Econometría II

Alumno: Miñán Zaragoza, Patricia

Profesor: Víctor Pérez

PBI CONSTRUCCIÓN
Modelo ARIMA Multiplicativo
MARCO TEORICO
La actividad del sector construcción comprende a los establecimientos dedicados a
obras nuevas, reformas y reparaciones de viviendas, edificios, otras construcciones
(carreteras, puentes, aeropuertos, etc.), y obras de mejoramiento de tierras (irrigación,
desecación y drenaje de tierras, desvío de cauces), realizadas por instituciones privadas
y públicas, bajo las modalidades de contrato y subcontrato.
En el mercado actual se tiene 19 empresas conforme a lo especificado por CAPECO.

PANORAMA ECONÓMICO NACIONAL Y EL SECTOR CONSTRUCCIÓN

El Panorama Económico Nacional para el mes de marzo de 2018 presentó cifras
estables de crecimiento. La Producción Nacional en marzo de 2018 registró un
crecimiento de 3.93%, registrando 104 meses de crecimiento continuo, el incremento de
la producción en este mes es explicado por la evolución positiva de la mayoría de los
sectores.
El Sector Construcción registró un aumento de 0.03%, debido al aumento registrado en
el consumo interno de cemento en 4.12%, en cambio, el avance físico de obras
disminuyó en -13.90%. El empleo en el Sector Construcción en abril del 2018 presentó
un crecimiento de 8.80%. Asimismo, el precio del barril de petróleo para abril de 2018
fue de $ 66.320 y el tipo de cambio bancario para abril de 2018 fue de 3.230. El
Despacho Nacional de Cemento en abril del año 2018 presenta un crecimiento del
8.58%. El resultado alcanzado por la actividad económica del país obedece al
dinamismo mostrado por la demanda interna y la recuperación de la demanda externa
de algunos productos primarios.

En diciembre de 2017, de acuerdo con la información que mensualmente publica el

Instituto Nacional de Estadística e Informática – INEI, la actividad constructora registró
un incremento de 6.62% respecto al mismo mes del año anterior (figura 1). Este
crecimiento es el segundo más alto alcanzado en los últimos cinco años y cercano al
obtenido en diciembre de 2014. Es importante señalar, además, que es la primera vez
desde el año 2013, que el desempeño del PBI de la construcción de este mes supera al
del PBI global; en este caso por una proporción de 5 a 1.

Con este resultado, la construcción sumo un periodo de siete meses consecutivos en

crecimiento, que se inició en junio de 2017, luego de haber presentado caídas sucesivas
durante tres trimestres consecutivos (figura 2). El crecimiento más alto de los últimos
seis meses se registró en octubre del año pasado (16.2%). En el último bimestre se
alcanzó tasas de crecimiento menores. El resultado de diciembre, sin embargo, fue un
punto más alto que el registrado en el mes anterior. En junio de 2017, mes en el que el
sector retomó la senda del crecimiento, el PBI de la construcción registró un incremento
menor que el del PBI global. En los meses posteriores, por el contrario, se revirtió
sensiblemente este resultado comparativo.
En la figura 3 se observa que el PBI de la construcción cerró el 2017 con un crecimiento
anual de 2.20%, por debajo del 2.5% registrado por el PBI global.

Este crecimiento es el más importante de los últimos cuatro años, después del
crecimiento de 9.42% registrado en el 2013. De acuerdo con estos resultados, la
economía global alcanzó un mejor desempeño que la actividad constructora en el país
por cuarto año consecutivo, a pesar de haber obtenido la menor tasa de crecimiento
desde el 2014.
En el análisis por componentes del PBI de la construcción se observa que el crecimiento
sectorial se sustenta principalmente por el avance de obras públicas, que en el 2017
presentó un incremento de 8.2% respecto al año anterior (figura 4). El consumo de
cemento registra un crecimiento anual significativamente menor (0.3%). Un análisis
detallado de ambos indicadores da cuenta de lo siguiente:
 • El avance de obras públicas retomó la senda de crecimiento en junio de 2017,
luego de varios meses de inestabilidad, en los que se alternaron resultados
positivos y negativos. A partir de junio, sin embargo, la tendencia positiva se
consolidó, alcanzando el pico de 42.3% en octubre de 2017.
• El consumo de cemento, al igual que el avance de obras públicas, retomó una
dinámica positiva en junio de 2017, luego de doce meses continuos de
desempeño negativo. Las tasas de crecimiento que registra este indicador, sin
embargo, son significativamente menores que el de la obra pública. El mejor
resultado tuvo lugar en diciembre de 2017, mes en el que el incremento del
consumo de cemento fue similar al del avance de ejecución pública: 6.7%.
En la figura 5 se observa que los tres principales insumos de la construcción mostraron
un desempeño favorable en el 2017, superando dos años de tasas negativas.

• El consumo de cemento aumentó 0.26%, frente al -2.65% y -1.94% que registró

en los dos años anteriores, lo que da cuenta de una mejora de este indicador, a
pesar de lo cual es el que menos ha crecido entre todos los insumos evaluados.
• El consumo de acero se incrementó en 2.35%, frente al -0.91% y -1.66%
observado en el 2016 y el 2015, respectivamente. Este indicador registró una
mejora importante en el 2017, por encima del consumo de cemento, pero muy
por debajo del de asfalto.
• El consumo de asfalto es el que más ha subido en el 2017, habiendo presentado
un incremento de 22.4%, frente al -6.18% y al -15.52% obtenidas en el 2016 y
2015, respectivamente. Se trata del crecimiento más alto entre todos los insumos
de la construcción evaluados.
Es importante señalar que en el mes de octubre el consumo de cemento y de asfalto
presentó tasas negativas comparadas con el mismo mes del 2016 y 2015; no obstante,
en el caso del asfalto, ya se observaba una mejora con respecto al año anterior. El
repunte de este indicador, sin embargo, se ha producido en los últimos meses del año.
El crecimiento del consumo de asfalto, de acuerdo con el Ministerio de Transportes y
Comunicaciones, se debe principalmente al impulso de la obra pública que, como se
indicó anteriormente, cerró el año con un crecimiento de 8.2%. El asfalto para obras
viales alcanzó un record histórico en el 2017, registrando un consumo de 619,260
toneladas al finalizar el año, que fue superior al anterior record, obtenido en 1998, en el
que se alcanzó a despachar 555,836 toneladas. Se espera que este repunte del
consumo de asfalto traiga consigo un incremento del consumo de cemento y de acero
en los meses siguientes.
En la figura 6 se da cuenta de la evolución de los precios de los principales insumos de
la construcción, observándose lo siguiente:

• El costo de la mano de obra de construcción creció 4.27% en el mes de junio,

luego de la aprobación del pliego sindical entre la Federación de Trabajadores
en Construcción Civil del Perú y CAPECO, y, desde entonces, se ha mantenido
constante, hasta el cierre del año. Los salarios del sector construcción han
subido 40.51%, desde diciembre de 2009, siendo éste el rubro que más se ha
incrementado en los últimos cuatro años.
• El precio de la loseta mostró un importante aumento en los últimos cuatro meses
del 2017, acumulando un alza de 8.17% al cierre del año. Comparado con el año
base, el precio de este producto creció 39.1%, siendo el insumo que, después
de los salarios, presentó un mayor crecimiento desde diciembre de 2009.
• El precio del cemento se ha mantenido estable desde febrero de 2017, mes en
el que arrojó un incremento de 2.51%. Al mes de diciembre, el precio subió en
5.20%, respecto al año anterior. Comparado con el año base, el precio de este
ítem ha acumulado un aumento de 24.28%, ubicándose en el tercer lugar entre
los principales insumos de la construcción.
• El precio del acero de construcción ha venido creciendo desde abril del año
pasado y a tasas mayores en los dos últimos meses del 2017. Al cierre del año,
el precio del acero registró un alza de 0.53%, comparado con el 2016. En
 relación al año base (diciembre 2009), el precio de este material registra un
incremento de 7.42%, siendo el insumo que, después del ladrillo, registra un
menor crecimiento desde esa fecha.
• El precio del ladrillo obtuvo un crecimiento de 0.94% en el 2017, ubicándose por
encima del incremento obtenido por el precio del acero. Comparado con el año
base, sin embargo, el precio del ladrillo registra un alza de apenas 3.74%, siendo
el insumo cuyos precios menos se han incrementado entre todos los evaluados.
Al cierre del 2017, el BCRP estimó que la inversión bruta fija alcanzó el 22.6% del PBI,
dos décimas menos que la registrada en el 2016, acumulando cuatro años consecutivos
de caída (figura 7). Se estima, sin embargo, una recuperación para el 2018. La inversión
privada cayó cuatro décimas, respecto al 2016, y 4.9 puntos porcentuales en relación al
2013, año en que alcanzó el porcentaje más alto. La inversión pública, por su parte,
experimentó un incremento de dos décimas en el 2017, revirtiendo una baja acumulada
de 0.9 puntos porcentuales, en relación al 2013. Para el 2018, el instituto emisor estima
un alza de ocho décimas en la inversión bruta fija, impulsada por el crecimiento tanto de
la inversión pública como de la privada.

En resumen, la actividad constructora revirtió dos años de caída, con un leve crecimiento
de 2.2% que estuvo por encima de la penúltima estimación del BCRP (0.9%) y por
debajo de la más reciente (3.5%).
Estos mejores resultados sectoriales durante el 2017 se explican en buena medida por
la recuperación de la ejecución de la obra pública y, en una menor proporción, por el
mejor desempeño del mercado inmobiliario, especialmente de la venta de viviendas,
que alcanzó unas 29 mil unidades en las principales ciudades del país. El casi nulo
crecimiento del consumo de cemento durante el año pasado hace pensar que el
segmento de la construcción informal debe haber presentado una reducción relativa en
su nivel de actividad durante el año anterior.

PBI DEL SECTOR CONSTRUCCIÓN

El sector construcción registró tasas negativas de crecimiento anual de - 5.8 % (2015) y
- 3.1 % (2016), resultados por debajo a los registrados en los tres años previos: 2012
(15.8 %), 2013 (8.9 %) y 2014 (1.9 %). Esta evolución respondió a una menor inversión
en obras de construcción públicas y privadas (menor inversión en proyectos
inmobiliarios, centros comerciales y empresariales). Ello generó una disminución en el
consumo interno de cemento y descensos en los avances físicos de las obras,
contribuyendo negativamente en el crecimiento de la economía.
En el 2012, la economía peruana creció 6,3%, y en los últimos 10 años 6,5% en
promedio, consistente con la tasa de crecimiento potencial de largo plazo. Dicha
expansión, en el último año, se sustentó también en el dinamismo de la demanda
interna, en particular de la inversión privada (13,6%) y la inversión pública (20,8%). Los
sectores con mayor contribución al crecimiento económico fueron servicios, comercio y
manufactura, que en conjunto explican el 80% del PBI, y fomentan el dinamismo de la
demanda interna. No obstante, el sector construcción también constituye una importante
actividad para el crecimiento del producto en el país.
El crecimiento del sector construcción, está altamente correlacionado con el desarrollo
de la economía. Así, el siguiente gráfico, muestra las variaciones porcentuales desde
el 2006, entre el PBI Global y el PBI del sector construcción.

Al tercer trimestre de 2013, el sector construcción creció 5,8%, reflejado en el menor

ritmo del consumo interno de cemento, y del avance físico en obras.

Durante el 2012, el PBI del sector construcción creció 14,8%. Este crecimiento se
debió a la mayor inversión privada y pública registrada, la primera de las cuales
presentó un crecimiento del 13,6%. Entre los factores que impactaron en el ritmo de
crecimiento del sector figuran: i) el aumento del consumo interno y de la
autoconstrucción; ii) el desarrollo de viviendas, oficinas, centros comerciales, entre
otros; y, iii) el avance físico de obras públicas, impulsado por la continuidad en la
expansión y mejora de la red vial nacional.
Cabe recordar que el menor crecimiento del sector en el 2011 se debió, entre otros
factores, a la incertidumbre asociada a los procesos electorales registrados ese año y
al cambio de autoridades que retrasó la ejecución de proyectos públicos.
AVANCE FÍSICO
Los menores montos invertidos en obras en los ámbitos locales y regionales redujeron
el avance físico de obras anual en - 5.03 % en el 2016, teniendo un menor descenso
comparado con el nivel observado el 2015 (-16.18 %). En diciembre del 2016 el avance
físico de obras presentó una reducción de -3.73 % respecto a noviembre, registrándose
disminuciones en los montos invertidos en el gobierno nacional (-12.42 %), gobierno
regional (-10.27 %) y el aumento en la construcción de obras públicas del gobierno local
(2.43 %).

Conforme al Informe Técnico publicado por el INEI, los avances físicos de las obras
tuvieron la siguiente evolución en los tres ámbitos del gobierno en el año 2016: en cuanto
al Gobierno Nacional, principalmente por menores inversiones en las obras de
infraestructura pública en Lima y La Libertad relacionadas a rehabilitación y
mejoramiento de carreteras, instalación de sistemas de riego; mejoramiento y
sustitución de la infraestructura educativa; y mejoramiento de la infraestructura de
canales de riego. En el ámbito de los Gobiernos Regionales, disminuyó el gasto de obras
públicas en los departamentos de San Martín, Tarapoto, Ayacucho y Apurímac
relacionados al mejoramiento de Vías, hospitales, carreteras, servicios educativos del
nivel primaria y secundaria, proyecto de irrigación y mejoramiento, así como ampliación
de los sistemas de agua potable y alcantarillado. Asimismo, aumentó la inversión en los
Gobiernos Locales en los departamentos de Apurímac, Cajamarca, La Libertad y
Huánuco, en los rubros de mejoramiento del servicio de educación primaria y
secundaria, mejoramiento del servicio de transitabilidad vehicular y peatonal,
mejoramiento y ampliación del sistema de agua potable, así como construcci´on de
carreteras, y sistemas de alcantarillado y tratamiento de aguas residuales.
PRECIOS DE MATERIALES DE CONSTRUCCIÓN
Los precios de los materiales de construcción, medidos a través del IPMC, registraron
un crecimiento anual del 3.19 % en el periodo 2016, teniendo una evolución positiva en
el cuarto trimestre del mismo periodo, pasando de -0.08 % en octubre a 0.36 % en
diciembre de ese año. Este crecimiento se produjo principalmente por la mayor
demanda de estructuras de concreto, aglomerantes, vidrios y maderas y a efectos del
tipo de cambio.
CONSUMO INTERNO DE CEMENTO
En el año 2016, el consumo interno de cemento registró un decrecimiento de - 2.65 %,
presentando una mayor reducción que la observada el 2015 (-1.94 %), reflejando su
menor desempeño de los tres últimos años. Este comportamiento respondió a una
menor inversión en construcción en empresas mineras, y comerciales, centros
empresariales, condominios familiares y edificaciones para oficinas. En diciembre del
2016, se registró una disminución de - 4.76 % respecto a noviembre a causa
principalmente de una menor inversión en edificaciones para la venta de oficinas, menor
inversión en las empresas mineras, reducción en la construcción de obras inmobiliarias
y menor inversión en obras de infraestructura.

PRODUCCIÓN DE CEMENTO
Los resultados acumulados (febrero 2016 - enero 2017) de la producción total, despacho
total y despacho nacional de cemento decrecieron a - 3.6 %, - 3.2 % y - 3.8 %
respectivamente; reducción que se dio como consecuencia de una disminución en la
ejecución de los proyectos públicos y privados, que determinaron un impacto negativo
en el consumo de cemento.

La Asociación de Productores de Cemento (ASOCEM) reveló que la producción total de

cemento en enero 2017 fue de 800 mil TM, registrando una reducción de - 6.8 % con
relación al nivel registrado en enero 2016 (858 mil TM), como consecuencia de menores
ventas a causa de los declives en los montos de inversión en proyectos públicos y
privados.
A nivel de despachos de cemento, estos disminuyeron acorde con el desempeño del
sector. Así, al anualizar los despachos se observó un crecimiento de solo el 2,5%
respecto al mismo mes del año anterior. Esta variación es explicada por el menor ritmo
de obras como planta UNI proyecto Vía Parque Rímac que unirá 11 distritos de Lima
Metropolitana, la construcción del Tren Eléctrico línea 01, el tramo 2 de la Av. Grau-San
Juan de Lurigancho. No obstante, prosiguieron las obras de mejoramiento de pistas y
veredas en Lima y Callao; obras en el malecón Costa Verde; las obras en centros
comerciales y, la construcción de almacenes en Lima y Callao.
Obras en empresas mineras, como las unidades de producción San Cristóbal,
Andaychagua, Carahuacra y Marth Túnel en Junín; la mina Iscaycruz en la provincia de
Oyón-Lima; la planta concentradora Alpamarca en Junín y, las obras en la comunidad
Fuerabamba del proyecto minero Las Bambas en Apurímac, favorecieron los despachos
de cemento para el sector.
La disminución del avance físico de obras en 6,5%, determinado por las menores
inversiones en obras de rehabilitación y mejoramiento de las carreteras Ayacucho-
Abancay; Quinua- San Francisco en Ayacucho; Cajamarca-Celendín-Balzas en
Cajamarca; Chongoyape-Cochabamba-Cajamarca en los departamentos de
Lambayeque y Cajamarca.
Entre las obras de la red vial departamental prosiguieron las obras de mejoramiento de
la Av. Néstor Gambetta en el Callao; carretera SM 102, tramo San José de Sisa-Agua
Blanca-San Pablo –empalme PE5Nen San Martín, mejoramiento de la carretera
Azángaro-Saytococha-Sandia-San Juan de Oro en Puno, carretera empalme Puno-
Vique-Mañazo PE-3S y PE-34 en Puno, carretera Variante de Uchumayo entre Puente
San Isidro y Vía de Evitamiento en Arequipa, entre otras.
En cuanto al mejoramiento y rehabilitación de la vía local, las obras de caminos
vecinales que continuaron fueron: Carretera Pomalca-Saltur-Sipan-Pampagrande en
Lambayeque y carretera Zuta-BuiquilQuimbaleran-Alfonso de Alvarado en Amazonas.
PRODUCCIÓN DE BARRAS DE CONSTRUCCIÓN

La producción de barras de construcción para obras de infraestructura públicas y

privadas decayó en los meses de setiembre (-5.3 %) y octubre (-8.9 %), retomando su
crecimiento en noviembre del 2016 (0.8 %). Esta evolución obedeció a una menor
ejecución de obras por parte del gobierno nacional ante los cambios de las
autoridades gubernamentales.
EMPLEO EN EL SECTOR CONSTRUCCIÓN
Debido a que se dejaron de ejecutar obras de construcción públicas y privadas se
observó un menor ritmo de crecimiento del empleo (PEA) en el sector construcción. De
esta forma, en el 2016, esta variable presentó un crecimiento anual de 0.7 %. Asimismo,
el empleo en el sector no logró recuperarse a inicios del 2017, presentando en enero un
decrecimiento mensual de -5.5 %.
El crecimiento de la producción nacional está relacionado con el empleo formal en la
economía nacional. Así, en los últimos años, tanto la producción como el empleo en el
sector construcción han sido afectados por los acontecimientos internos (Elecciones
presidenciales) y externos (Crisis internacional), los cuales han influido en el
comportamiento de ambas variables. Al mes de agosto del 2013, el empleo formal en el
sector construcción fue favorable, y se situó en un crecimiento promedio de 9,9%, por
la continuación de obras de infraestructura pública y privada que aún se desarrollan.
En el 2012, los proyectos en obras de infraestructura vial (rehabilitación y mantenimiento
de la Red Vial Nacional); obras en comunidades y empresas mineras; centros
comerciales; construcción, ampliación y modernización de almacenes; obras en
hospitales y penales; así como la continuación de obras de construcción de edificios
para viviendas, casas y condominios, alentaron el PBI del sector construcción, el cual
registró un PBI promedio de 14,8%,al igual que la demanda de mano de obra que
avanzó en 8,3%.
Durante el 2011, la incertidumbre asociada a los procesos electorales registrados en
ese año y al cambio de autoridades, retrasó la ejecución de proyectos públicos y
privados. No obstante, el empleo en el sector mantuvo la tendencia hacia la
recuperación, mostrando tasas positivas, en respuesta al aumento de la demanda
inmobiliaria, pese a una leve desaceleración en el último semestre.
REPRESENTACIÓN DEL MODELO ARIMA MULTIPLICATIVO

METODOLOGÍA BOX-JENKINS
Consta de 4 partes:
1. Identificación
2. Estimación
3. Chequeo
4. Predicción

I. IDENTIFICACIÓN
Se identificarán los parámetros: s, λ, d, D, p, q, P, Q.
Definimos la variable Y = PBI Construcción (mensual)

PBI y demanda interna - Construcción

300

250

200

150

100

50
Ene03

Ene04

Ene05

Ene06

Ene07

Ene08

Ene09

Ene10

Ene11

Ene12

Ene13

Ene14

Ene15

Ene16

Ene17
Jul03

Jul04

Jul05

Jul06

Jul07

Jul08

Jul09

Jul10

Jul11

Jul12

Jul13

Jul14

Jul15

Jul16

Jul17
a. ESTACIONALIDAD

Existe
estacionalidad
cada 12
periodos.
s=12
 b. ESTACIONARIEDAD

200

180

160

140
MEDIA

120

100

80

60
20 40 60 80 100 120 140 160

RANGO

La serie no es estacionaria en media, por lo que debemos realizar transformaciones

sobre la variable.
Según el diagrama Rango/Media, nuestra serie es heterocedástica, es decir, hay
crecimiento de la varianza a través del tiempo.
La serie no es estacionaria en varianza, por lo que λ=0. Tomaremos logaritmo de la
variable para reducir la heterocedasticidad.
Se toma logaritmo a la serie PBI Construcción:

Test de la raíz unitaria para LNY:

Null Hypothesis: LNY has a unit root

Exogenous: Constant
Lag Length: 13 (Automatic - based on SIC, maxlag=13)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.841373 0.3595

Test critical values: 1% level -3.469933
5% level -2.878829
10% level -2.576067

*MacKinnon (1996) one-sided p-values.

La serie no es estacionaria en media.

 c. Hallar estacionariedad en media (WO, WS y WOS deben ser estacionarios)

c.1. Proceso ordinario: WO (sin estacionalidad)

Test de raíz unitaria para WO:

Null Hypothesis: WO has a unit root

Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=13)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3.918998 0.0024

Test critical values: 1% level -3.469933
5% level -2.878829
10% level -2.576067

*MacKinnon (1996) one-sided p-values.

Gráfica y matemáticamente WO es estacionario, por lo que: d=1.

c.2. Proceso estacional: WS (con estacionalidad)

Test de raíz unitaria para WS:

Null Hypothesis: WS has a unit root

Exogenous: Constant
Lag Length: 12 (Automatic - based on SIC, maxlag=13)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3.729582 0.0045

Test critical values: 1% level -3.469933
5% level -2.878829
10% level -2.576067

*MacKinnon (1996) one-sided p-values.

Gráfica y matemáticamente WS es estacionario, por lo que: D=1.

c.3. Juntando WO y WS: WOS (estacionario)

Test de la raíz unitaria para WOS:

Null Hypothesis: WOS has a unit root

Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=13)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -13.90430 0.0000

Test critical values: 1% level -3.470179
5% level -2.878937
10% level -2.576124

*MacKinnon (1996) one-sided p-values.

Gráfica y matemáticamente WOS es estacionario. Podemos decir que WOS es

estacionaria en media.
 d. Determinación de: p, q, P, Q.

p: 1, 2, 12, 13
q: 1, 12
P: 1
Q: 1, 2, 3

II. ESTIMACIÓN

a. Modelo inicial

Dependent Variable: WOS

Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 06/11/18 Time: 17:50
Sample: 14 180
Included observations: 167
Convergence achieved after 46 iterations
Coefficient covariance computed using outer product of gradients

Variable Coefficient Std. Error t-Statistic Prob.

C -0.000559 0.001065 -0.524805 0.6005

AR(1) -0.148793 0.195194 -0.762285 0.4470
AR(2) -0.108717 0.121315 -0.896156 0.3716
AR(12) -0.204911 0.358766 -0.571154 0.5687
AR(13) 0.100668 0.105087 0.957947 0.3396
SAR(12) 0.329531 0.432902 0.761214 0.4477
MA(1) -0.456734 0.198517 -2.300730 0.0227
 MA(12) -0.337292 0.186489 -1.808645 0.0724
SMA(12) -0.234674 0.350944 -0.668695 0.5047
SMA(24) -0.016840 0.197049 -0.085460 0.9320
SMA(36) -0.229378 0.095274 -2.407567 0.0172
SIGMASQ 0.004558 0.000450 10.11795 0.0000

R-squared 0.430237 Mean dependent var -0.000233

Adjusted R-squared 0.389802 S.D. dependent var 0.089710
S.E. of regression 0.070077 Akaike info criterion -2.375948
Sum squared resid 0.761174 Schwarz criterion -2.151900
Log likelihood 210.3916 Hannan-Quinn criter. -2.285012
F-statistic 10.64025 Durbin-Watson stat 1.993962
Prob(F-statistic) 0.000000

Eliminamos las variables menos significativas y obtenemos el modelo intermedio.

b. Modelo intermedio

Dependent Variable: WOS

Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 06/06/18 Time: 19:42
Sample: 14 180
Included observations: 167
Convergence achieved after 25 iterations
Coefficient covariance computed using outer product of gradients

Variable Coefficient Std. Error t-Statistic Prob.

C -0.000369 0.001215 -0.303769 0.7617

AR(12) 0.648126 0.294644 2.199693 0.0293
SAR(12) -0.313802 0.101791 -3.082808 0.0024
MA(1) -0.626624 0.059697 -10.49680 0.0000
SMA(12) -0.802882 0.239086 -3.358137 0.0010
SIGMASQ 0.004753 0.000458 10.38799 0.0000

R-squared 0.405854 Mean dependent var -0.000233

Adjusted R-squared 0.387402 S.D. dependent var 0.089710
S.E. of regression 0.070215 Akaike info criterion -2.415229
Sum squared resid 0.793749 Schwarz criterion -2.303205
Log likelihood 207.6716 Hannan-Quinn criter. -2.369761
F-statistic 21.99541 Durbin-Watson stat 1.986318
Prob(F-statistic) 0.000000

s = 12 λ=0
p = 12 d=1 q=1
P=1 D=1 Q=1
 III. CHEQUEO

a. Análisis de los coeficientes

a.1. Validación de los coeficientes (Prueba ¨t¨)

Variable Coefficient Std. Error t-Statistic Prob.

C -0.000369 0.001215 -0.303769 0.7617

AR(12) 0.648126 0.294644 2.199693 0.0293
SAR(12) -0.313802 0.101791 -3.082808 0.0024
MA(1) -0.626624 0.059697 -10.49680 0.0000
SMA(12) -0.802882 0.239086 -3.358137 0.0010
SIGMASQ 0.004753 0.000458 10.38799 0.0000

A un nivel de confianza de 95% los coeficientes serán significativos cuando el valor

absoluto del estadístico es superior al valor de tablas 𝑡0.975 (𝑇 − 𝐾), donde T es el número
de observaciones y K es el número de parámetros. El valor crítico es igual a 1.975.

Observamos que todos los valores de los estadísticos estimados en valor absoluto son
mayores que 1.975, por lo tanto, rechazamos la hipótesis nula e incluimos todos los
coeficientes.

a.2. Estadístico Durbin-Watson

R-squared 0.405854 Mean dependent var -0.000233

Adjusted R-squared 0.387402 S.D. dependent var 0.089710
S.E. of regression 0.070215 Akaike info criterion -2.415229
Sum squared resid 0.793749 Schwarz criterion -2.303205
Log likelihood 207.6716 Hannan-Quinn criter. -2.369761
F-statistic 21.99541 Durbin-Watson stat 1.986318
Prob(F-statistic) 0.000000

En nuestra estructura ARIMA seleccionada debe cumplirse que el Estadístico Durbin-

Watson esté próximo a 2. En este caso, se cumple esta condición porque el Durbin-
Watson = 1.98 ≊ 2.
a.3. Estacionariedad e Invertibilidad

Se debe comprobar que los procesos encontrados y sus respectivos coeficientes

cumplan con las condiciones de Estacionariedad (para la parte autoregresiva) e
Invertibilidad (para la parte media móvil). Mediante el Eviews hallaremos si se cumple o
no esta condición.

La gráfica debe presentar las coordenadas dentro del circulo esto implica que la
combinación elegida es buena.

Inverse Roots of AR/MA Polynomial(s)

Specification: WOS C AR(12) MA(1) SAR(12) SMA(12)
Date: 06/11/18 Time: 19:55
Sample: 1 180
Included observations: 167

AR Root(s) Modulus Cycle

-0.835287 ± 0.482253i 0.964506 2.400000

4.44e-16 ± 0.964506i 0.964506 4.000000
0.964506 0.964506
-0.964506 0.964506
-0.482253 ± 0.835287i 0.964506 3.000000
0.835287 ± 0.482253i 0.964506 12.00000
0.482253 ± 0.835287i 0.964506 6.000000
-0.642007 ± 0.642007i 0.907935 2.666667
0.642007 ± 0.642007i 0.907935 8.000000
-0.234991 ± 0.876998i 0.907935 3.428571
-0.876998 ± 0.234991i 0.907935 2.181818
0.876998 ± 0.234991i 0.907935 24.00000
0.234991 ± 0.876998i 0.907935 4.800000
 No root lies outside the unit circle.
ARMA model is stationary.

MA Root(s) Modulus Cycle

0.850325 ± 0.490935i 0.981871 12.00000

-2.78e-17 ± 0.981871i 0.981871 4.000000
0.981871 0.981871
0.490935 ± 0.850325i 0.981871 6.000000
-0.850325 ± 0.490935i 0.981871 2.400000
-0.490935 ± 0.850325i 0.981871 3.000000
-0.981871 0.981871
0.626624 0.626624

No root lies outside the unit circle.

ARMA model is invertible.

El modelo ARMA es estacionario e invertible.

a.4. Multicolinealidad de los coeficientes

Cuando la correlación (covarianzas) entre dos coeficientes está muy próxima a la unidad
(=1), significa que existe un problema de Multicolinealidad, el cual conduce a
estimaciones muy inestables; con la ayuda del Eviews estimaremos la matriz de
covarianza de los coeficientes.

b. Análisis de los residuos

b.1. Ruido blanco

Como puede observarse en ninguno de los casos se sale del margen y sus
probabilidades son mayores a 0.05, por lo que podemos decir que ha pasado esta
prueba.
b.2. Normalidad de los Residuos:

Haciendo la prueba de Normalidad se observa que cumple con la hipótesis nula de que
los residuos del modelo estimado se comportan como una normal. Como la probabilidad
del Jarque-Bera es 0.1606 la cual es mayor que 0.05, existe un comportamiento normal
del modelo. Además, la Kurtosis es 3.716 (cercano a tres).
b.3. Media Cero

Aplicamos el contraste de significatividad de la media de los residuos. Contraste 𝑡 =

𝑀𝑒𝑑𝑖𝑎 𝑑𝑒 𝑙𝑜𝑠 𝑟𝑒𝑠𝑖𝑑𝑢𝑜𝑠 / 𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑡í𝑝𝑖𝑐𝑎.

𝑡 = 0.000176/ 0.069149 = 0.002545

Como el valor no excede de 1.975 con un nivel de significación habitual de 0.025,

concluimos que la media no difiere significativamente de cero.

b.4. Estadístico Box-Pierce

El análisis de incorrelación de los residuos también puede abordarse mediante la

aplicación de un contraste global, enunciado por Box Pierce que se define para
contrastar la hipótesis nula conjunta de que las M primeras autocorrelaciones son
iguales a cero. M es un número arbitrario, y como es un proceso estacionario será:

M = 3*S = 3*12=36
T=158

Siendo el estadístico Box Pierce 𝑄 = 𝑇 ∗ ∑ 𝑟𝑗 2 (û)

- Si 𝑄 < 𝜒 2 (𝑀−𝑘) , se acepta la hipótesis nula, por lo tanto, el modelo es adecuado.

- Si 𝑄 > 𝜒 2 (𝑀−𝑘) , se rechaza la hipótesis nula, se rechaza el modelo

Siendo K el número de parámetros. 𝑄 = 27.9113779465079

Como Q es menor que el estadístico Chi cuadrado con (36-4) = 32 gl al 95% (46.194),
entonces no existe auto correlación. El modelo es adecuado, se acepta la hipótesis nula.

27.911 < 46.194

b.5. Test Ljung Box

Para superar un problema que se presentaba en el Box Pierce, se propuso la Test Ljung
Box, enunciado de la siguiente manera: 𝑄 ∗ = 𝑇 (𝑇 + 2) ∗ ∑(𝑇 − 𝑗)−1 ∗ 𝑟𝑗 2 (û)

La regla de actuación será la misma enunciada más arriba para el contraste Box Pierce,
sin más que reemplazar Q por el Q*.

- Si 𝑄 ∗ < 𝜒 2 (𝑀−𝑘) , se acepta la hipótesis nula, por lo tanto el modelo es adecuado.

- Si 𝑄 ∗ > 𝜒 2 (𝑀−𝑘) , se rechaza la hipótesis nula, se rechaza el modelo

𝑄 ∗ = 32.1688151161471

Q* es menor que el estadístico Chi cuadrado con (36-4) = 32 gl al 5% (46.194), entonces

no existe auto correlación. El modelo es adecuado, se acepta la hipótesis nula.

32.168 < 46.194

Prueba Q de Lung-Box
M AC AC^ 2 T-M AC^2/T-M
1 0.004102744 1.68325E-05 179 9.40363E-08 T= 180
2 -0.020974843 0.000439944 178 2.4716E-06
3 0.059499024 0.003540134 177 2.00008E-05
4 -0.02821622 0.000796155 176 4.52361E-06 Q-Box Pierce= 27.91137795
5 0.011376405 0.000129423 175 7.39558E-07
6 -0.06451959 0.004162778 174 2.3924E-05 Q-LungBox = 32.16881512
7 -0.036868906 0.001359316 173 7.85732E-06
8 -0.080685982 0.006510228 172 3.78502E-05 X^2(32)0.95= 46.194
9 0.057704155 0.003329769 171 1.94723E-05
10 -0.120647064 0.014555714 170 8.56218E-05
11 -0.014179215 0.00020105 169 1.18965E-06
12 0.040888217 0.001671846 168 9.95147E-06
13 -0.046944378 0.002203775 167 1.31963E-05
14 -0.086284334 0.007444986 166 4.48493E-05
15 -0.030871981 0.000953079 165 5.77624E-06
16 0.020598684 0.000424306 164 2.58723E-06
17 -0.050106346 0.002510646 163 1.54027E-05
18 0.00538723 2.90222E-05 162 1.7915E-07
19 0.019645417 0.000385942 161 2.39716E-06
20 0.148365692 0.022012379 160 0.000137577
21 -0.006778545 4.59487E-05 159 2.88985E-07
22 -0.119347717 0.014243878 158 9.01511E-05
23 0.057513873 0.003307846 157 2.10691E-05
24 0.03791762 0.001437746 156 9.21632E-06
25 -0.091105018 0.008300124 155 5.35492E-05
26 0.024409408 0.000595819 154 3.86896E-06
27 -0.011459845 0.000131328 153 8.58353E-07
28 0.128853 0.016603096 152 0.000109231
29 0.076149669 0.005798772 151 3.84025E-05
30 -0.01333278 0.000177763 150 1.18509E-06
31 0.032208011 0.001037356 149 6.96212E-06
32 0.042692786 0.001822674 148 1.23154E-05
33 -0.070061761 0.00490865 147 3.33922E-05
34 -0.073984242 0.005473668 146 3.74909E-05
35 0.05947241 0.003536968 145 2.43929E-05
36 -0.122328452 0.01496425 144 0.000103918
 c. Análisis de estabilidad

c.1. Test de Chow

Ya que la probabilidad es menor al 5% notamos que el modelo es Estable.

Chow Breakpoint Test: 90

Null Hypothesis: No breaks at specified breakpoints

Equation Sample: 14 180

F-statistic 2.559502 Prob. F(6,155) 0.0216

Log likelihood ratio 19.78801 Prob. Chi-Square(6) 0.0030
Wald Statistic 46.05955 Prob. Chi-Square(6) 0.0000

Chow Breakpoint Test: 60 120

Null Hypothesis: No breaks at specified breakpoints

Equation Sample: 14 180

F-statistic 5.200644 Prob. F(12,149) 0.0000

Log likelihood ratio 62.43500 Prob. Chi-Square(12) 0.0000
Wald Statistic 212.3368 Prob. Chi-Square(12) 0.0000

c.2. Prueba del 10%

Normal: Menos 10 observaciones:

Dependent Variable: WOS Dependent Variable: WOS

Sample: 14 180 Sample: 14 170
Included observations: 167 Included observations: 157

Variable Coefficient Variable Coefficient

C -0.000369 C -0.000645
AR(12) 0.648126 AR(12) 0.645533
SAR(12) -0.313802 SAR(12) -0.280814
MA(1) -0.626624 MA(1) -0.537914
SMA(12) -0.802882 SMA(12) -0.701945
SIGMASQ 0.004753 SIGMASQ 0.004983

Coeficiente Coeficiente
Variable Diferencia 10%
(180) (170)
AR(12) 0.648126 0.645533 0.002593 0.064813
SAR(12) -0.313802 -0.280814 -0.032988 -0.031380
MA(1) -0.626624 -0.537914 -0.088710 -0.062662
SMA(12) -0.802882 -0.701945 -0.100937 -0.080288

Se aprecia que en general, el modelo logra un buen grado de estabilidad, lo que lo hace
buen predictor de series futuras, cuestión que se discutirá posteriormente.
Continuamos con la estimación:

d. Modelo teórico

𝐴𝑅𝐼𝑀𝐴(𝑝, 𝑑, 𝑞) ∗ 𝑆𝐴𝑅𝐼𝑀𝐴(𝑃, 𝐷, 𝑄)𝑠

𝐴𝑅𝐼𝑀𝐴(12,1,1) ∗ 𝑆𝐴𝑅𝐼𝑀𝐴(1,1,1)12

𝜙𝑝 (𝐿)Φ𝑃 (𝐿𝑠 )(1 − 𝐿)𝑑 (1 − 𝐿)𝐷 𝑌𝑡 𝜆 = 𝜃𝑞 (𝐿)Θ𝑄 (𝐿𝑠 )𝑢𝑡

𝜙12 (𝐿)Φ1 (𝐿12 )(1 − 𝐿)1 (1 − 𝐿)1 𝑌𝑡 𝜆=0 = 𝜃1 (𝐿)Θ1 (𝐿12 )𝑢𝑡

(𝟏 − 𝝓𝟏𝟐 𝑳𝟏𝟐 )(𝟏 − 𝚽𝟏 𝑳𝟏𝟐 )(𝟏 − 𝑳)(𝟏 − 𝑳𝟏𝟐 ) 𝐋𝐧 𝒀𝒕 = (𝟏 − 𝜽𝟏 𝑳)(𝟏 − 𝚯𝟏 𝑳𝟏𝟐 )𝒖𝒕

e. Modelo final

Para estimar el modelo final se debe rezagar la variable 37 veces y el residuo se debe
rezagar 13 veces.

Dependent Variable: LNY

Method: Least Squares
Date: 06/07/18 Time: 21:06
Sample (adjusted): 38 180
Included observations: 143 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C -0.000731 0.000864 -0.846551 0.3995

LNY1 0.962732 0.033002 29.17204 0.0000
LNY2 -0.002342 0.007811 -0.299837 0.7650
LNY3 0.008461 0.006460 1.309705 0.1936
LNY4 -0.005107 0.006005 -0.850415 0.3973
LNY5 -0.001723 0.005735 -0.300468 0.7645
LNY6 0.008979 0.005745 1.563111 0.1215
LNY7 -0.002386 0.005772 -0.413403 0.6803
LNY8 0.001941 0.005788 0.335333 0.7381
LNY9 -0.011547 0.005899 -1.957554 0.0533
LNY10 0.012651 0.005969 2.119503 0.0368
LNY11 -0.002553 0.006166 -0.413970 0.6799
LNY12 1.339425 0.006347 211.0320 0.0000
LNY13 -1.283696 0.043859 -29.26861 0.0000
LNY14 -0.000368 0.005667 -0.064907 0.9484
LNY15 -0.006352 0.004291 -1.480405 0.1422
LNY16 0.004669 0.003767 1.239446 0.2184
LNY17 -0.001076 0.003461 -0.311035 0.7565
LNY18 -0.006304 0.003431 -1.837339 0.0694
LNY19 0.002530 0.003436 0.736131 0.4635
LNY20 -0.001428 0.003429 -0.416590 0.6780
LNY21 0.006255 0.003496 1.789215 0.0769
LNY22 -0.006712 0.003543 -1.894562 0.0613
LNY23 0.001983 0.003663 0.541215 0.5897
 LNY24 -0.134859 0.003761 -35.85284 0.0000
LNY25 0.125147 0.005446 22.98007 0.0000
LNY26 0.001956 0.002242 0.872517 0.3852
LNY27 -0.001801 0.002145 -0.839583 0.4033
LNY28 6.15E-05 0.002142 0.028711 0.9772
LNY29 0.002651 0.002123 1.248916 0.2149
LNY30 -0.002045 0.002128 -0.961111 0.3390
LNY31 -0.000223 0.002144 -0.103998 0.9174
LNY32 -0.000539 0.002167 -0.248709 0.8041
LNY33 0.004474 0.002210 2.024420 0.0459
LNY34 -0.004535 0.002218 -2.044465 0.0438
LNY35 0.000492 0.002267 0.216944 0.8287
LNY36 -0.205515 0.002330 -88.19609 0.0000
LNY37 0.196862 0.006883 28.60200 0.0000
U 1.004299 0.000691 1452.604 0.0000
U1 -0.591436 0.033120 -17.85755 0.0000
U2 0.016135 0.010230 1.577211 0.1182
U3 0.004643 0.010404 0.446243 0.6565
U4 0.018479 0.010343 1.786679 0.0773
U5 0.015209 0.010553 1.441142 0.1530
U6 0.003675 0.010480 0.350689 0.7266
U7 0.014567 0.010405 1.400018 0.1649
U8 0.011274 0.010315 1.093011 0.2773
U9 0.021980 0.010009 2.196065 0.0306
U10 0.002502 0.010068 0.248514 0.8043
U11 0.014021 0.010052 1.394954 0.1664
U12 -0.792427 0.010174 -77.88528 0.0000
U13 0.478572 0.017764 26.94073 0.0000

R-squared 0.999999 Mean dependent var 4.988743

Adjusted R-squared 0.999998 S.D. dependent var 0.309335
S.E. of regression 0.000413 Akaike info criterion -12.47016
Sum squared resid 1.55E-05 Schwarz criterion -11.39276
Log likelihood 943.6166 Hannan-Quinn criter. -12.03236
F-statistic 1560731. Durbin-Watson stat 2.335756
Prob(F-statistic) 0.000000

Eliminamos las variables menos significativas y nuestro modelo final queda de la

siguiente manera:
Dependent Variable: LNY
Method: Least Squares
Date: 06/10/18 Time: 16:53
Sample (adjusted): 27 180
Included observations: 154 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C 0.244873 0.090576 2.703507 0.0077

LNY1 0.456232 0.074267 6.143149 0.0000
LNY3 0.245690 0.076061 3.230160 0.0015
LNY11 -0.458525 0.112715 -4.067992 0.0001
LNY12 1.015063 0.041594 24.40421 0.0000
LNY15 -0.289460 0.078392 -3.692471 0.0003
LNY23 0.385375 0.103571 3.720865 0.0003
LNY25 -0.400548 0.073012 -5.486083 0.0000
U11 0.543518 0.132077 4.115170 0.0001
U12 -0.271129 0.092949 -2.916965 0.0041
U13 -0.240033 0.087191 -2.752961 0.0067
 R-squared 0.964042 Mean dependent var 4.939672
Adjusted R-squared 0.961527 S.D. dependent var 0.350304
S.E. of regression 0.068710 Akaike info criterion -2.449087
Sum squared resid 0.675118 Schwarz criterion -2.232162
Log likelihood 199.5797 Hannan-Quinn criter. -2.360972
F-statistic 383.3834 Durbin-Watson stat 2.141546
Prob(F-statistic) 0.000000

El modelo estimado posee un R-cuadrado mayor a 0.90.

Además, posee un F-estadístico alto.

Las predicciones tienen un comportamiento aceptable con respecto al comportamiento

de los valores actuales.

𝐋𝐧 𝒀𝒕 = 0.245 + 0.456 𝐋𝐧 𝒀𝒕−𝟏 + 0.246 𝐋𝐧 𝒀𝒕−𝟑 − 0.459 𝐋𝐧 𝒀𝒕−𝟏𝟏 + 1.015 𝐋𝐧 𝒀𝒕−𝟏𝟐

−0.289 𝐋𝐧 𝒀𝒕−𝟏𝟓 + 0.385 𝐋𝐧 𝒀𝒕−𝟐𝟑 − 0.401 𝐋𝐧 𝒀𝒕−𝟐𝟓
+0.544𝒖𝒕−𝟏𝟏 − 0.271𝒖𝒕−𝟏𝟐 − 0.240𝒖𝒕−𝟏𝟑
 IV. PREDICCIÓN

Predicción desde Enero 2018 a Diciembre 2018:

Predicción Puntual para Ln Y Predicción Puntual para Y

Lny181 5.054514912 y181 157.1036386

Lny182 5.068019353 y182 159.3188890
Lny183 5.093905936 y183 163.5138917
Lny184 5.127091746 y184 169.0781780
Lny185 5.125996785 y185 168.9220434
Lny186 5.123786165 y186 168.5611201
Lny187 5.201738972 y187 182.2381805
Lny188 5.241298784 y188 189.6008662
Lny189 5.230283711 y189 187.5289349
Lny190 5.270080028 y190 195.1460404
Lny191 5.295612073 y191 200.1953451
Lny192 5.664369573 y192 289.4723536

Error de Predicción

e181= u181
e182= u182+0.46*u181
e183= u183+0.46*u182+0.21*u181
e184= u184+0.46*u183+0.21*u182+0.34*u181
e185= u185+0.46*u184+0.21*u183+0.34*u182+0.27*u181
e186= u186+0.46*u185+0.21*u184+0.34*u183+0.27*u182+0.17*u181
e187= u187+0.46*u186+0.21*u185+0.34*u184+0.27*u183+0.17*u182+0.16*u181
e188= u188+0.46*u187+0.21*u186+0.34*u185+0.27*u184+0.17*u183+0.16*u182+0.14*u181
e189= u189+0.46*u188+0.21*u187+0.34*u186+0.27*u185+0.17*u184+0.16*u183+0.14*u182+0.11*u181
e190= u190+0.46*u189+0.21*u188+0.34*u187+0.27*u186+0.17*u185+0.16*u184+0.14*u183+0.11*u182+0.09*u181
e191= u191+0.46*u190+0.21*u189+0.34*u188+0.27*u187+0.17*u186+0.16*u185+0.14*u184+0.11*u183+0.09*u182+0.07*u181
e192= u192+0.46*u191+0.21*u190+0.34*u189+0.27*u188+0.17*u187+0.16*u186+0.14*u185+0.11*u184+0.09*u183+0.07*u182+0.06*u181

Varianza Error de Predicción DT(u)=0.0691490220782897

V(u)=0.0047815872543838
0.004781587

V(e181)= 0.00478159 DT(e181)= 0.06914902

V(e182)= 0.00577686 DT(e182)= 0.07600569
V(e183)= 0.00598403 DT(e183)= 0.07735651
V(e184)= 0.00653891 DT(e184)= 0.08086352
V(e185)= 0.00688108 DT(e185)= 0.08295230
V(e186)= 0.00702450 DT(e186)= 0.08381229
V(e187)= 0.00715109 DT(e187)= 0.08456410
V(e188)= 0.00724475 DT(e188)= 0.08511609
V(e189)= 0.00729888 DT(e189)= 0.08543351
V(e190)= 0.00733635 DT(e190)= 0.08565250
V(e191)= 0.00736308 DT(e191)= 0.08580842
V(e192)= 0.00738045 DT(e192)= 0.08590952

Predicción Interválica para Ln Y Predicción Interválica para Y

Li Ls Li Ls
Lny181 4.918982829 5.190046995 y181 136.8633289 179.4769873
Lny182 4.919048201 5.216990504 y182 136.8722762 184.3784621
Lny183 4.942287174 5.245524699 y183 140.0902943 189.7153326
Lny184 4.968599249 5.285584242 y184 143.8252828 197.4695198
Lny185 4.963410282 5.288583289 y185 143.0809110 198.0626290
Lny186 4.959514079 5.288058251 y186 142.5245234 197.9586659
Lny187 5.035993333 5.367484611 y187 153.8523434 214.3230831
Lny188 5.074471248 5.408126319 y188 159.8876288 223.2129658
Lny189 5.062834041 5.397733381 y189 158.0377677 220.9051406
Lny190 5.102201119 5.437958936 y190 164.3833367 229.9723160
Lny191 5.127427575 5.463796571 y191 168.5828930 235.9916849
Lny192 5.495986920 5.832752226 y192 243.7119318 341.2967132
 LnPBI Construcción
6.000000

5.000000

4.000000

3.000000 LnYP
Lny
2.000000

1.000000

0.000000

127
100
109
118

136
145
154
163
172
181
190
1

64
10
19
28
37
46
55

73
82
91

PBI Construcción
350.000000

300.000000

250.000000

200.000000
YP
150.000000
Y
100.000000

50.000000

0.000000
145
100
109
118
127
136

154
163
172
181
190
1

73
10
19
28
37
46
55
64

82
91

CONCLUSIONES

El modelo predice que para enero de 2018 se presentará una caída y que los
siguientes meses irá creciendo; siguiendo en comportamiento histórico, el mayor
crecimiento será en el mes de diciembre.

Comparando los resultados de la predicción con los datos reales brindados por el
BCRP para el primer trimestre del año 2018, podemos verificar la eficiencia del
modelo.

Ene18 153.603705
Feb18 160.9472682
Mar18 162.0524046
La predicción indica que el PBI Construcción de enero será 157.1036386; según el
BCRP fue 153.603705. El valor real se encuentra dentro de la predicción interválica.

De igual manera febrero la predicción indica un valor de 159.3188890, y el BCRP

indica un valor de 160.947268. Valores bastantes similares.

Para marzo estimamos un valor de 163.5138917, y el valor real es 162.0524046.

Por lo tanto, el modelo estimado permite predecir resultados que se asemejan

bastante al resultado real. Es un predictor eficiente.