, se trabaja con los tres modelos propuestos en el ejercicio

preliminar.

Así pues, este trabajo considera realizar el cálculo de la regresión con efectos aleatorios

y posteriormente el cálculo de la regresión con efectos fijos para poder realizar un

comparativo entre ambos y elegir el más adecuado.

Tabla 7: Regresión por efectos aleatorios del modelo 1

(1)



(0.0671)


(2.009e+06)

totalconsumption 0.0147**

of 29

(0.00735)

inflation 6.251e+07

(7.480e+07)


(1.743e+08)

gdppercap -375,697

(412,424)

popgrowth -1.289e+09**

(6.219e+08)

pop 0.0511

(31.20)

Constant -2.492e+09

(2.761e+09)

Observations 130

Number of id 13


*** p<0.01, ** p<0.05, * p<0.1

Se puede observar que el resultado obtenido al estimar el modelo 1 por efectos

aleatorios. Se puede observar al realizar esta regresión que los resultados en cuanto al

valor, orientación y significancia de las variables analizadas son prácticamente iguales a

los obtenidos con MCO. Posteriormente se realiza la regresión por efectos fijos, en la

cual los valores y significancias si varían con respecto al MCO inicial. En cuanto a la

bondad de ajuste de la regresión, se puede observar que los R-cuadrado totales

calculados arrojan valores favorables superiores al 60% en todos los casos.

Tabla 8: Regresión por efectos fijos del modelo 1

(1)



(0.0798)


(2.283e+06)

totalconsumption 0.0332***

(0.0101)

inflation 2.565e+08**

(1.186e+08)


(1.914e+08)

gdppercap 741,374

(928,082)

popgrowth -8.693e+08

(2.502e+09)

pop 270.9

of 29

(249.8)

Constant -3.001e+10*

(1.619e+10)

Observations 130

Number of id 13

R-squared 0.676


*** p<0.01, ** p<0.05, * p<0.1

La regresión por efectos fijos presenta resultados diferentes a los presentados en los

casos anteriores. En este caso la inflación si presenta resultados significativos al 5%

mientras que la tasa de crecimiento poblacional deja de ser significativa. Los valores del

estadístico R-cuadrado son superiores al 65% para las tres modalidades presentadas. Las

demás variables siguen los mismos patrones de significancia encontrados anteriormente.

Por último, se realiza con este primer modelo la prueba de Hausman para diferenciar

entre efectos fijos y efectos aleatorios.

El resultado de la prueba de Hausman para este modelo es un p-valor de 0,091410

. La

hipótesis nula indica que el modelo de efectos aleatorios es preferido sobre el de efectos

fijos al ser estimadores más eficientes, lo cual indicaría que para el modelo 1, la

representación por efectos aleatorios sería la más adecuada. Este mismo procedimiento

de efectos aleatorios, fijos y prueba de Hausman se realiza con los modelos 2 y 3 para

encontrar cuál de todos sería el más adecuado para representar los determinantes de los

FDI para los países representados. Para el modelo 2, se obtienen los siguientes

resultados:


(1)

VARIABLES lninvest


(0.0587)


(0.000143)

lncon 1.143**

(0.465)

lngdp -0.914**

(0.457)

lngdpper 0.157

(0.0992)

Constant 2.334**

10

La table de resultados puede verse en los anexos al final del documento

of 29

(1.030)

Observations 127

Number of id 13


*** p<0.01, ** p<0.05, * p<0.1

Se puede observar al realizar esta regresión que los resultados en cuanto al valor,

orientación y significancia de las variables analizadas son nuevamente iguales a los

obtenidos con MCO para el modelo 2. En cuanto a la bondad de ajuste de la regresión,

se puede observar que los R-cuadrado totales calculados arrojan valores favorables

superiores al 50% en todos los casos.


(1)

VARIABLES lninvest


(0.0809)


(0.000151)

lncon 2.520***

(0.774)

lngdp -0.607

(1.626)

lngdpper -0.408

(2.004)

Constant -29.92

(26.68)

Observations 127

Number of id 13

R-squared 0.568


*** p<0.01, ** p<0.05, * p<0.1

La regresión por efectos fijos, nuevamente, presenta resultados diferentes a los

presentados en los casos anteriores. En este caso el PIB per cápita deja de ser

significativo como determinante de los FDI con un 5% de significancia, mientras que

las demás variables siguen manteniendo comportamientos similares a los de las

regresiones pasadas. Los valores del estadístico R-cuadrado son superiores al 50% para

las tres modalidades presentadas. Las demás variables siguen los mismos patrones de

significancia encontrados anteriormente. Por último, se realiza con este segundo modelo

la prueba de Hausman para diferenciar entre efectos fijos y efectos aleatorios.

of 29


. Para

este caso, se observa que en la prueba de Hausman se rechaza la hipótesis nula, lo cual

indica que el modelo de efectos fijos es preferido al de efectos aleatorios ya que son

consistentes. Por último, se realizó la misma metodología para el tercer modelo.


(1)

VARIABLES lninvest


(0.000173)


(0.0606)

lngdpper 0.323***

(0.108)

gdpgrowth 0.00884

(0.0148)

lnpop 0.240***

(0.0553)

popgrowth -0.136**

(0.0555)

Constant 1.983*

(1.108)

Observations 128

Number of id 13


*** p<0.01, ** p<0.05, * p<0.1

Se puede observar. Para este último modelo, que los resultados en cuanto al valor,

orientación y significancia de las variables analizadas son nuevamente iguales a los

obtenidos con MCO para el modelo 3. Se concluye entonces que para estos modelos y

en general para estos datos tratados, los resultados entre MCO y efectos aleatorios

presentarían poca, o ninguna, variación entre sí. En cuanto a la bondad de ajuste de la

regresión, se puede observar que los R-cuadrado totales calculados arrojan valores

favorables superiores al 45% en todos los casos.

11

Los resultados pueden observarse en los anexos a final del documento

of 29


(1)

VARIABLES lninvest

countryrisklast -0.000334*

(0.000192)


(0.0877)

lngdpper 1.780***

(0.613)

gdpgrowth -0.00132

(0.0152)

lnpop 0.992

(1.694)

popgrowth 0.236

(0.207)

Constant -17.20

(27.43)

Observations 128

Number of id 13

R-squared 0.536


*** p<0.01, ** p<0.05, * p<0.1

La regresión por efectos fijos, nuevamente, presenta resultados diferentes a los

presentados en los casos anteriores. En este tanto la población como el crecimiento

poblacional dejan de ser significativos como determinantes de los FDI con un 5% de

significancia. De este resultado se resalta que el riesgo país deja de ser significativo

también, lo cual va totalmente en contra del objetivo de este trabajo y va también en

contra de los resultados de las otras 8 regresiones realizadas.. Los valores del estadístico

R-cuadrado son superiores al 50% para las tres modalidades presentadas. Es de resaltar

que este estadístico presenta para este caso el valor más bajo de los tres modelos

analizados.


. Para

este último caso, se observa que en la prueba de Hausman se rechaza la hipótesis nula,

lo cual nuevamente indica que el modelo de efectos fijos es preferido al de efectos

aleatorios ya que son consistentes, pese a que este es el modelo que presento menores

valores para el estadístico R-cuadrado en general y el que además no valido el uso del

riesgo país como determinante de la inversión extranjera.

12

Los resultados pueden observarse en los anexos a final del documento

of 29

Como última medida estadística a tener en cuenta, y teniendo en cuenta que se trabaja

con regresiones por la metodología MCO, se utiliza la prueba de RAMSEY para estos

tres modelos para verificar si existe algún tipo de sesgo de especificación, donde la

hipótesis a probar es si el modelo no omite variables.

Tabla 16: Prueba de Ramsey para los modelos

Según estos resultados, con un nivel de significancia de 5%, se puede decir que el único

modelo que no presentaría problemas de especificación es el segundo modelo

propuesto.

Análisis de Resultados

Para poder analizar toda la información obtenida anteriormente, se consolidan los

estadísticos más relevantes en la tabla presentada a continuación.

Tabla 17: Resultados estadísticos consolidados por el autor

La prueba de Hausman permite diferenciar, para cada uno de los tres modelos, si el más

adecuado es el que considera efectos fijos y efectos aleatorios. Según lo indicado por la

prueba, para los tres modelos expuestos, el primero es más eficiente cuando se utiliza

F(3,118) P-value

Modelo 1 4.77 0.0035

Modelo 2 2.21 0.0908

Modelo 3 3.36 0.0212

P-Value Valor P-Value Valor P-Value Valor P-Value Valor P-Value Valor P-Value Valor

MCO 0.0000 0.8355 0.5040 1344873 0.0480 0.0147 0.4050 62,500,000 0.0000 760,000,000 0.3640 -375,697

FE 0.0000 0.6934 0.3880 1977945 0.0010 0.0332 0.0330 256,000,000 0.0010 652,000,000 0.4260 741,374

RE 0.0000 0.8336 0.5030 1344873 0.0460 0.0147 0.4030 62,500,000 0.0000 760,000,000 0.3620 -375,697

MCO 0.0000 0.5974 0.0040 -0.0004 0.0150 1.1434 0.0480 -0.9137 0.1150 0.1574

FE 0.0000 0.3264 0.0060 -0.0004 0.0020 2.5203 0.7090 -0.6073 0.8390 -0.4076

RE 0.0000 0.5974 0.0040 -0.0004 0.0140 1.1434 0.0460 -0.9137 0.1120 0.1574

MCO 0.0000 0.6188 0.0450 -0.0003 0.5510 0.0088 0.0040 0.3226

FE 0.0000 0.3327 0.0850 -0.0003 0.9310 -0.0013 0.0040 1.7803

RE 0.0000 0.6122 0.0430 -0.0003 0.5500 0.0088 0.0030 0.3226

P-Value Valor P-Value Valor Overall Within Between

MCO 0.0400 -1,290,000,000 0.9990 0.5115 0.0035 0.0000 0.8458

FE 0.7290 -869,000,000 0.2800 270.9097 0.7346 0.6757 0.9216

RE 0.0380 -1,290,000,000 0.9990 0.5115 1.0000 0.8553 0.6435 0.9861

MCO 0.0908 0.0059 0.8241

FE 0.6609 0.5678 0.7911

RE 1.0000 0.831 0.5184 0.9606

MCO 0.0160 -0.1357 0.0000 0.2395 0.0212 0.0021 0.8232

FE 0.2560 0.2363 0.5590 0.9916 0.6713 0.5363 0.7616

RE 0.0150 -0.1357 0.0000 0.2395 1.0000 0.8316 0.491 0.973Mo

d. 3

R2

0.0914

0.0000

0.0005

Mo

d. 1

Mo

d. 2

Mo

d. 3

Mo

d. 1

Mo

d. 2

DeltaL LRamsey Breusch Hausman

GDPPCFDI-1 CR-1 Tcons Pi GDP/DeltaGDP

of 29

con efectos aleatorios mientras que, para los dos modelos restantes, la metodología de

efectos fijos es la más adecuada. Al ceñir el análisis de resultados a estos tres modelos,

se descarta el modelo 3 ya que su presentación por efectos fijos arroja los estadísticos

R-cuadrado más bajos y porque no paso la prueba de Ramsey, lo cual indicaría que

existe sesgo de especificación. Al realizar un comparativo entre el modelo 1 y el modelo

2, se destaca como principal diferencia que el primero de estos tampoco pasa la prueba

de Ramsey de sesgo de especificación, lo cual señalaría que no es el modelo más

adecuado para representar la relación que se desea mostrar.

Por estas razones, se define que el modelo más adecuado para representar la relación de

causalidad entre las variables de control y la variable riesgo país con los FDI es el

segundo modelo propuesto en el presente trabajo. Como dicho modelo presenta dos

variables no significativas, se busca finalmente calcular un cuarto modelo que ignore

estas variables y solo tenga en cuenta las significativas.

( )

Se realiza la estimación pertinente para este modelo por MCO como metodología inicial

según sugiere la teoría:

Tabla 18: Regresión por MCO para el modelo final

(1)

VARIABLES lninvest


(0.0552)


(0.000143)

lncon 0.220***

(0.0544)

Constant 2.632***

(0.924)

Observations 127

R-squared 0.824


*** p<0.01, ** p<0.05, * p<0.1

Se puede observar, como era de esperarse, que todas las variables consideradas como

explicativas en este caso son significativas al 5% para explicar el comportamiento de la

variable FDI. Para continuar con la validación del modelo y, como se observa a lo largo

of 29

de los modelos pasados, se realiza la estimación con efectos fijos y efectos aleatorios

para comparar los tres modelos y elegir entre ellos.

Tabla 19: Regresión por efectos aleatorios para el modelo final

(1)

VARIABLES lninvest


(0.0552)


(0.000143)

lncon 0.220***

(0.0544)

Constant 2.632***

(0.924)

Observations 127

Number of id 13


*** p<0.01, ** p<0.05, * p<0.1

Tabla 20: Regresión por efectos fijos del modelo final

(1)

VARIABLES lninvest


(0.0766)


(0.000142)

lncon 1.802***

(0.383)

Constant -30.19***

(8.655)

Observations 127

Number of id 13

R-squared 0.563


*** p<0.01, ** p<0.05, * p<0.1

Al observar los resultados de las regresiones por efectos fijos y efectos aleatorios se

puede ver que todas las variables son significativas al 5% para ambos modelos.

También se puede observar que los valores de los R-cuadrados son superiores al 50%

para los casos presentados. Para realizar un comparativo entre el modelo por MCO y los

de efectos aleatorios y fijos se utilizan la prueba de Hausman y la de Breusch-Pagan.

of 29

El resultado de esta prueba de heteroscedasticidad es un p-valor de 0,0058. Al observar

los resultados de esta prueba de Breusch-Pagan para el modelo por MCO, se puede

observar que no se cumple con el principio de homoscedasticidad para esta regresión.

Eso implica que el modelo por MCO no es la estimación más adecuada para la

representación de la relación entre las variables como las presenta el modelo final. Esto

deja como modelos válidos los estimados por efectos fijos o por efectos aleatorios. La

elección entre estos dos modelos se hace, como en los casos previamente expuestos,

mediante el uso de la prueba de Hausman


. Se

puede observar que para este modelo se rechaza la hipótesis nula lo cual implica que es

el modelo por efectos fijos. Según este modelo, la inversión extranjera, el riesgo país y

el consumo son variables significativas para la determinación de los flujos de FDI.

Conclusiones

Como objetivo de este trabajo, se puede concluir que efectivamente el riesgo país si

tiene un efecto significativo en la determinación de los flujos de FDI del siguiente año

en los países. Los resultados del marco empírico prueban que efectivamente existe una

relación significativa entre el riesgo país y los FDI. También se demuestra que la

relación es negativa entre estos dos factores para un país, lo cual se explica por el

concepto de aversión al riesgo, bajo el cual los individuos buscarían en general realizar

inversiones con menor riesgo para sus capitales. Según las estimaciones realizadas y

tras calibrar el modelo, se puede concluir que, si bien el riesgo país mostró ser

significativo, dicho efecto fue muy pequeño. Según la estimación realizada, un

incremento de un 1% en el riesgo país genera una reducción de -0.0003678 en los flujos

de inversión extranjera. Puede decirse entonces que el efecto es negativo y significativo,

aunque esta medición especifica de riesgo, adaptada de la metodología de J.P. Morgan,

vista como diferencial de las tasas de rendimiento de los bonos no tiene un efecto

absoluto tan relevante.

Las conclusiones de este trabajo van de acuerdo con las encontradas en la literatura

tanto en significancia del riesgo país a la hora de determinar los FDI como en cuanto a

13

Los resultados pueden observarse en los anexos al final del documento

of 29

la relación negativa existente entre estas dos variables. En la literatura revisada previo a

la elaboración de esta Memoria de Grado, especialmente la expuesta por por Hayakawa,

Kimura & Lee para los años 2011 y 2012, se identifica el riesgo país, especialmente el

de carácter político, como determinante significativo y relevante (mediante una relación

negativa) para los flujos de FDI.

Cabe resaltar que los resultados obtenidos con la medición de riesgo país hecha por

autores como Hayakawa, Kimura & Lee (2011) arrojan una relación negativa pero más

fuerte en términos de coeficiente Beta. Esto implicaría que, en materia de análisis de

metodologías de cálculo, el riesgo país que utilizan bancas de inversión como J.P.

Morgan no sería tal vez el indicado para tratar de explicar el aumento o disminución de

los flujos de FDI, así que esta metodología debe seguir ciñéndose a la valoración de

empresas.

Anexos

Anexo1: Prueba de Hausman para el modelo 1

Prob>chi2 = 0.0914

= 9.48

chi2(5) = (b-B)'[(V_b-V_B)^(-1)](b-B)

Test: Ho: difference in coefficients not systematic

B = inconsistent under Ha, efficient under Ho; obtained from xtreg

b = consistent under Ho and Ha; obtained from xtreg

pop 270.9097 .0511482 270.8586 254.3796

popgrowth -8.69e+08 -1.29e+09 4.19e+08 2.49e+09

gdppercap 741374 -375696.9 1117071 858326.6

gdpgrowth 6.52e+08 7.60e+08 -1.08e+08 9.04e+07

inflation 2.56e+08 6.25e+07 1.94e+08 9.59e+07

totalconsu~n .0332104 .0146682 .0185422 .0072714

countryris~t 1977945 1344873 633072.1 1205035

investment~t .6933731 .8355163 -.1421432 .0469482

FE1 RE1 Difference S.E.

(b) (B) (b-B) sqrt(diag(V_b-V_B))

Coefficients

of 29



Anexo4: Prueba de Heteroscedasticidad para el modelo final por MCO

Prob>chi2 = 0.0000

= 25.04

chi2(4) = (b-B)'[(V_b-V_B)^(-1)](b-B)




lngdpper -.4076319 .1574035 -.5650354 2.219588

lngdp -.607343 -.9137286 .3063856 1.743414

lncon 2.520315 1.143358 1.376957 .7208385

countryris~t -.0004203 -.0004156 -4.71e-06 .0000863

lninvestlast .32639 .5973642 -.2709742 .0677839



Coefficients

Prob>chi2 = 0.0005

= 22.29

chi2(5) = (b-B)'[(V_b-V_B)^(-1)](b-B)




popgrowth .2362842 -.1357027 .3719868 .2131503

lnpop .9916181 .2395411 .752077 1.802217

gdpgrowth -.0013168 .0088396 -.0101564 .0066594

lngdpper 1.780347 .3225775 1.45777 .6435629

lninvestlast .3327176 .6188366 -.286119 .0710778

countryris~t -.0003339 -.0003495 .0000156 .0001097



Coefficients

Prob > chi2 = 0.0058

chi2(1) = 7.60

Variables: fitted values of lninvest

Ho: Constant variance

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity

. hettest

of 29

Anexo5: Prueba de Hausman para el modelo final

Prob>chi2 = 0.0000

= 30.78

chi2(3) = (b-B)'[(V_b-V_B)^(-1)](b-B)




lncon 1.802273 .22013 1.582143 .4283187

countryris~t -.0003678 -.0004244 .0000566 .0000712

lninvestlast .3038083 .6442108 -.3404025 .0663485



Coefficients

of 29

Bibliografía

Berk, J. (2011). Corporate Finance. Prentice Hall.

Damoradan, A. (2002). Investment Valuation: Tools and Techniques for Determining the Value

of Any Asset. New York: John Wiley & Sons.

Damoradan, A. (s.f.). The Data Page. Obtenido de NYU Stern:

http://people.stern.nyu.edu/adamodar/

Hayakawa, K., Kimura, F., & Lee, H.-H. (2011). How Does Country Risk Matter for Foreign

Direct Investment? Obtenido de Institute of Developing Economies:

http://www.ide.go.jp/English/Publish/Download/Dp/pdf/281.pdf

Hayakawa, K., Kimura, F., & Lee, H.-H. (2012). How Does Country Risk Matter for Foreign

Direct Investment? Obtenido de Economic Research Institute for ASEAN and East

Asia: http://www.eria.org/ERIA-DP-2012-03.pdf

J.P Morgan Chase. (2014). County Risk (Embi+). Obtenido de Ámbito Financiero:

http://www.ambito.com/economia/mercados/riesgo-pais/

J.P. Morgan. (2014). Riesgo País. Obtenido de Diario Ámbito Financiero:

http://www.ambito.com/economia/mercados/riesgo-pais/

Rosales, R., Perdomo, J., Morales, C., & Urrego, J. (2013). Fundamentos de Econometría

Intermedia. Bogotá: Ediciones Uniandes.

Samara, S. (31 de Octubre de 2012). Foreign Direct Investment and Country Risk: What Kind of

Interaction? Obtenido de University of Macedonia:

http://dspace.lib.uom.gr/dspace/bitstream/2159/15434/3/SamaraStauroulaMsc2012.pdf

Scholtens, B. (December de 1999). Bond Yield Spreads and Country Risk. Obtenido de

Karlsruher Institute of Technology:

http://www.fbv.kit.edu/symposium/8th/papers/scholtens.pdf

Villarreal, J., & Córdoba, M. J. (Julio de 2010). A Consistent Methodology for the Calculation

of the Cost of Capital in Emerging Markets. Bogotá, Colombia.

World Bank. (2014). Data By Country. Obtenido de The World Bank:

http://data.worldbank.org/country

Diferencial del rendimiento de los bonos soberanos como ...

Documents

Transcript of Diferencial del rendimiento de los bonos soberanos como ...