Universidad Nacional Autnoma de Mxico

Facultad de Economa - SUA

Series de Tiempo
Profesor Jorge Mendoza

Estimacin de Modelos ARMA y ARIMA

Tenemos una serie llamada x. Lo primero que debemos hacer es graficarla y
observar sus estadsticos en el Eviews.
700
600
500
400
300
200
100
0
1950

1952

1954

1956

1958

1960

16

Series: X
Sample 1949:01 1960:12
Observations 144

12

0
100

200

300

400

500

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

280.2986
265.5000
622.0000
104.0000
119.9663
0.577068
2.606228

Jarque-Bera
Probability

8.922525
0.011548

600

Qu es lo que observas? En primer lugar, la variable aleatoria x presenta

una tendencia creciente. Adems, posee un fuerte componente estacional,
observable en la serie de crestas. Por otro lado, la serie est sesgada a la
izquierda y el estadstico Jarque-Bera indica que no es una distribucin normal.
A continuacin, transformaremos logartmicamente la serie mediante el
comando log en Eviews:
xlog=log(x)

Universidad Nacional Autnoma de Mxico

Facultad de Economa - SUA
Series de Tiempo
Profesor Jorge Mendoza
Creamos una nueva serie llamada xlog, la cual es el logaritmo de la serie x.
Si la graficamos, observamos que sta presenta la misma forma, aunque ha
cambiado de escala:

6.5

6.0

5.5

5.0

4.5
1950

1952

1954

1956

1958

1960

LOGX

Su correlograma para los primeros 13 rezagos tambin se muestra a

continuacin:
Date: 10/13/07 Time: 11:11
Sample: 1949:01 1960:12
Included observations: 144
Autocorrelation
Partial Correlation
.|*******|
.|*******|
.|*******|
*|.
|
.|*******|
.|.
|
.|****** |
.|.
|
.|****** |
.|*
|
.|****** |
.|.
|
.|****** |
.|.
|
.|****** |
.|*
|
.|****** |
.|** |
.|****** |
.|.
|
.|****** |
.|*
|
.|****** |
.|.
|
.|****** |
****|.
|

1
2
3
4
5
6
7
8
9
10
11
12
13

AC
0.954
0.899
0.851
0.808
0.779
0.756
0.738
0.727
0.734
0.744
0.758
0.762
0.717

PAC
0.954
-0.118
0.054
0.024
0.116
0.044
0.038
0.100
0.204
0.064
0.106
-0.042
-0.485

Q-Stat
133.72
253.36
361.29
459.44
551.20
638.37
721.86
803.60
887.42
974.33
1065.2
1157.6
1240.0

Prob
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000

Esta es la fase de identificacin. Tal parece que nos encontramos ante un

autoregresivo de orden 1 (ver las grficas en los archivos de texto anexos).
Lo que debemos hacer a continuacin es eliminar el componente estacional y
la tendencia. Para ello, vamos a diferenciar la serie una vez, aplicando al

Universidad Nacional Autnoma de Mxico

Facultad de Economa - SUA
Series de Tiempo
Profesor Jorge Mendoza
mismo tiempo un factor de suavizamiento con el objeto de eliminar las crestas.
Esto lo hacemos en el Eviews de la siguiente forma:
y=d(logx,1,12)
Hemos creado una nueva serie llamada y, la cual es la primera diferencia de
la serie logx suavizada por un factor anual (cada 12 meses). Su grafica es la
siguiente:
.15
.10
.05
.00
-.05
-.10
-.15
1950

1952

1954

1956

1958

1960

A simple vista, podemos advertir que la serie es estacionaria. Sin embargo,

hace falta aplicarle la prueba de raz unitaria para cerciorarnos. Esta se
muestra a continuacin:
Null Hypothesis: Y has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=12)
t-Statistic
Augmented Dickey-Fuller test statistic
-16.19107
Test critical values:
1% level
-3.481217
5% level
-2.883753
10% level
-2.578694
*MacKinnon (1996) one-sided p-values.

Prob.*
0.0000

De acuerdo a la prueba Dickey-Fuller aumentada, la serie es estacionaria al

rechazarse la hiptesis nula con un valor crtico de -16.19107. Por lo tanto,
podemos continuar con la estimacin del modelo.
Primero, correremos una regresin con un autoregresivo de orden 1: AR(1):
Dependent Variable: Y

Universidad Nacional Autnoma de Mxico

Facultad de Economa - SUA
Series de Tiempo
Profesor Jorge Mendoza
Method: Least Squares
Date: 10/13/07 Time: 11:42
Sample(adjusted): 1950:03 1960:12
Included observations: 130 after adjusting endpoints
Convergence achieved after 3 iterations
Variable
Coefficient
Std. Error
t-Statistic
C
8.80E-05
0.002831
0.031084
AR(1)
-0.341245
0.082839 -4.119396
R-squared
0.117055 Mean dependent var
Adjusted R-squared
0.110157 S.D. dependent var
S.E. of regression
0.043296 Akaike info criterion
Sum squared resid
0.239937 Schwarz criterion
Log likelihood
224.7075 F-statistic
Durbin-Watson stat
2.009876 Prob(F-statistic)
Inverted AR Roots
-.34

Prob.
0.9753
0.0001
-8.14E-06
0.045897
-3.426269
-3.382153
16.96943
0.000068

Lo primero que salta a la vista es que la constante no es significativa, por lo

que la eliminamos:
Variable
AR(1)

Coefficient
-0.341224

Std. Error
0.082514

t-Statistic
-4.135324

Prob.
0.0001

Nuestra regresin sin intercepto arroja un coeficiente de -0.34 para el trmino

AR, pero debemos cerciorarnos que este coeficiente sea correcto. Para ello,
analizaremos los residuos con el objeto de determinar si son ruido blanco; es
decir, que ya no poseen informacin adicional para explicar el comportamiento
de la variable original x.
.15
.10
.05
.00
-.05
-.10
-.15
1950

1952

1954

1956

1958

1960

ERROR

Los residuos (errores) son estacionarios y se distribuyen como una normal

(verificar esto mediante la prueba de raz unitaria y el anlisis de sus
estadsticos bsicos). Adems, parte de su correlograma nos indica que para
los primeros rezagos, la serie puede ser considerada como ruido blanco, pero

Universidad Nacional Autnoma de Mxico

Facultad de Economa - SUA
Series de Tiempo
Profesor Jorge Mendoza
los rezagos posteriores an poseen informacin importante que debe ser
tomada en cuenta.
Autocorrelation
.|.
|
*|.
|
**|.
|
.|.
|
.|*
|
.|.
|
*|.
|
.|.
|
.|** |
.|.
|
*|.
|
***|.
|

Partial Correlation
AC
PAC
.|.
|
1 -0.007 -0.007
*|.
|
2 -0.075 -0.075
**|.
|
3 -0.204 -0.206
.|.
|
4 -0.040 -0.054
.|.
|
5 0.080 0.049
.|.
|
6 0.037 -0.009
*|.
|
7 -0.061 -0.073
.|*
|
8 0.052 0.078
.|** |
9 0.201 0.222
.|.
|
10 -0.017 -0.026
*|.
|
11 -0.113 -0.081
***|.
|
12 -0.402 -0.350

Q-Stat
0.0063
0.7549
6.3815
6.5973
7.4814
7.6712
8.1888
8.5649
14.281
14.322
16.155
39.669

Prob
0.937
0.686
0.094
0.159
0.187
0.263
0.316
0.380
0.113
0.159
0.135
0.000

Debemos, entonces, volver a especificar nuestro modelo. Como sabemos que

el AR(1) no funcion, intentaremos utilizar ahora un promedio mvil de orden 1:
MA(1). Correremos una regresin, tal como lo hicimos anteriormente, y
agregaremos un factor de suavizamiento extra para eliminar el componente
estacional que an se observa en el correlograma anterior. La regresin se
muestra a continuacin:
Dependent Variable: Y
Method: Least Squares
Date: 10/13/07 Time: 10:37
Sample(adjusted): 1950:02 1960:12
Included observations: 131 after adjusting endpoints
Estimation settings: tol= 1.0E-05, derivs=accurate mixed (linear)
Convergence achieved after 12 iterations
Backcast: 1949:01 1950:01
Variable
Coefficient Std. Error
t-Statistic
Prob.
MA(1)
-0.404858 0.080238
-5.045740
0.0000
SMA(12)
-0.631571 0.069842
-9.042835
0.0000
R-squared
0.371098
Mean dependent var
0.000291
Adjusted R-squared 0.366223
S.D. dependent var
0.045848
S.E. of regression
0.036500
Akaike info criterion
-3.767866
Sum squared resid
0.171859
Schwarz criterion
-3.723970
Log likelihood
248.7952
Durbin-Watson stat
1.933721
Inverted MA Roots
.96
.83+.48i
.83 -.48i
.48+.83i
.48 -.83i
.40
.00+.96i
-.00 -.96i
-.48+.83i
-.48 -.83i
-.83 -.48i -.83+.48i
-.96

Los dos coeficientes son significativos y los valores son menores a los
obtenidos mediante el AR(1). Ahora, debemos analizar los residuos:

Universidad Nacional Autnoma de Mxico

Facultad de Economa - SUA
Series de Tiempo
Profesor Jorge Mendoza
.10
.05
.00
-.05
-.10
-.15
1950

1952

1954

1956

1958

1960

ERROR

Estos son igualmente estacionales y pasan la prueba de raz unitaria (favor de

verificar en el archivo), aunque debemos an determinar si son ruido blanco.
Para ello, volvemos a analizar su correlograma:
Autocorrelation
.|.
|
.|.
|
*|.
|
*|.
|
.|.
|
.|.
|
*|.
|
.|.
|
.|*
|
*|.
|
.|.
|
.|.
|
.|.
|

Partial Correlation
.|.
|
.|.
|
*|.
|
*|.
|
.|.
|
.|.
|
*|.
|
.|.
|
.|*
|
*|.
|
.|.
|
.|.
|
.|*
|

1
2
3
4
5
6
7
8
9
10
11
12
13

AC
0.030
0.021
-0.124
-0.147
0.045
0.060
-0.075
-0.043
0.098
-0.077
0.030
0.006
0.037

PAC
0.030
0.020
-0.126
-0.143
0.060
0.052
-0.122
-0.054
0.146
-0.096
-0.031
0.045
0.076

Q-Stat
0.1204
0.1804
2.2844
5.2684
5.5496
6.0438
6.8403
7.1001
8.4610
9.3103
9.4385
9.4432
9.6473

Prob
0.729
0.914
0.516
0.261
0.353
0.418
0.446
0.526
0.488
0.503
0.581
0.665
0.722

Ahora s podemos afirmar que para todo rezago, la probabilidad asociada al

estadstico Q indica la presencia de ruido blanco, por lo que nuestro modelo
est bien especificado y nos encontramos listos para llevar a cabo nuestros
pronsticos.
En el cuadro de nuestra regresin en EViews, hacemos clic en forecast y
hacemos un pronstico esttico. Recordemos que estos ltimos estn en la
forma de diferencias. Para hallar los pronsticos de la serie original, debemos
transformar la serie de nuevo, eliminando los logaritmos y las diferencias.

Universidad Nacional Autnoma de Mxico

Facultad de Economa - SUA
Series de Tiempo
Profesor Jorge Mendoza
700
600
500
400
300
200
100
0
1950

1952

1954

1956

YF

1958

1960

En la grfica anterior se pueden observar las dos series: la original y la

pronosticada.