CASO DE APLICACIN ARIMA AL IPC DE COLOMBIA Los datos obtenidos provienen de www.banrep.gov.co/estad/dsbb/ipc.

xl Histrico Informacin Disponible a partir del mes de Julio de 1954 (Base: Diciembre 2008=100) hasta Enero de 2011.Se predecir el IPC de los meses de Febrero a Diciembre. Procedemos a la visualizacin en pantalla de los datos.

De ah obtenemos una lnea de la serie de IPC

Apreciamos en el grfico cmo la serie ndice de precios al consumo (IPC) muestra una fuerte tendencia, por lo que ser preciso trabajar en diferencias. Para una mayor precisin podramos aplicar los procedimientos de deteccin de races unitarias. Tomando logaritmos (LIPC=LOG(IPC)) se reduce, adems,

la dispersin de la serie, que parece aumentar en los ltimos perodos. Dado que con una sola diferencia (DLIPC=LIPC-LIPC(-1)) se observa una tendencia decreciente indicativa de menores tasas de inflacin hacia los ltimos aos, vamos a calcular la serie en segundas diferencias (DDLIPC=DLIPC-DLIPC(-1)). El clculo de ambas series da lugar a los siguientes grficos, donde se aprecia la eliminacin de la tendencia de la serie con la obtencin de DDLIPC, es decir, esta ltima serie es estacionaria en media.

IPC en primeras diferencias

IPC en segundas diferencias Una identificacin previa del correlograma de la serie en logaritmos (LIPC), transformacin que la convierte en estacionaria en varianza, nos habra indicado la existencia de una raz unitaria y, por tanto, la no estacionariedad en media.

Cuando la funcin de autocorrelacin (Autocorrelation) decrece lentamente, como se aprecia en la figura anterior, y la funcin de autocorrelacin parcial (Partial Correlation) presenta un valor significativo en el primer coeficiente, cercano a la unidad, debemos proceder a la diferenciacin de la serie. Volviendo a nuestra serie ya transformada (DDLIPC), procedemos a la obtencin en EViews de las funciones de autocorrelacin y autocorrelacin parcial, de cualquiera de las dos formas siguientes: editando la serie con SHOW o pulsando dos veces sobre ella con el ratn, accedemos a la opcin VIEW / CORRELOGRAM, donde indicamos que queremos el correlograma de la serie seleccionada en niveles (level) y con 36 retardos (lags); o bien, en el men principal, seleccionamos QUICK / SERIES STATISTICS / CORRELOGRAM.

Al observar este correlograma apreciamos, en la funcin de autocorrelacin (Autocorrelation), cmo los retardos estacionales (los que se corresponden con 12, 24 y 36, al tratarse de una serie mensual) se exceden sistemticamente de las bandas de confianza (lneas discontinuas). Incluso si hubisemos solicitado el correlograma con ms retardos, comprobaramos que los correspondientes al 48 60, tambin resultaran significativos. Esta situacin, de un lento decrecimiento hacia cero de los coeficientes relevantes de estacionalidad, en lugar de un decaimiento exponencial, es indicativa de la existencia de tendencia en la parte estacional de la serie, es decir, la no estacionariedad en media de la parte estacional. Resolvemos este problema aplicando el clculo de una diferencia de orden uno en la parte estacional sobre la serie DDLIPC, es decir, una diferencia de orden 12, para lo que generamos la serie DD12LIPC=DDLIPC-DDLIPC(12). Un anlisis de las funciones de autocorrelacin y autocorrelacin parcial de la serie DLOG(IPC,2,12), ya convenientemente transformada, parece indicar la posible existencia de un modelo MA(1) en la parte regular y un SAR(12) en la estacional.

Los procesos identificados (MA(1) y SAR(12)), se estiman en EViews especificando la ecuacin correspondiente. DLOG(IPC,2,12) MA(1)SAR(12). La estimacin confirma la significacin estadstica de los parmetros (t-Statistic superior, en valor absoluto, al valor 1,96 de referencia sin acudir a las tablas correspondientes) y un ajuste relativamente aceptable (R=0,36) para una serie con doble diferencia en la parte regular y una en la estacional.

El proceso de estimacin se alcanza en diez iteraciones, sobre las que EViews nos informa de la reduccin de la suma al cuadrado de los residuos (SSR: Sum squared resid) desde la primera iteracin hasta la ltima, en la parte inferior izquierda de la pantalla (lnea de estado), aunque de forma tan rpida (en funcin de la capacidad del ordenador) que es apenas imperceptible. Modelo con MA(1) SAR(12)

Como se puede notar en Durbin Watson est poco cercano a 2. Para solucionar esto se le agrega a la ecuacin AR(1) para solucionar el problema de autocorrelacin. De modo que queda de la siguiente manera:

Modelo con MA(1) SAR(12) AR(1)

Los residuos del modelo, obtenidos en la ventana de ecuacin seleccionando VIEW / RESIDUAL TESTS / CORRELOGRAM-Q-STATISTICS bien, en el men principal, QUICK / SERIES STATISTICS / CORRELOGRAM, indicando, en este caso, Resid, parecen corresponder a un ruido blanco, como es preceptivo. Aparte de que el estadstico de Durbin-Watson, utilizado como aproximacin, toma un valor muy cercano a dos (ver de nuevo los resultados de la estimacin del modelo), y la prctica totalidad de los coeficientes de autocorrelacin y autocorrelacin parcial calculados en el correlograma de los residuos se encuentran dentro de las bandas de confianza y muy prximos al valor cero. CORRELOGRAMA

A continuacin procedemos a realizar las predicciones para la serie IPC en el horizonte de prediccin considerado al inicio del trabajo. Situados en la ventana de ecuacin, pulsamos FORECAST y aparece una ventana en la que hay que especificar varias cuestiones. En primer lugar, la serie para la que queremos predicciones (Forecast of), donde indicamos IPC para que, automticamente, tengamos los datos de prediccin sin necesidad de deshacer ninguna transformacin (recurdese que el modelo con el que trabajamos tiene como variable endgena DLOG(IPC,2,12), es decir, con transformacin logartmica y diferenciaciones). En segundo lugar, el nombre para la serie que contiene los datos de prediccin, en nuestro caso, IPCF (EViews aade, por defecto, la letra F al final del nombre de la serie original), despus, el mtodo de prediccin, donde seleccionamos dinmico (Dynamic) y, finalmente, indicamos el periodo muestral (Sample) para la prediccin: desde 2011m2 hasta 2011m12.

Como resultado, EViews genera la variable IPCF que contiene los datos de prediccin y que pasamos a visualizar en un grfico