Libro PDF

Centro de Investigacin y
Desarrollo (CIDE)
Desestacionalizacin
de Series Econmicas
Lima, Junio 2002

Centro de Investigacin y Desarrollo
DIRECCIN Y SUPERVISIN
Econ. Mirlena Villacorta Olazabal

Directora Tcnica del CIDE
EQUIPO DE TRABAJO
Est. Fernando Camones Gonzales

Econ. Leslie Miranda Solano
Est. Edith Ordez Porras
Econ. Javier Vsquez Chihuan
El CIDE agradece la entusiasta y profesional cooperacin de la Direccin Tcnica de

Indicadores Econmicos, en cuanto al acceso a la informacin, as como los comentarios
del Ing. Samuel Rojas.
Preparado : Centro de Investigacin y Desarrollo del Instituto Nacional de

Estadstica e Informtica (INEI)
Impreso : Talleres de la Oficina Tcnica de Administracin del INEI
Diagramacin : Centro de Edicin de la Oficina Tcnica de Difusin del INEI
Tiraje : 200 Ejemplares
Domicilio : Av. General Garzn 658, Jess Mara. Lima - Per
Orden de Impresin : N 407-OTA-INEI
Depsito Legal N : 150113-2002-3186
2 DESESTACIONALIZACION DE SERIES ECONOMICAS

Presentacin
El Instituto Nacional de Estadstica e Informtica (INEI), como parte de su
poltica de difusin de los principales procedimientos metodolgicos que
utiliza en la elaboracin de indicadores econmicos y sociales, y en apoyo
a la adecuada interpretacin y uso de las estadsticas oficiales, se ha
propuesto, a travs del Centro de Investigacin y Desarrollo (CIDE), la
elaboracin de la serie "Herramientas Estadsticas", que en su primer
nmero presenta el tema titulado: Desestacionalizacin de Series
Econmicas.
Este documento est dirigido a los estudiantes, profesionales,

investigadores y pblico en general, y contiene de manera didctica una
introduccin al proceso metodolgico que se debe seguir para
desestacionalizar una serie macroeconmica, presentndose los
procedimientos actualmente ms utilizados por un gran nmero de oficinas
de estadstica para extraer el efecto estacional de la serie y lograr un
mejor anlisis de la coyuntura econmica en el pas.
El INEI espera como resultado de este trabajo, potenciar el adecuado uso

de las herramientas estadsticas mediante posteriores nmeros de la serie,
y generar una comprensin amplia y diversa de los procedimientos ms
relevantes de la ciencia estadstica y econmica.
Lima, Junio 2002
Gilberto Moncada Vigo

Jefe del INEI
DESESTACIONALIZACION DE SERIES ECONOMICAS 3


INDICE
Presentacin .................................................................................................. 3
Introduccin .................................................................................................. 7
I. ANTECEDENTES ................................................................................ 9
II. DESESTACIONALIZACION ............................................................... 13
2.1 Qu es estacionalidad? ................................................................................... 13

2.1.1 Causas de la estacionalidad .................................................................. 13
2.1.2 Por qu desestacionalizar una serie? ................................................. 13
2.2 Mtodos para desestacionalizar una serie ....................................................... 14

2.2.1 Qu mtodo aplicar? ............................................................................ 14
2.2.2 Qu modelo utilizar para descomponer una serie? ......................... 15
2.3 Aplicacin ilustrativa de la desestacionalizacin .......................................... 15

2.3.1 Algunos procedimientos grficos para detectar si una serie
es estacional ............................................................................................. 16
2.4 Presentacin del mtodo de razn a promedios mviles ............................ 20

2.4.1 Aplicacin a la serie PBI ....................................................................... 21
2.5 Metodologa de desestacionalizacin con el X12 ARIMA .......................... 22

2.5.1 Aplicacin del X12 ARIMA a la serie del PBI utilizando
la opcin por defecto ............................................................................ 22
2.5.2 Aplicacin del X12 ARIMA a la serie del PBI
incorporando un modelo ARIMA ...................................................... 24
2.5.3 Comparacin de resultados obtenidos con el programa
X12 ARIMA ........................................................................................... 26
III. OBSERVACIONES ............................................................................... 27
ANEXOS
1. Mtodo de desestacionalizacin X11 ARIMA ............................................... 31

2. Mtodo de desestacionalizacin X12 ARIMA ............................................... 39
3. Resultados obtenidos con el mtodo de razn a promedios mviles ........ 45
4. Resultados obtenidos con el X12 ARIMA por defecto ................................ 49
5. Resultados obtenidos con el X12 ARIMA incorporando un
modelo ARIMA ................................................................................................... 55
BIBLIOGRAFIA .......................................................................................... 59


Introduccin
El presente documento elaborado con promedios mviles, prestando atencin

fines educativos, trata de ilustrar en en los de promedios mviles debido a
trminos generales, algunos de los pasos que en la actualidad existen programas
que se pueden seguir para identificar si como el X12 ARIMA, que incorpora este
una serie de tiempo econmica presenta procedimiento, y es de uso corriente en
un comportamiento estacional y la muchos pases.
aplicacin de un procedimiento de
desestacionalizacin que se basa en el En el tercer y cuarto tema, se muestra
uso de modelos ARIMA y de promedios una aplicacin ilustrativa de la
mviles. desestacionalizacin, comenzando con
algunos procedimientos grficos para
En la primera seccin se presenta una detectar si una serie presenta un
breve resea histrica del tratamiento comportamiento estacional, como los
de las series de tiempo, mediante la diagramas de cajas y los correlogramas.
descomposicin en los componentes: Para luego seguir con una presentacin
tendencia, ciclo, estacional e irregular. En bsica del mtodo de razn a promedios
la comprensin que el ciclo y la tendencia mviles, y enseguida aplicar este
no deben separarse artificialmente porque procedimiento a la serie del PBI.
forman parte de un proceso integrado, y
en base a las leyes generales que rigen El quinto tema: Metodologa de
las economas de mercado. desestacionalizacin con el X12 ARIMA,
en primer lugar, hace referencia al
La segunda seccin presenta aspectos procedimiento utilizado por el programa
generales y procedimientos de destacando la incorporacin de los
desestacionalizacin, integrada por cinco modelos ARIMA, para extrapolar la serie
temas. En el primero se responde a la y luego utilizar los promedios mviles,
pregunta Qu es la estacionalidad?, detallando adems diferentes pruebas
indicndose las causas y el por qu estadsticas incorporadas en el X12
desestacionalizar una serie. ARIMA, como la prueba F de
identificacin de estacionalidad y la
En el segundo tema, mtodos para prueba Q de bondad de ajuste estacional.
desestacionalizar la serie, donde se Se contina con la aplicacin del programa
recogen dos procedimientos generales: mencionado para desestacionalizar la serie
el mtodo de regresin y el mtodo de del PBI, utilizando tanto la opcin por

defecto que provee el software, como El anexo 1, resea el mtodo de

mediante la incorporacin de un modelo desestacionalizacin X11 ARIMA, el anexo
ARIMA especificado por el usuario, para 2, el mtodo X12 ARIMA, en tanto que
posteriormente comparar los resultados los anexos 3, 4 y 5 presentan los resultados
obtenidos. numricos obtenidos con el procedimiento
de razn a promedios mviles, el
La tercera y ltima seccin, presenta los programa X12 ARIMA con la opcin
comentarios y sugerencias. automtica y a travs de la incorporacin
de un modelo ARIMA por el usuario,
Adicionalmente, se incluyen cinco anexos. respectivamente.

I. ANTECEDENTES 1/
La desestacionalizacin est asociada a la la primera guerra mundial y estn

idea de que una serie de tiempo est asociados al trabajo de Warren M. Person,
constituida por componentes no que en 19192/ public un artculo sobre
observables, la idea de componentes no los mtodos de estudio y de pronstico
observables parece haber surgido en el de las condiciones econmicas generales
anlisis econmico en el siglo XIX. de los Estados Unidos. El mtodo de
Pearson consiste en dos partes: primero,
En Francia, en el ao 1911 se cre un aislar estadsticamente los cambios
comit encargado de proponer mtodos ocasionados por las fluctuaciones en las
para separar las componentes de la serie, condiciones de los negocios (influencia del
con el fin bsico de pronosticarlos por ciclo econmico). Segundo, elaboracin
separado. Posteriormente, en Estados de cierto nmero de ndices que
Unidos se trat de hacer lo mismo pero sealaran en qu fase del ciclo econmico
con la idea de construir un sistema de se encuentra la economa general en un
ndices para apreciar las condiciones momento dado y que facilitaran un
corrientes de la economa nacional y para pronstico de su desarrollo futuro.
el pronstico de su desarrollo futuro. Este
sistema de ndices fue llamado "barmetro Los mtodos para encontrar estos ndices,
de proyeccin del ciclo econmico". determinar y aislar los procesos que
Siguiendo este ejemplo se elaboraron reflejan el ciclo econmico, se
"barmetros" en muchos otros pases, en denominaron mtodos de Harvard en
los cuales se crearon organismos para la alusin a la investigacin realizada por el
investigacin del ciclo econmico. Harvard Committee 3/ . El material
Inicialmente, los mtodos para elaborar los estadstico utilizado para reflejar el curso
barmetros del ciclo econmico en los del devenir econmico consiste en series
pases europeos se basaron en los modelos cronolgicas.
norteamericanos, pero con el tiempo,
estos mtodos fueron considerablemente En esta metodologa se seala que la
reconstruidos y mejorados. En Polonia mayora de las series presentan cuatro tipos
durante el periodo interblico, el Instituto de variaciones: 1) Variaciones que
de Investigacin de la Coyuntura daba
estimaciones acerca de la situacin
econmica del pas y ciertos pronsticos 1/ Esta seccin se basa principalmente en los textos:
Introduccin a la Econometra de Oscar Lange.1978. y
de su desarrollo. Macroeconoma Avanzada II de Antonio Argandoa -
Consuelo Gmez - Francisco Mochn. 1997.
2/ W. M. Persons Indices of Business Conditions, The Review
Los estudios concernientes a las of Economic Statistics, Enero de 1919.
3/ El grupo de Harvard, rechaz las teoras econmicas para
condiciones econmicas en Estados Unidos abordar la investigacin del ciclo econmico, afirmando
que slo la investigacin emprica puede rendir resultados
se iniciaron inmediatamente despus de que en el futuro proporcionen una base para las
generalizaciones tericas.

presentan cierta tendencia general tendencia de los ciclos econmicos

(tendencia del desarrollo); 2) Fluctuaciones generales; ambos reflejan ciertas leyes del
cclicas o de la situacin econmica que proceso de expansin de la economa
aproximadamente corresponden a los ciclos general5/. El proceso constituye un todo
econmicos generales; 3) Fluctuaciones del cual resultan tanto la tendencia como
estacionales, que aparecen en series de el ciclo econmico general.
datos trimestrales o mensuales; y 4)
Fluctuaciones irregulares. La investigacin consistente en la
descomposicin de la serie cronolgica en
El procedimiento empleado en la sus componentes sirvi como preparacin
investigacin de Harvard para obtener las para la proyeccin econmica. El conjunto
fluctuaciones cclicas como un componente de ndices para determinar y para proyectar
representante de la influencia del ciclo las condiciones generales de los negocios,
econmico general sobre la marcha de la elaborado por el Instituto Harvard, fue
economa es como sigue: Se asla la llamado "barmetro de Harvard" y se
tendencia de la serie cronolgica, compona de tres ndices: 1) El ndice de
suponiendo que es el resultado de un especulacin, que era el precio medio de
complejo de causas que actan los valores listados en la Bolsa de Valores
sostenidamente en una direccin e inducen de Nueva York. 2) El ndice de los negocios
el crecimiento de la economa nacional. Si que se calculaba con precios al mayoreo.
la serie es trimestral o mensual se hallan 3) El ndice monetario que se calculaba con
las fluctuaciones estacionales cuyas causas los precios de los bonos que perciban inters
estn ligadas con frecuencia, al movimiento fijo.
de la tierra (cambios de temperatura, das
ms largos o ms cortos), o a causas de Los procedimientos economtricos
carcter social y convencional, como la pioneros utilizados por el Instituto Harvard
elevacin de las ventas en perodos de para descomponer la serie, as como para
vsperas de das festivos. evaluar el comportamiento cclico de los
negocios a travs de ndices, actualmente
Una vez que la tendencia y las fluctuaciones se han perfeccionado a tal punto que el
estacionales se han aislado, se sustraen de primero de ellos hoy constituye un
la serie original. La diferencia resultante componente importante de la estadstica,
representa la accin del ciclo econmico y y el segundo, una refinada tcnica utilizada
de las fluctuaciones irregulares consideradas por los economistas para evaluar los ciclos
poco importantes 4/. comerciales6/.
4/ El procedimiento descrito para aislar las fluctuaciones

Es necesario mencionar al respecto, que cclicas, se basa en el supuesto de que las cuatro
la Escuela de Harvard sostena que un componentes de las series cronolgicas son el resultado de
cuatro complejos independientes de causas.
cierto conjunto de causas produce la 5/ Leyes del proceso de la reproduccin capitalista.
tendencia, independientemente de otro 6/ Actualmente para descomponer la serie se utilizan los
mtodos X 11 y X 12 Arima. Para evaluar los ciclos
conjunto de causas que inducen las comerciales, por ejemplo, el Departamento Nacional de
Investigacin Econmica (NBER), de Estados Unidos, utiliza
variaciones cclicas. Sin embargo, los denominados "Indicadores Cclicos", conformados por
tericamente, no podemos separar la los indicadores conducentes, indicadores coincidentes e
indicadores retrasados.

Por otra parte, si bien es cierto, que el Hasta los aos setenta, la teora econmica
grupo de Harvard rechaz la teora se haba desarrollado intentando explicar
econmica para abordar la investigacin separadamente estas dos componentes.
del ciclo econmico, en la teora Por un lado, por la teora neoclsica y las
macroeconmica siempre ha habido una teoras del crecimiento econmico y de
preocupacin por su estudio, as, hasta otro, por las teoras sobre ciclos
hace poco tiempo, la visin tradicional de econmicos. Sin embargo, actualmente
las fluctuaciones macroeconmicas, los modernos tericos del ciclo real sealan
consideraba que los determinantes de que toda la variabilidad viene dada por los
largo plazo de las principales series mismos factores reales, de modo que el
macroeconmicas se encuentran en los mismo shock produce cambios tanto en
determinantes de la oferta agregada. Es el crecimiento como en el ciclo.
decir en el largo plazo, lo que determina
el movimiento de la series son factores El hecho de que actualmente, la teora del
como los cambios tecnolgicos, los ciclo se haya vuelto a aproximar a la del
cambios demogrficos, la productividad de crecimiento, y se consideren como dos
los factores, el entorno institucional, etc. fenmenos no simplemente superpuestos,
Desde esta perspectiva y en el marco de sino ntimamente relacionados, est
la teora del equilibrio, el movimiento de asociado a las siguientes ideas:
largo plazo de las series corresponde al
valor de las variables cuando la economa Los ciclos econmicos son un tipo de
est en equilibrio. Estos factores son los fluctuacin que se encuentra en la actividad
que caracterizan la componente econmica agregada de las economas
permanente o la tendencia de la serie. De que organizan su trabajo principalmente
otro lado, en el corto plazo, es la demanda mediante empresas. Un ciclo consta de
agregada quien determina principalmente expansiones que ocurren
el comportamiento de las series. As, las aproximadamente al mismo tiempo en
variaciones en la demanda agregada muchas actividades econmicas, seguidas
caracterizan las fluctuaciones de las series de recesiones igualmente generales. La
en torno a su movimiento natural, secuencia de las fases es recurrente pero
constituyndose as en desequilibrios no peridica. (Burns y Mitchell, 1946).
temporales de la economa. Estas
fluctuaciones de las series alrededor de Si las fluctuaciones econmicas tienen
su componente permanente se define lugar en pases muy diferentes, parece
como componente cclica. De esta lgico buscar una explicacin unificada de
manera, las series macroeconmicas los ciclos basada en las leyes generales
pueden verse como la suma de dos que rigen las economas de mercado, en
componentes: la componente perma- vez de fundamentarse en caractersticas
nente, caracterizada por factores de oferta
de la economa, y la componente cclica,
caracterizada principalmente por factores 7/ Se reconoce implcitamente, la componente estacional que
debe aislarse y las fluctuaciones irregulares consideradas
de demanda7/. de poca importancia.

polticas o institucionales peculiares para parte de un proceso integrado,

cada pas o periodo de tiempo. (Lucas permitiendo relacionar los cambios
1977) 8/ tecnolgicos, con el desempleo y las
recesiones y eventualmente las relaciones
Es probable que, gracias al estudio de la entre la distribucin del ingreso, la
relacin entre el ciclo y el crecimiento, se inversin, el empleo y la reproduccin del
profundice en las interrelaciones entre producto nacional.
cambio tecnolgico, desempleo y
recesiones. (Blanchard, 1992). Entonces la tarea de seguir obteniendo o
construyendo series que cuantifiquen la
Estas consideraciones, permiten avanzar demanda (donde se incluiran las relativas
en los estudios metodolgicos para analizar a los ingresos), y series que permitan
la coyuntura. En efecto, si tomamos en evaluar el impacto que producen los
cuenta, por una parte, que actualmente cambios en los procesos tcnicos y en los
se han desarrollado procedimientos factores estructurales, podra guiar la
sofisticados para descomponer una serie agenda para construir un sistema o
de tiempo, en particular efectuar la conjunto de indicadores coyunturales que
desestacionalizacin de la serie (X11 nos permitan evaluar integral y
ARIMA, X12 ARIMA), as como, una coherentemente la dinmica econmica,
importante experiencia en el tratamiento y seguir avanzando en la provisin de
emprico de los ciclos, tratando de instrumentos cuantitativos para la toma de
caracterizarlos y prever su dinmica a decisiones.
travs de un conjunto de series
econmicas utilizadas como indicadores de
los ciclos de los negocios, clasificados en
8/ Lucas, R.E. : Understanding Business Cycles Carnegie -
indicadores conducentes, coincidentes y Rochester Conference Series on Public Policy, 5. 1997.
retrasados (por ejemplo como lo hace el
9/ National Bureau of Economic Research (NBER), o en
NBER)9/. adelantados coincidentes y retardados, como lo hace el
Instituto Nacional de Estadstica (INE) de Espaa.
Por otra parte, los desarrollos tericos que

postulan que ciclo y tendencia forman

II. DESESTACIONALIZACIN
2.1 QU ES LA ESTACIONALIDAD? debidas al efecto de la Navidad en el

comercio minorista y las relacionadas
Son fluctuaciones subanuales (por a la programacin del inicio del ao
ejemplo, mensuales, trimestrales) que se escolar.
repiten regularmente de ao en ao. c) Estacionalidad inducida: Es atribuible
a la estacionalidad en otros sectores,
Por convencin, la estacionalidad se anula como por ejemplo en la industria de
cada ao. Como resultado de ello: elaboracin de los alimentos y en la
fabricacin de juguetes.
- Las series anuales no pueden contener
estacionalidad (en virtud de la definicin Pero la estacionalidad puede evolucionar,
de estacionalidad). debido a cambios tecnolgicos o cambios
- Las sumas o promedios de 12 meses institucionales que operan en la actividad
consecutivos (o de 4 trimestres) no econmica.
contienen estacionalidad.
2.1.2 Por qu desestacionalizar
Estela Bee Dagum seala que las tres una serie?
caractersticas ms importantes del
fenmeno estacional son: Porque las causas que producen la
estacionalidad de una serie se consideran
1) Se repite cada ao con cierta factores exgenos, de naturaleza no
regularidad, pero puede evolucionar. econmica y que influyen en la variable
2) Es posible medirlo y separarlo de las que se estudia, que oscurecen las
otras fuerzas que influyen en el caractersticas de la serie relacionadas con
movimiento de la serie. aspectos meramente econmicos10/.
3) Es causado principalmente por fuerzas
no econmicas, exgenas al sistema Con el ajuste estacional uno pretende
econmico, que los tomadores de eliminar al mximo la fluctuacin que
decisiones no pueden controlar o oscurece el componente de tendencia-
modificar en el corto plazo. ciclo de la serie, as que no slo se debe
tratar de extraer el componente estacional,
sino de ser posible tambin, parte de la
2.1.1 Causas de la estacionalidad:
irregularidad que se puede medir, a fin de
observar mejor la tendencia-ciclo11/.
a) Estacionalidad climtica: Es atribuible
a variaciones climticas estacionales,
como las que ocurren en la agricultura 10/ C.W.J. Granger, pags 33-35. En, A. Zellner (ed.), Seasonal
y en la construccin. Analysis of Economic Time Series, U. S. Bureau of Census,
1978.
b) Estacionalidad institucional: Es 11/ S. Koffek, pags. 3-32. En, A. Zellner (ed.), Seasonal Analysis
atribuible a las convenciones sociales of Economic Time Series.
y reglas administrativas, como las

Porque al contar con series 2.2.1 Qu mtodo aplicar?

desestacionalizadas el analista puede
realizar comparaciones entre meses Si la desestacionalizacin es para realizar
consecutivos o no consecutivos para un anlisis economtrico donde aparece
evaluar la coyuntura. Evitando o la serie ajustada, quizs lo ms
complementando las comparaciones conveniente sea algn mtodo de
interanuales (comparacin de un mes con regresin, ya que as las fluctuaciones
el mismo mes del ao anterior), que no estacionales podran formar parte explcita
son vlidas en caso de que la del modelo economtrico.
estacionalidad evolucione rpidamente,
adems que no permite analizar la Por otro lado, si el objetivo de la
evolucin de la serie en el ltimo ao desestacionalizacin es observar la
que es generalmente el periodo ms tendencia de la serie, sin efectos
importante para el anlisis coyuntural. estacionales que la puedan oscurecer, o
si se pretende desestacionalizar de modo
2.2 METODOS PARA rutinario una gran cantidad de series,
DESESTACIONALIZAR UNA SERIE posiblemente los mtodos ms
adecuados sean los de promedios
Existen dos procedimientos generales mviles, debido a que son relativamente
para realizar el ajuste estacional de una sencillos de aplicar y se dispone de
serie de tiempo, stos son: el mtodo paquetes de cmputo estadstico para los
de regresin y el mtodo de promedios clculos. En la actualidad, existen diversos
mviles. programas para desestacionalizar series
de tiempo basados en promedios
Los mtodos de regresin se aplican por mviles, entre los de uso ms frecuente
lo general bajo el supuesto de que la por un gran nmero de pases se
estacionalidad, y en ocasiones tambin encuentran el X11-ARIMA de la Oficina
la tendencia, pueden representarse de de Estadstica de Canad (Statistics
manera determinstica mediante Canada)12/ y el X12-ARIMA13/ del Bureau
funciones del tiempo. Para ello es comn de Censos de EEUU, este ltimo utiliza
representar la tendencia con una curva el mtodo X11 detallado en Shiskin,
polinomial y la estacionalidad mediante Young y Musgrave (1967) y Dagum
funciones peridicas (combinaciones de (1988) para efectuar la
senos y cosenos) o variables artificiales. desestacionalizacin. Estos mtodos
suponen que la serie est compuesta por
Los mtodos de promedios mviles los siguientes componentes no
presuponen que tanto la tendencia como observables: Tendencia - Ciclo, Estacional
la estacionalidad tienen comportamientos e Irregular. Enlazados a travs de un
dinmicos con el paso del tiempo y, por modelo.
tanto, la estimacin de los componentes
se realiza localmente, de forma que la
tendencia en un punto determinado del
tiempo se estima como promedio de las 12/ Para mayores detalles acerca del mtodo X11-ARIMA vea
observaciones previas y futuras. el anexo 1.
13/ Para mayores detalles acerca del mtodo X12-ARIMA vea
el anexo 2.

2.2.2 Qu modelo utilizar para Xt

descomponer una serie? XDt = = TCt * I t
Et
Los modelos ms utilizados para
descomponer una serie de tiempo son el
aditivo y el multiplicativo. El modelo menos La mayora de las series de tiempo
utilizado es el modelo log-aditivo. econmicas siguen un modelo
multiplicativo.
a) Modelo Aditivo
En los casos en que la serie presenta
Xt = TCt + Et + It valores negativos o ceros, el nico
modelo aplicable es el aditivo.
Donde:
Xt = serie original
TCt = componente tendencia-ciclo c) Modelo Log-Aditivo
Et = componente estacional
It = componente irregular
Log ( X t ) = TCt + Et + I t
Este modelo asume que los componentes

de la serie son independientes, es decir,
la amplitud de la estacionalidad es En este modelo, la serie desestacionalizada
independiente del nivel de la tendencia se obtiene como:
ciclo. Un aumento en el nivel de la
tendencia-ciclo no ocasiona un aumento
en la amplitud estacional. XDt = exp(TCt + I t )
Los componentes estn expresados en

unidades. En este caso la serie 2.3 APLICACIN ILUSTRATIVA DE LA
desestacionalizada se obtiene como:
DESESTACIONALIZACIN
XDt = Xt - Et = TCt + It
En esta seccin presentamos los
diferentes pasos que podran seguirse para
b) Modelo Multiplicativo identificar si una serie es estacional, para
encontrar los componentes de la serie y
Xt = TCt * Et * It para efectuar la desestacionalizacin.
Este modelo asume que los componentes El procedimiento que se va a utilizar para
estn interrelacionados. Un aumento en desestacionalizar la serie es el de razn a
el nivel de la tendencia-ciclo ocasiona un promedios mviles. No est de ms
aumento en la amplitud estacional. sealar que en todo momento
suponemos que la serie tiene cuatro
Los componentes estacional e irregular componentes: tendencia-ciclo (que no se
estn expresados en porcentajes. pueden separar), estacional e irregular.
En este modelo, la serie desestacionalizada

se obtiene como:

2.3.1 Algunos procedimientos A primera vista no se puede observar

grficos para detectar si la serie claramente la presencia de estacionalidad
es estacional. en la serie (Ver grfico N 1), sin embargo,
si observamos la serie del PBI del sector
2.3.1.1 Observacin directa de la agropecuario (Ver grfico N 2) podemos
serie: En algunas ocasiones la sola notar cierta regularidad en el
observacin de la serie nos permitira decir, comportamiento de dicha serie. Esta
como una primera aproximacin, si regularidad toma la forma de picos que se
presenta o no estacionalidad. A manera presentan al interior de cada ao y se
de ejemplo, podemos evaluar repiten anualmente.
grficamente la serie del PBI peruano.
Grfico N 1
PBI 1991:2001
(Ao Base 1994 = 100)
140.00
130.00
120.00
110.00
100.00
90.00
80.00
70.00
Fuente: INEI Elaboracin: CIDE
Grfico N 2
PBI agropecuario: 1991-2001
(Ao base 1994 = 100)
230.00
210.00
190.00
170.00
150.00
130.00
110.00
90.00
70.00
50.00 En Jul- En Jul- En Jul- En Jul- En Jul- En Jul- En Jul- En Jul- En Jul- En Jul- En Jul-
e- 91 e- 92 e- 93 e- 94 e- 95 e- 96 e- 97 e- 98 e- 99 e- 00 e- 01
91 92 93 94 95 96 97 98 99 00 01

2.3.1.2 Grfico de la serie ao a ao: comportamiento diferente, que parecera

Esto nos permite observar de mejor manera indicar cierta evolucin en la
si existe un comportamiento sistemtico estacionalidad, en efecto, en el ao 1991
que se presenta al interior de cada ao y el mayor nivel de produccin se registr
se repite anualmente. en el mes de julio, en tanto que en los
aos 1992 y 1993 el mes de mayor
Observando los grficos por meses para produccin fue junio, conformndose en
los primeros seis aos de la dcada de los el resto de la dcada, de 1994 al 2001,
Grfico N 3
PBI 1991-1996
(Ao base 1994 = 100)
125.00
120.00 1996
1995
115.00
110.00
105.00 1994
100.00
1991 1993
95.00
90.00
85.00
80.00
75.00 1992
70.00
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
90's (vase grfico 3) se puede ver que hay un patrn de comportamiento ms estable
un comportamiento que se repite en los en la serie, siendo los primeros y ltimos
aos 1994, 1995 y 1996, presentando al meses del ao los de menor produccin y
mes de mayo como el de mayor produccin los meses de abril, mayo y junio los de
y al mes de febrero como el de menor nivel mayor produccin, con el pico ms alto
de produccin. Sin embargo, en los aos en el mes de mayo (vase grfico 4).
1991, 1992 y 1993 la serie presenta un
Grfico N 4
PBI 1997 2001
(Ao Base 1994 = 100)
140.00
2000
135.00 2001
1997
130.00
1999
125.00 1998
120.00
115.00
110.00
105.00
100.00
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic

Es de mencionar que en los primeros aos niveles de produccin debidos a das

de la dcada del 90 se dio inicio, en el feriados que cambian en el ao, como es
pas, a un programa de estabilizacin, el caso de la Semana Santa.
sustentado en una poltica monetaria y fiscal
restrictiva, y a un programa de reformas En este grfico de la serie del PBI (Ver
estructurales, que implic una liberalizacin grfico N 5), la primera caja representa
del mercado cambiario y financiero, la todos los valores para el mes de enero de
apertura comercial y la liberalizacin del los diferentes aos en la serie analizada
mercado de trabajo, medidas que (1991-2001), la segunda caja representa
generaron un proceso de reconversin los valores del mes de febrero, y as
industrial y de reestructuracin de la sucesivamente; de tal manera que
actividad productiva podamos comparar los niveles en cada uno
de los meses a travs del valor de la
2.3.1.3 El diagrama de cajas: Una forma mediana representada por la lnea horizontal
diferente de observar si las series tienen al interior de la caja, y la dispersin de los
un comportamiento estacional es mediante valores en cada uno de los meses mediante
el diagrama de cajas. Estos diagramas la longitud de la caja y las prolongaciones
representan cajas cuyos lmites superior e de los denominados "bigotes".
inferior son el primer y tercer cuartil, Nuevamente, se observa que en los
respectivamente, representndose la primeros y ltimos meses se dan los
mediana a travs de una lnea horizontal al menores niveles de produccin y el mes
Grfico N 5
Diagrama de Cajas Agregadas:
PBI 1991-2001
(Ao base 1994 =100)
150
140
130
120
110
100
90
PBITOTAL
80
70
N= 12 11 11 11 11 11 11 11 11 11 11 11
ENE. MAR. MAY. JUL. SET. NOV.

FEB. ABR. JUN. AGO. OCT. DIC.
MONTH, period 12
interior de la caja; las prolongaciones a de mayo representa el de mayor nivel de

ambos lados de la caja, as como la longitud produccin.
de la misma, nos dan una idea de la
dispersin de los datos. Estos diagramas son El grfico de cajas del PBI agropecuario
muy tiles para detectar valores extremos, (ver grfico N 6) tambin refleja el
as como posibles modificaciones en los comportamiento estacional de esta serie,

Grfico N 6
Diagrama de Cajas Agregadas:
PBI Agropecuario 1991-2001
(Ao base 1994 =100)
300
200
100
PBIAGRO
0
N= 12 11 11 11 11 11 11 11 11 11 11 11
ENE. MAR. MAY. JUL. SET. NOV.

FEB. ABR. JUN. AGO. OCT. DIC.
MONTH, period 12
Fuente: INEI Elaboracin : CIDE
y adems, nos permite observar las denominada correlograma. La idea es ver

diferencias en los niveles de produccin si la serie en el momento t est
en los distintos meses as como la correlacionada con ella misma en el
dispersin en cada uno de ellos, momento t-1, de tal manera que si se
proporcionndonos de esta manera una observa que hay una alta correlacin de la
informacin adicional para el anlisis de la serie en el momento t con la serie en el
estacionalidad de la serie. momento t-1 t-2 t-3, etc. podemos
decir que la serie presenta tendencia. Si
2.3.1.4 Las autocorrelaciones: observamos que existe alta correlacin
Otra forma de ver si una serie presenta entre la serie en el momento t y la serie
un patrn estacional es a travs de las en el momento t-12, podemos decir que
autocorrelaciones y de su grfica existe estacionalidad. La serie puede
Grfico N 7
Funcin de autocorrelacin :
PBI 1991-2001
(Ao base 1994 =100)
PBITOTAL
1.0
.5
0.0
-.5
Confidence Limits
ACF
-1.0 Coefficient
1 5 9 13 17 21 25 29
3 7 11 15 19 23 27
Lag Number

presentar tanto tendencia como y la prueba Chi Cuadrado - Kruskal -

estacionalidad y stos se vern reflejados Wallis (prueba no paramtrica para
en los correlogramas. Las autoco- estacionalidad estable y alternativa a la
rrelaciones y los correlogramas son muy prueba F). Por ltimo, el X 12 ARIMA,
utilizados para identificar si una serie es o proporciona un estadstico de bondad de
no estacionaria y especificar modelos ajuste para medir la calidad de la
ARIMA. desestacionalizacin. Estos sern detallados
en las secciones siguientes.
A manera de ilustracin, presentamos los
grficos de autocorrelacin de las series
PBI y PBI agropecuario.
Grfico N 8
Funcin de autocorrelacin:
PBI Agropecuario 1991-2001
(Ao base 1994 =100)
PBIAGRO
1.0
.5
0.0
-.5
Confidence Limits
ACF
-1.0 Coefficient
1 5 9 13 17 21 25 29
3 7 11 15 19 23 27
Lag Number
Las funciones de autocorrelacin simple

del PBI y PBI agropecuario, mostradas en 2.4 PRESENTACIN DEL MTODO DE
los grficos N 7 y 8 respectivamente, RAZN A PROMEDIOS MVILES
evidencian cierto comportamiento
estacional, debido a que existe alta Una vez detectado si una serie presenta
correlacin en los periodos 12, 24, 36,... estacionalidad procedemos a encontrar los
sucesivamente. factores estacionales mediante el mtodo
de razn a promedios mviles. El
Es de mencionar que existen pruebas procedimiento que presentamos a
estadsticas para determinar si una serie continuacin contiene los pasos bsicos
tiene o no estacionalidad identificable, que utilizan los programas de
entre estos se cuenta con la prueba F desestacionalizacin X11 y X12-ARIMA.
estable y mvil, adems de la prueba
combinada, resultado de la combinacin Sea xt la serie original, los pasos para
de la prueba F para estacionalidad estable obtener los componentes de la serie son:

Paso 1. Para obtener el componente

tendencia-ciclo (TC t ) efectuamos un Paso 4. El componente irregular (I t)lo
promedio mvil centrado de 12 trminos obtenemos dividiendo los valores de SIt
mediante la siguiente frmula: con respecto a St.
SI t
It =
1 1 5 1
TCt = * X t 6 + X t +i + X t +6 St
24 12 i = 5 24 Paso 5. Finalmente, la serie
desestacionalizada (XD t ) se obtiene
Paso 2. Para obtener el componente dividiendo los valores de la serie original
estacional-irregular (SI t) dividimos los entre los valores del componente
valores de la serie original entre los valores estacional. X
del componente tendencia-ciclo hallados XDt = t
St
en el paso anterior.
Xt 2.4.1 Aplicacin a la serie PBI
SI t =
TCt
A continuacin presentamos los grficos de
Paso 3. Para obtener el componente los resultados obtenidos aplicando los pasos
estacional (St ), efectuar un promedio mvil indicados anteriormente a la serie PBI
de tres trminos utilizando los valores de (enero 1991-diciembre2001). El lector
SIt para cada mes por separado a travs de interesado puede reproducir el mtodo
los aos. indicado en esta seccin y comparar sus
resultados con los que se presentan en el
1 11
St = SI t +12*i
3 i = 1
anexo 3, que contiene la serie original y
los valores obtenidos de cada uno de los
componentes de la serie.
Grficos N 9-12
Resultados grficos de los Componentes del PBI
1 40.00
1 40 .00
1 30 .00 1 30.00
1 20 .00 1 20.00
1 10 .00 1 10.00
1 00 .00 1 00.00
9 0.0 0 9 0.00
8 0.0 0
8 0.00
7 0.0 0
7 0.00
Ju l-9 1
J ul-9 2
J ul-9 4
J ul- 96
J ul- 98
En e-9 9
En e-0 1
Ene- 91
Ene -92
Ene- 93
Jul- 93
Ene -94
Ene- 95
Jul- 95
Ene -96
Ene -97
Jul-97
Ene -98
Jul-99
Ene -00
Jul- 00
Ju l-01
Jul-91
J ul-92
Jul-93
J ul-94
J ul-95
J ul-96
J ul-97
J ul-98
J ul-99
J ul-01
Ene-91
Ene-92
Ene-93
Ene-94
Ene-95
Ene-96
Ene-97
Ene-98
Ene-99
Ene-00
Ene-01
Jul-00
P BI P BI DES ES TACI ONAL IZADO

PBI TENDENCI A-CICLO
1.15
1.04
1.1
1.05 1.02
1 1
0.95
0.98
0.9
0.96
0.85
Jul-91
Jul-95
Jul-96
Jul-97
Jul-00
Jul-01
Ene-93
Ene-94
Ene-98
Ene-99
Jul-92
Jul-93
Jul-94
Jul-98
Jul-99
Ene-91
Ene-92
Ene-95
Ene-96
Ene-97
Ene-00
Ene-01
0.94
Jul-91
Jul-95
Jul-96
Jul-97
Jul-98
Jul-99
Jul-00
Jul-92
Jul-93
Jul-94
Jul-01
Ene-93
Ene-94
Ene-98
Ene-01
Ene-91
Ene-92
Ene-95
Ene-96
Ene-97
Ene-99
Ene-00
FACTORES ESTACIONALES
COMPONENTE IRREGULAR

2.5 METODOLOGA DE La prueba F de Diagnstico, plantea como

DESESTACIONALIZACIN CON EL hiptesis:
X12 ARIMA
H0 : No presenta estacionalidad
El procedimiento de desestacionalizacin identificable.
mediante la utilizacin del programa X12 H1 : Presenta estacionalidad identificable
ARIMA, es utilizado por diferentes oficinas
de estadstica en el mundo. El desarrollo Si el estadstico F es mayor que Fa, p-1, n-p
metodolgico consiste bsicamente en: (Correspondiente a la tabla de distribucin
F con a como nivel de significacin de la
1.Modelar la serie original por medio de prueba, p como el nmero de parmetros
un proceso autorregresivo integrado y (12 meses o aos) y n como el nmero
de medias mviles (modelos ARIMA) de observaciones consideradas en la serie
en estudio), se rechaza la hiptesis nula y
propuesto por Box-Jenkins.
se concluye que existe estacionalidad
2.Extrapolar la serie original un ao (de
identificable.
observaciones) en cada extremo con el
modelo ARIMA que mejor ajuste y
b) Prueba Q de bondad de
proyecte la serie.
ajuste estacional
3.Desestacionalizar la serie extendida
utilizando promedios mviles.
Se realiza mediante los llamados
El mtodo X 12 ARIMA est basado en
estadsticos de control de calidad M1, M2
promedios mviles que incluye los modelos ... M11(Mostrados en el anexo 4). Estos
ARIMA, la utilidad de estos modelos est estadsticos se combinan en un ndice Q
en extender la serie un ao hacia delante, de aceptabilidad del ajuste.
para mejorar el ajuste estacional en los
ltimos periodos. Adems el X12 ARIMA El estadstico Q, vara entre 0 y 3 (0 Q 3).
provee diferentes pruebas estadsticas El ajuste estacional solo es aceptable si Q
como las que se detallan a continuacin: es menor que 1, por tanto cuanto ms
cercano a 0 est el valor de Q, mejor es
a) Prueba F de identificacin de la calidad de la desestacionalizacin.
estacionalidad, detecta si la serie
tiene estacionalidad estable o mvil. 2.5.1 Aplicacin del X12 ARIMA a la
serie PBI, utilizando la opcin por
a.1 Prueba F de estacionalidad estable: defecto
Identifica aquella estacionalidad que
se distribuye de manera regular a lo Aplicando a la serie PBI la opcin por
largo de todo el periodo analizado. defecto que provee el programa X12-
a.2 Prueba F de estacionalidad mvil: ARIMA se obtienen los siguientes
Identifica aquella estacionalidad que resultados14/15/:
vara con el transcurso del tiempo.
14/ El X12 ARIMA, en su opcin por defecto, usa un conjunto
Se debe tener en cuenta que si predomina de 5 modelos ARIMA: (0,1,1) (0,1,1) ; (0,1,2) (0,1,1) ;
12 12
significativamente la estacionalidad (2,1,0) (0,1,1) ; (0,2,2) (0,1,1) Y (2,1,2) (0,1,1)
12 12 12
estable, se dice que la serie presenta 15/ Los resultados proporcionados por el programa X 12
ARIMA, as como las instrucciones para obtener las
Estacionalidad Identificable.
componentes de la serie se presentan en el anexo 4

a) Prueba F para detectar estacionalidad b) Prueba Q de bondad de ajuste

estacional
a.1) Prueba para detectar la
presencia de estacionalidad
asumiendo estabilidad. El estadstico de Monitoreo y evaluacin
de la calidad de la desestacionalizacin
Suma de Grados de Suma media
Cuadrados Libertad de Cuadrados
Valor F
es el siguiente:
Entre meses 1729.7782 11 157.25257 37.758** Q (sin M2) = 0.42 Aceptado
Residual 499.7696 120 4.16475
Total 2229.5479 131
Este valor de Q (0.42) nos muestra que
** Dado que el valor de F = 37.758 > F0.01,11,120 = 2.47, se
rechaza la Hiptesis Nula y se concluye que existe la bondad de ajuste en la desesta-
estacionalidad al 1% de significancia.
cionalizacin es de buena calidad, ya que
a.2) Prueba para detectar la se acerca a cero.
presencia de estacionalidad
mvil
Valor F
Cuadrados Libertad de Cuadrados
Entre aos 28.3813 10 2.838128 0.817**
Error 382.1975 110 3.474523
** Dado que el valor de F = 0.817 < F0.05,10,110 = 1.97, no existe
evidencia para rechazar la hiptesis nula, concluyndose que
no existe estacionalidad mvil al 5% de significancia.
Grfico N 13 -16
Descomposicin de la serie PBI: Resultados grficos del Mtodo X 12 ARIMA con la
opcin por defecto
115,00
140,00
110,00
130,00
105,00 120,00
110,00
100,00
100,00
95,00
90,00
90,00
80,00
85,00 70,00
Factores Estacionales
PBI PBI DESESTACIONALIZADO
140,00 110,00
130,00 108,00
106,00
120,00
104,00
110,00 102,00
100,00 100,00
98,00
90,00
96,00
80,00
94,00
70,00 92,00
90,00
PBI TENDENCIA Componente Irregular

Fuente: INEI
Elaboracin: CIDE

c) Proyecciones de los factores 2.5.2 Aplicacin del X12 ARIMA a

estacionales finales. la serie PBI, incorporando un
modelo ARIMA.
Periodo: Enero 2002 a Diciembre 2002
Mes Valor El X12 ARIMA tambin permite que el

proyectado usuario incorpore la especificacin de un
modelo ARIMA para obtener la serie
Enero 96.2 desestacionalizada.
Febrero 94.3
Marzo 101.1
Abril 102.0 Para el caso del PBI, se logr identificar el
Mayo 110.0 siguiente modelo16/:
Junio 105.0
Julio 100.3
Agosto 98.7 ARIMA (0,1,1)*(1,1,1)12 , en la serie del
Septiembre 96.0 PBI en logaritmo, donde:
Octubre 98.6
Noviembre 98.6
Diciembre 99.1
Parmetros Coeficientes Significancia Desv tp. error Durbin - Watson

MA(1) -0.4181 0.0000
AR(12) 0.1608 0.0000 0.020 2.050
MA(12) -0.8857 0.0008
el cual permite lograr mejor performance a.2) Prueba para detectar estacionalidad
del X12 ARIMA, en el sentido de que el mvil
usuario ya no usa este programa como una
"Caja Negra" sino que lo adecua a sus cuadrados Libertad de Cuadrados
Valor F
necesidades y requerimientos17/. Entre aos 31.5531 11 2.868462

0.904**
Error 383.8077 121 3.171965
** Dado que el valor de F = 37.758 > F0.01,11,120 = 2.47, se rechaza
Veamos los resultados que se obtuvieron la Hiptesis Nula y se concluye que existe estacionalidad al 5%
de significancia.
al procesar los datos, incorporando el
modelo especificado18/: b) Prueba Q de bondad de ajuste
estacional
a) Prueba F para detectar
estacionalidad El estadstico de monitoreo y
evaluacin de calidad de la desesta-
a.1) Prueba para detectar la presencia de cionalizacin es el siguiente:
estacionalidad asumiendo estabilidad
Suma Q (sin M2) = 0.41 Aceptado
Suma de Grados de
media de Valor F
Cuadrados Libertad
Cuadrados
Entre meses 1739.2705 11 158.11550
39.007*
Residual 486.4260 120 4.05355 *
16/ La especificacin de un modelo, evitar que el mtodo X
Total 2225.6965 131 12 ARIMA elija un modelo por defecto.
** Dado que el valor de F = 37.758 > F0.01,11,120 = 2.47, se rechaza 17/ la modelizacin se realiz mediante el Programa E-Views
la Hiptesis Nula y se concluye que existe estacionalidad al 1% 3.1
de significancia. 18/ Los resultados proporcionados por el programa X 12
ARIMA, as como las instrucciones para obtener las
componentes de la serie se presentan en el anexo 5

Este valor de Q (0.41) nos muestra que la Mes Valor

bondad de ajuste en la deses- proyectado
tacionalizacin es de buena calidad, debido
a que presenta un valor cercano a cero. Enero 96.3
Febrero 94.0
Marzo 101.0
c) Proyecciones de los factores Abril 102.2
estacionales finales Mayo 109.3
Junio 105.2
Julio 100.5
Periodo: Enero 2002 a Diciembre 2002
Agosto 98.8
Septiembre 95.9
Octubre 98.7
Noviembre 98.5
Diciembre 99.6
Grfico N 17 - 20
Resultados grficos del Mtodo X12 ARIMA incorporando el modelo ARIMA(0,1,1)(1,1,1)12
PBI (Enero 1991, diciembre 2001)
FACTORES ESTACIONALES Serie Original y Desestacionalizada

150,00
1,15E+00 140,00
1,10E+00 130,00
120,00
1,05E+00 110,00
1,00E+00
100,00
90,00
9,50E-01 80,00
70,00
9,00E-01
60,00
Ene-91
Ene-92
Ene-93
Ene-94
Ene-95
Ene-96
Ene-97
Ene-98
Ene-99
Ene-00
Ene-01
8,50E-01
8,00E-01
Ene-91
Ene-92
Ene-93
Ene-94
Ene-95
Ene-96
Ene-97
Ene-98
Ene-99
Ene-00
Ene-01
PBI PBI Desestacionalizado
Serie Original - Ciclo Tendencia Irregular

1,15E +00
150,00
140,00 1,10E +00
130,00
120,00 1,05E +00
110,00
1,00E +00
100,00
90,00 9,50E -01
80,00
70,00 9,00E -01
60,00
8,50E -01
Ene-91
Ene-92
Ene-93
Ene-94
Ene-95
Ene-96
Ene-97
Ene-98
Ene-99
Ene-00
Ene-01
PBI Ciclo Tendencia

Irregular

Grfico N 21 VAR% VAR%

Variaciones porcentuales del PBI DATE
VAR%
MENS PBI
VAR% MENS
PBI DESES
MENS 1 91/ANUAL
TEND PBI
(Incorporando el modelo ARIMA (0,1,1)(1,1,1)12)
JAN 2001 -1.5 1.8 0.1 -1.4
10,00
8,00 FEB 2001 -2.8 -0.6 0.3 -2.6
6,00 MAR 2001 7.5 0.4 0.4 -3.2

4,00 APR 2001 2.6 1.4 0.4 0.1
2,00 MAY 2001 8.6 1.2 0.3 -0.4
0,00
JUN 2001 -6.3 -2.1 0.2 -2.2
-2,00
JUL 2001 -3.2 1.1 0.2 -0.3
-4,00
AUG 2001 -0.8 0.8 0.2 1.3
-6,00
SEP 2001 -4.3 -1.5 0.2 2.7
-8,00
JAN 2001
FEB 2001
MAR 2001
APR 2001
MAY 2001
JUN 2001
JUL 2001
AUG 2001
SEP 2001
OCT 2001
NOV 2001
DEC 2001
OCT 2001 4.9 2.2 0.2 2.8
NOV 2001 -1.2 -1.1 0.1 2.1
DEC 2001 1.7 0.7 0.0 4.1
VAR% MENS PBI VAR% MENS PBI DESES
VAR% MENS TEND VAR% ANUAL PBI
Elaboracin: CIDE
Fuente: INEI
El grfico 21 y la tabla adjunta, presentan 2.5.3 Comparacin de resultados

las variaciones mensuales de las series del obtenidos con el Programa X 12 ARIMA
PBI original, Tendencia - Ciclo y desestacio-
nalizada, as como las variaciones Comparando los resultados obtenidos
interanuales de la produccin en el ao mediante la opcin por defecto y la
2001. Como se esperaba, la variacin de incorporacin de un modelo ARIMA
la serie original traduce el efecto de las especificado, se observa (Ver cuadro N
diferentes componentes. En tanto que la 1) que el estadstico Q, para la prueba de
desestacionalizada muestra una evolucin bondad de ajuste, nos permite identificar
ms extendida reflejando el compor- a la desestacionalizacin mediante la
tamiento permanente y cclico de la incorporacin del modelo ARIMA (0,1,1)
actividad econmica, junto a las (1,1,1) 12, como la de mejor calidad,
perturbaciones irregulares. La tendencia - debido a que este ndice es un tanto ms
ciclo, representara la evolucin de la cercano a cero, comparado con el que se
dinmica econmica en el corto plazo que obtuvo al desestacionalizar la serie por
debe verse tambin desde una perspectiva defecto. Por tanto, esto nos permitir
temporal ms amplia. concluir que el proceso de desesta-
cionalizacin mediante la fijacin de un
modelo especfico, proporciona una mejor
calidad en los resultados.
Cuadro N 1:
Resultados obtenidos mediante la aplicacin del
Programa X 12 ARIMA a la Serie PBI
Prueba F de Prueba F de Estadstico

Serie en Estacionalidad
Modelo ARIMA estacionalidad estabilidad Q (Calidad
estudio identificable?
estable mvil de ajuste)
Por defecto 37.758* 0.817** SI 0.42

PBI
ARIMA (0,1,1)
39.007* 0.904** SI 0.41
(1,1,1)12
* Al 1% de significancia
** Al 5% de significancia
19/ Variacin porcentual del mes en referencia, respecto al

mismo mes del ao anterior.

III. OBSERVACIONES
a) Para hacer ms didctica la aplicacin desestacionalizacin de series agregadas

metodolgica no se ha hecho referencia a la de las series desagregadas. Al
a "otros efectos" sobre la serie que deben respecto cabe mencionar que cuando
"ajustarse" para que la correccin de la se tienen series desagregadas, stas
estacionalidad sea eficaz, como las pueden ajustarse de dos maneras
relativas a los das de actividad y distintas: Por ajuste directo, es decir,
relacionadas al calendario. As como, del considerando el agregado en s como la
tratamiento de valores "discordantes" serie que se ha de desestacionalizar y
asociados a causas conocidas, puesto que aplicndole directamente el mtodo
la serie desestacionalizada debe para hacerlo, o por ajuste indirecto, que
contener exclusivamente la tendencia consiste en desestacionalizar cada una
ciclo y fluctuaciones irregulares , de tal de las series que constituyen el
forma que no se perciban en ella otro agregado y despus agregarlas
tipo de variaciones de carcter desestacionalizadas para obtener as el
determinista o semi determinista. ajuste de la serie agregada. No hay una
regla general que indique qu tipo de
b)Otro aspecto que se presenta en el ajuste debe preferirse a otro, y la
trabajo prctico, cuando se utiliza el decisin sobre cul utilizar en
procedimiento X11 o X12 ARIMA, es determinado caso deber fundamentarse
la identificacin del modelo ARIMA que en el anlisis previo de la serie en estudio
se debe aplicar a la serie. Puesto que (Vctor M. Guerrero 1990). Por las
en los Organismos de Estadstica caractersticas de la economa peruana,
habitualmente se trabaja con muchas donde coexisten diferentes formas de
series, y stas se actualizan produccin y por tanto de generacin
peridicamente, es conveniente que se del producto de cuya agregacin resulta
lleve un registro de los diferentes el producto total, parecera que lo ms
modelos identificados, para construir conveniente es realizar un ajuste
una tabla de frecuencia y conformar indirecto, lo que permitira construir
modelos estndares que ms se apliquen calendarios y registro de otros efectos
a las series econmicas mensuales y sobre la serie, por cada actividad.
sirvan de gua a los usuarios y como base
para estudios posteriores. d)Los rganos de estadstica que evalan
la coyuntura tienen una importante
c) El hecho que se haya utilizado la serie experiencia en el anlisis de series
del PBI para ejemplificar la econmicas, y en los procedimientos de
desestacionalizacin, no significa que se desestacionalizacin. Es conveniente,
ha tomado partido por preferir la continuar con los esfuerzos para mejorar

los procedimientos de desestacio- econmicas en el marco de las

nalizacin, incorporando cada vez ms propuestas tericas que conciben que
los "ajustes" de los "otros efectos". Pero la componente permanente (tendencia)
tambin sera deseable orientar los y el ciclo reflejan ciertas leyes generales
esfuerzos a la conformacin de que rigen las economas de mercado y
conjuntos de indicadores20/ que permitan no se pueden separar artificialmente.
analizar y evaluar las fluctuaciones
20/ Ejemplo de la conformacin de indicadores pueden ser

los que utilizan el NBER o el INE de Espaa, pero
tambin podran ser otros.

Anexos
1. Mtodo de desestacionalizacin X-11 ARIMA
2. Mtodo de desestacionalizacin X-12 ARIMA
3. Resultados obtenidos con el mtodo de Razn a

promedios mviles
4. Resultados obtenidos con el X-12 ARIMA por defecto.
5. Resultados obtenidos con el X-12 ARIMA incorporando un

modelo ARIMA

ANEXO 1
MTODO DE DESESTACIONALIZACIN X11 ARIMA
1. INTRODUCCION teorema de Herman Wold en 1938.
La mayora de mtodos de Los mtodos de estimacin de los

desestacionalizacin desarrollados hasta componentes de una serie de tiempo
ahora estn basados en modelos de series pueden ser agrupados en dos grandes
de tiempo univariados. Estos modelos son categoras:
seleccionados principalmente por su
simplicidad y pueden ser aplicados sin la - Mtodos de regresin.
necesidad de un conocimiento - Tcnicas de promedios medias
especializado del tema. mviles, tambin llamadas
procedimientos de ajuste lineal.
Se han hecho algunos intentos por estimar
la estacionalidad en base a explicaciones Los mtodos de regresin asumen que los
causales pero ninguno ha llegado ms all componentes estacionales y otros
de la etapa experimental. Por ejemplo, componentes sistemticos, como la
Mendershausen (1939) intent regresionar tendencia y el ciclo, son funciones
la estacionalidad de cada mes con un determinsticas en toda la extensin de las
conjunto de variables exgenas series.
(variaciones meteorolgicas y sociales)
para construir un modelo explicativo de la Los mtodos basados en las medias
estacionalidad, pero sus resultados mviles o filtros de ajuste lineal asumen
empricos fueron inconclusos. que, aunque los componentes de las series
de tiempo son funciones del tiempo, no
Los mtodos de ajuste estacional de series pueden ser aproximadas de manera exacta
de tiempo univariadas intentan estimar el por funciones simples en el rango de
mecanismo de generacin de las tiempo completo bajo consideracin. Los
observaciones bajo el supuesto simple de supuestos implcitos en el procedimiento
que las series estn compuestas por una de medias mviles son que la tendencia,
parte sistemtica que es funcin del el ciclo y los componentes estacionales
tiempo, y una parte aleatoria que obedece son estocsticos y no determinsticos.
a una distribucin de probabilidad. Se
asume que el elemento aleatorio est La mayora de mtodos de ajuste
idnticamente distribuido con media estacional adoptados oficialmente por las
constante, varianza constante y oficinas estadsticas pertenecen a la
autocorrelacin cero. La factibilidad de esta categora de las tcnicas de medias
descomposicin fue probada en el famoso mviles. Entre ellos se encuentran, la

variante del mtodo II-X11 del Bureau de econmica, los polticos basarn sus
Censos de EEUU; el mtodo del factor decisiones principalmente en los datos
estacional de BLS; el Mtodo de Burman desestacionalizados que estn sujetos a
del Banco de Inglaterra; el Mtodo de significativas revisiones siempre que est
Berln, ASA II; el mtodo de la Oficina disponible nueva informacin.
Estadstica de las Comunidades Econmicas
Europeas de Bruselas y el mtodo de la El X11-ARIMA desarrollado por Dagum
Oficina de Planeamiento Central (1975) en la Oficina de Estadstica de
Holands. Estos mtodos han sido Canad no comparte las dos restricciones
criticados porque carecen de un modelo comunes de los procedimientos de medias
explcito con respecto a la descomposicin mviles. Ofrece un modelo ARIMA para
de las series originales y porque sus las series y minimiza la revisin de la
estimaciones de las observaciones de los estacionalidad con el error cuadrtico
aos ms recientes no tienen el mismo medio.
grado de confiabilidad cuando se les
compara con las observaciones centrales. El X11-ARIMA consiste bsicamente en:
La falta de un modelo explcito se aplica a 1. Modelar las series originales por medio
todo el rango de las series. Los de procesos autorregresivos
procedimientos de medias mviles hacen integrados y de medias mviles
supuestos con respecto a los componentes (modelos ARIMA) del tipo Box-
de las series de tiempo, pero los supuestos Jenkins (1970).
son vlidos slo para la longitud del 2. Extrapolar un ao de datos no
conjunto de ponderaciones de la media ajustados para cada extremo de las
mvil. series con los modelos ARIMA que
mejor se ajusten y proyecten las series
La segunda limitacin es inherente a los originales. Esta operacin, llamada
procedimientos de ajuste lineal puesto que forecasting (previsin) y
la primera y la ltima observacin no backcasting (datos fuera de la
pueden ser ajustadas con el mismo muestra), est diseada para extender
conjunto de ponderaciones simtricas las series observadas en ambos
aplicado a las observaciones centrales. extremos.
Debido a esto, las estimaciones de las 3. Desestacionalizar las series extendidas
observaciones actuales deben ser revisadas (originales) con diversas medias
cuando se agrega ms datos a las series mviles de la variante del mtodo II-
originales. Sin embargo, las revisiones X11 que fue desarrollado por Shiskin,
frecuentes confunden a los usuarios de los Young y Musgrave (1967). Adems,
datos desestacionalizados, particularmente el usuario ahora tiene la opcin de
si son relativamente grandes o si aplicar un filtro centrado de 24
introducen cambios en la direccin del trminos para reemplazar a la media
movimiento general de las series ajustadas. mvil centrada de 12 trminos para
De hecho, enfrentados con el problema la estimacin preliminar de la
de controlar el nivel de actividad tendencia-ciclo. Este nuevo filtro da

mejores resultados para series un mtodo de desestacionalizacin con el

fuertemente afectadas por ciclos error cuadrtico medio mnimo y que, de
cortos (menores a tres aos) o hecho, este tipo de extrapolacin
repentinos cambios en la tendencia. minimizara las revisiones de cualquier
procedimiento de desestacionalizacin con
La parte ARIMA incorporada en el medias mviles en el sentido del error
programa X11 juega un rol muy importante cuadrtico medio. Conclusiones similares
en la estimacin de los pronsticos de los son obtenidas por Geweke (1978) quien
factores estacionales y de los factores extrapola los valores futuros de las series
estacionales actuales cuando la usando el spectrum y un modelo ARIMA.
estacionalidad se est moviendo
rpidamente de manera aleatoria, un Para series con estacionalidad bastante
fenmeno que a menudo se encuentra estable, se puede obtener una mejora
en los indicadores econmicos claves. significativa cuando la tendencia-ciclo est
Puesto que las series son extendidas con creciendo rpidamente o cuando el ltimo
datos extra, los filtros aplicados por el X11 ao de datos tiene un punto de quiebre.
para desestacionalizar las observaciones Las ponderaciones finales del X11-ARIMA
actuales y generar los pronsticos para estimar la tendencia-ciclo son una
estacionales son ms cercanos a los filtros combinacin de las ponderaciones
usados para las observaciones centrales. simtricas de Henderson y de las
En consecuencia, el grado de confiabilidad ponderaciones asimtricas del modelo
de las series extendidas para las ARIMA usadas para los datos
estimaciones actuales es mayor que el de extrapolados. Puesto que estas
las series no extendidas, y la magnitud de ponderaciones finales cambian con el
las revisiones se reduce significativamente. modelo ARIMA ajustado a las series,
Conclusiones similares se obtienen de reflejan los movimientos ms recientes de
comparaciones hechas con otros mtodos las series y, como resultado, rara vez
de desestacionalizacin basados en medias ignoran un punto de quiebre. Se obtiene
mviles. mejores estimaciones de los ratios
(diferencias) entre el componente
Generalmente se ha encontrado una estacional y el componente irregular que
reduccin de 30% en el sesgo y de 20% luego son promediados para producir
en los valores absolutos del error total en componentes estacionales estables.
los pronsticos de los factores estacionales
para los 12 meses (cuatro trimestres) para Desde el punto de vista del ajuste
las series de Canad y EEUU. La reduccin estacional, otra ventaja importante del
porcentual para estos meses (trimestres) X11-ARIMA es que ofrece un modelo
que corresponden a picos y depresiones estadstico para el rango completo de las
es mayor que el promedio para el ao series. La existencia de un modelo que se
entero. ajuste bien a los datos cumple con el
principio bsico subyacente del ajuste
Pierce (1978) demuestra que la estacional, a saber, que las series son
extrapolacin ARIMA hace al X11-ARIMA factibles de descomposicin. Si una serie

no se presta a la identificacin de un 1. Ot = Ct St It (modelo multiplicativo)

modelo ARIMA (incluyendo a todos los
AR, MA y ARMA como subclases) que 2. Ot = Ct + St + It (modelo aditivo)
simplemente describe la estructura general
de las series como funcin de valores 3. log O t = log C t + log S t + log I t
pasados y disturbios aleatorios rezagados, (modelo aditivo logartmico)
cualquier descomposicin adicional en
tendencia, ciclo y componente estacional donde Ot es la serie no ajustada, Ct es la
se hace dudosa. De hecho, la falta de tendencia-ciclo, S t es el componente
ajuste de un modelo ARIMA indica que estacional e It es el componente irregular.
la serie es determinstica o es
prcticamente un proceso puramente La estimacin se hace con diferentes tipos
aleatorio, o que est tan contaminada por de medias mviles que se aplican
irregularidades que su movimiento secuencialmente en 13 pasos repetidos
sistemtico no es identificable. dos veces.
Para la opcin estndar del programa estos

2. PROPIEDADES BSICAS DEL 13 pasos son:
X11ARIMA.
1. Calcule los ratios entre las series
Principales pasos para producir una originales y una media mvil centrada
serie desestacionalizada de 12 trminos (2*12 m.a., es decir
una media de 2 trminos de una media
Los principales pasos para producir series de 12 trminos) como una primera
desestacionalizadas usando el mtodo estimacin de los componentes
X11-ARIMA son iguales a la variante del estacional e irregular (SI).
mtodo II-X11 (Shiskin, Young y Musgrave, 2. Aplique una media mvil ponderada
1967). Las principales diferencias son: (i) de 5 trminos (3*3 m.a.) a los ratios
la extensin de las series no ajustadas con del componente estacional - irregular
un ao de valores extrapolados a partir de (SI) para cada mes en forma separada,
modelos ARIMA en uno o ambos para obtener una estimacin
extremos de las series siempre que se use preliminar de los factores estacionales.
la opcin ARIMA; (ii) la opcin de aplicar 3. Calcule una media mvil centrada de
una media mvil centrada de 24 trminos 12 trminos de los factores
para la estimacin preliminar de la preliminares encontrados en el paso
tendencia-ciclo; (iii) series cortas de tres y 2 para las series completas. Para
cuatro aos son desestacionalizadas slo obtener los seis valores perdidos en
con la opcin de estacionalidad estable. cualquier extremo de esta media,
repita el primer (ltimo) valor de la
El X11-ARIMA asume que los principales media mvil disponible seis veces.
componentes de una serie de tiempo Ajuste los factores para que sumen
siguen un modelo multiplicativo, aditivo 12 (aproximadamente) sobre un
o aditivo logartmico, es decir: perodo de 12 meses dividiendo la

media centrada de 12 trminos por tendencia-ciclo resultante por la serie

los factores. original para obtener una segunda
4. Divida las estimaciones de los factores estimacin de los ratios SI. (En la
estacionales por los ratios SI para primera iteracin, slo se aplica una
obtener una estimacin del media mvil de Henderson de 13
componente irregular. trminos).
5. Calcule una desviacin estndar mvil 11. Aplique una media mvil ponderada
de 5 aos (s) para las estimaciones de 7 trminos (3*5 m.a.) para los ratios
del componente irregular y verifique SI de cada mes por separado, para
las irregularidades en el ao central obtener una segunda estimacin del
del perodo de 5 aos contra 2.5s. componente estacional.
Elimine los valores mayores a 2.5s 12. Repita el paso 3.
como extremos y recalcule la media 13. Divida la serie original entre 11 para
mvil de 5 aos. Asigne un peso de obtener la serie desestacionalizada.
cero a las irregularidades mayores a
2.5s y un peso de 1 (peso completo)
a las irregularidades menores a 1.5s. Propiedades Bsicas de los Filtros de
Asigne un peso linealmente graduado Ajuste Lineal a Dos Colas
entre 0 y 1 a las irregularidades entre (ponderaciones centradas) del X11-
2.5s y 1.5s. ARIMA.
6. Para los primeros dos aos, se usa los
lmites s calculados para el tercer ao; Los filtros de ajuste lineal aplicados por el
y para los ltimos dos aos, se usa los mtodo II-X11 y el X11-ARIMA para
lmites s calculados para el
producir datos desestacionalizados pueden
antepenltimo ao. Para reemplazar
ser clasificados de acuerdo con la
un ratio extremo ya sea al comienzo
distribucin de su conjunto de
o al final de los aos, se toma el
ponderaciones en simtricos (a dos colas)
promedio del ratio multiplicado por
y asimtricos (a una cola). Las medias
su peso y los tres ratios de peso
mviles simtricas se usan para estimar los
completo ms cercanos para ese mes.
componentes que caen al medio de la
7. Aplique una media mvil ponderada
extensin del promedio, por decir 2n+1,
de 5 trminos a los ratios SI con los
y las medias mviles asimtricas para
valores extremos reemplazados, para
estimar las primeras y ltimas n
cada mes por separado, para estimar
observaciones. La suma de las
los factores estacionales preliminares.
ponderaciones de ambos tipos de filtros
8. Repita el paso 3, aplicado a los
es uno y, de este modo, la media de las
factores encontrados en el paso 7.
series originales no es alterada en el
9. Para obtener una serie desestacio-
proceso de filtracin20/ .
nalizada preliminar dividir la serie
original entre los factores obtenidos
en el paso 8.
20/ La suma de los pesos de un filtro determina el ratio entre
10. Aplique una media mvil de la media de las series ajustadas y la media de las series no
Henderson de 9, 13 23 trminos a ajustadas asumiendo que estas medias son calculadas
para perodos suficientemente grandes como para
la serie desestacionalizada y divida la asegurar resultados estables.

Es muy importante en el diseo del filtro (3 2 aos) y, a menos que las variaciones
que ste no desplace en el tiempo a los irregulares sean pequeas, no ajustar los
componentes del output en relacin con datos exitosamente. Si el input para este
los componentes del input; en otras filtro es una curva de 3 aos de periodicidad
palabras, el filtro no debe introducir y 100 de amplitud, el output es una curva
cambios de fase21/ . Las medias mviles de igual periodicidad pero con amplitud
simtricas introducen un desplazamiento reducida a 82.50; la amplitud de las ondas
no temporal para algunos componentes de 2 aos de periodicidad se reduce a 75;
de la serie original y un desplazamiento y slo las ondas cuyo perodo es de 5 aos
de +/- 180, para otros. Un cambio de o ms son pasadas con reducciones muy
fase de +/- 180 es interpretado como pequeas en sus amplitudes. Sin embargo,
una inversa en polaridad lo que significa debido a que la variacin tendencia-ciclo
que el mximo se convierte en mnimo y de la mayora de series de tiempo
viceversa. En otras palabras, los picos econmicas se debe principalmente a largas
(depresiones) en el input se convierten en variaciones cclicas de 40 meses o ms, este
depresiones (picos) en el output. filtro generalmente es bueno para una
estimacin preliminar de la tendencia-ciclo.
Sin embargo, para propsitos prcticos las
medias mviles simtricas actan como si La media mvil centrada de 24
el desplazamiento temporal fuese nulo. trminos. Para series principalmente
Esto se debe a que las sinusoides que dominadas por fluctuaciones cclicas cortas
tendrn un cambio de fase de +/- 180, (3 2 aos) o afectadas por repentinos
en el proceso de filtracin son ciclos de cambios en el nivel de la tendencia, se
corta periodicidad (anual o menos) y las incluye opcionalmente un filtro centrado
medias mviles tienden a omitir o reducir de 24 trminos en el X11-ARIMA/80.
significativamente su presencia en el Este filtro es una versin modificada del
output. filtro de Leser (1963).
La media mvil centrada de 12 La amplitud de las ondas de 2 3 aos de

trminos. Es usada para una estimacin periodicidad se reduce slo en 5% y 18%,
preliminar de la tendencia-ciclo (paso 1). respectivamente.
Este filtro reproduce exactamente el punto
central de una tendencia lineal y aniquila Adems, este filtro reduce la variacin
la estacionalidad estable para un perodo irregular ms que el filtro centrado de 12
de 12 meses en un modelo aditivo. Si la trminos. Desafortunadamente, como nos
relacin entre los componentes es alejamos de la observacin central, la
multiplicativa, entonces slo ser
reproducida perfectamente una tendencia
constante multiplicada por una 21/ En el anlisis espectral, la fase es un parmetro sin
dimensin que mide el desplazamiento del sinusoide en
estacionalidad estable. relacin con el origen del tiempo. Debido a la repeticin
peridica del sinusoide, la fase puede ser restringida a
+/- 180. La fase es una funcin de la frecuencia del
La principal limitacin de este filtro es que sinusoide, la frecuencia es igual al recproco del perodo,
pierde picos y depresiones de ciclos cortos o la extensin de tiempo requerido para una oscilacin
completa.

estimacin de los 12 puntos en cada lado las ondas de 20 meses o ms de

se deteriora gradualmente. Debido a esto, periodicidad, lo que si se cumple para
en el X11ARIMA se usan ponderaciones variaciones tendencia-ciclo. Adems,
asimtricas que estiman slo los seis elimina casi todas las variaciones
puntos a cada lado de la observacin irregulares que puedan ser representadas
central. Las primeras y ltimas 6 por ondas de muy corta periodicidad, seis
observaciones son eliminadas como en el meses o menos.
filtro centrado de 12 trminos. Estas
ponderaciones simtricas aplicadas a las Medias mviles ponderadas de 5
observaciones 7 a 12 y 14 a 19 comparten trminos (3*3) y de 7 trminos (3*5).
las mismas propiedades espectrales del La media mvil ponderada de 5 trminos
filtro centrado de 24 trminos excepto por es una media mvil de 3 trminos de una
los pequeos cambios de fase. media mvil de 3 trminos (3*3 m.a.).
Igualmente, la media mvil ponderada de
Las medias mviles de Henderson de 7 trminos es una media mvil de 3
9, 13 y 23 trminos. Las medias mviles trminos de una media mvil de 5
de Henderson son aplicadas para obtener trminos (3*5 m.a.). Estos dos filtros son
una estimacin mejorada de la tendencia- aplicados a ratios SI (o diferencias) para
ciclo (paso 10). Proporcionan los mismos cada mes por separado, para varios aos.
resultados que se obtendran ajustando los Todas sus ponderaciones son positivas y,
valores intermedios de un polinomio de en consecuencia, reproducen el valor
tercer grado ajustado por mnimos medio de una lnea recta al interior de sus
cuadrados ponderados, donde las tramos. Esta propiedad posibilita que el
ponderaciones dadas a las desviaciones son X11-ARIMA estime una estacionalidad
tan leves como sea posible. linealmente mvil al interior de intervalos
de 5 y 7 aos. Por lo tanto, estos filtros
El hecho de que se asuma que la pueden aproximar muy bien los cambios
tendencia-ciclo sigue una parbola en un estacionales graduales que siguen
intervalo de duracin corta (entre 1 y 2 patrones no lineales en todo el rango de
aos aproximadamente) hace que los las series (ms de 7 aos).
filtros sean adecuados para series de
tiempo econmicas. La media mvil ponderada de 5 trminos
(3*3 m.a.) es un filtro muy flexible que
Ninguno de los filtros de Henderson permite cambios rpidos en la direccin,
usados por el mtodo X11ARIMA elimina pero puesto que la extensin del filtro es
el componente estacional, pero, puesto corta, las irregularidades deben ser
que se aplican a datos que ya estn pequeas para que el ratio SI sea ajustado
desestacionalizados, esta limitacin se exitosamente.
hace irrelevante. Por otro lado, son
extremadamente buenos para ondas de La media mvil ponderada de 7 trminos
cualquier perodo mayor a 1 ao. As, el (3*5 m.a.) es menos flexible y se aplica a
filtro de Henderson de 13 meses, que es la estimacin final de los factores
el ms usado, no reducir la amplitud de estacionales. Para series cuyo componente

irregular es grande, el programa Los filtros del X-11 aplicados a las series
proporciona otros conjuntos de no ajustadas extendidas para la estimacin
ponderaciones opcionales que se aplican de la tendencia-ciclo son de dos colas. Por
a extensiones mayores y, as, producen lo tanto, no pierden puntos de quiebre y
factores estacionales ms ajustados. no introducen cambios de fase, lo que les
permite estimar bien las variaciones
Propiedades Bsicas de los filtros de cclicas.
ajuste a una sola cola (ponderaciones
extremas) del mtodo X11-ARIMA. Los filtros X-11 que estiman los factores
estacionales an son a una cola pero estn
Es inherente a cualquier procedimiento de ms cerca de los filtros simtricos usados
medias mviles que los primeros y ltimos para las observaciones centrales. De este
n puntos de una serie no ajustada no modo, con un ao de datos extrapolados,
puedan ser ajustados con el mismo los pronsticos de los factores estacionales
conjunto de ponderaciones simtricas se obtienen de datos extrapolados con los
aplicadas a los valores intermedios. En el filtros del X-11 usados para producir el
X11-ARIMA el ajuste estacional de los ajuste estacional actual.
aos actuales y los pronsticos de los
factores estacionales son obtenidos de la Es la combinacin de los filtros fijos del X-
combinacin de dos filtros: (i) los filtros a 11 (el mismo para cualquier serie) con los
una cola usados para extrapolar los datos filtros flexibles de los modelos ARIMA
no ajustados de los modelos ARIMA y (ii) (cambian con las series) lo que hace al
los filtros del programa X-11 usados para X11-ARIMA un mejor mtodo que el
la desestacionalizacin. Los filtros de X-11 para el ajuste actual.
extrapolacin de los modelos ARIMA
cambian con las series y, por tanto, son
muy flexibles. Estos filtros reflejan los
movimientos ms recientes de las series,
en particular, la estacionalidad cambiante.

ANEXO 2
MTODO DE DESESTACIONALIZACIN X12 ARIMA
1. INTRODUCCIN lo que indica que se asume que la media

es cero, el modelo regARIMA se reduce
El programa de ajuste estacional X12- a un modelo ARIMA. Existen regresores
ARIMA es una versin mejorada de la para estimar directamente diversos efectos
variante X11 del programa de ajuste de das laborables y feriados de stock y
estacional Census Method II (Shiskin, flujo. Tambin existen regresores para
Young y Musgrave 1967). Las mejoras modelar ciertos tipos de problemas en las
incluyen una interfase ms verstil y series, o cambios repentinos en el nivel,
autoexplicativa para el usuario y una cuyos efectos necesitan ser
variedad de diagnsticos nuevos para temporalmente removidos de los datos
ayudarlo a detectar y remediar antes de que la metodologa X11 pueda
insuficiencias en los ajustes de los efectos desestacionalizar adecuadamente. Para
estacionales y calendarios obtenidos con resolver otro tipo de problemas con los
determinadas opciones del programa. El datos, existe la posibilidad de incorporar
programa tambin incluye varios en el modelo ajustado variables definidas
instrumentos nuevos para resolver por el usuario. El mdulo para modelar el
problemas de ajuste y, por tanto, ampliar regARIMA del X12-ARIMA fue adaptado
el rango de series de tiempo econmicas del programa regARIMA desarrollado por
que pueden ser desestacionalizadas el Departamento de Series de Tiempo de
adecuadamente. Ejemplos del uso de la Divisin de Investigacin Estadstica del
estos instrumentos se pueden encontrar Bureau de Censos.
en Findley y Hood (1999).
Estn presentes o no problemas especiales
La principal fuente de estos instrumentos que requieran el uso de regresores en las
nuevos es el extensivo conjunto de series que van a ser ajustadas, un uso
facilidades para modelos de series de fundamentalmente importante que se le
tiempo que contiene el programa y que da a los modelos regARIMA es la
ayudan a obtener lo que llamamos extensin de las series hacia adelante (o
modelos regARIMA. Estos son modelos hacia atrs) para mejorar la
con errores ARIMA (procesos desestacionalizacin de los datos ms
autorregresivos integrados y de medias recientes (y de los ms antiguos). Hacer
mviles). De manera ms precisa, son esto mitiga los problemas inherentes en
modelos en los que la media de las series la estimacin tendencial y en los procesos
de tiempo (o su logaritmo) es descrita por de medias estacionales asimtricas del tipo
una combinacin lineal de regresores y la usado por el mtodo X11 casi al final de
estructura de la covarianza es la de un las series. La provisin de esta extensin
proceso ARIMA. Si no se usan regresores, fue la mejora tcnica ms importante

ofrecida por el programa X11-ARIMA est diseado para construir modelos

ampliamente usado por el Statistics regARIMA con series de tiempo
Canada. Sus beneficios, tanto tericos econmicas estacionales. Para este fin,
como empricos, han sido documentados estn disponibles varias categoras de varia-
en muchas publicaciones, incluyendo a bles predefinidas en el X12-ARIMA,
Geweke (1978), Dagum (1988) y Bobbitt incluyendo constantes de tendencia o
y Otto (1990) y los artculos citados en medias globales, efectos estacionales fijos,
estos trabajos. efectos de das laborables, efectos de das
feriados, cambios de nivel y datos atpicos.
El mdulo de desestacionalizacin usa el Las variables definidas por el usuario
mtodo X11 detallado en Shiskin, Young tambin pueden ser fcilmente ledas e
y Musgrave (1967) y Dagum (1988). El incluidas en los modelos. El programa est
programa tiene todas las facilidades de diseado para capacidades especficas que
ajuste estacional del X11 y del X11- se necesitan para modelar el regARIMA y
ARIMA. Estn disponibles las mismas no pretende ser un paquete estadstico
medias mviles estacionales y de general. En particular, el X12-ARIMA
tendencia, y el programa an ofrece las debera ser usado junto con otros
rutinas de ajuste de das calendario y softwares capaces de producir grficos de
feriados del X11. series de tiempo de alta resolucin.
El mdulo de desestacionalizacin tambin Las observaciones (datos) de la serie de

ha sido mejorado por la adicin de varias tiempo que va a ser modelada y/o
opciones nuevas que incluyen: desestacionalizada usando el X12-ARIMA
deben ser cuantitativas, no binarias ni
(a) los procedimientos de diagnstico categricas. Las observaciones deben ser
sliding spans, ilustrados en Findley, de la misma frecuencia y no se permiten
Monsell, Shulman y Pugh (1990); valores perdidos. El X12-ARIMA slo
(b) la capacidad de producir las revisiones trabaja con series de tiempo univariadas,
histricas de un ajuste estacional dado; es decir, no estima relaciones entre
(c) una nueva rutina del filtro de distintas series de tiempo.
Henderson que le permite al usuario
escoger cualquier nmero impar para El X12-ARIMA usa la notacin estndar
la extensin del filtro de Henderson; (p, d, q)(P, D, Q)s para modelos ARIMA
(d) nuevas opciones para filtros estacionales. El (p, d, q) se refiere a los
estacionales; rdenes del proceso autorregresivo (AR),
(e) varias opciones nuevas para detectar de los operadores de diferencias y de me-
datos atpicos en el componente irre- dias mviles (MA), respectivamente. El
gular del ajuste estacional; (P, D, Q) s se refiere a los ordenes del
(f) una tabla de factores de das laborables proceso autorregresivo, operadores de
por tipo de da; diferencias y medias mviles estacionales.
(g) un modo de ajuste estacional seudo El subndice s denota el perodo
aditivo. estacional, por ejemplo, s = 12 para datos
El mdulo para modelar el X12-ARIMA mensuales. Se permite gran flexibilidad en

la especificacin de las estructuras especificadas por el usuario (como

ARIMA: se puede usar cualquier orden regresores para das laborables o de Pascuas)
de AR, MA y operador de diferencias; se deben ser incluidas en una serie particular.
permite rezagos perdidos en los procesos Tambin se pueden generar historias para
AR y MA; y los parmetros AR y MA los estadsticos de verosimilitud (como el
pueden ser fijados en valores especificados AICC, una versin del AIC de Akaike que
por el usuario. ajusta la extensin de las series que estn
siendo modeladas) y pronsticos para
Para el usuario que desee introducir series facilitar comparaciones entre modelos
de tiempo personalizadas, el X12-ARIMA alternativos.
proporciona facilidades para las tres
etapas de modelacin: identificacin, 2. EL AJUSTE ESTACIONAL
estimacin y diagnstico. La especificacin
de un modelo regARIMA requiere la En cualquier desestacionalizacin X12-
especificacin de las variables que van ARIMA, las series de tiempo originales (O)
a ser incluidas en el modelo y tambin son descompuestas en tres componentes
del tipo de modelo ARIMA para los errores principales:
de regresin (es decir, los rdenes
(p,d,q)(P,D Q)s). La especificacin de las Tendencia-Ciclo (C):
variables depende del conocimiento del
usuario con respecto a las series que estn Son movimientos de largo y mediano plazo
siendo modeladas. La identificacin del de las series, incluyendo puntos de
modelo ARIMA para los errores sigue quiebre secuenciales.
procedimientos bien establecidos basados
en el examen de diversas funciones de Componente Estacional (S):
autocorrelacin muestral y autocorrelacin
parcial producidas por el X12-ARIMA. Una Son fluctuaciones alrededor de la
vez que se ha especificado un modelo tendencia al interior de un ao que se
regARIMA, el X12-ARIMA estimar sus repiten de manera similar en el mismo
parmetros por mxima verosimilitud mes o trimestre de ao a ao.
usando un algoritmo de mnimos cuadrados
generalizados iterativos (IGLS). El Componente Irregular (I):
diagnstico involucra la inspeccin de los
residuos del modelo ajustado verificando Es el componente residual que permanece
los signos y la insuficiencia del modelo. El despus de que el componente estacional
X12-ARIMA puede producir pronsticos y la tendencia han sido removidos de las
puntuales, errores estndar de los series (y tambin los das laborables y
pronsticos e intervalos de prediccin para feriados una vez que han sido
el modelo regARIMA ajustado. identificados). Se caracteriza por
En adicin a estas caractersticas, el X12- movimientos de muy corta duracin. Estos
ARIMA tiene un procedimiento automtico movimientos pueden ser muy grandes si
de seleccin de modelos y una opcin que hay huelgas u otros eventos econmicos
usa el AICC para determinar si las variables inusuales de corta duracin.

Modelos para obtener la serie

desestacionalizada. El modelo seudo-aditivo es considerado
cuando algunos meses (o trimestres)
Dependiendo principalmente de la tienen valores extremadamente pequeos
naturaleza de los movimientos estacionales (debido a vacaciones o al clima, por
de una serie, se usa varios modelos ejemplo), y el resto de meses parecen
diferentes para describir el modo en el que tener una estacionalidad multiplicativa. Si
los componentes C, S e I se combinan la magnitud del componente estacional no
para formar la serie original O. El X12- parece estar afectada por el nivel de las
ARIMA proporciona modos de series, entonces la serie tiene
desestacionalizacin adecuados para estacionalidad aditiva, y el modo aditivo
cuatro diferentes modelos de es adecuado.
descomposicin. En el siguiente cuadro se
presenta los modos de El modo aditivo logartmico proporciona
desestacionalizacin y sus modelos para una descomposicin multiplicativa
la serie original (O) y desestacionalizada alternativa que puede ser til para ciertos
(SA). anlisis economtricos, usualmente
relacionados con consideraciones de
Cuadro N2: Modos de desestacionalizacin
modelos de series de tiempo. Para el ajuste
y sus modelos aditivo logartmico, la tendencia se calcula
Modo Modelo para O Modelo para SA a partir de una descomposicin aditiva de
Multiplicativo O=C*S*I SA = C * I la serie en logaritmos (log(O)), de modo
Aditivo O=C+S+I SA = C + I que la tendencia aditiva debe ser
Seudo-aditivo O = C * [S + I 1] SA = C * I exponenciada para derivar una tendencia
Aditivo logartmico Log (O) = C + S + I SA = exp (C + I) con las mismas unidades que la serie origi-
nal. Esto resulta en una estimacin sesgada
hacia abajo de la tendencia; este sesgo es
El modo por defecto es el multiplicativo. ajustado en el X12 ARIMA usando el
Esto se debe a que, para la mayora de procedimiento de correccin del sesgo
series de tiempo econmicas estacionales, descrito en Thomson y Ozaki (1992).
las magnitudes de las fluctuaciones
estacionales parecen aumentar y disminuir Para los ajustes estacionales multiplicativo,
proporcionalmente con incrementos y seudo-aditivo y aditivo logartmico, se
reducciones en el nivel de las series. Se asume que los componentes estacionales
dice que una serie con este tipo de e irregulares son ratios centrados en 1. En
comportamiento tiene estacionalidad el output principal se expresan como
multiplicativa. Para estimar los porcentajes de modo que estn centrados
componentes multiplicativos, el programa en 100. Para el ajuste aditivo, los
usa el mtodo de razn a promedios componentes estacional e irregular estn
mviles cuyos detalles se dan en Shiskin, en las mismas unidades que las series de
Young y Musgrave (1967), Dagum (1988) tiempo originales y varan alrededor de 0.
y Baxter (1994), entre otros.

Los ajustes multiplicativo y seudo-aditivo la iteracin final el programa calcula el ra-

dan resultados muy similares para la mayora tio de estacionalidad mvil (I/S, tambin
de series con estacionalidad multiplicativa, llamado el MSR global). Luego el
a menos que la amplitud estacional de las programa escoge si usar una media mvil
series sea grande. Si el factor estacional de 3*3, 3*5 o 3*9 basado en el tamao
ms pequeo es 0.7 o menos, habr del MSR global. Para mayor informacin
diferencias notables entre los ajustes sobre el ratio de estacionalidad mvil, vea
multiplicativo y seudo-aditivo. Si el factor Lothian (1984).
estacional ms pequeo es 0.5 o menos,
probablemente esta diferencia sea Extensin del pronstico
importante. Si un ajuste multiplicativo pro-
duce muchos ms valores extremos en Como se mencion en la introduccin, un
meses (o trimestres) con factores uso importante de los modelos regARIMA
estacionales pequeos que aquellos meses es extender las series con pronsticos (y
con factores estacionales grandes, datos fuera de la muestra) para mejorar la
entonces el ajuste seudo-aditivo desestacionalizacin de las observaciones
probablemente sea el mejor. Para mayores ms recientes (y ms antiguas). Por lo tanto,
detalles sobre cundo usar el ajuste seudo- el X12 ARIMA extender las series con
aditivo, vea Baxter (1994). un ao de pronsticos antes del ajuste
estacional siempre que se especifique un
Por simplicidad, esta discusin ha ignorado modelo regARIMA sin el spec forecast.
los efectos de los das laborables (trading Para especificar un ajuste estacional sin
days) y de los feriados. Cuando stos son extensiones de pronsticos, escriba
estimados, agregan factores adicionales a maxlead = 0 en el spec forecast.
la descomposicin y, dependiendo de
cmo sean definidos, el ajuste puede llevar Los efectos estacionales residuales y
a mayores diferencias entre los totales de das laborables (trading days) en las
anuales de las series ajustadas y los totales series ajustadas
anuales de las series originales.
Una rutina busca cada uno de los espectros
Seleccin del filtro estacional para los picos en las frecuencias
automtico estacionales y de das laborables. Se
visualiza un mensaje de advertencia si se
Este procedimiento es tomado del X11 encuentra significativos picos, y tambin
ARIMA/88, vea Dagum (1988). Para las el grfico en el que se encontr un pico.
primeras dos iteraciones del ajuste Cuando se usa la opcin de output
estacional, se usa una media mvil de 3*3 restringido (la opcin n), el grfico no se
para calcular los factores estacionales produce en el output principal, pero se
iniciales y se usa una media mvil de 3*5 visualiza un mensaje sugiriendo que el
para calcular los factores estacionales fi- usuario vuelva a correr el programa sin la
nales. En la tercera y final iteracin, se usa opcin n.
una media mvil de 3*3 para calcular los
factores estacionales iniciales, pero para

Cambios de nivel y tendencia final de calidad de la desestacionalizacin,

Henderson especialmente cuando el patrn estacional
est cambiando. No es natural si el ajuste
Cuando los cambios de nivel son de los das laborables est siendo
estimados y removidos de la serie antes ejecutado porque el efecto agregado de
del ajuste estacional, son regresados a la los das laborables en un ao es variable y
tendencia-ciclo final de Henderson (Tabla moderadamente diferente de cero.
D12), de modo que este componente
tendr el nivel de los datos observados. Tratamiento de las series no
Tambin se puede obtener una tabla de la estacionales
tendencia-ciclo de las series de tiempo
ajustadas al cambio de nivel escribiendo Una serie no estacional puede ser
print = trendadjls. descompuesta en un componente
tendencia-ciclo y un componente irre-
Ajuste de das de Pascua gular usando la opcin type=trend. Esta
descomposicin es obtenida por medio de
Las opciones de ajuste de das de Pascua una simplificacin del procedimiento de
en este spec no pueden ser usadas cuando descomposicin estacional X-11 que slo
se especifica en el spec regression das retiene los pasos relacionados con las
feriados basados en el modelo regARIMA, tendencias de Henderson y la deteccin
o si se especifica un ajuste de das de de valores extremos.
Pascua en el spec x11regression.
Totales anuales
Forzar a los totales desestacionalizados a

ser los mismos que los totales anuales de
las series originales puede degradar la

ANEXO 3
RESULTADOS OBTENIDOS CON EL METODO DE RAZN A

PROMEDIOS MVILES
En este anexo se presentan los resultados obtenidos, siguiendo los 5 pasos que se
indican en la seccin Presentacin del Mtodo de Razn a Promedios Mviles.
En el primer cuadro se presenta la Serie Original
PBIPBI
TOTAL
19911991-2001
- 2001
1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
ENERO 79.44 84.99 78.39 90.34 104.84 105.80 115.08 114.48 113.12 119.10 117.39
FEBRERO 77.38 80.48 79.56 85.96 99.38 101.83 108.55 112.19 111.62 117.19 114.10
MARZO 79.39 84.61 86.60 96.53 107.90 108.02 113.17 118.52 119.80 126.75 122.67
ABRIL 85.32 83.25 87.71 100.19 107.86 110.81 126.46 122.71 119.70 125.80 125.90
MAYO 90.65 86.94 88.78 104.18 119.87 121.25 129.47 123.73 128.40 137.23 136.72
JUNIO 89.85 87.84 93.92 103.92 113.45 117.86 123.61 123.10 125.32 131.08 128.15
JULIO 94.74 84.29 89.87 100.89 110.52 114.37 118.11 120.47 118.22 124.35 124.00
AGOSTO 84.15 81.60 91.30 101.42 109.51 110.59 116.78 117.79 114.95 121.41 122.98
SETIEMBRE 83.62 81.25 89.69 100.02 104.29 106.71 116.88 115.98 116.03 114.61 117.75
OCTUBRE 87.98 85.65 90.40 101.86 107.23 110.54 119.18 115.75 119.47 120.08 123.48
NOVIEMBRE 83.61 84.88 91.46 104.90 109.09 112.39 116.51 115.92 121.75 119.46 122.01
DICIEMBRE 83.49 89.46 95.97 109.79 109.07 115.32 121.81 117.37 123.06 119.13 124.07
Fuente: INEI
Los valores obtenidos al estimar la componente de Tendencia Ciclo (Paso-1) son los
siguientes:
Componente Tendencia - Ciclo
1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
ENERO 85.04 85.41 94.61 106.42 109.77 115.68 118.76 118.34 122.81 121.98
FEBRERO 84.50 86.04 95.49 107.15 109.97 116.09 118.90 118.13 123.33 122.03
MARZO 84.29 86.80 96.34 107.67 110.12 116.77 118.91 118.01 123.54 122.23
ABRIL 84.10 87.35 97.25 108.07 110.36 117.56 118.73 118.17 123.51 122.50
MAYO 84.05 87.82 98.29 108.47 110.63 118.09 118.56 118.57 123.44 122.75
JUNIO 84.36 88.36 99.42 108.61 111.03 118.53 118.35 119.05 123.18 123.06
JULIO 85.20 84.33 89.13 100.60 108.62 111.68 118.77 118.11 119.54 122.95 123.46
AGOSTO 85.56 84.02 89.90 101.77 108.77 112.34 118.90 118.03 120.02 122.75
SETIEMBRE 85.91 84.06 90.58 102.80 108.87 112.84 119.28 118.06 120.54 122.45
OCTUBRE 86.04 84.33 91.51 103.59 109.00 113.70 119.34 117.99 121.08 122.28
NOVIEMBRE 85.80 84.59 92.68 104.57 109.18 114.70 118.95 118.06 121.71 122.26
DICIEMBRE 85.56 84.92 93.73 105.62 109.42 115.28 118.69 118.34 122.31 122.12

Los valores obtenidos de la componente Estacional Irregular (Paso - 2) son los

siguientes:
Componente Estacional - Irregular
1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
ENERO 1.00 0.92 0.95 0.99 0.96 0.99 0.96 0.96 0.97 0.96
FEBRERO 0.95 0.92 0.90 0.93 0.93 0.94 0.94 0.94 0.95 0.93
MARZO 1.00 1.00 1.00 1.00 0.98 0.97 1.00 1.02 1.03 1.00
ABRIL 0.99 1.00 1.03 1.00 1.00 1.08 1.03 1.01 1.02 1.03
MAYO 1.03 1.01 1.06 1.11 1.10 1.10 1.04 1.08 1.11 1.11
JUNIO 1.04 1.06 1.05 1.04 1.06 1.04 1.04 1.05 1.06 1.04
JULIO 1.11 1.00 1.01 1.00 1.02 1.02 0.99 1.02 0.99 1.01 1.00
AGOSTO 0.98 0.97 1.02 1.00 1.01 0.98 0.98 1.00 0.96 0.99
SETIEMBRE 0.97 0.97 0.99 0.97 0.96 0.95 0.98 0.98 0.96 0.94
OCTUBRE 1.02 1.02 0.99 0.98 0.98 0.97 1.00 0.98 0.99 0.98
NOVIEMBRE 0.97 1.00 0.99 1.00 1.00 0.98 0.98 0.98 1.00 0.98
DICIEMBRE 0.98 1.05 1.02 1.04 1.00 1.00 1.03 0.99 1.01 0.98
Los valores obtenidos de la componente Estacional (Paso 3) son los siguientes:
Componente Estacional
1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
ENERO 0.96 0.95 0.97 0.98 0.97 0.97 0.96 0.96
FEBRERO 0.93 0.92 0.92 0.93 0.93 0.94 0.95 0.94
MARZO 1.00 1.00 1.00 0.98 0.98 0.99 1.01 1.01
ABRIL 1.01 1.01 1.01 1.03 1.04 1.04 1.02 1.02
MAYO 1.04 1.06 1.09 1.10 1.08 1.07 1.08 1.10
JUNIO 1.05 1.05 1.05 1.05 1.05 1.05 1.05 1.05
JULIO 1.04 1.00 1.01 1.01 1.01 1.01 1.00 1.01 1.00
AGOSTO 0.99 0.99 1.01 1.00 0.99 0.99 0.98 0.98
SETIEMBRE 0.98 0.98 0.97 0.96 0.96 0.97 0.97 0.96
OCTUBRE 1.01 1.00 0.98 0.98 0.98 0.98 0.99 0.98
NOVIEMBRE 0.99 1.00 1.00 0.99 0.99 0.98 0.99 0.99
DICIEMBRE 1.02 1.04 1.02 1.01 1.01 1.01 1.01 0.99

Los valores obtenidos de la componente Irregular (Paso 4) son los siguientes:
Componente Irregular
1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
ENERO 0.96 1.00 1.02 0.98 1.02 0.99 0.99 1.01
FEBRERO 1.00 0.98 1.01 1.00 1.00 1.00 1.00 1.01
MARZO 1.00 1.00 1.01 1.00 0.99 1.00 1.00 1.01
ABRIL 1.00 1.02 0.99 0.98 1.04 0.99 0.99 1.00
MAYO 0.98 1.00 1.02 1.00 1.02 0.97 1.00 1.01
JUNIO 1.01 0.99 0.99 1.01 0.99 1.00 1.00 1.01
JULIO 0.96 1.00 0.99 1.00 1.01 0.98 1.02 0.98 1.01
AGOSTO 0.98 1.02 0.99 1.01 0.99 0.99 1.02 0.98
SETIEMBRE 0.99 1.01 1.00 1.00 0.98 1.01 1.01 1.00
OCTUBRE 1.01 0.99 1.00 1.00 0.99 1.01 0.99 1.00
NOVIEMBRE 1.02 0.99 1.01 1.01 0.99 1.00 0.99 1.01
DICIEMBRE 1.04 0.99 1.02 0.98 0.99 1.02 0.98 1.02
Finalmente, los valores obtenidos al desestacionalizar la Serie (Paso 5) son los siguientes:
PBI Desestacionalizada
1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
ENERO 81.88 94.83 108.31 107.82 118.13 117.83 117.44 123.72
FEBRERO 85.93 93.70 108.27 109.56 116.11 119.21 117.96 124.23
MARZO 86.50 96.47 108.44 109.77 115.21 119.27 118.31 124.89
ABRIL 87.00 99.12 106.71 108.01 121.85 117.91 117.16 123.37
MAYO 85.77 98.41 110.27 110.31 120.03 115.17 118.95 124.44
JUNIO 89.46 98.89 108.01 112.29 117.93 117.77 119.09 124.52
JULIO 81.05 89.55 99.94 108.91 113.02 116.61 120.33 117.42 124.16
AGOSTO 82.42 91.81 100.78 109.96 111.58 118.18 120.28 117.10
SETIEMBRE 83.19 91.84 102.72 108.76 111.02 120.58 118.96 120.82
OCTUBRE 84.91 90.80 103.42 109.45 112.24 121.13 117.06 121.51
NOVIEMBRE 85.89 91.66 105.28 109.74 113.97 118.84 117.42 123.42
DICIEMBRE 87.90 92.37 107.63 107.76 114.42 121.07 116.43 124.17

ANEXO 4
RESULTADOS OBTENIDOS CON EL X 12 ARIMA POR DEFECTO
Para obtener las componentes de la serie X-12 monthly seasonal adjustment

PBI (o cualquier otra serie), con la opcin Method,
por defecto que presenta el programa X12 Release Version 0.2.9
ARIMA, se sugieren seguir las siguientes
pasos:
This method modifies the X-11 variant of
1.Digitar la serie cronolgicamente en el Census Method II by J. Shiskin A.H. Young
block de notas. (Se podra hacer primero and J.C. Musgrave of February, 1967. and
en Excel y luego copiar al block de the X-11-ARIMA program based on the
notas). methodological research developed by
Estela Bee Dagum, Chief of the Seasonal
2.Guardar el archivo con la extensin spc. Adjustment and Time Series Staff of Sta-
Por ejemplo: PBI.spc.(Es preferible tistics Canada, September, 1979.
guardar dentro del directorio donde se
encuentra el programa X 12 ARIMA). Primary Programmers: Brian Monsell,
Mark Otto
3.Ingresar al D.O.S. (Smbolo del sistema)
Series Title- PBI
4.Dentro del sistema, dar las siguientes Series Name- PBI
instrucciones: 04/25/02 16:03:06.39
- CD X12 Arima (enter) - Period covered- 1st month,1991 to

- X12 Arima > x12 a pbi (enter) 12th month,2001
- Type of run - multiplicative seasonal
adjustment
Con los que se obtendrn los siguientes - Sigma limits for graduating extreme
resultados: values are 1.5 and 2.5 .
- 3x3 moving average used in section 1
of each iteration, 3x5 moving average
Reading input spec file from PBI.spc in section 2 of iterations B and C,
moving average for final seasonal
1 factors chosen by Global MSR.
- Spectral plots generated for selected
U. S. Department of Commerce, U. S. series
Census Bureau - Spectral plots generated for series
starting in 1994.Jan

FILE SAVE REQUESTS (* indicates file exists and will be overwritten)

PBI.out* program output file
PBI.err* program error file
Contents of spc file PBI.spc

Line #
1: series {title=PBI
2: data = ( 79.44 77.38 79.39 85.32 90.65 89.85 94.74 84.15 83.62 87.98 83.61 3.49
3: 84.99 80.48 84.61 83.25 86.94 87.84 84.29 81.60 81.25 85.65 84.88 9.46
4: 78.39 79.56 86.60 87.71 88.78 93.92 89.87 91.30 89.69 90.40 91.46 5.97
5: 90.34 85.96 96.53 100.19 104.18 103.92 100.89 101.42 100.02 101.86 104.90 109.79
6: 104.84 99.38 107.90 107.86 119.87 113.45 110.52 109.51 104.29 107.23 109.09 109.07
7: 105.80 101.83 108.02 110.81 121.25 117.86 114.37 110.59 106.71 110.54 112.39 115.32
8: 115.08 108.55 113.17 126.46 129.47 123.61 118.11 116.78 116.88 119.18 116.51 121.81
9: 114.48 112.19 118.52 122.71 123.73 123.10 120.47 117.79 115.98 115.75 115.92 117.37
10: 113.12 111.62 119.80 119.70 128.40 125.32 118.22 114.95 116.03 119.47 121.75 123.06
11: 119.10 117.19 126.75 125.80 137.23 131.08 124.35 121.41 114.61 120.08 119.46 119.13
12: 117.39 114.10 122.67 125.90 136.72 128.15 124.00 122.98 117.75 123.48 122.01 124.07)
13: start = 1991.jan}
14:
15: X11{ }
D 8.A F-tests for seasonality
Test for the presence of seasonality assuming stability.
Sum of Dgrs.of Mean

Squares Freedom Square F-Value
Between months 1729.7782 11 157.25257 37.758**
Residual 499.7696 120 4.16475
Total 2229.5479 131
**Seasonality present at the 1 per cent level.
Nonparametric Test for the Presence of Seasonality Assuming Stability
Kruskal-Wallis Degrees of Probability

Statistic Freedom Level
102.8168 11 0.000%
Seasonality present at the one percent level.

Moving Seasonality Test
Sum of Dgrs.of Mean

Squares Freedom Square F-value
Between Years 28.3813 10 2.838128 0.817
Error 382.1975 110 3.474523
No evidence of moving seasonality at the five percent level.
COMBINED TEST FOR THE PRESENCE OF IDENTIFIABLE SEASONALITY
IDENTIFIABLE SEASONALITY PRESENT
D 9.A Moving seasonality ratio
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
I 0.861 1.033 0.809 1.485 0.940 1.026 1.172 0.898 1.111 1.005 1.065 1.184
S 0.126 0.211 0.183 0.210 0.512 0.091 0.162 0.148 0.203 0.281 0.166 0.467
RATIO 6.835 4.905 4.430 7.064 1.836 11.280 7.233 6.067 5.469 3.574 6.413 2.537
D 10 Final seasonal factors

From 1991.Jan to 2001.Dec
Observations 132
Seasonal filter 3 x 5 moving average
-
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec AVGE
-
1991 97.0 92.8 99.8 100.3 105.1 105.0 100.9 99.0 97.5 100.4 98.9 103.4 100.0
1992 97.0 92.7 99.8 100.4 105.4 104.9 100.9 99.1 97.4 100.1 99.0 103.1 100.0
1993 97.0 92.5 99.7 100.5 105.9 105.0 101.0 99.4 97.1 99.6 99.2 102.7 100.0
1994 97.0 92.4 99.7 100.7 106.7 105.0 101.0 99.6 96.9 99.0 99.2 102.2 100.0
1995 96.9 92.5 99.6 101.2 107.6 104.9 101.1 99.5 96.8 98.6 99.1 101.6 99.9
1996 96.7 92.8 99.7 101.5 108.4 104.8 101.0 99.3 96.8 98.4 98.8 101.0 99.9
1997 96.5 93.3 100.0 101.7 109.0 104.9 100.9 99.0 96.7 98.4 98.6 100.4 99.9
1998 96.4 93.8 100.4 101.8 109.4 104.9 100.7 98.7 96.6 98.5 98.4 100.0 100.0
1999 96.2 94.0 100.7 102.0 109.7 104.9 100.5 98.7 96.5 98.5 98.3 99.6 100.0
2000 96.2 94.2 100.9 102.1 109.9 104.8 100.3 98.7 96.3 98.6 98.4 99.4 100.0
2001 96.2 94.3 101.1 102.0 110.0 104.9 100.3 98.7 96.1 98.6 98.5 99.2 100.0
AVGE 96.6 93.2 100.1 101.3 107.9 104.9 100.8 99.1 96.8 99.0 98.8 101.1
Table Total- 13195.52 Mean- 99.97 Std. Dev.- 3.75

Min - 92.44 Max - 109.96

D 10.A Final seasonal component forecasts

Observations 12
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec AVGE
2002 96.2 94.3 101.1 102.0 110.0 105.0 100.3 98.7 96.0 98.6 98.6 99.1 100.0
D 11 Final seasonally adjusted data

Observations 132
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec TOTAL
1991 82. 83. 80. 85. 86. 86. 94. 85. 86. 88. 85. 81. 1019.
1992 88. 87. 85. 83. 83. 84. 84. 82. 83. 86. 86. 87. 1016.
1993 81. 86. 87. 87. 84. 89. 89. 92. 92. 91. 92. 93. 1064.
1994 93. 93. 97. 99. 98. 99. 100. 102. 103. 103. 106. 107. 1200.
1995 108. 107. 108. 107. 111. 108. 109. 110. 108. 109. 110. 107. 1303.
1996 109. 110. 108. 109. 112. 112. 113. 111. 110. 112. 114. 114. 1336.
1997 119. 116. 113. 124. 119. 118. 117. 118. 121. 121. 118. 121. 142 6.
1998 119. 120. 118. 121. 113. 117. 120. 119. 120. 118. 118. 117. 141 9.
1999 118. 119. 119. 117. 117. 120. 118. 117. 120. 121. 124. 124. 1432.
2000 124. 124. 126. 123. 125. 125. 124. 123. 119. 122. 121. 120. 1476.
2001 122. 121. 121. 123. 124. 122. 124. 125. 123. 125. 124. 125. 1479.
AVGE 106. 106. 106. 107. 107. 107. 108. 108. 108. 109. 109. 109.

Min - 79.56 Max - 125.57
Test for the presence of residual seasonality.
No evidence of residual seasonality in the entire series at the

1 per cent level. F = 0.19
No evidence of residual seasonality in the last 3 years at the

1 per cent level. F = 0.70
No evidence of residual seasonality in the last 3 years at the

5 per cent level.
Note: sudden large changes in the level of the adjusted series will
invalidate the results of this test for the last three year period.

D 12 Final trend cycle

Observations 132
Trend filter 13-term Henderson moving average
I/C ratio 2.25
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec TOTAL
1991 83. 83. 84. 85. 85. 86. 86. 86. 86. 86. 86. 86. 1023.
1992 86. 85. 85. 84. 83. 83. 83. 83. 84. 85. 85. 86. 1013.
1993 86. 86. 87. 87. 88. 89. 90. 91. 91. 92. 92. 93. 1073.
1994 94. 95. 96. 97. 98. 99. 100. 101. 103. 104. 106. 107. 1201.
1995 107. 108. 108. 108. 109. 109. 109. 109. 109. 109. 109. 109. 1303.
1996 109. 109. 110. 110. 111. 112. 112. 112. 112. 112. 113. 114. 1336.
1997 116. 117. 117. 118. 118. 118. 118. 119. 119. 120. 120. 120. 1420.
1998 120. 119. 119. 119. 119. 119. 119. 119. 119. 118. 118. 118. 1426.
1999 118. 118. 118. 118. 118. 118. 118. 119. 120. 121. 123. 124. 1434.
2000 124. 125. 125. 125. 125. 124. 124. 123. 122. 122. 121. 121. 1480.
2001 121. 122. 122. 123. 123. 123. 124. 124. 124. 124. 124. 125. 1478.
AVGE 106. 106. 106. 107. 107. 107. 108. 108. 108. 109. 109. 109.

Min - 82.69 Max - 124.74
D 13 Final irregular component

Observations 132
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec S.D.

1991 99.0 99.9 94.5 100.2 100.9 99.6 109.0 98.8 99.8 102.0 98.2 93.9 3.6
1992 102.1 101.7 100.1 98.7 99.0 101.0 100.7 98.7 99.2 100.9 100.4 101.0 1.2
1993 93.7 99.5 100.1 99.9 95.2 100.5 98.9 101.2 101.0 98.9 99.9 100.6 2.4
1994 99.3 97.9 100.7 102.1 99.2 99.6 99.5 100.4 100.4 98.7 100.2 100.7 1.1
1995 100.7 99.5 100.1 98.3 102.6 99.4 100.4 100.9 98.8 99.9 101.2 98.7 1.2
1996 100.6 100.7 98.8 99.0 100.7 100.8 101.3 99.4 98.3 99.9 100.4 99.9 0.9
1997 103.2 99.7 96.4 105.5 100.6 99.7 98.8 99.3 101.2 101.1 98.5 101.2 2.3
1998 99.3 100.3 99.2 101.4 95.1 98.7 100.6 100.3 101.1 99.3 99.7 99.6 1.6
1999 99.8 100.7 100.8 99.4 99.2 101.2 99.3 97.7 99.9 99.8 101.0 100.0 0.9
2000 99.7 100.0 100.7 98.8 100.2 100.6 100.1 99.9 97.2 100.0 100.2 99.1 1.0
2001 100.7 99.6 99.4 100.6 101.0 99.0 100.0 100.7 98.9 100.9 99.6 100.3 0.7
S.D. 2.3 0.9 2.1 2.0 2.3 0.8 2.8 1.1 1.3 1.0 0.9 2.0

Min - 93.74 Max - 109.04

F 3. Monitoring and Quality Assessment Statistics

All the measures below are in the range from 0 to 3 with an acceptance region
from 0 to 1.
1. The relative contribution of the irregular over three months span (from Table F
2.B). M1 = 0.376
2. The relative contribution of the irregular component to the stationary portion

of the variance (from Table F 2.F). M2 = 0.215
3. The amount of month to month change in the irregular component as com-

pared to the amount of month to month change in the trend-cycle (from Table
F2.H). M3 = 0.627
4. The amount of autocorrelation in the irregular as described by the average

duration of run (Table F 2.D). M4 = 0.054
5. The number of months it takes the change in the trend-cycle to surpass the
amount of change in the irregular (from Table F 2.E). M5 = 0.650
6. The amount of year to year change in the irregular as compared to the

amount of year to year change in the seasonal (from Table F 2.H).
M6 = 0.225
7. The amount of moving seasonality present relative to the amount of stable

seasonality (from Table F 2.I). M7 = 0.354
8. The size of the fluctuations in the seasonal component throughout the

whole series M8 = 0.523
9. The average linear movement in the seasonal component throughout the

whole series M9 = 0.415
10. Same as 8, calculated for recent years only M10 = 0.588
11. Same as 9, calculated for recent years only M11 = 0.579
*** ACCEPTED *** at the level 0.40

*** Q (without M2) = 0.42 ACCEPTED.

ANEXO 5
RESULTADOS OBTENIDOS CON EL X 12 ARIMA INCORPORANDO UN

MODELO ARIMA
Las instrucciones previas para la desestacionalizacin incorporando un modelo especfico,

son las mismas que el procedimiento por defecto, a excepcin de las sentencias del
modelo ARIMA incorporado (que se presentan en negritas dentro de la salida del
programa).
Los resultados y las instrucciones de modelizacin se presentan a continuacin:
Reading input spec file from PBI.spc
U. S. Department of Commerce, U. S. Census Bureau
X-12-ARIMA monthly seasonal adjustment Method, Release Version 0.2.8
This method modifies the X-11 variant of Census Method II by J. Shiskin A.H.
Young and J.C. Musgrave of February, 1967. and the X-11-ARIMA program based
on the methodological research developed by Estela Bee Dagum, Chief of the Sea-
sonal Adjustment and Time Series Staff of Statistics Canada, September, 1979.
Primary Programmers: Brian Monsell, Mark Otto
Series Name- PBI

05/08/02 10:50:41.31
-Period covered- 1st month,1991 to 12th month,2001

-Type of run - multiplicative seasonal adjustment
-Sigma limits for graduating extreme values are 1.5 and 2.5 .
-3x3 moving average used in section 1 of each iteration,
3x5 moving average in section 2 of iterations B and C,
moving average for final seasonal factors chosen by Global MSR.
-Spectral plots generated for selected series
-Spectral plots generated for series starting in 1994.Jan

FILE SAVE REQUESTS (* indicates file exists and will be overwritten)

PBI.d10 final seasonal factors
PBI.d11 final seasonally adjusted data
PBI.d12 final trend cycle
PBI.d13 final irregular component
PBI.out program output file
PBI.err program error file
Contents of spc file PBI.spc
Line #
1: series {PBI
2: data = ( 79.44 77.38 79.39 85.32 90.65 89.85 94.74 84.15 83.62 87.98 83.61 83.49
3: 84.99 80.48 84.61 83.25 86.94 87.84 84.29 81.60 81.25 85.65 84.88 89.46
4: 78.39 79.56 86.60 87.71 88.78 93.92 89.87 91.30 89.69 90.40 91.46 95.97
5: 90.34 85.96 96.53 100.19 104.18 103.92 100.89 101.42 100.02 101.86 104.90 109.79
6: 104.84 99.38 107.90 107.86 119.87 113.45 110.52 109.51 104.29 107.23 109.09 109.07
7: 105.80 101.83 108.02 110.81 121.25 117.86 114.37 110.59 106.71 110.54 112.39 115.32
8: 115.08 108.55 113.17 126.46 129.47 123.61 118.11 116.78 116.88 119.18 116.51 121.81
9: 114.48 112.19 118.52 122.71 123.73 123.10 120.47 117.79 115.98 115.75 115.92 117.37
10: 113.12 111.62 119.80 119.70 128.40 125.32 118.22 114.95 116.03 119.47 121.75 123.06
11: 119.10 117.19 126.75 125.80 137.23 131.08 124.35 121.41 114.61 120.08 119.46 119.13
12: 117.39 114.10 122.67 125.90 136.72 128.15 124.00 122.98 117.75 123.48 122.01 124.07)
13: start = 1991.jan}
14: TRANSFORM{FUNCTION=LOG}
15: ARIMA{MODEL=(0,1,1)(1,1,1)
16: AR=(-0.160f)
17: ma=(0.4132f, 0.8837f)}
18: forecast {maxlead=12 maxback=12}
19: X11{appendfcst=yes
20: final=user
21: SAVE = (D10 D11 D12 D13)
22: print=brief }
MODEL DEFINITION
Transformation
Log(y)
ARIMA Model
(0,1,1)(1,1,1)
regARIMA Model Span

MODEL ESTIMATION/EVALUATION
Exact ARMA likelihood estimation
Max total ARMA iterations 200
Convergence tolerance 1.00E-05
Average absolute percentage error in within-sample forecasts:

Last year: 2.03 Last-1 year: 3.22 Last-2 year: 1.42
Last three years: 2.22
ARIMA Model: (0,1,1)(1,1,1)

Nonseasonal differences: 1
Seasonal differences: 1
Parameter Value (fixed)

-
Seasonal AR
Lag 12 -0.1600
Nonseasonal MA
Lag 1 0.4132
Seasonal MA
Lag 12 0.8837
Variance 0.78191E-03
-
NOTE: Fixed values have been assigned to some regression and ARIMA model coef-
ficients. If these values are estimates calculated by X-12-ARIMA, then the model
comparison statistics (AIC, AICC, Hannan Quinn, and BIC) and the P-values of the Qs
of the sample autocorrelations of the residuals below are invalid and should not be
used.
Likelihood Statistics
Effective number of observations (nefobs) 119

Number of parameters estimated (np) 1
Log likelihood 246.2989
Transformation Adjustment -558.0515
Adjusted Log likelihood (L) -311.7526
AIC 625.5052
AICC (F-corrected-AIC) 625.5394
Hannan Quinn 626.6337
BIC 628.2843

FORECASTING
Origin 2001.Dec
Number 12
Forecasts and Standard Errors of the Transformed Data

Standard
Date Forecast Error

2002.Jan 4..78 0.028
2002.Feb 4.75 0.032
2002.Mar 4.82 0.036
2002.Apr 4.84 0.040
2002.May 4.90 0.043
2002.Jun 4.88 0.046
2002.Jul 4.84 0.049
2002.Aug 4.82 0.052
2002.Sep 4.80 0.054
2002.Oct 4.83 0.057
2002.Nov 4.83 0.059
2002.Dec 4.86 0.061

Confidence intervals with coverage probability (0.95000) On the

Original Scale
-
Date Lower Forecast Upper
-
2002.Jan 112.95 119.31 126.03
2002.Fe 108.56 115.68 123.27
2002.Mar 115.50 124.02 133.18
2002.Apr 117.26 126.79 137.10
2002.May 123.00 133.84 145.65
2002.Jun 120.17 131.54 143.99
2002.Jul 114.96 126.54 139.29
2002.Aug 112.30 124.26 137.49
2002.Sep 109.49 121.75 135.39
2002.Oct 111.87 125.00 139.67
2002.Nov 111.99 125.70 141.09
2002.Dec 114.16 128.71 145.11


BIBLIOGRAFA
- "The X11 ARIMA/88 SEASONAL AD- - "INTRODUCCIN A LA

JUSTMENT METHOD" ECONOMETRA"
Estela Bee Dagum. Octubre, 1988 Oskar Lange.
Fondo de Cultura Econmica. 1978
- "DESESTACIONALIZACIN DE SERIES
DE TIEMPO ECONMICAS: - "PRONSTICOS EN LOS NEGOCIOS"
INTRODUCCIN A LA John E. Hanke - Arthur G. Reitsh
METODOLOGA" Prentice Hall Hispanoamerica, S. A.
Vctor M. Guerrero. 1996
Revista Comercio Exterior, Noviembre
1990 - "INTRODUCCIN AL X11 ARIMA/
88. MTODO DE AJUSTE
- "DESESTACIONALIZACIN DE SERIES ESTACIONAL"
DE TIEMPO ECONMICAS: AJUSTES Sandra Hernndez R.
PREVIOS" En Seminario - Taller sobre mtodos
Vctor M. Guerrero. economtricos, Series de Tiempo y
Revista Comercio Exterior, 1996. Anlisis de Coyuntura. El Salvador.
- "DESESTACIONALIZACIN DE SERIES - "AJUSTE ESTACIONAL: CONCEPTOS,

DE TIEMPO ECONMICAS" MTODOS Y PRCTICAS: AJUSTE DE
Instituto Nacional de Estadstica, SERIES MENSUALES O TRIMESTRALES
Noviembre 1996. A DATOS ANUALES"
Norma Chhab Alperin.
- "ANLISIS ESTADSTICO DE SERIES II Reunin de Expertos en Cuentas
ECONMICAS" Nacionales de la Comunidad andina.
Vctor Correa, Pablo Marshall, La Paz, Bolivia, 2001.
Ernestina Prez
Estadstica & Economa 1. Revista del - "DESESTACIONALIZACIN DE LAS
Instituto Nacional de Estadstica . Chile. SERIES MACROECONMICAS:
OFERTA Y DEMANDA GLOBALES"
- "ANLISIS DE SERIES DE TIEMPO" Patricia Botargues y Marina Pecar
Edith Seier. En http://www.mecovi.gor.ar/secpro/
Facultad de Ciencias Matemticas. dir_cn/desestacionalizacion/doc1.htm
UNMSM. 1993

- "X12 ARIMA REFERENCE MANUAL. - "ANLISIS ECONOMETRICO"

Versin 0.2.8" William H. Greene
U.S. Census Bureau. 2001 Edit. Prentice may. 1997
En http://www.census.gov/srd/www/
x12a/ - MEMORIAS 1991-2000
Banco Central de Reserva del Per.
- "ECONOMETRIA"
A. Novales - "EL PRODUCTO POTENCIAL
McGraaw-Hill. Espaa 1993 UTILIZANDO EL FILTRO DE
HODRICK-PRESCOTT: UNA
- "MEASURING BUSINESS CYCLES" APLICACIN PARA COLOMBIA"
Burns, A. F., y W. C. Mitchell Luis Fernando Melo Velandia y
National bureau of Economic Research. lvaro Riascos Villegas.
1946 En MONETARIA, Abr-Jun. 2000.
- "FOR A RETURN TO PRAGMATISM". - PERU: COMPENDIO ESTADSTICO

Blanchard, O.J. 2001
En "The Busines Cycle:Theories and Instituto Nacional de Estadstica e
Evidence". Belongia, M.T., y Garfinkel, Informtica.
M.R., eds.1992
- PROBABILIDAD Y ESTADSTICA
- "UNDERSTANDING BUSINESS CYCLES" APLICADAS A LA INGENIERIA
Lucas, R.E. En Carnegie-Rochester Douglas C. Montgomery y George
Conference series on Public Policy, C. Runger.
5. 1977. Edit. Mac Graw Hill, 1996

Libro PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Libro PDF

Cargado por

Copyright:

Formatos disponibles

Centro de Investigacin y

Lima, Junio 2002

Econ. Mirlena Villacorta Olazabal

Est. Fernando Camones Gonzales

El CIDE agradece la entusiasta y profesional cooperacin de la Direccin Tcnica de

Preparado : Centro de Investigacin y Desarrollo del Instituto Nacional de

2 DESESTACIONALIZACION DE SERIES ECONOMICAS

Este documento est dirigido a los estudiantes, profesionales,

El INEI espera como resultado de este trabajo, potenciar el adecuado uso

Lima, Junio 2002

Gilberto Moncada Vigo

DESESTACIONALIZACION DE SERIES ECONOMICAS 3

4 DESESTACIONALIZACION DE SERIES ECONOMICAS

II. DESESTACIONALIZACION ............................................................... 13

2.1 Qu es estacionalidad? ................................................................................... 13

2.2 Mtodos para desestacionalizar una serie ....................................................... 14

2.3 Aplicacin ilustrativa de la desestacionalizacin .......................................... 15

2.4 Presentacin del mtodo de razn a promedios mviles ............................ 20

2.5 Metodologa de desestacionalizacin con el X12 ARIMA .......................... 22

III. OBSERVACIONES ............................................................................... 27

1. Mtodo de desestacionalizacin X11 ARIMA ............................................... 31

DESESTACIONALIZACION DE SERIES ECONOMICAS 5

6 DESESTACIONALIZACION DE SERIES ECONOMICAS

El presente documento elaborado con promedios mviles, prestando atencin

DESESTACIONALIZACION DE SERIES ECONOMICAS 7

defecto que provee el software, como El anexo 1, resea el mtodo de

8 DESESTACIONALIZACION DE SERIES ECONOMICAS

La desestacionalizacin est asociada a la la primera guerra mundial y estn

DESESTACIONALIZACION DE SERIES ECONOMICAS 9

presentan cierta tendencia general tendencia de los ciclos econmicos

4/ El procedimiento descrito para aislar las fluctuaciones

10 DESESTACIONALIZACION DE SERIES ECONOMICAS

DESESTACIONALIZACION DE SERIES ECONOMICAS 11

polticas o institucionales peculiares para parte de un proceso integrado,

Por otra parte, los desarrollos tericos que

12 DESESTACIONALIZACION DE SERIES ECONOMICAS

2.1 QU ES LA ESTACIONALIDAD? debidas al efecto de la Navidad en el

y reglas administrativas, como las

DESESTACIONALIZACION DE SERIES ECONOMICAS 13

Porque al contar con series 2.2.1 Qu mtodo aplicar?

14 DESESTACIONALIZACION DE SERIES ECONOMICAS

2.2.2 Qu modelo utilizar para Xt

Este modelo asume que los componentes

Los componentes estn expresados en

En este modelo, la serie desestacionalizada

DESESTACIONALIZACION DE SERIES ECONOMICAS 15

2.3.1 Algunos procedimientos A primera vista no se puede observar

Fuente: INEI Elaboracin: CIDE

Fuente: INEI Elaboracin: CIDE

16 DESESTACIONALIZACION DE SERIES ECONOMICAS

2.3.1.2 Grfico de la serie ao a ao: comportamiento diferente, que parecera

Fuente: INEI Elaboracin: CIDE

DESESTACIONALIZACION DE SERIES ECONOMICAS 17

Es de mencionar que en los primeros aos niveles de produccin debidos a das

ENE. MAR. MAY. JUL. SET. NOV.

Fuente: INEI Elaboracin: CIDE

interior de la caja; las prolongaciones a de mayo representa el de mayor nivel de

18 DESESTACIONALIZACION DE SERIES ECONOMICAS

ENE. MAR. MAY. JUL. SET. NOV.

Fuente: INEI Elaboracin : CIDE

y adems, nos permite observar las denominada correlograma. La idea es ver

Fuente: INEI Elaboracin: CIDE

DESESTACIONALIZACION DE SERIES ECONOMICAS 19