métodologia arima
TRANSCRIPT
-
8/19/2019 Métodologia ARIMA
1/12
1
INSTITUTO POLITÉCNICO N CION L
ESCUEL SUPERIOR DE ECONOMÍ
SERIES DE TIEMPO
“ESTIM CIÓN RIM P R L
INFL CIÓN DE MÉXICO”
PROFESOR: OROZCO LIR GODFREY
CASTRO OLMOS MARÍA JOSÉ
3EV09
FECHA: 18/05/15
-
8/19/2019 Métodologia ARIMA
2/12
2
INTRODUCCIÓN
Un modelo autorregresivo integrado de media móvil mejor conocido como
ARIMA, es un modelo que utiliza regresiones y variaciones, con el objetivo de
poder realizar una predicción, es decir una estimación futura vendrá explicada
por los datos del pasado y en esta ocasión no será explicada por variables
independientes.
Generalmente se expresa como ARIMA(p,q,d), en donde cada uno de los
parámetros representan los componentes del modelo, es decir, el componente
autorregresivo, integrado y de media móvil.
En el presente trabajo, la variable central en el proceso a modelar, es la inflación
de México en el periodo de 1980 al año 2014.
Primero se procede a una serie de pruebas, desde la de raíz unitaria hasta
Ramsey-reset para observar si el modelo se comporta de manera lineal y si el
mismo es eficiente, todo ello para realizar un pronóstico dentro de la muestra.
Posteriormente se procederá a realizar el pronóstico desde fuera de la muestra
para tres periodos y con ello se concluirá la estimación del modelo ARIMA para
la inflación en México.
-
8/19/2019 Métodologia ARIMA
3/12
3
De primer instante comienzo importando la serie Inflación en el periodo de
estudio al paquete Eviews, para posteriormente analizar el comportamiento de
esta variable a través de la gráfica siguiente:
En la gráfica anterior, se puede observar claramente que la variable presenta
una leve tendencia descendente, muestra un componente irregular bastante
marcado, al mismo tiempo que está generando muchos sesgos y no presenta
estacionariedad en la varianza.
Otro caso que se puede señalar es que, precisamente en los periodos en los que
México ha atravesado por crisis, la inflación ha presentado una gran alza,
principalmente en el llamado “error de diciembre”, en el cual el valor del peso
mexicano se redujo drásticamente, se generó un encarecimiento de los bienes y
servicios, provocando con ello este incremento de la inflación.
Una vez analizado el comportamiento de la variable a través del tiempo, se
observa el correlograma para poder determinar a través del comportamiento del
rezago si la serie es estacionaria o no, es decir, si este decrece rápidamente
entonces se dice que la serie es estacionaria, si se observa que el mismo en el
correlograma decrece lentamente, entonces hablamos de una serie no
estacionaria con raíz unitaria y por último, si el decrecimiento es muy lento casi
nulo, entonces se habla de una serie explosiva que por lo tanto tampoco es
estacionaria.
-
8/19/2019 Métodologia ARIMA
4/12
4
Se observa en el siguiente cuadro que el correlograma tiene un decrecimiento
lento, por lo tanto la serie inflación es no estacionaria y posiblemente con raíz
unitaria
El proceso para volver estacionaria a una serie, es sencillamente con su primera
diferencia o las que el modelo requiera.
La tabla siguiente, muestra el correlograma con la primera diferencia de nuestra
serie:
-
8/19/2019 Métodologia ARIMA
5/12
5
Y se observa una buena respuesta de los componentes de la serie, pues la mayoría
ya se encuentra dentro de las bandas.
En la gráfica anterior, se presenta la serie con su primera diferencia, se le ha
quitado la tendencia y vemos claramente como oscila alrededor de la media, es
decir es estacionaria en media, sin embargo el proceso no es un ruido blanco y
efectivamente se puede sugerir que es raíz unitaria.
Para comprobar lo anterior, procedo a realizar la prueba de raíz unitaria Dickey
Fuller
Al observar la probabilidad de la prueba, la inflación efectivamente presenta una
raíz unitaria, es decir, presenta una fuerte dependencia a través del tiempo.
Al realizar la prueba de raíz unitaria Philliphs Perron, el resultado obtenido es
el siguiente;
-
8/19/2019 Métodologia ARIMA
6/12
6
Por lo tanto se reafirma que la serie presenta raíz unitaria, las trayectorias a
las que se mueve son complicadas y su varianza tiende a ser infinita.
Por lo tanto se concluye que aplicando la primera diferencia de la serie, será
suficiente para convertirla estacionaria y entonces se genera la serie unitaria,
es decir se elimina lo que pasa en el periodo inmediato anterior
Concluidas las pruebas de raíz unitaria, ahora realizamos la estimación sobre la
condición estacionaria. Se comienza a trabajar con los modelos ar o ma para así
limpiar el correlograma, dependiendo de los picos que sobresalgan de las bandas
en el y para cada modelo empleado, se revisa que sean significativos y que sus
raíces sean menores a uno.
Los resultados del proceso anterior fueron los siguientes:
Se observa la sensibilidad de respuesta de la inflación ante los modelos
empleados (los cuales si presentan significancia y sus raíces están antes del
borde del circulo unitario), es decir que la inflación obedece más a una condición
-
8/19/2019 Métodologia ARIMA
7/12
7
ar(2) y es menos sensible a un ma(16). Se presenta una independencia en la
tendencia que lleva la serie por inercia, a sus rezagos.
A continuación se muestra el correlograma de los residuos, con los parámetros
ya dentro de las bandas y por lo tanto se dice que la serie ya es adecuada para
realizar pronósticos.
El objetivo de limpiar el correlograma se cumple, sin embargo hay pérdida de
información porque se usa una gran amplitud de rezago y por la aproximación que
tienen algunos elementos a las bandas se deduce que las varianzas serán altas y
por lo tanto los resultados no serán los esperados.
-
8/19/2019 Métodologia ARIMA
8/12
-
8/19/2019 Métodologia ARIMA
9/12
9
Lo anterior muestra la prueba de correlación serial LM de primer orden, al
observar la probabilidad de ésta vemos que hay ausencia de autocorrelación en
el componente estocástico.
Al realizar las pruebas de heterocedasticidad:
-
8/19/2019 Métodologia ARIMA
10/12
10
Se acepta el hecho de que nuestro modelo presenta heterocedasticidad,
respecto al resultado que arroja el test de White.
El test Arch nos muestra la correlación de la varianza de la serie a través del
tiempo, es decir, cómo evoluciona la variabilidad y si la serie presenta volatilidad.
Tal como lo menciona resultado anterior, si se esperó aceptar la prueba de
volatilidad, debido a la leptocurtosis que presentó la serie y por su naturaleza.
La prueba Ramsey reset, resultó significativa, por lo cual podemos decir que hay
una correcta especificación del modelo, el cual si se comporta de manera lineal.
-
8/19/2019 Métodologia ARIMA
11/12
11
Por último, realizamos el pronóstico de nuestra variable tomando en cuenta la
serie original, al graficar ambas series (original y pronóstico) el resultado es el
siguiente:
En caso de realizar una predicción de lo que sucederá en el siguiente periodo,
respecto al comportamiento de la variable, en este caso la inflación, si se tomaen cuenta el comportamiento que ha tenido la misma, se esperaría que esta
descendiera, por lo tanto el poder adquisitivo de las personas se va a
incrementar, lo cual llevará a que se realice un mayor consumo incrementando la
demanda de bienes, lo cual a su vez en un determinado momento llevará a un alza
en la inflación.
Para poder realizar un pronóstico fuera de la muestra, el proceso es ampliar el
tamaño del grupo de la serie sobre la cual se está trabajando, en este caso lainflación en su primera diferencia, se pronosticarán los 4 periodos siguientes, es
decir la muestra ahora será del año 1980 al año 2018.
Realizamos el pronóstico, y el resultado se mostrará a continuación, con lo cual
podemos aceptar la hipótesis que se empleó anteriormente de que se presentaría
una baja en la inflación.
-
8/19/2019 Métodologia ARIMA
12/12
12
CONCLUSIÓN
Los modelos ARIMA, nos sirven para realizar un pronóstico a futuro de la serie
que se esté trabajando, sin embargo, son modelos un tanto sencillos para este
tipo de situación, debido a la perdida de información que se presenta al momento
de emplear los modelos para la estimación, aunque en la realidad existen diversas
instituciones que hacen uso de ellos, para obtener muestras representativas,
debido a la practicidad que tienen este tipo de modelos.
Al estimar la inflación de México, con este modelo, se presentan ciertas
inconsistencias o dificultades debido a la naturaleza de la variable, ya que esta
suele presentar volatilidad y un componente irregular muy marcado por lo mismo,
se puede realizar un pronóstico, el problema es que hay diversos componentes
que quedan fuera del modelo y por lo tanto no se asegura la precisión respecto
al pronóstico que se pueda realizar.