Instituto Nacional de Estadsticas

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

Santiago, 29 DE OCTUBRE DE 2013

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

3. Metodologa X12 ARIM A

3.1. M
odulo RegArima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.1. Efecto Calendario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.2. Modelizaci
on y comparaci
on de modelos para proyeccion. . . . . . . . . . . . . . .
3.2. M
odulo X11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.1. Test de Estacionalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.2. Desestacionalizaci
on X11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.3. Elecci
on de la Media M
ovil para estimar la Componente Estacional . . . . . . . .
3.2.4. Elecci
on de la Media M
ovil de Henderson para estimar la componente Tendencia-Ciclo
3.2.5. Proceso de desestacionalizacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.6. Diagn
ostico del Ajuste Estacional . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5
6
6
8
9
9
9
9
10
10
11

4. Aplicaci
on X12 ARIM A

4.1. Indice de Producci

on Manufacturera . . . .
4.1.1. Elecci
on del Efecto Calendario . . . . . . .
4.1.2. Elecci
on del Modelo SARIM A . . . . . . .
4.1.3. Prueba de bondad de ajuste . . . . . . . . .
4.2.
Indice de Produccion Minera . . . . . . . . . .
4.2.1. Elecci
on del Efecto Calendario . . . . . . .
4.2.2. Elecci
on del Modelo SARIM A . . . . . . .
4.2.3. Prueba de bondad de ajuste . . . . . . . . .
4.3.
Indice de Ventas de Comercio al por Menor
4.3.1. Elecci
on del Efecto Calendario . . . . . . .
4.3.2. Elecci
on del Modelo SARIM A . . . . . . .
4.3.3. Prueba de bondad de ajuste . . . . . . . . .
4.4.
Indice de Ventas de Supermercados . . . . .
4.4.1. Elecci
on del Efecto Calendario . . . . . . .
4.4.2. Elecci
on del Modelo SARIM A . . . . . . .
4.4.3. Prueba de bondad de ajuste . . . . . . . . .

11
11
11
12
12
13
13
13
14
14
14
15
15
16
16
17
17

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

5. Conclusiones

17

Anexos

20

A. Componentes de la Series Coyunturales de Sectores Econ

omicos

20

Indice de figuras
1.
2.
3.
4.
5.

Esquema del proceso del programa X12 ARIM A sobre una

Descomposici
on de la serie IPMan y Desestacionalizacion. .
Descomposici
on de la serie IPMin y Desestacionalizacion. .
Descomposici
on de la serie IVCM y Desestacionalizacion. .
Descomposici
on de la serie ISUP y Desestacionalizacion. . .

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

METODOLOGIA X12 ARIM A

Hoy en da es usual descomponer una serie de

En 1954, Shiskin construye el Census Method
tiempo Yt observada, en varias componentes no ob- I para el Departamento de Censos de los Estados
servadas, seg
un el siguiente modelo2 :
Unidos (gracias a los avances en la informatica);
metodo que tena como base los promedios moviles.
Luego, en 1957 se desarrollo el Census Method II,
Yt = Tt + Ct + St + It
(1) y en 1965 Shiskin, Young y Musgrave propusieron
versiones experimentales desde X1 hasta X11.
Donde:
El metodo basico de X11 tiene problemas en las
colas
de la serie y los efectos de calendario. Los desaTt (componente de tendencia): representa la
rrollos
de X11 no han cambiado la tecnica basica
evoluci
on de la serie a lo largo del tiempo.
de desestacionalizacion, sino que han permitido ataCt (componente ciclo): movimiento liso, casi car esos problemas directamente, mediante tecnicas
peri
odico en torno de la tendencia, que pone parametricas para la estimacion de las colas de la
en evidencia una sucesi
on de etapas de creci- serie, correccion de efectos calendario, deteccion de
miento y de recesi
on.
outliers (datos atpicos) y cambios de regimen, entre otros.
En la pr
actica, resulta complejo distinguir la tendencia del componente cclico. El metodo X113 no
En 1970, la popularizacion de los modelos ARIMA
separa estas dos componentes, por lo que nos refe- por Box y Jenkins permitieron que las herramientas
riremos a la componente tendencia-ciclo (Ct ) para de desestacionalizacion progresaran, existiendo una
conservar la notaci
on de X11.
gran variedad de metodos disponibles para realizar
St : (componente estacional): fluctuaciones in- el ajuste estacional. Sin embargo, se pueden distinfra anuales (mensuales o trimestrales) que se guir dos enfoques para dicho ajuste.
repiten a
no a a
no de manera m
as o menos regular.
Enfoque no parametrico: Permite estimar las
componentes no observadas de una serie de
It (componente irregular): mide todas las fluctiempo sin recurrir a la especificacion de un
tuaciones m
as o menos err
aticas que no son
modelo estadstico para la serie. La metodoincluidas en las componentes precedentes.
loga de ajuste estacional mas utilizada es la
Los primeros metodos propuestos para desagredel programa X12 ARIM A.
gar estas componentes no observables se centraron
en dos lneas principales.
Enfoque parametrico: Parte de la especificacion explicita de un modelo estadstico para
El metodo de vnculos relativos, el que calcula
la serie de tiempo observada o bien para los
la relaci
on entre Yt /Yt1 en una serie mensual, para
componentes. La metodologa mas utilizada
los 12 meses, produce la tabla de valores correspones T RAM O SEAT S.
dientes, determina las medianas y las encadena por
multiplicaci
on.
La segunda lnea, proporcionaba un metodo que
determinaba los coeficientes estacionales por medio
de medias m
oviles. Este metodo obtiene la tendencia calculando una media m
ovil centrada de orden
12 y elimina la componente irregular mediante el
c
alculo de medias de la componente en cada mes,
ajustando los ndices de tal forma que su sumatoria
sea 1, obteniendo as, componentes definitivos.

3.

Metodologa X12 ARIM A

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

METODOLOGIA X12 ARIM A

El programa cuenta con dos m

odulos: el modulo
RegARIM A, el cual se encarga de realizar el ajuste
previo a la serie, y el m
odulo X11 que se encarga
de realizar el ajuste estacional propiamente tal.

para extender la serie (proyeccion) o para estimar

valores anteriores al primer valor observado (retroproyeccion), cuando las observaciones mensuales o
trimestrales consideran menos de 15 a
nos, de manera de poder usar medias moviles simetricas para
Seg
un Dagum (1988), Hern
andez (1999), y U.S. el ajuste estacional.
Census Bureau (2000) el proceso X12 ARIM A act
ua a traves de las siguientes etapas5 :
Figura 1: Esquema del proceso del programa X12
ARIM A sobre una serie economica
1. Eliminaci
on autom
atica de valores atpicos
(outliers), y tratamiento de los efectos da la- .
boral, longitud del mes, efecto Pascua, etc6 .
2. Extensi
on de la serie anterior con predicciones, para lo cual prueba cinco modelos
SARIM A en forma secuencial7 .
3. Aplicaci
on de los filtros de media moviles y
Henderson del m
odulo X11 a la serie extendida para obtener las componentes estacionales,
tendencia-ciclo e irregular8 .
Un esquema que sintetiza el proceso de la metodologa X12 ARIM A se ilustra en la Figura 1.

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

12 Para una revisi

on m
as detallada ver Estimating
trading-day variation in monthly economic time series,
Young, Bureau of the Census, 1965. Y New capabilities and
methods of the X12 ARIM A seasonal adjustment program,
Findley, Monsell, Otto and Chen, Journal of business and
economic statistics, 1998

3.1

Modulo RegArima

de un pas.

METODOLOGIA X12 ARIM A

Donde:

Algunas series econ

omicas pueden estar fuertemente influenciadas por la composici
on diaria del
mes: un s
abado de m
as o de menos en un mes, puede hacer variar de manera no despreciable cualquier
ndice mensual. Una gran atenci
on se ha dado a
la estimaci
on y ajuste de los datos por este efecto,
siendo una opci
on dentro de la metodologa X12
ARIM A.

Kt : Es un factor atribuible al efecto calendario.

(1)

Xit : N
umero de das no feriados del tipo i
en el mes t.
X7t : N
umero de das domingos en el mes t.

Para la estimacion del parametro asociado al da

La forma de ajustar este efecto es realizar una domingo, se debe encontrar el inverso aditivo de la
estimaci
on preliminar a la proyecci
on y retropro- suma de los demas parametros de das de semana.
yecci
on mediante la modelaci
on SARIM A, y luego
6
P
(2)
(2)
estimar los factores representativos de las ponderaNt =
Xit : N
umero de das feriados en el
i=1
ciones de los distintos efectos de calendario13 que
mes t. Considera los feriados moviles y fijos,
se quieran capturar. Una vez estimadas las pondedescartando los que ocurren en das domingos.
raciones, se realiza el pre-ajuste por efecto de das
de actividad sobre la serie original, previamente al
LYt 15 : Efecto a
no bisiesto, esta variable se
proceso de desestacionalizaci
on.
compone de la siguiente manera:

X12 ARIM A contiene una amplia gama de vano no bisiesto)

0,25 t (febrero a
riables regresoras para poder estimar los efectos del
0.75 t (febrero a
no bisieto)
LYt =

calendario a las series econ

omicas, adem
as de la op0 cuando t
/ al mes de febrero
ci
on de incorporar otras variables a ser definidas por
el usuario que permiten estimar diferentes tipos de
modelos. No obstante lo anterior, existe el probleUn modelo simplificado al modelo de das h
ama de que el calendario incorporado en el programa
biles
(que
incorpora
X12
ARIM
A)
utiliza
s
o
lo
un
X12 ARIM A es de acuerdo a las festividades del
calendario de los Estados Unidos y no se ajusta a regresor, el que refleja el efecto de das de la semana
la realidad del caso chileno, por lo que se dise
nan en contraste con das de fin de semana.
variables que permiten estimar el modelo seg
un el
calendario nacional, incorporando una matriz con el


a
n
umero de das, feriados existentes y otras variables
Kt = 0 (W eekt ) (W eekendt ) +1 Nt2 +2 LYt
que permitan capturar otros efectos determinsticos.
b
A continuaci
on se presenta el modelo general de
efecto calendario (modelo de das h
abiles)14 aplicados a nuestra realidad nacional, los que tendran
diferente sentido econ
omico en cada una de las series:

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)

ne un efecto i en donde i = 1 designa el lunes,

i = 2 el martes, ..., e i = 7 el domingo.
13 El

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.

METODOLOGIA X12 ARIM A

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 .

Para encontrar la estimaci

on del efecto fin de seEsta metodologa requiere que antes de selecciomana se debe multiplicar por ab al estimador de
nar un modelo, la serie bajo estudio sea estacionadas de semana.
ria18 , es decir, con media y varianza constante en el
tiempo, as como las covarianzas no dependan del
Existen otros efectos que reflejan eventos espetiempo. El orden de integracion (o grado de diferencficos y que distorsionan el real valor de un indicaciacion), denotado por d19 , se refiere al n
umero de

dor en un mes determinado. Estos

se pueden incluir
veces que una serie debe ser diferenciada para obteen una variable ficticia para el control de valores
ner una serie estacionaria dentro de la modelaci
on
atpicos generados por fen
omenos con efectos tranARIM A.
sitorios que desaparecen al perodo siguiente, cuya
notaci
on se expresa de la siguiente manera:
Para la identificacion de los modelos se usan las
funciones
de autocorrelacion (ACF ) y la funcion de

autocorrelacion parcial (P ACF ) de la serie, anali1 Sucede X evento en el mes t.
AOt =
zando los peaks y la tasa a la cual decrecen estos
0 En otro caso.
a traves del tiempo para determinar el orden auEl programa X12 ARIM A incorpora otros tipos torregresivo (parte AR), y el orden de las medias
de variables ficticias para el tratamiento de outliers, moviles (parte M A). Estas funciones sirven adem
as
asociados a fen
omenos con efectos transitorios que para determinar si es necesario diferenciar la serie,
desaparecen luego de un cierto n
umeros de perodos ya que si se observa en ellas un decaimiento muy
y otros con efectos permanentes o saltos de nivel.
lento, entonces s es conveniente diferenciar (d).
Con estas variables de efecto calendario, se conEn el analisis de la parte estacional, se debe deforma un modelo de regresi
on para la media del terminar si el decaimiento de las autocorrelaciones
ndice que se busca desestacionalizar del tipo:
en los rezagos m
ultiplos de S 20 es muy lento, entonces puede ser conveniente diferenciar estacionalmente (D). Al igual que en la parte regular, se deben
Yt = X 0 + Zt
(3) observar los peaks y su grado de decaimiento en los
m
ultiplos de S, para analizar la parte AR estacional
Donde:
y M A estacional de la modelacion SARIM A.
0
La serie diferenciada en d y/o D, debe tener
= (1 , ..., n ) : Es un vector de coeficientes
las propiedades de estacionariedad antes descritas
de regresi
on.
tanto en su parte regular como estacional, es decir,
X = (X1 , ..., Xn ): Es un vector de n regresores media y varianza constante en el tiempo. La deterdeterminsticos observados con Yt , se refiere a minacion de los valores (p, d, q)(P, D, Q)S mediante
la matriz de datos que contienen las variables el analisis de las ACF y P ACF , en la practica, no
de efecto calendario, entre otras.
es sencillo ya que su determinacion se realiza me17 Para un an
alisis m
as detallado ver, Desestacionalizaci
on
Zt : Variable estoc
astica que obedece un proX12
ARIM A con Efecto Calendario, Indice de Supermercaceso SARIM A.
16 Se

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

dos, Cortez, 2008. Y X12 ARIM A, Reference Manual,

U.S. Census Bureau, 2002.
18 Para identificar si la serie es o no estacionaria se pueden
realizar los test de races unitarias Augmented DickeyFuller,
o PhillipsPerron.
19 Ver inicio secci
on 3.1.
20 S es igual a 12 en series mensuales y, 4 en series trimestrales

3.2

Modulo X11

diante ensayo y error. Sin embargo, el software X12

ARIM A posee un sistema de selecci
on automatico
en el cual, dentro de una gama de alrededor de 30
modelos estimados, escoge los cinco mejores acorde
a criterios de selecci
on usualmente utilizados21 , seleccionado el de mejor ajuste.

3.2.1.

METODOLOGIA X12 ARIM A

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.

El programa selecciona automaticamente, seg

un
el valor de la razon de estacionalidad movil M SR =
I/S, la media movil a utilizar (mes por mes) en la
estimacion de la componente estacional. Donde: I
designa las variaciones absolutas mensuales en la
parte irregular de la serie; y S designa las variaciones absolutas mensuales de la estacionalidad de la
En X12 ARIM A las componentes son definidas serie.
de manera implcita por las herramientas que sirven
para estimarlas. El metodo considera dos modelos
El criterio de eleccion es el siguiente27 :
de descomposici
on25 :
Si MSR es inferior a 1,5 conviene adoptar una
Modelo aditivo: Yt = Ct + St + ECt + It
media movil estacional 3.
Modelo multiplicativo: Yt = Ct St ECt It
Para comenzar el proceso de desestacionalizacion,
se debe realizar un an
alisis de distintos criterios que
dan cuenta de una mejor calidad de ajuste estacional, los que se detallan en los siguientes apartados.
21 i.e BIC, Criterio de Informaci
on Bayesiano y AIC, Criterio de Informaci
on Akaike.
22 Para identificar si los residuos son o no normales se pueden realizar los test de normalidad Jarque-Bera o ShapiroWilk.
23 Para identificar si los residuos son o no independientes se
pueden realizar los test de independencia LjungBox, o BoxPierce.
24 Para un an
alisis detallado del modulo X11 ver, Desestacionalizar con el m
etodo X11, Ladiray y Quenneville, 2001.
25 Se pueden aplicar otros modelos de descomposici
on como
un Log-Aditivo o Pseudo-Aditivo

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.

METODOLOGIA X12 ARIM A

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

3. Estimacion de la componente estacional con

una media movil de 3 3 sobre cada mes:
El criterio de elecci
on es el siguiente29 :
(1)

Si I/C es inferior a 1,0, conviene adoptar una

media m
ovil de Henderson de 9 terminos.
Si I/C se sit
ua entre 1,0 y 3,5 se recomienda
adoptar una media m
ovil de Henderson de 13
terminos.
Si I/C es superior 3,5, se recomienda adoptar
una media m
ovil de Henderson de 23 terminos.
3.2.5.

Proceso de desestacionalizaci
on

El metodo X11 utiliza un algoritmo base de descomposici

on de series, utilizando medias m
oviles cuidadosamente elegidas y afinando, poco a poco, las
estimaciones de las componentes a traves de las iteraciones del algoritmo30 . Por tanto, es posible definir el algoritmo de base X11 como un doble uso consecutivo del algoritmo, cambiando secuencialmente
las medias m
oviles utilizadas.

St

Los coeficientes estacionales son normalizados

de manera tal que la suma de los mismos, para todo perodo de 12 meses, sea aproximadamente nula.


(1)
(1)
(1)
St = St M A2x12 St
4. Estimacion de la serie corregida de variaciones
estacionales:
(SA(1))

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

Esta primera estimacion de la serie corregida

de las variaciones estacionales tiene, por construccion, menos estacionalidad.
5. Estimacion de la tendencia-ciclo con la media
movil de Henderson de 13 terminos:

El algoritmo31 , para el caso de series con frecuencia mensual, es el siguiente:

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

6. Estimacion de la componente estacional e irregular:

(St + It )

(2)

(2)

= Yt Ct

7. Estimacion de la componente estacional con

la media movil 3 5 sobre cada mes:
(2)

St

h
i
(2)
= M A3x5 (St + It )

Los coeficientes estacionales son normalizados

de manera tal que la suma de los mismos, para todo perodo de 12 meses, sea aproximadamente nula.

10

4.1

Indice de Produccion Manufacturera



(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

Adicionalmente, el metodo X11 tiene una rutina

para detectar las observaciones atpicas (outliers)
que presenta la serie (etapa 3, 7 y 8).
3.2.6.

Diagn
ostico del Ajuste Estacional

Luego de realizar el procedimiento de desestacionalizaci

on de la serie bajo estudio, el programa X12ARIMA entrega informaci
on para realizar analisis
posteriores, tales como los componentes tendenciaciclo, irregular y estacional, as como, la serie ajustada por estacionalidad, la serie original, la serie
transformada, entre otras.

X12 ARIM A
APLICACION

La produccion manufacturera vara mes a mes

por diferentes causas. Algunas causas estacionales
y de efecto calendario que se pueden mencionar y
que provocan bajas en los niveles de produccion en
ciertos meses del a
no son el periodo estival donde gran parte de los trabajadores estan de vacaciones, lo que genera por ejemplo, que en los meses de
enero y febrero haya menos personal en las empresas impactando negativamente en la produccion; la
celebracion de fiestas patrias en septiembre, lo que
genera que existan menos das habiles en comparacion con otros meses, disminuyendo la producci
on
producto de la menor cantidad de das de actividad; el n
umero de das de la semana que tiene un
mes, siendo los das de la semana mas productivos
que los de fin de semana; las estaciones del a
no que
pueden hacer que se incremente la produccion en
ciertos periodos (i.e. la elaboracion de helados se
incrementa en los meses de verano en comparaci
on
a los meses de invierno); entre otros.

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

El IPMan, es un indicador mensual que tiene por

objetivo principal medir la evoluci
on de la actividad
de la industria manufacturera33 chilena, a traves de
las producciones fsicas de los establecimientos de
las actividades econ
omicas que componen esta industria.

En el Perodo 1, ver Cuadro 1, las variables que

se utilizan para capturar el efecto calendario en el
IP M an son las siguientes: semana v/s fin de semana, esta variable asume que los das habiles de lunes
a viernes poseen el mismo efecto en la producci
on
del ndice, mientras que los das de fin de semana
poseen el sentido inverso; y vector de feriados que
capturan la baja en la produccion asociada a este
tipo de das.

Al observar los parametros estimados, se tiene

que
los p values respectivos son inferiores a 5 %
32 Para un an
alisis detallado de las estadsticas de la calidad
existiendo evidencia estadstica para rechazar la hidel ajuste estacional ver, Desestacionalizar con el m
etodo
potesis nula (H0 ) de que los parametros estimados
X11, Ladiray y Quenneville, 2001.
33 Dentro de la medici
omicamente, la interpreon se excluy
o la actividad de refi- son iguales a cero34 . Econ
naci
on de cobre primario, todos los servicios industriales y
aquellas contempladas como no mercado.

Desestacionalizaci
on de Series Econ
omicas

34 Las

hip
otesis a testear para ver la significancia de los

11

4.1

Indice de Produccion Manufacturera

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.

significativa estadsticamente, que un a

no bisiesto
aumenta la produccion en el mes de febrero y que,
al igual que en el primer perodo, un feriado o da
de fin de semana adicional reduce la produccion en
la industria, mientras que un da habil mas, la aumenta.

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

En el Perodo 2 (comprendido entre 2002 y 2012),

ver Cuadro 2, adem
as de las variables incluidas en
el Perodo 1, se agregan las siguientes variables para
modelar el efecto calendario: una variable dummy
que capture el efecto post terremoto en el mes de
marzo del a
no 201035 ; una variable que captura el
efecto del a
no bisiesto; y una constante.

X12 ARIM A
APLICACION

Elecci
on del Modelo SARIM A

El modelo SARIM A seleccionado, ver Cuadro

3, fue un (011)(011)12 en cada perodo, es decir con
orden de integracion ordinaria (diferenciacion de la
variable en t respecto a t 1) y estacional (diferenciacion de la variable en t respecto a t 12) y con
procesos de media movil para t 1 y t 12.
Cuadro 3: Modelo SARIM A IP M an.
ARIMA Model: (011)(011)12
Nonseasonal differences: 1, Seasonal differences: 1
Perodo 1
Par
ametro
Error
Variable
Lag
Estimado
est
andar t value
Nonseasonal MA
1
0,371
0,083
4,5
Seasonal MA

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

Cuadro 2: Estimacion del Efecto Calendario, 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

Se desprende del Cuadro 2, que los parametros

son todos estadsticamente significativos al 5 % a
excepci
on de la constante36 . Se observa que el terremoto caus
o una reducci
on en el mes de marzo
par
ametros son:
H 0 : i = 0
H1 : i 6= 0
Si rechazamos H0 , a un nivel de significancia de %, implica que los par
ametros estimados son distintos de cero y
por lo tanto son significativos.
35 Si bien el terremoto se produjo el 27 de febrero de 2010,
t
ecnicamente los efectos reales en la economa, puntualmente
en el sector manufacturero, se observaron crticamente y con
mayor profundidad, en marzo de ese a
no. El terremoto tuvo
un efecto transitorio en marzo de 2010 en el IP M an, que
desapareci
o en los meses posteriores. En algunas industrias la
p
erdida de capacidad productiva se mantuvo por un tiempo
m
as prolongado, no obstante a nivel agregado no se evidenci
o
un impacto.
36 Se mantiene la constante en el modelo ya que mejora las
proyecciones de la posterior modelaci
on ARIM A.

Desestacionalizaci
on de Series Econ
omicas

Considerando que los p-value de los parametros

estimados son menores al 5 %, existe evidencia estadstica para rechazar H0 , es decir, los parametros
son estadsticamente significativos.
Luego de haber realizado el proceso de ajuste
previo de la serie (calendario y outliers) y realizar
las proyecciones (retroproyecciones), se procede con
el proceso de ajuste estacional a traves de filtros
por medias moviles. La descomposicion de la serie
se presenta en el Anexo: Componente de Series Coyunturales de Sectores Economicos.
4.1.3.

Prueba de bondad de ajuste

Concluido el proceso de desestacionalizacion se

debe testear la calidad del ajuste estacional, a traves de los once estadsticos M y los dos estadstico
Q mencionados en el apartado 3. Para ambos perodos sus resultados se observan en el Cuadro 4.
Los estadsticos M y los Q son inferiores a 1, por
lo que la bondad del ajuste estacional es de buena
calidad acorde a estos resultados.

12

4.2

Indice de Produccion Minera

Cuadro 4: Calidad de ajuste estacional, IP M an.

Estadsticas M y Q
Estadstico Perodo 1
M1
0,263
M2
0,143
M3
0,325
M4
0,222
M5
0,525
M6
0,611
M7
0,233
M8
0,229
M9
0,215
M 10
0,273
M 11
0,273
Q
0,272
Q2
0,290

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

Indice de Produccion Minera

X12 ARIM A
APLICACION

Con el fin de ajustar la serie de estos hechos

estacionales, efecto calendario y otros, a traves del
programa X12 ARIM A, se utilizo la informaci
on
del ndice a partir de enero de 2003 hasta diciembre
de 2012.

4.2.1.

Elecci
on del Efecto Calendario

Para este ndice, se utilizan en el modelo las variables a

no bisiesto y una dummy donde adquiere
el valor uno si existio en ese mes una paralizaci
on
de faena y/o alg
un catastrofe natural que afectaran
significativamente a la industria y, cero en otro caso.
Los resultados se observan en el Cuadro 5.
Cuadro 5: Estimacion 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

que pueden estar asociadas a bonos de producci

on
38 El calendario agrega cada cuatro a
nos un da adicional
(29 de febrero).

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

Indice de Ventas de Comercio al por Menor

X12 ARIM A
APLICACION

Considerando que los p-value de los parametros

Algunas causas que pueden generar estacionaliestimados son menores al 5 %, existe evidencia es- dad provocando importantes variaciones en los nitadstica para rechazar H0 , es decir, los parametros veles de ventas del comercio al por menor en cierson estadsticamente significativos.
tos meses del a
no son, las festividades de navidad y
a
no nuevo que ocurren en los meses de diciembre,
Luego de haber realizado el proceso de ajuste en el cual se incrementa la demanda de juguetes,
previo de la serie (calendario y outliers) y realizar productos textiles, productos electronicos, aparatos
las proyecciones (retroproyecciones), se procede con de uso domestico, tecnologicos y alimentos, bebiel proceso de ajuste estacional, a traves de filtros das alcoholicas y no alcoholicas; en septiembre la
por medias m
oviles, la descomposici
on de la serie celebracion de fiestas patrias; en marzo el retorno a
se presenta en el Anexo: Componente de Series Co- clases de los estudiantes y termino del perodo estiyunturales de Sectores Econ
omicos.
val, entre otras. Por otra parte, la composicion de
los das de la semana en el mes puede hacer variar
de manera no despreciable las ventas minoristas. En
4.2.3. Prueba de bondad de ajuste
la industria del retail las mayores ventas son hechas
Concluido el proceso de desestacionalizacion, se los das viernes, sabado y domingo en relacion a los
debe testear la calidad del ajuste estacional, a tra- demas das de la semana, por lo que las ventas m
as
ves de los once estadsticos M y los dos estadstico altas se realizan los meses que contienen cinco vierQ. Para el perodo de an
alisis los resultados se ob- nes, sabados y/o domingos.
servan en el Cuadro 7.

Cuadro 7: Calidad de ajuste estacional, IP M in.

Estadsticas M y Q
Estadstico Perodo 1
M1
0,251
M2
0,369
M3
0,986
M4
0,387
M5
0,925
M6
0,158
M7
0,319
M8
0,468
M9
0,271
M 10
0,606
M 11
0,567
Q
0,469
Q2
0,481

Los estadsticos M y los Q son inferiores a 1, por

lo que la bondad del proceso de desestacionalizacion
acorde a estos resultados cumple con los criterios de
buena calidad.

4.3

Indice de Ventas de Comercio al por

Menor

El IV CM , es un indicador coyuntural cuya finalidad es medir en el corto plazo la evolucion del

sector comercio al por menor, a traves de las ventas de las empresas que operan en esta actividad en
el pas. El contar con este indicador con un rezago
de 28 das, facilita los estudios de la evolucion de
la actividad econ
omica del comercio al por menor y
sus tendencias, variaciones porcentuales mensuales,
anuales y acumuladas, estacionalidad y otros.

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

En la eleccion del efecto calendario, se utilizo la

variable semana v/s fin de semana, asumiendo que
los das de lunes a jueves poseen un comportamiento
similar, el cual difiere de los das viernes a domingo,
que tendran un comportamiento dispar (mayores
ventas) en relacion a los primeros, pero similar entre
ellos, se incorporo la variable a
no bisiesto y los efectos post terremoto39 a traves de variables dummy.
Cabe destacar, que en la modelacion de este indicador, la variable feriados no fue incluida en el modelo
final, ya que sus resultados eran inconsistentes con
la teora economica (signo negativo, contrario a lo
que en teora se esperara en el comercio minorista)
as como con la teora estadstica (al estimarlo, no
era estadsticamente significativo)40 . Los resultados
se pueden observar en el Cuadro 8.
39 Se consider
o que el terremoto de febrero de 2010 tuvo
un efecto en el IV CM los meses posteriores al ocurrido, en
donde los meses de abril y mayo se evidenciaron importantes alzas en las ventas del sector, producto de reposici
on de
enseres dom
esticos post terremoto.
40 Existe la hip
otesis que al analizar el ndice de forma desagregada, ciertas clases de actividad tengan efectos contrarios entre ellas, como por ejemplo la industria automotriz
respecto a los supermercados

14

4.3

Indice de Ventas de Comercio al por Menor

Cuadro 8: Estimacion del Efecto Calendario

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

tica para rechazar H0 para los demas meses. Los

signos asociados a cada parametro son los esperados teoricamente, siendo marzo, mayo, septiembre y
diciembre los que aportan por sobre el promedio de
los meses, mientras que el resto realizan un aporte
por debajo este promedio.

4.3.2.

Elecci
on del Modelo SARIM A

El modelo SARIM A seleccionado para las proyecciones y retroproyecciones fue un (110)(100)12 ,

Considerando que los p value de los parame- es decir solamente con orden de integracion orditros estimados son menores al 5 %, existe evidencia naria (diferenciacion de la variable en t respecto a
estadstica para rechazar H0 . Los par
ametros aso- t 1) y con procesos autorregresivos para t 1 y
ciados al efecto post terremoto son positivos (efecto t 12, los resultados se observan en el Cuadro 10.
en abril y mayo de 2010), lo que reflejara que existi
o un rezago en la reposici
on de enseres durables;
un a
no bisiesto aumenta las ventas del comercio miCuadro 10: Modelo SARIM A IV CM .
norista, ya que su par
ametro es positivo, mientras
que un da de lunes a jueves posee un efecto negatiARIMA Model: (110)(100)12
vo sobre el ndice, al contrario que un da de viernes
Nonseasonal differences: 1, Seasonal differences: 0
Perodo 1
a domingo, que incrementara las ventas del sector.
Para proyectar la serie, previamente se estimo
el modelo con una estacionalidad determinista, logr
andose as un mejor ajuste respecto al cambio de
tendencia que existe en la serie, los resultados de
la estimaci
on se observan en el Cuadro 9. Cabe sen
alar, que este es un proceso que se ejecuta para
realizar las proyecciones y retroproyecciones con los
modelos SARIM A, pero que no forma parte del
proceso de ajuste estacional propiamente tal, conservando la estacionalidad propia de la serie original
antes de la descomposici
on por filtrado de medias
m
oviles efectuados en el m
odulo X11.

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

Si observamos los p value en el Cuadro 10, se

puede observar que el parametro asociado al proceso
autoregresivo estacional (orden 12) es significativo
al 5 %, no as el parametro asociado al proceso autoregresivo ordinario (orden 1), el cual es levemente
superior a dicho nivel de significancia. No obstante
se rechaza la hipotesis nula H0 al 6 %, considerando
que los parametros son estadsticamente significativos.

Cuadro 9: Estacionalidad determinstica

Regression Estacionalidad Determinstica
Par
ametro
Error
Variable
estimado
est
andar t value p value
Enero
-0,0703
0,0082
-8,5
0000
Febrero
-0,0946
0,0082
-11,6
0000
Marzo
0,0288
0,0082
3,528
0,0000
Abril
-0,0280
0,0083
-3,383
0,0010
Mayo
0,0023
0.0083
0,3
0,7770
Junio
-0,0285
0,0081
-3,519
0,0010
Julio
-0,0341
0,0081
-4,2
0,0000
Agosto
-0,0335
0,0081
-4,1
0,0000
Septiembre
0,0008
0,0081
0,1
0,923
Octubre
-0,0127
0,0082
-1,6
0,1240
Noviembre
-0,0184
0,082
-2,241
0,028
Diciembre
0,2882

Una vez finalizado el proceso de ajuste previo de

la serie (calendario y outliers) y realizar las proyecciones (retroproyecciones), se ejecuta con el proceso
de ajuste estacional, a traves de filtros por medias
moviles (modulo X11), la descomposicion de la serie se presenta en el Anexo: Componente de Series
Coyunturales de Sectores Economicos.

4.3.3.

Prueba de bondad de ajuste

Antes de dar por terminado el proceso de ajuste

estacional, se debe evaluar la calidad de dicho ajuste,
por medio de los once estadsticos M y los dos estadstico Q mencionados en el apartado 3, sus resultados se pueden observar en el Cuadro 11.

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

Indice de Ventas de Supermercados

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

Indice de Ventas de Supermercados

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

En el modelo de calendario, para esta serie se

utilizaron las variables de a
no bisiesto, semana v/s
fin de semana, asumiendo que los das de lunes a
jueves poseen un comportamiento similar, el cual
difiere de los das viernes a domingo, que tendran
un comportamiento distinto (mayores ventas) respecto a los primeros, pero similar entre ellos. Se
incorporo ademas, el efecto de los das feriados y
los efectos asociados al efecto terremoto en el a
no
201042 . Los resultados de la estimacion se pueden
Las ventas de supermercado varan mes a mes
observar en el Cuadro 12.
por diferentes causas, que pueden ser ocasionadas
por los aspectos econ
omicos que las generan o por
Cuadro 12: Estimacion del Efecto Calendario
razones ex
ogenas, de naturaleza no econ
omica que
provocan el comportamiento estacional de las ventas.
El ISU P , es un indicador mensual que tiene por
objetivo principal medir en el corto plazo la evoluci
on de la actividad del sector supermercados, a
traves de las ventas netas de los establecimientos de
supermercados. El indicador es de car
acter censal y
considera como unidades estadsticas los establecimientos con tres o m
as cajas instaladas y que operen
dentro del territorio nacional.

Algunas de las causas estacionales que se pueden mencionar en la actividad de supermercados

son el incremento en las ventas en ciertos meses del
a
no, producto del aumento del consumo de las personas en fiestas patrias, navidad, a
no nuevo, da de
la madre, etc.; en las cuales las familias realizan almuerzos y/o cenas para la ocasi
on incrementando
la demanda por alimentos y bebidas (alcoholicas y
no alcoh
olicas), productos que concentran la mayor
parte de los ofrecidos por los supermercados41 , incrementando las ventas en dichos perodos. Existe
adem
as un efecto calendario, el cual puede provocar
41 Hay que considerar que si bien la principal l
nea de productos que ofrecen los supermercados es alimentos y bebidas,
a finales de la d
ecada de los noventa los actores del sector comenzaron a ampliar sus lneas de productos, comercializando
por ejemplo juguetes, productos textiles, electrodom
esticos
y productos tecnol
ogicos, los cuales claramente tienen una
fuerte demanda para el periodo de navidad

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

El modelo SARIM A seleccionado para la proyecciones (retroproyecciones) fue un (210)(011)12 ,

es decir con orden de integraci
on ordinaria (difeLos estadsticos M y Q son inferiores a 1, por
renciaci
on de la variable en t respecto a t 1) y
lo
que
la bondad del ajuste estacional cumple con
estacional (diferenciaci
on de la variable en t respeclos
criterios
para ser aceptable, cumpliendo con un
to a t12) y con procesos autorregresivos para t1
buen
ajuste
acorde a estos resultados.
y t2, y un proceso de media m
ovil de orden t12,
ver Cuadro 13.

5.

Conclusiones

Cuadro 13: Modelo SARIM A ISU P .

12

ARIMA Model: (210)(011)

Nonseasonal differences: 1, Seasonal differences: 0
Perodo 1
Par
ametro
Error
Variable
Lag
Estimate
est
andar t value
Nonseasonal AR
1
-0,8578
0,0567
-15,1
Nonseasonal AR
2
-,4435
0,0563
-7,9
Seasonal MA

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.

Si observamos los p value en el Cuadro 13, se

puede observar que todos los par
ametros son signiLa serie desestacionalizada, permite realizar an
aficativos al 5 %, rechazando la hip
otesis nula H0 de
lisis del comportamiento de la serie mes a mes y enque los par
ametros sean iguales a cero.
tre meses del a
no o a
no diferente, sin la influencia
de factores de naturaleza no economica que puedan
Terminado el proceso de ajuste previo de la seocurrir en alg
un mes en particular e independiente
rie (calendario y outliers) y realizado las proyecciode los das laborales que posea y/o de la longitud
nes (retroproyecciones), se ejecuta con el proceso
del mes.
de ajuste estacional, a traves de filtros por medias
m
oviles (m
odulo X11), la descomposici
on de la seDurante el proceso de desestacionalizacion de las
rie se presenta en el Anexo: Componente de Series
series coyunturales calculadas por el IN E mensualCoyunturales de Sectores Econ
omicos.
mente se realizaron una serie de etapas. En una primera parte, se estimaron los parametros del modelo
de regresion de efecto calendario, donde se observ
o
4.4.3. Prueba de bondad de ajuste
que la mayora de los coeficientes fueron significatiFinalmente, se debe evaluar la calidad del pro- vos, comprobando la importancia de limpiar la serie
ceso de ajuste estacional, por medio de los once es- de dichos efectos y se corrigio la serie de posibles
tadsticos M y los dos estadstico Q mencionados outliers presentes en la misma. Luego al desestaDesestacionalizaci
on de Series Econ
omicas

17

CONCLUSIONES

cionalizar la serie previamente ajustada de efecto

calendario y outliers (tabla B1, del programa X12
ARIM A), se observ
o que el comportamiento de la
misma no presenta la estacionalidad evidenciada en
la serie original, mostrando una menor volatilidad.
Por otra parte, la calidad del ajuste estacional
medida por los estadsticos M fue aceptable en todos los indicadores, concluyendo que el proceso de
desestacionalizaci
on con efecto calendario fue correcto, logrando suavizar la serie y mostrando el
comportamiento de la serie de hechos netamente
econ
omicos.
Adem
as se concluye que seria un gran aporte al
an
alisis de la coyuntura econ
omica trabajar con series desestacionalizadas, por lo que es importante
instrumentar y aplicar el programa X12 ARIM A
para la desestacionalizaci
on de las series economicas producidas por el INE, u otro metodo similar.
Asimismo, se deben desarrollar otros enfoques, aplicando otros modelos de efecto calendario, a modo
de comparar la calidad de ajuste.
Por u
ltimo, se cree que es fundamental establecer un programa de investigaci
on continua sobre los
metodos de ajuste estacional.

Desestacionalizaci
on de Series Econ
omicas

18

REFERENCIAS

REFERENCIAS

Referencias

[15] Ladiray D., Quenveville B., Desestacionalizar

con el metodo X11, Universite Libre de Bruxelles, 2000-2001.
[1] Benavides Jonathan, Desestacionalizaci
on del

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

COMPONENTES DE LA SERIES COYUNTURALES DE SECTORES ECONOMICOS

Anexos
A.

Componentes de la Series Coyunturales de Sectores Econ

omicos
Figura 2: Descomposici
on de la serie IPMan y Desestacionalizacion.
120

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

Componente Tendencia-Ciclo 1 Perodo

Componente Tendencia-Ciclo 2 Perodo
1,05

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

COMPONENTES DE LA SERIES COYUNTURALES DE SECTORES ECONOMICOS

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