manual de arima eviewss 2014

Manual de Elaboracin de Pronsticos mediante la metodologa Box Jenkins (ARIMA) en Eviews: Elaborado por Herberth Solrzano 2014

Gua del Usuario. Pronsticos Univariados. Elaborado por: HESS 2014

Crear un workfile con los datos que aparecen en la pestaa Ejemplo_1 del archivo de Excel Datos ARIMA 2014.

Si nuestros datos son trimestrales elegimos la opcin de quaterly. Si nuestra muestra fuera del primer trimestre de 2001 al cuarto trimestre de 2012 y queremos pronosticar los

siguientes 4 trimestres, la muestra ser 2001q1 a 2013q4. Es decir, debemos de crear las

casillas (observaciones) en donde caer nuestro pronstico.



Luego cargamos nuestros datos. En este ejemplo, se usar el PIB trimestral de GTM en

trminos reales. El objetivo, por tanto, ser pronosticar los cuatro trimestres de 2013. Para

cargar los datos le damos data pib y pegamos los datos de Excel.



Ya con la serie en niveles. Haremos los siguientes tres pasos. Primero, convertir nuestra

serie en logaritmos, mediante la instruccin genr l_pib=log(pib).



Vemos que la serie tiene estacionalidad, por lo que necesitamos desestacionalizarla. Para

eso podemos usar cualquiera de los mtodos que EVIEWS proporciona. En este ejemplo,

utilizaremos el moving average method.



Le damos a Proc, luego seasonal adjustement y elegimos moving average method. La variable desestacionalizada es ahora l_pibsa. Independientemente del mtodo que se use, EVIEWS genera los ndices de estacionalidad de cada trimestre. Por lo que debemos

de guardar estos resultados pues nos servirn ms adelante para recuperar los datos

originales.



Para guardar la tabla le damos a freeze y luego a name. El nombre ser entonces table01.



Ahora necesitamos crear una serie que llamaremos indice_sa que tenga, en cada uno de los trimestres, los cuatro valores de nuestra tabla. Este paso requiere de marcar, copiar y

pegar cada uno de los cuatro valores de cada ao en toda la muestra, incluyendo la parte

que queremos pronosticar. As que escribimos data indice_sa y pegamos todos los valores en las 52 observaciones.



Luego de que se construy la serie en logaritmos desestacionalizada, procedemos a

convertir nuestra serie en una serie estacionaria, es decir, sin tendencia. Para esto



calcularemos nuestra variacin interanual de la siguiente forma: genr var_l_pibsa=(l_pibsa-l_pibsa(-4))*100. Recordemos que una resta de logaritmos equivale a

un cambio porcentual.

Vemos que la serie ya no tiene tendencia, no obstante, tiene un valor atpico en el 2009q2

por lo que generaremos una variable dummy para controlar este problema. Nota: Este paso

no es necesario en caso la variable no tenga valores atpicos. Lo correcto sera aplicar los

test de raz unitaria, pero la experiencia dice que, en general, podemos ver visualmente que

una serie es estacionaria al removerle la tendencia calculando algn tipo de variacin

(primera, segunda, etc.. diferencia). Ahora entonces necesitamos crear la dummy. Para eso

usamos el comando genr dummy=0 y colocamos un 1 en el 2009q2.



Ahora que ya tenemos la serie desestacionalizada, tenemos el ndice del componente

estacional y nuestra dummy, procederemos a ver el correlograma de nuestra serie

estacionaria del PIB, es decir, de nuestra serie en variacin. Para ello, abrimos la serie

var_l_pibsa, le damos view y luego analizamos el correlograma.

Esto es lo relativamente ms complicado. Quien puede establecer con mejor certeza qu

tipo de proceso ARMA es la serie, tendr mejores pronsticos. Sin embargo, la experiencia

dice que, en general, las series usualmente observan procesos AR (lo podemos ver la

partial correlation) y podramos probar con eso primero. As que en nuestro caso ser



estimar un modelo AR(1) y ver si los residuos son ruido blanco. As que procedemos a hacer click en quick y luego en estimate equation.

En el men de la regresin deber de aparecer, como es un proceso AR(1), nuestra variable

de inters, la constante, el rezago 1 de la variable dependiente (es decir, el AR(1)) y nuestra

variable dummy. As entonces escribimos var_pib c ar(1) dummy y corregimos la muestra para que la regresin utilice slo los valores en donde hay datos, es decir, entre

2001q1 y 2012q4.



Como sabemos, difcilmente tendremos siempre R cuadrados de un ejemplo de libro de

texto. La realidad supera la ficcin. As que, un R cuadrado cercano al 50%, est bien. Lo

ms importante, es que las variables sean estadsticamente significativos (prob



Como vemos, todas las barras del correlograma estn dentro de las lneas punteadas, as que

con esto podra decirnos que ya hemos obtenido un buen modelo (esto realmente, lo

sabremos expost, luego de que sepamos el verdadero dato). Si nuestros residuos son ruido

blanco, nos quedaremos con este modelo y lo grabamos dndole en name a nuestra ecuacin (el nombre ser eq01).



Veamos cmo se ajusta nuestro modelo in-sample (dentro de la muestra). Llamaremos a

nuestra variable var_l_pibsaf y veamos como se ve el ajuste de nuestro modelo.



Ya que se ajusta bastante bien a nuestra historia, utilizaremos el mismo modelo para

pronosticar fuera de muestra (out of sample). Pronosticaremos cuatro observaciones de la

siguiente manera. En el men de la ecuacin le damos forecast, se generar una variable de nombre var_l_pibsaf (se le agrega f al final de la variable para saber que es el pronstico. Como lo que realmente nos interesa es pronosticar fuera de muestra, usaremos el mismo nombre de la variable pronostica y no nos preocuparemos ms por lo que ya pas

(in sample), as que las estimaciones le caern a esta variable. Corregimos la muestra y

ponemos nicamente los valores de la muestra que se pronosticaran, es decir, los trimestres

del 1 al 4 del 2013. Se usa dynamic. El static se usa para hacer pronstico dentro de la muestra.



La variable var_l_pibsaf ahora tiene todos los valores originales de var_l_pibsa desde la observacin 1 hasta la ltima antes del pronstico (2001q1 a 2012q4) y luego de eso los

nuevos pronsticos. Podemos cerciorarnos de esto dibujando las dos series. Marcamos

primero la pronosticada y luego la original para ver de mejor forma el pronstico.

Listo, tenemos ya nuestra serie pronosticada. Sin embargo, hay que recordar dos cosas.

Primero, que hemos estado usando nuestra serie desestacionalizada, as que lo que hemos

pronosticado es la variacin interanual de nuestra variable sin el efecto estacional. No

obstante, en la realidad, necesitamos la variacin de la variable sin desestacionalizar.

Segundo, que muchas veces necesitamos no solo la variacin de nuestra variable, sino los

niveles de la misma. As que en adelante, recuperaremos el pronstico de nuestra serie

original, es decir, del PIB trimestral.



Primero, recuperaremos el logaritmo del PIB desestacionalizado a partir de nuestro

pronstico de su variacin. Para ello, escribimos lo siguiente genr l_pibsaf=l_pibsa(-4)+(var_l_pibsaf/100), as.

Ahora que ya tenemos la serie del nivel del logaritmo desestacionalizada, necesitamos

recuperar la serie del logaritmo sin desestacionalizar, pues eventualmente, esta nos dar la

serie original. As que escribimos genr l_pibf=l_pibsaf*ndice_sa.

Ahora, ya tenemos nuestra serie pronosticada en niveles del logaritmo, pero en la prctica

no trabajamos con logaritmos, as que recuperamos el nivel original as genr pibf=exp(l_pibf).



Ahora ya tenemos nuestra serie en niveles pronosticada. Estos datos podemos pegarlos en

Excel y, a partir de ah, empezar a calcular cualquier tipo de variacin que se nos requiera

(intermensual, acumulada, etc).

Estos pasos no son perfectos, ni pretenden substituir los pasos economtricos correctos de

la tcnica Box Jenkins para series univariadas, su nico objetivo es que los usuarios tengan

una primera aproximacin al pronstico con EVIEWS y que, en trminos generales, se

cumpla con los pasos ms importantes para las estimaciones.

Buena suerte

manual de arima eviewss 2014

Documents

pronsticos univariados

manual de elaboracin

metodologa box jenkins

herberth solrzano

archivo de excel datos

datos de excel

datos originales

data pib