Académique Documents
Professionnel Documents
Culture Documents
Figura 1-1
CÉSAR PÉREZ LÓPEZ. UNIDAD DE ESTADÍSTICA. INSTITUTO DE ESTUDIOS FISCALES. 3
Tendencia lineal: Una línea de tendencia lineal es una línea recta Z(t) = a + bt que
se ajusta correctamente a los datos. Una línea de tendencia lineal normalmente
muestra que algo aumenta o disminuye a un ritmo constante. En el ejemplo de la
Figura 1-2, una línea de tendencia lineal muestra que las ventas de refrigeradores se
han incrementado de manera constante durante un período de 13 años. Observe que
el valor R-cuadrado es 0,9036, que es un buen ajuste de la línea respecto a los datos.
Figura 1-2
Figura 1-3
Figura 1-4
Tendencia potencial: Una línea de tendencia de potencia es una línea curva Z(t) =
atb que se utiliza con conjuntos de datos que comparan medidas que aumentan a un
ritmo concreto; por ejemplo, la aceleración de un automóvil de carreras a intervalos
de un segundo. No es posible crear una línea de tendencia de potencia si los datos
contienen valores cero o negativos. En el siguiente ejemplo (Figura 1-5), los datos de
la aceleración se muestran trazando la distancia en metros por segundo. La línea de
tendencia de potencia demuestra la aceleración creciente. Observe que el valor
R-cuadrado es 0,9923, que es un ajuste casi perfecto de la línea respecto a los datos.
Figura 1-5
CÉSAR PÉREZ LÓPEZ. UNIDAD DE ESTADÍSTICA. INSTITUTO DE ESTUDIOS FISCALES. 5
Tendencia exponencial: Una línea de tendencia exponencial es una línea curva Z(t)
= Exp(a+bt) que es muy útil cuando los valores de los datos aumentan o disminuyen
a intervalos cada vez mayores. No es posible crear una línea de tendencia
exponencial si los datos contienen valores cero o negativos. En el siguiente ejemplo
(Figura 1-6) se utiliza una línea de tendencia exponencial para mostrar la cantidad
decreciente de carbono 14 que contiene un objeto a medida que envejece. Observe
que el valor R-cuadrado es 1, es decir, la línea se ajusta a los datos perfectamente.
Figura 1-6
Tendencia de media móvil: Una línea de tendencia de media móvil atenúa las
fluctuaciones en los datos para mostrar con mayor claridad la trama o la tendencia.
Una media móvil utiliza un número concreto de puntos de datos (establecido por la
opción Período), hace un promedio de los mismos, y utiliza el valor del promedio
como punto de la línea; por ejemplo, si el valor de Período está establecido en 2, el
promedio de los dos primeros puntos de datos se utiliza como el primer punto en la
línea de tendencia de media móvil. El promedio de los puntos de los datos segundo y
tercero se utiliza como el segundo punto de la línea de tendencia, etc. En el siguiente
ejemplo (Figura 1-7), la línea de tendencia de media móvil muestra una trama en el
número de casas vendidas durante un período de 26 semanas.
Figura 1-7
y1 y 2 y p y 2 y3 y p 1 y3 y3 y p 2
y p 1 , y p 3 , y p 5 ,
2
p 2
p 2
p
6 SERIES TEMPORALES
y p 1 y p 3 y p 3 y p 5
y p2 2 2
, y p4 2 2
,
2
p 2
p
Figura 1-8
Una vez obtenida la serie de medias móviles, la tendencia será la línea que las une.
Multiple R ,95485
R Square ,91173
Adjusted R Square ,90709
Standard Error 1,56218
Analysis of Variance:
Multiple R ,92801
R Square ,86121
Adjusted R Square ,85390
Standard Error 1,95893
Analysis of Variance:
Multiple R ,97595
R Square ,95248
Adjusted R Square ,94720
Standard Error 1,17762
Analysis of Variance:
Multiple R ,98338
R Square ,96703
Adjusted R Square ,96122
Standard Error 1,00930
Analysis of Variance:
Multiple R ,95190
R Square ,90611
Adjusted R Square ,90117
Standard Error ,02978
Analysis of Variance:
Multiple R ,71974
R Square ,51803
Adjusted R Square ,49266
Standard Error ,06747
Analysis of Variance:
Multiple R ,95190
CÉSAR PÉREZ LÓPEZ. UNIDAD DE ESTADÍSTICA. INSTITUTO DE ESTUDIOS FISCALES. 11
R Square ,90611
Adjusted R Square ,90117
Standard Error ,02978
Analysis of Variance:
Analysis of Variance:
Figura 1-13
Figura 1-38
Lineal Y = a + bX
Multiplicativo Y = aXb o LnY = Lna + bLnX
CÉSAR PÉREZ LÓPEZ. UNIDAD DE ESTADÍSTICA. INSTITUTO DE ESTUDIOS FISCALES. 13
Podemos graficar la línea de ajuste y los residuos para todos los modelos. El
sistema también genera y grafica predicciones para valores dados de X o Y. También
se pueden guardar residuos y predicciones para posteriores análisis.
Años 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980
% Serv. 47,23 48,01 48,00 48,06 48,99 50,71 51,85 53,06 54,25 55,62 57,04
Años 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990
% Serv. 58,16 59,24 59,81 61,09 59,43 58,79 59,68 59,96 60,43 61,82
Para ver si es adecuada la relación lineal, cuadrática o de otro tipo entre las
variables PERIODO y SERVICIOS utilizamos el procedimiento Gráfico X-Y de la
opción Gráficos de Dispersión del menú Gráficos, cuya pantalla de entrada se rellena
introduciendo la variable SERVICIOS en el campo Y, y la variable PERIODO en el
campo X.
La opción gráfica Gráfico del Modelo Ajustado nos lleva a la Figura 1-46,
en la que se observa la función cuadrática de ajuste y las bandas de confianza para
los valores ajustados y para las predicciones. Si sobre la gráfica de ajuste pulsamos
el botón derecho del ratón y elegimos la opción Opciones de Ventana del menú
emergente resultante, se obtiene la caja de dialógo Gráfico del Modelo Ajustado
Options, en cuyo campo Include se puede elegir solo los intervalos de confianza
para las predicciones (botón Límites de Predicción), solo los intervalos de
confianza para los puntos de la serie (botón Límites de Confianza) o ambas cosas a
la vez (ambos botones seleccionados, que es nuestro caso).
Figura 1-75
Para realizar el ajuste lineal con Eviews, se elige Quick Estimate Equation
(Figura 1-75), se rellena la pantalla Equation Specification de la solapa Specification
como se indica en la Figura 1-76 eligiendo Least Squares en el campo Method (para
ajustar por mínimos cuadrados) y se hace clic en Aceptar. Se obtienen los resultados de
la Figura 1-77. Si queremos un ajuste parabólico de segundo orden se rellena la pantalla
Equation Specification de la solapa Specification como se indica en la Figura 1-78
eligiendo Least Squares en el campo Method (para ajustar por mínimos cuadrados) y se
hace clic en Aceptar. Se obtienen los resultados de la Figura 1-79.
Cuando se representa una serie temporal mediante yt, se suponen todas las
observaciones ordenadas una detrás de otra tal y como se van produciendo (t = 1, 2,
…, T). Cuando representamos una serie temporal por yik , estamos considerando
explícitamente el año i (i = 1, 2, …, N) y la estación del año k (k = 1, 2, …., m).
Cuando la estación es el año, m = 12 , y cuando es el trimestre, m = 4. Siempre se
tiene que T = Nm
Ajustar una recta por mínimos cuadrados y i. = a bi a las medias anuales de los
1 m
datos observados yi. yik .
m k 1
N
y
1
Calcular las medias mensuales en los diferentes años y.k ik k = 1, 2, …, m.
N i 1
Dada la serie cronológica por meses, estaciones, etc., en varios años, se halla la
tendencia mediante el método de las medias móviles tomando un año de período.
Se eliminan las variaciones irregulares hallando las medias aritméticas de los valores
observados en cada período de repetición anual.
Se dividen los valores de la serie original por los índices de variación estacional
correspondienes, obteniéndose la serie temporal desestacionalizada.
s/2
x t j
j ( s / 2 ) 1 s s s
Para medias móviles de s puntos x *
t 0, 5 t , 1, , n
s 2 2 2
1 en el trimestre i
Dit i 1, ,4
0 en el resto
Se observa que en el modelo se omite la constante para evitar la colinealidad
perfecta. Para que el efecto estacional esté presente, los parámetros estimados del
modelo anterior han de ser significativamente distintos de cero individualmente.
Figura 1-18
Name Label
Figura 1-19
Figura 1-20
CÉSAR PÉREZ LÓPEZ. UNIDAD DE ESTADÍSTICA. INSTITUTO DE ESTUDIOS FISCALES. 27
X
250,00000
Seas adj ser
for X from
SEASON,
MOD_1 MUL
EQU 12
Trend-cycle
200,00000 for X from
SEASON,
MOD_1 MUL
EQU 12
150,00000
100,00000
50,00000
AUG 1968
APR 1973
AUG 1975
APR 1980
JAN 1968
JUL 1971
JUN 1974
JAN 1975
JUL 1978
JUN 1981
OCT 1969
SEP 1972
OCT 1976
SEP 1979
MAR 1969
MAY 1970
MAR 1976
MAY 1977
DEC 1970
FEB 1972
NOV 1973
DEC 1977
FEB 1979
NOV 1980
Fecha
Figura 1-21
Figura 1-60
VARIACIONES CÍCLICAS
La componente cíclica de una serie temporal es la más difícil de detectar,
pues a diferencia de la tendencia, que es un movimiento a largo plazo muy general, y
de las variaciones estacionales, que tienen un período fijo, las variaciones cíclicas
tienen un período no fácilmente identificable y en muchos casos incluso variable,
siendo frecuente la existencia de ciclos que se superponen, lo que hace todavía más
difícil su identificación.
Eje x Eje t
R
/ -R (+2)/
Figura 1-9
1ª oscilación x1 x2 xp
2ª oscilación x p 1 x p2 x2 p
q ª oscilación x ( q 1) p 1 x ( q 1) p 2 x qp
Medias x1 x2 xp
Figura 1-10
La fila j-ésima de la tabla anterior recoge los p valores que forman la j-ésima
oscilación, y el número de osilaciones q se obtiene dividiendo el número de
observaciones de la serie xt por el período pj. La última fila de la tabla presenta las
medias de los primeros elementos de cada oscilación, el valor medio de los segundos,
etc.
1,628E5
5,987E4
2,203E4
8,103E3
Periodograma
2,981E3
1,097E3
4,034E2
1,484E2
5,46E1
2,009E1
7,389E0
2,718E0
-0,02
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0,18
0,20
0,22
0,24
0,26
0,28
0,30
0,32
0,34
0,36
0,38
0,40
0,42
0,44
0,46
0,48
0,50
0,52
Frecuencia
Figura 1-24
1,628E5
5,987E4
2,203E4
8,103E3
Periodograma
2,981E3
1,097E3
4,034E2
1,484E2
5,46E1
2,009E1
7,389E0
2,718E0
-0,02
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0,18
0,20
0,22
0,24
0,26
0,28
0,30
0,32
0,34
0,36
0,38
0,40
0,42
0,44
0,46
0,48
0,50
0,52
Frecuencia
Figura 1-24
Figura 1-71
CÉSAR PÉREZ LÓPEZ. UNIDAD DE ESTADÍSTICA. INSTITUTO DE ESTUDIOS FISCALES. 37
Figura 1-72
Figura 1-73
38 SERIES TEMPORALES
Figura 1-90
Figura 1-91
Figura 1-92
40 SERIES TEMPORALES
Figura 1-93
Figura 1-93
Figura 1-95
CÉSAR PÉREZ LÓPEZ. UNIDAD DE ESTADÍSTICA. INSTITUTO DE ESTUDIOS FISCALES. 41
Figura 1-96
1 en el trimestre i
Dit i 1, ,4
0 en el resto
42 SERIES TEMPORALES
Figura 1-125
Figura 1-140