1

CURSO
TECNICAS DE PRONÓSTICO

UNIDAD 3
PRONOSTICO CON MODELOS ECONOMETRICOSECONOMETRIA

FASE 5
EVALUCION FINAL

ELABORADO:
CLAUDIA CECILIA PULIA
EVELYN LISSETH CABRERA
ALFONSO BARON SANCHEZ

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

UNAD

MAYO DE 2019
 2

PARTE 1 DEFINICIÓN DEL TIPO DE PRONÓSTICO.

Método de pronóstico el autor regresivo integrado de promedios móviles (ARIMA):

En este método de pronostico ARIMA los datos serán univariables lo que quiere decir que
solo se va a tomar en cuenta una sola variable, por lo que este método para realizar sus cálculos
toma en valores históricos específicamente si tomamos una serie de tiempo anual de los años
anteriores al pronóstico.

En el caso particular del PIB de argentina se tomó un periodo de tiempo anual comprendido
desde 2000 hasta 2017 para realizar el pronóstico de los siguientes años.

Modelos naive:
El modelo naive también consiste en calcular el pronóstico a partir de comportamientos
pasados, por lo que en general debería de ser muy similares los resultados obtenidos por los dos
técnicas de pronostico que se va a realizar posteriormente. Por lo general este método relaciona
los valores anteriores y dice que esos son los mismos valores para el pronóstico tomando en
cuenta que no cambie ni la oferta ni la demanda.
 3

PARTE 2

MÉTODOS ALTERNATIVOS DE PRONOSTICO (MODELOS NAIVE,

TRANSFORMACIONES Y/O COMBINACIONES)

Imagen #1 Pronostico del modelo ARIMA seleccionado (0,1,0).

En este primer pronostico que se realizó del modelo que selecciono ARIMA (0,1,0) nos
indica que el pronóstico es de 563.370 millones de euro para los próximo 4 años es decir desde
2018 hasta 2022, debido al método seleccionado por ARIMA (0,1,0) no existen mayores
indicativos de algún cambio o fluctuaciones que pueda tener el PIB de argentina en los años
posteriores a los datos recolectados para el pronóstico.
 4

Imagen #2 Pronostico ARIMA con modelo (2,1,2)

Debido a que el método seleccionado por ARIMA no dejo mucho que analizar se tomaron
los otros métodos que arrojo él ARIMA en su análisis, el primero de ellos es el método (2,1,2),
una vez se le realizo el pronóstico a este método si se notaron ciertas diferencias entre los cuatro
periodos de tiempos que se están pronosticando.

En este modelo se puede notar un aumento en el primer año de pronóstico y luego los valores
se ven en receso aunque el último ya tiene una tendencia a recuperarse esto se puede evidenciar
mejor y más claro en la gráfica más adelante.
 5

Imagen #3 Pronostico ARIMA con modelo (1,1,0)

Otro de los modelos evaluados para realizar el pronóstico fue el ARIMA (1,1,0) y aunque en
este pronóstico los valores no son exactamente iguales como en el método seleccionado por el
ARIMA (0,1,0) siguen siendo prácticamente los mismos ya que nos existe una variación
significativa que nos indique que el PIB de argentina va a mejorar o no.

Imagen #4 Pronostico ARIMA con modelo (0,1,1)

 6

El último de los modelos ARIMA evaluado fue el (0,1,1) el cual al igual que el modelo
seleccionado por el modelo ARIMA es exactamente igual en todos los cuatro (4) años
subsiguientes, además cabe mencionar que este valor es relativamente cercano al estimado por
el modelo seleccionado.

Imagen #5 Pronostico metodología naive

Por ultimo para realizar un análisis más completo también se realizó el método de naive para
comparar los resultados obtenidos entre el modelo seleccionado de ARIMA (0,1,0) y el modelo
naive, como se puede ver en la imagen #5 el valor pronosticado para los subsiguientes cuatro (4)
aparte de ser el mismo para los cuatro años, también es el mismo valor que el estimado por el
ARIMA.

Para comprender más todos los datos obtenidos por los modelos estudiados vamos a revisar
los resultados en gráficas.
 7

Grafica #1 Modelo ARIMA (0,1,0)

Esta grafica no deja mucho que ver más allá de que el valor pronosticado siempre es el
mismo a lo largo de los periodos pronosticados, por lo que este método a priori no sería muy
confiable para el estudio de esta variable.
 8

Grafica #2 Modelo ARIMA (2,1,2)

Por otro lado el método ARIMA (2,1,2) como ya antes se había mencionado si presenta
variaciones a lo largo de los periodos, esto lo hace que este método sea más creíble que el
seleccionado por el ARIMA, y como se puede ver en la gráfica presenta una curva que cae en
receso y tiende a mejorar en los últimos años.

Grafica #3 Modelo ARIMA (1,1,0)

Como ya se había mencionado anteriormente aunque este método presento diferencia entre
los cálculos esta era tan pequeña que no se logra diferenciar en la gráfica y esta se ve lineal al
igual que el método seleccionado ARIMA (0,1,0)
 9

Grafica #4 Modelo ARIMA (0,1,1)

Por último de los modelos ARIMA tenemos el modelo (0,1,1) que como ya lo habíamos visto
en los datos esta es totalmente igual al modelo seleccionado por ARIMA como el mejor.

Grafica #5 Modelo Naive

 10

En cuanto a la gráfica del modelo naive se ve igual al modelo seleccionado por el ARIMA
(0,1,0) que según la teoría se cumple que el método seleccionado y el modelo naive den como
resultado el mismo pronostico.

PARTE 3 DISCUSIÓN DE LAS MEDIDAS DE EVALUACIÓN (RMSE).

Imagen #6 Error cuadrático medio de los modelos estudiados.

En esta imagen se muestra el error cuadrático medio de los 5 modelos estudiados entre los
cuales se encuentra cuatro (4) modelos ARIMA y el modelo naive, esto lo que nos indica cual es
el modelo que presenta el error más bajo y que por ende debería ser el más aceptado en cuanto al
pronóstico.
 11

Grafica #6 Error cuadrático medio.

En la gráfica podemos ver como el modelo seleccionado (0,1,0) y el naive tienen el mismo
error concordando con la teoría de que los dos métodos deberían ser igual ya que los dos trabajan
haciendo referencia a los datos históricos, por otro lado el método que presenta menos error es el
método (2,1,2) como se había evidenciado en la gráfica del pronóstico era la que presentaba más
cambio y la que dejaba más objeto de estudio.
 12

CONCLUSIONES

En conclusión el método seleccionado por el ARIMA (0,1,0) no presenta el mejor esquema

para ser estudiado ya que deja datos muy planos que no varían a lo largo de los periodos de
tiempos estudiados, sin embargo el método (2,1,2) es muy tentativo para realizar el pronóstico
del PIB de argentina tomando en cuenta que fue el que presento menos error y además es el
único método que presento fluctuaciones a lo largo de los periodos de estudio, en cuanto a los
otros dos modelos estudiados el (1,1,0) y el (0,1,1) se puede concluir que son modelos muy
similares al modelo seleccionado por el ARIMA y que no aportan nada al análisis de estudios
más allá de la propia similitud que tienen con dicho modelo. Por ultimo podemos concluir que el
modelo naive teóricamente debe ser igual al método de ARIMA ya que los dos métodos toman
en cuenta datos históricos, además que una vez realizado los correspondientes pronostico se pudo
notar que tenía total exactitud con los pronósticos del modelo seleccionado por ARIMA (0,1,0).

ARTICULO CIENTIFICO
RESUMEN
El presente trabajo tenía como objetivo
principal pronosticar el PIB de argentina,
utilizando el método de ARIMA, y el método
de naive para corroborar los cálculos,
utilizando serie de tiempos, los datos
recolectado para realizar el pronóstico fueron
en periodos anuales, tomando en cuenta
desde el año 2000 hasta el 2017. Para realizar
el pronóstico se tuvo que tomar en cuenta
conceptos básicos sobre series de tiempo
como correlograma, autocorrelacion, datos
estacionarios, ruidos blancos, entre otros.
Todos estos apoyándonos con el libro de
econometría de Gujarati. Estos conceptos
fueron puestos en práctica y además se logró
hacer un pronóstico de la variable, utilizando
la herramienta estadística R la cual nos
suministró datos y gráficas para realizar el
pronóstico. sin embargo se tuvo que realizar
el pronóstico de varios métodos para poder
llegar a una conclusión, por ultimo podemos
relacionar el primer periodo pronosticado,
con datos reales (2018) ya que este periodo
de tiempo ya está registrado en el banco
mundial, donde se lleva el control de la
economía de todos los países.
Palabras clave: Pronostico, PIB, datos.
ABSTRACT
The main objective of this study was to
forecast the GDP of Argentina, using the
ARIMA method, and the naive method to
corroborate the calculations, using time
series, the data collected to perform the
forecast were in annual periods, taking into
account the year 2000 until 2017. To carry
out the forecast, basic concepts about time
series such as correlogram, autocorrelation,
13
stationary data, white noise, among others,
had to be taken into account. All these
supporting us with the book of econometrics
of Gujarati. These concepts were put into
practice and, in addition, a forecast of the
variable was obtained, using the statistical
tool R, which provided us with data and
charts to carry out the forecast. However, the
forecast of several methods had to be made in
order to reach a conclusion, finally we can
relate the first predicted period with real data
(2018) since this period of time is already
registered in the world bank, where it is
carried out. the control of the economy of all
countries.
Keywords: Forecast, GDP, data.
INTRODUCCIÓN
Existen carias formas con las que se
puede evaluar el desempeño económico de
un país según las perspectiva que se quiera
evaluar, por un lado hay quienes evalúan la
tasa de desempleo, por otro lado la
exportaciones y la importaciones, pero el
indicador que mejor cumple esta función es
el producto interior bruto (PIB) que es un
indicador económico que refleja el valor
monetario de todos los bienes y servicios
finales producidos por un país o región en un
determinado periodo de tiempo,
normalmente un año. Se utiliza para medir la
riqueza de un país. Andrés Sevilla (párr. 1).
En los últimos años la economía de
Argentina vino presentándose como un auge,
permaneciendo siempre entre las mejores
economía del continente sur americano. La
economía de Argentina es la tercera más
grande de Latinoamérica detrás de las de
Brasil y México. Se basa en enormes recursos
naturales y se beneficia de ello. Tiene un
sector orientado a la explotación y

exportación agrícola de avanzada tecnología,
una base industrial potente y diversificada, un
alto nivel de desarrollo en el área científico-
tecnológica y una población
mayoritariamente alfabetizada. Sin embargo
lo que parecía una simple recesión en el año
2018 en el PIB de argentina se convirtió en
un dolor de cabeza para los gobernantes ya
que en 2019 el PIB tuvo una de sus mayores
caídas a lo largo de la historia de dicho país.
Por tal razón se decidió realizar un análisis
estadístico, el cual contara con un pronóstico
de lo que puede pasar en los próximos años
en argentina, y tratando de explicar lo que
está pasando con esta caída tan repentina del
PIB. Para lograr este objetivo se va a trabajar
con la consola R la cual es una herramienta
estadística que facilita los cálculos y genera
las gráficas para poder ser analizadas de una
forma clara.
CARACTERIZACIÓN
El autorregresivo integrado de promedios
móviles (ARIMA), conocido como
metodología de Box-Jenkins es el método de
pronostico seleccionado para la predicción
del PIB de argentina, por lo general para
poder estudiar una serie de tiempo es
necesario que esta sea estacionaria, pero en
muchas ocasiones las series de tiempo no son
estacionarias en especial cuando hablamos de
variables como la estudiada el PIB, por tal
razón es necesario volverlas estacionarias
pera poder realizar su estudio, es aquí donde
entra el modelo ARIMA.
Esta teoría se puede relacionar de la
siguiente manera; si una serie de tiempo es
integrada de orden 1 [es decir, si es I(1)], sus
primeras diferencias son I(0), es decir,
estacionarias. En forma similar, si una serie
de tiempo es I(2), sus segundas diferencias
son I(0). En general, si una serie de tiempo es
I(d), después de diferenciarla d veces se
obtiene una serie I(0).
14
Esto quiere decir que el modelo ARIMA
lo que hace es aplicar el modelo arma luego
de convertir la serie de tiempo en estacionaria
quedando establecida como ARIMA (p,d,q)
por consiguiente el modelo ARMA (p,q) y d
es el número de veces que la serie debe
diferenciarse para hacerla estacionaria.
Tomando en cuenta esta afirmación se
puede decir que si d=0 esto quiere decir que
la serie es estacionaria entonces, ARIMA (p,
d=0, q) = ARMA (p, q). Observe que un
proceso ARIMA (p, 0, 0) significa un proceso
estacionario AR(p) puro; un ARIMA (0, 0, q)
significa un proceso estacionario MA(q)
puro. En síntesis, para poder utilizar la
metodología Box-Jenkins, debemos de tener
una serie de tiempo que sea estacionaria
después de una o más diferenciaciones.
Partiendo de esto se plantea la interrogante de
saber qué tipo de método utilizar si AR, MA,
ARMA, o ARIMA, para eso la metodología
BJ plantea cuatro pasos:
Paso 1. Encontrar los valores apropiados de
p, d y q. para eso necesitamos el correlograma
y el correlograma parcial
Paso 2. Estimar los parámetros de los
términos autorregresivos y de promedios
móviles incluidos en el modelo.
Paso 3. Examen de diagnóstico. Después de
seleccionar un modelo ARIMA particular y

de estimar sus parámetros, tratamos de ver si
el modelo seleccionado se ajusta a los datos
en forma razonablemente buena, pues es
posible que exista otro modelo ARIMA que
también lo haga.
Paso 4. En muchos casos, los pronósticos
obtenidos por este método son más
confiables que los obtenidos de modelos
econométricos tradicionales, en particular en
el caso de pronósticos de corto plazo.
Figura 1. Modelo ARIMA seleccionado
Además, el R también sugirió modelos
aproximados como: (2,1,2), (1,1,0) y (0,1,1)
entre otros, los cuales también fueron
tomados en cuenta para realizar el pronóstico.
15
METODOLOGÍA Y RESULTADOS
Para realizar el pronóstico por el método
ARIMA primero se debió encontrar el
método más adecuado para realizar el
pronóstico, esto se hizo con ayuda del
paquete estadístico R el cual arrojo que el
mejor modelo ARIMA era (0,1,0)
Para realizar el pronóstico también se utilizó
el método de naive, para identificar si los
resultados obtenidos por el método ARIMA
eran correctos ya que este otro método es

muy similar tomando en cuenta que los dos
trabajan con datos históricos.
Una vez seleccionados los métodos con los
que se iba a realizar el pronóstico se procedió
Figura 2. Modelo ARIMA (0,1,0)
Este modelo no dejo mucho que analizar,
solo se muestra el mismo valor para los
siguientes cuatro (4) años pronosticados, al
igual que en la gráfica del método de naive
16
a realizar dichos pronósticos, iniciando por el
modelo seleccionado por el paquete
estadístico R como el mejor para el modelo
ARIMA (0,1,0) obteniendo la siguiente
gráfica.
por lo que se realizó el pronóstico con otro de
los métodos seleccionados y de esa forma
poder tener algo conciso.
 17

Figura 3. Modelo ARIMA (2,1,2)

En este modelo si se puede identificar una de Argentina se va a ver perjudicada en los

variante en los pronósticos, a simple vista se próximos años siguientes y va a mejorar
nota un receso que tienen a mejorar en el progresivamente.
último año, esto quiere decir que la economía

Figura 4. Cálculos ARIMA (2,1,2)
Los cálculos reflejados por el paquete
estadístico R arroja sin embargo que en el año
2018 debía existir un aumento y luego de eso
es que se va a producir el receso, no obstante,
teniendo la los datos del PIB de Argentina en
dicho año, el cual no corresponde con los
datos pronosticados, esto indica que el receso
anticipado se debe a un factor al PIB, la
economía argentina tuvo una caída de 3,5 %
en la medición interanual del tercer trimestre
de 2018 y entró en recesión, al sumar dos
trimestres seguidos de cifras en rojo, informó
este martes el estatal Instituto de Estadísticas.
En el tercer trimestre, las caídas más fuertes
se dieron en el sector del comercio (-8,9 %),
la pesca (-7,3 %) y la industria manufacturera
(-6,6 %). El mejor mejor desempeño fue el de
la actividad de intermediación financiera, que
creció 5,1 %.
18
CONCLUSIONES.
En términos generales se puede concluir
que la economía de Argentina
específicamente el PIB que fue la variable de
estudio tiene una tendencia de recesión que a
la larga puede que se recupere. Sin embargar
también debemos mencionar que el método
estadístico que selecciono el paquete
estadístico R como el mejor, no nos arrojó
datos significativos con los cuales se pueda
realizar el correspondiente pronóstico, al
igual que el método de naive que dio el
mismo resultado, esto por otro lado es bueno
porque corresponde a la teoría de que ambos
métodos trabajan con datos históricos por lo
que los valores deberían ser iguales y así fue.
Para poder realizar el pronóstico se tuvo que
tomar en cuenta otros métodos
proporcionados por el paquete estadístico R
 19

como lo fue el (2,1,2) el cual fue el que dio https://www.diarioregistrado.com/re-

resultados más significativos, no obstante al announce_lockman_ex-patriot
comprar los resultados obtenidos con el año
2018 el cual ya está registrado en el banco UNICEF (s.f.) “Argentina, estadística”
mundial, se pudo notar que el valor real aún Recuperado de:
está por debajo de lo pronosticado, incluso en https://www.unicef.org/spanish/infob
el intervalo de confianza del 95% lo que ycountry/argentina_statistics.html
quiere decir que esta caída en el PIB de
argentina se debe a asuntos externos a dicha
variable.

REFERENCIAS BIBLIOGRÁFICAS
América economía (2015) “Conozca las siete
economías más grandes de América
Latina” Recuperado de:
https://www.americaeconomia.com/e
conomia-
mercados/finanzas/conozca-las-siete-
economias-mas-grandes-de-america-
latina
Damodar N. Gujarati (2010) “Econometría”
quinta edición, McGRAW-
HILL/Interamericana Editores, S.A.
México.
Economia (2018) “Economía argentina entró
en recesión” Recuperado de:
https://www.elespectador.com/econo
mia/economia-argentina-entro-en-
recesion-articulo-829945
Manco mundial (s.f.) “Tasa de
alfabetización, total de adultos (% de
personas de 15 años o más)”
Recuperado de:
https://datos.bancomundial.org/indic
ador/SE.ADT.LITR.ZS
Sevilla, A. (s.f.) “Producto interno bruto
PIB” Recuperado de:
https://economipedia.com/definicion
es/producto-interior-bruto-pib.html
Sociedad (2013) “Alfabetismo: Argentina
aprobada, la Ciudad recurso”
Recuperado de: