Вы находитесь на странице: 1из 16

TASA DE EMPLEO

Se analiza la serie de tiempo de la tasa de empleo mensual desde enero de 2001


hasta febrero de 2020, donde se ve que el pico más bajo se alcanza en enero de
2007, con una tasa de empleo del 49%, sin embargo, la primera caída se ve en
septiembre de 2006 donde llega al 50%, sin embargo, esta caída empieza desde
julio. Para octubre del mismo año se ve una recuperación hasta llegar a un 54.6%.
Además, se aprecia que el crecimiento o decrecimiento de la tasa de empleo no
es constante, por el contrario, se notan periodicidades que manifestarían la
presencia de estacionalidad en la serie, se ve que iniciando el año o a mitad de
este, la tasa de empleo tiende a estar a la baja, sin embargo, el patrón parece
darse anualmente.
 Se considera para las posteriores pruebas tener en cuenta que la serie
tiene tendencia e intercepto.

TEST DE MEDIA
La Hipótesis nula es Ho: Mean=0 vs Ha: Mean≠ 0
Se rechaza la hipótesis nula, entonces la media de la tasa de empleo mensual es
55.37885 desde enero de 2001 y febrero de 2020. Por lo tanto, la serie tiene
intercepto.
 Por lo que se ve en la gráfica y según la prueba se deben hacer los TEST
DE RAIZ UNITARIA con tendencia e intercepto.
Primero para saber si la serie es estacionaria se hace un TEST DE IGUALDAD
DE MEDIAS separando la serie en 5 grupos distintos de datos, la hipótesis nula se
refiere a que todos los grupos de datos tienen la misma media, y la alternativa
quiere decir que al menos uno de los 5 grupos tiene la media diferente.

Se ve que como el p valor es 0 quiere decir que a cualquier nivel de significancia


se rechaza la hipótesis nula de igualdad de medias, eso quiere decir que la serie
no es estacionaria en media.
Para saber si la serie EMPLEO es estacionaria en varianza se hace un TEST DE
IGUALDAD DE VARIANZAS separando la serie en 5 grupos distintos de datos, la
hipótesis nula se refiere a que todos los grupos de datos tienen la misma varianza,
y la alternativa quiere decir que al menos uno de los 5 grupos tiene la varianza
diferente.
Según las pruebas de Bartlett, Levene y Brown-Forsythe, se rechaza la hipótesis
nula a un 5% de significancia pues el p-valor de las 3 pruebas es menor a 0.05,
por lo que se rechaza la hipótesis nula de que los 5 grupos que se armaron de la
serie tienen la varianza igual, por lo tanto, la serie EMPLEO no es estacionaria en
varianza.

TEST DE RAIZ UNITARIA

Como se observa el estadístico Durbin-Watson (DW) es 0.204967 es menor para


todos los niveles de significancia de 1%, 5% y 10%, entonces NO se rechaza la
hipótesis nula de que la serie EMPLEO tiene raíz unitaria, entonces la serie no es
estacionaria.
Según el TEST AUGMENTED DICKEY-FULLER NO se rechaza la hipótesis nula
de que la serie tasa de EMPLEO tiene raíz unitaria, con un p-valor de
0.9314>0.05, así la serie no es estacionaria.

Según el TEST DE PHILLIPS-PERRON como se rechaza la hipótesis nula de que


la serie tasa de EMPLEO tiene raíz unitaria, con un p-valor de 0.0001<0.05, se
pensaría que la serie es estacionaria.

Según la PRUEBA KPSS El estadístico de prueba es 0.22988 es mayor para


todos los niveles de significancia por lo que se rechaza la hipótesis nula de que la
serie EMPLEO sea estacionaria.
las pruebas no son concluyentes, para afirmar que la serie EMPLEO es
estacionaria. Por lo tanto, se realiza una primera diferencia regular a la serie.

PRIMERA DIFERENCIA REGULAR TASA DE EMPLEO


En la gráfica se observa que, al hacer una primera diferencia regular, la serie
parece estacionarizarse en media y varianza, aunque aún parece seguir teniendo
periodicidad anual.

TEST DE MEDIA
La Hipótesis nula es Ho: Mean=0 vs Ha: Mean≠ 0

NO se rechaza la hipótesis nula de que la media de la primera diferencia de la


serie tasa de empleo (D1EMPELO) sea igual a 0. Por lo tanto, la serie no tiene
intercepto.
 Por lo que se ve en la gráfica y según la prueba se deben hacer los TEST
DE RAIZ UNITARIA sin tendencia e intercepto.
Para saber si la serie D1EMPLEO es estacionaria se hace un TEST DE
IGUALDAD DE MEDIAS separando la serie en 5 grupos distintos de datos, la
hipótesis nula se refiere a que todos los grupos de datos tienen la misma media, y
la alternativa quiere decir que al menos uno de los 5 grupos tiene la media
diferente.

Se ve que como el p-valor para el test de anova es 0.9787>0.05 quiere decir que
NO se rechaza la hipótesis nula de igualdad de medias, eso quiere decir que la
serie D1EMPLEO es estacionaria en media.
Para saber si la serie D1EMPLEO es estacionaria en varianza se hace un TEST
DE IGUALDAD DE VARIANZAS separando la serie en 5 grupos distintos de
datos, la hipótesis nula se refiere a que todos los grupos de datos tienen la misma
varianza, y la alternativa quiere decir que al menos uno de los 5 grupos tiene la
varianza diferente.

Según las pruebas de Bartlett, Levene y Brown-Forsythe, NO se rechaza la


hipótesis nula de que los 5 grupos que se armaron de la serie D1EMPLEO tienen
la varianza igual, por lo tanto, la serie D1EMPLEO es estacionaria en varianza.

TEST DE RAIZ UNITARIA


Como se observa el estadístico Durbin-Watson (DW) es 2.4533 es mayor para
todos los niveles de significancia de 1%, 5% y 10%, entonces se rechaza la
hipótesis nula de que la serie D1EMPLEO tiene raíz unitaria, entonces la serie es
estacionaria.

Según el TEST AUGMENTED DICKEY-FULLER se rechaza la hipótesis nula de


que la primera diferencia regular de la serie tasa de empleo tiene raíz unitaria, con
un p-valor de 0, entonces se considera que la serie D1EMPLEO es estacionaria.

Según el TEST DE PHILLIPS-PERRON como se rechaza la hipótesis nula de que


la serie tasa de empleo tiene raíz unitaria, con un p-valor de 0<0.05, se pensaría
que la serie D1EMPLEO es estacionaria.
Según la PRUEBA KPSS El estadístico de prueba es 0.148833 es menor para
todos los niveles de significancia por lo que NO rechazo la hipótesis nula de que la
serie D1EMPLEO sea estacionaria.
Con la serie D1EMPLEO estacionaria, se observará su respectivo correlograma
que será el que indique como se puede modelar la serie.

CORRELOGRAMA

En el Autocorrelograma se observa
que hay componentes
autoregresivas de orden1,3,6,9 y
12, sobre todo se observa que hay
periodicidad cada 12 rezagos lo que
indicaría que hay componente
estacional de orden 12. En el
Correlograma parcial se observa
que hay componentes de media
móvil de orden 1, 3, 4, 9, 12 y 24.
MODELO 1-> SARIMA (9,1,4)(1,0,12)

La primera diferencia regular de la serie EMPLEO esta explicada por una


componente autoregresiva de orden 9, y tres componentes de media movil, de
orden 2, 3 y 4, además de componentes estacionales, una autorregresiva de
orden 1 y una de media movil de orden 12. Todos los inversos de las raices
correspondientes al polinomio caracteristico se encuentran dentro del circulo
unitario.

VERIFICACIÓN DE LOS SUPUESTOS DE LOS RESIDUALES

NORMALIDAD
Con un Jarque Bera de 0.552714 que tiene un valor p de 0.758542>0.05 NO se
rechaza la hipótesis nula de normalidad de los residuales.

HOMOSCEDASTICIDAD

Con el test ARCH no se rechaza la hipótesis nula de que los residuales del
modelo 1 sean homoscedásticos.

RUIDO BLANCO
En el correlograma de los residuales del
modelo1 se confirma que estos son ruido
blanco, ya que ninguna de las barras del
autocorrelograma tanto simple como
parcial se sale de las bandas de
confianza, o se vuelve no significativo.
MODELO 2-> SARIMA (24,1,4)(3,0,12)

La primera diferencia regular de la serie EMPLEO esta explicada por una


componente autoregresiva de orden 24, y dos componentes de media movil, de
orden 1 y 4, además de componentes estacionales, una autorregresiva de orden 3
y una de media movil de orden 12. Todos los inversos de las raices
correspondientes al polinomio caracteristico se encuentran dentro del circulo
unitario.

VERIFICACIÓN DE LOS SUPUESTOS DE LOS RESIDUALES

NORMALIDAD
Con un Jarque Bera de 0.138657 que tiene un valor p de 0.933020>0.05 NO se
rechaza la hipótesis nula de normalidad de los residuales.

HOMOSCEDASTICIDAD

Con el test ARCH no se rechaza la hipótesis nula de que los residuales del
modelo2 sean homoscedásticos.

RUIDO BLANCO
En el correlograma de los residuales del
modelo2 se confirma que estos son
ruido blanco, ya que ninguna de las
barras del autocorrelograma tanto
simple como parcial se sale de las
bandas de confianza, o se vuelve no
significativo.
MODELO 3-> SARIMA (24,1,4)(3,0,0)

La primera diferencia regular de la serie EMPLEO esta explicada por dos


componentes autoregresivas de orden9 y 24, y dos componentes de media movil,
de orden 1 y 4, además de una componente estacional autorregresiva de orden 3.
Todos los inversos de las raices correspondientes al polinomio caracteristico se
encuentran dentro del circulo unitario.

VERIFICACIÓN DE LOS SUPUESTOS DE LOS RESIDUALES

NORMALIDAD
Con un Jarque Bera de 0.517042 que tiene un valor p de 0.772193>0.05 NO se
rechaza la hipótesis nula de normalidad de los residuales.

HOMOSCEDASTICIDAD

Con el test ARCH no se rechaza la hipótesis nula de que los residuales del
modelo3 sean homoscedásticos.

RUIDO BLANCO
En el correlograma de los residuales del
modelo3 se confirma que estos son ruido
blanco, ya que ninguna de las barras del
autocorrelograma tanto simple como
parcial se sale de las bandas de
confianza, o se vuelve no significativo.
ESCOGENCIA DEL MEJOR MODELO- COMPARACIÓN DE
PRONOSTICOS

TASA TASA TASA


TASA
PERIODO EMPLEO_M EMPLEO_M EMPLEO_M
EMPLEO
1 2 3
2019M10 57,754 57,263 57,184 57,683
2019M11 57,848 56,577 56,702 57,416
2019M12 57,500 57,085 56,920 57,028
2020M01 54,371 55,763 54,825 55,450
2020M02 55,476 55,789 55,293 55,687

Según la gráfica el modelo


que más se acerca a los
valores de la serie original
es el modelo3. Sin
embargo, para escoger el mejor modelo se observarán los criterios de información
que se observan en los gráficos obtenidos de los “forecast” de cada modelo, que
buscan que el error cuadrático medio sea el menor, lo que quiere decir que es el
modelo que se equivoca menos, así mismo el Theil inequiality coefficient
Se hace notorio que el modelo que tiene menor error cuadrático medio es el
Modelo 3 SARIMA (24,1,4)(3,0,0), así mismo, este modelo muestra una un menor
error absoluto medio y coeficiente Theil Inequality más cercano a cero.

PRONOSTICO DE LA TASA DE EMPLEO PARA 2020


Como el mejor modelo fue el modelo3 éste será el que se use para pronosticar la
tasa de empleo, desde el mes de marzo hasta junio del 2020, esto suponiendo un
comportamiento similar al que venía teniendo y sin contar con la pandemia del
COVID-19, ya que esto fue lo que hizo eliminar la observación del mes de marzo
de 2020 donde el valor real fue de 51.70%, índice que no se notaba desde febrero
de 2005. Se observa que dista de la predicción del modelo, donde se esperaría
que continuara creciendo la tasa de empleo en 0.063%, y no la gran caída de 5%
que hubo realmente.

TASA DE
PERIODO
EMPLEO_M3
2020M02 55,155
2020M03 55,218
2020M04 56,616
2020M05 56,346
2020M06 56,575
2020M07 55,769

Вам также может понравиться