PRONSTICO DE VARIABLES

ECONMICAS

DR. LUIS MIGUEL GALINDO

ESTADISTICOS BSICOS
Media de la variable dependiente
1
y
T
m

T
t 1

yt

Desviacin estndar:

SD

t 1

( yt y) 2

T 1

Suma cuadrada de residuales:

T
SSR t 1 e 2t
Prueba F.
F

( SSS r SSRu ) /( k 1)
SSR /(T K )

Dr. Galindo

ESTADISTICOS BSICOS
La funcin de mxima verosimilitud es la funcin de densidad de los
datos vista como funcin de los parmetros del modelo.
Maximizar la funcin de mxima verosimilitud implica minimizar la
suma del cuadrado de los residuales.
La varianza muestral:
2
e
e 1 t
T

S2

T K

T-K para obtener un buen estimador de la varianza del error fuera de la

muestra en funcin de los residuales de la muestra.

Dr. Galindo

ESTADISTICOS BSICOS
El error estndar de la regresin:
2
e
t 1 t
T

SER S 2

T K

Ventaja: Est en las unidades de la variable independiente.

Comn comparar el error estndar de la regresin con respecto a la media
de la variable dependiente.
El error de pronstico:
* F

et y t y t

El error de pronstico cuadrado:

L (e ) e 2

Dr. Galindo

ESTADISTICOS BSICOS
1.Pronsticos de un punto: un solo nmero.
2.Intervalos de pronstico: La presencia de shocks e incertidumbre en
una economa hace que existan errores de pronstico que no son
cero.

Se requiere entonces conocer el grado de confianza de un

pronstico.

Un intervalo de pronstico es un rango de valores donde se espera

que se ubique el valor pronosticado.

Dr. Galindo

ESTADISTICOS BSICOS

El

tamao del
intervalo provee informacin sobre la
incertidumbre del pronstico.

Intervalos

de pronstico tienen ms informacin de pronsticos

puntuales. Teniendo el intervalo se puede producir el pronstico
puntual.

Dr. Galindo

TIPOS DE PRONSTICO
3. Los pronsticos con funcin de densidad: presenta la
probabilidad de distribucin de los valores futuros de una
variable conociendo la distribucin se conocen los intervalos
y la media.

Horizonte de pronstico: h-step ahead forecast.

Principio de parsimonia: Kiss (Keep it sophisticatedly

simple)

Dr. Galindo

TIPOS DE PRONSTICO
Razones de Kiss:
a) Las estimaciones son ms precisas.
b)Los modelos se entienden mejor y por tanto
comportamientos anmalos se identifican ms fcilmente.
c) Ms intuitivo.
d) Evita data mining.

Dr. Galindo

COEFICIENTE DE DESIGUALDAD DE THEIL

con U 0 ytf yt
con U 1 el modelo predice muy mal

Dr. Galindo

Proporciones de desigualdad
Sesgo

Varianza

Covarianza

Dr. Galindo

Um = indicador del error sistemtico

Us = replica el grado de variabilidad (Us grande implica
un mal modelo)
Uc = el error no sistemtico. El error despus de que se
eliminan las desviaciones de los valores promedio y los
promedios de las variabilidades
Um = Us= 0

Uc = 1

Dr. Galindo

PRONSTICO Y TENDENCIA
1) y t 0 1T 2 T 2 u t
1. 1 0 y 2 0

2. 1 0 y 2 0

3. 1 0 y 2 0

Dr. Galindo

SELECCIN DE MODELOS DE PRONSTICO

El error cuadrtico medio:

MSE

2
e
t
t 1

e t y t y tf
y t f 0 1T

Coeficiente de determinacin:
1 t 1 e t2
T

R2

2
(
y

y
)
t
t 1

Data mining:

R 2 MSE

Dr. Galindo

SELECCIN DE MODELOS DE PRONSTICO

El error cuadrtico medio corregido por grados de libertad:

S2

T K

e /(T K ) 1
1
( y y) / T 1

2
e
t
t 1

2
t

t 1

t 1

S2

( y t y) / T 1
t 1

Criterios de informacin:
Akaike (AIC) =

ln( 2 )

2k
T
k

2
Schwartz (SIC)= ln( ) t ln T

2 residual variance.

Valor que minimice el criterio de informacin.

Dr. Galindo

SELECCIN DE MODELOS DE PRONSTICO

Criterios de seleccin de modelos:
1. Consistencia:
1.1 Seleccionar con probabilidad 1 el modelo correcto al crecer
la muestra.
1.2 Seleccionar con probabilidad 1 al mejor modelo aunque no
est el verdadero modelo en la muestra al crecer la muestra.
SIC es consistente.
2. Eficiencia asinttica: selecciona al modelo adecuado tan bien
como cualquier otro modelo.
AIC es eficiente asintticamente.

Dr. Galindo

Ejercicio 1
Ejercicio con tendencia y tendencia asinttica
Estimar el ingreso con respecto a t y t cuadrada, seleccionar y
pronosticar a 2007 y comentar.

Dr. Galindo

ESTACIONALIDAD
Ejercicio Generar Dummies estacionales para
el crecimiento del PIB, estimar modelo y
analizar variabilidad

Dr. Galindo

CICLOS
Series estacionarias:
Funcin de autocorrelacin:

cov ( y t , y t i )
var( y t ) var( y t i )

Funcin de autocorrelacin parcial:

Coeficiente de yt en yt-1, sucesivamente.
Las autocorrelaciones miden la correlacin entre yt y yt-1.
Las autocorrelaciones parciales miden la asociacin entre yt y yt-1
despus de eliminar el efecto de las otras variables.

Dr. Galindo

CICLOS
~ N (0, 1 )
T

La varianza de las autocorrelaciones muestrales se aproxima por

desviacin estndar 1 T )

1
T

(la

2 errores estndar caen en el 95% de las observaciones.

Ruido blanco implica que todas las autocorrelaciones son
conjuntamente cero:
~ N (0, 1 )
T

T ~ N (0,1)

Elevando al cuadrado ambos lados:

T P 2 ~ 2 (1)

Box Pierce =

QBP T 2 (m)
i 1

Dr. Galindo

TEOREMA DE DESCOMPOSICION DE WOLD

Teorema:

Ytsea un proceso estacionario

y t B(L) e t bi e t 1
i 0

et %
. N(0, 2 )

Dr. Galindo

MODELOS DE CICLOS
Representaciones de Wold: MA, AR, ARMA
MA (1):

y t e t e t 1 (1 L)e t
e t (0, 2 )

Cortan las autocorrelaciones.

1 El MA es invertible
El proceso es invertible cuando la variable puede expresarse no en
trminos de los shocks actuales y con un rezago, sino en trminos del
shock corriente y de los valores rezagados de las series.

Ello implica una representacin autorregresiva.

Dr. Galindo

MODELOS DE CICLOS
(1) y t e t e t 1
e t (0, 2 )

Despejando:
(2) e t y t e t 1
Rezagando para ms periodos:
e t 1 y t 1 e t 2

e t 2 y t 2 e t 3
e t 3 y t 3 e t 4

Dr. Galindo

EJERCICIO:
Utilizar modelo de PIB con tendencia y
tendencia cuadrtica y analizar las
autocorrelaciones

Dr. Galindo

MODELOS DE CICLOS
Sustituyendo recursivamente:
2
2
y

y t 3 ...
t
t 1
t 2
(3) t

La representacin infinita es:

(4) e t

1
yt
1 L

La convergencia slo existe en el caso de

Dr. Galindo

MODELOS DE CICLOS
La condicin de invertibilidad: El inverso de la raz del MA
(1) (1 L) debe ser menor que uno en valor absoluto.
Un polinomio de grado m tiene m races, entonces la solucin:

1 L 0
La raz es es L 1 menor que uno si 1
General MA:
y t e t 1e t 1 ... q e t 4 (L)e t
La condicin de invertibilidad del MA (q) es que la inversa de todas
las races estn dentro del crculo unitario.
Ello implica una representacin que converge:

Dr. Galindo

1
yt et
(L)

MODELOS DE CICLOS
AR (1)
(5) y t y t 1 e t
(6) (1 L)y t e t
Sustituyendo recursivamente (5):
(7)

y t e t e t 1 2e t 2 ...

(8) y t

1
et
1 L

Dr. Galindo

MODELOS DE CICLOS
AR (p):
(9)

y t 1 y t 1 2 y t 2 ... p y t p e t

(10) (L)y t (1 1L 2 L2 ... p Lp )y t e t

ARMA (1,1):
(11) (1 L)y t (1 L)e t
(1 L)
et
(12) y t
(1 L)

(13) e t

(1 L)
yt
(1 L)

Dr. Galindo

MODELOS DE CICLOS

(14)

y t 1 y t 1 ... p y t p e t 1e t 1 ... q e t q

(15) (L)Yt (L)e t

Dr. Galindo

MODELOS DE CICLOS
Ejercicio R (opcion LY y ver diferencias)
Estimar un MA y seleccionar rezagos, analizar residuales
Estimar un AR, seleccionar rezagos
Seleccionar un ARMA y defender sus resultados

Dr. Galindo

PRONSTICOS DE CICLOS
Conjunto de informacin:
(16) t y t , y t 1 ,...
Con series estacionarias ello equivale a:
(17) t e t , e t 1 , e t 2 ,...
El pronstico ptimo es el que tiene en promedio la menor prdida.
El pronstico ptimo es la media condicional: E(y t n / t )
Los errores de un pronstico ptimo no pueden pronosticarse
utilizando informacin disponible cuando el pronstico fue hecho.

Dr. Galindo

PRONSTICOS DE CICLOS
MA(q):
(18) y t et 1 e t 1 q e t q
Pronstico con

hq

(19) y T h ,T 0 ajuste

Con h q :
20) y t h,T 0

Un MA(q) es un proceso no pronosticable (ms all de la media

condicional) ms de q pasos adelante toda la dinmica se pierde.

Dr. Galindo

PRONSTICOS DE CICLOS
Pronstico de intervalos y de densidad:
Con innovaciones normalmente distribuidas entonces:
y T h 1.96 n
95% de los pronsticos caen dentro de
Pronsticos AR:
21) y t y t 1 e t
Regla de la cadena:
22) y T 1 yT t 1
23) y T 1 y T
24) y T 2 yT 1

Pronstico ARMA (Combina)

Dr. Galindo

EJERCICIO
Pronstico: AR, MA, ARMA,

Dr. Galindo

COMBINACIN DE PRONOSTICOS
Modelo General:

y t 1T ri D1t et

2 L et

L vt

(Ejercicio PIB con estacionales (pronstico) y

AR(autocorrelaciones parciales): Y, R

Dr. Galindo

ESTIMACIONES RECURSIVA
Las relaciones econmicas cambian a lo largo del tiempo.
Un modelo que tiene inestabilidad es difcil hacer pronsticos
adecuados.
El pronstico recursivo se obtiene como:

4
Donde:

f
t 1

i 1 it xt 1
k

et 1 y t 1 y tf1
et 1 ~ N 0, 2 rt

Con rt >1 y los residuales recursivos comparados con bandas

2 r

Dr. Galindo

ESTIMACIONES RECURSIVA
Residuales recursivos estandarizados:

wt 1

wt 1 ~

e t 1

rt

N 0,1

CUSUM:
t

CUSUM t wt 1
ik

Dr. Galindo

MODELO DE REGRESIN
Modelo General:

1
et

y t 0 1 x t et

~ N 0, 2

Pronsticos:

y T h / xT* h 0 1 xT h

Suponiendo Normalidad:

N yT h / x

*
T h

Dr. Galindo

MODELO DE REGRESIN
Fuentes de Incertidumbre:
1. Incertidumbre sobre la especificacin del modelo
2. Incertidumbre la innovacin
3. Incertidumbre en los parmetros
Se consideran aos importantes las incertidumbres en la
especificacin y en la innovacin
La incertidumbre en los parmetros desaparece al
aumentar la muestra
El pronstico incondicional requiere el pronstico de las
variables de lado derecho.

Dr. Galindo

EVALUACIN DE PRONSTICOS
Teorema de Wold implica que una serie
se puede representar como:

1
et

y t et b1et 1 b2 et 2 ...
~

0, 2

El pronstico de un paso adelante es:

y t h n et n 1et 1 ...

Dr. Galindo

EVALUACIN DE PRONSTICOS
Propiedades de los pronsticos:
1.Los pronsticos ptimos son insesgados
Si el pronstico es ptimo entonces el error de
pronsticos tiene media cero.

et 0 u t
Con correlacin serial el pronstico de los errores puede ser
subptimo
Pueden utilizarse MA(q)
2. Los pronsticos ptimos tienen errores de un periodo
adelante que son ruido blanco
Utilizar pruebas de autocorrelacin

Dr. Galindo

EVALUACIN DE PRONSTICOS
Pruebas:

k 1

et h ,t 0 i xit u t
1 0

i 1

et h , t 0 1 y t h , t u t
0 0, 1 1

Regresin de Mincer- Zarnowitz:

y t h 0 1 y t h ,t u t
0 0, 1 1

Restando

y t h ,t

a (5):

et h , t 0 1 y t h , t u t
0 0, 1 1

es similar a

0 0, 1 1

Dr. Galindo

EVALUACIN DE PRONSTICOS
Estadsticos bsicos:
1.Error medio:

1 T
ME e t h , t
T t 1

et h , t y t h y t h , t
Mide el sesgo del pronstico
2. Varianza del error:

1 T
2
EV e t h ,t ME
T
Mide la dispersin de los errores de pronostico

Dr. Galindo

EVALUACIN DE PRONSTICOS
3. Error cuadrtico medio:
2

1
MSE e
T t 1 t h , t
T

Para preservar las unidades se utiliza:

RMSE
4.

1
T

2
e
t h ,t
t 1

La media absoluta del error:

1
MAE
T

e
t 1

t h ,t

Dr. Galindo

EJERCICIO
Ecuacion de Mincer Zarnowitz, incluir MA

Dr. Galindo

RAICES UNITARIAS Y PRONOSTICO

RW:

y t y t 1 et

RW con drift:

y t d y t 1 et

El R.W. puede representarse como:

y t y 0 et
i 1

De donde:

4.1 y t y0
4.2 Var y t t2
Dr. Galindo

RAICES UNITARIAS Y PRONSTICO

Random Walk con drift se representa como:

y t td y 0 et

De donde:

6.1 yt y 0 td
2
6.2 Var yt t
Utilizar
:
RSP
TSP

Dr. Galindo

EJERCICIO: ARIMA

PP340

Dr. Galindo

SMOTHING
Esta tcnica no busca el mejor modelo sino que impone un modelo a
los datos
Escasez o exceso de datos
Promedios mviles
El procedimiento de exponential smothing es un algoritmo que
convierte una serie observada (yt) en una serie suavizada (yst) y
pronsticos y t n ,t

Mtodo:
1. Iniciar con

y 1 y1

s
y
2. t t 1 y t 1

3. Pronosticar:

y t h ,t yT

Dr. Galindo

SMOTHING
Holt-winters:
1. Iniciar con:

y 2s y 2
f 2 y 2 y1

s
s

y
2. 2
1 t
t 1 f t 1

0 1

f t y ts y ts1 1 f t 1
0 1

3. Pronstico:

yT n ,t y t hf t

Dr. Galindo