Tendencia y Estacionalidad Estimacion

Introduccin Estimacin de una tendencia determinista Estimacin del componente estacional Conclusiones Tendencias Derterministas Segmentadas
Estimacin de una tendencia determinista y un componente estacional

Prctica No 1 Tcnicas en Prediccin Administracin y Direccin de Empresas
Departamento de Estadsitica Universidad Carlos III
18 de Marzo, 2009
Roberto Morales Arsenal - Prctica No 1
Tendencia y Estacionalidad
Descomposicin de series econmicas: Mtodo Clsico.
Objetivos de la prctica
Modelar los siguientes fnomenos:

1
Descomposicin de una serie a travs del mtodo clsico o tradicional. Tendencias derterministas. Tendencias derterministas segmentadas. Estacionalidad derterminista. Estacionalidad derterminista segmentada.
2 3 4 5
El Anlisis Clsico de Series Temporales Proporciona estimaciones aproximadas de los componentes tendencial, estacional, cclico e irregular. Parte de una representacin de una serie temporal yt formada por cuatro componentes, tendencia Tt , ciclo Ct , estacional Et , y errores It . Tipos:
1 2 3
Modelo de componentes aditivos yt = Tt + Ct + Et + It Modelo de componentes multiplicativos yt = Tt Ct Et It Modelo de componentes mixto yt = Tt Ct Et + It
Un supuesto fundamental del anlisis clsico es la independencia de las variaciones residuales respecto de los dems componentes.
Roberto Morales Arsenal - Prctica No 1 Tendencia y Estacionalidad
Descomposicin de una serie en sus factores no observables con Eviews

Descomposicin aditiva de una serie temporal yt = Tt + St
No Estacionaria
+ Ct + rt
Estacionaria
Agregando, los componentes ms oscilantes mientras que el componente de tendencia . yt = Senda de Evolutividad + t t Desviaciones respecto a la SE. La nica incertidumbre asociada a este modelo es var (t ) = 0
Serie de Pasajeros de lneas Areas: 1949:01 a 1960:12
La serie muestra: Tendencia, estacionalidad y principio de proporcionalidad.

Pasos a seguir:
1
Obtencin de componente estacional aplicando un proceso de desestacionalizacin xt St = Tt + Ct + rt Aplicamos el ltro de Hodrick-Prescott sobre la serie desestacionalizada para obtener el componente de tendencia. Generamos una nueva serie libre de tendencia y estacionalidad por diferencia entre la serie desestacionalizada y la tendencia. xt St Tt = Ct + rt . Obtenemos el componente cclico utilizando una media mvil de orden 4 (@MOVAV(nombre, orden)). Obtenemos la parte irregular de la serie como diferencia de la serie generada en el paso 3 menos la serie generada en el paso 4.
Serie Desestacionalizada
Comparativa de la serie desestacionalizada y la original
Componente estacional
Componente de tendencia
Comparativa
Xt St Tt = Ct + rt
Componente cclico
Componente irregular
Comparativa
Componentes de una serie temporal
La descomposicin tradicional requiere imponer fuertes restricciones en la caracterizacin de Tt , Ct y rt . En particular, que tales componentes son independientes. Hoy en da no existe consenso sobre que sea factible la especicacin y estimacin de Tt , Ct y rt con restricciones de aceptacin general. La idea de que las series econmicas tienen tendencia, ciclos y uctuaciones residuales resulta muy til para expresar las caractersticas bsicas de los datos econmicos.
El caso del IPI
Tendencias Deterministas
yt = t + at t = f (t , )
2) t Nivel de la serie y at innovacin at N(0, a
Prediccin t (k ) = T +k = f(T + k , ) y
El caso del IPI
Modelo de nivel constante o sin tendencia yt = + at Modelo con tendencia lineal t = 0 + 1 t T (k ) = 0 + 1 (T + k ) y Modelo con tendencia polinmica t = 0 + 1 t + ... + r t r
El caso del IPI
Tendencias La naturaleza agregada de muchas variables econmicas presentan una pauta creciente a lo largo del tiempo que no permite observar aspectos de inters que ocurren a corto plazo, como el caso del IPI. Este pauta la denominamos tendencia. Como la tendencia se desconoce es preciso estimarla previamente y, para ello, es preciso a su vez especicar un determinado modelo de tendencia.
El caso del IPI
Tendencias
Tipos Deterministas. Estocsticas. Caractersticas bsicas Se perpetan en el futuro. Evolucionan de forma acclica. Factores causantes de la tendencia Aumentos en la poblacin. Inacin mantenida en el tiempo. Cambios tecnolgicos. Cambios en preferencias, hbitos, regulaciones sociales.
El caso del IPI
Tendencias Deterministas Se dice que una tendencia es determinista si conociendo sus valores pasados se puede determinar sin error sus valores futuros. Con tendencias deterministas no hay incertidumbre sobre ellas. Tendencias Deterministas en Eviews Tendencia=@trend+1
El caso del IPI
Mtodos de ajuste de la Tendencia

1
Mtodo de ajuste anlitico Realizamos un ajuste por regresin de los valores de la serie a una funcin del tiempo que sea sencilla y recoja de manera satisfactoria la marcha general del fenmeno representado por la serie temporal. Mtodo de Medias Mviles Analiza la tendencia de una serie temporal a partir de los datos iniciales mediante determinadas medias. Mtodo de diferencias Consiste en derivar de la serie original yt una nueva serie zt obtenida como la diferencia entre el valor de la variable en el momento actual y el valor en el momento inmediatamente anterior zt = yt yt 1 = yt
El caso del IPI
Estimacin de Modelos de Tendencia
Regresin por MCO Para ajustar los diversos modelos de tendencia a los datos de una serie temporal se usa MCO.
T
= argmn
t =1
[yt Tt ( )]2
donde es el conjunto de parmetros a estimar.
El caso del IPI
El ndice de produccin industrial

La serie IPI muestra una clara tendencia y estructura estacional, es decir, su valor esperado no es constante. E (zt ) = E (zt +s ), con una estacionalidad de perodo s. En el caso del IPI se produce un brusco descenso todo los meses de agosto debido al perodo vacacional que se compensa de forma especca en cada uno de los restantes meses del ao.
El caso del IPI
Tomando logaritmos
El caso del IPI
Estimando la tendencia lineal para IPI

Tt = a + bt ; t TIEMPO = (1, 2, 3, ..T )
El caso del IPI
Estimando la tendencia parablica para IPI

Tt = a + bt + ct 2
El caso del IPI
Estimando la tendencia exponencial para IPI

Tt = aebTIEMPO Principio de Proporcionalidad
El caso del IPI
Tendencias exponencialeslog-lineal
T t T t 1 T t 1 Aplicando la aproximacin de Taylor de primer orden. T t = T t 1 + T t 1 b b = logTt = logTt logTt 1 = b procediendo recursivamente obtenemos logTt = a + bt siendo a log de la tendencia en el momento cero. Tt = e(a+bt ) ; xt = exp (a + bt )exp (wt ) Podemos linealizarlo: logxt = a + bt + wt donde b es el factor incremental que entra de forma multiplicativa.
El caso del IPI
Estimando la tendencia log-lineal para IPI

logIPI = a + bt + wt
El caso del IPI
Grco de los residuos del Modelo log-lineal
Los residuos muestran una clara estructura estacional que no ha sido captada por el modelo.
El caso del IPI
Correlograma de los residuos
El caso del IPI
Interpretacin de los parmetros de la estimacin
Nivel-Nivel Nivel-Log Log-Nivel Log-Log
Var. Depend. y y log(y) log(y)
Var. Indep. x log(x) x log(x)
Interpret. de 1 y = 1 x y = (1 /100) %x %y = (1001 )x %y = 1 %x
El caso del IPI
Interpretacin de los parmetros de la estimacin
En nuestro caso hemos obtenido: logIPI = 4,07 + 0,001520TIEMPO + t a Valor de la tendencia en el momento anterior al comienzo de la muestra. b Factor incremental, la tendencia crece mensualmente un 0.152 %.
El caso del IPI
Prediccin (in sample) del Modelo Final log-lineal
El caso del IPI
Prediccin (in sample) del Modelo Final log-lineal
El caso del IPI
Seleccin de Modelos
Criterios de Informacin
T
et2 ECP =
t =1 T
Error Cuadrtico Medio

T
et2 AIC = exp (2k /T ) t =1 T

T
Akaike Information Criterion
et2 SIC = T ( T ) t =1 T
k
Schwarz Information Criterion
Orientacin negativa: cuanto menor mejor.

El caso del IPI
La Estacionalidad
Pauta o comportamiento estacional que se repite cada ao. Esta puede ser exacta, cuando se reere a estacionalidad determinista o bien, aproximada, si se habla de estacionalidad estocstica. Puede provocar una distorsin del verdadero movimiento de la serie. Al proceso de eliminar el componente estacional se le denomina desestacionalizacin o ajuste estacional. Destacan los programas X11 y X12 del Bureau of the Census de EEUU para desestacionalizar.
El caso del IPI
La Desestacionalizacin
Mtodos de desestacionalizacin
1 2 3 4
Mtodos de desestacionalizacin del ndice estacional. Mtodo de Medias Mviles. Mtodo de diferencias estacionales. Mtodo de variables articiales. los residuos estimados t = yt y t sern los valores de la serie de la regresin u desestacionalizada.
El caso del IPI
En esta prctica nos ocuparemos de la estacionalidad determinista que vamos a modelar a travs de variables dummies.
12
logIPI = a + bt +
j =1
aj Sjt + t
donde Sjt = 1 0 en el mes j. en los dems.
El caso del IPI
Existencia de Multicolinealidad Perfecta
El caso del IPI
Recordatorio
Multicolinealidad
T MCO = (x x )1 x y (x x )1 = adj (x x ) |x x |
1
Multicolinealidad Exacta (o perfecta)

MCO = matriz singular |x x | = 0
Multicolinealidad aproximada, inexacta, imperfecta o cuasimulticolinealidad.

Var(MCO ) = 2 (x x )1 mucho mayores de lo normal. Las hiptesis nulas H0 : = a tienden a no rechazarse con ( i t dt i )) ms frecuencia de lo normal. ICi = ( Intervalos amplios.
El caso del IPI
Estimacin del Modelo Estacional con tendencia
Todos los parmetros han resultado ser signicativos. Puede observarse como el coeciente ms bajo corresponde al mes de agosto.
El caso del IPI
Recordatorio: Componentes de un contraste

H0 Hiptesis Nula, que se mantiene como vlida mientras no se encuentre evidencia contra ella. H1 Hiptesis Alternativa, a favor de la que se rechaza la hiptesis nula. EC Estadstico de Contraste, variable aleatoria cuya distribucin se conoce bajo la hiptesis nula. RC Regin crtica, subconjunto de R. Si EC RC se rechaza H0 . Nivel de signicacin, probabilidad de error tipo I (prob. de rechazar H0 siendo cierta). 1 Potencia del contraste. 1 P(Error tipo II)
El caso del IPI
Recordatorio: Contrastes de signicacin individual

i i ) dt (
Contraste para la hiptesis H0 : i = t =
tT k
Resolucin del contraste Utilizando el valor crtico. Si |tT k | > t/2 Rechazo la H0 . Utilizando el p value (o nivel de signicacin marginal)
p value = Pr(|tT k | > tT k )
Si p value < Rechazo H0 .
El caso del IPI
Residuos Modelo Estacional con tendencia
Los residuos muestran como todava no se ha captado toda la estructura de la serie (un componente cclico).
El caso del IPI
Correlograma de los residuos
El correlograma muestra un estructura que debe ser modelada.

El caso del IPI
Predicciones con el Modelo Final:T+E
El caso del IPI
Predicciones con el Modelo Final:T+E
El caso del IPI
Contrastes de normalidad
Es un supuesto fundamental en inferencia. Se debe contrastar siempre. Para ello utilizaremos: Histograma de los residuos. Test de Jarque-Bera. El test de Jarque Bera (JB ) H0 : ut N JB =
T k 6 2 2 S2 + 1 2 4 (K 3)
El JB tiene en cuenta la curtosis (K) y la asimetra (S ) k Nmero de variables estimadas y T Nmero de observaciones.
El caso del IPI
Histograma del Modelo Final: T+E
No se rechaza normalidad en los residuos, por lo tanto, los supuestos del MLG son vlidos, y por tanto, la estimacin del modelo es correcta (pero el modelo no lo es).
El caso del IPI
Recordatorio
Supuestos del M.L.G.
1
El modelo es lineal o linealizable y esta correctamente especicado. Los parmetros son constantes. Las variables explicativas o regresores x son deterministas o jas y linealmente independientes (no hay multicolinealidad). E [ut ] = 0 t donde u errores del modelo. La matriz de varianzas y covarianzas de los errores de un 2I modelo correcto es escalar Var(u ) = n
No hay autocorrelacin. No hay heterocedasticidad.
2 3
4 5
Conclusiones
La estructura determinstica es muchas veces una mala aproximacin. Es importante modelizar las desviaciones sobre la tendencia y la estacionalidad.
Tendencias Segmentadas
Las tendencias segmentadas son tendencias no lineales que tienen la propiedad de ser lineales a tramos o segmentos. Tipos de Segmentacin de la tendencia
1 2 3
Quiebra de Nivel. Quiebra de crecimiento. Quiebra de Nivel y crecimiento.
Tendencia Segmentada
Segmentacin de la tendencia
yt = 0 + 1 t + 01 1t + 11 1t + t Segmentacin del nivel 1t 0 t < t 1 t t
Segmentacin del crecimiento 1t 0 t < t (t t1 + 1) t t
En Eviews: 1t = (@trend + 1 t1 ) + 1
Otra forma de modelizar la estacionalidad

11
logIPI = a + bt +
j =1
jt + t j S
11
1 + 2 + ... + 12 = 0 ; b12 =
j =1
donde
En Eviews: enero=(@seas(1)-@seas(12))
1 en el mes j. Sjt = 0 resto. 1 t Diciembre.

Estacionalidad Determinista Segmentada
11
11
yt = 0 + 1 t + 01 1t + 11 1t +
j =1
j SAjt
j =1
j SB jt + t
donde
Misma estructura para SB jt
1 en el mes j. SAjt = 0 resto. 1 t Diciembre.
Nota sobre las predicciones

Formas de presentar las predicciones
1 2
Prediccin puntual Es un nmero jo. ( i t dt i )). Nos da Prediccin por intervalos ICi = ( un cierto grado de incertidumbre asociada a la prediccin puntual. En prediccin los intervalos de conanza lo estndar es obtener los intervalos al 80 % (VC=1.28). Prediccin de la funcin de densidad asociada a cada una de las predicciones.
Valores crticos en Eviews

1 2
SCALAR CRIT=@QNORM(0.975). SCALAR CRIT=@QTDIST(0.9,20)

Recordatorio
Funcin de densidad y de distribucin (t-student)
Recordatorio
Funcin de densidad de las predicciones
Ejemplo de estimacin de funciones de densidad

El grco de abanico o fan chart
Mitchell y Hall (2005) Las funciones de densidad estimadas proveen de una completa descripcin de la incertidumbre asociada con la prediccin.

Tendencia y Estacionalidad Estimacion

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Tendencia y Estacionalidad Estimacion

Diunggah oleh

Hak Cipta:

Format Tersedia

Introduccin Estimacin de una tendencia determinista Estimacin del componente estacional Conclusiones Tendencias Derterministas Segmentadas

Estimacin de una tendencia determinista y un componente estacional

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Modelar los siguientes fnomenos:

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Modelo de componentes aditivos yt = Tt + Ct + Et + It Modelo de componentes multiplicativos yt = Tt Ct Et It Modelo de componentes mixto yt = Tt Ct Et + It

Descomposicin de series econmicas: Mtodo Clsico.

Descomposicin de una serie en sus factores no observables con Eviews

Descomposicin de series econmicas: Mtodo Clsico.

Serie de Pasajeros de lneas Areas: 1949:01 a 1960:12

La serie muestra: Tendencia, estacionalidad y principio de proporcionalidad.

Descomposicin de series econmicas: Mtodo Clsico.

Descomposicin de series econmicas: Mtodo Clsico.

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Comparativa de la serie desestacionalizada y la original

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Componentes de una serie temporal

Roberto Morales Arsenal - Prctica No 1

Descomposicin de series econmicas: Mtodo Clsico.

Roberto Morales Arsenal - Prctica No 1

El caso del IPI

Roberto Morales Arsenal - Prctica No 1

El caso del IPI

El caso del IPI

Roberto Morales Arsenal - Prctica No 1

El caso del IPI

El caso del IPI

Roberto Morales Arsenal - Prctica No 1

El caso del IPI

Mtodos de ajuste de la Tendencia

El caso del IPI

Estimacin de Modelos de Tendencia

donde es el conjunto de parmetros a estimar.

Roberto Morales Arsenal - Prctica No 1

El caso del IPI

El ndice de produccin industrial

El caso del IPI

Roberto Morales Arsenal - Prctica No 1

El caso del IPI

Estimando la tendencia lineal para IPI

Roberto Morales Arsenal - Prctica No 1

El caso del IPI

Estimando la tendencia parablica para IPI

Roberto Morales Arsenal - Prctica No 1

El caso del IPI

Estimando la tendencia exponencial para IPI