FACULTAD DE CIENCIAS ECONOMICAS Y EMPRESARIALES

CURSO: ANALISIS BASICO DE SERIES TEMPORALES

TAREA N°1IDENTIFICACION DE LA SERIE DE TIEMPO

 TAREA N°1

1. Busca en Internet el IPI (Índice de Producción Industrial) de algún país/estado/región

de tu interés (excluido el IPI español; procura que sean datos mensuales a lo largo de
varios años)

Se escogió los datos mensuales del Índice de Producción Industrial(IPI) del país de Alemania
miembro de la Unión Europea, con una data de 259 observaciones desde enero de 1995 hasta
julio 2016.

Fuente:
http://www.ine.es/jaxi/tabla.do?type=pcaxis&path=/t38/bme2/t42/p07/l0/&file=1800014.px

Los Estadísticos principales, usando las observaciones 1995:01 - 2016:07 para la variable 'IPIa'
(259 observaciones válidas).

Media 95,43
Mediana 93,30
Mínimo 75,20
Máximo 118,60
Desviación Típica 11,45
C.V 0,12
Asimetría -0,015
Exc. de curtosis -1,34
Percentil del 5% 77,60
Percentil del 95% 110,90
Rango intercuartílico 20,90

Gráfico N°1 Distribución de frecuencias IPIa.

grafico de distribucion de frecuencias

0.14

0.12
Frecuencia relativa

0.1

0.08

0.06

0.04

0.02

0
75 80 85 90 95 100 105 110 115 120
IPIa
 2. Carga los datos en gretl y obtén el gráfico de la serie temporal. ¿Puedes identificar
algún componente de la serie?

El gráfico de la serie temporal Índice de Producción Industrial para Alemania(IPIa) es

Gráfico N°2 serie IPIa

120

115

110

105

100
IPIa

95

90

85

80

75
1995 2000 2005 2010 2015

Observando la serie se puede ver que hay dispersión en las observaciones de mes a mes, es decir
a lo largo del tiempo las pendientes cambian, por lo que hay una pauta que se repite todos los
años.

¿Puedes identificar algún componente de la serie?

Las series de tiempo se presentan dos componentes bien definidos parte sistemática y parte
irregular de las cuales se pueden agrupar en 4 componentes: la tendencia, las variaciones
estacionales, las variaciones cíclicas y las variaciones residuales. En la serie Índice de Producción
Industrial para Alemania podemos observar los siguientes componentes.

 la tendencia

Se observa una tendencia creciente a lo largo del tiempo, producto del proceso industrial al que
se ha sometido Alemania en los últimos 20 años.

 Variación estacional

Ya que se pueden observar oscilaciones que se producen mes a mes y que se reproducen de
manera de manera reconocible en los diferentes años.
  Componente no observable: las variaciones residuales o irregulares.

Como se puede observar en la serie IPIa existen movimientos en la serie que no muestran
un carácter periódico reconocible y que son originados por fenómenos singulares que
afectan a la variable en estudio de manera causal y no permanente.

Cabe destacar que en esta serie no se puede observar un ciclo tendencial ya que no se
observan oscilaciones que se produzcan con un periodo superior al año que sean de
maneras repetitivas.

2.Obtén la serie de los logaritmos del IPI (logIPI) y su gráfico. ¿Observas mayor o menor
dispersión? ¿Por qué?

Gráfico N°3 serie log(IPIa)

4.8

4.75

4.7

4.65

4.6
l_IPIa

4.55

4.5

4.45

4.4

4.35

4.3
1995 2000 2005 2010 2015

¿Observas mayor o menor dispersión? ¿Por qué?

Al aplicar logaritmo a la serie se observa una menor dispersión en la serie IPIa, la serie antes de
aplicarle logaritmo es posible que haya presentado el problema de heterocedasticidad, el
logaritmo permite que se reduzca la dispersión entre las observaciones, es decir que esta
dispersión no varíe demasiado o al menos se mantenga constante a lo largo del tiempo, para
obtener una media 𝐸(𝑢) = 0 y una varianza constante a lo largo del tiempo.

Si comparamos la serie normal IPIa con la serie log(IPIa) se puede observar que la serie
logarítmica tiene la misma tendencia que la serie original pero medida en otra escala.
 Grafico N°4 serie IPIa vs serie log(IPIa)

120 4.8
IPIa (izquierda)
l_IPIa (derecha)

115 4.75

4.7
110

4.65
105

4.6
100

4.55

95
4.5

90
4.45

85
4.4

80 4.35

75 4.3
1995 2000 2005 2010 2015

3. Obtén los gráficos media-rango de ambas series. ¿Confirman tu contestación

anterior? ¿Por qué?

 Media-rango de ambas series IPIa

Gráfico N°5 Media-rango IPIa

gráfico rango-media de IPIa
20

18

16

14

12
rango

10

2
75 80 85 90 95 100 105 110 115
media
Estadísticos de rango-media para IPIa
utilizando 22 submuestras de tamaño 12

rango media
1995:01 - 1995:12 5.10000 78.0417
1996:01 - 1996:12 2.10000 77.2250
1997:01 - 1997:12 8.50000 79.8833
1998:01 - 1998:12 3.30000 83.5250
1999:01 - 1999:12 6.20000 84.7250
2000:01 - 2000:12 10.6000 89.4500
2001:01 - 2001:12 6.70000 89.4917
2002:01 - 2002:12 8.90000 88.4083
2003:01 - 2003:12 5.50000 88.5750
2004:01 - 2004:12 5.80000 92.0417
2005:01 - 2005:12 9.10000 95.6500
2006:01 - 2006:12 7.90000 101.042
2007:01 - 2007:12 4.30000 107.367
2008:01 - 2008:12 19.9000 107.900
2009:01 - 2009:12 8.30000 89.5500
2010:01 - 2010:12 15.8000 100.000
2011:01 - 2011:12 17.6000 108.767
2012:01 - 2012:12 5.90000 107.158
2013:01 - 2013:12 6.10000 107.092
2014:01 - 2014:12 7.00000 109.108
2015:01 - 2015:12 3.80000 110.108
2016:01 - 2016:07 8.20000 110.929

pendiente de 'rango' con respecto a 'media' = 0.137154

el valor p para H0: pendiente = 0 es 0.10913

¿Confirman tu contestación anterior? ¿Por qué?

Como se puede observar el valor de la pendiente del rango con respecto a la media es positivo
mayor que cero (0.1371), lo que quiere decir que la dispersión de la serie aumenta conforme
aumenta la media de la serie, lo que indica que esta serie puede presentar heterocedasticidad.
Para corregir este problema se puede utilizar la transformación Box-Cox con el objetivo de
estabilizar la varianza, por lo que se confirma anteriormente la presencia de heterocedasticidad
en la serie.
𝑦𝜆 − 1
𝑦 ∗ (𝜆) =
𝜆
Como la pendiente rango-media es positiva mayor que cero, usaremos 𝜆 < 1 para bajar la
heterocedasticidad.
Intentaremos con:
𝜆 = 0.9
𝜆 = 0.6
𝜆 = 0.3
𝜆 = 0.1
A pesar de ir disminuyendo la landa( 𝜆 ) hasta valores cercanos a cero la dispersión en la serie
aun continua, es por ello que utilizaremos el logaritmo para reducir aún más la dispersión.

 Media-rango de ambas series IPIa

Ahora realizamos el mismo procedimiento para la primera diferencia del logaritmo de la serie,
esperando que la línea se ajuste horizontalmente y que la pendiente se acerque a cero para
que la serie sea homocedastica.
 Gráfico 6 Media- rango log(IPIa)

gráfico rango-media de l_IPIa

0.2

0.18

0.16

0.14

0.12
rango

0.1

0.08

0.06

0.04

0.02
4.3 4.35 4.4 4.45 4.5 4.55 4.6 4.65 4.7 4.75
media

Estadísticos de rango-media para l_IPIa

utilizando 22 submuestras de tamaño 12

rango media
1995:01 - 1995:12 0.0654499 4.35712
1996:01 - 1996:12 0.0271861 4.34668
1997:01 - 1997:12 0.107088 4.38017
1998:01 - 1998:12 0.0394081 4.42507
1999:01 - 1999:12 0.0728021 4.43920
2000:01 - 2000:12 0.118442 4.49311
2001:01 - 2001:12 0.0754438 4.49387
2002:01 - 2002:12 0.101050 4.48168
2003:01 - 2003:12 0.0621318 4.48370
2004:01 - 2004:12 0.0632708 4.52210
2005:01 - 2005:12 0.0949122 4.56035
2006:01 - 2006:12 0.0772245 4.61521
2007:01 - 2007:12 0.0400612 4.67616
2008:01 - 2008:12 0.192212 4.67994
2009:01 - 2009:12 0.0923390 4.49435
2010:01 - 2010:12 0.159451 4.60416
2011:01 - 2011:12 0.160636 4.68859
2012:01 - 2012:12 0.0550769 4.67419
2013:01 - 2013:12 0.0571584 4.67356
2014:01 - 2014:12 0.0647775 4.69216
2015:01 - 2015:12 0.0344862 4.70142
2016:01 - 2016:07 0.0738409 4.70868

pendiente de 'rango' con respecto a 'media' = 0.0676487

el valor p para H0: pendiente = 0 es 0.390715
 ¿Confirman tu contestación anterior? ¿Por qué?
Como se puede observar el valor de la pendiente del rango con respecto a la media es positivo
pero cada vez más cercanos a cero (0.06), lo que quiere decir que la dispersión de la serie va
disminuyendo conforme aumenta la media de la serie, lo que indica que esta serie puede ser
homocedastica, aunque los puntos rango media no se alienen exactamente de forma horizontal
para obtener una pendiente cero.

4. Obtén las primeras diferencias de los logaritmos del IPI (ΔlogIPI) y su gráfico. ¿Qué
puedes decir sobre las tasas de crecimiento del IPI durante el último año?

Gráfico N°7 serie ∆log⁡(𝐼𝑃𝐼𝑎)

0.15

0.1

0.05
d_l_IPIa

-0.05

-0.1

-0.15

-0.2
1995 2000 2005 2010 2015

Se puede observar que aplicando la primera diferencia al logaritmo de la serie se obtienen las
tasas de crecimiento de la serie la serie se convierte en estacionaria en media y varianza, en el
último año las tasas de crecimiento mensuales son las siguientes:

Periodo IPIa log(IPIa) ∆log⁡(IPIa)

2015:07 110.8 4.707727 -0.001803

2015:08 109.1 4.692265 -0.01546
2015:09 109.8 4.698661 0.006396
2015:10 112.1 4.719391 0.02073
2015:11 110.6 4.705920 -0.01347
2015:12 110.4 4.704110 -0.001810
2016:01 110.5 4.705016 0.0009054
2016:02 110.7 4.706824 0.001808
2016:03 110.9 4.708629 0.001805
 2016:04 112.0 4.718499 0.009870
2016:05 110.2 4.702297 -0.01620
2016:06 115.2 4.746670 0.04437
2016:07 107.0 4.672829 -0.07384

Gráfico N°8 tasa de crecimiento mensual del ultimo año

Tasa de crecimiento mensual del ultimo año

0.06

0.04

0.02
d_l_IPIa

-0.02

-0.04

-0.06

-0.08
2016

¿Qué puedes decir sobre las tasas de crecimiento del IPI durante el último año?
La tasa de crecimiento mensual en el último año existe mucha variabilidad en las tasas de
crecimiento, se puede observar que el crecimiento del IPIa es pequeño en los diferentes meses
del último año. Además, se observan que la serie en el último año es estacionaria en media y
varianza.

5. Obtén el grafico de las tasas de crecimiento anual. ¿Cuál es el dato de la tasa de

crecimiento anual de este país o región?

Se puede observar claramente que el método de la primera diferencia del logaritmo es un

método apropiado para explicar la variación porcentual de un periodo a otro, en
comparación del método tradicional ya alternativo. Para comprender como podemos
calcular la tasa de crecimiento anual del IPIa calculamos ∆12log(IPIa) para ejemplificar
escogemos del total de la data 3 años de muestra para especificar la forma del cálculo:
Periodo IPIa log(IPIa) ∆𝒍𝒐𝒈(𝑰𝑷𝑰𝒂) ∆𝟏𝟐𝒍𝒐𝒈(𝑰𝑷𝑰𝒂)

1995:01 79.1 4.370713

1995:02 78.9 4.368181 -0.002532

1995:03 78.9 4.368181 0.000

1995:04 77.5 4.350278 -0.01790

1995:05 80.5 4.388257 0.03798

1995:06 76.8 4.341205 -0.04705

1995:07 77.8 4.354141 0.01294

1995:08 77.6 4.351567 -0.002574

1995:09 77.9 4.355426 0.003859

1995:10 75.4 4.322807 -0.03262

1995:11 77.6 4.351567 0.02876

1995:12 78.5 4.363099 0.01153

1996:01 77.7 4.352855 -0.01024 -0.01786

1996:02 76.2 4.333361 -0.01949 -0.03482

1996:03 76.4 4.335983 0.002621 -0.03220

1996:04 77.0 4.343805 0.007823 -0.006473

1996:05 76.4 4.335983 -0.007823 -0.05227

1996:06 77.7 4.352855 0.01687 0.01165

1996:07 77.5 4.350278 -0.002577 -0.003863

1996:08 78.1 4.357990 0.007712 0.006423

1996:09 78.1 4.357990 0.000 0.002564

1996:10 77.1 4.345103 -0.01289 0.02230

1996:11 78.3 4.360548 0.01544 0.008980

 1996:12 76.2 4.333361 -0.02719 -0.02974

Gráfico N°9 tasa de crecimiento anual IPIa

tasa de crecimiento anual de IPIa
0.2

0.15

0.1
diferencia12logIPIa

0.05

-0.05

-0.1

-0.15

-0.2

-0.25

-0.3
2000 2005 2010 2015

¿Cuál es el dato de la tasa de crecimiento anual de este país o región?

Como se observa en el gráfico la tasa de crecimiento anual de partida es del enero de 1996
cuyo valor es -0.01786 lo que implica que el índice de producción industrial de enero de 1995 a
enero del 1996 ha disminuido en un 1.786%.
 6. Obtén la FAC y FACP de la serie del IPI ¿Te parece estacionaria? ¿Detectas algunas
regularidades en los datos?

Grafico N°10 FAC de la serie IPIa

FAC de IPIa
1
+- 1.96/T^0.5

0.5

-0.5

-1
0 5 10 15 20 25
retardo

FACP de IPIa
1
+- 1.96/T^0.5

0.5

-0.5

-1
0 5 10 15 20 25
retardo

Función de autocorrelación para IPIa

***, ** y * indica significatividad a los niveles del 1%, 5% y 10%
Utilizando desviación típica 1/T^0.5

RETARDO FAC FACP Estad-Q. [valor p]

1 0.9619 *** 0.9619 *** 242.4433 [0.000]

2 0.9523 *** 0.3618 *** 480.9960 [0.000]
3 0.9383 *** 0.0874 713.4956 [0.000]
4 0.9145 *** -0.1453 ** 935.2194 [0.000]
5 0.8985 *** -0.0131 1150.0760 [0.000]
6 0.8722 *** -0.1223 ** 1353.3269 [0.000]
7 0.8551 *** 0.0522 1549.4743 [0.000]
8 0.8313 *** -0.0462 1735.6083 [0.000]
9 0.8031 *** -0.1032 * 1910.0256 [0.000]
10 0.7822 *** 0.0012 2076.1419 [0.000]
11 0.7620 *** 0.0917 2234.4076 [0.000]
12 0.7390 *** -0.0060 2383.8704 [0.000]
13 0.7209 *** 0.0406 2526.6784 [0.000]
14 0.6952 *** -0.0988 2660.0462 [0.000]
15 0.6771 *** 0.0202 2787.0756 [0.000]
16 0.6530 *** -0.0550 2905.6798 [0.000]
17 0.6348 *** 0.0740 3018.2401 [0.000]
18 0.6202 *** 0.0532 3126.1148 [0.000]
19 0.6023 *** 0.0295 3228.2978 [0.000]
20 0.5872 *** -0.0258 3325.8388 [0.000]
21 0.5688 *** -0.0395 3417.7251 [0.000]
22 0.5540 *** 0.0015 3505.2772 [0.000]
23 0.5421 *** 0.0661 3589.4501 [0.000]
24 0.5232 *** -0.0775 3668.1786 [0.000]
¿Te parece estacionaria?
Según el correlograma la serie es no estacionaria porque FAC decrecen muy lentamente, no
tanto como exponencial, además se observa que los 24 rezagos son significativos por lo que la
serie no es estacionaria.
Además del grafico N°1 de la serie de tiempo se podía observar que la serie no estacionaria en
media y varianza porque se observa una tendencia bien definida lo que ocasiona que se tengas
diferentes medias para distintos periodos de tiempo, es decir la media no es constante.
¿Detectas algunas regularidades en los datos?
Según el grafico de la función de autocorrelación se observa que la serie es no estacionaria por
lo que presentaría irregularidades en los datos que pueden ser provocados por factores
estacionales o factores no observables así por ejemplo si se observan detenidamente los datos
se puede apreciar claramente que en el periodo 2008:12 hasta 2010:05 el índice de producción
industrial cae muy lentamente y después comienza a subir.

7. Obtén la FAC y FACP de la serie de tasas de crecimiento del IPI ¿Te parece
estacionaria?
Grafico N°11 FAC de la serie ∆log⁡(𝐼𝑃𝐼𝑎)

FAC de d_l_IPIa

+- 1.96/T^0.5
0.4

0.2

-0.2

-0.4

0 5 10 15 20 25
retardo

FACP de d_l_IPIa

+- 1.96/T^0.5
0.4

0.2

-0.2

-0.4

0 5 10 15 20 25
retardo

Función de autocorrelación para d_l_IPIa

***, ** y * indica significatividad a los niveles del 1%, 5% y 10%
Utilizando desviación típica 1/T^0.5

RETARDO FAC FACP Estad-Q. [valor p]

1 -0.4821 *** -0.4821 *** 60.6743 [0.000]

2 0.0852 -0.1919 *** 62.5759 [0.000]
3 0.1257 ** 0.1111 * 66.7308 [0.000]
4 -0.0879 0.0632 68.7707 [0.000]
 5 0.1326 ** 0.1602 ** 73.4354 [0.000]
6 -0.1396 ** -0.0467 78.6237 [0.000]
7 0.0973 -0.0005 81.1517 [0.000]
8 0.0666 0.1120 * 82.3404 [0.000]
9 -0.1369 ** -0.0274 87.3888 [0.000]
10 0.0176 -0.1348 ** 87.4729 [0.000]
11 0.0472 -0.0315 88.0780 [0.000]
12 -0.0953 -0.0855 90.5566 [0.000]
13 0.1180 * 0.0824 94.3705 [0.000]
14 -0.1214 * -0.0092 98.4234 [0.000]
15 0.0894 0.0350 100.6292 [0.000]
16 -0.0913 -0.0972 102.9374 [0.000]
17 -0.0471 -0.1109 * 103.5551 [0.000]
18 0.0533 -0.0773 104.3500 [0.000]
19 -0.0368 0.0098 104.7308 [0.000]
20 0.0376 0.0603 105.1294 [0.000]
21 -0.0566 -0.0054 106.0374 [0.000]
22 -0.0389 -0.1043 * 106.4685 [0.000]
23 0.1196 * 0.0725 110.5546 [0.000]
24 -0.2614 *** -0.2106 *** 130.1424 [0.000]

¿Te parece estacionaria?

Según el correlograma la serie es estacionaria porque FAC decrecen muy rápidamente , de
manera exponencial, además se observa que el primer rezagos es significativos y luego tiene
que pasar veintitrés meses para que el rezado veinticuatro sea significativo por lo que nota la
presencia de estacionalidad en la serie.