Académique Documents
Professionnel Documents
Culture Documents
Subdireccion Tecnica
Departamento de Estudios Economicos Coyunturales
Sistema Integrado de Estadsticas Economicas
Desestacionalizaci
on de las Series
Coyunturales de Sectores Econ
omicos
Seg
un metodologa -X12 ARIM A- con aplicaci
on de Efecto Calendario
INSTITUTO NACIONAL DE
ESTADISTICAS
Desestacionalizaci
on de las Series
Coyunturales de Sectores Econ
omicos
Seg
un metodologa -X12 ARIM A- con aplicaci
on de Efecto Calendario
Juan Cortez
Depto. Estudios
micos Coyunturales
Econo
ate
Loreto On
Sist. Integrado de
micas
Estadsticas Econo
Washington Pasten
Sist. Integrado de
micas
Estadsticas Econo
Resumen
El documento describe el proceso de desestacionalizaci
on de las series econ
omicas, mediante la
metodologa X12 ARIM A del Census Bureau de los Estados Unidos, incorporando en el an
alisis el
efecto calendario chileno. El documento incluye una aplicaci
on a las series coyunturales de sectores
econ
omicos, elaboradas por el Instituto Nacional de Estadsticas de Chile.
Abstract
This paper describes the seasonal adjustment procedure of the economic series following the methodology X12 ARIMA of the Census Bureau of the United States using the calendar effect applied to
the chilean case. The procedure of seasonal adjustment is applied to the short-term economic series
published by the National Statistical Institute of Chile.
Indice
Presentaci
on
1. Introducci
on
2. Antecedentes Generales
5
6
6
8
9
9
9
9
10
10
11
4. Aplicaci
on X12 ARIM A
11
11
11
12
12
13
13
13
14
14
14
15
15
16
16
17
17
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5. Conclusiones
17
Anexos
20
20
Indice de figuras
1.
2.
3.
4.
5.
serie economica
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
6
20
20
21
21
Indice de cuadros
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
Estimaci
on del Efecto Calendario, Perodo 1 .
Estimaci
on del Efecto Calendario, Perodo 2 .
Modelo SARIM A IP M an. . . . . . . . . .
Calidad de ajuste estacional, IP M an. . . . .
Estimaci
on del Efecto Calendario . . . . . .
Modelo SARIM A IP M in. . . . . . . . . .
Calidad de ajuste estacional, IP M in. . . . .
Estimaci
on del Efecto Calendario . . . . . .
Estacionalidad determinstica . . . . . . . .
Modelo SARIM A IV CM . . . . . . . . . . .
Calidad de ajuste estacional, IV CM . . . . .
Estimaci
on del Efecto Calendario . . . . . .
Modelo SARIM A ISU P . . . . . . . . . . .
Calidad de ajuste estacional, ISU P . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
12
12
12
13
13
13
14
15
15
15
16
16
17
17
Presentaci
on
El Instituto Nacional de Estadsticas (INE) en el constante compromiso de mejorar los indicadores
para satisfacer la necesidad de informaci
on de sus usuarios, y de ajustar continuamente la producci
on
estadstica a los est
andares internacionales, pone a disposicion del p
ublico el estudio de Desestacionalizaci
on de series coyunturales de Sectores Economicos.
El Departamento de Estudios Econ
omicos Coyunturales (DEEC) en conjunto con el Sistema Integrado de Estadsticas Econ
omicas (SIEE), han desarrollando la aplicacion de ajuste estacional a series
econ
omicas del IN E, a traves de la metodologa X12 ARIM A del Census Bureau de Estados Unidos,
con correcci
on de efecto calendario acorde a la realidad chilena.
Estas series corresponden a los sectores economicos de manufactura (Indice de Produccion Manufacturera IP M an), minera (Indice de Produccion Minera IP M in), y los relacionados al comercio
minorista (Indice de Ventas de Comercio al por Menor IV CM e Indice de Ventas de Supermercados
ISU P ).
Se espera como resultado de este estudio, generar una clara comprension del proceso de desestacionalizaci
on de las series econ
omicas, proporcionando las bases teoricas de ajuste estacional, a traves de la
metodologa X12 ARIM A y utilizando el efecto calendario propio del pas.
Desestacionalizaci
on de Series Econ
omicas
1.
Introducci
on
La actividad econ
omica presenta en muchas de
sus ramas movimientos sistem
aticos que se repiten
con cierta frecuencia conocidos como estacionalidad. Estos movimientos pueden ser causados por
el efecto del calendario cuando algunas festividades
son fijas o m
oviles en fechas determinadas, como
la navidad y semana santa respectivamente, las estaciones del a
no o el clima que puede afectar ciertos sectores econ
omicos, decisiones de materias de
fechas, perodos de vacaciones, entre otros. Es importante aclarar que tales causas pueden ser consideradas como factores ex
ogenos -de naturaleza no
econ
omica- que influyen sobre la serie y pueden ocultar caractersticas relacionadas con los fenomenos
econ
omicos.
ANTECEDENTES GENERALES
Por lo tanto, el presente estudio busca explicar como la desestacionalizacion permite identificar
ciertos patrones y efectos que puedan alterar el real
comportamiento de las series economicas, evitando
interpretaciones distorsionadas del analisis coyuntural de estas.
En la segunda seccion se dan a conocer antecedentes generales del proceso de desestacionalizacion, mencionando inicialmente una rese
na historica del tratamiento de las series temporales a partir
de la descomposicion de estas, para luego explicar
los distintos enfoques utilizados en el ajuste estacional. En la tercera seccion se explica la metodologa
X12-ARIMA del Census Bureau de Estados Unidos,
estudiando particularmente los modulos RegARIMA y X11. En la cuarta seccion, se presentan los
resultados del ejercicio de desestacionalizacion con
El desconocimiento de este fen
omeno puede pro- efecto calendario aplicado a las series de los sectoducir efectos estadsticos que distorsionan la reali- res economicos de manufactura (IP M an), minera
dad de la actividad econ
omica, y los datos pueden (IP M in), y los relacionados al comercio minorista
mal interpretarse. Tambien existen otros factores ( IV CM e ISU P ). Finalizando con las respectivas
estacionales que afectan sensiblemente el compor- conclusiones.
tamiento de la din
amica sectorial, como el Efecto
Calendario. Por ejemplo, la longitud de los das al
interior del mes, el n
umero de das h
abiles en la acAntecedentes Generales
tividad (composici
on de los das de la semana en 2.
un mes particular) y el n
umero de das festivos a lo
La desestacionalizacion esta asociada a la idea
largo del a
no.
que las series de tiempo constan de componentes
no observables. Este concepto se plantea a mediaPor este motivo es importante contar con cifras
dos del siglo XIX, donde varios economistas como
desestacionalizadas de manera de poder observar el
Cournot y Jevons fueron pioneros en el analisis de
real comportamiento econ
omico de las series econolas series de tiempo, relacionando los periodos del
micas. Para realizar este proceso, se busca separar
a
no con el comportamiento economico.
los componentes (tendencia, ciclo, estacionalidad e
irregular) de la serie original con el fin de identifiA principios del siglo XX se crea en Francia, y
car los distintos movimientos que esta posee. Este
posteriormente en Estados Unidos, un comite encarprocedimiento de ajuste estacional es crucial para
gado de proponer metodos para separar las compoel an
alisis coyuntural de las series econ
omicas ya
nentes de una serie de tiempo con el fin de pronosque estas contienen distintas componentes no obticarlas por separado.
servables que distorsionan las variaciones mensuales
reales de estos indicadores.
Una de las primeras ideas que surgen para separar estas componentes fue dada por Persons en
Actualmente, muchos centros de estudios que
1919, proponiendo que las series de tiempo constan
construyen series econ
omicas buscan perfeccionar
de cuatro componentes1 : tendencia de largo plazo,
sus an
alisis a partir de los metodos de desestaciomovimiento cclico, movimiento estacional y varianalizaci
on y an
alisis espectral. Dentro de los mas
cion residual.
conocidos se encuentra el Census Bureau de los Estados Unidos, la Oficina de Estadsticas de Canada,
EUROSTAT, y, a nivel nacional, el Banco Central
de Chile. El Instituto Nacional de Estadsticas ha
optado por usar la metodologa de ajuste estacional
X12 ARIM A, utilizado por los centros de estudio
recien nombrados, la cual permite estimar las componentes no observadas de una serie sin recurrir a
1 Ver Elementos te
oricos del ajuste estacional de series
la especificaci
on de un modelo estadstico.
econ
omicas utilizando X12 ARIM A y T RAM O SEAT S,
Villareal, Francisco, p
ag.7, 2005.
Desestacionalizaci
on de Series Econ
omicas
3.
X12 ARIM A4 es un metodo basado en promedios moviles, los cuales se sustentan en el dominio
del tiempo o en el de frecuencias, y logra el ajuste
estacional con el desarrollo de un sistema de factores que explican la variacion estacional en una serie.
Este
es un programa de codigo abierto, desarrollado
por la oficina del censo de los Estados Unidos (U.S.
En los a
nos treinta se desarrollaron tecnicas ba- Census Bureau 2000) a partir de los programas de
sadas en los modelos de regresi
on, las cuales fueron ajuste estacional Census X-11 (Shishkin, 1967) de
r
apidamente criticadas por su dificultad para hallar la oficina del censo de los Estados Unidos, y X11
ARIM A (Dagum 1980, 1988) de la oficina de estasu especificaci
on correcta.
dstica de Canada.
2 Ver Desestacionalizar con el m
etodo X11, Ladiray y
Quenneville , p
ag. 11, 2001.
3 El m
etodo X11 se explica en la secci
on 3.2 M
odulo X11.
Desestacionalizaci
on de Series Econ
omicas
4 Para un an
alisis m
as detallado ver X12 ARIMA reference Manual, U.S. Census Bureau, 2011
3.1
Modulo RegArima
3.1
Modulo RegArima
RegARIM A9 es el primer paso dentro del procesamiento de las series con la metodologa X12
ARIM A. En el se estima un modelo para la media
donde se captura el efecto calendario, datos atpicos (outliers), efecto de das feriados, entre otros,
con la finalidad de eliminar elementos observables
de la serie que distorsionan el resultado del proceso
3.1.1. Efecto Calendario
de ajuste estacional.
El efecto calendario12 influye particularmente a
Los residuos de este modelo siguen un proce- las series de tiempo mensuales que se obtienen como
so ARIM A estacional10 , conocido como SARIM A, agregados de datos diarios, es decir, se supone que
de la forma (p, d, q)(P, D, Q)S , para la serie en estu- en los datos diarios existe una cierta periodicidad
dio, o bien, para la transformaci
on (logartmica, lo- semanal completamente determinstica que debera
gstica u otra) de esta11 . El modelo estimado se usa transmitirse a la serie mensual mediante el proceso
on. Sin embargo, no todos los meses pre5 Ver Detecci
on de Outliers: Un Ejercicio de Monte Car- de agregaci
sentan las mismas caractersticas debido a que (i)
lo, Cabrer e Iranzo, pag.4, 2007.
6 Lo que se conoce como efecto calendario.
los meses no tienen el mismo n
umero de das, (ii) un
7 Se puede aplicar a una variedad mucho m
as amplia de mismo mes, al paso del tiempo presenta variaciones
modelos SARIM A.
umero de das especficos de la sema8 El objetivo de la extracci
on de se
nales es estimar los respecto al n
componentes no observables de tal manera que se maximice na que contiene (lunes, por ejemplo), y (iii) existen
la varianza del componente irregular y se minimice la de los festividades, tanto movibles como fijas, en las que
otros componentes. Es decir, se eliminan los ruidos de cada
la actividad economica se detiene en algunos sectouno de los componentes y se trasladan (suman) al componente irregular con lo que se obtiene una descomposici
on u
nica, res o aumenta en otros. El componente de efectos
la conocida como descomposici
on can
onica, y se maximiza la calendarios engloba todos aquellos efectos determiestabilidad de los componentes tendencia y estacional
nsticos producto de la composicion del calendario
9
Para un an
alisis mas detallado del tema ver: Desestacionalizaci
on X12 ARIM A con Efecto Calendario, Indice de
Supermercados, Cortez, 2008. Y X12 ARIM A, Reference
Manual, U.S. Census Bureau, 2002.
10 Ver The Analysis of Time Series, Chatfield, 1995.
11 Para estabilizar la varianza, usualmente se utiliza el logaritmo natural previo a la estimaci
on del modelo.
Desestacionalizaci
on de Series Econ
omicas
3.1
Modulo RegArima
de un pas.
Donde:
Xit : N
umero de das no feriados del tipo i
en el mes t.
X7t : N
umero de das domingos en el mes t.
Kt =
6
X
(1)
(1)
(2)
i (Xit X7t ) + 1 Nt + 2 LYt (2)
i=1
Se admitir
a que el i-esimo da de la semana tie(1)
modelo de regresi
on est
andar utilizado considera seis
variables independientes para estimar los siete ponderadores
de los das de la semana, ya que se incorpora la restricci
on
que la suma de las ponderaciones sea igual a 1.
14 Ver Desestacionalizaci
on de series econ
omicas: El procedimiento usado por el Banco Central de Chile, Bravo H.,
Luna L., Correa V. y Ruiz F., 2002. Y Desestacionalizaci
on
X12 ARIM A con Efecto Calendario, Indice de Supermercados, Cortez, 2008
Desestacionalizaci
on de Series Econ
omicas
Donde:
W eekt : N
umero de das de semana en el mes
t.
W eekendt : N
umero de das de fin de semana
en el mes t.
a: Cantidad de das de semana. a = 5 para
semana de lunes a viernes, a = 4 para semana
de lunes a jueves.
b: Cantidad de das de fin de semana. b = 2
para fin de semana de sabado a domingo, b =
3 para fin de semana de viernes a domingo
15 Modelo propuesto por Young, ver Estimating tradingday variation in monthly economic time serie, Young, Bureau of the Census, 1965
3.1
Modulo RegArima
La suposici
on subyacente de este modelo es que
todos los das de la semana tienen efectos identicos,
as como los das de fin de semana tienen similares efectos. En el caso de los ndices coyunturales
del IN E, para el caso de manufactura se considero
das de semana de lunes a viernes y fin de semana
de s
abado a domingo; para el caso de los ndices
relacionados al comercio al por menor se considero
das de semana de lunes a jueves y fin de semana
de viernes a domingo16 .
3.1.2.
Modelizaci
on y comparaci
on de modelos para proyecci
on.
Una vez eliminado el efecto calendario de la serie bajo estudio, se deben realizar las proyecciones
y retroproyecciones de la misma, para el uso de las
medias moviles simetricas en el proceso de ajuste
estacional propiamente tal (modulo X11). Para esto, se utiliza la metodologa Box-Jenkins la cual
selecciona, estima y proyecta mediante modelaci
on
SARIM A17 .
supone que en el caso del comercio minorista, principalmente en supermercados y grandes tiendas, el efecto asociado a los das viernes es positivo, al igual que s
abados y
domingos.
Desestacionalizaci
on de Series Econ
omicas
3.2
Modulo X11
3.2.1.
Test de Estacionalidad
Los test para determinar la presencia de estacionalidad que incorpora el programa X12 ARIM A
son tanto parametricos como no parametricos. Entre estos test se encuentran los Test de Estacionalidad Estable, Test de Kruskal-Wallis, Test de Estacionalidad Evolutiva, y el Test de Presencia de Estacionalidad Identificable, el cual se construye a partir
de los test de Estacionalidad Estable y Estacionalidad Evolutiva. Se puede realizar un test combinado,
utilizando los test mencionados anteriormente para
resolver la presencia de estacionalidad estable26 .
En la aplicaci
on que se analiza en la seccion 4,
adem
as de la selecci
on autom
atica de modelos, se
realiz
o un an
alisis de las proyecciones de los cinco mejores modelos seleccionados a traves del error
cuadr
atico medio (ECM ), as como un proceso de
an
alisis de los residuos de esta modelaci
on, verificando que posean las caractersticas de ruido blanco, es decir, que estos sean normales y con varianza
on X11
constante, lo cual se observa a partir de test de nor- 3.2.2. Desestacionalizaci
22
23
malidad y test de independencia .
El metodo de desestacionalizacion X11 emplea
medias moviles para estimar los principales componentes de una serie: la tendencia-ciclo y la estaciona3.2
Modulo X11
lidad. Este metodo permite realizar una estimaci
on
no
param
e
trica
de
la
componente
estacional
con
la
El modulo X1124 permite analizar las series menayuda de las medias moviles.
suales y trimestrales, a traves de un principio de
estimaci
on iterativa de las diferentes componentes.
Esa estimaci
on se hace en cada etapa mediante el
3.2.3. Elecci
on de la Media M
ovil para esuso de medias m
oviles adecuadas.
timar la Componente Estacional
Las componentes principales que pueden aparecer en alg
un momento de la descomposicion de la
serie son la tendencia-ciclo (Ct ), la componente estacional (St ), la componente irregular (It ) y algunas
componentes asociadas al efecto calendario (ECt )
como los das h
abiles y/o efecto pascua, entre otros.
Desestacionalizaci
on de Series Econ
omicas
Si MSR se sit
ua entre 1,5 y 2,5 se recomienda
adoptar una media movil estacional 3 3
Si MSR se sit
ua entre 2,5 y 5, se recomienda
adoptar una media movil estacional 3 5
Si MSR se sit
ua entre 5 y 7, se recomienda
adoptar una media movil estacional 3 9
Si MSR es superior a 7, el componente estacional es fijado de acuerdo al valor promedio
de la serie sin tendencia-ciclo.
26 Ver, Desestacionalizaci
on X12 ARIM A con Efecto Calendario, Indice de Supermercados, Cortez, 2008
27 Ver Desestacionalizaci
on de series econ
omicas: El procedimiento usado por el Banco Central de Chile, Bravo H.,
Luna L., Correa V. y Ruiz, p
ag 16, 2002.
3.2
Modulo X11
3.2.4.
Elecci
on de la Media M
ovil de Henderson para estimar la componente
Tendencia-Ciclo
Las medias m
oviles de Henderson28 son empleadas en X11 para extraer la tendencia de una estimaci
on de la serie corregida de variaciones estacionales.
El programa selecciona autom
aticamente, seg
un
el valor de la raz
on I/C, la media m
ovil de Henderson a utilizar en la estimaci
on de la componente Tendencia-Ciclo. Donde I designa las variaciones
absolutas mensuales en la parte irregular de la serie;
y C designa las variaciones absolutas mensuales de
la tendencia de la serie.
Ct = M A212 (Yt )
Esta media movil de 13 terminos utilizada en
esta etapa, conserva las tendencias lineales,
elimina la estacionalidad constante de orden
12 y minimiza la varianza de la parte irregular.
2. Estimacion del componente estacional e irregular:
(St + It )
(1)
(1)
= Yt Ct
Proceso de desestacionalizaci
on
St
Yt
28 Para un an
alisis detallado de las medias m
oviles ver
Desestacionalizar con el m
etodo X11, Ladiray y Quenneville, 2001 y Desestacionalizaci
on del Indice de Producci
on
Fsica de la Industria Manufacturera -IPVF-, Jonathan Benavides, 2007.
29 Ver Desestacionalizaci
on de series econ
omicas: El procedimiento usado por el Banco Central de Chile, Bravo H.,
Luna L., Correa V. y Ruiz, p
ag 16, 2002.
30 Ver Desestacionalizaci
on X12 ARIM A con Efecto Calendario, Indice de Supermercados, Cortez, 2008
31 Solo se describe la opci
on por defecto del X11, no obstante X12 ARIM A permite asignar diferentes medias m
oviles
para el c
alculo de la estacionalidad y de la tendencia-ciclo.
Desestacionalizaci
on de Series Econ
omicas
= (Ct + It )
(1)
(1)
= Yt St
1. Estimaci
on de la tendencia utilizando una media m
ovil de 2 12:
h
i
(1)
= M A3x3 (St + It )
(2)
Ct
(SA(1))
= H13 Yt
(2)
(2)
= Yt Ct
St
h
i
(2)
= M A3x5 (St + It )
10
4.1
(2)
(2)
(2)
St = St M A2x12 St
(2)
It
= (St + It )
(2)
(2)
St
8. Estimaci
on de la serie corregida de las variaciones estacionales:
(SA(2))
Yt
= (Ct + It )
(2)
(2)
= Yt St
Diagn
ostico del Ajuste Estacional
X12 ARIM A
APLICACION
Luego, con el fin de filtrar la serie de estos hechos estacionales y de efecto calendario aplicado a la
realidad nacional, se utiliza el programa de desesAdicionalmente, el programa X12-ARIMA intacionalizacion X12 ARIM A, en base a la inforcluye diagn
osticos para validar la calidad de nuesmacion del ndice, a contar de enero de 1991 hasta
tros resultados:
diciembre de 2012.
Los estadsticos M32 (M1 al M11), permiten
evaluar la calidad del ajuste estacional realizado, y el estadstico global de calidad Q, es
una combinaci
on lineal de las estadsticas M.
Estos estadsticos varan entre 0 y 3, pero se
aceptan s
olo los valores inferiores a 1, es decir, mientras m
as peque
no su valor, mejor es
su ajuste .
4.1.1.
Elecci
on del Efecto Calendario
Para la modelacion de este efecto se divide la serie en dos perodos, el Perodo 1 que va desde 1991
hasta 2001, mientras que el Perodo 2 va desde 2002
hasta 2012. Esta division se realiza ya que los par
ametros que se estiman para el perodo completo, no
An
alisis espectral, para revelar la presencia de son estables en el tiempo debido a que cambia la estacionalidad de la serie y, por ende, la composici
on
efectos estacionales o efectos de calendario.
del calendario, escogiendo como corte el cambio de
a
no base que se produce en la serie en el a
no 2002.
4.
4.1
Aplicaci
on X12 ARIM A
a Series Coyunturales
Indice de Produccion Manufacturera
Desestacionalizaci
on de Series Econ
omicas
34 Las
hip
otesis a testear para ver la significancia de los
11
4.1
taci
on del modelo es que un feriado adicional genera
un descenso en la producci
on ya que su parametro
estimado es negativo, mientras que, un da habil
m
as durante la semana incrementar
a la produccion.
Al contrario, un da de fin de semana adicional reducir
a la producci
on en funci
on de la magnitud del
par
ametro estimado.
4.1.2.
Cuadro 1: Estimacion del Efecto Calendario, Perodo 1
Variable
Week
Weekend
Feriados
Regression Model
Par
ametro
Error
estimado
est
andar t value
0,0060
0,0005
12,4
-0,0151
-0,0057
0,0025
-2,3
p value
0,0000
0,025
X12 ARIM A
APLICACION
Elecci
on del Modelo SARIM A
p value
0,0000
12
0,709
0,068
10,4
0,0000
Variable
Nonseasonal MA
Lag
1
Par
ametro
Estimado
0,289
Error
est
andar
0,087
t value
3,3
p value
0,0010
Seasonal MA
12
0,524
0,088
6,0
0,0000
Perodo 2
Variable
C
LYt
AO2010.mar
Week
Weekend
Feriados
Regression Model
Par
ametro
Error
estimado
est
andar t value
-0,0003
0,0006
-0,5
0,0285
0,0076
3,8
-0,2020
0,0123
-16,4
0,0039
0,0004
10,9
-0,0097
-0,0136
0,0016
-8,2
p value
0,6340
0,0000
0,0000
0,0000
0,0000
Desestacionalizaci
on de Series Econ
omicas
12
4.2
4.2
Perodo 2
0,294
0,191
0,371
0,038
0,462
0,099
0,174
0,468
0,139
0,520
0,491
0,266
0,275
X12 ARIM A
APLICACION
4.2.1.
Elecci
on del Efecto Calendario
Regression Model
El IP M in es un indicador mensual que tiene
Par
ametro
Error
por objetivo principal medir la evoluci
on de la acVariable
estimado
est
andar t value p value
tividad productiva de la minera, a traves de las
LYt
0,0736
0,0221
3,3
0,0010
Paralizaci
on
-0,0308
0,0083
-3,7
0,0000
producciones fsicas de los principales productores
mineros del pas. El indicador es de car
acter censal
y considera como unidades estadsticas los estableConsiderando que los p value de los paramecimientos mineros los cuales cuentan con iniciacion
de actividad independiente, y desarrollan su activi- tros estimados son menores a 5 %, existe evidencia
estadstica como para rechazar H0 . Es decir, las estidad dentro de los lmites territoriales del pas.
maciones son significativas, siendo ademas el valor
La producci
on minera vara mes a mes por di- de ambos parametros estimados de signos esperaferentes causas. Algunas de las causas estacionales dos, ya que teoricamente un da mas en el mes de
se asocian a los meses de diciembre, en los cuales febrero (LYt ) debiese aumentar la produccion minelos distintos agentes del sector deben cumplir con ra, mientras que una paralizacion, ya sea por huelga,
metas de producci
on anuales37 , observ
andose ma- mantencion o catastrofe natural, debiese disminuir
yores niveles de producci
on respecto a otros meses la produccion del sector, siendo ambos efectos comdel a
no. En relaci
on al calendario se debe conside- probados empricamente.
rar que la industria minera mantiene procesos de
producci
on continua, por lo que la composicion de
los das de la semana no tienen efecto en esta activi- 4.2.2. Elecci
on del Modelo SARIM A
dad, aunque si se puede observar un efecto en relaEn el Cuadro 6, se puede observar los resultados
ci
on al n
umero de das que tiene un mes, en donde
del
modelo SARIM A estimado. En la seleccion de
meses pueden variar en longitud 31 das, 30 das y
modelo
se eligio un (011)(011)12 , es decir con orden
el mes de febrero que tiene la particularidad de tener una longitud de 28 das y 29 das para los a
nos de integracion ordinaria (diferenciacion de la variaon
38
bisiestos , generando un da m
as de actividad, in- ble en t respecto a t1) y estacional (diferenciaci
de
la
variable
en
t
respecto
a
t
12)
y
con
procesos
crementando la producci
on de la industria minera.
Tambien se puede mencionar, los efectos que tie- de media movil para t 1 y t 12.
nen en la producci
on del sector las paralizaciones
en ciertas faenas debido a huelgas de trabajadores,
Cuadro 6: Modelo SARIM A IP M in.
mantenimiento de m
aquinas, cat
astrofes naturales,
ARIMA Model: (011)(011)12
entre otros.
Nonseasonal differences: 1, Seasonal differences: 1
Perodo 1
37 Las
Desestacionalizaci
on de Series Econ
omicas
Variable
Nonseasonal MA
Lag
1
Par
ametro
Estimado
0,5782
Error
est
andar
0,0764
t value
7,6
p value
0,0000
Seasonal MA
12
0,7267
0,0769
9,5
0,0000
13
4.3
X12 ARIM A
APLICACION
4.3
Desestacionalizaci
on de Series Econ
omicas
Otra causa pueden ser, el efecto pago, que dependiendo del da que se genere el pago de las remuneraciones, las personas realizaran las compras
el mismo mes o las desplazaran al mes siguiente.
Con el objeto de limpiar la serie de estos hechos
estacionales y de calendario, se utilizo el programa
de desestacionalizacion X12 ARIM A aplicado a la
realidad del calendario nacional, en base a la informacion del ndice a contar de enero de 2005 hasta
diciembre de 2012.
4.3.1.
Elecci
on del Efecto Calendario
14
4.3
Variable
LYt
AO2010.abr
AO2010.may
Week
Weekend
Regression Model
Par
ametro
Error
estimado
est
andar t value
0,0273
0,0109
2,5
0,0603
0,0154
3,9
0,0489
0,0154
3,2
-0,0028
0,0007
-4,2
0,0038
p value
0,0140
0,0000
0,0020
0,0000
X12 ARIM A
APLICACION
4.3.2.
Elecci
on del Modelo SARIM A
Variable
Nonseasonal AR
Lag
1
Par
ametro
Estimate
-0,2060
Error
est
andar
0,1050
t value
2,0
p value
0,0529
Seasonal AR
12
0,297
0,1070
2,8
0,0069
4.3.3.
Como se observa en el Cuadro 9, los parametros estimados son significativos con un p value
Los estadsticos M y Q son inferiores a 1, por
menor al 5 %, a excepci
on de los meses de mayo,
lo que la bondad del ajuste estacional cumple con
septiembre y octubre, existiendo evidencia estadsDesestacionalizaci
on de Series Econ
omicas
15
4.4
X12 ARIM A
APLICACION
los criterios para ser aceptable, cumpliendo con un que la composicion de los das de la semana que tiebuen ajuste acorde a estos resultados.
ne un mes impacten en las ventas del sector, es as
como un viernes, un sabado y/o domingo adicional
en un mes, generen un incremento en las ventas de
la industria de supermercados.
Cuadro 11: Calidad de ajuste estacional, IV CM .
Estadsticas M y Q
Estadstico Perodo 1
M1
0,157
M2
0,079
M3
0,109
M4
0,063
M5
0,268
M6
0,043
M7
0,093
M8
0,113
M9
0,105
M 10
0,119
M 11
0,119
Q
0,124
Q2
0,130
4.4
Otros factores pueden ser, el efecto pago que dependiendo del da que se genere el pago de las remuneraciones, las personas realizaran las compras el
mismo mes o las desplazaran al mes siguiente; o el
clima que determina el comportamiento del consumidor (en verano las canastas de consumo difieren
a las adquiridas en meses de invierno).
Con el fin de corregir la serie de los efectos estacionales y de calendario, se utilizo el programa de
X12 ARIM A aplicado a la realidad del calendario
nacional, en base a la informacion del ndice a contar de enero de 1991 hasta diciembre de 2012.
4.4.1.
Elecci
on del Efecto Calendario
Desestacionalizaci
on de Series Econ
omicas
Variable
C
LYt
AO2010.f eb
AO2010.mar
Week
Weekend
Feriados
Regression Model
Par
ametro
Error
estimado
est
andar t value
-0,0001
0,0003
-0,45
0,0358
0,0086
4,1
-0,0522
0,0198
-2,6
0,0243
0,0196
1,2
-0,0048
0,0006
-7,8
0,0064
0,0108
0,0021
5,2
p value
0,6500
0,0000
0,0090
0,2160
0,0000
0,0000
42 Se consider
o que el terremoto de febrero de 2010 tuvo
un efecto negativo en las ventas de ese mes, dado el cierre de
varios establecimientos los u
ltimos dos das de dicho mes y
un efecto positivo en marzo de 2010, producto que durante
las primeras semanas de marzo se gener
o una sobrerreacci
on
en los consumidores de gran parte del pas por aprovisionamiento de alimentos y otros productos de primera necesidad,
aumentando la demanda e impulsando las ventas del sector
para ese mes.
16
CONCLUSIONES
Los par
ametros asociados al a
no bisiesto, sema- en el apartado 3, sus resultados se pueden observar
na v/s fin de semana, feriados, y terremoto en febre- en el Cuadro 14.
ro son estadsticamente significativos al 5 %. Econ
omicamente, los par
ametros estimados poseen los
signos esperados, el a
no bisiesto aumenta las ventas
Cuadro 14: Calidad de ajuste estacional, ISU P .
en el mes de febrero dado que su par
ametro es positivo, los das de la semana se encuentran por debajo
Estadsticas M y Q
Estadstico Perodo 1
del promedio, mientras que un da viernes, sabado
M1
0,267
y/o domingo adicional aumenta las ventas del secM2
0,153
tor, al igual que los feriados. Los outliers asociados
M3
0,745
al efecto terremoto nos dicen que en febrero se reM4
0,701
M5
0,453
dujeron las ventas (se cierran supermercados) pero
M6
0,261
en marzo, estas aumentan a causa de reposicion de
M7
0,117
productos de primera necesidad.
M8
0,288
4.4.2.
M9
M 10
M 11
Q
Q2
Elecci
on del Modelo SARIM A
0,178
0,161
0,122
0,315
0,335
5.
Conclusiones
12
0,6306
0,0480
13,2
p value
0,000
0,0000
0,0000
El presente trabajo es una aplicacion de la metodologa de desestacionalizacion con efecto calendario, a traves del programa X12 ARIM A, sobre
los ndices coyunturales de sectores economicos. Se
destaca que el efecto calendario aplicado corresponde a la realidad chilena, considerando los feriados
del calendario chileno, permitiendo limpiar la serie
de los efectos de das laborables, feriados, a
no bisiesto, entre otros, y ajustarla antes del proceso de
desestacionalizacion.
17
CONCLUSIONES
Desestacionalizaci
on de Series Econ
omicas
18
REFERENCIAS
REFERENCIAS
Referencias
Indice de Producci
on Fsica de la Industria Ma- [16] Seasonal Adjustment, Europan Central Bank,
nufacturera, Universidad de Santiago de Chile,
2003.
Octubre 2007.
[17] Soto Raimundo, Ajuste Estacional e Integra[2] Bell W., Findley D., Monsell B., Otto M., Chen
ci
on en Variables Macroecon
omicas, Banco CenB., New capabilities and methods of the x12
tral de Chile, junio 2000.
ARIM A seasonal adjustment program, U.S. Bureau of Census, 1998.
[18] U.S. Census Bureau, X12 ARIMA Reference
Manual, version 0.3., 2011.
[3] Bravo H., Luna L, Correa V., Ruiz F., Desestacionalizaci
on de Series Econ
omicas: El Procedi- [19] U.S. Census Bureau, Seven Papers for New
miento Utilizado por el Banco Central de Chile,
Users of X12 ARIM A: http://www.census.
Banco Central de Chile, Agosto 2002.
gov/srd/www/x13as/papers4newusers.html
[4] Bortagues P., Pacheco J., Adopci
on del Progra- [20] Villareal Francisco G., Elementos Te
oricos del
ma de Ajuste Estacional X12 ARIMA, Instituto
Ajuste Estacional de Series Econ
omicas utiliNacional de Estadsticas y Censos de Argentina,
zando X12 ARIMA y TRAMO SEATS, CEPAL,
2004.
Diciembre 2005.
[5] Camones F., Miranda L., Ordo
nez E, Vasquez [21] William R., Donald E., Modeling TimeJ., Desestacionalizaci
on de Series Econ
omicas,
Varying Trading-Day Effects in Monthly Time
Instituto Nacional de Estadstica e Informatica,
Series, Census Bureau and Howard University.
Per
u.
[22] Young Allan, Estimating Trading Day Varia[6] Cortez Juan M., Desestacionalizaci
on -X12
tion in Monthly Economic Time Series, Bureau
ARIM A- con efecto calendario
Indice de Suof the Census, Abril 1965.
permercados, Instituto Nacional de Estadsticas
de Chile, Diciembre 2008.
[7] Espasa Antoni, Martinez J., Tendencia y ciclos
en la economa espa
nola, Universidad Carlos III.
[8] Findley David, Modeling Stock Trading Day
Effects Under Flow Day-of-Week Constraints,
Census Bureau, 2006.
[9] Findley David, X-12-ARIMA and its Application to Some Italian Indicator Series, Census
Bureau.
[10] Garcia M., Linaza N., Olaeta H., Nuevos Metodos de correcci
on y Desestacionalizaci
on en Estadsticas Coyunturales, Instituto Vasco de Estadsticas.
[11] Green William H., An
alsis Econometrico, 3r a
Prentice Hall.
[12] Hamilton J., Time Series Analysis, 3r a Prentice Hall.
[13] Jorrat J., Paz L., Catal
an M., Ajuste Estacional de las Series Econ
omicas de Argentina, Universidad Nacional de Tucum
an.
[14] Kikut Ana, Ocampo Andrea, Ajuste estacional
de series econ
omicas con Tramo/Seats y Census
X12-Arima, Banco Central de Costa Rica, Marzo 2005.
Desestacionalizaci
on de Series Econ
omicas
19
Anexos
A.
1,10
100
1,05
80
1,00
60
0,95
40
1991 1993 1995 1997 1999 2001 2003 2005 2007 2009 2011
0,90
1991 1993 1995 1997 1999 2001 2003 2005 2007 2009 2011
Componente Estacional 1 Perodo
Componente Estacional 2 Perodo
120
1,00
100
0,95
80
0,90
60
0,85
0,80
1991 1993 1995 1997 1999 2001 2003 2005 2007 2009 2011
Componente Irregular 1 Perodo
Componente Irregular 2 Perodo
40
1991 1993 1995 1997 1999 2001 2003 2005 2007 2009 2011
Serie Original
Serie Desestacionalizada 1 Perodo
Serie Desestacionalizada 2 Perodo
Figura 3: Descomposici
on de la serie IPMin y Desestacionalizacion.
1,15
120
1,10
110
1,05
1,00
100
0,95
90
0,90
0,85
80
2003
2004
2005
2006
2007
2008
2009
2010
2011
2003
2012
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
Componente Estacional
Componente Tendencia-Ciclo
130
1,10
120
1,05
110
1,00
100
0,95
90
0,90
80
2003
2004
2005
2006
2007
2008
2009
2010
Componente Irregular
Desestacionalizaci
on de Series Econ
omicas
2011
2012
2003
2004
2005
2006
2007
Serie Original
2008
2009
2010
2011
2012
Serie Desestacionalizada
20
Figura 4: Descomposici
on de la serie IVCM y Desestacionalizacion.
160
1,40
140
1,30
1,20
120
1,10
100
1,00
80
0,90
60
0,80
2005
2006
2007
2008
2009
2010
2011
2012
2005
2006
2007
Componente Tendencia-Ciclo
2008
2009
2010
2011
2012
2011
2012
Componente Estacional
1,10
200
170
1,05
140
110
1,00
80
0,95
50
2005
2006
2007
2008
2009
2010
2011
2012
2005
2006
Componente Irregular
2007
2008
Serie Original
2009
2010
Serie Desestacionalizada
Figura 5: Descomposici
on de la serie ISUP y Desestacionalizacion.
1,30
130
1,25
110
1,20
90
1,15
1,10
70
1,05
50
1,00
30
10
1991
0,95
1993
1995
1997
1999
2001
2003
2005
2007
2009
2011
0,90
1991 1993 1995 1997 1999 2001 2003 2005 2007 2009 2011 2013
Componente Tendencia-Ciclo
Componente Estacional
1,06
150
1,04
130
1,02
110
1,00
90
0,98
70
0,96
50
0,94
30
0,92
1991
1993
1995
1997
1999
2001
2003
2005
2007
Componente Irregular
Desestacionalizaci
on de Series Econ
omicas
2009
2011
10
1991
1993
1995
1997
1999
Serie Original
2001
2003
2005
2007
2009
2011
Serie Desestacionalizada
21