Académique Documents
Professionnel Documents
Culture Documents
Componente irregular
COMPETENCIAS A LOGRAR
CONCEPTOS CLAVE
349
LECCIN 1
Toda institucin, ya sea la familia, la empresa o el gobierno, tiene que hacer planes para
el futuro si ha de sobrevivir y progresar. Hoy en da diversas instituciones requieren
conocer el comportamiento futuro de ciertos fenmenos con el fin de planificar, prever
o prevenir.
La planificacin racional exige prever los sucesos del futuro que probablemente vayan a
ocurrir. La previsin, a su vez, se suele basar en lo que ha ocurrido en el pasado. Se
tiene pues un nuevo tipo de inferencia estadstica que se hace acerca del futuro de
alguna variable basndose en sucesos pasados. De todas las tcnicas conocidas, la ms
importante para hacer inferencias sobre el futuro con base a lo ocurrido en el pasado, es
el anlisis de series de tiempo.
En conclusin se puede decir que son innumerables las aplicaciones que se pueden citar,
en distintas reas del conocimiento, tales como, en economa, fsica, geofsica, qumica,
electricidad, en demografa, en marketing, en telecomunicaciones, en transporte, etc.
350
1. DEFINICIONES BSICAS
Notaciones:
Serie de tiempo {Yt1, Yt2, ... , Ytn} = {Yt : t T R} con Yti el valor de la
variable Y en el instante ti.
Cuando ti+1 - ti = k para todo i = 1,...,n-1, se dice que la serie es equiespaciada, en
caso contrario ser no equiespaciada.
351
Cov( Yt, Yt-k ) = (k) no depende de t
352
LECCIN 2
En primer lugar, cuando observamos las series temporales, stas van a tener en general
una caracterstica comn: no permanecen fluctuando de una manera aleatoria
alrededor de un valor medio constante a lo largo del tiempo, es decir, no son series
estacionarias. Ms bien, las series se caracterizan por seguir uno de los
comportamientos siguientes:
Por tanto, las series mantienen una pauta de comportamiento a medio y largo plazo que
no va a poder ser olvidado y que habr que tener en cuenta. Ahora bien, qu otras
caractersticas podran tener las series temporales?
Por ltimo, todas las series temporales, al reflejar un comportamiento humano, muestran
un componente puramente aleatorio, no determinista, que no sigue ninguna pauta clara y
que hace que cada observacin sea diferente a las dems.
Resumiendo, en toda serie temporal existen varios componentes que van a mostrar su
evolucin a largo, medio, corto y muy corto plazo. De esta manera, podemos dividir una
serie temporal en cuatro componentes:
353
Venta de Leche Fresca por toneladas
mtricas en el Per
(1990 - 2000)
700
600
500
400
300
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
354
Serie mensual de la Produccin Agropecuaria del Per
(Indice Base 1994=100,0)
1994 - 2004
250
200
150
100
50
0
ENE 94 ENE 95 ENE 96 ENE 97 ENE 98 ENE 99 ENE 00 ENE 01 ENE 02 ENE 03 ENE 04
50.00
40.00
30.00
20.00
10.00
0.00
1973 1976 1979 1982 1985 1988 1991 1994 1997
Todos estos componentes son no observables, por lo que habr que estimarlos en base a
una serie de tcnicas especficas. En muchas ocasiones, no es fcil determinar cul es el
componente tendencial y cul es el componente cclico, por lo que algunos autores
estudian estos dos componentes de forma conjunta.
355
LECCION 3
En primer lugar se tiene que advertir por lo anteriormente sealado que es necesario
descomponer una serie temporal, por una sencilla razn: queremos extraer la
informacin que contiene la serie para utilizar posteriormente esta informacin
(generalmente, para anlisis estructural o prediccin). As, si queremos conocer el
comportamiento a muy largo plazo de una serie, nos interesa eliminar, extraer los
componentes de ms corto plazo y quedarnos con el componente tendencial. En cambio,
si estamos interesados en conocer la evolucin a ms corto plazo de la serie, lo que
haremos ser eliminar el componente tendencial para observar ms claramente los
componentes cclico y estacional.
Modelos de descomposicin:
Un modelo clsico para una serie de tiempo, supone que una serie Y(1), ..., Y(n) puede
ser expresada como suma o producto de cuatro componentes: tendencia , ciclo,
estacionalidad, y un trmino de error aleatorio.
Existen tres modelos de series de tiempos, que generalmente se aceptan como buenas
aproximaciones a las verdaderas relaciones, entre los componentes de los datos
observados, estos son:
Donde:
Y(t) serie observada en instante t
Una suposicin usual es que A(t) sea una componente aleatoria o ruido blanco con
media cero y varianza constante.
Un modelo aditivo (1), es adecuado, por ejemplo, cuando E(t) no depende de otras
componentes, como T(t), s por el contrario la estacionalidad vara con la tendencia, el
modelo ms adecuado es un modelo multiplicativo (2). Es claro que el modelo 2 puede
ser transformado en aditivo, tomando logaritmos. El problema que se presenta, es
modelar adecuadamente las componentes de la serie.
356
La figura 2.1 ilustra posibles patrones que podran seguir series representadas por los
modelos (1), (2) y (3).
Figura 2.1
Yt = 0 + 1t + t , t = 1,2,..., T
Componente tendencial: Tt = 0 + 1t
Componente no tendencial: Yt Tt = t
Z t = a 0 + a1 + t
Z t = a 0 + a1t + a 2 t 2 + ... + a n t n t
No es correcto pensar que toda serie evolutiva, con ajustarle un polinomio y quedarse
con los residuos ya se logra una adecuada serie estacionaria en varianza, esto se logra
solo con las series estacionarias en tendencia (trend stationary) hay otra familia muy
importante la cual se hace estacionaria utilizando diferencias (difference stationary).
357
Yt = 0 + 1 t + 2 t 2 + t , t =1,2,T
En este caso, el componente tendencial ya no es una lnea recta, sino una curva cncava
o convexa, dependiendo del signo de los parmetros.
Cuando 2 >0 este modelo impone una tendencia convexa, con una tasa de crecimiento
para la variable que aumenta segn pasa el tiempo (es decir, segn pasa el tiempo, la
variable crece en mayor magnitud). En cambio, cuando 2 <0, este modelo impone una
tendencia cncava, con una tasa de crecimiento para la variable que disminuye segn
pasa el tiempo.
AO \ MES ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
1993 176.6
1994 190.1 162.3 184.2 165.4 141.6 130.2 148.7 150.7 154.7 165.9 165.0 197.1
1995 187.9 181.0 199.8 161.5 158.0 149.2 157.7 150.4 160.2 151.2 161.4 209.5
1996 192.6 172.7 177.9 160.8 167.4 124.3 141.7 148.6 151.4 157.6 159.5 195.4
1997 194.8 175.0 184.0 180.4 185.5 184.6
220
200
180
160
140
120
100
DIC 93 JUN 94 DIC 94 JUN 95 DIC 95 JUN 96 DIC 96 JUN 97
358
Pronsticos
Objetivo de un Pronstico
359
LECCIN 4
MODELOS AUTORREGRESIVOS
Los modelos autorregresivos son aquellos en los cuales el Yt depende de sus valores
pasados hasta un cierto periodo y de un error aleatorio el cual es un ruido blanco. Un
proceso auotorregresivo de orden p esta representado por:
Yt = 1Yt 1 +2Yt 2 + t
Yt = 1 + 2 X t + 3Yt 1 + t
Los modelos de rezagos distribuidos slo trabajan con los rezagos de las variables
independientes, con lo cual sern de la forma:
Yt = + 0 X t + 1 X t 1 + 2 X t 2 + 3 X t 3 +L+ t
Yt = + 0 X t + 1 X t 1 + L + k X t k + t
Se tendr que:
K
= i = 0 + 1 + L + K : Es el multiplicador de largo plazo o total, con rezagos
i =0
distribuidos tal que la suma exista.
360
2. METODOLOGA DE KOYC
Se tiene:
Yt = + 0Xt + 1Xt-1 + 2Xt-2 +... + t (4)
Asumiendo que las tienen igual signo, Koyck supone que stas disminuyen
geomtricamente as:
Por lo dicho anteriormente, considerar (5) implica afirmar que a medida que se
retrocede hacia el pasado, el efecto de ese rezago sobre Yt se hace progresivamente
ms pequeo, lo cual es un supuesto bastante factible. Por lo tanto:
Caractersticas:
Asumiendo que no existen valores negativos para , Koych elimina el cambio de
signo para valores de .
Al suponer < 1 Koych le asigna menos importancia a los lejanos que a los
actuales.
1
Asegura que el multiplicador a largo plazo es k = 0
k =0 1
Para la estimacin del modelo, Koyc propone lo siguiente:
Reordenando:
Yt = (1-) + 0Xt + Yt-1 + t (10)
Donde: t = (t - t-1).
361
Ejemplo Ilustrativo 1:
Un empresario desea estimar el costo final de elaboracin del producto (Yt), en funcin
del precio de la materia prima utilizada (Xt), aplicar el mtodo de Koych para la
estimacin del modelo apropiado:
Solucin
Yt = (1 ) + 0 X t + Yt 1 + ( t t 1 )
362
Ejemplo Ilustrativo 2:
Se piensa que el nivel de inversin de una empresa de calzado (It), est en relacin con
el volumen de ventas y la inversin realizada el ao anterior (It-1), utilice el mtodo de
Koych para estimar el modelo.
Solucin
1 1 0.816
k =0
k = 0 = 0.816
1
=
1 0.742 0.258
= 3.163
363
LECCIN 5
Sin embargo si los sigue el patrn de la figura 1.c. se puede escribir como sigue:
i = a 0 + a1i + a 2i 2 + a 3i 3
i = a 0 + a 1i + a 2i 2 + a 3i 3 + ... + a i
a. Supongamos que se acepta que los i siguen una Ley de segundo grado:
i = a 0 + a1i + a 2i 2
Cuando i = 0 0 = a 0 + a 1 ( 0) + a 2 ( 0) 2 0 = a 0
1
En trminos generales, el teorema plantea que en un intervalo cerrado finito, cualquier funcin continua
puede ser aproximada uniformemente mediante un polinomio de un grado apropiado.
364
Cuando i = 2 2 = a 0 + a1 (2) + a 2 (2) 2 2 = a 0 + 2a1 + 4a 2
Cuando i = 4
4 = a 0 + a 1 ( 4 ) + a 2 ( 4 ) 2 4 = a 0 + 4 a 1 + 16 a 2
K = a 0 + ka 1 + k 2 a 2
( )
Y t = + a 0 + a1 i + a 2 i 2 X t i + t
Yt = + a 0 X t i + a1 iX t i + a 2 i 2 X t i + t
Entonces:
0 = a 0
1 = a 0 + a1
2 = a 0 + a1 (2) 2 = a 0 + 2a1
M
n = a 0 + a1 (n ) n = a 0 + na1
Yt = + (a 0 + a 1i )X t i + t
Yt = + a 0 X t i +a 1 iX t i + t
Yt = + (a 0 + a 1i + a 2i 2 + K + a i )X t i + t
k
i=0
k k k k
Yt = + a 0 X t i + a1 iX t i + a 2 i 2 X t i + ... + a r i X t i + t
i =0 i =0 i =0 i =0
Yt = + a 0 Z 0 t + a 1Z1t + ... + a Z t + t
Donde:
365
k
Z 0 t = X t i
i =0
k
Z1t = iX t i
i =0
k
Z 2 t = i 2 X t i
i =0
M
k
Z t = i X t i
i =0
Ejercicio Ilustrativo 1:
Con informacin del Consumo Privado (CP) y del Producto Bruto Interno (PBI), ambos
en valores constantes de 1994 del periodo 1970-2001 se plantea la construccin de un
modelo donde Z.
a. Supongamos que fuese una ecuacin polinmica de segundo grado con 2 rezagos.
1. Modelo :
CPt = + 0 PBI t + 1PBI t 1 + 2 PBI t 2 + t
2
CPt = + i PBI t i + t
i =0
2
CPt = + (a 0 + a 1i + a 2 i 2 )PBI t i + t
i =0
2 2 2
CPt = + a 0 PBI t i + a 1 iPBI t i + a 2 i 2 PBI t i + t
i =0 i =0 i =0
CPt = + a 0 Z0 t + a 1 Z1t + a 2 Z 2 t + t
366
3. Datos Transformados:
4. Parmetros estimados:
0 = a) 0
1 = a) 0 + a)1 + a) 2
= a) + 2a) + 4a)
2 0 1 2
i = a 0 + a1i + a 2i 2
Dependent Variable: CP
Method: Least Squares
Date: 09/06/02 Time: 18:12
Sample(adjusted): 1972 2001
Included observations: 30 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 7227.737 1909.824 3.784505 0.0008
Z0t 0.588144 0.060757 9.680230 0.0000
Z1t -0.456263 0.297715 -1.532551 0.1375
Z2t 0.052527 0.148043 0.354808 0.7256
R-squared 0.978526 Mean dependent var 68763.83
Adjusted R-squared 0.976048 S.D. dependent var 10331.93
S.E. of regression 1599.017 Akaike info criterion 17.71573
Sum squared resid 66478265 Schwarz criterion 17.90256
Log likelihood -261.7360 F-statistic 394.9164
Durbin-Watson stat 0.900879 Prob(F-statistic) 0.000000
El R2 es alto, pero los Z1t, y CZ2t no son relevantes por que sus parmetros no son
significativos. Sus probabilidades asociadas son mayores al nivel de significancia (5%),
por lo tanto se acepta la Ho de no significancia de sus parmetros.
CP t = 7227.737 + 0.588144ACZ0 t - 0.456263ACZ1t + 0.052527ACZ2 t
Yt = + i X t i + t
Reemplazando en el ejemplo:
367
3 3 3 3
CPt = + a 0 PBI t i + a1 iPBI t i + a 2 i 2 PBI t i + a 3 i 3PBI t i
i =0 i =0 i =0 i =0
3
0 t = PBI t + PBI t 1 + PBI t 2 + PBI t 3 0 t = PBI t i
i =0
3
1t = PBI t 1 + 2PBI t 2 + 3PBI t 3 1t = iPBI t i
i =0
3
2 t = PBI t 1 + 4PBI t 2 + 9PBI t 3 2 t = i 2 PBI t i
i =0
3
3t = PBI t 1 + 8PBI t 2 + 27PBI t 3 3t = i 2 PBI t i
i =0
Donde:
i = a 0 + a1i + a 2i 2 + a 3i 3
A continuacin, se tiene las series del PBI y Consumo privado y la serie transformada
del PBI:
368
El modelo planteado sera el siguiente: CPt = + a 0 Z0 t + a1Z1t + a 2 Z 2 t + a 3 Z3t
Los resultados son:
Dependent Variable: CP
Method: Least Squares
Date: 07/05/02 Time: 18:19
Sample(adjusted): 1973 2001
Included observations: 29 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
Z0t 0.589702 0.064874 9.089887 0.0000
Z1t -0.390550 0.572711 -0.681933 0.5018
Z2t -0.061712 0.532320 -0.115931 0.9087
Z3t 0.041838 0.117976 0.354633 0.7260
C 7268.342 2180.323 3.333607 0.0028
R-squared 0.976065 Mean dependent var 69370.24
Adjusted R-squared 0.972076 S.D. dependent var 9956.667
S.E. of regression 1663.821 Akaike info criterion 17.82721
Sum squared resid 66439231 Schwarz criterion 18.06295
Log likelihood -253.4945 F-statistic 244.6760
Durban-Watson stat 0.885465 Prob(F-statistic) 0.000000
Aunque R2 es bueno Z1t, Z2t y Z3t no son relevantes, sus parmetros no son
significativos, ya que sus probabilidades asociadas son mayores al nivel de significancia
(5%), por lo tanto se acepta la Ho de no significancia de sus parmetros.
CP t = 7268.342 + 0.589702 Z0 t - 0.390550 Z1t - 0.061712 Z 2 t + 0.041838 Z3 t
0 = a 0 0 = 0.589702
1 = a 0 + a1 + a 2 + a 3 1 = 0.179278
2 = a 0 + 2a 1 + 2 a 2 + 2 a 3
2 3
2 = -0.103542
3 = a 0 + 3a1 + 3 a 2 + 3 a 3
2 3
3 = -0.00773
2
0 t = PBI t + PBI t 1 + PBI t 2 0 t = PBI t i
i =0
2
1t = PBI t 1 + 2PBI t 2 1t = iPBI t i
i =0
369
i = a 0 + a1i
Dependent Variable: CP
Method: Least Squares
Date: 09/06/02 Time: 18:14
Sample(adjusted): 1972 2001
Included observations: 30 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 7358.531 1843.326 3.991985 0.0005
Z0t 0.570238 0.033282 17.13362 0.0000
Z1t -0.351296 0.032803 -10.70932 0.0000
R-squared 0.978422 Mean dependent var 68763.83
Adjusted R-squared 0.976823 S.D. dependent var 10331.93
S.E. of regression 1572.921 Akaike info criterion 17.65390
Sum squared resid 66800144 Schwarz criterion 17.79402
Log likelihood -261.8084 F-statistic 612.1291
Durbin-Watson stat 0.949942 Prob(F-statistic) 0.000000
La bondad de ajuste es alta (R2 =97.8%) y los Z0t, y Z1t son relevantes en el modelo.
Evaluando sus probabilidades asociadas, estas son inferiores al nivel de significancia del
5%, por lo tanto se rechaza la Ho de no significancia de los parmetros. Ello aunado a
una probabilidad conjunta del modelo (F-statistic) menor a su nivel de significancia,
nos indica que el modelo es bueno.
CP t = 7358.531 + 0.570238ALZ0 t - 0.351296ALZ1t
Despejando tenemos:
370
Ejercicios de Autoconocimiento
Por qu debo usar de las series temporales como mtodos de prediccin?
CRITERIOS SI NO NO S
CALIFICACION
371
RESUMEN
El primer paso para analizar una serie de tiempo es graficarla, esto permite: identificar
la tendencia, la estacionalidad, las variaciones irregulares (componente aleatoria).
Un modelo clsico para una serie de tiempo, puede ser expresada como suma o
producto de tres componentes: tendencia, estacional y un trmino de error aleatorio.
Existen tres modelos de series de tiempos, estos son: Aditivo, Multiplicativo y Mixto.
372
Resumen de frmulas
Ruido Blanco
Modelos de descomposicin:
Yt = 0 + 1 t + t , t = 1,2,..., T
Componente tendencial: Tt = 0 + 1 t
Componente no tendencial: Yt Tt = t
Yt = 0 + 1 t + 2 t 2 + t
Yt = 1 + 2 X t + 3 Yt 1 + t
373
Multiplicador de Largo Plazo
K
= i = 0 + 1 + L + K = 0(1/ 1- )
i= 0
EXPLORACION ON LINE
http://www.einsteinnet.com/econometria/seriestemp/acseriestemp.htm
http:!!ciberconta.unizar.es/LECCION/seriest/000F2.HTM
374
LECTURA
MTODOS DE PREDICCIN
Debido a que siempre ha sido cambiante el mundo en el que operan las organizaciones, siempre
ha existido la necesidad de hacer pronsticos.
Una nueva tecnologa y nuevas disciplinas aparecieron de la noche a la maana; la actividad
gubernamental se intensifico; la competencia se hizo mas cerrada; en casi todas las industrias se
implanto el comercio internacional; crecieron y se crearon nuevas agencias de ayuda y servicios.
Con el desarrollo de tcnicas de pronstico ms complejas, junto con el advenimiento de las
computadoras, los pronsticos recibieron ms atencin durante los aos recientes. Este
desarrollo es en especial cierto desde la proliferacin de la pequea computadora personal.
Ahora todos los administradores posen la capacidad de utilizar tcnicas de anlisis de datos muy
complejas para fines de pronstico, y una comprensin de dichas tcnicas es esencial hoy en da
para los administradores de empresas.
Hoy en da al crecer la preocupacin de los Administradores por el proceso de pronstico, se
continan desarrollando nuevas tcnicas de pronstico. Esta atencin se enfoca de manera
particular en los errores, que son parte inherente de cualquier procedimiento de pronstico,
quienes pronostican solo pueden intentar que los inevitables errores sean tan pequeos.
375
ACTIVIDADES
a. Un retroceso
b. Un incremento de empleo durante los meses de verano
c. La demanda continuamente creciente de automviles pequeos
d. Huelga en el sector industrial
376
CONSUMO DE ENERGA
84.6 107.6 134.3
89.9 120.4 134.7
81.9 109.6 144.8
95.4 110.3 144.4
91.2 118.1 159.2
89.8 116.5 168.2
89.7 110.3 175.2
97.9 118.1 174.5
103.4 116.5 173.7
AUTOEVALUACIN
1. Cul de los cuatro componentes de una serie de tiempo se usar para describir
cada una de las situaciones siguientes :
I. Componente tendencial
II. Componente cclico
III. Componente estacional
IV. Componente irregular
a. Yt = 1Yt 1 + 2Yt 2 + t
b. Yt = 0 + 1t + 2 t 2 + t
c. Yt = 1 + 2Xt + 3Yt 1 + t
d. Yt = 0 + 1t + t
377
I. Modelo de tendencia determinista.
II Modelo de tendencia cuadrtica.
III. Modelo autorregresivo
IV. Modelo de rezagos distribuidos
RESPUESTAS DE CONTROL
378