Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Escuela de Economía
Econometría I
(ARIMA)
Estudiantes:
Pág.
Introducciòn……………………………………………………………………………… 3
Conclusiones………………………………………………………………………….. 15
Bibliografìa…………………………………………………………………………….. 16
2
Introducción
Las series temporales son una sucesión ordenada de observaciones que están asociadas a un
momento en el tiempo. En el caso de economía, se utiliza para estudiar el comportamiento de una
variable económica y su equilibrio o no a largo plazo. Los objetivos que se pretender alcanzar a
través de la generación de series de tiempo suelen ser varios, dentro de los cuales se destacan:
Este trabajo permitió analizar las observaciones del PIB per cápita de Canadá. Este último se
ha caracterizado por ser un buen indicador de nivel de vida a nivel global. Por ello, se procedió a
buscar los datos de esta variable de interés para llevar a cabo la Metodología de Box-Jenkis:
Cada uno de estos fue desarrollado a lo largo del trabajo y se explica a detalle en que consistió
cada uno de ellos. Así como, el análisis de los resultados y recomendaciones a partir de estos.
3
Metodología de Box-Jenkins: Consiste en estudiar los procesos autoregresivos integrados de
media móvil (ARIMA). Su objetivo principal es derivar modelos que puedan generar la
suficientemente información para describir el comportamiento pasado de una serie cronológica.
Aplicación de la metodología:
¿La serie es estacionaria o no?: Este paso consiste en saber si la serie presenta
estacionariedad; en caso contrario, para transformarla se deberá llevar al proceso de
diferenciación para poder eliminar la tendencia o en su defecto, aplicar logaritmo para la
disminución de la varianza.
En este caso, se procedió a graficar el PIB per cápita de Canadá en las ordenadas y el
tiempo en las abscisas para evaluar este primer punto:
50,000
40,000
30,000
20,000
10,000
0
1875 1900 1925 1950 1975 2000
Gráfico 1.1
Fuente: Eviews 4.1
4
Dado el Gráfico 1.1, se evidencia la presencia de tendencia (crece con los años) en la serie puesto que,
exhiben desviaciones en la media a medida que transcurren los años de 1870 a 2018. Por otro lado, no se
observan grandes cambios en el segundo momento de la serie (varianza). Según lo anterior, se puede
sospechar que dicha serie es no estacionaria en el primer momento (media).
Por otro lado, cabe destacar que hay una caída del PIB per cápita en este país en el año 1997. Así como
el aumento de la media en la serie a partir de los años siguientes, lo que confirma una clara tendencia en
estos años.
Test de Dickey- Fuller: Se procedió a realizar este test para confirmar la sospecha de no estacionaridad, a
través de la presencia de raíz unitaria en la serie. Por lo que, se plantea la siguiente hipótesis:
t-Statistic Prob.*
Dado que p -valor > α , hay elementos suficientes para no rechazar la Ho. Por lo que, se concluye que
la serie presenta raíz unitaria, es decir, no es estacionaria. A continuación, se procedió a realizar otro test
para la confirmación de lo que indica el Dickey- Fuller:
5
Null Hypothesis: PIBCN has a unit root
Exogenous: Constant
Bandwidth: 0 (Newey-West automatic) using Bartlett kernel
Dado que p -valor > α, no se rechaza la Ho. Por ello, se vuelve a confirmar que la serie seleccionada
presenta no estacionariedad a nivel.
Seguidamente, como la serie tiene raíz unitaria se debe aplicar la primera diferencia a la variable
aleatoria para corregir el problema de no estacionariedad en media. Una vez realizado lo anterior, se
procedió a aplicar de nuevo los test correspondientes:
t-Statistic Prob.*
6
Fuente: Eviews 4.1
La forma del modelo y orden del proceso: Para hallar la forma del modelo es necesario
analizar los correlogramas de FAC (correlación simple) y FACP (correlación parcial). En
el caso del orden del proceso, se deben contar los coeficientes de correlación
significativos y por consiguiente, proponer un modelo.
Correlograma 1.1
Fuente: Eviews 4.1
7
De acuerdo al Correlograma 1.1, se puede evidenciar que la variable aleatoria (PIBCN) en la función de
autocorrelación simple (FAC) decrece de forma muy lenta para llegar a cero, debido a que se manifiesta
raíz unitaria en la serie. Lo que comprueba que la serie no es estacionaria en media, porque presenta
tendencia con medias diferentes.
Correlograma 1.2
Fuente: Eviews 4.1
8
Basándose en lo anterior, el correlograma muestral decrece rápidamente en FAC y la primera barra
para esta función pasa “las bandas de Barlet”, es decir, que existe a priori autocorrelación simple y es
estadísticamente significativo el coeficiente de correlación del primer rezago AR(1) (proceso
autoregresivo de primer orden). Seguidamente, es importante recordar que esta serie es de orden 1 d=1
para lograr la estacionariedad. Por último, el FACP tiene un salto significativo y se confirma
autocorrelación parcial en el primer rezago, lo que quiere decir que no se manifiesta un orden en el
proceso de media móvil MA(0)
Así pues, la serie estacionaria del PIB per cápita de Canadá de los años 1870 a 2018:
2) Estimación del modelo: Esta etapa consiste en estimar los parámetros desconocidos de este
modelo: β (α, ϴ1, ϴ2…. ϴp) . Estos pueden ser hallados a través de Mínimos Cuadrados Ordinarios
(MCO) dado que se está en presencia de un AR(1).
9
Así pues, se puede concluir que el modelo sí presenta AR(1) dado que sí hay autocorrelación simple en
el coeficiente del primer rezago y es estadísticamente significativo (p valor < α). También se comprueba
que el intersecto es estadísticamente significativo.
A manera de reconfirmar que el modelo D(PIBCN) ∼ ARIMA(1,1,0) es el que mejor se adapta para
esta serie temporal:
3) Validación del modelo: Consiste en la evaluación del modelo estimado para las observaciones.
Para ello, se debe tener en cuenta:
Si los residuos del modelo tienen un comportamiento de media cero, varianza constante y
autocorrelaciones nulas , es decir, si son de ruido blanco:
10
a) Comprobación de que la media de los residuos es igual a cero a lo largo del tiempo y si los valores
oscilan alrededor de este valor:
Correlograma de residuos:
Correlograma 1.3
Fuente: Eviews 4.1
Dado el Correlograma 1.3 todos los residuos presentan un p-valor > α, entonces, no hay elementos
suficientes para rechazar la Ho, entonces, los valores oscilan alrededor de una media constante. También
es importante mencionar, la ausencia de correlación serial dado que estos residuos son de ruido blanco,
los valores de FAC y FACP son prácticamente nulos para cada uno de los rezagos.
11
Regresión de residuos contra valores retardados de ellos mismos, con el objetivo de
determinar la significancia de los parámetros:
El parámetro tiene un p-valor >α (no se rechaza Ho) por lo que, no existe una relación significativa
entre los términos de error y sus valores rezagados un periodo. Por ello, se sigue afirmando que el modelo
no sigue un proceso de media móvil en su primer rezago MA(0). Es importante destacar, los estadísticos
Akaike y Schwarz que se analizaron más adelante.
12
k 2
QLB= T(T+2) /(T j )
j
j 1
El Correlograma 1.3 indica conjuntamente con el estadístico Ljiung-Box. En este mismo, se observa
que todos los p-valor son superiores al nivel de significación de 0,05, es decir, no hay elementos
suficientes para rechazar la hipótesis nula de no autocorrelación conjunta.
Prueba de sobre-ajuste:
Para evaluar cada uno de los procesos, se tomó en cuenta el nivel de significación de los parámetros y
los criterios de los estadísticos Akaike (AIC) y Schwarz (BIC):
Seguidamente, el modelo ARIMA(0,1,1) confirma que la serie puede tener una media móvil de
orden uno MA(1). Sin embargo, no mejora el valor de los criterios de información, por lo cual se
descarta dicho modelo.
Tabla 1.1
Modelo ARIMA(1,1,1) ARIMA(1,1,0) ARIMA(0,1,1) ARIMA(2,1,1) ARIMA(1,1,2)
ARIMA
Akaike info. 15.27257 15.25915 15.28126 15.27240 15.27266
criterion
Schwarz 15.35358 15.31991 15.34202 15.35340 15.35367
criterion
Fuente: Elaboración propia
13
Una vez expuesto lo anterior, se reafirma que el mejor modelo que explica la serie temporal de la
variable aleatoria es ARIMA(1,1,0). Debido a que, el parámetro autoregresivo de orden 1 es
estadísticamente significativo AR(1). Por otro lado, este modelo posee los valores más bajos de los
criterios de Akaike y Schwarz.
WITH MEAN
OUTLIERS
140 TC ( 1 2009)
113 TC ( 1 1982)
1.0000
AIC
2217.8702
BIC
12.2269
4) Predicción: El objetivo es poder tener las predicciones más óptimas y generar el conjunto de
información para describir el comportamiento a largo plazo de la variable aleatoria. Es importante
distinguir para la predicción, un intervalo que permitirá la proyección de intervalos que generará
dicha predicción. Sin embargo, no se realizó este último paso de la metodología descrita a lo largo
del trabajo.
14
Conclusiones
Dicho lo anterior, este proceso estocástico es importante que sea estable para poder
predecir, lo que se denomina como estacionariedad de estos procesos. En este caso, las
observaciones del PIB per cápita de Canadá y la serie de tiempo que fue escogida para
analizar no presenta condiciones de estacionariedad, lo que limitaba su análisis y la
predicción de la misma. Por ello, se consideró realizar las correcciones necesarias para
volver al principio de estacionariedad y parsimonia I(1).
Se analizaron cada uno de los correlogramas, reafirmando que el modelo que mejor se
adapta es un ARIMA (1,1,0). Dada la significancia relevante que recibió el parámetro
AR(1), se puede concluir que el modelo persigue un proceso autoregresivo de primer
orden. Además de que este modelo al lado de los demás, da los valores más bajos de
Akaike y Schwarz.
15
Bibliografía
16