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: Ruiz Brito Edwin Iván
Grupo: 3EM13
Email: eivanrb07@gmail.com
: 19 / 04/2023
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
Relevancia Económica
de la Serie de Tiempo en Estudio.
¿Qué es?
El tipo de cambio es una referencia que se
usa en el mercado cambiario para conocer el
número de unidades de moneda nacional que
deben pagarse para obtener una moneda
extranjera, o similarmente, el número de
unidades de moneda nacional que se
obtienen al vender una unidad de moneda
extranjera.
¿Qué mide?
Nos indica cuántas monedas de una divisa se

necesitan para obtener una unidad de otra.
Relevancia en la economía
mexicana
La apreciación y la depreciación se refieren a la evolución del valor de una moneda
frente a las demás. La apreciación se refiere al aumento en el valor de una moneda
en relación con las demás y está impulsada por una variedad de razones, que
incluyen la política gubernamental, las tasas de interés, las balanzas comerciales y
los ciclos económicos.
Por ejemplo, si el peso mexicano se aprecia significa que se ha vuelto más fuerte o
valiosa en comparación con otras monedas, por lo que es posible, con el peso,
comprar más cantidades de otras monedas. Al mismo tiempo, el precio de un peso
mexicano se ha incrementado para aquellos que quieran comprarlo con otras
monedas.
La apreciación de una moneda en relación con las demás puede tener varios efectos
en la economía, entre ellos: los costos de exportación aumentan y los costos de las
importaciones disminuyen.
Análisis de Coyuntura
Económica, Política y Social
respecto de la serie de tiempo en
estudio.
Coyuntura Económica de la Serie en estudio.
Existen varios aspectos puntuales en los que afecta el dólar al peso mexicano (MXN), ya que la
influencia de la divisa estadounidense es muy fuerte dentro de los modelos económicos
latinoamericanos (y del mundo, al tratarse de una de las divisas más estables e históricas dentro del
mercado internacional). Y en los últimos tiempos, se ha dado la circunstancia de que la divisa
mexicana ha alcanzado su máximo histórico. Estos aumentos han traído consecuencias, tanto para
las empresas mexicanas como para el gobierno de este país e, incluso, para las personas
particulares.
Algunas de las consecuencias donde pueden afectar el tipo de cambio es un aumento en los niveles
de inflación y aumento de la deuda pública.
Lo principal en lo que afecta el dólar al peso mexicano es en el hecho de que existe un aumento de
los precios. Esto ocurre porque, al subir el dólar, es mucho más costoso el traer productos desde el
exterior y, por ende, también aumentan los precios.
Los principales sectores que se ven afectados son:
El textil.
El alimenticio.
El de la salud.
Asimismo, Los cambios en los tipos de interés afectan al valor de la moneda y al tipo de cambio del
dólar. Las tasas de cambio, las tasas de interés y la inflación están correlacionadas. Los aumentos en
las tasas de interés hacen que el valor de la moneda de un país incremente porque las tasas de
interés más altas proporcionan tasas más altas a los prestamistas, atrayendo así más capital
extranjero, lo que causa un aumento en los tipos de cambio.
Coyuntura Política de la Serie en estudio.
El estado político y el rendimiento económico de un país pueden afectar su fortaleza monetaria.

Un país con menos riesgo de agitación política es más atractivo para los inversores extranjeros,
por lo tanto, atrae inversiones de otros países con mayor estabilidad política y económica. El
aumento del capital extranjero, a su vez, resulta en una apreciación del valor de su moneda
nacional. Un país con una política financiera y comercial sólida no deja margen para la
incertidumbre en cuanto al valor de su moneda. Pero, un país propenso a confusiones políticas
puede ver una depreciación en los tipos de cambio.
Otro factor al que se ve implicado en las variaciones de el tipo de cambio entre la divisa nacional
con la de estados unidos es la deuda pública, esa deuda es deuda pública o deuda nacional
adueñada por el gobierno central. Un país con deuda pública es menos probable que adquiera
capital extranjero, lo que resulta en la inflación. Los inversores extranjeros venderán sus bonos
en el mercado abierto si el mercado predice la deuda pública dentro de un país determinado.
Como resultado, seguirá observando una disminución en el valor de su tipo de cambio.
Coyuntura Social de la Serie en estudio.
Los cambios en los tipos de interés afectan al valor de la moneda y al tipo de cambio del dólar.
Las tasas de cambio, las tasas de interés y la inflación están correlacionadas. Los aumentos en
las tasas de interés hacen que el valor de la moneda de un país incremente porque las tasas de
interés más altas proporcionan tasas más altas a los prestamistas, atrayendo así más capital
extranjero, lo que causa un aumento en los tipos de cambio. De igual manera, un aumento en
las tasas de interés crean un ambiente donde a nivel público sea más difícil pedir algún tipo de
préstamo o crédito, así como el poder pagar estos.
Cuando un país pasa por una recesión, es probable que sus tasas de interés caigan,
disminuyendo sus posibilidades de adquirir capital extranjero. Como resultado, su moneda se
debilita en comparación con la de otros países, por lo tanto, reduce el tipo de cambio.
Una apreciación del tipo de cambio provoca un crecimiento más lento del PIB real debido a una
caída en las exportaciones netas y un aumento en la demanda de importaciones.
Una reducción de la demanda y la producción puede provocar la pérdida de puestos de trabajo a
medida que las empresas buscan controlar los costos.
Un tipo de cambio más bajo puede tener un efecto multiplicador negativo en la economía, pues
algunas industrias están más expuestas que otras a las fluctuaciones monetarias, por ejemplo,
sectores donde se exporta un alto porcentaje de la producción total y donde la demanda es muy
sensible a los precios.
Regularidades de la Serie de
Tiempo en estudio.
Datos empíricos en todo el periodo de estudio.
10
Tipo de cambio peso/dolar 01/01/1993 al 11/04/2023
30
25
20
Representación 15
y
Grafica.
10
0
0 2000 4000 6000 8000 10000
Representación Tabular y Grafica.
Ultimas 8 observaciones de la serie de Tiempo
18.35
18.3
t y
18.25
04/04/2023 18.0415
05/04/2023 18.1070
06/04/2023 18.1185
18.2 07/04/2023 18.1185
08/04/2023 18.1185
y
09/04/2023 18.1185
18.15
10/04/2023 18.1185
11/04/2023 18.3323
18.1
18.05
18
1 2 3 4 5 6 7 8
Tasa de Variación de la Serie de Tiempo Empírica
Representación Tabular y Grafica Lineal.
Tasa variable de interés
25 Estadísticos principales, usando las
observaciones 1 - 10871
20 para la variable 't2' (10870
observaciones válidas)
15
Media 0.018907
10
Mediana 0.00000
Mínimo -14.761
Máximo 22.279
5
Desviación típica 0.73055
C.V. 38.639
0
Asimetría 4.6598
Exc. de curtosis 152.39
-5
Percentil del 5% -0.78439
Percentil del 95% 0.88613
-10 Rango intercuartílico 0.31403
Observaciones ausentes 1
-15
0 2000 4000 6000 8000 10000
Rutina gretl. Menu Anadir / Submenu porcentaje de cambio de variables

Especificación y Estimación
Especificación Inicial del Modelo ARIMA.
Sustento a la especificación Inicial del Modelo ARIMA.
Para iniciar con el modelo ARIMA, previamente, se tuvo que realizado una verificación de la función, esto a
través de los supuestos de regresión clásica: que los términos de perturbación estocástica (TPE) presenten
una esperanza matemática cero; los TPE presenten una varianza constante; los TPE siguen una distribución
normal, no presenten heterocedasticidad, multicolinealidad o autocorrelación.
Ya que se realizaron las pruebas pertinentes para verificar la función, se concluye que si cumple con dichos
supuestos, los coeficientes son “MELI” (consistentes, lineales, insesgados) y se continua con la evaluación
del modelo ARIMA
Parámetros estimados de especificación inicial.
Modelo 1: ARMA, usando las observaciones 1-10871
Estimado usando AS 197 (MV exacta)
Variable dependiente: y
Desviaciones típicas basadas en el Hessiano
coeficiente Desv. típica z valor p

------------------------------------------------------------
const 11.3566 5.08589 2.233 0.0256 **
phi_1 0.999888 0.000119788 8347 0.0000 ***
theta_1 0.0698166 0.00977675 7.141 9.26e-013 ***
Media de la vble. dep. 12.57415 D.T. de la vble. dep. 4.868327

Media de innovaciones 0.001426 D.T. innovaciones 0.088507
R-cuadrado 0.999670 R-cuadrado corregido 0.999670
Log-verosimilitud 10929.07 Criterio de Akaike −21850.15
Criterio de Schwarz −21820.97 Crit. de Hannan-Quinn −21840.31
Real Imaginaria Módulo Frecuencia

-----------------------------------------------------------
AR
Raíz 1 1.0001 0.0000 1.0001 0.0000
MA
Raíz 1 -14.3232 0.0000 14.3232 0.5000
-----------------------------------------------------------
Evaluación del cumplimiento de
la condición de estacionariedad
del modelo estimado.
Evaluación del cumplimiento de la condición de estacionariedad
El concepto hace referencia a que las propiedades de la serie no varían con respecto al tiempo. Es decir,
significa que su variación no va a cambiar en función del tiempo.
Esto tiene una importante implicación a la hora de predecir. Pues de tener estacionariedad, estaríamos
prediciendo que las características estadísticas de nuestra serie de tiempo serán las mismas en el futuro
como en el pasado.
Otra consecuencia importante es que “estacionarizando” una serie de tiempo podemos obtener
información significativa como media, varianza y autocorrelaciones (correlaciones entre distintos valores de
la serie de tiempo); dichos valores son puntiles para describir el comportamiento futuro únicamente si la
serie es estacionaria. Por ejemplo si hay presencia de tendencia positiva, la media y varianza muestral
aumentarán y se subestimará a la media y varianza en periodos posteriores. Y si la media y varianza no están
bien definidas, tampoco lo estarán las autocorrelaciones. Por ende cuando se trabaja con series de tiempo
no es recomendable ajustar una regresión, pues los datos no son estáticos (estacionarios).
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


------------------------------------------------------------
const 11.3566 5.08589 2.233 0.0256 **
phi_1 0.999888 0.000119788 8347 0.0000 ***
theta_1 0.0698166 0.00977675 7.141 9.26e-013 ***
Ho: el coeficiente estimado no es significativo estadísticamente

H1: el coeficiente estimado si es significativo estadísticamente
Regla de contraste: t > 2
Regla de decisión: si t es mayor a 0 se rechaza H0 y concluimos que el coeficiente estimado si es estadísticamente
significativo
Dado que el estadístico t de Bo es igual a 2.23, se rechaza H0, por lo tanto, se concluye que el coeficiente estimado
es significativo estadísticamente.
Dado que el estadístico t de B1 es igual a 8347, se rechaza H0, por lo tanto, se concluye que el coeficiente estimado
Dado que el estadístico t de B2 es igual a 7.14, se rechaza H0, por lo tanto, se concluye que el coeficiente estimado
Análisis de Significancia individual de los parámetros
estimados probabilidad distribución t


------------------------------------------------------------
const 11.3566 5.08589 2.233 0.0256 **
phi_1 0.999888 0.000119788 8347 0.0000 ***
theta_1 0.0698166 0.00977675 7.141 9.26e-013 ***

Regla de contraste: P(t) < 5%
Regla de decisión: si P(t) es menor a 0.05 se rechaza H0 y concluimos que el coeficiente estimado si es
estadísticamente significativo
Dado que el estadístico P(t) de Bo es igual a 0.02, se rechaza H0, por lo tanto, se concluye que el coeficiente
estimado es significativo estadísticamente.
Dado que el estadístico P(t) de B1 es igual a 0.00, se rechaza H0, por lo tanto, se concluye que el coeficiente
Dado que el estadístico P(t) de B2 es igual a 9.26e-013, se rechaza H0, por lo tanto, se concluye que el coeficiente
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 estadística


Ho: afirma que el modelo sin variables independientes se ajusta a los datos tan bien como su modelo.
H1: dice que su modelo se ajusta a los datos mejor que el modelo de sólo intercepción.
Regla de contraste:
Regla de decisión: En este caso, comparemos el valor p de la prueba F con su nivel de significación. Si el valor p es
menor que el nivel de significación, los datos de su muestra proporcionan suficiente evidencia para concluir que su
modelo de regresión se ajusta a los datos mejor que el modelo sin variables independientes
Dado que el valor de p es menor que el nivel de significación, los datos de su muestra proporcionan suficiente
evidencia para concluir que su modelo de regresión se ajusta a los datos mejor que el modelo sin variables
independientes.
Tras haber realizado las pruebas pertinentes para este caso de estudios, se puede
concluir que es un buen modelo para trabajar sobre el, ya que presenta todas sus
variables estadísticamente significativas, así como un correcto análisis y resultado
de estacionariedad.
26
Evaluación de Estructura ARIMA
del Modelo Estimado.
Evaluación de Residuos
Grafica de Correlograma Q de residuos
FAC de los residuos
0.04 +- 1.96/T^0.5
Función de autocorrelación de los residuos
***, ** y * indica significatividad a los niveles del
0.02
1%, 5% y 10%
utilizando la desviación típica 1/T^0.5
0
RETARDO FAC FACP Estad-Q. [valor p]
-0.02
1 -0.0020 -0.0020
-0.04 2 -0.0274 *** -0.0274 ***
3 -0.0383 *** -0.0385 *** 24.2222 [0.000]
0 5 10 15 20 25 30 35 4 0.0195 ** 0.0186 * 28.3649 [0.000]
5 0.0113 0.0093 29.7542 [0.000]
retardo
6 -0.0055 -0.0059 30.0850 [0.000]
7 -0.0147 -0.0127 32.4300 [0.000]
FACP de los residuos 8 -0.0354 *** -0.0355 *** 46.0845 [0.000]
9 -0.0021 -0.0038 46.1304 [0.000]
10 0.0421 *** 0.0394 *** 65.3830 [0.000]
0.04 +- 1.96/T^0.5
11 0.0186 * 0.0167 * 69.1285 [0.000]
12 0.0388 *** 0.0426 *** 85.5083 [0.000]
0.02 13 0.0212 ** 0.0263 *** 90.4102 [0.000]
14 -0.0256 *** -0.0243 ** 97.5337 [0.000]
0 15 -0.0155 -0.0140 100.1491 [0.000]
16 0.0030 0.0005 100.2443 [0.000]
-0.02 17 0.0045 0.0013 100.4618 [0.000]
18 0.0144 0.0181 * 102.7141 [0.000]
-0.04
0 5 10 15 20 25 30 35
retardo
29
Observando la grafica podemos concluir que hay variables del modelo que
presentan autocorrelación, las cuales tendrán que ser corregidas a través de la
metodología Box-Jenquis. Esto con la finalidad de que se pueda mejorar el
modelo y obtener una mejor estacionariedad, para así poder realizar una
predicción con mayor eficacia.
Grafica de Distribución Normal de residuos
7
Estadístico para el contraste de normalidad: frecuencia relativa
N(0.0014256,0.088508)
Chi-cuadrado(2) = 32769.395 [0.0000]
5
Densidad
0
-1 -0.5 0 0.5 1
residual
Rutina gretl. En pantalla de estimación Menú Contrastes / Submenu Normalidad de Residuos
31
De acuerdo a la gráfica, a simple vista se puede observar que el modelo

a estudiar no presenta una distribución normal, ya que se sale de la
curva residual.
En conclusión, se comenzara a especificar el modelos.
Prueba Jarque Bera de distribución normal

significativo
Dado que el estadístico t de Bo es igual a 2.23, se rechaza H0, por lo tanto, se concluye que el coeficiente estimado
Dado que el estadístico t de B1 es igual a 8347, se rechaza H0, por lo tanto, se concluye que el coeficiente estimado
Dado que el estadístico t de B2 es igual a 7.14, se rechaza H0, por lo tanto, se concluye que el coeficiente estimado
Reespecificación de Modelo
ARIMA y estimación.
Especificación del Modelo ARIMA.
Un reespecificación consiste en la observación, análisis y

corrección de aquellas variables que no son estadísticamente
significativas, eliminándolas, esto con la finalidad de poder
corregir la autocorrelación en el modelo y lograr que presente
una distribución normal y así
Sustento a la reespecificación del Modelo ARIMA.
Los modelos AR se pueden analizar con uno de varios métodos, incluidas las técnicas estándar de mínimos
cuadrados lineales. También tienen una interpretación directa.
Un modelo de promedio móvil (MA) es conceptualmente una regresión lineal del valor actual de la serie
contra el ruido blanco o choques aleatorios de uno o más valores anteriores de la serie. Se supone que los
choques aleatorios en cada punto provienen de la misma distribución, típicamente una distribución normal,
con ubicación en cero y escala constante. La distinción en este modelo es que estos choques aleatorios se
propagan a valores futuros de las series de tiempo. Ajustar las estimaciones de MA es más complicado que
con los modelos AR porque los términos de error no son observables.
El modelo ARMA de Box-Jenkins es una combinación de los modelos AR y MA
Por lo general, el ajuste efectivo de los modelos Box-Jenkins requiere al menos una serie moderadamente
larga. Chatfield (1996) recomienda al menos 50 observaciones. Muchos otros recomendarían al menos 100
observaciones.
Parámetros estimados de la
reespecificación.

------------------------------------------------------------
const 11.4683 4.93241 2.325 0.0201 **
phi_1 0.999884 0.000123384 8104 0.0000 ***
theta_1 0.0655754 0.00959590 6.834 8.28e-012 ***
theta_2 −0.0233478 0.00970393 −2.406 0.0161 **
theta_3 −0.0419932 0.00967631 −4.340 1.43e-05 ***
theta_8 −0.0335436 0.00965812 −3.473 0.0005 ***
theta_10 0.0410786 0.00938729 4.376 1.21e-05 ***
theta_12 0.0400654 0.00977239 4.100 4.13e-05 ***
theta_35 0.0430414 0.00983653 4.376 1.21e-05 ***

Evaluación del cumplimiento de
la condición de estacionariedad
de la ultima versión del modelo
estimado.
Evaluación del cumplimiento de la condición de estacionariedad
Una serie será estacionaria en varianza cuando pueda mantenerse el

supuesto de que existe una única varianza para toda la serie temporal, es
decir, cuando la variabilidad de la serie en torno a su media se mantenga
constante a lo largo del tiempo.
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 de los parámetros estimados
distribución t

------------------------------------------------------------
const 11.4683 4.93241 2.325 0.0201 **
phi_1 0.999884 0.000123384 8104 0.0000 ***
theta_1 0.0655754 0.00959590 6.834 8.28e-012 ***
theta_2 −0.0233478 0.00970393 −2.406 0.0161 **
theta_3 −0.0419932 0.00967631 −4.340 1.43e-05 ***
theta_8 −0.0335436 0.00965812 −3.473 0.0005 ***
theta_10 0.0410786 0.00938729 4.376 1.21e-05 ***
theta_12 0.0400654 0.00977239 4.100 4.13e-05 ***
theta_35 0.0430414 0.00983653 4.376 1.21e-05 ***

significativo
En este caso, debido a que los estadísticos de t, en términos absolutos, de los parámetros son mayor a “2”, se puede
concluir que todos los parámetros son estadísticamente significativos.
41
Análisis de Significancia individual de los parámetros
estimados probabilidad distribución t


------------------------------------------------------------
const 11.4683 4.93241 2.325 0.0201 **
phi_1 0.999884 0.000123384 8104 0.0000 ***
theta_1 0.0655754 0.00959590 6.834 8.28e-012 ***
theta_2 −0.0233478 0.00970393 −2.406 0.0161 **
theta_3 −0.0419932 0.00967631 −4.340 1.43e-05 ***
theta_8 −0.0335436 0.00965812 −3.473 0.0005 ***
theta_10 0.0410786 0.00938729 4.376 1.21e-05 ***
theta_12 0.0400654 0.00977239 4.100 4.13e-05 ***
theta_35 0.0430414 0.00983653 4.376 1.21e-05 ***

Regla de contraste: P(t) < 5%
Regla de decisión: si P(t) es menor a 0.05 se rechaza H0 y concluimos que el coeficiente estimado si es
estadísticamente significativo
Dado que el estadístico P(t) de todos los parámetros es menor a 0.05, se puede concluir que todos los parámetros
son estadísticamente significativos.
42
Evaluación de la significancia
estadística de los estimadores
conjuntos.


Ho: afirma que el modelo sin variables independientes se ajusta a los datos tan bien como su modelo.
H1: dice que su modelo se ajusta a los datos mejor que el modelo de sólo intercepción.
Regla de contraste:
Regla de decisión: En este caso, comparemos el valor p de la prueba F con su nivel de significación. Si el valor p es
menor que el nivel de significación, los datos de su muestra proporcionan suficiente evidencia para concluir que su
modelo de regresión se ajusta a los datos mejor que el modelo sin variables independientes
44
Dado que el valor de p es menor que el nivel de significación, los datos de su muestra proporcionan
suficiente evidencia para concluir que su modelo de regresión se ajusta a los datos mejor que el
modelo sin variables independientes.
45
Como se comento desde un inicio, ya el modelo presentaba una

adecuada estacionariedad, es decir, no van a variar tanto de acuerdo
al tiempo. Asimismo, todos sus parámetros siguen siendo
estadísticamente significativos.
En conclusión, es un modelo que no presenta muchos sesgos y es
optimo para trabajar sobre el y aplicar el Modelo ARIMA.
46
Evaluación de Residuos
FAC de los residuos
0.04
+- 1.96/T^0.5
0.03
0.02
0.01
0
-0.01
-0.02
-0.03
-0.04
0 5 10 15 20 25 30 35
retardo
FACP de los residuos

0.04
+- 1.96/T^0.5
0.03
0.02
0.01
0
-0.01
-0.02
-0.03
-0.04
0 5 10 15 20 25 30 35
48
retardo
Se puede apreciar que se ha logrado una correcta Re

especificación del modelo, ya que hay un número
menor de variables que presentaban
autocorrelación, afectando así el modelo.
8
Estadístico para el contraste de normalidad: frecuencia relativa
N(0.0013919,0.088159)
Chi-cuadrado(2) = 30509.458 [0.0000]
5
Densidad
0
-1 -0.5 0 0.5 1
50
residual
Podemos concluir que el modelo sigue

presentando una distribución normal, ya que
los valores se concentran en el centro de la
curva, aunque la sobrepase por la densidad
de los mismos.
Pronostico
Versión Final.
Selección de mejor estimación con base a criterios de información

------------------------------------------------------------
const 11.4683 4.93241 2.325 0.0201 **
phi_1 0.999884 0.000123384 8104 0.0000 ***
theta_1 0.0655754 0.00959590 6.834 8.28e-012 ***
theta_2 −0.0233478 0.00970393 −2.406 0.0161 **
theta_3 −0.0419932 0.00967631 −4.340 1.43e-05 ***
theta_8 −0.0335436 0.00965812 −3.473 0.0005 ***
theta_10 0.0410786 0.00938729 4.376 1.21e-05 ***
theta_12 0.0400654 0.00977239 4.100 4.13e-05 ***
theta_35 0.0430414 0.00983653 4.376 1.21e-05 ***

Una vez que se verifico que el modelo no presentaba
estacionariedad y, por ende, también presentaba
autocorrelación se procedió a realizar la
identificación del modelo a través de la metodología
Box-Jenquis, corrigiendo así las variables que podían
afectar el modelo.
Esto conllevo a obtener un modelo con mejor
presentación, con estacionariedad y con una
distribución normal.
Identificación ARMA
La versión final del modelo con el que se

realiza el trabajo es mayor conveniente, ya
que, al aplicar los supuestos de regresión
clásica, se puede apreciar como todas las
varias son estadísticamente significativas,
tiene una distribución normal, esta presente
la autocorrelación y no esta presente la
multicolinealidad.
55
Grafico impulso respuesta
Tipo de cambio Peso-Dolar 01/01/1993 11/04/2023

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
Pronostico impulso respuesta
Para intervalos de confianza 95%, z(0.025) = 1.96
y predicción Desv. Típica Intervalo de confianza 95%
11/03/2023 18.0577 17.9530

12/03/2023 18.0577 18.0629
13/03/2023 18.0577 18.0540
14/03/2023 18.4083 18.0488
15/03/2023 18.8302 18.4401
16/03/2023 18.6427 18.8507
17/03/2023 18.9972 18.5916
18/03/2023 18.9095 19.0183
19/03/2023 18.9095 18.8968
20/03/2023 18.9095 18.8890
21/03/2023 18.9095 18.9116
22/03/2023 18.8977 18.8872
23/03/2023 18.6755 18.8845
24/03/2023 18.5437 18.6870
25/03/2023 18.4902 18.5357
26/03/2023 18.4902 18.5081
27/03/2023 18.4902 18.5270
28/03/2023 18.5178 18.4697
29/03/2023 18.3830 18.5381
30/03/2023 18.2523 18.3683
31/03/2023 18.1052 18.2511
01/04/2023 18.0932 18.1127
02/04/2023 18.0932 18.0925
03/04/2023 18.0932 18.0940
04/04/2023 18.0415 18.0845
05/04/2023 18.1070 18.0298
06/04/2023 18.1185 18.1117
07/04/2023 18.1185 18.1163
08/04/2023 18.1185 18.1100
09/04/2023 18.1185 18.1159
10/04/2023 18.1185 18.1052
11/04/2023 18.3323 18.1079
10872 18.3419 0.0881 18.1691 - 18.5146
Grafico de Datos Empíricos y Pronostico.
Últimos 12 Datos
Tipo de cambio Peso-Dolar 31/03/2023 11/04/2023
18.55
y
predicción
18.5 Intervalo de 95 por ciento
18.45
18.4
18.35
18.3
18.25
18.2
18.15
18.1
18.05
18
10860 10862 10864 10866 10868 10870 10872
Tabulación de Datos Empíricos y Pronostico.
Últimos 12 Datos
T y predicción
31/03/2023 18.1052 18.2511

01/04/2023 18.0932 18.1127
02/04/2023 18.0932 18.0925
03/04/2023 18.0932 18.0940
04/04/2023 18.0415 18.0845
05/04/2023 18.1070 18.0298
06/04/2023 18.1185 18.1117
07/04/2023 18.1185 18.1163
08/04/2023 18.1185 18.1100
09/04/2023 18.1185 18.1159
10/04/2023 18.1185 18.1052
11/04/2023 18.3323 18.1079
Predicción
Concentrado Final.
Grafica de la tasa de variación porcentual pronostico
Tasa de variación porcentual datos de pronostico

0.6
0.4
0.2
0
Tv
-0.2
-0.4
-0.6
-0.8
2 4 6 8 10 12
Tabulación de la tasa de variación porcentual, datos empíricos y
de pronostico
T Tv de la predicción T Tv de Y
31/03/2023 NA 31/03/2023 -0.80593
01/04/2023 -0.7583105 01/04/2023 -0.06628
02/04/2023 -0.1115240 02/04/2023 0.00000
03/04/2023 0.008291 03/04/2023 0.00000
04/04/2023 -0.05250 04/04/2023 -0.28574
05/04/2023 -0.3024690 05/04/2023 0.36305
06/04/2023 0.4542480 06/04/2023 0.06351
07/04/2023 0.02540 07/04/2023 0.00000
08/04/2023 -0.03478 08/04/2023 0.00000
09/04/2023 0.03258 09/04/2023 0.00000
10/04/2023 -0.05906 10/04/2023 0.00000
11/04/2023 0.01491 11/04/2023 1.18001

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

Nos indica cuántas monedas de una divisa se

El estado político y el rendimiento económico de un país pueden afectar su fortaleza monetaria.

Rutina gretl. Menu Anadir / Submenu porcentaje de cambio de variables

coeficiente Desv. típica z valor p

Media de la vble. dep. 12.57415 D.T. de la vble. dep. 4.868327

Real Imaginaria Módulo Frecuencia

Modelo 1: ARMA, usando las observaciones 1-10871

coeficiente Desv. típica z valor p

Ho: el coeficiente estimado no es significativo estadísticamente

Modelo 1: ARMA, usando las observaciones 1-10871

coeficiente Desv. típica z valor p

Ho: el coeficiente estimado no es significativo estadísticamente

Modelo 1: ARMA, usando las observaciones 1-10871

Media de la vble. dep. 12.57415 D.T. de la vble. dep. 4.868327

De acuerdo a la gráfica, a simple vista se puede observar que el modelo

Prueba Jarque Bera de distribución normal

Un reespecificación consiste en la observación, análisis y

El modelo ARMA de Box-Jenkins es una combinación de los modelos AR y MA

coeficiente Desv. típica z valor p

Media de la vble. dep. 12.57415 D.T. de la vble. dep. 4.868327

Una serie será estacionaria en varianza cuando pueda mantenerse el

coeficiente Desv. típica z valor p

Ho: el coeficiente estimado no es significativo estadísticamente

Modelo 16: ARMA, usando las observaciones 1-10871

coeficiente Desv. típica z valor p

Ho: el coeficiente estimado no es significativo estadísticamente

Modelo 16: ARMA, usando las observaciones 1-10871

Media de la vble. dep. 12.57415 D.T. de la vble. dep. 4.868327

Como se comento desde un inicio, ya el modelo presentaba una

FACP de los residuos

Se puede apreciar que se ha logrado una correcta Re

Podemos concluir que el modelo sigue

coeficiente Desv. típica z valor p

Media de la vble. dep. 12.57415 D.T. de la vble. dep. 4.868327

La versión final del modelo con el que se

Tipo de cambio Peso-Dolar 01/01/1993 11/04/2023

y predicción Desv. Típica Intervalo de confianza 95%

11/03/2023 18.0577 17.9530

31/03/2023 18.1052 18.2511

Tasa de variación porcentual datos de pronostico

También podría gustarte