V&M Servicios de Consultoría S.C.

TEMARIO
Pronósticos de series de tiempo con R
Introducción

La estimación de pronósticos ayuda a la planeación de muchas actividades: por

ejemplo, determinar los ingresos de una empresa para un periodo fiscal a partir de
sus ventas futuras; decidir la construcción de otra planta de energía en los próximos
diez años requiere de pronósticos de la demanda futura; programar al personal en
un centro de llamadas la próxima semana requiere pronósticos de volúmenes de
llamadas, etc. Se pueden requerir pronósticos con varios años de anticipación,
meses, semanas o días. Cualesquiera que sean las circunstancias o los horizontes
de tiempo involucrados, el pronóstico es una ayuda importante para una
planificación efectiva y eficiente.

Objetivo general

Este curso busca aplicar los métodos de pronósticos autorregresivos integrados de

medias móviles (ARIMA), así como los de suavizamiento exponencial (Holt-Winters)
a series univariadas, y para el caso multivariado, la metodología de vectores
autorregresivos estructurales (VAR y SVAR), para finalizar con el vector de
corrección de error (cointegración, VECM). Otro tema de suma importancia será el
de cambio estructural, para determinar si una serie de tiempo necesita de variables
ficticias (dummy) para mejorar la calidad del pronóstico. Todas las aplicaciones
serán a variables macroeconómicas (PIB, desempleo, etc) usando R.

1. Introducción a las series de tiempo en R (2 horas)

Competencia: Declara, importa y manipula series de tiempo económicas en R.
1.1 Introducción a R
1.2 Declaración de series de tiempo en R
1.2.1 En periodicidad diaria, mensual, trimestral y anual
1.3 Importación de series de tiempo
1.3.1 En archivos: xlsx, csv y dbf
1.3.2 A través de APIs (BANXICO, INEGI y FRED)
1.4 Manipulación de series de tiempo en temporalidad: diaria, semanal,
mensual, trimestral y anual
1.4.1 Cálculo de tasas de variación semanal, mensual, trimestral y
anual
1.4.2 Gráficos de series de tiempo

Torre Latinoamericana, Despacho 1905, Eje Central Lázaro Cárdenas No. 2,

Centro Histórico, Cuauhtémoc C.P. 06007 Tel. 6382-9384. e-mail: marco.austria@vymconsultoria.org
www.vymconsultoria.org
 V&M Servicios de Consultoría S.C.

2. Pronósticos de series de tiempo económicas (8 horas)

Competencia: Pronóstico de series de tiempo a través de los métodos: Holt-Winters y
ARIMA.
2.1 Introducción a los pronósticos
2.2 Método de Holt-Winters
2.2.1 Pronósticos ingenuos
2.2.2 Pronóstico ponderado simple
2.2.3 Pronóstico ponderado con tendencia
2.2.4 Pronóstico ponderado con tendencia y estacionalidad
2.2.5 Validación del pronóstico
2.2.6 Aplicaciones a datos de exportaciones por entidad federativa
2.3 Método ARIMA
2.3.1 Series estacionarias.
2.3.2 Procesos autorregresivos AR
2.3.3 Procesos de medias móviles MA
2.3.4 Modelo ARMA
2.3.5 Criterios de selección
2.3.5.1 Criterio de información de Akaike
2.3.5.2 Criterio bayesiano de Schwartz
2.3.6 Series no estacionarias (pruebas de raíces unitarias)
2.3.6.1 Prueba Dickey-Fuller Aumentada
2.3.6.2 Prueba Phillips Perron
2.3.6.3 Kwiatkowski-Phillips-Schmidt-Shin (KPSS)
2.3.6.4 Diferenciación de series no estacionarias
2.3.7 Modelo ARIMA estacional (SARIMA)
2.4 Cambio estructural
2.4.1 Definición
2.4.2 Cambios en el intercepto
2.4.3 Cambios en la pendiente
2.5 Pronósticos ARIMA y SARIMA
2.5.1 Estimación
2.5.2 Validación del pronóstico
2.5.3 Desestacionalización a través del método x-13
2.5.4 Aplicaciones a variables macroeconómicas (PIB, desempleo,
producción industrial, etc)
2.6 Modelos ARIMA con variables exógenas (regresión dinámica)

3. Modelos de SVAR y VECM (8 horas)

Competencia: Pronóstico de series de tiempo con más de dos variables.
3.1 Introducción
3.2 Forma estructural y reducida del modelo VAR y SVAR
3.3 Selección y estimación del modelo
3.4 Validación
3.5 Funciones de impulso respuesta

Torre Latinoamericana, Despacho 1905, Eje Central Lázaro Cárdenas No. 2,

Centro Histórico, Cuauhtémoc C.P. 06007 Tel. 6382-9384. e-mail: marco.austria@vymconsultoria.org
www.vymconsultoria.org
 V&M Servicios de Consultoría S.C.

3.6 Descomposición de la varianza

3.7 Identificación no recursiva
3.7.1 Blanchard y Perotti
3.7.2 Aplicación a la política fiscal
3.8 Definición de cointegración
3.9 Vector de corrección de error (VECM)
3.9.1 Metodología de Johansen
3.9.2 Estimación
3.9.3 Pronóstico

Bibliografía

 Bradley Boehmke. (2016). Data Wrangling With R. Springer-Verlag New York

Inc. ISBN 978-3319455983.
 Wickham Hadley and Grolemund Garrett. (2016). R for Data Science: Import,
Tidy, Transform, Visualize, and Model Data. Oreilly & Associates Inc. ISBN
1491910399.
 Clifford S. Ang. (2015). Analyzing Financial Data and Implementing Financial
Models Using R. Springer Texts in Business and Economics. ISBN 978-
331914074.
 Rob J. Hyndman. (2018). Forecasting: principles and practice. O texts. ISBN
978-0987507112. Enders, Walter (2010). Applied Econometric Time Series,
3a. ed., Wiley
 Lütkepohl, Helmut y M. Krätzig (2004). Applied Time Series Econometrics,
Cambridge University Press
 Lütkepohl, Helmut (2006). New Introduction to Multiple Time Series Analysis,
Springer
 Tsay, Ruey S. (2010). Analysis of Financial Time Series, Wiley

Torre Latinoamericana, Despacho 1905, Eje Central Lázaro Cárdenas No. 2,

Centro Histórico, Cuauhtémoc C.P. 06007 Tel. 6382-9384. e-mail: marco.austria@vymconsultoria.org
www.vymconsultoria.org