Trabajo N°3 Estadistica Iii 2013

Estadstica III 3009137, semestre 01 de 2013
Equipo de Trabajo No. 6
Serie No. 21
Curso: Ma - Ju
Anlisis de Series de Tiempo: Ajuste con modelos SARIMA

Vernica Amariles Velsquez1, Daniela Gmez Areiza2 y Paola Andrea Snchez Trejos3
Fecha de entrega: 11 de junio de 2013
Resumen
En el presente trabajo se analiza una serie de tiempo, basada en los datos recogidos por el DANE
(Departamento Administrativo Nacional de Estadstica) durante el periodo Enero-1990 y el Diciembre2001, sobre el ndice de Produccin Real de la Industria Manufacturera Colombiana [1], especficamente
en el sector Prendas de Vestir, mediante el ajuste con modelos SARIMA. Se comparan el Modelo Log
Grado Cuatro estacional, que ajust y pronstico mejor la serie de tiempo -en el trabajo 1-, el modelo AR
(12) en el trabajo 2- con los modelos SARIMA encontrados en este trabajo, adems del uso de diferentes
herramientas como el test Ljung Box, para probar que los modelos son vlidos, es decir, probar ruido
blanco, las grficas de la ACF y PACF muestrales, y entre otros instrumentos estadsticos que permita la
seleccin del mejor modelo. Dicho anlisis tiene la finalidad de determinar el mejor modelo que ajusta y
pronostica la serie de tiempo en estudio.
Palabras claves: Series de Tiempo, Estacionalidad, Estacionariedad, Tendencia, Raz unitaria, Modelos
MA, AR, ARMA, ARIMA y SARIMA.
Introduccin
Los mtodos empleados para el anlisis de series de tiempo (que son una secuencia ordenada de
valores de una variable en intervalos de tiempo peridicos y consecutivos) suponen el hecho de que
los datos tomados en varios periodos de tiempo pueden poseer ciertas caractersticas que van a
permitir la formulacin de diversos modelos propuestos para el desarrollo del presente trabajo, que
expliquen el comportamiento y permita conocer la relacin entre las variables, tomando en cuenta los
patrones de tendencia y/o estacionalidad, adems de otros patrones como los ciclos, para que estos
ltimos sean ajustados usando modelos autoregresivos, y determinar si los errores cumplen los
supuestos de media cero, varianza constante y las funciones de autocovarianza y autocorrelacin
sean cero; as elegir como el mejor modelo aquel que lleve a cabo las funciones de ajustar y
pronosticar simultneamente de forma ptima los datos observados.
Como se observ en el anlisis del primer trabajo de los datos de la Serie de ndice de Produccin de
Prendas de Vestir en Colombia, el modelo que ajust y pronostic mejor, para tratar de explicar el
comportamiento de dicha serie fue el modelo Log-Grado Cuatro Estacional, presentando los mejores
2
criterios de informacin (AIC, BIC) y Radj , como los criterios de precisin (MAE, RMSE y
1
Estudiante de Ingeniera Administrativa, Facultad de Minas, Universidad Nacional de Colombia Sede Medelln,
vamarilesv@unal.edu.co, Medelln-Colombia.
dagomezar@unal.edu.co, Medelln-Colombia.
pasanchezt@unal.edu.co, Medelln-Colombia.
MAPE); igualmente en el anlisis del segundo trabajo de los datos de la Serie de ndice de
Produccin de Prendas de Vestir en Colombia, el modelo que ajust y pronostic mejor, para tratar
de explicar el comportamiento de dicha serie fue el modelo Log-Grado Cuatro Estacional con ciclos
AR(12) presentando los mejores de informacin (AIC y BIC) como los criterios de precisin (MAE,
MRSE, MAPE).
En el desarrollo del presente trabajo, para los modelos postulados se tendrn en cuenta los diferentes
mtodos estadsticos que permitirn elegir el mejor modelo, comparado con el que se haba escogido
en el estudio realizado en el segundo trabajo. As mismo las grficas permitirn realizar el anlisis
descriptivo, que ser de gran ayuda a la hora de concluir y validar algunos supuestos. Todo lo
anterior, con el objetivo de seleccionar el mejor modelo que describa el comportamiento de la serie
ndice de Produccin de Prendas de Vestir en Colombia, para efectos de planeacin y toma de
decisiones.
2. Desarrollo del Tema
2.1. Descripcin de la serie
La serie de tiempo sobre la que se trabaja est definida por el ndice de Produccin de Prendas de
Vestir en Colombia durante el periodo que va de enero de 1990 a diciembre de 2001, tomando como
referencia la produccin promedio del sector manufacturero en el ao 1990, cuyos datos se
obtuvieron con una periodicidad mensual.
Para analizar de mejor manera la serie de tiempo y el trabajo que se har con la misma, es pertinente
considerar como se comporta el mercado textil en Colombia; El sector textil confeccin ha sido
uno de los sectores de mayor tradicin y reconocimiento en la economa Colombiana, especialmente
por el impacto generado en el empleo, la produccin, la internacionalizacin y el desarrollo
econmico del pas; este comportamiento ha sido el fruto del buen desempeo del sector, que se ha
venido posicionando cada vez ms en los mercados internacionales, caracterizado por sus mejoras en
innovacin y especializacin, destacando la alta calidad de la costura nacional, adems de la
eficiencia y rapidez en los procesos de produccin, despacho y entrega de mercancas, lo cual lo
convierte en uno de los sectores ms prometedores para la industria nacional. [2]
Dado lo anterior, se evidencia la pertinencia de hacer un estudio estadstico que revele de manera
adecuada la situacin del sector de prendas de vestir a travs de los aos, para generar una visin
ms focalizada de hacia dnde avanza dicho sector y como crear valor agregado en el mismo.
2.1.1.Objetivo del estudio
El objetivo fundamental del estudio de la serie ndice de Produccin de Prendas de Vestir en
Colombia, es hallar un modelo estadstico capaz de explicar y pronosticar el comportamiento de los
datos proporcionados de manera eficiente y acertada, tomando como elementos principales, los
residuos estructurales del modelo elegido en el anlisis preliminar, de acuerdo con los parmetro
vistos en clase; para el trabajo se har uso de diferentes herramientas estadsticas que permitan
realizar anlisis cuantitativos y cualitativos de la serie, dado que los datos varan con el tiempo, y
con las condiciones del mercado textil colombiano.
2.1.2.Importancia
La importancia de estudiar sta serie, radica en que permite comprender cul ha sido el
comportamiento histrico del sector de fabricacin de prendas de vestir en Colombia, para tratar de
predecir su comportamiento futuro y as tomar decisiones mediante el anlisis de la tendencia y de

las variaciones que se presentan en los diferentes aos, todo ello sujeto por ejemplo a variables como
las temporadas altas y bajas de consumo de ropa durante el ao y a las condiciones que proponga el
mercado; analizar dichas variables bajo mtodos menos sofisticados como la mera observacin no
sera eficiente, razn por la cual resulta ms confiable utilizar mtodos estadsticos como los
planteados para el presente trabajo.
2.1. Anlisis de la Serie
Para ejecutar la estrategia de validacin cruzada, se especifican los siguientes parmetros y sus
respectivos significados:
Tabla 1: Parmetros de estudio
N=144
n=132
m=12
s=12
t (en meses)
Nmero total de datos de la serie ndice de Produccin de Prendas de Vestir en Colombia

Nmero de datos que se usan para el ajuste de los modelos
Nmero de datos dentro de la muestra que se usan para pronosticar.
Periodos de la componente estacional
ndice de tiempo
De acuerdo con el Grfico 1, se observa que la serie no tiene un comportamiento lineal y en su

tendencia presenta un patrn estacional y de varianza no constante, luego la serie de ndice de
Produccin de Prendas de Vestir en Colombia es de componentes multiplicativas, como se muestra
en la Ecuacin (1). Con la transformacin logartmica se busca que los cambios en la varianza de la
serie no sean tan pronunciados, es decir que la altura de los picos sobre la tendencia se aproxima a lo
largo del tiempo, pero esta transformacin no logro homogenizar la varianza y se escogi un modelo
de tipo polinmico.
Logaritm o del ndice Produccin de Prendas de Vestir en Colom bia 1990.1-2001.12
4.5
Logaritmo Produccin Prendas de Vestir
50
4.0
100
Produccin Prendas de Vestir
150
5.0
200
ndice de Produccin Prendas de Vestir en Colom bia 1990.1-2001.12
1990
1992
1994
1996
1998
2000
2002
1990
1992
Tiempo - Mensual
1994
1996
1998
2000
2002
Tiempo - Mensual
Grfico 1. Izq.- Serie de Tiempo de Produccin Prendas de Vestir en Colombia. Der.- Logaritmo de la Serie
ndice de Produccin Prendas de Vestir en Colombia. Enero de 1990 a diciembre de 2001
Y t =T tStEt .
(1)
En el cual las variables de la Ecuacin (1) representan respectivamente, como se muestra en la

Tabla 2.
Tabla 2. Definicin de variables para la Ecuacin (1).
Y Produccin de Prendas de Vestir en la industria manufacturera en Colombia (en unidades de
t
ndice)
Tt indica la declinacin o crecimiento de la serie a lo largo del tiempo (Componente de
tendencia)
St es el patrn de cambio regular que se completa dentro de un ao calendario y se repite sobre
una base anual (Componente de estacionalidad)
Et son las fluctuaciones sin un patrn definido alrededor de la media constante (Componente de
error)
Como la serie ndice de Produccin Prendas de Vestir en Colombia es de componentes
multiplicativas debido a su comportamiento de varianza no constante, presentado en el Grfico 1, se
procedi a transformar el modelo expresado en la Ecuacin (1), mediante la transformacin
logartmica, descrita a continuacin en la Ecuacin (2).
Y
S
log ( t)+ log ( E t ) .
log ( t)=log ( T t ) +
(2)
Rediseando la forma de escritura de la Ecuacin (2) por medio de un cambio de variables, se tiene
la Ecuacin (2.1).
Y t =T t + S t + E t .
(2.1)
Se trabaja bajo el supuesto de que Log ( Et ) se distribuye normal con media cero y varianza
aproximadamente constante pero desconocida como se ilustra en la Ecuacin (3).
Et iid N (0, 2 ) .
(3)
0.4
ACF
-0.4
0.0
4.5
4.0
lnyt
5.0
ACF del Log (Yt)
1990
1994
1998
10
20
Time
30
40
Lag
-0.2
0.2 0.4 0.6
ACF
0.0
-0.5
-1.0
LogYt
0.5
ACF de LogYt
1990
1994
Time
Grfico 2: Serie en escala logartmica (
1998
10
20
30
40
Lag
log ( y t ) ), su primera diferencia y sus respectivas ACFs.
log ( y t )= (1B ) log ( y t )=log ( y t )log( y t 1 )
(4)
En el Grfico 2, se observa en la ACF de la serie en escala logartmica un patrn no ergdico,
adems del efecto de la estacionalidad, y en el grfico de dicha serie, se ve que la media no es
constante ya que es funcin del tiempo, por ende el proceso no es estacionario, evidenciando la
presencia de estacionalidad, mostrando cada s=12 periodos cortes altamente significativos, entonces
se hace necesario diferenciar regularmente por lo menos una vez el logaritmo de la serie, como se
muestra en la Ecuacin 4. En el grfico de la primera diferencia, se observa que la media es
constante, es decir alrededor del cero a lo largo del tiempo, se logra estabilizar la varianza obviando
algunos posibles puntos atpicos, y en su ACF se ve un patrn ergdico, es decir que el
lim ( k ) 0
rpidamente, sin embargo se sugiere tambin diferenciar estacionalmente el
logaritmo de la serie, debido a la recurrencia de los cortes cada s=12 periodos.
0.2
-0.2
-0.6
12LogY t
Diferencia regular y estacional de la serie
1992
1994
1996
1998
2000
Time
-0.3
-0.1
Partial ACF
0.1
-0.1
-0.3
ACF
PACF de 12LogYt
0.1
ACF de 12LogYt
10
20
30
40
10
20
Lag
30
40
Lag
Grfico 3: Diferencia regular y estacional de la serie (Log (yt)) con su ACF y PACF.
12 log ( y t )= (1B ) ( 1B 12 ) log ( y t )=log ( y t )log ( y t 1 )log ( y t 12) + log ( y t13 )
(5)
En el Grfico 3, es claro que la media de la diferencia regular y estacional del logaritmo de la serie,
como se muestra en la Ecuacin (5), oscila alrededor de un valor constante (la media de la diferencia
regular y estacional); adems, en su ACF y PACF se presenta ergodicidad, por lo cual se puede
inferir que este proceso es estacionario.
2.2. Prueba HEGY
3. Identificacin modelos SARIMA ( p , d , q) x (P , D , Q) s

3.1. Test ACF y PACF
Sea
E ( k )=Corr (E t , E t+ k )
Prueba de hiptesis:
[]
Ho: E ( k ) =0 vs Ha : E ( k ) 0, k =1,2, , m m=
Estadstico de prueba:
Criterio de rechazo:
Y, sea
^ E (k )
aprox.
|^ E (k )|>
E , kk =Corr (E t , E t+ k Et +1 , E t+2 , , Et +k1)
( 1n )
N 0,
2
n
n
4
Prueba de hiptesis:
[]
Ho: E ,kk =0 vs Ha : E , kk 0, k=1,2, , m m=
Estadstico de prueba:
E ,kk
Criterio de rechazo:
aprox .
E ,kk
Tabla 3: Identificacin de modelos con ACF y PACF

ACF
PACF
Se observa un patrn de corte Se observa un patrn de cola
en los valores de k=js, con j=1,
en los valores de k=js, con j=1,
2 y s=12.
2 y s=12.
s
en los valores de 1<k<
,
2
con s=12
( 1n )
N 0,
|^ |> 2n
Analizando a profundidad el Grfico 3, en la ACF y PACF de

resultados mostrados en la Tabla 3.
ACF
Se observa un patrn de corte
n
4
PACF
Se observa un patrn de cola
s
en los valores de 1<k<
,
2
12 log ( y t ) , se obtienen los
Proceso Parte Estacional
MA (1)12
Con ltimo corte de las bandas de la
ACF en el valor de k=js, con j=1.
Con: P=0, Q=1, D=1.
Proceso Parte Regular
MA (2)
Con ltimo corte de las bandas de la
PACF en el valor de k=2, con 1<k<
s
, con s=12.
2
con s=12
Con: p=2 , q=0 , d=1.
De acuerdo a la Tabla 2. Se propone el modelo SARIMA (2,1,0) x (0,1,1)12
2( B)
Modelo 1:
12
log ( y t )=1 ( B12)Et ; con
Et iid RB . N (0, 2)
El cual, por extensin queda de la siguiente forma:
log ( y t ) =log ( y t 1 ) + log ( y t12 )log ( y t 13) + 1 log ( y t 1) 1 log ( y t2 ) 1 log ( y t 13 ) + 1 log ( y t14 ) + 2 log ( y
3.2. Identificacin de modelos con funcin auto.arima ()
Con los datos arrojados por el paquete estadstico R, haciendo uso de la funcin auto.arima(), cuyos
resultados se presentan en la Tabla 3, se lograron identificar slo dos modelos con los criterios de
informacin AIC, BIC y los test OCSB, CH presentados en la Tabla 3, cuyas ecuacin tericas se
muestran a continuacin en la Ecuacin (6) y Ecuacin (7).
Tabla 3: Identificacin con funcin auto.arima ()
Criterio
informacin
AIC
BIC
de
Test
OCSB
CH
OCSB
CH
Proceso
SARIMA
(0,1,2)x (1,0,2)12
SARIMA
(0,1,1)x (1,0,1)12
1 ( B12)
Modelo 2:
12
log ( y t ) =2 ( B ) 2 ( B12 )Et ; con
log ( y t ) =log ( y t 1 ) + log ( y t12 )log ( y t 13) + 1 log ( y t12 ) 1 log ( y t 13) 1 log ( y t 24 ) + 1 log ( y t25 ) + Et + 1
12
12
1 ( B ) 12 log ( y t ) =1 ( B ) 1 ( B )E t ; con
Modelo 3:
log ( y t ) =log ( y t 1 ) + log ( y t12 )log ( y t 13) + 1 log ( y t12 ) 1 log ( y t 13) 1 log ( y t 24 ) + 1 log ( y t25 ) + Et + 1
(Intercept)
test-lag1
test-lag2
test-lag3
test-lag4
test-lag5
test-lag6
test-lag7
test-lag8
test-lag9
test-lag10
test-lag11
test-lag12
error-lag1
error-lag2
error-lag3
error-lag4
error-lag5
error-lag6
error-lag7
error-lag8
error-lag9
error-lag10
error-lag11
error-lag12
3.3. Identificacin de modelos con funcin armasubsets()
-24
-22
-21
BIC
-20
-17
-14
-11
-3.4
_________
En el anlisis anterior (Trabajo N1) se determin que el mejor modelo en cuanto a ajuste y
pronstico es el modelo Log-Grado Cuatro estacional, como se muestra en las Ecuaciones (4 y 5).
T t = 0 + 1 t+ 2 t 2 + 3 t 3 + 4 t 4 .
(4)
Modelo1: Como se muestra en la Ecuacin 5.
Y
2
11
log ( t)= 0 + 1 t + 2 t + 3 t + 4 t + iI i , t + Et ; con
Et iid R . BN (0, 2 )
. (5)
i=1
Los criterios para probar la significancia de los parmetros en el modelo son:
Criterio para determinar si el parmetro
4 de la tendencia es significativo:
Ho: 4 =0, No es significativa vs Ha: 4 0, Es significativa

Estadstico de prueba
t o=
^4 bajoH
t /2 (np 1 )
SE( ^
4)
0
Criterios de rechazo de la hiptesis nula

Si
|t 0|>t /2 (n p1) V p=P (|t (n p 1 )|>|T 0|)< valor pequeo

Con p=15 predictoras
i de la estacionalidad es significativo
Ho: i=0, No es significativa vs Ha: i 0, Es significativa

î bajo H
t o=
t / 2(n p1)
SE( î )
Vp=P (|t (np 1 )|>|T 0|) < valor pequeo
Test de significancia de la regresin
Ho: 1== 4 = 1 == 11 =0, No es significativa vs Ha: Alguno diferente de cero , Es significativa
Fo =
MSR
MSE
bajo H 0
Vp=P ( f p ,(n p1)> F 0 ) < valor pequeo
f p ,(n p1)
Con p=15 predictores
Tabla 1:Parmetros estimados en modelo Log-Grado Cuatro Estacional

Parmetro
0
1
2
3
4
1
2
3
4
5
6
7
8
9
10
11
T0
Estimacin
Error estndar
4.535
0.06831
66.390
< 2x10-16
0.02808
0.005853
4.798
0.00000482
-0.001099
0.00001309
-4.682x10-08
0.0001778
0.000002003
7.472x10-09
-6.184
6.534
-6.266
9.65x10-09
1.78x10-09
6.51x10-09
-0.6409
0.05315
-12.058
< 2x10-16
-0.3094
0.05310
-5.828
5.14x10-08
-0.1993
0.05305
-3.757
0.000271
-0.2073
0.05301
-3.909
0.000156
-0.09567
0.05298
-1.806
0.073523
P(|t 116|>|T 0|)
-0.1169
0.05295
-2.208
0.029204
-0.1320
0.05292
-2.495
0.014020
-0.09120
0.05289
-1.724
0.087320
-0.02274
0.05287
-0.430
0.667957
0.1219
0.05286
2.306
0.02885
0.2026
0.05284
3.834
0.000205
R2adj =0.8105751 , Grados de Libertad: 116, MSE =

Festad stico=42.22 P ( f 15,116 > F 0 )=0.0000
AIC=5.282197
BIC=5.631628
0.1239
La ecuacin estimada para el modelo Log-grado Cuatro es:
Y^t =exp ( 4.535+ 0.02808 t0.001099t 2 +0.00001309 t 30.00000004682t 40.6409 I 1,t 0.3094 I 2,t0.1993
De acuerdo al modelo Log-grado cuatro, se evala si 4 , parmetro de la variable del modelo
log-grado cuatro es significativo o no. De la Tabla 1, se puede observar que es significativo
analizando el valor p, con el cual la hiptesis nula se rechaza. Cuando se deja el intercepto y se quita
una de las indicadoras, los valores de los i se refieren a la diferencia que en promedio tiene la
serie ajustada en cada mes, con relacin al mes de referencia (diciembre), las unidades son en escala
original.
Con ello se puede concluir que por ejemplo ^ 1=0.6409 . En promedio en cada ao, el ndice
de produccin de prendas de vestir en enero, disminuye en exp(0.6409) unidades del ndice de
produccin, respecto al valor correspondiente para el mes de diciembre.
^ 7=0.1320 . En promedio en cada ao, el ndice de produccin de prendas de vestir en julio,

disminuye en exp(0.1320) unidades del ndice de produccin, respecto al valor correspondiente para
el mes de diciembre.
^ 11=0.2026 . En promedio en cada ao, el ndice de produccin de prendas de vestir en

noviembre, aumenta en exp(0.2026) unidades del ndice de produccin, respecto al valor
correspondiente para el mes de diciembre.
De forma anloga se interpretan los dems
i ' s , pero los que son significativos.
Ademas que el Radj =0.8089421 se considera bueno, puesto que lo que se busca es un resultado
muy cercano a 1, caracterstica que trata de lograr esto.
Con la Ecuacin 5, se pronosticaron los siguientes
m=12 periodos ( t=133 a 144 )
2
3
4
^
Y 132 ( L ) exp ( 4.535+0.02808 ( 132+ L )0.001099 ( 132+ L ) + 0.00001309 ( 132+ L ) 0.00000004682 ( 132+ L )
Donde
L=1,2, ,12
Los pronsticos que se obtuvieron y sus intervalos de prediccin del 95%, se muestran en la Tabla 2.
Tabla 2:Pronsticos del modelo Log-Grado Cuatro Estacional
Periodo 2001
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
L
1
2
3
4
5
6
7
8
9
10
11
12
Real
75.9
100.8
132.5
114.6
134.3
107.3
103.2
133.3
139.2
148.8
150.1
128.3
Pronstico
76.50451
105.38735
116.14737
113.53998
124.84367
119.96153
115.74157
117.83776
123.06405
138.37476
145.61437
115.13919
Lim. Inf.
57.80568
79.28077
86.93408
113.53998
124.84367
88.03313
84.23777
84.98063
87.85616
97.69564
101.56807
79.26016
Lim. Sup.
101.2520
140.0906
155.1775
152.5748
168.8701
163.4699
159.0274
163.3989
172.3813
195.9921
208.7619
167.2597
Las medidas de precisin para dichos pronsticos, se muestran en la Tabla 3.

Tabla 3: Precisin de los pronsticos del Log-Grado Cuatro
MAE
9.7444847
RMSE
11.1744951
MAPE
7.7543306
En las Tablas 2 y 3, se presentan los pronsticos para este modelo y sus intervalos de prediccin del
( 1 ) 100 =95 , adems se puede observar que los valores reales de los todos los meses del ao
se encuentran dentro de los intervalos de pronstico de dichos meses, debido a que la medida de
bondad de ajuste R2adj = 80.89% evidencia el ajuste ms preciso de todos los modelos propuestos
anteriormente y, el porcentaje medio absoluto de error (MAPE) es del 7.75% mostrando que en
definitiva es el mejor modelo a escoger tanto en ajuste como en pronstico. Adems todos los valores
reales o verdaderos estn dentro de los intervalos de pronsticos, y se pronosticaron desde 76.50451
unidades del ndice de produccin de prendas de vestir en enero de 2001 hasta 115.13919 unidades
del ndice de produccin de prendas de vestir en diciembre de 2001, pero tambin puede verse que
los lmites de los pronsticos son un poco amplios, por lo que el pronstico no es muy preciso. A
continuacin se presenta la grfica de la serie real y el ajuste del modelo Log-Grado Cuatro Estacional.
3.4. Anlisis e identificacin de ciclos en los errores estructurales
Et .
Un proceso es estacionario en covarianza cuando cumple todas y cada una de las siguientes tres
condiciones:
1. El proceso es estacionario en media (la media es constante): t =
2
2
2. El proceso es estacionario en varianza (la varianza es constante): t =
3. La autocovarianza slo depende de la distancia en el tiempo de las variables del proceso, es decir
slo depende de k: ( k )=Cov [ Z t , Z t +k ] =Cov [ Z t , Z t k ] = (k ) , de donde para k , ( k ) es
una funcin simtrica alrededor de cero con
( 0 )=Var [ Z t ] y Z t
es una serie dada. [4]
Un proceso de ruido es un proceso estacionario en covarianza con las siguientes caractersticas:

1. La media es constante e igual a cero: t =0, t
2
2
2. La varianza es constante: t = , t
3. La autocovarianza es cero y por tanto tambin la autocorrelacin: ( k )= ( k )=0, k 0. [4]
Cuando las variables de un proceso de ruido son independientes este es denominado ruido blanco, un
caso particular es cuando el proceso de ruido es normal multivariado, entonces en ese caso
(k )=0, k 0, implica independencia. [4]
Para poder concluir acerca de si los errores estructurales del modelo so ruido blanco, se debe realizar
el anlisis tanto grficamente, a travs de las grficas de la ACF y la PACF, como analticamente,
mediante los test de Ljung-Box, Box-Pierce y Durbin-Watson.
3.4.1.Test Funcin de autocorrelacin o ACF
[]
Ho: E ( k ) =0 vs Ha : E ( k ) 0, k =1,2, , m m=
n
4
Criterio de rechazo : ^
E (k ) >
2
n
aprox .
Estadstico de prueba : ^
E (k )
( 1n )
R . B N 0,
PACF Residuales Estructurales del modelo Log-Grado cuatro Estacional t
0.2
0.1
-0.1
-0.2
0.0
0.0
ACF
Partial ACF
0.2
0.3
0.4
0.4
0.5
ACF Residuales Estructurales del modelo Log-Grado cuatro Estacional t
10
15
20
25
30
10
15
Lag
20
25
30
Lag
Grfico 4. Izq.- ACF de los residuales estructurales del modelo Log-grado Cuatro estacional de la
serie ndice Produccin Prendas de Vestir en Colombia. Der.- PACF de los residuales estructurales
del modelo Log-grado Cuatro estacional de la serie ndice Produccin Prendas de Vestir en
Colombia.
Segn el Grfico 4, el test de la ACF presenta cortes de las bandas de Bartlett en los valores de k= 1,
2, 3, 11, 15 y 16, indicando que se rechaza la hiptesis nula, es decir, que al menos un ( k ) 0 ,
lo cual implica que los errores estructurales no son Ruido Blanco. Adems presenta un patrn de
cola sinusoidal. El test de la PACF muestra cortes de las bandas de Bartlett en los valores de k= 1, 3
y 25, esta ltima observacin se puede obviar debido a que puede ser error tipo 1 o un patrn
estacional, por lo tanto indica que se rechaza la hiptesis nula, es decir, que al menos un kk 0 ,
lo cual implica que los errores no son Ruido Blanco. A dems no se nota un patrn definido en esta
grfica por lo que podra suponerse de corte.
2.3.2. Test Funcin de Autocorrelacin Parcial o PACF
Ho : E ,kk =0 vs Ha : E , kk 0, k=1,2, , m
n
m=
,m en multiplos de 6
4
[]
aprox .
Estadstico de prueba :|^

E , kk|
Criteriode rechazo :|^
E , kk|>
2
n
2.3.3. Test de autocorrelacin Ljung-Box
Ho: E ( 1 )= E ( 2 )== E ( m) =0 vs Ha : E ( k ) 0, k =1,2, , m

m=
[]
n
,m en las cinco pruebas es 6,12, 18, 24,30
4
( 1n )
R . B , N 0,
Estadstico de prueba : QLB =n ( n+ 2 )

k=1
2
^
E ( k ) aprox. 2
m
nk
Criterio de rechazo :V P =P ( 2m Q LB ) es pequeo

Et del modelo Log-Grado Cuatro Estacional
Gl
QLB
Tabla 4: Test Ljung-Box para

M
6
12
18
24
30
63.38514
80.80386
133.09911
156.11970
168.14992
P ( 2m Q LB )
9.212298x10-12
2. 898903x10-12
0.0000
0.0000
0.0000
6
12
18
24
30
De acuerdo con los datos arrojados por el Test Ljung-Box, presentados en la Tabla 4, para cada valor
QLB , se tiene un valor p , con = 0.05, considerado pequeo, lo cual implica que la
hiptesis nula es rechazada indicando que al menos un valor de ( k ) con k =1,2, , m es
diferente de cero, es decir, los errores del modelo no son ruido blanco.
2.3.4. Test de Durbin-Watson de incorrelacin de orden 1
Ho : 1=0 ( 1 )=0 vs
a : 1 >0 Ha : ( 1 ) >0
Ha : 1 <0 Ha : (1 )< 0
{ c Ha : 1 0 Ha : ( 1 ) 0
Para elegir cual es la hiptesis alternativa nos basamos en el estadstico de prueba definido as:
n
( E^ t E^ t1 )
Estadstico de prueba :d 1= t=2
aprox .
2m
Êt
t=1
Criteriode rechazo :V P =P ( 2m Q LB ) es pequeo o menor del5

Tabla 5: Test Durbin Watson de orden 1 (modelo Log-Grado Cuatro Estacional)
Lag
1
estimado
^ ( 1 )
Estadstico D-W
D
0.474313
1.02954
V p rho>0
P ( DW <d )
V p rho<0
P ( DW >d )
0.0000
1.0000
Como se puede observar en la Tabla 5, el estadstico D-W d=1.02954 <2 entonces la hiptesis
alternativa a elegir es Ha: 1 >0 o bien Ha: ( 1 ) >0 . Como Vp es muy pequeo se rechaza
H0, por lo tanto se concluye que los errores estructurales del modelo no son ruido blanco y presentan
al menos autocorrelacin de orden 1 positiva.
Con lo anterior, de acuerdo con los test realizados se puede concluir que los errores estructurales del
Modelo Log-Grado Cuatro estacional para el ndice de Produccin de Prendas de Vestir en Colombia
no pertenecen a un proceso de Ruido Blanco, por lo que se debe mirar si dichos errores son
estacionarios en covarianza.
Para saber si los errores estructurales del modelo son un proceso estacionario en covarianza, se debe
cumplir con la ergodicidad, mostrada en la Ecuacin 6, que quiere decir que a partir de una nica
realizacin del proceso se puede estimar las caractersticas de ste, y que cada vez sean mejores a
medida que se aumenta el tamao de la muestra. Dicha ecuacin es vlida si converge rpidamente.
lim ( k )=0 .
(6)
En el Grficos 4 se puede observar que los valores de k se vuelven estadsticamente cero

rpidamente, con lo que se puede decir, que los errores estructurales del modelo Log-Grado Cuatro
Estacional son ergdicos, lo que implica un proceso estacionario en covarianza.
2.3.5. Modelos AR, MA o ARMA de acuerdo a la ACF, PACF y EACF o Funcin armasubsets
().
Tabla 6: ACF y PACF
Et
del modelo Log-Grado Cuatro Estacional
ACF
Patrn de cola sinusoidal
PACF
Patrn de corte
PROCESO
AR(3)
De acuerdo con el Grfico 4 y la Tabla 6, se puede se puede ver que un AR (3) parece un modelo
apropiado para ajustar la serie del ndice de Produccin de Prendas de Vestir.
Con
Et = 1 E t1 + 2 E t2+ 3 E t3 +at , a t iid R . BN ( 0, 2a ) .
AR/MA
0
1
2
3
4
5
6
7
Tabla 7: EACF
0
1
2
x
x
x
o
x
o
x
x
o
x
x
o
x
x
o
x
x
x
x
x
o
x
x
o
Et
3
o
o
o
o
o
x
o
o
para del modelo Log-Grado Cuatro Estacional

4
5
6
7
8
9
10
11
x o
o
o
o
o
x
o
o
o
o
o
o
o
x
o
o
o
o
o
o
o
x
o
o
o
o
o
o
o
x
o
o
o
o
o
o
o
x
o
x
o
o
o
o
o
x
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
12
o
o
o
o
o
o
o
o
13
x
o
o
o
o
o
o
o
En la Tabla 7, se muestran los resultados de la EACF obtenidos mediante la funcin eacf ( ) de R, no

se puede observar el tringulo ms parsimonioso, ya que todava hay presencia de patrones
estacionales que persisten an en los residuales del modelo Log-Grado Cuatro Estacional, y por ende
esta funcin no arroja ningn modelo apropiado para ajustar el ndice de Produccin de Prendas de
Vestir, por lo que para la identificar otros posibles modelos se acude a la funcin armasubsets ( ) del
paquete estadstico R.
(Intercept)
AR-lag1
AR-lag2
AR-lag3
AR-lag4
AR-lag5
AR-lag6
AR-lag7
AR-lag8
AR-lag9
AR-lag10
AR-lag11
AR-lag12
error-lag10
error-lag11
error-lag12
error-lag1
error-lag2
error-lag3
error-lag4
error-lag5
error-lag6
error-lag7
error-lag8
error-lag9
Con la funcin armasubsets ( ), como se muestra en el Grfico 5, se pueden proponer los modelos
mostrados a continuacin.
-23
-22
-22
BIC
-20
-20
-15
-11
-8
-3.7
Grfico 5: Figura de la funcin armasubsets ( ) para del modelo Log-Grado Cuatro Estacional.
A continuacin se presentan los diferentes modelos propuestos para los errores estructurales del
modelo Log-Grado Cuatro Estacional, que representa al ndice de Produccin de Prendas de Vestir
en Colombia, de acuerdo con los mtodos utilizados anteriormente.
Tabla 8: armasubsets () sobre
Modelos
1
2
Et
en el modelo 1
Proceso
Et = 3 E t3 + 11 Et 11 + at , a t iid R . BN ( 0, 2a )
AR (11)
Et = 5 E t5 + 11 Et 11 + at + 12 at 12 , at iid R . BN ( 0, 2a )
ARMA (11,12)
Estos modelos fueron modificados por rechazar ruido blanco, como se mostrar ms adelante.
3.5. Identificacin de los modeles ARMA
2.4.1. Con funcin SelectModel ()
Tabla 9: SelectModel () sobre
Modelos
1 con AIC
Et
en el modelo 1
Proceso
AR (3)
2 con BIC
Et = 1 E t1 + 2 E t2+ 3 E t3 +at , a t iid R . BN ( 0, 2a )

AR (1)
Et = 1 E t1 +at , a t iid R . BN ( 0, 2a )
2.4.2. Con funcin auto.arima ()

Tabla 10: auto.arima () sobre
Modelos
Et
Proceso
en el modelo 1
1 con AIC
Et = 1 E t1 + 2 E t2+ at + 1 a t1 +2 at 2 , at iid R . BN ( 0, 2a )
ARMA (2,2)
2 con BIC
AR (1)
Et
Tabla 11: auto.arima () sobre

BIC)
Modelo
1
en el modelo 1, convertido a serie de tiempo (con AIC y

Proceso
AR (1)
2.4.3. Con funcin autoarmafit ()
Et
Tabla 12: autoarmafit () sobre

Modelo
1
en el modelo 1
Proceso
Et = 1 E t1 +at + 1 at1 , at iid R . BN ( 0, 2a)
ARMA (1,1)
2.5. Ajuste de los modelos ARMA con la serie de residuos estructurales
^
Et
Tabla 13i: Identificacin con ACF () Y PACF () sobre
AR (3)
Estimacin
s.e.
AIC= 192.75
0.4315
0.0841
Estimacin
s.e.
en el modelo 1
0.0040
0.0918
0.1683
0.0574
0.01001
BIC=135.1
^
Et en el modelo 1
9 10 11 12
Tabla 13: Identificacin con ACF () Y PACF () sobre

AR (12)
^
Et
0.442
-0.0511
0.2291
-0.1218
0.2036
-0.1070
0.0660
-0.0424
0.0185
-0.0792
-0.1939
0.0731
0.086
0.0930
0.0942
0.0951
0.0937
0.0969
0.0975
0.0931
0.0959
0.0944
0.0950
0.0815
AIC=188.06
^
Et
AR (11)
11
Estimacin
s.e.
AIC= 200.21
0.3918
0.0657
0.1829
0.0676
-0.2118
0.0487
1
0.3801
0.0728
11
0.1167
0.0704
AIC=208.48
-0.3060
0.0796
22
-0.2345
0.0802
2a
0.009417
^
Et en el modelo 1
24
24
0.2146
0.0701
-0.4763
0.1222
2a
0.008171
BIC=21.1
Tabla 15i: Identificacin con armasubsets () sobre

ARMA (11,12)
en el modelo 1
BIC=119.49
Tabla 14: Identificacin con armasubsets () sobre

Estimacin
s.e.
0.008992
BIC=104.46
Tabla 14i: Identificacin con armasubsets () sobre
ARMA (24,24)
11
^
Et en el modelo 1
12
2a
0.4505
0.0751
Estimacin
s.e.
AIC=197.9
0.1408
0.0608
-0.2472
0.0453
0.1480
0.0852
0.00943
BIC=82.59
Tabla 15: Identificacin con armasubsets () sobre
ARMA (24,12)
11
24
Estimacin
s.e.
0.4428
0.0775
0.1312
0.0724
-0.2520
0.0623
-0.0796
0.0354
AIC=196.55
BIC=43.76
^
Et en el modelo 1
12
2a
0.1110
0.1042
0.009374
Con la funcin SelectModel () sobre ^

Et en el modelo 1 con AIC identifico el mismo proceso AR
(3), identificado con las funciones ACF y PACF.
Tabla 16: Identificacin con SelectModel () sobre
AR (3)
Estimacin
s.e.
AIC= 192.75
2
0.4315
0.0841
0.0040
0.0918
0.1683
0.0574
0.01001
BIC=135.1
Tabla 17: Identificacin con SelectModel () sobre
AR (1)
Estimacin
s.e.
^
Et en el modelo 1 con BIC
2a
0.4838
0.0704
AIC192.18
0.01037
BIC=140.29
Tabla 18: Identificacin con auto.arima () sobre

ARMA(2,2)
Estimacin
s.e.
0.1004
0.1741
0.5289
0.1305
AIC=194.23
^
Et en el modelo 1 con AIC
3
2a
^
Et en el modelo 1 (con AIC)
1
2
0.3781
0.1609
2a
-0.4099
0.0773
0.009742q
BIC=133.69
Con la funcin auto.arima () sobre ^

Et en el modelo 1 con BIC y convertido a serie de tiempo con
AIC y BIC, identific el mismo proceso AR (1), identificado con la funcin SelectModel ().
Tabla 19: Identificacin con auto.arima () sobre
AR(1)
en el modelo 1 (con BIC)
Estimacin
s.e.
AIC192.18
^
Et
a
0.4838
0.0704
0.01037
BIC=140.29
Et en el modelo 1, convertido a serie de

Tabla 20: Identificacin con auto.arima () sobre ^
tiempo (con AIC y BIC)
AR(1)
Estimacin
s.e.
AIC192.18
a
0.4838
0.0704
0.01037
BIC=140.29
^
Et
Tabla 21: Identificacin con autoarmafit () sobre
en el modelo 1
ARMA(1,1)
Estimacin
s.e.
0.7148
NAN
-0.3166
0.0704
0.01022
AIC=192.04
BIC=137.27
2.5.1. Races de los polinomios autorregresivos y de medias mviles

Modelo 2: AR (12) es el que se ajust finalmente, como se ver ms adelante.
El polinomio autorregresivo para el AR (12) es:
^ 12 ( B ) =1^ 1 B^ 2 B2 ^ 3 B3 ^ 4 B 4 ^ 5 B5 ^6 B6 ^ 7 B7 ^ 8 B8 ^ 9 B9 ^ 10 B 10 ^ 11 B 11 ^ 12 B 12
^ 12 ( B ) =10.441977 B+0.051103 B20.229126 B3 +0.121814 B4 0.203592 B5 +0.107016 B60.066034 B7 +
Tabla 22: Races y mdulos del polinomio autoregresivo para el AR (12)

Raz
r1
r2
r3
r4
r5
r6
r7
r8
r9
r 10
r 11
r 12
Valor
0.7365787 + 0.8856087i
-0.9315897 + 0.6290447i
-0.5166069 - 1.0349198i
1.0618358 - 0.2585111i
0.1397487 + 1.1307082i
-0.5166069 + 1.0349198i
0.7365787 - 0.8856087i
1.0618358 + 0.2585111i
-0.9315897 - 0.6290447i
-1.3278881 - 0.0000000i
0.1397487 - 1.1307082i
2.9495882 + 0.0000000i
Mdulo
|r 1|
|r 2|
|r 3|
|r 4|
|r 5|
|r 6|
|r 7|
|r 8|
|r 9|
|r 10|
|r 11|
|r 12|
Valor
1.151890
1.124080
1.156694
1.092851
1.139311
1.156694
1.151890
1.092851
1.124080
1.327888
1.139311
2.949588
De la Tabla 22 se puede ver que el modelo AR (12) es estacionario, dado que las races del
polinomio 12 ( B ) tienen mdulo mayor a uno, y como todo proceso AR (p) es invertible por
definicin, entonces el modelo AR (12) es invertible.
Modelo 3: ARMA (24,24) es el que se ajust finalmente, como se ver ms adelante.
El polinomio autorregresivo para el ARMA (24,24) es:
^ 24 ( B )=1 ^ 1 B0 B2 ^ 3 B30 B4 0 B 50 B60 B70 B8 0 B 90 B10^ 11 B110 B120 B130 B140 B1
^ 24 ( B )=10.3801143 B0.1166507 B3 +0.3059620 B 11 +0.2345064 B220.2145731 B24
El polinomio de medias mviles para el ARMA (24,24) es:
^ 24 ( B )=1+ 0 B+0 B2 +0 B3+ 0 B 4 +0 B 5+ 0 B 6+ 0 B7 +0 B8 +0 B9 +0 B10+ 0 B11 + 0 B12 +0 B13+ B14 +0 B15+ 0 B 16+0
^ 24 ( B )=10.4762985 B 24
Tabla23: Races y mdulos del polinomio autoregresivo para el ARMA (24,24)

Raz
r1
r2
r3
r4
r5
r6
r7
r8
r9
r 10
r 11
r 12
r 13
r 14
r 15
r 16
r 17
r 18
r 19
r 20
r 21
r 22
r 23
r 24
Valor
0.7568361 + 0.7111727i
-0.7857090 + 0.7377145i
-0.5148251 - 0.9174182i
1.0061581 - 0.2360554i
0.2749064 + 1.0038357i
-0.9373806 + 0.5342074i
-0.2865883 - 1.0075919i
0.9798983 - 0.4750369i
0.0303706 + 1.0472329i
-1.1147002 + 0.2585406i
0.0303706 - 1.0472329i
1.0061581 + 0.2360554i
-0.2865883 + 1.0075919i
-0.9373806 - 0.5342074i
0.2749064 - 1.0038357i
0.9798983 + 0.4750369i
-0.5148251 + 0.9174182i
-0.7857090 - 0.7377145i
0.5782988 - 0.8894558i
0.5782988 + 0.8894558i
-1.1122661 + 0.0000000i
-1.1147002 - 0.2585406i
0.7568361 - 0.7111727i
1.1377357 + 0.0000000i
Mdulo
|r 1|
|r 2|
|r 3|
|r 4|
|r 5|
|r 6|
|r 7|
|r 8|
|r 9|
|r 10|
|r 11|
|r 12|
|r 13|
|r 14|
|r 15|
|r 16|
|r 17|
|r 18|
|r 19|
|r 20|
|r 21|
|r 22|
|r 23|
|r 24|
Valor
1.038541
1.077758
1.051999
1.033478
1.040798
1.078916
1.047556
1.088972
1.047673
1.144290
1.047673
1.033478
1.047556
1.078916
1.040798
1.088972
1.051999
1.077758
1.060925
1.060925
1.112266
1.144290
1.038541
1.137736
Tabla 24: Races y mdulos del polinomio de medias mviles para el ARMA (24,24)
Raz
r1
r2
r3
r4
r5
r6
r7
r8
r9
r 10
r 11
Valor
0.7338858 + 0.7338858i
0.5189356 + 0.8988229i
-0.5189356 - 0.8988229i
0.8988229 - 0.5189356i
0.2686208 + 1.0025067i
-1.0025067 + 0.2686208i
1.0378713 - 0.0000000i
0.0000000 + 1.0378713i
-1.0378713 + 0.0000000i
0.0000000 - 1.0378713i
-0.2686208 + 1.0025067i
Mdulo
|r 1|
|r 2|
|r 3|
|r 4|
|r 5|
|r 6|
|r 7|
|r 8|
|r 9|
|r 10|
|r 11|
Valor
1.037871
1.037871
1.037871
1.037871
1.037871
1.037871
1.037871
1.037871
1.037871
1.037871
1.037871
r 12
r 13
r 14
r 15
r 16
r 17
r 18
r 19
r 20
r 21
r 22
r 23
r 24
-1.0025067 - 0.2686208i
0.5189356 - 0.8988229i
1.0025067 + 0.2686208i
-0.5189356 + 0.8988229i
-0.7338858 - 0.7338858i
0.7338858 - 0.7338858i
-0.7338858 + 0.7338858i
-0.8988229 - 0.5189356i
1.0025067 - 0.2686208i
0.8988229 + 0.5189356i
-0.8988229 + 0.5189356i
-0.2686208 - 1.0025067i
0.2686208 - 1.0025067i
|r 12|
|r 13|
|r 14|
|r 15|
|r 16|
|r 17|
|r 18|
|r 19|
|r 20|
|r 21|
|r 22|
|r 23|
|r 24|
1.037871
1.037871
1.037871
1.037871
1.037871
1.037871
1.037871
1.037871
1.037871
1.037871
1.037871
1.037871
1.037871
Como se puede observar en la Tabla 23, el modelo ARMA (24,24) es estacionario ya que las races
del polinomio 24 ( B ) tienen mdulo mayor a uno, y de la Tabla 24 se concluye que el modelo
ARMA (24,24) es invertible dado que los mdulos de las races del polinomio 24 ( B ) son
mayores a uno.
Modelo 4: ARMA (24,12) es el que se ajust finalmente, como se ver ms adelante.
^ 24 ( B )=1 ^ 1 B0 B20 B30 B 4 ^5 B 50 B60 B70 B8 0 B 90 B10^ 11 B110 B120 B130 B140 B1
^ 24 ( B )=10.4428144 B0.1312107 B 5+ 0.2520085 B11 + 0.07955703 B24
^ 12 ( B )=1+0 B+0 B 2+ 0 B3 +0 B4 + 0 B5 +0 B6 +0 B7 +0 B8 +0 B 9+ 0 B10 +0 B11 + ^ 12 B12
^ 12 ( B )=10.1110050 B12
Tabla 25: Races y mdulos del polinomio autoregresivo para el ARMA (24,12)
Raz
r1
r2
r3
r4
r5
r6
r7
Valor
0.6953519 + 0.8283555i
-0.8923321 + 0.6611336i
-0.4227362 - 1.0286480i
0.6953519 - 0.8283555i
0.1932831 + 1.0714488i
-1.0620479 + 0.4924399i
-0.1329754 - 1.1788011i
Mdulo
|r 1|
|r 2|
|r 3|
|r 4|
|r 5|
|r 6|
|r 7|
Valor
1.081521
1.110565
1.112125
1.081521
1.088743
1.170659
1.186278
r8
r9
r 10
r 11
r 12
r 13
r 14
r 15
r 16
r 17
r 18
r 19
r 20
r 21
r 22
r 23
r 24
1.0695114 - 0.1929186i
0.4389485 + 1.0707185i
-1.1464021 + 0.1203432i
0.4389485 - 1.0707185i
1.0695114 + 0.1929186i
-0.6964296 + 0.9504392i
-1.1464021 - 0.1203432i
0.1932831 - 1.0714488i
1.0579971 + 0.3394196i
-0.4227362 + 1.0286480i
-0.8923321 - 0.6611336i
0.8978313 - 0.7242704i
0.8978313 + 0.7242704i
-0.1329754 + 1.1788011i
-0.6964296 - 0.9504392i
1.0579971 - 0.3394196i
-1.0620479 - 0.4924399i
|r 8|
|r 9|
|r 10|
|r 11|
|r 12|
|r 13|
|r 14|
|r 15|
|r 16|
|r 17|
|r 18|
|r 19|
|r 20|
|r 21|
|r 22|
|r 23|
|r 24|
1.086772
1.157201
1.152701
1.157201
1.086772
1.178282
1.152701
1.088743
1.111109
1.112125
1.110565
1.153546
1.153546
1.186278
1.178282
1.111109
1.170659
Raz
r1
r2
r3
r4
r5
r6
r7
r8
r9
r 10
r 11
r 12
Valor
0.8374164 + 0.8374164i
-0.8374164 + 0.8374164i
-0.8374164 - 0.8374164i
1.1439321 - 0.3065157i
0.3065157 + 1.1439321i
-1.1439321 + 0.3065157i
-0.3065157 - 1.1439321i
1.1439321 + 0.3065157i
-0.3065157 + 1.1439321i
-1.1439321 - 0.3065157i
0.3065157 - 1.1439321i
0.8374164 - 0.8374164i
Mdulo
|r 1|
|r 2|
|r 3|
|r 4|
|r 5|
|r 6|
|r 7|
|r 8|
|r 9|
|r 10|
|r 11|
|r 12|
Valor
1.184286
1.184286
1.184286
1.184286
1.184286
1.184286
1.184286
1.184286
1.184286
1.184286
1.184286
1.184286
Como se puede observar en la Tabla 25, el modelo ARMA (24,12) es estacionario ya que las races
del polinomio 24 ( B ) tienen mdulo mayor a uno, y de la Tabla 26 se concluye que el modelo
ARMA (24,12) es invertible dado que los mdulos de las races del polinomio 12 ( B ) son
mayores a uno.
Modelo 5: AR (1).
El polinomio autorregresivo para el AR (1) es:
^ 1 ( B )=1 ^ 1 B
^ 1 ( B )=10.4838368 B
Tabla 27: Races y mdulos del polinomio autoregresivo para el modelo 5: AR (1)
Raz
Valor
2.078283 + 0i
r1
Mdulo
|r 1|
Valor
2.078283
Como se puede observar en la Tabla 27, el modelo AR (1) es estacionario ya que las races del
polinomio 1 ( B ) tienen mdulo mayor a uno, y es invertible dado que todo modelo AR (p) es
invertible por definicin.
Modelo 6: ARMA (2,2)
^ 2 ( B )=1 ^ 1 B ^2 B 2
^ 2 ( B )=10.1004372 B0.5289085 B2
^ 2 ( B )=1+ ^ 1 B+ ^ 2 B2
^ 2 ( B )=1+ 0.3781481 B0.4098947 B2
Raz
r1
r2
Valor
1.298262 + 0i
-1.471026 + 0i
Mdulo
|r 1|
|r 2|
Valor
1.298262
1.471026
Raz
r1
r2
Valor
-1.166950 - 0i
2.129723 + 0i
Mdulo
|r 1|
|r 2|
Valor
1.166950
2.129723
Como se puede observar en la Tabla 28, el modelo ARMA (2,2) es estacionario ya que las races del
polinomio 2 ( B ) tienen mdulo mayor a uno, y de la Tabla 29 se concluye que el modelo
ARMA (2,2) es invertible dado que los mdulos de las races del polinomio 2 ( B ) son mayores a
uno.
Modelo 7: ARMA (1,1)
^ 1 ( B )=1 ^ 1 B
^ 1 ( B )=10.714806 B
^ 1 ( B )=1^ 1 B
^ 1 ( B )=1+0.316649 B
Raz
r1
Valor
1.418195 + 0i
Mdulo
|r 1|
Valor
1.418195
Tabla31: Races y mdulos del polinomio de medias mviles para el ARMA (1,1)
Raz
r1
Valor
3.262691 + 0i
Mdulo
|r 1|
Valor
3.262691
Como se puede observar en la Tabla 30, el modelo ARMA (1,1) es estacionario ya que las races del
polinomio 1 ( B ) tienen mdulo mayor a uno, y de la Tabla 31 se concluye que el modelo
ARMA (1,1) es invertible dado que los mdulos de las races del polinomio 1 ( B ) son mayores a
uno.
2.5.2. ACFs y PACFs tericas
AR(3)i-terico
kk
AR(3)i-terico
10
15
20
25
30
10
15
20
25
30
AR(12)-terico
kk
AR(12)-terico
10
15
20
25
30
10
15
20
25
30
AR(11)i-terico
kk
AR(11)i-terico
10
15
20
25
30
10
15
20
25
30
ARMA(24,24)-terico
kk
ARMA(24,24)-terico
10
15
k
20
25
30
10
15
k
20
25
30
ARMA(11,12)i-terico
kk
ARMA(11,12)i-terico
10
15
20
25
30
10
15
20
25
30
25
30
ARMA(24,12)-terico
kk
ARMA(24,12)-terico
10
15
20
25
30
10
15
20
AR(1)-terico
kk
AR(1)-terico
10
15
20
25
30
10
15
20
25
30
ARMA(2,2)-terico
kk
ARMA(2,2)-terico
10
15
20
25
30
10
15
20
25
30
ARMA(1,1)-terico
kk
ARMA(1,1)-terico
10
15
k
20
25
30
10
15
k
20
25
30
Grfico 6. ACFs, PACFs tericas de los modelos ARMA identificados para
Et
En el Grfico 6 se puede observar que las funciones que ms se asemejan a la ACF y PACF muestral
de los errores estructurales ^
Et , son los modelos AR (12), que es un modelo vlido como se
mostrar ms adelante y el AR (11) con algunas variaciones en la PACF, pero no es un modelo
vlido. Los dems modelos siguen un comportamiento diferente, por lo que el modelo que ms se
Et es el modelo AR (12).
asemeja a los errores de los residuos estructurales ^
2.6. Ajuste de los modelos completos
Estadsticos de prueba y criterios de rechazo para probar la significancia de todos los parmetros
utilizados en los modelos propuestos ajustados con tendencia, estacionalidad y ciclos:
i de la tendencia es significativo:

t o=
î bajo H
t / 2(n p1)
SE( ^
)
0

Si
|t 0|>t /2 (n p1) V p=P ( t / 2(n p1) >|t 0|) < valor pequeo
i de la estacionalidad es significativo

î bajo H
t o=
t / 2(n p1)
SE( î )
Vp=P ( t / 2(n p1) >|t 0|) < valor pequeo
Para los parmetros utilizados para modelar los errores estructurales

Para la parte AR:
Ho: i =0, No es significativa vs Ha : i 0, Es significativa

Zo=
î
SE ( î )
bajo H 0
N (0,1)
Vp=P (|Z|>|Z 0|) < valor pequeo
Para la parte MA:
Ho :i =0, No es significativa vs Ha :i 0, Es significativa
Zo=
î
bajo H 0
SE ( î )
Vp=P (|Z|>|Z 0|) < valor pequeo
N ( 0,1)
Z o y valores p fueron calculados manualmente como se
NOTA: Los valores de los estadsticos

muestra a continuacin:
Para la Z:
Z0=
Estimacin
s. e
Para valor P
P(|Z|>|Z0|)
2.6.1. Modelo2i: Ciclos AR (3)
Y
2
11

i=1
Et = j Et j +a t , at iid R . BN ( 0, 2a)
j=1
Con
Et = 1 E t1 + 2 E t2 + 3 Et3 +a t
Residuales vs. ajustados modelo2i
0.2
0.1
0.0
resid.ajust2i
-0.2
-0.1
0.1
0.0
-0.1
-0.2
resid.ajust2i
0.2
Residuales vs. tiempo modelo2i
20
40
60
80
100
120
3.8
4.0
4.2
4.4
4.6
4.8
5.0
as.numeric(fitted(modelo2i))
ACF modelo2i
PACF modelo2i
5.2
-0.2
-0.2
-0.1
0.0
Partial ACF
0.0
-0.1
ACF
0.1
0.1
0.2
10
15
Lag
Grfico 7: Residuales
a^ t
20
25
30
10
15
20
25
30
Lag
del ajuste con errores AR (3), y su ACF y PACF muestrales.
. (7)
Como puede verse en el Grfico 7 de los residuales a^ t , todava hay presencia de ciclos y la
varianza no es constante. La ACF y PACF muestrales de estos residuales, rechazan el supuesto de
ruido blanco en k=11 (en ACF) y en k=11 y 22 (en PACF), por lo que se procedi a modificar los
ciclos de este modelo como se muestra a continuacin en el modelo 2.
Modelo2: Ciclos AR (12)
Y
11
log ( t)= 0 + 1 t + 2 t 2+ 3 t 3+ 4 t 4 + iI i , t + Et ; con
12
i=1
Et = j Et j +a t , at iid R . BN ( 0, 2a)
. (8)
j=1
Con
Et = 1 E t1 + 2 E t2 + 3 Et3 + 4 E t4 + 5 Et 5+ 6 E t6 + 7 Et 7+ 8 E t8 + 9 Et9 + 10 Et 10 + 11 Et 11 + 12 E t1
.
Tabla 32: Parmetros estimados en modelo log-grado cuatro estacional ms Modelo 2: AR (12)
para errores estructurales.
Z0
P(|t 104|>|t 0|)
0.086016
5.138298
2.77238 x10-7
-0.051103
0.092968
-0.549681
0.5825381
Parmetro
Estimacin
1
2
3
0.441977
4
5
6
7
8
9
10
11
12
0
1
2
3
4
1
2
3
4
5
6
7
8
9
10
11
Error estndar
0.229126
0.094154
2.433512
0.0149531
-0.121814
0.095126
-1.280554
0.2003505
0.203592
0.093678
2.173316
0.0297565
-0.107016
0.096874
-1.104694
0.2692921
0,066034
0.097519
0.677147
0.4983129
-0.042398
0.093110
-0.455348
0.6488588
0.018525
0.095903
0.193160
0.8468336
-0.079230
0.094384
-0.839448
0.4012181
-0.193858
0.094950
-2.041679
0.0411833
0.073119
0.081541
0.896715
0.3698710
4.521033
0.081106
55.74192
0.0000000
0.029027
0.007652
3.793335
1.48637x10-4
-1.1169x10-3
0.000223
-5.016169
5.27119x10-7
1.3175x10-5
NaN
NaN
NaN
-4.6747x10-8
NaN
NaN
NaN
-0.635557
0.037948
-16.748195
5.83708x10-63
-0.306855
0.038992
-7.869751
3.55347x10-15
-0.190785
0.036551
-5.219738
1.79176x10-7
-0.205666
0.038858
-5.292762
1.20483x10-7
-0.090576
0.036820
-2.459966
0.0138950
-2.940361
3.278303x10-3
-0.113943
0.038751
-0.132101
0.036523
-3.616915
2.981349x10-4
-0.089418
0.039589
-2.258667
0.0239040
-0.640751
0.5216844
-0.023231
0.036256
0.122416
0.039812
3.074825
2.10626x10-3
0.197250
0.036913
5.343594
9.11217x10-8
^ 2=0.008992
AIC=188.06
BIC=104.46
Segn los datos obtenidos en la Tabla 32, se analiza con detalle 12 , puesto que es el parmetro
que indica si hay correlacin de orden 12, para este valor no se rechaza H 0 porque su valor p es
grande, por lo cual se concluye que no es significativo; Adems, se puede concluir que, por ejemplo
para ^ 2=0.306855 En promedio en cada ao, el ndice de produccin de prendas de vestir en
febrero, disminuye en exp(0. 306855) unidades del ndice de produccin, respecto al valor
^ 8=0.089418
En promedio en cada ao, el ndice de produccin de prendas de vestir en

agosto, disminuye en exp (0. 089418) unidades del ndice de produccin, respecto al valor
^ 10 =0.122416

octubre, aumenta en exp (0. 122416) unidades del ndice de produccin, respecto al valor
De forma anloga se interpretan los dems
^ i ' s , pero los que son significativos.
La ecuacin del modelo ajustado del AR (12) sera:
3
Y^t =exp(4.521033+0.029027 t(1.1169103 )t 2 + ( 1,3175105 ) t ( 4,6747108 ) t 40.635557 I 1,t0.306
Con
^
^
^ t30.121814 E
^ t4 + 0.203592 E
^ t 50.107016 ^
Et =0.441977 ^
Et 1 0.051103 ^
Et 2+ 0.229126 E
Et 6 +0.066034
2.6.2. Modelo 3i: Ciclos ARMA (11,0) = AR (11)
Y
11
log ( t)= 0 + 1 t + 2 t 2+ 3 t 3+ 4 t 4 + iI i , t + Et
; con
i=1
Et = 1 E t1 + 3 Et3 + 11 Et 11 +at , at iid R . BN (0, 2a)
(9)
0.1
0.0
resid.ajust3i
-0.2
-0.1
0.1
0.0
-0.1
-0.2
resid.ajust3i
0.2
0.2
20
40
60
80
100
120
3.8
4.0
4.2
4.4
4.6
4.8
ACF modelo3i
PACF modelo3i
5.0
5.2
0.0
Partial ACF
-0.2
-0.2
-0.1
0.0
-0.1
ACF
0.1
0.1
0.2
10
15
20
25
30
10
Lag
a^ t
15
20
25
30
Lag
del ajuste con errores AR (11), con j , j=1,2, 4, 5,6, 7, 8, 9,10

fijos en cero, y su ACF y PACF muestrales.
a^ t , todava hay presencia de ciclos y la

Como puede verse en el Grfico 8, los residuales
ruido blanco en k=22 y 24 (en PACF), por lo que se procedi a modificar los ciclos de este modelo
como se muestra a continuacin en el modelo 3.
Modelo 3: Ciclos ARMA (24,24)
Y
11
log ( t)= 0 + 1 t + 2 t 2+ 3 t 3+ 4 t 4 + iI i , t + Et
con
i=1
Et = 1 E t1 + 3 Et3 + 11 Et 11 + 22 E t22+ 24 E t24 +at + 24 at 24 , at iid R . BN (0, 2a )
.(10)
Tabla 33: Parmetros estimados en modelo Log-grado cuatro estacional ms Modelo 3 ARMA
(24,24) para errores estructurales.
Parmetro
Estimacin
1
3
0.3801143
Error
estndar
0.07278827
11
22
24
24
0
1
Z0
P(|t 110|>|t 0|)
5.222191
1.768187x10-7
0.1166507
0.07963900
1.464743
0.1429909
-0.3059620
7.00657x10-9
-4.366788x10-7
0.000000
-0.2345064
0.02542635
-9.222966
2.889924x10-20
0.2145731
0.07043142
3.046553
2.314814x10-3
-0.4762985
0.08023265
-5.936467
2.912289x10-9
4.445629
0.07011142
63.40806
0.000000
0.03567331
0.1221741
0.291988
0.7702961
2
3
4
-1.307806x10-3
0.06374586
1.520595x10-5
6.84623x10-3
1
2
3
4
5
6
7
8
9
10
11
0.9836318
0.9982278
2.72370x10
-4
3.07334x10
-6
-0.2852050
7.00657x10
-9
-0.1678999
0.02696034
-6.227661
4.734503x10-10
-0.1843125
0.02700640
-6.824770
8.806653x10-12
-0.08065392
0.02355468
-3.424115
6.168052x10-4
-0.1030809
0.02504592
-4.115678
3.860437x10-5
-0,1200364
0.02531995
-4.740783
2.128942x10-6
-0.08371153
0.02507451
-3.338511
8.422859x10-4
-0.01568433
0.02556128
-0.613597
0.5394814
0.1225357
0.02478217
4.944511
7.633542x10-7
0.2023260
0.02332858
8.672882
4.213177x10-18
-5.390075x10
-0.6157658
-8
-0.02051593
2.221070x10-3
^ 2=0.008171
-4
0.9998421
-2.003571x10
0.000000
-4.070538x10
-1.978951x10
AIC=208.48
0.000000
BIC=21.1
Segn los datos obtenidos en la Tabla 33, se analiza con detalle para la parte AR 24 , indicando
un valor p pequeo por tanto se rechaza H 0 , y se dice que este parmetro si es significativo y,
para la parte MA evaluamos 24 , indicando un valor p pequeo por tanto se rechaza H 0 , y
se dice que este parmetro si es significativo; Adems, se puede concluir que, por ejemplo para
^ 3=0.1678999 En promedio en cada ao, el ndice de produccin de prendas de vestir en
marzo, disminuye en exp ( 0.1678999 ) unidades del ndice de produccin, respecto al valor
^ 10 =0.1225357

octubre, disminuye en exp (0. 1225357) unidades del ndice de produccin, respecto al valor
^ 11=0.2023260

noviembre, aumenta en exp ( 0.2023260 ) unidades del ndice de produccin, respecto al valor
De forma anloga se interpretan los dems ^ i ' s , pero los que son significativos.
La ecuacin del modelo ajustado del ARMA (24, 24) sera:
Y^t =exp ( 4.445629+0.03567331 t( 1.307806103 ) t 2 + ( 1.520595105 ) t 3( 5.390075 x108 ) t 4 0.615765

Donde,
^
^
Et =0.3801143 ^
Et 1+ 0.1166507 ^
Et 3 0.3059620 ^
Et11 0.2345064 ^
Et 22 +0.2145731 ^
Et 240.4762985 a^ t 24
2.6.4. Modelo 4i: Ciclos ARMA (11,12)
Y
2
11
log ( t)= 0 + 1 t + 2 t + 3 t + 4 t + iI i , t + Et
; con
i=1
Et = 1 E t1 + 5 Et5 + 11 Et 11 +at +12 a t12 , a t iid R . BN (0, 2a )
0.1
0.0
resid.ajust4i
-0.2
-0.1
0.0
-0.1
-0.2
resid.ajust4i
0.1
0.2
0.2
. (11)
20
40
60
80
100
120
3.8
4.0
4.2
4.4
4.6
4.8
5.0
ACF modelo4i
PACF modelo4i
5.2
0.0
Partial ACF
-0.1
0.0
-0.2
-0.2
-0.1
ACF
0.1
0.1
0.2
10
15
20
25
30
10
Lag
Grfico 9: Residuales a^ t
j=2,3, 4, 6, 7,8, 9, 10, y i ,
15
20
25
30
Lag
del ajuste con errores ARMA (11,12), con j ,

i=1, 2,3, 4, 5,6, 7, 8, 9,10, 12, fijos en cero, y su ACF y
PACF muestrales.
a^ t , todava hay presencia de ciclos y la

Como puede verse en el Grfico 9, los residuales
ruido blanco en k=24 (en PACF), por lo que se procedi a modificar los ciclos de este modelo como
se muestra a continuacin en el modelo 4.
Modelo 4: Ciclos ARMA (24,12)
Y
2
11
log ( t)= 0 + 1 t + 2 t + 3 t + 4 t + iI i , t + Et
con
i=1
Et = 1 E t1 + 5 Et5 + 11 Et 11 + 24 Et24 + at +12 at 12 , at iid R . BN (0, 2a)
(12)
Tabla 34: Parmetros estimados en modelo log-grado cuatro estacional ms Modelo 4 ARMA
Parmetro
Estimacin
Z0
P(|t 111|>|t 0|)
1
5
0.4428144
0.0774727697
5.715743
1.092257x10-8
0.1312107
0.1042274148
1.258889
0.2080705
0.0371017494
-6.792362
1.103124x10-11
0.0623486597
11
24
12
0
1
2
3
4
1
-0.2520085
-0.0795570
-1.276002
0.2019547
0.1110050
0.0374844416
2.961361
3.062828x10-3
4.5200680
0.0378696067
1.193587x102
0.000000
0.0373088349
0.7782628
0.4364141
0.0290361
-1.11407x10
1.30900x10
2
3
4
5
6
7
8
9
10
11
Error estndar
-3
0.0398459022
0.9776944
3.318563x10
0.9997352
0.0379242310
-1.218562x10-6
0.9999990
-0.6346755
0.0360305830
-17.61491
1.892836x10-69
-0.3027649
0.0774727697
-3.908017
9.305658x10-5
-0.1897686
0.0724093851
-2.620774
8.773047x10-3
-0.2054508
0.0623486597
-3.295192
9.835429x10-4
-0.0895397
0.0354147517
-2.528316
0.0114611
-0.1110749
0.1042274148
-1.065698
0.2865602
-0.1285290
0.0778364081
-1.651270
0.09868337e-02
-0.0891674
0.0068455815
-13.02554
-0.0222757
0.0001773809
-1.255810x10
0.000000
0.1231128
NaN
NaN
NaN
0.2014809
NaN
NaN
NaN
2
^ =0.009374
0.0394448398
-0.02795956
-4.62130x10-8
-5
AIC=196.55
-4
8.758279x10-39
2
BIC=43.76
un valor p grande por tanto no se rechaza H 0 , y se dice que este parmetro no es significativo
y, para la parte MA evaluamos 12 , indicando un valor p pequeo por tanto se rechaza H 0 ,
y se dice que este parmetro si es significativo; Adems, se puede concluir que, por ejemplo para
enero, disminuye en exp ( 0.6346755 ) unidades del ndice de produccin, respecto al valor
^ 4=2054508
En promedio en cada ao, el ndice de produccin de prendas de vestir en abril,

disminuye en exp ( 0.2054508 ) unidades del ndice de produccin, respecto al valor
^ 9=0.0222757

septiembre, aumenta en exp ( 0.0222757 ) unidades del ndice de produccin, respecto al valor
De forma anloga se interpretan los dems ^ i ' s , pero los que son significativos. Segn los datos
obtenidos en la Tabla 34, la ecuacin del modelo ajustado del ARMA (24,12) sera:
Y^t =exp ( 4.520068+0.02903608 t( 1.11407103 ) t 2+ ( 1.30900105 ) t 3( 4.62130108 ) t 40.6346755 I 1,t

Donde,
^
^
^ t50.2520085 E
^ t110.07955703 E
^ t24 +0.1110050 a^ t12
Et =0.4428144 ^
Et 1+ 0.1312107 E
2.6.5. Modelo 5: Ciclos ARMA (1,0) = AR (1)
Y
2
11

i=1
Et = 1 E t1 +at ,a t iid R . BN (0, 2a )
. (11)
Tabla 35: Parmetros estimados en modelo log-grado cuatro estacional ms Modelo 5 AR (1) para
errores estructurales.
Parmetro
Estimacin
Error estndar
Z0
P(|t 115|>|t 0|)
1
0
0.4838368
0.07039384
6.87328280
6.274101 x10-12
4.557325
0.08770498
51.9619939
0.000000
0.0255150
8.927366 x10
2.85806815
4.262288 x10-3
-1.015881 x10-3
2.809265 x10-4
-3.61618193
2.989803 x10-4
1.210019 x10-5
1.172470 x10-4
0.10320261
0.9178022
-4.29624 x10
8.668561 x10-7
-0.04956124
0.9604720
-0.6368381
0.03606895
-17.6561304
9.128753 x10-70
-0.3084608
0.04291434
-7.18782587
6.583114 x10-13
-0.1997849
0.04578199
-4.36383074
1.278045 x10-5
-0.2084392
0.04704239
-4.43088145
9.384868 x10-6
-0.0972209
0.04753562
-2.04522182
0.04083299
-0.1186536
0.04759591
-2.49293683
0.01266914
-0.1338859
0.04731547
-2.82964331
4.659993 x10-3
-0.0931667
0.04660695
-1.99898815
0.04560964
-0.0247135
0.04513673
-0.54752496
0.5840181
0.1200609
0.04204427
2.85558347
4.295783 x10-3
0.2013163
0.03482029
5.78158237
7.400123 x10-9
1
2
3
4
1
2
3
4
5
6
7
8
9
10
11
2
^ =0.01037
-3
-8
AIC=192.18
BIC=140.29
Segn los datos obtenidos en la Tabla 35, se analiza con detalle 1 , puesto que es el parmetro
que indica si hay correlacin de orden 1, para este valor se rechaza H 0 porque su valor p es
pequeo , por lo cual se concluye que si es significativo; Adems, se puede concluir que, por
ejemplo para ^ 2=0.3084608 En promedio en cada ao, el ndice de produccin de prendas de
vestir en febrero, disminuye en exp ( 0. 3084608 ) unidades del ndice de produccin, respecto al
valor correspondiente para el mes de diciembre.
^ 7=0.1338859

julio, disminuye en exp ( 0. 1338859 ) unidades del ndice de produccin, respecto al valor
^ 10 =0.1200609

octubre, aumenta en exp ( 0. 1200609 ) unidades del ndice de produccin, respecto al valor
obtenidos en la Tabla 35, la ecuacin ajustada del modelo 5: AR (1) sera:
4.557325+0.0255150 t(1.015881103 )t 2+(1.210019105) t 3 (4.29624108) t 40.6368381 I 1,t0.308

)*
exp
( 0.01037
)
2
Donde,
^
^
Et =0.4838368 ^
Et1
2.6.6. Modelo 6: Ciclos ARMA (2,2)
Y
11
log ( t)= 0 + 1 t + 2 t 2+ 3 t 3+ 4 t 4 + iI i , t + Et
2
j=1
k=1
Et = j Et j +a t + k a tk , at iid R . BN ( 0, a)
Con
; con
i=1
(10)
Et = 1 E t1 + 2 E t2 +at +1 at1 +2 at 2
Parmetro
Estimacin
Error estndar
Z0
P(|t 112|>|t 0|)
1
2
0.1004372
0.17408539
0.5769424
0.5639784
0.5289085
0.13049047
4.0532344
5.051435x10-5
0.3781481
0.16094458
2.3495547
0.01879588
-0.4098947
0.07733123
-5.3005058
1.154823x10-7
0.4562839
0.09206791
49.559494
0.000000
0.02421598
0.00783575
3.0904494
1.998538x10-3
-9.673953x10-4
0.00020400
-4.7420914
0.2115231
1.148551x10
NaN
NaN
NaN
NaN
NaN
NaN
1
2
0
1
2
3
4
-5
-4.048728x10-8
1
2
3
4
5
6
7
8
9
10
11
-0.6362945
0.03535867
-17.995429
2.115755x10-72
-0.3074147
0.04111397
-7.4771348
7.596047x10-14
-0.1964413
0.04060118
-4.8383152
1.309444x10-6
-0.2056604
0.04314470
-4.7667589
1.872131x10-6
-0.0939279
0.04247393
-2.2114246
0.02700645
-0.1157856
0.04367285
-2.6512032
8.020556x10-3
-0.1311598
0.04227096
-3.1028336
1.916774x10-3
-0.0905588
0.04303593
-2.1042603
0.0353558
-0.0228019
0.04010336
-0.5685793
0.5696417
0.1220991
0.04119056
2.9642502
3.034215x10-3
0.2014611
0.03471559
5.8031876
6.506592x10-9
2
^ =0.009742
AIC=194.23
BIC=133.69
un valor p pequeo por tanto se rechaza H 0 , y se dice que este parmetro si es significativo y,
para la parte MA evaluamos 2 , indicando un valor p pequeo por tanto se rechaza H 0 , y
se dice que este parmetro si es significativo; Adems, se puede concluir que, por ejemplo para
enero, disminuye en exp ( 0. 6362945 ) unidades del ndice de produccin, respecto al valor
junio, disminuye en exp ( 0. 1157856 ) unidades del ndice de produccin, respecto al valor
^ 11=0. 2014611

noviembre, aumenta en exp ( 0. 2014611 ) unidades del ndice de produccin, respecto al valor
Y^t =exp ( 4.557325+0.0255150 t( 1.015881103 ) t 2+ ( 1.210019105 ) t 3( 4.29624108 ) t 4 0.6368381 I 1,

Donde,
^
^
^ t1 +0.5289085 ^
Et =0.1004372 E
Et 2 +0.3781481 a^ t 10.4098947 a^ t 2
Y
11
log ( t)= 0 + 1 t + 2 t 2+ 3 t 3+ 4 t 4 + iI i , t + Et
i=1
con
Et = 1 E t1 +at 1 at k ,a t iid R . BN (0, 2a )
(12)
Parmetro
Estimacin
Error estndar
Z0
P(|t 114|>|t 0|)
1
1
0.714806
NaN
NaN
NaN
-0.316649
0.0704471
-4.4948482
6.961961x10-6
4.561028
0.0900955
50.624391
0.000000
0.024527
0.0078596
3.1206087
1.804777
0.0002113
-4.6344362
3.579116x10-6
NaN
NaN
NaN
0
1
2
3
4
1
2
3
4
-9.794142x10
-4
1.163909x10-5
-4.110391x10
5
6
7
8
9
10
11
NaN
NaN
NaN
-0.636257
0.0358227
-17.761258
1.410379x10-70
-0.305919
0.0358227
-7.7420757
9.780676 x10-15
-0.196601
0.0417353
-4.7106605
2.469153x10-6
-0.205162
0.0430126
-4.7698011
1.844079x10-6
-0.094057
0.0436207
-2.1562441
0.0310646
-0.115658
0.0437074
-2.6461910
8.140385x10-3
-0.131084
0.0433389
-3.0246230
2.489432x10-3
-0.090555
0.0425133
-2.1300359
0.0331687
-0.022327
0.0411404
-0.5427056
0.5873325
0.122094
0.0389713
3.1329338
1.730684x10-3
0.202694
0.0353926
5.7270270
1.022059x10-6
^ 2=0.01022
-5
AIC=192.04
BIC=137.27
Segn los datos obtenidos en la Tabla 37, se puede ver que para la parte AR, el clculo del valor p
para 1 el R no fue capaz de calcularlo, por lo que no es posible saber si dicho parmetro es
significativo o no y, para la parte MA evaluamos 1 , indicando un valor p pequeo por tanto se
rechaza H 0 , y se dice que este parmetro si es significativo; Adems, se puede concluir que, por
ejemplo para ^ 1=0.636257 En promedio en cada ao, el ndice de produccin de prendas de
vestir en enero, disminuye en exp ( 0. 636257 ) unidades del ndice de produccin, respecto al
valor correspondiente para el mes de diciembre.
^ 5=0.094057

mayo, disminuye en exp ( 0. 094057 ) unidades del ndice de produccin, respecto al valor
^ 11=0. 202694

noviembre, aumenta en exp ( 0. 202694 ) unidades del ndice de produccin, respecto al valor
Y^t =exp ( 4.561028+0.024527 t( 9.794142104 ) t 2+ ( 1.163909105 ) t 3( 4.110391105 ) t 40.636257 I 1,t

Donde,
^
^
Et =0.714806 ^
Et 1 (0.316649 a^ t 1 )
Tabla 38: Comparacin de los 7 modelos con AIC, BIC
MODELO
2
3
4
5
6
7
DF
104
110
111
115
112
114
AIC
-188.06
-208.48
-196.55
-192.18
-194.23
-192.04
BIC
-104.46
-21.1
-43.76
-140.29
-133.69
-173.27
De la Tabla 38 se puede ver los criterios de informacin AIC y BIC para cada uno de los modelos
ajustados, y en la cual se observan algunas diferencias entre cada uno de los modelos, pero en
general todos presentan un ajuste similar. Sin embargo el mejor modelo en ajuste es el modelo 2,
dado que mostro un mejor BIC, aunque no un mejor AIC, adems est entre los modelos vlidos, ya
que los modelos 5, 6 y 7 no son vlidos, como se ver ms adelante, y de acuerdo a las grficas de la
ACF y PACF, es el modelo que posiblemente explique mejor el comportamiento de los ciclos que
quedan en los errores estructurales del modelo Log-Grado Cuatro.
2.7. Pronsticos de los modelos propuestos
A continuacin se presentan los pronsticos correspondientes a cada uno de los modelos, la precisin
de los pronsticos y la grfica de la serie real, y pronosticada segn el modelo correspondiente.
Para los modelos propuestos se predijo los ltimos 12 datos dentro de la muestra, es decir desde el
tiempo t =132 hasta t=144 en la escala original de los datos.
Tabla 39: Asignacin de pronsticos
Nmero de predicciones (L)
Tiempo de prediccin (t)
1
133
2
134
3
135
4
136
5
137
6
138
7
139
8
140
9
141
10
142
11
143
12
144
2.7.1. Modelo 1: Log-Grado Cuatro Estacional
Periodo 2001
Pronstico
Lim. Inf.
Lim. Sup.
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
1
2
3
4
5
6
7
8
9
10
11
12
76.50451
105.38735
116.14737
113.53998
124.84367
119.96153
115.74157
117.83776
123.06405
138.37476
145.61437
115.13919
57.80568
79.28077
86.93408
113.53998
124.84367
88.03313
84.23777
84.98063
87.85616
97.69564
101.56807
79.26016
101.2520
140.0906
155.1775
152.5748
168.8701
163.4699
159.0274
163.3989
172.3813
195.9921
208.7619
167.2597
Las medidas de precisin para dichos pronsticos, se muestran en la Tabla 41.

Tabla 41: Precisin de los pronsticos del Log-Grado Cuatro
MAE
9.7444847
RMSE
11.1744951
MAPE
7.7543306
En las Tablas 40 y 41, se presentan los pronsticos para este modelo y sus intervalos de prediccin
del ( 1 ) 100 =95 , adems se puede observar que los valores reales de los todos los meses del
ao se encuentran dentro de los intervalos de pronstico de dichos meses, debido a que la medida de
bondad de ajuste R2adj = 80.89% evidencia el ajuste ms preciso de todos los modelos propuestos
anteriormente y, el porcentaje medio absoluto de error (MAPE) es del 7.75% mostrando que en
definitiva es el mejor modelo a escoger tanto en ajuste como en pronstico. Adems todos los valores
reales o verdaderos estn dentro de los intervalos de pronsticos (ver valores reales en la Tabla 64),
y se pronosticaron desde 76.50451 unidades del ndice de produccin de prendas de vestir en enero
de 2001 hasta 115.13919 unidades del ndice de produccin de prendas de vestir en diciembre de
2001, pero tambin puede verse que los lmites de los pronsticos son un poco amplios, por lo que el
pronstico no es muy preciso.
A continuacin se presenta la grfica de la serie real y el ajuste del modelo Log-Grado Cuatro
Estacional.
100
150
Original
ajustado
pronosticado
50
Prendas.de.Vestir
200
Serie original, ajustada y pronosticada
1990
1992
1994
1996
Time
1998
2000
2002
Grfico 10. Serie real (original) con el ajuste y pronstico del modelo Log-grado 4 estacional del
ndice Produccin Prendas de Vestir en Colombia.
2.7.2. Modelo 2: Ciclos AR (12)
Tabla 42: Pronsticos Modelo 2 AR(12)
Periodo
2001
Enero
L
1
febrero
marzo
abril
mayo
junio
julio
agosto
septiemb
re
octubre
noviembr
e
diciembr
e
1
0
1
1
1
2
Pronstico
Puntual
82.7625
7
113.829
17
129.644
42
118.697
72
137.236
60
129.044
94
118.976
84
123.844
22
129.675
14
143.136
52
146.024
95
118.123
84
Lmite
inferior
68.7251
5
92.8972
4
105.618
11
96.1152
3
111.050
97
104.052
38
95.8323
2
99.7064
5
104.332
02
115.150
54
117.472
96
94.6462
8
Lmite
Superior
99.667
2
139.47
76
159.13
63
146.58
60
169.59
67
160.04
05
147.71
10
153.82
55
161.17
43
177.92
42
181.51
65
147.42
51
En la Tabla 42, se presentan los valores de los pronsticos puntuales para el modelo AR (12) en los
periodos L=1, 2,, 12, donde se evidencia que algunos pronstico estn por encima del valor real
sobreestimando la serie, mientras que otros permanecen por debajo del valor de la serie haciendo una
subestimacin (ver valores reales en la Tabla 64) y, sus respectivos intervalos de prediccin cuya
longitud no es muy amplia, indicando que los pronsticos son precisos.
A continuacin se muestra la ecuacin de pronstico para el periodo Enero-2001 a Diciembre-2001:
3
3
2
5
Y^
132 (L)=exp (4.521033+0.029027 (132+ L)(1.116910 )(132+ L) + ( 1,317510 ) (132+ L) ( 4,67471
Donde,
^
^
^ 132 ( L1 )0.051103 E
^ 132 ( L2 ) +0.229126 ^
^ 132 ( L4 ) +0.203592 E
^
E132 ( L )=0.441977 E
E132 ( L3 )0.121814 E
Tabla 43: Precisin de los pronsticos Modelo 2: AR (12).
MAE
RMSE
8.84989580
MAPE
10.42650680
7.81889023
Los datos de la Tabla 43, muestran que el porcentaje medio absoluto de error (MAPE) es del 7.82%
indicando que el pronstico se encuentra el 7.82% por encima o por debajo de los valores reales de la
serie, adems, en el Grfico 11 se evidencia un buen pronstico dado que ste sigue la tendencia
creciente de la serie.
100
150
Original
ajustado
pronosticado
50
Prendas.de.Vestir
200
1990
1992
1994
1996
1998
2000
2002
Time
Grfico11: Serie real, ajustada y pronsticos Modelo 2: AR (12).

Tabla 44: Pronsticos Modelo 3 ARMA (24,24)
Periodo
2001
enero
febrero
marzo
abril
mayo
junio
julio
agosto
septiembre
octubre
noviembre
diciembre
1
2
3
4
5
6
7
8
9
10
11
12
Pronstico
Puntual
Lmite
inferior
Lmite
Superior
89.42350
122.14756
139.24137
123.34802
135.64185
126.44620
118.57138
116.45804
119.36509
74.90398
101.05697
115.00113
101.63036
111.65126
104.05333
97.55907
95.81385
98.20309
106.7575
147.6398
168.5910
149.7066
164.7873
153.6582
144.1093
141.5503
145.0873
123.58483
127.93584
96.83916
101.67366
105.25301
79.10205
150.2180
155.5070
118.5535
En la Tabla 44, se presentan los valores de los pronsticos puntuales para el modelo ARMA (24,24)
en los periodos L=1, 2,, 12, donde se evidencia que algunos pronstico estn por encima del valor
real sobreestimando la serie, mientras que otros permanecen por debajo del valor de la serie haciendo
una subestimacin (ver valores reales en la Tabla 64) y, sus respectivos intervalos de prediccin
cuya longitud no es muy amplia, indicando que los pronsticos son precisos.
^
Y 132 (L)=exp ( 4.445629+ 0.03567331(132+ L)( 1.307806103 ) (132+ L)2 + ( 1.520595105 ) (132+ L)3 ( 5.
Donde,
^
^
^ 132 ( L1 ) +0.1166507 E
^ 132 ( L3 )0.3059620 E
^ 132 ( L11 )0.2345064 ^
E132 ( L )=0.3801143 E
E132 ( L22 ) +0.21
Tabla 45: Precisin de los pronsticos Modelo 3 ARMA(24,24)
MAE
RMSE
MAPE
16.8114100
18.6170816
14.0476348
indicando que el pronstico se encuentra el 14.05% por encima o por debajo de los valores reales de
la serie, adems, en el Grfico 12 se evidencia un mal pronstico dado que, hay un periodo en el
que pronostica muy por debajo de los valores reales de la serie que son crecientes.
100
150
Original
ajustado
pronosticado
50
Prendas.de.Vestir
200
1990
1992
1994
1996
1998
2000
2002
Time
Grfico 12: Serie real, ajustada y pronsticos Modelo 3: ARMA (24,24).

Periodo
2001
enero
febrero
marzo
abril
mayo
junio
julio
agosto
septiembre
octubre
noviembre
diciembre
L
1
2
3
4
5
6
7
8
9
10
11
12
Pronstico
Puntual
Lmite
inferior
Lmite
Superior
84.04493
118.18580
132.52748
121.55996
142.38767
136.36976
125.92458
128.98941
136.31070
69.51798
96.03560
107.33359
98.38776
115.23072
110.15534
101.58715
104.00316
109.88592
101.6075
145.4448
163.6350
150.1896
175.9448
168.8226
156.0926
159.9785
169.0900
152.23643
156.31581
122.27769
122.71747
125.99580
98.15863
188.8560
193.9321
152.3232
En la Tabla 46, se presentan los valores de los pronsticos puntuales para el modelo ARMA (24,12)
en los periodos L=1, 2,, 12, donde se evidencia que algunos pronstico estn por encima del valor
^
Y 132+L =exp ( 4.520068+ 0.02903608(132+ L)( 1.11407103 ) (132+ L)2+ ( 1.30900105 ) (132+ L)3( 4.6213
Donde,
^
^
^ 132 ( L1 ) +0.1312107 ^
E132 ( L )=0.4428144 E
E132 ( L5 )0.2520085 ^
E132 ( L11 )0.07955703 ^
E132 ( L24 ) +0.1
MAE
RMSE
9.6062179
MAPE
12.7722303
8.8050744
indicando que el pronstico se encuentra el 8.805% por encima o por debajo de los valores reales de
la serie, adems, en el Grfico 13 se evidencia un mejor pronstico que el del modelo 3, pero se
evidencia que hay un periodo en el que pronostica un poco por encima de los valores reales de la
serie, pero siguiendo la tendencia creciente de la misma.
100
150
Original
ajustado
pronosticado
50
Prendas.de.Vestir
200
1990
1992
1994
1996
1998
2000
2002
Time

Tabla 48: Pronsticos Modelo 5 AR (1)
Periodo
2001
enero
febrero
marzo
abril
mayo
junio
julio
agosto
septiembre
octubre
noviembre
diciembre
L
1
2
3
4
5
6
7
8
9
10
11
12
Pronstico
Puntual
Lmite
inferior
Lmite
Superior
84.94286
113.00385
122.70915
119.35085
131.20499
126.35613
122.34138
125.09325
131.27560
69.57196
90.52874
97.82617
95.04188
104.45418
100.58775
97.39035
99.58066
104.50204
103.7097
141.0587
153.9213
149.8773
164.8067
158.7258
153.6848
157.1422
164.9086
148.40246
157.11445
125.12128
118.13587
125.07105
99.60286
186.4234
197.3674
157.1776
En la Tabla 48, se presentan los valores de los pronsticos puntuales para el modelo AR (1) en los
periodos L=1, 2,, 12, donde se evidencia que algunos pronstico estn por encima del valor real
sobreestimando la serie, mientras que otros permanecen por debajo del valor de la serie haciendo una
subestimacin (ver valores reales en la Tabla 64) y, sus respectivos intervalos de prediccin cuya
longitud no es muy amplia, indicando que los pronsticos son precisos.
2
4.557325+0.0255150 (132+ L)(1.01588110 )(132+ L) +(1.21001910 )(132+ L) (4.2962410 )(1

)*
exp
Donde,
( 0.01037
)
2
^
^
E132 ( L )=0.4838368 ^
E132 ( L1 )
Tabla 49: Precisin de los pronsticos Modelo 5
MAE
RMSE
MAPE
8.6502325
10.3193087
7.7862907
indicando que, el pronstico se encuentra el 7.786% por encima o por debajo de los valores reales de
la serie, adems, en el Grfico 14 se evidencia un mejor pronstico que el de los modelos hasta
ahora propuestos (modelo 2, modelo 3, modelo 4), sobreestimando un poco la serie pero siguiendo la
tendencia creciente de la serie.
100
150
Original
ajustado
pronosticado
50
Prendas.de.Vestir
200
1990
1992
1994
1996
1998
2000
2002
Time
Grfico 14: Serie real, ajustada y pronsticos Modelo 5
2.7.6. Modelo 6: Ciclos AR (2,2)

Periodo
2001
enero
febrero
marzo
abril
mayo
junio
julio
agosto
septiembre
octubre
noviembre
diciembre
1
2
3
4
5
6
7
8
9
10
11
12
Pronstico
Puntual
84.96431
113.95896
127.56743
123.49724
137.16830
131.67630
128.09199
130.92178
137.79826
156.04114
165.48193
132.13585
Lmite
inferior
70.02023
91.96230
102.69501
98.80426
109.61944
105.02234
102.11406
104.30132
109.75749
124.26025
131.76755
105.20703
Lmite
Superior
103.0978
141.2170
158.4639
154.3615
171.6405
165.0948
160.6787
164.3365
173.0029
195.9503
207.8226
165.9574
En la Tabla 50, se presentan los valores de los pronsticos puntuales para el modelo ARMA (2,2) en
los periodos L=1, 2,, 12, donde se evidencia que algunos pronstico estn por encima del valor
^
Y 132+L =exp 4.557325+ 0.0255150(132+ L) ( 1.015881103 ) (132+ L)2+ ( 1.210019105 ) (132+ L)3( 4.296
Donde,
^
^
E132 ( L )=0.1004372 ^
E132 ( L1 ) +0.5289085 ^
E132 ( L2 )+ 0.3781481 a^ 132 ( L1 )0.4098947 a^ 132 ( L2 )
MAE
9.8690449
RMSE
12.5572866
MAPE
8.8626801
la serie, adems, en el Grfico 15 se evidencia un mejor pronstico que el de los modelos hasta
ahora propuestos (modelo 2, modelo 3, modelo 4), sobreestimando un poco la serie pero siguiendo la
tendencia creciente de la serie.
100
150
Original
ajustado
pronosticado
50
Prendas.de.Vestir
200
1990
1992
1994
1996
1998
2000
2002
Time

2.7.7. Modelo 7: Ciclos AR (1,1)
Periodo
2001
enero
febrero
marzo
abril
mayo
junio
julio
agosto
septiembre
octubre
noviembre
diciembre
L
1
2
3
4
5
6
7
8
9
10
11
12
Pronstico
Puntual
Lmite
inferior
Lmite
Superior
84.53953
115.32016
126.43343
123.36766
135.73989
130.76647
126.67020
129.62910
136.20332
69.34061
93.16686
101.39912
98.57958
108.26606
104.20164
100.88939
103.22095
108.44240
103.0699
142.7411
157.6484
154.3888
170.1855
164.1036
159.0389
162.7935
171.0710
154.20391
163.50846
130.35930
122.76633
130.16974
103.77783
193.6919
205.3858
163.7493
En la Tabla 52, se presentan los valores de los pronsticos puntuales para el modelo ARMA (1,1) en
los periodos L=1, 2,, 12, donde se evidencia que algunos pronstico estn por encima del valor
Y^ 132+L =exp 4.561028+ 0.024527 (132+ L ) ( 9.794142104 ) ( 132+ L )2 + ( 1.163909105 ) ( 132+ L )3 ( 4.11039
Donde,
^
^
^ 132 ( L1 )(0.316649 a^ 132 ( L1 ) )
E132 ( L )=0.714806 E
Tabla 53: Precisin de los pronsticos Modelo 7: ARMA(1,1)
MAE
RMSE
MAPE
9.4924782
12.0361811
8.5648213
la serie, adems, en el Grfico 16 se evidencia un buen pronstico pero sigue sobreestimando un
poco la serie, siguiendo la tendencia creciente de la serie.
100
150
Original
ajustado
pronosticado
50
Prendas.de.Vestir
200
1990
1992
1994
1996
1998
2000
2002
Time
Grfico 16: Serie real, ajustada y pronsticos Modelo 7: ARMA (1,1)

2.8. Validacin de supuestos
La funcin de autocorrelacin est definida as:
a ( k )=corr [ at , a t+ k ]
a , kk=corr [ at , at +k /a t+1 , at +1 , ,a t+ k1 ]
Test Funcin de autocorrelacin o ACF
Ho: a ( k )=0 vs Ha: a ( k ) 0, k=1,2, , mm=
[]
n
4
Criteriode rechazo : ^
a ( k) >
2
n
aprox .
Estadstico de prueba : ^
a ( k )
( 1n )
R . B , N 0,
Test Funcin de Autocorrelacin Parcial o PACF
Ho : a ,kk =0 vs Ha : a ,kk 0, k=1,2, , m

n
m=
,m en multiplos de 6
4
[]
aprox .
Estadstico de prueba :|^

a ,kk|
Criterio de rechazo :|^
a , kk|>
2
n
Test de autocorrelacin Ljung-Box
Ho : a ( 1 )= a ( 2 ) == a ( m) =0 vs Ha : a ( k ) 0, k =1,2, , m
m=
[]
n
,m en las cinco pruebas es 6,12, 18, 24,30
4
m
Estadstico de prueba : Q LB =n ( n+ 2 )
k=1
2
^
a ( k ) aprox . 2
m
nk
Criterio de rechazo :V P =P ( 2m Q LB ) es pequeo

Test de Normalidad
Ho:a t se distribuye normal vs H 1 :a t no se distribuye normal

Estadstico de prueba :Shapiro Wilk Valor P=valor p equeo
( 1n )
R . B , N 0,
0.1
0.0
resid.ajust2
-0.2
-0.1
0.0
-0.1
-0.2
resid.ajust2
0.1
0.2
Residuales vs. ajustados modelo2
0.2
Residuales vs. tiempo modelo2
20
40
60
80
100
120
3.8
4.0
4.2
4.4
4.6
4.8
as.numeric(fitted(modelo2))
ACF modelo2
PACF modelo2
5.0
5.2
0.05
Partial ACF
-0.2
-0.15
-0.05
0.0
-0.1
ACF
0.1
0.15
0.2
10
15
20
25
30
Lag
a^ t
10
15
20
25
30
Lag
Segn el Grfico 17, de la ACF y PACF del modelo AR (12), puede decirse que los errores de ajuste
at son Ruido Blanco, dado que no se presentan cortes en las bandas de Bartlett.
at
QLB
M
6
12
18
24
30
0.3179442
0.6734650
6.3012488
12.7801792
18.5999271
Gl
P ( 2m Q LB )
6
12
18
24
30
0.9994054
0.9999985
0.9948147
0.9696068
0.9479912
Como se muestra en la Tabla 54, todos los valores p son mayores a un nivel de significancia de
=0.05, por lo cual se puede concluir que los errores de ajuste son ruido blanco, resultado que est en
concordancia con las grficas ACF y PACF del modelo con errores AR (12).
Despus de verificar que los errores de ajuste at , son Ruido blanco, se procede a evaluar
normalidad y a realizar los respectivos pronsticos.
Tabla 55 : Test de normalidad para
Estadstico W
Valor P
Test
at
en el modelo 2
0.9913
0.5902
Shapiro-Wilk normality test
0.1
0.0
-0.1
-0.2
Sample Quantiles
0.2
Grfico Normal Residuales Modelo 2
-2
-1
Theoretical Quantiles
Grfico 18: Normalidad de
a^ t
modelo 2.
La Tabla 55 muestra que segn el Test de Shapiro-Wilk, los errores de ajuste at tienen una
distribucin normal, puesto que su valor p del 59,02% es muy alto (no se rechaza H 0 ), sin
embargo, en el Grfico 18, se observan algunos desajustes sobre los valores al inicio y al final de la
recta, posiblemente por la presencia de valores atpicos.
0.1
0.0
resid.ajust3
-0.3
-0.2
-0.1
0.0
-0.1
-0.3
-0.2
resid.ajust3
0.1
0.2
0.2
20
40
60
80
100
120
3.8
4.0
4.2
4.4
4.6
4.8
5.0
ACF modelo3
PACF modelo3
5.2
0.05
Partial ACF
-0.2
-0.15
-0.05
0.0
-0.1
ACF
0.1
0.15
0.2
10
15
20
25
30
Lag
a^ t
10
15
20
25
30
Lag
del ajuste con errores ARMA (24,24), y su ACF y PACF muestrales.
Segn el Grfico 19, de la ACF y PACF del modelo ARMA (24,24), puede decirse que los errores de
ajuste at son Ruido Blanco, dado que no se presentan cortes en las bandas de Bartlett en ninguna
de las dos figuras.
at
QLB
M
6
12
18
24
30
3.773340
4.797675
9.595262
12.084061
16.793660
Gl
P ( 2m Q LB )
6
12
18
24
30
0.7073177
0.9643974
0.9443193
0.9789444
0.9749677
De acuerdo con la Tabla 56, los valores p para at del modelo Log-Grado Cuatro Estacional con
errores ARMA (24,24) son ruido blanco, dado que son valores grandes en comparacin con un nivel
de significancia =0.05.
Tabla 57: Test de normalidad para
Estadstico W
Valor P
Test
at
en el modelo 3
0.9941
0.8648
0.0
-0.1
-0.3
-0.2
Sample Quantiles
0.1
0.2
-2
-1
a^ t
modelo 3.
distribucin normal, puesto que su valor p del 86.48% es muy alto (no se rechaza H 0 ), sin
recta, posiblemente por la presencia de valores atpicos
0.1
0.0
resid.ajust4
-0.2
20
40
60
80
100
120
3.8
4.0
4.2
4.4
4.6
4.8
5.0
ACF modelo4
PACF modelo4
5.2
0.05
Partial ACF
0.0
-0.2
-0.15
-0.1
-0.05
0.1
0.15
0.2
ACF
-0.1
0.0
-0.1
-0.2
resid.ajust4
0.1
0.2
0.2
10
15
Lag
a^ t
20
25
30
10
15
20
25
30
Lag
at
QLB
M
6
12
18
24
30
Gl
4.105182
5.215252
11.28753
17.848428
25.326066
P ( 2m Q LB )
6
12
18
24
30
0.6624448
0.9504001
0.8817591
0.8102986
0.7090360
Como se muestra en la Tabla 58, los valores p son altos, lo que indica que los errores de ajuste at
del modelo ARMA (24,12) son Ruido Blanco, al igual que se demuestra en el Grfico 21 dado que
en la ACF y PACF no se presentan cortes en las bandas de Bartlett en ninguna de las dos figuras.
at
Tabla 59: Test de normalidad para

Estadstico W
Valor P
Test
en el modelo 4
0.9913
0.5911
0.0
-0.1
-0.2
Sample Quantiles
0.1
0.2
-2
-1
a^ t
modelo 4.
distribucin normal, puesto que su valor p del 59,11% es muy alto (no se rechaza H 0 ), sin
recta, posiblemente por la presencia de valores atpicos en la serie.
0.1
0.0
resid.ajust5
-0.2
-0.1
0.1
0.0
-0.1
-0.2
resid.ajust5
0.2
0.2
20
40
60
80
100
120
3.8
4.0
4.2
4.4
4.6
4.8
ACF modelo5
PACF modelo5
5.0
5.2
0.0
Partial ACF
-0.2
-0.1
0.0
-0.2
-0.1
ACF
0.1
0.1
0.2
10
15
20
25
30
Lag
a^ t
10
15
20
25
30
Lag
Segn el Grfico 23, de la ACF y PACF del modelo 5: AR (1), puede decirse que los errores de
ajuste at no son Ruido Blanco, dado que se presentan cortes en las bandas de Bartlett en los
valores de k=11 tanto en la ACF como en la PACF, aceptando as H 0 .
M
6
12
18
24
30
at
QLB
9.206861
16.631555
27.317926
35.165145
44.028179
Gl
6
12
18
24
30
P ( 2m Q LB )
0.16227424
0.16399041
0.07322245
0.06598935
0.04741323
En la Tabla 60 se evidencia que uno de los valores p es menor que un nivel de significancia =
0.05, mientras que los dems se mantienen por encima de ese valor, aunque no por mucho, se
concluye entonces con el test Ljung-Box, que los errores no son ruido blanco, resultado que
concuerda con el anlisis basado en la Grfica 23 de la ACF y PACF para ste modelo y con el
inconveniente de la varianza no constante de las figuras de los residuales.

0.2
0.1
-0.2
-0.2
-0.1
0.0
resid.ajust6
0.1
0.0
-0.1
resid.ajust6
0.2
20
40
60
80
100
120
3.8
4.0
4.2
4.4
4.6
4.8
5.0
as.numeric(f itted(modelo6))
ACF modelo6
PACF modelo6
5.2
0.0
Partial ACF
-0.2
-0.2
-0.1
0.0
-0.1
ACF
0.1
0.1
0.2
10
15
20
25
30
Lag
a^ t
10
15
20
25
30
Lag
varianza no es constante. La ACF y PACF muestrales de estos residuales rechazan H 0 , es decir
que los errores de ajuste a^ t no son Ruido Blanco, puesto que hay cortes en las bandas de Bartlett
en k=11 tanto en la ACF como en la PACF.
M
6
12
18
24
30
at
QLB
1.141414
8.256894
16.315137
21.577086
29.078661
Gl
6
12
18
24
30
P ( 2m Q LB )
0.9796795
0.7647465
0.5705642
0.6044928
0.5134672
Como todos los valores p de la Tabla 61 son mayores que un nivel de significancia = 0.05, se
concluye con el test Ljung-Box que no se rechaza H 0 , por tanto los errores son Ruido Blanco,
contradiciendo el anlisis basado en las grficas de la ACF y PACF.
Ya que las pruebas basadas en estas grficas son muy subjetivas y sensibles a valores atpicos de la
serie, se considera ms adecuado aceptar la evaluacin de los resultados arrojados con el test de
Ljung Box concluyendo finalmente, dados unos valores P altos que los errores de ajuste at son
Ruido Blanco.
0.1
0.0
resid.ajust7
-0.2
-0.1
0.1
0.0
-0.1
-0.2
resid.ajust7
0.2
0.2
20
40
60
80
100
120
3.8
4.0
4.2
4.4
4.6
4.8
5.0
ACF modelo7
PACF modelo7
5.2
-0.2
-0.2
-0.1
0.0
Partial ACF
0.0
-0.1
ACF
0.1
0.1
0.2
10
15
20
25
30
Lag
a^ t
10
15
20
25
30
Lag
varianza no es constante. La ACF y PACF muestrales de estos residuales rechazan H 0 , es decir
que los errores de ajuste a^ t no son Ruido Blanco, puesto que hay cortes en las bandas de Bartlett
en k=11 (en ACF) y en k=11 y 24 (en PACF), aunque este ltimo valor puede obviarse por deberse
posiblemente a la presencia de valores atpicos.
at
QLB
M
6
12
18
24
30
5.598121
12.736612
20.800017
27.260807
35.934603
Gl
6
12
18
24
30
P ( 2m Q LB )
0.4696776
0.3884720
0.2896223
0.2924437
0.2102262
De acuerdo con el test Ljung-Box mostrado en la Tabla62, los valores p para el modelo con errores
de ajuste ARMA (1,1), son altos, por lo cual se concluye que los errores son ruido blanco, a pesar de
que segn las grficas de la ACF y PACF muestran lo contrario.
Tabla 63: Comparacin de los 7 modelos con AIC, BIC y MAPE
MODELO
1
2
3
4
5
6
7
DF
116
104
110
111
115
112
114
AIC
-159.7137
-188.06
-208.48
-196.55
-192.18
-194.23
-192.04
BIC
-110.7061
-104.46
-21.1
-43.76
-140.29
-133.69
-173.27
MAPE
7.7543306
7.81889023
14.0476348
8.8050744
7.7862907
8.8626801
8.5648213
VLIDO
NO
SI
SI
SI
NO
NO
NO
De la Tabla 63 se puede concluir que de acuerdo a los modelos vlidos, el mejor modelo en ajuste y
pronstico es el modelo 2, el AR (12), aunque se puede ver que no tiene el mejor AIC, pero si el
mejor BIC y MAPE.
Tabla 64: Comparacin de los pronsticos puntuales de los siete modelos propuestos.
Mes
2001
Enero
Valor
Real
Modelo
1
75.9
76.50451
Febrero
100.8
Marzo
132.5
Abril
114.6
Mayo
134.3
Junio
107.3
Julio
103.2
Agosto
133.3
Septiembr
e
Octubre
139.2
Noviembr
e
Diciembre
150.1
105.3873
5
116.1473
7
113.5399
8
124.8436
7
119.9615
3
115.7415
7
117.8377
6
123.0640
5
138.3747
6
145.6143
7
115.1391
9
148.8
128.3
Modelo 2
Modelo 3
Modelo 4
Modelo 5
Modelo 6
Modelo 7
82.7625
7
113.829
17
129.644
42
118.697
72
137.236
60
129.044
94
118.976
84
123.844
22
129.675
14
143.136
52
146.024
95
118.123
84
89.4235
0
122.147
56
139.241
37
123.348
02
135.641
85
126.446
20
118.571
38
116.458
04
119.365
09
123.584
83
127.935
84
96.8391
6
84.0449
3
118.185
80
132.527
48
121.559
96
142.387
67
136.369
76
125.924
58
128.989
41
136.310
70
152.236
43
156.315
81
122.277
69
84.9428
6
113.003
85
122.709
15
119.350
85
131.204
99
126.356
13
122.341
38
125.093
25
131.275
60
148.402
46
157.114
45
125.121
28
84.9643
1
113.958
96
127.567
43
123.497
24
137.168
30
131.676
30
128.091
99
130.921
78
137.798
26
156.041
14
165.481
93
132.135
85
84.5395
3
115.320
16
126.433
43
123.367
66
135.739
89
130.766
47
126.670
20
129.629
10
136.203
32
154.203
91
163.508
46
130.359
30
De la Tabla 64 se puede concluir que entre los modelos vlidos (modelos 2, 3 y 4) se evidencia que
como tal indica el MAPE, el mejor modelo que pronostica es el Modelo 2: AR(12) cuyos valores
oscilan alrededor de los valores reales de la serie ndice de Produccin de prendas de vestir en
Colombia, mientras que en los modelos 3 y 4 se ve un comportamiento de sobreestimacin de la
serie durante los primeros meses del ao y para los dems se ve una subestimacin de los valores
reales de la serie.
140
120
100
80
ndice de Produccin de Prendas de Vestir
160
Serie Original
Pronstico Modelo 1
Pronstico Modelo 2
Pronstico Modelo 3
Pronstico Modelo 4
Pronstico Modelo 5
Pronstico Modelo 6
Pronstico Modelo 7
2001.1
2001.2
2001.3
2001.4
2001.5
2001.6
2001.7
2001.8
2001.9
2001.10 2001.11 2001.12
Time
Grfico 26: Valores reales y pronosticados con los siete modelos (ndice de Produccin de Prendas
de Vestir).
En el Grfico 26 se corroboran los resultados de la Tabla 64, donde se compara el comportamiento

de pronstico a lo largo del tiempo de cada modelo propuesto, donde es claro que durante unos
periodos algunos de ellos permanecen por encima de la serie real y durante otros periodos
permanecen por debajo, viendo especialemente que entre los meses de junio y julio todos los
pronsticos sobreestiman a los valores reales de la serie real.
4. CONCLUSIONES Y PRINCIPALES RESULTADOS
El objetivo fundamental del presente trabajo ha sido observar cmo mediante estrategias de
modelamiento de residuales, se puede generar un comportamiento ms adecuado en las
estructuras de ajustes y pronsticos, dado que, los modelos ARMA (p, q) tratan de explicar
los comportamientos auto-regresivos que son producidos por los ciclos, permitiendo as
que la parte no explicada por los modelos de regresin ordinarios no sea descartada
incurriendo en mayores errores.
Para el anlisis del comportamiento de los modelos propuestos, es fundamental conocer si

los modelos AR y ARMA estudiados en este trabajo, son estacionarios e invertibles; puesto
que si son estacionarios se garantiza la estabilidad de los parmetros del modelo permitiendo
mejores ajustes y, si son invertibles se garantiza su capacidad de pronostico; en el caso de los
posibles modelos para representar los errores de la serie de tiempo correspondiente al ndice
de Produccin Mensual de Prendas de Vestir en Colombia, se puede ver como todos los
modelo propuestos son estacionarios e invertibles; sin embargo, no es recomendable realizar
pronsticos de largo plazo haciendo uso de modelos ARMA (p,q)
Para hacer la seleccin de los modelos, se observaron mltiples caractersticas tratando de

llegar a un proceso terico del que podan provenir los ciclos en los residuales del modelo
log grado cuatro estacional, sin embargo, no todos los modelos cumplen con tales
caractersticas, o por lo menos no de manera perfecta, por lo cual se dificulta identificar cul
de los modelos propuestos es el mejor; dado lo anterior se puede decir que a pesar de los
inconvenientes mencionados, se pudo identificar el modelo AR (12), el cual presenta el
mejor BIC y es el que ms se asemeja a la ACF y PACF del modelo Log-Grado Cuatro
Estacional, aunque no posee el mejor AIC, puede considerarse el mejor modelo para este
estudio.
En lo relacionado con la validacin de los supuestos en los que se basan los modelos
estadsticos estudiados, se puede decir que todos los modelos presentan fallas y que tanto los
ajustes como los pronsticos no son ptimos, as algunos modelos tuvieron que ser
modificados por no pasar el test de ruido blanco (Modelos 2i, 3i y 4i) y poder con las
transformaciones convertirlos en modelos vlidos (Modelos 2, 3 y 4) para este estudio.
Adems al adjudicarle un proceso ARMA (p,q) para modelar los ciclos o residuos
estructurales de la serie seguan presentando algunos patrones de varianza no constante
dados por la presencia de valores atpicos.
REFERENCIAS
[1] Departamento Administrativo Nacional de Estadstica DANE. Muestra del ndice Mensual de
Produccin Real de la Industria Manufacturera Colombiana durante el periodo Enero-1990 y el
Diciembre (columna Prendas de Vestir).
[2] Observatorio Econmico Nacional del Sector textil/confeccin-diseo y moda en Colombia.
Recuperado de:
<http://observatorioeconomico.inexmoda.org.co/Portals/0/Documentos/Biblioteca/Documento_secto
rial_OEcco_Inexmoda.pdf>
[3] Ramn Casilda Bjar. Amrica Latina y el Consenso de Washington-Boletn Econmico. Del 26
de abril al 2 de mayo de 2004. [Citado el 26 de febrero de 2013]. En Internet: <
http://biblioteca2012.hegoa.efaber.net/system/ebooks/14120/original/America_Latina_y_el_consens
o_de_Washington.pdf>.
[4] Nelfi Gertrudis Gonzlez lvarez. Notas de clase (Captulo 6 y 7), Curso Estadstica III,
Universidad Nacional de Colombia Sede Medelln.
[5] Guerrero, V. M (2003), Anlisis Estadstico de Series de Tiempo Econmicas. Mxico, D.F.
International Thomson.

Trabajo N°3 Estadistica Iii 2013

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Trabajo N°3 Estadistica Iii 2013

Încărcat de

Drepturi de autor:

Formate disponibile

Estadstica III 3009137, semestre 01 de 2013

Equipo de Trabajo No. 6

Anlisis de Series de Tiempo: Ajuste con modelos SARIMA

predecir su comportamiento futuro y as tomar decisiones mediante el anlisis de la tendencia y de

Nmero total de datos de la serie ndice de Produccin de Prendas de Vestir en Colombia

De acuerdo con el Grfico 1, se observa que la serie no tiene un comportamiento lineal y en su

Logaritmo Produccin Prendas de Vestir

Produccin Prendas de Vestir

ndice de Produccin Prendas de Vestir en Colom bia 1990.1-2001.12

En el cual las variables de la Ecuacin (1) representan respectivamente, como se muestra en la

ACF del Log (Yt)

0.2 0.4 0.6

Grfico 2: Serie en escala logartmica (

log ( y t ) ), su primera diferencia y sus respectivas ACFs.

log ( y t )= (1B ) log ( y t )=log ( y t )log( y t 1 )

rpidamente, sin embargo se sugiere tambin diferenciar estacionalmente el

logaritmo de la serie, debido a la recurrencia de los cortes cada s=12 periodos.

Diferencia regular y estacional de la serie

12 log ( y t )= (1B ) ( 1B 12 ) log ( y t )=log ( y t )log ( y t 1 )log ( y t 12) + log ( y t13 )

3. Identificacin modelos SARIMA ( p , d , q) x (P , D , Q) s

E , kk =Corr (E t , E t+ k Et +1 , E t+2 , , Et +k1)

Ho: E ,kk =0 vs Ha : E , kk 0, k=1,2, , m m=

Tabla 3: Identificacin de modelos con ACF y PACF

Analizando a profundidad el Grfico 3, en la ACF y PACF de

12 log ( y t ) , se obtienen los

Proceso Parte Estacional

Con: p=2 , q=0 , d=1.

De acuerdo a la Tabla 2. Se propone el modelo SARIMA (2,1,0) x (0,1,1)12

log ( y t )=1 ( B12)Et ; con

El cual, por extensin queda de la siguiente forma:

log ( y t ) =2 ( B ) 2 ( B12 )Et ; con

El cual, por extensin queda de la siguiente forma:

El cual, por extensin queda de la siguiente forma:

3.3. Identificacin de modelos con funcin armasubsets()

Modelo1: Como se muestra en la Ecuacin 5.

log ( t)= 0 + 1 t + 2 t + 3 t + 4 t + iI i , t + Et ; con

Los criterios para probar la significancia de los parmetros en el modelo son:

Criterio para determinar si el parmetro

Ho: 4 =0, No es significativa vs Ha: 4 0, Es significativa

Criterio para determinar si el parmetro

Criterios de rechazo de la hiptesis nula

|t 0|>t /2 (n p1) V p=P (|t (n p 1 )|>|T 0|)< valor pequeo

Ho: i=0, No es significativa vs Ha: i 0, Es significativa

Criterios de rechazo de la hiptesis nula

Vp=P (|t (np 1 )|>|T 0|) < valor pequeo

Test de significancia de la regresin

Ho: 1== 4 = 1 == 11 =0, No es significativa vs Ha: Alguno diferente de cero , Es significativa

Criterios de rechazo de la hiptesis nula

Vp=P ( f p ,(n p1)> F 0 ) < valor pequeo

Con p=15 predictores

Tabla 1:Parmetros estimados en modelo Log-Grado Cuatro Estacional

P(|t 116|>|T 0|)

R2adj =0.8105751 , Grados de Libertad: 116, MSE =

La ecuacin estimada para el modelo Log-grado Cuatro es:

^ 7=0.1320 . En promedio en cada ao, el ndice de produccin de prendas de vestir en julio,

^ 11=0.2026 . En promedio en cada ao, el ndice de produccin de prendas de vestir en

i ' s , pero los que son significativos.

m=12 periodos ( t=133 a 144 )

Las medidas de precisin para dichos pronsticos, se muestran en la Tabla 3.

3.4. Anlisis e identificacin de ciclos en los errores estructurales

es una serie dada. [4]

Un proceso de ruido es un proceso estacionario en covarianza con las siguientes caractersticas:

PACF Residuales Estructurales del modelo Log-Grado cuatro Estacional t