UNIVERSIDAD AUTÓNOMA CHAPINGO DIVISIÓN DE CIENCIAS ECONOMICO ADMINISTRATIVAS

LICENCIATURAS: LE, LCI, IEA

SERIES DE TIEMPO Y PRONOSTICACIÓN
LABORATORIO-EXAMEN

Daniela Briceño Landaverde, Juan Carlos Hernández Cruz y Zaira Ríos Rojas
1. Defina los conceptos: ruido blanco, caminata aleatoria, raíz unitaria, quiebre estructural.
Ruido Blanco (white noise): Es un proceso estocástico compuesto por el conjunto de errores o
perturbaciones {𝜀𝑡}Tt=1, con media cero, y covarianza cero, y varianza constante.
Caminata aleatoria: Es un proceso estocástico donde el valor presente de la variable a pronosticar
depende de su propio valor del periodo anterior más un término de error, el cual se asume ruido blanco,
la caminata aleatoria es el ejemplo clásico y más representativo de las series de tiempo no
estacionarias. Su ecuación matemática es: 𝒀𝒕=𝜹+𝒀𝒕−𝟏+𝝐t
Raíz unitaria: Una raíz unitaria es una característica de los procesos que evolucionan a través del tiempo
y que puede causar problemas en inferencia estadística en modelos de series de tiempo.
Dado un proceso estocástico...
𝑌𝑡=𝛿+∅1𝑌𝑡−1+∅2𝑌𝑡−2+⋯+∅𝑝𝑌𝑡−𝑝+𝜀𝑡 (autoregresivo)
Se llama raíz unitaria a la suma:
𝑝

∑ |∅𝑖 | = |∅1 | + |∅2 | + ⋯ + |∅𝑝 | ≥ 1

1=1
Entonces,
• Si una serie de tiempo tiene una raíz unitaria esta serie es NO ESTACIONARIA, y dado que su
varianza va en aumento con el tiempo, es que esa serie NO SIRVE PARA PRONOSTICAR.
• Si una serie de tiempo NO TIENE raíz unitaria se dice que esta serie es ESTACIONARIA, su nivel,
su varianza y covarianza son fijos y estables por lo que esa serie es apta y útil PARA
PRONOSTICAR.
Quiebre estructural: Un cambio estructural en una serie de tiempo se presenta cuando hay
modificaciones instantáneas o permanentes, invariables e inesperadas en uno o más componentes
estructurales, debido a eventos específicos.
2. En el contexto de prueba de hipótesis, ¿a qué se le llama potencia de la prueba?
La potencia de una prueba de hipótesis es la probabilidad de detectar efectos estadísticamente
significativos, es decir, la probabilidad de que la prueba rechace correctamente la hipótesis nula cuando
es falsa. La potencia de una prueba de hipótesis se ve afectada por el tamaño de la muestra, la diferencia,
la variabilidad de los datos y el nivel de significancia de la prueba.
3. En el contexto de los procesos tipo ‘ruido blanco’, investigue qué es un ‘mercado eficiente’ y cuáles
son sus características.
Un mercado eficiente es aquel en el que los precios de los activos que en el cotizan reflejan en todo
momento la información disponible en el mercado. Los precios de los activos financieros reaccionan
fuertemente a la información
Por lo tanto, a mayor información en el mercado, mayor eficiencia de los precios y mayor reflejo del
valor fundamental de los activos. De esta manera un mercado eficiente se puede considerar como un
mercado en el que los activos cotizan a su precio justo y este además refleje realmente en todo
momento su valor real.
Características de un mercado eficiente
 • La información ha de estar disponible para todos los públicos.
• El acceso a la información no tiene coste alguno.
• Los precios se han de ajustar rápidamente a la llegada de nueva información.
• Debe existir un alto número de participantes en el mercado que actúen en base a los flujos
de información que llegan al mercado.

4. Generar de manera artificial 100 datos, y con estos crear:

Primero generamos los datos aleatorios de forma artificial como se muestra en las capturas a
continuación.
A. Un proceso “RW” de raíz unitaria con drift positivo

Aquí vemos solo la caminata aleatoria con drift
positivo (ocupamos 𝛿 = +0 .2). Se observa que
inicia con un valor medio de 0.2 el cual se va
haciendo cada vez más positivo a lo largo del
tiempo. El valor “-0.4” es el desvió (hacia arriba).
Esta segunda captura se hizo para mostrar la diferencia de
incorporar una constante y el no hacerlo, la grafica azul es
una RW sin drift y la grafica roja es una RW con drif
positivo (𝛿 = +0 .2)

2
 B. Un proceso “WN” ruido blanco
Con el programa Excel

Ruido blanco con el programa Stata

3
5. Derivado de la estimación de un modelo de serie de tiempo, se obtuvieron los siguientes residuales.
1 = 1,100 - 1,102.9 = -2.9
2 = 1,200 - 1,076.7 = 123.3
3 = 985 - 1,037.3 = -52.3
4= 750 - 1,024.1 = -274.1
5 = 1,215 - 997.9 = 217.1
6 = 1,000 - 1,011 = -11

Y las diferencias regulares de orden 1 de los residuos son:

2 − 1 = 123.3 - (-2.9) = 126.2

3 − 2 = -52.3 - 123.3 = -175.6
4 − 3 = -274.1 - (-52.3) = -221.9
5 − 4 = 217.1 - (-274.1) = 491.3
6 − 5 = -11 - 217.1 = -228.1

Calcule el estadístico ‘Durbin Watson’; diga si existe/no existe autocorrelación, y de qué tipo esta es.
∑𝒏 (𝒆𝒕 − 𝒆𝒕−𝟏)𝟐
𝒕=𝟐
𝑫𝑾 =
∑𝒏𝒕=𝟏 𝒆𝟐𝒕

A continuación, se muestran dos procedimientos distintos para obtener el dw y que dan el mismo
resultado.
et et2 et-et-1 ( et-et-1)^2
et et-1 et-et-1 ( et-et-1)^2 et^2
-2.9 8.41 -2.9 8.41
123.3 15202.89 126.2 15926.44 123.3 -2.9 126.2 15926.44 15202.89
-52.3 2735.29 -175.6 30835.36 -52.3 123.3 -175.6 30835.36 2735.29
-274.1 75130.81 -221.9 49239.61 -274.1 -52.3 -221.8 49195.24 75130.81
217.1 -274.1 491.2 241277.44 47132.41
217.1 47132.41 491.3 241375.69 -11 217.1 -228.1 52029.61 121
-11 121 -228.1 52029.61 suma 11.1 389264.09 140322.4
suma 140330.81 389406.71 DW 2.774

389406.71
𝐷𝑊 = = 2.774919563
140330.81
1.85 ≤dw≤2.15

4
6. Una vez conocido el valor Durbin-Watson, obtenga el valor de dicha autocorrelación. La
autocorrelación es el problema que más aqueja a las series de tiempo; ¿cómo puede usted eliminar
el problema?

Para eliminar el problema de autocorrelación se generan rezagos

7. Suponga una serie de tiempo con 100 observaciones, cuyas autocorrelaciones de Y con Y
son:
𝜌1 = 0.2, 𝜌2 = 0.41, 𝜌3 = 0.31, y 𝜌4 = 0.5.
a) Calcular el estadístico Q de Ljung-Box.

El valor crítico de la tabla de chi-cuadrada con significancia 0.05, k = 4 grados de libertad, es 9.491 .

b) Con el valor del estadístico “Q” calculado, y el valor crítico de chi-cuadrada, probar la hipótesis
nula “todos los coeficientes de autocorrelación son iguales a cero. ¿Se rechaza la hipótesis
nula, sí o no? ¿son ruido blanco los errores? Explique.
Ho: p1=p2=p3=p4=0 (Los residuos son ruido blanco)
H1: pi≠0,i=1,2,3,4 (Los residuos no son ruido blanco)

Dado que el valor del estadístico “Q” = 58.28 > χ2 (4) = 9.49 ==> SE RECHAZA H0.

Se rechaza la hipótesis nula de que las autocorrelaciones en los rezagos 1, 2,3 y 4 son cero y los
residuos NO SON RUIDO BLANCO.

5
8. Identifique los proceso estocásticos que presentas las figuras siguientes A.

( ) AR(1) ( ) MA(1) ( X ) MA(2)

B.

( X ) AR(2) ( ) SMA(4) ( ) MA(2)

C.

( ) AR(1) ( ) MA(1) ( X ) ARMA(1, 1)

D.

( ) SAR(1) ( X ) SAR(12) () SMA(12)

9. Relacione los elementos de las dos columnas:

(7 ) ARIMA(0,0,0)(1,0,0)12 1. ∆𝑌𝑡 = 𝑌𝑡−4 + 𝑡 − 𝜃 𝑡−4
(2 ) ARIMA(0,0,0)(0,1,1)4 2. ∆𝑌𝑡 = 𝑌𝑡−1 + 𝑡 − 𝜃 𝑡−4
(8) ARMA(2,1) 3. 𝑌𝑡 = 𝜇 + Φ1𝑌𝑡−4 + Φ2𝑌𝑡−8 + 𝑡
(1 0 ) ARIMA(4,1,1) 4. 𝑌𝑡 = 𝑌𝑡−1 + ∅𝑌𝑡−12 − ∅𝑌𝑡−13 + 𝑡
(4 ) ARIMA(0,1,0)(1,0,0)12 5. 𝑌𝑡 = 𝜇 + 𝑡 + Θ1 𝑡−12 + Θ2 𝑡−24
6
 (6 ) SARIMA(1,0,0)(0,0,1)4
(5 ) SMA(24)
(3) SAR(8)
(1 ) SARIMA(0,1,1)(1,1,0)4
(9 ) SARIMA(1,1,1)(2,1,2)12
6. 𝑌𝑡 = 𝑌𝑡−1 + 0.68𝑌𝑡−4 − 0.68𝑌𝑡−5 + 0.32𝑌𝑡−8 − 0.32𝑌𝑡−9 + 𝑡 − 0.68
𝑡−1
7. 𝑌𝑡 = ∅𝑌𝑡−12 + 𝑡
8. 𝑌𝑡 = 3.5 + 0.7𝑌𝑡−1 + 0.1𝑌𝑡−2 + 𝑡 + 0.3 𝑡−1
9.AR(1), d(1), ma(1), SAR (12), SAR(24), SMA(12), SMA (24)

10. Sean las salidas de regresión de las imágenes siguientes correspondientes a tres modelos de series
de tiempo distintos.

7
Basado en las medidas de precisión de pronóstico, en criterios de información y en validación de
supuestos econométricos, responda… ¿Cuál es el mejor modelo? Explique.

# Hannan
parámetros R2
SSR AIC SIGMASQ parsimonia
ajust
significativos
Modelo 1 2 0.825 322.36 3.45 1.77 * 3.47
Modelo 2 3 0.829 313.11 3.43 1.72 ** 3.46
Modelo 3 3 0.837 297.82 3.39 0.13 *** 3.43

8
 Valor |t| > ̅𝟐
𝑹 Estos De estos Se elige el que Aquí vemos Se elige el valor
1.96, ó ≥ 𝟎. 𝟖 errores se elige el tenga el que se incluyan más pequeño
deben ser valor más menor valor, las variables
probability
lo más pequeño ya que sigmaq que son
value < 0.05
pequeños posible. al cuadrado es significativas.
posibles. la varianza.

LA DISCRIMACIÓN EN TODOS LOS RUBROS FAVORECE AL TERCER MODELO 3, a pesar de que una de
sus variables no es significativa, pero tiene tres que si lo son. EL MODELO SELECCIONADO ES EL
MODELO 3. Además, dado que en ST el principal problema que aqueja los datos es el de
autocorrelación, el modelo 3 es el que tiene mejor resultado. En cuanto a bondad de ajuste y precisión
de pronóstico que se miden con criterios de información, el criterio de Akaike (AIC) es más bajo en el
modelo 3, y entonces el modelo 3 es nuestro modelo para pronosticar.

Sería conveniente también dada la variabilidad evidente en los datos probar aplicando logaritmos a los
datos y luego calcular la 1ª diferencia de esos logaritmos para tener una mejor perspectiva de los
modelos.

11. Haga el ajuste de acuerdo a la metodología Box-Jenkins del siguiente conjunto de datos:
Precio Exportciones Petroleo Mexicano.xls - Google Drive

a) Obtenga el modelo ARIMA o SARIMA correspondiente. Escriba el modelo. Anexe sus t y

errores estándar para los coeficientes, así como los estadísticos dw, ssr, sigmasq y aic
correspondientes.

9
*Modelo seleccionado

Por lo tanto, el modelo seleccionado queda como sigue

El modelo seleccionado fue ARMA (2,0)(0,0)

PRECIO = 3.946242+1.416560Preciot-1-0.447870t-2
t (15.20) (15.08) (-4.53)
se (0.25) (0.093) (0.098)
dw=1.8052 SSR= 0.657166 sigmasq=0.007554 AIC=-1.801149

b) Realice un pronóstico dinámico a niveles, para los 9 meses siguientes a donde termina la
muestra.
primero agrando la muestra

10
11
 Comente los valores pronosticados (si ajustan bien a los datos reales, si subestiman o
sobreestiman a los datos reales. Responda: ¿cuál es el precio del petróleo en el mes Junio
2020?

El grafico a continuación presenta los datos reales y pronosticados

En el grafico se puede observar que los datos pronosticados están por debajo de los datos actuales,
por lo que subestiman los datos reales.
El precio del petróleo en el mes de Junio es de 42.39.

12