FACULTAD DE

NEGOCIOS
CARRERA DE ADMINISTRACIÓN BANCARIA Y FINANCIERA

Trabajo de campo – Semana 10

Aporte: Autores:

100% Ulffe Alata, Christian Eduardo - N00247639

100% Quito Yanac, Jeffersson - N00183178

100% Mendoza Guzmá n, Ronaldo Franco - N00170488

100% Sopan Domínguez, Zeila Helen - N00201748

100% Zavala Á ngeles, Jean Franco - N00207998

Asignatura:

Econometría Financiera

Profesor:

Iracema Valles Ruiz

Lima- Perú
 1. MODELO APLICATIVO CON LA VARIABLE DE LA DEMANDA

INTERNA- PROGRAMA GRETL

El presente capítulo tiene por finalidad presentar los resultados y discusión

acerca de la Demanda interna nivel nacional, relativo a los períodos trimestrales 1990 a

2021.

1. Serie histórica de la demanda interna

Para el desarrollo de la investigación se contó con datos de precipitación trimestral

de la data de los años 1990 hasta el año 2021, cuyos datos de precipitación fueron

trimestrales, proporcionados por Banco Central De Reservas del Perú (BCRP). En el

anexo se muestra los datos correspondientes.

A continuación, se muestra los pasos que se debe realizar para poder hallar u

calcular la serie temporal de frecuencia trimestral sobre la demanda interna en (US$).

2. Identificación Del Modelo

Para identificar un modelo ARIMA que mejor represente el comportamiento de la

serie de datos de la demanda interna, primeramente, se graficó la respectiva serie, luego

se graficaron las funciones de autocorrelación simple (FAC), así como, la función de

autocorrelación parcial (FACP).

Lo primero que debemos saber es, qué tipo de irregularidades, que

comportamientos existe en la serie, dado que lo necesitamos para proyectar a futuro, por

el cual es el objetivo primordial de la presente investigación, ya que por un lado al saber

que se conoce de las irregularidades y el funcionamiento pasado de las series, entonces

se puede proyectar a
futuro este comportamiento, por lo que es necesario que todos los procesos aleatorios

generados de esta serie tengan estabilidad.

Realizando un análisis de la figura 1 (anexo), se puede ver que la serie de

precipitaciones de la Demanda interna se desplazan alrededor de la media, aunque no se

puede decir lo mismo de la varianza, dado que en algunos datos hay mucha variación y

en otras menos, y de allí que se puede decir que no tiene estacionariedad, analíticamente

se determinará y si se corrobora la no estacionariedad se aplicará las transformaciones

adecuadas con el objetivo de convertirlo en estacionarias y otras, además gráficamente

se ve que la serie de datos no tiene tendencia ni creciente ni decreciente.

3. Análisis del Gráfico Rango Media para la Serie de Precipitaciones de

la Demanda Interna

En la Figura 2 (anexo), el Rango-Media se puede apreciar que tiene una línea

de tendencia creciente, por lo tanto, la serie original se aplicará logaritmos para

eliminar la tendencia. Y, por otra parte, como podemos observar en la figura 3

(anexo). Se ha eliminado la tendencia, por lo tanto, el análisis se realizará con la

variable logaritmo de la serie de precipitación de la demanda interna.

4. Prueba de Dickey Fuller para la Variable

De acuerdo con las hipótesis siguientes:

Ho: La serie tiene Raíz Unitaria. (No Estacionaria)  Si el valor de p>0.05

H1: La serie no tiene raíz unitaria (Es Estacionaria)  Si el valor de p<0.05

 Según nos muestra la salida del software Gretl en la prueba que el valor de p

tiende a cero p = 0.00113814, valor que es equivalente a cero, significando que

rechazamos Ho (hipótesis nula) por lo tanto la Serie de Logaritmo de Precipitaciones de

la Demanda Interna es NoEstacionaria. Como ya se confirmó la no estacionariedad en

media, se procede a graficar los correlogramas para FACS y FACP de la nueva variable

ln (Precipitación).

En la figura 4 de autocorrelación simple, se considera los rezagos (retardos) 1, 5

y 10 son significativamente diferentes a cero, el resto de los valores están dentro de los

límites de confianza definido.

5. Posibles Modelos Identificados.

En base a los figuras de la función de Auto correlación Simple y función de

Autocorrelaciones parcial del Ln(Precipitación) por el cual, se identificaron 3 modelos

posibles, realizándose pruebas cumpliendo con el proceso propuesto por Box Jenkins,

llegando a seleccionar tan solo uno para la predicción

Por otra parte, se muestra lo modelos posibles elegidos: (los datos se muestran en la

parte de anexo)

 PROBAMOS CON EL MODELO ARIMA 1,1,1

Modelo 2: ARIMA, usando las observaciones 1990:2-2021:4 (T = 127)
 PROBAMOS CON EL MODELO ARIMA 1,0,1
Modelo 3: ARMA, usando las observaciones 1990:1-2021:4 (T = 128)
 PROBAMOS CON EL MODELO ARIMA 1,0,1 SIN CONSTANTE
Modelo 6: ARMA, usando las observaciones 1990:1-2021:4 (T = 128)
 PROBAMOS CON EL MODELO ARIMA 0,0,1
Modelo 5: ARMA, usando las observaciones 1990:1-2021:4 (T = 128)
 Elegir el mejor modelo ajustado a los datos y en el futuro para realizar

pronósticos, se utilizó Criterio de Información Bayesiano (BIC) o llamado Criterio de

Información de Schwarz (SIC), y para mejor comprobación e utilizó además el Criterio

de Información Hannan-Quinn (HQC).

Ambos se utilizan cuando se trata de series de tiempo, y es una medida de

bondad de ajuste utilizado como un criterio para la selección de modelos entre un

conjunto finito de modelos.

6. SELECCIONAMOS LOS MODELOS ARIMA

Como se dijo en la metodología en esta fase se estiman los parámetros y

coeficientes de los componentes ARMA (autorregresivos y de media móvil)

considerados en el respectivo modelo, cuyo número de retrasos (p=1) y (q=1) ya han

sido ubicados en la etapa anterior.

Por lo tanto, se procede a estimar los parámetros del mejor modelo de pronóstico

seleccionado, que en este caso es: ARIMA (1,0,1).

-PROBAMOS CON EL MODELO ARIMA 1,0,1 SIN CONSTANTE

-PROBAMOS CON EL MODELO ARIMA 1,0,1

7. Pronóstico del Modelo Identificado

Se muestra el comportamiento de los valores pronosticados en función del logaritmo

natural de la Precipitación de la demanda interna, además, se muestran los límites de

confianza del 95.0% de predicción para los pronósticos. Estos límites muestran en donde

podría estar el valor verdadero del dato, al tiempo futuro seleccionado, con 95.0% de
confianza, asumiendo que el modelo ajustado es apropiado para los datos. Es importante

acotar que es de importancia tener un modelo de pronóstico que realice predicciones más

confiables, como puede ser el propuesto, dado que esto nos lleva a conocer con un nivel

de confianza del 95%, tomar mejores decisiones en un ambiente con precipitaciones

inciertas.

 PROBAMOS CON EL MODELO ARIMA 1,0,1

En este paso se realiza la predicción de la demanda interna, en la cual nos da como

resultados los valores que se observa en la tabla mostrada. Pero en este caso no muestra

la predicción en logaritmo. Y sus son intervalos de confianza 95%, z(0.025) = 1.96

Figura
Comprobación del modelo ARIMA
13.5
l_Productobrutointernoportipo
predicción
Intervalo de 95 por ciento

13

12.5

12

11.5

11

10.5
2006 2008 2010 2012 2014 2016 2018 2020 2022

Fuentes: Elaboración propia- gretl

8. SELENCIONAMOS EL MODELO CON EL MENOR ERROR

En este paso se elige el modelo, en la cual sería el modelo ARIMA 1.0.1. por su

Error absoluto medio.

EL MODELO ARIMA 1,0,1

 9. TRANSFORMAMOS LOS DATOS

En este paso lo que se realiza la transformación de los datos, ya que como se mencionó

anteriormente los datos estaban en logaritmo. Ahora se muestra en millones dólares

OBSERVACIONES PREDICCIÓN DESV. INTERVALO

TÍPICA DE 95%

2022:01:00 231168 0.190158 (11.9782,

12.7236)
2022:02:00 228937 0.327533 (11.6992,
12.9831)
2022:03:00 226704 0.421905 (11.5045,
13.1584)
2022:04:00 224538 0.498336 (11.3450,
13.2985)

Finalmente se observa la predicción de la demanda interna desde el mes de enero

a abril del 2022. En la cual nos indican que esta no fue constante entre dichos meses,

pero para los siguientes meses subsuguientes se estima que esta de igual manera variara,

ya que se observa en la tabla presentada. Es decir que esta variable es no estacionaria.

Anexo:
Tabla 1
Serie histórica TRIMESTRAL de la demanda interna (USD) , periodo 1990-2021
TRIMESTRE DEMANDA INTERNA TRIM DM TRI DM TRI DM TRM DM
T190 101 T297 40346 T304 51667 T411 121598 T119 177072
T290 243 T397 39884 T404 55198 T112 112022 T219 193970
T390 1678 T497 41115 T105 53322 T212 125467 T319 194392
T490 3194 T198 40864 T205 61039 T312 127233 T419 200382
T191 4279 T298 43896 T305 55340 T412 135330 T120 175170
T291 6112 T398 41743 T405 59455 T113 127695 T220 144627
T391 7676 T498 40269 T106 61953 T213 139008 T320 179703
T491 8791 T199 39567 T206 67757 T313 140210 T420 207335
T192 9576 T299 43378 T306 62892 T413 145581 T121 192765
T292 11088 T399 40867 T406 67491 T114 137812
T392 11384 T499 45011 T107 68784 T214 146676
T492 13269 T100 43991 T207 75408 T314 148193
T193 14668 T200 47377 T307 74360 T414 154585
T293 17734 T300 43638 T407 78376 T115 146837
T393 18688 T400 44423 T108 79045 T215 158098
T493 19666 T101 43414 T208 90449 T315 158308
T194 21637 T201 47654 T308 90692 T415 165786
T294 24491 T301 44847 T408 93897 T116 156990
T394 24549 T401 46406 T109 83036 T216 165570
T494 27379 T102 45012 T209 87867 T316 166691
T195 28300 T202 50263 T309 87000 T416 172847
T295 31311 T302 46290 T409 95074 T117 161685
T395 30908 T402 49503 T110 91044 T217 171453
T495 31924 T103 48672 T210 102775 T317 174538
T196 31233 T203 53519 T310 103834 T417 182793
T296 35427 T303 49414 T410 110827 T118 170071
T396 34492 T403 51201 T111 104265 T218 185246
T496 36438 T104 51138 T211 113190 T318 184040
T197 35351 T204 59032 T311 112741 T418 193716
FUENTE: BANCO DE RESERVAS DEL PERÚ (BCRP)

Figura 1
Serie de datos de la demanda interna en un tiempo trimestral (1990-2021)
250000

200000

150000

100000

50000

0
1990 1995 2000 2005 2010 2015 2020

Fuente: Elaboración propia. Software Gretl

Figura 2

Gráfico de rango media estimada de la demanda interna

Gráfico rango-media de Productobrutointernoportipo con ajuste mínimo-cuadrático

40000

35000

30000

25000

20000

15000

10000

5000

0
0 20000 40000 60000 80000 100000 120000 140000 160000 180000 200000 220000

media

Fuente: Elaboración propia. Software Gretl

Figura 3
Gráfico de Rango-Media estimada Del Logaritmo de la Serie Precipitación de la
Demanda Interna
Gráfico rango-media de l_Productobrutointernoportipo con ajuste mínimo-cuadrático

3.5

2.5

1.5

0.5

Fuente
- 8 : Elabo8.r5ación p9ropia.
10.5 11 11.5 12 12.5

S9o.5ftware1G0 retl
media

Figura 4:
Función de Autocorrelación estimada del Logaritmo de la Serie Precipitación de la
demanda interna
FAC de l_Productobrutointernoportipo
1
+- 1.96/T^0.5

0.5

-0.5

-1
0 5 10 15 20
retardo

FACP de l_Productobrutointernoportipo
1
+- 1.96/T^0.5

0.5

-0.5

-1
0 5 10 15 20
retardo

Fuente: Elaboración propia. Software Gretl

 LO MODELOS POSIBLES ELEGIDOS

 PROBAMOS CON EL MODELO ARIMA 1,1,1
Modelo 2: ARIMA, usando las observaciones 1990:2-2021:4 (T = 127)
Variable dependiente: (1-L) l_Productobrutointernoportipo
Desviaciones típicas basadas en el Hessiano
Coeficiente Desv. Típica z valor p
Const 0.243679 0.261318 0.9325 0.3511
phi_1 0.976782 0.0280478 34.83 <0.0001 ***
theta_1 −0.541576 0.0788739 −6.866 <0.0001 ***

Media de la vble. dep. 0.060773 D.T. de la vble. dep. 0.208043

Media de innovaciones −0.022275 D.T. innovaciones 0.162968
R-cuadrado 0.977238 R-cuadrado corregido 0.977056
Log-verosimilitud 49.23665 Criterio de Akaike −90.47330
Criterio de Schwarz −79.09655 Crit. de Hannan-Quinn −85.85107

Real Imaginaria Módulo Frecuencia

AR
Raíz 1 1.0238 0.0000 1.0238 0.0000
MA
Raíz 1 1.8465 0.0000 1.8465 0.0000

 PROBAMOS CON EL MODELO ARIMA 1,0,1

Modelo 3: ARMA, usando las observaciones 1990:1-2021:4 (T = 128)
Variable dependiente: l_Productobrutointernoportipo
Desviaciones típicas basadas en el Hessiano
Coeficiente Desv. Típica z valor p
Const 8.82438 3.34488 2.638 0.0083 ***
phi_1 0.997239 0.00368232 270.8 <0.0001 ***
theta_1 0.405170 0.0595316 6.806 <0.0001 ***

Media de la vble. dep. 10.94590 D.T. de la vble. dep. 1.206122

Media de innovaciones 0.045176 D.T. innovaciones 0.190158
R-cuadrado 0.981838 R-cuadrado corregido 0.981694
Log-verosimilitud 27.81393 Criterio de Akaike −47.62786
Criterio de Schwarz −36.21974 Crit. de Hannan-Quinn −42.99269

Real Imaginaria Módulo Frecuencia

AR
Raíz 1 1.0028 0.0000 1.0028 0.0000
MA
Raíz 1 -2.4681 0.0000 2.4681 0.5000

 PROBAMOS CON EL MODELO ARIMA 1,0,1 SIN CONSTANTE

 Modelo 6: ARMA, usando las observaciones 1990:1-2021:4 (T = 128)
Variable dependiente: l_Productobrutointernoportipo
Desviaciones típicas basadas en el Hessiano
Coeficiente Desv. Típica z valor p
phi_1 0.999596 0.000554849 1802. <0.0001 ***
theta_1 0.404271 0.0594975 6.795 <0.0001 ***

Media de la vble. dep. 10.94590 D.T. de la vble. dep. 1.206122

Media de innovaciones 0.046635 D.T. innovaciones 0.190191
R-cuadrado 0.983592 R-cuadrado corregido 0.983462
Log-verosimilitud 26.83120 Criterio de Akaike −47.66241
Criterio de Schwarz −39.10632 Crit. de Hannan-Quinn −44.18602

Real Imaginaria Módulo Frecuencia

AR
Raíz 1 1.0004 0.0000 1.0004 0.0000
MA
Raíz 1 -2.4736 0.0000 2.4736 0.5000

 PROBAMOS CON EL MODELO ARIMA 0,0,1

Modelo 5: ARMA, usando las observaciones 1990:1-2021:4 (T = 128)

Variable dependiente: l_Productobrutointernoportipo
Desviaciones típicas basadas en el Hessiano
Coeficiente Desv. Típica Z valor p
Const 10.9295 0.115167 94.90 <0.0001 ***
theta_1 0.866302 0.0269368 32.16 <0.0001 ***

Media de la vble. dep. 10.94590 D.T. de la vble. dep. 1.206122

Media de innovaciones 0.014639 D.T. innovaciones 0.700680
R-cuadrado 0.854412 R-cuadrado corregido 0.854412
Log-verosimilitud −136.7881 Criterio de Akaike 279.5761
Criterio de Schwarz 288.1322 Crit. de Hannan-Quinn 283.0525

Real Imaginaria Módulo Frecuencia

MA
Raíz 1 -1.1543 0.0000 1.1543 0.5000
  PROBAMOS CON EL MODELO ARIMA 1,0,1
intervalos de confianza 95%, z(0.025) = 1.96
Figura 5
Comprobación del modelo ARIMA
13.5
l_Productobrutointernoportipo
predicción
Intervalo de 95 por ciento

13

12.5

12

11.5

11

10.5
2006 2008 2010 2012 2014 2016 2018 2020 2022

Fuentes: Elaboración propia- gretl

Tabla 2
Datos con logaritmos
Obser l_Productobr Predicción Desv. típica Intervalo de 95%
vacion utointernopo
es rtipo
2022:1 indefinido 12.3509 0.190158 (11.9782, 12.7236)
2022:2 indefinido 12.3412 0.327533 (11.6992, 12.9831)
2022:3 indefinido 12.3314 0.421905 (11.5045, 13.1584)
2022:4 indefinido 12.3218 0.498336 (11.3450, 13.2985)
Fuentes: Elaboración propia- gretl