Introducción

El Instituto Nacional de Estadísticas e Informáticas (INEI) en su función de mejorar los indicadores

económicos para satisfacer la necesidad de información en el ámbito macroeconómico, adecua
continuamente el trabajo estadístico a los estándares internacionales. Por ello, a través de la
Dirección Nacional de Cuentas Nacionales se viene realizando el cálculo de la desestacionalización
trimestral de los componentes del Producto Interno Bruto (PIB) por el enfoque de la producción
(ocho grandes actividades económicas y los Derechos de importación) y por el enfoque del gasto
(Consumo Privado, Consumo de Gobierno, Formación Brutal de Capital Fijo, Exportaciones e
Importaciones). Cabe resaltar que la desestacionalización de las existencias bajo el enfoque
anterior son determinadas por diferencia y no aplicadas directamente a dicha serie económica.

Por otra parte el proceso de desestacioanalización es aplicado a cada una de las series
componentes del PIB, para luego obtener indirectamente por agregación la serie total ajustada
por la estacionalidad del PIB bajos los dos enfoques.

Se hace énfasis en la importancia de contar con cifras desestacionalizadas para poder observar el
comportamiento real de las series económicas, descontando aquellos efectos exógenos de
naturaleza no económica que pueden ocultar las características de los fenómenos económicos. Es
así que una clara comprensión del proceso de desestacionalización, y de ciertas bases teóricas del
ajuste estacional permite tomar mejores decisiones tanto en el ámbito de las políticas públicas y
privadas.

El INEI utiliza la metodología de ajuste estacional X12 ARIMA, el cual permite estimar las
componentes no observadas de una serie sin recurrir a la especificación de un modelo estadístico,
permitiendo además identificar patrones y efectos que alteran el comportamiento de la economía
peruana. Esta metodología es aplicada con el uso del programa (software) X-12-ARIMA provisto
por la oficina del Censo (Census Bureau) de los Estados Unidos de América.

Marco Teórico
El proceso de desestacionalización está asociado el hecho de que las series de tiempo comprenden
ciertos componentes no observables que ejercen ciertos efectos o movimientos variables en la
serie económica. Estos movimientos son estacionales y pueden ser causados por el efecto
calendario cuando algunas festividades son fijas o móviles en fechas determinadas, como la
navidad y semana santa respectivamente, las estaciones del año o el clima que puede afectar
ciertos sectores económicos, periodos de vacaciones, decisiones de inversión, entre otros. Es
importante aclarar que tales hechos son considerados como factores no controlables o exógenos

1
Por ejemplo, en el sector agrícola, en el inicio del invierno se realizan las siembras y en el verano,
la recolección; esto hace que la producción de ciertos productos presentes periodos de alza y
descenso. También en los meses cercanos las fiestas navideñas, el nivel de comercio medido a
través del volumen de ventas aumentan significativamente respecto a otros meses del año.

Dado que por convención técnica no se comparan dos trimestres consecutivos en una misma serie
económica, la desestacionalización de la misma permite tal comparación a fin de la evaluación de
la coyuntura económica.

Una serie de tiempo (Yt) está conformado por los siguientes elementos:

Tendencia (Tt): representa la evolución a largo plazo de la variable sobre varias décadas. Señala la
dirección, ascendente o descendente, del movimiento de la serie sobre un periodo de muchos
años.

Ciclo (Ct): movimiento en la actividad económica superior a un año, caracterizado por fases de
expansión y contracción alrededor de la tendencia. Comprende cuatro fases: recesión, depresión,
recuperación y auge.

Estacional (St): representa fluctuaciones interanuales (mensuales, trimestrales) que se repiten en

forma más o menos regular anualmente.

Irregular (It): representa movimientos imprevistos relacionado con eventos distintos de los ya
considerados: una conmoción social, huelgas, sequias, inundaciones, etc. En este componente se
incluyen los errores estadísticos. Se asumen que tienen una distribución con media de 0 y varianza
(σ²) constante.

El Efecto Calendario

Este efecto da entender que no todos los meses presentan las mismas características debido a
que no tiene el mismo número de días hábiles. Igualmente en un mismo mes, al paso del tiempo
presenta variaciones respecto al número de días específicos de la semana que contiene. Además
existen festividades, tanto móviles como fijas, en las que la actividad económica se detiene y
aumenta en otras. Ciertas series económicas pueden ser afectadas en gran medida por la
composición diaria de un mes, por ejemplo un sábado de más o de menos en un mes, puede hacer
variar significativamente el cálculo de un índice económico.

Así la remoción de los efectos de la diferente distribución de días laborables (Rt) en una serie
permite homogenizarla para hacer comprables los mismos meses de distintos años. Respecto a
feriados de fecha móvil como las pascuas (Ht), corresponde al desplazamiento de un volumen de
actividad de abril a marzo cuando los días feriados de Semana Santa caen en marzo en lugar de
abril como es habitual.

2
En la práctica, resulta complejo distinguir la tendencia del componente cíclico. La metodología del
X12 ARIMA no separa estas dos componentes, por lo que nos referiremos a la componente
tendencia-ciclo (TCt) para fines didácticos.

Los modelos utilizados para la descomposición de una serie de tiempo son las siguientes:

Modelo Aditivo: Yt = TCt + St + Rt +Ht + It

Este asume que los componentes de la serie son independientes. En los casos en que la serie
presente valores negativos o cero, este modelo es el único aplicable.

Modelo Multiplicativo: Yt = TCt x St x Rt x Ht x It

Este asume que los componentes de la serie son interdependientes, es decir que los componentes
son proporcionales. Por tanto muestran un comportamiento correlacionado en la misma dirección
respecto a la tendencia -ciclo. Este modelo aplica una transformación logarítmica.

Metodología
I. Contrastes de presencia de estacionalidad

En esta parte el objetivo es determinar si en la serie de tiempo observada hay evidencia estadística
de un comportamiento estacional. En caso contrario, el ajuste estacional de dicha serie de tiempo
carecería de sentido y debe ser desechado.

 Aplicación gráfica

La simple observación de la representación gráfica de la serie de tiempo permite inferir si la

serie es estacional y si esta presenta una significativa variación o dispersión de sus valores
respecto a la tendencia, así como los cambios de niveles alrededor de su promedio en el
tiempo.

 La prueba F de estacionalidad estable

Esta prueba implica la descomposición de la varianza total entre aquella explicada por la
estacionalidad y la varianza residual. Su contraste se realiza a través de una prueba el
estadístico F que sigue una distribución de Fisher el cual nos indica cual de las dos varianzas
es mayor.

Así, si la hipótesis nula (Ho) es rechazada, significa que hay evidencia de que las medias de las
muestras de los trimestres son distintas y por lo tanto estamos en presencia de estacionalidad
estable. En caso contrario, no hay evidencia de estacionalidad estable.

 La prueba no paramétrica de Kruskal-Wallis

3
 Esta prueba lidia con la limitación que tiene la prueba F de estacionalidad estable, el cual
supone que el componente irregular de la serie presenta normalidad. Así, si el componente
irregular no sigue una distribución normal, entonces tal prueba estadística no es válida.

La hipótesis nula (Ho) de esta prueba es exactamente la misma a la planteada la prueba de

estacionalidad estable sólo que el contraste se realiza por un procedimiento no paramétrico.

 Contraste de estacionalidad móvil

Se plantea si el efecto de los años es el mismo en todos los años, entonces la volatilidad de la
serie es explicada por el componente estacional (efecto mes o trimestre), de modo que si la
hipótesis nula no se rechaza, estamos en presencia de una estacionalidad que es móvil a lo
largo del período de observación. Esta prueba utiliza un estadístico F con una distribución de
Fisher. En ciertos casos la estacionalidad móvil puede ser evitada al cambiar un modelo
multiplicativo por uno aditivo y viceversa.

II. Proceso de Desestacionalización

El X12 ARIMA es un método basado en promedios móviles, su utilidad es la de extender la serie un

año hacia delante, para mejorar el ajuste estacional en los últimos periodos, y logra el ajuste
estacional con el desarrollo de un sistema de factores que explican la variación estacional en una
serie.

El proceso del X12 ARIMA actúa a través de las siguientes etapas:

1. Eliminación automática de valores atípicos (outliers), y tratamiento de los efectos día

laboral, amplitud del mes, efecto Pascua, etc.

2. Extrapolación de la serie anterior en cada extremo, para lo cual se prueba los modelos
autorregresivos integrados y de medias móviles estacionales (SARIMA) en forma secuencial.
En esta etapa, si bien por defecto se aplica modelos propuestos por el programa X-12-ARIMA,
se hace uso de cierto modelos definidos a nivel usuario para ciertas series para captar un
comportamiento más adecuado de la serie.

3. Aplicación de los factores de promedios móviles a la serie extendida para obtener los
componentes estacionales, tendencia-ciclo e irregular

III. Evaluación de calidad del ajuste estacional

Una vez que se han revisado los resultados de los contrastes de estacionalidad y se concluye que la
serie se comporta de manera estacional, el siguiente paso es evaluar la calidad del ajuste
estacional.

Los estadísticos que permiten evaluar la calidad del ajuste estacional, son aquellos provistos por el
programa y consisten en un listado de once indicadores designados con la letra M seguidos de un

4
número correlativo (M1, M2,.., M11), además de la prueba Q consistente en un promedio
ponderado de los estadísticos M, que indica la bondad de ajuste1.

Estos estadísticos alcanzan valores entre cero y tres. En el caso que el estadístico M sea menor o
igual a uno la calidad del ajuste estacional que se evalúa se juzga como aceptable, entre más
cercano a cero se encuentre, es mejor. Si es superior a uno, se considera que la calidad del ajuste
estacional es deficiente.

1
Para mayor detalle del proceso de desestacionalización remitirse al X12-ARIMA Reference Manual, Version 0.3; U.S.
Census Bureau, February 28,2011.