Professional Documents
Culture Documents
MARCO TEORICO
La papa (Solanum tuberosum) es originaria del altiplano de Amrica del Sur, donde se
consume desde hace ms de 8 mil aos. Los exploradores espaoles llevaron la planta a
Europa a fines del siglo XVI como una curiosidad botnica. Para el siglo XIX se haba
expandido por todo el continente, proporcionando alimentacin abundante y de bajo costo
a los trabajadores de la revolucin industrial.
Fuente:
Compendio Estadstico Agrario 1990 - 1993 OIA - MINAG Produccin Agrcola 1994 - 1999 OIA - MINAG
Estadstica Agrcola Trimestral 2000 - 2001 OIA - MINAG
de
146
435
ha
en
1990
283
760
ha.
en
al
ao
2000.
Asimismo los rendimientos han aumentado de 7.88 a 10.98 t/ha en el mismo perodo. Este
nivel alcanzado es bajo comparado con los rendimientos de papa en Colombia (16 t/ha),
Brasil (15 t/ha), Chile (15 t/ha) y Mxico (21 t/ha). Existen problemas tecnolgicos,
especialmente ligados a la calidad de la semilla y la sanidad, que explican este bajo
desempeo .
Fuente:
Compendio Estadstico Agrario 1990 - 1993 OIA - MINAG
Produccin Agrcola 1994 - 1999 OIA - MINAG
Estadstica Agrcola Trimestral 2000 - 2001 OIA - MINAG
Productos
SubPartida
Total
1996
0710100000
0712909000
1105100000
1105200000
1108130000
2005200000
Papa
congelada
Papas
secas
Harina de
papa
Copos de
papa
Fcula de
papa
Papa
preparada
sin
congelar
74,3
Total
1998 1999
2000
2001
2.049,0 42,4
17,3
3,7
2.850,6 3.590,0
22,9 20,5
16,6
10,5
27,6
26,5
--
--
69,5
30,8
--
0,6
0,2
0,1
0,3
41,5
4,6
0,4
2,1
4,7
1,6
4,8
4,7
1,2
34,9
29,5
14,0
5,1
8,4
--
6,8
0,1
--
Valor FOB
(Miles de US$)
Productos
SubPartida
1997
1996
1997
1998 1999
2000
2001
226,7
270,4
36,6 90,6
789,1
1.096,7
Papa
63,4
151,8 6,9 6,2 619,9 1.024,4
fresca
Papa
0710100000
38,8
33,9 24,9 34,3 26,2
12,0
congelada
Papas
0712909000
46,8
45,4
--111,1
39,6
secas
Harina de
1105100000
-0,8
0,5 0,3
0,3
0,1
papa
Copos de
1105200000
57,9
10,5
1,5 0,7
3,3
2,7
papa
Fcula de
1108130000
8,2
11,1
2,7 27,1 28,2
17,9
papa
Papa
preparada
2005200000
11,6
16,9
-- 22,0
0,2
-sin
congelar
Fuente: Superintendencia Nacional de Aduanas - ADUANAS
0701900000
Las importaciones de papa son mas significativas que las exportaciones. En el ao 2000 se
importaron aproximadamente 13000 toneladas de papa equivalentes a 6575 miles de
dlares. El principal rubro de importacin en el periodo 1996 - 2001 lo representa la Fcula
de papa que fue equivalente al 70% del volumen total exportado para el ao 2000.Sigue en
importancia la papa preparada congelada.
Productos
SubPartida
0701900000
0710100000
0712909000
1105100000
1105200000
1108130000
2005200000
Total
1997
1998
1999
2000
2001
Papa
--fresca
Papa
66,1
85,6
congelada
Papas
--secas
Harina de
193,1
175
papa
Copos de
6.944,3 7.194
papa
Fcula de
1.536,8 2.727
papa
Papa
preparada
362,0
325
sin
congelar
--
(d) 1
0,1
76,9
(d) 2
18
93
--
--
--
197
234
261
128
624
980
2.149
3.336
859
178
202
METODOLOGIA
Las series de tiempo han adquirido un uso tan frecuente e intensivo en la insvestigacin
emprica, que los econometristas han empezado recientemente a prestar cuidadosa atencin
a este tipo de informacin. En el curso de Econometra I, se hizo nfasis en un supuesto
implcito en el cual se basa el anlisis de regresin que considera series de tiempo, esto es,
que dichas series son estacionarias.
Al efectuar la regresin de una variable de serie de tiempo sobre otra variable de serie de
tiempo, con frecuencia obtenemos un R2 muy elevado aunque no haya una relacin
significativa entre las dos. Esta situacin ejemplifica el concepto de regresin espuria. Este
problema surge porque silas dos series de tiempo involucradas presentan tendencias fuertes
Pero surgen las siguientes preguntas. Cmo se disea un modelo para una serie de tiempo
estacionaria?, es decir, qu clase de modelo de regresin se puede utilizar para describir
su comportamiento?, y Cmo se utiliza el modelo estimado para fines de prediccin,
sabiendo que la prediccin es una parte importante del anlisis economtrico?
En trminos generales, hay cuatro enfoques para la prediccin econmica basados en series
de tiempo: (1) Los modelos de regresin uniecuacionales, (2) los modelos de regresin de
ecuaciones simultneas, (3) los modelos autorregresivos integrados de media mvil
(ARIMA) y (4) los modelos de vectores autoregresivos (VAR).
El modelo de serie de tiempo analizado est basado en el supuesto de que las series de
tiempo consideradas son dbilmente estacionarias. En otras palabras, la media y la varianza
para una serie de tiempo dbilmente estacionaria son constantes y su covarianza es
invariante en el tiempo. Pero se sabe que muchas series de tiempo econmicas son no
estacionarias, es decir, son integradas.
Sabemos que si una serie de tiempo es integrada de orden 1, sus primeras diferencias son
I(0), es decir, estacionarias. En forma similar, si una serie de tiempo es I(2), su segunda
diferencia es I(0). En general, si una serie de tiempo es I(d), despus de difeenciarla d
veces se obtiene una serie I(0).
Si se debe diferenciar una serie de tiempo d veces para hacerla estacionaria y luego aplicar
a sta el modelo ARMA (p,q), se dice que la serie de tiempo orgiginal es ARIMA (p,d,q) ,
es decir, es una serie de tiempo autorregresiva integrada de media mvil, donde p denota el
nmero de trminos autorregresivos, d el nmero de veces de que la serie debe ser
diferenciada para hacerse estacionaria y q el numero de trminos de media mvil.
Paso 2.
Paso 3.
Paso 4.
Enero
68.5
Febrero
68.5
Marzo
Abril
1993
Mayo
233
Junio
123.5
Julio
37.2
Agosto
21.9
Setiembre
50.1
Octubre
53.9
Noviembre
49.6
Diciembre
69.1
Enero
59.4
Febrero
79.7
Marzo
105.1
Abril
220.3
Mayo
369.8
Junio
Julio
Agosto
Setiembre
218
130.1
51.4
58
Octubre
53.8
Noviembre
63.1
Diciembre
1994
84.1
143.7
Enero
Febrero
84
65.08
77.8
Marzo
157.88
Abril
313.61
Mayo
462.37
Junio
204.14
Julio
83.22
Agosto
53.41
Setiembre
61.03
Octubre
90.97
Noviembre
103.82
Diciembre
93.91
10
1995
1996
Enero
126.61
Febrero
147.11
Marzo
177.15
Abril
372.35
Mayo
566.76
Junio
320.12
Julio
183.48
Agosto
90.31
Setiembre
88.78
Octubre
91.93
Noviembre
89.75
Diciembre
114.08
Enero
Febrero
Marzo
179
Abril
407.44
Mayo
559.16
Junio
357.84
Julio
93.87
Agosto
Setiembre
Octubre
1997
74.72
105.04
70.6
75.78
91.9
Noviembre
137.24
Diciembre
156.3
Enero
84.01
Febrero
135.36
Marzo
201.66
Abril
442.25
Mayo
578
Junio
327.03
Julio
121.51
Agosto
72.59
Setiembre
79.85
Octubre
88.89
Noviembre
112.31
Diciembre
154.6
11
1998
Enero
121.22
Febrero
199.98
Marzo
318.66
Abril
610.64
Mayo
457.31
Junio
219.01
Julio
68.37
Agosto
54.66
Setiembre
1999
2000
77.76
Octubre
119.76
Noviembre
146.26
Diciembre
195.71
Enero
148.4
Febrero
180.41
Marzo
307.55
Abril
516.52
Mayo
724.05
Junio
430.35
Julio
183.87
Agosto
102.04
Setiembre
95.91
Octubre
112.7
Noviembre
142.29
Diciembre
122.15
Enero
151.9
Febrero
213.83
Marzo
384.51
Abril
657.74
Mayo
737.8
Junio
399.64
Julio
159.18
Agosto
Setiembre
66.07
80.42
Octubre
116.15
Noviembre
148.61
Diciembre
157.96
12
2001
Enero
157.23
Marzo
246.06
Abril
460.84
Mayo
592.79
Junio
356.2
Julio
140.94
Agosto
110.21
Setiembre
2002
90.41
Octubre
122.62
Noviembre
136.72
Diciembre
167.55
Enero
178.72
Febrero
226.71
Marzo
321.82
Abril
608.83
Mayo
797.87
Junio
308.9
Julio
112.24
Agosto
2003
98.48
Febrero
91.14
Setiembre
119.43
Octubre
141.32
Noviembre
193.99
Diciembre
199.32
Enero
167.23
Febrero
182.5
Marzo
305.19
Abril
644.61
Mayo
793.02
Junio
340.79
Julio
103.15
Agosto
85.59
Setiembre
111.35
Octubre
141.63
Noviembre
128.84
Diciembre
147.27
13
2004
Enero
213.73
Febrero
177.23
Marzo
286.61
Abril
520.62
Mayo
680.97
Junio
271.97
Julio
94.22
Agosto
101.1
14
1994
1996
1998
2000
2002
2004
PAPA
Es necesario comparar los resultados anteriores con los logaritmos de la serie original. A
continuacin la serie logaritmica de la produccin de papa:
15
3
1994
1996
1998
2000
2002
2004
LPAPA
Para asegurarnos de esta conclusin, las series PAPA y LPAPA fueron evaluada con la
Prueba de Dickey-Fuller y el Filtro de Hodrick- Prescott:
Null Hypothesis: PAPA has a unit root
Exogenous: Constant
Lag Length: 12 (Automatic based on SIC, MAXLAG=13)
Augmented Dickey-Fuller test statistic
Test critical values:
1% level
5% level
10% level
t-Statistic
Prob.*
-2.453654
-3.477835
-2.882279
-2.577908
0.1292
16
PAPA
Filtro Hodrick y Prescott
900
800
700
600
500
400
300
200
100
0
1992
1994
1996
PAPA
1998
2000
2002
2004
HPT REND02
Los resultados del test estadstico de Dickey-Fuller nos muestran que la serie PAPA no es
estacionaria (raz unitaria 2.453654 es menor a los valores arrojados al 99, 95 y 90% de
confianza) comprobando dicho resultado en el grfico del filtro Hodrick-Prescott, que
muestra una tendencia no estable.
t-Statistic
Prob.*
-3.356215
-3.477835
-2.882279
-2.577908
0.0143
17
LPAPA
Filtro de Hodrick y Prescott
7
3
1994
1996
LPAPA
1998
2000
2002
2004
HPTREND04
Los resultados del test estadstico de Dickey-Fuller nos muestran que la serie LPAPA
tampoco es estacionaria (raz unitaria 3.356215 es menor a los valores arrojados al 99, 95 y
90% de confianza) comprobando dicho resultado en el grfico del filtro Hodrick-Prescott,
que muestra una tendencia no estable.
18
0.5
0.0
-0.5
-1.0
-1.5
1992
1994
1996
1998
2000
2002
2004
D1LPAPA
Para comprobar su estacionariedad, evaluamos D1LPAPA con las pruebas de DickeyFuller y el Filtro de Hodrick-Prescott:
Null Hypothesis: D1LPAPA has a unit root
Exogenous: Constant
Lag Length: 11 (Automatic based on SIC, MAXLAG=13)
Augmented Dickey-Fuller test statistic
Test critical values:
1% level
5% level
10% level
t-Statistic
Prob.*
-6.189278
-3.477835
-2.882279
-2.577908
0.0000
19
D1LPAPA
Filtro Holdrick y Prescott
1.0
0.5
0.0
-0.5
-1.0
-1.5
1992
1994
1996
D1LPAPA
1998
2000
2002
2004
HPT REND01
Esta vez, las pruebas son concluyente. La raz unitaria del test Dickey-Fuller muestra un
valor de 6.189278, siendo este mayor a los resultados que se muestran para el 99, 95 y 90%
de confianza , por lo tanto, la serie D1LPAPA es estacionaria. Graficamente podemos
comprobarlo con los resultados del filtro de Hodrick y Prescott presentado.
Sin embargo,
Esto nos hace pensar que es probable que la serie no sea estacionaria estacionalmente. Si
evaluamos los resultados en la fap de la serie transformada D1LPAPA, observamos que
los retrados estacionales son significativos y disminuyen lentamente. Esto puede indicar
que la serie no es estacionaria estacionalmente por lo que decidimos transformar la serie
D1LPAPA tomando adems una diferencia estacional.
20
21
Para transformar la serie D1LPAPA con una diferencia estacional, generamos la serie
D1LPAPAZ. A continuacin se presenta el grfico correspondiente a esta nueva serie:
D1LPAPA CON UNA DIFERENCIA ESTACIONAL
D1LPAPAZ
.8
.6
.4
.2
.0
-.2
-.4
-.6
-.8
1992
1994
1996
1998
2000
2002
2004
D1LPAPAZ
t-Statistic
Prob.*
-4.908317
-3.482453
-2.884291
-2.578981
0.0001
22
FILTRO HODRICK-PRESCOTT
D1LPAPAZ
.8
.6
.4
.2
.0
-.2
-.4
-.6
-.8
1992
1994
1996
D1LPAPAZ
1998
2000
2002
2004
HPTREND01
23
24
El valor del promedio mvil -MA(q)- se identifica a partir de los resultados de la columna
Autocorrelation del correlogramada de D1LPAPAZ presentado en la pgina anterior.
Segn estos resultados observamos que la estacionalidad de la serie se repite cada 12
meses, donde los valores escapan a las bandas de confianza. Es por eso que se determina
que el valor q para la serie D1LPAPAZ es de q = 12.
Como sabemos, el valor t-studen ideal debe ser igual o superior a dos (2); mientras que
el
valor
de
Jarque-Bera
debe
ser
menor
5.99
al
95%
de
confianza.
25
Coefficient
Std. Error
t-Statistic
Prob.
C
AR(4)
MA(12)
-0.001012
-0.046005
-0.874198
0.005528
0.088508
0.026835
-0.182986
-0.519779
-32.57708
0.8551
0.6041
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
Inverted MA Roots
0.463756
0.455631
0.210821
5.866789
20.12110
2.325918
.33 -.33i
.99
.49+.86i
-.49+.86i
-.33+.33i
.86 -.49i
-.00+.99i
-.86 -.49i
-0.002188
0.285737
-0.253646
-0.189084
57.07832
0.000000
-.33+.33i
.49 -.86i
-.49 -.86i
-.99
16
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
12
-0.004017
0.014686
0.531621
-0.619186
0.209203
-0.265840
3.378422
4
Jarque-Bera
Probability
2.395613
0.301856
0
-0.6
-0.4
-0.2
0.0
0.2
0.4
26
Coefficient
Std. Error
t-Statistic
Prob.
C
AR(7)
MA(12)
-0.000604
-0.085223
-0.890941
0.005248
0.087211
0.018979
-0.115110
-0.977198
-46.94366
0.9085
0.3303
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
0.482636
0.474615
0.203243
5.328699
24.53997
2.254576
.63 -.31i
-.44+.55i
.99
.50+.86i
-.50+.86i
Inverted MA Roots
.16 -.69i
-.70
.86 -.50i
-.00+.99i
-.86 -.50i
-0.005202
0.280399
-0.326363
-0.260845
60.17051
0.000000
.16+.69i
.50 -.86i
-.50 -.86i
-.99
16
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
12
-0.007963
0.001611
0.522770
-0.614603
0.208284
-0.270653
3.336942
4
Jarque-Bera
Probability
2.286798
0.318734
0
-0.6
-0.4
-0.2
0.0
0.2
0.4
27
Coefficient
Std. Error
t-Statistic
Prob.
C
AR(12)
MA(12)
-0.001762
-0.091465
-0.887954
0.005438
0.092980
0.019693
-0.323981
-0.983700
-45.09070
0.7465
0.3272
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
Inverted MA Roots
0.483599
0.475270
0.201092
5.014292
25.02013
2.323331
.79 -.21i
.21+.79i
-.58+.58i
.99
.50+.86i
-.50 -.86i
.58 -.58i
-.21+.79i
-.79 -.21i
.86+.50i
-.00 -.99i
-.86 -.50i
0.000592
0.277604
-0.346774
-0.279588
58.06167
0.000000
.58+.58i
-.21 -.79i
-.79+.21i
.50 -.86i
-.50+.86i
-.99
16
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
12
-0.002849
0.006907
0.512575
-0.617064
0.205699
-0.337532
3.589107
4
Jarque-Bera
Probability
4.515518
0.104585
0
-0.6
-0.4
-0.2
0.0
0.2
0.4
28
Coefficient
Std. Error
t-Statistic
Prob.
C
AR(1)
MA(12)
-0.001531
-0.178322
-0.874834
0.004686
0.086400
0.026942
-0.326676
-2.063917
-32.47109
0.7444
0.0409
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
Inverted MA Roots
0.471140
0.463305
0.207485
5.811768
22.73493
1.998631
-.18
.99
.49+.86i
-.49+.86i
.86 -.49i
-.00+.99i
-.86 -.49i
0.000109
0.283220
-0.286014
-0.222378
60.13304
0.000000
.49 -.86i
-.49 -.86i
-.99
16
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
12
-5.63E-05
0.016034
0.529532
-0.645118
0.205965
-0.235590
3.347772
4
Jarque-Bera
Probability
1.971998
0.373066
0
-0.6
-0.4
-0.2
0.0
0.2
0.4
29
ARIMA (1,1,2)
t-Statistic
Prob.*
-4.885083
-4.031899
-3.445590
-3.147710
0.0006
= -0.178322
MA (12) = -0.874834
30
AR(1) es estacionario
MA (12) es invertible
6.5 Multicolinealidad
Acudimos a la matriz de correlacion y obtenemos el siguiente resultado:
D1LPAPAZ
D1LPAPAZ(-1)
D1LPAPAZ
D1LPAPAZ(-1)
1.000000
-0.097423
-0.097423
1.000000
31
16
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
12
-5.63E-05
0.016034
0.529532
-0.645118
0.205965
-0.235590
3.347772
4
Jarque-Bera
Probability
1.971998
0.373066
0
-0.6
-0.4
-0.2
0.0
0.2
0.4
32
33
Cuando se analiza una serie estacional, debe presentarse especial atencin a los primeros
valores de las fas y fap, pero tambin a los rimeros valores de orden estacional. As para
una serie mensual debemos observar los valores de los retardos 1 y 12.
Mediante la prueba de Qbox-Pierce X2 con k-p-q, grados de libertad (g.l).
Donde: k = nmero de rezagos, p = el orden autoregresivo y q = orden de promedio
mvil.
El arima que tenemos es de ARIMA(1,1,2)
p = 1 (AR)
d = 1 (orden de integracin de la serie estacionaria estacionalmente)
q = 2 (MA)
k = nmero de rezagos
y;
-
Concluimos que los residuos no estn correlacionados; por tanto, el modelo es adecuado.
Lo verificamos con el Test de Ramsey RESET. Este contraste tiene por finalidad analizar
si el modelo economtrico ha sido diseado correctamente, para ello Ramsey (1969)
desarrollo una prueba que se basa en una distribucin F con k-1 y n-k grados de libertad.
Probaremos la hiptesis de especificacin mediante:
F RESET > Fk-1, n-k
34
Para nuestro modelo los resultados del test son los siguientes:
Probability
Probability
2.091007
2.136796
n = 151
n-k = 148
k=3
k-1 = 2
0.150503
0.143802
confianza son:
Al 99% de confianza F = 4.61 > 2.091007
Al 95 % de confianza F = 3.00 > 2.091007
RESET
es menor al Fk-1,
n-k
especificacin alternativa.
35
Predicciones.-
LPAPA
LPAPA2
4.631378
4.949698
4.634675
4.83356
4.635386
3.708956
4.635539
2.934852
Hallar et (1) = Yt - Yt (1)
e04.09
-0.31832
e04.10
-0.198885
e04.11
1.700534
e04.12
1.700687
2004.09
2004.10
2004.11
2004.12
4.949698
4.83356
3.708956
2.934852
Limtes superiores
2004.09 4.3257908
2004.10 4.4437454
2004.11 7.04200264
2004.12 6.26819852
mas menos
mas menos
mas menos
mas menos
1.96
1.96
1.96
1.96
-0.31832
-0.198885
1.700534
1.700687
4.949698 5.5736052
4.83356 5.2233746
3.708956 0.3759094
2.934852 -0.3984945
Limites inferiores
2004.09 5.5736052
2004.10 5.2233746
2004.11 0.37590936
2004.12 0.39849452
36