Estimación de la Renta Familiar Disponible Municipal y Regional de 1997

INSTITUTO LAWRENCE R. KLEIN UNIVERSIDAD AUTÓNOMA DE MADRID Estimación de la Renta Familiar Disponible Municipal y Regional de 1997 Documento Metodológico Coro Chasco Yrigoyen

ÍNDICE I. INTRODUCCIÓN II. PRIMERA ETAPA: EXTRAPOLACIÓN DE LA RENTA FAMILIAR DISPONIBLE PROVINCIAL PARA EL PERÍODO 1996-1997 2.1. Vías alternativas de aprovechamiento de la información disponible 2.2. Selección de variables explicativas de la renta familiar bruta disponible, de ámbito provincial, para el período 1986-97 2.3. Análisis factorial de las 34 variables explicativas de la renta disponible provincial, para el período 1986-97 2.4. Predicción-extrapolación de la renta familiar bruta disponible por habitante de 1997 mediante la técnica de Datos de Panel III. SEGUNDA ETAPA: ESTIMACIÓN NIVEL ECONÓMICO MUNICIPAL DEL AÑO 1997 3.1. Selección de nuevas variables explicativas de la renta familiar bruta disponible, de ámbito municipal y provincial, para el año 1997. 3.2 Análisis factorial de las 17 variables explicativas de la renta disponible provincial, para el año 1997 3.3 Análisis de regresión múltiple cross-section de la renta familiar disponible provincial, para 1997 3.4 Estimación del nivel económico municipal de 1997 IV. RESULTADOS V. CONCLUSIONES Anexo: TABLAS Y DATOS

I. INTRODUCCIÓN En el presente documento, se presenta la metodología utilizada para la construcción de uno de los indicadores socioeconómicos que se incluirá en el Anuario Comercial de España 1999, el Nivel Económico Municipal, entendido como un índice de la renta familiar disponible por habitante, escalada en 10 niveles (1-10) y estimada para el año 1997. Actualmente, el Instituto L.R. Klein es la única institución que estima, desde 1992, la renta familiar disponible, para todos los municipios de España y con periodicidad anual. Las principales novedades y aportaciones de este método de estimación podrían resumirse en los siguientes puntos:. Selección de dos modelos: el primero, un modelo de datos de panel, estima la renta disponible provincial del INE con un horizonte temporal de dos años. El segundo modelo de regresión múltiple cross-section, a partir de la estimación anterior de renta provincial, obtiene los valores de renta disponible municipal.. Utilización de los datos macroeconómicos de renta disponible provincial y nacional del INE.. Selección de un amplio número de variables explicativas de la renta, tanto para el nivel provincial como municipal, incorporadas a los anteriores modelos a modo de factores incorrelacionados, utilizando el análisis factorial. El proceso de estimación del nivel económico municipal que el Instituto Klein sigue en la elaboración del Anuario Comercial de España 1999, se divide en dos etapas claramente diferenciadas, que se describen a continuación (ver Cuadro 1). La primera de ellas consiste en la extrapolación, para 1997, de la renta familiar disponible provincial que el INE ofrece en su Contabilidad Regional para el período 1986-1995 1 (los datos correspondientes a 1994-1995 son datos de avance). Una vez obtenida la renta provincial de 1997, se procede a la estimación de la renta familiar disponible municipal. 1 Hemos advertido que en los datos de Avance de la Contabilidad Regional, el INE ya no incluye datos de renta disponible del año 1985, mientras que, por otro lado, ha realizado una importante revisión de las cifras del período 1986 en adelante. Por eso, se ha optado por adecuar la base de datos del Instituto Klein a la presentada por el INE, de forma que el período temporal considerado en la primera fase de la estimación de la renta provincial parta del año 1986 y no de 1985, como se había venido haciendo hasta ahora.

EXTRAPOLACIÓN RENTA 1996-97 86...... 97 (Fase Provincial) 1.- Análisis Factorial (1986-97) 34 Variables Provinciales Explicativas de la Renta Disponible = 7 Factores ESTIMACIÓN NIVEL ECONÓMICO MUNICIPAL 1997 (Fase Municipal) 3.- Análisis Factorial (1997) Álava Albac....... Zarag. 17 Var. Prov. Explicativas de la Renta, disponibles por municipios = 4 Fact 86...... 95 2.- Datos de Panel (1986-95) Variable Endogena Renta Familiar Disponib. Variables Exógenas: 7 Factores (reducidos a 5 fact.) 4.- Regresión Múltiple cross-section (1997) Álava Albac....... Zarag. Variable Endogena Renta Familiar Disponib. Variables Exógenas: 4 Factores Estimación Renta Disponible Provincial 1995-96 Estimación Renta Disponible Municipal Cálculo del Nivel Económico Municipal (1-10): Año 1997 Cuadro 1:Proceso de estimación del nivel económico municipal del Anuario Comercial de España 1999 (Fte.: elaboración propia).

II. PRIMERA ETAPA: EXTRAPOLACIÓN DE LA RENTA FAMILIAR DISPONIBLE PROVINCIAL PARA EL PERÍODO 1996-1997 La información provincial constituye la base para la estimación de la renta municipal, pero, dado que el INE sólo ha elaborado la renta familiar disponible provincial para el período 1986-1995, primero hay que realizar una predicción-extrapolación de la misma para los años 1995-1996. Desde 1986 hasta 1995, se dispone de 50 datos anuales, uno para cada una de las provincias españolas. Se trata de elaborar un modelo uniecuacional que explique la renta familiar disponible provincial por habitante en función de una serie de variables de naturaleza económica. Una vez que se haya logrado un ajuste adecuado, se puede predecir el valor de dicha renta en 1996-1997, si se conoce el valor de las variables exógenas para el período de predicción. 2.1. Vías alternativas de aprovechamiento de la información disponible La econometría tradicional ofrece, en principio, tres vías de aprovechamiento alternativas de la información disponible. 1.- La primera de ellas consiste en la estimación del modelo uniecuacional propuesto con un corte transversal para el dato más reciente disponible (1995), dado que se dispone de un conjunto suficientemente amplio de observaciones para un solo año (50 datos, uno por provincia). 2.- La segunda de las aproximaciones estima el modelo propuesto individualmente para cada una de las provincias, con datos temporales, aprovechando que se dispone de 10 datos para cada una de ellas (1986-1995). Este procedimiento resulta arriesgado por ser aún insuficiente un período de 10 años-10 datos por cada provincia. 3.- Es el tercer procedimiento el que, a nuestro juicio, sigue resultando más adecuado para el caso descrito, pese a que es el menos utilizado. Se trata del uso de la metodología del Panel Data o Datos de Panel. Esta técnica utiliza tanto la información temporal como la transversal para la estimación de la ecuación de regresión; esto permite aprovechar al máximo la información disponible (50 datos por 10 años). Entre las ventajas más destacables del Panel Data cabe mencionar que este tipo de estimación es potencialmente capaz de captar simultáneamente la evolución temporal de la variable analizada (al utilizar el corte temporal) y la estructura o distribución entre los elementos analizados (al aprovechar de año en año el corte transversal) [22]. 2.2. Selección de variables explicativas de la renta familiar bruta disponible, de ámbito provincial, para el período 1986-97 El modelo de Datos de Panel utilizado es, pues, una ecuación de regresión en la cual la variable endógena es la renta familiar bruta disponible provincial y las variables exógenas son

variables explicativas de dicha renta disponible provincial, siendo el período considerado los años 1986-1995 y el período de predicción los años 1996-97. Por ello, es necesario realizar primero una selección de aquellas variables provinciales consideradas como explicativas de la renta familiar bruta disponible y de las cuales haya disponibilidad de datos para el período 1986-1997. Se han examinado, para dicho período, 130 variables de naturaleza económica (ver Anexo 1), de ámbito provincial, de forma que sea posible su utilización, tanto para la estimación del modelo como para la predicciónextrapolación de la renta por habitante para 1997. De estas 130 variables, ha sido necesario excluir algunas, bien por dificultades en la obtención de datos homogéneos para toda la serie, bien por su irregular composición para las distintas provincias. Finalmente, las 34 variables seleccionadas para explicar la renta familiar disponible por habitante provincial son las siguientes: AUTO BANCO CAJAS CRECA DEBA DECA DETOT HIFIT FINFI FINCO LICOF LINEA MATRI PERNOC IMDIR% IRPF% SOCI% QOCUA QOCUC QOCUI QOCUS TOCUA TOCUC TOCUI TOCUS TOCUT PIB VAAGR VACON VAEN VAIND VASER VATOT VIVI Parque de Automóviles. Fte.: Dirección General de Tráfico Oficinas Bancarias. Fte.: Asociación Española de la Banca Privada. Oficinas de Cajas de Ahorros. Fte.: Confederación Española de las Cajas de Ahorros. Créditos concedidos por las Cajas de Ahorro. Fte.: Confederación Española de las Cajas de Ahorros. Depósitos en Banca Privada. Fte.: Asociación Española de la Banca Privada. Total Depósitos en Cajas de Ahorros. Fte.: Confederación Española de las Cajas de Ahorros. Total Depósitos Bancarios. Fte.: Banco de España. Valor total de las hipotecas. Fte.: INE. Valor Financiado de los Bienes Financiados. Fte.: INE. Valor al Contado de los Bienes Financiados. Fte.: INE. Licitaciones Oficiales. Fte.: Seopán. Líneas Telefónicas instaladas y pendientes de instalación. Fte.: Telefónica. Matriculación de Automóviles. Fte.: Dirección General de Tráfico. Pernoctaciones en Hoteles y Hostales. Fte.: INE. % Recaudación de Impuestos Directos por Deleg. de la A.E.A.T. Fte.: Ministerio de Economía y Hacienda. % Recaudación del IRPF por Deleg. de la A.E.A.T. Fte.: Ministerio de Economía y Hacienda. % Recaudación del Impuesto de Sociedades por Deleg. de la A.E.A.T. Fte.: Ministerio de Economía y Hacienda. % Ocupados Agricultura sobre Total Ocupados. Fte. INE. % Ocupados Construcción sobre Total Ocupados. Fte. INE. % Ocupados Industria sobre Total Ocupados. Fte. INE. % Ocupados Servicios sobre Total Ocupados. Fte. INE. Tasa de Ocupación de Agricultura. Fte. INE. Tasa de Ocupación de la Construcción. Fte. INE. Tasa de Ocupación de Industria. Fte. INE. Tasa de Ocupació n de Servicios. Fte. INE. Tasa de Ocupación Total. Fte. INE. Producto Interior Bruto. Fte. INE. y Ceprede. Valor Añadido Agricultura, Silvicultura y Pesca. Fte. INE. e Hispalink. Valor Añadido Construcción y Obras de Ingeniería Civil. Fte. INE. e Hispalink. Valor Añadido Prod. Energéticos. Fte. INE. e Hispalink. Valor Añadido Prod. Industriales. Fte. INE. e Hispalink. Valor Añadido Servicios Destinados a la Venta. Fte. INE. e Hispalink. Valor Añadido Total. Fte.: INE. e Hispalink. Viviendas Construidas (terminadas). Fte. INE.

Las variables de valores añadidos han debido ser estimadas, para 1997, a partir de las predicciones que proporcionan Hispalink [19] y Ceprede [7]. 2.3. Análisis factorial de las 34 variables explicativas de la renta disponible provincial, para el período 1986-97 Con el fin de incluir toda la información posible en el modelo de predicción de la renta familiar disponible provincial por habitante y evitar, a la vez, el problema de la multicolinealidad, es necesario realizar previamente un análisis factorial de las 34 variables anteriores [23]. Tomando 50 datos provinciales (excluyendo Ceuta y Melilla) de los 12 años disponibles (600 datos) como una única serie, se pretende construir unas puntuaciones factoriales y, por tanto, factores únicos que tengan la misma estructura para todos los períodos, con el objetivo de poder utilizar a continuación los factores construidos como variables exógenas en el modelo de Datos de Panel. Las 34 variables anteriores deben ser previamente transformadas del modo siguiente: 1. En primer lugar, aquellas variables que vienen expresadas en unidades monetarias (pesetas), han sido previamente deflactadas. Se han utilizado los siguientes deflactores: Deflactor Índice de Precios al Consumo (IPC) general, diferenciado por Comunidades Autónomas (período 1986-92) y por Provincias (período 1993-97). Los IPC específicos de servicios financieros y de vivienda sólo existen para el ámbito nacional y no provincial. Por ese motivo, no se han considerado. Variable DEBA: Depósitos en banca privada. DECA: Depósitos en cajas de ahorros. DETOT: Total depósitos en entidades de crédito. CRECA: Créditos concedidos por cajas de ahorro. FINCO: Valor al contado de los bienes financiados. FINFI: Valor financiado de los bienes financiados HIFIT: Valor total de las hipotecas. LICOF: Licitaciones oficiales. CUDIN: Cuota diferencial neta. CUDIB: Cuota diferencial bruta. Deflactores del VAB a precios de mercado, a 6 ramas de actividad, estimados por Hispalink para las Comunidades Autónomas. Se han aplicado a las provincias los deflactores correspondientes a sus respectivas Comunidades Autónomas 2. VAB a precios de mercado, para 6 ramas de actividad: agricultura, energía, industria, construcción, servicios destinados a la venta, servicios no destinados a la venta, total. 2 Los deflactores correspondientes al año 1997 se han tenido que estimar a partir de las estimaciones que realiza Ceprede para los VAB s a precios de mercado, a 6 ramas. Estos deflactores nacionales han permitido estimar los valores sectoriales del VAB de 1997. A continuación, se realiza un reparto proporcional de los valores del total nacional del VAB, para cada sector, a las distintas comunidades autónomas (a partir de la estructura regional presentada por la Contabilidad Regional para 1996). Gracias a las estimaciones de Hispalink del VAB en pesetas constantes, es posible ya conocer los deflactores regionales, para 6 sectores, de 1997. Estos deflactores se aplican por igual a las provincias de una misma región.

Deflactor del PIB a precios de mercado, para las 50 provincias, estimados por el INE. PIB a precios de mercado. Para los años 1996 y 1997 se han utilizado los deflactores estimados por Ceprede para el PIB nacional. Los deflactores provinciales se han obtenido a partir de la distribución sobre el deflactor nacional de los deflactores provinciales de 1995 (que se ha comprobado es muy similar a la distribución en años anteriores). 2. En segundo lugar, una vez deflactadas las variables monetarias, todas las series (monetarias y no monetarias) deben ser relativizadas por la población. El dato de población utilizado es la población de derecho de los Padrones de 1986 y 1996, y del Censo de 1991.El resto de los años se han estimado a partir de las Rectificaciones Padronales de 1 de enero. 3. En tercer lugar, todas las variables que intervienen en un análisis factorial deben ser previamente estandarizadas o normalizadas, para evitar así las diferencias ocasionadas por las diferentes unidades de medida. Una vez transformada adecuadamente esta gran matriz de datos de 600 x 34, los resultados obtenidos son los expuestos en el Cuadro 2. Como puede observarse, se han obtenido 7 factores, los cuales recogen un 81,5% de la información original. Las máximas comunalidades corresponden a las variables PIB, tasa de ocupación total, VAB total, líneas telefónicas, VAB industria, VAB servicios, parque de automóviles e impuestos (todas ellas por encima del valor 0,90). Las variables que intervienen en menor medida en la composición de los factores son: licitaciones oficiales y viviendas terminadas. Como es habitual en un análisis factorial, los primeros factores son los que mayor varianza suelen recoger. Así, en nuestro caso, el Factor 1 recoge un 30,6% de la variación inicial y el Factor 2, el 16,5%. Por eso, es presumible que estos dos primeros factores sean muy significativos en el modelo de posterior de Datos de Panel, tal como veremos. La composición e interpretación de los 7 factores obtenidos, a través de una rotación VARIMAX, es la siguiente (para mayor detalle, ver Anexo 2): FAC. 1 ACTIVIDAD GENERAL Y DE SERVICIOS: Parque automóviles, líneas telefónicas, PIB, VAB sector servicios, VAB total, porcentaje ocupados servicios, porcentaje ocupados agricultura (-), créditos cajas ahorros, depósitos cajas ahorros, valor total de hipotecas, pernoctaciones, FAC. 5 ACTIVIDAD DE LA INDUSTRIA: VAB industria, porcentaje ocupados de la industria sobre total ocupados, VAB total, PIB. FAC. 2 EMPLEO: Tasas de ocupación por sectores. FAC. 6 ACTIVIDAD CONSTRUCCIÓN Y AGRICULTURA: Licitaciones oficiales, porcentaje ocupados en construcción, VAB construcción, VAB agricultura, Oficinas de bancos y cajas.

FAC. 3 FAC. 4 IMPUESTOS: Impuestos directos, IRPF, impuesto de sociedades, depósitos bancarios, CONSUMO BIENES DURADEROS: Matriculación automóviles, viviendas terminadas, estadísticas ventas a plazos. FAC. 7 ACTIVIDAD SECTOR ENERGÍA: VAB energía. Componente Total Autovalores iniciales % de la varianza Varianza total explicada Sumas de las saturaciones al cuadrado de la extracción % % de la % Total acum. varianza acum. Suma de las saturaciones al cuadrado de la rotación % de la % Total varianza acum. 1 10,400 30,589 30,589 10,400 30,589 30,589 7,197 21,167 21,167 2 5,611 16,504 47,093 5,611 16,504 47,093 5,398 15,878 37,044 3 3,595 10,572 57,665 3,595 10,572 57,665 4,043 11,892 48,936 4 3,389 9,968 67,633 3,389 9,968 67,633 3,594 10,571 59,507 5 2,221 6,533 74,166 2,221 6,533 74,166 3,404 10,011 69,518 6 1,399 4,115 78,282 1,399 4,115 78,282 2,402 7,066 76,584 7 1,078 3,170 81,452 1,078 3,170 81,452 1,655 4,868 81,452 8,910 2,675 84,127 9,808 2,378 86,505 10,743 2,184 88,688 11,534 1,572 90,260 12,438 1,288 91,549 13,415 1,220 92,769 14,368 1,082 93,851 15,346 1,018 94,868 16,307,903 95,771 17,243,714 96,485 18,222,652 97,137 19,200,589 97,726 20,165,487 98,213 21,143,421 98,634 22,102,299 98,933 23 7,882E-02,232 99,165 24 6,239E-02,183 99,348 25 5,573E-02,164 99,512 26 3,688E-02,108 99,621 27 3,203E-02 9,421E-02 99,715 28 2,608E-02 7,671E-02 99,792 29 2,467E-02 7,255E-02 99,864 30 2,213E-02 6,510E-02 99,929 31 1,816E-02 5,343E-02 99,983 32 5,257E-03 1,546E-02 99,998 33 5,726E-04 1,684E-03 100,000 34 1,439E-06 4,234E-06 100,000 Método de extracción: Análisis de Componentes principales. Cuadro 2: Tabla de resultados del análisis factorial de las 34 variables provinciales explicativas de la renta familiar bruta disponible.

2.4. Predicción-extrapolación de la renta familiar bruta disponible por habitante de 1997 mediante la técnica de Datos de Panel La técnica de Datos de Panel pone en relación la renta disponible de las 50 provincias españolas, para el período 1986-95 (Y it ), con un conjunto de k variables explicativas comunes a todas las provincias (X it ) y una variable específica para cada una de ellas (U i ), que recoge los efectos individuales y que se considera que permanece constante en el tie mpo. En este modelo básico se pueden distinguir dos situaciones [22]: 1.- Modelo de efectos fijos: presencia de correlación entre las variables específicas U i y las variables explicativas, en cuyo caso los efectos individuales serán un conjunto N (en nuestro caso, N=50) de parámetros a estimar además de los parámetros β. Si dichos efectos fijos existen y no son recogidos explícitamente por el modelo, los parámetros estimados estarán sesgados, ya que expresarán sólo parcialmente los efectos individuales no observables o efectos fijos. Analíticamente este modelo se puede expresar mediante la siguiente ecuación: Y it = X ' it β + U + ε i it siendo Y it : renta disponible per cápita, para i = 1, 2,..., 50 y t = 1986-95. X it : conjunto de variables explicativas (factores) comunes a todas las provincias. β: vector de orden (k x 1) que contiene los parámetros a estimar. U i : variable específica de la provincia i-ésima. ε it : perturbación aleatoria de la provincia i en el año t. 2.- Modelo de efectos aleatorios: los efectos individuales de las provincias no se encuentran correlacionados con las variables explicativas. Estos efectos, denominados ahora efectos aleatorios, son en este caso variables aleatorias inobservables independientes de las variables explicativas, que pasarán a formar parte del término de perturbación aleatoria (ε ij ): Y = c + X β + v siendo c: término independiente común a todas las provincias. v = + ε : perturbación aleatoria compuesta. it U i it it La estimación de los efectos individuales como fijos o aleatorios da lugar a resultados que pueden ser muy dispares. Por ese motivo, existen diversos contrastes que permiten discriminar entre ambos modelos. Nosotros hemos seguido el test sobre la bondad conjunta del modelo propuesto por Vicéns (1996), que compara el modelo de efectos aleatorios con el modelo de efectos fijos, a través del test F de Snedecor, de la siguiente manera: SCR SCT glr glt F = SCT glt siendo SCR: suma de los cuadrados de los residuos del modelo restrictivo (efectos aleatorios) SCR: suma de los cuadrados de los residuos del modelo sin restricciones (efectos fijos). glr, glt: grados de libertad del modelo restrictivo y sin restricciones, respectivamente. ' it it

En nuestro caso, se ha optado por un modelo de efectos fijos por ser claramente más útil a la hora de captar las diferencias interprovinciales. En este modelo, la variable endógena es la renta familiar bruta disponible provincial, previamente deflactada y relativizada por la población de derecho, tal como sucediera con las 34 variables iniciales. Las variables exógenas son los 7 factores obtenidos anteriormente. Y el período muestral, los años 1986-95, siendo el horizonte de predicción el año 1997. Inicialmente se realizó una estimación del modelo con los 7 factores. Los resultados obtenidos (ver Cuadro 3) muestran cómo los factores F4 (Bienes duraderos) y F5 (industria) no resultan significativos; el signo de F3 (Impuestos) es incorrecto. Por este motivo, estos tres factores fueron retirados del modelo. Pooled LS // Dependent Variable is R? Sample: 1986 1995 Included observations: 10 Total panel observations 500 Variable Coefficient Std. Error t-statistic Prob.?F1 0.144010 0.005384 26.74670 0.0000?F2 0.045935 0.006573 6.988181 0.0000?F3 0.067799 0.022780 2.976303 0.0030?F4-0.010135 0.005925-1.710366 0.0878?F5 0.013773 0.012672 1.086923 0.2776?F6 0.024822 0.006175 4.019907 0.0001?F7 0.014099 0.006501 2.168618 0.0305 R-squared 0.965739 Mean dependent var 0.962475 Adjusted R-squared 0.961408 S.D. dependent var 0.191339 S.E. of regression 0.037588 Sum squared resid 0.625900 F-statistic 2081.196 Durbin-Watson stat 1.089524 Prob(F-statistic) 0.000000 Cuadro 3: Resultados, en forma resumida, del modelo de Panel Data con 7 factores. El modelo finalmente aceptado es el que presentamos, al completo, en el Cuadro 4. Como puede observarse, las variables del modelo (sector servicios, empleo, construcción y agricultura, energía) son todas significativas individualmente, tal como ponen de manifiesto los valores de la t-student para cada una de ellas. La significatividad conjunta del modelo es 2 también grande, con un coeficiente de correlación R ajustado = 0,96 y el test F con un valor superior al registrado en el modelo anterior. En estos modelos, el valor del estadístico Durbin- Watson no tiene validez, debido a la presencia de datos de corte transversal. En el Anexo 3 se ofrece una mayor información sobre esta estimación También se ha estimado el mismo modelo, considerando los efectos individuales como aleatorios. Los resultados son también muy aceptables (Cuadro 4). Sin embargo, los resultados del contraste de bondad conjunta del modelo antes presentado, aconsejan en este caso la estimación del modelo de efectos fijos. Es decir, los distintos valores de renta disponible per cápita de las provincias españolas no sólo se deben a las diferencias existentes en materia de actividad económica y empleo, sino también a una serie de peculiaridades inobservables propias de cada provincia y constantes en el período 1986-95.

1. Estimación del modelo de efectos fijos, por mínimos cuadrados ordinarios: Pooled LS // Dependent Variable is R? Sample: 1986 1995 Included observations: 10 Total panel observations 500 Variable Coefficient Std. Error t-statistic Prob.?F1 0.146891 0.004209 34.90010 0.0000?F2 0.044863 0.005459 8.218869 0.0000?F6 0.028055 0.003632 7.725317 0.0000?F7 0.014021 0.006058 2.314415 0.0210 Fixed Effects ALAV--C 1.104667 ALBAC--C 0.891528 ALIC--C 0.873015 ALMER--C 0.923051 AVIL--C 0.852952 BADA--C 0.869018 BALE--C 0.764311 BARC--C 1.089979 BURG--C 0.974162 CACE--C 0.855388 CADI--C 0.914488 CASTE--C 1.140021 CREAL--C 0.910892 CORDO--C 0.978098 CORU--C 0.976178 CUEN--C 0.988199 GIRO--C 0.926793 GRANA--C 0.874632 GUADA--C 0.879049 GUIPU--C 1.175851 HUEL--C 0.959385 HUES--C 1.080104 JAEN--C 1.011863 LEO--C 0.988649 LERI--C 1.095671 RIOJ--C 1.045969 LUGO--C 1.030715 MADR--C 1.103243 MALA--C 0.789657 MURC--C 0.937630 NAVAR--C 1.172068 OURE--C 0.949464 ASTUR--C 1.086650 PALEN--C 1.010545 PALMA--C 0.869931 PONTE--C 0.871203 SALAM--C 0.878310 SCRUZ--C 0.911592 CANTA--C 1.036261 SEGO--C 0.935781 SEVIL--C 0.989137 SORI--C 1.010250 TARRA--C 0.973539 TERU--C 1.174785 TOLED--C 0.893102 VALEN--C 1.055318 VALLAD--C 1.072498 VIZCA--C 1.215822 ZAMOR--C 0.949553 ZARAG--C 1.115720 R-squared 0.964766 Mean dependent var 0.962475 Adjusted R-squared 0.960579 S.D. dependent var 0.191339 S.E. of regression 0.037990 Sum squared resid 0.643682 F-statistic 4070.709 Durbin-Watson stat 1.091218 Prob(F-statistic) 0.000000

2. Estimación del modelo de efectos variables por mínimos cuadrados generalizados: GLS (Variance Components) // Dependent Variable is R? Sample: 1986 1995 Included observations: 10 Total panel observations 500 Variable Coefficient Std. Error t-statistic Prob. C 0.983679 0.014305 68.76335 0.0000?F1 0.148964 0.003965 37.56776 0.0000?F2 0.048808 0.005020 9.721940 0.0000?F6 0.027492 0.003536 7.774093 0.0000?F7 0.012555 0.005581 2.249501 0.0249 GLS Transformed Regression R-squared 0.960506 Mean dependent var 0.962475 Adjusted R-squared 0.960187 S.D. dependent var 0.191339 S.E. of regression 0.038178 Sum squared resid 0.721495 Durbin-Watson stat 0.980421 3. Test de bondad conjunta del modelo de Vicéns: 49 F 446 = SCR SCT glr glt SCT glt = 0,721495 0.643682 495 446 0.643682 446 = 1,30 El valor de tablas para una F con 49 grados de libertad en el numerados y 446 en el denominador es de 1,28, para el 5% de significación. Por tanto, dado que el test de bondad conjunta supera dicho valor teórico, el modelo final elegido es el modelo de efectos fijos. Cuadro 4: Resultados de los modelos Panel Data de efectos fijos y variables. Contraste de bondad de Vicéns. Sustituyendo los valores de las variables exógenas del período 1996-1997 en el modelo ya estimado, se obtiene la renta familiar disponible por habitante provincial. El objetivo de esta primera fase se completa con dos procesos de ajuste: 1. En primer lugar, se debe ajustar el valor estimado de la renta disponible nacional de 1997 (suma de los valores provinciales), al dato de renta familiar bruta disponible nacional de 1997. Este dato ha sido obtenido con anterioridad a partir del dato de renta publicado por el INE, para 1996 (49.340.135 miles de ptas.), en la Contabilidad Nacional [14] y de las predicciones que, de dicha renta disponible nacional, para 1997, ofrece CEPREDE [7] (el 5,4% de variación del período 1996-97). Las diferencias habidas entre el dato oficial y el dato estimado de renta disponible nacional, son repartidas proporcionalmente entre las 50 provincias españolas. Es importante haber deducido previamente el porcentaje que, sobre el total de renta disponible, constituyen los datos de Ceuta y Melilla y el extra-regio (aproximadamente un 0,4% del total), que no son tenidos en cuenta en este primer proceso de estimación. El coeficiente de

ajuste obtenido para todas las provincias es de 0,996, es decir, que la desviación entre el dato ajustado y el oficial ha sido del 0,4% 3. 2. En segundo lugar, los datos provinciales de renta bruta disponible tienen que ser contrastados con las últimas estimaciones oficiales del INE correspondientes al año 1995. Se ha intentado ajustar lo más posible los valores de renta bruta provincial de forma que sean coherentes con el lugar que ocupan en el ranking de renta disponible per cápita de 1995 (dato oficial del INE). Tal como se advierte en el cuadro de la página siguiente, la estimación obtenida, para 1997, mediante el procedimiento anterior de Panel Data sitúa algunas provincias varios lugares por encima o por debajo de su lugar en el ranking oficial de 1995. Tal es el caso de 20 provincias: Álava, Ávila, Cáceres, Castellón, Ciudad Real, Córdoba, A Coruña, Granada, Guadalajara, Huelva, Huesca, Lleida, Madrid, Palencia, Las Palmas, Santa Cruz de Tenerife, Soria, Tarragona, Teruel y Valladolid. Dado que creemos más correcta y cercana a la realidad la estimación llevada a cabo por el INE, se han vuelto a ajustar los datos estimados de renta disponible de 1997 teniendo en cuenta dos fuentes de información: a) La tendencia individual experimentada por la renta disponible per cápita de cada una de estas provincias en el período 1986-95. b) El crecimiento medio experimentado en el período 1995-97 por 4 variables especialmente explicativas de la renta disponible, de forma conjunta: parque de automóviles, líneas telefónicas, depósitos en cajas de ahorro y recaudación del IRPF. Como puede apreciarse, una vez reajustadas las estimaciones iniciales, el crecimiento de la renta disponible per cápita de las provincias anteriormente afectadas es más cercano a la evolución experimentada conjuntamente por las 4 variables explicativas seleccionadas. Por ejemplo, la primera estimación de la renta disponible de la provincia de Álava la situaba en el lugar 6º del ranking, mientras que el dato oficial del INE la coloca en el lugar 13º. Dado que es probable que por este motivo el crecimiento 1995-97 (15,5%) esté sobrestimado, se le ha aplicado al dato de renta disponible un crecimiento similar al experimentado por las 4 variables explicativas básicas (10%). De este modo, la provincia de Álava pasa a ocupar el lugar 11º en el ranking. Esta segunda estimación ha supuesto, en valor absoluto, una desviación del 2%, por término medio, sobre los resultados inicialmente propuestos por el Panel Data para la renta disponible per cápita. La provincia que mayores diferencias ha registrado es Ciudad Real (8,2%), seguida de Guadalajara (5,4%). En el Anexo 4 se ofrecen los datos de renta familiar bruta disponible provincial elaborados por el INE y los estimados por el modelo. También añadimos los datos de avance publicados por el BBV para los años 1994-95, que suelen ser siempre superiores a los del INE, advirtiéndose también diferencias por provincias. 3 En principio, de cara a la publicación del Anuario Comercial de España 1999, el objetivo prioritario es la estimación del dato de renta del año 1997, quedando la estimación de la renta disponible de 1996 en un segundo plano.

Rta. disponible per cápita Ranking Variación (%) 97/95 PROVINCIA INE95 Est.97 Est.97 INE95 Est.97 Est.97 Est.1/ Est.2/ Media (1) (2) (1) (2) INE INE variabl. ÁLAVA 1.422 1.643 1.570 13 6 11 15,5 10,4 10,0 ALBACETE 971 1.071 1.080 45 45 46 10,4 11,3 9,4 ALICANTE 1.067 1.196 1.206 34 35 33 12,1 13,0 13,2 ALMERÍA 1.035 1.203 1.205 37 34 34 16,2 16,4 12,2 ÁVILA 1.156 1.211 1.253 28 32 29 4,8 8,4 7,8 BADAJOZ 891 960 968 49 49 49 7,8 8,7 8,3 BALEARS (ILLES) 1.513 1.686 1.700 6 4 4 11,4 12,3 11,1 BARCELONA 1.471 1.607 1.620 8 11 9 9,2 10,1 9,4 BURGOS 1.291 1.426 1.438 17 17 16 10,5 11,4 12,0 CÁCERES 1.003 1.122 1.087 43 40 44 11,9 8,4 7,9 CÁDIZ 884 954 962 50 50 50 7,9 8,8 9,6 CASTELLÓN 1.366 1.561 1.481 15 13 15 14,3 8,4 7,7 CIUDAD REAL 1.041 1.101 1.191 35 42 37 5,8 14,4 12,6 CORDOBA 1.009 1.071 1.104 41 46 42 6,1 9,4 9,1 CORUÑA (A) 1.084 1.245 1.230 33 30 31 14,9 13,4 12,4 CUENCA 1.152 1.267 1.277 29 28 27 9,9 10,8 9,4 GIRONA 1.681 1.769 1.784 2 1 2 5,2 6,1 7,6 GRANADA 975 1.059 1.096 44 47 43 8,6 12,4 14,6 GUADALAJARA 1.108 1.305 1.234 31 25 30 17,8 11,4 9,1 GUIPUZCOA 1.545 1.648 1.661 5 5 6 6,7 7,5 8,0 HUELVA 944 1.087 1.033 47 43 47 15,1 9,4 7,3 HUESCA 1.589 1.622 1.690 4 9 5 2,1 6,4 6,0 JAÉN 1.017 1.123 1.132 40 39 40 10,4 11,3 10,2 LEÓN 1.165 1.305 1.315 26 26 25 12,0 12,9 13,4 LLEIDA 1.686 1.717 1.794 1 3 1 1,9 6,4 6,9 RIOJA (LA) 1.406 1.529 1.541 14 15 14 8,7 9,6 8,0 LUGO 1.172 1.286 1.297 25 27 26 9,8 10,6 8,1 MADRID 1.453 1.642 1.590 10 7 10 13,0 9,4 6,8 MÁLAGA 897 1.024 1.032 48 48 48 14,2 15,1 12,3 MURCIA 1.039 1.185 1.195 36 36 36 14,1 15,0 13,2 NAVARRA 1.612 1.759 1.773 3 2 3 9,2 10,1 8,5 OURENSE 1.159 1.254 1.264 27 29 28 8,2 9,1 9,0 ASTURIAS 1.271 1.399 1.411 21 19 19 10,1 11,0 10,1 PALENCIA 1.280 1.336 1.388 18 24 21 4,4 8,4 6,7 PALMAS (LAS) 1.025 1.211 1.184 38 33 39 18,1 15,4 12,1 PONTEVEDRA 948 1.077 1.085 46 44 45 13,5 14,5 12,1 SALAMANCA 1.101 1.170 1.205 32 38 35 6,2 9,4 8,1 SANTA CRUZ TENERIFE 1.233 1.414 1.386 22 18 22 14,7 12,4 11,9 CANTABRIA 1.231 1.367 1.378 24 21 23 11,0 11,9 10,1 SEGOVIA 1.273 1.437 1.414 20 16 18 12,9 11,1 10,0 SEVILLA 1.008 1.109 1.118 42 41 41 10,1 10,9 13,3 SORIA 1.275 1.366 1.407 19 22 20 7,1 10,4 9,9 TARRAGONA 1.438 1.618 1.559 11 10 12 12,5 8,4 7,8 TERUEL 1.511 1.565 1.638 7 12 8 3,6 8,4 6,6 TOLEDO 1.018 1.180 1.190 39 37 38 16,0 16,9 9,0 VALENCIA 1.232 1.361 1.372 23 23 24 10,4 11,3 11,8 VALLADOLID 1.308 1.393 1.418 16 20 17 6,5 8,4 6,6 VIZCAYA 1.466 1.638 1.651 9 8 7 11,7 12,6 12,1 ZAMORA 1.138 1.214 1.224 30 31 32 6,7 7,5 6,3 ZARAGOZA 1.436 1.537 1.549 12 14 13 7,0 7,9 7,4 TOTAL ESPAÑA 1.244 1.377 1.377 10,7 10,7

III. SEGUNDA ETAPA: ESTIMACIÓN NIVEL ECONÓMICO MUNICIPAL DEL AÑO 1997 En esta segunda etapa, una vez estimada la renta disponible del año 1996 para las 50 provincias españolas, el Instituto Lawrence R. Klein procede a la estimación del dato de renta familiar disponible municipal de 1996. Para ello, en primer lugar, será necesario realizar una nueva selección de variables explicativas de la renta que formen parte de un modelo de regresión múltiple de corte transversal, tal como se verá a continuación. 3.1 Selección de nuevas variables explicativas de la renta familiar bruta disponible, de ámbito municipal y provincial, para el año 1996 Partiendo de la renta familiar disponible por habitante provincial, estimada para 1996, habrá que estimar una nueva ecuación sobre esta variable endógena, obtenida de la extrapolación, utilizando en esta ocasión variables explicativas de las que se disponga de información, no sólo provincial, sino también municipal, para el total del territorio nacional, y correspondientes a 1996. El Instituto L. R. Klein ha desarrollado un importante banco de datos municipales, que se presenta en el Anexo 5, con variables de contenido económico fundamentalmente y que pueden ser, por tanto, explicativas de la renta disponible. Tras un proceso de selección, las 17 variables explicativas de la renta familiar disponible por habitante, de ámbito municipal, finalmente elegidas, son las siguientes: AUTO96: CAMION96: CUOACT96: CUOMEN96 CUOTIND96 CUOTMY96 CUOTRS96 CUOTUR96 HABTUR96 LICMEN96 LICTIND96 LICTMY96 LICTRS96 Parque de Automóviles. Fte.: Dirección General de Tráfico Parque de Furgonetas y Camiones. Fte.: Dirección General de Tráfico. Cuotas (impuesto) del total de Actividades Económicas. Fte.: Ministerio de Economía y Diputaciones Forales. Cuotas de las Actividades (licencias) del Comercio al por Menor. Fte.: Ministerio de Economía y Diputaciones Forales. Cuotas (impuesto) de las Actividades de Industria y Construcción. Fte.: Ministerio de Economía y Diputaciones Forales. Cuotas (impuesto) de las Actividades del Comercio Al Por Mayor. Fte.: Ministerio de Economía y Diputaciones Forales. Cuotas (impuesto) de las Actividades de Restauración y Bares. Fte.: Ministerio de Economía y Diputaciones Forales. Cuotas (impuesto) de las Actividades de los Establecimientos Turísticos. Fte.: Ministerio de Economía y Diputaciones Forales. Número de Habitaciones de los Establecimientos Turísticos. Fte.: Ministerio de Economía y Diputaciones Forales. Licencias de Establecimienos del Comercio Al Por Menor. Fte.: Ministerio de Economía y Diputaciones Forales. Licencias de Establecimientos Industriales y de la Construcción. Fte.: Ministerio de Economía y Diputaciones Forales. Licencias de Establecimienots del Comercio Al Por Mayor. Fte.: Ministerio de Economía y Diputaciones Forales. Licencias de Establecimientos de Restauración y Bares. Fte.: Ministerio de Economía y Diputaciones Forales.

NUMTUR96 PARO96 TELEF96 TOTBAN96 Número de Establecimientos Turísticos. Fte.: Ministerio de Economía y Diputaciones Forales. Paro Registrado. Fte.: INEM. Líneas Telefónicas Instaladas y Pendietes de Instalación. Fte.: Telefónica e Instituto L.R. Klein. Total Oficinas de Entidades de Crédito. Fte.: Centro de Tratamiento de la Documentación y Banco de España. Conviene recordar que la información municipal en España ha sido siempre muy escasa y que resulta complejo encontrar variables de las que se disponga del detalle municipal y a la vez capaces de explicar la renta familiar disponible. El método utilizado para estimar la renta disponible por habitante municipal se divide en dos etapas. En la primera de ellas, aún en el nivel provincial, se realiza un análisis factorial de las anteriores 17 variables, quedando reducidas a 4 factores, que constituirán las variables explicativas en un análisis de regresión de corte transversal, para el año 1996, de los datos provinciales de la renta disponible per capita estimada. En la segunda parte, una vez obtenida la regresión provincial cross-section para 1996, suponiendo elasticidades similares en la provincia y en el municipio, se obtiene la renta familiar disponible por habitante municipal, aplicando los coeficientes obtenidos en la regresión provincial a los valores de los factores construidos con las variables exógenas en el municipio. 3.2 Análisis factorial de las 17 variables explicativas de la renta disponible provincial, para el año 1996 Como ya se ha explicado, en una primera etapa, aún en el nivel provincial y para el año 1996, se realiza un análisis factorial de las 17 variables, de ámbito municipal y provincial, de forma que queden reducidas a 4 factores, que serán las variables explicativas en un análisis de regresión de corte transversal, para el año 1996, de los datos provinciales de la renta disponible per capita estimada. Al igual que sucediera anteriormente, con el fin de incluir toda la información posible en el modelo de predicción de la renta familiar disponible provincial y evitar, a la vez, el problema de la multicolinealidad, se realiza previamente un análisis factorial de las variables seleccionadas. En este caso, se han tomado los valores de dichas 17 variables por provincias (las 50 provincias, excluyendo Ceuta y Melilla) del año 1996, para construir unos factores con el objetivo de poder utilizar a continuación los factores construidos como variables exógenas en un modelo de regresión múltiple de corte transversal. Las 17 variables anteriores deben ser previamente transformadas del modo siguiente: - En primer lugar, aquellas variables que vienen expresadas en unidades monetarias (pesetas), deben ser deflactadas. - En segundo lugar, una vez deflactadas las variables monetarias, todas las series (monetarias y no monetarias) han de ser relativizadas por la población. El dato de población utilizado es, en este caso, la población de derecho del Padrón de 1 de mayo de 1996, que es el que figura en el Anuario Comercial de España 1998. Una vez transformada adecuadamente esta matriz de datos de (50 x 17), los resultados obtenidos son los que se exponen en el Cuadro 5. Como puede observarse, se han obtenido 4 factores que recogen el 81,4% de la información original. Las máximas comunalidades

corresponden a las variables parque de camiones, cuotas del total de actividades empresariales y profesionales, cuotas del comercio mayorista, cuotas de las actividades de hostelería, habitaciones de establecimientos turísticos, actividades de la industria y líneas telefónicas (todas ellas por encima del valor 0,85). Las variables que intervienen en menor medida en la composición de los factores son: cuotas del comercio minorista y de las actividades industriales. Variable Communality * Factor Eigenvalue Pct of Var Cum Pct * AUTO96,77433 * 1 6,89072 40,5 40,5 CAMION96,85485 * 2 3,07950 18,1 58,6 CUOACT96,87523 * 3 2,46676 14,5 73,2 CUOMEN96,58591 * 4 1,40192 8,2 81,4 CUOTIND9,63757 * CUOTMY96,89052 * CUOTRS96,86115 * CUOTUR96,93619 * HABTUR96,87695 * LICMEN96,80493 * LICTIND9,85717 * LICTMY96,83527 * LICTRS96,79073 * NUMTUR96,81977 * PARO96,74799 * TELEF96,86711 * TOTBAN96,82324 * Rotated Factor Matrix: Factor 1 Factor 2 Factor 3 Factor 4 AUTO96,20435,67181,35488,39408 CAMION96,70863,39508,08649 -,43490 CUOACT96,35575 -,04744,74616,43551 CUOMEN96 -,13927,44107,60906 -,03194 CUOTIND9,48596 -,31150,46479,29725 CUOTMY96,01012,16786,91650,14923 CUOTRS96 -,00724,10163,31484,86697 CUOTUR96 -,00532,95478,11415,10736 HABTUR96,34998,86077,07672,08751 LICMEN96,75649,34951,32010 -,08960 LICTIND9,84865,02256,26361,25879 LICTMY96,27817,19445,84265,10006 LICTRS96,52991,45075 -,19207,51948 NUMTUR96 -,07501,88919,13911 -,06432 PARO96 -,86164,05127 -,04700 -,02714 TELEF96,57564,18846,33833,62110 TOTBAN96,88170 -,00104 -,05916,20577 Cuadro 5: Tabla de resultados del análisis factorial de las 17 variables provinciales explicativas de la renta familiar bruta disponible. Según se aprecia en la matriz de factores rotados (método VARIMAX), la composición e interpretación de los 4 factores sería la siguiente: FAC. 1. ACTIVIDAD GENERAL: Entidades Bancarias (+), Paro Registrado (-), Actividades Minoristas, Industriales y de la Construcción (+), Furgonetas y Camiones (+) FAC. 3. DISTRIBUCIÓN: Comercio Mayorista y Minorista FAC. 2. TURISMO FAC. 4. SERVICIOS: Restauración y Bares, Teléfonos

3.3 Análisis de regresión múltiple cross-section de la renta familiar disponible provincial, para 1996 Los 4 factores anteriores son los que constituirán las variables explicativas en un análisis de regresión múltiple de corte transversal, para el año 1996, de los datos provinciales de la renta familiar disponible per capita estimada. El modelo a estimar sería, pues, el siguiente: RD = β + β F1+ β F2 +β F3 +β F4+ U i 0 1 2 3 4 i donde: RD i : F1,...,F4: β 1,...,β 4 : U i : renta familiar disponible per capita de 1996 para las i provincias factores 1 a 4 de 1996, variables exógenas del modelo coeficientes a estimar perturbación aleatoria de las i provincias Inicialmente, para la matriz de variables (49 provincias, excluida Navarra x 4 factores) los resultados fueron los presentados en el Cuadro 6. LS // Dependent Variable is RENTA96 Sample: 1 49 Variable Coefficient Std. Error t-statistic Prob. C 1.064577 0.013168 80.84626 0.0000 FAC1 0.105479 0.013304 7.928178 0.0000 FAC2 0.028128 0.013304 2.114190 0.0402 FAC3 0.088082 0.013304 6.620563 0.0000 FAC4 0.080854 0.013304 6.077248 0.0000 R-squared 0.770941 Mean dependent var 1.064577 Adjusted R-squared 0.750118 S.D. dependent var 0.184394 S.E. of regression 0.092175 Akaike info criterion -4.671673 Sum squared resid 0.373837 Schwarz criterion -4.478630 Log likelihood 49.92801 F-statistic 37.02265 Durbin-Watson stat 2.161406 Prob(F-statistic) 0.000000 obs Actual Fitted Residual Residual Plot ALAVA 1.26297 1.20550 0.05746. *. ALBAC 0.85029 0.94261-0.09232 *. ALICA 0.95811 1.12405-0.16593 *.. ALMER 0.93285 0.92873 0.00412. *. AVILA 1.00619 1.05252-0.04632. *. BADAJ 0.78000 0.88251-0.10251 *.. BALEA 1.37657 1.37178 0.00479. *. BARCE 1.25288 1.26867-0.01579. *. BURGO 1.05253 1.18758-0.13505 *.. CACER 0.90177 0.96039-0.05861. *. CÁDIZ 0.78343 0.74052 0.04291. *. CASTE 1.22711 1.23032-0.00321. *. CREAL 0.90196 0.84541 0.05655. *. CÓRDO 0.84839 0.84843-3.6E-05. *. CORUÑ 0.99002 1.01528-0.02526. *. CUENC 1.02365 1.02524-0.00159. *. GIRON 1.40027 1.37946 0.02080. *. GRANA 0.85023 0.84774 0.00249. *. GUADA 0.96964 1.11804-0.14841 *.. GUIPÚ 1.32045 1.25022 0.07023. *. HUELV 0.85605 0.83278 0.02327. *. HUESC 1.40205 1.24768 0.15437.. * JAÉN 0.85349 0.79191 0.06158. *. LEÓN 1.05309 1.03799 0.01510. *. LLEID 1.39883 1.36058 0.03825. *. RIOJA 1.19304 1.24710-0.05406. *. LUGO 0.96978 1.03135-0.06157. *. MADRI 1.32013 1.09740 0.22273.. * MÁLAG 0.77725 0.89124-0.11399 *.. MURCI 0.94345 0.97150-0.02805. *. OUREN 1.04668 1.07370-0.02702. *. ASTUR 1.12739 1.04975 0.07764. *.

PALEN 1.05628 1.05382 0.00246. *. PALMA 0.89440 0.96949-0.07509.*. PONTE 0.86164 0.95498-0.09333 *. SALAM 0.99782 1.12134-0.12352 *.. SCRUZ 1.13124 0.98263 0.14860.. * CANTA 1.11817 1.05268 0.06549. *. SEGOV 1.09600 1.15005-0.05405. *. SEVIL 0.89292 0.78583 0.10708..* SORIA 1.17291 1.12489 0.04801. *. TARRA 1.25984 1.36578-0.10594 *.. TERUE 1.29835 1.13584 0.16251.. * TOLED 0.92768 1.05764-0.12996 *.. VALEN 1.08659 1.09006-0.00348. *. VALLA 1.16828 1.03124 0.13703.. * VIZCA 1.30207 1.18707 0.11500..* ZAMOR 1.00061 1.00300-0.00239. *. ZARAG 1.26893 1.23991 0.02902. *. Cuadro 6: Resultados de la regresión múltiple cross-section de la renta familiar disponible per capita de las provincias españolas, para 1996. Se ha excluido del conjunto de las provincias españolas a Navarra, debido al retraso en la obtención de ciertas variables para esta región. Como puede observarse, los 4 factores resultan estadísticamente significativos, aunque 2 la bondad conjunta del modelo podría ser mayor, dado que la R resulta con un valor de un 0,77. Analizando el gráfico de residuos se observa cómo el modelo estima con mayor dificultad los valores de renta disponible de algunas provincias: Alicante, Guadalajara, Madrid, Salamanca y Tarragona. Si se excluyen las observaciones correspondientes a estas 5 provincias, obtendríamos una nueva matriz de variables de (44 x 4), para la cual los resultados del análisis de regresión 2 anterior mejoran algo más la significatividad del modelo en general ( R = 0,84), por lo que son tomados ya como resultados definitivos y sus conclusiones aplicadas a la totalidad de las provincias. Estos resultados son los siguientes (Cuadro 7): LS // Dependent Variable is RENTA96 Sample: 1 44 Variable Coefficient Std. Error t-statistic Prob. C 1.072142 0.011948 89.73221 0.0000 FAC1 0.114171 0.011823 9.656731 0.0000 FAC2 0.027966 0.011516 2.428525 0.0199 FAC3 0.091430 0.011734 7.791980 0.0000 FAC4 0.080921 0.012128 6.672162 0.0000 R-squared 0.838953 Mean dependent var 1.060425 Adjusted R-squared 0.822436 S.D. dependent var 0.186962 S.E. of regression 0.078783 Akaike info criterion -4.975475 Sum squared resid 0.242063 Schwarz criterion -4.772726 Log likelihood 52.02716 F-statistic 50.79149 Durbin-Watson stat 1.755206 Prob(F-statistic) 0.000000 Cuadro 7: Resultados definitivos de la regresión cross-section de la renta disponible provincial, 1996. 3.4 Estimación del nivel económico municipal de 1996 En una segunda parte, una vez obtenida la regresión provincial cross-section para 1996, suponiendo elasticidades similares en la provincia y en el municipio, se obtiene la renta familiar disponible por habitante municipal, aplicando los coeficientes obtenidos en la regresión provincial a los valores de los factores construidos con las variables exógenas en el municipio (ver apartado 4.2). Gracias a la matriz de cargas factoriales, es posible conocer la

composición de los factores a partir de las 17 variables originales. Con esta información, se construyen dichos 4 factores para todos y cada uno de los 8.098 municipios existentes en España a 1 de julio de 1997. Una vez construidos los factores en una gigantesca matriz de (8.098 x 4), es posible ya aplicar el modelo anterior a todos los municipios y obtener así los diferentes datos de renta familiar disponible deflactada y per capita. Tras realizar las necesarias transformaciones y obtener la renta familiar disponible total, y en pesetas corrientes, el paso siguiente consistiría en ajustar los valores de renta disponible obtenidos para cada municipio. Es decir, al sumar la renta familiar disponible de cada uno de los municipios de una provincia, el resultado debería coincidir con el total de renta provincial hallado en la estimación, mediante datos de panel y ajustado al total nacional para 1996. Pero, al tratarse de una estimación, esto no suele suceder así. Por ello, se hace necesario, de nuevo, realizar un ajuste de la renta familiar disponible con el fin de que la suma de todos los municipios de una provincia coincida con el total provincial (se realiza de nuevo un reparto proporcional de la diferencia entre los valores anteriores entre cada uno de los municipios de una provincia). En el Cuadro 8 se muestran, por un lado, las estimaciones de renta de las provincias ajustadas al dato nacional de 1996 (columna 1), los totales de renta provincial obtenidos como suma de municipios (columna 2) y los coeficientes de ajuste para los municipios de cada provincia, expresados en porcentajes. PROVINCIA Renta Disponible 1996 Ajuste Suma Coef. Ajuste Suma Coef. Provincial (1) Municip. (2) Ajuste (1) / (2) PROVINCIA Provincial (1) Municip. (2) Ajuste (1) / (2) Álava 424.311 373.773 14 % Rioja (La) 376.812 357.143 6 % Albacete 363.910 447.373-19 % Lugo 429.421 474.839-10 % Alicante 1.575.945 1.823.793-14 % Madrid 7.903.856 6.714.869 18 % Almería 541.501 615.018-12 % Málaga 1.157.561 1.550.081-25 % Ávila 203.126 222.494-9 % Murcia 1.234.077 1.388.950-11 % Badajoz 610.775 804.229-24 % Navarra 850.971 683.234 25 % Baleares 1.247.810 1.080.432 15 % Ourense 432.868 447.731-3 % Barcelona 6.912.703 6.358.034 9 % Asturias 1.462.709 1.406.373 4 % Burgos 439.252 467.175-6 % Palencia 227.377 232.248-2 % Cáceres 444.410 516.847-14 % Palmas (Las) 889.329 1.055.037-16 % Cádiz 1.027.967 1.298.304-21 % Pontevedra 939.978 1.146.434-18 % Castellón de la Plana 668.127 619.022 8 % Salamanca 419.927 459.559-9 % Ciudad Real 514.688 585.588-12 % Santa Cruz de Tenerife 1.041.686 986.543 6 % Córdoba 771.776 928.772-17 % Cantabria 703.069 682.831 3 % Coruña (A) 1.310.408 1.411.948-7 % Segovia 193.070 199.147-3 % Cuenca 246.138 261.015-6 % Sevilla 1.815.250 2.047.072-11 % Girona 885.775 754.797 17 % Soria 129.824 124.402 4 % Granada 819.023 995.712-18 % Tarragona 863.096 792.785 9 % Guadalajara 181.775 209.703-13 % Teruel 213.922 183.113 17 % Guipúzcoa 1.064.444 905.458 18 % Toledo 570.514 667.053-14 % Huelva 464.064 553.381-16 % Valencia 2.814.579 2.839.089-1 % Huesca 345.842 282.311 23 % Valladolid 682.722 630.591 8 % Jaén 659.874 785.186-16 % Vizcaya 1.769.575 1.504.902 18 % León 649.287 668.334-3 % Zamora 247.485 265.619-7 % Lleida 594.415 496.315 20 % Zaragoza 1.274.340 1.135.491 12 % Ceuta y Melilla 174.386 160.594 9 % Cuadro 8: Coeficientes de ajuste de los municipios de cada provincia (renta medida en mill. ptas.).