Modelos ARIMA para pronósticos de ocupados en comercio

UNIVERSIDAD EXTERNADO DE COLOMBIA
FACULTAD DE ECONOMÍA
ESPECIALIZACIÓN EN ECONOMETRÍA
MACROECONOMETRIA
TALLER 1
Alejandra Moreno Barrera
1. ARIMA y pronósticos
Con la serie de Ocupados Comercio que encontrará en la carpeta Taller 1, que muestra el total
de Población ocupada en esa rama de actividad para el total nacional entre enero de 2002 y julio
de 2019, elabore 4 modelos que le ayuden a pronosticar una senda de hasta diciembre de 2019.
En este sentido, lo que se evaluará es la aproximación al problema, más que un dato en particular,
por ello debe describirse lo siguiente y soportarlo con las salidas de Eviews:
1.1 Mencione si utilizó una transformación para volver la variable estacionaria.

Adicionalmente analice si existe un componente estacional y de haberlo, como mitigaría
su presencia.
Comercio
6,400
6,000
5,600
5,200
4,800
4,400
4,000
3,600
2002 2004 2006 2008 2010 2012 2014 2016 2018
Gráficamente se demuestra que la serie de ocupados de la rama de actividad comercio no es

estacionaria, dado que no tiende a un valor en específico es decir no fluctúa alrededor de la
media, se realizan pruebas de raíz unitaria y se llevan a cabo los test de raíz unitaria para confirmar
la no estacionariedad de la variable.
 Test de raíz unitaria constante
Null Hypothesis: COMERCIO has a unit root
Exogenous: Constant
Lag Length: 10 (Automatic - based on SIC, maxlag=14)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -0.857650 0.7998

Test critical values: 1% level -3.463067
5% level -2.875825
10% level -2.574462
*MacKinnon (1996) one-sided p-values.
Mediante la prueba de raíz unitaria, no se rechaza la hipótesis nula de que la serie ocupados
comercio presenta una raíz unitaria dado que el valor de probabilidad es mayor a un nivel de
significancia del 1%.
 Test de raíz unitaria tendencia y constante

Exogenous: Constant, Linear Trend
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -0.511123... 0.98236...

5% level -3.432451821975281
10% level -3.139991128172515
El test anterior también evidencia presencia de raíz unitaria para la serie en cuestión dado que la
probabilidad asociada al p value es mayor a un nivel de significancia de 1%.
 Test de raíz unitaria

Exogenous : None
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 2.837824 0.9989

5% level -1.942423
10% level -1.615644
Finalmente, el test sin tener en cuenta tendencia ni constante a su vez muestra la presencia de raíz
unitaria, no se rechaza la hipótesis nula. Por tanto, se procede hacerle una transformación a la
serie para convertirla en estacionaria. En primer lugar, se aplica logaritmo y se demuestra que la
serie persiste en no estacionariedad.
LOGCOMERCIO
8.8
8.7
8.6
8.5
8.4
8.3
8.2
2002 2004 2006 2008 2010 2012 2014 2016 2018
Null Hypothesis: LOGCOMERCIO has a unit root

Exogenous: None
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 2.884014 0.9991

5% level -1.942423
10% level -1.615644
A su vez, el test evidencia que no se rechaza la hipótesis nula de que la serie del logaritmo de
ocupados en comercio tiene raíz unitaria a un nivel de significancia del 1%.
Al realizar la primera diferencia de la serie de ocupados en comercio se evidencia gráficamente

que la serie oscila alrededor de la media, la serie es estacionaria, para confirmarlo se llevan a cabo
las pruebas de raíz unitaria.
DIFCOMERCIO
.12
.08
.04
.00
-.04
-.08
-.12
2002 2004 2006 2008 2010 2012 2014 2016 2018
 Test de raíz unitaria Dickey Fuller

Null Hypothesis: DIFCOMERCIO has a unit root
Exogenous: None
t-Statistic Prob.*

5% level -1.942423
10% level -1.615644
Bajo la hipótesis nula de presencia de raíz unitaria de la serie de la primera diferencia de ocupados
de la rama de actividad comercio, se rechaza la hipótesis nula a un nivel de significancia del 1%,
por tanto, la transformación de la serie es estacionaria.
 Test de raíz unitaria Phillips - Perron
Null Hypothesis: DIFCOMERCIO has a unit root
Exogenous: None
Bandwidth: 99 (Newey-West automatic) using Bartlett kernel
Adj. t-Stat Prob.*
Phillips-Perron test statistic -9.508292 0.0000

5% level -1.942353
10% level -1.615688
Residual variance (no correction) 0.000289

HAC corrected variance (Bartlett kernel) 0.000204
Mediante otra prueba de test de raíz unitaria la hipótesis nula también se rechaza por tanto la
serie de ocupados en la rama de comercio con la transformación de primera diferencia es
estacionaria.
 Después del análisis de estacionariedad, se realiza el correlograma para elegir los modelos
a estimar según los rezagos que capturan la dinámica de la serie, además para determinar
si existe un componente estacional.
 Correlograma de la primera diferencia del logaritmo de la serie de ocupados en comercio
Date: 11/24/19 Time: 09:07
Sample: 2002M01 2019M07
Included observations: 210
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
1 0.348 0.348 25.783 0.000

2 -0.083 -0.232 27.259 0.000
3 -0.471 -0.426 74.943 0.000
4 -0.219 0.118 85.296 0.000
5 0.014 -0.005 85.338 0.000
6 0.016 -0.308 85.396 0.000
7 -0.020 0.012 85.480 0.000
8 -0.132 -0.113 89.333 0.000
9 -0.171 -0.346 95.827 0.000
10 0.022 0.166 95.936 0.000
11 0.156 0.026 101.37 0.000
12 0.315 -0.014 123.69 0.000
13 0.180 0.194 131.02 0.000
14 -0.059 -0.122 131.80 0.000
15 -0.150 0.020 136.91 0.000
16 -0.219 -0.022 147.89 0.000
17 0.054 0.111 148.56 0.000
18 0.045 -0.042 149.03 0.000
19 0.134 0.162 153.23 0.000
20 -0.070 -0.069 154.39 0.000
21 -0.146 -0.087 159.39 0.000
22 -0.065 0.162 160.38 0.000
23 0.133 0.089 164.61 0.000
24 0.244 -0.030 178.81 0.000
25 0.082 0.003 180.43 0.000
26 -0.132 0.047 184.65 0.000
27 -0.174 -0.078 192.04 0.000
28 -0.079 0.094 193.55 0.000
29 0.130 0.139 197.68 0.000
30 0.204 0.069 207.97 0.000
31 0.109 0.054 210.92 0.000
32 -0.100 -0.059 213.42 0.000
33 -0.270 -0.062 231.69 0.000
34 -0.123 0.022 235.55 0.000
35 0.002 -0.094 235.55 0.000
36 0.214 0.076 247.27 0.000
 Según el correlograma, se observa un componente estacional en la serie dado que los

rezagos son significativos en el primer mes, 12, 24 y 36. Lo que implica que se debe hacer
otra transformación de la serie antes de estimar el modelo. Por tanto, se aplica la primera
diferencia estacional logarítmica 12 meses de la serie ocupados en comercio.
DIFCOMERCIO12
.12
.08
.04
.00
-.04
-.08
-.12
2002 2004 2006 2008 2010 2012 2014 2016 2018
Gráficamente la primera diferencia estacional logarítmica de la serie de ocupados en comercio se

evidencia que es estacionaria.
Null Hypothesis: DIFCOMERCIO12 has a unit root
Exogenous: None
t-Statistic Prob.*

5% level -1.942564
10% level -1.615553
Null Hypothesis: DIFCOMERCIO12 has a unit root

Exogenous: None
Bandwidth: 43 (Newey-West automatic) using Bartlett kernel
Adj. t-Stat Prob.*
Phillips-Perron test statistic -14.42586 0.0000

5% level -1.942448
10% level -1.615628
Además, a partir de las pruebas de raíz unitaria de Dickey Fuller y Phillips – Perron se rechaza la
hipótesis nula de que la serie tiene una raíz unitaria por tanto es estacionaria.
 Correlograma de la primera diferencia estacional logarítmica de la serie de ocupados en
comercio
Sample: 2002M01 2019M07
1 0.265 0.265 14.113 0.000

2 -0.079 -0.161 15.387 0.000
3 -0.456 -0.429 57.623 0.000
4 -0.070 0.204 58.612 0.000
5 -0.008 -0.124 58.626 0.000
6 -0.017 -0.269 58.688 0.000
7 -0.145 -0.018 63.024 0.000
8 0.013 0.058 63.058 0.000
9 0.210 0.093 72.317 0.000
10 0.139 -0.093 76.371 0.000
11 -0.136 -0.170 80.265 0.000
12 -0.447 -0.337 122.73 0.000
13 -0.052 0.240 123.31 0.000
14 0.067 -0.203 124.29 0.000
15 0.251 -0.110 137.96 0.000
16 -0.101 -0.034 140.19 0.000
17 -0.029 -0.074 140.38 0.000
A partir del correlograma se toman los rezagos significativos, es decir:
Para ACF son rezagos MA (1,3,7,11,12,15)
Para PACF son rezagos AR(1,2,3,4,6,11,12,13,14)
1.2 Cada modelo debe sustentarse, es decir, mencionar como se identificó, que técnica utiliza
para estimarlo y cuál es su valor agregado frente a los demás (que agrega o que elimina
respecto a la especificación inicial, tal y como se hizo en la clase con la inflación).
1.3 Analice si se cumplen los supuestos sobre los errores, en concreto la autocorrelación serial
y la normalidad, en cada caso. Adicionalmente mencione si son estables o no.
El primer modelo se estima identificando la significancia de los rezagos en el correlograma, a
continuación, se lleva a cabo la estimación y análisis
Modelo 1
Dependent Variable: DLOG(COMERCIO,1,12)
Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 11/24/19 Time: 13:28
Sample: 2003M02 2019M07
Failure to improve objective (non-zero gradients) after 21 iterations
Coefficient covariance computed using outer product of gradients
Variable Coefficient Std. Error t-Statistic Prob.
C -0.000158 0.000401 -0.394227 0.6939

AR(1) 0.440112 0.113353 3.882681 0.0001
AR(2) -0.059822 0.078403 -0.763008 0.4465
AR(3) -0.301577 0.144741 -2.083568 0.0386
AR(4) 0.144955 0.086898 1.668120 0.0970
AR(6) -0.266302 0.085122 -3.128492 0.0020
AR(11) -0.003534 0.091082 -0.038796 0.9691
AR(12) -0.156991 0.074314 -2.112541 0.0360
AR(13) 0.156425 0.105212 1.486760 0.1388
AR(14) -0.133953 0.082268 -1.628258 0.1052
MA(1) -0.023729 0.109164 -0.217365 0.8282
MA(3) -0.311668 0.293230 -1.062880 0.2893
MA(7) 0.082971 0.161573 0.513523 0.6082
MA(11) 0.014297 0.070402 0.203080 0.8393
MA(12) -0.803579 2.382480 -0.337287 0.7363
MA(15) 0.434549 1.627046 0.267078 0.7897
SIGMASQ 0.000156 1.61E-05 9.714653 0.0000
R-squared 0.658339 Mean dependent var -0.000194

Adjusted R-squared 0.628136 S.D. dependent var 0.021428
S.E. of regression 0.013067 Akaike info criterion -5.644032
Sum squared resid 0.030905 Schwarz criterion -5.361706
Log likelihood 575.7591 Hannan-Quinn criter. -5.529755
F-statistic 21.79776 Durbin-Watson stat 2.090348
Prob(F-statistic) 0.000000
Correlograma de residuos para el modelo 1
Sample: 2002M01 2019M07
Q-statistic probabilities adjusted for 15 ARMA terms
1 -0.045 -0.045 0.4137

2 -0.027 -0.029 0.5599
3 0.005 0.002 0.5644
4 0.002 0.002 0.5654
5 0.021 0.022 0.6572
6 -0.016 -0.014 0.7105
7 0.010 0.010 0.7315
8 0.072 0.072 1.8052
9 -0.086 -0.080 3.3675
10 0.038 0.034 3.6639
11 -0.036 -0.038 3.9410
12 0.019 0.018 4.0172
13 0.055 0.053 4.6626
14 0.008 0.019 4.6779
15 -0.023 -0.024 4.7914
16 -0.010 -0.013 4.8134 0.028
17 0.163 0.173 10.595 0.005
18 -0.190 -0.201 18.497 0.000
19 0.028 0.046 18.668 0.001
20 0.126 0.114 22.180 0.000
21 0.043 0.046 22.596 0.001
22 -0.044 -0.044 23.040 0.002
23 0.055 0.082 23.730 0.003
24 -0.057 -0.073 24.479 0.004
25 0.111 0.092 27.321 0.002
26 -0.177 -0.138 34.567 0.000
A partir del correlograma de los residuos se evidencia que el rezago 17, 18 y 20 son
estadísticamente significativos en la prueba individual. Y la prueba conjunta Q indica que en el
rezago 16 hay un p value de 0.028 que significa que entre el rezago 1 y 11 podría presentarse
autocorrelación serial de los errores. Además, los siguientes rezagos después del 16 lo que
significa que si hay un indicio de presencia de autocorrelación serial de los errores.
Prueba de normalidad de los residuos

40
Series: Residuals
35 Sample 2003M02 2019M07
Observations 198
30
Mean -8.00e-06
25
Median -2.23e-05
20 Maximum 0.033494
Minimum -0.073048
15 Std. Dev. 0.012525
Skewness -0.736602
10 Kurtosis 8.321830
5 Jarque-Bera 251.5607
Probability 0.000000
0
-0.06 -0.04 -0.02 0.00 0.02
Dado que la probabilidad asociada a Jarque Bera es 0.000 es menor a un nivel de

significancia de 5%, se rechaza la hipótesis nula de que los residuos se distribuyen de
manera normal.
.10
.05
.00
-.05
.04 -.10
.02 -.15
.00
-.02
-.04
-.06
-.08
03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
Residual Actual Fitted
La grafica de los residuos evidencia datos atípicos en el año 2006 donde se presenta un
salto en los datos.
Finalmente se lleva a cabo la prueba de homocedasticidad sobre los errores.
Heteroskedasticity Test: ARCH
F-statistic 1.425802 Prob. F(24,149) 0.1039

Obs*R-squared 32.49741 Prob. Chi-Square(24) 0.1151
Con 24 rezagos en la prueba ARCH, se descarta efecto heterocedasticidad al no rechazar la

hipótesis nula (0.11>0.05)
El segundo modelo corresponde a los valores que según el correlograma son significativos.
Se sigue la estrategia de Box y Jenkins que recomienda eliminar los rezagos no
significativos en la estimación para luego generar modelos alternativos
Modelo 2

Date: 11/24/19 Time: 23:25
Sample: 2003M02 2019M07
Convergence achieved after 48 iterations
AR(1) 0.176040 0.050978 3.453264 0.0007

AR(3) -0.482653 0.044448 -10.85872 0.0000
AR(6) -0.245234 0.051953 -4.720286 0.0000
AR(12) -0.326918 0.032159 -10.16579 0.0000
SIGMASQ 0.000260 1.58E-05 16.44565 0.0000

Durbin-Watson stat 1.710710
Al considerar el modelo 2, se evidencia que los rezagos elegidos son todos significativos
además no se considera la constante dado que en el primer modelo no es significativa, de
igual forma, se lleva a cabo las respectivas pruebas a los residuos para determinar si se
puede considerar para pronosticar.
Correlograma de los residuos para el modelo 2
Date: 11/24/19 Time: 23:29

Sample: 2002M01 2019M07
Q-statistic probabilities adjusted for 4 ARMA terms
1 0.143 0.143 4.1378

2 0.029 0.009 4.3089
3 -0.111 -0.119 6.8004
4 0.029 0.063 6.9708
5 -0.073 -0.084 8.0757 0.004
6 -0.069 -0.065 9.0650 0.011
7 -0.119 -0.088 11.998 0.007
8 -0.026 -0.014 12.144 0.016
9 -0.032 -0.032 12.362 0.030
10 0.097 0.088 14.343 0.026
11 -0.092 -0.129 16.136 0.024
12 -0.258 -0.276 30.336 0.000
13 0.056 0.167 31.014 0.000
14 -0.037 -0.125 31.313 0.001
15 -0.030 -0.083 31.509 0.001
16 -0.163 -0.119 37.272 0.000
17 0.121 0.127 40.483 0.000
18 -0.052 -0.171 41.076 0.000
19 0.094 0.057 43.027 0.000
20 0.086 0.107 44.669 0.000
La prueba conjunta Q de autocorelacion indicaría que dentro del rezago 1 al 5 podría

haber autocorrelación serial, dado que la probabilidad asociada es menor a un nivel de
significancia del 5%. (0.004<0.05). Individualmente, el rezago 12 y 16 son significativos.
.10
.05
.00
.08 -.05
.04 -.10
.00 -.15
-.04
-.08
-.12
03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
Residual Actual Fitted
La gráfica de residuos al igual que el modelo anterior evidencia un dato atípico para el año
2006 M05
40
Series: Residuals
35 Sample 2003M02 2019M07
Observations 198
30
Mean -0.000302
25
Median -0.000453
20
Maximum 0.060084
Minimum -0.088619
15 Std. Dev. 0.016161
Skewness -0.464155
10 Kurtosis 8.015083
5 Jarque-Bera 214.6057
0
-0.08 -0.06 -0.04 -0.02 0.00 0.02 0.04 0.06
Para el modelo 2, los residuos no se distribuyen normales dado que se rechaza la hipótesis
nula de normalidad de los residuos.


Con 20 rezagos en la prueba ARCH, se rechaza la hipotesis nula de que los errores son
homocedasticos.
Modelo 3
Dado que en la grafica de los residuos se muestra un dato atípico para el ano 2006M05,
para este modelo se considera los rezagos que fueron significativos y una dummy para
dicho año.

Date: 11/24/19 Time: 23:37
Sample: 2003M02 2019M07
DUMDATE1 -0.053434 0.004984 -10.72192 0.0000

AR(1) 0.196312 0.046556 4.216716 0.0000
AR(3) -0.541313 0.047274 -11.45049 0.0000
AR(6) -0.271384 0.053234 -5.097947 0.0000
SIGMASQ 0.000289 1.60E-05 18.08263 0.0000

Sample: 2002M01 2019M07
Q-statistic probabilities adjusted for 3 ARMA terms and 1 dynamic regressor
Autocorrelation Partial Correlation AC PAC Q-Stat Prob*
1 0.065 0.065 0.8557

2 -0.035 -0.040 1.1068
3 0.006 0.011 1.1140
4 0.104 0.102 3.3096 0.069
5 -0.042 -0.056 3.6755 0.159
6 0.013 0.028 3.7124 0.294
7 -0.105 -0.115 6.0194 0.198
8 -0.086 -0.081 7.5686 0.182
9 -0.044 -0.031 7.9697 0.240
10 0.089 0.085 9.6419 0.210
11 -0.109 -0.102 12.175 0.144
12 -0.412 -0.406 48.301 0.000
13 0.058 0.125 49.027 0.000
14 0.012 -0.058 49.058 0.000
15 0.044 0.083 49.486 0.000
16 -0.104 -0.092 51.828 0.000
17 0.093 0.081 53.721 0.000
18 -0.095 -0.124 55.698 0.000
19 0.075 -0.010 56.957 0.000
20 0.105 0.098 59.391 0.000
35
Series: Residuals
30 Sample 2003M02 2019M07
Observations 198
25
Mean 0.000154
20 Median 0.000194
Maximum 0.095542
15
Minimum -0.058980
Std. Dev. 0.017032
Skewness 0.897681
10
Kurtosis 8.733073
5
Jarque-Bera 297.7544
0
-0.06 -0.04 -0.02 0.00 0.02 0.04 0.06 0.08 0.10

Modelo 4
Según la significancia de los residuos y la presencia de autocorrelación en los errores se
busca incluir rezagos y la variable dummy de la gráfica de los residuos como dato atípico
para considerar un modelo más completo que tenga las condiciones para llevar a cabo el
pronóstico.

Date: 11/25/19 Time: 20:59
Sample: 2003M02 2019M07
DUMDATE1 -0.047468 0.004477 -10.60246 0.0000

AR(1) -0.021844 0.094793 -0.230437 0.8180
AR(3) -0.590389 0.051965 -11.36129 0.0000
AR(6) -0.259376 0.054446 -4.763908 0.0000
MA(1) 0.301111 0.106454 2.828556 0.0052
SIGMASQ 0.000283 1.92E-05 14.74622 0.0000

En la estimación de este modelo se evidencia que los rezagos elegidos son

estadísticamente significativos, sin embargo el AR(1) no es significativo pero la inclusión
del mismo hace que los residuos de los errores no presenten autocorrelación, lo que se
detalla a continuación mediante el correlograma de residuos. Además se evidencia que la
variables dummy asociada al choque en el año 2006 es estadísticamente significativa, por
lo que su inclusión es relevante.
 Correlograma de residuos
Sample: 2002M01 2019M07
Q-statistic probabilities adjusted for 4 ARMA terms and 1 dynamic regressor
Autocorrelation Partial Correlation AC PAC Q-Stat Prob*
1 0.008 0.008 0.0123

2 0.024 0.024 0.1326
3 0.041 0.041 0.4778
4 -0.008 -0.009 0.4909
5 -0.071 -0.074 1.5386 0.215
6 -0.018 -0.019 1.6063 0.448
7 -0.091 -0.087 3.3226 0.345
8 -0.036 -0.029 3.5915 0.464
9 -0.074 -0.070 4.7306 0.450
10 0.107 0.113 7.1332 0.309
11 -0.073 -0.074 8.2519 0.311
12 -0.392 -0.417 40.893 0.000
13 0.074 0.073 42.080 0.000
14 -0.039 -0.026 42.413 0.000
15 0.033 0.071 42.644 0.000
16 -0.097 -0.169 44.688 0.000
17 0.104 0.075 47.071 0.000
18 -0.075 -0.114 48.308 0.000
19 0.067 0.004 49.314 0.000
20 0.116 0.105 52.289 0.000
El correlograma de residuos evidencia que bajo la hipótesis nula de que no hay presencia
de autocorrelación serial, no se rechaza pues en el rezago 5, el valor asociado es
0.215>0.05.

El test de heterocedasticidad, no rechaza la hipótesis nula. Por tanto los residuos son
homocedasticos (0.1411> 0.05)
30
Series: Residuals
Sample 2003M02 2019M07
25
Observations 198
20 Mean 3.81e-05
Median 0.000262
15 Maximum 0.092710
Minimum -0.053864
Std. Dev. 0.016867
10 Skewness 0.854438
Kurtosis 7.877604
5
Jarque-Bera 220.3681
0
-0.04 -0.02 0.00 0.02 0.04 0.06 0.08
1.4 Realice pruebas de estabilidad estructural y demuestre si la inclusión de eventuales

choques estructurales en sus modelos univariados es oportuna o no? (no confundir con
impulso respuesta!)
1.5 Para realizar un diagnóstico sobre la capacidad de pronóstico de los modelos, utilice la
programación que se mostró en clase (sea ventana expandible o ventana móvil).
 Se espera que reporte la tabla de capacidad de pronóstico de cada modelo en el

corto y largo plazo, lo que le permitirá comparar estadísticos como el sesgo, RMSE,
MAE y demás.
 Además, mencione porqué utilizar el método por defecto de Eviews no es lo más

recomendable.
 Pronóstico dentro de la muestra del modelo 1
Para llevar a cabo la evaluación de pronósticos, se hace el pronóstico dentro de la muestra

para los últimos 6 datos:
6,600
Forecast: MODF1
Actual: COMERCIO
6,400
Forecast sample: 2019M01 2019M07
6,200 Root Mean Squared Error 87.18717
Mean Absolute Error 64.76055
6,000 Mean Abs. Percent Error 1.083788
Theil Inequality Coef. 0.007241
Bias Proportion 0.448896
5,800 Variance Proportion 0.080826
Covariance Proportion 0.470278
5,600 Theil U2 Coefficient 1.765972
Symmetric MAPE 1.073434
5,400
M1 M2 M3 M4 M5 M6 M7
2019
MODF1 ± 2 S.E.
6,600
Forecast: COMERCIOF
Actual: COMERCIO
6,400
5,400
M1 M2 M3 M4 M5 M6 M7
2019
COMERCIOF ± 2 S.E.
6,600
Forecast: MODF3
Actual: COMERCIO
6,400
5,400
M1 M2 M3 M4 M5 M6 M7
2019
MODF3 ± 2 S.E.
6,600
Forecast: COMERCIOF
Actual: COMERCIO
6,400
5,400
M1 M2 M3 M4 M5 M6 M7
2019
COMERCIOF ± 2 S.E.
1.6 Grafique las sendas de pronóstico de población ocupada generadas y reporte según su
mejor modelo
2. ARIMA y pronósticos
Con la base PIB telecomunicaciones:
2.1 Reporte la estimación del que considere su mejor modelo, fijándose que cumpla con los
supuestos necesarios.
2.2 Ahora estime de manera automática con eviews otro modelo
2.3 Determine cuál de los dos modelos tiene mejor capacidad de pronóstico dos pasos
adelante.
2.4 Calcule el intervalo de confianza del pronóstico dos pasos adelante al 95% (demuestre
como se estima)
3. Suponga que tiene un modelo un AR(4) que sigue la forma
y t =1+0.3 y t−1 +0.8 y t −2−0.6 y t−3 +0.4 y t−4 + ε t donde ε t es ruido blanco
3.1 Exprese el modelo en su forma de operador de rezagos y muestre cual es el valor

esperado de y t
y t =1+0.3 y t−1 +0.8 y t −2−0.6 y t−3 +0.4 y t−4 + ε t
y t −0.3 L y t −0.8 L2 y t +0.6 L3 y t −0.4 L 4 y t =ε t
(1−0.3 L−0.8 L2+ 0.6 L3 −0.4 L4 ) y t=ε t

εt
yt =
1−0.3 L−0.8 L2 +0.6 L3−0.4 L4
1 1
Valor esperado: E ( y t )= = =10
1−0.3−0.8+0.6−0.4 0.1
3.2 ¿ Cuál es el pronóstico 1 y 2 pasos adelante de la serie, si y t −4=0.5 y t −3 =2
y t −2 =−1 , y t −1=5 , y t=3 ?
Pronóstico 1 paso adelante
y t =1+0.3 y t−1 +0.8 y t−2−0.6 y t−3 +0.4 y t −4 +ε t
y t +1=1+0.3 y t + 0.8 y t −1−0.6 y t −2 +0.4 y t−3 +ε t +1
y t +1=1+0.3( 3)+0.8 (5)−0.6(−1)+0.4 (2)
y t +1=1+0.3 ( 3 ) +0.8 ( 5 ) −0.6 (−1 )+ 0.4 ( 2 )=7.3
Pronóstico 2 pasos adelante
y t +2=1+0.3 y t +1 +0.8 y t−0.6 y t−1 +0.4 y t −2 + ε t +2
y t +2=1+0.3 ( 7.3 ) +0.8 ( 3 ) −0.6 ( 5 ) +0.4 (−1 )=2.19
4. Se tiene el modelo MA(3)
y t =0.5 ε t −1+ 0.4 ε t −2+ 0.3 ε t−3 + ε t e t ruido blanco iid (0, σ 2 )
Determine por medio de los valores esperados
i) La varianza de y t
Var ( y t ) =E [ y t −E ( y t ) ] [ y t −E ( y t ) ]
Var ( y t ) =E[ y t∗y t ]
Var ( y t ) =E[(0.5 ε t−1 +0.4 ε t−2 +0.3 ε t −3+ ε t )(0 .5 ε t −1+ 0.4 ε t −2+ 0.3 ε t −3 + ε t )]
Var ( y t ) =[0 . 25 ε 2t−1 +0.4 ε t−1 ε t−2 +0.3 ε t−1 ε t−3 +1 ε t −1 ε t +0.16 ε 2t−2 +0.24 ε t−2 ε t−3 +0.8 ε t−2 ε t + 0.9 ε 2t−3 +
Dado que se asume que e t ruido blanco iid (0, σ 2 ) por tanto
cov ( ε t , ε t −1 ) =0
Por tanto el valor esperado de los productos cruzados es igual a cero.
2 2 2
Además, asumimos que E ( ε t )=❑ =E( ε t−i ) ;
Se cancelan los productos cruzados y la varianza queda de la forma:
Var ( y t ) =[0 . 25❑2 +0.16❑2 +0.9❑2 +❑2 ]

Var ( y t ) =❑2 ( 0 . 2 5+0.16+0.9+1 ]
Var ( y t ) =2.31❑2
❑0=2.31❑2
ii) Las tres auto covarianzas de y t
Autocovarianza en el rezago 1
Asumiendo que E ( y t )=E ( y t −1) =0
❑1=E [ y t −E ( y t ) ] [ y t −1−E ( y t −1 ) ]
❑1=E[ y t∗y t−1 ]
❑1=E[(0.5 ε t−1 +0.4 ε t−2 +0.3 ε t −3 +ε t )(0 .5 ε t−2 +0.4 ε t−3 +0.3 ε t −4 + ε t−1)]
Cancelando los productos cruzados :
❑1=E ( 0.5 ε 2t−1 +0. 2 ε 2t−2 +0. 12 ε 2t−3 )

[ ]
2 2 2
❑1=0 .5❑ + 0.2❑ +0. 12❑
❑1=❑2 (0 .5+0. 2+0. 12)
❑1=0.82❑2
❑2=E [ y t −E ( y t ) ] [ y t −2−E ( y t −2 ) ]
❑1=E[ y t∗y t−2 ]
❑2=E[(0.5 ε t−1 +0.4 ε t−2 +0.3 ε t−3 +ε t )(0 .5 ε t−3 +0.4 ε t−4 + 0.3 ε t−5 + ε t−2 )]
❑2=E ( 0 . 4 ε 2t −2+ 0.15 ε 2t−3 )
[ ]
2 2
❑2=0 . 4 ❑ +0. 15❑
❑2=❑2 (0 . 4 +0. 15)
❑2=0. 55❑2
❑3=E [ y t −E ( y t ) ] [ yt −3−E ( y t −3 ) ]
❑3=E [ y t∗y t −3 ]
❑3=E [(0 .5 ε t−1 +0.4 ε t−2 +0.3 ε t−3 +ε t )( 0.5 ε t−4 + 0.4 ε t −5+ 0.3 ε t −6 + ε t−3 )]
❑3=E ( 0 .3 ε 2t−3 )
[ ]
2
❑3=0 . 3❑
iii) Las tres autocorrelaciones de y t y haga una gráfica de la ACF
Autocorrelación en cero
❑0 2.31❑2
❑0= = =0
❑0 2.31❑2
Autocorrelación en 1
❑1 0.82❑2
❑1= = =0.354
❑0 2.31❑2
❑2 0. 55❑2
❑2= = =0. 238
❑0 2.31❑2
❑3 0.3❑2
❑3= = =0. 129
❑0 2.31❑2
iv) La autocorrelación parcial del rezago 3

❑3 3=¿ ¿
v) Si se utiliza una muestra de 110 datos, es significativa dicha autocorrelación parcial a

un nivel del 90% de confianza?
Rezago 1 2 3
Coef de 0.354 0.238 0.129
corr
Los intervalos de confianza estaran definidos por
1.645∗1
± =0.1568
√ 110
De esta manera, la zona de no rechazo de hipótesis nula igual a cero está entre -0.1568 y 0.1568.
Por tanto, el rezago 1 y 2 son significativos dado que 0.1268 < 0.354 y 0.1568 < 0.238
5. Diferencias de medias y varianzas.

En la carpeta taller 1, con la base de datos PIB 1968-2016 Latinoamérica y Asia, resuelva los
siguientes cuestionamientos, incorporando en cada uno de ellos gráficas, las salidas de eviews y
comente brevemente los resultados.
5.1 Evalúe si existe una diferencia significativa entre las tasas de crecimiento promedio de
Chile e Indonesia, entre 1968-2016. Además, grafique las series y calcule de manera
aproximada el estadístico requerido (aplique la fórmula que Eviews usa para “estimarlo
por dentro”)
Al graficar las dos series de tasas de crecimiento de Chile e Indonesia, se evidencias diferencs
significativas en algunos años dado que Chile tuvo crecimientos negativos al incio del eriodo
estudiado mientras que Indonesia fluctuo sobre vlores cercanos entre 5 y 10. Por el contrario, para
los años entre 1995 y 2000 se evidencia que Indonesa presencio crecimientos negativos. Para el
analisis de lo anterior, se lleva a cabo un test para determinar la significancia de las diferencias en
tasas de crecimiento de los dos paises.
Las pruebas de Mann-whitney permiten rechazar la hipótesis nula de diferencia de medianas (p
valor de 0.0248). Al observar los datos se ve que Indonesia creció a 6.16% entre 1970 a 2015
mientras que Chile tuvo tasas de crecimiento cercanas a 4,905. Por tanto se evidencia, que las
tasas de crecimiento son significativas.
La prueba t muestra que se rechaza la hipótesis nula de igualdad de medias, esto es claro ya que
Indonesia creció a un ritmo de 5.72% para el periodo en cuestión, mientras que Chile solo lo hizo
en 4.04%.
El estadistico de diferencia de medias está por dado :
5.725−4.047
t= =2.04
3.3 4.7
√ +
49 49
5.2 ¿Evalúe si existe una diferencia significativa entre la tasa de crecimiento promedio de
Colombia, Brasil, Ecuador, Indonesia, Malasia y Tailandia de manera conjunta. A partir de
los resultados, que se puede inferir del crecimiento económico de los países latinos frente
a sus pares del sudeste asiático?
Las pruebas conjuntas del test de medias muestran que se rechaza la hipotesis nula de igualdad de
medias, se evidencia que las tasas de crecimiento para cada pais son diferentes, las tasas de
crecimiento son significativas. Los paises latinos tienen tasas de crecimiento entre 4 y 3% mientras
que los paises asiaticos oscilan entre 5 y 6%.
5.3 Con la base inversión 1967-2016 Latinoamérica y Asia que se encuentra en la carpeta
Taller 1, evalúe si la tasa de inversión como porcentaje del PIB de Perú es más o menos
volátil que la de Chile. Además, calcule de manera aproximada el estadístico requerido
La prueba F permite no rechazar la hipótesis nula de igualdad de varianzas (p valor 0.000), dado
que la tasa de inversión como porcentaje del PIB tanto de Peru y Chile son muy parecidas, llegan a
ser igual de volatiles, la diferencia entre sus desviaciones estandar es de 0,2
El estadistico de la prueba F esta dado por:
4.9072
F= =1,075
4.7312
6. Componentes de la serie
6.1 Para el siguiente ejercicio continúe utilizando las bases de PIB 1968-2016 Latinoamérica
y Asia y responda:
 ¿Cuál es el componente de la serie usado como proxy del PIB potencial?
Mediante la aplicación del Filtro de Hodrick y Prescot, a través del componente tendencia de la
serie del PIB es posible la estimación del PIB Potencial. La gráfica que se muestra a continuación de
la serie del PIB de Latinoamérica y el Caribe da cuenta de un componente de tendencia levemente
descendente. Visualmente no se podría establecer con claridad que la serie posea un componente
tendencial descendente, más bien constante.
En contraste, al observar la gráfica de a serie de Pib para Asia del Sur, es más claro un componnte
tendencial ascendente.
 Extraiga el PIB potencial de Panamá con el filtro pertinente
La extracción del componente tendencial (representado por la línea roja) de la serie PIB
original, se puede interpretar como una proxy del PIB potencial para Panamá
 ¿Cuál es el Lambda óptimo para datos anuales?
Lambda en una constante del segundo término del problema de minimización propuesto en la
metodoñogía de HP. El valor de Lambda da cuenta de la suavidad del componente tendencial
de la serie. El valor òptimo de Labda es directamente proporcional a la frecuencia de los datos,
es decir, un valor de Lambda mayor para datos mensuales que para datos anuales. El valor
recomendado para datos anuales es de λ=100
 Utilice ahora un valor de Lambda de 30 y 400, para hacer dos cálculos nuevos; compare
estos resultados con el anterior y explique las diferencias entre estos
De acuerdo al punto anterior, para datos con frecuencia anual, el lambda óptimo es de 100. Sin
embargo, las pruebas relizadas con λ=30 y λ=400 siguen siendo valores pequeños, lejanos a los
valores de lambda óptimo para datos trimestrales o mensuales. Para el caso de λ=30 se logra
observar una pequeña diferencia en la línea roja de tendencia respecto a los valores de 100 y 400.
Esta diferencia se visualiza en una mayor volatilidad para lambda=30, de esta forma, se logra ver la
sensibilidad del filtro HP ante la selección de un lambda menor al óptimo.
6.2 En la carpeta taller 1, utilice la base de datos llamada Volúmenes de negociación
externado. Para una serie de tasas de volúmenes de negociación en mercado de capitales,
analice con las pruebas F si existe estacionalidad estable o móvil. Reporte los resultados
Por medio de un gráfico tipo lineas apiladas, podemos observar el comportamiento de la media en
cada mes de la serie. En los últimos cuatro meses de la serie la media es similar, en los tres meses
anteriores, es un poco menor. Por su parte, en los 5 primeros meses de la serie el nivel de la media
en cada mes es alternante; unos meses menores y otros mayores. Debido a que la media mes a
mes es cambiente, se puede concluir que existe estacionalidad.
Utilizamos el método STL

para desestacionalizar la serie.
Los tres primero panels corresponde a la serie original del volumen de negociaciones, el
componentes de tendencia de la serie, la cual exibe una tendencia ascendente, y el componente
estacional, el cual presenta picos o puntos altos cada mes de mayo, mientras que los valles o
puntos más bajos e presentan en los meses de enero.
El último panel corresponde a la serie ajustado por su componentes estacional. La serie muestra
una estacionalidad estable, dado que es homogeneo en el tiempo el comportamiento de los
efectos estacionales.

Modelos ARIMA para pronósticos de ocupados en comercio

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modelos ARIMA para pronósticos de ocupados en comercio

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD EXTERNADO DE COLOMBIA

1.1 Mencione si utilizó una transformación para volver la variable estacionaria.

Gráficamente se demuestra que la serie de ocupados de la rama de actividad comercio no es

Augmented Dickey-Fuller test statistic -0.857650 0.7998

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

 Test de raíz unitaria tendencia y constante

Augmented Dickey-Fuller test statistic -0.511123... 0.98236...

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

 Test de raíz unitaria

Augmented Dickey-Fuller test statistic 2.837824 0.9989

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

Null Hypothesis: LOGCOMERCIO has a unit root

Augmented Dickey-Fuller test statistic 2.884014 0.9991

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

Al realizar la primera diferencia de la serie de ocupados en comercio se evidencia gráficamente

 Test de raíz unitaria Dickey Fuller

Augmented Dickey-Fuller test statistic -5.618786 0.0000

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

Adj. t-Stat Prob.*

Phillips-Perron test statistic -9.508292 0.0000

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

Residual variance (no correction) 0.000289

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 0.348 0.348 25.783 0.000

 Según el correlograma, se observa un componente estacional en la serie dado que los

Gráficamente la primera diferencia estacional logarítmica de la serie de ocupados en comercio se

Augmented Dickey-Fuller test statistic -5.779474 0.0000

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

Null Hypothesis: DIFCOMERCIO12 has a unit root

Adj. t-Stat Prob.*

Phillips-Perron test statistic -14.42586 0.0000

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 0.265 0.265 14.113 0.000

A partir del correlograma se toman los rezagos significativos, es decir:

Para ACF son rezagos MA (1,3,7,11,12,15)

Para PACF son rezagos AR(1,2,3,4,6,11,12,13,14)

Variable Coefficient Std. Error t-Statistic Prob.

C -0.000158 0.000401 -0.394227 0.6939

R-squared 0.658339 Mean dependent var -0.000194

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 -0.045 -0.045 0.4137

Prueba de normalidad de los residuos

Dado que la probabilidad asociada a Jarque Bera es 0.000 es menor a un nivel de

Residual Actual Fitted

Heteroskedasticity Test: ARCH

F-statistic 1.425802 Prob. F(24,149) 0.1039

Con 24 rezagos en la prueba ARCH, se descarta efecto heterocedasticidad al no rechazar la

Dependent Variable: DLOG(COMERCIO,1,12)

Variable Coefficient Std. Error t-Statistic Prob.

AR(1) 0.176040 0.050978 3.453264 0.0007

R-squared 0.430981 Mean dependent var -0.000194

Date: 11/24/19 Time: 23:29

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 0.143 0.143 4.1378

La prueba conjunta Q de autocorelacion indicaría que dentro del rezago 1 al 5 podría

Residual Actual Fitted

Heteroskedasticity Test: ARCH

F-statistic 1.610494 Prob. F(20,157) 0.0561

Heteroskedasticity Test: ARCH

F-statistic 2.220402 Prob. F(20,157) 0.0034

Dependent Variable: DLOG(COMERCIO,1,12)

Variable Coefficient Std. Error t-Statistic Prob.

DUMDATE1 -0.053434 0.004984 -10.72192 0.0000