52
ANÁLISIS CUANTITATIVO E INTERPRETATIVO DE LAS INVERSIONES
PÚBLICAS EN PARAGUAY DURANTE EL PERIODO 2020-2025
Roger Román Armoa García
1
Universidad Americana – Paraguay
Marcelo Echagüe Pastore
2
Universidad Americana – Paraguay
Recibido: 05/10/2025
Aprobado: 23/06/2026
RESUMEN
La discusión pública en Paraguay sobre inversión e intereses de deuda suele basarse en
comparaciones de montos brutos y en promedios anuales, lo que expone a sesgos por
estacionalidad, valores atípicos y no–estacionariedad. Desde el punto de vista teórico y
econométrico, el tratamiento riguroso de series de tiempo (limpieza, ajuste estacional,
verificación de normalidad y estacionariedad, y uso de primeras diferencias cuando
corresponde) permite identificar señales de tendencia y variabilidad que no dependen de
artefactos del calendario ni de episodios puntuales. Esto habilita la realización de
inferencias válidas (tests, intervalos y pronósticos) y evita conclusiones espurias. En
términos empíricos y de política pública, un diagnóstico más preciso de la dinámica de
inversiones aporta evidencia accionable para la programación presupuestaria, la
evaluación de la eficacia del gasto público y la efectiva comunicación de resultados a la
ciudadanía. El enfoque adoptado permite la comparabilidad intermensual e interanual,
reduce la probabilidad de sobrerreaccionar a picos estacionales y favorece decisiones
basadas en información depurada. En suma, este estudio busca cuantificar el efecto de la
desestacionalización sobre la interpretación de la deuda pública en Paraguay, comparando
la serie original con su versión ajustada por estacionalidad durante el periodo 2020-2025,
a fin de proveer una lectura robusta de la inversión pública que pueda guiar la toma de
1
Magister en Informática. Universidad Americana. Correo electrónico: [email protected]y
2
Magister en Políticas Públicas. Universidad Americana. Correo electrónico:
marcelo.echague@americana.edu.py
53
decisiones y enriquecer el debate de política económica. El trabajo adopta un enfoque
cuantitativo, aplicado y no experimental, con diseño longitudinal observacional. Utiliza
técnicas econométricas para desestacionalizar la serie mensual de deuda pública de la
Administración Central, priorizando datos oficiales del Ministerio de Economía y
Finanzas (MEF) y Banco Central del Paraguay (BCP), junto con el uso de fuentes de
organismos multilaterales para contraste. Los resultados obtenidos indican que la
inversión pública entre 2020 y 2025 no ha mostrado alzas ni bajas sostenidas, sino más
bien movimientos puntuales alrededor de un nivel promedio determinado. Los picos
observados en diciembre y caídas reflejadas en enero no representan “booms” ni “crisis”
económicas, sino que corresponden a efectos propios del calendario público fiscal,
induciendo a que las variaciones mes a mes deban interpretarse como movimientos
normales antes que como cambios de fondo en la política de inversión pública. Como
principal conclusión de este estudio se destaca la falta de estacionariedad en la serie de
tiempo original sobre inversiones en Paraguay, limitando así la posibilidad de realizar
inferencias mediante la sola observación gráfica. Esto hace que las interpretaciones
periodísticas y oficiales del gobierno paraguayo sobre inversión e intereses de deuda
deban revisarse a fin de comunicar a la ciudadanía de manera fidedigna aquellos causales
que subyacen a volatilidades estacionales. Un análisis riguroso y desestacionalizado de la
serie mensual de deuda pública correspondiente a la Administración Central del país
permite argumentar que la ejecución presupuestaria manifestada a través de inversiones
públicas no ha experimentado cambios sustanciales en Paraguay durante el periodo 2020-
2025, atribuyéndose las oscilaciones de finales de año a efectos propios del calendario de
ejecución presupuestaria gubernamental.
Palabras claves: Paraguay – Finanzas Públicas – Estacionalidad – Estacionariedad –
Comunicación Económica.
ABSTRACT
The public discussion in Paraguay about investments and debt interests is usually based
on comparisons of gross amounts and annual averages, which are usually exposed to
biases due to seasonality, outliers and non-stationarity. From the theoretical and
econometric point of view, the rigorous treatment of time series (cleaning, seasonal
54
adjustment, verification of normality and stationarity, as well as use of first differences
when appropriate) allows for the identification of trends and variability signals that do
not depend on calendar effects or specific episodes. This enables the making of valid
inferences (tests, intervals, forecasts) and avoids spurious conclusions. In empirical and
public policy terms, a more accurate diagnosis of investment dynamics provides
actionable evidence for budget programming, evaluation of the effectiveness of public
spending and effective communication of results to ordinary citizens. The approach
adopted hereby improves month-on-month and year-on-year comparability, reducing the
likelihood of overreactions to seasonal peaks, while favoring decisions based on refined
information. In short, this study seeks to quantify the effects of seasonal adjustments on
the interpretation of public debt in Paraguay. The latter is done by comparing the original
series with its seasonally adjusted version during the period 2020-2025, in order to
provide a robust reading of public investment that can guide decision-making and enrich
the economic policy debate. Methodologically speaking, the work adopts a quantitative,
applied and non-experimental approach, with a longitudinal design based on
observations. It then uses econometric techniques to seasonally adjust the monthly series
of Central Government debt, prioritizing official data from the Ministry of Economy and
Finance (MEF) and the Central Bank of Paraguay (BCP), along with the use of
multilateral organization sources for contrast. Results indicate that public investment
between 2020 and 2025 has not shown any sustained increases or decreases, but rather
occasional movements around a certain average level. The peaks observed in December
and falls reflected in January do not represent economic "booms" or "crises", but
correspond to fiscal calendar effects within the public sector, inducing that month-to-
month variations should be interpreted as normal movements rather than substantive
changes in public investment policy. The main conclusion stemming from this study is
the lack of stationarity in the original time series on investments in Paraguay, thus limiting
the possibility of making inferences through graphical observation alone. This means that
journalistic and official government interpretations of investment and debt interests must
be reviewed, in order to better communicate the causes that underlie seasonal volatilities.
A rigorous and seasonally adjusted analysis of the public debt monthly series
(corresponding to the country's Central Administration) leads to the fact that the budget
55
execution manifested through public investments has not undergone substantial changes
in Paraguay during the 2020-2025 period, hence attributing the oscillations at the end of
the year to the own government's budget execution calendar.
Keywords: Paraguay – Public Finance – Seasonality – Stationarity – Economic
Communication.
1. Introducción
El aumento de los intereses de la deuda pública en julio 2025 respondió a
vencimientos y pago de atrasos, tal como ha sido informado por el Ministerio de
Economía y Finanzas de Paraguay (MEF, 2025) y reportado por periódicos nacionales
(Última Hora, 2025a; 2025b). El aumento en volumen de jubilaciones se debió por su
parte a una depuración de registros, denominados “aportantes fantasmas” y aclarado por
el propio Ministro del MEF (Fernández Valdovinos, 2025), deduciéndose que en ambos
casos no hubo cambio de tendencia alguno.
La discusión pública sobre inversión e intereses de deuda suele basarse así en
comparaciones de montos brutos y en promedios anuales, exponiéndose a sesgos por
estacionalidad, valores atípicos y no–estacionariedad (Britto Isoda, 2019). Desde el punto
de vista teórico y econométrico, el tratamiento riguroso de series de tiempo (i.e. limpieza,
ajuste estacional, verificación de normalidad y estacionariedad, junto con el uso de
primeras diferencias cuando corresponde) permite identificar señales de tendencia y
variabilidad que no dependen de artefactos del calendario ni de episodios puntuales
(Schwarz, 1978). Esto habilita inferencias válidas (tests, intervalos y pronósticos) y evita
conclusiones espurias basadas en comunicaciones periodísticas o discursos -y
documentos- mal formulados por parte de las autoridades nacionales (Álvarez-Peralta y
Franco, 2018).
En términos empíricos y de política pública, Sims (1980) sugiere que un diagnóstico
más preciso de la dinámica de inversiones aporta evidencia accionable para la
programación presupuestaria, la evaluación de la eficacia del gasto y la comunicación de
resultados a la ciudadanía. El enfoque adoptado permite así la comparabilidad
intermensual e interanual, reduciendo la probabilidad de sobrerreaccionar a picos
56
estacionales y favorece entonces la toma de decisiones basada en información depurada.
En suma, este estudio se justifica por las necesidades concretas del contexto público
institucional y mediático, proveyendo una lectura robusta de la inversión pública que
pueda guiar decisiones y enriquecer el debate de política económica, favoreciendo al
mismo tiempo la comunicación de aspectos macroeconómicos coyunturales hacia la
ciudadanía.
El problema radica en que las series mensuales de inversiones pueden contener
patrones estacionales tales como cierres fiscales o calendarios de emisión, que
distorsionan la lectura de corto plazo. De no ser corregidos, tales patrones pueden generar
entonces señales engañosas sobre aumentos o reducciones de la inversión (Jiménez,
2019). El objetivo general de este trabajo consiste en ofrecer una lectura rigurosa y
comunicable de la dinámica mensual de la inversión pública en Paraguay (2020-2025)
cuantificando el efecto de la desestacionalización sobre la interpretación de la deuda
pública y comparando la serie original con su versión ajustada por estacionalidad. Se
espera mostrar de forma sencilla si la desestacionalización altera o no las conclusiones de
corto plazo respecto a la trayectoria mensual de la deuda pública.
Como objetivos específicos, se proponen: (i) construir una base depurada y
consistente con validación temporal, control de efectos atípicos y ajuste estacional; (ii)
garantizar condiciones de inferencia en cuanto a análisis de normalidad, estacionariedad,
autocorrelación y heterocedasticidad; (iii) modelar la dinámica de corto plazo con
especificaciones parsimoniosas y producir pronósticos con intervalos (e.g. modelos
ARMA y GARCH en caso de corresponder) ; y (iv) traducir los hallazgos en insumos
útiles para la programación presupuestaria, el diseño de políticas económicas y su
comunicación pública efectiva.
El marco referencial se inscribe en la literatura de series de tiempo aplicada a finanzas
públicas, donde la validez de las inferencias exige tratar estacionalidad y/o eventos
atípicos, verificando la estacionariedad y cuasi-normalidad de los residuos (Bollerslev,
1986). La estacionalidad se entiende así como un patrón recurrente (e.g. calendario
presupuestario), mientras que la estacionariedad puede interpretarse como la estabilidad
de indicadores tales como la media y varianza. En este orden, se separan entonces señales
57
persistentes de fluctuaciones transitorias y se favorecen modelos econométricos
parsimoniosos tales como ARMA/ARIMA (Box et al., 2015; Hamilton, 1994).
En el plano empírico, se usan registros mensuales de inversiones con picos de fin de
año y valles inmediatos. Con el afán de evitar sesgos por montos brutos sin depuración,
se priorizan entonces: (i) una base de datos depurada (validación temporal y control de
eventos atípicos); (ii) ajuste estacional; y (iii) verificación de supuestos tales como ADF
(Dickey & Fuller, 1981), KPSS (Kwiatkowski et al., 1992) o ACF/PACF (Engle, 1982);
de tal modo que los resultados reflejen la dinámica propia de la inversión y sean útiles
para la discusión de políticas públicas.
2. Materiales y Métodos
Este trabajo adopta un enfoque cuantitativo, de tipo aplicado, correlacional y no
experimental, con diseño longitudinal observacional. Se enfoca en registros
administrativos mensuales de inversiones provenientes de la administración central como
fuente primaria de información (MEF, 2025). Así pues, se derivan las series temporales
consistentes en 53 observaciones mensuales, a partir de las cuales se realizaron las
comparaciones y pruebas econométricas previstas en este trabajo.
El tamaño muestral es considerado suficiente para inferencias estadísticas estándar
en series mensuales (Hamilton, 1994) tales como pruebas de estacionariedad
(ADF/KPSS), estimación y contraste en modelos univariados (e.g. ARIMA de baja
dimensión) y modelos multivariados o bivariados con rezagos bajos (e.g. VAR(1)–
VAR(2)), manteniendo grados de libertad razonables. Para especificaciones muy
parametrizadas (e.g. ARIMA/VAR de orden alto, estacionalidad compleja con muchos
parámetros o múltiples rupturas estructurales), la potencia puede verse reducida por lo
que la literatura recomienda una selección parsimoniosa de rezagos (Akaike, 1974;
(Schwarz, 1978) y, de ser necesario, análisis de robustez.
Las series temporales mencionadas con 53 observaciones encontradas fueron
importadas y procesadas a través de softwares econométricos, realizándose los procesos
pertinentes de limpieza, ajuste estacional, verificación de normalidad y estacionariedad,
mediante el uso de primeras diferencias para solucionar problemas de raíz unitaria. Entre
58
las pruebas estadísticas utilizadas se contemplan los tests de Dickey-Fuller, Dickey-Fuller
Aumentado (ADF), Jarque-Bera, Breush-Pagan, Ljung-Box, Kwiatkoski-Phillips-
Schmidt-Shin (KPSS) y Durbin-Watson para fenómenos de autocorrelación, además de
los ya mencionados criterios de información tales como Akaike (AIC) y Schwarz (BIC).
Otras fuentes oficiales, como bases de datos del Banco Central del Paraguay (BCP)
u organismos multilaterales, fueron empleadas, pero únicamente para verificación y
contraste. La calidad del análisis realizado en este estudio depende de la consistencia
estadística que hubiere entre fuentes y del tratamiento explícito de las revisiones
realizadas. Asimismo, la cuantificación de pasivos contingentes puede requerir supuestos
conservadores ante la eventual imparcialidad de la información obtenida.
En este proceso, se han efectuado validaciones temporales y de continuidad, sumadas
a la estandarización y depuración de valores o eventos atípicos. Además, fueron llevados
adelante ajustes estacionales por descomposición aditiva y, cuando correspondiese,
análisis en primeras diferencias. El diagnóstico en sí incorpora procesos de normalidad
(Akaike, 1974), estacionariedad, autocorrelación y heterocedasticidad (Jarque & Bera,
1980; 1987). Se ha optado así por un modelado parsimonioso de estilo ARMA (Ljung &
Box, 1978), con vectores autorregresivos y promedios móviles de inversiones públicas
que asumen series estacionarias; y de un modelo GARCH de heterocedasticidad
condicional autorregresiva generalizada cuando la varianza fuera dinámica, mientras que
las inferencias fueron realizadas con errores estándar adecuados y chequeos
correspondientes de residuos.
Al mismo tiempo, corresponde mencionar que este trabajo se ha limitado a: (i)
desestacionalizar la serie mensual de deuda pública de la Administración Central (i.e. sin
tener en cuenta la deuda de entidades descentralizadas paraguayas) ; (ii) presentar y
comparar la serie original y la serie ajustada por estacionalidad; y (iii) evaluar si la
interpretación de corto plazo se ve alterada al utilizar la serie desestacionalizada (e.g.
signo y magnitud de variaciones; identificación de puntos de giro; etc.). Quedan
expresamente fuera del alcance de esta investigación las proyecciones, el análisis de
sostenibilidad, la desagregación por instrumentos o moneda y cualquier otra inferencia
causal.
59
3. Resultados y discusiones
Se estimaron residuos respecto de un modelo con constante para la serie denominada
Inversiones, manteniendo la muestra sin desestacionalizar y sin retirar atípicos. La
evidencia gráfica (Ilustración 1) y numérica indica la falta de normalidad: asimetría
positiva (skewness ≈ 2,47), colas pesadas (exceso de curtosis ≈ 7,00) y Jarque–Bera ≈
162,1 (gl= 2), muy por encima de los valores críticos convencionales (5% ≈ 5,99; 1% ≈
9,21).
Ilustración 1. Diagnóstico de normalidad de residuos (modelo con constante).
Fuente: Elaboración propia en base a datos del MEF.
Al no retirar los outliers ni modelar la estacionalidad, la curva Normal ajustada
subestima la probabilidad en las colas (en especial la derecha, por picos de fin de año) y
sobrestima la masa intermedia. En el P–P plot (Ilustración 2), esto se manifiesta como
una separación sistemática de la diagonal (curvatura en “S”), coherente con skewness
positivo y leptocurtosis. La aproximación a normalidad de los residuos respalda la validez
de inferencias clásicas (t, F, MLE) y la calibración de bandas de confianza e intervalos de
predicción en ARIMA/VAR. Con colas pesadas y asimetría, los errores estándar pueden
subestimarse y la significancia inflarse. Según el objetivo del trabajo, pueden
considerarse alternativas robustas (errores robustos, innovaciones Student–t),
transformaciones (p. ej., log), o el modelado explícito de estacionalidad y atípicos.
60
Ilustración 2. P-P plot de residuos.
Fuente: Elaboración propia en base a datos del MEF.
Al analizar la normalidad de la serie centrada en su media, el contraste cambia de
forma sustantiva: en la serie original sin ajustar (con estacionalidad y picos estacionales)
los residuos mostraban clara no normalidad (asimetría positiva skewness ≈ 2,47; exceso
de curtosis ≈ 7,00; Jarque–Bera ≈ 162,1; n=53). En cambio, para la serie ajustada
estacionalmente los residuos presentan aproximación normal (skewness ≈ 0,15; exceso de
curtosis ≈ −0,43; Jarque–Bera ≈ 0,54; n=48), por lo que no se rechaza la normalidad a
niveles usuales.
La estacionalidad introduce multimodalidad intra-anual y colas aparentes (picos
recurrentes de fin de año y mínimos inmediatos), lo que induce asimetría y leptocurtosis
en los residuos respecto de un modelo simple. Al sustraer dicha estacionalidad, la
distribución pierde esa mezcla de subdistribuciones mensuales, se vuelve más unimodal
y simétrica, y la evidencia empírica se alinea mejor con una Normal. Esto implica una
mejora en las condiciones de inferencia clásica (tests t, F, MLE e intervalos), aunque no
garantiza por si sola la validez completa de modelo (Box et al., 2015). La literatura sugiere
así la verificación de la autocorrelación y heterocedasticidad en los residuos,
incorporando de ser necesario dinámica adicional o errores robustos (Kwiatkowski et al,
1992).
61
Ilustración 3. Residuo de la descomposición al desestacionalizar la serie.
Fuente: Elaboración propia en base a datos del MEF.
En materia de autocorrelación, se estimaron la ACF (Ilustración 4) y la PACF
(Ilustración 5) hasta 20 rezagos y aplicamos pruebas Ljung–Box a k ∈ {6, 12, 24}. Las
bandas ±1.96/√n permiten identificar rezagos significativos individualmente, mientras
que Ljung–Box (1978) contrasta autocorrelación conjunta de orden k. Para los datos
utilizados en este estudio, la ACF muestra correlaciones modestas con alternancia de
signos y la PACF no presenta cortes pronunciados en rezagos bajos, lo cual sugiere una
dinámica ARMA parsimoniosa (e.g. ARMA de bajo orden) o la conveniencia de verificar
si un primer diferenciado capta la persistencia remanente (Hamilton, 1994). Los p-valores
reportados orientan la decisión: si Ljung– Box no rechaza a 12–24 rezagos, el remanente
de autocorrelación sería limitado; en caso contrario, procede ajustar un modelo con
términos AR/MA adicionales o considerar diferenciación (Sims, 1980).
Ilustración 4. Diagnostico ACF sobre la serie Inversiones.
Fuente: Elaboración propia en base a datos del MEF.
62
Ilustración 5. Diagnostico PACF sobre la serie Inversiones.
Fuente: Elaboración propia en base a datos del MEF.
Por ultimo, la DE móvil (12 meses) y la ACF de et2 evidencian clustering de
volatilidad; ARCH–LM (Engle, 1982) confirma heterocedasticidad condicional (p-
valores significativos en rezagos bajos). La varianza no es constante, por lo que la
inferencia bajo homocedasticidad puede sesgarse (Jarque & Bera, 1987) ; usamos EE
robustos y/o modelos ARCH/GARCH (e.g. GARCH (1,1)). Sobre la serie ajustada
estacionalmente se estiman ∆xtSA = xtSA – xt-1SA: ADF (H0 raíz unitaria) t ≈ −7,39; p ≈
0,0000; (nivel, tendencia) ≈ 0,21 y ≈ 0,08 (p>0,10). Con ello se demuestra que ∆xtSA es
estacionaria, apta entonces para ARMA/ARIMA con diagnósticos estándar (Ilustración
6).
Ilustración 6. Residuos al cuadrado ACF et2.
Fuente: Elaboración propia en base a datos del MEF.
63
En síntesis, el análisis de series “en bruto” tiende a confundir picos estacionales o
extremos con saltos permanentes (Álvarez-Peralta, 2018). Se ha procedido con
tratamientos de remoción de valores o eventos atípicos (Ilustración 7), ajustes por
estacionalidad/autocorrelación (Ilustración 8) y análisis en primeras diferencias
(Ilustración 9), con el fin de evitar interpretaciones espurias y lograr estacionariedad en
cuanto a las variaciones mensuales de inversiones (Britto Isoda, 2021). Así, estas últimas
pueden interpretarse entonces como fluctuaciones normales alrededor de un nivel estable,
donde la tendencia es más fácilmente identificable y los contrastes realizados ganan en
fiabilidad.
Ilustración 7. Descomposición aditiva de Inversiones.
Fuente: Elaboración propia en base a datos del MEF.
Ilustración 8. Residuos de la serie ajustada estacionalmente (centrada).
Fuente: Elaboración propia en base a datos del MEF.
64
Ilustración 9. Primera diferencia de Inversiones ajustada estacionalmente.
Fuente: Elaboración propia en base a datos del MEF.
Como puede apreciarse en las ilustraciones, la serie resultante de Inversiones oscila
alrededor de un nivel sin tendencia persistente, con variaciones que pueden considerarse
normales y ya no dominadas por sucesos o eventos del calendario. La volatilidad por su
parte muestra episodios de mayor y menor intensidad, mientras que la dependencia
temporal acaba siendo acotada. Sobre esta base, y tal como lo indica la literatura (Jiménez,
2019), las comparaciones y pruebas que puedan realizarse a partir de aquí con respecto a
otras bases de datos (e.g. BCP, organismos multilaterales, etc.) para verificación y
contraste estarán apoyadas en supuestos más realistas, permitiendo así la obtención de
conclusiones económicas más sólidas y mejor transmitidas.
4. Conclusiones
Al ordenarse los datos de inversiones en Paraguay para eliminar los vaivenes
estacionales típicos de fin de año, se observa que la inversión pública entre 2020 y 2025
no demuestra subidas ni bajas sostenidas, sino más bien puntuales alrededor de un nivel
que se mantiene similar y constante a través del tiempo. Por ello, los picos de diciembre
y caídas en enero no pueden ser considerados como “booms” ni “crisis económicas”, sino
que responden a efectos propios del calendario derivado de la ejecución presupuestaria y
otras dinámicas propias del gobierno en estos periodos. Con esta perspectiva, las
variaciones mes-a-mes en materia de inversiones públicas en la economía paraguaya
65
deben entenderse como movimientos normales en la actualidad y no como cambios de
fondo llevados adelante por los hacedores de política.
Tal habría sido, por ejemplo, la interpretación adecuada del artículo “El Gobierno
pagó más por intereses de la deuda que en inversión física” (Última Hora, 2024) si se
hubiesen aplicado los pasos de limpieza, ajuste estacional y verificación de
normalidad/estacionariedad antes de comparar únicamente montos acumulados. En la
misma línea, el Ministro del MEF señaló públicamente que el mayor pago de intereses
obedeció, entre otros factores, al calendario de vencimientos, al encarecimiento externo
de tasas y al efecto cambiario (La Nación, 2025), lo cual sugiere nuevamente
contextualizar las simples comparaciones estadísticas mes a mes y reforzar el análisis por
parte de los medios de comunicación.
Si bien aspectos varios vinculados a proyecciones, análisis de sostenibilidad de
deuda, desagregación por instrumentos o moneda u otras inferencias causales quedan
fuera del alcance de esta investigación, se sugiere como regla práctica de comunicación
que, tantos los medios periodísticos como los discursos de las autoridades y los
respectivos informes publicados por las instituciones de gobierno comparen las series de
manera interanual y reflejen a su vez promedios trimestrales, resaltando los momentos en
que se produzcan cambios administrativos sustanciales. Esto permitirá así una mejor
interpretación económica por parte de la ciudadanía y reacciones más acordes a la
coyuntura económica del país y/o políticas públicas implementadas.
5. Referencias
Akaike, H. (1974). A New Look at the Statistical Model Identification. IEEE
Transactions on Automatic Control, 19(6), 716-723.
Álvarez-Peralta, M., & Franco, Y. G. (2018). Independencia periodística y fondos
públicos: la publicidad institucional como distorsión de la competencia en el mercado
informativo. Historia y comunicación social, 23(2), 285-305.
Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity.
Journal of Econometrics, 31(3), 307-327.
66
Box, G. E. P., Jenkins, G. M., Reinsel, G. C. & Ljung, G. M. (2015). Time Series
Analysis: Forecasting and Control (5ta ed.). Hoboken, NJ, John Wiley & Sons.
Britto Isoda, N. N. (2021). Análisis econométrico de la inversión pública sobre las
iniciativas de inversión privada en la economía: Una revisión sistemática de la literatura
entre los años 2010-2019. Repositorio de la Universidad Privada del Norte. Recuperado
de https://hdl.handle.net/11537/26159
Dickey, D. A. & Fuller, W. A. (1981). Likelihood Ratio Statistics for Autoregressive
Time Series with a Unit Root. Econometrica, 49(4), 1057-1072.
Engle, R. F. (1982). Autoregressive Conditional Heteroscedasticity with Estimates
of the Variance of United Kingdom Inflation. Econometrica, 50(4), 987-1007.
Fernández Valdovinos, C. (2025, 18 de agosto). Finalmente, el gasto en jubilaciones
aumenta principalmente por la eliminación de los contribuyentes “fantasmas”: se
eliminaron aportes artificiales... [Publicación en X].
https://x.com/cgfernandezv/status/1957151583445102856
Hamilton, J. D. (1994). Time Series Analysis. Princeton, NJ, Princeton University
Press.
Jarque, C. M. & Bera, A. K. (1980). Efficient Tests for Normality, Homoscedasticity
and Serial Independence of Regression Residuals. Economics Letters, 6(3), 255-259.
Jarque, C. M. & Bera, A. K. (1987). A Test for Normality of Observations and
Regression Residuals. International Statistical Review, 55(2), 163-172.
Jiménez, L. J. S. (2019). Nowcasting con Google Trends: Dinámica de la Actividad
Económica Mensual, el Consumo Privado y la Inversión basada en datos de Google
Trends y un Modelo Bayesiano Estructural de Series de Tiempo. Foro de Investigadores
de Bancos Centrales del Consejo Monetario Centroamericano.
Kwiatkowski, D., Phillips, P. C. B., Schmidt, P. & Shin, Y. (1992). Testing the Null
Hypothesis of Stationarity against the Alternative of a Unit Root. Journal of
Econometrics, 54(1–3), 159-178.
67
La Nación (2025). Ministro de Economía explica por qué subió el pago de intereses
de la deuda y anticipa un Alivio. Sección Negocios. Consultado el 18 de agosto de 2025,
desde https://www.lanacion.com.py/negocios/2025/08/18/ministro-de-economia-
explica-por-q ue-subio-el-pago-de-intereses-de-la-deuda-y-anticipa-un-alivio/
Ljung, G. M. & Box, G. E. P. (1978). On a Measure of Lack of Fit in Time Series
Models. Biometrika, 65(2), 297-303.
Ministerio de Economía y Finanzas (2025, 12 de agosto). Ejecución presupuestaria
de la Administración Central ascendió a G. 37,6 billones al cierre de julio.
https://www.mef.gov.py/es/institucional/sala-de-prensa/noticias/ejecucion-
presupuestaria-administracion-central-ascendio-g
Schwarz, G. (1978). Estimating the dimension of a model. The Annals of Statistics,
6(2), 461-464.
Sims, C. A. (1980). Macroeconomics and Reality. Econometrica, 48(1), 1-48.
Última Hora (2025a, 18 de agosto). Pagos de intereses aumentaron en julio por
vencimientos, señala MEF. Sección Economía. Consultado el 18 de agosto de 2025, desde
https://www.ultimahora.com/pagos-de-intereses-aumentaron-en-julio-por-vencimientos-
senala-mef
Última Hora (2025b, 17 de agosto). Pagos por deudas casi cuadruplican a fondos
destinados para inversiones: Hasta julio de este año se destinaron USD 843 millones
para el pago de la deuda pública, mientras que para inversiones se desembolsaron solo
USD 225 millones, según informe del MEF. Sección Economía. Consultado el 18 de
agosto de 2025, desde https://www.ultimahora.com/pagos-por-deudas-casi-
cuadruplican-a-fondos-destinados-para-inversiones
Última Hora (2024, 26 de diciembre). El Gobierno pagó más por intereses de la
deuda que en inversión física. Sección Economía. Consultado el 26 de diciembre de 2024,
desde https://www.ultimahora.com/el-gobierno-pago-mas-por-intereses-de-la-deuda-
que-en-inversion-fisica
