Curso de Prediccin Econmica y Empresarial

www.uam.es/predysim Edicin 2004

UNIDAD 3: MODELOS ARIMA LECTURAS ADICIONALES 1.- Breve contexto histrico de la metodologa ARIMA. En el ao 1970 se publica una obra que habra de tener una influencia notable en los desarrollos tericos, y empricos, de la econometra, y que habra de introducir matices de indudable relevancia en la tarea de la prediccin en Economa y gestin de empresas. Dos ingenieros con formacin estadstica, George Box y Gwilym Jenkins, desarrollan una metodologa completa para el anlisis de series temporales. La obra, Time Series Anlisis: Forecasting and Control (Holden Day, San Francisco, USA), iba a tener una influencia destacada en Economa, iniciando una extensa literatura de desarrollos tericos y de aplicaciones empricas. Para comprender el gran impacto que tuvo esta nueva metodologa es til conocer el contexto histrico de su aparicin. Desde sus comienzos como disciplina cientfica, la econometra habra de prestar una atencin especial al enfoque estructural, en la bsqueda de la estructura causal subyacente en los fenmenos econmicos. Paralelamente, y ms enraizado en el campo de la estadstica, se producan desarrollos de relevancia en el campo del tratamiento de series temporales que, obviamente, tambin tenan su campo de aplicacin en economa. Trabajos como los de Holt, Winters, Brown, Harrison en las dcadas de 1950 y 1960 suponen, desde una ptica empiricista, exitosos procedimientos de prediccin con series econmicas. Tambin destacan los procedimientos de extraccin de seales. Adems, no puede olvidarse que los trabajos de investigadores Yule, Walker, Wold,... contienen, cierto es, las bases de lo que hoy conocemos como metodologa Box-Jenkins o ARIMA, auque eso s, circunscrito a series estacionarias. En la dcada de 1970 algunos hechos relevantes anticipan el inters por esta perspectiva de estudio. En primer lugar, los modelos estructurales se ven incapaces de predecir los acontecimientos de la dcada. Adems, comienza el cuestionamiento de la teora econmica al uso, el paradigma keynesiano sobre el que se sustentaban los modelos multiecuacionales, cuando no ataques directos a la lnea de flotacin, como la llamada
Pgina 1 de 3

crtica de Lucas, que cuestiona directamente la posibilidad de que, con agentes con expectativas racionales, se puedan simular polticas econmicas. En esas circunstancias Box y Jenkins proponen un marco general de anlisis de series temporales, y decimos general puesto que, a diferencia de las aportaciones previas, se permite la utilizacin de series que sin ser estacionarias, pueden ser transformadas en tales. Nacan los modelos ARIMA. Ahora bien, la proliferacin de aplicaciones del mtodo ARIMA no slo descansa en una rotunda metodologa estadstica, sino que tambin incorpora una gua de accin prctica. Efectivamente, en la metodologa Box-Jenkins son los datos los que guan a la especificacin del modelo, en lugar de la asuncin de suposiciones sobre el mismo. Desde entonces la metodologa ARIMA ha mantenido una exitosa carrera. Los buenos resultados que se obtiene en la prediccin a corto plazo han provocado la proliferacin de aplicaciones a gran cantidad de campos de la economa. Ello, adems, se ha visto favorecido por la aparicin de nuevos desarrollos que completan el anlisis inicial.

2.- Balance de la metodologa ARIMA La rotundidad del aparato metodolgico que utiliza la Metodologa ARIMA no puede ocultar los resultados de su eficacia a efectos de prediccin. Varias son las limitaciones de esta metodologa, pero de cara a su utilizacin la ms evidente es que nada nos dice de las relaciones causales existentes en la economa lo cual, cuando menos, constituye un campo de gran inters para los investigadores. Su utilizacin a efectos de simulacin es, por lo tanto, muy limitada. De hecho la tcnica no lo pretende. Slo aspira a descubrir el mecanismo subyacente que gener tales datos. Y, sin embargo, esta tcnica contina recibiendo gran atencin porque, en determinadas situaciones, nos ofrece una gua de accin muy interesante para la prediccin en economa y gestin de empresas. El propio Jenkins sealaba cuatro tipos de situaciones en las que el modelo ARIMA univariante puede resultar til: 1) Cuando sea preciso trabajar con un nmero elevado de series, lo que impide un tratamiento ms profundo, la metodologa ARIMA proporciona predicciones rpidas y poco costosas. 2) Cuando sea imposible encontrar variables relacionadas con la objeto de estudio. En ese caso la modelizacin univariante es la nica opcin.

Pgina 2 de 3

3) Cuando disponemos de series relacionadas, incluso causales, que pueden mejorar la prediccin, puede ser til la definicin de la dinmica de comportamiento temporal de la serie. 4) En una amplia variedad de aplicaciones, como etapa previa antes de pasar a modelos ms sofisticados, ya que constituye una forma idnea de filtrado de datos en un anlisis previo de la serie. Lo cierto es que el campo natural de aplicacin de los modelos ARIMA lo constituye la prediccin a corto plazo y en series con componente estacional, tanto ms til cuanto de mayor frecuencia. Es ah donde la metodologa ARIMA alcanza sus mayores ventajas a efectos de prediccin. Ahora bien, ello no puede restar validez a las tcnicas que, sin tanta rotundidad metodolgica, han sido utilizadas con gran provecho para la tarea de la prediccin. Y es bajo la ptica de la relacin coste/eficacia desde donde deben ser evaluadas todas estas tcnicas. Pues bien, bajo ese punto de vista, son mltiples las situaciones de prediccin que son razonablemente bien resueltas por las tcnicas que denominamos elementales. Se abre, pues, el camino a una utilizacin simultnea de varias tcnicas, para una posterior comparacin de resultados.

Pgina 3 de 3