Vous êtes sur la page 1sur 45

UNIVERSIDAD NACIONAL DE INGENIERIA

FACULTAD DE INGENIERIA MECANICA


UNIDAD DE POSTGRADO

MAESTRIA EN CIENCIAS CON MENCIÓN EN


ENERGÉTICA

CATEDRA:

MODELOS ENERGETICOS
PERIODO ACADEMICO: 2018-II

Dr. Salome Gonzáles Chávez


Dr. Salome Gonzáles MODELOS ENERGETICOS

CONTENIDO

1 METODOS Y MODELOS DE PROYECCIÓN DE VARIABLES ENERGETICAS

1.1 Importancia de las proyecciones


1.2 Métodos alternativos de proyección
1.3 Clasificación de los métodos predictivos
1.3.1 Métodos cuantitativos
1.3.2 Métodos cualitativos
1.4 Proyecciones mediante series temporales
1.4.1 Finalidad de las series temporales
1.4.2 Patrones básicos de una serie temporal

2 MODELOS DETERMINISTICOS DE PROYECCIONES DE ENERGIA

2.1 Medias móviles


2.2 Alisados exponenciales
2.3 Modelo de Brown
2.4 Modelo de Holt
2.5 Modelo de Winters
2.6 Proceso de cálculo y elementos de programación
2.6.1 Elección de la metodología
2.6.2 Cálculo del modelo óptimo
2.6.3 Elementos de programación
2.7 Ejemplos de aplicación

3 MODELOS ESTOCASTICOS DE PROYECCIONES DE ENERGIA: ARIMA

3.1 Procesos estocásticos


3.2 Procesos estocásticos estacionarios
3.3 Procesos estocásticos no estacionarios
3.4 Modelos estocásticos estacionarios lineales
3.4.1 Modelo de medias móviles MA(q)
3.4.2 Modelo autorregresivo AR(P)
3.4.3 Modelo mixto ARMA(p, q)
3.5 Modelos ARIMA
3.5.1 Modelos lineales no estacionarios homogéneos
3.5.2 Modelos estacionales no estacionarios homogéneos
3.5.3 Modelos Multiplicativos Generales
3.6 Etapas para la elaboración de un modelo ARIMA
3.7 Proceso de cálculo y elementos de programación
3.8 Secuencia de cálculo de un Modelo ARIMA utilizando SPSS y E-Views
3.9 Aplicaciones a la demanda y oferta peruana de electricidad, gas y otros

4 MODELOS ECONOMETRICOS DE PROYECCIONES DE DEMANDA DE


ENERGIA

4.1 Campo de aplicación de los modelos econométricos


4.2 Características fundamentales de un modelo econométrico
4.2.1 Condicionantes estadísticas
4.2.2 Condicionantes de la teoría económica
4.3 Análisis de regresiones

2
Dr. Salome Gonzáles MODELOS ENERGETICOS

4.4 El estimador de mínimos cuadrados


4.5 Formulación del modelo econométrico
4.5.1 Especificación funcional
4.5.2 Pruebas para la elección de las variables y el modelo
4.5.3 Modelos econométricos uniecuacionales
4.5.4 Modelos econométricos biecuacionales: Modelos cointegrados
4.6 Aplicaciones a la demanda y oferta energética del Perú

BIBLIOGRAFIA Y OTRAS REFERENCIAS

 Peña S. de Rivera, Daniel. Análisis de Series Temporales, Tomo II. Ed.


Universitaria, Madrid, 2015
 Gujarati, Domodar, N. Econometría, Ed. McGrawHill, Madrid, 2015
 Gonzales, Salome. Modelos Energéticos. Metodología, cálculo y aplicaciones,
2016
 Box G., Jenkins G. Time Series Analysis, Forecasting and Control. Prentice
Hall, 1970, N.J, USA
 E-Views. Econometric Views Program
 SPSS. Statistical Package for the Social Sciences
 EUROSTAT. Departamento de Estadística- Energía, UE
 AIE. Agencia Internacional de la Energía
 DOE. Department of Energy, USA
 COES. Estadísticas publicadas por el COES, http://www.coes.org.pe.
 OSINERGMIN. Estadísticas y Bases de Datos publicados por el OSINERGMIN,
http://www.osinergmin.gob.pe.
 MINEM. Publicaciones y Estadísticas. DGE, Hidrocarburos, Minería,
http://www.minem.gob.pe

3
Dr. Salome Gonzáles MODELOS ENERGETICOS

PARTE 1

METODOS Y MODELOS DE PROYECCIÓN DE VARIABLES ENERGETICAS

1.1 IMPORTANCIA DE LAS PROYECCIONES

Un proceso de planificación energética de una región o país consiste en el análisis


temporal en el presente, del comportamiento histórico de todas las variables que
componen la oferta y la demanda de energía, para luego estimar el comportamiento
futuro (planificar) de estas variables a un determinado horizonte de proyección.

El éxito en la elaboración de una planificación energética está en lograr predecir de


manera más aproximada posible el futuro de las variables en análisis. Para ello existen
múltiples metodologías que van desde el uso de la heurística, expertice o juicio
subjetivo cualitativo de profesionales experimentados en el conocimiento de las
variables, hasta la utilización de metodologías y/o modelos cuantitativos de naturaleza
estadística, estocástica y econométrica.

Cada una de las variables históricas (series temporales) originadas por las diversas
actividades energéticas tienen un comportamiento propio, caracterizadas por patrones
de tendencia, estacionalidad y ciclaje, así como aleatoriedades (irregularidades).

Dentro del campo de la investigación y desarrollo, el pronóstico en general es una


técnica que ayuda a proyectar lo que ocurrirá en el futuro. El futuro, por lo general no
es determinístico; en este sentido es importante adoptar las técnicas predictivas en
mutua correspondencia con la pericia en la materia a proyectar. Desde una
perspectiva científica y bajo un sentido cuantitativo, se entienden a predicción,
pronóstico, previsión o proyección, como sinónimos para anticipar el futuro de un
determinado suceso.

1.2 METODOS ALTERNATIVOS DE PROYECCION

El conocimiento de los métodos o técnicas de proyección disponibles es necesario,


tanto para juzgar sobre las predicciones elaboradas externamente, como para formular
las propias. Sin embargo, la variedad de técnicas y diversidad de opiniones sobre su
validez hacen difícil disponer de una visión equilibrada de conjunto. Según el tipo de
información y sus combinaciones, se puede decir que la proyección toma como base:

a) La opinión que tienen determinadas personas sobre el futuro de la materia en


estudio. En este caso, que denominaremos información subjetiva, las
técnicas que se utilizan tratan de obtener el máximo aprovechamiento de las
experiencias, opiniones y expectativas de sujetos individuales o instituciones
seleccionadas según diversos criterios.

b) La evolución del fenómeno objeto de estudio en períodos anteriores. Para este


enfoque, la información básica es la propia información histórica, la serie
temporal de la variable dependiente objeto de estudio.

c) Las reglas internas de funcionamiento del tema cuyo comportamiento se trata


de predecir. Este planteamiento supone la importancia de la información
relacional o causal, de la propia conexión entre variables condicionantes del

4
Dr. Salome Gonzáles MODELOS ENERGETICOS

tema que se trata de predecir. Las leyes de comportamiento que se supone van
a regir en el futuro es frecuente que se deduzcan de la experiencia sobre su
funcionamiento en el pasado, con lo cual la información histórica resulta
también relevante.

En principio, para adoptar la técnica de proyección a una situación dada han de


tenerse en cuenta las siguientes condiciones:

 El horizonte temporal que se contempla: histórico y predictivo


 La naturaleza de las variables participantes
 El nivel de detalle, resolución o desagregación temporal
 El uso futuro del pronóstico: corto, mediano o largo plazo
 El costo del pronóstico

Es de indicar que el peligro latente en cualquier clase de proyección es que las


regularidades o relaciones observadas en el período de observación no se mantengan
durante el período de predicción, es decir que se presenten los denominados cambios
estructurales. La posible aparición de cambios estructurales constituye siempre una
amenaza, tanto más temible cuanto mayor sea el horizonte temporal de la predicción.
Es allí donde se discriminan las calidades de metodologías o modelos a utilizar.

1.3 CLASIFICACION DE LOS METODOS PREDICTIVOS

Los métodos o técnicas de predicción se pueden clasificar de diversas formas,


atendiendo a los objetivos que se pretendan obtener.

En el contexto temporal, se pueden distinguir dos clases de proyecciones:


condicionales e incondicionales.

Las predicciones condicionales son las que se realizan mediante métodos causales
(p.e. métodos multivariantes, en los que se utilizan varias series cronológicas y que
incluyen relaciones entre la magnitud que se ha de predecir y otras magnitudes). En
este tipo se tienen los Modelos Econométricos

Las proyecciones incondicionales son las que se hacen mediante métodos


autoproyectivos (métodos univariantes, en los que se emplea una sola serie
cronológica y en los que el modelo está basado en la aceptación de que los modelos
históricos seguirán siendo válidos). Estos métodos pueden estar basados en dos
enfoques alternativos: el determinista o clásico y el estocástico o moderno.

Por otro lado, los métodos de proyección se pueden dividir en dos grandes grupos:
cuantitativos y cualitativos.

1.3.1 METODOS CUANTITATIVOS

Son métodos formales que utilizan las matemáticas para el tratamiento sistemático de
una información histórica, como es una serie histórica de datos, para luego identificar y
estimar relaciones funcionales que conlleven hacia la predicción de dicha serie.

Entre los métodos cuantitativos se tienen los siguientes:

 Ajustes de tendencia. Clásicos simples

5
Dr. Salome Gonzáles MODELOS ENERGETICOS

 Medias móviles: Simples, Dobles, etc.


 Alisados exponenciales: Modelo de Brown, Modelos de Holt y
Winters
 Método econométrico: Modelos econométricos dinámicos
uniecuacionales y multiecuacionales
 Método estocástico: Modelos ARIMA, Cadenas de Markov

1.3.2 METODOS CUALITATIVOS

Se basan en el juicio subjetivo de una persona o grupo de personas que realizan un


análisis sobre determinada situación, considerando o no la información que se tenga
sobre el pasado.

Los métodos cualitativos pueden ser exploratorios y normativos. Los primeros


parten de un diagnóstico del presente y pretenden proyectar lo que será el futuro; es
decir explican lo que pasará. Los normativos (prospectivos) parten de un futuro,
idealizado o no, y de él derivan las tecnologías, acciones, programas, estrategias, etc.,
que moverán el presente a este escenario idealizado; es decir explican lo que hay que
hacer para alcanzar un futuro propuesto.

Entre los principales métodos cualitativos se cuentan los siguientes:


 Método Delphi (Delfos)
 Investigación Morfológica
 Encuestas e investigaciones de mercado
 Consenso de grupo
 Impactos cruzados

A continuación, se describen brevemente cada uno de estos métodos

 Método Delphi. Es de tipo normativo y consiste en que un grupo de


expertos crean un panel de ideas, mediante la respuesta a una serie de
preguntas. El grupo de expertos incorpora estas respuestas, que no son
conocidas entre las diferentes personas preguntadas, a sucesivas fases del
trabajo. Para homogeneizar las respuestas, éstas se cuantifican y se
establecen las probabilidades de ocurrencia de los acontecimientos futuros o
las fechas en que pueden suceder. La realimentación de la información
pretende guardar la incomunicación entre los miembros del panel, ya que el
anonimato es una de las principales características del método. Los
principales inconvenientes de este método radican en la posibilidad de
elección incorrecta del grupo, una errónea interpretación de las respuestas
de los expertos por los coordinadores y la influencia de la personalidad
dominante de uno o varios miembros del grupo en la toma de decisiones.

 Método de investigación morfológica. También es normativo, establece


previsiones examinando los principales componentes de un fenómeno,
identificando todos los posibles estados de cada elemento para
posteriormente determinar el número concreto de posibles combinaciones
futuras de los mismos. La probabilidad de ocurrencia de los acontecimientos
(basada en información subjetiva) puede ser utilizada, si se incorpora un
carácter meramente exploratorio, como etapa precedente para otras
previsiones posteriores, o si se toma como técnica normativa, para
establecer un orden de posibles soluciones entre los problemas planteados.

6
Dr. Salome Gonzáles MODELOS ENERGETICOS

 Encuestas e investigaciones de mercado. Con estas encuestas, bien sea


de intenciones, bien de actitudes, se establece el comportamiento o las
expectativas del mercado. Considerando las respuestas obtenidas, se
pueden establecer las intenciones o índices de “sentimiento” con relación a
determinadas conductas futuras; estas características hacen que las
predicciones sean, tal vez, más útiles a corto que a largo plazo.

 Consenso de grupos o panel de expertos. En este método se fomenta la


comunicación de un grupo de personas, generalmente expertos, en forma
de discusión abierta para que lleguen a conclusiones concretas sobre el
futuro desarrollo de ciertos acontecimientos. Se utiliza principalmente en
predicción tecnológica. La idea principal es que varios expertos pueden dar
predicciones más precisas que los individuos aisladamente.

 Método de impactos cruzados. Está basado en una matriz que contempla


la probabilidad de ocurrencia de un número de posibles desarrollos;
representa la dirección y fuerza del impacto que un acontecimiento puede
tener sobre la probabilidad de otros (incrementándolo, reduciéndolo o
dejándolo invariante). Se suele utilizar la opinión de expertos como fuente de
información de partida, y puede utilizar escenarios, más que
acontecimientos aislados. Su capacidad predictiva parece estar demostrada
más en situaciones a largo que a corto plazo.

1.4 PROYECCIONES MEDIANTE SERIES TEMPORALES

Una serie temporal, llamada también serie histórica o serie cronológica, es una
sucesión de valores observados de una variable referidos a momentos o a períodos de
tiempo diferentes, generalmente regulares. La característica distintiva de una serie
temporal, en contraposición a las observaciones de corte transversal, es que los datos
aparecen ordenados cronológicamente. Este hecho, que parece intranscendente, tiene
diversas repercusiones teóricas y prácticas, entre las que se destacan las siguientes:

 El tiempo; es en sí mismo una variable continua y así ha de considerar en la


formulación de modelos teóricos; sin embargo, en las aplicaciones empíricas el
tiempo se trata como una variable discreta debido a la naturaleza de los datos.
Entonces, para designar la serie temporal observada utilizaremos la notación:

Xt ( t = 1, 2, 3,........N )
t: minuto, hora, día, mes, año, etc.
N: Número de observaciones

 Autocorrelación. Al estar los datos referidos a momentos o períodos de


tiempo sucesivos, interesa conocer las relaciones entre los términos
consecutivos. El coeficiente de correlación entre Xt y Xt-1 se denomina
coeficiente de autocorrelación de primer orden; análogamente, el coeficiente
de correlación entre Xt y Xt-2 es el coeficiente de autocorrelación de segundo
orden, y así sucesivamente.

 Para medir la amplitud, longitud o tamaño de la serie temporal se puede


utilizar el tiempo transcurrido durante el período muestral o el número de

7
Dr. Salome Gonzáles MODELOS ENERGETICOS

observaciones; ambas variables están relacionadas por la unidad de tiempo


utilizada en las observaciones.

1.4.1 FINALIDAD DE LAS SERIES TEMPORALES

En términos generales, el análisis de series temporales persigue los siguientes fines:


 La descripción de una serie temporal dada
 La predicción de la evolución futura de una serie temporal

Para ello es posible adoptar los enfoques alternativos univariante y multivariante.

a) El enfoque univariante hace uso de los datos históricos de la variable


(serie temporal) para elaborar un modelo que describa aceptablemente el
comportamiento de la misma en el pasado. Tal modelo descriptivo puede
usarse para realizar predicciones de los valores futuros de la variable. Este
tipo de proyección también se denomina autoproyectivo.
b) El enfoque multivariante busca relaciones entre dos o más series
temporales. Refiriéndose al campo económico, cabe adoptar hipótesis de
mayor o menor contenido de teoría económica. Las relaciones estructurales
dinámicas de alto contenido teórico son los Modelos Econométricos, que
son modelos causales.
Cuando se espera que sean los datos los que determinen la relación entre
las variables, a través de métodos estadísticos en los que la teoría
económica no juega ningún papel, estamos ante los modelos
multivariantes del análisis de series temporales.
Cuando se trata de relaciones entre variables en las que influyen
principalmente los condicionantes estadísticos y luego los condicionantes de
la teoría económica, estamos ante el caso de los Modelos Econométricos
Dinámicos.

1.4.2 PATRONES BASICOS DE UNA SERIE TEMPORAL

Dentro del enfoque univariante, en el análisis de series temporales existen cuatro


patrones básicos a considerar, que pueden o no presentarse en conjunto en la serie y
que son fundamentales para la selección de la técnica de predicción: el patrón de
tendencia, el patrón cíclico, el patrón de estacionalidad, la horizontalidad y
aleatoriedad evolutiva de cada observación.

El patrón de tendencia existe cuando una serie histórica tiende a aumentar o


a disminuir sus valores medios con el tiempo. Una ilustración de esta
característica se muestra en la figura 1.1.
Pronóstico de
la variable

Serie Temporal
Valor medio

Tiempo
Figura 1.1 Serie de tiempo con una tendencia

8
Dr. Salome Gonzáles MODELOS ENERGETICOS

El patrón de estacionalidad existe cuando una serie de tiempo fluctúa de


acuerdo con un factor temporal que suele depender de un determinado
período. Por ejemplo, el consumo de energía en calefacción y agua caliente
sanitaria aumenta en los meses de invierno y disminuye en los meses de
verano (figura 1.2).

Pronóstico de
la variable V Verano
O Otoño
I Invierno
P Primavera

V O I P V O I P V O I P
Tiempo

Figura 1.2 Serie de tiempo con patrón de estacionalidad

El patrón cíclico es similar al de estacionalidad, pero en él las fluctuaciones


suelen ocurrir más lentamente. Son cambios graduados en el tiempo ( figura
1.3).
Pronóstico de
la variable

Tiempo
Figura 1.3 Serie de tiempo con patrón cíclico

La horizontalidad, es indicativo de una serie de tiempo que no tiene una


tendencia determinada. La serie es en este caso estacionaria (figura 1.4).

Pronóstico de
la variable

Tiempo
Figura 1.4 Serie de tiempo con patrón horizontal

9
Dr. Salome Gonzáles MODELOS ENERGETICOS

PARTE 2

MODELOS DETERMINISTICOS DE PROYECCIONES DE ENERGIA

2.1 MEDIAS MOVILES

Es un método de proyección de estructura variable que define la predicción como la


media simple de unos cuantos periodos muestrales previos al que corresponde la
predicción. Al número de observaciones que se utiliza para definir la media se le llama
longitud de la media móvil.

Dado una serie temporal expresada por:

Xt Valor observado en el período t de una serie temporal: t = 1,2,3,4....N


N Tamaño muestral de la serie o periodo muestral de la serie
k Longitud de la media móvil. Puede tomarse en el caso de datos
mensuales igual k = 12, en el caso de datos trimestrales k = 4, etc.

El predictor que corresponde al método de medias móviles de longitud k, se puede


expresar como:

1 k 1
Xˆ t (1)   Xˆ t  i
k i 0

Entre sus características se tiene:

 Para definir la proyección con este método es preciso disponer de un número


de observaciones previas igual a la longitud elegida; por otra parte, el número
de periodos de la longitud es el número de periodos iniciales para los que no
puede definirse la predicción
 Cuanto menor sea la longitud más sensible será la predicción a los valores
recientes de la serie y cuanto mayor sea la longitud, menos sensible o más
alisada será la predicción

El procedimiento consiste:

 Se fija un periodo muestral inferior al período real, surgiendo así un periodo


extramuestral aparente
 Para obtener la predicción para los valores del periodo extramuestral aparente,
sólo se utiliza la información disponible en el periodo muestral inferior.

Para determinar la exactitud del pronóstico, se procede a calcular el error absoluto


puntual, ety así minimizar el error cuadrático medio (ECM), el error absoluto medio
(EAM) y el error absoluto medio porcentual (EAMP o MAPE). Estos indicadores de
error vienen expresados por:

et =  X t (1) - Xt, t = 1,2,3,..., n

1 n
ECM ( n)   et 2
n i 1

10
Dr. Salome Gonzáles MODELOS ENERGETICOS

1 n
EAM ( n )   et
n i 1

1 n et
EAM ( n)  
n i 1 X t i
100

MEDIA MOVIL DOBLE

Es un método de estructura variable que obtiene las proyecciones suponiendo que la


tendencia es localmente lineal; esto significa que la pendiente no es constante en todo
el período muestral, sino que se va redefiniendo conforme se incorpora nueva
información.

Esta técnica requiere en principio de una media móvil simple, a cuyos resultados se
vuelve a aplicar el mismo método. Con el perfeccionamiento de esta técnica se ha
encontrado que un pequeño ajuste a la media móvil simple produce mejores
resultados. En efecto:

Inicialmente se obtiene la media móvil simple y de allí la media móvil doble, a partir de:

X t (1) = ( X t (1) + X t 1 (1) + X t 2 (1) +.........+ X t  N 1 (1) )/N

El ajuste se obtiene al introducir dos parámetros a y b, calculados mediante:

a = 2 X t (1) - X t (1)
b = 2 ( X t (1) - X t (1) )/( N-1 )

Así, el pronóstico final ajustado queda:

X t ( m) = a + b m

Donde m es el número de períodos futuros que se desea predecir. Con esta técnica se
requieren almacenar 2N observaciones históricas antes de poder iniciar el pronóstico.

2.2 ALISADO EXPONENCIAL SIMPLE

Es un método mediante el cual se obtienen mecánicamente proyecciones de una serie


temporal en función de las observaciones pasadas. Es decir, se obtiene por una media
móvil con ponderaciones decrecientes en forma de progresión geométrica. Así se
puede dar mayor importancia a las observaciones más recientes o a las más antiguas.

Se expresa como:

X t (1) =  Xt +  (1 - ) Xt-1 +  (1 - ) Xt-2 +....=
2
 1    i
Xt  i
i 0

Donde el coeficiente  puede tomar valores entre 0 y 1. La suma de los coeficientes


será la unidad, puesto que:

11
Dr. Salome Gonzáles MODELOS ENERGETICOS



 1    i

1  (1   )
1
i 0

Una expresión alternativa, más resumida, para el cálculo es:

X t (1) =  Xt + (1 - ) X t 1 (1)

Por tanto, la proyección de alisado puede interpretarse como una media ponderada de
los valores previos anteriores, reales y de predicción. Además, recordando la
expresión del error et, la fórmula anterior puede tomar la forma:

X t (1) = X t 1 (1) +  (Xt - X t 1 (1))

de donde se obtiene:
X t (1) = X t 1 (1) +  et

Esto indica que las variaciones del valor de proyección son una proporción, , del error
del período precedente. De aquí se desprende que en el alisado exponencial se coloca
distinto peso a las observaciones. Para  cercano a 1, se da mayor importancia a las
observaciones más recientes, ya que se concede mucho peso al error de la predicción
anterior. Si, por el contrario,  es cercano a 0, se da mayor importancia a las
observaciones más antiguas. Se debe tener en cuenta también que si la serie presenta
pequeñas oscilaciones irregulares se deben utilizar valores reducidos de ; al
contrario, para valores de  cercanos a la unidad es muy posible que los datos
presenten tendencias o estacionalidad.

Para hacer proyecciones utilizando alisado exponencial es necesario saber el valor de


 y el valor inicial de X t 1 (1) . Esta última cuestión es relativamente poco importante y
puede resolverse adoptando directamente X 1 (1) = X1, o bien, igualando este primer
valor al promedio de un pequeño número inicial de observaciones, como por ejemplo:

X 1 (1) = (X1 + X2 + X3) / 3

La elección del parámetro  debe acomodarse a cada serie en particular. Se trata de


encontrar el valor óptimo de , en el sentido de seleccionar aquél que minimiza el valor
del error cuadrático medio, el valor medio del error absoluto o el valor medio del sesgo.

2.3 MODELO DE BROWN

Con el propósito de abordar este modelo de proyección, otra manera de interpretar el


alisado exponencial simple, visto anteriormente, es suponiendo una serie temporal Xt,
sin tendencia y con un término de error ut , generada por:

Xt =  + ut

12
Dr. Salome Gonzáles MODELOS ENERGETICOS

Para realizar proyecciones de Xt bastará con estimar . Si para obtener tal estimación,
que designamos por b, se adopta el criterio:

  
min   ( Xt
 
 i  b) 2 (1   ) i 
(b)  i  0 

para  dado, entre 0 y 1, el resultado de la minimización da como solución:



b   1    X t i
i

i 0

la cual coincide con la primera expresión de alisado exponencial simple. Puesto que el
elemento determinista de Xt es constante, indica que todas las predicciones serán
iguales, es decir:

b = X t (1) = X t ( 2 ) = X t ( 3) =........

MODELO DE BROWN CON TENDENCIA LINEAL

Consiste en sustituir la hipótesis anterior, de una serie sin tendencia, por la de


tendencia lineal. Es decir de la forma:

Xt+i =  + .i + ut+i i = 0, 1, 2, 3,.....

La predicción en el período t a horizonte m se obtendrá mediante:

X t ( m) = a + b.m

Donde a y b son estimaciones de  y  que se consiguen previamente a partir de los


datos de la serie temporal Xt (t = 1, 2, 3,....N). Entonces, adoptando el criterio
  
min


( a , b ) 
 X t i  ( a  bi ) (1   ) i 
2 


i 0

0<<1

Para obtener los valores de a y b que minimizan la expresión anterior se igualan a cero
sus primeras derivadas con respecto de a y b, de donde se obtiene el siguiente
sistema de ecuaciones:

 X t  i (1   ) i  a    i(1   ) i b  0
i i

X i(1   ) i  a  i(1   ) i  b i 2 (1   ) i  0
t  i

i i i

Como
1 (1   )(2   )
 i(1   ) i

 2
y i 2
(1   ) i 
3
i i

Reemplazando se forma el siguiente sistema de ecuaciones:

13
Dr. Salome Gonzáles MODELOS ENERGETICOS

(1   )
 X t  i (1   ) i  a  b 0
i 
  )(2   )
 2 X
(1
i(1   ) i  (1   )a  b
t  i 0
i 

De acuerdo a la primera expresión de alisado exponencial simple, se puede definir la


serie alisada, S’t , partiendo de la serie original, Xt , mediante la expresión:

S t    (1   ) i Xt  i t = 1, 2, 3...
i

Análogamente se puede aplicar por segunda vez la fórmula de alisado, ahora a la


serie S’t

S t    (1   ) i S ti
i
que también adopta la forma:

S t   2  i(1   ) i Xt  i  S t
i

Si se considera t variable, para cada valor de t se tiene un par de valores de a y b


como solución del sistema de ecuaciones mostrado anteriormente. Es decir se
denotarán como at y bt , siendo útil esta denotación cuando se contempla la
actualización de las estimaciones de a y b al aumentar el tamaño muestral.

Aplicando estas nuevas notaciones en el sistema de ecuaciones anterior, se obtienen


at y bt .

at  2S t  S t

bt  ( S t  S t )
1
Por tanto, las predicciones en el período t a horizonte m , actualizando at y bt con la
última información disponible, relativa al período corriente t, se calculará mediante:

X t ( m) = at + bt m

MODELO DE BROWN CON TENDENCIA CUADRATICA

Se plantea como una extensión del modelo anterior cuando se supone que la serie
original sigue una tendencia cuadrática de la forma:

Xt+i =  + .i + .i2 + ut+i i = 0, 1, 2, 3,.....

Las predicciones se obtienen mediante:

1
X t ( m)  at  bt. m  ct. m 2
2

14
Dr. Salome Gonzáles MODELOS ENERGETICOS

Para  dado, los parámetros at , bt y ct se estiman mediante las siguientes expresiones


deducidas:

at  3S t  3S t  S t

bt 
2(1   ) 2
(6  5 )S t  (10  8 )S t  (4  3 )S t
2
ct  ( S   2S t  S t)
(1   ) 2 t

Donde

S t    (1   ) i Xt  i t = 1, 2, 3...
i

S t    (1   ) i S ti
i

S t    (1   ) i S t  i
i

Para realizar los cálculos se utilizan las siguientes ecuaciones:

S t  Xt  (1   )S t  1
S t  S t  (1   )S t  1
S t  S t  (1   )S t  1

La inicialización se puede llevar a cabo, haciendo:

S 1  S 2  S 3  X 1
2.4 MODELO DE HOLT

Este método sirve para realizar proyecciones bajo el supuesto de tendencia lineal,
pero utilizando dos parámetros de alisado,  y , en lugar de solamente uno como es
el caso de del modelo de Brown con tendencia lineal. La expresión matemática de la
predicción se puede formular de la siguiente forma:

X t ( m)  St  mbt

y las expresiones de actualización están dadas por:

St  Xt  (1   )( St  1  bt  1) , 0   1
bt   ( St  St  1)  (1   )bt  1 , 0   1

Se observa que, la predicción a un horizonte temporal m se obtiene sumando a la


estimación alisada el valor actual de X, St , el término mbt , representativo del
incremento provocado por la tendencia lineal.

La primera ecuación de actualización propone que, para proporcionar una estimación


alisada de Xt mediante St , se corrija el factor St+1 mediante la adición de un término de

15
Dr. Salome Gonzáles MODELOS ENERGETICOS

tendencia, bt-1 , cuyo subíndice hace referencia a que este coeficiente es el que
corresponde a la estimación realizada en la información disponible hasta el período t-1

La segunda ecuación de actualización, posee la estructura de cualquier ecuación de


alisado, aunque ahora utiliza otro parámetro,  , diferente al anterior. La actualización
de bt se realiza mediante la diferencia entre los dos últimos valores de alisado, St - St-1.

Este modelo, al tener dos parámetros,  y , es más flexible que el de Brown.


Cambiando estos parámetros se puede ponderar más la aleatoriedad de los datos (
) o la de la tendencia ( ), según el comportamiento de la serie con la que se trabaje.

La inicialización se puede adoptar haciendo:

S1 = X1
X  X1
b1 = X2 - X1 , ó b1  X 3  X 1 , ó b1  N ,
2 N 1

Se puede personalizar otros modelos de alisados exponenciales a partir de los dos


anteriores, por ejemplo cuando se supone una tendencia exponencial o cuando se
quiere controlar la velocidad de amortiguamiento de la tendencia (reducción de la
tendencia en magnitud en función del tiempo). En este último caso se integrará un
tercer coeficiente que, cuando es cercano a la unidad, la amortiguación es gradual, y
cuando es cercano a cero, la amortiguación es rápida.

2.5 MODELO DE WINTERS

Dentro de los métodos cuantitativos determinísticos de Alisados Exponenciales más


evolucionado está el modelo Winters. Este método se aplica al tratamiento de
proyecciones de series temporales que poseen componentes de tendencia y a su vez
variaciones estacionales. Su estructura matemática posee dos formas: multiplicativa y
aditiva

WINTERS MULTIPLICATIVO

El modelo multiplicativo de Winters se aplica cuando el patrón estacional en la serie,


depende del tamaño de los datos; esto es cuando la magnitud del patrón estacional se
incrementa conforme los valores aumentan y decrece cuando los valores de los datos
disminuyen.

La ecuación de proyección de este modelo multiplicativo, se expresa como:

Xˆ t (m)  ( St  m bt ) I t  m  s

Donde:

m: Horizonte de proyección
St: Componente de nivel, que mide la irregularidad o aleatoriedad de la
serie
bt : Componente de tendencia
It+m-s Componente de estacionalidad
s: Es el número de observaciones periódicas; caso de series mensuales
toma el valor de 12.

16
Dr. Salome Gonzáles MODELOS ENERGETICOS

La fórmulas de actualización de las componentes, vienen expresadas por:

Xt
St   (1   )( S t 1  bt 1 )
I t s
bt   ( S t  S t 1 ) (1   )bt 1
Xt
It    (1   ) I t  s
St

0  1
0   1
0   1

Siendo:
α: Parámetro de entrada que minimiza el error de aproximación de la
componente de nivel.
 : Parámetro de entrada que minimiza el error de aproximación de la
componente de tendencia
 : Parámetro de entrada que minimiza el error de aproximación de la
componente de estacionalidad

WINTERS ADITIVO

El modelo aditivo Winters será de mejor aplicación cuando el patrón estacional en los
datos no depende del valor de los datos de la serie en estudio, es decir que el patrón
estacional no cambia a medida que la serie se incrementa o disminuye de valor.

La ecuación de proyección de este modelo se expresa como:

Xˆ t (m)  S t  m bt  I t  m s

Las expresiones de actualización de las componentes vienen dadas por:

S t   ( X t  I t  s )  (1   )( S t 1  bt 1 )
bt   ( S t  S t 1 ) (1   )bt 1
I t   ( X t  S t )  (1   ) I t  s

2.6 PROCESO DE CALCULO Y ELEMENTOS DE PROGRAMACION

Como es característico, toda serie temporal puede poseer cuatro componentes:


tendencia, estacionalidad, ciclaje y aleatoriedad. El proceso de cálculo aplicativo para
la identificación y estimación de un modelo predictivo se realiza utilizando elementos
de programación: programas estructurados y/o elaborando programas propios.

2.6.1 ELECCION DE LA METODOLOGIA

17
Dr. Salome Gonzáles MODELOS ENERGETICOS

El método de descripción y proyección de una serie energética se elige


fundamentalmente de acuerdo a lo siguiente:

 Tamaño muestral disponible de la serie


 Características típicas de la serie histórica
 El horizonte temporal de proyección
 Grado de precisión que se desee alcanzar
 Grado de complejidad del método

2.6.2 CALCULO DEL MODELO OPTIMO

Una vez elegida la metodología a seguir, se procede a realizar los cálculos en función
de los condicionantes estadístico-matemáticos que exija dicho método. Es decir, se ha
de proceder a optimizar el modelo (optimizar los parámetros del modelo) teniendo
básicamente como elemento de medida la minimización de los estimadores de error
(p.e. error cuadrático medio, error absoluto medio y el error absoluto medio
porcentual).

Dependiendo de la metodología de predicción adoptada, es recomendable elegir más


de un modelo matemáticamente optimizado, con el propósito de disponer de un
margen de decisión a la hora de seleccionar el modelo. Cuando existe más de una
solución matemáticamente óptima, la decisión de elegir uno u otro modelo calculado,
se define de acuerdo a la pericia y experiencia del especialista o investigador.

2.6.3 ELEMENTOS DE PROGRAMACION

Cuando se trata de cálculos básicos introductorios se puede utilizar como herramienta


de cálculo el Programa EXCEL, y cuando se trata de cálculos más avanzados se
procede a:

 Utilizar programas computacionales, generando códigos propios. Ello puede


realizarse utilizando programas como el MATLAB, ANSYS, etc.

 Utilizar programas computacionales estructurados, que dispongan de


herramientas requeridas para el cálculo que se requiera. Algunos de estos
programas, a su vez, permiten generar códigos propios o hacer extensiones
particulares de cálculos.

Los programas computacionales que se han de utilizar en el desarrollo del curso son

 SPSS
 E-Views

2.7 EJEMPLOS DE APLICACION

Los ejemplos aplicativos se van a realizar utilizando series temporales típicas de la


Demanda Eléctrica y/o Gasífera del Perú.

18
Dr. Salome Gonzáles .MODELOS ENERGETICOS

PARTE 3

MODELOS ESTOCASTICOS DE PROYECCIONES DE ENERGIA: ARIMA

3.1 PROCESOS ESTOCASTICOS

En el análisis estocástico de series temporales, se define a un proceso estocástico


como la familia de variables aleatorias de {Xt}, donde t es el tiempo, tal que para cada
serie finita de elecciones de t (t1, t2,...., tn ), se define una distribución de probabilidad
conjunta para las correspondientes variables aleatorias Xt1, Xt2,...., Xtn .

Así, bajo el contexto de procesos estocásticos, una serie temporal Xt se define como el
conjunto de valores observados de distintas variables aleatorias correspondientes a
períodos de tiempo consecutivos; dichos períodos tienen la misma amplitud y la serie
tiene un carácter discreto. Es decir, el valor observado de la serie en el instante t
puede ser considerado como una muestra aleatoria de tamaño uno de la variable Xt
del proceso estocástico definida en dicho instante. Podemos decir que Xt y Xt’ están
separadas por k retardos si t  t '  k .

Una forma de describir un proceso estocástico es especificando la distribución de


probabilidad conjunta de Xt1, Xt2,...., Xtn para cualquier conjunto (t1, t2,...., tn) y cualquier
valor de n, pero esto resulta complicado. Sin embargo, para muchos fines prácticos, se
suele describir mediante sus momentos, entre los cuales se destacan los siguientes:

La media de un proceso estocástico se define por

t  E( Xt )
El subíndice t del que se ha dotado a la variable indica que la media será
distinta para cada período de tiempo

La función de autocovarianza (covarianzas entre variables referidas a


momentos distintos en el tiempo), se expresa como:

t , s  Cov( Xt , Xt  k )  E Xt  E ( Xt ) Xt  k  E ( Xt  k )


k  0, 1, 2, 3,.......

A partir de esta función se obtienen:


La varianza del proceso ( cuando k=0 ), dada por

 t , t  var X t  E( X t   t ) 2   t2

La función de autocorrelación, definida por:

 t , t k
 t , t k 
 t , t  t k , t k
Dr. Salome Gonzáles .MODELOS ENERGETICOS

3.2 PROCESOS ESTOCASTICOS ESTACIONARIOS

La estacionariedad de un proceso estocástico se puede describir bajo dos sentidos,


uno en el sentido estricto o fuerte y otro en el sentido amplio o débil.

La estacionariedad en el sentido estricto se da cuando su función de distribución


conjunta es invariante respecto de un desplazamiento en el tiempo. Es decir,
considerando que t1, t2,...., tn corresponden a períodos sucesivos que denominamos
como t, t+1,..., t+k, cuando:

F( X t , X t 1 ,....., X t k )  F( X t m , X t 1m ,.... X t k m )

para cualquier t, k y m.

La estacionariedad en el sentido amplio se caracteriza mediante las siguientes


propiedades:

 Las esperanzas matemáticas de las variables aleatorias no


dependen del tiempo; es decir son constantes

E( X t )  E( X t m ) m
o bien t   t

 Las varianzas tampoco dependen del tiempo y son finitas, es decir

Var( X t )  Var( X t  m ) m


o bien
 t2   2 t

 Las covarianzas entre dos períodos de tiempo distintos solamente


dependen del lapso de tiempo transcurrido entre estos dos períodos,
es decir:

Cov( X t , X t ' )  Cov( X t  m , X t '  m ) m


o bien  t, s  t s
t , s

Para estas condiciones de estacionariedad, la autocorrelación de orden k (k) es la


correlación separada k períodos de la misma serie temporal. Esto es:

 k cov( X t , X t  k )
k  
0 var( X t )

Al conjunto de autocorrelaciones obtenidas para distintos valores de k se le denomina


función de autocorrelación (FAC o ACF).

La mayoría de los procesos que representan sistemas económicos o energéticos no


se ajustan a estas condiciones de estacionariedad, pero es posible eliminar sus
tendencias y estabilizar sus varianzas para transformarlos en otros aproximadamente
Dr. Salome Gonzáles .MODELOS ENERGETICOS

estacionarios. Una vez realizada la transformación, los procesos estacionarios se


modelizan, para fines de predicción o proyección.

Se dice que un proceso estocástico, además de ser estacionario, es ergódico cuando


se cumple lo siguiente:

lím  k  0
k 

Se precisa trabajar con procesos estocásticos estacionarios y ergódicos para poder


efectuar el proceso de inferencia consistente en, dada una serie temporal, inferir cuál
es el proceso estocástico que ha podido generar dicha serie temporal. Para ello se han
de estimar los parámetros que configuran las funciones de autocovarianza y de
autocorrelación. De manera intuitiva se puede señalar que la ergodicidad posibilita
obtener estimadores consistentes de dichos parámetros por cuanto si el valor de k
tuviera valores elevados para órdenes k altos, significaría que al aumentar el tamaño
de la muestra disponible se añadiría poca información nueva como consecuencia de
que en dicho caso debería calcularse un mayor número de autocovarianzas y
autocorrelaciones para caracterizar adecuadamente el proceso. Esto llevaría, desde
un punto de vista estadístico, a que los estimadores obtenidos no serían consistentes.

Un proceso estocástico estacionario es ergódico en la media, , si es posible estimar


consistentemente este parámetro haciendo uso de la media muestral temporal, que se
define como:

X
T
1
X t
T t 1

De forma análoga , se puede hablar de ergodicidad respecto a la autocovarianza. Las


condiciones de ergodicidad casi siempre se cumplen para la clase de procesos que
nos interesan.

En este sentido, la función de autocorrelación, k , se estima mediante la función de


autocorrelación muestral (FACM) que se define como:

 ( X  X )( X
T

t t k  X)
t  k 1
rk  k  1, 2, 3,......
( X  X ) 2
,
t
t
La representación gráfica de rk , se denomina correlograma muestral y constituye un
instrumento fundamental de análisis de series temporales de gran interés práctico.

3.3 PROCESOS ESTOCASTICOS NO ESTACIONARIOS

Como se dijo anteriormente, muy pocas series temporales reales dentro del campo
energético son estacionarias, y los motivos de la falta de estacionariedad suelen ser: la
existencia de tendencia, la varianza no es constante, o hay variaciones estacionales
(variabilidad de la media).

Afortunadamente, es posible transformar muchas series reales no estacionarias en


otras aproximadamente estacionarias, sometiéndolas a operaciones algebraicas
adecuadas. Este hecho permite, en definitiva, utilizar con series no estacionarias los
Dr. Salome Gonzáles .MODELOS ENERGETICOS

procedimientos de análisis diseñados para series estacionarias. Entre algunos casos


típicos se tienen:

PROCESOS NO ESTACIONARIOS HOMOGENEOS. Las series que presentan


una tendencia lineal se les hace la siguiente transformación:

X t  X t 1  X t  Z t

El símbolo  denota incremento y es un operador, cuya relación con el


operador de retardos, L, es:
 1  L

El operador de retardos L es un instrumento matemático útil para simplificar la


obtención de los parámetros de un retardo. Es decir, si Zt es una función del
tiempo, el operador de retardos L se define como:

LZt  Zt 1

Las potencias del operador se definen como aplicaciones sucesivas, o sea:

Ls Z t  Z t s , s0
Si Xt muestra una tendencia lineal, la primera diferencia de la serie, Zt, ya no
incorporará tendencia, en este caso se dice que Xt es una serie temporal
homogénea de primer orden. Análogamente, si Xt presenta una tendencia
exponencial, para eliminar dicha tendencia, se halla primero el logaritmo de la
serie y luego la diferencia primera de la nueva serie así calculada, esto es:

ln X t  ln X t 1  Zt

La eliminación de una tendencia cuadrática se consigue mediante doble


diferenciación. Esta operación se realiza en dos etapas: primero se obtiene

Wt  X t
y seguidamente se estacionariza mediante:
Zt  Wt
donde Zt expresa ya una serie estacionaria

La operación de doble diferenciación se simboliza mediante 2Xt. Si Xt muestra


una tendencia cuadrática, 2Xt no tendrá tendencia; en este caso se dice que Xt
es homogénea de segundo orden. En general, un proceso no estacionario que
se convierte en estacionario después de h operaciones de diferencia se
denomina estacionario de orden h.

En la práctica es difícil determinar con exactitud si se ha realizado el número


adecuado de diferencias para transformar la serie en estacionaria, ello queda
supeditado a la experiencia e intuición del analista. El instrumento que se utiliza
para detectar el número adecuado de diferencias es simplemente la inspección
visual del gráfico de la serie y de su correlograma.
Dr. Salome Gonzáles .MODELOS ENERGETICOS

CORRECCION DE VARIACIONES ESTACIONALES. Cuando se trata de una


serie que presenta variaciones estacionales, la eliminación de dichas
variaciones, para inducir la estacionariedad, se suele hacer mediante un
procedimiento de autoajuste, del mismo tipo que el comentado para la
tendencia. A este proceso se denomina diferenciación estacional.
Primeramente se procede a eliminar la tendencia de la serie, ya que, de otra
forma, la diferencia entre los datos relativos al mismo mes o fracción de año
sería significativa, sin que esto implicase evidencia de variaciones estacionales.
Por ejemplo, si los datos son mensuales, la diferenciación estacional consiste
en calcular

Zt  X t  X t 12

Si después de efectuar esta transformación la serie sigue presentando


evidencia de variaciones estacionales, se procede a calcular las diferencias de
segundo orden, y así sucesivamente.

Dada las características de las series energéticas cronológicas obtenidas: series


mensuales (que tienen tendencia y estacionalidad) y series anuales (sólo poseen
tendencia), la aplicación de esta metodología se orienta a las primeras. Para la
predicción de estas series primeramente hay que estacionarizarlas de forma inducida,
transformando la serie primitiva en una nueva serie sin tendencia ni variaciones
estacionales. Una vez modelada la nueva serie estacionaria, para determinar su
predicción, será preciso deshacer el cambio primitivo. Por ejemplo, sea

Z t  X t  X t 1

Zt es estacionaria. Si mediante la aplicación de un modelo se obtiene en el período T


la predicción de ZT+1 correspondiente al período T+1 (con un horizonte de predicción
de 1 período), la correspondiente predicción de XT+1 se obtiene teniendo en cuenta que

X t  Z t  X t 1
y, así,
X T 1  ZT 1  X T

En forma análoga, si se opera una diferencia de segundo orden,

Z t   2 X t   ( X t  X t 1 )  X t  X t 1  X t  X t 1  ( X t 1  X t  2 )
 X t  2 X t 1  X t  2
de donde
X t  Z t  2 X t 1  X t 2

la predicción de X realizada en el período T con un horizonte de 1 período es:

X T 1  ZT 1  2 X T  X T 1
En forma general se tiene:

XT+m = predicción de origen T y horizonte m


Dr. Salome Gonzáles .MODELOS ENERGETICOS

X T  m  Z T  m  2 X T  m1  X T  m 2
 Z T  m  2Z T  m1 ........mZ T 1  ( m  1) X T  mX T 1
 X T  mX T  mZ T 1 (1)  ( m  1)Z T  2 .......Z T  m

3.4 MODELOS ESTOCASTICOS ESTACIONARIOS LINEALES

Efectuar una predicción bajo el enfoque estocástico ARIMA, es inferir la distribución de


probabilidad de una observación futura XT+1 dada una serie X1, X2, .....,XT de valores
pasados. Para determinar las características del proceso estocástico subyacente a la
serie temporal, deberemos considerar un caso particular de proceso estocástico, es
decir el proceso estocástico lineal discreto.

Un proceso estocástico es lineal discreto si cada observación Xt se puede expresar de


la forma general:

X t    ut  1 ut 1   2 ut 2 ....
donde  ylos  i son parámetros desconocidos, y ut , ut 1 , ut 2 ,......es una secuencia
de perturbaciones aleatorias distribuidas idéntica e independientemente con media
cero y varianza  u2 , lo que se conoce como ruidos blancos. Los casos particulares del
proceso estocástico lineal discreto son:

 Modelo de medias móviles de orden q : MA(q)


 Modelo autorregresivo de orden p : AR(p)
 Modelo mixto autorregresivo- medias móviles de orden p, q : ARMA (p,q)

3.4.1 MODELO DE MEDIAS MOVILES MA(q)

Se define mediante la expresión:

X t    ut  1 ut 1   2 ut  2 ............ q ut q

El signo negativo que van precedidos los coeficientes a estimar 1 ,  2 ,....,  q de esta
expresión se da por conveniencia notacional. El parámetro  es la esperanza
matemática de Xt .

Este modelo se puede expresar más abreviadamente como:

X t     ( L)ut

donde L es el operador de retardos y (L) es el operador polinomial de retardos,


definido como:
 ( L)  1  1 L   2 L2 ........ q Lq

Un modelo de medias móviles siempre es estacionario, y será invertible cuando pueda


expresarse como un proceso autorregresivo de orden infinito. Para ello deberá
cumplirse que las raíces de  ( L)  0 , caigan fuera del círculo unitario. Se dice que las
raíces caen fuera del círculo unitario cuando, si éstas son reales, todas ellas son en
Dr. Salome Gonzáles .MODELOS ENERGETICOS

valor absoluto mayores que la unidad, mientras que si son complejas (a  bi) ,
entonces se cumple que el módulo, definido como a 2  b 2 , es mayor que la unidad.

Como caso particular se tiene el Modelo MA(1), que viene definido por:

X t    ut  1 ut 1
o bien:
X t     ( L)ut , siendo  ( L)  1  1 L

El modelo MA(1) será siempre estacionario. Mientras que, para que sea invertible
deberá cumplirse que la raíz de la ecuación:

 ( L)  1  1 L  0
caiga fuera del círculo unitario, es decir L  1, que implica se cumpla que 1  1
, para lo cual el modelo MA(1) puede denotarse también como un modelo AR de orden
infinito:

X t   1 X t 1   2 X t 2   3 X t 3 .......  ut
donde:
1
 
1  1

La función de autocorrelación de MA(1) tendrá la forma:

 11 2 para k 1
 1

k  0 para k 1


3.4.2 MODELO AUTORREGRESIVO AR(P)

Un modelo autorregresivo de orden p se define como:

X t   1 X t 1   2 X t 2 ......... p X t  p    ut

en forma abreviada se tiene:


 ( L) X t    ut
donde (L) es el operador polinomial de retardos

 ( L)  1   1 L   2 L2 .......... p Lp
A diferencia de los modelos de medias móviles que siempre son estacionarios, los
modelos autorregresivos deben cumplir como condición de estacionariedad que las
Dr. Salome Gonzáles .MODELOS ENERGETICOS

raíces del polinomio característico  ( L)  0 caigan fuera del círculo unidad. Este
modelo siempre está en forma invertida.

Particularmente se tiene el Modelo AR(1), que se expresa como:

X t  X t 1    ut
o también abreviadamente por:

 ( L) X t    ut , siendo  ( L)  1   1 L

La condición de estacionariedad del modelo AR(1) implica que  1  1


consecuentemente su esperanza matemática será constante, , y definida expresada
por:

E( X t )    , t
1

La función de autocorrelación de AR(1) estará dada por:

 1  1 para k 1
k   0 para k 1

3.4.3 MODELO MIXTO ARMA(p, q)

Este modelo mixto autorregresivo (AR)-medias móviles(MA) de orden p, q, se define


mediante la siguiente expresión:

X t  1 X t 1   2 X t 2 ...... p X t  p    ut  1ut 1   2 ut 2 ...... q ut q

Utilizando los operadores polinomiales de retardos (L) y (L), la expresión anterior


queda:

 ( L) X t     (L)ut
El modelo ARMA se dice que es estacionario cuando lo es su parte autorregresiva AR;
esto es, cuando las raíces de la ecuación (L) = 0 caen fuera del círculo unidad; y
diremos que es invertible cuando lo es su parte MA; esto es, cuando las raíces de la
ecuación (L) = 0 caen fuera del círculo unidad. Adicionalmente a las condiciones de
estacionalidad e invertibilidad también se supondrá que las raíces de (L)= 0 y (L) = 0
no son comunes.

Las funciones teóricas de autocorrelación (FAC) y de autocorrelación muestral (FAM)


sirven como referencia para identificar las funciones de autocorrelación muestral y de
autocorrelación parcial muestral de una serie temporal en estudio. Las características
gráficas de las funciones teóricas de autocorrelación (FAC) y autocorrelación parcial
(FACP), para diferentes tipos de modelos se muestran a continuación.
Dr. Salome Gonzáles .MODELOS ENERGETICOS

MODELOS AUTORREGRESIVOS - AR MODELOS MEDIAS MOVILES - MA


FAC FACP FAC FACP
AR (1) MA (1)

AR (2) MA (2)

MODELOS ARMA
ARMA (1, 1)

FUNCIONES TEORICAS DE AUTOCORRELACION (FAC) Y AUTOCORRELACION PARCIAL (FACP)


Dr. Salome Gonzáles .MODELOS ENERGETICOS

3.5 MODELOS ARIMA

4.5.1 MODELOS LINEALES NO ESTACIONARIOS HOMOGENEOS

Se dice que un proceso estocástico no estacionario es homogéneo cuando al


diferenciar en el proceso original, el proceso transformado resultante es estacionario, y
el número de veces que debe diferenciarse el proceso original para transformarse en
estacionario constituye el grado u orden de homogeneidad.

Muchas series cronológicas, como las obtenidas en el campo energético se pueden


convertir en aproximadamente estacionarias después de aplicar diferencias en una o
más etapas; es decir:

Si la serie original, Xt , es homogénea de orden d, entonces.

 d X t  (1  L) d X t  Z t , t  1, 2......, T

la nueva serie es estacionaria

A un proceso integrado Xt se le denomina proceso autorregresivo-medias móviles


integrado, ARIMA(p, d, q), si tomando diferencias de orden d se obtiene un proceso
estacionario Zt del tipo ARMA(p, q).

El modelo ARIMA(p, d, q), se expresa de la siguiente forma:

Z t   1 Z t 1   2 Z t 2 ..... p Z t  p  ut  1 ut 1 ....... q ut q

abreviadamente se tiene.

 ( L)Z t   (L)ut , siendo Z t   d X t  (1  L) d X t


quedando así:
 ( L)(1  L) d X t   ( L)ut

No se incluye el término constante  dado que la media de la serie diferenciada Zt es


cero, como frecuentemente suele ocurrir. En caso de que este supuesto no pueda
mantenerse, este parámetro deberá incluirse en la expresión del modelo
ARIMA(p,d,q).

Al analizar la mayoría de las series temporales energéticas, se suele observar que


éstas presentan una tendencia creciente o decreciente. La eliminación de esta
tendencia (no estacionariedad en media) de la serie suele conseguirse mediante las
diferenciaciones implícitas en los modelos ARIMA. Ahora bien, en ocasiones se
observa también que existe una tendencia en la varianza, esto es, que la dispersión de
las observaciones no es constante a lo largo del tiempo, la cual no se elimina mediante
estas diferenciaciones. Cuando se presenta este hecho la transformación adecuada
puede consistir en tomar logaritmos naturales.

Esta posibilidad de transformar la serie se puede concretar de forma más general


mediante la transformación Box-Cox. Así, el modelo ARIMA se puede expresar como:
Dr. Salome Gonzáles .MODELOS ENERGETICOS

 ( L) d X t(  )     ( L)ut
o bien:
 ( L)(1 L) d ( X t(  )   )   ( L)ut

donde  es la media de X t(  ) , siendo:

 X t(  ) 1 para  0
 
X t(  )   ln X t para  0


3.5.2 MODELOS ESTACIONALES NO ESTACIONARIOS HOMOGENEOS

Otra fuente de estacionariedad en muchas de las series reales del ámbito energético
lo constituye la estacionalidad. Para desestacionalizar las series se procede a la
diferenciación estacional.

Los modelos estacionales no estacionarios pero homogéneos, ARIMA(P,D,Q), se


expresan mediante:

Z t  1 Z t s  2 Z t 2s .......P Z t Ps    ut  1 ut s ....... Q ut Qs

ó
Z t   Ds X t  (1  Ls ) D X t

La expresión resumida de ARIMA(P, D, Q) será:

P (Ls )(1  Ls ) D X t     Q (Ls )ut


donde
 p (LS )  1  1 Ls  2 L2s ......... P LPs
 Q (Ls )  1  1 Ls   2 L2s ......... Q LQs

3.5.3 MODELOS MULTIPLICATIVOS GENERALES

Los modelos estacionales puros no van a ser los que con mayor frecuencia nos sirvan
para caracterizar una serie temporal estacional, debido a que normalmente no están
solamente relacionadas las observaciones que distan s períodos, sino que lo habitual
es que dentro de períodos no estacionales también existan relaciones. Los modelos
que conjugan ambos tipos de interdependencias entre las observaciones son los
modelos multiplicativos general, los mismos que se denotan abreviadamente como
ARIMA(p,d,q)xARIMA(P,D,Q), y que se expresan como:

P (Ls ) p (L)(1  Ls ) D (1  L) d X t   Q (Ls ) q ( L)ut

En forma general, esta expresión se puede dar como:


Dr. Salome Gonzáles .MODELOS ENERGETICOS

P ( Ls ) p ( L)  (1  Ls ) D (1  L) d X t      Q ( Ls ) q ( L)ut

donde  es la media de Z t  (1  L ) (1  L) X t
s D d

3.6 ETAPAS PARA LA ELABORACION DE UN MODELO ARIMA

Partiendo de una determinada serie temporal se trata de averiguar qué modelo


ARIMA(p,d,q)x ARIMA(P,D,Q) es susceptible de haber generado dicha serie, es decir,
qué modelo representa adecuadamente el comportamiento de la misma, con el fin de
utilizarlo para obtener predicciones de valores futuros de la serie en cuestión. Para ello
se siguen cuatro etapas: identificación, estimación, chequeo o validación, y predicción.

IDENTIFICACION. Identificar una serie temporal consiste en inducir, a partir de los


datos, la función de autocorrelación muestral y la función de autocorrelación parcial
muestral, qué modelos ARIMA se adaptarían mejor a las características de la serie.
Cuando se trata de una serie no estacionaria, primeramente se procede a
estacionarizar la serie, tanto en media, es decir, identificación del valor d y D
(estacionalidad), como en varianza, esto es identificar el valor de  . Una vez que esta
serie transformada es estacionaria (en media y en varianza) se deben de averiguar los
posibles valores tanto de la parte regular del modelo (autorregresiva, p, y medias
móviles, q) como de la parte estacional (autorregresiva, P, y medias móviles, Q).

ESTIMACION. Identificados los posibles modelos que han podido generar la serie
temporal, se trata de cuantificar los parámetros de los mismos. Los dos problemas
fundamentales a los que se enfrenta la estimación de los modelos ARIMA son el de los
valores iniciales (de los parámetros, de la serie y de los ruidos) y el de no linealidad.

Se trata de estimar los parámetros i , i =0, ......, p+P+q+Q, donde:

 i  i i  1,....., p
 i  i  p i  p  1,......, p  P
 i   i ( p  P ) i  p  P,........., p  P  q
 i   i ( p  P q ) i  p  P  q  1,..........., p  P  q  Q
i c i0

Si Bi es la estimación del parámetro i , la primera etapa en la validación del modelo


consistirá en comprobar si los coeficientes Bi son significativamente distintos de cero.
Para ello, sobre cada parámetro, se planteará la hipótesis nula, esto es H 0 :  i  0.
Dicha hipótesis puede ser interpretada como que la variable asociada al parámetro i
no mejora el ajuste con respecto al obtenido con las restantes variables incluidas en el
modelo. Si el p-valor asociado al valor del estadístico de contraste t es menor que  ,
se rechazará la hipótesis nula al nivel de significación  .

VALIDACION. La etapa de validación o chequeo se centra fundamentalmente en



analizar si los residuos del modelo ( ut ) tienen un comportamiento similar a las
perturbaciones del mismo (ut ); esto es, si puede afirmarse que son semejantes a un
ruido blanco. Adicionalmente, se tratará de comprobar la calidad de las estimaciones,
Dr. Salome Gonzáles .MODELOS ENERGETICOS

así como el cumplimiento de las estimaciones de los parámetros de las condiciones de


estacionariedad e invertibilidad que deben satisfacer los parámetros de estos modelos.

PROYECCION. Tras la validación, viene el fin básico de esta metodología, esto es, la
obtención de predicciones de valores futuros de la serie temporal. Una vez obtenidas
las predicciones del modelo se trata de volver a chequear la adecuación del mismo,
pudiendo utilizar para ello tanto métodos no paramétricos (como el error cuadrático
medio) como paramétricos (estadísticos de contenido informativo, exactitud y
corroboración). A continuación se ha confeccionado un diagrama de flujo que resume
el proceso a seguir para el cálculo de predicciones mediante modelos ARIMA.

DATOS DE LA SERIE

IDENTIFICACION
CALCULO DE ESTADISTICOS TRANSFORMACION
DE LA SERIE DE LA SERIE

¿ES LA SERIE NO SELECCION DE


ESTACIONARIA? d, D Y 

SI
DETERMINACION DE
p, q, P, Q

ESTIMACION
 CALCULO DE ESTIMADORES
 CALCULO DE ESTADISTICOS DE LOS
ESTIMADORES Y DE LOS RESIDUOS

VALIDACION

¿ES EL MODELO NO
ADECUADO?

PROYECCION SI
 CALCULO DE PREDICCIONES
 CALCULO DE ESTADISTICOS PARA
EVALUACION DE LA CAPACIDAD
PREDICTIVA

¿PREDICE
NO
CORRECTAMENTE?
Dr. Salome Gonzáles . MODELOS ENERGETICOS

3.7 PROCESO DE CALCULO Y ELEMENTOS DE PROGRAMACION

Para el desarrollo cuantitativo de las proyeicciones de las variables energéticas a


evaluar, han de tenerse en cuenta los siguientes puntos:

 Creación de una base de datos


 Elección de los modelos o técnicas de predicción
 Elección del programa o programas de cómputo
 Elaboración del modelo
 Cálculo numérico de las predicciones

Los elementos de programación pueden ser:

 Programas computacionales en donde se generen códigos propios de


trabajo en proyecciones. Entre los que se ha utilizado se tiene el FORTRAN
y el MATLAB.

 Programas computacionales que dispongan de herramientas de base para


cálculo predictivo y a su vez sean accesibles a su modificación
computacional. Entre los que se ha utilizado se tiene el SPSS y E-VIEWS.

3.8 SECUENCIA DE CÁLCULO DE UN MODELO ARIMA UTILIZANDO EL


PROGRAMA SPSS

A continuación, se presenta la secuencia referencial para el cálculo de un modelo


ARIMA, utilizando el Programa SPSS

1º) ANALISIS DE ESTABILIDAD EN VARIANZA

En general, cualquier serie natural, a lo largo de su evolución histórica puede


presentar una variabilidad no constante, esto es que la varianza sea dependiente del
tiempo (exista heterocedasticidad). En muchos casos la variabilidad no aumenta con el
tiempo sino con el nivel de la serie. Por tanto, se tendrá que efectuar una
transformación de la variable para de esta forma estabilizar la varianza.

PRUEBA DE LEVENE

La prueba de Levene permite comprobar la hipótesis de que los grupos anuales de


datos mensuales formados, proceden de poblaciones con varianza común. En el caso
de que la hipótesis de homogeneidad de varianzas fuera rechazada, podría ser debido
a que la dispersión de la serie cambia con la tendencia central. Una situación
frecuente es que en los periodos en los que la tendencia central es grande también lo
sea la dispersión. En esta situación existe una familia de transformaciones que puede
estabilizar la varianza, transformaciones de Box-Cox, que en la práctica obedecen a la
siguiente expresión:

 para p  0
p
 Xt
Xt   ln X t para p  0


Dr. Salome Gonzáles . MODELOS ENERGETICOS

Siendo p, el múltiplo de un medio más próximo al poder de transformación


proporcionado por el gráfico de nivel y dispersión. El poder de transformación es igual
a uno menos la pendiente de la recta de regresión mínimo -cuadrática ajustada a los
cinco puntos generados. Debe tenerse en cuenta que esta familia de transformaciones
no solo permite estabilizar la varianza sino que además puede proporcionar
normalidad.

Así, la prueba de Levene permitirá contrastar la hipótesis nula de que no existen


diferencias significativas entre las varianzas de la serie temporal en estudio, en los “n”
grupos anuales conformados.

Con el programa SPSS se realiza esta prueba estimando el poder de transformación p


mediante el comando exploración dispersión-nivel con test de Levene, mediante la
siguiente secuencia:

ANALIZAR – ESTADISTICOS DESCRIPTIVOS – EXPLORAR (ingresar la


variable) – GRAFICOS (seleccionar Dispersión por nivel con Prueba de Levene
y marcar Estimación de Potencia)

2º) ANALISIS DE ESTABILIDAD EN MEDIA Y DE ESTACIONALIDAD

Para estabilizar la media de la serie en estudio puede ser necesario aplicar diferencias
regulares (de orden d) y estacionales (de orden D).

Las órdenes de diferenciación se determinan luego del análisis de estabilidad en


varianza, tomando como referencia:

 El comportamiento gráfico de la serie


 El comportamiento de las funciones de autocorrelación simple (FAC) y parcial
(FACP)
 El uso de estadísticos de medición de error para elegir el mejor arreglo, dentro
de un juego de posibilidades
 El contraste de raíces unitarias para verificar la estacionariedad de la serie

Si la serie en estudio presenta tendencia creciente o decreciente, su FAC tendrá una


estructura positiva con decrecimiento lento hacia cero (memoria larga), entonces esta
tendencia puede estabilizarse aplicando sucesivas diferencias regulares d

 d X t  (1  L) d X t

Otro factor de no estacionariedad de series reales es la estacionalidad, que se


manifiesta como una pauta regular de comportamiento periódico en la serie. Si en el
gráfico de la serie no se muestra evidente la presencia de estacionalidad, entonces se
recurre a representar la FAC. En el caso de que la serie observada presentara
estacionalidad de periodo s la FAC mostrará coeficientes altos con decrecimiento lento
en los retardos s, 2s, 3s,….. Entonces la estacionalidad se puede eliminar aplicando
diferencias sucesivas estacionales D, de periodo s:

 sD X t  (1  Ls ) D X t
Dr. Salome Gonzáles . MODELOS ENERGETICOS

La conjunción de la estabilidad en varianza con la estabilidad en media y de


estacionalidad, conllevan a que la nueva serie transformada obedezca a un proceso
estocástico estacionario lineal ARMA, y a partir de allí determinar las ordenes
autorregresivas y de medias móviles.

En series temporales características de comportamientos energéticos, comúnmente


los valores de d y D se encuentran entre 0, 1 ó 2.

3º) DETERMINACION DE LAS ORDENES AUTORREGRESIVAS Y MEDIAS


MOVILES

La identificación de las órdenes autorregresivas y de medias móviles de la parte


regular del modelo (p,q), se realiza a partir de las funciones FAC y FACP muestrales,
las mismas que se comparan con el comportamiento de los retardos típicos de las
FAC y FACP teóricas

De igual forma, la identificación de los parámetros autorregresivos y de medias


móviles de la parte estacional (P y Q), se realiza a partir de las funciones FAC y FACP
muestrales para la serie diferenciada estacionalmente, considerando exclusivamente
los retardos estacionales s, 2s, 3s……, y teniendo como patrón de comportamiento a
las FAC y FACP teóricas

Como ejemplo de gráfico FAC, se tiene para un caso en el que se ha identificado


solamente una orden estacional de media móvil Q =1 , MA(1), cuya característica en
salida SPSS es la siguiente:

1,0 Coefficient
Upper
Confidence Limit
Lower
Confidence Limit

0,5
ACF

0,0

-0,5

-1,0

12 24 36 48 60

Lag Number

4º) ESTIMACION DE PARAMETROS

Una vez determinada las ordenes autorregresivas y medias móviles, se trata de


estimar los parámetros o coeficientes del modelo ARIMA ( i , i , i , i ), cuya
expresión general es:

 P ( Ls ) p ( L)(1  Ls ) D (1  L) d X t   Q ( Ls ) q ( L)u t  C
Dr. Salome Gonzáles . MODELOS ENERGETICOS

Siendo:
 ( L)  1   1 L   2 L2 .......... p Lp
( L)  1  1 L   2 L2  ..........  P LP
 ( L)  1  1 L   2 L2 ........ q Lq
( L)  1  1 L   2 L2  ........  Q LQ
C: Constante

Los coeficientes se obtienen mediante la siguiente secuencia de comandos en SPSS:

ANALIZAR – SERIES TEMPORALES – ARIMA (ingresar la variable, ingresar


las ordenes regulares y estacionales autorregresivas y de medias móviles, así
como las diferenciaciones regular y estacional)

La estimación de los parámetros i ,i , i y i generalmente se realiza por los


métodos máxima verosimilitud condicional y máxima verosimilitud exacta. En base a
ello es importante señalar que los distintos programas que se utilizan, pueden
proporcionar valores diferentes de los parámetros calculados para un mismo modelo
ARIMA; pues además se suma la diferencia de algoritmos utilizados por cada
programa.

En el proceso de ajuste de cada modelo ARIMA tentativo, una vez ingresado las
ordenes ARIMA (p,d,q)x(P,D,Q) al programa utilizado, se comprueba si los parámetros
calculados por dicho programa son significativamente distintos de cero. Ello se realiza
mediante la probabilidad asociada al estadístico t –Student (Approx Sig), para
contrastar la hipótesis nula de que el parámetro correspondiente es igual a cero.

Para un determinado caso en estudio, el cuadro de salida en SPSS del modelo ARIMA
sin considerar efectos externos, es la siguiente:

Approx
Parameter Estimates Estimates Std Error t Sig
Seasonal Lags Seasonal
.491 .137 3.578 .001
MA1

Donde, el parámetro estimado tendrá significancia estadística (valor como tal, el


calculado), cuando el estadístico t-Student (t) posea un valor no menor de 2 y/o el
estadístico Approx Sig. (p-valor) tenga un valor no mayor de 0.05.

5º) IDENTIFICACION DEL MODELO ARIMA CON SUCESOS EXTERNOS

Los sucesos externos se determinan una vez identificado el modelo ARIMA, generado,
aparentemente sin intervenciones ni atípicos. Con la visualización del comportamiento
de los residuos del modelo ARIMA base, se identifican los atípicos.

Las intervenciones se obtienen a partir de la visualización gráfica de la serie,


identificando todos los valores extremos, secuenciales y puntuales, a los que
Dr. Salome Gonzáles . MODELOS ENERGETICOS

posteriormente se les evalúa el grado de significancia estadística cuando se les


somete a algún tipo de filtro (p.e. función impulso o escalón).

6º) ESTIMACION DEL MODELO ARIMA CON SUCESOS EXTERNOS

Una vez comprobada la significancia de los sucesos externos seleccionados, se


procede a estimar los coeficientes del modelo ARIMA de base, incluyendo dichos
efectos externos.

Como ejemplo de salida en SPSS, de un determinado Modelo ARIMA óptimo,


considerando las intervenciones y atípicos, tiene la forma siguiente:

Error Sig.
Estimaciones típico t aprox.
Retardos no MA1
.361 .104 3.476 .001
estacionales
Coeficientes de Nov01 -61.413 15.162 -4.050 .000
regresión Abr02 47.709 15.162 3.147 .002
Dic04 36.278 15.162 2.393 .019
Mar08 -99.776 22.640 -4.407 .000
Abr08 -61.577 22.660 -2.717 .008
Jul08 44.093 21.937 2.010 .048

3.9 APLICACIONES A LA DEMANDA Y OFERTA PERUANA DE


ELECTRICIDAD, GAS Y OTROS ENERGÉTICOS

Como aplicaciones se van a realizar cálculos de proyecciones de variables temporales


en diferente resolución, características del comportamiento de la demanda eléctrica
y/o gasífera del Perú, tales como:

Proyecciones de variables energéticas primarias para el dimensionado


de sistemas de generación de energías renovables: hidráulica, eólica,
solar.
Proyecciones de la demanda y oferta eléctrica por zonas y sectores de
consumo final y útil
Proyecciones de la demanda de gas natural por sectores de consumo
final
Dr. Salome Gonzáles . MODELOS ENERGETICOS

PARTE 4

MODELOS ECONOMETRICOS DE PROYECCIONES DE DEMANDA ELECTRICA

4.1 CAMPO DE APLICACIÓN DE LOS MODELOS ECONOMETRICOS

La exigencia cada vez mayor de lograr acertar con mayor eficiencia el futuro de
cualquier variable temporal, sea económico, energético o social, viene a ser la garantía
del éxito en cualquier tipo de planificación estratégica. En el ámbito energético, los
modelos econométricos cobran especial importancia, dentro de un plan de desarrollo
de mediano o largo plazo.

Sus aplicaciones son diversas, entre ellas se tienen:

 Plan referencial de electricidad de sistemas eléctricos integrados, nacionales y


regionales, donde se pueden realizar las proyecciones de la demanda eléctrica
por sectores de consumo utilizando variables explicativas sociales,
económicas, ecológicas
 Plan referencial de energía, por fuentes
 Plan referencial de energía, por usos
 Fijación Tarifaria de la energía eléctrica, gasífera, petrolera

4.2 CARACTERÍSTICAS FUNDAMENTALES DE UN MODELO


ECONOMÉTRICO

Un modelo econométrico, en términos generales, viene a ser una relación funcional


entre una variable dependiente (por ejemplo, la demanda de energía eléctrica) y otra u
otras variables independientes o explicativas de la primera (por ejemplo, el producto
bruto interno PBI, la población, la tarifa eléctrica, el ingreso per-cápita, etc.), bajo el
cumplimiento de condicionantes tanto estadísticas como de la teoría económica.

4.2.1 CONDICIONANTES ESTADÍSTICAS

Bajo el plano estadístico, el modelo de regresión lineal por mínimos cuadrados


ordinarios que describe y proyecta a la variable dependiente, deberá cumplir con los
siguientes requisitos:

 Las variables participantes deben ser o transformarse en estacionarias


 El término de error del modelo lineal, debe comportarse como un ruido blanco;
es decir, que la esperanza matemática del término de error sea cero, la
varianza del error sea constante y se demuestre ausencia de autocorrelación
entre los errores (covarianza nula).
 No existencia de colinealidad entre regresores o variables independientes,
consecuentemente, ausencia de multicolinealidad en la matriz de
observaciones correspondientes a las variables independientes del modelo.
 Los parámetros o coeficientes de cada variable explicativa deben ser
constantes.
Dr. Salome Gonzáles . MODELOS ENERGETICOS

 Gran bondad o grado de ajuste del modelo, medido por el coeficiente de


determinación R2. Un alto grado de ajuste de la regresión calculada, se verá
manifestado por valores del coeficiente de autodeterminación cercano a la
unidad.
 Representatividad o significancia estadística del coeficiente de cada variable
explicativa participante en el modelo seleccionado (medido por el estadístico t-
Student ó el p-valor).
 Ausencia de autocorrelación serial de primer orden de los residuos de la
regresión calculada (residuos incorrelados). El contraste de la presencia de
autocorrelación serial de primer orden, es medido comunmente por el
estadístico Durbin Watson (DW)
Entre las pruebas a realizar para el cumplimiento de estas condicionantes se tienen:

 Bondad o grado de ajuste del modelo, medido por el coeficiente de


determinación R2.
 Estacionariedad, medido por el estadístico Dickey–Fuller Aumentado, ADF.
 Prueba de significancia de la variable en el modelo, medido por el estadístico t-
Student.
 Contraste de la presencia de autocorrelación serial de primer orden, medido
por el estadístico Durbin Watson, DW.

LA ESTACIONARIEDAD DE UNA VARIABLE TEMPORAL

Una variable temporal, alcanza la condición de estacionaria cuando su


comportamiento no depende del tiempo; es decir; no posee ni tendencia ni
estacionalidad. Ello se mide, en el sentido amplio (débil), cuando su esperanza
matemática y varianza no dependen del tiempo, y la covarianza entre dos periodos de
tiempo distintos solamente depende del lapso de tiempo transcurrido entre estos dos
periodos.

En el campo aplicativo, como es el caso, prácticamente no existe variable o series


históricas que sean estacionarias de origen, dado que siempre se caracterizan por
tener tendencia y/o estacionalidad. Consecuentemente, para darle un tratamiento
modelístico a la serie original necesariamente se tendrá que aplicar transformaciones
apropiadas hasta alcanzar el nivel de estacionariedad aproximada.

Para eliminar la tendencia de una serie original, se realizan diferencias sucesivas


(diferencia entre el valor de una variable de un periodo a otro inmediato anterior). El
número de veces que se efectúa estas diferencias sucesivas se denomina orden de
diferenciación o grado de integración

Para eliminar la heteroscedasticidad de la serie original (varianza no constante), se


realizan ciertas transformaciones previas que pueden ser transformaciones
logarítmicas (potencia cero) o potenciales (raíz cuadrada directa o inversa, cuadrática,
etc.).

Como consecuencia de tratar con series no estacionarias de origen, todo analista que
trabaja con modelos econométricos debe ser consciente de los riesgos de una
Dr. Salome Gonzáles . MODELOS ENERGETICOS

valoración poco exigente de los resultados obtenidos. En particular un coeficiente de


determinación (R2) elevado y unos parámetros estadísticamente significativos no
pueden servir de argumento fundamental para aceptar un modelo. Por tanto,
adicionalmente se deberá comprobar:

 La lógica económica de las variables que explican la evolución general de la


endógena (signos correctos y valores aceptables de los parámetros).
 Un comportamiento de los errores históricos de predicción acorde con una
correcta especificación del modelo (comportamiento de ruido blanco y no
existencia de errores excepcionales).
 Que el modelo recoja adecuadamente los puntos de cambio de tendencia.
 El modelo sea una herramienta eficaz de predicción (comprobación de mínimo
error entre la variable real y el modelo).

4.2.2 CONDICIONANTES DE LA TEORÍA ECONÓMICA

Estas condicionantes muestran la interrelacion de las variables participantes


obedeciendo la teoría económica. Una relación económica entre la demanda eléctrica,
el PBI y la traifa eléctrica, sería la siguiente:
 La demanda de energía eléctrica, DEM, se comporta como la demanda de un
bien necesario
 El producto bruto interno, PBI, se comporta como el ingreso económico para
la adquisición del bien necesario.
 La tarifa eléctrica, TARIFA, se comporta como el precio para la adquisición
del bien necesario.
Bajo este criterio, una forma de modelo econométrico podría estar conformado por la
siguiente relación:

DE  C * PBI  TARIFA
Donde:
: Elasticidad ingreso del bien DE, que puede adoptar valores positivos
mayores a cero y no menores a uno
: Elasticidad del precio del bien DEM, adoptará valores negativos entre -1
y0
C: Constante
La forma linealizada de la anterior expresión, se determina aplicando logaritmos
naturales:

LnDE  C0   * LnPBI   * Ln TARIFA


Bajo esta forma los parámetros  y  responderán al concepto de elasticidad ingreso
y elasticidad precio constantes. Las elasticidades constantes permiten determinar el
crecimiento porcentual que experimentaría la demanda eléctrica frente a cada punto
de crecimiento del PBI o TARIFA.
Dr. Salome Gonzáles . MODELOS ENERGETICOS

Por tanto, bajo el criterio de la teoría económica, es recomendable estructurar un


modelo en el que se practique una transformación logarítmica a las variables DE, PBI
y TARIFA

El grado de complicación para alcanzar buenos resultados en la aplicación de esos


modelos, dependerá de las siguientes características de cada una de las variables
participantes o series históricas:
 Número de observaciones
 Tendencia evolutiva
 Estacionalidad y/o ciclaje
 Irregularidad o aleatoriedad

4.3 ANALISIS DE REGRESIONES

En un modelo econométrico, el análisis de regresión determina la relación existente


entre la variable dependiente y las otras independientes, sobre la base de la
estimación de la media poblacional de la primera condicionada a los valores ya
conocidos y fijos de las segundas.

Para fines de predicción, lo más habitual es que se utilicen datos de las variables
referidas a un período temporal, relacionadas mediante el siguiente modelo
matemático denominado regresión lineal de la variable dependiente y con k variables
explicativas x:

yt  0  1 x1t   2 x2t  .............   k xkt  ut


Siendo:
1 x1t   2 x2t  .............   k xkt : Combinación lineal de las variables
independientes
0 : Constante o Intercepto
ut : Término de error o perturbación, parte aleatoria

Este ordenamiento matemático se puede descomponer en una parte determinística,


conformada por la combinación lineal de las variables independientes incluyendo el
intercepto, y una parte aleatoria dada por el término de error. Este término de error
origina que el modelo sea estocástico, cuya inclusión representa la existencia de un
componente aleatorio en las respuestas de los agentes económicos y a la presencia
de innumerables influencias de menor importancia no modeladas de forma explícita.

4.4 EL ESTIMADOR DE MINIMOS CUADRADOS

Los parámetros o coeficientes  deben ser estimados por una función estimador, el
mismo que se vale de los datos históricos disponibles de las variables participantes.
Así, partir de los datos históricos de cada una de las variables implicadas se determina
el estimador lineal de los parámetros  del modelo, tal que minimiza la suma de los
errores al cuadrado (de allí en nombre de estimador de Mínimos Cuadrados
Ordinarios):
Dr. Salome Gonzáles . MODELOS ENERGETICOS

 
n n
Min  e  Min  yt   0  1 x1t  ...........   k xkt
2 2
t
t 1 i 1

El objetivo del análisis de regresión no se basa únicamente en la estimación


matemática de los coeficientes  , sino también en la posibilidad de hacer inferencia
estadística acerca de la significancia de dichos estimados. Un coeficiente resulta
significativo cuando la variable que lo acompaña, ofrece un aporte marginal
estadísticamente importante a la explicación del comportamiento de la variable
explicada

Dado que los estimadores depende de la variable aleatoria y, estos son también una
variable aleatoria, por lo que es posible conocer su distribución y hacer inferencia
acerca de cuan cerca o lejos se encuentran dichos valores estimados de los
verdaderos valores poblacionales. Para realizar este análisis ha de tenerse en cuenta
el cumplimiento de algunos de los supuestos siguientes, quienes determinarán la
posibilidad de interpretar adecuadamente los estimados obtenidos y que garantizan
que el estimador de Mínimos Cuadrados Ordinarios sea el más apropiado para el
cálculo predictivo:

 El modelo es de carácter estocástico


 El término de error o perturbación obedece a un ruido blanco. Un ruido blanco
es un proceso estocástico que posee esperanza matemática nula, varianza
constante y ausencia de autocorrelación entre errores
 El modelo es lineal en los parámetros
 Los parámetros son constantes
 Las variables explicativas son linealmente independientes
 Las variables independientes son fijas o determinísticas

4.5 FORMULACIÓN DEL MODELO ECONOMÉTRICO

La formulación del modelo energético-econométrico a partir de las otras variables


explicativas, obedeciendo a criterios estadísticos y econométricos, se realiza bajo el
siguiente diagrama de flujo:
Dr. Salome Gonzáles . MODELOS ENERGETICOS

Tratamiento de la Información
de las variables temporales
participantes

Selección del Modelo


Econométrico: Relación
funcional entre variables:
dependiente y explicativas TRANSFORMACIONES
EN BASE A:
 Criterio estadístico
 Criterio de la teoría
económica

Estimación de los Inferencia sobre


parámetros o los estimados
coeficientes

Proyecciones
20xx-20yy

Toma de decisiones
Dr. Salome Gonzáles . MODELOS ENERGETICOS

4.5.1 ESPECIFICACION FUNCIONAL

Inicialmente, para la especificación de un modelo econométrico se propone una


formulación uniecuacional o biecuacional de regresión, en la cual se relacione la
variable dependiente o endógena con las variables explicativas o exógenas y la
perturbación aleatoria. Luego este arreglo matemático tiene que cumplir las
condicionantes tanto estadísticas como las de la teoría económica.
Entonces; se debe definir el número de ecuaciones que expresan el fenómeno, las
variables que explican causalmente a la variable endógena y la forma funcional que
las relaciona. Con respecto a la perturbación aleatoria, se tiene que contrastar sus
propiedades estadísticas.
Por ejemplo, una especificación tentativa del modelo econométrico que relaciona a la
Demanda Eléctrica con variables explicativas socio-económicas, estaría dada por la
siguiente expresión:

DEMANDA  C0   PBI    TAR  POB


Dónde:
DEMANDA: Variable endógena representativa de la demanda eléctrica del
SEIN
PBI: Producto Bruto Interno del Perú
TAR: Tarifa media anual de electricidad
POB: Población del Perú
[ ]: Operador matemático
C0: Constante

El corchete en la expresión, significa el operador matemático que se le pudiera aplicar


a cada a variable. Estas características matemáticas operativas, se determinan en
base al cumplimiento de los condicionantes estadísticos y econométricos. Entonces; el
modelo energo-econométrico final puede tener las siguientes características:

 Modelo lineal en niveles


 Modelo lineal con transformación logarítmica
 Modelo lineal con transformación logarítmica y en primeras diferencias

4.5.2 PRUEBAS PARA LA ELECCION DE LAS VARIABLES Y EL MODELO

Las pruebas fundamentales para la verificación del cumplimiento de los condicionantes


estadísticos, que garantizan la validez y representatividad de un modelo econométrico
seleccionado, son los siguientes:

 Estacionariedad y orden de integración de las variables participantes en


cada modelo: prueba de raíz unitaria de Dickey-Fuller Aumentado, ADF.
La presencia de raíz unitaria es indicativa de que la variable en prueba no es
estacionaria, lo cual se demuestra cuando los valores absolutos de los
estadísticos ADF son menores que el valor crítico absoluto de Mackinnon al 5%
Dr. Salome Gonzáles . MODELOS ENERGETICOS

de significancia. En el caso de que se demuestre ausencia de raíz unitaria,


será indicativo que la serie en prueba es estacionaria.
 Colinealidad entre las variables explicativas en cada modelo: prueba con
matriz de correlaciones. El análisis de colinealidad permite determinar si cada
regresor, inicialmente considerado, guarda independencia lineal o no con los
demás regresores. El requisito fundamental para que un modelo sea apropiado
para predicciones es la independencia lineal entre regresores. En sentido
estricto, un regresor o variable explicativa será linealmente independiente con
otro cuando el coeficiente de correlación entre ambos (correlación cruzada) es
cercano a cero.

En términos prácticos cuando el coeficiente de correlación entre dos variables


explicativas es mayor de 0.75, es indicativo de un alto grado de correlación y
por tanto no sería posible estimar el modelo con la presencia de ambas
variables. Para tal efecto, la verificación de colinealidad se realiza mediante el
cálculo de la matriz de correlaciones con las variables explicativas que
especifican a cada modelo.

 Especificación funcional: prueba de Ramsey. La prueba Reset de Ramsey


permite la comprobación de la correcta especificación polinómica (funcional) de
un modelo estimado; es decir, que no se hayan omitido algunos otros
regresores que pueden ser potencias y/o productos cruzados de los regresores
ya incluidos en el modelo inicialmente especificado.

 Estabilidad de los parámetros. La prueba de residuos recursivos permite


determinar la existencia de posibles quiebres estructurales en los modelos. Un
quiebre estructural es indicativo de que los parámetros de la ecuación de
regresión no son constantes a lo largo de toda la muestra. Uno de los
supuestos que garantiza la calidad del estimador de mínimos cuadrados
ordinarios en el proceso de estimación de un determinado modelo, es
precisamente que los parámetros sean constantes (estables); vale decir, que
exista un único proceso generador de datos para toda la muestra en análisis.

 Causalidad unidireccional: prueba de Granger. El principio de exogeneidad


indica que las variables explicativas en un determinado modelo, no deben estar
sometidas a algún grado de retroalimentación proveniente de los valores
pasados de la variable dependiente. Es decir; para efectuar inferencias válidas
sobre los parámetros estimados de la regresión, correcta especificación del
modelo y consecuente uso como modelo de predicción, debe existir solamente
una relación unidireccional entre variables explicativas y variable explicada.

4.5.3 MODELOS ECONOMÉTRICOS UNIECUACIONALES

En la especificación funcional previa del modelo a seleccionar, se parte de la premisa


que la demanda eléctrica está explicada por el comportamiento evolutivo del producto
bruto interno, la población y la tarifa promedio nacional, ello bajo una relación de
regresión con determinada transformación (p.e. en logaritmos).

La aplicación de logaritmos permite, por un lado, la explicación econométrica de los


coeficientes de la regresión formulada, y por otro, que cada variable participante
alcanza estabilidad en sus varianzas.
Dr. Salome Gonzáles . MODELOS ENERGETICOS

Con la finalidad de filtrar los efectos externos o atípicos, se procede al rastreo a lo


largo del tamaño muestral, de donde se obtiene los atípicos existentes y proceder a su
filtrado. Por ejemplo en el caso de la demanda eléctrica del Perú, se dio un atípico
ocasionado por el racionamiento de energía eléctrica en el año 1992; al ser un caso
puntual se opta por su filtrado mediante una función del tipo pulso (Int92).

Entonces; la regresión propuesta tendrá la siguiente forma genérica:

Log Demanda  C0   LogPBI   LogTAR   LogPOB   Int92


Una vez que se realizan las pruebas de cumplimiento de los condicionantes
estadísticos a cada variable participante y a la ecuación de regresión, se verifica lo
siguiente:

 Bondad o grado de ajuste del modelo, medido por el coeficiente de


determinación R2.
 Significancia de la variable en el modelo, medido por el estadístico t-Student; p-
valor u otro
 Contraste de la presencia de autocorrelación serial de primer orden de los
residuos, medido por el estadístico Durbin Watson - DW.

Si se cumple con cada uno de los condicionantes indicados, se demostrará que el


arreglo econométrico uniecuacional calculado, corresponderá a una ecuación de
regresión representativa. En caso contrario, se estaría frente a una ecuación de
regresión espuria o falsa, por lo que se probaría con modelos biecuacionales de
naturaleza cointegrada.

4.5.4 MODELOS ECONOMÉTRICOS BIECUACIONALES: MODELOS COINTEGRA


DOS

Denominados también Modelos de Corrección de Error o Modelo de Corrección de


Equilibrio; están conformados por:
 Un modelo Estructural (Modelo del Error – Relación de Largo Plazo, expresado
a través de la ecuación de Cointegración) y
 Un modelo de Corrección de Error, el cual expresa la dinámica de Corto Plazo.

La primera ecuación que relaciona a la variable dependiente con las explicativas,


estará conformada bajo un determinado arreglo de regresión.

La segunda ecuación corresponde al modelo de corrección de error, la misma que


recoge la dinámica de corto plazo. Su especificación funcional se basa en una
regresión donde la variable dependiente viene a ser la primera diferencia de la variable
dependiente, mientras que las variables explicativas lo conforman el primer retardo de
los residuos generados por el modelo estructural (“error de largo plazo”); además,
seguido de los posibles primeros retardos de las diferencias de la variable
dependiente, los retardos de las diferencias de las variables explicativas, siempre que
estos demuestren significancia y consistencia estadística.

4.6 APLICACIONES A LA DEMANDA Y OFERTA ENERGETICA DEL PERU