Estadstica II

8. ANLISIS DE SERIES DE TIEMPO Una serie de tiempo muestra el comportamiento de una variable en el tiempo. Las entidades econmicas, usualmente toman decisiones administrativas basndose en los registros de la vida activa de la empresa, o bien, del ramo en que se desenvuelve. El gobierno tambin toma decisiones y desarrolla nuevas polticas pblicas y programas de gobierno, despus de estudiar el comportamiento de diferentes variables a lo largo del tiempo. Tanto la toma de decisiones como la planeacin, siempre requieren del pronstico estadstico que se basa en el estudio del comportamiento de una variable y en la suposicin de que ese comportamiento puede prolongarse a un futuro. El comportamiento de la variable estudiada, puede ser causado por diversos factores, algunos de naturaleza econmica, otros referentes al clima, unos ms por razones de modas, otros ms por razones financieras; y as podran enunciarse infinidad de factores que pueden producir fluctuaciones de tipo cclico, estacional, aleatorias, etc. Una serie de tiempo es una secuencia de los valores que asume una determinada variable o conjunto de variables, dispuestas en un orden cronolgico. Estas variables pueden ser relativas a unidades monetarias, el nmero de artculos vendidos o comprados, etc. En general, cualquier variable cuantitativa puede ser estudiada de esta manera, siempre y cuando se conozcan los valores que asumi en intervalos regulares de tiempo. Cuando una serie muestra un determinado patrn de comportamiento, por un perodo largo; es posible esperar que ese mismo patrn contine en el futuro, y as, esta posibilidad puede darnos una base razonable para establecer pronsticos a un plazo corto. Cuando una variable flucta en funcin del tiempo, generalmente est respondiendo a cuatro componentes: la tendencia (T), el ciclo (C), la variacin estacional (S) y la variacin aleatoria o irregular (I). Estos componentes actan segn dos modelos, el aditivo y el multiplicativo. El modelo aditivo asume que el valor de la serie original (Y) proviene de la suma de los cuatro componentes: Y=T+S+C+I

El modelo multiplicativo asume que el valor de la serie original es el producto de los cuatro componentes: Y=TxSxCxI El modelo aditivo supone que los cuatro componentes son independientes entre s. Esto supone que, por ejemplo, cuando la tendencia tenga un valor alto, esto no afecte al comportamiento cclico o estacional. El modelo multiplicativo asume que los componentes s tienen relacin entre s. El modelo mutiplicativo es que ha sido considerado como modelo clsico. 8.1. Tendencia secular (T) De manera convencional, se utiliza este componente con fines predictivos; es decir para la elaboracin de proyecciones o pronsticos. Las tendencias seculares reflejan el continuo crecimiento o decrecimiento a largo plazo de las series de tiempo. El concepto largo plazo ha sido estudiado como de al menos dos periodos anuales en adelante, para que sea posible la caracterizacin del comportamiento de una variable, que generalmente se describe por medio de una recta o de alguna curva que se ajuste al comportamiento de los datos.
Curva de primer grado y = 0 + 1X Curva de segundo grado y = 0 + 1X + 2X2 Curva de tercer grado y = 0 + 1X1 + 2X2 + 3X3 Curva exponencial y = 0 + 1x Curva recproca 1 / y = 0 + 1X Curva exponencial logstica y = 1 / 0 + 12x

Es posible ajustar la tendencia de los datos de las series de tiempo, por varios mtodos, como el de los mnimos cuadrados, el de la doble suavizacin y el de la triple suavizacin. Sin embargo, en este curso utilizaremos el de los mnimos cuadrados para curvas de primer grado.

FORMA GENERAL DE LA ECUACIN DE LA REGRESIN LINEAL Donde:

Y = a + bX

Y = Se lee Y prima, es el valor predictorio de la variable Y para un valor seleccionado de X. a= b= X= Es la interseccin con el eje Y. Es el valor estimado de Y cuando X = 0. Es la pendiente de la lnea, o el cambio promedio en Y por cada cambio en una unidad de la variable independiente X. Es el valor que se escoge para la variable independiente.

Esta relacin lineal es utilizada para representar una tendencia secular que cambia a una tasa constante. Si las series se incrementan con el tiempo, pueden ser representadas con una lnea con pendiente positiva; si por el contrario, decrecen con el tiempo, pueden representarse por una lnea con pendiente negativa. Como ya se dijo en el tema anterior, para conocer los valores de a y b, es necesario resolver las ecuaciones siguientes: PENDIENTE DE LA LNEA DE REGRESIN b= n ( XY ) ( X ) ( Y ) n ( X2 ) ( X ) 2

INTERSECCIN CON EL EJE Y

a=

Y n

X N

Donde: X= Y= n= es un valor de la variable independiente es un valor de la variable dependiente es el nmero de elementos en la muestra

Cuando se conocen los valores de x e y, se sabe que los de x se refieren al tiempo, dado en intervalos regulares, en el que se desarrolla el comportamiento de y; por esta razn, en el tiempo es posible definir si estamos en presencia de periodos y as codificarlos. Cuando se trata de un nmero par de periodos, se codifican asignando el valor cero al primer periodo, al segundo el uno y as sucesivamente. Cuando se trata de un nmero impar de periodos se fija el origen en la mitad de la sucesin, a los aos anteriores se les asignan valores negativos y a los posteriores positivos. Serie de nmero de periodos par (n = 6 )
Ao 2001 2002 2003 2004 2005 2006 Ao 2001 2002 2003 2004 2005 2006 2007 Cdigo 0 1 2 3 4 5 Cdigo -3 -2 -1 0 1 2 3

Serie de nmero perodos impar ( n = 7 )

de

Ejercicio (para una serie de nmero de periodos par) En la siguiente tabla aparecen los valores correspondientes al INPC del periodo comprendido entre 1962 y 1971. Supn que se quiere realizar un pronstico del INPC para 1972.

Ao

Perodo de codificacin

(X)

1962 1963 1964 1965 1966 1967 1968 1969 1970 1971

0 1 2 3 4 5 6 7 8 9 45.0

Lo primero que se tiene que hacer es sustituir las frmulas mencionadas anteriormente para ajustar una lnea de tendencia, de este modo:
INPC (Y) 26.5440 26.6376 28.1153 28.1714 28.9758 29.4809 30.0794 31.5411 33.0211 34.6596 297.2262

Ao 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971

Perodod de codificacin 0 1 2 3 4 5 6 7 8 9 45

(X)

XY 0.0000 26.6376 56.2306 84.5142 115.9032 147.4045 180.4764 220.7877 264.1688 311.9364 1408.0594

X2 0 1 4 9 16 25 36 49 64 81 285

PENDIENTE DE LA LNEA DE REGRESIN PENDIENTE DE LA LNEA DE REGRESIN b = 0.855048485 INTERSECCIN CON EL EJE Y

b=

n ( XY ) ( X ) ( Y ) n ( X2 ) ( X ) 2 10 ( 1408.0594 ) ( 45 ) ( 297.2262 ) 10 ( 285 ) ( 45 ) 2

b=

a=

Y N

X N

INTERSECCIN CON EL EJE Y a = 25.87490182

a=

297.2262 10

(0.85504)

45 10

FORMA GENERAL DE LA ECUACIN DE LA REGRESIN LINEAL FORMA GENERAL DE LA ECUACIN DE LA REGRESIN LINEAL FORMA GENERAL DE LA ECUACIN DE LA REGRESIN LINEAL Y = 34.4254

Y = a + bX Y = 25.8749 + 0.8550X Y = 25.8749 + 0.8550 (10)

Luego entonces, se podra esperar que para 1972 el INPC fuera de 34.4254 Cabe mencionar que el INPC real a diciembre de 1972 fue de 36.5858, valor superior en ms de 2 puntos del estimado. Grficamente se podra esperar una figura como la siguiente.
35

30

25

20 1962 1963 1964 1965 1966

INPC

1967
(Y )

1968
INPC

1969
(Y ')

1970

1971

1972

Ejercicio (para una serie de nmero de periodos impar)

Cuando los datos se presentan con un nmero impar de perodos, al codificar, como ya mencion, el valor cero en el centro de la serie, la sumatoria de los valores de X seran siempre cero, por lo tanto las frmulas cambian.

PENDIENTE DE LA LNEA DE REGRESIN

b=

XY X2

INTERSECCIN CON EL EJE Y

a=

Y n

En el siguiente cuadro aparecen los valores del INPC correspondientes a los aos comprendidos entre 1984 y 1992. Supn que deseas saber cul sera el INPC en 1983.
Ao 1984 1985 1986 1987 1988 1989 1990 1991 1992 Perodo de codificacin -4 -3 -2 -1 0 1 2 3 4 0 (X) INPC XY (Y) 1219.3764 -4877.5056 1996.7229 -5990.1687 4108.2000 -8216.4000 10647.2000 -10647.2000 16147.3000 0.0000 19327.9000 19327.9000 25112.7000 50225.4000 29832.5000 89497.5000 33393.9000 133575.6000 141785.7993 262895.1257 X2 16 9 4 1 0 1 4 9 16 60

Luego entonces: b = 4381.585428 a = 15753.9777 Y = 15753.9777 + 4381.5854 X

Y = 15753.9777 + 4381.5854 (5) Y = 37661.90484

Se podra esperar si la tendencia estudiada continuara, que para 1993 el INPC hubiera sido 37661.9048. El valor real del INPC para este ao fue de 36068.5000.
40000 30000 20000 10000 0 1984 1985 1986 1987
INPC

1988
(Y)

1989
INPC

1990
(Y')

1991

1992

1993