Documentos de Académico
Documentos de Profesional
Documentos de Cultura
El tipo de cambio en México es el valor de la moneda mexicana, el peso, en relación con otra
moneda extranjera, como el dólar estadounidense. Esencialmente, el tipo de cambio mide cuánto vale
una moneda en relación con otra.
La relevancia del tipo de cambio en la economía de México es significativa, ya que el tipo de cambio
tiene un impacto en la competitividad de las exportaciones y las importaciones, así como en el costo
de los bienes y servicios importados. Por ejemplo, un tipo de cambio bajo para el peso puede hacer
que las exportaciones mexicanas sean más atractivas para los compradores extranjeros, ya que los
productos mexicanos se vuelven más baratos en relación con los productos de otros países. Por otro
lado, un tipo de cambio alto para el peso puede hacer que las importaciones sean más baratas para los
consumidores mexicanos, lo que puede beneficiar a las empresas que dependen de los insumos
importados.
Además, el tipo de cambio también puede afectar la inflación en el país. Cuando el tipo de cambio
sube, los bienes importados pueden volverse más costosos, lo que puede provocar un aumento en los
precios de los bienes y servicios en el mercado local.
Por estas razones, el tipo de cambio es una variable económica importante que los analistas y los
inversores observan de cerca, ya que puede tener un impacto significativo en la economía de México
y en la vida de los mexicanos.
Análisis de Coyuntura
Económica, Política y Social
respecto de la serie de tiempo en
estudio.
Coyuntura Económica de la Serie en estudio.
10
Representación Grafica.
TIPO DE CAMBIO (1993 - 2023)
30
25
20
15
10
0
0 2000 4000 6000 8000 10000
PERIODO
Representación Tabular y Grafica de
las ultimas 8 observaciones
ULTIMAS 8 OBSERVACIONES DEL TIPO DE CAMBIO
18.13
18.12
18.11
t y
18.1
03/04/2023 18.0932
18.09 04/04/2023 18.0415
05/04/2023 18.1070
18.08
06/04/2023 18.1185
y
18.07
07/04/2023 18.1185
08/04/2023 18.1185
18.06 09/04/2023 18.1185
10/04/2023 18.1185
18.05
18.04
18.03
10863 10864 10865 10866 10867 10868 10869 10870
Tasa de Variación de la Serie de Tiempo Empírica
Representación Tabular y Grafica Lineal.
Media 0.018800
Mediana 0.00000 25
Mínimo -14.761
Máximo 22.279
20
Desviación típica 0.73050
C.V. 38.856
Asimetría 4.6613 15
5
Observaciones ausentes 1
-5
-10
-15
0 2000 4000 6000 8000 10000
Especificación y Estimación
Especificación Inicial del Modelo ARIMA.
Sustento a la especificación Inicial del Modelo ARIMA.
19
Evaluación de significancia
Estadística individual de
parámetros estimados.
Hipótesis y reglas de contraste de análisis de
Significancia individual de los parámetros estimados
distribución t
Modelo 1: ARMA, usando las observaciones 1-10870
Estimado usando AS 197 (MV exacta)
Variable dependiente: y
Desviaciones típicas basadas en el Hessiano
Postulación de hipótesis:
- H0 : Si el coeficiente no es estadísticamente significativo
- H1 si el coeficiente estimado si es estadísticamente significativo
Regla de contraste:
- t>2
Regla de decisión:
- Si t > 2 se rechaza H0 y por lo tanto, el coeficiente estimado si es estadísticamente significativo
Análisis:
- Debido a que B0 , B1 y B2 son mayores s que 2, se rechaza en las 3 H0 y concluimos que el coeficiente estimado
es estadísticamente significativo 21
Análisis de Significancia individual de los parámetros
estimados probabilidad distribución t
Postulación de hipótesis:
- H0 : Si el coeficiente no es estadísticamente significativo
- H1: si el coeficiente estimado si es estadísticamente significativo
Regla de contraste:
- P(t) < 5%
Regla de decisión:
- Si P(t) < 0.05 se rechaza H0 y por lo tanto, el coeficiente estimado si es estadísticamente significativo
Análisis:
- Debido a que todos los estadísticos P(t) son menores que 0.05, entonces se rechaza en los tres H0 y concluimos
que el coeficiente estimado es estadísticamente significativo 22
Evaluación de la significancia
estadística de los estimadores
conjuntos.
Hipótesis y reglas de contraste a las
del análisis de estimadores de significancia conjunta.
Prueba F estadistica
Modelo 1: ARMA, usando las observaciones 1-10870
Estimado usando AS 197 (MV exacta)
Variable dependiente: y
Desviaciones típicas basadas en el Hessiano
Regla de contraste:
- F=MCb / MCI
Regla de decisión:
- Se debe comprobar si el valor de p de la prueba F, es menor o mayor que el nivel de significancia.
- Si llegara a ser menor, significaría que los datos de la muestra proporcionan suficiente evidencia como para
concluir que el mdoelo se ajusto a los datos mejor que el modelo sin variables independientes.
Análisis:
- Debido a que el valor de p es menor que la significancia, se rechaza H0, dando a entender que el modelo se 24
ajusta a los datos mejor que el modelo de variables independientes.
CONCLUSIONES DE LA
EVALUACIÓN
Una vez planteadas las distintas hipótesis y habiendo evaluado
cual se rechazaba y cual no, se concluye que es un modelo
confiable, pues las variables utilizadas para el modelo
resultaron ser completamente significativas individualmente y
como en conjunto.
26
Evaluación de Estructura ARIMA
del Modelo Estimado.
Evaluación de Residuos
del Modelo Estimado.
Grafica de Correlograma Q de residuos
5
Densidad
0
-1 -0.5 0 0.5 1
residual
Grafica de Distribución Normal de residuos
Regla de contraste:
- t>2
Regla de decisión:
- Si t > 2 se rechaza H0 y por lo tanto, el coeficiente estimado si es
estadísticamente significativo
Análisis:
- Debido a que B0 , B1 y B2 son mayores s que 2, se rechaza en las 3 H0 y
concluimos que el coeficiente estimado es estadísticamente significativo
Por otra parte, es evidente que el histograma no muestra una distribución normal,
pues este y su curva es residual.
Reespecificación de Modelo
ARIMA y estimación.
Especificación del Modelo ARIMA.
37
Evaluación del cumplimiento de
la condición de estacionariedad
de la ultima versión del modelo
estimado.
Evaluación del cumplimiento de la condición de estacionariedad
del modelo estimado.
Para validar y estimar una serie de tiempo, es importante realizar pruebas estadísticas y
econométricas para verificar si la serie es estacionaria o no. Una serie estacionaria es más
fácil de modelar y predecir, por lo que es importante saber si la serie lo es antes de realizar
cualquier análisis.
Existen diversas pruebas estadísticas para verificar la estacionariedad de una serie de
tiempo, como la prueba de Dickey-Fuller aumentada (ADF), que se basa en la hipótesis nula
de que la serie es no estacionaria. Si el valor p de la prueba es menor que un nivel de
significancia dado (por ejemplo, 0.05), se rechaza la hipótesis nula y se concluye que la serie
es estacionaria.
Otra herramienta útil en el análisis de series de tiempo son los modelos ARIMA, que
permiten modelar la serie y realizar predicciones a futuro. Estos modelos se basan en la
suposición de que la serie es estacionaria, por lo que es importante validar la
estacionariedad antes de aplicarlos.
En cuanto a la última versión de la serie de tiempo en cuestión, es necesario realizar pruebas
estadísticas para verificar si cumple con la propiedad de estacionariedad. Si se concluye que
la serie es estacionaria, se pueden aplicar modelos ARIMA para modelar la serie y hacer
predicciones. Si no es estacionaria, se deben buscar métodos de transformación para
convertirla en una serie estacionaria o aplicar modelos que permitan modelar series no
estacionarias. 39
Evaluación de significancia
Estadística individual de
parámetros estimados de la
ultima versión del modelo.
Hipótesis y reglas de contraste de
análisis de Significancia individual
Modelo 14: ARMA, usando las observaciones 1-10870 de los parámetros estimados
coeficiente Desv. típica Z valor p distribución t
----------------------------------------------------------------------------------------
const 11.2278 5.18934 2.164 0.0305 **
phi_1 0.999897 0.000112022 8926 0.0000 ***
theta_1 0.0649766 0.00965904 6.727 1.73e-011 ***
theta_2 −0.0279504 0.00978195 −2.857 0.0043 ***
theta_3 −0.0389471 0.00976303 −3.989 6.63e-05 ***
theta_4 0.0206792 0.0104790 1.973 0.0485 **
theta_8 −0.0348291 0.00971666 −3.584 0.0003 ***
theta_10 0.0452965 0.00952117 4.757 1.96e-06 ***
Postulación de hipótesis:
- H0 : Si el coeficiente no es estadísticamente significativo
- H1 si el coeficiente estimado si es estadísticamente significativo
Regla de contraste:
- t>2
Regla de decisión:
- Si t > 2 se rechaza H0 y por lo tanto, el coeficiente estimado si es estadísticamente significativo
Análisis:
- Debido a que todos los parámetros son mayores s que 2, se rechaza en todos H0 y concluimos que el
coeficiente estimado es estadísticamente significativo. Exceptuando el parámetro de B4, pues este es menor a 2 y
por lo tanto, se rechaza H1 y el coeficiente no es significativo. 41
Análisis de Significancia
Modelo 14: ARMA, usando las observaciones 1-10870
individual de los parámetros
estimados probabilidad
coeficiente Desv. típica Z valor p
---------------------------------------------------------------------------------------- distribución t
const 11.2278 5.18934 2.164 0.0305 **
phi_1 0.999897 0.000112022 8926 0.0000 ***
theta_1 0.0649766 0.00965904 6.727 1.73e-011 ***
theta_2 −0.0279504 0.00978195 −2.857 0.0043 ***
theta_3 −0.0389471 0.00976303 −3.989 6.63e-05 ***
theta_4 0.0206792 0.0104790 1.973 0.0485 **
theta_8 −0.0348291 0.00971666 −3.584 0.0003 ***
theta_10 0.0452965 0.00952117 4.757 1.96e-06 ***
Postulación de hipótesis:
- H0 : Si el coeficiente no es estadísticamente significativo
- H1: si el coeficiente estimado si es estadísticamente significativo
Regla de contraste:
- P(t) < 5%
Regla de decisión:
- Si P(t) < 0.05 se rechaza H0 y por lo tanto, el coeficiente estimado si es estadísticamente significativo
Análisis:
- Debido a que todos los estadísticos P(t) son menores que 0.05, entonces se rechaza en los tres H0 y concluimos
que el coeficiente estimado es estadísticamente significativo. En este análisis, B4 si es significativo, pues se ha
rechazado H0 porque el P(t) de B4 es menor a 0.05. 42
Evaluación de la significancia
estadística de los estimadores
conjuntos.
Hipótesis y reglas de
Modelo 14: ARMA, usando las observaciones 1-10870 contraste a las
Estimado usando AS 197 (MV exacta) del análisis de
Variable dependiente: y
Desviaciones típicas basadas en el Hessiano
estimadores de
significancia conjunta.
Media de la vble. dep. 12.57362 D.T. de la vble. dep. 4.868238
Media de innovaciones 0.001464 D.T. innovaciones 0.088237
R-cuadrado 0.999672 R-cuadrado corregido 0.999671
Log-verosimilitud 10961.29 Criterio de Akaike −21904.58
Criterio de Schwarz −21838.94 Crit. de Hannan-Quinn −21882.45
Postulación de hipótesis:
- H0: Indica que el modelo sin variables independientes se ajusta a los datos
- H1: Indica que el modelo se ajusta mejor a los datos que el modelo solo de intercepción
Regla de contraste:
- F=MCb / MCI
Regla de decisión:
- Se debe comprobar si el valor de p de la prueba F, es menor o mayor que el nivel de significancia.
- Si llegara a ser menor, significaría que los datos de la muestra proporcionan suficiente evidencia como para
concluir que el modelo se ajusto a los datos mejor que el modelo sin variables independientes.
Análisis:
- Debido a que el valor de p es menor que la significancia, se rechaza H0, dando a entender que el modelo se
ajusta a los datos mejor que el modelo de variables independientes. 44
CONCLUSIONES DE LA
EVALUACIÓN
Una vez planteadas las distintas hipótesis y habiendo evaluado
cual se rechazaba y cual no, se concluye que es un modelo
confiable, pues las variables utilizadas para el modelo
resultaron ser completamente significativas individualmente y
como en conjunto. Esto gracias al ajuste y precisión que se
realizo al modelo mediante la identificación de variables con
correlación.
26
Evaluación de Residuos
del Modelo Estimado.
Función de autocorrelación de los residuos
Grafica de Correlograma Q de residuos
***, ** y * indica significatividad a los niveles del 1%, 5% y 10%
utilizando desviaciones típicas de Bartlett para la FAC
-0.02
-0.04
0 5 10 15 20 25 30 35
retardo
48
Conclusiones de la grafica de
Correlograma Q de residuos
Es posible notar que la autocorrelación ha sido corregida en
por lo menos, las 10 principales variables, esto hará que la
predicción y precisión del modelo sea mucho mas certera y
confiable, claro que se podría ajustar de manera mas extensa,
sin embargo, confío en que habiendo corregido las primeras 10
variables, será suficiente.
Grafica de Distribución Normal de residuos
8
Estadístico para el contraste de normalidad: frecuencia relativa
N(0.0014642,0.088257)
Chi-cuadrado(2) = 30102.315 [0.0000]
5
Densidad
0
-1 -0.5 0 0.5 1
50
residual
Grafica de Distribución Normal de residuos
Regla de contraste:
- t>2
Regla de decisión:
- Si t > 2 se rechaza H0 y por lo tanto, el coeficiente estimado si es
estadísticamente significativo
Análisis:
- Debido a que B0 , B1 y B2 son mayores s que 2, se rechaza en las 3 H0 y
concluimos que el coeficiente estimado es estadísticamente significativo
Por otra parte, es evidente que el histograma no muestra una distribución normal,
pues este y su curva es residual.
Pronostico
Versión Final.
Selección de mejor estimación con base a criterios de información
55
Pronostico y grafico impulso respuesta
PRONOSTICO
19.6
y
predicción
Intervalo de 95 por ciento
19.4
19.2
19
18.8
18.6
18.4
18.2
18
17.8
10780 10800 10820 10840 10860
18.25
t y
1 30/03/2023 18.2523
18.2
2 31/03/2023 18.1052
3 01/04/2023 18.0932
4 02/04/2023 18.0932
5 03/04/2023 18.0932
18.15
6 04/04/2023 18.0415
7 05/04/2023 18.1070
8 06/04/2023 18.1185
18.1
9 07/04/2023 18.1185
10 08/04/2023 18.1185
11 09/04/2023 18.1185
18.05 12 10/04/2023 18.1185
13 11/04/2023 18.1425
18
2 4 6 8 10 12
Periodo
Predicción
Concentrado Final.
t y Var. %
1 09/04/2023 18.1185 -
2 10/04/2023 18.1185 0.0000
3 11/04/2023 18.1425 0.1324613
0.12
18.14
Variación porcentual
0.1
Pesos por dolar
18.135
0.08
18.13
0.06
18.125
0.04
18.12
0.02
18.115 0
1 2 3