1

SERIES DE TIEMPO

SERIE DE TIEMPO ESTACIONAL

SERIES DE TIEMPO ESTACIONARIOS

SERIES DE TIEMPO CON MODELO ARIMA

Caso ejemplo de aplicación:

Sobre la base de datos de IPC Perú desde 2000 hasta enero 2019.
 2

IPC
140

130

120

110

100

90

80

70
2000 2002 2004 2006 2008 2010 2012 2014 2016 2018

EL MÉTODO DE BOX JENKINS

Supuestos del modelo:
1. Prueba de estacionariedad mediante el test de raíz unitaria de DICKEY –
FULLER

La prueba de la estacionariedad es el primer paso en la elaboración de modelos

ARIMA según la metodología de box –Jenkins.

Se realiza haciendo:
PASO 1: Se aplica el test de Dickey – Fuller sobre la base de datos de la serie de
tiempo, si no pasa la prueba de DF, entonces se procede a aplicar la prueba de
DF en primera diferencias.

PASO 2: Como sobre la base de datos original no pasó la prueba de DF,

entonces se aplica el test de DF para primera diferencias, tal como se visualiza
en la tabla siguiente
 3

Null Hypothesis: D(IPC) has a unit root

Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=14)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -11.17248... 4.59406...

Test critical values: 1% level -3.45910145627431
5% level -2.874085895707535
10% level -2.573532519693115

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

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(IPC,2)
Method: Least Squares
Date: 06/30/19 Time: 23:17
Sample (adjusted): 2000M03 2019M01
Included observations: 227 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

D(IPC(-1)) -0.71356... 0.0638682... -11.17248... 2.41628...

C 0.160532... 0.0245522... 6.5384148... 4.12116...

R-squared 0.356820... Mean dependent-0.00129076211453764

var
Adjusted R-squared 0.353961... S.D. dependent var0.371614454595839
S.E. of regression 0.298690... Akaike info criterion
0.4299553953919987
Sum squared resid 20.07363... Schwarz criterion
0.4601311664711299
Log likelihood -46.7999... Hannan-Quinn 0.4421317599033043
criter.
F-statistic 124.8244... Durbin-Watson stat1.955703314600195
Prob(F-statistic) 2.416288...

2. Identificación del modelo ARIMA (mediante el correlograma)

El correlograma para primeras diferencias.
 4

Date: 06/30/19 Time: 23:25

Sample: 2000M01 2019M01
Included observations: 228

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 0.28... 0.28... 18.91... 1.36...

2 0.01... -0.0... 18.94... 7.69...
3 -0.0... 0.01... 18.95... 0.00...
4 0.05... 0.05... 19.56... 0.00...
5 0.21... 0.20... 30.48... 1.18...
6 0.12... 0.00... 33.91... 6.97...
7 0.01... -0.0... 33.97... 1.74...
8 -0.1... -0.1... 37.40... 9.68...
9 -0.0... 0.03... 37.58... 2.07...
10 0.00... -0.0... 37.58... 4.47...
11 0.05... 0.05... 38.43... 6.60...
12 0.18... 0.17... 46.87... 4.89...
13 -0.0... -0.0... 46.88... 1.01...
14 -0.1... -0.0... 49.82... 6.54...
15 -0.0... 0.03... 49.97... 1.21...
16 -0.0... -0.0... 50.08... 2.22...
17 0.02... -0.0... 50.21... 3.91...
18 -0.0... -0.0... 51.02... 5.27...
19 -0.0... 0.06... 51.31... 8.36...
20 -0.0... 0.04... 51.33... 0.00...
21 -0.0... -0.0... 51.66... 0.00...
22 -0.0... -0.0... 51.98... 0.00...
23 -0.0... -0.0... 52.78... 0.00...
24 0.10... 0.10... 55.89... 0.00...
25 -0.0... -0.0... 55.98... 0.00...
26 -0.0... 0.02... 56.53... 0.00...
27 -0.0... -0.0... 57.71... 0.00...
28 -0.1... -0.0... 61.50... 0.00...
29 -0.0... -0.0... 62.19... 0.00...
30 -0.0... 0.03... 62.31... 0.00...
31 -0.0... -0.0... 62.38... 0.00...
32 -7.0... 0.05... 62.38... 0.00...
33 -0.0... -0.0... 63.31... 0.00...
34 -0.0... 0.05... 63.63... 0.00...
35 0.11... 0.14... 67.53... 0.00...
36 0.18... 0.05... 77.23... 7.78...

3. Estimación del modelo identificado

Para estimar el modelo ARIMA, acudimos a patrones teóricos de identificación:
 5

De acuerdo a los patrones teóricos, de acuerdo al correlograma para primera

diferencias obtenido es:
AR(1) MA(5)

Dando la siguiente ecuación desde la línea de comando:

LS D(IPC) C AR(1) MA(6)

Se obtiene la siguiente tabla:

 6

Dependent Variable: D(IPC)

Method: ARMA Maximum Likelihood (BFGS)
Date: 06/30/19 Time: 23:45
Sample: 2000M02 2019M01
Included observations: 228
Convergence achieved after 4 iterations
Coefficient covariance computed using outer pro...

Variable Coefficient Std. Error

C 0.226132... 0.0303508...
AR(1) 0.277171... 0.0526568...
MA(6) 0.050704... 0.0619319...
SIGMASQ 0.087814... 0.0060456...

R-squared 0.085400... Mean de...

Adjusted R-squared 0.073151... S.D. dep...
S.E. of regression 0.298969... Akaike in...
Sum squared resid 20.02168... Schwarz ...
Log likelihood -46.2572... Hannan...
F-statistic 6.972011... Durbin-...
Prob(F-statistic) 0.000166...

Inverted AR Roots .28

Inverted MA Roots .53+.30i .53-.30i
-.53+.30i -.53-.30i
De donde el modelo es:
IPC=0.226132+0.277171 ( IPCt −1) + 0.050704 ( ε t−6 ) +e

4. Verificación del modelo de ruido blanco de los residuos mediante el correlograma

Vamos invocar la ecuación ARIMA IDENTIFICADO:

VIEW/RESIDUAL DIAGNOSTICS/ CORRELOGRAM – QSTATISTICS----/

 7

Date: 07/01/19 Time: 00:10

Sample: 2000M01 2019M01
Included observations: 228
Q-statistic probabilities adjusted for 2 ARMA terms

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 0.01... 0.01... 0.090...

2 -0.0... -0.0... 1.072...
3 -0.0... -0.0... 1.234... 0.26...
4 0.00... -0.0... 1.234... 0.53...
5 0.20... 0.19... 10.65... 0.01...
6 0.01... 0.00... 10.68... 0.03...
7 0.01... 0.04... 10.75... 0.05...
8 -0.1... -0.1... 14.71... 0.02...
9 0.00... 0.01... 14.71... 0.03...
10 -0.0... -0.0... 14.72... 0.06...
11 -0.0... -0.0... 14.72... 0.09...
12 0.20... 0.20... 25.04... 0.00...
13 -0.0... 0.01... 25.27... 0.00...
14 -0.1... -0.1... 28.44... 0.00...
15 0.01... 0.03... 28.48... 0.00...
16 -0.0... -0.0... 28.59... 0.01...
17 0.05... -0.0... 29.37... 0.01...
18 -0.0... -0.0... 31.08... 0.01...
19 -0.0... 0.03... 31.15... 0.01...
20 0.01... 0.06... 31.25... 0.02...
21 -0.0... -0.0... 31.43... 0.03...
22 -0.0... -0.0... 31.43... 0.04...
23 -0.0... -0.0... 33.65... 0.03...
24 0.15... 0.11... 39.98... 0.01...
25 -0.0... -0.0... 40.40... 0.01...
26 -0.0... 0.01... 40.64... 0.01...
27 -0.0... -0.0... 40.79... 0.02...
28 -0.1... -0.0... 43.60... 0.01...
29 -0.0... -0.0... 43.68... 0.02...
30 -0.0... 0.02... 43.80... 0.02...
31 -0.0... -0.0... 43.85... 0.03...
32 0.02... 0.05... 44.05... 0.04...
33 -0.0... -0.0... 45.01... 0.04...
34 -0.0... -0.0... 45.67... 0.05...
35 0.08... 0.12... 47.85... 0.04...
36 0.15... 0.08... 54.40... 0.01...

Como la prob es en su mayoría menor a 0.05, entonces el modelo no tiene ruido

blanco.

Verificación de heterocedasticidad condicionada:

Haciendo:
Primero se invoca el modelo:
Luego, VIEW/RESIDUAL DIAGNOSTICS/CORRELOGRAM SQUARED RESIDUALS--/
Como respuesta se tiene la tabla que sigue:
 8

Date: 07/01/19 Time: 00:27

Sample: 2000M01 2019M01
Included observations: 228

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 0.23... 0.23... 12.77... 0.00...

2 0.04... -0.0... 13.33... 0.00...
3 -0.0... -0.0... 14.53... 0.00...
4 0.01... 0.05... 14.59... 0.00...
5 0.11... 0.11... 17.89... 0.00...
6 0.06... -0.0... 18.75... 0.00...
7 0.09... 0.07... 20.70... 0.00...
8 -0.0... -0.0... 21.40... 0.00...
9 -0.0... -0.0... 23.46... 0.00...
10 -0.0... -0.0... 24.56... 0.00...
11 -0.0... -0.0... 24.82... 0.00...
12 0.11... 0.10... 27.95... 0.00...
13 -0.0... -0.0... 27.95... 0.00...
14 -0.0... -0.0... 29.12... 0.01...
15 -0.0... 0.05... 29.29... 0.01...
16 -0.0... -0.0... 29.65... 0.01...
17 -0.0... -0.0... 30.34... 0.02...
18 -0.0... -0.0... 31.94... 0.02...
19 -0.0... -0.0... 32.24... 0.02...
20 -0.0... 0.00... 32.31... 0.04...
21 -0.0... -0.0... 33.44... 0.04...
22 -0.0... 0.01... 33.56... 0.05...
23 -0.0... 0.02... 33.56... 0.07...
24 0.10... 0.10... 36.48... 0.04...
25 0.03... -0.0... 36.87... 0.05...
26 -0.0... -0.0... 37.54... 0.06...
27 -0.0... -0.0... 37.71... 0.08...
28 -0.0... -0.0... 37.72... 0.10...
29 0.02... -0.0... 37.83... 0.12...
30 -0.0... -0.0... 38.29... 0.14...
31 0.00... 0.01... 38.31... 0.17...
32 -0.0... -0.0... 38.75... 0.19...
33 -0.0... 0.01... 38.94... 0.21...
34 -0.0... -0.0... 39.75... 0.22...
35 -0.0... -0.0... 39.85... 0.26...
36 -0.0... -0.0... 39.85... 0.30...

Hipótesis:
Planteamiento de hipótesis de heterocedasticidad condicionada
Ho: no heterocedasticidad condicionada
H1: existe heterocedasticidad condicionada
La probabilidad del test muestra que no es estadísticamente significativo al 5% de
significancia no existe heterocedasticidad condicionada.

5. Capacidad predictiva del modelo:

EN EL RANGO SE AMPLIA HASTA UN AÑO MÁS

Y luego en la ecuación : stats---/
Forecast--/
 9

Rango desde 2005 enero hasta 2020 junio.

Se obtiene el resultado gráfico siguiente:

150
Forecast: IPCF
140 Actual: IPC
Forecast sample: 2005M01 2020M06
130
Included observations: 186
120
Root Mean Squared Error 2.833753
Mean Absolute Error 2.199949
110 Mean Abs. Percent Error 1.929823
Theil Inequality Coefficient 0.013106
100
Bias Proportion 0.164868
Variance Proportion 0.686408
90
Covariance Proportion 0.148723
80 Theil U2 Coefficient 6.443744
05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 Symmetric MAPE 1.947100

IPCF ± 2 S.E.

Y luego en la base de datos genera un nueva base de de datos con el nombre IPCF, con el que
se puede graficar:

IPCF
140

130

120

110

100

90

80

70
2000 2002 2004 2006 2008 2010 2012 2014 2016 2018 2020