Desarrollo Taller ARIMA

Desarrollo taller ARIMA
Parte A
1. Especifique el orden del modelo ARIMA propuesto, es decir si es un ARIMA (p, d,
q) determine p, d y q
𝑝 = 𝑇é𝑟𝑚𝑖𝑛𝑜𝑠 𝑎𝑢𝑡𝑜𝑟𝑟𝑒𝑔𝑟𝑒𝑠𝑖𝑣𝑜𝑠
𝑑 = 𝐷𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑐𝑖ó𝑛
𝑞 = 𝑇é𝑟𝑚𝑖𝑛𝑜𝑠 𝑑𝑒 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑚ó𝑣𝑖𝑙
Para este caso:
𝑝=0
𝑑=1
𝑞=2
Por lo tanto, es un modelo 𝐴𝑅𝐼𝑀𝐴(0,1,2)
El cual tiene la forma:
𝒚𝒕 = 1000,12 − 0,845908 ∗ 𝑈𝑡−1 − 0,378471 ∗ 𝑈𝑡−2
2. ¿El modelo estimado es estacionario? Explique.
Se dice que un sistema o proceso está en estado estacionario si las variables que definen su
comportamiento (las llamadas variables de estado), respecto del tiempo, permanecen
invariantes. Para el ejemplo de ARIMA presentado, es posible apreciar que el módulo de los
coeficientes (𝑈𝑡−1 𝑦 𝑈𝑡−2) para los dos casos toma el valor de 1,3111 >
1 (𝑉𝑒𝑟 𝑡𝑎𝑏𝑙𝑎 𝑒𝑛 𝑒𝑙 𝑃𝐷𝐹), por lo que se infiere que el modelo sí es estacionario.
3. ¿El modelo estimado es invertible? Explique.
Como 𝑈𝑡−1 𝑦 𝑈𝑡−2 < 1, se puede afirmar que el modelo ARMA presentado, es invertible
4. ¿El modelo estimado cumple los supuestos de los errores de un modelo ARMA?
Explique cada uno de los supuestos.
Los supuestos de los errores en un modelo ARMA están relacionados con el hecho
de que deben ser suido blanco, es decir:
 Media cero (𝜇 = 0)
 Varianza constante (𝜎 2 )
Para poder determinar si se cumplen estaos supuestos, se debe observar el FCA y
FCAP de los residuos.
Los residuos estimados son ruido blanco, ya que tanto la FAC como la FACP no presentan
ningún valor significativo. Todos lo valores se encuentran dentro de las bandas de confianza,
por lo tanto, se puede decir que el modelo es adecuado pare predecir.
5. A partir de las ventas de los meses enero a abril de 2013, pronostique las ventas de
mayo del presente año. Construya la ecuación para pronosticar.
Constante 1000,12
Alfa_1 -0,845908
Alafa_2 -0,378471
Ventas Pronóstico Error

Enero $ 1.032,270 $ 1.040,580 -$ 8,310
Febrero $ 1.029,270 $ 994,293 $ 34,977
Marzo $ 1.007,090 $ 970,334 $ 36,756
Abril $ 940,000 $ 959,588 -$ 19,588
Mayo $ 1.002,7786
Parte B
Caso Aplicado: Tomar la serie correspondiente a su grupo sobre la evolución semanal del
precio de carnicería, A cada una de las series se requiere pronosticar los siguientes 12
periodos y para ello debe aplicar la metodología Box-Jenkins para la construcción del modelo
adecuado (según evaluación de varias posibilidades). Para el modelo seleccionado validar los
supuestos (Error) aplicados en la clase.
La asignación de la serie a cada grupo es la siguiente:

Grupo 1: Media Res Novillo (USD/kg)
Metodología Box-Jenkins
Las tres etapas del modelado iterativo son las siguientes:
1. Identificación y selección del modelo: asegurarse de que las variables son
estacionarias, la identificación de la estacionalidad de la serie dependiente
(diferenciación estacional, para cierto período, si es necesario), y el uso de los
gráficos de las funciones de autocorrelación y de autocorrelación parcial de la serie
de tiempo se utilizan para decidir cuál componente (si es el caso) se debe utilizar en
el modelo, el promedio autorregresivo (AR) o un promedio móvil (MA).
2. Estimación de parámetros usando algoritmos de cálculo para tener coeficientes que
mejor ajusten el modelo ARIMA seleccionado. Los métodos más comunes usan
estimación de máxima verosimilitud o mínimos cuadrados no lineales.
3. Comprobar el modelo mediante el ensayo, si el modelo estimado se ajusta a las
especificaciones de un proceso univariado estacionario. En particular, los residuos
deben ser independientes el uno del otro, además, la media y la varianza deben ser
constantes en el tiempo. (Para identificar los errores de especificación, son útiles la
gráfica de la media y la varianza de los residuos a través del tiempo y la realización
de una prueba de Ljung-Box o bien por medio del trazado de autocorrelación y
autocorrelación parcial de los residuos.) Si la estimación es inadecuada, tenemos que
volver al paso uno e intentar buscar un modelo mejor.
Gráficamente se valida que el patrón de datos tendencia negativa, la serie no es estacionaria

en media ni en varianza. Para validar que no es estacionaria debemos calcular mediante el
correlograma.
Modelo 2: ARIMA, usando las observaciones 2-415 (T = 414)
Variable dependiente: (1-L) MediaResNovilloUSDkg
Desviaciones típicas basadas en el Hessiano
Coeficiente Desv. Típica z valor p
const −0,00268007 0,00427929 −0,6263 0,5311
phi_1 0,314539 0,0490835 6,408 <0,0001 ***
phi_2 −0,00957033 0,0490399 −0,1952 0,8453
Media de la vble. dep. −0,002654 D.T. de la vble. dep. 0,063847

Media de innovaciones 7,07e-06 D.T. innovaciones 0,060579
Log-verosimilitud 573,2860 Criterio de Akaike −1138,572
Criterio de Schwarz −1122,469 Crit. de Hannan-Quinn −1132,204
Real Imaginaria Módulo Frecuencia

AR
Raíz 1 3,5662 0,0000 3,5662 0,0000
Raíz 2 29,2998 0,0000 29,2998 0,0000
El Correlograma nos muestra que la serie no es estacionaria, porque los dos valores no caen
rápidamente a cero (0).
Como se puede observar que, en la anterior gráfica, los datos se suavizan de una mejor forma
al aplicar logaritmo y por lo tanto, es posible realizar el pronóstico
Modelo 2: ARIMA, usando las observaciones 2-415 (T = 414)

Variable dependiente: (1-L) MediaResNovilloUSDkg
Desviaciones típicas basadas en el Hessiano
Coeficiente Desv. Típica z valor p
const −0,00268007 0,00427929 −0,6263 <0,0050 **
phi_1 0,314539 0,0490835 6,408 <0,0001 ***
phi_2 −0,00957033 0,0490399 −0,1952 <0,0084 **
Media de la vble. dep. −0,002654 D.T. de la vble. dep. 0,063847

Media de innovaciones 7,07e-06 D.T. innovaciones 0,060579
Log-verosimilitud 573,2860 Criterio de Akaike −1138,572
Criterio de Schwarz −1122,469 Crit. de Hannan-Quinn −1132,204
Real Imaginaria Módulo Frecuencia

AR
Raíz 1 3,5662 0,0000 3,5662 0,0000
Raíz 2 29,2998 0,0000 29,2998 0,0000
Pronóstico de los doce periodos posteriores
Para intervalos de confianza 95%, z(0,025) = 1,96
Predicción Desv. típica Intervalo de 95%

Observa
ciones
1 2,63204 0,0605788 (2,51331, 2,75077)
2 2,62786 0,100056 (2,43176, 2,82397)
3 2,62476 0,131317 (2,36739, 2,88214)
4 2,62196 0,157283 (2,31369, 2,93023)
5 2,61925 0,179738 (2,26697, 2,97153)
6 2,61656 0,199736 (2,22509, 3,00804)
7 2,61388 0,217920 (2,18676, 3,04099)
8 2,61120 0,234703 (2,15119, 3,07121)
9 2,60852 0,250364 (2,11781, 3,09922)
10 2,60584 0,265101 (2,08625, 3,12543)
11 2,60316 0,279062 (2,05621, 3,15011)
12 2,60048 0,292356 (2,02747, 3,17349)
𝑝 = 𝑇é𝑟𝑚𝑖𝑛𝑜𝑠 𝑎𝑢𝑡𝑜𝑟𝑟𝑒𝑔𝑟𝑒𝑠𝑖𝑣𝑜𝑠
𝑑 = 𝐷𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑐𝑖ó𝑛
𝑞 = 𝑇é𝑟𝑚𝑖𝑛𝑜𝑠 𝑑𝑒 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑚ó𝑣𝑖𝑙
Para este caso:
𝑝=0
𝑑=1
𝑞=2
Por lo tanto, es un modelo 𝐴𝑅𝐼𝑀𝐴(0,1,2)
El cual tiene la forma:
Conclusiones
Hoy día han evolucionado diversas teorías y modelos empíricos que intentan explicar los
determinantes de los tipos de cambio, los cuales incluyen factores del ámbito financiero,
componentes de expectativas y variables de la esfera real de la economía. Cada teoría
contrastada selecciona un método de estimación y muchas veces se obtienen resultados
contradictorios.
A la par del desarrollo teórico en países más desarrollados, en la región latinoamericana se

han identificado numerosos trabajos en torno al tema, que van desde un análisis de los
determinantes del tipo de cambio real, hasta el objetivo explícito de explicar las fluctuaciones
del tipo de cambio spot para su predicción. En general, las técnicas más utilizadas son las de
cointegración que traen asociado un mecanismo de corrección del error. No obstante, se
utilizan los enfoques ARIMA y otros métodos menos tradicionales.
En tal sentido, existe mucha controversia y debate sobre las potencialidades de los diversos
métodos econométricos para explicar y predecir el comportamiento del tipo de cambio. Ya
sean métodos deterministas, de alisamiento, modelos uniecuacionales, de ecuaciones
simultáneas, enfoques ARIMA o modelos VAR para la co-integración, todos enfrentan
defensores y detractores. Por tanto, no se puede afirmar que un método sea apropiado por sí
mismo para explicar cualquier situación cotidiana, sino que deben contrastarse diferentes
variantes y seleccionar aquella que reporte un mejor ajuste de la serie real o menor error de
predicción.

Desarrollo Taller ARIMA

Cargado por

Copyright:

Formatos disponibles

Desarrollo Taller ARIMA

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Desarrollo Taller ARIMA

Cargado por

Copyright:

Formatos disponibles

Desarrollo taller ARIMA

2. ¿El modelo estimado es estacionario? Explique.

3. ¿El modelo estimado es invertible? Explique.

Ventas Pronóstico Error

La asignación de la serie a cada grupo es la siguiente:

Gráficamente se valida que el patrón de datos tendencia negativa, la serie no es estacionaria

Media de la vble. dep. −0,002654 D.T. de la vble. dep. 0,063847

Real Imaginaria Módulo Frecuencia

Modelo 2: ARIMA, usando las observaciones 2-415 (T = 414)

Media de la vble. dep. −0,002654 D.T. de la vble. dep. 0,063847

Real Imaginaria Módulo Frecuencia

Para intervalos de confianza 95%, z(0,025) = 1,96

Predicción Desv. típica Intervalo de 95%

A la par del desarrollo teórico en países más desarrollados, en la región latinoamericana se

También podría gustarte