Predicción de variables de alta frecuencia, una aplicación a la serie
Transcripción
Predicción de variables de alta frecuencia, una aplicación a la serie
Predicción de variables de alta frecuencia, una aplicación a la serie diaria hábil del Circulante en poder del público en Uruguay Elena Ganón Garayalde Banco Central del Uruguay [email protected] Segunda Versión – Abril 2012 MONTEVIDEO, URUGUAY Predicción de variables de alta frecuencia, una aplicación a la serie diaria hábil del Circulante en poder del público en Uruguay Elena Ganón Garayalde1 Banco Central del Uruguay2 SUMARIO Este trabajo se enmarca en un proyecto de análisis y modelización de variables económicas y financieras, de media y alta frecuencia que se viene ejecutando en el Banco Central del Uruguay (BCU) desde hace años utilizando herramientas de análisis de series temporales. En el marco del seguimiento de la política monetaria, y en particular con frecuencia diaria, disponer de predicciones del Circulante en poder del público diario hábil para el mes corriente es un insumo importante. Es en este contexto que se han desarrollado estudios de análisis de datos exploratorio y funcional y posteriormente elaborado modelos de series temporales para predecir esta variable monetaria, procediéndose luego a la evaluación de la capacidad predictiva de estos modelos en relación a modelos ad hoc. Los resultados recomiendan el uso de estas predicciones por parte de los analista encargados del seguimiento diario de la política monetaria. Palabras llaves: modelos de series de tiempo, evaluación de predicciones, variables monetarias, datos de alta frecuencia JEL: E41, E47 Time series models for high-frequency monetary variables: A case study Currency in circulation in Uruguay Elena Ganon-Garayalde3 Banco Central del Uruguay (BCU) ABSTRACT The monitoring of high-frequency data is a very important issue in the daily review of monetary policy at the Central Bank in Uruguay. In this paper exploratory and functional data analysis followed by the build-up of univariate time series models (ARIMA) are used to capture the special characteristics of Currency in circulation – coins and currency money held by the public - business daily variable, and forecast the current month daily data. The Currency in circulation (CC) business daily data analyzed corresponds to the period between the years of 2005 to 2011.The forecast performance of the CC time series models is evaluated considering ad hoc models achieving satisfactory results. Key words: time series models, forecasting evaluation; monetary variables; high-frequency data JEL: E41, E47 1 Correo electrónico:. [email protected] Las opiniones vertidas en este trabajo son de responsabilidad de la autora y no comprometen al Banco Central del Uruguay. Se agradece el apoyo de los colegas del Departamento de Análisis Monetario por viabilizar la disponibilidad de los datos. Segunda Versión Abril de 2012. Primera versión. Diciembre de 2011. 3 Mail: [email protected] 2 2 1- In ntroduccción oyecto de anáálisis y mode elización de variables v ecoonómicas y fiinancieras, Este trabaajo se enmarrca en un pro de media y alta frecueencia que se e viene ejecu utando en el Banco Central del Urugguay (BCU) desde d hace amientas de análisis de series temporales. Con anterioridadd, en Ganón n (2008) se años utilizando herra ón para variaables moneta arias mensua ales y en partticular para la emisión propusierron modelos de predicció diaria háb bil. a política moonetaria, y en particular con frecuen cia diaria, disponer de En el marrco del seguimiento de la prediccion nes del Circu ulante en Pod der del Públi co (billetes y monedas) diario d hábil ppara el mes co orriente es un insumo importantee. En Urugua ay el uso de efectivo por parte del pa articulares esstá muy extendido, y el c y de d e el 10%; y lo os cheques esstán restring gidos en la sistema de pagos vía tarjetas de crédito débito cubre de los casos a las empresa as (a diferenccia de lo que e sucede por ejemplo en Brasil). Su va ariabilidad mayoría d a lo largo del mes está pautad da por el paago de salarios y presttaciones de la previden ncia social pago de presttaciones y po or efectos esttacionales en n los meses (jubilaciones y pensiones) y su rettiro para el p de los aguinaldos en junio y diciembrre, gastos de compras en fin de año y vacaciones).. (el pago d ue se han de esarrollado esstudios de análisis exploratorio de daatos, análisiss funcional Es en estee contexto qu estadístico o y elaborado modelos univariados u d de series tem mporales para a predecir essta variable monetaria, m procedién ndose luego a la evalua ación de la capacidad predictiva de d estos moodelos. Los resultados recomiend dan el uso de estas prediicciones por parte de los analista enc cargados del seguimiento o diario de la políticaa monetaria. RIMA para la a predicción del circulantte ya sea con n frecuencia mensual para el corto El uso de modelos AR on frecuencia a diaria ha siido analizadoo por varios autores en aplicaciones eefectuadas en el marco plazo o co de varios Bancos Cen ntrales. (Balli F. & Elsam madisy (2011), Cassino V. & all (19977), Güler H.,, Talaslı A. por tipo de billete b usando o otros modeelos en Fase (1981) (2010)) y p mienza en la a sección 2 coon un análissis exploratorrio de la variiable y se pro opone una En este trrabajo, se com estimación diaria del mes corrien nte basado een una estim mación ad ho oc de la meddiana de los valores de para cada año y de la dife erencia de laas medianas, luego se pre esentan en laa sección 3 lo os modelos cada día p ARIMA y SARIMA y se estiman do os modelos p para el circulante diario hábil, en la ssección 4 se evalúan la aciones de ppredicciones (media y calidad de las prediccciones elaboradas con los modeloss y combina de las proyeccciones), fina almente en laa sección 5 figuran las conclusiones. mediana d 2- A Análisis Explorato E orio a expl oratorio de la serie del Circulante en Poder de el Público4 En esta ssección se prresenta un análisis definida com mo la Emisión menos la C Caja de los bancos) b de frrecuencia diaaria hábil, en n base a la (estando d visualizacción de los datos, d al cálcculo de estaadísticas básicas y al análisis explora ratorio multivariado El período cconsiderado va de enero o de 2005 a octubre de 2011. En la gráfica 1 see aprecia la evolución temporal de la serie dee tiempo del Circulante d diario hábil. 2 Gráfica 1 – Circulante diario hábil – Enero 20055 - Octubre 2011 4 Para facilitar, ahora en adelante, den nominaremoss al Circulante e en Poder del Público simpplemente Circulante. La Reserva Federal de St Louis L usa la denominación Cu urrency in Circu ulation para la emisión cuanddo la mayoría de d los bancos centrales se refiere al Circu ulante considerando a los billeetes y monedas en poder del público p sin conssiderar la caja de d los bancos (vault cash) 3 Para facilitar el análisis exploratorio de los datos, la serie de tiempo se puede presentar como una matriz tridimensional de mes, día hábil y año, yuxtaponiendo las matrices anuales de mes por día hábil, (ver figura 1 del apéndice 1) o como una matriz tridimensional de día hábil, mes y año, yuxtaponiendo las matrices anuales de día hábil por mes. (Ver figura 2 del apéndice 1) Se considera una matriz de datos de mes * día hábil *año, X I J K donde K es la cantidad de años (6 o 7) (el año va de 2005 a 2010 completo y en algunos casos se incluye el 2011 parcialmente5), I es la cantidad de meses (12) y J (k i) es la cantidad de días hábiles, un valor variable que depende del año k y del mes i considerado. En el caso de la frecuencia diaria hábil (o días de negocios o días trabajados como se le denomina en inglés) se eliminan los sábados, domingos y feriados. Los feriados pueden ser fijos, variables (dentro del mes o entre meses, ejemplo carnaval que puede caer en febrero o en marzo, semana de turismo que puede caer en abril o marzo) e intermitentes (ejemplo el primero de marzo en el año cuando asume un nuevo presidente de la República, como sucedió en 2005 y 2009). A su vez estos feriados pueden caer en sábado o domingo por lo cual no son considerados. Esto provoca que la cantidad de días hábiles no sea fija y constante para el mismo mes cada año o entre los meses e un año. El menor número de días hábiles es 18 (generalmente corresponde a febrero) y el máximo es 23 (este caso se presenta cuando el mes tiene 31 días, no hay feriados y el número de sábados y domingos es 8). Consideremos el año 2005 (k=1 en la notación anterior de X), la matriz X . . 2005 de meses * días hábiles (12*22) que se muestra en la tabla 1. En enero los feriados fijos son el 1 y el 6, el primero cayó en enero de 2005 un sábado y hubieron 5 fines de semana en el mes, con lo cual la cantidad de días hábiles fue 20. El mes con menos días hábiles fue febrero con 18, luego con 20 días hábiles figuran enero, abril, julio y octubre, con 21 días hábiles marzo, mayo y noviembre y con 22 días hábiles junio, agosto, setiembre y diciembre. Para ciertos estudios en que se necesita un número fijo de observaciones (ejemplo análisis de componentes principales para cada mes) se consideró la matriz de L * 18 (febrero) o L*19, o L*20 donde L es la cantidad de años y se toman 18 o 19 o 20 días hábiles según el caso. Tabla 1 – Circulante diario hábil - Matriz de datos para el año 2005, X . . 2005 . DIA HABIL DIA 1 DIA 2 DIA 3 DIA 4 DIA 5 DIA 6 DIA 7 DIA 8 DIA 9 DIA 10 DIA 11 DIA 12 DIA 13 DIA 14 DIA 15 DIA 16 DIA 17 DIA 18 DIA 19 DIA 20 DIA 21 DIA 22 AÑO_MES 2005.01 2005.02 2005.03 2005.04 2005.05 2005.06 2005.07 2005.08 2005.09 2005.10 2005.11 2005.12 10661 9872 9976 10182 9883 9773 10960 10415 10321 10494 10620 11186 10874 10057 10243 10355 10226 10127 11028 10690 10920 10836 11087 11820 11311 10752 10748 10732 10731 10732 11460 11133 11246 11391 11818 12154 11433 11317 11326 11094 11106 11019 11872 11554 11614 11826 12124 12350 11561 11366 11420 11646 11933 11525 12460 12391 12203 12712 12482 13159 11681 11461 11615 11899 11710 11571 12689 12199 12337 12275 12616 13378 11572 11488 11781 11554 11604 11580 12270 12050 12513 12107 12659 13585 11494 10993 11934 11357 11499 11686 12008 11996 12051 11936 12677 13095 11440 10704 11447 11102 11387 11195 11783 11877 11749 11919 12156 12883 10818 10243 11113 10959 11364 10925 11668 11875 11521 11252 11862 12749 10518 10329 10922 10957 10601 10744 11640 11294 11373 11082 11678 12745 10378 10274 10845 10188 10321 10700 11019 10994 11371 10854 11565 13089 10305 9567 10927 9975 10078 10781 10706 10783 10974 10790 11558 12765 10249 9595 10493 9857 10193 10573 10530 10651 10751 10801 11112 12995 9613 9520 10246 9861 9687 10477 10488 10681 10483 10300 10892 13231 9451 9396 10224 9424 9465 10411 10050 10267 10391 10101 10676 13409 9251 9301 9496 9392 9572 9604 10224 9484 9374 9408 9572 9257 9183 9205 9574 9261 9265 9331 9117 9341 10343 10294 10202 10361 9953 10220 9875 9782 9882 10223 10084 9983 9915 9654 9690 9962 10322 9902 9746 9682 9773 10274 9936 9926 10133 10105 10601 10626 10291 10261 10570 13632 12909 12723 12713 13003 13347 En la Figura 1 se puede visualizar la evolución de cada mes de 2005 a lo largo de los días hábiles. En la primera gráfica, se destaca el mes de diciembre en cuanto a su forma y valores, por lo cual se eliminó en la segunda gráfica. En la segunda gráfica se observa un crecimiento del Circulante en los primeros 5 días hábiles del mes, se mantiene 2 o 3 días y comienza a disminuir hasta cerca del final de mes que comienza a crecer nuevamente. El pago de salarios y pasividades está por detrás de este crecimiento y luego con el correr del mes y el pago de obligaciones y los depósitos disminuye el circulante. Si se observa, no hay un crecimiento pronunciado a lo largo del año mes a mes, pero si analizamos los primeros 11 meses, el valor de julio en el primer día hábil supera al de los otros meses. Si analizamos junio vemos un incremento del circulante a partir de mitad de mes. El pago del medio aguinaldo a partir del 15 del mes eleva el circulante y este permanece hasta julio en valores superiores al de los otros meses. Luego se observa que noviembre presenta valores elevados y diciembre permanece en un nivel superior al de los otros meses con el pago del medio aguinaldo y comisiones en la segunda quincena del mes y el movimiento de fin de año relacionado a las fiestas. 5 (hasta los primeros 4 días de octubre de 2011) 4 Figura 1 - Circulante diario hábill – Año 20055 – Evolución de los messes a lo largoo de los días hábiles 14000 enero febrero 13000 marzo 12000 abril mayo 11000 junio 10000 julio agosto 9000 septiembre octubre 8000 DIA DIA A DIA DIA DIA DIA DIA DIA DIA DIA DIA D DIA DIA DIA DI A DIA DIA DIA DIA A DIA DIA DIA 1 3 4 5 6 7 8 9 10 11 2 1 12 13 14 15 5 16 17 18 19 20 21 22 13000 noviembre enero 12500 febrero 12000 marzo 11500 abril 11000 mayo 10500 junio 10000 julio 9500 9000 agosto 8500 septiembre octubre 8000 A DIA DIA DIA DIA DIA D DIA DIA DIA DIA DIA DIA DIA DIA A DIA DIA DIA DIA DIA DIA DIA DIA DIA 2 6 1 16 17 18 19 9 20 21 22 3 4 5 7 8 9 10 11 12 13 14 15 1 noviembre d las tablas con las estad dísticas básic cas calculadaas para cada día hábil y En la Tabla 2 se muesttran alguna de 05 y 2006). S Se calcula el mínimo, primer cuarti l, promedio,, mediana, para cadaa año (en el ejemplo 200 tercer cuaartil y máxim mo. En el Anexxo 2 figuran los cálculos para todos lo os años estuddiados. as básicas p para cada día a hábil – año os 2005 y 20006 Tabla 2 – Circulante – Estadística s derivaran la diferenci a entre añoss de las medias y de las medianas y se pueden De estas eestadísticas se utilizar paara una estiimación ad hoc del mess corriente. Aquí solo se e presenta u una aplicació ón con las medianas que son las que dan mejjor resultado o en la estima ación del mess corriente. bla 3 se presenta para cada año las medianas calculada as para cad a día hábil t, t=1,22, En la tab considerando los 12 meses m del año o k, k =2005 a 2011. 5 Tabla 3 – Circulante –Para – cada año, evolucción de las medianas m callculadas parra cada día hábil h e las median as del año k respecto al año k - 1, doonde k = 2006 6 a 2011. En la tablaa 4 figura la diferencia de dif k t = median na k t – mediana k -1 t La median na del año 20 011 está calculada en el eejemplo con los valores de enero a octtubre (prime eros cuatro días hábiles disponiblees en octubre e corriente) p para cada día a hábil. Tabla 4 – Circulante - Diferencia a de las med dianas – Parra cada día hábil h e mes corrieente, en este caso octubre e, es usar el vvalor de la mediana m en Una fórmula ad hoc para estimar el e por la diferrencia de las medianas. El E coeficientee empleado es e =1.22. el año antterior más un coeficiente La median na del año co orriente es re ecalculada coon cada nuevvo mes disponible, lo cuall modifica la diferencia corriente. Proj k t = meediana k -1 t + * diff k t En la tablaa 5 anexa comparamos la a proyección de octubre así a obtenida y el valor obbservado del Circulante de octubree, calculándo ose el error de d la proyecc ión y el errorr absoluto po orcentual (veer fórmulas 7 y 9). Tabla 5 – Circulante – Valor obse ervado vs prroyección de el modelo ad hoc ora empleam mos estadístticas básicass para resum mir informac ción, otra foorma de alca anzar este Hasta aho objetivo ees por la definición de nuevas variaables agrega ando en el tiempo (pasaando de diarria hábil a frecuenciaa mensual como verem mos más ad delante), o por la aplicación de ttécnicas exp ploratorias multivariaadas como Análisis de d Compon nentes Princcipales, Análisis Func ional o An nálisis de conglomeerados u otra técnica simiilar. o del Análisis de Componentes Princcipales (ACP P), partiendo de un conju unto de p va ariables, se En el caso maximizaa su variancia a total, este problema see resuelve calculando los valores proppios y vectorres propios c nsideración. Para resumir los datos de la matriz de covariancia (o de correlación) de las p variiables en con 6 originaless, o sea la infformación co ontenida en las p variablles se puede utilizar las pprimeras com mponentes principalees que expliquen un alto porcentaje d e la variancia total (por ejemplo e más del 80%). o es una exteensión del ca aso en que la as p variabless tienen observaciones El uso de ACP en series de tiempo o por ejemplo bajo el anáálisis multivariado clásic co) y sin conssiderar hipóttesis sobre independientes (como ución conjun nta de las va ariables en eestudio. En el e contexto de d series de tiempo, cad da variable la distribu considerada en el aná álisis (ya sea los días háb iles o los me eses como en n el caso partticular de este trabajo) da. El empleo o de ACP en este marco se s da como una u técnica dde análisis exxploratorio está autoccorrelacionad para describir el fenóm meno u obte ener una rep presentación resumida de e la informacción original. En Jollife e el contextto de series d de tiempo, diferentes tipos de ACP taanto en el do ominio del (2002) se presentan, en omo en el dom minio de la frecuencia. f tiempo co do ACP para resumir la in nformación d de los meses como variab bles, se introoduce a continuación el Empleand análisis eefectuado sobre los meses de Marzoo como variiables y los días hábiless como obse ervaciones, partiéndo ose de una matriz original X N p de N oobservacione es y p variablles, con N=222 y p=7. n función de los días hábbiles para los años 2005 En la gráffica 2 se apreecia la evolucción del mes de marzo en a 2011. See destaca el aumento a de los últimos ccuatro valore es de los añoss 2007 y 20100, equiparando el valor de los año os siguientes (2008 y 2011 1 respectivam mente). e turismo cay yó en marzo,, mientras qu ue en 2011 El año 20008 solo tienee 19 días hábiles porque l a semana de carnaval ccayó en la seg gunda seman na de marzo (en la mayoría de los año os carnaval aacontece en febrero). f Gráfica 2–– Circulantee – Evolución comparad da del Mes dee Marzo para los años 20005 a 2011 s muestra ell mes de marrzo de 2009 y la primera componente c d ACP de En la gráffica 3 anexa se resultante del los marzo os de los año de 2005 a 20 011 para los primeros 19 9 días hábiless (ya que expplica más dell 80% de la variancia total). O sea a la matriz de d análisis X es de 19*7 7, cuya evolu ución año a año se visua alizó en la gráfica 1. e 2009 y prim mera compo onente del ACP A de los m meses de ma arzo Gráfica 3 - Circulante - Marzo de C Circulante diaria hábil h - MARZO y Prrimera componentte 24000 2 1.55 23000 1 22000 0.55 21000 0 ‐0..5 20000 2009 ACP_p1 ‐1 19000 18000 ‐1..5 DIA 1 D 2 DIA DIA 3 DIA 4 DIAA 5 DIA 6 DIA 7 DIA 8 DIA 9 DIA 10 DIA 11 DIA 12 DIA 13 DIA 14 DIA 15 DIA 16 DIA 17 DIA D 18 DIA 19 DIA 20 DIAA 21 DIA 22 DIA 23 ‐2 o del análisiss del mes de diciembre l a explicación n de la primera componeente es inferrior al 80% En el caso por lo qu ue se eligierron las dos primeras coomponentes ponderadass por la prooporción de variancia explicada.. En la gráficca 4 se muestra la evolu ución diaria del mes de diciembre d e 2009 con la primera componen nte y con la combinación c n lineal de lass dos primera as componen ntes 7 D de 2009 vs CP1 y combinac ción lineal prrimeras 2 com mponentes Gráfica 4 – Circulantee – Mes de Diciembre ora se sintettizó la evolución para caada día hábil, veamos cuando lo haacemos para cada mes Hasta aho resumiend do la inform mación de lo os días háb biles. Esto se e puede ver analizandoo las series mensuales generadass a partir de la serie diarria hábil: mín nimo, fin de,, promedio y máximo o bbien por un ACP A de los días hábiles. ma que la primera compponente prin ncipal que En particular, la seriee del promedio tiene la misma form d años 6 (ddel 2005 al 20 010) por el resulta deel ACP de la matriz Y N* p donde N =6*12 (es la cantidad de número de meses 12) y p = 18 es la cantidad d de días hábile es. Este resultado se expllica por el de enominado o media, ya que q en la maayoría de loss casos la primer compoonente es un promedio en la literratura efecto ponderado de la mayyoría de las variables y si los pesos son similares se acercaa a la media a (resultado presentado o para la emisiión diaria hábil en Ganón ((2008)). as series mensuales de C Circulante ge eneradas a Interesa aanalizar conjjuntamente el comporta miento de la partir de la serie diaria para los meses m de 20005. Como se puede visualizar en la g ráfica 4, la serie fin de n un comporrtamiento sim milar, crecen n en junio, ppero se diferrencian en mes y la serie del míínimo tienen s fin de mes se acerrca a la serie e del máximo. Ya las serries del prom medio y el diciembree en que la serie máximo ttienen una fo orma similarr, creciendo en julio a un nuevo nivel y nuevam mente en dicciembre se produce o otro salto de nivel. Gráfica 5 – Circulante - Evolución comparad da de las series mensuale es (mínimo, fin de, prom medio y o 2005 máximo)) para el año 14 000.00 13 000.00 12 000.00 11 000.00 10 000.00 9 000.00 CIRCULANTE FIN DE MES CIRCU ULANTE MINIMO EN EL L MES CIRCULA ANTE PROMEDIO EN EL E MES 2005.12 2005.11 2005.10 2005.09 2005.08 2005.07 2005.06 2005.05 2005.04 2005.03 2005 02 2005.02 2005.01 8 000.00 CIRCUL LANTE MAXIMO EN EL MES nta que se plantea p es si este comporrtamiento se e repite todo os los años. U Una forma de d verlo es La pregun graficando o para cada año a como se ha hecho paara 2005. o 2007 y 20100 presentan un comporta amiento simiilar para la se erie fin de, En la figura 2 se verifica que el año u valor cerccano o igual a la serie del máximo (en vez de acerccársele a la que presenta en el mees de marzo un mínimo como ocurre en los otros meeses, salvo diciembre). Essto se debe a que en amb bos años la serie del m semana de turismo ca ayó en la primera seman na de abril, adelantándos a se el pago deel mes de ma arzo de los narios públiccos y pasivid ades que no ormalmente se s efectúa al inicio de ab bril, suceso salarios de los funcion petirá en marzo de 2012. que se rep 8 C s de las Variables mensu uales para loos años 2005 a 2010 Figura 2 – Circulantee - Gráficas Comparadas CP es en la dirección d deel llamado Análisis de Co omponentes Principales Funcional Otra extensión del AC FPCA en su sigla s en inglé és “Function al Principal Componentss Analysis”), en el que las variables (ACPF) (F en estudio o en vez de ser s variables con observaaciones independientes o bien series de tiempo son s curvas. Si la funciión x (t) se obtiene medid da en tiempoo discreto (en n vez de conttinuo) puedee ser considerada como la forma d discreta de una u variable e continua, y se estiman primero lass curvas a seer considerad das y se le aplica el F FACP. La refeerencia biblio ográfica de eeste tipo de análisis a es Ra amsay & Silvverman (2010 0) y en una versión m más aplicada y computacional Ramsaay, Hooker & Graves (2009). El interéés de usar ACPF A parte por un lad do de que se obtienen componentes d de mejor calidad, en partticular en el caso en que el número de observvaciones es bastante menor al númeroo de variable es considerad das, y que peermite trabajjar cuando o de observa aciones no es e la misma (ejemplo cantidad de díías hábiles een el mes). Ejemplo E de el número aplicacion nes de ACPF se dan más en el área m médica (análissis de imágenes de reson nancia magnética fMRI en Vivianii, Gron & Sp pitzer(2005)), a datos provvenientes de la química o de fuente m metereológicca (Ramsay & Silverm man (2010)). En (Shang & Hyndman n (2009) se usa u para seriie de tiempoo univariada estacional mensual u una aplicació ón de PFDA seguido s de un n modelos dee predicción adaptativo. c de los meses m de ma rzo de 2005 a 2011, se muestra la grááfica de las funcionales En la figura 3 para el caso a año (réplica as) obtenidass por suavizaamiento usan ndo la funció ón smooth.baasis del paqu uete R FDA para cada a de la funciión de media a calculada con funciiones básicass de Fourier,, mostrando a continuación la gráfica en base a las 7 curvas anteriores (rreplicas). 9 d FDA sobre e las series dee marzo de 2005 2 a 2011, funcionales f y función de media Figura 3 – Resultado de Funcio onales de maarzo – réplica as para 2005 a 2011 Fu unción de me edia ploratorio prroviene del llamado Anáálisis de Com mponentes Otra extensión en el sentido del análisis exp Independientes (ACI)) (en ingléss ICA “Indeependentent Component Analysis”)) cuyo objetivo es la c s desconociddas bajo el su upuesto de identificacción a partirr de los datoss de fuentes de señal o componentes que estas componentees son independientes en n el espacio (sICA) ( o en el e tiempo (tIC CA). En Bord dier, Dojat m unaa aplicación a datos de im mágenes de resonancia magnética & Lafaye de Micheaux (2010) se muestra ucción al tem ma. (fMRI) y sse puede usar la referencia de Stone ((2004) como una introdu d análisis d e datos franccesa aplicado o a casos en que la fuentte de datos Existe otro o enfoque dee la escuela de es tridim mensional, po or ejemplo si se analizzan matrice es tridimensionales de variables co ontinúas ( individuos, variables y tiempo) qu ue extiende eel ACP al STA ATIS y sus posteriores m modificacione es. (Lebart, u & Piron, 1997) Adem más existen extensione es para manejar tablass de frecuencias que Morineau evolucionan en el tiem mpo donde no n se exige q que los indivviduos sean los mismos een cada año como si lo nes (Zarraga & Goytisolo (2009), Ganó ón (2011)). hacen otraas aplicacion nes en eco onomía o finanzas d de estas té écnicas exploratorias hhan estado dirigidas Aplicacion fundamen ntalmente a la determin nación de coomponentes no observa adas (por ejeemplo en esstudios de 10 inflación subyacente o del PIB potencial) en base al análisis de un gran número de series de tiempo de variables económicas, monetarias y financieras con el fin de identificar una señal que permita proyectar valores futuros de la inflación o del PIB sin la influencia de efectos transitorios. En general, se realiza un análisis de las variables ajustadas por estacionalidad en el dominio del tiempo (ACP) o un análisis principal dinámico (en el dominio de la frecuencia) y a partir de un modelo de espacios de estados sobre las componentes estimadas se proyecta la variable a estudio (inflación, PIB). O se, se procede primero a un análisis exploratorio para resumir la información contenida en un gran conjunto de variables y luego se aplica un modelo. Para ello se podría usar también análisis funcional (FPCA) en la primera parte y modelos en la segunda). En este trabajo estas técnicas (ACP, FDA) se han empleado más como estudio exploratorio para describir los datos que con propósito de predicción, se podría predecir la primera componente como método en dos etapas. En este caso hacer el cálculo de la componente en función de los días hábiles para predecir los valores no se justifica, ya que se hace directamente sobre las series mensuales derivadas por medio de modelos SARIMA. Podría si interesar cuando las variables son los meses y la dimensión tiempo está dada por los días hábiles, en la línea del trabajo de Shang & Hyndman (2009). En cuanto a predecir la serie de tiempo diaria hábil para el mes corriente, se ha hecho con el modelo ah hoc en función de las medianas y con modelos ARIMA que pasaremos a describir. 3- Modelos de series de tiempo y predicción Un proceso estocástico puede ser visto como una familia de variables aleatorias o un conjunto de realizaciones. Un proceso estocástico indexado en el tiempo se lo denomina serie de tiempo, una realización particular se la llama serie de tiempo observada. (Koopman, 1995) La medición del tiempo puede ser continua o discreta. En este trabajo nos restringiremos a este último caso. La información disponible la constituyen series de tiempo observadas, medidas en intervalos equiespaciados de tiempo, por ejemplo una vez al año, cada trimestre, una vez por mes, todos los días. En estos casos decimos que son de frecuencia anual, trimestral, mensual y diaria. El período es la inversa de la frecuencia, en el caso trimestral e1 s=4, en el caso mensual s =12. En el caso particular del Circulante se trabaja con datos de frecuencia mensual y diaria (corrida y hábil) La serie de tiempo se puede descomponer en una componente determinística y una componente puramente aleatoria. Según sea la estructura de estas componentes tendremos expresiones o modelos que tentarán explicar el comportamiento de los valores observados y predecir valores futuros. Sea y t una serie de tiempo, f t la parte puramente determinística y et la parte puramente aleatoria. y t = f t + et (1) La componente determinística puede ser una función lineal, cuadrática, cúbica, en el tiempo, o sea una función polinómica en t que modela la componente a largo plazo denominada tendencia f t = b0 + b1 t + b2 t2 + b3 t3 + ….+b p t p (2) que puede ser ajustada a todas las observaciones o localmente (medias o medianas móviles). La parte puramente aleatoria puede ser un ruido blanco o un proceso más complejo como los procesos ARMA (Autoregresivo de Medias Móviles), que son procesos de segundo orden estacionarios e invertibles (si las raíces de los operadores y(B) están fuera del círculo unitario) . Sean el operador autoregresivo de orden p, con B el operador desfasaje B y t = y t – 1 y(B) el operador de medias móviles de orden q, sea a t un proceso incorrelacionado de media cero y variancia constante pp qq (3) y t sigue un proceso ARMA (p , q) si y t = a t (4) 11 Si la serie de tiempo tiene componente de tendencia y/o estacional, estas se las puede eliminar por medio de diferencias regulares y estacionales respectivamente, donde s es el período de la serie, d y D el orden de diferenciación regular y estacional respectivamente. d 1 B 1 B D s s d (5) D La extensión del modelo ARMA a series no estacionarias lleva a la especificación de modelos Autoregresivo Integrado de Medias Móviles ARIMA (p, d, q) y la extensión a series con componente estacional variable a la especificación de modelos Autoregresivo Integrado de Medias Móviles estacional SARIMA (p, d, q) (P, D, Q) s. Sean s) = 1 - sPP s el operador auto-regresivo estacional de orden P s) = 1 - s QQ sel operador de medias móviles estacional de orden Q, Sean (1-B) d el operador diferencia regular de orden d, (1- Bs) D el operador diferencia de orden D y período s, y t sigue un proceso SARIMA (p , d, q) (P,D,Q)s si s) (1 – B) d (1 – Bs) D y t = s) a t (6) Los procesos estocásticos que dan origen a la mayoría de las series económicas pueden ser considerados dentro de la clase de los procesos ARIMA (Autoregresivo Integrados de Medias Móviles) o su extensión estacional SARIMA. En base a la especificación de estos procesos se estiman modelos por medio de un procedimiento iterativo de identificación, estimación y validación (Box & Jenkins, 1970) que sirven para predecir los valores futuros de la serie de tiempo en consideración. La etapa de identificación implica determinar el orden de diferenciación d y D y la periodicidad s, bien como definir el número de parámetros autoregresivos (p y P) y de parámetros de medias móviles (q y Q) en base al análisis de las funciones de autoccorrelación y de autocorrelación parcial de la serie original y sus diferencias. La estimación se puede hacer por máxima verosimilitud o por métodos no lineales, mientras que en la validación se analizan los residuos resultantes del ajuste del modelo. La evaluación de las predicciones elaboradas es una parte importante del procedimiento predictivo que implica el análisis exploratorio de los datos, la identificación de un modelo, su estimación y validación (analizando los residuos) y la performance predictiva. La selección entre usar uno u otro modelo está hecha no en base a la predicción dentro de la muestra sino fuera de la muestra, ya que el objetivo es obtener buenas predicciones. Un modelo puede ajustar mejor dentro de la muestra y tener una pobre performance predictiva y viceversa. Sea y t + h el valor observado en el instante t+ h, y t (h) la predicción h pasos en adelante con origen en el instante t basada en los valores observados y 1 , ... , y t , Se denomina error de predicción e t (h) e t (h) = y t + h - y t (h) (7) = ABS (e t (h)) (8) = 100 * AE h / y t + h (9) Error de predicción absoluto AE h Error absoluto porcentual APE h Si se considera el error acumulado calculado para uno a h pasos en adelante, se puede definir varias medidas, una es el error absoluto medio MAE h, y en el caso porcentual: el error medio MAPE h o la mediana MdAPE h h MAE h = (1/h) | (e T (j) | (10) j=1 12 h MAPE h = 100 * |e (1/h) T (j) |/ y T+ j j=1 MdAPE h = mediana (APE 1 , … . APE h) Si se considera el error de predicción h pasos en adelante para diferentes orígenes de tiempo t=T,.., T+k-1, se pueden definir varias medidas relativas como el promedio MAPE (h), la mediana MdAPE (h), el mínimo MinAPE (h), el máximo MaxAPE (h). El más usado es un paso en adelante h=1. k-1 MAPE (h) = (1/k) 100 * ABS (e T+ j (h) / y T+ j +h j=0 MdAPE (h) = mediana (APET (h), …. , APET+ k -1(h)) (11) MinAPE (h) = mínimo (APET (h), …. , APET+ k -1(h)) MaxAPE (h) = máximo (APET (h), …. , APET+ k -1(h)) 4- Evaluación de predicciones Los modelos identificados, estimados y validados fueron Modelo 1 (1- 6 * B ** 6 - 11 * B** 11 - 21 * B ** 21) (1- B) circ t = (1 - a Y a partir de abril de 2011 el Modelo 2 (1- 7 * B ** 7 -- 8 * B ** 8 - 11 * B** 11 - 21 * B ** 21) (1- B) circt = (1 - a Cada mes, se estima el modelo con datos diarios hábiles del circulante desde enero de 2008 hasta el mes anterior, y con base en el segundo día hábil del mes corriente se calcula la predicción del mes corriente hasta el segundo día hábil del mes siguiente, Por ejemplo, con base en 03/05/2011 se calcula la predicción de mayo hasta el 02/06/2011 con datos desde 2008 a hasta abril de 2011. En el cuadro 1 que figura en el anexo 1 se muestran los valores del mes de abril y la predicción de mayo de 2011 calculada con el Modelo 2. Cuando se dispone de los datos verdaderos del mes corriente, se grafica el valor observado y la predicción (ver gráfica 5) y se calcula el error (E), el error absoluto (AE), el error absoluto porcentual (APE) para uno hasta h períodos en adelante (ver cuadro 2) y se gráfica la evolución del APE (gráfica 6). Observado 2011.06.02 2011.06.01 2011.05.31 2011.05.30 2011.05.27 2011.05.26 2011.05.25 2011.05.24 2011.05.23 2011.05.20 2011.05.19 2011.05.17 2011.05.16 2011.05.13 2011.05.12 2011.05.11 2011.05.10 2011.05.09 2011.05.06 2011.05.05 2011.05.04 2011.05.03 35000 30000 25000 20000 2011.05.02 Gráfica 5 – Circulante - Predicción mes de mayo 2011 versus valor observado – Modelo 2 Predicción 13 Cuadro 2 – Circulantte - Calculo de d errores dee predicción n – Modelo 2 – Mayo 201 011 h pasos E AE error errror abs APE erro or relativo errror abs porc 1 189 189 0.0063 0.6 2 152 152 0.0050 0.5 3 440 440 0.0139 1.4 4 235 235 0.0075 0.8 5 -101 101 0.0032 0.3 6 -515 515 0.0169 1.7 7 -352 352 0.0116 1.2 8 6 6 0.0002 0.0 9 -506 506 0.0172 1.7 10 -407 407 0.0141 1.4 11 -695 695 0.0246 2.5 12 -704 704 0.0252 2.5 13 -1104 1104 0.0406 4.1 14 -1471 1471 0.0553 5.5 15 -1458 1458 0.0550 5.5 16 -1584 1584 0.0600 6.0 17 -1984 1984 0.0761 7.6 18 -2447 2447 0.0947 9.5 19 -2342 2342 0.0892 8.9 20 -1741 1741 0.0639 6.4 21 -776 776 0.0270 2.7 j h pasos en adelantee Gráfica 6 – Circulante - Evolución del error aabsoluto porrcentual de j=1, dose luego co on los datos del d cuadro 2 para los h pa asos en adela ante, el errorr acumulado absoluto Calculánd (MAE h) y el porcentua al: la media (MAPE ( ) y la a mediana (M MdAPE ) h h mes base h mes prediccción MAE Eh MAPE Eh MdAP PE h a abril 21 mayo 914.7 7 3.4 2.55 14 En la tab bla 6 anexa se comparan los resultaados de las prediccione es de mayo a noviembrre de 2011 elaboradaas con base en e los meses de abril a occtubre de 201 11 respectiva amente, obteenidas con el modelo 2, detectánd dose la preseencia de errrores porcen tuales altos (diferencia entre el val or del MAP PE h y del MdAPE h) en el caso de d los mesess base de abrril y agosto. Los resultados son muy buenos si co omparados con otras aplicacioness en que los errores acum mulados son n mayores (p por ejemplo een modelos mensuales de comerccio exterior o modelos triimestrales deel PIB. (Ganóón (2011, 2012))). Tabla 6 - Evaluación predicciones elaboradass con el Mod delo 2 – Med didas acumu uladas m mes base h mes preedicción M AE h MAP PE h MdAPE Eh abril 21 2 maayo 91 14.7 3.4 4 2.5 mayo 22 2 jun nio 10 043.5 3.5 5 3.2 junio 20 2 ju ulio 92 25.9 3.1 3.1 julio 21 2 agoosto 98 80.1 3.3 3 3.1 agosto 22 2 setieembre 67 70.4 2.3 3 1.4 s etiembre 20 2 octu ubre 69 93.4 2.2 2 2.2 octubre 21 2 novieembre 45 57.6 1.5 5 0.7 Para no so obrecargar la a exposición,, en vez de loos cuadros co on los erroress (como el cu uadro 2 para cada mes) se resumee en la preseentación de la figura 2 loos errores po orcentuales para cada m mes. Se puede observar que los m meses de mayyo y junio tienen comport rtamiento sim milar y que lo os meses de julio y agostto también PE inferioress al 4%, lueg go un mínim mo y en la ssegunda partte del mes (en este ccaso valores de error AP valores dee APE que du uplican los va alores de prin ncipio de me es). E de los errores porcentuales p para p cada mees. Mayo a ag gosto 2011 Figura 2a – Circulante – Modelo 2 - Evolución 15 Figura 2b b - Circulantee – Modelo 2 - Evolución d e los errores porcentualess para cada m mes. mbre a noviem mbre 2011 Setiem En la figu ura 3 se muestran la evolución para ccada mes, de el valor observado y de laa predicción elaborada con el mo odelo 2 para los meses de mayo a noviiembre de 20 011. Figura 3a – Circulante – Predicción Circulante co on Modelo 2 vs valor obse ervado – mayo yo a agosto 20 011 16 Figura 3b – Circulante – Predicción Circulante co on Modelo 2 vs valor obse ervado – setie mbre a noviem mbre 2011 ndice se pressentan para el e modelo 1 l as figuras sim milares a las figuras 2 y 3 mostradas En el apén anteriorm mente para el modelo 2. En medidas resumen acumuladas, a delo 1 es infe erior a la del modelo 2 en n la la performaance del mod n de mayo y noviembre, superior en la de agosto y en los otro os meses no hhay diferenciias predicción significatiivas, como po odemos ver al a comparar las tablas 7 y 6. delo 1 _ Med didas acumu uladas Tabla 7 - Evaluación predicciones elaboradass con el Mod mes ba ase h mes prredicción MAEh MAPEh M MdAPEh abril 20 011 21 mayyo 2011 1242 4.5 4.0 mayo 20 011 22 juniio 2011 1647 3.4 3.0 junio 20 011 20 o 2011 julio 945 3.2 2.9 julio 20 011 22 agossto 2011 718 2.5 2.1 agosto 2011 2 22 setiem mbre 2011 602 2.0 1.4 setiembre 2011 20 octub bre 2011 709 2.3 2.1 octubre 2 2011 21 noviem mbre 2011 567 1.9 1.6 ntro del mes las predicciiones calcula adas a partirr del segundoo día hábil del d mes, el Pero si see analiza den comportamiento es diiferente día a día osciland do de uno a otro modelo o siendo meejor en algun nos días la estimación ad hoc. dro siguientee se muestra a para el mess de octubre e de 2011 el valor v observaado y la pred dicción del En el cuad tercer al 220 día hábil obtenidas o po or el procedim miento ad ho oc del modelo en base a la mediana, por el por los modellos ARIMA modelo m 2 y modelo m 1yp por combinacción de pred dicciones de las tres ante eriores: un promedio o aritmético de d prediccion nes y la med iana de las tres t prediccio ones. Los ressultados muestran que al inicio ees mejor la ad d hoc, luego el modelo 1, y al final el promedio de e las predicciiones, pero el e modelo 2 es el que está en prim mer o segund do lugar o coon valores de e APE no exc cepcionales. Si se debiera a elegir un or el modelo 2, aunque ccualquiera de e las opciones presenta errores acep ptables. En método see optaría po cuanto a la media o la a mediana de las proyeccciones en cad da día salvo al final del m mes donde la a media es das. mejor, suss performancces son bastantes parecid 17 Tabla 8 – Estudio com mparativo para p el mes d de octubre de d 2011 de opciones o de p proyección ualiza el valo or observadoo y las proyecciones para a los cinco m métodos usad dos para la En la gráffica 7 se visu predicción n del mes dee octubre de 2011. Se perrcibe claramente la peor performancee del método o ad hoc y la mejor del promediio de las pro oyecciones aal final del mes m y como todos en loss primeros 8 días subestiman eel circulante. Gráfica 7 – Circulante – mes de octubree de 2011 - Comparac ción del vaalor observa ado y las proyeccio ones de 1 a 20 pasos en n adelante En la grááfica 8 se vissualiza el errror absolutoo porcentual para los cinco métodoos (tres modelos y dos n del mes de octubre de 22011. combinacciones de preedicciones) uttilizados en lla predicción 18 e – mes de octubre o de 20011 - Compa aración del APE A de 1 a 220 pasos en adelante a Grafica 8 - Circulante 5 - Concclusiones En el anállisis de la serrie del Circulante diaria h hábil se ha presentado p un u análisis exxploratorio de d los datos del cual ssurge un méétodo ad hocc de predicciión y se elab boraron dos modelos un nivariados dee series de tiempo paara los datos diarios hábilles, los cualess se aplican con c base en el segundo día ía hábil para predecir el mes corrieente. Si se tieene en cuenta a que el núm mero de pasoss de en los qu ue se calcula lla predicción n va de uno hasta un número quee oscila alred dedor de 20 pasos en ad delante (depe endiendo deel mes consid derado), la calidad dee las prediccio ones obtenid das son muy b buenas en la primera parte del mes y no tan efectiivas a veces en la segu unda parte, co on errores ab bsolutos porccentuales ind dividuales infferiores al 1% % y nunca su uperiores al 10% y con n errores acu umulados MA APEh en un intervalo deel 1.9 al 4.5% %. Si comparaados con ressultados de aplicar sim milares modeelos univariad dos en series mensuales y trimestrales los resultadoos son muy buenos. b o a posibles desarrollos d fu uturos, se con nsidera usar un u modelo de suavizamieento exponen ncial en las En cuanto medianas,, o métodos no paraméttricos funcion nales con acttualización dinámica d de prediccioness. Por otra parte, se rrecomienda el e uso de técn nicas de análiisis de datos funcionales f (descriptivas, de ACPF y modelos m de regresión)) para el anállisis de variab bles económiicas. 19 Bibliografía Balli F., Elsamadisy (2011) Modeling the Currency in Circulation for the State of Qatar. Central Bank of Qatar. http://mpra.ub.uni-muenchen.de/20159/1/Qatarcirculation.pdf Bordier C., Dojat M. Lafaye de Micheauz P. (2010) Temporal and Spatial Independent Component Analysis for fMRI data sets embedded in a R Package Box G.E.P., Jenkins G.M. (1970). Time Series Analysis Forecasting and Control. Holden Day, San Francisco. Cassino V., Misich P., Barry J. (1997) Forecasting the demand for currency. Reserve Bank New Zealand. Reserve Bank Bulletin, Vol 60 No1,1997. http://www.rbnz.govt.nz/research/bulletin/1997_2001/1997mar60_1cassinomisichbarry.pdf Fase M.M.G. (1981) Forecasting the needs for coins: A case study for the Nederland. Technological Forecasting and Social Change. Volume 19, March 1981, Pages 147-159. Elsevier. Ganón E. (2008) Time series univariate models of medium and high frequency monetary indicators: Its use for the implementation and review of monetary policy. Presentado en el ISF2008 - International Symposium of Forecasting. Niza, Francia. Junio 2008 Ganón E. (2011) Simultaneous Analysis of contingency tables drawn with telephone data registration from the National Telephone Service to Support Women Suffering Violence in Uruguay. Working Paper. PLEMUU. Uruguay . Presented at CARME 2011, Nice, France Ganón E. (2012) Evaluación de la performance de modelos de predicción de las importaciones totales y clasificadas por GCE para el año 2011. Informe Interno. AIE, BCU. Enero/ 2012. Güler H., Talaslı A. (2010) Modelling the Daily Currency in Circulation in Turkey. Central Bank Review ISSN 1303-0701 print/ 1305-8800 online. Central Bank of the Republic of Turkey. http://www.tcmb.gov.tr/research/cbreview/jan10-2.pdf Hyndman R. J., A.B. Koehler (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22, 679-688. Jollife I.T. (2002) Principal Component Analysis. Springer- Verlag. New York. 2 nd edition. Koopman L.H. (1995) The Spectral Analysis of Time Series Academic Press INC. San Diego. 2nd edition Lebart, L., Morineau, A., Piron, M. (1997) Statistique exploratoire multidimensionnelle. Dunod, Paris 2 Ed. nd Ramsay, J.O., Silverman, B.W. (2010) Functional Data Analysis Springer Science+ Business Media Inc. New York. 2nd edition. Ramsay, J.O., Hooler,H., Graves, S. (2009) Functional Data Analysis with R and MATLAB Springer Science+Business Media Inc. New York Shang H.L, Hyndman R. (2009) Nonparametric time series forecasting with dynamic updating Monash University. Australia Stone J.M. (2004) Independent Component Analysis. A tutorial Introduction The MIT Press Cambridge, Massacchusetts Viviani R., Gron g., Spitzer M. (2005) Functional Principal Component Analysis of fMRI Data Human Brain Mapping 24:109-129. Zárraga A., Goitisolo B. (2009) Simultaneous analysis and multiple factor analysis for contingency tables: Two methods for the joint study of contingency tables. Computational Statistics and Data Analysis, 53 (2009) 31713182. 20 ANEXO 1 Cuadro 1 – Predicción del mes de Mayo con el modelo 2 Fecha Dia habil Observado Predicción 01/04/2011 1 2011.04.01 28602 04/04/2011 2 2011.04.04 30042 05/04/2011 3 2011.04.05 29703 06/04/2011 4 2011.04.06 30263 07/04/2011 5 2011.04.07 30968 08/04/2011 6 2011.04.08 31277 11/04/2011 7 2011.04.11 30644 12/04/2011 8 2011.04.12 30143 13/04/2011 9 2011.04.13 29733 14/04/2011 10 2011.04.14 29492 15/04/2011 11 2011.04.15 29599 19/04/2011 12 2011.04.19 28585 20/04/2011 13 2011.04.20 28259 25/04/2011 14 2011.04.25 27217 26/04/2011 15 2011.04.26 26731 27/04/2011 16 2011.04.27 26317 28/04/2011 17 2011.04.28 26363 29/04/2011 18 2011.04.29 26790 02/05/2011 1 2011.05.02 27431 03/05/2011 2 2011.05.03 28792 04/05/2011 3 2011.05.04 29669 05/05/2011 4 2011.05.05 30443 06/05/2011 5 2011.05.06 31122 09/05/2011 6 2011.05.09 31049 10/05/2011 7 2011.05.10 31175 11/05/2011 8 2011.05.11 31057 12/05/2011 9 2011.05.12 30833 13/05/2011 10 2011.05.13 30320 16/05/2011 11 2011.05.16 29832 17/05/2011 12 2011.05.17 29346 19/05/2011 13 2011.05.19 28890 20/05/2011 14 2011.05.20 28693 23/05/2011 15 2011.05.23 28265 24/05/2011 16 2011.05.24 28082 25/05/2011 17 2011.05.25 27971 26/05/2011 18 2011.05.26 27982 27/05/2011 19 2011.05.27 28065 30/05/2011 20 2011.05.30 28281 31/05/2011 21 2011.05.31 28606 01/06/2011 1 2011.06.01 28989 02/06/2011 2 2011.06.02 29532 21 Figura 1 Figura 2 22 ANEXO 2 Figura 1 – Circulante – Estadísticass básicas pa ara cada día hábil – años os 2005 a 2010 23 ANEXO 3 – Evaluación Modelo 1 Figura 2a – Circulante – Modelo 1 - Evolución E de los errores porcentuales p para p cada mees. Mayo a ag gosto 2011 Figura 2b b - Circulantee – Modelo 1 - Evolución d e los errores porcentualess para cada m mes. bre a noviembre 2011 Setiemb 24 Figura 3a – Circulante – Predicción Circulante co on Modelo 1 vs valor obse ervado – mayo yo a agosto 20 011 Figura 3b – Circulante – Predicción Circulante co on Modelo 2 vs valor obse ervado – setie mbre a noviem mbre 2011 25