1 trabajo econometria2
DESCRIPTION
TRANSCRIPT
I. ANÁLISIS DE QUIEBRE ESTRUCTURAL Y ESTACIONALIDAD
1.- Análisis Primario de la Serie:
La información con la que se contará para la aplicación de la metodología de BOX
JENKINS, ha sido extraída de la CEPAL (Comisión Económica para América Latina
y el Caribe: Sobre la Base de Información Social), en el cuadro N°1 se muestra la el
Indicador Economico (Dinero) en Millones de Unidades en Moneda Nacional de
México para el periodo Enero 1990 a Setiembre 2011. (Ver en Eviews: Data m1)
CUADRO N°1
LIQUIDEZ MONETARIA (M2)
1990M01 1990M02 1990M03 1990M04 1990M05 1990M0625 358 25 796 26 780
118737 120271 1236691990M07 1990M08 1990M09 1990M10 1990M11 1990M12124632 126295 132 445 142309 151 488 168444
1991M01 1991M02 1991M03 1991M04 1991M05 1991M06161787 165842 172050 176115 187205 192638
1991M07 1991M08 1991M09 1991M10 1991M11 1991M12196136 211636 205908 230779 230890 246764
1992M01 1992M02 1992M03 1992M04 1992M05 1992M06241407 245167 249849 251116 251171 257112
1992M07 1992M08 1992M09 1992M10 1992M11 1992M12258956 264227 269824 284109 293795 307906
1993M01 1993M02 1993M03 1993M04 1993M05 1993M06306667 309269 309084 316149 323816 328229
1993M07 1993M08 1993M09 1993M10 1993M11 1993M12330580 329139 333870 338916 353029 361371
1994M01 1994M02 1994M03 1994M04 1994M05 1994M06359392 358300 369010 373929 377013 384205
1994M07 1994M08 1994M09 1994M10 1994M11 1994M12392970 401646 412650 425206 429627 429274
1995M01 1995M02 1995M03 1995M04 1995M05 1995M06434494 445721 461361 467480 469143 479460
1995M07 1995M08 1995M09 1995M10 1995M11 1995M12484630 491369 496707 511017 543414 579753
1996M01 1996M02 1996M03 1996M04 1996M05 1996M06577147 583139 609100 613484 627506 637803
1996M07 1996M08 1996M09 1996M10 1996M11 1996M12
1
653288 657887 668973 686954 693783 7252071997M01 1997M02 1997M03 1997M04 1997M05 1997M06720949 742401 768305 754385 766980 783794
1997M07 1997M08 1997M09 1997M10 1997M11 1997M12775445 781159 781412 803484 824258 864571
1998M01 1998M02 1998M03 1998M04 1998M05 1998M06832676 850215 857938 864913 891252 895890
1998M07 1998M08 1998M09 1998M10 1998M11 1998M12911917 935186 968551 977911 995373 1060790
1999M01 1999M02 1999M03 1999M04 1999M05 1999M061049220 1063459 1075425 1046362 1061644 10821821999M07 1999M08 1999M09 1999M10 1999M11 1999M121108482 1125366 1137546 1135882 1148562 11612052000M01 2000M02 2000M03 2000M04 2000M05 2000M061145827 1152475 1151116 1147955 1134541 11269332000M07 2000M08 2000M09 2000M10 2000M11 2000M121134530 1108051 1121865 1112835 1110732 11287202001M01 2001M02 2001M03 2001M04 2001M05 2001M061106876 1116471 1132804 1145556 1137453 11420922001M07 2001M08 2001M09 2001M10 2001M11 2001M121143613 1159043 1179479 1169885 1186342 11977142002M01 2002M02 2002M03 2002M04 2002M05 2002M061136137 1140100 1147399 1093913 1116036 11412022002M07 2002M08 2002M09 2002M10 2002M11 2002M121113002 1106198 1126745 1129024 1168547 12186012003M01 2003M02 2003M03 2003M04 2003M05 2003M061269313 1301809 1301300 1243649 1244516 12400202003M07 2003M08 2003M09 2003M10 2003M11 2003M121247536 1247149 1269658 1249839 1289566 13832152004M01 2004M02 2OO4M03 2004M04 2004M05 2004M061299159 1286716 1347695 1328275 1314001 13712722004M07 2004M08 2004M09 2004M10 2004M11 2004M121350532 1342531 1365653 1403987 1428774 15038552005M01 2005M02 2005M03 2005M04 2005M05 2005M061475989 1455511 1460881 1450554 1464532 14764532005M07 2005M08 2005M09 2005M10 2005M11 2005M121503112 1506859 1521949 1550486 1558869 18075592006M01 2006M02 2006M03 2006M04 2006M05 2006M061725753 1727628 1819439 1864118 1829212 18841482006M07 2006M08 2006M09 2006M10 2006M11 2006M121818240 1786513 1800147 1781728 1855072 19598192007M01 2007M02 2007M03 2007M04 2007M05 2007M061885174 1896313 1912826 1853606 1864372 1954492
2
2007M07 2007M08 2007M09 2007M10 2007M11 2007M121907388 1951665 2000138 1983615 2063257 22170352008M01 2008M02 2008M03 2008M04 2008M05 2008M062138543 2113850 2125167 2145223 2145799 21726542008M07 2008M08 2008M09 2008M10 2008M11 2008M122178254 2163444 2197909 2362796 2422233 25839062009M01 2009M02 2009M03 2009M04 2009M05 2009M062519350 2468595 2498731 2454860 2454105 24600322009M07 2009M08 2009M09 2009M10 2009M11 2009M122444632 2396637 2465825 2471928 2492334 26959432010M01 2010M02 2010M03 2010M04 2010M05 2010M062583338 2540553 2554874 2512326 2539565 26013252010M07 2010M08 2010M09 2010M10 2010M11 2010M122618459 2651719 2637388 2676571 2713391 29292182011M01 2011M02 2011M03 2011M04 2011M05 2011M062843256 2866958 2870101 2882235 2855717 28907392011M07 2011M08 2011M09 2907163 2944152 3052356
Fuente: CEPALELABORACION PROPIA
2.- Quiebre Estructural:
1. Quiebre estructural Es necesario determinar la presencia de quiebre estructural y estacionalidad porque de
existir ambos, la serie a trabajar debería modificarse. Para el análisis del quiebre
estructural realizamos el Test de Zivot y para el análisis de estacionalidad realizaremos
los criterios de: Correlograma de los Residuos, grafico de barras, grafico de líneas
apiladas y grafico de líneas separadas.
Cuadro Nº 02Escalares bestf, bestft, bestfm
Bestf 8252.7224Bestft
12424.98656
Posible quiebre en tendencia
Bestfm
3369.94843179
Elaboración propiaFuente: page ZIVOT1
3
(Ver los siguientes gráficos en Eviews: Page:Test_Zivot m1)GRÁFICO N°1
F1
Fuente: Page Zivot M1
0
2,000
4,000
6,000
8,000
10,000
12,000
14,000
25 50 75 100 125 150 175 200 225 250
F FT FM
ELABORACIÓN PROPIA
Se puede apreciar tanto en el Cuadro N°2 como en el Gráfico N°1 (F1), que existe un posible quiebre en tendencia mostrado por el apuntamiento de la curva de color rojo (FT).
ZT
4
GRÁFICO N° 2
-5
-4
-3
-2
-1
0
50 75 100 125 150 175 200
ZIVOTT VCRITT
ZTM
GRÁFICO N° 3
-5
-4
-3
-2
-1
0
1
2
3
50 75 100 125 150 175 200
ZIVOTM VCRITM
Fuente: Page Zivot M2ELABORACIÓN PROPIA
GRÁFICO N° 4
5
Z
-6
-5
-4
-3
-2
-1
0
1
2
50 75 100 125 150 175 200
ZIVOT VCRIT
Fuente: Page Zivot M1ELABORACIÓN PROPIA
Los gráficos ZT (tendencia), ZTM (media), Z (totales), muestran la no existencia de
quiebre estructural en la serie M2, en el gráfico ZT en el que debería haber
intercepción entre las líneas para la existencia de quiebre muestran el rechazo de la
hipótesis inicial. En consecuencia se reafirma la no existencia de quiebre estructural
en el gráfico en conjunto el Z.
6
3.- Estacionalidad de la Variable Original (Dinero-M1):
Para verificar la existencia de estacionalidad hacemos uso de los criterios: gráfica de
barras, gráfica de líneas apiladas, gráfica de líneas separadas, correlograma de los
residuos.
Gráfica de Barras : (Ver en Eviews:grafico_barras)
GRÁFICO N° 5M1
0
400,000
800,000
1,200,000
1,600,000
2,000,000
90 92 94 96 98 00 02 04 06 08 10
M1
Fuente: Page M1ELABORACIÓN PROPIA
En el gráfico N°5 observamos que no se puede apreciar si existe estacionalidad ya que
en la serie M1 se cuenta con muchos datos y este tipo de gráfico es útil cuando se
cuenta con pocos datos.
Gráfica de Líneas Apiladas: (Ver en Eviews:lineas_apiladas)
7
GRÁFICO N°6M1
0
400,000
800,000
1,200,000
1,600,000
2,000,000
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Means by Season
M1 by Season
Fuente: Page M1ELABORACIÓN PROPIA
En el gráfico N°6 de líneas apiladas podemos observar el comportamiento de cada
mes, y vemos que el comportamiento es similar, es decir las medias son casi iguales;
por lo que se puede concluir que la serie dinero no presenta estacionalidad.
8
Gráfica de Líneas Separadas: (Ver en Eviews:lineas_separadas)
GRÁFICO N°7M1
0
400,000
800,000
1,200,000
1,600,000
2,000,000
90 92 94 96 98 00 02 04 06 08 10
JanFebMarAprMayJunJulAugSepOctNovDec
M1 by Season
Fuente: Page M1ELABRACIÓN PROPIA
En el gráfico N°7 de líneas separadas se observa el comportamiento de cada mes, este
comportamiento es similar por lo que se puede concluir que la serie dinero (M1) no
presenta estacionalidad.
9
Correlograma de los Residuos: (Ver en Eviews:correlograma)
CUADRO N°3CORRELOGRAMA DEL DINERO(M1)
Fuente: Page M1
ELABORACIÓN PROPIA
Con respecto al correlograma de los residuos en donde se analiza la función de
autocorrelación, la que mide la correlación entre los valores de la serie distanciados
10
Date: 12/08/12 Time: 10:53Sample: 1990M01 2011M09Included observations: 261
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
.|******* .|******* 1 0.983 0.983 254.87 0.000 .|******* .|* | 2 0.968 0.074 503.19 0.000 .|******* .|. | 3 0.954 0.013 745.24 0.000 .|******* .|. | 4 0.939 -0.024 980.75 0.000 .|******* .|. | 5 0.926 0.039 1210.6 0.000 .|******* .|. | 6 0.913 -0.003 1434.9 0.000 .|******| .|. | 7 0.898 -0.042 1652.9 0.000 .|******| .|. | 8 0.884 -0.011 1864.8 0.000 .|******| .|. | 9 0.870 0.014 2071.1 0.000 .|******| *|. | 10 0.854 -0.081 2270.5 0.000 .|******| .|* | 11 0.842 0.110 2465.2 0.000 .|******| .|. | 12 0.832 0.051 2655.9 0.000 .|******| *|. | 13 0.818 -0.097 2841.0 0.000 .|******| .|. | 14 0.805 -0.007 3020.9 0.000 .|******| .|. | 15 0.792 0.012 3195.8 0.000 .|******| .|. | 16 0.779 0.008 3365.8 0.000 .|******| .|. | 17 0.767 0.006 3531.4 0.000 .|***** | .|. | 18 0.756 0.017 3692.9 0.000 .|***** | .|. | 19 0.744 -0.032 3849.8 0.000 .|***** | .|. | 20 0.731 -0.024 4002.2 0.000 .|***** | .|. | 21 0.719 -0.006 4150.0 0.000 .|***** | .|. | 22 0.705 -0.023 4292.7 0.000 .|***** | .|. | 23 0.694 0.060 4431.8 0.000 .|***** | .|. | 24 0.685 0.024 4567.6 0.000 .|***** | *|. | 25 0.672 -0.068 4699.0 0.000
un lapso de tiempo k, con 25 retardos llegamos a la conclusión de que el
comportamiento del coeficiente de autocorrelación de la liquidez monetaria no
presenta picos. Por lo tanto concluimos que este no es estacional.
Por tanto ante el análisis de que la serie dinero (M1) no presenta quiebre estructural
ni estacionalidad se prosigue con la misma serie con la metodología de Box Jenkins
para realizar la construcción del Modelo Arima. Otra aclaración importante es que la
presente serie no presenta efecto calendario debido a la no estacionalidad de la misma
y asimismo por tratarse de una variable agregada y no de un simple producto.
II. IDENTIFICACIÓN
Serie: Dinero (M1) de México en Millones de Unidades en Moneda Nacional.
1.- Seleccionar d:
a.- Ploteo de la Serie con Respecto a su Media.- (Ver en Eviews:
plot_m1_media)
GRÁFICO N°8 DINERO (M1) Y SU MEDIA
0
200,000
400,000
600,000
800,000
1,000,000
1,200,000
1,400,000
1,600,000
92 94 96 98 00 02 04 06 08 10
M1 @MEAN(M1,"1991m02 2010m09")
Fuente: Page M2ELABORACIÓN PROPIA
11
El gráfico N°8 muestra que la serie no está oscilando entorno a la media lo que es
un indicador de que la serie es no estacionaria en su media. Luego pasamos a
corroborar con el correlograma.
b.- Correlograma de la Serie.- (Ver en Eviews: COR_EST_M1)
CUADRO N°4CORRELOGRAMA DE LA SERIE
Fuente: Page M1ELABORACIÓN PROPIA
Podemos observar en el correlograma que los coeficientes de AC no caen
rápidamente a cero, lo que significa que la serie M1 no es estacionaria.
c.- Primer Coeficiente Autocorrelación Parcial.-
Examinando el primer coeficiente de autocorrelación parcial del dinero(M1) es
significativo (0.984¿0.9), entonces M1 no es estacionario.
12
Date: 12/05/12 Time: 10:18
Sample: 1991M02 2010M09
Included observations: 236
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
.|******* .|******* 1 0.984 0.984 231.26 0.000
.|******* .|. | 2 0.968 0.023 456.33 0.000
.|******* .|. | 3 0.954 0.009 675.50 0.000
.|******* .|. | 4 0.939 -0.005 888.85 0.000
.|******* .|. | 5 0.925 0.027 1096.9 0.000
.|******* .|. | 6 0.912 0.021 1300.2 0.000
.|******| .|. | 7 0.898 -0.060 1497.8 0.000
.|******| .|. | 8 0.883 -0.003 1690.0 0.000
.|******| .|. | 9 0.869 -0.002 1876.9 0.000
.|******| .|. | 10 0.853 -0.056 2057.8 0.000
.|******| .|* | 11 0.841 0.107 2234.5 0.000
.|******| .|. | 12 0.830 0.019 2407.3 0.000
Como el dinero (M1) no es estacionario, tenemos que examinar la primera
diferencia de la serie y repetir el procedimiento de Box Jenkins
Serie: Primera Dinero (∆M1) de México en Millones de Unidades en Moneda
Nacional.
a.- Ploteo de la Serie con Respecto a su Media.- (Ver en Eviews:)
GRÁFICO N°9PRIMERA DIFERENCIA DINERO (D (M1)) Y SU MEDIA
-120,000
-80,000
-40,000
0
40,000
80,000
120,000
160,000
200,000
240,000
280,000
92 94 96 98 00 02 04 06 08 10
D(M2)@MEAN(D(M2),"1991m02 2010m09")
Fuente: Page M2
ELABORACIÓN PROPIA
Si observamos el ploteo de la primera diferencia de la liquidez monetaria (M2) se
visualiza que oscila alrededor de su media, por tanto es estacionario.
13
b.- Correlograma de la Primera Diferencia.- (Ver en Eviews: corr_est01)
CUADRO N°5 CORRELOGRAMA DE LA PRIMERA DIFERENCIA
Fuente: Page M1ELABORACIÓN PROPIA
Podemos observar en el correlograma de la primera diferencia que los coeficientes
de AC caen rápidamente a cero, lo que significa que la primera diferencia de la
serie M2 es estacionaria.
c.- Primer Coeficiente Autocorrelación Parcial.-
Examinando el primer coeficiente de autocorrelación parcial de la primera
diferencia de(M1) es significativo (-0.168¿0.9), entonces la primera diferencia de
la liquidez monetaria (M1) es estacionario.
…Por lo tanto el valor de d es igual a uno.
14
Date: 12/05/12 Time: 10:20Sample: 1991M02 2010M09Included observations: 236
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
*|. | *|. | 1 -0.168 -0.168 6.7854 0.009 *|. | *|. | 2 -0.124 -0.157 10.469 0.005 .|. | .|. | 3 0.019 -0.033 10.561 0.014 *|. | *|. | 4 -0.149 -0.180 15.909 0.003 .|. | *|. | 5 -0.039 -0.114 16.274 0.006 .|** | .|* | 6 0.232 0.167 29.422 0.000 .|. | .|. | 7 -0.055 -0.002 30.153 0.000 *|. | *|. | 8 -0.134 -0.129 34.562 0.000 .|. | .|. | 9 0.008 -0.065 34.578 0.000 *|. | *|. | 10 -0.127 -0.132 38.566 0.000 *|. | *|. | 11 -0.109 -0.194 41.513 0.000 .|***** | .|***** | 12 0.745 0.691 180.61 0.000
2.- Determinar :
La primera diferencia de un determinado orden es suficiente en muchos casos para
obtener series estacionarias en media y varianza.
En series económicas que se extienden a lo largo de un periodo dilatado de tiempo y
que están afectados por una fuerte tendencia, suele ser necesario efectuar además
alguna transformación instantánea del tipo Box-Cox, para obtener una serie
estacionaria en varianza y que al mismo tiempo tenga una distribución normal.
(Ver en Eviews: )
GRÁFICO N°10DIFERENCIA DE LIQUIDEZ MONETARIA (M2) EN SÍMBOLOS
0
10,000
20,000
30,000
40,000
50,000
60,000
70,000
80,000
0 5,000 10,000 15,000 20,000 25,000
MEDIA
DT
Fuente: Page M2
ELABORACIÓN PROPIA
Se puede observar en el gráfico de la primera diferencia del dinero (M1) no
es estacionaria en varianza. Por lo que su valor de es diferente a 1.
15
Entonces se tiene que corroborar con el gráfico rango media.
Gráfico Rango Media.- (Ver en Eviews: Page: Rango Media)
GRÁFICO N°11RANGO MEDIA
0
10,000
20,000
30,000
40,000
50,000
60,000
70,000
80,000
0 5,000 10,000 15,000 20,000 25,000
MEDIA
DT
Fuente: Page Rango MediaELABORACIÓN PROPIA
Se puede apreciar en el gráfico de la dispersión de la media y la desviación estándar
del dinero que aparentemente es estacionaria porque la nube de puntos se puede
aproximar a una línea horizontal, por lo que el valor de sería 1.
Para verificar esto realizamos la regresión de la desviación estándar de la primera
diferencia de la serie en función a la media de la misma, se obtiene:
16
Tenemos que estimar en Eviews ls dt c media y a partir de este resultado
corroborar si es estacionaria en varianza. (Ver en Eviews la estimación:
Page Rango Media)
CUADRO N°5
ESTACIONARIEDAD EN VARIANZA
Dependent Variable: DT
Method: Least Squares
Date: 12/05/12 Time: 10:31
Sample: 1 241 IF DT>0
Included observations: 19
Variable Coefficient Std. Error t-Statistic Prob.
C 2325.383 3480.389 0.668139 0.5130
MEDIA 3.579972 0.437005 8.192069 0.0000
R-squared 0.797884 Mean dependent var 24888.36
Adjusted R-squared 0.785995 S.D. dependent var 20048.46
S.E. of regression 9274.561 Akaike info criterion 21.20724
Sum squared resid 1.46E+09 Schwarz criterion 21.30665
Log likelihood -199.4688 Hannan-Quinn criter. 21.22406
F-statistic 67.11000 Durbin-Watson stat 1.015267
Prob(F-statistic) 0.000000
ELABORACIÓN PROPIA
Realizamos la siguiente hipótesis:
H 0 : βMEDIA = 0 ≡ La Serie es Estacionaria en Varianza
H 1 : βMEDIA ≠ 0 ≡ La Serie no es Estacionaria en Varianza
17
Se ve que la probabilidad es menor a 0.05 (0.0000¿ 0.05) por lo que se rechaza H 0, es
decir la serie no es estacionaria en varianza. Por lo que el valor de es diferente a
uno.
Ante esto tenemos que generar el logaritmo de la serie: (Ver en Eviews: Page
M2:logn1) para seguir con el trabajo.
SHOW LOG (M1)
3.- Identificar p y q:
La identificación del proceso estocástico consiste en comparar el comportamiento de
las funciones de autocorrelación muestral con las funciones de autocorrelación
teóricas correspondientes a distintos modelos teóricos con los que pueden guardar
similitud, teniendo en cuenta que nunca cabe esperar una similitud perfecta debido a
errores de muestreo. Para este caso como se han tomado 13 periodos de retardos, por
tanto se consideran 12 rezagos para el correlograma, y a partir de esto visualizar con
el Test de Anderson; es decir determinar una banda, en donde se aprecie que valores
la sobrepasan.
Date: 12/05/12 Time: 10:41
Sample: 1991M02 2010M09
Included observations: 236
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
.|. | .|. | 1 0.019 0.019 0.0839 0.772 .|. | .|. | 2 0.017 0.017 0.1566 0.925 .|. | .|. | 3 -0.045 -0.046 0.6500 0.885 *|. | *|. | 4 -0.126 -0.125 4.5100 0.341 .|. | .|. | 5 -0.020 -0.015 4.6089 0.465 .|* | .|* | 6 0.180 0.187 12.534 0.051 .|. | .|. | 7 0.007 -0.009 12.545 0.084 *|. | *|. | 8 -0.104 -0.140 15.225 0.055 .|. | .|. | 9 -0.039 -0.027 15.605 0.076 *|. | *|. | 10 -0.125 -0.070 19.518 0.034 *|. | *|. | 11 -0.103 -0.107 22.188 0.023 .|**** | .|**** | 12 0.609 0.605 115.18 0.000
En esta serie (logn1) el valor de la banda es de 0.127585 (Ver en Eviews: Page M1:
banda) el que fue generado a partir de banda=1.96/sqr (236).Ver en
Eviews:determinar pyq
18
Del correlograma parcial deducimos que los coeficientes de autocorrelación parcial
significativos o que sobrepasan el valor de 0.127585 son el sexto,octavo y doceavo
Apreciando el correlograma simple también podemos deducir que los coeficientes de
autocorrelación simple significativos o que sobrepasan el valor de 0.127585 son: el
sexto y el doce.
Por lo tanto hemos identificado un Modelo ARIMA (12, 1,12).
4.- Determinar Intercepto:
Se tiene que los datos de una serie proceden de un muestreo aleatorio simple sobre
una población normal, es decir, si los datos constituyen una realización de un proceso
de Ruido Blanco con media distinta de cero, entonces el contraste es:
La hipótesis es:
El estadístico es:
Si el estadístico es menor que el de tabla entonces se acepta la hipótesis nula, o
viceversa.
Cuando los datos están autocorrelacionados, como ocurre en un proceso ARIMA, dicho
estimador no resulta valido por ser inconsistente. En este caso, el estimador de la
varianza de la media muestral puede aproximarse mediante la siguiente expresión:
19
Seleccionado k de forma que se incluyan los coeficientes de autocorrelacion simple
que sean significativos.
Cuando se obtiene un resultado negativo no es aplicable.
Para nuestro trabajo seleccionamos del correlograma de log (M1) (Ver en Eviews:
Page M1: )
Hypothesis Testing for LOGN1
Date: 12/05/12 Time: 11:39
Sample: 1991M02 2010M09
Included observations: 236
Test of Hypothesis: Mean = 0.000000
Sample Mean = 12.79171
Sample Std. Dev. = 0.923747
Method Value Probability
t-statistic 212.7314 0.0000
H 0 : D (ln (M2))=0 ≡ no tiene intercepto
H 1 : D (ln (M2)) ≠0 ≡ tiene intercepto
212.73 ¿ 1.970110 Rechazo H 0
Como se rechaza H 0, significa que el Modelo Arima (12, 1,12) tiene intercepto.
20
III. ESTIMACIÓN
Estimación del Modelo Arima
Siendo los Periodos:
- Periodo Retardo: 1990:01 1991:01
- Periodo Estimación: 1991:02 2010:09
- Periodo Predicción: 2010:10 2011:09
El objetivo de esta es hallar un vector de parámetros autorregresivos
y un vector de parámetros de media móvil
que minimicen la suma de los cuadrados de los errores.
La estimación del modelo ARIMA es difícil puesto que:
1. Existe no linealidad respecto a los parámetros, entonces hay que usar en
método iterativo de estimación no lineal; como por ejemplo mínimos
cuadrados no lineales.
2. El primer término de error de la serie depende de los valores pasados y no
observados tanto de la serie como de los residuos, entonces hay que usar algún
método para “iniciar” la serie antes de aplicar el proceso de estimación no
lineal.
21
Vamos a estimar el modelo identificado en la primera etapa (identificación)
ARIMA (12, 1,12) con intercepto.
En Eviews: (Ver en Page M1: mod_arima_12112)
ls d(logn1) c ar(6) ar(8) ar(12) ma(6) ma(12)
CUADRO N°7ARIMA (12, 1, 12)
Fuente: Page M1- Modelo Arima ELABORACIÓN PROPIA
22
Dependent Variable: D(LOGN1)Method: Least SquaresDate: 12/08/12 Time: 06:44Sample: 1991M02 2010M09Included observations: 236Convergence achieved after 10 iterationsMA Backcast: 1990M02 1991M01
Variable Coefficient Std. Error t-Statistic Prob.
C 0.001714 0.011450 0.149654 0.8812AR(6) -0.033721 0.024965 -1.350731 0.1781AR(8) 0.002410 0.018632 0.129364 0.8972
AR(12) 0.896772 0.025186 35.60645 0.0000MA(6) 0.190214 0.064269 2.959648 0.0034
MA(12) -0.569183 0.063242 -9.000031 0.0000
R-squared 0.632915 Mean dependent var 0.014959Adjusted R-squared 0.624935 S.D. dependent var 0.053372S.E. of regression 0.032686 Akaike info criterion -3.978623Sum squared resid 0.245732 Schwarz criterion -3.890559Log likelihood 475.4775 Hannan-Quinn criter. -3.943123F-statistic 79.31146 Durbin-Watson stat 1.559272Prob(F-statistic) 0.000000
Inverted AR Roots .99 .86+.50i .86-.50i .49+.86i .49-.86i .00-.99i .00+.99i -.49-.86i-.49+.86i -.86+.50i -.86-.50i -.99
Inverted MA Roots .93 .84+.49i .84-.49i .47-.81i .47+.81i .00+.97i -.00-.97i -.47-.81i-.47+.81i -.84+.49i -.84-.49i -.93
Comprobamos:- Converge- Número de Iteraciones es menor al número de observaciones (10 ¿ 236)- Es Estacionaria
Aparte de esto tenemos que verificar dos cosas:
a.- Las Condiciones de Estacionalidad e Invertibilidad del Modelo.
b.- Perturbaciones sean Ruido Blanco.
a.- Condiciones de Estacionalidad e Invertibilidad del Modelo.-
Esto se ve de acuerdo a las raíces características del polinomio:
Se debe cumplir:
Raíces Características de Polinomio ¿ 1
Observamos en la parte última de la estimación del Modelo Arima (12, 1, 12) que las
raíces características si son menores a 1 en términos absolutos, por tanto si cumple la
condición de estacionalidad e invertibilidad del modelo estimado.
Otras formas de verificar que se cumplan las condiciones de estacionalidad e
invertibilidad del modelo estimado son haciendo uso de un Gráfico y de las Columnas
de Modulus. (Ver en Eviews: Page M2: cond_inver_arima_12112)
GRÁFICO N°12CONDICIONES ESTACIONALIDAD E INVERTIBILIDAD
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
AR rootsMA roots
Inverse Roots of AR/MA Polynomial(s)
23
Fuente: Page M1-Modelo Arima 12, 1, 12
Podemos observar en el gráfico que si se cumple las condiciones de estacionalidad e
invertibilidad del modelo estimado (Modelo Arima 12, 1, 12 con intercepto), ya que
los puntos rojos que vienen ha ser las raíces características están dentro del círculo.
Y la otra manera de verificar que se cumplan estas condiciones es a través de las
columnas modulus. (Ver en Eviews: Page M2: cond_estac_arima_1212).
CUADRO N°8CONDICIONES ESTACIONALIDAD E INVERTIBILIDAD
24
Fuente: Page M2- Modelo Arima 12, 1, 12
25
Inverse Roots of AR/MA Polynomial(s)Specification: D(LOGN1) C AR(6) AR(8) AR(12) MA(6) MA(12)Date: 12/08/12 Time: 06:53Sample: 1991M02 2010M09Included observations: 236
AR Root(s) Modulus Cycle
-6.59e-17 ± 0.994120i 0.994120 4.000000 -0.860563 ± 0.497060i 0.993800 2.400171 0.860563 ± 0.497060i 0.993800 11.99574 -0.988240 0.988240 0.988240 0.988240 0.494120 ± 0.855469i 0.987918 6.001079 -0.494120 ± 0.855469i 0.987918 2.999730
No root lies outside the unit circle. ARMA model is stationary.
MA Root(s) Modulus Cycle
1.80e-16 ± 0.974328i 0.974328 4.000000 0.843793 ± 0.487164i 0.974328 12.00000 -0.843793 ± 0.487164i 0.974328 2.400000 -0.934337 0.934337 0.934337 0.934337 -0.467169 ± 0.809160i 0.934337 3.000000 0.467169 ± 0.809160i 0.934337 6.000000
No root lies outside the unit circle. ARMA model is invertible.
ELABORACIÓN PROPIA
Podemos observar en el cuadro que los coeficientes de la columna de Modulus son menores a 1, por tanto se cumple las condiciones de estacionalidad e invertibilidad del modelo estimado (Modelo Arima 12, 1, 12 con intercepto).
b.- Perturbaciones sean Ruido Blanco.-
Para esto utilizamos el correlograma Q-Statitic: (Ver en Eviews: Page M2: corr_perturb_ruido blanco).
CUADRO N°9PERTURBACIONES SEAN RUIDO BLANCO
26
ELABORACIÓN PROPIA
H 0 : ρk = ρ¿k = 0 ≡ Existe Ruido Blanco
H 1 : ρk ≠ ρ¿k ≠ 0 ≡ No Existe Ruido Blanco
27
Date: 12/08/12 Time: 07:03Sample: 1991M02 2010M09Included observations: 236
Q-statistic probabilities adjusted for 5 ARMA term(s)
Autocorrelation Partial Correlation AC
.|** | .|** | 1 0.220 .|* | .|* | 2 0.128 .|* | .|. | 3 0.106 .|. | .|. | 4 0.019 .|. | .|. | 5 0.034 .|. | .|. | 6 0.041 .|. | .|. | 7 0.036 .|. | .|. | 8 0.014 .|. | .|. | 9 0.012 *|. | *|. | 10 -0.069 .|. | .|. | 11 0.033 .|. | .|. | 12 -0.028
Fuente: Page M2
Modelo Arima 12, 1,12 12
Podemos darnos cuenta en el correlograma que si existe Ruido Blanco ya que los
valores de los coeficientes caen dentro de los intervalos o bandas, es decir son no
significativos, por tanto se acepta H 0.
PROCESO DE PARSIMONIA:
Consiste en eliminar las variables tanto AR y MA que no son significativos dentro del
modelo. Se eliminan por orden; es decir se comienza con las menos significativas. Para
nuestro trabajo las variables que no son significativas son: AR (3), AR(6), MA(3).
28
PRIMERO: Procederemos a Eliminar la variable AR (3) cuya probabilidad es de
0.5070 y es la menos significativa. Obteniendo a partir de la estimación nueva lo
siguiente: (Ver en Eviews: Page M2: modarima12112a).
CUADRO N°10 ARIMA ELIMINADO AR (8)
Fuente: Page M1- Modelo Arima ELABORACIÓN PROPIA
a.- Condiciones de Estacionalidad e Invertibilidad del Modelo.-
Esto se ve de acuerdo a las raíces características del modelo:
Se debe cumplir:
Raíces Características de Polinomio ¿ 1
29
Dependent Variable: D(LOGN1)Method: Least SquaresDate: 12/08/12 Time: 07:18Sample: 1991M02 2010M09Included observations: 236Convergence achieved after 9 iterationsMA Backcast: 1990M02 1991M01
Variable Coefficient Std. Error t-Statistic Prob.
C 0.001992 0.010917 0.182454 0.8554AR(6) -0.033675 0.024909 -1.351918 0.1777
AR(12) 0.896387 0.024905 35.99164 0.0000MA(6) 0.189615 0.064114 2.957443 0.0034
MA(12) -0.568912 0.062849 -9.052065 0.0000
R-squared 0.632888 Mean dependent var 0.014959Adjusted R-squared 0.626531 S.D. dependent var 0.053372S.E. of regression 0.032617 Akaike info criterion -3.987024Sum squared resid 0.245750 Schwarz criterion -3.913638Log likelihood 475.4688 Hannan-Quinn criter. -3.957441F-statistic 99.55883 Durbin-Watson stat 1.557852Prob(F-statistic) 0.000000
Inverted AR Roots .99 .86+.50i .86-.50i .49+.86i .49-.86i .00-.99i .00+.99i -.49-.86i-.49+.86i -.86+.50i -.86-.50i -.99
Inverted MA Roots .93 .84+.49i .84-.49i .47-.81i .47+.81i .00+.97i -.00-.97i -.47-.81i-.47+.81i -.84+.49i -.84-.49i -.93
Observamos en la parte última de la estimación del Modelo Arima (12, 1, 12)
eliminado AR(3) que las raíces características si son menores a 1 en términos
absolutos, por tanto si cumple la condición de estacionalidad e invertibilidad del
modelo estimado.
Otras formas de verificar que se cumplan las condiciones de estacionalidad e
invertibilidad del modelo estimado son haciendo uso de un Gráfico y de las Columnas
de Modulus. (Ver en Eviews: Page M1: )
GRÁFICO N°13CONDICIONES ESTACIONALIDAD E INVERTIBILDAD
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
AR rootsMA roots
Inverse Roots of AR/MA Polynomial(s)
Fuente: Page M2-Modelo Arima 12, 1, 12 a ELABORACIÓN PROPIA
Podemos observar en el gráfico que si se cumple las condiciones de estacionalidad e
invertibilidad del modelo estimado (Modelo Arima 12, 1, 12 a con intercepto), ya que
los puntos rojos que vienen ha ser las raíces características están sobre el círculo.
30
Y la otra manera de verificar que se cumplan estas condiciones es a través de las
columnas modulus. (Ver en Eviews: Page M1).
CUADRO N°11CONDICIONES ESTCIONALIDAD E INVERTIBILIDAD
Fuente: Page M1-Modelo Arima 12, 1, 12 a ELABORACIÓN PROPIA
Podemos observar en el cuadro que los coeficientes de la columna de Modulus son menores a 1, por tanto se cumple las condiciones de estacionalidad e invertibilidad del modelo estimado (Modelo Arima 12, 1, 12 a con intercepto).
b.- Perturbaciones sean Ruido Blanco.-
31
Inverse Roots of AR/MA Polynomial(s)Specification: D(LOGN1) C AR(6) AR(12) MA(6) MA(12)Date: 12/08/12 Time: 07:22Sample: 1991M02 2010M09Included observations: 236
AR Root(s) Modulus Cycle
0.860714 ± 0.496934i 0.993867 12.00000 -0.860714 ± 0.496934i 0.993867 2.400000 8.11e-17 ± 0.993867i 0.993867 4.000000 0.987994 0.987994 0.493997 ± 0.855628i 0.987994 6.000000 -0.493997 ± 0.855628i 0.987994 3.000000 -0.987994 0.987994
No root lies outside the unit circle. ARMA model is stationary.
MA Root(s) Modulus Cycle
6.77e-17 ± 0.974230i 0.974230 4.000000 0.843708 ± 0.487115i 0.974230 12.00000 -0.843708 ± 0.487115i 0.974230 2.400000 -0.467178 ± 0.809177i 0.934357 3.000000 -0.934357 0.934357 0.467178 ± 0.809177i 0.934357 6.000000 0.934357 0.934357
Para esto utilizamos el correlograma Q-Statitic: (Ver en Eviews: Page M1).
CUADRO N°12PERTURBACIONES SEAN RUIDO BLANCO
Fuente: Page M1- Modelo Arima 12, 1, 12 a ELABORACIÓN PROPIA
H 0 : ρk = ρ¿k = 0 ≡ Existe Ruido Blanco
H 1 : ρk ≠ ρ¿k ≠ 0 ≡ No Existe Ruido Blanco
Podemos darnos cuenta en el correlograma que si existe Ruido Blanco ya que los
valores de los coeficientes caen dentro de los intervalos o bandas, es decir son no
significativos, por tanto se acepta H 0.
32
Date: 12/08/12 Time: 07:25Sample: 1991M02 2010M09Included observations: 236
Q-statistic probabilities adjusted for 4 ARMA term(s)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
.|** | .|** | 1 0.221 0.221 11.638 .|* | .|* | 2 0.126 0.081 15.445 .|* | .|. | 3 0.105 0.065 18.090 .|. | .|. | 4 0.020 -0.025 18.185 .|. | .|. | 5 0.033 0.020 18.455 0.000 .|. | .|. | 6 0.041 0.027 18.863 0.000 .|. | .|. | 7 0.035 0.020 19.164 0.000 .|. | .|. | 8 0.017 -0.004 19.232 0.001 .|. | .|. | 9 0.012 -0.000 19.266 0.002 *|. | *|. | 10 -0.071 -0.083 20.510 0.002 .|. | .|. | 11 0.034 0.066 20.798 0.004 .|. | .|. | 12 -0.028 -0.039 20.988 0.007
SEGUNDO: Procederemos a Eliminar la variable AR (6) cuya probabilidad es de
Obteniendo a partir de la estimación nueva lo siguiente: (Ver en Eviews: Page M1:
modarima12112b).
CUADRO N°13ARIMA ELIMINADO AR (8)
Fuente: Page M1-Modelo Arima 12, 1, 12 B ELABORACIÓN PROPIA
33
Dependent Variable: D(LOGN1)Method: Least SquaresDate: 12/08/12 Time: 07:29Sample: 1991M02 2010M09Included observations: 236Convergence achieved after 10 iterationsMA Backcast: 1990M02 1991M01
Variable Coefficient Std. Error t-Statistic Prob.
C -0.003786 0.013968 -0.271072 0.7866AR(12) 0.904192 0.023472 38.52214 0.0000MA(6) 0.139127 0.053741 2.588831 0.0102
MA(12) -0.576556 0.061487 -9.376920 0.0000
R-squared 0.630170 Mean dependent var 0.014959Adjusted R-squared 0.625388 S.D. dependent var 0.053372S.E. of regression 0.032667 Akaike info criterion -3.988123Sum squared resid 0.247569 Schwarz criterion -3.929414Log likelihood 474.5985 Hannan-Quinn criter. -3.964457F-statistic 131.7718 Durbin-Watson stat 1.549065Prob(F-statistic) 0.000000
Inverted AR Roots .99 .86+.50i .86-.50i .50+.86i .50-.86i .00-.99i -.00+.99i -.50+.86i-.50-.86i -.86+.50i -.86-.50i -.99
Inverted MA Roots .94 .84+.48i .84-.48i .47-.81i .47+.81i -.00+.97i -.00-.97i -.47-.81i-.47+.81i -.84+.48i -.84-.48i -.94
a.- Condiciones de Estacionalidad e Invertibilidad del Modelo.-
Esto se ve de acuerdo a las raíces características del modelo:
Se debe cumplir:
Raíces Características de Polinomio ¿ 1
Observamos en la parte última de la estimación del Modelo Arima (12, 1, 12)
eliminado AR(6) que las raíces características si son menores a 1 en términos
absolutos, por tanto si cumple la condición de estacionalidad e invertibilidad del
modelo estimado.
Otras formas de verificar que se cumplan las condiciones de estacionalidad e
invertibilidad del modelo estimado son haciendo uso de un Gráfico y de las Columnas
de Modulus. (Ver en Eviews: Page M1)
GRÁFICO N°14CONDICIONES ESTACIONALIDAD INVERTIBILIDAD
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
AR rootsMA roots
Inverse Roots of AR/MA Polynomial(s)
Fuente: Page M2- Modelo Arima 12, 1, 12 b ELABORACIÓN PROPIA
34
Podemos observar en el gráfico que si se cumple las condiciones de estacionalidad e
invertibilidad del modelo estimado (Modelo Arima 12, 1, 12 b con intercepto), ya que
los puntos rojos que vienen ha ser las raíces características están sobre el círculo.
Y la otra manera de verificar que se cumplan estas condiciones es a través de las
columnas modulus. (Ver en Eviews: Page M1).
CUADRO N°14CONDICIONES ESTACIONALIDAD E INVERTIBILIDAD
Fuente: Page M2- Modelo Arima 12, 1, 12 b ELABORACIÓN PROPIA
35
Inverse Roots of AR/MA Polynomial(s)Specification: D(LOGN1) C AR(12) MA(6) MA(12)Date: 12/08/12 Time: 07:33Sample: 1991M02 2010M09Included observations: 236
AR Root(s) Modulus Cycle
-0.495821 ± 0.858787i 0.991642 3.000000 -0.858787 ± 0.495821i 0.991642 2.400000 0.858787 ± 0.495821i 0.991642 12.00000 0.495821 ± 0.858787i 0.991642 6.000000 -0.991642 0.991642 0.991642 0.991642 1.74e-16 ± 0.991642i 0.991642 4.000000
No root lies outside the unit circle. ARMA model is stationary.
MA Root(s) Modulus Cycle
3.47e-17 ± 0.969822i 0.969822 4.000000 -0.839891 ± 0.484911i 0.969822 2.400000 0.839891 ± 0.484911i 0.969822 12.00000 0.940694 0.940694 -0.940694 0.940694 -0.470347 ± 0.814665i 0.940694 3.000000 0.470347 ± 0.814665i 0.940694 6.000000
No root lies outside the unit circle. ARMA model is invertible.
Podemos observar en el cuadro que los coeficientes de la columna de Modulus todos son menores a 1, por tanto se cumple las condiciones de estacionalidad e invertibilidad del modelo estimado (Modelo Arima 12, 1, 12 b con intercepto).
b.- Perturbaciones sean Ruido Blanco.-
Para esto utilizamos el correlograma Q-Statitic: (Ver en Eviews: Page M1).
CUADRO N°15PERTURBACIONES SEAN RUIDO BLANCO
Fuente: Page M2- Modelo Arima 12, 1, 12 b ELABORACIÓN PROPIA
H 0 : ρk = ρ¿k = 0 ≡ Existe Ruido Blanco
H 1 : ρk ≠ ρ¿k ≠ 0 ≡ No Existe Ruido Blanco
36
Date: 12/08/12 Time: 07:34Sample: 1991M02 2010M09Included observations: 236
Q-statistic probabilities adjusted for 3 ARMA term(s)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
.|** | .|** | 1 0.225 0.225 12.112 .|* | .|* | 2 0.133 0.087 16.372 .|* | .|. | 3 0.103 0.059 18.919 .|. | .|. | 4 0.035 -0.009 19.219 0.000 .|. | .|. | 5 0.059 0.041 20.080 0.000 .|. | .|. | 6 0.057 0.031 20.869 0.000 .|. | .|. | 7 0.054 0.028 21.575 0.000 .|. | .|. | 8 0.027 -0.004 21.750 0.001 .|. | .|. | 9 0.010 -0.008 21.774 0.001 .|. | *|. | 10 -0.061 -0.075 22.699 0.002 .|. | .|. | 11 0.041 0.068 23.120 0.003 .|. | .|. | 12 -0.025 -0.041 23.275 0.006
Podemos darnos cuenta en el correlograma que si existe Ruido Blanco ya que los
valores de los coeficientes caen dentro de los intervalos o bandas, es decir son no
significativos, por tanto se acepta H 0.
IV. VALIDACIÓN
Si el modelo estimado superase satisfactoriamente las etapas del proceso
de validación, se estaría en condiciones de utilizarlo en la predicción de
valores futuros de la variable.
1° Análisis de los Residuos.-
1.1. Análisis de los Coeficientes de Autocorrelación Simple:
(A).- Anderson
Según ha demostrado Anderson (1942) los coeficientes de autocorrelación
muestrales procedentes de un proceso de ruido blanco se distribuyen, en muestras
grandes de la siguiente forma:
ρK=N (0 , 1T
)
Siendo la H 0=εt es ruido blanco |ρK|<1.96
√T
H 1 = ∈t no es ruido blanco
Generamos Genr Ande= 1.96/sqr (236), del que obtenemos el valor 0.127585.
Comparando con los valores ρK y ρK¿
(autocorrelación simple muestral (AC)) y los
coeficientes de autocorrelación parcial muestral, respectivamente) del cuadro ARIMA
Final (Ver en Eviews: corr_mod12112b) concluimos que no todos son menores al
Anderson y por tanto aceptamos la hipótesis nula de existencia de ruido blanco en los
errores.
37
(B).- Pankratz
En la práctica, se construyen bandas de confianza utilizando la distribución de una
variable ruido blanco cuya varianza aproximada viene dada por 1/T.
Sin embargo, este valor no constituye una buena aproximación ya que la distribución
no es aplicable a los coeficientes de autocorrelacion de una serie de residuos,
especialmente en los retardos de orden bajo.
Pankratz (1983) considera que bajo las hipótesis:
HO: es un ruido blanco
H1: no es ruido blanco
Si tenemos que:
O en todo caso Para k=1, 2,3.
O en todo caso Para k 4
Por lo tanto, se acepta la Hipótesis Nula.
(Ver en Eviews- Page M2: data pan1, datapan2)
38
Genr Pan1=1.25/sqr(236)=0.081368, para k=1,2,3; lo cual en el correlograma de
la estimación Modelo Arima 12, 1, 12 C se observa que no cumple la condición ya
que los tres primeros AC y PAC no son menores a 0.081368.
39