Documentos de Académico
Documentos de Profesional
Documentos de Cultura
RESUMEN
El objetivo de este documento es analizar la variable macroeconómica producción
pesquera en Colombia, donde se efectuara un proceso de selección de modelo ARIMA,
que pueda predecir la circulación generar la variable durante un periodo aproximado de
cinco (5) años. Se tomaron los datos del banco mundial referente a la producción
pesquera en Colombia (toneladas métricas) con un rango de 57 años, desde 1960 hasta
2016. Se realiza diversas pruebas para detectar si la variable presenta problemas de
estacionariedad. A su vez por medio de herramientas econométricas que nos ayudaran a
resolver dichos problemas por ejemplo: el caso de raíz unitaria. Posteriormente, se evalúa
si el modelo posee capacidad predictiva. Teniendo en cuenta los diversos parámetros
que con llevan a encontrar el modelo idóneo.
Palabras claves:
Comercio de peces, residuos del modelo, pruebas, variable, predicción
INTRODUCCION
La producción pesquera por ser una actividad económica, destacando la atención
sectorial. En Colombia, hay un marco jurídico que regula el manejo integral y la
explotación racional de los recursos pesqueros con el fin de asegurar su aprovechamiento
sostenido.
Sin duda alguna la pesca es considerada una importante fuente de empleo y de ingreso a
nivel mundial. Por otra parte, se caracteriza por el tamaño comparativamente pequeño
de stocks comercialmente importantes en sus aguas jurisdiccionales, que contrasta con
una alta diversidad de especies típica de zonas tropicales. Además, la gestión en el
manejo, la administración y el fomento de la pesca se ha limitado en los últimos 10 años
por cambios frecuentes en la institucionalidad del sector, que ha llevado a poca
representatividad del sector.
El objetivo principal de este trabajo es la estimación de un modelo ARIMA, cual desvele el
proceso generador de datos del proceso estocástico de la producción pesquera en
Colombia, el cual es un estudio de gran índole, dado que permite conocer el
comportamiento de esta variable. El desarrollo de este trabajo está organizado de la
siguiente manera; en primera instancia se justifica el por qué es relevante y pertenece
conocer el tema, luego se pasa a exponer las teorías que aportan al esclarecimiento al
interrogante y se muestra la revisión literaria existente. Por consecuente se realiza la
metodología aplicada seguido se enseña el modelo econométrico que exponga la
producción pesquera en Colombia con sus respectivas conclusiones.
DESCRIPCIÓN DE LA VARIABLE
Producción Pesquera (toneladas métricas)
La producción pesquera total mide el volumen de especies acuáticas capturadas por un
país para todos los fines comerciales, industriales, recreativos y de subsistencia. También
se incluye la cosecha de maricultura, acuicultura y otros tipos de piscicultura.
Fuente: Organización para la Alimentación y la Agricultura
METODOLOGIA
La metodología a utilizar consta de tres etapas para el modelo iterativo de Box Jenkins,
las tres etapas del modelo iterativo son las siguientes:
En primer lugar la Identificación y selección del modelo permite asegurarse de que las
variables son estacionarias, la identificación de la estacionariedad de la serie
dependiente,-diferenciación estacional, para cierto periodo, si es necesario-, y el uso de
los gráficos de las funciones de autocorrelación y de autocorrelación de la serie de tiempo
se utilizan para decidir cuál componente si es el caso se debe utilizar en el modelo, el
promedio autoregresivo AR o por un promedio móvil MA. En segundo lugar la estimación
de parámetros exponenciales que mejor se ajusten al modelo ARIMA seleccionado. Y en
ultimo debemos comprobar el modelo mediante el ensayo, si el modelo estimado se
ajusta a las especificaciones de un proceso univariado estacionario. En particular, los
residuos deben ser independientes el uno del otro, además, la media debe ser igual a
cero y la varianza debe ser constante en el tiempo. Para identificar los errores de
especificación es útil la graficación de la media y la varianza de los residuos a través del
tiempo y la realización de una prueba de ljung-Box o bien por medio del trazado de auto
correlación y auto correlación parcial de los residuos. Si la estimación es inadecuada,
tenemos que volver al paso uno e intentar buscar un modelo mejor.
MARCO TEÓRICO
La pesca es una actividad fundamental en el funcionamiento de las economías modernas,
pero paradójicamente está sometido a una permanente contradicción; La economía es
una ciencia que estudia la escasez de recursos. El concepto de actividades económicas
son procesos que a través del uso de factores de producción crean bienes y servicios
para satisfacer las necesidades de los consumidores. Las actividades económicas
implican que no solo se producen para el consumidor, sino también para generar bienes
utilizados como factores de producción por sectores económicos.
WOLF: TEORÍA DE LA PRODUCCIÓN
Según Wolf define la producción como “un conjunto concreto, que ocurre históricamente,
de relaciones sociales mediante las cuales se despliega trabajo para exprimir energía de
la naturaleza por medio de utensilios, destrezas, organización y conocimiento” (Wolf;
1994: 100).
200,000
160,000
120,000
80,000
40,000
0
60 65 70 75 80 85 90 95 00 05 10 15
PES
240,000
200,000
160,000
120,000
80,000
40,000
0
En el gráfico de líneas de nuestra serie se puede observar un periodo que va desde 1960
hasta 2016, al evidenciar el comportamiento volátil de los datos a simple vista se puede
decir que esta serie va a presentar problemas de variabilidad y de tendencia (serie no
estacionaria) por lo cual se realizarán correcciones más adelante y así obtener una serie
que sea estacionaria, es decir sin problemas de variabilidad y tendencia.
Se puede evidenciar en el gráfico de cajas y bigotes que la serie de estudio no presenta
datos atípicos ubicados por fuera del límite superior y que la media se encuentra por
encima de la mediana, y en cuanto a las estadísticas descriptivas podemos decir que la
producción pesquera presenta una media de 117893.7 y una mediana o valor central
dentro de la serie de 105300.0, se observa un valor máximo de 203824.0 y un valor
mínimo de 29800.00, los datos tienen una desviación estándar de 5517.98 para un total
de 57 observaciones correspondientes a 57 años desde 1960 hasta 2016.
En los datos originales la serie es no estacionaria, La estacionariedad por lo tanto es todo
lo contrario, es decir, haber corregido los problemas en la variabilidad y la tendencia, y se
pueden presentar teóricamente de la siguiente manera: E(εt ) = 0, media cero; var (εt ) =
σ2, varianza constante y cov (εt , εt+s ) = 0 s diferente 0, covarianza invariante. Por lo
tanto a continuación realizaremos el método de Victor Guerrero para la corrección de los
problemas de la no estacionariedad.
METODO DE GUERRERO
El método planteado por Víctor guerrero nos da a conocer una serie de pasos para indicar
cuál sería la transformación ideal que puede sufrir nuestra serie para hacerse estacionaria
y corregir el problema de variabilidad, en nuestro caso como el coeficiente de variabilidad
más bajo quedo ubicado en )45,7935529( 1,25 = גsegún la teoría de Víctor guerrero se
debería transformar elevando los datos a la 1 pero daría el mismo resultado por lo tanto
se deja igual. Describiendo brevemente el proceso ejecutado en la metodología de Víctor
guerrero para nuestro caso, eliminamos aproximadamente el 12% de los datos, que
representan a 6 observaciones aproximadamente de un total de 57 para poder dejar
grupos homogéneos de 8 cada uno, luego realizamos la tabla de las potencias y la escala
que utilizamos fue de 0.25 en un intervalo de (-1 3 )ג
CORRELOGRAMA DE LA VARIABLE
Ubicándonos en el correlograma de la serie producción pesquera como mencionamos
anteriormente, se nota que comienza con un rezago muy potente y significativo y va
disminuyendo, de tal manera que se asemeja al esquema AR 1. De igual forma para
identificar la significancia estadística, construimos los intervalos de confianza de pk, Como
2 1
n=57 observaciones entonces, S pk = =0.01754386 y su desviación estándar:
57
S pk =√ 0.01754386=0.13245324
Entonces se construye para un IC = 95% se tiene un Z=1.96
MODELO FINAL
Al estimar nuestro modelo final con varias alternativas, finalmente el único modelo que fue
significativo y genero unos residuos ruido blanco fue un arima autoregresivo de orden 0,
integrado dos veces (2) y de media móvil dos (2)
RUIDO BLANCO
H0: los residuos son de ruido blanco
H1: no son ruido blanco
A partir del correlograma de los residuos se inferir que con el 95% de confilibidad los
residuos son de ruido blanco
Realizamos la
prueba breusch-
godfrey y nos
damos cuenta que
la probabilidad Chi
cuadrada es del
1.0000 mayor al ns,
es decir no existe
evidencia
estadísticamente
para rechazar H0 y decimos que no hay problema de autocorrelación.
HETEROCEDASTICIDAD
CONCLUSIONES
Analizar la serie de la variable producción pesquera en Colombia para los años de 1960
hasta 2016, y realizar unas predicciones de los siguientes 5 años, es decir respectivas se
evidencia que tenía problemas de variabilidad, por lo tanto se recomienda el método de
Victor Guerrero para detectar este tipo de anomalías para tratar con trasformaciones
exponencial para detectar este tipo de anomalías para tratar con trasformaciones
exponencial, y corregir problemas de tendencia se realizó la prueba de raíz unitaria con el
test Dickey Fuller , arrojando una mejor indicación de corregir el problema era mediante
segundas diferencias en un modelo que no tuviera ni tendencia ni intercepto,
comprobando que el modelo en su nivel y en primeras diferencias no eran significativa y
no presentaban ruido blanco. Se realizaron las pruebas de los residuos entre ellas: la
normalidad, la heterocedasticidad y la autocorrelacion. Finalmente se realizó la prueba de
capacidad predictiva del modelo en donde encontramos un coeficiente cercano a 1, por lo
tanto nuestro modelo no posee buena capacidad predictiva
REFERENCIAS BIBLIOGRAFIAS
GARZA, M.D. La Actividad Pesquera Mundial. Editorial Picador. Barcelona, España. 2008,
471p.
JIMENEZ E. La pesca artesanal, una alternativa estratégica para la economía regional de
la costa Caribe colombiana. Bogotá Tesis (Especialista en Desarrollo Rural). Universidad
Nacional de Colombia (Bogotá). Facultad de Agronomía 2003, 42p.
Katsukawa, T. y Matsuda, H., 2003. Simulated effects of target switching on yield and
sustainable fish stocks. Fisheries Research 60, 515-52.
Navia, A. F., Mejía-Falla, P. A., Gómez, L. S., Payán, L. F., Ramírez, A. V., & Tobón, A.
2008. Pesquería y Cadena Productiva del Recurso Tiburón en la Costa Pacífica
Colombiana: Análisis y Perspectivas. Cali, Colombia: Fundación Squalus.
Pavolini, G. 2012. Estudio de trazabilidad de los productos pesqueros del corredor marino
este tropical correspondiente a Colombia CMAR. In P. d. BID-CMAR, Sistema de Gestión
Regional para el Uso Sostenible de los Recursos Pesqueros del Corredor Marino del
Pacífico Este Tropical (CMAR). Resultados de Gestión en Colombia (p. 180 p.). Bogotá.
Raddar. 2006. Dinámica del consumo en Colombia en 2005.Bogotá, Colombia.
Ustate Duarte, E. Z. 2002. Estudio de Prospectiva de la Cadena Productiva de la Industria
Pesquera en la República de Colombia. Bogotá, Colombia: Ministerio de Comercio,
Industria y Turismo.
Wolf, Eric; Europa y La Gente Sin Historia. Fondo de Cultura Económica, México.1994.
ANEXOS
PRUEBA UNITARIA EN EL NIVEL CON INTERCEP
NIVEL: NONE
1ST DIFERENCE CON INTERCEPT
1ST DIFERENCE
CON INTERCEPT AND TREND