Documentos de Académico
Documentos de Profesional
Documentos de Cultura
OBJETIVO
Analizar el comportamiento del precio (dólares por barril) de la Mezcla Mexicana
de Petróleo con datos históricos mensuales desde enero de 2005 a diciembre de
2016.
SERIE DE TIEMPO
El primer paso para analizar la serie de tiempo es ordenarla cronológicamente y
graficarla, esto permite: identificar la tendencia, la estacionalidad, las variaciones
irregulares (componente aleatoria).
Series
120.
100.
80.
60.
40.
20.
10.
5.
0.
-5.
-10.
-15.
-20.
-25.
.80 .80
.60 .60
.40 .40
.20 .20
.00 .00
-.20 -.20
-.40 -.40
-.60 -.60
-.80 -.80
-1.00 -1.00
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
AR (1)
1. Con la estimación preliminar ajustamos un modelo AR(1)
=================================
ITSM::(Preliminary estimates)
=================================
Method: Yule-Walker
ARMA Model: X(t) = .5437 X(t-1)+ Z(t)
WN Variance = 22.950638
AR Coefficients
.543679
Ratio of AR coeff. to 1.96 * (standard error)
3.924486
(Residual SS)/N = 22.9506
WN variance estimate (Yule Walker): 22.9706
-2Log(Like) = .842293E+03
AICC = .846380E+03
Prueba:
ϕ 1=.543679 es diferente de 0, debido a que el valor absoluto de la Razón AR igual
a 3.924486 es mayor que 1.
2. Ahora hacemos una estimación de Máxima Verosimilitud
========================================
ITSM::(Maximum likelihood estimates)
========================================
Method: Maximum Likelihood
ARMA Model: X(t) = .5409 X(t-1)+ Z(t)
WN Variance = 22.951086
AR Coefficients
.540928
Standard Error of AR Coefficients
.070264
(Residual SS)/N = 22.9511
AICC = .846378E+03
BIC = .847025E+03
FPE = 23.278959
-2Log(Likelihood) = .842291E+03
Accuracy parameter = .00545000
Number of iterations = 1
Number of function evaluations = 8
Optimization stopped within accuracy level.
Prueba:
ϕ 1=.540928 es diferente de 0, debido a que el valor absoluto del coeficiente AR
.540928
entre su error estándar igual a =7.698508 es mayor que 1.96.
.070264
Para este modelo el AICC=846.378
3. Ahora veremos el comportamiento de los residuales, graficamos las
funciones de autocorrelación (ACF) y autocorrelación parcial (PACF)
residuales.
Res idual ACF Res idual P ACF
1.00 1.00
.80 .80
.60 .60
.40 .40
.20 .20
.00 .00
-.20 -.20
-.40 -.40
-.60 -.60
-.80 -.80
-1.00 -1.00
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Podemos observar que es de ruido blanco.
También realizamos la prueba de aleatoriedad de los residuales.
============================================
ITSM::(Tests of randomness on residuals)
============================================
Ljung - Box statistic = 11.359 Chi-Square ( 20 ), p-value = .93638
McLeod - Li statistic = 30.021 Chi-Square ( 21 ), p-value = .09156
# Turning points = 99.000~AN(92.667,sd = 4.9744), p-value = .20295
# Diff sign points = 69.000~AN(70.000,sd = 3.4400), p-value = .77128
Rank test statistic = .44990E+04~AN(.49350E+04,sd = .28051E+03), p-value = .12011
Jarque-Bera test statistic (for normality) = 32.810 Chi-Square (2), p-value = .00000
Order of Min AICC YW Model for Residuals = 0
30.
25.
20.
15.
10.
5.
-3 -2 -1 0 1 2
Prueba:
θ1=.548336 es diferente de 0, debido a que el valor absoluto de la Razón MA igual
a 3.322006 es mayor que 1.
θ2=.302185 es diferente de 0, debido a que el valor absoluto de la Razón MA igual
a 1.605248 es mayor que 1.
2. Ahora hacemos una estimación de Máxima Verosimilitud
========================================
ITSM::(Maximum likelihood estimates)
========================================
Method: Maximum Likelihood
ARMA Model: X(t) = Z(t) + .5374 Z(t-1) + .2634 Z(t-2)
WN Variance = 22.980648
MA Coefficients
.537353 .263447
Standard Error of MA Coefficients
.079231 .078641
(Residual SS)/N = 22.9806
AICC = .848645E+03
BIC = .850884E+03
-2Log(Likelihood) = .842470E+03
Accuracy parameter = .00426000
Number of iterations = 3
Number of function evaluations = 19
Optimization stopped within accuracy level.
Prueba:
ϕ 1=.537353 es diferente de 0, debido a que el valor absoluto del coeficiente MA
.537353
entre su error estándar igual a =6.782105 es mayor que 1.96.
.079231
ϕ 2=.263447 es diferente de 0, debido a que el valor absoluto del coeficiente MA
.263447
entre su error estándar igual a =3.349996 es mayor que 1.96.
.078641
Para este modelo el AICC=848.645
3. Ahora veremos el comportamiento de los residuales, graficamos las
funciones de autocorrelación (ACF) y autocorrelación parcial (PACF)
residuales.
Res idual ACF Res idual P ACF
1.00 1.00
.80 .80
.60 .60
.40 .40
.20 .20
.00 .00
-.20 -.20
-.40 -.40
-.60 -.60
-.80 -.80
-1.00 -1.00
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
30.
25.
20.
15.
10.
5.
-3 -2 -1 0 1 2
Prueba:
ϕ 1=1.394341 es diferente de 0, debido a que el valor absoluto del coeficiente AR
1.394341
entre su error estándar igual a =11.392047 es mayor que 1.96.
.122396
ϕ 2=−.532764 es diferente de 0, debido a que el valor absoluto del coeficiente AR
.532764
entre su error estándar igual a =6.769641 es mayor que 1.96.
.078699
θ1=−.823720 es diferente de 0, debido a que el valor absoluto del coeficiente MA
.823720
entre su error estándar igual a =6.622874 es mayor que 1.96.
.124375
Para este modelo el AICC=846.276
2. Ahora veremos el comportamiento de los residuales, graficamos las
funciones de autocorrelación (ACF) y autocorrelación parcial (PACF)
residuales.
Res idual ACF Res idual P ACF
1.00 1.00
.80 .80
.60 .60
.40 .40
.20 .20
.00 .00
-.20 -.20
-.40 -.40
-.60 -.60
-.80 -.80
-1.00 -1.00
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
25.
20.
15.
10.
5.
-3 -2 -1 0 1 2
PREDICCIÓN
AR(1)
120.
100.
80.
60.
40.
20.
0.
-20.
-40.
0 20 40 60 80 100 120 140
Podemos observar que a medida que pasa el tiempo los intervalos crecen. No es
una buena predicción.
====================
ITSM::(ARMA Forecast)
====================
Approximate 95 Percent
Prediction Bounds
Step Prediction sqrt(MSE) Lower Upper
1 36.95542 4.79073 27.56577 46.34508
2 36.30339 8.80043 19.05487 53.55191
3 35.97188 12.43404 11.60161 60.34216
4 35.81376 15.67352 5.09422 66.53330
5 35.74942 18.56635 -.63996 72.13880
6 35.73581 21.17132 -5.75922 77.23084
7 35.74965 23.54139 -10.39063 81.88992
8 35.77832 25.71983 -14.63163 86.18827
9 35.81503 27.74079 -18.55592 90.18599
10 35.85609 29.63087 -22.21936 93.93153
11 35.89949 31.41082 -25.66459 97.46357
12 35.94416 33.09693 -28.92463 .10081E+03
MA(2)
120.
100.
80.
60.
40.
20.
0.
-20.
ARMA(2,1)
120.
100.
80.
60.
40.
20.
0.
-20.
Para probar que modelo ajusta mejor, vamos a comparar los intervalos de
confianza de las predicciones, de modo que el mejor modelo será el que tenga los
intervalos de confianza más pequeños.
AR(1) MA(2)
Prediction Lower Upper Diferencia Prediction Lower Upper Diferencia
36.95542 27.56577 46.34508 18.77931 36.9589 27.56319 46.3546 18.79141
36.30339 19.05487 53.55191 34.49704 36.0199 18.78845 53.25135 34.4629
35.97188 11.60161 60.34216 48.74055 36.06607 11.9165 60.21564 48.29914
35.81376 5.09422 66.5333 61.43908 36.11224 6.62528 65.5992 58.97392
35.74942 -0.63996 72.1388 72.77876 36.15841 2.16195 70.15487 67.99292
35.73581 -5.75922 77.23084 82.99006 36.20458 -1.7696 74.17876 75.94836
35.74965 -10.39063 81.88992 92.28055 36.25075 -5.32228 77.82378 83.14606
35.77832 -14.63163 86.18827 100.8199 36.29692 -8.58733 81.18117 89.7685
35.81503 -18.55592 90.18599 108.74191 36.34309 -11.62434 84.31053 95.93487
35.85609 -22.21936 93.93153 116.15089 36.38926 -14.47481 87.25333 101.72814
35.89949 -25.66459 97.46357 123.12816 36.43543 -17.16897 90.03984 107.20881
35.94416 -28.92463 1.01E+02 129.73463 36.4816 -19.72971 92.69291 112.42262
ARMA(2,1)
Prediction Lower Upper Diferencia
36.69203 27.44882 45.93524 18.48642
35.84247 18.63209 53.05284 34.42075
35.46766 11.31376 59.62157 48.30781
35.40407 5.56197 65.24618 59.68421
35.52148 1.15864 69.88431 68.72567
35.72545 -2.19989 73.65078 75.85067
35.95369 -4.80408 76.71147 81.51555
36.16967 -6.89168 79.23102 86.1227
36.3556 -8.64002 81.35123 89.99125
36.50619 -10.17312 83.1855 93.35862
36.62348 -11.57344 84.82041 96.39385
36.7132 -12.89336 86.31976 99.21312
De nuevo vemos que el modelo ARMA(2,1) tiene intervalos más angostos y por lo
tanto es mejor.
CONCLUSIÓN
El modelo ARMA(2,1) es el modelo que mejor ajusta a esta serie, pero por
simplicidad podríamos usar un modelo AR(1), ya que el AICC de este modelo no
difiere mucho del AICC del modelo ARMA(2,1).
Por otra parte, los datos considerados para pronosticar un precio futuro tienen
mucho que ver con los resultados obtenidos; debido a que, cuando se toman
demasiados datos históricos, la curva que describe el comportamiento de esos
datos y pronostica un comportamiento futuro, tiene que ajustarse a todos los datos
considerados, por lo que el pronóstico será más alejado de la realidad en
comportamientos como el precio del petróleo; por otro lado, cuando se consideran
menos datos históricos, la curva que describe este comportamiento y calcula un
dato futuro, es más cercana a la realidad.
REFERENCIAS
Caballero Díaz Francisco Félix. (2011). Selección de modelos mediante criterios
de información en análisis factorial. Aspectos teóricos y computacionales. (Tesis
doctoral). Universidad de Granada. Granada.
http://www.cimat.mx/~jortega/MaterialDidactico/ST2013/STClase4-5.pdf
http://www.sgm.gob.mx/Web/SINEM/energeticos/wti_brent_mme.html#mensual
https://es.wikipedia.org/wiki/Test_de_Jarque-Bera