Series de Tiempo

UNI - 2008

ANLISIS DE SERIES TEMPORALES

Nombre: Pillaca Quispe Victor Mauro

Cdigo: 20022189c

DATOS
Los datos que analizaremos sern obtenidos de la pagina del INEI y corresponden a la
produccin de YUCA para el periodo 1990 al 2007.
Ao
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007

Valor
381.1
410.7
386.3
438.5
512.49
547.44
702.95
752.32
884.12
868.11
881.99
859.06
890.88
913.83
971.05
1004.45
1138.55
1158.05

GRAFICO DE LA SERIE
A continuacin se calculo la serie con el eviews para todo el periodo de tiempo:

Series de Tiempo

UNI - 2008

Se observa del grafico un crecimiento de la serie de lo cual podemos decir que no es

estacionaria en media pero en variacin si es medianamente constante. La tendencia
que presenta tiene un comportamiento lineal y adems del tipo intenso.
EL CORRELOGRAMA
Del anlisis de estos resultados podemos concluir acerca de la tendencia de la serie y
adems nos guiara para determinar el grado de modelo AR y del modelo MA.

Series de Tiempo

UNI - 2008

Se observa que la autocorrelacin decae medianamente rpido, entonces la serie de

YUCA presenta una tendencia medianamente intensa.
Para plantear un modelo AR observamos la autocorrelacin parcial y por presentar el
primer rezago fuera del limite entonces podemos optar por seguir el anlisis de un
AR(1).
Del mismo modo observando la Autocorrelacin se observa que tiene dos primeros
rezagos fuera del limite, por lo que en este caso podemos plantear un modelo MA(2).
El modelo combinado seria hasta un ARMA(1,2) si realiza la diferenciacin para
conseguir la estacionariedad plantearamos un ARIMA.
MODELO AR(P)
La estimacin para este modelo se har con el primer rezago. Adems se evaluara para
el periodo del 1990 al 2005. De los resultados analizaremos los estadsticos de ajuste del
modelo.
En cuanto a los clculos se tiene en consideracin la inclusin de rezagos iniciales,
perdindose estos valores y por ello se empleara mnimos cuadrados iterativos y adems
como estn auto-correlacionados no podemos observar el estadistico R-cuadrado en vez
de este estadstico observamos el Error Estndar De Regresin, Durbin-Watson, Akaike
info criterion y Schwarz criterion.
Modelo:

Z t 0 1Z t 1 2 Z t 2 t

Series de Tiempo

UNI - 2008

Los estadsticos relevantes son:

Error Estndar De Regresin
Durbin-Watson
Akaike info criterion

55.26

Schwarz criterion

11.18

1.95
11.04

La variable del modelo AR(2) no es significativa por tener una probabilidad de 0.9965,
ser extrada del modelo y evaluaremos el siguiente modelo:
Modelo:

Z t 0 1Z t 1 t

Los estadsticos relevantes son:

Error Estndar De Regresin
Durbin-Watson
Akaike info criterion

51.48
2.00
10.84

Schwarz criterion

10.93

La variable del modelo C no es significativa por tener una probabilidad de 0.2325, ser
extrada del modelo y evaluaremos el siguiente modelo:

Series de Tiempo

Modelo:

UNI - 2008

Z t 1Z t 1 t

No evaluamos este modelo como una opcin porque resulta no estacionario.

Para tratar de corregir estos errores hacemos el anlisis de la serie diferenciada.
No pasamos a la fase de pronstico por que el modelo no es bueno.
MODELO AR(P) DE LA SERIE DIFERENCIA DE YUCA
Grafico de la diferencia de yuca

Series de Tiempo

Con la primera diferencia de la serie el correlograma resulta aleatorio.

UNI - 2008

Series de Tiempo

UNI - 2008

El modelo globalmente constante presenta los siguientes estadsticos.

Error Estndar De Regresin
Durbin-Watson
Akaike info criterion

50.62

Schwarz criterion

10.79

2.01
10.75

MODELO MA(Q)
Para el modelo tomamos evaluamos con un grado adicional (para un mejor anlisis) es
decir hasta el tercer rezago:
Modelo Z t 0 t 1Z t 1 2 Z t 2 3 Z t 3

Series de Tiempo

UNI - 2008

Los estadsticos relevantes son:

Error Estndar De Regresin
Durbin-Watson
Akaike info criterion

75.47

Schwarz criterion

11.90

1,45
11.72

La variable del tercer rezago resulta con mayor probabilidad y ser extrada del modelo.
Modelo: Z t 0 t 1Z t 1 2 Z t 2

Los estadsticos relevantes son:

Error Estndar De Regresin
Durbin-Watson
Akaike info criterion

85.28

Schwarz criterion

12.05

0.34
11.91

Con este modelo realizaremos ahora la evaluacin de los pronsticos.

FASE DE PRONSTICOS PARA EL MODELO Z t 0 t 1Z t 1 2 Z t 2

Series de Tiempo

UNI - 2008

El estadstico de evaluacin es:

RMSE=452.00
MODELO ARMA
Para determinar este modelo combinado consideramos los posibles grados deducidos
del correlograma.
Modelo: Z t 0 1Z t 1 1Z t 1 2 Z t 2 t

Series de Tiempo

UNI - 2008

Los estadsticos relevantes son:

Error Estndar De Regresin
Durbin-Watson
Akaike info criterion

35.68

Schwarz criterion

10.40

2.27
10.23

La variable MA(1) no es significativa por lo que es extrada del modelo.

Modelo: Z t 0 1Z t 1 2 Z t 2 t

Series de Tiempo

UNI - 2008

Los estadsticos relevantes son:

Error Estndar De Regresin
Durbin-Watson
Akaike info criterion

35.06

Schwarz criterion

10.28

1.82
10.15

Con este modelo evaluamos los pronsticos.

FASE DE PRONSTICOS DEL MODELO Z t 0 1Z t 1 2 Z t 2 t

Series de Tiempo

UNI - 2008

Tenemos dos modelos de pronostico para ver el mejor a largo plazo evaluamos en todo
el periodo.
MEJOR PRONSTICO A LARGO PLAZO
Con el EVIEWS hacemos una estimacin en todo el periodo y luego el pronostico en
todo el periodo de tiempo.
Para el modelo MA Z t 0 t 1Z t 1 2 Z t 2

El resumen global ser:

RMSE = 99.23

Para el ARMA Z t 0 1Z t 1 2 Z t 2 t

Series de Tiempo

UNI - 2008

El resumen global ser:

RMSE = 37.02
Comparando el menor es el del ARMA por lo que resulta adecuado para pronsticos a
largo plazo.
Graficamos los pronostico para los dos modelos:

La lnea azul es la que sigue mejor el comportamiento de la serie original de YUCA y

corresponde al modelo ARMA Z t 0 1Z t 1 2 Z t 2 t , en conclusin es el mejor
modelo para pronsticos a largo plazo.

ANEXOS

Series de Tiempo

UNI - 2008

DURBIN-WATSON STATISTIC
La estadstica de Durbin-Watson es una prueba de primer orden para la correlacin
serial. Ms formalmente, el DW estadstica mide la asociacin lineal entre residuos
adyacentes de un modelo de regresin. De Durbin-Watson es una prueba de la hiptesis.
Si no hay correlacin serial, DW estar alrededor de 2. El DW estadstica caer por
debajo del 2 si existe correlacin positiva de la serie (en el peor de los casos, ser
cercano a cero). Si hay correlacin negativa, la estadstica est situada en algn punto
entre el 2 y 4.
La correlacin positiva de la serie puede ser observada de la forma de dependencia.
Como regla general, con 50 o ms observaciones, y pocas variables independientes, el
estadstico DW estar alrededor de 1,5 es un fuerte indicio de correlacin serial positivo
de primer orden.
Hay tres principales limitaciones de la prueba DW como una prueba de la correlacin
serial. En primer lugar, la distribucin estadstica de la DW en virtud de la hiptesis
nula depende de la matriz de datos. El enfoque habitual para el manejo de este problema
es poner lmites en la regin crtica, la creacin de una regin en la que los resultados de
las pruebas no son concluyentes. En segundo lugar, si hay variables rezagadas al lado
derecho de la regresin, el DW de prueba ya no es vlido.
Otras dos pruebas de la correlacin serial, el Q-estadstica y la Breusch-Godfrey LM
ensayos superar estas limitaciones, y se prefieren en la mayora de las aplicaciones.
Mide la estadstica de la correlacin serial en los residuos.
AKAIKE INFORMATION CRITERION
Esta calculada como:
El AIC se usa a menudo en el modelo de seleccin por falta de alternativas anidadas, los
valores ms pequeos de la AIC son preferibles.

SCHWARZ CRITERION
Es una alternativa del AIC que impone una mayor pena para los coeficientes: