ESCUELA POLITÉCNICA NACIONAL

FACULTAD DE CIENCIAS

INGENIERÍA MATEMÁTICA
SERIES TEMPORALES

MODELACIÓN DE LAS VARIACIONES TRIMESTRALES

DEL PIB, IMPORTACIONES Y LA FORMACIÓN BRUTA
DEL CAPITAL FIJO DEL ECUADOR
Integrantes:
 Cruz Segura Stefano Sebastián
 Granda Betancourt William Gabriel

Fecha:
14 de Febrero de 2021
Profesor:
 Dr. Holger Capa Santos
 1. Introducción
Un indicador económico es un dato de carácter estadístico sobre la economía que permite
realizar un análisis de la situación y del rendimiento de la economía tanto pasada como
presente, y en gran parte de los casos sirve para realizar previsiones sobre la futura
evolución de la economía. Para este caso, consideraremos la oferta y utilización de bienes
y servicios del PIB, las importaciones y la formación bruta de capital fijo (FBKF).

2. Objetivo
Modelar las variaciones trimestrales de la Oferta y Utilización de Bienes y Servicios del PIB,
las importaciones y la formación bruta de capital fijo empleando los modelos VAR.

3. Descripción de los datos

Los datos sobre la Oferta y Utilización de Bienes y Servicios del PIB, las importaciones y la
formación bruta de capital fijo en el Ecuador, fueron extraídos de la página del Banco
Central del Ecuador (BCE), en la sección de Cuentas Nacionales en los temas relacionados a
Cuentas Nacionales Trimestrales (Boletín No 113). Para el presente trabajo, consideramos
los datos desde el año 2000 hasta el tercer trimestre del 2020. En total se disponen de 83
datos de cada serie. Sin embargo, utilizaremos 78 datos, desde el tercer trimestre del 2000
al segundo trimestre del 2019, para la modelación; por otro lado, los últimos 5 datos serán
empleados para realizar una comparación con las predicciones obtenidas con el modelo
final. Además, se trabajará con el software estadístico EViews 11.

En el siguiente gráfico, se encuentran las 3 series de datos sin transformaciones:

 Figura 1: Series PIB, IMPORTACIONES Y FBKF.

4. Estacionariedad
En la figura 1, podemos notar que las series no son estacionarias. Por ello, en la
modelización, se trabajará con las variaciones porcentuales de las series.
Denotaremos a estas series de la siguiente manera:
𝑌1𝑡 = Variación trimestral del PIB.
𝑌2𝑡 =Variación trimestral de las exportaciones.
𝑌3𝑡 = Variación trimestral del FBKF.
Se trabajará con 76 datos dado que, al calcular las variaciones, se pierde el primer dato. Así,
el gráfico de las series es:
 Figura 2: Gráfico de las variaciones trimestrales de las series

Para verificar si las variaciones porcentuales no presentan tendencias se utilizará las

pruebas de Dickey – Fuller:

Figura 3: Prueba de Dickey-Fuller para 𝑌1𝑡 .

 Figura 4: Prueba de Dickey-Fuller para 𝑌2𝑡 .

Figura 5: Prueba de Dickey-Fuller para 𝑌3𝑡 .

Debido a que en las pruebas de hipótesis de las tres series el p-valor es menor a 0.05 se
concluye que no se necesita diferenciación y por ello son estacionarias, una vez verificada
la estacionariedad de las series se procede a la modelización y se empieza por verificar las
correlaciones cruzadas:
Figura 6: Correlación cruzada entre 𝑌1𝑡 y 𝑌2𝑡 .
Figura 7: Correlación cruzada entre 𝑌1𝑡 y 𝑌3𝑡 .

Figura 8: Correlación cruzada entre 𝑌2𝑡 y 𝑌3𝑡 .

 5. Modelación VAR
Con la ayuda del paquete EViews, se realizó la estimación de los 4 modelos
(𝑉𝐴𝑅 (1), 𝑉𝐴𝑅 (2), 𝑉𝐴𝑅(3) Y 𝑉𝐴𝑅(4)). Así, se obtuvieron los siguientes resultados:

Figura 9: Resumen de estadísticas para el modelo 𝑉𝐴𝑅(1).

Figura 10: Resumen de estadísticas para el modelo 𝑉𝐴𝑅(2).

Figura 11: Resumen de estadísticas para el modelo 𝑉𝐴𝑅(3).

 Figura 12: Resumen de estadísticas para el modelo 𝑉𝐴𝑅(4).

Se tomarán los criterios de información de Akaike y Schwarz y Logaritmo de Máxima

Verosimilitud como criterios de evaluación y comparación entre los cuatro modelos:
1 2 3 4
Log-likelihood 471.7791 474.2982 486.5550 499.2247
Akaike -12.26078 -12.25130 -12.50836 -12.78402
Schwarz -11.88998 -11.59745 -11.56707 -11.55083
Figura 13: Tabla de criterios para elegir el retardo del VAR

De la tabla de comparación se puede concluir que el mejor modelo es el 𝑉𝐴𝑅(4).

5.1 Estabilidad del modelo

A continuación, se realizan las pruebas de estabilidad para confirmar si el modelo puede
ser utilizado para realizar predicciones, para ello se calculan las inversas de las raíces del
polinomio característico y todas ellas deberán estar en el círculo unitario:
 Figura 13: Inversas de las raíces

Raíces en el plano complejo:

Figura 14: Criterio gráfico de estabilidad para el 𝑉𝐴𝑅(4) estimado.

Una vez verificado que todas las inversas de las raíces se encuentran dentro del circulo
unitario, es decir, una vez que el modelo ha superado las pruebas de estabilidad se procede
a realizar las pruebas para verificar si los residuos no están correlacionados y se comportan
como un ruido blanco. Para ello, presentamos los resultados obtenidos en la prueba
Portmanteau y la prueba del Multiplicador de Lagrange (LM).
Figura 15: Prueba para autocorrelación Portmanteau.

Figura 16: Prueba LM

De la prueba de Portmanteau y de la prueba LM dado que los p-valores son mayores a 0,02,
se puede aceptar que no existe autocorrelación entre los residuos.

5.2 Prueba de Normalidad

Ahora debemos verificar que los residuos cumplen con el supuesto de normalidad, para
ello, emplearemos la prueba de Jarque-Bera:

Figura 17: Prueba de normalidad de los residuos.

En la figura 17, dado que todos los p-valores son mayores a 0,05, podemos concluir que los
residuos siguen una normal multivariante.
Una vez que el modelo ha aprobado las pruebas de estabilidad, autocorrelación de los
residuos y normalidad de los residuos el modelo está listo para realizar predicciones. El
modelo viene dado por:
𝑌1𝑡 = 0,427𝑌1,𝑡−1 − 0,1196𝑌1,𝑡−2 − 0,0201𝑌1,𝑡−3 + 0,1883𝑌1,𝑡−4 + 0,1683𝑌2,𝑡−1
+ 0,1107𝑌2,𝑡−2 + 0,019𝑌2,𝑡−3 + 0,2365𝑌2,𝑡−4 + 0,269𝑌3,𝑡−1
+ 0,0956𝑌3,𝑡−2 + 0,2148𝑌3,𝑡−3 + 0,2283𝑌3,𝑡−4 + 0,0065

𝑌2𝑡 = 1.3169𝑌1,𝑡−1 + 0,1259𝑌1,𝑡−2 + 0,2223𝑌1,𝑡−3 − 0.0720𝑌1,𝑡−4 + 0.2840𝑌2,𝑡−1

+ 0.3136𝑌2,𝑡−2 + 0,1386𝑌2,𝑡−3 − 0.3510𝑌2,𝑡−4 − 0.6515𝑌3,𝑡−1
− 0.2790𝑌3,𝑡−2 − 0.1232𝑌3,𝑡−3 + 0.2055𝑌3,𝑡−4 + 0.0004

𝑌3𝑡 = 0,6472𝑌1,𝑡−1 + 0,665𝑌1,𝑡−2 + 0,0405𝑌1,𝑡−3 + 0,3868𝑌1,𝑡−4 + 0,206𝑌2,𝑡−1

+ 0,2204𝑌2,𝑡−2 + 0,04𝑌2,𝑡−3 + 0,2537𝑌2,𝑡−4 + 0,203𝑌3,𝑡−1 + 0,0264𝑌3,𝑡−2
+ 0,0455𝑌3,𝑡−3 + 0,0784𝑌3,𝑡−4 + 0,0006

5.3 Comparación con modelos univariantes

A continuación, se realizará las predicciones con el modelo 𝑉𝐴𝑅(4) y se las comparará con
las predicciones realizadas por modelos univariantes estimados de cada serie por separado.
Con la intención de comparar los modelos, se reservó 5 datos reales que no se incluyeron
en la estimación de los parámetros.
Para modelizar el PIB bastó un modelo 𝐴𝑅(1):
PIB

Figura 18: Resumen estadístico para el modelo 𝐴𝑅(1)

Figura 19: FAC Y FACP estimadas para 𝑌1𝑡 .

 Figura 20: Comparación de las predicciones VAR y UNIVARIANTE para 𝑌1𝑡 .

 Para modelizar las importaciones basta un modelo 𝐴𝑅𝑀𝐴(1,2):

Figura 21: Resumen estadístico para el modelo 𝐴𝑅𝑀𝐴(1,2).

Figura 22: FAC Y FACP estimadas para 𝑌2𝑡 .
 Figura 23: Comparación de las predicciones VAR y UNIVARIANTE para 𝑌2𝑡 .

 Para modelizar el FBKF bastó un modelo 𝐴𝑅(1):

Figura 24: Resumen estadístico para el modelo 𝐴𝑅(1).

Figura 25: FAC Y FACP estimadas para 𝑌3𝑡 .
 Figura 26: Comparación de las predicciones VAR y UNIVARIANTE para 𝑌3𝑡 .

Como se puede apreciar en cada serie modelada, el modelo VAR presenta predicciones un
mejores que los modelos de una sola variable, con una discrepancia en la predicción 4 que
pertenece al segundo trimestre del 2020 (periodo en el que se experimentó una crisis
económica).
Para comparar analíticamente, en la siguiente tabla, se calcula el error cuadrático medio
estimado para determinar el mejor ajuste:
PIB IMPORTACIONES FBCF
VAR 5,344 × 10−4 3,7791 × 10−3 1,2902 × 10−3
UNIVARIANTE 1,0474 × 10−3 4,0354 × 10−3 1,3161 × 10−3
Figura 27: Error Medio Cuadrático estimado para los modelos VAR y Univariante.
En la figura 27, comprobamos que, en efecto, el modelo VAR realiza mejores predicciones
que los modelos univariantes.
6. Causalidad
Presentamos la prueba de causalidad de Granger en el siguiente gráfico:
 Figura 28: Prueba de causalidad de Granger.

Ahora, sabemos que los p-valores menores al 5% explican significativamente a la variable

dependiente; por tanto, obtenemos lo siguiente: 𝑌3𝑡 y 𝑌2𝑡 explican significativamente a 𝑌1𝑡
y, 𝑌1𝑡 explica significativamente a 𝑌2𝑡 ; de igual forma, 𝑌1𝑡 y 𝑌2𝑡 explican significativamente a
𝑌3𝑡 . Para el caso restante, 𝑌3𝑡 no explica significativamente a 𝑌2𝑡 .

7. Análisis de choques
El análisis de los choques consiste en medir el impacto de la variación de una innovación
sobre las variables. Así, mostramos los resultados de las funciones de impulso-respuesta
para las variables 𝑌1𝑡 , 𝑌2𝑡 , 𝑌3𝑡 :
Figura 29: Respuesta de las Figura 30: Respuesta de las Figura 31: Respuesta de las
variables 𝒀𝟏𝒕 , 𝒀𝟐𝒕 y 𝒀𝟑𝒕 ante variables 𝒀𝟏𝒕 , 𝒀𝟐𝒕 y 𝒀𝟑𝒕 ante variables 𝒀𝟏𝒕 , 𝒀𝟐𝒕 y 𝒀𝟑𝒕 ante
un choque unitario de 𝒀𝟏𝒕 . un choque unitario de 𝒀𝟐𝒕 . un choque unitario de 𝒀𝟑𝒕 .
Con esto, se puede evidenciar que el efecto de la innovación se desvanece con el tiempo, la cual es
una característica de un proceso VAR estacionario.

8. Descomposición de la varianza:

Figura 32: Descomposición de la varianza de 𝑌1𝑡 .

Figura 33: Descomposición de la varianza de 𝑌2𝑡 .

 Figura 34: Descomposición de la varianza 𝑌3𝑡 .

El orden de Cholesky es 𝑌1𝑡 , 𝑌2𝑡 , 𝑌3𝑡 .

Así, de las figuras precedentes, tenemos los siguientes casos:

 La varianza del error de predicción de 𝑌1𝑡 representa un 70.48% con sus propias
innovaciones, 18.49% con las innovaciones de 𝑌2𝑡 y 11.03% con las de 𝑌3𝑡 .
 La varianza del error de predicción de 𝑌2𝑡 representa un 61.82% con sus propias
innovaciones, 22.66% con las innovaciones de 𝑌1𝑡 y 15.53% con las de 𝑌3𝑡 .
 La varianza del error de predicción de 𝑌3𝑡 representa un 38.33% con sus propias
innovaciones, 23.39% con las innovaciones de 𝑌2𝑡 y 38.32% con las de 𝑌1𝑡 .

9. Conclusiones
 Tras realizar las diversas pruebas para validar un modelo para la Oferta y Utilización
de Bienes y Servicios del PIB, las importaciones y la formación bruta de capital fijo,
podemos concluir que el mejor modelo es un 𝑉𝐴𝑅(4) con los siguientes
coeficientes:

𝑌1𝑡 = 0,427𝑌1,𝑡−1 − 0,1196𝑌1,𝑡−2 − 0,0201𝑌1,𝑡−3 + 0,1883𝑌1,𝑡−4 + 0,1683𝑌2,𝑡−1

+ 0,1107𝑌2,𝑡−2 + 0,019𝑌2,𝑡−3 + 0,2365𝑌2,𝑡−4 + 0,269𝑌3,𝑡−1
+ 0,0956𝑌3,𝑡−2 + 0,2148𝑌3,𝑡−3 + 0,2283𝑌3,𝑡−4 + 0,0065

𝑌2𝑡 = 1,3169𝑌1,𝑡−1 + 0,1259𝑌1,𝑡−2 + 0,2223𝑌1,𝑡−3 − 0.0720𝑌1,𝑡−4 + 0.2840𝑌2,𝑡−1

+ 0.3136𝑌2,𝑡−2 + 0,1386𝑌2,𝑡−3 − 0.3510𝑌2,𝑡−4 − 0.6515𝑌3,𝑡−1
− 0.2790𝑌3,𝑡−2 − 0.1232𝑌3,𝑡−3 + 0.2055𝑌3,𝑡−4 + 0.0004

𝑌3𝑡 = 0,6472𝑌1,𝑡−1 + 0,665𝑌1,𝑡−2 + 0,0405𝑌1,𝑡−3 + 0,3868𝑌1,𝑡−4 + 0,206𝑌2,𝑡−1

+ 0,2204𝑌2,𝑡−2 + 0,04𝑌2,𝑡−3 + 0,2537𝑌2,𝑡−4 + 0,203𝑌3,𝑡−1 + 0,0264𝑌3,𝑡−2
+ 0,0455𝑌3,𝑡−3 + 0,0784𝑌3,𝑡−4 + 0,0006

 Tras comparar las predicciones de los modelos univariantes con los modelos VAR se
puede concluir que la varianza de los modelos VAR es más pequeña que la varianza
de los modelos univariantes y que las predicciones que más se ajustan a los datos
reales son las obtenidas con el modelo VAR, esto se debe a que al incluir variables
con causalidad el modelo cuenta con más información para explicar las variables
individuales, lo que reduce la incertidumbre y permite mejores pronósticos.

10. Referencias
 La metodología aplicada para la modelación VAR fue tomada del libro: Modelación
en series temporales, Capítulo 4, Dr. Holger Capa Santos.
 Los datos sobre la Oferta y Utilización de Bienes y Servicios del PIB, las importaciones
y la formación bruta de capital fijo fueron tomadas de la página del Banco Central:
https://contenido.bce.fin.ec/home1/estadisticas/cntrimestral/CNTrimestral.jsp