ÍNDICE.

1 Introducción……………………………………………………………………………………………………………………… 3

2 Descripción de la serie………………………………………………………………………………………………………. 4

3 Análisis descriptivo de la serie…………………………………………………………………………………………… 5

4 Identificación del modelo………………………………………………………………………………………………….. 7

4.1 Correlograma (FAC y FACP) de la serie original…………………………………………………………… 7

4.2 Estabilidad en la varianza…………………………………………………………………………………………… 8

4.3 Estabilidad en la media………………………………………………………………………………………………. 12

4.4 Correlograma (FAC y FACP) de la transformación estacionaria de la serie………………….. 17

5 Estimación de los modelos ARIMA…………………………………………………………………………………….. 18

8 Conclusiones……………………………………………………………………………………………………………………… 24

1
 1. INTRODUCCIÓN.
En el presente trabajo, se ha analizado una serie viendo sus gráficos temporales con el
objetivo de ver su estabilidad en media y varianza. Aplicando las correspondientes
diferencias estacionales para tener una serie estacionaria y tomando logaritmos para
reducir las diferencias en media y varianza a lo largo del tiempo de la serie, también se
han examinado los estadísticos principales de la serie.
Otra herramienta que se ha analizado han sido los diferentes correlogramas obtenidos
de la serie original, tomando logaritmos o con las diferencias entre otras. Se ha
realizado el Test Rango-Media, el contraste de Dickey-Fuller para raíces unitarias.
Posteriormente, se han identificado tres modelos en base al gráfico de la FAC Y FACP
de la diferencia estacional y regular de la serie en logaritmos. Basándose en el Criterio
BIC y AIC se ha elegido uno de los tres modelos, se ha visto si era necesario o no
introducir una constante en el modelo.

2
 2. DESCRIPCIÓN DE LA SERIE.
La serie para analizar ha sido: “Índice de Producción Industrial. Bienes de consumo”, la
periodicidad es mensual y el intervalo temporal desde 1975 : 01 hasta 2018 : 09. Esta serie la
elabora el INE.
El Índice de Producción Industrial (IPI) mide la evolución de la producción del sector industrial,
excluyendo la construcción. Muestra los cambios en la cantidad y calidad de la producción
industrial respecto a periodos anteriores.

Posee un carácter coyuntural, para su obtención se usa un índice de Laspeyres ponderado. Es

un buen indicador para el análisis coyuntural ya que permite identificar el ciclo económico
debido a su amplia desagregación, elevada calidad y fiabilidad y elevada periodicidad.

Resulta muy útil sobre todo para seguir la evolución del sector industrial y de la actividad
económica en general.

El IPI presenta un alto componente estacional que se refleja en el verano, debido al periodo
vacacional.

3
 3. ANALISIS DESCRIPTIVO DE LA SERIE.

140

130

120

110
Bienes_de_consumo

100

90

80

70

60

50

40
1975 1980 1985 1990 1995 2000 2005 2010 2015

A la vista del gráfico de la serie temporal, podemos ver que tiene una fase de expansión desde
1975 hasta 2008. Esta fase de crecimiento tiene alguna fase de recesión debido a la crisis de
los noventa pero generalmente tiene una tendencia lineal creciente.

En 2008 debido a la crisis de las subprime, sufre una recesión que toca su máximo en 2013,
después de ello comienza una fase de expansión.

Respecto a los conceptos de estacionalidad y variabilidad.Se observa claramente que la media

no es constante, como la varianza oscila a lo largo del tiempo y nos encontramos con casos de
estacionalidad.

4
Ante lo observado anteriormente respecto de la estacionalidad y variabilidad será necesario
tomar tanto logaritmos como diferencias tantas como sean necesarias para lograr tanto una
media y varianza constantes.

5
 4. IDENTIFICACIÓN DEL MODELO.
 4.1. Correlograma (FAC y FACP) de la serie original.

FAC de Bienes_de_consumo
1
+- 1.96/T^0.5

0.5

-0.5

-1
0 10 20 30 40 50 60 70
retardo

FACP de Bienes_de_consumo
1
+- 1.96/T^0.5

0.5

-0.5

-1
0 10 20 30 40 50 60 70
retardo

A la vista de la FAC se ve un decrecimiento lento y lineal, exceptuando ciertos retardos no

nulos que son la prueba de existencia de estacionalidad en los retardos 12, 24, 36, 48.

La forma de la FAC también nos indica la existencia de raíz unitaria, otra prueba mas de que no
es estable en media por lo que no cumple la condición de estacionariedad.

En la FACP también se encuentra un retardo estacional, el 12.

6
  4.2. Estabilidad en la varianza.

Gráfico rango-media de Bienes_de_consumo con ajuste mínimo-cuadrático

45

40

35

30
Rango

25

20

15

10
50 60 70 80 90 100 110 120 130
media

Como se ha dicho antes, se observa una tendencia lineal creciente a la vista del gráfico.

7
0,00330181 < 0,05 -> Esto indica que hay que tomar logaritmos para estabilizar la varianza,
habrá que transformar la serie.

8
 5

4.8

4.6
l_Bienes_de_consumo

4.4

4.2

3.8

3.6
1975 1980 1985 1990 1995 2000 2005 2010 2015

Tras tomar logaritmos en la variable vemos como la varianza sigue sin ser constante, hay
tramos con mayor dispersión, como 1985 hasta 2005 comparado con 2010 hasta 2015.

9
 FAC de l_Bienes_de_consumo
1
+- 1.96/T^0.5

0.5

-0.5

-1
0 10 20 30 40 50 60 70
retardo

FACP de l_Bienes_de_consumo
1
+- 1.96/T^0.5

0.5

-0.5

-1
0 10 20 30 40 50 60 70
retardo

A la vista del correlograma tras tomar logaritmos podemos decir lo mismo que anteriormente.
Existe raíz unitaria y hay retardos estacionales.

Tras observar el correlograma y grafico de la serie antes de tomar logaritmos y después de

ellos. Optamos por quedarnos con la serie tras tomar logaritmos, ya que en el caso del gráfico
encontramos una variabilidad menos desigual.

10
  4.3. Estabilidad en la media.

Con este contraste, se busca rechazar o aceptar la hipótesis nula de existencia de raíz unitaria.

 Contraste sin constante:

0,9521 > 0,05
 Contraste con constante:
0,03947 > 0,05
 Con constante y tendencia:
0,7376 > 0,05

Esto indica que tanto en el caso de “contraste sin constante” como “con constante y
tendencia” NO rechazamos la hipótesis nula de existencia de raíz unitaria.

En el caso de “contraste con constante” si se rechaza.

Esto indica que es necesario tomar una primera diferencia del logaritmo.

11
 0.6

0.4

0.2
d_l_Bienes_de_consumo

-0.2

-0.4

-0.6
1975 1980 1985 1990 1995 2000 2005 2010 2015

Tras tomar la primera diferencia del logaritmo, vemos como la media sea estabilizado entorno
al 0 con esto eliminamos la tendencia.

12
 FAC de d_l_Bienes_de_consumo
1
+- 1.96/T^0.5

0.5

-0.5

-1
0 10 20 30 40 50 60 70
retardo

FACP de d_l_Bienes_de_consumo
1
+- 1.96/T^0.5

0.5

-0.5

-1
0 10 20 30 40 50 60 70
retardo

Aunque sea conseguido estabilizar la media, se sigue viendo un importante carácter estacional
en los retardos 12,24,26,48 de la FAC. En la FACP el retardo 12.

Es necesario tomar una diferencia estacional.

13
Serie habiendo tomado una diferencia estacional

0.5

0.4

0.3

0.2
sd_d_l_Bienes_de_consumo

0.1

-0.1

-0.2

-0.3

-0.4

-0.5
1980 1985 1990 1995 2000 2005 2010 2015

Se observa que la media es prácticamente 0.

Para observar los valores atípicos cogemos la desviación típica y la multiplicamos por 3 ->
0,08 x 3 = 0,24. La banda de confianza +0,24 y -0,24. Vemos algunos valores atípicos antes de
1980 y uno más sobre el 2008 debido a la crisis.

14
Dickey-Fuller habiendo tomado una diferencia estacional

Con este contraste, se busca rechazar o aceptar la hipótesis nula de existencia de raíz unitaria.

Al comparar el p-valor con el nivel de significación, vemos que en todos los casos rechazamos
la hipótesis nula de existencia de raíz unitaria.

Por lo tanto, ahora la serie si es estacionaria.

15
  4.4. Correlograma (FAC y FACP) de la transformación estacionaria de la serie.

FAC de sd_d_l_Bienes_de_consumo
1
+- 1.96/T^0.5

0.5

-0.5

-1
0 10 20 30 40 50 60 70
retardo

FACP de sd_d_l_Bienes_de_consumo
1
+- 1.96/T^0.5

0.5

-0.5

-1
0 10 20 30 40 50 60 70
retardo

Si observamos la parte regular vemos como la FAC tiene un retardo significativo y la FACP
decrece por lo tanto MA (1).

Si observamos la parte estacional nos encontramos con un MA (2) debido a que en la FAC el
retardo 12 y 24 son significativos y la FACP decrece. También un AR (2) debido a que los
retardos 11 y 23 son significativos en la FACP y la FAC decrece.

Por lo tanto, los modelos que se proponen son:

 ARIMA (0,1,1) x (1,1,1)S

 ARIMA (0,1,1) x (0,1,2)S
 ARIMA (0,1,1) x (2,1,0)S

16
 5. ESTIMACIÓN DE LOS MODELOS ARIMA.
Usamos el método de estimación de máxima verosimilitud exacta, estimamos el
modelo sobre la serie con logaritmo.
 ARIMA (0,1,1) x (1,1,1)S

Ecuación ARIMA -> (1-0.13B12) ∆∆12 Zt = (1-0.81B) x (1-0.81B12) at

17
  ARIMA (0,1,1) x (0,1,2)S

Con constante

La constante se puede quitar ya que 0,1580 > 0,05

18
 Sin constante

Ecuación ARIMA -> ∆∆12 Zt = (1-0.81B) x (1-0.65B12-0.13B24) at

19
  ARIMA (0,1,1) x (2,1,0)S

Ecuación ARIMA -> (1-0.46B12-0.32B24) ∆∆12 Zt = (1-0.83B) at

Tras ver el Criterio de Schwarz y el Criterio de Akaike elegimos el modelo 3, es decir, ARIMA
(0,1,1) x (0,1,2)S ya que presenta los valores más pequeños.

Estos valores son:

Criterio de Schwarz: - 1573,74

Criterio de Akaike: - 1590,69

20
Intervalos de confianza
ARIMA (0,1,1) x (1,1,1)S

Sus coeficientes están dentro del intervalo de confianza.

ARIMA (0,1,1) x (0,1,2)S

Sus coeficientes están dentro del intervalo de confianza.

21
ARIMA (0,1,1) x (2,1,0)S

Sus coeficientes están dentro del intervalo de confianza.

22
8. CONCLUSIONES.
La serie presentaba problemas de estacionariedad, variabilidad y presenta un
comportamiento estacional.
Tras observar esto, se han realizado sobre la serie original una diferencia estacional y
se han tomado logaritmos.
Mediante el contraste de Dickey-Fuller aumentado se ha podido ver como se ha
conseguido rechazar la hipótesis nula de existencia de raíz unitaria y como se ha
solucionado el problema de variabilidad, aunque había ciertos valores atípicos.
Tras los modelos propuestos, el que mejor AIC y BIC presentaba era ARIMA (0,1,1) x
(0,1,2)S por lo que nos hemos quedado con ese

23