UNIVERSIDAD NACIONAL DE TRUJILLO

FACULTAD DE CIENCIAS ECONÓMICAS
ESCUELA PROFESIONAL DE ECONOMÍA ESCUELA DE ECONOMÍA
MODELO ARIMA - PBI TRIMESTRAL
PERÚ 1990 – 2010

CURSO ECONOMETRÍA II

DOCENTE JORGE ZEGARRA PINTO

INTEGRANTES

 NORIEGA BARRERA SISSY
 RAVELO PRIETO SERGIO
 RODRIGUEZ SALINAS ROXANA


CICLO VI – “A”


TRUJILLO - 2011






1

PRESENTACIÓN

A partir de la teoría econométrica de los procesos ARMA, es decir, de los aspectos teóricos
que deben satisfacer dichos procesos, el analista debe encontrar aquel modelo que más se
ajuste al comportamiento de sus datos. Aunque en la práctica, la mayoría de las veces, no
resulta sencillo determinar, de manera inequívoca, cual es el modelo más adecuado para
una serie económica. Lo cual conlleva la necesidad de analizar el alcance de la
metodología, cuando se está trabajando con el modelo correcto y cuando no.

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

En segundo lugar, mostrar cómo aplicar la metodología Box-Jenkins a los procesos
generados, y así poder analizar cuáles son las potencialidades y las limitaciones de dicha
metodología.

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 cómo funciona la
metodología de Box-Jenkins, del tratamiento empírico de series temporales. Dicha
metodología consta de cuatro fases: identificación, estimación, validación y predicción. En
la primera de las fases, el analista debe identificar qué proceso ARMA resulta más
adecuado a sus datos, determinando los órdenes p y q del proceso ARMA, a partir de un
análisis grafio de la serie y de sus correlaciones.





2

En la segunda fase, una vez seleccionado el modelo, se procede a la estimación de los
parámetros de este. Esto permite pasar a la tercera fase de validación, en la cual se realizan
los habituales test de significación individual y conjunta de los parámetros, se estudia si el
modelo satisface las condiciones de estacionalidad e invertibilidad, se analiza la matriz de
correlaciones entre los parámetros, se realizan contrastes de la media de la serie, y se
analizan las funciones de autocorrelación simple (FAS) y parcial (FAP).de los residuos
estimados. Si un modelo satisface los criterios de validación, pasa a la última 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 validación, 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 metodología de
seleccionar e mejor modelo.














3

INTRODUCCIÓN

En 1970, Box y Jenkins desarrollaron un cuerpo metodológico destinado a identificar,
estimar y diagnosticar modelos dinámicos de series temporales en los que la variable
tiempo juega un papel fundamental. Una parte importante de esta metodología está pensada
para liberar al investigador económetra de la tarea de especificación de los modelos
dejando que los propios datos temporales de la variable a estudiar nos indiquen las
características de la estructura probabilística subyacente. En parte, los procedimientos que
vamos a analizar se contraponen a la "forma tradicional" de identificar y especificar un
modelo apoyándonos en las teorías subyacentes al fenómeno analizado aunque,
convenientemente utilizados, los conceptos y procedimientos que examinaremos
constituyen una herramienta útil para ampliar y complementar los conocimientos
econométricos básicos.
Se comenzará analizando los modelos en los que una variable es explicada utilizando
exclusivamente una "exógena": su propio pasado. Podemos decir que la consideración
exclusiva de los valores pasados de una determinada variable para explicar su evolución
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 período de tiempo (característica común a todos los modelos
univariantes) y, al mismo tiempo, ahorrarnos la identificación y especificación del modelo
en el sentido de la econometría tradicional.
El inconveniente es que, al renunciar a la inclusión de un conjunto más amplio de variables
explicativas, no atendemos a las relaciones que sin duda existen entre casi todas las
variables económicas perdiendo capacidad de análisis al tiempo que renunciamos,
implícitamente, al estudio teórico previo del fenómeno y a su indudable utilidad.





4

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

UNIVARIANTES
Sólo se analiza una serie temporal en función de su propio pasado. Un modelo univariante
para un proceso estocástico univariante o escalar (Yt) es cualquier conjunto de hipótesis
bien definidas sobre ciertas propiedades teóricas 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 están diseñados de modo que el comportamiento de
una variable en un instante de tiempo depende de valores pasados de la propia variable.
Así, si el valor de la variable u en el momento t depende de su valor en el periodo anterior
más un término aleatorio se dice que el proceso es autorregresivo de primer orden AR(1).
Si la relación de dependencia se establece con los p valores anteriores el proceso será
autorregresivo de orden p. Matemáticamente estos procesos se expresan del siguiente
modo:


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




5

Procesos de Medias Móviles MA(q)
Los procesos de medias móviles, por su parte, se estructuran estableciendo una relación de
dependencia entre la variable que se modela y un conjunto de retardos de la variable de
ruido blanco et. Si sólo existe un retardo de la variable de ruido blanco el proceso será de
orden 1, mientras que si existe una combinación lineal de q términos 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 móviles se denomina ARMA. Así un modelo ARMA(p,q) se caracteriza por una
sucesión de p términos autorregresivos y q términos de medias móviles; esto es:



El objetivo que se plantea será entonces conocer qué esquema sigue la perturbación y cuál
es la mejor estructura para su modelización





6

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

La metodología Box-Jenkins
La metodología propuesta por Box y Jenkins para el análisis de series temporales consiste
en los siguientes pasos:
1. Determinar la transformación estacionaria de la serie.
2. Analizar el correlograma simple y el correlograma parcial para determinar cuál es el
modelo apropiado para la transformación estacionaria
3. Estimar los parámetros del modelo
4. Diagnóstico para comprobar que el modelo satisface los supuestos iníciales,
fundamentalmente que las innovaciones no están relacionadas con el pasado.
5. En el caso de que las innovaciones no sean ruido blanco, proponer un modelo
alternativo en función de la información contenida en el correlograma de los residuos.



7


Puede notarse como tiene una tendencia creciente a través 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 través del tiempo. Por tal motivo se podría decir que para que la serie sea
estacionaria deberá diferenciarse al menos una vez, lo que nos daría una serie estacionaria
de orden 1.

CONTRASTES DE RAÍZ UNITARIA
El contraste Dickey-Fuller Aumentada y la de Phillips-Perron están diseñados para
contrastar la siguiente hipótesis:

Bajo la nula, estamos interesados en la raíz 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 numéricas, el contraste se basa en la estimación por MCO de la siguiente
ecuación:




El estadístico t se calcula de la forma habitual. Sin embargo, su distribución asintótica debe
ser obtenida numéricamente porque, bajo la hipótesis nula, la serie no es estacionaria y la
teoría asintótica habitual no se puede utilizar.

Como se ve la serie es estacionaria en 1º diferencia es decir es integrada de orden 1, ya que
al hacer ambos test estos coinciden que es estacionaria en 1º 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)
1°DIFERENCIA -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 AUTOCORELACCIÓN
Para tener una noción del tipo de modelo que se puede poner en práctica se hace uso de los
correlogramas, para ver si se trata de un AR(p) y de un MA(q) en su componente regular,
así como también podría se el caso de observarse una SAR(s) o un SMA(s) en su
componente estacional, con lo que el proceso integraría la parte regular y la parte estacional
en un mismo modelo, con lo que se generaría un modelo SARI MA.

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



10

ESPECIFICACIÓN INICIAL

Dada una serie temporal concreta, la primera etapa para su análisis es la especificación de
un modelo inicial para ajustar a dicha variable. La propuesta de dicho modelo inicial se
basará en:
1. Primero determinar cuál es la transformación estacionaria
2. Analizar los correlogramas de la transformación estacionaria para determinar los
órdenes del modelo ARMA estacional multiplicativo adecuado.
Existen una serie de transformaciones que son muy habituales en un contexto de series
temporales y son útiles en el momento de especificar una ecuación. 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 será igual a 4, si es mensual será 12, etc.
dlPBI: Crea la variable lPBI como la primera diferencia del logaritmo de la serie PBI.
dslPBI: Se obtiene la misma transformación 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 están
dentro de los márgenes están normalmente distribuidos.


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

Como se aprecia el correlograma muestra que los residuos están dentro de los parámetros.
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, según el
contraste de la t de student.

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

o Desde el punto de vista del correlograma de los residuos estos están dentro de los
márgenes lo que nos dice que sigue un proceso de ruido blanco y por lo tanto
también podemos decir que los residuos están 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 válido por el lado de que la suma de los residuos al cuadrado también
arroja una cifra pequeña 0.041818, mientras que el coeficiente de correlación nos da
arroja un 88,35%.















15

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




16

BIBLIOGRAFIA

EN LIBROS:

 BOX, G. E. P., y JENKINS, G. M. (1976): Time Series Anlysis. Forecas¬ting 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.

 ECONOMETRÍA DAMODAR N. Gujarati 4º Edición

 ESTADÍSTICAS ECONÓMICAS - series trimestrales del Banco Central de Reserva
del Perú: 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

Master your semester with Scribd & The New York Times

Special offer for students: Only $4.99/month.

Master your semester with Scribd & The New York Times

Cancel anytime.