Académique Documents
Professionnel Documents
Culture Documents
Tesis de Doctorado
Facultad de Ciencias Econmicas y Empresariales
Directora:
2003
UNIVERSIDAD DE SEVILLA
NDICE
CAPTULO I- INTRODUCCIN
I.1. OBJETIVOS DEL ESTUDIO......................................................................13
I.2. ESTRUCTURA DEL TRABAJO.................................................................17
CAPTULO II- MODELOS PARA LA PREDICCIN DE LA DEMANDA DE
ENERGA ELCTRICA
II.1. INTRODUCCIN......................................................................................21
II.2. IMPORTANCIA DE LA PREVISIN DE LA DEMANDA DE
ENERGA ELCTRICA............................................................................22
II.3. FACTORES QUE INFLUYEN EN LA PREVISIN DE LA DEMANDA
DE ENERGA ELCTRICA .....................................................................24
II.4. MODELIZACIN DE LA PREDICCIN DE ENERGA ELCTRICA ......27
II.4.1. Evolucin del entorno de mercado..................................................29
II.4.2. Clasificacin de los modelos segn su objetivo
II.4.2.1. Modelos de energa total consumida ................................30
II.4.2.2. Modelos de picos de demanda .........................................31
II.4.2.3. Modelos horarios ...............................................................33
II.4.3. Mtodos de previsin de la demanda
II.4.3.1. Mtodos de tendencia temporal ........................................36
II.4.3.2. Mtodos de series cronolgicas .......................................37
II.4.3.3. Mtodos de usuario final....................................................38
II.4.3.4. Mtodos economtricos ....................................................39
II.4.3.5. Mtodos hbridos ...............................................................42
II.5. FUENTES DE DATOS.............................................................................43
II.6. RESUMEN DEL CAPTULO ....................................................................45
ENERGA
EN
LA
COMUNIDAD
AUTNOMA DE ANDALUCA
III.1. INTRODUCCIN....................................................................................49
III.2. CLASIFICACIN DE LOS MTODOS DE PREDICCIN....................51
III.3. CLASES DE PREDICCIONES ..............................................................53
III.4. EVALUACIN DE PREDICCIONES ......................................................56
III.5. SELECCIN DE VARIABLES Y MODELOS .........................................62
III.6. MODELOS ECONOMTRICOS DE PREVISIN DE DEMANDA
ANUAL DE ENERGA ELCTRICA EN LA C.A.A .................................71
III.7. ESTIMACIN BOOTSTRAP
III.7.1. Visin general del mtodo bootstrap ............................................151
III.7.2. Tipologa de intervalos de confianza............................................153
III.7.3. Prediccin con bootstrap..............................................................155
III.7.4. Aplicacin prctica a travs del programa BSTP ........................158
III.8. CONCLUSIONES DEL CAPTULO ........................................................177
CAPTULO IV- ESTUDIO DE LA DEMANDA RESIDENCIAL MENSUAL DE
ENERGA ELCTRICA EN LA COMUNIDAD AUTNOMA DE
ANDALUCA
IV.1. INTRODUCCIN..................................................................................185
IV.2. ESTUDIO COMPARATIVO DE MODELOS UNIVARIANTES. DATOS
MENSUALES .......................................................................................187
IV.3. INFLUENCIA DEL FACTOR TEMPERATURA. DATOS MENSUALES
IV.3.1. Breve resea histrica..............................................................237
IV.3.2. Demanda base y temperatura neutra.......................................241
IV.3.3. Cuantificacin del efecto temperatura......................................242
IV.3.4. Valores de temperatura neutra ms utilizados....................244
IV.3.5. El efecto temperatura en el consumo residencial de
energa elctrica en la C.A.A. ..................................................246
IV.3.6. Caractersticas de los datos mensuales..................................252
IV.3.7. Anlisis de los datos mensuales ..............................................261
IV.4. MODELOS DE DEMANDA EN FUNCIN DE LA TEMPERATURA
EN LA C.A.A. DATOS MENSUALES ................................................269
IV.5. COMBINACIN DE PREDICCIONES................................................283
APNDICE ..............................................................................................................357
NDICE DE TABLAS ...............................................................................................381
NDICE DE FIGURAS .............................................................................................389
ANEXO ....................................................................................................................395
REFERENCIAS BIBLIOGRFICAS ......................................................................451
CAPTULO I
INTRODUCCIN
Captulo I- Introduccin
el comercial y
13
14
Captulo I- Introduccin
15
16
Captulo I- Introduccin
Para llevar a cabo estos objetivos, este trabajo est dividido en cinco
captulos, incluyendo, adems, un anexo y un apndice que constituirn un
soporte para el desarrollo del mismo. A continuacin, se describir brevemente el
contenido de cada uno de ellos.
18
CAPTULO II
MODELOS PARA LA PREDICCIN DE LA
DEMANDA DE ENERGA ELCTRICA
II.1. INTRODUCCIN
demasiados
problemas
para
que
los
mercados
de
capitales
proporcionasen los fondos necesarios para la expansin del sector elctrico. Pero
la mencionada crisis introdujo numerosos factores de incertidumbre que origin
que los departamentos de planificacin de las empresas elctricas se viesen
obligados, desde entonces, a elaborar pronsticos de demanda para los prximos
cuatro o cinco aos.
21
requisito imprescindible para lograr las metas previstas de calidad y fiabilidad del
servicio, ya que la creciente dependencia de la electricidad aumenta los
inconvenientes causados a los consumidores si se producen deficiencias en el
suministro de energa elctrica. Baum(1998) comenta que los estudios de
perspectiva coinciden en que la electricidad es uno de los sectores que
mantendr en el futuro una de las tasas de crecimiento ms altas.
22
23
factores puede ya no ser tan clara. As, por ejemplo, el precio de los productos
sustitutivos (petrleo, gas natural, carbn, etc..) tambin se suele considerar un
24
25
26
A corto plazo, perodo que a veces se suele subdividir en a muy corto plazo y
el corto plazo propiamente dicho. Se suele considerar que el primero de tales
perodos abarca los prximos 30 minutos en tiempo real a partir del momento
en que se efecta la prediccin de la demanda. El principal objetivo a cubrir en
este periodo de tiempo es la distribucin, de la forma ms econmica posible,
entre los diversos recursos de generacin disponibles. Realmente se trata de
realizar el seguimiento de la carga y de la prediccin inmediata de
sta
El corto plazo propiamente dicho se extiende desde una hora hasta una
semana en el futuro y, en este perodo, la empresa elctrica debe ocuparse
principalmente del mantenimiento previamente establecido y de la operacin
diaria de su equipo generador, la coordinacin hidrotrmica, el dispatching
econmico, la asignacin de unidades generadoras y la gestin de la carga. Los
datos en los que se basa la prediccin en este perodo son la carga diaria y la
informacin de la temperatura en la misma poca de los aos recientes del
pasado. La prediccin de la punta de potencia diaria suele tener lugar tambin
para la prxima semana. En este horizonte temporal de corto plazo es importante,
tanto una prediccin lo ms exacta posible de la demanda para determinar qu
27
"El factor de carga durante un perodo determinado se define como la razn de la potencia media demandada a la
potencia mxima durante dicho perodo".
28
atencin
a analizar los
29
y un componente debido a la
31
Aunque
los
enfoques
mencionados
pueden
proporcionar
resultados
32
error,
de
cuyos
componentes
se
postulara
que
estn
idntica
33
34
Otro
problema
aadido
en
35
Estos mtodos eran casi los nicos utilizados, con carcter general, antes de
la dcada de 1970, debido a las tendencias estables de la demanda en dicha
poca, pero actualmente su utilizacin prcticamente ha quedado reducida al muy
corto plazo. En esta tcnica se obtiene el ajuste de la tendencia general histrica
en kWh facturados o en los kW de las puntas de potencia.
Se puede decir que entre las principales ventajas de la utilizacin del anlisis
de series temporales se encuentran su bajo coste, su moderado error en el corto
plazo y que slo utiliza datos histricos de la serie que se trata de predecir,
37
usuarios del mismo y sus tasas de utilizacin por el consumo energtico de dicho
aparato, agregando a continuacin tales productos sobre los diferentes tipos de
aparatos electrodomsticos que se desee incluir por considerarlos relevantes
desde el punto de vista de la energa consumida. Por saturacin de un aparato se
entiende el porcentaje estable de hogares que lo poseen despus de que hayan
transcurrido varios aos desde la introduccin en el mercado del mismo.
38
39
41
Cada uno de los mtodos anteriores puede tener una aplicacin adecuada
en un determinado contexto. As por ejemplo, cuando se dispone de datos
histricos que abarcan un perodo de quince o ms aos, los modelos
economtricos de regresin pueden ser los ms convenientes. En cambio si se
dispone de datos de saturacin de aparatos o de usuario final, stos seran los
mtodos apropiados. En algunos casos se recurre a modelos hbridos o mixtos:
por ejemplo, se puede utilizar un modelo de regresin para predecir el porcentaje
de nuevos hogares que tienen aire acondicionado central, basndose en la renta
disponible familiar, utilizando posteriormente el resultado obtenido en la etapa
anterior en un modelo de saturacin de aparatos.
42
el
tratamiento
mediante
mtodos
propios
de
las
series
cronolgicas.
43
una frontera intertemporal y los datos corresponden a cifras anuales para cada
uno de los principales cuatro grupos elctricos en Espaa durante el periodo
1998-2001.
Los datos del precio del gas butano fueron facilitados por la compaa
Repsol
Butano
(Repsol
YPF).
Los
datos
suministrados
fueron
los
Los datos del precio de gas ciudad fueron suministrados por la empresa Gas
Natural. Los datos estaban expresados en termias y tuvieron que transformarse,
mediante las distintas conversiones de unidades calorficas, a kilovatios por hora.
Respecto a los datos de temperatura, habra que comentar que los datos
origen fueron suministrados por la Centro Meteorolgico Territorial de Andaluca
Occidental y Ceuta. Los datos percibidos correspondan a las temperaturas
medias mensuales para cada una de las ocho provincias de la comunidad a lo
largo del periodo 1995-2001. Con el objetivo de calcular una temperatura media
44
evolucin
del
cambiante
entorno
del
mercado
elctrico,
desde
sus
45
46
CAPTULO III
ESTUDIO DE LA DEMANDA RESIDENCIAL
ANUAL DE ENERGA ELCTRICA
EN LA COMUNIDAD AUTNOMA
DE ANDALUCA
III.1. INTRODUCCIN
49
50
Los mtodos causales suponen, como su nombre indica, que existe una
relacin causal entre varias variables explicativas o independientes y la variable
dependiente o variable en cuya prediccin estamos interesados aunque tal vez,
hablar de una relacin causal sea demasiado concreto para describir el grado
de
51
52
y la prediccin ex-ante.
n-k valores de la serie), se suele decir que se retienen los mencionados ltimos k
valores de la serie Yt con objeto de compararlos con la prediccin que de los
mismos se hace Ft (t=n-k+1,.......,n) utilizando el modelo anteriormente construido.
Se denomina error de prediccin del perodo t a la diferencia Yt Ft . Esta
situacin, que se considera por algunos autores (Cleary, J.P. y Levenbach.(1981);
Cleary, J.P. y Levenbach, H.(1982); Levenbach, H. y Cleary, J.P.(1984); Jain ,C.L.
y Colosante, J.(1985); Makridakis ,S., Wheelright, S.C. y Hyndman, R.J.(1998))
como una extensin de a
l prediccin ex-post, es denominada por otros autores
Pindyck, R.S. y
(Coccari, R.L. y Galucci, C.(1984)) se refieren a ella como una prediccin simulada
ex-ante.
54
55
56
1 n
(Yt Ft )
n t =1
57
utiliza
EAM = DMA =
1 n
Yt Ft
n t =1
ECM =
(Y
t =1
Ft )
A fin de que la medida del error quede expresada en las mismas unidades
de medida que la variable objeto de pronstico, a veces se utiliza la raz
cuadrada del parmetro anterior a la que se denomina RECM (Raiz del Error
Cuadrtico Medio) que suele aparecer en la literatura especializada como RMS
o RMSE (Root Mean Squared Error) y que se utiliza para medir la bondad del
ajuste dentro de la muestra. Segn lo anterior su expresin es:
RECM = ECM
Excepto el porcentaje de consecucin, las medidas de error comentadas
hasta ahora presentan el inconveniente de que cualquier cambio de escala de la
variable objeto de estudio afecta a la magnitud de tales medidas. Es lgico, por
consiguiente, que hayan surgido medidas del error de prediccin que traten de
evitar tal inconveniente, relativizando las magnitudes. Entre tales medidas
adimensionales figuran el Error Relativo o Porcentaje de Error (PE, Percentage
Error), el Porcentaje Medio de Error (MPE, Mean Percentage Error) y
posiblemente la ms utilizada de todas ellas, el EAMP (Error Absoluto Medio del
Porcentaje de Error) o, como se le suele designar en la literatura especializada,
MAPE (Mean Absolute Percentage Error) y que se utiliza para evaluar tanto la
bondad del ajuste dentro de la muestra como la exactitud de la prediccin en los
perodos extramuestrales. Estos tres parmetros se definen respectivamente
como sigue:
58
Y Ft
PEt = t
x 100
Yt
MPE =
1 n
PEt
n t =1
MAPE =
1 n
PEt
n t =1
respectivamente, el valor de la
(Y
n
Yt
t =1
CDT =
n
n
Yt 2
t =1
t =1
59
Y Y
(Y
n
Yt
t =1
n
Proporcin de la varianza:
U2 =
(S
SY )
(Y Y )
n
t =1
n
Proporcin de la covarianza:
U3 =
2 (1 r ) SY SY
(Y Y )
n
t =1
buen modelo,
60
61
62
Poder Predictivo.
y la
un conjunto de tamao
La comparacin entre los diferentes criterios es una cuestin que no suele ser
fcil, por lo que la eleccin de un modelo atendiendo a un nico criterio puede ser a
veces, de dudoso valor. Es por ello por lo que un criterio pragmtico de seleccin
entre varios modelos consiste en evaluar la verdadera exactitud de las predicciones
realizadas por tales modelos para perodos fuera de la muestra, es decir, efectuar
una prediccin ex-post, lo cual se consigue dividiendo el conjunto de datos de que
se dispone en dos subconjuntos, utilizando el subconjunto correspondiente a las
fechas mas recientes (hold out set o conjunto retenido) para evaluar la prediccin
efectuada por el modelo construido con los datos correspondientes a fechas
anteriores a las del mencionado subconjunto retenido.
64
n n
n SCE
Ln ( 2 ) Ln
2 2
2 n
65
R 2 = 1
e
t =1
(y
t =1
2
t
yt )
=1
2
ECM
n
(y
y )
t =1
n
Luego elegir uno de estos tres criterios equivale a elegir los otros dos. En
general no es conveniente elegir segn el criterio del mnimo ECM pues ste
parmetro, al aadir ms regresores a un determinado modelo, no puede aumentar.
As, la inclusin de ms variables en el modelo disminuye la suma cuadrtica de
2
residuos y el ECM, y aumenta el R , aunque no necesariamente aumenta su
s2 =
e
t =1
2
t
n k
R = 1
e
t =1
(y
t =1
2
t
n k
yt )
= 1
2
n 1
s2
n
(y
t =1
y)
n 1
tener en cuenta que estos tres criterios son funciones de la razn del nmero de
parmetros estimados al nmero de observaciones, k/n, que para el valor k/n=0 el
66
factor de penalizacin de los tres criterios vale 1 y que al aumentar el valor de k/n,
la penalizacin de s2 es la que aumenta con menor rapidez de las tres, la del criterio
de Akaike aumenta algo mas rpidamente y la penalizacin del criterio de Schwarz
es la que aumenta con mayor rapidez.
2
Por otra parte, la cuestin de la jerarquizacin de los criterios s , Akaike y
68
AIC =
2
t
t =1
2k
exp
n
BIC =
et2
t =1
k
n
n 2
et kLn( n )
Ln( BIC ) = Ln t =1 +
n
n
69
n 2
et 2LnLn( n) k
HQ = Ln t =1 +
n
n
70
Modelo
Expresin funcional
Modelo 1
Modelo 2
Modelo3
Modelo 4
71
PBKWHi 4 es el precio del gas butano (precio de gases licuados del petrleo)
en el ao i-simo, expresado en el precio unitario del kWh. Su clculo se ha
realizado a partir de la botella de 12,5 Kg de uso domstico y aplicando las
distintas conversiones entre unidades calorficas. (Ikg butano=11800Kcal).
PGKWKHi 5 es el precio del gas ciudad en el ao i-simo, expresado en el
precio unitario del kWh. Su clculo se ha realizado aplicando distintas
conversiones entre las unidades calorficas. (1Th=106 caloras=1,162kWh).
PEi
72
73
1 n
yt
n t =1
(y
y)
t =1
n 1
donde, SCR = ( y t y )2 ,
t =1
SCE SCR
=
SCT SCT
n
SCT = ( y t y )2 .
t =1
74
interseccin.
s2 =
e
t =1
2
t
n k
75
2
t
t =1
s = s2 =
n k
( e1,
n n
n SCE
Ln ( 2 ) Ln
2 2
2 n
t ( H 0 : = 0 )
d = DW =
(e
t =2
e t 1 )
t
n
2
t
2 (1 )
t =1
donde et
76
Este contraste presenta algunas limitaciones entre las que se encuentran las
siguientes:
SCE
+ n + 2k
n
2k
SCE
+ Ln
n
n
k
SCE
Ln n + Ln
n
n
77
SCR ( k 1)
R2 n k
=
SCE /( n k ) 1 R 2 k 1
78
Coefficient
Std. Error
t-Statistic
Prob.
0.619925
1.018614
5.468783
0.197582
0.206389
0.439868
3.137564
4.935410
12.43279
0.0079
0.0003
0.0000
0.862452
Mean dependent var
0.841291
S.D. dependent var
0.100618
Akaike info criterion
0.131612
Schwarz criterion
15.70087
F-statistic
0.590694
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
79
8.390384
0.252566
-1.587608
-1.442748
40.75636
0.000003
Tipos de contrastes
Coeficientes
Aplicacin
Variables irrelevantes
Identificacin de los residuos
Identificacin de los residuos al cuadrado
Residuos
Fuente. Pulido,A.(2001)
Elaboracin. Propia.
80
significacin del 5%, y los valores que obtenemos de test son superiores a
stos ( 9,84 para F y 9,02 para LR en el Ln PBKWH. 24,35 para F y 16,88 para
LR en el Ln PE). Adems la nueva estimacin del modelo, pierde significacin,
pues el coeficiente de determinacin corregido por los grados de libertad
disminuye un 11,92% omitiendo la variable PBKWH y un 31,47% omitiendo la
variable PE. Luego, se puede rechazar la hiptesis nula que estableca que las
variables PBKWH y PE, de forma individual no eran significativas, tanto al nivel
del 5% de significacin como al 1%.
Tabla.III.6.4. Variables Irrelevantes. Modelo 1.
Redundant Variables: Ln PBKWH
F-statistic
Log likelihood ratio
9.844309
9.020042
Probability
Probability
0.007858
0.002670
Coefficient
Std. Error
t-Statistic
Prob.
1.404039
4.948220
0.211856
0.520382
6.627335
9.508824
0.0000
0.0000
Test Equation:
Dependent Variable: Ln Q
Method: Least Squares
Sample: 1984 1999
Included observations: 16
Variable
Ln PE
C
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.758294
0.741029
0.128529
0.231276
11.19085
0.302808
Redundant Variables:Ln PE
F-statistic
24.35827
Probability
Log likelihood ratio
16.88968
Probability
Test Equation:
Dependent Variable: Ln Q
Method: Least Squares
Sample: 1984 1999
Included observations: 16
Variable
Coefficient
Std. Error
t-Statistic
Ln PBKWH
1.200330
0.259361
4.628025
C
7.568735
0.182231
41.53377
R-squared
0.604728
Mean dependent var
Adjusted R-squared
0.576494
S.D. dependent var
S.E. of regression
0.164364
Akaike info criterion
Sum squared resid
0.378215
Schwarz criterion
Log likelihood
7.256028
F-statistic
Durbin-Watson stat
0.380360
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
81
8.390384
0.252566
-1.148856
-1.052282
43.92157
0.000011
0.000272
0.000040
Prob.
0.0004
0.0000
8.390384
0.252566
-0.657003
-0.560430
21.41861
0.000391
|
|
|
|
|
|
|
|
|
|
|
|
Partial Correlation
AC
. |***. |
1 0.447
. **| . |
2 0.023
. *| . |
3 -0.179
.***| . |
4 -0.427
. | . |
5 -0.298
. **| . |
6 -0.243
. | . |
7 -0.108
. *| . |
8 0.074
. |* . |
9 0.198
. | . |
10 0.271
. | . |
11 0.148
. *| . |
12 0.015
Fuente. IEA.
Elaboracin. Propia
PAC
Q-Stat
Prob
0.447
-0.221
-0.121
-0.368
0.045
-0.287
0.006
-0.127
0.141
-0.038
-0.008
-0.059
3.8300
3.8405
4.5494
8.9196
11.245
12.948
13.322
13.520
15.141
18.668
19.926
19.943
0.050
0.147
0.208
0.063
0.047
0.044
0.065
0.095
0.087
0.045
0.046
0.068
82
|*
|
|
|*
|
|
*|
*|
*|
|
*|
*|
.
.
.
.
.
.
.
.
.
.
.
.
Partial Correlation
|
|
|
|
|
|
|
|
|
|
|
|
.
.
.
.
.
.
.
.
.
.
.
.
AC
|* . |
1 0.183
*| . |
2 -0.054
| . |
3 -0.016
|* . |
4 0.179
*| . |
5 0.007
| . |
6 -0.038
| . |
7 -0.059
*| . |
8 -0.115
| . |
9 -0.096
| . |
10 -0.045
*| . |
11 -0.120
| . |
12 -0.111
Fuente. IEA.
Elaboracin. Propia
PAC
Q-Stat
Prob
0.183
-0.091
0.012
0.182
-0.070
-0.002
-0.050
-0.144
-0.045
-0.030
-0.120
-0.034
0.6438
0.7046
0.7101
1.4757
1.4769
1.5174
1.6306
2.1105
2.4877
2.5830
3.4157
4.3016
0.422
0.703
0.871
0.831
0.916
0.958
0.977
0.977
0.981
0.990
0.984
0.977
83
6
Series: Residuals
Sample 1984 1999
Observations 16
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
4
3
2
1
Jarque-Bera
Probability
-3.33E-16
-0.027848
0.258890
-0.129627
0.093670
1.357151
4.801507
7.075240
0.029082
0
-0.1
0.0
0.1
0.2
0.3
Figura.III.6.1. Histograma de probabilidad. Modelo 1.
Fuente. IEA.
Elaboracin. Propia
Al aplicar el contraste LM a los resultados obtenidos el estadstico Obs*Rsquared, que se distribuye segn una 22 , rechaza al nivel del 95% la hiptesis
de no autocorrelacin de segundo orden de los residuos.
84
5.370741
7.904875
Probability
Probability
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Variable
Coefficient
Std. Error
t-Statistic
Prob.
0.166389
0.160633
0.340861
0.344842
0.469200
0.158029
0.150849
-0.203976
3.270250
-0.907596
0.8773
0.8828
0.8421
0.0075
0.3835
Ln PBKWH
Ln PE
C
RESID(-1)
RESID(-2)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.026294
0.024231
-0.069528
1.127719
-0.425844
0.023581
0.019208
0.494055
Mean dependent var
0.310075
S.D. dependent var
0.077804
Akaike info criterion
0.066588
Schwarz criterion
21.15148
F-statistic
2.226392
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia
-3.11E-15
0.093670
-2.018935
-1.777501
2.685370
0.087659
85
7.078000
5.287877
Probability
Probability
0.019618
0.021474
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample(adjusted): 1986 1999
Included observations: 15 after adjusting endpoints
Variable
C
RESID^2(-1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Coefficient
Std. Error
t-Statistic
Prob.
0.000841
1.828564
0.004715
0.687314
0.178344
2.660451
0.8612
0.0196
0.352525
Mean dependent var
0.302719
S.D. dependent var
0.014217
Akaike info criterion
0.002628
Schwarz criterion
43.58894
F-statistic
1.295817
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia
0.008715
0.017026
-5.545192
-5.450785
7.078000
0.019618
Para finalizar, dentro del grupo de contrastes aplicados para analizar las
propiedades de los residuos, se ha contrastado la heterocedasticidad o
varianza no constante del trmino de error, a travs del contraste de White. En
este test la hiptesis nula establece que los errores son homocedsticos e
independientes de los regresores. A la vista de los resultados que presentan
ambos estadsticos, F-statistic y Obs*R-squared, no se puede rechazar la
hiptesis nula de homocedasticidad, siendo su valor muy prximo al nivel
crtico.
86
3.206892
8.613598
Probability
Probability
0.056431
0.071518
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample: 1985 1999
Included observations: 16
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
Ln PBKWH
(Ln PBKWH)^2
Ln PE
(Ln PE)^2
-4.030498
0.257308
-0.099408
3.339825
-0.708769
1.472155
0.230713
0.162232
1.205746
0.254330
-2.737821
1.115274
-0.612751
2.769925
-2.786808
0.0193
0.2885
0.5525
0.0182
0.0177
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.538350
Mean dependent var
0.370477
S.D. dependent var
0.013142
Akaike info criterion
0.001900
Schwarz criterion
49.60512
F-statistic
1.445854
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia
0.008226
0.016564
-5.575641
-5.334207
3.206892
0.056431
87
2.609718
3.148485
Probability
Probability
0.132180
0.075998
Variable
Coefficient
Std. Error
t-Statistic
Prob.
Ln PBKWH
Ln PE
C
FITTED^2
17.48274
28.14228
40.37383
-1.603188
10.44004
16.79116
21.61083
0.992402
1.674584
1.676017
1.868222
-1.615462
0.1199
0.1196
0.0863
0.1322
Test Equation:
Dependent Variable: ln Q
Method: Least Squares
Sample: 1984 1999
Included observations: 16
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.887022
Mean dependent var
0.858778
S.D. dependent var
0.094913
Akaike info criterion
0.108102
Schwarz criterion
17.27511
F-statistic
0.715323
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
8.390384
0.252566
-1.659389
-1.466242
31.40524
0.000006
88
0.3
0.2
0.1
0.0
-0.1
-0.2
-0.3
87 88 89 90 91 92 93 94 95 96 97 98 99
Recursive Residuals
2 S.E.
89
15
10
5
0
-5
-10
-15
87 88 89 90 91 92 93 94 95 96 97 98 99
CUSUM
5% Significance
90
1.2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
90
91
92
93
94
95
96
Recursive LnPBKWEstimates
97
98
99
2 S.E.
1.6
1.4
1.2
1.0
0.8
0.6
0.4
90
91
92
93
94
95
96
97
98
99
2 S.E.
6.5
6.0
5.5
5.0
4.5
90
91
92
93
94
95
Recursive C Estimates
96
97
98
99
2 S.E.
91
electricidad,
corregidas
segn
las
variables
explicativas,
92
aumenta
Coefficient
Std. Error
t-Statistic
Prob.
1.144526
0.781117
4.867315
0.347763
0.249382
0.399609
3.291109
3.132207
12.18021
0.0058
0.0079
0.0000
Ln PGKWH
Ln PE
C
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.868150
Mean dependent var
0.847865
S.D. dependent var
0.098512
Akaike info criterion
0.126161
Schwarz criterion
16.03928
F-statistic
0.612162
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
8.390384
0.252566
-1.629910
-1.485050
42.79829
0.000002
Variables Irrelevantes
El anlisis de la redundancia de las variables exgenas o explicativas lleva a
concluir que las dos variables que especifican el modelo 2 son necesarias por
aportar informacin relevante al mismo, tal como se refleja en la tabla III.6.12.
Tabla.III.6.12.Variables Irrelevantes. Modelo 2.
Redundant Variables: Ln PGKWH
F-statistic
Log likelihood ratio
10.83140
9.696876
Probability
Probability
0.005847
0.001846
Coefficient
Std. Error
t-Statistic
Prob.
1.404039
4.948220
0.211856
0.520382
6.627335
9.508824
0.0000
0.0000
Test Equation:
Dependent Variable: Ln Q
Method: Least Squares
Sample: 1984 1999
Included observations: 16
Variable
Ln PE
C
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.758294
0.741029
0.128529
0.231276
11.19085
0.302808
93
8.390384
0.252566
-1.148856
-1.052282
43.92157
0.000011
Redundant Variables: Ln PE
F-statistic
Log likelihood ratio
9.810722
8.996501
Probability
Probability
0.007939
0.002705
Coefficient
Std. Error
t-Statistic
Prob.
1.971247
5.620764
0.289036
0.407314
6.820066
13.79960
0.0000
0.0000
Test Equation:
Dependent Variable: Ln Q
Method: Least Squares
Sample: 1984 1999
Included observations: 16
Variable
Ln PGKWH
C
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.768646
Mean dependent var
0.752121
S.D. dependent var
0.125746
Akaike info criterion
0.221371
Schwarz criterion
11.54103
F-statistic
0.552745
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
8.390384
0.252566
-1.192629
-1.096056
46.51330
0.000008
|
|
|
|
|
|
|
|
|
|
|
|
Partial Correlation
AC
. |***. |
1 0.444
. **| . |
2 0.022
. *| . |
3 -0.227
.***| . |
4 -0.448
. | . |
5 -0.271
. **| . |
6 -0.176
. **| . |
7 -0.160
. |* . |
8 0.103
. |* . |
9 0.253
. | . |
10 0.282
. *| . |
11 0.177
. *| . |
12 -0.119
Fuente. IEA.
Elaboracin. Propia.
94
PAC
Q-Stat
Prob
0.444
-0.219
-0.185
-0.338
0.060
-0.219
-0.229
0.097
0.091
0.021
-0.097
-0.130
3.7927
3.8022
4.9471
9.7672
11.697
12.588
13.406
13.790
16.417
20.224
22.028
23.048
0.051
0.149
0.176
0.045
0.039
0.050
0.063
0.087
0.059
0.027
0.024
0.027
| .
*| .
| .
|** .
| .
*| .
| .
*| .
*| .
*| .
| .
*| .
Partial Correlation
|
|
|
|
|
|
|
|
|
|
|
|
.
.
.
.
.
.
.
.
.
.
.
.
AC
| . |
1 0.061
*| . |
2 -0.111
| . |
3 -0.040
|** . |
4 0.211
| . |
5 0.005
| . |
6 -0.059
| . |
7 -0.025
*| . |
8 -0.116
*| . |
9 -0.078
*| . |
10 -0.060
| . |
11 -0.028
| . |
12 -0.086
Fuente. IEA.
Elaboracin. Propia.
PAC
Q-Stat
Prob
0.061
-0.116
-0.026
0.207
-0.032
-0.017
-0.006
-0.177
-0.062
-0.066
-0.047
-0.042
0.0715
0.3266
0.3618
1.4342
1.4349
1.5348
1.5550
2.0418
2.2893
2.4618
2.5066
3.0350
0.789
0.849
0.948
0.838
0.920
0.957
0.980
0.980
0.986
0.991
0.996
0.995
5
4
3
2
1
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
-4.44E-16
-0.018480
0.250541
-0.139210
0.091710
1.170163
4.602062
Jarque-Bera
Probability
5.362485
0.068478
0
-0.1
0.0
0.1
0.2
0.3
Figura.III.6.5.Histograma de probabilidad. Modelo 2.
95
Fuente. IEA.
Elaboracin. Propia.
6.640926
8.751789
Probability
Probability
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Variable
Coefficient
Std. Error
t-Statistic
Prob.
0.182672
0.259348
0.295629
0.346510
0.389731
-0.136217
0.413592
-0.282608
3.640063
-1.617816
0.8941
0.6871
0.7827
0.0039
0.1340
Ln PE
Ln PGKWH
C
RESID(-1)
RESID(-2)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
-0.024883
0.107264
-0.083547
1.261317
-0.630514
0.012841
0.012577
0.546987
Mean dependent var
0.382255
S.D. dependent var
0.072081
Akaike info criterion
0.057152
Schwarz criterion
22.37396
F-statistic
1.998762
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
-6.66E-16
0.091710
-2.171744
-1.930310
3.320463
0.051474
96
0.637908
0.701620
Probability
Probability
0.438818
0.402240
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample(adjusted): 1985 1999
Included observations: 15 after adjusting endpoints
Variable
C
RESID^2(-1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Coefficient
Std. Error
t-Statistic
Prob.
0.005580
0.667071
0.005446
0.835204
1.024509
0.798692
0.3243
0.4388
0.046775
Mean dependent var
-0.026550
S.D. dependent var
0.016065
Akaike info criterion
0.003355
Schwarz criterion
41.75549
F-statistic
1.090830
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
0.008399
0.015856
-5.300731
-5.206325
0.637908
0.438818
97
2.150997
7.022234
Probability
Probability
0.142238
0.134718
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample: 1984 1999
Included observations: 16
Variable
C
Ln PE
(Ln PE)^2
(Ln PGKWH)
(Ln PGKWH)^2
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
1.529801
1.024222
0.217497
1.062300
0.379480
t-Statistic
-1.430674
2.113984
-2.149364
-0.547579
0.698124
Prob.
0.1803
0.0582
0.0547
0.5949
0.4996
0.007885
0.015456
-5.519020
-5.277586
2.150997
0.142238
0.542773
0.707808
Probability
Probability
0.475443
0.400173
Test Equation:
Dependent Variable: Q
Method: Least Squares
Sample: 1901 1916
Included observations: 16
Variable
Ln PE
Ln PGKWH
C
FITTED^2
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
t-Statistic
Prob.
9.756715
14.61095
12.92818
-0.695326
0.800673
0.799197
1.180768
-0.736731
0.4389
0.4397
0.2606
0.4754
12.18565
18.28204
10.94896
0.943799
98
8.390384
0.252566
-1.549148
-1.356001
27.70960
0.000011
Una vez llegados a este punto, y habiendo comprobado que el modelo que
explica la demanda domstica de energa elctrica en la C.A.A. frente al precio
de la electricidad y al precio del gas es vlido desde todos los supuestos del
modelo lineal general de regresin se profundiza en la estabilidad de los
residuos y de los coeficientes de regresin (a excepcin de la autocorrelacin
de los residuos). Para completar el anlisis acerca de la permanencia
estructural del modelo 2 se aplican seguidamente varios contrastes basados en
la estimacin por mnimos cuadrados recursivos.
En
el
grfico,
figura
III.6.6,
aparecen
dos
bandas
de
confianza
correspondientes a dos veces la desviacin tpica del error tpico. Los residuos
se representan a travs de la lnea continua, observndose que a partir del ao
1996 los errores se salen fuera de las bandas de confianza, lo cual es
indicativo de una inestabilidad en los errores de la ecuacin.
0.3
0.2
0.1
0.0
-0.1
-0.2
-0.3
88
90
92
94
Recursive Residuals
96
98
2 S.E.
99
5% Significance
100
2.0
1.5
1.0
0.5
0.0
-0.5
-1.0
90
91
92
93
94
95
96
97
98
99
2 S.E.
1.4
1.2
1.0
0.8
0.6
0.4
0.2
90
91
92
93
94
95
96
Recursive Ln PE Estimates
97
98
99
2 S.E.
7.0
6.5
6.0
5.5
5.0
4.5
4.0
90
91
92
93
94
95
Recursive C Estimates
96
97
98
99
2 S.E.
101
102
Coefficient
Std. Error
t-Statistic
Prob.
Ln PE
Ln PIB
C
-0.441094
0.771797
-2.695904
0.170500
0.065975
0.672513
-2.587057
11.69841
-4.008704
0.0226
0.0000
0.0015
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.979032
Mean dependent var
0.975806
S.D. dependent var
0.039286
Akaike info criterion
0.020064
Schwarz criterion
30.74848
F-statistic
1.458514
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
8.390384
0.252566
-3.468560
-3.323700
303.4897
0.000000
Variables Irrelevantes
Una vez estimado el modelo, es necesario plantearse la posibilidad de poder
omitir algunas de las variables explicativas consideradas. Para ello se analiza
la posible ausencia de las mismas, tanto Ln PE como Ln PIB, llegando a la
conclusin, tal como se puede observar en la tabla III.6.20, de que su omisin
no explicara mejor la demanda de energa elctrica en la Comunidad
Autnoma de Andaluca.
Tabla.III.6.20. Variables Irrelevantes. Modelo 3.
Redundant Variables: Ln PE
F-statistic
Log likelihood ratio
6.692863
6.644911
Probability
Probability
0.022553
0.009944
Variable
Coefficient
Std. Error
t-Statistic
Prob.
Ln PIB
C
0.613906
-1.288084
0.029718
0.468654
20.65803
-2.748478
0.0000
0.0157
Test Equation:
Dependent Variable: Ln Q
Method: Least Squares
Sample: 1985 1999
Included observations: 16
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.968236
0.965967
0.046593
0.030393
27.42603
0.962208
103
8.390384
0.252566
-3.178253
-3.081680
426.7542
0.000000
136.8529
39.11527
Probability
Probability
0.000000
0.000000
Coefficient
Std. Error
t-Statistic
Prob.
1.404039
4.948220
0.211856
0.520382
6.627335
9.508824
0.0000
0.0000
Test Equation:
Dependent Variable: Ln Q
Method: Least Squares
Sample: 1985 1999
Included observations: 16
Variable
Ln PE
C
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.758294
Mean dependent var
0.741029
S.D. dependent var
0.128529
Akaike info criterion
0.231276
Schwarz criterion
11.19085
F-statistic
0.302808
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
8.390384
0.252566
-1.148856
-1.052282
43.92157
0.000011
.
.
.
.
.
.
.
.
.
.
.
.
|
|
|
|
|
|
|
|
|
|
|
|
Partial Correlation
AC
. |* . |
1 0.179
. |* . |
2 0.131
. *| . |
3 -0.124
****| . |
4 -0.518
. |* . |
5 -0.126
. **| . |
6 -0.294
. | . |
7 0.081
. *| . |
8 0.101
. | . |
9 0.092
.***| . |
10 0.027
. *| . |
11 -0.142
. | . |
12 0.049
Fuente. IEA.
Elaboracin. Propia.
104
PAC
Q-Stat
Prob
0.179
0.102
-0.171
-0.519
0.071
-0.190
0.061
-0.178
0.027
-0.332
-0.073
0.011
0.6169
0.9685
1.3108
7.7555
8.1698
10.652
10.863
11.231
11.577
11.611
12.769
12.940
0.432
0.616
0.727
0.101
0.147
0.100
0.145
0.189
0.238
0.312
0.309
0.373
Partial Correlation
|
|
|
|
|
|
|
|
|
|
|
|
AC
. | . |
1 -0.030
. *| . |
2 -0.165
. |* . |
3 0.185
. **| . |
4 -0.195
. |* . |
5 0.002
. |** . |
6 0.322
. | . |
7 -0.066
. **| . |
8 -0.262
. *| . |
9 -0.044
. *| . |
10 -0.139
. |* . |
11 0.088
. *| . |
12 0.031
Fuente. IEA.
Elaboracin. Propia.
PAC
Q-Stat
Prob
-0.030
-0.166
0.179
-0.229
0.076
0.236
0.003
-0.261
-0.148
-0.112
0.157
-0.171
0.0173
0.5768
1.3349
2.2499
2.2500
5.2294
5.3700
7.8327
7.9129
8.8466
9.2902
9.3600
0.895
0.749
0.721
0.690
0.814
0.515
0.615
0.450
0.543
0.547
0.595
0.672
105
5
Series: Residuals
Sample 1984 1999
Observations 16
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
-1.89E-15
0.001543
0.059268
-0.055055
0.036573
-0.074555
1.801225
Jarque-Bera
Probability
0.972864
0.614816
0
-0.075 -0.050 -0.025 0.000 0.025 0.050 0.075
Figura.III.6.9.Histograma de probabilidad. Modelo 3.
Fuente. IEA.
Elaboracin. Propia.
0.245939
0.684835
Probability
Probability
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Variable
Coefficient
PE
0.002976
PIB
4.97E-05
C
-0.007837
RESID(-1)
0.162934
RESID(-2)
0.103995
Std. Error
0.181396
0.070171
0.715404
0.301167
0.301683
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.786157
0.710052
t-Statistic
0.016404
0.000708
-0.010955
0.541007
0.344716
0.042802
Mean dependent var
-0.305270
S.D. dependent var
0.041784
Akaike info criterion
0.019205
Schwarz criterion
31.09844
F-statistic
1.775278
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
106
Prob.
0.9872
0.9994
0.9915
0.5993
0.7368
6.11E-16
0.036573
-3.262305
-3.020871
0.122969
0.971228
0.009093
0.010484
Probability
Probability
0.925486
0.918445
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample(adjusted): 1985 1999
Included observations: 15 after adjusting endpoints
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
RESID^2(-1)
0.001134
-0.023343
0.000425
0.244793
2.666844
-0.095356
0.0194
0.9255
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.000699
Mean dependent var
-0.076170
S.D. dependent var
0.001064
Akaike info criterion
1.47E-05
Schwarz criterion
82.47980
F-statistic
1.687938
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
0.001103
0.001025
-10.73064
-10.63623
0.009093
0.925486
107
1.106010
3.465752
Probability
Probability
0.384737
0.325231
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample: 1984 1999
Included observations: 16
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PE
PE^2
PIB
0.063702
-0.021850
0.005467
-0.002656
0.084233
0.072271
0.014882
0.001953
0.756258
-0.302338
0.367387
-1.359721
0.4641
0.7676
0.7197
0.1989
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.216609
Mean dependent var
0.020762
S.D. dependent var
0.001147
Akaike info criterion
1.58E-05
Schwarz criterion
87.92583
F-statistic
2.211401
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
0.001254
0.001159
-10.49073
-10.29758
1.106010
0.384737
108
12.50237
11.42181
Probability
Probability
0.004102
0.000726
Variable
Coefficient
Std. Error
t-Statistic
Prob.
PE
PIB
C
FITTED^2
6.328546
-10.06697
93.79049
0.820277
1.918586
3.065752
27.29228
0.231987
3.298548
-3.283687
3.436521
3.535869
0.0064
0.0065
0.0049
0.0041
Test Equation:
Dependent Variable: Q
Method: Least Squares
Sample: 1901 1916
Included observations: 16
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.989731
Mean dependent var
0.987163
S.D. dependent var
0.028615
Akaike info criterion
0.009826
Schwarz criterion
36.45939
F-statistic
2.210513
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
8.390384
0.252566
-4.057423
-3.864276
385.5119
0.000000
109
-7.888889
-0.416970
0.482120
15.64382
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
2.905835
0.466527
0.187878
7.168921
-2.714844
-0.893775
2.566138
2.182172
0.986461
Mean dependent var
0.983076
S.D. dependent var
0.032857
Akaike info criterion
0.012955
Schwarz criterion
34.24788
F-statistic
2.081424
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
0.0188
0.3890
0.0247
0.0497
8.390384
0.252566
-3.780985
-3.587837
291.4370
0.000000
0.798835
1.031159
Probability
Probability
0.389016
0.309887
Variable
Coefficient
Std. Error
t-Statistic
Prob.
LnPE
LnPE LnPIB
C
-5.327008
0.315378
9.243230
0.473641
0.022049
0.328005
-11.24693
14.30364
28.18011
0.0000
0.0000
0.0000
Test Equation:
Dependent Variable: Q
Method: Least Squares
Sample: 1984 1999
Included observations: 16
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.985559
Mean dependent var
0.983338
S.D. dependent var
0.032602
Akaike info criterion
0.013817
Schwarz criterion
33.73230
F-statistic
1.969532
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
110
8.390384
0.252566
-3.841537
-3.696677
443.6208
0.000000
|
|
|
|
|
|
|
|
|
|
|
|
Partial Correlation
AC
. | . |
1 -0.029
. | . |
2 0.052
. *| . |
3 -0.116
*****| . |
4 -0.645
. | . |
5 0.039
. *| . |
6 -0.170
. | . |
7 0.178
. **| . |
8 0.249
. | . |
9 0.072
. **| . |
10 0.041
. *| . |
11 -0.148
. *| . |
12 -0.033
Fuente. IEA.
Elaboracin. Propia.
PAC
Q-Stat
Prob
-0.029
0.051
-0.113
-0.664
-0.049
-0.179
-0.027
-0.288
0.048
-0.302
-0.094
-0.109
0.0159
0.0721
0.3684
10.355
10.394
11.230
12.249
14.473
14.684
14.765
16.032
16.109
0.900
0.965
0.947
0.035
0.065
0.082
0.093
0.070
0.100
0.141
0.140
0.186
111
Partial Correlation
|
|
|
|
|
|
|
|
|
|
|
|
AC
. **| . |
1 -0.205
. |** . |
2 0.314
. *| . |
3 -0.223
. *| . |
4 0.035
. | . |
5 -0.130
. *| . |
6 -0.129
. *| . |
7 -0.120
. *| . |
8 -0.068
. *| . |
9 -0.128
. **| . |
10 -0.068
. | . |
11 0.055
. | . |
12 0.066
Fuente. IEA.
Elaboracin. Propia.
PAC
Q-Stat
Prob
-0.205
0.284
-0.134
-0.115
-0.044
-0.184
-0.157
-0.059
-0.183
-0.196
0.020
0.013
0.8077
2.8326
3.9302
3.9603
4.4042
4.8831
5.3474
5.5117
6.1866
6.4090
6.5836
6.9009
0.369
0.243
0.269
0.411
0.493
0.559
0.618
0.702
0.721
0.780
0.832
0.864
6
Series: Residuals
Sample 1984 1999
Observations 16
5
4
3
2
1
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
2.44E-15
0.002028
0.050694
-0.058587
0.030351
-0.150321
2.262260
Jarque-Bera
Probability
0.423097
0.809330
0
-0.075 -0.050 -0.025 0.000 0.025 0.050 0.075
Figura.III.6.10. Histograma de probabilidad. Modelo 3PC.
Fuente. IEA.
Elaboracin. Propia.
112
0.020036
0.058075
Probability
Probability
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Variable
Coefficient
Std. Error
t-Statistic
Prob.
0.024720
0.530825
0.366026
0.308624
0.312762
0.024817
-0.025059
0.024300
-0.087475
0.174589
0.9806
0.9805
0.9810
0.9319
0.8646
PEPIB
PE
C
RESID(-1)
RESID(-2)
0.000613
-0.013302
0.008894
-0.026997
0.054605
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.980199
0.971380
0.003630
Mean dependent var
-0.358687
S.D. dependent var
0.035378
Akaike info criterion
0.013767
Schwarz criterion
33.76139
F-statistic
1.900021
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
2.44E-15
0.030351
-3.595173
-3.353739
0.010018
0.999767
aplicacin
del
constraste
ARCH
113
evidencia
la
homocedasticidad
0.581663
0.642406
Probability
Probability
0.459277
0.422841
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample(adjusted): 1985 1999
Included observations: 15 after adjusting endpoints
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
RESID^2(-1)
0.001052
-0.208777
0.000366
0.273745
2.871099
-0.762668
0.0131
0.4593
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.042827
Mean dependent var
-0.030802
S.D. dependent var
0.001053
Akaike info criterion
1.44E-05
Schwarz criterion
82.62970
F-statistic
1.811286
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
0.000865
0.001037
-10.75063
-10.65622
0.581663
0.459277
1.324428
5.200938
Probability
Probability
0.320796
0.267294
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample: 1984 1999
Included observations: 16
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
Ln(PEPIB)
Ln(PEPIB)^2
Ln(PE)
Ln(PE)^2
0.540933
0.037103
-0.000472
-1.023741
0.206446
0.413326
0.029964
0.000372
0.799237
0.157652
1.308732
1.238246
-1.268512
-1.280897
1.309507
0.2173
0.2414
0.2308
0.2266
0.2171
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.325059
Mean dependent var
0.079625
S.D. dependent var
0.000961
Akaike info criterion
1.02E-05
Schwarz criterion
91.44941
F-statistic
3.360828
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
114
0.000864
0.001002
-10.80618
-10.56474
1.324428
0.320796
1.604724
2.008167
Probability
Probability
0.229270
0.156454
Variable
Coefficient
Std. Error
t-Statistic
Prob.
PEPIB
PE
C
FITTED^2
-2.065234
35.18634
-28.98096
0.440609
1.879391
31.98479
30.17606
0.347819
-1.098885
1.100096
-0.960396
1.266777
0.2934
0.2929
0.3558
0.2293
Test Equation:
Dependent Variable: Q
Method: Least Squares
Sample: 1984 1999
Included observations: 16
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.987263
Mean dependent var
0.984078
S.D. dependent var
0.031869
Akaike info criterion
0.012188
Schwarz criterion
34.73638
F-statistic
2.019104
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
8.390384
0.252566
-3.842048
-3.648900
310.0394
0.000000
115
0.08
0.04
0.00
-0.04
-0.08
88
89
90
91
92
93
94
Recursive Residuals
95
96
97
98
99
2 S.E.
116
15
10
5
0
-5
-10
-15
88
89
90
91
92
93
CUSUM
94
95
96
97
98
99
5% Significance
estabilidad
de
los
coeficientes,
figura
III.6.13,
presenta
elevadas
117
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
91
92
93
94
95
96
97
Recursive LnPElnPIBEstimates
98
99
2 S.E.
10
5
0
-5
-10
-15
-20
91
92
93
94
95
96
97
98
99
2 S.E.
16
14
12
10
8
6
4
2
91
92
93
94
95
96
Recursive C Estimates
97
98
99
2 S.E.
118
119
Coefficient
Std. Error
t-Statistic
Prob.
PIB
Q(-1)
C
0.317360
0.521911
-0.968061
0.139326
0.215503
0.540698
2.277817
2.421827
-1.790391
0.0418
0.0322
0.0986
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.982366
Mean dependent var
0.979427
S.D. dependent var
0.034318
Akaike info criterion
0.014133
Schwarz criterion
30.97077
F-statistic
2.467082
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
8.415830
0.239262
-3.729436
-3.587826
334.2536
0.000000
Variables Irrelevantes
Respecto a la posibilidad de excluir algunas de las dos variables consideradas
en el modelo 4, en la tabla III.6.36 se observa que la ausencia de alguna de
ellas no favorecera una mejor explicacin de la demanda de electricidad en la
comunidad.
Tabla.III.6.36. Variables Irrelevantes. Modelo 4.
Redundant Variables: Ln PIB
F-statistic
Log likelihood ratio
5.188451
5.389966
Probability
Probability
0.041843
0.020253
Variable
Coefficient
Std. Error
t-Statistic
Prob.
Ln Q(-1)
C
1.004679
0.013923
0.044855
0.375252
22.39827
0.037102
0.0000
0.9710
Test Equation:
Dependent Variable:Ln Q
Method: Least Squares
Sample: 1985 1999
Included observations: 15
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.974742
0.972799
0.039461
0.020243
28.27579
2.654396
120
8.415830
0.239262
-3.503439
-3.409032
501.6824
0.000000
5.865245
5.969258
Probability
Probability
0.032210
0.014557
Variable
Coefficient
Std. Error
t-Statistic
Prob.
Ln PIB
C
0.649211
-1.851868
0.029565
0.467707
21.95870
-3.959465
0.0000
0.0016
Test Equation:
Dependent Variable: Ln Q
Method: Least Squares
Sample: 1985 1999
Included observations: 15
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.973747
Mean dependent var
0.971728
S.D. dependent var
0.040230
Akaike info criterion
0.021040
Schwarz criterion
27.98614
F-statistic
1.307216
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
8.415830
0.239262
-3.464819
-3.370413
482.1846
0.000000
|
|
|
|
|
|
|
|
|
|
|
|
Partial Correlation
AC
.***| . |
1 -0.326
. | . |
2 0.101
. |** . |
3 0.166
****| . |
4 -0.595
. *| . |
5 0.281
. |* . |
6 -0.089
. |* . |
7 -0.035
. **| . |
8 0.184
. *| . |
9 -0.172
. *| . |
10 -0.075
. *| . |
11 -0.012
. *| . |
12 -0.071
Fuente. IEA.
Elaboracin. Propia.
121
PAC
Q-Stat
Prob
-0.326
-0.006
0.220
-0.559
-0.075
0.118
0.104
-0.280
-0.100
-0.162
-0.066
-0.107
1.9393
2.1396
2.7228
10.923
12.934
13.160
13.199
14.430
15.691
15.981
15.991
16.415
0.164
0.343
0.436
0.027
0.024
0.041
0.067
0.071
0.074
0.100
0.141
0.173
Partial Correlation
|
|
|
|
|
|
|
|
|
|
|
|
AC
. |* . |
1 0.068
. **| . |
2 -0.295
. | . |
3 -0.017
. |***. |
4 0.501
. **| . |
5 -0.104
. | . |
6 -0.257
. *| . |
7 -0.109
.***| . |
8 0.032
. | . |
9 -0.123
. *| . |
10 -0.098
. | . |
11 -0.022
. |* . |
12 -0.014
Fuente. IEA.
Elaboracin. Propia.
PAC
Q-Stat
Prob
0.068
-0.301
0.032
0.455
-0.255
0.007
-0.173
-0.329
0.046
-0.064
0.038
0.088
0.0836
1.7888
1.7950
7.6221
7.8972
9.7757
10.156
10.193
10.837
11.321
11.353
11.369
0.772
0.409
0.616
0.106
0.162
0.134
0.180
0.252
0.287
0.333
0.414
0.498
122
8
Series: Residuals
Sample 1985 1999
Observations 15
6
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
-7.24E-16
-0.004107
0.049109
-0.064044
0.031773
-0.184743
2.403564
Jarque-Bera
Probability
0
-0.075
-0.050
0.307659
0.857418
-0.025
0.000
0.025
0.050
Figura.III.6.14. Histograma de probabilidad. Modelo 4.
Fuente. IEA.
Elaboracin. Propia.
1.226611
2.954924
Probability
Probability
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Variable
Coefficient
Std. Error
t-Statistic
Prob.
0.166642
0.251390
0.656624
0.442117
0.400821
-0.886421
0.845322
0.846975
-1.510214
-0.515306
0.3962
0.4177
0.4168
0.1619
0.6175
PIB
Q(-1)
C
RESID(-1)
RESID(-2)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
-0.147715
0.212505
0.556144
-0.667691
-0.206545
0.333881
0.228216
0.196995
Mean dependent var
-0.124207
S.D. dependent var
0.033688
Akaike info criterion
0.011349
Schwarz criterion
32.61623
F-statistic
1.620020
Prob(F-statistic)
Fuente. IEA.
123
-2.96E-16
0.031772
-3.682164
-3.446147
0.613305
0.662745
Elaboracin. Propia.
Se puede afirmar con una probabilidad del 95% que los residuos del modelo 4
tienen una estructura homocedstica.
Tabla.III.6.40. Contraste de comportamiento heterocedstico autorregresivo condicional de los
residuos (ARCH). Modelo 4.
ARCH Test:
F-statistic
Obs*R-squared
0.063757
0.073990
Probability
Probability
0.804927
0.785614
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample(adjusted): 1986 1999
Included observations: 14 after adjusting endpoints
Variable
C
RESID^2(-1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Coefficient
Std. Error
t-Statistic
Prob.
0.000907
0.075242
0.000419
0.297988
2.165664
0.252501
0.0512
0.8049
0.005285
Mean dependent var
-0.077608
S.D. dependent var
0.001239
Akaike info criterion
1.84E-05
Schwarz criterion
74.92616
F-statistic
1.885288
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Popia.
0.000971
0.001193
-10.41802
-10.32673
0.063757
0.804927
124
1.026397
4.365915
Probability
Probability
0.439693
0.358744
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample: 1985 1999
Included observations: 15
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PIB
PIB^2
Q(-1)
Q(-1)^2
0.677275
-0.277742
0.008954
0.358521
-0.021758
0.909392
0.241025
0.007702
0.334841
0.020034
0.744756
-1.152337
1.162559
1.070721
-1.086080
0.4736
0.2760
0.2720
0.3095
0.3029
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.291061
Mean dependent var
0.007485
S.D. dependent var
0.001151
Akaike info criterion
1.32E-05
Schwarz criterion
83.26304
F-statistic
2.469459
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
0.000942
0.001155
-10.43507
-10.19906
1.026397
0.439693
0.332746
0.447018
Probability
Probability
0.575661
0.503755
Variable
Coefficient
Std. Error
t-Statistic
Prob.
PE
Q(-1)
C
FITTED^2
-0.238527
9.655237
-35.92434
-0.505297
0.455189
15.00263
62.32368
0.875972
-0.524017
0.643570
-0.576416
-0.576842
0.6107
0.5330
0.5759
0.5757
Test Equation:
Dependent Variable: Q
Method: Least Squares
Sample: 1985 1999
Included observations: 15
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.975487
Mean dependent var
0.968802
S.D. dependent var
0.042261
Akaike info criterion
0.019646
Schwarz criterion
28.50049
F-statistic
2.858166
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
125
8.415830
0.239262
-3.266732
-3.077919
145.9152
0.000000
0.05
0.00
-0.05
-0.10
88
89
90
91
92
93
94
Recursive Residuals
95
96
97
98
99
2 S.E.
126
15
10
5
0
-5
-10
-15
88
89
90
91
92
93
CUSUM
94
95
96
97
98
99
5% Significance
127
2.0
1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
91
92
93
94
95
96
97
Recursive Ln PE Estimates
98
99
2 S.E.
2.5
2.0
1.5
1.0
0.5
0.0
-0.5
91
92
93
94
95
96
97
98
99
2 S.E.
-4
-8
91
92
93
94
95
96
Recursive C Estimates
97
98
99
2 S.E.
128
129
-0.678152
0.875518
-3.694585
0.160163
0.066209
0.669560
-4.234126
13.22349
-5.517934
0.990906
Mean dependent var
0.989390
S.D. dependent var
0.024645
Akaike info criterion
0.007289
Schwarz criterion
35.93698
F-statistic
1.525634
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
0.0012
0.0000
0.0001
8.415830
0.239262
-4.391597
-4.249987
653.7442
0.000000
Sin embargo, tal como sucedi con el modelo 3, puede suceder que la
relacin entre los parmetros y variables no sea lineal, por lo que se aplica el
contraste de especificacin del modelo, contraste de Ramsey. En la tabla
III.6.44 se presenta dicho contraste, en el cual los resultados permiten rechazar
la hiptesis de linealidad a un nivel de significacin del 5%, pues el valor del
estadstico es de 0,016237. Una vez detectada esta no linealidad, la solucin
final llevara a determinar cules son las potencias y productos cruzados
concretos de las variables explicativas que mejor recogen esa no linealidad.
130
5.167980
5.777062
Probability
Probability
Test Equation:
Dependent Variable:Ln Q
Method: Least Squares
Sample: 1985 1999
Included observations: 15
Variable
Coefficient
Std. Error
t-Statistic
Prob.
2.163527
2.618724
23.62671
0.173159
1.955244
-1.938450
2.116268
2.273319
0.0764
0.0786
0.0579
0.0441
LnPE(-1)
LnPIB(-1)
C
FITTED^2
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
4.230222
-5.076266
50.00046
0.393645
0.044050
0.016237
0.993813
Mean dependent var
0.992125
S.D. dependent var
0.021232
Akaike info criterion
0.004959
Schwarz criterion
38.82551
F-statistic
2.163684
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
8.415830
0.239262
-4.643402
-4.454588
588.9295
0.000000
131
-5.834969
0.339545
9.606683
0.448684
0.021084
0.294240
-13.00464
16.10418
32.64919
0.993737
Mean dependent var
0.992693
S.D. dependent var
0.020452
Akaike info criterion
0.005019
Schwarz criterion
38.73467
F-statistic
2.137110
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
0.0000
0.0000
0.0000
8.415830
0.239262
-4.764623
-4.623013
952.0291
0.000000
|
|
|
|
|
|
|
|
|
|
|
|
. *| . |
1 -0.091
. | . |
2 0.023
. *| . |
3 -0.069
****| . |
4 -0.461
. | . |
5 0.084
. **| . |
6 -0.256
. **| . |
7 -0.018
. *| . |
8 0.208
. |* . |
9 0.141
. **| . |
10 0.058
. **| . |
11 -0.069
. *| . |
12 -0.066
Fuente. IEA.
Elaboracin. Propia.
132
-0.091
0.015
-0.066
-0.480
-0.015
-0.312
-0.242
-0.107
0.131
-0.277
-0.229
-0.125
0.1499
0.1603
0.2617
5.1917
5.3724
7.2261
7.2370
8.8174
9.6658
9.8371
10.137
10.510
Prob
0.699
0.923
0.967
0.268
0.372
0.300
0.405
0.358
0.378
0.455
0.518
0.571
|
|
|
|
|
|
|
|
|
|
|
|
. **| . |
1 -0.295
.***| . |
2 -0.277
. |** . |
3 0.434
. |* . |
4 -0.056
. *| . |
5 -0.332
. *| . |
6 0.138
. **| . |
7 -0.045
. *| . |
8 -0.140
. | . |
9 0.041
. *| . |
10 -0.018
. | . |
11 -0.001
. *| . |
12 0.005
Fuente. IEA.
Elaboracin. Propia.
-0.295
-0.399
0.263
0.104
-0.178
-0.185
-0.256
-0.073
-0.044
-0.085
-0.041
-0.125
1.5842
3.0897
7.0939
7.1678
9.9814
10.524
10.590
11.300
11.372
11.388
11.388
11.390
0.208
0.213
0.069
0.127
0.076
0.104
0.158
0.185
0.251
0.328
0.411
0.496
la
figura
III.6.18
se
representa
el
histograma
de
probabilidad
133
5
Series: Residuals
Sample 1985 1999
Observations 15
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
4.03E-15
-0.004164
0.042636
-0.025944
0.018935
0.574736
2.985802
1
Jarque-Bera
Probability
0.825929
0.661686
0
-0.02
0.00
0.02
0.04
Figura.III.6.18. Histograma de probabilidad. Modelo 3PCR.
Fuente. IEA.
Elaboracin. Propia.
0.053365
0.158403
Probability
Probability
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Variable
Coefficient
PERETARD
0.079990
PEPIBRETARD
-0.003744
C
-0.051573
RESID(-1)
-0.117360
RESID(-2)
-0.003787
Std. Error
0.612589
0.028694
0.401142
0.371113
0.367783
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.948302
0.923854
t-Statistic
0.130577
-0.130473
-0.128564
-0.316238
-0.010296
0.010560
Mean dependent var
-0.385216
S.D. dependent var
0.022285
Akaike info criterion
0.004966
Schwarz criterion
38.81430
F-statistic
1.940401
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia
134
Prob.
0.8987
0.8988
0.9003
0.7583
0.9920
6.99E-15
0.018935
-4.508573
-4.272556
0.026682
0.998374
1.196989
1.269824
Probability
Probability
0.295399
0.259800
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample(adjusted): 1986 1999
Included observations: 14 after adjusting endpoints
Variable
C
RESID^2(-1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Coefficient
0.000459
-0.298216
Std. Error
0.000163
0.272575
t-Statistic
2.819529
-1.094070
0.090702
Mean dependent var
0.014927
S.D. dependent var
0.000496
Akaike info criterion
2.95E-06
Schwarz criterion
87.74308
F-statistic
2.259577
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
Prob.
0.0155
0.2954
0.000355
0.000500
-12.24901
-12.15772
1.196989
0.295399
135
0.603408
2.916508
Probability
Probability
0.669037
0.571893
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample: 1985 1999
Included observations: 15
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
LnPERETARD
[LnPERETARD]^2
LnPEPIBRETARD
[LnPEPIBRETARD]^2
0.296800
-0.626555
0.122347
0.024894
-0.000306
0.303851
0.601557
0.116864
0.023029
0.000281
0.976794
-1.041556
1.046919
1.080979
-1.090583
0.3517
0.3221
0.3198
0.3051
0.3010
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.194434
Mean dependent var
-0.127793
S.D. dependent var
0.000518
Akaike info criterion
2.69E-06
Schwarz criterion
95.22983
F-statistic
2.803611
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
0.000335
0.000488
-12.03064
-11.79463
0.603408
0.669037
0.576452
0.766166
Probability
Probability
Test Equation:
Dependent Variable: LnQ
Method: Least Squares
Sample: 1985 1999
Included observations: 15
Variable
Coefficient
Std. Error
t-Statistic
Prob.
24.54247
1.417312
22.52817
0.241296
-0.996862
0.998727
1.185607
-0.759244
0.3403
0.3394
0.2608
0.4637
Ln PERETARD
Ln PEPIBRETARD
C
FITTED^2
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
-24.46546
1.415508
26.70955
-0.183203
0.463666
0.381406
0.994049
Mean dependent var
0.992426
S.D. dependent var
0.020823
Akaike info criterion
0.004769
Schwarz criterion
39.11776
F-statistic
2.183656
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
136
8.415830
0.239262
-4.682368
-4.493554
612.4765
0.000000
0.06
0.04
0.02
0.00
-0.02
-0.04
-0.06
89
90
91
92
93
94
95
Recursive Residuals
96
97
98
99
2 S.E.
137
10
-5
-10
89
90
91
92
93
CUSUM
94
95
96
97
98
99
5% Significance
138
-2
-4
-6
-8
-10
-12
-14
-16
92
93
94
95
96
97
98
99
2 S.E.
1.0
0.8
0.6
0.4
0.2
0.0
92
93
94
95
96
97
RecursiveLnPEPIB(-1)Estimate
98
99
2 S.E.
16
14
12
10
6
92
93
94
95
96
Recursive C Estimates
97
98
99
2 S.E.
Una vez analizados los seis modelos desde el punto de vista de vista de
su estructura, se analizan stos desde el punto de vista de su poder y
capacidad predictiva, reflejndose en la tabla III.6.52, junto con otros
estadsticos.
139
puede
afirmar
con
mayor
evidencia,
el
hecho
de
ausencia
de
140
Modelo 3
productos
Modelo 4
cruzados
retardado
Estadsticos
Modelo 1
Modelo 2
Modelo 3
Modelo 3
productos
cruzados
R2
0,841291
0,847865
0,975806
0,983338
0,9927
0,979427
SE
0,100618
0,098512
0,039286
0,032602
0,020452
0,034318
SCE
0,131612
0,126161
0,020064
0,013817
0,005019
0,014133
Log likelihood
15,70087
16,03928
30,74848
33,73230
38,73467
30,97077
DW
0,590694
0,612162
1,458514
1,969532
2,137110
2,467082
Akaike
-1,587608
-1,629910
-3,468560
-3,841537
-4,764623
-3,729436
Schwarz
-1,442748
-1,485050
-3,323700
-3,696677
-4,623013
-3,587826
Forecast Error
0,1006
0,09851
0,03929
0,0326
0,02045
0,03432
MAPE
0,007963
0,007746
0,003599
0,002878
0,001722
0,003041
MAD
0,06767
0,06559
0,02996
0,02415
0,01456
0,02579
BIC
0,1176
0,1152
0,04592
0,03811
0,02398
0,04024
RMSE
0,0907
0,0888
0,03541
0,02939
0,01829
0,03069
Fuente. IEA.
Elaboracin. Propia.
141
0
R2
ajustado
SE
SCE
Log
likelihood
DW
Akaike
Schwarz
Forecast
Error
MAPE
MAD
BIC
RMSE
Modelo 1
-1
Modelo 2
Valor
Modelo 3
Modelo 3PC
Modelo 3PCR
-2
Modelo 4
-3
-4
-5
-6
Estadsticos
142
143
Estadsticos
CDT
U1
U2
U3
Horizonte
temporal
de
previsin
Previsin 1
periodo
(1999)
Previsin 2
periodos
(1998,
1999)
Previsin 1
periodo
(1999)
Previsin 2
periodos
(1998, 1999)
Previsin 1
periodo
(1999)
Previsin 2
periodos
(1998, 1999)
Previsin 1
periodo
(1999)
Previsin 2
periodos
(1998, 1999)
Modelo 3
productos
cruzados
retardado
Modelo 4
Modelo 1
Modelo 2
Modelo 3
Modelo 3
productos
cruzados
0,014591
0,013913
0,001551
0,002044
0,001438
0,002858
0,016396
0,016141
0,004305
0,004069
0,001805
0,003494
0,924975
0,892281
0,916447
0,813999
0,573316
0,912650
0,935817
0,916861
0,941480
0,898656
0,678730
0,932079
0,003265
0,000349
0,083553
0,186001
0,426684
0,087350
0,001608
0,000092
0,058520
0,101344
0,321270
0,067921
0,071760
0,107370
0,000000
0,000000
0,000000
0,000000
0,062575
0,083047
0,000000
0,000000
0,000000
0,000000
Fuente. IEA.
Elaboracin. Propia.
144
145
Modelos
Modelo 1
Modelo 2
Modelo 3
Modelo 3
productos
cruzados
Modelo 3
productos
cruzados
retardados
Modelo 4
Horizonte
Lmite
temporal
Previsin Valor Error de
Lmite
Superior
Inferior(2,5%)
(Ln Q)
Real Prediccin
de
(97,5%)
previsin
Previsin 1
periodo
(1999)
Previsin 2
periodos
(1998,
1999)
Previsin 1
periodo
(1999)
Previsin 2
periodos
(1998, 1999)
Previsin 1
periodo
(1999)
Previsin 2
periodos
(1998, 1999)
Previsin 1
periodo
(1999)
Previsin 2
periodos
(1998, 1999)
Previsin 1
periodo
(1999)
Previsin 2
periodos
(1998, 1999)
Previsin 1
periodo
(1999)
Previsin 2
periodos
(1998, 1999)
8,379
8,607
8,493
8,804
0,311
8,451
8,394
8,582
8,525
8,516
8,460
8,721
8,804
0,205
0,344
8,386
8,612
8,499
8,804
0,305
8,453
8,382
8,684
8,535
8,530
8,458
8,721
8,804
0,191
0,346
8,699
8,841
8,770
8,804
0,034
8,595
8,641
8,738
8,784
8,666
8,713
8,721
8,804
0,055
0,091
8,6998
8,8148
8,7578
8,804
0,0462
8,6188
8,6578
8,7348
8,7728
8,6768
8,7158
8,721
8,804
0,0442
0,0882
8,829
8,901
8,865
8,804
-0,061
8,734
8,796
8,804
8,867
8,769
8,832
8,721
8,804
-0,049
-0,028
8,686
8,797
8,741
8,804
0,063
8,624
8,656
8,732
8,771
8,678
8,714
8,721
8,804
0,043
0,090
Fuente. IEA.
Elaboracin. Propia.
146
Modelos
Modelo 1
Horizonte temporal de
previsin
4880,485
4994,037
4722,058
6660,834
6130,306
6660,834
1780,348
1136,269
1938,776
4909,856
6660,834
1750,977
5064,445
4712,623
6438,172
5802,243
6081,459
6360,104
5865,247
6098,511
7079,793
6130,306
6660,834
6660,834
6130,306
6660,834
6660,834
6130,306
6660,834
6660,834
1065,860
1948,211
222,662
328,062
579,375
300,73
265,054
562,323
-418,958
6431,737
6849,973
6130,306
6660,834
-301,431
-189,139
6254,146
5872,290
6087,543
6660,834
6130,306
6660,834
406,687
258,016
573,290
Modelo 3
productos
cruzados
Modelo 3
productos
cruzados
retardado
Modelo 4
Error de
Valor Real
Prediccin
(GWh)
(GWh)
Modelo 2
Modelo 3
Previsin
(GWh)
Fuente. IEA.
Elaboracin. Propia.
147
Coeficientes
Modelo 1
Modelo 2
Modelo 3
Variables Irrelevantes?
NO
S
NO
NO
NO
NO
NO
S
NO
NO
S
NO
NO
S
NO
NO
S
NO
NO
S
S
S
S
NO
S
NO
S
NO
S
NO
NO
NO
NO
NO
NO
NO
NO
NO
NO
NO
NO
NO
NO
NO
NO
NO
NO
NO
NO
Heterocedasticidad
autorregresiva primer orden?
Normalidad?
Estabilidad
del modelo
Modelo 4
Aplicacin
Ausencia de autocorrelacin?
Residuos
Modelo 3
productos
cruzados
retardado
Modelo 3
productos
cruzados
Fuente. Propia.
Elaboracin. Propia.
Modelo 1:
LnQi = 5,468783 + 0,619925LnPBKWHi + 1,018614LnPE i
Modelo 2:
LnQi = 4,867315 + 1,144526LnPGKWHi + 0,781117LnPEi
Modelo 3:
LnQi = 2,695904 0,441094LnPEi + 0,771797LnPIB i
Modelo 3PC:
LnQi = 9,243230 5,327008LnPEi + 0,315378(LnPELnPIB )i
Modelo 3PCR:
LnQi = 9,606683 5,834969LnPE ( 1)i + 0,339545(LnPELnPIB )( 1)i
Modelo 4:
LnQi = 0,968061 + 0,317360LnPIBi + 0,521911LnQ( 1)i
148
Coefficient
Std. Error
t-Statistic
Prob.
Ln PE(-1)
[LnPELnPIB](-1)
-6.778312
0.387957
0.620608
0.028447
-10.92205
13.63783
0.0000
0.0000
10.05826
0.444781
22.61397
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.989713
Mean dependent var
0.987008
S.D. dependent var
0.045710
Akaike info criterion
0.031340
Schwarz criterion
31.63806
F-statistic
0.993823
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia
8.506065
0.301454
-3.182007
-3.033611
362.1988
0.000000
149
Modelos
Modelo
3PCR(LnGWh)
Modelo
3PCR(GWh)
Horizonte
Lmite
temporal
de
Inferior(2,5%)
previsin
Lmite
Superior
(97,5%)
8,916
9,080
Previsin Valor
Real
8,998
?
2003
7454,901
8779,643
Fuente. IEA.
Elaboracin. Propia.
150
8090,202
desconocido
y,
en
consecuencia,
se
desea
de una poblacin
utilizar
un
estimador
151
Fn ( x ) =
I(A)
siendo
la
nmero de ( xi x ) 1 n
= I( X i x )
n
n i =1
funcin
indicatriz.
En
adelante,
las
funciones
de
Si X *=(X*1 , X*2 , ..., Xn*) es una muestra aleatoria simple genrica de Fn,
es decir, cada X*i , 1 i n , de esta muestra se obtiene independientemente (con
reemplazamiento) de la muestra original
* (b ) = ( X1 *(b ), X 2 * (b ),..., X n * (b ) )
3. Repeticin de las etapas 1 y 2 precedentes, B veces
4. Construccin de una distribucin de probabilidad a partir de los B
152
valores
( X1 , X 2 ,..., X n ) :
1/ 2
B
2
(b )
* * ( )
B 1
* ( ) =
siendo
* ( b )
b =1
distribucin
emprica
Fn y
la
distribucin
bootstrap
del
estadstico
( z1/ 2 ) = 1
* ,
153
siendo
nmero de * (b) t
GB * ( t ) = Pr* * t
B
Si se designa por G * 1 ( p ) al percentil de orden
]
de la funcin de
, de grado de confianza 1- .
I = G * 1 ( ) ;
2
S = G * 1 (1 )
2
Tales extremos definen el intervalo que existe entre los percentiles 100
100(1-
y
2
, k=B (1).
sentido ascendente, este intervalo es ( j *, k *) , siendo j= B
2
2
Intervalo de Confianza Bootstrap Percentil Corregido de Sesgo
154
* ( j ) * ( j + 1) .
( z0 ) = p0 = Pr * j =
continuacin
ps = ( 2 z0 + z
)
1
2
superior S= pS B
se
calculan
j
;
B
los
z 0 = 1 ( p 0 )
valores
pI = ( 2 z0 z
)
1
2
I= pI B y
En el modelo general de regresin Y=(y1, y2, ..., yn) designa el vector nx1 de
la respuesta, siendo la matriz nxk de regresores X=(x1, x2, ..., xn), donde el vector
155
(1)
(2)
(3)
es:
y 0 = x '0
El intervalo de confianza simtrico mnimo-cuadrtico de grado de confianza
(1 ) , denominado intervalo de prediccin, para dicho punto particular x '0 es:
y 0 m t ,n k 2 1 + x'0 ( X ' X )1 x0
(4)
donde
2 =
.
2
Se supone que se tienen datos histricos (Xt,,Yt) para t=1,2,...., n y que los
valores de las variables exgenas Xt para t=1,2,..., n+m son conocidas o se
pronostican por algn procedimiento ajeno al modelo investigado.
156
ajuste
157
desplegable titulada Tablas - para que el usuario elija la base de datos con la que
desea trabajar y que en el caso estudiado es Datos Reales- debajo de la cual
aparecen las respectivas columnas en las que el usuario debe, en primer lugar, el
nombre de las variables dependientes (en nuestro caso, Q, que indica la demanda
domstica anual de energa elctrica residencial en la C.A.A.) y, a continuacin el
nombre de las variables independientes o regresores (en nuestro caso PE, que
158
Analysis of Variance
Source
Regression
Residual Error
Total
DF
2
11
13
SS
0,62468
0,01215
0,63683
MS
0,31234
0,00110
F
282,77
P
0,000
Fuente. IEA.
Elaboracin. Propia.
y N
efectuar
la
comprobacin
ex-post
del
modelo
construido.
opera
correctamente,
pero
una
vez
que
se
han
verificado
160
161
162
La pantalla que se representa en la figura III.7.4 es la correspondiente al bsimo ciclo del bootstrap, y en ella se presentan diversos valores de la demanda
en unidades fsicas (GWh) que es como tambin se muestran en las restantes
pantallas del programa BSTP. Las clases de demanda que se presentan son, de
izquierda a derecha, las siguientes: Q y Q^ designan, respectivamente, la
demanda real y la demanda estimada por el modelo economtrico para datos
anuales; Q* representa la demanda simulada; Q^*F designa la demanda anual
futura simulada; E* representa la diferencia entre las dos columnas precedentes,
es decir, es el error simulado de prediccin expresado en unidades fsicas de
demanda (GWh) y, por consiguiente, slo tiene sentido calcularla para el futuro
(aos 1998 y 1999). Finaliza esta pantalla mostrando los valores de Q^*c, es
decir, la demanda futura simulada corregida por el error de prediccin, algo que
no es posible obtener en la Estadstica clsica, al desconocer el verdadero valor
de los parmetros poblacionales. Como en este punto se han completado los
clculos referentes al mencionado b-simo ciclo del bootstrap, si b<B (nmero de
163
ciclos elegido por el usuario al principio del programa BSTP) se vuelven a efectuar
los clculos correspondientes al (b+1)-simo ciclo del bootstrap y as se procede
repetidamente hasta que se han efectuado los clculos que se refieren al B-simo
ciclo del bootstrap, momento en que comienza una nueva fase del programa
BSTP, cuyo objetivo es sintetizar los clculos realizados anteriores
a fin de
El objeto de esta tabla, figura III.7.5 (tabla X), es comparar los valores de los
estimadores de los parmetros calculados mediante la regresin mnimocuadrtica y los procedentes de la simulacin bootstrap. Las correspondientes
cabeceras indican, en su primera lnea en qu mbito se trabaja (mnimoscuadrados o bootstrap), siguindole una lnea en la que se numeran las columnas
de esta tabla. A continuacin se pueden leer distintas cabeceras que de izquierda
a derecha, se refieren al nombre del estimador del correspondiente parmetro, su
estimacin puntual (columna 1) y su desviacin tpica (columna 2), columnas
estas dos ltimas que pertenecen al mbito de los mnimos cuadrados; las
164
ai 5 = RMS *
i
B 2( b )
i*
= b=1
B
ai 6 =
ai 7 =
ai 4
B
ai 3 ai 1
ai 6
165
1. Las
166
mediante los valores de las celdas de la columna (7), que en todos los
casos muestran valores no significativos (-2<t<2) al 95%. Lo anterior indica
que los estimadores puntuales mnimo-cuadrticos son satisfactorios en
cuanto a su localizacin, a pesar del comentado reducido nmero de datos
2. El
mtodo
mnimo-cuadrtico
sobreestima
la
variabilidad
de
los
no
es
tan
satisfactoria
como
su
localizacin,
167
bootstrap, respecto a la cual en esta tabla se muestran los resultados de los tres
tipos de intervalos de esta metodologa (estandarizado, percentil y percentil
corregido por sesgo) que ya fueron comentados en el breve resumen introductorio
sobre la metodologa bootstrap con que se inici la presente seccin.
168
Las columnas que siguen a la (6), situadas en una zona de esta pantalla
que se encuentra debajo de la ya comentada, se refieren a los tres tipos de
intervalos de la metodologa bootstrap calculados al nivel de confianza del 95%,
ya que ste fue el nivel de confianza elegido por el usuario al principio del
programa BSTP. De cada uno de estos intervalos se presentan sus extremos
inferior y superior y seguidamente la longitud o amplitud de los correspondientes
intervalos a fin de obtener conclusiones sobre la precisin de los mismos. A
continuacin se presentan en esta pantalla dos resultados auxiliares en la
construccin de intervalos de confianza corregidos por sesgo comentados
anteriormente en el breve resumen introductorio sobre la metodologa bootstrap
con que se inicia esta seccin: tales resultados auxiliares son interesantes porque
,en cierto modo, proporcionan una idea rpida de la asimetra de la distribucin
bootstrap.
169
los intervalos
de confianza
Conclusiones de la tabla S
los
mnimos
cuadrados
es
muy
robusto
frente
eventuales
para
los
aos
futuros
1998
1999
son,
sesgo
del
bootstrap
resultan
para
la
semilla
26939,85
ser
un 37,76%
172
173
Se puede observar que los valores que figuran en las celdas de la columna
(4) de esta tabla son iguales a los que aparecen en la columna (6) de la tabla
precedente, pese a tratarse de la variabilidad de variables aleatorias cuyos
rdenes de magnitud son muy diferentes. Tal igualdad se ha de cumplir
necesariamente, puesto que la prediccin bootstrap de la demanda corregida por
el error de prediccin, Q^*c, se define como la adicin de la estimacin mnimo
cuadrtica de la demanda, Q^ y el error de prediccin bootstrap, E*, y como,
dado un conjunto de datos, Q^ est determinada, teniendo en cuenta que la
varianza (y, por tanto, la desviacin tpica) es invariante en las traslaciones, se
sigue la igualdad entre los valores de las celdas mencionadas.
174
Conclusiones de la tabla W
para
los
aos
futuros
1998
1999
son,
intervalos,
correccin
por
estandarizado,
sesgo,
los
porcentual
porcentual
con
6837,545]
cuyas
respectivas
amplitudes
son
1549,494,
175
bootstrap
son
considerablemente
ms
precisos
que
los
convencionales.
Efecto del nmero de ciclos bootstrap
176
anlisis
economtricos.
177
178
De esta forma, los modelos candidatos construidos han sido seis, cuatro
de los cuales son modelos ya considerados en el inicio de esta seccin
mientras que los dos restantes han sido construidos para salvar deficiencias en
el modelo 3.
179
Las
180
bootstrap obtenidas como valor de los coeficientes de regresin son muy precisas
(distribuciones marcadamente leptocrticas, muy concentradas alrededor de la
media). Las predicciones puntuales convencionales prcticamente coinciden tanto
con la medias de los datos simulados, como con la media de las predicciones
puntuales simuladas por el bootstrap. Los tres tipos de intervalos de confianza
bootstrap mencionados en este trabajo son considerablemente mas precisos que
los intervalos de confianza convencionales.
181
CAPTULO IV
ESTUDIO DE LA DEMANDA RESIDENCIAL
MENSUAL DE ENERGA ELCTRICA
EN LA COMUNIDAD AUTNOMA DE
ANDALUCA
IV.1. INTRODUCCIN
186
187
Tt : valor de la tendencia.
Ct : valor del factor cclico.
Et : valor del componente estacional.
It : valor del componente irregular.
188
189
Una vez definidos los posibles esquemas que pueden seguir las series, se
estudian los distintos modelos univariantes estudiados para la demanda de
electricidad en la C.A.A., en funcin de su grado de complejidad.
190
Yt-(p-1) + Yt 1 + ... + Yt +( p 1)
2
2
MM ( p)t =
p
En el caso de que p sea par, la expresin correspondiente vendr dada por:
MM ( p) t+0,5
2
= 2
12
191
(5)
193
Modelo de Holt
En el mtodo de alisado exponencial de dos parmetros de Holt se supone
que
los
datos
fluctan
alrededor
de
un
nivel
variable
bt
que sigue
(6)
bt = (Lt Lt 1 ) + (1 ) bt 1
(7)
Ft + m = Lt + bt m
(8)
194
Lt =
Yt
+ (1 )( Lt 1 + bt 1 )
St s
bt = (Lt Lt 1 ) + (1 ) bt 1
Yt
+ (1 ) St s
Lt
(9)
(10)
(11)
con horizonte
195
(12)
Mtodos Dinmicos
Modelo Box-Jenkins
En la metodologa de Box-Jenkins el modelo se construye exclusivamente a
partir de los datos sin necesidad de sugerir ningn modelo a priori que
pudiera
resultar
arbitrario.
Cuando
los
datos
presentan
una
estructura
Entre las causas que posiblemente hayan dificultado una mayor aceptacin
de la metodologa de Box-Jenkins en el mbito empresarial pueden encontrarse
su mayor complejidad, coste y requerimiento de nmero de datos histricos (al
menos 50) en relacin con otros mtodos.
196
entre
los
datos
observados
los
pronsticos
del
modelo
197
Aplicar la transformacin de
Box-Cox para lograr
homocedasticidad
FIN
Calcular la prediccin en
la mtrica de la
transformacin
Estimar los coeficientes
i , j , i p, j q
S
Diagnstico
conforme?
No
Figura.IV.2.1. Procedimiento Box-Jenkins a travs de un diagrama de flujo. Fuente. Goodrich, R.L.(1990). Elaboracin. Propia.
198
(13)
w t = ds dYt() w
199
Yt 1
=
ln Y
t
(14)
=0
200
Valor de
=1
Transformacin
Raz cuadrada
= 0
Logartmica
= 1
Y(1) =
Sin transformacin
= 0,5
= 0,5
Serie Transformada
Y1 1
1
Resultado( )
Y
Y 0,5 1
Y(1) =
0,5
Y0 1
0
lnY
Y(1) =
Y(1) =
Y 0,5 1
0,5
Inversa
Y(1) =
Y 1 1
1
1
Y
201
el
periodo
202
900
800
Demanda de electricidad
700
600
500
400
300
200
100
71
69
67
65
63
61
59
57
55
53
51
49
47
45
43
41
39
37
35
33
31
29
27
25
23
21
19
17
15
13
11
0
Meses
203
120
100
Desviacin Tpica
80
60
40
20
0
300
350
400
450
500
550
600
650
Media
Yt ,i
Yt 1, i
204
38,856
1,076
Media
36,324
0,078
Coeficiente de Variacin
1,070
0,072
Fuente. IEA.
Elaboracin. Propia.
CV (d ) =
Desviacin tpica( d )
= 1,070
Media(d )
CV (c ) =
Desviacin tpica( c)
= 0,072
Media( c )
205
150
100
59
57
55
53
51
49
47
45
43
41
39
37
35
33
31
29
27
25
23
21
19
17
15
13
11
0
1
Diferencias estacionales
50
-50
-100
Meses
3,5
Cocientes estacionale
2,5
1,5
0,5
59
57
55
53
51
49
47
45
43
41
39
37
35
33
31
29
27
25
23
21
19
17
15
13
11
0
Meses
206
(Yt-5 + Yt 1 + ... + Yt + 5 )
11
Y t + Yt 1 + ... + Yt
+5
5
2
MM (12) t = 2
12
MM (13) t =
(Yt-6 + Yt 1 + ... + Yt + 6 )
13
Yt
+ (1 0,33067)Lt 1 (ecuacin de nivel)
St 12
Yt
+ (1 0,99937)St 12 (ecuacin de factor estacional)
Lt
207
Enero
1,50980
Febrero
1,25594
Marzo
1,10838
Abril
0,92913
Mayo
0,96564
Junio
0,86613
Julio
0,90828
Agosto
0,96874
Septiembre
1,04603
Octubre
0,88553
Noviembre
0,95644
Diciembre
0,78546
Fuente. IEA.
Elaboracin. Propia.
Forma funcional:
Ecuacin de nivel: Lt = 0,15515
Yt
+ (1 0,15515 )( Lt 1 + bt 1 )
St 12
208
Yt
+ (1 0,68216 ) St 12
Lt
Enero
1,46973
Febrero
1,26168
Marzo
1,12125
Abril
0,93779
Mayo
0,95837
Junio
0,86644
Julio
0,91336
Agosto
0,97235
Septiembre
1,04697
Octubre
0,88353
Noviembre
0,94811
Diciembre
0,79295
Fuente. IEA.
Elaboracin. Propia.
funcional:
Modelo Exponencial
Forma funcional:
(6 ,0477 +0 ,0048 X t )
Yt = e
, resultando significativos todos
209
886,8469
1+ e
0 ,0113( X t 10,6719)
, no resultando significativo ni
210
L. I. (2,5%)
773,183
636,171
554,694
456,594
473,074
417,193
437,293
467,058
505,594
416,54
452,498
357,468
211
900
QMENSUAL
800
700
600
500
400
1999
2000
2001
212
2
72
k 1
1
2
+
1
2
r
j
72
j =1
213
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
. |****
.|.
**| .
. |***
.|.
. |*.
.|.
.|.
.*| .
. |***
. |*.
. |***
***| .
.*| .
. |*.
.*| .
.|.
.|.
.|.
.|.
.|.
.*| .
. |*.
.|.
.|.
.|.
.*| .
.|.
.|.
.|.
.*| .
.|.
.*| .
.|.
.*| .
.|.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 0.579 0.579
2 0.338 0.005
3 0.049 -0.223
4 0.153 0.330
5 0.144 -0.020
6 0.233 0.074
7 0.132 -0.012
8 0.120 0.010
9 -0.007 -0.083
10 0.200 0.353
11 0.311 0.152
12 0.579 0.341
13 0.298 -0.353
14 0.115 -0.121
15 -0.066 0.138
16 0.031 -0.110
17 0.037 -0.044
18 0.087 -0.055
19 -0.004 -0.025
20 -0.022 -0.038
21 -0.108 0.033
22 0.020 -0.110
23 0.146 0.176
24 0.326 -0.015
25 0.161 -0.046
26 0.013 0.061
27 -0.145 -0.169
28 -0.095 -0.023
29 -0.096 -0.024
30 -0.056 -0.048
31 -0.129 -0.066
32 -0.151 0.005
33 -0.202 -0.063
34 -0.106 0.052
35 -0.005 -0.063
36 0.134 -0.008
Fuente. IEA.
Elaboracin. Propia.
25.128
33.838
34.025
35.860
37.507
41.883
43.317
44.508
44.512
47.946
56.411
86.147
94.176
95.385
95.794
95.886
96.022
96.777
96.778
96.826
98.047
98.090
100.40
112.17
115.11
115.13
117.62
118.72
119.87
120.27
122.43
125.48
131.07
132.66
132.66
135.33
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
214
6.8
6.6
6.4
6.2
6.0
5.8
1995
1996
1997
1998
1999
2000
LQ
Figura.IV.2.7. Evolucin demanda mensual de electricidad en la C.A.A. durante el periodo 19952000.
Fuente.IEA.
Elaboracin. Propia.
215
0,18
0,16
0,14
Desviacin Tpica
0,12
0,1
0,08
0,06
0,04
0,02
0
6
6,05
6,1
6,15
6,2
6,25
6,3
6,35
6,4
Media
16
Series: QMENSUAL
Sample 1995:01 2000:12
Observations 72
12
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
504.4708
485.7950
872.7740
349.9390
93.80956
1.263834
5.374006
Jarque-Bera
Probability
36.07503
0.000000
0
350 400 450 500 550 600 650 700 750 800 850
Figura.IV.2.9.Histograma de probabilidad.QMENSUAL.
Fuente.IEA.
Elaboracin. Propia.
216
14
Series: LQ
Sample 1995:01 2000:12
Observations 72
12
10
8
6
4
2
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
6.207989
6.185780
6.771677
5.857759
0.174049
0.654914
3.565836
Jarque-Bera
Probability
6.107463
0.047183
0
5.9 6.0 6.1 6.2 6.3 6.4 6.5 6.6 6.7 6.8
Figura.IV.2.10. Histograma de probabilidad. LQ.
Fuente. IEA.
Elaboracin. Propia.
217
Prob
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
218
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
1995
1996
1997
1998
1999
2000
DLQ
Figura.IV.2.11. Evolucin de la demanda mensual de electricidad en la C.A.A.
durante el periodo 1995-2000.
Fuente. IEA.
Elaboracin. Propia.
20
Series: DLQ
Sample 1995:02 2000:12
Observations 71
15
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
10
Jarque-Bera
Probability
0
-0.2
0.0
0.2
0.4
0.6
Figura.IV.2.12. Histograma de probabilidad.DLQ.
Fuente. IEA.
Elaboracin. Propia.
219
-0.001176
-0.004177
0.634241
-0.229597
0.153352
1.551046
7.015939
76.17929
0.000000
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
.*| .
|
1 -0.179
.|.
|
2 0.075
****| .
|
3 -0.508
.*| .
|
4 0.116
.*| .
|
5 -0.131
.|.
|
6 0.297
.*| .
|
7 -0.124
.|.
|
8 0.132
***| .
|
9 -0.429
.*| .
|
10 0.117
**| .
|
11 -0.170
. |*** |
12 0.644
. |*.
|
13 -0.092
.*| .
|
14 0.007
. |*.
|
15 -0.373
.|.
|
16 0.105
.|.
|
17 -0.061
.|.
|
18 0.221
.|.
|
19 -0.103
.|.
|
20 0.082
.|.
|
21 -0.282
.*| .
|
22 0.012
.|.
|
23 -0.075
. |*.
|
24 0.426
.|.
|
25 -0.002
. |*.
|
26 0.027
.|.
|
27 -0.290
.|.
|
28 0.061
.|.
|
29 -0.066
.|.
|
30 0.182
.|.
|
31 -0.077
.|.
|
32 0.043
.|.
|
33 -0.202
.|.
|
34 0.005
.|.
|
35 -0.067
.|.
|
36 0.359
Fuente. IEA.
Elaboracin. Propia.
-0.179
0.045
-0.504
-0.064
-0.146
0.004
-0.082
0.002
-0.377
-0.139
-0.254
0.376
0.095
-0.178
0.081
0.036
0.022
-0.051
0.001
-0.056
0.049
-0.187
-0.027
0.068
-0.044
0.125
-0.001
0.013
-0.027
0.051
-0.039
-0.021
-0.055
0.007
-0.027
0.057
2.3683
2.7964
22.474
23.521
24.862
31.907
33.161
34.592
50.005
51.162
53.655
90.070
90.827
90.831
103.73
104.77
105.12
109.88
110.93
111.62
119.84
119.86
120.46
140.46
140.46
140.54
150.41
150.86
151.40
155.59
156.35
156.60
162.15
162.15
162.81
181.84
Prob
0.124
0.247
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
220
0.3
0.2
0.1
0.0
-0.1
-0.2
-0.3
1995
1996
1997
1998
1999
2000
DDLQ
Figura.IV.2.13. Evolucin de la demanda mensual de electricidad en la C.A.A. durante el
periodo 1995-2000.
Fuente. IEA.
Elaboracin. Propia.
12 ln qt = (1 0,8103B ) 1 0,7480B12 t
(0,0701)
221
(0,0655)
Trmino
p-valor
0,8103
0,0701
11,5634
0,0000
12
0,7480
0,0655
11,4178
0,0000
Fuente. IEA.
Elaboracin. Propia.
Tabla.IV.2.11. Correlograma de los residuos. DDLQ.
Sample: 1995:01 2000:12
Included observations: 59
Autocorrelation
Partial Correlation
AC
PAC Q-Stat
**| .
. |*.
**| .
.|.
.*| .
.|.
.|.
.|.
.|.
. |**
.*| .
.*| .
.*| .
.*| .
. |*.
.|.
. |*.
.*| .
.|.
.|.
. |*.
.*| .
.|.
.*| .
.|.
. |*.
.|.
. |*.
.*| .
.|.
.|.
.*| .
.|.
.*| .
. |*.
. |*.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
**| .
.|.
**| .
.*| .
.*| .
**| .
.*| .
.*| .
.*| .
. |**
. |*.
.*| .
.*| .
.*| .
.*| .
.|.
.*| .
.*| .
.*| .
.*| .
. |*.
.|.
.|.
.|.
.*| .
.|.
.|.
. |*.
.|.
.*| .
.|.
.*| .
. |*.
.|.
.|.
.|.
|
1 -0.285
|
2 0.066
|
3 -0.285
|
4 0.029
|
5 -0.068
|
6 -0.006
|
7 -0.006
|
8 0.026
|
9 0.048
|
10 0.269
|
11 -0.094
|
12 -0.151
|
13 -0.133
|
14 -0.077
|
15 0.104
|
16 0.028
|
17 0.067
|
18 -0.074
|
19 0.046
|
20 0.052
|
21 0.089
|
22 -0.180
|
23 -0.029
|
24 -0.060
|
25 0.057
|
26 0.099
|
27 0.010
|
28 0.079
|
29 -0.107
|
30 0.029
|
31 0.032
|
32 -0.125
|
33 0.052
|
34 -0.143
|
35 0.138
|
36 0.071
Fuente. IEA.
Elaboracin. Propia.
-0.285
-0.017
-0.295
-0.157
-0.140
-0.192
-0.153
-0.128
-0.085
0.272
0.115
-0.111
-0.063
-0.183
-0.077
-0.042
-0.078
-0.165
-0.138
-0.104
0.131
0.019
0.001
-0.005
-0.148
-0.024
-0.016
0.115
-0.006
-0.105
-0.001
-0.075
0.116
-0.048
-0.017
0.018
5.0427
5.3182
10.541
10.597
10.910
10.912
10.914
10.961
11.126
16.422
17.083
18.828
20.207
20.681
21.565
21.631
22.013
22.492
22.684
22.934
23.683
26.838
26.923
27.295
27.643
28.707
28.719
29.448
30.827
30.934
31.062
33.131
33.508
36.434
39.294
40.088
Prob
0.025
0.070
0.014
0.031
0.053
0.091
0.142
0.204
0.267
0.088
0.105
0.093
0.090
0.110
0.120
0.156
0.184
0.211
0.252
0.292
0.309
0.217
0.259
0.291
0.325
0.325
0.375
0.390
0.374
0.419
0.463
0.412
0.443
0.356
0.283
0.294
222
una
de
cada
significativa cuando verdaderamente no lo es, del mismo modo que una que sea
verdaderamente significativa puede ser declarada que no lo es, lo que en la
prctica
equivale
sospechar
de
las
autocorrelaciones
muestrales
las
proximidades
de
los
retardos
estacionales
pueden
detectarse
para
considerar
la
posibilidad
de
que
verdaderamente
las
(1 + 0,4694B)12 ln qt
(0,0858)
= 1 0,6925B12 t
(0,1216)
Trmino
1
12
Coeficiente
Desviac.Error
Estadstico-t
p-valor
-0,4694
0,0858
-3,8598
0,0003
0,6925
0,1216
8,0744
0,0000
Fuente. IEA.
Elaboracin. Propia.
12 ln qt = (1 0,6060B ) 1 0,2935B12 t
(0,1260)
223
(0,1230)
Trmino
Coeficiente
Desviac.Error
Estadstico-t
p-valor
b[1]
0,6060
0,1260
4,8079
0,0000
b[2]
0,2935
0,1230
2,3855
0,0204
Fuente. IEA.
Elaboracin. Propia
Por otra parte, si para recoger el efecto estacional de la serie lnq se hubiese
comenzado por diferenciar estacionalmente esta serie se habra obtenido la
nueva serie 12 lnq, denominada D12LQ, cuya representacin grfica aparece en
la figura IV.2.14. En esta figura se puede observar que la media de dicha serie es
prcticamente nula (0.0705 segn puede verse en la figura V.2.15). En la figura
IV.2.16 se muestra el correlograma de esta serie que parece indicar un modelo
AR(1) o AR(2), lo que llevara a considerar para la transformada logartmica de la
serie original sendos modelos ARIMA(1,0,0)x(0,1,0)12 y ARIMA(2,0,0)x(0,1,0)12 a
los que se denomina BJ-4 y BJ-5, respectivamente.
(1 0,7114B ) 12 ln qt
= t
(0,0899)
Tabla.IV.2.14. Estimacin de los coeficientes. Modelo BJ-4.
Trmino
Coeficiente
Desviac.Error
Estadstico-t
P-valor
0,7114
0,0899
7,9114
0,0000
Fuente. IEA.
Elaboracin. Propia.
(1 0,5959B 0,1679B )
2
12
ln qt = t
(0,1279) (0,1269)
Tabla.IV.2.15. Estimacin de los coeficientes. Modelo BJ-5.
Trmino
1
2
Coeficiente
Desviac.Error
Estadstico-t
P-valor
0,5959
0,1279
4,6591
0,0000
0,1679
0,1269
1,3226
0,1911
Fuente. IEA.
Elaboracin. Propia.
224
0.3
0.2
0.1
0.0
-0.1
-0.2
1995
1996
1997
1998
1999
2000
D12LQ
Figura.IV.2.14. Evolucin de la demanda mensual de electricidad en la C.A.A. durante el
periodo 1995-2000.
Fuente. IEA.
Elaboracin. Propia.
12
Series: D12LQ
Sample 1996:01 2000:12
Observations 60
10
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
8
6
4
2
Jarque-Bera
Probability
0
-0.1
0.0
0.1
0.2
225
0.070500
0.078524
0.259192
-0.163314
0.073964
-0.540027
4.485228
8.431046
0.014765
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
. |***
.|.
**| .
.|.
.|.
.|.
. |*.
. |*.
.|.
.|.
***| .
**| .
.*| .
.*| .
.|.
.*| .
.*| .
.*| .
. |*.
. |*.
.|.
.*| .
.*| .
.|.
.*| .
.|.
.|.
.|.
.*| .
.|.
.|.
.|.
.|.
.*| .
.|.
.|.
AC
|
1 0.437
|
2 0.212
|
3 -0.081
|
4 -0.063
|
5 -0.078
|
6 -0.014
|
7 0.057
|
8 0.131
|
9 0.148
|
10 0.118
|
11 -0.187
|
12 -0.370
|
13 -0.418
|
14 -0.306
|
15 -0.128
|
16 -0.061
|
17 -0.017
|
18 -0.052
|
19 0.001
|
20 0.002
|
21 -0.043
|
22 -0.177
|
23 -0.128
|
24 -0.021
|
25 0.089
|
26 0.170
|
27 0.143
|
28 0.119
|
29 0.003
|
30 0.007
|
31 -0.030
|
32 -0.089
|
33 -0.018
|
34 -0.002
|
35 0.151
|
36 0.142
Fuente. IEA.
Elaboracin. Propia.
PAC
Q-Stat
Prob
0.437
0.025
-0.226
0.060
-0.018
0.001
0.085
0.080
0.049
0.027
-0.322
-0.243
-0.108
-0.112
0.013
-0.080
-0.077
-0.061
0.074
0.095
0.065
-0.152
-0.076
-0.044
-0.105
0.060
-0.030
-0.029
-0.163
-0.044
0.025
-0.044
0.057
-0.125
0.052
-0.016
12.063
14.943
15.376
15.636
16.050
16.064
16.291
17.514
19.115
20.143
22.808
33.435
47.293
54.841
56.199
56.513
56.538
56.779
56.779
56.779
56.958
60.031
61.666
61.712
62.560
65.737
68.056
69.714
69.715
69.721
69.835
70.883
70.930
70.930
74.337
77.470
0.001
0.001
0.002
0.004
0.007
0.013
0.023
0.025
0.024
0.028
0.019
0.001
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
226
-3.775411
12 lnq.
1% Critical Value*
5% Critical Value
10% Critical Value
-4.1219
-3.4875
-3.1718
Coefficient
Std. Error
t-Statistic
Prob.
D12LQ(-1)
D(D12LQ(-1))
C
@TREND(1995:01)
-0.543307
-0.019044
0.042740
-0.000140
0.143907
0.136767
0.027188
0.000540
-3.775411
-0.139247
1.572041
-0.258568
0.0004
0.8898
0.1218
0.7970
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.275189
Mean dependent var
0.234922
S.D. dependent var
0.068807
Akaike info criterion
0.255658
Schwarz criterion
75.00795
F-statistic
1.955984
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
227
-0.002303
0.078665
-2.448550
-2.306450
6.834057
0.000548
-6.232305
1% Critical Value*
5% Critical Value
10% Critical Value
12 lnq.
-4.1249
-3.4889
-3.1727
Coefficient
Std. Error
t-Statistic
Prob.
D(D12LQ(-1))
D(D12LQ(-1),2)
C
@TREND(1995:01)
-1.351378
0.027190
-0.013383
0.000206
0.216834
0.134284
0.028130
0.000611
-6.232305
0.202480
-0.475768
0.337688
0.0000
0.8403
0.6362
0.7369
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.662542
Mean dependent var
0.643440
S.D. dependent var
0.075859
Akaike info criterion
0.304993
Schwarz criterion
68.19023
F-statistic
2.039099
Prob(F-statistic)
Fuente. IEA.
Elaboracin. Propia.
-0.003399
0.127040
-2.252289
-2.108917
34.68546
0.000000
Contrastes-Diagnsticos
Q = n (n + 2)
i =1
ri 2
n 1
(2L k )
individualizado
de
los
residuos
que
puede
observarse
en
los
228
modelo BJ-1 vuelve a ser el que ms apoya la estructura de ruido blanco para sus
residuos.
229
230
Prediccin
Habiendo estimado los modelos anteriores con los datos del periodo enero
de 1995 a diciembre de 2000, denominado anteriormente histrico, se efecta a
continuacin la prediccin ex-post al 95% de grado de confianza, para el periodo
enero de 2001 a diciembre de 2001 (perodo que se considerar futuro), con cada
uno de los cuatro modelos mencionados, las cuales pueden verse en las tablas
IV.2.19 a IV.2.22.
231
L. I. (2,5%)
720,539
661,273
605,350
513,177
509,720
462,302
497,087
531,783
571,470
487,914
515,920
467,341
Valor Real
910,870
744,322
801,157
512,637
582,845
556,618
621,894
634,137
564,881
673,151
606,917
624,039
L. I. (2,5%)
691,8845
598,0432
540,3731
445,9454
437,9049
390,8199
413,6360
436,4074
463,9102
390,9069
409,5668
363,3811
Valor Real
910,870
744,322
801,157
512,637
582,845
556,618
621,894
634,137
564,881
673,151
606,917
624,039
L. I. (2,5%)
797,71423
677,3697
589,3632
486,9810
520,8809
476,0826
503,1430
536,9132
578,9249
490,6342
530,9113
421,7366
232
Valor Real
910,870
744,322
801,157
512,637
582,845
556,618
621,894
634,137
564,881
673,151
606,917
624,039
L. I. (2,5%)
755,2503
616,0237
529,3779
435,0705
464,3439
424,1239
448,2524
478,5226
516,2433
437,7764
474,0121
376,7769
Valor Real
910,870
744,322
801,157
512,637
582,845
556,618
621,894
634,137
564,881
673,151
606,917
624,039
233
900
QMENSUAL
800
700
600
500
400
2000
1999
2001
234
Tipologa
Modelo
Estadsticos
M. con tendencia
y estacionalidad
M. Holt-Winters
M.Ingenuo
AE
M. Estac.
Lineal
Cuadrtico
Negativo
Exponencial Crecimiento
Paseo Aleatorio
MM(11)
MM(12)
MM(13)
R2
0,1836
0,176
0,2639
0,2871
0,8685
0,8773
0,2854
0,2751
0,2845
0,2755
DW
2,385
1,142
1,14
1,199
1,812
1,696
1,193
1,193
1,191
1,194
Forecast Error
84,76
85,15
80,49
79,21
34,02
33,33
79,3
79,87
79,35
79,85
MAPE
0,1084
0,1158
0,1079
0,104
0,04089
0,04104
0,1153
0,1154
0,1147
0,1154
MAD
58,23
61,59
57,46
55,48
21,44
21,24
60,01
60,06
59,77
60,08
BIC
82,85
83,23
78,67
77,42
35,6
35,67
82,97
85,47
83,03
85,45
RMSE
85,35
85,74
81,04
79,76
33,55
32,63
78,19
78,19
78,24
78,17
Mulp
M. Estac. Mulp
Ajuste de Curva
Fuente. IEA.
Elaboracin. Propia.
235
Tipologa
Modelos Dinmicos
Modelo
Modelos Box-Jenkins
Estadsticos
BJ-1
BJ-2
BJ-3
BJ-4
R2
0,8936
0,876
0,8649
0,8579
DW
1,702
1,971
1,803
2,22
Forecast Error
0,056
0,061
0,06399
0,0656
MAPE
0,0347
0,0380
0,03902
0,0422
MAD
18,5
20,46
20,69
22,87
BIC
29,51
31,86
33,25
33,34
RMSE
31,52
35,21
35,06
37,22
Ljung-Box(18)
20,3
22,4
31,86
22,41
p-valor
(0,3163)
(0,2147)
(0,0228)
(0,2142)
Fuente. IEA.
Elaboracin. Propia.
236
237
las
variables
meteorolgicas
la
demanda
elctrica
dirigido
en
las
correspondientes
autor
series
contempla intervalos de
temporales
propone
media
unos
Fourier) a la que se aaden, por una parte, una componente residual que
satisface una ecuacin diferencial referente a la variable dependiente
temperatura y una componente estocstica
Ante todo hay que tener en cuenta que no toda la diferencia entre la
demanda real y la demanda base debe atribuirse a factores climticos, ya que
multitud de otros factores (acontecimientos extraordinarios, traslacin en el
calendario de periodos no laborables entre dos aos consecutivos, etc.)
pueden aumentar tal diferencia y sta puede ser mayor cuanto menor sea el
perodo considerado o ms desagregada sea la demanda. Algunos autores
consideran la demanda base para un determinado perodo como aquella parte
de la demanda real que tiene lugar en ausencia de condiciones extraordinarias
(climticas o no) y proponen diferentes modelos para estimarla, los cuales no
241
CDD
il
, i=1, 2, ..., 12
l =1
243
puntuales,
sino
intervalos,
para
la
temperatura
neutra,
entendindose en este ltimo caso que, segn los autores proponentes de este
ltimo concepto, cualquier valor de la temperatura perteneciente a dicho
intervalo neutro no es causa de un mayor consumo de energa elctrica. Es
obvio, que aunque el concepto de intervalos de temperatura neutra tampoco es
ninguna panacea (puesto que tales intervalos, a su vez, difieren entre autores
cuyos trabajos se refieren a un mismo pas) no obstante, intenta lograr una
mayor flexibilidad que la mera formulacin puntual de una nica temperatura
neutra.
la curva de consumo; as, por ejemplo, Engle, R.F., Mustafa, C. y Rice, J.(1992)
consideran la base del HDD en 55 F(12,7 C) y como bases para el CDD
consideran 66 F(18,8 C) y 76 F(24,4 C). Una aproximacin parecida siguen
Train, K e Ignelzi, P.(1984) para quienes la base del HDD est en 65 F(18,3 C)
y los escalones del CDD los sitan en 65 F(18,3 C), 75 F(23,8 C) y
85 F(29,4 C). Unas bases parecidas son contempladas por Stanton, K.N. y
Gupta, P.C. (1969) para quienes el HDD se encuentra en 60 F(15,5 C) y el
CDD en 70 F(21,1 C) y 75 F(23,8 C). Un modelo que considera como intervalo
neutro el comprendido entre 65 F(18,3 C) y 75 F(23,8 C ) es el propuesto por
Shahidehpour, M. Yamin, H. y Li, Z.(2002)
, T < 65
T
100
Te = T ,
65 T 75
H(T 75)
T +
, T > 75
100
245
Ante todo se desea comentar que los valores de temperatura neutra (sean
en forma puntual o como intervalo) que se utilizan en el presente trabajo,
respecto a la Comunidad Autnoma de Andaluca, si bien intentan ser
plausibles, en opinin de su autora, tienen slo un carcter de instrumentos
necesarios para el estudio metodolgico, exento de cualquier interpretacin
dogmtica, aunque slo fuese por la ya mencionada relativa disparidad
climtica de nuestra Comunidad y la no menor disparidad de percepcin
personal respecto a este tema.
246
Tmxij =
mx ijl
l =1
n
n
Tmn ij =
mn ijl
l =1
donde:
Tmx ij : es la temperatura media de las mximas del mes i-simo y
del ao j-simo.
Tmnij : es la temperatura media de las mnimas del mes i-simo y
del ao j-simo.
Tmxij + Tmn ij
2
247
factor de
en
el
clculo
de
las
temperaturas
medias
mensuales
Los datos medios mensuales de las temperaturas, para cada una de las
ocho provincias de Andaluca, como ya se ha comentado anteriormente han
sido
suministrados
por
el
Instituto
Nacional
de
Meteorologa,
Centro
Denominada Compaa Sevillana de Electricidad, S.A. hasta la fusin por absorcin, a finales de 1997, por parte del
Grupo Endesa, S.A.
249
Provincia
Denominacin
Coordenadas
Geogrficas (UTM)
Centro Meteorolgico
LONG: 02-23-17W
Andaluca Oriental
LAT: 36-50-35
ALT: 20
LONG: 06-15-37W
Cdiz
Cortadura
Andaluca Occidental
LAT: 36-29-55
ALT:8
LONG: 04-51-02W
Crdoba
Aeropuerto
LAT: 37-50-40
Andaluca Occidental
ALT: 91
LONG: 03-46-35W
Granada
Aeropuerto
LAT: 37-11-24
Andaluca Oriental
ALT: 575
LONG: 06-54-35W
Huelva
Ronda Este
Andaluca Occidental
LAT: 37-16-48
ALT: 19
LONG: 03-48-27W
Jan
Cerro de los Lirios
LAT: 37-46-40
Andaluca Oriental
ALT: 580
LONG: 04-29-17W
Mlaga
Aeropuerto
LAT: 36-40-00
Andaluca Oriental
ALT: 7
LONG: 05-54-13W
Sevilla
Aeropuerto
Andaluca Occidental
LAT: 37-25-26
ALT: 26
Fuente. Centro Meteorolgico Territorial en Andaluca Occidental y Ceuta. INM.
Elaboracin. Propia.
Almera
Aeropuerto
250
La temperatura calculada para cada uno de los doce meses de los aos
comprendidos en el periodo 1995-2001, Tij , es el resultado de la
siguiente expresin:
8
Tij = Tijkwk
k =1
siendo
wk
=1
k =1
por
los
abonados
de
varias
distribuidoras
elctricas
252
1000
800
600
400
200
10
11
12
1995
499,832
467,945
456,622
379,482
393,463
349,939
392,364
452,671
451,687
386,325
393,611
386,218
1996
532,132
531,256
577,911
491,764
450,744
390,87
438,534
441,767
472,738
408,907
427,244
454,283
1997
616,711
598,998
490,834
439,37
419,637
400,203
421,357
451,661
491,063
443,147
456,135
483,543
1998
620,174
617,589
553,649
483,974
479,265
432,599
474,189
499,934
556,699
472,288
487,641
449,366
1999
743,323
668,587
638,898
539,113
510,449
464,911
493,642
537,38
582,353
487,616
534,832
462,865
2000
872,774
910,87
733,867
744,322
638,929
801,157
528,273
512,637
565,406
582,845
517,105
556,618
546,841
621,894
583,91
634,137
629,992
564,881
534,245
673,151
578,46
606,917
459,791
624,039
2001
Meses
253
GWh
1000
Grados centgrados
400
900
350
800
300
700
250
600
200
500
400
150
300
100
200
50
100
83
81
79
77
75
73
71
69
67
65
63
61
59
57
55
53
51
49
47
45
43
41
39
37
35
33
31
29
27
25
23
21
19
17
15
13
11
0
1
0
Meses
Consumo de Electricidad (GWh)
Geqmen 22 c
en la figuras IV.3.3 y
254
GWh
Grados centgrados
1000
400
900
350
800
300
700
250
600
500
200
400
150
300
100
200
50
100
0
83
81
79
77
75
73
71
69
67
65
63
61
59
57
55
53
51
49
47
45
43
41
39
37
35
33
31
29
27
25
23
21
19
17
15
13
11
0
Meses
Consumo de Electricidad (GWh)
Geqmen 22 c(-1)
255
450
GWh
Grados centgrados
400
400
350
350
300
300
250
250
200
200
150
150
100
100
50
50
0
83
81
79
77
75
73
71
69
67
65
63
61
59
57
55
53
51
49
47
45
43
41
39
37
35
33
31
29
27
25
23
21
19
17
15
13
11
0
Meses
Consumo de Electricidad trasladado (GWh)
Geqmen 22c
450
GWh
Grados centgrados
30
400
25
350
300
20
250
15
200
150
10
100
5
50
82
79
76
73
70
67
64
61
58
55
52
49
46
43
40
37
34
31
28
25
22
19
16
13
10
0
Meses
Consumo de Electricidad trasladado (GWh)
Temperatura Bruta
256
1000
900
800
700
600
500
400
300
0
100
200
300
400
Geqmen 22
Figura.IV.3.6. Diagrama de dispersin. Consumo de electricidad versus grados equivalentes
mensuales 22 C.
Fuente. IEA.
Elaboracin. Propia.
257
1000
900
800
700
600
500
400
300
0
100
200
300
400
geqmen 22 (-1)
Figura.IV.3.7. Diagrama de dispersin. Consumo de electricidad versus grados equivalentes
mensuales 22 C(-1).
Fuente. IEA.
Elaboracin. Propia.
*
**
258
350
300
250
200
150
100
50
10
11
12
1995
1996
347,448
292,764
238,784
324,887
221,464
249,147
154,95
154,05
12,617
102,548
2,28
67,23
155,682
130,014
157,976
100,409
3,48
12,12
30,442
104,78
158,94
224,46
261,826
298,871
1997
319,021
219,8
173,259
106,32
74,679
7,29
83,979
107,105
68,22
32,395
200,1
305,164
1998
1999
321,439
357,833
233,268
310,8
188,666
238,793
191,04
135,48
107,508
38,285
51,33
64,8
128,743
131,471
152,985
143,499
49,2
28,38
114,669
69,843
204,42
266,76
354,826
315,115
2000
2001
378,231
315,642
231,884
259,112
213,001
190,743
213,9
134,79
58,125
81,158
79,2
93,3
132,928
103,881
145,421
149,544
53,7
47,4
103,726
48,515
247,77
260,31
298,096
329,189
Meses
259
Probability
0.09541
1.9E-05
70
1.46806
14.4490
0.23791
6.4E-06
260
261
262
Tabla.IV.3.4. Resultados de la regresin lineal y cuadrtica para cada uno de los aos comprendidos en el periodo 1995-2001.
Modelos
Lineal
Cuadrtico
Aos
1995
1996
1997
1998
1999
2000
2001
1995
1996
1997
1998
1999
2000
2001
regresin
30, 7075
27,9538
37,4031
42,7522
59,6001
91,7811
95,2957
32,5225
24,5390
28,7278
37,9382
56,4559
91,1705
78,2978
Significancia
0,0225
0,0002
0,0004
0,0046
0,0041
0,0333
0,0373
0,0864
0,0003
0,0002
0,0048
0,0079
0,0691
0,0137
377,9726
385,1157
395,4426
419, 5925
458,4370
479,4286
535,2826
379,3241
424,1153
444,3657
494,7979
516,5665
567,3395
738,6811
14,8930
16,4800
19,0763
27,9339
31,3636
55,2968
56,1456
18,0674
24,3258
22,7087
46,2984
49,5785
99,1456
96,1498
Significancia
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0003
0,0000
lineal
0,23761
0,49241
0,57204
0,53321
0,54313
0,66104
0,71126
0,2002
-0,1377
-0,3492
-0,5115
-0,4011
-0,4978
-2,4042
lineal
0,08646
0,08518
0,11159
0,14680
0,14699
0,26803
0,29626
0,2606
0,3247
0,3377
0,5586
0,6596
1,1202
1,3149
Significancia
0,0225
0,0002
0,0004
0,0046
0,0041
0,0333
0,0373
0,4645
0,6815
0,3282
0,3837
0,5582
0,6672
0,1007
cuadrtico
0,0001
0,0018
0,0028
0,0028
0,0024
0,0028
0,0087
cuadrtico
0,0008
0,0009
0,0010
0,0014
0,0016
0,0027
0,0036
Significancia
0,8819
0,0773
0,0201
0,0866
0,1771
0,3146
0,0392
R2
0,39584
0,74664
0,69676
0,52571
0,53493
0,31603
0,30220
0,3223
0,80476
0,8211
0,6265
0,5827
0,3251
0,5289
F-valor modelo
3,3780
33,4157
26,2745
13,1926
13,6525
6,0825
5,7639
3,3780
23,6700
26,2452
10,2260
8,6802
3,6493
7,1757
Fuente.IEA.
Elaboracin. Propia
263
Tabla.IV.3.5. Resultados de la regresin para los modelos lineal y cuadrtico durante el periodo de
1995 a 2001.
Lineal
Cuadrtico
Modelos
1995-2001
1995-2001
regresin
92,56146
91.21831
Significancia
0,0000
0,0000
428,432860
469,146123
19,372529
29,181866
Significancia
0,0000
0,0000
lineal
0,597725
-0,075754
lineal
0,101081
0,378434
Significancia
0,0000
0,8418
cuadrtico
0,001884
cuadrtico
0,001021
R2
0,29290
0,31328
Significancia
0,0688
F-valor modelo
34,96727
19,70378
Fuente. IEA.
Elaboracin. Propia.
264
Cuando se compara las ecuaciones de regresin para cada uno de los meses
es preciso preguntarse acerca de la igualdad de sus pendientes. Una vez calculadas
las estimaciones de los coeficientes de regresin mnimo cuadrticos se ha realizado
un contraste mltiple de igualdad de pendientes en las rectas9 (se detalla en el
anexo, tablas A.IV.82 a A.IV.89). La hiptesis de paralelismo de las pendientes de
las rectas de regresin, tanto en el primer semestre como en el segundo semestre,
no puede ser rechazada al nivel de confianza del 95%. El hecho de que las lneas
resulten ser paralelas puede ser interpretado como un ratio de consumo de
electricidad constante respecto a los grados equivalentes para todos los meses de
cada uno de los dos semestres, es decir, si la temperatura experimenta un
incremento unitario positivo (o negativo) el incremento (disminucin) de la energa
consumida es aproximadamente constante para todos los meses del semestre
considerado.
Graybill, F.A.(1994).
265
1000
800
600
400
200
1995
1996
1997
1998
1999
2000
2001
499,832
467,945
532,132
531,256
616,711
598,998
620,174
617,589
743,323
668,587
872,774
733,867
910,87
744,322
456,622
577,911
490,834
553,649
638,898
638,929
801,157
MAYO
379,482
393,463
491,764
450,744
439,37
419,637
483,974
479,265
539,113
510,449
528,273
565,406
512,637
582,845
JUNIO
349,939
390,87
400,203
432,599
464,911
517,105
556,618
ENERO
FEBRERO
MARZO
ABRIL
Aos
Figura.IV.3.9. Patrn de consumo de electricidad durante los seis primeros meses durante el periodo
1995-2001.
Fuente. IEA.
Elaboracin. Propia
800
600
400
200
0
JULIO
AGOSTO
SEPTIEMBRE
OCTUBRE
NOVIEMBRE
DICIEMBRE
1995
1996
1997
1998
1999
2000
2001
392,364
438,534
421,357
474,189
493,642
546,841
621,894
452,671
451,687
441,767
472,738
451,661
491,063
499,934
556,699
537,38
582,353
583,91
629,992
634,137
564,881
386,325
408,907
443,147
472,288
487,616
534,245
673,151
393,611
386,218
427,244
454,283
456,135
483,543
487,641
449,366
534,832
462,865
578,46
459,791
606,917
624,039
Aos
Figura.IV.3.10. Patrn de consumo de electricidad durante los seis ltimos meses durante el periodo
1995-2001.
Fuente. IEA.
Elaboracin. Propia.
266
GWh
Grados centgrados
2500
8000
2000
7000
6000
1500
5000
4000
1000
3000
2000
500
1000
1995
1996
1997
1998
1999
2000
2001
5010,159
5618,15
5712,659
6127,367
6663,969
7189,593
7833,468
Geqmen 22 c
1745,889
2061,28
1697,332
2098,094
2101,059
2155,982
2013,584
Aos
Consumo de electricidad (GWh)
Geqmen 22 c
267
350
Grados centgrados
300
250
200
150
100
50
ENERO
Geqmen 22 c 333,1968571
FEBRERO
259,7907143
MARZO
210,7247143
ABRIL
155,79
MAYO
67,84571429
JUNIO
52,20428571
JULIO
123,814
NOVIEMBRE
223,2514286
Meses
268
DICIEMBRE
309,0124286
habitualmente
que
las
observaciones
involucradas
en
la
269
(15)
270
en
un
modelo
Box-Jenkins
estocstico
multivariante
puede
existir
(16)
271
(17)
tipos
de
retardos
que
se
aplican
son
los
de
un
272
Coefficient
Std. Error
t-Statistic
Prob.
QMENSUAL(-1)
QMENSUAL(-12)
GEQMEN22
C
AR(12)
AR(24)
-0.103296
1.321546
-0.081990
-54.77066
-0.629931
-0.367929
0.026912
0.039532
0.023397
16.16541
0.111498
0.091287
-3.838294
33.42978
-3.504336
-3.388138
-5.649717
-4.030487
0.0006
0.0000
0.0015
0.0020
0.0000
0.0004
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.952456
0.944532
22.12571
14686.41
-159.2826
2.106337
Inverted AR Roots
.94+.17i
.94 -.17i
.90 -.33i
.73+.62i
.73 -.62i
.62 -.73i
.33+.90i
.33 -.90i
.17 -.94i
-.17+.94i
-.17 -.94i
-.33 -.90i
-.62 -.73i
-.62+.73i
-.73+.62i
-.90 -.33i
-.90+.33i
-.94+.17i
Fuente. IEA e INM.
Elaboracin. Propia.
273
555.0258
93.94524
9.182369
9.446289
120.1982
0.000000
.90+.33i
.62+.73i
.17+.94i
-.33+.90i
-.73 -.62i
-.94 -.17i
contrastan
travs
de
pruebas
de
autocorrelacin,
normalidad,
IV.4.2
Se
observa
que
los
coeficientes
de
autocorrelacin
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Partial Correlation
AC
. *| . |
1 -0.142
. *| . |
2 -0.043
. | . |
3 -0.029
. *| . |
4 -0.132
. |* . |
5 0.128
.**| . |
6 -0.207
. | . |
7 0.087
.**| . |
8 -0.184
. |* . |
9 0.090
.**| . |
10 -0.099
. *| . |
11 -0.128
. | . |
12 0.196
. *| . |
13 -0.142
.**| . |
14 -0.021
. | . |
15 0.020
. | . |
16 0.104
Fuente. IEA e INM.
Elaboracin. Propia.
274
PAC
Q-Stat
Prob
-0.142
-0.065
-0.046
-0.150
0.084
-0.205
0.036
-0.230
0.071
-0.221
-0.114
0.015
-0.099
-0.222
0.002
0.002
0.7936
0.8694
0.9038
1.6469
2.3748
4.3259
4.6842
6.3425
6.7520
7.2674
8.1648
10.360
11.551
11.580
11.606
12.350
0.342
0.439
0.498
0.364
0.456
0.386
0.455
0.508
0.518
0.409
0.398
0.480
0.560
0.578
Partial Correlation
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
AC
.**| . |
1 -0.225
. *| . |
2 -0.024
. |* . |
3 0.106
. | . |
4 -0.036
. *| . |
5 -0.108
. *| . |
6 -0.028
.**| . |
7 -0.236
. *| . |
8 0.052
. |* . |
9 0.126
. | . |
10 -0.065
. | . |
11 0.009
. |**. |
12 0.332
. | . |
13 -0.120
. *| . |
14 -0.030
. | . |
15 0.032
. *| . |
16 -0.199
Fuente. IEA e INM.
Elaboracin. Propia.
PAC
Q-Stat
Prob
-0.225
-0.078
0.088
0.008
-0.114
-0.098
-0.292
-0.071
0.133
0.045
-0.024
0.274
-0.003
-0.100
-0.038
-0.171
1.9796
2.0019
2.4713
2.5281
3.0417
3.0783
5.6997
5.8337
6.6403
6.8592
6.8636
13.145
13.994
14.052
14.117
16.834
0.116
0.283
0.385
0.545
0.337
0.442
0.467
0.552
0.651
0.216
0.233
0.297
0.366
0.265
275
8
Series: Residuals
Sample 1998:01 2000:12
Observations 36
6
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
Jarque-Bera
Probability
4.14E-08
2.595308
34.75211
-41.31909
20.48442
-0.400204
2.311303
1.672435
0.433347
0
-40
276
0.421874
1.053085
Probability
Probability
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Variable
Coefficient
Std. Error
t-Statistic
Prob.
0.028650
0.042308
0.024874
16.60909
0.117735
0.096035
0.209616
0.206931
0.140608
-0.229072
0.235832
0.105072
-0.113693
-0.225311
-0.881521
-0.325482
0.8892
0.8205
0.8153
0.9171
0.9103
0.8234
0.3855
0.7472
QMENSUAL(-1)
QMENSUAL(-12)
GEQMEN22
C
AR(12)
AR(24)
RESID(-1)
RESID(-2)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.004028
-0.009692
0.005866
1.745157
-0.013386
-0.021638
-0.184781
-0.067352
0.659916
0.590644
0.029252
Mean dependent var
-0.213435
S.D. dependent var
22.56482
Akaike info criterion
14256.80
Schwarz criterion
-158.7482
F-statistic
1.833839
Prob(F-statistic)
Fuente. IEA e INM.
Elaboracin. Propia.
4.14E-08
20.48442
9.263791
9.615685
0.120535
0.996239
277
0.922062
1.909024
Probability
Probability
0.408331
0.385000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample(adjusted): 1998:03 2000:12
Included observations: 34 after adjusting endpoints
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
RESID^2(-1)
RESID^2(-2)
501.2004
-0.246801
-0.080745
125.6741
0.183096
0.160571
3.988096
-1.347934
-0.502864
0.0004
0.1874
0.6186
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.056148
Mean dependent var
-0.004746
S.D. dependent var
426.9056
Akaike info criterion
5649699.
Schwarz criterion
-252.5967
F-statistic
1.934269
Prob(F-statistic)
Fuente. IEA e INM.
Elaboracin. Propia.
381.4565
425.8961
15.03510
15.16978
0.922062
0.408331
278
3.514304
15.15578
Probability
Probability
0.009786
0.019079
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample: 1998:01 2000:12
Included observations: 36
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
QMENSUAL(-1)
QMENSUAL(-1)^2
QMENSUAL(-12)
QMENSUAL(-12)^2
GEQMEN22
GEQMEN22^2
-3396.462
5.622478
-0.005674
8.763382
-0.006058
-6.553650
0.018626
2957.281
7.658520
0.006182
11.65791
0.010672
3.242073
0.008593
-1.148508
0.734147
-0.917732
0.751711
-0.567685
-2.021438
2.167508
0.2601
0.4688
0.3663
0.4583
0.5746
0.0525
0.0385
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.420994
Mean dependent var
0.301199
S.D. dependent var
396.0576
Akaike info criterion
4548988.
Schwarz criterion
-262.5259
F-statistic
2.572681
Prob(F-statistic)
Fuente. IEA e INM.
Elaboracin. Propia.
407.9558
473.7855
14.97366
15.28157
3.514304
0.009786
279
4.669848
10.36269
Probability
Probability
0.017775
0.005620
Test Equation:
Dependent Variable: QMENSUAL
Method: Least Squares
Sample: 1998:01 2000:12
Included observations: 36
Convergence achieved after 35 iterations
Variable
Coefficient
Std. Error
t-Statistic
Prob.
QMENSUAL(-1)
QMENSUAL(-12)
GEQMEN22
C
FITTED^2
FITTED^3
AR(12)
AR(24)
-0.099817
-0.153375
0.050593
610.6458
0.000933
-7.63E-08
0.359183
0.570817
0.104482
0.140988
0.106518
1050.043
0.000469
4.25E-07
0.251509
0.274408
-0.955343
-1.087859
0.474975
0.581544
1.988193
-0.179648
1.428112
2.080178
0.3476
0.2859
0.6385
0.5655
0.0566
0.8587
0.1643
0.0468
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.964348
0.955435
19.83227
11012.93
-154.1013
2.117661
Inverted AR Roots
1.00
.93+.25i
.86+.50i
.68 -.68i
.50+.86i
.25 -.93i
-.00+1.00i -.25 -.93i
-.50+.86i
-.68+.68i
-.86+.50i
-.93 -.25i
Fuente. IEA e INM.
Elaboracin. Propia.
555.0258
93.94524
9.005628
9.357521
108.1953
0.000000
.86 -.50i
.50 -.86i
.00 -1.00i
-.50 -.86i
-.86 -.50i
-1.00
280
L. I. (2,5%)
950,572
739,300
671,158
536,407
586,792
500,139
562,439
606,688
694,978
525,977
582,491
428,159
QMENSUAL
900
800
700
600
500
400
1999
2000
2001
281
282
Combining
Forecasts.
Con
anterioridad
dicho
nmero
283
Es posible que
284
285
deseable
que
los
errores
de
prediccin
individuales
estuviesen
286
MSE j =
1
SCE j =
n
e
t =1
2
j ,t
Si se supone que fn y gn son dos predicciones para el valor xn+1, usando dos
procedimientos diferentes. En adelante se designar a fn y gn simplemente por f y
g respectivamente, pues ambas predicciones se supondrn calculadas utilizando
los mismos n datos histricos. Una nueva prediccin para dicho valor,
combinando las predicciones anteriores sera:
c = kf + (1 k ) g ,
0< k <1
287
(18)
k=
(19)
var (eg )
(20)
var ( eg ) + var(ef )
del
error
de
la
serie
combinada
nunca
ser
mayor
que
k=
(eg t )2
t =1
[(eg t ) + (eft ) ]
n
(21)
t =1
288
B = A1 + A2 + ... + Ap
kj =
Aj
B
; siendo
kj =1
j =1
289
Mes
Metodo Combinado
Mes
Estimacin
Enero
920,30
Febrero
763,31
Marzo
690,83
Abril
571,64
Mayo
501,36
Junio
531,11
Julio
577,52
Agosto
618,74
Septiembre 684,96
Octubre
555,00
Noviembre
602,21
Diciembre
486,34
Fuente. IEA e INM.
Elaboracin. Propia.
290
291
293
Disposicin al cambio
7,5%
No sabe
3,7%
S cambio
Lo estudiara
44,2%
14,6%
En el futuro
No Cambio
30,0%
Marca
83,8%
Diversidad de tarifa
Exactitud de facturacin
91,8%
Precio
93,3%
96,3%
Seguridad
Gas
5,8%
3,8%
Electricidad
El nivel de satisfaccin
Muy insatisfecho
2,8%
Poco satisfecho
3,0%
Indiferente
3,0%
77,9%
Satisfecho
Muy satisfecho
13,3%
295
elctrico
296
utilizado
diversos
procedimientos
entre
los
que
se
encuentran
297
12 ln qt = (1 0,8103B ) 1 0,7480B12 t
298
299
CAPTULO V
ANLISIS DE LA EFICIENCIA TCNICA
DEL SECTOR ELCTRICO ESPAOL
LIBERALIZADO
V.1. INTRODUCCIN
303
eleccin del sector elctrico para llevar a cabo el referido estudio. La tercera
seccin ofrece una sntesis descriptiva de algunos de los mtodos ms
utilizados para analizar los dos tipos de eficiencia clsicos, esto es, la eficiencia
tcnica y la eficiencia asignativa o econmica. En la cuarta seccin se explica
la metodologa del Anlisis por Envoltura de Datos, que ha de complementarse
con el desarrollo de la tcnica que puede verse en el Apndice del trabajo. En
la quinta seccin tiene lugar el estudio emprico con el objetivo de conocer la
evolucin seguida, en materia de eficiencia tcnica, por los principales grupos
elctricos espaoles durante el periodo 1998-2001. Finalmente, en la sexta
seccin, se presentan las conclusiones ms relevantes a las que se ha llegado
con el citado estudio.
305
El anlisis del Sector Elctrico Espaol tiene especial inters por tres
razones que se exponen a continuacin:
306
y 2 y1
y2
y1
=
y2
y y1
y
para representar la eficiencia tcnica. Es decir, 1 para la unidad
1- 2
y2
y2
A . La segunda forma, es en trminos de inputs, distancia en el eje del input, es
la cantidad de input utilizado con respecto a la cantidad que sera necesario,
dado un nivel de output, si la actividad fuera eficiente. Es decir, la eficiencia
tcnica en trminos de input sera,
x1
en el caso de la unidad A.
x2
309
Y OUTPUT
y2
y1
O
x2
x1
X INPUT
310
311
Yit = K it K Lit L ev it u it
idnticamente
distribuidas)
de
distribuciones
normales
312
313
Siguiendo
esta
ltima
aproximacin,
Farell(1957),
estableci
las
siguientes hiptesis:
314
y2
y1
x1
x2
315
V.4.1. Introduccin
Recursos Generados
Salidas
=
Recursos Consumidos Entradas
316
Una de las razones por las que se emplea la tcnica DEA es porque se
han descubierto posibilidades para su utilizacin, en casos en los que otro tipo
de aproximaciones no han sido vlidas por la complejidad de la naturaleza de
numerosos inputs y numerosos outputs en muchas de estas actividades (las
cuales son normalmente calificadas en unidades no-cuantificables).
11
317
se
ha
considerado
que
actan
es
Espaa,
ya
que
la
13
318
Hidrulica
Carbn
Fuel/Gas
Nuclear
PRODUCCIN
BRUTA (b.a.)
-Consumos en
generacin
-Consumos
Bombeo
PRODUCCIN
NETA
+Intercambios
internacionales
+Rgimen
especial
DEMANDA(b.c.)
2001
2000
1999
1998
39.374
68.080
12.400
63.705
27.422
76.595
10.260
62.094
24.171
72.315
9.925
58.852
33.989
60.184
5.649
58.996
183.559
176.371
165.263
158.818
7.613
7.806
7.224
6.274
4.141
4.664
3.666
2.587
171.805
163.901
154.373
149.957
3.450
4.471
5.719
3.398
30.374
27.429
24.189
19.325
205.629
195.800
184.281
172.680
319
De esta forma, se han seguido una serie de fases, las cuales, son
necesarias para la aplicacin del anlisis envolvente de datos, y que se
exponen en la figura V.4.1:
320
Seleccin de las
variables inputs y outputs
Construccin de los
modelos DEA
Anlisis de la
eficiencia tcnica y
de escala a travs
del modelo BCC
Anlisis de las
variables de holgura
que derive en
acciones de mejora
Anlisis de la
sensibilidad de las
variables
input/output para
examinar las
ventajas
competitivas
321
Por otra parte, las variables outputs que influyen en la eficiencia de las
compaas elctricas son las siguientes:
Energa
Facturada
(ENERFAC):
son
los
gigawatios
(109
vatios)
TIEPI =
Pi Hi
i =1
n
Pi
i =1
322
siendo
Pi : potencia instalada en los centros de transformacin de media y baja tensin
del distribuidor, ms la potencia contratada en media tensin, afectada por la
interrupcin i-sima de duracin Hi , expresado en kVA.
Hi : tiempo de interrupcin del suministro que afecta a la potencia Pi , expresado
en horas.
k: nmero total de interrupciones durante el perodo considerado.
n: nmero de centros de transformacin.
perfecta con todas las variables inputs consideradas, ya que todas las
correlaciones alcanzan valores muy elevados y prximos al valor mximo (la
unidad). El anlisis estadstico de los datos indica que, en principio, no se debe
ser muy selectivo con los inputs planteados cuando se intenta explicar la
variacin de algunos de los outputs, ya que los coeficientes de correlacin
entre todos los pares de input-output alcanzan valores elevados, lo cual no
provocar fuertes discriminaciones a la hora de elegir entre los distintos inputs
y/o outputs que formarn parte de los modelos que se construirn en secciones
posteriores.
LAT
LBT
PTI
EMP
Correlacin de Pearson
Sig. (bilateral)
Correlacin de Pearson
Sig. (bilateral)
Correlacin de Pearson
Sig. (bilateral)
Correlacin de Pearson
Sig. (bilateral)
TIEPI
0,797
0,00
0,699
0,00
0,750
0,00
0,741
0,00
ENERFAC
0,979
0,00
0,999
0,00
0,983
0,00
0,941
0,00
CLI
0,977
0,00
0,991
0,00
0,984
0,00
0,934
0,00
325
resultados
son
poco
concluyentes,
ya
que
por
trmino
medio
ejercicios
14
Viesgo, filial del grupo Endesa e integrada posteriormente en el grupo, es comprada por Enel en el ao 2001..
326
2 INPUTS-1 OUTPUT
MODELO
Inputs
Outputs
LAT
TIEPI
1
LBT
LAT
2
CLI
LBT
LAT
3
EFACT
LBT
LAT
TIEPI
4
PTI
LAT
5
CLI
PTI
LAT
6
EFACT
PTI
LAT
TIEPI
7
EMP
LAT
8
CLI
EMP
LAT
9
EFACT
EMP
LBT
TIEPI
10
PTI
LBT
11
CLI
PTI
LBT
12
EFACT
PTI
LBT
TIEPI
13
EMP
LBT
14
CLI
EMP
LBT
15
EFACT
EMP
EMP
TIEPI
16
PTI
EMP
17
CLI
PTI
EMP
18
EFACT
PTI
Elaboracin. Propia.
15
327
Respecto a las variables inputs y outputs que constituirn la base para analizar
la productividad centrada en los recursos humanos adquiridos por parte de la
empresa, estos son:
329
10
11
12
Promedio
1,08
1,00
1,00
1,32
1,06
1,29
1,09
1,22
1,00
1,15
1,03
1,25
1,00
1,00
1,00
1,30
1,11
1,08
1,00
1,00
1,38
1,06
1,11
1,08
1,27
1,00
1,00
1,03
1,31
1,00
1,00
1,00
1,46
1,11
1,08
1,00
1,00
1,11
1,08
1,30
1,09
1,05
1,00
1,12
1,03
1,03
1,00
1,00
1,00
1,00
1,06
1,08
1,00
1,00
1,34
1,08
1,30
1,10
1,21
1,00
1,09
1,04
1,06
1,00
1,00
1,00
1,00
1,08
1,04
1,00
1,00
1,15
1,03
1,08
1,03
1,17
1,00
1,05
1,02
1,17
1,00
1,00
1,00
1,17
1,06
1,04
1,00
1,00
1,38
1,03
1,05
1,02
1,27
1,00
1,06
1,01
1,34
1,00
1,08
1,00
1,42
1,11
1,08
1,00
1,07
1,02
1,00
1,00
1,01
1,02
1,02
1,01
1,01
1,02
1,00
1,18
1,00
1,00
1,03
1,04
1,00
1,00
1,31
1,06
1,37
1,06
1,15
1,00
1,30
1,03
1,00
1,00
1,09
1,00
1,00
1,09
1,05
1,07
1,05
1,15
1,03
1,08
1,03
1,18
1,01
1,05
1,02
1,17
1,00
1,00
1,00
1,17
1,07
1,05
1,00
1,03
1,43
1,03
1,03
1,02
1,44
1,01
1,00
1,01
1,42
1,00
1,00
1,00
1,42
1,12
1,08
1,00
1,07
1,02
1,06
1,29
1,05
1,02
1,02
1,09
1,02
1,02
1,00
1,00
1,00
1,00
1,05
1,09
1,00
1,19
1,42
1,06
1,30
1,11
1,25
1,02
1,05
1,03
1,04
1,00
1,00
1,00
1,00
1,10
1,07
1,01
1,03
1,25
1,05
1,18
1,06
1,19
1,01
1,08
1,02
1,15
1,00
1,03
1,00
1,16
330
de alta tensin, como input, por lo tanto sera ste un factor que se encontrara
infrautilizado.
10
11
12
13
14
15
16
17
18
Promedio
1,89
1,00
1,22
1,51
2,27
1,38
1,58
1,37
1,96
1,36
1,52
1,46
2,16
1,00
1,48
1,79
1,56
1,05
1,00
1,03
1,15
1,03
1,02
1,02
1,18
1,01
1,02
1,01
1,17
1,00
1,00
1,00
1,17
1,05
1,13
1,00
1,15
1,45
1,06
1,11
1,09
1,39
1,03
1,00
1,03
1,35
1,00
1,00
1,00
1,30
1,13
1,89
1,00
1,22
1,51
2,27
1,38
1,58
1,37
1,96
1,36
1,52
1,46
2,16
1,00
1,48
1,79
1,56
1,05
1,00
1,05
1,00
1,03
1,07
1,03
1,01
1,01
1,05
1,02
1,01
1,00
1,00
1,00
1,00
1,02
1,14
1,00
1,18
1,14
1,06
1,41
1,11
1,08
1,03
1,12
1,04
1,05
1,00
1,00
1,00
1,00
1,08
1,89
1,00
1,22
1,51
2,27
1,38
1,58
1,37
1,96
1,36
1,52
1,46
2,16
1,00
1,48
1,79
1,56
1,05
1,00
1,05
1,15
1,03
1,08
1,03
1,15
1,01
1,04
1,02
1,02
1,00
1,00
1,00
1,00
1,04
1,14
1,00
1,20
1,43
1,06
1,46
1,12
1,30
1,03
1,09
1,04
1,07
1,00
1,00
1,00
1,00
1,12
1,89
1,00
1,22
1,51
2,27
1,38
1,58
1,37
1,96
1,36
1,52
1,46
2,16
1,10
1,48
1,79
1,56
1,05
1,00
1,03
1,02
1,03
1,05
1,02
1,02
1,01
1,06
1,01
1,01
1,00
1,08
1,00
1,00
1,02
1,14
1,00
1,15
1,14
1,06
1,11
1,09
1,08
1,03
1,00
1,03
1,05
1,00
1,00
1,00
1,00
1,06
1,89
1,00
1,22
1,51
2,27
1,38
1,58
1,37
1,96
1,36
1,52
1,46
2,16
1,10
1,48
1,79
1,56
1,05
1,00
1,03
1,34
1,03
1,05
1,02
1,20
1,01
1,06
1,01
1,03
1,00
1,08
1,00
1,00
1,06
1,14
1,00
1,15
1,55
1,06
1,11
1,09
1,30
1,03
1,00
1,03
1,07
1,00
1,00
1,00
1,00
1,10
1,89
1,00
1,22
1,51
2,27
1,38
1,58
1,37
1,96
1,36
1,52
1,46
2,16
1,10
1,48
1,79
1,56
1,08
1,00
1,07
1,02
1,06
1,48
1,05
1,02
1,02
1,30
1,02
1,02
1,00
1,32
1,00
1,00
1,09
1,17
1,00
1,19
1,14
1,09
1,41
1,12
1,09
1,04
1,09
1,04
1,05
1,00
1,00
1,00
1,00
1,09
1,36
1,00
1,14
1,31
1,46
1,26
1,24
1,23
1,33
1,16
1,19
1,20
1,39
1,04
1,16
1,29
alcanzadas por
332
1,00
0,95
0,90
1
2
3
0,85
4
5
6
7
0,80
8
9
10
11
12
Promedio
0,75
0,70
0,65
0,60
ENDESA(1998)
ENDESA(1999)
ENDESA(2000)
ENDESA(2001)
1,00
0,95
0,90
1
2
3
0,85
4
5
6
7
8
0,80
9
10
11
12
0,75
Promedio
0,70
0,65
0,60
H.C.(1998)
H.C.(1999)
H.C.(2000)
H.C.(2001)
334
1,00
0,95
0,90
1
2
3
0,85
4
5
6
7
0,80
8
9
10
11
12
Promedio
0,75
0,70
0,65
0,60
IBERDROLA(1998)
IBERDROLA(1999)
IBERDROLA(2000)
IBERDROLA(2001)
335
1,00
0,95
0,90
1
2
3
0,85
4
5
6
7
0,80
8
9
10
11
12
Promedio
0,75
0,70
0,65
0,60
U.FENOSA(1998)
U.FENOSA(1999)
U.FENOSA(2000)
U.FENOSA(2001)
336
0,90
1
2
3
4
0,80
5
6
7
8
9
10
0,70
11
12
13
14
15
0,60
16
17
18
Promedio
0,50
0,40
ENDESA(1998)
ENDESA(1999)
ENDESA(2000)
ENDESA(2001)
337
1,00
0,90
1
2
3
0,80
4
5
6
7
8
9
10
0,70
11
12
13
14
15
16
0,60
17
18
0,50
0,40
H.C.(1998)
H.C.(1999)
H.C.(2000)
H.C.(2001)
338
0,9
1
2
3
4
0,8
5
6
7
8
9
10
0,7
11
12
13
14
15
0,6
16
17
18
Promedio
0,5
0,4
IBERDROLA(1998)
IBERDROLA(1999)
IBERDROLA(2000)
IBERDROLA(2001)
339
15, 17 y 18. La disminucin del TIEPI sigue siendo una mejora pendiente por
Unin Fenosa en el ao 2001.
0,9
1
2
3
4
0,8
5
6
7
8
9
10
0,7
11
12
13
14
15
0,6
16
17
18
Promedio
0,5
0,4
U.FENOSA(1998)
U.FENOSA(1999)
U.FENOSA(2000)
U.FENOSA(2001)
340
341
Por otra parte, Hidrocantbrico y Unin Fenosa tienen cada una de ellas
una evolucin peculiar. Hidrocantbrico es la nica empresa elctrica que al
comienzo del proceso de liberalizacin est trabajando en trminos de
eficiencia tcnica. Sin embargo, en los aos sucesivos Hidrocantbrico se trata
de adaptar al nuevo marco elctrico, abandonando su posicin de eficiencia.
Finalmente, Unin Fenosa es la empresa que ha desarrollado una conducta
ms irregular en el aprovechamiento de sus recursos para la produccin de
energa, en los ejercicios 1998, 1999 y 2000, situacin que cambia en el ao
2001. Una de las principales causas que han llevado a Unin Fenosa a
alcanzar niveles bajos de eficiencia es el exceso de personal.
342
343
Empresas
Debilidades
Endesa
TIEPI
Fortalezas
N CLIENTES
ENERGA FACTURADA
Hidrocantbrico
Iberdrola
TIEPI
N CLIENTES
TIEPI
ENERGA FACTURADA
N CLIENTES
ENERGA FACTURADA
TIEPI
Unin Fenosa
N CLIENTES
ENERGA FACTURADA
Elaboracin. Propia.
344
CAPTULO VI
CONCLUSIONES Y FUTURAS LNEAS DE
INVESTIGACIN
347
aplicacin,
travs
de
soporte
informtico
propio
elaborado
348
estimaciones
convencional.
12 ln qt = (1 0,8103B ) 1 0,7480B12 t
349
350
Entre
las
posibles
extensiones
del
trabajo
informtico
elaborado
involucrar
una
simulacin
de
la
simulacin
puede
aumentar
352
de
predicciones)
puede
ser
investigada
va
Diseo
de
Experimentos.
353
APNDICE
Apndice
357
358
Apndice
16
17
359
Salidas Virtuales =
u y
r
r0
= u1y10+...+us ys0
r =1
Los valores para cada entrada y salida tienen que ser positivos para todas
las DMUs.
es un vector de inputs
360
Apndice
x1j
y1j
xij
ykj
DMU j
xm
ysj
La tcnica DEA fue desarrollada como una extensin del clsico modelo
ratio de eficiencia, ecuacin 22, el cual maximizaba para cada DMU la suma
ponderada de los outputs entre la suma ponderada de los inputs, donde los
pesos eran determinados por el modelo. As, este problema de programacin
fraccionada es transformado en un problema de programacin lineal, ver
ecuacin 23. Y aplicando la teora de dualidad a dicho problema de
programacin lineal se obtiene su expresin dual (24).
u y
r
max( u , v ) h0 =
r0
r =1
m
(22)
v x
i
i0
i =1
Sujeto a:
s
u y
r
rj
r =1
m
v x
i
1; j = 1,...,n
ij
i =1
ur , v i 0,
i = 1,..., m;
361
r = 1,...,s
ptimo h0* =1, slo si la unidad evaluada es eficiente. De esta forma, la funcin
objetivo siempre tomar valores entre 0 y 1, para las distintas unidades
estudiadas.
K/Y
E
B
D
C
A
L/Y
362
Apndice
max h0 = ur y r 0
(23)
r =1
Sujeto a:
s
r =1
i =1
ur y rj v i xij 0 , j= 1,...,n
m
v x
i
i0
=1
i =1
ur , v i
dnde >0 es una cantidad pequea no arquimediana, y por tanto en las
restricciones donde aparece los pesos nunca pueden ser nulos. Una vez
resueltos los n problemas propuestos, se obtendr un subconjunto C formado
por las unidades DMUj que han resultado ser eficientes al resolver el modelo
dado, siendo h0=1. Siendo la DMU que no cumple esta condicin ineficiente
respecto al subconjunto C definido, y su eficiencia ser valorada como h0<1 y
su ineficiencia, (1- h0).
*
363
Min w0 - zi + sr
r =1
i =1
(24)
Sujeto a:
n
0 = w 0 xi 0 x ij j zi , i=1,..., m
j =1
y r 0 = y rj j sr , r= 1,...,s
j =1
j , zi , sr 0,
i, j, r
Min w0
Sujeto a:
n
0 = w 0 x i 0 xij j zi , i=1,..., m
j =1
y r 0 = y rj j sr , r= 1,...,s
j =1
j , zi , sr 0,
i, j, r ,
w 0 libre
364
Apndice
Min zi + sr
r =1
i =1
Sujeto a:
n
0 = w 0* x i 0 x ij j zi , i=1,..., m
j =1
y r 0 = y rj j sr , r= 1,...,s
j =1
j , zi , sr 0,
i, j, r
donde
w *0 es la proporcin de entradas actuales que deben utilizarse para alcanzar la
eficiencia.
z*i es el vector columna de las variables de holgura correspondientes a la
desigualdades de las entradas o
es
un
vector
columna
cuyas
componentes
son
multiplicadores
365
As, los valores de los inputs y outputs que definirn los niveles de
eficiencia sern:
x i 0 = w 0* xi 0 zi*
(25)
x 0 = x0 (w 0* x 0 zi* ) = (1 w 0* ) x 0 + zi*
La ecuacin 26 expresa el nivel de outputs dado para la anterior
combinacin de inputs de la unidad evaluada.
y r 0 = yr 0 + sr*
(26)
366
Apndice
Hasta ahora el modelo DEA presentado tiene una orientacin bien hacia
las entradas, tambin denominado modelo CCR- Input, siendo tambin posible
estudiar su orientacin hacia las salidas, a travs del modelo CCR-Output. Es
decir, el modelo CCR puede tener como objetivo maximizar las salidas
permaneciendo constantes las entradas, que va a ser el modelo que se va a
expresar a continuacin :
m
Min h0 = v i xi 0
i =1
Sujeto a:
s
r =1
i =1
u y
r
r0
=1
j =1
v i , ur
t 0 + zi + s r
r =1
i =1
Max
Sujeto a:
n
0= xi 0 xij j zi ,
i=1,..., m
j =1
t 0 y r 0 = y rj j s r , r= 1,...,s,
j =1
j , zi , s r 0,
i, j , r
367
Ejemplo ilustrativo
Empresa
1
2
3
4
5
Input
8
5
6
7
5
Output
5
5
3
2
3
Elaboracin. Propia.
2u 7v (4)
5u 5v (2)
3u 5v (5)
3u 6v (3)
u, v
*
*
La solucin ptima del problema viene dado por v = 0,125, u = 0,2,
368
Apndice
369
Frontera Eficiente
Output
0
0
Input
Los resultados del problema obtenidos a travs del paquete informtico EMS
se exponen en la figura A.V.4, donde todas las columnas, a excepcin de la
primera, representan variables del problema dual, cuyo significado es el
siguiente:
370
Apndice
371
j = 1
j =1
20
372
Apndice
Min w 0 - zi + sr
r =1
i =1
Sujeto a:
0 = w0 x i 0 x ij j zi
,i=1, ..., m
j =1
y r 0 = y rj j sr
, r=1, ..., s
j =1
=1
j =1
j ,z i , sr 0, i , j , r
u y
Max ho =
rj
u0
r =1
Sujeto a:
s
r =1
i =1
ur y rj v i xij + u0 0
m
v x
i
i0
=1
i =1
373
Max t 0 + zi + sr
r =1
i =1
Sujeto a:
n
0 = x i 0 x ij j z i
i=1, ..., m
j =1
y r 0 t 0 = y rj j sr ,
r = 1,...,s
j =1
j =1
=1
j , si , sr 0, i , j , r
El problema expresado en forma primal es el siguiente:
Min h0
v x
i
v0
i0
i =1
Sujeto a :
u y
r
r0
=1
r =1
r =1
i =1
ur y rj v i xij + v0 0 , j=1,...,n
ur , v i ; vo variable libre
donde v0 es un indicador de retornos de escala.
374
Apndice
Dados los valores para cada DMU, con el modelo se medir la eficiencia
para cada DMU, por lo tanto se tendrn que realizar n optimizaciones. La
optimizacin produce un conjunto de valores positivos, o nulos, denominados
u* y v*, que generarn el ptimo h*, slo si la DMU evaluada resulta eficiente.
Ejemplo ilustrativo
Empresa
1
2
3
4
5
Input
30
25
30
40
40
Output
2
6
10
8
12
Elaboracin. Propia.
375
=1
j =1
j , z1, s1 0; j=1, 2, 3, 4, 5
t 0 libre
y1 = 3 y 3 y10 = 10 2 = 8
y la mejora de input:
x1 = z1* = 0
As mismo, la empresa 4 tendr que aumentar su nivel de output producido en
4 unidades, respecto al nivel actual.
En la tabla A.V.4 se detallan los ndices de eficiencia obtenido para cada una
de las empresas restantes. As como el conjunto de referencia sobre el cual la
376
Apndice
14
12
10
3
Frontera Eficiente
Output
1
2
0
0
10
15
20
25
30
35
40
Input
377
45
378
NDICE DE TABLAS
ndice de tablas
Captulo III
Tabla.III.6.1. Modelos de demanda de energa elctrica en la C.A.A. Sector residencial..... 71
Tabla.III.6.2. Estimacin del modelo 1 de demanda de energa elctrica en la C.A.A.. ....... 79
Tabla.III.6.3. Contrastes de diagnstico para la evaluacin de un modelo.......................... 80
Tabla.III.6.4. Variables Irrelevantes. Modelo 1................................................................. 81
Tabla.III.6.5. Correlograma de los residuos. Modelo 1 ..................................................... 82
Tabla.III.6.5. Correlograma de los residuos. Modelo 1 ..................................................... 82
Tabla.III.6.6. Correlograma de los residuos al cuadrado. Modelo 1.................................... 83
Tabla.III.6.7. Contraste de autocorrelacin serial. Modelo 1 ............................................. 85
Tabla.III.6.8. Contraste comportamiento heterocedstico autorregresivo condicional de
los residuos (ARCH). Modelo 1................................................................ 86
Tabla.III.6.9. Contraste de heterocedasticidad de los residuos. Modelo 1.......................... 87
Tabla.III.6.10. Contraste de Ramsey. Modelo 1 .............................................................. 88
Tabla.III.6.11. Estimacin del modelo 2 de demanda de energa elctrica en la C.A.A ....... 93
Tabla.III.6.12. Variables Irrelevantes. Modelo 2............................................................... 93
Tabla.III.6.13. Correlograma de los residuos. Modelo 2.................................................... 94
Tabla.III.6.14. Correlograma de los residuos al cuadrado. Modelo 2.................................. 95
Tabla.III.6.15. Contraste de autocorrelacin serial. Modelo 2............................................ 96
Tabla.III.6.16. Contraste de comportamiento heterocedstico autorregresivo condicional de los
residuos (ARCH). Modelo 2................................................................... 97
Tabla.III.6.17. Contraste de heterocedasticidad de los residuos. Modelo 2........................ 98
Tabla.III.6.18. Contraste de Ramsey. Modelo 2 .............................................................. 98
Tabla.III.6.19. Estimacin del modelo 3 de demanda de energa elctrica en la C.A.A ....... 103
Tabla.III.6.20. Variables Irrelevantes. Modelo 3............................................................... 103
Tabla.III.6.21. Correlograma de los residuos. Modelo 3.................................................... 104
Tabla.III.6.22. Correlograma de los residuos al cuadrado. Modelo 3.................................. 105
Tabla.III.6.23. Contraste de autocorrelacin serial. Modelo 3............................................ 106
Tabla.III.6.24. Contraste de comportamiento heterocedstico autorregresivo condicional de los
residuos (ARCH). Modelo 3.................................................................. 107
Tabla.III.6.25. Contraste de heterocedasticidad de los residuos. Modelo 3........................ 108
Tabla.III.6.26. Contraste de Ramsey. Modelo 3 .............................................................. 109
Tabla.III.6.27. Estimacin del modelo 3 cruzado 3 variables de demanda de energa
elctrica en la C.A.A ............................................................................ 110
Tabla.III.6.28. Variables Irrelevantes. Modelo 3 cruzado 3 variables .................................. 110
Tabla.III.6.29. Correlograma de los residuos. Modelo 3PC............................................... 111
Tabla.III.6.30. Correlograma de los residuos al cuadrado. Modelo 3PC ............................. 112
Tabla.III.6.31. Contraste de autocorrelacion serial. Modelo 3PC....................................... 113
Tabla.III.6.32. Contraste comportamiento heterocedstico autorregresivo condicional
de los residuos (ARCH). Modelo 3PC..................................................... 114
381
Captulo IV
Tabla.IV.2.1.Resultados de la variable transformada ....................................................... 201
Tabla.IV.2.2. Media y desviacin tpica de las diferencias estacionales y cocientes
estacionales .......................................................................................... 205
Tabla.IV.2.3. ndices Estacionales. Modelo de Alisado Exponencial ................................ 208
Tabla.IV.2.4. ndices Estacionales. Modelo de Holt-Winters ............................................ 209
Tabla.IV.2.5. Intervalos confidenciales (95%) del modelo de A.E...................................... 211
382
ndice de tablas
12 lnq.................... 228
383
Captulo V
Tabla.V.4.1. Balance de Energa en el Sistema Elctrico Peninsular (GWh) ................... 319
Tabla.V.4.2. Coeficientes de Correlacin de Pearson...................................................... 324
Tabla.V.4.3. Modelos 1 input- 2outpus y 2 inputs- 1 output ............................................. 327
Tabla.V.4.4. Indicadores de Eficiencia (expresado en valor absoluto). Modelo 1input2outputs................................................................................................ 330
Tabla.V.4.5. Indicadores de Eficiencia (expresado en valores absolutos). Modelo 2inputs1output................................................................................................... 331
Tabla.V.4.6. Principales debilidades y fortalezas de las principales compaas elctricas
espaolas en el ao 2001 ........................................................................ 344
Apndice
Tabla.A.V.1. Datos problema CCR-Input ........................................................................ 368
Tabla.A.V.2. ndices de eficiencia. Modelo CCR-Input..................................................... 369
Tabla.A.V.3. Datos problema BCC-Output ..................................................................... 375
Tabla.A.V.4. ndices de eficiencia. Modelo BCC-Output .................................................. 377
Anexo
Tabla.A.IV.1. Comparacin de tres formas de calcular la temperatura media mensual
en C.A.A .............................................................................................. 401
Tabla.A.IV.2. Estimacin del Modelo15.1 ...................................................................... 402
Tabla.A.IV.3. Estimacin del Modelo15.2 ...................................................................... 402
Tabla.A.IV.4. Estimacin del Modelo16.1 ...................................................................... 403
Tabla.A.IV.5. Estimacin del Modelo16.2 ...................................................................... 403
Tabla.A.IV.6. Estimacin del Modelo17.1 ...................................................................... 404
Tabla.A.IV.7. Estimacin del Modelo17.2 ...................................................................... 404
Tabla.A.IV.8. Estimacin del Modelo18.1 ...................................................................... 405
Tabla.A.IV.9. Estimacin del Modelo18.2 ...................................................................... 405
Tabla.A.IV.10. Estimacin del ModeloI18,5.1 ................................................................. 406
Tabla.A.IV.11. Estimacin del ModeloI18,5.2 ................................................................. 406
Tabla.A.IV.12. Estimacin del Modelo I18,5.3 ................................................................ 407
Tabla.A.IV.13. Estimacin del Modelo19.1..................................................................... 407
Tabla.A.IV.14. Estimacin del Modelo19.2..................................................................... 408
Tabla.A.IV.15. Estimacin del Model19.3 ...................................................................... 408
Tabla.A.IV.16. Estimacin del Modelo19.4..................................................................... 409
Tabla.A.IV.17. Estimacin del Modelo 19.5.................................................................... 409
384
ndice de tablas
385
386
NDICE DE FIGURAS
ndice de figuras
Captulo III
Figura.III.6.1. Histograma de probabilidad. Modelo 1....................................................... 84
Figura.III.6.2. Residuos recursivos. Modelo 1 ................................................................. 89
Figura.III.6.3. Suma acumulada de los residuos recursivos. Modelo 1............................... 90
Figura.III.6.4. Grficos de los coeficientes recursivos. Modelo 1....................................... 91
Figura.III.6.5. Histograma de probabilidad. Modelo 2....................................................... 95
Figura.III.6.6. Residuos Recursivos. Modelo 2................................................................ 99
Figura.III.6.7. Suma acumulada de los residuos recursivos. Modelo 2............................... 100
Figura.III.6.8. Grficos de los coeficientes recursivos. Modelo 2....................................... 101
Figura.III.6.9. Histograma de probabilidad. Modelo 3....................................................... 106
Figura.III.6.10. Histograma de probabilidad. Modelo 3PC................................................. 112
Figura.III.6.11. Residuos recursivos. Modelo 3PC........................................................... 116
Figura.III.6.12. Suma acumulada de los residuos recursivos. Modelo 3PC ........................ 117
Figura.III.6.13. Grficos de los coeficientes recursivos. Modelo 3PC................................. 118
Figura.III.6.14. Histograma de probabilidad. Modelo 4 ..................................................... 123
Figura.III.6.15. Residuos recursivos. Modelo 4................................................................ 126
Figura.III.6.16. Suma acumulada de los residuos recursivos. Modelo 4............................. 127
Figura.III.6.17. Grficos de los coeficientes recursivos. Modelo 4..................................... 128
Figura.III.6.18. Histograma de probabilidad. Modelo 3PCR............................................... 134
Figura.III.6.19. Residuos recursivos. Modelo 3PCR......................................................... 137
Figura.III.6.20. Suma acumulada de los residuos recursivos. Modelo 3PCR ...................... 138
Figura.III.6.21. Grfico de los coeficientes recursivos. Modelo 3PCR ................................ 139
Figura.III.6.22. Comparacin de los estadsticos de los modelos considerados ................. 142
Figura.III.6.23. Preorden total. Mtodo Promethee .......................................................... 143
Figura.III.7.1. Cuadro de dilogo inicial. Programa BSTP ................................................. 161
Figura.III.7.2. Opcin de semilla.................................................................................... 162
Figura.III.7.3. Seleccin de semilla................................................................................ 163
Figura.III.7.4. Clculos de Q previos al comienzo de la Tabla X....................................... 164
Figura.III.7.5. Clculo de las celdas de la Tabla X........................................................... 166
Figura.III.7.6. Comparacin de las predicciones convencional y bootstrap. Tabla S ............ 168
Figura.III.7.7. Comparacin de las predicciones convencional y bootstrap. Tabla W ........... 173
389
Captulo IV
Figura.IV.2.1. Procedimiento Box-Jenkins a travs de un diagrama de flujo....................... 198
Figura.IV.2.2. Evolucin de la demanda de electricidad en la C.A. A. durante el
periodo1995-2000................................................................................. 203
Figura.IV.2.3. Grfico desviacin tpica-media. Demanda mensual de energa elctrica
durante el periodo 1995-2000................................................................. 204
Figura.IV.2.4. Diferencias estacionales de la demanda mensual de energa elctrica en
C.A.A. durante el periodo 1995-2000...................................................... 206
Figura.IV.2.5. Cocientes estacionales de la demanda mensual de energa elctrica en
C.A.A. durante el periodo 1995-2000...................................................... 206
Figura.IV.2.6. Valores reales, ajustados y lmites de confianza de demanda mensual de
electricidad en la C.A.A. Modelo A. E. Periodo 1995-2000 ...................... 212
Figura.IV.2.7. Evolucin demanda mensual de electricidad en CA.A. durante el periodo
1995-2000 ............................................................................................ 215
Figura.IV.2.8. Grfico desviacin tpica-media. Demanda mensual de energa elctrica
durante el periodo 1995-2000................................................................. 216
Figura.IV.2.9. Histograma de probabilidad. QMENSUAL ................................................. 216
Figura.IV.2.10. Histograma de probabilidad. LQ.............................................................. 217
Figura.IV.2.11. Evolucin de la demanda mensual de electricidad en la C.A.A
durante el periodo 1995-2000................................................................ 219
Figura.IV.2.12. Histograma de probabilidad. DLQ ........................................................... 219
Figura.IV.2.13. Evolucin de la demanda mensual de electricidad en la C.A.A.
durante el periodo 1995-2000................................................................ 221
Figura.IV.2.14. Evolucin de la demanda mensual de electricidad en C.A.A.
durante el periodo 1995-2000............................................................... 225
Figura.IV.2.15. Histograma de probabilidad. D12LQ........................................................ 225
Figura.IV.2.16. Funcin de autocorrelacin del error. Modelo BJ-1 ................................... 229
Figura.IV.2.17. Funcin de autocorrelacin del error. Modelo BJ-2 ................................... 229
Figura.IV.2.18. Funcin de autocorrelacin del error. Modelo BJ-3 ................................... 230
Figura.IV.2.19. Funcin de autocorrelacin del error. Modelo BJ-4 ................................... 230
Figura.IV.2.20. Valores reales, ajustados y lmites de confianza (99%) en la demanda
mensual de electricidad en la C.A.A. durante el periodo 1995-2001.
Modelo BJ-1 ..................................................................................... 234
Figura.IV.3.1. Consumo mensual de electricidad en C.A.A. durante el periodo 1995-2001
................................................................................................................................. 253
Figura IV.3.2. Consumo mensual de electricidad y grados equivalente (22 C) en
C.A.A. durante el periodo 1995-2001.................................................... 254
Figura.IV.3.3. Consumo mensual de electricidad y grados equivalentes retardados
en C.A.A. durante el periodo 1995-2001 ................................................. 255
390
ndice de figuras
Captulo V
Figura.V.3.1. Formas alternativas de medicin de la eficiencia ........................................ 310
Figura.V.3.2. Funcin de Produccin Estimada.............................................................. 315
Figura.V.4.1. Estructura de la investigacin ................................................................... 321
Figura.V.4.2. Evolucin de los niveles de Eficiencia 1998-2001. Endesa........................... 333
Figura.V.4.3. Evolucin de los niveles de eficiencia 1998-2001. Hidrocantbrico................ 334
Figura.V.4.4. Evolucin de los niveles de eficiencia 1998-2001. Iberdrola. ........................ 335
Figura.V.4.5. Evolucin de los niveles de eficiencia 1998-2001. Unin Fenosa .................. 336
Figura.V.4.6. Evolucin de los niveles de eficiencia 1998-2001. Endesa ........................... 337
Figura.V.4.7. Evolucin de los niveles de eficiencia 1998-2001. Hidrocantbrico................ 338
Figura.V.4.8. Evolucin de los niveles de eficiencia 1998-2001. Iberdrola .......................... 339
Figura.V.4.9. Evolucin de los niveles de eficiencia 1998-2001. Unin Fenosa .................. 340
391
Apndice
Figura.A.V.1. Flujos de Entrada y Salida de la j-sima Unidad de Decisin ...................... 361
Figura.A.V.2. Una medida de la eficiencia tcnica: TECRS= OC/OB ................................. 362
Figura.A.V.3. Situacin geomtrica de las empresas. CCR-Input ..................................... 370
Figura.A.V.4. Pantalla EMS. Problema CCR-Input.......................................................... 371
Figura.A.V.5. Situacin geomtrica de las empresas. BCC-Output .................................. 377
Figura.A.V.6. Pantalla EMS. Problema BCC-Output ....................................................... 378
Anexo
Figura.A.III.1. ndice de Theil. Modelo 1.(1999) .............................................................. 395
Figura.A.III.2. ndice de Theil. Modelo 1.(1998-1999) ...................................................... 395
Figura.A.III.3. ndice de Theil. Modelo 2.(1999) .............................................................. 396
Figura.A.III.4. ndice de Theil. Modelo 2.(1998-1999) ...................................................... 396
Figura.A.III.5. ndice de Theil. Modelo 3.(1999) .............................................................. 397
Figura.A.III.6. ndice de Theil. Modelo 3.(1998-1999) ...................................................... 397
Figura.A.III.7. ndice de Theil. Modelo 3PC.(1999) ......................................................... 398
Figura.A.III.8. ndice de Theil. Modelo 3PC.(1998-1999) ................................................. 398
Figura.A.III.9. ndice de Theil. Modelo 3PCR.(1999) ....................................................... 399
Figura.A.III.10. ndice de Theil. Modelo 3PCR.(1998-1999) ............................................. 399
Figura.A.III.11. ndice de Theil. Modelo 4.(1999) ............................................................ 400
Figura.A.III.12. ndice de Theil. Modelo 4.(1998-1999) .................................................... 400
392
ANEXO
Anexo
8.7
Forecast: QF
Actual: Q
Sample: 1998 1999
Include observations: 2
8.6
8.5
8.4
8.3
1998
1999
QF
2 S.E.
8.65
Forecast: QF
Actual: Q
Sample: 1998 1999
Include observations: 2
8.60
8.55
8.50
8.45
8.40
8.35
1998
1999
QF
2 S.E.
395
8.8
Forecast: QF
Actual: Q
Sample: 1998 1999
Include observations: 2
8.7
8.6
8.5
8.4
8.3
1998
1999
QF
2 S.E.
8.65
Forecast: QF
Actual: Q
Sample: 1998 1999
Include observations: 2
8.60
8.55
8.50
8.45
8.40
8.35
1998
1999
QF
2 S.E.
396
Anexo
9.0
Forecast: QF
Actual: Q
Sample: 1998 1999
Include observations: 2
8.9
8.8
8.7
8.6
8.5
1998
1999
QF
2 S.E.
9.0
Forecast: QF
Actual: Q
Sample: 1998 1999
Include observations: 2
8.9
8.8
8.7
8.6
8.5
1998
1999
QF
2 S.E.
397
8.90
Forecast: QF
Actual: Q
Sample: 1998 1999
Include observations: 2
8.85
8.80
8.75
8.70
8.65
8.60
8.55
1998
1999
QF
2 S.E.
8.90
Forecast: QF
Actual: Q
Sample: 1998 1999
Include observations: 2
8.85
8.80
8.75
8.70
8.65
8.60
1998
1999
QF
2 S.E.
398
Anexo
8.90
Forecast: QF
Actual: Q
Sample: 1998 1999
Include observations: 2
8.85
8.80
8.75
8.70
8.65
8.60
1998
1999
QF
2 S.E.
8.85
Forecast: QF
Actual: Q
Sample: 1998 1999
Include observations: 2
8.80
8.75
8.70
8.65
1998
1999
QF
2 S.E.
399
8.85
Forecast: QF
Actual: Q
Sample: 1998 1999
Include observations: 2
8.80
8.75
8.70
8.65
8.60
1998
0.049950
0.047719
0.543797
0.002858
0.912650
0.087350
0.000000
1999
QF
2 S.E.
8.85
Forecast: QF
Actual: Q
Sample: 1998 1999
Include observations: 2
8.80
8.75
8.70
8.65
8.60
1998
1999
QF
2 S.E.
400
Anexo
401
Coefficient
Std. Error
t-Statistic
Prob.
QMENSUAL(-1)
QMENSUAL(-11)
GEQMEN15(-1)
C
AR(12)
0.376803
-0.290186
0.237019
206.2221
1.147018
0.134566
0.122463
0.102102
104.2351
0.061163
2.800134
-2.369590
2.321410
1.978432
18.75338
0.0076
0.0223
0.0250
0.0542
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.877285
0.866129
34.31495
51810.69
-240.1345
2.330226
Inverted AR Roots
1.01
.88+.51i
.88 -.51i
.51+.88i
-.00 -1.01i
-.00+1.01i
-.51+.88i
-.88+.51i
-.88 -.51i
Estimated AR process is nonstationary
533.6300
93.78636
10.00549
10.19853
78.63835
0.000000
.51 -.88i
-.51 -.88i
-1.01
Coefficient
Std. Error
t-Statistic
Prob.
QMENSUAL(-1)
GEQMEN15(-1)
C
AR(12)
0.360768
0.221155
30.30701
1.094319
0.120388
0.094417
186.6219
0.068273
2.996706
2.342322
0.162398
16.02848
0.0041
0.0228
0.8716
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.857324
0.849542
35.75519
70313.85
-292.6714
1.973329
Inverted AR Roots
1.01
.87+.50i
.87 -.50i
.50 -.87i
.00+1.01i
-.00 -1.01i
-.50+.87i
-.87 -.50i
-.87+.50i
Estimated AR process is nonstationary
402
521.6882
92.17880
10.05666
10.19751
110.1630
0.000000
.50+.87i
-.50 -.87i
-1.01
Anexo
Coefficient
Std. Error
t-Statistic
Prob.
QMENSUAL(-1)
QMENSUAL(-11)
GEQMEN16(-1)
C
AR(12)
0.338241
-0.279945
0.320358
224.8067
1.157763
0.126924
0.115086
0.096875
90.69277
0.060084
2.664915
-2.432479
3.306932
2.478772
19.26912
0.0107
0.0191
0.0019
0.0171
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.889645
0.879613
32.54090
46592.05
-237.5334
2.466328
Inverted AR Roots
1.01
.88 -.51i
.88+.51i
.51 -.88i
.00 -1.01i
-.00+1.01i
-.51+.88i
-.88 -.51i
-.88+.51i
Estimated AR process is nonstationary
533.6300
93.78636
9.899324
10.09237
88.67848
0.000000
.51+.88i
-.51 -.88i
-1.01
Coefficient
Std. Error
t-Statistic
Prob.
QMENSUAL(-1)
GEQMEN16(-1)
C
AR(12)
0.331065
0.285357
34.23008
1.095469
0.117398
0.093184
184.1202
0.067793
2.820027
3.062285
0.185912
16.15913
0.0067
0.0034
0.8532
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.865989
0.858679
34.65251
66043.79
-290.8232
2.049615
Inverted AR Roots
1.01
.87 -.50i
.87+.50i
.50 -.87i
.00+1.01i
-.00 -1.01i
-.50 -.87i
-.87 -.50i
-.87+.50i
Estimated AR process is nonstationary
403
521.6882
92.17880
9.994006
10.13486
118.4709
0.000000
.50+.87i
-.50+.87i
-1.01
Coefficient
Std. Error
t-Statistic
Prob.
QMENSUAL(-1)
QMENSUAL(-11)
GEQMEN17(-1)
C
AR(12)
0.324586
-0.254480
0.372168
250.8426
1.185965
0.118494
0.107045
0.086847
71.42706
0.062258
2.739262
-2.377319
4.285343
3.511871
19.04923
0.0089
0.0219
0.0001
0.0010
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.902334
0.893455
30.61304
41234.97
-234.5409
2.625280
Inverted AR Roots
1.01
.88+.51i
.88 -.51i
.51 -.88i
.00 -1.01i
-.00+1.01i
-.51+.88i
-.88 -.51i
-.88+.51i
Estimated AR process is nonstationary
404
533.6300
93.78636
9.777180
9.970223
101.6283
0.000000
.51+.88i
-.51 -.88i
-1.01
Prob.
0.4497
0.0180
0.0000
0.5048
0.3114
0.0007
0.0097
555.0258
93.94524
9.544481
9.852388
69.98583
0.000000
.89+.33i
.61+.73i
.16+.94i
-.33+.89i
-.73 -.61i
-.94+.16i
Anexo
Coefficient
Std. Error
t-Statistic
Prob.
QMENSUAL(-1)
QMENSUAL(-11)
GEQMEN18(-1)
C
AR(12)
0.294882
-0.225446
0.397893
274.3182
1.220352
0.112130
0.101142
0.079044
61.19649
0.067027
2.629826
-2.229000
5.033787
4.482581
18.20685
0.0117
0.0310
0.0000
0.0001
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.911085
0.903002
29.20935
37540.20
-232.2410
2.630984
Inverted AR Roots
1.02
.88+.51i
.88 -.51i
.51+.88i
.00+1.02i
-.00 -1.02i
-.51+.88i
-.88+.51i
-.88 -.51i
Estimated AR process is nonstationary
533.6300
93.78636
9.683306
9.876349
112.7134
0.000000
.51 -.88i
-.51 -.88i
-1.02
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN18(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.003258
1.188992
-57.13858
-0.460426
-0.281483
0.041714
0.047772
21.52978
0.151019
0.127414
-0.078106
24.88880
-2.653932
-3.048793
-2.209204
0.9382
0.0000
0.0124
0.0047
0.0347
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.919231
0.908809
28.36947
24949.64
-168.8215
2.169833
Inverted AR Roots
.94+.16i
.73+.61i
.33+.89i
-.16 -.94i
-.61+.73i
-.89+.33i
405
.89+.33i
.61 -.73i
.16 -.94i
-.33+.89i
-.73 -.61i
-.94+.16i
555.0258
93.94524
9.656750
9.876684
88.20222
0.000000
.89 -.33i
.61+.73i
.16+.94i
-.33 -.89i
-.73+.61i
-.94 -.16i
Coefficient
Std. Error
t-Statistic
Prob.
GEQINT185(-1)
QMENSUAL(-1)
C
AR(12)
0.334530
0.272697
90.41086
1.114197
0.078466
0.112135
147.7516
0.074397
4.263371
2.431869
0.611911
14.97642
0.0001
0.0183
0.5431
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.881910
0.875468
32.52902
58197.55
-287.0922
2.182951
Inverted AR Roots
1.01
.87 -.50i
.87+.50i
.50+.87i
-.00 -1.01i
-.00+1.01i
-.50+.87i
-.87+.50i
-.87 -.50i
Estimated AR process is nonstationary
521.6882
92.17880
9.867531
10.00838
136.9150
0.000000
.50 -.87i
-.50 -.87i
-1.01
t-Statistic
Prob.
GEQINT185
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.063490
-0.126376
1.285076
-29.55874
-0.560730
-0.349302
0.030871
0.035939
0.042864
18.34592
0.122898
0.102538
-2.056637
-3.516400
29.98011
-1.611189
-4.562558
-3.406549
0.0485
0.0014
0.0000
0.1176
0.0001
0.0019
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.941973
0.932301
24.44356
17924.63
-162.8692
1.715171
555.0258
93.94524
9.381622
9.645542
97.39956
0.000000
Inverted AR Roots
.94+.16i
.73+.61i
.33+.90i
-.16 -.94i
-.61+.73i
-.90+.33i
.94 -.16i
.73 -.61i
.33 -.90i
-.16+.94i
-.61 -.73i
-.90 -.33i
.90+.33i
.61+.73i
.16 -.94i
-.33+.90i
-.73 -.61i
-.94 -.16i
406
.90 -.33i
.61 -.73i
.16+.94i
-.33 -.90i
-.73+.61i
-.94+.16i
Anexo
Coefficient
Std. Error
t-Statistic
Prob.
QMENSUAL(-1)
QMENSUAL(-12)
QMENSUAL(-10)
GEQINT185(-1)
C
AR(12)
AR(24)
-0.115907
1.329498
-0.072184
-0.079968
-18.64241
-0.615939
-0.401263
0.029226
0.045025
0.025845
0.031456
20.61106
0.112388
0.094473
-3.965826
29.52818
-2.792989
-2.542208
-0.904486
-5.480481
-4.247402
0.0004
0.0000
0.0092
0.0166
0.3732
0.0000
0.0002
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.950068
0.939738
23.06206
15423.90
-160.1646
1.642823
Inverted AR Roots
.95+.17i
.74+.62i
.33 -.90i
-.17 -.95i
-.62 -.74i
-.90 -.33i
.90 -.33i
.62+.74i
.17 -.95i
-.33+.90i
-.74 -.62i
-.95+.17i
555.0258
93.94524
9.286920
9.594827
91.96552
0.000000
.90+.33i
.62 -.74i
.17+.95i
-.33 -.90i
-.74+.62i
-.95 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN19(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.054139
1.230316
-70.26234
-0.514800
-0.314060
0.048617
0.054398
22.74417
0.146379
0.121494
-1.113581
22.61685
-3.089247
-3.516892
-2.584973
0.2740
0.0000
0.0042
0.0014
0.0147
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.922051
0.911993
27.86978
24078.47
-168.1818
2.003599
Inverted AR Roots
.94+.16i
.73+.61i
.33 -.89i
-.16 -.94i
-.61 -.73i
-.89+.33i
407
.89+.33i
.61+.73i
.16+.94i
-.33+.89i
-.73+.61i
-.94+.16i
555.0258
93.94524
9.621209
9.841142
91.67381
0.000000
.89
.61
.16
-.33
-.73
-.94
-.33i
-.73i
-.94i
-.89i
-.61i
-.16i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN19(-1)
QMENSUAL(-1)
QMENSUAL(-12)
QMENSUAL(-11)
C
AR(12)
AR(24)
-0.042548
-0.096140
1.327206
-0.091136
-23.61578
-0.655786
-0.435260
0.033267
0.024491
0.040852
0.023755
18.28177
0.107773
0.090164
-1.278976
-3.925573
32.48809
-3.836550
-1.291767
-6.084889
-4.827402
0.2110
0.0005
0.0000
0.0006
0.2066
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.958305
0.949678
21.07425
12879.60
-156.9196
2.020090
Inverted AR Roots
.95+.17i
.74+.62i
.33+.91i
-.17+.95i
-.62 -.74i
-.91 -.33i
.91 -.33i
.62+.74i
.17 -.95i
-.33+.91i
-.74 -.62i
-.95+.17i
555.0258
93.94524
9.106647
9.414553
111.0876
0.000000
.91+.33i
.62 -.74i
.17+.95i
-.33 -.91i
-.74+.62i
-.95 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN19
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.090937
-0.134846
1.304366
-30.08511
-0.582739
-0.366057
0.034420
0.034159
0.042569
17.22372
0.118060
0.097899
-2.641979
-3.947606
30.64124
-1.746726
-4.935953
-3.739121
0.0130
0.0004
0.0000
0.0909
0.0000
0.0008
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.946057
0.937066
23.56772
16663.12
-161.5556
1.734494
408
555.0258
93.94524
9.308644
9.572564
105.2276
0.000000
Anexo
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN19(-1)
QMENSUAL(-1)
QMENSUAL(-10)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.123072
-0.115933
-0.080216
1.365982
-25.69868
-0.653674
-0.425796
0.038604
0.027246
0.024668
0.047350
19.47012
0.106638
0.089034
-3.188069
-4.255089
-3.251836
28.84843
-1.319904
-6.129860
-4.782374
0.0034
0.0002
0.0029
0.0000
0.1972
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.954074
0.944573
22.11757
14186.42
-158.6592
1.624356
Inverted AR Roots
.95+.17i
.74+.62i
.33+.91i
-.17+.95i
-.62 -.74i
-.91 -.33i
.91 -.33i
.62+.74i
.17 -.95i
-.33+.91i
-.74 -.62i
-.95+.17i
555.0258
93.94524
9.203287
9.511194
100.4093
0.000000
.91+.33i
.62 -.74i
.17+.95i
-.33 -.91i
-.74+.62i
-.95 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN19
GEQMEN19(-1)
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.081028
-0.034453
-0.129899
1.325449
-39.61947
-0.609932
-0.381748
0.035809
0.040414
0.034218
0.048725
20.20132
0.119506
0.097808
-2.262759
-0.852501
-3.796171
27.20245
-1.961231
-5.103780
-3.903036
0.0313
0.4009
0.0007
0.0000
0.0595
0.0000
0.0005
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.947321
0.936422
23.68791
16272.39
-161.1285
1.651927
Inverted AR Roots
.95+.17i
.74+.62i
.33 -.90i
-.17 -.95i
-.62 -.74i
-.90 -.33i
409
.90 -.33i
.62 -.74i
.17+.95i
-.33 -.90i
-.74+.62i
-.95+.17i
555.0258
93.94524
9.340472
9.648379
86.91810
0.000000
.90+.33i
.62+.74i
.17 -.95i
-.33+.90i
-.74 -.62i
-.95 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN19(-1)
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.061086
-0.087498
1.290057
-52.52163
-0.590109
-0.355319
0.041754
0.030887
0.050550
20.86998
0.129664
0.106303
-1.463013
-2.832816
25.52021
-2.516612
-4.551046
-3.342511
0.1539
0.0082
0.0000
0.0174
0.0001
0.0022
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.938008
0.927675
25.26490
19149.46
-164.0590
1.710814
Inverted AR Roots
.94+.17i
.73+.62i
.33+.90i
-.17+.94i
-.62 -.73i
-.90 -.33i
.90 -.33i
.62 -.73i
.17 -.94i
-.33+.90i
-.73+.62i
-.94+.17i
555.0258
93.94524
9.447721
9.711641
90.78593
0.000000
.90+.33i
.62+.73i
.17+.94i
-.33 -.90i
-.73 -.62i
-.94 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN19(-1)
QMENSUAL(-1)
QMENSUAL(-11)
C
AR(12)
0.469087
0.232400
-0.183776
297.0459
1.268076
0.077527
0.104688
0.093875
53.24721
0.073424
6.050607
2.219926
-1.957676
5.578619
17.27049
0.0000
0.0316
0.0566
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.921485
0.914347
27.44798
33149.24
-229.1934
2.586659
Inverted AR Roots
1.02
.88+.51i
.88 -.51i
.51 -.88i
.00 -1.02i
-.00+1.02i
-.51+.88i
-.88 -.51i
-.88+.51i
Estimated AR process is nonstationary
410
533.6300
93.78636
9.558913
9.751956
129.1005
0.000000
.51+.88i
-.51 -.88i
-1.02
Anexo
Coefficient
Std. Error
t-Statistic
Prob.
QMENSUAL(-1)
QMENSUAL(-12)
GEQMEN20
GEQMEN20(-1)
C
AR(12)
AR(24)
-0.119042
1.407235
-0.089990
-0.098351
-74.27226
-0.724770
-0.436472
0.026156
0.045849
0.027216
0.037646
18.30264
0.100730
0.080234
-4.551186
30.69294
-3.306497
-2.612530
-4.058009
-7.195174
-5.439954
0.0001
0.0000
0.0025
0.0141
0.0003
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.961244
0.953225
20.31795
11971.76
-155.6039
1.895968
Inverted AR Roots
.95 -.17i
.74+.62i
.33+.91i
-.17 -.95i
-.62+.74i
-.91 -.33i
.91 -.33i
.62 -.74i
.17+.95i
-.33+.91i
-.74 -.62i
-.95+.17i
411
555.0258
93.94524
9.033552
9.341459
119.8782
0.000000
.91+.33i
.62+.74i
.17 -.95i
-.33 -.91i
-.74+.62i
-.95 -.17i
Prob.
0.0000
0.0000
0.0000
0.0000
0.0006
0.0000
0.0000
555.0258
93.94524
8.744598
9.052504
161.6604
0.000000
.91 -.33i
.63+.74i
.17 -.95i
-.33 -.91i
-.74+.63i
-.95+.17i
Prob.
0.0304
0.0005
0.0000
0.0017
0.0353
0.0000
0.0000
555.0258
93.94524
9.008669
9.316576
123.0203
0.000000
.91+.33i
.62+.74i
.17 -.95i
-.33 -.91i
-.74+.62i
-.95+.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN20
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.109201
-0.133635
1.330788
-40.63248
-0.626766
-0.384701
0.030379
0.029379
0.040487
15.35326
0.109449
0.090165
-3.594582
-4.548610
32.86917
-2.646505
-5.726580
-4.266627
0.0011
0.0001
0.0000
0.0128
0.0000
0.0002
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.953004
0.945171
21.99779
14517.08
-159.0739
1.980547
Inverted AR Roots
.95+.17i
.74+.62i
.33+.90i
-.17 -.95i
-.62+.74i
-.90 -.33i
412
.90 -.33i
.62 -.74i
.17+.95i
-.33+.90i
-.74+.62i
-.95+.17i
555.0258
93.94524
9.170773
9.434692
121.6702
0.000000
.90+.33i
.62+.74i
.17 -.95i
-.33 -.90i
-.74 -.62i
-.95 -.17i
Anexo
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN20(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.132568
1.315170
-100.1624
-0.633438
-0.375023
0.049143
0.057531
22.90034
0.133640
0.107465
-2.697591
22.86026
-4.373842
-4.739879
-3.489722
0.0112
0.0000
0.0001
0.0000
0.0015
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.932204
0.923456
25.99149
20942.28
-165.6699
1.846842
Inverted AR Roots
.95+.17i
.73+.62i
.33 -.90i
-.17 -.95i
-.62 -.73i
-.90+.33i
.90 -.33i
.62+.73i
.17 -.95i
-.33 -.90i
-.73+.62i
-.95+.17i
555.0258
93.94524
9.481661
9.701594
106.5629
0.000000
.90+.33i
.62 -.73i
.17+.95i
-.33+.90i
-.73 -.62i
-.95 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
QMENSUAL(-1)
QMENSUAL(-12)
GEQMEN20(-1)
C
AR(12)
AR(24)
-0.078277
1.357546
-0.125975
-80.72847
-0.683499
-0.402592
0.027151
0.051896
0.043153
21.46439
0.118745
0.094766
-2.883017
26.15895
-2.919276
-3.761042
-5.756036
-4.248292
0.0072
0.0000
0.0066
0.0007
0.0000
0.0002
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.946720
0.937840
23.42230
16458.13
-161.3328
1.677468
Inverted AR Roots
.95+.17i
.74+.62i
.33 -.91i
-.17 -.95i
-.62 -.74i
-.91 -.33i
413
.91 -.33i
.62+.74i
.17+.95i
-.33 -.91i
-.74+.62i
-.95+.17i
555.0258
93.94524
9.296266
9.560186
106.6130
0.000000
.91+.33i
.62 -.74i
.17 -.95i
-.33+.91i
-.74 -.62i
-.95 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN205
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.108725
-0.127355
1.335807
-46.12489
-0.639981
-0.386101
0.028351
0.027758
0.039684
15.06692
0.107731
0.088451
-3.835005
-4.588137
33.66129
-3.061336
-5.940568
-4.365140
0.0006
0.0001
0.0000
0.0046
0.0000
0.0001
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.954729
0.947184
21.59027
13984.19
-158.4007
2.079342
Inverted AR Roots
.95+.17i
.74+.62i
.33 -.90i
-.17 -.95i
-.62 -.74i
-.90+.33i
.90 -.33i
.62+.74i
.17 -.95i
-.33 -.90i
-.74+.62i
-.95+.17i
555.0258
93.94524
9.133374
9.397294
126.5353
0.000000
.90+.33i
.62 -.74i
.17+.95i
-.33+.90i
-.74 -.62i
-.95 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN205(-1)
QMENSUAL(-1)
QMENSUAL(-12)
QMENSUAL(-10)
C
AR(12)
AR(24)
-0.208251
-0.094179
1.471006
-0.081807
-74.02351
-0.794675
-0.487445
0.032151
0.019320
0.040694
0.016871
16.27785
0.081714
0.065467
-6.477372
-4.874690
36.14823
-4.849040
-4.547500
-9.725043
-7.445684
0.0000
0.0000
0.0000
0.0000
0.0001
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.972231
0.966486
17.19852
8577.882
-149.6034
2.145465
Inverted AR Roots
.95 -.18i
.74 -.63i
.33+.91i
-.18+.95i
-.63+.74i
-.91 -.33i
414
.91 -.33i
.63+.74i
.18+.95i
-.33 -.91i
-.74 -.63i
-.95 -.18i
555.0258
93.94524
8.700189
9.008096
169.2208
0.000000
.91+.33i
.63 -.74i
.18 -.95i
-.33+.91i
-.74+.63i
-.95+.18i
Anexo
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN205
GEQMEN205(-1)
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.083938
-0.110287
-0.106900
1.422903
-86.81515
-0.754320
-0.442757
0.025044
0.037041
0.024328
0.044493
18.40068
0.096901
0.076273
-3.351662
-2.977448
-4.394068
31.98003
-4.718040
-7.784424
-5.804859
0.0022
0.0058
0.0001
0.0000
0.0001
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.964427
0.957067
19.46568
10988.47
-154.0613
2.035739
Inverted AR Roots
.95+.17i
.74 -.63i
.32 -.91i
-.17+.95i
-.63 -.74i
-.91 -.32i
.91+.32i
.63+.74i
.17 -.95i
-.32 -.91i
-.74 -.63i
-.95+.17i
555.0258
93.94524
8.947849
9.255755
131.0378
0.000000
.91 -.32i
.63 -.74i
.17+.95i
-.32+.91i
-.74+.63i
-.95 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN205(-1)
QMENSUAL(-1)
QMENSUAL(-12)
QMENSUAL(-11)
C
AR(12)
AR(24)
-0.100604
-0.083748
1.381103
-0.073520
-56.25198
-0.727250
-0.458181
0.038722
0.022509
0.044069
0.022816
22.08984
0.100715
0.080781
-2.598109
-3.720573
31.33948
-3.222314
-2.546509
-7.220862
-5.671897
0.0146
0.0008
0.0000
0.0031
0.0165
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.963636
0.956112
19.68101
11232.93
-154.4573
2.242154
Inverted AR Roots
.95+.17i
.74+.62i
.33+.91i
-.17 -.95i
-.62 -.74i
-.91+.33i
415
.91 -.33i
.62+.74i
.17 -.95i
-.33 -.91i
-.74+.62i
-.95+.17i
555.0258
93.94524
8.969851
9.277758
128.0809
0.000000
.91+.33i
.62 -.74i
.17+.95i
-.33+.91i
-.74 -.62i
-.95 -.17i
Prob.
0.0016
0.0000
0.0000
0.0000
0.0004
555.0258
93.94524
9.392451
9.612384
117.2295
0.000000
.91+.33i
.62+.73i
.17 -.95i
-.33+.91i
-.73 -.62i
-.95 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN205(-1)
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.145831
-0.071664
1.383085
-93.30031
-0.719859
-0.416692
0.041560
0.025801
0.051179
21.54888
0.113839
0.089771
-3.508968
-2.777578
27.02440
-4.329706
-6.323463
-4.641725
0.0014
0.0094
0.0000
0.0002
0.0000
0.0001
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.950620
0.942390
22.54872
15253.35
-159.9644
1.718932
Inverted AR Roots
.95+.17i
.74+.62i
.32 -.91i
-.17 -.95i
-.62+.74i
-.91 -.32i
416
.91+.32i
.62 -.74i
.17 -.95i
-.32 -.91i
-.74+.62i
-.95+.17i
555.0258
93.94524
9.220246
9.484165
115.5077
0.000000
.91 -.32i
.62+.74i
.17+.95i
-.32+.91i
-.74 -.62i
-.95 -.17i
Anexo
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN205(-1)
QMENSUAL(-1)
QMENSUAL(-11)
C
AR(12)
0.447332
0.184811
-0.121934
293.0224
1.277366
0.081440
0.112347
0.100349
56.59568
0.085804
5.492799
1.644992
-1.215105
5.177470
14.88700
0.0000
0.1071
0.2308
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.914457
0.906681
28.65004
36116.29
-231.2936
2.335571
Inverted AR Roots
1.02
.88+.51i
.88 -.51i
.51 -.88i
-.00 -1.02i
-.00+1.02i
-.51+.88i
-.88+.51i
-.88 -.51i
Estimated AR process is nonstationary
533.6300
93.78636
9.644638
9.837681
117.5909
0.000000
.51+.88i
-.51 -.88i
-1.02
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN21(-1)
QMENSUAL(-1)
QMENSUAL(-12)
GEQMEN21
C
AR(12)
AR(24)
-0.095294
-0.097393
1.407629
-0.075497
-87.21310
-0.741041
-0.427056
0.037941
0.025114
0.045037
0.025466
19.54058
0.100596
0.078877
-2.511646
-3.877977
31.25506
-2.964552
-4.463179
-7.366488
-5.414235
0.0178
0.0006
0.0000
0.0060
0.0001
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.962415
0.954638
20.00872
11610.12
-155.0518
2.013581
Inverted AR Roots
.95+.17i
.74+.63i
.32 -.91i
-.17+.95i
-.63 -.74i
-.91 -.32i
417
.91+.32i
.63+.74i
.17 -.95i
-.32+.91i
-.74 -.63i
-.95+.17i
555.0258
93.94524
9.002879
9.310786
123.7627
0.000000
.91 -.32i
.63 -.74i
.17+.95i
-.32 -.91i
-.74+.63i
-.95 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN21(-1)
QMENSUAL(-1)
QMENSUAL(-12)
QMENSUAL(-10)
C
AR(12)
AR(24)
-0.174466
-0.086110
1.439719
-0.067899
-74.31824
-0.764170
-0.457821
0.032944
0.021818
0.043519
0.018291
18.90500
0.091413
0.072718
-5.295809
-3.946830
33.08220
-3.712068
-3.931143
-8.359525
-6.295866
0.0000
0.0005
0.0000
0.0009
0.0005
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.966506
0.959577
18.88823
10346.20
-152.9772
1.992833
Inverted AR Roots
.95 -.17i
.74 -.63i
.33 -.91i
-.17+.95i
-.63 -.74i
-.91 -.33i
.91+.33i
.63+.74i
.17+.95i
-.33 -.91i
-.74 -.63i
-.95 -.17i
555.0258
93.94524
8.887621
9.195528
139.4724
0.000000
.91 -.33i
.63 -.74i
.17 -.95i
-.33+.91i
-.74+.63i
-.95+.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN21
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.102764
-0.119379
1.335241
-50.56420
-0.644013
-0.382567
0.026528
0.026885
0.039331
15.18751
0.107763
0.088254
-3.873744
-4.440275
33.94869
-3.329328
-5.976213
-4.334856
0.0005
0.0001
0.0000
0.0023
0.0000
0.0002
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.955030
0.947535
21.51848
13891.35
-158.2808
2.119600
Inverted AR Roots
.95+.17i
.73+.62i
.33 -.90i
-.17 -.95i
-.62 -.73i
-.90+.33i
418
.90 -.33i
.62 -.73i
.17+.95i
-.33 -.90i
-.73 -.62i
-.95 -.17i
555.0258
93.94524
9.126713
9.390633
127.4211
0.000000
.90+.33i
.62+.73i
.17 -.95i
-.33+.90i
-.73+.62i
-.95+.17i
Anexo
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN21(-1)
QMENSUAL(-1)
QMENSUAL(-12)
QMENSUAL(-11)
C
AR(12)
AR(24)
-0.093126
-0.080948
1.376712
-0.072494
-56.83114
-0.721551
-0.450123
0.037547
0.023092
0.044116
0.023386
23.03250
0.101587
0.081249
-2.480243
-3.505535
31.20665
-3.099877
-2.467432
-7.102770
-5.540010
0.0192
0.0015
0.0000
0.0043
0.0198
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.963118
0.955487
19.82063
11392.86
-154.7118
2.195977
Inverted AR Roots
.95+.17i
.74+.62i
.33+.91i
-.17 -.95i
-.62 -.74i
-.91 -.33i
.91 -.33i
.62+.74i
.17 -.95i
-.33 -.91i
-.74+.62i
-.95+.17i
555.0258
93.94524
8.983989
9.291896
126.2150
0.000000
.91+.33i
.62 -.74i
.17+.95i
-.33+.91i
-.74 -.62i
-.95 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN21(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.156447
1.359120
-117.0179
-0.696630
-0.397565
0.042520
0.055203
22.00163
0.124391
0.098108
-3.679370
24.62031
-5.318602
-5.600328
-4.052338
0.0009
0.0000
0.0000
0.0000
0.0003
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.939925
0.932174
24.46661
18557.07
-163.4934
1.893090
Inverted AR Roots
.95 -.17i
.73+.62i
.32 -.91i
-.17 -.95i
-.62 -.73i
-.91+.32i
419
.91+.32i
.62 -.73i
.17 -.95i
-.32 -.91i
-.73+.62i
-.95+.17i
555.0258
93.94524
9.360742
9.580675
121.2560
0.000000
.91 -.32i
.62+.73i
.17+.95i
-.32+.91i
-.73 -.62i
-.95 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN21(-1)
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.139058
-0.067273
1.381813
-95.46052
-0.719168
-0.410276
0.039330
0.026014
0.050612
21.90754
0.113624
0.089214
-3.535665
-2.586010
27.30214
-4.357427
-6.329382
-4.598776
0.0013
0.0148
0.0000
0.0001
0.0000
0.0001
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.950883
0.942697
22.48872
15172.27
-159.8685
1.733520
Inverted AR Roots
.95+.17i
.73+.62i
.32 -.91i
-.17 -.95i
-.62 -.73i
-.91 -.32i
.91+.32i
.62+.73i
.17 -.95i
-.32 -.91i
-.73+.62i
-.95+.17i
555.0258
93.94524
9.214916
9.478836
116.1570
0.000000
.91 -.32i
.62 -.73i
.17+.95i
-.32+.91i
-.73 -.62i
-.95 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN21
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.065273
1.233842
-69.47381
-0.517953
-0.313484
0.034500
0.044307
19.75660
0.139486
0.116830
-1.891977
27.84784
-3.516485
-3.713304
-2.683249
0.0679
0.0000
0.0014
0.0008
0.0116
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.927261
0.917875
26.92226
22469.06
-166.9365
2.259592
Inverted AR Roots
.94+.16i
.73+.61i
.33+.89i
-.16+.94i
-.61+.73i
-.89+.33i
420
-.16i
-.61i
-.89i
-.94i
-.73i
-.33i
.89 -.33i
.61 -.73i
.16 -.94i
-.33 -.89i
-.73+.61i
-.94 -.16i
555.0258
93.94524
9.552030
9.771963
98.79534
0.000000
.89+.33i
.61+.73i
.16+.94i
-.33+.89i
-.73 -.61i
-.94+.16i
Anexo
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN215(-1)
QMENSUAL(-1)
QMENSUAL(-12)
QMENSUAL(-10)
C
AR(12)
AR(24)
-0.129834
-0.083639
1.393636
-0.055505
-65.52929
-0.709358
-0.419861
0.033246
0.025346
0.046343
0.020616
21.98600
0.103680
0.082519
-3.905292
-3.299881
30.07206
-2.692398
-2.980500
-6.841779
-5.088059
0.0005
0.0026
0.0000
0.0117
0.0058
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.958554
0.949979
21.01125
12802.71
-156.8119
1.927694
Inverted AR Roots
.95+.17i
.74+.62i
.33 -.91i
-.17 -.95i
-.62 -.74i
-.91 -.33i
.91 -.33i
.62+.74i
.17 -.95i
-.33 -.91i
-.74+.62i
-.95+.17i
555.0258
93.94524
9.100659
9.408565
111.7838
0.000000
.91+.33i
.62 -.74i
.17+.95i
-.33+.91i
-.74 -.62i
-.95 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN215
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.093365
-0.110914
1.329673
-53.31584
-0.638497
-0.375531
0.024990
0.026684
0.039343
15.60826
0.109130
0.089300
-3.736041
-4.156483
33.79661
-3.415874
-5.850816
-4.205297
0.0008
0.0002
0.0000
0.0018
0.0000
0.0002
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.954109
0.946461
21.73760
14175.69
-158.6456
2.117344
Inverted AR Roots
.95+.17i
.73+.62i
.33 -.90i
-.17 -.95i
-.62 -.73i
-.90+.33i
421
.90 -.33i
.62 -.73i
.17 -.95i
-.33 -.90i
-.73+.62i
-.95+.17i
555.0258
93.94524
9.146975
9.410895
124.7448
0.000000
.90+.33i
.62+.73i
.17+.95i
-.33+.90i
-.73 -.62i
-.95 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN215(-1)
QMENSUAL(-1)
QMENSUAL(-12)
QMENSUAL(-11)
C
AR(12)
AR(24)
-0.071866
-0.081830
1.359094
-0.076144
-48.84561
-0.697504
-0.436932
0.034865
0.024164
0.043489
0.024233
23.29963
0.104119
0.083955
-2.061244
-3.386436
31.25120
-3.142168
-2.096411
-6.699116
-5.204374
0.0483
0.0021
0.0000
0.0038
0.0449
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.961309
0.953304
20.30091
11951.68
-155.5737
2.125863
Inverted AR Roots
.95+.17i
.74+.62i
.33 -.91i
-.17 -.95i
-.62+.74i
-.91 -.33i
.91 -.33i
.62 -.74i
.17 -.95i
-.33 -.91i
-.74 -.62i
-.95+.17i
555.0258
93.94524
9.031874
9.339780
120.0877
0.000000
.91+.33i
.62+.74i
.17+.95i
-.33+.91i
-.74+.62i
-.95 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN215(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.132915
1.339577
-110.4689
-0.669217
-0.378780
0.039304
0.054376
22.01929
0.126948
0.100464
-3.381726
24.63529
-5.016916
-5.271589
-3.770299
0.0020
0.0000
0.0000
0.0000
0.0007
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.937857
0.929839
24.88418
19195.90
-164.1026
1.955799
Inverted AR Roots
.95+.17i
.73+.62i
.32 -.90i
-.17 -.95i
-.62 -.73i
-.90 -.32i
422
.90+.32i
.62 -.73i
.17 -.95i
-.32+.90i
-.73+.62i
-.95+.17i
555.0258
93.94524
9.394588
9.614521
116.9627
0.000000
.90 -.32i
.62+.73i
.17+.95i
-.32 -.90i
-.73 -.62i
-.95 -.17i
Anexo
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN215
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.067970
1.240537
-72.03355
-0.528310
-0.317050
0.032100
0.043986
19.57436
0.137565
0.114937
-2.117434
28.20298
-3.679996
-3.840436
-2.758462
0.0423
0.0000
0.0009
0.0006
0.0097
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.929024
0.919866
26.59404
21924.52
-166.4949
2.296083
Inverted AR Roots
.94+.16i
.73 -.61i
.33+.89i
-.16+.94i
-.61+.73i
-.89+.33i
.89 -.33i
.61 -.73i
.16 -.94i
-.33 -.89i
-.73+.61i
-.94 -.16i
555.0258
93.94524
9.527497
9.747430
101.4416
0.000000
.89+.33i
.61+.73i
.16+.94i
-.33+.89i
-.73 -.61i
-.94+.16i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN215(-1)
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.114852
-0.066919
1.360365
-88.33100
-0.689381
-0.390683
0.036936
0.027391
0.050367
22.39299
0.117140
0.092329
-3.109448
-2.443156
27.00882
-3.944582
-5.885128
-4.231424
0.0041
0.0207
0.0000
0.0004
0.0000
0.0002
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.948184
0.939548
23.09831
16005.95
-160.8313
1.760069
Inverted AR Roots
.95+.17i
.73 -.62i
.32+.91i
-.17 -.95i
-.62 -.73i
-.91 -.32i
423
.91 -.32i
.62 -.73i
.17 -.95i
-.32+.91i
-.73+.62i
-.95+.17i
555.0258
93.94524
9.268407
9.532327
109.7943
0.000000
.91+.32i
.62+.73i
.17+.95i
-.32 -.91i
-.73 -.62i
-.95 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN215(-1)
QMENSUAL(-1)
QMENSUAL(-11)
C
AR(12)
0.394148
0.194085
-0.124327
282.7115
1.251595
0.080699
0.118667
0.106050
62.19530
0.085274
4.884169
1.635537
-1.172342
4.545544
14.67736
0.0000
0.1091
0.2474
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.907943
0.899574
29.72097
38866.78
-233.0918
2.261769
Inverted AR Roots
1.02
.88+.51i
.88 -.51i
.51 -.88i
-.00 -1.02i
-.00+1.02i
-.51+.88i
-.88+.51i
-.88 -.51i
Estimated AR process is nonstationary
533.6300
93.78636
9.718033
9.911076
108.4909
0.000000
.51+.88i
-.51 -.88i
-1.02
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN215
GEQMEN215(-1)
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.069662
-0.065204
-0.093405
1.375399
-78.43574
-0.700116
-0.401207
0.027320
0.039241
0.027139
0.046108
20.88229
0.107645
0.084769
-2.549890
-1.661640
-3.441773
29.83019
-3.756089
-6.503948
-4.732932
0.0163
0.1074
0.0018
0.0000
0.0008
0.0000
0.0001
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.957847
0.949126
21.18962
13021.01
-157.1162
1.996483
Inverted AR Roots
.95 -.17i
.73+.62i
.32 -.91i
-.17 -.95i
-.62 -.73i
-.91+.32i
424
.91+.32i
.62 -.73i
.17 -.95i
-.32 -.91i
-.73+.62i
-.95+.17i
555.0258
93.94524
9.117566
9.425473
109.8287
0.000000
.91 -.32i
.62+.73i
.17+.95i
-.32+.91i
-.73 -.62i
-.95 -.17i
Anexo
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN22
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.066238
1.243772
-73.59252
-0.534179
-0.318061
0.029445
0.043611
19.47227
0.136518
0.113883
-2.249579
28.51958
-3.779349
-3.912878
-2.792879
0.0317
0.0000
0.0007
0.0005
0.0089
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.930112
0.921095
26.38929
21588.24
-166.2167
2.323598
Inverted AR Roots
.94 -.16i
.73 -.61i
.33 -.90i
-.16 -.94i
-.61 -.73i
-.90+.33i
.90 -.33i
.61 -.73i
.16+.94i
-.33 -.90i
-.73+.61i
-.94+.16i
555.0258
93.94524
9.512040
9.731973
103.1425
0.000000
.90+.33i
.61+.73i
.16 -.94i
-.33+.90i
-.73 -.61i
-.94 -.16i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN22(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.104348
1.311414
-100.7189
-0.629742
-0.356106
0.035716
0.053294
22.06573
0.131022
0.104565
-2.921551
24.60724
-4.564494
-4.806398
-3.405593
0.0064
0.0000
0.0001
0.0000
0.0018
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.934463
0.926007
25.55468
20244.28
-165.0597
2.029783
Inverted AR Roots
.94+.17i
.73+.62i
.33+.90i
-.17+.94i
-.62+.73i
-.90 -.33i
425
.90 -.33i
.62+.73i
.17 -.94i
-.33+.90i
-.73+.62i
-.94+.17i
555.0258
93.94524
9.447764
9.667697
110.5043
0.000000
.90+.33i
.62 -.73i
.17+.94i
-.33 -.90i
-.73 -.62i
-.94 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN19(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.054139
1.230316
-70.26234
-0.514800
-0.314060
0.048617
0.054398
22.74417
0.146379
0.121494
-1.113581
22.61685
-3.089247
-3.516892
-2.584973
0.2740
0.0000
0.0042
0.0014
0.0147
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.922051
0.911993
27.86978
24078.47
-168.1818
2.003599
Inverted AR Roots
.94+.16i
.73+.61i
.33 -.89i
-.16 -.94i
-.61 -.73i
-.89+.33i
.89+.33i
.61+.73i
.16+.94i
-.33+.89i
-.73+.61i
-.94+.16i
555.0258
93.94524
9.621209
9.841142
91.67381
0.000000
.89
.61
.16
-.33
-.73
-.94
-.33i
-.73i
-.94i
-.89i
-.61i
-.16i
Coefficient
Std. Error
t-Statistic
Prob.
QMENSUAL(-1)
QMENSUAL(-12)
GEQMEN22
C
AR(12)
AR(24)
-0.103296
1.321546
-0.081990
-54.77066
-0.629931
-0.367929
0.026912
0.039532
0.023397
16.16541
0.111498
0.091287
-3.838294
33.42978
-3.504336
-3.388138
-5.649717
-4.030487
0.0006
0.0000
0.0015
0.0020
0.0000
0.0004
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.952456
0.944532
22.12571
14686.41
-159.2826
2.106337
Inverted AR Roots
.94+.17i
.73+.62i
.33+.90i
-.17+.94i
-.62 -.73i
-.90 -.33i
426
.90 -.33i
.62 -.73i
.17 -.94i
-.33 -.90i
-.73+.62i
-.94+.17i
555.0258
93.94524
9.182369
9.446289
120.1982
0.000000
.90+.33i
.62+.73i
.17+.94i
-.33+.90i
-.73 -.62i
-.94 -.17i
Anexo
Coefficient
Std. Error
t-Statistic
Prob.
QMENSUAL(-1)
QMENSUAL(-12)
GEQMEN22(-1)
C
AR(12)
AR(24)
-0.068925
1.333802
-0.087310
-78.20106
-0.652363
-0.369593
0.028993
0.049654
0.033710
22.63895
0.121326
0.096423
-2.377283
26.86197
-2.589999
-3.454271
-5.376937
-3.833056
0.0240
0.0000
0.0147
0.0017
0.0000
0.0006
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.944851
0.935660
23.82960
17035.49
-161.9534
1.803252
Inverted AR Roots
.94+.17i
.73+.62i
.32 -.90i
-.17 -.94i
-.62 -.73i
-.90+.32i
.90 -.32i
.62 -.73i
.17 -.94i
-.32+.90i
-.73+.62i
-.94+.17i
555.0258
93.94524
9.330746
9.594665
102.7963
0.000000
.90+.32i
.62+.73i
.17+.94i
-.32 -.90i
-.73 -.62i
-.94 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN22
QMENSUAL(-1)
QMENSUAL(-12)
GEQMEN22(-1)
C
AR(12)
AR(24)
-0.066359
-0.092619
1.344788
-0.036108
-68.49239
-0.660970
-0.379340
0.028334
0.028773
0.046064
0.038386
21.45579
0.113526
0.090222
-2.342048
-3.218951
29.19415
-0.940642
-3.192256
-5.822175
-4.204525
0.0263
0.0032
0.0000
0.3547
0.0034
0.0000
0.0002
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.953809
0.944252
22.18146
14268.50
-158.7630
2.024326
Inverted AR Roots
.95+.17i
.73+.62i
.33 -.90i
-.17 -.95i
-.62 -.73i
-.90 -.33i
427
.90+.33i
.62+.73i
.17+.95i
-.33 -.90i
-.73+.62i
-.95+.17i
555.0258
93.94524
9.209057
9.516963
99.80382
0.000000
.90 -.33i
.62 -.73i
.17 -.95i
-.33+.90i
-.73 -.62i
-.95 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN22(-1)
QMENSUAL(-1)
QMENSUAL(-12)
QMENSUAL(-11)
C
AR(12)
AR(24)
-0.050070
-0.084379
1.340367
-0.081148
-39.04302
-0.672447
-0.425817
0.030831
0.025090
0.042087
0.024830
22.84091
0.106388
0.086857
-1.623987
-3.363134
31.84763
-3.268170
-1.709347
-6.320727
-4.902528
0.1152
0.0022
0.0000
0.0028
0.0981
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.959559
0.951192
20.75483
12492.13
-156.3698
2.078654
Inverted AR Roots
.95+.17i
.74+.62i
.33 -.91i
-.17 -.95i
-.62 -.74i
-.91+.33i
.91 -.33i
.62+.74i
.17 -.95i
-.33 -.91i
-.74+.62i
-.95+.17i
555.0258
93.94524
9.076101
9.384007
114.6832
0.000000
.91+.33i
.62 -.74i
.17+.95i
-.33+.91i
-.74 -.62i
-.95 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN225
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.061865
1.244008
-74.12815
-0.535577
-0.316906
0.026892
0.043249
19.43554
0.136171
0.113529
-2.300489
28.76401
-3.814052
-3.933111
-2.791401
0.0283
0.0000
0.0006
0.0004
0.0089
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.930562
0.921602
26.30436
21449.50
-166.1007
2.341213
Inverted AR Roots
.94 -.16i
.73+.61i
.33+.90i
-.16+.94i
-.61+.73i
-.90+.33i
428
.90 -.33i
.61 -.73i
.16+.94i
-.33 -.90i
-.73+.61i
-.94 -.16i
555.0258
93.94524
9.505593
9.725526
103.8597
0.000000
.90+.33i
.61+.73i
.16 -.94i
-.33+.90i
-.73 -.61i
-.94+.16i
Anexo
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN225(-1)
QMENSUAL(-1)
QMENSUAL(-11)
C
AR(12)
0.396689
0.180331
-0.117581
262.4697
1.221603
0.085651
0.122920
0.109507
69.56767
0.081528
4.631466
1.467065
-1.073732
3.772869
14.98376
0.0000
0.1495
0.2888
0.0005
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.905739
0.897170
30.07459
39797.18
-233.6714
2.221941
Inverted AR Roots
1.02
.88+.51i
.88 -.51i
.51 -.88i
.00 -1.02i
-.00+1.02i
-.51+.88i
-.88 -.51i
-.88+.51i
Estimated AR process is nonstationary
533.6300
93.78636
9.741690
9.934732
105.6974
0.000000
.51+.88i
-.51 -.88i
-1.02
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN225(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.081172
1.287125
-92.19297
-0.596371
-0.338640
0.032116
0.051939
21.98899
0.134673
0.108376
-2.527434
24.78124
-4.192688
-4.428297
-3.124666
0.0168
0.0000
0.0002
0.0001
0.0038
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.931534
0.922700
26.11948
21149.05
-165.8467
2.089328
Inverted AR Roots
.94+.17i
.73+.62i
.33+.90i
-.17 -.94i
-.62+.73i
-.90 -.33i
429
.90 -.33i
.62 -.73i
.17+.94i
-.33 -.90i
-.73+.62i
-.94+.17i
555.0258
93.94524
9.491486
9.711419
105.4453
0.000000
.90+.33i
.62+.73i
.17 -.94i
-.33+.90i
-.73 -.62i
-.94 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN225(-1)
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.065905
-0.071478
1.312529
-69.57645
-0.623491
-0.354587
0.030213
0.030193
0.048554
22.55400
0.124615
0.099816
-2.181336
-2.367388
27.03215
-3.084883
-5.003335
-3.552411
0.0371
0.0246
0.0000
0.0043
0.0000
0.0013
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.942282
0.932662
24.37834
17829.10
-162.7730
1.838433
Inverted AR Roots
.94+.17i
.73+.62i
.33 -.90i
-.17 -.94i
-.62 -.73i
-.90+.33i
.90 -.33i
.62 -.73i
.17 -.94i
-.33 -.90i
-.73+.62i
-.94+.17i
555.0258
93.94524
9.376279
9.640199
97.95355
0.000000
.90+.33i
.62+.73i
.17+.94i
-.33+.90i
-.73 -.62i
-.94 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN225
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.070724
-0.097091
1.312455
-55.07993
-0.619435
-0.360091
0.021850
0.027399
0.039776
16.74825
0.114158
0.093590
-3.236795
-3.543568
32.99591
-3.288698
-5.426115
-3.847530
0.0029
0.0013
0.0000
0.0026
0.0000
0.0006
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.950510
0.942261
22.57402
15287.59
-160.0048
2.096283
Inverted AR Roots
.94+.17i
.73+.62i
.33 -.90i
-.17 -.94i
-.62 -.73i
-.90 -.33i
430
.90 -.33i
.62 -.73i
.17+.94i
-.33 -.90i
-.73 -.62i
-.94 -.17i
555.0258
93.94524
9.222488
9.486408
115.2355
0.000000
.90+.33i
.62+.73i
.17 -.94i
-.33+.90i
-.73+.62i
-.94+.17i
Anexo
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN225(-1)
QMENSUAL(-1)
QMENSUAL(-12)
QMENSUAL(-10)
C
AR(12)
AR(24)
-0.065741
-0.086813
1.326269
-0.044333
-45.91955
-0.625417
-0.371441
0.028803
0.030122
0.046809
0.024057
25.35471
0.118467
0.095404
-2.282412
-2.882010
28.33363
-1.842785
-1.811086
-5.279266
-3.893361
0.0300
0.0074
0.0000
0.0756
0.0805
0.0000
0.0005
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.948419
0.937747
23.43992
15933.47
-160.7496
1.966442
Inverted AR Roots
.94+.17i
.73+.62i
.33 -.90i
-.17 -.94i
-.62 -.73i
-.90+.33i
.90 -.33i
.62+.73i
.17 -.94i
-.33 -.90i
-.73+.62i
-.94+.17i
555.0258
93.94524
9.319424
9.627330
88.86978
0.000000
.90+.33i
.62 -.73i
.17+.94i
-.33+.90i
-.73 -.62i
-.94 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN23
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.056688
1.242667
-74.05677
-0.534215
-0.314559
0.024599
0.042940
19.43887
0.136204
0.113558
-2.304525
28.93949
-3.809725
-3.922175
-2.770030
0.0281
0.0000
0.0006
0.0005
0.0094
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.930632
0.921681
26.29110
21427.89
-166.0825
2.351213
Inverted AR Roots
.94 -.16i
.73 -.61i
.33 -.89i
-.16 -.94i
-.61+.73i
-.89 -.33i
431
.89 -.33i
.61 -.73i
.16 -.94i
-.33+.89i
-.73 -.61i
-.94 -.16i
555.0258
93.94524
9.504584
9.724518
103.9723
0.000000
.89+.33i
.61+.73i
.16+.94i
-.33 -.89i
-.73+.61i
-.94+.16i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN23(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.064334
1.268832
-85.71064
-0.571419
-0.326352
0.028843
0.050576
21.84015
0.137468
0.111378
-2.230463
25.08762
-3.924454
-4.156735
-2.930143
0.0331
0.0000
0.0005
0.0002
0.0063
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.929368
0.920254
26.52947
21818.19
-166.4074
2.131398
Inverted AR Roots
.94+.17i
.73+.61i
.33+.90i
-.17 -.94i
-.61+.73i
-.90 -.33i
.90 -.33i
.61 -.73i
.17+.94i
-.33+.90i
-.73+.61i
-.94+.17i
555.0258
93.94524
9.522635
9.742568
101.9737
0.000000
.90+.33i
.61+.73i
.17 -.94i
-.33 -.90i
-.73 -.61i
-.94 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN23(-1)
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.050838
-0.073691
1.297230
-63.15769
-0.603070
-0.344680
0.026990
0.031014
0.047428
22.32562
0.126960
0.102327
-1.883588
-2.376070
27.35154
-2.828934
-4.750075
-3.368410
0.0693
0.0241
0.0000
0.0082
0.0000
0.0021
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.940494
0.930576
24.75304
18381.38
-163.3221
1.862621
Inverted AR Roots
.94+.17i
.73+.62i
.33 -.90i
-.17 -.94i
-.62 -.73i
-.90+.33i
432
.90 -.33i
.62+.73i
.17 -.94i
-.33 -.90i
-.73+.62i
-.94+.17i
555.0258
93.94524
9.406785
9.670705
94.83019
0.000000
.90+.33i
.62 -.73i
.17+.94i
-.33+.90i
-.73 -.62i
-.94 -.17i
Anexo
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN23
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.060913
-0.092363
1.304050
-54.78767
-0.608989
-0.352835
0.020389
0.027960
0.039989
17.27201
0.116567
0.095710
-2.987555
-3.303405
32.61025
-3.172049
-5.224378
-3.686516
0.0056
0.0025
0.0000
0.0035
0.0000
0.0009
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.948688
0.940136
22.98574
15850.33
-160.6555
2.088115
Inverted AR Roots
.94+.17i
.73+.62i
.33 -.90i
-.17 -.94i
-.62 -.73i
-.90+.33i
.90 -.33i
.62+.73i
.17 -.94i
-.33 -.90i
-.73+.62i
-.94+.17i
555.0258
93.94524
9.258637
9.522557
110.9313
0.000000
.90+.33i
.62 -.73i
.17+.94i
-.33+.90i
-.73 -.62i
-.94 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN23(-1)
QMENSUAL(-1)
QMENSUAL(-10)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.048432
-0.088957
-0.042487
1.307883
-39.33096
-0.602537
-0.360114
0.026037
0.031341
0.025041
0.046034
25.98364
0.122060
0.098808
-1.860161
-2.838387
-1.696691
28.41139
-1.513681
-4.936389
-3.644579
0.0730
0.0082
0.1005
0.0000
0.1409
0.0000
0.0010
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.945958
0.934777
23.99252
16693.59
-161.5885
1.982175
Inverted AR Roots
.94 -.17i
.73+.62i
.33+.90i
-.17 -.94i
-.62 -.73i
-.90+.33i
433
.90+.33i
.62 -.73i
.17+.94i
-.33 -.90i
-.73+.62i
-.94+.17i
555.0258
93.94524
9.366027
9.673934
84.60310
0.000000
.90 -.33i
.62+.73i
.17 -.94i
-.33+.90i
-.73 -.62i
-.94 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN235
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.052941
1.242469
-74.31072
-0.532887
-0.311956
0.022728
0.042749
19.44827
0.136012
0.113325
-2.329350
29.06423
-3.820942
-3.917939
-2.752748
0.0265
0.0000
0.0006
0.0005
0.0098
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.930894
0.921977
26.24135
21346.86
-166.0143
2.356759
Inverted AR Roots
.94+.16i
.73+.61i
.33+.89i
-.16 -.94i
-.61+.73i
-.89+.33i
.89 -.33i
.61 -.73i
.16+.94i
-.33 -.89i
-.73+.61i
-.94 -.16i
555.0258
93.94524
9.500796
9.720729
104.3964
0.000000
.89+.33i
.61+.73i
.16 -.94i
-.33+.89i
-.73 -.61i
-.94+.16i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN235(-1)
QMENSUAL(-1)
QMENSUAL(-11)
C
AR(12)
0.339995
0.205026
-0.128681
234.7526
1.187490
0.094185
0.132452
0.118765
86.36053
0.080033
3.609857
1.547923
-1.083486
2.718286
14.83754
0.0008
0.1288
0.2845
0.0094
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.893174
0.883462
32.01643
45102.29
-236.7373
2.255491
Inverted AR Roots
1.01
.88+.51i
.88 -.51i
.51 -.88i
.00 -1.01i
-.00+1.01i
-.51+.88i
-.88 -.51i
-.88+.51i
Estimated AR process is nonstationary
434
533.6300
93.78636
9.866827
10.05987
91.97094
0.000000
.51+.88i
-.51 -.88i
-1.01
Anexo
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN235(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.053224
1.256519
-81.27724
-0.553970
-0.317505
0.026138
0.049377
21.65774
0.139257
0.113363
-2.036241
25.44733
-3.752803
-3.978039
-2.800783
0.0503
0.0000
0.0007
0.0004
0.0087
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.928013
0.918724
26.78279
22236.86
-166.7496
2.160192
Inverted AR Roots
.94 -.16i
.73+.61i
.33+.90i
-.16 -.94i
-.61+.73i
-.90+.33i
.90+.33i
.61 -.73i
.16+.94i
-.33 -.90i
-.73+.61i
-.94 -.16i
555.0258
93.94524
9.541642
9.761576
99.90787
0.000000
.90 -.33i
.61+.73i
.16 -.94i
-.33+.90i
-.73 -.61i
-.94+.16i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN235(-1)
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.040732
-0.074967
1.286517
-58.72758
-0.588299
-0.337526
0.024427
0.031646
0.046474
22.14488
0.128565
0.104099
-1.667534
-2.368945
27.68259
-2.651972
-4.575883
-3.242360
0.1058
0.0245
0.0000
0.0127
0.0001
0.0029
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.939274
0.929153
25.00553
18758.29
-163.6875
1.882595
Inverted AR Roots
.94+.17i
.73 -.61i
.33 -.90i
-.17 -.94i
-.61 -.73i
-.90+.33i
435
.90 -.33i
.61+.73i
.17 -.94i
-.33+.90i
-.73+.61i
-.94+.17i
555.0258
93.94524
9.427083
9.691002
92.80423
0.000000
.90+.33i
.61 -.73i
.17+.94i
-.33 -.90i
-.73 -.61i
-.94 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN235
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.054196
-0.089023
1.298881
-54.86582
-0.601086
-0.346775
0.019119
0.028357
0.040124
17.65683
0.118017
0.096945
-2.834635
-3.139411
32.37134
-3.107342
-5.093198
-3.577011
0.0081
0.0038
0.0000
0.0041
0.0000
0.0012
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.947602
0.938869
23.22759
16185.62
-161.0323
2.079141
Inverted AR Roots
.94+.17i
.73+.62i
.33+.90i
-.17 -.94i
-.62+.73i
-.90 -.33i
.90 -.33i
.62 -.73i
.17 -.94i
-.33+.90i
-.73+.62i
-.94+.17i
555.0258
93.94524
9.279570
9.543490
108.5089
0.000000
.90+.33i
.62+.73i
.17+.94i
-.33 -.90i
-.73 -.62i
-.94 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN235(-1)
QMENSUAL(-1)
QMENSUAL(-12)
QMENSUAL(-10)
C
AR(12)
AR(24)
-0.037172
-0.090352
1.295574
-0.041628
-34.70083
-0.586550
-0.352405
0.023752
0.032219
0.045268
0.025745
26.38039
0.124328
0.101059
-1.564982
-2.804340
28.61995
-1.616950
-1.315402
-4.717780
-3.487109
0.1284
0.0089
0.0000
0.1167
0.1987
0.0001
0.0016
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.944388
0.932882
24.33860
17178.65
-162.1041
1.992740
Inverted AR Roots
.94+.17i
.73+.62i
.33+.90i
-.17 -.94i
-.62 -.73i
-.90 -.33i
436
.90 -.33i
.62 -.73i
.17+.94i
-.33+.90i
-.73+.62i
-.94+.17i
555.0258
93.94524
9.394670
9.702576
82.07775
0.000000
.90+.33i
.62+.73i
.17 -.94i
-.33 -.90i
-.73 -.62i
-.94 -.17i
Anexo
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN24
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.050019
1.242426
-74.46546
-0.532036
-0.309586
0.021328
0.042648
19.45435
0.135754
0.113111
-2.345191
29.13207
-3.827702
-3.919116
-2.737012
0.0256
0.0000
0.0006
0.0005
0.0102
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.931069
0.922174
26.20813
21292.84
-165.9687
2.356908
Inverted AR Roots
.94+.16i
.73+.61i
.33 -.89i
-.16 -.94i
-.61 -.73i
-.89 -.33i
.89 -.33i
.61+.73i
.16 -.94i
-.33+.89i
-.73 -.61i
-.94+.16i
437
555.0258
93.94524
9.498262
9.718195
104.6809
0.000000
.89+.33i
.61 -.73i
.16+.94i
-.33 -.89i
-.73+.61i
-.94 -.16i
Prob.
0.0679
0.0000
0.0010
0.0005
0.0108
555.0258
93.94524
9.555416
9.775349
98.43521
0.000000
.89 -.33i
.61+.73i
.16 -.94i
-.33+.89i
-.73 -.61i
-.94+.16i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN24(-1)
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.033618
-0.075847
1.278437
-55.32062
-0.577863
-0.332514
0.022504
0.032153
0.045667
21.96342
0.129758
0.105470
-1.493908
-2.358955
27.99476
-2.518762
-4.453406
-3.152701
0.1456
0.0250
0.0000
0.0173
0.0001
0.0037
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.938337
0.928060
25.19759
19047.55
-163.9629
1.896506
Inverted AR Roots
.94 -.17i
.73+.61i
.33+.90i
-.17 -.94i
-.61+.73i
-.90+.33i
.90+.33i
.61 -.73i
.17+.94i
-.33 -.90i
-.73+.61i
-.94+.17i
555.0258
93.94524
9.442385
9.706305
91.30377
0.000000
.90 -.33i
.61+.73i
.17 -.94i
-.33+.90i
-.73 -.61i
-.94 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN24
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.049388
-0.086593
1.295270
-54.88953
-0.595280
-0.341854
0.018155
0.028687
0.040258
17.95274
0.118960
0.097807
-2.720352
-3.018541
32.17459
-3.057446
-5.004034
-3.495200
0.0107
0.0051
0.0000
0.0047
0.0000
0.0015
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.946793
0.937926
23.40620
16435.51
-161.3080
2.068079
Inverted AR Roots
.94+.17i
.73+.62i
.33+.90i
-.17 -.94i
-.62+.73i
-.90 -.33i
438
.90 -.33i
.62 -.73i
.17 -.94i
-.33 -.90i
-.73+.62i
-.94+.17i
555.0258
93.94524
9.294891
9.558811
106.7679
0.000000
.90+.33i
.62+.73i
.17+.94i
-.33+.90i
-.73 -.62i
-.94 -.17i
Anexo
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN24(-1)
QMENSUAL(-1)
QMENSUAL(-12)
QMENSUAL(-10)
C
AR(12)
AR(24)
-0.029411
-0.091470
1.286686
-0.041309
-31.07391
-0.575469
-0.347242
0.022011
0.032893
0.044574
0.026272
26.60667
0.125874
0.102685
-1.336235
-2.780837
28.86652
-1.572353
-1.167899
-4.571797
-3.381636
0.1919
0.0094
0.0000
0.1267
0.2524
0.0001
0.0021
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.943274
0.931538
24.58107
17522.65
-162.4609
1.997985
Inverted AR Roots
.94+.17i
.73+.61i
.33 -.90i
-.17 -.94i
-.61 -.73i
-.90 -.33i
.90 -.33i
.61+.73i
.17 -.94i
-.33 -.90i
-.73 -.61i
-.94+.17i
555.0258
93.94524
9.414496
9.722403
80.37158
0.000000
.90+.33i
.61 -.73i
.17+.94i
-.33+.90i
-.73+.61i
-.94 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN25
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.045039
1.240562
-73.64914
-0.526371
-0.303840
0.019575
0.042682
19.50792
0.135856
0.113291
-2.300871
29.06533
-3.775346
-3.874462
-2.681953
0.0283
0.0000
0.0007
0.0005
0.0116
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.930784
0.921852
26.26228
21380.93
-166.0430
2.345230
Inverted AR Roots
.94 -.16i
.73+.61i
.33 -.89i
-.16 -.94i
-.61+.73i
-.89 -.33i
439
.89+.33i
.61+.73i
.16 -.94i
-.33 -.89i
-.73+.61i
-.94 -.16i
555.0258
93.94524
9.502390
9.722324
104.2177
0.000000
.89 -.33i
.61 -.73i
.16+.94i
-.33+.89i
-.73 -.61i
-.94+.16i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN25(-1)
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.024653
-0.077291
1.267370
-50.31678
-0.563575
-0.326175
0.019926
0.032867
0.044406
21.54196
0.131323
0.107309
-1.237216
-2.351655
28.54073
-2.335757
-4.291501
-3.039590
0.2256
0.0255
0.0000
0.0264
0.0002
0.0049
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.937070
0.926581
25.45526
19439.11
-164.3292
1.906253
Inverted AR Roots
.94+.17i
.73+.61i
.33+.90i
-.17 -.94i
-.61 -.73i
-.90 -.33i
.90 -.33i
.61 -.73i
.17 -.94i
-.33+.90i
-.73+.61i
-.94+.17i
555.0258
93.94524
9.462734
9.726653
89.34381
0.000000
.90+.33i
.61+.73i
.17+.94i
-.33 -.90i
-.73 -.61i
-.94 -.17i
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN25
QMENSUAL(-1)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.042048
-0.083218
1.288395
-53.87952
-0.583160
-0.333135
0.016984
0.029439
0.040655
18.46401
0.120915
0.099621
-2.475783
-2.826748
31.69058
-2.918083
-4.822915
-3.344036
0.0192
0.0083
0.0000
0.0066
0.0000
0.0022
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.945061
0.935905
23.78419
16970.63
-161.8848
2.045011
Inverted AR Roots
.94+.17i
.73+.61i
.33 -.90i
-.17 -.94i
-.61 -.73i
-.90 -.33i
440
.90 -.33i
.61+.73i
.17 -.94i
-.33 -.90i
-.73 -.61i
-.94+.17i
555.0258
93.94524
9.326931
9.590851
103.2121
0.000000
.90+.33i
.61 -.73i
.17+.94i
-.33+.90i
-.73+.61i
-.94 -.17i
Anexo
Coefficient
Std. Error
t-Statistic
Prob.
GEQMEN25(-1)
QMENSUAL(-1)
QMENSUAL(-10)
QMENSUAL(-12)
C
AR(12)
AR(24)
-0.019659
-0.093521
-0.041349
1.274973
-25.64865
-0.560769
-0.341235
0.019659
0.033829
0.027018
0.043426
26.73339
0.127758
0.104770
-1.000005
-2.764553
-1.530444
29.35978
-0.959424
-4.389310
-3.257007
0.3256
0.0098
0.1367
0.0000
0.3453
0.0001
0.0029
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.941866
0.929839
24.88420
17957.48
-162.9022
1.995444
Inverted AR Roots
.94+.16i
.73+.61i
.33 -.90i
-.16 -.94i
-.61 -.73i
-.90 -.33i
441
.90 -.33i
.61+.73i
.16 -.94i
-.33+.90i
-.73 -.61i
-.94+.16i
555.0258
93.94524
9.439009
9.746916
78.30835
0.000000
.90+.33i
.61 -.73i
.16+.94i
-.33 -.90i
-.73+.61i
-.94 -.16i
Modelos
de
Temperaturas
15
15.1.
15.2.
16
16.1.
16.2.
17
17.1.
17.2.
18
18.1.
18.2.
Intervalo 18,5
I18,5.1.
I18,5.2.
I18,5.3.
19
19.1.
19.2.
19.3.
19.4.
19.5.
19.6.
19.7.
20
20.1.
20.2.
20.3.
20.4.
20.5.
20.6
20,5
20,5.1.
20,5.2.
20,5.3.
20,5.4.
20,5.5.
20,5.6.
20,5.7.
21
21.1.
21.2.
21.3.
21.4.
21.5.
21.6.
21.7.
Forecast
Error
MAPE
MAD
BIC
RMSE
34,37
35,76
0,04338
0,04742
23,35
24,81
39,73
39,64
32,57
34,52
32,58
34,66
0,0417
0,04701
22,42
24,47
37,65
38,43
30,87
33,47
30,64
26,23
0,039
0,03385
20,99
18,16
35,41
33,36
29,03
23,54
29,24
28,37
0,037
0,03749
19,99
20,67
33,79
33,76
27,7
26,33
32,34
24,45
23,05
0,04107
0,0322
0,03036
21,54
17,27
16,45
35,86
30,09
29,31
31,23
22,32
20,68
27,87
21,07
23,57
22,12
23,69
25,26
27,47
0,03673
0,02727
0,03135
0,02875
0,03173
0,03315
0,03476
20,22
15,16
16,91
15,6
17,06
17,65
18,79
33,17
26,8
29
28,13
30,12
31,09
31,75
25,86
18,91
21,51
19,85
21,26
23,06
26,03
20,32
17,58
20,07
22
25,99
23,42
0,0292
0,0219
0,02716
0,03027
0,03562
0,03298
15,98
12,15
15,14
16,49
19,66
17,66
25,84
22,36
25,52
27,07
30,93
28,82
18,24
15,78
18,01
20,08
24,12
21,38
21,59
17,2
19,47
19,68
24,86
22,55
28,69
0,02996
0,02333
0,02751
0,02698
0,03552
0,03203
0,03871
16,42
12,93
15,2
15,05
19,67
17,23
20,6
26,57
21,87
24,75
25,03
29,58
27,75
33,16
19,71
15,44
17,47
17,66
23,07
20,58
27,18
20,01
18,99
21,52
20,07
25,99
22,49
26,92
0,0247
0,02579
0,02999
0,02716
0,03562
0,03203
0,03626
15,18
14,23
16,49
15,14
19,66
17,27
20,43
25,44
24,02
26,48
25,52
30,93
27,67
32,04
17,96
16,95
19,64
18,01
24,12
20,53
24,98
442
Anexo
Modelos
de
Temperaturas
21,5
21,5.1.
21,5.2.
21,5.3.
21,5.4.
21,5.5.
21,5.6.
21,5.7.
21,5.8.
22
22.1.
22.2.
22.3.
22.4.
22.5.
22.6.
22.7.
22,5
22,5.1.
22,5.2.
22,5.3.
22,5.4.
22,5.5.
23
23.1.
23.2.
23.3.
23.4.
23.5.
23,5
23,5.1.
23,5.2.
23,5.3.
23,5.4.
23,5.5.
23,5.6.
24
24.1.
24.2.
24.3.
24.4.
24.5.
25
25.1.
25.2.
25.3.
25.4.
Forecast
Error
MAPE
MAD
BIC
RMSE
21,01
21,74
20,3
24,88
26,59
23,1
29,76
21,19
0,02991
0,03014
0,02694
0,03511
0,03552
0,03246
0,03973
0,02847
16,36
16,59
15,03
19,44
20,10
17,46
21,13
15,67
26,72
26,75
25,82
29,62
31,65
28,42
34,40
26,94
18,86
19,84
18,22
23,09
24,68
21,09
28,20
19,02
26,39
25,55
22,53
22,13
23,83
22,18
20,75
0,03492
0,03578
0,03211
0,03063
0,03311
0.03019
0,0272
19,81
19,75
17,48
16,85
17,78
16,58
15,17
31,41
30,41
28,65
27,23
29,32
28,21
26,39
24,49
23,71
20,22
20,20
21,75
19,91
18,63
26,3
30,13
26,12
24,38
23,44
0,0347
0,03955
0,03628
0,03359
0,03298
19,69
21,13
19,98
18,01
17,90
31,31
34,83
31,09
30,00
29,81
24,41
28,56
24,24
22,25
21,04
26,29
26,53
24,75
22,99
23,99
0,03466
0,03659
0,03385
0,03179
0,03341
19,65
20,13
18,13
17,43
18,11
31,29
31,57
30,46
28,29
30,51
24,40
24,62
22,60
20,98
21,53
26,24
32,74
26,78
25,01
23,23
24,34
0,03468
0,04529
0,03702
0,03399
0,03217
0,03383
19,65
23,85
20,37
18,19
17,60
18,34
31,23
36,78
31,88
30,77
28,58
30,95
24,35
31,38
24,85
22,83
21,20
21,84
26,21
26,97
25,2
23,41
24,58
0,03494
0,03730
0,03425
0,03251
0,03408
19,77
20,53
18,33
17,45
18,48
31,19
32,10
31,01
28,80
31,26
24,32
25,03
23,00
21,37
22,06
26,26
25,46
23,78
24,88
0,03566
0,03464
0,03335
0,03437
20,10
18,55
18,14
18,65
31,26
31,32
29,27
31,64
24,37
23,24
21,71
22,33
Fuente.IEA e INM.
Elaboracin. Propia.
443
7
7
7
7
7
7
42
yij
xij2
yij2
xij y ij
j =1
28
28
28
28
28
28
84
4795,816
4362,564
4158
3374,949
3401,809
3112,245
23205,383
140
140
140
140
140
140
420
3441892,436
2781004,827
2548203,466
1645989,529
1683723,858
1415904,414
8771100,729
21224,274
18754,198
17935,705
14072,358
14495,518
13386,195
57914,177
j =1
Enero
Febrero
Marzo
Abril
Mayo
Junio
Total
xij
j =1
j =1
j =1
n
Enero
Febrero
Marzo
Abril
Mayo
Junio
Total
7
7
7
7
7
7
42
xi*
yi*
xij2 nxi2*
y 2ij ny i2*
4
4
4
4
4
4
24
685,1165714
623,2234286
594
482,1355714
485,9727143
444,6064286
3315,054714
28
28
28
28
28
28
168
156199,4206
62152,73399
78351,46566
18806,56484
30537,50515
32180,27921
378227,9695
j =1
j =1
xij yij
j =1
nxi * y i *
2041,010
1303,942
1303,705
572,562
888,282
937,215
7046,716
1i =
x y
ij
ij
nx i* y i *
2
ij
nx i2*
j =1
j =1
444
Anexo
Febrero
11 =72,893
12 =46,569
Marzo
13 =46,561
Abril
14 =20,449
Mayo
15 =31,724
Junio
16 =72,893
Enero
Enero
Febrero
Marzo
Abril
Mayo
Junio
Total
y 2ij ny i2*
j =1
1i
xij2 nxi2*
j =1
156199,421
62152,734
78351,466
18806,565
30537,505
32180,279
378227,969
72,893
46,569
46,561
20,449
31,724
33,472
251,668
28
28
28
28
28
28
168
148775,779
60723,741
60701,669
11708,116
28180,175
31370,427
341459,907
j =1
xij y ij 7 xi * yi *
i =1
j =1
1* =
6
7
2
2
xij 7 xi *
i =1 j =1
y su estimacin es 1* =41,94
6 7
6 7
445
2
= 378227,96 41,94 168 = 45887,25
9119,18
5
=
= 1,48
36768,06
30
k 1
SCT
N 2k
F=
30, 0,05
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Total
x ij
j =1
y ij
j =1
x ij2
j =1
y ij2
j =1
xij y ij
j =1
7
7
7
7
7
7
42
28
28
28
28
28
28
84
3388,821
3601,460
3749,413
3405,679
3484,840
3320,105
20950,318
140
140
140
140
140
140
420
1678128,158
1885858,667
2033674,49
1712206,511
1772329,423
1606357,468
5597661,315
14532,773
15320,243
15743,032
14778,339
14960,407
13984,221
45596,048
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Total
xi*
yi*
7
7
7
7
7
7
42
4
4
4
4
4
4
24
484,117
514,494
535,630
486,526
497,834
474,301
2992,903
446
j =1
j =1
j =1
28
28
28
28
28
28
168
37541,333
32928,077
25374,798
55256,590
37456,590
31629,295
220186,683
nxi * y i *
977,489
914,403
745,38
1155,623
1021,047
703,801
5517,743
Anexo
11 =34,910
12 =32,657
Julio
Agosto
Septiembre 13 =26,620
Octubre 14 =41,272
Noviembre 15 =36,465
Diciembre 16 =25,135
Tabla.A.IV.89. Contraste de igualdad de pendientes. Segundo Semestre.
n
y 2ij ny i2*
j =1
Julio
37541,333
Agosto
32928,077
Septiembre 25374,798
Octubre 55256,590
Noviembre 37456,590
Diciembre 31629,295
Total
220186,683
xij2 nxi2*
j =1
34,910
32,657
26,621
41,272
36,466
25,136
28
28
28
28
28
28
168
34124,455
29861,887
19842,548
47695,161
37233,463
17690,566
186448,081
SCT
33738,60146
32,84370833
SCH1 =
38963,54106
*
1
1i
j =1
447
Correlaciones
15
Correlacin de
Pearson
Sig. (bilateral)
N
16
16,5
17
22,5 23 23,5 24
25
-0,170 -0,088 -0,029 0,034 0,165 0,242 0,273 0,330 0,365 0,391 0,413 0,422 0,422 0,413 0,399 0,386 0,377
0,360
0,123 0,427
84
84
0,001
84
0,797 0,761 0,134 0,027 0,012 0,002 0,001 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
84
84
84
84
84
84
84
84
84
84
84
84
84
84
84
Fuente. IEA e INM.
Elaboracin. Propia.
0,5
0,4
0,3
Coeficiente de correlacin de Pearson
Demanda
de
electricidad
0,2
0,1
0
15
16
16,5
17
18
18,5
19
19,5
20
20,5
21
-0,1
-0,2
Grados equivalentes mensuales
448
21,5
22
22,5
23
23,5
24
25
REFERENCIAS BIBLIOGRFICAS
Referencias bibliogrficas
Bibliografa General
Alvarez, E., (1997); Economa Industrial del Sector Elctrico: Estructura y
Regulacin. Civitas.
Armstrong, J.S., (2001); "Principles of Forecasting", Kluwer.
Aznar,A., (1998); "Econometric Model Selection: A new Approach", Kluwer.
Banker, R.D., (1984); Estimating most productive scale size using Data
Envelopment Analysis, European Journal of Operational Research, n 17, 35-44.
Banker, R.D., Charnes, A. y Cooper, W.W., (1984); Some models for estimating
technical and scale inefficiencies in Data Envelopment Analysis, Management
Science, Vol.30, n 9, 1078-1092.
Bates, J.M. y Granger, C.W.J., (1969); The Combinations of Forecasts,
Operational Research Quarterly,20,4,451-468.
Bessler, D.A. y Brandt J.A., (1981); Composite Forecasting: An Application with
U.S. Hog Prices , American Journal of Agricultural Economics,63,135-140,1981.
Boussofiane, A., Dyson, R.G. y Thanassoulis, E., (1991); Applied Data
Envelopment Analysis, European Journal of Operational Research, n 52, 1-15.
Box, G.E.P. y Jenkins, G.M., (1976); "Time Series Analysis. Forecasting and
Control" Holden Day.
Box, G.E.P. y Jenkins. G.M., (1976); "Time
Control", Holden Day .
451
452
Referencias bibliogrficas
453
454
Referencias bibliogrficas
Bibliografa especfica
455
Barakat, E., Al-Qassim, J. y Al-Rashed, S., (1992); "Long Range Peak Demand
Forecasting Under Conditions of High Growth", IEEE Transactions and Power
Systems, 7, 4, 1483-1487.
Barakat, E., y Al-Rashed, S., (1993); "New Model for Peak Demand Forecasting
Applied to Highly Complex Characteristics of a Fast Developing Area", IEEE, 139,
16-140.
Bartels, R. y Fiebig, D.G., (1996); "Metering and Modelling Residential End-Use
Electricity Load Curves", Journal of Forecasting, 15, 415-426.
Baum, V., (1998); "Glowing in the Gloom", Petroleum Economist, 60, 6-9.
Beauvais, E.C. y Spann, R.M., (1977); "Econometric Estimation of Peak Electricity
Demand", Forecasting and Modeling Time-of-Day and Seasonal Electricity
Demands", EPRI, 3-23.
Bolzern, P., Fronza, G. y Brusasca, G., (1982); "Temperature effects on the winter
daily electric load", Journal of Applied Meteorology, 21, 2.
Brockwell, P.J. y Davis, R.A., (2002); " Introduction
Forecasting", Wiley.
to
Time
Series and
456
Referencias bibliogrficas
457
Faruqui, A., (1987), "On the Search for Accuracy in Electric Utility Forecasting",
Journal of Forecasting, April, 93-96.
Faruqui, A., Melendy, C. y Bloom,J., (1994-95); "The Changing Role of
Forecasting in Electric Utilities", The Journal of Business Forecasting, Winter .
Faruqui, A., y Seiden,K., (1990); "Estimating Efficiency Savings Enbeddeding
Electric Utility Forecasts", EPRI.
Ferretti,N. y Romo, J.,(1996);"Unit root bootstrap test for AR(1) models",
Biometrika, 83, 849-860.
Fischler, E.B. y Nelson ,R.F., (1986), "Integrating Time Series and End Use
Methods of Forecasting Electricity Sales", Journal of Forecasting, January ,15-30.
Forsund, F.R. y Kittelsen A.C., (1998); Productivity Development of Norwegian
Electricity Distribution Utilities, Resources and Energy Economics, n 20, 207224.
Fredman, D.A. y Peters,S.C., (1984); "Bootstraping a regresion equation: some
empirical results", JASA, 79, 385, 97-106.
Fukuyama, H. y Weber, W.L., (2002); Estimating Output Allocative Efficiency and
Productivity Change: Application to Japanese Banks, European Journal of
Operational Research, n 137, 177-190.
Gonzlez, G., y Soto, F., (2001); Cobertura de la Demanda de energa elctrica a
medio y largo plazo. Energua.
Gonzlez, J., (2002); Liberalizar con precios regulados, Peridico ABC. 29 de
diciembre.
Halvorsen, R., (1975) ; "Residential Demand for Electric Energy", Review of
Economics and Statistics, 57,12-18.
Halvorsen, R., (1975); "Residential Demand for Electric Energy", Review of
Economics and Statistics, 57,12-18.
Hayter, A.J., (1995); "Probability and Statistics for Engineers and Scientists, PWS
Publishing Co.
Hjalmarsson, L. y Veiderpass, A., (1992); Productivity in Swedish Electricity Retail
Distribution, Scandinavian Journal of Economics, n 94 ,supplement, 193-205.
Holbert, D. Y Son, M.S. (1986); "Bootstraping a time series method: some
empirical results", Communications in Statistics.-Theory and Methods, 15,12,
36669.3691.
Informe Marco sobre la Demanda de Energa Elctrica y Gas Natural, y su
Cobertura, (2001). CNE.
458
Referencias bibliogrficas
459
460
Referencias bibliogrficas
Scully, G.W., (1998); Reform and Efficiency Gains in the New Zealand
Electrical Supply Industry, Journal of Productivity Analysis, n 11, 133-147.
Stanton, K.N. y Gupta, P.C., (1969); "Forecasting Annual or Seasonal Peak
Demand in Electric Utility Systems" IEEE paper 69 TP 648.PWR, Summer Power
Meeting, 22-27 junio.
Stanton, K.N. y Gupta, P.C., (1980); "Forecasting Annual or Seasonal Peak
Demand in Electric Utility Systems", IEEE Transactions on Power Apparatus and
Systems, 89, 951-959.
Stine,W., (1995); "Bootstrap of a linear Models with AR-error structure", Metrika,
42, 395-410.
Taylor, L.D., (1975); "The Demand for Electricity: A Survey", Bell Journal of
Economics, 74-110, Spring.
Taylor, L.D., (1975); "The demand for electricity:a survey", Bell J. Econ. 6,74.
Taylor, L.D., (1976); "A Review of Load Forecasting Methodologies in the Electric
Utility Industry", EPRI.
Thompson, R.G., (1996); DEA Multiplier Analytic Center Sensivity with an
Illustrate Application to Independent Oil Companies, Annals of Operational
Reserach, n 66, 163-177.
Thompson, R.P., (1976); "Weather Sensitive Electric Demand and Energy
Analysis on a Large Geographically Diverse Power System - Application to short
term hourly electric demand forecasting", IEEE Transactions on Power Apparatus
and Systems, Vol. PAS-95, no. 1, January/February.
Tolley, G.S, Upton, C.W. y Hastings, V.S., (1977); Electric Energy Availability and
Regional Growth, Ballinger Publishing Co.
Train, K. e Ignelzi, P., (1984); The Billing Cicle and Weather Variables in Models
of Electricity Sales, Energy, 9, 11-12, 1041-1047.
Uri, N.D., (2000); Changing Productive Efficiency in Telecommunications in
the United States, n 72, 121-137.
Williams y Leslie,(1953); "Load Forecasts Reflect Weather, Electr. World,139,
86-88.
Zhang, Y. y Bartels., (1998); The Effect of Sample Size on the Mean Efficiency
in DEA with an application to Electricity Distribution in Australia, Sweden and
New Zealand, Journal of Productivity Analysis, n 9, 187-204.
461
Fuentes Documentales
Pginas web
http://www.agencia-energa-sevilla.com/
Enerva:
http:\ \ www.unesa.es
http://www.cne.es/
http://www.enerva.com/
http:\ \ www.energuia.com
462
Referencias bibliogrficas
Mercado de Electricidad:
http:\ \ www.mercadoelectrico.comel.es
Mundoenerga:
http://www.mundoenerga.com/
http:\ \ www.ree.es
463
Resumen
El consumo de energa elctrica es una caracterstica relevante de las sociedades
industrializadas representando un factor bsico para la produccin en diversos sectores,
entre los que se encuentran el industrial, el comercial y el residencial. En este trabajo se
especifican
UNESCO: 1209.14
5302.02