You are on page 1of 40

ECONOMETRIA II

Docente: Mag. Econ. Edinson Rengifo Romero

ANALISIS DE SERIES DE TIEMPO
Las series de tiempo llamadas también series cronológicas o series históricas son un
conjunto de datos numéricos que se obtienen en períodos regulares y específicos a
través del tiempo, los tiempos pueden ser en años, meses, semanas, días o otra
unidad adecuada al problema que se esté trabajando.
Matemáticamente, una serie de tiempo se define por los valores Y1, Y2, Y3,…….de una
variable Y (ventas mensuales, producción total, etc.) en tiempos t1, t3, t3……….. Si se
reemplaza a X por la variable tiempo, estas series se definen como distribuciones de
pares ordenados (X,Y) en el plano cartesiano, siendo Y una función de X; esto se
denota por:
Y = f(t)?Y= f(X)
El principal objetivo de las series de tiempo es hacer proyecciones o pronósticos sobre
una actividad futura, suponiendo estables las condiciones y variaciones registradas
hasta la fecha, lo cual permite planear y tomar decisiones a corto o largo plazo.
Después, con base en esa situación ideal, que supone que los factores que influyeron
en la serie en el pasado lo continuarán haciendo en el futuro, se analizan las
tendencias pasadas y el comportamiento de las actividades bajo la influencia de ellas;
por ejemplo, en la proyección de ventas de un producto o de un servicio de una
empresa se calculan los posibles precios, la reacción del consumidor, la influencia de
la competencia, etc.
Para el análisis de las series temporales se usan métodos que ayudan a interpretarlas
y que permiten extraer información representativa sobre las relaciones subyacentes
entre los datos de la serie o de diversas series y que permiten en diferente medida y
con distinta confianza extrapolar o interpolar los datos y así predecir el
comportamiento de la serie en momentos no observados, sean en el futuro
(extrapolación pronosticar), en el pasado (extrapolación retrógrada) o en momentos
intermedios (interpolación).
Las series temporales se usan para estudiar la relación causal entre diversas variables
que cambian con el tiempo y se influyen entre sí. Desde el punto de vista
probabilístico una serie temporal es una sucesión de variables aleatorias indexadas
según parámetro creciente con el tiempo. Cuando la esperanza matemática de dichas
variables aleatorias es constante o varía de manera cíclica, se dice que la serie es
estacionaria y no tiene tendencia secular. Muchas series temporales tienen una
tendencia creciente (por ejemplo, el número de automóviles en uso en casi todos los
países durante los últimos cincuenta años) o decreciente (por ejemplo, el número de
personas que trabajan en la agricultura); otras no tienen tendencia (la luminosidad a
horas sucesivas, que varía cíclicamente a lo largo de las 24 horas del día) y son
estacionarias.

I. MOVIMIENTOS O COMPONENTES
El análisis más clásico de las series temporales se basa en la suposición de que los
valores que toma la variable de observación es la consecuencia de cuatro
componentes, cuya actuación conjunta da como resultado los valores medidos, estos
componentes son:

1.

TENDENCIA SECULAR

o regular, indica la marcha general y persistente
del fenómeno observado, es una componente de la serie que refleja la evolución
a largo plazo. Por ejemplo, la tendencia creciente del índice de reciclado de
basuras en los países desarrollados, o el uso creciente de Internet en la
sociedad, independientemente de que en un mes concreto en un país, por
determinadas causas, haya una baja en la utilización de Internet.
La tendencia secular o simplemente tendencia, son movimientos o variaciones
continuas de la variable de modo uniforme y suave, por encima o por debajo,
que se observan en el largo plazo durante un período de longitud prolongada.
Representan el comportamiento predominante o dirección general de la serie de
tiempo como ascendente o descendente. La gráfica de la tendencia suele ser
una curva suave y aun una línea recta que muestra la tendencia de las
variaciones. Ejemplos de tendencia secular son las ventas, exportaciones,
producción y el empleo.
La siguiente gráfica muestra la tendencia de exportaciones de la Empresa D &
M en período 2000-2009. Aunque los datos muestran ciertas variaciones están
por encima y por debajo de la recta de tendencia, la tendencia secular es
ascendente.

2.

MOVIMIENTO ESTACIONAL,

variación estacional o Variación cíclica
regular. Es el movimiento periódico de corto plazo. Se trata de una componente
causal debida a la influencia de ciertos fenómenos que se repiten de manera
periódica en un año (las estaciones), una semana (los fines de semana) o un día
(las horas puntas) o cualquier otro periodo. Recoge las oscilaciones en esos
períodos de repetición.
Representa un movimiento periódico que se producen en forma similar cada
año por la misma época, en correlación con los meses o con las estaciones del
año y aun con determinadas fechas. Si los sucesos no se repiten anualmente,
los datos deben recolectarse trimestral, mensual o incluso semanalmente.
Ejemplos de movimientos estacionales son la variación de precios de ciertos
productos, incremento de ventas de juguetes y disminución de ventas de útiles
Navidad, incremento de ventas de flores por el día del amor y la amistad, etc.

3.

MOVIMIENTO CÍCLICO o Variación cíclica irregular. Es el componente de
la serie que recoge las oscilaciones periódicas de amplitud superior a un año.
movimientos normalmente irregulares alrededor de la tendencia, en las que a
diferencia de las variaciones estacionales, tiene un período y amplitud
variables, pudiendo clasificarse como cíclicos, cuasi cíclicos o recurrentes.
Son variaciones hacia arriba y hacia abajo de la tendencia que se presentan
cada cierto número de intervalos, en forma periódica de manera ondular a
modo de oscilaciones más o menos regulares durante un período relativamente
prolongado, que por lo general abarca tres o más años de duración. La
producción, empleo, promedio industrial, etc. son ejemplos de este tipo de
movimientos.

4.

MOVIMIENTOS IRREGULARES O ALEATORIOS

o Variación
aleatoria o ruido, accidental, de carácter errático, también denominada residuo,
no muestran ninguna regularidad (salvo las regularidades estadísticas), debidos
a fenómenos de carácter ocasional como pueden ser tormentas, terremotos,
inundaciones, huelgas, guerras, avances tecnológicos, etc.
Son aquellas variaciones producidas por sucesos de ocurrencia imprevisible o
accidental que producen movimientos sin un patrón discernible; así por ejemplo,
las exportaciones de una empresa pueden ser afectadas por sucesos inusuales
no previsibles tales como huelgas, guerras, terremotos, inundaciones, etc. Estas
variaciones irregulares son de corta duración y de magnitud muy variable.

De estos tres componentes los dos primeros son componentes determinísticos,
mientras que la última es aleatoria. Así se puede denotar la serie de tiempo
como

Xt = Tt + Et + It
Donde T es la tendencia, E es la componente estacional e I es la componente
aleatoria.
Las series temporales se pueden clasificar en:

a.- Estacionarias.- Una serie es estacionaria cuando es estable a lo largo del
tiempo, es decir, cuando la media y varianza son constantes en el tiempo. Esto se
refleja gráficamente en que los valores de la serie tienden a oscilar alrededor de una
media constante y la variabilidad con respecto a esa media también permanece
constante en el tiempo.

b.- No estacionarias.-

Son series en las cuales la tendencia y/o
variabilidad cambian en el tiempo. Los cambios en la media determinan una tendencia
a crecer o decrecer a largo plazo, por lo que la serie no oscila alrededor de un valor
constante.

Procesos Estocásticos
Desde un punto de vista intuitivo, un proceso estocástico se describe como una
secuencia de datos que evolucionan en el tiempo. Las series temporales se definen
como un caso particular de los procesos estocásticos.

Proceso Estocástico Estacionario.

Un proceso estocástico se dice que es
estacionario si su media y su varianza son constantes en el tiempo y si el valor de la
covarianza entre dos periodos depende solamente de la distancia o rezago entre estos
dos periodos de tiempo y no del tiempo en el cual se ha calculado la covarianza.
Si una serie de tiempo es estacionaria, su media, su varianza y su autocovarianza (en
diferentes rezagos) permanecen iguales sin importar el momento en el cual se midan;
es decir, son invariantes respecto al tiempo.

Ruido blanco (“white noise”).

Un ruido blanco es un caso simple de los procesos
estocásticos, donde los valores son independientes e idénticamente distribuidos a lo
largo del tiempo con media cero e igual varianza.

II. MÉTODOS DE PRONÓSTICOS
Pronóstico es el proceso de estimación en situaciones de incertidumbre. El término predicción es
similar, pero más general, y generalmente se refiere a la estimación de series temporales o datos
instantáneos. El pronóstico ha evolucionado hacia la práctica del Estudio de Demanda en el
pronóstico diario de los negocios que en la práctica también se refiere al pronóstico de la cadena
de suministros. Los pronósticos son procesos críticos y continuos que se necesitan para obtener
buenos resultados durante la planificación, de un proyecto.
Si los clasificamos respecto al tiempo que abarcan, se puede clasificar en:

y por lo tanto están sujetas a variabilidad muestral A menudo no queremos hacer predicciones condicionales de y dado x. Pronósticos a mediano plazo : Abarca un lapso de seis meses a tres años. condicionado en ciertos supuestos sobre otras variables. flujos de efectivo y elaboración de presupuestos. que para conseguir una predicción incondicional de y .1. este tipo de pronóstico se efectúa cada mes o menos. lanzamiento de nuevos productos y tendencias tecnológicas de materiales. Un modelo de predicción condicional es uno que puede ser usado para predecir una variable de interés. Al menos hay tres fuentes de error • Incertidumbre en la Especificación: Todos los modelos están equivocados (algunos más que otros) • Incertidumbre en la Innovación: Innovaciones futuras son desconocidas cuando se hace la predicción. Es decir. 2. producción. A) Métodos de serie temporal Los métodos de serie temporal utilizan datos históricos como base para estimar resultados futuros. y planificación de los departamentos de fabricación. producción. 3. así como en la preparación de proyectos. y su tiempo de planeación tiene vigencia de un año. sino la mejor predicción de y (predicción incondicional). La duración es de tres años o más. algunos de estos métodos son: . Pronósticos a corto plazo: En las empresas modernas. no podemos insertar un valor arbitrario del futuro x. Este se utilizan para estimar planes de ventas. Para conseguir esta predicción a menudo nos encontramos con el problema de conseguir una predicción incondicional de las variables explicativas. Pronósticos a largo plazo: Este tipo de pronóstico se utiliza en la planificación de nuevas inversiones. Inmersos en el modelo en un esquema aditivo o multiplicativo. • Incertidumbre en los Parámetros: Los coeficientes que usamos para producir las predicciones son estimaciones. sino que necesitamos insertar una predicción puntual óptima. Se utiliza para programas de abastecimiento. procesos y productos. Las predicciones siempre están sujetas a un error. asignación de mano de obra a las plantillas de trabajadores.

 Modelo autorregresivo de media móvil (ARMA)  Modelo ARIMA   C) Métodos subjetivos  Los métodos subjetivos incorporan juicios intuitivos. se pueden hacer proyecciones de las variables que influyen. opiniones y estimaciones.  Algunos métodos causales son:  Análisis de la regresión. Algunos de ellos son:  Pronósticos compuestos  Construcción de escenario  Encuestas  Pronóstico de tecnología  Método Delphi  Pronóstico por analogía  D) Otros métodos   Pronóstico de mercado  Simulación  Pronóstico probabilístico  Pronóstico de conjunto . Método de medias móviles  Método de ajuste lineal de tendencia  Método de alisado exponencial  Método de ajuste estacional  Método de extrapolación   B) Métodos causales / econométricos  Algunos métodos de pronóstico asumen que es posible identificar los factores subyacentes que pueden tener influencia sobre la variable a pronosticar. Si las causas se entienden. que puede ser lineal o no lineal. para utilizarlas en la predicción.

  Precisión del pronóstico  El error del pronóstico es la diferencia entre el valor real y el pronosticado del período correspondiente. t : Valor real para ese período : Valor del pronóstico.  Las medidas más comunes de la precisión de la predicción son:  Error absoluto de la media (MAE)   Error absoluto porcentual de la media (MAPE)   Desviación porcentual absoluta de la media (PMAD)    Error cuadrático de la media (MSE)   MA E       Raíz del error cuadrático de la media (RMSE) CME AE  RCME   III. MODELOS DETERMINÍSTICOS  . Medidas de error.    : Error del pronóstico del período .

  Métodos de pronósticos determinísticos      Los métodos determinísticos se caracterizan por ignorar (o suponer) la aleatoriedad. los más conocidos Son: Ingenuo  Suavización exponencial Holt Ingenuo con variación  Suavización exponencial Winter Promedio Móvil  Descomposición aditivo Suavización exponencial simple  Descomposición multiplicativo . Para realizar pronósticos se cuentan con dos tipos de métodos: los determinísticos y los estocásticos. O Modelos de Series Temporales.

se componen multiplicando la Tendencia. entre otras: o o o  En el modelo multiplicativo. estacionalidad. por lo que este modelo es más utilizado que el aditivo. ruido:  Multiplicativas.    .  El modelo aditivo sufre el supuesto irreal de que los movimientos o componentes son independientes uno de otro.  Para seleccionar un método se debe tener en cuenta el patrón que presenten. variación cíclica irregular. estacionalidad. en tanto que en el modelo aditivo las variaciones se expresan como residuos en las mismas unidades originales. variación cíclica irregular. variación cíclica regular. variación cíclica regular. ruido:  Mixtas. estacionalidad.  El modelo multiplicativo supone que los movimientos o componentes interactúan entre sí y no se mueven independientemente. se componen sumando y multiplicando la Tendencia. algo que difícilmente se da en el caso de la vida real. se componen sumando la Tendencia. la cantidad de datos históricos disponibles y el horizonte del pronóstico deseado. variación cíclica irregular. variación cíclica regular. el criterio fundamental que se debe seguir en el caso de una situación dada es emplear el modelo que mejor se ajuste a los datos.  Sin embargo. las variaciones se expresan en términos relativos o porcentuales de la tendencia. ruido. Existen varias alternativas.  Estos métodos se clasifican en:  Aditivas.

 Ejemplo  Con los siguientes datos acerca de la ventas en miles de dólares de la Empresa D & M durante los últimos 3 años tomados en períodos de trimestres:         . Y2. cíclicas e irregulares. la cantidad de nuevos datos se reduce. Y3. el método toma de nombre Promedios Móviles Ponderados de Orden N. MÉTODOS PARA SUAVIZAMIENTO DE UNA SERIE DE TIEMPO  Estos métodos eliminan las fluctuaciones aleatorias de la serie de tiempo.   A) MÉTODO DE LOS PROMEDIOS MÓVILES     El movimiento medio de orden N de una serie de valores Y1. proporcionando datos menos distorsionados del comportamiento real de misma..  Si se emplean medias aritméticas ponderadas en el método de los promedios móviles. Este método presenta el inconveniente de que se pierden datos iniciales y finales de la serie original.. 12  Utilizando adecuadamente estos movimientos medios se eliminan los movimientos o variaciones estacionales. También se puede observar que a medida que N crece. quedando sólo el movimiento de tendencia.. Yn se define por la sucesión de valores correspondientes a las medias aritméticas: O sea los valores 7.

Estos datos se presentan en la siguiente tabla:   Trimestre . Realizar el pronóstico de ventas para el trimestre número 13 empleando el método de los promedios móviles ponderados de orden 3. y teóricamente para todo trimestre futuro.  2) Pronosticar las ventas para el trimestre número 13.   Solución:  1) El cálculo de los promedios móviles de orden 3 se presentan en la siguiente tabla:             Empleando Excel se muestra en la siguiente figura:                2) El último valor del promedio móvil. que en este ejemplo es 26.  3) Suponga que para el Gerente de Ventas la última venta realizada es el doble de importante que la penúltima.  3) Para resolver lo planteado se toma en cuenta las 3 últimas ventas con sus respectivos pesos o ponderaciones. representa el pronóstico de las ventas para el trimestre número 13.  4) Elaborar un gráfico en el que consten las ventas y los promedios móviles (ventas suavizadas). y la antepenúltima venta tiene la mitad de importancia que la penúltima.33. 1) Suavizar los datos empleando el método de los promedios móviles de orden 3 (longitud de 3 períodos).

14 es el pronóstico de ventas para el trimestre número 13. Los cálculos en Excel se muestran en la siguiente figura: 4) El gráfico en el que constan las ventas y los promedios móviles se muestra en la siguiente figura elaborado empleando Excel: Empleando Graph se muestra en la siguiente figura:    EJEMPLO:   .                 Reemplazando valores en la fórmula de la media aritmética ponderada se obtiene: El valor 30.

              .

La expresión matemática que se utiliza cuando la serie de tiempo presenta componente de tendencia y componente estacional es:  ESTACIONALIDAD La estacionalidad es un comportamiento o patrón que a veces observamos en una serie de tiempo. en cambio. Al tiempo entre un ``pico'' y otro en la gráfica de la serie.                        Se elige la proyección de mayor precisión. el período será 12.  .  B) METODO DE LA DESESTACIONALIZACION   Este método tiene los siguientes pasos: Eliminar el componente estacional de la serie de tiempo (desestacionalización) la serie de tiempo queda únicamente con un componente de tendencia y así podremos determinar la expresión de la componente lineal de tendencia de la serie de datos. La mayoría de las series que presentan esta característica tienen periodicidad anual. si la serie consiste de observaciones mensuales. en este caso. se le llama período estacional. Finalmente para el desarrollo del pronóstico consiste en incorporar el componente estacional utilizando un índice estacional para ajustar la proyección de tendencia. el período será 4. si la serie es trimestral. Consiste en subidas y bajadas periódicas que se presentan en forma regular en la serie de tiempo.

Esto es debido al efecto de la tendencia que tiene la serie.   b) Repita el esquema vacío abajo en la hoja   c) Divida el Trimestre con su promedio y logre un índice para cada uno de los trimestres. las ventas en los segundos trimestre de cada año están en su punto mas bajo.   EJEMPLO  Los datos trimestrales de ventas (número de ejemplares que se venden) de un libro de texto universitario en los últimos 3 años son los siguientes:         Calcule los índices estacionales para los 4 trimestres Determine la ecuación de la expresión de la componente lineal de tendencia. Para comprender qué son. Calcule las ventas pronosticadas de libros de texto para el tercer trimestre del año 2009. Fíjese que año con año. a) Calculando promedios trimestrales de cada año  Estos promedios son un trimestre “típico'' para cada año.  Estos números indican el porcentaje de cada uno de los trimestres en función del trimestre típico de cada uno de los años. cómo se calculan y para qué sirven. Estos números contienen la estacionalidad. veamos un ejemplo.                d) Realice un promedio de índices por trimestre . además podemos notar que los trimestres típicos van subiendo de valor. seguidas de niveles mas altos de ventas en los terceros trimestres de cada año esto es ocasionado por el efecto estacional. ÍNDICES ESTACIONALES La manera matemática de representar la estacionalidad es a través de los llamados índices estacionales.

Lo que se desea lograr al calcular índices estacionales es retirar los efectos estacionales de la serie de tiempo. Obteniendo los índices estacionales.                            De esta manera retiramos de las ventas el componente estacional. e) Determine la expresión matemática de la expresión lineal de tendencia Para ello se emplea el procedimiento gráfico para encontrar con los datos desestacionalizados una ecuación de la forma: Y’=a+ bx . que representan el efecto estacional de la serie de tiempo para cada uno de los trimestres. . Graficamos como XY. Por ello a esto se le denomina desestacionalizar la serie de tiempo. seleccionaremos: Agregar línea de tendencia y seleccionando las casillas para que aparezca la ecuación y el valor de R cuadrado. así acomodamos los datos como se muestra. se dividen las ventas de cada uno de los trimestres entre su índice estacional respectivo. Aparecerá un menú contextual donde. habiendo quedado sólo con el componente de tendencia. Luego hacemos clic derecho en cualquier punto del gráfico. Para desestacionalizar la serie de tiempo.

puede utilizarse la ecuación anterior para proyectar la componente de tendencia de la serie de tiempo para trimestres futuros.961) ( 15 ) ] ( 1.40 De tal manera que para el tercer trimestre del año 2009 o período 15. tendremos como pronóstico lo siguiente: Y” = [ 1868.961x ) ( Índice estacional ) Para calcular el pronóstico de ventas para el tercer trimestre del año 2009 debemos de sustituir en la ecuación anterior: Período x = 15 y el índice estacional para el tercer trimestre es = 1.961 indica que. Y´ = 22. considerando tanto el efecto de tendencia como el efecto estacional la ecuación que debemos de tomar en consideración es:             Y” = ( 1868. .961x +1868. entonces. Si se considera que la tendencia de los datos de ventas en los últimos 12 trimestres es un indicador razonablemente bueno del futuro.7 + (22.40 )  = 3098 libros de texto. en los últimos 12 trimestres la empresa ha tenido un crecimiento promedio desestacionalizado en las ventas del libro de texto de aproximadamente 22.961 libros por trimestre.           Sustituyendo los valores calculados de a y de b en la expresión: Y´ = a + b x Tendremos la expresión lineal de tendencia para la venta del libro de texto de este problema.7 + 22.7 La pendiente de 22.   f) Pronósticos  Para calcular los pronósticos de las ventas del libro de texto para los trimestres futuros.

        .

 EJEMPLO:        .

Se emplea la siguiente fórmula:   Donde:  yt+1= pronóstico para cualquier período futuro. Es un caso particular de promedios móviles ponderados de los valores actuales y anteriores en el cual las ponderaciones disminuyen exponencialmente.  Xt= valor real para el período de tiempo. Para saber cuan preciso es el método empleado en la realización del pronóstico se utiliza la siguiente fórmula del cuadrado medio del error (CME) como indicador de precisión del pronóstico:           Siendo n el número de errores Ejemplo Con los siguientes datos acerca de la ventas en miles de dólares de la Empresa D & M durante los últimos 12 meses: .  Yt= pronóstico hecho previamente para el período de tiempo  Cuando exista menos dispersión en los datos reales respecto a los datos pronosticados entonces será más confiable el método empleado. Se emplea tanto para suavizar como para realizar pronósticos.  a = constante de suavización.            C) METODO DE SUAVIZACIÓN EXPONENCIAL  Este método contiene un mecanismo de autocorrección que ajusta los pronósticos en dirección opuesta a los errores pasados. a la cual se le da un valor entre 0 y 1.

ya que los datos no presentan una tendencia sino que se supone que varían o fluctúan a largo plazo alrededor de este valor promedio. Calcular el cuadrado medio del error. Pronosticar las ventas para el mes de septiembre. 2) Suavizar los datos empleando el método de los promedios móviles de orden 3. los cuales se presentan en la siguiente tabla: . Calcular el cuadrado medio del error. Pronosticar las ventas para mes de septiembre. Elaborar un gráfico en el que consten las ventas y los pronósticos. Elaborar un gráfico en el que consten las ventas y los promedios móviles. Calculando el cuadrado medio del error se obtienen los siguientes resultados. o para cualquier período futuro. 3) ¿Qué método es el más preciso? Solución: 1) Realizando los cálculos se suavizamiento se obtienen los resultados respectivos de pronóstico.798. los cuales se presentan en la siguiente tabla: Observando la tabla anterior se tiene que el pronóstico de ventas para el mes de septiembre es de 6.                                         1) Suavizar los datos empleando el método de suavización exponencial con a = 5.

      Aplicando la fórmula se obtiene el cuadrado medio del error: .

                                                Los cálculos realizados en Excel se muestran en la siguiente figura: La gráfica de las ventas y los pronósticos con el método de suavización exponencial elaborada en Excel se muestra en la siguiente figura: 2) Suavizando los datos empleando el método de los promedios móviles de orden 3 elaborado en Excel se muestra en la siguiente figura: .

por lo que el pronóstico para septiembre es de 7. se concluye que el método de los promedios móviles es el más preciso para este ejemplo ilustrativo.09 y con el método de los promedios móviles es de 4.522. se supondrá que los meses determinan la estacionalidad. La gráfica de las ventas y los pronósticos con el método de los promedios móviles elaborada en Graph se muestra en la siguiente figura: 3) Como CME en el método de suavización exponencial es de 7. . los precios en los meses de enero tienen un comportamiento similar entre ellos.52.                        Observando el gráfico anterior se tiene que el último pronóstico calculado es de 7. Como se tienen los datos mensuales. es decir. marzos. (2) estima la estacionalidad. Observando el gráfico anterior se tiene que el cuadrado medio del error es de 4. etc. En este caso el número de periodos (P) es 12.                   Implementación del Modelo de suavización exponencial de Winter Este modelo consiste en cuatro ecuaciones: (1) se encarga de la suavización simple. (3) estima la tendencia (4) agrega las estimaciones de las tres ecuaciones. pero difieren de los febreros.

.                                         Como se observa en las ecuaciones (1). Esto genera la necesidad de calcular unos índices estacionales para los primeros 12 meses así: Índice de Enero = promedio de Eneros / promedios de todos los meses. En la siguiente figura se observa como calcular estos índices en Excel. (2) y (4) para evaluarlas se necesitan los índices estacionales del año anterior.

beta y gamma en el intervalo (0.                       Teniendo los índices se procede a implementar las ecuaciones (1). en este caso se tomó arbitrariamente el valor de 0. En las siguientes graficas se presenta la implementación de las ecuaciones.2 para los tres parámetros. para ello definen alpha. .1). (3) y (4). (2).

La ecuación (1) suaviza la irregularidad (estacionaridad) de la serie de datos. .                             La celda H1. para que la formula pueda ser copiada y H1 permanezca fija en la formula se usa $H$1. La ecuación (2) capta la evolución del factor estacional en el modelo. se necesita usar para estimar todos los Ft.

.                                                           La ecuación (3) capta la evolución del factor estacional en el modelo.

m=1. . en este caso Febrero de 2000. por lo tanto de Yt+1 = (Ft + Tt)*St+1-p.                                            De acuerdo con la ecuación (4). en este caso agosto de 2010. teniendo en cuenta que para estos meses las fórmulas que involucran St+1-p deben reemplazarlo por uno de los índices estacionales inicialmente calculados. Después de implementar las cuatro ecuaciones para el mes de enero del 2001 se copian las formulas hacia arriba hasta el segundo mes. para la estimación de Yt+1. note que no se puede calcular las formulas para septiembre 2010 de Ft. St y Tt por que no se cuenta con el valor observado del precio de la acción de ese mes. Luego se copian las cuatro formulas implementadas para el mes de enero del 2001 hacia abajo hasta el último mes. esto es válido para las estimaciones entre febrero de 2000 hasta agosto de 2010.

gamma. beta y gamma que se tomó arbitrariamente. beta y el primer Tt que minimicen el MSE.                    Los valores alpha. como lo muestra la siguiente gráfica. . El primer Ft tomo el primer valor observado. usando Solver (complemento de Excel) se encuentran los valores de alpha. se deben seleccionar de tal forma que minimicen los errores del modelo. en este caso particular se seleccionó el error cuadrático medio (MSE) y se calcula a partir de los valores observados y estimados. para ello se selecciona uno de los criterios basados en los errores.

12 servirá para comparar con otros modelos. El valor del MSE 8. Los pronósticos se desarrollan a partir del último Ft y Tt que se calculó con el último dato observado. El bajo valor de gamma (0. como se aprecia en la gráfica de los datos. en este caso particular da los siguientes resultados.                                                  La optimización del Solver. .001) se interpreta como que la tendencia no es muy definida en la serie.

                      .

para ello se sugieren los siguientes pasos:   1. su representación algebraica está dado por: Y=T+S+C+I   Donde T representa la tendencia. Cálculo de medias móviles (MA): El objetivo es eliminar los efectos estacionales por lo tanto. se calcula la media a lo largo de un año. estacionalidad y ciclo.   . solo se tienen datos hasta agosto del 2010. su ventaja es que su simplicidad facilita su comprensión e implementación. S la estacionalidad.  Implementación del Modelo de Descomposición aditiva  Este modelo es apropiado para series que presentan tendencia. el método consiste en encontrar la forma de descomponer la serie en estos tres partes individuales.                               Note que solo se puede calcular hasta el MA del periodo 123 (marzo de 2010) porque en este lugar va el  promedio de los datos observados entre septiembre 2009 y agosto 2010. C el ciclo e I la irregularidad.

                      2. entonces para recuperar estos dos factores solo basta con tomar al valor observado y restarle el CMA.     .                     Ahora para obtener los índices estacionales basta con promediar los factores estacionales (SF) que correspondan a los mismos periodos de tiempo.   3. Cálculo de medias móviles centradas (CMA): Note que solo se puede calcular hasta el CMA del periodo 122 (febrero de 2010) porque en este lugar va el promedio de los MA de febrero y marzo de 2010. Cálculo de factor e índice estacional: Si CMA suaviza la estacionaridad y estacionalidad de los datos. Solo se tienen CMA hasta marzo del 2010.

12 0.49 0.34 1. Estimación de la tendencia: Para estimar la tendencia se realiza una regresión lineal entre las observaciones compensadas (d) y el periodo (t).57   4.                       Este valor compensado servirá para determinar la tendencia y el ciclo. .02 0.82 1. Para éste cálculo en Excel se usa el complemento Análisis de datos y la opción Regresión. Cálculo de observaciones compensadas respecto a la variación estacional: Si al valor observado se le resta el índice estacional el resultado contendrá la información de la tendencia.51 -1.74 -0.                     Los índices estacionales para pronosticar los doce meses son los siguientes:   Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic  -0. La variable dependiente en la regresión es d y la independiente es t. el ciclo y la irregularidad del modelo.02 0.72 -1.27 -1.93 -0.

 .

.                                                    Las estimaciones de la regresión se presentan a continuación Con las estimaciones de los betas se estima la Tendencia para los períodos observados y futuros pronósticos.

lo que requiere mínimo 70*4= 280 observaciones y solo se cuentan con 128.  En la gráfica de C se observa que el ciclo económico entre sus dos simas hay 70 periodos (meses). o ciclo de negocios. el que está ligado al ciclo económico. Esto conlleva a concluir que para usar los métodos de descomposición entre más datos se tengan mejor para poder estimar el ciclo.                  6. Para obtener el Ciclo al valor observado se le resta la tendencia y la estacionalidad. Lo usual es usar un método estocástico para estimar el ciclo. Para el resto de periodos es necesario estimar el factor ciclo con algún método que se conozca para el patrón que presente la gráfica. lo que queda es el factor cíclico y la irregularidad de la serie. Cálculo del factor cíclico: Este es el componente de largo plazo. si la serie repite su ciclo económico se podría usar un método de Winter con una estacionalidad de 70 periodos. .                        Note que solo se puede calcular el ciclo para los periodos que cuentan con CMA.

                            C. En este caso donde solo se conocen los métodos determinísticos se usará el método de suavización de Holt para capturar el ascenso que se prevé en el ciclo. . Se deja de tarea al estudiante este procedimiento y a continuación se presenta la gráfica de los ciclos estimados y los pronosticados por el método de Holt.

el pronóstico para los meses futuros se calcula sumando los tres factores estimados: tendencia.                    El MSE para el modelo de descomposición aditivo fue de 8. .24. estacionalidad y ciclo. El pronóstico puntual de y: Suponiendo i = 0.                           7.