Modelos ARIMA

D o c e n t e : M g . Mo n t er o O b le a , Yar itz a .
C u r s o : E co no m e t r ía I I .
C i c lo : V I I I
A l u mn a : Ro ja s N o b l ec i lla , A n g ie .
 Serie de tiempo - Importaciones

Gráfico con los datos reales Gráfico con la serie desestacionalizada

IMPORTACIONES
35,000
35,000

30,000
30,000

25,000
25,000

20,000
20,000
15,000
15,000
10,000

10,000
5,000
2000 2002 2004 2006 2008 2010 2012 2014 2016 2018
5,000
2000 2002 2004 2006 2008 2010 2012 2014 2016 2018 IMPORTACIONES
IMPORTACIONES_DESES

Aquí podemos observar en el primer gráfico que ha sido generado con datos reales
extraídos del BCRP, en el segundo grafico se puede observar la serie de tiempo
desestacionalizada ya que los datos son trimestrales.
 Serie de tiempo - Importaciones
Gráfico aplicándole LOG a las importaciones

LOG_IMPORTACIONES
10.6

10.4

10.2
Aquí podemos observar en el gráfico
10.0 que se le ha aplicado log a la serie de
9.8
tiempo – importaciones para poder
suavizar la serie de tiempo.
9.6

9.4

9.2

9.0
2000 2002 2004 2006 2008 2010 2012 2014 2016 2018
 Test de raíz unitaria
Prueba de Dickey-Fuller aumentado Prueba de Phillips - Perron

  Hipotesis:

  De la tabla observamos que:   De la tabla observamos que:

Aquí se puede observar en la prueba de Dickey – Fuller aumentado, que el valor calculado excede a sus valores críticos a un nivel de 1%, 5% y
10%. Por lo tanto, no se puede rechazar la hipótesis alternativa, es decir, hay problema de raíz unitaria la serie de tiempo es estacionaria. Por otro
lado, lo mismo se puede observar en la prueba Phillips – Perron.
 Convertir la serie de tiempo en estacionaria

Gráfica (aplicando primera diferencia)

TASA_IMPORTACIONES
15

10

5
Se observar en el gráfico que se le ha
0 aplicado primera diferencia a la serie de
tiempo – importaciones para poder
-5
convertirla en estacionaria dicha serie de
-10
tiempo.

-15

-20
2000 2002 2004 2006 2008 2010 2012 2014 2016 2018
 Test de raíz unitaria
Prueba de Dickey-Fuller aumentado Prueba de Phillips - Perron

  Hipotesis:

  De la tabla observamos que:   De la tabla observamos que:

Aquí se puede observar en la prueba de Dickey – Fuller aumentado, que el valor calculado no excede a sus valores críticos a un nivel de 1%, 5%
y 10%. Por lo tanto, no se puede rechazar la hipótesis nula, es decir, hay problema de raíz unitaria la serie de tiempo es no estacionaria. Por otro
lado, lo mismo se puede observar en la prueba Phillips – Perron.
 Identificación del modelo
Sam ple: 2000Q1 2018Q4
Included observations : 75

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 0.084 0.084 0.5457 0.460

2 -0.028 -0.035 0.6067 0.738
3 0.043 0.049 0.7540 0.860
4 -0.247 -0.258 5.6994 0.223
5 -0.042 0.009 5.8438 0.322
6 -0.052 -0.077 6.0705 0.415
7 0.098 0.150 6.8802 0.441
8 0.026 -0.076 6.9376 0.543
9 -0.120 -0.109 8.1949 0.515
10 0.137 0.121 9.8554 0.453
11 0.154 0.202 12.000 0.364
12
13
-0.051
-0.012
-0.080
-0.072
12.240
12.254
0.427
0.507
Se puede observar en la identificación
14
15
-0.072
0.070
-0.057
0.226
12.739
13.217
0.547
0.586
del modelo a través de un correlograma,
16 -0.104 -0.143 14.281 0.578 a simple vista se puede apreciar que
17 -0.028 -0.049 14.361 0.641
18 0.261 0.185 21.240 0.267 existe un AR (4) y un MA(4).
19 -0.170 -0.091 24.228 0.188
20 -0.071 -0.088 24.756 0.211
21 0.166 0.123 27.716 0.148
22 -0.052 -0.006 28.016 0.175
23 -0.001 -0.013 28.016 0.215
24 0.032 0.030 28.133 0.254
25 -0.087 -0.153 29.013 0.263
26 -0.049 -0.008 29.292 0.298
27 -0.131 -0.011 31.351 0.257
28 0.059 -0.010 31.783 0.283
29 0.105 0.001 33.161 0.271
30 -0.051 0.022 33.492 0.302
31 0.026 -0.032 33.580 0.343
32 -0.050 -0.077 33.911 0.376
 Estimación del modelo
Modelo 1: ARMA(4,4) Modelo 2: ARMA(4,2)
Sample: 2000Q2 2018Q4 Sample: 2000Q2 2018Q4
Included observations: 75 Included observations: 75
Convergence achieved after 179 iterations Convergence achieved after 27 iterations
Coefficient covariance computed using outer product of gradients Coefficient covariance computed using outer product of gradients

Variable Coefficient Std. Error t-Statistic Prob. Variable Coefficient Std. Error t-Statistic Prob.

C 1.593650 0.564718 2.822026 0.0063

C 1.599244 0.605480 2.641282 0.0103
AR(1) -0.101828 0.480348 -0.211987 0.8328
AR(1) 0.164664 0.648415 0.253948 0.8003 AR(2) 0.326166 0.418198 0.779933 0.4382
AR(2) -0.305421 0.431574 -0.707691 0.4817 AR(3) 0.024513 0.104712 0.234100 0.8156
AR(3) -0.101261 0.390684 -0.259189 0.7963 AR(4) -0.224717 0.146651 -1.532324 0.1302
AR(4) 0.188234 0.397858 0.473120 0.6377 MA(1) 0.236426 0.487625 0.484853 0.6294
MA(1) -0.056191 5.968085 -0.009415 0.9925 MA(2) -0.394614 0.496598 -0.794636 0.4296
MA(2) 0.350349 33.78375 0.010370 0.9918 SIGMASQ 20.77932 2.806736 7.403376 0.0000
MA(3) 0.318412 44.86449 0.007097 0.9944
MA(4) -0.608497 115.8918 -0.005251 0.9958 R-squared 0.097329 Mean dependent var 1.561744
SIGMASQ 17.86081 1490.949 0.011979 0.9905 Adjusted R-squared 0.003020 S.D. dependent var 4.830206
S.E. of regression 4.822907 Akaike info criterion 6.091001
Sum squared resid 1558.449 Schwarz criterion 6.338200
R-squared 0.224112 Mean dependent var 1.561744
Log likelihood -220.4126 Hannan-Quinn criter. 6.189705
Adjusted R-squared 0.116681 S.D. dependent var 4.830206 F-statistic 1.032024 Durbin-Watson stat 2.012181
S.E. of regression 4.539672 Akaike info criterion 6.051262 Prob(F-statistic) 0.417348
Sum squared resid 1339.560 Schwarz criterion 6.360260
Log likelihood -216.9223 Hannan-Quinn criter. 6.174641 Inverted AR Roots .54+.39i .54-.39i -.59+.40i -.59-.40i
F-statistic 2.086105 Durbin-Watson stat 1.986826 Inverted MA Roots .52 -.76
Prob(F-statistic) 0.043495
 Estimación del modelo
Modelo 3: ARMA (2,4) Modelo seleccionado:
Utilizando los criterios de Akaike y Schwarz, el menor es ARMA
(2,4)
 Examen de diagnóstico
Sample: 2000Q1 2018Q4
Included observations: 75
Q-s tatistic probabilities adjusted for 6 ARMA terms

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 -0.009 -0.009 0.0058

  Hipotesis:
2 0.035 0.035 0.1015
3 -0.044 -0.043 0.2537
4 0.004 0.002 0.2548
5 0.064 0.067 0.5901
6 -0.114 -0.117 1.6865
7 0.029 0.025 1.7590 0.185
8 0.020 0.035 1.7921 0.408
9 -0.013 -0.027 1.8067 0.613
10 0.082 0.081 2.4001 0.663
t-Statistic Prob.*
11 0.105 0.127 3.3892 0.640
12 -0.092 -0.123 4.1591 0.655 Augmented Dickey-Fuller test statistic -8.553698 0.0000
13 0.057 0.065 4.4634 0.725
14 -0.051 -0.025 4.7052 0.789 Test critical values: 1% level -3.521579
15 0.052 0.014 4.9613 0.838 5% level -2.901217
16 -0.105 -0.093 6.0486 0.811
17 -0.022 0.013 6.0966 0.867
10% level -2.587981
18 0.224 0.202 11.170 0.514
19 -0.149 -0.161 13.454 0.413
20 -0.063 -0.097 13.870 0.459
21 0.098 0.173 14.903 0.458 Se puede observar, que los residuos estimados son de ruido blanco, es
22 0.001 -0.054 14.903 0.532
23 -0.047 -0.109 15.144 0.585 decir, tienen una varianza constante y una media igual a cero y no esta
24
25
0.005
-0.060
0.131
-0.105
15.147
15.568
0.652
0.686
serialmente correlacionado, ya que son mayores a 0.05. Además, los
26 -0.018 -0.107 15.606 0.741 residuos estimados son estacionarios
27 -0.142 -0.017 18.040 0.646
28 0.040 -0.008 18.239 0.692
29 0.111 0.077 19.774 0.655
30 -0.091 -0.022 20.828 0.649
31 -0.005 -0.067 20.832 0.702
32 -0.105 -0.101 22.306 0.672
 Pronóstico

Pronóstico para el periodo 2019