Beruflich Dokumente
Kultur Dokumente
t T
la estimacin de la tendencia "a sea mediante una
curva o filtros lineales. Entonces,
Si el modelo es aditi'o
n t t T t X t R ,..., 1 ), (
) ( ) ( = =
representa la serie con los
efectos de tendencia removidos.
'n!logamente, si el modelo es $ixto
) (
) (
) (
t T
t X
t W =
representa la serie, una vez
removidos los efectos de tendencia.
Estas series generadas a partir de la original por eliminacin de la tendencia se
denominan Iseries de residuosP " de$er!n contener predominantemente
fluctuaciones estacionales. (ara estimar la estacionalidad se re%uiere )a$er
decidido el modelo a utilizar (mixto o aditivo), lamenta$lemente esto no es
siempre claro, "a sea por%ue no contamos con informacin a priori para
suponerlo o por%ue el gr!fico no )a dejado evidencia suficientemente clara
como para decidirnos por alguno de ellos. En tal situacin se propone calcular
am$as series residuales " elegir a%uella cu"os valores correspondientes a una
estacin dada oscilen menos en torno a su promedio.
(ara fijar ideas, supongamos una serie con datos trimestrales " %ue la
informacin de las series residuales pueden ser resumidas como en las ta$las
2.= " 2.?.
Tabla 2.!. >esiduos modelo 4ixto
0er2odo 1 2 3 0romedi
o
STD 1.V.
Esta(i.n 4ila 4ila 4ila
/ 3(1) 3(4) 3(2k-1)
) 1 ( W
!
1
) 1 (
1
W
S
2 3(2) 3(5) 3(2k-2)
) 2 ( W
!
2
) 2 (
2
W
S
3 3(1) 3(6) 3(2k-1)
) 3 ( W
!
1
) 3 (
2
W
S
= 3(2) 3(7) 3(2k)
) 4 ( W
!
2
) 4 (
4
W
S
Tabla 2.". >esiduos modelo 'ditivo
0er2odo 1 2 3 0romedi
o
STD 1.V.
Esta(i.n 4ila 4ila 4ila
/ 8(1) 8(4) 8(2k-1)
) 1 ( R
!
1
) 1 (
1
R
S
2 8(2) 8(5) 8(2k-2)
) 2 ( R
!
2
) 2 (
2
R
S
3 8(1) 8(6) 8(2k-1)
) 3 ( R
!
1
) 3 (
2
R
S
= 8(2) 8(7) 8(2k)
) 4 ( R
!
2
) 4 (
4
R
S
na forma de seleccionar el modelo, es por inspeccin de los coeficientes de
variacin (&.;.). Suponemos, %ue en a%uellas filas donde la variacin sea
menor en torno a la media tendr! menor coeficiente de variacin en t#rminos
a$solutos. 5uego, comparando dic)os coeficientes parece razona$le
seleccionar el modelo cu"os coeficientes sean menores en t#rminos a$solutos.
Esto puede complementarse con gr!ficos para cada fila en am$os modelos.
:inalmente, una vez %ue se )a elegido el modelo a utilizar, se procede a
estimar la estacionalidad.
Si el modelo es 4ixto, entonces,
) 1 ( ) 1 ( ) 1 (
= W W E
) 1 ( ) 2 ( ) 2 (
= W W E
) 1 ( ) 3 ( ) 3 (
= W W E
) 1 ( ) 4 ( ) 4 (
= W W E
donde:
=
=
4
1
4
) (
h
h W
W
" si el modelo es 'ditivo, entonces,
R R E = ) 1 ( ) 1 (
R R E = ) 2 ( ) 2 (
R R E = ) 3 ( ) 3 (
R R E = ) 4 ( ) 4 (
donde
=
=
4
1
4
) (
h
h R
R
(ro$a$lemente, la primera idea para estimar la estacionalidad consistir+a de los
promedios por estacin en las series residuales. 5a correccin %ue aparece
arri$a para cada caso, apunta a garantizar %ue,
Aditivo Modelo n E
S
n
=
=
1
, 0 ) (
Mixto Modelo n E
S
n
=
=
1
, 1 ) (
) (
) (
t T
t X
t W =
" se o$tuvo la serie suavizada
F(t):
Trimestr
e
19" 19 19# 19$ 199 19#% 19#1
/ 3B/ 33H 2H@,? 3B3,/2? 3L?,2? 3=2,3B? =BG,@2?
2 3@L 3GH,3B? 3/=,2? 3H2,2? 3H2,HB? 3??,HB? ?G@,@2?
3 3@B 2H=,? 3=G,? 3L/ 3@@ 3H2,3B? ?3@,3B?
= 3?L 2B@,2? 3?L,2? 3LB,B? 3=H,3B? =23,@2? ??H,@2?
Sea
) (
t T
la estimacin de la tendencia (
2
* 594386 , 0 * 3984 , 11 63 , 379 ) (
t t t T + =
)
Trimestre 19" 19 19# 19$ 199 19#% 19#1
/ 3@H,H3 33B,?G 32?,/L 33/,LG 3?B,@3 =G2,3L =@@,/@
2 3?L,2/ 332,@= 32?,GL 33@,?? 3@B,G= =/@,?? =H?,GH
3 3?G,BH 32H,LB 32@,=H 3=2,3L 3BB,@3 =3/,LG ?G?,/H
= 3=3,?? 32@,=H 32H,== 3=L,=2 3HL,=2 ==H,== ?2@,=B
Entonces,
) (
) (
) (
t T
t X
t W =
, donde X(t) es la serie o$servada.
Trimestre 19" 19 19# 19$ 199 19#% 19#1
) (h W
/ G,BB G,H/ G,@B G,L G,L= G,@@ G,H3 G,HG
2 /,2@ /,/H /,/H /,3= /,2H G,L@ /,2? /,2/
3 /,/2 G,HH /,/B /,2= /,G2 G,L= /,/? /,GB
= / G,@= /,G= /,G@ G,BL G,HH G,LB G,L/
W
E
G,LLB?
) (h W
E promedio de 3(t) para el trimestre 9, 9 E /, 2, 3, =.
) (
) (
accidental parte la removido a !e
91 , 0 ) 4 (
07 , 1 ) 3 (
21 , 1 ) 2 (
8 , 0 ) 1 (
t T
t A
W
W
W
W
=
=
=
=
"
9975 , 0
4
) (
4
1
= =
= h
h W
W
&omo se o$serva en la siguiente figura, en el $odelo $ixto estos valores
var+an entorno al uno.
G
G,?
/
/,?
2
G ? /G /? 2G 2? 3G
t
3(t)
Si el modelo es 4ixto, entonces,
) 1 ( ) 1 ( ) 1 (
= W W E
E G,H Q (G,LLB? 8 /) E G,HG2?
) 1 ( ) 2 ( ) 2 (
= W W E
E /,2/ Q (G,LLB? Q /) E /,2/2?
) 1 ( ) 3 ( ) 3 (
= W W E
E /,GB Q (G,LLB? Q /) E /,GB2?
) 1 ( ) 4 ( ) 4 (
= W W E
E G,L/ Q (G,LLB? Q /) E G,L/2?
5a idea es %ue
=
=
4
1
1
4
) (
h
h E
En definitiva, la estimacin de la estacionalidad es,
9125 , 0 ) 4 (
0725 , 1 ) 3 (
2125 , 1 ) 2 (
8025 , 0 ) 1 (
=
=
=
=
E
E
E
E
'. P!EDICCIONES
(redecir, es estimar el futuro utilizando informacin del presente " del pasado.
El conocimiento del futuro nos capacita para planificar, prever o prevenir.
5a idea es estimar X(t) en un instante n + k posterior al ,ltimo dato o$servado
en t =n, k E /,2,3,=,... (trimestre, mes, etc.).
na vez estimada la tendencia " la estacionalidad las frmulas de prediccin
%uedar!n determinadas por:
) mod ) ((
) (
) (
) , (
s k n E k n T k n X k n X + + = + =
4odelo 4ixto
) mod ) ((
) (
) (
) , (
s k n E k n T k n X k n X + + + = + =
4odelo 'ditivo
3./ ERE4(5S I5ST>'TI;S
&on el o$jeto de ilustrar los m#todos revisados en este cap+tulo considere los
siguientes datos:
Tabla ).1. Serie Sriginal
SE-5A6* 1 2 ) ! "
/ /,B3B?B 2,=2/G@ =,=B=H/ =,BHL3L ?,/L2/G ?,/GBB?
2 2,G/H/? 2,HG32? =,H??@@ ?,/=GB@ ?,G@3HB ?,2=BHB
&on el fin de eliminar los efectos irregulares " estacionalidad se o$tiene la serie
suavizada ,(t) con un promedio mvil centrado de orden 2, como se muestra
en la ta$la 3.2.
Tabla ).2. Serie Suavizada (,(t))
SE-5A6* 1 2 ) ! "
/ 8 2,=/?HL =,/?2/= =,HL3H/ ?,/=B2/ ?,/2/H/
2 2,G=HB= 3,/2?@ =,B=3HL ?,G@?B@ ?,/G@L 8
na vez suavizada la serie, se o$tienen las series residuales con el o$jeto de
eliminar la estacionalidad dentro del modelo " sa$er por medio de un an!lisis
ta$ular de los residuos si el modelo es aditivo o mixto.
07I-E7 1AS*: 4odelo 4ixto. X(t) = T(t) E(t) + A(t)
&on el o$jeto de eliminar la estacionalidad de la serie, se genera la serie de
residuos:
) (
) (
) (
t Z
t X
t W =
5a siguiente ta$la contiene los residuos.
Tabla ).). Serie de >esiduos (T(t))
SemU'Ao 1 2 ) ! "
) (h W
S
8
1V
/ 8 /,GG2/= /,GBBB/ G,LBH@@ /,GGHB2 G,LL?3 /,G/2?/ G,G3H/3 G,G2B@@
2 G,LH?GB G,HL@HB /,G23?@ /,G/=H G,LL/?B 8 G,LH23B G,G?G3B G,G?/2B
5a estimacin de la estacionalidad para este caso %ueda dada por:
99744 , 0 = W
) 1 ( ) ( ) (
= W h W h E
) 1 ( ) 1 ( ) 1 (
= W W E
E /,G/2?/Q (G,LLB==8 /) E /,G/2?/ J G,GG2?@ E /,G/?GB
) 1 ( ) 2 ( ) 2 (
= W W E
E G,LH23B J G,GG2?@ E G,LH=L3
SE9:ND* 1AS*: 4odelo 'ditivo. X(t) = T(t) + E(t) + A(t)
&omo en el caso anterior " con el o$jeto de eliminar la estacionalidad se
constru"e la serie de residuos.
8(t) = X(t) - ,(t)
5os resultados se muestran en Ta$la 3.=.
Tabla ).!. Serie de >esiduos (>(t))
SemU'Ao 1 2 ) ! "
) (h R
S
7
1V
/ 8 G,GG?/B G,322@B 8
G,/G==2
G,G==HL 8
G,G2=G@
G,G=HH? G,/@2?@ 3,32BH
2 8
G,G3G?L
G,3223? G,///BB G,GB? 8
G,G=3G3
8 8
G,G=/H=
G,/BG3= 8
=,GB/2
5a estimacin de la estacionalidad para este caso %ueda dada por:
R R E = ) 1 ( ) 1 (
" 836 , 1 = = b a
Wt E G,==2L@@ J G,L3HG2BXt 8 =,?@E8G2XtXX2
na vez o$tenidas estas estimaciones se utiliza la ecuacin
) mod ) ((
) (
) (
s k n E k n T k n X + + + = +
para pro"ectar.
(ro"ecciones
6 , 6 ) 13 (
=
+ =
X
X
8 , 6 ) 14 (
=
+ =
X
X
!esumen
Se llama Serie de Tiempo, a un conjunto de mediciones de cierto fenmeno o
experimento registradas secuencialmente en el tiempo, por ejemplo a cada
)ora, mensualmente, trimestralmente, semestralmente, etc.. En este apunte se
tra$aj con series de tiempo discreto, e%uiespaciadas en cu"o caso se asume
%ue: : Cx(t
1
), x(t
2
), ..., x(t
n
)DE Cx(1), x(2), ..., x(n)D. 1e$ido al car!cter introductorio
se restringi al caso de series de tiempo univariadas.
'l analizar una serie de tiempo, lo primero %ue se de$e )acer es graficar la
serie. Esto nos permite detectar las componentes esenciales de la serie. El
gr!fico de la serie permitir!: detectar Sutlier, detectar tendencias, variacin
estacional, variaciones irregulares (o componente aleatoria).
n modelo cl!sico para una serie de tiempo, puede ser expresada como suma
o producto de tres componentes: tendencia, estacional " un t#rmino de error
aleatorio. Existen tres modelos de series de tiempos. Estos son:
'ditivo: X(t) = T(t) + E(t) + A(t)
4ultiplicativo: X(t) = T(t) E(t) A(t)
4ixto: X(t) = T(t) E(t) + A(t)
&on el fin de o$tener un modelo, es necesario estimar la tendencia " la
estacionalidad. (ara estimar la tendencia, se supone %ue la componente
estacional no est! presente. 5a estimacin se logra al ajustar a una funcin de
tiempo a un polinomio o suavizamiento de la serie a trav#s de los promedios
mviles. (ara estimar la estacionalidad se re%uiere )a$er decidido el modelo a
utilizar (mixto o aditivo). na vez estimada la tendencia " la estacionalidad se
esta en condiciones de predecir.
5os m#todos revisados en este apunte son de naturaleza descriptiva, por lo
%ue el juicio " el conocimiento del fenmeno juegan un rol importante en la
seleccin del modelo.
5os m#todos cl!sicos tienen la desventaja %ue se adaptan a trav#s del tiempo,
lo %ue implica %ue el proceso de estimacin de$e volver a iniciarse frente al
conocimiento de un nuevo dato.
Bi3lio-ra45a
M/N &)ao, 5incoln 5. (/LB?) Estad5stica para ciencias sociales 6
administrati7as. 0ogota: 4c<raY86ill.
M2N Iglesias F. (ilar. (/LHH). Elementos de series de tiempo.
M3N 4a7rida7is, SV T)eelrig)t, S.&.V 4c<ee, ;.E. (/LH3). &orecastin-8
"et9ods and Applications. Tile", OeY Wor7.
M=N (eAa, 1aniel. (/LHL). Estad5stica: "odelos 6 ";todos %. "odelos
.ineales 6 Series Temporales. 'lianza niversidad, 4adrid.
Enlaces
Einsteinnet (2GG/). Anlisis Clsico De Series Temporales. Men l+neaN.
1isponi$le en:
)ttp:UUYYY.einsteinnet.comUeconometriaUseriestempUacseriestemp.)tm
&onectado el 2? de junio de 2GG/.
IOEI.(2GG/). Desestacionali<acin de series de tiempo econmicas. Men
l+neaN. 1isponi$le en: YYY.inei.go$.peUcpiU$ancopu$Uli$freeU5I0=GHU5I0=GH.)tm
&onectado el 2@ de junio de 2GG/.