Los movimientos en el tipo de cambio y el comercio de leche en polvo entre México y los Estados Unidos. Un análisis de cointegración
Bibliographic record
Abstract
Muchos analistas argumentan que el gran crecimiento del comercio de productos agroalimentarios entre México y los Estados Unidos puede atribuirse a los cambios en el tipo de cambio, la volatilidad del tipo de cambio y el Tratado de Libre Comercio (TLCAN). Este artículo cuantifica los efectos de los cambios en el tipo de cambio real entre México y los Estados Unidos, su volatilidad y el TLCAN en los flujos de leche en polvo entre ambos países y contribuye, con evidencia empírica, al debate de los efectos de los cambios en el tipo de cambio real y su volatilidad en los flujos del comercio de productos agroalimentarios. Para estimar una función de demanda de importaciones de la leche en polvo en México, se emplean el análisis de cointegración por máxima probabilidad y un vector de corrección de errores (VCE). Para guiar el análisis empírico, en este estudio se establece un modelo de maximización de la utilidad esperada y se estimó un conjunto de ecuaciones de forma reducida. Los resultados muestran que mientras los cambios en el tipo de cambio real tienen un efecto positivo en las importaciones de leche en polvo en México provenientes de los Estados Unidos, la volatilidad del tipo de cambio real tiene un efecto negativo en las importaciones, tanto en el corto como en el largo plazo. El TLCAN no tiene un efecto significativo en las importaciones de leche en polvo que México hace de los Estados Unidos.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".