Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Salome
Salome
Prdidas
8.085
Exportacin Importacin
202.612
Exportacin
27.271
Importacin 54.208
132.127
PETRLEO
Produccin
159.479 37.847
43.485 82.298
Variacin Inventarios
3.567
8.977
GAS
Produccin
269.440
Exportacin E t i
79.707
138.777
Prdida transf.
LEA
77.227
CARBONERAS
3.419
Importacin
27.518 9.622
CARBN 1.249
22.043
Reajuste
2.685
Reajuste
213
10 .36 6
71 .
38 1
NO APROVECHADA
14
PLANTAS DE GAS
9 6.29
86.047
5.473
7.281 4.450
BOSTA YARETA
22.297
CONSUMO NO ENERGTICO
SOLAR
2.323
Prdida transf.
3.419
I. MODELOS ARIMA
La determinacin de predicciones mediante anlisis cuantitativo univariante de series temporales se fundamenta en el uso de los datos histricos de la variable en estudio, con los q que, utilizando el tratamiento estadsticoestadsticomatemtico apropiado, se elabora un modelo tal que describa su comportamiento temporal de la forma lo ms aproximada posible La metodologa ARIMA (Autoregressive - Moving Average) esta basada en que la serie temporal en estudio, luego de una transformacin apropiada debe aproximarse al comportamiento de un proceso estocstico estacionario lineal y a partir lineal, de ello explicar y pronosticar a dicha variable
As; As; un modelo ARIMA parte de un proceso estocstico no estacionario lineal homogenizado (integrado); (integrado); ello quiere decir, que luego de practicarle diferenciaciones regulares y estacionales, queda como resultante un proceso estacionario del tipo ARMA. Un modelo ARMA ARMA. (Autoregressive - Moving Average), viene a ser un proceso estocstico estacionario lineal, resultante de la combinacin de dos procesos estocsticos estacionarios lineales, uno autorregresivo y otro de medias mviles
100000
110000
20000
30000
40000
50000
60000
70000
80000
90000
10000
0 0 1 -8 7 8 0 8 -8 7 8 0 3 -8 8 8 1 0 -8 8 8 0 5 -8 9 8 1 2 -8 9 8 0 7 -9 0 9 0 2 -9 1 9 0 9 -9 1 9 0 4 -9 2 9 1 1 -9 2 9 0 6 -9 3 9 0 1 -9 4 9 0 8 -9 4 9 0 3 -9 5 9 1 0 -9 5 9 0 5 -9 6 9 1 2 -9 6 9 0 7 -9 7 9 0 2 -9 8 9 0 9 -9 8 9 0 4 -9 9 9 1 1 -9 9 9 0 6 -0 0 0 0 1 -0 0 0 0 1 -0 0 0 DATOS HISTORICOS
0.1
0.2
0.3
0.4
-0.4 01-88 06-88 11-88 04-89 09-89 02-90 07-90 12-90 05-91 10-91 03-92 08-92 01-93 06-93 11-93 04-94 09-94 02-95 07-95 12-95 05-96 10-96 03-97 08-97 01-98 06-98 11-98 04-99 09-99 VARIABLE ESTACIONARIZADA
-0.3
-0.2
-0.1
La importancia d l metodologa ARIMA L i t i de la t d l estriba en la calidad de predicciones que se logran, ello debido a la exhaustiva p p exploracin de todos los patrones de comportamiento evolutivo que puede tener una serie temporal (tendencia, ciclaje, estacionalidad, irregulari dad). dad).
CALCULO ARIMA
El proceso de clculo se realiza bajo la forma siguiente: siguiente: Identificacin de modelos ARIMA tentativos Estimacin y ajuste de los modelos ARIMA tentativos Evaluacin y eleccin de modelos ARIMA tentativos Identificacin d i t Id tifi i de intervenciones y atpicos i t i Identificacin de modelos ARIMA con intervencin y atpicos Estimacin y ajuste de modelos ARIMA con intervencin y atpicos Evaluacin y eleccin de modelos ARIMA con intervencin y atpicos Calculo de predicciones
Datos de la Serie
Transformacin de la serie
No
Seleccin de d, D y
ESTIMACION
- Clculo de parmetros
VALIDACION
Es el modelo adecuado? No
PREDICCION
Predice P di correctamente?
No
Cualquier serie histrica en niveles como tal a lo histrica, tal, largo de su evolucin histrica puede presentar una variabilidad no constante, esto es que la varianza sea dependiente del tiempo (exista heterocedasticidad ). En muchos casos la variabilidad no aumenta con el tiempo sino con el nivel de la serie. Por tanto, se tendr que efectuar serie. una t transformacin d l variable para d esta f i de la i bl de t forma estabilizar la varianza
En l bj ti E el objetivo d id tifi de identificar si l varianza es i la i constante en una serie natural, se procede a evaluar el comportamiento variabilidad-nivel, para ello se p variabilidad, p agrupa las observaciones de la serie por periodos de tiempo con el mismo nmero de observaciones (agrupando en aos cuando se tienen observaciones mensuales). mensuales). Luego, dependiendo del grado de complejidad de la serie, se puede realizar, bien una visualizacin grfica y a partir de ello determinar si es necesario practicar una transformacin logartmica p para alcanzar la estabilidad en varianza, o en el caso ms amplio efectuar una prueba de comprobacin de la hiptesis de que los grupos conformados procedan de poblaciones con varianza comn (Prueba de Levene) Levene)
IDENTIFICACION: ESTABILIDAD EN MEDIA Y DE ESTACIONALIDAD Para estabilizar la media de la serie en estudio puede ser necesario aplicar diferencias regulares (de orden d) y estacionales (de orden D). Las rdenes de diferenciacin D). se d t determinan l i luego d l anlisis d estabilidad en del li i de t bilid d varianza, tomando como referencia: referencia: El comportamiento grfico de la serie El comportamiento de las funciones de p (FAC) y p ) parcial ( (FACP) ) autocorrelacin simple ( El uso de estadsticos de medicin de error para elegir el mejor arreglo, dentro de un juego de posibilidades El contraste de races unitarias para verificar la estacionariedad de la serie
La identificacin de las rdenes autorregresivas y de medias mviles de la parte regular del modelo, (p,q), se realiza a partir de las funciones FAC y FACP muestrales, l t l las mismas que se i comparan con el comportamiento de los retardos tpicos de las FAC y FACP tericas La identificacin de los parmetros autorregresivos y de medias mviles de la parte estacional (P y Q) p ( ) se realiza a partir de las funciones FAC y FACP muestrales para la serie diferenciada estacionalmente, estacionalmente considerando exclusivamente los retardos estacionales s, 2s, 3s, y teniendo , como patrn de comportamiento a las FAC y FACP p p tericas
M O D E L O S A U T O R R EG R ES IV O S - A R F AC F ACP A R (1 )
M O D EL O S M E D IA S M O V I L ES - M A F AC F ACP M A (1 )
A R (2 )
M A (2 )
M O D EL O S A R M A A R M A (1 , 1 )
La estimacin de los parmetros del modelo tentativo, generalmente se realiza por los mtodos mxima verosimilitud condicional y mxima verosimilitud exacta. exacta. En base a ello es importante sealar que los distintos programas que se utilizan utilizan, pueden proporcionar valores diferentes de los parmetros calculados para un mismo modelo ARIMA; pues p ARIMA; p adems se suma la diferencia de algoritmos utilizados por cada programa. programa. Por tanto es esta etapa la q e infl e en la eleccin tanto, que influye del programa informtico apropiado para alcanzar , estimaciones mas refinadas. No obstante, en muchas refinadas. series reales la diferencia de resultados estimados entre uno y otro programa son relativamente pequeos. pequeos.
Se procede: procede: Identificacin tanto por su inicio como por su efecto De acuerdo a su influencia sobre la serie se aplica una variable ficticia o artificial (impulso o escaln), escaln) acompaada de un factor de filtrado tpico para cada caso Posteriormente se procede a estimar los coeficientes de filt d d filtrado utilizando mtodos d tili d t d de mxima i verosimilitud o mnimos cuadrados, ello mediante el programa informtico o la elaboracin de programas p og a a o t co a e abo ac p og a as estructurados que pueden realizarse en cualquier lenguaje de programacin. programacin. La validacin o cheq eo se reali a con la alidacin chequeo realiza demostracin de la significancia de sus parmetros de filtrado, ello mediante los estadsticos de error y de contraste. contraste.
ANALISIS DE RESULTADOS
A manera de ejemplo de caso se muestra un resumen de caso, resultados obtenidos: obtenidos: El modelo ARIMA que se obtiene como mejor alternativa comparativa del pronstico de la Demanda Vegetativa del SEIN y su aplicacin predictiva en el corto plazo (200820082010), 2010), dentro del Estudio del Plan Referencial de ) Electricidad 2008-2017 del Per, tiene la siguiente 2008estructura: estructura: ARIMA (0,1,1)x(0,1,0) )x(0 Transformacin: unitaria Transformacin: Intervenciones y Atpicos que corresponden a los meses d : de: de
Noviembre 2001: Abril 2002: Diciembre 2004: Marzo 2008: Abril 2008: Julio 2008: w1Nov01 w2Abr02 w3Dic04 w4Mar08 w5Abr08 w6Jul08
Entre las pruebas estadsticas realizadas se tienen: p tienen: Prueba de Levene para determinar la transformacin que deber realizarse a la serie original para lograr homocedasticidad Pruebas de estadsticos descriptivos (desviacin estndar) para la eleccin de las ordenes de diferenciacin regular y/o estacional en la bsqueda estacional, de estabilidad en medias Pruebas de contraste t-student para la significancia de p g los coeficientes estimados, tanto de las partes autorregresivas y medias mviles del modelo, como de los efectos externos (intervenciones y atpicos) ( p ) Prueba de incorrelacin de residuos (o ausencia de autocorrelacin de los residuos) para verificar que estos residuos se asemejan al comportamiento de un ruido blanco Prueba de normalidad de residuos para verificar que el comportamiento de los residuos cumplen con la hiptesis de normalidad. normalidad.
La capacidad p p predictiva del modelo ARIMA seleccionado, se comprueba con el clculo de predicciones en base a un horizonte histrico muestral con n observaciones menos que el horizonte histrico real de la q serie. serie. Es decir; las estimaciones de los parmetros o decir; coeficientes del modelo ARIMA seleccionado se obtuvieron inicialmente considerando las observaciones hasta mayo del 2006; posteriormente se comprob la capacidad 2006; predictiva sobre el intervalo junio 2006-agosto 2008 2006(periodo de validacin), comparando las predicciones de este modelo con las observaciones reales. Luego, para reales. pronosticar el intervalo setiembre 2008-diciembre 20082010, 2010, similar tamao del periodo de validacin se procede validacin, al ajuste del modelo ARIMA elegido sobre todo el horizonte histrico y predictivo de la serie. De all se comprueba que serie. las estimaciones de los coeficientes del modelo ajustado sobre todo el horizonte histrico y predictivo, difieren en mnimo error
39 feb-03 abr-03 jun-03 a ago-03 oc t-03 dic -03 feb-04 abr-04 jun-04 a ago-04 oc t-04 dic -04 feb-05 abr-05 jun-05 a ago-05 oc t-05 dic -05 feb-06 abr-06 jun-06 a ago-06 oc t-06 dic -06
rcdg f it _int 2 LCL_int 2 UCL_int 2
40
41
42
43
44
45
46
47
48
VALIDACION DEL MODELO SELECCIONADO La validacin del mejor modelo ARIMA j calculados, consiste en comprobar si se satisface la hiptesis relativa a que los residuos del modelo {ut} obedecen al comportamiento de un ruido blanco. El inconveniente radica en blanco. que, dado que los coeficientes del modelo son estimaciones de los verdaderos parmetros a partir de la muestra observada, los verdaderos errores son desconocidos. En consecuencia la desconocidos. consecuencia, comprobacin de las hiptesis de proceso de ruido blanco se realizar sobre una estimacin de los mismos. mismos.
AC CF
0,0
-0,5 05
-1,0 10 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Lag Number
En los resultados mostrados a continuacin, se presenta las proyecciones y los estadsticos de error
Ao 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 Histrico 11774.0 12405.0 12955.3 13806.7 14696.3 15981.2 17619.1 Proyeccin 11783.6 12319.6 12995.6 13752.6 14633.4 15979.1 17570.9 18617.8 19398.9 20189.8 43.2 EAM 0.313 EAPM 2604.4 ECM Error 9.6 -85.4 40.4 -54.1 -63.0 -2.1 -48.1 EA 9.6 85.4 40.4 54.1 63.0 2.1 48.1 EAP 0.08% 0.69% 0.31% 0.39% 0.43% 0.01% 0.27% EC 92.4 7293.6 1628.2 2928.3 3967.1 4.3 2316.7
De acuerdo a la estructura matemtica, los modelos economtricos se pueden clasificar en: en: MODELOS ECONOMETRICOS de regresin uniecuacional MODELOS ECONOMETRICOS de regresin biecuacional (con ecuacin de Cointegracin o de largo plazo y ecuacin d correccin d d l l i de i de error o de corto plazo
Valores de los Resultados Obtenidos: Punto de vista estadstico Punto de vista economtrico
Contraste o validacin
Proyecciones Economtricas
Inicialmente se perfila un modelo regresivo lineal, con las variables en niveles o transformadas verificando el cumplimiento de los transformadas, condicionantes estadsticos mediante pruebas estadsticas de significancia y corroboracin. La transformacin potencial se realiza corroboracin. con la finalidad de minimi ar la variabilidad de la data histrica minimizar ariabilidad histrica, cuando sta tiene caracterstica heteroscedstica. En situaciones heteroscedstica. muy frecuentes se aplica una transformacin logartmica, logrando resultados satisfactorios de estabilidad en varianza Para eliminar la tendencia de una serie original o transformada, se realizan diferencias regulares sucesivas (diferencia entre el valor de una variable de un periodo a otro inmediato anterior). Comnmente anterior). en casos como las variables en estudio, se logra eliminar la tendencia bajo un orden de diferenciacin unitario (primeras diferencias) diferencias) Se verifica la especificacin funcional de la ecuacin de regresin Se verifica la estabilidad de los parmetros de la ecuacin de regresin
ANALISIS DE RESULTADOS
Como ejemplo: la especificacin del Modelo Economtrico ejemplo: j p p de largo plazo ptimo, para determinar las proyecciones de la Demanda Elctrica Vegetativa del SEIN 2010-2017, tiene 2010-2017, la siguiente estructura: estructura: D(LOG(VENTAS)) = C(1)*D(LOG(PBIO)) + C(2)*D(INT92) + ( ( )) C(1) ( ( ( )) C(2)*D(INT92) ( ) ( C(3 [AR(1)=C(4 C(3) + [AR(1)=C(4)] Donde: Donde: D(LOG(VENTAS)): D(LOG(VENTAS)): Primera diferencia en logaritmos de las ventas vegetativas de electricidad del SEIN D(LOG(PBIO)): D(LOG(PBIO)): Primera diferencia en logaritmos del PBI del SEIN escenario optimista SEIN, D(INT92) D(INT92): Primera diferencia de la intervencin INT92 intervenci INT92 AR(1 AR(1): Variable autorregresiva de orden 1, para correcci correccin de la autocorrelacin serial de primer orden de los autocorrelaci residuos de la regresin regresi
La estimacin de cada coeficiente de la ecuacin de regresin, estimaci regresi para escenario correspondiente del PBI del SEIN optimista pa a esce a o co espo d e te de de S opt sta (PBIO); as (PBIO); as como la salida en E-Views mostrando los estad estadsticos de prueba, se presenta a continuacin: continuaci
D(LOG(VENTAS)) = 0.5208613444*D(LOG(PBIO)) 0.1071226772*D(INT92) + 0.02808865986 + [AR(1)=-0.1467998096] [AR(1)=Dependent Variable: D(LOG(VENTAS)) Method: Least Squares Date: 12/14/08 Time: 19:30 Sample(adjusted): 1983 2010 Included observations: 28 after adjusting endpoints Convergence achieved after 20 iterations Variable D(LOG(PBIO)) D(INT92) C AR(1) ( ) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.520861 -0.107123 0.028089 -0.146800 0.828738 0.807331 0.023803 0.013598 0 013598 67.09067 2.006243 Std. Error 0.066136 0.019835 0.004423 0.228671 t-Statistic 7.875666 -5.400752 6.350247 -0.641969 Prob. 0.0000 0.0000 0.0000 0.5270 0.043654 0.054227 -4.506477 -4.316162 -4 316162 38.71218 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
Ao 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
Ventas Vegetativas SEIN 5679 5947 5756 6114 6498 7030 7674 7762 7180 7126 7667 6806 7794 8805 9193 9448 9940 10575 10950 11811 11774 12405 12955 13807 14696 15981 17619 18618 19399 20190
Proyeccin EA2PBIO
Proyeccin EA2PBIC
Proyeccin EA2PBIM
5000
Proyeccin EA2PBIO
2500 0
19 981 19 983 19 985 19 987 19 989 19 991 19 993 19 995 19 997 19 999 20 001 20 003 20 005 20 007 20 009 20 011 20 013 20 015
Un modelo ARIMA (p,d,q)x(P,D,Q), que evala las predicciones p,d,q)x(P,D,Q), de una serie Xt, con tendencia y estacionalidad, viene dada por la siguiente expresin
P ( Ls ) p ( L )(1 Ls ) D (1 L ) d X t = Q ( Ls ) q ( L ) u t + C
Donde: Donde: p y P son las rdenes autorregresivas regular y estacional q y Q son las rdenes de medias mviles regular y estacional d y D son las rdenes de diferenciacin regular y estacional s es el perodo estacional (series con datos mensuales s =12 ) p ( L es el operador de retardos ( p.e L2 Xt = Xt-2 ) ut variable de error, obedece a un proceso de ruido blanco , p C Constante
regular y estacional g
p ( L) = 1 1L 2 L2 .......... p Lp
P (LS ) = 1 1Ls 2 L2s .........P LPs
q(L) y Q(Ls) son los operadores polinomiales de medias
mviles regular y estacional
q ( L ) = 1 1 L 2 L2 ........ q Lq
- La media de Xt es constante : E(Xt ) = - La varianza de Xt es constante: V(Xt ) = 2 - La correlacin entre Xt y Xt+k depende slo del nmero de retardos que las separan : (t, k) = k t, k = 0,1,2... k) AUTOCORRELACION DE ORDEN k, k . En un proceso estacionario, es la correlacin entre variables separadas por k retardos. L representacin d k en f i d k se d retardos. La t d t i de funcin de denomina i funcin de autocorrelacin (fac) o correlograma . AUTOCORRELACION PARCIAL DE ORDEN k, k . En un proceso estacionario es la correlacin entre variables separadas estacionario, por k retardos, eliminando el efecto de las k-1 variables intermedias. intermedias. La representacin de k en funcin de k se denomina funcin de autocorrelacin parcial (pfac). (pfac).
PROCESOS ESTOCASTICOS ESTACIONARIOS LINEALES PROCESO AUTORREGRESIVO AR(p). AR( autorregresivo de orden p se expresa como Un proceso Xt
X t = 1 X t 1 + 2 X t 2 + ......... + p X t p + + ut
PROCESO DE MEDIA MOVIL MA(q). Un proceso Xt de media MA( mvil de orden q se expresa como
X t = + ut 1ut 1 2ut 2 ............ q ut q
DE
MEDIAS
MOVILES