Modelos ARIMA 

 
EJERCICIO ARIMA
Disponemos de 100 datos relativos a la demanda semanal de un manufacturero relativa a
contenedores de plástico que utilizan las compañías farmacéuticas.
Los datos están disponibles en el fichero de Eviews: ARIMA-PLASTIC.WF1
El manufacturero necesita predecir el número de contenedores que le serán demandados en
las 10 semanas siguientes con vistas a su producción.
Fuente: Pérez, C. (2006). Problemas resueltos de econometría. Thomson

1) Identificación
Tiene por objeto conocer cuáles son los valores de p,d,q (y también de P, D, Q si existen
variaciones estacionales) que mejor reflejan la estructura del proceso en estudio.

Instrumentos:
-Gráfico de evolución temporal
-Correlograma
-Test de raíces unitarias (DF,ADF,...)
-Transformación de la variable si fuese necesario para que lograr que sea estacionaria
en media (aplicar diferencias) y en varianza (aplicar logaritmos).

- GRÁFICO DE EVOLUCIÓN TEMPORAL DE LA SERIE:

En Eviews seleccionamos la variable y vamos a VIEW- GRAPH-

Aceptamos (OK) y nos ofrece el siguiente gráfico de evolución:

1 
 
 Modelos ARIMA 
 
PLASTIC
7,600
7,200
6,800
6,400
6,000
5,600
5,200
4,800
4,400
I II III IV I II III IV
1980 1981

En el gráfico se observa que la serie no es estacionaria, no tiene una media constante a lo

largo de todo el período ni las fluctuaciones respecto a la misma son iguales (varianza distinta)

- CORRELOGRAMA
En la misma ventana de la variable, vamos a VIEW – CORRELOGRAM y aceptamos la opción
por defecto (Level), es decir haremos el correlograma de la serie tal y como la tenemos. En el
número de retardos (Lags to include) pondremos 24, pues es suficiente realizar el
correlograma para un número de retardos de aproximadamente la cuarta parte del número de
observaciones de que disponemos.

2 
 
 Modelos ARIMA 
 

En el correlograma que obtenemos, que se presenta a continuación, observamos que los

coeficientes de autocorrelación tardan mucho en anularse, se puede ver que resultan
significativos incluso hasta el retardo 13. Por tanto la serie NO es estacionaria.

3 
 
 Modelos ARIMA 
 
- TEST DE RAICES UNITARIAS (ADF)

Contrastamos la no estacionariedad de la serie (PLASTIC) mediante el test ADF. La hipótesis

nula es que la serie tiene una raíz unitaria, en caso de rechazar la hipótesis nula tendríamos
una serie estacionaria.
Para hacer el contraste, vamos en la misma ventana a Unit Root Test, y realizaremos el test
en sus tres versiones: sin constante ni tendencia (NONE), con constante (Intercept) y con
constante y tendencia (Trend and Intercept). Fijamos el número de retardos en 1.

En este caso el test ADF ( o Dickey Fuller Aumentado) se contrasta:

H0 : d1 =0 lo que indicaría que la variable en estudio tiene una raíz unitaria, por
lo que NO sería estacionaria
H1 :d1 <0
Que en el caso más completo (con constante y tendencia) sería la siguiente relación
𝐷𝑍 𝛼 𝛾𝑇 𝑑 𝑍 𝑑 𝐷𝑍 𝑣
Siendo D el operador de diferencias: DZt = Zt – Zt-1

4 
 
 Modelos ARIMA 
 

Null Hypothesis: PLASTIC has a unit root

Exogenous: None
Lag Length: 1 (Fixed)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -0.088294 0.6508

Test critical values: 1% level -2.588772
5% level -1.944140
10% level -1.614575

*MacKinnon (1996) one-sided p-values.

Volvemos a realizar el test para las opciones CONSTANT, Y CONSTANT, LINEAR TREND:
Null Hypothesis: PLASTIC has a unit root
Exogenous: Constant
Lag Length: 1 (Fixed)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -2.042903 0.2683

Test critical values: 1% level -3.498439
5% level -2.891234
10% level -2.582678

*MacKinnon (1996) one-sided p-values.

Null Hypothesis: PLASTIC has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 1 (Fixed)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.782259 0.7060

Test critical values: 1% level -4.054393
5% level -3.456319
10% level -3.153989

*MacKinnon (1996) one-sided p-values.

En todos los casos se observa que la serie PLASTIC tiene una raíz unitaria. Es NO
estacionaria.

- TRANSFORMACIÓN DE LA VARIABLE:
Aplicamos diferencias:
En la línea de comandos en Eviews, escribimos:
GENR DPLASTIC=D(PLASTIC)
Aparecerá en la ventana de trabajo la nueva variable DPLASTIC, la seleccionamos y vemos
el gráfico de evolución, en el que se observa que se mueve entorno a una media constante:

5 
 
 Modelos ARIMA 
 
DPLASTIC
600

400

200

‐200

‐400

‐600
I II III IV I II III IV
1980 1981
 

Vemos el correlograma (igual que hicimos antes), y observamos que los coeficientes se anulan
rápidamente, con lo que la serie original es I(1). La serie diferenciada es I(0).

 
 

6 
 
 Modelos ARIMA 
 
Lo podríamos comprobar también con el test ADF. En los resultados siguientes se observa
que los valores del test ADF están a la derecha de los valores críticos de MacKinnon por lo
que se rechaza la hipótesis nula, y la serie DPLASTIC es estacionaria:

Null Hypothesis: DPLASTIC has a unit root

Exogenous: None
Lag Length: 2 (Fixed)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -4.234164 0.0000

Test critical values: 1% level -2.589273
5% level -1.944211
10% level -1.614532

Null Hypothesis: DPLASTIC has a unit root

Exogenous: Constant
Lag Length: 2 (Fixed)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -4.225211 0.0010

Test critical values: 1% level -3.499910
5% level -2.891871
10% level -2.583017

*MacKinnon (1996) one-sided p-values.

Null Hypothesis: DPLASTIC has a unit root

Exogenous: Constant, Linear Trend
Lag Length: 2 (Fixed)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -4.406646 0.0034

Test critical values: 1% level -4.056461
5% level -3.457301
10% level -3.154562

*MacKinnon (1996) one-sided p-values.

 
Una vez que hemos transformado la serie en estacionaria podemos proceder a identificar el
proceso ARIMA que la generó. Lo haremos con el análisis del correlograma de la serie
DPLASTIC:
Para ello nos fijaremos en los coeficientes de autocorrelación (c.a.) y los coeficientes de
autocorrelación parcial (c.a.p.). Realizamos la identificación siguiendo los criterios
siguientes:
a) los c.a. se anulan bruscamente y los c.a.p. declinan suavemente =MA(q)
b) los c.a. declinan suavemente y los c.a.p. se anulan bruscamente =AR(p)
c) ni los c.a. ni los c.a.p. se anulan bruscamente =ARMA(p,q)
Bastará con que nos fijemos en los tres o cuatro primeros coeficientes:

7 
 
 Modelos ARIMA 
 

Dado que la función de autocorrelación se anula bruscamente, pues solo hay un

coeficiente de autocorrelación significativo, y la función de autocorrelación
parcial declina suavemente, la serie DPLASTIC es un proceso ARMA(0,1) es
decir p=0, q=1
Por lo tanto, dado que hemos realizado una diferencia a la serie PLASTIC, y
hemos visto que DPLASTIC es un MA(1), entonces la variable PLASTIC es un
proceso ARIMA(0,1,1) (p=0, d=1, q=1)

2) ESTIMACIÓN: 

Una vez seleccionadas una o varias identificaciones se procede a la estimación máximo-

verosímil de los modelos seleccionados, obteniendo los parámetros correspondientes. En la
línea de comandos realizamos la estimación:
LS D(PLASTIC) MA(1) (se podría poner también LS DPLASTIC MA(1), pero es
recomendable la otra opción de cara a facilitar los resultados de la predicción)

El resultado que obtenemos con las opciones que por defecto (si vamos a opciones vemos
que es ML) da el programa es el coeficiente estimado del MA(1). También ofrece la estimación
de la varianza de la perturbación (SIGMASQ).

Dependent Variable: DPLASTIC

Method: ARMA Maximum Likelihood (BFGS)
Sample: 1/14/1980 11/30/1981
Included observations: 99
Convergence achieved after 4 iterations
Coefficient covariance computed using outer product of gradients

Variable Coefficient Std. Error t-Statistic Prob.

MA(1) 0.726357 0.076219 9.529822 0.0000

SIGMASQ 24728.74 3297.357 7.499565 0.0000

R-squared 0.295952 Mean dependent var 4.474747

Adjusted R-squared 0.288693 S.D. dependent var 188.3668
S.E. of regression 158.8667 Akaike info criterion 13.00158
Sum squared resid 2448145. Schwarz criterion 13.05400
Log likelihood -641.5781 Hannan-Quinn criter. 13.02279
8 
 
 Modelos ARIMA 
 
Durbin-Watson stat 2.146973

Inverted MA Roots -.73

El proceso finalmente sería, si se cumplen todas las condiciones de validación y chequeo:

DPLASTIC= (1-0.726357) RESID

PLASTICt-PLASTICt-1=(1-0. 726357) RESID

PLASTICt-PLASTICt-1=0. 726357 RESID + RESID

PLASTICt= PLASTICt-1 - 0. 726357 RESID + RESID

3) Validación o Chequeo

El modelo ideal deberá cumplir los siguientes requisitos:

1. Los residuos del modelo estimado deben aproximarse a una variable ruido blanco.
2. El modelo estimado es estacionario e invertible Es estacionario, lo hemos visto, y es
invertible pues todos los coeficientes de invertibilidad son menores que uno en valor absoluto.
3. Los coeficientes son estadísticamente significativos y están poco correlacionados entre si.
Hemos visto que los coeficientes son significativos (prob asociada a MA(1) próxima a 0)
4. Los coeficientes son suficientes para representar la serie. Visto que no queda información
en los residuos, los coeficientes son suficientes
5. El grado de ajuste es elevado en comparación con otros modelos. En este caso no hacemos
comparativas con otros modelos

1. Para ver si los residuos se comportan como un ruido blanco analizamos el

Correlograma Q-Statistics de los residuos de la ecuación:
En la primera estimación, vamos a analizar los residuos, en las opciones que aparecerán
ponemos 24 retardos (lags), si se observa que no hay residuos significativos, es decir, las
probabilidades asociadas al estadístico Q son casi todas mayores que 0.05; los residuos del
modelo estimado se comportan como un ruido blanco.

9 
 
 Modelos ARIMA 
 

Ho: ruido blanco. Acepto Ho.

Por tanto la ECUACIÓN ESTIMADA que hemos señalado antes está validada.

   
10 
 
 Modelos ARIMA 
 
4) PREDICCIÓN: 
En este caso no hemos previsto en el fichero de Eviews el período de predicción, pero
podemos expandir nuestro rango para poder hacerlo:
En la línea de comandos, escribimos EXPAND
Nos pide la fecha de finalización: 12/07/1981 y damos OK.

Haremos la predicción, dentro de la ecuación, vamos a Forecast,y ponemos el período de

predicción (en este caso solo un periodo 12/07/1981 12/07/1981)

Tendremos una nueva variable PLASTICF

PLASTIC PLASTICF
11/30/1981 5443.000 5443.000
12/07/1981 NA 5546.470

 
 

11