Documentos de Académico
Documentos de Profesional
Documentos de Cultura
[USD/COP].
Y.D. Cuervo D., M.C. Solano O., F.A. Betancur B., O.E.Enemisica H., C.A.
Barrero A.
Abstract: The following article shows the development and analysis of a time
series, which has the main objective of selecting a model with trend and
seasonality or with filters and softeners and an error to forecast the valuation of US
dollars by Colombian peso. For model development, the working methodologies
explained in class and the support of data analysis software are used.
Keywords: Error, Seasonality, Filters, Forecast, Trend.
1. INTRODUCCIÓN.
1
fue el PPA-TCR. De acuerdo con las conclusiones obtenidas de su estudio, los
mejores resultados de la proyección fueron el modelo TCPPA-VAR, según el
criterio MAPE a dos años y el modelo VAR (TRM-VAR) el cual, arrojó los mejores
resultados de acuerdo con los indicadores de evaluación MSE, RMSE, MAE y U-
Theil.” (Fayad. Fortich. Velez., 2009).
2
Fig 1.Criterios y gráfico de pronósticos.
A continuación se procede a realizar la validación de los residuos para cada
modelo y también si estos errores son Ruido Blanco (RB).Para la validación de los
supuestos de normalidad y homocedasticidad se puede realizar a través de una
prueba de hipótesis y una gráfica. La prueba de hipótesis para normalidad es:
Ho: Errores distribuyen normal, y Ha: Errores no distribuyen normal.
Y para homocedasticidad es:
Ho: Varianza constante Ha: Varianza no constante.
Y con criterio de rechazo Vp<α, con α=0.05.
Para normalidad caso se utilizó el test de Anderson-Darling, que arrojó un Vp =
0.5151 para el modelo cúbico estacional, se puede concluir que los errores
distribuyen normal (Ver Fig. 2), en el caso del modelo con Loess se tiene un Vp =
0.4415, no se rechaza Ho, así que también los errores distribuyen normal. Ahora
para el supuesto de homocedasticidad se utiliza para el Vp el test de Breusch-
Pagan, en el caso del modelo paramétrico con Vp = 0.07537, no se rechaza H o,
por lo tanto la varianza es constante. Para modelo no paramétrico podemos
observar que en la Fig. 2 en la gráfica de los residuos se ve que la varianza es
constante.
Para concluir si los errores son Ruido Blanco se debe certificar el cumplimento de,
E (Et) = 0, Var (Et) = δ2 y Cov (Et, Et+k)= 0. Para ambos modelos si observamos la
Fig 2 se puede observar que la gráfica de los residuos se mueve alrededor de
cero y que su varianza es constante, que anteriormente se verificó con prueba de
hipótesis. Para la incorrelación se observa en las Fig. 2 el gráfico de la Fac y se
concluye que para los dos modelos la serie no es ruido blanco, además utilizando
la prueba de hipótesis de incorrelación (Ver Anexo 3), se tiene que para el modelo
paramétrico con Vp= 0.0001389 y el no paramétrico Vp= 7.969e-05, se rechaza Ho,
por lo tanto en ambos modelos los errores no son independientes.
3
Fig.2. Gráfica de residuos, Q-Q, FAC y FACP.
Como los errores no son RB se procede a identificar un modelo tipo ARMA, el
resultado que arrojó el software para cada modelo lo siguientes: para el modelo
cúbico estacional un ARMA(4,0) con Ar1=3.1142, Ar2=-4.1763, Ar3=2.9084 y
Ar4=-0.8827.Para el modelo de regresión local Loess un ARMA(1,0), con Ar1=
0.7484. ahora se realiza nuevamente la verificación si los residuos de los modelo
son Ruido Blanco claramente siendo los parámetros mencionados anteriormente
significativos. Teniendo presente que para que los errores sean RB deben cumplir:
E (Et) = 0, Var (Et) = δ2 y Cov (Et, Et+k)= 0. Para ambos nuevos modelos si
observamos la Fig 3 se puede observar que la gráfica de los residuos se mueve
alrededor de cero y que su varianza es constante, puesto que puedo encerrar los
residuos en un rectángulo. Ahora nos fijamos de la Fig. 3 el gráfico de la FAC para
ambos modelos, y resulta que para el nuevo modelo cúbico estacional no está
exactamente el 95% de los datos entre las bandas de Barlett, así que descartamos
que estos residuos son RB, mientras que en el gráfico del nuevo modelo con
Loess se observa que el 95% si está entre las bandas, es posible que estos
residuos si sean RB. Ahora nos aseguramos con la prueba de hipótesis de
incorrelación con el test de Ljung-Box (Ver Anexo 3), con este nos arrojó un Vp=
2.488e-08 para el modelo paramétrico con ARMA(4,0) evidentemente este modelo
no es RB, mientras para el no paramétrico con ARMA(1,0) con Vp=0.9897, no
rechazo Ho, puesto que 0.9897<0.005, así que este modelo tiene residuos RB.
Fig. 3. Gráfica
de residuos, Q-Q, FAC y FACP.
Se prosigue a presentar las ecuaciones finales de los modelos.
● Modelo paramétrico.
4
3 2 4
j
Yt = Bo+∑ ❑Bjt + ∑ ❑B1,jcos(2πjt/12)+B2,jsen(2πjt/12) + ∑ ❑φ jEt-j + at
j=1 j=1 j=1
● Modelo no paramétrico.
Como en la Regresión Local Loes no asume intercepto y pendiente fija, se
muestra la ecuación del error con ARMA(1,0).
Et = φ 1Et-1 + at
Ahora pronosticamos con la estimación arima con ambos modelos, se presenta los
criterios de pronósticos y gráfico de los modelos (Ver Fig. 4). Teniendo en cuenta
que para elegir el mejor modelo para pronosticar debe tener menor MAE, MAPE y
RMSE, elegimos el modelo Regresión Local Loess con ARMA(1,0).
CONCLUSIONES.
Se realizó un análisis sobre la tendencia, la estacionalidad y un modelo con filtros
y suavizadores, y en especial que sus errores sean Ruido Blanco en una serie de
tiempo donde la variable a analizar es la valorización del dólar en peso
colombiano. Basados en los resultados obtenidos en el trabajo fue posible
encontrar el mejor modelo para pronosticar la serie y ese modelo fue la Regresión
Local Loess con ARMA(1,0). Este modelo fue el que arrojó los mejores resultados
de acuerdo a los indicadores de evaluación MAE, MAPE y RMSE, se evidencia de
forma clara comparando los primeros pronósticos en la Fig. 1 con los finales en la
Fig. 4, que el modelo muestra los menores valores en los indicadores, además de
que presenta sus Et~RB(0,σ2) y si observamos detalladamente en la Fig. 3 el
gráfico de Q-Q hasta puede ser Ruido Blanco Gaussiano. Finalmente se puede
considerar este modelo útil para realizar futuramente pronósticos a esta serie de
tiempo.
5
REFERENCIAS.
USD/COP - Dólar estadounidense Peso colombiano. (s/f). n/a. Recuperado:
https://es.investing.com/currencies/usd-cop-historical-data
Fayan, C., Fortich, R.C. y Vélez, I,. (2009). Proyección de la tasa de cambio de
Colombia bajo condiciones de PPA: Evidencia empírica usando VAR. Estudios
Gerenciales. vol.25 no.113 Cali .Recuperado: http://www.scielo.org.co/scielo.php?
script=sci_arttext&pid=S0123-59232009000400010
ANEXO 1.
6
Datos de la serie.
may-15 2531.0
jun-15 2605.22
jul-15 2880.0
ago-15 3054.60
sep-15 3087.80
oct-15 2896.86
nov-15 3144.60
dic-15 3174.50
ene-16 3282.50
feb-16 3291.30
mar-16 3000.51
abr-16 2848.69
may-16 3090.07
jun-16 2920.15
jul-16 3070.07
7
ago-16 2972.30
sep-16 2883.35
oct-16 3005.0
nov-16 3075.0
dic-16 3002.0
ene-17 2924.30
feb-17 2929.55
mar-17 2873.76
abr-17 2941.68
may-17 2916.25
jun-17 3047.07
jul-17 2985.0
ago-17 2951.36
sep-17 2936.91
oct-17 3041.42
nov-17 3015.30
dic-17 2984.50
8
ene-18 2830.20
feb-18 2866.75
mar-18 2792.50
abr-18 2808.60
may-18 2890.35
jun-18 2931.05
jul-18 2890.50
ago-18 3051.50
sep-18 2962.80
oct-18 3219.51
nov-18 3234.0
dic-18 3247.50
ene-19 3105.0
feb-19 3081.50
mar-19 3188.03
abr-19 3233.25
may-19 3380.0
9
jun-19 3212.75
jul-19 3280.93
ago-19 3442.65
sep-19 3480.0
oct-19 3380.0
nov-19 3518.0
dic-19 3287.23
ene-20 3420.0
feb-20 3527.0
mar-20 4060.0
abr-20 3827.0
ANEXO 2.
Modelo cúbico estacional.
Coeficientes Estimado Valor P
Bo 2705.0829 <2e-16
B1 60.9182 1.70e-05 Coeficientes de
tendencia.
B2 -3.1600 3.54e-06
B3 0.0451 1.21e-06
C1-12 -26.9520 0.255791 Coeficientes de
10
S1-12 -82.3165 0.000626 estacionalidad.
C2-12 18.1083 0.422932
S2-12 -22.5254 0.315291
ANEXO 3.
Prueba de Ljung-Box.
11
12