MODULO 2: Análisis Clásico de Series de Tiempo.
Transcripción
MODULO 2: Análisis Clásico de Series de Tiempo.
MODULO 2: Análisis Clásico de Series de Tiempo. Preparado por Daniel Cadenas. 1 CONTENIDO: A. CONCEPTOS PRELIMINARES: 3 B. COMPONENTE ESTACIONAL: 5 C. MÉTODO DE LOS PROMEDIOS MENSUALES (O TRIMESTRALES): 7 D. MÉTODO ARIMA CENSUS X 12: 24 E. COMPONENTE DE TENDENCIA: 33 F. COMPONENTE CICLICO: 49 G. BIBLIOGRAFÍA DE REFERENCIA Y RECOMENDADA: 54 2 a. Conceptos Preliminares: En este modulo se realiza una introducción básica al análisis de series cronológicas o de tiempo. El objetivo central del presente modulo es que el participante aprenda las técnicas básicas de descomposición de series de tiempo en sus componentes fundamentales. Una serie de tiempo es un conjunto homogéneo de datos ordenados en el tiempo. Esto significa que los datos no solo deben estar ordenados en el tiempo, sino, además, deben poseer la misma dimensión, magnitud y escala. Una serie de tiempo presenta variaciones en sus valores observados. Dichas variaciones se deben a cuatro clases de causas a las cuales se denomina Componentes de la Serie de Tiempo. Estas 4 componentes son: El Componente de Tendencia (T) El Componente Cíclico (C) El Componente Estacional (E) El Componente Aleatorio (A) La serie de tiempo observada no es más que el resultado de la conjunción de estas 4 componentes (ver Fig. 1 y 2). Fig. 1 3 Fig. 2 Cuando usted observa una serie de tiempo en una tabla o grafico, estos componentes no son visibles. Lo que usted observa es la conjunción de todos ellos a la vez en cada punto de la serie. Es por ello que a los 4 componentes se les denomina “componentes no observados”. ¿Cómo se conjugan estos 4 componentes para formar la serie de tiempo observada? Generalmente se asume que esto ocurre de tres formas. Sea Yt la serie observada: Modelo Aditivo: Y t = Tt + Ct + Et + At. Este modelo asume que los componentes de la serie son independientes. Modelo Multiplicativo: Y t = Tt X Ct X Et X At. Este modelo asume que los componentes están interrelacionados 4 Modelo Log Aditivo: Log (Y t)= Tt + Ct + Et + At. Esta forma de presentar los tres modelos generales, es la forma clásica. Modernamente, se asume que los componentes de tendencia (T) y Cíclico (C) son en realidad uno solo (aunque separable) denominado Componente de Tendencia- Ciclo o TC1. A continuación estudiaremos como descomponer la serie observada en cada uno de estos componentes a fin de hacerlos visibles. b. Componente Estacional: Se denomina componente estacional o estacionalidad a aquellas fluctuaciones subanuales (por ejemplo, mensuales, trimestrales) que se repiten regularmente de año en año (INEI, 2002). De acuerdo a Bee Dagum (1998) Las tres características más importantes del fenómeno estacional son: 1. Se repite cada año con cierta regularidad, pero puede evolucionar. 2. Es posible medirlo y separarlo de las otras fuerzas que influyen en el movimiento de la serie. 3. Es causado principalmente por fuerzas no económicas, exógenas al sistema económico, que los tomadores de decisiones no pueden controlar o modificar en el corto plazo. Las causas más frecuentes de la estacionalidad suelen ser: Estacionalidad climática: Es atribuible a variaciones climáticas estacionales, como las que ocurren en la agricultura y en la construcción. 1 Con frecuencia se asume lo mismo para los componentes Estacional (E) y Aleatorio (A). 5 Estacionalidad institucional: Es atribuible a las convenciones sociales y reglas administrativas, como las debidas al efecto de la Navidad en el comercio minorista y las relacionadas a la programación del inicio del año escolar. Para hacer visible el componente estacional se aplican una diversidad de métodos. Todos consisten en técnicas que aíslan, remueven o filtran la estacionalidad de la serie observada. A dicho procedimiento se le conoce como Desestacionalización de la Serie de Tiempo. ¿Para que dedicar tiempo a aprender como se desestacionaliza una serie de tiempo? Muy sencillo. Porque las causas que producen la estacionalidad de una serie se consideran factores exógenos, de naturaleza no económica y que influyen en la variable que se estudia, que oscurecen las características de la serie relacionadas con aspectos meramente económicos. Si usted introduce una serie de periodicidad menor a la anual (semanal, mensual, trimestral, semestral) en una corrida econométrica con el fin de contratar empíricamente una hipótesis, lo más probable es que el ajuste obtenido resulte pobre, no por la especificación funcional del modelo, sino por el hecho de introducir una variable que contiene variaciones no explicadas por la teoría o hipótesis económica que intenta contrastar. Para desestacionalizar una serie primero debe hacerse un supuesto sobre la forma en que los componentes de la serie se conjugan para producir los valores observados. Antes vimos que en general se asumían tres tipos de modelos para explicar esta cuestión (Aditivo, Multiplicativo y Log Aditivo). Los modelos más utilizados para descomponer una serie de tiempo son el aditivo y el multiplicativo. El modelo menos utilizado es el modelo log-aditivo. La mayoría de las series de tiempo económicas siguen un modelo multiplicativo. Esto ha sido observado empíricamente. Si asumimos un modelo multiplicativo (y en adelante trabajaremos bajo este supuesto), la serie desestacionalizada se obtiene como: 6 Y t x x x T t x C t x At Y t T t Ct Et At E t Esta es la expresión matemática del procedimiento de desestacionalización, pero ¿como opera esto en la práctica? En la práctica existen muchos procedimientos para desestacionalizar una serie de tiempo. Entre estos se encuentran: 1. El Método de Pearson de los “eslabones relativos” (Ver Rivas González, 1975:185-191) 2. El método de Kendall (Ver Vázquez Díaz, 1977: 222) 3. El método de las medias o promedios móviles (ver Zaera, 1985:240245) 4. Método de los Promedios Mensuales. 5. Métodos avanzados: a. Census ARIMA X-11 y X-12 b. TRAMO-SEATS (ver CEPAL, 2005). En aras de la practicidad y visto que son los dos más usados en la práctica, en este taller solo trataremos únicamente con el método de los promedios mensuales y el método Census ARIMA X12, los cuales se explican a continuación: c. Método de los Promedios Mensuales (o trimestrales): Este método implica la realización de los siguientes pasos2. 2 Tomado de Rivas González, 1975:181-185. 7 1. Se calculan los promedios para cada mes o trimestre (dependiendo de la periodicidad de la serie) durante el período considerado: Es decir si la serie es mensual se promedian todos los valores correspondientes a Enero para todos los años del periodo considerado, luego se realiza la misma operación para Febrero, Marzo, Abril,…Diciembre. Si la serie fuese trimestral se promediarían todos los primeros semestres apara todos los años y luego se realiza la misma operación para el segundo, tercero y cuarto trimestre. 2. Como los promedios mensuales o trimestrales (dependiendo de la periodicidad de la serie) están afectados no solo por el componente estacional, sino también por el de tendencia, es necesario eliminar este último. La influencia del componente tendencial se elimina mediante el siguiente procedimiento: a. Se calcula el valor promedio de cada año, sumando sus valores mensuales y dividiendo entre 12 o sumando sus valores trimestrales y dividiendo entre 4 ( según sea una serie mensual o trimestral) b. A los valores promedios obtenidos en el paso previo se les ajusta una línea recta (Y = a + b X). El parámetro b, o sea, la pendiente, nos dará la variación entre cada año, debida a la tendencia secular; para llevar esta variación a los valores mensuales o trimestrales (según sea el caso) de cada año se divide el valor de b entre 12 o entre 4. c. Los valores promedios mensuales o trimestrales (según sea el caso) con la influencia de la tendencia eliminada se obtienen sumando o restando proporcionalmente el valor de b/12 o b/4 (según sea el caso) obtenido en el paso 8 anterior. La suma o resta proporcional de b/12 o b/4 dependen del signo de b. Si este es positivo, indicando una tendencia creciente, se resta proporcionalmente. Si por el contrario indica disminución (o sea b es negativo) se suma proporcionalmente. 3. Se calcula el promedio de los valores medios mensuales corregidos de la tendencia obtenido en el paso 2. 4. Se obtienen los denominados Índices de Variaciones Estacionales o Factores Estacionales, al dividir cada uno de los valores medios (12 mensuales o 4 trimestrales según sea el caso) corregidos de la tendencia entre el promedio de estos obtenido en el paso 3. 5. Se Desestacionaliza la serie: Dividiendo los valores observados de la serie entre su correspondiente Índice o Factor Estacional. La serie resultante esta desestacionalizada o ajustada estacionalmente. Veamos la aplicación práctica de esto con un ejemplo: La siguiente tabla muestra la serie de tiempo de periodicidad mensual correspondiente a la variable Cartera de Crédito Total del Sistema Bancario Venezolano (Fuente: SUDEBAN) en el periodo 2007-2011. CARTERA DE CREDITO REAL TOTAL VENEZUELA (BILLONES DE Bs A PRECIOS DE DIC DE 2007) 2007 2008 2009 2010 2011 E F M A M J J A 74,3 75,8 82,4 87,6 88,9 92,6 94,6 97,3 101,0 105,9 106,2 104,8 99,7 98,7 97,9 99,7 99,4 99,6 98,6 98,8 99,0 96,0 94,7 94,6 91,9 91,0 91,3 90,7 115,7 118,3 122,4 123,2 115,7 86,4 140,1 137,1 137,2 134,2 133,5 132,7 134,4 131,7 136,9 107,4 85,2 80,2 79,9 96,4 80,9 81,6 81,7 85,0 86,2 87,7 S 89,7 O N D 100,5 100,9 100,3 91,2 94,5 Se recomienda que al momento de realizar el cálculo se adopte una configuración o arreglo de los datos en forma matricial tal como están 9 ordenados en el ejemplo. Una vez ordenados los datos de la serie en forma matricial (donde las columnas son los meses o trimestres, según sea el caso y las filas los años) se aplican los pasos antes indicados de la siguiente manera: 1. Se calculan los promedios para cada mes durante el periodo considerado (2007-2011): CARTERA DE CREDITO REAL TOTAL VENEZUELA (BILLONES DE Bs A PRECIOS DE DIC DE 2007) E F M A M J J A 2007 2008 2009 2010 2011 74,3 75,8 82,4 87,6 88,9 92,6 94,6 97,3 101,0 105,9 106,2 104,8 99,7 98,7 97,9 99,7 99,4 99,6 98,6 98,8 99,0 96,0 94,7 94,6 91,9 91,0 91,3 90,7 115,7 118,3 122,4 123,2 115,7 86,4 140,1 137,1 137,2 134,2 133,5 132,7 134,4 131,7 136,9 107,4 85,2 80,2 79,9 80,9 81,6 81,7 85,0 96,4 PROMEDIOS MENSUALES 87,3 97,8 98,6 99,6 99,0 100,4 100,6 106,8 107,9 111,4 106,4 100,5 86,2 S 87,7 89,7 O N D 100,5 100,9 100,3 91,2 94,5 2. Se corrige el efecto de la tendencia sobre los promedios mensuales: a. Se calcula el valor promedio de cada año: CARTERA DE CREDITO REAL TOTAL VENEZUELA (BILLONES DE Bs A PRECIOS DE DIC DE 2007) F M A M J J A 2007 2008 2009 2010 2011 74,3 75,8 82,4 87,6 88,9 92,6 94,6 97,3 101,0 105,9 106,2 104,8 99,7 98,7 97,9 99,7 99,4 99,6 98,6 98,8 99,0 100,5 100,9 100,3 99,4 96,0 94,7 94,6 91,9 91,0 91,3 90,7 115,7 118,3 122,4 123,2 115,7 103,8 86,4 140,1 137,1 137,2 134,2 133,5 132,7 134,4 131,7 136,9 107,4 85,2 124,7 80,2 79,9 80,9 81,6 81,7 85,0 96,4 86,2 PROMEDIOS MENSUALES 87,3 97,8 98,6 99,6 99,0 100,4 100,6 106,8 107,9 111,4 106,4 100,5 86,2 87,7 S O 89,7 91,2 N 94,5 D PROMEDIOS ANUALES E 92,6 b. A los valores promedios ( de cada año ) obtenidos en el paso previo, se les ajusta una línea recta: LINEA RECTA AJUSTADA A LOS PROMEDIOS ANUALES. PARA EL CALCULO DEL COMPONENTE TENDENCIAL. 130,0 120,0 110,0 100,0 y = 1,2621x - 2434,2 90,0 80,0 70,0 60,0 2006 10 2007 2008 2009 2010 2011 2012 Obsérvese como el parámetro de la pendiente (b) es igual a 1,26, es decir es positivo. Esto quiere decir que cada año la variable en cuestión (cartera de crédito real) aumenta en 1,26 unidades (Billones de Bs. a precios de Dic de 2007). Para llevar esta variación a los valores mensuales, se divide el valor de b entre 12. Esto resulta en b/12 = (1,26 / 12) = 0,105 unidades (Billones de Bs. a precios de Dic de 2007). c. Los valores promedios con la influencia de la tendencia eliminada se obtienen sumando o restando proporcionalmente el valor de b/12 obtenido en el paso anterior. Como el valor de b es positivo (es decir la tendencia es creciente) se resta proporcionalmente. ¿que significa restar proporcionalmente? Sencillo: al primer promedio mensual ( el correspondiente a enero) se deja igual, al segundo se le resta dos veces b/12, al tercero tres veces b/12 y así sucesivamente hasta llegar al promedio mensual 12 (diciembre): i MESES PROMEDIOS MENSUALES i (b/12) PROMEDIOS CORRREGIDO DE LA TENDENCIA 1 ENERO 87,31 0,00 87,31 2 3 4 5 6 7 FEBRERO 97,82 0,21 97,61 MARZO 98,57 99,61 MAYO 99,02 JUNIO 100,39 JULIO 100,56 0,32 0,42 0,53 0,63 0,74 98,26 ABRIL 8 9 10 11 12 AGOSTO 106,78 0,84 105,94 SEPTIEMBRE 107,91 111,36 NOVIEMBRE 106,42 DICIEMBRE 100,47 0,95 1,05 1,16 1,26 106,97 OCTUBRE 99,19 98,50 99,76 99,83 110,31 105,27 99,21 3. Se calcula el promedio de los valores medios mensuales corregidos de la tendencia obtenido en el paso 2. 11 i MESES PROMEDIOS MENSUALES i (b/12) PROMEDIOS CORRREGIDO DE LA TENDENCIA 1 ENERO 87,31 0,00 87,31 2 3 4 5 6 7 FEBRERO 97,82 0,21 97,61 MARZO 98,57 98,26 ABRIL 99,61 MAYO 99,02 JUNIO 100,39 JULIO 100,56 0,32 0,42 0,53 0,63 0,74 8 9 10 11 12 AGOSTO 106,78 0,84 105,94 SEPTIEMBRE 107,91 106,97 OCTUBRE 111,36 NOVIEMBRE 106,42 DICIEMBRE 100,47 0,95 1,05 1,16 1,26 99,19 98,50 99,76 99,83 110,31 105,27 99,21 PROMEDIOS 100,68 4. Se obtienen los denominados Índices de Variaciones Estacionales o Factores Estacionales, al dividir cada uno de los valores medios corregidos de la tendencia entre el promedio de estos obtenido en el paso 3. i MESES PROMEDIOS MENSUALES i (b/12) PROMEDIOS CORRREGIDO DE LA TENDENCIA INDICES ESTACIONALES 1 ENERO 87,31 0,00 87,31 0,867 2 3 4 5 6 7 FEBRERO 97,82 0,21 97,61 0,970 MARZO 98,57 0,976 99,61 99,19 0,985 MAYO 99,02 98,50 0,978 JUNIO 100,39 99,76 0,991 JULIO 100,56 0,32 0,42 0,53 0,63 0,74 98,26 ABRIL 99,83 0,992 8 9 10 11 12 AGOSTO 106,78 0,84 105,94 1,052 SEPTIEMBRE 107,91 0,95 1,05 1,16 1,26 106,97 1,062 110,31 1,096 105,27 1,046 99,21 0,985 100,68 1,000 OCTUBRE 111,36 NOVIEMBRE 106,42 DICIEMBRE 100,47 PROMEDIOS 5. Con estos índices Estacionales, se obtiene los valores desestacionalizados, dividiendo los puntos o valores observados de la 12 serie entre su factor o índice estacional correspondiente, es decir, las observaciones correspondientes a enero entre su Índice o Factor y así sucesivamente para todos los 12 meses de cada año: CARTERA DE CREDITO REAL TOTAL VENEZUELA DESESTACIONALIZADA (BILLONES DE Bs A PRECIOS DE DIC DE 2007) 2007 2008 2009 2010 2011 E F M A M J J A S O 85,7 78,1 84,4 88,9 90,8 N PROMEDIOS ANUALES D 93,4 95,4 92,4 95,0 96,6 101,5 106,4 114,9 101,8 100,3 101,2 101,6 100,5 99,4 93,9 93,1 91,7 96,5 101,8 99,7 110,7 97,7 91,5 110,0 111,3 111,7 117,8 117,4 103,6 99,6 144,5 140,5 139,3 137,2 134,8 133,9 127,7 123,9 124,9 102,7 86,5 124,6 92,5 82,4 97,8 86,3 97,0 93,3 82,9 82,8 93,0 92,2 83,5 85,7 87,0 83,4 84,4 83,2 90,3 92,4 Gráficamente es posible observar ahora algunos hechos interesantes que sin el procedimiento anterior quedan ocultos en el análisis del fenómeno estudiado: La siguiente gráfica se corresponde con los valores observados y desestacionalizados de la serie: CARTERA DE CREDITO REAL TOTAL DEL SISTEMA BANCARIO VENEZOLANO. ENERO 2007- DICIEMBRE 2011. 140 120 100 80 SERIE DESESTACIONALIZADA Oct-11 Jul-11 Abr-11 Ene-11 Oct-10 Jul-10 Abr-10 Ene-10 Oct-09 Jul-09 Abr-09 Ene-09 Oct-08 Jul-08 Abr-08 Ene-08 Oct-07 Jul-07 40 Abr-07 60 Ene-07 BILLONES Bs A PRECIOS DE DIC 2007 160 SERIE OBSERVADA En la siguiente gráfica se presenta el componente estacional o estacionalidad de la serie, representado por el Índice o factor estacional calculado: 13 ESTACIONALIDAD DE LA CARTERA DE CREDITO REAL DEL SISTEMA BANCARIO VENEZOLANO. 2007-2011. 1,200 OCTUBRE FACTOR ESTACIONAL 1,100 FEBRERO 1,000 JULIO DICIEMBRE 0,900 0,800 De ENERO 0,700 NOVIEMBRE OCTUBRE SEPTIEMBRE AGOSTO JULIO JUNIO MAYO ABRIL MARZO ENERO FEBRERO 0,500 DICIEMBRE 0,600 acuerdo a esto, los meses de menor actividad crediticia son Diciembre y Enero, siendo Enero el más bajo de todos, ambos por debajo del promedio del año. La actividad se recupera en Febrero a niveles promedio del año para luego permanecer con muy pocas variaciones ligeramente por debajo del promedio del año hasta Julio, cuando comienza a recuperarse vigorosamente hasta octubre, siendo este el mes de mayor actividad crediticia durante todo el año, para luego caer por debajo de los valores promedios del año entre septiembre y diciembre. Otra forma de recuperar el componente estacional es pro diferencia entre la serie observada original y la serie desestacionalizada estimada. COMPONENTE ESTACIONAL DE LA CARTERA DE CREDITO REAL EN VENEZUELA. COMO % DE DESVIACION CON RESPECTO A LA SERIE OBSERVADA Oct-07 5,0% Jul-11 Oct-11 Abr-11 Ene-11 Oct-10 Jul-10 Abr-10 Ene-10 Oct-09 Jul-09 Abr-09 Oct-08 Ene-09 Jul-08 Abr-08 Oct-07 Ene-08 Jul-07 Abr-07 0,0% Ene-07 BILLONES DE Bs. A PRECIOS DE DIC 2007 CON RESPECTO AL PROMEDIO ANUAL 10,0% -5,0% -10,0% La -15,0% Ene-07 serie -20,0% 14 estudiada y desestacionalizada presenta un componente estacional muy marcado. Otras series económicas presentan estacionalidades más fuertes aún. Por ejemplo el siguiente gráfico muestra el componente estacional del volumen de ventas de autopartes en Venezuela: Fig.22 140,00 COMPONENTE ESTACIONAL DEL VOLUMEN DE VENTAS DE AUTOPARTES. VENEZUELA. 1999-2011 Dic-08 120,00 Dic-07 Dic-09 Dic-11 VOLUMEN DE VENTAS 100,00 Dic-10 Dic-06 80,00 60,00 40,00 Nov-07 20,00 Nov-08 Nov-09 Nov-06 Oct-06 Oct-07 M ay-06 M ay-07 M ay-08 Sep-06 M ar-06 Sep-07 Ago-06 M ar-07 Ene-06 Ago-07 Jul-06 Jul-07 M ar-08 Jun-06 Ene-07 Jun-07 Abr-06 Feb-06 Feb-07 Abr-07 Ene-08 0,00 -20,00 Oct-08 Oct-09 Ago-08 Jul-08 Abr-10 M ay-09 Sep-08 M ar-09 Ene-09Feb-09 Feb-08 Abr-08 -40,00 Nov-11 Nov-10 Sep-09 Ago-09 Jul-09 Jun-09 Abr-09 Feb-10 Oct-10 Sep-10 Jun-10 Ago-10 M ay-10 Ene-10 M ar-10 Oct-11 M ay-11 Jul-11 M ar-11 Jul-10 Ene-11 Feb-11 Sep-11 Ago-11 Jun-11 Abr-11 -60,00 Fuente: Estimaciones Propias con cifras del BCV. Excel permite realizar este procedimiento de forma rápida. Usualmente usted tendrá originalmente ordenados sus datos en filas o en columnas. Como se señaló antes, resulta mucho más conveniente ordenar o disponer de los datos en forma matricial. Para realizar la operación de desestacionalización en Excel por el método de los promedios mensuales o trimestrales proceda de la siguiente forma: Abra el archivo de Excel que contiene la serie de tiempo a desestacionalizar: 15 En el ejemplo se supone que usted originalmente tenía un conjunto de datos en términos nominales y que los deflactó y escaló apropiadamente, de conformidad con lo visto en el modulo 1. La serie de trabajo a desestacionalizar es la serie deflactada y escalada. Ahora… Ordene los datos en forma matricial: 16 Calcule los promedios mensuales, insertando la formula de la Función Promedio: 17 Arrastre la formula al resto de las celdas: 18 Ahora calcule los promedios anuales: de la misma forma: A los valores promedios (de cada año) obtenidos en el paso previo, se les ajusta una línea recta. Para ello, trace un gráfico de dispersión en Excel: 19 20 Al gráfico de dispersión trazado en Excel agregue una Línea de tendencia y pida que le muestre la ecuación de la recta ajustada: 21 Divida el coeficiente de la pendiente obtenido entre 12 o 4 según sea el caso. En el ejemplo se divide entre 12 por ser la serie de periodicidad mensual. El resultado le indica el efecto de la tendencia entre cada periodo ( entre cada mes en nuestro ejemplo) Ahora sume o reste proporcionalmente b/12 (b/4 si su serie es trimestral) a cada uno de los valores promedios mensuales antes calculados. Si b es positivo reste proporcionalmente y si es negativo sume proporcionalmente. Para ello cree una nueva tabla en Excel. En el caso de nuestro ejemplo debe restar proporcionalmente ya que la pendiente es positiva. Calcule luego el promedio de todos los valores medios mensuales corregidos de la tendencia. Los Índices o factores estaciónales se obtienen dividiendo cada media mensual corregida de la tendencia entre este promedio. 22 Otra forma alternativa de hacerlo es en el mismo arreglo matricial original: 23 d. Método ARIMA Census X 123: X-12-ARIMA (Findley, et. al. 1998), fue desarrollado por la oficina del censo de los Estados Unidos (U.S. Census Bureau 2000) a partir de los programas de ajuste estacional Census X-11 (Shishkin, et. al. 1967) de la oficina del censo de los Estados Unidos, y X-11-ARIMA (Dagum 1980, 1988) de la oficina de estadística de Canadá. El programa cuenta con dos módulos: el módulo RegARIMA, el cual se encarga de realizar el ajuste previo a la serie, y el módulo X-11 que se encarga de realizar el ajuste estacional propiamente. El procedimiento de desestacionalización mediante la utilización del programa X12 ARIMA, es utilizado por diferentes oficinas de estadística en el mundo. El desarrollo metodológico consiste básicamente en: 1. Modelar la serie original por medio de un proceso autorregresivo integrado y de medias móviles (modelos ARIMA) propuesto por Box-Jenkins. La rutina de identificación semiautomática de RegARIMA estima cinco modelos predeterminados. De entre los modelos candidatos, se escoge el que presenta menores estadísticos. Para aquellos casos en que ninguno de los modelos de la rutina automática sea aceptable, el programa ofrece la opción de calcular una serie de diagnósticos, descritos más adelante, para que el usuario determine el modelo más adecuado. 2. .Extrapolar la serie original un año (de observaciones) en cada extremo con el modelo ARIMA que mejor ajuste y proyecte la serie. Esta operación, llamada «forecasting» (previsión) y «backcasting» (datos fuera de la muestra), está diseñada para extender las series observadas en ambos extremos. Las proyecciones se realizan utilizando el filtro de Kalman; el cual garantiza que las proyecciones obtenidas sean de error cuadrático de proyección mínimo. 3 Tomado de INEI (2002) 24 3. Desestacionalizar la serie extendida utilizando promedios móviles. Para una descripción detallada del algoritmo de Census X12 referirse a CEPAL, 2005. Para aplicar este método de desestacionalización utilizaremos el software econométrico E Views y compararemos el resultado con el obtenido a través del método de los promedios mensuales (o trimestrales). En primer lugar abra el software econométrico. Cree un archivo de trabajo nuevo: 25 Identifique la periodicidad de la serie y la fecha de inicio y terminación: 26 Asígnele un nombre al archivo nuevo creado y sálvelo: Importe los datos de la serie a desestacionalizar: 27 Verifique que la importación se efectuó correctamente: 28 Abra la carpeta de la serie importada y siga la siguiente secuencia: PROCS / SEASONAL ADJUSTMENT / CENSUS X12 Selecciones entre las opciones: el modelo multiplicativo y que devuelva la serie desestacionalizada (con la terminación _SA) y los factores estacionales ( Los Índices Estacionales) y luego hacer clic en Aceptar: 29 Ahora debe tener dos carpetas nuevas como salida del proceso de desestacionalización: Salve de nuevo el archivo y cierre Eviews. Abra Excel e importe los datos del archivo de Eviews con el complemento para importación de datos de archivos de Eviews: 30 Ahora debe tener un archivo de Excel abierto con las series: observadas, desestacionalizada por Census X12 y los factores estacionales: Si grafica la componente estacional podrá apreciar que con este método se obtiene un componente estacional mucho más suave que con el método de los promedios mensuales. SERIE DE CARTERA DE CREDITO TOTAL REAL DESESTACIONALZADA POR EL METODO CENSUS X12. COMPONENTE ESTACIONAL 8,00% 6,00% 4,00% 2,00% Oct-11 Jul-11 Abr-11 Ene-11 Oct-10 Jul-10 Abr-10 Ene-10 Oct-09 Jul-09 Abr-09 Ene-09 Oct-08 Jul-08 Abr-08 Ene-08 Oct-07 Jul-07 Abr-07 -2,00% Ene-07 0,00% -4,00% -6,00% -8,00% -10,00% 31 SERIES OBSERVADA Y DESESTACIONALIZADA CON CENSUS X 12 160 140 120 100 80 60 40 20 CARTCREDR Oct-11 Jul-11 Abr-11 Ene-11 Oct-10 Jul-10 Abr-10 Ene-10 Oct-09 Jul-09 Abr-09 Ene-09 Oct-08 Jul-08 Abr-08 Ene-08 Oct-07 Jul-07 Abr-07 Ene-07 0 CARTCREDR_SA No es muy relevante para la mayoría de los trabajos a nivel de pregrado el método a usar. Lo importante es que este consciente de la necesidad de desestacionalizar la serie si su frecuencia es menor al año, antes de introducirla como variable en una corrida econométrica o cualquier otra técnica de análisis de datos. Aquí también debe proceder con buen juicio. En ciertas ocasiones no es necesario desestacionalizar la serie, por ejemplo: si se desea ajustar un modelo de pronóstico mensual para una determinada variable económica (PIB, Inflación, Ventas, etc.) La serie de tiempo desestacionalizada conserva ahora solo el componente de tendencia y el Componente Cíclico. Puede asumirse que el componente aleatorio o irregular también fue removido ya que este esta generalmente asociado al componente estacional. Mediante la técnica Census X12 es posible también recuperar aisladamente el componente aleatorio o irregular. Una vez que sabemos como eliminar el componente estacional de una serie de tiempo y recuperarlo para visualizar la información que ofrece, pasaremos de seguidas a estudiar el componente de tendencia y algunas técnicas para su obtención. 32 e. Componente de Tendencia: El componente de tendencia (T) o también denominado Tendencia Secular es el movimiento general de la serie a largo plazo. La representa una línea más suave que la correspondiente a las otras variaciones y puede ser recta, curva, ascendente, horizontal o descendente. Muchas veces es la más importante de las componentes de una serie, precisamente por representar su comportamiento general, lo que la hace de especial utilidad en extrapolaciones o predicciones (Zaera, 1985). En economía la determinación del componente tendencial de las variables macroeconómcas (Producto, Inversión, Consumo, Ahorro, Liquidez Monetaria, etc.) es fundamental en el denominado estudio de los ciclos económicos. En la visión moderna de este estudio se intenta separar explícitamente, mediante técnicas estadísticas el componente cíclico de las variables macroeconómicas de su componente de tendencia. Al componente tendencial del PIB se le conoce como PIB potencial (o producto potencial) y se considera que es el producto de equilibrio de largo plazo al cual tarde o temprano siempre retorna el PIB. Para tener una buena idea de lo relevante que resulta el estudio de las técnicas presentadas en este modulo tenga en cuenta que, de acuerdo a la visión moderna del estudio del ciclo económico, se considera que la diferencia entre el PIB desestacionalizado y su componente tendencial estimado es una buena estimación del componente cíclico (Ver Manzano, Méndez, Pineda y Ríos, 2008:93) ¿Cómo estimar, entonces el componente tendencial de una variable o serie de tiempo? Al igual que en el caso de la desestacionalización existen numerosas técnicas. De forma simplificada las dividiremos para su estudio en dos: 33 Técnicas de ajuste de rectas y curvas (polinómicas y exponenciales) por regresión mínimo cuadrática. Técnicas de Filtrado. Las técnicas de ajuste de rectas y curvas por mínimos cuadrados consiste en la estimación de la mejor forma funcional que se adapte a los datos, mediante regresiones lineales, polínómicas y/o exponenciales, según sea el caso. Aquella forma funcional que presente mejor ajuste (medido por el coeficiente de determinación R2) será la escogida. En algunos casos, una simple línea recta mínimo cuadrática es lo más adecuado (en aras de la parsimonia del ajuste). Veamos esto con un ejemplo: Supongamos que deseamos estimar el componente tendencial del PIB real Venezolano de frecuencia trimestral durante el periodo muestral 1997-2007. En la siguiente gráfica se muestra la serie observada y la correspondiente serie desestacionalizada: PIB REAL OBSERVADO Y DESESTACIONALIZADO. VENEZUELA. 1997:01-2007:04. 16.000 12.000 10.000 8.000 6.000 PIBR97 (MILES Bs 1997) Jul-07 Ene-07 Jul-06 Ene-06 Jul-05 Ene-05 Jul-04 Ene-04 Jul-03 Ene-03 Jul-02 Ene-02 Jul-01 Ene-01 Jul-00 Ene-00 Jul-99 Ene-99 Jul-98 Ene-98 Jul-97 4.000 Ene-97 MILLONES DE Bs. A PRECIOS DE 1997 14.000 PIBR97_SA (MILES Bs. 1997) 34 Note como la serie desestacionalizada es mucho más suave que la observada, ya que se le ha eliminado el componente estacional. Sin embargo, esta serie aún conserva el componente tendencial y el cíclico. Para estimar el componente tendencial de acuerdo a la técnica de ajuste de curvas por mínimos cuadrados, procederíamos por ensayo y error, ajustando primero una línea recta. Al realizar este procedimiento se obtiene el ajuste mostrado en la siguiente gráfica: 16.000 PIB REAL DESESTACIONALIZADO. VENEZUELA. 1997:01-2007:04. MILLONES DE Bs. A PRECIOS DE 1997 14.000 12.000 R2 = 0,383 10.000 8.000 6.000 4.000 PIBR97_SA (MILES Bs. 1997) TENDENCIA LINEAL Como se aprecia, el ajuste es bastante pobre, dado el bajo coeficiente de determinación. En vista de ello procedemos ahora a ajustar sucesivamente un polinomio de grado dos y otro de grado tres. Los resultados de dicho procedimiento se muestran en las graficas a continuación. Observe como la parábola ajustada se acomoda mucho mejor a las observaciones y el incremento del coeficiente de determinación. Un polinomio cúbico muestra incluso un ajuste aún mejor. Podríamos continuar con este procedimiento, pero en aras de la parsimonia del ajuste parece excesivo ajustar polinomios de grado tan elevado. 35 PIB REAL DESESTACIONALIZADO. VENEZUELA. 1997:01-2007:04. 16.000 MILLONES DE Bs. A PRECIOS DE 1997 14.000 12.000 2 R = 0,7981 10.000 8.000 6.000 4.000 PIBR97_SA (MILES Bs. 1997) TENDENCIA POLINOMIO SEGUNDO GRADO PIB REAL DESESTACIONALIZADO. VENEZUELA. 1997:01-2007:04. 16.000 MILLONES DE Bs. A PRECIOS DE 1997 14.000 12.000 R2 = 0,8499 10.000 8.000 6.000 4.000 PIBR97_SA (MILES Bs. 1997) TENDENCIA POLINOMIO TERCER GRADO 36 Es muy fácil realizar este tipo de ajustes de líneas de tendencia mínimo cuadráticas en Excel: Abra el archivo Excel donde tiene la serie. Recuerde que esta debe estar ya tratada previamente (deflactada, escalada, indexada) y adecuadamente desestacionalizada. Inserte un gráfico de dispersión (XY) y seleccione su serie desestacionalizada: 37 38 Proceda ahora a ajustar una línea de tendencia a los puntos del grafico de dispersión. Para ello debe hacer clic (botón izquierdo) con el Mouse sobre los puntos del gráfico con el fin de seleccionarlos. Luego con el botón derecho seleccione la opción: agregar línea de tendencia. Se le presentará un cuadro donde tendrá que especificar la forma funcional deseada. En esta ocasión escogeremos una línea recta (Lineal): 39 En la pestaña Opciones, seleccione que Excel le devuelva la ecuación de la recta ajustada y el R2. También asígnele un nombre apropiado a la tendencia lineal ajustada. Ahora debe tener de vuelta: el gráfico con la recta ajustada su ecuación y coeficiente de determinación. 40 Como el ajuste obtenido es pobre, repita el mismo procedimiento, pero ahora señalando que desea un ajuste de un polinomio de grado (orden) 2 (recuerde primero borrar la línea de tendencia antes ajustada, posicionándose sobre ella, haciendo clic para seleccionarla y suprimiéndola) 41 Estas técnicas de estimación del componente tendencial por ajuste de curvas mínimo cuadráticas ha caído en desuso en la práctica del análisis de series de tiempo económicas, en especial de las variables macroeconómicas, siendo sustituidos por las denominadas técnicas de filtrado. Son muchas las técnicas de filtrado y los economistas no están de acuerdo en cual es la mejor técnica. Entre las diversas técnicas de filtrado, por razones de simplicidad y practicidad nos referiremos a solo 2 de ellas: El Filtro de Hodrick-Prescott (HP) El Filtro de Paso de Banda (Band Pass) El Filtro de Hodrick-Prescott (HP): Esta es la técnica de filtrado más popular y más utilizada (aunque también la más criticada). Tiene la ventaja de que puede aplicarse fácilmente ya que viene integrado en la mayoría de los paquetes econométricos e incluso existen complementos de Excel que lo realizan. Este filtro apareció en 1981 en un influyente documento (ver Hodrick y Prescott, 1997). El filtro de Hodrick-Prescott descompone una variable temporal yt en su componente cíclico y tendencial: y y c t El componente tendencial y t t t es aquel que resulta de minimizar: 42 Donde es el denominado multiplicador (de Lagragne) o parámetro de suavización, el cual adopta un valor según sea la periodicidad de la serie (los recomendados por los autores son: 1.600 para series trimestrales, 14.400 para series mensuales y 100 para series anuales). De modo que el objetivo del filtro es seleccionar el componente de tendencia que minimiza la suma de las desviaciones cuadráticas con respecto a la serie observada sujeta a la restricción de que los cambios en el componente tendencial varíen gradualmente (suavemente) con el tiempo. El filtro HP ha sido objeto de varias críticas. Se ha señalado que quita información potencialmente valiosa de las series de tiempo y que puede resultar en la obtención de ciclos espurios (ver al respecto Agenor y Montiel, 2006:146) El Filtro de Paso de Banda (Band Pass) fue desarrollado por Baxter y King (1995) es esencialmente un promedio de movimientos que filtra “ruido” de alta frecuencia y “Tendencias” de baja frecuencia, eliminando las fluctuaciones en las frecuencias típicas del ciclo económico. Para mayores detalles referirse a Baxter y King (1995). Estos filtros son de fácil aplicación. Veamos como aplicar el Filtro HP utilizando el popular paquete econométrico E Views: Primero, como es usual, cree un archivo nuevo (workfile) en EViews, déle un nombre, sálvelo e importe sus datos. En el ejemplo a continuación trabajaremos con la serie del PIB real venezolano antes utilizada para demostrar los ajustes de curvas mínimo cuadráticas. Una vez que hallamos importado la serie (en el ejemplo la hemos denominado pibr97) abrimos la carpeta de la serie: 43 44 Realice ahora el ajuste estacional con Census X12 para desestacionalizar la serie, tal como aprendió previamente: Procs / Seasonal Adjustment / Census X12…. 45 Abra la carpeta de la serie desestacionalizada (pibr97_sa) Ahora siga esta secuencia: Procs / Hodrick-Prescott Filter 46 Asígnele un nombre a la serie (o deje el que pone el software por defecto). Si ha identificado correctamente la periodicidad de la serie desde que creó el archivo le aparecerá el parámetro de suavización () apropiado (1.600 en el ejemplo que nos ocupa). El software debe haber creado una nueva carpeta con la serie de tendencia estimada por el filtro HP y un grafico de la serie desestacionalizada y su componente tendencial estimado por el filtro. 47 Ahora puede cerrar E views e importar las series observada, desestacionalizada y filtrada por HP desde Excel con el complemento de importación. Las nuevas versiones de Eviews (5 en adelante) tienen incorporado el Filtro de Baxter y King. Hasta el momento hemos visto como remover y visualizar el componente estacional y como estimar el componente de tendencia. Solo queda la estimación del componente cíclico. 48 f. Componente Ciclico: El último de los componentes que nos queda por estimar el cíclico. Una vez llegado a este punto estimar el componente cíclico resulta algo sumamente sencillo ya que solo debe usted restarle a la variable desestacionalizada el componente de tendencia estimado. Para trabajos de mayor exactitud se sugiere desestacionalizar por Census X12 y obtener la tendencia por filtrado (HP por ejemplo). Como ya hemos realizado estas operaciones deberíamos tener en un mismo archivo de Excel las series desestacionalizada y el componente tendencial. Ahora proceda a introducir en la columna siguiente (D en el ejemplo) la formula de estimación del componente cíclico, es decir la diferencia entre el PIB real Desesatacionalizado y el componente de tendencia (PBR97_SA – PIBTENDHP). 49 Copie la formula por arrastre del contenido de la celda: 50 Esta forma de estimar el componente cíclico expresa el componente cíclico en términos absolutos. Cada vez se va haciendo uso y costumbre expresar el componente cíclico como % de desviación respecto a la tendencia. Haga eso en la siguiente columna: Ahora puede graficar el componente cíclico para analizar las fases expansiva y recesiva: 51 Otra forma de obtener el componente cíclico de forma directa es a través del complemento de Excel que estima los filtros de HP y diversos tipos de filtro de Paso de Banda (entre ellos el de Baxter y King). Pare ello proceda de la siguiente forma (ejemplificado para el filtro HP): Abra el archivo de Excel donde guarda su serie (desestacionalizada): Del Menú de Excel escoja [web : reg] / Univariate time series / Tseries Filters Package… 52 Se debe abrir un cuadro que le solicita la información sobre el rango donde se encuentra localizada la data a filtrar (Input) el rango donde el complemento debe devolver la salida o serie filtrada (Output) y también puede escoger la opción de que el complemento grafique la serie filtrada resultante (Plot). Presione el botón OKAY y obtiene el resultado: 53 g. Bibliografía de Referencia y Recomendada: Agenor, P y Montiel P. (2000). La Macroeconomía del Desarrollo. Berk, K y Carey, P. (2001) Análisis de Datos con Microsoft Excel. Thomson Learning. CEPAL. (2005). Elementos teóricos del ajuste estacional de series económicas utilizando X-12-ARIMA y TRAMOSEATS. Dagum E.B. (1988), “The X-11-ARIMA/88 Seasonal Adjustment Method”, Statistics Canada Findley, D.F., Monsell B.C., Bell W.R., Otto M.C., y Chen B., (1998), “New Capabilities and Methods of the X-12-ARIMA Seasonal Adjustment Program”, Journal of Business and Economic Statistics,Vol 16. Hodrick, R. y Prescott, E. (1997). Post-War U.S. business cycles: an empirical nvestigation. Journal of Money, Credit and Banking, 29(1), 116. Manzano, O, Méndez, R, Pineda, J, Ríos, G. (2008) Macroeconomía y Petróleo. Pearson. Pérez, C. (2002). Estadística Aplicada a través de Excel. Pearson. Shishkin, J., A. H. Young y J.C. Musgrave, (1967), “ The X-11 Variant of the Census Method II Seasonal Adjustment Program” U.S. Census Bureau Technical Paper 15, U.S. Census Bureau U.S. Census Bureau (2000), “X-12-ARIMA Reference Manual Version 0.2.7”, Washington D.C. 54 Vázquez, T. (1977). Estadística Económica. Contexto Editores. Zaera, F. (1985). Estadística Deductiva. Ediciones Vega. 55