UNIVERSIDAD SEOR DE SIPN

FACULTAD DE ARQUITECTURA, INGENIERA Y

URBANISMO
ESCUELA DE INGENIERA ECONMICA
ECONOMETRA II
ANLISIS DE LAPRODUCCIN NACIONAL DE ESPRRAGO
UNA APLICACIN DE MODELOS ARIMA, PER 1990:1-2015:8

Presentado por:
ROMERO ARVALO, Allison Leslie
Docente:
TRUJILLO CALAGUA, Gustavo Herminio

2015
PIMENTEL

ndice General

ANLISIS DE LAPRODUCCIN NACIONAL DE ESPRRAGO.............................i

UNA APLICACIN DE MODELOS ARIMA, PER 1990:1-2015:8.......................i
ndice de Grficos....................................................................................... iii
ndice de Tablas.......................................................................................... iii
INTRODUCCIN............................................................................................ 5
ANLISIS DE LAPRODUCCIN NACIONAL DE ESPRRAGO............................7
UNA APLICACIN DE MODELOS ARIMA, PER 1990:1-2015:8......................7
1: ESTADO ACTUAL DELCONOCIMIENTO.......................................................7
1.1

Estado Actual de Conocimiento Tericos...........................................7

1.1.1 Las Series Temporales.....................................................................7

1.1.2 La Industria Esparraguera en el Per..............................................8
Descripcin del Producto.........................................................................8
Mercado Nacional.................................................................................... 9
Rendimiento Nacional vs Rendimientos Mundiales................................11
Mercado Internacional........................................................................... 11
Importancia Socioeconmica.................................................................12
1.2

Estado Actual de Conocimiento Empricos.......................................13

2. EL MODELO............................................................................................ 15
3. LA HIPTESIS......................................................................................... 15
4. MTODOS Y PROCEDIMIENTOS DE LA INVESTIGACIN..........................16
4.1

Metodologa ARIMA o de Box-Jenkins (BJ)........................................16

4.2

Recopilacin de Datos.....................................................................17

4.3

Base de Datos.................................................................................. 17

4.4

Identificacin y estimacin..............................................................19

4.4.1

Orden de integracin de la serie (I)...........................................21

4.4.2

Promedio Mvil MA (q)...............................................................23

4.4.3

Orden Autorregresivo AR (p).....................................................29

4.5

Metodologa para la prediccin........................................................31

4.6

Resultados....................................................................................... 34

REFERENCIAS............................................................................................ 34
ANEXOS..................................................................................................... 35

ndice de Grficos
Grfico 1: Momentos Equisdistantes de tiempo.............................................7
Grfico 2: Partida Arancelaria.........................................................................9
Grfico 3: Esprrago: Produccin, superficie y rendimientos segn...............9
Grfico 4: reas de Produccin Anual de Esprragos...................................10
Grfico 5: Rendimientos Mundiales De Los Principales Productores Y
Exportadores De Esprragos Tn/Ha..............................................................11
Grfico 6: Esprragos: Total De Exportaciones En Millones De Dlares Fob. 11
Grfico 7: Modelo Arima................................................................................... 15
Grfico 8: Esprrago........................................................................................ 19
Grfico 9: lesparrago....................................................................................... 20
Grfico 10: d1lesparrago.................................................................................. 21
Grfico 11: Prueba Grfica del Filtro Hodrick-Prescott...........................................22
Grfico 12: d1lesparagoz.................................................................................. 25
Grfico 13: Hodrick-Prescott Filter (lamba=14400)...............................................26
Grfico 14: Prueba Grfica del Filtro Hodrick-Prescott..........................................27
Grfico 15: Histograma RESID..........................................................................30
Grfico 16: SIMUL_ESPARRAGO......................................................................32
Grfico 17: FORECAST................................................................................... 32
Grfico 18: FORECAST................................................................................... 33
Grfico 19: Tabla Chi Cuadrado.........................................................................35

ndice de Tablas
Tabla 1: Base de Datos.................................................................................... 17
Tabla 2: UnitRoot Esparrago............................................................................. 20
Tabla 3: UnitRoot Lesparrago............................................................................ 21
Tabla 4: UnitRoot Lesparrago............................................................................ 22
Tabla 5: Correlograma Esparrago......................................................................23
Tabla 6: Correlograma d1lesparrago...................................................................24
Tabla 7: UnitRoot d1lesparragoz...................................................................26
Tabla 8: Correlograma d1lesparragoz.................................................................28
Tabla 9: Calibrado 1......................................................................................... 30
Tabla 10: Calibrado para prediccin...................................................................31

INTRODUCCIN
El

sector

agropecuario

registr

un

crecimiento

de

8,13%

sustentado

en

el

desenvolvimiento favorable del subsector agrcola en 9,04% y pecuario en 6,13%. El

resultado del subsector agrcola fue determinado por la mayor produccin de arroz
cscara, palta, caf, papa, maz amarillo duro, quinua, esprrago, uva, maz amilceo y
caa de azcar, entre otros; determinado por las mayores siembras realizadas en los
primeros meses del presente ao, uso de tierras en descanso y recuperacin de plantas
como los cafetales y la disponibilidad del recurso hdrico, permitiendo obtener una mayor
concentracin en la cosecha de estos productos en el mes.
La agricultura es la actividad que mueve el pas. (Lima, 24 de junio de 2015). El ministro
de Agricultura y Riego, Juan Manuel Benites, expres que el Per se ha convertido en una
de las diez primeras naciones proveedoras de alimentos en el mundo.
Por ejemplo, en quinua y esprragos somos los primeros productores en el mundo, en
palta Hass los terceros, en pimientos en cuarto lugar, en alcachofas terceros y otros
diversos productos, lo que demuestra que la agricultura es la actividad que mueve el pas
En el caso del esprrago, hemos logrado reconocimientos de calidad gracias a las
exportaciones a pases como China y Estados Unidos,

alcanzando

el xito en un

mercado globalizado, cada vez ms exigente y competitivo; establecindola como una

industria sostenida con notable impacto en la economa peruana, generadora de empleo y
divisas.
Desde que el cultivo del esprrago en el Per se inici a principios de la dcada del 50, ha
contado con un desarrollo importante, enfrentando en este proceso fenmenos de orden
climtico, dificultades por medidas no arancelarias que constituyen trabas al comercio e
inciden en las condiciones de acceso a ciertos mercados, medidas macroeconmicas
internas que poco favorecen a la agricultura, problemas de organizacin de los
productores y de las instituciones pblicas y una reducida inversin de capital y en
tecnologa, entre otros aspectos.
Siendo entonces, el Per, uno de los principales pases proveedores de alimentos al
mundo, el Ministerio de Agricultura y Riego tiene entre sus grandes retos mantener un
crecimiento sostenido en el orden productivo para poder afrontar con eficiencia y previsin
la planificacin de los recursos frente a la actual situacin econmica internacional y a las
4

previsiones contra los impactos que causar el fenmeno del nio. Para lo cual es
necesario tener predicciones confiables de la futura produccin del sector.
Tal es el caso del anlisis de las series temporales, las que hoy en da se usan con
profusin en muchas otras reas de la ciencia como la fsica, ingeniera, demografa,
marketing, ciencias mdicas y fundamentalmente en economa.
El uso de los mtodos de estudio de las series cronolgicas se ha venido acrecentando
debido a sus propios objetivos, dentro de los que se destacan la prediccin, el control y la
simulacin de los procesos. Cuando se toma en cuenta la crisis econmica que hoy
atraviesa el mundo, es cada vez ms necesaria la planificacin de los recursos para
sobrevivir y progresar.
Para este trabajo de anlisis se considera la produccin nacional de Esprrago, en un
periodo mensual comprendido de enero de 1990 a agosto de 2015 con 308
observaciones.
El objetivo de la investigacin es encontrar un modelo que nos permita estimar y predecir
el comportamiento de la produccin peruana de Esprrago.

ANLISIS DE LAPRODUCCIN NACIONAL DE ESPRRAGO

UNA APLICACIN DE MODELOS ARIMA, PER 1990:1-2015:8

1: ESTADO ACTUAL DELCONOCIMIENTO

1.1 Estado Actual de Conocimiento Tericos

1.1.1 Las Series Temporales
Se llama serie de tiempo, temporal o cronolgica a un conjunto de mediciones
de cierto fenmeno, registradas secuencialmente en instantes de tiempo
equiespaciados, es decir la secuencia de valores que toma una variable
cuantitativa X en momentos equidistantes de tiempo, durante un perodo
observado:
Grfico 1: Momentos Equisdistantes de tiempo

Donde el subndice representa el tiempo. El grfico de una serie de tiempo, que

consiste en una poligonal cuyos vrtices corresponden a los puntos (t; X t),
puede ayudar a analizar su comportamiento. En este trabajo se emplearn las
series temporales, aplicadas como tal a la rama agrcola, en la cual se tratan
disimiles variables, como son la produccin de esprrago que puede ser
analizada

y modelada matemticamente para ayudar a comprender su

comportamiento y a tomar decisiones segn la prediccin futura de las mismos.

Existen dos objetivos principales del trabajo con las series:
1. Identificar la naturaleza de algn fenmeno representado por una
secuencia de observaciones.
2. La prediccin de valores futuros de dicha secuencia de observaciones.
Para aplicar los mtodos de series temporales, es preciso, inicialmente, conocer
o comprobar si efectivamente se est en presencia de una serie temporal o
simplemente frente a una secuencia de datos aleatorios, tomando en
consideracin que una secuencia de datos completamente aleatorios en el
tiempo, tambin es una serie, pero esta no puede ser pronosticada.
6

Dentro de los modelos de series, se encuentran los llamados Modelos

Autorregresivos (AR), los modelos de Medias Mviles (MA), los Modelos
Autorregresivos de Medias Mviles (ARMA), los Modelos Autorregresivos
Integrados de Medias Mviles (ARIMA), etc.
Los modelos de series de tiempo tienen un enfoque analtico y predictivo, con
ellos los pronsticos se elaborarn en base al comportamiento pasado de la
variable de inters
1.1.2 La Industria Esparraguera en el Per
Descripcin del Producto
Es un producto natural de textura carnosa y firme, un aroma intenso con un
sabor ligeramente dulce que requiere una mayor exposicin a la luz solar para
obtener un color verdoso. Es considerado un alimento gourmet por su consumo
exclusivo y diettico. Su alto contenido de fibras facilita el proceso de la
digestin. Las presentaciones en las cuales se comercializa son: fresco,
procesado (conserva o congelado), o merma.
Variedades:
a) Variedades de color verde claro o blanco:
- Connovers Colosal.
- Mammmouth White
Se comercializa principalmente procesado, y son en su mayora cultivados en
La Libertad.
b) Variedades de color verde oscuro:
- Martha y Mary Washington
- Palmetto - Argentenil
- UC 157 - UC 72
Se comercializa principalmente fresco. Se cultiva principalmente en los
departamentos de Lima e Ica, posee dos campaas: de enero a mayo/junio, y la
principal de setiembre a diciembre.
Grfico 2: Partida Arancelaria

Fuente: PROMPEX
Elaborado por AGROBANCO
Mercado Nacional
Zonas productoras:
Grfico 3: Esprrago: Produccin, superficie y rendimientos segn
Departamentos en el ao 2007

Fuente: MINAGRI
Elaborado por AGROBANCO

La produccin nacional de esprragos est centralizada en la costa, siendo La

Libertad el departamento con mayores rendimientos y produccin. El
rendimiento promedio nacional es el ms alto a nivel mundial. En La Libertad,
durante los meses de enero a abril existe una alta productividad pero con una
baja calidad del cultivo, incrementndose el porcentaje de descarte, mientras
que de mayo a setiembre la calidad es mayor pero existe una menor
productividad. Los mejores meses para cosechar son de octubre a diciembre.
Calendario de Cosechas:
El Per produce esprragos durante todo el ao. Somos el segundo productor
de esprragos en el mundo, superado por China quien focaliza la mayora de su
produccin en el abastecimiento de su demanda interna. Otra ventaja
importante es que la mayor cantidad de esprragos verdes se produce en la
campaa de agosto/setiembre a diciembre/enero, lo que nos favorece, pues la

mayor cantidad de esprragos que exportamos a Europa son los procesados y

estos se generan justamente de los esprragos verdes.
Grfico 4: reas de Produccin Anual de Esprragos

Fuente: B L Benson, "Update of the world's asparagus production areas,

spear utilization and production periods" - Technoserve

Elaborado por AGROBANCO

Rendimiento Nacional vs Rendimientos Mundiales

El Per posee una ventaja comparativa con relacin al resto del mundo,
nuestros rendimientos superan en ms del 100% a nuestro competidor ms
importante como lo es China, ventaja que nos ha permitido ser competitivos a

nivel mundial, sin embargo, si no se mejoran las ventajas competitivas, esa

diferencia se ver disminuida en un mediano plazo.
Grfico 5: Rendimientos Mundiales De Los Principales Productores Y
Exportadores De Esprragos Tn/Ha

Fuente: Technoserve
Elaborado por AGROBANCO

Mercado Internacional
El consumo internacional est liderado por el continente europeo, destacando
ntidamente Alemania, le sigue Asia, con Japn, y luego Amrica del Norte con
EE. UU.
Las exportaciones de esprragos han experimentado una marcada tendencia
creciente. En los ltimos cinco aos se han ms que duplicado el total de
ingresos en millones de dlares pasando de 160 millones a 420 millones de
dlares FOB. Esto se explica no slo por el incremento en la demanda sino
tambin por un crecimiento en los precios internacionales.

Grfico 6: Esprragos: Total De Exportaciones En Millones De Dlares Fob

10

Fuente: AGROBANCO
Elaborado por AGROBANCO

Importancia Socioeconmica
El crecimiento de la economa peruana en los ltimos aos se ha caracterizado
por la variacin principalmente de los sectores extractivos (minera e insumos
para la agroindustria), que determin un mayor crecimiento del sector agrario.
En este proceso, el desarrollo de la agroindustria, principalmente de exportacin
y generadora de empleo, viene logrando un aumento en la productividad de las
regiones involucradas y, por consiguiente, mejores niveles de desarrollo. El
desarrollo de los departamentos productores de esprrago est asociado
principalmente con esta actividad agroexportadora, permitiendo un mayor
dinamismo de los mismos. Desde una perspectiva socioeconmica, Ica y La
Libertad son considerados como departamentos con un desarrollo superior en
el pas, basado en factores como el desarrollo econmico y las caractersticas
de la oferta laboral, marcando una disparidad respecto al desarrollo de otros
departamentos del pas. Como fuente de trabajo, la agricultura del esprrago es
mucho ms importante que la de otros cultivos tradicionales de las zonas, como
el algodn, el maz, el arroz, etc. Sumado a los puestos de trabajo generados
en la industria, la actividad esparraguera brinda al pas un estimado de 50 mil
puestos de trabajo descentralizado a lo largo de la costa peruana, de los cuales
el 60% corresponde a mujeres, hecho importante en la bsqueda de igualdad
de oportunidades laborales, por cuanto la Poblacin Econmicamente Activa en
el pas se caracteriza por ser en su mayora masculina (56%). Esta experiencia

11

exitosa en la industria esparraguera se viene trasladando hacia otros productos

como la alcachofa y el pimiento piquillo, aprovechando la capacidad instalada
de la agroindustria. Solo en el 2003 estos productos habran llegado a generar
ms de 2,400 empleos en el campo. Una proyeccin del Instituto Peruano del
Esprrago y Hortalizas (IPEH) estima para el 2004 la generacin de
aproximadamente 10 mil nuevos puestos de trabajo.
1.2 Estado Actual de Conocimiento Empricos
Snchez, L. (2013), en su tesis Pronstico de la produccin de leche, mediante
modelos ARIMA. Caso UBPC Maniabo, de la Universidad de La Habana, cuba,
resume:
A partir de la serie de litros de leche producidos, observada en el caso de
estudio, se realiza un anlisis de la misma en los aos del 1994 al 2010,
encontrndose ausencia de tendencia y una estacionalidad altamente
significativa, se ajusta un modelo de tipo ARIMA que result un ARIMA
(1,0,3)x(0,1,0) y se halla un pronstico a mediano plazo (2011 - 2013) donde se
obtuvieron

errores

aceptables,

incluyendo

un

error

medio

porcentual

aproximadamente del 15% y valores extremadamente similares a los reales en

el 2011 (primer ao pronosticado y tomado como ao de validacin). Se
obtienen resultados en el caso de la UBPC Maniabo de La Tunas que incluyen
un estudio descriptivo de los principales indicadores registrados en estas
unidades y que estaban ms relacionados con la produccin de leche, en este
caso se encontr que la misma est estrechamente relacionada con la cantidad
de vacas en ordeo y los litros por vaca, variables que explican un 97.40% de la
variabilidad de la produccin de leche, estas variables (vacas en ordeo, litros
de leche por vaca) son tan difciles de predecir como la propia produccin de
leche, por ello es necesario su estudio y control, para el logro de una prediccin
confiable de produccin de leche.
Chang y Del Ro (2013) en su investigacin Google Trends: Prediccin del nivel de
empleo agregado en Per usando datos en tiempo real, 2005-2011, de la Universidad
del Pacfico, Per, concluye:

12

Se examin si la informacin proporcionada por Google Trends era relevante

para predecir el ndice de empleo para empresas de 100 y ms trabajadores
(IE100). Para ello, se elabor un ndice llamado IGD a partir de la informacin
de Google Trends, que reflejara a la poblacin que busca trabajo en el mercado
laboral. De esta forma, se plantearon modelos ARMA y ARDL: un modelo de
referencia, que no inclua a IGD y otro modelo aumentado que s lo inclua. Se
encontr que en predicciones dentro de la muestra, IGD mejora la prediccin
dinmica, sin embargo, los indicadores de la prediccin esttica aumentan
ligeramente. Adems, se hall que en predicciones fuera de la muestra, la
capacidad predictiva del modelo mejora al incorporar la informacin de Google
en predicciones estticas y dinmicas. Por otro lado, dado que las variables
eran integradas de orden uno, tambin se aplic un modelo de correccin de
errores. Sin embargo, es importante sealar que la muestra solo estaba
conformada por 68 observaciones y eso era una limitacin para la aplicacin de
este modelo. Los resultados del estudio indican que IGD permite realizar
predicciones contemporneas y un periodo hacia adelante; empero, no permite
anticipar la senda futura de esta variable macroeconmica para ms de un
periodo hacia adelante. Sobre la base de dichos resultados, se puede concluir
que IGD es un buen predictor en el corto plazo de IE100.
Demostrar que efectivamente la informacin proporcionada por Google Trends
ayuda a predecir variables econmicas, como el empleo, resulta importante
pues Google Trends es una fuente de informacin con una frecuencia ms alta
(semanal), est disponible antes que la publicacin de informacin de fuentes
oficiales, brinda informacin sobre las necesidades de las personas y, por
ltimo, es gratis. Esta resultara una herramienta importante sobre todo en
pocas de crisis, en donde el seguimiento en tiempo real y prediccin de
variables econmicas es relevante para la formulacin de polticas oportunas.
Snchez, Barreras, Prez, Figueroa y Olivas (2013), en su paper Aplicacin De Un
Modelo Arima Para Pronosticar La Produccin De Leche De Bovino En Baja California,
Mxico, de la Universidad Autnoma de Baja California, Mxico, concluye:
El objetivo fue aplicar un modelo de series de tiempo univariado tipo ARIMA en
la descripcin y pronstico del comportamiento de la produccin lechera de
bovino en el estado, aplicando para ello la metodologa de Box y Jenkins. La

13

serie de produccin mensual de litros leche de enero del 2000 a diciembre del
2009 fue utilizada en el estudio. El anlisis del correlograma y la aplicacin de la
prueba de Dickey y Fuller aumentada indicaron que la produccin lechera
presentaba

un

comportamiento

estacional.

Del

anlisis

de

diversas

combinaciones AR(p) y MA(q), dos modelos fueron propuestos y evaluados:

ARMA (1,1) y ARMA (2,2). Los parmetros fueron estimados por mnimos
cuadrados. Con base a stos y aplicando los criterios de Akaike y Schwarz
(18.06, 18.13 y 18.20, 18.27, respectivamente) se defini el mejor modelo.
Adicionalmente se analizaron los residuales y la capacidad predictiva de cada
modelo a travs de los estadsticos de calidad de ajuste, resultando como mejor
el ARMA (1,1). Se concluye que este tipo de modelos son de utilidad tanto para
describir como para predecir el comportamiento de la produccin lechera.

2. EL MODELO
Respecto a la metodologa ARMA, el modelo planteado es de la forma:
Grfico 7: Modelo Arima

donde Y es la variable endgena para el periodo t ("ndicar de produccin

nacional de esprrago") y E es el error. La variable Y t est expresada en miles
de toneladas

mtricas mensuales y se asume que es estacionaria.

Adicionalmente, se elegir el mejor modelo segn los siguientes criterios:

significancia econmica y estadstica de las variables, ajuste y parsimonia.
Adems, se verificar que los errores tengan un comportamiento de ruido
blanco (no autocorrelacin, no heteroscedasticidad y normalidad).
3. LA HIPTESIS
El modelo ideal para estimar y predecir el comportamiento de la produccin nacional de
Esprragos es un modelo ARIMA.

14

4. MTODOS Y PROCEDIMIENTOS DE LA INVESTIGACIN

4.1 Metodologa ARIMA o de Box-Jenkins (BJ)
Por el nombre de los dos investigadores que sintetizaron y desarrollaron estas
tcnicas tal y como las conocemos hoy. Se trata de una metodologa que ha tenido
un indudable xito en la prctica profesional por varios motivos: En primer lugar
por su rotundidad metodolgica. Se constituye como una tcnica avanzada que
hace uso de sofisticados recursos matemtico-estadsticos. En segundo lugar,
existe una clara y consolidada gua de aplicacin emprica de la misma que
permite pasar con facilidad de las situaciones de laboratorio que crea la teora, a la
praxis profesional. En tercer lugar y no menos importante, los Modelos ARIMA han
demostrado una gran utilidad en la prediccin a corto plazo de series de alta
frecuencia. Ese es su campo natural de aplicacin
El mtodo considera cuatro pasos:
Paso 1. Identificacin: es decir, encontrar los valore apropiados de p, d y q. El
correlograma y el correlograma parcial ayudan en esta labor.
Paso 2. Estimacin: Habiendo identificado los valore apropiados de p, d y q, la
siguiente etapa es estimar los parmetros de los trminos autorregresivos y de
media mvil incluidos en el modelo.
Paso 3. Verificacin de diagnstico: despus de seleccionar un modelo ARIMA
particular y de estimar sus parmetros, se trata de ver luego si el modelo
seleccionado ajusta los datos en forma razonablemente buena, ya que es posible
que exista otro modelo ARIMA que tambin lo haga. Es por eso que el diseo de
modelos ARIMA de BJ es un arte ms que una ciencia; se requiere gran habilidad
para seleccionar el modelo ARIMA correcto. Una simple prueba del modelo
seleccionado es ver si los residuales estimados a partir de este modelo son ruido
blanco; si lo son, se puede aceptar el ajuste particular; si no lo son, se debe
empezar nuevamente. Por tanto, la metodologa BJ es un proceso iterativo.
Paso 4. Prediccin: una de las razones de la popularidad del proceso de
modelacin ARIMA es su xito en la prediccin. En muchos casos las predicciones
obtenidas por este mtodo son ms confiables que aquellas obtenidas de la
elaboracin tradicional de modelos para predicciones de corto plazo.

15

4.2 Recopilacin de Datos

El proceso de recopilacin de datos confiables y vlidos para su procesamiento y
anlisis se utiliz como fuente al Instituto Nacional de Estadstica e Informtica
(INEI). Dicha data contiene observaciones que comprenden 308 meses (1990.01
2015.08). Aplicando metodologa ARIMA. Todo lo expuesto con la finalidad de
demostrar en que ste es el modelo de estimacin y prediccin ms eficiente.
En el anlisis y las regresiones que presentamos, utilizamos el total de produccin
nacional de Esprrago expresada en Miles de Toneladas Mtricas
4.3 Base de Datos
Tabla 1: Base de Datos
mbito
Total Nacional
Indicador
Produccin de esprrago
Unidad
Miles de toneladas mtricas
MES
1990
-1
1990
-2
1990
-3
1990
-4
1990
-5
1990
-6
1990
-7
1990
-8
1990
-9
1990
-10
1990
-11
1990
-12
1991
-1
1991
-2

TOTAL
NACIONA
L
6
5
5
7
3
3
4
4
4
5
6
7
5
6

MES
1996
-1
1996
-2
1996
-3
1996
-4
1996
-5
1996
-6
1996
-7
1996
-8
1996
-9
1996
-10
1996
-11
1996
-12
1997
-1
1997
-2

TOTAL
NACIONA
L
8
7
7
10
12
9
6
9
18
14
14
15
10
7

MES
2002
-1
2002
-2
2002
-3
2002
-4
2002
-5
2002
-6
2002
-7
2002
-8
2002
-9
2002
-10
2002
-11
2002
-12
2003
-1
2003
-2

16

TOTAL
NACIONA
L
17
16
15
13
12
8
10
15
16
21
24
17
16
17

MES
2008
-1
2008
-2
2008
-3
2008
-4
2008
-5
2008
-6
2008
-7
2008
-8
2008
-9
2008
-10
2008
-11
2008
-12
2009
-1
2009
-2

TOTAL
NACIONA
L
29
22
24
24
22
22
28
26
32
36
33
31
22
19

MES
2014
-1
2014
-2
2014
-3
2014
-4
2014
-5
2014
-6
2014
-7
2014
-8
2014
-9
2014
-10
2014
-11
2014
-12
2015
-1
2015
-2

TOTAL
NACIONA
L
29
29
32
28
27
25
21
26
34
42
46
39
27
27

1991
-3
1991
-4
1991
-5
1991
-6
1991
-7
1991
-8
1991
-9
1991
-10
1991
-11
1991
-12
1992
-1
1992
-2
1992
-3
1992
-4
1992
-5
1992
-6
1992
-7
1992
-8
1992
-9
1992
-10
1992
-11
1992
-12
1993
-1
1993
-2
1993
-3
1993
-4
1993
-5
1993
-6
1993
-7
1993
-8

4
6
4
7
5
5
5
6
5
8
7
7
7
7
6
7
7
6
5
4
5
6
6
7
6
9
5
9
12
8

1997
-3
1997
-4
1997
-5
1997
-6
1997
-7
1997
-8
1997
-9
1997
-10
1997
-11
1997
-12
1998
-1
1998
-2
1998
-3
1998
-4
1998
-5
1998
-6
1998
-7
1998
-8
1998
-9
1998
-10
1998
-11
1998
-12
1999
-1
1999
-2
1999
-3
1999
-4
1999
-5
1999
-6
1999
-7
1999
-8

12
14
13
13
11
12
14
9
12
18
7
8
7
12
11
10
11
16
10
12
16
16
9
9
9
12
13
13
15
14

2003
-3
2003
-4
2003
-5
2003
-6
2003
-7
2003
-8
2003
-9
2003
-10
2003
-11
2003
-12
2004
-1
2004
-2
2004
-3
2004
-4
2004
-5
2004
-6
2004
-7
2004
-8
2004
-9
2004
-10
2004
-11
2004
-12
2005
-1
2005
-2
2005
-3
2005
-4
2005
-5
2005
-6
2005
-7
2005
-8

17

18
13
11
10
11
14
16
22
24
16
15
17
16
16
13
11
13
14
17
21
24
15
15
16
18
15
13
12
12
15

2009
-3
2009
-4
2009
-5
2009
-6
2009
-7
2009
-8
2009
-9
2009
-10
2009
-11
2009
-12
2010
-1
2010
-2
2010
-3
2010
-4
2010
-5
2010
-6
2010
-7
2010
-8
2010
-9
2010
-10
2010
-11
2010
-12
2011
-1
2011
-2
2011
-3
2011
-4
2011
-5
2011
-6
2011
-7
2011
-8

20
23
21
21
25
26
30
36
35
34
23
23
23
23
23
22
23
27
33
38
42
36
31
26
31
35
30
20
25
27

2015
-3
2015
-4
2015
-5
2015
-6
2015
-7
2015
-8

34
30
28
27
22
26

1993
-9
1993
-10
1993
-11
1993
-12
1994
-1
1994
-2
1994
-3
1994
-4
1994
-5
1994
-6
1994
-7
1994
-8
1994
-9
1994
-10
1994
-11
1994
-12
1995
-1
1995
-2
1995
-3
1995
-4
1995
-5
1995
-6
1995
-7
1995
-8
1995
-9
1995
-10
1995
-11
1995
-12

9
8
8
10
7
9
11
10
14
14
11
13
10
11
8
14
9
7
7
7
8
9
6
11
8
14
11
12

1999
-9
1999
-10
1999
-11
1999
-12
2000
-1
2000
-2
2000
-3
2000
-4
2000
-5
2000
-6
2000
-7
2000
-8
2000
-9
2000
-10
2000
-11
2000
-12
2001
-1
2001
-2
2001
-3
2001
-4
2001
-5
2001
-6
2001
-7
2001
-8
2001
-9
2001
-10
2001
-11
2001
-12

24
22
17
17
10
11
11
11
11
12
11
14
14
20
19
26
17
14
16
14
11
9
10
13
17
19
23
18

2005
-9
2005
-10
2005
-11
2005
-12
2006
-1
2006
-2
2006
-3
2006
-4
2006
-5
2006
-6
2006
-7
2006
-8
2006
-9
2006
-10
2006
-11
2006
-12
2007
-1
2007
-2
2007
-3
2007
-4
2007
-5
2007
-6
2007
-7
2007
-8
2007
-9
2007
-10
2007
-11
2007
-12

22
25
24
20
17
19
22
19
16
14
14
19
26
29
33
32
20
21
21
21
19
15
15
22
28
33
36
33

Fuente: http://series.inei.gob.pe:8080/sirtod-series/
Elaborado por: A. Romero

18

2011
-9
2011
-10
2011
-11
2011
-12
2012
-1
2012
-2
2012
-3
2012
-4
2012
-5
2012
-6
2012
-7
2012
-8
2012
-9
2012
-10
2012
-11
2012
-12
2013
-1
2013
-2
2013
-3
2013
-4
2013
-5
2013
-6
2013
-7
2013
-8
2013
-9
2013
-10
2013
-11
2013
-12

31
47
48
41
26
26
31
26
26
25
22
25
34
47
49
39
26
27
31
25
25
26
21
25
40
48
50
39

4.4 Identificacin y estimacin

Dada la serie de produccin de esprrago (esparrago) procedemos a identificar si es
estacionaria en media y varianza. A continuacin, el grfico del comportamiento de la
serie original:
Grfico 8: Esprrago

19

ESPARRAGO
60
50
40
30
20
10
0
90

92

94

96

98

00

02

04

06

08

10

12

14

Funte: INEI
Elaborado por A. Romero

Es necesario comparar los resultados anteriores con los logaritmos de la serie original.
A continuacin la serie logartmica de la produccin produccin de esprrago
(logesparrago)
Grfico
9: lesparrago
LESPARRAGO
4.0
3.5
3.0
2.5
2.0
1.5
1.0
90 92 94 96 98 00
Funte: INEI
Elaborado por A. Romero

02

04

06

08

10

12

14

Observando los grficos se difiere que la estacionariedad en media y en varianza se

consigue en ambas series en las primeras diferencias

20

Para demostrar esta afirmacin, evaluamos las series de exportacin de harina de

pescado en niveles y en logaritmos con las pruebas Dickey Fuller y el Filtro de
Hodrick-Prescott:
Tabla 2: UnitRoot Esparrago
Null Hypothesis: ESPARRAGO has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 13 (Automatic based on SIC, MAXLAG=15)

Augmented Dickey-Fuller test statistic

Test critical values:
1% level
5% level
10% level

t-Statistic

Prob.*

-2.286300
-3.989580
-3.425184
-3.135706

0.4396

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

Fuente: Base de datos
Elaborado por: A. Romero

Los resultados del test Dickey-Fuller nos muestra que la serie HP en niveles no es
estacionaria, ya que el valor reportado como ADF Test Statistic es menor que los
valores crticos de MacKinnon al 10, 5 y 1% de signifiacancia lo que permite aceptar la
hiptesis nula de no estacionariedad ( presencia de raz unitaria).
Este resultado es confirmado por el Filtro de Hodrick-Prescott, donde se observa una
tendencia que no es estable.
Tabla 3: UnitRoot Lesparrago
Null Hypothesis: UNITROOT_LESPARRAGO has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 11 (Automatic based on SIC, MAXLAG=15)

Augmented Dickey-Fuller test statistic

Test critical values:
1% level
5% level
10% level

t-Statistic

Prob.*

-2.218295
-3.989365
-3.425080
-3.135645

0.4772

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

Fuente: Base de datos
Elaborado por: A. Romero

Aqu los resultados de la prueba ADF muestran que la serie produccin de esprrago
en logaritmos tampoco es no estacionaria ya que la probabilidad del estadstico ADF
test-statistic es mayor a los valores crticos de MacKinnon (0.01, 0.05 y 0.1).
21

El Filtro de Hodrick-Prescott tambin nos hace llegar a esta conclusin de no

estacionariedad y nos muestra que esta serie tiene una tendencia no estable.
4.4.1

Orden de integracin de la serie (I)

Ahora, procedemos a la estimacin de la primera diferencia de la serie
ESPARRAGO (Produccin de Esprrago) con el propsito de volverla
estacionaria. A continuacin se presenta el grafico el grafico de la primera
diferencia de la serie Produccin de Esprrago (D1LESPARRAGO).

Grfico 10:
d1lesparrago
D1LESPARRAGO
1.00
0.75
0.50
0.25
0.00
-0.25
-0.50
-0.75
-1.00
90

92

94

96

98

00

02

04

06

08

10

12

14

Funte: INEI
Elaborado por A. Romero

Se observa que los valores de esta serie giran en torno de una media cero. Se
puede decir que la serie DHP es estacionaria en media y en varianza.
Para comprobar su estacionariedad evaluamos la serie D1LESPARRAGO con
el test Dickey-Fuller y con el Filtro Hodrick-Prescott.
Tabla 4: UnitRoot Lesparrago

22

Null Hypothesis: D1LESPARRAGO has a unit root

Exogenous: Constant, Linear Trend
Lag Length: 12 (Automatic based on SIC, MAXLAG=15)

Augmented Dickey-Fuller test statistic

Test critical values:
1% level
5% level
10% level

t-Statistic

Prob.*

-7.299635
-3.989580
-3.425184
-3.135706

0.0000

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

Fuente: Base de datos
Elaborado por: A. Romero

Grfico 11: Prueba Grfica del Filtro Hodrick-Prescott

GRFICO: prueba grafica del Filtro Hodrick-Prescott
0.8

0.4

0.0

-0.4

-0.8

-1.2
90

92

94

96

98

00

02

04

D1LESPARRAGO

06

08

10

12

14

16

HPTREND02

Funte: INEI
Elaborado por A. Romero

23

Esta vez ambas pruebas son concluyentes. El valor ADF test statistic muestra
un valor absoluto de 7.299635 que es mayor a los valores absolutos de los
valores crticos de MacKinnon al 10, 5 y 1% de nivel de significancia, por lo que
se concluye que la serie D1LESPARRAGO es estacionaria. En la prueba grafica
del Filtro Hodrick-Prescott tambin se comprueba este resultado observndose
que esta serie tiene una tendencia paralela al eje horizontal, es decir una
tendencia estable.
4.4.2

Promedio Mvil MA (q)

Dada la frecuencia mensual de la serie, debemos asegurarnos que la serie sea
estacionaria estacionalmente. Si se observa el grafico de la serie original nos
damos cuenta de que en algunos meses la serie presenta crecimientos o cadas
altamente significativas. Esto nos hace pensar que es probable que la serie no
sea estacionaria estacionalmente. Para saber con seguridad esto analizamos el
correlograma de la serie inicial ESPARRAGO:
Tabla 5: Correlograma Esparrago

24

Fuente: Base de datos

Elaborado por: A. Romero

Como puede verse en Correlogram of ESPARRAGO hay mucha estructura en

ambas funciones. Esto es debido a la falta de estacionariedad de la serie. Como
se observo lneas atrs es preciso tomar una diferencia para quitar la tendencia.
Y otra, de orden 6, para quitar la estacionalidad segn el correlograma anterior.
Al hacer la primera diferencia de la serie el correlograma queda como se
muestra lneas abajo pero todava se ve que hay que estacionalizarla en el orden
1.

25

Tabla 6: Correlograma d1lesparrago

Fuente: Base de datos

Elaborado por: A. Romero

Entonces como la serie D1LESPARRAGO no es estacionaria estacionalmente

se transforma de manera que elimine la estacionalidad en los retardos de orden
12.
Para transformar la serie D1LESPARRAGO en una serie estacional generamos
la serie D1LESPARRAGOZ de la siguiente forma:
Genr d1lesparragoz=d(lesparrago,1,12)
26

A continuacin se presenta el grfico que corresponde a la nueva serie

Grfico 12: d1lesparagoz

D1LESPARRAGO
1.00
0.75
0.50
0.25
0.00
-0.25
-0.50
-0.75
-1.00
90

92

94

96

98

00

02

04

06

08

10

12

14

Funte: INEI
Elaborado por A. Romero

Tabla 7: UnitRoot d1lesparragoz

Null Hypothesis: D1LESPARRAGOZ has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 11 (Automatic based on SIC, MAXLAG=15)

Augmented Dickey-Fuller test statistic

Test critical values:
1% level
5% level
10% level

t-Statistic

Prob.*

-6.973939
-3.990817
-3.425784
-3.136061

0.0000

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

Fuente: Base de datos
Elaborado por: A. Romero

27

Grfico 13: Hodrick-Prescott Filter (lamba=14400)

Hodrick-Prescott Filter (lambda=14400)
1.5
1.0
0.5
0.0
1.5

-0.5

1.0

-1.0

0.5
0.0
-0.5
-1.0
90

92

94

96

98

00

02

D1LESPARRAGOZ

04

06

08

Trend

10

12

14

16

Cycle

Funte: INEI
Elaborado por A. Romero

Los valores del test de Dickey-Fuller anterior para la serie D1LESPARRAGOZ

confirman a estacionariedad estacional de la nueva serie que se usara a partir
de ahora.
Esta estacionariedad conseguida en la serie DHPZ puede tambien verificarse
grficamente con el filtro de Hodrick-Prescott que se muestra abajo:
Grfico 14: Prueba Grfica del Filtro Hodrick-Prescott

28

0.8

0.4

0.0

-0.4

-0.8

-1.2
90

92

94

96

98

00

02

04

D1LESPARRAGO

06

08

10

12

14

16

HPTREND01

Funte: INEI
Elaborado por A. Romero

Analizando el Correlogram of D1LESPARRAGOZ encontramos el valor de la

media mvil - MA(q) que se identifica a partir de los resultados de la columna
Autocorrelation que se presenta lneas abajo. Segn estos resultados se deduce
que la estacionalidad de la serie se repite cada 12 meses, donde los valores
escapan a las bandas de confianza. Es por eso que se determina que el valor q
para la serie es de q = 12.
Tabla 8: Correlograma d1lesparragoz

29

Fuente: Base de datos

Elaborado por: A. Romero

4.4.3

Orden Autorregresivo AR (p)

Para poder identificar el valor p de la serie D1LESPARRAGOZ, probaremos el
modelo con valor de AR de 12. Esto debido a que para identificar p, debemos
basarnos en los resultados de la columna Partial Correlation. Como observamos
en el correlograma anterior, es en el rezago 12 donde los valores se escapan de
las bandas de confianza. A estos rezagos se les someter la prueba de t-student
a fin de determinar su representatividad en el modelo; as tambin la prueba de
Jarque-Bera para escoger el valor correcto.
Como sabemos, el valor t-studen ideal debe ser igual o superior a dos mientras
que el valor de Jarque-Bera debe ser menor a 5.99 al 95% de confianza.
AR (12) : Valor t-student de 6.185909, Jarque-Bera 5.47198. Entonces se toma
esta opcin, tambin debido a que los valores de R- cuadrado, F- estadsticos

30

son mayores que los valores de los otros modelos y porque aqu los criterios de
Akaike y Schwars son menores respecto a las otras ecuaciones.

Tabla 9: Calibrado 1
Dependent Variable: D1LESPARRAGOZ
Method: Least Squares
Date: 10/26/15 Time: 05:36
Sample (adjusted): 1992M02 2015M08
Included observations: 283 after adjustments
Convergence achieved after 8 iterations
MA Backcast: 1992M01
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
AR(12)
MA(1)

-0.000670
-0.332724
-0.610921

0.003520
0.053787
0.047331

-0.190499
-6.185909
-12.90729

0.8491
0.0000
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Inverted AR Roots

Inverted MA Roots

0.376436
0.371982
0.201543
11.37347
53.24448
84.51597
0.000000
.88-.24i
.24-.88i
-.65+.65i
.61

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

.88+.24i
.24+.88i
-.65+.65i

.65+.65i
-.24+.88i
-.88-.24i

-0.001189
0.254321
-0.355085
-0.316440
-0.339590
1.914832

.65-.65i
-.24-.88i
-.88+.24i

Fuente: Base de datos

Elaborado por: A. Romero

Grfico 15: Histograma RESID

31

50

Series: RESID
Sample 1990M01 2015M08
Observations 295

40

30

20

10

Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis

2.94e-16
0.014275
0.686805
-0.776188
0.194907
-0.076673
5.020564

Jarque-Bera
Probability

5.47198
0.000000

0
-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

Funte: INEI
Elaborado por A. Romero

Luego, dada la serie D1LESPARRAGOZ queda identificada de la siguiente forma:

p = orden autorregresivo: AR(p)
En nuestro caso, p = 12
d = numero de diferenciaciones (orden de integracin de la serie)
En nuestro caso, d = 1, pues se trabaja con la primera diferencia de LHP, es decir
DLHPZ.
q = orden del promedio mvil: MA (q)
En nuestro caso, q = 1

ARIMA (12, 1, 1)

Es as que el modelo ms adecuado es un AR (12) x MA (1) para la serie en primeras

diferencias, con un R2 cercano al 37%, un Durbin-Watson de 1.91 y un F-estadstico de
84.51597. Adems un valor t-student para AR(12) de 6.185909, un Jarque-Bera de los
residuos de 5.47198.

32

De la estimacin del modelo obtenemos los siguientes resultados:

AR(12) = -6.185909
MA (1) = -12.90729
Siendo la generalizacin del modelo:

D1LESPARRAGOZ = - 6.185909* D1LESPARRAGOZ t-12 + t - 12.90729 t-1

4.5 Metodologa para la prediccin
Los modelos ARIMA proporcionan una prediccin puntual y adems la distribucin
de probabilidad completa para los valores futuros de la serie. Una prediccin
ptima es cuando el error cuadrtico medio de prediccin es mnimo.
Tabla 10: Calibrado para prediccin
Dependent Variable: LESPARRAGO
Method: Least Squares
Date: 10/26/15 Time: 05:30
Sample (adjusted): 1991M02 2015M08
Included observations: 295 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
LESPARRAGO(-13)
LESPARRAGO(-12)
LESPARRAGO(-1)

0.210066
-0.033203
0.526564
0.445179

0.056158
0.056753
0.047605
0.052043

3.740646
-0.585050
11.06119
8.554079

0.0002
0.5590
0.0000
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.884173
0.882979
0.195909
11.16865
64.30815
740.4593
0.000000

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

2.760399
0.572694
-0.408869
-0.358876
-0.388850
2.089781

Fuente: Base de datos

Elaborado por: A. Romero

A continuacin se procede a predecir los valores de D1LESPARRAGOZ para los

12 meses siguientes es decir hasta el periodo 2016: 08. Para este fin s amplio el
RANGO y el SAMPLE hasta el periodo 2016:08. La especificacin

33

Grfico 16: SIMUL_ESPARRAGO

4.2
4.0
3.8
3.6
3.4
3.2
3.0
2.8
2.6
2015Q4

2016Q1

2016Q2

SIMUL_ESPARRAGO

2016Q3

2 S.E.

Funte: INEI
Elaborado por A. Romero

Grfico 17: FORECAST

34

4.0
3.5
3.0
2.5
2.0
1.5
1.0
90

92

94

96

98

00

02

04

SIMUL_ESPARRAGO

06

08

10

12

14

16

LESPARRAGO

Funte: INEI
Elaborado por A. Romero

Grfico 18: FORECAST

4.4

Forecast: SIMUL_ESPAF
Actual: SIMUL_ESPARRAGO
Forecast sample: 1990M01 2016M08
Adjusted sample: 1991M02 2015M09
Included observations: 296

4.0
3.6
3.2

Root Mean Squared Error

Mean Absolute Error
Mean Abs. Percent Error
Theil Inequality Coefficient
Bias Proportion
Variance Proportion
Covariance Proportion

2.8
2.4
2.0
1.6

0.185739
0.136037
5.494033
0.032923
0.000000
0.028138
0.971862

1.2
0.8
92

94

96

98

00

02

04

SIMUL_ESPAF
Fuente: INEI
Elaborado por A. Romero

06

08

10

12

14

2 S.E.

El coeficiente de Theil es de 0.032923, cuanto ms cercano a cero en el modelo tiene

mayor capacidad de prediccin.

35

A continuacin se muestran otros estadsticos que nos permiten conocer la capacidad

predicativa del modelo:

Proporcin del sesgo tiene que estar lo ms cerca de cero posible aqu este
valor es 0.000000

Proporcin de la varianza tambin tiene que tender a cero aqu el valor es

0.028138.

Proporcin del covarianza esta medida de prediccin tiene que tener un valor
cercano a uno, en nuestro modelo este valor es 0.971862

Estos estadsticos nos hacen llegar a la conclusin que el modelo tiene buena
capacidad predicativa.
4.6 Resultados
Los principales problemas que impactan en el sector agrcola y especialmente en
la produccin de esprrago son su exposicin a choques exgenos como las
condiciones climticas y la capacidad instalada de riego. Teniendo prximo el
fenmeno del nio. Por lo que para asegurar nuestro liderazgo de exportacin
internacional se deber permitir a los productores ciertas medidas preventivas de
siembra y cosecha.
La investigacin cumple su cometido al demostrar que el modelo ARIMA deduce el
comportamiento de la produccin nacional de Esprrago.

REFERENCIAS
Chang y Del Ro (2013) Google Trends: Prediccin del nivel de empleo agregado en
Per usando datos en tiempo real, 2005-2011. Universidad del Pacfico: Per.
INEI

(2015)

Recuperado

el

24

de

octubre

de

2015,

de

http://series.inei.gob.pe:8080/sirtod-series/
Gujarati, D., Porter, D. (2010). Econometra (5ta Edicin). Mxico, D. F.: Mc Graw Hill.
Snchez, Barreras, Prez, Figueroa y Olivas (2013) Aplicacin De Un Modelo Arima
Para Pronosticar La Produccin De Leche De Bovino En Baja California, Mxico.
Universidad Autnoma de Baja California: Mxico.

36

Snchez, L. (2013) Pronstico de la produccin de leche, mediante modelos ARIMA.

Caso UBPC Maniabo. Universidad de La Habana: Cuba.
Trujillo, G (2010).Econometra con Eviews.

ANEXOS
Grfico 19: Tabla Chi Cuadrado

37

Fuente: Econometra (5ta Edicin), Gujarati

38