Bosquejo de Resolución TP 4

Anastacio – Tan Jun Ríos
Economía Aplicada - 2022
TP 4: Modelo de Series Estacionarias

Punto 1
1
Al graficar la serie E en el tiempo observamos que tiene media constante igual a

cero y tiene varianza constante. Además, realizamos el correlograma de la serie y
determinamos que la autocorrelación en el tiempo es cercana o igual a cero. Esto nos
permite determinar que esta muestra de datos cumple con las condiciones de un proceso
de Ruido Blanco.
Punto 2
En este punto, es necesario tener presente cuáles son las condiciones para que una
serie sea estacionaria. Estas son: tener media y varianza contante y que las covarianzas
no dependan del tiempo.
En la serie A se observa que la media y la varianza son constantes. Sin embargo,

no se puede determinar con sólo ver el gráfico de la serie en el tiempo si las covarianzas
no dependen del tiempo, para eso realizamos el autocorrelograma.
2
En el gráfico de la serie B en el tiempo, podemos ver que es estacionaria en media,

sin embargo, no parece tener varianza constante. En este caso, tampoco podemos ver
claramente (sin hacer el autocorrelograma) si las covarianzas son independientes del
tiempo.
En la serie C se observa que la media y la varianza son constantes. Sin embargo,

no se puede determinar con sólo ver el gráfico de la serie en el tiempo si las covarianzas
no dependen del tiempo, para eso debo realizar el autocorrelograma.
3
En la serie D, también se observa que la media y la varianza son constantes. Sin

embargo, no se puede determinar con sólo ver el gráfico de la serie en el tiempo si las
covarianzas no dependen del tiempo, para eso debo realizar el autocorrelograma.
En el gráfico de la serie F en el tiempo, podemos ver que es estacionaria en media,

sin embargo, no parece tener varianza constante. En este caso, tampoco podemos ver
claramente (sin hacer el autocorrelograma) si las covarianzas son independientes del
tiempo.
4
Punto 3
Para la serie a
Completamos la etapa de identificación con el correlograma de la serie. En el

mismo, se observa para ACF que los coeficientes de autocorrelación caen
geométricamente hasta cero. En PACF se observa que el primer coeficiente de correlación
parcial es igual al coeficiente de correlación y los demás coeficientes de correlación
parcial son cercanos a cero. Por lo tanto, analizando ACF y PACF, podemos determinar
que efectivamente la serie a sigue un proceso AR(1) con raíz positiva.
En la etapa de estimación, con el objetivo de seleccionar un modelo estacionario
parsimonioso que tenga un buen ajuste, probamos el modelo AR(1) sin constantes (la
constante no era significativa). En esta etapa pudimos corroborar que la serie sigue un
proceso AR(1).
Finalmente, en la etapa de diagnóstico, graficamos los residuos de la serie en el
tiempo y observamos que los mismos tienen media constante igual a cero y tienen
varianza constante. Además, realizamos un correlograma de los residuos y determinamos
que la autocorrelación en el tiempo es cercana o igual a cero. Esto nos permite determinar
que los residuos de la serie cumplen con las condiciones de un proceso de Ruido Blanco.
5
6
7
Para la serie b

mismo, se observa para ACF que los coeficientes de autocorrelación caen oscilantemente
hasta cero. En PACF se observa que el primer coeficiente de correlación parcial es igual
al coeficiente de correlación (negativo) y los demás coeficientes de correlación parcial
son cercanos a cero. Por lo tanto, analizando ACF y PACF, podemos determinar que la
serie a sigue un proceso AR(1) con raíz negativa.
En la etapa de estimación, con el objetivo de seleccionar un modelo estacionario
parsimonioso que tenga un buen ajuste, probamos el modelo AR(1) sin constantes (la
constante no era significativa). En esta etapa pudimos corroborar que efectivamente la
serie sigue un proceso AR(1).
tiempo y pudimos observar que los mismos tienen media constante igual a cero y tienen
varianza constante. Además, realizamos un correlograma de los residuos y pudimos
determinar que la autocorrelación en el tiempo es cercana o igual a cero. Esto nos permite
determinar que los residuos de la serie cumplen con las condiciones de un proceso de
Ruido Blanco.
8
9
10
Para la serie c

mismo, se observa para ACF que el primer coeficiente de autocorrelación genera un pico
negativo, y los restantes coeficientes son cercanos a cero. En PACF se observa que los
coeficientes de autocorrelación parcial decaen geométricamente a cero. Por lo tanto,
analizando ACF y PACF, podemos determinar que la serie a sigue un proceso MA(1)
con raíz negativa.
Así, en la etapa de estimación, con el objetivo de seleccionar un modelo
estacionario parsimonioso que tenga un buen ajuste, probamos el modelo MA(1) sin
constantes (la constante no era significativa). En esta etapa pudimos corroborar que
efectivamente la serie sigue un proceso MA(1).
Ruido Blanco
11
12
13
Para la serie d

mismo, se observa para ACF que los coeficientes de autocorrelación genera un
movimiento ondulatorio tanto negativo como positivo que va convergiendo a cero. En
PACF se observa que picos en los dos primeros coeficientes de autocorrelación parcial,
y el resto de coeficientes son cercanos a cero. Por lo tanto, analizando ACF y PACF,
podemos determinar que la serie a sigue un proceso AR(2).
estacionario parsimonioso que tenga un buen ajuste, probamos el modelo AR(2) sin
constantes (la constante no era significativa). En esta etapa pudimos corroborar que
efectivamente la serie sigue un proceso AR (2).
Ruido Blanco.
14
15
16
Para la serie f

mismo, se observa para ACF que los coeficientes de autocorrelación decaen
oscilantemente convergiendo a cero. En PACF se observa que los coeficientes de
autocorrelación parcial decaen geométricamente tendiendo a cero. Por lo tanto,
analizando ACF y PACF, podemos determinar que la serie a sigue un proceso ARMA(1,
1) con raíz negativa de AR(1).
estacionario parsimonioso que tenga un buen ajuste, probamos el modelo ARMA(1, 1)
sin constantes (la constante no era significativa). En esta etapa pudimos corroborar que
efectivamente la serie sigue un proceso ARMA(1, 1).
Ruido Blanco.
17
18
19
Punto 4
DGA
20
Cuando graficamos el DGA en el tiempo, podemos ver que tiene tendencia, no es

una serie estacionaria. Por lo tanto, no tiene mucha importancia analizar el correlograma
en nivel de la serie. Para poder analizar cuál es el proceso que sigue la serie, podemos
analizar el correlograma en primeras diferencias.
21
DGI
22
Cuando graficamos el DGI en el tiempo, podemos ver que tiene tendencia, no es

una serie estacionaria. Por lo tanto, no tiene mucha importancia analizar el correlograma
en nivel. Para poder analizar cuál es el proceso que sigue la serie, podemos analizar el
correlograma en primeras diferencias. En el mismo, podemos analizar en el ACF que hay
picos que se destacan (más altos) en los lags 12, 24 y 36 indicando la presencia de
estacionalidad en la serie. Esto se debe, en primer lugar, al vencimiento de ganancias.
23
SEGURIDAD SOCIAL
24
Cuando graficamos la serie de SEGURIDAD SOCIAL en el tiempo, podemos ver

que tiene tendencia, no es una serie estacionaria. Por lo tanto, no tiene mucha importancia
analizar el correlograma en nivel. Para poder analizar cuál es el proceso que sigue la serie,
podemos analizar el correlograma en primeras diferencias. En el mismo, podemos
analizar en el ACF que hay picos que se destacan (más altos) en los lags 6, 12, 18, 24, 30
y 36 indicando la presencia de estacionalidad en la serie. Esto se debe probablemente al
pago de aguinaldos que se hace dos veces por año, cada seis meses.
25
TOTAL
26
Cuando graficamos la serie de RECAUDACIÓN TOTAL en el tiempo, podemos

ver que tiene tendencia, no es una serie estacionaria. Por lo tanto, no tiene mucha
importancia analizar el correlograma en nivel. Para poder analizar cuál es el proceso que
sigue la serie, podemos analizar el correlograma en primeras diferencias. En el mismo,
podemos analizar en el ACF que hay picos que se destacan (más altos) en los lags 12, 24
y 36 indicando la presencia de estacionalidad en la serie. Esto se debe al comportamiento
predominante que tiene la recaudación DGI en el total.
27
Punto 5
DGI
Utilizamos el modelo de Box y Jenkins para encontrar el modelo que mejor ajusta
a la recaudación de DGI, lo primero que probamos es un modelo MA(2) con corrección
por estacionalidad MA(12). Los elegimos porque en el ACF de primeras diferencias de
la serie se observa que existen picos en los dos primeros momentos y luego se hace cero,
también se observa picos por estacionalidad en los momentos 12, 24 y 36. En el PACF
de primeras diferencias se observa oscilante decreciente.
De este modelo, obtuvimos que los coeficientes de MA(1), MA(2), MA(12) son
significativos al 1%. El coeficiente del criterio de Akaike es 21,48 y el coeficiente del
criterio de Schwartz es 21,53. Todas las raíces se encuentran dentro del circulo unitario.
Además, en el gráfico de los residuos en el tiempo observamos un pico en el año 2016
que podría corresponder con el blanqueamiento de capitales. Por último, en el
correlograma de los residuos se observa que no se corrigió por completo la estacionalidad.
Probamos otro modelo que incorpore la interacción entre la parte estacional y la
no estacional y obtuvimos que los coeficientes de MA(1), MA(2), MA(12), MA(13) son
criterio de Schwartz es 21,48. Todas las raíces se encuentran dentro del círculo unitario.
Además, en el gráfico de los residuos en el tiempo también se observa el pico en el año
2016 ya mencionado. Por último, en el correlograma de los residuos se observa un pico
por estacionalidad en el periodo 24.
Probamos un tercer modelo en el cual incorporamos otra corrección MA(24).
Obtuvimos que los coeficientes de MA(1), MA(2), MA(12), MA(13) y MA(24) son
Por último, en el correlograma de los residuos se observa corregida casi por completo la
estacionalidad.
Probamos un cuarto modelo en el que incluimos una corrección AR(12) para
eliminar la estacionalidad. En este modelo, también, se cumple que todos los coeficientes
son significativos al 1%. El coeficiente del criterio de Akaike es 21,22 y el coeficiente
del criterio de Schwartz es 21,27. Todas las raíces se encuentran dentro del círculo
unitario. Por último, en el correlograma de los residuos se observa corregida
completamente la estacionalidad.
28
Comparando los cuatro modelos vemos que en todos los casos los coeficientes son
significativos, y las raíces se encuentran dentro del círculo unitario. Entonces, el criterio
que usamos para elegir son los criterios de Akaike y de Schwartz y el correlograma de
los residuos. El modelo que mejor ajusta es el cuarto ya que los coeficientes de estos
criterios son los menores y en su correlograma desaparece la estacionalidad. Los gráficos
y tablas correspondiente a este modelo son los siguientes:
29
30
SEGURIDAD SOCIAL
Utilizamos el modelo de Box y Jenkins para encontrar el modelo que mejor ajusta
a la recaudación de DGI, lo primero que probamos es un modelo MA(1) con corrección
por estacionalidad MA(12). Los elegimos porque en el ACF de primeras diferencias de
la serie se observa que existe un pico en el primer momento y luego se hace cero, también
se observa picos por estacionalidad en los momentos 6, 12, 18, 24, 30 y 36. En el PACF
de primeras diferencias se observa geométricamente decreciente.
De este modelo, obtuvimos que los coeficientes de MA(1), MA(12) son
Además, en el gráfico de los residuos en el tiempo observamos un aumento en la varianza
a partir del 2008 que podría corresponder con la finalización de las AFJP y el inicio de la
AUH (2009). Por último, en el correlograma de los residuos se observa que no se corrigió
la estacionalidad.
Para ver si desaparece esa diferencia en la varianza, se puede probar utilizando el
logaritmo de la serie (es lo que se recomienda como paso inicial, sino se podría utilizar
un modelo autoregresivo condicional heterocedástico, ARCH, que veremos más
adelante).
no estacional y obtuvimos que los coeficientes de MA(1), MA(12), MA(13) son
Además, en el gráfico de los residuos en el tiempo también se observa un comportamiento
parecido al ya mencionado. Por último, en el correlograma de los residuos se observa que
sigue sin corregirse la estacionalidad.
Probamos un tercer modelo en el que incluimos una corrección AR(12) para
eliminar la estacionalidad. En este modelo, también, se cumple que los coeficientes
MA(1), AR(12) son significativos al 1%. El coeficiente del criterio de Akaike es 18,15 y
el coeficiente del criterio de Schwartz es 18,19. Todas las raíces se encuentran dentro del
círculo unitario. Por último, en el correlograma de los residuos se observa corregida
completamente la estacionalidad.
Probamos un último modelo que incorpore la interacción entre la parte estacional
y la no estacional, agregando una corrección AR(13). En este caso el coeficientes de
AR(13) no es significativo. El coeficiente del criterio de Akaike es 18,15 y el coeficiente
31
del criterio de Schwartz es 18,20. Todas las raíces se encuentran dentro del círculo
unitario, pero una de las raíces de AR es cero. Por último, en el PACF del correlograma
de los residuos se observa picos en los momentos 18 y 30, que podrían representar
estacionalidad.
También se puede probar corregir la estacionalidad con un MA(6) o un AR(6),
aparte de MA(12) o AR(12) según corresponda. Es probable que con este nuevo
modelado se logre corregir la volatilidad en los residuos a partir del 2008.
significativos, salvo el coeficiente de AR(13) en el modelo cuatro. Todas las raíces se
encuentran dentro del círculo unitario. Los criterios de Akaike y de Schwartz sugieren
que el mejor ajuste es del modelo tres, coincidente con lo que nos indica el correlograma
de los residuos. El modelo que mejor ajusta, entonces, es el tercero. Los gráficos y tablas
correspondiente a este modelo son los siguientes:
32
33
Punto 6
Utilizando los datos del EMAE (Estimador Mensual de Actividad Económica)
propiciado por el INDEC, realizamos el procedimiento Box – Jenkins para determinar a
qué proceso ARIMA corresponde la serie.
34
35
Primero realizamos el grafico de la serie en el tiempo, observamos que la serie

tiene una tendencia creciente y que la relación entre los componentes es aditiva (los picos
de la serie son parecidos en cualquier, no se ven afectado por la escala). Luego, realizamos
el correlograma de la serie en primeras diferencias para corregir la no estacionariedad (en
el gráfico de la serie en el tiempo se ve claramente que la media no es constante) y
observamos que podría corresponder a un modelo con parte no estacional MA(1) y con
clara presencia de estacionalidad (picos en los momentos 12, 24 y 36). Por lo tanto,
probamos un modelo en el que corregimos la estacionalidad con MA(12).
De este modelo, obtuvimos que los coeficientes de MA(1), MA(12) son
Además, en el gráfico de los residuos en el tiempo observamos que la varianza y la media
son constantes. Por último, en el correlograma de los residuos se observa que no se
corrigió la estacionalidad.
no estacional y obtuvimos que el coeficiente de MA(13) no es significativo. El coeficiente
del criterio de Akaike es 6,30 y el coeficiente del criterio de Schwartz es 6,36. Todas las
raíces se encuentran dentro del círculo unitario. Además, en el gráfico de los residuos en
el tiempo también se observa un comportamiento parecido al ya mencionado. Por último,
en el correlograma de los residuos se observa que sigue sin corregirse la estacionalidad.
Probamos un tercer modelo en el que incluimos una corrección AR(12) para
eliminar la estacionalidad. En este modelo, los coeficientes MA(1) y AR(12) son
Por último, en el correlograma de los residuos se observa corregida completamente la
estacionalidad.
Probamos un último modelo que incorpore la interacción entre la parte estacional
y la no estacional, agregando una corrección AR(13). En este caso el coeficientes de
AR(13) no es significativo. El coeficiente del criterio de Akaike es 5,82 y el coeficiente
del criterio de Schwartz es 5,88. Todas las raíces se encuentran dentro del círculo unitario,
pero una de las raíces de AR es cero. Por último, en el gráfico de los residuos en el tiempo
observamos que la media es constante, pero la varianza no.
significativos, salvo el coeficiente de AR(13) en el modelo cuatro. Todas las raíces se
36
encuentran dentro del círculo unitario. Los criterios de Akaike y de Schwartz sugieren
que el mejor ajuste es del modelo tres, coincidente con lo que nos indica el correlograma
de los residuos. El modelo que mejor ajusta, entonces, es el tercero. Los gráficos y tablas
correspondiente a este modelo son los siguientes:
Tener en cuenta que, para esta serie en particular, también se puede probar un
ARMA(2,2) por la forma que tiene el correlograma. Sin embargo, no nos quedó
significativo el coeficiente de AR(2).
37
38

Bosquejo de Resolución TP 4

Cargado por

Copyright:

Formatos disponibles

Bosquejo de Resolución TP 4

Cargado por

Información del documento

Descripción 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

Bosquejo de Resolución TP 4

Cargado por

Copyright:

Formatos disponibles

Anastacio – Tan Jun Ríos

Economía Aplicada - 2022

TP 4: Modelo de Series Estacionarias

Al graficar la serie E en el tiempo observamos que tiene media constante igual a

En la serie A se observa que la media y la varianza son constantes. Sin embargo,

En el gráfico de la serie B en el tiempo, podemos ver que es estacionaria en media,

En la serie C se observa que la media y la varianza son constantes. Sin embargo,

En la serie D, también se observa que la media y la varianza son constantes. Sin

En el gráfico de la serie F en el tiempo, podemos ver que es estacionaria en media,

Completamos la etapa de identificación con el correlograma de la serie. En el

Completamos la etapa de identificación con el correlograma de la serie. En el

Completamos la etapa de identificación con el correlograma de la serie. En el

Completamos la etapa de identificación con el correlograma de la serie. En el

Completamos la etapa de identificación con el correlograma de la serie. En el

Cuando graficamos el DGA en el tiempo, podemos ver que tiene tendencia, no es

Cuando graficamos el DGI en el tiempo, podemos ver que tiene tendencia, no es

Cuando graficamos la serie de SEGURIDAD SOCIAL en el tiempo, podemos ver

Cuando graficamos la serie de RECAUDACIÓN TOTAL en el tiempo, podemos

Primero realizamos el grafico de la serie en el tiempo, observamos que la serie

También podría gustarte