Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Por otro parte, el método de Box & Jenkins, nos da la posibilidad de evaluar los
modelos por medio de autocorrelación parcial, donde luego de los análisis se
obtienen las siguientes conclusiones para los modelos vistos anteriormente:
Un proceso AR(p) tendrá una función de autocorrelación parcial distinta de cero
para los valores que estén dentro del grado de libertado del modelo, y para los
siguientes será de valor cero.
En los casos de modelo MA(q) la función de autocorrelación parcial se comporta de
la misma manera, con la acotación que es de forma exponencial sinusoidal
amortiguada, como para la correlación completa de los modelos AR(p).
El modelo ARMA(p,q) se comporta como un modelo MA(p) puro, es decir, funciona
solo dentro de los grados de libertado, con autocorrelaciones completas y fuera de
ellas no tiene sentido la determinación.
Modelo ARIMA estacional
Cuando existe estacionalidad, se puede generalizar el modelo ARIMA, a manera de
incorporar no sólo la dependencia regular, que está asociada con los intervalos de
la media de la serie, sino también la dependencia estacional, que está asociada con
las observaciones separadas por S, períodos.
Una primera solución para modelar estas tendencias es incorporar la dependencia
estacional a la regular, incorporando a los operadores AR, MA, términos tipo s B
para representar la dependencia entre observaciones separa das por S períodos. El
inconveniente de esta formulación es que llevaría a polinomios muy largos en la
parte AR y MA.
Esta clase de modelos, introducidos por Box y Jenkins (1976), representan bien
muchas series estaciónales que se encuentran en la práctica y se escriben de forma
simplificada como el modelo ARIMA. ( )( ) P, D,Q x p, d, q
Función de autocorrelación simple de un proceso estacional
La función de autocorrelación mide la correlación entre los valores de la serie
distanciados un lapso de tiempo k.
La fórmula del coeficiente de correlación simple, dados N pares de observaciones
y, x:
De igual forma, dada una secuencia temporal de N observaciones x1...xN, se puede
formar N-1 parejas de observaciones contiguas ( x1, x2), ( x2, x3),...( xN-1, xN) y
calcular el coeficiente de correlación de estas parejas. A este coeficiente se
denominará coeficiente de autocorrelación de orden 1 y lo denotamos como r1.
Definiciones
Estacionalidad: Se dice que una serie es estacional cuando su valor esperado no
es constante, pero varía cíclicamente. Por ejemplo la serie de tiempo del contenido
de ozono en la atmósfera, tiene una tendencia global decreciente y cada año sigue
un comportamiento cíclico.
Invertibilidad: Un proceso de serie de tiempo se considera invertible cuando no
converge en un modelo estacionario, es decir que el operador B converge en este
caso para valores mayores a 1 en el modelo
Estructura De Un Modelo Arima
Los pasos a seguir en la generación de un modelo ARIMA se pueden resumir a
grandes rasgos en los siguientes:
Identificación
Estimación
Validar o comprobar
Proyecciones
4. Proyecciones
Las predicciones del modelo estimado pueden ser utilizando los parámetros
estimados como si fuesen los verdaderos.
Modelo ARIMA
Consumo de los años 2008 al 2018
Antecedentes
1. Estacionariedad
Al obtener las funciones de auto correlación (ACFs) vemos que los rezagos
tienen una leve disminución y variación entre ellas, y auto correlación parcial
(PACFs) se observa que tiene disminuciones y aumentos pronunciados.
Al realizar la prueba de raíz unitaria obtenemos los siguientes datos.
Aquí vemos que tiene raiz unitaria y que si es estacionaria. Asi que rechazamos la hipotesis
nula, por lo que no es necesario aplicar transformaciones.
Caso 2
Como parte de la elaboración de nuestros modelos ARIMA decidimos incluir para
nuestro caso el tema de la emisión de moneda, por lo que daremos una pequeña
introducción a continuación acerca del tema.
La emisión de dinero es la creación de moneda para que los agentes que participan
en la economía (es decir, el Estado, las empresas y las familias) puedan utilizarla
en sus transacciones.
La principal finalidad de la emisión de moneda es inyectar liquidez en una economía
para que ésta se pueda utilizar en las transacciones comerciales. Con la emisión de
dinero se trata de poner en circulación el dinero suficiente para poder garantizar que
se cumplen los tres usos del dinero: unidad de cuenta (determinar el precio de cada
cosa), medio de cambio (para pagos y cobros) y depósito de valor (teniendo las
monedas y billetes valor en sí mismos).
Para realizar nuestro ejercicio tomamos como referencia los datos que se indican
en el anexo 1.
A continuación se detalla el procedimiento a realizar el modelo Arima sobre “Emisión
Monetaria”.
a) Pruebas de estacionariedad:
Como podemos observar nuestra serie cae lentamente, por lo que es otra prueba
que nos demuestra que no es estacionaria.
c) Prueba de Raíz Unitaria
Y aun así podemos verificar que nuestra probabilidad sigue siendo no significativa,
porque es mayor a 0.01
d) Procederemos a quitar la estacionalidad: en la opción proc de Eview,
Seasonal Adjustment y moving average methods
Corrimos el correlograma con dicha opción, pero aun así observamos que no
hay estacionalidad.
Posteriormente, la volvimos estacionaria a través de 1st difference y en la opción
none
Nuestro pronóstico se basó en los datos del 2010 hasta 2018, y pues como la
selección de nuestro modelo fue el ideal, podemos ver que nuestro pronóstico es
bien acertado.
Anexo 1
EMISIÓN MONETARIA 1/
AÑOS: 1995 - 2019
-Millones de quetzales-
MES 2010 2011 2012 2013 2014 2015 2016 2017 2018
Enero 20,081.0 22,652.9 23,189.2 24,517.3 24,811.8 27,231.5 30,658.2 33,936.3 37,706.2
Febrero 19,833.7 22,198.8 23,240.8 24,007.3 24,637.4 27,115.3 30,270.8 34,457.5 37,799.3
Marzo 20,700.9 22,499.4 23,365.7 25,150.8 24,854.6 29,055.9 31,270.0 34,939.5 38,902.6
Abril 19,793.5 22,840.9 23,173.0 24,412.5 25,281.5 28,168.4 30,437.4 35,324.7 37,875.8
Mayo 19,515.2 21,798.7 22,845.7 23,811.7 24,879.7 30,081.0 30,473.7 35,244.1 38,122.4
Junio 20,024.2 22,601.2 23,045.0 24,105.3 25,078.8 29,768.5 31,274.0 35,446.0 38,470.8
Julio 20,111.8 22,467.8 22,945.6 24,157.5 25,973.2 29,737.9 31,672.8 35,877.6 38,793.0
Agosto 19,690.7 21,933.4 22,397.9 23,595.3 25,380.6 29,162.0 31,021.2 35,508.3 38,357.6
Septiembre 19,730.7 21,776.0 22,583.6 23,561.5 25,143.3 28,794.7 30,997.9 35,221.2 38,434.9
Octubre 20,338.4 21,766.4 23,212.1 24,170.9 25,838.0 29,277.5 31,093.1 35,575.2 40,097.0
Noviembre 21,201.9 22,603.5 23,185.9 23,892.3 25,902.5 29,564.8 32,078.5 36,252.9 40,077.1
Diciembre 23,390.3 24,532.5 26,552.1 27,130.3 29,164.4 33,308.1 35,473.8 39,823.9 44,202.4
1/
Cifras observadas al jueves más cercano al fin de mes
*/
Cifras revisadas