Pronostico ARIMA.: Nombre de La Serie

Unidad de Aprendizaje
Serie de Tiempo de la Economía Mexicana.

Pronostico ARIMA.
Nombre de la Serie
Nombre del Alumno: Ortiz Sánchez Sergio Axel
Grupo: 3EM13
Email: Axel.sgsanchez@gmail.com
: 19/04/23
Caracterización de la Serie de
Tiempo en Estudio.
Atributos de la Serie de Tiempo.
Tipo de Cambio Pesos mx Dólar usa

Cotización interbancaria diaria, 48 hrs,
a la venta al publico y al cierre de
operaciones del 01/01/1993 al
10/04/2023
Relevancia Económica
de la Serie de Tiempo en Estudio.
¿Qué es el tipo de cambio? ¿Qué mide? Y ¿Cuál es su relevancia
en la economía mexicana?
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.
El tipo de cambio FIX de México ha experimentado fluctuaciones

significativas desde 1993 hasta 2023, incluyendo momentos de crisis
como la de 1994-1995 y la crisis financiera global de 2008. En general,
el tipo de cambio ha sido relativamente estable en los últimos años, pero
ha experimentado fluctuaciones debido a factores como las tensiones
comerciales entre Estados Unidos y México, la pandemia de COVID-19
y los cambios en las políticas económicas del gobierno mexicano.
Coyuntura Política de la Serie en estudio.
El tipo de cambio FIX de México ha estado influenciado por una serie de

factores políticos y económicos desde su creación en 1993. Las crisis
económicas y las elecciones presidenciales han sido los principales
catalizadores de las fluctuaciones del tipo de cambio. En la actualidad, la
economía mexicana está enfrentando varios desafíos, incluyendo la
pandemia de COVID-19 y la incertidumbre sobre las políticas económicas
del gobierno actual. En general, el tipo de cambio se ha mantenido
relativamente estable en torno a los 20 pesos por dólar durante el mandato
del presidente actual, Andrés Manuel López Obrador.
Coyuntura Social de la Serie en estudio.
El tipo de cambio FIX de México desde 1993 hasta 2023 ha sido

influenciado por factores políticos, económicos y sociales, tanto internos
como externos. La política económica del gobierno, la relación de México
con los Estados Unidos, la inflación y la inestabilidad política han sido
algunos de los factores más importantes que han afectado al tipo de cambio.
En general, ha habido una tendencia a la depreciación en el largo plazo, pero
también ha habido fluctuaciones significativas en el corto plazo. Como
México sigue desarrollándose como una economía emergente, es probable
que siga enfrentando desafíos que tendrán un impacto en el tipo de cambio
en el futuro.
Regularidades de la Serie de
Tiempo en estudio.
Datos empíricos en todo el periodo de 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.
Estadísticos principales, usando las observaciones 1 - 10870

para la variable 'y_1' (10869 observaciones válidas)
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
Exc. de curtosis 152.45

Percentil del 5% -0.78440 10
Percentil del 95% 0.88463
Rango intercuartílico 0.31403
y_1
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.
Las series de tiempo son conjuntos de observaciones que se registran a lo

largo del tiempo y se utilizan para modelar y predecir la evolución de
variables. Los modelos ARIMA son una clase de modelos estadísticos para
analizar y predecir series de tiempo. La elección de los componentes AR, I y
MA en un modelo ARIMA depende de la naturaleza de la serie de tiempo y
de la cantidad de información disponible. Una especificación inicial
adecuada es importante para lograr predicciones precisas y requiere
experiencia en el análisis de series de tiempo y estadística.
Parámetros estimados de especificación inicial.
Modelo 1: ARMA, usando las observaciones 1-10870

Estimado usando AS 197 (MV exacta)
Variable dependiente: y
Desviaciones típicas basadas en el Hessiano
coeficiente Desv. típica z valor p

------------------------------------------------------------
const 11.4160 5.10942 2.234 0.0255 **
phi_1 0.999886 0.000121157 8253 0.0000 ***
theta_1 0.0698172 0.00979014 7.131 9.94e-013 ***
Media de la vble. dep. 12.57362 D.T. de la vble. dep. 4.868238

Media de innovaciones 0.001402 D.T. innovaciones 0.088487
R-cuadrado 0.999670 R-cuadrado corregido 0.999670
Log-verosimilitud 10930.51 Criterio de Akaike −21853.01
Criterio de Schwarz −21823.84 Crit. de Hannan-Quinn −21843.18
Real Imaginaria Módulo Frecuencia

-----------------------------------------------------------
AR
Raíz 1 1.0001 0.0000 1.0001 0.0000
MA
Raíz 1 -14.3231 0.0000 14.3231 0.5000
-----------------------------------------------------------
Evaluación del cumplimiento de
la condición de estacionariedad
del modelo estimado.
Evaluación del cumplimiento de la condición de estacionariedad
El análisis de series de tiempo implica la evaluación de datos a lo largo del

tiempo para analizar tendencias y patrones. La estacionariedad es
importante en este tipo de análisis ya que los modelos econométricos se
basan en la suposición de que los datos son estacionarios. La validación y la
estimación son dos elementos importantes en el análisis de series de
tiempo, que pueden proporcionar información útil sobre la estacionariedad
de una serie y ayudar a seleccionar modelos adecuados para el análisis de
datos de series de tiempo.
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
coeficiente Desv. típica Z valor p

---------------------------------------------------------------------------------
const 11.4160 5.10942 2.234 0.0255 **
phi_1 0.999886 0.000121157 8253 0.0000 ***
theta_1 0.0698172 0.00979014 7.131 9.94e-013 ***
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


---------------------------------------------------------------------------------
const 11.4160 5.10942 2.234 0.0255 **
phi_1 0.999886 0.000121157 8253 0.0000 ***
theta_1 0.0698172 0.00979014 7.131 9.94e-013 ***
- 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
Media de la vable. dep. 12.57362 D.T. de la vble. dep. 4.868238

- 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 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
Grafica de Correlograma Q de residuos
Función de autocorrelación de los residuos

***, ** y * indica significatividad a los niveles del 1%, 5% y 10%
utilizando desviaciones típicas de Bartlett para la FAC FAC de los residuos
RETARDO FAC FACP Estad-Q. [valor p] 0.04 Intervalo de 95%
1 -0.0020 -0.0020 0.02

2 -0.0275 *** -0.0275 ***
0
3 -0.0384 *** -0.0385 *** 24.2428 [0.000]
4 0.0195 ** 0.0186 * 28.3908 [0.000] -0.02
5 0.0113 0.0093 29.7777 [0.000]
6 -0.0057 -0.0061 30.1297 [0.000] -0.04
7 -0.0146 -0.0126 32.4352 [0.000]
0 5 10 15 20 25 30 35
8 -0.0354 *** -0.0355 *** 46.1016 [0.000]
retardo
9 -0.0021 -0.0038 46.1474 [0.000]
10 0.0421 *** 0.0394 *** 65.4255 [0.000]
11 0.0189 * 0.0170 * 69.3170 [0.000] FACP de los residuos
12 0.0391 *** 0.0430 *** 85.9714 [0.000]
0.04 +- 1.96/T^0.5
13 0.0216 ** 0.0267 *** 91.0385 [0.000]
14 -0.0257 *** -0.0243 ** 98.2064 [0.000]
0.02
15 -0.0155 -0.0140 100.8234 [0.000]
16 0.0030 0.0005 100.9183 [0.000] 0
17 0.0046 0.0014 101.1474 [0.000]
18 0.0147 0.0184 * 103.4947 [0.000] -0.02
19 0.0076 0.0122 104.1224 [0.000]
-0.04
20 0.0085 0.0115 104.9137 [0.000]
0 5 10 15 20 25 30 35
retardo
Conclusiones de la grafica de
Correlograma Q de residuos
Es posible notar la autocorrelación que se tiene en algunas
variables del modelo, sin embargo, estas pueden ser corregidas
de tal manera que el modelo vaya siendo aun mas preciso,
pues es aquí donde checaremos variable por variable cual tiene
correlación e irla ajustando.
Grafica de Distribución Normal de residuos
7
Estadístico para el contraste de normalidad: frecuencia relativa
N(0.0014024,0.088488)
Chi-cuadrado(2) = 32802.022 [0.0000]
5
Densidad
0
-1 -0.5 0 0.5 1
residual
Prueba Jarque Bera Normal:

- 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
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.
La reespecificación es un proceso de ajuste de modelos

estadísticos existentes para mejorar su ajuste a los datos
y su capacidad para hacer pronósticos precisos. Se lleva
a cabo cuando el modelo original no se ajusta
adecuadamente a los datos. La versión final consistente
se refiere a la especificación del modelo que ha sido
evaluada y validada adecuadamente, y se utiliza para
hacer pronósticos precisos. La reespecificación es un
proceso iterativo y puede requerir ajustes múltiples
antes de obtener una versión final adecuada. Se deben
seguir las mejores prácticas de modelado y validación.
Sustento a la reespecificación del Modelo ARIMA.
La reespecificación de los componentes del modelo

ARIMA es un proceso importante en el análisis de series
de tiempo que busca asegurar la consistencia y
fiabilidad de la estimación del modelo. Esto se logra a
través de cambios en los componentes del modelo y
pruebas de diagnóstico para validar la nueva
especificación. Los componentes del modelo ARIMA
incluyen la tendencia, estacionalidad y aleatoriedad,
mientras que el modelo en sí se compone de un modelo
autorregresivo, un modelo de media móvil y la
diferenciación integrada.
Parámetros estimados de la
reespecificación.
Parámetros estimados de la reespecificación.


------------------------------------------------------------------------------------
const 11.3641 5.10299 2.227 0.0260 **
phi_1 0.999892 0.000116652 8572 0.0000 ***
theta_1 0.0642238 0.00964351 6.660 2.74e-011 ***
theta_2 −0.0289866 0.00954983 −3.035 0.0024 ***
theta_3 −0.0388146 0.00972128 −3.993 6.53e-05 ***
theta_4 0.0217250 0.00964100 2.253 0.0242 **
theta_8 −0.0359040 0.00960537 −3.738 0.0002 ***
theta_10 0.0471567 0.00940405 5.015 5.32e-07 ***
theta_11 0.0217706 0.00967541 2.250 0.0244 **
37
Evaluación del cumplimiento de
la condición de estacionariedad
de la ultima versión del modelo
estimado.
Evaluación del cumplimiento de la condición de estacionariedad
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 ***
- 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
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 ***
- 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
estimadores de
significancia conjunta.
- 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
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
RETARDO FAC FACP Estad-Q. [valor p] FAC de los residuos
1 0.0010 0.0010 Intervalo de 95%

0.04
2 0.0006 0.0006
3 -0.0005 -0.0005 0.02
4 -0.0008 -0.0008
5 0.0121 0.0121 0
6 -0.0087 -0.0088
7 -0.0140 -0.0140 -0.02
8 -0.0001 -0.0000 4.5692 [0.033]
9 -0.0039 -0.0038 4.7324 [0.094] -0.04
10 -0.0008 -0.0009 4.7389 [0.192]
11 0.0230 ** 0.0232 ** 10.5121 [0.033] 0 5 10 15 20 25 30 35
12 0.0381 *** 0.0384 *** 26.3263 [0.000] retardo
13 0.0211 ** 0.0209 ** 31.1936 [0.000]
14 -0.0229 ** -0.0231 ** 36.9122 [0.000] FACP de los residuos
15 -0.0136 -0.0137 38.9406 [0.000]
16 0.0028 0.0022 39.0241 [0.000] +- 1.96/T^0.5
0.04
17 0.0046 0.0041 39.2574 [0.000]
18 0.0135 0.0143 41.2395 [0.000] 0.02
19 0.0076 0.0097 41.8741 [0.000]
20 0.0141 0.0149 44.0445 [0.000] 0
-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.
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
Prueba Jarque Bera Normal:

- 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
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

Desviaciones típicas basadas en el Hessiano La mejor estimación es la que
contiene reespicificación, pues en
coeficiente Desv. típica z valor p esta han sido corregidas las
------------------------------------------------------------ observaciones que en la primer
const 11.2278 5.18934 2.164 0.0305 ** estimación, tenían
phi_1 0.999897 0.000112022 8926 0.0000 *** autocorrelación, en el caso de la
theta_1 0.0649766 0.00965904 6.727 1.73e-011 *** segunda estimación (la que ha sido
theta_2 −0.0279504 0.00978195 −2.857 0.0043 *** reespecificada) ha sido modificada
theta_3 −0.0389471 0.00976303 −3.989 6.63e-05 *** de tal manera que las primeras 10
theta_4 0.0206792 0.0104790 1.973 0.0485 ** observaciones no tuvieran
theta_8 −0.0348291 0.00971666 −3.584 0.0003 *** autocorrelación, y de esta manera,
theta_10 0.0452965 0.00952117 4.757 1.96e-06 *** la predicción sea mas precisa y
certera.
Justificación de la elección de
estimación
Se hicieron dos estimaciones, y a pesar de que en ambas

estimaciones, la evaluación de ambas resulto ser positiva para si
mismas (pues en las dos todos sus coeficientes eran
estadísticamente significativos tanto individualmente como en
conjunto), la mejor estimación es la que contiene reespicificación,
pues en esta han sido corregidas las observaciones que en la
primer estimación, tenían autocorrelación, en el caso de la
segunda estimación (la que ha sido reespecificada) ha sido
modificada de tal manera que las primeras 10 observaciones no
tuvieran autocorrelación, y de esta manera, la predicción sea mas
precisa y certera.
Identificación ARMA
Las series de tiempo son conjuntos de observaciones que se registran a lo

largo del tiempo y se utilizan para modelar y predecir la evolución de
variables. Los modelos ARIMA son una clase de modelos estadísticos para
analizar y predecir series de tiempo. La elección de los componentes AR, I y
MA en un modelo ARIMA depende de la naturaleza de la serie de tiempo y
de la cantidad de información disponible. Una especificación inicial
adecuada es importante para lograr predicciones precisas y requiere
experiencia en el análisis de series de tiempo y estadística.
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
t Predicción Desv. Est. Intervalo de confianza

11/04/2023 - 18.1425 0.0882 17.9440 - 18.2899
Grafico y Tabulación de Datos Empíricos y Pronostico.
Últimos 12 Datos
TIPO DE CAMBIO (30/03/23 - 11/03/23)

18.3
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
Tipo de cambio (09/04/2023 - 11/04/2023)

18.145 0.14
y (izquierda)
Var (derecha)
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

Pronostico ARIMA.: Nombre de La Serie

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Pronostico ARIMA.: Nombre de La Serie

Cargado por

Copyright:

Formatos disponibles

Unidad de Aprendizaje

Serie de Tiempo de la Economía Mexicana.

Tipo de Cambio Pesos mx Dólar usa

El tipo de cambio FIX de México ha experimentado fluctuaciones

El tipo de cambio FIX de México ha estado influenciado por una serie de

El tipo de cambio FIX de México desde 1993 hasta 2023 ha sido

Estadísticos principales, usando las observaciones 1 - 10870

Exc. de curtosis 152.45

Las series de tiempo son conjuntos de observaciones que se registran a lo

Modelo 1: ARMA, usando las observaciones 1-10870

coeficiente Desv. típica z valor p

Media de la vble. dep. 12.57362 D.T. de la vble. dep. 4.868238

Real Imaginaria Módulo Frecuencia

El análisis de series de tiempo implica la evaluación de datos a lo largo del

coeficiente Desv. típica Z valor p

Modelo 1: ARMA, usando las observaciones 1-10870

coeficiente Desv. típica z valor p

Media de la vable. dep. 12.57362 D.T. de la vble. dep. 4.868238

Función de autocorrelación de los residuos

RETARDO FAC FACP Estad-Q. [valor p] 0.04 Intervalo de 95%

1 -0.0020 -0.0020 0.02

Prueba Jarque Bera Normal:

La reespecificación es un proceso de ajuste de modelos

La reespecificación de los componentes del modelo

Modelo 3: ARMA, usando las observaciones 1-10870

coeficiente Desv. típica z valor p

RETARDO FAC FACP Estad-Q. [valor p] FAC de los residuos

1 0.0010 0.0010 Intervalo de 95%

Prueba Jarque Bera Normal:

Modelo 14: ARMA, usando las observaciones 1-10870

Se hicieron dos estimaciones, y a pesar de que en ambas

Las series de tiempo son conjuntos de observaciones que se registran a lo

t Predicción Desv. Est. Intervalo de confianza

TIPO DE CAMBIO (30/03/23 - 11/03/23)

Tipo de cambio (09/04/2023 - 11/04/2023)

También podría gustarte