Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Un modelo econométrico viene a ser una relación funcional entre una variable dependiente
(en este caso la demanda de energía eléctrica) y otra u otras variables independientes o
Condicionantes Estadísticos
Bajo el plano estadístico, el modelo de regresión lineal por mínimos cuadrados ordinarios
que describe y proyecta a la variable dependiente, debe cumplir los siguientes requisitos:
Bondad o grado de ajuste del modelo, medido por el coeficiente de determinación R2.
Estacionariedad, medido por el estadístico Dickey–Fuller Aumentado, ADF.
Prueba de significancia de la variable en el modelo, medido por el estadístico t-Student.
Contraste de la presencia de autocorrelación serial de primer orden, medido por el
estadístico Durbin Watson, DW.
Bajo estos criterios, a manera de ejemplo, una tentativa de modelo econométrico podría
estar conformado por la siguiente relación:
α : Elasticidad ingreso del bien DEM, que puede adoptar valores positivos mayores a
cero y no mayores a uno
β : Elasticidad del precio del bien DEM, adoptará valores negativos entre -1 y 0
C : Constante
Número de observaciones
Tendencia evolutiva
Estacionalidad y/o ciclaje
Irregularidad o aleatoriedad
Estructura de Cálculo
Diagrama Nº 1
Ingreso de
variables
Especificación del
Modelo Econométrico
Estimación de los
parámetros
Contraste o
validación
Proyecciones
Econométricas
Donde:
DEM : Variable endógena, Demanda eléctrica
PBI : Producto Bruto Interno
TARIFA : Tarifa de electricidad
POB : Población
Las características matemáticas definitivas que posea el modelo econométrico a utilizar para
proyectar la demanda eléctrica, se determinan una vez procesados los datos, cumplidos los
supuestos estadísticos y econométricos y la validación como elemento de proyección.
E-Views Econometric-Views
SPSS Statistical Package for Social Sciences
La variable temporal población resulta del tratamiento mecanizado en el tiempo en base a los
censos nacionales de 1981 y 1993. Su cuantificación anual se obtiene aplicando iguales
tasas de crecimiento a los años previos de la serie. Esta mecanización de la serie fuerza
hacia un comportamiento determinístico puro (su crecimiento anual va a un ritmo
prácticamente constante), con lo que se le resta propiedades estadísticas genuinas,
consecuentemente las relaciones con las otras variables participantes dejarán de ser
representativas.
Por lo anterior, la serie población no podría considerarse como una variable explicativa de la
demanda eléctrica. No obstante, se realizan pruebas incluyéndolo en el proceso de cálculo, o
también en su reemplazo puede incorporarse a la matriz de observaciones de las variables
independientes del modelo, una variable auxiliar no observable de naturaleza determinística
dada por una tendencia pura.
(1 − L) d X t = Z t , t = 1,2......, T
Siendo:
Z t = φ 1 Z t −1 + φ 2 Z t − 2 +.....+φ p Z t − p + ut − θ1 ut −1 −.......−θ q ut − q
φ ( L ) Z t = θ ( L )ut
Z t = (1 − L) d X t
quedando:
φ ( L)(1 − L) d X t = θ ( L)ut
φ ( L) = 1 − φ 1 L − φ 2 L2 −..........−φ p Lp
θ ( L) = 1 − θ1 L − θ 2 L2 −........−θ q Lq
También, en muchas ocasiones se observa que existe una tendencia en la varianza, esto es,
que la dispersión de las observaciones no es constante a lo largo del tiempo, la cual no se
elimina mediante estas diferenciaciones. Cuando se presenta este hecho la transformación
adecuada puede consistir en tomar logaritmos neperianos, y en forma más general mediante
la transformación Box-Cox. Así, el modelo ARIMA se puede expresar como:
φ ( L)(1− L) d ( X t( λ ) − µ ) = θ ( L)ut
(λ )
Donde µ es la media de X t con potencia de transformaciónλ, siendo:
⎧ X t( λ ) −1 para λ ≠ 0
(λ)
⎪ λ
X t = ⎨ ln X t para λ = 0
⎪
⎩
Otra fuente de no estacionariedad en muchas de las series reales, como es este caso de
proyección de demanda donde se contabiliza la variable en forma mensual, lo constituye la
estacionalidad. Para desestacionalizar las series se procede a la diferenciación estacional.
Z t = (1 − Ls ) D X t
ΦP ( Ls )(1 − Ls ) D X t = δ + Θ Q ( Ls )ut
Donde:
Φ p ( LS ) = 1 − Φ1 Ls − Φ2 L2 s −.........− ΦP LPs
Θ Q ( Ls ) = 1 − Θ 1 Ls − Θ 2 L2 s −.........−Θ Q LQs
Los modelos que conjugan ambos tipos de interdependencias entre las observaciones son
los modelos ARIMA multiplicativos, los mismos que se denotan abreviadamente como
ARIMA (p, d, q) x ARIMA (P, D, Q), y que se expresan como:
Φ P ( Ls )φ p ( L)(1 − Ls ) D (1 − L) d X t = ΘQ ( Ls )θ q ( L)ut
Φ P ( Ls )φ p ( L ) [ (1 − Ls ) D (1 − L ) d X t − µ ] = Θ Q ( Ls )θ q ( L )ut
Donde µ es la media de Z t = (1 − L ) (1 − L) X t
s D d
Diagrama Nº 2
DATOS DE LA SERIE HISTÓRICA
IDENTIFICACIÓN
CÁLCULO DE ESTADÍSTICOS TRANSFORMACIÓN
DE LA SERIE DE LA SERIE
DETERMINACIÓN DE
p, q, P, Q
ESTIMACIÓN
• CÁLCULO DE ESTIMADORES
• CÁLCULO DE ESTADÍSTICOS DE LOS
ESTIMADORES Y DE LOS RESIDUOS
VALIDACIÓN
¿ES EL MODELO NO
ADECUADO?
PREDICCIÓN
• CALCULO DE PROYECCIONES
• CALCULO DE ESTADÍSTICOS PARA
EVALUACIÓN DE LA CAPACIDAD
PREDICTIVA
La elección del modelo de series temporales que se utiliza en el cálculo de las proyecciones
de una determinada variable histórica, se realiza en base a lo siguiente:
• La irregularidad de la serie
• El rigor metodológico
• Calidad de resultados
Diagrama Nº 3
Data histórica Data histórica
anual de ventas mensual de
de electricidad demanda eléctrica
Modelos de
Modelos series
Econométricos temporales
Histórico y Identificación de
proyección de efectos externos en
variables socio- la serie histórica
económicas
Proyecciones de Proyecciones de
ventas anuales demanda mensual y
anual (corto plazo)
Proyecciones
de Cargas
Vegetativas
2005-2025
Por un lado se dispone de datos históricos contabilizados anualmente desde 1981 y por otro
se dispone de información contabilizada mensualmente, pero desde enero del 2000.
Con los modelos de series temporales, caso ARIMA, se pueden calcular proyecciones de la
demanda eléctrica bajo forma univariante mensual y que de acuerdo a la limitación de la
información histórica mensual disponible, solamente se pueden obtener proyecciones
anuales de alrededor de dos años.
A. Población
Para la variable población se tomó la información histórica proporcionada por el INEI para la
aplicación de una proyección tendencial para cada Región a fin de obtener un consolidado
nacional comparando con las proyecciones oficiales que realiza el INEI.
En el 2001, el INEI revisó sus cifras de población para el período 2001-20501 . A nivel
regional sólo existen cifras oficiales para el período 1990-2002. Para realizar las
proyecciones para el período 2006 – 2015, se tomaron como base las proyecciones oficiales
regionales para los años 2005 -20102.
Las tasas de crecimiento reales estimadas para cada sector fueron aplicadas a las cifras de
Nuevos Soles constantes de 1994, proporcionadas por el INEI, obteniendo así el valor para
cada sector del Producto Bruto Interno para el horizonte de proyección.
La ponderación del PBI nacional se realizó considerando el peso que tiene cada sector en la
estructura global, tal como se detalla en el cuadro Nº 2.
1
INEI “Perú Estimaciones y Proyecciones de Población, 1950-2050, Boletín de análisis Demográfico Nº 35, Lima, Julio 2001.
2
INEI Boletín Estadístico 2002.
Cuadro Nº 2
Estructura Promedio Sectorial del PBI
Sector Ponder
ación 1/
Agropecuario 8,7
Pesca 0,6
Minería e
6,2
Hidrocarburos
Manufactura 15,0
Electricidad y Agua 2,1
Construcción 4,9
Comercio 14,2
Otros Servicios 2/ 38,7
DI-Otros Imp. A los
9,6
Productos.
PBI Total 100,0
La carencia de información a nivel regional con el año base 1994 representó un desafío
metodológico importante; por ello, se tomó las estimaciones en Nuevos Soles corrientes que
se tienen desde el año 1994 proporcionadas por el INEI y convertirlos a Soles constantes
tomando para tal fin el índice de deflación general.
Para obtener el PBI regional fue necesario conocer la estructura económica de cada región,
de modo que se identificaron los sectores que impulsarían el crecimiento. Luego, se
realizaron las simulaciones para los escenarios planteados.
Para la proyección del comportamiento del PBI en cada región se realizó lo siguiente:
5. Para fines comparativos, se realizó la proyección del PBI regional sin incluir la puesta
en operación de nuevos proyectos mineros.
Con los modelos de series temporales, caso ARIMA, se proyectó la variable objetivo
bajo forma mensual; y dado que se dispone de un horizonte histórico mensual corto, el
horizonte de proyección fue de corto plazo. Con el modelo econométrico la proyección se
realizó utilizando la información histórica anual, que de acuerdo a la información disponible
se pudo realizar proyecciones de largo plazo. Por tanto, el Modelo de series temporales
proyectó a corto plazo (1 a 2 años), cuyos valores validaron al modelo econométrico que ha
de calcular las proyecciones para el horizonte 2006-2015.