Documentos de Académico
Documentos de Profesional
Documentos de Cultura
El pronóstico es una parte importante del análisis econométrico, y para algunas constituye
el área más importante. Podemos pronosticar variables económicas como el PIB, la
inflación, tasas de cambio, precios de acciones, tasas de desempleo y miles de otras
variables económicas, para lo cual utilizaremos los dos métodos más populares:
el Autorregresivo Integrado de Promedios Móviles (ARIMA), conocido como
metodología de Box-Jenkins.
El de Vectores Autorregresivos (VAR).
Los métodos de pronósticos analizados presuponen que las series de tiempo subyacentes
son estacionarias o que pueden convertirse en estacionarias mediante transformaciones
adecuadas
22.1 ENFOQUES DE LOS PRONÓSTICOS ECONÓMICOS:
En términos generales, hay cinco enfoques de los pronósticos económicos basados
enseries de tiempo:
1.1.Métodos de suavizamiento exponencial:
Como por ejemplo el método de suavizamiento exponencial simple(SES):
En este método, se asigna un peso exponencialmente decreciente a los valores pasados de
la serie de tiempo. No se considera ninguna otra información, como tendencias o
estacionalidad. El modelo SES se actualiza en cada paso de tiempo utilizando una
combinación ponderada del valor actual observado y el valor pronosticado anterior.
El modelo de regresión uniecuacional más común es la regresión lineal, que asume una
relación lineal entre las variables. En este modelo, se estima una ecuación que representa
la variable dependiente en función de las variables independientes, y se buscan los valores
óptimos de los coeficientes para minimizar la diferencia entre los valores observados y
los valores predichos por el modelo.
Algunos conceptos clave asociados con los modelos de regresión uniecuacionales son:
3. Evaluación del ajuste del modelo: Se utilizan varias métricas para evaluar la bondad de
ajuste del modelo, como el coeficiente de determinación (R cuadrado), que indica la
proporción de la variabilidad de la variable dependiente explicada por el modelo, y los
estadísticos de significancia de los coeficientes.
1.4.Modelos ARIMA:
La publicación de G. P. E. Box y G. M. Jenkins Time Series Analysis: marcó el comienzo
de una nueva generación de herramientas de pronóstico. Popularmente conocida como
metodología de Box Jenkins, pero técnicamente conocida como metodología ARIMA, el
interés de estos métodos de pronósticos no está en la construcción de modelos
uniecuacionales o de ecuaciones simultáneas, sino en el análisis de las propiedades
probabilísticas, o estocásticas, de las series de tiempo económicas por sí mismas según la
filosofía de que los datos hablen por sí mismos. A diferencia de los modelos de regresión,
en los cuales Yt se explica por las k regresoras X1, X2, X3, . . ., Xk, en los modelos de
series de tiempo del tipo BJ, Yt se explica por valores pasados o rezagados de sí misma y
por los términos de error estocásticos. Por esta razón, los modelos ARIMA reciben
algunas veces el nombre de modelos ateóricos porque no se derivan de teoría económica
alguna, y las teorías económicas a menudo son la base de los modelos de ecuaciones
simultáneas. A propósito, observe que en este capítulo la atención se centra en los modelos
ARIMA univariados, es decir, en los modelos ARIMA que pertenecen a una sola serie de
tiempo. No obstante, el análisis puede extenderse a modelos ARIMA multivariados
1.5.Modelos VAR:
Un modelo VAR, o Vector Autoregressive Model en inglés, es un tipo de modelo
econométrico utilizado para analizar y predecir la interdependencia entre múltiples
variables económicas en un sistema. Este modelo se basa en la idea de que las variables
económicas están relacionadas entre sí y se influyen mutuamente en el corto plazo.
El modelo VAR se utiliza para modelar series de tiempo multivariadas, es decir, series de
tiempo que contienen observaciones de varias variables simultáneamente. A diferencia de
otros modelos econométricos que analizan las relaciones univariadas entre una variable
dependiente y una o varias variables explicativas, el modelo VAR considera la dinámica
de todas las variables del sistema.
El modelo VAR se estructura de la siguiente manera:
1. Se selecciona un conjunto de variables económicas relevantes para el análisis.
2. Se estima un sistema de ecuaciones que relaciona todas las variables entre sí,
donde cada variable dependiente se explica en función de sus propios rezagos y
de los rezagos de las demás variables.
3. Se permite la estimación de las relaciones de retroalimentación entre las
variables, es decir, la influencia que una variable tiene sobre las demás en el corto
plazo.
4. Se pueden realizar pronósticos de las variables económicas utilizando el modelo
VAR, teniendo en cuenta las relaciones estimadas y las últimas observaciones de
las variables.
Así, una serie de tiempo ARIMA(2, 1, 2) tiene que diferenciarse una vez (d = 1) antes de
que se haga estacionaria, y la serie de tiempo estacionaria (en primeras diferencias) puede
modelarse como un proceso ARMA(2, 2), es decir, tiene dos términos AR y dos términos
MA. Desde luego, si d = 0 (es decir, si para empezar la serie es estacionaria), ARIMA (p,
d = 0, q) = ARMA(p, q). Observe que un proceso ARIMA (p, 0, 0) significa un proceso
estacionario AR(p) puro; un ARIMA (0, 0, q) significa un proceso estacionario MA(q)
puro.
Con los valores de p, d y q sabemos de qué proceso se está haciendo el modelo. El punto
importante es que, para utilizar la metodología Box-Jenkins, debemos tener una serie de
tiempo estacionaria o una serie de tiempo que sea estacionaria después de una o más
diferenciaciones. La razón para suponer estacionariedad se explica de la siguiente
manera: El objetivo de BJ [Box-Jenkins] es identificar y estimar un modelo estadístico
que se interprete como generador de los datos muéstrales. Entonces, si se va a pronosticar
con este modelo estimado, debe suponerse que sus características son constantes a través
del tiempo y, en particular, en periodos futuros. Así, la sencilla razón para requerir datos
estacionarios es que todo modelo que se infiera a partir de estos datos pueda interpretarse
como estacionario o estable en sí mismo, y proporcione, por consiguiente, una base válida
para pronosticar.
22.4 Identificación
Los patrones que siguen las FAS y FAP son distintos para los procesos AR y MA, por lo
que pueden utilizarse para la identificación de la serie de residuos del modelo. En el caso
concreto de los procesos autorregresivos AR(p) la FAS decrece geométrica o
exponencialmente y la FAP se corta después de p-retardos, esto es presenta p coeficientes
significativos. Para el caso de procesos de medias móviles MA(q) ocurre al contrario; la
función de autocorrelación parcial decrece de forma geométrica o exponencial y la
función de autocorrelación simple se anula para retardos de orden superior a q.
En las estimaciones prácticas estos comportamientos no son tan precisos por lo que a
través de contrastes de hipótesis deberá determinarse cuándo un coeficiente estimado (de
autocorrelación o de autocorrelación parcial) es considerado nulo a pesar del valor
empírico que presente. Para ello se realizan contrastes de significatividad estadística de
los coeficientes estableciendo unas bandas de confianza por encima de las cuáles los
coeficientes resultan significativos.
Estas bandas pueden calcularse a partir del coeficiente de correlación empírico que
presenta la siguiente distribución de probabilidad:
residuos; H0 : ρ 1 = ρ 2 = ... = ρ m = 0
Estos contrastes son muy similares y se definen en ambos casos a partir de la suma
acumulada de los coeficientes de correlación empíricos con las siguientes
especificaciones.
22.5 MODELO DE ESTIMACION ARIMA
El componente AR se basa en la idea de que los valores pasados de la serie de tiempo son
útiles para predecir su valor actual. Utilizando regresión lineal, se establece una relación
entre la variable y sus valores pasados.
El componente MA tiene en cuenta los errores o residuos del modelo AR. Supone que los
errores están correlacionados con los valores pasados y utiliza esta información para
ajustar el modelo. Se calcula una media móvil de los errores pasados para tener en cuenta
esta correlación.
Ejemplo 1:
Ejemplo 2:
Supongamos que tienes datos trimestrales de la tasa de inflación durante varios años.
Quieres ajustar un modelo ARIMA para analizar y predecir la inflación futura. Después
de realizar pruebas de estacionariedad, encuentras que la serie de tiempo es estacionaria
sin la necesidad de diferenciación. Decides utilizar un modelo ARIMA(2, 0, 1), lo que
implica que tiene un componente autoregresivo de orden 2 (AR), no tiene un componente
de diferenciación (I) y tiene un componente de media móvil de orden 1 (MA). Estimas
los parámetros del modelo utilizando métodos de máxima verosimilitud y encuentras que
los coeficientes de los componentes AR son 0.6 y 0.3, y el coeficiente del componente
MA es -0.2. Con estos parámetros estimados, puedes realizar análisis de la inflación
pasada y hacer pronósticos para los próximos períodos utilizando el modelo ARIMA.
2. Prueba de normalidad: Esta prueba verifica si los residuos del modelo siguen una
distribución normal. Se utilizan métodos estadísticos, como el test de Jarque-Bera,
para examinar si existen desviaciones significativas de la normalidad. La
violación de la suposición de normalidad puede afectar la precisión y validez de
las inferencias del modelo.
5. Prueba de multicolinealidad: Esta prueba analiza si hay alta correlación entre las
variables independientes del modelo. La multicolinealidad puede dificultar la
interpretación de los coeficientes y aumentar la varianza de las estimaciones. Se
utilizan medidas como el factor de inflación de la varianza (VIF) para detectar la
presencia de multicolinealidad.
El vínculo entre esta parte y las anteriores reside en que los métodos de pronósticos ana-
lizados antes presuponen que las series de tiempo subyacentes son estacionarias o que
pueden convertirse en estacionarias mediante transformaciones adecuadas. Conforme
avancemos a lo largo de esta parte veremos la utilización de diversos conceptos que pre-
sentamos en las parte.
Para comenzar, hay que definir la naturaleza del análisis de los modelos ARIMA, los
cuales son empleados para esta metodología, y es que a diferencia de otros modelos
econométricos convencionales, no se busca estudiar una relación funcional entre dos o
más variables, (Aunque la metodología puede aplicarse al estudio multivariable), sino que
basamos la explicación del comportamiento y el pronóstico de nuestro modelo en el
comportamiento pasado de la serie de tiempo.
Con esto busca ser un modelo que explique a través de los datos históricos el
comportamiento futuro de la variable a través los términos del error aleatorio, por lo que
se estudian las propiedades probabilísticas o aleatorias de las series de tiempo.
Otro aspecto importante que no se debe de pasar por alto, en términos de Teoría
financiera, es que esta serie de modelos econométricos, no necesariamente tienen una
relación normativa con modelos de teoría financiera, ya que se basan en explicar, describir
y pronosticar el comportamiento de las series de tiempo, entendiéndolo como un proceso
aleatorio.
Esto quiere decir, que los modelos explicativos que tratan de entender el comportamiento
del movimiento del precio de los instrumentos financieros no tienen una relevancia para
el desarrollo de estos modelos, ya que basan el estudio de los instrumentos financieros en
procesos aleatorios donde los datos de la serie de tiempo se explican así mismo con su
comportamiento histórico.
Las dos especificaciones principales de esta metodología son los modelos autorregresivos
AR(p) y los modelos de promedio móvil MA(q).
Los pasos de BJ están divididos en 4, que podemos ver en el siguiente gráfico y explicado
abajo.
Preguntas:
- Modelos ARIMA: Se utilizan para series de tiempo que exhiben patrones estacionarios
y se basan en la autocorrelación y la diferencia de los datos.
La diferencia entre un pronóstico a corto plazo y uno a largo plazo en una serie de tiempo
radica en el horizonte temporal que se está pronosticando. El pronóstico a corto plazo
generalmente se refiere a un período de tiempo más inmediato, como días o semanas,
mientras que el pronóstico a largo plazo se extiende a períodos más amplios, como meses
o años.