You are on page 1of 58

CTEDRA : ECONOMETRA CATEDRTICO DR HUMAN SAMANIEGO H CATEDRTICO : DR.

HUMAN SAMANIEGO, Hctor ALUMNO : ARANA PORRAS, Patricia Harumi : AROTOMA LANAZCA, Miky : MILLN FERNNDEZ, Katherin : ROJAS COHALA, Percy CTEDRA : ECONOMETRA CATEDRTICO DR HUMAN SAMANIEGO H CATEDRTICO : DR. HUMAN SAMANIEGO, Hctor ALUMNO : ARANA PORRAS, Patricia Harumi : AROTOMA LANAZCA, Miky : MILLN FERNNDEZ, Katherin

: ROJAS COHALA, Percy

MODELOS LINEALES DE SERIE DE TIEMPODE SERIE DE TIEMPO MODELOS LINEALES DE SERIE DE TIEMPODE SERIE DE TIEMPO

Definicin Gran cantidad de datos que se recopilan, observan o registran en intervalos de tiempo los encontramos en forma de series de tiempo(Series de precio, tipo de cambio, PBI) MODELOS LINEALES DE SERIES DE TIEMPO una Lista de valores a intervalos regulares de tiempo. El comportamiento de la serie de datos se dice que posee varios componentes: tendencia cclico estacional irregular o Aleatorio

P a ra q u e s e u t i l i z a n l a s s e ri e s d e T i e m p o PREDECIR . Conocer el comportamiento futuro de ciertos fenmenos con el fin de planificar, prevenir. . Se utilizan para predecir a partir del comportamiento de esa variable en

el pasado.

COMPONENTE DE TENDENCIA Es un comportamiento que se observa a largo plazo (En periodo largo de varios aos). Se observa en un periodo amplio (Varios aos) Se da por los cambios en la productividad a largo plazo, aceptacin del producto, las tendencias demogrficas, cambios tecnolgicos, etc. Veamos ejemplo.

T E N D E N C IA Mensualmente: sube # turistas TENDENCIA Mensualmente: sube # turistas

COMPONENETE CCLICO Es la fluctuacin en forma de onda alrededor de la tendencia. Se da por los ciclos de la actividad econmica, los ciclos de los negocios, ciclo de vida le los productos, entre otros factores. Se caracteriza tambin porque su duracin es irregular (Los ciclos no duran siempre una misma cantidad de tiempo puede ser prolongada o + corto)

COMPONENTE ESTACIONAL Es un patrn de cambio que se repite ao tras ao, por que esta influido por: El clima o el ao calendario. Este es el caso de precio de productos agrcolas, ventas de productos como tiles escolares, sombrillas, etc.

S e r e p i t e a o tr a s a o Se repite ao tras ao

COMPONENTE ALEATORIO Es la variacin de la serie de datos despus de eliminar los otros componente. Son factores que no corresponden ala tendencia, ala estacionalidad ni a los ciclos de variable.

S e p d n d b r a d s e s n a e s , g r r a s

u e e e e e a s t r a t u r l

u e

Se pueden deber a desastres naturales, guerras

SERIE DE TIEMPO . Al estudiar una serie de tiempo hay que tener cuidado id d estos t con t cuatro elementos y saber distinguir entre ellos. . Esto es importante para no llegar a conclusiones errneas.

M O D E L O D E P R O M E D I O MVILES MODELO DE PROMEDIO MVILES

Este modelo utiliza el promedio de varios perodos anteriores como pronstico para el siguiente perodo. El promedio mvil implica que cuando se dispone de una nueva observacin, se calcula una nueva media eliminando el valor ms antiguo y agregando el ms reciente. Este nuevo promedio es el pronstico para el siguiente perodo. La ecuacin para o

Donde: es el pronstico para el perodo t+1 St+ 1 Yt es el valor observado en el perodo t m es el nmero de perodos en el promedio mvil

El mtodo de los promedios mviles es til cuando se tienen series que no tienen ni tendencia, ni estacionalidad, es decir para series que tienen un comportamiento aleatorio. Es una de las metodologas existentes para obtener los ndices estacionales, p , g ya sean semanales, mensuales o trimestrales. El promedio mvil no elimina las fluctuaciones

muy acentuadas de la serie, pero reduce sustancialmente la amplitud de las variaciones de los datos originales, es decir, elimina total o parcialmente las variaciones estacionales y las irregulares.

MODELOS BSICOS DE PROMEDIO MEDIA MVIL SIMPLE Una medida mvil simple (MMS) combina los datos de demanda de la mayor parte de los periodos recientes, siendo su promedio el pronstico para el periodo siguiente. Una vez calculado el nmero de periodos anteriores a ser empleado en las operaciones, se debe de mantener constante. Se puede emplear

una medida mvil de tres periodos de 20, pero una vez que se ttoma lla ddecisin i i hhay que continuar ti usando d el l mismo i nmero de periodos. Despus de seleccionar el nmero de periodos a ser usados, se dan pesos iguales a las demandas para determinar el promedio. El promedio se mueve en el tiempo

en el sentido de que al transcurrir un periodo, la demanda del periodo ms antiguo se descarta, y se agrega la demanda para el periodo mas reciente para la siguiente operacin, superando as la principal limitacin del modelo del promedio simple.

Donde t = 1 en el periodo ms antiguo en el promedio de n periodos t = n es el periodo ms reciente

EJEMPLO Una empresa ha experimentado la siguiente demanda de productos para sus neveras durante los ltimos seis meses: Mes Enero Febrero Marzo Abril Mayo Demanda total de neveras 200 300 200 400 500 Junio 600

El gerente de planta ha solicitado que se prepare un pronstico usando una medida mvil de seis periodos para pronosticar las ventas del mes de Julio. El 2 de Julio est por dar principio la corrida de produccin de = 367

Algunas veces quien hace los pronsticos desea utilizar una media mvil pero no quiere que todos los n periodos tengan el mismo peso. Una medida mvil ponderada (MMP) es un modelo de media mvil que incorpora algn peso de la demanda anterior distinto a un peso igual para todos los periodos anteriores bajo consideracin, la representacin de este modelo es el siguiente: Demanda de cada periodo por un peso MMP = determinado, sumada a los largo de todos los Periodos en la media mvil.

E J E M P L O Para la Empresa, un pronstico de la demanda para julio usando un modelo de tres periodos en donde la demanda del periodo ms reciente tenga un peso del doble de los dos periodos anteriores, tendr la siguiente forma. MMP = 525

MODELOS AUTOREGRESIVOS MODELOS AUTOREGRESIVOS

MODELO AUTORREGRESIVO . Definimos un modelo AR (autorregresivo) como aquel en el que la variable endgena de un perodo t es explicada por las observaciones de ella misma correspondientes a perodos anteriores (parte ( p sistemtica) ) ms un trmino p de error ruido blanco ( innovacin) . . Los modelos autorregresivos se abrevian con la

palabra AR tras la que se indica el orden del modelo: AR(1) , AR( 2) ,. . . . etc. El orden del modelo expresa el nmero de observaciones retasadas de la series temporal analizada que intervienen en la ecuacin.

PROCESO AUTORREGRESIVO . Los modelos autorregresivos ( AR) pueden describirse, de una forma general, como aqullos en los que una variable se explica, al menos en parte, en funcin de sus valores pasados. . El proceso autorregresivo mas elemental es el AR( 1) , proceso autorregresivo de orden 1 o cadena de Markow: una variable se explica

por su valor en el periodo precedente, ms un termino de error.

MODELO AUTORREGRESIVO

PROCESOS AUTORREGRESIVOS AR( p)

MODELO AUTORREGRESIVO AR(p) . El ajuste autorregresivo de orden p, AR (p) , consiste en suponer que los valores registrados han sido generados por un modelo subyacente de la forma: esto es, la lectura que se obtiene en la etapa i-sima depende linealmente de las ltimas p observaciones, ms un error aleatorio representado aqu por ei. Otras

hiptesis adicionales del modelo son: . El proceso es estacionario hasta el segundo orden (significa esto que la esperanza estocstica de las observaciones es constante y que la covarianza entre observaciones depende nicamente de su separacin en el tiempo) . . Los residuos ei son normales de media nula y varianza desconocida; estos residuos son, por lo dems, independientes

entre s y de las variables yi del proceso.

RESTRICCIONES . El proceso no debe ser anticipante (hiptesis de recursividad temporal) ; lo que quiere decir que los valores de una variable en un momento t no dependern de los que esta misma tome en t+j. . La correlacin entre una variable y su pasado va reducindose a medida que nos alejamos ms en el tiempo

(proceso ergdico) . La magnitud de los coeficientes est limitada en valor absoluto: as, por ejemplo, en el caso de un AR(1) , el coeficiente autorregresivo de un proceso estocstico estacionario ha de ser inferior a 1 en valor absoluto; en el caso de un Ar(2) , es la suma de los dos coeficientes la que no puede exceder la

unidad. Estas restricciones expresadas en los coeficientes conectan con las propiedades de estacionariedad del proceso analizado o, dicho de otro modo: slo los modelos cuyos coeficientes respetan una serie de condiciones (que dependen del orden p del modelo) representan procesos estocsticos estacionarios y, por tanto, tienen utilidad analtica.

ESTIMACINYPRONSTICODESERIESDETIEMPOESTIMACINYPRONSTICODESERIESDETIEMPO

Concepto

El primer paso para analizar una serie de tiempo es graficarla, esto permite: identificar la tendencia, la estacionalidad, las variaciones irregulares ( componente aleatoria) . . Ejemplos: Precios de un Tasa de artculo inflacin Tasas de desempleo ndice de precios, etc.

COMPONENTES DE UNA SERIE DE TIEMPO COMPONENTES DE UNA SERIE DE TIEMPO La La Variacin Variacin Tendencia Variacin Estacional Irregular Secular Cclica

TENDENCIA SECULAR Las tendencias a largo plazo (sin alteraciones de una serie de tiempo) de las ventas, el empleo, los precios de las acciones, y otras series econmicas y, y y p comerciales.

La figura muestra grficamente la recta de tendencia ajustada a los datos trimestrales. La figura muestra grficamente la recta de tendencia ajustada a los datos trimestrales.

El componente cclico es la fluctuacin en forma de onda alrededor de la tendencia, afecta por lo regular por las condiciones econmicas generales. Los VARIACIN CCLICA patrones cclicos tienden a repetirse en los datos aproximadamente cada dos tres o ms aos.

Movimientos cclicos o variaciones cclicas o ciclo. Se refieren a las oscilaciones de larga duracin alrededor de la curva de tendencia, los cuales pueden o no ser peridicos, es decir, pueden o no seguir caminos anlogos en intervalos de tiempo iguales.

Patrones de cambio en una serie de tiempos en un ao, tales patrones tienden a repetirse cada ao. El componente VARIACIN ESTACIONAL estacional se refiere a un patrn de cambio que se repite a si mismo ao tras ao.

. Movimientos estacionales o variaciones estacionales. Se refieren a las fluctuaciones peridicas que se Se refieren a las fluctuaciones peridicas que se observan en series de tiempo cuya frecuencia es menor a un ao (trimestral, mensual, diaria, etc. ) , aproximadamente en las mismas fechas y casi con la misma intensidad.

Las principales fuerzas que causan una variacin En invierno las ventas de helado En verano la venta de lana Exportacin de fruta en marzo. estacional son las condiciones del tiempo, como por ejemplo: Las principales fuerzas que causan una variacin En invierno las ventas de helado En verano la venta de lana Exportacin de fruta en marzo. estacional son

las condiciones del tiempo, como por ejemplo: Todos estos fenmenos presentan un comportamiento estacional (anual, semanal, etc. )

Contabiliza la variabilidad aleatoria en una serie de tiempo ocasionada por factores imprevistos y no ocurrentes. La mayora VARIACIN IRREGULAR de los componentes irregulares se conforman de variabilidad aleatoria.

M M E T S I R R E L A R E S O A L A Z

O V I I N O

G U

O RUIDO ESTADSTICO Si bien pueden ser generados por factores de tipo econmico, generalmente sus efectos producen variaciones que solo duran un corto intervalo de q tiempo.

Al analizar una serie de tiempo es necesario, entonces, tener en consideracin el comportamiento de cada uno de estos componentes. Para ello el criterio mascomponentes. Para ello el criterio mas lgico a seguir es aislarlos secuencialmente partiendo de la serie original para luego analizarlos de manera individual. Al analizar una serie de tiempo es necesario, entonces, tener en consideracin

el comportamiento de cada uno de estos componentes. Para ello el criterio mascomponentes. Para ello el criterio mas lgico a seguir es aislarlos secuencialmente partiendo de la serie original para luego analizarlos de manera individual.

FIN NO! , NO TENGO TIEMPO PARA NUEVAS IDEAS TENGO UNA BATALLA QUE GANAR!