PRODUCCION DE PAPA EN EL PERU Y MODELACION ARIMA

Por: Vernica Torres S.

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.

Actualmente, la papa es el cultivo alimenticio ms importante del mundo, con una

produccin anual cercana a los 300 millones de toneladas. Ms de un tercio de la
produccin global de papa proviene de los pases en desarrollo. A comienzos de los 60s,
stos producan apenas el 11 por ciento.

En el territorio peruano se encuentra la mayor cantidad de especies de papa conocidas en el

mundo. Actualmente en el Per, es el principal cultivo del pas en superficie sembrada y
representa el 25% del PBI agropecuario. Es la base de la alimentacin de la zona andina y
es producido por 600 mil pequeas unidades agrarias. La papa es un cultivo competitivo
del trigo y arroz en la dieta alimentaria. es un producto que contiene en 100 gramos; 78 gr.
de humedad; 18,5 gr. de almidn y es rico en Potasio (560mg) y vitamina C (20 mg).

La siembra en la sierra se concentra en los meses de agosto a diciembre mientras que en la

costa es en los meses de abril a julio. La cosecha en la sierra se efecta entre los meses de
marzo a mayo y el costa de octubre a diciembre en la costa.

La produccin mundial de papa ha crecido en los ltimos 10 aos. En el ao 2000 fue de

308 millones de toneladas (anexo N1), reflejando tendencias diferentes de la produccin y
utilizacin de la papa en los pases desarrollados y en desarrollo. La produccin de papa
esta creciendo muy poco en los primeros, especialmente en Europa, mientras que en los
pases en desarrollo esta aumentando y representa el 35% de la produccin mundial.
Asia produce el 80% del volumen total de papa de los pases en desarrollo. China,
representa el 20 % de la produccin mundial. La expansin en estos pases es tanto a nivel
de la oferta como de la demanda.

El procesamiento es el sector de la economa de la papa a nivel mundial que esta

experimentando el crecimiento mas acelerado. Mas de la mitad de la cosecha de EEUU se
procesa y esta creciendo rpidamente en muchos pases en vas de desarrollo como
Argentina, Colombia, China, y Egipto.

La rpida urbanizacin en pases en desarrollo, unida a la creciente importancia en

procesamiento, podra expandir el comercio mundial de papa estimulado por el crecimiento
de la demanda de comida rpida (papas fritas), bocadillos y aperitivos (papas crocantes) en
especial en Asia, Africa y Amrica Latina por el cambio en los hbitos alimenticios.

Fuente:
Compendio Estadstico Agrario 1990 - 1993 OIA - MINAG Produccin Agrcola 1994 - 1999 OIA - MINAG
Estadstica Agrcola Trimestral 2000 - 2001 OIA - MINAG

En el ao 2000 la produccin de papa en el Per, represento el 1% de la produccin

mundial.

En los ltimos 10 aos 1990 - 2000, la produccin nacional de papa ha tenido un

crecimiento sustancial pasando de 1,154,000 t. a 3,116,000 t., favorecido por los factores
climticos a excepcin de 1992, que disminuyo la produccin debido a la sequa. El
aumento de la produccin es explicado tambin por el incremento del rea cosechada, que
paso

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

La exportacin en el Per de papa represent para el ao 2000 un volumen aproximado de

3000 t y alrededor de 1 milln de dlares. El rubro que tiene mayor participacin en el
volumen total exportado es la papa fresca, que represent el 95% del total en el ao 2000.
Los derivados de la papa son exportados en volmenes poco significativos.
Volumen
(t)

Productos
SubPartida
Total

1996

0701900000 Papa fresca 910,3

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

1.063,6 2.111,1 67,1 68,1 2.971,3 3.646,9

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

Peso Bruto (t)

1996
9.102

1997

1998

1999

2000

2001

10.507 12.131 14.60 12.601 3.431

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

7.678 10.350 8.808

3.556 3.035

624

980

2.149

3.336

859

178

202

METODOLOGIA

4.1 Econometra de Series de Tiempo

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

(movimientos sostenidos hacia arriba o hacia abajo), el alto R2 observado se debe a la

presencia de la tendencia y no a la verdadera relacin entre las dos.

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).

La publicacin de G. P.E. Box y G.M Jenkins sobre anlisis de series de tiempo:

Prediccin y Control (Time Series Analysis: Forecasting and Control) estableci una
nuevageneracin de herramientas de prediccin. Popularmente conocida como
metodologa de Box-Jenkins (BJ), pero tecnicamente conocida como metodologa
ARIMA, el nfasis de este nuevo mtodo de prediccin no est en la construccin de
modelos uniecuacionales o de ecuaciones simultneas sino en el anlisis de las propiedades
probabilsticas, o estocsticas, de las series de tiempo econmicas por si mismas bajo la
filosofa de permitir que la informacin hable por si misma. En los modelos de series de
tiempo del tipo BJ, Y puede ser explicada por valores pasados o rezagados de s misma, y
por los trminos estocsticos de error. Por esta razn, los modelos ARIMA reciben algunas
veces el nombre de modelos atericos, porque no pueden ser derivados de teora
econmica alguna, y las teroras econmicas a menudo son la base de los modelos de
ecuaciones simultneas.

4.2 Proceso autoregresivo integrado de media mvil (ARIMA)

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.

El punto importante de mencioanr es que para utilizar la metodologa Box-Jenkins, se debe

tener una serie de tiempo estacionaria o una serie de tiempo que sea estacionaria despus
de una o ms diferenciaciones. La razn para suponer estacionariedad puede explicarse por
lo dicho por Michael Pokorny en An Introduction to Econometrics , New York, 1987:
...el objetivo de BJ n para suponer estacionariedad puede explicarse por lo dicho por
Michael Pokorny en An Introduction to Econometrics , New York, 1987: ...el objetivo
de BJ (Box-Jenkins) es identificar y estimar un modelo estadstico que pueda ser
interpretado como generador de la informacin muestral. Entonces, si este modelo
estimado va a ser utilizado para prediccin, se debe suponer que sus caracterticas son
constantes a travs del tiempo y, particularmente, en perodos de tiempo futuro. As la
simple razn para requerir informacin estacionaria es que cualquier modelo que sea
inferido a partir de esta informacin pueda ser interpretado como estacionario o estable,
proporcionando, por consiguiente, una base vlida para prediccin.

4.3 Metodologa de Box-Jenkins (BJ)

El mtodo considera cuatro pasos:

Paso 1.

Identificacin: es decir, encontrar los valore apropiados de p, d y q. El

correlograma y el correlograma parcial ayudan en esta labor.

Paso 2.

Estimacin: Habiendo identificado los valore apropiados de p, d y q, la

siguiente etapa es estimar los parmetros de los trminos autorregresivos y
de media mvil incluidos en el modelo.

Paso 3.

Verificacin de diagnstico: despus de seleccionar un modelo ARIMA

particular y de estimar sus parmetros, se trata de ver luego si el modelo
seleccionado ajusta los datos en forma razonablemente buena, ya que es
posible que exita otro modelo ARIMA que tambin lo haga. Es por eso que
el diso de modelos ARIMA de BJ es un arte ms que una ciencia; se
requiere gran habilidad para seleccionar el modelo ARIMA correcto. Una
simple prueba del modelo seleccionado es ver si los residuales estimados a
partir de este modelo son ruido blanco; si lo son, se puedde aceptar el ajuste
particular; si no lo son, se debe empezar nuevamente. Por tanto, la
metodologa BJ es un proceso iterativo.

Paso 4.

Prediccin: una de las razones de la popularidad del proceso de modelacin

ARIMA es su xito en la prediccin. En muchos casos las predicciones
obtenidas por este mtodo son ms confiables que aquellas obtenidas de la
elaboracin tradicional de modelos para predicciones de corto plazo.

5. DATOS SERIES ESTADSTICAS

Produccion de Papa en el Peru
(por Mes /en miles de toneladas metricas 1992-2004)
Fuente: Ministerio de Agricultura

Papa (En miles de toneladas mtricas)

1992

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

6. APLICACIN: MODELO ARIMA PARA LA PRODUCCIN DE ARROZ EN

EL PER: 1992-2004

6.1 Identificacin y estimacin

Dada la serie de produccin de papa procedemos a identificar si es estacionaria en media y

varianza. A continuacin, el grfico del comportamiento de la serie original:

PRO DUCCIO N DE PAPA 1992-2004

900
800
700
600
500
400
300
200
100
0
1992

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

PRO DUCCIO N DE PAPA 1992-2204

Version Logaritmica
7

3
1994

1996

1998

2000

2002

2004

LPAPA

A primera vista podemos concluir que la estacionariedad en media y varianza se consigue

con la serie en primeras diferencias logartmicas.

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

*MacKinnon (1996) one-sided p-values.

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.

Null Hypothesis: LPAPA 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.*

-3.356215
-3.477835
-2.882279
-2.577908

0.0143

*MacKinnon (1996) one-sided p-values.

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.

Entonces, procederemos a la estimacin de la primera diferencia de la serie LPAPA con el

fin de volverla estacionaria. A continuacin el grfico de la primera difeencia de la serie
LPAPA.

18

PRODUCCIO N DE LA PAPA 1992-2004

(D1LPAPA)
1.0

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

*MacKinnon (1996) one-sided p-values.

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,

dada la periodicidad mensual, debemos asegurarnos que la serie sea

estacionaria estacionalmente. Si observamos el grfico para la serie original nos damos

cuenta que los meses de junio, julio, agosto y setiembre de todos loa aos de la muestra se
producen descensos significativos.

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

Correlograma para la serie D1LPAPA

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

Los valores obtenidos en la prueba Dickey-Fuller para la serie D1LPAPAZ verifican la

estacionariedad estacional de la nueva serie a utilizarse.
Null Hypothesis: D1LPAPAZ 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.*

-4.908317
-3.482453
-2.884291
-2.578981

0.0001

*MacKinnon (1996) one-sided p-values.

22

Esta estacionariedad conseguida en la serie D1LPAPAZ puede verificarse grficamente

con el filtro de Hodrick y Prescott:

FILTRO HODRICK-PRESCOTT
D1LPAPAZ
.8
.6
.4
.2
.0
-.2
-.4
-.6
-.8
1992

1994

1996
D1LPAPAZ

1998

2000

2002

2004

HPTREND01

23

Correlograma para la serie D1LPAPAZ

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.

Para poder identificar el valor p de la serie D1LPAPAZ, probaremos el modelo con

valores de AR de 4, 7 y 12. Esto debido a que para identificar p, debemos basarnos en los
resultados d e la columna partial correlation. Como observamos en el correlograma
anterior, es en los rezagos 4, 7 y 12, donde los valores se escapan de las bandas de
confianza. A estos rezagos se les sometera la prueba de t-student a fin de determinar su
representatividad en el modelo; asi tambin la prueba de Jarque-Bera para escoger el valor
correcto.

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

AR (4) : Valor t-student de 0.519779, Jarque-Bera 2.395613. Se descarta esta opcin.

Dependent Variable: D1LPAPAZ
Method: Least Squares
Date: 11/21/04 Time: 12:09
Sample(adjusted): 1993:06 2004:08
Included observations: 135 after adjusting endpoints
Convergence achieved after 6 iterations
Backcast: 1992:06 1993:05
Variable

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

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
.33 -.33i
.86+.49i
-.00 -.99i
-.86+.49i

-.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

Analisis de los residuos AR(4)

20
Series: RESID
Sample 1993:06 2004:08
O bservations 135

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

AR (7) : Valor t-student de 0.977198,. Jarque-Bera 2.286798. Se descarta esta opcin.

Dependent Variable: D1LPAPAZ
Method: Least Squares
Date: 11/21/04 Time: 12:14
Sample(adjusted): 1993:09 2004:08
Included observations: 132 after adjusting endpoints
Convergence achieved after 7 iterations
Backcast: 1992:09 1993:08
Variable

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

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
.63+.31i
-.44 -.55i
.86+.50i
.00 -.99i
-.86+.50i

.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

Analisis de los residuos AR(7)

20
Series: RESID
Sample 1993:06 2004:08
O bservations 135

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

AR (12) : Valor t-student de 0.983700, Jarque-Bera 4.515518. Se descarta esta opcin.

Dependent Variable: D1LPAPAZ
Method: Least Squares
Date: 11/21/04 Time: 12:15
Sample(adjusted): 1994:02 2004:08
Included observations: 127 after adjusting endpoints
Convergence achieved after 10 iterations
Backcast: 1993:02 1994:01
Variable

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

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
.79+.21i
.21 -.79i
-.58 -.58i
.86 -.50i
.00+.99i
-.86+.50i

.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

Analisis de los residuos con AR(12)

20
Series: RESID
Sample 1993:06 2004:08
O bservations 135

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

Para poder conseguir, entonces, el valor p correcto, procedemos a realizar estimaciones,

con varios valores , siendo AR (1) la opcin de mayor representatividad.
Dependent Variable: D1LPAPAZ
Method: Least Squares
Date: 11/21/04 Time: 12:30
Sample(adjusted): 1993:03 2004:08
Included observations: 138 after adjusting endpoints
Convergence achieved after 8 iterations
Backcast: 1992:03 1993:02
Variable

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

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
.86+.49i
.00 -.99i
-.86+.49i

.86 -.49i
-.00+.99i
-.86 -.49i

0.000109
0.283220
-0.286014
-0.222378
60.13304
0.000000
.49 -.86i
-.49 -.86i
-.99

Analisis de los residuos AR(1)

20
Series: RESID
Sample 1993:03 2004:08
O bservations 138

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

Luego, dada la serie D1LPAPAZ queda identificada de la siguiente forma:

p = orden autoregresivo : AR(p)
En nuestro caso, p = 1

d = numero de diferenciaciones (orden de integracin de la serie)

En nuestro caso, d = 1, pues se trabaja con la primera diferencia de LPAPA.

q = orden del promedio mvil: MA (q)

En nuestro caso, q = 2

ARIMA (1,1,2)

Es asi que el modelo ms adecuado es un AR (1) x MA (12) para la serie en primeras

dierencias logaritmicas, con un R2 cercano al 50%, un Durbin-Watson de 1.998631 y un
F-estadistico de 60.13304. Ademas un valor t-student para AR(1) de 2.063917, un JarqueBera de los residuos de 1.971998.

Para erificar que la serie en primeras diferencias es estacionaria, la evaluamos con la

prueba ADF. El valor de 4.88583 es mayor que los valores criticos.
Null Hypothesis: D1LPAPAZ has a unit root
Exogenous: Constant, Linear Trend
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.*

-4.885083
-4.031899
-3.445590
-3.147710

0.0006

*MacKinnon (1996) one-sided p-values.

De la estimacion del modelo obtenemos los siguientes resultados:

AR(1)

= -0.178322

MA (12) = -0.874834

Siendo la generalizacin del modelo:

D1LPAPAZ = -0.178322 D1LPAPAZt-1 + t 0.874834 t-12

30

6.2 Verificacin de los coeficientes estimados: Prueba t

El t estadstico de AR(1) = -2.063917 y el t-student de tablas = 1.66

-2.0639417 > 1.66
El t estadstico de MA (12) = -32.47109 y el t-student de tablas = 1.66
-32.47109 > 1.66
Por ende ambos coeficientes son significativos.

6.3 Prueba de estacionariedad e invertibilidad

Los AR siempre son invertibles debemos verificar si son estacionarios.
AR(1) < 1
-0.178322 < 1

AR(1) es estacionario

Los MA siempre son estacionarios debemos verificar si son invertibles.

MA(12) < 1
-0.874834 < 1

MA (12) es invertible

6.4 Subidentificacin y sobreidentificacin

Los coeficientes tiene valores que no son cercanos ni a 0 ni a 1 por lo que no se presentan
problemas de subidenticacin ni de sobreidentificacin.

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

Como el valor de correlacin es lejano a 1 no existe problema de multicolinealidad. Para

verigficar esta conclusin se hall tambin, el determinante de la matriz de correlacion,

31

siendo su valor de 0.990508759071, como este valor no es cercano a 0, no existe

multicolinealidad que afecte al modelo.

6.6 Anlisis de los residuos: Distribucin Normal

Analisis de los residuos AR(1)

20
Series: RESID
Sample 1993:03 2004:08
O bservations 138

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

Observando el correlograma (pgina siguiente) de los residuos observamos una

distribucin que sigue un ruido blanco. Apoyndonos en el histograma vemos que la media
tiende a 0 y la varianza tiene una valor constante. El estadstico de Jarque-Bera, muestra un
valor de 1.971998. Podemos concluir que los residuos siguen una distribucin normal.

32

Correlograma para los residuos del modelo ARIMA (1,1,2) D1LPAPAZ

33

6.7 Prueba de incorrelacin

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

Del correlograma identificamos los valores Q de 1 y 12 (serie mensual) :

-

El rezago 1 tienen un valor Q = 0.3995 X2 con k-p-q X2 (1-1-2) = 2 g.l.

2 g.l al 95% de confianza = 5.99147
Como Q = 0.3995 < 5.99147

y;
-

El rezago 12 tienen un valor Q = 5.1953 X2 con k-p-q X2 (12-1-2) = 9 g.l.

9 g.l al 95% de confianza = 16.9190
Como Q = 5.1953 < 16.9190

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

el modelo esta especificado errneamente

34

Para nuestro modelo los resultados del test son los siguientes:

Ramsey RESET Test:

F-statistic
Log likelihood ratio

Probability
Probability

2.091007
2.136796

n = 151

n-k = 148

k=3

k-1 = 2

Con los grados de libertad apropiados tenemos: F3-1, 151-3

0.150503
0.143802

F2,148 el cual al 99 y 95% de

confianza son:
Al 99% de confianza F = 4.61 > 2.091007
Al 95 % de confianza F = 3.00 > 2.091007

De acuerdo a la prueba, nuestro modelo esta correctamente especificado pues se cumple

que F

RESET

es menor al Fk-1,

n-k

, por lo que no se necesita una reparametrizacin o

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