Está en la página 1de 52

Universidad de Santiago de Chile Facultad de Ciencia Departamento de Matem atica y Ciencia de la Computaci on Ingenier a Estad stica

Series Cronol ogicas Prueba 3

Nombres:

Profesor: Curso: Fecha:

Francisco Far as Sim on Gonz alez Ricardo Ochoa Fabio Paredes Claudio Beltr an Series Cronol ogicas 10 septiembre, 2013

Contents
1 An alisis de primera base 1.1 Programa R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Gr acos serie original y transformada. . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3 Gr acos ACF y PACF de la serie transformada . . . . . . . . . . . . . . . . . . . . . . 1.4 Gr aca de la serie diferenciada, diferenciamos la tendencia de la serie . . . . . . . . . . 1.5 Gr acos ACF y PACF de la serie diferenciada a la cual ya se le aplic o la transformaci on. 1.6 Diferenciando la estacionalidad, periodo 12. . . . . . . . . . . . . . . . . . . . . . . . . 1.7 Elecci on del modelo Arima estacional(SARIMA) . . . . . . . . . . . . . . . . . . . . . 1.8 Diagn ostico del modelo (Box-Ljung y gr aca) . . . . . . . . . . . . . . . . . . . . . . . 1.9 Se a naden dos test para el an alisis de los residuos. . . . . . . . . . . . . . . . . . . . . 1.10 Predicciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.11 Gr aca de los datos transformados m as la predicci on de los 12 proximos. . . . . . . . 1.12 Analizamos la base anterior, proponiendo el siguiente modelo: (0,1,1)x(0,1,1). . . . . . 1.12.1 Estimadores de los par ametros . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.12.2 An alisis de los residuos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.12.3 Test de los residuos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.12.4 Predicciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.12.5 Graca de los datos transformados mas la predicci on de los 12 proximos. . . . 1.13 Conclusi on del modelo elegido. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.14 Programa Eviews . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.14.1 Introducci on a Eviews . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.14.2 Imacec . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.15 Supuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.16 Supuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 An alisis de segunda base 2.1 Producto Interno Bruto Cuatrimestral en EEUU. . . . . . . . . . . . . . . . . . . . . . 2.1.1 Producto Interno Bruto Cuatrimestral en EEUU. . . . . . . . . . . . . . . . . 2.2 Supuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 An alisis de tercera base 3.1 Balanza comercial de Exportaciones de Bienes . . . . . . . . . . . . . . . . . . . . . . . 3.2 Gr acos serie original y transformada. . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3 Gr acos ACF y PACF de la serie transformada. . . . . . . . . . . . . . . . . . . . . . . 3.4 Gr aca de la serie diferenciada, diferenciamos la tendencia de la serie. . . . . . . . . . 3.5 Gr acos ACF y PACF de la serie diferenciada a la cual ya se le aplico la transformaci on. 3.6 Diferenciando la estacionalidad, periodo 12. . . . . . . . . . . . . . . . . . . . . . . . . 3.7 ELECCION DEL MODELO ARIMA ESTACIONAL (SARIMA) . . . . . . . . . . . . 3.8 Diagnostico del modelo (Box-Ljung y graca). . . . . . . . . . . . . . . . . . . . . . . . 3.9 Predicciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.10 Graca de los datos transformados mas la predicci on de los 12 pr oximos. . . . . . . . . 3.11 Predicciones de datos utilizando forecast. . . . . . . . . . . . . . . . . . . . . . . . . . 3.12 II. Analizamos la base anterior, proponiendo el siguiente modelo: (2,1,2)x(1,1,2). . . . 3.13 Estimaciones de los par ametros. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.14 An alisis de los residuos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.15 Test de los residuos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 3 3 4 5 6 7 7 8 8 9 9 10 10 10 11 11 12 12 13 13 20 22 25 26 26 32 33 35 35 35 36 37 38 38 39 40 41 41 42 42 42 43 43

3.16 3.17 3.18 3.19 3.20 3.21 3.22

Predicciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Graca de los datos transformados mas la predicci on de los 12 pr oximos. . Predicciones de datos utilizando forecast. . . . . . . . . . . . . . . . . . . CONCLUSION DEL MODELO ELEGIDO. . . . . . . . . . . . . . . . . . Balanza comercial de Exportaciones de Bienes en Eviews . . . . . . . . . Supuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Supuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

44 44 45 45 46 47 50

1
1.1

An alisis de primera base


Programa R

Indicador Mensual de Actividad Econ omica(IMACEC), es un indicador que analiza el comportamiento de la econom a o el volumen de precios en un corto plazo, generalmente mensual. El IMACEC es un ndice representativo de la econom a chilena comprendiendo en si cerca del 90% de los bienes y servicios del PIB. Los datos analizados acontinuaci on corresponde al IMACEC comprendido en el periodo Ene.2008 a Jul.2013, registrando el volumen de precios. Referencia: http://www.bcentral.cl/estadisticas-economicas/series-indicadores/index_aeg.htm

1.2

Gr acos serie original y transformada.

Podemos observar que la serie original presenta tendencia junto con estacionalidad y adem as una varianza no constante, es decir, heteroced astica. Por el contrario, la serie transformada a la cual se le aplic o el logaritmo, tambi en presenta tendencia y estacionalidad pero con varianza constante gracias a la transformaci on. Lo anterior lo podemos ver en los l mites de la izquierda.

1.3

Gr acos ACF y PACF de la serie transformada

1.4

Gr aca de la serie diferenciada, diferenciamos la tendencia de la serie

Al diferenciar la Estacionalidad de la serie s olo una vez, esta toma una forma constante, esto es, estacionaria con respecto a una media. Por lo tanto, d=1.

1.5

Gr acos ACF y PACF de la serie diferenciada a la cual ya se le aplic o la transformaci on.

Se puede observar estacionalidad en la graca ACF, ya que salen los lag: 0, 12, 24 y 36. Adem as, en la gr aca PACF se escapa el lag 12.

1.6

Diferenciando la estacionalidad, periodo 12.

1.7

Elecci on del modelo Arima estacional(SARIMA)

Seg un lo visto en los datos, podemos proponer un modelo arima estacional con los siguientes par ametros (1,1,1)x(1,1,1).

1.8

Diagn ostico del modelo (Box-Ljung y gr aca)

Podemos ver que los residuos son ruido blanco, ya que los p-valores del gr aco box ljung est an todos por sobre la l nea azul. Adem as, en el ACF de los residuios todos est an comprendidos en las franjas o a lo mas el 5% tiende a escaparse del intervalo.

1.9

Se a naden dos test para el an alisis de los residuos.

1.10

Predicciones

Se presentan las predicciones para los datos iniciales. Estas predicciones abarcan desde la observaci on 68 a la 79, es decir, 12 datos predecidos. Sin embargo, para tener el real valor de las predicciones, tenemos que aplicar la transformaci on exponencial a cada uno de ellos, puedo que se uso la transformaci on logaritmo para trabajar con datos homoced asticos.

1.11

Gr aca de los datos transformados m as la predicci on de los 12 proximos.

Se puede observar una l nea verde, negra y azul si miramos de arriba hacia abajo. Estas franjas muestran el intervalo de conanza para las predicciones de los pr oximos 12 datos.

1.12
1.12.1

Analizamos la base anterior, proponiendo el siguiente modelo: (0,1,1)x(0,1,1).


Estimadores de los par ametros

1.12.2

An alisis de los residuos

Como podemos ver al igual que el an alisis de los residuos del modelo anterior, los residuos distribuyen Ruido Blanco, ya que los puntos correspondientes a la gr aca de los p-valores de Box ?Ljung est an por sobre la l nea azul, adem as en la gr aca de la autocorrelaci on de los residuos se encuentran dentro del intervalo.

10

1.12.3

Test de los residuos.

1.12.4

Predicciones.

Se presentan las predicciones para los datos iniciales. Estas predicciones abarcan desde la observaci on 68 a la 79, es decir, 12 datos. Sin embargo, para tener el real valor de las predicciones, tenemos que aplicar la transformaci on exponencial a cada uno de ellos, puedo que se uso la transformaci on logaritmo para trabajar con datos homoced asticos.

11

1.12.5

Graca de los datos transformados mas la predicci on de los 12 proximos.

Se puede observar una l nea verde, negra y azul si miramos de arriba hacia abajo. Estas franjas muestran el intervalo de conanza para las predicciones de los pr oximos 12 datos.

1.13

Conclusi on del modelo elegido.

Si analizamos detenidamente ambos modelos en sus gr acas nales, es decir, aquella que presenta las predicciones no se ven diferencias notables. Por lo tanto, analizaremos la efectividad de cada modelos con el m etodo de comparaci on AIC. Lo anterior signica lo siguiente: EL modelo arima estacional (1,1,1)x(1,1,1) presenta un AIC de -280,87 mientras que el modelo arima estacional (0,1,1)x(0,1,1) presenta un AIC de -284,82. Por lo tanto el modelo adecuado para esta serie corresponde al que presenta menor AIC, esto es, el modelo sarima (arima estacional) de par ametros (0,1,1)x(0,1,1). La elecci on del modelo puede realizarse tambi en por el principio de Parsimonia, es decir, aquel modelo que presente menor cantidad de par ametros en este caso el modelo arima estacional (0,1,1)x(0,1,1). En efecto, el modelo elegidoes: Sarima (0,1,1)x(0,1,1).

12

1.14
1.14.1

Programa Eviews
Introducci on a Eviews

Ahora, a trav es del software EViews 7 se intentara predecir las series temporales dadas. Para comenzar se debe ingresar la base de datos a trav es de un archivo Excel, implementando los File -> Open -> Foreing Data as Workfile Luego abrir el archive Excel donde se encuentra la base de datos:

Presionamos en siguiente, En la siguiente imagen procedemos de la misma forma hasta nalizar el ingreso de la base de datos:

Para as luego trabajar en el siguiente entorno, en el cual c y resid son variables que Eviews7 crear a por defecto y siendo serie la variable que tendremos los datos ingresados. Para crear nuevas variables con distintas transformaciones tan solo se debe escribir los siguientes comandos en la consola destinada para esto (espacio en blanco) precedido de enter:

13

14

15

Para realizar el test de dick-Fuller debemos seleccionar la variable con doble clik para luego: Wiew -> Unit Root Test -> Ok

16

Para proponer un modelo se debe:

Donde la columna Coecient ser a los coecientes de cada modelo temporal particular se nalado. La ecacia del modelo se dar a a conocer a trav es de Akaike info criterion Comprobaci on de supuesto a trav es de los comandos

17

View -> Residual Diagnostics -> Correlogram Squared Residual

Esperando ver todos los lag dentro de las barras

18

Ahora la normalidad de los datos ser a : View -> Residual Diagnostics -> Histogram

Por lo tanto, se comenzara a analizar las bases anteriormente analizadas en el software R, viendo las estimaciones.

19

1.14.2

Imacec

El an alisis ser a el mismo utilizado en la ejecuci on de la base en el software R. Desde la perspectiva de Eviews7 tan solo ejecutaremos el siguiente script

Probando el modelo Sarima (1,1,1)x(1,1,1) (ls sdlnvol ar(1) ma(1) sma(12) sar(12))

20

21

1.15

Supuestos

Normalidad

22

Varianza Constante

Se verica que los errores son ruido blanco y adem as el AIC = -5,387286 An alogamente para el otro modelo propuesto.

23

Probando el modelo Sarima (0,1,1)x(0,1,1) (ls sdlnvol ma(1) sma(12))

24

1.16

Supuestos
Normalidad

Varianza Constante

Se verica que los errores son ruido blanco y adem as el AIC = -3,773223 Ahora comparando el AIC, utilizaremos el modelo Sarima (0,1,1)x(0,1,1) La diferencia entre la elecci on de un modelo u otro respecto al software es que EViews7 utiliza Minimos cuadrados y no M axima verosimilitud para el calculo de los coecientes.

25

2
2.1

An alisis de segunda base


Producto Interno Bruto Cuatrimestral en EEUU.

El producto interno bruto es una medida utilizada en macroeconom a que da cuenta de la producci on de bienes y servicios de demanda nal de un pa s, en particular Estados Unidos, durante un per odo determinado de tiempo, particularmente, cada 4 meses. El siguiente gr aco indica el valor que toma el producto interno bruto cuatrimestral desde 1960 hasta el u ltimo cuatrimestre del a no 2003, en total suman 176 mediciones. Referencia: https://sites.google.com/site/presetemp/datos/datos-d-pena/pibusa

Claramente la gr aca indica un crecimiento sostenido del PIB, no muestra claramente una periodicidad evidente. Ahora, se dar an a conocer las gr acas de las autocorrelaciones:

26

Claramente las gr acas indican que la serie no es estacionaria, tampoco se muestra estacionalidad en la serie, por lo cual, se utilizar a la prueba de Dickey-Fuller, la que conrma si una ra z unitaria est a presente en un modelo autorregresivo. Si la: Ho: La serie NO es estacionaria H1: La serie es estacionaria.

27

El p-valor indica que la hip otesis nula no se rechaza, por ende, esto conrma la suposici on hecha en un inicio. Ahora, la serie se diferenciar a, tomando la siguiente forma gr aca:

La forma gr aca de la serie indica que, eventualmente, la serie se haya tornado estacionaria, se necesita evidencia estad stica aplicando nuevamente el test de Dickey- Fuller:

28

Analizando el p-valor, se rechaza la hip otesis nula, (las hip otesis son exactamente las mismas a las utilizadas anteriormente), por lo que la serie es estacionaria. Se revisan ahora las funciones de autocorrelaciones de la serie diferenciada:

Finalmente, se propone un modelo ARIMA(1,1,2), es ignorada la parte estacional ya que no fue detectada en el an alisis.

29

Las estimaciones del modelo ser an:

Ahora que ya se tienen las estimaciones de los par ametros, se analizaran los supuestos del modelo. Por ejemplo, que lo residuos estar an incorrelacionados, es decir, ser an similares a un ruido blanco. Se utiliza el test Box- Ljung, el cual las hip otesis estar an dadas por: Ho: los residuos est an incorrelacionados H1: los residuos est an correlacionados.

Se observa que el p-valor es mayor a 0,05, entonces se dice que hay evidencia para decir que los errores estan incorrelacionados. Una alternativa al test Box- Ljung es el test Box-Pierce, que mantiene las mismas hip otesis utilizadas anteriormente:

Se observa que el p-valor es mayor a 0,05, por lo tanto, hay evidencia de que los residuos est an incorrelacionados. El graco de autocorrelaci on conrma lo dicho:

30

El siguiente gr aco prueba que los residuos son ruido blanco:

Si los puntos gracados se ubican sobre la banda, signica que los residuos son ruido blanco, dado que se cumple la condici on predicha, se corrobora lo propuesto. Finalmente se propone realizar las predicciones al modelo propuesto, se puede percibir con una linea azul las prediciones puntuales, y con celeste el intervalo de conanza:

Paralelamente, se propone un segundo modelo ARIMA (1, 1,3), el cual tendr a las siguientes estimaciones:

Si se comparan ambos modelos a trav es del coeciente BIC, se escoger a el primer modelo propuesto, esta decisi on estar a reforzada por el principio de parsimonia, ya que el primer modelo tiene menos par ametros que el u ltimo propuesto.

31

2.1.1

Producto Interno Bruto Cuatrimestral en EEUU.

El an alisis ser a el mismo utilizado en la ejecuci on de la base en el software R. Desde la perspectiva de Eviews7 tan solo ejecutaremos el siguiente script

Probando el modelo Arima (1,1,2) (ls dpib ar(1) ma(2))

32

2.2

Supuestos
Normalidad

Varianza Constante

Se verica que los errores son ruido blanco y adem as el AIC = 21,53399 An alogamente para el otro modelo propuesto.

33

Probando el modelo Arima (1,1,3) (ls dpib ar(1) ma(3))

Se verica que los errores son ruido blanco y adem as el AIC = 21,53103 Ahora comparando el AIC, utilizaremos el modelo Arima (1,1,2) La diferencia entre la elecci on de un modelo u otro respecto al software es que EViews7 utiliza Minimos cuadrados y no M axima verosimilitud para el c alculo de los coecientes.

34

3
3.1

An alisis de tercera base


Balanza comercial de Exportaciones de Bienes

La balanza comercial de exportaciones de bienes son todos aquellos bienes que se producen en un pa s, los cuales son vendidos y posteriormente enviados a clientes de otros pa ses. Los datos utilizados corresponden a la importaci on total de bienes en el periodo Enero 2003 a Agosto 2013, registrando la cantidad de dinero en Millones de d olares. .

3.2

Gr acos serie original y transformada.

Podemos observar que la serie original presenta una tendencia leve adem as de estacionalidad y adem as una varianza no constante, es decir, heterocedastica. Por el contrario, la serie transformada a la cual se le aplica la transformaci on logaritmo, tambi en presenta tendencia leve y estacionalidad pero con varianza constante debido a la transformaci on. Lo anterior lo podemos ver en los l mites de la izquierda.

35

3.3

Gr acos ACF y PACF de la serie transformada.

36

3.4

Gr aca de la serie diferenciada, diferenciamos la tendencia de la serie.

Al diferenciar la Estacionariedad de la serie solo una vez esta toma una forma constante, esto es, estacionaria con respecto a una media. Por lo tanto, d=1

37

3.5

Gr acos ACF y PACF de la serie diferenciada a la cual ya se le aplico la transformaci on.

Analizando la ACF encontramos que el valor de la parte AR es p=1 y viendo la PACF vemos que la parte MA es q=1. En efecto, encontramos que la parte ARIMA es (1,1,1).

3.6

Diferenciando la estacionalidad, periodo 12.

38

Como vemos la graca de la diferenciaci on de la estacionalidad vemos que esta ya no presenta periodos. Adem as analizando la ACF y PACF encontramos los valores de P correspondiente a la parte AR de la estacionalidad y Q la parte MA de la estacionalidad. En efecto, P=2 y Q=1. En conclusi on, el modelo arima estacional es (1,1,1)x(2,1,1) con un AIC= -144,24

3.7

ELECCION DEL MODELO ARIMA ESTACIONAL (SARIMA)

Seg un lo visto en los datos, podemos proponer un modelo arima estacional con los siguientes par ametros (1,1,1)x(2,1,1)

39

3.8

Diagnostico del modelo (Box-Ljung y graca).

Podemos ver que los residuos distribuyen ruido blanco, ya que los p valores del graco box ljung est an todos por sobre la l nea azul. Adem as en el ACF de los residuios todos est an comprendidos en las franjas o a lo mas el 5% tiende a escaparse del intervalo. Se a naden dos test para el an alisis de los residuos. Se utiliza el test Box- Ljung y Box-Pierce, con las siguientes hip otesis dadas por: Ho: los residuos est an incorrelacionados versus H1: los residuos est an correlacionados

40

3.9

Predicciones.

Se presentan las predicci on para los datos iniciales. Estas predicciones abarcan desde la observaci on 129 a la 140, es decir, 12 datos predecidos. Sin embargo, para tener el real valor de las predicciones, tenemos que aplicar la transformaci on exponencial a cada uno de ellos, ya que anteriormente se uso la transformaci on logaritmo para trabajar con una varianza constante.

3.10

Graca de los datos transformados mas la predicci on de los 12 pr oximos.

Se puede observar una l nea verde, negra y azul si se observa de arriba hacia abajo. Las franjas verde y azul muestran el intervalo de conanza para las predicciones (franja negra) de los pr oximos 12 datos.

41

3.11

Predicciones de datos utilizando forecast.

3.12 3.13

II. Analizamos la base anterior, proponiendo el siguiente modelo: (2,1,2)x(1,1,2). Estimaciones de los par ametros.

Este modelo presenta un AIC = -144,02

42

3.14

An alisis de los residuos.

Como podemos ver al igual que el an alisis de los residuos del modelo anterior, los residuos distribuyen Ruido Blanco, ya que los puntos correspondientes a la graca de los pv aloresdeBox?Ljungesta nporsobrelal neaazu

3.15

Test de los residuos.

Se utiliza el test Box- Ljung y Box-Pierce, con las siguientes hip otesis dadas por: Ho: los residuos est an incorrelacionados versus H1: los residuos est an correlacionados

Como ambos p valores son altos, la hip otesis nula no se rechaza, por ende los residuos est an incorrelacionados.

43

3.16

Predicciones.

Se presentan las predicciones para los datos iniciales. Estas predicciones abarcan desde la observaci on 129 a la 140, es decir, 12 datos. Sin embargo, para tener el real valor de las predicciones, tenemos que aplicar la transformaci on exponencial a cada uno de ellos, puedo que se uso la transformaci on logaritmo para trabajar con datos homocedasticos.

3.17

Graca de los datos transformados mas la predicci on de los 12 pr oximos.

Se puede observar una l nea verde, negra y azul si se observa de arriba hacia abajo. Las franjas verde y azul muestran el intervalo de conanza para las predicciones (franja negra) de los pr oximos 12 datos.

44

3.18

Predicciones de datos utilizando forecast.

3.19

CONCLUSION DEL MODELO ELEGIDO.

Si analizamos detenidamente ambos modelos en sus gracas nales, es decir, aquella que presenta las predicciones, no se aprecian grandes distinciones. Por lo tanto, analizaremos la efectividad de cada modelo con el m etodo de comparaci on AIC. La comparaci on AIC se basa en elegir el modelo con menor AIC ya que presenta un mejor ajuste. Lo anterior signica lo siguiente: EL modelo Arima estacional (1,1,1)x(2,1,1) presenta un AIC de -144,24 mientras que el modelo Arima estacional (2,1,2)x(1,1,2) presenta un AIC de -144,02. Por lo tanto el modelo adecuado para esta serie corresponde al que presenta menor AIC, esto es, el modelo sarima (Arima estacional) de par ametros (1,1,1)x(2,1,1) encontrado tras el an alisis detenido de la serie. La elecci on del modelo puede realizarse tambi en por el principio de Parsimonia, es decir, aquel modelo que presente menor cantidad de par ametros en este caso el modelo Arima estacional (1, 1,1)x(2,1,1) En efecto, el modelo elegido es: Sarima (1,1,1)x(2,1,1)

45

3.20

Balanza comercial de Exportaciones de Bienes en Eviews

Probando el modelo Sarima (1,1,1)x(1,1,1)12 (ls sdexp ar(1) ma(1) sar(12) sma(12))

46

3.21

Supuestos
Normalidad

47

Varianza Constante

Se verica que los errores son ruido blanco y adem as el AIC = -1,918992 An alogamente para el otro modelo propuesto.

48

Probando el modelo Sarima (0,1,1)x(0,1,1) (ls sdexp ma(1) sma(12))

49

3.22

Supuestos

Normalidad

50

Varianza Constante

Se verica que los errores son ruido blanco y adem as el AIC = -1,949269 Ahora comparando el AIC, utilizaremos el modelo Sarima (0,1,1)x(0,1,1) La diferencia entre la elecci on de un modelo u otro respecto al software es que EViews7 utiliza Minimos cuadrados y no M axima verosimilitud para el c alculo de los coecientes.

51