TALLER DE PREPARACION PARA EL EXAMEN FINAL DE MODELOS DE PRONOSTICOS

En las siguientes cuatro preguntas marque con una X la opción que corresponde a la respuesta
correcta:

1. La mejor definición de autocorrelación es:

a) Es la relación para varios retrasos en una serie de tiempo b) Es la correlación entre una variable
atrasada uno o más periodos consigo misma c) Es la fluctuación ondulatoria alrededor de la tendencia
d) Es la relación existente entre dos o más variables

2. Una serie estacionaria es:

a) Aquella que tiene ondulaciones a través del tiempo b) Aquella que representa el crecimiento o
decrecimiento en una serie de tiempo durante un período largo c) Aquellas cuyas propiedades
estadísticas básicas como a media y la varianza permanecen constante a través del tiempo d)
Aquella que es patrón de cambio que se repite cada año

3. En un modelo de regresión lineal múltiple con alta multicolinealidad implica:

a) La matriz X ' X no es cuadrada b) Al menos una de las regresiones auxiliares muestra que un R2
particular es alta c) No es posible estimar los parámetros del modelo de regresión lineal d)
La alta multicolinealidad genera estimaciones sesgadas de los parámetros betas

4. Un sistema de pronósticos de suavización exponencial doble está siendo utilizado para pronosticar la
demanda semanal de un artículo. En un período dado se han encontrado los siguientes valores: MAD = 20
unidades; ECM = 1600 unidades 2. La mejor estimación de la desviación estándar de la demanda semanal
σ de este artículo para este período que usted podría utilizar es:

a) 40 unidades b) 25 unidades c) 20 unidades d) 1600 unidades e) 4,47 unidades

Usted es contratado para pronosticar las ventas mensuales de una prestigiosa multinacional, a partir de datos
históricos usted obtuvo las siguientes cifras.

ANALISIS PARA LA SERIE A

24

22

20

18
s e r ie 4

16

14

12

10

4
0 100 200 300 400 500 60 0

FAC de se rie4
1
+- 1.96/T^0.5

0.5

-0.5

-1
0 10 20 30 40 50 60 70 80
reta rdo

FACP de serie4
1
+- 1.96/T^0.5

0.5

-0.5

-1
0 10 20 30 40 50 60 70 80
reta rdo
TABLA Nº 1

Evaluaciones de la función: 32
Evaluaciones del gradiente: 9

Modelo 1: ARMA, usando las observaciones 1-600

Estimado usando el filtro de Kalman (MV exacta)
Variable dependiente: serie A
Desviaciones típicas basadas en el Hessiano

Coeficiente Desv. Típica z Valor p

----------------------------------------------------------
const 1.2994 0.332708 48.99 0.0000
phi_1 0.344025 0.0401395 8.571 1.03e-017
phi_2 0.223021 0.0418515 5.329 9.88e-08
phi_3 0.192320 0.0408632 4.706 2.52e-06

Media de la vble. dep. 16.41541 D.T. de la vble. dep. 2.500801

media innovaciones 0.028914 D.T. innovaciones 1.973274
Log-verosimilitud -1259.531 Criterio de Akaike 2529.061
Criterio de Schwarz 2551.046 Crit. de Hannan-Quinn 2537.620

Real Imaginaria Módulo Frecuencia

-----------------------------------------------------------
AR
Raíz 1 1.1600 0.0000 1.1604 0.0000
Raíz 2 -1.1600 -1.7707 2.1168 -0.3423
Raíz 3 -1.1600 1.7707 2.1168 0.3423
-----------------------------------------------------------

TABLA Nº 2

Ljung-Box Q' = 0.0356256,con valor p = 0.8503

Contraste de ARCH con valor p = = 0.623919
Contraste de Lilliefors = 0.0277197, con valor p = 0.31
Estadístico de contraste: t(599) = (0.028914 - 0)/0.0813939 = 0.355235
valor p a dos colas = 0.7225
(a una cola = 0.3613)

TABLA Nº 3

AÑO 2.014 VENTAS ESTIMADO RESIDUOS

Enero-Marzo 11.808 13.956 -2.148
Abril-Junio 13.488 13.376 0.112
Julio-sept. 13.043 13.357 -0.314
Oct. - Dic 14.664 13.688 0.974

5. Especifique el orden del modelo ARIMA propuesto, es decir si es un ARIMA (p, d, q) determine p, d y q

6. ¿El modelo estimado es estacionario? Justifique su respuesta

7. ¿El modelo estimado es invertible? Justifique su respuesta

8. ¿El modelo estimado cumple los supuestos de los residuos de un modelo ARMA? Explique cada uno de
los supuestos

9. ¿El modelo propuesto es parsimonioso? Justifique su respuesta

10. A partir de las ventas, las estimaciones de las ventas y los residuos calculados hasta el mes de diciembre
de 2.014, pronostique las ventas de enero-marzo de 2.015.

12. Determine el orden del siguiente modelo ARMA

LEA ATENTAMENTE LA SIGUIENTE INFORMACION Y USELA PARA RESPONDER LAS PREGUNTAS 13 A 18

MODELO DE REGRESION

Un grupo de analistas realiza una investigación de las utilidades por acción (Y) de corporaciones
grandes, recoge datos de la revista “Fortuna” que clasifica por sus ventas y tiene las siguientes
variables de predicción:

Y: Utilidades por acción

X1; Ventas (millones de pesos)
X2: Activos (millones de pesos)
X3: Inversión de accionistas (millones de pesos)
X4: Utilidad como porcentaje

Modelo 1: MCO, usando las observaciones 1950-1972 (T = 23)

Variable dependiente: YT

Coeficiente Desv. Típica Estadístico t Valor p

----------------------------------------------------------------
const 39,2920 4,04692 9,709 1,40e-08
X1 0,00462785 0,00532616 0,8689 0,3963
X2 -0,624912 0,177270 -3,525 0,0024
X3 0,163648 0,0693635 2,359 0,0298
X4 0,0805042 0,0555024 1,450 0,1641

Media de la vble. dep. 38,90000 D.T. de la vble. dep. 6,499021

Suma de cuad. residuos 81,37038 D.T. de la regresión 2,126165
R-cuadrado 0,912432 R-cuadrado corregido 0,892972
F(4, 18) 46,88836 Valor p (de F) 2,79e-09
Log-verosimilitud -47,16603 Criterio de Akaike 104,3321
Criterio de Schwarz 110,0095 Crit. de Hannan-Quinn 105,7599
rho 0,438064 Durbin-Watson 1,683311

Jarque-Bera test = 0,776578, con valor p 0,678216

Estadístico de Durbin-Watson = 1,683311 Valor p = 0,09599
Contraste de White: Estadístico de contraste: LM = 11,4878 valor p = 0,175563
Shapiro-Wilk W = 0,949309, con valor p 0,283114
Contraste de Breusch-Pagan: Estadístico de contraste: LM = 3,666140, con valor
p=0,453070
Contraste de ARCH: Estadístico de contraste: LM = 1,78329 valor p = 0,181746

Factores de inflación de varianza (VIF)

X1 52,701
X2 18,901
X3 29,051
X4 39,761

13. ¿Existe problemas de multicolinealidad entre las variables independientes del modelo? explique
claramente

14. ¿Es el modelo confiable?

15. ¿Es el modelo significativo

16. De acuerdo con el punto 15 ¿Cuáles son las variables de predicción que entran en el modelo?

17. Interprete los coeficientes del modelo del punto 16

18. ¿El modelo estimado cumple los supuestos de los residuos de un modelo de Regresión Lineal
Múltiple? Explique cada uno de los supuestos