Sunteți pe pagina 1din 6

ANLISIS DE LA PEA TOTAL EN LIMA

En la actualidad, la PEA en el departamento de Lima presenta una


tendencia creciente, a pesar de la desaceleracin econmica.
Aquel crecimiento viene representado por los siguiente factores:

Grfico 1

Por lo consiguiente, al observar la situacin actual y con el objetivo de


determinar un modelo adecuado que permita predecir la PEA Total de
Lima en los prximos meses, hemos utilizado el programa Eviews para
nuestra estimacin basados en la data del ao 2001 al 2016.

ANLISIS DE LA SERIE EN EVIEWS

Debido a que se observa una tendencia creciente, consideramos


pertinente sacar Logaritmo Neperiano a la serie, obteniendo el siguiente
grfico:

Grfico 2

En el Grfico 2, se observa que aparentemente la serie es estacionaria


ya que tiene una media cero.

ANLISIS DEL HISTOGRAMA


Para continuar con el anlisis evaluamos el Test de Jarque Bera para
observar si proviene de una funcin normal.
En el Grfico 3, los resultados muestran un Skewness de 0.148653 lo
cual es cercano a cero representando asimetra. Asimismo, la Kurtosis
que mide el apuntalamiento es de 2.916662, siendo cercano a 3 lo
adecuado para ser una funcin normal. Estos dos valores muestran que
la serie si cumple con la normalidad y por ello lo confirmamos con el Test
de Jarque Bera que tiene una probabilidad mayor al 5%, con lo que no
rechazamos la hiptesis nula (Ho), es decir, existe normalidad.

Grfico 3

TEST DE RAZ UNITARIA

Para analizar utilizamos el Test de Dickey Fuller Aumentado, en el que


se busca el no rechazo de la Hiptesis Nula (Ho) que representa la
estacionariedad de la serie. En el Grfico 4, la probabilidad de ese Test
es menor al 5% lo que muestra el rechazo de la Ho.

Grfico 4

EVALUACIN DE MODELOS

Para la realizacin de un modelo adecuado, analizamos el correlograma


de la serie utilizando slo 7 rezagos. En el grfico 5, se observa en la
Correlacin Parcial la existencia de un AR(1) y AR(2); y en la
Autocorrelacin se observa un MA(1).

Grfico 5

Con Constante
Para evaluar al mejor modelo realizamos las siguientes
estimaciones:

Grfico 6
Grfico 7

Grfico 8
Grfico 9

En los Grficos anteriores (6,7,8 y 9) el que representa menor Akaike y


Schwarz es el Grfico 6. Sin embargo, el Grfico 6 posee una constante
no significativa, por lo que es necesario quitar la constante de ese
modelo para realizar el anlisis correspondiente. En el Grfico 9, tambin
se observa que la constante y la variable AR (2) son no significativas.

Sin Constante
Eliminando las constantes al modelo del grfico 6 obtenemos que su
variable AR(1) si es significativa como se observa en el Grfico 10. Pero
la variable AR(2) del Grfico 11 no es significante por lo que ese modelo
queda eliminado de nuestro estudio.
Grfico 10
Grfico 11

Finalmente, evaluando los modelos hallados con y sin constante se


concluye que el mejor modelo es el AR(1) sin constante (Grfico 10), ya
que posee un menor Akaike y Schwarz.