INSTITUTO POLITCNICO NACIONAL

ESCUELA SUPERIOR DE ECONOMA

SERIES DE TIEMPO

ESTIMACIN ARIMA PARA LA

INFLACIN DE MXICO

PROFESOR: OROZCO LIRA GODFREY

CASTRO OLMOS MARA JOS
3EV09
FECHA: 18/05/15
1

INTRODUCCIN
Un modelo autorregresivo integrado de media mvil mejor conocido como
ARIMA, es un modelo que utiliza regresiones y variaciones, con el objetivo de
poder realizar una prediccin, es decir una estimacin futura vendr explicada
por los datos del pasado y en esta ocasin no ser explicada por variables
independientes.
Generalmente se expresa como ARIMA(p,q,d), en donde cada uno de los
parmetros representan los componentes del modelo, es decir, el componente
autorregresivo, integrado y de media mvil.
En el presente trabajo, la variable central en el proceso a modelar, es la inflacin
de Mxico en el periodo de 1980 al ao 2014.
Primero se procede a una serie de pruebas, desde la de raz unitaria hasta
Ramsey-reset para observar si el modelo se comporta de manera lineal y si el
mismo es eficiente, todo ello para realizar un pronstico dentro de la muestra.
Posteriormente se proceder a realizar el pronstico desde fuera de la muestra
para tres periodos y con ello se concluir la estimacin del modelo ARIMA para
la inflacin en Mxico.

De primer instante comienzo importando la serie Inflacin en el periodo de

estudio al paquete Eviews, para posteriormente analizar el comportamiento de
esta variable a travs de la grfica siguiente:

En la grfica anterior, se puede observar claramente que la variable presenta

una leve tendencia descendente, muestra un componente irregular bastante
marcado, al mismo tiempo que est generando muchos sesgos y no presenta
estacionariedad en la varianza.
Otro caso que se puede sealar es que, precisamente en los periodos en los que
Mxico ha atravesado por crisis, la inflacin ha presentado una gran alza,
principalmente en el llamado error de diciembre, en el cual el valor del peso
mexicano se redujo drsticamente, se gener un encarecimiento de los bienes y
servicios, provocando con ello este incremento de la inflacin.
Una vez analizado el comportamiento de la variable a travs del tiempo, se
observa el correlograma para poder determinar a travs del comportamiento del
rezago si la serie es estacionaria o no, es decir, si este decrece rpidamente
entonces se dice que la serie es estacionaria, si se observa que el mismo en el
correlograma decrece lentamente, entonces hablamos de una serie no
estacionaria con raz unitaria y por ltimo, si el decrecimiento es muy lento casi
nulo, entonces se habla de una serie explosiva que por lo tanto tampoco es
estacionaria.

Se observa en el siguiente cuadro que el correlograma tiene un decrecimiento

lento, por lo tanto la serie inflacin es no estacionaria y posiblemente con raz
unitaria

El proceso para volver estacionaria a una serie, es sencillamente con su primera

diferencia o las que el modelo requiera.
La tabla siguiente, muestra el correlograma con la primera diferencia de nuestra
serie:

Y se observa una buena respuesta de los componentes de la serie, pues la mayora

ya se encuentra dentro de las bandas.

En la grfica anterior, se presenta la serie con su primera diferencia, se le ha

quitado la tendencia y vemos claramente como oscila alrededor de la media, es
decir es estacionaria en media, sin embargo el proceso no es un ruido blanco y
efectivamente se puede sugerir que es raz unitaria.
Para comprobar lo anterior, procedo a realizar la prueba de raz unitaria Dickey
Fuller

Al observar la probabilidad de la prueba, la inflacin efectivamente presenta una

raz unitaria, es decir, presenta una fuerte dependencia a travs del tiempo.
Al realizar la prueba de raz unitaria Philliphs Perron, el resultado obtenido es
el siguiente;

Por lo tanto se reafirma que la serie presenta raz unitaria, las trayectorias a
las que se mueve son complicadas y su varianza tiende a ser infinita.
Por lo tanto se concluye que aplicando la primera diferencia de la serie, ser
suficiente para convertirla estacionaria y entonces se genera la serie unitaria,
es decir se elimina lo que pasa en el periodo inmediato anterior
Concluidas las pruebas de raz unitaria, ahora realizamos la estimacin sobre la
condicin estacionaria. Se comienza a trabajar con los modelos ar o ma para as
limpiar el correlograma, dependiendo de los picos que sobresalgan de las bandas
en el y para cada modelo empleado, se revisa que sean significativos y que sus
races sean menores a uno.
Los resultados del proceso anterior fueron los siguientes:

Se observa la sensibilidad de respuesta de la inflacin ante los modelos

empleados (los cuales si presentan significancia y sus races estn antes del
borde del circulo unitario), es decir que la inflacin obedece ms a una condicin
6

ar(2) y es menos sensible a un ma(16). Se presenta una independencia en la

tendencia que lleva la serie por inercia, a sus rezagos.
A continuacin se muestra el correlograma de los residuos, con los parmetros
ya dentro de las bandas y por lo tanto se dice que la serie ya es adecuada para
realizar pronsticos.

El objetivo de limpiar el correlograma se cumple, sin embargo hay prdida de

informacin porque se usa una gran amplitud de rezago y por la aproximacin que
tienen algunos elementos a las bandas se deduce que las varianzas sern altas y
por lo tanto los resultados no sern los esperados.

Revisamos la grfica para determinar la eficiencia y eficacia del modelo y

observamos que en efecto, el modelo es eficiente pues las variaciones entre los
elementos que se muestran respecto de la variable no son tan distintas entre s.

Esta grfica de las races de los modelos ar y ma empleados, nos muestra una
tendencia a un proceso no estacionario, por lo cual la eficiencia para el pronstico
ser reducida.

Al realizar la prueba de normalidad de nuestra serie, observamos en la grfica

anterior que hay volatilidad por la naturaleza de la variable a estudiar, se puede
ver claramente que la campana es leptocurtica, los residuos generados son no
normales.
8

Lo anterior muestra la prueba de correlacin serial LM de primer orden, al

observar la probabilidad de sta vemos que hay ausencia de autocorrelacin en
el componente estocstico.

Al realizar las pruebas de heterocedasticidad:

Se acepta el hecho de que nuestro modelo presenta heterocedasticidad,

respecto al resultado que arroja el test de White.
El test Arch nos muestra la correlacin de la varianza de la serie a travs del
tiempo, es decir, cmo evoluciona la variabilidad y si la serie presenta volatilidad.

Tal como lo menciona resultado anterior, si se esper aceptar la prueba de

volatilidad, debido a la leptocurtosis que present la serie y por su naturaleza.

La prueba Ramsey reset, result significativa, por lo cual podemos decir que hay
una correcta especificacin del modelo, el cual si se comporta de manera lineal.

10

Por ltimo, realizamos el pronstico de nuestra variable tomando en cuenta la

serie original, al graficar ambas series (original y pronstico) el resultado es el
siguiente:

En caso de realizar una prediccin de lo que suceder en el siguiente periodo,

respecto al comportamiento de la variable, en este caso la inflacin, si se toma
en cuenta el comportamiento que ha tenido la misma, se esperara que esta
descendiera, por lo tanto el poder adquisitivo de las personas se va a
incrementar, lo cual llevar a que se realice un mayor consumo incrementando la
demanda de bienes, lo cual a su vez en un determinado momento llevar a un alza
en la inflacin.

Para poder realizar un pronstico fuera de la muestra, el proceso es ampliar el

tamao del grupo de la serie sobre la cual se est trabajando, en este caso la
inflacin en su primera diferencia, se pronosticarn los 4 periodos siguientes, es
decir la muestra ahora ser del ao 1980 al ao 2018.
Realizamos el pronstico, y el resultado se mostrar a continuacin, con lo cual
podemos aceptar la hiptesis que se emple anteriormente de que se presentara
una baja en la inflacin.
11

CONCLUSIN
Los modelos ARIMA, nos sirven para realizar un pronstico a futuro de la serie
que se est trabajando, sin embargo, son modelos un tanto sencillos para este
tipo de situacin, debido a la perdida de informacin que se presenta al momento
de emplear los modelos para la estimacin, aunque en la realidad existen diversas
instituciones que hacen uso de ellos, para obtener muestras representativas,
debido a la practicidad que tienen este tipo de modelos.
Al estimar la inflacin de Mxico, con este modelo, se presentan ciertas
inconsistencias o dificultades debido a la naturaleza de la variable, ya que esta
suele presentar volatilidad y un componente irregular muy marcado por lo mismo,
se puede realizar un pronstico, el problema es que hay diversos componentes
que quedan fuera del modelo y por lo tanto no se asegura la precisin respecto
al pronstico que se pueda realizar.

12