FCE - UBA 1

Estadística

CAPÍTULO VI: PRONOSTICACIÓN Y PROSPECTIVA

1. Estudio Diacrónico vs Sincrónico. Modelización

Estudio Diacrónico “evolución a través de ≠ momentos en el tiempo”, “sucesión de hechos a través del tiempo, en forma
longitudinal”, lo que lo hace comparables y produce series temporales o cronológicas. Tiempo: variable independiente fundamental.
Estudio Sincrónico “corte transversal en el tiempo”, el tiempo es una referencia de un momento relacionado con la población en
estudio.

Modelización: Siempre tratamos de interpretar hechos reales, basándonos en los conocimientos que disponemos tal que nos
permita deducir conclusiones, creamos un modelo.
En estadística, un modelo es una simulación expresada en un lenguaje matemático y basada en un conjunto de supuestos que nos
permiten entender el comportamiento y extraer conclusiones de algún fenómeno de la realidad.
Un modelo puede ser pequeño o grande, un hecho casual o con posibilidades de repetirse en otras circunstancias (≠ lugares o
veces), en cuyo caso es útil expresarlo mediante metodología matemática y estadística. Dentro del “Pensamiento Estadístico” la
creación de modelos es uno de sus principales principios.

2. Métodos prospectivos, de previsión, o de pronosticación

En general el ppal objetivo de los estudios diacrónicos es la prospectiva: disciplina que prevé el futuro mediante el estudio de las
causas que intervienen en la evolución de los hechos y que favorecen su ocurrencia. Se trata de hacer pronósticos lo +
acertadamente posible sobre sucesos que todavía no han tenido lugar. Para ello el estadístico se basa en la información
proporcionada por sucesos ocurridos en un pasado + o - inmediato.
En general la empresa se interesa en los pronósticos a corto plazo (la próxima campaña), en cambio los problemas gubernamentales
suelen ser de tipo macroeconómicos, interesa el mediano y largo plazo. En resúmen:
 FCE - UBA 2
Estadística

Estudios Diacrónicos, ppal objetivo: prospectiva

Cualitativos (Subjetivos) Cuantitativos

Modelos Univariantes: Modelos de Causa y Efecto:

Brainstorming
sólo tienen en cuenta la serie de usan otras variables que causan efecto
Delphi sobre la estudiada
valores observados
Cross – impact

Uniecuacionales Multiecuacionales

Descomposición
Promedios y medianas
móviles
Suavizado (x3) Univariables
Modelos ARIMA

Multivariables

3. Métodos Cualitativos x 3

Llamados subjetivos o tecnológicos porque suelen utilizarse para pronosticar cambios técnicos. Se usan cuando no existe
información histórica o no es lo suficientemente confiable, ocurre cuando aparece un nuevo producto en el mercado (por ej. la
previsión de venta de heladeras con TV incluido). También se aplica en investigaciones políticas o sociológicas. La falta de
información es suplida por el conocimiento de expertos sobre el tema.
Los métodos estadísticos suelen ser secundarios. Lo importante es contar con expertos dotados de intuición, sagacidad y un buen
conocimiento tecnológico acerca del fenómeno cuya proyección en el futuro se trata de analizar.

Brainstorming
“Tormenta de cerebros”, “Método de ideas locas”, se aplica en la empresa y busca solucionar problemas actuales o de corto plazo.
La prospección se efectúa a partir de discusiones entre grupos seleccionados de conocedores del tema en cuestión (no
necesariamente expertos), se crea un ambiente para que fluyan ideas nuevas sin establecer condicionamientos previos de
factibilidad. Se obtiene un número grande de ideas, en un 1º análisis algunas se anulan y otras se refunden en una sola.
Comenzó en Japón en los’50, el Dr. Genechi Taguchi lo popularizó como un paso esencial para la aplicación de técnicas de diseño de
experimentos y de mejoramiento de la calidad de los productos; pronto se extendió a otras actividades de la empresa al incluir
reuniones con representantes de todas las gerencias y departamentos.
Los métodos estadísticos son simples, relacionados con el manejo de datos: organizar, codificar y clasificar las ideas. Se establece:
 FCE - UBA 3
Estadística

1) Órden correlativo que identifique las propuestas

2) Código que indique a) de aplicación inmediata, b) de aplicación diferida, c) dudosa d) impracticable
3) Código que indique el costo- beneficio que puede producir a la propuesta: a) Excelente, b) Buena, c) Dudosa d) Mala
Frecuentemente finaliza con una votación sobre la factibilidad de aplicación de un conjunto de posibles proyectos o innovaciones a
proyectos ya existentes.
Otra característica del Braingtorming es su repetición, usualmente con el objetivo de lograr cambios.

Método Delphi

Delphi suele aplicarse en un enfoque “macro”, la denominación procede del oráculo griego. La prospección se basa en un proceso
estructurado de grupos seleccionados de expertos que utilizan en forma sistemática y repetitiva juicios de opinión hasta llegar a un
acuerdo. Se trata de evitar la influencia de individuos o grupos dominantes, y al mismo tiempo se estimula una realimentación de
forma que se facilite el acuerdo final.
Gracias a Internet el método adquirió importancia, solucionando los problemas de 1) espacio, 2) tiempo, 3) remisión de
cuestionarios con preguntas y consultas, 4) participación anónima y 5) votación.
Ejemplo de implementación de tareas de un Delphi:
1. Se define un objetivo de investigación (Innovaciones científicas y tecnológicas relacionadas con la robótica que tendrán
lugar en los próximos 10 años y su impacto en la sociedad).
2. Se conforma el equipo coordinador responsable de conducir y controlar el Delphi, debe ser neutral.
3. Se forman varios grupos compuestos por uno o más expertos, cada grupo puede encarar aspectos ≠ del estudio. Estos
grupos podrían estar sitiados en ≠ ciudades / provincias / países.
4. Se realizan las reuniones internas de grupos con relación al tratamiento del tema en estudio.
5. De estas 1º reuniones surgen consultas que llevan a elaborar un cuestionario que se distribuye por Mail, se solicita sea
libremente respondido por los expertos, preferentemente en forma anónima.
6. Se prepara y distribuye el material de estudio complementario elaborado por los distintos grupos
7. Surgen opiniones de cada grupo, cada una con sus fundamentaciones es distribuidas por Mail a todos los expertos
participante, incluso se acostumbra hacerlas llegar a otros expertos x fuera del Delphi.
 FCE - UBA 4
Estadística

8. Cada experto evalúa en forma anónima cada opinión considerando 3 posibilidades: De acuerdo, en desacuerdo, dudoso.
Esta votación se repite cuantas veces sea necesario.
9. El equipo coordinador excluye aquellas opiniones más rechazadas, y se vuelven a votar anónimamente las que resultaron
más firmes
10. Se llega a la decisión final, que constituye un pronóstico futuro o un curso de acción. Con un informe se da por finalizado el
Delphi.
Aplicaciones exitosas del método en varios rubros: Salud (sobre Hepatitis Virósica, terapia para dejar de fumar), Ciencia y Tecnología
(cómo optimizar la inversión gubernamental), Universitario (selección de contenidos a incluir en capacitaciones de profesores).
Los métodos estadísticos corresponden a organizar, codificar y clasificar las opiniones de los expertos. La mayor complejidad se
relaciona con la codificación de respuestas abiertas.

Cross-impact (impacto cruzado)

Con mayor exigencia estadística, está relacionado con la teoría de la decisión estadística. En la empresa se usa para crear y evaluar
escenarios de anticipación en los que se tienen en cuenta simultáneamente diversos sucesos. En el método Delphi se evalúan en
forma individual uno o varios sucesos, en cambio en Cross-impact es un tratamiento conjunto (impacto cruzado) de sucesos
configurados en un cierto escenario. Se establecen funciones de distribución a partir de probabilidades subjetivas de ocurrencia
(simple y condicional).
El esquema de implementación es semejante al Delphi, aunque en escala “micro” y con < cantidad de expertos, usualmente locales.
Ejemplo: Aumentar la calidad de un producto. Es necesario interrelacionar conjuntamente las ventas, los problemas de fabricación,
costo, precio de venta, stock, compras, personal, servicio de garantía, control de la calidad, marketing, etc.

Comparación de los tres métodos

Concepto Brainstorming Delphi Cross Impact
Dominio Empresa Macroeconomía Empresa
Cantidad de expertos Limitados Sin límites Limitados
Tiempo de resultados Corto plazo Largo plazo Mediano plazo
Lugar de reuniones Requiere No requiere Es útil aunque no necesario)
Transmisión datos No Uso de Redes, Internet Limitado a la empresa
Además Probabilidad e
Metodología Estadística Clasificación y codificación Clasificación y codificación
inferencia
Resultados Numerosas ideas Conclusiones o cursos de acción Proyecto futuro

4. Métodos Cuantitativos

El estadístico debe extraer toda la información posible contenida en los datos y sobre la base del patrón de conducta seguida en el
pasado, realizar conjeturas sobre el futuro. Supongamos 2 ejemplos:
a) sobre la BDD diarios de 50 años pronosticar la hora de salida del sol para mañana  la variable tiene un patrón de
comportamiento fijo y es una serie determinística.
b) sobre la base de los sorteos diarios pronosticar el número que saldrá mañana en la lotería  la serie es puramente aleatoria.
 FCE - UBA 5
Estadística

En general las series socio-económicas son aleatorias, aunque controladas dentro de campos de variación; pueden contener alguna
componente determinística.
Con los métodos cuantitativos se pretende conocer los componentes de una serie y su forma de integración, para realizar
proyecciones sobre el futuro. 2 modelos alternativos: Análisis univariante y Análisis de causa-efecto.

5. Series Temporales - Análisis Univariante

Serie Temporal: conjunto de valores u observaciones referidos a un mismo fenómeno, medidos en momentos sucesivos en el
tiempo -normalmente a intervalos iguales- y ordenados cronológicamente. Generalmente de caracter agregado (la serie temporal de
ventas de una empresa surge de sumar las ventas efectuadas a cada uno de sus clientes).
En las series temporales interesa observar su evolución, pero más interesa utilizar los datos históricos para proyectar datos futuros,
es decir que se utilizan valores pasados para predecir valores futuros de una misma variable, mediante la construcción de modelos
para predecir. También se considera la construcción de números índices para reflejar los cambios en precios o volumen físico (por ej.
monto o volumen físico exportado a través del tiempo). Al graficar una serie de tiempo se puede distinguir:
a) Datos horizontales, corresponde a un proceso estacionario en el tiempo, se presentan como puntos aleatorios alrededor de
una línea recta paralela al eje horizontal. No presentan tendencia ni estacionalidad. Si pueden presentar ciclos de varios
años.
b) Datos con tendencia, se presentan como puntos alrededor de una línea que crece o decrece en el tiempo. Hay varias
alternativas de crecimiento: lineal, exponencial, en forma de S, parabólica, etc.
c) Datos con estacionalidad, se presentan en forma ondeada en un año, casi siempre por la influencia directa o indirecta del
clima o fechas fijas (fiestas de fin de año, comienzo de clases).
d) Datos con ciclos, se presentan puntos que forman ciclos correspondientes a períodos favorables o desfavorables y abarcan
varios años, usualmente entre 2 a 7. Suele ser la faz de expansión más larga que la de recesión.
Uno de los ppales objetivos del ajustamiento es inferir la fase del ciclo en la cual se encuentra la economía dentro del
corriente año y específicamente identificar el punto de retorno o giro (en el cuál se pasa de un período de expansión a uno
de recesión o viceversa).
 Definición formal de punto de retorno : dada por Le Sage (1991) y Pfeffermann y Bleuer (1992) sobre una serie económica
ya suavizada, el mes “t” de la serie Yt es un punto de retorno si se cumple:
a) Y(t-3) < Y(t-2) < Y(t-1) >Yt> Y(t+1) Es un giro descendente
b) Y(t-3) > Y(t-2) > Y(t-1) <Yt< Y(t+1) Es un giro ascendente
 Definición de ondulación indeseada: cuando dos puntos de retorno sucesivos (uno ascendente y otro descendente)
ocurran en un período de 10 meses o menos.

Métodos estadísticos univariantes: Descomposición, Medias móviles, Suavizado simple, Suavizado doble, Método Winter y
modelos ARIMA univariantes.
 FCE - UBA 6
Estadística

6. Método de Descomposición de una ST

Enfoque clásico, parte de suponer que una serie temporal se puede subdividir en 4 componentes:
 Tt = Tendencia, variación lenta a lo largo de los años que evidencia cambios estructurales del fenómeno en estudio.
 Ct = Ciclo, oscilación casi periódica que dura más de un año y se caracteriza por períodos alternativos de expansión y
contracción.
 Et = Estacionalidad, conjunto de fluctuaciones correspondientes a un año y que se repiten más o menos regularmente
todos los años.
 It = Irregular, residuo no explicado por las componentes anteriores. Representan 2 tipos de errores: el ruido, debido a una
indeterminada cantidad de posibles causas no identificadas que ejercen efectos en diferentes sentidos (errores de
medición, de registro, etc.) y las causas especiales que son casos atípicos debidos a acontecimientos inesperados que no se
repiten con regularidad estadística (huelgas, sequías, inundaciones, modificación de la relación peso dólar, etc.).

En este método las 4 componentes se relacionan entre sí de 2 formas diferentes. La elección de uno u otro modelo suele depender
de la tendencia:
 Yt = Tt + Ct + Et + It modelo aditivo si la tendencia es lineal
 Yt = Tt x Ct x Et x It modelo multiplicativo  si la tendencia es de tipo exponencial o también si los datos tienen mayor
dispersión a medida que transcurre el tiempo (forma de embudo)
En la mayoría de las series económicas los cambios porcentuales tienden a ser estables (crecimiento sostenido del 5% anual),
entonces se utiliza con mayor frecuencia el modelo multiplicativo.
En la práctica no es frecuente que aparezca de entrada definida una componente cíclica, con lo cual a los efectos de estudio Ct se
excluye (originalmente los modelos se simplifican):
Yt = Tt + Et + It modelo aditivo ; Yt = Ttx Et x It modelo multiplicativo

7. 9 Pasos para un estudio de descomposición de una serie

Se tiene una serie original de N pares de datos (t, Yt) donde t: variable independiente tiempo, Yt: valor de la variable dependiente en
estudio registrada en el tiempo t. Por ahora sin considerar el ciclo.

Paso 1. Se encuentra la función de ajuste de la tendencia (Y*t), por el método de los semipromedios o por mínimos cuadrados, y se
valoriza para todos los valores de “t”.

a) Método de los semipromedios

Se divide la serie cronológica en 2 partes, ordenados según t, se trata de que ambas partes sean del mismo tamaño. Se calcula la
media aritmética de cada una.
 FCE - UBA 7
Estadística

_ _
(t1 , Y1) ; (t2 , Y2) ; . . . (tN/2 , YN/2) Se calculan t1 Y1 los primeros semipromedios
_ _
(tN/2+1 , YN/2+1) ; (tN/2+2 , YN/2+2) ; .. .(t2.N/2 , Y2.N/2) Se calculan t2 Y2 los segundos semipromedios

Se determina la ecuación Y*t = a + b.t, al solucionar un sistema de 2 ecuaciones con 2 incógnitas elaborada a partir de los
respectivos semipromedios. Se confeccionan el sgte sistema:
_ _
Y1 = a + b . t1
_ _
Y2 = a + b . t2

Por cualquier método de resolución de un sistema de ecuaciones con dos incógnitas se obtiene los resultados

Ý 1 . t́ 2 −Ý 2 t́ 1 Ý 2−Ý 1
a= b=
t́ 2−t́ 1 t́ 2−t́ 1
_ _ _ _
Dónde: Y1 e Y2 son los respectivos semipromedios de la variable y t1 y t2 los semipromedios de la variable tiempo.

También se puede aplicar en una relación cuadrática Y t = a + b . t + c .t2 , en este caso la serie de pares de datos se debe partir en 3
partes y obtener 3 pares de semipromedios.

Como desventaja el método está afectado por valores extremos (outliers), ya que afectan a las medias aritméticas.

Ejemplo: 14 pares de datos.

grupo t Yt prom (t) prom (Yt)
1 1 2 4 5 a= 0,43 ( (5*11) - (13*4) ) / (11-4)
2 4  
3 2  
4 6  
5 5  
6 8  
7 8          
2 8 10 11 13 b= 1,14 (13-5) / (11-4)
9 12  
10 11  
11 13  
12 15 Ecuación Y*t = 0,43 +1,14.t  
13 14  
14 16          

b) Método de los mínimos cuadrados se estiman las constantes  y  (despejando las ecuaciones normales).
 Lineal: Y*t = +  t

 Cuadrática: Y*t =  + 1 t + 2 t2
t
 Exponencial: Y*t =  .  Transformable a lineal por logaritmos

 Potencial: Y*t =  . t Transformable a lineal por logaritmos (doble logarítmica)

 FCE - UBA 8
Estadística

 Inversa: Y*t =  + .1/t Transformable a lineal considerando z = 1/t

 Otra curva no lineal que no se pueden transformar en un modelo de regresión frecuentemente utilizada es:

Logística Y*t = ____10 __ Presenta forma de “S”
t
1 + 1 (2 )

Paso 2. Se elimina la tendencia de la serie original, la nueva serie construida se identifica con doble estrella.
Y**t = Yt = Tt .Et . It ≈ Et . It modelo multiplicativo
Y *t Y *t

Y**t = Yt - Y*t = Tt + Et + It - Y*t ≈ Et + It modelo aditivo

Paso 3. Se eliminan las fluctuaciones irregulares, Y**t se suaviza usando promedios móviles que se centran en la longitud del ciclo
estacional.
Si el ciclo estacional es un número par (12 meses, 6 bimestres, 4 trimestres) el promedio móvil requiere 2 pasos para sincronizarlo
correctamente. 1º se debe obtener el promedio móvil de h periodos, luego para centrarlo a mitad se vuelve a sacar un promedio
móvil de dos.
La nueva serie de promedios móviles se denomina PMt(h;2) donde h = amplitud del 1er promedio móvil (coincidente con la amplitud
del período estacional) y 2 = es la amplitud del 2ndo promedio móvil. PMt(h;2) corresponde a la estacionalidad suavizada, una para
el modelo aditivo y otra para el multiplicativo.

Paso 4. Se obtiene la estacionalidad bruta

Eb(t) = Estacionalidad bruta = Y** t = tendencia sin estacionalidad Modelo multiplicativo
PM(h;2) estacionalidad suavizada

Eb(t) = Estacionalidad bruta = Y**t - PM(h;2) Modelo aditivo

Paso 5.
La serie completa de Estacionalidad Bruta se agrupa según el período estacional (por ej. los eneros, los febreros,.., los diciembres) y
se obtiene el valor mediana. Se arma un cuadro a doble entrada donde en las columnas se ubican los periodos estacionales
(generalmente corresponden a un año) y en las filas cada período. Por ejemplo:

Ciclo estacional Periodo 1 Enero Periodo 2 Febrero Periodo h Diciembre

1 Eb(1) Eb(2) ... Eb(h)
2 Eb(h+1) Eb(h+2) ... Eb(2h)
...
Medianas Mediana 1Eneros Mediana 2Febreros ... Mediana hDiciembre

Aca se indican meses pero pueden ser trimestres, bimestres, semanas, días.
 FCE - UBA 9
Estadística

Paso 6.
Para c/u de los períodos se obtiene el IE = Índice de Estacionalidad. Para ello las medianas son matemáticamente ajustadas, tal que
el promedio resulta la unidad en el modelo multiplicativo y la suma es cero en el modelo aditivo.

Modelo multiplicativo IE(k) = (Mediana k-ésima * h) /  Medianas

Al promediar los “h” índices el resultado será la unidad (habrá valores del índice mayores y menores que 1).

Modelo aditivo IE(k) = (Mediana k-ésima -  Medianas )

h
La suma de las medianas es cero (algunos valores del índice serán positivos y otros negativos)

Paso 7.
Los IE pueden ser usados para estimar los datos históricos sin la componente irregular, pero más importante para proyectar los
datos al futuro. Para ello se proyecta la función de ajuste de la tendencia Y*t para los períodos de tiempo que se desee. Luego:
Ŷ(t+p) = Y*t+p . IE(k) (multiplicativo) Ŷ(t+p) = Y*t+p + IE(k) (aditivo)
Ŷ indica que es una estimación de la serie (en este caso sin la componente irregular)

Ejemplo: estamos en mayo 2015 y “p = 10” (diez períodos hacia el futuro). Se desea estimar el valor de la serie para Marzo 2016, en
marzo k es igual a 3.
Si Y*(t+10) = 2.650 , IE(3) (Mult) = 0,88 y IE(3) (Aditiv) = - 308  Ŷ(t+10) = 2.650 . (0,88) = 2.332 o Ŷ(t+10) = 2.650 – 308 = 2.342

Paso 8.
Para determinar si conviene el método aditivo o el multiplicativo, se usan los pares (Yt;Ŷt) y se calculan las medidas de precisión del
ajuste: MSD, MAPE y MAD.
Estas 3 medidas se pueden utilizar siempre que tengamos una serie dada y otra estimada, es decir que son válidas para otras
metodologías.
1) MAPE, “Error promedio de porcentajes de valores absolutos” se expresa en porcentaje.

MAPE =(Yt – Ŷt)/ Yt . 100 Yt 0

N
Donde Yt son los valores originales, Ŷt los ajustados y “N” la cantidad de observaciones.

2) MAD, “Promedio de desviaciones absolutas”.

MAD = (Yt – Ŷt)

N

3) MSD, “Desviación Media cuadrática”

MSD =  (Yt – Ŷt)2

N
 FCE - UBA 10
Estadística

Entre aditivo o multiplicativo, va a convenir el que arroje el menor valor de una misma medida de precisión. Si en cambio los 3 dan
parecidos (lo que es frecuente), significa que ambo métodos producen ajustes de precisión semejante y es lo mismo uno que otro.

Paso 9.
Se analiza la existencia de la componente cíclica mediante la diferencia entre los datos originales y los datos estimados.
Ct = Yt – Ŷt = Yt – Y* t .IE(k)t si el modelo es multiplicatvo
Ct = Yt – Ŷt = Yt - Y* t + IE(k)t si el modelo es aditivo

Ejercicio 1 (HECHO EN CLASE – ADJUNTO) Realizar un estudio basado en la descomposición de la siguiente serie de tiempo y
proyectarla hasta el orden 20. Amplitud del ciclo k = 4.
Trim t y   Trim t y
1º 1 5 1º 13 10
2º 2 7 2º 14 13
3º 3 9 3º 15 15
4º 4 7 4º 16 12
1º 5 6 1º 17  
2º 6 9 2º 18  
3º 7 11 3º 19  
4º 8 8 4º 20  
1º 9 9
2º 10 10
3º 11 13
4º 12 10

Ejercicio 2 Realizar un estudio basado en la descomposición de la siguiente serie de tiempo y proyectarla hasta el orden 44. Amplitud
del ciclo k = 4.
Trim t Y Trim t Y Trim t Y
1º 1 1 1º 17 4 1º 33 6
2º 2 2 2º 18 5 2º 34 7
3º 3 3 3º 19 7 3º 35 10
4º 4 3 4º 20 5 4º 36 9
1º 5 1 1º 21 4 1º 37 7
2º 6 3 2º 22 4 2º 38 8
3º 7 4 3º 23 7 3º 39 11
4º 8 3 4º 24 6 4º 40 10
1º 9 3 1º 25 5 1º 41
2º 10 2 2º 26 6 2º 42
3º 11 5 3º 27 9 3º 43
4º 12 4 4º 28 7 4º 44
1º 13 3 1º 29 6
2º 14 4 2º 30 7
3º 15 6 3º 31 8
4º 16 5 4º 32 8
 FCE - UBA 11
Estadística

8. Métodos de Suavizamiento o Alisado de una serie temporal

Consiste en eliminar de las observaciones la componente aleatoria y a veces también la estacional. Para ello se dispone un conjunto
de valores de una variable en el tiempo: Y1, Y2, Y3, … y se construye una nueva serie suavizada S1, S2, S3, … liberada de la
componente irregular. El objetivo es utilizarla para conocer el comportamiento general histórico o estimar valores futuros.

Promedios y medianas móviles

Consiste en transformar un conjunto de datos originales en una serie compuesta por promedios móviles consecutivos de igual
amplitud; el procedimiento es:
1. Se dispone una variable observada cronológicamente en el tiempo
2. Fijar una amplitud única para todos los promedios móviles
3. Construirlos a partir de sistemáticamente excluir el primer valor de la variable de cada media móvil y adicionarle el siguiente
nuevo valor.
Si n es par se suele usar 2 promedios móviles en forma consecutiva, el 1º con igual amplitud que la estacionalidad par (12 meses, 6
bimestres, 4 trimestres) y el 2º de amplitud 2 con el objetivo de centrarla a la mitad de cada mes (ver ejercicio anterior).
Sabemos que la media está afectada por valores extremos, en estos casos es preferible utilizar medianas móviles. Incluso es
frecuente utilizar formas mixtas: de la serie original se construye una segunda con medianas móviles y a partir de esta una tercera
con medias móviles. Por ej. que la nueva serie esté compuesta por medianas de amplitud 3 y promedios de amplitud 5.
Esta forma de suavizamiento se crítica sobre la base que otorgan el mismo peso a los valores antiguos que a los recientes. Veamos
otras alternativas que brindan mayor peso a los valores más recientes.

Métodos de suavizado exponencial son 3: suavizado exponencial simple, doble, método Winter

1) Suavizado exponencial simple

Cuando no existe estacionalidad ni tendencia, es decir que es aconsejable si la serie es estacionaria (datos horizontales).
Se dispone de una variable Yt dada en el tiempo y se construye St = a . yt + (1-a) . St-1 (1)
Dónde:
St: Valor suavizado para el período t
Yt: Observación para el período t
a: constante de suavizamiento, entre 0 y 1

En cada uno de los valores St intervienen los datos de la serie original, St = a .yt + a(1-a) yt-1 + a . (1-a)² yt-2 + a . (1-a)³ yt-3 + . . .
El mayor peso se le da al valor más reciente, y los pesos otorgados a los valores anteriores decrecen exponencialmente hasta que se
convierten en despreciables. Ejemplo: sí: "a = 0,6"  St = 0,6 . yt + 0,24 yt-1 + 0,096 yt-2 + 0,0384 yt-3 + . . .
La elección de “a” es muy importante: un valor muy grande, por ej. a> 0,7 hace que el siguiente valor pronosticado sea muy sensible
al valor reciente; al contrario un valor a<0,2 hace el pronóstico poco afectado por las fluctuaciones aleatorias pero no es efectivo
 FCE - UBA 12
Estadística

para indicar desplazamientos y tendencias. En la práctica se trabaja buscando el valor de “a” que optimice MAPE, MAD o MSD. Se
puede utilizar el método de prueba y error hasta encontrar a un “a” que se aproxime al óptimo.
Para estimar el valor de la variable para el siguiente período  Y* t+1 = a .yt + (1-a) . St (2)
Solo interesa proyectar un período siguiente ya que el proceso se considera estacionario.
Un inconveniente del método es que en el 1º período se carece de un valor de suavizamiento “S 0” para incluirlo en la fórmula (1). El
procedimiento usual es suponer S0 =promedio de las “k” primeras observaciones (frecuentemente k= 6).

Ejercicio 3 Suavizar la serie de tiempo Yt por el método exponencial simple para un valor de “a = 0,4” y estimar el valor de la variable
para el período 12
a= 0,4
1-a= 0,6
St = a . yt + (1-a) . St-1
Y* t+1 = a .yt + (1-a) . St

Órden Yt St
0 = FICTICIO - 26,5 (promedio 6 primeras observaciones)
1 27 26.70 S1 = 0,4 . 27 + 0,6 . 26,50 = 26.70
2 26 26.42 S2 = 0,4 . 26 + 0,6 . 26,70 = 26,42
3 29 27.45 S3 = 0,4 . 29 + 0,6 . 26,42 = 27,45
4 25 26.47 S4 = 0,4 . 25 + 0,6 . 27,45 = 26,47
5 24 25.48 S5 = 0,4 . 24 + 0,6 . 26,47 = 25,48
6 28 26.49 S6 = 0,4 . 28 + 0,6 . 25.48 = 26,49
7 27 26.69 S7 = 0,4 . 27 + 0,6 . 26.49 = 26.69
8 26 26.42 S8 = 0,4 . 26 + 0,6 . 26.69 = 26,42
9 29 27.45 S9 = 0,4 . 29 + 0,6 . 26,42 = 27,45
10 28 27.67 S10 = 0,4 . 28 + 0,6 . 27,45 = 27,67
11 25 26.60 S11 = 0,4 . 25 + 0,6 . 27,67 = 26.60
12 - 25,96 Y *12 = 0,4 . 25 + 0,6 . 26,60 = 25.96

2) Suavizamiento exponencial doble

Se usa en el caso de existir solo tendencia, ya que puede proyectar la tendencia suavizada para el siguiente período. El modelo y la
estimación están dados por
St =aYt + (1 - a) [St -1 + Tt -1]
Tt = g [St - St -1] + (1 - g) Tt -1
Y* t = St-1 + Tt-1
Dónde: St es la serie suavizada al tiempo “t”,
a es la constante de suavizamiento de la serie,
Tt es la tendencia en el tiempo t,
g es la constante de suavizamiento de la tendencia,
Yt es la observación o dato en el tiempo t,
Y*t es el valor estimado en un período t.
 FCE - UBA 13
Estadística

Como no se dispone de los valores iniciales S0 y T0 se estiman usando el métodos de la mínimos cuadrados con (t, Yt), se obtiene Y t=
 + .t   = S0 y  = T0.
Para pronosticar a partir de un período dado, supongamos que t´ es el último valor con datos de la variable es decir “Yt´” Luego
Y*t´+1 = St´ + Tt´
Y*t´+2 = Y*t´+1 + Tt´
Y*t´+3 = Y*t´+2 + Tt´
Se suma el valor de la tendencia Tt´ como constante, luego el crecimiento es lineal a partir del último punto pronosticado

Ejercicio 4 Suavizar la siguiente serie de tiempo por el método exponencial doble, para un valor de la serie “a = 0,4” y de la tendencia
“g = 0,3” y estimar el valor de la variable para los períodos Y12 a Y15
a= 0,4
1-a= 0,6
g= 0,3 Ecuación por MC Yt = 24,1091 + 0,436364 . t”
1-g= 0,7
St = aYt + (1 - a) [St -1 + Tt -1]
Tt = g [St - St -1] + (1 - g) Tt -1
Y* t = St-1 + Tt-1

Orden Yt St Tt Y* t
0 - 24,1091 0,43636
1 25 24,727 0,491 24,545
2 24 24,731 0,345 25,218
3 27 25,845 0,576 25,076
4 25 25,853 0,405 26,421
5 26 26,155 0,374 26,258
6 26 26,317 0,311 26,529
7 28 27,177 0,475 26,628
8 27 27,391 0,397 27,652
9 29 28,273 0,542 27,788
10 28 28,489 0,445 28,816
11 29 28,960 0,453 28,934
12 29,413
13 Y*t (12) + Tt(11) = 29,413+0,453 = 29,865
14 Y*t (13) + Tt(11) = 29,865+0,453 = 30,318
15 Y*t (14) + Tt(11) = 30,318+0,453 = 30,771

3) Método Winters
Cuando existe tendencia y estacionalidad. Considera 3 niveles y 3 constantes para a) Serie, b) Tendencia y c) Estacionalidad. Hay dos
modelos (multiplicativo y aditivo) que permiten proyectar la tendencia suavizada teniendo en cuenta la estacionalidad. De
elaboración más difícil que los anteriores.

Modelo aditivo
St = a . (Yt - Et-p) + (1-a) . [St-1 + Tt-1]
Tt = g . [St - St-1] + (1 - g) .Tt-1
 FCE - UBA 14
Estadística

Et = d . (Yt - St) + (1 - d) . Et-p

Y*t = St-1 + Tt-1 + Et-p

Modelo multiplicativo
St = a . (Yt / Et-p) + (1-a) . [St-1 + Tt-1]
Tt = g . [St - St-1] + (1 - g) . Tt-1
Et = d . (Yt / St) + (1 - d) . Et-p
Y*t = (St-1 + Tt-1) . Et-p

Dónde: St es la serie suavizada en el tiempo “t” y “a” es su peso

Tt es la tendencia al tiempo “t” y “g” es el peso para la tendencia
Et es la componente estacional al tiempo “t” y “d” es el peso de la componente estacional
“p” es el período estacional.

Modelos ARIMA
Ni la descomposición ni el suavizamiento reflejan ninguna estructura teórica. Es decir que son métodos para depurar y pronosticar
series de datos sin considerar a fondo el proceso que los generó.
A efectos de evitar este déficit los estadísticos Box y Jenkins en 1976 popularizaron los modelos ARIMA (AR: autoregresivo – I:
integrado - MA: moving average). Pueden aparecer como SARIMA (S=Seasonal) cuando se considera la estacionalidad.
En los modelos ARIMA univariantes se hace un planteamiento inicial de carácter general. Se considera que la serie temporal objeto
de estudio ha sido generada por un proceso estocástico (familias de variables aleatorias que corresponden a momentos sucesivos en
el tiempo). Las técnicas de elaboración de los modelos ARIMA van dirigidas a identificar el modelo generador de las observaciones,
para luego en un proceso iterativo, estimar y verificar el modelo que una vez aceptado se utiliza para predecir valores futuros de la
serie temporal. Estos modelos requieren computadoras para procesar complejos cálculos.
Cuando el número de observaciones es pequeño no se recomienda usar ARIMA ya que el uso de medias móviles reduce la cantidad
de datos que participan en el análisis. En forma arbitraria se considera como cantidad pequeña < 60 observaciones.

9. Análisis de causa - efecto o análisis causal

Denominado así porque en la explicación de la variable/s objeto de estudio intervienen factores externos, que se traducen en
variables explicativas o predictoras. Se distinguen:
 Modelos Uniecuacionales: simples (2 variables: 1 dependiente, endógena o de respuesta y 1 independiente, exógena o
predictora) o múltiples (1 sola dependiente y 2 o más independientes).
 Modelos Multiecuacionales: relacionan varias variables dependientes con varias independientes, a través de varias
ecuaciones.
 FCE - UBA 15
Estadística

Relación entre modelos causales y series temporales univariables

Hasta hace poco la econometría se dedicó casi exclusivamente al estudio de los modelos causales, es el enfoque clásico/tradicional
que utiliza fundamentalmente modelos de regresión y correlación estimando las constantes de las ecuaciones por mínimos
cuadrados. En los últimos años se incorpora el análisis univariable a partir de series temporales, en especial ARIMA. La diferencia
entre el enfoque económico clásico uniecuacional y el enfoque de series temporales univariantes sería:
- En el análisis de causa-efecto se utiliza una o más variables explicativas que causan efecto sobre la que deseamos explicar.
Se hace énfasis en un modelo de partida, buscamos la adecuación entre el modelo y los datos.
- En la metodología univariante solamente se requiere información, en forma de serie temporal, de las variables objeto de
estudio. El punto de partida son los datos y quizás alguna idea general sobre el fenómeno que se trata de modelizar, siendo
el modelo el resultado final de la investigación.

Entonces, ¿Qué línea conviene seguir? Cuando se dispone de un modelo teórico, suficiente información estadística y adecuados
factores externos o variables explicativas es preferible utilizar el modelo causal como instrumento para pronosticar. Pero es poco
frecuente que se den conjuntamente estas circunstancias, siendo necesario recurrir al análisis de carácter univariante. En cualquier
caso siempre es útil, como primera aproximación a un fenómeno, efectuar un análisis univariante de las variables involucradas en el
modelo econométrico.