FRANCISCO PARRA RODRIGUEZ (Doctor en Economia. Universidad Nacional de Educacién a Distancia) ECONOMETRIA APLICADA II Econometria Aplicada II by Francisco Parra Rodriguez is licensed under a Creative Commons Reconocimiento-NoComercial-Compartirigual 4.0 Intemacional LicenseINDICE Parte II 1, NUMEROS INDICES. 1.1, INTRODUCCION. 1.2. NUMEROS INDICES SIMPLES. 13, NUMEROS INDICES COMPLEJOS 0 SINTETICOS. 14. INDICES DE PRECIOs. 1.5. ENLACES Y CAMBIOS DE BASE. 1.6. DEFLACCION POR UN INDICE DE PRECIOS. 1,7, INDICES DE VOLUMEN ENCADENADOS, 1.8. ELABORACION DE INDICES COMPUESTOS 1.9. PROBLEMAS ‘SERIES TEMPORALES. 21, INTRODUCCION, 22, COMPONENTES DE UNA SERIE TEMPORAL 23, ANALISIS DE LA TENDENCIA, 2.3.1. Método de fos semipromedios 23.2. Método de minimos cuadrados. 233. Médias moviles. 23.4. _Alisado Exponencial Simple 23.5. Alisado Exponencial Doble 23.6. Método de Holt-Winters, 24, ANALISIS DE LA ESTACIONALIDAD 2.4.1. Método del porcentae promedio 2.4.2. Método del porcentae promedio mil 2.43. Desestacionalizacién con Estacionalidad Cambiante 2.44. juste estacionsl através de medias movies con R 2.5. PROBLEMAS 3." ANALISIS UNIVARIANTE DE SERIES TEMPORALES. 3, INTRODUCCION 32. PROCESO ESTOCASTICOS 33. PROCESOS ESTACIONARIOS 3.3.1. Operador de Retardos y Operador Diferencia 34, MODELIZACION UNIVARIANTE DE SERIES TEMPORALES 3.41. Procesos estocisticos linealesdiscretos 34.2. Modelos Autorregresivos (AR(D). 3.4.2.1, Modelos autorregresivos de primer orden AR(1) 3.4.2.2, Modelos autorregresivos de segundo orden AR(2) 3.4.23. Modelos autorregresives de orden p, AR(P) 343. Procesos de Media Movil (MA(a)) 4.3.1. Modelos de medias méviles de primer orden MA(1) 34.32. — Modelos de medias méviles de segundo orden MA) 3433. Modelos de medias méviles de orden 9, MAY@) 3434. Relacin entre procesos AR y MA 3.4.4. — Procesos ARMA(p, 4) 344.1. Modelos ARMA(L, 1. 3442. Modelos ARIMA 3.45. _ Procesos Estacionales 3.5, FASES PARA LA ELABORACION DE MODELOS UNIVARIANTES. 3.1. Fase de identificacién, 3.5.2. Fase de estimacién, 3.5.3. Fase de validacién 354. _ Fase de prediccién 3.6. EJEMPLOS PRACTICOS 3.6.1. Ejemplo 1: Pasajeros en Lineas Acreas. 3.6.2. _Ejemplo 2: Indice de Produccién Industrial de Cantabria 3.7. PROBLEMAS 10 “4 16 19 23 27 27 31 33 35 38 aL 44 48 49 SI 37 62 64 68 7 7 72 74 B i) 9 80 81 83 85 88 88 90 92 3 95 95 98 99 11 ML 113 114 119 122 122 134 1414, Cointegracion 143 4.1, INTRODUCCION. - 7 ~ a 7 oo 3 4.2, PASEO ALEATORIO. oso sntininnininninnininninninnnnnnennnnnene AG 43. PRUEBA DE RAIZ UNITARIA 147 44. COINTEGRACION 153 45. MECANISMO DE CORRECCION DE ERRORES(MCE) 7 soo IST 4.6. PROBLEMAS 158 5. MODELOS VAR. 161 5.1. INTRODUCCION. 161 5.2, MODELOS VAR 162 52.1. Definicién, 162 5.2.2. Estimacién 166 5.2.3. _ Prediccién y Funcién de Respuesta al Impulso 168 53. VARESTRUCTURAL 173 54. EJEMPLO DE ESTIMACION DE UN MODELO VAR CON R. 176 5.5. PROBLEMAS 181 6. REGRESION EN EL DOMINIO DE LA FRECUENCIA 183 6.1, INTRODUCCION, 183 6.2. REGRESION BAND SPECTRUM 184 63. _ REGRESION EN EL DOMINIO DE LA FRECUENCIA CON PARAMETROS, DEPENDIENTES DEL TIEMPO. 191 64, DESESTACIONALIZACION A TRAVES DE LA REGRESION DEPENDIENTE DE LA FRECUENCIA. 197 6.1, PROBLEMAS : : 201 7. FILTROS LINEALES. 204 7.1. INTRODUCCION. 204 7.2, FILTROS ELEMENTALES wsos ' ' 205 73, FILTROS FIR. sn sn see DM 74, EL FILTRO COMO PRODUCTO DE CONVOLUCION 216 7.5. DESCOMPOSICION DE SERIES DE TIEMPO MEDIANTE FILTROS LINEALES. 01.225 7.6. TIPOS DE FILTROS. 230 7.7. DISENO DE FILTROS. 235 ANEXO I. SERIES DE FOURIER 244 BIBLIOGRAFIA. 2701. NUMEROS INDICES 1.1, INTRODUCCION E] nimero indice es un valor expresado como porcentaje de una cifra que se toma como unidad base. Por ejemplo, cuando decimos que el indice de precios de consumo (base media de 1992-100) correspondiente al mes de diciembre de 1997 es 12,9, estamos sefialando que los precios en diciembre de 1997 eran un 22,9 mas elevados que los que estaban en vigor a lo largo de 1992. Los niimeros indices no tienen unidades y pueden referirse tanto a precios (indice de precios de consumo, indice de precios percibidos por los agricultores, indice de precios industriales) como a cantidades (indice de produccién industrial) El mimero indice es un recurso estadistico para medir diferencias entre grupos de datos. Un mimero indice se puede construir de muchas formas distintas. La forma de cada indice en particular dependerd del uso que se le quiera dar. ‘Los nimeros indices no tienen unidades y pueden referitse tanto a precios (indice de precios de consumo, indice de precios percibidos por los agricultores, indice de precios industriales) como a cantidades (indice de produecién industrial). El mimero indice es un recurso estadistico para medir diferencias entre grupos de datos. Un nimero indice se puede construir de muchas formas distintas. La forma de cada indice en particular dependerd del uso que se le quiera dar. Los niimeros indices se elaboran tanto con precios (p) como con cantidades (q). El afio en que se inicia el célculo de un ntimero indice se denomina aiio base y se nombran por pO o 40 segin tratemos de precios o de cantidades, a los precios o las cantidades de los afios sucesivos los indicamos por pt o qt.Las comparaciones pueden ser de una tnica magnitud, en este caso hablaremos de indices simples, 0 de varias magnitudes indices complejos 0 sintéticos. Si trabajamos con diferentes ‘magnitudes 0 tipos de mercancias utilizamos los subindices (i) para referimos a un tipo de ‘mercancfa, de modo que utilizamos los simbolos pit o git para sefialar el precio o la cantidad de la mercancia i en el periodo t. Dentro de los indices complejos o sintéticos puede que todas las mercancias tengan la misma importancia, indices no ponderados y en caso contrario indices ponderados. Los mimeros indices no ponderados son los mas sencillos de calcular, pero deben de utilizarse con especial cuidado. Los nimeros indices ponderados requicren que definamos previamente a su construccién los criterios de ponderacién o de peso, Una vez definida una ponderacién debe de respetarse en los sucesivos periodos. Las ventajas de los mimeros indices son: + Naturaleza adimensional, no tienen unidades y esto nos permite hacer comparaciones. + Sirven para simplificar la complejidad de ciertos conceptos o fenémenos econdmicos. A la hora de elaborar un ntimero indice hay que tener presente una serie de propiedades que el indi debe de cumplir. Dichas propiedades son: a) Existencia: Todo nimero indice ha de tener un valor finito distinto de cero. ) Identidad: Si se hacen coincidir el periodo base y el periodo actual el valor del indice tiene ‘que ser igual a la unidad (0 100 si se elabora en porcentajes). ¢) Inversién: El valor del indice ha de ser invertible al intercambiar los periodos entre si. Es L decir: J? =— el indice del afto o calculado con la base del afio 1, ha de ser igual al inverso del indice del afio £ calculado en base del aio o. 4) Proporcionalidad: Si en el periodo actual todas las magnitudes experimentan una variacién proporcional, el nimero indice tiene que experimentar también dicha variacién. e) Homogeneidad: Un niimero indice no puede estar afectado por los cambios que se realicen en las unidades de medida,1.2. NUMEROS INDICES SIMPLES Sirven para estudiar la evolucién de una sola magnitud en relacién a un periodo base y pueden ser a) Fijos: el afio base es siempre el mismo. Si x, y 4X, tepresentan los valores de la magnitud en los periodos base y actual, respectivamente, el nimero indice simple se denota por J," , y viene dado por: *«x100 Que como se indica suele expresarse en porcentajes, aunque también podria expresarse en tanto or uno y nos mide la variacién que ha suftido la magnitud entre los dos periodos considerados. ) En eadena: cuando el aiio base varia, es decir cuando el afio base es el inmediatamente anterior. Ti, = x100 x, Para obtener un indice fijo a partir de un indice en cadena se utiliza la siguiente formula: Los niimeros indices mas utilizados son los siguientes: + Precio relative: s el cociente entre el precio de un bien en el periodo actual (,) y el precio del mismo en el periodo base ( 7,9) pi = 24x100 ProCantidad relativa: es el cociente entre la cantidad de un bien en el periodo actual (q,,) y la cantidad del mismo en el periodo base (9,.) gq, =42«100 dio + Valor relativo: es el cociente entre el valor de un bien de un bien en el periodo actual (Pu 4a) ¥ la cantidad del mismo en el periodo base ( P,5 “4..) 13. NUMEROS iNDICES COMPLEJOS O SINTETICOS Son indicadores sintéticos que se elaboran a partir de dos o mas series de datos con el objeto de estudiar su evolucién conjunta y realizar comparaciones con otras series. Los némeros indices compuestos se clasifican en: las variables tienen asignada la misma importancia. 4a, No ponderados: Cuando toda +b, Ponderados: Cuando a cada variable se le asigna un peso o ponderacién, Partimos de una serie de magnitudes simples x,,.x,,.....%,» para las que conocemos su valor en el periodo base o de referencia, al que denotaremos por 0, y en el periodo actual t A continuacién calculamos los indices simples para cada magnitud, de modo que disponemos de la siguiente tabla:Magnitudes Nauta ren meena Magnitud 1 Xo Magnitud 2 Xo Magnitud N- Xo Con la serie de los N indices simples podemos obtener los siguientes indices compuestos a) indice media aritmética de indices simples cuando operamos del siguiente modoUna ponderacién w, es un valor de referencia para cada producto que determina su importancia relativa en el indice total, Al ser el ponderador un valor relativo lo normal es que se presente calculado en tanto por uno, por ciento 6 por mil, expresando asi el porcentaje que representa dicho producto en la cesta de productos que cubre el indice: Ye qu Una vez obtenidos los ponderadores (w,) se calculan el indice media aritmética ponderada de indices simples cuando operamos del siguiente modo Ly + Lwytatly Wy Wy tw bbw, Ejemplo 1.1. En la tabla siguiente aparece la informacién que disponemos sobre una c: sta de productos: 2000 ‘2007 2002 Productos Precio venta Unidades Precio venta Unidades Precio venta Unidades Mt 1 3000 12 4000 14 5500 M2 18 4000 18 3000 16 4500 M3 2 2500 2 2500 24 2000 Ma 4 2000 48 1500 48 2000 Calculamos los indices simples de precios para los productos de la cesta: Productos 2000 2001 2002 Mt 100 120,00 140,00 M2 100 100,00 106,67 M3 100 100,00 120,00 Ma 100 112,50 112,50 Los indices simples para la cesta de productos seran:Indices simples 2000 2001 2002 Media aritmética 100 108,13 119,79 Media geométrica 100 107,79 119,16 Media arménica 100 107,46 118,55 Media agregativa 100 108,13 119,79 El ponderador seria tanto por uno el valor del producto, es decir el precio por la cantidad vendida, en el total vendido: 2000 72001 2002 M1 0,19636364 0,2280285 0,26829268 M2_0,27272727 0,21377672 0,25087108 M3. 0,22727273 0,23752969 0,16724739 M4 0,36363636 0,32066508 0,31358885 Y el indice media aritmetica ponderado resultardn ser los siguientes: Indice ponderado 2000 2001 2002 Media aritmética 100 108,87 119,67 1.4. INDICES DE PRECIOS. Los indices de precios se elaboran usualmente utilizando indices complejos ponderados siendo los mas utilizados los denominados indices de Laspeyres, Paasche y Fisher. a) Indice de Laspeyres El indice de Laspeyres es una media aritmética ponderada de indices simples, cuyo criterio de ponderacién es w, = p,,-4,- La formula que define el indice de Laspeyres es la siguiente: p= == aay 10suele utilizar este indi s a la hora de claborar los indices de precios por cuestiones précticas ya que tnicamente requiere investigar en el aiio base el valor de los ponderadores, que ¢s la parte mas costosa de la elaboracién del indice, (téngase en cuenta que en el IPC se realiza una encuesta de presupuestos familiares en los afios base que requiere una muestra de 20,000 hogares). Una ver. determinados los ponderadores el indice de Laspeyres iinicamente requiere que se investigue en los sucesivos periodos la evolucién de los precios. b) indice de Paasche También es una media aritmética ponderada de los indices simples, pero utilizando como cocficiente ponderador WW, = p., “4; por tanto su definicién queda como: Deva, a 2 Pods (2) La diferencia entre el indice Paasche y el indice Laspeyres es que exige calcular las ponderaciones para cada periodo cotriente * "haciendo su célculo estadistico mis laborioso, y presentando el inconveniente de que s6lo permite comparar la evolucién del precio de cada aio con el ailo base, dado que las ponderaciones varian de perfodo en perfodo, Ambas razones han determinado que este indice sea més inusual que el anterior. ©) Indice de Fisher. El indice de Fisher es la media geométrica de los indices de Laspeyres y Paasche, es decir Ep=Ip-Pp aay ‘Como los indices de precios de consideran un afto determinado para calcular el ponderador bien sea a partir de qo .Pa, 0 de qi .Po,utilizan la denominacién de afio base para referitse al afio “0” a partir del que se calcula el ponderador w. ulEjemplo 1.2. Utilizando los datos de la tabla del ejemplo 1.1, vamos a caleular el indice de precios de Lasperyres (1.1), de Paasche (1.2) y de Fisher (1.3), para el ao 2001 DPide 1,2x3000 +1,5%4000 +2 2500 +4,5x2000 a ere = 10727 Si pag, P~30004 L5H A000 +2x2500-+4%<2000 Defoe 1 954000+1,5%3000+22500-+4,5%15000 yp 4 1x 4000 + 1,5x 3000 + 2x 2500+ 41500 1,0795 Ep = Ip Pp = JL0727X1,0795 = 1,0761 1.5. ENLACES Y CAMBIOS DE BASE. Uno de los problemas que tienen los indices ponderados como el indice de Laspeyres es que pierden representatividad a medida que los datos se alejan del periodo base. Téngase presente ‘que, por ejemplo, el IPC que el INE caleulé en 1991 utilizé los ponderadores obtenidos en la Encuesta de Presupuestos Familiares de 1983 que, a su vez, reflejaba la estructura media de consumo de los espaiioles en aquel afio. El tiempo transcurtido entre 1983 y 1991 era lo suficientemente dilatado para que se hubieran producido cambios en los hébitos de consumo y en consecuencia el INE procedié a elaborar una nueva Encuesta de Presupuesto Familiares (la de 1992), cuya estructura de consumo 6 cesta de compra es la que actualmente se utiliza como base para obtener el IPC. La decisién que tomé el INE de realizar un nuevo IPC con la estructura de consumo resultante de la Encuesta de Presupuestos Familiares de 1992 es lo que provoca el Cambio de Base del IPC. Al ser los ponderadores distintos los utilizados entre 1983 y 1991 y los actuales, los indices de precios son esencialmente distintos, y por lo tanto no se pueden comparar a priori entre si, El procedimiento a través del cual hacemos comparables nimeros indices obtenidos con bases istintas es lo que se denomina Enlace. El enlace de indices se basa en la propiedad de inversign de los niimeros indices. Supongamos que queremos efectuar un cambio de base desde un indice construido con base 1983, a otro en base 1982. 12Sea I{, el indice construido en base 1983 ¢ 1, el indice construido con la base1992, entonces: dis pe a En el caso del IPC espafiol el INE publica el valor del cociente que denomina coeficiente legal de enlace. El valor del coeficiente legal de enlace el 1a serie del IPC base 92 y el construido con la base 1983 en el indice general de Espafia es 0,545261 y en el indice general de Castilla y Leén es 0,559529. Cuando se dispone de los coeficientes legales de enlace, como ocurre en el caso del IPC, la operativa aritmética se simplifica bastante, ya que enlazar la serie con base de 1983 a la serie de base 1992 tinicamente requiere el que multipliquemos la primera por el coeficiente legal de enlace (en caso contrario habria que dividir). El enlace del IPC base del IPC 2001, es similar aunque hay que tener presente que entre este IPC y los anteriores hay una novedades metodolégicas que no se resuelven aplicando los coeficientes legales de enlace, este es el caso de la introduccién de las rebajas en el calculo del IPC. El coeficiente de enlace legal se obtiene como cociente entre el indice de diciembre de 2001, en base 2001 y, el indice para el mismo periodo en base 1992. Las series enlazadas se calculan multiplicando cada uno de los indices en base 1992 por este coeficiente. Con estas series se pueden obtener las tasas de variacién mensual publicadas, pero no sucede lo mismo con las tasas de variacién anual del afio 2002, ya que por ellas se utilizan los indices del afto 2001, en base 2001 Los coeficientes de enlace se han obtenido de forma independiente para cada una de las series de indices que tienen continuidad en la nueva base, lo cual implica que cualquier indice agregado de una serie enlazada no es el resultado de la media ponderada de los indices elementales que lo componen. 13Por iltimo, es preciso puntualizar que, si bien el nuevo Sistema tiene como base la media de los indices del afio 2001 en base 2001 igual a 100, los indices que se publicaron en ese afio eran indices calculados en base 1992 y, por tanto, las series enlazadas pueden no tener media 100 en el afio 2001 Ejemplo 1.3. A continuacién vamos ha realizar un ejercicio de enlace de diferentes bases del indice de precios percibidos por los agricultores, Por un lado, la seriee 1985-1990 del indice de Precios Percibidos por la Agricultores en Castilla y Leén, base 1985; y por otro la serie 1990-1995 de dicho indice en base 1990. El enlace de la serie 1985-1990 a la base 1990 se realiza conforme a la regla antes expuesta: Base 1985 Base 1990 Base 1985 Base 1990 1985 100 100 94,04 1986 109,83 109,83 103,28 1987 102,29 102,29 96,19 1988, 103,26 103,26 97,10 1989 111,05 111,05 104, 1990 106,34 100 106,34 100,00 1991 99,84 106,17 99,84 1992 95,85 101,93 95,85 1993 99,84 106,17 99,84 1994 110,18 117,17 110,18 1995 113,36 120,55 113,36 1.6. DEFLACCION POR UN INDICE DE PRECIOS. La utilidad més importante que tienen los indices de precios, aparte de describir el comportamiento de los precios durante un periodo concreto, es la de deflactar series cronolégicas o temporales valoradas en moneda (euros, dolares, ete..). Deflactar es eliminar el componente de subida de precios que es inherente a toda serie temporal que viene referida a un valor monetario (ventas de una empresa, los salarios que cobran los trabajadores, los depésitos y créditos bancarios, el PIB, etc...). Las ventas de una empresa, por ejemplo, se incrementan de un afio a otro (6 de un mes a otro), bien por haber aumentado el nimero de pedidos que realizan los clientes o bien por que la empresa o el mercado haya decidido una subida en los precios de los articulos pedidos. Si se valoramos el nimero de pedidos del afto actual utilizando los precios vigentes el ejercicio pasado, dispondremos de un elemento comparative con respecto al 4gjercicio anterior que nos sefalaria de manera inequivoca si nuestro volumen de negocio se ha inerementado con independencia de lo ocurrido con los precios En consecuencia, cuando obtenemos el valor de la seric utilizando como referencia para su valoracién el precio que rige en un periodo determinado (un aio en conereto), realizamos una valoracién a precios constantes en tanto que dicha serie valorada a los precios vigentes en cada periodo nos da su valor a “precios corrientes”. Flaborar un indice simple sobre una serie deflactada es obtener un indice de valor 6 indice de valor unitario, En la practica, para pasar de una serie en moneda corriente a moneda constante se realiza dividiendo la primera por un indice de precios adecuado. Este procedimiento recibe el nombre de deflactacién y al indice de precios elegido se le denomina deflactor. No obstante, hay que sefalar que, cuando utilizamos como deflactor un indice de precios de Laspeyres (1.1,): — 2Pede =p. Zpa- du Zp Ep..qe No pasamos exactamente valores corrientes a constante, cosa que si ocurre con el indice de ¥ v precios de Paasche (1.2.): Entonces el indice que realmente permite transformar los valores nominales en valores reales es el indice de precios de Paasche. Sin embargo, los resultados de la deflacién por este indice de precios s6lo es valida en el supuesto de que los bienes, y sus cantidades, incluidos en el indice sean los mismos que en la serie de valores. Esta limitacién, junto con el hecho de que en pocas situaciones se dispone de un indice de precios de Paasche, debido a su complicada elaboracién, hhace que en la practica se utilice un indice de precios de Laspeyres. 15Ejemplo 1.4. En la tabla siguiente se ha deflactado la serie de salarios ordinarios en la construecién de Cantabria por trabajador en el petiodo 2002 a 2006 utilizando el {indice General de Precios al Consumo de Cantabria de 2002 2006 (media trimestral) en base 2006 ‘Aiio Trimestre Coste TPC Coste Indice de salarial salarial en Valor del ordinario euros del Coste 2006 Salarial 2002 1 110561 87,04 1270,30 100,00 2002 2 163,12 88,84 1309,25, 103,07 2002 3 1197,78 88,80 1348,92 106,19 2002 4 1203,04 90,16 134,33, 105,04 2003 1 180,87 90,05 131140 103,24 2003 2 1216,98 91,06 1336.41 105,20 2003 3 1200,49 90,96 1319,81 103,90 2003 4 1226.42 92,44 1326,78 104,45 2004 1 1215,01 91,77 1323,91 104,22 2004 2 126544 93,79. 1349.28, 106,22 2004 3 1247,24 93,66 1331,68 104,83 2004 4 1280.62 95,30 1343,79 105,79 2005 1 128886 94,52 1363,55 107,34 2005 2 130136 96,58 1347,48, 106,08 2005 3 1295.75 96,89 1337.41 105,28 2005 4 132046 98,43 1341,50 105,61 2006 1 135989 98,31 1383,21 108,89 2006 2 136891 100,43 1363,00 107,30 2006 3 138691 100,31 1382,57 108,84 2006 4 136292 100,94 130,25 106,29 2007 1 1355,71 100,52, —1348,71 108,17 2007 2 138998 102,66 ——_1353,99 106,59 2007 3 142871 102,76 __1390,35 109.45 1.7. INDICES DE VOLUMEN ENCADENADOS. ‘Tradicionalmente, en los indices compuestos se comparan directamente dos puntos en el tiempo, el periodo actual (t) y el periodo base (0). Las diferencias entre los distintos indices surgen a la hora de agregar los indices simples o elementales. En los indices de tipo Laspeyres se considera Ia utilizacién de ponderaciones del periodo base, mientras que los indices de tipo Paasche utilizan las ponderaciones del periodo actual. En ambos casos, si se produce un cambio importante en la composicién de las unidades elementales entre los periodos base y actual, la relevancia de ambos indices se ve reducida, 16Los indices encadenados consideran que el paso del periodo 0 al t puede fragmentarse considerando los incrementos parciales, esto es, que el encadenamiento de los indices (i.e. de las variaciones) evaluados con la frecuencia de muestreo maxima posible constituye una valoracién mis apropiada del cambio realizado desde 0 hasta t, Intuitivamente, se intenta reducir el envejecimiento de la base. La forma de resolver este problema consiste en efectuar las comparaciones entre p disten lo menos posible (por ejemplo, un periodo) mediante “eslabones”: Th = Dion bn entre los periodos 0 y t se encadena: A pattir de los eslabones, Ia variak ot. =T [ta Un indice asi construido carece de periodo base o de ponderaciones, ya que van cambiando a lo largo de los distintos periodos. No obstante, se designa un periodo llamado de referencia, al que arbitrariamente se le asigna el valor 100. Ejemplo 1.5 En Ia siguiente tabla se ofrece un ejemplo con datos hipotéticos de dos productos (A y B) y tres afios (0, 1 y PRODUCTO PRECIO CANTIDAD po.do PRECIO CANTIDAD pi.q: PRECIO CANTIDAD p2.q2 A 3 5 15 2 9 18 1 9 9 B 4 7 28 5 7 35 6 iL 66 TOTAL 43 53 75 Primero, se calculan los eslabones: 7PRODUCTO PRECIO CANTIDAD po.q2 PRECIO CANTIDAD Po.q, PRECIO CANTIDAD A B TOTAL Eslabén 3 5 15 2 9 2741 9 4 7 285 7 28 «6 it 43 55 100 127,9 Prga 18 55 73 137,7 1279 137,7 El indice encadenado se obtiene multiplicando cada eslabén anual en forma de indice por la cadena acumulada hasta el aflo precedente, La cadena asi obtenida es un mimero indice por lo que su conversién en téminos monetarios se realiza multiplicdndola por el valor a precios corrientes observado en un afio particular, llamado “de referencia”, En la siguiente tabla se considera el afio 0 como periodo de referencia: PRODUCTO PRECIO CANTIDAD pogo PRECIO CANTIDAD Po.q: PRECIO CANTIDAD Pi.2 A 3 5 152 9 27 4 9 48 B 4 7 285 7 2 6 1 55 TOTAL 43 55 73 Eslabén 100 127,9 132,7 indice encadenado 100 127,9 176,2 Valoracién monetaria 43 55 76 1279 = 127.9100 100 1162 = BETAS 100 Debe sefialarse que, a diferencia de lo que ocurria con la valoracién a precios constantes en la que el afio de referencia y base coinciden, en el sistema de valoracién a precios del aifo anterior no son equivalentes. Asi, el afio de referencia es el que define la escala del indice encadenado (haciéndolo 100), mientras que la base temporal es mévil, existiendo tantas bases como pares de 18afios consccutivos por lo que, en conjunto, la valoracién encadenada carece de base fija (base mévil). La aplicacién de esta metodologfa genera una pérdida de aditividad en las medidas encadenadas de volumen (excepto en los datos correspondientes a los afios de referencia y al inmediatamente posterior). La pérdida de aditividad significa, por ejemplo, que la suma de los componentes del Producto Interior Bruto (PIB) no coincide con éste (excepto en los datos correspondientes a los afios de referencia y al inmediatamente posterior), De forma general, una variable valorada ‘mediante medidas encadenadas de volumen no coincide con la suma de sus elementos constituyentes igualmente evaluados a través de medidas encadenadas de volumen. La pérdida de aditividad es una consecuencia directa de las propicdades matemdticas del sistema de valoracién, por lo que las diserepancias no reflejan deterioro alguno de calidad en el proceso de medida, 1.8. ELABORACION DE INDICES COMPUESTOS La formula bésica para la construccién de los indicadores lideres compuestos es la siguiente: donde w, es el ponderador s, es el método de normalizacién es el indicador simple Cuando se elabora un indicador compuesto es necesario que las series individuals presenten la misma amplitud cfclica relativa, pues de lo contrario, las series con mayor amplitud efclica dominarian el comportamiento del indicador compuesto, impidiendo asi que se revele la informacién contenida en otras series de menor amplitud. Para lograrlo, se normalizan las series componentes restindoles la media y dividiéndolas por el promedio de las desviaciones de la ‘media en valor absoluto, conforme la siguiente formula: 19Otros métodos de normalizacién serian: Min-max: Cuando se trabaja con balances de respuestas (encuestas de opiniones empresariales), es conveniente utilizar indices de difusién: donde IDt es el indice de difusién y xt es el balance de respuestas correspondiente. La diferencia entre un balance de respuestas y un indice de difusién es que el primero esté centrado en cero, con un valor méximo de 100 y un minimo de -100, mientras que el segundo esta centrado en 50, con un valor maximo de 100 y un valor minimo de cero. El uso de indices de difusién resulta ma comodo que el uso de balances, ya que en tal transformacién, las series sélo toman valores positives, lo que facilita el uso de logaritmos y descomposiciones multiplicativas de las series temporales. Cuando el indice de difusién es mayor que 50, significa que los entrevistados estén optimistas especto a la evolucién de la variable objetivo. Si es menor que 50, los entrevistados se encuentran pesimistas. La ponderacién se puede obtener de datos base de la Contabilidad Nacional Anual, por ejemplo, si se quiere construir un indicador de produccién industrial, se puede agregar a partir de los indices subsectoriales y el VAB 0 empleo de cada subsector. A continuacién se exponen dos metodologias estadisticas de obtencién de ponderadores: el método de Granger y Newbold (1986) y los componentes principales. 20a. Elmétodo de Granger y Newbold Para la construccién del indicador sintético se estima la siguiente ecuacién, utilizando la serie anual de la macromagnitud de referencia y el conjunto de variables seleccionadas anualizadas: 2 ‘ j Y= 04 a, +0,X;) +46 (4, +B, AG) bt OG (a +B,X)+ My = Zp tbe donde: Yr esl valor de la variable a trimestralizar en el afio T Xj es el valor del indicador aproximativo, en el afio T, proyectada hasta el iltimo trimestre del afio actual a través de modelos ARIMA, siendo & el mimero de indicadores aproximativos utilizados 4,8 el término independiente de la regresin entre Y y Xi. +, es el coeficiente de la regresion entre Ye Xj @, es el peso asignado a la estimacién a través de la variable j Z,, ¢s el indicador sintético Hes el error del modelo en el afto T. El peso de cada variable en el indicador sintético se establece de forma inversamente proporcional al error de su regresién con Y, oF, tal que: ‘Una vez obtenido el indicador Z, se obtiene la serie estimada del valor trimestral de la variable y y, =, (a, +bx!)+ 0, (a, +b,x?)+..4 0%, (a, +b,x*) b, Estimacién del modelo con Componentes Principales La metodologia de componentes principales se realiza en dos fases. En primer lugar se realiza una estimacién de los componentes principales de los indicadores estratégicos relacionados con la variable Y, y en segundo lugar se realiza una regresién entre Y y el valor anualizado de los factores resultantes de la fase anterior. 2Asi pues, siendo X1, X2,....Xm los distintos indicadores que hemos seleccionado como variables relacionadas con Y, este método nos va extraer las diferentes funciones lineales (Zs) que existen entre ellas: Z' = ayX! +ay,X? +....0,,X" Z? = ayX! +aX? +..0,,X" Z” sa, X! + ay. X? + dy X™ Este método extrac las funciones lineales (Z*) seleccionando las asi de tal modo que las varianzas de las Z sean maximizadas. De este modo, los componentes extraidos son las combinaciones lineales de los indicadores que tienen mayor varianza, siendo Z' el componente con mayor varianza explicada, seguido del Z’ que contiene la segunda mayor varianza explicada pero sin estar correlacionado con 2 y asi sucesivamente, de modo que la suma de la varianza de todos los componentes explique el total de las variaciones de las A" y, a su vez, estén incorrelacionadas entre ellas. Uno de los problemas de esta metodologia radica en la determinacién del nimero de componentes que deben ser tomados en cuenta para la fase mimero dos. La prictica mas extendida es que sélo serén tomados aquellos componentes cuyos autovalores (taices En la segunda fase del modelo de componentes principales, se expresa la relacién entre el Y trimestral y los componentes principales (CP) extraidos del conjunto de indicadores originales, ¥,=@+ BCP, +My Obtenigndose la estimacién trimestral de Y a partir de: y, = 0+ BCP, +h, 221.9. PROBLEMAS 1.1 Partiendo de las siguientes observaciones de tres precios: ‘Afio. A Se pide: a) Calcular el indice simple de cada precio tomando como referencia en afio 1 b) Calcula un indice compuesto media aritmética, arménica y geométrica Calcula un indi °) sompuesto ponderado utilizando como ponderadores 0.60, 0.30 y 0.10 para el precio A, B y C respectivamente, 1.2 Partiendo de las siguientes observaciones de precios y cantidades de los articulos de la tabla: Precios. ‘Cantidades: Aio [A B c A B c 1 6 1 2 50. 500 100) 7 15 35 40, 450) 120) 3 8 0,75 4 20 600 110) a) Obtener los indices de precios de Paache, Laspeyres y Fisher tomando como referencia ‘en periodo 1 b) Obtener los indices de cantidades de Paache, Laspeyres y Fisher tomando como referencia en period 1 1.3 En un contrato de alquiler esté establecido que la renta anual se tiene que revisar de acuerdo al crecimiento anual del IPC, teniendo en cuenta que el afio 2010 se pagaba de 700 euros de alquiler, calcule la actualizacién de dicha renta en 2011, 2012 y 2013, utilizando los datos de la tabla siguiente: TPO(Base 2005) 2010 120 2011 122 2012 1255 2013 125) 231.4 En Ia tabla siguiente se recogen los incrementos de salarios mensuales medios de una industria durante el periodo 2010-2013, utilizando el IPC que se recoge en el cuadro anterior caleule: Salario medio por trabajador y Afio mes 2010 1200 2011 1210 2012 1150 2013 1000 ) Los indices de precios con base 2010 b) Los salarios en valores constantes del 2010 ¢) Calcule un indice que refleje la evolucién del poder adquisitivo de esos salarios durante el periodo. 1.5 En el 2013 se ha procedido a un cambio de base en dicho IPC, teniendo presente que el IPC de 2014 con la base 2013 es 101,35, indique como ha variado el poder adquisitivo del un salario medio de 1150 euros por trabajador y mes pagado en 2012. 1.6 Se dispone de los siguientes datos de precios y cantidades producidas: A B ] Afios__|p 4 4 0 6 50 3 35 1 8 60 4 45 2 10 70 7 50 3 12 80 9 60 Obtenga los eslabones y los indices de volumen de Laspeyres encadenados, afio de referencia 0 yh 24SOLUCIONES lla) ‘iio A B c i 100 100 100 [ 2 | 133,333333 | 175| 87.5 [ 3 150| 150 50 4 | 166666667 125 75 5 200 150 25 ») [Afio Aritmética_[Arménica | Geometrica [ 4 100] 100] 100, I 2| fa1.o44446 | 121,75913 | 126,861044 [ 3 | 116,666667 | ‘90 104,004191 ‘4 |109,722222 | 73,7704818 | 92,1007875 5 125 | 58,0645161 | 90,8560296 ° [Ano Ponderado I i 100 | 2141.25 3 140 4[ 441.25 5 167.5 12a) Paache [Laspeyres [Fisher 700 100 400 147 849462 145| 146.4178 113 717.5 | 115,228035 b) Paache [Laspeyres_[ Fisher 700 100 100 94,8275862 93 | 93,9093473 96,1702128 7100] 98,0664126 13 Renta 2010 700 2011 | 711,666667 2012 | 732,083333 2013 | 729,166667a) Indice de precios @ase Alto 2010) 2010 700 2011 | 107,666667 2012 | 104,583333 2013 | 104,166667 b) Salarios @ valores Afio constantos 2010 1200] 2011 | 1190,16393| 2012 | 1099,60159 2013 960 ° Indice de Afio Valor 2010 100 2011 | 99,1803279| 2012 | 91,63346641 2013 80 1s 1139,22 16. Tadice Afios Eslabon _| encadenado 0 700 1 | ¥22,220022| 122,022092 2[115,151515| 140,740741 3] 116,190476 | 133,795094 26SERIES TEMPORALES 2.1. INTRODUCCION El presente epigrafe pretende ser una breve introduccién al estudio de las series temporales, las cuales poseen una gran importancia en el campo de la Economia dada la abundancia de este tipo de observaciones; de hecho, las series temporales constituyen la mayor parte del material estadistico con el que trabajan los economistas. Pero, {qué es una serie temporal? Por definicién, una serie temporal es una sucesién de observaciones de una variable realizadas a intervalos regulares de tiempo. Segiin realicemos la medida de la variable considerada podemos distinguir distintos tipos de series temporales: — Diseretas 0 Continuas, en base al intervalo de tiempo considerado para su medicién. — Flujo 0 Stock. En Economia, se dice que una serie de datos es de tipo flujo si esté referida a un perfodo determinado de tiempo (un dia, un mes, un aio, ete.). Por su parte, esti referida a una fecha determinada de tipo stock si se dice que una serie de datos (por ejemplo, el 31 de Diciembre de cada afio). Un ejemplo de datos de tipo flujo serian las ventas de una empresa ya que éstas tendrén un valor distinto si se obtiene el dato al cabo de una semana, un mes 6 un afio; por su parte, la cotizacién de cierre de las acciones de esa misma empresa seria una variable de tipo stock, ya que sélo puede ser registrado a una fecha y hora determinadas. Obsérvese que existen relacién entre ambos tipos de variables, pues la cotizacién al cierre de las acciones no es mas que el precio de cierre del dia anterior més, o menos, el flujo de precios de la sesién considerada, = Dependiendo de la unidad de medida, podemos encontrar series temporales en pesetas 0 cen diversas magnitudes fis s (kilogramos, litros, millas, ete.) — En base a la periodicidad de los datos, podemos distinguir series temporales de datos diarios, semanales, mensuales, trimestrales, anuales, ete. 27Antes de profundizar en el andlisis de las series temporales es necesario sefialar que, para Hlevarlo a cabo, hay que tener en cuenta los siguientes supuestos: = Se considera que existe una cierta estabilidad en la estructura del fenémeno estudiado. Para que se cumpla este supuesto sera necesario estudiar perfodos lo mis homogéneos posibles. — Los datos deben ser homogéneos en el tiempo, 0, lo que es lo mismo, se debe mantener la definicién y la medicién de la magnitud objeto de estudio. Este supuesto no se da en muchas de las series econémicas, ya que es frecuente que las estadisticas se perfeccionen con el paso del tiempo, produciéndose saltos en la serie debidos a un cambio en la medicién de la magnitud estudiada. Un caso particularmente frecuente es Tales cambios de base el cambio de base en los indices de precios, de produccién, implican cambios en los productos y las ponderaciones que entran en la elaboracién del indice que repercuten considerablemente en la comparabilidad de la serie en el tiempo. El objetivo fundamental del estudio de las series temporales es el conocimiento del ‘comportamiento de una variable a través del tiempo para, a partir de dicho conocimiento, y bajo el supuesto de que no van a producirse cambios estructurales, poder realizar predicciones, es decir, determinar qué valor tomara la variable objeto de estudio en uno 0 mas perfodos de tiempo situados en el futuro, mediante la aplicacién de un determinado modelo calculado previamente, Dado que en la mayor parte de los problemas econémicos, los agentes se enfrentan a una toma de decisiones bajo un contexto de incertidumbre, la prediccién de una variable reviste una importancia notoria pues supone, para el agente que la realiza, una reduccién de la incertidumbre y, por ende, una mejora de sus resultados. Las téonicas de prediccién basadas en series temporales se pueden agrupar en dos grandes bloques: = Métodos cualitativos, en los que el pasado no proporciona una informacién directa sobre el fenémeno considerado, como ocurre con la aparicién de nuevos productos en el mercado. Asi, por ejemplo, si se pretende efectuar un estudio del comportamiento de 28una accién en Bolsa, y la sociedad acaba de salir a cotizar al merc acudir a la informacién del pasado ya que ésta no existe. — Métodos cuantitativos, en los que se extrac toda la informacién posible contenida en los datos y, en base al patrén de conducta seguida en el pasado, realizar predicciones sobre el futuro, Indudablemente, la calidad de las previsiones realizadas dependerdn, en buena medida, del proceso generador de la serie: asi, si la variable observada sigue algin tipo de esquema o patrén de comportamiento mis 0 menos fijo (serie determinista) seguramente obtengamos predicciones mis o menos fiables, con un grado de error bajo. Por el contrario, si la serie no sigue ningim patron de comportamiento especifico (serie aleatoria), seguramente nuestras predicciones careceran de validez por completo. Generalmente, en el caso de las series econémicas no existen variables deterministas 0 aleatorias puras, sino que contienen ambos tipos de elementos. El objeto de los métodos de previsin cuantitativos es conocer los componentes subyacentes de una serie y su forma de integracién, con objeto de realizar de su evolucién futura Dentro de los métodos de prediccién cuantitativos, se pueden distinguir dos grandes enfoques alternativos: — Por un lado, el andlisis univariante de series temporales mediante el cual se intenta realizar previsiones de valores futuros de una variable, utilizando como informacién la contenida en los valores pasados de la propia serie temporal. Dentro de esta metodologia se incluyen los métodos de descomposicién y la familia de modelos ARIMA univariantes que veremos mas adelante. = Elotro gran blogue dentro de los métodos cuantitativos estarfa integrado por el andlisis, multivariante o de tipo causal, denominado asi porque en la explicacién de la variable variables objeto de estudio intervienen otras adicionales de ella o ellas mismas. En el tratamiento de series temporales que vamos a abordar, tinicamente se consideraré la informacién presente y pasada de la variable investigada. Si la variable investigada es ¥ y se dispone de los valores que toma dicha variable desde el momento J hasta 7, el conjunto de informacién disponible vendré dado por: 29Ys, Vos Yar von Yer, Yr Dada esa informacién, la prediccién de la variable Y para el perfodo T+1 la podemos expresar como: Con esta notacién queremos indicar que la prediccién para el periodo T+1 se hace condicionada a la informacién disponible en el momento 7. El acento circunflejo sobre la ¥ nos indica que esa prediccién se ha obtenido a partir de un modelo estimado, Conviene también hacer notar que T+1 significa que se esta haciendo la prediccién para un periodo hacia delante, es decir, con la informacién disponible en t hacemos una prediccién para el periodo siguiente. ‘Andlogamente, la prediccién para el periodo 2 y para el periodo T+m, con la informacién disponible en 7, vendri dada, respectivamente, por: que serin predicciones de 2 y m periodos hacia adelante. Si, genéricamente, para el periodo t se efectia una prediccién con la informacién disponible en tI, ya la que designamos por Y,,,_,, para el periodo t podemos hacer una comparacién de este valor con el que realmente observemos (¥,). La diferencia entre ambos valores serd el error de prediecién de un periodo hacia adelante y vendré dado por: ‘Cuando un fenémeno es determinista y se conoce la ley que lo determina, las predicciones son exactas, verificdndose que ¢,,.;=0. Por el contrario, si el fendmeno es poco sistemitico o el modelo es inadecuado, entonces los errores de prediccién que se vayan obteniendo serén grandes. Para cuantificar globalmente los errores de prediccién se utilizan los siguientes estadisticos: la Raiz del Error Cuadratico Medio (RECM) y el Error Absoluto Medio (EAM),En el caso de que se disponga de T observaciones y se hayan hecho predicciones a partir de la observacién 2, las fSrmulas para la obtencién de la raiz del Error Cuadritico Medio y el Error Absoluto Medio son las siguientes: De forma aniloga se pueden aplicar la RECM y el EAM en predicciones de 2, 3, ..., m periodos hacia adelante. En el andlisis de series temporales se aplican, en general, métodos alternativos a unos mismos datos, seleccionando aquel modelo o aquel método que, en la prediccién de periodos presentes y pasados, arroja errores de prediccién menores, es decir, arroja una RECM o un EAM menor. 2.2. COMPONENTES DE UNA SERIE TEMPORAL Tradicionalmente, en los métodos de descomposicién de series temporales, se parte de la idea de ‘que la serie temporal se puede descomponer en todos o algunos de los siguientes componentes: — Tendencia (7), que representa la evolucién de la serie en el largo plazo = Fluctuacién cictica (C), que refleja las fluctuaciones de cardeter periddico, pero no necesariamente regular, a medio plazo en tomo a la tendencia, Este componente es frecuente hallarlo en las seties econémicas, y se debe a los cambios en la actividad ‘econémica. Para la obtencién de la tendencia es necesario disponer de una serie larga y de un mimero de ciclos completo, para que ésta no se vea influida por la fase del ciclo en que finaliza la serie, por lo que, a veces, resulta dificil separar ambos componentes. En estos casos resulta itil englobar ambos componentes en uno solo, denominado ciclo- tendencia o tendencia generalizada.= Variacién Estacional (5): recoge aquellos comportamientos de tipo regular y repetitive ‘que se dan a lo largo de un periodo de tiempo, generalmente igual o inferior a un afio, y que son producidos por factores tales como las variaciones climatolégicas, las vacaciones, las fiestas, ete. — Movimientos Irregulares (J), que pueden ser aleatorios, la cual recoge los pequefios efectos accidentales, 0 erriticos, como resultado de hechos no previsibles, pero identificables a posteriori (huelgas, catastrofes, ete.) En este punto, cabe sefialar que en una serie concreta no tienen por qué darse los cuatro componentes, Asi, por ejemplo, una serie con periodicidad anual carece de estacionalidad, La asociacién de estos cuatro componentes en una serie temporal, ¥, puede responder a distintos cesquemas; asf, puede ser de tipo aditivo: YoTHCHSHL ‘También puede tener una forma multiplicativa: Y=TCSI bien ser una combinacién de ambos, por ejemplo: Y=TCS+I ‘Una forma sencilla para ver como estin asociadas las componentes de una serie temporal es representar grificamente la serie que estamos analizando. Si al realizar la representacién gréfica ‘se observa que las fluctuaciones son més © menos regulares a lo largo de la serie, sin verse afectadas por la tendencia (véase Figura, 2.1), se puede emplear el esquema aditivo.Figura 2.1. Esquema aditivo Si, por el contrario, se observa que la magnitud de las fluctuaciones varia con la tenden siendo mas altas cuando ésta es creciente y mas bajas cuando es decreciente (véase Figura 2.2), se debe adoptar entonces el esquema multiplicativo. Figura 2.2. Esquema multiplicativo. 2.3. ANALISIS DE LA TENDENCIA ‘Como deciamos en el apartado anterior, la tendencia es el componente de la serie temporal que representa la evolucién a largo plazo de la serie. La tendencia se asocia al movimiento uniforme6 regular observado en la serie durante un periodo de tiempo extenso. La tendencia es la informacién mas relevante de la serie temporal ya que nos informa de si dentro de cinco, diez 0 quince afios tendré un nivel mayor, menor o similar al que la serie tiene hoy dia. 1 analisis de 1a tendencia se realiza fundamentalmente con dos objetivos: por un lado, para conocer cuales son las pautas de comportamiento a lo largo del tiempo, de la variable objeto de estudio, y por otro, para predecir sus valores futuros. Las tendencias suelen representarse mediante funciones de tiempo continuas y diferenciables. Las funciones de tendencia mas utilizadas son: 1, Lineal. Polinémica, Exponencial Modelo autorregresivo Funcién Curva de Gompertz Modelo logaritmico reefproco Si una serie temporal X; se ajusta a una tendencia lineal, la funcién de tiempo que se plantea es la siguiente: Kat Pt m1 Qn Una tendencia polinémica de grado p se ajustara a una funcién del siguiente tipo: SO) = 0s = Bat + + Beh Si la tendencia sigue una ley exponencial, entonces la funcién de ajust. St) = ae" donde a y 7 son constantes, ‘Un modelo autorregresivo ajusta la tendencia de la forma siguiente: X,=wr 7x1 +m, — siendo 70La curva logistica se representa mediante la funcin: T= I-be donde 1, b yr son constantes positivas. La curva de Gompertz responde a la siguiente ecuacién: sy = Tr" donde 7, r, b son parimetros positivos. Finalmente, el modelo logaritmico reciproco, viene definido por la relacién: SO =a+bit — BO Para calcular las funciones de tendencia, lo habitual es linealizar las formas de las funciones no lineales y proceder a su estimacién como si fuera una funcién de tendencia lineal. Una ver establecido un modelo tedrico para la tendencia, se debe proceder a la determinacién 0 cdlculo de los parémetros que desconocemos mediante diversos procedimientos estadisticos, que pasamos a describir a continuacién. 2.3.1. Método de los semipromedios El método de los semipromedios es la forma més ripida de estimar una Iinea de tendencia recta. El método requiere dividir la serie de datos en dos mitades y calcular el promedio de cada mitad que se centra en el punto medio. La recta que una ambas medias (o semipromedios) sera ta linea de tendencia estimada, Ejemplo 2.1. Utilizando la serie cronolégica de ventas de gasolina en Castilla y Leon: afios 1985-1994. (Miles de Tm.) sobre la que vamos a realizar un ajuste de una tendencia basada en el método de semipromedios:‘ANOS Tm, 1985 441.300 1986 441.200 1987 466.700 1988, 496,700 1989 527,809 1990 936.445 1991 548,302 1992 599,525 1993 613,849 1994 610.370 Dividimos la serie en dos mitades, cada una de cinco afios, y calculamos los promedios de cada mitad. Los promedios los centramos en las observaciones centrales, las correspondientes a 1987 y 1992: 441.300 + 441.200 + 466.700 + 496.700 + 527.809 Promedio centrado en 1987 = = 474.742 536.445 + 548,302 + 599.525 + 613.849 + 610.370 Promedio centrado en 1992 = => =>" e en OL = 581,698 de la linea de tendeneia seré: Y= a+bt donde ¥," es el valor de la tendencia estimada de las ventas de gasolina, El valor de a se obtiene al hacer ¢=0, y se hace corresponder con el valor del primer promedio: a=Y¥y = 474472 El coeficiente de la pendiente de la recta b representaria el ineremento anual de la tendencia, y se calcula a partir de los dos promedios:581.698 474.742 5 Nétese que al ser cinco los afios que hay de diferencia entre 1992 y 1987, afios en los que hemos centrado los promedios, el denominador que utilizamos para calcular el incremento anual es igual a5, La ecuacién ¥;'=474,742+213911 nos sirve para obtener Ia tendencia una vez conocidos los valores 1 o del regresor, que ha de tener necesariamente valor cero en 1987. Los valores de X; se claboran a partir de una sucesién de puntuaciones consecutivas que van desde un minimo de -2 de 1985 hasta un maximo de 7 en 1994: Tm. Semipromedio t Tendencia 1985 441300 -2 431959 1986 441200 “1 453381 1987 466700 474742 0 474742 1988 496700 1 496133 1989 527809 2 517524 1990 536445, 3 538916 1991 48302 4 860307 1992 599525 581698 5 581698 1993 613849, 6 603089 1994 610370 7 624481 La tendencia se representa en la figura 2.3:Tendencia de las ventas de gasolina 650,000 600.000 550,000 500,000 + Tm |He-Tendencia 450,000 400.000 1985 1986 1987 1988 1989 1990 1991 1992 19931994 Figura 23. 2.3.2. Método de minimos cuadrados El método de minimos cuadrados es el que mas se utiliza para ajustar tendencias. Este método da los mismos resultados que el método anterior cuando es utilizado para obtener tendencias lineales. Si realizamos sencillas transformaciones aritméticas de los datos puede también ser utilizado para representar funciones de tendencias no lineales. Estimar una tendencia lineal por el método de MCO equivale a estimar la siguiente funcién: 1) utilizando como variable explicativa un vector de nimeros secuenciales {1,2,3,...m) representativos del periods.Si se quiere obtener una tendencia exponencial, debemos lincalizar la funcién lo que requiere su transformacién en logaritmos: Entonces: In¥,=Inb+rt (2.2) Una vez estimada la tendencia lineal por minimos cuadrados, calculamos la exponencial del logaritmo para devolver la tendencia a la escala de los datos originales. Ejemplo 2.2 En la siguiente tabla en la que se muestra la evolucién de las ventas de gasolina en Castilla y Leén Afios 1985-1994, (Miles de tm.). Con los datos transformados para estimar por MCO una tendencia lineal y una tendencia exponencial 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 Ty) 441300 441200 468700 496700 527809 536445, 548302 599525 613849 610370 Togaritmo (vy) x 13,00 13,00 13.05 13:12 13:18 13.19 13.21 13.30 13,33 13,32 1 Tendencia exponencial 12.98 13.03 13.07 13.11 13.15 13.19 13.23 13.27 13.31 13.36 Tendencia 438719 454039 473130 493024 513754 536355 557865, 581322 605764 631235 Ambas tendencias se representan en la figura 2.4:Tendencia de las ventas de gasolina 650.000 600.000 550,000 500.000 om |—a—Tendencia |--— T.Exponencial 450,000 400.000 1985 1986 1987 1988-1989 1990 1991 198219931994 igura 2.4, Para analizar la calidad del ajuste realizado hay que considerar los estadisticos de la regresién minimo cuadrada’ tadisticas de Ta regres Coeficiente de correlacion multiple 0,984248834 Coeficiente de determinacién R’ _ 0,968745767 R® ajustado 0,964838988 Error tipico 0,023756892 Observaciones 10 an el ejen ibn (R=0,9687) cio que hemos realizado la magnitud del coeficiente de determina seria indicativo de un aceptable ajuste. La estimacién MCO da lugar a los coeficientes 6 y m que figuran en la tabla siguiente: Coniston Error pico Eadisicat — Probabilidad —tifrior 95% Superior 5% ‘Tneseepein —TESTTSSST —OOTRIDS TOT SSSA 6RAOOEDT TA D06TAIS TE IRTRTAT— Variable XI OO41I8681 00026155 15.746915 2.64248-07_O.URSISSI8 _O.047218276 El capitulo 8.4 dedicado a la regresién minimo-cuadrada estudia los fundamentos de dicha técnica y los estadisticos que se mencionan, 40La intercepcién en el origen es el coeficiente a, y la “Variable X 1” es el coeficiente b. La tabla da el abanico de valores mas probables para ambos coeficientes al nivel de confianza del 95%, estos valores son los que figuran en las casillas Inferior y Superior. En el caso del coeficiente a, 1 ajuste minimo-cuadrado da como resultado que lo mas probable es que se encuentre entre el intervalo que va desde el valor 12,91 hasta el 12,98, siendo su valor medio 12,94; en tanto que el coeficiente & estard en el intervalo que va desde 0,035 hasta 0,047, resultando ser su valor ‘medio 0,041, Se rechaza en ambos casos la hipéteis mula H, : 8 = 0aun @ = 0,05, por lo que consideramos que los coeficientes estimados son estadisticamente significativos. En el ejemplo la funcién lineal estimada (2.1) seria: ¥, = 12,94 + 0,041 La estimacién de la tendencia en forma exponencial (2.2) quedaria: ¥, = 242801,6.e°%" 2.3.3. Médias méviles En el andlisis de series temporales, el método de medias méviles tiene diversas aplicaciones: asi, este método puede sernos itil si queremos caleular la tendencia de una s sie temporal sin tener que ajustamos a una fimcién previa, ofreciendo asi una visién suavizada o alisada de una serie, ya que promediando varios valores se elimina parte de los movimientos irregulares de la serie; también puede servimnos para realizar predicciones cuando la tendencia de la serie tiene una media constante. Veamos qué es una media mévil: se trata, sencillamente de una media aritmética que se caracteriza porque toma un valor para cada momento del tiempo y porque en su calcul no centran todas las observaciones de la muestra disponible. Entre los distintos tipos de medias méviles que se pueden construir nos vamos a referir a dos tipos: medias méviles centradas y medias méviles asimétricas. El primer tipo se utiliza para la 4lrepresentacién de la tendencia, mientras que el segundo lo aplicaremos para la prediccién en modelos con media constante, Las medias méviles centradas se caracterizan porque el nimero de observaciones que entran en su célculo es impar, asignéndose cada media mévil a la observacién central. Asf, una media mévil centrada en ¢ de longitud 2n + J viene dada por la siguiente expresin: Yoon Yona tot Y, tit Voones #Y, 2n+1 MM (2n +1), 2n+1 ‘Como puede observarse, el subindice asignado a la media mévil, t, es el mismo que el de la observacién central, ¥,. Obsérves e también que, por construccién, no se pueden calcular Las ‘medias méviles correspondientes a las n primeras y a las n tiltimas observaciones. Por su parte, en el caso de las medias méviles asimétricas se gna cada media mévil al periodo correspondiente a la observacién més adelantada de todas las que intervienen en su caleulo. Asi la media mévil asimétrica de n puntos asociada a la observacién ¢ tendré la siguiente expresién: Este tipo de medias méviles se emplea en la prediccién de series cuya tendencia muestra una ‘media constante en el tiempo, utilizindose la siguiente ecuacién: 1m DY, = MMA(n), MMA) 5 's decir, para predecir el valor de la serie en el periodo siguiente se suma a la media mévil, la media aritmética de los m tiltimos periodos, siendo 7 la longitud de la media mévil. La utilizacién de medias méviles implica la eleceién arbitraria de su longitud u orden, es decir, del niimero de observaciones que intervienen en el célculo de cada media movil. Cuanto mayor sea la longitud, mejor se eliminardn las irregularidades de la serie, ya que al intervenir mas observaciones en su célculo se compensardn las fluctuaciones de este tipo, pero por el contrario, el coste informativo seré mayor. Por el contrario, cuando la longitud es pequefia, la media mévil 42refleja con mayor rapidez. los cambios que puedan producirse en la evolucién de la serie, Es conveniente, pues, sopesar estos factores al decidir la longitud de la media mévil. Ejemplo 2.3 Veamos a continuacién un ejemplo, utilizando de nuevo la serie de ventas de gasolina, optamos por calcular una media mévil trienal que oftece los siguientes resultados: Tm, Media movil tienal 1985 441300 1986 441200 449733 1987 466700 468200 1988 496700 497070 1989 527809 520318 1990 536445 637519 1991 48302 561424 1992 599525 687225 1993 613849 607915 1994 610370 El valor de la media mévil trienal asignado a 1986 se calcula asi: 449733 = 4413004 “41200 +466700 A su vez, el valor de la media movil trienal asignado a 1987 se calcula asi: 468200 = £41200 1466700 + 496700 Tendencia en medias méviles trienales de las ventas de gasolina 650,000 600.000 550.000 ¥ Tm a Modia movil trenal 500.000 450.000 400.000 1985 19861987 1988-1989 1990 1991 1992 19931994 Figura 2.5, 43‘Como se aprecia en la figura 2.5., el inconveniente que tiene la media mévil es que perdemos informacién de la tendencia en los ejercicios inicial y final. En este sentido, volvemos a resaltar que las medias méviles, comparadas con métodos basados en ajustes aritméticos, tienen un coste informativo. 2.3.4, Alisado Exponencial Simple | método del alisado exponencial simple consiste, al igual que en el caso de las medias méviles, en una transformacién de la variable original. Si una variable ¥ es sometida a un proceso de alisado exponencial simple se obtiene como resultado la variable alisada S,. Tedricamente, la variable alisada S, se obtendria segiin la expresién: Si =) Y, + =) wr L-w) w? Yea + (1)! Yes + (23) donde w es un pardmetro que toma valores comprendidos entre 0 y 1, y los puntos suspensivos indican que el mimero de términos de fa variable alisada puede ser infinito. La expresién anterior en realidad no es mas que una media aritmética ponderada” de infinitos valores de ¥. Se denomina alisada ya que suaviza o alisa las oscilaciones que tiene la serie, al obtenerse como ‘una media ponderada de distintos valores. Por otra parte, el calificativo de exponencial se debe a que la ponderacién 0 peso de las observaciones decrece exponencialmente a medida que nos alejamos del momento actual t, Esto quiere decir que las observe ‘iones que estén alejadas tienen ‘muy poca incidencia en el valor que toma St. Finalmente, el calificativo de simple se aplica para distinguirla de otros casos en que, como veremos més adelante, una variable se somete a una doble operacién de alisado. Una ver que se han visto estos aspectos conceptuales, vamos a proceder a la obtencién operativa de Ja variable alisada, ya que la expresién no es directamente aplicable, por contener infinitos términos. Retardando un periodo en la expresién anterior se tiene que: * Para que pueda aceptarse que es una media aritmética ponderada debe verificarse que las ponderaciones, sumen I. La demostracién, que excede las pretensiones de este texto, se basa en el céleulo de la suma de infinitos términos de una progresién geométrica convergente. 44(119) Yer + (1) wii + (Low) Yes ‘Multiplicando ambos miembros por w se obtiene: Se = (1 — Ww) wes + (= w) w? Yaa + (I W) W? Yos + QA) Restando (2.4) de (2.3) miembro a miembro y ordenando los términos se tiene que: (1 =) ¥,+ WS. O tambien: S,=a¥, + (1- a) S. 25) donde @ = J —w: Ahora ya sélo nos falta calcular los valores de a y Sp, parémetros a partir de los cuales resulta sencillo hallar los valores de la variable alisada de forma manera recursiva, tal que: Si =a¥; + (1a) Sp Sp=a¥s + (I-a) 8; S:=aYy+ (1-0) S: Alasignar un valor a « hay que tener en cuenta que un valor pequeito de « significa que estamos dando mucho peso a las observaciones pasadas a través del tétmino 5, Por el contrario, cuando es grande se da mas importancia a la observacién actual de la variable Y. En general, parece ‘que un valor de a igual a 0.2 es apropiado en la mayor parte de los casos. Altemativamente, se puede seleccionar aquel valor de a para el que se obtenga una Raiz del Error Cuadritico Medio menor en la prediccién del periodo muestral Respecto a la asignacién de valor a S; se suelen hacer estos supuestos: cuando la serie tiene muchas oscilaciones se toma S = Y;; por el contrario, cuando la serie tiene una cierta estabilidad se hace S) = ¥ 45Ejemplo 2.4 La macro de anilisis estadistico de EXCEL incluye un procedimiento para realizar el suavizado exponencial (2.5): Bl meno Eduih we newer oma Herantnas Oates eutana 7 dai7B)4a8-9/9-°-/ 82 2 eT wx Bi 46fers E En el mend de la macro hay que indicar el rango donde estén los datos, el coeficiente @ = 0,20, y la celda en donde se grabara la salida de resultados, elegimos que nos realice el grafico y nos calcule los errores tipicos (RECM). ‘Suavizacion exponeneial ae =. peers we wm 472.3.5. Alisado Exponencial Doble Una variante més avanzada del método anterior es el Alisado Exponencial Doble, también conocido como método de Brown, Bisicamente, lo que se hace mediante este método es someter a la variable a una doble opetacién de alisado: en la primera operacién se alisa directamente la variable objeto de estudio, mientras que en la segunda operacién se procede a alisar la variable alisada previamente obtenida. Asi pues, las formulas del Alisado Exponencial Doble son las siguientes: Primer alisado: S’, = a; + (I=) 8’. Segundo alisado: 3”; = aS’, + (Ia) $1 ‘Obsérvese que en los dos alisados se utiliza el mismo coeficiente a. A partir de las dos variables alisadas se estiman los coeficientes de la recta para utilizarlos en la prediccién, Las formulas que permiten pasar de los coeficientes de alisado a los coeficientes de la recta son las siguientes: Finalmente, si con la informacién disponible en ¢, deseamos realizar una prediccién de la variable para el momento t+m, aplicaremos la siguiente formula: Voom = By, + By Asimismo, al igual que en el caso del Alisado Exponencial Simple, para poder obtener S? y S."” es ne er los valores iniciales, que en este caso serian dos, Sy’ y So’. Para determinarlos se utilizan las siguientes relaciones que permiten obtener by y bj, aunque en sentido inverso. Realizando un ajuste de la recta por minimos cuadrados con toda la informacién disponible se obtendran las estimaciones by, y by, 48Haciendo que: bboo= Boy ¥ bio= By y tomando ¢ = 0, se obtiene: A partir de estos valores se inicia la recursién ya sefialada. En lo que respecta al valor de a, es valido lo que se dijo en el caso del Alisado Exponencial Simple, siendo aconsejable tomar « = 0.2 0, alternativamente, seleccionar aquel valor de que haga minima la RECM cuando realicemos predicciones, 2.3.6. Método de Holt-Winters. E] método de Holt-Winters es una téenica de suavizado que utiliza un conjunto de estimaciones recursivas a partir de la serie historica, Estas estimaciones utilizan una constantes de nivel, or, una constante de tendencia, 8, y una constante estacional multiplicativa, y. Las estimaciones recursivas se basan en las siguientes ecuaciones: oo y, ¥,=a@¥,,-T.)+d-a@— ,(0 m <- Holtwinters(co2) Holt-winters exponential smoothing with trend and additive seasonal component. call: Holtwinters(x = co2) Smoothing parameters: ‘alpha: 0.5126484 beta : 0009497669 gamma: 0:4728868 coefficients: C,1] a 364.7616237 b 011247438 sl 0.215275 s2 0.9552801 s3 115984744 s4 218758029 85 312820088 56 2.4406990 87 0.8969433 58 : 39 s10 S11 -1:9134850 S12 -0.5844250 50R lizamos una representacién grifica de los resultados con: > plot(fitted(m) fitted(m) go ge & of pied 5 54 5 83 Bo 3 1 T T T 1900 1910 1220 1990 Time 2.4. ANALISIS DE LA ESTACIONALIDAD En este apartado pasamos a examinar el anilisis de la estacionalidad de las series temporales, entendiéndose por tal, aquellos ciclos regulares cuya duracién es inferior al afio. Las variaciones © ciclos estacionales n muy frecuentes en las series temporales, sea cual sea su naturaleza, y pueden presentar un esquema horario, diario, semanal, mensual, trimestral o incluso semestral, no siendo necesario que tengan alguna relacién con las estaciones del afio. Lo verdaderamente importante de los ciclos estacionales es su temporalidad o repeticién regular — Elaumento de viajeros en los autobuses urbanos en determinadas horas del dia. — Las ventas diarias de un supermercado que suelen presentar entre semana un esquema bastante regular.— El movimiento de viajeros en los establecimientos hoteleros que se concentra en determinados meses del allo. — El consumo de energia eléctrica que suele ser mayor los meses de invierno, El motivo principal que induce a estudiar los ciclos estacionales es que, de no tenerse en cuenta estas variaciones, se obtienen bastantes distorsiones a la hora de analizar la evolucién de las series, actuando muchas veces el factor estacional como una mascara que impide captar adecuadamente la evolucién del fenémeno objeto de estudio. Un ejemplo de estas distorsiones ocurre, por ejemplo, cuando se compara el consumo de electricidad en el primer y segundo trimestre del afio, ya que el ciclo estacional al detimitar un aumento del consumo en los meses de inviemo, impide una interpretacién correcta sobre el uso subyacente de la energia de dicho periodo. Por ello, sera convenient eliminar el influjo de los ciclos estacionales en la serie, a fin de poder realizar comparaciones entre dos estaciones sucesivas_y predecir correctamente el comportamiento futuro de la variable Para ello, existen diferentes procedimientos: utilizacién de filtros ineales, X11-ARIMA, SEATS (Signal Extraction in ARIMA Time Series), etc., cuya solucién requiere de un célculo ‘matemiético relativamente complejo; aqui tinicamente estudiaremos los procedimientos de desestacionalizaciin més sencillos: el método de porcentaje promedio y el método del porcentaje promedio movil. Asimismo, cabe sefialar que, con cardcter previo a la desestacionalizacién, a menudo hay que realizar una serie de ajustes en la serie temporal para tener en cuenta hechos o eventos que pueden afectar al ciclo estacional que tratamos de analizar. Estos eventos que suelen ser festividades, interrupciones del trabajo debido a huelgas, paros, regulaciones de empleo, etc., no siempre son eliminados por los promedios dentro del mes o trimestre en que se producen, de ahi que sea necesario corregir previamente los datos iniciales, Una forma de compensar estas variaciones es multiplicar la serie de datos originales por la siguiente razén: [Niimero de dias efectivos de un mes en un promedio de aftos (6 en un calendario laboral) ‘Nimero de dias efectivos del mes dado 52en la que la definicién de los dias efectivos dependerd de la serie cronolégica que nos interesa y de Jos motives por los que realizamos el ajuste. Finalmente, para saber si una serie temporal presenta variaciones estacionales de relevancia, se suele hacer un andlisis de la varianza del componente estacional-irregular de la serie, utilizando como factor de variacién la referencia temporal de la serie (semanal, mensual, trimestral, etc....), Dicho anilisis proporciona como estadistico la F de Snedecor, cuyo valor comparado ‘con el que figura en las tablas del Anexo, nos permite determinar si tiene significacién el factor temporal pata explicar la varianza de la serie; de admitirse dicha posibilidad, quedaria demostrado que los movimientos estacionales de la serie son lo suficientemente determinantes ‘como para proceder a su desestacionalizacién posterior. Ejemplo 2.6 Veamos a continuacién un ejemplo: vamos a realizar un test de presencia de estacionalidad a la serie mensual de ventas de gasolina en Castilla y Leén durante el periodo 1985-1994. “Alios Meses 1985 19861987 «198819891990 «1991-1992 1993 1994 26000 29100 28400 3100035689 37229 32745-37621 35299 40157 2 24800 24200 27600 32400 32566 35146 2872037208 39508 39203 3 29400 3490033700 3870045225 40100 4268143175 456811174 4 35400 33400 40600 39700 35800 46117 44134 49106 55183. 48357 s 31900 35200 34300 36500 44900 42804 43489 46905 46689 47538 6 31000 34700 39100 39900 4280842972 4239547682 5016252353 7 56500 47300 $0100 49700 S4817. $4729 S7B11_ 62712. 6618058967 8 74400 56900 60700 66100 67900 6720070278 77667-75607 74335 9 35700 40200 40800 45300 4680046200 50466 53616 5308752880 10 34400-36700 38700-40200 4048543940 46597 4940049777 49722 u 28900 30300 33600 36100 3676039572 40813. 4320444232. 42519 1232900 3830039100 4110044059 40346 48174 51229 52444 53165 TOTAL 441300 441200 466700 496700 527809 536445 S48302 599525 613849 610370 Para ello, obtenemos la componente estacional-irregular de la serie como diferencia entre la serie original y una tendencia que calculamos mediante una media mévil centrada de 12 téminos.Meses 1985 1986-1987 1988-1989 -—:1990 19911992 19931994 1 0 -7992 9617-9067 -7695-7370-11358 10774-15852 -10918, 2 © 11433-10733. 8117-10968 9395-15639 -11802 11472-11766 3 © 10846832192 1566 4391. 2034-6098 5255223 4 © 2800 2050-1317 78831338 802-401 4216-2590 5 0 NIT. 4525-4725 1163-2119 1551-2800 4368-3266 ‘ “S775 2067 208-1492, 1176-1732 3297-2279 9921489 7 19467 10592 109927918 10705-10399 11713. 12945 146210 8 37417 19908 21192 24304 23573-23405 23472-27708 240740 9 “1742 3308 875-2960 2900-2190 361934491096. 10-2875. -792 1150, -18IS. 4275-96 = 665-1274 -1645 0 u “8650-7117 6433-6615 -7833 4322 “1451-72610 12-4958 517-1000. -1857 548-3500 366 7680 Para realizar un test de presencia de estacionalidad utilizamos la téenica de Andlisis de Varianza de un factor, wilizando como factor la agrupacién por meses de los datos de ventas de gasolina, El analisis de varianza ofrece en este caso los siguientes resultados: Anillsis de Ia varianza de Ia serie de ventas de gasolina en CYL Origen de las Suma de Grados de Promedio de Valor critica variaciones ‘cuadrados libertad —cuadrados.F Probabilidad para F Batre grupos F7B8660568 11 TOR060052 161,680764 12494551 1.90453875 Dentro de fos grupos 7867165 84 4379371.01 Total 815652773395 ‘Como se puede apreciar, el valor de la F es lo suficientemente grande para admitir la hipdtesis H,, de que el factor temporal mensual explica una parte de la varianza que tiene toda la serie. ‘Como vemos en dicha salida también aparece el valor critico de la F por debajo del cual rechazamos la hipotesis Ho . 342.4.1. Método del porcentaje promedio El método del porcentaje promedio es un procedimiento répido y simple para elaborar un indice estacional. El primer paso consiste en expresar la informacién de cada mes (o trimestre) como tun promedio para el afio; en un segundo paso se obtienen porcentajes de los promedios anuales; y, finalmente, en un tercer paso, dichos porcentajes se promedian en cada mes, obteniéndose como resultado el indice estacional, Ejemplo 2.7. Para ilustrar el método del porcentaje promedio utilizamos el anterior ejemplo de tas ventas ‘mensuales de gasolina en Castilla y Leén para el periodo 1985-1994. + En primer lugar obtenemos el promedio mensual de las ventas anuales: [Afios Meses |1985 |1966 ]1987 ]1988 1989 1990 |1997 7992 ]1993 7994 7 [26000 29700 28400 (31000 [35689 |37229 |s2745 (37621 [35209 [40157 2 [24800 24200 27600 32400 [32566 [35146 |28720 /37208 [39508 [30203 3 [29400 34900 33700 /38700 |45225 40100 |42681 (43175 [45681 [51174 4 135400 33400 [40600 (30700 [35800 [46117 |44ta4 (40106 [65183 [48357 5 [31900 36200 [4300 /36500 [44900 |42804 |43480 [46005 [46680 [47538 6 [31000 34700 39100 /39900 [42808 |42972 |42305 47682 [50162 [52353 7 156500 47300 [50100 |49700 [S4a17 [54729 |57e11 [62712 [66180 [58067 3 174400 56000 60700 [66100 [67900 |67200 |70278 |77667 [75607 [74335 9 [35700 40200 |40800 |45300 |46800 |46200 [50466 (53616 [53087 [52880 70 [34400 [36700 [38700 |40200 |40485 43940 [46597 |49400 |49777 [49722 77 [28900 [30300 [33600 |s6700 [36760 (30572 [40813 [43204 |aaaa2 [a2519 72 [32900 [38300 [39100 |41100 44059 (40346 [4ai74 [51229 fo24aa [53165 "TOTAL |441300 |447200 [466700 |496700 |527809 [536445 [548302 |599525 [613849 [610370 IMEDIA [36775 [Seve [38892 |4ts02 [as084 [44704 [45692 |ass60 [51154 [50864 * Después calculamos en cada aiio el porcentaje del promedio, que es la relacién que se da entre las ventas de cada mes y su promedio anual[Afios Moses |1985 [7906 |19a7 | 1988 1989 7900 |1997 | 1992 1993 _|TaBa o [70.70% [79.15% [780% |7aBI% 8114 |8328% 71.60% [75.30% leaoi% |7e95% 2 [e7aa [BERT [ONT _|FE2N TOM TBS |S2BON _|TAAT 7 AIN |ITOTH is 7SSS% [S4E2% |BBBE% _[BT50% TOZRI% |BR7O% [SIAT% [BEAD 830% |TOOBT% 7 [96.20% [SOAK [10830% [SSG BT IO% [TOIT [S65I% |9B20% _T07.8B% [507% E [56-74% [SE 7A% [BR T9% [BB TE |10208% |9595% [SK 18% [eSB Tar |eSaow e [at a0% [94.38% _TO05I% |9640% G7 IIH 9TH [SATE |OSAA% (98.06% [02.89% 7 TSS GA% [TABBE% |TZBRI% [T2007 (T24EI% [LAI [ISI |IZESG 2GIT% [TSH B [202 37% [TSA 7E% [15807% |TSO5ON [T6437 TOI |TSISI% [ISSAC |TA7-8O% [ABTA is [S708% |TOSS4% [TOL [ORAM [TOA [TOSIEH |TIOASH [07 II% |1057B% |T0SS6% TO [935% _[BUB2% OSIM [arta 920% 9B20% _|T0T.98% |9BHBG OTT [OT 75% 1 758% [R241 |B6IO% [BT 22% —BSSH [BBS [BUI [BEAD BEATE |ES5OG 2 |aoaere [roars |ioos4% [oa30% [00.17% ]o0z5% |TO5AI% ]TOZSI% [T02Z52% 045% * Bl indice estacional seria el promedio para cada mes de los diez datos anuales: [Afios: Indice Meses |1985 |1986 1987 |1988 11989 [7990 |1997 |1992 |1993 ]1994 jestacional 7 71% |79% 73% |75% |81% [83% |72% |75% [69% |79% |76% 2 [67% (66% [71% |7B% |74% [70% 68% |74% [77% |77% |73% J [80% 95% |B7% [93% [103% |B0% [93% |BO% |BO% [101% 92% 4 |96% 91% |104% 96% [81% [103% [97% |9B% |108% [95% |97% 5 [87% 96% |88% [88% [102% |S6% [95% [84% [S1% [93% [93% 6 |B4% 94% 101% 96% [97% [96% 93% |95% (9% | 103% |SB% 7 154% [129% [129% |120% [125% [122% | 127% |126% | 129% [116% |128% BS __ 202% 155% [156% [160% [154% [150% |154% [155% [148% [146% | 158M T___ [97% 709% [105% [109% [106% [103% [110% [107% [104% |104% [106% 10 (94% 100% |100% [97% [92% |9B% |102% [99% 97% |9B% [98% TT [79% 62% |86% [87% |e4% |69% [80% [86% (66% [84% [85% TZ [80% 104% [101% [89% [100% |B0% [105% [103% [103% [105% [100% 120% El indice nos sefiala que en el periodo estudiado las ventas de enero han estado un 75.71% por debajo de las ventas mensuales promedio de cada afio, y que en el mes de agosto el nivel de ventas fue un 158.07% superior al nivel de venta mensuales promedio anual, Dado que el valor medio mensual del indice ha de ser igual a 100, la suma de los 12 datos de que consta el indice mensual debe ser igual a 1200.+ Para obtener una serie de las ventas ajustadas estacionalmente, esto es, descontando el efecto que provoca el ciclo estacional, se dividiria las ventas de cada mes por el correspondiente indice estacional y se multiplicaria por 100: (Afios Moses 1985 1986 |1987 |1988 |1989 |1990 |1991 |1992 |1993 |f994 7 ‘34341 (38436 [37511 40945]47139 49173 |43250|49690 4662453040 'B4122 (93207 [37975 |44579|44807 48357 [90516]51 194 54350 /5a0a0 "32081 (38047 [36730 42190|40303 437 16 |46580]47060 49807 [55760 ‘36503 (34440 [41865 40937 |36015 [47554 |45609|50636 56902 |40863 ‘34276 (3782236854 3021648244 46089 |46728|50398 50166 |51076 "32360 (96211 40803 41687 [4672 44043 |4424 1 [40758 52346 [546aS ‘44293 (37081 |39276 38963|42974 42905 |45321|49163 5188246227 “47066 35996 [38400 41816|42954 42512 |44450|49133 47830 |47025 "S3B06 (38067 [38636 42807 [44317 43740 |47780]50772 50271 [BOOTS 10 35237 37693|30642 41178|41470 45009 |47731 [50602 60988 50932 TT 33898 '35640/39411 4234343117 46415 |4787 1 [50675 51881 49872 2 [22036 [o8342/30143 41145 44107 [40300 [48227 [b1286 [52502 [53223 SS) AP oy ay ay apy 2.4.2. Método del porcentaje promedio mévil E] método del porcentaje del promedio mévil es uno de los métodos més usados para la medicin de la. variacién estacional. Su célculo es también bastante seneillo: en primer lugar se obtiene un promedio mévil de 12 meses de la serie de datos originales (0 de 4 trimestres si se utilizan los datos trimestrales) tal que: MM (Dios = Luego se recurre a un promedio mévil de 2 meses para centrar convenientemente el promedio anterior, al que se le denomina promedio mévil centrado de doce meses; es decir: MM(L), MM(LX2), MMB was, yak 37Finalmente se obtiene el indice dividiendo los datos originales por el promedio movil centrado, MM(L x 2); -—t MM(LXD), es decir, una estimacién conjunta del componente estacional y del componente irregular. A los valores obtenidos mediante la expresién anterior se los denomina indices brutos de variacién estacional. Si disponemos de informacién para K aiios completos, el nimero total de observaciones es Ny ional es la longitud del periodo e: , se verificaré que K'L = N, Bajo estos supuestos, para cada estacién se dispone de K-I indices brutos de variacién estacional, ya que se pierden L/2 datos al principio y L/2 datos al final, es decir, se pierde un dato en cada estacién. Para cada estacién se puede calcular una media de todos los indices brutos disponibles. Asi, para la estacién fi, la media se obtendré sumando todos los indices brutos de variacién estacional correspondientes a esa estacién y dividiendo por K-/, que es el nimero de datos disponibles en cada caso; es decir: Al haber realizado un promedio de K-/ datos, el componente irregular queda eliminado si K es suficientemente grande, En todo caso, al promediar siempre se atenuard el efecto del componente irregular. Por ello, el resultado obtenido es un indice de variacién estacional en el ‘que se supone que el componente irregular ha desaparecido completamente. Sin embargo, estos indices no van a ser los definitivos, ya que se trata de indices no normalizados. Si existe estacionalidad, ésta no debe afectar al nivel de la serie, por lo que es razonable exigir a los coeficientes de estacionalidad el requisito de que su media sea 1, 6, altemativamente, que su suma sea L. Cuando los indices de estacionalidad cumplen este requisito se dice que estin normalizados. Los indices de variacién estacional normalizados se pueden calcular fécilmente aplicando una proporcién. Asi, si utilizamos el simbolo £, para designar el indice de variacién estacional de la estacién fh, su expresién vendra dada por 58Finalmente, la serie desestacionalizada se obtendra dividiendo cada valor de la serie original por el indice de variacién estacional correspondiente. Asi, en el caso de que el periodo ¢ pertenezca a [a estacién A, entonces el valor de la serie desestacionalizada, al que designaremos por D,, vendri dado por: Ejemplo 2.8, ‘Veamos a continuacién un ejemplo, utilizando de nuevo la serie de ventas de gasolina de Castilla y Ledn para obtener dicho indice estacional [Aros [Wosos Ventas Moda mBui T2 moses 1985 fr [26000 iz [24800 is [28400 iz [35400 g [31800 ie [37000 36775 7 [56500 37033 is 7400 3685 is [35700 37482 ro [54400 37275 rt [28800 37550 Az [32300 37856 1385 r [28700 37082 2 [24200 35635 is [34800 36008, iz [53400 36200 g [35200 e317 El primer promedio mévil se centra en el 6° mes (Junio), lo que implica dejar sin valores seis meses al final de la serie.