Vous êtes sur la page 1sur 14

-1-

Tema 3- Descomposicin de Series Temporales Componentes de una serie temporal En el tema 2 se indic que en una serie temporal pueden distinguirse diversos patrones de comportamiento. Los mtodos de descomposicin postulan que los valores de una serie temporal resultan de integrar dichos patrones de comportamiento que deben ser integrados de modo adecuado. En principio, se supone que en cada instante t el valor de la serie temporal resulta de integrar los siguientes 4 componentes, que aprenderemos a estimar en este tema: Tendencia (secular)-Tt: tambin se denomina movimiento regular a largo plazo, representa la evolucin a largo plazo de la serie. Factor cclico- Ct: tambin se denomina movimiento oscilatorio. Son fluctuaciones a medio plazo en torno a la tendencia. La duracin (amplitud o perodo) de los ciclos presenta cierta regularidad (esta amplitud se mide desde un pico al siguiente pico, o desde un valle al siguiente valle). La duracin del ciclo no se mantiene constante, aunque se entiende que el periodo de cada ciclo es superior al ao. Se debe a cambios de actividad econmica. En la prctica resulta difcil separar Tt de Ct de ah que se suelan englobar ambos componentes en uno solo denominado componente tendencia-ciclo, el cual refleja los cambios de nivel (altura del grfico de secuencia) a lo largo de la evolucin de la serie. Estacionalidad o componente estacional- Et: son oscilaciones de la serie dentro de un mismo ao (a diferencia del factor cclico, son oscilaciones a corto plazo) alrededor de la tendencia que se repiten, de modo similar, en aos sucesivos. El periodo es igual o inferior a un ao. Las razones de la estacionalidad son de tipo fsico-natural (tiempo meteorolgico, ciclos biolgicos...) y de tipo institucional (vacaciones escolares, festividades, horarios comerciales). Movimiento irregular- It: son variaciones de la serie no recogidas por las anteriores. Tiene un carcter residual. Se puede descomponer, a su vez, en dos partes: Componente aleatoria-t: recoge pequeos efectos accidentales. Componente errtica: consecuencia de hechos no siempre previsibles pero que pueden ser identificados a posteriori (huelgas, catstofres, cambios polticos...). Supondremos que It est formado solamente por la componente aleatoria t. En el anlisis clsico se postula que t es una sucesin de variables aleatorias incorreladas, con media cero y varianza constante que se distribuyen normalmente. Una sucesin de variables aleatorias que satisfaga las condiciones anteriores se denomina ruido blanco, como se estudi en el tema anterior. En definitiva se tiene Yt=patrones de comportamiento+componente aleatoria Para poder aislar los distintos componentes existen diferentes alternativas, que estudiaremos en este tema. Los mtodos de descomposicin son los ms antiguos que existen en el anlisis de series temporales y tambin se estudian bajo el nombre Anlisis Clsico de Series Temporales. Los mtodos de descomposicin se originaron por dos razones:

-2-

Para estudiar la correlacin serial entre variables, pero esto exiga eliminar cualquier relacin espuria que pudiera existir, en particular, se deba eliminar la tendencia. Observa el siguiente ejemplo: poblacin activa-pib, hay relacin peropuede deberse a la tendencia comn:
Puntua(pib) Puntua: Poblacin activa en miles 2,00000

140000,00

1,00000

120000,00

pib

0,00000

100000,00

-1,00000

80000,00

Q1 2003 Q1 2002 Q1 2001 Q1 2000 Q1 1999 Q1 1998 Q1 1997 Q1 1996 Q1 1995 Q1 1994 Q1 1993 Q1 1992 Q1 1991 Q1 1990 Q1 1989 Q1 1988 Q1 1987 Q1 1986 Q1 1985 Q1 1984 Q1 1983 Q1 1982 Q1 1981 Q1 1980

10000,00

12000,00

14000,00

16000,00

18000,00

Poblacin activa en miles

Nmero secuencial

Resumen del modelo R cuadrado corregida ,864 Error tp. de la estimacin 7430,63784

Modelo 1

R ,930(a)

R cuadrado ,865

a Variables predictoras: (Constante), Poblacin activa en miles

Para captar comportamientos cclicos de las variables econmicas, con ello se podran prever e incluso mitigar los efectos de las recesiones econmicas. Se sospechaba que las grandes depresiones econmicas se repetan tras un periodo de tiempo, as como otros aspectos de las ciencias sociales podran seguir un comportamiento cclico regular. Para detectarlos y establecer su duracin se precisaba estimar la tendencia y los componentes estacionales.

En la actualidad se han desarrollado todava ms desde la introduccin masiva de ordenadores y el desarrollo de sus capacidades de clculo. No obstante, carecen de gran fundamentacin terica, de hecho los mtodos utilizados son ms bien intuitivos. En la actualidad se persigue dotarles de un mayor rigor terico sin perder su carcter intuitivo y siguen siendo utilizados con un xito considerable. Como veremos, instituciones tan prestigiosas como el Census Bureau los utilizan de forma sistemtica en el anlisis de series temporales. Esquemas de integracin Dada una serie temporal (Yt)t=1,..,T, segn el punto anterior se puede expresar tambin como: Yt= f (Tt, Ct, Et, It) No tienen por qu aparecer los cuatro componentes del Anlisis clsico, necesariamente. Cuando se explicita cmo es la funcin f que integra las cuatro componentes, se dice que se est usando un cierto esquema de integracin. Ahora bien, las posibilidades que se consideran habitualmente son las siguientes:

-3-

Esquema multiplicativo: en las series econmicas es el ms habitual junto al mtodo mixto: Yt= Tt Ct Et It Esquema aditivo: Yt= Tt + Ct + Et + It Yt= Tt Ct Et + It Esquema mixto: El primer problema al que nos enfrentamos es el de determinar cul de los esquemas es el que mejor se ajusta a la serie en estudio. A modo ilustrativo, supongamos que nos proporcionan los componentes de una serie (habitualmente el proceso es inverso, se tiene la serie y se deben aislar los componentes de la serie), observaremos que los efectos del esquema de integracin influyen considerablemente:
Ao Tendencia Ciclo Irregular Aditivo Multiplicativo 1981 26,00 8,00 -1,00 33,00 -208,00 1982 28,00 9,00 -2,00 35,00 -504,00 1983 29,00 10,00 1,00 40,00 290,00 1984 30,00 11,00 -2,00 39,00 -660,00 1985 31,00 9,00 -2,00 38,00 -558,00 1986 32,00 6,00 2,00 40,00 384,00

45 40 35 30 25 20 15 10 5 0 1980 1982 1984 1986 1988 Serie1

600 400 200 0 1980 -200 -400 -600 -800 1982 1984 1986 1988 Serie1

Figura 1: integracin aditiva y multiplicativa de los componentes de la serie. Presentacin de la muestra En lo sucesivo, denotaremos N al nmero total de datos. Cuando en una serie los datos representen observaciones anuales, escribiremos: {Yt}={Y1, Y2, Y3, ..., YN} Cuando las observaciones se realizan a lo largo de L aos, y en cada ao se realizan K observaciones, denominaremos estacin al periodo que transcurre entre dos observaciones sucesivas del mismo ao. Los datos se pueden organizar en forma de tabla de doble entrada: Ao\Estacin 1 2 *********** K 1 Y11 Y12 ******* Y1K 2 Y21 Y22 ******* Y2K * * * * L YL1 YL2 ******* YLK El nmero total de datos es N=L*K, aunque no siempre se tiene por qu tener las K observaciones del primer ao o del ltimo completas. Observamos que la eleccin del esquema de integracin es clave para una buena interpretacin de la serie. ******* ******* ******* *******

-4-

Mtodos para determinar el esquema de integracin En este apartado seguiremos el siguiente esquema: A1)Grfico secuencia Grficos A2) Media/desv.tip(rango) Mtodos A3)Vrza diferencias y Numricos
cocientes estacionales.

A1) Anlisis del grfico de secuencia. Se basa en el anlisis visual de la serie. Es un mtodo til en casos extremos, si no, depende en gran medida de la interpretacin subjetiva del analista. En el modelo aditivo, como los efectos cclicos y estacionales se suman, las oscilaciones alrededor de la tendencia siempre son parecidas. Sin embargo, en el modelo multiplicativo, conforme la tendencia aumenta (o disminuye), los efectos cclicos se van amplificando (o reduciendo) conforme evoluciona la serie. En un ejemplo que analizaremos en la prctica 0, se obtienen los dos modelos extremos.
4000000
2000000

3000000

2000000

1000000

INGRESOS

GASTOS

1000000

Q1 1980

Q4 1980

Q3 1981

Q2 1982

Q1 1983

Q4 1983

Q3 1984

Q2 1985

Q1 1986

Q4 1986

Q3 1987

Q2 1988

Q1 1989

Q4 1989

Q3 1990

Q2 1991

Q1 1992

Q1 1980

Q4 1980

Q3 1981

Q2 1982

Q1 1983

Q4 1983

Q3 1984

Q2 1985

Q1 1986

Q4 1986

Q3 1987

Q2 1988

Q1 1989

Q4 1989

Q3 1990

Q2 1991

Q1 1992

Q4 1992

Fecha

Fecha

Figura 2. Secuencia para ambas series Es claro que para ingresos el modelo responde al esquema aditivo y para gastos el esquema es multiplicativo. A2) Grfico media/desviacin tpica (rango) Se supone que los datos vienen dados en una tabla de doble entrada aos/estaciones, como se ha indicado en el punto anterior. El grfico se construye calculando para cada ao i la media de los valores que toma la variable en cada estacin Mi y la desviacin tpica muestral, Si, (o cuasidesviacin tpica muestral o el rango). De este modo se dispone de L parejas de datos (Mi, Si). Se representan en un eje de coordenadas los L datos y se pueden llegar a estas dos situaciones extremas:

Q4 1992

-5-

En el ejemplo anterior se obtienen 13 parejas de datos para ambas variables (pues se tienen 13 aos completos, divididos en trimestres, esto es, cuatro estaciones). Las representaciones correspondientes son: Figura 3: Grfico media/desv. Tp., Ingresos y Gastos respectivamente.
150000 100000 50000 0 0 5E 1E 2E 2E 3E 3E 4E +0 +0 +0 +0 +0 +0 +0 5 6 6 6 6 6 6

Serie1

700000 600000 500000 400000 300000 200000 100000 0 0 500000 100000 0

Serie1

INGRESOS MEDIA 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 117250 209250 333250 489250 677250 897250 1149250 1433250 1749250 2097250 2477250 2889250 3333250 Desv. Tpica 75631,9212 73254,2661 71917,922 71681,1516 72554,7207 74499,5805 77435,0534 81253,8461 85838,1471 91072,43 96851,3681 103083,401 109691,328 Media

GASTOS Desv.Tp. 41647,5 95387,5 149127,5 202867,5 256607,5 310347,5 364087,5 417827,5 471567,5 525307,5 579047,5 632787,5 686527,5 51518,1509 99403,7261 147833,504 196405,326 245034,738 293693,133 342368,155 391053,594 439745,991 488443,265 537144,089 585847,579 634553,12

En el caso de que el modelo sea aditivo, el grfico debe reflejar un comportamiento semejante de la desviacin tpica conforme la serie evoluciona. As sucede en el grfico de Ingresos. Sin embargo, cuando el modelo es multiplicativo, el grfico debe mostrar un aumento (o descenso) claro de la desviacin conforme evoluciona la serie, as ocurre en el grfico de Gastos, se debe al efecto amplificador de la tendencia sobre los componentes cclicos. A3) Mtodos numricos Se basan en el anlisis de la variabilidad de las diferencias estacionales y de los cocientes estacionales. Cuando los datos vienen dados en formas de tabla de doble entrada (aos\estacin), donde suponemos, como de habitual, L aos y K estaciones por ao, se denomina: Diferencia estacional: a la diferencia entre los datos de la misma estacin en dos aos consecutivos. Dt+1,i=Yt+1,i-Yt,i, i=1, ..., K; t=1, ..., L-1. Cociente estacional: al cociente de los datos de la misma estacin en dos aos consecutivos. Kt+1,i=Yt+1,i/Yt,i, i=1, ..., K; t=1, ..., L-1.

-6-

En total se obtienen (L-1)*K diferencias estacionales y la misma cantidad de cocientes estacionales (desaparece una fila, la que compara el primer ao, pues no hay un ao anterior con el que poder realizar operaciones). Se consideran todas las diferencias obtenidas como una sola muestra, se calcula el coeficiente de variacin y al valor obtenido lo denotamos CV(D). Anlogamente se procede con los cocientes estacionales, se denota al coeficiente de variacin correspondiente CV(K). En el caso de que CV(D)>CV(K), podemos sospechar que el modelo es multiplicativo y , en otro caso, aditivo. La justificacin de la conclusin anterior reside en lo siguiente: Modelo aditivo: Sea Yt=Tt+Ft, donde Ft representa las fluctuaciones alrededor de la tendencia. Cuando el modelo es aditivo sabemos que los valores Ft son muy parecidos en cada estacin (a pesar de que nos encontremos en diferentes aos). Cuando calculamos una diferencia Dt+1,i=Yt+1,i-Yt,i~ Tt+1- Tt, por lo que desaparece el efecto de la fluctuacin . Es de esperar que la muestra formada por las diferencias quede poco dispersa (imaginemos una tendencia que crezca proporcionalmente) y por tanto, su coeficiente de variacin ser pequeo. La muestra formada por los cocientes estacionales, al no eliminar la fluctuacin, se encontrar ms dispersa que la de diferencias. Modelo multiplicativo: razonando como en el caso anterior, ahora si el modelo es multiplicativo los cocientes estacionales eliminan las fluctuaciones que afectan a la tendencia, y es de esperar que estn poco dispersos. Sin embargo, las diferencias mantendrn el efecto de las fluctuaciones y su muestra estar ms dispersa.

Ejemplo:
25 45 65 23 43 63 26 46 66

Diferencias y cocientes:
20 20 20 20 20 20 1,8 1,44444444 1,86956522 1,46511628 1,76923077 1,43478261

Calculamos, aunque es claro cul va a ser el resultado, los coeficientes de variacin de ambas muestras: CV(D)=0; CV(K)=0.1159, obviamente el modelo es aditivo. Cuando los datos son anuales las diferencias y los cocientes se calculan entre dos aos consecutivos. Las conclusiones son las mismas que en el caso de datos de doble entrada.

-7-

ESTIMACIN DE LA TENDENCIA Existen dos mtodos para estimar la tendencia: .- Tendencia global: se considera la funcin f(t) que mejor se ajusta al grfico de secuencia de la serie, generalmente se utiliza el criterio de mnimos cuadrados para determinar los parmetros de la funcin, as Tt=f(t). El objetivo es buscar pautas de comportamiento a largo plazo de la serie y predecir valores futuros. Se dice en este caso que la tendencia es global pues para su clculo se ha hecho uso de todos los datos hasta el instante t. .- Tendencia local: se trata de obtener una nueva serie, que denotamos {Tt}, de manera que para cada instante t, el valor de Tt se obtiene con una parte de la muestra original, generalmente con los datos ms prximos al instante t. Las tendencias locales captan mejor el comportamiento local de la muestra y reflejan alteraciones puntuales de la muestra. Tendencia global: Este mtodo es adecuado para series que no tengan componente estacional, es decir, los componentes de la serie temporal son nicamente la tendencia-ciclo Tt y la componente irregular It. Adems supondremos que la componente irregular slo es debida a la parte aleatoria, t, la cual constituye, adems, un ruido blanco. Por tanto: Yt=Tt+t Con estos supuestos imponemos que todo el comportamiento sistemtico de la serie (que es el que nos interesa aislar) est recogido en la tendencia. Veremos ms adelante cmo trabajar con series con componente estacional Et. Observemos que el tiempo es una variable que slo explica la existencia de una evolucin regular de la serie, no tiene ningn otro sentido el tomarla como variable explicativa. La funcin de ajuste suele ser polinmica: Yt=b0+b1t+b 2t2+ ... +bktk+t especialmente la funcin lineal Yt=b0+b1t+t. Si los datos presentan crecimiento exponencial se efecta la transformacin logartmica, y as el problema de ajuste se reduce al caso polinmico:

Yt=exp( b0+b1t+b2t2+ ... +bktk+t)lnYt= b0+b1t+b2t2+ ... +bktk+t


Ejercicio: Si una serie tiene tendencia lineal qu transformacin eliminara la tendencia en los datos originales? Y si es cuadrtica? Otras funciones de inters: Logstica : esta curva es habitual en modelos econmicos, la demanda de un nuevo producto crece en el tiempo hasta que llega a un punto de saturacin donde tras un tiempo de estabilizacin declina la demanda. Es A el ciclo vital de un producto. Su expresin matemtica es Yt= , 1 + be rt donde A, r y b son constantes positivas.

-8-

Crecimiento

Declinacin

Curva de Gompertz: se relaciona con la anterior, tampoco profundizamos en ella, y es adecuada para tendencias con un punto de inflexin. Su rt expresin matemtica es Yt=Ab e .

Una vez estimada la tendencia, se pueden obtener predicciones a largo plazo sustituyendo el instante de tiempo en la funcin ajustada f(t). Tengamos en cuenta que, cuando ajustamos un polinomio, podemos utilizar toda la teora del modelo lineal general para obtener frmulas de los estimadores de los parmetros y los correspondientes intervalos de confianza. As, dada una serie a la que ajustamos una recta, obtenemos finalmente intervalos de confianza: Tendencia local (medias mviles): Una media mvil es una media aritmtica que toma un valor para cada momento de tiempo y no entran, en su clculo, todas las observaciones de la muestra disponible. El nmero de observaciones que entran en su clculo se denomina longitud u orden. Si es alto se eliminan muchas irregularidades, si es pequeo la serie de medias mviles recoge mejor los cambios puntuales de la serie. Ejemplo: MM(3)medias mviles de orden 3 [Se pierden dos datos]
1 2 3 4 5 6 7 8 20 23 22,3333333 =MM(3)2 24 24 =MM(3)3 25 26,3333333 =MM(3)4 30 30 =MM(3)5 35 35 =MM(3)6 40 41,6666667 =MM(3)7 50

-9-

Ejemplo: MM(4)medias mviles de orden 4 [Se pierden 4 datos]


1 2 3 4 5 6 7 8 20 23 24 23=MM(4)2,5 25 25,5=MM(4)3,5 28,5=MM(4)4,5 30 32,5=MM(4)5,5 35 38,75=MM(4)6,5 40 50

24,25 =MM(4)3 27 =MM(4)4 30,5 =MM(4)5 35,625 =MM(4)6

Se pierden en total cuatro datos, adems la primera vez que se aplica una media mvil de orden par, no le corresponde un momento de los datos originales de ah que se vuelva a realizar una media mvil de orden dos para que estos queden centrados. En general, si el orden, K, es impar las medias mviles quedan centradas y se pierden K-1 datos. Si el orden, K, es par se pierden K datos. Cuando se representa una serie de medias mviles, su grfico de secuencia es ms suavizado que la serie original de la que procede, a este grfico se le considera la tendencia local de la serie. Ejemplo: datos mensuales sobre nmero de pasajeros de avin
350,00

400,00
300,00

MA(v1,12,12)

250,00

300,00

v1

200,00

200,00

150,00

100,00

100,00

OCT 1967 JUL 1967 APR 1967 JAN 1967 OCT 1966 JUL 1966 APR 1966 JAN 1966 OCT 1965 JUL 1965 APR 1965 JAN 1965 OCT 1964 JUL 1964 APR 1964 JAN 1964 OCT 1963 JUL 1963 APR 1963 JAN 1963 OCT 1962 JUL 1962 APR 1962 JAN 1962 OCT 1961 JUL 1961 APR 1961 JAN 1961 OCT 1960 JUL 1960 APR 1960 JAN 1960

Fig 2: Datos originales y suavizados mediante una media mvil de orden 12 Se denomina media mvil centrada a aqulla cuyo subndice es el instante central de los considerados de la serie original. Si se le asigna el ltimo instante de los considerados de la serie original, se denomina media mvil asimtrica. En el ejemplo anterior ambas series de medias mviles son centradas. En el siguiente ejemplo se calculan las medias mviles asimtricas de orden 3 del ejemplo anterior, obsrvese que ahora se pierden los datos iniciales. Ejemplo:
1 2 3 4 5 6 7 8 20 23 24 25 30 35 40 50 22,3333333 =MM(3)3 24 =MM(3)4 26,3333333 =MM(3)5 30 =MM(3)6 35 =MM(3)7 41,6666667 =MM(3)8

OCT 1967 JUL 1967 APR 1967 JAN 1967 OCT 1966 JUL 1966 APR 1966 JAN 1966 OCT 1965 JUL 1965 APR 1965 JAN 1965 OCT 1964 JUL 1964 APR 1964 JAN 1964 OCT 1963 JUL 1963 APR 1963 JAN 1963 OCT 1962 JUL 1962 APR 1962 JAN 1962 OCT 1961 JUL 1961 APR 1961 JAN 1961 OCT 1960 JUL 1960 APR 1960 JAN 1960

Fecha

Fecha

- 10 -

Las medias mviles asimtricas se utilizan para hacer predicciones de modelos con tendencia constante, de modo similar al enfoque global, esto es, el ltimo valor es la prediccin para cualquier otro valor posterior. Otros mtodos de estimacin de la tendencia: Medias mviles con pesos: Una media mvil centrada puede escribirse con una frmula general. Por ejemplo MM3 para los instantes=2,3, N-1: MM(3)t=1/3 Yt-1+1/3 Yt+1/3 Yt+1

Una notacin simplificada de la frmula anterior es 1/3[1, 1, 1] MM4 para los instantes t=3,4,.,N-2 MM(4x2)t=1/2(1/4(Yt-2+Yt-1+Yt+Yt+1)+1/4(Yt-1+Yt+Yt+1+Yt+2))=1/4[0.5,1,1,1,0.5] Ejercicio: comprueba que una MM(6x2) se puede escribir 1/6[0.5,1,1,1,1,1, 0.5] En definitiva, no es difcil concluir que las medias mviles centradas responden a las frmulas: K impar1/k[1,1,,1], K par1/k[0.5,1,1,0.5]
K unos k-1 unos

La forma general de escribir una media mvil con pesos es la siguiente: [a-1, a0,a1] [a-2,a-1,a0,a1,a2] Se han propuesto en la literatura muchas frmulas de medias mviles, tambin llamadas de suavizado (puesto que la serie resultante no presenta tantas oscilaciones como la original). Todas ellas se escriben dando los valores ai que, si se observa, indican a qu elemento de la serie original afecta (el valor del instante t en la serie suavizada resulta de multiplicar por ai al elemento Yt+i de la serie original). La suma de todos los pesos debe ser uno. Frmula de SpencerMM(5x4x4) +[-3/4, , 1, , -3/4] Esta frmula se usa bastante, y no es una eleccin arbitraria, ms bien responde a la comprobacin emprica de su capacidad para captar las tendencias de las series originales. Otras frmulas de tendencia se presentan en Makridiakis et al (1998), y una referencia monogrfica del estudio de suavizados en series es Abraham y Ledolter (1983). Regresin lineal local: se ajusta una recta, mediante mnimos cuadrados simples o ponderados, a secciones consecutivas de los datos, con objeto de obtener la estimacin del instante t. Con los pesos se subraya la importancia de cada observacin en los ajustes realizados. La lnea que resulta de unir los ajustes es la estimacin de la tendencia.

- 11 -

ESTIMACIN DE LA ESTACIONALIDAD

El procedimiento es ligeramente distinto segn el esquema de integracin sea aditivo o multiplicativo. Vamos a estudiar con detalle el caso multiplicativo, que es el que habitualmente aparece en datos de corte econmico o empresarial. Esquema multiplicativo Consideraremos que los datos vienen dados en una tabla de doble entrada, el primer subndice representa el aos (i=1, ..., L) y el segundo representa la estacin (h=1, ..., K). Se considera el modelo: Yt=Tt C t E t I t . Ilustraremos cada paso con un ejemplo sencillo, que se basa en la serie {1,2,1,2,1,2,1,2}, supondremos que es una serie de datos semestrales durante 4 aos, empezando por el valor del primer semestre del ao1. Se siguen los siguientes pasos, suponiendo que hay K estaciones cada ao. 1. Media mvil de orden estacional K: si el orden es par, como sabemos, se debe centrar la primera serie de medias mviles. Ejemplo: Ao\Estacin 1 2 3 4 1 1 1 0.5 1 2 2 3 2 2

Media mvil centrada de orden 2: {1,2,1,3,0.5,2,1,2}MM(2x2)={-,1.5, 1.75,1.875,1.5,1.375,1.5,-}

2. Obtencin de los ndices brutos de variacin estacional (IBVE): la serie de medias mviles (MMt) obtenidas en el punto anterior puede considerarse como una estimacin de la tendencia y la componente $ cclica: MMt= Tt C t . Dividiendo la serie original por la serie de medias mviles obtenemos los IBVE (se incluye el calificativo bruto porque se suponen contaminadas por las variaciones irregulares).

Yt $ = E t I t IBVE MM t
Ejemplo: IBVE={-,4/3,4/7, 8/5,1/3, 16/11,2/3,-}

3. Obtencin de los ndices de variacin estacional sin normalizar (eliminamos la variacin irregular). Se hace la media de los IBVE para cada estacin :

- 12 -

, h=1, ..., K. L 1 Al promediar se elimina el efecto de la componente irregular. Ejemplo: 4 / 7 + 1/ 3 + 2 / 3 E1 = = 11/ 21 3

Eh =

$ E ih I ih
i =1

E2 =

4 / 3 + 8 / 5 + 16 /11 = 724 / 495 3

4. Normalizacin de los ndices: se efectua un promedio entre los ndices obtenidos en el punto anterior, de modo que la suma de los ndices sea L. A los valores obtenidos se les denomina ndice de variacin estacional (IVE), SPSS los proporciona bajo la denominacin SAF. Eh = Eh K ,
h

E
h =1

h=1, ..., K.

Ejemplo (efecta las operaciones e indica por qu interesa normalizar los ndices): E1 = E1 2 = 2/3
h

E
h =1

E2 = E2

E
h =1

= 4/3
h

5. Desestacionalizacin: La serie desestacionalizada se obtiene dividiendo cada valor de la serie original por el IVE correspondiente a su estacin, a la serie obtenida, esto es:

Yih , i=1, ...; L; h=1, ..., K. $ Eh Ejemplo: Calcula la serie desestacionalizada


Xih= {Xt}={ 6. Predicciones: se calcula la tendencia global ajustada a la serie $ requiere de la tcnica de mnimos cuadrados), la denotaremos Tt , entonces: } (se

$ $ $ Yt + m, h|t = Tt + m| t E h . Ejemplo: Sobre qu serie se realiza el ajuste: la serie original o la desestacionalizada? Efecta la prediccin para los siguientes dos periodos, suponiendo que el mejor ajuste es la recta 1,47+0,2t.
Esquema aditivo: El proceso de desestacionalizacin es anlogo al del esquema multiplicativo, con modificaciones obvias: 1. Se hace del mismo modo que en el caso multiplicativo. 2. IBVE=Yt-MMt 3. Como en el caso multiplicativo, se obtiene los IVE sin normalizar (promedio).

- 13 -

4. Se normalizan los ndices de modo que su suma sea cero. (Ejercicio: cul sera la frmula de noormalizacin?) $ 5. Se obtiene SAS X ih = Yih E h $ $ $ 6. Predicciones: Y = T + E , de nuevo el ajuste de la tendencia por mnimos cuadrados. Observaciones: La metodologa anterior es estndar, pero hay textos especializados y paquetes estadsticos que la alteran en mayor o menor medida. Destacamos dos de estas variantes: En el punto 3, el paquete estadstico SPSS elimina antes de hacer la media los IBVE mayor y menor, es decir, calcula el valor medial en lugar de la media. Tambin se puede calcular la mediana. En definitiva, se trata de utilizar una medida que mitigue el efecto que pueden causar meses con comportamiento extremo. Los coeficientes estacionales no tienen por qu ser fijos en el tiempo. De ah que se tomen como factores estacionales el resultado de realizar una media mvil para los IBVE de cada estacin, e incluso una regresin lineal sobre cada conjunto de IBVE en cada estacin. Un caso ilustrativo es, por ejemplo, el consumo de energa elctrica mensual para una serie que cubra muchos aos. En efecto, se han ido incorporando a lo largo de los aos un mayor equipamiento de tiles electrnicos en los hogares, que llevan a una alteracin de los hbitos de consumo que se reflejan, en particular, en los factores estacionales: introduccin del aire acondicionado, aprovechamiento de energas alternativas, sustitucin de fuentes energticas (petrleo por electricidad en las calefacciones) El mtodo CENSUS Ha sido desarrollado en el U.S. Bureau of Census, una institucin americana que equivaldra al INE en Espaa. El mtodo ha ido incorporando muchas variaciones desde su primera versin presentada en 1955, con objeto de hacerlo ms preciso en sus estimaciones. La variante ms reciente se denomina X12-ARIMA y se introdujo en 1997. En esencia, este mtodo equivale al clsico pero proyecta los datos hacia el pasado y el futuro con objeto de no perder datos, como ocurre en el mtodo clsico. Esta proyeccin se realiza utilizando un modelo ARIMA (lo estudiaremos en el tema 5). Este aspecto es clave, puesto que se realizan varias medias mviles (de distinto orden) en el proceso de desestacionalizacin con objeto de eliminar valores atpicos y de minimizar, en lo posible, el efecto del componente irregular. Puesto que el nmero de datos se ve aumentado, la prdida de informacin no es tan relevante. El mtodo se utiliza para el esquema de integracin multiplicativo, pues es el habitual en series de corte econmico y empresarial. Se adjunta la descripcin del mtodo realizada en el texto de Makridiakis , Wheelwright, Hyndman (1998).

- 14 -

Vous aimerez peut-être aussi