Nombre: Rebeca Elizabeth Herrera Torres

Paralelo: 172

ANÁLISIS DE SERIES DE TIEMPO

MODELOS ESTOCÁSTICOS
INFORME EJECUTIVO
El objetivo de este informe es analizar el comportamiento histórico de las variables
reales tales como el PIB, depósitos a la vista, inversión pública y privada por medio de
herramientas estadísticas de serie de tiempo con la finalidad de conocer el proceso
generador de datos para así poder predecir su comportamiento futuro.
PIB
Una de las variables a analizar es el PIB real per cápita, al graficarlo podemos
4
observar a simple vista que la serie podría no
ser estacionaria en el tiempo debido al pico
2

que en existe en los años 2000, luego de

PIB real per cápita
0

este periodo la serie podría ser estacionaria

porque se comporta de una forma
-2

constante, puede no presentar tendencia,

debido a que no se encuentra alguna
-4

pendiente, ni existe un patrón definido sobre cómo se comporta la serie a

-6

lo largo del tiempo.

1995q1 2000q1 2005q1 2010q1 2015q1
Alrededor de 1995 y 2000 podemos notar que time

existen unos picos, los cuales se ven Fuente: BCE

justificados por shocks que ocurrieron en Elaborado por el autor
el país en aquella época como el
crecimiento de las exportaciones de petróleo y agropecuarias, además de la crisis
política y energética, tiempo después el feriado bancario y el comienzo de la
dolarización que definitivamente marcaron en gran medida a la productividad del país,
luego de este periodo se observa que la serie evoluciona a un nivel constante.
DEPOSITOS A LA VISTA
40

Al graficar la variable podemos observar que no presenta una tendencia

clara ni mucho menos estacionalidad, al no existir un patrón
20
Depósitos a la vista

marcado en la serie se presume que la serie no

es estacionaria, a su vez podemos notar que al
0

igual que en el PIB hubo gran variación

-20

alrededor del año 2000, esto se debe principalmente al feriado bancario

y al inicio de la dolarización lo cual causó que la gente pierda la confianza
-40

1995q1 2000q1 2005q1 2010q1 2015q1

que tenía en el sistema bancario, evitando
así time
colocar su dinero en este tipo de
instituciones financieras. Si se analiza la serie Fuente: BCE
Elaborado por el autor

1
despues de los años 2000 se podria decir que la serie es estacionaria porque se comporta
de una manera constante.
INVERSIÓN PUBLICA INVERSIÓN PRIVADA

150
100

100
50

Inversión privada
Inversión pública

50
0

0
-50

-50
1995q1 2000q1 2005q1 2010q1 2015q1 1995q1 2000q1 2005q1 2010q1 2015q1
time time

Fuente: BCE Fuente: BCE

Elaborado por el autor Elaborado por el autor

2
Tanto en la inversión privada como pública se puede notar gran volatilidad en los datos,
por tanto no se ve de manera clara que tenga tendencia ni estacionalidad. En el caso de
la Inversión pública, a pesar de que no se ve con claridad, podria decirse que es un
proceso estacionario, mientras que en el caso de la inversión privada apartir del 2009
comienza a tener un comportamiento constante y estable.

Los picos que se presentan pueden darse por una serie de sucesos como la crisis política
que se vivió en el país el 30 de septiembre 2010 la misma que fue calificada como
intento de golpe de estado, la crisis diplomática que hubo entre Ecuador y Reino Unido
por la protección dada al señor Julian Assange y la caída del precio del petróleo, entre
otros.
IDENTIFICACIÓN DEL MODELO
PIB
Para identicar que modelo se ajusta
de mayor manera a la serie, se
procede a realizar ciertos análisis, el
primero de ellos corresponde a la
tendencia por medio del cual se
analizan los grados con relación a las
estimaciones, evaluando de esta
manera la significancia que tendrian
en un modelo de regresión. La
prueba se realizó hasta un posible
grado 10 de tendencia y no se
encontró ninguna significancia por tanto queda descartado su existencia en la serie.
Luego para probar si es o no estacionaria, se generó una variable estacional con
dummys, se utilizó un nivel de significancia del 5% y pudimos ver que si eran
significativos, por tanto la serie es estacionaria.

Para analizar si el proceso es autorregresivo o de media móvil, se procede a graficar la

función de autocorrelación (Anexo1) para asi determinar que rezagos le brindan
información a mi modelo, una vez revisado el correlograma se pudo notar que los
periodos 4, 8, 12 y 16 son relevantes para la dinámica de mi serie, para verificar su
confiabilidad se procedió a realizar un intervalo de confianza (Anexo5) al 95% para 20
rezagos. Adicional a esto, se realizó un test de ruido blanco (Anexo9), el cual salió
positivo, por tanto mi serie si es estacionaria.

3
Se probó un modelo MA(4 8) pero al revisar claramente el modelo de autocorrelación se
pudo notar que este pierde significancia, de igual manera sucedió con un modelo AR(4
5 8) los rezagos dejan de ser estadísticamente significativos.

MA (4 8) PIB per cápita AR(4 5 8)

Luego de analizar la autocorrelación parcial, se procedió a incluir el 1er y 18vo rezago

en el modelo, AR(18) y MA(1), con los criterios AIC y BIC se elige el que posee menor
valor pero por criterio de parsimonia se escoge el modelo AR(1) en lugar del MA(1),
debido a que el modelo AR(1) tiene menor valor en los criterios de información y a que
al modelo MA(1) su cambio marginal es pequeño.
PIBt =−5.14+ 2.43 q d 2+ 2.5 q d 3+ 2.33 q d 4 +0.296 PIBt −1

qd t :t=2,3,4 Proceso estacional trimestral del PIB

Para verificar que nuestro modelo no posea problema de raíz unitaria, se procedió a
realizar pruebas Dickey-Fuller, Dickey-Fuller GLS y el test de Perron con los cuales
rechazo la H0 de que exista raíz unitaria, por tanto mi regresión es ruido blanco y la
serie es estacionaria.

DEPOSITOS A LA VISTA
La serie no tiene problema de raíz unitaria, sin embargo al crear una variable ficticia de
tendencia, los grados de la misma no fueron significativos sino hasta el 5to donde se
pudo notar que la serie posee una tendencia de grado 5. Al realizar el análisis de
estacionalidad se puede notar que existe estacionalidad hasta el 4to trimestre.

En correlograma (Anexo2) se puede observar en el gráfico de autocorrelación que los

periodos relevantes para la dinámica de la serie son los rezagos 3 y 5, mientras que para
la autocorrelación parcial son 3, 5, 6. Se comienza a observar cuál de estos modelos

4
AR(3 5) o MA(3 5) pierde menor cantidad de información sumado a los criterios AIC,
BIC que eligen el que tiene menor valor y parsimonia eligiendo el mas simple, se optó
por un AR(3 5).

Dep ❑ d
vista
=−0.0348+ 0.2475 Dep❑vista −0.3024 Dep ❑
d
vista
d
t t−3 t−5

A este nuevo modelo se le realiza prueba de raíz unitaria Dickey Fuller aumentado hasta
el rezago 20 y se rechaza H0, es decir no hay presencia de raíz unitaria en la serie, por
ende los coeficientes son estadísticamente significativos al 95% de confianza.
Se realizó un test ruido blanco (Anexo10) donde podemos corroborar que sus errores se
distribuyen ruido blanco y a su vez que no existe un patrón de aucorrelación.
INVERSIÓN PÚBLICA
En el caso de la inversión pública se procedió a evaluar hasta el grado 10 de tendencia y
no se encontró ninguna significativa, por tanto, la serie no tiene tendencia, además se
realizó el análisis de estacionalidad donde se comprobó que la serie era estacionaria.

Al observar el correlograma (Anexo3) se puede ver que los rezagos 1 y 4 son los más
relevantes para predecir el comportamiento de una serie. Al realizar el test de ruido
blanco podemos notar que nuestros datos se salen del intervalo (Anexo11) por lo cual
podemos concluir que no es un proceso ruido blanco.
Considerando la autocorrelación se procedió a incluir el 3er rezago y se testeo con 1,3 y
4 periodos, sin embargo, al momento de testear salieron no significativos, es decir
ninguna de esas realizaciones pasadas contribuyen a la dinámica de mi serie. El modelo
MA(1) es el más adecuado, fue escogido de acuerdo al criterio de parsimonia y a los
criterios de información AIC y BIC, además que este si proporciona residuos que se
distribuyen normalmente y son ruido blanco.

5
Inverpubli dt = -29.22+57.74q d2 +¿ 35.81q d3 +¿ 62.05q d 4

INVERSIÓN PRIVADA
Se realiza el análisis de tendencia y se concluye que la serie no posee una tendencia
especifica. A su vez se observó un alto grado de significancia al momento del análisis
de estacionalidad.

Una vez revisado el correlograma (Anexo4) podemos notar que los rezagos que
contribuyen a la dinámica de mi serie son el 1 y el 4. Al momento de graficar la función
de autocorrelación parcial notamos que estos rezagos si eran significativos, cuando se
grafica la autocorrelación parcial se procedió a incluir el 3er rezago debido a que este
junto con el 1 y 2 salen significativos.
Haciendo uso de los criterios de información y tomando en cuenta que los coeficientes
son significativos, el modelo que mejor se ajusta a la serie es un proceso MA(1)

t =49.77+52.63q d2 −¿47.63q d3 −66.38.q d 4-0.330 Inverpriv t −1

Inverpriv ❑ ❑

6
Se procedió a realizar un test de raíz unitaria, se rechaza la H0 por tanto la regresión no
tendría este problema.

PARTICIÓN DE LA MUESTRA PARA PRONÓSTICO

PIB
Para realizar el pronóstico se trabajará desde el año 2000, puesto que los quiebres que
existen antes de este periodo afectarían a la dinámica de mi serie, debido a que los
mismos no se deben a un comportamiento usual, sino que se dieron únicamente por
shocks (crisis financiera) que hubo en aquella época.
A partir del 2000 se realiza una partición la serie en un 70% y se construye un modelo
que sea estacionario trimestral y el modelo es definido de acuerdo a los criterios de
información, evaluando si el modelo tiene tendencia, entre otros, el modelo que menos
pierde información es el AR(1) que se detalla a continuación:

PIBt +1=−0.85+ 1.98 q d 2+ 1.99 q d 3+ 2.32qd 4 + 0.31 PIBt

Mientras que el otro 30% nos sirve para ver qué tan bueno fue nuestro pronóstico, para
ello se realizó el proceso one step ahead, debido a que acumula menor cantidad de error
de predicción.

Elaborado por el autor

7
DEPOSITOS A LA VISTA
En el caso de depósitos a la vista, se trabaja con la serie completa puesto que la
volatilidad de estas épocas nos servirá para nuestro pronóstico. Al evaluar el modelo, se
puede notar que no es estacionario ni posee tendencia y según la función de
autocorrelación los rezagos 3 y 5 son los que brindan información a la serie de como se
va a comportar en el futuro. Se elige un modelo AR(3 5) y se empieza a hacer pruebas
de existencia de raíz unitaria, h0 fue rechazada es decir no existe este problema, se
realizó test de ruido blanco y en efecto la serie si lo es, por tanto podemos decir que el
modelo se encuentra bien especificado.
40
20
0
-20
-40

1995q1 2000q1 2005q1 2010q1 2015q1

time

Depósitos a la vista y prediction, dyn(tq(2015q3))

Elaborado por el autor

INVERSIÓN PÚBLICA
Al igual que en el caso del PIB, se procedió a coger la serie desde el año 2000, para que
no afecte a mi pronóstico, se realiza un test de raíz unitaria y se rechaza H0 por lo que
podemos decir que la serie no tiene este problema.
Se analiza la función de autocorrelación simple y parcial para ver que rezagos en mi
modelo son de carácter informativo, la simple indica que son significativos los rezagos
1,3, 4, mientras que la parcial indica que lo son el 1 y 3. Luego de emplear criterios de
información y el de parsimonia se elige el proceso MA(1), puesto que es el modelo que
pierde menos información.

Elaborado por el autor

8
INVERSIÓN PRIVADA
Al igual que en el PIB y en la inversión privada, se escoge desde el año los datos desde
el año 2000 y se parte la serie para que así no afecte las realizaciones que se dieron por
shocks a mi pronóstico. Se realizó pruebas a ver si existía algún grado de tendencia,
pero no se encontró ninguno significativo, se evaluó estacionalidad y efectivamente su
comportamiento se da de manera constante. Al revisar el correlograma pudimos
observar que los rezagos que brindan información a mi serie es el 1 y 3, luego de
emplear los criterios de información y el de parsimonia, se llega a la conclusión que el
mejor modelo es un MA(1 3).

Elaborado por el autor

9
ANEXOS
Función de autocorrelación simple y parcial
PIB-Anexo1

Depósitos a la vista-Anexo2

Inversión Pública-Anexo3

10
Inversión Privada-Anexo4

IC Función de Autocorrelación Simple

PIB- Anexo5 Depósitos a la vista-Anexo6

Inversión Pública-Anexo7 Inversión Privada-Anexo8

11
IC Función de aucorrelación Parcial
PIB- Anexo5.1 Depósitos a la vista-Anexo6.1

0.40
0.40

Partial autocorrelations of depvis

Partial autocorrelations of pib

0.20
0.20

0.00
0.00

-0.20
-0.20

-0.40
-0.40

0 5 10 15 20 0 5 10 15 20
Lag Lag
95% Confidence bands [se = 1/sqrt(n)] 95% Confidence bands [se = 1/sqrt(n)]

Inversión Pública-Anexo7.1 Inversión Privada-Anexo8.1

0.40
0.50

Partial autocorrelations of fbkfpu

Partial autocorrelations of fbkfpr

0.00 0.20
0.00

-0.20
-0.50

-0.40

0 5 10 15 20 0 5 10 15 20
Lag Lag
95% Confidence bands [se = 1/sqrt(n)] 95% Confidence bands [se = 1/sqrt(n)]

Test Ruido blanco

PIB-Anexo9 Depósitos a la vista-Anexo10

Inversión Pública-Anexo11 Inversión Privada-Anexo12

12