3. 1818240 1786513 1800147 1781728 1855072 1959819
2007M01 2007M02 2007M03 2007M04 2007M05 2007M06
1885174 1896313 1912826 1853606 1864372 1954492
2007M07 2007M08 2007M09 2007M10 2007M11 2007M12
1907388 1951665 2000138 1983615 2063257 2217035
2008M01 2008M02 2008M03 2008M04 2008M05 2008M06
2138543 2113850 2125167 2145223 2145799 2172654
2008M07 2008M08 2008M09 2008M10 2008M11 2008M12
2178254 2163444 2197909 2362796 2422233 2583906
2009M01 2009M02 2009M03 2009M04 2009M05 2009M06
2519350 2468595 2498731 2454860 2454105 2460032
2009M07 2009M08 2009M09 2009M10 2009M11 2009M12
2444632 2396637 2465825 2471928 2492334 2695943
2010M01 2010M02 2010M03 2010M04 2010M05 2010M06
2583338 2540553 2554874 2512326 2539565 2601325
2010M07 2010M08 2010M09 2010M10 2010M11 2010M12
2618459 2651719 2637388 2676571 2713391 2929218
2011M01 2011M02 2011M03 2011M04 2011M05 2011M06
2843256 2866958 2870101 2882235 2855717 2890739
2011M07 2011M08 2011M09
2907163 2944152 3052356
Fuente: CEPAL
ELABORACION PROPIA
2.- Quiebre Estructural:
1. Quiebre estructural
Es necesario determinar la presencia de quiebre estructural y estacionalidad porque de
existir ambos, la serie a trabajar debería modificarse. Para el análisis del quiebre
estructural realizamos el Test de Zivot y para el análisis de estacionalidad realizaremos
los criterios de: Correlograma de los Residuos, grafico de barras, grafico de líneas
apiladas y grafico de líneas separadas.
Cuadro Nº 02
Escalares bestf, bestft, bestfm
Bestf 8252.7224
Posible quiebre en
Bestft 12424.98656 tendencia
Bestfm 3369.94843179
Elaboración propia
Fuente: page ZIVOT1
3
4. (Ver los siguientes gráficos en Eviews: Page:Test_Zivot m1)
GRÁFICO N°1
F1
Fuente: Page Zivot M1
14,000
12,000
10,000
8,000
6,000
4,000
2,000
0
25 50 75 100 125 150 175 200 225 250
F FT FM
ELABORACIÓN PROPIA
Se puede apreciar tanto en el Cuadro N°2 como en el Gráfico N°1 (F1), que existe un
posible quiebre en tendencia mostrado por el apuntamiento de la curva de color rojo
(FT).
4
6. GRÁFICO N° 4
Z
2
1
0
-1
-2
-3
-4
-5
-6
50 75 100 125 150 175 200
ZIVOT VCRIT
Fuente: Page Zivot M1
ELABORACIÓN PROPIA
Los gráficos ZT (tendencia), ZTM (media), Z (totales), muestran la no existencia de
quiebre estructural en la serie M2, en el gráfico ZT en el que debería haber
intercepción entre las líneas para la existencia de quiebre muestran el rechazo de la
hipótesis inicial. En consecuencia se reafirma la no existencia de quiebre estructural
en el gráfico en conjunto el Z.
6
7. 3.- Estacionalidad de la Variable Original (Dinero-M1):
Para verificar la existencia de estacionalidad hacemos uso de los criterios: gráfica de
barras, gráfica de líneas apiladas, gráfica de líneas separadas, correlograma de los
residuos.
Gráfica de Barras : (Ver en Eviews:grafico_barras)
GRÁFICO N° 5
M1
M1
2,000,000
1,600,000
1,200,000
800,000
400,000
0
90 92 94 96 98 00 02 04 06 08 10
Fuente: Page M1
ELABORACIÓN PROPIA
En el gráfico N°5 observamos que no se puede apreciar si existe estacionalidad ya que
en la serie M1 se cuenta con muchos datos y este tipo de gráfico es útil cuando se
cuenta con pocos datos.
7
8. Gráfica de Líneas Apiladas: (Ver en Eviews:lineas_apiladas)
GRÁFICO N°6
M1
M1 by Season
2,000,000
1,600,000
1,200,000
800,000
400,000
0
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Means by Season
Fuente: Page M1
ELABORACIÓN PROPIA
En el gráfico N°6 de líneas apiladas podemos observar el comportamiento de cada
mes, y vemos que el comportamiento es similar, es decir las medias son casi iguales;
por lo que se puede concluir que la serie dinero no presenta estacionalidad.
8
9. Gráfica de Líneas Separadas: (Ver en Eviews:lineas_separadas)
GRÁFICO N°7
M1
M1 by Season
2,000,000
1,600,000 Jan
Feb
Mar
1,200,000 Apr
May
Jun
Jul
800,000 Aug
Sep
Oct
Nov
400,000 Dec
0
90 92 94 96 98 00 02 04 06 08 10
Fuente: Page M1
ELABRACIÓN PROPIA
En el gráfico N°7 de líneas separadas se observa el comportamiento de cada mes, este
comportamiento es similar por lo que se puede concluir que la serie dinero (M1) no
presenta estacionalidad.
9
11. Con respecto al correlograma de los residuos en donde se analiza la función de
autocorrelación, la que mide la correlación entre los valores de la serie distanciados
un lapso de tiempo k, con 25 retardos llegamos a la conclusión de que el
comportamiento del coeficiente de autocorrelación de la liquidez monetaria no
presenta picos. Por lo tanto concluimos que este no es estacional.
Por tanto ante el análisis de que la serie dinero (M1) no presenta quiebre estructural
ni estacionalidad se prosigue con la misma serie con la metodología de Box Jenkins
para realizar la construcción del Modelo Arima. Otra aclaración importante es que la
presente serie no presenta efecto calendario debido a la no estacionalidad de la misma
y asimismo por tratarse de una variable agregada y no de un simple producto.
II. IDENTIFICACIÓN
Serie: Dinero (M1) de México en Millones de Unidades en Moneda Nacional.
1.- Seleccionar d:
a.- Ploteo de la Serie con Respecto a su Media.- (Ver en Eviews:
plot_m1_media)
GRÁFICO N°8
DINERO (M1) Y SU MEDIA
1,600,000
1,400,000
1,200,000
1,000,000
800,000
600,000
400,000
200,000
0
92 94 96 98 00 02 04 06 08 10
M1 @MEAN(M1,"1991m02 2010m09")
Fuente: Page M2
ELABORACIÓN PROPIA
11
12. El gráfico N°8 muestra que la serie no está oscilando entorno a la media lo que es
un indicador de que la serie es no estacionaria en su media. Luego pasamos a
corroborar con el correlograma.
b.- Correlograma de la Serie.- (Ver en Eviews: COR_EST_M1)
CUADRO N°4
CORRELOGRAMA DE LA SERIE
Date: 12/05/12 Time: 10:18
Sample: 1991M02 2010M09
Included observations: 236
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
.|******* .|******* 1 0.984 0.984 231.26 0.000
.|******* .|. | 2 0.968 0.023 456.33 0.000
.|******* .|. | 3 0.954 0.009 675.50 0.000
.|******* .|. | 4 0.939 -0.005 888.85 0.000
.|******* .|. | 5 0.925 0.027 1096.9 0.000
.|******* .|. | 6 0.912 0.021 1300.2 0.000
.|******| .|. | 7 0.898 -0.060 1497.8 0.000
.|******| .|. | 8 0.883 -0.003 1690.0 0.000
.|******| .|. | 9 0.869 -0.002 1876.9 0.000
.|******| .|. | 10 0.853 -0.056 2057.8 0.000
.|******| .|* | 11 0.841 0.107 2234.5 0.000
.|******| .|. | 12 0.830 0.019 2407.3 0.000
Fuente: Page M1
ELABORACIÓN PROPIA
Podemos observar en el correlograma que los coeficientes de AC no caen
rápidamente a cero, lo que significa que la serie M1 no es estacionaria.
c.- Primer Coeficiente Autocorrelación Parcial.-
Examinando el primer coeficiente de autocorrelación parcial del dinero(M1) es
significativo (0.984 0.9), entonces M1 no es estacionario.
12
13. Como el dinero (M1) no es estacionario, tenemos que examinar la primera
diferencia de la serie y repetir el procedimiento de Box Jenkins
Serie: Primera Dinero ( M1) de México en Millones de Unidades en Moneda
Nacional.
a.- Ploteo de la Serie con Respecto a su Media.- (Ver en Eviews:)
GRÁFICO N°9
PRIMERA DIFERENCIA DINERO (D (M1)) Y SU MEDIA
280,000
240,000
200,000
160,000
120,000
80,000
40,000
0
-40,000
-80,000
-120,000
92 94 96 98 00 02 04 06 08 10
D(M2)
@MEAN(D(M2),"1991m02 2010m09")
Fuente: Page M2
ELABORACIÓN PROPIA
Si observamos el ploteo de la primera diferencia de la liquidez monetaria (M2) se
visualiza que oscila alrededor de su media, por tanto es estacionario.
13
14. b.- Correlograma de la Primera Diferencia.- (Ver en Eviews: corr_est01)
CUADRO N°5
CORRELOGRAMA DE LA PRIMERA DIFERENCIA
Date: 12/05/12 Time: 10:20
Sample: 1991M02 2010M09
Included observations: 236
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
*|. | *|. | 1 -0.168 -0.168 6.7854 0.009
*|. | *|. | 2 -0.124 -0.157 10.469 0.005
.|. | .|. | 3 0.019 -0.033 10.561 0.014
*|. | *|. | 4 -0.149 -0.180 15.909 0.003
.|. | *|. | 5 -0.039 -0.114 16.274 0.006
.|** | .|* | 6 0.232 0.167 29.422 0.000
.|. | .|. | 7 -0.055 -0.002 30.153 0.000
*|. | *|. | 8 -0.134 -0.129 34.562 0.000
.|. | .|. | 9 0.008 -0.065 34.578 0.000
*|. | *|. | 10 -0.127 -0.132 38.566 0.000
*|. | *|. | 11 -0.109 -0.194 41.513 0.000
.|***** | .|***** | 12 0.745 0.691 180.61 0.000
Fuente: Page M1
ELABORACIÓN PROPIA
Podemos observar en el correlograma de la primera diferencia que los coeficientes
de AC caen rápidamente a cero, lo que significa que la primera diferencia de la
serie M2 es estacionaria.
c.- Primer Coeficiente Autocorrelación Parcial.-
Examinando el primer coeficiente de autocorrelación parcial de la primera
diferencia de(M1) es significativo (-0.168 0.9), entonces la primera diferencia de
la liquidez monetaria (M1) es estacionario.
…Por lo tanto el valor de d es igual a uno.
14
15. 2.- Determinar :
La primera diferencia de un determinado orden es suficiente en muchos casos para
obtener series estacionarias en media y varianza.
En series económicas que se extienden a lo largo de un periodo dilatado de tiempo y
que están afectados por una fuerte tendencia, suele ser necesario efectuar además
alguna transformación instantánea del tipo Box-Cox, para obtener una serie
estacionaria en varianza y que al mismo tiempo tenga una distribución normal.
(Ver en Eviews: )
GRÁFICO N°10
DIFERENCIA DE LIQUIDEZ MONETARIA (M2) EN SÍMBOLOS
80,000
70,000
60,000
50,000
DT
40,000
30,000
20,000
10,000
0
0 5,000 10,000 15,000 20,000 25,000
MEDIA
Fuente: Page M2
ELABORACIÓN PROPIA
Se puede observar en el gráfico de la primera diferencia del dinero (M1) no
es estacionaria en varianza. Por lo que su valor de es diferente a 1.
15
16. Entonces se tiene que corroborar con el gráfico rango media.
Gráfico Rango Media.- (Ver en Eviews: Page: Rango Media)
GRÁFICO N°11
RANGO MEDIA
80,000
70,000
60,000
50,000
DT
40,000
30,000
20,000
10,000
0
0 5,000 10,000 15,000 20,000 25,000
MEDIA
Fuente: Page Rango Media
ELABORACIÓN PROPIA
Se puede apreciar en el gráfico de la dispersión de la media y la desviación estándar
del dinero que aparentemente es estacionaria porque la nube de puntos se puede
aproximar a una línea horizontal, por lo que el valor de sería 1.
Para verificar esto realizamos la regresión de la desviación estándar de la primera
diferencia de la serie en función a la media de la misma, se obtiene:
Dt 0 1 Media t
16
17. Tenemos que estimar en Eviews ls dt c media y a partir de este resultado
corroborar si es estacionaria en varianza. (Ver en Eviews la estimación:
Page Rango Media)
CUADRO N°5
ESTACIONARIEDAD EN VARIANZA
Dependent Variable: DT
Method: Least Squares
Date: 12/05/12 Time: 10:31
Sample: 1 241 IF DT>0
Included observations: 19
Variable Coefficient Std. Error t-Statistic Prob.
C 2325.383 3480.389 0.668139 0.5130
MEDIA 3.579972 0.437005 8.192069 0.0000
R-squared 0.797884 Mean dependent var 24888.36
Adjusted R-squared 0.785995 S.D. dependent var 20048.46
S.E. of regression 9274.561 Akaike info criterion 21.20724
Sum squared resid 1.46E+09 Schwarz criterion 21.30665
Log likelihood -199.4688 Hannan-Quinn criter. 21.22406
F-statistic 67.11000 Durbin-Watson stat 1.015267
Prob(F-statistic) 0.000000
ELABORACIÓN PROPIA
Realizamos la siguiente hipótesis:
: =0 La Serie es Estacionaria en Varianza
: 0 La Serie no es Estacionaria en Varianza
17
18. Se ve que la probabilidad es menor a 0.05 (0.0000 0.05) por lo que se rechaza , es
decir la serie no es estacionaria en varianza. Por lo que el valor de es diferente a
uno.
Ante esto tenemos que generar el logaritmo de la serie: (Ver en Eviews: Page
M2:logn1) para seguir con el trabajo.
SHOW LOG (M1)
3.- Identificar p y q:
La identificación del proceso estocástico consiste en comparar el comportamiento de
las funciones de autocorrelación muestral con las funciones de autocorrelación
teóricas correspondientes a distintos modelos teóricos con los que pueden guardar
similitud, teniendo en cuenta que nunca cabe esperar una similitud perfecta debido a
errores de muestreo. Para este caso como se han tomado 13 periodos de retardos, por
tanto se consideran 12 rezagos para el correlograma, y a partir de esto visualizar con
el Test de Anderson; es decir determinar una banda, en donde se aprecie que valores
la sobrepasan.
En esta serie (logn1) el valor de la banda es de 0.127585 (Ver en Eviews: Page M1:
Date: 12/05/12 Time: 10:41
Sample: 1991M02 2010M09
Included observations: 236
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
.|. | .|. | 1 0.019 0.019 0.0839 0.772
.|. | .|. | 2 0.017 0.017 0.1566 0.925
.|. | .|. | 3 -0.045 -0.046 0.6500 0.885
*|. | *|. | 4 -0.126 -0.125 4.5100 0.341
.|. | .|. | 5 -0.020 -0.015 4.6089 0.465
.|* | .|* | 6 0.180 0.187 12.534 0.051
.|. | .|. | 7 0.007 -0.009 12.545 0.084
*|. | *|. | 8 -0.104 -0.140 15.225 0.055
.|. | .|. | 9 -0.039 -0.027 15.605 0.076
*|. | *|. | 10 -0.125 -0.070 19.518 0.034
*|. | *|. | 11 -0.103 -0.107 22.188 0.023
.|**** | .|**** | 12 0.609 0.605 115.18 0.000
18
19. banda) el que fue generado a partir de banda=1.96/sqr (236).Ver en
Eviews:determinar pyq
Del correlograma parcial deducimos que los coeficientes de autocorrelación parcial
significativos o que sobrepasan el valor de 0.127585 son el sexto,octavo y doceavo
Apreciando el correlograma simple también podemos deducir que los coeficientes de
autocorrelación simple significativos o que sobrepasan el valor de 0.127585 son: el
sexto y el doce.
Por lo tanto hemos identificado un Modelo ARIMA (12, 1,12).
4.- Determinar Intercepto:
Se tiene que los datos de una serie proceden de un muestreo aleatorio simple sobre
una población normal, es decir, si los datos constituyen una realización de un proceso
de Ruido Blanco con media distinta de cero, entonces el contraste es:
La hipótesis es:
H0 : 0
H1 : 0
El estadístico es:
y
t t 0.05(T 1)
2
sy
T 1
Si el estadístico es menor que el de tabla entonces se acepta la hipótesis nula, o
viceversa.
Cuando los datos están autocorrelacionados, como ocurre en un proceso ARIMA, dicho
estimador no resulta valido por ser inconsistente. En este caso, el estimador de la
varianza de la media muestral puede aproximarse mediante la siguiente expresión:
19
20. 2
sy
* (1 2 p1 2 p2 ................. 2 pk )
T
Seleccionado k de forma que se incluyan los coeficientes de autocorrelacion simple
que sean significativos.
Cuando se obtiene un resultado negativo no es aplicable.
Para nuestro trabajo seleccionamos del correlograma de log (M1) (Ver en Eviews:
Page M1: )
Hypothesis Testing for LOGN1
Date: 12/05/12 Time: 11:39
Sample: 1991M02 2010M09
Included observations: 236
Test of Hypothesis: Mean = 0.000000
Sample Mean = 12.79171
Sample Std. Dev. = 0.923747
Method Value Probability
t-statistic 212.7314 0.0000
: D (ln (M2))=0 no tiene intercepto
: D (ln (M2)) 0 tiene intercepto
212.73 1.970110 Rechazo
Como se rechaza , significa que el Modelo Arima (12, 1,12) tiene intercepto.
20
21. III. ESTIMACIÓN
Estimación del Modelo Arima
Siendo los Periodos:
- Periodo Retardo: 1990:01 1991:01
- Periodo Estimación: 1991:02 2010:09
- Periodo Predicción: 2010:10 2011:09
El objetivo de esta es hallar un vector de parámetros autorregresivos
( 1 , 2 ,......., p ) y un vector de parámetros de media móvil
( 1 , 2 ,......., q ) que minimicen la suma de los cuadrados de los errores.
T
2
s( , ) t
t 1
La estimación del modelo ARIMA es difícil puesto que:
t ( B) 1 ( ( B) d
Yt )
1. Existe no linealidad respecto a los parámetros, entonces hay que usar en
método iterativo de estimación no lineal; como por ejemplo mínimos
cuadrados no lineales.
2. El primer término de error de la serie depende de los valores pasados y no
observados tanto de la serie como de los residuos, entonces hay que usar algún
método para “iniciar” la serie antes de aplicar el proceso de estimación no
lineal.
21
22. Vamos a estimar el modelo identificado en la primera etapa (identificación)
ARIMA (12, 1,12) con intercepto.
En Eviews: (Ver en Page M1: mod_arima_12112)
ls d(logn1) c ar(6) ar(8) ar(12) ma(6) ma(12)
CUADRO N°7
ARIMA (12, 1, 12)
Dependent Variable: D(LOGN1)
Method: Least Squares
Date: 12/08/12 Time: 06:44
Sample: 1991M02 2010M09
Included observations: 236
Convergence achieved after 10 iterations
MA Backcast: 1990M02 1991M01
Variable Coefficient Std. Error t-Statistic Prob.
C 0.001714 0.011450 0.149654 0.8812
AR(6) -0.033721 0.024965 -1.350731 0.1781
AR(8) 0.002410 0.018632 0.129364 0.8972
AR(12) 0.896772 0.025186 35.60645 0.0000
MA(6) 0.190214 0.064269 2.959648 0.0034
MA(12) -0.569183 0.063242 -9.000031 0.0000
R-squared 0.632915 Mean dependent var 0.014959
Adjusted R-squared 0.624935 S.D. dependent var 0.053372
S.E. of regression 0.032686 Akaike info criterion -3.978623
Sum squared resid 0.245732 Schwarz criterion -3.890559
Log likelihood 475.4775 Hannan-Quinn criter. -3.943123
F-statistic 79.31146 Durbin-Watson stat 1.559272
Prob(F-statistic) 0.000000
Inverted AR Roots .99 .86+.50i .86-.50i .49+.86i
.49-.86i .00-.99i .00+.99i -.49-.86i
-.49+.86i -.86+.50i -.86-.50i -.99
Inverted MA Roots .93 .84+.49i .84-.49i .47-.81i
.47+.81i .00+.97i -.00-.97i -.47-.81i
-.47+.81i -.84+.49i -.84-.49i -.93
Fuente: Page M1- Modelo Arima
ELABORACIÓN PROPIA
22
23. Comprobamos:
- Converge
- Número de Iteraciones es menor al número de observaciones (10 236)
- Es Estacionaria
Aparte de esto tenemos que verificar dos cosas:
a.- Las Condiciones de Estacionalidad e Invertibilidad del Modelo.
b.- Perturbaciones sean Ruido Blanco.
a.- Condiciones de Estacionalidad e Invertibilidad del Modelo.-
Esto se ve de acuerdo a las raíces características del polinomio:
Se debe cumplir:
Raíces Características de Polinomio 1
Observamos en la parte última de la estimación del Modelo Arima (12, 1, 12) que las
raíces características si son menores a 1 en términos absolutos, por tanto si cumple la
condición de estacionalidad e invertibilidad del modelo estimado.
Otras formas de verificar que se cumplan las condiciones de estacionalidad e
invertibilidad del modelo estimado son haciendo uso de un Gráfico y de las Columnas
de Modulus. (Ver en Eviews: Page M2: cond_inver_arima_12112)
GRÁFICO N°12
CONDICIONES ESTACIONALIDAD E INVERTIBILIDAD
Inverse Roots of AR/MA Polynomial(s)
1.5
1.0
0.5
AR roots 0.0
MA roots
-0.5
-1.0
-1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
23
24. Fuente: Page M1-Modelo Arima 12, 1, 12
Podemos observar en el gráfico que si se cumple las condiciones de estacionalidad e
invertibilidad del modelo estimado (Modelo Arima 12, 1, 12 con intercepto), ya que
los puntos rojos que vienen ha ser las raíces características están dentro del círculo.
Y la otra manera de verificar que se cumplan estas condiciones es a través de las
columnas modulus. (Ver en Eviews: Page M2: cond_estac_arima_1212).
CUADRO N°8
CONDICIONES ESTACIONALIDAD E INVERTIBILIDAD
Inverse Roots of AR/MA Polynomial(s)
Specification: D(LOGN1) C AR(6) AR(8) AR(12) MA(6)
MA(12)
Date: 12/08/12 Time: 06:53
Sample: 1991M02 2010M09
Included observations: 236
AR Root(s) Modulus Cycle
-6.59e-17 ± 0.994120i 0.994120 4.000000
-0.860563 ± 0.497060i 0.993800 2.400171
0.860563 ± 0.497060i 0.993800 11.99574
-0.988240 0.988240
0.988240 0.988240
0.494120 ± 0.855469i 0.987918 6.001079
-0.494120 ± 0.855469i 0.987918 2.999730
No root lies outside the unit circle.
ARMA model is stationary.
MA Root(s) Modulus Cycle
1.80e-16 ± 0.974328i 0.974328 4.000000
0.843793 ± 0.487164i 0.974328 12.00000
-0.843793 ± 0.487164i 0.974328 2.400000
-0.934337 0.934337
0.934337 0.934337
-0.467169 ± 0.809160i 0.934337 3.000000
0.467169 ± 0.809160i 0.934337 6.000000
No root lies outside the unit circle.
ARMA model is invertible.
24
25. Fuente: Page M2- Modelo Arima 12, 1, 12
ELABORACIÓN PROPIA
Podemos observar en el cuadro que los coeficientes de la columna de Modulus son
menores a 1, por tanto se cumple las condiciones de estacionalidad e invertibilidad del
modelo estimado (Modelo Arima 12, 1, 12 con intercepto).
25
27. ELABORACIÓN PROPIA
: = =0 Existe Ruido Blanco
: 0 No Existe Ruido Blanco
Podemos darnos cuenta en el correlograma que si existe Ruido Blanco ya que los
valores de los coeficientes caen dentro de los intervalos o bandas, es decir son no
significativos, por tanto se acepta .
27
28. PROCESO DE PARSIMONIA:
Consiste en eliminar las variables tanto AR y MA que no son significativos dentro del
modelo. Se eliminan por orden; es decir se comienza con las menos significativas. Para
nuestro trabajo las variables que no son significativas son: AR (3), AR(6), MA(3).
PRIMERO: Procederemos a Eliminar la variable AR (3) cuya probabilidad es de
0.5070 y es la menos significativa. Obteniendo a partir de la estimación nueva lo
siguiente: (Ver en Eviews: Page M2: modarima12112a).
CUADRO N°10
ARIMA ELIMINADO AR (8)
Dependent Variable: D(LOGN1)
Method: Least Squares
Date: 12/08/12 Time: 07:18
Sample: 1991M02 2010M09
Included observations: 236
Convergence achieved after 9 iterations
MA Backcast: 1990M02 1991M01
Variable Coefficient Std. Error t-Statistic Prob.
C 0.001992 0.010917 0.182454 0.8554
AR(6) -0.033675 0.024909 -1.351918 0.1777
AR(12) 0.896387 0.024905 35.99164 0.0000
MA(6) 0.189615 0.064114 2.957443 0.0034
MA(12) -0.568912 0.062849 -9.052065 0.0000
R-squared 0.632888 Mean dependent var 0.014959
Adjusted R-squared 0.626531 S.D. dependent var 0.053372
S.E. of regression 0.032617 Akaike info criterion -3.987024
Sum squared resid 0.245750 Schwarz criterion -3.913638
Log likelihood 475.4688 Hannan-Quinn criter. -3.957441
F-statistic 99.55883 Durbin-Watson stat 1.557852
Prob(F-statistic) 0.000000
Inverted AR Roots .99 .86+.50i .86-.50i .49+.86i
.49-.86i .00-.99i .00+.99i -.49-.86i
-.49+.86i -.86+.50i -.86-.50i -.99
Inverted MA Roots .93 .84+.49i .84-.49i .47-.81i
.47+.81i .00+.97i -.00-.97i -.47-.81i
-.47+.81i -.84+.49i -.84-.49i -.93
Fuente: Page M1- Modelo Arima
ELABORACIÓN PROPIA
28
29. a.- Condiciones de Estacionalidad e Invertibilidad del Modelo.-
Esto se ve de acuerdo a las raíces características del modelo:
Se debe cumplir:
Raíces Características de Polinomio 1
Observamos en la parte última de la estimación del Modelo Arima (12, 1, 12)
eliminado AR(3) que las raíces características si son menores a 1 en términos
absolutos, por tanto si cumple la condición de estacionalidad e invertibilidad del
modelo estimado.
Otras formas de verificar que se cumplan las condiciones de estacionalidad e
invertibilidad del modelo estimado son haciendo uso de un Gráfico y de las Columnas
de Modulus. (Ver en Eviews: Page M1: )
GRÁFICO N°13
CONDICIONES ESTACIONALIDAD E INVERTIBILDAD
Inverse Roots of AR/MA Polynomial(s)
1.5
1.0
0.5
AR roots 0.0
MA roots
-0.5
-1.0
-1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Fuente: Page M2-Modelo Arima 12, 1, 12 a
ELABORACIÓN PROPIA
29
30. Podemos observar en el gráfico que si se cumple las condiciones de estacionalidad e
invertibilidad del modelo estimado (Modelo Arima 12, 1, 12 a con intercepto), ya que
los puntos rojos que vienen ha ser las raíces características están sobre el círculo.
Y la otra manera de verificar que se cumplan estas condiciones es a través de las
columnas modulus. (Ver en Eviews: Page M1).
CUADRO N°11
CONDICIONES ESTCIONALIDAD E INVERTIBILIDAD
Inverse Roots of AR/MA Polynomial(s)
Specification: D(LOGN1) C AR(6) AR(12) MA(6) MA(12)
Date: 12/08/12 Time: 07:22
Sample: 1991M02 2010M09
Included observations: 236
AR Root(s) Modulus Cycle
0.860714 ± 0.496934i 0.993867 12.00000
-0.860714 ± 0.496934i 0.993867 2.400000
8.11e-17 ± 0.993867i 0.993867 4.000000
0.987994 0.987994
0.493997 ± 0.855628i 0.987994 6.000000
-0.493997 ± 0.855628i 0.987994 3.000000
-0.987994 0.987994
No root lies outside the unit circle.
ARMA model is stationary.
MA Root(s) Modulus Cycle
6.77e-17 ± 0.974230i 0.974230 4.000000
0.843708 ± 0.487115i 0.974230 12.00000
-0.843708 ± 0.487115i 0.974230 2.400000
-0.467178 ± 0.809177i 0.934357 3.000000
-0.934357 0.934357
0.467178 ± 0.809177i 0.934357 6.000000
0.934357 0.934357
Fuente: Page M1-Modelo Arima 12, 1, 12 a
ELABORACIÓN PROPIA
Podemos observar en el cuadro que los coeficientes de la columna de Modulus son
menores a 1, por tanto se cumple las condiciones de estacionalidad e invertibilidad del
modelo estimado (Modelo Arima 12, 1, 12 a con intercepto).
30
31. b.- Perturbaciones sean Ruido Blanco.-
Para esto utilizamos el correlograma Q-Statitic: (Ver en Eviews: Page M1).
CUADRO N°12
PERTURBACIONES SEAN RUIDO BLANCO
Date: 12/08/12 Time: 07:25
Sample: 1991M02 2010M09
Included observations: 236
Q-statistic
probabilities adjusted
for 4 ARMA term(s)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
.|** | .|** | 1 0.221 0.221 11.638
.|* | .|* | 2 0.126 0.081 15.445
.|* | .|. | 3 0.105 0.065 18.090
.|. | .|. | 4 0.020 -0.025 18.185
.|. | .|. | 5 0.033 0.020 18.455 0.000
.|. | .|. | 6 0.041 0.027 18.863 0.000
.|. | .|. | 7 0.035 0.020 19.164 0.000
.|. | .|. | 8 0.017 -0.004 19.232 0.001
.|. | .|. | 9 0.012 -0.000 19.266 0.002
*|. | *|. | 10 -0.071 -0.083 20.510 0.002
.|. | .|. | 11 0.034 0.066 20.798 0.004
.|. | .|. | 12 -0.028 -0.039 20.988 0.007
Fuente: Page M1- Modelo Arima 12, 1, 12 a
ELABORACIÓN PROPIA
: = =0 Existe Ruido Blanco
: 0 No Existe Ruido Blanco
Podemos darnos cuenta en el correlograma que si existe Ruido Blanco ya que los
valores de los coeficientes caen dentro de los intervalos o bandas, es decir son no
significativos, por tanto se acepta .
31
32. SEGUNDO: Procederemos a Eliminar la variable AR (6) cuya probabilidad es de
Obteniendo a partir de la estimación nueva lo siguiente: (Ver en Eviews: Page M1:
modarima12112b).
CUADRO N°13
ARIMA ELIMINADO AR (8)
Dependent Variable: D(LOGN1)
Method: Least Squares
Date: 12/08/12 Time: 07:29
Sample: 1991M02 2010M09
Included observations: 236
Convergence achieved after 10 iterations
MA Backcast: 1990M02 1991M01
Variable Coefficient Std. Error t-Statistic Prob.
C -0.003786 0.013968 -0.271072 0.7866
AR(12) 0.904192 0.023472 38.52214 0.0000
MA(6) 0.139127 0.053741 2.588831 0.0102
MA(12) -0.576556 0.061487 -9.376920 0.0000
R-squared 0.630170 Mean dependent var 0.014959
Adjusted R-squared 0.625388 S.D. dependent var 0.053372
S.E. of regression 0.032667 Akaike info criterion -3.988123
Sum squared resid 0.247569 Schwarz criterion -3.929414
Log likelihood 474.5985 Hannan-Quinn criter. -3.964457
F-statistic 131.7718 Durbin-Watson stat 1.549065
Prob(F-statistic) 0.000000
Inverted AR Roots .99 .86+.50i .86-.50i .50+.86i
.50-.86i .00-.99i -.00+.99i -.50+.86i
-.50-.86i -.86+.50i -.86-.50i -.99
Inverted MA Roots .94 .84+.48i .84-.48i .47-.81i
.47+.81i -.00+.97i -.00-.97i -.47-.81i
-.47+.81i -.84+.48i -.84-.48i -.94
Fuente: Page M1-Modelo Arima 12, 1, 12 B
ELABORACIÓN PROPIA
32
33. a.- Condiciones de Estacionalidad e Invertibilidad del Modelo.-
Esto se ve de acuerdo a las raíces características del modelo:
Se debe cumplir:
Raíces Características de Polinomio 1
Observamos en la parte última de la estimación del Modelo Arima (12, 1, 12)
eliminado AR(6) que las raíces características si son menores a 1 en términos
absolutos, por tanto si cumple la condición de estacionalidad e invertibilidad del
modelo estimado.
Otras formas de verificar que se cumplan las condiciones de estacionalidad e
invertibilidad del modelo estimado son haciendo uso de un Gráfico y de las Columnas
de Modulus. (Ver en Eviews: Page M1)
GRÁFICO N°14
CONDICIONES ESTACIONALIDAD INVERTIBILIDAD
Inverse Roots of AR/MA Polynomial(s)
1.5
1.0
0.5
AR roots 0.0
MA roots
-0.5
-1.0
-1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Fuente: Page M2- Modelo Arima 12, 1, 12 b
ELABORACIÓN PROPIA
33
34. Podemos observar en el gráfico que si se cumple las condiciones de estacionalidad e
invertibilidad del modelo estimado (Modelo Arima 12, 1, 12 b con intercepto), ya que
los puntos rojos que vienen ha ser las raíces características están sobre el círculo.
Y la otra manera de verificar que se cumplan estas condiciones es a través de las
columnas modulus. (Ver en Eviews: Page M1).
CUADRO N°14
CONDICIONES ESTACIONALIDAD E INVERTIBILIDAD
Inverse Roots of AR/MA Polynomial(s)
Specification: D(LOGN1) C AR(12) MA(6) MA(12)
Date: 12/08/12 Time: 07:33
Sample: 1991M02 2010M09
Included observations: 236
AR Root(s) Modulus Cycle
-0.495821 ± 0.858787i 0.991642 3.000000
-0.858787 ± 0.495821i 0.991642 2.400000
0.858787 ± 0.495821i 0.991642 12.00000
0.495821 ± 0.858787i 0.991642 6.000000
-0.991642 0.991642
0.991642 0.991642
1.74e-16 ± 0.991642i 0.991642 4.000000
No root lies outside the unit circle.
ARMA model is stationary.
MA Root(s) Modulus Cycle
3.47e-17 ± 0.969822i 0.969822 4.000000
-0.839891 ± 0.484911i 0.969822 2.400000
0.839891 ± 0.484911i 0.969822 12.00000
0.940694 0.940694
-0.940694 0.940694
-0.470347 ± 0.814665i 0.940694 3.000000
0.470347 ± 0.814665i 0.940694 6.000000
No root lies outside the unit circle.
ARMA model is invertible.
Fuente: Page M2- Modelo Arima 12, 1, 12 b
ELABORACIÓN PROPIA
Podemos observar en el cuadro que los coeficientes de la columna de Modulus todos
son menores a 1, por tanto se cumple las condiciones de estacionalidad e
invertibilidad del modelo estimado (Modelo Arima 12, 1, 12 b con intercepto).
34
35. b.- Perturbaciones sean Ruido Blanco.-
Para esto utilizamos el correlograma Q-Statitic: (Ver en Eviews: Page M1).
CUADRO N°15
PERTURBACIONES SEAN RUIDO BLANCO
Date: 12/08/12 Time: 07:34
Sample: 1991M02 2010M09
Included observations: 236
Q-statistic
probabilities adjusted
for 3 ARMA term(s)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
.|** | .|** | 1 0.225 0.225 12.112
.|* | .|* | 2 0.133 0.087 16.372
.|* | .|. | 3 0.103 0.059 18.919
.|. | .|. | 4 0.035 -0.009 19.219 0.000
.|. | .|. | 5 0.059 0.041 20.080 0.000
.|. | .|. | 6 0.057 0.031 20.869 0.000
.|. | .|. | 7 0.054 0.028 21.575 0.000
.|. | .|. | 8 0.027 -0.004 21.750 0.001
.|. | .|. | 9 0.010 -0.008 21.774 0.001
.|. | *|. | 10 -0.061 -0.075 22.699 0.002
.|. | .|. | 11 0.041 0.068 23.120 0.003
.|. | .|. | 12 -0.025 -0.041 23.275 0.006
Fuente: Page M2- Modelo Arima 12, 1, 12 b
ELABORACIÓN PROPIA
: = =0 Existe Ruido Blanco
: 0 No Existe Ruido Blanco
Podemos darnos cuenta en el correlograma que si existe Ruido Blanco ya que los
valores de los coeficientes caen dentro de los intervalos o bandas, es decir son no
significativos, por tanto se acepta .
35
36. IV. VALIDACIÓN
Si el modelo estimado superase satisfactoriamente las etapas del proceso
de validación, se estaría en condiciones de utilizarlo en la predicción de
valores futuros de la variable.
1° Análisis de los Residuos.-
1.1. Análisis de los Coeficientes de Autocorrelación Simple:
(A) .- Anderson
Según ha demostrado Anderson (1942) los coeficientes de autocorrelación
muestrales procedentes de un proceso de ruido blanco se distribuyen, en muestras
grandes de la siguiente forma:
Siendo la
= no es ruido blanco
Generamos Genr Ande= 1.96/sqr (236), del que obtenemos el valor 0.127585.
Comparando con los valores y (autocorrelación simple muestral (AC)) y los
coeficientes de autocorrelación parcial muestral, respectivamente) del cuadro ARIMA
Final (Ver en Eviews: corr_mod12112b) concluimos que no todos son menores al
Anderson y por tanto aceptamos la hipótesis nula de existencia de ruido blanco en los
errores.
36
37. (B).- Pankratz
En la práctica, se construyen bandas de confianza utilizando la distribución de una
variable ruido blanco cuya varianza aproximada viene dada por 1/T.
Sin embargo, este valor no constituye una buena aproximación ya que la distribución
no es aplicable a los coeficientes de autocorrelacion de una serie de residuos,
especialmente en los retardos de orden bajo.
Pankratz (1983) considera que bajo las hipótesis:
HO: t es un ruido blanco
H1: t no es ruido blanco
Si tenemos que:
1.25
k T 1.25 O en todo caso k Para k=1, 2,3.
T
1.60
k T 1.60 O en todo caso k Para k 4
T
Por lo tanto, se acepta la Hipótesis Nula.
(Ver en Eviews- Page M2: data pan1, datapan2)
Genr Pan1=1.25/sqr(236)=0.081368, para k=1,2,3; lo cual en el correlograma de
la estimación Modelo Arima 12, 1, 12 C se observa que no cumple la condición ya
que los tres primeros AC y PAC no son menores a 0.081368.
37