Modelos ARIMA 4.1.

- Conceptos previos I: Modelos AR IDEAS CLAVE: La modelizacin ARIMA o Box-Jenkins parte de considerar que el valor observado de una serie (un dato de una variable econmica) en un momento determinado de tiempo t es una realizacin de una variable aleatoria definida en dicho momento de tiempo. Por tanto, una serie de t datos es una muestra de un vector de t variables aleatorias ordenadas en el tiempo al que denominamos proceso estocstico. En ocasiones pretendemos predecir el comportamiento de una variable y en un momento futuro t, a partir del comportamiento que la variable tuvo en un momento pasado, por ejemplo, en el perodo anterior, . Formalmente notaramos que

es decir, que el valor de la variable y en el momento t es funcin del valor tomado en el perodo t-1. Puesto que en el comportamiento de una variable influyen ms aspectos, debemos incluir en la relacin anterior un trmino de error, , que es una variable aleatoria a la que suponemos ciertas caractersticas estadsticas apropiadas. Es decir:

Ahora debemos elegir una forma funcional concreta para esta expresin. Por ejemplo, una forma lineal como

donde es un trmino independiente y es un parmetro que multiplica al valor de la variable y en el perodo t-1. Utilizando mtodos estadsticos adecuados podemos estimar los parmetros y de forma que estos cumplan propiedades estadsticas razonables y sean una buena (la mejor posible) estimacin. Con ello obtendramos una expresin como que utilizaramos a efectos de prediccin. Esta es la esencia de los modelos autorregresivos (o modelos AR). Se realiza una regresin de la variable sobre s misma (auto-regresin) o, mejor dicho, sobre los valores que la variable tom en el perodo/s anterior/es. Un aspecto importante es el orden del modelo AR. Por ejemplo, el modelo es de orden 1, y se denota como AR(1). Si tomamos en el modelo como explicativas los valores de la variable y en los 2 perodos anteriores, es decir entonces hemos especificado un AR(2). De igual forma un AR(3) vendra dado por En general, un AR(p) viene dado por

 Es frecuente encontrarnos con Modelos AR con un bajo orden (1 o 2). En series con componente estacional es habitual que el desfase sea coincidente con la periodicidad de los datos. En ese caso hablamos de modelos SAR. Modelos ARIMA 4.2.- Conceptos previos II: Modelos MA y Modelos ARMA IDEAS CLAVE: Una alternativa de modelizacin pasa por tratar de explicar el comportamiento de una variable y, no en funcin de los valores que tom en el pasado (modelos AR) sino a travs de los errores al estimar el valor de la variable en los perodos anteriores. Ello da lugar a los modelos de medias mviles (o Modelos MA, por sus siglas en ingls). Por ejemplo, un modelo MA(1) viene dado por la expresin donde es el valor constante alrededor del cual se mueve la variable, y ha de ser estimado . En general un modelo MA(q) viene dado por la

igualmente con los coeficientes expresin:

Al igual que ocurra con los modelos AR, en series con componente estacional es frecuente que el retardo coincida con la periodicidad de los datos. Entre los modelos AR y los Modelos MA existe una relacin, bajo ciertas condiciones, que es til conocer. Los modelos ARMA integran a los Modelos AR y a los Modelos MA en una nica expresin. Por tanto, la variable y queda explicada en funcin de los valores tomados por la variable en perodos anteriores, y los errores cometidos en la estimacin. Una expresin general de un modelo ARMA (p, q) viene dado por que, es la unin de un modelo AR(p) y un modelo MA(q). Obviamente, los modelos AR (p) se corresponden con modelo ARMA (p,0), mientras que los modelos MA (q) se corresponden con ARMA (0,q).

Relacin entre modelos AR y MA

Bajo ciertas condiciones los modelos AR y los MA pueden relacionarse. Estas condiciones se denominan de invertibilidad y de estacionariedad. La explicacin de tales caractersticas requiere de un instrumental matemtico especfico, que supera los lmites de este curso, por lo que tan solo haremos mencin a la intuicin de las mismas, sabiendo que se trata de caractersticas, por lo dems, fciles de encontrar desde el punto de vista prctico en las series a modelizar. Por ejemplo, supongamos un modelo AR(1) sin termino independiente como: Puesto que podramos llegar, por sustituciones sucesivas a una expresin como:

Es decir, un proceso autorregresivo de primer orden es equivalente a una media mvil de infinitos trminos con una ponderacin decreciente en forma exponencial, cuando Este resultado es generalizable, y puede demostrarse que bajo las condiciones de estacionariedad un modelo AR de orden reducido puede transformarse en un modelo MA de orden elevado o, tericamente, infinito. De igual forma, bajo las condiciones de invertibilidad, modelos MA de orden reducido pueden aproximarse por modelos AR de un nmero suficientemente elevado de trminos. La utilidad de esta relacin estriba en que, por aplicacin de un principio de parsimonia o economicidad (y sin olvidar que, en la prctica, puede favorecer la estimacin del modelo) es preferible un modelo sencillo, con el menor nmero posible de trminos y, por lo tanto, de parmetros a estimar, frente a un modelo con un gran nmero de coeficientes, siempre que, por supuesto, nos conduzca a resultados similares.

Qu es la tcnica de regresin?
En general, las tcnicas economtricas de prediccin utilizan como instrumento fundamental el anlisis de regresin, que constituye la tcnica fundamental, frente al anlisis de correlacin. La distincin entre ambas es bsica. En esta ltima, el objetivo fundamental se concreta en la medicin del grado de asociacin lineal entre dos variables, no existiendo en ningn momento distincin entre variable dependiente y explicativa. Sin embargo, el anlisis de regresin parte de la existencia de una relacin causal entre dos variables, dependiente y explicativa, siendo la primera aleatoria y la segunda fija o no estocstica. El objetivo de la tcnica consiste en estimar y/o predecir el valor medio poblacional de la variable dependiente a partir de valores conocidos y fijos de las variables explicativas, obtenidos mediante un proceso de muestras repetidas. Para la estimacin de esa relacin contamos con varios mtodos, cada cual ms apropiado en unas u otras circunstancias. La estimacin de modelos ARIMA tiene unas peculiaridades especiales que abordaremos en epgrafes siguientes. En un contexto general, podemos decir que un modelo uniecuacional puede ser estimado mediante: - El mtodo de mnimos cuadrados ordinarios, - El mtodo de mnimos cuadrados generalizados o de Aitken, - El mtodo de mxima verosimilitud. Cada uno de ellos es ms apropiado en funcin de las caractersticas estadsticas del proceso a modelizar. El ms conocido es sin duda el de mnimos cuadrados ordinarios. En este mtodo se eligen los parmetros atendiendo a una cualidad que se cree importante, cual es que la suma del cuadrado de los errores (diferencia entre los valores reales de la variable a explicar y los valores obtenido para tal variable por los parmetros estimados) sea la mnima posible Modelos ARIMA 4.3.- Modelos ARIMA: Estacionariedad en media y varianza IDEAS CLAVE: Para la obtencin de estimaciones con propiedades estadsticas adecuadas de los parmetros de un modelo ARMA, es necesario que la serie muestral que utilizamos para la estimacin sea estacionaria en media y varianza. En un sentido laxo del trmino diramos que precisamos que la serie no tenga tendencia, y que presente un grado de dispersin similar en cualquier momento de tiempo. A efectos prcticos, el cumplimiento de esta propiedad pasa por tomar logaritmos y diferenciar adecuadamente la serie original objeto de estudio.

 Con la serie ya tratada para convertirla en estacionaria ya es posible estimar un Modelo ARMA. Pues bien, un Modelo Autorregresivo-Integrado de Medias Mviles de orden p, d, q, o abreviadamente ARIMA (p,d,q), no es ms que un modelo ARMA (p,q) aplicado a una serie integrada de orden d., I(d), es decir, a la que ha sido necesario diferenciar d veces para eliminar la tendencia. Por lo tanto, la expresin general de un modelo ARIMA (p,d,q) viene dada por

donde , expresa que sobre la serie original yt, se han aplicado d diferencias. Por lo tanto, sobre una serie integrada de orden 2, necesitara una doble diferenciacin, lo cual se expresa como: Obsrvese que en la expresin del ARIMA (p.d.q) desaparece el trmino independiente, justamente por la aplicacin de las diferencias sucesivas. Cuando la estimacin del modelo ARMA se haya realizado con una serie diferenciada, a efectos de prediccin es necesario recalcularla integrando nuevamente la serie. Un aspecto importante de notacin hace referencia al operador retardo. Modelos ARIMA 4.4.- El orden de integrabilidad en la identificacin de los Modelos ARIMA IDEAS CLAVE: En la estimacin de los modelos ARIMA el problema principal parte de identificar el modelo que mejor describe el fenmeno (la serie econmica) a predecir, esto es, la clave de una buena prediccin pasa por determinar el ms adecuado de los rdenes del autorregresivo, de la media mvil, y el orden de integrabilidad. La determinacin del orden del autorregresivo y de la media mvil es conocida, con propiedad, como fase de identificacin del modelo. Le dedicaremos el epgrafe siguiente. Para la determinacin del orden de integrabilidad, esto es, para determinar el nmero de veces que ser necesario diferenciar la serie para hacerla estacionaria en media, existen dos procedimientos fundamentales de deteccin del nmero de races unitarias (aparte de la simple representacin grfica, que no es ms que un mtodo intuitivo), como son el Test Dickey-Fuller, o Test Dickey-Fuller Aumentado, (abreviadamente DF o ADF respectivamente) y el Test de Phillips-Perron (Test PP). El test DF simple, parte de considerar que el proceso estocstico que subyace a la serie objeto de estudio es un AR(1), y contrasta la significatividad del parmetro asociado a la variable yt-1, que en la versin ms general adoptara la expresin: o, anlogamente: De esta forma, si en esta ltima expresin, el parmetro gamma es estadsticamente distinto de cero, entonces la serie es estacionaria en media. Si no podemos rechazar la hiptesis nula de que el parmetro es igual a cero, entonces podemos concluir que la serie presenta, al menos, una raz unitaria. El Test ADF incorpora una correccin paramtrica til cuando presuponemos que el proceso estocstico subyacente a la serie no sigue un esquema AR(1). Si esto es as,

entonces la estimacin de la regresin auxiliar del test DF no arrojara un residuo ruido blanco. El test Phillips Perron es un mtodo no paramtrico de deteccin de races unitarias que, para corregir la correlacin serial, en lugar de aadir ms retardos en la regresin, lo que realiza es una correccin en el estadstico t asociado al coeficiente gamma en una regresin, que supone que el proceso estocstico subyacente sigue un AR(1), como Se trata, pues de una alternativa al ADF, en la medida en que realiza distinto tratamiento de la correlacin. Ambos procedimiento presentan alternativas propias en la estimacin de las regresiones auxiliares, inclusin o no de trmino independiente, de una variable de tendencia, nmero de retardos ptimos... Por ello, la utilizacin correcta de estos procedimientos pasa por una metodologa ordenada y rigurosa. Modelos ARIMA 4.5.- La identificacin de los Modelos ARIMA: Funciones de autocorrelacin y autocorrelacin parcial. IDEAS CLAVE: Para la obtencin del orden (p,q) se realiza una comparacin entre las caractersticas que 2 importantes funciones estadsticas presentan para los distintos modelos ARIMA tericos y las caractersticas que tales funciones, pero muestrales, presentan en la serie objeto de estudio. Tales funciones estadsticas son la funcin de autocorrelacin (fac), y la funcin de autocorrelacin parcial (facp), que son los dos instrumentos bsicos en la fase de identificacin del ARIMA, al permitirnos inferir el verdadero mecanismo subyacente que ha generado nuestros datos. La fac y la facp estimadas para nuestra serie siempre se alejarn de cualquiera de las funciones de los modelos tericos. La clave est en la mayor aproximacin de nuestra serie a uno u otro modelo. Una vez identificado el modelo que subyace a nuestra serie, ya es posible la estimacin de los parmetros del modelo.

Qu es la funcin de autocorrelacin (fac)?

La funcin de autocorrelacin (fac) y la funcin de autocorrelacin parcial (facp) miden la relacin estadstica entre las observaciones de una serie temporal. Por ejemplo, el coeficiente de autocorrelacin entre la variable yt y la misma variable un perodo antes, yt-1, al que denominaremos coeficiente de autocorrelacin de primer orden, se formula como:

Dado el supuesto de estacionariedad, se tiene que var(yt) = var(yt-1) , por lo que

En general, para un desfase de k perodos se tiene que:

y cuando k=0,

A efectos de la identificacin del modelo, debemos comparar el valor que esta funcin presentara para los distintos modelos tericos, con una estimacin de la misma para nuestra serie. Pues bien, el estimador muestral de la fac, para el que utilizaremos la expresin rk, viene dado, con ciertas condiciones y aproximaciones que no trataremos aqu por:

Qu es la funcin de autocorrelacin parcial (facp)?

La funcin de autocorrelacin parcial mide la aportacin que a las variaciones de una variable como yt tiene otra variable, digamos yt-2, aislados los efectos de las posibles restantes variables, por ejemplo yt-1. Por el contrario, la funcin de autocorrelacin ignora el hecho de que parte de la correlacin que pueda existir entre, por ejemplo yt y yt-2, se debe a que ambas estn correlacionadas con yt-1. Pues bien, los distintos coeficientes de autocorrelacin parcial de los modelos tericos se denotan como nuestra muestra como , y los estimados para

. La utilidad de los mismos se deriva de que en determinadas

ocasiones el simple conocimiento de la fac muestral no sera suficiente para la determinacin del verdadero proceso generador de la serie. Aunque no entraremos en el detalle de la formulacin terica s es importante conocer algunas propiedades de la facp. En primer lugar, por definicin la facp de orden 1 es igual a la fac de orden 1. En segundo lugar, en el modelo terico, el coeficiente de autocorrelacin parcial coincide con el ltimo coeficiente autorregresivo de un modelo AR. En otros trminos, el coeficiente de correlacin parcial de orden 1 ser el valor de de orden 2 coincidir con en un AR(1); el

en un AR(2), y as sucesivamente. En la prctica, los

coeficientes de autocorrelacin parcial calculados no son buenos estimadores de los parmetros correspondientes, aunque pueden servir como valores iniciales para el proceso iterativo de cmputo que ha de seguirse. Modelos ARIMA 4.6.- Estacionalidad y Modelos ARIMA

IDEAS CLAVE: Los modelos ARIMA adquieren su mayor protagonismo en la prediccin a corto plazo de series de frecuencia inferior a la anual (trimestral, mensual o incluso diaria). Por ello el tratamiento de la estacionalidad tiene un papel central en la metodologa. En series con estacionalidad no slo hay que modelizar la componente regular (o no estacional) sino tambin la componente estacional. En esos casos, lo normal es manejar un modelo producto de dos: ARIMA(p,d,q)*SARIMA(P,D,Q) Donde la primera parte corresponde a la parte regular, y la segunda a la estacional. A efectos de identificacin del modelo estacional, debemos tener presente que la componente estacional tambin puede presentar una tendencia. Por ello, tal componente puede precisar de una o varias diferencias de orden estacional. Por ejemplo, para datos mensuales:

En general, un modelo completo ARIMA(p,d,q)*SARIMA(P,D,Q) corresponde a cualquiera de las siguientes expresiones:

En series con estacionalidad la identificacin adquiere matices. En este caso, junto a la identificacin del orden del autorregresivo y de la media mvil de la componente regular (ya comentado) debemos identificar los rdenes de la componente estacional. Para ello las reglas de identificacin son similares a las comentadas para la parte estacional, pero adaptadas a la frecuencia de la serie. Es decir, en una serie mensual, debemos prestar atencin a los valores de las funciones para los retardos 12, 24, 36,... En una serie trimestral fijaremos la atencin para los retardos 4, 8, 12,... Para tales valores utilizaremos las mismas reglas: decrecimiento exponencial hacia cero de los valores de la funcin fac o facp y nmero de coeficientes significativamente distintos de cero. Los resultados extrados nos darn los rdenes de la componente estacional del modelo. En conjunto, para modelos con componente regular y estacional podemos sealar 4 reglas prcticas de identificacin.

Cuatro reglas prcticas para la identificacin

1) Un coeficiente significativo para un retardo no tpico (es decir, que no corresponda a los primeros valores o a mltiplos de la estacionalidad) no deber tenerse, en principio, en cuenta. 2) Coeficientes significativos cercanos a los retardos de estacionalidad (por ejemplo, en el once o trece, para datos mensuales) pueden ser asimilados como posible contagio de los coeficientes limtrofes. Se trata de los llamados satlites.

3) Coeficientes tericos relativamente pequeos, como corresponde a los retardos, por ejemplo, de orden 4 en adelante en una funcin decreciente en forma exponencial o sinusoidal, no es fcil detectarlos como significativamente distintos de cero. 4) Precisamente, ser la existencia de coeficientes significativos, en forma permanente, para retardos de orden 4 en adelante un aviso de posible fallo en la eliminacin de la tendencia. Un proceso no estacionario se caracteriza porque los coeficientes de autocorrelacin van disminuyendo muy lentamente, en lugar de rpidamente, que se corresponde con situaciones correctamente estacionarias. Modelos ARIMA 4.7.- Una visin de conjunto: Fases de aplicacin de la metodologa ARIMA IDEAS CLAVE: Aunque la identificacin es la etapa sobre la que pivota toda la metodologa ARIMA, lo cierto es que la aplicacin de estos modelos necesita abordar un conjunto de fases entre las que existe un proceso continuo de mejora. Algunos detalles de estas fases ya se han ido analizando. Con ese conjunto de conocimientos presente es ahora el momento de describir las fases en conjunto. Podemos sintetizar las etapas de una aplicacin ARIMA en las siguientes: 1) Recogida de datos. 2) Representacin grfica. 3) Transformacin previa. 4) Eliminacin de tendencia. 5) Identificacin del modelo. 6) Estimacin de coeficientes. 7) Contraste de validez. 8) Anlisis de errores. 9) Seleccin del modelo. 10) Prediccin. Por supuesto, estas fases deben ser consideradas como un conjunto que merece una revisin permanent

Modelos ARIMA 4.8.- Estimacin, contraste y prediccin IDEAS CLAVE: La fase de la estimacin consiste en la obtencin de unos valores numricos para los parmetros y del modelo previamente identificado, de forma que contengan buenas propiedades estadsticas. Para ello, la metodologa ARIMA realiza un proceso de bsqueda iterativo de tales valores, de prueba y error, hasta dar con los valores ptimos, puesto que las ecuaciones de resolucin no son lineales. La estimacin presupone el conocimiento de valores no disponibles de la variable a analizar, as como de la variable de error, para lo cual los programas de estimacin plantean distintas alternativas.

 Adems, en la bsqueda iterativa de las estimaciones, se debe partir de un valor inicial. Todos los programas lo realizan de forma automtica pero existen ciertas relaciones tericas que es importante conocer. Una vez estimado el modelo podemos interpretar los parmetros del mismo. A la hora de realizar la etapa de validacin (o contraste) del modelo podemos recurrir a diversos criterios y contrastes estadsticos. Todos los programas de ordenador recogen estos test. Adems, para validar el modelo podemos estudiar el grfico de los residuos, que nos proporciona una visin de conjunto de la cuanta de los errores, sesgos sistemticos y puntos de errores excepcionales (llamados outliers) que deben ser analizados con especial atencin. Seleccionado el modelo, puede pasarse a la etapa de la prediccin. La verdadera prediccin ser la realizada a partir del ltimo dato del perodo muestral, aunque tambin puede resultar til analizar cmo se habra comportado el modelo si hubiera tenido que hacer una prediccin dentro del perodo histrico ya conocido, y que ha servido de base a su estimacin y contraste. Para ello disponemos de dos alternativas: la esttica y la dinmica.

Valores iniciales del proceso de estimacin

Por ejemplo, en el caso ms sencillo de un AR(1) puede demostrarse que si

el coeficiente de autocorrelacin de orden 1 puede servir como estimacin inicial de ello, el proceso iterativo de bsqueda de la estimacin ptima, puede iniciarse con Para un AR(2) podra partirse de:

. Por .

Para un ARMA(1,1) se tiene:

Interpretacin de los parmetros del modelo ARIMA

Por ejemplo, un ARIMA (0,1,1), como dijimos, se puede expresar sintticamente como: y desarrollando esta expresin tenemos

Supongamos que la estimacin nos arrojase un valor de prediccin, puesto que at se hace cero, se realizara como

. Entonces la

Es decir, que el valor de la variable y en el perodo t ser el valor de la variable en el perodo anterior menos el 75% del error de estimacin cometido en aquel perodo. Un ARIMA (1,1,1), vendra dado por

Si, por ejemplo, los valores estimados fueran como:

la prediccin se realizara

Esto es, en el perodo t la variable y se calcula como 1,5 por el valor de la variable en el perodo anterior menos la mitad del valor de la variable hace dos perodos y menos el 75% del error cometido en la estimacin del perodo anterior Modelos ARIMA 4.9.- Anlisis de intervencin. IDEAS CLAVE: Una limitacin de la modelizacin ARIMA univariante est en que, provocados por distintos motivos, aparecen con frecuencia puntos atpicos (outliers), que dan lugar a errores excepcionalmente elevados. Se trata de circunstancias excepcionales que perturban la dinmica general de la serie que modelizamos. Para incorporar tales fenmenos al modelo contamos con el llamado anlisis de intervencin con dos posibilidades principales: variables de impulso y variables de escaln. Desarrollaremos la metodologa completa ARIMA, incluido anlisis de intervencin en el Caso de Aplicacin 5.

Qu provoca puntos atpicos?

- Errores en la cuantificacin de algn dato de la serie o cambio en el criterio de clculo (cambios metodolgicos no corregidos, errores de trascripcin,...). - Acontecimientos extraordinarios que afectan puntualmente al fenmeno en estudio (huelga, cambio de gobierno, devaluacin, etc.) - Variaciones en el comportamiento estacional (oscilacin del perodo de semana santa en marzo o abril, cambios climatolgicos para un mismo perodo en diversos aos, etc.)

- Acciones especiales o intervenciones propiamente dichas (promociones especiales, aumento de tarifas, reforma fiscal, lanzamiento de un nuevo producto, etc.) CASOS DE APLICACIN CASO DE APLICACIN 5: Una aplicacin de la metodologa ARIMA al IPC de Espaa. Es suficientemente conocido que la evolucin de los precios, la inflacin, ha sido histricamente uno de los graves desequilibrios macroeconmicos de Espaa. El diferencial de precios espaol con respecto a la Unin Europea contina siendo lo suficientemente elevado como para que las consecuencias del mismo continen siendo objeto de estudio. Por ello, la prediccin de la evolucin de la inflacin ha recibido una gran atencin por parte de los analistas. En la actualidad, las instituciones de prediccin realizan esfuerzos significativos en este campo, puesto que aspectos como las negociaciones salariales, los tipos de inters, el alquiler de las viviendas, incluso la cotizacin burstil, estn influidos por las expectativas que se tienen en cuanto a la evolucin de los precios. Pues bien, en este caso de aplicacin vamos a aplicar la metodologa ARIMA a la serie real de evolucin del ndice de Precios al Consumo que elabora el INE. Se trata de una serie de frecuencia mensual de la que disponemos de 277 datos (19 aos). La serie cuenta con todas las caractersticas que nos permitirn aplicar todos los conceptos desarrollados: estacionariedad, estacionalidad, anlisis de intervencin, prediccin... Adems, como ejercicio especulativo, aplicaremos a esta misma serie una tcnica alternativa de prediccin: el alisado exponencial de Holt-Winters Aplicaremos la metodologa ARIMA paso a paso, sin olvidar el anlisis de intervencin. Se recomienda a los usuarios del curso que una vez seguido el caso de aplicacin repliquen el mismo con una serie econmica de su eleccin. ACTIVIDAD: Tratamiento de una serie temporal con procedimientos automticos. A lo largo de la unidad hemos visto que la metodologa ARIMA descansa, al menos en la fase de la identificacin, en la subjetividad o experiencia del analista. As hemos abordado nosotros el problema. Ahora bien, en la actualidad son muy frecuentes los programas informticos que ofrecen la posibilidad de estimacin automtica de modelos ARIMA mediante la aplicacin secuencial de una serie de contrastes de comportamiento de la variable analizada. Uno de los que ms presencia tiene en el anlisis emprico se ha desarrollado en el seno del Banco de Espaa como resultado del esfuerzo de Vctor Gmez y de Agustn Maravall: el programa TRAMO-SEATS. Inicialmente, en 1996, se perciba como dos programas estrechamente relacionados, como son el programa TRAMO (Time Series Regression with ARIMA noise, Missing Observations and Outliers) y el SEATS (Signal Extraction in ARIMA Time Series). La ltima versin del programa recibe el nombre de TSW (TRAMO-SEATS for Windows), y ya es utilizable en un entorno amigable de Windows. En su conjunto, TSW permite la estimacin de un modelo ARIMA estacional y su descomposicin en componentes aditivos. La estimacin es realizada por TRAMO, mientras que de la descomposicin se encarga SEATS. El programa se ha consolidado mundialmente como una de las referencias punteras en este campo. Incluso algunos de los paquetes estadstico-economtricos ms populares, como EViews en su versin 4, ya incorpora esta posibilidad. Una de los aspectos ms destacados del programa es que es completamente gratuito. Efectivamente, en la Web del Banco de Espaa (http://www.bde.es /servicios al pblico/descarga de software), se facilita el programa, junto con unas breves guas de instalacin y utilizacin. Adems, se recoge en formato PDF varios ejemplos de aplicacin, que hacen asequible la utilizacin del programa.

Qu actividad le proponemos? Acceda a la pgina web y descrguese el programa, juntamente con las guas de utilizacin. Ver que su utilizacin es relativamente sencilla. Pues bien, le proponemos que utilice alguna serie econmica (las de esta unidad le pueden servir) y aplique los procedimientos de estimacin automtica de este programa, y comprelos con los resultados que obtuvo con la estimacin no-automtica. Observa alguna diferencia?Identific el mismo modelo