Predicción en Economía - Aznar y Trivez (Extracto)

CAPITULO
METODOS NO PARAMETRIC OS DE SERIES TEMPORALES
1. Introduccion
En este capitulo vamos a pres tar atencion a un grupo de tecnicas de prediccion cumplen dos caracteristicas: Por ser metodos de series temporales, solo ble para formular las predicciones. P0r ser metodos no parametrieos, cuando atencion a una estructura estocastica obre pone que se han extrafdo las observaciones que
utilizan el pas ado de la propia variase formula un predictor no se presta la poblacion a partir de la cual se sudisponibles.
EI
criteria quese utiliza paraagrupar
estas teemcas
sera, primero,
distinguir
diferen-
completamente toda Ia infennacion muestral, Las tecnicas de estructura variable definen el predictor mediante un proceso iterativo en el que sucesivamente se va dando entrada a cada una de lasobservaciones muestrales. Bsta distineion es relevante a Ios.efectos dela interpretacion de los resultados obtenidos, ya que, -aSi como coo los metodos de estructura variable es posible definir, dentro de cada perfodo de la muestra, prediceiones con un horizonte temporal dado; eso ya no es posible COD 1.05 rnetodos de estructura fij a con los que, para los pedodos de la muestra,s61o se obtienen estimacioues de los valores de la serie, POI' 10 tanto, para los metod os de estructura variable puede pensarse en utilizer cnterios. de evaluacion para medir la capacidad predictiva dentro del periodo muestral, mientras que eso no es posible para los metodos de estrnctura fija para los que s610 puede pensarseen medidas de ajuste. Por tratarse de metodos no parametric os, la evaluacien de las tecnicas propuestas para obtener las predicciones hay que hacerla en terminos de analisis de indicadores que traten de medir algun aspecto deseable de la prediccion, pero sin que dicha evaluacion requiera
prestar-atencion a ninguna caracterfstica estocastica de la poblacion,
Para introducir los criterios no parametricos de evaluaci6n deberemos comenzar suponiendo que disponemos de T observaciones de una variable y, representando dichas observaciones como Yl' Y2' ... , YT'
tes grupos paracada uno de Ioscuatro tipos de series definidos en el capitulo 2; en segundo lugar, dentro de cada uno de estes se distinguira entre las tecnicas de estruetura fija y las teonicas de estruetura variable. Las primeras definen el predictor de una sola vez utilizando
METobos.NO
PARAMB'~RICOS DE SaRIES l'EMPORALE-S
257
Se trata, .ahora, de definir el mejor predictor, utilizando todas estas observaciones, Para ello, observaremos un proceso en el que utilizando toda la Informacion hasta el perfodo T, se generarfan 'predicciones para los H pedodos siguientes, Sea y.,(l) Ia prediccion definida para elpedodo T + 1 utilizando toda Ia informacion disponible hasta el perfodo T, siendo l=1,2 •...• H. HI criteria relevante a partir del cual se derivan las diferentss medidas de evaluaci6n es el Ilamado error de prediccion, definido como: 1= 1, 2, ...,H [6.1]
Los diferentes criterios son el resultado de la adopcion de diferentes funciones de este error de prediccion, siendo normalmente las mas utilizadas las siguientes: Cuadradedel error de prediccion: e~l) Valor absoluto del error de prediccion: le,(l)1 Valor absolute porcentual (en %) del error de prediccidn:
[e,(l:) I 100
YI+l
A partir de estas rnedidas de ajuste se definen indicadores que sintetizan Ia ejecutoria de cada tecnica de prediccion a 10largo de los H perfodos. Alternativamente, para los metodos deestructura variable tambiea pueden definirse mdicadores similares para los penodos anteriores al periodo T+ 1, efectuando el supuesto de que la base lnformativa disponible en cada caso es basta el penodo t, esto es, que y,(l) indica la prediccion para el perfodo I + 1 con base informative hasta t. Para los H perfodos extramuestrales podernos definir los siguientes indicadores no parame tri cos co ncerni entes a la calidad de las predicciones: . Error cuadratico media (ECM) [6.2] Error absolute media (EAM) EAM(R) Error ahsolutoporcentual
= 1..1:Ie (l)1 = l1:1=1 [y l-.Y(l)[ H b=l H

I ff" I.
[6.3)
media (EAPM)
[6:4]
258
METODOS DE PREDICCION EN ECONOMiA, (
Los dos primero indicadores dependen de la unidad de medida utilizada, 10 cual clificulta su aplicacion para series diferentes. Por otra parte, el ECM asigna una ponderaci6n mayor a los errores .grandes que a los pequefios, 10 cual puede estar justificado en algunas situaciones, pero .liO en otras, Para los metodos de estructura variable y para los perfodos muestrales hasta T, estos indicadores pueden redefinirse, suponiendo un horizonte temporal de un perfodo, asf: ECM EAM
~2 -- 1 kJ et(l) T - 1 t=1
T-I
T-I
=
.
~( -- 1 kJ Yt+1- yP) '!1 , T - 1 t=1

A
1'-1
[6.5]
= _1_ L lep) 1= _1_ L IYt+(

T- 1
t=l
T-l
T- 1
- y,(I)
J
'=1
[6.6]
EAPM = _1_
T- 1
L1Ie,(1) I 100= _1_ L

1=1
IY'+1 -
YP)
Yl+l
T- 1
1=1
Y'+l
100
[6.7]
Para los metodos de estructura fija que, como ya hemos dicho, dentro del perfodo muestral no suministran predicciones sino estimaciones, utilizaremos los tres mismos indi. cadores, ECM, EAM Y EAPM, para evitar confusi6n tenninol6gica, pero sin olvidar que se trata de simples medidas de ajuste y no de indicadores de evaluaci6n de la capacidad predictiva.
2.
Metodos no parametricos para series tipo 1: metodoingenuo, media simple, medias moviles y alisado exponencial
Como hemos indicado en el capftulo 2, la serie tipo 1 tiene la siguiente estructura: [6.8]
constante y u1 es un ruido blanco con varianza (J'~. De cara a la predicci6n, los dos terrninos de la derecha tienen un papel muy diferenteo El primer termino, [30' tiene una pauta, el ser con stante, que puede identificarse a partir de los datos; el segundo termino, por ser un ruido blanco, no tiene una pauta de comportamiento estable de un perfodo a otro que pueda utilizarse para realizar la predicci6n. Para este tipo de series resultan de utilidad cuatro tecnicas de predicci6n diferentes: metodo ingenuo, media simple, medias rnoviles y alisado exponencial. donde
/30 es una
2.1.
METODO INGENUO
El metodo ingenuo esta bas ado en una regia poco sofisticada que permite una obtencion simple de la prediccion. Entre las posibilidades que existen, nosotros, teniendo en cuenta el tipo de serie, utilizaremos la regia consistente en predecir el valor de la serie en un perfodo con el valor que la serie ha tornado en el periodo anterior. Es decir:
METODOS NO PARAMETRICOS DE SERIES TEMPORALES

CUADRO
259
6.1.
Seriel. Metoda ingenuo

Ee EA
EAP
Error
Serie
Predicci6n
predicci6n
Estodistlcos
I 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
6,58 5,11 6,32 6,36 5,88 5,7 6,18 5,28 6,1 5,74 5,1 6,08 6,28 5,4 5,72 6,35 6,15 5,74 6,44 6,09 6,33 5,68 5,95 5,98 5,08 5,36 6,62 5,32 5,3 5,89 5,91 6,48 6,07 6,72 5,9 6,04 6,41 6,48 6 6,35 5,81 6,32 6,41 6,67 5,53 5.6 5,93 4,89 5,83 5,31 6,6 5,42 6 5,7 6,26 6,15 5,65 5,28 6,68 5,94
6,58 5,11 6,32 6,36 5,88 5,7 6,18 5,28 6,1 5,74 5,1 6,08 6,28 5,4 5,72 6,35 6,15 5,74 6,44 6,09 6,33 5,68 5,95 5,98 5,08 5,36 6,62 5,32 5,3 5,89 5,91 6,48 6,07 6,72 5,9 6,04 6,41 6,48 6 6,35 5,81 6,32 6,41 6,67 5,53 5,6 5,93 4,89 5,83 5,31 6,6 5,42 5,42 5,42 5,42 5,42 5,42 5,42 5,42
-1,47 1,21 0,04 -0,48 --0,18 0,48 -0,9 0,82 --0,36 -0,64 0,98 0,2 -0,88 0,32 0,63 -0,2 -0,41 0,7 --0.35 0,24 -0,65 0,27 0,D3 -0,9 0,28 1.26 -1,3 --0,02 0,59 0,02 0,57 -0,41 0,65 -0,82 0,14 0,37 --0,48 0,35 -0,54 0,51 0,09 0,26 -1,14 0,07 0,33 -1,04 0,94 -0,52 1,29 -1,18 0,58 0,28 0,84 0,73 0,23 -0,14 1,26 0,52
om
0,00 0,81 0,08 1,59 1,69 0,00 0,35 0,00 0,32 0,17 0,42 0,67 0,D2 0,14 0,00 0.23 0,12 0,29 0,26 0,D1
om
2,16 1,46 0,00 0,23 0,D3 0,23 0,81 0,67 0,13 0,41 0,96 0,04 0,77 0,10 0,40 0,04 0,17 0,49 0,12 0,06 0,42
1,47 1,21 0,04 0,48 0,18 0,48 0,90 0,82 0,36 0,64 0,98 0,20 0.88 0,32 0,63 0,20 0,41 0,70 0,35 0,24 0,65 0,27 0,D3 0,90 0,28 1,26 1,30 0,02 0,59 0,02 0,57 0,41 0,65 0,82 0,14 0,37 0,48 0,35 0,54 0,51 0,D9 0,26 1,14
om
om
1,30 0,00 0,11 1,08 0,88 0,27 1,66 1,39 0,34 0,08 0,71 0,53 0,05 0,D2 1,59 0,27
om
0,33 1,04 0,94 0,52 1,29 1,18 0,58 0,28 0,84 0,73 0,23 0,14 1,26 0,52
28,77 19,15 0,63 8,16 3,16 7,77 17,05 13,44 6,27 12,55 16,12 3,18 16,30 5,59 9,92 3,25 7,14 10,87 5,75 3,79 11,44 4,54 0,50 17,72 5,22 19,03 24,44 0,38 10,02 0,34 8,80 6,75 9,67 13,90 2,32 5,77 1.08 8,00 5,51 9,29 8,07 1,40 3,90 20,61 1,25 5.56 21,27 16,12 9,79 19,55 21,77 9,67 4,91 13,42 11,87 4,07 2,65 18,86 8,75
ECM=0,47 ECM(8) = 0,45 EAM=0,56 EAM(8) = 0,57 EAPM=9,66 EAPM(8) = 9,28
260
6,S 6,6 6,5
METODOS DE PREDICCION EN ECONOMiA, I
6,71 6,4
t
t
I
6,3' I 6,2 I 6,1-
6·
5,9
5,S·
5,7 5,6 5,5
5,4
5,3 5,2 5,1
5
4,9
4,S+++I+'+'+I+'~I'~I~I~'~I~';141~1+1+1+1+'+I+'+I~II~I~;H1H141;1;'+1+1+1+1+'+1+1+1+1~1~, IHI~'lrll;'+I+I+I+t~+·+j+I+;II~
13
17
•
21
Serie
25
29
+
33
37
41
45
49
53
57
Predicci6n
FIG. 6.1.
Serie 1. VaZores reales y predichos mediante el metodo ingenuo.
7 6 5
4
3 2
-2 1
IIIIIIIIIIIIIIIII
t • I I I ~I I
13
17
21
25
r lit 29
I 1 I I • I 'j I , I I I .·1
J~
I 1--H4-+-+-t-t-f-f-++-
33
+
37
41
45
49
53
57
Error de predicci6n FIG.
Predicci6n
6.2.
Serie 1. Metoda ingenuo. Predicciones y errores de prediccion.
261
[6.9]
Cuando llegamos al ultimo periodo de la muestra puede escribirse:
y, analogamente, para los penodos sucesivos se generaliza el metodo ingenuo definiendo la prediccion no a partir de la observacion del perfodo anterior, sino a partir del valor que toma la serie en el ultimo perfodo para el que se dispone de observacion: Y-Al) =h
A
l=2,
...,H
[6.10]
Los resultados de la aplicacion de este metodo a los 60 valores generados de la serie 1 pueden verse en el cuadro 6.1 y en las figuras 6.1 y 6.2. Comentarios al cuadro 6.1 Hay que destacar, en primer lugar, que en este cuadro, como en los que siguen, se considerara que el periodo muestral abarca desde la primera observacion hasta la 52; las ocho observaciones comprendidas entre la 53 y la 60 seran consideradas como el periodo extramuestral. La diferencia radica en que para obtener la prediccion para los valores del pedodo extramuestral, solo se utiliza la informacion disponible hasta el perfodo 52. Ademas, a la hora de evaluar las diferentes tecnicas prestaremos una atencion especial a la ejecutoria de cada una de ellas en estos ocho perfodos. Concretamente para estos perfodos aplicaremos las expresiones [6.2], [6.3] y [6.4], mientras que para los periodos muestrales aplicaremos las enunciadas en [6.5], [6.6] y [6.7]. La estructura del cuadro es la siguiente. Los valores de la serie aparecen en la segunda columna y la prediccion y el error de prediccion en la tercera y cuarta, respectivamente. Observese que para el perfodo muestral siempre se considerara la prediccion (y, consecuentemente, el error de prediccion) un perfodo hacia adelante. En la quinta columna figura el cuadrado del error de prediccion, en la sexta su valor absoluto y en la septima dicho valor absoluto en porcentajes respecto al valor real de la variable. Por ultimo, en la octava columna aparecen los valores de los tres estadisticos utilizados para evaluar el comportamiento de la tecnica de prediccion, distinguiendo el perfodo muestral y extramuestral; este ultimo se indica con un 8 dentro de un parentesis, Las predicciones, hemos dicho, aparecen en la tercera columna. Asi, tenemos:
yP) = 6,58
A
que es la prediccion del valor del perfodo 2 utilizando la informacion del perfodo 1. De la misma forma, para el penodo 3:
y asi sucesivamente para todos los periodos de la muestra. Analogamente, para los perfodos extramuestrales se obtiene:
262
METOD OS DE PREDICCION EN ECONOMiA, I
YS2(1) = 5,42
/\
siendo esta la prediccion que se mantiene hasta el perfodo 60; esto es: 1= 1, 2, ..., 8 El enol' de prediccion aparece en la cuarta columna. Para el periodo 2 se obtiene:
Asimismo, para el primer perfodo extramuestral se tiene:

es2(1) = YS3 - YS2(1) = 6 - 5,42 = 0,58
/\
y, en general:
La interpretacion del contenido de las columnas quinta, sexta y septima es inmediataoAsi, para el penodo 2 el valor del EAP en la septima columna se obtiene como sigue:
Ie 1(1) I .
Y2
100 = 1,47 . 100 = 2877 5,11 '
y para el primer perfodo extramuestral:
100
= 0,58
6
. 100
= 9,67
En 10 que respecta a los estadisticos, su calculo es inmediato teniendo en cuenta el contenido de la seccion anterior. Asi, tenemos que:
ECM
L
1=1
51
e;(l)
51
= 0,47
= 0,45
ECM (8) =
L
[=1
e;2(l)
pudiendose calcular analogamente los otros dos estadfsticos. En la figura 6.1 pueden verse las representaciones graficas de los valores de la serie original y los valores predichos; observese que esta ultima es una copia de la primera pero despues de retardarse un periodo.
263
En la figura 6.2 aparecen la predicci6n y los errores cometidos; puede apreciarse c6mo estes giran en tomo a cero sin ninguna pauta estable que pueda identificarse. 2.2.
MEDIA SIMPLE
La media simple es un metodo de estructura fija que consiste en definir el predictor como la media de los valores de la serie en el perfodo muestral. Podemos escribir esta media como:
y=
LY
t=I
52
52
Esta media se interpreta como una aproximaci6n a [30' ya que la suma de los valores correspondientes a una variable que es ruido blanco es cero. Asf pues, la predicci6n para cualquier perfodo muestral es:
y para los perfodos extramuestrales:
y.Jl) 6.2. Comentarios al cuadro 6.2
=Y
1= 1, 2, ..., 8
Los resultados de la aplicaci6n de este metodo a la serie 1 pueden verse en el cuadro
Por tratarse de un metodo de estructura fija, a la tercera columna Ie corresponde al encabezarniento «estimaci6nJpredicci6n» para indicar que los 52 primeros valores de dicha columna son estimaciones, y solamente los ocho ultimos son realmente predicciones. Asf, la estimaci6n para el perfodo 1 es:
y para los perfodos extramuestrales, las predicciones son:
Ysil) = y = 5,94,
El error para el perfodo 1 es:
l = 1,2, ..., 8
ur = Yr - Yr = 6,58 - 5,94 = 0,64

y para los perfodos extramuestrales, el error de prediccion es:
264
METODOS DE PREDICCrON EN ECONOMIA, I

CUADRO Estimacion/ prediccion
6.2.
Seriel . Media simple

EC EA EAP Estadisticos ECM= 0,22 ECM(8) 0,16 EAM=0,39 EAM(8) 0,31 EAPM= 6,64 EAPM(8) 5,31
sene
1 2 3 4 5 6 7 8 9 10
II
Error prediccion
12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
6,58 5.11 6,32 6,36 5,88 5,7 6,18 5,28 6,1 5,74 5,1 6,08 6,28 5,4 5,72 6,35 6,15 5,74 6,44 6,09 6,33 5,68 5,95 5,98 5,08 5,36 6,62 5,32 5,3 5,89 5,91 6,48 6,07 6,72 5,9 6,04 6,41 6,48 6 6,35 5,81 6,32 6,41 6,67 5,53 5,6 5,93 4,89 5,83 5,31 6,6 5,42 6 5,7 6,26 6,15 5,65 5,28 6,68 5,94
5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94 5,94
0,64 -0,83 0,38 0,42 -0,06 -0,24 0,24 -0,66 0,16 -0,2 -0,84 0,14 0,34 -0,54 -0,22 0,41 0,21 -0,2 0,5 0,15 0,39 -0,26 0,01 0,04 -0,86 -0,58 0,68 -0,62 -0,64 -0,05 -0,03 0,54 0,13 0,78 -0,04 0,1 0,47 0,54 0,06 0,41 -0,13 0,38 0,47 0,73 -0,41 -0,34 -0,01 -1,05 -0,11 -0,63 0,66 -0,52 0,06 -0,24 0,32 0,21 -0,29 -0,66 0,74
0,41 0,69 0,14 0,18 0,00 0,06 0,06 0,44 0,03 0,04 0,71 0,Q2 0,12 0,29 0,05 0,17 0,04 0,04 0,25 0,02 0,15 0,07 0,00 0,00 0,74 0,34 0,46 0,38 0,41 0,00 0,00 0,29 0,Q2 0,61 0,00 0,01 0,22 0,29 0,00 0,17 0,Q2 0,14 0,22 0,53 0,17 0,12 0,00 1,10 0,01 0,40 0,44 0,27 0,00 0,06 0,10 0,04 0,08 0,44 0,55 0,00
0,64 0,83 0,38 0,42 0,06 0,24 0,24 0,66 0,16 0,20 0,84 0,14 0,34 0,54 0,22 0,41 0,21 0,20 0,50 0,15 0,39 0,26
O,QI
0,04 0,86 0,58 0,68 0,62 0,64 0,05 0,Q3 0,54 0,13 0,78 0,04 0,10 0,47
0,54
0,06 0,41 0,13 0,38 0,47 0,73 0,41

0,34
9,73 16,24 6,01 6,60 1,02 4,21 3,88 12,50 2,62 3,48 16,47 2,30 5,41 10,00 3,85 6,46 3,41 3,48 7,76 2,46 6,16 4,58 0,17 0,67 16,93 10,82 10,27 11,65 12,08 0,85 0,51 8,33 2,14 11,61 0,68 1,66 7,33 8,33 1,00 6,46 2,24 6,01 7,33 10,94
?AI
0,01 1,05 0,11 0,63 0,66 0,52 0,06 0,24 0,32

0,21
0,29 0,66 0,74 0,00
6,07 0,17 21,47 1,89 11,86 10,00 9,59 1,00 4,21 5,11 3,41 5,13 12,50 11,08 0,00
265
6,8
6,7
6,6
6,5
6,4
6,3
6,2 6,1
6" 5,9
5,8 5,7
5,6 5,5 5,4 5,3 5,2 5,1
5
4,9
4,8~~~~~~~++"!~1+1+1+1+1+1+1+1+1+1+1+1+1+1+1+1+1+1+1+1+1+1+1+I+I+I+I+I+I+I+I+I+I+I~I+I~I~I~I~I~I I~
13
17
•
21
Serie
25
29
+
33
37
41
45
49
53
57
Predicci6n
FlO.
6.3.
Serie 1. Valores reales y predichos mediante media simple.
8 7 6
54
3 2
-2 1 5
II
13
I I IIII " 1111111111"
17
21
25'
29
33
.'1I-H~I"
37
41
45
i, III f II I H-+-I>-
49
53
57
Error de predicci6n
Predicci6n
Ftc, 6.4.
Serie 1. Media simple. Predicciones y errores de prediccion.
266
METODOS DE PREDICCION EN ECONOMIA, I
1=1,2,
... ,8
Los estadisticos se calcu1an de la misma forma ya indicada, pero teniendo en cuenta que para e1 perfodo muestra1 el sumatorio comienza en 1 y no en 2. En la figura 6.3 se representan graficarnente los valores reales de la serie y los predichos, mientras que en la figura 6.4 pueden verse los errores de prediecion; se aprecia como giran en torno a cero aunque aparecen eries de valores consecutivos COil el mismo signo, 10 cual puede indicar algun problema Con Ia parte aleatoria. 2.3.
MEDIAS MOVILES
El metodo de medias moviles es un metodo de predicci6n de estructura variable que define la predicci6n como la media simple de unos cuantos perfodos muestrales previos al que corresponde la prediccion. La diferencia COil el metoda anterior es que no utiliza todas las observaciones muestrales, sino solo lUI mimero reduoido de ellas, precisamente las que esU1Dmas proximas, A este mimero de observaciones quese utiliza para definir la media se le llama longisud de la media movil y 10 indicaremos por k. El predictor que corresponde al metodo de medias moviles de longitud k puede escribirse como:
MM(k):
yP) =k~YI-i
1'"
k-I
[6.11]
Par tratarse de un metodo de estructura variable la aproximacion a /30 guiendo un proceso iterativo en el que la prediccion para cada perfodo se obtiene la calculada para el perfodo anterior, introduciendo la informacion mas pr6xima derando la informaci6n mas lejana. Esto se logra escribiendo [6.11] de forma mediante la Hamada ecuacion de actualizacion que toma la forma siguiente:
se hace sia partir de y no consialternativa,
[6.12]
Prueba.
A partir de [6.11] podemos escribir:
Conviene diccion:
destacar
las dos caracteristicas
siguientes
res pee to a este metodo
de pre-
a) En primer lugar, para poder definir la prediccion con este metodo es preciso disponer de un mimero de observaciones previas igual a la longitud elegida; por otra parte, el ntimero de perfodos de la longitud es el mimero de periodos iniciales para los que no puede definirse la prediccion,
267
b) En segundo lugar, no puede hablarse de un metodo de medias moviles, sino de tantos metodos cuantos sean las longitudes que pueden fijarse. En general, podemos decir que cuanto menor sea la Iongitud mas sensible sera la predicci6n a los valores recientes de la serie y, viceversa, cuanto mayor sea la longitud, menos sensible 0 mas alisada sera la predicci6n.
Observese, asimismo, que cuando se fija una longitud igual aI, este metodo coincide con el metodo ingenuo desarrollado en el apartado 3.1. Ilustraremos algunos de estos resultados con el contenido del cuadro 6.3.
Comentarios al cuadra 6.3
Por tratarse de datos trimestrales hemos optado por tomar una longitud de 4, es decir, k = 4. La prediccion para el perfodo 5 realizada desde el perfodo 4 viene dada por:
La prediccion para el perfodo 53 realizada desde el periodo 52 es: (1)
Y52
= Y52 + Y51 + Y50 + Y49 =

4
5,79
siendo esta la prediccion realizada para el resto de los periodos extramuestrales hasta el perfodo 60.
Por otra parte, el error de prediccion para e1periodo 5 es:
y para el perfodo 53:
Los estadisticos se calculan de la forma indicada pero teniendo en cuenta que, para el perfodo muestral, el sumatorio comienza en 4, es decir:
ECM = _1
48
L e;(l)
t=4
51
Y 10 mismo para EAM y EAPM. En la figura 6.5 aparecen los valores reales y los predichos y en la figura 6.6 los errores de prediccion; como puede apreciarse, estos errores giran en tomo a cero sin ninguna pauta definida.
268
METODOS DE PREDICCION EN ECONOMfA, [

CUWRO
6,3,
Serie 1, Medias moviles (k = 4)

EC
Serie
Prediccion
Error prediccion
E.~
EAP
Estadisticos
t 2
3
4 5 6 7 8 9 10
11
12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
6,58 5,11 6,32 6,36 5,88 5,7 6,18 5,28 6,1 5,74 5,1 6,08 6,28 5,4 5,72 6,35 6,15 5,74 6,44 6,09 6,33 5,68 5,95 5,98 5,08 5,36 6,62 5,32 5,3 5,89 5,91 6,48 6,07 6,72 5,9 6,04 6,41 6,48 6 6,35 5,81 6,32 6,41 6,67 5,53 5,6 5,93 4,89 5,83 5,31 6,6 5,42 6 5,7 6,26 6,15 5,65 5,28 6,68 5,94
6,09 5,92 6,07 6,03 5,76 5,82 5,83 5,55 5,76 5,80 5,72 5,87 5,94 5,91 5,99 6,17 6,11 6,15 6,14 6,01 5,99 5,67 5,59 5,76 5,60 5,65 5,78 5,61 5,89 6,09 6,29 6,29 6,18 6,27 6,21 6,23 6,31 6,16 6.12 6,22 6,30 6,23 6,05 5,93 5,49 5,56 5,49 5,66 5,79 5,79 5,79 5,79 5,79 5,79 5,79 5,79
-0,21 -0,22 0,11 -0,75 0,34 -0,08 -0,73 0,53 0,53 -0,40 0,00 0,48 0,21 -0,17 0,45 -0,08 0,22 -0,47 -0,19 -0,03 -0,91 -0,31 1,03 -0,44 -0,30 0,24 0,13 0,88 0,18 0,63 -0,39 -0,25 0,23 0,21 -0,21 0,12 -0,50 0,16 0,29 0,45 -0,77 -0,63 -0,12 -1,04 0,34 -0,25
I,ll
-0,24 0,21 -0,09 0,47 0,36 -0,14 -0,51 0,89 0,15
0,05 0,05 0,01 0,56 0.12 0,Ql 0,53 0,28 0,28 0,16 0,00 0,23 0,05 0,Q3 0,20 0,Ql 0,05 0,22 0,Q3 0,00 0,82 0,10 1,06 0,19 0,09 0,06 0,Q2 0,77 0,03 0,40 0,16 0,06 0,05 0,05 0,04 0,01 0,25 0,03 0,08 0,20 0,60 0,40 0,02 1,09 0,12 0,06 1,23 0,06 0,04 0,Ql 0,22 0,13 0,02 0,26 0,79 0,Q2
0,21 0,22 0,11 0,75 0,34 0,08 0,73 0,53 0,53 0,40 0,00 0,48 0,21 0,17 0,45 0,08 0,22 0,47 0,19 0,Q3 0,91 0,31 1,03 0,44 0,30 0,24 0,13 0,88 0,18 0,63 0,39 0,25 0,23 0,21 0,21 0,12 0,50 0,16 0,29 0,45 0,77 0,63 0,12 1,04 0,34 0,25
I,ll
0,24 0,21 0,09 0,47 0,36 0,14 0,51 0,89 0,15
3,61 3,82 1,86 14,20 5,57 1,31 14,22 8,63 8,36 7,41 0,09 7,56 3,46 2,87 6,99 1,31 3,55 8,27 3,11 0,54 17,81 5,83 15,52 8,27 5,57 4,07 2,16 13,50 2,88 9,41 6,69 4,18 3,55 3,28 3,46 1,85 8,61 2,53 4,52 6,71 13,97 11,29 2,07 21,32 5,87 4,76 16,82 4,38 3,50 1,58 7,51 5,85 2,48 9,66 13,32 2,53
ECM=0,23 ECM(8) = 0,19 EAM= 0,39 EAM(8) = 0,35 EAPM=6,62 EAPM(8) = 5,80
269
6,8 6,7 6,6 6,5 6,4
6,3· 6,2 6,1

6
5,9 5,8 5,7

5,6 5,5 5,4
5,3 5,2 5,1 5 4,9

4,8 1
11111
r 111111111'111111,11111,1111111,'
13
17 21
• Serie
25
29
+
33
37
41
45
49
'i I j 1111;;'
53
57
Prediccion
FIG.6.S.
Serie l, Valores reales y predichos mediante medias m6viles (k = 4).
6 5 4 3 2
-2+44444~44~44~~++++++++++++++TT++++++++++++·~I+I+I+I+'+I+1+I+I+'+I+I~I~~
13
17 21
25
29
33
37
41
45
49
53
57
Error de predlccion FIG.
Prediccion
6.6.
Serie 1. MM (k = 4). Predicciones y errores de predicci6n.
270
7 6,9 6,8 6,7 6,6 6,5 6,4 6,3 6,2 6,1 6 5,9-
METODOS DE PREDlCCION EN ECONOMIA, I
5,8
5,7 5,6 ' 5,5 5,45,3 5,2 5,1
5
1
11"1"
""
I,!,
M-++-H
I"
25
j j ,,'
II
111,1"
"1'1
I II,
"
'I
II
,.
13
17
•
21
29
33
+
37
41
45
49
53
57
MM (12)
MM (4)
'=
FIG. 6.7.
Serie 1. Predicciones mediante medias moviles (k
4 y 12).
Los calculos se han repetido para longitudes diferentes a 4. En concreto, en el cuadro 6.4 pueden verse los resultados de los tres estadfsticos que venimos considerando para k = 2, 4 y 12.
CUADRO
6.4.
Serie 1. Medias moviles. Analisis

EAM
comparado
EAPM EAPM(8)
Madero
ECM
ECM(8)
EAM(8)
MM(2) MM(4) MM(12)
0,30 0,23 0,25
0,16 0,19 0,16
0,46 0,39 0,41
0,32 0,35 0,32
7,55 6,62 7,07
5,32 5,80 5,31
De estos resultados no puede extraerse una conclusi6n definitiva, aunque si s610 prestamos atenci6n al periodo extramuestral, el metodo con longitud 12 parece el mas satisfactorio. POl' .otra parte, Y pOl'10 que respecta a la influencia que tiene la elecci6n de la longitud en el alisamiento de la prediccion, esta puede apreciarse en la figura 6.7, en la que se comparan graficamente las predicciones obtenidas con k = 4 y k = 12, observandose que la correspondiente a k = 12 es mucho mas alisada.
271
2.4.
AUSADO
EXPONENCIAL
EI metodo de alisado exponencial es un metodo de estructura variable que define la prediccion mediante una suma ponderada de todos los valores previos de la serie al perfodo para el que se formula la prediccion, La prediccion puede escribirse como:
y/l)
= os, + ex(1
- ex)
Yr-l
+ ex(1 - ex) Yt-2 + ...= ex
~ k.J
;=0
(1 - ex) Yt-i
[6.13]
donde ex es una con stante arbitraria cuyo valor esta comprendido entre 0 y 1. Eso significa que la ponderacion dada a una observacion pasada se va haciendo menor cuanto mas alejada esta esa observacion del perfodo para el que se realiza la prediccion, Al igual que el metodo de medias moviles, el metodo de alisado exponencial, cuando define el predictor, pondera no todos los val ores muestrales como el metodo de media simple, sino solo los valores previos al perfodo para el que se hace la prediccion. Pero frente al metodo de medias moviles mantiene dos diferencias importantes; en primer lugar, pondera todos los valores previos y no solo un mimero reducido de ellos; y, en segundo lugar, las ponderaciones asignadas a cada uno de estos valores previos son diferentes. Como metodo de estructura variable que es, tambien es posible obtener la prediccion mediante una ecuacion de actualizacion en la que la prediccion para un penodo se expresa como una suma ponderada de la prediccion hecha para el perfodo anterior y la observacion mas reciente. Esta ecuacion de actualizacion, que nos proporciona una forma alternativa a [6.13], puede escribirse: Y/l)
Prueba y,(I)
A
= ayt
+ (1 - a) Yt-l(1)
[6.14]
= ay, + a(I -
a) Y,-l + a(I - a)2 Y'-2 + ... = ay, + (1- a) [aY'_1 + a(I - a) Y,-2 ...
J=
= ay, + (1- a)
y,jl)
(c.q.d.)
Alternativamente,
la prediccion
puede expresarse
en forma de 10 que se llama mode-
10 con mecanismo de correccion de error, que puede escribirse como:

[6.15] donde:
Prueba.
Es directa reescribiendo [6.14].
A partir de [6.15] se aprecia que la prediccion obtenida mediante el metodo de alisado exponencial para un penodo es igual a la prediccion realizada para el penodo anterior mas una parte del error de prediccion cometido en ese perfodo anterior. Cuanto mayor sea la constante ex, mayor sera la importancia asignada a ese error de prediccion, Por otra parte, cuanto mayor es esa constante, mas ponderacion se asigna a los val ores proximos al perfodo
272
METODOS
DE PREDlCCI6N
EN ECONOMfA,
CUADRO
6.S.
ENOl"
Alisado exponencial (a:o 0,2)

EC EA EIIP
Estadfsticos
Selie
Prediccton
prediccion
I 2 3 4 5 6 7
8
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
2S
26
27
28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
6,58 5,11 6,32 6,36 5,88 5,7 6,18 5,28 6,1 5,74 5,1 6,08 6,28 5,4 5,72 6,35 6,15 5,74 6,44 6,09 6,33 5,68 5,95 5,98 5,08 5,36 6,62 5,32 5,3 5,89 5,91 6,48 6,07 6,72 5,9 6,04 6,41 6,48 6 6,35 5,81 6,32 6,41 6,67 5,53 5,6 5,93 4,89 5,83 5,31 6,6 5,42 6 5,7 6,26 6,15 5,65 5,28 6,68 5,94
6,58 6,29 6,29 6,31 6,22 6,12 6,13 5,96 5,99 5,94 5,77 5,83 5,92 5,82 5,80 5,91 5,96 5,91 6,02 6,03 6,09 6,01 6,00 5,99 5,81 5,72 5,90 5,78 5,69 5,73 5,76 5,91 5,94 6,10 6,06 6,05 6,12 6,20 6,16 6,20 6,12 6,16 6,21 6,30 6,15 6,04 6,02 5,79 5,80 5,70 5,88 5,79 5,79 5,79 5,79 5,79 5,79 5,79 5,79
-1,47 0,03 0,07 -0,43 -0,52 0,06 -0,85 0,14 -0,25 -0,84 0,31 0,45 -0,52 -0,10 0,55 0,24 -0,22 0,53 0,07 0,30 -0,41 -0,06 -0,02 -0,91 -0,45 0,90 -0,58 -0,48 0,20 0,18 0,72 0,16 0,78 -0,20 -0,02 0,36 0,36 -0,20 0,19 -0,39 0,20 0,25 0,46 -0,77 -0,55 -0,11 -1,13 0,04 -0,49 0,90 -0,46 0,21 -0,09 0,47 0,36 -0,14 -0,51 0,89 0,15
2,16 0,00 0,00 0,18 0,27 0,00 0,72 0,02 0,06 0,70 0,10 0,20 0,27 0,01 0,30 0,06 0,05 0,28 0,01 0,09 0,17 0,00 0,00 0,84 0,20 0,81 0,34 0,23 0,04 0,03 0,51 0,03 0,61
0,00 0,13 0,13 0,04 0,04 0,15 0,04 0,06 0,21 0,59 0,30 0,01 1,27 0,00 0,24 0,81 0,21 0,04 0,01 0,22 0,13 0,02 0,26 0,79 0,02
OM
1,47 0,03 0,07 0,43 0,52 0,06 0,85 0,14 0,25 0,84 0,31 0,45 0,52 0,10 0,55 0,24 0,22 0,53 0,07 0,30 0,41 0,06 0,02 0,91 0,45 0,90 0,58 0,48 0,20 0,18 0,72 0,16 0,78 0,20 0,02 0,36 0,36 0,20 0,19 0,39 0,20 0,25 0,46 0,77 0,55 0,11 1,13 0,04 0,49 0,90 0,46 0,21 0,09 0,47 0,36 0,14 0,51 0,89 0,15
28,77 0,54 1,06 7,25 9,14 1,02 16,09 2,30 4,31 16,43 5,09 7,13 9,67 1,71 8,69 3,93 3,78 8.18 1,17 4,69 7,26 1,01 0,30 18,00 8,42 13,58 10,92 9,15 3,43 3,08 11,04 2,67 11,61 3,32 0,28 5,56 5,48 3,26 3,04 6,63 3,19 3,92 6,91 13,94 9,77 1,81 23,03 0,67 9,20 13,62 8,50 3,52 1,58 7,51 5,85 2,48 9,66 13,32 2,53
ECM=0,27 ECM(8) = 0,19 EAM= 0,41 EAM(8) 0,35 EAPM=7,13 EAPM(8) = 5,81
,...
273
8 7,5 7
6,5 6
5,5
5
4,5
4~~~~~~~~~++++++++++++++++++++++~+1+1+1+1+1+1+1+1+'+'+'+I+I+I+'+I+'~~
13
17
•
21
Serie
25
29
+
33
37
41
45
49
53
57
Predlcclon
FIG.
6.8.
Serie 1. Valores reales y predichos mediante alisado exponencial (ex = 0,2)
8
7
6 5
4 3
-2 ++++++++++++++++++++++~-+I+I+I+I+I~I~'+I+'+I+,1+'+1,+1+1+1+1+1+1+1+1+1+1+I~I.+I+'+I+I+'+'· ~ 1 5 9 13 17 21 25 29 33 37 41 45 49 53 57
Error de prsdlcclon
FIG.
Predlccion
6.9.
Serie 1. Alisado exponencial (ex = 0,2). Predicciones y errores de prediccion.
274
METODOS DE PREDlCCr6N EN ECONOMfA, r
para el que ,se realiza la prediccion y, menorpond~raci6n se asigna ,a los valores 1l1eja_ dos. Por ultimo, y como consecuencia de 10 antenor, podemos decir 'que euanro maYor se ' ex, menor sera el alisamiento y la serie de valores predichos tendni. una mayor vauabilidadll: La aplicacion del metodo de alisado exponencialtcon ex =: 0,2) a la serie 1 Plled~ verse en el cuadro 6.5 y las figuras 6.8 y 6.9.
mas
Comentarios al cuadro 6.5

Las predicciones que aparecen en la tercera columna del cuadro se han obtenido utilizando la expresion escrita en [6.14], can ex = 0,2 y suponiendo que la prediccion para el periodo 2 es igual a la observacion de la variable en el perfodo 1. Para el periodo 3 se tiene que: Y2(l)
/\
= ay2
+ (1- ex) yP) = 0,2 ·5,11 + 0,8·6,58

se obtiene:
/\
= 6,29
Para el primer periodo extramuestral
Ys2(l) =
Esta misma a160.
/\
ayS2
+ (1 - ex) YS1(l) = 0,2·5,42

corresponde a todos
/\
+ 0,8·5,88
= 5,79 extramuestrales del 53
prediccion
los periodos
En la figura 6.8 pueden verse los graficos de la serie observada y de los valores predichos. En la figura 6.9 puede verse como los errores de prediccion giran en torno a cera sin que pueda identificarse ninguna otra pauta estable en su comportamiento. Como hemos indicado al hablar del metodo de medias moviles, no puede hablarse de un metodo de alisado exponenclal, sino de tantos metodos cuantos valores de ex puedan fijarse. Por este motivo, se han repetido todos 'los calculos del cuadro 6.5 para ex = 0,6 y ex = 0,9. Los valores de los tres estadfsticos obtenidos pueden verse en el cuadro 6.6.
CUADRO
6.6.
Serie l . Alisado exponencial. Andlisis comparado

ECM(8) EAM EAM(8) EAPM EAPM(8)
Modelo 0:= 0:= 0:::
ECM
0,2 0,6 0,9
0,27 0,32 0,42
0,19 0,49 0,28
0,41 0,47 0,54
0,35 0,60 0,44
7,13 8,06 9,23
2,79 5,97 3,83
A la vista de este cuadro, parece claro que los mejores resultados
se obtienen
para
Graficamente, la diferencia entre el metodo con ex 0,2 y el metoda con ex 0,9 puede verse en la figura 6.10. Se ve con claridad que para ex = 0,2 el nivel de alisamiento es mucho mayor que para ex = 0,9; en este ultimo caso las variaciones son mas acusadas. Terminamos esta seccion dedicada a las tecnicas desarrolladas para las series tipo 1, con un cuadro resumen en donde se recogen los valores tomados pOI los tres estadisticos para los diferentes metodos. Para el metodo de medias moviles se ha tomado una longitud de 4 (k = 4) y para el alisado exponencial se ha tom ado la variante correspondiente a
ex=0,2.
ex=0,2.
275
8 7,5
7
4,5, 4 1 5
-lllllllllllllllllllilll'lili'ITIII'llflllllllllll~
13
17
•
21
25
29
33
+
37
41
45
49
53
57
AE (0,2)
AE (0,9)
FIG.6.l0.
Predicciones mediante alisado exponencial (a = 0,2 y a = 0,9)
CUADRO
6.7.
Serie 1. Andlisis comparado

EAM EAM(8) EAPM EAPM(8)
Metoda
ECM
ECM(8)
Ingenuo Media simple Medias moviles (k = 4) Alisado exponencia1

(a= 0,2)
0,47 0,22 0,23 0,27
0,45 0,16 0,19 0,19
0,56 0,39 0,39 0,41
0,57 0,31 0,35 0,35
9,66 6,64 6,62 7,13
9,28 5,31 5,80 5,81
A 1a vista del contenido de este cuadro, una conclusion que resalta es que el metodo ingenuo es peor que los otros tres metodos, cualquiera que sea el criterio de evaluacion que se utilice; la discriminacion entre estos tres ya resulta mas diffcil, aunque parece decantarse el metodo de la media simple como el mas satisfactorio. 3. Metodos no parametricos para series tipo 2: metodo ingenuo y medias estacionales
Como hemos indicado en el capitulo 2, 10 que caracteriza a la serie 2 es 1a presencia de un componente estacional bien definido. Entre las diferentes altemativas posibles, la estructura elegida en el capitulo 2 para generar la serie ha sido la siguiente: [6.16]
276
METODOS DE PREDICCION EN ECONOMfA. I
Los dos primeros elementos de la parte de la derecha de esta expresion tienen un pa1:1'60 eomportamiento estable que puede aproximarse a partir de los datos y utilizarse para de formular Ia predicci6n. La forma generica de esta puede escribirse asf: [6.17J donde 130 indica la estimacion de 130 obtenida con la informacion disponible para el perfOdo T, y St+/ indica la estimacion del componente estacional correspondiente a T + I utilizando la informacion hasta T. Los metodos propuestos varian segiin la diferente forma que tienen de estimar 130 y S'+l' Analizaremos dos: metodo ingenuo y medias estacionales.
A
3.1.
METODO INGENUO
La regla simple en este caso consiste en predecir el valor de la serie en una estacion de un afio con el valor tornado por la serie en esa misma estacion en el afio anterior. Entonces, si con caracter general suponemos s estaciones en cada afio, para el perfo. do muestralla prediccion seria:
I· " \~~tVo' ~ ,',
c.. .i • f
[6.18J
y para los periodos extramuestrales:

YT' YT'
1\ A
(1)-
Q) _
- YT-s+l - YT-s+2
Como hemos indicado para el metodo ingenuo en la serie 1, este metoda se puede generalizar para el caso en que el horizonte temporal de la prediccion sea superior a s, en cuyo caso la prediccion se hace igual al valor que toma la serie en la ultima estacion para la que se tiene informacion. En nuestro caso concreto de datos trimestrales con s = 4, se tiene que, para un periodo muestral, la prediccion puede escribirse asi:
y para los perfodos extramuestrales:
Yfl)
1\
1\
= Yr-3
2-
yy(2) = h-2 I~ 1\ ~ y}3)
Yr(5) = Yr-3 y}6) = Yr-2
= Yr-l
= YT
Yf4)
1\
s-» =
YT-l
y}8) = YT
La aplicacion del metoda ingenuo a la serie 2 del capitulo 2 puede verse en el cuadro 6.8 y las figuras 6.11 y 6.12.
r
Serie

CUADRO
277
6.8. Serie 2. Metoda ingenuo

EC EA EAP Estadisticos ECM=O,37 ECM(8) 0,14 EAM=0,49 EAM(8) 0,31 EAPM= 10,85 EAPM(8) 6,99
Error Predicci6n
prediction
\' 1 ~2
f3
L.,4 .5, 6 7 8 9 10
11
12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
10,.'58 2,11 7,32 4,36 9,88 2,7 7,18 3,28 10,1 2,74 6,1 4,08 10,28 2,4 6,72 4,35 10,15 2,74 7,44 4,09 10,33 2,68 6,95 3,98 9,08 2,36 7,62 3,22 9,3 2,89 6,91 4,48 10,07 3,72 6,9 4,04 10,41 3,48 7 4,35 9,81 3,32 7,41 4,67 9,53 2,6 6,93 2,89 9,83 2,31 7,6 3,42 10 2,7 7,26 4,15 9,64 2,28 7,68 3,94
10,58 2,11 7,32 4,36 9,88 2,7 7,18 3,28 10,1 2,74 6,1 4,08 10,28 2,4 6,72 4,35 10,15 2,74 7,44 4,09 10,33 2,68 6,95 3,98 9,08 2,36 7,62 3,22 9,3 2,89 6,91 4,48 10,07 3,72 6,9 4,04 10,41 3,48 7 4,35 9,81 3,32 7,41 4,67 9,53 2,6 6,93 2,89 9,83 2,31 7,6 3,42 9,83 2,31 7,6 3,42
-0,70 0,59 -0,14 -1,08 0,22 0,04 -1,08 0,80 0,18 -0,34 0,62 0,27 -D,13 0,34 0,72 -D,26 0,18 -0,06 -0,49 -D,l1 -1,25 -0,32 0,67 -0,76 0,22 0,53 -0,71 1,26 0,77 0,83 -0,01 -0,44 0,34 -0,24 0,10 0,31 -0,60 -D,16 0,41 0,32 -0,28 -0,72 -0,48 -1,78 0,30 -0,29 0,67 0,53 0,17 0,39 -0,34 0,73 -0,19 -0,03 0,08 0,52
0,49 0,35 0,Q2 1,17 0,05 0,00 1,17 0,64 0,D3 0,12 0,38
om
0,02 0,12 0,52
0,D3 0,00 0,24 0,01 1,56 0,10 0,45 0,58 0,05 0,28 0,50 1,59 0,59 0,69 0,00 0,19 0,12 0,06 0,01 0,10 0,36 0,D3 0,17 0,10 0,08 0,52 0,23 3,17 0,09 0,08 0,45 0,28 0,D3 0,15 0,12 0,53 0,04 0,00 0,Dl 0,27
om
0,70 0,59 0,14 1,08 0,22 0,04 1,08 0,80 0,18 0,34 0,62 0,27 0,13 0,34 0,72 0,26 0,18 0,06 0,49 0,11 1,25 0,32 0,67 0,76 0,22 0,53 0,71 1,26 0,77 0,83 0,01 0,44 0,34 0,24 0,10 0,31 0,60 0,16 0,41 0,32 0,28 0,72 0,48 1,78 0,30 0,29 0,67 0,53 0,17 0,39 0,34 0,73 0,19 0,03 0,08 0,52
7,09 21,85 1,95 32,93 2,18 1,46 17,70 19,61 1,75 14,17 9,23 6,21 1,28 12,41 9,68 6,36 1,74 2,24 7,05 2,76 13,77 13,56 8,79 23,60 2,37 18,34 10,27 28,13 7,65 22,31 0,14 10,89 3,27 6,90 1,43 7,13 6,12 4,82 5,53 6,85 2,94 27,69 6,93 61,59 3,05 12,55 8,82 15,50 1,70 14,44 4,68 17,59 1,97 1,32 1,04 13,20
278
11
t
MErODOSDEPRIIDIccr6N
BN BCONOMfA,
lO-
s
8
7 6 j
T
\
5
4
3 2
.J.
J
25 293.3
+
~1111"III"'jl'I"IIIIIIII"ltll"TTI""I"~
13
17 21
• Serle
37
41
45
49
53
57
Pradicci6'n
FlO~6.11.
Serie 2. Va/ores reates y predichos mediante el I1!el,adp ingenuo.
11 10 9 8 7 6 5
4
3 2
Q -1
-2
,~
5
13
17 ·21 25
Error de prediccililn
2c9 33
37
41
45
49
53
57
... Predlooi6n
FlO. 6.12.
Serle 2. Metodo
ingelluo.
Prcdleciolle;; y etrores de predictiOn,
279
Comentarios
al cuadro 6.8
Como puede verse en la tercera columna no pueden obtenerse predicciones para los cuatro primeros perfodos; para el perfodo quinto hay que tener en cuenta que se trata del primer trimestre del segundo afio, por 10 que su prediccion sera el valor que la serie toma en el primer trimestre del afio anterior, es decir:
y asf sucesivamente se van obteniendo las predicciones trales. Para los extramuestrales se obtiene: Y52(1) = Y49 = 9,83 Y5i2) = Y50 = 2,31 Y52(3) = Y51 = 7,6 Y52(4) = Y52 = 3,42
/\
para el resto de los perfodos mues-
y para los cuatro restantes vuelven a repetirse estos cuatro valores. Los valores en el resto de las columnas se obtienen de forma directa. Basta tener en cuenta que, para el periodo muestral, el sumatorio de los tres estadisticos comienza en el pedodo 4. Asi el ECM sera igual a: ECM =
l L ;(1) = 0,37
48
1=4 1
51
y 10 mismo se aplica para EAM y EAPM. La representacion grafica de la prediccion y de los valores de la serie real puede verse en la figura 6.11. La primera es una copia de la segunda incorporando el retardo anual. Los errores de prediccion pueden apreciarse en la figura 6.12; sus valores giran en torno a cera sin seguir ningiin patron que pueda identificarse.
3.2.
MEDIAS ESTACIONALES
Es un metodo de estructura fija que define la prediccion para cada perfodo a partir de la media muestral de los perfodos con identico componente estacional. Si calculamos la media de todos los perfodos muestrales se obtiene:
[6.19]
Se ve claramente que los dos iiltimos terminos de la parte derecha se aproximan a cero; el primero porque la aportacion de los componentes estacionales se compensa dentro
280
METODOS DE PREDICCION EN ECONOMfA, I
de cada afio, y el segundo por tratarse de observacion de un ruido blanco. Por 10 tanto, Ia media muestral puede interpretarse como un estimador de f3o. Por otra parte, si calculamos la media de los penodos que corresponden a la misma estacion se obtiene:
i= 1,2,
... ,S
[6.20]
siendo Ti' i 1,2, ... , s, el mimero de observaciones correspondientes a la estaci6n z-esima, y utei) la perturbacion de un perfodo que corresponde a la estacion i-esima. Por el caracter de ruido blanco de ut' el ultimo termino de la derecha de [6.20] tendera a estar pr6ximo a cero. Por 10 tanto, la media estacional puede interpretarse como un estimador de la suma del termino con stante y del componente estacional. POl' otra parte, teniendo en cuenta 10 dicho respecto a que la media de todas las observaciones muestrales, y, era un estimador del terrnino con stante, un estimador del componente estacional se obtiene a partir de: i=1,2, pudiendose escribir la predicci6n
1\,
...,s
[6.21]
como:
nl) = Y
+ (Yj - y) = Yj
____
i=I,2,
...,s
considerando que el penodo t + 1 corresponde a la estacion i-esima. Para los penodos extramuestrales se obtiene:
y-J_l) = Yj
/\
considerando que el perfodo T + I corresponde Se puede pensar en una interpretacion regresion con variables ficticias:
a la estaci6n z-esima. altemativa, mediante
el siguiente
modelo de
[6,22] donde Dj es una variable ficticia que toma el valor 1 cuando la observaci6n corresponde ala estaci6n i-esima y cero en el resto de los casos. Los parametres del modelo [6.22] no pueden estimarse porque se da multicolinealidad exacta. Por ello, es necesario incorporar algiin tipo de informacion a priori que permita dicha estimaci6n. Entre las diferentes opciones disponibles, optaremos por estimar el modelo suponiendo que f30 es igual a cero. En este caso, las estimaciones que se obtienen de f3J' f32, ... , f3s ya no se pueden interpretar como los componentes estacionales sino como la suma de estes con el terrnino constante f3o' Para obtener estas estimaciones reescribamos el modelo [6.22] con f30 = 0 de la siguiente forma:
281 [6.23J
y=XP+u
donde y es el vector de T observaciones de la variable dependiente, X es la matriz T . s de las observaciones de las s variables ficticias, p es el vector de los s parametres, /31' /32' ..., /3s' y u es el vector de T perturbaciones aleatorias. Por el caracter de variable ficticia que tienen las variables incluidas en X se tiene que: T1 X'X=
o ...
0 T2 ... 0 00 0
o
y tambien:
1'.,
X'y'=
La estimaci6n
Mea de p es igual
a:
Par 10 tanto, la predicci6n se puede formular en terminos de las estiinaciones de los elementos de (j. As! tendremos:
Mea
considerando que el perfodo para el que se realiza la prediccion corresponde a la estaci6n i-esima. La aplicci6n del metodo de medias estacionales a la serie 2 puede verse en el cuadro 6.9 y las figuras 6.13 y 6.14.
282

CUADRO
6.9.
Serie 2. Medias estacionales

EC EA EAP
Estimacidn/ Serle
preatccion
Error prediccion
Estadisticos ECM=0,21 ECM(8) 0,08 EAM=0,37 EAM(8) 0,22 EAPM=8,17 EAPM(8) 4,92
1 2 3 4 5 6 7 8 9 10
11
12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
10,58 2,11 7,32 4,36 9,88 2,7 7,18 3,28 10,1 2,74 6,1 4,08 10,28 2,4 6,72 4,35 10,15 2,74 7,44 4,09 10,33 2,68 6,95 3,98 9,08 2,36 7,62 3,22 9,3 2,89 6,91 4,48 10,07 3,72 6,9 4,04 10,41 3,48 7 4,35 9,81 3,32 7,41 4,67 9,53 2,6 6,93 2,89 9,83 2,31 7,6 3,42 10 2,7 7,26 4,15 9,64 2,28 7,68 3,94
9,93 2,74 7,13 3,95 9,93 2,74 7,13 3,95 9,93 2,74 7,13 3,95 9,93 2,74 7,13 3,95 9,93 2,74 7,13 3,95 9,93 2,74 7,13 3,95 9,93 2,74 7,13 3,95 9,93 2,74 7,13 3,95 9,93 2,74 7,13 3,95 9,93 2,74 7,13 3,95 9,93 2,74 7,13 3,95 9,93 2,74 7,13 3,95 9,93 2,74 7,13 3,95 9,93 2,74 7,13 3,95 9,93 2,74 7,13 3,95
0,65 -D,63 0,19 0,41 -0,05 -0,04 0,05 -0,67 0,17 -1,03 0,13 0,35 - -D,34 -D,41 0,4 0,22 0,31 0,14 0,4 -0,06 -0,18 0,03 -0,85 -0,38 0,49 -0,73 -D,63 0,15 -0,22 0,53 0,14 0,98 -0,23 0,09 0,48 0,74 -D,13 0,4 -0,12 0,58 0,28 0,72 -0,4 -0,14 -D,2 -1,06 -0,1 -0,43 0,47 -0,53 0,07 -0,04 0,13 0,2 -D,29 -D,46 0,55 -0,01
0,42 0,40 0,04 0,17 0,00 0,00 0,00 0,45 0,Q3 0,00 1,06 0,Q2 0,12 0,12 0,17 0,16 0,05 0,00 0,10 0,Q2 0,16 0,00 0,Q3 0,00 0,72 0,14 0,24 0,53 0,40 0,Q2 0,05 0,28 0,Q2 0,96 0,05 0,01 0,23 0,55 0,Q2 0,16 0,01 0,34 0,08 0,52 0,16 0,Q2 0,04 1,12
om
0,18 0,22 0,28 0,00 0,00 0,Q2 0,04 0,08 0,21 0,30 0,00
0,65 0,63 0,19 0,41 0,05 0,04 0,Q5 0,67 0,17 0,00 1,03 0,13 0,35 0,34 0,41 0,40 0,22 0,00 0,31 0,14 0,40 0,06 0,18 0,03 0,85 0,38 0,49 0,73 0,63 0,15 0,22 0,53 0,14 0,98 0,23 0,09 0,48 0,74 0,13 0,40 0,12 0,58 0,28 0,72 0,40 0,14 0,20 1,06 0,10 0,43 0,47 0,53 0,07 0,04 0,13 0,20 0,29 0,46 0,55
om
6,14 29.86 2,60 9,40 0,51 1,48 0,70 20,43 1,68 0,00 16,89 3,19 3,40 14,17 6,10 9,20 2,17 0,00 4,17 3,42 3,87 2.24 2,59 0,75 9,36 16,10 6,43 22,67 6,77 5,19 3,18 11,83 1,39 26,34 3,33 2,23 4,61 21,26 1,86 9,20 1,22 17,47 3,78 15,42 4,20 5,38 2,89 36,68 1,02 18,61 6,18 15,50 0,70 1,48 1,79 4,82 3,01 20,18 7,16 0,25
283
11 10
9-
8
7 6 5 4
I +
"
J
1 5 9 13 17 21
•
,
I
1
37 41 45 49 53 57
2~++T+++T+~~HH444+++++++~HhHIH'rllrl'rll~I~I~I+lrl+rl++I~I~I~I~I'~IHIHi4Irl'~I~I+1+f~l.
25
29
33
Serie
Predicci6n
FIG. 6.13. Serie 2.Valores reales y predichos mediante el metoda de medias estacionales.
10 9 8,
6
5
,"',11',11"",
""t" "I t" "t""'""""",,, "";";" ", ", .",.",1""1,, I " I" I,"', , II, , II, , II, I '" I, "I , '" , '" , '" , II, " , ", , ", ,",,I" , ,', " ,,' " II. ",, "', 'I"~ ,I, "" ,I" "', "" " "" ,II, "
' t"" ',;',
"
",
,I,
"
!
"
"
1. "
"
! ~!: !
" " " " " " " " " " IJ " " " " "
It " "
,
"
"
,,* """ I, " "

t
t
"
"
"
"",'1"""""""""""""",
"""
,",
I"~
4 3 2
"" " " " "1 l ,',l " " {l , i,'! l" 1 !ll11J 1 ~ 1 ," 1. ," l ~ 1 I~ 1 ~ 1 ~ l _ ,t t.f.~ ", 1 ", t4.~
" u I' II " ~ ,'~
I, " " " " " " " " " " ":
O~~~~4C~~CL~~~~~~~~~~~nA~~~
-1 -2
-i
1 I I r Iff, ,II,I
13
17 21
25
tIl,
I I ill'
II,
r J I,f
ffJ
It'
I I I I I •• '
29
33
+
37
41
45
49
53
57
Error de predlcci6n
Predicci6n
FIG. 6.14. Serie 2.Medias estacionales. Predicciones y errores de predicci6n.
284 Comentarios at cuadro 6.9 52/4
METODOS DE PREDICCI6N EN ECONOMIA, I
= 13. Las medias
En este caso, por ser datos trimestrales, se tiene que, s = 4 y TJ = T2 = T3 = T4 estacionales dentro del perfodo muestral son:
IE Tl Yl=--=
L L
v,
13
993 ,
Yt
IE ~ Y2=--=
13
274 ,
L
L
Y1
Y3=~=713 13
- IE'4 95Y4------ 3 · 13 -
Y1
Estos valores se repiten en la columna tercera, como estimaciones en el perfodo muestral y como predicciones en el extramuestral, por tratarse de un metoda de estructura fija. Terminaremos esta revision de las tecnicas propuestas para el tratamiento de las series tipo 2 con un analisis comparado de las dos tecnicas analizadas. Los resultados pueden verse en el cuadro 6.10.
CUADRO
6.10.

EAM EAM(8) EAPM EAPM(8)
Metodo
ECM
ECM(8)
Ingenuo Medias estacionales
0,37 0,21
0,14 0,08
0,49 0,37
0,31 0,22
10,85 8,17
6,99 4,92
EI contenido del cuadro indica con clarldad que el metodo de medias estacionales es mas aceptable que el metodo ingenuo.
4. Metodos no parametricos para series tipo 3: tendencia lineal,

dobles medias m6viles y alisado exponenciallineal de Holt Como se ha indicado en el capitulo 2, la estructura base de esta serie es: [6.24] EI patron de comportamiento identificable esta contenido en la tendencia, ya que el termino de error suponemos que es un proceso ruido blanco.
285
T,
T,
FIG. 6.15.
Tendencia lineal.
Como ya hemos comentado, la tendencia puede aproximarse de diferentes formas; en esta secci6n vamos a prestar atenci6n a las que han sido desarrolladas dentro del marco no parametrico adoptado en este capitulo. Es 10 que Nelson y Plosser (1982) Haman «tendencias deterministas»; en capftulos posteriores prestaremos atenci6n a las llamadas tendencias estocasticas. 1) Tendencia lineal [6.25] Puede verse en la figura 6.15 a) y b) la representaci6n grafica, Para estimar los parametres, una de las opciones mas utilizadas son los estimadores que podemos escribir:
Mea
" _Ltyt-YLt f312
tL
[6.26] [6.27]
/30 = y- /31t
La estimaci6n de la tendencia es:
[6.28] 2) Tendencia cuadrdtica [6.29] Un primer resultado a tener en cuenta con este tipo de tendencias es que la segunda diferencia de valores sucesivos es una constante. Es decir que se cumple:
286
METOD os DE PREDICCION EN ECONOMIA, I
~------------------------~·t
a) f31> 0, {k> 0 b)
f3F',2 {kt f31> 0,

{k < 0
FIG. 6.16.
Tendencia cuadrdtica.
Prueba.
Primero, se obtiene que:
Luego: (c.q.d.)
La representacion grafica puede verse en la figura 6.16 a) y b). La estimacion de los parametres puede hacerse tambien aplicando el criterio Llamando a fJ' ([30' [31' [32)' el correspondiente vector de estimadores toma la forma:
Mea.
[6.30]
fJ = (X'Xtl X'y
1\
donde:
11
X=
124
El estimador
de la tendencia
seria en este caso: [6.31]
287
+--------------)o,t
a)
/31
>1
b)
/31 < 1
FIG. 6.17.
Tendencia exponencial.
3)
Tendencia exponencial [6.32]
tante,
/31. Es decir:
En este caso, se tiene que los cocientes de valores sucesivos son iguales a una cons-
Prueba.
Es inmediata teniendo en cuenta:
(c.q.d.)
Algunos ejemplos de tendencia exponencial pueden verse en Ia figura 6.17 a) y b). Para estimar los parametres de [6.32] se toman logaritmos a ambos Iados de la expresion, obteniendose: In Tt == In /30 + In /31 . t
y denominando:
Ti== In r, /3'6 == In /30 /3i == In /31

podemos escribir:
288
METODOS DE PREDICCI6N EN ECONOMiA. I
i.
t,
-------------------
fM f30
a) f31 > 0 b) f31 < 0
FIG. 6.18.
Tendencia inversa.
Tj= fib + firt

Podemos estimar tir de enos, estimar fio y
fil mediante:
fib y
fit mediante
A A
los estimadores
A A
MCa y obtener
fib y fit y, a par-
fil = anti
4) Tendencia inversa
0
fio = anti In fib

In
fii
reciproca
[6.33]
Mediante esta forma se pueden tratar aquellos casas en que la tendencia parece tener un limite a su crecimiento 0 a su decrecimiento, segiin sea fil positivo 0 negativo. La representacion grafica de algunos de los casos posibles puede verse en la figura 6.18 a) y b). Para estimar los parametres, basta definir una nueva variable, como t* 1 I t, Y aplicar los estimadores MCa en la forma indicada para la tendencia lineal utilizando t* en lugar de t.
5)
Tendencia inversa-logaritmica
[6.34]
La representacion grafica de esta forma de tendencia puede verse en la figura 6.19. Para estimar los parametres de esta tendencia se toman logaritmos neperianos en [6.34] y se obtiene:
289
t,
FIG. 6.19.
Tendencia inversa logaritmica.
[6.35] donde: y
t*
=-
lIt
Para estimar f30 y f31 basta aplicar el criterio Mea a [6.35] utilizando las formulas vistas al hablar de la tendencia lineal. Estascinco formas de tendencia no agotan todas las posibilidades contempladasen Ia literatura, pero sf ofrecen un amplio abanieo para hacer frente a un buen mimero de aplicaciones, En nuestro caso, teniendo en cuenta que las-primeras diferencias de los valores tomados par Ia sene 3 giran en torno a una constante, tal como- se ha vista en el eapftulo 2, utilizaremos metodos de prediccion basados en la tendencia lineal 0 en una aproximacion a 1a misma.
4.1.
TENDENCIALINEAL
Es un metoda de estructura fija, que formula la prediccion aproximando la tendencia mediante una funci6n lineal, tal como se ha escrito en [6.25]. Los parametres se estiman mediante [6.26] y [6.27] utilizando toda la informaci6n muestral, y la predicci6n no es mas que 1a estimaci6n de la tendencia para e1 periodo considerado. Asf, para cua1quier periodo muestra1, la prediccion, 0 mas exactamente, 1a estimaci6n es: [6.36] y para los perfodos extramuestrales:
290
METODOS
DE PREDlCCI6N
EN ECONOMlA,
CUADRO
6.11.
Serie 3. Tendencia lineal

EC 4,49 2,04 2,07 3,39 3,57 2,46 2,56 0,64 0,26 0,00 0,03 0,04 0,01 0,21 1,10 0,92 0,58 0,94 0,35 0,09 0,04 0,01 0,00 0,D2 0,04 0,90 0,41 1,59 5,62 9,36 12,32 10,30 8,94 4,28 3,03 2,40 1,00 0,04 0,04 0,59 0,69 1,49 3,46 8,53 8,53 6,05 4,58 3,88 2,82 0,58 0,92 0,16 EA 2,12 1,43 1,44 1,84 1,89 1,57 1,60 0,80 0,51 0,06 0,17 0,21 0,08 0,46 1,05 0,96 0,76 0,97 0,59 0,30 0,19 0,08 0,05 0,13 0,19 0,95 0,64 1,26 2,37 3,06 3,51 3,21 2,99 2,07 1,74 1,55 1,00 0,20 0,19 0,77 0,83 1,22 1,86 2,92 2,92 2,46 2,14 1,97 1,68 0,76 0,96 0,40 0,11 0,39 0,35 0,18 0,50 1,48 1,22 1,16 EAP 57,92 35,84 28,69 28,57 25,17 19,12 17,28 8,44 5,00 0,56 1,47 1,67 0,58 3,21 7,11 6,05 4,44 5,42 3,06 1,45 0,86 0,35 0,21 0,52 0,74 3,64 2,33 4,53 8,55 10,91 12,26 10,72 9,59 6,25 5,05 4,34 2,68 0,51 0,47 1,83 1,92 2,74 4,02 6,04 5,92 4,93 4,23 3,83 3,22 1,45 1,79 0,74 0,20 0,71 0,62 0,31 0,86 2,54 2,05 1,92 Estadisticos ECM=2,47 ECM(8) =0,7 EAM== 1,25 EAM(8) == 0,67 EAPM==7,47 EAPM(8) == 1,15
Serle 1 2 3 4 3,66 3,99 5,02 6,44 7,51 8,21 9,26 9,48 10,21 10,78 11,57 12,55 13,86 14,34 14,77 15,88 17,1 17,91 19,31 20,62 22,13 23,04 23,93 24,87 25,83 26,09 27,42 27,82 27,73 28,06 28,63 29,95 31,19 33,13 34,48 35,69 37,26 39,08 40,49 42,09 43,17 44,58 46,24 48,32 49,34 49,9 50,6 51,45 52,18 52,28 53,5 53,96 54,69 55,21 56,27 57,46 58,16 58,2 59,48 60,56
Estimacion/ prediccion 1,54 2,56 3,58 4,6 5,62 6,64 7,66 8,68 9,7 10,72 11,74 12,76 13,78 14,8 15,82 16,84 17,86 18,88 19,9 20,92 21,94 22,96 23,98 25 26,02 27,04 28,06 29,08 30,1 31,12 32,14 33,16 34,18 35,2 36,22 37,24 38,26 39,28 40,3 41,32 42,34 43,36 44,38 45,4 46,42 47,44 48,46 49,48 50,5 51,52 52,54 53,56 54,58 55,6 56,62 57,64 58,66 59,68 60,7 61,72
Error prediccion 2,12 1,43 1,44 1,84 1,89 1,57 1,6 0,8 0,51 0,06 -0,17 -0,21 0,08 -0,46 -1,05 -0,96 -0,76 -0,97 -0,59 -0,3 0,19 0,08 -0,05 -0,13 -0,19 -0,95 -0,64 -1,26 -2,37 -3,06 -3,51 -3,21 -2,99 -2,07 -1,74 -1,55
5
6 7 8 9
10
11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
-J
-0,2 0,19 0,77 0,83 1,22 1,86 2,92 2,92 2,46 2,14 1,97 1,68 0,76 0,96 0,4
O,ll
-0,39 -0,35 -0,18 -0,5 -1,48 -1,22 -1,16
O,QI
0,15 0,12 0,03 0,25 2,19 1,49 1,35
291
70
6050 40 30
20
10-
I I I , 1',
I I I , I , I I I f I I I , , , , , I I! 1-1 I I'
, , II I 1'1 I , I
13
17
•
21
Serie
25
29
+
33
37
41
45
i I I' I I"; H-+-++H ..
49
53
57
Predicci6n·
FIG. 6.20.
Serie 3. Valores reales y predichos mediante el metoda de tendencia lineal.
70
-10
1 I ,.1·1 , I I ii' I
I I , I , I , I I , I , I , I I I I , 1 >-H I I'
II,I
13
17 21
25
29
33
+
37
41
45
I'
I,I~
49
53
57
Error de predicci6n
Predicci6n
FIG. 6.21.
Serie 3. Tendencia lineal. Predicciones y errores de predicci6n.
292
METODOS DE PREDICCr6N EN ECONOMIA, r
yyf._l)
A A
/\
= 130 + 131(T + 1)
/\
/\
utilizando para obtener 130 y 131 solo la infonnaci6n disponible hasta el periodo T. La aplicacion del metoda de tendencia lineal a la serie 3 puede verse en el cuadro 6.11 y las figuras 6.20 y 6.21.
Para estimar 130 y 131 se utiliza la informacion que va desde el primer periodo hasta el 52. El modelo estimado es:
Yt = 0,52 + 1,02t
R2
= 0,99
[6.38]
siendo R2 el coeficiente de determinacion, que se define como:
R = -=t=""l
52 1=1
(~.(YI_Y)(t_t)f
252_2 1=1
----"-,_
L (y t - y) L (t -
t)
el cual se ha mantenido como medida de ajuste por ser un indicador no parametrico. Para cualquier periodo muestral el ajuste se obtiene sustituyendo en [6.38] at por el valor que corresponde al periodo. Para los periodos extramuestrales se obtiene:
Ysll) = 0,52 + 1,02· 53 = 54,58 Y5l2) = 0,52 + 1,02 . 54 = 55,6
Y 2(8) = 0,52 + 1,02 . 60 = 61,72

5
En las figuras 6.20 y 6.21 aparecen los valores observados y predichos, as! como los errores de prediccion, Observese que aunque estes giran en torno a cero, en su trayectoria se aprecia un comportamiento sinusoidal, 10 que c1aramente pone de manifiesto que en dichos errores se ha dejado una parte con un comportamiento sistematico que podrfa utilizarse para mejorar la prediccion, 4.2.
DOBLES MEDIAS M6vILES
El metodo de dobles medias moviles es un metodo de estructura variable que obtiene las predicciones suponiendo que la tendencia es localmente lineal; esto significa que .la pendiente no es constante en todo el perfodo muestral, sino que se va redefiniendo conforme se incorpora nueva informacion.
r
293
La media movil de longitud k para el periodo t, que denotaremos mediante MMt, puede expresarse ahora (teniendo en cuenta que en este caso este valor no constituye una prediccion, de am que en lugar de colocar el valor de la media movil en el periodo t + 1. como hacfamos en la seccion 2. 10 refiramos al periodo t) como sigue: MMt= Yt + Yt-l + ...+ Yt-k+l
k
t=
k, k+ 1, ...• T
[6.39]
La doble media movil de longitud k, que denotaremos por MM', se define de la si. t guiente manera: MM'
t
= MM
+ MMt_1 + ...+ MMt-k+l

k '
t=
2k- 1. 2k, ... ,T
[6.40]
Antes de indicar como se formula la predicci6n en terminos de MMt y MM;. veamos, con un ejemplo, algunas caracterfsticas del metodo de medias moviles, Supongamos que una serie tiene la tendencia siguiente: T, = 2/. En el cuadro 6.12 aparecen los valores de la tendencia y los valores obtenidos con los metodos de medias moviles y de dobles medias moviles, ambos de longitud 3.
CUADRO
6.12.
Dobles medias moviles

MM, MM:
Periodo
T,
2 4 6 8 10 12 14
1 2 3 4 5 6 7
4 6 8 10 12
6 8 10
Algunos de los valores de este cuadro son:
y para la doble media movil: MM'5=MMS+ MM4 + MM3 3
=6
294
Lo que importa destacar es que MM.3 no aproxima 0 estima la tendencia del periodo 3, sino del periodo 2, y que MM4 la tendencia que estima es la del periodo 3, y asi sucesivamente. Podemos decir que el valor de Ia media movil estima 1a tendencia del perfodo que es el centro de la media movil, siendo este centro igual a t - (3 - 1) / 2. De la misma forma, la doble media movil MMs no estima la tendencia del perfedo 5, sino la del perfodo 3, y MM" estima Ia del perfodo 4, y asf sucesivamente, En este case, el centro de la doble media movil viene dado por el perledo al. que correspouderr (3 - 1). Engeneral, podemos decir que si se hace el supuesto de que la tendencia sigue localmente un esquema del tipo T, /30 + /31 t, la media movll, MM, de longitud k,. aproxirna el valor de la tendencia de su periodo central que viene dado par: l- (k - J) 12.
>
Prueba
MM
....;.-----=f30+ f3 /--
T, + 1;_1 +... T,-k+l +

k
f30 + f3\ t + (30 + f31«(-1)
+ ...+ f30 + f31(t - k + 1)

k
1 f3 [ I 1+2+... (k-l) + k
J =Po+ u
f3 It--·---=po+ f31 (k - 1) k k 2
f3 I ( t--- 1 ) k2
(c.q.d.)
De la misma forma, se demuestra que la doble media movil MM; de longitud k, aproxima el valor de la tendencia de su periodo-central que viene dado por: t - (k - 1).
Prueba M M, + M Mt_1 .
MM'=
+ ...+ M Mt_k+1
k
= k f30 + f31 t - -2-. +f30 + f31 t - 1- -2= f30 +f3lt -
l[
(k-l)
(k-l)
+ ...+f30 + f31 t - k +1- -2-
k-l)] =
(c.q.d.)
f3l[
1+ 2+... (k- 1)+k k~ 1] = f30 + f31 lr- (k+
1)J
Teniendo en cuenta los resultados cia en el periodo t mediante la expresion:
anteriores
podemos
estimar el valor de la tenden-
[6.41]
Prueba
(c.q.d.)
Par otra parte, tambien puede estimarse presion:
la pendiente
en el periodo t mediante
la ex-
iVt) = _2_(MMtk- 1
MM't)
[6.42]
METOD OS NO PARAMETRICOS DE SERIES TEMPORALES

CUADRO
295
6.13.
Serie 3. Dobies medias moviles

EC EA EAP
Serie
MM(4)
DMM(4)
Error Tendencia Pendiente Prediccion predicctcn
Estadisticos ECM=0,52 ECM(8) 0,57 EAM=0,57 EAM(8) 0,61 EAPM=2,29 EAPM(8) 1,04
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
3,66 3,99 5,02 6,44 7,51 8,21 9,26 J.J§.. 10,21 10,78 11,57 12,55 13,86 14,34 14,77 15,88 17,1 17,91 19,31 20,62 22,13 23,04 23,93 24,87 25,83 26,09 27,42 27,82 27,73 28,06 28,63 29,95 31,19 33,13 34,48 35,69 37,26 39,08 40,49 42,09 43,17 44,58 46,24 48,32 49,34 49,9 50,6 51,45 52,18 52,28 53,5 53,96 54,69 55,21 56,27 57,46 58,16 58,2 59,48 60,56
4,78 5,74 6,80 7,86 8,62 9,29 9,93 10,51 11,28 12,19 13,08 13,88 14,71 15,52 16,42 17,55 18,74 19,99 21,28 22,43 23,49 24,42 25,18 26,05 26,79 27,27 27,76 28,06 28,59 29,46 30,73 32,19 33,62 35,14 36,63 38,13 39,73 41,21 42,58 44,02 45,58 47,12 48,45 49,54 50,32 51,03 51,63 52,35 52,98
6,29 7,25 8,14 8,92 9,59 10,25 10,98 11,76 12,61 13,47 14,30 15,13 16,05 17,06 18,17 19,39 20,61 21,80 22,90 23,88 24,79 25,61 26,32 26,97 27,47 27,92 28,47 29,21 30,24 31,50 32,92 34,39 35,88 37,41 38,92 40,41 41,89 43,35 44,83 46,29 47,67 48,86 49,84 50,63 51,33 52,00
9,42 9,98 10,44 10,94 11,43 12,30 13,40 14,40 15,15 15,96 16,75 17,70 19,05 20,41 21,81 23,16 24,25 25,19 25,93 26,48 27,32 27,97 28,21 28,55 28,65 29,27 30,45 32,24 34,13 35,75 37,36 38,86 40,38 42,05 43,49 44,75 46,16 47,81 49,42 50,61 51,41 51,79 52,23 52,62 53,37 53,96
1,04 0,91 0,77 0,67 0,62 0,68 0,81 0,88 0,85 0,83 0,82 0,85 1,00 1,12 1,21 1,26 1.21 1,13 1,01 0,87 0,84 0,79 0,63 0,53 0,39 0,45 0,66 1,01 1,30 1,42 1,48 1,49 1,50 1,55 1,52 1,45 1,42 1,49 1,53 1,44 1,25 0,98 0,80 0,66 0,68 0,65
10,89 11,21 11,61 12,05 12,99 14,21 15,27 16,00 16,79 17,56 18,55 20,05 21,53 23,02 24,42 25,47 26,32 26,94 27,35 28,16 28,76 28,84 29,08 29,05 29,72 31,11 33,25 35,43 37,16 38,84 40,35 41,88 43,60 45,01 46,20 47,58 49,30 50,95 52,05 52,65 52,76 53,03 53,29 54,05 54,62 55,27 55,93 56,58 57,23 57,89 58,54 59,20
1£1,12
'.,-0,9St
-0,"6g
-0,43 -0,04 0,50 0,87 0,13 -0,50 -0,12 0,31 0,35 0,76 0,57 0,60 0,02 -0,49 -0,60 -0,49 -0,85 0,07 -0,34 -1,03 -0,78 -0,45 0,90 1,47 2,02 1,23 0,26 0,10 0,24 0,14 0,21 -0,43 -0,43 0,04 0,74 0,04 -1,05 -1,45 -1,20 -0,58 -0,75 0,21 -0,09 0,07 -0,06 0,34 0,88 0,93 0,31 0,94 1,36
-"
0,96 0,46 0,18 0,00 0,25 0,76 0,02 0,25 0,01 0,10 0,12 0,57 0,32 0,36 0,00 0,24 0,36 0,24 0,72 0,Dl 0,12 1,05 0,60 0,20 0,82 2,17 4,09 1,51 0,07 0,01 0,06 0,02 0,04 0,19 0,19 0,00 0,55 0,00 1,09 2,09 1,45 0,34 0,56 0,04 0,01 0,01 0,00 0,12 0,77 0,86 0,10 0,88 1,85
0,98 0,68 0,43 0,04 0,50 0,87 0,13 0,50 0,12 0,31 0,35 0,76 0,57 0,60 0,D2 0,49 0,60 0,49 0,85 0,07 0,34 1,03 0,78 0,45 0,90 1,47 2,02 1,23 0,26 0,10 0,24 0,14 0,21 0,43 0,43 0,04 0,74 0,04 1,05 1,45 1,20 0,58 0,75 0,21 0,09 0,07 0,06 0,34 0,88 0,93 0,31 0,94 1,36
10,34 6,64 3,98 0,39 4.00 6,31 0,90 3,40 0,77 1,81 1,94 3,92 2,76 2,69 0,07 2,05 2,40 1,89 3,26 0,27 1,24 3,70 2,77 1,56 3,02 4,73 6,10 3,56 0,72 0,26 0,61 0,35 0,50 1,00 0,97 0,09 1,53 0,09 2,09 2,86 2,34 1,12 1,43 0,39 0,17 0,13 0,11 0,61 1,53 1,59 0,53 1,57 2,25
296
70 60 50 40 30 20 10
METODOS DE PREDICCI6N EN ECONOMiA, I
13 17 21 25 29 33 37 41 45 49 53 57
• Serie + Predicci6n
FIG. 6.22.
Serie 3. Valores reales y predichos mediante el metoda de dobles medias moviles.
60 50 40
30
20 10
-10
13 17 21 25 29 33 37 41 45 49 53 57
• Error de predicci6n + Predicci6n
'
I , , , , , , , , I ,', I I I , I I i I I I , I II
i , ,_, , , I
I '"
, , I I , ..
FIG. 6.23.
Serie 3. Dobies medias moviles. Predicciones y errores de prediccion.
297
Prueba
r MMt - MMt
=/3,+/3I (kt-a
1)
t'()
fI
-/3 1
t-(k-l)
] =/3-I
(k- 1) 2
de donde se obtiene directamente el resultado.
(c.q.d.)
Teniendo en cuenta estos resultados, la prediccion se define como sigue: [6.43] La aplicacion del metodo de dobles medias moviles a la serie 3 puede verse en el cuadro 6.13 y las figuras 6.22 y 6.23. Comentarios al cuadro 6.13 En primer lugar hay que indicar que la estructura del cuadro ha variado para dar cabida a nueva informacion. En las columnas 3 y 4 aparecen ahora la media m6vil y la doble media movil de longitud 4 indicada esta ultima por DMMt• En las dos columnas siguientes aparecen las estimaciones de la tendencia y de la pendiente, respectivamente. Las predicciones aparecen en la columna 7. Veamos como se obtiene la primera prediccion en el perfodo 8. Y7(1) = 1'7 +
IJP)
·1 = 2MM7-
= 9,42
+ 1,04
MM'7 + _2_. (MM74-1
MM'7) =
10,46
Para los periodos extramuestrales se obtienen las siguientes predicciones:
= TS2 + 131(52) YS2(2) = TS2 + 131(52) Y5l3) = T52 + 131(52)

Ysll)
A A A A A A A A A
= 54,62 . 2 = 55,27 . 3 = 55,93

.1
4.3.
ALISADO EXPONENCIAL LINEAL DE HOLT
Es un metodo de estructura variable que, como el metodo de dobles medias moviles, asume que la tendencia es localmente lineal. Por 10 tanto, la prediccion esta basada en una actualizacion de la estimacion de la tendencia y la pendiente para cada perfodo muestral, confonne se incorpora nueva informacion, Pero, a diferencia del metoda de dobles medias moviles, la actualizacion se basa en todos los valores previos y no solo en un reducido mimero de ellos, siguiendo la misma lfnea vista en la seccion 2. Para ello, se utilizan dos constantes de ponderacion, que pueden tomar valores entre 0 y 1.
cq
298
CUADRO
6.14.
Serie 3. Alisado exponencial lineal de Holt (a

Prediccion
= 0,9; r= 0,2)
EAP Estadisticos
Serie
Telldencia
Pendiente
2 3 4 5 6 7 8 9 10
11
.w 5,02
6,44 7,51 8,21 9,26 9,48 10,21 10,78 11,57 12,55 13,86 14,34 14,77 15,88 17,10 17,91 19,31 20,62 22,13 23,04 23,93 24,87 25,83 26,09 27,42 27,82 27,73 28,06 28,63 29,95 31,19 33,13 34,48 35,69 37,26 39,08 40,49 42,09 43,17 44,58 46,24 48,32 49,34 49,90 50,60 51,45 52,18 52,28 53,50 53,96 54,69 55,21 56,27 57,46 58,16 58,20 59,48 60,56
3,66
12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
3,66 3,96 4,92 6,31 7,44 8,19 9,22 9,52 10,20 10,79 11,55 12,52 13,80 14,37 14,81 15,84 17,05 17,91 19,26 20,58 22,08 23,06 23,95 24,88 25,84 26,17 27,38 27,87 27,83 28,10 28,64 29,88 31,13 33,01 34,44 35,68 37,22 39,02 40,48 42,06 43,20 44,58 46,21 48,25 49,38 49,99 50,67 51,49 52,22 52,38 53,47 54,00
0,00 0,06 0,24 0,47 0,60 0,63 0,71 0,63 0,64 0,63 0,66 0,72 0,83 0,78 0,71 0,78 0,86 0,86 0,96 1,03 1,12
1,10
:!i'If1-S';;;:
1,00 1,28 0,73 0,17 0,43 -0,45 0,06 -0,06 0,16 0,34 0,63 -0,29 -D,38 0,36 0,48 0,00 0,54 0,41 0,52 -D,16 -0,22 -0,14 -0,08 -0,76 0.38 -0,51 -0,99 -0,44 -0,07 0,73 0,60 1,18 0,43 0,14 0,45 0,65 0,14 0,25 -0,30 0,D3 0,31 0,70 -0,45 -0,94 -0,68 -0,38 -0,40 -0,96 0,27 -D,41 -0,14 -0,44 -D,21 0,16 0,03 -D,75 -0,30 -0,04
Error prediccion
EC
EA 0,33 1,00 1,28 0,73 0,17 0,43 0,45 0,06 0,06 0,16 0,34 0,63 0,29 0,38 0,36 0,48 0,00 0,54 0,41 0,52 0,16 0,22 0,14 0,08 0,76 0,38 0,51 0,99 0,44 0,07 0,73 0,60 1,18 0,43 0,14 0,45 0,65 0,14 0,25 0,30 0,D3 0,31 0,70 0,45 0,94 0,68 0,38 0,40 0,96 0,27 0,41 0,14 0,44 0,21 0,16 0,D3 0,75 0,30 0,04
1,06 1,03 1,02 0,88 0,95 0,85 0,68 0,60 0,58 0,71 0,82 1,03 1,11 1,14 1,22 1,33 1,36 1,41 1,35 1,36 1,41 1,54 1,46 1,29 1,16 1,10 1,02 0,85 0,90 0,82
4,02 5,16 6,78 8,04 8,83 9,93 10,15 10,84 11,41 12,21 13,23 14,63 15,15 15,52 16,62 17,91 18,77 20,21 21,61 23,20 24,15 25,01 25,91 26,85 27,04 28,33 28,72 28,50 28,70 29,22 30,59 31,95 34,05 35,55 36,81 38,43 40,35 41,84 43,47 44,55 45,93 47,62 49,79 50,84 51,28 51,83 52,58 53,24 53,23 54,37 54,83 55,65 56,48 57,30 58,13 58,95 59,78 60,60
J ~33)
(O'~!'l.·
0,1 1,64 0,53 0,03 0,19 0,20 0,00 0,00 0,02 0,12 0,39 0,08 0,14 0,13 0,23 0,00 0,29 0,16 0,27 0,D3 0,05 0,02 0,01 0,58 0,14 0,26 0,99 0,20 0,00 0,53 0,36 1,39 0,19 0,02 0,20 0,42 0,02 0,06 0,09 0,00 0,09 0,49 0,20 0,89 0,46 0,15 0,16 0,93 0,08 0,17 0,02 0,19 0,04 0,D3 0,00 0,56 0,09 0,00
~Ol
8,27 19,99 19,88 9,69 2,09 4,70 4,72 0,54 0,60 1,34 2,70 4,52 2,00 2,55 2,28 2,81 0,02 2,79 1,97 2,35 0,71 0,93 0,55 0,33 2,93 1,37 1,83 3,59 1,58 0,24 2,44 1,92 3,56 1,26 0,40 1,20 1,66 0,35 0,60 0,69 0,06 0,66 1,45 0,91 1,89 1,35 0,74 0,77 1,84 0,51 0,76 0,25 0,80 0,37 0,28 0,06 1,29 0,50 0,07
ECM=O,29 ECM(8) = 0,12 EAM=0,45 EAM(8) = 0,26 EAPM = 2,64 EAPM(8) = 0,45
299
70,( 60 50 40 30 20 10
O~~~~++++++++++++++++-~I+I+I+I+I+I+,+.+I+i+.+1+.+1+1+,+,+1+1+1+1+1+1+I'~'~I ~.~J IH'HI~I~I~14~)~
13
17 21
•
25
29
33
37
41
45
49
53
57
Serie
Prediccion
FIG.
6.24. Serie 3. Valores reales y predichos mediante el metoda de Holt.
70
-1 0 +f-H-+4-H++-t-t+-++~I-t'-+'-+I-+I-+'-+I""-i-'-+I-Hl I'-H-++I
j j Iii
13
17 21
25
29
33
+
37
I j 1-1 I I , I I i I
II
41
45
49
53
I r I ·f
.-+-f)Io 57
Error de pradiccion FIG.
Predlccion
6.25. Serie 3.Metoda de Holt. Predicciones y errores de prediccion.
;zq
300 Las dos ecuaciones
METODOS DE PREDlCCI6N EN ECONOMIA, I
de actualizaci6n
toman la forma siguiente:
[6.44] [6.45]
donde T, es la tendencia estimada para el perfodo t y f31(t) es la estirnacion de Ia pendiente para ese mismo perfodo. a y r~OD las dos constantes que toman valores entre 0 y 1; a es la constante de alisamienro de la tendeneia y res Ia constante de alisamiento de la pendiente. La prediecion toma la forma siguiente:
A A
[6.46] Tambien en este caso es posible escribir las dos ecuaciones

de ecuaciones con mecanismo de correcci6n
[6.44] y [6.45] en forma de error, tomando la forma siguiente: [6.47] [6.48]
Prueba
Y teniendo en cuenta que:
se obtiene:
y sustituyendo en [6.45]:
La aplicaci6n guras 6.24 y 6.25. Comentarios
del metodo de Holt a la serie 3 puede verse en el cuadro 6.14 y las fi-
al cuadro 6.14
En este cuadro se recogen los ealculos realizades para a 0,9 Y r 0,2. En las columnas 3 y 4 sepresentan las estimaeiones de la tendencia Y la pendiente, respectivamente. En la quinta se escriben las predicciones yen la sexta los errores de predicci6n. Para comenzar los calculos es necesario bacer algun supuesto sobre los valores iniciales; en este libra, siguiendo a Farnum y Stanton (1989). hemos adoptado los siguientes valores iniciales:
A
T, =Yj
f31(1) = 0
A
301
Otras soluciones y comentarios sobre las mismas pueden verse en Makridakis y Wheelright (1989). Utilizando [6.44], el valor de la tendencia estimado para e1 perfodo 52 es el siguiente:
A
TS2
= a-
YS2
+ (1- a) (TS1 + /31(51» = 0,9·53,96 + 0,1 . (53,47 + 0,90)
= 54
Utilizando [6.45] el valor estimado de la pendiente para ese mismo perfodo es: /31(52) = y[TS2 - TS1] + (1A A A
n /31(51) = 0,2 [54 - 53,47] + 0,8·0,90

A
= 0,82
y utilizando [6.46] la predicci6n para los perfodos extramuestrales seria: YS2(1) = TS2
A A A A
+ /31(52). 1 = 54 + 0,82 = 54,82

A
YS2(2) = TS2 + /3/52) . 2 = 55, 65

• ~ ••••• ~~.~ ••••••• I ••• ~ ••• ~ ••••••••••••••••••••• , ••••••••••• ~ ••.••• ', ••••
El analisis grafico puede hacerse a partir de las figuras 6.24 y 6.25, donde se aprecia que los errores de predicci6n giran en tomo a cero sin ninguna pauta clara que permita pensar en que algo relevante ha quedado en ellos como resto. Los valores comentados dependen de los valores tornados por las dos constantes de alisamiento; para analizar la dependencia de los resultados respecto a los valores que toman estas constantes se han repetido los calculos para tres valores diferentes de ambas constantes: 0,2, 0,6 Y0,9. Los resultados obtenidos pueden verse en el cuadro 6.15.
CUADRO
6.15.
Serie 3. Alisado exponenciallineal de Holt. Andlisis comparado

ECM ECM(8) EAM EAM(8) £AMP EAPM(8)
Pardmetros
a 0,2
r
0,2 0,6 0,9 0,2 0,6 0,9 0,2 0,6 0,9
2,45 1,82 1,31 0,50 0,33 0,30 0,29 0,23 0,24
10,49 5,06 4,03 0,20 0,63 0,17 0,12 0,50 0,68
1,36 1,14 0,95 0,57 0,46 0,45 0,45 0,39 0,41
3,18 1,86 1,75 0,36 0,64 0,36 0,26 0,57 0,67
7,71 6,00 5,53 3,37 2,85 2,67 2,64 2,28 2,33
5,50 3,17 2,99 0,62 1,09 0,61 0,45 0,97 1,13
0,6
0,9
Los resultados que aparecen en este cuadro nos permiten apuntar las siguientes conclusiones. Los peores resultados se obtienen para a = 0,2 sea cual sea el valor de y. Para a = 0,6 Y a = 0,9, los mejores resultados se obtienen para Y= 0,2 Y Y= 0,9. En cualquier caso, los mejores resultados atendiendo a los perfodos extramuestrales se aIcanzan con a = 0,9 y
Y= 0,2.
302
METODOS DE PREDICCI6N EN ECONOMIA, I
Terminamos esta seccion con un analisis comparado de los resultados a los que han llegado los tres metodos propuestos para predecir la serie 3. Estos resultados pueden verse en el cuadro 6.16.
CUADRO
6.16.
ECM

Metodo
Tendencia lineal Dobl~s medias rnoviles (k
2,47
0,70 0,57 0,12
1,25 0,57 0,45
0,67 0,61 0,26
7,47 2,29 2,64
1,15 1,04 0,45
= 4)
0,52 0,29
Alisado exponenciallineal de Holt (a= 0,9, 0,2)
r=
A partir de estos resultados parece apuntarse que el metodo de alisado exponencial lineal de Holt es el mas satisfactorio, especialmente si se presta atencion al perfodo extramuestral. Hemos visto que los tres metodos analizados en esta seccion para la serie 3 afirman que la tendencia era lineal. Pero nada impide variar el supuesto y considerar otro tipo de forma funcional para dicha tendencia. Asi, nada impide en el metoda de estructura fija asumir, por ejemplo, una forma cuadratica, y en los de estructura variable suponer que localmente la tendencia es cuadratica, Para algunos desarrollos en esta linea puede verse Abraham y Ledolter (1983), en donde se desarrollan metodos, como el de triple alisamiento exponencial, basados en la hipotesis de que la tendencia es localmente cuadratica.
5. Metodos no parametricos para series tipo 4: tendencia lineal con variables

ficticias, metodo de descomposicion y alisado exponencial de Holt-Winters La estructura basica de esta serie, tal como se ha comentado en el capitulo 2, adopta la forma siguiente: [6.49] donde T/ es la tendencia, Sf el componente estacional y ut un termino aleatorio sin un patron de comportamiento definido. La funci6njt ), en principio, es arbitraria, aunque en la practica ha adoptado dos formas diferentes, dando lugar ados modelos distintos: Modelo aditivo: [6.50] Modelo multiplicativo: [6.51]
303
En el modelo multiplicativo, los componentes estacional y aleatorio son factores correctores que se aplican a la tendencia, de forma que los niveles que alcanzan dependen del nivel alcanzado.por dicha tendencia. Aunque esas dos opciones son las mas consideradas en la practica, nada impide la consideraci6n de otras, como por ejemplo: [6.52] En algunos trabajos se incluye un cuarto termino denominado componente ciclico, Nosotros en este libro 10 incluiremos dentro de la tendencia debido a que la identificaci6n y prediccion de este cuarto componente requerira prestar atencion a otros factores distintos del pas ado de la propia variable, 10 que des borda el marco del presente capitulo.
5.1.
TENDENCIA LINEAL CON VARIABLES FICTICIAS
Es un metoda de estructura del siguiente tipo:
fija que considera
para calcular la prediccion
un modelo
[6.53] donde la variable Di' i 1,2, ... , stoma el valor 1 si Yt pertenece ala estaci6n i-esima yO si no pertenece a esa estaci6n. La aportacion de cada componente estacional viene dada por el parametro correspondiente; es decir:
i = 1,2, ... , s Para obtener Ia prediecion a JJ(lltir de los datos, primero se estiman los parametres de [6.53] can los estimadores Mea llegandose a Y], Y2' .'" En principia, tal C0nlO esta escritoel modelo en (6.53] estes parametres no se pueden estimar por la presencia de multicolinealidad exacta. Es preciso incorporar informaci6n a priori que permita dicha estima-
/30' /3],
%.
ci6n. Nosotros utilizaremos
la siguiente restricci6n: [6.54]
Con esta restricci6n se quiere indicar que la aportaci6n del componente estacional dentro del afio es nula. Introduciendo esta restricci6n en [6.53], obtenemos el siguiente modelo: [6.55] Ahora que es posible estimar todos los parametres, la predicci6n inmediata. Asi, para cualquier periodo muestral se obtiene: yP) si el periodo (t + 1) corresponde
A
se obtiene de forma
= f3
/\.
+ f3] . (t + 1) + y;
/\.
[6.56]
a la estaci6n i-esima.
304
CUADRO
METODOS
DE PREDICCI6N
EN ECONOMfA,
6.17.
Serie 4. Tendencia lineal con variablesficticias

Error prediccion 0,83 0,44 0,51 0,84 0,58 0,78 0,68 -0,11 0,07 0,22 -0,05 -0,06 0,19 -0,15 -0,64 -0,26 -0,16 -0,25 -0,03 -0,03 0,35 0,10 -0,12 -0,12 0,00 -0,63 -0,03 -0,93 -1,46 -1,47 -1,61 -1,22 -1,28 -0,53 -0,88 -0,88 -0,46 0,10 -0,14 0,20 -0,03 0,58 0,81 1,50 0,83 0,77 0,70 0,88 0,55 0,04 0,79 0,17 0,13 -0,15 0,31 0,43 -0,15 -0,88 0,21 0,02
Serie I 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 13,36 10,73 9,29 10,82 13,24 11,2 9,59 10 12,87 10,77 8,99 10,18 13,12 10,54 8,53 10,11 12,9 10,57 9,27 10,48 13,54 11,05 9,32 10,52 13,32 10,45 9,54 9,84 12 9,74 8,09 9,68 12,31 10,82 8,95 10,15 13,26 11,58 9,82 11,37 13,82 12,19 10,91 12,8 14,81 12,51 10,93 12,31 14,67 11,91 11,15 11,73 14,38 11,86 10,8 12,12 14,23 11,26 10,83 11,84
Estimaci6n1 predicci6n
EC
0,69 0,19 0,26 0,71 0,33 0,61 0,47 0,01 0,01 0,05 0,00 0,00 0,04 0,02 0,41 0,07 0,D3 0,06 0,00 0,00 0,12 0,01 0,01 0,01 0,00 0,40 0,00 0,86 2,12 2,17 2,59 1,49 1,63 0,28 0,78 0,78 0,21 0,01 0,02 0,04 0,00 0,34 0,66 2,26 0,68 0,59 0,49 0,78 0,31 0,00 0,62 0,03 0,02 0,02 0,09 0,18 0,02 0,77 0,04 0,00
EA 0,83 0,44 0,51 0,84 0,58 0,78 0,68 0,11 0,07 0,22 0,05 0,06 0,19 0,15 0,64 0,26 0,16 0,25 0,03 0,03 0,35 0,10 0,12 0,12 0,00 0,63 0,03 0,93 1,46 1,47 1,61 1,22 1,28 0,53 0,88 0,88 0,46 0,10 0,14 0,20 0,03 0,58 0,81 1,50 0,83 0,77 0,70 0,88 0,55 0,04 0,79 0,17 0,13 0,15 0,31 0,43 0,15 0,88 0,21 0,02
EAP 6,21 4,10 5,53 7,79 4,36 6,95 7,11 1,09 0,58 2,01 0,56 0,60 1,47 1,39 7,53 2,60 1,23 2,35 0,37 0,24 2,58 0,90 1,24
Estadisticos ECM;0,47 ECM(8) = 0,14 EAM=0,52 EAM(8) = 0,28 EAPM=4,79 EAPM(8) = 2,43
12,53 10,29 8,78 9,98 12,66 10,42 8,91 10,11 12,80 10,55 9,04 10,24 12,93 10,69 9,17 10,37 13,06 10,82 9,30 10,51 13,19 10,95 9,44 10,64 13,32 11,08 9,57 10,77 13,46 11,21 9,70 10,90 13,59 11,35 9,83 11,03 13,72 11,48 9,96 11,17 13,85 11,61 10,10 11,30 13,98 11,74 10,23 11,43 14,12 11,87 10,36 11,56 14,25 12,01 10,49 11,69 14,38 12,14 10,62 11,82
17
18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
I,ll
0,D2 6,05 0,29 9,44 12,13 15,13 19,90 12,61 10,37 4,86 9,85 8,70 3,46 0,88 1,47 1,80 0,22 4,76 7,46 11,74 5,58 6,14 6,42 7,16 3,78 0,30 7,09 1,44 0,92 1,23 2,85 3,52 1,05 7,80 1,90 0,13
305
15 14 13 12 11
10-
l
"
" "
!
I
,
"l
I.
I I'
t
I
,
I
,
II
I. l
9 6
"
1 5
H-IIII'II"
.;-
13
17 21
25
29
+
33
37
41
45
49
53
57
•
FIG. 6.26.
Serie
Predicci6n
Serie 4. Valores reales y predichos mediante el metoda de tendencia lineal con variablesficticias.
15 14 13 t 12 " 11,,'
1~ ... /
tAt
~.I ,I II II " I,
t
,I II
_
., II
:1.1
I,
tAl
I,,'
II I,
t I. ~ ,
.'
"~
'\'
I'
~I "\ I
• I~'t
~
't
\'
'{
'J
'/
'~f\t't~ +, '"
,'I I~ I~
"
It
'J
'J
\1',
It
t' "\ I+ ,
"
'I
\=
87
6 5
4
3 2
-1
O~--~~~~~~~~~------~~~----~~~~
5 9 13 17 21 25 29 33
+
37
41
45
49
53
57
Error de predicci6n FIG.
Predicci6n
6.27.
Serie 4. Metoda de tendencia lineal con variables ficticias. Predicciones y errores de prediccion.
aq
306
METODOS DE PREDICCI6N EN ECONOMIA. I
Para los periodos extramuestrales: [6.57] si el periodo (T + I) corresponde a la estacion i-esima. La aplicacion de este metoda a la serie 4 puede verse en el cuadro 6.17 y las figuras 6.26 y 6.27. Comentarios al cuadro 6.17 En este caso tenemos que s escriben ahora como:
= 4, por 10 que los modelos
escritos en [6.53] y [6.55] se [6.58] [6.59]
Yt = f30 + f31t + rPlt + Y2DZt + r3D3t + ~D4t + »: Yt = f30 + f31t + rlDzt - D1t) + riD3t - D1t) + riD 4t - D1t) + Ut
La primera tarea es estimar los parametres de [6.59] utilizando los 52 datos muestrales. Los resultados aparecen en el cuadro 6.18.
CUADRO
6.18.
-
Estimacion 1,634(D3t - Dlr) = 0,801

-
Y, = 10,311 + 0,033t-
0,087(D2, - DL,) R2=0,817
R"2
0,466(D4, -D1,)
Teniendo en cuenta la restriccion [6.54] se obtienen los cuatro componentes estacionales.

S2
/\ /\
= 11 = -0,087
/\
/\
S4 = r4
= -0,466
El ajuste para el segundo periodo (= segundo trimestre) viene dado por: Yz= f30 + f31 . 2 + S2
/\ /\ /\ /\
= 10,311 + 0,066 -
0,087
= 10,29 = 14,25 = 11,82
Para el primer perfodo extramuestral (= primer trimestre) la prediccion es:

Y5z(1)
A
= f30 + f31 ·53

A /\
+ Sl
/\
= 10,311 + 0,033·53
+ 2,187
y para el ultimo periodo extramuestral (= cuarto trimestre): Y5l8)

A
= f30 + f31 ·60

I\. /\.
+ S4 = 10,311 + 0,033·60 - 0,466

/\
La obtencion de los resultados de las otras columnas es inmediato. El analisis grafico puede hacerse a partir de las figuras 6.26 y 6.27, en las que se comparan las evoluciones reales y predichas y se recoge un grafico de los errores de predic-
307
cion. EI grafico de los errores de prediccion, figura 6.27, parece indicar la presencia de una pauta de comportarniento no recogida en los patrones sisternaticos,
5.2.
MEloDO
DE DESCOMPOSICION
Es un metodo de estructura fija, que obtiene la prediccion tras especificar un proceso que permite la identificacion de los dos componentes con un patron de conducta bien definido -tendencial y estacional-, proyectando luego dicho patron para dar lugar a la prediccion. Es quiza el metodo de prediccion que ha tenido una mayor dimension practica. Es un metodo en cinco etapas que vamos a ilustrar adoptando un modelo aditivo; posteriormente, comentaremos las variantes que introduciria la consideracion de un modelo multiplicativo. EI modelo que se adopta de partida es el escrito en [6.50] y las cinco etapas del proceso son las siguientes: 1) Primera estimacion de la tendencia can el metoda de medias moviles
Se calcula una serie igual al valor de la media m6vil de longitud k, asignando cada valor de la media movil al periodo que es el centro de la misma, que, como ya hemos dicho, e t - (k - 1) I 2. Si Ja longitnd de la media m6:vil es par este centro ne es un numero entero? y e1 valor de la media movil no S0 pnedeasignar a iilf"peifodo concreto; para solueionar este ~- ~ problema se caleula 10 que se llama 18,media movil centrada que es una media movil de] ~ longitud 2 aplicada a ~0S,valores de Ia media movil calculados en primer Ingar. De esta for- j rna obtenemos una primera estimacion de la tendencia que representaremospor T/l). 2) Estimacion de los componentes estacionales
A partir de esa primera estimacion de la tendencia, podemos estimar, para cada perfodo, la aportacion conjunta del componente estacional y el termino aleatorio, mediante la siguiente expresion:
[6.60]
A continuacion, se calcula para cada estacion los valores medios correspondientes a los valores obtenidos en [6.60], mediante la expresion:
S* 1- ----'------T-, --., _ IE 1j
1
1: (S~J
i= 1,2, ... .S
[6.61]
donde
tE 1j
1:
indica que el sumatorio se extiende a todos los perfodos correspondientes a la
estacion i-esima; T; indica el mimero de perfodos de dicha estaci6n. Se calcula la media de los valores obtenidos en [6.61]
Q
308
METODOS DE PREDICCI6N EN ECONOMfA, I
[6.62] Si el valor de Ses cero 0 proximo a cero. la estimacion de los componentes estacio, nales viene dada por los valores obtenidos en [6.61]. Si el valor obtenido de S es diferente de cera. la estimacion de los componentes estacionales viene dada por: i=I.2 .... ,s [6.63]
En algunas versiones, ala hora de calcular las medias en [6.61] se suprlmen los valores mayor y menor ca1culados en [6.60] para evitar la influencia excesiva de valores atipicos. 3) Obtencion de la serie desestacionalizada
Una vez estimados los componentes estacionales puede definirse una nueva serie en la que estes no aparezcan, restandolos de la serie original: i = 1,2, ..., s [6.64]
si el periodo t corresponde a la estacion i-esima. La serie cuyos valores se han obtenido a partir de [6.64] se llama «serie desestacionalizada» . 4) Estimacion de la tendencia lineal Se especifica el modelo:
y se estiman
f30 y f3i
aplicando MCO, obteniendo la tendencia estimada siguiente: [6.65]
5)
Cdlculo de la prediccion
La prediccion toma la forma siguiente:

i
/\
= 1, 2, ..., s
[6.66]
tomando S, el valor de aquel componente de la estacion a la que corresponde el periodo Si en lugar de haber adoptado el modelo aditivo hubieramos tornado el modelo multiplicativo, hay que tener en cuenta ciertas variaciones en algunas de las etapas. En la expresion [6.60], en lugar de restar en la parte de la derecha se utiliza un cociente entre y, y T,(I). La media en [6.62] tiene que ser igual as y no a cero; la diferencia en [6.64] se convierte en
r- t.
309
CUADRO 6.19.
Serie
Serie 4. Metoda de descomposicion

Deses. Estimaclon/ prediccion Error prediccion Estadisticos
MM
MMC
I 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
13,36 10,73 9,29 10,82 13,24 11,2 9,59 10 12,87 10,77 8,99 10,18 13,12 10,54 8,53 10,11 12,9 10,57 9,27 10,48 13,54 11,05 9,32 10,52 13,32 10,45 9,54 9,84 12 9,74 8,09 9,68 12,31 10,82 8,95 10,15 13,26 11,58 9,82 11,37 13,82 12,19 10,91 12,8 14,81 12,51 10,93 12,31 14,67 11,91 11,15 11,73 14,38 11,86 10,8 12,12 14,23 11,26 10,83 11,84
11,05 11,02 11,14 11,21 11,01 10,91 10,81 10,66 10,70 10,77 10,71 10,59 10,57 10,52 10,53 10,71 10,80 10,97 11,09 11,10 11,1l 11,05 10,90 10,96 10,79 10,46 10,28 9,92 9,88 9,96 10,23 10,44 10,56 10,80 10,99 11,20 11,65 11,80 12,07 12,43 12,68 12,76 12,76 12,64 12,61 12,46 12,51 12,37
n.s!
11,04 11,08 11,18 11,11 10,96 10,86 10,73 10,68 10,73 10,74 10,65 10,58 10,55 10,52 10,62 10,76 10,89 11,03 11,09 11,10 11,08 10,98 10,93 10,87 10,62 10,37 10.10 9,90 9,92 10,09 10,33 10,50 10,68 10,89 11,09 11,36 11,58 11,72 11,94 12,25 12,55 12,72 12,76 12,70 12,62 12,53 12,48 12,44
11,19 10,80 10,95 11,25 11,27 11,25 10,43 10,70 10,84 10,65 10,61 10,95 10,61 10,19 10,54 10,73 10,64 10,93 10,91 11,37 11,12 10,98 10,95 11,15 10,52 11,20 10,27 9,83 9,81 9,75 10,11 10,14 10,89 10,61 10,58 11,09 11,65 11,48 11,80 11,65 12,26 12,57 13,23 12,64 12,58 12,59 12,74 12,50 11,98 12,81 12,16 12,21 11,93 12,46 12,55 12,06 11,33 12,49 12,27
11m
12,51 10,31 8,75 10,01 12,64 10,44 8,88 10,14 12,78 10,57 9,01 10,27 12,91 10,70 9,15 10,41 13,04 10,83 9,28 10,54 13,17 10,97 9,41 10,67 13,30 11,10 9,54 10,80 13,44 11,23 9,67 10,93 13,57 11,36 9,81 11m 13,70 11,49 9,94 11,20 13,83 11,63 10,07 11,33 13,96 11,76 10,20 11,46 14,10 11,89 10,33 11,59 14,23 12,02 10,47 11,73 14,36 12,15 10,60 11,86
0,85 0,42 0,54 0,81 0,60 0,76 0,71 -D,14 0,09 0,20 -D,02 -D,09 0,21 -D,16 -D,62 -D,30 -D,14 -D,26 -D,OI -D,06 0,37 0,08 -D,09 -D,15 0,02 -D,65 O,DO -D,96 -1,44 -1,49 -1,58 -1,25 -1,26 -D,54 -D,86 -D,92 -D,44 0,09 -D,12 0,17 -D,01 0,56 0,84 1,47 0,85 0,75 0,73 0,85 0,57 0,02 0,82 0,14 0,15 -D,16 0,33 0,39 -D,13 -D,89 0,23 -D,02
ECM=0,47 ECM(8) = 0,15 EAM=O,52 EAM(8) = 0,29 EAPM=4,79 EAPM(8) = 2,49
310
un cociente y, por ultimo, la prediccion en lugar de ser el resultado de la suma de la tendencia y el componente estacional es igual al producto de ambos terminos, Hemos comentado que este metodo es quiza el que ha tenido una mayor aplicaci6n en la practica, La mayor parte de los procedimientos de desestacionalizaci6n guardan rela. cion con este metodo. Por ejemplo, el metoda X-ll guarda una relacion estrecha con el procedimiento comentado; pero, como puede verse en Abraham y Ledolter (1983), hay otros procedimientos que tambien mantienen esa relacion, La aplicacion del metodo de descomposicion puede verse en el cuadro 6.19.
1) Primera estimacion de la tendencia. Se ha comenzado calculando una media movil de longitud cuatro, cuyos valores aparecen en la columna 3. Los primeros valores de esta columna son:
MM
13,36 + 10,73 + 9,29 + 10,82 4
11,05
MMs = 10,73 + 9,29 + 10,82 + 13,24 = 11,02 4 y as! sucesivamente. Siendo la longitud par, el centro de esta media m6vil no es un mimero entero, por 10 que se ha calculado la media movil centrada cuyos valores aparecen en la columna 4. Los dos primeros son:
~1)
11,05 + 11,02
2
11,04 11,08
~1)
11,02 + 11,14 2
y as! sucesivamente hasta el periodo 50.

2) Estimacion de los componentes estacionales. La parte estacional de cada perfodo se obtuvo aplicando la formula [6.60], restando a los elementos de la columna 2 los elementos de la columna 4. Los resultados, agrupados por trimestres, pueden verse en el cuadro 6.20. La media de estas medias muestrales es:
Por ser muy proximo a cero, en un ejercicio normal ya no se precisana de ajuste ailicional y la estimaci6n de los componentes estacionales sedan los valores calculados de Sf, i = 1,2,3 Y4.
METODOS NO PARAMETRlCOS DE SERIES TEMPORALES

CUADRO
311
6.20.
Valores estacionales
2.0 trimestre
3. er trimestre
Ano 1.0
2.° 3.° 4.° 5.° 6.° 7.° 8.° 9.° 10.° 11.° 12.° 13.°
Media: S'!' I
1.er trimestre
4.0 trimestre
2,06 2,14 2,47 2,28 2,45 2,39 1,90 1,98 2,16 1,88 2,05 2,19 2,163
0,09 0,09 -0,04 -0,19 -0,05 -0,42 -0,16 0,32 0,22 -0,06 -0,19 -0,53 -0,0765
-1,74 -1,37 -1,74 -2,02 -1,61 -1,76 -1,08 -1,83 -1,73 -1,76 -1,64 -1,69 -1,665
-0,26 -0,86 -0,56 -0,41 -0,54 -0,46 -0,53 -0,41 -0,74 -0,35 -0,08 -0,22 -0,438
Como la intencion de este ejercicio es ilustrar el metodo comentado, vamos a realizar el ajuste aplicando la formula [6.63]. Los resultados que se obtienen son los siguientes:
= Si - S = 2,163 + 0,0041 = 2,1671 S2 = Si - S = -0,0765 + 0,0041 = -0,0724 S3 = S! - S = -1,665 + 0,0041 = -1,6609 S4 = S! - S = -0,438 + 0,0041 = -0,4339
Sl
A A A A __
y estas seran las estimaciones de los componentes estacionales.
3) Serie desestacionalizada. La serie desestacionalizada se obtiene aplicando la expresion [6.64]. Los resultados aparecen en la columna 5. Los dos primeros valores de esta serie son:
T?)
= Yl TP) = Y2 -
Sl
A
= 13,36 - 2,1671 = 11,19 S2 = 10,73 + 0,0724 = 10,80

A
y as! sucesivamente. La representacion grafica de esta serie puede verse en la figura 6.28. 4) Estimacion de la tendencia. Tras aplicar MeO a los datos de la serie desestacionalizada la tendencia estimada que se obtiene es:
A
Tt
= 10,312 + 0,033t
= 0,343
R2
5) Obtencion de la prediccion. Las predicciones que se obtienen para algunos periodos extramuestrales, tras aplicar la formula escrita en [6.66], son:
METODOS DE PREDlCC16N EN ECONOMlA, 1
312
15 14 13 12 11 10
,
• .,_
<I
4-
.. "
'_1-1,,,",,"1111
8 1 5 9 13 17
•
,",,,,"1''45 49 53 57
21
Serie
25
29
+
33
37
41
Predicci6n
FIG. 6.28.
Serie 4. Serie desestacionalizada.
15 14 131211 10 9
8I'
,
'I II
,I ,I ,I
', ,,
II I
"
,~
I \I
It
t I'
I'
I'
I I'
I,
I, l
I,
~ ~
I, +++++ 13 17
•
II II i+-H-' " 1111 "
...
HII'II
I"'"
21
Serie
25
29
+
33
37
41
45
49
53
57
Predicci6n
FiG. 6.29.
Serie 4. Valores reales y predichos mediante el metodo de descomposicion.
--METODOS NO PARAMETRICOS DE SERIES TEMPORALES
313
15 14 13 t t ft it r ,I 'I 12 11 I ,I I 'I, ~ 1-'~'\l\t' 10 "\! \ f' \ t \ I I 9 - ~' ¥ ~ \- 'I 8
,I ,I ,I 'I 'I
6 5 4 3 2
-2
H:-H-+-H
r,
III
f iii
1 i • I i I I I I I I I I I I , I I I I I [at-
13
17 21
25
29
33
+
37
41
45
49
53
57
Error de predicci6n
Predicci6n
FIG. 6.30.
Serie 4. Metoda de descomposicion.
Predicciones y errores de prediccion.
Para el periodo 53 (= primer trimestre):
YszC1) = 10,312 + 0,033·53

A
+ 2,1671
= 14,23 = 12,02
Para el periodo 54 (= segundo trimestre):
Ysi2)
= 10,312
+ 0,033·54
- 0,0724
Y para el periodo 60 (= cuarto trimestre):
Ysi8)
= 10,312
+ 0,033·60
- 0,4339
= 11,86
Todas estas predicciones aparecen en la sexta columna del cuadro 6.19. La representaci6n grafica puede verse en las figuras 6.29 y 6.30. En esta ultima se representan tambien los errores de predicci6n, pudiendose observar algunas series de valores seguidas con el mismo signo, 10 cual puede indicar alguna pauta que no ha sido recogida por los componentes tendencial y estacional.
5.3.
ALISADO EXPONENCIAL DE HOLT-WINTERS
Es un metoda de estructura variable bas ado en la reestimaci6n a 10 largo de todos los periodos muestrales de la tendencia, la pendiente y el componente estacional mediante unas ecuaciones de actualizaci6n. La predicci6n en un periodo se formula en terminos de los vaIores estimados de estos tres terminos en el periodo en que se formula la predicci6n. Se hace
314
el mismo supuesto de linealidad local comentado ya al hablar del alisado exponencial Holt. Las tres ecuaciones de actualizacion toman la forma siguiente: Tt
A
de
= a [Yt = 8[Yt
[31(t) = y[Tt Si(t)

A
Si(t - 1)] + (1 - a) [Tt_1 + [31(t - 1)]

-
/\..
/\
A./\
Tt_1]
A
+ (1 -
n [31(t-l)
/\ A
[6.67] [6.68]
- Tt] + (1- 8) Si(t-l)
= 1,2,
..., S
[6.69]
Esta ultima ecuacion se mantiene siempre que t corresponda caso contrario, debe reemplazarse por la siguiente:
ala estacion z-esima; en
donde:
A
T, = estimacion de la tendencia utilizando la informacion [31(t) = estimacion de la pendiente utilizando la informacion Si(t) = estimacion
A A
de y hasta el perfodo
t;
de y
de y hasta el perfodo t; la informacion
del componente hasta el perfodo t.
estacional
i-esimo utilizando
a, yy 8 son constantes que toman valores entre 0 y 1. a es la constante de alisamiento de la tendencia, yes la constante de alisamiento de la pendiente y 8 es la constante de alisarniento del componente estacional. Hay que destacar que la relacion [6.69] se formula genericamente para los s componentes estacionales, pero solo uno de elIos, el que corresponde a la estacion del periodo z-esimo, actualiza su valor; el resto de los componentes mantienen el valor estimado en el perfodo anterior. La prediccion para un perfodo de la muestra toma la forma siguiente:
[6.70] donde el componente i-esimo sera el que corresponda al perfodo z-esimo. Para los perfodos extramuestrales podemos escribir:
[6.71]
donde se elegira el componente estacional i-esimo que corresponda al perfodo T + 1. Tambien en este caso vamos a demostrar que las ecuaciones de actualizacion [6.67], [6.68] y [6.69] pueden escribirse en forma de relaciones con mecanismo de correccion de error que, en este caso, toman la siguiente forma:
[31(t) = [3/t-1)
Si(t)=Sp-l)
A A
T, = Tt_1 + [31(t - 1) + lXet_tO)

A A A
[6.72] [6.73] [6.74]
+ ayetjl) + 8(1- a) et_1(1)

CUADRO
315
6.21.
Pendiente
Alisado
Estacio.
exponencial
Predicci6n
de Holt- "":inters (a = 0,2; Y= 0 = 0,9)

Error
Serle
Tendencia
predicci6n
EC
EA
EAP
Rstodtsticos
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
13,36 10,73 9,29 10,82 13,24 11,2 9,59 10 12,87 10,77 8,99 10,18 13,12 10,54 8,53 10,11 12,9 10,57 9,27 10,48 13,54 11,05 9,32 10,52 13,32 10,45 9,54 9,84 12 9,74 8,09 9,68 12,31 10,82 8,95 10,15 13,26 11,58 9,82 11,37 13,82 12,19 10,91 12,8 14,81 12,51 10,93 12,31 14,67 11,91 11,15 11,73 14,38 11,86 10,8 12,12 14,23 11,26 10,83 11,84
10,51 10,72 10,92 11,16 11,21 11,26 11,29 11,13 10,95 10,78 10,62 10,62 10,72 10,75 10,67 10,60 10,53 10,52 10,68 10,85 11,05 11,24 11,31 11,29 11,20 11,01 10,96 10,84 10,54 10,26 9,90 9,77 9,85 10,19 10,55 10,79 11,01 11,20 11,40 11,68 11,87 12,01 12,23 12,58 12,89 13,03 13,01 12,83 12,68 12,50 12,49 12,40
0,18 0,20 0,21 0,23 Om 0,05 0,04 -0,14 -0,18 -0,17 -0,16 -0,02 0,09 0,04 -om -om -om -o,D1 0,14 0,17 0,19 0,20 0,08 -0,01 -0,09 -0,18 -0,06 -0,12 -0,28 -0,28 -0,35 -0,16 0,06 0,31 0,35 0,25 0,22 0,19 0,20 0,27 0,20 0,15 0,21 0,34 0,32 0,16 -0,01 -0,16 -0,15 -0,18 -0,03 -0,08
2,78 0,00 -1,63 -0,35 2,11 -0,05 -1,69 -1,05 1,94 -0,01 -1,64 -0,50 2,36 -0,19 -2,09 -0,49 2,37 0,D2 -1,48 -0,38 2,48 -0,17 -1,94 -0,73 2,16 -0,52 -1,48 -0,97 1,53 -0,52 -1,78 -0,18 2,37 0,51 -1,62 -0,59 2,26 0,39 -1,59 -0,34 1,98 0,20 -1,34 0,17 1,92 -0,45 -2,00 -0,45 1,98 -0,58 -1,40 -0,65
12,53 10,61 9,29 10,66 14,18 11,27 9,68 10,98 13,10 10,72 8,91 9,41 12,54 10,79 9,15 10,10 12,89 10,27 8,42 10,33 13,38 11,26 9,96 11,01 13,77 10,94 8,90 10,17 12,88 9,74 8,51 8,58 11,14 9,38 8,73 10,73 13,41 11.75 9,78 11,01 14,20 12,46 10,57 12,10 14,90 13,42 11,85 13,17 14,59 12,08 10,32 12,01 14,31 11,67 10,76 11,44 13,99 11,35 10,44 11,12
0,83 0,12 0,00 0,16 -0,94 -om -0,09 -0,98 -0,23 0,05 0,08 0,77 0,58 -0,25 -0,62 0,01 0,30 0,85 0,15 0,16 -0,21 -0,64 -0,49 -0,45 -0,49 0,64 -0,33 -0,88 0,00 -0,42 1,10 1,17 1,44 0,22 -0,58 -0,15 -0,17 0,04 0,36 -0,38 -0,27 0,34 0,70 -0,09 -0,91 -0,92 -0,86 0,08 -0,17 0,83 -0,28 om 0,19 0,04 0,68 0,24 -0,09 0,39 0,72
om
0,69 0,02 0,00 0,D3 0,88 0,Dl 0,Dl 0,95 0,05 0,00 0,Dl 0,59 0,33 0,06 0,39 0,00 0,00 0,09 0,72 0,D2 0,02 0,05 0,41 0,24 0,20 0,24 0,41 0,11 0,77 0,00 0,18 1,22 1,37 2,08 0,05 0,33 0,02 0,D3 0,00 0,13 0,15 om 0,11 0,49 0,D1 0,82 0,84 0,73 0,Dl 0,D3 0,69 0,08 0,01 0,04 0,00 0,47 0,06 0,Dl 0,15 0,52
0,83 0,12 0,00 0,16 0,94 om 0,09 0,98 0,23 0,05 0,08 0,77 0,58 0,25 0,62 0,Dl 0,Dl 0,30 0,85 0,15 0,16 0,21 0,64 0,49 0,45 0,49 0,64 0,33 0,88 0,00 0,42 i.io 1,17 1,44 0,22 0,58 0,15 0,17 0,04 0,36 0,38 0,27 0,34 0,70 0,09 0,91 0,92 0,86 0,08 0,17 0,83 0,28 om 0,19 0,04 0,68 0,24 0,09 0,39 0,72
6,21 1,16 0,D2 1,47 7,07 0,66 0,89 9,75 1,81 0,50 0,87 7,56 4,41 2,37 7,32 0,14 0,10 2,80 9,13 1,44 1,17 1,93 6,88 4,66 3,35 4,66 6,75 3,36 7.32 0,04 5,21 11,39 9,50 13,33 2,49 5,69 1,12 1,45 0,44 3,15 2,78 2,18 3,10 5,46 0,59 7,24 8,39 6,96 0,56 1,46 7,47 2,38 0,52 1,61 0,36 5,64 1,70 0,82 3,56 6,09
ECM=0,32 ECM(8) = 0,16 EAM=0,44 EAM(8) = 0,30 EAPM = 4,00 EAPM(8) = 2,54
.....
316
Prueba [6.72]: Teniendo en cuenta que et_p) = Y,- y,jl), Y
I) + Sj(t - I) METODOS DE PREDICCI6N EN ECONOMIA, I
y,jl)
a partir de [6.67] se puede escribir:
= 1-'_1 + ~1(t 1) -Sj(t-
1-, = T'_1+ ~1(t-
I)
+ a[y,- T'_1- ~1(t-
1)] = T'_1- (31(t-l)
+ ae,jl)
(c.q.d.)
[6.73]: A partir de [6.72] se tiene que:
por 10 que sustituyendo en [6.68] se obtiene: (31(t)= ~1(t-l) [6.74]: A partir de [6.69] podemos escribir: S;Ct)= Sj(t - 1) + 0 [y, y sustituyendo
+ aye,jl)
(c.q.d.)
1-,-
Sj(t - 1)]
T, por su expresion
=Sj(t-I)
en [6.72] se obtiene: ;-Sj(t - 1)] = S;Ct- 1) + o[e,_I(I) - ae,_p)]

=
Sj(t) = Slt-
1) + o[y,- T'_1- (31(t- I) - ae,jl) + 0(1- a) e'_I(I) (c.q.d.)
La aplicacion del metodo de alisado exponencial de Holt-Winters puede verse en el cuadra 6.21. Comentarios al cuadro 6.21 Los valores de los parametres elegidos (posteriormente comentaremos esta eleccion) han sido a = 0,2; Y= 0,9 y 8 = 0,9. Los valores iniciales se han obtenido a partir de la regresion de la serie respecto a un polinomio lineal del tiempo y variables ficticias que representan el componente estacional. Esta regresion ha sido realizada en el apartado 5.1 y proporciona los siguientes valores iniciales (vease el cuadro 6.18): PI(0) = 0,033 SiO) SiO)
I\. I\. I\.
= Y2 = -0,087
I\.
= Y4 = -0,466
I\.
A partir de estos valores iniciales se reestiman los valores de la tendencia, la pendiente y el componente estacional en las columnas tercera, cuarta y quinta, respectivamente. El primer valor para la tendencia es:
TJ = 0,2[YI-SI(0)]
I\. I\.
+ 0,8[To + PI(0)] = 0,2[13,36 - 2,187] + 0,8[10,311 + 0,033] = 10,51
I\.
I\.
El primer valor de la pendiente en la cuarta columna viene dado por:
317
/3[(1) = 0,9[T[ - TO] + 0,1/3[(0) = 0,9[10,51 - 10,311] + 0,1 ·0,033

/\ A A /\
= 0,18 = 10,72
El segundo valor para la tendencia es el siguiente:

A
T2
= 0,2[y2 -
/\
SiO)]
+ 0,8[T[ - /3/1)]
/\
= 0,2[10,73
+ 0,087] + 0,8[10,51 + 0,18]
y asf sucesivamente.
Asimismo, el segundo valor de la pendiente (vease la cuarta columna) sera: /31(2)= 0,9[T2 - T[] + 0,1 . /3[(1) = 0,9[10,72 - 10,51] + 0,1·0,18
A /\_ A /\
= 0,20
Los valores de los cuatro componentes estacionales en el primer periodo (= primer trimestre) son:
A
S[(1)
A
= 0,9[YI A
TI]
+ 0,1 . SI(O) = 0,9[13,36 -10,51] + 0,1 ·2,187

A
= 2,78
Si1)
A A
= SiO) = -0,087
A A
S3(1) = SiO) = -1,634 Si1)
= SiO) = -0,466
A
Para el segundo periodo (= segundo trimestre) las estimaciones son:

S[(2) = S[(l) = 2,78 Si2)
/\ /\
= 0,9[Y2 /\
/\
T2] + 0,1 . Si1)
/\
= 0,9[10,73
- 10,72] + 0,1 . (-0,087)
= 0,00
S3(2) = Si1) = -1,634 Si2)

/\
= Si1) = -0,466
y as! sucesivamente para el resto de los periodos. La prediccion para el primer perfodo extramuestral (= primer trimestre) es la siguiente:
Ysi1)
/\
= TS2+ /3[(52) + S2(52) = 12,40 /\ A /\
0,08 + 1,98 = 14,31
Para el segundo periodo extramuestral (= segundo trimestre) la predicci6n es:

YS2(2) TS2+ /31(52) . 2
/\
/\
+ S2(52) = 12,40 - 0,16 - 0,58

/\
= 11,67 = 11,12
y para el ultimo periodo (= cuarto trimestre):

Ysi8)
/\
= TS2+ /3[(52) ·8
/\ A
+ Si52)
/\
= 12,40 -
0,64 - 0,65
Puede verse c6mo las predicciones dependen de los valores asignados a o, y Y O. Habra tantos metodos de predicci6n como posibles combinaciones de valores de estos tres parametres. Por ello, en el cuadra 6.22 se ha llevado a cabo un analisis comparado, conside-
....
318 rando ocho combinaciones mismas.
CUADRO
y calculando
6.22.
los valores que toman los tres estadfsticos
para las
Metoda de Holt-Winters. Andlisis comparado

ECM ECM(8) EAM EAM(8) EAPM EAPM(8)
r
0,2
(5
0,2 0,9 0,2 0,2 0,9 0,9 0,2 0,2 0,9 0,9 0,2 0,9 0,9
0,36 0,31 0,26 0,32 0,23 0,34 0,42 0,71
0,82 0,19 0,70 0,16 0,13 0,19 3,58 3,82
0,49 0,47 0,41 0,44 0,38 0,44 0,52 0,66
0,83 0,38 0,70 0,30 0,30 0,35 1,64 1,60
4,45 4,30 3,66 4,00 3,46 4,01 4,79 6,03
6,90 3,17 5,89 2,45 2,62 3,08 14,01 13,70
Se ve como los peores resultados se obtienen para valores altos de a y 8. Si a toma el valor 0,2, los mejores resultados se obtienen para valores altos de yy 8; si a toma el valor 0,9, los mejores resultados se obtienen para valores bajos de los otros dos parametres. Las mejores combinaciones parecen ser a = 0,2, 0,9, 8 = 0,9, que es la utilizada en el cuadro 6.21, y a = 0,9, y= 0,2, 8 = 0,2. Los graficos para la primera combinacion pueden verse en las figuras 6.31 y 6.32.
r=
15 14 13 12 11 10 9
S'
t
"
1
I '~ I
,I \1
,1
,
..
,
I
(
I )
" "
I
,
I
11 5 9
,"\
I
...
~
1111,1111.1'"
13 17 21 25 29 33 37 41 45 49 53 57
11111111.1111111111
•
FIG.
Serie
Predicci6n
6.31.
Serie 4. Valores reales y predichos mediante el metoda de alisado de Holt- Winters.
--METOD OS NO PARAMETRICOS DE SERIES TEMPORALES
319
15 14 t 13 t t " , " 12 " II " 11 ~ ~ ~ I ~ I,

10 9" 8
7
I
I II
r
"
"
" ,'\ 'I
.. t
" " \~ .1,
"
" II J\
",
I\ "
•
T
..
I,
I , \
(I ,I
.. ,", ,t, (
,1"\
"
1,
_
t V 'I
I,
"
t
\I
,I
I,
I. ~ I
I I ..... 't.
\I
\'
~+ ~~ ,~\ I ,I \I , f"
l
, '.
• "
't
,I
..
'
,t
1.
6 5
4
3 2
1
O~~~~~~~~~~~~~~~~~;-~~~~~
-1 ++~~·4+~~++~~~rH~4+~HK++~HK++~~++~HM++.
13 17 21 25 29 33 37 41 45 49 53 57
Error de predicci6n + Predicci6n
FIG.
6.32.
Serie 4. Metoda de alisado de Holt-Winters. Predicciones y errores de prediccion.
Un analisis comparado de los metodos utilizados para la serie 4 puede hacerse a partir del contenido del cuadro 6.23.
CUADRO
6.23.
ECM
Serie 4. Analisis comparado

Metodo
Tendencia lineal con variables ficticias Descomposicion Holt-Winters
0,47 0,47 0,32
0,14 0,15 0,16
0,52 0,52 0,44
0,28 0,29 0,30
4,79 4,79 4,00
2,43 2,49 2,45
Como puede verse, no hay una diferencia notable entre los tres metodos, llegandose con todos ellos a unos resultados similares. 6. Caso practice. ventas de la empresa Lydia Pinkham
En esta seccion se van a aplicar algunos de los metodos vistos a 10 largo del capitulo para predecir el comportamiento seguido por la variable ventas de Lydia Pinkham. Los datos de esta variable corresponden al periodo 1907-1960; sus valores concretos aparecen en el cuadro 5.3 y su representacion grafica puede verse en la figura 5.1. Las pautas relevantes que sigue esta variable ya han sido comentadas en la seccion 6 del capitulo anterior. Se ha destacado la existencia de tres tramos bien diferenciados, Por tratarse de datos anuales con tendencia bien definida en cada uno de los tres tramos,' parece
320
evidente que los metodos mas apropiados son los descritos en la secci6n 4 para las series tipo 3. Dentro de estes, creemos que los mas titiles son aquellos que tienen un caracter mas flexible, es decir, aquellos para los que hemos hecho una hip6tesis de tendencia lineal «local»; estos metodos son: dobles medias m6viles y alisado exponenciallineal de Holt. Con ambos metodos se han realizado dos ejercicios de predicci6n. En el primero de ellos se utiliza la informacion disponible hasta un perfodo para calcular la prediccion para el perfodo siguiente. En el segundo, se repite ese mismo proceso hasta el afio 1952; para las ocho observaciones restantes, se calculan las predicciones utilizando solamente la informacion disponible hasta 1952.
DOBLES MEDIAS MOVILES
Las predicciones se han obtenido mediante la expresion escrita en [6.43], utilizando las expresiones [6.41] y [6.42] para calcular la tendencia y la pendiente respectivamente. Los resultados de aplicar estas expresiones aparecen en el cuadro 6.24 para dos longitudes, la primera k 2 Y la segunda k 8. La estructura del cuadro es la siguiente. En las dos primeras columnas aparecen elafio y el valor que toma la variable ventas en ese afio, A continuacion aparecen dos partes, una para cada longitud, con cuatro columnas cada una de ellas. La interpretacion de estas cuatro columnas ha sido ya dada en la seccion 4. Las dos ultimas proporcionan los elementos precisos para obtener las predicciones. Como ya se ha indicado, se han obtenido las predicciones, con ambos metodos, para todos los afios un perfodo hacia adelante y, a partir de 1952, se han ca1culado tambien para los ultimos ocho perfodos las predicciones utilizando 1a informacion hasta ese afio, Para evaluar la ejecutoria de ambos metodos se han definido dos nuevos estadfsticos a afiadir a los introducidos en la primera seccion de este capitulo, para abarcar la prediccion de un perfodo hacia adelante en el perfodo extramuestral. El primero de estos estadfsticos es el error cuadratico medio, de las predicciones un perfodo hacia adelante, para el perfodo extramuestral, que escribiremos asf:
[6.75]
El segundo es una media de los errores de prediccion un perfodo hacia adelante, expresados en porcentaje del valor de la variable, y ha sido ya introducido en el capitulo 5 como EPRM, pudiendose escribir para el caso de H perfodos extramuestrales: EPRM(H) =
li
H 1=1
iYT+I-
YT+I-P) YT+I
i.
100
[6.76]
Los valores que toman los seis estadisticos 6.25.
considerados
pueden verse en el cuadro
METOD OS NO PARAMETRICOS DE SERIES TEMPORALES

CUADRO
321
6.24.
Variable ventas. Lydia Pinkham. Dobies medias moviles

Longitud
k- 2 Tendenciu
Pendiente MM(8)
Longitud DMM(8)
k-
8 Pendiente
Serie
MM(2)
DMM(2)
Tendenciu
1907 1908 1909 1910 1911 1912 1913 1914 1915 1916 1917 1918 1919 1920 1921 1922 1923 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960
1.016 921 934 976 930 1.052 1.184 1.089 1.087 1.154 1.330 1.980 2.223 2.203 2.514 2.726 3.185 3.351 3.438 2.917 2.359 2.240 '2.196 2.111 1.806 1.644 1.814 1.770 1.518 !.t03 1.266 1.473 1.423 1.767 2.161 2.336 2.602 2.518 2.637 2.177 1.920 1.910 1.984 1.787 1.689 1.866 1.896 1.684 1.633 1.657 1.569 1.390 1.387 1.289
968,50 927,50 955,00 953,00 991,00 1.118,00 1.136,50 1.088,00 1.120,50 1.242,00 1.655,00 2.101,50 2.213,00 2.358,50 2.620,00 2.955,50 3.268,00 3.394,50 3.177,50 2.638,00 2.299,50 2.218,00 2.153,50 1.958,50 1.725,00 1.729,00 1.792,00 1.644,00 1.310,50 1.184,50 1.369,50 1.448,00 1.595,00 1.964,00 2.248,50 2.469,00 2.560,00 2.577,50 2.407,00 2.048,50 1.915,00 1.947,00 1.885,50 1.738,00 1.777,50 1.881,00 1.790.00 1.658,50 1.645,00 1.613,00 1.479,50 1.388,50 1.338;.00
948,00 941,25 954,00 972,00 1.054,50 1.127,25 1.112,25 1.104,25 1.181,25 1.448,50 1.878,25 2.157,25 2.285,75 2.489,25 2.787,75 3.111,75 3.331,25 3.286,00 2.907,75 2.468,75 2.258,75 2.185,75 2.056,00 1.841,75 1.727,00 1.760,50 1.718,00 1.477,25 1.247,50 1.277,00 1.408,75 1.521,50 1.779,50 2.106,25 2.358,75 2.514,50 2.568,75 2.492,25 2.227,75 1.981,75 1.931,00 1.916,25 1.811,75 1.757,75 1.829,25 1.835,50 1.724,25 1.651,75 1.629,00 1.546,25 1.434,00 1.36325
907,00 968,75 952,00 1.010,00 1.181,50 1.145,75 1.063,75 1.136,75 1.302,75 1.861,50 2.324,75 2.268,75 2.431,25 2.750,75 3.123,25 3.424,25 3.457,75 3.069,00 2.368,25 2.130,25 2.177,25 2.121,25 1.861,00 1.608,25 1.731,00 1.823,50 1.570,00 1.143,75 1.121,50 1.462,00 1.487,25 1.668,50 2.148,50 2.390,75 2.579,25 2.605,50 2.586,25 2.321,75 1.869,25 1.848,25 1.963,00 1.854,75 1.664,25 1.797,25 1.932,75 1.744,50 1.592,75 1.638,25 1.597,00 1.412,75 1.343,00 1.3U,75
--41,00 27,50 -2,00 38,00 127,00 18,50 --48,50 32,50 121,50 413,00 446,50 111,50 145,50 261,50 335,50 312,50 126,50 -217,00 -539,50 -338,50 -81,50 -64,50 -195,00 -233,50 4,00 63,00 -148,00 -333,50 -126,00 185,00 78,50 147,00 369,00 284,50 220,50 91,00 17,50 -170,50 -358,50 -133,50 32,00 -61,50 -147,50 39,50 103,50 -91,00 -131,50 -13,50 -32,00 -133,50 -91,00 -50.50
1.012,75 1.021,63 1,.050,75 1.100,25 1.225,75 1.387,38 1.531,25 1.697,50 1.902,13 2.164,38 2.439,00 2.702,50 2.819,63 2.836,63 2.841,25 2.801,50 2.724,63 2.552,25 2.338,88 2.135,88 1.992,50 1.887,38 1.745,25 1.629,00 1.549,25 1.501,38 1.516,75 1.560,13 1.630,88 1.766,38 1.943,25 2.114,63 2,202,63 2.264,75 2.282,63 2.260,50 2.191,88 2.077,75 1.996,25 1.903,63 1.842,00 1.806,13 1.774,50 1.722,63 1.673,00 1.635,25 1.563.13
1.253,41 1.364,58 1.507,42 1.680,95 1.881,23 2.080,47 2.261,63 2.425,38 2.563,38 2.666,19 2.714,67 2.702,16 2.631,33 2.527,94 2.409,28 2.272,28 2.125,72 1.978,80 1.847,44 1.744,67 1.672,70 1.627,50 1.612,38 1.637,13 1.697,83 1.779,50 1.874,92 1.970,66 2.058,20 2.128,33 2.167,25 2.173,88 2.147,50 2.102,42 2.045,09 1.981,58 1.914,34 1.849,48 1.794,17 1.740,03
2.141,59 2.439,67 2.821,33 3.197,05 3.523,77 3.558,78 3.411,63 3.257,13 3.039,63 2.783,06 2.389,83 1.975,59 1.640,42 1.457,06 1.365,47 1.218,22 1.132,28 1.119,70 L.l55,31 1.288,83 1.447,55 1.634,25 1.920,38 2.249,38 2.531,42 2.625,75 2.654,58 2.594,59 2.462,80 2.255,42 1.988,25 1.818,63 1.659,75 1.581,58 1.567,16 1.567,42 1.530,91 1.496,52 1.476,33 1.386.22
126,88 153,58 187,70 216,58 234,65 211,19 164,29 118,82 68,04 16,70 --46,41 -103,79 -141,56 -152,98 -149,12 -150,58 -141,92 -122,73 -98,88 -65,12 -32,17 0,96 44,00 87,46 119,08 120,89 111,38 89,13 57,80 18,16 -25,57 -50,75 -69,68 -74,41 ...{j8,28 -59,17 -54,78 -50,42 --45,41 -50.54
322
CUADRO
METODOS DE PREDICCr6N EN ECONOMIA, I
6.25.
Ventas. Lydia Pinkham. Dobies medias moviles. Andlisis comparado

ECM ECM(8) ECM*(8) EAPM EAPM(8) EPRM(8)
Longitud
k=2 k=8 3,8 3,6 ~,4 3,2 3 2,8 2,6 -2,4 2,2 2 1,& 1,6
1,4
90.154 522.367
244.588 7.109
26.630 12.601
13,71 30,12
29,6 4,7
7,99 6,87
0, . 191019141918
+-Ho-
1922 1926 1930 1934 1938 1942 1946 1950 1954 1958
FIG.
6.33.
Ventas Lydia Pinkham. Valores reales y predichos. DMM (k = 2).
3,5 3 2,5 2 1,5
+--+
\-\
\-
"-I
I t \. \
0,5
19071911 191519191923192719311935193919431947195119551959
-,
If I IJ ~
FIG. 6.34.
Ventas Lydia Pinkham. Valores reales y predichos. DMM (k = 8).
...
CUADRO
323
6.26.
Variable ventas. Lydia Pinkham. Metoda de Holt (0: = 0,5; Y= 0,5)

Tendencia
Pendiente
Serie
Prediccion
Prediccion (T = ] 952)
1907 1908 1909 1910 1911 1912 1913 1914 1915 1916 1917 1918 1919 1920 1921 1922 1923 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960
1.016 921 934 976 930 1.052 1.184 1.089 1.087 1.154 1.330 1.980 2.223 2.203 2.514 2.726 3.185 3.351 3.438 2.917 2.359 2.240 2.196 2.111 1.806 1.644 1.814 1.770 1.518 1.103 1.266 1.473 1.423 1.767 2.161 2.336 2.602 2.518 2.637 2.177 1.920 1.910 1.984 1.787 1.689 1.866 1.896 1.684 1.633 1.657 1.569 1.390 1.387 1.289
1.016,00 968,50 939,38 944,47 931,90 986,14 1.095,72 1.125,09 1.129,75 1.154,89 1.255,24 1.649,10 2.050,26 2.284,02 2.536,15 2.762,67 3.096,27 3.368,25 3.543,43 3.344,16 2.858,74 2.431,59 2.148,12 1.975,85 1.771,01 1.596,33 1.605,91 1.640,72 1.564,45 1.307,20 1.209,02 1.277,68 1.335,84 1.558,71 1.919,22 2.247,42 2.566,66 2.693,12 2.772,07 2.547,78 2.214,44 1.969,16 1.868,73 1.748,83 1.649,43 1.698,12 1.779,43 1.743,23 1.684,82 1.654,66 1.596,17 1.470,63 1.386,20 1.295,19
0,00 -23,75 -26,44 -10,67 -11,62 21,31 65,45 47,40 26,03 25,59 62,97 228,42 314,79 274,28 263,20 244,86 289,23 280,60 227,89 14,31 -235,56 -331,35 -307,41 -239,84 -222,34 -198,51 -94,46 -29,83 -53,05 -155,15 -126,66 -29,00 14,58 118,72 239,62 283,91 301,58 214,02 146,48 -38,90 -186,12 -215,70 -158,06 -138,98 -119,19 -35,25 23,03 -6,58 -32,50 -31,33 -44,91 -85,23 -84,83 -87,92
1.016,00 944,75 912,94 933,80 920,28 1.007,45 1.161,17 1.172,49 1.155,78 1.180,48 1.318,21 1.877,52 2.365,05 2.558,30 2.799,35 3.007,54 3.385,50 3.648,85 3.771,32 3.358,47 2.623,18 2.100,24 1.840,71 1.736,02 1.548,67 1.397,82 1.511,45 1.610,90 1.511,40 1.152,05 1.082,36 1.248,68 1.350,42 1.677,43 2.158,83 2.531,32 2.868,24 2.907,14 2.918,55 2.508,87 2.028,31 1.753,46 1.710,66 1.609,85 1.530,23 1.662,86 1.802,46 1.736,65 1.652,33 1.623,34 1.551,26 1.385,40 1.301,37
1.662,86 1.627,61 1.592,36 1.557,11 1.521,86 1.486,61 1.451,36 1.416,11
324
METODOS DE PREDICCrON EN ECONOMIA, I
La evaluaci6n comparada de ambos metodos es muy diferente segiin se considere el 0 el extramuestral. En el primero, el metodo con longitud k 2 es muy superior, mientras que en el extramuestrakel metoda can Iongitud k = 8 es superior. A la misrna conclusi6n se llega a partir del analisisde las representaclones graficas que aparecen en las figures (5.33 y 6.34. Be aprecia en estes graficos que c:ilcomportamiento de la predicci6n para el metoda con k 8 presenta una variabilidad macho menor que el correspondiente a la prediccion para el metoda con k :::2. Teniendo en cuenta que, en este caso, los estadfstieos para el perfodo muestral son evaluaciones de predicciones de un perfodo bacia adelsnte, nos inclinamos por el metoda con logitud k = 2 frente al metoda can longitud k = 8, considerando que 10 ocurrido en los . ocho iiltimos perfodos para este ultimo metoda no pasa de ser mas que una coincidencia casual, nada justificable a la vista de 10 ocurrido en pertedos anteriores,
perfodo muestral
ALISADO EXPONENCIAL LINEAL DE HOLT
Las predicciones correspondientes a este metodo seran obtenidas mediante la expresi6n [6.46], utilizando [6.44] y [6.45] para calcular la tendencia y la pendiente, respectivamente. Los calculos sehan realizado para tres valores diferentes de cada una de las dos constantes, a y r. siendo estes valores 0 1, O,S Y 0,9. Tambien en este caso, como se hizo para e] metoda de dobles medias moviles, se ban calculado dos series diferentes de predicclones pam los ocho tiltimos periodos. Los resultados que se obtienen para a = O,S pueden verse en el cnadro 6.26. La penultima columna, «prediccion», recoge las predicciones realizadas un penodo hacia ade'lante, y la ultima columna, enIa que 8610 aparecen ocho.valores, estes se refieren a las predicciones para los echo perfodos extramuestrales utilizando la informacion hasta 1952. Los valores resultantes de los tres estadfsticos para todos los valores de 0: y yaparece4eQ.·eI cuadre 6.27. Cuatro representaciones graficas aparecen en· las figures 6.35 a 6.38.
r=
CUADRO
6.27.
Ventas. Lydia Pinkham. Metoda de Holt. Andlisis comparado

ECM(8) ECM*(8)· EAPM EAPM(8) EPRM(8)
a 0,1
r
0,1 0,5 0,9 0,1 0,5 0,9 0,1 0,5 0,9
ECM
510.606 971.127 1.067.961 138.107 112.798 99.518 70.828 65.356 68.201
195.190,2 2.378.375 717.919,5 47.487,5 12.626,71 308.653,6 74.305 195.204 871.749
94.571 581.189 436.347 11.035 13.533 14.512 9.806 12.607 19.666
29,9 39,16 43,08 14,52 12,87 12,8 10,73 10,79 11,80
28,01 99,38 48,62 13,08 6,08 33,14 16,51 26,56 56,3
19,79 47,03 40,43 5,94 5,26 5,77 5,21 5,45 7,67
0,5
0,9
Los mejores resultados parecen obtenerse cuando a toma un valor superior a 0,5 y cuando ytoma un valor igual 0 inferior a 0,5. La mayor estabilidad en la prediccion, 010
325
3,8 3,6
3,4 3,2
3 2,8 2,6
2,4 2,2
2
1,8
1,6
1,4 1,2
0,8
/
• Serie
'
+ Predicci6n
jj
I , 11 ' I I I II ~
19071911 191519191923192719311935193919431947195119551959
FIG. 6.35.
Ventas Lydia Pinkham. Valores reales y predichos Holt (a
= 0,5; r=
0,5).
4,5 4 3,5 3 2,5 2 1,5 \

.\. \
I\
.....
\.
... f \
,
\
"'\
t
I
\.
\
\
\
\ \ \ .\.
\.
\.
\
\
./.
t
I
j
....
I I I I , I I , I , I , I I I I I ;..
-++-1I , I , , L , I I , , , I , I I j I ,. I , ",":(,
1907191119151919192319271931
• Serie +
19351939194319471951
Predicci6n
19551959
FIG. 6.36.
Ventas Lydia Pinkham. Valores reales y predichos Holt (a = 0,1;
r = 0,9).
326
METODOS DEPRBDICmON
EN EcciNOMtA, 1
3',6
3,4 3,2
,3 2,8
2,5 2,4 2,2 2

1,8
1,5 1,4
1,2
1 0,8 , -+++1 1 I 1 , I i j I I I 1 I I I I 19071911 191,5191919231927193119351939

• S,erie
1"
1 I 1 1 I 1,I 1 1 I I I I I 1 I I I 1 ~
1943194719,Q11955
1959
Predl6cl6n
FlO: 6.37.
Veil/as Lydia Pinkham. ValOI"esreales.y predichos Holt (a= 0,9,' 1= 0,1).
3;8 3,6 3,4 3,2 3 2,8

2,6 2,4
2,2 2
1,8
1,6
1".4-
o.e
1,2 1
II
j
0,6 I-l I , , I I I I I , " , 1 , 1 , 19071911191519191923192711;1311935193919431947195119551959

• Serie + Pradlc,cl6n
I I ,.
FlO. 6.3,8.
VetUas Lydia .Pillk/wm. Valores,reales y predichas Holt (a
= 0.9: Y=
(J;9).
327
que es 10 mismo, un mayor alisamiento, se logra para valores pequefios de a; es interesante, en este sentido, comparar la figura 6.36 con el resto de las figuras. La mayor variabilidad se logra para valores de ren torno a 0,9 con un valor de a superior a 0,5. Puede observarse en la figura 6.37 como, para a = 0,9 y r= 0,1, la predicci6n reproduce fielmente el comportamiento seguido por la serie con un desfase de un perfodo.

Predicción en Economía - Aznar y Trivez (Extracto)

Cargado por

Copyright:

Formatos disponibles

Predicción en Economía - Aznar y Trivez (Extracto)

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Predicción en Economía - Aznar y Trivez (Extracto)

Cargado por

Copyright:

Formatos disponibles

CAPITULO

METODOS NO PARAMETRIC OS DE SERIES TEMPORALES

criteria quese utiliza paraagrupar

PARAMB'~RICOS DE SaRIES l'EMPORALE-S

= 1..1:Ie (l)1 = l1:1=1 [y l-.Y(l)[ H b=l H

METODOS DE PREDICCION EN ECONOMiA, (

~( -- 1 kJ Yt+1- yP) '!1 , T - 1 t=1

= _1_ L lep) 1= _1_ L IYt+(

L1Ie,(1) I 100= _1_ L

METODOS NO PARAMETRICOS DE SERIES TEMPORALES

Seriel. Metoda ingenuo

ECM=0,47 ECM(8) = 0,45 EAM=0,56 EAM(8) = 0,57 EAPM=9,66 EAPM(8) = 9,28

METODOS DE PREDICCION EN ECONOMiA, I

6,3' I 6,2 I 6,1-

Serie 1. VaZores reales y predichos mediante el metodo ingenuo.

Error de predicci6n FIG.

Serie 1. Metoda ingenuo. Predicciones y errores de prediccion.

METODOS NO PARAMETRIC OS DE SERIES TEMPORALES

Cuando llegamos al ultimo periodo de la muestra puede escribirse:

METOD OS DE PREDICCION EN ECONOMiA, I

Asimismo, para el primer perfodo extramuestral se tiene:

100 = 1,47 . 100 = 2877 5,11 '

y para el primer perfodo extramuestral:

METODOS NO PARAMETRICOS DE SERIES TEMPORALES

y para los perfodos extramuestrales:

y.Jl) 6.2. Comentarios al cuadro 6.2

Los resultados de la aplicaci6n de este metodo a la serie 1 pueden verse en el cuadro

y para los perfodos extramuestrales, las predicciones son:

ur = Yr - Yr = 6,58 - 5,94 = 0,64

METODOS DE PREDICCrON EN ECONOMIA, I

Seriel . Media simple

0,06 0,41 0,13 0,38 0,47 0,73 0,41

0,01 1,05 0,11 0,63 0,66 0,52 0,06 0,24 0,32

0,29 0,66 0,74 0,00

METODOS NO PARAMETRIC OS DE SERIES TEMPORALES

Serie 1. Valores reales y predichos mediante media simple.

I I IIII " 1111111111"

Serie 1. Media simple. Predicciones y errores de prediccion.

METODOS DE PREDICCION EN ECONOMIA, I

se hace sia partir de y no consialternativa,

A partir de [6.11] podemos escribir:

las dos caracteristicas

res pee to a este metodo

METODOS NO PARAMETRICOS DE SERIES TEMPORALES

La prediccion para el perfodo 53 realizada desde el periodo 52 es: (1)

= Y52 + Y51 + Y50 + Y49 =

Por otra parte, el error de prediccion para e1periodo 5 es:

y para el perfodo 53:

METODOS DE PREDICCION EN ECONOMfA, [

Serie 1, Medias moviles (k = 4)

-0,24 0,21 -0,09 0,47 0,36 -0,14 -0,51 0,89 0,15

0,24 0,21 0,09 0,47 0,36 0,14 0,51 0,89 0,15

METODOS NO PARAMETRICOS DE SERIES TEMPORALES

6,8 6,7 6,6 6,5 6,4

6,3· 6,2 6,1

5,9 5,8 5,7

5,3 5,2 5,1 5 4,9

Serie l, Valores reales y predichos mediante medias m6viles (k = 4).

Error de predlccion FIG.