UNIVERSIDAD NACIONAL DE TRUJILLO

FACULTAD DE CIENCIAS ECONMICAS

ESCUELA PROFESIONAL DE ECONOMA ESCUELA DE ECONOMA
MODELO ARIMA - PBI TRIMESTRAL
PER 1990 2010

CURSO ECONOMETRA II

DOCENTE JORGE ZEGARRA PINTO

INTEGRANTES

NORIEGA BARRERA SISSY
RAVELO PRIETO SERGIO
RODRIGUEZ SALINAS ROXANA


CICLO VI A


TRUJILLO - 2011






1

PRESENTACIN

A partir de la teora economtrica de los procesos ARMA, es decir, de los aspectos tericos
que deben satisfacer dichos procesos, el analista debe encontrar aquel modelo que ms se
ajuste al comportamiento de sus datos. Aunque en la prctica, la mayora de las veces, no
resulta sencillo determinar, de manera inequvoca, cual es el modelo ms adecuado para
una serie econmica. Lo cual conlleva la necesidad de analizar el alcance de la
metodologa, cuando se est trabajando con el modelo correcto y cuando no.

Dos son los objetivos principales de esta prctica. En primer lugar, aprender a simular o
generar procesos ARMA a partir de la programacin directa que permite Eviews y observar
que caractersticas tienen dichos procesos.

En segundo lugar, mostrar cmo aplicar la metodologa Box-Jenkins a los procesos
generados, y as poder analizar cules son las potencialidades y las limitaciones de dicha
metodologa.

En concreto, se especificar un modelo ARMA(1,1), y utilizando la posibilidad que ofrece
Eviews de programar, simularemos dicho proceso generador de datos (PGD) que hayamos
especificado. Una vez, la serie ha sido generada es posible analizar cmo funciona la
metodologa de Box-Jenkins, del tratamiento emprico de series temporales. Dicha
metodologa consta de cuatro fases: identificacin, estimacin, validacin y prediccin. En
la primera de las fases, el analista debe identificar qu proceso ARMA resulta ms
adecuado a sus datos, determinando los rdenes p y q del proceso ARMA, a partir de un
anlisis grafio de la serie y de sus correlaciones.





2

En la segunda fase, una vez seleccionado el modelo, se procede a la estimacin de los
parmetros de este. Esto permite pasar a la tercera fase de validacin, en la cual se realizan
los habituales test de significacin individual y conjunta de los parmetros, se estudia si el
modelo satisface las condiciones de estacionalidad e invertibilidad, se analiza la matriz de
correlaciones entre los parmetros, se realizan contrastes de la media de la serie, y se
analizan las funciones de autocorrelacin simple (FAS) y parcial (FAP).de los residuos
estimados. Si un modelo satisface los criterios de validacin, pasa a la ltima fase, en la
cual se utiliza el modelo estimado para predecir el comportamiento de la serie en el futuro.

Si por el contrario, un modelo no pasa la etapa de validacin, el analista debe volver a
especificar el modelo, es decir, volver a la etapa 1. Aplicando dichas fases al modelo
correcto y a un modelo incorrecto pretendemos analizar la habilidad de la metodologa de
seleccionar e mejor modelo.














3

INTRODUCCIN

En 1970, Box y Jenkins desarrollaron un cuerpo metodolgico destinado a identificar,
estimar y diagnosticar modelos dinmicos de series temporales en los que la variable
tiempo juega un papel fundamental. Una parte importante de esta metodologa est pensada
para liberar al investigador econmetra de la tarea de especificacin de los modelos
dejando que los propios datos temporales de la variable a estudiar nos indiquen las
caractersticas de la estructura probabilstica subyacente. En parte, los procedimientos que
vamos a analizar se contraponen a la "forma tradicional" de identificar y especificar un
modelo apoyndonos en las teoras subyacentes al fenmeno analizado aunque,
convenientemente utilizados, los conceptos y procedimientos que examinaremos
constituyen una herramienta til para ampliar y complementar los conocimientos
economtricos bsicos.
Se comenzar analizando los modelos en los que una variable es explicada utilizando
exclusivamente una "exgena": su propio pasado. Podemos decir que la consideracin
exclusiva de los valores pasados de una determinada variable para explicar su evolucin
presente y futura supone, al mismo tiempo, una ventaja y un inconveniente
La ventaja radica en el hecho de no necesitar distintas series de datos (distintas variables)
referidas al mismo perodo de tiempo (caracterstica comn a todos los modelos
univariantes) y, al mismo tiempo, ahorrarnos la identificacin y especificacin del modelo
en el sentido de la econometra tradicional.
El inconveniente es que, al renunciar a la inclusin de un conjunto ms amplio de variables
explicativas, no atendemos a las relaciones que sin duda existen entre casi todas las
variables econmicas perdiendo capacidad de anlisis al tiempo que renunciamos,
implcitamente, al estudio terico previo del fenmeno y a su indudable utilidad.





4

SERIES DE TIEMPO MODELO ARIMA
Los Modelos de Series Temporales pueden ser: Univariantes y Multivariantes.

UNIVARIANTES
Slo se analiza una serie temporal en funcin de su propio pasado. Un modelo univariante
para un proceso estocstico univariante o escalar (Yt) es cualquier conjunto de hiptesis
bien definidas sobre ciertas propiedades tericas de las distribuciones de probabilidad
(conjuntas, marginales o condicionales) de los componentes del proceso (Yt) del que se
supone procede una serie temporal observada:

Procesos Autorregresivos AR(q)
Los procesos o filtros autorregresivos estn diseados de modo que el comportamiento de
una variable en un instante de tiempo depende de valores pasados de la propia variable.
As, si el valor de la variable u en el momento t depende de su valor en el periodo anterior
ms un trmino aleatorio se dice que el proceso es autorregresivo de primer orden AR(1).
Si la relacin de dependencia se establece con los p valores anteriores el proceso ser
autorregresivo de orden p. Matemticamente estos procesos se expresan del siguiente
modo:


Donde t es un proceso de ruido blanco y por tanto con esperanza nula, varianza constante
y covarianza nula.




5

Procesos de Medias Mviles MA(q)
Los procesos de medias mviles, por su parte, se estructuran estableciendo una relacin de
dependencia entre la variable que se modela y un conjunto de retardos de la variable de
ruido blanco et. Si slo existe un retardo de la variable de ruido blanco el proceso ser de
orden 1, mientras que si existe una combinacin lineal de q trminos de error de ruido
blanco el proceso se denomina MA(q).





Procesos Mixtos ARIMA(p,I,q)
Si el comportamiento de una variable se modela combinando procesos autorregresivos y de
medias mviles se denomina ARMA. As un modelo ARMA(p,q) se caracteriza por una
sucesin de p trminos autorregresivos y q trminos de medias mviles; esto es:



El objetivo que se plantea ser entonces conocer qu esquema sigue la perturbacin y cul
es la mejor estructura para su modelizacin





6

DESARROLLO DEL MODELO USANDO LA METODOLOGIA BOX-JENKINS
Para hacer el siguiente modelo de series de tiempo metodologa ARI MA, contamos con
datos trimestrales de la variable PBI real medida en millones de soles, trimestres
comprendidos entre los aos 1990-2010.
Los pasos para ir construyendo un proceso ARIMA que sea estable y valido son:
La metodologa de Box-Jenkins
Especificacin inicial.
Contrastes de races unitarias.
Anlisis de correlogramas simples y correlogramas parciales
Estimacin.
Valoracin de modelos
Contrastes de hiptesis sobre los coeficientes
Anlisis de residuos

La metodologa Box-Jenkins
La metodologa propuesta por Box y Jenkins para el anlisis de series temporales consiste
en los siguientes pasos:
1. Determinar la transformacin estacionaria de la serie.
2. Analizar el correlograma simple y el correlograma parcial para determinar cul es el
modelo apropiado para la transformacin estacionaria
3. Estimar los parmetros del modelo
4. Diagnstico para comprobar que el modelo satisface los supuestos inciales,
fundamentalmente que las innovaciones no estn relacionadas con el pasado.
5. En el caso de que las innovaciones no sean ruido blanco, proponer un modelo
alternativo en funcin de la informacin contenida en el correlograma de los residuos.



7


Puede notarse como tiene una tendencia creciente a travs del tiempo, de esta grafica a
simple vista se comprueba que la serie PBI real no es estacionaria en la media ya que esta
crece a travs del tiempo. Por tal motivo se podra decir que para que la serie sea
estacionaria deber diferenciarse al menos una vez, lo que nos dara una serie estacionaria
de orden 1.

CONTRASTES DE RAZ UNITARIA
El contraste Dickey-Fuller Aumentada y la de Phillips-Perron estn diseados para
contrastar la siguiente hiptesis:

Bajo la nula, estamos interesados en la raz positiva: Estamos contrastando si tenemos
un paseo aleatorio.
Siempre tenemos que incluir una constante en el modelo porque estamos contrastando
frente a la alternativa de estacionalidad (no de media cero).
Es un contraste unilateral.



8

Por razones numricas, el contraste se basa en la estimacin por MCO de la siguiente
ecuacin:




El estadstico t se calcula de la forma habitual. Sin embargo, su distribucin asinttica debe
ser obtenida numricamente porque, bajo la hiptesis nula, la serie no es estacionaria y la
teora asinttica habitual no se puede utilizar.

Como se ve la serie es estacionaria en 1 diferencia es decir es integrada de orden 1, ya que
al hacer ambos test estos coinciden que es estacionaria en 1 diferencia.



PRUEBA DE RAIZ UNITARTIA
VARIABLE AUGMENTED DICKEY- FULLER PHILLIPS-PERRON
ESTACIONARIEDAD INTERCEPT INTERCEPT Y
TREND
NONE INTERCEPT INTERCEPT Y
TREND
NONE
PBI REAL
TRIMESTRAL
NIVELES 1.173114
( 0.9978)
-0.400577
( 0.9859)
2.331243
( 0.9950)
1.272594
( 0.9984)
-4.542781
( 0.0024)
4.529763
( 0.9996)
1DIFERENCIA -4.251303
( 0.0009)
-5.260788
( 0.0002)
-3.619846
( 0.0004)
-21.42557
( 0.0001)
-57.51839
( 0.0001)
-21.32474
( 0.0000)



9

FUNCIONES DE AUTOCORELACCIN
Para tener una nocin del tipo de modelo que se puede poner en prctica se hace uso de los
correlogramas, para ver si se trata de un AR(p) y de un MA(q) en su componente regular,
as como tambin podra se el caso de observarse una SAR(s) o un SMA(s) en su
componente estacional, con lo que el proceso integrara la parte regular y la parte estacional
en un mismo modelo, con lo que se generara un modelo SARI MA.

Se puede ver que es un AR(1) en la funcin de autocorrelacin parcial FACP y adems en
la funcin de autocorrelacin simple FAS se puede ver claramente que no decae
rpidamente sino que lo hace de forma muy lenta, lo que adems nos dice que no es una
serie estacionaria en niveles sino que al menos debe diferenciarse una vez para volverse
estacionaria.



10

ESPECIFICACIN INICIAL

Dada una serie temporal concreta, la primera etapa para su anlisis es la especificacin de
un modelo inicial para ajustar a dicha variable. La propuesta de dicho modelo inicial se
basar en:
1. Primero determinar cul es la transformacin estacionaria
2. Analizar los correlogramas de la transformacin estacionaria para determinar los
rdenes del modelo ARMA estacional multiplicativo adecuado.
Existen una serie de transformaciones que son muy habituales en un contexto de series
temporales y son tiles en el momento de especificar una ecuacin. Tenemos las siguientes
transformaciones de la variable PBI que usaremos en nuestro modelo:

dPBI : Crea la variable dPBI como la primera diferencia de la serie PBI.
lpbi : Crea la variable lPBI como el logaritmo de la serie PBI.
dsPBI: Crea la variable dsPBI como la diferencia estacional de la serie PBI. Si la serie es
trimestral, s ser igual a 4, si es mensual ser 12, etc.
dlPBI: Crea la variable lPBI como la primera diferencia del logaritmo de la serie PBI.
dslPBI: Se obtiene la misma transformacin que antes, pero sobre la frecuencia estacional
respectiva.







11

MODELOS SARIMA dlPBI(p,I,q)x(p,I,q)
S





Dependent Variable: DLPBI
Method: Least Squares
Date: 12/17/11 Time: 22:29
Sample (adjusted): 1991Q3 2010Q4
Included observations: 78 after adjustments
Convergence achieved after 15 iterations
Backcast: 1990Q2 1991Q2


Variable Coefficient Std. Error t-Statistic Prob.


AR(1) 0.659513 0.046886 14.06623 0.0000
SAR(4) 1.025686 0.007092 144.6207 0.0000
MA(1) -0.705345 0.059472 -11.86014 0.0000
SMA(4) -0.954761 0.015924 -59.95752 0.0000


R-squared 0.883509 Mean dependent var 0.011954
Adjusted R-squared 0.878786 S.D. dependent var 0.068279
S.E. of regression 0.023772 Akaike info criterion -4.590693
Sum squared resid 0.041818 Schwarz criterion -4.469836
Log likelihood 183.0370 Durbin-Watson stat 1.958599


Inverted AR Roots 1.01 .66 .00+1.01i -.00-1.01i
-1.01
Estimated AR process is nonstationary
Inverted MA Roots .99 .71 -.00+.99i -.00-.99i
-.99








12

CORRELOGRAMA DE LOS RESIDUOS

Se lleva a cabo para ver si siguen un proceso de ruido blanco, y si estos estn
dentro de los mrgenes estn normalmente distribuidos.

dlPBI (1,1,1)x(1,1,1)
4

Como se aprecia el correlograma muestra que los residuos estn dentro de los parmetros.
Por tanto siguen un proceso de ruido blanco



13



HISTOGRAMA DE NORMALIDAD DE LOS RESIDUOS












14

CONCLUSIONES
En cuanto a los coeficientes del modelo son individualmente significativos, segn el
contraste de la t de student.

o El modelo cumplen las condiciones de estacionalidad y de invertibilidad puesto que
tanto las races de los polinomios autorregresivos como los de media mvil caen
fuera del crculo de radio unidad.

o Desde el punto de vista del correlograma de los residuos estos estn dentro de los
mrgenes lo que nos dice que sigue un proceso de ruido blanco y por lo tanto
tambin podemos decir que los residuos estn normalmente distribuidos.

o A su vez, las matrices de correlaciones de los coeficientes de estos modelos no
muestran signos de multicolinealidad.

o El modelo es vlido por el lado de que la suma de los residuos al cuadrado tambin
arroja una cifra pequea 0.041818, mientras que el coeficiente de correlacin nos da
arroja un 88,35%.















15

ANEXO
TRIMESTRES PBI REAL (Millones S/.) TRIMESTRES PBI REAL (Millones S/.)
1 Trimestre 1990 21.898,399785 3 Trimestre 2000 29.373,685000
2 Trimestre 1990 21.831,485636 4 Trimestre 2000 29.490,728000
3 Trimestre 1990 18.375,423867 1 Trimestre 2001 28.463,417000
4 Trimestre 1990 19.927,101338 2 Trimestre 2001 32.086,553000
1 Trimestre 1991 19.628,879000 3 Trimestre 2001 29.914,732000
2 Trimestre 1991 21.740,915000 4 Trimestre 2001 30.852,385000
3 Trimestre 1991 21.335,224000 1 Trimestre 2002 29.400,211116
4 Trimestre 1991 21.054,673000 2 Trimestre 2002 34.169,754000
1 Trimestre 1992 20.877,017000 3 Trimestre 2002 31.506,047000
2 Trimestre 1992 21.346,073000 4 Trimestre 2002 32.326,001000
3 Trimestre 1992 19.945,192000 1 Trimestre 2003 31.370,869283
4 Trimestre 1992 21.232,275000 2 Trimestre 2003 35.723,629998
1 Trimestre 1993 20.730,811000 3 Trimestre 2003 32.342,838493
2 Trimestre 1993 22.449,160000 4 Trimestre 2003 33.107,503296
3 Trimestre 1993 21.930,118000 1 Trimestre 2004 32.675,552282
4 Trimestre 1993 22.264,500000 2 Trimestre 2004 36.855,407650
1 Trimestre 1994 23.126,908000 3 Trimestre 2004 33.927,633671
2 Trimestre 1994 25.427,870000 4 Trimestre 2004 35.682,651859
3 Trimestre 1994 24.481,670000 1 Trimestre 2005 34.648,838149
4 Trimestre 1994 25.540,996000 2 Trimestre 2005 39.372,569135
1 Trimestre 1995 25.846,606286 3 Trimestre 2005 36.217,481441
2 Trimestre 1995 28.241,906728 4 Trimestre 2005 38.401,089592
3 Trimestre 1995 26.593,904000 1 Trimestre 2006 37.304,988733
4 Trimestre 1995 26.381,472000 2 Trimestre 2006 41.667,286780
1 Trimestre 1996 25.912,633983 3 Trimestre 2006 39.372,865509
2 Trimestre 1996 28.962,807218 4 Trimestre 2006 41.800,295526
3 Trimestre 1996 27.016,216000 1 Trimestre 2007 40.506,604402
4 Trimestre 1996 27.868,337000 2 Trimestre 2007 45.074,175438
1 Trimestre 1997 27.430,945505 3 Trimestre 2007 42.912,619508
2 Trimestre 1997 31.133,131000 4 Trimestre 2007 45.913,467121
3 Trimestre 1997 28.898,202860 1 Trimestre 2008 44.675,585861
4 Trimestre 1997 29.831,708000 2 Trimestre 2008 50.347,093413
1 Trimestre 1998 28.100,675000 3 Trimestre 2008 47.584,770631
2 Trimestre 1998 30.298,589000 4 Trimestre 2008 48.897,760423
3 Trimestre 1998 28.813,898000 1 Trimestre 2009 45.524,811919
4 Trimestre 1998 29.309,088000 2 Trimestre 2009 49.743,660432
1 Trimestre 1999 27.724,269000 3 Trimestre 2009 47.305,162226
2 Trimestre 1999 30.683,672000 4 Trimestre 2009 50.581,766633
3 Trimestre 1999 28.856,015000 1 Trimestre 2010 48.330,171815
4 Trimestre 1999 30.323,460000 2 Trimestre 2010 54.729,044306
1 Trimestre 2000 29.721,821000 3 Trimestre 2010 51.846,886624
2 Trimestre 2000 32.470,708000 4 Trimestre 2010 55.236,832677
FUENTE: ESTADSTICAS PBI PER - BCRP




16

BIBLIOGRAFIA

EN LIBROS:

BOX, G. E. P., y JENKINS, G. M. (1976): Time Series Anlysis. Forecasting and
Control. Holden-Day.

BOX, G. E. P.; PIERCE, D., y NEWBOLD, P. (1987): Estimating Trend and Growth
Rates in Seasonal Time Series", Journal of American Statistical Asociation, 82, 397,
276-282.

CHATFIELD, C, y PROTHERO, D. L. (1973): Box-Jenkins seasonal forecasting:
problems in a case study". Journal of Royal Statistical Society A.. 134, 295-336.

ECONOMETRA DAMODAR N. Gujarati 4 Edicin

ESTADSTICAS ECONMICAS - series trimestrales del Banco Central de Reserva
del Per: http.www.bcrp.gob.pe


EN INTERNET:
http://es.wikipedia.org/wiki/Modelo_autorregresivo_integrado_de_media_m%C3%B3v
il
http://www.dnp.gov.co/Portals/0/archivos/documentos/DEE/Archivos_Economia/181.p
df
http://www.uam.es/personal_pdi/economicas/anadelsur//pdf/Box-Jenkins.PDF
http://www2.uah.es/esd/ST/sesion1.pdf