TRABAJO FINAL

ECONOMETRÍA DE
SERIES DE TIEMPO

INTEGRANTES:
RUDY CALLE
DIEGO PERUGACHI
MARÍA JOSÉ SALAZAR
ANDRÉS VIZCAÍNO

DICIEMBRE/2017
 Obtenga la información de una serie de tiempo financiera, económica o social. Describa a que se
refiere la serie de tiempo, su periodicidad y unidad de media:

“En el presente documento se realiza la modelación de la serie temporal de los pagos realizados por
concepto de liquidación de reembolsos de los clientes correspondientes al segmento del producto Pool
Empresarial de la empresa SALUDSA SISTEMA DE MEDICINA PREPAGADA DEL ECUADOR en el período
comprendido entre enero del año 2000 a noviembre del año 2017, de manera mensual. Las liquidaciones
de reembolsos corresponden en este caso al valor bonificado a los clientes, luego de descontados los
valores de copagos, deducibles y valores no cubiertos, es decir son los pagos realizados a las cuentas de
los clientes pero solamente del producto Pool Empresarial que son aquellos clientes que tienen relación
laboral con empresas pequeñas y medianas, así como también las familias de los trabajadores de las
empresas afiliadas. Estos pagos se registran en las cuentas contables del costo de la compañía.”

 Especificación del modelo / Estimación del modelo econométrico: Con la serie de tiempo, realice lo
siguiente y redacte cada uno de los resultados con sus respectivas pruebas de hipótesis (cuando se
utilice pruebas estadísticas):

 Estacionariedad

 Identifique el orden de integración a través de las pruebas de raíces unitarias

El orden de integración de la serie es 1, porque en su primera diferencia la serie es estacionaria y los

parámetros son estadísticamente significativos, tal como se muestra a continuación por las pruebas
realizadas (Gráfica y Dickey Fuller Aumentado).

Además la serie no tiene un componente estacional que deba ser corregido, sino solamente regular
por lo que al aplicar la primera diferencia la serie es estacionaria.

2
  Gráfica

Nivel Primera Diferencia

Al nivel, la serie tiene una apariencia de ruido blanco; además que no tiene una En su primera diferencia, se estabiliza la media y la serie es estacionaria.
tendencia ni creciente ni decreciente que sugiera que se necesite realizar una
diferencia para que sea estacionaria, sin embargo hay que verificar con la prueba de
Dickey Fuller Aumentado.
  Dickey Fuller Aumentado al 90% de confianza o más:
Nivel
Ho: El estadístico t de 1.22 es menor al t crítico de 2,57, 1,94 y 1,61 al 99%, 95% y
90% de confianza respectivamente, por lo tanto, no se rechaza la Ho y la serie no es
estacionaria.
La probabilidad es mayor al 0,05 por lo que no se rechaza la Ho y la serie no es
estacionaria.
Se debe aplicar la primera diferencia para que la serie sea estacionaria.
4
Primera Diferencia
Ho: El estadístico t de 12.69 es mayor al t crítico de 2,57, 1,94 y 1.61 al 99%, 95% y
90% de confianza respectivamente, por lo tanto, se rechaza la Ho y la serie es
estacionaria en su primera diferencia.
La probabilidad es menor al 0,05 por lo que no se rechaza la Ho y la serie es
estacionaria en su primera diferencia.
  Correlograma

Nivel Primera Diferencia

Al nivel, la mayoría de los rezagos están dentro de los intervalos por lo que la serie En la primera diferencia, existen resagos que superan el nivel de confianza por lo
es estacionaria al nivel. que se procede a usar métodos para modelar la media.
Otro indicador que identifica que la serie puede ser estacionaria es la probabilidad
Lung-Box que debe ser mayor al 0,05 y como se observa en la serie al nivel todas las
probabilidades son mayores al 0,05, es decir tienden a ser Ruido Blanco.
Sin embargo como en la prueba t se vio que la serio no es estacionaria por lo que se
debe sacar la primera diferencia.
 Modelación de la media

Habiendo identificado el orden de integración (regular o estacional), explique cómo se identifica en correlograma el orden de los retardos para los componentes
𝐴𝑅𝐼𝑀(𝑝,𝑑,𝑞)(𝑃,𝐷,𝑄)𝑆. Modele la media de la serie de tiempo y obtenga al menos tres modelos a través del tipo 𝐴𝑅𝐼𝑀(𝑝,𝑑,𝑞)(𝑃,𝐷,𝑄)𝑆. Cada modelo debe cumplir las
siguientes condiciones:

 Parámetros (regulares y/o estacionales) estadísticamente significativos al 90% de confianza o más.

MODELO 1 MODELO 2 MODELO 3

ls d(pagos) ma(1) ar(11) ma(15) ls d(pagos) ma(1) ar(11) ma(15) ma(24) ls d(pagos) ma(1) ar(9) ar(11)
Al 95% de confianza Al 95% de confianza Al 90% de confianza

Ho: Los parámetros AR11 (2,06), MA1 (59,79) y MA15
(4,55) son mayores al estadístico t de 1.96 al 95% de
confianza y la probabilidad es menor al 0,05, por lo
tanto los parámetros son estadísticamente
significativos.
Ho: Los parámetros AR11 (1,99), MA1 (66,81), MA15 Ho: Los parámetros AR9 (1,72), AR11 (2,37) y MA1
(2,82) y MA24 (2,30) son mayores al estadístico t de (170,41) son mayores al estadístico t de 1.64 al 90% de
1.96 al 95% de confianza y la probabilidad es menor al confianza y la probabilidad es menor al 0,10, por lo
0,05, por lo tanto los parámetros son estadísticamente tanto los parámetros son estadísticamente
significativos. significativos.
  No correlación.

MODELO 1 MODELO 2 MODELO 3

ls d(pagos) ma(1) ar(11) ma(15) ls d(pagos) ma(1) ar(11) ma(15) ma(24) ls d(pagos) ma(1) ar(9) ar(11)

Durbin Watson: 1.9384 Durbin Watson: 1.9115 Durbin Watson: 1.9439

No existen problemas de correlación ya que el No existen problemas de correlación ya que el No existen problemas de correlación ya que el
estadístico Durbin Watson se aproxima a 2, a un nivel estadístico Durbin Watson se aproxima a 2, a un nivel estadístico Durbin Watson se aproxima a 2, a un nivel
de confianza del 95%. de confianza del 95%. de confianza del 95%.

7
 Procesos estacionarios e invertibles (tabla y gráfico)

MODELO 1 MODELO 2 MODELO 3

ls d(pagos) ma(1) ar(11) ma(15) ls d(pagos) ma(1) ar(11) ma(15) ma(24) ls d(pagos) ma(1) ar(9) ar(11)

8
El modelo es invertible y no tiene problemas de raíces El modelo es invertible y no tiene problemas de raíces El modelo es invertible y no tiene problemas de raíces
unitarias ya que no están fuera del círculo de la unidad unitarias ya que no están fuera del círculo de la unidad unitarias ya que no están fuera del círculo de la unidad

9
  Residuos ruido blanco al nivel: Identificar si los residuos al cuadrado de los modelos obtenidos son ruido blanco. De no ser así proceder con la modelación de la
varianza.

MODELO 1 MODELO 2 MODELO 3

ls d(pagos) ma(1) ar(11) ma(15) ls d(pagos) ma(1) ar(11) ma(15) ma(24) ls d(pagos) ma(1) ar(9) ar(11)

Todos los rezagos están dentro de los intervalos de Todos los rezagos están dentro de los intervalos de Todos los rezagos están dentro de los intervalos de
confianza y las probabilidades son mayores al 0,05 al confianza y las probabilidades son mayores al 0,05 al confianza y las probabilidades son mayores al 0,05 al
95% de nivel de confianza, es decir es Ruido Blanco. 95% de nivel de confianza, es decir es Ruido Blanco. 95% de nivel de confianza, es decir es Ruido Blanco.

10
 Modelación de la varianza

Habiendo modelado la media y verificado que la serie de residuos al nivel es ruido blanco, obtenga
uno o más modelos ARCH (simétricos o asimétricos) que cumplan las siguientes condiciones:

 Parámetros de la media (regulares y/o estacionales) y varianza estadísticamente significativos

al 90% de confianza o más.
 Parámetros de la varianza no negativos.
 Residuos ruido blanco al nivel.
 Residuos al cuadrado ruido blanco

*No se necesita modelar la varianza puesto que los correlogramas de los modelos no presentan
resagos fuera de los niveles de confianza en sus raíces.

 Comparación entre modelos: Con al menos dos modelos, determine y justifique qué modelo es
mejor a través de: o La bondad de ajuste o Criterios de información o Suma de residuos cuadrados
o Estadísticos de error de la predicción.

Forecast: PAGOS
Actual: PAGOS
Forecast sample: 2017M06 2018M05
Included observations: 6
MODELO 1 MODELO 2 MODELO 3
R-squared 0.499449 0.508232 0.501126
Adjusted R-squared 0.494444 0.500818 0.496137
S.E. of regression 146377.4 145451.7 146132.1
Sum squared resid 4.29E+12 4.21E+12 4.27E+12
Log likelihood -2701.004 -2699.207 -2700.663
Durbin-Watson stat 1.938413 1.911536 1.94392
Mean dependent var 1384.354 1384.354 1384.354
S.D. dependent var 205868.3 205868.3 205868.3
Akaike info criterion 26.64043 26.63258 26.63708
Schwarz criterion 26.6894 26.69787 26.68604
Hannan-Quinn criter. 26.66024 26.659 26.65689
Root Mean Squared Error 164087.2 157325.2 160915.3
Mean Absolute Error 111933.1 111100.6 110852.9
Mean Abs. Percent Error 23.08405 23.72538 23.16663
Theil Inequality Coefficient 0.226087 0.213541 0.219779
Bias Proportion 0.265852 0.218979 0.235793
Variance Proportion 0.532341 0.577694 0.563164
Covariance Proportion 0.201807 0.203327 0.201043
Según los criterios de información, bondad de ajuste y estadísticos del error de predicción tenemos que
el mejor modelo que cumple con más características es el modelo 2.

12