UNIVERSIDAD PRIVADA
DE TACNA
>>Escuela Profesional de Ingeniera
Comercial<<
ECONOMETRA
MODELO BOX JENKINS ARIMA
TRABAJO APLICATIVO
INTEGRANTES:
ALEJANDRA MAMANI CHURA
LUZ DIANA MAMANI AQUINO
YESICA MANCILLA CORNEJO
HEIDY MICHELA APAZA CASO
DIANA FLORES FLORES
INDICE
INTRODUCCIN .................................................................................................... 3
CAPTULO I ............................................................................................................ 4
MARCO TERICO.................................................................................................. 4
1.1.
CONCEPCCIN DEL MODELO ................................................................... 4
1.2.
CONCEPTO .................................................................................................. 4
1.3.
FRMULA Y ELEMENTOS........................................................................... 6
1.4.
CARACTERSTICAS ..................................................................................... 6
a) MODELOS AR (P): ........................................................................................ 6
b) MODELOS MA (Q): ....................................................................................... 6
c) MODELOS ARMA (P,Q): ............................................................................... 6
d) MODELOS ARI (P,D) E IMA(D,Q): ................................................................ 6
1.5 FINALIDAD Y PROPSITO .............................................................................. 7
1.6 SOFTWARE UTILIZADO .................................................................................. 7
CAPTULO II ........................................................................................................... 8
METODOLOGA DEL MODELO ............................................................................. 8
2.1 RECOLECCIN DE DATOS ............................................................................. 8
2.2 PROCEDIMIENTO (SPSS) ............................................................................... 9
2.3 INTERPRETACIN ......................................................................................... 11
CAPTULO III ........................................................................................................ 12
APLICACIN A LA INGENIERA COMERCIAL .................................................... 12
3.1 CASO PRCTICO 1 ........................................................................................ 12
3.2 CASO PRCTICO 2 ........................................................................................ 18
3.3 CASO PRCTICO 3 ........................................................................................ 23
CONCLUSIONES.................................................................................................. 30
INTRODUCCIN
En 1970, Box y Jenkins desarrollaron un cuerpo metodolgico destinado a
identificar, estimar y diagnosticar modelos dinmicos de series temporales en
los que la variable tiempo juega un papel fundamental.
En parte, los
procedimientos que vamos a analizar se contraponen a la "forma tradicional" de
identificar y especificar un modelo apoyndonos en las teoras subyacentes al
fenmeno analizado aunque, convenientemente utilizados, los conceptos y
procedimientos que examinaremos constituyen una herramienta til para ampliar
y complementar los conocimientos economtricos bsicos.
La ventaja radica en el hecho de no necesitar distintas series de datos (distintas
variables) referidas al mismo perodo de tiempo (caracterstica comn a todos
los modelos univariantes) y, al mismo tiempo, ahorrarnos la identificacin y
especificacin del modelo en el sentido de la econometra tradicional. El
inconveniente es que, al renunciar a la inclusin de un conjunto ms amplio de
variables explicativas, no atendemos a las relaciones que sin duda existen
entre casi todas las variables econmicas perdiendo capacidad de anlisis al
tiempo que renunciamos, implcitamente, al estudio terico previo del fenmeno
y a su indudable utilidad.
Dentro de estos modelos univariantes se desarrollarn suficientemente los
conocidos con el nombre de ARIMA. Posteriormente se complementar esta
perspectiva univariante aadindose a la especificacin una o ms variables
exgenas al modelo "tradicional" aproximndonos al estudio de los conocidos
como modelos de transferencia. Se comenzar analizando los modelos en los
que una variable es explicada utilizando exclusivamente una "exgena": su propio
pasado. Podemos decir que la consideracin exclusiva de los valores pasados de
una determinada variable para explicar su evolucin presente y futura supone, al
mismo tiempo, una ventaja y un inconveniente.
CAPTULO I
MARCO TERICO
1.1.
CONCEPCCIN DEL MODELO
La metodologa Box Jenkins es distinta a la mayora ya existente, porque
es una tcnica que no asume ningn patrn particular en los datos
histricos de la serie a pronosticar.
Esta metodologa le permite al analista seleccionar el modelo que mejor se
ajuste a sus datos; este modelo incluye a los modelos AR (slo con
trminos autorregresivos), modelos MA (slo con trminos de promedio
mvil y los modelos mixtos ARIMA (Modelos de promedio mvil de
autorregresivos integrados), nos centraremos en el anlisis de este ltimo.
1.2.
CONCEPTO
Es un modelo autorregresivo integrado de media mvil o ARIMA (acrnimo
del ingls autoregressive integrated moving average) es un modelo
estadstico que utiliza variaciones y regresiones de datos estadsticos con
el fin de encontrar patrones para una prediccin hacia el futuro. Se trata de
un modelo dinmico de series temporales, es decir, las estimaciones
futuras vienen explicadas por los datos del pasado y no por variables
independientes.
1.3.
FRMULA Y ELEMENTOS
p como el orden del componente auto regresivo.
q el orden del componente de media mvil.
d el nmero de diferencias que la serie tiene que ser
transformada para ser estacionaria.
1.4.
CARACTERSTICAS
a) MODELOS AR (P):
La prediccin tiende a m (media del proceso) a medida que aumenta el
horizonte temporal de la prediccin.
b) MODELOS MA (Q):
Dada la memoria limitada que caracteriza a estos procesos, la
prediccin es igual a m (media del proceso) cuando el horizonte
temporal de la prediccin es mayor que el orden del proceso (q).
c) MODELOS ARMA (P,Q):
A partir de "q" perodos futuros la prediccin tiende a m (media del
proceso) a medida que aumenta el horizonte temporal de la prediccin.
d) MODELOS ARI (P,D) E IMA(D,Q):
La prediccin ya no tiende a m sino que ser una lnea recta que parte
de Y(1) 88con pendiente igual a la media del proceso wT (serie
resultante de las transformaciones necesarias para hacerla estacionaria)
1.5 FINALIDAD Y PROPSITO
El modelo ARIMA, tiene como finalidad le permitirle al analista
seleccionar el modelo que mejor se ajuste a sus datos, con el propsito
de poder predecir escenarios futiros, con respecto a datos histricos.
1.6 SOFTWARE UTILIZADO
STATGRAFHICS
SPSS
CAPTULO II
METODOLOGA DEL MODELO
2.1 RECOLECCIN DE DATOS
Se har el anlisis de la serie de tiempo con los datos histricos proporcionados
por la empresa, correspondiente a siete aos, comprendidos de Enero 2003 a
Diciembre 2009, con el objeto de observar el comportamiento del producto Niboten
en sus ventas
2.2 PROCEDIMIENTO (SPSS)
Tambin se encontr que para mediados de 2006, especficamente para Junio,
julio y agosto se present una disminucin significativa en la venta de ste
producto, asociada a factores administrativos del laboratorio, lo que genera ruido
al momento de realizar proyecciones dada su naturaleza atpica, por lo que es
necesario realizarles una imputacin a stos valores con el fin de disminuir los
errores en el resultado de los clculos de los valores proyectados de la serie de
venta.
La identificacin del modelo se confirma con el resultado del modelador experto
del SPSS, el cual arrojo el mismo resultado, modelo ARIMA(1,1,0).
En la interpretacin del modelo, El valor uno (1) indica que se trata de un proceso
autorregresivo de orden 1, esto es, que cada valor de la fac est correlacionado
significativamente con el valor inmediatamente anterior; el segundo valor uno (1)
representa el nivel de integracin- diferenciacin de la serie y nos indica que
estamos analizando las diferencias entre cada valor y el valor inmediatamente
precedente; el ltimo valor cero (0) indica que no consideramos ningn efecto
considerable de medias mviles.
Estimacin del Modelo: Para el modelo ARIMA(1,1,0), el SPSS estadsticos de
ajuste, arroj la siguiente salida:
Donde, el coeficiente de autocorrelacin R2 es significativo y el ajuste es del
80.4%, mostrando que cada valor de la fca est correlacionado significativamente
con el valor inmediatamente anterior. Respecto al contraste conjunto de LjungBox, tambin acepta la nula de correlaciones iguales a cero para distintos valores
de k (observar tabla 6).
Vemos pues que los estadsticos anteriores favorecen al modelo ARMA(1,1,0), ya
que en todos se acepta la nula de que el residuo es un ruido blanco.
10
2.3 INTERPRETACIN
Pronstico Modelo ARIMA. En la tabla se presentan los resultados del pronstico
para el modelo ARIMA (1,1,0); La fila 1 corresponde al encabezado de los
periodos a pronosticar; La fila 2 presenta los valores del pronstico; la fila 3
contiene los lmites superiores (LCS) y la fila 4 contienen los lmites inferiores (LCI)
para cada uno de los periodos.
11
CAPTULO III
APLICACIN A LA INGENIERA COMERCIAL
3.1 CASO PRCTICO 1
La empresa VIAJECITO S.A. se dedica a la prestacin de servicios tursticos,
y nos presenta las siguientes ventas trimestrales en el periodo 2005 2013:
TRIMESTRES
VENTAS ANUALES
2005 2006
2007 2008 2009
2010 2011
2012 2013
Primero
46927
46581
49377
54233
65378
68490
80529
87775 105207
segundo
49306
50830
49174
61190
70628
76948
83214
96399 113225
Tercero
52193
52414
49556
68333
75874
81865
93789 103137 117651
Cuarto
50304
50881
58817
75841
73036
85710
83209 110274 117196
TOTALES
198730 200706 206924 259597 284916 313013 340741 397585 453279
FUENTE: PORTAL WEB DE LA BVL
Se desea pronosticar las ventas que tendra la empresa para el ao 2014,
segn los datos brindados:
12
RESOLUCIN
1 INGRESAR LOS DATOS AL PAQUETE ESTADSTICO
2 AGREGAR COLUMNAS DE TIEMPO
13
3 OBTENEMOS
4 ELEGIMOS LA OPCION PREDECIR CREAR MODELO
5 AHORA PREDECIMOS INGRESAR DATOS
14
6 ELEGIMOS EL PERIODO HASTA EL QUE DESEAMOS PREDECIR
15
7 ANALIZAMOS RESULTADOS
MODELO:
Descripcin del modelo
Tipo de modelo
ID del modelo
VENTAS TRIMESTRALES
Modelo_1
ARIMA(0,1,0)(1,1,0)
R CUADRADO:
16
8 PREDICCIN
9 INTERPRETACIN
Las ventas para el primer trimestre del ao 2014 ascendern a 117885.94
nuevos soles, para el segundo trimestre sern de 126266.10 nuevos soles,
para el tercer trimestre se alcanzar 132073,81 soles y para el cuarto
trimestre 136155,99 soles, con un nivel de confianza del 95% con el modelo
ARIMA(0,1,0)(1,1,0).
17
3.2 CASO PRCTICO 2
La empresa LAS VEGAS S.R.L. se dedica a la comercializacin de prendas
de vestir, se presentan los datos de sus ventas trimestrales desde 19972013, se desea predecir las ventas para el ao 2014.
AO
TRIMESTRE
VENTAS EN MILES DE
NUEVOS SOLES
2001
2001
2001
2002
2002
2002
2002
2003
2003
2003
2003
2004
2004
2004
2004
2005
2005
2005
2005
2006
2006
2006
2006
2007
2007
2007
2007
2008
2008
2008
2008
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
1016
921
934
976
930
1052
1184
1089
1087
1154
1330
1980
2223
2203
2514
2726
3185
3352
3438
2917
2359
2240
2196
2111
1806
1644
1814
1770
1518
1103
1266
18
2008
2009
2009
2009
2009
2010
2010
2010
2010
2011
2011
2011
2011
2012
2012
2012
2012
2013
2013
2013
2013
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1473
1423
1767
2161
2336
2602
2518
2637
2117
1920
1910
1984
1787
1689
1866
1896
1684
1633
1657
1569
1390
1 INGRESAR LOS DATOS AL PAQUETE ESTADSTICO
19
2 VAMOS A LA PESTAA PRONSTICOS PRONSTICOS AUTOMTICOS
3 INGRESAMOS LOS DATOS
4 ANALIZAMOS LOS RESULTADOS
20
21
MODELO: ARIMA (2,0,2)x(1,0,1)4
22
5 PRONSTICOS
6 INTERPRETACIN
Las ventas de la empresa LAS VEGAS S.R.L. con un 95% de confianza
alcanzarn como mnimo en el primer trimestre 977.30 miles de nuevos soles y
como mximo 1754.2 miles de nuevos soles, esperando que oscilen en promedio
en 977.30 miles de nuevos soles.
3.3 CASO PRCTICO 3
Se pide predecir los gastos de compras para el ao 2014, en los 4 trimestres. La
empresa posee la siguiente base de datos:
AO
1984
1985
1986
1987
TRIMESTRE COMPRAS
1
2
3
4
1
2
3
4
1
2
3
4
1
134.38
69.39
67.63
51.25
103.97
133.83
162.37
172.91
163.01
151.5
111.73
88.58
74.29
AO
1999
2000
2001
2002
TRIMESTRE COMPRAS
1
2
3
4
1
2
3
4
1
2
3
4
1
44.53
49.58
57.39
76.76
104.57
125.41
143.11
136.35
135.15
131.7
96.87
70.63
66.29
23
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
63.98
61.18
76.48
107.98
124.97
145.57
140.2
143.84
138.8
104.06
74.7
60.18
55.16
35.62
56.18
85.44
114.08
133.64
67.14
95.58
89.37
75.24
69.18
54.49
57.5
62.16
76.67
110.04
127.38
156.47
167.56
153.54
124.08
100.97
79.17
68.13
61.77
54.31
60.3
84.18
104.05
114.66
105.55
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
63.49
62.97
66.43
101.49
127.69
133.21
158.72
148.61
134.31
100.99
75.16
59.74
52.87
52.07
57.38
79.43
101.4
120.19
134.38
135.97
113.83
84.38
70.28
65.96
56.36
49.57
68.33
90.32
117.06
134.69
131.67
129.25
118.77
88.44
76.79
75.28
73.89
76.24
88.58
105.83
115.84
127.76
131.75
24
1998
1
2
3
4
96.61
70.94
63.91
58.61
2013
1
2
3
4
119.63
93.38
75.55
51.79
1 INTRODUCIR LOS DATOS
2 DEFINIR LA FECHA PERIODO DE LOS DATOS
25
3 INGRESAR DATOS
4 OBTENEMOS LAS COLUMNAS DE LOS PERIODOS
26
5 ELEGIMOS LA OPCIN PREDECIR CREAR MODELO
27
6 COMPLETAMOS LOS DATOS
7 PREDECIMOS - RESULTADOS
28
MODELO:
Descripcin del modelo
Tipo de modelo
ID del modelo
Ventas trimestrales
Modelo_1
ARIMA(0,0,2)(1,0,1)
8 DATOS PREDECIDOS 2014
9 INTERPRETACION
Con un 95% de confianza, los gastos incurridos en compras para el primer
trimestre del ao 2014 ascendern a 7450 nuevos soles, para el segundo trimestre
7237.11, para el tercer trimestre 8730.67 y para el cuarto trimestre 8540.77
usando el modelo ARIMA(0,0,2)(1,0,1)
29
CONCLUSIONES
La mayora de los profesionales analiza series de tiempo o datos de
proceso de una manera relativamente simplista.
Sin embargo, cualquier autocorrelacin en los datos puede intensificar la
tasa de falsas alarmas. Puede ser apropiado intentar modelar los datos
utilizando una sofisticada tcnica de modelado de series de tiempo, como
ARIMA.
Si se utiliza de manera correcta, ARIMA puede proporcionar un excelente
ajuste de los datos existentes y, adems, ofrecer buenas predicciones de
comportamiento futuro, lo que es importante en un mundo incierto.
Las tcnicas de ARIMA son considerablemente complejas y no son tan
conocidas ni compresibles como la mayora de los anlisis bsicos. Sin
embargo, una vez comprendidos los principios bsicos, se pueden construir
exitosos modelos de series de tiempo con relativa facilidad utilizando
Minitab. Adems, una vez construido el modelo de ARIMA, es apropiado
evaluar los valores residuales para determinar si existen causas especiales.
30
