1) Terminar la estimacin del modelo ARIMA de la serie individual.

2) Hacer el Forecast (manualmente).

3) Comprobar dico a!uste " prediccin manual con el automatismo de #vie$s. Census %12 (sa&
s'& tc) " Tramo (eats con 'orecast ori)on. Ambos m*todos se encuentran dentro del botn
+,roc- de una serie activada " en el submen. de +(easonal Ad!ustment-.
3.1. Reali)ar este mismo e!ercicio en el pro/rama T(0 (Tramo(eats) del 1anco de #spa2a.
ttp344$$$.bde.es4servicio4so't$are4ts$.tm
,asos del procedimiento5m*todo ARIMA. Modelos ARIMA.
,or supuesto& en este punto& el alumno "a sabe la teor6a b7sica para reali)ar un modelo ARIMA. #ste
contenido solo a"uda4apo"a a la reali)acin pr7ctica del traba!o o tarea.
#l alumno debe conocer los botones clave de #vie$s para el procedimiento manual " para el
procedimiento autom7tico (revisar botn +,roc- de una serie " sus opciones del men. +(easonal
ad!ustment- " +#8ponential (mootin/-).
Insistimos& estos pasos se reali)an despu*s de mane!ar correctamente el concepto de
+estacionariedad-& la visuali)acin /r7'ica de la serie " los an7lisis estad6sticos b7sicos.
,ues bien& veamos un e!emplo del procedimiento manual3 (tambi*n a" un e!emplo en la p7/ina 29:&
2;2 " 2<; del libro +,rediccin " simulacin aplicada a la econom6a " /estin de empresas- " en la
p7/ina 9=: del libro +Modelos econom*tricos-).
1. Especificacin del modelo o identificacin de los rdenes p,d,q (y P,D,Q si es
estacional).
ARIMA (p,d,q) ARIMA (P,D,Q)
!. Estimacin de los par"metros del modelo y contraste de #alide$ del mismo
%. Prediccin de los #alores de la serie ori&inal para el periodo ' ( ).
#l blo>ue 1. es el m7s laborioso.
1.5 ?bservar el /r7'ico de la serie. Comprobacin de estacionariedad en media " en varian)a mediante
estad6sticos.
2.5 Trans'ormacin previa de la serie tomando @o/aritmos.
Aenr @B C lo/(B)D corri/e la estacionariedad en varian)a& se debe reali)ar antes del paso si/uiente
para evitar lo/aritmos de valores ne/ativos. #s necesaria en caso de eterocedasticidad. ,ermite
disponer de valores m7s constantes en la varian)a de la serie. (i es innecesario es >ue la dispersin
de la serie es parecida.
Ena buena eleccin& con'orme a la e8periencia& es acer una trans'ormacin lo/aritmica cuando una
varian)a (o ran/o) creciente con relacin a la media para se/mentos sucesivos de la serie.
3.5 #liminacin de la Tendencia mediante di'erenciacin re/ular ("4o en la parte estacional).
Aenr F@B C @B 5 @B(51)D una serie con tendencia lineal ser7 corre/ida simplemente con primeras
di'erencias. Ena serie con tendencia no lineal e8i/ir7 una se/unda di'erencia. Adicionalmente& si se
observa una tendencia en la parte estacional e8i/ir7 al/una di'erencia (FC1) en la parte estacional (12
=& mensual o trimestral& respectivamente).
(i la serie tiene tendencia& d no podr7 ser C G& se/uramente d C 1& "a >ue normalmente no acen 'alta
m7s de dos di'erencias (dC2). (i e8iste una tendencia aparte de estos valores& a veces presente en
series mensuales (12) o trimestrales (=) abr7 tambi*n >ue considerar F C 1.
=.5 ?bservar nuevamente4/ra'icamente la serie ori/inal B& la serie @B " la serie F@B.
:.5 Identi'icacin del modelo3 procesos AR(p& ,) " MA (>& H)
#s decir& determinar el orden de los procesos autorre/resivos " de medias mviles de los
componentes re/ular " estacional.
#sta decisin se toma t*cnicamente de las 'unciones de autocorrelacin total " parcial (IAC " IA,).
(e a puesto un linJ online a disposicin del alumno para saber interpretar los correlo/ramas.
9.5 Fecidido el modelo& se procede a la #stimacin de los coe'icientes del modelo mediante MC?
(M6nimos Cuadrados ?rdinarios). Ba estamos en el 1lo>ue o ,arte 2.
;.5 Contraste de Kalide) con!unta del modelo (R2& (um (>uared Resid& t& I)
<.5 An7lisis detallado de los erroresD correlo/rama de los #rrores (revisar LoutliersM)
N.5 (eleccin del Modelo. Ba estamos en el 1lo>ue o ,arte 3.
1G.5 ,rediccin.
ACCI?O#( ,RPCTICA(3 1uscamos una serie no estacionaria (random $alJ o paseo aleatorio) para
ello el t*rmino de la perturbacin aleatorio (de los errores) debe ser ruido blanco ($ite noise)3 media
nula& varian)a constante " ausencia de autocorrelacin.
Ha" >uien reali)a un correlo/rama inicial de la serie para ver si a" e8cesivo ruidos indicativos de no
estacionariedad en media. B& tambi*n& se ace un /r7'ico (CAT de la media "a la desviacin t6pica. (6
cuando la media aumenta la desviacin t6pica tambi*n aumenta& a" una relacin " por tanto no e8iste
estacionariedad en varian)a.
2.5 Aenr @B C lo/(B) en presencia de estacionariedad en varian)a
3.5 Aenr F@B C @B 5 @B(51) en presencia de estacionariedad en media
#n este paso& debemos detenernos " veri'icar no solo estad6sticamente la necesidad de acer la serie
estacionaria en media& abiendo seleccionado varios periodos maestrales para ver su similitud o
di'erencia& sino proceder con el botn +Enit Root Test- del men. +Kie$- cuando la serie en estudio est7
activada. T#(T F# AFI.
#n este momento& estamos en la p7/. 9 del e!emplo de T#RRA del pro'. R. F# ARC# (ver enlace
si/uiente). (e puede apreciar el test de A. FicJe"5Iuller para la serie en Oiveles (@evel) seleccionando
primero Trend and Intercept& lue/o Intercept& " 'inalmente Oone se/.n se indica.
Kamos buscando >ue AFI Test nos d* un valor >ue supere (en t*rminos absolutos) al NNQ (N:Q "
NGQ) el valor de tablas para descartar la e8istencia de ra6) unitaria u orden de inte/racin (si AFI es
ma"or >ue valores cr6ticos reca)amos la Ho >ue es la no e8istencia de estacionriedad). Como el test
plantea la Ho como e8istencia de una ra6) unitaria (test 'ormulado en pesimismo). Cuando la serie no
es estacionaria& presenta una ra6) unitaria (inte/rada de orden 1) "& por tanto& aceptamos la Ho.
Claramente& cuando la serie a"a sido correctamente inte/rada o identi'icada en su orden de
inte/racin " se le pre/unte al test sobre +1st Fi''erence- en lu/ar de +@evel- nos indicar7 el acierto de
nuestro dia/nstico. K*ase p7/. N del e!emplo citado.
#s aconse!able e8i/irnos el NNQ aun>ue en al/.n caso nos pueda llevar a sobredi'erenciar "a >ue el
ob!etivo es predecir con una serie estacionaria en sentido estricto.
#n el test a" >ue incluir el n.mero de retardo >ue nos lleve a un valor de Furban 0atson cercano a
2. Cuando con un Furban 0atson e8i/ido en esa ci'ra " un AFI test superior al valor de tablas al NNQ
podremos reca)ar la iptesis nula de e8istencia de ra6) unitaria. Ouestra serie "a es estacionaria en
media " en varian)a.
=.5 lo >ue se indica en =.
:.5 IF#OT F@B (se escribe en #vie$s) o se activa la serie " se eli/e el comando +Ident-. @a ima/en
ser7 de un +correlo/ram- de la serie trans'ormada. #n el e!emplo& el proceso es AR(1).
(i tuvi*ramos >ue e8plicar un proceso (ARIMA (,&F&H) en el componente autorre/resivo o de m*dias
mviles& se escriben (AR (12) " (MA(12)& respectivamente& en caso de orden 12 t6pico de series
mensuales con e'ectos en la parte estacional.
9.5 (e reali)an MC? CR @( F@B c AR(1)
;.5 (e revisan los ratios. R2& Furbin 0atson " t5(tatistic principalmente.
Recordemos >ue son ptimos valores de Furbin 0atson cercanos a 2. T (tatistic ampliamente
superiores a 2. " R2 lo m7s pr8imo posible de 1.GG
<.5 Correlo/ram o' Residuals (correlo/rama de Residuos) para ver si "a es ruido blanco. IF#OT R#(IF
#l /r7'ico debe ser su'icientemente ilustrativo. Como a2adido& consultar la columna del estad6stico H5
(tat (nos muestra la probabilidad i/ual a cero de >ue a"a al/una autocorrelacin en el residuoD es
decir& a'irma >ue estamos ante un ruido blanco). Cuando los valores H5(tat crecen desde el retardo 1
acia retardos superiores pro/resivamente pero su ma/nitud es pe>ue2a (e in'erior a :G en el retardo
39) nos indica >ue no a" correlacin entre valores. Oormalmente valores de Residuos acotados en
las bandas " valores de ,robabilidad (H5(tat) mu" pr8imos a cero. As6 las cosas& los residuos no nos
aportan in'ormacin C ruido blanco.
(i no lo 'uera& deber6amos se/uir identi'icando el modelo e inclu"endo otros t*rminos ARIMA " otros
n.meros de orden visibles en el propio correlo/rama del Residuals.
#s decir& si despu*s de reali)ar MC? " revisar el correlo/rama de Residuals no es ruido blanco&
identi'icamos el nuevo modelo ARIMA& acemos MC? " volvemos a comprobar ratios " el
correlo/rama de Residuals asta >ue estemos con'ormes en >ue nuestra serie es ruido blanco.
N.5 Conocido el Modelo& se ace la estimacin nuevamente (estimate)& se consulta el residual /rap&
"S
1G.5 (e usa para ,redecir con el comando forecast (siempre despu*s de una accin reciente de
estimate >ue /uarda temporalmente en memoria como modelo con el >ue predecir).
,ara poder acer ,rediccin el simple (smpl) del modelo deber7 ser superior al periodo observado. (i
las series lle/an asta 2GG<.G1 abr7 >ue ampliar ran/e " simple asta 2GG<.12.
?btendremos F@BI& como la serie est7 di'erenciada " trans'ormada en lo/aritmos abr7 >ue desacer
las trans'ormaciones.
,rimero& eliminamos las di'erencias& sumamos los valores de 'orecast (smpl del 'orecast 51) al .ltimo
valor observado sin di'erenciar& o bien a todo el sample le eliminamos las di'erencias Tsi icimos /enr
F@B C @B U @B(51) aora aremos /enr @B C F@B V @B (51)W " volvemos a reali)ar la prediccin.
(e/undo& lue/o aplicamos e8ponencial /enr BI C e8p(serie pro"ectada) a todo el sample.
Ba abremos recorrido los puntos 1 " 2 para el pr8imo d6a de clase " adem7s abremos resuelto el
traba!o 4 tarea indicada.
Aora estamos en 3) Comprobar dico a!uste " prediccin manual con el automatismo de #vie$s.
Census %12 (sa& s'& tc) " Tramo (eats con 'orecast ori)on.
Ambos m*todos se encuentran dentro del botn +,roc- de una serie activada " en el submen. de
+(easonal Ad!ustment-.
#l primero nos o'rece la identi'icacin autom7tica del modelo ARIMA sin 'orecast para >ue el analista
pueda aplicarlo " la se/unda "a lo o'rece directamente.
3.1) I/ualmente& la clase termina con un e!emplo de actuacin pr7ctica con el so't$are /ratuito del
1anco de #spa2a (Tramo (eats& T(0).