Autor:PhD.

Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

Parte II

Modelado y Pronstico
de la Tendencia

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

Por lo general, la serie a pronosticar vara con el

tiempo y puede atribuirse a componentes subyacentes
no observados: tendencias, estacionalidad y ciclos.
Tendencia: La variable a pronosticar evoluciona
lentamente y a largo plazo. Ejm. En economa,
finanzas y negocios, la tendencia se produce debido a
la lenta evolucin de preferencias, tecnologas,
instituciones y demografas, crecimiento, etc.
Tendencia determinstica: la tendencia evoluciona en
forma perfectamente predecible y son muy tiles en la
prctica. (Nota: tendencia estocstica se tratar
posteriormente).
2

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

La existencia de una tendencia se puede identificar a

simple vista. Ejm. En el grfico siguiente se presenta el
ndice de precios del petrleo, donde la tendencia
parece ser aproximadamente lineal, i.e., una funcin
sencilla del tiempo:

Tt = 0 + 1 TIEMPO t
Donde:
TIEMPO = 1, 2, 3, ., T-1, T (TIEMPO = t)
0 = ordenada en el origen (valor de la tendencia en t = 0)
1= pendiente
3

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

Indice de Precios de Petrleo

(Base 1996)

ECONOMETRIA

Tendencia Lineal: Indice de Precios de Pre trle o

350

320

300
280

250
200

240

150

40
200

100
50

20

160

120

-20

80

-40
2002

2003

2004

2005

2002

2003

2004

2005

A veces la tendencia parece ser no lineal (curva) la

variable aumenta (disminuye) con una rapidez cada vez
mayor (menor), pero ello no es de preocupacin, porque lo
que se requiere no es una tendencia lineal sino
uniforme.
4

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

Los modelos de tendencia cuadrtica pueden dar

cuenta algunas no linealidades. Estas tendencias son
funciones cuadrticas del tiempo.

Tt = 0 + 1 TIEMPOt + 2 TIEMPOt2

Indice de Precios d e Minerales (Base 1996)

Tenden cia Cuadrtica: Indice de Precios de Minerales

280

2 80

240
2 40

200
60

160

2 00
40

120

20

1 60

80

0
1 20

-20
-40

80
2002

2003

2004

2005

2 00 2

2003
Residual

2004
Actual

2 00 5
Fitte d

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

Pueden existir distintas formas de tendencia no lineal cuadrtica,

dependiendo de los signos y las magnitudes de los coeficientes.
TENDENCIA = 10 + 0.3*TIEMPO + 0.3*TIEMPO2

TENDENCIA = 10 + 30*TIEMPO - 0.3*TIEMPO2

3200

800

2800

700

2400

600

2000

500

1600

400

1200

300

800

200

400

100

0
10

20

30

40

50

60

70

80

90

100

TENDENCIA = 10 -0.4*TIEMPO-0.4*TIEMPO2
1000

10

20

30

40

50

60

70

80

90 100

TENDENCIA = 10 - 25*TIEMPO - 0.3*TIEMPO2

600
400

200
-1000
0
-2000
-200
-3000

-400

-4000

-600
10

20

30

40

50

60

70

80

90

100

10

20

30

40

50

60

70

80

90 100

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

A veces son adecuados otros tipos de tendencia no lineal.

Tendencia exponencial o tendencia Lineal logartmica: Se
presenta cuando la tendencia es no lineal en escala, pero
lineal en logaritmos, y es muy comn en finanzas, economa
y negocios, ya que con frecuencia estas variables tienen
tasas de crecimiento constantes (ej. 3% anual).
Si la tendencia presenta un crecimiento constante con una
tasa 1, se puede escribir:

Tt = 0 e 1 TIEMPOt
Si la tendencia es no lineal en escala, pero lineal en
logaritmos se tiene:

log(Tt ) = log( 0 ) + 1 TIEMPOt

(Log(Tt) es funcin lineal del tiempo)
7

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

La siguiente figura muestra una variedad de formas de

tendencia exponencial (no lineal), dependiendo de los
signos y valores de los parmetros.
La tendencia exponencial puede adecuarse a diversas
situaciones de aumento/disminucin con rapidez cada vez
mayor.

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

TENDENCIA=5*EXP(-0.02*TIEMPO)

TENDENCIA=5*EXP(0.02*TIEMPO)
40

35

30
4

25
20

15

10
1

5
0

0
10

20

30

40

50

60

70

80

90 100

10

30

40

50

60

70

80

90 100

TENDENCIA=-0.5*EXP(-0.02*@TIEMPO)

TENDENCIA=-5*EXP(0.02*TIEMPO)
0

20

.0

-5

-.1

-10
-.2

-15
-20

-.3

-25

-.4

-30
-.5

-35
-40

-.6
10

20

30

40

50

60

70

80

90 100

10

20

30

40

50

60

70

80

90 100

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

En la prctica, algunas veces las tendencias no lineales

se aproximan bien con la tendencia cuadrtica y otras
veces se aproximan mejor mediante tendencia
exponencial.
Tendencia cuadrtica: Arance l de Importaciones

Te ndencia exponencial: Arancel de Impo rtaciones

0.4

1.2
1.0

0.0

0.8

.6

0.6

.4

.2

0.4

.2

.0

0.2

.4

-0.4
-0.8

.0
-1.2

-.2
-.2

-.4
-.6

-.4
1990 1992 1994 1 99 6 1998 2000 2002 2004
Residual

Actua l

Fitted

1990 1992 1 99 4 1996 1998 2000 2002 2004

Residual

Actua l

Fitted

10

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

ESTIMACION DE MODELOS DE TENDENCIA

Para estimar los distintos modelos de tendencia utilizamos
MCO. As calculamos:
T

= arg min [ yt Tt ( )]2

t =1

donde es el conjunto de parmetros a estimar.

Ejemplos:
Tendencia lineal:

Tt ( ) = 0 + 1TIEMPOt

y = ( 0 , 1 )

Con la computadora calculamos:

T

2
( 0 , 1 ) = arg min [ yt 0 1TIEMPOt ]

0 , 1

t =1

11

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

Tendencia cuadrtica
T

2 2

( 0 , 1 , 2 ) = arg min yt 0 1TIEMPOt 2TIEMPOt

0, 1 , 2

t =1

Tendencia exponencial
T

1TIEMPOt 2

( 0 , 1 ) = arg min yt 0 e
0, 1

t =1

O de manera equivalente: Tendencia lineal en escala

logartmica
T

( 0 , 1 ) = arg min [ ln yt ln 0 1TIEMPOt ]

0, 1

t =1

12

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

PRONOSTICO DE LA TENDENCIA
Pronsticos Puntuales
Supongamos que nos hallamos en el tiempo T y deseamos
usar un modelo de tendencia para pronosticar los valores de
y, h pasos futuros.
Supongamos un modelo de tendencia lineal (los
procedimientos son idnticos para tendencias ms
complicadas).

yt = 0 + 1 TIEMPOt + t
Cuando el tiempo es T+h, tenemos:

yT + h = 0 + 1 TIEMPOT + h + T + h
13

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

En el lado derecho aparecen los valores futuros: TIEMPOT+h

y T+h. Si estos valores se conocieran en T, el pronstico
sera inmediato. De hecho, conocemos TIEMPOT+h=T+h pero
no T+h, por lo que se reemplaza con un pronstico ptimo
elaborado con informacin hasta T. Bajo el supuesto que t
es ruido blanco, el pronstico ptimo de T+h para cualquier
futuro es 0, con lo que el pronstico puntual se obtiene a
partir de:

yT + h ,T = 0 + 1 TIEMPOT + h

14

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

En la ecuacin anterior se supone que los parmetros son

conocidos, cosa que no ocurre en la prctica, por lo que
para hacerla operativa se reemplaza por sus estimaciones
MCO.

yT + h ,T = 0 + 1 TIEMPOT + h
Para obtener los pronsticos por intervalos, se supone
que t ~ N(0,2). As un pronstico de intervalo de 95% se
obtiene a partir de:

yT + h ,T 1.96
Donde es el error estndar de la regresin de la
tendencia.
15

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

SELECCIN DE MODELOS DE PRONSTICO

Cmo seleccionar entre varios modelos de tendencia
cuando se ajusta una tendencia a una series especfica?
Seleccionar el modelo con el mximo R2, no produce
buenos modelos de pronstico. En su lugar utilizamos
otros mtodos que intentan determinar el modelo que
tenga el error de pronstico cuadrtico a 1 etapa, que
sea mnimo; las diferencias entre los criterios estn en la
asignacin de distintas penalizaciones a la cantidad de
parmetros utilizados.
16

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

Debido a que todos los criterios son en realidad estimaciones

del error cuadrtico promedio muestral, tienen orientacin
negativa: cuanto menor, mejor.

Error Cuadrtico Promedio (ECP)

1 T 2
ECP = et
T t =1
donde: e = y t yt ;

y t = 0 + 1TIEMPOt

El modelo con el mnimo ECP tambin es el que tiene la

menor suma de residuos elevados al cuadrado, porque al
escalar en 1/T la suma de residuos al cuadrado no cambia su
orden de lugar (de menor a mayor o viceversa) en el
conjunto. Asimismo, es equivalente a seleccionar el modelo
con el mximo R2.
17

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

Sin embargo, no se aconseja seleccionar modelos de

pronsticos basados en el ECP, debido a que ste casi
siempre disminuye al agregar ms variables al modelo.
Para reducir el sesgo asociado con el ECP y sus
anlogos, se necesita penalizar la cantidad de grados de
libertad usados.

Error Cuadrtico Promedio Corregido (por g.l.)

T
1
2
2
s =
et

T k t =1

18

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

s2 es el estimador insesgado de la varianza de

perturbacin de la regresin. Entonces, seleccionar el
modelo que minimiza a s2 equivale a seleccionar el
modelo que minimiza el error estndar de la regresin.
s2 se relaciona ntimamente con R2 corregido:
T

e
t =1

R = 1

2
t

T k

( yt y )
t =1

T 1

= 1
2

s2
T

2
y
y
(
)

t
t =1

T 1

19

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

El denominador solo depende de los datos y no del ajuste

del modelo, por lo que el modelo que minimiza a s2 tambin
es el que maximiza R2 corregido.

Criterio de Akaike y Criterio de Schwarz

1 T 2
CIA = exp(2k / T ) et
T t =1

1 T 2
CIS = T et
T t =1
k
T

El criterio de Akaike penaliza los g.l. de manera ms

enrgica que s2, pero es inconsistente y cuando aumenta T
selecciona modelos que son demasiado grandes
(sobreparametrizados). Sin embargo, aunque es
inconsistente, es asintticamente eficiente.
El Criterio Schwarz, penaliza con mxima intensidad los
g.l, y es consistente pero es asintticamente ineficiente.
20

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

Algunos programas informticos calcular el logaritmo de

ambos criterios:
T

log(CIA) = log

2
t

t =1

2k
+
T

log(CIS ) = log

2
e
t
t =1

k log(T )
T

Los 2 criterios estn bien definidos y pueden asumir

cualquier valor real.
21

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

Aplicacin: Pronsticos de ventas al detalle

Variable: ventas mensuales al detalle en dlares,
ajustados estacionalmente.
Periodo: 1955:ene 1994:dic.
Periodo de estimacin: 1955:ene 1993:dic
Periodo: 1994:ene 1994:dic (para examinar la
eficiencia de los pronsticos).
Grfico: tendencia no lineal. Puede que existan ciclos,
pero stos no se pueden detectar con facilidad al
desempear un papel secundario en la variacin de la
serie.
22

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

200000

Ventas

160000

120000
80000
40000

0
50

100 150 200 250 300 350 400 450

Ventas al detalle en valor actual

23

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

Modelo lineal de Tendencia

La tendencia es muy significativa, de acuerdo al valor p del estadstico t.
El R2 es alto
El estadstico DW indica presencia de autocorrelacin de primer orden positiva.

La grfica de los residuos indica que la tendencia lineal es inadecuada; la

tendencia real es no lineal, lo que se refleja en una autocorrelacin positiva alta
de los residuos.
24

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

Modelo Cuadrtico de Tendencia:

Los trminos lineal y cuadrtico son significativos y R2 es casi 1.
El grficos de residuos muestra que la tendencia no lineal ajustada sigue muy bien
la evolucin secular de las ventas al detalle, aunque DW sigue siendo bajo.

25

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

Modelo de tendencia exponencial (Modelo no lineal)

El modelo de tendencia semilogartmica.
El ajuste en comparacin con el modelo de tendencia lineal parece ser mucho
mejor, aunque el DW es bajo. Sin embargo, no se puede hacer la comparacin
porque el modelo lineal se encuentra en niveles y no el logaritmos, lo que impide
comparar estadsticos como el error estndar de la regresin. Una forma de salvar
el inconveniente es estimar el modelo de tendencia semilogartmica por MCNL.
13
12
11
.3

10

.2

.1
.0
-.1
-.2
1955 1960 1965 1970 1975 1980 1985 1990
Residual

Actual

Fitted

26

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

Estimacin por Mnimos Cuadrados No Lineales

Los estadsticos de diagnstico y el grfico de los residuos sealan que la
tendencia exponencial se ajusta mejor que la tendencia lineal, pero no mejor
que la tendencia cuadrtica.
200000
150000
100000

20000

50000

10000

0
-10000
-20000
1955 1960 1965 1970 1975 1980 1985 1990
Residual

Actual

Fitted

27

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

Comparacin de los modelos

El modelo de tendencia cuadrtica parece ajustar mejor a los datos, pero este
modelo tiene 1 parmetro ms que los restantes 2 modelos, por lo que es natural
que el ajuste sea algo mejor y no garantiza que los pronsticos sean ms
eficientes.
Criterios de Akaike y Wchwarz
Ambos criterios indican que es importante la no linealidad de la tendencia y
favorecen el modelo de tendencia cuadrtica.
Usaremos el modelo de tendencia cuadrtica para el pronstico.

28

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

Pronstico con el modelo de tendencia cuadrtica

Los pronsticos puntuales parecen razonables.
Los intervalos de confianza se calculan suponiendo (incorrectamente) que la
desviacin de las ventas de la tendencia es ruido blanco, lo que resulta en un ancho
de banda constante, aunque parece razonable.
200000
190000
180000

170000
160000

150000
1990

1991

1992

1993

1994
29

Autor:PhD.Eco Jorge Edwing Del Carpio Gonzales

ECONOMETRIA

Pronstico del modelo de tendencia lineal simple:

Los pronsticos puntuales son muy extraos, ya que muestran una cada
sustancial respecto a la trayectoria de la muestra histrica y se debe a que la
tendencia lineal est muy por debajo de la trayectoria de la muestra al final de
la misma.

Los intervalos de confianza son muy anchos y reflejan el gran error estndar
de la regresin.
200000
190000
180000
170000
160000
150000
140000
130000
120000
110000
1990

1991

1992

1993

1994
30