Sistemas

Índice
VARIABLE IMPORTACIÓN
1.- Modelización determinista de la tendencia - Página 3
2.- Análisis de los residuos – Página 3
3.- Quiebres o rupturas de las series – Página 5
4.- Test de Osborn – Página 7
5.- Modelización autoregresiva – Página 10
VARIABLE TONELADAS
1.-Modelización determinista de la tendencia – Página 13
2.- Análisis de losresiduos – Página 13
3.-Quiebre o rupturas de las series – Página 15
4.-Test de Osborn – Página 17
5.-Modelización autoregresiva – Página 20











VARIABLE IMPORTACIONES:

Modelización determinista de la tendencia.

Vamos a comenzar ajustando una tendencia determinista lineal a la serie logarítmica:









Variable
Coefficient
Std. Error
t-Statistic
Prob.  C
9.990197
0.037468
266.6348
0.0000
T
0.020652
0.000819
25.21932
0.0000










R-squared
0.890758
    Mean dependentvar
10.80594
Adjusted R-squared
0.889358
    S.D. dependentvar
0.508477
S.E. of regression
0.169134
    Akaikeinfocriterion
-0.691567
Sum squaredresid
2.231295
    Schwarzcriterion
-0.632017
Log likelihood
29.66269    Hannan-Quinncriter.
-0.667692
F-statistic
636.0140
    Durbin-Watson stat
0.422900
Prob(F-statistic)
0.000000














Hay que multiplicar el coeficiente de t= (0,020652) *100% y ese es su crecimiento(si es positivo).
La tendencia es significativa al 5% (Prob=0).Por lo que sabemos que la tendencia es determinista lineal.
Análisis de los residuos

Vamos a analizar los residuos,que serían las desviaciones de la serie con respecto a la tendencia.


Los residuos presentan oscilaciones locales en el nivel, es decir, su media no es constante, por tanto no son estacionarios. Puesto que los residuos no son estacionarios la tendencia ajustada no es adecuada por lo que habrá que introducir más elementos deterministas en el modelo. Vamos a continuar introduciendo unaestacionalidad determinista:








Variable
Coefficient
Std. Error
t-Statistic
Prob.  










C
9.991236
0.037076
269.4774
0.0000
T
0.020625
0.000811
25.44545
0.0000
S_1
-0.024894
0.032405
-0.768223
0.4448
S_2
0.036369
0.032385
1.123036
0.2650
S_3
-0.054200
0.032385
-1.673618
0.0984










R-squared
0.897323
    Mean dependentvar10.80594
Adjusted R-squared
0.891847
    S.D. dependentvar
0.508477
S.E. of regression
0.167221
    Akaikeinfocriterion
-0.678539
Sum squaredresid
2.097216
    Schwarzcriterion
-0.529662
Log likelihood
32.14156
    Hannan-Quinncriter.
-0.618850
F-statistic
163.8612
    Durbin-Watson stat
0.187726
Prob(F-statistic)
0.000000





















El primertrimestre (s1) el crecimiento es negativo, es decir, decrece. El efecto estacional decrece un 2,4894%.
En el segundo trimestre (s2) el crecimiento es positivo. El efecto estacional aumenta un 3,6369%.
En el tercer trimestre (s3) el crecimiento es negativo. El efecto estacional decrece un 5,42%
Si quiero sacar el de último trimestre(es el que omitimos) hay que multiplicar los otros 3 por -1 y sumarloses decir -1*(-0,024894)+ (-1)*(0,036369)+ (-1)*(-0,054200).
Cuando la probabilidad de los trimestres es mayor que 0,05 no es significativo. Por lo tanto en el primer y segundo trimestre no son significativos pero el tercero si lo será.
A continuación analizamos los residuos:


Los residuos presentan en este caso oscilaciones locales en el nivel, luego no son estacionarios. Esto puededeberse a que hemos introducido estacionalidad cuando la serie aparentemente no presenta oscilaciones estacionales.
Quiebres o rupturas de las series.

Continuamos analizando la existencia de posibles quiebres estructurales que afecten al nivel o la pendiente de la tendencia.


En el 1º Trimestre de 2009 podemos observar que hay un cambio en el nivel (observación número 65). Procede aplicar...