INSTITUTO TECNOLÓGICO DEL ISTMO

ESTADÍSTICA INFERENCIAL II
ALUMNA: ADELA MORALES JOSÉ
5º “D”
ACF of Residuals for Dato PACF of Residuals for Dato
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)

1,0 1,0
0,8 0,8
0,6 0,6

Partial A utocorrelation
0,4 0,4
A utocorrelation

0,2 0,2
0,0 0,0
-0,2 -0,2
-0,4 -0,4
-0,6 -0,6
-0,8 -0,8
-1,0 -1,0

1 2 3 4 5 6 7 1 2 3 4 5 6 7
Lag Lag
Hecho por: Adela Morales José Hecho por: Adela Morales José

Time Series Plot for Dato

(with forecasts and their 95% confidence limits)
5,0

4,5

4,0

3,5
Dato

3,0

2,5

2,0

1,5

1 6 12 18 24 30 36 42 48 54
Time
Hecho por: Adela Morales José

Descripción:

Nuestro modelo de ARIMA si es auto regresivo con una estimación de cada 12 meses. La ACF y PACF de los
residuos corroboran esta información.

Mientras tanto el ARIMA ofrece pronósticos, con límites de confianza del 95%. En virtud de la reciente
reforma constitucional que elevó la edad legal mínima para trabajar de los 14 a los 15 años
 INSTITUTO TECNOLÓGICO DEL ISTMO
ESTADÍSTICA INFERENCIAL II
ALUMNA: ADELA MORALES JOSÉ
5º “D”

ARIMA Model: Dato

Estimates at each iteration

Iteration SSE Parameters

0 5,88631 0,100 0,157
1 4,99122 0,250 0,123
2 4,40896 0,400 0,089
3 4,13557 0,550 0,057
4 4,11144 0,605 0,045
5 4,11116 0,610 0,045
6 4,11115 0,611 0,045
7 4,11115 0,611 0,045

Relative change in each estimate less than 0,0010

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 0,6114 0,1532 3,99 0,000
Constant 0,04540 0,07003 0,65 0,522

Differencing: 0 regular, 1 seasonal of order 12

Number of observations: Original series 42, after differencing 30
Residuals: SS = 4,07449 (backforecasts excluded)
MS = 0,14552 DF = 28

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 31,0 74,8 * *
DF 10 22 * *
P-Value 0,001 0,000 * *

Forecasts from period 42

95 Percent
Limits
Period Forecast Lower Upper Actual
43 3,50096 2,75314 4,24879
44 3,19635 2,31981 4,07289
45 2,82650 1,90646 3,74655
46 3,10746 2,17167 4,04325
47 2,86427 1,92266 3,80588
48 3,33006 2,38628 4,27383
49 2,52143 1,57685 3,46602
50 2,63085 1,68596 3,57573
51 2,43916 1,49416 3,38416
52 3,24635 2,30131 4,19139
53 3,69856 2,75350 4,64361
54 3,78731 2,84225 4,73237
 INSTITUTO TECNOLÓGICO DEL ISTMO
ESTADÍSTICA INFERENCIAL II
ALUMNA: ADELA MORALES JOSÉ
5º “D”
ACF of Residuals for Dato PACF of Residuals for Dato
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)

1,0 1,0
0,8 0,8
0,6

Partial Autocorrelation
0,6
0,4 0,4
Autocorrelation

0,2 0,2
0,0 0,0
-0,2 -0,2
-0,4 -0,4
-0,6 -0,6
-0,8 -0,8
-1,0 -1,0

1 2 1 2
Lag Lag
Hecho por: Adela Morales José Hecho por: Adela Morales José

Time Series Plot for Dato

(with forecasts and their 95% confidence limits)

5,5

5,0
Dato

4,5

4,0

3,5

3 6 9 12 15 18 21 24 27 30 33
Time
Hecho por: Adela Morales José

Descripción:

Nuestro modelo de ARIMA si es auto regresivo con una estimación de cada 12 meses. La ACF y PACF de los
residuos corroboran esta información.

Mientras tanto el ARIMA ofrece pronósticos, con límites de confianza del 95%. En virtud de la Ocupación,
empleo y remuneraciones.
 INSTITUTO TECNOLÓGICO DEL ISTMO
ESTADÍSTICA INFERENCIAL II
ALUMNA: ADELA MORALES JOSÉ
5º “D”

ARIMA Model: Dato

Estimates at each iteration

Iteration SSE Parameters

0 0,320342 0,100 -0,282
1 0,237180 0,097 -0,370
2 0,236975 0,091 -0,376
3 0,236975 0,090 -0,377
4 0,236975 0,090 -0,377

Relative change in each estimate less than 0,0010

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 0,0901 0,3538 0,25 0,805
Constant -0,37676 0,05445 -6,92 0,000

Differencing: 0 regular, 1 seasonal of order 12

Number of observations: Original series 22, after differencing 10
Residuals: SS = 0,236973 (backforecasts excluded)
MS = 0,029622 DF = 8

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square * * * *
DF * * * *
P-Value * * * *

Forecasts from period 22

95 Percent
Limits
Period Forecast Lower Upper Actual
23 4,68914 4,35174 5,02655
24 4,44882 4,11005 4,78759
25 4,48092 4,14214 4,81970
26 4,59525 4,25647 4,93403
27 4,82321 4,48442 5,16199
28 4,21691 3,87813 4,55569
29 4,39220 4,05342 4,73098
30 4,47665 4,13787 4,81543
31 4,82944 4,49066 5,16822
32 3,97025 3,63147 4,30903
33 3,81947 3,48069 4,15825
34 3,93307 3,59429 4,27186
 INSTITUTO TECNOLÓGICO DEL ISTMO
ESTADÍSTICA INFERENCIAL II
ALUMNA: ADELA MORALES JOSÉ
5º “D”
ACF of Residuals for Dato PACF of Residuals for Dato
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)

1,0 1,0
0,8 0,8
0,6 0,6

Partial Autocorrelation
0,4 0,4
Autocorrelation

0,2 0,2
0,0 0,0
-0,2 -0,2
-0,4 -0,4
-0,6 -0,6
-0,8 -0,8
-1,0 -1,0

1 6 12 18 24 30 36 42 48 54 60 1 6 12 18 24 30 36 42 48 54 60
Lag Lag
Hecho por: Adela Morales José Hecho por: Adela Morales José

Time Series Plot for Dato

(with forecasts and their 95% confidence limits)
103

102

101

100
Dato

99

98

97

96

1 36 72 108 144 180 216 252 288 324 360 396 432
Time
Hecho por: Adela Morales José

Descripción:

Nuestro modelo de ARIMA si es auto regresivo con una estimación de cada 12 meses. La ACF y PACF de los
residuos corroboran esta información.

Mientras tanto el ARIMA ofrece pronósticos, con límites de confianza del 95%. En indicadores económicos.
 INSTITUTO TECNOLÓGICO DEL ISTMO
ESTADÍSTICA INFERENCIAL II
ALUMNA: ADELA MORALES JOSÉ
5º “D”

ARIMA Model: Dato

Estimates at each iteration

Iteration SSE Parameters

0 959,576 0,100 0,133
1 674,819 0,250 0,110
2 442,509 0,400 0,087
3 262,641 0,550 0,065
4 135,213 0,700 0,043
5 60,219 0,850 0,021
6 37,859 0,972 0,004
7 37,516 0,985 0,003
8 37,477 0,990 0,003
9 37,476 0,991 0,002

Unable to reduce sum of squares any further

* WARNING * Back forecasts not dying out rapidly

Back forecasts (after differencing)

Lag -98 - -93 1,743 1,756 1,769 1,783 1,796 1,810

Lag -92 - -87 1,823 1,837 1,851 1,865 1,879 1,894
Lag -86 - -81 1,908 1,923 1,937 1,952 1,967 1,982
Lag -80 - -75 1,997 2,013 2,028 2,044 2,060 2,076
Lag -74 - -69 2,092 2,108 2,124 2,141 2,157 2,174
Lag -68 - -63 2,191 2,208 2,225 2,243 2,260 2,278
Lag -62 - -57 2,296 2,314 2,332 2,351 2,369 2,388
Lag -56 - -51 2,407 2,426 2,445 2,464 2,484 2,503
Lag -50 - -45 2,523 2,543 2,564 2,584 2,605 2,625
Lag -44 - -39 2,646 2,667 2,689 2,710 2,732 2,754
Lag -38 - -33 2,776 2,798 2,821 2,844 2,866 2,890
Lag -32 - -27 2,913 2,936 2,960 2,984 3,008 3,033
Lag -26 - -21 3,057 3,082 3,107 3,132 3,158 3,183
Lag -20 - -15 3,209 3,236 3,262 3,289 3,315 3,343
Lag -14 - -9 3,370 3,398 3,425 3,453 3,482 3,510
Lag -8 - -3 3,539 3,568 3,598 3,627 3,657 3,687
Lag -2 - 0 3,718 3,748 3,779

Back forecast residuals

Lag -98 - -93 0,026 0,026 0,026 0,027 0,027 0,027

Lag -92 - -87 0,027 0,028 0,028 0,028 0,028 0,029
Lag -86 - -81 0,029 0,029 0,029 0,030 0,030 0,030
Lag -80 - -75 0,030 0,031 0,031 0,031 0,031 0,032
Lag -74 - -69 0,032 0,032 0,033 0,033 0,033 0,033
Lag -68 - -63 0,034 0,034 0,034 0,035 0,035 0,035
Lag -62 - -57 0,036 0,036 0,036 0,037 0,037 0,037
Lag -56 - -51 0,038 0,038 0,038 0,039 0,039 0,039
Lag -50 - -45 0,040 0,040 0,040 0,041 0,041 0,041
Lag -44 - -39 0,042 0,042 0,042 0,043 0,043 0,044
Lag -38 - -33 0,044 0,044 0,045 0,045 0,046 0,046
Lag -32 - -27 0,046 0,047 0,047 0,048 0,048 0,049
Lag -26 - -21 0,049 0,049 0,050 0,050 0,051 0,051
Lag -20 - -15 0,052 0,052 0,053 0,053 0,054 0,054
Lag -14 - -9 0,054 0,055 0,055 0,056 0,056 0,057
Lag -8 - -3 0,057 0,058 0,058 0,059 0,060 0,060
Lag -2 - 0 0,061 0,061 0,062
 INSTITUTO TECNOLÓGICO DEL ISTMO
ESTADÍSTICA INFERENCIAL II
ALUMNA: ADELA MORALES JOSÉ
5º “D”
Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 0,9912 0,0087 113,83 0,000
Constant 0,00240 0,01484 0,16 0,872

Differencing: 0 regular, 1 seasonal of order 12

Number of observations: Original series 428, after differencing 416
Residuals: SS = 37,2971 (backforecasts excluded)
MS = 0,0901 DF = 414

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 1483,6 1835,9 1860,2 2020,1
DF 10 22 34 46
P-Value 0,000 0,000 0,000 0,000

Forecasts from period 428

95 Percent
Limits
Period Forecast Lower Upper Actual
429 99,930 99,341 100,518
430 99,927 99,099 100,756
431 99,922 98,912 100,933
432 99,906 98,745 101,067
433 99,886 98,593 101,179
434 99,864 98,454 101,274
435 99,845 98,328 101,361
436 99,843 98,229 101,457
437 99,855 98,151 101,560
438 99,880 98,091 101,669
439 99,912 98,044 101,781
440 99,950 98,007 101,893