Modelos de autoregresión ARIMA

La palabra ARIMA significa Modelos Autorregresivos Integrados también se la

podemos definir el modelo como autorregresivo si la variable endógena de un
período t es explicada por las observaciones de ella misma correspondientes a
períodos anteriores junto con un término de error.
En el caso de procesos estacionarios con distribución normal, la teoría estadística
de los procesos estocásticos dice que, bajo determinadas condiciones previas, toda
Yt puede expresarse como una combinación lineal de sus valores pasados (parte
sistemática) más un término de error. Dentro de estos modelos se definen dos
modelos de autoregresion AR y Media Movil, y luego un modelo de media móvil con
mas parámetros llamado ARMA y finalmente modelo de series no estacionarias
ARIMA.
Modelo AR (p)
Un modelo autoregresivo se abrevia con la sigla AR(p), donde p indica el orden del
modelo, es decir, la cantidad de observaciones pasadas que se utilizaran para
predecir la serie de tiempo. Por ejemplo, un modelo con una observación de retraso
se denominaría por AR(1). Es importante destacar que los modelos AR funcionan
en base a un operador traslador al pasado vistos anteriormente.
Modelo MA(q)
El método de medias móviles es aquel que explica el valor de una determinada
variable en un período t en función de un término independiente y una sucesión de
errores correspondientes a períodos anteriores al que se está analizando,
ponderado convenientemente.
Modelos mixtos de autorregresión
Modelo ARMA(p,q)
Dada una serie temporal de datos Xt, el modelo ARMA es una herramienta para
entender y para predecir futuros valores de la serie. El modelo está formado por dos
partes, una parte autorregresiva (AR) y otra de media móvil (MA). El modelo se
conoce con el nombre de modelo ARMA (p,q), donde p es el orden de la parte
autorregresiva y q es el orden de la parte de media móvil. Podemos decir entonces
que el modelo arma es una herramienta más poderosa que los visto anteriormente
ya que combina ambas formas de predecir una serie de tiempo y, por lo tanto, en
algunos casos ajusta de mejor manera la predicción de la serie y es usado en una
mayor cantidad de series por su combinación de técnicas de predicción AR(p) y
MA(q).
Funciones de Autocorrelación.
Un proceso AR(p) llevado al infinito presenta un decaimiento exponencial por medio
de series sinusoidales amortiguadas,
 Un proceso MA(q) al infinito, no tiene sentido en la representación de términos de
q.
 Un proceso ARMA (p,q) al tener una extensión infinita, se presenta también por
decaimiento exponencial de series sinusoidales amortiguadas pero explicadas en
términos de p-q.

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.

Función de autocorrelación parcial (FAP)

En el coeficiente de autocorrelación parcial de orden k, se calcula la correlación
entre parejas de valores separados esa distancia pero eliminando el efecto debido
a la correlación producida por retardos anteriores a k.

La función de autocorrelación parcial de un proceso estacional multiplicativo es

compleja, porque es una superposición no sólo de las funciones de autocorrelación
parciales de las partes regular y estacional, sino que en la interacción alrededor de
los retardos estaciónales aparece a un lado la función de autocorrelación parcial de
la parte regular y al otro la simple.

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

1. Identificación de la estructura no estacionaria

Suponiendo que la serie observada es una realización de un proceso que sigue un
modelo Arima. La identificación de la estructura no estacionaria consiste en detectar
que transformaciones hay que aplicar para conseguir un proceso Arma estacionario.
2. Estimación
Cuando se ha estimado un conjunto de modelos, y se desea seleccionar el que
mejor explica la serie. El criterio de ajuste no es indicado, ya que el modelo que
contenga más parámetros será el que tenga mayor verosimilitud y menor suma de
cuadrados de los errores dentro de la muestra, por lo que es mejor tener otros
principios de selección.
3. Validar o comprobar
La validación del modelo requiere comprobar que las hipótesis básicas realizadas
respecto a los residuos son ciertas. Estos deben tener: (1) media cero; (2) varianza
constante; (3) falta de correlación para cualquier retardo; (4) distribución normal.
La validación o diagnosis esta relacionada, pero es distinta de la selección de
modelos. Es posible que el mejor modelo seleccionado no sea compatible con las
hipótesis planteadas, y entonces, es necesario buscar nuevos modelos. También
es posible que muchos modelos pasen los contrastes diagnósticos, y entonces
podemos seleccionar el mejor entre ellos con los criterios de selección. Se puede
observar que la diagnosis es un complemento de los criterios de selección.

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

Canasta Básica Alimentaria

Se define como un conjunto de alimentos que constituyen un mínimo necesario para
satisfacer por lo menos las necesidades energéticas y proteínicas de una familia y
que se ajustan, en la medida de lo posible, al patrón cultural, capacidad adquisitiva,
así como la disponibilidad y precios de los alimentos a nivel local. (Guatemala, 2019)
La Canasta/Cesta Básica Alimentaria (CBA) se define como el conjunto de diversos
alimentos, expresados en cantidades suficientes para satisfacer las necesidades
de calorías de un hogar promedio. Sin embargo, debe quedar claro que representa
un mínimo alimentario a partir de un patrón de consumo de un grupo de hogares de
referencia y no una dieta suficiente en todos los nutrientes. (Wikipedia, 2019)

Costo De La Canasta Básica En Guatemala

En el Informe del Índice de Precios al Consumidor (IPC) que elabora el Instituto
Nacional de Estadística (INE), a noviembre de 2014 el ritmo inflacionario se situó en
4%. Q7,186.18 Mensuales cuesta adquirir la Canasta Básica Vital. En un año se
incrementó en Q725.23. 0.39% Registró la inflación mensual.4.22% Alcanza la
inflación acumulada a noviembre de 2014. (Martínez, 2015)
Afirmar que la economía de Guatemala se encuentra en un estado paupérrimo es
una hipérbole (la tercera con mayor PIB per cápita, con US$3 mil 414, según el
FMI). Sin embargo, lo que sí constituye una problemática para la estructura social,
económica y política del país es que muchos guatemaltecos, aunque forman parte
de la Población Económicamente Activa (PEA), no laboran formalmente, no tienen
prestaciones sociales y no gozan de un salario digno. Por ejemplo, el ingreso
promedio mensual actual es de Q2 mil 083, cuando el costo de la Canasta Básica
Alimentaria para enero de 2015 era de Q3 mil 247.20 (Martínez, 2015)
La inflación figura en el valor de la canasta de consumo masivo de los hogares
guatemaltecos que en los tres primeros meses solo ha crecido un dos por ciento, el
porcentaje más bajo de la región exceptuando Nicaragua. En 2016 el promedio de
crecimiento a nivel centroamericano fue de 7.7 por ciento. (Silva, 2017)
Para adquirir la canasta básica vital para una familia en Guatemala en junio 2017
se necesitó Q7 mil 940.42, es decir Q1,055 más que un año anterior, lo que según
el Índice de Precios al Consumidor (IPC), es un 15.3 por ciento más. (ecónomicas,
2018)
El costo de la Canasta Básica Alimentaria (CBA) aumentó Q20.06 en enero del 2019
respecto al mismo mes del año pasado y se situó en Q3 mil 572.38 informó el
Instituto Nacional de Estadística (INE).
Comparado con diciembre del 2018 los aumentos fueron de Q12.54 y de Q28.96
respectivamente.
La Canasta Básica incluye el comportamiento de precios de 34 productos,
organizados en 10 grupos, y cuantifica los gramos sugeridos de alimentos para una
familia de 4.77 personas y cubre el requerimiento energético de 2 mil 262 calorías
indica el INE. (Bolaños, 2019)
Guatemala es uno de los países de Centroamérica en donde, además de que no
alcanza el salario mínimo para comprar la Canasta Básica de Alimentos (CBA),
también se agudiza la exclusión social. (Gándara, 2016)

Aplicación de los Modelos ARIMA

1. Estacionariedad

Al obtener la información correspondiente a la cantidad de consumo trimestral de

los años 2008 hasta el 2018 Las cuales trabajamos en para determinar si esta es
estacionaria o no estacionaria, por lo que al agregar nuestra data y graficarla
observamos que la misma presenta una tendencia tanto en media como en
varianza.
2. Al aplicarle el logaritmo y graficar.

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:

 Tomar los datos que se detalla en el anexo 1.

 Utilizar la muestra desde enero 2010 hasta diciembre 2018.
 Posterior realizamos las pruebas de estacionariedad a través de la gráfica
de nuestros datos.

Observamos que la gráfica no presenta estacionalidad, pero posterior a ello

realizaremos otras pruebas, como la visualización del correlograma y determinar la
probabilidad.
 b) Funciones de Autocorrelación:

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

Mediante la prueba de raíz unitaria, se puede observar que no es significativa, en

este caso no se puede rechazar la hipótesis nula, esto quiere decir que tiene
raíz unitaria, por lo que nuestra serie no es estacionaria, en este caso habría que
aplicar una transformación para hacerla estacionaria.
Siguiente paso: convertimos nuestra serie a logaritmos para reducir nuestros
valores utilizando el siguiente comando:
genr l_emision_monetaria=log(emisión_monetaria)

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

Y cómo podemos verificar, nuestra probabilidad es de 0.0013, por lo tanto es

significativo esto significa que no tiene raíz unitaria.
e) Construcción de modelo
Aplicamos un l_emisisa c ar (1) para construir nuestro modelo, pero nos
damos cuenta que aún es mayor a 1, por lo que no es significativo.

Observamos que aplicando la ecuación 1, aún existen residuos, entonces

aplicaremos un ar(2) para nuestro modelo.
Aplicando la ecuación l_emisisa c ar (1) ar(2), observamos que ya no quedan
residuos, esto significa que nuestro modelo es el ideal, y por lo tanto procederemos
a realizar el pronóstico.

f) Pronóstico del modelo:

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